CN117114179A - 一种供热系统换热站与建筑物协同优化调度方法和装置 - Google Patents

Abstract

本申请公开一种供热系统换热站与建筑物协同优化调度方法和装置，方法包括，获得影响建筑物供热效果的多种热负荷特征对应的历史特征数据；根据多种热负荷特征对应的历史特征数据进行主成分分析，以在多种热负荷特征确定出主特征；利用主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型；其中，热负荷需求模型以主特征对应的特征数据作为输入，以供热量数据作为输出；根据热负荷需求模型处理目标建筑物的主特征的特征数据，得到目标建筑物的目标流量；基于目标流量控制二级管网中目标建筑物对应阀门的开度。

Description

一种供热系统换热站与建筑物协同优化调度方法和装置

技术领域

本申请属于集中供热技术领域，尤其涉及一种供热系统换热站与建筑物协同优化调度方法和装置。

背景技术

城镇集中供热是一种常用的供热形式，这种供热形式存在能源消耗较大的问题。为了降低能耗，相关领域出现了一些关于智慧供热技术的研究。智慧供热是融合了信息技术和人工智能的新型供热形式，智能供热旨在通过换热站对城镇供热系统进行自动调度，以达到节能降耗的效果。

目前，智慧供热主要针对于城镇供热系统的一级管网进行优化调度，缺少针对二级管网的调度，导致二级管网存在水力失调，供热效果较差的问题。

大体量的供热规模往往增加了供热系统的调度难度，且目前基本换热站都实现了无人值守，因此，无论从运行安全还是节能降耗角度，相关供热技术人员多侧重于研究供热系统一级网的优化调度策略，对二级网的研究较少，导致二级网水力失调严重，供热效果较差。

发明内容

为此，本申请公开一种供热系统换热站与建筑物协同优化调度方法和装置，以改善城镇集中供热系统中二级管网的供热效果差的问题。

本申请第一方面提供一种供热系统换热站与建筑物协同优化调度方法，包括：

获得影响建筑物供热效果的多种热负荷特征对应的历史特征数据；

根据所述多种热负荷特征对应的历史特征数据进行主成分分析，以在所述多种热负荷特征确定出主特征；

利用所述主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型；其中，所述热负荷需求模型以所述主特征对应的特征数据作为输入，以供热量数据作为输出；

根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标流量；

基于所述目标流量控制二级管网中所述目标建筑物对应阀门的开度。

可选的，所述获得影响建筑物供热效果的多种热负荷特征对应的历史特征数据之后，还包括：

对所述多种热负荷特征对应的历史特征数据进行标准化处理，获得标准化的历史特征数据。

可选的，所述利用所述主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型，包括：

获得建筑物的历史供回温差值、历史流量计量和历史比热数据的乘积作为建筑物的历史供热量数据；

根据所述主特征对应的历史特征数据和所述历史供热量数据，构建训练数据集和测试数据集；

基于支持向量回归算法对所述训练数据集进行训练，得到热负荷需求模型；

利用所述测试数据集对所述热负荷需求模型，在测试通过后输出所述热负荷需求模型。

可选的，所述根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标流量，包括：

对换热站历史运行数据进行聚类分析，以确定换热站的最佳二次供水温度值；

根据岭回归算法对目标建筑物的历史供热数据进行回归分析，获得所述目标建筑物的供热量-流量关系模型；其中，所述历史供热数据包括所述目标建筑物的历史供热量数据，历史流量数据，历史室内温度数据和历史供水温度数据；

根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标供热量数据；

利用所述供热量-流量关系模型处理所述最佳二次供水温度值、所述目标供热量数据和预设的目标室内温度，获得所述目标建筑物的目标流量数据。

可选的，所述基于所述目标流量控制二级管网中所述目标建筑物对应阀门的开度，包括：

获得二级管网中所述目标建筑物对应阀门的修正后阀门特性曲线；

根据所述修正后阀门特性曲线和所述目标流量确定所述目标建筑物对应阀门的目标开度；

按所述目标开度控制所述目标建筑物对应阀门。

本申请第二方面提供一种供热系统换热站与建筑物协同优化调度装置，包括：

获得单元，用于获得影响建筑物供热效果的多种热负荷特征对应的历史特征数据；

分析单元，用于根据所述多种热负荷特征对应的历史特征数据进行主成分分析，以在所述多种热负荷特征确定出主特征；

构建单元，用于利用所述主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型；其中，所述热负荷需求模型以所述主特征对应的特征数据作为输入，以供热量数据作为输出；

