CN110222398A - 冷水机组人工智能控制方法、装置、存储介质及终端设备 - Google Patents
冷水机组人工智能控制方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- CN110222398A CN110222398A CN201910457318.5A CN201910457318A CN110222398A CN 110222398 A CN110222398 A CN 110222398A CN 201910457318 A CN201910457318 A CN 201910457318A CN 110222398 A CN110222398 A CN 110222398A
- Authority
- CN
- China
- Prior art keywords
- data
- cold
- training
- cooling load
- load prediction
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种冷水机组人工智能控制方法,包括:建立冷负荷预测模型;获取采集一定时间内的冷水机组的历史天气及生产数据作为第一训练数据;将所述第一训练数据通过第一机器学习算法对所述冷负荷预测模型进行训练;对训练完成的所述冷负荷预测模型输入未来的天气预报数据和生产计划,以使所述冷负荷预测模型输出预定时间内的冷负荷需求;还包括:建立冷机模型;获取采集一定时间内的冷机历史数据作为第二训练数据;将第二训练数据通过第二机器学习算法对冷机模型进行训练;对训练完成的所述冷机模型输入所述冷负荷预测模型输出的预定时间内冷负荷需求,作为输入数据,以输出所述冷负荷预测模型和所述冷机模型组合优化后的冷负荷需求数据。
Description
技术领域
本发明涉及智能控制技术领域,尤其涉及一种冷水机组人工智能控制方法、装置、存储介质及终端设备。
背景技术
目前国内大部分使用冷水机组的场合主要是靠现场设备管理人员和巡检人员对设备进行操作,较少场合在使用一些节能管理系统,这些系统会根据机房设备参数对设备进行调节;但是,现场冷机管理人员调节设备往往需要多年的现场经验和相关专业背景,冷机能耗与现场的人员专业程度有很大的关系;而现有的节能管理系统仅仅通过简单的逻辑是对人员下发一些简单的控制建议,智能化程度不高,且没办法预测未来的冷负荷来对设备做相应的设备排期。
因此,目前亟需一种可以在无需现场人员的干预下依据末端工况反馈对冷水机组的冷负荷进行准确预测的智能控制方法。
发明内容
本发明提供了一种冷水机组人工智能控制方法、装置、存储介质及终端设备,以解决目前无法对冷水机组的未来冷负荷进行预测的技术问题,从而通过历史天气及生产数据对建立的冷负荷预测模型进行训练,进而实现在无需现场人员的干预下依据末端工况反馈对冷水机组的冷负荷进行准确预测。
为了解决上述技术问题,本发明实施例提供了一种冷水机组人工智能控制方法,包括:
建立冷负荷预测模型;
获取采集一定时间内的冷水机组的历史天气及生产数据作为第一训练数据;
将所述第一训练数据通过第一机器学习算法对所述冷负荷预测模型进行训练;
对训练完成的所述冷负荷预测模型输入未来的天气预报数据和生产计划,以使所述冷负荷预测模型输出预定时间内的冷负荷需求。
作为优选方案,所述第一机器学习算法,包括SVM回归算法、随机森林算法、stacking算法和LSTM算法。
作为优选方案,所述第一训练数据包括历史天气数据、客户人员数据和生产数据。
作为优选方案,还包括:
建立冷机模型;
获取采集一定时间内的冷机历史数据作为第二训练数据;
将所述第二训练数据通过第二机器学习算法对所述冷机模型进行训练;
对训练完成的所述冷机模型输入所述冷负荷预测模型输出的预定时间内冷负荷需求,作为输入数据,以输出所述冷负荷预测模型和所述冷机模型组合优化后的冷负荷需求数据。
作为优选方案,所述第二训练数据包括冷机的各项关键参数。
作为优选方案,所述第二机器学习算法包括:SVM回归算法、神经网络算法、lightbgm、随机森林算法或stacking算法。
本发明实施例还提供了一种冷水机组人工智能控制装置,包括:
第一建立模块,用于建立冷负荷预测模型;
第一获取模块,用于获取采集一定时间内的冷水机组的历史天气及生产数据作为第一训练数据;
第一训练模块,用于将所述第一训练数据通过第一机器学习算法对所述冷负荷预测模型进行训练;
第一生成模块,用于对训练完成的所述冷负荷预测模型输入未来的天气预报数据和生产计划,以使所述冷负荷预测模型输出预定时间内的冷负荷需求。
作为优选方案,还包括:
第二建立模块,用于建立冷机模型;
第二获取模块,用于获取采集一定时间内的冷机历史数据作为第二训练数据;
第二训练模块,用于将所述第二训练数据通过第二机器学习算法对所述冷机模型进行训练;
第二生成模块,用于对训练完成的所述冷机模型输入所述冷负荷预测模型输出的预定时间内冷负荷需求,作为输入数据,以输出所述冷负荷预测模型和所述冷机模型组合优化后的冷负荷需求数据。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的冷水机组人工智能控制方法。
本发明实施例还提供了一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上述任一项所述的冷水机组人工智能控制方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明通过历史天气及生产数据对建立的冷负荷预测模型进行训练,解决目前无法对冷水机组的未来冷负荷进行预测的技术问题,从而实现在无需现场人员的干预下依据末端工况反馈对冷水机组的冷负荷进行准确预测。
附图说明
图1:为本发明实施例一中的方法步骤流程示意图;
图2:为本发明实施例一中的装置结构连接示意图;
图3:为本发明实施例二中的方法步骤流程示意图;
图4:为本发明实施例二中的装置结构连接示意图;
图5:为本发明实施例二中的方法数据交互示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参照图1,实施例一,本发明优选实施例提供了一种冷水机组人工智能控制方法,包括:
S1,建立冷负荷预测模型;
S2,获取采集一定时间内的冷水机组的历史天气及生产数据作为第一训练数据;
在本实施例中,所述第一训练数据包括历史天气数据、客户人员数据和生产数据。
S3,将所述第一训练数据通过第一机器学习算法对所述冷负荷预测模型进行训练;
在本实施例中,所述第一机器学习算法,包括SVM回归算法、随机森林算法、stacking算法和LSTM算法。
S4,对训练完成的所述冷负荷预测模型输入未来的天气预报数据和生产计划,以使所述冷负荷预测模型输出预定时间内的冷负荷需求。
本发明以一定时间的采集数据(不局限于历史天气数据、客户人员数据和生产数据)为训练数据集,采用机器学习算法和深度学习算法(不局限于SVM回归、随机森林、stacking和LSTM等)进行训练,训练出具体客户的冷负荷关于上述训练特征的模型,目的用于每个一段周期预测未来数小时乃至于一天的冷负荷需求。
请参照图2,相应地,本发明优选实施例还提供了一种冷水机组人工智能控制装置,包括:
第一建立模块,用于建立冷负荷预测模型;
第一获取模块,用于获取采集一定时间内的冷水机组的历史天气及生产数据作为第一训练数据;
第一训练模块,用于将所述第一训练数据通过第一机器学习算法对所述冷负荷预测模型进行训练;
第一生成模块,用于对训练完成的所述冷负荷预测模型输入未来的天气预报数据和生产计划,以使所述冷负荷预测模型输出预定时间内的冷负荷需求。
请参照图3和图5,实施例二,在实施例一的基础上中,还包括:
S5,建立冷机模型;
S6,获取采集一定时间内的冷机历史数据作为第二训练数据;
在本实施例中,所述第二训练数据包括:冷冻水出水温度、室外空气状态参数、冷机冷凝温度、冷机蒸发温度、电量、冷机负载率、由制冷剂状况计算出来的系统各点的焓值所计算出来的冷机瞬时制冷量。
S7,将所述第二训练数据通过第二机器学习算法对所述冷机模型进行训练;
在本实施例中,所述第二机器学习算法包括:SVM回归算法、神经网络算法、lightbgm、随机森林算法或stacking算法。
S8,对训练完成的所述冷机模型输入所述冷负荷预测模型输出的预定时间内冷负荷需求,作为输入数据,以输出所述冷负荷预测模型和所述冷机模型组合优化后的冷负荷需求数据。
同时本发明以一定时间的采集及计算数据(不局限于冷冻水出水温度、室外空气状态参数、冷机冷凝温度、冷机蒸发温度、电量、冷机负载率、由制冷剂状况计算出来的系统各点的焓值所计算出来的冷机瞬时制冷量等)为训练数据集,采用机器学习算法进行训练(不局限于SVM回归、神经网络、随机森林和stacking等),训练出每台冷机的COP、用电量关于上述训练特征的模型,目的用以每天每隔一段时间根据前述的冷负荷预测模型预测出来的冷负荷量以及计算出来的每台冷机的冷量以及COP对其组合优化组合,实现在满足当前负荷的情况下将功耗最小化。本发明会根据预测前述冷负荷预测模型计算得出的冷负荷来计算冷机每日提早开启以及提早关机的提前时长(一些特定的用户对冷机的间歇使用有要求,例如大型商业用户)。上述所有模型均会定时更新。
请参照图4,相应地,在上述装置实施例一的基础上,还包括:
第二建立模块,用于建立冷机模型;
第二获取模块,用于获取采集一定时间内的冷机历史数据作为第二训练数据;
第二训练模块,用于将所述第二训练数据通过第二机器学习算法对所述冷机模型进行训练;
第二生成模块,用于对训练完成的所述冷机模型输入所述冷负荷预测模型输出的预定时间内冷负荷需求,作为输入数据,以输出所述冷负荷预测模型和所述冷机模型组合优化后的冷负荷需求数据。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的冷水机组人工智能控制方法。
本发明实施例还提供了一种终端设备,所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述任一实施例所述的冷水机组人工智能控制方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种冷水机组人工智能控制方法,其特征在于,包括:
建立冷负荷预测模型;
获取采集一定时间内的冷水机组的历史天气及生产数据作为第一训练数据;
将所述第一训练数据通过第一机器学习算法对所述冷负荷预测模型进行训练;
对训练完成的所述冷负荷预测模型输入未来的天气预报数据和生产计划,以使所述冷负荷预测模型输出预定时间内的冷负荷需求。
2.如权利要求1所述的冷水机组人工智能控制方法,其特征在于,所述第一机器学习算法,包括SVM回归算法、随机森林算法、stacking算法和LSTM算法。
3.如权利要求1所述的冷水机组人工智能控制方法,其特征在于,所述第一训练数据包括历史天气数据、客户人员数据和生产数据。
4.如权利要求1所述的冷水机组人工智能控制方法,其特征在于,还包括:
建立冷机模型;
获取采集一定时间内的冷机历史数据作为第二训练数据;
将所述第二训练数据通过第二机器学习算法对所述冷机模型进行训练;
对训练完成的所述冷机模型输入所述冷负荷预测模型输出的预定时间内冷负荷需求,作为输入数据,以输出所述冷负荷预测模型和所述冷机模型组合优化后的冷负荷需求数据。
5.如权利要求4所述的冷水机组人工智能控制方法,其特征在于,所述第二训练数据包括冷机的各项关键参数。
6.如权利要求4所述的冷水机组人工智能控制方法,其特征在于,所述第二机器学习算法包括:SVM回归算法、神经网络算法、l ightbgm、随机森林算法或stacking算法。
7.一种冷水机组人工智能控制装置,其特征在于,包括:
第一建立模块,用于建立冷负荷预测模型;
第一获取模块,用于获取采集一定时间内的冷水机组的历史天气及生产数据作为第一训练数据;
第一训练模块,用于将所述第一训练数据通过第一机器学习算法对所述冷负荷预测模型进行训练;
第一生成模块,用于对训练完成的所述冷负荷预测模型输入未来的天气预报数据和生产计划,以使所述冷负荷预测模型输出预定时间内的冷负荷需求。
8.如权利要求7所述的冷水机组人工智能控制装置,其特征在于,还包括:
第二建立模块,用于建立冷机模型;
第二获取模块,用于获取采集一定时间内的冷机历史数据作为第二训练数据;
