CN109270842A - 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 - Google Patents
一种基于贝叶斯网络的区域供热模型预测控制系统及方法 Download PDFInfo
- Publication number
- CN109270842A CN109270842A CN201811251954.4A CN201811251954A CN109270842A CN 109270842 A CN109270842 A CN 109270842A CN 201811251954 A CN201811251954 A CN 201811251954A CN 109270842 A CN109270842 A CN 109270842A
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- source
- network
- bayesian
- building
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/029—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于贝叶斯网络的区域供热模型预测控制系统及方法,方法包括以下步骤:步骤S1,物理层热网数据感知,从源侧、网侧和楼宇侧实时获取并更新历史数据;步骤S2,依据历史数据,结合先验知识构建贝叶斯网络,并通过贝叶斯网络预测热力站、楼宇侧的负荷需求;步骤S3,根据楼宇负荷需求,结合历史运行数据和实时数据,通过贝叶斯网络推理得到二次侧、一次侧和源侧实时控制参数;步骤S4,根据历史运行数据和管网拓扑结构,建立源侧调节、网侧调节和楼宇侧调节的时间特性曲线,确定源侧调节、网侧阀门和楼宇侧电调阀调节策略,并根据此执行控制操作,消除热网调节的迟滞性,满足实时供需平衡,实现热用户侧按需精准供热。
Description
技术领域
本发明属于供热系统的先进控制领域,是实现智慧供热的主要基础之一。具体涉及到一种基于贝叶斯网络的区域供热模型预测控制系统及方法,对源侧、热力站、网侧基于历史大数据集建立的模型,以实现供热系统供需平衡、热用户按需精准调控。
背景技术
传统的集中供热系统具有强耦合、大滞后、热惰性等特征和供需失衡的两大核心问题,即传统“源-网-荷”供热框架下由建筑热负荷波动性、室内居民行为不确定性、热源侧调控手段单一性等导致的供需匹配失衡,以及伴随“源-网-荷”热能生产、传输、损耗、转换、消费各环节中,多层级(热源侧、一次网、二次网等)热工水力复杂耦合性、热惰性、传输滞后性导致的供需两端在调控与响应上的不协调。目前主要是通过机理模型结合运营人员的经验对热网进行手工调节,而由于热网调节的强耦合与滞后性,运营人员往往需要经历调节、稳定、再调节的反复校准过程,效率低下且对运行人员的技术水平要求很高。针对热网调节的核心问题,本发明利用大数据与机器学习分析技术,基于数据模型驱动,提出了一种基于贝叶斯网络的区域模型负荷预测控制方法及系统,由于热网负荷预测具有多影响因子、强耦合、不确定性等特点,贝叶斯网络模型本身是一种不确定性关联模型,具有强大的不确定性问题处理能力,能够有效进行多源信息表达和融合。作为一种基于概率的不确定性推理方法,贝叶斯网络来对热网进行负荷预测更为贴切热网负荷预测的特性,进而消除热网调节迟滞性,实现热用户侧按需精准供热。
发明内容
本发明的目的是提供一种基于贝叶斯网络的区域供热模型预测控制系统及方法,基于历史大数据预测源侧、热力站楼宇侧的未来短期热负荷并且控制源侧、热力站调控参数,解决热网供需不平衡、调控不灵活的问题,实现热用户侧按需精准供热。
为了解决上述技术问题,本发明提供了一种基于贝叶斯网络的区域供热模型预测控制方法,包括如下步骤:
步骤S1,物理层热网数据感知,从源侧、网侧和楼宇侧实时获取并更新历史数据;
步骤S2,采用贝叶斯网络方法进行负荷预测,依据历史数据,结合先验知识构建贝叶斯网络,并通过贝叶斯网络预测热力站、楼宇侧的负荷需求;所述的先验知识包括当地辐照、气温、湿度、风速;
步骤S3,根据楼宇侧负荷需求,结合历史运行数据和实时数据,通过贝叶斯网络推理得到二次侧、一次侧和源侧实时控制参数;所述的二次侧、一次侧和源侧的控制参数包括循环泵速度、阀门开度、燃料量等;
步骤S4,根据历史运行数据和管网拓扑结构,建立源侧调节、网侧调节和楼宇侧调节的时间特性曲线,确定源侧调节、网侧阀门和楼宇侧阀门调节策略,并根据此执行控制操作,消除热网调节的迟滞性,实现热用户侧按需精准供热。
上述技术方案中,步骤S1,物理层热网数据感知,从源侧、网侧和楼宇侧实时获取并更新历史数据,即:针对区域供热系统,通过其物联感知系统实时采集数据并更新历史数据,作为贝叶斯网络构建的基础;其中所述的历史数据包括:源侧负荷、热力站负荷、楼宇侧负荷、太阳辐照、气温、湿度、热力站阀门开度、循环泵速度、楼宇侧阀门开度。
步骤S2,具体如下:先依据历史数据,结合区域热网运行情况和专家过往经验,确定影响该区域热网热力站、楼宇负荷的变量集、变量域,根据变量之间的因果关系即先验知识分别构建热力站和楼宇侧的先验贝叶斯网络结构模型;如前一天负荷X1,节假日X2,季节X3,温度X4,湿度X5等构成影响负荷预测的变量集X={X1,……Xn},再确定各变量范围得到变量域,根据变量之间的因果关系(先验知识)分别构建热力站和楼宇侧的先验贝叶斯网络结构模型。
再通过贝叶斯网络进行学习和预测:通过物联感知系统获得的历史数据集,输入先验贝叶斯网络中对贝叶斯网络结构及参数进行学习,得到后验贝叶斯网络,再根据贝叶斯网络预测得到热力站或楼宇侧的负荷;其中
