基于机器学习算法的智慧供热站控预测系统的制作方法

技术特征：
1.一种基于机器学习算法的智慧供热站控预测系统，其特征在于，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控制系统与换热站供热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。2.根据权利要求1所述的一种基于机器学习算法的智慧供热站控预测系统，其特征在于，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。3.根据权利要求1所述的一种基于机器学习算法的智慧供热站控预测系统，其特征在于，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。4.根据权利要求1所述的一种基于机器学习算法的智慧供热站控预测系统，其特征在于，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。5.根据权利要求1所述的一种基于机器学习算法的智慧供热站控预测系统，其特征在于，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。6.根据权利要求2所述的一种基于机器学习算法的智慧供热站控预测系统，其特征在于，所述基于机器学习算法的负荷预测模型模块包括数据治理、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：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；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；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；所述模型参数优化包括以下步骤：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；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。7.根据权利要求6所述的一种基于机器学习算法的智慧供热室温调控系统，其特征在于，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。

技术总结
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。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控制系统与换热站供热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。本发明能实现对供热负荷的精准预测。发明能实现对供热负荷的精准预测。发明能实现对供热负荷的精准预测。


技术研发人员：张锐 王荣鑫 张伟 刘玉国 聂鑫 徐毅 葛振福 张哲 乔宏旭 高翔 杨一 王晨 车新华
受保护的技术使用者：淄博热力有限公司
技术研发日：2021.07.23
技术公布日：2021/11/4