CN118569457B - 一种供热负荷预测方法及系统 - Google Patents

Abstract

本发明适用于负荷预测技术领域，尤其涉及一种供热负荷预测方法及系统，所述方法包括：S100：确定供热区域的边界，结合供热站的位置，将供热区域划分为若干个分块，记录所述分块的历史供热量和历史温度，并建立对应关系，采集所述分块的用电增长量和供热负荷增长量，构建对照表；S200：创建预测树，将所述预测树切分为左子树和右子树。本发明通过构建对照表，并结合当前时刻的用电增长量，能够对预测供热量进行修正，进一步提高预测供热量的准确性，优化资源配置，提升用户体验，通过构建预测树和随机森林，大大简化了预测供热量的计算过程，从而在保证准确性的同时，极大地提高预测的效率和速度。

Description

一种供热负荷预测方法及系统

技术领域

本发明涉及负荷预测技术领域，尤其涉及一种供热负荷预测方法及系统。

背景技术

供热负荷的变化通常与多个因素密切相关，首先，室外温度是影响供热负荷的主要因素之一，随着室外温度的降低，建筑物需要更多的热量来维持室内的舒适温度，从而增加供热负荷；其次，建筑物的保温性能也起着重要作用，保温材料的质量、窗户的密封性以及整体结构都会影响热量的流失和需求，因此建筑物保温性能越好，供热负荷也越小；此外，室内其他取暖设备的使用频率越高，供热负荷越小；最后，人员密度也会对供热负荷产生影响。

但是其中的房屋特性、人员密度在一般情况下，并不会发生变化，也就是说只有室外温度和室内其他供暖设备的使用情况会导致供热负荷发生频繁变化，因此，“如何整合室外温度和用电量，预测供热负荷”是本发明所需要解决的技术问题。

发明内容

本发明的目的在于提供一种供热负荷预测方法及系统，以解决上述背景技术中提出“如何整合室外温度和用电量，预测供热负荷”的问题。

为实现上述目的，本发明提供如下技术方案：

一种供热负荷预测方法，所述方法包括：

S100：确定供热区域的边界，结合供热站的位置，将供热区域划分为若干个分块，记录所述分块的历史供热量和历史温度，并建立对应关系，采集所述分块的用电增长量和供热负荷增长量，构建对照表；

S200：创建预测树，将所述预测树切分为左子树和右子树，将所述历史供热量、历史温度和对应关系导入到左子树中，对照表导入到右子树中；

S300：在所述预测树的起始位置嵌入用于检索、输出的双域链表，并将所述双域链表的两组指针域分别指向左子树和右子树，将所述预测树的输入数据定义为触发器，绑定所述触发器和双域链表；

