CN117927998B - 一种基于数据分析的矿区供热系统智能调控方法 - Google Patents

Abstract

本发明涉及供热调控技术领域，具体涉及一种基于数据分析的矿区供热系统智能调控方法。该方法首先获取历史数据，包括目标温度、管道温度变化时序、区域温度变化时序等，因为不同供热区域的温度调整需要一定的时间，所以系统会存在响应时滞，同时供热区域也会存在温度误差，故计算供热系统的响应时滞参数和供热区域的局部误差，然后将二者进行综合，得到供热区域的预期误差因子。此外，由于供热过程中还会存在能量损失，因此通过计算供热势能和管道温度与区域温度的相关性，得到供热损失值。最后，基于预期误差因子与供热损失值调整供热区域的目标温度，以补偿能量损失和误差问题，提高供热精度。

Description

一种基于数据分析的矿区供热系统智能调控方法

技术领域

本发明涉及供热调控技术领域，具体涉及一种基于数据分析的矿区供热系统智能调控方法。

背景技术

矿区通常包括采矿作业、工程施工等工作，这些工作通常需要在适宜的温度中进行。通过供热，可以提供温暖的工作环境，提高工作人员的工作效率和舒适度；还可以确保生产设备在适宜的温度范围内运行，减少设备故障和损坏的风险，保障生产流程的连续性。

矿区中通常会根据不同的功能和需求划分为不同的功能板块，从而实现更精细化的供热管理。现有技术在对各个供热区域进行温度调控时，通常根据各个供热区域的供热需求设置不同的目标温度，但由于供热过程中会有能耗损失、系统响应滞后等多种情况发生，因此依靠经验设置的目标温度存在较大的局限性，无法为各个供热区域提供更加适宜的供热温度，造成实际供热效果低下。

发明内容

为了解决依靠经验设置的目标温度存在较大的局限性，无法为各个供热区域提供更加适宜的供热温度，造成实际供热效果低下的技术问题，本发明的目的在于提供一种基于数据分析的矿区供热系统智能调控方法，所采用的技术方案具体如下：

获取预设历史时段每个历史数据周期中，矿区供热系统中各个供热区域的目标温度、管道温度变化时序数据、区域温度变化时序数据、管道长度、供热需求指标以及水泵功率变化时序数据；

根据所有历史数据周期中，所有供热区域的管道温度变化时序数据之间的差异，得到供热系统的响应时滞参数；任选一个供热区域作为待测区域，根据每个历史数据周期中待测区域的管道温度变化时序数据以及供热需求指标，预测当前数据周期的管道温度误差值；根据所述待测区域当前数据周期的管道温度误差值和供热系统的响应时滞参数，获得待测区域当前数据周期的预期误差因子；

根据每个历史数据周期中待测区域的水泵功率变化时序数据、管道长度、管道温度变化时序数据以及目标温度，获得每个历史数据周期中待测区域的供热势能；根据所有历史数据周期中待测区域的供热势能、管道温度变化时序数据和区域温度变化时序数据中的数值分布相关情况，得到待测区域当前数据周期的预期供热损失值；

根据待测区域当前数据周期的预期供热损失值和预期误差因子对待测区域的目标温度进行自适应调整，得到待测区域的最终调控温度。

进一步地，所述根据所有历史数据周期中，所有供热区域的管道温度变化时序数据之间的差异，得到供热系统的响应时滞参数，包括：

基于傅里叶变换获得所有管道温度变化时序数据的相位谱；

在所有的供热区域中，将不同的供热区域两两组合，得到所有的区域组合；在每个历史数据周期中，根据每个区域组合中两个供热区域的管道温度变化时序数据的相位谱之间的差异，得到残差谱；

根据每个历史数据周期中所有区域组合对应的残差谱中的数值，计算得到每个历史数据周期中供热系统的响应时滞因子；

将所有历史数据周期的响应时滞因子的标准差，作为供热系统的响应时滞参数。

进一步地，所述根据每个历史数据周期中所有区域组合对应的残差谱中的数值，计算得到每个历史数据周期中供热系统的响应时滞因子，包括：

在每个历史数据周期中，根据每个区域组合对应的残差谱中的数值获得残差谱的总能量；残差谱的总能量的公式模型为：

其中，表示在第个历史数据周期中，第个区域组合对应的残差谱的总能量；表示在第个历史数据周期中，第个区域组合对应的残差谱中的总频率项；表示在第个历史数据周期中，第个区域组合对应的残差谱中第个频率项对应的相位角；表示反正切函数；

