CN108334994B - 一种供热管网流量及压力监测点优化布置方法 - Google Patents
一种供热管网流量及压力监测点优化布置方法 Download PDFInfo
- Publication number
- CN108334994B CN108334994B CN201810230820.8A CN201810230820A CN108334994B CN 108334994 B CN108334994 B CN 108334994B CN 201810230820 A CN201810230820 A CN 201810230820A CN 108334994 B CN108334994 B CN 108334994B
- Authority
- CN
- China
- Prior art keywords
- matrix
- cluster
- resistance characteristic
- relative
- pipe section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 159
- 238000003064 k means clustering Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种供热管网流量及压力监测点优化布置方法,涉及集中供热系统领域。本发明是为了解决现有缺少一种对供热管网流量、压力监测点合理布置的方法的问题。根据供热管网各管段阻力特性系数S对管段流量和节点压力的影响,获得阻力特性系数对管段流量的影响度矩阵XG和阻力特性系数对节点压力的影响度矩阵XP;根据矩阵XG和XP分别获得阻力特性系数相对变化对管段流量相对影响度矩阵YG和阻力特性系数相对变化对节点压力相对影响度矩阵YP;通过加权熵k均值聚类算法对相对影响度矩阵YG和YP进行聚类分析而分别获得k个聚类簇;在每一个聚类簇中,将与簇中心距离最近的数据对象所对应的管段或节点作为布置监测点的最佳位置。用于布置监测点。
Description
技术领域
本发明涉及一种供热管网流量及压力监测点优化布置方法。属于集中供热系统领域。
背景技术
供热管网水力工况计算是进行供热系统运行优化、故障诊断的基础。获得精确的热网水力模型需要对供热管网的所有节点以及大部分管段进行监测。由于供热系统具有规模大、结构复杂等特点,上述监测点布置方案需要巨大的初投资费用,在实际工程中并不可行。通过对热网监测点的优化布置,利用尽可能少的、代表性强的监测点实测数据,最大可能的反映热网的实际运行状态,对提高热网水力工况计算的精度具有十分重要的意义。实际工程中热网监测点的布置基本依靠人工经验,缺少行之有效的理论方法。因此,现有缺少一种对供热管网流量、压力监测点合理布置的方法。
发明内容
本发明是为了解决现有缺少一种对供热管网流量、压力监测点合理布置的方法的问题。现提供一种供热管网流量及压力监测点优化布置方法。
一种供热管网流量及压力监测点优化布置方法,它包括以下步骤:
步骤一、根据供热管网各管段阻力特性系数S对管段流量和节点压力的影响,获得阻力特性系数对管段流量的影响度矩阵XG和阻力特性系数对节点压力的影响度矩阵XP;
步骤二、根据矩阵XG和矩阵XP分别获得阻力特性系数相对变化对管段流量相对影响度矩阵YG和阻力特性系数相对变化对节点压力相对影响度矩阵YP;
步骤三、通过加权熵k均值聚类算法对相对影响度矩阵YG和YP进行聚类分析而分别获得k个聚类簇,其中,k表示需要布置监测点的数目;
步骤四、在每一个聚类簇中,将与簇中心距离最近的数据对象所对应的管段或节点作为布置监测点的最佳位置,从而实现供热管网流量及压力监测点的优化布置。
本发明的有益效果为:
本申请与传统依靠人工经验布置测点的方法不同,本申请通过构造阻力特性系数相对变化对管段流量和节点压力的影响得到相对影响度矩阵,将该相对影响度矩阵作为聚类的数据对象集,采用加权熵k均值聚类算法在该数据对象集中随机地选择k个数据对象作为初始聚类簇的中心,对剩下的每个对象,根据其与各个簇中心的欧氏距离,将它分配到最相似的簇。然后,对于每个簇,使用上次迭代分配到该簇的对象,重新计算新的均值。然后,使用更新后的均值作为新的簇中心,重新分配所有数据对象。迭代继续,直到划分稳定,聚类收敛,即本轮形成的簇与前一轮形成的簇相同,输出k个聚类簇。在每一簇中选择一个数据对象作为监测点布置的位置,计算每个簇中的数据对象与簇中心的距离,将与簇中心距离最近的数据对象所对应的管段或节点作为布置监测点的最佳位置,从而得到管段流量和节点压力监测点的优化布置结果。本申请具有目的性强、实用性高等优点,使得供热管网监测点的布置有理可依,提高了监测点布置的有效性和热网水力模型精度,减少供热管网的初投资。该方法使用简单,具有广泛的潜在应用。
附图说明
图1为具体实施方式一所述的一种供热管网流量及压力监测点优化布置方法的流程图;
图2为实施例1的供热管网平面布置图;
图3为实施例1的供热管网拓扑结构;
图4为实施例1的供热管网流量、压力监测点安装位置。
具体实施方式
具体实施方式一:参照图1具体说明本实施方式,本实施方式所述的一种供热管网流量及压力监测点优化布置方法,它包括以下步骤:
步骤一、根据供热管网各管段阻力特性系数S对管段流量和节点压力的影响,获得阻力特性系数对管段流量的影响度矩阵XG和阻力特性系数对节点压力的影响度矩阵XP;
步骤二、根据矩阵XG和矩阵XP分别获得阻力特性系数相对变化对管段流量相对影响度矩阵YG和阻力特性系数相对变化对节点压力相对影响度矩阵YP;
步骤三、通过加权熵k均值聚类算法对相对影响度矩阵YG和YP进行聚类分析而分别获得k个聚类簇,其中,k表示需要布置监测点的数目;
步骤四、在每一个聚类簇中,将与簇中心距离最近的数据对象所对应的管段或节点作为布置监测点的最佳位置,从而实现供热管网流量及压力监测点的优化布置。
实施例1:
设一个理想空间供热系统包含1个热源和5个热力站,其供热管网的平面图和拓扑结构分别如图2和图3所示,其中括号内数字表示回水节点,括号外数字表示供水节点。该供热管网共有18个节点、26个管道,即n=17,b=26。供热管网的设计运行工况参数如表1所示。循环水泵的特性方程为dh=-0.3125g2+100g+9.42×105,其中dh为水泵扬程,Pa;g为水泵循环流量,t/h。
表1供热管网设计运行参数
根据表1的供热管网设计运行参数,计算阻力特性系数相对变化对管段流量的相对影响度矩阵YG,以及阻力特性系数相对变化对节点压力的相对影响度矩阵YP。设需要在供热管网上布置6个流量监测点和6个压力监测点,即加权熵k均值聚类的输入参数k=6。然后根据相对影响度矩阵,分别进行加权熵k均值聚类。对于流量监测点优化布置,得到6个聚类簇,从每一个聚类簇中选择距离簇中心最近的样本,其所表示的管段作为安装流量监测点的位置;相似的,对于压力监测点优化布置,得到6个聚类簇,从每一个聚类簇中选择距离簇中心最近的样本,其所表示的节点作为安装压力监测点的位置。如图4所示,最终安装流量监测点的管段为n4’-n3’,n1’-n1,n7’-n8’,n8-n8’,n9-n9’,n9’-n7’,最终安装压力监测点的节点为n1,n2’,n6,n5,n5’,n6’。
具体实施方式二:本实施方式是对具体实施方式一所述的一种供热管网流量及压力监测点优化布置方法作进一步说明,本实施方式中,步骤一中,获得阻力特性系数对管段流量的影响度矩阵XG和阻力特性系数对节点压力的影响度矩阵XP的具体过程:
设某一供热管网具有n+1个节点,b个管段,供热管网阻力特性系数辨识模型表示为:
式中,A为基本关联矩阵,n×b矩阵,AT为基本关联矩阵的转置矩阵,b×n矩阵,G为管段质量流量列向量,b×1列向量,Gdiag为管段质量流量对角矩阵,b×b对角矩阵,Q为供热管网节点质量流量列向量,b×1列向量,P为供热管网节点压力列向量,n×1列向量,S为管段阻力特性系数列向量,b×1列向量,Z为管段两端位置水头差列向量,b×1列向量,DH为水泵扬程列向量,b×1列向量,a为水泵特性参数对角矩阵,b×b对角矩阵,b为水泵特性参数对角矩阵,b×b对角矩阵,c为水泵特性参数列向量,b×b列向量,
对公式1中每一个等式分别取对阻力特性系数行向量ST=(s1,s2,…,sb)的微分,得到:
式中,Sdiag为管段阻力特性系数对角矩阵,b×b对角矩阵,
