基于机器学习算法的智慧供热站控预测系统的制作方法

1.本发明提供一种基于机器学习算法的智慧供热站控预测系统，涉及供热站控预测领域。


背景技术：

2.机器学习(machine learning,ml)是一门多领域交叉学科，作为人工智能的一个分支，让计算机能够从数据和经验中“学习”规律，并利用规律对未知数据进行预测，能给社会带来更高的生产效率、更优的服务体验和更好的管理思路。
3.越来越多的应用案例表明：传统行业的理论革新和工艺变革往往来自数据推动而不是单纯依靠自身发展，一种时兴的观念“数据即未来”提示我们：机器学习对自动化控制系统有着更加积极的影响。
4.鉴于供热自动化控制系统是一个具有时滞性、非线性、强耦合等特性的复杂系统，传统的负荷预测方法并不能实现对供热负荷的精准预测。


技术实现要素：

5.本发明的目的是提供一种能克服上述缺陷的基于机器学习算法的智慧供热站控预测系统，其实现对供热负荷的精准预测。
6.为实现上述发明目的，本发明提供一种基于机器学习算法的智慧供热站控预测系统，包括云平台，所述云平台与企业数仓连接，企业数仓与上位scada控制系统连接，上位scada控制系统与下位plc控制系统连接；下位plc控制系统与换热站设备及供热管网或楼宇供热终端连接，供热管网或楼宇供热终端通过管网监测装置分别与企业数仓和上位scada控制系统连接。
7.优选的，所述云平台包括airflow云部署模块、ec2云计算模块、s3云存储模块、基于机器学习算法的负荷预测模型模块。
8.优选的，所述企业数仓包括historian数据模块，记录文件数据模块，综合信息数据模块。
9.优选的，上位scada控制系统包括数据监控模块、趋势查询模块、实时报警模块、目标下发模块。
10.优选的，下位plc控制系统包括pid过程控制器，所述pid过程控制器通过一次调节阀与智能机组连接，智能机组通过温度控制器反馈pid过程控制器，所述智能机组与供热管网或楼宇供热终端连接。
11.优选的，所述基于机器学习算法的负荷预测模型模块包括模型训练、模型参数优化、预测值输出；
12.模型训练具体的包括如下步骤：
13.步骤(1.1)、获取样本数据：所述样本数据包括二次供温历史数据、室外气温历史数据、前3*24h二次供温历史数据、3*24h室外气温历史数据；
14.步骤(1.2)、样本数据清洗：对步骤(1)所得样本数据进行清洗治理，去除无效或不合理数据、补漏缺失数据、数据归一化处理；
15.步骤(1.3)、特征工程选取：选取室外气温历史值、前3*24h室外气温历史值、前3*24h二次侧供水温度历史值作为特征工程；
16.所述模型参数优化包括以下步骤：
17.步骤(2.1)、参数调优：训练模型并进行相关的参数调优，防止过拟合和欠拟合；
18.步骤(2.2)、误差分析：模型验证及误差分析，利用测试集数据对上述模型进行相关的验证及误差分析；
19.优选的，预测值输出模块包括未来3h室外气温，未来3h室外相对湿度，当前进水温，未来3h室内温设定值，前24h室外气温，前24h室外相对湿度，前24h进水温，前24h室内温。
20.与现有技术相比，本发明的有益效果是：
21.基于机器学习算法的智慧供热站控预测系统符合现有供热系统实际工况要求，对于复杂供热系统的负荷预测和应用有较好的拟合效果及相关性，不需要进行频繁的参数调节和过多的人工干预，实现了供热系统的自适应优化运行。
附图说明
22.图1是本发明的供热负荷模型架构示意图；
23.图2是本发明整体架构示意图；
具体实施方式
24.实施例1
25.如图1
‑
2所示，下面结合附图对本发明作进一步说明：所述的一种基于机器学习算法的智慧供热站控预测系统，包括云平台，所述云平台与企业数仓连接，企业数仓与上位scada控制系统连接，上位scada控制系统与下位plc控制系统连接；下位plc控制系统与换热站内设备及供热管网或楼宇供热终端连接，供热管网或楼宇供热终端通过管网监测装置分别与企业数仓和上位scada控制系统连接。
26.所述云平台包括airflow云部署模块、ec2云计算模块、s3云存储模块、基于机器学习算法的负荷预测模型模块。
27.所述企业数仓包括historian数据模块，记录文件数据模块，综合信息数据模块。
28.上位scada控制系统包括数据监控模块、趋势查询模块、实时报警模块、目标下发模块。
29.下位plc控制系统包括pid过程控制器，所述pid过程控制器通过一次调节阀与智能机组连接，智能机组通过温度控制器反馈pid过程控制器，所述智能机组与供热管网或楼宇供热终端连接。
30.所述基于机器学习算法的负荷预测模型模块包括模型训练、模型参数优化、预测值输出；模型训练具体的包括如下步骤：
31.步骤(1.1)、获取样本数据：所述样本数据包括二次供温历史数据、室外气温历史数据、前3*24h二次供温历史数据、3*24h室外气温历史数据；
32.步骤(1.2)、样本数据清洗：对步骤(1)所得样本数据进行清洗治理，去除无效或不合理数据、补漏缺失数据、数据归一化处理；
33.步骤(1.3)、特征工程选取：选取室外气温历史值、前3*24h室外气温历史值、前3*24h二次侧供水温度历史值作为特征工程；
34.所述模型参数优化包括以下步骤：
35.步骤(2.1)、参数调优：训练模型并进行相关的参数调优，防止过拟合和欠拟合；
36.步骤(2.2)、误差分析：模型验证及误差分析，利用测试集数据对上述模型进行相关的验证及误差分析；
37.优选的，预测值输出模块包括未来3h室外气温，未来3h室外相对湿度，当前进水温，未来3h室内温设定值，前24h室外气温，前24h室外相对湿度，前24h进水温，前24h室内温。
38.基于机器学习算法的智慧供热站控预测系统利用大数据分析、云平台、机器学习等先进技术，充分挖掘年度供热系统生产历史数据，结合气象数据、建筑物能耗特性数据等分别对节能地暖、非节能地暖以及非节能片暖小区的站控系统进行数据建模，并以scada供热自动化系统为基础，首先将供热历史及实时数据通过物联网通信技术增量式或全量式推送并存储至企业云端数据湖，实现供热数据的云端存储及备份，提高数据存储安全性能，同时减少机房服务器及相关存储设备硬件投资；其次，企业云通过云端数据治理技术将供热数据进行相关清洗治理，去除无效数据，补缺漏丢数据，并将治理后的数据存储至相应数据湖以备后用，大大提高供热数据治理效率，节约人工成本，提高供热数据质量；最后，将站点负荷预测控制策略放置在云端，通过云计算技术实时分析供热运行数据，实时计算控制目标，并通过物联网通讯及相关数据接口嵌入到scada系统中，初步实现控制体系的云运行。同时，scada可在云端智能控制与人工控制之间自由切换，可根据不同机组的个性化需求进行定制和调整；并将云计算结果实时下发至各站控系统，更直观的反映出人工调节和云控制的契合度和差异性。
39.基于机器学习算法的智慧供热站控预测系统符合现有供热系统实际工况要求，对于复杂供热系统的负荷预测和应用有较好的拟合效果及相关性，不需要进行频繁的参数调节和过多的人工干预，初步实现了供热系统的自适应优化运行。