基于数据关联和深度学习的二级网供热自主优化调控方法

技术领域

本发明属于智慧供热技术领域，具体涉及一种基于数据关联和深度学习的二级网供热自主优化调控方法。

背景技术

城镇集中供热作为一项重要的民生工程一直受到各级政府和社会的关注，是国家在基础建设领域中重点支持的行业，提高供热质量，降低供热成本、减少污染排放一直是供热行业的研究的重要课题。长期以来，由于一次热网的水力平衡涉及整个热网的安全运行，大多数供热企业非常重视，投入大量资金和精力进行研究和整改。取得了显著的成果，管网的热损失率和失水率明显下降。而现有的二次网的管理手段大都还停留在人工调控阶段，调控精细度和灵活度远远无法满足要求。

当前在城镇供热二次网系统中，对管网的智能调节与平衡控制是整个系统设计的核心部分，控制的好坏将对整个供热系统的电耗和热耗性能产生很大的影响。目前，集中供热面临的问题仍然是在末端缺乏有效调节手段的情况下，不同用户的水力失调导致的室内温度冷热不均，同时为维持室内温度较低用户的供热质量，采用提高热源输出热量，造成过量供暖的整体过热损失的问题。因此必须将二级管网循环泵的运行频率和单元楼入口的流量控制在一个合理的范围内，这样既能满足热用户需求，还能使整个供热系统更加节能降耗，而室温数据作为负荷预测、流量预测的关键指标，对于电调阀的开度调节和循环泵的频率调节具有重要作用，目前室温数据难以准确且低成本获取，经常上门测量不可取，给大多数用户安装温度测量装置成本又高。

基于上述技术问题，需要设计一种新的基于数据关联和深度学习的二级网供热自主优化调控方法。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于数据关联和深度学习的二级网供热自主优化调控方法。

为了解决上述技术问题，本发明的技术方案是：

本发明提供了一种基于数据关联和深度学习的二级网供热自主优化调控方法，它包括：

步骤S1、采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型；

步骤S2、对楼栋物联网硬件设备进行改造，至少包括：在单元楼入口安装电调阀、在各单元楼口供水主管上安装热计量表、在每栋楼中设置有数据集中器；

步骤S3、将供热运行数据与楼栋室温相关的多变量数据组成多元数据序列，并建立多元数据序列与室温的关联分析后，获得单元楼室温表征数据；

步骤S4、基于供热系统二级网数字孪生模型，对历史天气数据、单元楼室温表征数据和热计量数据，采用第一混合深度学习方法建立单元楼负荷预测模型，获得各单元楼需求负荷预测值；

步骤S5、基于各单元楼需求负荷预测值和历史调控目标参数，采用第二混合深度学习方法建立单元楼流量预测模型，获得各单元楼需求流量预测值后，调节单元楼入口电调阀的开度；

步骤S6、基于供热系统二级网数字孪生模型，推演满足各单元楼需求流量分配条件下的循环泵运行压差，并结合供热系统二级网总需求流量，调节供热系统二级网循环泵的运行频率，实现供热系统二级网供热按需自主调控。

进一步，所述步骤S1中，采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型，具体包括：

步骤S101、构建供热系统二级网虚拟实体，并进行虚实数据连接后建立二级网数字孪生模型，包括：

构建供热系统二级网结构模型、物理设备实体模型、行为模型和规则模型；所述供热系统二级网结构模型至少包括换热器、二级管网和单元楼热用户；所述物理设备实体模型通过添加设备物理属性获得；基于供热系统二级网热力学基本理论构建行为模型，建立具有交互功能和模拟真实操作环境的供热系统二级网虚拟仿真系统；最后建立虚拟实体的规则模型制定虚拟实体的控制策略；

通过采集供热系统二级网物理设备的实际运行数据驱动相应虚拟设备，建立虚实数据的映射关系，形成供热系统二级网作业策略；通过不断迭代和优化数据采集控制过程，实现物理实体与虚拟空间实时数据的连接与动态交互，建立二级网数字孪生模型；

步骤S102、对数字孪生模型进行辨识，包括：

将供热系统二级网的多工况实时运行数据接入已建立的数字孪生模型中，采用反向辨识方法对数字孪生模型的仿真结果进行自适应辨识修正，获得辨识修正后的供热系统二级网数字孪生模型。