在所有区域组合对应的残差谱的总能量中，将最大总能量与最小总能量的差值作为历史每天供热系统的所述响应时滞因子。

进一步地，所述供热需求指标的获取方法包括：

在每个历史数据周期中，获得各个供热区域的供热数据，所述供热数据至少包括：环境温度、供热区域的日活动人员数量、设备的存储适宜温度；

对于每个供热区域，采用人工标签的方式对所有供热数据进行打分，并获取所有供热数据的得分均值，作为每个供热区域的所述供热需求指标。

进一步地，所述根据每个历史数据周期中待测区域的管道温度变化时序数据以及供热需求指标，预测当前数据周期的管道温度误差值，包括：

在每个历史数据周期中，将待测区域的管道温度变化时序数据中所有数据值的标准差，作为管道温度误差值；

基于非线性拟合函数对所有历史数据周期对应的供热需求指标和管道温度误差值进行拟合，得到预测方程；

获取待测区域当前数据周期的供热数据，将待测区域当前数据周期的供热数据输入到预先训练好的神经网络中，输出待测区域当前数据周期的供热需求指标；将待测区域当前数据周期的供热需求指标作为所述预测方程的输入，输出为待测区域当前数据周期的管道温度误差值。

进一步地，所述根据所述待测区域当前数据周期的管道温度误差值和供热系统的响应时滞参数，获得待测区域当前数据周期的预期误差因子，包括：

依次对待测区域当前数据周期的管道温度误差值和供热系统的响应时滞参数进行正比例归一化，分别得到第一误差因子和第二误差因子；

将所述第一误差因子和第二误差因子的均值作为待测区域当前数据周期的预期误差因子。

进一步地，所述根据每个历史数据周期中待测区域的水泵功率变化时序数据、管道长度、管道温度变化时序数据以及目标温度，获得每个历史数据周期中待测区域的供热势能，包括：

在每个历史数据周期中，将待测区域的水泵功率变化时序数据的均值与待测区域的管道长度的比值作为推送势能；将待测区域的目标温度的数值与待测区域的管道温度变化时序数据中第一个温度数值的差值作为反自然势能；将待测区域的推送势能归一化后的值和反自然势能负相关映射并归一化后的值进行相乘，将所得乘积作为每个历史数据周期中待测区域的所述供热势能。

进一步地，所述根据所有历史数据周期中待测区域的供热势能、管道温度变化时序数据和区域温度变化时序数据中的数值分布相关情况，得到待测区域当前数据周期的预期供热损失值，包括：

分别在待测区域每个历史数据周期的管道温度变化时序数据和区域温度变化时序数据中，将相同的温度数值作为一类；

基于相关熵计算公式，根据待测区域每个历史数据周期中管道温度变化时序数据中各类温度数值的出现概率以及区域温度变化时序数据中各类温度数值的出现概率，得到管道温度变化时序数据和区域温度变化时序数据的相关熵；

将待测区域每个历史数据周期中对应的相关熵与对应的供热势能的比值进行归一化，得到每个历史数据周期中待测区域的供热损失因子；

将待测区域的所有历史数据周期对应的供热损失因子的均值作为待测区域当前历史数据周期的预期供热损失值。

进一步地，所述根据待测区域当前数据周期的预期供热损失值和预期误差因子对待测区域的目标温度进行自适应调整，得到待测区域的最终调控温度，包括：

将待测区域当前数据周期的预期供热损失值和预期误差因子相乘后并进行归一化处理，得到调整因子；

将所述调整因子与预设第一正整数的和值与待测区域的目标温度进行相乘，得到待测区域的最终调控温度。

进一步地，所述神经网络为5层全连接神经网络。

本发明具有如下有益效果：

由于在供热过程中，会存在传递损失造成的供热损耗以及供热系统具有的响应时滞等情况，往往会导致对各个供热区域的供热效果达不到预先设置的目标温度所预期的供热效果，故本发明提出了一种基于数据分析的矿区供热系统智能调控方法，首先获取预设历史时段中每个数据周期中，矿区供热系统中各个供热区域的各项数据，包括目标温度、管道温度变化时序数据、区域温度变化时序数据、管道长度、供热需求指标以及水泵功率变化时序数据，为后续分析过程做准备；进一步地，因为不同供热区域的温度调整需要一定的时间，当热源向各个供热区域持续传递热量时，供热区域的温度变化曲线具有稳态波动的趋势，当供热系统存在响应时滞时，温度变化时序数据中发生任意温度变化的节点均包含着不同的信息，故可分析所有历史数据周期中所有供热区域的管道温度变化时序数据之间的差异，从而得到供热系统的响应时滞参数。除了供热系统具有的系统误差外，供热区域也会存在局部误差，即供热需求指标与实际供热情况之间的误差，这种误差可由各个供热区域的管道温度变化时序数据与供热需求指标之间的关系进行预测，从而得到供热区域当前数据周期的管道温度误差值。接着可将系统误差和供热区域的局部误差进行结合，得到供热区域当前数据周期的预期误差因子。进一步地，分析供热过程中的能量损耗，供热系统一般采用水泵推送热水从而实现供热，因此能量损耗主要由供热势能进行体现，故根据每个历史数据周期中待测区域的水泵功率变化时序数据、管道长度、管道时序变化数据以及目标温度，计算供热区域的供热势能。由于能量损耗还可由管道温度与供热区域的实际温度之间的相关情况进行体现，故将供热势能与管道温度变化时序数据和区域温度变化时序数据的相关情况进行结合，得到供热区域的预期供热损失值。最后即可基于供热区域的预期误差因子与预期供热损失值对供热区域的目标温度进行调整，得到最终调控温度，有效补偿供热过程中的能量损失以及误差问题，提高每个供热区域的供热精度，更好的满足矿区各个供热区域的供热需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于数据分析的矿区供热系统智能调控方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于数据分析的矿区供热系统智能调控方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于数据分析的矿区供热系统智能调控方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于数据分析的矿区供热系统智能调控方法的方法流程图，该方法包括以下步骤：

