CN118131642B - 冷热源水系统的控制方法和装置、存储介质、电子装置 - Google Patents
冷热源水系统的控制方法和装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN118131642B CN118131642B CN202410536094.8A CN202410536094A CN118131642B CN 118131642 B CN118131642 B CN 118131642B CN 202410536094 A CN202410536094 A CN 202410536094A CN 118131642 B CN118131642 B CN 118131642B
- Authority
- CN
- China
- Prior art keywords
- data
- cold
- neural network
- network model
- water system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 117
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 89
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 claims 2
- 238000010438 heat treatment Methods 0.000 description 22
- 238000001816 cooling Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000008646 thermal stress Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种冷热源水系统的控制方法和装置、存储介质、电子装置。其中，该方法包括：利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据；利用时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型；获取目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态；输入目标神经网络模型，得到冷热源水系统的控制指令，以对冷热源水系统的运行状态进行按需控制，目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据。本申请解决了冷热源水系统在运行过程中不够节能的技术问题。
Description
技术领域
本申请涉及楼宇自控技术领域，具体而言，涉及一种冷热源水系统的控制方法和装置、存储介质、电子装置。
背景技术
本部分旨在为权利要求书或说明书中陈述的内容提供背景或上下文，此处描述的内容不因为包括在本部分中就承认是现有技术。
冷热源水系统是指为建筑物或设施提供冷热水供应的集中式能源系统，通常包括冷源水系统和热源水系统两部分，分别负责夏季制冷和冬季供暖，以及全年的生活热水供应。
在制冷模式时，冷水机组运行，制冷剂在蒸发器中吸热蒸发，使冷冻水降温；冷冻水通过管道输送到室内空调末端，吸收室内热量后回流至冷水机组，重复循环。冷却水在冷凝器中吸收制冷剂热量后，通过冷却塔散热，然后返回冷凝器。制热模式时，热水机组运行，产生热水；热水通过管道输送到散热终端，向室内释放热量后回流至热水机组，重复循环。
冷热源水系统通过集中供应冷热水，实现建筑内空调、供暖和热水需求的统一管理与高效运行，具有节能、便于维护、便于实现智能化控制等优点，广泛应用于大型公共建筑、商业综合体、住宅小区等场合。但是，冷热源水系统在供热或供冷过程中都是按照特定运行模式一直运行的，并未考虑用户的实际需求，不够节能。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种冷热源水系统的控制方法和装置、存储介质、电子装置，以至少解决冷热源水系统在运行过程中不够节能的技术问题。
根据本申请实施例的一个方面，提供了一种冷热源水系统的控制方法，包括：利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据；利用时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，其中，原始神经网络模型用于从时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，历史用户数据中包括第一需求数据和第二需求数据，第一需求数据为被标记为一直有效的需求数据，第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大；获取目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态；将目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态输入目标神经网络模型，得到冷热源水系统的控制指令，以对冷热源水系统的运行状态进行按需控制，其中，目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据。
可选地，利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据，包括：将同一天的历史用户数据、历史天气数据以及冷热源水系统的运行状态作为一个元数据，将所有元数据按照日期从远到近的方式排列，得到时间序列数据。
可选地，在利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据之前，方法还包括：获取目标小区内小区用户的如下需求数据：用户提供的常规离家时间、常规回家时间、习惯温度；获取目标小区内小区用户的如下关联数据：家庭路由的地址、公司路由的地址、家庭智能门锁的路由地址以及小区门禁的路由地址，其中，历史用户数据包括关联数据；获取目标小区内小区用户的如下权限数据：读取家庭路由中登录数据的权限信息、读取公司路由中登录数据的权限信息、读取智能门锁的开关门数据的权限信息、读取小区门禁的进出门数据的权限信息以及读取小区用户手机中行程相关数据的权限信息，其中，历史用户数据包括权限数据。
