CN110332605B - 基于bp神经网络的热网能耗指标分析预警方法 - Google Patents
基于bp神经网络的热网能耗指标分析预警方法 Download PDFInfo
- Publication number
- CN110332605B CN110332605B CN201910640877.XA CN201910640877A CN110332605B CN 110332605 B CN110332605 B CN 110332605B CN 201910640877 A CN201910640877 A CN 201910640877A CN 110332605 B CN110332605 B CN 110332605B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- real
- heat supply
- heat
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
- F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
- F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
- F24D19/1048—Counting of energy consumption
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及供热系统的能耗分析及预测领域,具体为一种基于BP神经网络的热网能耗指标分析预警方法及系统,其中基于BP神经网络的热网能耗指标分析预警方法包括:采集的工况数据;对工况数据进行处理;根据处理后的工况数据实时计算各能耗指标,并分析热网供能情况;根据预测模型预测各能耗指标;以及根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警,对能耗指标在线分析与对比,不仅可以实时在线计算供热系统运行的能耗水平,而且可以基于预测结果,实现能耗预警,调整运行调度策略,有利于提升供热系统运行调控的精细化程度,降低热网运行能耗水平。
Description
技术领域
本发明涉及供热系统的能耗分析及预测领域,具体为一种基于BP神经网络的热网能耗指标分析预警方法及系统。
背景技术
供热系统能耗是衡量系统运行情况的重要指标,直接关系着企业的运营成本,对能耗指标的统计与分析,有利于掌握企业的能耗状态,提升企业的运行水平,从而实施更精细化的管理。在我国集中供热发展早期,行业自动化水平较为落后,多数供热企业的数据采集过程由人工完成,对供热系统指标的计算与分析也主要依赖于人工,运行模式比较粗放,导致整体运行能耗水平居高不下。近年来,由于互联网技术、物联网技术以及通讯技术的发展,供热企业开始逐步建设供热系统的SCADA平台,支持将各热力站点的数据统一采集到集控中心进行实时展示,但由于种种原因,如数据的通讯异常、工况的波动、设备精度等问题,导致热网采集数据的质量较差,常常无法有效的对热网能耗水平进行计算与分析。本专利提供集中供热系统能耗指标在线分析与对比方法,对供热系统运行能耗指标进行在线计算与预测性分析,为热网的运行优化提供参考与指导,对热网运行能耗过高情况进行预警与提醒。
基于上述技术问题,需要设计一种新的基于BP神经网络的热网能耗指标分析预警方法及系统。
发明内容
本发明的目的是提供一种基于BP神经网络的热网能耗指标分析预警方法及系统。
为了解决上述技术问题,本发明提供了一种基于BP神经网络的热网能耗指标分析预警方法,包括:
采集的工况数据;
对工况数据进行处理;
根据处理后的工况数据实时计算各能耗指标,并分析热网供能情况;
根据预测模型预测各能耗指标;以及
根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警。
进一步,所述采集工况数据的方法包括:
采集供热系统中各热力站、管网和建筑物的基础数据,以及采集供热系统、热源、热力站和建筑物的实时数据,即
将各数据库中所需要的基础数据和实时数据打包成数据视图,并且与所有数据库进行对接,以将所有所需要的基础数据和实时数据存储到相应的目标数据表中。
进一步,所述对工况数据进行处理的方法包括:
判断能耗数据的缺失程度,以选择补齐能耗数据的方法,即
所述能耗数据为供热时实时数据中产生能耗的数据;
设数据长度为B的能耗数据集表示为f=[f1,f2,...fg...fB],选取一个固定数据长度的窗口L,窗口内有m个能耗数据,当缺失能耗数据占总采样能耗数据的比例低于u%,则采用滑动平均法补齐能耗数据,否则采用基于马氏距离的k均值法补齐能耗数据。
进一步,所述采用滑动平均法进行补齐能耗数据的方法包括:
将窗口L内的m个能耗数据作为平移数据,基于平移数据的算术平均数填补缺失的能耗数据,并且窗口L内沿着能耗数据序列依次滑动,始终保持窗口L内的能耗数据个数为m;
其中,m=2n+1,g=n+1,n+2,...B-n,n为第n个能耗数据;
所述采用基于马氏距离的k均值法补齐能耗数据的方法包括:
计算马氏距离;
设能耗数据集D的I个能耗数据向量为X1~XI,其中能耗数据向量Xi的第v个属性值Xiv缺失,则Xi与完整能耗数据Xj的马氏距离为:
其中,为Xi与Xj的差向量的列向量;为协方差矩阵,qij为协方差;为能耗数据集D中所有能耗数据向量的第i个属性的平均值;设能耗数据向量Xi的第v个属性值Xiv缺失时,能耗数据向量Xi成为缺失能耗数据;
选取缺失能耗数据的最近邻域;
通过信息熵生成最近邻域的系数矩阵eo:
其中,i为第一自增变量;r为第二自增变量;
计算缺失能耗数据Xi最近邻域的加权平均值,对缺失能耗数据进行填补;
其中,Xiv的值为填补的能耗数据。
进一步,所述根据处理后的工况数据实时计算各能耗指标的方法包括:
根据相应实时计算模型实时计算热源能耗指标、热力站能耗指标、管网能耗指标、建筑物能耗指标和供热系统能耗指标;
所述热源能耗指标的实时计算模型包括:
单位采暖度日数耗热量的qHDD实时计算模型:
HDD=(tn-tw)×d;
HDD为统计周期采暖度日数,单位为℃.d;tn为统计周期室内平均温度,单位为℃;tw为统计周期室外平均温度,单位为℃;d为统计周期内的供暖天数,单位为d;
所述热力站能耗指标的实时计算模型包括:
