基于机器学习算法的室温软测量系统的制作方法

1.本发明涉及一种基于机器学习算法的室温软测量系统，属于供热终端用户控制技术领域。


背景技术：

2.供热终端用户控制系统是一个兼具时滞性、非线性、强耦合等特性的复杂系统，传统的供热终端用户调控方法并不能实现供热用户室内温度的精准调控，
3.目前，供热终端用户的室内温度采集仅仅依靠供热企业入户测温或者采用安装室内温度采集传感器的方法，入户测温受外界影响因素较大，且入户测温需要较大的人力物力成本，测温数据误差较大且准确性较差，供热企业对用户侧室温采集装置安装量相对较少，单个换热站供热系统小区只有15％左右，且考虑室内温度采集装置入户及安装运维困难及软硬件成本较高等因素存在，对用户侧室内温度的分析及调控缺乏有效的数据支撑，无法实现对终端用热舒适度的合理化调控及用户用热满意度的持续提升。


技术实现要素：

4.本发明要解决的技术问题是：克服现有技术的不足，提供一种基于机器学习算法的室温软测量系统，结合大数据分析及机器学习方法实现对用户室内温度的软测量。
5.本发明所述基于机器学习算法的室温软测量系统，包括云平台、企业数仓、scada控制系统，所述scada控制系统用于采集实时气象数据、用户侧历史供水温度、回水温度、户控阀开度的户控阀门调控数据；所述企业数仓用于存储数据；所述云平台用于利用线性回归机器学习算法建立不同房间的室内温度预测模型，实现对用户室内温度的软测量。
6.根据实时气象数据、用户侧历史供水温度、回水温度、户控阀开度等户控阀门调控数据，利用利用线性回归机器学习算法，分别建立不同类型房间的室内温度预测模型，实现对用户室内温度的软测量。减少硬件投资、节省成本，实现节能降耗的目的。
7.优选地，所述云平台包括样本数据获取模块、样本数据清洗模块、特征工程选取模块、模型训练模块、模型验证模块，所述样本数据获取模块用于获取所述企业数仓存储的实时气象数据、用户侧历史供水温度、回水温度、户控阀开度的户控阀门调控数据；所述样本数据清洗模块用于对样本数据获取模块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；所述特征工程选取模块用于选取室外气温历史值、前固定时间室外气温历史值、前固定时间用户侧供回水温度历史值作为特征工程；所述模型训练模块用于采用多元线性回归预测模型训练模型并进行参数调优；所述模型验证模块用于利用测试集数据对上述模型进行验证及误差分析。
8.用于建立室内温度预测模型，便于实现对用户室内温度的软测量
9.优选地，所述固定时间为3*24h。
10.特征工程选取合理。
11.优选地，所述多元线性回归预测模型如下：
[0012][0013]
式中：为因变量，即室内温度；
[0014]
x1，x2，
…
x
n
，为不同自变量，即与因变量有紧密联系的影响因素；
[0015]
a，b1，b2，
…
b
n
是线性回归方程的参数。
[0016]
实际问题抽象成数学问题，这里将实际供暖质量问题抽象成如何在天气温度、用户侧回水温度、供水温度、阀门开度等参数已知的情况下，得出更合理有效的室内温度。在此，与因变量有紧密联系的影响因素即实时气象数据、用户侧历史供水温度、回水温度、户控阀开度的户控阀门调控数据。
[0017]
优选地，a，b1，b2…
b
n
是通过解下列的方程组来得到：
[0018][0019][0020][0021]
…
[0022][0023]
优选地，还包括企业室温数据展示系统，用于将通过机器学习算法软测量得到的室温数据实时呈现在bi展示页面上，动态展现各小区、楼宇、用户室内温度及平均温度。
[0024]
实现公司与终端用热用户的深度交互，提升用户用热体验，减少投诉量，提升公司供热品牌形象。
[0025]
与现有技术相比，本发明具有以下有益效果：
[0026]
本发明所述基于机器学习算法的室温软测量系统，将实际供暖质量问题抽象成如何在天气温度、用户侧回水温度、供水温度、阀门开度等参数已知的情况下，得出更合理有效的室内温度，实现对用户室内温度的软测量；减少硬件投资、节省成本，实现节能降耗的目的，实现公司与终端用热用户的深度交互，提升用户用热体验，减少投诉量，提升公司供热品牌形象。
具体实施方式
[0027]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施方式作进一步地详细描述。
[0028]
实施例1
[0029]
基于机器学习算法的室温软测量系统，包括云平台、企业数仓、scada控制系统，所述scada控制系统用于采集实时气象数据、用户侧历史供水温度、回水温度、户控阀开度的户控阀门调控数据；所述企业数仓用于存储数据；所述云平台用于利用线性回归机器学习算法建立不同房间的室内温度预测模型，实现对用户室内温度的软测量。