处理单元，用于根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标流量；

控制单元，用于基于所述目标流量控制二级管网中所述目标建筑物对应阀门的开度。

可选的，所述装置还包括预处理单元，用于：

对所述多种热负荷特征对应的历史特征数据进行标准化处理，获得标准化的历史特征数据。

可选的，所述构建单元利用所述主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型时，具体用于：

获得建筑物的历史供回温差值、历史流量计量和历史比热数据的乘积作为建筑物的历史供热量数据；

根据所述主特征对应的历史特征数据和所述历史供热量数据，构建训练数据集和测试数据集；

基于支持向量回归算法对所述训练数据集进行训练，得到热负荷需求模型；

利用所述测试数据集对所述热负荷需求模型，在测试通过后输出所述热负荷需求模型。

可选的，所述处理单元根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标流量时，具体用于：

对换热站历史运行数据进行聚类分析，以确定换热站的最佳二次供水温度值；

根据岭回归算法对目标建筑物的历史供热数据进行回归分析，获得所述目标建筑物的供热量-流量关系模型；其中，所述历史供热数据包括所述目标建筑物的历史供热量数据，历史流量数据，历史室内温度数据和历史供水温度数据；

根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标供热量数据；

利用所述供热量-流量关系模型处理所述最佳二次供水温度值、所述目标供热量数据和预设的目标室内温度，获得所述目标建筑物的目标流量数据。

可选的，所述控制单元基于所述目标流量控制二级管网中所述目标建筑物对应阀门的开度时，具体用于：

获得二级管网中所述目标建筑物对应阀门的修正后阀门特性曲线；

根据所述修正后阀门特性曲线和所述目标流量确定所述目标建筑物对应阀门的目标开度；

按所述目标开度控制所述目标建筑物对应阀门。

本方案的有益效果在于：

通过使用主成分分析方法对影响供热效果的多种热负荷特征进行分析，基于其中的主特征建立热负荷需求模型，并通过该模型预测在目标室内温度及未来天气条件下的目标流量，实现了用热需求的精准感知，避免超供或欠供，从而在节约城镇集中供热系统的能耗的同时，为建筑物提供良好的供热效果，解决了现有调度方案供热效果差的问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是一种供热系统换热站与建筑物协同优化调度系统的结构示意图；

图2是一种供热系统换热站与建筑物协同优化调度方法的流程图；

图3是一种供热系统换热站与建筑物协同优化调度装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

城镇集中供热系统，是一种常见的供热系统，该系统通常由热力厂，换热站和管道组成。

其中，热力厂和换热站之间的管道可以称为城镇集中供热系统的一级管网；换热站到有供热需求的建筑物之间的管道可以称为城镇集中供热系统的二级管网。

热力厂可以加热传输介质(一般是水)，加热后的传输介质通过一级管网从热力厂传输至换热站，再从换热站通过二级管网进入有供热需求的建筑物，为建筑物内部空间供暖，之后再沿二级管网和一级管网回流到热力厂。

为了解决现有的城镇集中供热系统存在的供热效果差的问题，本申请提供一种供热系统换热站与建筑物协同优化调度方法，该方法可以由图1所示的供热系统换热站与建筑物协同优化调度系统(以下简称系统)执行。

该系统可以包括数据采集模块，数据预处理模块，数据存储模块，数据分析模块和策略下发模块。

数据采集模块用于采集建筑物的历史特征数据。

数据预处理模块用于对采集的历史特征数据进行标准化处理。

数据分析模块用于根据标准化处理后的历史特征数据，按照本实施例提供的优化调度方法进行处理，确定供热系统中特定阀门的开度。

策略下发模块，用于按照确定的阀门开度向对应的阀门发送控制信号，将阀门调节至对应的开度。

其中，数据预处理模块属于可选的模块，若不对历史特征数据进行标准化处理，可以不设置数据预处理模块。

通过上述系统，可以将本实施例的方法中各步骤黑箱化，实用性较强。

本实施例提供的系统，可以部署在云端服务器。

根据上述系统，本申请实施例提供一种供热系统换热站与建筑物协同优化调度方法，请参见图2，为该方法的流程图，该方法可以包括如下步骤。

S201，获得影响建筑物供热效果的多种热负荷特征对应的历史特征数据。

热负荷特征，也可以称为热负荷影响因素。

热负荷特征可以通过分析建筑物的供热情况确定。一般的，在满足用热需求时，供热系统对建筑物的供热量等于建筑物内供暖用户用热设备的散热量，同时也应等于维护结构的散热量，即：