可选地，利用时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，包括：利用时间序列数据对原始神经网络模型进行训练，得到中间神经网络模型；在中间神经网络模型的识别准确率达到预设数值的情况下，将中间神经网络模型作为目标神经网络模型；在中间神经网络模型的识别准确率未达到预设数值的情况下，继续对中间神经网络模型进行训练，直至中间神经网络模型的识别准确率达到预设数值。
可选地，原始神经网络模型中包括多个记忆单元，多个记忆单元包括第一记忆单元和第二记忆单元，在利用时间序列数据对原始神经网络模型进行训练的过程中，方法包括：利用第一记忆单元记录第一需求数据，并利用第二记忆单元记录处于有效期的第二需求数据。
可选地，在将目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态输入目标神经网络模型之后，方法还包括以下至少之一：在当前用户数据中的第一需求数据的类型与第一记忆单元记录的第一需求数据的类型相同的情况下，将当前用户数据中的第一需求数据保存至第一记忆单元，以覆盖之前保存的第一需求数据；在当前用户数据中携带有第二需求数据的情况下，将当前用户数据中携带的第二需求数据写入一个第二记忆单元。
可选地，在利用第二记忆单元记录处于有效期的第二需求数据之后，方法还包括：在任意一个第二记忆单元中的第二需求数据超过有效期的情况下，将超过有效期的第二需求数据从第二记忆单元中删除。
根据本申请实施例的另一方面，还提供了一种冷热源水系统的控制装置，包括：生成单元，用于利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据；训练单元，用于利用时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，其中，原始神经网络模型用于从时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，历史用户数据中包括第一需求数据和第二需求数据，第一需求数据为被标记为一直有效的需求数据，第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大；获取单元，用于获取目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态；控制单元，用于将目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态输入目标神经网络模型，得到冷热源水系统的控制指令，以对冷热源水系统的运行状态进行按需控制，其中，目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据。
可选地，生成单元还用于：将同一天的历史用户数据、历史天气数据以及冷热源水系统的运行状态作为一个元数据，将所有元数据按照日期从远到近的方式排列，得到时间序列数据。
可选地，生成单元还用于：在利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据之前，获取目标小区内小区用户的如下需求数据：用户提供的常规离家时间、常规回家时间、习惯温度；获取目标小区内小区用户的如下关联数据：家庭路由的地址、公司路由的地址、家庭智能门锁的路由地址以及小区门禁的路由地址，其中，历史用户数据包括关联数据；获取目标小区内小区用户的如下权限数据：读取家庭路由中登录数据的权限信息、读取公司路由中登录数据的权限信息、读取智能门锁的开关门数据的权限信息、读取小区门禁的进出门数据的权限信息以及读取小区用户手机中行程相关数据的权限信息，其中，历史用户数据包括权限数据。
可选地，训练单元还用于：利用时间序列数据对原始神经网络模型进行训练，得到中间神经网络模型；在中间神经网络模型的识别准确率达到预设数值的情况下，将中间神经网络模型作为目标神经网络模型；在中间神经网络模型的识别准确率未达到预设数值的情况下，继续对中间神经网络模型进行训练，直至中间神经网络模型的识别准确率达到预设数值。
可选地，原始神经网络模型中包括多个记忆单元，多个记忆单元包括第一记忆单元和第二记忆单元，训练单元还用于：在利用时间序列数据对原始神经网络模型进行训练的过程中，利用第一记忆单元记录第一需求数据，并利用第二记忆单元记录处于有效期的第二需求数据。
可选地，在将目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态输入目标神经网络模型之后，在当前用户数据中的第一需求数据的类型与第一记忆单元记录的第一需求数据的类型相同的情况下，将当前用户数据中的第一需求数据保存至第一记忆单元，以覆盖之前保存的第一需求数据；在当前用户数据中携带有第二需求数据的情况下，将当前用户数据中携带的第二需求数据写入一个第二记忆单元。
可选地，在利用第二记忆单元记录处于有效期的第二需求数据之后，在任意一个第二记忆单元中的第二需求数据超过有效期的情况下，将超过有效期的第二需求数据从第二记忆单元中删除。
根据本申请实施例的另一方面，还提供了一种计算机可读的存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。
根据本申请实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方法中任一实施例的步骤。
在本申请实施例中，利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据；利用时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，原始神经网络模型用于从时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，历史用户数据中包括第一需求数据和第二需求数据，第一需求数据为被标记为一直有效的需求数据，第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大；获取目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态；将目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态输入目标神经网络模型，得到冷热源水系统的控制指令，以对冷热源水系统的运行状态进行按需控制，其中，目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据，进而解决了冷热源水系统在运行过程中不够节能的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的冷热源水系统的控制方法的流程图；
