CN104390360A - 一种基于大数据的智能多能源热水系统控制方法 - Google Patents

Abstract

本发明公开一种基于大数据的智能多能源热水系统控制方法，包括：1)根据不同热源运行成本函数确定出热源加热的优先级别，优先利用优先级靠前的热源；2)根据热源在不同进水温度、不同环境温度下的制热功率、环境温度、进水温度、水箱温度、目标温度、制热水量及用水时间段所建立的水箱温度的温升曲线；3)根据水箱水位曲线建立了系统的用水习惯曲线；4)建立了人均用水定额及总用水量的学习。与现有技术相比，本发明解决了当某一热源加热能力不足时，系统热源的合理匹配运行问题，充分利用了可再生能源，有效的降低了系统能耗，降低了系统运行升本。同时，解决了各地区能源格局不同所引起的系统运行成本的最优化问题。

Description

一种基于大数据的智能多能源热水系统控制方法

技术领域

本发明涉及流体加热器控制技术领域，尤其涉及一种基于大数据的智能多能源热水系统控制方法。

背景技术

太阳能热水器是一种经济、节能、环保的热水器，广泛应用于生产及生活热水供应。但太阳能热水器在使用中存在的一个最大问题是，在阴雨天加热量不够。为解决这一问题，目前采用的方法是用电加热丝辅助加热、空气源热泵热水器辅助加热以及燃气辅助加热。

目前，在多能源热水系统控制方面只有简单的控制逻辑，优先使用太阳能加热单元，其次利用空气能加热单元，再次利用燃气加热单元，最后利用电辅助加热单元，但在不同地区，不同能源架构下热源运行成本的高低并非是按照既定的顺序，这就使的系统运行成本偏高。

另外，现有的多能源热水系统的制热水量一年四季是不变的，且制热水量是根据最大用水量确定的，以至于部分季节用水量下降时，制热水量没有相应下降，造成浪费。特别地，当季节更替时，热源的加热模式却没有相应的变化，造成加热模式的不匹配，造成能源浪费。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种能根据地区变化、季节变化自动调整热源运行顺序及运行模式，节约能耗的多能源热水系统控制方法。

为达到以上目的，本发明采用如下技术方案。

一种基于大数据的智能多能源热水系统控制方法，其特征在于，包括：

1)根据热源制热效率和能源价格编制不同热源加热成本函数，根据函数比对，系统智能判断热源的加热优先级，确定出一级加热热源、二级加热热源，以此类推；

实际运行时，运行成本越低的热源优先级别越靠前，优先利用优先级靠前的热源；

2)根据热源在不同进水温度、不同环境温度下的制热量、设备的制热功率及用水时段拟定水箱的温升曲线，

实际运行时，首先利用上一级加热热源，当水箱温度没有达到既定的温升曲线时，同时启动下一级加热热源，当水箱温度达到既定的温升曲线时，返回上一级热源加热模式；

3)根据水箱水位变化数据或用水终端用水数据制得历史同期用水分布曲线及近期用水分布曲线，剔除无用水或用水量较少的供水时段获得标准用水分布曲线，根据标准用水分布曲线给出供水模式建议；

然后通过加权平均算法判断系统人均用水定额及系统总制热水量；实际运行时，根据系统总制热水量来补水。

作为上述方案的进一步说明，所述热源包括：太阳能加热单元，热泵加热单元，燃气加热单元和电加热单元。

作为上述方案的进一步说明，所述太阳能加热单元运行成本函数为：

$Q_4=(\frac{C*\mathrm{\ρ}*q*t*(t_m-t_o)}{3.6*{10}^3*{\mathrm{\η}}_3}-P_{3}t)*(-A_4)$

式中：Q₄——太阳能加热单元运行成本，单位：元；

q——太阳能系统流量，单位：L/h；

t——太阳能运行时间，单位：h；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_m——集热器温度，单位：℃；

t_o——水箱温度，单位：℃；

P₃——太阳能循环泵功率，单位：kW；

ρ——水的密度，单位：kg/L；

η₃——电加热单元热效率；

A_4.——单位电成本，单位：元/度。

作为上述方案的进一步说明，所述热泵加热单元的运行成本函数为：

$Q_1=\frac{C*M*(t_r-t_l)}{3.6*{10}^3*\mathrm{COP}*K}*A_1$

式中：Q₁——热泵加热单元运行成本，单位：元；

M——被加热水的质量，单位：kg；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_r——热水温度，单位：℃；

