首页 > 论文范文 > 工程工业论文 > 动力工程论文 > 热力工程论文 > 基于Apriori-CNN-LSTM的公共建筑供热系统用户侧阀门调控方法

基于Apriori-CNN-LSTM的公共建筑供热系统用户侧阀门调控方法

2024-08-23 97 上传者：管理员

摘要：针对公共建筑供热系统中依赖人工经验调节用户阀门开度，无法实现智能调节造成人力资源浪费问题，该文提出了一种基于Apriori关联挖掘特征变量的CNN-LSTM混合神经网络用户阀门开度预测模型，用于阀门预测调控，让阀门调节变得更加智能、高效。该文首先从系统中导出前期人工调节供热系统运行的历史数据，在数据清洗后使用Apriori关联规则算法挖掘各变量数据与调节阀开度之间的关系，形成关联规则库，通过分析与调节阀开度相关的强关联规则选出特征变量。结合数据特点，选择结合卷积神经网络的CNN-LSTM混合模型来预测调节阀开度，计算误差对比发现预测结果优于单一的LSTM和Attention-LSTM神经网络模型。通过神经网络算法预测阀开度实现智能化调节，保证管网内支路流量与热量的动态平衡，满足用户对供暖舒适性的要求。

关键词：
Apriori关联规则算法
Attention注意力机制
LSTM神经网络
供热系统
卷积神经网络
加入收藏

建筑中供热系统管网水力失调会造成用户冷热不均，致使许多用户投诉。针对这一问题很多公共建筑在末端用户入口处安装电动调节阀进行水流量调节，但现在调节方式多数是由一些有工程经验的师傅对阀门进行人工调节，这就会造成一定的人力资源和能源浪费。随着近年来“双碳”目标的提出，供热系统的节能减排对实现这一目标变得尤为关键，可以通过精准调控来按需供能[1]。借助系统运行产生的大量历史数据，使用数据挖掘技术以及人工智能算法对数据进行分析，根据分析结果指导阀门调控。

近年来，通过使用人工智能以及大数据技术来改进供热系统实现智慧供热的研究受到广泛关注。文献[2]利用机器学习算法计算热力入口调节阀开度，并建立相应的回归模型，通过启停优化+调节阀开度让室温稳定在要求范围内，从而降低能耗；文献[3]提出了以用户室温作为调控目标来精准调控每户流量，满足热量均匀、按需分配的要求；文献[4]使用Adaboost-BP算法建立空调能耗模型，并结合BIM对空调系统能耗进行仿真来优化系统。从上述文献中，不难看出借助人工智能算法来调控系统不仅可以满足用户供暖需求，同时也能降低能耗。所以针对采用人工经验调节用户侧阀门的供热系统，本文提出建立供热系统用户侧调节阀开度预测模型，解决无法智能化调节的问题。

使用相关性高的特征变量进行预测，可以提高模型预测精度。很多研究人员通过数据挖掘技术来选出与预测目标值强关联的关键因素，文献[5]使用Apriori算法为城市居民用电需求挖掘选择输入变量，相比于只考虑个别因素分析的预测结果更精确；文献[6]提出了DM-OGA挖掘各行业因素与用电量之间的相关性，通过数据挖掘方式选择特征变量预测结果更准确。应用数据挖掘技术选择特征变量的方式解决了决策者面对众多影响因素时难以选择的问题[7]，并在一定程度上提高预测精度。

神经网络作为深度学习的核心组成部分，具有一定的自学习及泛化能力，能够解决传统方法难以解决的问题[8]。很多学者针对神经网络预测展开大量的理论研究[9]，文献[10]提出了基于注意力机制的LSTM神经网络对热负荷进行预测，改进的模型比单一模型预测效果好；文献[11]使用了BP神经网络来对变风量阀开度进行预测，相比于传统的反馈调节方法，该模型可以直接输出阀开度，实现了快速的变风量控制。上述文献使用改进的神经网络算法来提高传统算法预测精度，本文提出混合神经网络模型对用户侧阀门开度进行预测来实现阀门智能调控。

