一种基于深度学习的智慧供热管理系统

摘要

一种基于深度学习的智慧供热管理系统，属于供热系统技术领域，本发明为解决现有智慧供热系统不具备故障预测、故障诊断以及自动生成控制策略的问题。采用特征集配置模块采集当前的供热数据作为数据特征集，并将数据特征集进行数据的清洗、分类和设定时间戳；深度学习网络模块选取训练集和特征集，不同功能模块分别选取输入特征集和输出特征集，确定网络层数、初始值、学习速率、激活函数、训练函数、成本函数和优化函数；深度学习网络模块构建基于Keras神经网络库框架长短期记忆模型的深度学习网络；将输出特征集输出至预测和预警生成模块；预测和预警生成模块根据输出特征集输出预测结果和故障信息。本发明用于实现整个供热系统的自动控制。

说明书

技术领域

本发明涉及一种基于深度学习的智慧供热管理系统，属于供热系统技术领域。

背景技术

集中供热是由集中热源产生蒸汽、热水，通过管网供给一个城市(镇)或部分区域生产、采暖和生活所需的热量的方式。集中供热是现代化城市的基础设施之一，也是城市公用事业的一项重要设施。集中供热不仅能给城市提供稳定、可靠的高品位热源，改善人民生活，而且能节约能源，减少城市污染，有利于城市美化，能够有效地利用城市空间。因此，集中供热具有显著的经济效益和社会效益，进一步提升供热质量、降低能耗是集中供热面临的主要问题。

现有的传统集中供热系统大多采用人工调节为主的运行方式，运行管理模式不能适应大型热网节能运行的需求，并且不能保证供热安全性，出现事故隐患时操作人员难以及时发现，易造成供热设备、供热系统事故。各热力站都独立运行，不能进行统一的管理和调度。在二次管网中，由于各管路的流阻不同，不同回路的热水流量分布不均匀，与设计值相差较大，引发水力失调和热力失调，导致终端用户室温冷热不均，管网结构复杂，耦合严重，人工调节难以解决供热系统的水力失调问题。上述问题导致供热系统整体的状态不佳，易造成管网水力失调和热力失衡，影响供热效果，也造成能源的极大能源浪费。

现有的智慧供热系统，具有数据采集、数据统计分析、远程调节等功能，但主要功能实现依然基于人工控制，只是把现场调节变成了远程调节。智慧供热系统只是简单的数据汇集、统计分析，并不具备智慧的大脑功能，无法进行故障预测、故障诊断、控制策略自动生成等功能。

发明内容

本发明目的是为了解决现有智慧供热系统不具备故障预测、故障诊断以及自动生成控制策略的问题，提供了一种基于深度学习的智慧供热管理系统。

本发明所述一种基于深度学习的智慧供热管理系统，它包括特征集配置模块、深度学习网络模块、深度学习训练模块、预测和预警生成模块、以及人工教学模块；深度学习网络模块包括多个功能模块；

特征集配置模块采集当前的供热数据作为数据特征集，并将数据特征集进行数据的清洗、分类和设定时间戳，然后将数据特征集输送至构建配置深度学习网络模块；

深度学习网络模块根据数据特征集选取训练集和特征集，不同功能模块分别选取输入特征集和输出特征集，功能模块确定网络层数、初始值、学习速率、激活函数、训练函数、成本函数和优化函数；深度学习网络模块构建基于Keras神经网络库框架长短期记忆模型的深度学习网络；然后将输出特征集输出至预测和预警生成模块；

预测和预警生成模块根据输出特征集输出预测结果和故障信息；

深度学习训练模块利用激活函数、成本函数和优化函数对深度学习网络模块进行训练直至达到优化条件；

人工教学模块在缺少输入特征集时输入历史经验数据，深度学习网络模块根据所属历史经验数据进行构建。

优选的，所述深度学习网络模块包括多个功能模块，分别为：热源生成和故障诊断深度学习网络模块、管网运行和故障诊断深度学习网络模块、换热站运行和故障诊断深度学习网络模块、二次网运行和故障诊断深度学习网络模块、用户室温和故障诊断深度学习网络模块和用户收费深度学习网络模块。

优选的，所述热源生成和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：热源历史生产数据、天气环境数据和热源故障报警数据；

输出特征集包括：热源燃料消耗数据、热源故障类型数据、热源故障推测发生时间数据、启动备用热源时间数据和部件寿命数据。

优选的，所述管网运行和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：管网温度数据、管网压力数据、管网漏点检测数据和管网阀门数据；

输出特征集包括：管网故障位置数据。

优选的，所述换热站运行和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：换热站PLC数据、换热站变频器和循环泵数据、一次网和二次网的供回水压力数据、换热站温度数据、换热站电动调节阀数据、换热站水箱数据和天气环境数据；

输出特征集包括：换热站的水电能耗数据和换热站故障类型数据。

优选的，所述二次网运行和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：二次网供回水温度数据、二次网阀门数据、用户温度数据和楼宇保温数据数据；

输出特征集包括：防冻故障预警信息数据。

优选的，所述用户室温和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：用户室内温度数据、回水温度数据、用户供回水温度数据、用户流量数据、换热站数据和天气环境数据；

输出特征集包括：用户室内温度变化数据和非正常用热用户风险提示数据。

优选的，所述用户收费深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：用户室内温度数据、供热面积数据、用户供回水温度数据、用户流量数据和天气环境数据；