步骤S1：获取预设历史时段每个历史数据周期中，矿区供热系统中各个供热区域的目标温度、管道温度变化时序数据、区域温度变化时序数据、管道长度、供热需求指标以及水泵功率变化时序数据。

矿区通常包括采矿作业、工程施工等工作，这些工作通常需要在适宜的温度中进行。而通过供热，可以提供温暖的工作环境，提高工作人员的工作效率和舒适度，同时还可以确保生产设备在适宜的温度范围内运行，减少设备故障和损坏的风险，保障生产流程的连续性。并且，在整个矿区中，会根据不同的功能和需求划分不同的供热区域，从而实现更加精细化的供热管理，然而，由于实际供热过程中会存在能量损耗、系统响应延时、局部温度误差等情况，因此依据供热系统中预先设置的目标温度进行供热并不能提供较佳的供热效果，故本发明该实施中提供一种基于数据分析的矿区供热系统智能调控方法。

由于历史数据对于当前数据周期的温度调控具有极大的参考价值，因此首先获取预设历史时段中每个历史数据周期下，矿区供热系统中各个供热区域的各项数据，包括目标温度、管道温度变化时序数据、区域温度变化时序数据、管道长度、供热需求指标以及水泵功率变化时序数据；其中，区域温度变化时序数据即为供热区域实际的温度数据。管道温度变化时序数据以及区域温度变化时序数据的采集方法可利用温度传感器获得，管道长度数据则可根据各个供热区域的管道分布图获得，而供热需求指标的获取方法则可根据人工打分的方式进行获取。需要说明的是，在本发明该实施例中，历史数据周期的总数记为，且数据周期设置为一天，预设历史时段选择为一个月；具体周期以及时段的设置可根据实施场景进行调整，在此不做限定。

优选地，本发明一个实施例中，供热需求指标的获取方法包括：

在每个历史数据周期中，获得各个供热区域的供热数据，供热数据至少包括：环境温度、供热区域的日活动人员数量、设备的存储适宜温度。

对于每个供热区域，获取采用人工标签的方式对所有供热数据进行打分后的得分；然后计算所有供热数据的得分均值，作为每个供热区域的供热需求指标。

需要说明的是，分值范围为0~10分，其中0代表最低的供热需求，10分代表最高的供热需求，例如，若环境温度越低，则分值应该越高，供热区域的日活动人员数量越多，则分值应该越高，设备的存储适宜温度越低，则分值应该越低；在本发明其他实施例中，各个供热区域的供热数据的种类可做改变，在此不做限定。

至此，可以获取到预设历史时段中每个历史数据周期下，各个供热区域的各项数据指标，可用于后续的分析过程中。

步骤S2：根据所有历史数据周期中，所有供热区域的管道温度变化时序数据之间的差异，得到供热系统的响应时滞参数；任选一个供热区域作为待测区域，根据每个历史数据周期中待测区域的管道温度变化时序数据以及供热需求指标，预测当前数据周期的管道温度误差值；根据待测区域当前数据周期的管道温度误差值和供热系统的响应时滞参数，获得待测区域当前数据周期的预期误差因子。

对于供热系统而言，控制多个供热区域的不同温度可能导致系统对于温度变化的响应时滞，因为不同供热区域的温度调整需要一定的时间，当目标温度存在时，响应时滞会导致实时温度数据与供热系统的调节量存在偏差，并随着时间推移造成误差的持续累积，同时，由于热量的辐射，当热源向各个供热区域持续传递热量时，供热区域的管道温度变化时序数据具有稳态波动的趋势，而因为供热系统响应时滞的存在，则会导致温度变化时序数据中发生任意温度变化的节点均包含着不同的信息，故可分析供热区域的管道温度变化时序数据间的差异，对供热系统的响应时滞进行评价。

优选地，本发明一个实施例中，根据所有历史数据周期中，所有供热区域的管道温度变化时序数据之间的差异，得到供热系统的响应时滞参数，包括：

系统响应时滞本质为时序上发生的延迟，属于横向的位置偏差，而相位则可以描述温度时序数据中的位置信息，因此当供热系统存在响应时滞时，管道温度变化时序数据中发生任意温度变化的节点会包含着不同的相位信息，通过分析相位信息，可以更好的表征供热系统的响应时滞，因此首先基于傅里叶变换获得所有管道温度变化时序数据的相位谱。