联立公式2中的三个等式,得到阻力特性系数对管段流量的影响度矩阵XG和阻力特性系数对节点压力的影响度矩阵XP分别为:
式中,XG为阻力特性系数对管段流量影响度矩阵,b×b矩阵,矩阵XG中的元xg,ij表示由于j管段阻力特性系数变化引起i管段流量波动的程度,XP为阻力特性系数对节点压力影响度矩阵,n×b矩阵,矩阵XP中的元xp,ij表示由于j管段阻力特性系数变化引起i节点压力波动的程度,Ib为b×b单位矩阵,Ms为b×b对角矩阵,Ms=2GdiagSdiag-(2aGdiag+b)。
具体实施方式三:本实施方式是对具体实施方式二所述的一种供热管网流量及压力监测点优化布置方法作进一步说明,本实施方式中,步骤二中,根据矩阵XG和矩阵XP分别获得阻力特性系数相对变化对管段流量相对影响度矩阵YG和阻力特性系数相对变化对节点压力相对影响度矩阵YP的具体过程为:
根据公式:
YG=(yg,ij)b×b=Gdsn,diag -1XGSdsn,diag 公式5,
YP=(yp,ij)n×b=Pdsn,diag -1XPSdsn,diag 公式6,
分别获得阻力特性系数相对变化对管段流量相对影响度矩阵YG和阻力特性系数相对变化对节点压力相对影响度矩阵YP,矩阵YG中的元yg,ij表示j管段阻力特性系数的相对变化量引起i管段流量的相对波动程度,也就是i管段流量对j管段阻力特性系数相对变化的相对灵敏程度;相似的,矩阵YP中的元yp,ij表示j管段阻力特性系数的相对变化量引起i节点压力的相对波动程度,也就是i节点压力对j管段阻力特性系数相对变化的相对灵敏程度,
式中,Gdsn,diag为管段设计质量流量对角矩阵,b×b对角矩阵,Pdsn,diag为节点设计压力对角矩阵,n×n对角矩阵,Sdsn,diag为管段设计阻力特性系数对角矩阵,b×b对角矩阵。
具体实施方式四:本实施方式是对具体实施方式三所述的一种供热管网流量及压力监测点优化布置方法作进一步说明,本实施方式中,步骤三中,通过加权熵k均值聚类算法对相对影响度矩阵YG和YP进行聚类分析而分别获得k个聚类簇的具体过程为:
将相对影响度矩阵YG和YP作为聚类的数据对象集,相对影响度矩阵中的每一行表示一个数据对象,每一列表示一个属性,所有属性组成一个样本空间,相对影响度矩阵YG是b×b矩阵,所以,数据对象数目为b,样本空间维度为b;相对影响度矩阵YP是n×b矩阵,所以,数据对象数目为n,样本空间维度为b,将相对影响度矩阵YG和YP输入到加权熵k均值聚类算法中,分别获得k个聚类簇;
加权熵k均值聚类的具体流程为:
设定聚类簇的总数目k,从相对影响度矩阵中随机选择k个数据对象作为初始聚类簇中心,初始化维度权重矩阵Λ=(λur)k×b,设权重矩阵Λ中每一个元λur的取值均为1/b,
更新划分矩阵W:计算除k个数据对象以外剩下的每个数据对象与各个簇中心的距离,将除k个数据对象以外剩下的数据对象划入距离最近的簇中心所对应的聚类簇:
式中,wui为数据对象xi关于簇Cu的隶属度,当wui的数值为1时,表示第i个数据对象在第u个聚类簇中,当wui的数值为0时,表示第i个数据对象不在第u个聚类簇中,λur为簇Cu所对应的样本空间第r维的权重值,λvr为簇Cv所对应的样本空间第r维的权重值,xir为数据对象xi在样本空间第r维的值,μur为簇Cu的簇中心μu在样本空间第r维的值,μvr为簇Cv的簇中心μu在样本空间第r维的值
更新聚类簇中心矩阵M:对于每个簇,使用上次划分入该簇的数据对象,重新计算新的均值,使用更新后的均值作为新的簇中心:
式中,m为数据对象的总数目,对于相对影响度矩阵YG,m=b,对于相对影响度矩阵YP,m=n,
更新维度权重矩阵Λ:对于每个簇,根据簇中的每个数据对象与簇中心在样本空间不同维度上的相异性的相对大小,计算样本空间每个维度的权重值:
式中,Dut为簇Cu包含的所有数据对象与簇中心在样本空间第t维度上的相异性,γ为在更高维度聚类的激励指标,取γ=1,
利用公式7至9循环迭代更新划分矩阵W、更新聚类簇中心矩阵M和更新维度权重矩阵Λ,直到获得加权熵k均值聚类的目标函数的最小值min DBI:
式中,avg(C)为簇C内数据对象间的平均距离,|C|为簇C包含的数据对象的数目,dcen(Cu,Cv)为簇Cu与簇Cv中心点μu和μv间的距离,
