CN113112094A - 量化风况影响的热负荷预测方法、系统、装置及存储介质 - Google Patents

量化风况影响的热负荷预测方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN113112094A
CN113112094A CN202110506210.8A CN202110506210A CN113112094A CN 113112094 A CN113112094 A CN 113112094A CN 202110506210 A CN202110506210 A CN 202110506210A CN 113112094 A CN113112094 A CN 113112094A
Authority
CN
China
Prior art keywords
wind
data
heat
heat load
unit
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
CN202110506210.8A
Other languages
English (en)
Other versions
CN113112094B (zh
Inventor
李红粉
钱律求
何红伟
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.)
Runa Smart Equipment Co Ltd
Original Assignee
Runa Smart Equipment Co Ltd
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 Runa Smart Equipment Co Ltd filed Critical Runa Smart Equipment Co Ltd
Priority to CN202110506210.8A priority Critical patent/CN113112094B/zh
Publication of CN113112094A publication Critical patent/CN113112094A/zh
Application granted granted Critical
Publication of CN113112094B publication Critical patent/CN113112094B/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种量化风况影响的热负荷预测方法、系统、装置及存储介质，具体步骤包括获取供热的历史数据；根据历史数据进行运算以及预处理，得到体积供暖指标；根据体积供暖指标与风况状况，建立风况对热负荷影响的离散函数模型；获取实际供热数据，根据离散函数模型和热负荷预测公式进行热负荷预测。本发明能够通过对历史数据的运算及预处理，建立风况对热负荷影响的离散函数模型，并根据离散函数模型和热负荷预测公式进行热负荷预测，得到比传统方法更加准确的数据，避免了因未考虑风力和风向等自然情况对热负荷的影响导致预测不准确，使得供热不足或者过多的问题出现。可以既节约能源，又降低用户投诉率。

Description

量化风况影响的热负荷预测方法、系统、装置及存储介质
技术领域
本发明涉及供热热负荷预测技术领域，特别涉及一种量化风况影响的热负荷预测方法、系统、装置及存储介质。
背景技术
城市集中供热是一种较好的供热方式，具有舒适、节能、环保、安全等特点。近年来，随着国家相关政策的出台，城市建筑的采暖方式越来越多的采用集中供热的方式解决。但是在集中供热中存在很多的问题，供热过多或不足就是其中比较突出的问题。供热过多会导致资源浪费，供热不足会降低热用户的舒适度，进而造成用户投诉率提高。因此，如果可以精准预测热负荷，就可以既节约能源，又降低用户投诉率。
现有技术的不足之处在于，传统集中供热中，热力公司主要根据过去的供热经验结合供热面积和室外温度预测热负荷进行热量准备。这仅考虑了供热面积和室外温度，没有考虑风力、风向对热负荷的影响，导致热负荷预测不准确，使得供热过多或不足。
发明内容
本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种量化风况影响的热负荷预测方法、系统、装置及存储介质，以解决上述背景技术中提出的问题。
本发明所采取的第一技术方案：一种量化风况影响的热负荷预测方法，具体步骤包括：
获取供热的历史数据；
根据历史数据进行运算以及预处理，得到体积供暖指标；
根据体积供暖指标与风况状况，建立风况对热负荷影响的离散函数模型；
获取实际供热数据，根据离散函数模型和热负荷预测公式进行热负荷预测。
作为本发明进一步的技术方案：所述根据历史数据进行运算以及预处理，得到体积供暖指标的具体步骤包括：
首先根据历史数据的热用户面积，计算单元的供热面积：
Figure BDA0003058493030000021
其中，Si为i单元的供热面积，Sij为i单元j户的面积，N为单元的数量，ni为单元i的热用户数量；
根据单元热用户的供热面积和历史数据的热用户室内温度，计算单元任意时刻的面积加权室内均温：
Figure BDA0003058493030000022
同时，计算单元任意时刻的面积加权室内均温与室外温度的差：
Figure BDA0003058493030000023
其中，
Figure BDA0003058493030000024
为单元i在t时刻的面积加权室内均温，
Figure BDA0003058493030000025
为i单元j户在t时刻的室内温度，T表示时间总跨度数，
Figure BDA0003058493030000026
表示单元i在t时刻的面积加权室内均温与室外温度的差，
Figure BDA0003058493030000027
表示t时刻的室外温度；
根据面积加权室内均温与室外温度的差和历史数据的预处理，计算单元任意时刻的体积供暖指标。
作为本发明进一步的技术方案：所述计算单元任意时刻的体积供暖指标的具体步骤包括：
获取历史数据的任意单元的风力、风向、面积加权室内均温与室外温度的差、热负荷数据进行数据预处理，其中所述数据预处理包括数据对齐、删除无效数据和数据插值；
根据单元供热面积、楼层高、面积加权室内均温与室外温度的差、单元热负荷，计算单元任意时刻风力、风向下的体积供暖指标：
Figure BDA0003058493030000028
其中，
Figure BDA0003058493030000029
表示单元i在t时刻的体积供暖指标，
Figure BDA00030584930300000210
为单元i在t时刻的热负荷，h为层高。
作为本发明进一步的技术方案：所述根据体积供暖指标与风况状况，建立风况对热负荷影响的离散函数模型的具体步骤包括：
将所有单元的风力、风向、体积供暖指标数据合并，并根据风力、风向的组合数据将体积供暖指标数据进行分组求算术平均值，利用同一风力、风向组合下的体积供暖指标的算术平均值表示实际真值：
Figure BDA0003058493030000031
其中，m表示风力，n表示风向，qmn表示在风力m、风向n下的q实际真值，
Figure BDA0003058493030000032
表示在风力m、风向n下的所有q值的算数平均值；
风况对热负荷影响的数据量化的离散函数模型f(m,n)为：f(m,n)＝qmn。
作为本发明进一步的技术方案：所述获取实际供热数据，根据离散函数模型和热负荷预测公式进行热负荷预测的具体步骤包括：
获取实际供热数据，所述实际供热数据包括供热面积、适宜的室内温度、实时数据的风力、风向和室外温度；
根据实际供热数据预测计算热负荷：Q＝qmnSh(tn-tw)；
其中，S表示供热面积，tn表示适宜室内温度，m表示风力，n表示风向，tw表示室外温度。
本发明所采取的第二技术方案：一种热负荷预测系统，包括：
获取模块，用于获取供热的历史数据；
函数模型建立模块，用于建立风况对热负荷影响的离散函数模型；
预测模块，用于依据获取的实际供热数据、离散函数模型以及热负荷预测公式进行热负荷预测。
本发明所采取的第三技术方案：一种热负荷预测装置，还包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上任一项所述一种量化风况影响的热负荷预测方法。
本发明所采取的第四技术方案：一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现如上任一项所述一种量化风况影响的热负荷预测方法。
与现有技术相比，本发明存在以下技术效果：
通过采用上述的技术方案，利用历史数据中的每一热用户的供热面积，通过室内温度得到面积加权室内均温，以及面积加权室内均温与室外温度的差，历史数据的热负荷，从而得到体积供暖指标。同时考虑到风力和风向对供热的影响，构建风力和风向对于体积供热指标的离散函数，进而对实际情况下的供热热负荷进行精准预测。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1为本申请公开的一些实施例的热负荷预测方法的步骤示意图；
