一种能源桩换热性能预测方法

技术领域

本发明涉及能源桩换热技术领域，尤其涉及一种能源桩换热性能预测方法。

背景技术

近年来，建筑的碳排放量占全球碳排放总量的很大一部分。从可再生能源中获取所需要的能源是减少建筑碳排放量的重要方式之一。地热能作为可再生能源，可通过能源桩地源热泵系统提取能源，并提供给建筑，从而降低建筑的碳排放量。

由于能源桩存在前期投入成本较高以及后期运维效率较低的问题。因此，在能源桩实际运行阶段，需要预测能源桩的换热性能，以辅助制定更加精准动态的控制策略，从而降低能源桩运行能耗以及缩短投资回收时长。

目前，对能源桩的换热性能进行预测的方式通常是，基于实时监测数据，利用线性回归等方式对能源桩的换热性能进行拟合预测。然而，这种预测方式存在无法准确地预测能源桩换热性能的问题。

发明内容

本发明提供了一种能源桩换热性能预测方法，以实现更加准确地对能源住桩的换热性能数据进行预测，从而降低能源桩运行能耗以及缩短投资回收时长。

根据本发明的一方面，提供了一种能源桩换热性能预测方法，该方法包括以下步骤：

S1：获取能源桩在当前时刻的进水口温度、所述当前时刻的出水口温度、所述当前时刻的桩周土体温度场以及在目标时刻的进水温度，所述目标时刻为所述当前时刻的下一时刻；

S2：将所述当前时刻的进水口温度、所述当前时刻的出水口温度和所述当前时刻的桩周土体温度场输入至所述温度预测网络模型中，得到所述能源桩在目标时刻的出水口温度，其中，所述目标时刻为所述当前时刻的下一时刻；

S3：基于所述目标时刻的进水口温度和所述目标时刻的出水口温度，得到所述能源桩的换热性能数据。

根据本发明的另一方面，提供了一种能源桩换热性能预测装置。该装置包括：

当前温度获取模块，用于获取能源桩在当前时刻的进水口温度、所述当前时刻的出水口温度、所述当前时刻的桩周土体温度场以及在目标时刻的进水温度，所述目标时刻为所述当前时刻的下一时刻；

下一温度获取模块，用于将所述当前时刻的进水口温度、所述当前时刻的出水口温度和所述当前时刻的桩周土体温度场输入至所述温度预测网络模型中，得到所述能源桩在目标时刻的出水口温度；

性能数据得到模块，用于基于所述目标时刻的进水口温度和所述目标时刻的出水口温度，得到所述能源桩的换热性能数据。

本发明实施例的技术方案，通过获取能源桩在当前时刻的进水口温度、所述当前时刻的出水口温度、所述当前时刻的桩周土体温度场以及在目标时刻的进水温度，所述目标时刻为所述当前时刻的下一时刻。将所述当前时刻的进水口温度、所述当前时刻的出水口温度和所述当前时刻的桩周土体温度场输入至所述温度预测网络模型中，得到所述能源桩在目标时刻的出水口温度。本发明实施例的技术方案通过预先训练完成的温度预测网络模型可以更加准确地预测出当前时刻的下一时刻能源桩出水口的温度。进而可以基于所述目标时刻的进水口温度和所述目标时刻的出水口温度，得到所述能源桩的换热性能数据，解决了现有技术无法准确的预测能源桩的换热性能数据的技术问题，实现了更加准确的预测出能源桩的换热性能，从而达到降低能源桩运行能耗以及缩短投资回收时长的技术效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例一提供了一种能源桩换热性能预测方法的流程示意图；

图2为本发明实施例一提供的能源桩周围的温度传感器分布示例图；

图3为本发明实施例二提供的一种能源桩换热性能预测方法的流程示意图；

图4为本发明实施例二提供了基于能源桩换热性能预测方法预测能源桩换热性能数据的示意图；

图5为本发明实施例三提供的一种能源桩换热性能预测方法的流程示意图；

图6为本发明实施例三提供的基于能源桩换热性能预测方法构建模型的框架示意图；

图7为本发明实施例四提供的一种能源桩换热性能预测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“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。

实施例一

图1为本发明实施例一提供了一种能源桩换热性能预测方法的流程示意图，本实施例可适用于对能源桩换热性能进行预测的场景，尤其适用于对处于运行状态的能源桩换热性能进行预测的情况，该方法可以由能源桩换热性能预测装置来执行，该能源桩换热性能预测装置可以采用硬件和/或软件的形式实现，该能源桩换热性能预测装置可配置于诸如计算机或者服务器等的电子设备中。如图1所示，本实施例的方法包括：