第二训练模块,用于将所述第二训练数据通过第二机器学习算法对所述冷机模型进行训练;
第二生成模块,用于对训练完成的所述冷机模型输入所述冷负荷预测模型输出的预定时间内冷负荷需求,作为输入数据,以输出所述冷负荷预测模型和所述冷机模型组合优化后的冷负荷需求数据。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1~6任一项所述的冷水机组人工智能控制方法。
10.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1~6任一项所述的冷水机组人工智能控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457318.5A CN110222398B (zh) | 2019-05-29 | 2019-05-29 | 冷水机组人工智能控制方法、装置、存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457318.5A CN110222398B (zh) | 2019-05-29 | 2019-05-29 | 冷水机组人工智能控制方法、装置、存储介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222398A true CN110222398A (zh) | 2019-09-10 |
CN110222398B CN110222398B (zh) | 2023-01-13 |
Family
ID=67818485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910457318.5A Active CN110222398B (zh) | 2019-05-29 | 2019-05-29 | 冷水机组人工智能控制方法、装置、存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222398B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111735177A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 一种基于svr算法的中央空调系统冷负荷预测方法 |
CN112465230A (zh) * | 2020-11-30 | 2021-03-09 | 施耐德电气(中国)有限公司 | 一种自适应的冷水机组开机组合优化的预测方法及系统 |
CN112526888A (zh) * | 2021-02-07 | 2021-03-19 | 广州大学城能源发展有限公司 | 一种区域集中末端负荷预测方法 |
CN114636212A (zh) * | 2022-04-22 | 2022-06-17 | 苏州思萃融合基建技术研究所有限公司 | 一种基于grnn的多台冷水机组系统运行控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
CN102997374A (zh) * | 2012-12-31 | 2013-03-27 | 深圳市奥宇控制系统有限公司 | 一种空调负荷预测方法,装置及空调 |
WO2018004464A1 (en) * | 2016-06-29 | 2018-01-04 | Kirkham Group Pte Ltd | Large scale machine learning-based chiller plants modeling, optimization and diagnosis |
CN108709287A (zh) * | 2018-04-03 | 2018-10-26 | 广东迪奥技术有限公司 | 一种空调系统冷负荷预测方法及冷水机组群控的策略 |
-
2019
- 2019-05-29 CN CN201910457318.5A patent/CN110222398B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
CN102997374A (zh) * | 2012-12-31 | 2013-03-27 | 深圳市奥宇控制系统有限公司 | 一种空调负荷预测方法,装置及空调 |
WO2018004464A1 (en) * | 2016-06-29 | 2018-01-04 | Kirkham Group Pte Ltd | Large scale machine learning-based chiller plants modeling, optimization and diagnosis |
CN108709287A (zh) * | 2018-04-03 | 2018-10-26 | 广东迪奥技术有限公司 | 一种空调系统冷负荷预测方法及冷水机组群控的策略 |
Non-Patent Citations (1)
Title |
---|
周璇等: "基于PSO-SVR的冷水机组运行能效预测模型研究", 《制冷学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111735177A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 一种基于svr算法的中央空调系统冷负荷预测方法 |
CN112465230A (zh) * | 2020-11-30 | 2021-03-09 | 施耐德电气(中国)有限公司 | 一种自适应的冷水机组开机组合优化的预测方法及系统 |
CN112526888A (zh) * | 2021-02-07 | 2021-03-19 | 广州大学城能源发展有限公司 | 一种区域集中末端负荷预测方法 |
CN114636212A (zh) * | 2022-04-22 | 2022-06-17 | 苏州思萃融合基建技术研究所有限公司 | 一种基于grnn的多台冷水机组系统运行控制方法 |
