[发明专利]基于机理模型预测的供热系统测量数据的校正方法及系统

说明书

本发明涉及城市供热系统先进控制领域，具体涉及一种基于机理模型预测的供热系统测量数据的校正方法及系统，其中校正方法包括：获取供热系统中测量变量的测量数据；通过历史测量数据将测量数据中含有测量误差的测量数据初步修正为满足基本机理规则数据；将满足基本机理规则数据中的输入变量输入机理仿真模型计算测量变量中待校正变量的预测值；构造过失误差隶属函数，对待校正变量的满足基本机理规则数据进行误差检测和辨识以获得含过失误差数据；以及通过预测值对误差进行检测和辨识，并经专家系统判断含有过失误差的原因为测量误差的待校正变量的测量数据进行校正，使经过校正后的测量数据更好地保持质量守恒、能量平衡等关系。

技术领域

本发明涉及城市供热系统先进控制领域，具体涉及一种基于机理模型预测的供热系统测量数据的校正方法及系统。

背景技术

供热系统的结构和运行模式越来越复杂，人们对供热系统测量数据的质量也提出了更高的要求。但实时量测系统由于设备部署不够合理，设备数量有限，再加上通道传输、设备故障失灵等原因，测量数据往往存在一些不良数据，这给基于监测数据分析系统特性、系统故障的早期发现带来难度，也使得基于测量数据的调度决策存在不可靠因素。因此，必须对供热系统测量数据进行校正。

数据校正的关键是对其中的不良数据进行有效的检测和辨识，并用合理的数值对其进行校正。传统的不良数据检测方法有，目标函数极值检测法、加权残差R_w、检测法或标准化残差R_n检测法等；传统的不良数据辨识方法主要有残差搜索法、非二次准则法、零残差法、估计辨识法等。这些方法在一定程度上可以检测出不良数据，但也容易出现漏检和误检的情况。随着数据挖掘和机器学习算法的发展，聚类分析、决策树、模糊数学等在不良数据检测与辨识中的使用也越来越多。但供热系统的结构随着时间发生变化时，依靠数据挖掘和机器学习方法的可扩展性较差。

基于上述技术问题，需要设计一种新的基于机理模型预测的供热系统测量数据的校正方法及系统。

发明内容

本发明的目的是提供一种基于机理模型预测的供热系统测量数据的校正方法及系统。

为了解决上述技术问题，本发明提供了一种基于机理模型预测的供热系统测量数据的校正方法，包括：

获取供热系统中测量变量的测量数据；

通过历史测量数据将测量数据中含有测量误差的测量数据初步修正为满足基本机理规则数据；

将满足基本机理规则数据中的输入变量输入机理仿真模型迭代计算测量变量中待校正变量的预测值；

构造过失误差隶属函数，对待校正变量的满足基本机理规则数据进行误差检测和辨识，以获得含过失误差测量数据；以及

通过预测值对含过失误差测量数据进行校正。

进一步，所述测量数据为在存储有供热系统实时测量数据的数据库中，读取各测量变量在相同时刻下的一组测量数据X^m＝{x₁^m,x₂^m,...,x_n^m}，x_n为测量变量。

进一步，所述通过历史测量数据将测量数据中含有测量误差的测量数据初步修正为满足基本机理规则数据的方法包括：

判断测量数据是否满足基本机理规则，即通过专家系统判断测量数据不满足基本机理规则的原因为测量误差时，通过历史测量数据修正，使该测量数据满足基本机理规则，以构成满足基本机理规则数据；

所述基本机理规则包括：对于供热系统中的同一对象，其供压大于回压，供温大于回温，流量与热量满足由室外温度所决定的相应指标；

所述不满足基本机理规则的原因包括：测量误差和故障。