S110、获取能源桩在当前时刻的进水口温度、当前时刻的出水口温度、当前时刻的桩周土体温度场以及在目标时刻的进水温度，所述目标时刻为所述当前时刻的下一时刻。

其中，当前时刻的进水口温度指在当前时刻能源桩进水口的温度。当前时刻的进水口温度可以通过能源桩进水口的温度传感器采集并获取。当前时刻的出水口温度指在当前时刻能源桩出水口的温度。当前时刻的出水口温度可以通过能源桩出水口的温度传感器采集并获取。当前时刻的桩周土体温度场指在当前时刻能源桩周围土体温度的集合，可以通过设置在能源桩周围的至少两个温度传感器采集并获取能源桩周围土体的温度。目标时刻为当前时刻的下一时刻。当前时刻的下一时刻和当前时刻之间间隔时长可以根据实际需求设置，也就是说，目标时刻和当前时刻之间的间隔时长可以根据实际需求设置，如，20min、30min或1h等。在本发明实施例中，当前时刻的下一时刻与当前时刻之间的间隔时长为30min。目标时刻的进水温度可以采用现有已训练完成用于预测能源桩在目标时刻进水温度的模型得到。

在本发明实施例中，在能源桩土体周围设置有十二个温度传感器。十二个温度传感器的具体分布情况如图2所示，这样设置可体现能源桩周围土体温度在空间上的分布情况。从而可以获取不同深度的土体温度。

S120、将当前时刻的进水口温度、当前时刻的出水口温度和当前时刻的桩周土体温度场输入至温度预测网络模型中，得到能源桩在目标时刻的出水口温度。

在本发明实施例中，当前时刻的下一时刻与当前时刻之间的间隔时长为30min。示例性的，当前时刻为7:00，目标时刻为7:30，当前时刻的出水口温度为能源桩出水口在7:00时的温度，目标时刻的出水口温度为能源桩出水口在7:30是的温度，也就是说，当前时刻的下一时刻的出水口温度为能源桩出水口在7:30是的温度。温度预测网络模型可以是通过对预设初始网络模型进行训练后得到的模型，可以用于预测目标时刻能源桩出水口的温度。其中，预设初始网络模型可根据实际需求设置。可选地，预设初始网络模型的网络可以是由卷积神经网络和长短期记忆网络结合而成的CNN-LSTM组合神经网络。相应的，温度预测网络模型的网络可以为CNN-LSTM组合神经网络。

具体的，将当前时刻的进水口温度、当前时刻的出水口温度和当前时刻的桩周土体温度场输入至预先训练完成的温度预测网络模型中，进而可以得到温度预测网络模型的实际输出结果，也就是，可以得到目标时刻能源桩出水口的温度，即，当前时刻的下一时刻的出水口温度。

沿续上例，将能源桩进水口在7:00的温度、能源桩出水口在7:00的温度、以及能源桩周围土体7:00的温度，输入至温度预测网络模型中，得到能源桩出水口在7:30的温度。在本发明实施例中，能源桩周围传感器的数量可以根据实际需求设置，只要能够反应桩周土体温度场的分布情况即可，其数量在此不做具体限定，如，12个、14个或20个。在本发明实施例中，能源桩周围传感器的数量为12个。

S130、基于目标时刻的进水口温度和目标时刻出水口温度，得到能源桩的换热性能数据。

具体的，在得到目标时刻的进水口温度和目标时刻的出水口温度后，可以将目标时刻的进水口温度和目标时刻的出水口温度进行差值计算，也就是说，可以将当前时刻的下一时刻的进水口温度和当前时刻的下一时刻的出水口温度进行差值计算。从而可以得到差值计算的结果，也就是，可以得到当前时刻的下一时刻的进水口温度和当前时刻的下一时刻的出水口温度之间的温度差。进而可以基于温度差得到能源桩的换热性能数据。

可选地，按照下述公式得到能源桩的换热性能数据：

其中，Q表示能源桩的换热性能，单位为：kW h；m

在本发明实施例中，还包括：将当前时刻的进水口温度、当前时刻的出水口温度以及当前时刻的桩周土体温度场进行显示，以使当前时刻的进水口温度、当前时刻的出水口温度以及当前时刻的桩周土体温度场更加直观地显示。