停止加权熵k均值聚类,输出k个聚类簇。
本实施方式中,聚类是一个把数据对象集划分成多个组或簇的过程,使得簇内的对象具有很高的相似性,但与其他簇中的对象很不相似。
相对影响度矩阵YG是b×b矩阵,即数据对象数目为b,样本空间维度为b;相对影响度矩阵YP是n×b矩阵,即数据对象数目为n,样本空间维度为b。供热管网通常包含很多管段,b值一般均比较大,即相对影响度矩阵YG和YP均是高维数据矩阵,因此选用加权熵k均值聚类算法对其进行聚类分析。加权熵k均值聚类算法是k均值聚类在高维数据空间上的改进算法。k均值聚类首先在数据对象集中随机地选择k个数据对象作为初始聚类簇的中心,对剩下的每个对象,根据其与各个簇中心的欧氏距离,将它分配到最相似的簇。然后,对于每个簇,使用上次迭代分配到该簇的对象,重新计算新的均值。然后,使用更新后的均值作为新的簇中心,重新分配所有数据对象。迭代继续,直到划分稳定,聚类收敛,即本轮形成的簇与前一轮形成的簇相同。对于高维数据集,加权熵k均值聚类的聚类效果更好。加权熵k均值聚类认为在每一轮的簇划分过程中,样本空间的每个维度的重要度不同,即在计算数据对象与簇中心的距离时,样本空间的不同维度应具有不同的权重值。
具体实施方式五:本实施方式是对具体实施方式四所述的一种供热管网流量及压力监测点优化布置方法作进一步说明,本实施方式中,步骤四中,在每一个聚类簇中,将与簇中心距离最近的数据对象所对应的管段或节点作为布置监测点的最佳位置的具体过程为:
对于相对影响度矩阵YG聚类得到的k个聚类簇和相对影响度矩阵YP聚类得到的k个聚类簇,在每一簇中选择一个数据对象xi作为监测点布置的位置,分别根据公式:
计算每个簇中的数据对象xi与簇中心μu的距离,将与簇中心距离最近的数据对象所对应的管段或节点作为布置监测点的最佳位置。
Claims (4)
1.一种供热管网流量及压力监测点优化布置方法,其特征在于,它包括以下步骤:
步骤一、根据供热管网各管段阻力特性系数S对管段流量和节点压力的影响,获得阻力特性系数对管段流量的影响度矩阵XG和阻力特性系数对节点压力的影响度矩阵XP;
步骤二、根据矩阵XG和矩阵XP分别获得阻力特性系数相对变化对管段流量相对影响度矩阵YG和阻力特性系数相对变化对节点压力相对影响度矩阵YP;
步骤三、通过加权熵k均值聚类算法对相对影响度矩阵YG和YP进行聚类分析而分别获得k个聚类簇,其中,k表示需要布置监测点的数目;
步骤四、在每一个聚类簇中,将与簇中心距离最近的数据对象所对应的管段或节点作为布置监测点的最佳位置,从而实现供热管网流量及压力监测点的优化布置;
步骤三中,通过加权熵k均值聚类算法对相对影响度矩阵YG和YP进行聚类分析而分别获得k个聚类簇的具体过程为:
将相对影响度矩阵YG和YP作为聚类的数据对象集,相对影响度矩阵中的每一行表示一个数据对象,每一列表示一个属性,所有属性组成一个样本空间,相对影响度矩阵YG是b×b矩阵,所以,数据对象数目为b,样本空间维度为b;相对影响度矩阵YP是n×b矩阵,所以,数据对象数目为n,样本空间维度为b,将相对影响度矩阵YG和YP输入到加权熵k均值聚类算法中,分别获得k个聚类簇;
加权熵k均值聚类的具体流程为:
设定聚类簇的总数目k,从相对影响度矩阵中随机选择k个数据对象作为初始聚类簇中心,初始化维度权重矩阵Λ=(λur)k×b,设权重矩阵Λ中每一个元λur的取值均为1/b,
更新划分矩阵W:计算除k个数据对象以外剩下的每个数据对象与各个簇中心的距离,将除k个数据对象以外剩下的数据对象划入距离最近的簇中心所对应的聚类簇:
式中,wui为数据对象xi关于簇Cu的隶属度,当wui的数值为1时,表示第i个数据对象在第u个聚类簇中,当wui的数值为0时,表示第i个数据对象不在第u个聚类簇中,λur为簇Cu所对应的样本空间第r维的权重值,λvr为簇Cv所对应的样本空间第r维的权重值,xir为数据对象xi在样本空间第r维的值,μur为簇Cu的簇中心μu在样本空间第r维的值,μvr为簇Cv的簇中心μu在样本空间第r维的值,
更新聚类簇中心矩阵M:对于每个簇,使用上次划分入该簇的数据对象,重新计算新的均值,使用更新后的均值作为新的簇中心:
式中,m为数据对象的总数目,对于相对影响度矩阵YG,m=b,对于相对影响度矩阵YP,m=n,
更新维度权重矩阵Λ:对于每个簇,根据簇中的每个数据对象与簇中心在样本空间不同维度上的相异性的相对大小,计算样本空间每个维度的权重值:
式中,Dut为簇Cu包含的所有数据对象与簇中心在样本空间第t维度上的相异性,γ为在更高维度聚类的激励指标,取γ=1,
利用公式7至9循环迭代更新划分矩阵W、更新聚类簇中心矩阵M和更新维度权重矩阵Λ,直到获得加权熵k均值聚类的目标函数的最小值min DBI:
式中,avg(C)为簇C内数据对象间的平均距离,|C|为簇C包含的数据对象的数目,dcen(Cu,Cv)为簇Cu与簇Cv中心点μu和μv间的距离,
停止加权熵k均值聚类,输出k个聚类簇。
2.根据权利要求1所述的一种供热管网流量及压力监测点优化布置方法,其特征在于,步骤一中,获得阻力特性系数对管段流量的影响度矩阵XG和阻力特性系数对节点压力的影响度矩阵XP的具体过程:
设某一供热管网具有n+1个节点,b个管段,供热管网阻力特性系数辨识模型表示为:
式中,A为基本关联矩阵,n×b矩阵,AT为基本关联矩阵的转置矩阵,b×n矩阵,G为管段质量流量列向量,b×1列向量,Gdiag为管段质量流量对角矩阵,b×b对角矩阵,Q为供热管网节点质量流量列向量,b×1列向量,P为供热管网节点压力列向量,n×1列向量,S为管段阻力特性系数列向量,b×1列向量,Z为管段两端位置水头差列向量,b×1列向量,DH为水泵扬程列向量,b×1列向量,a为水泵特性参数对角矩阵,b×b对角矩阵,b为水泵特性参数对角矩阵,b×b对角矩阵,c为水泵特性参数列向量,b×b列向量,
对公式1中每一个等式分别取对阻力特性系数行向量ST=(s1,s2,…,sb)的微分,得到:
式中,Sdiag为管段阻力特性系数对角矩阵,b×b对角矩阵,
联立公式2中的三个等式,得到阻力特性系数对管段流量的影响度矩阵XG和阻力特性系数对节点压力的影响度矩阵XP分别为:
式中,XG为阻力特性系数对管段流量影响度矩阵,b×b矩阵,矩阵XG中的元xg,ij表示由于j管段阻力特性系数变化引起i管段流量波动的程度,XP为阻力特性系数对节点压力影响度矩阵,n×b矩阵,矩阵XP中的元xp,ij表示由于j管段阻力特性系数变化引起i节点压力波动的程度,Ib为b×b单位矩阵,Ms为b×b对角矩阵,Ms=2GdiagSdiag-(2aGdiag+b)。
3.根据权利要求2所述的一种供热管网流量及压力监测点优化布置方法,其特征在于,步骤二中,根据矩阵XG和矩阵XP分别获得阻力特性系数相对变化对管段流量相对影响度矩阵YG和阻力特性系数相对变化对节点压力相对影响度矩阵YP的具体过程为:
根据公式:
YG=(yg,ij)b×b=Gdsn,diag -1XGSdsn,diag 公式5,
YP=(yp,ij)n×b=Pdsn,diag -1XPSdsn,diag 公式6,
分别获得阻力特性系数相对变化对管段流量相对影响度矩阵YG和阻力特性系数相对变化对节点压力相对影响度矩阵YP,矩阵YG中的元yg,ij表示j管段阻力特性系数的相对变化量引起i管段流量的相对波动程度,也就是i管段流量对j管段阻力特性系数相对变化的相对灵敏程度;相似的,矩阵YP中的元yp,ij表示j管段阻力特性系数的相对变化量引起i节点压力的相对波动程度,也就是i节点压力对j管段阻力特性系数相对变化的相对灵敏程度,
式中,Gdsn,diag为管段设计质量流量对角矩阵,b×b对角矩阵,Pdsn,diag为节点设计压力对角矩阵,n×n对角矩阵,Sdsn,diag为管段设计阻力特性系数对角矩阵,b×b对角矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230820.8A CN108334994B (zh) | 2018-03-20 | 2018-03-20 | 一种供热管网流量及压力监测点优化布置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230820.8A CN108334994B (zh) | 2018-03-20 | 2018-03-20 | 一种供热管网流量及压力监测点优化布置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108334994A CN108334994A (zh) | 2018-07-27 |