进一步，所述步骤S2中，对楼栋物联网硬件设备进行改造，至少包括：在单元楼入口安装电调阀、在各单元楼口供水主管上安装热计量表，具体包括：

在单元楼入口安装电调阀；在各单元楼口供水主管上安装热计量表；在每栋楼中设置有数据集中器，数据集中器与热计量表相连接；所述电调阀、所述数据集中器通过通信模块将电调阀数据、热计量数据传输至楼栋设置的自主优化运行终端中进行数据处理；

其中，每单元楼物联网硬件设备还包括：压力变送器、差压变送器、热量表和循环泵变频器；所述压力变送器安装在各单元楼口供水及回水主管的直管段上，用于测量单元楼楼口供水压力和回水压力；所述差压变送器依次安装在各单元楼口供水主管上和循环泵前后，用于测量单元楼供回水差压和循环泵前后差压；所述热量表用于测量单元楼口供水温度、回水温度和供水流量；所述循环泵变频器安装在换热站内，用于测量循环泵频率。

进一步，步骤S3中，将供热运行数据与楼栋室温相关的多变量数据组成多元数据序列，并建立多元数据序列与室温的关联分析后，获得单元楼室温表征数据，具体包括：

获取与室温相关的多元数据，至少包括：定期进户温度测量数据、投诉数据、房屋朝向类型、建筑类型、天气数据和热计量数据；

将热计量数据、电调阀数据和与室温相关的多元数据组成多元数据序列样本；

将多元数据序列样本中的数据作为自变量，将单元楼室温表征数据作为因变量，首先考虑每个自变量与因变量之间的关系，获得各自变量和因变量的数学模型；然后将所有数学模型逐一叠加，若叠加后的模型不满足要求，则考虑各自变量之间的相互作用，获得相应的多元非线性数学模型，表示为：

其中，Y为因变量；x

进一步，所述步骤S4中，基于供热系统二级网数字孪生模型，对历史天气数据、室温数据和热计量数据，采用第一混合深度学习方法建立单元楼负荷预测模型，获得各单元楼需求负荷预测值，具体包括：

S401、基于供热系统二级网数字孪生模型，对获取的历史天气数据、单元楼室温表征数据和热计量数据，采用APRIORI方法进行热负荷关联因素分析；

S402、对CNN预测模型进行贝叶斯优化，将以关联规则概率化后筛选的影响因素作为贝叶斯优化后的CNN预测模型的输入样本集，将贝叶斯优化应用于超参数寻优中获得最优CNN预测模型，建立单元楼热负荷预测模型，获得热负荷预测结果。

进一步，所述S401包括：

对历史天气数据、单元楼室温表征数据和热计量数据的原始数据集进行预处理，包括：对数据进行去冗、去噪、标准化处理，过滤数值严重缺失的记录，对仅有部分缺失的数据暂时保留；

热负荷关联因素分析，包括：利用关联规则概率化确定热负荷影响因子的关联度，对APRIORI关联因素分析结果进行转换作为热负荷预测模型的样本集，用R

其中，

进一步，所述S402包括：

采用贝叶斯优化超参数：

选定概率代理模型和采集函数后，在CNN预测模型训练的每一个迭代过程中选择其中一个超参数，使用采集函数对其进行评估寻优，将获得的最有潜力评估点添加到历史数据中，直至满足终止条件，获得CNN预测模型；其中，贝叶斯优化算法的输入为待优化参数集X、贝叶斯优化器的目标函数f、采集函数S、高斯过程模型M，输出为最优CNN预测模型；

训练CNN预测模型：

将关联规则概率化后筛选的影响因素作为输入样本集，划分为训练集和测试集；针对训练集，通过卷积层分别提取热负荷特征，再经过批量归一化处理、输入ReLU函数，获得负荷特征映射；然后通过池化层对卷积层的输出进行压缩，获得压缩后的热负荷特征映射；最后通过新增的卷积层进一步提取热负荷特征，并通过批量归一化处理，ReLU激活函数，获得最终的特征时序序列；

通过全连接层将特征时序序列进行信息融合，实现从特征到样本标记空间的映射；使用softmax层针对每个输入返回的概率，将输入分配到其中一个互斥类并计算损失，目标函数采用交叉损失函数；