图2是根据本申请实施例的一种可选的冷热源水系统的控制装置的示意图；
图3是根据本申请实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一方面，提供了一种冷热源水系统的控制方法的方法实施例。可以通过人工智能的方式识别用户的需求，进而统计整个小区的负荷，按需进行供冷或者供热，可以解决冷热源水系统在运行过程中不够节能的技术问题，图1是根据本申请实施例的一种可选的冷热源水系统的控制方法的流程图，如图1所示，该方法可以包括以下步骤：
步骤S1，利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据。
获取目标小区内小区用户的如下需求数据：用户提供的常规离家时间、常规回家时间、习惯温度；获取目标小区内小区用户的如下关联数据：家庭路由的地址、公司路由的地址、家庭智能门锁的路由地址以及小区门禁的路由地址，历史用户数据包括关联数据；获取目标小区内小区用户的如下权限数据：读取家庭路由中登录数据的权限信息、读取公司路由中登录数据的权限信息、读取智能门锁的开关门数据的权限信息、读取小区门禁的进出门数据的权限信息以及读取小区用户手机中行程相关数据的权限信息，历史用户数据包括权限数据。
在本申请的上述技术方案中，可以定义好元数据中各类数据的字段，字段顺序，将同一天的历史用户数据、历史天气数据以及冷热源水系统的运行状态作为一个元数据，将所有元数据按照日期从远到近的方式排列，得到时间序列数据。
步骤S2，利用时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，原始神经网络模型用于从时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，历史用户数据中包括第一需求数据和第二需求数据，第一需求数据为被标记为一直有效的需求数据，第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大。
在本申请的上述技术方案中，利用时间序列数据对原始神经网络模型进行训练，得到中间神经网络模型；在中间神经网络模型的识别准确率达到预设数值的情况下，将中间神经网络模型作为目标神经网络模型；在中间神经网络模型的识别准确率未达到预设数值的情况下，继续对中间神经网络模型进行训练，直至中间神经网络模型的识别准确率达到预设数值。
可选地，原始神经网络模型中包括多个记忆单元，多个记忆单元包括第一记忆单元和第二记忆单元，在利用时间序列数据对原始神经网络模型进行训练的过程中，利用第一记忆单元记录第一需求数据，并利用第二记忆单元记录处于有效期的第二需求数据。
步骤S3，获取目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态。
步骤S4，将目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态输入目标神经网络模型，得到冷热源水系统的控制指令，以对冷热源水系统的运行状态进行按需控制，目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据。
在将目标小区的小区用户的当前用户数据、当前天气数据以及冷热源水系统的当前运行状态输入目标神经网络模型之后，在当前用户数据中的第一需求数据的类型与第一记忆单元记录的第一需求数据的类型相同的情况下，将当前用户数据中的第一需求数据保存至第一记忆单元，以覆盖之前保存的第一需求数据；在当前用户数据中携带有第二需求数据的情况下，将当前用户数据中携带的第二需求数据写入一个第二记忆单元；在任意一个第二记忆单元中的第二需求数据超过有效期的情况下，将超过有效期的第二需求数据从第二记忆单元中删除。
作为一种可选的实施例，下文结合具体实施方式进一步详述本申请的技术方案：
步骤1，获取用户的习惯数据（如需求数据、关联数据、权限数据）、历史天气数据、冷热源水系统的运行状态等。
1）向用户提供APP或者小程序，由用户自行提供家庭的用暖习惯，包括但不限于每个人的离家时间、回家时间、习惯温度等；2）填写家里的路由地址及读取路由中登录数据的权限、公司路由地址及读取路由中登录数据的权限、填写家里智能门锁的路由地址及读取开关门数据的权限、填写小区门禁的路由地址及读取进出门数据的权限；3）用户手动调整暖气的数据（如调整阀门开度、调整供暖温度等）。
需要说明的是，上述习惯数据包括长期有效和短期有效两类，填写完数据后，保存选项有“保存为长期有效”、“保存为本月有效”、“保存为本周有效”、“保存为本次有效”几个选项，优先级从低到高，即当两个习惯数据冲突时，以优先级高的为准，当两个同类数据冲突时以时间近的为准，例如，用户长期有效的数据为长期有效的“早上八点出门晚上八点到家”、本次有效的“今日七点出门晚上六点回家”，则此处可以认为后者的优先级更高。
步骤2，利用用户的习惯数据生成用户的时间序列数据，每个元数据包括上述的一系列数据。
步骤3，利用时间序列数据训练原始长短期记忆模型，得到目标神经网络模型。
步骤4，利用所述目标模型基于用户的习惯数据和当前输入的数据进行供暖控制。
在楼宇自控的供热和供冷系统中，采用基于时间序列的用户习惯数据来训练LSTM模型以优化负荷控制，具有以下几个关键好处：
1）精准预测负荷需求：时间序列数据记录了用户在不同时间段对供热/供冷的实际需求和变化趋势，包括温度设定偏好、使用时段、峰值负荷出现的时间点等，LSTM模型能够利用这些数据有效捕捉用户习惯的周期性和非线性特征，精确预测未来的热/冷负荷需求，这有助于提前调度能源供应，避免过度供能导致的浪费，同时也防止因预估不足导致的舒适度下降。