所述管网能耗指标的实时计算模型包括:
一次管网热损失率α1的实时计算模型:
二次管网热损失率α2的实时计算模型:
二次管网供水温降Δte的实时计算模型:Δte=tec-tem;tec为热力站二次侧供水温度,单位为℃;tem为热力站二次侧进入建筑物入口的温度,单位为℃;
所述建筑物能耗指标的实时计算模型包括:
单位面积供热量qbA的实时计算模型:
Qb为统计周期楼栋热力入口总供热量,单位为GJ;Qbk为楼栋各热力入口的供热量,单位为GJ;b为楼栋热力入口数量,当楼栋安装热量计量总表时,b=1;
所述供热系统能耗指标的实时计算模型包括:
单位面积综合能耗exA的实时计算模型:
Ex为供热系统综合能耗,单位为tce;a为燃料折标准煤系数,单位为kgce/Nm3或kgce/kg;β为电力折标准煤系数,单位为kgce/kWh;
每间隔预设时间获取根据相应实时计算模型实时计算相应能耗指标。
进一步,所述分析热网供能情况的方法包括:
根据相应的实时计算模型实时计算的相应能耗指标,获取热网当前的功能情况。
进一步,所述根据预测模型预测各能耗指标的方法包括:
构建各能耗指标的输入输出关系模型,即
单位面积供热量qyA的输入输出关系模型:qyA=f1(T,Q'y),其影响因素为T和Q'y;
单位采暖度日数耗热量qHDD的输入输出关系模型:qHDD=f2(T,t'n,t'w,Q'y,d),其影响因素为T、t'n、t'w、Q'y和d;
单位面积燃料消耗量g0A的输入输出关系模型:g0A=f3(T,G'0,Q'y),其影响因素为T、G'0和Q'y;
单位供热量燃料消耗量g0Q的输入输出关系模型:g0Q=f4(T,G'0,Q'y),其影响因素为T、G'0和Q'y;
燃料平均利用效率ηy的输入输出关系模型:ηy=f5(T,G'0,Q'y),其影响因素为T、G'0和Q'y;
单位面积供热量qzA的输入输出关系模型:qzA=f6(T,Q'z),其影响因素为T和Q'z;
单位面积耗电量pzA的输入输出关系模型:pzA=f7(T,P'z,H),其影响因素为T、P'z和H;
单位面积耗水量WzA的输入输出关系模型:WzA=f8(T,P'z,Ps),其影响因素为T、P'z和Ps;
一次管网热损失率α1的输入输出关系模型:α1=f9(T,Q'y,Qzzj),其影响因素为T、Q'y和Qzzj;
二次管网热损失率α2的输入输出关系模型:α2=f10(T,Q'z,Q'bbk),其影响因素为T、Q'z和Q'bbk;
一次管网供水沿程温降Δts的输入输出关系模型:Δts=f11(T,tsc,t'sm),其影响因素为T、tsc和t'sm;
二次管网供水温降Δte的输入输出关系模型:Δte=f12(T,t'ec,t'em),其影响因素为T、t'ec和t'em;
单位面积供热量qbA的输入输出关系模型:qbA=f13(T,Q′y,Q'b),其影响因素为T、Qy′和Q'b;
单位面积耗电量PxA的输入输出关系模型:PxA=f14(T,Q'y,Hxxi),其影响因素为T、Q'y和Hxxi;
单位面积耗水量WxA的输入输出关系模型:WxA=f15(T,Q'y,Ps,Py),其影响因素为T、Q'y、Ps和Py;
单位面积综合能耗exA的输入输出关系模型:exA=f16(T,E'x),其影响因素为T和E'x;
单位供热量综合能耗exQ的输入输出关系模型:exQ=f17(T,Q'y,E'x),其影响因素为T、Q'y和E'x;
单位采暖度日数综合能耗eHDD的输入输出关系模型:eHDD=f18(T,E'x),其影响因素为T和E'x;
综合能效ηx的输入输出关系模型:ηx=f19(T,Q'b,E'x),其影响因素为T、Q'b和E'x;
其中,T为未来室外天气参数;H为循环泵频率,单位为Hz;Hxxi为供热系统内各水泵的频率,单位为Hz;Py为热源一次侧定水压力,单位为Mpa;Ps为热力站内二次侧定水压力,单位为Mpa;Q'y为上一统计周期内热源出口总供热量;t'n为上一统计周期室内平均温度;t'w为上一统计周期室外平均温度;G'0为上一统计周期热源总燃料消耗量;Q'z为上一统计周期热力站总供热量;P'z为上一统计周期热力站供暖系统总耗电量;Q'bbk为上一统计周期热力站所供各建筑物的供热量;t'sm为上一统计周期热力站一次侧入口处温度;t'ec为上一统计周期热力站二次侧供水温度;t'em为上一统计周期热力站二次侧进入建筑物入口的温度;Q'b为上一统计周期楼栋热力入口总供热量;E'x为上一统计周期供热系统综合能耗。
进一步,所述根据预测模型预测各能耗指标的方法还包括:
根据各能耗指标的输入输出关系模型,采用BP神经网络算法,建立各能耗指标的预测模型,即
建立能耗数据训练集E:E={Y,EY}={(y1,ey1),(y2,ey2),...,(yN,eyN)};Y为能耗指标的输入参数数据集,EY为能耗指标的输出参数数据集;N∈[1,19],N=1,2...,当N为1时ey1为qyA,输入参数数据集y1为qyA的影响因素的样本数据集;同理当N为2时ey2为qHDD;当N为3时ey3为g0A;当N为4时ey4为g0Q;当N为5时ey5为ηy;当N为6时ey6为qzA;当N为7时ey7为pzA;当N为8时ey8为WzA;当N为9时ey9为α1;当N为10时ey10为α2;当N为11时ey11为Δts;当N为12时ey12为Δte;当N为13时ey13为qbA;当N为14时ey14为PxA;当N为15时ey15为WxA;当N为16时ey16为exA;当N为17时ey17为exQ;当N为18时ey18为eHDD;当N为19时ey19为ηx;
设多层前馈网络结构包括:s个输入神经元、l个输出神经元,以及q个隐层神经元;
θj为输出层第j个神经元的阈值;γh为隐层第h个神经元的阈值;νhj为输入层第i个神经元与隐层第h个神经元之间的连接权;ωhj为隐层第h个神经元与输出层第j个神经元之间的连接权;隐层第h个神经元接收到的输入为bh为隐层第h个神经元的输出;隐层和输出层神经元采用的连接函数为
输入能耗指标(yk,eyk)的训练集E,获取收敛误差ξ;
根据输出的能耗指标的预测模型预测各能耗指标。
进一步,所述根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警的方法包括:
当实时能耗指标与预测能耗指标之间的差值大于预设范围时进行预警,即
另一方面,本发明还提供一种基于BP神经网络的热网能耗指标分析预警系统,包括:
