[发明专利]基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法

权利要求书

1.一种基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法，其特征在于它主要包括以下步骤：

(1)收集公寓独立供热系统的公寓建筑数据、气象数据、供热标准、人员作息规律、供热温度、回水温度以及热水管流量；

(2)对公寓建筑的实际需热量的计算：

从步骤(1)的原始数据中提取公寓建筑的供热温度、回水温度和热水管流量三个特征按照公式2.1进行结合，并计算出公寓建筑的实际的需热量；

P＝C*ρ*Q*(Sup_Tem-Ret_Tem) (2.1)

其中，P代表计算得到的单位时间内的公寓建筑的实际需热量，单位为J/h，C为水的比热容，其值为4.2×10³J/(kg·℃)，ρ为水的密度，其值为1.0×10³kg/m³，Q为热水管流量，单位为m³/h，Sup_Tem为供热温度，Ret_Tem为回水温度，单位均为摄氏度；

(3)利用极限梯度提升XGBoost算法计算公寓建筑的室外温度、辐照度、风速及前一时刻的需热量这四个特征的权重以选择相似日；

(4)根据步骤(3)中通过XGBoost算法所确定的特征权重系数ω₁,ω₂,ω₃,ω₄，采用经过XGBoost算法加权改进的欧几里得范数EN进行相似日的选取；

所述步骤(4)中相似日的选取具体是指：

根据公式4.1-4.5计算出当前预测日和各个历史日之间的欧几里得范数EN，在由这些EN所组成的集合中选择出最小的EN值，此EN值所对应的历史日即为预测日的相似日；

ΔT_t＝T_t-T_t^P (4.2)

ΔWF_t＝WF_t-WF_t^P (4.3)

ΔP＝P_t-1-P^P (4.5)

其中，EN表示计算的欧几里德范数，T_t是预测日的室外温度，T_t^P是历史日的室外温度，ΔT_t是预测日室外温度与历史日室外温度的温度差值；WF_t是预测日的风速，WF_t^P是历史日风速，ΔWF_t是预测日风速与历史日风速之间的风速差值；RI_t是预测日辐照度，是历史日辐照度，ΔRI_t是预测日辐照度与历史日辐照度之间的辐照度差值；P_t-1是预测日的前一时刻的需热量，P^P是历史日的需热量，ΔP是预测日前一时刻的需热量与历史日需热量之间的差值；

(5)在步骤(4)确定相似日的过程中，是通过计算预测日和历史日天气数据之间的欧几里德范数EN来进行相似日选择的，考虑到天气状况的不确定性，若找不到与预测日天气特征相似的历史日，则会出现按照步骤(4)的方法根据天气数据计算出的欧几里德范数EN是一个较大的值的情况，因此，设置一个欧几里德范数EN的阈值T_min，在选取相似日之后，先对根据公式4.1得到的欧几里德范数EN的大小进行判断，如果超过阈值T_min，则启动报警装置，提醒工作人员进行人工操作供热；

(6)将能够描述公寓建筑情况的参数作为XGBoost算法的输入特征，利用XGBoost算法可以计算出输入特征的权重系数，对所得到的权重系数按照数值大小进行排序，选择出数值较大的三个特征，即为对实际需热量影响最大的三个特征；

(7)对供热标准的特征处理：

将供热标准中的供热时段特征根据具体时间段进行量化，量化范围为0-1之间且数值越大代表该时间段对供热的需求量越大；将量化之后的数据作为新的供热标准特征；针对供热温度范围特征，选择温度范围的中位数作为新的特征量；

(8)居住人员作息规律特征处理：

将居住人员的居住时间段根据具体时段进行量化，将8点到18点认为是工作时段，此时段公寓人较少，量化为0，18点之后认为是休息时段，此时段公寓人较多，量化为1，并将量化之后的数据作为新的人员作息规律特征；

(9)根据能耗制约和节能要求对LSTMs的真实输出结果进行选取：

(10)建立LSTMs的模型，包含输入层、隐含层和输出层；其中，所述输入层的输入特征与公寓建筑情况、居住人员的作息规律、供热标准以及预测日和相似日的温度信息有关；所述隐含层是两层结构；所述输出层包含1个神经元。