2）个性化室温控制：不同用户甚至同一用户在不同时间段对室内温度的需求可能存在显著差异。基于时间序列数据的LSTM模型能够学习每个用户的独特生活习惯和热舒适偏好，如工作日与周末、白天与夜晚的温度设定差异，以及特殊活动（如家庭聚会、夜间阅读等）期间的临时温度调整需求。据此，楼宇自控系统能够实施精细化、个性化的室温控制，确保用户始终处于满意的热环境，同时减少不必要的能源消耗。
3）动态响应外部影响：用户对供热/供冷的需求不仅受其自身习惯影响，还与外界条件如天气变化、季节交替、光照强度等密切相关。时间序列数据包含了这些外部因素的历史信息，LSTM模型能够整合这些信息，预测它们对用户负荷需求的影响，并据此动态调整供能策略。例如，在预测到气温骤降或日照减弱可能导致室内温度下降时，提前增加供热量，反之则适当减少，实现供需平衡且节能。
4)优化设备运行策略：基于LSTM模型预测的负荷需求，楼宇自控系统可以更高效地调度供暖/制冷设备。例如，根据预测的低谷负荷时段安排设备维护、清洗或进行节能模式运行，而在预测的高峰负荷时段确保设备满负荷高效运行。此外，模型还可以帮助确定最佳启停时机、调节设备输出功率，避免频繁启停造成的能源浪费和设备磨损。
5)促进能源管理与节能目标达成：利用时间序列数据训练的LSTM模型，楼宇自控系统能够更精准地匹配用户需求与供能供给，降低无效能耗，减少能源浪费。这不仅提高了能源利用效率，也有助于实现楼宇整体的节能减排目标，符合绿色建筑和可持续发展的要求。同时，精细的负荷控制还能降低运营成本，提升物业管理的经济效益。总结来说，基于时间序列的用户习惯数据用于训练LSTM模型，对于楼宇自控系统的供热/供冷负荷控制而言，能够实现负荷需求的精准预测、个性化室温控制、动态响应外部影响、优化设备运行策略，以及有效促进能源管理与节能目标的达成，从而实现更高水平的用户舒适度与能源效率。
作为另一种可选的实施例，下文结合具体实施方式进一步详述本申请的技术方案：
步骤1：生成时间序列数据。
步骤1.1：收集历史数据。
用户数据获取，第一需求数据：从用户档案、长期服务合同、恒定生活习惯记录等来源收集被标记为一直有效的供暖需求数据，如恒定室温设定、特定时段的加热需求等。
第二需求数据：从用户临时需求提交系统、季节性调整申请、短时特殊活动通知等渠道获取被标记为在指定时长内有效的数据，如临时温度调整请求、假期空置房告知等，同时记录其生效起止时间。
历史天气数据获取：从权威气象服务机构、公开气象数据接口等途径下载目标小区所在地区的历年气象数据，包括每日/每小时的气温、湿度、风速、风向、日照强度等基础气象参数。对于可能影响供暖需求的特殊天气事件（如寒潮预警、霜冻预警、极端高温等），可从专业气象报告、预警系统中获取，并与基础气象数据合并。
冷热源水系统运行状态数据获取：从楼宇自动化系统（BAS）、能源管理系统（EMS）或其他设备监控平台中提取历史运行记录，包括锅炉出水温度、回水温度、循环流量、燃烧功率、启停时间、故障报警等关键参数。
步骤1.2：数据预处理。
数据清洗：检查并处理缺失值，可采用插值法（如线性插值、最近邻填充等）填充缺失的气象或系统运行数据。去除明显异常值，如超出合理范围的温度读数、不合理的运行状态等，可通过统计分析（如四分位数法则）或基于领域知识设定阈值进行识别。数据标准化/归一化：对数值型数据（如气温、湿度、功率等）进行标准化或归一化处理，确保不同量纲、不同数值范围的特征在同一尺度上，有利于神经网络训练。第二需求数据处理：将第二需求数据与其生效时间段对应的时间戳关联，形成带有时间标签的“需求事件”序列。对于跨多个时间步长的有效需求，将其分解为多个单步长的有效需求事件，每个事件对应其在时间序列中的确切位置。
步骤1.3：构建时间序列。
时间序列构建：将清洗和预处理后的用户数据（第一需求数据、第二需求事件序列）、天气数据、冷热源水系统运行状态数据按照时间顺序进行整合，形成以时间为索引的多变量时间序列数据集。
序列划分：根据训练需求，将时间序列划分为训练集、验证集和测试集（例如，按照时间顺序的80%、10%、10%划分），确保数据集的时空连续性。
步骤2：训练目标神经网络模型。
步骤2.1：选择与设计模型架构。
选择模型类型：选择适用于处理时间序列数据的深度学习模型，如长短时记忆网络（LSTM）、门控循环单元（GRU）、卷积循环神经网络（ConvLSTM）等。
定义模型结构：输入层：设计能够接收多变量时间序列特征的输入层，如多通道输入（用户数据、天气数据、系统状态数据各自作为独立通道）。
循环层：配置合适的循环神经网络层，捕捉时间序列数据的长期依赖关系。
权重分配层：针对第二需求数据，设计权重分配机制，如时间敏感的注意力层或在损失函数中加入时间衰减项。
输出层：设定输出层为能预测下一时刻冷热源水系统控制指令的结构，如直接预测控制参数（温度、流量）或概率分布（如对于多级控制策略）。
步骤2.2：模型训练与调优。
初始化参数与超参数：设置初始模型参数（如权重、偏置），并确定超参数，如学习率、优化器类型（如Adam）、损失函数（如均方误差）、批次大小、序列长度等。
模型训练：使用训练集数据对模型进行梯度下降训练，通过反向传播更新模型参数，最小化损失函数。
模型验证与调整：在验证集上评估模型性能，如预测准确性、MAE、RMSE等指标。根据验证结果调整超参数或模型结构，如调整学习率、增加隐藏层节点数、改变循环层类型等。
模型测试：在测试集上进行全面评估，确保模型泛化能力良好，无过拟合或欠拟合现象。
步骤3：实时预测与按需控制。
实时数据采集，实时监测第一需求数据是否有变动，如有变动则更新至最新状态。监听第二需求数据提交接口，及时获取新产生的有效需求及其有效期。
实时天气数据采集：订阅权威气象服务提供的实时或短时预报数据流，自动更新小区当前及未来一段时间内的天气状况。
冷热源水系统状态监测：通过楼宇自动化系统或设备监控平台，持续获取当前系统的运行状态参数（如出水温度、回水温度、循环流量、燃烧功率等）。
模型推理与指令生成，模型输入准备：将实时采集的用户数据、天气数据、系统状态数据整合成与模型输入格式匹配的多变量时间序列数据点。模型推理：将准备好的数据输入训练好的目标神经网络模型，模型输出下一时刻的冷热源水系统控制指令。
指令执行与反馈，将模型预测的控制指令发送至冷热源水系统的控制器，控制器据此调整设备运行参数。
系统响应监测与反馈：实时监测系统对控制指令的响应情况，如实际达到的出水温度、回水温度、循环流量等。将实际运行数据反馈至模型，用于模型的在线学习与自我校正（如采用强化学习框架时）。