所述输入的历史数据集D={C1,C2……Cn},Cl为其中一条数据集,即数据库中的一次记录;
所述贝叶斯网络结构及参数学习,包括:
贝叶斯网络结构学习,根据历史数据集D,由贝叶斯公式选择使p(Sh|D)最大的网络结构;
上式中,
p(Sh|D)——在历史数据集D下贝叶斯网络结构为Sh的概率;
Sh——贝叶斯网络结构;
D——历史数据集;
p(Sh)——贝叶斯先验结构概率;
p(D|Sh)——结构似然;
p(D)——数据集D的概率,对结构没有影响;
由贝叶斯网络参数先验分布p(θs|Sh,ε),通过输入的历史数据集D,得到贝叶斯网络参数的后验分布p(θs|D,Sh,ε)
上式中,
Sh——贝叶斯网络结构;
ε——用户具有的知识;
θs——先验概率的参数变量;
p(θs|Sh,ε)——在贝叶斯网络结构为Sh,用户具有的知识状态为ε的情况下贝叶斯参数变量的先验概率;
p(θs|D,Sh,ε)——在贝叶斯网络结构为Sh,用户具有的知识状态为ε,输入历史数据集D的情况下贝叶斯参数变量的后验概率;
所述通过贝叶斯网络预测热力站、楼宇侧负荷,即
在历史数据集D中有n个事例D={C1,C2……Cn},通过贝叶斯预测:
P(xN+1|D,Sh)=∫P(xN+1|θs,D,Sh)P(θs|D,Sh)dθs,选取P(xN+1|D,Sh)最大对应的xN+1作为预测结果;
上式中,
D——历史数据集;
Sh——贝叶斯网络结构;
θs——先验概率的参数变量;
P(xN+1|D,Sh)——在数据集D,结构为Sh的情况下事件xN+1发生的概率。
步骤S3,具体如下:
根据步骤S2中得到的楼宇侧负荷需求,结合历史运行数据与实时数据,通过贝叶斯网络推理得到二次侧循环泵速度、阀门开度等控制变量的控制参数,再结合跨环节参数以及一次侧、源侧约束条件,推导出一次侧、源侧最优实时调度参数;
所述通过贝叶斯网络推理得到二次侧循环泵速度、阀门开度等控制变量的控制参数,即
通过贝叶斯公式和独立性原则进行概率推导,推理出在历史负荷数据下对应的最大概率的二次侧循环泵速度、阀门开度等控制变量,以此作为调控量;
上式中,
A——控制变量集,A={A1,……Ak},k为控制变量个数
D’——历史数据集
P(A|D’)——在历史数据集下控制量调控参数为A的概率
所述的结合跨环节参数以及一次侧、源侧约束条件,推导出一次侧、源侧最优实时调度参数,即:
通过贝叶斯推理,通过贝叶斯公式和独立性原则进行概率推导,推理出在历史负荷数据下对应的最大概率的一次侧、源侧控制变量包括循环泵速度,阀门开度和燃料量,以此作为调控量。
上式中,
A——控制变量的调控量,A={A1,……Ak},k为控制变量个数
D”——历史数据集
P(A|D”)——在历史数据集下控制量调控参数为A的概率。
步骤S4,具体为:根据历史运行数据,采用神经网络算法训练源侧负荷调节、网侧负荷调节的时间响应模型t=f(ΔQ,θ),通过步骤S2中得到的源侧、热力站负荷需求变化的值ΔQ和根据步骤S3中得到的网侧阀门开度调节θ输入时间响应模型中得到末端响应的迟滞时间t,以此来确定控制调节的时间策略,以消除热网调节的迟滞性,实现热用户侧按需精准供热。
本发明的一种基于贝叶斯网络的区域供热模型预测控制系统,包括:
数据采集模块,用于获取历史数据分别建立楼宇侧数据集、热力站数据集和网侧数据集;
负荷预测模块,用于以历史数据为驱动,通过贝叶斯网络对源侧、热力站和楼宇侧热负荷进行预测;
参数控制模块,依据预测的源侧、热力站、楼宇侧热负荷,通过贝叶斯网络推理得到源侧、一次网、二次网实时调节参数;
时间调节模块,以历史数据为驱动,通过神经网络算法得到负荷变化到末端的时间响应模型,以此确定调节策略,消除热网调节迟滞性,实现热用户侧按需精准供热。
本发明相比于现有方法和技术的优势是:
1、不依赖于复杂的机理建模,以历史大数据为基础,将不同区域热网的影响特性和运用热源的经验作为先验知识,通过贝叶斯网络以数据驱动进行负荷预测。
2、不依赖于不同设备的运行特性模型,以历史大数据为基础,通过贝叶斯网络推理得到设备实时调控参数。
3、通过神经网络算法考虑了调控的时间响应特性,以此确定调控执行策略,可以消除热网调控迟滞性。
4、本发明不仅局限于源侧和网侧调控,而是基于楼宇用户侧的热负荷需求,对源侧、网侧以及楼宇侧同时进行调控,达到精准调控,供需平衡。
本发明以贝叶斯网络为基础,叶斯网络模型本身是一种不确定性关联模型,具有强大的不确定性问题处理能力,能够有效进行多源信息表达和融合。作为一种基于概率的不确定性推理方法,选择贝叶斯网络来对热网进行负荷预测更为贴切热网负荷预测不确定、强耦合、多影响因素的特性,能够得到更为准确的预测结果。
附图说明
图1是本发明方法的主要步骤;
图2是贝叶斯网络模型的构建流程;
图3是本发明方法和系统的技术图;
图4是算例中的先验贝叶斯网络结构图。
具体实施方式
下面结合附图对本发明作进一步详细的说明。附图均为简化的示意图,仅以示意方式说明本发明的基本结构和流程。
本发明属于供热系统的模型预测控制范畴。结合热网运行的先验知识或经验,通过采集热网历史负荷数据集,通过贝叶斯网络预测供热系统的源侧、热力站、楼宇侧未来短期热负荷,再通过历史调控参数数据集,通过贝叶斯推理得到源侧、热力站、楼宇侧调控策略。解决供热系统强耦合、热惰性、多约束调控难题,实现热用户侧按需精准供热。
以下结合附图对基于贝叶斯网络的区域供热模型预测控制的方法及系统作进一步的详细说明,给出基于贝斯网络预测热负荷、控制参数的具体过程。
结合图1-图3,本发明的基于贝叶斯网络的区域供热模型预测控制方法,具体包括以下步骤:
步骤S1,物理层热网数据感知,从源侧、网侧和楼宇侧实时获取并更新历史数据;