采集模块,采集的工况数据;
处理模块,对工况数据进行处理;
实时计算模块,根据处理后的工况数据实时计算各能耗指标,并分析热网供能情况;
预测模块,根据预测模型预测各能耗指标;以及
预警模块,根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警。
本发明的有益效果是,本发明通过采集的工况数据;对工况数据进行处理;根据处理后的工况数据实时计算各能耗指标,并分析热网供能情况;根据预测模型预测各能耗指标;以及根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警,对能耗指标在线分析与对比,不仅可以实时在线计算供热系统运行的能耗水平,而且可以基于预测结果,实现能耗预警,调整运行调度策略,有利于提升供热系统运行调控的精细化程度,降低热网运行能耗水平。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明所涉及的基于BP神经网络的热网能耗指标分析预警方法的流程图;
图2是本发明所涉及的工况数据采集原理框图;
图3是本发明所涉及的滑动平均法的示意图;
图4是本发明所涉及的基于马氏距离的k均值法补齐能耗数据的方法的流程图;
图5是本发明所涉及的BP神经网络算法的结构图;
图6是本发明所涉及的实时能耗指标与预测能耗指标的折线图;
图7是本发明所涉及的基于BP神经网络的热网能耗指标分析预警系统的原理框图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些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,因此其仅显示与本发明有关的构成。
实施例1
图1是本发明所涉及的基于BP神经网络的热网能耗指标分析预警方法的流程图。
如图1所示,本实施例提供了一种基于BP神经网络的热网能耗指标分析预警方法,包括:步骤S100,采集的工况数据;步骤S200,对工况数据进行处理;步骤S300,根据处理后的工况数据实时计算各能耗指标,并分析热网供能情况;步骤S400,根据预测模型预测各能耗指标;以及步骤S500,根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警,对能耗指标在线分析与对比,不仅可以实时在线计算供热系统运行的能耗水平,而且可以基于预测结果,实现能耗预警,调整运行调度策略,有利于提升供热系统运行调控的精细化程度,降低热网运行能耗水平。
图2是本发明所涉及的工况数据采集原理框图。
如图2所示,在本实施例中,步骤S100,所述采集工况数据的方法包括:采集供热系统中各热力站、管网和建筑物的基础数据,以及采集供热系统、热源、热力站和建筑物的实时数据,即
将各数据库中所需要的基础数据和实时数据打包成数据视图,并且与所有数据库进行对接,以将所有所需要的基础数据和实时数据存储到相应的目标数据表中。
在本实施例中,与供热系统对接,接入供热自控系统运行的工况数据,包括:应充分考虑供热系统各设备数据采样周期、数据量、数据存储方式、数据对接与解析协议等问题,通过设计完善的数据库存储结构表,既要保证需求数据的完整性,又能满足在线计算的时效性。平台能同时接入多个地区供热系统的运行数据,能够快速完成能耗数据的对接,并要求数据对接具有统一性、扩展性、开放性等原则。需要读取的数据包括运行数据(即实时数据)与基础信息数据(即基础数据),基础信息数据为供热系统的基本属性,属于非实时采集的数据,无时间标签,一般一次性写入数据库中,或与企业的信息化平台对接获取。基础数据按供热系统的过程,分热力站、管道、建筑物的基础数据,以及各指标计算公式中的一些经验参数,可通过读取页面或配置文件来进行配置。运行数据是指各传感器实时采集的供热系统数据,带有时间标签,一般需要与供热自控系统对接,并实时获取与存储,实时数据按供热系统、热源、热力站、建筑物实时数据表存储到数据库中。与实时数据对接,可能会涉及到多个数据库(源数据库),采用关系型数据库视图形式,根据需求选用对应的数据,流程包括:从目标数据库1到目标数据库K中获取需要的数据(所需的基础数据和实时数据),按标准化数据协议打包成数据视图,与数据库1到数据库K进行对接,把接收到的所有数据存储到一张目标数据表中,后续数据清洗、在线计算或指标预测,仅需通过取用目标数据表中对应的数据即可;同时,基础信息数据与运行数据的存储按供热系统、热源、热力站、管网等分数据表进行存储,例如,可命名为如下表所示的热力站基础信息表(EMS_Stationbasic_info,即表1)、建筑物基础信息表(EMS_Buildingbasic_info,即表2)与供热系统实时数据表(EMS_systemrealdata,即表3)、热源实时数据表(EMS_Sourcerealdata,即表4)、热力站实时数据表(EMS_Stationrealdata,即表5)、建筑物实时数据表(EMS_buildingrealdata,即表6):
表1
建筑物名 | ID | 供热面积 |
表2
表3
表4
表5
表6
在本实施例中,所述步骤S200,对工况数据进行处理(即采用数据清洗算法对工况数据中的运行数据进行处理,剔除、补齐异常数据)的方法包括:步骤S210,判断能耗数据的缺失程度,以选择补齐能耗数据的方法,即数据清洗预处理过程的关键是去除干扰和噪声,提取有用信息;所述能耗数据为供热时实时数据中产生能耗的数据;
设数据长度为B的能耗数据集表示为f=[f1,f2,...fg...fB],选取一个固定数据长度的窗口L,窗口内有m个能耗数据,当缺失能耗数据占总采样能耗数据的比例低于u%,则采用滑动平均法补齐能耗数据,否则采用基于马氏距离的k均值法补齐能耗数据。
图3是本发明所涉及的滑动平均法的示意图。
如图3所示,在本实施例中,所述步骤S200,对工况数据进行处理的方法还包括:步骤S220,采用滑动平均法进行补齐能耗数据;所述采用滑动平均法进行补齐能耗数据的方法包括:将窗口L内的m个能耗数据近似看成平移数据,这样他们的算术平均相当于是一个常量,基于平移数据的算术平均数填补缺失的能耗数据,并且窗口L内沿着能耗数据序列依次滑动,窗口L滑动一次,自动丢掉最旧的一个数据,同时接受一个新的数据始终保持窗口L内的能耗数据个数为m;
其中,m=2n+1,g=n+1,n+2,...B-n,n为第n个能耗数据;i为第一自增变量。