在分析不同的供热区域的管道温度变化时序数据的相位谱之间的差异时，可在所有的供热区域中，将不同的供热区域进行两两组合，得到所有的区域组合；并在每个历史数据周期中，根据每个区域组合中两个供热区域的管道温度变化时序数据的相位谱之间的差异，得到残差谱，残差谱则可表征不同的供热区域的管道温度变化时序数据所包含的信息之间的差异情况。

接着根据每个历史数据周期中所有区域组合对应的残差谱中的数值，计算得到每个历史数据周期中供热系统的响应时滞因子，响应时滞因子的获取方法具体为：

由于相位谱的横坐标为频率项，纵坐标为相位角，所以残差谱的横坐标也为频率项，纵坐标也为相位角，而残差谱中的频率项对应的相位角则可以表征出两个供热区域的管道温度变化时序数据包含的信息之间的差异，因此可对残差谱中的数值进行分析，从而获得残差谱的总能量，用于表征每个历史数据周期中供热系统的响应时滞因子，残差谱的总能量的公式模型为：

其中，表示在第个历史数据周期中，第个区域组合对应的残差谱的总能量；表示在第个历史数据周期中，第个区域组合对应的残差谱中的总频率项；表示在第个历史数据周期中，第个区域组合对应的残差谱中第个频率项对应的相位角；表示反正切函数。

在残差谱的公式模型中，残差谱中每个频率项的相位角可用于表征残差谱中对应频率项的能量值，同时通过对相位角进行反正切变换，将角度变换为实数，使得计算更加的方便，最后将残差谱中所有频率项的相位角反正切变换后的数值进行累加，即可得到残差谱的总能量。

基于上述过程可以获取到每个历史数据周期中，每个区域组合对应的残差谱的总能量，可将最大总能量与最小总能量的差值作为每个历史数据周期中供热系统的响应时滞因子。

最后将所有历史数据周期的响应时滞因子的标准差，作为供热系统的响应时滞参数，记为。选用标准差的原因为标准差可以有效的衡量一组数据的离散程度，从而提供一个量化指标，用于表征供热系统的响应时滞参数。

需要说明的是，基于傅里叶变换获得相位谱的过程为本领域技术人员熟知的技术手段，在此不做赘述。

除了供热系统具有的系统误差外，供热区域也会存在局部误差，即供热需求指标与实际供热情况之间的误差，这种误差可由各个供热区域的管道温度变化时序数据与供热需求指标之间的关系进行预测，从而得到当前数据周期的管道温度误差值。为了便于解释和说明，可在所有的供热区域中任选一个供热区域作为待测区域，通过对待测区域进行分析，从而说明本发明该实施例中某些指标的获取方法。

优选地，本发明一个实施例中，根据每个历史数据周期中待测区域的管道温度变化时序数据以及供热需求指标，预测当前数据周期的管道温度误差值，包括：

在每个历史数据周期中，获取待测区域的管道温度变化时序数据中所有数据值的标准差，作为管道温度误差值。

然后可以基于非线性拟合函数对所有历史数据周期对应的供热需求指标和管道温度误差值进行拟合，得到预测方程，其中，自变量为供热需求指标，因变量为管道温度误差值。

接着可获取待测区域当前数据周期的供热数据，并将待测区域当前数据周期的供热数据作为预先训练好的神经网络的输入数据，则预先训练好的神经网络即可输出待测区域当前数据周期的供热需求指标。其中，神经网络选择5层全连接神经网络，训练过程大致包括：将所有历史数据周期中待测区域的供热数据及供热需求指标按照7：3的比例划分为训练集与验证集，将训练集的供热数据与供热需求指标输入到神经网络中，并采用梯度下降法进行训练，直至损失函数收敛，完成神经网络的训练过程；损失函数采用均方误差函数。

最后将待测区域当前数据周期的供热需求指标作为预测方程的输入，则输出结果即为待测区域当前数据周期的管道温度误差值。

需要说明的是，神经网络的训练方法为本领域技术人员熟知的过程，在此不做过多赘述。

至此，通过分析得到了的供热系统的系统误差，即响应时滞参数，以及预测了待测区域当前数据周期的局部温度误差，即当前数据周期的管道温度误差值，然后可将二者进行综合，得到待测区域当前数据周期的预期误差因子。

优选地，本发明一个实施例中，根据待测区域当前数据周期的管道温度误差值和供热系统的响应时滞参数，获得待测区域当前数据周期的预期误差因子，包括：

首先对待测区域当前数据周期的管道温度误差值进行正比例归一化，得到第一误差因子，同样的，对供热系统的响应时滞参数也进行正比例归一化，得到第二误差因子。

然后将第一误差因子和第二误差因子进行综合，即，将第一误差因子和第二误差因子的均值作为待测区域当前数据周期的预期误差因子。待测区域以供热区域为例，当前数据周期记为第个数据周期，则待测区域当前数据周期的预期误差因子的公式模型具体可以例如为：