其中，Q表示输入建筑物的热量，G为循环流量，单位为千克每小时；c为热水质量比热容，属于常数，本实施例中可以设为4187J/(kg*℃)，t_g为供水温度，t_h为回水温度，α和α_b分别为散热器传热系数和维护结构传热系数，单位为W/(m²*℃)；F为散热器面积，F_b为维护结构散热面积，单位为平方米，t_in和t_out为室内、外温度。

从上述公式可以看出，室内温度和室外温度都会影响建筑物的供热效果，因此可以确定热负荷特征包括室内温度和室外温度。

进一步的，本实施例中，热负荷特征包括但不限于，室内温度t_in，室外温度t_out，室外风速v，太阳光照强度s，在当前时刻之前的τ个采样时刻输入建筑物的流量q。

热负荷特征对应的历史特征数据，可以包括在预设时间段内，每一采样时刻该热负荷特征的特征数据。该预设时间段可以按需设定，不做限定。示例性的，预设时间段可以是最近一个月。

结合上述预设时间段的示例，S201中获得的历史特征数据可以包括：

室内温度对应的，最近一个月内每一采样时刻的室内温度值；

室外温度对应的，最近一个月内每一采样时刻的室外温度值；

室外风速对应的，最近一个月内每一采样时刻的室外风速值；

太阳光照强度对应的，最近一个月内每一采样时刻的太阳光照强度值，其中，采样时刻在夜间时，太阳光照强度值为0；

针对最近一个月内的每一采样时刻t，在该采样时刻之前的τ个采样时刻输入建筑物的流量q值，即q_t-1，q_t-2……q_t-τ。

采样间隔可以设定为1小时，或者设定为30分钟，或者设定为其他数值，不做限定。

可选的，获得历史特征数据后，执行S202之前，可以执行如下标准化步骤：

对多种热负荷特征对应的历史特征数据进行标准化处理，获得标准化的历史特征数据。

标准化处理，可以包括标签一致处理、异常值处理(即识别并剔除异常值)、缺失值填充中的至少一者。

在执行后续步骤前进行标准化处理的好处在于：

可以提高后续分析过程的效率和准确率。

S202，根据多种热负荷特征对应的历史特征数据进行主成分分析，以在多种热负荷特征确定出主特征。

在步骤S202中，可以通过主成分分析方法，确定出多种热负荷特征中每一种热负荷特征对建筑物的供热效果的累计贡献率，在此基础上，可以选取其中累计贡献率较大的多个热负荷特征作为主特征。

选取的标准可以是，降维后累计贡献率大于或等于预设的贡献率阈值m％。

选取的标准也可以是，按累计贡献率由大至小排序后的前n种热负荷特征。

通过主成分分析方法确定多种影响因素的贡献率的方法，可以参见相关的现有技术文献，不再赘述。

采用主成分分析法确定主特征，可以最大程度的保留影响预测结果的主要影响因素，同时可以简化问题，相较于目前普遍选取室内温度和室温天气作为影响因素的预测模型，更为合理与准确。

S203，利用主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型。

其中，热负荷需求模型以主特征对应的特征数据作为输入，以供热量数据作为输出。

S203的实施过程可以包括如下步骤。

A1，获得建筑物的历史供回温差值、历史流量计量和历史比热数据的乘积作为建筑物的历史供热量数据；

A2，根据主特征对应的历史特征数据和历史供热量数据，构建训练数据集和测试数据集；

A3，基于支持向量回归算法对训练数据集进行训练，得到热负荷需求模型；

A4，利用测试数据集对热负荷需求模型，在测试通过后输出热负荷需求模型。

步骤A1中获得的历史供回温差值、历史流量计量和历史比热数据，可以是和前述历史特征数据相同的预设时间段内各个采样时刻的数据，基于这些数据，可以计算得到预设时间段内每一采样时刻的历史供热量数据。

