CN111561733B - 基于gbdt的供暖户阀调节方法、系统及设备 - Google Patents
基于gbdt的供暖户阀调节方法、系统及设备 Download PDFInfo
- Publication number
- CN111561733B CN111561733B CN202010419828.6A CN202010419828A CN111561733B CN 111561733 B CN111561733 B CN 111561733B CN 202010419828 A CN202010419828 A CN 202010419828A CN 111561733 B CN111561733 B CN 111561733B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- heating
- gbdt
- flow
- 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
- F24D19/1015—Arrangement or mounting of control or safety devices for water heating systems for central heating using a valve or valves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Steam Or Hot-Water Central Heating Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于GBDT的供暖户阀调节方法和调节系统,所述调节方法包括以下步骤:步骤一:获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据整合形成合成数据,利用合成数据搭建GBDT模型;步骤二:对GBDT模型的模型参数进行调整,获得最优预测模型;步骤三:将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;步骤四:将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度;通过GBDT与PID算法的结合,精确控制用户供热量。
Description
技术领域
本发明涉及供暖领域,具体涉及一种基于GBDT的供暖户阀调节方法、系统及设备。
背景技术
随着国民经济的发展和城镇化的推进,我国北方城镇建筑面积不断增长,其集中供热面积亦随之快速增长。
我国大部分供暖系统依然采用落后的粗放型调控方式,即仅仅依据室外温度或全凭经验确定换热站供水温度,依据回水温度进行反馈调节或根本不进行。
现有技术中大部分供暖户阀不具备流量调节功能。
较为先进的现有技术中,供暖户阀的开度主要通过PID控制算法进行调节,需要为PID控制算法设定追踪流量值;但该追踪流量值一般只能根据经验进行人工设定,导致该追踪流量值不准确,无法根据气象数据和供暖数据进行动态调整,也无法考虑用户的用热习惯差异对追踪流量值带来的影响。
发明内容
为解决上述技术问题,本发明提供一种基于GBDT的供暖户阀调节方法、系统及设备。
为解决上述技术问题,本发明采用如下技术方案:
一种基于GBDT的供暖户阀调节方法,包括以下步骤:
步骤一:获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据整合形成合成数据,利用合成数据搭建GBDT模型;
步骤二:对GBDT模型的模型参数进行调整,获得最优预测模型;
步骤三:将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
步骤四:将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
具体地,在步骤一和步骤三中:所述供暖数据包括静态供暖数据和动态供暖数据;所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度;所述静态供暖数据包括用户楼层号;所述气象数据包括:室外温度和风速。
具体地,步骤一中将历史的供暖数据和历史的气象数据以时间基准进行数据整合形成合成数据时,使得每条合成数据同时包含供暖数据以及气象数据。
具体地,步骤一中利用合成数据搭建GBDT模型之前,对合成数据进行异常数据处理。
具体地,步骤二中的模型参数包括弱学习器的最大迭代次数、弱学习器的步长、子采样率、损失函数的类型、分位数、最大特征数、决策树最大深度、内部节点再划分所需最小样本数、叶子节点最少样本数、叶子节点最小的样本权重和、最大叶子节点数以及节点划分最小不纯度;获得GBDT模型后计算其损失,并选取拥有最小损失的GBDT模型作为最优预测模型。
一种基于GBDT的供暖户阀调节系统,包括:
模型搭建模块,其获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据整合形成合成数据,利用合成数据搭建GBDT模型;
调优模块,其对GBDT模型的模型参数进行调整,获得最优预测模型;
流量预测模块,其将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
流量控制模块,其将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行所述调节方法的步骤。
与现有技术相比,本发明的有益技术效果是:
1.本发明通过学习历史的供暖数据和历史的气象数据建立基于GBDT的最优预测模型,并将待预测日的气象数据和供暖数据输入到最优预测模型,得到预测供热流量,结合PID控制算法实现供暖流量调节,该调节方法在考虑用户的用热习惯的基础上,可以根据气象条件和供热条件实时预测所需的供热流量,实现住户级供热的精确控制,从而达到节能目的。
2.通过提供自用户到单元的供热需求参考,能够提高供热利用率,避免传统粗放型供热系统中存在的热能浪费现象。
附图说明
图1为本发明调节方法的流程图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
GBDT,即Gradient Boosting Decision Tree,也被称为梯度提升迭代决策树;它通过构建并结合多个弱学习器来完成学习任务,预测精度高,适合低维数据和非线性数据,对连续值和离散值均具有较好的适应能力。调参时间少,预测的准确率高,与当下同类的基于深度学习实现算法相比,具有硬件资源占用少,训练速度快,预测效果近似的优势,比较适合在低廉硬件设备上部署。
供暖领域的硬件数量庞大,但硬件配置相对较低,故GBDT适合作为供暖领域的预测模型。
GBDT通过学习预测结果的残差,并不断进行训练,得到最优预测模型,这种预测模型能够将刻画在历史数据中的供热系统内部关系反映出来,将其他参数输入最优预测模型后,能够得到预测供热流量。
如图1所示,一种基于GBDT的供暖户阀调节方法,包括以下步骤:
S1:获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据整合形成合成数据,利用合成数据搭建GBDT模型;
S2:对GBDT模型的模型参数进行调整,获得最优预测模型;
S3:将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
S4:将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
在获取历史的供暖数据之前,需要进行异常用户处理,异常用户处理与后续的异常数据处理不同,异常用户处理是将明显异常用户的数据排除在历史供暖数据之外,从源头上保证数据的可靠性,异常用户包括未缴费的用户以及供暖阀功能异常的用户;异常用户处理的周期根据业务的需要进行设定。
搭建基于GBDT的GBDT模型之前,需要先对数据进行处理。
历史的供暖数据、气象数据往往来自不同的数据库。
历史的气象数据格式如下:
历史的供暖数据格式如下:
时间 | 用户室内温度 | 用户瞬时流量 | ... |
... | ... | ... | ... |
xxxx年xx月xx日00时 | xx | xx | ... |
xxxx年xx月xx日01时 | xx | xx | ... |
... | ... | ... | ... |
步骤一中将历史的供暖数据和历史的气象数据以时间基准进行数据整合形成合成数据时,使得每条合成数据同时包含供暖数据以及气象数据,合成数据的格式如下:
时间 | 室外温度 | ... | 用户室内温度 | ... |
... | ... | ... | ... | ... |
xxxx年xx月xx日00时 | xx | ... | xx | ... |
xxxx年xx月xx日01时 | xx | ... | xx | ... |
... | ... | ... | ... | ... |
并不要求任意两条相邻的合成数据具有相等的时间间隔。
利用合成数据搭建GBDT模型的具体过程如下。
GBDT建模的过程是一个不断迭代的过程,新的树是通过不断拟合残差得到的;输入为训练集T=(x1,y1),...,(xN,yN),xi∈Rn,yi∈R;输出为回归提升树fM(x)。
首先进行初始化,使得f0(x)=0;对于m=1,2,...,M,计算残差:
rm,i=yi-fm-1(xi),i=1,2,...,N;
拟合残差学习下一个回归树T(x,θm)的参数:
更新fm(x):
fm(x)=fm-1(x)+T(x;θm);
得到回归提升树:
即可以通过上述过程生成GBDT模型。
模型参数的调整过程需要注意以下事项:
1.为了提高调参过程中收敛的速度,首先将学习率固定在一个较大的值,本实施例中学习率设定为0.1。
2.对决策树的基本参数进行调参,例如估计器的数目、树的高度以及叶节点的个数等,分别对各个基本参数的特征进行网格搜索,得到参数的最佳值;
3.正则化参数调整,限制叶节点样本数目,限制分裂、采样率以及正则化参数,分别对各个参数特征进行网格搜索,得到参数的最佳值;
4.为提高模型的输出准确率,需要降低学习率重新训练。
本发明在考虑用户的用热习惯的基础上,可以根据气象条件和供热条件实时预测所需的供热流量,实现住户级供热的精确控制,从而达到节能目的。
不同的用户具有不同的用热习惯,相同的室温下,有的用户认为冷,有的用户认为热;当用户不满意当年的供热流量时,会联系相关人员不断地进行流量调整,所以用户的用热习惯会固化在历史的供暖数据中,而根据历史数据得到的GBDT模型必然能够考虑不同的用热习惯,提供不同的预测供热流量。
如果只需要得到粗略的预测供热流量,在步骤一和步骤三中:所述供暖数据包括静态供暖数据和动态供暖数据;所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度;所述静态供暖数据包括用户楼层号;所述气象数据包括:室外温度和风速;所述用户阀开度包括用户阀设定开度和用户阀实际开度。
对历史数据考虑的维度越多,则建立的模型越复杂,预测成本越高,但同时预测的精度会越高,如果需要更高的预测精度,则还需要考虑更多维度的历史数据。
