【技术实现步骤摘要】
本申请涉及空气源热泵，尤其涉及一种空气源热泵负荷聚合建模方法、系统、设备及存储介质。
技术介绍
1、空气源热泵作为一种高效、环保的供暖技术，在建筑节能和可再生能源利用领域得到了广泛应用。然而，在进行"空气源热泵负荷聚合建模"时，研究人员面临着一个关键挑战：如何在模型中平衡"不同区域气候差异"与"系统通用性"之间的矛盾。
2、一方面，空气源热泵的性能和负荷特性强烈依赖于环境温度、湿度等气候因素，这些因素在不同地理区域间存在显著差异。另一方面，为了提高模型的实用性和推广价值，又需要保证一定程度的通用性，使模型能够适用于不同气候条件下的空气源热泵系统。
技术实现思路
1、本申请提供一种空气源热泵负荷聚合建模方法、系统、设备及存储介质，以解决上述
技术介绍
提出的问题。
2、第一方面，本申请提供一种空气源热泵负荷聚合建模方法，包括：
3、获取若干个区域的空气源热泵运行数据信息；所述空气源热泵运行数据信息包括气候特征信息、空气源热泵负荷与环境参数的映射关系表；
4、基于预设的分类算法对获取的多组空气源热泵运行数据信息进行分类，得到多个数据集；其中，各个所述数据集均包括多个空气源热泵运行数据信息，针对各个所述数据集，所述数据集中任意两个空气源热泵运行数据信息对应的气候特征信息之间的相似度大于预设相似度；
5、分别基于各个所述数据集对预设的神经网络模型进行训练，得到各个所述数据集对应的局部负荷预测模型；其中，所述局部负荷预测模型的输入信息为
6、将各个所述局部负荷预测模型的模型参数进行融合，得到融合模型参数，并利用所述融合模型参数替换任一所述局部负荷预测模型的模型参数，得到全局负荷预测模型；
7、基于各个所述空气源热泵运行数据信息确定所述全局负荷预测模型的预测损失函数，并基于所述预测损失函数对所述全局负荷预测模型进行优化，得到目标负荷预测模型。
8、在一种可能的实现方式中，所述基于预设的分类算法对获取的多组空气源热泵运行数据信息进行分类，得到多个数据集，包括:
9、基于所述空气源热泵运行数据信息的数量确定多个初始聚类数量；
10、分别获取各个所述空气源热泵运行数据信息对应的气候特征信息的高维特征坐标点；
11、分别计算各个所述高维特征坐标点与欧式原点之间的距离值；
12、基于各个所述高维特征坐标点对应的距离值将各个所述高维特征坐标点依序排列，得到高维特征坐标点序列；其中，所述高维特征坐标点序列对应的距离值依序增大；
13、针对各个所述初始聚类数量，基于所述高维特征坐标点序列确定所述初始聚类数量对应的聚类误差；
14、基于各个所述聚类误差确定目标聚类数量；
15、基于所述目标聚类数量和各个所述高维特征坐标点对获取的多组空气源热泵运行数据信息进行分类，得到多个数据集。
16、在一种可能的实现方式中，所述基于所述高维特征坐标点序列确定所述初始聚类数量对应的聚类误差，包括：
17、针对各个所述初始聚类数量，判断所述初始聚类数量是否为1；
18、若是，在所述高维特征坐标点序列中确定中心点；当所述高维特征坐标点序列中的高维特征坐标点的数量为奇数时，所述中心点为位于所述高维特征坐标点序列中间的高维特征坐标点，当所述高维特征坐标点序列中的高维特征坐标点的数量为偶数时，所述中心点为位于所述高维特征坐标点序列中间的两个高维特征坐标点之间的中心点；
19、分别计算所述高维特征坐标点序列中的各个高维特征坐标点与所述中心点之间的欧式距离的平方值，并将各个所述平方值之和作为初始聚类数量为1时的聚类误差；
20、若否，基于所述初始聚类数量对所述高维特征坐标点序列进行分割处理，得到多个高维特征坐标点子序列；所述高维特征坐标点子序列的数量与所述初始聚类数量一致；
21、针对各个所述高维特征坐标点子序列，在所述高维特征坐标点子序列中确定中心点，并分别计算所述高维特征坐标点子序列中的各个高维特征坐标点与所述中心点之间的欧式距离的平方值，及将各个所述平方值之和作为所述高维特征坐标点子序列对应的中间聚类误差；其中，当所述高维特征坐标点子序列中的高维特征坐标点的数量为奇数时，所述中心点为位于所述高维特征坐标点子序列中间的高维特征坐标点，当所述高维特征坐标点子序列中的高维特征坐标点的数量为偶数时，所述中心点为位于所述高维特征坐标点子序列中间的两个高维特征坐标点之间的中心点；
22、将各个所述中间聚类误差之和作为所述初始聚类数量对应的聚类误差。