t_l——冷水计算温度，单位：℃；

K——热泵COP修正系数；

A₁——单位电成本，单位：元/度。

作为上述方案的进一步说明，所述燃气加热单元运行成本函数为：

$Q_2=\frac{C*M*(t_r-t_l)}{Q_a*{\mathrm{\η}}_1}*A_2$

式中：Q₂——燃气加热单元运行成本，单位：元；

M——被加热水的质量，单位：kg；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_r——热水温度，单位：℃；

t_l——冷水计算温度，单位：℃；

Q_a——燃气热值，单位：kJ/m³；

η₁——燃气加热单元热效率；

A₂——单位燃气成本，单位：元/立方米。

作为上述方案的进一步说明，所述电加热单元运行成本函数为：

$Q_3=\frac{C*M*(t_r-t_l)}{3.6*{10}^3*{\mathrm{\η}}_2}*A_3$

式中：Q₃——电加热单元运行成本，单位：元；

M——被加热水的质量，单位：kg；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_r——热水温度，单位：℃；

t_l——冷水计算温度，单位：℃；

η₂——电加热单元热效率；

A_3.——单位电成本，单位：元/度。

作为上述方案的进一步说明，温升曲线根据以下关系式确定：

其中：n≥1，

式中：t_n——对应于时间点T_n的目标加热温度，单位：℃；

T_n——对应于t_n的时间点；

T_m——系统供热水时段起始时间点；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t₁——冷水进水温度，单位：℃；

n——时间判断序数；

△T——判断时间步长：单位：h；

T_j——加热时间，单位：h；

q——第二热源加热功率，单位：kW；

η——对应于热泵加热单元的制热功率修正系数或燃气加热、电加热单元的加热效率；

ρ——水的密度，单位：kg/L；

V——水箱额定容积，L；

N％——水箱水位百分比，系统通过学习得到或人为设定值。

作为上述方案的进一步说明，所述用水定额学习算法为：

$Q_d=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i}{n}$

式中：Q_d——人均用水定额，单位：L/(人·d)；

V_i——随机终端人均用水量，单位：L

n——随机取样数量。

作为上述方案的进一步说明，所述总制热水量学习算法为：

V＝(V_c*N₁+V_n*N₂)*K

式中：V——总制热水量，单位：L；

V_c——历年同期平均用热水量，单位：L；

V_n——上一统计周期平均用热水量，单位：L；

N₁——对应于V_c的权重；

N₂——对应于V_n的权重；

K——富裕量系数；

其中，N₁+N₂＝1。

本发明提供的一种基于大数据的智能多能源热水系统控制方法具有以下有益效果：

一、解决了当某一热源加热能力不足时，系统热源的合理匹配运行问题，充分利用了可再生能源，有效的降低了系统能耗，降低了系统运行升本。

二、根据热源加热的优先级及系统温升曲线智能制定系统最优加热模式，最大程度的降低系统能耗及运行成本，解决了各地区能源格局不同所引起的系统运行成本的最优化问题。

三、根据历史数据智能学习用水习惯，获得标准用水分布曲线，根据标准用水分布曲线给出供水模式建议；避免供水时段不合理的问题，为用户合理配置最优化的供热方案；解决了不同季节热泵制热性能不同引起的制热量富裕或不足的情况。

具体实施方式

为方便本领域普通技术人员更好地理解本发明的实质，下面对本发明的具体实施方式说明如下。

一种基于大数据的智能多能源热水系统控制方法，包括成本函数比较方法，温升曲线制定方法和用水习惯学习方法。

具体地，所述成本函数比较方法为：根据热源制热效率和能源价格编制不同热源加热成本函数，根据函数比对，系统能够智能判断热源的加热优先级，确定出一级加热热源、二级加热热源，以此类推。

其中，热泵运行成本函数为：

$Q_1=\frac{C*M*(t_r-t_l)}{3.6*{10}^3*\mathrm{COP}*K}*A_1---1)$

式中1)：Q₁——热泵加热单元运行成本，单位：元；

M——被加热水的质量，单位：kg；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_r——热水温度，单位：℃；

t_l——冷水计算温度，单位：℃；

K——热泵COP修正系数；

COP——制热能效比；

A₁——单位电成本，单位：元/度；

燃气加热单元运行成本函数为：

$Q_2=\frac{C*M*(t_r-t_l)}{Q_a*{\mathrm{\η}}_1}*A_2---2)$

式2)中：Q₂——燃气加热单元运行成本，单位：元；

M——被加热水的质量，单位：kg；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_r——热水温度，单位：℃；

t_l——冷水计算温度，单位：℃；

η₁——燃气加热单元热效率；

Q_a——燃气热值，单位：kJ/m³；

A₂——单位燃气成本，单位：元/立方米；

电加热单元运行成本函数为：

$Q_3=\frac{C*M*(t_r-t_l)}{3.6*{10}^3*{\mathrm{\η}}_2}*A_3---3)$

式3)中：Q₃——电加热单元运行成本，单位：元；

M——被加热水的质量，单位：kg；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_r——热水温度，单位：℃；

t_l——冷水计算温度，单位：℃；

η₂——电加热单元热效率；

A₃.——单位电成本，单位：元/度；

太阳能加热单元运行成本函数为：

$Q_4=(\frac{C*\mathrm{\ρ}*q*t*(t_m-t_o)}{3.6*{10}^3*{\mathrm{\η}}_3}-P_{3}t)*(-A_4)---4)$