其中，表示待测区域在第个数据周期的预期误差因子；表示供热系统的响应时滞参数；表示待测区域在在第个数据周期的管道温度误差值；表示双曲正切函数。

在预期误差因子的公式模型中，基于前述分析可知，表征系统误差的响应时滞参数以及表征供热区域局部温度误差的管道温度误差值都会对供热区域的温度调控产生一定的影响，二者为共存关系，因此分别对响应时滞参数和管道温度误差值进行正比例归一化后，再求二者的均值，从而得到待测区域的预期误差因子。

至此，通过分析供热过程中的误差，得到了预期误差因子，可用于后续对温度的调控过程中。

步骤S3：根据每个历史数据周期中待测区域的水泵功率变化时序数据、管道长度、管道温度变化时序数据以及目标温度，获得每个历史数据周期中待测区域的供热势能；根据所有历史数据周期中待测区域的供热势能、管道温度变化时序数据和区域温度变化时序数据中的数值分布相关情况，得到待测区域当前数据周期的预期供热损失值。

在上述过程中分析了供热过程中的误差情况，鉴于供热系统将热源传递至各个供热区域时，管道铺排、建筑结构等等都会造成供热量的损失和衰减，因此在最终对温度进行调控时，也应该考虑能量衰减的因素。

在本发明实施例中，供热系统采用的供热方式为强制循环的方式，即利用水泵推送热水，从而实现对各个供热区域的供热，因此供热时所需的能量，也即供热势能，可在一定程度上表征出能量损失或损耗的情况，而供热势能又可由水泵功率的变化情况以及管道长度等因素表征，故优选地，本发明一个实施例中，根据每个历史数据周期中待测区域的水泵功率变化时序数据、管道长度、管道温度变化时序数据以及目标温度，获得每个历史数据周期中待测区域的供热势能，包括：

由于供热方式为水泵推送热水，因此可首先量化水泵推送热水时所做的功，也即表征推送热水时所需的能量，具体方法为：在每个历史数据周期中，计算待测区域的水泵功率变化时序数据中的所有功率数据值的均值，作为水泵功率均值，表征在供热过程中水泵功率的平均大小，然后将该均值与待测区域的管道长度的比值作为推送势能。

因为供热的本质目的为加热，因此在计算供热势能时也需量化供热过程中与自然温度的反差，也即表征供热过程中克服自然温度所需的能量，具体方法为：待测区域的管道温度变化时序数据中第一个时刻的温度数值表征在对待测区域进行供热时供热管道的初始温度数值，而待测区域的目标温度表征待测区域所需的最终温度数值，因此将待测区域的目标温度的数值与待测区域的管道温度变化时序数据中第一个温度数值的差值即可作为反自然势能。

最后将每个历史数据周期中待测区域的推送势能归一化后的值和反自然势能负相关映射并归一化后的值进行相乘，将所得乘积作为每个历史数据周期中待测区域的供热势能。待测区域以供热区域为例，供热势能的公式模型具体可以例如为：

其中，表示在第个历史数据周期中，待测区域的供热势能；表示在第个历史数据周期中，待测区域的水泵功率均值；表示在第个历史数据周期中，待测区域的管道长度；表示在第个历史数据周期中，待测区域的管道温度变化时序数据中第一个温度数值；表示在第个历史数据周期中，待测区域的目标温度；表示以自然常数为底的指数函数；表示归一化函数。

在供热势能的公式模型中，在历史时段的每天中，计算待测区域的水泵功率均值与管道长度的比值，得到推送势能，此时，当水泵功率均值越低，且管道长度还越长时，那么说明水泵推送热水的效率越低，同时热水需要传输的距离还越远，则推送势能就会越小，并且能量在传输过程中的损失就会越大；同样地，在历史时段的每天中，计算待测区域的目标温度数值与待测区域的管道温度变化时序数据中第一个温度数值之间的差值，得到反自然势能，此时，当待测区域的管道温度变化时序数据中第一个温度数值越小，那么反自然势能越大，说明需要更多的能量才能使得待测区域的温度达到目标温度，因此在供热过程中可能会产生更多的能量损失，故供热势能则会减少，所以将反自然势能进行负相关映射并归一化，进行逻辑关系矫正后与推送势能归一化后的值进行相乘，得到待测区域的供热势能。

至此，通过分析历史时段每天供热过程中待测区域所需的能量，从而得到供热势能，作为后续评价供热过程中能量损耗的指标之一。

由于供热过程中热水经由管道，然后送至供热区域，因此供热区域的温度与供热管道的温度应当呈现出一定的相关关系，所以可以分析这种相关关系得到热能在传递过程中的损失，从而结合供热势能，对供热过程中的供热损耗进行更加具体的评价。

优选地，本发明一个实施例中，根据所有历史数据周期中待测区域的供热势能、管道温度变化时序数据和区域温度变化时序数据中的数值分布相关情况，得到待测区域当前数据周期的预测供热损失值，包括：

在分析相关情况时，可以采用相关熵对其进行表征，首先在待测区域每个历史数据周期的管道温度变化时序数据中，将相同的温度数值作为一类，统计每类温度数值的出现概率；并在待测区域每个历史数据周期的区域温度变化时序数据中，同样的，将相同的温度数值作为一类，统计每类温度数值的出现概率。此时，在每个历史数据周期中，待测区域的管道温度变化时序数据以及区域温度变化时序数据中每个时刻的温度数值都会对应一个出现概率。