图4是本发明所涉及的基于马氏距离的k均值法补齐能耗数据的方法的流程图。
如图4所示,在本实施例中,所述步骤S200,对工况数据进行处理的方法还包括:步骤S230,采用基于马氏距离的k均值法补齐能耗数据,若能耗数据集缺失严重,则需要考虑不同属性和能耗数据间的相关性;所述采用基于马氏距离的k均值法补齐能耗数据的方法包括:计算马氏距离:设能耗数据集D的I个能耗数据向量为X1~XI,其中能耗数据向量Xi的第v个属性值Xiv缺失,则Xi与完整能耗数据Xj的马氏距离为:
选取缺失能耗数据的最近邻域:根据计算得到的马氏距离,选取距离缺失能耗数据最近的z个完备能耗数据,组成缺失能耗数据Xi的(当能耗数据向量Xi的第v个属性值Xiv缺失时,能耗数据向量Xi成为缺失能耗数据)最近邻域
通过信息熵生成最近邻域的系数矩阵eo,来量化表示最近邻域中的能耗数据与缺失能耗数据的相似度,相似度越高,对填补能耗数据的影响越大:
其中,i为第一自增变量,di的值随着i的变化而变化;r为第二自增变量,dr的值随着r的变化而变化;
计算缺失能耗数据Xi最近邻域的加权平均值,对缺失能耗数据进行填补;
其中,Xiv的值为填补的能耗数据;er的值随着r的变化而变化;
采用数据清洗算法处理数据传输与采集过程中产生的异常数据,提升能耗指标计算的精度,有利于运行人员对供热系统的运行能耗进行更加科学的统计,
在本实施例中,所述步骤S300,根据处理后的工况数据实时计算各能耗指标的方法包括:根据相应实时计算模型实时计算热源能耗指标、热力站能耗指标、管网能耗指标、建筑物能耗指标和供热系统能耗指标;所述热源能耗指标的实时计算模型包括:单位面积供热量qyA的实时计算模型:Qy为统计周期内热源出口总供热量,单位为GJ;A为热源所供热的建筑物的建筑面积,单位为m2;
单位采暖度日数耗热量的qHDD实时计算模型:
HDD=(tn-tw)×d;
HDD为统计周期采暖度日数,单位为℃.d;tn为统计周期室内平均温度,单位为℃;tw为统计周期室外平均温度,单位为℃;d为统计周期内的供暖天数,单位为d;
所述热力站能耗指标的实时计算模型包括:
所述管网能耗指标的实时计算模型包括:
一次管网热损失率α1的实时计算模型:
二次管网热损失率α2的实时计算模型:
二次管网供水温降Δte的实时计算模型:Δte=tec-tem;tec为热力站二次侧供水温度,单位为℃;tem为热力站二次侧进入建筑物入口的温度,单位为℃;
所述建筑物能耗指标的实时计算模型包括:
单位面积供热量qbA的实时计算模型:
Qb为统计周期楼栋热力入口总供热量,单位为GJ;Qbk为楼栋各热力入口的供热量,单位为GJ;b为楼栋热力入口数量,当楼栋安装热量计量总表时,b=1;
所述供热系统能耗指标的实时计算模型包括:
单位面积综合能耗exA的实时计算模型:
Ex为供热系统综合能耗,单位为tce;a为燃料折标准煤系数,单位为kgce/Nm3或kgce/kg;β为电力折标准煤系数,单位为kgce/kWh;
每间隔预设时间(例如t分钟)获取根据相应实时计算模型实时计算相应能耗指标。
在本实施例中,所述分析热网供能情况的方法包括:根据相应的实时计算模型实时计算的相应能耗指标,获取热网当前的功能情况;以及还可以在预设时间范围内,根据连续的相应能耗指标的数值,获取相应能耗指标在预设时间范围内的变化趋势,分析统计热网的供能情况;从目标数据库中读取对应的数据,执行相应实时计算模型的在线计算,基于在线计算结果,即可分析统计热网当前的供能情况。按各指标的实际能耗、热源种类、热网站点的空间分布、各站点不同时段进行排序与分析,以表格、柱状图、饼图等方式进行展示。对能耗指标趋势及站点能耗排名分析,包括:(1)热源:多热源能耗指标占比、各热源近七天能耗指标趋势;(2)热力站:各站点能耗指标前十排名;最高、平均、最低能耗指标7天趋势;(3)热力站近7天最高、平均、最低能耗指标、建筑物近7天最高、平均、最低能耗指标数据;(4)建筑物:各站点能耗指标前十排名;最高、平均、最低能耗指标7天趋势;(5)供热系统能耗指标展示:供热系统近7天能耗指标趋势。
在本实施例中,所述步骤S400,根据预测模型预测各能耗指标的方法包括:步骤S410,构建各能耗指标的输入输出关系模型,供热系统的能耗与天气情况有很强的相关性,因此,气象数据是影响各项能耗指标的主要因素,即
单位面积供热量qyA的输入输出关系模型:qyA=f1(T,Q'y),其影响因素为T和Q'y;
单位采暖度日数耗热量qHDD的输入输出关系模型:qHDD=f2(T,t'n,t'w,Q'y,d),其影响因素为T、t'n、t'w、Q'y和d;
单位面积燃料消耗量g0A的输入输出关系模型:g0A=f3(T,G'0,Q'y),其影响因素为T、G'0和Q'y;
单位供热量燃料消耗量g0Q的输入输出关系模型:g0Q=f4(T,G'0,Q'y),其影响因素为T、G'0和Q'y;
燃料平均利用效率ηy的输入输出关系模型:ηy=f5(T,G'0,Q'y),其影响因素为T、G'0和Q'y;
单位面积供热量qzA的输入输出关系模型:qzA=f6(T,Q'z),其影响因素为T和Q'z;
单位面积耗电量pzA的输入输出关系模型:pzA=f7(T,P'z,H),其影响因素为T、P'z和H;
单位面积耗水量WzA的输入输出关系模型:WzA=f8(T,P'z,Ps),其影响因素为T、P'z和Ps;
一次管网热损失率α1的输入输出关系模型:α1=f9(T,Q'y,Qzzj),其影响因素为T、Q'y和Qzzj;
二次管网热损失率α2的输入输出关系模型:α2=f10(T,Q'z,Q'bbk),其影响因素为T、Q'z和Q'bbk;
一次管网供水沿程温降Δts的输入输出关系模型:Δts=f11(T,tsc,t'sm),其影响因素为T、tsc和t'sm;
二次管网供水温降Δte的输入输出关系模型:Δte=f12(T,t'ec,t'em),其影响因素为T、t'ec和t'em;
单位面积供热量qbA的输入输出关系模型:qbA=f13(T,Q′y,Q'b),其影响因素为T、Qy′和Q'b;
单位面积耗电量PxA的输入输出关系模型:PxA=f14(T,Q'y,Hxxi),其影响因素为T、Q'y和Hxxi;
单位面积耗水量WxA的输入输出关系模型:WxA=f15(T,Q'y,Ps,Py),其影响因素为T、Q'y、Ps和Py;
单位面积综合能耗exA的输入输出关系模型:exA=f16(T,E'x),其影响因素为T和E'x;