S400：获取供热区域的天气预测数据和当前时刻的用电增长量，输入到预测树中，激活所述双域链表，并利用预设的线性回归模型，计算出预测供热量并输出。

进一步的，所述S100包括：

构建供热区域的数字孪生模型，利用历史供热量和历史温度组成的数据集训练所述数字孪生模型；

将所述天气预测数据输入到数字孪生模型中，确定预测结果，微调所述预测供热量。

进一步的，所述S100还包括：

从分块中随机选取中测试分块，采集所述测试分块的用电量和供热量；

以自然时间为横坐标，以用电量为纵坐标，绘制变化趋势图；

以自然时间为横坐标，以供热量为纵坐标，绘制对照图，并将所述对照图叠加到所述变化趋势图中；

从自然时间中选取出代表点，并比对所述代表点处的斜率。

进一步的，所述S200包括：

建立与分块一一对应的预测树，解析出所述预测树的属性，并生成标签，其中属性至少包括：分块内的人数、年龄结构和房屋特性，将所述标签插入到预测树中；

汇总所有的预测树，创建随机森林，并搭建所述随机森林的接口。

进一步的，所述S300包括：

将双域链表拆分为两组数字域和两组指针域，其中两组所述指针域分别指向左子树和右子树，两组数字域包括第一数字域和第二数字域；

将输入数据转入到左子树中，遍历出至少一组历史供热量，并将遍历出的结果转入到第一数字域中；

将输入数据转入到右子树中，查询所述对照表，并将查询结果转入到第二数字域中。

进一步的，所述S400包括：

将供热区域的天气预测数据和当前时刻的用电增长量定义为输入值，并将输入值经由所述接口转入到随机森林中；

将所述输入值切分到预测树中，并计算出每个预测树所对应的预测供热量，并进行汇总，将汇总结果通过所述接口输出。

进一步的，所述S400还包括：

基于所述对应关系，在所述第一数字域中选取出附近值，并利用预设的线性回归模型，计算出每个所述预测树的预测供热量；

所述预设的线性回归模型为：

；

其中为预测树的预测供热量，T为所述天气预测数据，和为回归系数；

利用预设的回归系数计算公式，计算出和；

其中预设的回归系数包括：

；

；

其中为第个附近值中的历史温度，为与存在所述对应关系的历史供热量，n为附近值的数量；

利用所述第二数字域中的查询结果偏差所述预测供热量。

进一步的，所述系统包括：

构建模块，用于确定供热区域的边界，结合供热站的位置，将供热区域划分为若干个分块，记录所述分块的历史供热量和历史温度，并建立对应关系，采集所述分块的用电增长量和供热负荷增长量，构建对照表；

导入模块，用于创建预测树，将所述预测树切分为左子树和右子树，将所述历史供热量、历史温度和对应关系导入到左子树中，对照表导入到右子树中；

绑定模块，用于在所述预测树的起始位置嵌入用于检索、输出的双域链表，并将所述双域链表的两组指针域分别指向左子树和右子树，将所述预测树的输入数据定义为触发器，绑定所述触发器和双域链表；

激活模块，用于获取供热区域的天气预测数据和当前时刻的用电增长量，输入到预测树中，激活所述双域链表，并利用预设的线性回归模型，计算出预测供热量并输出。

进一步的，所述构建模块包括：

训练单元，用于构建供热区域的数字孪生模型，利用历史供热量和历史温度组成的数据集训练所述数字孪生模型；

微调单元，用于将所述天气预测数据输入到数字孪生模型中，确定预测结果，微调所述预测供热量；

采集单元，用于从分块中随机选取中测试分块，采集所述测试分块的用电量和供热量；

绘制单元，用于以自然时间为横坐标，以用电量为纵坐标，绘制变化趋势图，以自然时间为横坐标，以供热量为纵坐标，绘制对照图，并将所述对照图叠加到所述变化趋势图中；

比对单元，用于从自然时间中选取出代表点，并比对所述代表点处的斜率。

进一步的，所述导入模块包括：

插入单元，用于建立与分块一一对应的预测树，解析出所述预测树的属性，并生成标签，其中属性至少包括：分块内的人数、年龄结构和房屋特性，将所述标签插入到预测树中；

汇总单元，用于汇总所有的预测树，创建随机森林，并搭建所述随机森林的接口。

与现有技术相比，本发明的有益效果是：

通过建立历史供热量和历史温度的对应关系，并结合天气预测数据，能够确定预测供热量，提高供热系统响应速度，为供热负荷调整提供数据支持，通过构建对照表，并结合当前时刻的用电增长量，能够对预测供热量进行修正，进一步提高预测供热量的准确性，优化资源配置，提升用户体验，通过构建预测树和随机森林，大大简化了预测供热量的计算过程，从而在保证准确性的同时，极大地提高了预测的效率和速度。