[0030]
根据实时气象数据、用户侧历史供水温度、回水温度、户控阀开度等户控阀门调控数据，利用利用线性回归机器学习算法，分别建立不同类型房间的室内温度预测模型，实现对用户室内温度的软测量。减少硬件投资、节省成本，实现节能降耗的目的。
[0031]
其中，所述云平台包括样本数据获取模块、样本数据清洗模块、特征工程选取模
块、模型训练模块、模型验证模块，所述样本数据获取模块用于获取所述企业数仓存储的实时气象数据、用户侧历史供水温度、回水温度、户控阀开度的户控阀门调控数据；所述样本数据清洗模块用于对样本数据获取模块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；所述特征工程选取模块用于选取室外气温历史值、前固定时间室外气温历史值、前固定时间用户侧供回水温度历史值作为特征工程；所述模型训练模块用于采用多元线性回归预测模型训练模型并进行参数调优；所述模型验证模块用于利用测试集数据对上述模型进行验证及误差分析。
[0032]
用于建立室内温度预测模型，便于实现对用户室内温度的软测量
[0033]
其中，所述固定时间为3*24h。
[0034]
特征工程选取合理。
[0035]
其中，所述多元线性回归预测模型如下：
[0036][0037]
式中：为因变量，即室内温度；
[0038]
x1，x2，
…
x
n
，为不同自变量，即与因变量有紧密联系的影响因素；
[0039]
a，b1，b2，
…
b
n
是线性回归方程的参数。
[0040]
实际问题抽象成数学问题，这里将实际供暖质量问题抽象成如何在天气温度、用户侧回水温度、供水温度、阀门开度等参数已知的情况下，得出更合理有效的室内温度。在此，与因变量有紧密联系的影响因素即实时气象数据、用户侧历史供水温度、回水温度、户控阀开度的户控阀门调控数据。
[0041]
其中，a，b1，b2…
b
n
是通过解下列的方程组来得到：
[0042][0043][0044][0045]
…
[0046][0047]
其中，所述云平台还包括温度计算模块，用于将企业数仓存储数据带入所述模型计算室内温度。
[0048]
用于计算室内温度。
[0049]
其中，还包括企业室温数据展示系统，用于将通过机器学习算法软测量得到的室温数据实时呈现在bi展示页面上，动态展现各小区、楼宇、用户室内温度及平均温度。
[0050]
实现公司与终端用热用户的深度交互，提升用户用热体验，减少投诉量，提升公司供热品牌形象。
[0051]
本发明所述基于机器学习算法的室温软测量系统，工作过程如下：
[0052]
步骤1，样本数据获取模块获取所述企业数仓存储的实时气象数据、用户侧历史供水温度、回水温度、户控阀开度的户控阀门调控数据；
[0053]
步骤2，所述样本数据清洗模块对样本数据获取模块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；
[0054]
步骤3，所述特征工程选取模块选取室外气温历史值、前固定时间室外气温历史值、前固定时间用户侧供回水温度历史值作为特征工程；
[0055]
步骤4，所述模型训练模块采用多元线性回归预测模型训练模型并进行参数调优；
[0056]
步骤5，所述模型验证模块利用测试集数据对上述模型进行验证及误差分析；
[0057]
步骤6，将上述模型部署到温度计算模块，计算室内温度。
[0058]
实施例2
[0059]
与实施例1不同的是，所述多元线性回归预测模型采用二元线性回归分析预测法：
[0060][0061]
式中：为因变量，即室内温度；
[0062]
x1，x2为两个不同自变量，即与因变量有紧密联系的影响因素，即供水温度和回水温度；
[0063]
a，b1，b2是线性回归方程的参数。
[0064]
a，b1，b2是通过解下列的方程组来得到。
[0065]
∑y＝na b1∑x1 b2∑x2[0066][0067][0068]
实际问题抽象成数学问题，这里将实际供暖质量问题抽象成如何在天气温度、用户侧回水温度、供水温度、阀门开度等参数已知的情况下，得出更合理有效的室内温度。在此，与因变量有紧密联系的影响因素即实时气象数据、用户侧历史供水温度、回水温度、户控阀开度的户控阀门调控数据。
[0069]
综上，本发明所述基于机器学习算法的室温软测量系统，将实际供暖质量问题抽象成如何在天气温度、用户侧回水温度、供水温度、阀门开度等参数已知的情况下，得出更合理有效的室内温度，实现对用户室内温度的软测量；减少硬件投资、节省成本，实现节能降耗的目的，实现公司与终端用热用户的深度交互，提升用户用热体验，减少投诉量，提升公司供热品牌形象。