CN114636212B (zh) * | 2022-04-22 | 2024-01-30 | 苏州思萃融合基建技术研究所有限公司 | 一种基于grnn的多台冷水机组系统运行控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110222398B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222398A (zh) | 冷水机组人工智能控制方法、装置、存储介质及终端设备 | |
US10853749B2 (en) | Method and system for minimizing time-variant energy demand and consumption of built environment | |
WO2022077588A1 (zh) | 可调节负荷参与需求响应的调用方法、系统及装置 | |
Sanandaji et al. | Ramping rate flexibility of residential HVAC loads | |
Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
Chen et al. | Electric demand response management for distributed large-scale internet data centers | |
Bucher et al. | On quantification of flexibility in power systems | |
Jafari-Marandi et al. | A distributed decision framework for building clusters with different heterogeneity settings | |
Chen et al. | Optimal demand response strategy of commercial building‐based virtual power plant using reinforcement learning | |
Totu et al. | Control for large scale demand response of thermostatic loads | |
Orsi et al. | Smart home energy planning using IoT and the cloud | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
Waseem et al. | Electrical demand and its flexibility in different energy sectors | |
US20230244197A1 (en) | Machine-learning-enhanced distributed energy resource management system | |
Luo et al. | Optimal operation scheduling for microgrid with high penetrations of solar power and thermostatically controlled loads | |
Nazir et al. | Load synchronization and sustained oscillations induced by transactive control | |
CN111738529A (zh) | 基于强化学习的综合能源系统需求响应方法、系统及设备 | |
Ren et al. | A multi-objective operation strategy optimization for ice storage systems based on decentralized control structure | |
Liang et al. | IoT-based intelligent energy management system for optimal planning of HVAC devices in net-zero emissions PV-battery building considering demand compliance | |
Li et al. | Agent-based optimisation systems for electrical load management | |
Chen et al. | The predictive management in campus heating system based on deep reinforcement learning and probabilistic heat demands forecasting | |
Hreinsson et al. | An Aggregate Model of the Flexible Energy Demand of Thermostatically Controlled Loads with Explicit Outdoor Temperature Dependency. | |
Tayeb et al. | Electrical energy management and load forecasting in a smart grid | |
Dokuchaev et al. | Optimal energy storing and selling in continuous time stochastic multi-battery setting | |
Song et al. | Two-stage stochastic scheduling of virtual power plant based on transactive control |
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 |