附图说明

图1为本发明实施例提供的供热负荷预测方法的流程框图；

图2为本发明实施例提供的供热负荷预测方法的第一子流程框图；

图3为本发明实施例提供的供热负荷预测方法的第二子流程框图；

图4为本发明实施例提供的供热负荷预测方法的第三子流程框图；

图5为本发明实施例提供的供热负荷预测方法的第四子流程框图；

图6为本发明实施例提供的供热负荷预测系统的组成框图；

图7为本发明实施例提供的供热负荷预测系统中构建模块的组成框图；

图8为本发明实施例提供的供热负荷预测系统中导入模块的组成框图；

图9为本发明实施例提供的供热负荷预测系统中绑定模块的组成框图；

图10为本发明实施例提供的供热负荷预测系统中激活模块的组成框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一供热负荷预测方法脚本称为第二供热负荷预测方法脚本，且类似地，可将第二供热负荷预测方法脚本称为第一供热负荷预测方法脚本。

在实施例1中，图1示出了本发明实施例提供的供热负荷预测方法实现流程，以下进行详述，如下：

S100：确定供热区域的边界，结合供热站的位置，将供热区域划分为若干个分块，记录所述分块的历史供热量和历史温度，并建立对应关系，采集所述分块的用电增长量和供热负荷增长量，构建对照表。

确定需要进行供热的区域，并确定供热区域的边界，在供热区域中确定供热站的位置，根据供热站所供热的范围，将供热区域划分为多个分块；需要注意的是分块的数量与供热站的数量相同，记录下每个分块的每天的气温，再确定每天的供热量，并将收集到的数据确定为历史供热量和历史温度；根据时间，建立历史供热量和历史温度的对应关系；同时记录分块每天的用电的变化量，再记录下同一天供热负荷的变化量，并分别将这两个变化量确定为用电增长量和供热负荷增长量；其中需要注意的是用电增长量和供热负荷增长量均可能为负值，也就是用电量和供热负荷在减少。根据每天的用电增长量和供热负荷增长量，构建对照表。在对照表中，“行”分别为用电增长量项和供热负荷增长量项，列则为分块的编号或是名称。

S200：创建预测树，将所述预测树切分为左子树和右子树，将所述历史供热量、历史温度和对应关系导入到左子树中，对照表导入到右子树中。

创建预测树，其中预测树分为左子树和右子树，将历史供热量和历史温度导入到左子树中，将对照表导入到右子树中。

S300：在所述预测树的起始位置嵌入用于检索、输出的双域链表，并将所述双域链表的两组指针域分别指向左子树和右子树，将所述预测树的输入数据定义为触发器，绑定所述触发器和双域链表。

在预测树的起始位置嵌入双域链表，其中起始位置为预测树的根部。双域链表由两组数字域和两组指针域构成，将其中的两组指针域分别指向左子树和右子树，将预测树中左子树的结果转入到其中一组数字域中，将右子树的结果转入到另外一组数字域中；只有在预测树接收到输入数据后，才会启动双域链表进行检索和输出。

S400：获取供热区域的天气预测数据和当前时刻的用电增长量，输入到预测树中，激活所述双域链表，并利用预设的线性回归模型，计算出预测供热量并输出。

当预测树接收到输入数据后，才会激活双域链表。天气预测数据中应包括预测温度，将预测温度转入到左子树中，找出与预测温度相同的历史温度所对应的历史供热量，并利用线性回归模型，计算出预测供热量，并将预测供热量从预测树中输出。将当前时刻的用电增长量转入到右子树中，检索确定供热负荷增长量，并根据目前的供热负荷，对预测供热量进行偏离，这样做的好处是能够提高预测供热量的准确性。

在实施例2中，图2示出了本发明实施例提供的供热负荷预测方法实现流程，以下对S100进行详述，如下：

S101：构建供热区域的数字孪生模型，利用历史供热量和历史温度组成的数据集训练所述数字孪生模型。

构建供热区域的数字孪生模型，并利用历史供热量和历史温度，对数字孪生模型进行训练。

S102：将所述天气预测数据输入到数字孪生模型中，确定预测结果，微调所述预测供热量。

将天气预测数据输入到训练完成的数字孪生模型中，输出预测结果，并利用预测结果校准预测供热量。具体的校准方式应为如果预测供热量与预测结果的偏差不大，则应对预测供热量进行偏离，如果差距较大，则应从现有数据中，选取更多温度和供热量数据，继续对数字孪生模型进行训练。