判断是否达到CNN预测模型训练的终止条件，若是，则将测试集输入该CNN预测模型并计算模型准确率；否则，重新进行训练，直至达到CNN预测模型训练的终止条件；

判断是否达到贝叶斯优化器的终止条件，若是，则输出最优CNN预测模型及各单元楼需求负荷预测值；否则，重新选择下一个超参数，直至达到贝叶斯优化器终止条件。

进一步，步骤S5中，基于各单元楼需求负荷预测值和历史调控目标参数，采用第二混合深度学习方法建立单元楼流量预测模型，获得各单元楼需求流量预测值，具体包括：

S501、基于获取的各单元楼需求负荷预测值和历史调控目标参数，采用融合变分模态分解VMD技术将原始的数据分解成K个单一频率特性的IMF子序列，并依据IMF子序列的特点确定后续用于模型建立的数据样本集；

S502、利用DBN深度学习算法分别对K个IMF子序列进行训练后，通过叠加各子序列在同一预测样本点上的预测流量值获得最终的单元楼需求流量预测值。

进一步，所述S501包括：

利用Hilbert变换计算K个模态函数的解析信号，获得单边频谱；

将各模态函数分别与其对应的中心频率的指数项混叠，使各模态的频谱转换到基带；

通过解调信号的高斯平滑法估计出各模态信号带宽，求解带约束条件的变分问题；

采用二次惩罚因子和拉格朗日乘法算子，将约束性变分问题变为非约束性变分问题；

采用交替方向乘子法求解变分问题，更新各模态函数及其中心频率，并将各模态解调到相应基频带，使每个模态估计带宽之和最小；

其中，K值大小通过皮尔森相关系数法确定，表示最终分解出的IMF模态分量的个数；

所述S502中，DBN深度学习算法训练包括：

基于RBM的无监督预训练：通过原始样本数据的维度确定输入神经元的个数，采用无监督贪心算法单独训练每一层RBM；

微调：通过BP神经网络反向传播算法对DBN网络权值和阈值进行微调，实现DBN深度学习算法的训练。

进一步，采用PSO粒子群优化算法对VMD算法中的惩罚因子α和模态分解个数K进行优化，包括：

以包络熵的最小值作为粒子群优化算法的适应度函数，并对优化算法中的各项参数进行初始化；

对粒子群优化算法中的种群进行初始化，同时随机产生多组[α,K]，并将其作为粒子的信息位置，粒子群的粒子初始速度也是随机产生；

将初始解带入VMD中，计算其对应的IMF包络熵值，找出得到的最小值，将其作为局部最小值。根据位置的变换确定不同位置的适应度值；

比较不同位置的适应度值，将其与个体局部的极值和群体全局极值进行比较，以进一步通过比较结果进行更新迭代；

对粒子群的粒子速度和位置进行更新，若不符合要求，则返回重新计算局部最小值，直到迭代完成，最终输出最佳的适应度函数值并组合成最佳参数集合[α,k]；

采用GA遗传算法对DBN算法中的学习参数θ进行优化，包括：

初始化DBN结构中的参数，同时重新构成的数据当作是对应的染色体；

遗传算法随机生成初始种群，在该种群中包含M条染色体；

从群中随机选择一条染色体并将其作为DBN模型中的θ，对DBN进行训练，同时计算其对应的适应度函数；

条件判断，通过计算种群的适应度值判断是否满足终止条件；若满足终止条件，则进行DBN最优化参数的输出，若不满足，则进行遗传算法的选择操作，交叉操作和变异等操作，进行新一轮的计算与训练。

本发明的有益效果是：

本发明通过对楼栋物联网硬件设备进行改造，至少包括：在单元楼入口安装电调阀、在各单元楼口供水主管上安装热计量表；将供热运行数据与楼栋室温相关的多变量数据组成多元数据序列，并建立多元数据序列与室温的关联分析后，获得单元楼室温表征数据；采用第一混合深度学习方法建立单元楼负荷预测模型，获得各单元楼需求负荷预测值；采用第二混合深度学习方法建立单元楼流量预测模型，获得各单元楼需求流量预测值后，调节单元楼入口电调阀的开度；基于供热系统二级网数字孪生模型，推演满足各单元楼需求流量分配条件下的循环泵运行压差，并结合二级网总需求流量，调节二级网循环泵的运行频率，实现二级网供热按需自主调控；通过硬件设备的改造，并建立多元数据序列与室温的关联分析后，能够获取单元楼室温表征数据，避免室温数据难以获取的问题，通过室温的有效获取能够为热负荷预测提供关键数据；以及通过挖掘模型预测的关键因素和采用混合深度学习方法建立单元楼热负荷和流量预测模型，确定调控目标参数与可调设备的智能调控策略，以实现热网的智能化按需供热调控，相比于传统的单一模型预测方法，能够提高模型预测效率和准确率。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于数据关联和深度学习的二级网供热自主优化调控方法流程图；