采用本申请的技术方案，可以实现精细化预测与控制：通过深度学习模型捕捉复杂非线性关系，实现对系统控制指令的精细化预测，按需供热，提升用户舒适度，降低能耗。动态响应与个性化服务：模型能够快速响应用户短期、临时需求变化，适应用户生活习惯与偏好，提供个性化供暖服务。实时适应与自我优化：模型实时接收新产生的第二需求数据和实时天气数据，持续学习与优化，保持与环境条件和用户需求同步。资源节约与环保：通过精确匹配供热需求，避免无效供热和过度供热，显著降低能源消耗，符合节能降碳目标。
在一个可选实施例中，直接从燃气锅炉到各楼栋的管道是主管道，从楼栋到各个单元楼层的管道是支管道，每个家庭（或者房间）内的管道为末端管道。对于部分存在故障的管道（支管道或者末端管道，下文以支管道为例进行说明，实际也可替换为末端管道）可以通过加压的方式来疏通，在利用采集的红外图像，人工智能模型识别出是特定支管道发生堵塞（如生锈发生的堵塞、掉落的零件等障碍物堵塞）的情况下，按照如下方式进行疏通：先确定堵塞等级，获取流入堵塞位置前的阀门（流出）处的压力值1、流出堵塞位置前的阀门（流入）处的压力值2，当前堵塞等级，数学符号表示向下取整；根据当前堵塞等级确定需要关闭的其他支管道的数量f(p)（当前堵塞等级p越高，说明堵塞越严重，则需要关闭的其他支管道的数量越多），，式中，x表示其他支管道的总数量，为固定值，q为该措施所允许的最高堵塞等级，为固定值，如10（对于一些异常严重的堵塞，通过该方式疏通已经不可能），p为实际堵塞等级，可能大于q、等于q、或者小于q，取值为自然数；按照确定的数量f(p)关闭他支管道，以便于通过增压的方式，利用高压水流将堵塞物冲散、冲走，让管道恢复正常。
另外，可将锅炉内部设计成上下两个空间（具体通过两层隔板实现，隔板A和下方的隔板B，二者相同位置开设通水孔，隔板A可以转动，从而可以实现对隔板B上通水孔的开启、部分关闭、全部关闭），锅炉下部空间直接加热、上部间接加热并允许两空间水体混合供热，该方案具备以下节能和灵活性方面的优点：1）分层加热，提高热效率，热能梯级利用：下部空间的水直接接触热源，获得较高温度，实现了热能的高效利用；上部空间的水通过热传导从下部空间吸热，形成温度梯度，实现了热能的二次利用，这种设计减少了热量损失，提高了锅炉整体的热效率。2）精确温控，满足差异化需求，灵活配比，适应多样负荷：通过控制上下两空间水体的混合比例，可以根据不同楼层或住户对供热温度的不同需求，提供适宜的供水温度，对于常规供热需求的区域，可供应混合水；对于供热需求较高的楼层或急需升温的住户，可单独供应下部空间的高温水。这种精细化供热方式能够更好地匹配实际需求，避免过热浪费或供热不足。3）节能运行，降低能耗，节能模式切换：在整体供热需求较低或部分区域仅需常规供热的情况下，主要使用混合水供热，减少高温水的使用，降低了能源消耗。而在需要快速升温或满足特殊高温需求时，才动用下部空间的高温水，实现了按需供热，避免了能源的过度消耗。减少热损失：上下空间分隔的设计有助于减少热源与锅炉外壳之间的热传递，尤其是上部空间的水温相对较低，减少了向外界环境的辐射和对流热损失，进一步提升了锅炉的整体热效率。4）动态调节，响应快速，实时调整混合比：通过控制上下两空间水体混合的阀门开度，可以根据外部气温变化、用户需求变动等情况快速调整供水温度，增强了供暖系统的响应速度和适应性。应急供热保障：在极端天气或突发供热需求增加时，可以直接引出下部空间的高温水，提供紧急或额外的供热支持，保证了供暖系统的稳定性和可靠性。5）延长设备寿命，降低维护成本，降低热应力：通过混合低温水与高温水，可以有效降低整个系统中管道、散热器等设备承受的热应力，减缓材料老化，延长设备使用寿命，从而降低长期运营过程中的维护和更换成本。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
根据本申请实施例的另一个方面，还提供了一种用于实施上述冷热源水系统的控制方法的冷热源水系统的控制装置。图2是根据本申请实施例的一种可选的冷热源水系统的控制装置的示意图，如图2所示，该装置可以包括：
生成单元21，用于利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据；
训练单元22，用于利用所述时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，其中，所述原始神经网络模型用于从所述时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，所述历史用户数据中包括第一需求数据和第二需求数据，所述第一需求数据为被标记为一直有效的需求数据，所述第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大；
获取单元23，用于获取所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态；
控制单元24，用于将所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态输入所述目标神经网络模型，得到所述冷热源水系统的控制指令，以对所述冷热源水系统的运行状态进行按需控制，其中，所述目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据。
可选地，生成单元还用于：将同一天的历史用户数据、历史天气数据以及所述冷热源水系统的运行状态作为一个元数据，将所有元数据按照日期从远到近的方式排列，得到所述时间序列数据。
可选地，生成单元还用于：在利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据之前，获取所述目标小区内小区用户的如下需求数据：用户提供的常规离家时间、常规回家时间、习惯温度；获取所述目标小区内小区用户的如下关联数据：家庭路由的地址、公司路由的地址、家庭智能门锁的路由地址以及小区门禁的路由地址，其中，所述历史用户数据包括所述关联数据；获取所述目标小区内小区用户的如下权限数据：读取所述家庭路由中登录数据的权限信息、读取所述公司路由中登录数据的权限信息、读取所述智能门锁的开关门数据的权限信息、读取小区门禁的进出门数据的权限信息以及读取小区用户手机中行程相关数据的权限信息，其中，所述历史用户数据包括所述权限数据。