对于每一采样时刻，该采样时刻的历史供热量数据，等于该采样时刻的建筑物的历史供回温差值、历史流量计量和历史比热数据的乘积。

在步骤A2中，针对预设时间段内的每一采样时刻，可以将给各个主特征在该采样时刻的数值，组合成该采样时刻的特征向量，由此获得预设时间段内每一采样时刻的特征向量。

示例性的，假设主特征包括室内温度，室外温度，以及在当前时刻之前的τ个采样时刻输入建筑物的流量q，那么，对于预设时间段内的任意一个采样时刻t，其特征向量可以表示成(t时刻的室内温度，t时刻的室外温度，t-1时刻输入的流量q，t-2时刻输入的流量q……t-τ时刻输入的流量q)。

进一步的，将同一采样时刻的特征向量和历史供热量数据组合，可以得到该采样时刻对应的一个样本。即，t时刻的样本，包括t时刻的特征向量，以及t时刻的历史供热量数据。

获得各个采样时刻的样本后，可以将一部分样本确定为训练数据集，将一部分样本确定为测试数据集。例如，随机从预设时间段内各个采样时刻对应的样本中，选择50％的样本作为训练数据集，剩余50％的样本作为测试数据集。

在步骤A3中，可以将特征向量作为模型的输入，将供热量数据作为模型的输出，基于支持向量回归算法对训练数据集进行训练，获得一个用于根据特征向量预测供热量数据的热负荷需求模型。

本实施例中，热负荷需求模型可以用f(x)＝w^Tx+b表示，其中f(x)表示模型预测的供热量数据，x表示输入模型的特征向量，w^T和b为模型中需要训练的参数。

本实施例中，可以设定训练过程中，预测的供热量数据和样本的历史供热量数据的偏差大于预设的偏差阈值∈才计算损失，即相当于以f(x)为中心构建了一个宽度为2∈的隔离带。

基于以上设定，在步骤A3的训练过程中，目标函数为：

其中C为预设的正则化常数，其中的不敏感损失函数l_∈(z)的表达式为：

步骤A3中，训练停止的条件可以是，模型预测的供热量数据和样本的历史供热量数据之间的偏差小于预设误差，也可以是迭代次数达到预设值。

基于支持向量回归算法的训练过程可以参见相关的现有技术文献，不再赘述。

在步骤A4中，可以将测试数据集中每一样本的特征向量逐一输入到热负荷需求模型中，获得模型针对每一样本预测的供热量数据，根据模型预测的供热量数据和样本的历史供热量数据的差异，确定该模型的准确率。如果准确率大于预设的准确率阈值，则认为热负荷需求模型通过测试，反之则认为不通过测试。

可选的，本实施例的热负荷需求模型，可以是基于特定的目标建筑物的历史特征数据构建的热负荷需求模型。当需要对多个建筑物的供热进行优化时，可以针对每一建筑物构建对应的热负荷需求模型，然后分别基于各个建筑物对应的热负荷需求模型优化对应的建筑物的供热。

使用支持向量回归算法建立楼宇级热负荷需求模型，相较于换热站级的负荷预测模型更为精细，支持向量回归算法可充分挖掘历史运行数据价值，且支持向量回归算法具有较强的鲁棒性，更适用于供热系统非高精度数据的客观现状。

S204，根据热负荷需求模型处理目标建筑物的主特征的特征数据，得到目标建筑物的目标流量。

S204的具体实施过程可以包括：

B1，对换热站历史运行数据进行聚类分析，以确定换热站的最佳二次供水温度值；

B2，根据岭回归算法对目标建筑物的历史供热数据进行回归分析，获得目标建筑物的供热量-流量关系模型；其中，历史供热数据包括目标建筑物的历史供热量数据，历史流量数据，历史室内温度数据和历史供水温度数据；

B3，根据热负荷需求模型处理目标建筑物的主特征的特征数据，得到目标建筑物的目标供热量数据；

B4，利用供热量-流量关系模型处理最佳二次供水温度值、目标供热量数据和预设的目标室内温度，获得目标建筑物的目标流量数据。

在某一用热需求下，对于供热系统而言，采取大温差小流量运行方式是最经济的。因此在步骤B1中，可以通过如下方式确定最佳二次供水温度：

对换热站的历史运行数据进行聚类分析，从而将换热站的历史运行数据划分为k个聚类簇，同一聚类簇内部用热能耗相近，然后将耗电量处于第一四分位和第二四分位中间位置时刻的二次供水温度均值作为最佳二次供水温度值。

基于最佳二次供水温度，换热站一次侧电动调节阀门可自动追踪该数值进行PID动态调节，无需对换热站现有控制逻辑进行更改。

使用聚类分析算法确定不同阶段，在满足用热需求要求下的供热二级管的最佳供水温度数值，最大程度实现大温差小流量运行方式，降低系统输送电耗，将该温度下发至下位机执行原PID控制方式，减少变动。

