具体实施方式

下面结合附图及实施案例，对本发明进行进一步详细说明，但应当理解实施例用以解释本发明，并不用于限制本发明。

附图中附图标记：

数据采集模块1、数据库模块2、智能决策模块3、信息管控平台4、温度传感器11、流量传感器12、压力传感器13、通信模块14、实时运行状态数据集21、历史运行状态数据库22、系统运行状态识别模块31、专家知识库智能决策模块32、显示模块41、调控决策执行模块42。

本发明开发一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统，图1为本发明的框架结构图，图2为本发明运行状态识别模块结构图，图3为智能决策模块流程图，图4为卷积-自编码神经网络的基本结构图，图5为隐藏层层数对运行状态识别准确率的影响图，图6为学习率对运行状态识别准确率的影响图，图7为权值衰减参数对运行状态识别准确率的影响图，图8为Dropout参数对运行状态识别准确率的影响图，图9a和9b为状态识别模型准确率验证图，其中图9a为训练样本作为输入，网络输出的回归结果；图9b为测试样本作为输入，网络输出的回归结果，图10为流量值收敛到目标的过程误差变化图，图11为智能调控阀门参数后优化效果图，图12为信息管控平台操作界面图。如图1-12所示，示出了本发明的一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统的结构框架、运行状态识别模块的结构、智能决策模块流程、卷积-自编码神经网络基本结构、隐藏层层数对运行状态识别准确率的影响、净学习率对运行状态识别准确率影响、权值衰减参数对运行状态识别准确率影响、Dropout参数对运行状态识别准确率的影响、状态识别模型准确率验证曲线、流量值收敛到目标的过程的误差变化、智能调控阀门参数后优化效果、信息管控平台操作界面。

参见图1，其示出一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统，包括：

数据采集模块1，用于采集流经控制阀门的流体实时运行状态数据，该运行状态数据包括进回水温度、流量数据以及压力数据；将采集到的实时运行状态数据借由远程通信模块14上传至数据库模块2；获取的信号及供暖系统状态信息类别归纳，见表1。

表1获取的状态信号及供暖系统状态信息类别归纳

数据库模块2，用于接收实时状态运行数据及存储历史状态运行数据(实时状态数据可转化为历史状态数据)，并将实时运行状态数据代入至利用历史状态数据训练好的卷积-自编码神经网络智能决策模块3；

智能决策模块3，用于根据实时运行状态数据识别供暖管网实时运行状态，并基于状态识别结果利用专家知识库选择匹配度最高的阀门调控决策方案，将决策结果上传至信息管控平台4；神经网络的神经节点参数设置，见表2。其余网络参数设置，见表3。

表2卷积-自编码神经网络的神经节点参数设置情况

表3其它网络参数设置

信息管控平台4，用于并将智能决策结果呈现给管控人员，由管控人员确认调控决策的执行，从而实时、智能调控阀门开度。

在一种实施方式中，数据采集模块1包括控制阀门内部的温度传感器11、压力传感器12及流量传感器13，分别用于采集管道内部的进回水温度、管道内压力数据及进回水流量数据；

数据采集模块1还包括控制阀门顶部的通信模块14，该模块采用GPRS通信技术，传输距离可达1200米，通信模块与上述三个传感器(11,12,13)相连，将实时采集到的运行状态数据上传至数据库模块2。

在一种实施方式中，数据库模块2包括实时状态数据集21和历史状态数据库22，实时状态数据集21在下一组运行状态数据接收后即存储至历史运行状态数据库，历史状态数据库22内数据用于训练、验证、更新状态识别模型，并将实时运行状态数据代入至利用历史状态数据训练好的状态识别模型中识别供暖系统实时运行状态，进入智能决策模块3。

在一种实施方式中，智能决策模块3包括运行状态识别模型31和专家知识库决策模型32，运行状态识别模型31用于根据实时运行状态数据识别供暖系统当前运行状态，专家知识库决策模型32用于根据所识别的状态选取匹配度最高的阀门调控决策，并将决策结果上传至信息管控平台4。

在一种实施方式中，信息管控平台4包括显示模块41和调控决策执行模块42，显示模块41显示智能决策结果，调控决策执行模块42则由管控人员确定调控决策的执行。

本发明上述实施方式，通过数据采集模块、数据库模块、智能决策模块及信息管控平台构建对供暖系统设备的智能调控系统，通过控制阀内传感器数据采集模块采集实时运行状态数据，并利用通信模块将实时运行状态数据代入至利用历史运行状态数据训练好的神经网络状态识别模型中进行状态识别，根据识别结果选择匹配度最高的专家知识决策方案，进而将决策方案发送至信息管控平台，由管控人员确定管控方案的执行，调节控制阀门开度大小，从而保证供暖需求平衡。

在一种实施方式中，智能决策模块2还包括神经网络状态识别模型21，神经网络状态识别模型21将所获取存储的历史状态数据按照以下步骤进行处理训练，包括：清洗，利用Datawranger软件在线清洗数据，用于除去无价值数据；降采样，利用奈奎斯特方法降采样，用于提取关键特征，降低计算维度；加噪，用于提升神经网络抗干扰能力；归一化，用于统一数据维度；数据集划分，用于划分训练集及验证集，标记数据集；网络构建，所建立的状态识别模型21为3层堆栈自编码卷积神经网络，用于识别供暖系统当前运行状态；训练，用于训练模型，提升模型准确率；验证，用于验证模型准确率；

在一种实施方式中，3层卷积-自编码神经网络，用于训练状态识别模型21，具体包括1个输入层，3个隐层，1个池化层，3个正则化层，1个全连接层及1个输出层；在其它条件保持不变的情况下，不同层数的卷积-自编码神经网络对供暖系统运行状态识别的准确率也不同，同理，学习率、权值惩罚参数与Dropout参数在其它条件保持不变的情况下的实施结果，见图5，图6，图7，图8所示。

在一种实施方式中，所述输入层及隐层，用于堆栈自编码器内，网络整体输出作为卷积神经网络的输入，激活函数为Relu函数，表达形式如下：

f(x)＝max(0,x)

从上式上可以看出，Relu函数属于取最大值的函数，将所有的负值都变为0，而正值不变。

对所述输出层，用于输出识分类后的状态识别结果，输出识别状态类别数等于网络输出端节点数，采用Softmax函数作为输出函数，表达形式如下：

其中，分母是配分函数，一般简记为Z，表示所有状态的总和，作为归一化分子；分子是势能函数。

对上述卷积层、池化层以及全连接层，用于提取数据特征，降低数据维度以及降低学习过程中的参数敏感度，其卷积核尺寸及个数均通过控制变量法确定。

本发明上述实施方式，采用Relu函数作为激活函数，可以使网络训练更快，减少反应时间，加快供暖决策调控实施进度；采用Softmax函数作为分类器，可将所有类别打分都限制在[0,1]之间，便于将实际情况与预测情况进行比较来对网络进行调节，从而提高模型状态识别的准确率。供暖管网识别模型结果，见图10所示。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。