CN111928334A - 基于边云协同框架的供热控制方法、系统及计算机设备 - Google Patents
基于边云协同框架的供热控制方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN111928334A CN111928334A CN202010747309.2A CN202010747309A CN111928334A CN 111928334 A CN111928334 A CN 111928334A CN 202010747309 A CN202010747309 A CN 202010747309A CN 111928334 A CN111928334 A CN 111928334A
- Authority
- CN
- China
- Prior art keywords
- heat supply
- edge
- network
- whole
- model
- 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.)
- Pending
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
- F24D19/1012—Arrangement or mounting of control or safety devices for water heating systems for central heating by regulating the speed of a pump
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)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于边云协同框架的供热控制方法，所述供热控制方法包括以下步骤：根据边缘计算和云计算的特点，将人工智能模型训练为全网计算模型和边缘计算模型；将全网计算模型动态部署到全网计算平台，将边缘计算模型动态部署到边缘计算平台；边缘计算平台获取供热设备的实时供热数据，并通过边缘计算模型对实时供热数据进行处理，产生用于供热设备的边缘控制指令，同时将实时供热数据发送到全网计算平台；全网计算平台通过全网计算模型对多个供热设备的实时供热数据以及相应的边缘控制指令进行处理，产生用于整个供热网的全网控制指令，并将全网控制指令广播至所有边缘计算平台进行执行。
Description
技术领域
本发明涉及供热设备领域，具体涉及一种基于边云协同框架的供热控制方法、系统及计算机设备。
背景技术
供热系统也称供热网，供热系统的信息网络是一个包含“云-管-边-端”的一体化大型网络系统，设备类型复杂多样、数量庞大且分布广泛，对网络稳定性、计算、存储、运维管理有较高要求。人工智能作为新一代供热系统的重要组成部分，可以分布在网络系统的各个节点，为数据量庞大的供热系统提供支持。
现有技术中的供热控制系统多采用云计算单独部署或边缘计算单独部署的方式，但统一化的算法模型不能满足不同供热设备的特性化需求；边缘计算模式不能发挥全网的计算能力，缺乏对供热网的整体控制能力。
发明内容
为解决上述技术问题，本发明提供一种基于边云协同框架的供热控制方法、系统及计算机设备。
为解决上述技术问题，本发明采用如下技术方案：
一种基于边云协同框架的供热控制方法，所述边云协同框架包括靠近供热设备且用于为供热设备提供边缘控制指令的边缘计算平台和为整个供热网提供全网控制指令的全网计算平台，所述供热控制方法包括以下步骤：
步骤一：根据边缘计算和云计算的特点，将人工智能模型训练为全网计算模型和边缘计算模型；将全网计算模型动态部署到全网计算平台，将边缘计算模型动态部署到边缘计算平台；
步骤二：边缘计算平台获取供热设备的实时供热数据，并通过边缘计算模型对实时供热数据进行处理，产生用于供热设备的边缘控制指令，同时将实时供热数据发送到全网计算平台；
步骤三：全网计算平台通过全网计算模型对多个供热设备的实时供热数据以及边缘控制指令进行处理，产生用于整个供热网的全网控制指令，并将全网控制指令广播至所有边缘计算平台进行执行。
具体地，所述边云协同框架还包括热网平台；步骤二中，供热设备的实时供热数据以及边缘控制指令发送至全网计算平台前，先发送至热网平台，热网平台对多个供热设备的实时供热数据和边缘控制指令进行汇聚并发送至全网计算平台，所述热网平台存储并通过可视化方式展示所述实时供热数据。
具体地，步骤二中，边缘计算模型对实时供热数据进行处理并产生边缘控制指令的过程如下：所述边缘计算模型为基于LSTM模型的预测模型；将供热设备的实时供热数据按时间维度进行对齐处理形成输入数据，对输入数据进行归一化处理后形成标准化数据，将标准化数据输入到边缘计算模型中生成边缘供热需求，将包含边缘供热需求的边缘控制指令发送至该供热设备。
