CN111580382A - 基于人工智能的单元级供热调节方法及系统 - Google Patents
基于人工智能的单元级供热调节方法及系统 Download PDFInfo
- Publication number
- CN111580382A CN111580382A CN202010420785.3A CN202010420785A CN111580382A CN 111580382 A CN111580382 A CN 111580382A CN 202010420785 A CN202010420785 A CN 202010420785A CN 111580382 A CN111580382 A CN 111580382A
- Authority
- CN
- China
- Prior art keywords
- unit
- data
- heat supply
- value
- artificial intelligence
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000011002 quantification Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- DRHKJLXJIQTDTD-OAHLLOKOSA-N Tamsulosine Chemical compound CCOC1=CC=CC=C1OCCN[C@H](C)CC1=CC=C(OC)C(S(N)(=O)=O)=C1 DRHKJLXJIQTDTD-OAHLLOKOSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种基于人工智能的单元级供热调节方法及系统,首先结合实际供热采集原始数据,并对原始数据进行预处理;再通过人工智能算法进行模型训练,得到各单元楼流量预测模型以及机组供温预测模型;然后采集实时运行数据结合模型预测各单元楼所需流量以及机组供温;最后调节单元楼的阀门开度和机组供温实现各单元楼的供热调节。本发明将人工智能算法模型应用于单元级的供热调节,通过模型训练得到各单元楼流量及机组供温的预测模型,提前预测各单元楼达到目标室内均温所需的流量和供温,结合供热机组的运行数据实时调节,为供热机组提供更加科学合理的动态调节能力。
Description
技术领域
本发明涉及供热和人工智能技术领域,具体涉及基于人工智能的单元级供 热调节方法及系统。
背景技术
针对目前室温采集在供热行业中不够普遍的情况,供热行业推出典型室温采集方法,每个单元楼安装典型室温采集点,对于采集到的典型室温进行预处理, 计算出该单元楼的室内均温。通过对单元室内均温的观测,可观测每个单元楼 的供热情况,如室内均温较低时,提高供热量,以提高住户用热舒适度。
但在具体的供热中,需要专业人员根据小区的建筑特性、每个机组对应的供热 面积以及外部天气等参数,计算出供热机组及各单元楼在不同时刻所需要的流 量,然后由人工或传统软件进行流量由供热机组到各单元楼的二次分配。在这 个过程中,比较依赖人工经验以及现场工作人员的调节经验,如果调节的不合 理,则会导致各单元楼的室内均温差异较大,无法及时、合理地调节流量,导 致热浪费或供热不足影响到用户正常的生产生活。
发明内容
为了解决现有技术下,供热调节依赖人工经验以及现场工作人员的调节经 验,容易导致各单元楼的室内均温差异较大,无法及时、合理地调节流量;需 要提供一种具有科学合理的动态调节能力的单元级供热调节方法。
为实现上述目的,本发明采用如下技术方案:
基于人工智能的单元级供热调节方法,包括以下步骤:
结合实际供热采集原始数据,并对原始数据进行预处理;
通过人工智能算法进行模型训练,得到各单元楼流量预测模型以及机组供 温预测模型;
采集实时运行数据结合模型预测各单元楼所需流量以及机组供温;
调节单元楼的阀门开度和机组供温实现各单元楼的供热调节。
进一步地,所述原始数据包括从供热现场实际采集到的二次供温、二次回 温、二次供压、二次回压、瞬流、单耗、压差、室内均温、室外温度、风向、 风力等历史数据,以及实际运行中由人工经验得出的流量和供温调节数据。
进一步地,原始数据的预处理包括原始数据的均衡化划分,具体包括以下 步骤:
对原始数据进行清洗后有序地存储至原始数据集;
通过相似性计算将原始数据集划分为若干个子数据集;
按照固定比例从不同的子数据集中随机选取,将数据集划分为训练集、验 证集以及测试集。
进一步地,所述相似性计算的公式如下:
其中:X为参照数据,Yn为其他数据,r为X与Yn之间的相关系数,Cov(X,Yn) 为X与Yn的协方差,var(X)为X的方差,var(Yn)为Yn的方差。
进一步地,所述原始数据集的划分具体包括以下步骤:
建立一个数据集,从原始数据集中读取一条数据作为参照存储至该数据集;
设定相关系数的阈值,依次计算其他数据与参照数据的相关系数判断相似 性,若某一数据与参照数据的相关系数大于设定的阈值,则为相似数据,将该 数据存储至上述数据集中;
剩余非相似数据按照上述步骤进行分类,得到若干个数据集。
进一步地,原始数据的预处理还包括各单元楼室内均温的计算,具体包括 以下步骤:
采集某单元楼内若干个用户的室内供温和住户室内表面积;
计算该单元楼的室内均温,计算公式如下:
其中:avgtemp为室内均温,typical_tempi为某一用户的室内供温, surface_areai为某一用户的住户室内表面积。
进一步地,原始数据的预处理还包括风对室内温度影响的量化,其计算公 式为:风对室内温度影响的量化=风向量化*风力。
优选地,所述人工智能算法包括强化学习、逻辑回归算法、决策树算法、 朴素贝叶斯算法RNN、LSTM等。
进一步地,所述调节单元楼的阀门开度和机组供温实现各单元楼的供热调 节包括阀门内嵌PID模块的参数调节方法,具体步骤包括:
将PID模块参数调节过程的历史数据进行格式存储;
PID模块参数人工智能模型根据实时输入值,计算出PID模块三个调节系数 kp1、ki1、kd1,该实时输入包括目标值valuetarget1、实时结果值valuereal1、阀 门设定开度值和阀门实际开度值;
在历史数据中找到PID系统稳定状态中与实时输入值最接近的值所对应的 三个调节系数kp2、ki2、kd2,及目标值valuetarget2和实时结果值valuereal2;
计算目标值与实时结果值的差值:
valuediff1=|valuetarget1-valuereal1|
w1=1-valuediff1/valuetarget1
w2=valuediff1/valuetarget1
w1+w2=1
其中valuediff1为模型结果的目标值与实时结果值的差值,w1为模型结果的 权重系数,w2为传统调节经验的权重系数;
修正PID模块三个调节系数:
kp=w1*kp1+w2*kp2
ki=w1*ki1+w2*ki2
kd=w1*kd1+w2*kd2。
基于人工智能的单元级供热调节系统,包括:
数据处理模块,对结合实际供热和人工经验得到的原始数据进行预处理;
模型训练模块,通过人工智能算法对预处理后的原始数据进行模型训练, 得到各单元楼流量预测模型以及机组供温预测模型;
数据采集模块,定时采集供热机组的运行数据;以及
控制模块,结合模型预测各单元楼所需的流量和机组供温,自动调节机组 的阀门开度和机组供温实现各单元楼的供热调节。
由以上技术方案可知,本发明将人工智能算法模型应用于单元级的供热调 节,通过模型训练得到各单元楼流量以及机组供温的预测模型,提前预测各单 元楼达到目标室内均温所需的流量和供温,结合供热机组的运行数据实时调节, 为供热机组提供更加科学合理的动态调节能力。
附图说明
图1为本发明的步骤流程示意图;
图2为本发明的原理及系统框图;
图中:1、数据处理模块;2、模型训练模块;3、数据采集模块;4、控制 模块。
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做详细的说明。
如图1所示的基于人工智能的单元级供热调节方法,包括以下步骤:
S1、结合实际供热采集原始数据,并对原始数据进行预处理;
S2、通过人工智能算法进行模型训练,得到各单元楼流量预测模型以及机 组供温预测模型;
S3、采集实时运行数据结合模型预测各单元楼所需流量以及机组供温;
S4、调节单元楼的阀门开度和机组供温实现各单元楼的供热调节。
具体的,所述原始数据包括从供热现场实际采集到的二次供温、二次回温、 二次供压、二次回压、瞬流、单耗、压差、室内均温、室外温度、风向、风力 等历史数据,以及实际运行中由人工经验得出的流量和供温调节数据。
本发明所述的人工智能算法包括强化学习、逻辑回归算法、决策树算法、 朴素贝叶斯算法RNN、LSTM等。
本优选实施例所述原始数据的预处理包括原始数据的均衡化划分,具体包 括以下步骤:首先通过数据对齐、删除无效数据、数据插值等数据处理方法对 原始数据进行清洗,然后有序地存储至原始数据集;再通过相似性计算将原始 数据集划分为若干个子数据集;并按照固定比例从不同的子数据集中随机选取, 将数据集划分为训练集、验证集以及测试集。所述相似性计算的公式如下:
其中:X为参照数据,Yn为其他数据,r为X与Yn之间的相关系数,Cov(X,Yn) 为X与Yn的协方差,var(X)为X的方差,var(Yn)为Yn的方差。
具体的,所述原始数据集的划分具体包括以下步骤:首先建立一个数据集, 从原始数据集中读取一条数据作为参照存储至该数据集;然后设定相关系数的 阈值,依次计算其他数据与参照数据的相关系数判断相似性,若某一数据与参 照数据的相关系数大于设定的阈值,则为相似数据,将该数据存储至上述数据 集中;最后将剩余非相似数据按照上述步骤进行分类,得到若干个子数据集。
如下表所示三组原始数据Data1、Data2、Data3,相似性系数的阈值设为 0.7,然后按照上述相似性计算公式分别计算Data1和Data2、Data3之间的相 似系数。计算结果显示Data1和Data2之间的相似性系数为-0.4797,小于阈值 0.7,则两者不相似;Data1和Data3之间的相似性系数为0.771,大于阈值0.7, 则两者相似。
Data | Input1 | Input2 | Input3 | Input4 | Input5 | Input6 | Input7 | Input8 | Input9 | Input10 | 相似系数 |
1 | 36.98 | 5.95 | 25 | 25 | 25 | 23.16 | 23.26 | 23.38 | 0 | 1 | 1 |