为了更加直观地呈现当前时刻的下一时刻的出水口温度，在得到当前时刻的下一时刻的出水口温度后，可以将当前时刻的下一时刻的出水口温度进行显示。

本发明实施例的技术方案，通过获取能源桩在当前时刻的进水口温度、当前时刻的出水口温度、当前时刻的桩周土体温度场以及在目标时刻的进水温度，所述目标时刻为所述当前时刻的下一时刻。将当前时刻的进水口温度、当前时刻的出水口温度和当前时刻的桩周土体温度场输入至温度预测网络模型中，得到能源桩在目标时刻的出水口温度。本发明实施例的技术方案通过预先训练完成的温度预测网络模型可以更加准确地预测出当前时刻的下一时刻能源桩出水口的温度。进而可以基于目标时刻的进水口温度和目标时刻的出水口温度，得到能源桩的换热性能数据，解决了现有技术无法准确的预测能源桩的换热性能数据的技术问题，实现了更加准确的预测出能源桩的换热性能，从而达到降低能源桩运行能耗以及缩短投资回收时长的技术效果。

实施例二

图3为本发明实施例二提供的一种能源桩换热性能预测方法的流程示意图，在前述实施例的基础上，可选地，所述温度预测网络模型包括由卷积神经网络和长短期记忆网络组合成的CNN-LSTM组合神经网络；步骤S120具体包括步骤S220、S230以及S240。其中，与上述实施例相同或相应的技术术语在此不再赘述。如图3所示，本实施例的方法具体包括：

S210、获取能源桩在当前时刻的进水口温度、所述当前时刻的出水口温度、所述当前时刻的桩周土体温度场以及在目标时刻的进水温度，所述目标时刻为所述当前时刻的下一时刻。

S220、将当前时刻的桩周土体温度场输入到卷积神经网络的卷积层，得到当前时刻的桩周土体温度场的空间特征数据。

具体的，在得到当前时刻的桩周土体温度场后，可以将当前时刻的桩周土体温度场输入至温度预测网络模型的卷积神经网络中。进而可以通过卷积神经网络的卷积层对当前时刻的桩周土体温度场进行卷积处理。从而可以得到卷积后的结果，也就是，可以得到当前时刻的桩周土体温度场的空间特征数据。

为了避免数据特征的丢失，在卷积神经网络的卷积层内进行了Padding(填充)处理。所谓填充处理，即在输入数据外圈加上一层数值0，以保持特征图的大小和原数据一致，从而使更深层的网络层和输入仍然具有足够的数据量，不破坏原输入数据的特征。

S230、将空间特征数据输入到卷积神经网络的池化层，得到空间特征数据的特征降维数据，将特征降维数据输入到卷积神经网络的展平层，得到展平后的数据。

其中，特征降维数据可以理解为对空间特征数据进行降维后的数据。

具体的，在得到空间特征数据后，可以通过卷积神经网络的池化层对空间特征数据进行池化处理。进而可以得到池化结果，也就是，可以的得到空间特征数据的特征降维数据。在得到特征降维数据后，可以通过卷积神经网络的展平层对特征降维数据进行展平处理。进而可以得到展平后的数据。

S240、将展平后的数据、当前时刻的进水口温度和当前时刻的出水口温度输入到长短期记忆网络中，得到能源桩在目标时刻的出水口温度。

具体的，在得到展平后的数据后，可以将展平后的数据、当前时刻的进水口温度以及当前时刻的出水口温度输入至温度预测网络模型的长短期记忆网络中。从而可以得到当前时刻的下一时刻能源桩出水口的温度。其中，将展平后的数据、当前时刻的进水口温度和当前时刻的出水口温度输入到长短期记忆网络中，得到能源桩在目标时刻的出水口温度可以包括：将当前时刻的进水口温度和当前时刻的出水口温度输入到长短期记忆网络的长短期记忆层中。从而可以得到能源桩的运行数据的时间特征数据。在得到时间特征数据和展平后的数据后，可以将展平后的数据和时间特征数据输入至长短期记忆网络的全连接层。进而可以得到能源桩在目标时刻的出水口温度。