单位供热量综合能耗exQ的输入输出关系模型:exQ=f17(T,Q'y,E'x),其影响因素为T、Q'y和E'x;
单位采暖度日数综合能耗eHDD的输入输出关系模型:eHDD=f18(T,E'x),其影响因素为T和E'x;
综合能效ηx的输入输出关系模型:ηx=f19(T,Q'b,E'x),其影响因素为T、Q'b和E'x;
其中,T为未来室外天气参数,可以来自于天气预报(包括温度、湿度、风向、风力等);H为循环泵频率,为可控参数,单位为Hz;Hxxi为供热系统内各水泵的频率,为可控参数,单位为Hz;Py为热源一次侧定水压力,为可控参数,单位为Mpa;Ps为热力站内二次侧定水压力,为可控参数,单位为Mpa;Q'y为上一统计周期内热源出口总供热量;t'n为上一统计周期室内平均温度;t'w为上一统计周期室外平均温度;G'0为上一统计周期热源总燃料消耗量;Q'z为上一统计周期热力站总供热量;P'z为上一统计周期热力站供暖系统总耗电量;Q'bbk为上一统计周期热力站所供各建筑物的供热量;t'sm为上一统计周期热力站一次侧入口处温度;t'ec为上一统计周期热力站二次侧供水温度;t'em为上一统计周期热力站二次侧进入建筑物入口的温度;Q'b为上一统计周期楼栋热力入口总供热量;E'x为上一统计周期供热系统综合能耗。
图5是本发明所涉及的BP神经网络算法的结构图。
如图5所示,在本实施例中,所述步骤S400,根据预测模型预测各能耗指标的方法还包括:步骤S420,根据各能耗指标的输入输出关系模型和影响因素,采用BP神经网络算法,建立各能耗指标的预测模型,即建立能耗数据训练集E:E={Y,EY}={(y1,ey1),(y2,ey2),...,(yN,eyN)};Y为能耗指标的输入参数数据集,EY为能耗指标的输出参数数据集;N∈[1,19],N=1,2...,当N为1时ey1为qyA,输入参数数据集y1为qyA的影响因素的样本数据集;同理当N为2时ey2为qHDD;当N为3时ey3为g0A;当N为4时ey4为g0Q;当N为5时ey5为ηy;当N为6时ey6为qzA;当N为7时ey7为pzA;当N为8时ey8为WzA;当N为9时ey9为α1;当N为10时ey10为α2;当N为11时ey11为Δts;当N为12时ey12为Δte;当N为13时ey13为qbA;当N为14时ey14为PxA;当N为15时ey15为WxA;当N为16时ey16为exA;当N为17时ey17为exQ;当N为18时ey18为eHDD;当N为19时ey19为ηx;当N取不同值时,yN对应的样本数据输入参数集为对应的输入输出关系模型的影响因素的样本数据集;设多层前馈网络结构包括:s个输入神经元、l个输出神经元,以及q个隐层神经元;θj为输出层第j个神经元的阈值;γh为隐层第h个神经元的阈值;νhj为输入层第i个神经元与隐层第h个神经元之间的连接权;ωhj为隐层第h个神经元与输出层第j个神经元之间的连接权;隐层第h个神经元接收到的输入为bh为隐层第h个神经元的输出;隐层和输出层神经元采用的连接函数为对第k个预测的能耗指标(yk,eyk),通过神经网络模型计算则神经网络在(yk,eyk)上的均方差为
基于BP神经网络算法的步骤如下:
输入能耗指标(yk,eyk)的训练集E,初始化算法参数,获取收敛误差ξ;基于连接函数与输入参数数据集yk,计算以及计算预测的能耗指标的均方差Mk;判断是否满足收敛条件Mk<ξ,当满足时输出能耗指标的神经网络模型此时即为能耗指标的预测模型,否则基于梯度算法,计算输出神经元βj的负梯度方向:以及计算隐层神经元的负梯度方向:重新连接ωhj、νhj与阈值θj、γh,并重新进行计算以及计算均方差Mk,直至输出能耗指标的预测模型;
根据输出的能耗指标的预测模型预测各能耗指标,即基于各能耗指标的实时计算模型和预测模型,连接历史工况数据,实现对各能耗指标的在线预测;基于能耗指标的在线计算与预测,使运行人员实时掌握当前系统的能耗水平,并辅助分析当前工况条件下供热系统运行能耗情况,配合日(月)调度计划调整运行方式,为供热系统运行出现能耗过高的情况进行预警,并及时作好供热系统排查与调控,提升供热企业精细化运行管理水平。
图6是本发明所涉及的实时能耗指标与预测能耗指标的折线图。
如图6所示,在本实施例中,所述步骤S500,根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警的方法包括:当实时能耗指标与预测能耗指标之间的差值大于预设范围时进行预警,即
基于实时计算模型在线计算得到的能耗指标,用于反映物理供热系统实时运行的能耗情况;基于预测模型计算获得的能耗指标,则反映出按照历史工况的运行模式,预测当前工况条件下的能耗情况,是历史运行经验的体现,具有较大的参考价值,在当前在线计算得到的能耗指标与预测能耗发生较大偏移时,为运行人员提供预警;向运行人员给出供热系统运行能耗偏移的预警,及时排查供热系统热源或各站点的运行,是否存在能耗过高的异常运行情况,通过在线计算能耗指标与预测指标的实时对比,维持供热系统运行的节能性。
实施例2
图7是本发明所涉及的基于BP神经网络的热网能耗指标分析预警系统的原理框图。
如图7所示,在实施例1的基础上,本实施例2还提供一种基于BP神经网络的热网能耗指标分析预警系统,包括:采集模块,采集的工况数据;处理模块,对工况数据进行处理;实时计算模块,根据处理后的工况数据实时计算各能耗指标,并分析热网供能情况;预测模块,根据预测模型预测各能耗指标;以及预警模块,根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警。
综上所述,本发明通过采集的工况数据;对工况数据进行处理;根据处理后的工况数据实时计算各能耗指标,并分析热网供能情况;根据预测模型预测各能耗指标;以及根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警,对能耗指标在线分析与对比,不仅可以实时在线计算供热系统运行的能耗水平,而且可以基于预测结果,实现能耗预警,调整运行调度策略,有利于提升供热系统运行调控的精细化程度,降低热网运行能耗水平。
