[发明专利]一种供热负荷预测方法和装置

权利要求书

1.一种供热负荷预测方法，其特征在于，包括：

接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；

从所述实时运行数据中提取多个等分时刻对应的第一特征数据，并将所述第一特征数据按照时间序列排序，得到第一时序特征数据；其中，所述第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；

利用换热站供热负荷预测模型对所述第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。

2.根据权利要求1所述的供热负荷预测方法，其特征在于，所述方法还包括：

接收预测热源供热负荷的请求，所述热源供热负荷的请求中指示了热源对应的全部换热站；

确定所述全部换热站分别对应的第一处理结果；

从所述实时运行数据中提取多个等分时刻对应的第二特征数据，并将所述第二特征数据按照时间序列排序，得到第二时序特征数据；其中，所述第二特征数据包括一次网供热特征数据和热源运行特征数据；

将所述第二时序特征数据输入所述全连接层中进行第三处理，得到第三处理结果，将所述全部换热站分别对应的第一处理结果和所述第三处理结果进行特征拼接，并将特征拼接结果依次输入热源供热负荷预测模型和所述全连接层进行第四处理，得到下一等分时刻对应的热源供热负荷的预测值。

3.根据权利要求1所述的供热负荷预测方法，其特征在于，所述换热站供热负荷预测模型和所述热源供热预测模型均为长短期记忆神经网络模型，所述方法还包括供热负荷模型训练步骤：

获取供热系统的历史运行数据，从所述历史运行数据中分别选取训练集和验证集；其中，所述训练集包括多个等分时刻对应的第一特征数据和第二特征数据，所述验证集包括下一时刻对应的换热站供热负荷实际值和热源供热负荷实际值；

根据所述训练集和所述验证集对所述长短期记忆神经网络模型和所述全连接层进行训练，得到换热站供热负荷预测模型和热源供热负荷预测模型。

4.根据权利要求3所述的供热负荷预测方法，其特征在于，所述方法还包括：

根据换热站供热负荷的预测值和热源供热负荷的预测值分别与换热站供热负荷实际值和热源供热负荷实际值的误差构建损失函数；

根据所述损失函数对所述换热站供热负荷预测模型和热源供热负荷预测模型进行优化处理。

5.根据权利要求3所述的供热负荷预测方法，其特征在于，在所述获取供热系统的历史运行数据的步骤之后，所述方法还包括：

对所述历史运行数据进行数据清洗处理和数据补全处理。

6.一种供热负荷预测装置，其特征在于，包括：

请求接收模块，用于接收预测换热站供热负荷的请求，获取供热系统的实时运行数据；

特征数据提取模块，用于从所述实时运行数据中提取多个等分时刻对应的第一特征数据，并将所述第一特征数据按照时间序列排序，得到第一时序特征数据；其中，所述第一特征数据包括二次网供热特征数据、气象特征数据和用户侧特征数据；

预测模块，用于利用换热站供热负荷预测模型对所述第一时序特征数据进行第一处理，并将第一处理结果输入全连接层中进行第二处理，得到下一等分时刻对应的换热站供热负荷的预测值。

7.根据权利要求6所述的供热负荷预测装置，其特征在于，若所述请求接收模块接收预测热源供热负荷的请求；其中，所述热源供热负荷的请求中指示了热源对应的全部换热站；

所述特征数据提取模块还用于：从所述实时运行数据中提取多个等分时刻对应的第二特征数据，并将所述第二特征数据按照时间序列排序，得到第二时序特征数据；其中，所述第二特征数据包括一次网供热特征数据和热源运行特征数据；

所述预测模块还用于：确定所述全部换热站分别对应的第一处理结果；将所述第二时序特征数据输入所述全连接层中进行第三处理，得到第三处理结果，将所述全部换热站分别对应的第一处理结果和所述第三处理结果进行特征拼接，并将特征拼接结果依次输入热源供热负荷预测模型和所述全连接层进行第四处理，得到下一等分时刻对应的热源供热负荷的预测值。