然后基于相关熵计算公式，根据待测区域每个历史数据周期中管道温度变化时序数据中各类温度数值的出现概率以及区域温度变化时序数据中各类温度数值的出现概率，得到管道温度变化时序数据和区域温度变化时序数据的相关熵。

最后将表征相关情况的相关熵与供热势能相结合，将待测区域每个历史数据周期对应的相关熵与对应的供热势能的比值进行归一化，得到每个历史数据周期中待测区域的供热损失因子；并将待测区域的所有历史数据周期对应的供热损失因子的均值作为待测区域当前数据周期的预期供热损失值。待测区域以供热区域为例，预期供热损失值的公式模型为：

其中，表示待测区域当前数据周期的预期供热损失值；表示历史数据周期的总数；表示在第个历史数据周期中，待测区域的供热时长；表示在第个历史数据周期中，待测区域的供热势能；表示在第个历史数据周期中，待测区域的管道温度变化时序数据中第个时刻的温度数值的出现概率；表示在第个历史数据周期中，待测区域的区域温度变化时序数据中第个时刻的温度数值的出现概率；表示以自然常数为底的指数函数。

在供热损失值的公式模型中，计算了在历史时段中，每个历史数据周期中待测区域的管道温度变化时序数据和区域温度变化时序数据之间的相关熵，即，该值表征了当两个温度变化时序数据中的温度数值分布相互替换时会产生的不确定信息的数量，那么该值越大，说明两个温度变化时序数据的温度数值之间的相关性越低，则可视为在热量传递过程中，存在较大的供热损失，导致区域温度数值无法随着管道温度数值的变化而变化；基于上述过程中的分析可知，当历史时段中每个历史数据周期中待测区域的供热势能越小，也可表征在供热过程中存在较大的供热损失，因此，将供热势能与所得相关熵的值进行结合，将相关熵与供热势能的比值进行归一化，得到每个历史数据周期中待测区域的供热损失因子，即；最后可将历史时段所有历史数据周期中，待测区域的供热损失因子进行综合，求得一个更具代表性的均值，作为待测区域当前数据周期的预期供热损失值。

在本发明其他实施例中，在分析所有历史数据周期中待测区域的供热势能、管道温度变化时序数据和区域温度变化时序数据中的数值分布相关情况，得到待测区域当前数据周期的预期供热损失值时，也可采用皮尔逊相关系数进行表征，具体方法可以为：

在历史时段的每个历史数据周期中，计算待测区域的管道温度变化时序数据和区域温度变化时序数据之间的皮尔逊相关系数，然后将预设第二正整数和皮尔逊相关系数的差值与待测区域历史时段每个历史数据周期中的供热势能进行相乘，并将所得乘积进行归一化，得到历史时段每个历史数据周期中待测区域的供热损失因子。

最后将待测区域的所有历史数据周期对应的供热损失因子的均值作为待测区域当前数据周期的预期供热损失值。待测区域以供热区域为例，当前数据周期记为第个数据周期，预期供热损失值的公式模型为：

其中，表示待测区域第个数据周期的预期供热损失值；表示历史数据周期的总数；表示在第个历史数据周期中，待测区域的供热势能；表示在第个历史数据周期中，待测区域的管道温度变化时序数据和区域温度变化时序数据之间的皮尔逊相关系数；表示归一化函数；表示预设第二正整数。

在预期供热损失值的公式模型中，由于热水途径管道传送至供热区域，因此，若供热区域的温度随着管道温度的增加而增加，也即二者呈现正相关关系，皮尔逊系数越接近1时，此时可视为供热过程中热量损失较少，所以计算当待测区域的管道温度变化时序数据和区域温度变化时序数据之间的皮尔逊相关系数，并且将预设第二正整数与该皮尔逊相关系数做差，得到，此时该差值越小，说明供热损失越小，反之，该差值越大，说明供热损失越大；基于上述过程中的分析可知，当历史时段每个历史数据周期中，待测区域的供热势能越小，也可表征在供热过程中存在较大的供热损失，因此，将差值与供热势能进行结合，二者相乘后将所得乘积进行归一化操作，得到供热损失因子，最后可将所有历史数据周期中，待测区域的供热损失因子进行综合，求得一个更具代表性的均值，作为待测区域当前数据周期的预期供热损失值。

需要说明的是，预设第二正整数取值为1，具体数值可进行调整，在此不作限定。

至此，通过分析供热过程中的热量损耗，得到了待测区域当前数据周期的预期供热损失值，可将其用于后续对温度的调控过程中。

步骤S4：根据待测区域当前数据周期的预期供热损失值和预期误差因子对待测区域的目标温度进行自适应调整，得到待测区域的最终调控温度。

在前述过程中分析了供热过程中会产生的误差以及热量损失，因此可基于此对当前数据周期的供热温度进行自适应补偿，从而提高供热的准确度，保证供热效果。

优选地，本发明一个实施例中，根据待测区域当前数据周期的供热损失值和预期误差因子对待测区域的目标温度进行自适应调整，得到待测区域的最终调控温度，包括：

首先将待测区域当前数据周期的预期供热损失值和预期误差因子相乘后并进行归一化处理，得到调整因子。

最后将调整因子与预设第一正整数的和值与待测区域的目标温度进行相乘，得到待测区域的最终温度。待测区域以供热区域为例，当前数据周期记为第个数据周期，待测区域的最终调控温度的公式模型具体可以例如为：