采用数据清洗算法处理数据传输与采集过程中产生的异常数据,提升能耗指标计算的精度,有利于运行人员对供热系统的运行能耗进行更加科学的统计;基于能耗指标的在线计算与预测,使运行人员实时掌握当前系统的能耗水平,并辅助分析当前工况条件下供热系统运行能耗情况,配合日(月)调度计划调整运行方式,为供热系统运行出现能耗过高的情况进行预警,并及时作好供热系统排查与调控,提升供热企业精细化运行管理水平。
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 (7)
1.一种基于BP神经网络的热网能耗指标分析预警方法,其特征在于,包括:
采集的工况数据;
对工况数据进行处理;
根据处理后的工况数据实时计算各能耗指标,并分析热网供能情况;
根据预测模型预测各能耗指标;以及
根据实时各能耗指标与预测各能耗指标对供热系统的运行能耗进行预警;
所述采集工况数据的方法包括:
采集供热系统中各热力站、管网和建筑物的基础数据,以及采集供热系统、热源、热力站和建筑物的实时数据,即
将各数据库中所需要的基础数据和实时数据打包成数据视图,并且与所有数据库进行对接,以将所有所需要的基础数据和实时数据存储到相应的目标数据表中;
所述对工况数据进行处理的方法包括:
判断能耗数据的缺失程度,以选择补齐能耗数据的方法,即
所述能耗数据为供热时实时数据中产生能耗的数据;
设数据长度为B的能耗数据集表示为f=[f1,f2,...fg...fB],选取一个固定数据长度的窗口L,窗口L内有m个能耗数据,当缺失能耗数据占总采样能耗数据的比例低于u%,则采用滑动平均法补齐能耗数据,否则采用基于马氏距离的k均值法补齐能耗数据。
2.如权利要求1所述的基于BP神经网络的热网能耗指标分析预警方法,其特征在于,
所述采用滑动平均法进行补齐能耗数据的方法包括:
将窗口L内的m个能耗数据作为平移数据,基于平移数据的算术平均数填补缺失的能耗数据,并且窗口L内沿着能耗数据序列依次滑动,始终保持窗口L内的能耗数据个数为m;
其中,m=2n+1,g=n+1,n+2,...B-n,n为第n个能耗数据;
所述采用基于马氏距离的k均值法补齐能耗数据的方法包括:
计算马氏距离;
设能耗数据集D的I个能耗数据向量为X1~XI,其中能耗数据向量Xi的第v个属性值Xiv缺失,则Xi与完整能耗数据Xj的马氏距离为:
其中,(Xi-Xj)T为Xi与Xj的差向量的列向量;为协方差矩阵,qij为协方差;为能耗数据集D中所有能耗数据向量的第i个属性的平均值;设能耗数据向量Xi的第v个属性值Xiv缺失时,能耗数据向量Xi成为缺失能耗数据;
选取缺失能耗数据的最近邻域;
通过信息熵生成最近邻域的系数矩阵eo:
其中,i为第一自增变量;r为第二自增变量;
计算缺失能耗数据Xi最近邻域的加权平均值,对缺失能耗数据进行填补;
其中,Xiv的值为填补的能耗数据。
3.如权利要求2所述的基于BP神经网络的热网能耗指标分析预警方法,其特征在于,
所述根据处理后的工况数据实时计算各能耗指标的方法包括:
根据相应实时计算模型实时计算热源能耗指标、热力站能耗指标、管网能耗指标、建筑物能耗指标和供热系统能耗指标;
所述热源能耗指标的实时计算模型包括:
单位采暖度日数耗热量的qHDD实时计算模型:
HDD=(tn-tw)×d;
HDD为统计周期采暖度日数,单位为℃.d;tn为统计周期室内平均温度,单位为℃;tw为统计周期室外平均温度,单位为℃;d为统计周期内的供暖天数,单位为d;
所述热力站能耗指标的实时计算模型包括:
所述管网能耗指标的实时计算模型包括:
一次管网热损失率α1的实时计算模型:
二次管网热损失率α2的实时计算模型:
二次管网供水温降Δte的实时计算模型:Δte=tec-tem;tec为热力站二次侧供水温度,单位为℃;tem为热力站二次侧进入建筑物入口的温度,单位为℃;
所述建筑物能耗指标的实时计算模型包括:
单位面积供热量qbA的实时计算模型:
Qb为统计周期楼栋热力入口总供热量,单位为GJ;Qbk为楼栋各热力入口的供热量,单位为GJ;b为楼栋热力入口数量,当楼栋安装热量计量总表时,b=1;
所述供热系统能耗指标的实时计算模型包括:
单位面积综合能耗exA的实时计算模型:
Ex为供热系统综合能耗,单位为tce;a为燃料折标准煤系数,单位为kgce/Nm3或kgce/kg;β为电力折标准煤系数,单位为kgce/kWh;
每间隔预设时间获取根据相应实时计算模型实时计算相应能耗指标。
4.如权利要求3所述的基于BP神经网络的热网能耗指标分析预警方法,其特征在于,
所述分析热网供能情况的方法包括:
根据相应的实时计算模型实时计算的相应能耗指标,获取热网当前的功能情况。
5.如权利要求4所述的基于BP神经网络的热网能耗指标分析预警方法,其特征在于,
所述根据预测模型预测各能耗指标的方法包括:
构建各能耗指标的输入输出关系模型,即
单位面积供热量qyA的输入输出关系模型:qyA=f1(T,Q′y),其影响因素为T和Q′y;
单位采暖度日数耗热量qHDD的输入输出关系模型:qHDD=f2(T,t′n,t′w,Q′y,d),其影响因素为T、t′n、t′w、Q′y和d;
单位面积燃料消耗量g0A的输入输出关系模型:g0A=f3(T,G′0,Q′y),其影响因素为T、G′0和Q′y;
单位供热量燃料消耗量g0Q的输入输出关系模型:g0Q=f4(T,G′0,Q′y),其影响因素为T、G′0和Q′y;
燃料平均利用效率ηy的输入输出关系模型:ηy=f5(T,G′0,Q′y),其影响因素为T、G′0和Q′y;
单位面积供热量qzA的输入输出关系模型:qzA=f6(T,Q′z),其影响因素为T和Q′z;
单位面积耗电量pzA的输入输出关系模型:pzA=f7(T,P′z,H),其影响因素为T、P′z和H;
单位面积耗水量WzA的输入输出关系模型:WzA=f8(T,P′z,Ps),其影响因素为T、P′z和Ps;
一次管网热损失率α1的输入输出关系模型:α1=f9(T,Q′y,Qzzj),其影响因素为T、Q′y和Qzzj;
二次管网热损失率α2的输入输出关系模型:α2=f10(T,Q′z,Q′bbk),其影响因素为T、Q′z和Q′bbk;
一次管网供水沿程温降Δts的输入输出关系模型:Δts=f11(T,tsc,t′sm),其影响因素为T、tsc和t′sm;
二次管网供水温降Δte的输入输出关系模型:Δte=f12(T,t′ec,t′em),其影响因素为T、t′ec和t′em;
单位面积供热量qbA的输入输出关系模型:qbA=f13(T,Q′y,Q′b),其影响因素为T、Q′y和Q′b;