在实施例3中，图3示出了本发明实施例提供的供热负荷预测方法实现流程，以下继续对S100进行详述，如下：

S201：从分块中随机选取中测试分块，采集所述测试分块的用电量和供热量。

从分块中随机选取中测试分块，选取测试分块的作用主要是为了找出温度与供热量之间的关系，因此测试分块的选取并无其他特殊要求，采集测试分块的实时用电量和实时供热量。

S202：以自然时间为横坐标，以用电量为纵坐标，绘制变化趋势图，以自然时间为横坐标，以供热量为纵坐标，绘制对照图，并将所述对照图叠加到所述变化趋势图中。

以自然时间为横坐标，其中自然时间也就是北京时间，用电量为纵坐标，绘制变化趋势图，其中变化趋势图可以为折线图，或是曲线图；再继续以自然时间为横坐标，供热量为纵坐标，绘制对照图，其中对照图也为折线图，或是曲线图，再将两个折线图叠加到同一幅图中。

S203：从自然时间中选取出代表点，并比对所述代表点处的斜率。

从两个折线图中选取出相邻两个自然时间，并确定出斜率，比对两个折线图的斜率，确定出变化趋势，判断变化趋势之间是否存在联系。

在实施例4中，图3示出了本发明实施例提供的供热负荷预测方法实现流程，以下对S200进行详述，如下：

S204：建立与分块一一对应的预测树，解析出所述预测树的属性，并生成标签，其中属性至少包括：分块内的人数、年龄结构和房屋特性，将所述标签插入到预测树中。

基于每个分块，都建立一个对应的预测树，同时提取出分块的属性，其中属性包括：该分块的区域面积、人数、居住人群的年龄结构和房屋特性等，并将标签插入到预测树中；这样做的好处是能够更为直观地判断出其他因素对供热量的影响。

S205：汇总所有的预测树，创建随机森林，并搭建所述随机森林的接口。

将所有分块所对应的预测树汇总到一起，构建随机森林，随机森林的供热量也就是供热区域的总供热量。在随机森林中确定接口，其中接口主要用于输入和输出。

在实施例5中，图4示出了本发明实施例提供的供热负荷预测方法实现流程，以下对S300进行详述，如下：

S301：将双域链表拆分为两组数字域和两组指针域，其中两组所述指针域分别指向左子树和右子树，两组数字域包括第一数字域和第二数字域。

指针域的作用是建立数据间的映射关系，避免出现数据整合困难。此外，将两组数字域分别命名为第一数字域和第二数字域。

S302：将输入数据转入到左子树中，遍历出至少一组历史供热量，并将遍历出的结果转入到第一数字域中；

将天气预测数据中的预测温度转入左子树中，找出与天气预测数据中的预测温度相同的历史温度，只要保证历史温度的数据量足够大，必然能遍历出多组与天气预测数据中的预测温度相同的历史温度，将遍历出的多组历史温度导入到第一数字域中。

S303：将输入数据转入到右子树中，查询所述对照表，并将查询结果转入到第二数字域中。

将输入数据中的当前时刻的用电增长量转入到右子树中，查询对照表，确定用电增长量所对应的供热负荷增长量，并将查询出的供热负荷增长量转入到第二数字域中。

根据当前时刻的用电负荷和查询出的供热负荷增长量，对预测供热量进行校准，进一步提高预测供热量的正确率。

在实施例6中，图5示出了本发明实施例提供的供热负荷预测方法实现流程，以下对S400进行详述，如下：

S401：将供热区域的天气预测数据和当前时刻的用电增长量定义为输入值，并将输入值经由所述接口转入到随机森林中。

将供热区域的天气预测数据和当前时刻的用电增长量定义为输入值，并将输入值通过接口，转入到随机森林中。

S402：将所述输入值切分到预测树中，并计算出每个预测树所对应的预测供热量，并进行汇总，将汇总结果通过所述接口输出。

将输入值切分为两个部分，其中一个部分就是供热区域的天气预测数据，另一个部分就是当前时刻的用电增长量，根据这两个部分，确定每个预测树的预测供热量，并对所有的预测供热量进行汇总，汇总结果也就是供热区域的总的预测供热量。