输出特征集包括：用户费用、用户热用量和用户缴费高峰预警。

本发明的优点：本发明提出的一种基于深度学习的智慧供热管理系统，基于深度学习策略实现，能够对供热系统进行故障预测和故障诊断，自动生成控制策略，能够实现从热源、换热站、管网到热用户整个供热系统的监测，对整个供热系统的运行进行科学、高效的管理。能够实现供热系统管理和调节的自动化和智能化，无需人工干预，实时性好，调节精度高。系统运行后，能够大幅提高供热效率，减少能源消耗，减轻运行维护人员的工作量。

附图说明

图1是本发明所述一种基于深度学习的智慧供热管理系统的原理框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述一种基于深度学习的智慧供热管理系统，它包括特征集配置模块、深度学习网络模块、深度学习训练模块、预测和预警生成模块、以及人工教学模块；深度学习网络模块包括多个功能模块；

特征集配置模块采集当前的供热数据作为数据特征集，并将数据特征集进行数据的清洗、分类和设定时间戳，然后将数据特征集输送至构建配置深度学习网络模块；

深度学习网络模块根据数据特征集选取训练集和特征集，不同功能模块分别选取输入特征集和输出特征集，功能模块确定网络层数、初始值、学习速率、激活函数、训练函数、成本函数和优化函数；深度学习网络模块构建基于Keras神经网络库框架长短期记忆模型的深度学习网络；然后将输出特征集输出至预测和预警生成模块；

预测和预警生成模块根据输出特征集输出预测结果和故障信息；

深度学习训练模块利用激活函数、成本函数和优化函数对深度学习网络模块进行训练直至达到优化条件；

人工教学模块在缺少输入特征集时输入历史经验数据，深度学习网络模块根据所属历史经验数据进行构建。

本实施方式中，所述当前的供热数据包括：热源历史生产数据、管网流量和压力数据、管网漏点检测数据、换热站SCADA数据，PLC数据、变频器和循环泵数据、一次网、二次网的供回水压力、温度数据、电动调节阀数据、水箱数据、用户室内温度数据、用户供回水温度、流量数据、用户缴费数据、供热面积数据、楼宇位置数据、监控摄像头数据、天气环境数据。

本实施方式中，在实际生产和管理过程中，深度学习训练模块不断加深学习和训练，当结果达到优化条件后停止训练，若结果不满足优化条件，则需要重新调整参数，直至得到满足优化条件的结果后停止训练。该模块配合人工教学模块进行训练时，能够根据专家经验数据得到预测结果。

本实施方式中，采用基于Keras框架的LSTM(长短期记忆)模型构建深度学习神经网络，特别是多变量输入数据拟合LSTM。基于LSTM的递归神经网络可以很好的应用在时间序列预测上，使用训练后的LSTM模型进行递归分析，实际结果和预测数据误差较小。

进一步的，所述深度学习网络模块包括多个功能模块，分别为：热源生成和故障诊断深度学习网络模块、管网运行和故障诊断深度学习网络模块、换热站运行和故障诊断深度学习网络模块、二次网运行和故障诊断深度学习网络模块、用户室温和故障诊断深度学习网络模块和用户收费深度学习网络模块。

本实施方式中，热源生成和故障诊断深度学习网络模块能够实现供热管理系统的设备预测性运维、自诊断和设备性能优化。

本实施方式中，管网运行和故障诊断深度学习网络模块能够生成管网平衡控制策略。

本实施方式中，换热站运行和故障诊断深度学习网络模块能够生成换热站控制策略。

本实施方式中，二次网运行和故障诊断深度学习网络模块能够生成二次网平衡控制策略。

本实施方式中，用户室温和故障诊断深度学习网络模块根据能够输出非正常用热用户风险提示数据，对浪费热源、偷用热水的非正常用热用户给出风险提示。

本实施方式中，用户收费深度学习网络模块能够根据居民的用热习惯以及天气、时段对居民供热量的影响，分析用户费用和用户热用量，对用户缴费高峰进行预警。

再进一步的，所述热源生成和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：热源历史生产数据、天气环境数据和热源故障报警数据；

输出特征集包括：热源燃料消耗数据、热源故障类型数据、热源故障推测发生时间数据、启动备用热源时间数据和部件寿命数据。

再进一步的，所述管网运行和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：管网温度数据、管网压力数据、管网漏点检测数据和管网阀门数据；

输出特征集包括：管网故障位置数据。

再进一步的，所述换热站运行和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：换热站PLC数据、换热站变频器和循环泵数据、一次网和二次网的供回水压力数据、换热站温度数据、换热站电动调节阀数据、换热站水箱数据和天气环境数据；

输出特征集包括：换热站的水电能耗数据和换热站故障类型数据。

再进一步的，所述二次网运行和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：二次网供回水温度数据、二次网阀门数据、用户温度数据和楼宇保温数据数据；

输出特征集包括：防冻故障预警信息数据。

再进一步的，所述用户室温和故障诊断深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：用户室内温度数据、回水温度数据、用户供回水温度数据、用户流量数据、换热站数据和天气环境数据；

输出特征集包括：用户室内温度变化数据和非正常用热用户风险提示数据。

再进一步的，所述用户收费深度学习网络模块的输入特征集和输出特征集分别为：

输入特征集包括：用户室内温度数据、供热面积数据、用户供回水温度数据、用户流量数据和天气环境数据；

输出特征集包括：用户费用、用户热用量和用户缴费高峰预警。

再进一步的，所述激活函数采用sigmoid函数和tanh函数；

所述成本函数为：

其中，y

所述优化函数为：

其中，θ

本实施方式中，所述优化函数采用小批量梯度下降算法，也可以采用Adam优化算法。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。