式中：Q₄——太阳能加热单元运行成本，单位：元；

q——太阳能系统流量，单位：L/h；

t——太阳能运行时间，单位：h；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_m——集热器温度，单位：℃；

t_o——水箱温度，单位：℃；

P₃——太阳能循环泵功率，单位：kW；

ρ——水的密度，单位：kg/L；

η₃——电加热单元热效率；

A_4.——单位电成本，单位：元/度。

所述温升曲线制定方法为：根据制热量、设备的制热功率及用水时段拟定水箱的温升曲线，首先利用第一级加热热源，当水箱温度没有达到既定的温升曲线时，同时启动下一级加热热源，当水箱温度达到既定的温升曲线时，返回上一级热源加热模式。

其中，温升曲线根据以下关系式确定：

由加热函数： $T_j=\frac{C*\mathrm{\ρ}*V*N\%*(t_2-t_1)}{3.6*{10}^3*\mathrm{\η}*\mathrm{\Σq}}---5)$

时间函数：T_n＝T_m-(T_j-n*ΔT)             6)

得：

其中：n≥1

式7)中：t_n——对应于时间点T_n的目标加热温度，单位：℃；

T_n——对应于t_n的时间点；

T_m——系统供热水时段起始时间点；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t₂——热水目标温度，单位：℃；

t₁——冷水进水温度，单位：℃；

n——时间判断序数；

△T——判断时间步长：单位：h；

T_j——加热时间，单位：h；

η——对应于热泵加热单元的制热功率修正系数或燃气加热、电加热单元的加热效率；

q——第二热源加热功率，单位：kW；因太阳能加热单元阴雨天不能用作主要加热热源，这里的第二热源是指热泵加热单元、燃气加热单元和电加热单元中的一种或几种；

ρ——水的密度，单位：kg/L；

V——总制水量。

所述用水习惯学习方法为，根据历史终端实时用水量所确定的用水量分布曲线，根据用水量分布情况，系统能够提供最优供水方案。

系统服务器处理系统水箱水位数据，通过数据处理得到系统用水分布曲线，通过历史同期用水分布曲线及近期用水分布曲线，智能剔除无用水或用水量较少的供水时段，并给出供水模式建议。

系统服务器自动分析最近一个月及历年同期用水数据，通过加权平均算法智能判断系统人均用水定额及系统总制热水量，并制备相应热水。

用水定额学习算法：

$Q_d=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i}{n}---8)$

式8)中：Q_d——人均用水定额，单位：L/(人·d)；

V_i——随机终端人均用水量，单位：L

n——随机取样数量；

总制热水量学习算法：

V＝(V_c*N₁+V_n*N₂)*K             9)

式9)中：V——总制热水量，单位：L；

V_c——历年同期平均用热水量，单位：L；

V_n——上一统计周期平均用热水量，单位：L；

N₁——对应于V_c的权重；

N₂——对应于V_n的权重；

K——富裕量系数；

其中，N₁+N₂＝1。

以上具体实施方式对本发明的实质进行了详细说明，但并不能以此来对本发明的保护范围进行限制。显而易见地，在本发明实质的启示下，本技术领域普通技术人员还可进行许多改进和修饰，需要注意的是，这些改进和修饰都落在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于大数据的智能多能源热水系统控制方法，其特征在于，包括：

1)根据热源制热效率和能源价格编制不同热源加热成本函数，根据函数比对，系统智能判断热源的加热优先级，确定出一级加热热源、二级加热热源，以此类推；

实际运行时，运行成本越低的热源优先级别越靠前，优先利用优先级靠前的热源；

2)根据热源在不同进水温度、不同环境温度下的制热量、设备的制热功率及用水时段拟定水箱的温升曲线，

实际运行时，首先利用上一级加热热源，当水箱温度没有达到既定的温升曲线时，同时启动下一级加热热源，当水箱温度达到既定的温升曲线时，返回上一级热源加热模式；

3)根据水箱水位变化数据或用水终端用水数据制得历史同期用水分布曲线及近期用水分布曲线，剔除无用水或用水量较少的供水时段获得标准用水分布曲线，根据标准用水分布曲线给出供水模式建议；