在步骤B2中，可以收集目标建筑物在预设时间段内各个采样时刻的历史供热数据，然后在忽略二次管网沿程热损失前提下，基于岭(Ridge)回归算法对各个采样时刻的历史供热数据进行回归分析，获得目标建筑物的供热量-流量关系模型，该模型可以用如下公式表示：

Pi＝f(t_2g，q，t_in)。

其中，t_2g表示最佳二次供水温度，Pi表示供热量数据，q表示输入建筑物热水的流量，t_in表示室内温度。

岭回归算法的损失函数为：

L(w)∑(f(x_i)-y_i)²+λ||w||²。

其中λ为预设的正则化系数，||w||²为权重参数的L2范数平方。

基于该模型可得到在最佳二次供水温度值及目标室温条件下的各楼宇流量目标值。

基于岭回归算法进行回归分析的具体过程可以参见相关的现有技术文献，不再赘述。

目标建筑物，是需要按本实施例的方法进行优化调度的建筑物。

使用岭回归算法建立各楼宇的供热量-流量关系模型，可以减少过拟合问题。

在步骤B3中，可以收集目标建筑物在当前时刻的各项主特征的特征数据，并将这些主特征的特征数据组合为当前时刻目标建筑物的特征向量。

示例性的，假设主特征包括，室内温度，室外温度，以及在当前时刻之前的τ个采样时刻输入建筑物的流量q，那么在步骤B3中，可以收集当前时刻目标建筑物的室内温度，当前时刻目标建筑物的室外温度，以及当前时刻之前的τ个采样时刻输入目标建筑物的热水流量q，将收集到的这些数据组合成当前时刻目标建筑物的特征向量：

(t0时刻的室内温度，t0时刻的室外温度，t0-2输入的流量流量q，t0-2输入的流量q……t0-τ时刻输入的流量q)。其中t0表示当前时刻。

随后，将当前时刻目标建筑物的特征向量输入到S203构建的热负荷需求模型中，就可以获得热负荷需求模型预测的，该目标建筑物需要的目标供热量数据。

在步骤B4中，可以将目标供热量数据Pi，最佳二次供水温度值t_2g，和预设的目标室内温度t_in代入到步骤B2构建的供热量-流量关系模型，通过该模型计算出达到目标供热量数据所需的目标流量数据q。

其中，目标室内温度可以根据相关标准和居民热舒适性预测平均评价(PredictedMean Vote，PMV)指标确定，也可以通过其他方式确定，本实施例对具体的确定方式不做限定。

示例性的，确定出的目标室内温度可以是22℃。

S205，基于目标流量控制二级管网中目标建筑物对应阀门的开度。

S205的一种可选的实施方式是，根据目标流量，直接通过比例积分微分(proportional-integral-derivative，PID)调节的方式调节目标建筑物的电动调节阀的开度，使得目标建筑物的电动调节阀的实测流量接近目标流量。

S205的另一种可选的实施方式包括：

C1，获得二级管网中目标建筑物对应阀门的修正后阀门特性曲线；

C2，根据修正后阀门特性曲线和目标流量确定目标建筑物对应阀门的目标开度；

C3，按目标开度控制目标建筑物对应阀门。

修正后阀门特性曲线，反映了目标建筑物的电动调节阀的开度和流量的关系。该特性曲线可以通过预先测量目标建筑物的阀门(即电动调节阀)的开度数据和流量数据的方式获得。

修正后特性曲线可以有多种表示方式。例如，该特性曲线可以用映射表的形式表示，表中记录有目标建筑物的阀门的不同开度，以及每一开度对应的流量；或者，该特性曲线也可以用函数表达式的形式表示，表达式的自变量为阀门的开度，因变量为阀门的流量。

在步骤C2中，可以将目标流量代入目标建筑物的修正后特性曲线，从而计算出达到该目标流量所需的目标开度。

在步骤C3中，可以将确定出的目标开度下发给目标建筑物的电动调节阀，将目标建筑物的电动调节阀的开度调整为目标开度。

后一种实施方式的好处在于，可以避免直接基于PID进行调节而引起的震荡问题。

本方案的有益效果在于：

通过使用主成分分析方法对影响供热效果的多种热负荷特征进行分析，基于其中的主特征建立热负荷需求模型，并通过该模型预测在目标室内温度及未来天气条件下的目标流量，实现了用热需求的精准感知，避免超供或欠供，从而在节约城镇集中供热系统的能耗的同时，为建筑物提供良好的供热效果，解决了现有调度方案供热效果差的问题。