在实施例7中，图5示出了本发明实施例提供的供热负荷预测方法实现流程，以下继续对S400进行详述，如下：

S403：基于所述对应关系，在所述第一数字域中选取出附近值，并利用预设的线性回归模型，计算出每个所述预测树的预测供热量。

其中本实施例所要解决的技术问题是如何进一步提高预测供热量的准确性，仅仅依靠找出与天气预测数据中的温度相同的历史温度，所对应的历史供热量来确定供热负荷，具有较大的偶然性，供热量的变化还可能与温度的变化有关；

例如，某市某区共建设有A、B、C和D四个供热站，且当前时刻为2024年1月2日，温度为15度，第二天的预测温度为11度，则找出温度为11度时所对应的供热量，并将此供热量作为第二天的供热负荷的预测值，但是前一天1月1日的温度也会对实际的供热负荷产生影响，所以需要比对连续几日的温度和供热量，才能使得预测供热量更为准确。也就是说，同时找出前一天温度为15度，第二天温度为11度的历史供热量，并找出多组多天的历史温度。

例如，第二天的预测温度为11度，通过搜索，现找到如下数据：

所述预设的线性回归模型为：

；

其中为预测树的预测供热量，T为所述天气预测数据，和为回归系数。

继续以上述为例，Q为2024年1月3日的预测供热量，T 为2024年1月3日的预测温度。

S404：利用预设的回归系数计算公式，计算出和；

其中预设的回归系数包括：

；

；

其中为第个附近值中的历史温度，为与存在所述对应关系的历史供热量，n为附近值的数量。

继续以上述为例，为19、为11、为8……，为1023、为1108、为1301……，n=4，计算出预测供热量。

S405：利用所述第二数字域中的查询结果偏差所述预测供热量。

计算出预测供热量后，利用第二数字域中的查询结果，修正预测供热量。

图6示出了本发明实施例提供的供热负荷预测系统的组成结构框图，所述供热负荷预测系统1包括：

构建模块11，用于确定供热区域的边界，结合供热站的位置，将供热区域划分为若干个分块，记录所述分块的历史供热量和历史温度，并建立对应关系，采集所述分块的用电增长量和供热负荷增长量，构建对照表；

导入模块12，用于创建预测树，将所述预测树切分为左子树和右子树，将所述历史供热量、历史温度和对应关系导入到左子树中，对照表导入到右子树中；

绑定模块13，用于在所述预测树的起始位置嵌入用于检索、输出的双域链表，并将所述双域链表的两组指针域分别指向左子树和右子树，将所述预测树的输入数据定义为触发器，绑定所述触发器和双域链表；

激活模块14，用于获取供热区域的天气预测数据和当前时刻的用电增长量，输入到预测树中，激活所述双域链表，并利用预设的线性回归模型，计算出预测供热量并输出。

图7示出了本发明实施例提供的供热负荷预测系统的组成结构框图，所述构建模块11包括：

训练单元111，用于构建供热区域的数字孪生模型，利用历史供热量和历史温度组成的数据集训练所述数字孪生模型；

微调单元112，用于将所述天气预测数据输入到数字孪生模型中，确定预测结果，微调所述预测供热量；

采集单元113，用于从分块中随机选取测试分块，采集所述测试分块的用电量和供热量；

绘制单元114，用于以自然时间为横坐标，以用电量为纵坐标，绘制变化趋势图，以自然时间为横坐标，以供热量为纵坐标，绘制对照图，并将所述对照图叠加到所述变化趋势图中；

比对单元115，用于从自然时间中选取出代表点，并比对所述代表点处的斜率。

图8示出了本发明实施例提供的供热负荷预测系统的组成结构框图，所述导入模块12包括：

插入单元121，用于建立与分块一一对应的预测树，解析出所述预测树的属性，并生成标签，其中属性至少包括：分块内的人数、年龄结构和房屋特性，将所述标签插入到预测树中；