单位面积耗电量PxA的输入输出关系模型:PxA=f14(T,Q′y,Hxxi),其影响因素为T、Q′y和Hxxi;
单位面积耗水量WxA的输入输出关系模型:WxA=f15(T,Q′y,Ps,Py),其影响因素为T、Q′y、Ps和Py;
单位面积综合能耗exA的输入输出关系模型:exA=f16(T,E′x),其影响因素为T和E′x;
单位供热量综合能耗exQ的输入输出关系模型:exQ=f17(T,Q′y,E′x),其影响因素为T、Q′y和E′x;
单位采暖度日数综合能耗eHDD的输入输出关系模型:eHDD=f18(T,E′x),其影响因素为T和E′x;
综合能效ηx的输入输出关系模型:ηx=f19(T,Q′b,E′x),其影响因素为T、Q′b和E′x;
其中,T为未来室外天气参数;H为循环泵频率,单位为Hz;Hxxi为供热系统内各水泵的频率,单位为Hz;Py为热源一次侧定水压力,单位为Mpa;Ps为热力站内二次侧定水压力,单位为Mpa;Q′y为上一统计周期内热源出口总供热量;t′n为上一统计周期室内平均温度;t′w为上一统计周期室外平均温度;G′0为上一统计周期热源总燃料消耗量;Q′z为上一统计周期热力站总供热量;P′z为上一统计周期热力站供暖系统总耗电量;Q′bbk为上一统计周期热力站所供各建筑物的供热量;t′sm为上一统计周期热力站一次侧入口处温度;t′ec为上一统计周期热力站二次侧供水温度;t′em为上一统计周期热力站二次侧进入建筑物入口的温度;Q′b为上一统计周期楼栋热力入口总供热量;E′x为上一统计周期供热系统综合能耗。
6.如权利要求5所述的基于BP神经网络的热网能耗指标分析预警方法,其特征在于,
所述根据预测模型预测各能耗指标的方法还包括:
根据各能耗指标的输入输出关系模型,采用BP神经网络算法,建立各能耗指标的预测模型,即
建立能耗数据训练集E:E={Y,EY}={(y1,ey1),(y2,ey2),...,(yN,eyN)};Y为能耗指标的输入参数数据集,EY为能耗指标的输出参数数据集;N∈[1,19],N=1,2...,当N为1时ey1为qyA,输入参数数据集y1为qyA的影响因素的样本数据集;同理当N为2时ey2为qHDD;当N为3时ey3为g0A;当N为4时ey4为g0Q;当N为5时ey5为ηy;当N为6时ey6为qzA;当N为7时ey7为pzA;当N为8时ey8为WzA;当N为9时ey9为α1;当N为10时ey10为α2;当N为11时ey11为Δts;当N为12时ey12为Δte;当N为13时ey13为qbA;当N为14时ey14为PxA;当N为15时ey15为WxA;当N为16时ey16为exA;当N为17时ey17为exQ;当N为18时ey18为eHDD;当N为19时ey19为ηx;
设多层前馈网络结构包括:s个输入神经元、l个输出神经元,以及q个隐层神经元;
θj为输出层第j个神经元的阈值;γh为隐层第h个神经元的阈值;νhj为输入层第i个神经元与隐层第h个神经元之间的连接权;ωhj为隐层第h个神经元与输出层第j个神经元之间的连接权;隐层第h个神经元接收到的输入为bh为隐层第h个神经元的输出;隐层和输出层神经元采用的连接函数为
输入能耗指标(yk,eyk)的训练集E,获取收敛误差ξ;
根据输出的能耗指标的预测模型预测各能耗指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640877.XA CN110332605B (zh) | 2019-07-16 | 2019-07-16 | 基于bp神经网络的热网能耗指标分析预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640877.XA CN110332605B (zh) | 2019-07-16 | 2019-07-16 | 基于bp神经网络的热网能耗指标分析预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110332605A CN110332605A (zh) | 2019-10-15 |
CN110332605B true CN110332605B (zh) | 2020-12-29 |
Family
ID=68145372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910640877.XA Active CN110332605B (zh) | 2019-07-16 | 2019-07-16 | 基于bp神经网络的热网能耗指标分析预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110332605B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112161322B (zh) * | 2020-09-24 | 2022-04-29 | 深圳市合信达控制系统有限公司 | 一种供暖设备及其控制方法 |
CN112686442A (zh) * | 2020-12-29 | 2021-04-20 | 博锐尚格科技股份有限公司 | 基于运行多样性空调末端能耗预测方法和系统 |
CN113065772B (zh) * | 2021-04-06 | 2023-03-24 | 临沂蓝天热力有限公司 | 一种基于k-means聚类算法构建供热系统调控目标模型的方法 |
CN113591283B (zh) * | 2021-07-15 | 2023-10-10 | 新奥数能科技有限公司 | 燃气锅炉的运行氧量调整方法、装置和计算机设备 |
CN116776512A (zh) * | 2021-08-25 | 2023-09-19 | 陕西启迪瑞行清洁能源研究院有限公司 | 一种基于单位面积能耗的确定管网损耗方法 |
CN114110434B (zh) * | 2021-11-23 | 2023-10-27 | 中海石油气电集团有限责任公司 | 一种lng接收站在线数字化节能诊断与调控方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162346A (zh) * | 2013-03-27 | 2013-06-19 | 新奥科技发展有限公司 | 基于云服务的集中供暖监控系统及集中供暖系统调节方法 |