另外，通过聚类分析确定在满足用热需求时的最佳二次供水温度，充分利用换热站原有对于一次侧的控制逻辑，有利于推广本实施例的优化方法。

进一步的，使用回归模型对各楼宇用热量与供温、流量间的关系进行建模，根据阀门的修正后特性曲线，直接计算出目标流量对应的目标开度，避免了PID调节震荡问题。

综上所述，本实施例的优化方法通过构建各类数据分析模型，有效解决了城镇集中供热系统在楼宇级的精细化调节，在极大提升能源利用效率的同时，确保良好的供热效果。

根据本申请实施例提供的一种供热系统换热站与建筑物协同优化调度方法，本申请实施例还提供一种供热系统换热站与建筑物协同优化调度装置，请参见图3，为该装置的结构示意图，该装置可以包括如下单元。

获得单元301，用于获得影响建筑物供热效果的多种热负荷特征对应的历史特征数据；

分析单元302，用于根据多种热负荷特征对应的历史特征数据进行主成分分析，以在多种热负荷特征确定出主特征；

构建单元303，用于利用主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型；其中，热负荷需求模型以主特征对应的特征数据作为输入，以供热量数据作为输出；

处理单元304，用于根据热负荷需求模型处理目标建筑物的主特征的特征数据，得到目标建筑物的目标流量；

控制单元305，用于基于目标流量控制二级管网中目标建筑物对应阀门的开度。

可选的，装置还包括预处理单元306，用于：

对多种热负荷特征对应的历史特征数据进行标准化处理，获得标准化的历史特征数据。

可选的，构建单元303利用主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型时，具体用于：

获得建筑物的历史供回温差值、历史流量计量和历史比热数据的乘积作为建筑物的历史供热量数据；

根据主特征对应的历史特征数据和历史供热量数据，构建训练数据集和测试数据集；

基于支持向量回归算法对训练数据集进行训练，得到热负荷需求模型；

利用测试数据集对热负荷需求模型，在测试通过后输出热负荷需求模型。

可选的，处理单元304根据热负荷需求模型处理目标建筑物的主特征的特征数据，得到目标建筑物的目标流量时，具体用于：

对换热站历史运行数据进行聚类分析，以确定换热站的最佳二次供水温度值；

根据岭回归算法对目标建筑物的历史供热数据进行回归分析，获得目标建筑物的供热量-流量关系模型；其中，历史供热数据包括目标建筑物的历史供热量数据，历史流量数据，历史室内温度数据和历史供水温度数据；

根据热负荷需求模型处理目标建筑物的主特征的特征数据，得到目标建筑物的目标供热量数据；

利用供热量-流量关系模型处理最佳二次供水温度值、目标供热量数据和预设的目标室内温度，获得目标建筑物的目标流量数据。

可选的，控制单元305基于目标流量控制二级管网中目标建筑物对应阀门的开度时，具体用于：

获得二级管网中目标建筑物对应阀门的修正后阀门特性曲线；

根据修正后阀门特性曲线和目标流量确定目标建筑物对应阀门的目标开度；

按目标开度控制目标建筑物对应阀门。

本实施例中，获得单元301相当于图1所示系统的数据采集模块和数据存储模块，分析单元302、构建单元303、处理单元304和控制单元305相当于图1所示系统的数据分析模块，预处理单元306相当于图1所示系统的数据预处理模块。

本实施例提供的供热系统换热站与建筑物协同优化调度装置，其具体工作原理和有益效果可以参见本申请实施例提供的供热系统换热站与建筑物协同优化调度方法的相关步骤和有益效果，不再赘述。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

为了描述的方便，描述以上系统或装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

最后，还需要说明的是，在本文中，诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种供热系统换热站与建筑物协同优化调度方法，其特征在于，包括：

获得影响建筑物供热效果的多种热负荷特征对应的历史特征数据；

根据所述多种热负荷特征对应的历史特征数据进行主成分分析，以在所述多种热负荷特征确定出主特征；

利用所述主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型；其中，所述热负荷需求模型以所述主特征对应的特征数据作为输入，以供热量数据作为输出；