CN108334994B true CN108334994B (zh) | 2021-05-07 |
Family
ID=62931144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810230820.8A Active CN108334994B (zh) | 2018-03-20 | 2018-03-20 | 一种供热管网流量及压力监测点优化布置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334994B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109185110B (zh) * | 2018-08-18 | 2019-11-12 | 天津绿动未来能源管理有限公司 | 一种发电厂循环水寻优优化运行方法 |
CN109297086B (zh) * | 2018-09-10 | 2020-10-09 | 常州英集动力科技有限公司 | 热力站负荷分时段滚动预测及自适应矫正方法及系统 |
CN110529921A (zh) * | 2019-08-22 | 2019-12-03 | 山西太钢不锈钢股份有限公司 | 一种供热管网系统热能高效利用方法 |
CN111027612B (zh) * | 2019-12-04 | 2024-01-30 | 国网天津市电力公司电力科学研究院 | 基于加权熵fcm的能源计量数据特征约简方法及装置 |
CN111291472B (zh) * | 2020-01-17 | 2024-01-05 | 安徽建筑大学 | 一种基于cfsfdp聚类算法的给水管网压力监测点布置方法 |
CN113591259B (zh) * | 2021-08-11 | 2022-05-03 | 华北电力大学 | 一种供热管道动态等值建模方法 |
CN117171528B (zh) * | 2023-08-23 | 2024-03-08 | 中国建筑第二工程局有限公司 | 一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839190A (zh) * | 2014-02-19 | 2014-06-04 | 清华大学深圳研究生院 | 基于压力监测的管网节点流量计量与调度方法 |
CN105765609A (zh) * | 2013-11-13 | 2016-07-13 | 微软技术许可有限责任公司 | 使用有向无环图的存储器促进 |
CN106897679A (zh) * | 2017-02-13 | 2017-06-27 | 长江水利委员会长江科学院 | 一种基于改进模糊c均值聚类的语义变化检测方法及系统 |
CN107368648A (zh) * | 2017-07-19 | 2017-11-21 | 安徽建筑大学 | 一种面向市政给水管网压力监测点优化布置方法 |
-
2018
- 2018-03-20 CN CN201810230820.8A patent/CN108334994B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105765609A (zh) * | 2013-11-13 | 2016-07-13 | 微软技术许可有限责任公司 | 使用有向无环图的存储器促进 |
CN103839190A (zh) * | 2014-02-19 | 2014-06-04 | 清华大学深圳研究生院 | 基于压力监测的管网节点流量计量与调度方法 |
CN106897679A (zh) * | 2017-02-13 | 2017-06-27 | 长江水利委员会长江科学院 | 一种基于改进模糊c均值聚类的语义变化检测方法及系统 |
CN107368648A (zh) * | 2017-07-19 | 2017-11-21 | 安徽建筑大学 | 一种面向市政给水管网压力监测点优化布置方法 |