汇总单元122，用于汇总所有的预测树，创建随机森林，并搭建所述随机森林的接口。

图9示出了本发明实施例提供的供热负荷预测系统的组成结构框图，所述绑定模块13包括：

拆分单元131，用于将双域链表拆分为两组数字域和两组指针域，其中两组所述指针域分别指向左子树和右子树，两组数字域包括第一数字域和第二数字域；

遍历单元132，用于将输入数据转入到左子树中，遍历出至少一组历史供热量，并将遍历出的结果转入到第一数字域中；

查询单元133，用于将输入数据转入到右子树中，查询所述对照表，并将查询结果转入到第二数字域中。

图10示出了本发明实施例提供的供热负荷预测系统的组成结构框图，所述激活模块14包括：

转入单元141，用于将供热区域的天气预测数据和当前时刻的用电增长量定义为输入值，并将输入值经由所述接口转入到随机森林中；

输出单元142，用于将所述输入值切分到预测树中，并计算出每个预测树所对应的预测供热量，并进行汇总，将汇总结果通过所述接口输出；

选取单元143，用于根据所述对应关系，在所述第一数字域中选取出附近值，并利用预设的线性回归模型，计算出每个所述预测树的预测供热量；

所述预设的线性回归模型为：

；

其中为预测树的预测供热量，T为所述天气预测数据，和为回归系数；

计算单元144，用于利用预设的回归系数计算公式，计算出和；

其中预设的回归系数包括：

；

；

其中为第个附近值中的历史温度，为与存在所述对应关系的历史供热量，n为附近值的数量；

偏差单元145，用于利用所述第二数字域中的查询结果偏差所述预测供热量。

其中构建模块11主要用于完成步骤S100，导入模块12主要用于完成步骤S200，绑定模块13主要用于完成步骤S300，激活模块14主要用于完成步骤S400；

训练单元111主要用于完成步骤S101，微调单元112主要用于完成步骤S102，采集单元113主要用于完成步骤S103，绘制单元114主要用于完成步骤S104，比对单元115主要用于完成步骤S105；

插入单元121主要用于完成步骤S201，汇总单元122主要用于完成步骤S202；

拆分单元131主要用于完成步骤S301，遍历单元132主要用于完成步骤S302，查询单元133主要用于完成步骤S303；

转入单元141主要用于完成步骤S401，输出单元142主要用于完成步骤S402，选取单元143主要用于完成步骤S403，计算单元144主要用于完成步骤S404，偏差单元145主要用于完成步骤S405。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种供热负荷预测方法，其特征在于，所述方法包括：

S100：确定供热区域的边界，结合供热站的位置，将供热区域划分为若干个分块，记录所述分块的历史供热量和历史温度，并建立对应关系，采集所述分块的用电增长量和供热负荷增长量，构建对照表；

S200：创建预测树，将所述预测树切分为左子树和右子树，将所述历史供热量、历史温度和对应关系导入到左子树中，对照表导入到右子树中；

S300：在所述预测树的起始位置嵌入用于检索、输出的双域链表，并将所述双域链表的两组指针域分别指向左子树和右子树，将所述预测树的输入数据定义为触发器，绑定所述触发器和双域链表；

