论文部分内容阅读
区域供热是我国北方地区居民冬季维持室内热舒适性的主要手段，但目前常用的实时在线调节无法达到按需供热的目标，同时系统运行能效较低，造成了较为可观的能源浪费。供热负荷精准预测可以将实时在线调节模式变为前馈调节模式，为供热系统按需调节提供支撑，进而改善供热能源供需配比，降低供热能耗，是实现供热精细化管理、实现按需供热的关键。然而已有研究建立的供热负荷预测模型通用性较差，同时在热力站运行数据少时无法建立预测模型或者建立的模型精度较差。为此本文采用时间序列数据处理、迁移学习等方法，通过提取热力站数据中蕴含的有效知识，建立供热负荷预测模型，为热力站跨供热季的模型调优、新建热力站的供热负荷预测、供热负荷预测模型的深度优化等提供理论基础。本文的主要研究内容和取得的成果如下：
(1)在传统数据预处理方法对原始数据进行清洗、集成和变换等处理外，对原始数据进行时间序列处理。通过对数据采集时间的细化处理构造时间特征、使用滑动窗口并基于专业知识构造了建筑热惰性能系数作为新输入特征用于表征建筑用热的滞后性。通过对原始数据进行时间序列预处理，在数据输入到预测模型前进行特征提取，提升预测模型性能。
(2)针对进入新供热季后，由于供热情景变化而导致的热力站原始模型在新供热季中使用时预测精度下降的问题，本文提出的层迁移模型和融合迁移模型均能够基于新供热季少量数据，有效地利用迁移学习的思想对原始模型进行调优，将迁移学习后的模型在新供热季的预测精度提高到原始模型在历史供热季的预测精度水平。其中层迁移模型在新供热季初期的效果比融合迁移模型更佳，与跨供热季预测情景更加契合。
(3)对于新建热力站没有历史数据或目标热力站的数据量不足时，本文提出的层迁移模型和融合迁移模型都可以有效地对其他热力站的知识进行迁移学习。当基于目标热力站少量既有数据构建的供热负荷预测模型性能较差时，可以大幅提高模型预测精度；当模型性能较好时，仍可进一步深度优化模型，提升模型预测精度。另外，融合迁移模型在数据量不充足情景下具有良好的鲁棒性，受到不同迁移源的影响较小，降低了迁移学习前筛选合适迁移源的难度，更适合在跨站点迁移情景下的工程应用。
(4)为解决多热力站的数据都充足情况下，供热负荷预测模型的深度优化问题，本文提出了一种基于多任务学习的供热负荷迁移学习模型。在原始模型输入数据上拼接其它热力站的数据信息可以小幅度提升原始模型预测精度，但效果不稳定，可能产生负迁移现象，导致原始模型精度下降。而通过挖掘不同热力站间蕴含的丰富关联信息，多任务学习模型可以达到深度优化原始模型的目的，使用多任务学习模型可以使三个热力站的原始模型CV-RMSE值分别降低2.50%，7.06%和3.52%，降低幅度分别20.74%，41.89%和56.10%。而且，多任务学习模型具有良好的鲁棒性，可以同时提升每个参与多任务学习的热力站原始模型的预测精度，为预测模型深度优化、高精度预测模型的构建以及更好实现热力站按需供热的精准调控提供基础。
(1)在传统数据预处理方法对原始数据进行清洗、集成和变换等处理外，对原始数据进行时间序列处理。通过对数据采集时间的细化处理构造时间特征、使用滑动窗口并基于专业知识构造了建筑热惰性能系数作为新输入特征用于表征建筑用热的滞后性。通过对原始数据进行时间序列预处理，在数据输入到预测模型前进行特征提取，提升预测模型性能。
(2)针对进入新供热季后，由于供热情景变化而导致的热力站原始模型在新供热季中使用时预测精度下降的问题，本文提出的层迁移模型和融合迁移模型均能够基于新供热季少量数据，有效地利用迁移学习的思想对原始模型进行调优，将迁移学习后的模型在新供热季的预测精度提高到原始模型在历史供热季的预测精度水平。其中层迁移模型在新供热季初期的效果比融合迁移模型更佳，与跨供热季预测情景更加契合。
(3)对于新建热力站没有历史数据或目标热力站的数据量不足时，本文提出的层迁移模型和融合迁移模型都可以有效地对其他热力站的知识进行迁移学习。当基于目标热力站少量既有数据构建的供热负荷预测模型性能较差时，可以大幅提高模型预测精度；当模型性能较好时，仍可进一步深度优化模型，提升模型预测精度。另外，融合迁移模型在数据量不充足情景下具有良好的鲁棒性，受到不同迁移源的影响较小，降低了迁移学习前筛选合适迁移源的难度，更适合在跨站点迁移情景下的工程应用。
(4)为解决多热力站的数据都充足情况下，供热负荷预测模型的深度优化问题，本文提出了一种基于多任务学习的供热负荷迁移学习模型。在原始模型输入数据上拼接其它热力站的数据信息可以小幅度提升原始模型预测精度，但效果不稳定，可能产生负迁移现象，导致原始模型精度下降。而通过挖掘不同热力站间蕴含的丰富关联信息，多任务学习模型可以达到深度优化原始模型的目的，使用多任务学习模型可以使三个热力站的原始模型CV-RMSE值分别降低2.50%，7.06%和3.52%，降低幅度分别20.74%，41.89%和56.10%。而且，多任务学习模型具有良好的鲁棒性，可以同时提升每个参与多任务学习的热力站原始模型的预测精度，为预测模型深度优化、高精度预测模型的构建以及更好实现热力站按需供热的精准调控提供基础。