图2为本发明楼栋物联网硬件设备示意图；

图3为本发明APRIORI-贝叶斯优化CNN各单元楼热负荷方法流程图；

图4为本发明VMD-DBN各单元楼流量预测方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例1

图1为本发明所涉及的一种基于数据关联和深度学习的二级网供热自主优化调控方法流程图。

图2为本发明所涉及的楼栋物联网硬件设备示意图。

图3为本发明所涉及的APRIORI-贝叶斯优化CNN各单元楼热负荷方法流程图。

图4为本发明所涉及的VMD-DBN各单元楼流量预测方法流程图。

如图1-4所示，本实施例1提供了一种基于数据关联和深度学习的二级网供热自主优化调控方法，它包括：

步骤S1、采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型；

步骤S2、对楼栋物联网硬件设备进行改造，至少包括：在单元楼入口安装电调阀、在各单元楼口供水主管上安装热计量表、在每栋楼中设置有数据集中器；

步骤S3、将供热运行数据与楼栋室温相关的多变量数据组成多元数据序列，并建立多元数据序列与室温的关联分析后，获得单元楼室温表征数据；

步骤S4、基于供热系统二级网数字孪生模型，对历史天气数据、单元楼室温表征数据和热计量数据，采用第一混合深度学习方法建立单元楼负荷预测模型，获得各单元楼需求负荷预测值；

步骤S5、基于各单元楼需求负荷预测值和历史调控目标参数，采用第二混合深度学习方法建立单元楼流量预测模型，获得各单元楼需求流量预测值后，调节单元楼入口电调阀的开度；

步骤S6、基于供热系统二级网数字孪生模型，推演满足各单元楼需求流量分配条件下的循环泵运行压差，并结合供热系统二级网总需求流量，调节供热系统二级网循环泵的运行频率，实现供热系统二级网供热按需自主调控。

需要说明的是，供热系统二级网精准调控系统需获取各楼栋入口处的管网运行数据，包括运行流量、运行热量、供回水压力、压差以及供回水温度等，用以支持系统负荷预测功能和管网阻力辨识的功能，考虑单元楼间若出现水力失衡情况，通过户前的关断阀“全开”或“全关”时间段来调节，很难实现均衡调控。因此需要再单元楼前配置电调阀。

在本实施例中，所述步骤S1中，采用机理建模和数据辨识方法建立供热系统二级网数字孪生模型，具体包括：

步骤S101、构建供热系统二级网虚拟实体，并进行虚实数据连接后建立二级网数字孪生模型，包括：

构建供热系统二级网结构模型、物理设备实体模型、行为模型和规则模型；所述供热系统二级网结构模型至少包括换热器、二级管网和单元楼热用户；所述物理设备实体模型通过添加设备物理属性获得；基于供热系统二级网热力学基本理论构建行为模型，建立具有交互功能和模拟真实操作环境的供热系统二级网虚拟仿真系统；最后建立虚拟实体的规则模型制定虚拟实体的控制策略；

通过采集供热系统二级网物理设备的实际运行数据驱动相应虚拟设备，建立虚实数据的映射关系，形成供热系统二级网作业策略；通过不断迭代和优化数据采集控制过程，实现物理实体与虚拟空间实时数据的连接与动态交互，建立二级网数字孪生模型；

步骤S102、对数字孪生模型进行辨识，包括：

将供热系统二级网的多工况实时运行数据接入已建立的数字孪生模型中，采用反向辨识方法对数字孪生模型的仿真结果进行自适应辨识修正，获得辨识修正后的供热系统二级网数字孪生模型。

在本实施例中，所述步骤S2中，对楼栋物联网硬件设备进行改造，至少包括：在单元楼入口安装电调阀、在各单元楼口供水主管上安装热计量表、在每栋楼中设置有数据集中器，具体包括：

在单元楼入口安装电调阀；在各单元楼口供水主管上安装热计量表；在每栋楼中设置有数据集中器，数据集中器与热计量表相连接；所述电调阀、所述数据集中器通过通信模块将电调阀数据、热计量数据传输至楼栋设置的自主优化运行终端中进行数据处理；

其中，每单元楼物联网硬件设备还包括：压力变送器、差压变送器、热量表和循环泵变频器；所述压力变送器安装在各单元楼口供水及回水主管的直管段上，用于测量单元楼楼口供水压力和回水压力；所述差压变送器依次安装在各单元楼口供水主管上和循环泵前后，用于测量单元楼供回水差压和循环泵前后差压；所述热量表用于测量单元楼口供水温度、回水温度和供水流量；所述循环泵变频器安装在换热站内，用于测量循环泵频率。