其中，表示待测区域第个数据周期的最终调控温度；表示待测区域第个数据周期的预期供热损失值；表示待测区域第个数据周期预期误差因子；表示待测区域的目标温度；表示归一化函数；表示预设第一正整数。

在最终调控温度的公式模型中，由于待测区域的预期误差因子表征了系统误差以及待测区域局部的温度误差；同时待测区域的供热损失值表征了在供热过程中，对待测区域进行供热时所产生的热量损耗，因此可将待测区域的预期误差因子与供热损失值进行综合，将二者相乘后的结果进行归一化处理后得到调整因子，调整因子反映了需对目标温度进行多大的调整程度，然后将预设第一正整数与该调整因子相加，所得和值再与待测区域的目标温度进行相乘，皆可实现对待测区域的温度进行自适应调整。

需要说明的是，为了防止温度调整过高，因此本发明该实施例中预设第一正整数设置为1，具体数值可根据实施场景进行调整，在此不做限定。

综上所述，由于在供热过程中，会存在传递损失造成的供热损耗以及供热系统具有的响应时滞等情况，往往会导致对各个供热区域的供热效果达不到预先设置的目标温度所产生的供热效果，故本发明实施例首先获取预设历史时段中每个历史数据周期中，矿区供热系统中各个供热区域的各项数据，包括目标温度、管道温度变化时序数据、区域温度变化时序数据、管道长度、供热需求指标以及水泵功率变化时序数据，为后续分析过程做准备；进一步地，因为不同供热区域的温度调整需要一定的时间，当热源向各个供热区域持续传递热量时，供热区域的温度变化曲线具有稳态波动的趋势，当供热系统存在响应时滞时，温度变化时序数据中发生任意温度变化的节点均包含着不同的信息，故可分析所有历史数据周期中所有供热区域的管道温度变化时序数据之间的差异，从而得到供热系统的响应时滞参数。除了供热系统具有的系统误差外，供热区域也会存在局部误差，即供热需求指标与实际供热情况之间的误差，这种误差可由各个供热区域的管道温度变化时序数据与供热需求指标之间的关系进行预测，从而得到供热区域当前数据周期的管道温度误差值。接着可将系统误差和供热区域的局部误差进行结合，得到供热区域当前数据周期的预期误差因子。进一步地，分析供热过程中的能量损耗，供热系统一般采用水泵推送热水从而实现供热，因此能量损耗主要由供热势能进行体现，故根据每个历史数据周期中待测区域的水泵功率变化时序数据、管道长度、管道时序变化数据以及目标温度，计算每个历史数据周期中待测区域的供热势能。由于能量损耗还可由管道温度与供热区域的实际温度之间的相关情况进行体现，故将供热势能与管道温度变化时序数据和区域温度变化时序数据的相关情况进行结合，得到供热区域的预期供热损失值。最后即可基于供热区域的预期误差因子与预期供热损失值对供热区域的目标温度进行调整，有效补偿供热过程中的能量损失以及误差问题，提高每个供热区域的供热精度，更好的满足矿区各个供热区域的供热需求。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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

Claims (4)

1.一种基于数据分析的矿区供热系统智能调控方法，其特征在于，所述方法包括：

获取预设历史时段每个历史数据周期中，矿区供热系统中各个供热区域的目标温度、管道温度变化时序数据、区域温度变化时序数据、管道长度、供热需求指标以及水泵功率变化时序数据；

根据所有历史数据周期中，所有供热区域的管道温度变化时序数据之间的差异，得到供热系统的响应时滞参数；任选一个供热区域作为待测区域，根据每个历史数据周期中待测区域的管道温度变化时序数据以及供热需求指标，预测当前数据周期的管道温度误差值；根据所述待测区域当前数据周期的管道温度误差值和供热系统的响应时滞参数，获得待测区域当前数据周期的预期误差因子；

根据每个历史数据周期中待测区域的水泵功率变化时序数据、管道长度、管道温度变化时序数据以及目标温度，获得每个历史数据周期中待测区域的供热势能；根据所有历史数据周期中待测区域的供热势能、管道温度变化时序数据和区域温度变化时序数据中的数值分布相关情况，得到待测区域当前数据周期的预期供热损失值；