可以理解的是，为了提升预测能源桩换热性能的准确度，可以将当前时刻的进水口温度、当前时刻的出水口温度以及当前时刻的桩周土体温度场输入到卷积神经网络的卷积层，从而可以得到相应的空间特征数据。在得到各空间特征数据后可以将各空间特征数据依次进行池化和展平处理，从而可以得到展平后的结果。进一步可以将展平后的结果输入到长短期记忆网络中，提取当前时刻的进水口温度、当前时刻的出水口温度以及当前时刻的桩周土体温度场的时间序列特征，进而可以基于时间序列特征预测当前时刻的下一时刻的出水口温度(参见图4)。本发明实施例，可以从当前时刻的进水口温度、当前时刻的出水口温度和当前时刻的桩周土体温度场的横向特征和纵向特征，从而得到这些数据在空间和时间上的特性。进一步更加准确的预测能源桩换热性能。

S250、基于目标时刻的进水口温度和目标时刻的出水口温度，得到能源桩的换热性能数据。

本发明实施例的技术方案，温度预测网络模型包括卷积神经网络和长短期记忆网络。通过将当前时刻的桩周土体温度场输入到温度预测网络模型的卷积神经网络的卷积层，得到当前时刻的桩周土体温度场的空间特征数据。将空间特征数据输入到卷积神经网络的池化层，得到空间特征数据的特征降维数据，将特征降维数据输入到卷积神经网络的展平层，得到展平后的数据。将展平后的数据、当前时刻的进水口温度和当前时刻的出水口温度输入到温度预测网络模型的长短期记忆网络中，得到能源桩在目标时刻的出水口温度。通过温度预测网络模型的卷积神经网络和长短期记忆网络对数据进行处理，可以提取当前时刻的进水口温度、当前时刻的出水口温度和当前时刻的桩周土体温度场的横向特征和纵向特征，从而得到这些数据在空间和时间上的特性。进一步更加准确的预测能源桩换热性能。

实施例三

图5为本发明实施例三提供的一种能源桩换热性能预测方法的流程示意图，在前述实施例的基础上，可选地，本发明实施的能源桩换热性能预测方法还包括：获取样本数据和与所述样本数据对应的期望数据，所述样本数据包括所述能源桩在某一历史时刻的进水口温度、所述某一历史时刻的出水口温度以及所述某一历史时刻的桩周土体温度场，所述期望数据为所述能源桩在所述某一历史时刻的下一时刻的出水口温度；将所述样本数据输入至预先构建的初始网络模型中，得到所述初始网络模型的实际输出结果；根据所述期望数据和所述实际输出结果对所述初始网络模型的网络参数进行参数调整，以得到所述训练完成的温度预测网络模型。其中，与上述实施例相同或相应的技术术语在此不再赘述。如图5所示，本实施例的方法具体包括：

S310、获取样本数据和与样本数据对应的期望数据。

其中，样本数据可以包括：能源桩在某一历史时刻的进水口温度、出水口温度以及桩周土体温度场，也就是说，样本数据可以包括：能源桩在某一历史时刻的进水口温度、能源桩在某一历史时刻的出水口温度以及能源桩在某一历史时刻庄周土体温度场。某一历史时刻可以理解为在当前时刻之前的任一时刻。样本数据对应的期望数据可以为能源桩在某一时刻的下一时刻的出水口温度。

在本发明实施例中某一历史时刻和某一历史时刻的下一时刻之间的时长间隔，与当前时刻和目标时刻之间的时长间隔相同。示例性的，某一历史时刻与某一历史时刻的下一时刻之间的时长间隔可以为30min。当前时刻和目标时刻之间的时长间隔可以为30min。

具体的，从数据库中获取用于训练温度预测网络模型的数据集。按照预设比例对数据集中的数据进行划分，得到样本数据以及与该样本数据对应的期望数据。其中，预设比例为数据集中60％的数据为训练数据，10％的数据为验证数据，30％的数据为测试数据。

可选的，在从数据库中获取用于训练温度预测网络模型的数据集之前，需要获取能源桩在运行过程中各个时刻的进水口温度、出水口温度以及桩周土体温度场，并将各进水口温度、各出水口温度以及各桩周土体温度场存储至数据库中。

需要说明的是，在本发明实施例中，数据集内数据在列上可以按照时间先后顺序进行排列，在行上按进水口温度、出水口温度以及桩周土体温度场进行排列。桩周土体温度场中土体温度的数量通常为多个，此时，可按照能源桩周围土体的温度传感器的序号进行排列。

S320、将样本数据输入至预先构建的初始网络模型中，得到初始网络模型的实际输出结果。

其中，初始网络模型可以为采用Keras搭建的深度学习框架构建模型。如图6所示，为本发明实施例所构建的初始网络模型的框架示例图。初始网络模型的网络可以包括神经网络和长短期记忆网络。在构建初始网络模型的过程中，可初步设置训练次数和批次大小等模型训练参数。

