CN112232980A - 一种区域能源供热系统热泵机组调控方法 - Google Patents

一种区域能源供热系统热泵机组调控方法 Download PDF

Info

Publication number
CN112232980A
CN112232980A CN202010960898.2A CN202010960898A CN112232980A CN 112232980 A CN112232980 A CN 112232980A CN 202010960898 A CN202010960898 A CN 202010960898A CN 112232980 A CN112232980 A CN 112232980A
Authority
CN
China
Prior art keywords
heat pump
firefly
pump unit
scheduling
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.)
Granted
Application number
CN202010960898.2A
Other languages
English (en)
Other versions
CN112232980B (zh
Inventor
林小杰
李�昊
钟崴
周懿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010960898.2A priority Critical patent/CN112232980B/zh
Publication of CN112232980A publication Critical patent/CN112232980A/zh
Application granted granted Critical
Publication of CN112232980B publication Critical patent/CN112232980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提出一种区域能源供热系统热泵机组调控方法。该方法包括以下步骤：首先，基于实际供热系统热源运行数据信息对热源进行基于神经网络的建模，实现对区域供热系统热源的精细化调控的热泵机组供热模型基础。其次，基于负荷预测与智能优化算法求解满足多目标调度优化函数的帕累托解集。最后，通过拥挤度计算，集合当前工况得出决策向量，对负荷分配方案进行决策，确定下一时刻调度方案。最后，结合区域供热系统的实际运行数据对热泵机组供热模型运行特性进行修正，提高仿真及调度系统精确度。本发明解决了区域供热系统中的热泵机组运行依赖设计数据、调度优化不足而导致的系统偏离理想工况问题，实现了系统的优化运行。

Description

一种区域能源供热系统热泵机组调控方法
技术领域
本发明属于区域能源供热技术领域，具体涉及区域供热系统热泵机组调控方法。
背景技术
目前的供热系统调控热负荷的方式有两种：质调节、量调节。即调节供水温度与调节供水流量。对于现有传统供热系统而言多是考虑热源调度，即考虑需求量，针对热源供热量进行调度优化。由于现有供热系统都是按照设计参数进行设计，所谓设计参数就是最冷室外温度时的设计参数，对热源调节按照设计外温度供热，将会浪费一定的热能与电能。而按需供给调控手段未能考虑供热系统热源实际运行工况差异，依然存在一定优化调度空间。
对于热源的调控，由于供热系统存在时滞性的问题，所以输送热量常常根据设计参数进行设定，无法做到实时调节与控制，通常依据当天温度预测值，进行当天的设计参数设定。但由于实际供热系统比较复杂，存在供需响应匹配问题与供需调度问题，仅仅依靠供需匹配进行调度，优化效果有限。
发明内容
本发明提供了一种区域能源供热系统热泵机组调度方法，在现有热网规划约束下，对区域内给定的热泵热源进行基于数据模型的仿真计算，利用萤火虫算法进行系统负荷分配寻优调度。解决上述供热系统中热泵机组热源调节优化不足，由于流量调节而导致经济性差的问题。
本发明为了实现上述目的所采用的技术方案是：
一种区域能源供热系统热泵机组调度方法，包括如下步骤：
步骤S1，收集区域能源系统数据(包括设备数据与运行数据)，建立区域能源供热系统的热泵机组供热模型；
步骤S2，计算管道末端热水温度、流量的响应特性，进行数据采集，修正模型运行系数，进行供热系统模型验证；
步骤S3，设定供热系统最优经济性与机组最佳COP多目标函数，采用萤火虫优化算法进行多目标函数的求解；
步骤S4，结合当前工况生成决策寻优向量，依托寻优向量计算，得到供热系统负荷分配计算方案；
步骤S5，基于供热系统负荷分配计算方案，进行调度方案生成，发布调度命令；
步骤S6，供热系统响应调度指令动作，对热源热泵机组进行调节；
步骤S7，收集系统调节运行数据，计算仿真预测偏差，反馈至模型仿真系统，进行模型修正；
步骤S8，将调度步骤进行模块化，建立各个模块之间的数据通信。
上述技术方案中，进一步地，步骤S1，对以热泵机组作为热源的区域能源系统的热源建立区域能源供热系统热泵机组仿真模型，即对以热泵机组作为热源的区域能源系统，搭建基于大数据与智能算法的热泵负荷分配模型。
热泵出厂时包含负荷、效率等各项参数的运行理论特性曲线，是基于样机试验得到，对热泵模型调度仿真而言，数据具有较高的参考价值，但模型泵运行工况与实际运行工况不同，运行过程中可能存在性能退化，这使得热泵的实际运行曲线与理论曲线存在差异，因此出厂参数无法有效指导热泵实际运行网络。本发明利用自适应网络方式实时获取每台机组的制热性能系数COP与部分负荷率PLR(Part Load Ratio)，进而建立热泵机组的COP～PLR关系曲线，记录不同PLR下最佳COP值，记为Y，通过将热泵历史数据接入神经网络，进行模型训练，得到各台热泵消耗功率的计算模型。在实际运行时，将热泵运行条件输入至模型中，即可得到对应的热泵调控方案。具体流程如下：
步骤S101，对热泵机组的基本运行历史数据进行整理，如：运行负荷、热水流量、热水回温，水源水温、热泵功率等。
步骤S102，利用神经网络对热泵机组的基本运行历史数据进行模型训练，建立热泵的COP-PLR运行关系模型，以得到各台热泵消耗功率的计算模型；
步骤S103，将实际供热系统运行条件输入至模型中，得到热泵机组供热模型输出。
进一步地，所述的步骤S2包括以下步骤：
步骤S201，采用区域能源供热系统热泵机组仿真模型计算热泵进出口热水温度、流量的响应特性，对热泵仿真模型运行数据进行采集，包括：热泵运行负荷、入口水流量、温度、压力；出口水流量、温度、压力；实际运行天气温度等；同时采集实际系统的运行数据；
步骤S202，将采集的热泵仿真模型运行数据与实际系统运行数据进行比对，对热泵仿真模型的模型系数进行验证、修正。
进一步地，所述的步骤S3中，在考虑环境效益下，设定区域供热系统最优经济性分配与机组最佳COP为目标函数，采用智能优化算法进行多目标函数的求解，并进行向量寻优，计算得出t时刻供热系统调度方案。具体流程包括：
步骤S301，在考虑环境效益下，区域能源供热系统以运行经济效益和平均COP为目标函数，用如下函数表示：
Figure BDA0002680515450000031
式中：K为参与优化机组数量；Ek为机组k在调度周期内的功率(供热/供冷/供电)，MW；Dk为机组k在调度周期内的能耗量，t/h；T为调度周期时长，h；Ck为机组k所使用的燃料价格，元/t或元/m3；Pk为对应机组k所使用燃料的上网电价，元/kWh；fk(Ek,Dk)为机组k的燃料消耗量，t/h或m3/h，函数表达式如下：
Figure BDA0002680515450000032
式中：ak、bk、ck、dk分别为机组k的能耗特性参数，依据机组实际运行特性根据专家经验进行选取，其中ak为机组调度周期内的供热/供冷/供电功率特性系数；bk为调度周期内的能耗量系数；ck为机组调度周期内能耗总量特性系数；Mk为机组调度周期内燃料消耗调节量。
步骤S302，向系统输入实际运行参数，所述运行条件包括系统运行天气、供水温度、压力等因素，并设置输入参数范围限制以及其他必要设置。
步骤S303，系统运行，进行负荷分配调度。根据不同PLR对应的COP数值，进行不同PLR下最佳COP的计算，在该COP下利用萤火虫优化算法，对系统输入数据进行计算，结合系统历史运行数据，对t时刻的负荷分配方案进行计算求解，得到最佳经济效益下的负荷分配方案，再调整PLR进行不同COP下最优的负荷分配方案计算，得到分配方案解集。
更进一步地，步骤S303中，利用萤火虫算法进行t时刻目标函数的求解，得到负荷分配方案的解集，并在不同PLR下的COP值进行基于萤火虫算法的负荷分配方案寻优，进行全局最优方案决策，得出最优负荷分配方案。
设定以供热系统最优运行经济效益和热泵最优COP为目标的双变量函数，确定分配方案寻优范围，设定负荷分配约束，设定初始步长、寻优适应度，各项系数惯性权重，寻优最大迭代次数，最小偏差值等系统控制参数。将供热系统负荷可行分配方案域设置为初始萤火虫种群活动范围，并进行分配方案计算，即萤火虫吸引度计算。计算目标函数，根据热网经济型非支配原则筛选可行解，即可行热网负荷分配方案，并通过比对，选出寻优全局最优解，即最优化负荷分配方案。若萤火虫寻优最大迭代次数未超过控制阈值，则重新计算萤火虫适应度值，继续进行搜索，直至与上次最优值偏差小于最小偏差值，输出所得负荷分配方案。若萤火虫寻优最大迭代次数超过控制阈值，则跳出计算，直接输出当前适应度最高萤火虫方案，即当前最优供热负荷分配方案。
步骤S303中，采用萤火虫优化算法进行t时刻目标函数的求解，具体求解过程为：
步骤S30301，初始化，设定萤火虫的种群为N，介质对光的吸收系数γ为1，初始步长a，第i个萤火虫与第j个萤火虫之间的距离为r，初始吸引度β0，其中最大吸引度为βmax，最小吸引度为βmin，其吸引度公式如(1)：
Figure BDA0002680515450000041
步骤S30302，根据萤火虫的位置计算出每个萤火虫的适应度值，即单个负荷分配方案运行效益，适应度值越优的萤火虫亮度越高。
步骤S30303，每个萤火虫将根据移动距离向所有比自己亮度高的萤火虫飞行，即向更优化分配方案进行移动。其中移动距离计算如(2)：
Figure BDA0002680515450000042
其中，Xi表示一个比第i个个体亮度更高的萤火虫的位置，r表示第i个萤火虫与第j个萤火虫之间的距离。rand()为随机扰动，α为扰动的步长因子，即单个萤火虫粒子进行扰动，移动距离每次的增量值，这里为萤火虫粒子的随机寻优距离，一般随机扰动rand()取值为[-0.5,0.5]范围内的均匀分布或者U(0,1)的标准正态分布，分布系数取值为[0,1]之间。
每个萤火虫将根据式(2)向所有比自己亮度高的萤火虫飞行，其中第t代时萤火虫飞行的步长公式如(3)：
α(t)＝αt (3)
式(3)计算得萤火虫飞行步长将随时间递减。由于所有个体只会向比自己亮度高的个体飞行，那么群体中亮度最高的个体将不会根据飞行步长公式更新其位置。本发明中群体中亮度最大的个体将按照以下公式(4)来更新自己的位置：
X′i＝Xi+αrandGuass() (4)
其中，αrandGuass()表示利用高斯分布生成随机扰动。
步骤S30304，计算在萤火虫向所有比自己亮度高的其它个体飞行后所到的新位置的适应度值，若该位置优于飞行之前的位置，则该萤火虫将飞行到新的位置，否则萤火虫将停留在原处。
步骤S30305，若算法到达最大迭代次数则将搜索到的最优的萤火虫的位置作为解输出，否则将跳到步骤S30302。
更进一步地，所述的步骤4中，对步骤S3得到的分配方案进行拥挤度计算，并进行拥挤度排序，并采用实时优化进行最终分配方案寻优，具体包括以下步骤：
步骤S401，将分配方案解集中包含的有限个负荷分配方案进行二维坐标排序，其中，将单个粒子的经济效益表示为X，粒子最佳COP表示为Y；
根据实际情况，计算第i个粒子与相邻两个粒子间的曼哈顿距离，即单个负荷分配方案与相邻两个负荷分配方案之间的曼哈顿距离Li，
其中，Li＝|Xi-Xi+1|+|Yi-Yi+1|+|Xi-Xi-1|+|Yi-Yi-1| (5)
比较分配方案解集内的粒子，即解集内所有负荷分配方案的曼哈顿距离L，得到曼哈顿距离最小Lmin所属粒子记为决策粒子A，即决策分配方案，将当前工况作为实际负荷分配粒子O，标记向量
Figure BDA0002680515450000061
步骤S402，计算现有运行状态的经济效益与最佳COP，在二维坐标上进行排序，并将现有负荷分配方案代表粒子O的经济效益表示为Xj，粒子最佳COP表示为Yj；
寻找现有粒子与负荷分配方案解集内最近的点B，并计算其欧式距离Dmin，标记向量
Figure BDA0002680515450000062
粒子B的经济效益表示为Xi，粒子最佳COP表示为Yi；
其中，
Figure BDA0002680515450000063
步骤S403，在坐标系中将向量
Figure BDA0002680515450000064
与向量
Figure BDA0002680515450000065
相加，即为当前工况下的运行调度决策方向向量
Figure BDA0002680515450000066
得到负荷分配决策；
步骤S404，预测系统调度动作；根据负荷分配决策，进行系统调度动作预测，按设定周期进行定期寻优，提供系统调度执行动作。
进一步地，步骤S5中，调度指令生成包括以下步骤：
步骤S501，根据负荷分配方案生成调度指令，对供热系统预测负荷进行模型仿真，生成热泵机组调度指令；
步骤S502，对于供热系统源侧热泵，确定供热负荷分配方案，确定各机组热泵的系统工作点，进行多热源负荷分配。
进一步地，步骤S6具体为：
步骤S601，针对区域供热系统源侧热泵机组，结合负荷分配方案，下发热泵机组频率调节指令；
步骤S602，对热泵机组的各个热泵进行调节，以满足负荷分配方案，达到运行指标。
对于系统调度指令生成与执行，利用热泵机组供热模型对现有t时刻进行计算，得出负荷分配方案，即通过对供热系统管网的源侧热泵机组运行频率进行调节，但供热系统在实际运行过程中，变频循环泵的切换，热源端机组负荷的升降，初期管网流量巨变，仪表设备老化带来的误差，都可能产生不合理的采样数据。因此，需要对不合理的采样数据进行及时剔除，将对现实系统的辨识修正引向正确的运行参数。
进一步地，所述步骤S7中收集运行数据进行系统反馈，修正系统模型，并将修正后的系统模型进行t+1时刻的系统预测，具体包括以下步骤：
步骤S701，实际供热系统按照生成供热调度指令进行供热调度调节，产生t时刻运行数据，包括热力站负荷值、一次侧供水温度、一次侧回水温度、二次侧流量；
步骤S702，将实际系统运行数据与模型运行数据进行比较，对实际工况下运行数据与理论模型输出数据之间进行数据辨识，在满足系统模型方程的前提下，最小化测量变量的校正误差加权平方和，从而同步得到测量变量的校正值、未测变量及模型参数的估计值，所述的未测变量指的是造成与实际数据不一致，且无法表述，无法估计的数值；
步骤S703，根据步骤S702的系统数据反馈，通过调节不同权重系数，对系统精度进行调节；根据实际供热系统的运行情况，积累优化指标与有利于系统调控的关键参数(如供热温度、流量等)，提高供热系统模型精度；
步骤S704，令t+1＝t，重复步骤S3，将修正后的系统进行滚动仿真计算。
在供热系统运行平稳条件下保证采集到运行数据的准确性后，进行在线辨识修正，其过程是不断通过实际工况下运行数据与理论模型输出数据之间的比对，调整理论仿真模型中的参数，使模型的输出与现场实际测量数据一致或偏差最小，从而保证系统仿真模型与实际对象的一致性。其中，由于工业生产过程中的运行工况点比较多，被用于理论仿真模型辨识修正时用到的测量值通常是来自不同工况下采样的多组测量数据。此时认为多工况下的模型参数不随工况的变化而改变，而将随工况变化的参数并入测量变量中。
模型修正后，令t＝t+1，进行模型仿真计算，重复步骤S3动作，进行实时反馈调节，模型迭代优化。
调度指令下发，供热系统热源按照调度指令进行调控、生产。待供热末端压力、温度等参数稳定，即完成调度环节。
一种区域能源供热系统热泵机组调度系统，该系统基于上述的调度方法实现，将各个步骤分别置于不同的模块中，并按照顺序进行模块连接；建立各个模块之间的数据通信，以便优化过程调取模型计算数据。
本发明的有益效果为：
本发明建立的源侧数据模型基于历史运行数据，并利用萤火虫算法进行负荷分配的优化，兼顾了热源实际运行情况并能进行负荷分配的高效调度，该方法不仅能节约能源，也能实现系统的按需供热，使热用户更加舒适的同时供热系统更加节能。本发明提出了基于机组制热性能系数(COP)与负荷率(PLR)关系的区域能源系统热泵机组供热模型，建立了基于萤火虫优化算法的区域能源供热系统调度优化方法，并将二者按照统一的系统框架进行集成，可有效解决现有供热系统中热泵机组热源调节优化不足，由于流量调节而导致经济性差的问题。
本发明解决了区域供热系统中的热泵机组运行依赖设计数据、调度优化不足而导致的系统偏离理想工况问题，实现了系统的优化运行。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为区域能源供热系统的热泵机组供热模型构建过程；
图2为萤火虫算法求解流程图；
图3为本发明方法的流程图；
图4为本发明步骤S1的热泵数据处理流程。
具体实施方式
下面结合附图和具体实施例对本发明进行进一步说明。
一种区域能源供热系统热泵机组调度方法，包括如下步骤：
步骤S1，收集区域能源系统数据(包括设备数据与运行数据)，建立区域能源供热系统的热泵机组供热模型；
步骤S2，计算管道末端热水温度、流量的响应特性，进行数据采集，修正模型运行系数，进行供热系统模型验证；
步骤S3，设定供热系统最优经济性与机组最佳COP多目标函数，采用萤火虫优化算法进行多目标函数的求解；
步骤S4，结合当前工况生成决策寻优向量，依托寻优向量计算，得到供热系统负荷分配计算方案；
步骤S5，基于供热系统负荷分配计算方案，进行调度方案生成，发布调度命令；
步骤S6，供热系统响应调度指令动作，对热源热泵机组进行调节；
步骤S7，收集系统调节运行数据，计算仿真预测偏差，反馈至模型仿真系统，进行模型修正；
步骤S8，将调度步骤进行模块化，建立各个模块之间的数据通信。
步骤S1，对以热泵机组作为热源的区域能源系统的热源建立区域能源供热系统热泵机组仿真模型，即对以热泵机组作为热源的区域能源系统，搭建基于大数据与智能算法的热泵负荷分配模型。
热泵出厂时包含负荷、效率等各项参数的运行理论特性曲线，是基于样机试验得到，对热泵模型调度仿真而言，数据具有较高的参考价值，但模型泵运行工况与实际运行工况不同，运行过程中可能存在性能退化，这使得热泵的实际运行曲线与理论曲线存在差异，因此出厂参数无法有效指导热泵实际运行网络。本发明利用自适应网络方式实时获取每台机组的制热性能系数COP与部分负荷率PLR(Part Load Ratio)，进而建立热泵机组的COP～PLR关系曲线，记录不同PLR下最佳COP值，记为Y，通过将热泵历史数据接入神经网络，进行模型训练，得到各台热泵消耗功率的计算模型。在实际运行时，将热泵运行条件输入至模型中，即可得到对应的热泵调控方案。具体流程如下(如图4)：
步骤S101，对热泵机组的基本运行历史数据进行整理，如：运行负荷、热水流量、热水回温，水源水温、热泵功率等。
步骤S102，利用神经网络对热泵机组的基本运行历史数据进行模型训练，建立热泵的COP-PLR运行关系模型，以得到各台热泵消耗功率的计算模型；
步骤S103，将实际供热系统运行条件输入至模型中，得到热泵机组模型输出。
所述的步骤S2包括以下步骤：
步骤S201，采用区域能源供热系统热泵机组仿真模型计算热泵进出口热水温度、流量的响应特性，对热泵仿真模型运行数据进行采集，包括：热泵运行负荷、入口水流量、温度、压力；出口水流量、温度、压力；实际运行天气温度等；同时采集实际系统的运行数据；
步骤S202，将采集的热泵仿真模型运行数据与实际系统运行数据进行比对，对热泵仿真模型的模型系数进行验证、修正。
进一步地，所述的步骤S3中，设定区域区域供热系统最优经济性分配与机组最佳COP多目标函数，采用智能优化算法进行多目标函数的求解，并进行向量寻优，计算得出t时刻供热系统调度方案。具体流程包括：
步骤S301，在考虑环境效益下，区域能源供热系统以运行经济效益和平均COP为目标函数，用如下函数表示：
Figure BDA0002680515450000101
式中：K为参与优化机组数量；Ek为机组k在调度周期内的功率(供热/供冷/供电)，MW；Dk为机组k在调度周期内的能耗量，t/h；T为调度周期时长，h；Ck为机组k所使用的燃料价格，元/t或元/m3；Pk为对应机组k所使用燃料的上网电价，元/kWh；fk(Ek,Dk)为机组k的燃料消耗量，t/h或m3/h，函数表达式如下：
Figure BDA0002680515450000102
式中：ak、bk、ck、dk分别为机组k的能耗特性参数，根据不同机组进行确定，其中ak为机组调度周期内的供热/供冷/供电功率特性系数；bk为调度周期内的能耗量系数；ck为机组调度周期内能耗总量特性系数；Mk为机组调度周期内燃料消耗调节量；。
步骤S302，向系统输入实际运行参数，所述运行条件包括系统运行天气、供水温度、压力等因素，并设置输入参数范围限制以及其他必要设置。
步骤S303，系统运行，进行负荷分配调度。利用萤火虫优化算法，对系统输入数据进行计算，结合系统历史运行数据，对t时刻的供热需求、负荷分配方案进行计算求解，得到分配方案解集。
更进一步地，利用萤火虫算法进行t时刻目标函数的求解，得到负荷分配方案的解集，并在不同PLR下的COP值进行基于萤火虫算法的负荷分配方案寻优，进行全局最优方案决策，得出最优负荷分配方案。
具体的，设定以供热系统最优运行经济效益和热泵最优COP为目标的双变量函数，确定分配方案寻优范围，设定负荷分配约束，设定初始步长、寻优适应度，各项系数惯性权重，寻优最大迭代次数，最小偏差值等系统控制参数。将供热系统负荷可行分配方案域设置为初始萤火虫种群活动范围，并进行分配方案计算，即萤火虫吸引度计算。计算目标函数，根据热网经济型非支配原则筛选可行解，即可行热网负荷分配方案，并通过比对，选出寻优全局最优解，即最优化负荷分配方案。若萤火虫寻优最大迭代次数未超过控制阈值，则重新计算萤火虫适应度值，继续进行搜索，直至与上次最优值偏差小于最小偏差值，输出所得负荷分配方案。若萤火虫寻优最大迭代次数超过控制阈值，则跳出计算，直接输出当前适应度最高萤火虫方案，即当前最优供热负荷分配方案。
步骤S303中，采用萤火虫优化算法进行t时刻目标函数的求解，具体求解过程如图2所示：
步骤S30301，初始化，设定萤火虫的种群为N，介质对光的吸收系数γ为1，初始步长a，第i个萤火虫与第j个萤火虫之间的距离为r，初始吸引度β0，其中最大吸引度为βmax，最小吸引度为βmin，其吸引度公式如(1)：
Figure BDA0002680515450000111
步骤S30302，根据萤火虫的位置计算出每个萤火虫的适应度值，即单个负荷分配方案运行效益，适应度值越优的萤火虫亮度越高；
步骤S30303，每个萤火虫将根据移动距离向所有比自己亮度高的萤火虫飞行，即向更优化分配方案进行移动；其中移动距离计算如(2)：
Figure BDA0002680515450000112
其中，X′i表示每只萤火虫移动的距离，Xi表示一个比第i个个体亮度更高的萤火虫的位置，r表示第i个萤火虫与第j个萤火虫之间的距离，rand()为随机扰动，α表示萤火虫粒子的随机寻优距离，随机扰动rand()的取值为[-0.5,0.5]范围内的均匀分布或者U(0,1)的标准正态分布，分布系数取值为[0,1]之间；
每个萤火虫将根据式(2)向所有比自己亮度高的萤火虫飞行，其中第t代时萤火虫飞行的步长公式如(3)：
α(t)＝αt (3)
群体中亮度最大的个体将按照以下公式(4)来更新自己的位置；
X′i＝Xi+αrandGuass() (4)其中，αrandGuass()表示利用高斯分布生成随机扰动。
步骤S30304，计算在萤火虫向所有比自己亮度高的其它个体飞行后所到的新位置的适应度值，若该位置优于飞行之前的位置，则该萤火虫将飞行到新的位置，否则萤火虫将停留在原处。
步骤S30305，若算法到达最大迭代次数则将搜索到的最优的萤火虫的位置作为解输出，否则将跳到步骤S30302。
进一步地，所述的步骤4具体为：
对步骤S3得到的分配方案进行拥挤度计算，并进行拥挤度排序，并采用实时优化进行最终分配方案寻优。
步骤S401，将分配方案解集中包含的有限个负荷分配方案进行二维坐标排序，其中，将单个粒子的经济效益表示为X，粒子最佳COP表示为Y；
根据实际情况，计算第i个粒子与相邻两个粒子间的曼哈顿距离，即单个负荷分配方案与相邻两个负荷分配方案之间的曼哈顿距离Li，
其中，Li＝|Xi-Xi+1|+|Yi-Yi+1|+|Xi-Xi-1|+|Yi-Yi-1| (5)
比较分配方案解集内的粒子，即解集内所有负荷分配方案的曼哈顿距离L，得到曼哈顿距离最小Lmin所属粒子记为决策粒子A，即决策分配方案，将当前工况作为实际负荷分配粒子O，标记向量
Figure BDA0002680515450000121
步骤S402，计算现有运行状态的经济效益与最佳COP，在二维坐标上进行排序，并将现有负荷分配方案代表粒子O的经济效益表示为Xj，粒子最佳COP表示为Yj；
寻找现有粒子与负荷分配方案解集内内最近的点B，并计算其欧式距离Dmin，标记向量
Figure BDA0002680515450000131
粒子B的经济效益表示为Xi，粒子最佳COP表示为Yi；
其中，
Figure BDA0002680515450000132
步骤S403，在坐标系中将向量
Figure BDA0002680515450000133
与向量
Figure BDA0002680515450000134
相加，计算其向量方向即为现有负荷分配方案调度寻优方向，记为
Figure BDA0002680515450000135
步骤S404，将现有负荷分配方案按照
Figure BDA0002680515450000136
的调度方向进行调度，进行热泵机组侧响应。
进一步地，步骤S5中，调度指令生成包括以下步骤：
步骤S501，根据负荷分配方案生成调度指令，对供热系统预测负荷，进行模型仿真，生成热泵机组调度指令；
步骤S502，对于供热系统源侧热泵，确定供热负荷分配方案，确定各机组热泵的系统工作点，进行多热源负荷分配。
进一步地，步骤S6具体为：
步骤S601，针对区域供热系统源侧热泵机组，结合负荷分配方案，下发热泵机组频率调节指令；
步骤S602，针对热泵机组，对各个热泵进行调节，以满足负荷分配方案，达到运行指标。
对于系统调度指令生成与执行，利用仿真模型对现有t时刻进行计算，得出负荷分配方案，即通过对供热系统管网的源侧热泵机组运行频率进行调节，但在供热系统在实际运行过程中，变频循环泵的切换，热源端机组负荷的升降，初期管网流量巨变，仪表设备老化带来的误差，都可能产生不合理的采样数据。因此，需要对不合理的采样数据进行及时剔除，将对现实系统的辨识修正引向正确的运行参数。
进一步地，所述步骤S7中收集运行数据进行系统反馈，修正系统模型，并将修正后的系统模型进行t+1时刻的系统预测，具体包括以下步骤：
步骤S701，实际供热系统按照生成供热调度指令进行供热调度调节，产生t时刻运行数据，包括热力站负荷值、一次侧供水温度、一次侧回水温度、二次侧流量；
步骤S702，将实际系统运行数据与模型运行数据进行比较，对实际工况下运行数据与理论模型输出数据之间进行数据辨识，在满足系统模型方程的前提下，最小化测量变量的校正误差加权平方和，从而同步得到测量变量的校正值、未测变量及模型参数的估计值；
步骤S703，根据步骤S702的系统数据反馈，通过调节不同权重系数，对系统精度进行调节；根据实际供热系统的运行情况，积累优化指标与有利于系统调控的关键参数如供热温度、流量等，提高供热系统模型精度；
步骤S704，令t+1＝t，重复步骤S3，将修正后的系统进行滚动仿真计算。
在供热系统运行平稳条件下保证采集到运行数据的准确性后，进行在线辨识修正，其过程是不断通过实际工况下运行数据与理论模型输出数据之间的比对，调整理论仿真模型中的参数，使模型的输出与现场实际测量数据一致或偏差最小，从而保证系统仿真模型与实际对象的一致性。其中，由于工业生产过程中的运行工况点比较多，被用于理论仿真模型辨识修正时用到的测量值通常是来自不同工况下采样的多组测量数据。此时认为多工况下的模型参数不随工况的变化而改变，而将随工况变化的参数并入测量变量中。
模型修正后，令t＝t+1，进行模型仿真计算，重复步骤S3动作，进行实时反馈调节，模型迭代优化。
在生成了一级网的供热负荷分配方案，即当前工况下各换热站的优化负荷分配方案后，对应于该供热负荷分配方案，系统通过仿真计算获得各换热站的流量和供回水压差，进而确定各换热站的变频水泵系统工作点，提出供热系统的整体运行调度及水力平衡调节控制方案。
调度指令发布后，对源侧热泵机组进行调控。通过调节热泵运行频率以达到负荷分配预定工况点，进行机组调节动作以完成供热调度。待供热末端压力、温度等参数稳定，即完成调度环节。
区域供热系统运行时，将采集的运行数据如供温、供压与计算值进行对比，并进行模型反馈，修正模型参数，优化模型，提升其精度，进一步进行滚动优化仿真调度。
一种区域能源供热系统热泵机组调度系统，该系统基于上述的调度方法实现，将各个步骤分别置于不同的模块中，并按照顺序进行模块连接；建立各个模块之间的数据通信，以便优化过程调取模型计算数据。
应当理解的是，本发明并不局限于上面的描述以及在附图中示出的精确结构，本领域技术人员在考虑说明书及具体实施方式公开的内容后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (10)

1.一种区域能源供热系统热泵机组调度方法，其特征在于：包括以下步骤：
步骤S1，收集区域能源系统数据，建立基于数据与智能算法的区域能源供热系统的热泵机组供热模型；
步骤S2，修正模型运行系数，进行热泵机组供热模型验证；
步骤S3，以各热泵机组负荷为优化变量，区域供热系统最优经济性分配与机组最佳COP为目标函数，采用萤火虫优化算法进行目标函数的求解，根据系统运行条件进行供热负荷分配方案计算；
步骤S4，结合当前工况生成决策寻优向量，依托寻优向量计算，得到供热系统负荷分配计算方案；
步骤S5，基于供热系统负荷分配计算方案，进行调度方案生成，发布调度命令；
步骤S6，供热系统响应调度指令动作，对热源热泵机组进行调节；
步骤S7，收集系统调节运行数据，计算仿真预测偏差，修正系统模型。
2.根据权利要求1所述的一种区域能源供热系统热泵机组调度方法，其特征在于，所述步骤S1具体包括如下步骤：
步骤S101，对热泵机组的基本运行历史数据进行收集；
步骤S102，利用神经网络对热泵机组的历史数据进行模型训练，建立热泵的制热性能系数COP-部分负荷率PLR运行关系模型，以得到各台热泵消耗功率的计算模型；
步骤S103，将实际供热系统运行条件输入至模型中，得到热泵机组供热模型输出。
3.根据权利要求1所述的一种区域能源供热系统热泵机组调度方法，其特征在于：所述步骤S2包括以下步骤：
步骤S201，对热泵机组供热模型运行数据进行采集，包括：热泵运行负荷、入口水流量、温度、压力，出口水流量、温度、压力，实际运行天气温度；同时采集实际系统运行数据；
步骤S202，将采集的热泵机组供热模型运行数据与实际系统运行数据进行比对，对热泵机组供热模型的模型系数进行验证、修正。
4.根据权利要求2所述的一种区域能源供热系统热泵机组调度方法，其特征在于：所述的步骤S3包括：
步骤S301，在考虑环境效益下，以区域供热系统最优经济性分配与机组最佳COP为目标函数，用如下函数表示系统运行经济效益：
Figure FDA0002680515440000021
式中：K为参与优化机组数量；Ek为机组k在调度周期内的供热/供冷/供电功率，MW；Dk为机组k在调度周期内的能耗量，t/h；T为调度周期时长，h；Ck为机组k所使用的燃料价格，元/t或元/m3；Pk为对应机组k所使用燃料的上网电价，元/kWh；fk(Ek,Dk)为机组k的燃料消耗量，t/h或m3/h，函数表达式如下：
Figure FDA0002680515440000022
式中：ak、bk、ck、Mk分别为机组k的能耗特性参数；其中ak为机组调度周期内的供热/供冷/供电功率特性系数；bk为调度周期内的能耗量系数；ck为机组调度周期内能耗总量特性系数；Mk为机组调度周期内燃料消耗调节量；
步骤S302，向系统输入实际运行参数；所述实际运行参数包括系统运行天气、供水温度、压力，并设置输入的参数范围限制以及其他必要设置；
步骤S303，系统运行，进行负荷分配调度；根据不同PLR对应的COP数值，进行不同PLR下最佳COP的计算，在该COP下利用萤火虫优化算法，对系统输入数据进行计算，结合系统历史运行数据，对t时刻的负荷分配方案进行计算求解，得到最佳经济效益下的负荷分配方案，再调整PLR进行不同COP下最优的负荷分配方案计算，得到分配方案解集。
5.根据权利要求4所述的一种区域能源供热系统热泵机组调度方法，其特征在于：
步骤S303中，采用萤火虫优化算法进行t时刻目标函数的求解，具体求解过程为：
步骤S30301，初始化，设定萤火虫的种群为N，介质对光的吸收系数γ为1，初始步长a，第i个萤火虫与第j个萤火虫之间的距离为r，初始吸引度β0，其中最大吸引度为βmax，最小吸引度为βmin，其吸引度公式如(1)：
Figure FDA0002680515440000031
步骤S30302，根据萤火虫的位置计算出每个萤火虫的适应度值，即单个负荷分配方案运行效益，适应度值越优的萤火虫亮度越高；
步骤S30303，每个萤火虫将根据移动距离向所有比自己亮度高的萤火虫飞行，即向更优化分配方案进行移动；其中移动距离计算如(2)：
Figure FDA0002680515440000032
其中，X′i表示每只萤火虫移动的距离，Xi表示一个比第i个个体亮度更高的萤火虫的位置，r表示第i个萤火虫与第j个萤火虫之间的距离，rand()为随机扰动，α表示萤火虫粒子的随机寻优距离，随机扰动rand()的取值为[-0.5,0.5]范围内的均匀分布或者U(0,1)的标准正态分布，分布系数取值为[0,1]之间；
每个萤火虫将根据式(2)向所有比自己亮度高的萤火虫飞行，其中第t代时萤火虫飞行的步长公式如(3)：
α(t)＝αt (3)
群体中亮度最大的个体将按照以下公式(4)来更新自己的位置；
X′i＝Xi+αrandGuass() (4)
其中，αrandGuass()表示利用高斯分布生成随机扰动；
步骤S30304，计算在萤火虫向所有比自己亮度高的其它个体飞行后所到的新位置的适应度值，若该位置优于飞行之前的位置，则该萤火虫将飞行到新的位置，否则萤火虫将停留在原处；
步骤S30305，若算法到达最大迭代次数则将搜索到的最优的萤火虫的位置作为解输出，否则将跳到步骤S30302。
6.根据权利要求4所述的一种区域能源供热系统热泵机组调度方法，其特征在于：所述的步骤S4具体为：
步骤S401，结合实际情况，对负荷分配方案解集进行拥挤度计算，得到拥挤度最小的粒子，即最优负荷分配方案，记为粒子A；
步骤S402，根据实际工况，将当前工况作为实际负荷分配粒子O，与负荷分配方案解集进行比对，寻找与其欧式距离最小的粒子，记为粒子B；
步骤S403，根据当前运行工况，得到当前运行工况粒子与最优负荷分配方案形成向量
Figure FDA0002680515440000041
与当前运行工况粒子与欧式距离最小的负荷分配方案形成向量
Figure FDA0002680515440000042
将其相加得到当前工况下的运行调度决策方向向量
Figure FDA0002680515440000043
得到负荷分配决策；
步骤S404，预测系统调度动作；根据负荷分配决策，进行系统调度动作预测，按设定周期进行定期寻优，提供系统调度执行动作。
7.根据权利要求1所述的一种区域能源供热系统热泵机组调度方法，其特征在于：步骤S5中，调度指令生成包括以下步骤：
步骤S501，根据负荷分配方案生成调度指令：对供热系统预测负荷进行模型仿真，生成热泵机组调度指令；
步骤S502，对于供热系统源侧热泵，确定供热负荷分配方案，确定各机组热泵的系统工作点，进行多热源负荷分配。
8.根据权利要求1所述的一种区域能源供热系统热泵机组调度方法，其特征在于：步骤S6具体为：
步骤S601，针对区域供热系统源侧热泵机组，结合负荷分配方案，下发热泵机组频率调节指令；
步骤S602，对热泵机组的各个热泵进行调节，以满足负荷分配方案，达到运行指标。
9.根据权利要求1所述的一种区域能源供热系统热泵机组调度方法，其特征在于，所述步骤S7中收集运行数据进行系统反馈，修正系统模型，并将修正后的系统模型进行t+1时刻的系统预测，具体包括以下步骤：
步骤S701，实际供热系统按照生成供热调度指令进行供热调度调节，产生t时刻运行数据，包括热力站负荷值、一次侧供水温度、一次侧回水温度、二次侧流量；
步骤S702，将实际系统运行数据与模型运行数据进行比较，对实际工况下运行数据与理论模型输出数据之间进行数据辨识，在满足系统模型方程的前提下，最小化测量变量的校正误差加权平方和，从而同步得到测量变量的校正值、未测变量及模型参数的估计值；
步骤S703，根据步骤S702的系统数据反馈，通过调节不同权重系数，对系统精度进行调节；根据实际供热系统的运行情况，积累优化指标与有利于系统调控的关键参数，提高供热系统模型精度；
步骤S704，令t+1＝t，重复步骤S3，将修正后的系统进行滚动仿真计算。
10.一种区域能源供热系统热泵机组调度系统，其特征在于，该系统基于权利要求1所述的调度方法实现，
将各个步骤分别置于不同的模块中，并按照顺序进行模块连接；
建立各个模块之间的数据通信，以便优化过程调取模型计算数据。
CN202010960898.2A 2020-09-14 2020-09-14 一种区域能源供热系统热泵机组调控方法 Active CN112232980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010960898.2A CN112232980B (zh) 2020-09-14 2020-09-14 一种区域能源供热系统热泵机组调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010960898.2A CN112232980B (zh) 2020-09-14 2020-09-14 一种区域能源供热系统热泵机组调控方法

Publications (2)

Publication Number Publication Date
CN112232980A true CN112232980A (zh) 2021-01-15
CN112232980B CN112232980B (zh) 2022-08-26

Family

ID=74116203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010960898.2A Active CN112232980B (zh) 2020-09-14 2020-09-14 一种区域能源供热系统热泵机组调控方法

Country Status (1)

Country Link
CN (1) CN112232980B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907147A (zh) * 2021-04-01 2021-06-04 华北电力大学 一种基于最佳工况点的分布式能源系统运行方法及系统
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
CN113112095A (zh) * 2021-05-11 2021-07-13 杭州英集动力科技有限公司 一种多模式多供热机组负荷实时优化调度方法及管理系统
CN113255224A (zh) * 2021-06-03 2021-08-13 玲珑集团有限公司 一种基于发光萤火虫算法的能源系统配置优化方法
CN113537644A (zh) * 2021-08-23 2021-10-22 中冶赛迪技术研究中心有限公司 一种多空压站动态协同优化调控系统及方法
CN113657031A (zh) * 2021-08-12 2021-11-16 杭州英集动力科技有限公司 基于数字孪生的供热调度自动化实现方法、系统及平台
CN114117696A (zh) * 2021-11-12 2022-03-01 南京科远智慧科技集团股份有限公司 一种供热实时调度方法
CN114580864A (zh) * 2022-02-21 2022-06-03 石河子大学 针对综合能源系统的多元储能分配方法、系统及设备
CN114810467A (zh) * 2022-03-14 2022-07-29 华东桐柏抽水蓄能发电有限责任公司 一种抽水蓄能电站智能调控系统及方法
CN117252398A (zh) * 2023-11-15 2023-12-19 中国海洋大学 一种基于神经网络的城市供热平衡调控方法
CN117689178A (zh) * 2024-01-04 2024-03-12 天津大学 复合式地源热泵系统长周期运行调度优化方法和装置
CN117744953A (zh) * 2024-02-19 2024-03-22 天津大学 大型地源热泵系统浅层土壤源地埋管群简化分析方法
CN117830033A (zh) * 2024-03-06 2024-04-05 深圳市前海能源科技发展有限公司 区域供冷供热系统调控方法、装置、电子设备及存储介质
CN118125613A (zh) * 2024-05-06 2024-06-04 青岛能安恒信科技有限公司 一种污水处理厂能源利用控制装置
CN118195279A (zh) * 2024-05-16 2024-06-14 北京观天执行科技股份有限公司 基于可再生能源智能耦合的供暖管理调度方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014002133A1 (ja) * 2012-06-26 2014-01-03 三菱電機株式会社 ヒートポンプ式給湯暖房システム
CN107609683A (zh) * 2017-08-24 2018-01-19 西安理工大学 一种基于萤火虫算法的梯级水库群调度优化方法
CN108229025A (zh) * 2018-01-04 2018-06-29 东南大学 一种冷热电联供型多微网主动配电系统经济优化调度方法
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
CN110007595A (zh) * 2019-03-29 2019-07-12 常州英集动力科技有限公司 供热系统负荷实时优化调度方法、机组模型、机组及系统
CN111242361A (zh) * 2020-01-07 2020-06-05 南方电网科学研究院有限责任公司 考虑地源热泵的园区综合能源系统优化调度方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014002133A1 (ja) * 2012-06-26 2014-01-03 三菱電機株式会社 ヒートポンプ式給湯暖房システム
CN107609683A (zh) * 2017-08-24 2018-01-19 西安理工大学 一种基于萤火虫算法的梯级水库群调度优化方法
CN108229025A (zh) * 2018-01-04 2018-06-29 东南大学 一种冷热电联供型多微网主动配电系统经济优化调度方法
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
CN110007595A (zh) * 2019-03-29 2019-07-12 常州英集动力科技有限公司 供热系统负荷实时优化调度方法、机组模型、机组及系统
CN111242361A (zh) * 2020-01-07 2020-06-05 南方电网科学研究院有限责任公司 考虑地源热泵的园区综合能源系统优化调度方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIN XIAOJIE 等: "Research on data-driven identification and prediction of heat response time of urban centralized heating system", 《ENERGY》 *
SHIFANG HUANG等: "Model-based optimal operation of heating tower heat pump systems", 《BUILDING AND ENVIRONMENT》 *
张丽梅等: "变工况污水源热泵系统性能优化研究", 《节能技术》 *
魏波等: "基于部分负荷性能的水源热泵优化配置方案", 《建筑热能通风空调》 *

Cited By (25)

* Cited by examiner, † Cited by third party
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
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
CN112907147A (zh) * 2021-04-01 2021-06-04 华北电力大学 一种基于最佳工况点的分布式能源系统运行方法及系统
CN112907147B (zh) * 2021-04-01 2023-09-12 华北电力大学 一种基于最佳工况点的分布式能源系统运行方法及系统
CN113112095A (zh) * 2021-05-11 2021-07-13 杭州英集动力科技有限公司 一种多模式多供热机组负荷实时优化调度方法及管理系统
CN113255224A (zh) * 2021-06-03 2021-08-13 玲珑集团有限公司 一种基于发光萤火虫算法的能源系统配置优化方法
CN113657031A (zh) * 2021-08-12 2021-11-16 杭州英集动力科技有限公司 基于数字孪生的供热调度自动化实现方法、系统及平台
CN113657031B (zh) * 2021-08-12 2024-02-23 浙江英集动力科技有限公司 基于数字孪生的供热调度自动化实现方法、系统及平台
CN113537644A (zh) * 2021-08-23 2021-10-22 中冶赛迪技术研究中心有限公司 一种多空压站动态协同优化调控系统及方法
CN113537644B (zh) * 2021-08-23 2022-07-08 中冶赛迪技术研究中心有限公司 一种多空压站动态协同优化调控系统及方法
CN114117696A (zh) * 2021-11-12 2022-03-01 南京科远智慧科技集团股份有限公司 一种供热实时调度方法
CN114117696B (zh) * 2021-11-12 2024-05-10 南京科远智慧科技集团股份有限公司 一种供热实时调度方法
CN114580864B (zh) * 2022-02-21 2023-12-05 石河子大学 针对综合能源系统的多元储能分配方法、系统及设备
CN114580864A (zh) * 2022-02-21 2022-06-03 石河子大学 针对综合能源系统的多元储能分配方法、系统及设备
CN114810467A (zh) * 2022-03-14 2022-07-29 华东桐柏抽水蓄能发电有限责任公司 一种抽水蓄能电站智能调控系统及方法
CN117252398A (zh) * 2023-11-15 2023-12-19 中国海洋大学 一种基于神经网络的城市供热平衡调控方法
CN117252398B (zh) * 2023-11-15 2024-02-02 中国海洋大学 一种基于神经网络的城市供热平衡调控方法
CN117689178A (zh) * 2024-01-04 2024-03-12 天津大学 复合式地源热泵系统长周期运行调度优化方法和装置
CN117689178B (zh) * 2024-01-04 2024-05-17 天津大学 复合式地源热泵系统长周期运行调度优化方法和装置
CN117744953A (zh) * 2024-02-19 2024-03-22 天津大学 大型地源热泵系统浅层土壤源地埋管群简化分析方法
CN117744953B (zh) * 2024-02-19 2024-04-19 天津大学 大型地源热泵系统浅层土壤源地埋管群简化分析方法
CN117830033A (zh) * 2024-03-06 2024-04-05 深圳市前海能源科技发展有限公司 区域供冷供热系统调控方法、装置、电子设备及存储介质
CN117830033B (zh) * 2024-03-06 2024-06-04 深圳市前海能源科技发展有限公司 区域供冷供热系统调控方法、装置、电子设备及存储介质
CN118125613A (zh) * 2024-05-06 2024-06-04 青岛能安恒信科技有限公司 一种污水处理厂能源利用控制装置
CN118195279A (zh) * 2024-05-16 2024-06-14 北京观天执行科技股份有限公司 基于可再生能源智能耦合的供暖管理调度方法及系统

Also Published As

Publication number Publication date
CN112232980B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN112232980B (zh) 一种区域能源供热系统热泵机组调控方法
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
CN111473407B (zh) 一种基于模型的集中供热系统按需精准调控方法
CN107301472B (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN103591637B (zh) 一种集中供热二次网运行调节方法
CN105631528B (zh) 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法
CN107800157A (zh) 含聚合温控负荷和新能源的虚拟发电厂双层优化调度方法
WO2023083235A1 (zh) 一种分散式预测电网的优化方法及系统
CN114909706B (zh) 一种基于强化学习算法和压差控制的二级网平衡调控方法
Georgiou et al. Implementing artificial neural networks in energy building applications—A review
CN111473408A (zh) 一种基于气候补偿的供热控制系统的控制方法
Sun et al. Integrated control strategy of district heating system based on load forecasting and indoor temperature measurement
CN115149586A (zh) 一种分布式能源聚合调控与自主调控协同优化方法及系统
CN115795992A (zh) 一种基于运行态势虚拟推演的园区能源互联网在线调度方法
CN114674026A (zh) 一种管网供水流量优化控制方法及系统
CN114722693A (zh) 一种水轮机调节系统二型模糊控制参数的优化方法
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
CN113222231A (zh) 一种基于物联网技术的智慧供热系统
CN113569380A (zh) 建筑综合用能的调节能力的修正方法及装置
CN113078629B (zh) 一种用于集群温控负荷聚合商功率调控的聚合体功率分配模型及分布式一致性控制方法
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
CN115983492A (zh) 含氢多能源系统运行碳排放优化决策方法、系统及介质
CN115758763A (zh) 一种计及源荷不确定性的多能流系统优化配置方法及系统
CN109038672A (zh) 一种平抑可再生能源波动的多目标鲁棒优化配置方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhou Yi

Inventor after: Lin Xiaojie

Inventor after: Li Hao

Inventor after: Zhong Wai

Inventor before: Lin Xiaojie

Inventor before: Li Hao

Inventor before: Zhong Wai

Inventor before: Zhou Yi

GR01 Patent grant
GR01 Patent grant