步骤S2,依据历史数据,结合当地辐照、气温、湿度、风速等先验知识构建贝叶斯网络,并通过贝叶斯网络预测热力站、楼宇侧的负荷需求;
步骤S3,根据末端楼宇负荷需求,结合历史运行数据和实时数据,通过贝叶斯网络推理得到二次侧、一次侧和源侧实时控制参数;所述的二次侧、一次侧和源侧控制参数包括循环泵速度,阀门开度,燃料量等。
步骤S4,根据历史运行数据和管网拓扑结构,建立源侧调节、网侧调节和楼宇侧调节的时间特性曲线,确定源侧调节、网侧阀门和楼宇侧电调阀调节策略,并根据此执行控制操作,消除热网调节的迟滞性,实现热用户侧按需精准供热。
其中,步骤S1,物理层热网数据感知,从源侧、网侧和楼宇侧实时获取并更新历史数据;
在物理层层面,除利用已有的热源厂DCS系统和热网的SCADA系统和获得热网运行的历史数据,针对数据集不全的情况,需在物理层方面做一下布置或改进:第一部分是在示范区一次侧管网系统中,在热力站站口及热网中部小室中补充必要的温度、压力测点;第二部分是针对二次侧示范小区进行具体分析,拟定并补充具有代表性的楼栋代表性室温测量装置的改造方案;第三部分是针对二次侧示范小区补充设计铺设于建筑物或楼口单元的电动水力平衡调控设备,并结合热计量进行供回温度、压力、流量状态测量装置的改造方案,从而支持应用数据模型支撑热网在不同工况条件下的精确调控。获取的历史数据包括源侧负荷、热力站负荷、楼宇侧负荷、太阳辐照、气温、湿度、热力站阀门开度、循环泵速度、楼宇侧阀门开度。获取的数据集时间频率和数据精度会影响预测调控的准确性,因此准确的数据感知是利用大数据驱动和贝叶斯网络预测控制热网的前提。
如图3所示为本发明的方法和系统结构图,其中预先在二次侧示范性小区补充铺设于建筑物或楼口单元的电动水力平衡调控设备、压差计、流量计,从楼宇端的感知是本发明的特点之一,
步骤S2,依据历史数据,结合当地辐照、气温、湿度、风速等先验知识构建贝叶斯网络,并通过贝叶斯网络预测热力站、楼宇侧的负荷需求;
如图2所示为贝叶斯网络构建过程,根据先验知识确定变量集和变量域,如前一天负荷X1,节假日X2,季节X3,温度X4,湿度X5等构成影响负荷预测的变量集X={X1,……Xn},再确定各变量范围得到变量域X1∈[a,b],……Xn∈[p,q],根据变量之间的因果关系(先验知识)分别构建热力站和楼宇侧的先验贝叶斯网络结构模型。如附图4,根据已有的经验和因果关系构建的贝叶斯先验网络。
进一步对贝叶斯网络的结构和参数通过历史数据进行学习。通过物联感知系统获得的历史数据集,输入贝叶斯网络中对贝叶斯网络结构及参数进行学习,贝叶斯网络结构学习,根据历史数据集D,由贝叶斯公式选择使p(Sh|D)最大的网络结构。
上式中,
p(Sh|D)——在历史数据集D下贝叶斯网络结构为Sh的概率;
Sh——贝叶斯网络结构;
D——历史数据集;
p(Sh)——贝叶斯先验结构概率;
p(D|Sh)——结构似然;
p(D)——数据集D的概率,对结构没有影响。
贝叶斯网络参数学习,由贝叶斯网络参数先验分布p(θs|Sh,ε),通过输入的历史数据集D,得到贝叶斯网络参数的后验分布p(θs|D,Sh,ε)
上式中,
Sh——贝叶斯网络结构;
ε——用户具有的知识;
θs——先验概率的参数变量;
p(θs|Sh,ε)——在贝叶斯网络结构为Sh,用户具有的知识状态为ε的情况下贝叶斯参数变量的先验概率;
p(θs|D,Sh,ε)——在贝叶斯网络结构为Sh,用户具有的知识状态为ε,输入历史数据集D的情况下贝叶斯参数变量的后验概率。
根据历史数据和贝叶斯网络学习训练得到适合目标区域供热模型的后验贝叶斯网络,通过后验贝叶斯网络对历史负荷数据对未来短期负荷进行预测。
在历史数据集D中有n个事例D={C1,C2……Cn},通过贝叶斯预测:
P(xN+1|D,Sh)=∫P(xN+1|θs,D,Sh)P(θs|D,Sh)dθs,选取P(xN+1|D,Sh)最大对应的xN+1作为预测结果。
上式中,
D——历史数据集;
Sh——贝叶斯网络结构;
θs——先验概率的参数变量;
P(xN+1|D,Sh)——在数据集D,结构为Sh的情况下事件xN+1发生的概率。
进一步,步骤S3,根据末端楼宇负荷需求,结合历史运行数据和实时数据,通过贝叶斯网络推理得到二次侧、一次侧和源侧实时控制参数。
根据得到的楼宇侧负荷需求响应模型,结合历史运行数据与实时数据,通过贝叶斯网络推理得到二次侧控制变量如循环泵速度,阀门开度的控制参数,再结合跨环节参数以及一次侧、源侧约束条件,推导出一次侧、源侧最优实时调度参数。
其中通过贝叶斯网络推理得到二次侧控制变量如循环泵速度,阀门开度的控制参数,即
通过贝叶斯公式和独立性原则进行概率推导,推理出在历史负荷数据下对应的最大概率的二次侧控制变量包括循环泵速度,阀门开度,以此作为调控量。
上式中,
A——控制变量集,A={A1,……Ak},k为控制变量个数
D’——历史数据集
P(A|D’)——在历史数据集下控制量调控参数为A的概率
所述的结合跨环节参数以及一次侧、源侧约束条件,推导出一次侧、源侧最优实时调度参数。即
同样通过贝叶斯推理,通过贝叶斯公式和独立性原则进行概率推导,推理出在历史负荷数据下对应的最大概率的一次侧、源侧控制变量包括循环泵速度,阀门开度和燃料量,以此作为调控量。
上式中,
A——控制变量的调控量,A={A1,……Ak},k为控制变量个数
D”——历史数据集
P(A|D”)——在历史数据集下控制量调控参数为A的概率
进一步,步骤S4,根据历史运行数据和管网拓扑结构,建立源侧调节、网侧调节的时间特性曲线,确定源侧调节、网侧阀门和楼宇侧电调阀调节策略,并根据此执行控制操作,消除热网调节的迟滞性,实现热用户侧按需精准供热。即