具体地，步骤三中，全网计算模型对多个供热设备的实时供热数据以及边缘控制指令进行处理并生成全网控制指令的过程如下：所述全网计算模型为基于灰度模型的预测模型，将各边缘计算模型生成的边缘供热需求和各供热设备的实时供热数据输入全网计算模型中，生成全网供热需求；将全网控制指令广播至所有边缘计算平台进行执行时，所述全网控制指令中包含全网供热需求，如果全网的实际供热总量高于全网供热需求，则降低全网的总水泵转速；如果全网的实际供热总量低于全网供热需求，则各供热设备的水泵按比例增加开度，其中所述比例为未执行全网控制指令时各供热设备供热量的比例。
具体地，步骤一中，将边缘计算模型动态部署到边缘计算平台时：根据该边缘计算平台所控制供热设备的节点特征，为该边缘计算平台部署相应的边缘计算模型。
一种基于边云协同框架的供热控制系统，包括：
模型训练服务模块，其根据边缘计算和云计算的特点，将人工智能模型训练为全网计算模型和边缘计算模型；将全网计算模型动态部署到全网计算平台，将边缘计算模型动态部署到边缘计算平台；
边缘计算平台，其获取供热设备的实时供热数据，并通过边缘计算模型对实时供热数据进行处理，产生用于供热设备的边缘控制指令，同时将实时供热数据发送到全网计算平台；
全网计算平台，其通过全网计算模型对多个供热设备的实时供热数据以及边缘控制指令进行处理，产生用于整个供热网的全网控制指令，并将全网控制指令广播至所有边缘计算平台进行执行。
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供热控制方法的步骤。
与现有技术相比，本发明的有益技术效果是：
本发明不是简单的云计算加边缘计算的模型部署方式，其通过匹配边缘计算模型为特定供热设备提供个性化计算控制，将边缘计算模型的计算结果和实时供热数据汇聚到云平台，实现对整个供热网的控制，这种控制并不仅以实时供热数据为基础，还将边缘计算模型的动态计算控制过程考虑进来；这种整体化的控制方法，使得供热设备得到个性化的近端控制，提高了控制的时效性，还能够从整体上进行把控，避免单一边缘节点的无序控制。
附图说明
图1为本发明控制方法的流程图；
图2为本发明控制方法的时序图；
图3为本发明控制系统的结构图。
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。
如图1和2所示，一种基于边云协同框架的供热控制方法，所述边云协同框架包括靠近供热设备且用于为供热设备提供边缘控制指令的边缘计算平台和为整个供热网提供全网控制指令的全网计算平台，所述供热控制方法包括以下步骤：
S1：根据边缘计算和云计算的特点，将人工智能模型训练为全网计算模型和边缘计算模型；将全网计算模型动态部署到全网计算平台，将边缘计算模型动态部署到边缘计算平台。
具体地，步骤一中，将边缘计算模型动态部署到边缘计算平台时：根据该边缘计算平台所控制供热设备的节点特征，为该边缘计算平台部署相应的边缘计算模型。
人工智能有很多种具体模型，步骤一中，边缘计算要求时效性高，但数据处理量小，全网计算数据处理量大，不同的人工智能模型有不同适用范围，根据人工智能模型与计算类型的匹配程度，分别训练为边缘计算模型和全网计算模型。
步骤一中的动态部署还体现在全网计算模型和边缘计算模型的动态更新上；例如有的边缘计算模型是在少量数据的情况下训练出来的，随着模型使用时间变长，数据量逐渐增加，数据中心对边缘计算模型持续进行训练，得到控制效果更好的计算模型，可以定期用这些模型替换原有模型，以达到更好的控制效果。
供热设备一般为一个小区或者一栋建筑提供供热支持，可以将小区或者建筑看作一个边缘节点。
步骤一中，所述节点特征包括：该边缘节点是否存在历史数据、有效历史数据的数量、供热面积、楼层高度等；如果一个边缘计算模型在与该边缘节点对应的边缘计算平台上能够稳定运行，则该模型会被存入数据中心；当一个新的边缘节点需要部署边缘计算平台和边缘计算模型时，将该边缘节点的节点特征与所有边缘计算模型适用的节点特征进行匹配，找到最适合部署在该边缘节点上的边缘计算模型，进行部署，从而完成边缘计算模型的动态部署；具体来说，如果一个边缘节点的节点特征与已有边缘计算模型适用的节点特征完全相同，则选择该边缘计算模型部署到该边缘节点上；如果该边缘节点的节点特征与已有边缘计算模型使用的节点特征不完全相同，则对两个边缘节点按照是否存在历史数据、有效历史数据的数量、供热面积、楼层高度的匹配顺序，寻找最合适的边缘计算模型，进而完成部署。
S2：边缘计算平台获取供热设备的实时供热数据，并通过边缘计算模型对实时供热数据进行处理，产生用于供热设备的边缘控制指令，同时将实时供热数据发送到全网计算平台。
具体地，所述边云协同框架还包括热网平台；步骤二中，供热设备的实时供热数据发送至全网计算平台前，先发送至热网平台，热网平台对多个供热设备的实时供热数据进行汇聚并发送至全网计算平台，所述热网平台存储并通过可视化方式展示所述实时供热数据。
具体地，步骤二中，边缘计算模型对实时供热数据进行处理并产生边缘控制指令的过程如下：所述边缘计算模型为基于LSTM模型的预测模型；将供热设备的实时供热数据按时间维度进行对齐处理形成输入数据，对输入数据进行归一化处理后形成标准化数据，将标准化数据输入到边缘计算模型中生成边缘供热需求，将包含边缘供热需求的边缘控制指令发送至该供热设备。
LSTM的全称为Long Short Term Memory，也被称为长短期记忆网络，主要解决的是样本数据为序列的建模问题，如语音序列和语言序列。多数情况下，序列数据的每个元素并不是相互独立，其存在依赖关系，而LSTM模型能够揭示序列数据的内在联系。
LSTM处理的是序列建模问题，给定一个长度为T输入序列数据{X0,X1,X2…Xt}，其中Xt表示的是序列数据在t时刻的输入特征向量，这里的t时刻应做广义理解，其并不只能表示时间，其主要作用在于表明这是一个序列输入问题。
建模过程中需要得到每个时刻的隐含特征{h0,h1,h2…ht}，这些隐含特征用于后面层的特征输入。
对于LSTM模型来说，其在计算t时刻的输出时，不仅考虑当前时刻的输入特征Xt，而且引入前一个时刻的隐含特征ht-1，相当于提取了前面t-1个时刻的输入特征，而t时刻为新状态，可以理解为计算当前时刻输出的时候，既考虑当前状态，又考虑历史状态对当前状态影响，也正是因为这样的结构设计，LSTM模型特别适合序列问题。
LSTM模型训练时，会将能够影响供热量的历史供热数据，以及对应的供热量输入到模型中，试图寻找历史供热数据与供热量之间的内在联系。
通过LSTM模型进行计算时，需要先将实时供热数据处理为符合输入条件的序列数据。
将实时供热数据按时间维度进行对齐处理，采用矩阵形式存储，实时供热数据包括气温、气压、风速、湿度。
之后采用最小最大值归一化方法进行标准化处理，使数据映射到[0，1]内。
将标准化数据输入到LSTM模型中，输出边缘供热需求，根据边缘供热需求向边缘节点中的供热设备发出边缘控制指令，边缘供热需求包含在边缘控制指令中。
边缘供热需求实际上控制边缘节点的供热量，边缘控制指令可以通过供水温度和供水流量对供热量进行控制。
当气温、气压、风速以及湿度发生变化时，边缘供热需求也随之发生变化，而这种数据之间的内在联系体现在历史数据中；而采用历史数据训练完成后，LSTM模型能够揭示实时供热数据与边缘供热需求之间的内在联系，故能够根据实时供热数据计算出边缘供热需求。
实时供热数据实际上是能够对供热量产生影响的外部数据的统称。
S3：全网计算平台通过全网计算模型对多个供热设备的实时供热数据以及边缘控制指令进行处理，产生用于整个供热网的全网控制指令，并将全网控制指令广播至所有边缘计算平台进行执行。
具体地，步骤三中，全网计算模型对多个供热设备的实时供热数据以及边缘控制指令进行处理并生成全网控制指令的过程如下：所述全网计算模型为基于灰度模型的预测模型，将各边缘计算模型生成的边缘供热需求和各供热设备的实时供热数据输入全网计算模型中，生成全网供热需求；将全网控制指令广播至所有边缘计算平台进行执行时，所述全网控制指令中包含全网供热需求，如果全网的实际供热总量高于全网供热需求，则降低全网的总水泵转速；如果全网的实际供热总量低于全网供热需求，则各供热设备的水泵按比例增加开度，其中所述比例为未执行全网控制指令时各供热设备供热量的比例。
全网计算模型的数据来源不仅仅是各供热设备的实时供热数据，还包括边缘供热需求；边缘供热需求实际上是一种边缘计算模型对边缘节点供热量的调控指令，例如边缘节点的供热量为15，边缘计算模型发出的边缘供热需求为20，则边缘指令会使边缘节点的供热设备阀门开度增大，直至供热量达到20。
全网计算模型对实时供热数据进行计算分析的同时，边缘计算模型会对边缘节点的阀门开度进行调节，如果不考虑边缘供热需求，则全网计算模型发出的全网控制指令的根基是在一个失真的系统上产生的，必然无法对全网系统进行很好的调控。
例如，如果一个边缘节点的供热量为15，另一个边缘节点的供热量为20，全网控制指令使两个边缘节点的供热量均下降一半，则前一个供热量会下降至7.5，后一个会下降至10，但在全网控制指令计算的同时，如果前一个边缘节点已经被边缘控制指令调控至10，另一个边缘节点已经被边缘控制指令调控至30，则全网控制平台所应该发出的全网控制指令与其实际发出的指令不相符，造成全网调控失灵。
灰度模型的基础理论为灰色系统理论，是一种研究少数据、贫信息、不确定性问题的方法，其以“部分信息已知，部分信息未知”的“小样本”、“贫信息”为研究对象，对“部分”已知信息进行生成和开发，提取出有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控。
灰色系统理论提出的关联度分析方法，能够根据因素之间发展态势的相似或相异程度来衡量因素间关联的程度，揭示事物动态关联的特征与程度；由于以发展态势为立足点，因此对样本量没有太高的要求，也不需要典型的分布规律，计算量少到甚至可用手算，且不致出现关联度的量化结果与定性分析不一致的情况。
将实时供热数据以及边缘供热需求输入到灰度模型中，此时灰度模型不仅考虑到了实时的供热状态，还考虑到边缘计算模型对供热状态的动态影响，进而能够产生适应真实供热网的全网控制指令。
边缘供热需求即为边缘控制指令，是边缘控制指令的数据化表现形式，其包含在边缘控制指令中；边缘控制指令不仅包含该边缘节点所应该达到的供热量，还包括对边缘节点各阀门的动作指令。
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，灰色系统理论能够利用历史的数据，将该系统的内部关系反映出来，在知道其他变量时，能够给出供热量的预测值。
全网计算模型还能够综合考虑各热源的成本，比对各供热影响因子的经济代价，在同样额度的供热量下，按照最经济的供热因子配比对热源进行选择。
一种基于边云协同框架的供热控制系统，包括：
模型训练服务模块，其根据边缘计算和云计算的特点，将人工智能模型训练为全网计算模型和边缘计算模型；将全网计算模型动态部署到全网计算平台，将边缘计算模型动态部署到边缘计算平台；
边缘计算平台，其获取供热设备的实时供热数据，并通过边缘计算模型对实时供热数据进行处理，产生用于供热设备的边缘控制指令，同时将实时供热数据发送到全网计算平台；
全网计算平台，其通过全网计算模型对多个供热设备的实时供热数据以及边缘控制指令进行处理，产生用于整个供热网的全网控制指令，并将全网控制指令广播至所有边缘计算平台进行执行。
如图3所示，数据中心即为模型训练服务模块，数据中心提供全网计算模型、边缘计算模型的训练，并存储各种计算模型以及相关数据，以应用平台和数据仓库的形式提供数据资源和模型资源。
智能网关即为边缘计算平台，负责设备的对接、数据的按需路由和存储，在近供热设备端实现数据计算和数据处理，是边缘计算模型的运行平台。智能网关可以实现了供热设备与边缘计算模型的解耦，保存在模型训练服务模块的各种边缘计算模型，可以动态在部署智能网关上，以边缘应用程序的方式运行。供热设备包括换热站设备、换热机组、单元楼宇设备、热力平衡阀等，各供热设备通过MBus总线与相应的换热站智能网关或者单元智能网关连接，换热站智能网关对换热机组和换热站设备进行数据收集和控制，单元智能网关对单元楼宇设备和平衡阀进行数据收集和控制，换热站智能网关和单元智能网关通过LoraMesh网络将数据汇总至系统智能网关，系统智能网关将汇总数据通过IP网络发送至云平台。
云平台即为全网计算平台，其对汇总数据进行处理，产生全网控制指令。
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供热控制方法的步骤。
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 (7)
1.一种基于边云协同框架的供热控制方法，所述边云协同框架包括靠近供热设备且用于为供热设备提供边缘控制指令的边缘计算平台和为整个供热网提供全网控制指令的全网计算平台，所述供热控制方法包括以下步骤：
步骤一：根据边缘计算和云计算的特点，将人工智能模型训练为全网计算模型和边缘计算模型；将全网计算模型动态部署到全网计算平台，将边缘计算模型动态部署到边缘计算平台；
步骤二：边缘计算平台获取供热设备的实时供热数据，并通过边缘计算模型对实时供热数据进行处理，产生用于供热设备的边缘控制指令，同时将实时供热数据发送到全网计算平台；
步骤三：全网计算平台通过全网计算模型对多个供热设备的实时供热数据以及边缘控制指令进行处理，产生用于整个供热网的全网控制指令，并将全网控制指令广播至所有边缘计算平台进行执行。
2.根据权利要求1所述的基于边云协同框架的供热控制方法，其特征在于，所述边云协同框架还包括热网平台；步骤二中，供热设备的实时供热数据以及边缘控制指令发送至全网计算平台前，先发送至热网平台，热网平台对多个供热设备的实时供热数据和边缘控制指令进行汇聚并发送至全网计算平台，所述热网平台存储并通过可视化方式展示所述实时供热数据。
3.根据权利要求1所述的基于边云协同框架的供热控制方法，其特征在于，步骤二中，边缘计算模型对实时供热数据进行处理并产生边缘控制指令的过程如下：所述边缘计算模型为基于LSTM模型的预测模型；将供热设备的实时供热数据按时间维度进行对齐处理形成输入数据，对输入数据进行归一化处理后形成标准化数据，将标准化数据输入到边缘计算模型中生成边缘供热需求，将包含边缘供热需求的边缘控制指令发送至该供热设备。
4.根据权利要求1所述的基于边云协同框架的供热控制方法，其特征在于，步骤三中，全网计算模型对多个供热设备的实时供热数据以及边缘控制指令进行处理并生成全网控制指令的过程如下：所述全网计算模型为基于灰度模型的预测模型，将各边缘计算模型生成的边缘供热需求和各供热设备的实时供热数据输入全网计算模型中，生成全网供热需求；将全网控制指令广播至所有边缘计算平台进行执行时，所述全网控制指令中包含全网供热需求，如果全网的实际供热总量高于全网供热需求，则降低全网的总水泵转速；如果全网的实际供热总量低于全网供热需求，则各供热设备的水泵按比例增加开度，其中所述比例为未执行全网控制指令时各供热设备供热量的比例。
