基于实测数据的供热负荷预测研究
孙涛导师课题组
随着物联网、人工智能、大数据等技术的发展，传统的供热方式正在向“智慧化”转变，如何实现按需供热、精准供热成为提高效率和服务品质的关键。因此，准确的供热负荷预测是智慧供热系统的基础，对于实现高品质供热具有重要意义。本项目对热负荷预测进行深入的研究。以大连民族大学明理楼为依托，遵循循序渐进的思路，从供热数据的采集、热负荷数据的特征提取和预测算法优化等方面进行研究。
首先，搭建了一套实现数据无线传输采集的实验平台。该方案主要包括温湿度传感器、风速传感器、太阳辐射传感器、边缘计算网关及LoRa无线通讯模块等，具体数据采集流程如图1所示。在代表性房间放置传感器，通过LoRa无线通讯技术实现对采集数据的接收和转发，通过边缘计算网关将采集的数据存储到云平台。从而实现对建筑室温、供热管网及气象参数等数据的采集，数据采集装置由图2所示。
图1 数据采集方案
基于上述实验平台，收集了2022年11月-2023年4月供暖期间明理楼的室内温度、供暖管网以及室外的气象参数等数据。对采集的供暖期数据，从三个方面来进行数据的预处理：缺失数据的填补、跳点数据的修正、异常数据的清洗。对于缺失的时序数据采用平均值进行补充，对于异常数据和跳点数据的清洗采用置信区间的方法进行修正。最后对数据进行归一化处理和相关性分析，充分挖掘数据的时空特征，最终确定历史室温、室外温度、太阳辐射、供水温度、回水温度、管道瞬时流量等参数作为特征变量，以输入神经网络负荷预测模型。
图2 实验数据采集设备
本研究应用Informer神经网络模型对热负荷进行预测。Informer是一种基于Transformer改进的时间序列预测模型，在应对长时间序列预测问题上更加具有优势。作为对比，同时选取分别适应单变量和多变量输入的长短期记忆网络LSTM作为对比、粒子群优化长短期记忆网络PSO-LSTM以及门控循环神经网络GRU等多种网络模型。
图3 部分房间的预测结果
模拟结果显示，Informer模型在较长时间预测方面其均方误差始终小于1。表明该模型在处理时间序列数据时，对未来较远时刻进行预测具有显著的优势。相反，LSTM模型在短期时间预测则显示出较好的效果，尤其在室温预测中，其均方误差约为1.4。这表明在需要对未来较短时刻进行准确预测的场景下，LSTM模型是更为合适的选择。