1、系统介绍

本文介绍案例是位于济南市历城区的一栋办公建筑大楼，该大楼地上16层，地下2层，地上面积15940.97 m2，地下面积1056.3 m2。建筑中包含179个房间，对应有用户侧电动调节阀179个，房间内的风机盘管个数根据房间大小进行设置，总共229个，其中最多的房间中有8个风机盘管，大楼供热系统原理如图1所示。该建筑使用空气源热泵作为热源，通过空气源热泵将循环水加热到指定的温度供给建筑中不同区域的热用户。系统末端风机盘管通过管内流过的热水与室内空气进行换热来提升室内温度，完成换热后的回水通过循环水泵再次进入空气源热泵进行加热，进入下一循环。目前，该供热系统制定了一些楼宇控制策略，如早晚时间表控制、源端负荷控制、夜间空气源热泵自动转为低温运行等策略，系统结合这些控制策略来实现系统节能运行，并保证系统的运行安全。但是，用户末端阀门调控现在主要是在供热期间由一些有经验的工作人员依据回风温度、室温以及用户热感反馈等进行人工调节，无法实现智能化控制。该供热系统采取物联网技术，每台风机盘管对应一台风机盘管控制器，风机盘管控制器根据室内温度实施风机盘管控制；风机盘管控制器的数据信息通过RS485通信与集中器连接。电动调节阀通过Mbus总线与集中器相连，采集阀门开度进行上传，由集中器来统一管理，实现了系统的网络集成。

图1供热系统原理图

2、用户侧阀门调控方案

2.1 Apriori-CNN-LSTM模型

供热系统中一些运行数据字段的含义如表1所示，可以看出，扣除目标值“FM＿FKZ”阀门开度，还有22个特征变量。如果不对预测的特征变量进行筛选，将会大大增加模型训练的难度，降低模型预测精度。针对公共建筑供热系统用户侧阀门开度预测的众多特征变量及数据特点，本文提出了建立一种Apriori-CNN-LSTM模型对阀门开度进行预测，根据预测结果对阀门进行调控。

表1数据字段含义

该模型主要包括输入层、CNN层、LSTM层和输出层，模型架构如图2所示。在输入层中，利用kmeans聚类算法对这些数据离散化，然后使用Apriori关联规则算法对离散数据挖掘分析，选择相关性高的特征变量作为模型输入变量。CNN层主要通过一维卷积层和池化层对输入数据提取特征并对特征降维，方便下一阶段传输给LSTM层，避免维度转换[12]。经过卷积和池化的操作能够有效地捕捉数据中的局部特征，输入到LSTM层能够减少模型训练难度。在LSTM层中，利用LSTM神经网络的记忆来提取时序数据之间的特征，使用Dropout层主要是防止出现过拟合问题。模型的输出层是通过全连接层对预测结果进行输出。

图2 Apriori-CNN-LSTM预测模型结构

2.2用户侧阀门预测调控应用

保存训练效果好的模型来对阀门开度进行预测，根据数据采集系统每个小时采集上传该时段的供热系统运行数据，先经过数据处理之后再将特征变量数据输入到调用模型中，经过模型预测得到当前环境下每个房间的阀门开度值。规定时间通过系统统一下发至控制器对各用户侧阀门进行调控，实现阀门智能化调节，同时能够满足办公建筑工作人员对舒适性的要求。后期随着系统运行产生更多的历史数据，也可以将其加入到模型中继续训练，不断改进模型使得预测结果更准确。

3、实验与分析

3.1获取数据集

系统采集到的数据存储在Oracle数据库中，使用SQL语言查询表中数据分析所需的数据字段，将建筑中2021.11.15-2022.3.15供热期间系统运行数据的csv文件导出，其中数据共计244096条，将数据用于后期数据挖掘与分析。

3.2关联挖掘选择特征变量

3.2.1数据离散化

经过数据清洗后的数据集共包含151546条数据，首先根据经验选出供回水温差、风机风速、室内温度、楼层、房间面积、风盘个数、周数、小时数、室外气温、上一时刻阀门开度作为预测的候选特征变量，使用k-means聚类算法来对数据进行离散化。数据离散后的区间及编号如表2所示，表中不仅包括连续数据的离散区间以及编号，同时还包括对那些原本离散的数据进行编号。