根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标流量；

基于所述目标流量控制二级管网中所述目标建筑物对应阀门的开度。

2.根据权利要求1所述的方法，其特征在于，所述获得影响建筑物供热效果的多种热负荷特征对应的历史特征数据之后，还包括：

对所述多种热负荷特征对应的历史特征数据进行标准化处理，获得标准化的历史特征数据。

3.根据权利要求1所述的方法，其特征在于，所述利用所述主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型，包括：

获得建筑物的历史供回温差值、历史流量计量和历史比热数据的乘积作为建筑物的历史供热量数据；

根据所述主特征对应的历史特征数据和所述历史供热量数据，构建训练数据集和测试数据集；

基于支持向量回归算法对所述训练数据集进行训练，得到热负荷需求模型；

利用所述测试数据集对所述热负荷需求模型，在测试通过后输出所述热负荷需求模型。

4.根据权利要求1所述的方法，其特征在于，所述根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标流量，包括：

对换热站历史运行数据进行聚类分析，以确定换热站的最佳二次供水温度值；

根据岭回归算法对目标建筑物的历史供热数据进行回归分析，获得所述目标建筑物的供热量-流量关系模型；其中，所述历史供热数据包括所述目标建筑物的历史供热量数据，历史流量数据，历史室内温度数据和历史供水温度数据；

根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标供热量数据；

利用所述供热量-流量关系模型处理所述最佳二次供水温度值、所述目标供热量数据和预设的目标室内温度，获得所述目标建筑物的目标流量数据。

5.根据权利要求1所述的方法，其特征在于，所述基于所述目标流量控制二级管网中所述目标建筑物对应阀门的开度，包括：

获得二级管网中所述目标建筑物对应阀门的修正后阀门特性曲线；

根据所述修正后阀门特性曲线和所述目标流量确定所述目标建筑物对应阀门的目标开度；

按所述目标开度控制所述目标建筑物对应阀门。

6.一种供热系统换热站与建筑物协同优化调度装置，其特征在于，包括：

获得单元，用于获得影响建筑物供热效果的多种热负荷特征对应的历史特征数据；

分析单元，用于根据所述多种热负荷特征对应的历史特征数据进行主成分分析，以在所述多种热负荷特征确定出主特征；

构建单元，用于利用所述主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型；其中，所述热负荷需求模型以所述主特征对应的特征数据作为输入，以供热量数据作为输出；

处理单元，用于根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标流量；

控制单元，用于基于所述目标流量控制二级管网中所述目标建筑物对应阀门的开度。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括预处理单元，用于：

对所述多种热负荷特征对应的历史特征数据进行标准化处理，获得标准化的历史特征数据。

8.根据权利要求6所述的装置，其特征在于，所述构建单元利用所述主特征对应的历史特征数据，以及建筑物的历史供热量数据构建热负荷需求模型时，具体用于：

获得建筑物的历史供回温差值、历史流量计量和历史比热数据的乘积作为建筑物的历史供热量数据；

根据所述主特征对应的历史特征数据和所述历史供热量数据，构建训练数据集和测试数据集；

基于支持向量回归算法对所述训练数据集进行训练，得到热负荷需求模型；

利用所述测试数据集对所述热负荷需求模型，在测试通过后输出所述热负荷需求模型。

9.根据权利要求6所述的装置，其特征在于，所述处理单元根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标流量时，具体用于：

对换热站历史运行数据进行聚类分析，以确定换热站的最佳二次供水温度值；

根据岭回归算法对目标建筑物的历史供热数据进行回归分析，获得所述目标建筑物的供热量-流量关系模型；其中，所述历史供热数据包括所述目标建筑物的历史供热量数据，历史流量数据，历史室内温度数据和历史供水温度数据；

根据所述热负荷需求模型处理目标建筑物的主特征的特征数据，得到所述目标建筑物的目标供热量数据；

利用所述供热量-流量关系模型处理所述最佳二次供水温度值、所述目标供热量数据和预设的目标室内温度，获得所述目标建筑物的目标流量数据。

10.根据权利要求6所述的装置，其特征在于，所述控制单元基于所述目标流量控制二级管网中所述目标建筑物对应阀门的开度时，具体用于：

获得二级管网中所述目标建筑物对应阀门的修正后阀门特性曲线；

根据所述修正后阀门特性曲线和所述目标流量确定所述目标建筑物对应阀门的目标开度；

按所述目标开度控制所述目标建筑物对应阀门。