基于人工智能的节能减碳智慧供热系统及方法与流程

本技术涉及智能化节能供热，且更为具体地，涉及一种基于人工智能的节能减碳智慧供热系统及方法。

背景技术：

1、供热系统是指用于向建筑物或预定区域提供热量的系统，通常用于保持室内温度在舒适范围内。供热系统通常包括热源、传热介质(如水、蒸汽)、输送管道、散热设备(散热器、暖气片等)以及控制系统等组成部分。随着社会对能源资源的日益关注和全球气候变化的威胁，节能减碳已成为当今社会发展的重要课题之一。

2、但是传统的供热系统的供热量通常是基于人为规则设置的固定值。这种方法无法根据实际需求进行动态调整，导致供热系统过度供热或供热不足，浪费能源，甚至可能无法满足居民的需求。因此，期待一种优化的节能减碳智慧供热系统及方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术提供了一种基于人工智能的节能减碳智慧供热系统及方法，其可以通过获取供热管网中多个关键供热节点的状态参数数据，并结合基于深度学习的人工智能技术来挖掘和捕捉其中所蕴含的由供热管网中各个关键供热节点所组成的全局性的时空状态关联特征信息，刻画和描述所述供热管网的全局供热状态信息，从而基于这种全局供热状态信息来实现对供热量的自适应调整。

2、根据本技术的一个方面，提供了一种基于人工智能的节能减碳智慧供热方法，包括：

3、获取供热管网中多个关键供热节点的状态参数的时间序列，其中，所述状态参数包括温度值、压力值和流量值；

4、对所述各个关键供热节点的状态参数的时间序列进行状态参数时序关联分析以得到纯化供热节点参数时序关联特征向量的序列；

5、对所述多个关键供热节点进行空间拓扑特征提取以得到供热节点间空间拓扑特征矩阵；以及

6、基于所述纯化供热节点参数时序关联特征向量的序列和所述供热节点间空间拓扑特征矩阵之间的拓扑全局状态关联信息来确定推荐结果。

7、在上述的基于人工智能的节能减碳智慧供热方法中，对所述各个关键供热节点的状态参数的时间序列进行状态参数时序关联分析以得到纯化供热节点参数时序关联特征向量的序列，包括：

8、对所述各个关键供热节点的状态参数的时间序列进行数据规整以得到供热节点参数时序关联矩阵的序列；

9、将所述供热节点参数时序关联矩阵的序列中的各个供热节点参数时序关联矩阵分别通过基于卷积神经网络模型的供热节点状态特征提取器以得到供热节点参数时序关联特征图的序列；以及

10、将所述供热节点参数时序关联特征图的序列中的各个供热节点参数时序关联特征图分别通过基于特征筛选网络的特征蒸馏器以得到所述纯化供热节点参数时序关联特征向量的序列。

11、在上述的基于人工智能的节能减碳智慧供热方法中，对所述各个关键供热节点的状态参数的时间序列进行数据规整以得到供热节点参数时序关联矩阵的序列，包括：

12、将所述各个关键供热节点的状态参数的时间序列分别按照时间维度和参数样本维度排列为供热节点参数时序关联矩阵以得到所述供热节点参数时序关联矩阵的序列。

13、在上述的基于人工智能的节能减碳智慧供热方法中，将所述供热节点参数时序关联特征图的序列中的各个供热节点参数时序关联特征图分别通过基于特征筛选网络的特征蒸馏器以得到所述纯化供热节点参数时序关联特征向量的序列，包括：

14、将所述供热节点参数时序关联特征图进行特征图展开以得到供热节点参数时序关联特征向量的序列；以及

15、以如下特征筛选公式对所述供热节点参数时序关联特征向量的序列进行处理以得到所述纯化供热节点参数时序关联特征向量；其中，所述特征筛选公式为：

16、

17、

18、其中，vi是所述供热节点参数时序关联特征向量的序列中第i个供热节点参数时序关联特征向量，vj是所述供热节点参数时序关联特征向量的序列中第j个供热节点参数时序关联特征向量，‖·‖1表示特征向量的1范数，m为所述供热节点参数时序关联特征向量的序列的长度-1，vk为所述供热节点参数时序关联特征向量的序列的表示，di表示特征差异系数，exp(·)表示自然指数函数运算，ns表示所述特征差异系数的总数，pk为所述纯化供热节点参数时序关联特征向量。

19、在上述的基于人工智能的节能减碳智慧供热方法中，对所述多个关键供热节点进行空间拓扑特征提取以得到供热节点间空间拓扑特征矩阵，包括：

20、构造所述多个关键供热节点的空间拓扑矩阵；以及

21、将所述空间拓扑矩阵通过基于卷积神经网络模型的空间拓扑特征提取器以得到所述供热节点间空间拓扑特征矩阵。

22、在上述的基于人工智能的节能减碳智慧供热方法中，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个供热节点之间的空间距离。