然后通过加权平均算法判断系统人均用水定额及系统总制热水量；实际运行时，根据系统总制热水量来补水。

2.根据权利要求1所述的一种基于大数据的智能多能源热水系统控制方法，其特征在于，所述热源包括：太阳能加热单元，热泵加热单元，燃气加热单元和电加热单元。

3.根据权利要求1或2所述的一种基于大数据的智能多能源热水系统控制方法，其特征在于，所述太阳能加热单元运行成本函数为：

$Q_4=(\frac{C*p*q*t*(t_m-t_o)}{3.6*{10}^3*{\mathrm{\η}}_3}-P_{3}t)*(-A_4)$

式中：Q₄——太阳能加热单元运行成本，单位：元；

q——太阳能系统流量，单位：L/h；

t——太阳能运行时间，单位：h；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_m——集热器温度，单位：℃；

t_o——水箱温度，单位：℃；

P₃——太阳能循环泵功率，单位：kW；

ρ——水的密度，单位：kg/L；

η₃——电加热单元热效率；

A₄.——单位电成本，单位：元/度。

4.根据权利要求1或2所述的一种基于大数据的智能多能源热水系统控制方法，其特征在于，所述热泵加热单元的运行成本函数为：

$Q_1=\frac{C*M*(t_r-t_l)}{3.6*{10}^3*\mathrm{COP}*K}*A_1$

式中：Q₁——热泵加热单元运行成本，单位：元；

M——被加热水的质量，单位：kg；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_r——热水温度，单位：℃；

t_l——冷水计算温度，单位：℃；

K——热泵COP修正系数；

A₁——单位电成本，单位：元/度。

5.根据权利要求1或2所述的一种基于大数据的智能多能源热水系统控制方法，其特征在于，所述燃气加热单元运行成本函数为：

$Q_2=\frac{C*M*(t_r-t_l)}{Q_a*{\mathrm{\η}}_1}{*A}_2$

式中：Q₂——燃气加热单元运行成本，单位：元；

M——被加热水的质量，单位：kg；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_r——热水温度，单位：℃；

t_l——冷水计算温度，单位：℃；

Q_a——燃气热值，单位：kJ/m³；

η₁——燃气加热单元热效率；

A₂——单位燃气成本，单位：元/立方米。

6.根据权利要求1或2所述的一种基于大数据的智能多能源热水系统控制方法，其特征在于，所述电加热单元运行成本函数为：

$Q_3=\frac{C*M*(t_r-t_l)}{3.6*{10}^3*{\mathrm{\η}}_2}*A_3$

式中：Q₃——电加热单元运行成本，单位：元；

M——被加热水的质量，单位：kg；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t_r——热水温度，单位：℃；

t_l——冷水计算温度，单位：℃；

η₂——电加热单元热效率；

A₃.——单位电成本，单位：元/度。

7.根据权利要求1所述的一种基于大数据的智能多能源热水系统控制方法，其特征在于，温升曲线根据以下关系式确定：

其中：n≥1

式中：t_n——对应于时间点T_n的目标加热温度，单位：℃；

T_n——对应于t_n的时间点；

T_m——系统供热水时段起始时间点；

C——水的比热，C＝4.187kJ/(kg﹒℃)；

t₂——热水目标温度，单位：℃；

t₁——冷水进水温度，单位：℃；

n——时间判断序数；

△T——判断时间步长：单位：h；

T_j——加热时间，单位：h；

q——第二热源加热功率，单位：kW；

η——对应于热泵加热单元的制热功率修正系数或燃气加热、电加热单元的加热效率；

ρ——水的密度，单位：kg/L；

V——水箱额定容积，L；

N％——水箱水位百分比，系统通过学习得到或人为设定值。

8.根据权利要求1所述的一种基于大数据的智能多能源热水系统控制方法，其特征在于，所述用水定额学习算法为：

$Q_d=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i}{n}$

式中：Q_d——人均用水定额，单位：L/(人·d)；

V_i——随机终端人均用水量，单位：L

n——随机取样数量。

9.根据权利要求1所述的一种基于大数据的智能多能源热水系统控制方法，其特征在于，所述总制热水量学习算法为：

V＝(V_c*N₁+V_n*N₂)*K

式中：V——总制热水量，单位：L；

V_c——历年同期平均用热水量，单位：L；

V_n——上一统计周期平均用热水量，单位：L；

N₁——对应于V_c的权重；

N₂——对应于V_n的权重；

K——富裕量系数；

其中，N₁+N₂＝1。