根据历史运行数据,采用神经网络算法训练源侧负荷调节、网侧负荷调节到末端的变化的时间响应模型t=f(ΔQ,θ),通过得到的源侧、热力站负荷需求变化的值ΔQ和阀门开度调节θ输入时间响应模型中得到末端响应的迟滞时间t,以此来确定提前调控的时间t,以消除热网调节的迟滞性。
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。
Claims (6)
1.一种基于贝叶斯网络的区域供热模型预测控制方法,其特征在于,包括如下步骤:
步骤S1,物理层热网数据感知,从源侧、网侧和楼宇侧实时获取并更新历史数据;
步骤S2,采用贝叶斯网络方法进行负荷预测,依据历史数据,结合先验知识构建贝叶斯网络,并通过贝叶斯网络预测热力站、楼宇侧的负荷需求;所述的先验知识包括当地辐照、气温、湿度、风速;
步骤S3,根据楼宇侧负荷需求,结合历史运行数据和实时数据,通过贝叶斯网络推理得到二次侧、一次侧和源侧实时控制参数;所述的二次侧、一次侧和源侧的控制参数包括循环泵速度、阀门开度、燃料量等;
步骤S4,根据历史运行数据和管网拓扑结构,建立源侧调节、网侧调节和楼宇侧调节的时间特性曲线,确定源侧调节、网侧阀门和楼宇侧阀门调节策略,并根据此执行控制操作,消除热网调节的迟滞性,实现热用户侧按需精准供热。
2.根据权利要求1所述的基于贝叶斯网络的区域供热模型预测控制方法,其特征在于,步骤S1,物理层热网数据感知,从源侧、网侧和楼宇侧实时获取并更新历史数据,即:针对区域供热系统,通过其物联感知系统实时采集数据并更新历史数据,作为贝叶斯网络构建的基础;其中,所述的历史数据包括:源侧负荷、热力站负荷、楼宇侧负荷、太阳辐照、气温、湿度、热力站阀门开度、循环泵速度、楼宇侧阀门开度。
3.根据权利要求1所述的基于贝叶斯网络的区域供热模型预测控制方法,其特征在于,步骤S2,具体如下:
先依据历史数据,结合区域热网运行情况和专家过往经验,确定影响该区域热网热力站、楼宇负荷的变量集、变量域,根据变量之间的因果关系即先验知识分别构建热力站和楼宇侧的先验贝叶斯网络结构模型;
贝叶斯网络的学习和预测:通过物联感知系统获得的历史数据集,输入先验贝叶斯网络中对贝叶斯网络结构及参数进行学习,得到后验贝叶斯网络,再根据贝叶斯网络预测得到热力站或楼宇侧的负荷;其中
所述输入的历史数据集D={C1,C2......Cn},Cl为其中一条数据集,即数据库中的一次记录;
所述贝叶斯网络结构及参数学习,包括:
贝叶斯网络结构学习,根据历史数据集D,由贝叶斯公式选择使p(Sh|D)最大的网络结构;
上式中,
p(Sh|D)——在历史数据集D下贝叶斯网络结构为Sh的概率;
Sh——贝叶斯网络结构;
D——历史数据集;
p(Sh)——贝叶斯先验结构概率;
p(D|Sh)——结构似然;
p(D)——数据集D的概率,对结构没有影响;
由贝叶斯网络参数先验分布p(θs|Sh,ε),通过输入的历史数据集D,得到贝叶斯网络参数的后验分布p(θs|D,Sh,ε)
上式中,
Sh——贝叶斯网络结构;
ε——用户具有的知识;
θs——先验概率的参数变量;
p(θs|Sh,ε)——在贝叶斯网络结构为Sh,用户具有的知识状态为ε的情况下贝叶斯参数变量的先验概率;
p(θs|D,Sh,ε)——在贝叶斯网络结构为Sh,用户具有的知识状态为ε,输入历史数据集D的情况下贝叶斯参数变量的后验概率;
所述通过贝叶斯网络预测热力站、楼宇侧负荷,即
在历史数据集D中有n个事例D={C1,C2......Cn},通过贝叶斯预测:
P(xN+1|D,Sh)=∫P(xN+1|θs,D,Sh)P(θs|D,Sh)dθs,选取P(xN+1|D,Sh)最大对应的xN+1作为预测结果;
上式中,
D——历史数据集;
Sh——贝叶斯网络结构;
θs——先验概率的参数变量;
P(xN+1|D,Sh)——在数据集D,结构为Sh的情况下事件xN+1发生的概率。
4.根据权利要求1所述的基于贝叶斯网络的区域供热模型预测控制方法,其特征在于,步骤S3,具体如下:
根据步骤2中得到的楼宇侧负荷需求,结合历史运行数据与实时数据,通过贝叶斯网络推理得到二次侧循环泵速度、阀门开度等控制变量的控制参数,再结合跨环节参数以及一次侧、源侧约束条件,推导出一次侧、源侧最优实时调度参数;
所述通过贝叶斯网络推理得到二次侧循环泵速度、阀门开度等控制变量的控制参数,即
通过贝叶斯公式和独立性原则进行概率推导,推理出在历史负荷数据下对应的最大概率的二次侧循环泵速度、阀门开度等控制变量,以此作为调控量;
上式中,
A——控制变量集,A={A1,……Ak},k为控制变量个数
D’——历史数据集
P(A|D’)——在历史数据集下控制量调控参数为A的概率
所述的结合跨环节参数以及一次侧、源侧约束条件,推导出一次侧、源侧最优实时调度参数,即:
通过贝叶斯推理,通过贝叶斯公式和独立性原则进行概率推导,推理出在历史负荷数据下对应的最大概率的一次侧、源侧控制变量包括循环泵速度,阀门开度和燃料量,以此作为调控量。
上式中,
A——控制变量的调控量,A={A1,……Ak},k为控制变量个数
D”——历史数据集
P(A|D”)——在历史数据集下控制量调控参数为A的概率。
5.根据权利要求1所述的基于贝叶斯网络的区域供热模型预测控制方法,其特征在于,步骤S4具体为:
根据历史运行数据,采用神经网络算法训练源侧负荷调节、网侧负荷调节的时间响应模型t=f(ΔQ,θ),通过步骤S2中得到的源侧、热力站负荷需求变化的值ΔQ和根据步骤S3中得到的网侧阀门开度调节θ输入时间响应模型中得到末端响应的迟滞时间t,以此来确定控制调节的时间策略,以消除热网调节的迟滞性,实现热用户侧按需精准供热。