当需要更高的预测精度时,所述动态供暖数据还包括:单元阀设定开度、单元阀实际开度、单元瞬时流量、单元瞬时热量、单元供水温度、单元回水温度、一次侧机组设定开度、一次侧机组实际开度、二次侧机组瞬时流量、二次侧机组瞬时热量、二次侧机组供水温度、二次侧机组回水温度;所述静态供暖数据还包括:用户供热方式、用户供热面积、单元供热面积、站级供热面积、用户其他物理位置、用户的邻居信息;所述气象数据还包括风向以及紫外线强度。
所述用户供热方式包括地暖供热和暖气片供热;用户楼层号属于用户物理位置的一种,用户其他物理位置包括用户的楼号、单元号、房间号和户型位置,户型位置为边户、底户、顶户以及中心户中的任一种;用户的邻居信息包括邻居缴费信息、邻居位置信息、邻居供热量以及邻居室温,邻居缴费信息是指用户周边各邻居是否存在缴费而不供暖、不缴费但私自供暖、缴费且正常供暖以及缴费但供暖异常的情况;事实上,用户邻居的供暖情况必然会影响到该用户的供暖体验。
在供热、供暖领域,上述这些参数之间相互影响,形成存在内部关联的系统,GBDT能够利用历史的数据,将该系统的内部关系反映出来,在知道未来时间段内的其他变量时,能够给出供热流量的预测值。
具体地,步骤一中利用合成数据搭建GBDT模型之前,对合成数据进行异常数据处理。
异常数据包括明显超出正常范围的表数据以及供暖户阀不响应上位控制导致的噪音数据。
明显异常的数据会在一定程度上影响系统内部的关联,影响最终预测供热流量的准确性,所以在利用序列数据搭建GBDT模型之前,需要对异常数据进行处理。例如:基于地暖的供水温度一般不超过60℃,不低于33℃,如果超出正常范围即认为是异常数据,可以用临近时间的数据做均值补充,也可参考邻户的供温数据来做补充,其他维度的异常数据的处理思路与之类同。
具体地,步骤二中的模型参数包括弱学习器的最大迭代次数、弱学习器的步长、子采样率、损失函数的类型、分位数、最大特征数、决策树最大深度、内部节点再划分所需最小样本数、叶子节点最少样本数、叶子节点最小的样本权重和、最大叶子节点数以及节点划分最小不纯度;获得GBDT模型后计算其损失,并选取拥有最小损失的GBDT模型作为最优预测模型。
综合比较各模型参数组合生成的GBDT模型的输出效果,选择损失最小的GBDT模型作为最优预测模型。
所述损失包括但不仅限于均方根误差。
一种基于GBDT的供暖户阀调节系统,包括:
模型搭建模块,其获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据整合形成合成数据,利用合成数据搭建GBDT模型;
调优模块,其对GBDT模型的模型参数进行调整,获得最优预测模型;
流量预测模块,其将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
流量控制模块,其将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度。
流量控制模块采用PID控制算法,将预测供热流量作为追踪流量值,并按偏差的比例(P)、积分(I)和微分(D)进行控制,调整供暖户阀的开度。
PID控制供暖户阀是现有常规技术。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行所述调节方法的步骤。
本发明能对单元内各用户的供热流量进行较为准确的预测,自然地可以为单元的整体供热流量提供参考,能够提高了供热效率,避免传统粗放型供热系统中存在的热能浪费现象。
在特定小区部署该发明中调节方法和调节系统,对小区内200个左右的有效住户进行试验验证,采用本发明中的调节方法和调节系统后,可在满足用户供暖需求的前提下,动态调节供热流量,相较于传统粗放型的供暖调节策略,可节约近30%的供热量。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立技术方案,说明书的这种叙述方式仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于GBDT的供暖户阀调节方法,包括以下步骤:
步骤一:获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据整合形成合成数据,利用合成数据搭建GBDT模型;
步骤二:对GBDT模型的模型参数进行调整,获得最优预测模型;
步骤三:将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
步骤四:将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度;
在步骤一和步骤三中:所述供暖数据包括静态供暖数据和动态供暖数据;所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度;所述静态供暖数据包括用户楼层号;所述气象数据包括:室外温度和风速;
所述动态供暖数据还包括:单元阀设定开度、单元阀实际开度、单元瞬时流量、单元瞬时热量、单元供水温度、单元回水温度、一次侧机组设定开度、一次侧机组实际开度、二次侧机组瞬时流量、二次侧机组瞬时热量、二次侧机组供水温度、二次侧机组回水温度;所述静态供暖数据还包括:用户供热方式、用户供热面积、单元供热面积、站级供热面积、用户其他物理位置、用户的邻居信息;所述气象数据还包括风向以及紫外线强度;
用户其他物理位置包括用户的楼号、单元号、房间号和户型位置,户型位置为边户、底户、顶户以及中心户中的任一种;用户的邻居信息包括邻居缴费信息、邻居位置信息、邻居供热量以及邻居室温。
2.根据权利要求1所述的基于GBDT的供暖户阀调节方法,其特征在于,步骤一中将历史的供暖数据和历史的气象数据以时间基准进行数据整合形成合成数据时,使得每条合成数据同时包含供暖数据以及气象数据。
3.根据权利要求1所述的基于GBDT的供暖户阀调节方法,其特征在于,步骤一中利用合成数据搭建GBDT模型之前,对合成数据进行异常数据处理。
4.根据权利要求1所述的基于GBDT的供暖户阀调节方法,其特征在于,步骤二中的模型参数包括弱学习器的最大迭代次数、弱学习器的步长、子采样率、损失函数的类型、分位数、最大特征数、决策树最大深度、内部节点再划分所需最小样本数、叶子节点最少样本数、叶子节点最小的样本权重和、最大叶子节点数以及节点划分最小不纯度;获得GBDT模型后计算其损失,并选取拥有最小损失的GBDT模型作为最优预测模型。
5.一种基于GBDT的供暖户阀调节系统,其特征在于,包括:
模型搭建模块,其获取历史的供暖数据以及历史的气象数据,将上述数据以时间为基准进行数据整合形成合成数据,利用合成数据搭建GBDT模型;
调优模块,其对GBDT模型的模型参数进行调整,获得最优预测模型;
流量预测模块,其将待预测日的气象数据以及除供热流量以外的供暖数据进行处理后,输入到最优预测模型内,获取待预测日的预测供热流量;
流量控制模块,其将预测供热流量作为PID控制算法的设定值,控制供暖户阀所需的开度;
所述供暖数据包括静态供暖数据和动态供暖数据;所述动态供暖数据包括用户室内温度、用户阀开度、用户瞬时流量、用户瞬时热量、用户供水温度、用户回水温度;所述静态供暖数据包括用户楼层号;所述气象数据包括:室外温度和风速;
所述动态供暖数据还包括:单元阀设定开度、单元阀实际开度、单元瞬时流量、单元瞬时热量、单元供水温度、单元回水温度、一次侧机组设定开度、一次侧机组实际开度、二次侧机组瞬时流量、二次侧机组瞬时热量、二次侧机组供水温度、二次侧机组回水温度;所述静态供暖数据还包括:用户供热方式、用户供热面积、单元供热面积、站级供热面积、用户其他物理位置、用户的邻居信息;所述气象数据还包括风向以及紫外线强度;
用户其他物理位置包括用户的楼号、单元号、房间号和户型位置,户型位置为边户、底户、顶户以及中心户中的任一种;用户的邻居信息包括邻居缴费信息、邻居位置信息、邻居供热量以及邻居室温。
6.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行如权利要求1-4中任一项所述调节方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419828.6A CN111561733B (zh) | 2020-05-18 | 2020-05-18 | 基于gbdt的供暖户阀调节方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419828.6A CN111561733B (zh) | 2020-05-18 | 2020-05-18 | 基于gbdt的供暖户阀调节方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111561733A CN111561733A (zh) | 2020-08-21 |
CN111561733B true CN111561733B (zh) | 2021-11-12 |
Family
ID=72071048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010419828.6A Active CN111561733B (zh) | 2020-05-18 | 2020-05-18 | 基于gbdt的供暖户阀调节方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111561733B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111589A (zh) * | 2021-04-25 | 2021-07-13 | 北京百度网讯科技有限公司 | 预测模型的训练方法、预测供热温度的方法、装置和设备 |
CN114777191A (zh) * | 2022-04-19 | 2022-07-22 | 山东科技大学 | 基于神经网络算法的供暖系统户阀调控方法 |
CN115374866B (zh) * | 2022-08-26 | 2023-08-11 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种集中供热中用户异常用热行为辨识方法 |
CN116105223B (zh) * | 2023-01-31 | 2023-10-27 | 北京华通兴远供热节能技术有限公司 | 一种基于预测的智能供热控制系统及方法 |
Citations (13)
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 |
CN103412526A (zh) * | 2013-07-12 | 2013-11-27 | 国家电网公司 | 一种供热机组在线负荷的调度方法与系统 |
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 |
CN107797581A (zh) * | 2017-09-04 | 2018-03-13 | 任升莲 | 一种暖通大数据节能系统 |
CN207317079U (zh) * | 2018-01-08 | 2018-05-04 | 烟台清泉实业有限公司 | 一种分户供暖智慧控制系统 |
CN108240679A (zh) * | 2018-02-22 | 2018-07-03 | 烟台科创捷能机电工程有限公司 | 一种基于建筑供暖负荷预测的供热方法、装置和系统 |
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 |
CN109489212A (zh) * | 2018-11-21 | 2019-03-19 | 珠海格力电器股份有限公司 | 一种空调智能睡眠控制方法、调整系统及设备 |
CN109681957A (zh) * | 2018-08-30 | 2019-04-26 | 中节能唯绿(北京)科技股份有限公司 | 一种换热站热负荷预测方法 |
CN109737493A (zh) * | 2019-01-23 | 2019-05-10 | 西安新玖大建设工程有限公司 | 一种新型供热智能控制系统和控制方法 |
CN110045610A (zh) * | 2019-04-18 | 2019-07-23 | 中国地质大学(武汉) | 逆变器改进型多步模型预测控制方法、设备及存储设备 |
CN110059819A (zh) * | 2018-01-17 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 器件的工作控制方法、装置、系统、控制设备及存储介质 |
CN110375381A (zh) * | 2019-08-07 | 2019-10-25 | 山东交通学院 | 一种基于流量控制的智能温控系统及其控制方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2428782A (en) * | 2005-07-26 | 2007-02-07 | Cametrics Ltd | Storage Heater Control Systems Using Weather Forecast Data |
JP4958460B2 (ja) * | 2006-03-29 | 2012-06-20 | 日立アプライアンス株式会社 | ヒートポンプ給湯機 |
JP2008014542A (ja) * | 2006-07-04 | 2008-01-24 | Osaka Gas Co Ltd | 熱媒供給システム |
CN102047051B (zh) * | 2008-08-27 | 2015-08-19 | 松下电器产业株式会社 | 食品贮藏库 |
JP5506468B2 (ja) * | 2010-03-11 | 2014-05-28 | 新日鉄住金エンジニアリング株式会社 | 電気めっき鋼板設備のクエンチタンクの温度制御方法 |
US9885123B2 (en) * | 2011-03-16 | 2018-02-06 | Asm America, Inc. | Rapid bake of semiconductor substrate with upper linear heating elements perpendicular to horizontal gas flow |
CN102520675B (zh) * | 2011-10-23 | 2014-03-12 | 西安交通大学 | 燃气联合循环与太阳能发电联合制热系统及其调度方法 |
JP6955655B2 (ja) * | 2016-11-14 | 2021-10-27 | 株式会社ニイガタマシンテクノ | 工作機械の温度調整装置 |
CN110537062A (zh) * | 2017-04-20 | 2019-12-03 | Agc株式会社 | 热循环系统 |
CN110307600A (zh) * | 2019-07-11 | 2019-10-08 | 广东美的制冷设备有限公司 | 空调系统及空调器 |
-
2020
- 2020-05-18 CN CN202010419828.6A patent/CN111561733B/zh active Active
Patent Citations (13)
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 |
CN103412526A (zh) * | 2013-07-12 | 2013-11-27 | 国家电网公司 | 一种供热机组在线负荷的调度方法与系统 |
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 |
CN107797581A (zh) * | 2017-09-04 | 2018-03-13 | 任升莲 | 一种暖通大数据节能系统 |
CN207317079U (zh) * | 2018-01-08 | 2018-05-04 | 烟台清泉实业有限公司 | 一种分户供暖智慧控制系统 |
CN110059819A (zh) * | 2018-01-17 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 器件的工作控制方法、装置、系统、控制设备及存储介质 |
CN108240679A (zh) * | 2018-02-22 | 2018-07-03 | 烟台科创捷能机电工程有限公司 | 一种基于建筑供暖负荷预测的供热方法、装置和系统 |
CN109681957A (zh) * | 2018-08-30 | 2019-04-26 | 中节能唯绿(北京)科技股份有限公司 | 一种换热站热负荷预测方法 |
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 |
CN109489212A (zh) * | 2018-11-21 | 2019-03-19 | 珠海格力电器股份有限公司 | 一种空调智能睡眠控制方法、调整系统及设备 |
CN109737493A (zh) * | 2019-01-23 | 2019-05-10 | 西安新玖大建设工程有限公司 | 一种新型供热智能控制系统和控制方法 |
CN110045610A (zh) * | 2019-04-18 | 2019-07-23 | 中国地质大学(武汉) | 逆变器改进型多步模型预测控制方法、设备及存储设备 |
CN110375381A (zh) * | 2019-08-07 | 2019-10-25 | 山东交通学院 | 一种基于流量控制的智能温控系统及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111561733A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111561733B (zh) | 基于gbdt的供暖户阀调节方法、系统及设备 | |
CN109270842B (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 | |
CN111561734B (zh) | 基于人工智能的供暖户阀调节方法、系统及设备 | |
Yang et al. | The coupled effects of personalized occupancy profile based HVAC schedules and room reassignment on building energy use | |
Foucquier et al. | State of the art in building modelling and energy performances prediction: A review | |
CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
Ding et al. | Multi-objective optimisation approach for campus energy plant operation based on building heating load scenarios | |
CN111476439B (zh) | 基于灰色时间序列的供暖户阀调节方法、系统及设备 | |
CN112856572A (zh) | 基于特征参数辨识的供热系统自动化运行调节方法 | |
CN111754037A (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
Ke et al. | Data‐Driven Predictive Control of Building Energy Consumption under the IoT Architecture | |
CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
Yu et al. | A distributed optimization algorithm for the dynamic hydraulic balance of chilled water pipe network in air-conditioning system | |
Häring et al. | Microgrid Oriented modeling of space heating system based on neural networks | |
Zhang | Energy-saving parameterized design of buildings based on genetic algorithm | |
Arabzadeh et al. | A cost-optimal solar thermal system for apartment buildings with district heating in a cold climate | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
CN114565167A (zh) | 一种新型热力入口负荷动态预测及调控方法 | |
Michailidis et al. | Automated control calibration exploiting exogenous environment energy: An Israeli commercial building case study | |
CN112560160A (zh) | 模型和数据驱动的暖通空调最优设定温度获取方法及设备 | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
Avotins et al. | IoT Solution Approach for Energy Consumption Reduction in Buildings: Part 3. Mathematical Model of Building and Experimental Results | |
CN114484556B (zh) | 一种基于目标能耗管控的供水温度调控方法 | |
Zhang et al. | A day-ahead operation regulation method for solar water heating based on model predictive control | |
CN113887127A (zh) | 一种基于建筑物热惰性的虚拟电厂优化调度方法及系统 |
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 |