买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京暖流科技有限公司申请的专利一种基于集成学习的供热系统热负荷预测系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118839823B 。

龙图腾网通过国家知识产权局官网在2025-08-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411217608.X，技术领域涉及：G06Q10/04；该发明授权一种基于集成学习的供热系统热负荷预测系统及方法是由白杨;洪莲;康国青设计研发完成，并于2024-09-02向国家知识产权局提交的专利申请。

本一种基于集成学习的供热系统热负荷预测系统及方法在说明书摘要公布了：本发明一种基于集成学习的供热系统热负荷预测系统及方法，系统包括：数据处理模块，用于将采集的不同供热系统数据存储到相应数据库，并对供热系统数据进行预处理；特征工程模块，用于对预处理后的不同供热系统数据进行处理、修正并生成新的数据特征；数据集构建模块，用于基于所生成的供热系统的新的数据特征，构建热负荷预测数据集；集成学习模型构建模块，用于采用改进的堆叠策略集成机器学习和深度学习算法，构建集成学习模型；热负荷预测模块，用于基于集成学习模型以及热负荷预测数据集，进行供热系统热负荷预测，获得热负荷预测结果。本发明不仅能够提高供热系统的热负荷预测的精度，还能够适应不同供热系统的复杂性和动态变化。

本发明授权一种基于集成学习的供热系统热负荷预测系统及方法在权利要求书中公布了：1.一种基于集成学习的供热系统热负荷预测系统，其特征在于，包括： 数据处理模块，用于将采集的不同供热系统数据存储到相应数据库，并对所述供热系统数据进行预处理； 特征工程模块，用于对预处理后的不同供热系统数据进行处理、修正并生成新的数据特征； 数据集构建模块，用于基于所生成的供热系统的新的数据特征，构建热负荷预测数据集； 集成学习模型构建模块，用于采用改进的堆叠策略集成机器学习和深度学习算法，构建集成学习模型； 热负荷预测模块，用于基于所述集成学习模型以及所述热负荷预测数据集，进行供热系统热负荷预测，获得热负荷预测结果； 所述数据处理模块包括数据采集单元，用于采集所述供热系统数据； 其中，所述供热系统数据包括动态时序数据以及静态数据； 所述动态时序数据包括各个供热系统中每分钟的一次瞬态功率、一次瞬态流量、一次供水温度、一次回水温度、一次供水压力、一次回水压力、一次阀门开度、二次供水温度、二次回水温度、二次供水压力、二次回水压力、室内温度、室外温度、室外湿度和太阳辐射值； 所述静态数据包括供热系统的二级网的供热总面积HAo、二级网的实际供热面积HAr、二级网的空置供热面积HAv、供热区域的建筑类型SC、锅炉的热效率BE以及换热器的换热率RE； 所述特征工程模块包括： 分钟-小时数据转化单元，用于将每分钟的一次瞬态功率、一次瞬态流量、一次供水温度、一次回水温度、一次供水压力、一次回水压力、一次阀门开度、二次供水温度、二次回水温度、二次供水压力、二次回水压力、室内温度、室外温度、室外湿度和太阳辐射值数据，分别通过加和后取平均的方式转换成对应的每小时的一次瞬态功率TPo、一次瞬态流量TFR、一次供水温度STs、一次回水温度RTs、一次供水压力PSPp、一次回水压力PRPp、一次阀门开度OD、二次供水温度STr、二次回水温度RTr、二次供水压力PSPs、二次回水压力PRPs、室内温度Ti、室外温度To、室外湿度Ho和太阳辐射值数据SRo； 修正单元，用于利用每小时室外温度To以及每小时室内温度Ti修正每小时的一次瞬态功率TPo，获得修正后每小时的一次瞬态功率TPo；具体的，通过将室外温度与20度进行对比，用每小时的室外温度To和每小时的室内温度Ti来修正每小时的一次瞬态功率TPo，得到每小时修正后的一次瞬态功率TPm，修正公式如下： 生成新特征单元，用于利用修正后每小时的一次瞬态功率TPo分别除以供热总面积HAo和实际供热面积HAr，获得每小时的总单平米热功率TPsmo和每小时的实际单平米热功率TPsmr；公式如下； 供热系统特征工程单元，用于将所有分钟数据转换成的小时数据、修正后每小时的一次瞬态功率TPo、每小时的总单平米热功率TPsmo以及每小时的实际单平米热功率TPsmr作为描述所述供热系统的新的数据特征； 所述数据集构建模块包括： 输入特征构建单元，用于将前48个小时的修正后的一次瞬态功率TPo、前48个小时的一次瞬态流量TFR、前48个小时的一次供水温度STs、前48个小时的一次回水温度RTs、前48个小时的一次供水压力PSPp、前48个小时的一次回水压力PRPp、前48个小时的一次阀门开度OD、前48个小时的二次供水温度STr、前48个小时的二次回水温度RTr、前48个小时的二次供水压力PSPs、前48个小时的二次回水压力PRPs、前48个小时的室内温度Ti、前48个小时的室外温度To、前48个小时的室外湿度Ho、前48个小时的太阳辐射值数据SRo、供热总面积HAo、实际供热面积HAr、空置供热面积HAv、供热区域的建筑类型SC、锅炉的热效率BE、换热器的换热率，以及未来24个小时预报的室外温度To、未来24个小时预报的室外湿度Ho和未来24个小时预报的太阳辐射数据SRo作为数据集的输入特征； 