具体的，将样本数据输入至预先构建的初始网络模型中，具体包括，将某一历史时刻的进水口温度、出水口温度以及桩周土体温度场输入至初始网络模型中。也就是说，将某一历史时刻的进水口温度、某一历史时刻的出水口温度以及某一历史时刻的桩周土体温度场输入至初始网络模型中。从而可以得到初始网络模型的实际输出结果。

由于某一历史时刻的进水口温度、某一历史时刻的出水口温度以及某一历史时刻的桩周土体温度场的物理取值波动范围较大，因此，在将样本数据输入至预先构建的初始网络模型中之前，可以将某一历史时刻的进水口温度、某一历史时刻的出水口温度以及某一历史时刻的桩周土体温度场分别按照相应的预设缩放比例进行数据缩放处理，以使某一历史时刻的进水口温度、某一历史时刻的出水口温度以及某一历史时刻的桩周土体温度场映射到预设数据区间。其中，预设缩放比例可以根据数据的实际情况和实际需求进行设置。可选的，预设数据区间可以为[0,1]。

进一步，可按照下述归一化方式将样本数据进行数据缩放处理：

其中，X

X

S330、根据期望数据和实际输出结果对初始网络模型的网络参数进行参数调整，以得到训练完成的温度预测网络模型。

具体的，在得到实际输出结果后，可以根据期望数据和实际输出结果得到初始网络模型的收敛函数。进而可以基于收敛函数对初始网络模型的网络参数进行参数调整。如果收敛函数达到预设收敛条件，则可以得到训练完成的温度预测网络模型。其中，预设收敛条件可根据用户实际需求进行设定。

可选地，可以通过下述方式根据期望数据和实际输出结果对初始网络模型的网络参数进行参数调整：

根据实际输出结果和期望输出结果，得到初始网络模型的评价指标数据。基于评价指标数据对初始网络模型的网络参数进行参数调整。其中，评价指标数据包括实际输出结果和期望输出结果的均方根误差、平均绝对误差、平均绝对百分比误差和可决系数中的至少一项。

在本发明实施例中，可以按照以下公式计算实际输出结果和期望输出结果的均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和可决系数(R

需要说明的是，本发明实施例中，调整模型的网络参数的目的在于：一方面可保证模型预测精度，另一方面可得到具有高预测效率的网络模型结构与训练参数。

进一步，在得到训练完成的温度预测网络模型后，可以通过数据集中的验证数据对温度预测网络模型的实际输出结果预测数据进行验证。

S340、获取能源桩在当前时刻的进水口温度、所述当前时刻的出水口温度、所述当前时刻的桩周土体温度场以及在目标时刻的进水温度，所述目标时刻为所述当前时刻的下一时刻。

S350、将当前时刻的进水口温度、当前时刻的出水口温度和当前时刻的桩周土体温度场输入至预先训练完成的温度预测网络模型中，得到能源桩在目标时刻的出水口温度，其中，目标时刻为当前时刻的下一时刻。

S360、基于目标时刻的进水口温度和目标时刻的出水口温度，得到能源桩的换热性能数据。

本发明实施例的技术方案，通过获取样本数据和样本数据对应的期望数据对预先构建的初始模型进行训练，从而得到具有高预测效率的温度预测网络模型。

实施例四

图7为本发明实施例四提供的一种能源桩换热性能预测装置的结构示意图。如图7所示，该装置包括：当前温度获取模块410、下一温度获取模块420和性能数据得到模块430。

其中，当前温度获取模块410，用于获取能源桩在当前时刻的进水口温度、所述当前时刻的出水口温度、所述当前时刻的桩周土体温度场以及在目标时刻的进水温度，所述目标时刻为所述当前时刻的下一时刻；

下一温度获取模块420，用于将所述当前时刻的进水口温度、所述当前时刻的出水口温度和所述当前时刻的桩周土体温度场输入至所述温度预测网络模型中，得到所述能源桩在目标时刻的出水口温度，其中，所述目标时刻为所述当前时刻的下一时刻；