可选地，训练单元还用于：利用所述时间序列数据对原始神经网络模型进行训练，得到中间神经网络模型；在所述中间神经网络模型的识别准确率达到预设数值的情况下，将所述中间神经网络模型作为所述目标神经网络模型；在所述中间神经网络模型的识别准确率未达到所述预设数值的情况下，继续对所述中间神经网络模型进行训练，直至所述中间神经网络模型的识别准确率达到预设数值。
可选地，所述原始神经网络模型中包括多个记忆单元，所述多个记忆单元包括第一记忆单元和第二记忆单元，训练单元还用于：在利用所述时间序列数据对原始神经网络模型进行训练的过程中，利用所述第一记忆单元记录所述第一需求数据，并利用所述第二记忆单元记录处于有效期的所述第二需求数据。
可选地，在将所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态输入所述目标神经网络模型之后，在所述当前用户数据中的第一需求数据的类型与所述第一记忆单元记录的第一需求数据的类型相同的情况下，将所述当前用户数据中的第一需求数据保存至所述第一记忆单元，以覆盖之前保存的第一需求数据；在所述当前用户数据中携带有第二需求数据的情况下，将所述当前用户数据中携带的第二需求数据写入一个所述第二记忆单元。
可选地，在利用所述第二记忆单元记录处于有效期的所述第二需求数据之后，在任意一个所述第二记忆单元中的第二需求数据超过有效期的情况下，将超过有效期的第二需求数据从所述第二记忆单元中删除。
通过上述模块，利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据；利用所述时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，其中，所述原始神经网络模型用于从所述时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，所述历史用户数据中包括第一需求数据和第二需求数据，所述第一需求数据为被标记为一直有效的需求数据，所述第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大；获取所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态；将所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态输入所述目标神经网络模型，得到所述冷热源水系统的控制指令，以对所述冷热源水系统的运行状态进行按需控制，其中，所述目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据,可以解决冷热源水系统在运行过程中不够节能的技术问题。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在相应的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
根据本申请实施例的另一个方面，还提供了一种用于实施上述冷热源水系统的控制方法的服务器或终端。
图3是根据本申请实施例的一种终端的结构框图，如图3所示，该终端可以包括：一个或多个（图中仅示出一个）处理器301、存储器303、以及传输装置305，如图3所示，该终端还可以包括输入输出设备307。
其中，存储器303可用于存储软件程序以及模块，如本申请实施例中的冷热源水系统的控制方法和装置对应的程序指令/模块，处理器301通过运行存储在存储器303内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的冷热源水系统的控制方法。存储器303可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器303可进一步包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置305用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置305包括一个网络适配器（Network Interface Controller，NIC），其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置305为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
其中，具体地，存储器303用于存储应用程序。
处理器301可以通过传输装置305调用存储器303存储的应用程序，以执行下述步骤：
利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据；利用所述时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，其中，所述原始神经网络模型用于从所述时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，所述历史用户数据中包括第一需求数据和第二需求数据，所述第一需求数据为被标记为一直有效的需求数据，所述第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大；获取所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态；将所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态输入所述目标神经网络模型，得到所述冷热源水系统的控制指令，以对所述冷热源水系统的运行状态进行按需控制，其中，所述目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图3所示的结构仅为示意，终端可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile InternetDevices，MID）、PAD等终端设备。图3其并不对上述电子装置的结构造成限定。例如，终端还可包括比图3中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图3所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（RandomAccess Memory，RAM）、磁盘或光盘等。。.