2 | 37.29 | 5.74 | 25 | 25 | 25 | 23.18 | 23.16 | 23.26 | 0 | 3 | -0.4797 |
3 | 37.46 | 5.88 | 27.78 | 25 | 25 | 23.18 | 23.18 | 23.16 | 1 | 5 | 0.771 |
为了保证模型训练的精确度,本优选实施例所述数据集划分的固定比例为: 训练集占比70%,验证集占比10%,测试集占比20%,从若干个数据集中按比例 随机选取数据集存入训练集、验证集以及测试集中,也可以按照此原则对训练 集进行小批量数据划分,在进行模型训练,保证数据之间的差异性,达到较高 的均衡化。
现有技术下,常用室内均温的计算较为简单,采用典型室温的平均值或者 是加上面积的加权平均等方法,误差较大,本优选实施例所述的原始数据的预 处理还包括各单元楼室内均温的计算,采用基于表面积的加权平均方法,即通 过小区的建筑信息计算典型室温采集点的供热表面积(包括墙体、顶层和地面), 进而计算出单元楼室内均温,这种计算方式充分考虑参与热传递的表面积,不 仅仅局限于房间的测量面积,大大减小了室内均温的计算误差,增加了后续模 型训练的精确度。具体包括以下步骤:
采集某单元楼内若干个用户的室内供温和住户室内表面积;
计算该单元楼的室内均温,计算公式如下:
其中:avgtemp为室内均温,typical_tempi为某一用户的室内供温,surface_areai为某一用户的住户室内表面积。
依据经验,顺风(与建筑物朝向同向的风)会对建筑物的保温影响较大(反作 用),其它风向对建筑物保温影响则依次降低,与建筑物朝向垂直的风向,影响 最小。但是风向的量化,只简单的用数字量化,如下表所示,假设建筑物朝向 为南北向,依据风向对建筑物的保温的影响,对风向进行量化,但是仅仅通过 风向的向量化不能很好的反映风对室内温度的影响。本优选实施例所述的原始 数据的预处理还包括风对室内温度影响的量化,其计算公式为:风对室内温度 影响的量化=风向量化*风力;本优选实施例将风向和风力结合在一起,更好 的反映出风对室内温度的影响,即风力越大,建筑物保温层散温会更快,进一步提升训练模型的精度。
风向 | 南风 | 西南风 | 东南风 | 东风 | 西风 | 东北风 | 西北风 | 北风 |
风向量化 | -4 | -3 | -2 | -1 | -2 | -3 | -4 | -5 |
如图2所示的基于人工智能的单元级供热调节系统,包括数据处理模块1、 模型训练模块2、数据采集模块3以及控制模块4;所述数据处理模块用于对结 合实际供热和人工经验得到的原始数据进行预处理;所述模型训练模块主要通 过人工智能算法对预处理后的原始数据进行模型训练及优化,得到各单元楼流 量预测模型;通过数据采集模块定时采集供热机组的运行数据;结合流量预测 模型预测各单元楼所需流量,由控制模块自动调节机组的阀门开度控制二网供 温实现单元楼的供热调节。
本优选实施例所述的调节单元楼的阀门开度和机组供温实现各单元楼的供 热调节包括阀门内嵌PID模块的参数调节方法,具体步骤包括:
将PID模块参数调节过程的历史数据进行格式存储;
PID模块参数人工智能模型根据实时输入值,计算出PID模块三个调节系数 kp1、ki1、kd1,该实时输入包括目标值valuetarget1、实时结果值valuereal1、阀 门设定开度值和阀门实际开度值;
在历史数据中找到PID系统稳定状态中与实时输入值最接近的值所对应的 三个调节系数kp2、ki2、kd2,及目标值valuetarget2和实时结果值valuereal2;
计算目标值与实时结果值的差值:
valuediff1=|valuetarget1-valuereal1|
w1=1-valuediff1/valuetarget1
w2=valuediff1/valuetarget1
w1+w2=1
其中valuediff1为模型结果的目标值与实时结果值的差值,w1为模型结果的 权重系数,w2为传统调节经验的权重系数;
修正PID模块三个调节系数:
kp=w1*kp1+w2*kp2
ki=w1*ki1+w2*ki2
kd=w1*kd1+w2*kd2。
随着valuetarget1和valuereal1的值越来越接近,w1的值将越发趋近1,而w2则 会越发趋近于0,因而传统调节经验将在预测结果的修正中的比重越来越低。从 而达到逐渐下调传统调节经验在预测结果修正中的比重。
在具体的使用中,预测模型需定期进行训练优化,尤其早在采暖季期间需 要加大训练频率。同时得出的预测模型也需定期执行,及时给出各单元所需的 最新的预测流量flowi=1,2,3,....,m(m为当前机组对应的所有供热单元数量), 供热机组总的预测流量为假设某一时间段供热机组能 够提供的流量上下限为flowmax和flowmin,最终机组输出的总流量为flowout, 若flowmin≤flowpredict≤flowmax,则flowout=flowpredict;若flowmin>flowpredict,则flowout=flowmin;若flowpredict>flowmax,则flowout=flowmax。则最终分配给各单元楼的流量值的计算公式如下:
然后系统自动下发最新的单元流量值,由控制单元追踪调节单元流量,直 到各单元楼的输入流量和下发的最新单元流量一致,同理,按照此方法即可实 现二网供温的调节。
某小区为例按照本发明所述的调节方法运行一周,室内均温的目标值是 23°,实际运行室内均温也是在23°附近波动,调节效果较好。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发 明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员 对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确 定的保护范围内。
Claims (10)
1.基于人工智能的单元级供热调节方法,其特征在于,包括以下步骤:
结合实际供热采集原始数据,并对原始数据进行预处理;
通过人工智能算法进行模型训练,得到各单元楼流量预测模型以及机组供温预测模型;
采集实时运行数据结合模型预测各单元楼所需流量以及机组供温;
调节单元楼的阀门开度和机组供温实现各单元楼的供热调节。
2.根据权利要求1所述的基于人工智能的单元级供热调节方法,其特征在于,所述原始数据包括从供热现场实际采集到的二次供温、二次回温、二次供压、二次回压、瞬流、单耗、压差、室内均温、室外温度、风向、风力等历史数据,以及实际运行中由人工经验得出的流量和供温调节数据。
3.根据权利要求1所述的基于人工智能的单元级供热调节方法,其特征在于,原始数据的预处理包括原始数据的均衡化划分,具体包括以下步骤:
对原始数据进行清洗后有序地存储至原始数据集;
通过相似性计算将原始数据集划分为若干个子数据集;
按照固定比例从不同的子数据集中随机选取,将数据集划分为训练集、验证集以及测试集。
5.根据权利要求3或4所述的基于人工智能的单元级供热调节方法,其特征在于,所述原始数据集的划分具体包括以下步骤:
建立一个数据集,从原始数据集中读取一条数据作为参照存储至该数据集;
设定相关系数的阈值,依次计算其他数据与参照数据的相关系数判断相似性,若某一数据与参照数据的相关系数大于设定的阈值,则为相似数据,将该数据存储至上述数据集中;
剩余非相似数据按照上述步骤进行分类,得到若干个数据集。
7.根据权利要求1所述的基于人工智能的单元级供热调节方法,其特征在于,原始数据的预处理还包括风对室内温度影响的量化,其计算公式为:风对室内温度影响的量化=风向量化*风力。
8.根据权利要求1所述的基于人工智能的单元级供热调节方法,其特征在于,所述人工智能算法包括强化学习、逻辑回归算法、决策树算法、朴素贝叶斯算法RNN、LSTM等。
9.根据权利要求1所述的基于人工智能的单元级供热调节方法,其特征在于,所述调节单元楼的阀门开度和机组供温实现各单元楼的供热调节包括阀门内嵌PID模块的参数调节方法,具体步骤包括:
将PID模块参数调节过程的历史数据进行格式存储;
PID模块参数人工智能模型根据实时输入值,计算出PID模块三个调节系数kp1、ki1、kd1,该实时输入包括目标值valuetarget1、实时结果值valuereal1、阀门设定开度值和阀门实际开度值;
在历史数据中找到PID系统稳定状态中与实时输入值最接近的值所对应的三个调节系数kp2、ki2、kd2,及目标值valuetarget2和实时结果值valuereal2;
计算目标值与实时结果值的差值:
valuediff1=|valuetarget1-valuereal1|
w1=1-valuediff1/valuetarget1
w2=valuediff1/valuetarget1
w1+w2=1
其中valuediff1为模型结果的目标值与实时结果值的差值,w1为模型结果的权重系数,w2为传统调节经验的权重系数;
修正PID模块三个调节系数:
kp=w1*kp1+w2*kp2
ki=w1*ki1+w2*ki2
kd=w1*kd1+w2*kd2。
10.基于人工智能的单元级供热调节系统,用于实现上述权利要求1-9任一所述的基于人工智能的单元级供热调节方法,其特征在于,包括:
数据处理模块(1),对结合实际供热和人工经验得到的原始数据进行预处理;
模型训练模块(2),通过人工智能算法对预处理后的原始数据进行模型训练,得到各单元楼流量预测模型以及机组供温预测模型;
数据采集模块(3),定时采集供热机组的运行数据;以及
控制模块(4),结合模型预测各单元楼所需的流量和机组供温,自动调节机组的阀门开度和机组供温实现各单元楼的供热调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420785.3A CN111580382B (zh) | 2020-05-18 | 2020-05-18 | 基于人工智能的单元级供热调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420785.3A CN111580382B (zh) | 2020-05-18 | 2020-05-18 | 基于人工智能的单元级供热调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580382A true CN111580382A (zh) | 2020-08-25 |
CN111580382B CN111580382B (zh) | 2021-02-26 |
Family
ID=72113657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010420785.3A Active CN111580382B (zh) | 2020-05-18 | 2020-05-18 | 基于人工智能的单元级供热调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580382B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112984617A (zh) * | 2021-03-17 | 2021-06-18 | 瑞纳智能设备股份有限公司 | 一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法 |
CN113110057A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的热力站节能控制方法及智能决策系统 |
CN113110056A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的供热智能决策方法及智能决策机 |
CN113112094A (zh) * | 2021-05-10 | 2021-07-13 | 瑞纳智能设备股份有限公司 | 量化风况影响的热负荷预测方法、系统、装置及存储介质 |
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 |
CN114909707A (zh) * | 2022-04-24 | 2022-08-16 | 浙江英集动力科技有限公司 | 一种基于智能平衡装置和强化学习的供热二级网调控方法 |
CN112984617B (zh) * | 2021-03-17 | 2024-06-28 | 瑞纳智能设备股份有限公司 | 一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967004A (zh) * | 2012-11-26 | 2013-03-13 | 吉林市宏深科技有限公司 | 一种温度面积法热计量分摊装置及分摊方法 |
CN104199283A (zh) * | 2014-06-30 | 2014-12-10 | 张万军 | 一种电液伺服在线自调整模糊pid控制的测试系统及控制方法 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 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 |
-
2020
- 2020-05-18 CN CN202010420785.3A patent/CN111580382B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967004A (zh) * | 2012-11-26 | 2013-03-13 | 吉林市宏深科技有限公司 | 一种温度面积法热计量分摊装置及分摊方法 |
CN104199283A (zh) * | 2014-06-30 | 2014-12-10 | 张万军 | 一种电液伺服在线自调整模糊pid控制的测试系统及控制方法 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 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 |
Non-Patent Citations (2)
Title |
---|
刘寅: "《Hadoop下基于贝叶斯分类的气象数据挖掘研究》", 《万方学位论文》 * |
张明卫等: "《基于相关系数的加权朴素贝叶斯分类算法》", 《东北大学学报( 自然科学版)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112984617A (zh) * | 2021-03-17 | 2021-06-18 | 瑞纳智能设备股份有限公司 | 一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法 |
CN112984617B (zh) * | 2021-03-17 | 2024-06-28 | 瑞纳智能设备股份有限公司 | 一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法 |
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 |
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 |
CN113110057A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的热力站节能控制方法及智能决策系统 |
CN113110056A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的供热智能决策方法及智能决策机 |
CN113110056B (zh) * | 2021-04-20 | 2022-03-04 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的供热智能决策方法及智能决策机 |
CN113112094A (zh) * | 2021-05-10 | 2021-07-13 | 瑞纳智能设备股份有限公司 | 量化风况影响的热负荷预测方法、系统、装置及存储介质 |
CN113112094B (zh) * | 2021-05-10 | 2024-02-13 | 瑞纳智能设备股份有限公司 | 量化风况影响的热负荷预测方法、系统、装置及存储介质 |
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 |
CN114909707A (zh) * | 2022-04-24 | 2022-08-16 | 浙江英集动力科技有限公司 | 一种基于智能平衡装置和强化学习的供热二级网调控方法 |
CN114909707B (zh) * | 2022-04-24 | 2023-10-10 | 浙江英集动力科技有限公司 | 一种基于智能平衡装置和强化学习的供热二级网调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111580382B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111580382B (zh) | 基于人工智能的单元级供热调节方法及系统 | |
CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
WO2022166919A1 (zh) | 一种畜禽舍养殖环境温度预测控制系统及其调控方法 | |
Delgarm et al. | Multi-objective optimization of building energy performance and indoor thermal comfort: A new method using artificial bee colony (ABC) | |
CN111561732B (zh) | 基于人工智能的换热站供热调节方法及系统 | |
Spindler et al. | Naturally ventilated and mixed-mode buildings—Part II: Optimal control | |
CN111735178A (zh) | 基于精英主义和svr回归算法的空调节能系统及优化方法 | |
CN111486554B (zh) | 一种基于在线学习的空调温度无感化控制方法 | |
CN109948824B (zh) | 一种利用模式识别技术对热力站热负荷进行预测的方法 | |
CN111598225B (zh) | 一种基于自适应深度置信网络的空调冷负荷预测方法 | |
CN111609534B (zh) | 温度控制方法、装置及中央温度控制系统 | |
CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
Ghahramani et al. | Energy trade off analysis of optimized daily temperature setpoints | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN112527037B (zh) | 一种具有环境因子预测功能的温室环境调控方法和系统 | |
CN111047117B (zh) | 一种基于末端负荷预测的压差旁通阀节能优化方法 | |
CN115689068B (zh) | 一种基于室温修正和CNN-BiLSTM的热负荷预测方法 | |
CN113110057A (zh) | 一种基于人工智能的热力站节能控制方法及智能决策系统 | |
CN110895029A (zh) | 一种基于冷冻水的温度的建筑负荷预测方法 | |
CN107247407B (zh) | 一种基于云架构的大数据自我学习修正控制系统及方法 | |
CN114046593A (zh) | 一种动态预测性机器学习型空调节能控制方法及系统 | |
CN114740727B (zh) | 室外温度扰动条件下的空气源热泵动态能效优化控制方法 | |
CN113237135B (zh) | 基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法 | |
CN113110056B (zh) | 一种基于人工智能的供热智能决策方法及智能决策机 | |
CN114543274A (zh) | 一种建筑中央空调温湿度优化控制方法及系统 |
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 |