性能数据得到模块430，用于基于所述目标时刻的进水口温度和所述目标时刻的出水口温度，得到所述能源桩的换热性能数据。

本发明实施例的技术方案，通过当前温度获取模块，获取能源桩在当前时刻的进水口温度、所述当前时刻的出水口温度、所述当前时刻的桩周土体温度场以及在目标时刻的进水温度，所述目标时刻为所述当前时刻的下一时刻。通过下一温度获取模块，将所述当前时刻的进水口温度、所述当前时刻的出水口温度和所述当前时刻的桩周土体温度场输入至所述温度预测网络模型中，得到所述能源桩在目标时刻的出水口温度。本发明实施例的技术方案通过预先训练完成的温度预测网络模型可以更加准确地预测出当前时刻的下一时刻能源桩出水口的温度，即当前时刻的下一时刻的出水口温度。进而可以通过性能数据得到模块，基于所述目标时刻的进水口温度和所述目标时刻的出水口温度，得到所述能源桩的换热性能数据，解决了现有技术无法准确的预测能源桩的换热性能数据的技术问题，实现了更加准确的预测出能源桩的换热性能，从而达到降低能源桩运行能耗以及缩短投资回收时长的技术效果。

可选的，性能数据得到模块430，用于按照下述公式得到所述能源桩的换热性能数据：

其中，Q表示能源桩的换热性能，单位为：kW h；m

可选的，所述温度预测网络模型包括卷积神经网络和长短期记忆网络；下一温度获取模块420，用于将所述当前时刻的桩周土体温度场输入到所述卷积神经网络的卷积层，得到所述当前时刻的桩周土体温度场的空间特征数据；将所述空间特征数据输入到所述卷积神经网络的池化层，得到所述空间特征数据的特征降维数据，将所述特征降维数据输入到所述卷积神经网络的展平层，得到展平后的数据；将所述展平后的数据、所述当前时刻的进水口温度和所述当前时刻的出水口温度输入到所述长短期记忆网络中，得到所述能源桩在目标时刻的出水口温度。

可选的，下一温度获取模块420，用于将所述当前时刻的进水口温度和所述当前时刻的出水口温度输入到所述长短期记忆网络的长短期记忆层中，得到所述能源桩的运行数据的时间特征数据；将所述展平后的数据和所述时间特征数据输入至所述长短期记忆网络的全连接层，得到所述能源桩在目标时刻的出水口温度。

可选的，该装置还包括：温度预测网络模型得到模块，所述温度预测网络模型得到模块包括：样本数据获取单元、实际输出结果得到单元和模型参数调整单元；其中，

所述样本数据获取单元，用于获取样本数据和与所述样本数据对应的期望数据，其中，所述样本数据包括所述能源桩在某一历史时刻的进水口温度、所述某一历史时刻的出水口温度以及所述某一历史时刻的桩周土体温度场，所述期望数据为所述能源桩在所述某一历史时刻的下一时刻的出水口温度；

所述实际输出结果得到单元，用于将所述样本数据输入至预先构建的初始网络模型中，得到所述初始网络模型的实际输出结果；

所述模型参数调整单元，用于根据所述期望数据和所述实际输出结果对所述初始网络模型的网络参数进行参数调整，以得到所述训练完成的温度预测网络模型。

可选的，模型参数调整单元，用于根据所述实际输出结果和所述期望输出结果，得到所述初始网络模型的评价指标数据，其中，所述评价指标数据包括所述实际输出结果和所述期望输出结果的均方根误差、平均绝对误差、平均绝对百分比误差和可决系数中的至少一项；基于所述评价指标数据对所述初始网络模型的网络参数进行参数调整。

可选的，在将所述样本数据输入至预先构建的初始网络模型中之前，该装置还包括数据处理模块，所述数据处理模块用于将所述某一历史时刻的进水口温度、所述某一历史时刻的出水口温度以及所述某一历史时刻的桩周土体温度场按照相应的预设缩放比例进行数据缩放处理，以使所述某一历史时刻的进水口温度、所述某一历史时刻的出水口温度以及所述某一历史时刻的桩周土体温度场映射到预设数据区间。

可选的，当前温度获取模块410，用于通过所述能源桩周围的至少两个温度传感器采集所述能源桩在当前时刻的桩周土体温度场。

可选地，该装置还包括：当前数据显示模块，用于将所述当前时刻的进水口温度、所述当前时刻的出水口温度以及所述当前时刻的桩周土体温度场进行显示。

可选地，该装置还包括：目标数据显示模块，用于将所述目标时刻的出水口温度进行显示。

本发明实施例所提供的能源桩换热性能预测装置可执行本发明任意实施例所提供的能源桩换热性能预测方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述能源桩换热性能预测装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。