图2为本申请公开的一些实施例的热负荷预测方法的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1和图2，本发明实施例中，一种量化风况影响的热负荷预测方法，具体步骤包括：
S1、获取供热的历史数据，具体根据对各个小区单元用户的供热的历史数据进行采集；
S2、根据历史数据进行运算以及预处理，得到体积供暖指标，具体步骤包括：
S21、首先根据历史数据的每个热用户面积，计算每个单元的供热面积，具体公式如下：
Figure BDA0003058493030000051
其中，Si为i单元的供热面积，Sij为i单元j户的面积，N为单元的数量，ni为单元i的热用户数量；
S22、再根据计算得到每个单元热用户的供热面积和历史数据的热用户室内温度，计算每个单元每一时刻的面积加权室内均温：
Figure BDA0003058493030000052
同时，计算每个单元每一时刻的面积加权室内均温与室外温度的差：
Figure BDA0003058493030000053
其中，
Figure BDA0003058493030000054
为单元i在t时刻的面积加权室内均温，
Figure BDA0003058493030000055
为i单元j户在t时刻的室内温度，T表示时间总跨度数，
Figure BDA0003058493030000056
表示单元i在t时刻的面积加权室内均温与室外温度的差，
Figure BDA0003058493030000057
表示t时刻的室外温度；
S23、根据面积加权室内均温与室外温度的差和历史数据的预处理，计算单元任意时刻的体积供暖指标，具体步骤包括：
S231、获取历史数据的每个单元的风力、风向、面积加权室内均温与室外温度的差、热负荷数据进行数据预处理，其中所述数据预处理包括数据对齐、删除无效数据和数据插值；
S232、根据单元供热面积、楼层高、面积加权室内均温与室外温度的差、单元热负荷，计算各单元在每一时刻风力、风向下的体积供暖指标：
Figure BDA0003058493030000058
其中，
Figure BDA0003058493030000059
表示单元i在t时刻的体积供暖指标，
Figure BDA00030584930300000510
为单元i在t时刻的热负荷，h为层高。
S3、根据体积供暖指标与风况状况，建立风况对热负荷影响的离散函数模型，具体步骤包括：
具体可描述为：将小区内的所有单元的风力、风向、体积供暖指标数据合并，并根据风力、风向的组合数据将体积供暖指标数据进行分组求算术平均值，利用同一风力、风向组合下的体积供暖指标的算术平均值表示实际真值：
Figure BDA0003058493030000061
其中，m表示风力，n表示风向，qmn表示在风力m、风向n下的q实际真值，
Figure BDA0003058493030000062
表示在风力m、风向n下的所有q值的算数平均值；
具体的，求出每一种风力和风向组合下的qmn，将小区内所有单元的风力m、风向n、体积供暖指标q数据纵向合并在一起。风力和风向是离散变量。在天气预报中，风力m取值{微风，3-4级，4-5级，5-6级，6-7级，7-8级，8-9级，9-10级，10-11级，11-12级}，但是冬季一般的风力在7级以下。风向n取值{南风，东南风，西南风，东风，西风，东北风，西北风，北风}。在所有数据中，常见风力风向组合会对应许多不同的qmn，删除风力风向组合对应的qmn值个数小于100个的数据，根据辛钦大数定律，可以用同一风力风向下的qmn的算术平均值来近似实际真值。
进而得到风况对热负荷影响的数据量化的离散函数模型f(m,n)为：f(m,n)＝qmn。
S4、获取实际供热数据，根据离散函数模型和热负荷预测公式进行热负荷预测，具体步骤包括：
获取实际供热数据，所述实际供热数据包括供热面积、适宜的室内温度、实时数据的风力、风向和室外温度；
根据实际供热数据预测计算热负荷：Q＝qmnSh(tn-tw)；
其中，S表示供热面积，tn表示适宜室内温度，m表示风力，n表示风向，tw表示室外温度。
一种热负荷预测系统，包括：
获取模块，用于获取供热的历史数据；
函数模型建立模块，用于建立风况对热负荷影响的离散函数模型；
预测模块，用于依据获取的实际供热数据、离散函数模型以及热负荷预测公式进行热负荷预测。
一种热负荷预测装置，还包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上任一项所述一种量化风况影响的热负荷预测方法。
一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现如上任一项所述一种量化风况影响的热负荷预测方法。
以下为风力、风向对体积供暖指标的相关影响数据表格：
Figure BDA0003058493030000071
Figure BDA0003058493030000081
如上表所示，某小区按照本发明的方法计算得到的体积供暖指标的离散函数表，可以看出“3-4级风”比“微风”的体积供暖指标平均高出23.74％，“4-5级风”比“3-4级风”的体积供暖指标平均高出15.51％，“5-6级风”比“4-5级风”的体积供暖指标平均高出11.76％，同时可以看出南风、西南风、西风对此小区的体积供暖指标影响较大，因此对热负荷的影响较大。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。

