[发明专利]一种集中供热系统生产自动调节方法

说明书

本发明提供了一种集中供热系统生产自动调节方法，包括通过传感器实时获取集中供热系统对应的所有用户端整体峰值消耗量，并将所述整体峰值消耗量记录为热负荷序列；基于时域与频域变换，将热负荷序列转换为频谱图；通过时间序列预测模型分别对频谱图的每个频段进行预测得到频域预测频谱图；利用时域与频域变换，将频域预测频谱图转换为热负荷预测值序列；根据热负荷预测值序列，动态调整集中供热系统中供暖设备输出功率，从而动态调整集中供热系统的峰值负载。本发明针对现有集中供热系统的自动调节方法难以动态反映热负荷变化，预测的准确率较低的技术问题，旨在保证实时性的同时，提高模型预测准确率的同时降低模型训练时间，并且减少内存消耗。

技术领域

本发明属于热能技术领域，尤其涉及一种基于用户端热力消耗分析或预测的集中供热系统生产自动调节方法。

背景技术

随着城市的不断发展和城市规模的不断扩大，集中供热系统对于热力的需求呈爆炸式增长。集中供热系统的供热负载可以分为基本负载和峰值负载。由于技术等原因，在峰值负载的情况下，供热公司通常使用相比起来价格更加高昂的燃料，例如煤炭、天然气等化石燃料，进行生产。因此，提高集中供热系统的能源利用率已被认为是关于减少资源浪费和节省成本的关键问题。

为了提高能源利用率，了解用户端消耗模式和精确预测用户端峰值消耗量非常重要。同时，由于用户端行为的不可预测性和多种影响因素(如天气条件和建筑物特征等)的共同影响，集中供热系统的峰值消耗量变得难以预测。因此，通过实时地精确预测用户端峰值消耗量，即峰值热负荷，并将其反馈至供热公司，供热公司能够以每小时或每15分钟为一个阶段对集中供热系统的峰值负载进行动态调整，从而优化供热能源生产，提高集中供热系统中燃料的使用效率，达到降低运营成本、节约能源、保护环境的目的。

当前，集中供热系统生产优化方法主要可分为两种：基于人类智慧的人工调整方法和基于传统机器学习模型的自动调整方法。前者主要基于工人的已有经验，人工观察仪器仪表做出判断，实时性较高，但是耗费人工成本较高，且无法做到精确微调，准确度较低；后者相对于前者预测准确度略有提升，但是模型训练时间较长、内存消耗较大、实时性较差，难以满足实际需求。

目前，已有研究人员对热负荷预测进行了大量的研究，并获得了很大的进展。在近年来的发展中，研究人员提出了多种方法。传统机器学习模型，包括线性回归(LinearRegression，LR)、混合高斯模型(Gaussian Mixture Model，GMM)、支持向量回归(SupportVector Regression，SVR)、人工神经网络(Artificial Neural Network，ANN)等已被应用于热负荷预测问题，但这些方法难以动态反映热负荷变化，预测的准确率较低。针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明针对上述技术问题，提出了一种集中供热系统生产自动调节方法，该方法旨在保证实时性并且提高模型预测准确率的同时降低模型训练时间，并且减少内存消耗。

为达到上述目的，本发明通过以下技术方案来具体实现：

本发明提供了一种集中供热系统生产自动调节方法，包括：

步骤一、通过传感器实时获取集中供热系统对应的所有用户端整体峰值消耗量，并将所述整体峰值消耗量记录为热负荷序列；

步骤二、基于时域与频域变换，将热负荷序列转换为频谱图；

步骤三、通过时间序列预测模型分别对频谱图的每个频段进行预测得到频域预测频谱图；

步骤四、利用时域与频域变换，将频域预测频谱图转换为热负荷预测值序列；

步骤五、根据热负荷预测值序列，动态调整集中供热系统中供暖设备输出功率，从而动态调整集中供热系统的峰值负载。

所述步骤一，包括：