23、在一种可能的实现方式中，所述基于各个所述聚类误差确定目标聚类数量，包括：
24、以初始聚类数量为横轴，以聚类误差为纵轴，绘制初始聚类数量与聚类误差之间的映射关系曲线；
25、采用肘部法则在所述映射关系曲线上确定目标聚类数量。
26、在一种可能的实现方式中，所述基于所述目标聚类数量和各个所述高维特征坐标点对获取的多组空气源热泵运行数据信息进行分类，得到多个数据集，包括：
27、基于所述目标聚类数量在各个所述高维特征坐标点中随机选择多个初始聚类中心点；其中，所述初始聚类中心点的数量与所述目标聚类数量一致；
28、针对各个所述高维特征坐标点，分别计算所述高维特征坐标点与各个所述初始聚类中心点之间的欧式距离，并确定最短的所述欧式距离对应的初始聚类中心点所对应的簇为所述高维特征坐标点对应的初始簇；其中，各个所述初始簇均包括多个高维特征坐标点；
29、针对各个所述初始簇，在所述初始簇中的各个高维特征坐标点中确定第一中间聚类中心点；所述第一中间聚类中心点为所述初始簇的簇中心；
30、针对各个所述高维特征坐标点，分别计算所述高维特征坐标点与各个所述第一中间聚类中心点之间的欧式距离，并确定最短的所述欧式距离对应的第一中间聚类中心点所对应的簇为所述高维特征坐标点对应的第一中间簇；其中，各个所述第一中间簇均包括多个高维特征坐标点；
31、针对各个所述第一中间簇，在所述第一中间簇中的各个高维特征坐标点中确定第二中间聚类中心点；所述第二中间聚类中心点为所述第一中间簇的簇中心；
32、迭代所述针对各个所述初始簇，在所述初始簇中的各个高维特征坐标点中确定第一中间聚类中心点之后的步骤，直至得到多个目标簇；其中，各个所述目标簇收敛；
33、针对各个所述目标簇，将所述目标簇中的各个高维特征坐标点对应的空气源热泵运行数据信息进行组合，得到所述目标簇对应的数据集。
34、在一种可能的实现方式中，所述基于各个所述空气源热泵运行数据信息确定所述全局负荷预测模型的预测损失函数，包括：
35、将所有所述空气源数据信息中的各个环境参数分别输入所述全局负荷预测模型，得到各个所述环境参数对应的空气源热泵预测负荷；
36、本文档来自技高网...
【技术保护点】
1.一种空气源热泵负荷聚合建模方法，其特征在于，包括：
2.根据权利要求1所述的空气源热泵负荷聚合建模方法，其特征在于，所述基于预设的分类算法对获取的多组空气源热泵运行数据信息进行分类，得到多个数据集，包括:
3.根据权利要求2所述的空气源热泵负荷聚合建模方法，其特征在于，所述基于所述高维特征坐标点序列确定所述初始聚类数量对应的聚类误差，包括：
4.根据权利要求2所述的空气源热泵负荷聚合建模方法，其特征在于，所述基于各个所述聚类误差确定目标聚类数量，包括：
5.根据权利要求2所述的空气源热泵负荷聚合建模方法，其特征在于，所述基于所述目标聚类数量和各个所述高维特征坐标点对获取的多组空气源热泵运行数据信息进行分类，得到多个数据集，包括：
6.根据权利要求1所述的空气源热泵负荷聚合建模方法，其特征在于，所述基于各个所述空气源热泵运行数据信息确定所述全局负荷预测模型的预测损失函数，包括：
7.一种空气源热泵负荷聚合建模系统，其特征在于，包括：
8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的空气源热泵负荷聚合建模方法。
...【技术特征摘要】
1.一种空气源热泵负荷聚合建模方法，其特征在于，包括：
2.根据权利要求1所述的空气源热泵负荷聚合建模方法，其特征在于，所述基于预设的分类算法对获取的多组空气源热泵运行数据信息进行分类，得到多个数据集，包括:
3.根据权利要求2所述的空气源热泵负荷聚合建模方法，其特征在于，所述基于所述高维特征坐标点序列确定所述初始聚类数量对应的聚类误差，包括：
4.根据权利要求2所述的空气源热泵负荷聚合建模方法，其特征在于，所述基于各个所述聚类误差确定目标聚类数量，包括：
5.根据权利要求2所述的空气源热泵负荷聚合建模方法，其特征在于，所述基于所述目标聚类数量和各个所述高维特征坐标点对获取的多组空气源热泵运行数据信息进行分类，...
【专利技术属性】
技术研发人员：刘高文，王洪伟，
申请(专利权)人：山东佐耀智能装备股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。