Non-Patent Citations (3)
Title |
---|
Fault detection and operation optimization in district heating substations based on data mining techniques;薛普宁,等;《Applied Energy》;20171101;第926-940页 * |
Function method for dynamic temperature simulation of district heating network;周志刚,等;《Applied Thermal Engineering》;20170831;第682-688页 * |
基于遗传算法的区域电力和供热系统优化;葛海麟,等;《南方能源建设》;20170430;第4卷(第1期);第25-30,34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108334994A (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334994B (zh) | 一种供热管网流量及压力监测点优化布置方法 | |
CN106709662B (zh) | 一种电力设备运行工况划分方法 | |
CN110083910B (zh) | 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法 | |
CN108573116B (zh) | 一种基于长短时记忆网络的航空发动机过渡态推力估计方法 | |
CN108520111B (zh) | 一种基于正交成分最优选择与最优回归的软测量方法 | |
CN108846261B (zh) | 基于可视图算法的基因表达时序数据分类方法 | |
CN106529161B (zh) | 一种基于火电机组运行数据确定升降负荷速率的方法 | |
CN107301328B (zh) | 基于数据流聚类的癌症亚型精准发现与演化分析方法 | |
CN107066710B (zh) | 基于测量数据的供热管网阻力特性辨识方法及系统 | |
CN108566178B (zh) | 一种非稳态随机机会网络特征值滤波方法 | |
CN112686971A (zh) | 建筑系统关系拓扑无向图有向化方法和系统 | |
CN111324036B (zh) | 一种有界干扰影响下时变系统可诊断性量化方法 | |
CN112949211A (zh) | 发动机模型的优化方法、装置、计算机设备及存储介质 | |
CN114266191B (zh) | 一种基于密度峰值聚类的多模型时空建模方法 | |
CN111950135B (zh) | 一种基于网络解耦的电-气互联系统概率能流计算方法 | |
CN109116300A (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN113486573A (zh) | 电缆线芯温度预测方法 | |
CN113343606A (zh) | 一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法 | |
CN107093904B (zh) | 基于随机矩阵谱分析的配电网无功补偿动作点选取方法 | |
CN108446452A (zh) | 一种混流泵叶轮鲁棒优化设计方法 | |
CN115982918B (zh) | 阻力特性辨识方法、装置、设备及存储介质 | |
CN111709478B (zh) | 一种基于锚图的模糊聚类方法及装置 | |
CN111025898A (zh) | 一种用于流程工业大规模过程控制的降维辨识方法 | |
CN113221466B (zh) | 基于泛克里金模型的涡轮气热性能不确定性量化方法及系统 | |
CN111625978B (zh) | 一种基于模块化的数控卧式车床设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |