CN112984616A - 一种供热系统热力站调控规律的辨识方法 - Google Patents
一种供热系统热力站调控规律的辨识方法 Download PDFInfo
- Publication number
- CN112984616A CN112984616A CN202110245394.7A CN202110245394A CN112984616A CN 112984616 A CN112984616 A CN 112984616A CN 202110245394 A CN202110245394 A CN 202110245394A CN 112984616 A CN112984616 A CN 112984616A
- Authority
- CN
- China
- Prior art keywords
- thermal
- regulation
- control
- heating power
- time
- 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
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
本发明为一种供热系统热力站调控规律的辨识方法,该辨识方法包括以室外空气综合温度tz为基本变量,室内空气温度tn为响应变量,辨识建筑综合热惰性影响的热延迟时间;以二次侧供水温度t2g为基本变量,二次侧回水温度t2h为响应变量,辨识管网热惰性影响的延迟时间;由此获得了两组基本变量和响应变量,通过互相关函数法辨识热力站调控周期,包括建筑综合热惰性影响的热延迟时间及二次侧管网热惰性影响的延迟时间;获得不同类型热力站的热力站调控周期模型,进一步辨识不同类型对应的热力站最佳调控时间节点,形成不同类型热力站调控规律,用于指导供热系统实现精细化调控。
Description
技术领域
本发明涉及供热系统中不同特性(不同供暖方式、不同建筑热特性)热力站的调控周期分析及辨识领域,具体为一种热力站调控规律的辨识方法。
背景技术
随着供热系统向着自动化、智能化、智慧化发展,Laakkonen等人在“PredictiveSupply Temperature Optimization of District Heating Networks Using DelayDistributions”中以室外温度、前几天的平均热负荷为自变量,利用神经网络对热负荷和回水温度预测,结合管网热延迟模型制定了供水温度的控制方案;赵文博等人在“一种供热站自动化控制供热系统”中提出一种能够自动调节热负荷大小并结合室温反馈的自动化控制供热系统,来满足用户合理需求。
目前热力站调控都是根据人为经验知识进行的调控,不够全面和精细,供热系统精细化调控的前提是要合理确定热力站调控周期。
本发明基于历史数据挖掘热力站有效的调控规律和经验,辨识出不同特性(不同供暖方式、不同建筑热特性)热力站的调控周期及调控时间节点,为运行人员或智慧供热系统智能调控提供依据,实现供热系统的精细化调控。
发明内容
本发明的目的是提出一种热力站调控规律的辨识方法,基于历史大数据通过互相关函数法辨识热力站调控周期,包括建筑综合热惰性影响的热延迟时间及二次侧管网热惰性影响的延迟时间;获得不同类型热力站的热力站调控周期模型,进一步辨识不同类型对应的热力站最佳调控时间节点,形成不同类型热力站调控规律,用于指导供热系统实现精细化调控。
本发明采用的技术方案如下:
一种热力站调控规律的辨识方法,该辨识方法包括:
获取用户室内空气温度及热力站的运行数据,并对热力站点的运行数据进行预处理,
以室外空气综合温度tz为基本变量,室内空气温度tn为响应变量,辨识建筑综合热惰性影响的热延迟时间;
以二次侧供水温度t2g为基本变量,二次侧回水温度t2h为响应变量,辨识管网热惰性影响的延迟时间;
由此获得了两组基本变量和响应变量,对基本变量进行差分,获得差值时间序列数据,根据设定阈值滑动判断基本变量的有效分析时间段;
利用互相关函数法计算各自有效分析时间段内基本变量和响应变量时间序列的互相关系数,确定两组时间序列数据中互相关系数最大值对应位置,根据最大值对应位置,依据采样周期计算热力站热延迟时间,热力站热延迟时间包括建筑综合热惰性影响的热延迟时间和管网热惰性影响的延迟时间这两个延迟时间;
按照上述方式获得不同类型热力站的两组基本变量和响应变量、热力站热延迟时间,基于机器学习辨识出不同供暖形式不同建筑热特性的热力站热延迟时间与室内外温度的函数关系,进而得到不同气候工况和室内热状态下的不同类型热力站调控周期模型;