CN103294729A (zh) * | 2012-03-05 | 2013-09-11 | 富士通株式会社 | 处理、预测包含样本点的时间序列的方法和设备 |
WO2015011446A1 (en) * | 2013-07-24 | 2015-01-29 | University Court Of Glasgow Caledonian University | Control device and method for buildings |
CN104534556A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的供热控制方法 |
CN104791903A (zh) * | 2015-04-30 | 2015-07-22 | 北京上庄燃气热电有限公司 | 一种热网智能调度系统 |
CN109140580A (zh) * | 2018-07-28 | 2019-01-04 | 清华大学 | 一种空气源热泵采暖设备适宜性区划方法 |
CN109297086A (zh) * | 2018-09-10 | 2019-02-01 | 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 |
CN109740803A (zh) * | 2018-12-24 | 2019-05-10 | 北京航天智造科技发展有限公司 | 一种数据驱动的热网运行优化方法 |
-
2019
- 2019-07-16 CN CN201910640877.XA patent/CN110332605B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294729A (zh) * | 2012-03-05 | 2013-09-11 | 富士通株式会社 | 处理、预测包含样本点的时间序列的方法和设备 |
CN103162346A (zh) * | 2013-03-27 | 2013-06-19 | 新奥科技发展有限公司 | 基于云服务的集中供暖监控系统及集中供暖系统调节方法 |
WO2015011446A1 (en) * | 2013-07-24 | 2015-01-29 | University Court Of Glasgow Caledonian University | Control device and method for buildings |
CN104534556A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的供热控制方法 |
CN104791903A (zh) * | 2015-04-30 | 2015-07-22 | 北京上庄燃气热电有限公司 | 一种热网智能调度系统 |
CN109140580A (zh) * | 2018-07-28 | 2019-01-04 | 清华大学 | 一种空气源热泵采暖设备适宜性区划方法 |
CN109297086A (zh) * | 2018-09-10 | 2019-02-01 | 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 |
CN109740803A (zh) * | 2018-12-24 | 2019-05-10 | 北京航天智造科技发展有限公司 | 一种数据驱动的热网运行优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110332605A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110332605B (zh) | 基于bp神经网络的热网能耗指标分析预警方法 | |
CN113159339B (zh) | 一种基于大数据的一台区一指标线损管理方法及系统 | |
WO2019237440A1 (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN109685240A (zh) | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 | |
CN108876132B (zh) | 基于云的工业企业能效服务推荐方法和系统 | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN109164704B (zh) | 一种基于混合模型的空压机群组优化调度方法 | |
CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
CN111476397B (zh) | 应用于中长期电量安全校核的母线负荷预测方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN113418229A (zh) | 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 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114862267A (zh) | 一种输油气管道报警管理体系的评价方法及系统 | |
CN114418177A (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
CN110458479A (zh) | 一种新能源领域技术成果转化为技术标准的潜力评估方法 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN113887833A (zh) | 一种分布式能源用户侧逐时负荷预测方法及系统 | |
CN114757330A (zh) | 基于lstm的城市瞬时用水量预测方法 | |
CN112330089B (zh) | 装备制造类企业的综合能效监测方法及监测系统 | |
CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
CN112149976A (zh) | 一种基于人工智能的电网精准投资项目决策方法 |
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 |