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行冷热源水系统的控制方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据；利用所述时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，其中，所述原始神经网络模型用于从所述时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，所述历史用户数据中包括第一需求数据和第二需求数据，所述第一需求数据为被标记为一直有效的需求数据，所述第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大；获取所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态；将所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态输入所述目标神经网络模型，得到所述冷热源水系统的控制指令，以对所述冷热源水系统的运行状态进行按需控制，其中，所述目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (6)
1.一种冷热源水系统的控制方法，其特征在于，包括：
利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据：定义元数据中各类数据的字段和字段顺序，将同一天的历史用户数据、历史天气数据以及冷热源水系统的运行状态作为一个元数据，将所有元数据按照日期从远到近的方式排列，得到所述时间序列数据；
利用所述时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，其中，所述原始神经网络模型用于从所述时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，所述历史用户数据中包括第一需求数据和第二需求数据，所述第一需求数据为被标记为一直有效的需求数据，所述第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大，所述原始神经网络模型中包括多个记忆单元，多个记忆单元包括第一记忆单元和第二记忆单元，在训练过程中，利用所述第一记忆单元记录第一需求数据，并利用所述第二记忆单元记录处于有效期的第二需求数据，所述第二需求数据与生效时间段对应的时间戳关联，对于跨多个时间步长的所述第二需求数据指示的有效需求，该有效需求会被分解为多个单步长的有效需求事件；
获取所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态；
将所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态输入所述目标神经网络模型，得到所述冷热源水系统的控制指令，以对所述冷热源水系统的运行状态进行按需控制，其中，所述目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据；
在将所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态输入所述目标神经网络模型之后，在所述当前用户数据中的第一需求数据的类型与所述第一记忆单元记录的第一需求数据的类型相同的情况下，将所述当前用户数据中的第一需求数据保存至所述第一记忆单元，以覆盖之前保存的第一需求数据；在所述当前用户数据中携带有第二需求数据的情况下，将所述当前用户数据中携带的第二需求数据写入一个所述第二记忆单元，之后，在任意一个所述第二记忆单元中的第二需求数据超过有效期的情况下，将超过有效期的第二需求数据从所述第二记忆单元中删除。
2.根据权利要求1所述的方法，其特征在于，在利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据之前，所述方法还包括：
获取所述目标小区内小区用户的如下需求数据：用户提供的常规离家时间、常规回家时间、习惯温度；
获取所述目标小区内小区用户的如下关联数据：家庭路由的地址、公司路由的地址、家庭智能门锁的路由地址以及小区门禁的路由地址，其中，所述历史用户数据包括所述关联数据；
获取所述目标小区内小区用户的如下权限数据：读取所述家庭路由中登录数据的权限信息、读取所述公司路由中登录数据的权限信息、读取所述智能门锁的开关门数据的权限信息、读取所述小区门禁的进出门数据的权限信息以及读取小区用户手机中行程相关数据的权限信息，其中，所述历史用户数据包括所述权限数据。
3.根据权利要求1所述的方法，其特征在于，利用所述时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，包括：
利用所述时间序列数据对原始神经网络模型进行训练，得到中间神经网络模型；
在所述中间神经网络模型的识别准确率达到预设数值的情况下，将所述中间神经网络模型作为所述目标神经网络模型；
在所述中间神经网络模型的识别准确率未达到所述预设数值的情况下，继续对所述中间神经网络模型进行训练，直至所述中间神经网络模型的识别准确率达到所述预设数值。
4.一种冷热源水系统的控制装置，其特征在于，包括：
生成单元，用于利用目标小区内小区用户的历史用户数据、历史天气数据以及冷热源水系统的运行状态，生成时间序列数据：定义元数据中各类数据的字段和字段顺序，将同一天的历史用户数据、历史天气数据以及冷热源水系统的运行状态作为一个元数据，将所有元数据按照日期从远到近的方式排列，得到所述时间序列数据；
训练单元，用于利用所述时间序列数据对原始神经网络模型进行训练，得到目标神经网络模型，其中，所述原始神经网络模型用于从所述时间序列数据学习用户的用户数据、天气数据以及冷热源水系统的运行状态在时间维度上的关联，所述历史用户数据中包括第一需求数据和第二需求数据，所述第一需求数据为被标记为一直有效的需求数据，所述第二需求数据为被标记为在指定时长内有效的数据，需求数据中处于有效期内、时间越靠近当前的对输出结果的影响权重越大，所述原始神经网络模型中包括多个记忆单元，多个记忆单元包括第一记忆单元和第二记忆单元，在训练过程中，利用所述第一记忆单元记录第一需求数据，并利用所述第二记忆单元记录处于有效期的第二需求数据，所述第二需求数据与生效时间段对应的时间戳关联，对于跨多个时间步长的所述第二需求数据指示的有效需求，该有效需求会被分解为多个单步长的有效需求事件；
获取单元，用于获取所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态；
控制单元，用于将所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态输入所述目标神经网络模型，得到所述冷热源水系统的控制指令，以对所述冷热源水系统的运行状态进行按需控制，其中，所述目标神经网络模型还用于在运行过程中记录新收到的、处于有效期的第二需求数据；
在将所述目标小区的小区用户的当前用户数据、当前天气数据以及所述冷热源水系统的当前运行状态输入所述目标神经网络模型之后，在所述当前用户数据中的第一需求数据的类型与所述第一记忆单元记录的第一需求数据的类型相同的情况下，将所述当前用户数据中的第一需求数据保存至所述第一记忆单元，以覆盖之前保存的第一需求数据；在所述当前用户数据中携带有第二需求数据的情况下，将所述当前用户数据中携带的第二需求数据写入一个所述第二记忆单元，之后，在任意一个所述第二记忆单元中的第二需求数据超过有效期的情况下，将超过有效期的第二需求数据从所述第二记忆单元中删除。
5.一种计算机可读的存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至3任一项中所述的方法。
6.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序执行上述权利要求1至3任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410536094.8A CN118131642B (zh) | 2024-04-30 | 2024-04-30 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410536094.8A CN118131642B (zh) | 2024-04-30 | 2024-04-30 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118131642A CN118131642A (zh) | 2024-06-04 |
| CN118131642B true CN118131642B (zh) | 2024-07-26 |
Family
ID=91245949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410536094.8A Active CN118131642B (zh) | 2024-04-30 | 2024-04-30 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118131642B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929927A (zh) * | 2019-11-18 | 2020-03-27 | 国网甘肃省电力公司 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