确定不同类型热力站调控周期模型后,在对应的热力站调控周期模型下,通过机器学习对热力站一天中各种可能的不同调控时间节点模式进行热负荷预测,以预测精度最高为目标确定最佳调控时间节点,预测精度最高对应的时间节点组合,即为热力站最佳调控时间节点;
在辨识出不同类型热力站的热力站调控周期和最佳调控时间节点规律后,按照此规律分别对不同类型的热力站进行调控。这里的调控是指依据每类热力站两个延迟时间和最佳调控时间节点,对热力站进行调控,在满足用户热舒适的同时节省能耗。
与现有技术相比,本发明的有益效果是:
1.本发明在热力站调控周期的辨识上依托历史数据,不依赖复杂的机理模型,不仅辨识出管网热惰性影响的热延迟时间,更重要的辨识出建筑综合热惰性影响的热延迟时间,完善了整个热力站的调控周期。按照合理的调控周期进行热力站调控,才能保证供热系统按需供热,避免出现供热不足或过热的现象,实现精细化调控。
2.本发明辨识方法根据大量热力站的不同供暖期的热延迟时间数据,得到整个供暖期热力站热延迟时间与室内外温度之间的关系,建立了不同类型的热力站调控周期模型,为相似热力站调控周期的辨识节省大量计算时间,提高效率。
3.调控周期和调控时间节点构成了热力站的调控规律,本发明不仅依托历史数据辨识出热力站的调控周期,关键还提出了合理调控时间节点的辨识方法,为实现精细化调控提供全面的理论依据。
4.在进行各个热力站热延迟时间辨识前,对数据采用了平滑降噪预处理,提高了数据的平稳性,从而提高辨识准确性。
附图说明
图1为本发明涉及的一种热力站调控规律的辨识方法流程图。
图2为本发明所涉及的数据预处理流程图。
图3为本发明所涉及的滑动有效分析时间段示意图。
图4为本发明所涉及的辨识参数间互相关系数图。
图5为本发明所涉及的调控时间节点确定流程图。
图6为本发明所涉及的不同调控时间节点组合模式图。
具体实施方式
下面结合实施例及附图进一步解释本发明,附图为简化的示意图,但并不以此作为对本申请保护范围的限定。
实施例1
图1是本发明涉及的一种热力站调控规律的辨识方法流程图。
如图1所示,本实施例提供了一种热力站调控规律的辨识方法,包括:步骤S1:从智慧供热平台数据库读取热力站运行数据,并进行数据预处理;步骤S2:根据供热系统热平衡理论知识,确定热力站调控周期的辨识参数,包括室外空气综合温度、二次侧供水温度为基本变量;室内空气温度、二次侧回水温度为响应变量;步骤S3:对二次侧供水温度进行差分处理,计算得到差值时间序列数据,根据设定阈值滑动判断基本变量的有效分析时间段;步骤S4:利用互相关函数法辨识有效分析时间段内两组基本变量和响应变量的互相关系数,以互相关系数最大值对应位置计算热力站热延迟时间,确定热力站调控周期,辨识出热力站管网热惰性影响的热延迟时间和建筑综合热惰性影响的热延迟时间,两个热延迟时间构成热力站调控周期;步骤S5:反复辨识不同类型热力站整个供暖期采集数据,基于机器学习辨识出不同供暖形式不同建筑热特性的热力站热延迟时间与室内外温度的关系,进而得到不同气候工况和室内热状态下的不同类型热力站调控周期模型;步骤S6:确定不同类型热力站调控周期模型后,在对应的热力站调控周期模型下,将预处理后的热力站运行数据处理为可能的调控时间节点周期时间序列,利用机器学习对不同调控时间节点的各种调控模式进行周期热负荷预测,以预测精度最高为目标确定最佳调控时间节点。步骤S7:辨识出热力站调控周期和调控时间节点规律后,按照此规律对不同特性的热力站制定调控策略。
步骤S1具体表现为,从智慧供热平台数据库读取热力站的运行数据,并对数据进行预处理,分为三部分—离群数据剔除、空缺数据填充、噪声数据平滑处理。采用拉依达准则对离群值进行剔除,异常值少的采用三次样条插值补充,某些时间段连续大量出现异常值,则直接舍弃该段数据,最后采用指数法和高斯窗相结合对数据进行平滑化处理,优点是削弱数据噪声,降低数据本身带来的误差,提高辨识准确度。
步骤S2中基本变量和响应变量具体确定方法为:根据供热系统热平衡理论知识,在dτ时间内供暖建筑耗热量Qn主要由建筑围护结构传热耗热量Q1、建筑冷风渗透耗热量Q2及建筑冷风侵入耗热量Q3三部分构成,即根据供热工程理论,上式变为
式中τ—时刻,h;K—围护结构传热系数,W/(m2·℃);F—围护结构的散热面积,m2;tn—室内空气温度,℃;tz—室外空气综合温度,℃;α—温差修正系数;β—朝向、高度以及风力等综合修正系数;Cp—干空气的定压比热容,kJ/(kg·℃);V—建筑冷风渗透体积流量,m3/h;ρw—室外空气温度下的密度,kg/m3;N—外门冷风侵入附加率,%。
在K、F、α、β、Cp、V、ρw、N参数确定的情况下,建筑耗热量计算式可以简化为:
当从τ0到τ1时间段内热力站供热系统连续稳定运行,则系统供热量=建筑耗热量,则有:
式中,m—供热系统流量,kg/s;C—水的定压比热,kJ/(kg·℃);t2g—建筑供热系统供水温度,℃;t2h—建筑供热系统回水温度,℃。
当在τ1-τ0时间段内,供热系统供热量维持不变时,对上式积分进一步变换为
根据上式分析可知,当在τ1vτ0时间段内,供热系统供热量维持不变时,即mC(t2g-t2h)不变时,室外空气综合温度的变化会引起室内空气温度的变化,由此确定基本变量为室外空气综合温度,响应变量为室内空气温度。并且这种响应会因为公式中a值(a=kFα(β+N)+0.278CpVρw)的不同而不同。
室内空气温度对于热力站二次侧调控的响应时间存在滞后,这部分滞后时间由建筑围护结构、末端供暖形式构成的建筑综合热惰性和管网热惰性共同影响。则对于热力站调控周期的辨识分为两部分:室外空气综合温度tz为基本变量,室内空气温度tn为响应变量,辨识建筑综合热惰性影响的热延迟时间;二次侧供水温度t2g为基本变量,二次侧回水温度t2h为响应变量,辨识管网热惰性影响的延迟时间。由此将室外空气综合温度和二次侧供水温度作为基本变量进行热力站调控周期的分析及辨识。
本申请中确定的热力站调控周期即热力站热延迟时间包括两部分延迟时间,对应上述两组基本变量和响应变量。
步骤S3中根据设定阈值滑动判断基本变量的有效分析时间段的具体过程为:由步骤S1预处理后的运行数据,依次计算前后时刻对应t2g算术差diffi,每个采样周期间隔内都会存在一个算术差,对应的时间序列为[diff1,diff2,…,diffm-1](m为当天记录时刻数,每个时刻即为一个采样周期),当t2g的前后算术差未超过所定阈值,则认为是平稳波动,超过该阈值则认为是大的波动,平稳波动段即为基本变量的一个有效分析时间段。接着将超过该阈值的下一时刻作为起始点,根据阈值判断下一个有效分析时间段,依次滑动进行分析判断。
步骤S4具体为,在步骤S3确定的各自滑动有效分析时间段内分析基本变量jbase和响应变量jresponse时间序列,分别将jbase、jresponse利用互相关函数法求其互相关系数,表示如下:
式中:Ф是互相关系数,E是样本期望,μ是n个观测值的平均值,s为其标准差,i为每个变量对应的时刻,k为两组时间序列的滞后位置。
根据互相关函数法得到互相关系数序列为[Φ1,Φ2,…,ΦΔt],取最大互相关系数对应位置,依据采样周期计算热力站热延迟时间,确定热力站调控周期。
步骤S5按照上述方式(步骤S3、S4)反复辨识获得不同类型热力站的两组基本变量和响应变量、热力站热延迟时间,依据不同类型热力站的整个供暖时期的时序数据,基于机器学习辨识出不同供暖形式不同建筑热特性的热力站热延迟时间tdelay与室、内外温度的函数tn、tz关系,即tdelay=f(tn,tz),进而得到不同气候工况和室内热状态下的不同类型热力站调控周期模型;
步骤S6确定不同类型热力站调控周期模型后,在对应的热力站调控周期模型下,通过机器学习对热力站一天中各种可能的不同调控时间节点模式进行热负荷预测,以预测精度最高为目标确定最佳调控时间节点,预测精度最高对应的时间节点组合,即为热力站最佳调控时间节点;
将热力站运行数据处理为可能的调控时间节点的周期时间序列,利用机器学习对不同调控时间节点的各种调控模式进行热负荷预测,模型输出参数为周期热负荷,输入参数为室外空气综合温度、室内空气温度、历史周期热负荷,以预测精度最高为目标确定最佳调控时间节点。
图2为本发明运行数据预处理流程图
如图2所示,在本实施例中,获得运行数据后需要对其进行预处理。主要对其中离群值、空缺值等进行处理。具体过程是:输入初始样本值aij,采用拉依达准则即判断aij≥3σ,(其中aij为初始样本值,σ为所有样本值的标准差)判断异常值,当样本值aij≥3σ时,则为异常值(包括空缺值和大幅度变化的异常值)。空缺值和异常值在某些时间段内不是连续大量(连续大量是指一天或半天的数据量连续空缺或异常则舍弃,这里连续大量的样本数量也可以根据实际情况具体分析确定)出现的,则采用三次样条插值进行补充和置换,否则舍弃该段数据。当样本值aij<3σ时,则采用指数法和高斯窗相结合对数据进行平滑化处理,削弱数据噪声,提高辨识准确度。
图3为本发明所涉及滑动有效分析时间段示意图,其中t2gi、t2gi'表示不同时刻的二次侧供水温度,Δt表示有效分析时间段。
如图3所示,在本实施例中,计算基本变量即t2g的前后算术之差,采样周期10min,每个时间间隔内都会存在一个算术差,进而得到对应的时间序列为[diff1,diff2,…diffm-1]。考虑传感器干扰等原因将供温波动较小作为衡量是否稳定供热的标准,将前后时刻的供水温度波动小于1℃的工况视为稳定工况,即当基本变量的前后算术差不超过阈值1,则认为是平稳波动,超过该阈值认为具有较大波动,平稳波动段则为有效分析时间段。从diff1对应时刻开始,若diffi大于阈值1℃,那么diff1到diffi这一时段作为一个有效分析时间段;再从diffi+1开始,依据阈值1℃滑动判断下一个有效分析时间段。
图4为本发明所涉及的辨识参数间互相关系数图,在步骤S3中滑动确定的有效分析时间段是多个的,每个有效分析时间段Δt都要进行基本变量和响应变量的分析,图4中给出的示意为两个有效分析的时间段Δt1和Δt2。如图4所示,在本实施例中,步骤S4:分别对有效分析时间段内基本变量和响应变量进行平稳性检验,以自相关系数和偏自相关系数的图形特征判断是否为平稳序列,在平稳化的基础上利用互相关函数法分别计算有效分析时间段内基本变量室外空气综合温度tz和响应变量室内空气温度tn间的互相关系数,取其最大互相关系数对应位置,图中横坐标为滞后位置,纵坐标为互相关系数,Δt1有效分析时间段内的最大互相关系数对应位置在28,对应此位置确定延迟时间tdelay,依据采样周期10min,可计算得到建筑综合热惰性影响的热延迟时间h为28*10/60=4.6小时;同样方法计算基本变量二次侧供水温度t2g和响应变量二次侧回水温度t2h的互相关系数,互相关系数最大对应位置,依据采样周期计算得到管网热惰性延迟时间p。图中用tdelay笼统表示热力站热延迟时间。
由于室内空气温度对于热力站二次侧调控的响应时间存在滞后,这部分滞后时间由建筑围护结构、末端供暖形式构成的建筑综合热惰性和管网热惰性共同影响。则热力站(即二次侧)调控周期最终为建筑综合热惰性影响的热延迟时间h与管网热惰性延迟时间p之和。
在本实施例中,按照步骤S5,反复辨识不同类型热力站的整个供暖时期的时序数据,基于机器学习辨识出不同供暖形式不同建筑热特性的热力站热延迟时间与室内外温度的函数关系,进而得到不同类型的不同气候工况和室内热状态的热力站调控周期模型。
本实施例中的不同类型热力站包括散热器供热的非节能热力站和节能热力站以及地暖供热的节能热力站。当前待辨识的热力站属于三种类型热力站中的哪一种,由步骤S5获得对应热力站的调控周期模型后,将此时室外综合温度和室内温度带入相应的调控周期模型中来计算得到该室内外温度状态下该热力站的热延迟时间,节省大量时间。
图5为本发明所涉及的调控时间节点确定流程图,依据热力站调控周期划分一天中各种可能的调控时间节点,按时间节点重构周期时间序列,建立不同调控时间节点预测模型,以预测精度最高为目标确定最佳调控时间节点。
如图5所示,在本实施例中,辨识出热力站调控周期的规律后,进行调控时间节点的辨识。确定不同类型热力站调控周期模型后,在对应的热力站调控周期模型下,依据热力站调控周期,将热力站运行数据处理为各种可能的调控时间节点的周期时间序列,即按照确定的该热力站的调控周期,将供暖期的所有数据按照一定的时间间隔进行划分,时间起始点可以任意设置,进而获得各种可能的调控时间节点的周期时间序列。以热力站调控周期6h举例,首先将一天24h划分为1h一组数据,按照调控周期确定出不同起始调控时间节点的组合模式,即0:00/6:00/12:00/18:00;1:00/7:00/13:00/19:00;2:00/8:00/14:00/20:00;3:00/9:00/15:00/21:00;4:00/10:00/16:00/22:00;5:00/11:00/17:00/23:00六种组合模式,如图6所示,当6:00作为调控起始时刻时,和组合模式1呈现结果相同,以此类推,不再分别展示。
以组合模式1为例,将整个供暖期的数据依据组合模式1的调控时间节点重新划分为周期时间序列,利用机器学习对周期时间序列进行热负荷预测,模型输出参数为周期热负荷,输入参数为室外空气综合温度、室内空气温度、历史周期热负荷。同理,将供暖期数据按照其它组合模式划分周期时序,再利用机器学习进行热负荷预测,预测精度最高对应的时间节点组合即为热力站最佳调控时间节点。本实施例中得到的精度最高的调控时间节点组合为模式5,即4:00/10:00/16:00/22:00,其平均绝对百分比误差MAPE值为2.89%,即热力站调控周期为6h时,按照调控时间节点4:00/10:00/16:00/22:00进行调控效果最好。
在本实施例最后,根据辨识出的热力站调控周期和调控时间节点规律,对热力站进行调控。
对于热力站整个供暖期的时序数据,可以多次使用该辨识方法,得到热力站热延迟时间,确定热力站调控周期,以消除异常数据的影响,提高辨识准确性。
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,进行多样的变更和修改。
本发明未述及之处适用于现有技术。
Claims (7)
1.一种供热系统热力站调控规律的辨识方法,该辨识方法包括:
获取用户室内空气温度及热力站的运行数据,并对热力站点的运行数据进行预处理;
以室外空气综合温度tz为基本变量,室内空气温度tn为响应变量,辨识建筑综合热惰性影响的热延迟时间;
以二次侧供水温度t2g为基本变量,二次侧回水温度t2h为响应变量,辨识管网热惰性影响的延迟时间;
由此获得了两组基本变量和响应变量,对基本变量进行差分,获得差值时间序列数据,根据设定阈值滑动判断基本变量的有效分析时间段;
利用互相关函数法计算各自有效分析时间段内基本变量和响应变量时间序列的互相关系数,确定两组时间序列数据中互相关系数最大值对应位置,根据最大值对应位置,依据采样周期计算热力站热延迟时间,热力站热延迟时间包括建筑综合热惰性影响的热延迟时间和管网热惰性影响的延迟时间这两个延迟时间;
按照上述方式获得不同类型热力站的两组基本变量和响应变量、热力站热延迟时间,基于机器学习辨识出不同供暖形式不同建筑热特性的热力站热延迟时间与室内外温度的函数关系,进而得到不同气候工况和室内热状态下的不同类型热力站调控周期模型;
确定不同类型热力站调控周期模型后,在对应的热力站调控周期模型下,通过机器学习对热力站一天中各种可能的不同调控时间节点模式进行热负荷预测,以预测精度最高为目标确定最佳调控时间节点,预测精度最高对应的时间节点组合,即为热力站最佳调控时间节点;
在辨识出不同类型热力站的热力站调控周期和最佳调控时间节点规律后,按照此规律分别对不同类型的热力站制定调控策略。
2.根据权利要求1所述的辨识方法,其特征在于,对不同调控时间节点模式进行热负荷预测时,机器学习的模型输出参数为周期热负荷,输入参数为室外空气综合温度、室内空气温度、历史周期热负荷。
3.根据权利要求1所述的辨识方法,其特征在于,热力站的运行数据从智慧供热平台数据库读取,并对热力站的运行数据进行预处理,包括离群数据剔除、空缺数据填充、噪声数据平滑处理;具体是:采用拉依达准则对离群值进行剔除,异常值少的采用三次样条插值补充,某些时间段连续大量出现异常值,则直接舍弃该组数据;最后采用指数法和高斯窗相结合对数据进行平滑化处理。
4.根据权利要求1所述的辨识方法,其特征在于,根据设定阈值滑动判断基本变量的有效分析时间段的具体过程为:对预处理后的数据,依次计算前后时刻对应二次侧供水温度t2g算术差diffi,每个采样周期间隔内都会存在一个算术差,对应的时间序列为[diff1,diff2,…,diffm-1],m为当天记录时刻数,每个时刻即为一个采样周期,当二次侧供水温度t2g的前后算术差未超过设定阈值,则认为是平稳波动,超过该设定阈值则认为是大的波动,平稳波动段即为基本变量的一个有效分析时间段;接着将超过该设定阈值的下一时刻作为起始点,根据设定阈值判断下一个有效分析时间段,依次滑动进行分析判断。
6.根据权利要求1所述的辨识方法,其特征在于,所述设定阈值为1℃,热力站的运行数据的采样周期为10min。
7.根据权利要求1所述的辨识方法,其特征在于,热力站热延迟时间为建筑综合热惰性影响的热延迟时间和管网热惰性影响的延迟时间之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245394.7A CN112984616A (zh) | 2021-03-05 | 2021-03-05 | 一种供热系统热力站调控规律的辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245394.7A CN112984616A (zh) | 2021-03-05 | 2021-03-05 | 一种供热系统热力站调控规律的辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112984616A true CN112984616A (zh) | 2021-06-18 |
Family
ID=76353077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110245394.7A Pending CN112984616A (zh) | 2021-03-05 | 2021-03-05 | 一种供热系统热力站调控规律的辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112984616A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113587172A (zh) * | 2021-08-03 | 2021-11-02 | 广东电网有限责任公司 | 供水温度延迟时间预测方法、装置及电子设备 |
CN113606634A (zh) * | 2021-07-01 | 2021-11-05 | 华能国际电力股份有限公司上安电厂 | 一种基于长输管网优化热源运行参数的热源保障系统 |
CN115234973A (zh) * | 2022-07-04 | 2022-10-25 | 国网辽宁省电力有限公司电力科学研究院 | 一种热网动态供热策略确定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110054701A1 (en) * | 2009-08-27 | 2011-03-03 | Blueair Controls, Inc. | Energy saving method and system for climate control system |
CN110793094A (zh) * | 2019-10-28 | 2020-02-14 | 浙江大学 | 一种城市集中供热系统综合灵活调度方法和系统 |
CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
CN112128841A (zh) * | 2020-09-29 | 2020-12-25 | 河北工业大学 | 一种基于负荷预测和室温反馈修正的全网平衡调节方法 |
CN112361450A (zh) * | 2020-09-02 | 2021-02-12 | 天津大学 | 一种基于室内温度的换热站反馈预测调控方法 |
-
2021
- 2021-03-05 CN CN202110245394.7A patent/CN112984616A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110054701A1 (en) * | 2009-08-27 | 2011-03-03 | Blueair Controls, Inc. | Energy saving method and system for climate control system |
CN110793094A (zh) * | 2019-10-28 | 2020-02-14 | 浙江大学 | 一种城市集中供热系统综合灵活调度方法和系统 |
CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
CN112361450A (zh) * | 2020-09-02 | 2021-02-12 | 天津大学 | 一种基于室内温度的换热站反馈预测调控方法 |
CN112128841A (zh) * | 2020-09-29 | 2020-12-25 | 河北工业大学 | 一种基于负荷预测和室温反馈修正的全网平衡调节方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113606634A (zh) * | 2021-07-01 | 2021-11-05 | 华能国际电力股份有限公司上安电厂 | 一种基于长输管网优化热源运行参数的热源保障系统 |
CN113587172A (zh) * | 2021-08-03 | 2021-11-02 | 广东电网有限责任公司 | 供水温度延迟时间预测方法、装置及电子设备 |
CN115234973A (zh) * | 2022-07-04 | 2022-10-25 | 国网辽宁省电力有限公司电力科学研究院 | 一种热网动态供热策略确定方法 |
CN115234973B (zh) * | 2022-07-04 | 2023-09-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种热网动态供热策略确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112984616A (zh) | 一种供热系统热力站调控规律的辨识方法 | |
Zhang et al. | A deep reinforcement learning approach to using whole building energy model for hvac optimal control | |
CN108916986B (zh) | 信息物理融合的二级管网变流量水力平衡调控方法及系统 | |
Michailidis et al. | Energy-efficient HVAC management using cooperative, self-trained, control agents: A real-life German building case study | |
CN111275579B (zh) | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 | |
Jang et al. | Prediction of optimum heating timing based on artificial neural network by utilizing BEMS data | |
Sun et al. | A dynamic control strategy of district heating substations based on online prediction and indoor temperature feedback | |
CN106091239A (zh) | 一种基于大型建筑空调负荷集群的电网一次调频方法 | |
CN215724029U (zh) | 一种中央空调自适应控制系统 | |
Li et al. | Rule-based fuzzy control method for static pressure reset using improved Mamdani model in VAV systems | |
Nikovski et al. | A method for computing optimal set-point schedules for HVAC systems | |
CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
CN106468467B (zh) | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 | |
Hu et al. | Building model identification during regular operation-empirical results and challenges | |
CN113587172A (zh) | 供水温度延迟时间预测方法、装置及电子设备 | |
CN115220351B (zh) | 一种基于云边端的建筑空调系统智能节能优化控制方法 | |
CN113190999A (zh) | 供热管网流量调节提升风电消纳的电热协调方法及装置 | |
CN116624984A (zh) | 一种冰蓄冷空调系统经济性和响应性双目标优化模型预测控制方法 | |
CN113240184A (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 | |
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 | |
Huang et al. | Model predictive control for energy-efficient buildings: An airport terminal building study | |
CN112268350B (zh) | 一种基于系统延迟性的空调侧负荷预测方法 | |
CN111523210A (zh) | 城市集中供热系统升降温过程预测分析方法及其系统 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
Sha et al. | A control strategy of heating system based on adaptive model predictive control |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Building 9, Runjiang Headquarters International, No. 455 Yuhua East Road, High-tech Zone, Shijiazhuang City, Hebei Province, 050000 Applicant after: HEBEI GONGDA GREEN ENERGY TECHNOLOGY Corp.,Ltd. Address before: 050000 unit 6, building 9, Runjiang headquarters international, 319 Changjiang Avenue, high tech Zone, Shijiazhuang, Hebei Province Applicant before: HEBEI GONGDA GREEN ENERGY TECHNOLOGY Corp.,Ltd. |