23、在上述的基于人工智能的节能减碳智慧供热方法中，基于所述纯化供热节点参数时序关联特征向量的序列和所述供热节点间空间拓扑特征矩阵之间的拓扑全局状态关联信息来确定推荐结果，包括：

24、将所述纯化供热节点参数时序关联特征向量的序列和所述供热节点间空间拓扑特征矩阵通过基于图卷积神经网络模型的供热管网全局特征提取器以得到拓扑关联供热节点全局状态特征矩阵；以及

25、将所述拓扑关联供热节点全局状态特征矩阵通过基于分类器的供热量推荐器以得到推荐结果，所述推荐结果用于表示是否降低供热量。

26、在上述的基于人工智能的节能减碳智慧供热方法中，还包括训练步骤：对所述基于卷积神经网络模型的供热节点状态特征提取器、所述基于特征筛选网络的特征蒸馏器、所述基于卷积神经网络模型的空间拓扑特征提取器、所述基于图卷积神经网络模型的供热管网全局特征提取器和所述基于分类器的供热量推荐器进行训练。

27、在上述的基于人工智能的节能减碳智慧供热方法中，所述训练步骤，包括：

28、获取训练数据，所述训练数据包括供热管网中多个关键供热节点的训练状态参数的时间序列以及是否降低供热量的真实值，其中，所述训练状态参数包括温度值、压力值和流量值；

29、将所述各个关键供热节点的训练状态参数的时间序列分别按照时间维度和参数样本维度排列为训练供热节点参数时序关联矩阵以得到训练供热节点参数时序关联矩阵的序列；

30、将所述训练供热节点参数时序关联矩阵的序列中的各个训练供热节点参数时序关联矩阵分别通过所述基于卷积神经网络模型的供热节点状态特征提取器以得到训练供热节点参数时序关联特征图的序列；

31、将所述训练供热节点参数时序关联特征图的序列中的各个训练供热节点参数时序关联特征图分别通过所述基于特征筛选网络的特征蒸馏器以得到训练纯化供热节点参数时序关联特征向量的序列；

32、构造所述多个关键供热节点的训练空间拓扑矩阵，其中，所述训练空间拓扑矩阵中非对角线位置上各个位置的值为相应两个供热节点之间的空间距离；

33、将所述训练空间拓扑矩阵通过所述基于卷积神经网络模型的空间拓扑特征提取器以得到训练供热节点间空间拓扑特征矩阵；

34、将所述训练纯化供热节点参数时序关联特征向量的序列和所述训练供热节点间空间拓扑特征矩阵通过所述基于图卷积神经网络模型的供热管网全局特征提取器以得到训练拓扑关联供热节点全局状态特征矩阵；

35、将所述训练拓扑关联供热节点全局状态特征矩阵通过所述基于分类器的供热量推荐器以得到分类损失函数值；以及

36、以所述分类损失函数值来对所述基于卷积神经网络模型的供热节点状态特征提取器、所述基于特征筛选网络的特征蒸馏器、所述基于卷积神经网络模型的空间拓扑特征提取器、所述基于图卷积神经网络模型的供热管网全局特征提取器和所述基于分类器的供热量推荐器进行训练，其中，在所述训练的每一轮迭代中，对所述训练拓扑关联供热节点全局状态特征矩阵进行优化。

37、根据本技术的另一个方面，提供了一种基于人工智能的节能减碳智慧供热系统，其包括：

38、数据采集模块，用于获取供热管网中多个关键供热节点的状态参数的时间序列，其中，所述状态参数包括温度值、压力值和流量值；

39、时序关联分析模块，用于对所述各个关键供热节点的状态参数的时间序列进行状态参数时序关联分析以得到纯化供热节点参数时序关联特征向量的序列；

40、空间拓扑特征提取模块，用于对所述多个关键供热节点进行空间拓扑特征提取以得到供热节点间空间拓扑特征矩阵；以及

41、分析推荐模块，用于基于所述纯化供热节点参数时序关联特征向量的序列和所述供热节点间空间拓扑特征矩阵之间的拓扑全局状态关联信息来确定推荐结果。

42、与现有技术相比，本技术提供的基于人工智能的节能减碳智慧供热系统及方法，其首先获取供热管网中多个关键供热节点的状态参数的时间序列，接着，对所述各个关键供热节点的状态参数的时间序列进行状态参数时序关联分析以得到纯化供热节点参数时序关联特征向量的序列，然后，对所述多个关键供热节点进行空间拓扑特征提取以得到供热节点间空间拓扑特征矩阵，最后，基于所述纯化供热节点参数时序关联特征向量的序列和所述供热节点间空间拓扑特征矩阵之间的拓扑全局状态关联信息来确定推荐结果。这样，可以全面了解供热系统的运行状态，实现智能化的供热调控。