| CN117114438A (zh) * | 2023-08-14 | 2023-11-24 | 东南大学 | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108090629B (zh) * | 2018-01-16 | 2021-02-09 | 广州大学 | 基于非线性自回归神经网络的负荷预测方法与系统 |
| CN109472700A (zh) * | 2018-11-20 | 2019-03-15 | 中山大学 | 股票价格的预测方法、服务器及存储介质 |
| CN112734106A (zh) * | 2021-01-08 | 2021-04-30 | 深圳市国电科技通信有限公司 | 用于预测能源负荷的方法及装置 |
| CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
| CN114565167B (zh) * | 2022-03-03 | 2022-11-18 | 天津大学 | 一种热力入口负荷动态预测及调控方法 |
| CN116308480A (zh) * | 2022-11-25 | 2023-06-23 | 阿里巴巴（中国）有限公司 | 需求预测模型训练方法、装置、电子设备及存储介质 |
| CN116565846A (zh) * | 2023-05-11 | 2023-08-08 | 国网上海市电力公司 | 一种虚拟电厂需求预测方法、系统及可读存储介质 |
| CN116797274A (zh) * | 2023-07-12 | 2023-09-22 | 长安大学 | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 |
-
2024
- 2024-04-30 CN CN202410536094.8A patent/CN118131642B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929927A (zh) * | 2019-11-18 | 2020-03-27 | 国网甘肃省电力公司 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
| CN117114438A (zh) * | 2023-08-14 | 2023-11-24 | 东南大学 | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118131642A (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240044541A1 (en) | Systems and methods of optimizing hvac control in a building or network of buildings | |
| JP4363244B2 (ja) | エネルギー管理装置 | |
| Korkas et al. | Grid-connected microgrids: Demand management via distributed control and human-in-the-loop optimization | |
| US7216021B2 (en) | Method, system and computer program for managing energy consumption | |
| Manjarres et al. | An energy-efficient predictive control for HVAC systems applied to tertiary buildings based on regression techniques | |
| Meinrenken et al. | Concurrent optimization of thermal and electric storage in commercial buildings to reduce operating cost and demand peaks under time-of-use tariffs | |
| JP7473690B2 (ja) | 冷却機器の制御方法、冷却機器制御装置、コンピュータ機器及びコンピュータ可読媒体 | |
| KR101168153B1 (ko) | 건물의 에너지 수요 예측 방법 및 그 시스템 | |
| US20170206615A1 (en) | Optimizing and controlling the energy consumption of a building | |
| Xia et al. | Comparison of building energy use data between the United States and China | |
| US20180142914A1 (en) | Method for controlling activation of air conditioning device and apparatus therefor | |
| US20140365017A1 (en) | Methods and systems for optimized hvac operation | |
| US20110218691A1 (en) | System and method for providing reduced consumption of energy using automated human thermal comfort controls | |
| CA2795424C (en) | Energy saving unit and system for buildings by mutual learning | |
| US20100088261A1 (en) | Method and system for fully automated energy curtailment | |
| KR101633969B1 (ko) | 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법 | |
| CN105378589A (zh) | 用于管理需求响应程序和事件的系统、装置和方法 | |
| Hagras et al. | An intelligent agent based approach for energy management in commercial buildings | |
| KR102315429B1 (ko) | 소셜 네트워크를 이용한 공동 주거지 에너지 관리 장치 및 방법 | |
| CN118131642B (zh) | 冷热源水系统的控制方法和装置、存储介质、电子装置 | |
| JP5852950B2 (ja) | 電力需要制御システム及び方法 | |
| Huang | Combination of model-predictive control with an Elman neural for optimization of energy in office buildings | |
| Zhang | Data-driven whole building energy forecasting model for data predictive control | |
| CN118856407A (zh) | 一种智能城市供热系统及供热控制方法 | |
| Peng | Learning-based demand-driven controls for energy-efficient buildings |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: No. 207 and 208, Building 10, No. 39 Tiancun Road, Haidian District, Beijing, 100143 Patentee after: Beijing Huaqing Energy Technology Development Co.,Ltd. Country or region after: China Patentee after: BEIJING HUAQING GEOTHERMAL DEVELOPMENT GROUP CO.,LTD. Address before: No. 207 and 208, Building 10, No. 39 Tiancun Road, Haidian District, Beijing, 100143 Patentee before: Beijing Huaqing Dingli Property Management Co.,Ltd. Country or region before: China Patentee before: BEIJING HUAQING GEOTHERMAL DEVELOPMENT GROUP CO.,LTD. |
|
| CP03 | Change of name, title or address |