arXiv cs.AI· Keivan Faghih Niresi, Christian M{\o}ller Jensen, Carsten Skovmose Kalles{\o}e, Rafael Wisniewski, Olga Fink·· 9 天前AI 评分17
基于异构时空图神经网络的城市供热管网虚拟智能计量
Virtual Smart Metering in District Heating Networks via Heterogeneous Spatial-Temporal Graph Neural Networks
AI 导读
研究提出异构时空图神经网络（HSTGNN）构建虚拟智能热量表，通过专用分支分别学习流量、温度和压力的图结构与时间动态，实现跨变量与空间关联的联合建模。该方法针对供热管网仪表稀疏、传感器故障频发的问题，在稀疏同步数据下显著优于现有基线。团队同时发布 Aalborg 智能水基础设施实验室采集的同步高分辨率数据集，以支持虚拟传感方法的系统比较。
正文 · AI 翻译
摘要：热能网络的智能运行旨在通过数据驱动控制、预测性优化和早期故障检测，提高能效、可靠性和运行灵活性。实现这些目标依赖于足够的可观测性，需要对热力和水力状态进行连续且分布良好的监测。然而，区域供热系统通常仪表稀疏，且经常受到传感器故障的影响，限制了监测能力。虚拟传感提供了一种经济高效的方式来增强可观测性，但其开发和验证在实践中仍然有限。现有的数据驱动方法通常假设数据密集且同步，而解析模型依赖于简化的水力和热力假设，可能无法充分捕捉异质网络拓扑的行为。因此，在实际运行条件下对压力、流量和温度之间耦合的非线性依赖关系进行建模仍然具有挑战性。此外，缺乏公开可用的基准数据集阻碍了虚拟传感方法的系统比较。为应对这些挑战，我们提出了一种异质时空图神经网络（HSTGNN）用于构建虚拟智能热量表。该模型融入了区域供热网络中固有的功能关系，并采用专门的分支来学习流量、温度和压力测量的图结构和时间动态，从而实现跨变量和空间相关性的联合建模。为支持进一步研究，我们引入了一个在奥尔堡智能水基础设施实验室采集的受控实验室数据集，提供代表真实运行条件的同步高分辨率测量数据。大量实验表明，所提出的方法显著优于现有基线。
| 评论： | 已被 Energy and Buildings 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；系统与控制（eess.SY） |
| 引用为： | arXiv:2604.10166 [cs.LG] |
| （或使用 arXiv:2604.10166v2 [cs.LG] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2604.10166 由 DataCite 颁发的 arXiv DOI |
|
| 相关 DOI： | https://doi.org/10.1016/j.enbuild.2026.118351
链接到相关资源的 DOI |
提交历史
来自：Keivan Faghih Niresi [查看电子邮件]
[v1]
2026年4月11日星期六 11:27:06 UTC（1,960 KB）
[v2]
2026年10月8日星期四 11:23:49 UTC（1,977 KB）
来源：arXiv cs.AI · arxiv.org