在本实施例中，步骤S3中，将供热运行数据与楼栋室温相关的多变量数据组成多元数据序列，并建立多元数据序列与室温的关联分析后，获得单元楼室温表征数据，具体包括：

获取与室温相关的多元数据，至少包括：定期进户温度测量数据、投诉数据、房屋朝向类型、建筑类型、天气数据和热计量数据；

将热计量数据、电调阀数据和与室温相关的多元数据组成多元数据序列样本；

将多元数据序列样本中的数据作为自变量，将单元楼室温表征数据作为因变量，首先考虑每个自变量与因变量之间的关系，获得各自变量和因变量的数学模型；然后将所有数学模型逐一叠加，若叠加后的模型不满足要求，则考虑各自变量之间的相互作用，获得相应的多元非线性数学模型，表示为：

其中，Y为因变量；x

需要说明的是，通过偏相关分析和因子共线性判断，对影响室温的因素进行了筛选，确定自变量的变化规律；应用多元非线性回归的方法，构建室温数据和相关影响变量之间的模型。

在本实施例中，所述步骤S4中，基于供热系统二级网数字孪生模型，对历史天气数据、单元楼室温表征数据和热计量数据，采用第一混合深度学习方法建立单元楼负荷预测模型，获得各单元楼需求负荷预测值，具体包括：

S401、基于供热系统二级网数字孪生模型，对获取的历史天气数据、单元楼室温表征数据和热计量数据，采用APRIORI方法进行热负荷关联因素分析；

S402、对CNN预测模型进行贝叶斯优化，将以关联规则概率化后筛选的影响因素作为贝叶斯优化后的CNN预测模型的输入样本集，将贝叶斯优化应用于超参数寻优中获得最优CNN预测模型，建立单元楼热负荷预测模型，获得热负荷预测结果。

需要说明的是，针对大量原始告警信息，采用APRIORI算法挖掘热负荷关联规则，利用概率函数转化提取关键影响因素，降低贝叶斯优化CNN预测模型中输入数据的冗余度，提高输入数据价值密度，避免无效数据对预测结果的扰动；2)建立基于APRIORI-贝叶斯优化CNN预测模型，利用贝叶斯寻找CNN预测模型参数最优解，简化模型寻优过程，进而提升模型效率和热负荷预测精度。

在本实施例中，所述S401包括：

对历史天气数据、单元楼室温表征数据和热计量数据的原始数据集进行预处理，包括：对数据进行去冗、去噪、标准化处理，过滤数值严重缺失的记录，对仅有部分缺失的数据暂时保留；

热负荷关联因素分析，包括：利用关联规则概率化确定热负荷影响因子的关联度，对APRIORI关联因素分析结果进行转换作为热负荷预测模型的样本集，用R

其中，

在本实施例中，所述S402包括：

采用贝叶斯优化超参数：

选定概率代理模型和采集函数后，在CNN预测模型训练的每一个迭代过程中选择其中一个超参数，使用采集函数对其进行评估寻优，将获得的最有潜力评估点添加到历史数据中，直至满足终止条件，获得CNN预测模型；其中，贝叶斯优化算法的输入为待优化参数集X、贝叶斯优化器的目标函数f、采集函数S、高斯过程模型M，输出为最优CNN预测模型；

训练CNN预测模型：

将筛选后的影响因素作为输入样本集，划分为训练集和测试集；针对训练集，通过卷积层分别提取热负荷特征，再经过批量归一化处理、输入ReLU函数，获得负荷特征映射；然后通过池化层对卷积层的输出进行压缩，获得压缩后的热负荷特征映射；最后通过新增的卷积层进一步提取热负荷特征，并通过批量归一化处理，ReLU激活函数，获得最终的特征时序序列；

通过全连接层将特征时序序列进行信息融合，实现从特征到样本标记空间的映射；使用softmax层针对每个输入返回的概率，将输入分配到其中一个互斥类并计算损失，目标函数采用交叉损失函数；