预测特征构建单元，用于将未来24小时平均的总单平米热功率TPsmo、未来24小时平均的实际单平米热功率TPsmr和未来24小时平均的二次供水温度STr作为数据集的预测特征； 数据集构建单元，用于整合所述输入特征以及所述预测特征，构建所述热负荷预测数据集；并将所述热负荷预测数据集划分为训练集、验证集以及测试集； 其中，所述热负荷预测数据集包括预测总单平米热功率TPsmo的数据集、预测实际单平米热功率TPsmr的数据集以及预测二次供水温度STr的数据集； 所述集成学习模型构建模块包括： 基础模型构建单元，用于将支持向量回归模型SVR、第一极限梯度提升模型XGBoost、长短期记忆网络模型LSTM和反向传播神经网络模型BPNN四个模型作为基础模型，并分别定义各个基础模型的超参数； 基础模型优化单元，用于在训练集以及验证集上对所述基础模型分别进行热负荷预测训练，并采用贝叶斯优化算法对所述基础模型的超参数进行优化，获得最优基础模型； 元学习模型构建单元，用于将第二极限梯度提升模型XGBoost作为元学习模型，并定义所述元学习模型的超参数； 新训练集构建单元，用于将4个最优基础模型输出的4个热负荷预测值与基于预设要求选取的2个训练集中的所述新的数据特征合并，获得新的训练集；元学习模型优化单元，用于将所述新的训练集输入所述元学习模型，并采用贝叶斯优化算法对所述元学习模型的超参数进行优化，获得最优元学习模型； 堆叠集成策略单元，用于采用改进的堆叠策略，将4个所述最优基础模型以及所述最优元学习模型进行堆叠，获得所述集成学习模型； 所述数据处理模块还包括数据预处理单元，用于对所述供热系统数据进行预处理；其中，所述数据预处理单元包括： 删除子单元，用于对于所述供热系统数据中的重复数据进行删除； 填补子单元，用于采用线性插值补填法填补所述供热系统数据中的缺失数据； 异常值检测子单元，用于采用3-sigma方法对所述供热系统数据进行异常值判断并处理； 基础模型构建单元以及基础模型优化单元属于模型构建的第一阶段，其中定义的各个基础模型的超参数及其取值范围如下： SVR的超参数及其取值范围包括：正则化参数C，值域范围0.1-50；核函数类型kernel，值域范围{'linear','poly','rbf','sigmoid'}；核函数系数gamma，对于'poly'、'rbf'和'sigmoid'核有用，值域范围{'scale','auto'}； 第一XGBoost的超参数及其取值范围包括：提升树的数量n_estimators，值域范围10-100；学习率learning_rate，值域范围0.001-0.1；树的最大深度max_depth，值域范围3-10；用于训练每棵树的样本比例subsample，值域范围0.5-1.0；构建每棵树时使用的特征比例colsample_bytree，值域范围0.3-1.0；分裂节点时的最小损失函数减小值gamma，值域范围0-5；叶节点的最小样本权重和min_child_weight，值域范围1-10； LSTM的超参数及其取值范围包括：LSTM层的神经元数量units，值域范围10-64；激活函数activation，值域范围{'tanh','relu'}；递归层的激活函数recurrent_activation，值域范围{'sigmoid','tanh','relu'}；丢弃比例dropout，值域范围0-0.3； BPNN的超参数及其取值范围包括：隐藏层的神经元数量hidden_layer_neurons_sizes，值域范围5-64；隐藏层层数hidden_layer_numbers，值域范围3-20；激活函数activation，值域范围{'tanh','logistic','relu'}；每次梯度更新的样本数量batch_size，值域范围1-50或'auto'；优化算法solver，值域范围{'lbfgs','sgd','adam'}；初始学习率learning_rate_init，值域范围0.001-0.1；最大迭代次数max_iter，值域范围100-500； 贝叶斯超参数优化算法用于寻找机器学习模型的最优超参数组合；利用贝叶斯优化算法首先对超参数空间进行随机采样并评估其性能，然后基于初始样本构建一个关于目标函数的概率模型，使用获取函数选择下一个超参数组合进行评估，并将评估结果更新到概率模型中；通过不断迭代这个过程，逐步优化超参数选择，最终在2000次的评估次数内找到最优的超参数组合。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京暖流科技有限公司，其通讯地址为：100085 北京市海淀区知春路甲48号1号楼8层9B；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。