S400：获取供热区域的天气预测数据和当前时刻的用电增长量，输入到预测树中，激活所述双域链表，并利用预设的线性回归模型，计算出预测供热量并输出；

所述S200包括：

建立与所述分块一一对应的预测树，解析出所述预测树的属性，并生成标签，其中属性至少包括：分块内的人数、年龄结构和房屋特性，将所述标签插入到预测树中；

汇总所有的预测树，创建随机森林，并搭建所述随机森林的接口；

所述S300包括：

将双域链表拆分为两组数字域和两组指针域，其中两组所述指针域分别指向左子树和右子树，两组数字域包括第一数字域和第二数字域；

将输入数据转入到左子树中，遍历出至少一组历史供热量，并将遍历出的结果转入到第一数字域中；

将输入数据转入到右子树中，查询所述对照表，并将查询结果转入到第二数字域中；

所述S400包括：

将供热区域的天气预测数据和当前时刻的用电增长量定义为输入值，并将输入值经由所述接口转入到随机森林中；

将所述输入值切分到预测树中，并计算出每个预测树所对应的预测供热量，并进行汇总，将汇总结果通过所述接口输出；

所述S400还包括：

基于所述对应关系，在所述第一数字域中选取出附近值，并利用预设的线性回归模型，计算出每个所述预测树的预测供热量；

所述预设的线性回归模型为：

；

其中为预测树的预测供热量，T为所述天气预测数据，和为回归系数；

利用预设的回归系数计算公式，计算出和；

其中预设的回归系数包括：

；

；

其中为第个附近值中的历史温度，为与存在所述对应关系的历史供热量，n为附近值的数量；

利用所述第二数字域中的查询结果偏差所述预测供热量。

2.根据权利要求1所述的供热负荷预测方法，其特征在于，所述S100包括：

构建供热区域的数字孪生模型，利用历史供热量和历史温度组成的数据集训练所述数字孪生模型；

将所述天气预测数据输入到数字孪生模型中，确定预测结果，微调所述预测供热量。

3.根据权利要求1所述的供热负荷预测方法，其特征在于，所述S100还包括：

从所述分块中随机选取测试分块，采集所述测试分块的用电量和供热量；

以自然时间为横坐标，以用电量为纵坐标，绘制变化趋势图；

以自然时间为横坐标，以供热量为纵坐标，绘制对照图，并将所述对照图叠加到所述变化趋势图中；

从自然时间中选取出代表点，并比对所述代表点处的斜率。

4.一种供热负荷预测系统，其特征在于，所述系统用于执行如权利要求1至3任一项所述的供热负荷预测方法，所述系统包括：

构建模块，用于确定供热区域的边界，结合供热站的位置，将供热区域划分为若干个分块，记录所述分块的历史供热量和历史温度，并建立对应关系，采集所述分块的用电增长量和供热负荷增长量，构建对照表；

导入模块，用于创建预测树，将所述预测树切分为左子树和右子树，将所述历史供热量、历史温度和对应关系导入到左子树中，对照表导入到右子树中；

绑定模块，用于在所述预测树的起始位置嵌入用于检索、输出的双域链表，并将所述双域链表的两组指针域分别指向左子树和右子树，将所述预测树的输入数据定义为触发器，绑定所述触发器和双域链表；

激活模块，用于获取供热区域的天气预测数据和当前时刻的用电增长量，输入到预测树中，激活所述双域链表，并利用预设的线性回归模型，计算出预测供热量并输出。

5.根据权利要求4所述的供热负荷预测系统，所述构建模块包括：

训练单元，用于构建供热区域的数字孪生模型，利用历史供热量和历史温度组成的数据集训练所述数字孪生模型；

微调单元，用于将所述天气预测数据输入到数字孪生模型中，确定预测结果，微调所述预测供热量；

采集单元，用于从分块中随机选取测试分块，采集所述测试分块的用电量和供热量；

绘制单元，用以自然时间为横坐标，以用电量为纵坐标，绘制变化趋势图，以自然时间为横坐标，以供热量为纵坐标，绘制对照图，并将所述对照图叠加到所述变化趋势图中；

比对单元，用于从自然时间中选取出代表点，并比对所述代表点处的斜率。

6.根据权利要求4所述的供热负荷预测系统，所述导入模块包括：

插入单元，用于建立与分块一一对应的预测树，解析出所述预测树的属性，并生成标签，其中属性至少包括：分块内的人数、年龄结构和房屋特性，将所述标签插入到预测树中；

汇总单元，用于汇总所有的预测树，创建随机森林，并搭建所述的接口。