6.一种基于贝叶斯网络的区域供热模型预测控制系统,其特征在于,包括:
数据采集模块,用于获取历史数据分别建立楼宇侧数据集、热力站数据集和网侧数据集;
负荷预测模块,用于以历史数据为驱动,通过贝叶斯网络对源侧、热力站和楼宇侧热负荷进行预测;
参数控制模块,依据预测的源侧、热力站、楼宇侧热负荷,通过贝叶斯网络推理得到源侧、一次网、二次网实时调节参数;
时间调节模块,以历史数据为驱动,通过神经网络算法得到负荷变化到末端的时间响应模型,以此确定调节策略,消除热网调节迟滞性,实现热用户侧按需精准供热。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811251954.4A CN109270842B (zh) | 2018-10-25 | 2018-10-25 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811251954.4A CN109270842B (zh) | 2018-10-25 | 2018-10-25 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109270842A true CN109270842A (zh) | 2019-01-25 |
CN109270842B CN109270842B (zh) | 2020-11-13 |
Family
ID=65194266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811251954.4A Active CN109270842B (zh) | 2018-10-25 | 2018-10-25 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109270842B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109935331A (zh) * | 2019-04-02 | 2019-06-25 | 北京航空航天大学 | 一种基于多模型动态综合的血糖预测方法及系统 |
CN110136415A (zh) * | 2019-04-19 | 2019-08-16 | 中国农业科学院农业资源与农业区划研究所 | 一种冷链温度监测系统及控制方法 |
CN110287509A (zh) * | 2019-04-25 | 2019-09-27 | 浙江大学 | 城市热网的柔性分析与结构缺陷诊断及定位方法和系统 |
CN110503217A (zh) * | 2019-08-29 | 2019-11-26 | 新誉轨道交通科技有限公司 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
CN110686377A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 |
CN110794679A (zh) * | 2019-11-08 | 2020-02-14 | 浙江大学 | 工业供汽系统负荷调节的预测控制方法及其系统 |
CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
CN111473407A (zh) * | 2020-04-10 | 2020-07-31 | 浙江大学 | 一种基于模型的集中供热系统按需精准调控方法 |
CN111561732A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的换热站供热调节方法及系统 |
CN111578371A (zh) * | 2020-05-22 | 2020-08-25 | 浙江大学 | 一种数据驱动的城市集中供热系统精准调控方法 |
CN111580382A (zh) * | 2020-05-18 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 基于人工智能的单元级供热调节方法及系统 |
CN111787123A (zh) * | 2020-07-27 | 2020-10-16 | 四川神琥科技有限公司 | 智慧热网运维管理系统 |
CN111968010A (zh) * | 2020-08-15 | 2020-11-20 | 湖南钜达程水务有限公司 | 一种加压给水设备的管控方法、系统、以及存储介质 |
CN112231492A (zh) * | 2020-10-22 | 2021-01-15 | 北京天地和兴科技有限公司 | 一种智能供热阀门控制知识图谱的构建方法和系统 |
CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
CN112306015A (zh) * | 2020-10-12 | 2021-02-02 | 重庆大学 | 一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法 |
CN112923435A (zh) * | 2021-03-22 | 2021-06-08 | 瑞纳智能设备股份有限公司 | 一种基于人工智能和优化算法的集中供热二次侧调控方法 |
CN113418229A (zh) * | 2021-06-11 | 2021-09-21 | 沈阳工业大学 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 |