表2数据离散化结果

3.2.2关联规则挖掘

本次关联规则挖掘将最小支持度以及置信度阈值分别设置为min＿support=0.1和min＿conf=0.6，经过关联规则挖掘后总计得到规则865条，挑选出与预测目标值关联性高的强关联规则共计91条，部分强关联规则如表3所示。通过观察各变量在规则中出现次数的频繁程度并结合每条强规则的支持度与置信度，最终选出室内温度、房间面积、供回水温差、室外气温、风机盘管个数、风机风速、上一时刻阀门开度作为输入变量来预测阀门开度，使用这些变量数据来进行模型训练。

3.3阀门开度预测

3.3.1 CNN-LSTM模型预测

经过前期特征变量选择后，首先使用提出的CNN-LSTM混合神经网络模型对用户侧电动调节阀的阀门开度进行预测。借助tensorflow深度学习框架构建一维卷积的CNN-LSTM混合神经网络模型进行训练，其参数设置如表4所示。

将数据划分20%作为测试数据，80%的数据作为训练数据，按照该比例进行模型训练，后续将绘制部分结果对比图，并计算预测误差对其预测效果进行综合评价。

表3规则挖掘结果

表4神经网络参数设置

3.3.2其他模型预测对比

为验证提出模型的准确性对比单一的LSTM和Attention-LSTM神经网络模型预测，计算训练集和测试集的MSE和MAE误差对比分析。从数据中选择了40个连续时间数据样本点使用3种神经网络模型进行预测对比，预测曲线如图3所示。同时计算出3种模型训练集和测试集的误差如表5所示，通过观察图并结合表中误差可以看出CNN-LSTM模型预测的效果优于另外两种模型，所以最终选择CNN-LSTM神经网络模型用于阀门调控。

图3各模型预测结果对比

表5各神经网络训练集及测试集误差

4、结语

针对公共建筑供热系统用户侧阀门人工调节的问题，本文提出建立Apriori-CNN-LSTM混合模型对阀门进行预测调控。首先使用Apriori关联规则算法挖掘强关联规则，据此选择特征变量用于阀门开度预测，从而简化输入变量，在保证精度的前提下减少数据冗余。将3种模型训练后计算出训练集和测试集的MSE与MAE误差进行对比，结果表明CNN-LSTM神经网络相比于其它两种神经网络模型的预测效果更好。所以选择CNN-LSTM模型预测阀门开度，根据预测结果对用户侧阀门智能化调节，实现对每个房间精准调控，在一定程度可以减少资源浪费。

参考文献:

[1]王新雨.基于数据驱动的供热二次网智慧调控技术研究[D].北京:北京建筑大学,2023.

[2]王睿鑫,周志刚,荆强,等.高校供热系统调控策略优化研究[J].煤气与热力,2020,40(11):1-8+43-44.

[3]刘剑,付国栋,付强,等.以用户室温作为调控目标的二次网智能平衡技术的应用[J].区域供热,2020(4):129-133+145.

[5]焦艳燕.基于数据挖掘方法的居民生活用电负荷预测研究[D].北京:华北电力大学(北京),2009.

[7]肖峻,耿芳,杜柏均,等.基于关联规则的城市电力负荷预测模型智能推荐[J].天津大学学报,2010,43(12):1079-1085.

[8]丁晨曦,严爱军.城市生活垃圾热值的特征变量选择方法及预测建模[J].北京工业大学学报,2021,47(8):874-885.

[9]陆普凡.基于改进神经网络的电力负荷短期预测方法研究[D].南京:南京邮电大学,2023.

基金资助:国家自然科学基金项目(62073201);

文章来源:孙银兵,李慧,高祥宇.基于Apriori-CNN-LSTM的公共建筑供热系统用户侧阀门调控方法[J].自动化与仪表,2024,39(08):24-28.