5.根据权利要求1所述的基于边云协同框架的供热控制方法，其特征在于，步骤一中，将边缘计算模型动态部署到边缘计算平台时：根据该边缘计算平台所控制供热设备的节点特征，为该边缘计算平台部署相应的边缘计算模型。
6.一种基于边云协同框架的供热控制系统，其特征在于，包括：
模型训练服务模块，其根据边缘计算和云计算的特点，将人工智能模型训练为全网计算模型和边缘计算模型；将全网计算模型动态部署到全网计算平台，将边缘计算模型动态部署到边缘计算平台；
边缘计算平台，其获取供热设备的实时供热数据，并通过边缘计算模型对实时供热数据进行处理，产生用于供热设备的边缘控制指令，同时将实时供热数据发送到全网计算平台；
全网计算平台，其通过全网计算模型对多个供热设备的实时供热数据以及边缘控制指令进行处理，产生用于整个供热网的全网控制指令，并将全网控制指令广播至所有边缘计算平台进行执行。
7.一种计算机设备，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1-5中任一项所述供热控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010747309.2A CN111928334A (zh) | 2020-07-30 | 2020-07-30 | 基于边云协同框架的供热控制方法、系统及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010747309.2A CN111928334A (zh) | 2020-07-30 | 2020-07-30 | 基于边云协同框架的供热控制方法、系统及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111928334A true CN111928334A (zh) | 2020-11-13 |
Family
ID=73315181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010747309.2A Pending CN111928334A (zh) | 2020-07-30 | 2020-07-30 | 基于边云协同框架的供热控制方法、系统及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111928334A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109669768A (zh) * | 2018-12-11 | 2019-04-23 | 北京工业大学 | 一种面向边云结合架构的资源分配和任务调度方法 |
| CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及系统 |
| CN110852387A (zh) * | 2019-11-13 | 2020-02-28 | 江苏能来能源互联网研究院有限公司 | 一种能源互联网超实时状态研判算法 |
| CN111144715A (zh) * | 2019-12-11 | 2020-05-12 | 重庆邮电大学 | 一种基于边云协同的工厂电能管控系统及方法 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
-
2020
- 2020-07-30 CN CN202010747309.2A patent/CN111928334A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109669768A (zh) * | 2018-12-11 | 2019-04-23 | 北京工业大学 | 一种面向边云结合架构的资源分配和任务调度方法 |
| CN109933004A (zh) * | 2019-03-27 | 2019-06-25 | 苏芯物联技术(南京)有限公司 | 基于边缘计算和云协同的机床故障诊断与预测方法及系统 |
| CN110852387A (zh) * | 2019-11-13 | 2020-02-28 | 江苏能来能源互联网研究院有限公司 | 一种能源互联网超实时状态研判算法 |
| CN111144715A (zh) * | 2019-12-11 | 2020-05-12 | 重庆邮电大学 | 一种基于边云协同的工厂电能管控系统及方法 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11669085B2 (en) | Method and system for determining system settings for an industrial system | |