CN113723793A (zh) * | 2021-08-25 | 2021-11-30 | 国网江苏省电力工程咨询有限公司 | 园区综合能源系统的实现方法、装置、设备和介质 |
CN113819512A (zh) * | 2021-09-08 | 2021-12-21 | 华能兰州新区热电有限公司 | 一种基于大数据分析集中供热控制方法 |
CN114780622A (zh) * | 2022-06-27 | 2022-07-22 | 天津能源物联网科技股份有限公司 | 一种基于大数据平台的供热数据的智能分析方法及系统 |
CN115081247A (zh) * | 2022-07-19 | 2022-09-20 | 河北农业大学 | 一种基于贝叶斯网络的热力系统可靠性评估方法 |
CN116293896A (zh) * | 2023-01-30 | 2023-06-23 | 大唐保定热电厂 | 一种热电厂的供热效率调节方法及系统 |
CN117972302A (zh) * | 2024-03-11 | 2024-05-03 | 北京师范大学-香港浸会大学联合国际学院 | 基于贝叶斯自适应方法的运动负荷感知参数估计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436057A (zh) * | 2008-12-18 | 2009-05-20 | 浙江大学 | 数控机床热误差贝叶斯网络补偿方法 |
WO2010020252A1 (en) * | 2008-08-19 | 2010-02-25 | Viking Genetics Fmba | Methods for determining a breeding value based on a plurality of genetic markers |
CN102521674A (zh) * | 2011-12-07 | 2012-06-27 | 福建省电力有限公司 | 电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法 |
US20140052606A1 (en) * | 2012-08-16 | 2014-02-20 | Infosys Limited | System and method for facilitating prediction of a loan recovery decision |
CN104008433A (zh) * | 2014-06-03 | 2014-08-27 | 国家电网公司 | 基于贝叶斯动态模型的中长期电力负荷预测方法 |
CN106897775A (zh) * | 2017-01-25 | 2017-06-27 | 浙江大学 | 基于贝叶斯集成学习的软测量建模方法 |
CN107330621A (zh) * | 2017-06-30 | 2017-11-07 | 中国水利水电科学研究院 | 一种基于贝叶斯网络的水库群泄水建筑物失效评估方法 |
CN107464017A (zh) * | 2017-08-01 | 2017-12-12 | 浙江大学 | 基于带时间差分贝叶斯网络的自适应软测量预测方法 |
CN107860057A (zh) * | 2017-09-26 | 2018-03-30 | 国网浙江省电力公司杭州供电公司 | 一种热电联产供暖系统热负荷经济优化调度方法 |
CN108167035A (zh) * | 2017-12-01 | 2018-06-15 | 浙江大学 | 一种基于再热蓄热调节的热电协同系统及方法 |
-
2018
- 2018-10-25 CN CN201811251954.4A patent/CN109270842B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010020252A1 (en) * | 2008-08-19 | 2010-02-25 | Viking Genetics Fmba | Methods for determining a breeding value based on a plurality of genetic markers |
CN101436057A (zh) * | 2008-12-18 | 2009-05-20 | 浙江大学 | 数控机床热误差贝叶斯网络补偿方法 |
CN102521674A (zh) * | 2011-12-07 | 2012-06-27 | 福建省电力有限公司 | 电力用户用电信息采集系统中夏季短期负荷预测的计算机生成方法 |
US20140052606A1 (en) * | 2012-08-16 | 2014-02-20 | Infosys Limited | System and method for facilitating prediction of a loan recovery decision |
CN104008433A (zh) * | 2014-06-03 | 2014-08-27 | 国家电网公司 | 基于贝叶斯动态模型的中长期电力负荷预测方法 |
CN106897775A (zh) * | 2017-01-25 | 2017-06-27 | 浙江大学 | 基于贝叶斯集成学习的软测量建模方法 |
CN107330621A (zh) * | 2017-06-30 | 2017-11-07 | 中国水利水电科学研究院 | 一种基于贝叶斯网络的水库群泄水建筑物失效评估方法 |
CN107464017A (zh) * | 2017-08-01 | 2017-12-12 | 浙江大学 | 基于带时间差分贝叶斯网络的自适应软测量预测方法 |
CN107860057A (zh) * | 2017-09-26 | 2018-03-30 | 国网浙江省电力公司杭州供电公司 | 一种热电联产供暖系统热负荷经济优化调度方法 |
CN108167035A (zh) * | 2017-12-01 | 2018-06-15 | 浙江大学 | 一种基于再热蓄热调节的热电协同系统及方法 |
Non-Patent Citations (3)
Title |
---|
YAN XIAOMING等: "Bayes discriminant analysis method for predicting the stability of open pit slope", 《 2011 INTERNATIONAL CONFERENCE ON ELECTRIC TECHNOLOGY AND CIVIL ENGINEERING (ICETCE)》 * |
仝营等: "基于机制模型与数据驱动的超临界锅炉性能在线预测方法", 《中国电机工程学报》 * |
郑惠丹等: "基于贝叶斯动态博弈理论的热价定价方法", 《山西建筑》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109935331A (zh) * | 2019-04-02 | 2019-06-25 | 北京航空航天大学 | 一种基于多模型动态综合的血糖预测方法及系统 |
CN110136415A (zh) * | 2019-04-19 | 2019-08-16 | 中国农业科学院农业资源与农业区划研究所 | 一种冷链温度监测系统及控制方法 |
CN110287509A (zh) * | 2019-04-25 | 2019-09-27 | 浙江大学 | 城市热网的柔性分析与结构缺陷诊断及定位方法和系统 |
CN110503217A (zh) * | 2019-08-29 | 2019-11-26 | 新誉轨道交通科技有限公司 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
CN110503217B (zh) * | 2019-08-29 | 2022-08-26 | 新誉轨道交通科技有限公司 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
CN110686377A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 |
CN110794679A (zh) * | 2019-11-08 | 2020-02-14 | 浙江大学 | 工业供汽系统负荷调节的预测控制方法及其系统 |
CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
CN111275579B (zh) * | 2020-02-21 | 2022-10-18 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
CN111473407B (zh) * | 2020-04-10 | 2021-03-30 | 浙江大学 | 一种基于模型的集中供热系统按需精准调控方法 |
CN111473407A (zh) * | 2020-04-10 | 2020-07-31 | 浙江大学 | 一种基于模型的集中供热系统按需精准调控方法 |
CN111561732A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的换热站供热调节方法及系统 |
CN111580382A (zh) * | 2020-05-18 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 基于人工智能的单元级供热调节方法及系统 |
CN111578371A (zh) * | 2020-05-22 | 2020-08-25 | 浙江大学 | 一种数据驱动的城市集中供热系统精准调控方法 |
CN111787123A (zh) * | 2020-07-27 | 2020-10-16 | 四川神琥科技有限公司 | 智慧热网运维管理系统 |
CN111968010B (zh) * | 2020-08-15 | 2022-07-29 | 中国建筑第五工程局有限公司 | 一种加压给水设备的管控方法、系统、以及存储介质 |
CN111968010A (zh) * | 2020-08-15 | 2020-11-20 | 湖南钜达程水务有限公司 | 一种加压给水设备的管控方法、系统、以及存储介质 |
CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
CN112232980B (zh) * | 2020-09-14 | 2022-08-26 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
CN112306015A (zh) * | 2020-10-12 | 2021-02-02 | 重庆大学 | 一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法 |
CN112231492A (zh) * | 2020-10-22 | 2021-01-15 | 北京天地和兴科技有限公司 | 一种智能供热阀门控制知识图谱的构建方法和系统 |
CN112231492B (zh) * | 2020-10-22 | 2023-07-07 | 北京天地和兴科技有限公司 | 一种智能供热阀门控制知识图谱的构建方法和系统 |
CN112923435A (zh) * | 2021-03-22 | 2021-06-08 | 瑞纳智能设备股份有限公司 | 一种基于人工智能和优化算法的集中供热二次侧调控方法 |
CN112923435B (zh) * | 2021-03-22 | 2022-05-13 | 瑞纳智能设备股份有限公司 | 一种基于人工智能和优化算法的集中供热二次侧调控方法 |
CN113418229A (zh) * | 2021-06-11 | 2021-09-21 | 沈阳工业大学 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 |
CN113723793A (zh) * | 2021-08-25 | 2021-11-30 | 国网江苏省电力工程咨询有限公司 | 园区综合能源系统的实现方法、装置、设备和介质 |
CN113819512A (zh) * | 2021-09-08 | 2021-12-21 | 华能兰州新区热电有限公司 | 一种基于大数据分析集中供热控制方法 |
CN114780622A (zh) * | 2022-06-27 | 2022-07-22 | 天津能源物联网科技股份有限公司 | 一种基于大数据平台的供热数据的智能分析方法及系统 |
CN115081247A (zh) * | 2022-07-19 | 2022-09-20 | 河北农业大学 | 一种基于贝叶斯网络的热力系统可靠性评估方法 |
CN116293896A (zh) * | 2023-01-30 | 2023-06-23 | 大唐保定热电厂 | 一种热电厂的供热效率调节方法及系统 |
CN116293896B (zh) * | 2023-01-30 | 2023-09-01 | 大唐保定热电厂 | 一种热电厂的供热效率调节方法及系统 |
CN117972302A (zh) * | 2024-03-11 | 2024-05-03 | 北京师范大学-香港浸会大学联合国际学院 | 基于贝叶斯自适应方法的运动负荷感知参数估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109270842B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270842A (zh) | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 | |
CN108916986B (zh) | 信息物理融合的二级管网变流量水力平衡调控方法及系统 | |
CN109253494B (zh) | 一种基于热负荷预测的电蓄热装置的控制方法 | |
CN106958855B (zh) | 供热系统水力平衡的模型预测控制方法及系统 | |
CN111473407B (zh) | 一种基于模型的集中供热系统按需精准调控方法 | |
CN112232980B (zh) | 一种区域能源供热系统热泵机组调控方法 | |
CN103591637B (zh) | 一种集中供热二次网运行调节方法 | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN106895478A (zh) | 一种供热管网调节方法和系统 | |
CN108256672A (zh) | 一种集中供热系统全网平衡调节方法 | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
CN107909149A (zh) | 一种基于遗传bp神经网络的日光温室温度预测方法 | |
Wojdyga | Predicting heat demand for a district heating systems | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
KR20200017604A (ko) | 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템 | |
CN107065556A (zh) | 一种堆芯机组变功率运行策略优化方案的自动搜索方法 | |
CN111811016A (zh) | 一种供暖机组单元间水力平衡调节方法及系统 | |
CN108303898B (zh) | 新型太阳能-空气能耦合冷热联供系统的智能调度方法 | |
CN114909706B (zh) | 一种基于强化学习算法和压差控制的二级网平衡调控方法 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
CN114484556B (zh) | 一种基于目标能耗管控的供水温度调控方法 | |
CN114674026A (zh) | 一种管网供水流量优化控制方法及系统 | |
CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
CN113222231A (zh) | 一种基于物联网技术的智慧供热系统 | |
Yang et al. | Machine-Learning-Driven, Site-Specific Weather Forecasting for Grid-Interactive Efficient Buildings |
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 |