Claims (8)

1.一种量化风况影响的热负荷预测方法，其特征在于，包括：
获取供热的历史数据；
根据历史数据进行运算以及预处理，得到体积供暖指标；
根据体积供暖指标与风况状况，建立风况对热负荷影响的离散函数模型；
获取实际供热数据，根据离散函数模型和热负荷预测公式进行热负荷预测。
2.根据权利要求1所述一种量化风况影响的热负荷预测方法，其特征在于，所述根据历史数据进行运算以及预处理，得到体积供暖指标的具体步骤包括：
首先根据历史数据的热用户面积，计算单元的供热面积：
Figure FDA0003058493020000011
其中，Si为i单元的供热面积，Sij为i单元j户的面积，N为单元的数量，ni为单元i的热用户数量；
根据单元热用户的供热面积和历史数据的热用户室内温度，计算单元任意时刻的面积加权室内均温：
Figure FDA0003058493020000012
同时，计算单元任意时刻的面积加权室内均温与室外温度的差：
Figure FDA0003058493020000013
其中，
Figure FDA0003058493020000014
为单元i在t时刻的面积加权室内均温，
Figure FDA0003058493020000015
为i单元j户在t时刻的室内温度，T表示时间总跨度数，
Figure FDA0003058493020000016
表示单元i在t时刻的面积加权室内均温与室外温度的差，
Figure FDA0003058493020000017
表示t时刻的室外温度；
根据面积加权室内均温与室外温度的差和历史数据的预处理，计算单元任意时刻的体积供暖指标。
3.根据权利要求2所述一种量化风况影响的热负荷预测方法，其特征在于，所述计算单元任意时刻的体积供暖指标的具体步骤包括：
获取历史数据的任意单元的风力、风向、面积加权室内均温与室外温度的差、热负荷数据进行数据预处理，其中所述数据预处理包括数据对齐、删除无效数据和数据插值；
根据单元供热面积、楼层高、面积加权室内均温与室外温度的差、单元热负荷，计算单元任意时刻风力、风向下的体积供暖指标：
Figure FDA0003058493020000021
其中，
Figure FDA0003058493020000022
表示单元i在t时刻的体积供暖指标，
Figure FDA0003058493020000023
为单元i在t时刻的热负荷，h为层高。
4.根据权利要求3所述一种量化风况影响的热负荷预测方法，其特征在于，所述根据体积供暖指标与风况状况，建立风况对热负荷影响的离散函数模型的具体步骤包括：
将所有单元的风力、风向、体积供暖指标数据合并，并根据风力、风向的组合数据将体积供暖指标数据进行分组求算术平均值，利用同一风力、风向组合下的体积供暖指标的算术平均值表示实际真值：
Figure FDA0003058493020000024
其中，m表示风力，n表示风向，qmn表示在风力m、风向n下的q实际真值，
Figure FDA0003058493020000025
表示在风力m、风向n下的所有q值的算数平均值；
风况对热负荷影响的数据量化的离散函数模型f(m,n)为：f(m,n)＝qmn。
5.根据权利要求4所述一种量化风况影响的热负荷预测方法，其特征在于，所述获取实际供热数据，根据离散函数模型和热负荷预测公式进行热负荷预测的具体步骤包括：
获取实际供热数据，所述实际供热数据包括供热面积、适宜的室内温度、实时数据的风力、风向和室外温度；
根据实际供热数据预测计算热负荷：Q＝qmnSh(tn-tw)；
其中，S表示供热面积，tn表示适宜室内温度，m表示风力，n表示风向，tw表示室外温度。
6.一种热负荷预测系统，其特征在于，包括：
获取模块，用于获取供热的历史数据；
函数模型建立模块，用于建立风况对热负荷影响的离散函数模型；
预测模块，用于依据获取的实际供热数据、离散函数模型以及热负荷预测公式进行热负荷预测。
7.一种热负荷预测装置，其特征在于，还包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-5任一项所述一种量化风况影响的热负荷预测方法。
8.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-5任一项所述一种量化风况影响的热负荷预测方法。
CN202110506210.8A 2021-05-10 2021-05-10 量化风况影响的热负荷预测方法、系统、装置及存储介质 Active CN113112094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110506210.8A CN113112094B (zh) 2021-05-10 2021-05-10 量化风况影响的热负荷预测方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110506210.8A CN113112094B (zh) 2021-05-10 2021-05-10 量化风况影响的热负荷预测方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113112094A true CN113112094A (zh) 2021-07-13
CN113112094B CN113112094B (zh) 2024-02-13

Family

ID=76721762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110506210.8A Active CN113112094B (zh) 2021-05-10 2021-05-10 量化风况影响的热负荷预测方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113112094B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035173A (zh) * 2023-08-03 2023-11-10 北京硕人时代科技股份有限公司 一种基于六参数模型的换热系统日负荷预测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014183917A1 (de) * 2013-05-16 2014-11-20 Robert Bosch Gmbh Verfahren zur energieverbrauchsbewertung einer heizungsanlage sowie vorrichtung zur durchführung des verfahrens
WO2015004742A1 (ja) * 2013-07-10 2015-01-15 三菱電機株式会社 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム
CN106096781A (zh) * 2016-06-07 2016-11-09 哈尔滨工业大学 基于综合温度的供热负荷预报方法
WO2017216833A1 (ja) * 2016-06-13 2017-12-21 株式会社日立製作所 空調機管理装置、熱源設備管理装置、空調機管理方法、および、熱源設備管理方法
CN107730045A (zh) * 2017-10-20 2018-02-23 国网江苏省电力公司南京供电公司 一种基于离散惯性动力学系统的基线负荷热惯性修正方法
CN110490385A (zh) * 2019-08-22 2019-11-22 广东电网有限责任公司 一种综合能源系统中电负荷和热负荷的联合预测方法
CN111121150A (zh) * 2020-01-03 2020-05-08 西咸新区玄武信息科技有限公司 一种智能热负荷预测调控方法、系统及存储介质
CN111580382A (zh) * 2020-05-18 2020-08-25 瑞纳智能设备股份有限公司 基于人工智能的单元级供热调节方法及系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014183917A1 (de) * 2013-05-16 2014-11-20 Robert Bosch Gmbh Verfahren zur energieverbrauchsbewertung einer heizungsanlage sowie vorrichtung zur durchführung des verfahrens
WO2015004742A1 (ja) * 2013-07-10 2015-01-15 三菱電機株式会社 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム
CN106096781A (zh) * 2016-06-07 2016-11-09 哈尔滨工业大学 基于综合温度的供热负荷预报方法
WO2017216833A1 (ja) * 2016-06-13 2017-12-21 株式会社日立製作所 空調機管理装置、熱源設備管理装置、空調機管理方法、および、熱源設備管理方法
CN107730045A (zh) * 2017-10-20 2018-02-23 国网江苏省电力公司南京供电公司 一种基于离散惯性动力学系统的基线负荷热惯性修正方法
CN110490385A (zh) * 2019-08-22 2019-11-22 广东电网有限责任公司 一种综合能源系统中电负荷和热负荷的联合预测方法
CN111121150A (zh) * 2020-01-03 2020-05-08 西咸新区玄武信息科技有限公司 一种智能热负荷预测调控方法、系统及存储介质
CN111580382A (zh) * 2020-05-18 2020-08-25 瑞纳智能设备股份有限公司 基于人工智能的单元级供热调节方法及系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
冯国艳;邹仁义;王超元;江潇;郑骏玲;包先斌;: "基于室温及气候补偿的负荷预测控制方法应用分析", 区域供热, no. 06 *
孔德辰;: "集中供热系统的节能分析和优化设计", 山西建筑, no. 08 *
李伟;钱华东;徐强;刘娜;刘伟;南浩;: "基于线性回归的热负荷预测在热电联产机组中的应用", 仪器仪表用户, no. 08, pages 1 *
王文标;蔡麒;汪思源;: "基于气象因素的集中供热系统热负荷预测研究", 计算机测量与控制, no. 02 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035173A (zh) * 2023-08-03 2023-11-10 北京硕人时代科技股份有限公司 一种基于六参数模型的换热系统日负荷预测方法及系统

Also Published As

Publication number Publication date
CN113112094B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
Murray et al. Multi-variable optimization of thermal energy efficiency retrofitting of buildings using static modelling and genetic algorithms–A case study
WO2021109848A1 (zh) 一种考虑提升量的生态流量确定方法
Gardes et al. Conditional extremes from heavy-tailed distributions: An application to the estimation of extreme rainfall return levels
CN110264080B (zh) 一种绿色建筑运行性能评价方法、装置、设备及存储介质
CN104484715A (zh) 一种基于神经网络和微粒群优化算法的建筑能耗预测方法
US9507333B2 (en) Method of predicting the energy consumption of a building
Narowski et al. Comparison of Untypical Meteorological Years (UMY) and their influence on building energy performance simulations
JP6498976B2 (ja) 推定装置、推定方法およびコンピュータプログラム
CN111625947B (zh) 一种分布式能源发展规模预测方法、设备及介质
CN112633645B (zh) 一种河源干旱区水资源挖潜与高效利用效果的社会经济效益核算方法
CN112966221A (zh) 一种南方丰水地区考核年份用水总量折算方法
Chao-Hsien et al. Designing a rainwater harvesting system for urban green roof irrigation
CN113112094A (zh) 量化风况影响的热负荷预测方法、系统、装置及存储介质
CN117353300B (zh) 一种基于大数据的农村用电需求量分析方法
CN113757781A (zh) 基于bp神经网络预测模型的供热负荷预测节能控制方法及系统
CN110222879B (zh) 一种考虑置信区间的系统-母线负荷预测协调方法及装置
CN116911643A (zh) 城市内涝防治方案选择方法、系统、装置、存储介质
CN112287559A (zh) 冷热管网虚拟储能的配电网供电能力分析方法及装置
CN116976622A (zh) 基于边跨境季节-产业的负荷耦合协调修正方法及系统
CN104598982B (zh) 年最大降温负荷的获取方法及系统
CN106447067A (zh) 基于自适应非线性回归模型的台区日用电量的预测方法
Sun et al. Urban Building Thermal Comfort Research Based on ArcGIS and Building Parameters: Analyzing and Improving Measures.
CN114970082B (zh) 非一致性设计洪水估计方法
Yang et al. Optimization Method for Energy Saving of Rural Architectures in Hot Summer and Cold Winter Areas Based on Artificial Neural Network
CN110322063B (zh) 一种耗电功率仿真预测方法及存储介质

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