判断是否达到CNN预测模型训练的终止条件，若是，则将测试集输入该CNN预测模型并计算模型准确率；否则，重新进行训练，直至达到CNN预测模型训练的终止条件；

判断是否达到贝叶斯优化器的终止条件，若是，则输出最优CNN预测模型及各单元楼需求负荷预测值；否则，重新选择下一个超参数，直至达到贝叶斯优化器终止条件。

在本实施例中，步骤S5中，基于各单元楼需求负荷预测值和历史调控目标参数，采用第二混合深度学习方法建立单元楼流量预测模型，获得各单元楼需求流量预测值，具体包括：

S501、基于获取的各单元楼需求负荷预测值和历史调控目标参数，采用融合变分模态分解VMD技术将原始的数据分解成K个单一频率特性的IMF子序列，并依据IMF子序列的特点确定后续用于模型建立的数据样本集；

S502、利用DBN深度学习算法分别对K个IMF子序列进行训练后，通过叠加各子序列在同一预测样本点上的预测流量值获得最终的单元楼需求流量预测值。

在本实施例中，所述S501包括：

利用Hilbert变换计算K个模态函数的解析信号，获得单边频谱；

将各模态函数分别与其对应的中心频率的指数项混叠，使各模态的频谱转换到基带；

通过解调信号的高斯平滑法估计出各模态信号带宽，求解带约束条件的变分问题；

采用二次惩罚因子和拉格朗日乘法算子，将约束性变分问题变为非约束性变分问题；

采用交替方向乘子法求解变分问题，更新各模态函数及其中心频率，并将各模态解调到相应基频带，使每个模态估计带宽之和最小；

其中，K值大小通过皮尔森相关系数法确定，表示最终分解出的IMF模态分量的个数；

所述S502中，DBN深度学习算法训练包括：

基于RBM的无监督预训练：通过原始样本数据的维度确定输入神经元的个数，采用无监督贪心算法单独训练每一层RBM；

微调：通过BP神经网络反向传播算法对DBN网络权值和阈值进行微调，实现DBN深度学习算法的训练。

需要说明的是，在DBN结构模型中，原始数据的输入主要通过低层进行输入，而在高层输出则是通过低层原始数据进行特征提取而得到的数据。每一层RBM都会对数据进行训练，上一层训练得到的特征数据都会拿来作下一层RBM的数据进行训练，通过不断迭代，RBM中的权重和阈值都会不断被更新，最终的停止条件为达到最大迭代次数，满足要求就会停止迭代，完成更新。深度信念网络在进行多次逐层的数据特征提取从而表现出数据的一些更为细微的特征，为后续的单元楼流量预测提供了一定的基础，提高了流量预测准确率。

在本实施例中，采用PSO粒子群优化算法对VMD算法中的惩罚因子α和模态分解个数K进行优化，包括：

以包络熵的最小值作为粒子群优化算法的适应度函数，并对优化算法中的各项参数进行初始化；

对粒子群优化算法中的种群进行初始化，同时随机产生多组[α,K]，并将其作为粒子的信息位置，粒子群的粒子初始速度也是随机产生；

将初始解带入VMD中，计算其对应的IMF包络熵值，找出得到的最小值，将其作为局部最小值。根据位置的变换确定不同位置的适应度值；

比较不同位置的适应度值，将其与个体局部的极值和群体全局极值进行比较，以进一步通过比较结果进行更新迭代；

对粒子群的粒子速度和位置进行更新，若不符合要求，则返回重新计算局部最小值，直到迭代完成，最终输出最佳的适应度函数值并组合成最佳参数集合[α,k]；

采用GA遗传算法对DBN算法中的学习参数θ进行优化，包括：

初始化DBN结构中的参数，同时重新构成的数据当作是对应的染色体；

遗传算法随机生成初始种群，在该种群中包含M条染色体；

从群中随机选择一条染色体并将其作为DBN模型中的θ，对DBN进行训练，同时计算其对应的适应度函数；

条件判断，通过计算种群的适应度值判断是否满足终止条件；若满足终止条件，则进行DBN最优化参数的输出，若不满足，则进行遗传算法的选择操作，交叉操作和变异等操作，进行新一轮的计算与训练。

需要说明的是，在DBN算法中，结构参数的选择对算法模型的影响较大，特别在RBM结构中，θ＝{ω,a,b}对DBN流量模型预测的准确性起着非常大的作用。由于极大似然估计的方法在应用时具有很大的局限性，在计算中θ很容易陷入局部最优值，最终导致无法收敛，最终得不到全局最优解。因此使用自适应函数GA对其进行优化，同时遗传算法具有原理简单和全局搜索能力强等特点，所以在优化和模型预测方法中具有广泛应用。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。