[发明专利]真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法

说明书

真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法，涉及热负荷预测技术领域。解决了现有的热负荷预测方法获得的预测数据不是真实负荷数据的问题。真实热力数据的获取方法：获取热力站的历史热力数据，对所述历史热力数据进行预处理，得到室内设计温度、室内实际温度和供热监测数据；根据所述室内实际温度，得到平均室内实际温度；根据所述室内设计温度和所述平均室内实际温度，得到过量供热率；根据所述供热监测数据和过量供热率，得到真实热力数据。根据真实热力数据得到神经网络模型，将换热站的热力数据输入到所述神经网络模型中，获得换热站的真实热负荷数据。本发明适用于热负荷的预测。

技术领域

本发明涉及热负荷预测技术领域。

背景技术

集中供热虽然给人们生产生活带来了很多的方便。在一定程度上要比其他采暖方式节能环保，但不能否认的是，在实际的运行当中，换热站的能源消耗也是非常巨大的，而且换热站中存在着很严重的不必要的能源浪费问题。如果能使这部分的能源消耗降下来，那么节省下来的能源也是巨大的。通过科学合理的方法对供热负荷进行精准预测可以提升供热效率，减少能源浪费，对调整供热方式以及供热热度起指导作用。

随着数学方法和科学技术的不断发展应用，负荷预测也随之有了很大的进步，但是供热系统为热的特殊性和复杂性，使其负荷预测较其他领域发展较慢。准确的数据在研究项目中起着至关重要的作用。准确的热负荷预测在集中供热系统中发挥着不可估量的作用，可以为用户提供适当的热量并调整系统的准备工作。同时，系统运行过程中产生的数据对下一步系统的改进具有重要意义。

目前国内对相关方面的研究较少。2008年公开的论文文献：李琼，孟庆林.基于RBF神经网络的建筑逐时空调负荷预测模型[J].华南理工大学学报(自然科学版)：2008，36(10):25-30。该论文文献建立了RBF神经网络来预测办公楼和图书馆对于空调的热负荷，结果表明，RBF神经网络具有良好的预测效果。2009年公开的论文文献：Li Q,Meng Q,Cai J,et al.Predicting hourly cooling load in the building:A comparison of supportvector machine and different artificial neural networks[J](建筑逐时冷负荷预测：支持向量机与不同人工神经网络的比较)Energy Conversion and Management(能源转换与管理):2009,50(1):90-96。该论文文献比较了三种神经网络模型BPNN、RBFNN和GRNN在广东某建筑冷负荷预测中的应用，结果表明GRNN预测误差最小。2014年公开的论文文献：李璐，于军琪，杨益.基于GA-BP神经网络的大型公共建筑能耗预测研究[J].中外建筑：2014，(03)112-114。该论文文献使用BPNN结合GA算法预测大型公共建筑的能耗，GA-BP神经网络可以更准确地预测建筑物的能耗。2003年公开的论文文献：郝有志，李德英，郝斌.基于神经网络的供热计量系统热负荷短期预测[J].暖通空调，2003，33(6)：105-107。该论文文献使用BPNN算法建立热负荷预测模型，通过大量数据对比发现，BPNN算法预测的平均相对误差为6.93％，效果不错。

从现有的研究中可以看出，都使用了大数据分析技术，然后对比分析不同预测方法中哪种方法效果更好；另一方面，选择热负荷预测方法，选择不同的输入参数来确定哪个参数影响更大。研究的重点是各种预测方法在热负荷预测中的效果。但是没有研究通过多维比较确定不同预测模型的适用性。从已有的研究可以得出，目前的研究使用不同的关键变量建立预测模型，虽然得到的模型的预测精度较高，但普遍性较差。主要原因是不同热特性的建筑物或热力站影响热负荷的关键因素不同。

因此，现有的负荷预测方法，采用的历史数据多为直接测量得到，而非真正的负荷需求。而进行负荷预测的主要目的是指导控制和运行调节，需要的是真实负荷需求数据。

发明内容

本发明解决了现有的热负荷预测方法获得的预测数据不是真实负荷数据的问题。