| US20230222384A1 (en) | Methods for smart gas storage optimization and internet of things systems thereof | |
| CN107204615B (zh) | 一种实现功率预测的方法及系统 | |
| Nweye et al. | Real-world challenges for multi-agent reinforcement learning in grid-interactive buildings | |
| CN110675275B (zh) | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 | |
| Thanos et al. | Dynamic data driven adaptive simulation framework for automated control in microgrids | |
| Isuru et al. | Network-constrained thermal unit commitment for hybrid AC/DC transmission grids under wind power uncertainty | |
| Marino et al. | AWS IoT analytics platform for microgrid operation management | |
| CN111625583A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
| Yu et al. | Short-term cooling and heating loads forecasting of building district energy system based on data-driven models | |
| CN116839173A (zh) | 一种能耗优化方法、装置、存储介质和电子设备 | |
| Wang et al. | Fast optimal power flow with guarantees via an unsupervised generative model | |
| Nawrocki et al. | Data-driven adaptive prediction of cloud resource usage | |
| Rosero et al. | Full-deployed energy management system tested in a microgrid cluster | |
| CN114444256A (zh) | 一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法 | |
| Liu et al. | 24 h-ahead wind speed forecasting using CEEMD-PE and ACO-GA-based deep learning neural network | |
| CN113010296A (zh) | 基于形式化模型的任务解析与资源分配方法及系统 | |
| Wang et al. | Statistical estimation of operating reserve requirements using rolling horizon stochastic optimization | |
| KR20190088127A (ko) | 전력계통 구성요소 모델링 및 빅데이터 처리를 통한 송전손실계수 제공 방법 및 그 장치 | |
| CN111928334A (zh) | 基于边云协同框架的供热控制方法、系统及计算机设备 | |
| Kantamneni et al. | An Ontology for Solar Irradiation Forecast Models. | |
| CN111911997B (zh) | 基于边缘计算框架组件的供热控制方法 | |
| CN102801581B (zh) | 一种web服务连接成功率的预测方法 | |
| Pérez-Vilarelle et al. | Modeling and simulation of wind energy production in the smart-grid scenario | |
| Caux et al. | Smart datacenter electrical load model for renewable sources management |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |
|
| RJ01 | Rejection of invention patent application after publication |