根据待测区域当前数据周期的预期供热损失值和预期误差因子对待测区域的目标温度进行自适应调整，得到待测区域的最终调控温度；

所述根据所有历史数据周期中，所有供热区域的管道温度变化时序数据之间的差异，得到供热系统的响应时滞参数，包括：

基于傅里叶变换获得所有管道温度变化时序数据的相位谱；

在所有的供热区域中，将不同的供热区域两两组合，得到所有的区域组合；在每个历史数据周期中，根据每个区域组合中两个供热区域的管道温度变化时序数据的相位谱之间的差异，得到残差谱；

根据每个历史数据周期中所有区域组合对应的残差谱中的数值，计算得到每个历史数据周期中供热系统的响应时滞因子；

将所有历史数据周期的响应时滞因子的标准差，作为供热系统的响应时滞参数；

所述供热需求指标的获取方法包括：

在每个历史数据周期中，获得各个供热区域的供热数据，所述供热数据至少包括：环境温度、供热区域的日活动人员数量、设备的存储适宜温度；

对于每个供热区域，获取采用人工标签的方式对所有供热数据进行打分后的得分；计算所有供热数据的得分均值，作为每个供热区域的所述供热需求指标；

所述根据每个历史数据周期中待测区域的管道温度变化时序数据以及供热需求指标，预测当前数据周期的管道温度误差值，包括：

在每个历史数据周期中，将待测区域的管道温度变化时序数据中所有数据值的标准差，作为管道温度误差值；

基于非线性拟合函数对所有历史数据周期对应的供热需求指标和管道温度误差值进行拟合，得到预测方程；

获取待测区域当前数据周期的供热数据，将待测区域当前数据周期的供热数据输入到预先训练好的神经网络中，输出待测区域当前数据周期的供热需求指标；将待测区域当前数据周期的供热需求指标作为所述预测方程的输入，输出为待测区域当前数据周期的管道温度误差值；

所述根据所述待测区域当前数据周期的管道温度误差值和供热系统的响应时滞参数，获得待测区域当前数据周期的预期误差因子，包括：

依次对待测区域当前数据周期的管道温度误差值和供热系统的响应时滞参数进行正比例归一化，分别得到第一误差因子和第二误差因子；

将所述第一误差因子和第二误差因子的均值作为待测区域当前数据周期的预期误差因子；

所述根据每个历史数据周期中待测区域的水泵功率变化时序数据、管道长度、管道温度变化时序数据以及目标温度，获得每个历史数据周期中待测区域的供热势能，包括：

在每个历史数据周期中，将待测区域的水泵功率变化时序数据的均值与待测区域的管道长度的比值作为推送势能；将待测区域的目标温度的数值与待测区域的管道温度变化时序数据中第一个温度数值的差值作为反自然势能；将待测区域的推送势能归一化后的值和反自然势能负相关映射并归一化后的值进行相乘，将所得乘积作为每个历史数据周期中待测区域的所述供热势能；

所述根据待测区域当前数据周期的预期供热损失值和预期误差因子对待测区域的目标温度进行自适应调整，得到待测区域的最终调控温度，包括：

将待测区域当前数据周期的预期供热损失值和预期误差因子相乘后并进行归一化处理，得到调整因子；

将所述调整因子与预设第一正整数的和值与待测区域的目标温度进行相乘，得到待测区域的最终调控温度。

2.根据权利要求1所述的一种基于数据分析的矿区供热系统智能调控方法，其特征在于，所述根据每个历史数据周期中所有区域组合对应的残差谱中的数值，计算得到每个历史数据周期中供热系统的响应时滞因子，包括：

在每个历史数据周期中，根据每个区域组合对应的残差谱中的数值获得残差谱的总能量；残差谱的总能量的公式模型为：

其中，表示在第个历史数据周期中，第个区域组合对应的残差谱的总能量；表示在第个历史数据周期中，第个区域组合对应的残差谱中的总频率项；表示在第个历史数据周期中，第个区域组合对应的残差谱中第个频率项对应的相位角；表示反正切函数；

在所有区域组合对应的残差谱的总能量中，将最大总能量与最小总能量的差值作为历史每天供热系统的所述响应时滞因子。

3.根据权利要求1所述的一种基于数据分析的矿区供热系统智能调控方法，其特征在于，所述根据所有历史数据周期中待测区域的供热势能、管道温度变化时序数据和区域温度变化时序数据中的数值分布相关情况，得到待测区域当前数据周期的预期供热损失值，包括：

分别在待测区域每个历史数据周期的管道温度变化时序数据和区域温度变化时序数据中，将相同的温度数值作为一类；

基于相关熵计算公式，根据待测区域每个历史数据周期中管道温度变化时序数据中各类温度数值的出现概率以及区域温度变化时序数据中各类温度数值的出现概率，得到管道温度变化时序数据和区域温度变化时序数据的相关熵；

将待测区域每个历史数据周期中对应的相关熵与对应的供热势能的比值进行归一化，得到每个历史数据周期中待测区域的供热损失因子；

将待测区域的所有历史数据周期对应的供热损失因子的均值作为待测区域当前历史数据周期的预期供热损失值。

4.根据权利要求1所述的一种基于数据分析的矿区供热系统智能调控方法，其特征在于，所述神经网络为5层全连接神经网络。