CN113222231A - 一种基于物联网技术的智慧供热系统 - Google Patents
一种基于物联网技术的智慧供热系统 Download PDFInfo
- Publication number
- CN113222231A CN113222231A CN202110480938.8A CN202110480938A CN113222231A CN 113222231 A CN113222231 A CN 113222231A CN 202110480938 A CN202110480938 A CN 202110480938A CN 113222231 A CN113222231 A CN 113222231A
- Authority
- CN
- China
- Prior art keywords
- sequence
- data
- index
- internet
- heating system
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000005286 illumination Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06Q10/0639—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Accounting & Taxation (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于物联网技术的智慧供热系统,包括构造天气指数G(k)=G(光照强度(k),风速(k),温度(k),雨雪指数(k))函数,并以小时为间隔,对G(k)的计算值进行存储;从云服务器中存储的累计热量历史数据Q(K)、G(K)进行提取和处理,生成(Q(K)、G(K))序列对;基于生成的序列进行监督训练,生成新的负荷预测序列Q′(K),对换热机组未来时刻的负荷进行预测;形成后台机制,判断当前运行环境,本系统可以实现基于设备运行数据分析的温度控制方法,具有更优的控制效果,可以充分地从数据中学习到当前换热机组的运行规律,可以让机组的运行更加精准和可靠,避免运行人员在换热机组运行过程中频繁修改参数,提升用户的使用体验。
Description
技术领域
本发明属于用于分布式供热技术领域,具体涉及一种基于物联网技术的智慧供热系统。
背景技术
布式供热如燃气源供热,地源热泵技术以及其他不依赖于城市供热一次管网的独立能源供热形式,这种换热机组包括管壳式换热机组以及板式换热机组以及使用其他换热容器组建的智能换热机组设备,目前多数分布式换热机组的运行,维持在独立运行的模式上。换热机组在对供水温度、流量进行调节时,采用解耦的控制方式,一般由一次侧的调节阀控制一次侧的热水流量,进而控制二次侧供水温度,由二次侧的循环泵频率来调节二次侧的流量,由于用户侧的流量总值在供暖期间基本保持不变,故节能运行的焦点就在温度的运行参数调节上。
当前多数二次网供水温度的调节依赖于室外温度补偿技术,这种调节技术是通过安装在室外的温度传感器,控制系统能够获取到当前室外温度。而控制系统内部内置了室外温度补偿曲线,通过当前室外温度值,控制器可以计算出相应的补偿值,该补偿值被设定为换热机组的二次供水温度。
但上述系统中内置的室外温度曲线由运行人员设置,且在整个供暖季需要不断调节,对运行人员要求极高,而且仅依靠室外温度补偿来对供水温度进行调节,存在较大的局限性,故最终的调节效果并不能达到运行节能的目的。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于物联网技术的智慧供热系统,本系统可以实现基于设备运行数据分析的温度控制方法,具有更优的控制效果,可以充分地从数据中学习到当前换热机组的运行规律,可以让机组的运行更加精准和可靠,避免运行人员在换热机组运行过程中频繁修改参数,提升用户的使用体验,并且对环境的克服能力强。
本发明为解决上述技术问题采用的技术方案是:一种基于物联网技术的智慧供热系统,包括以下制备步骤:
S1、构造函数;天气指数G(k)=G(光照强度(k),风速(k),温度(k),雨雪指数(k)),此处k代表了以小时为间隔的离散序列,天气指数G代表了由小时平均光照强度、小时平均风速、平均温度、以及雨雪指数这些与建筑热负荷相关系数高的外部因素;并以小时为间隔,对G(k)的计算值进行存储;
S2、从云服务器中存储的累计热量历史数据Q(K)、G(K)进行提取和处理,生成(Q(K)、G(K))序列对,Q(K)为每小时的换热机组设备供热量,G(K)对应这个小时的天气指数;
S3、基于生成的序列进行监督训练,通过构造新的数据对进行学习,将学习结果结合未来时刻天气预报生成新的负荷预测序列Q′(K),对换热机组未来时刻的负荷进行预测;
S4、形成后台机制,自动根据历史运行数据进行提取,对原生成预测序列Q′(K)进行修正,不断优化更新预测结果,利用价值函数模块对已生成的预测序列进行评价,判断当前运行环境。
进一步的,S1中的天气指数G(k)为光照强度、风速、温度、雨雪指数的复合函数,利用神经网络对该指数进行拟合,神经网络的结构为4-10-1,即4输入,10个隐层神经元以及一个输出G(K),这里我们定义Q(K)=G(K)*C,此处Q代表热负荷,C代表建筑物常数,利用设备的历史数据对G(K)进行辨识,得到G(k)的神经元权值矩阵,用于对未来天气指数进行预测。
进一步的,S2中的G(K)历史数值来源于S1中权值矩阵输出的记录值,利用历史数值G(K)以及Q(K)来预测下一时刻的Q′(K+1),此处认为Q(K)序列为时间序列,且是带有输入G(K)的时间序列,即
Q′(K+1)=F(Q(K),Q(K-1)......Q(K-N),G(K+1),G(K)......G(K-N))
进一步的,S3中的预训练是将历史数据中的Q(K)、G(K)进行重新整理,整理为Q(K)=F(Q(K-1)......Q(K-N),G(K)......G(K-N))的形式,并进行训练,最终得到函数F的权值矩阵。
进一步的,训练时采用LSTM进行时间序列预测,将历史数据划分为0.85∶0.15的比例,85%的数据用于训练,15%的数据用于验证,并以指标函数Rt的最小为训练目标。
进一步的,S4中的后台机制为:在运行一段时间后,后台通过运行的历史数据自动进行函数F的更新,完成系统的参数更新,并将结果传送至负荷预测模块。
本发明的有益效果为:
1.对比传统的室外温度曲线补偿的方式,本专利不需要安装室外温度传感器,所需的天气信息全部从互联网获取,且能够预测未来天气信息,能够提前对参数进行修改;
2.本发明可以充分地从数据中学习到当前换热机组的运行规律,可以让机组的运行更加精准和可靠,避免运行人员在换热机组运行过程中频繁修改参数,提升用户的使用体验,并且对环境的克服能力强;
3.相同功率换热机组的供热参数可以相互借鉴,当对某一地区相近换热机组可以采用相同的参数配置,对于新设备来说无需积累运行数据,可以直接从云服务器库中取出训练的结果,直接用于指导新增设备的运行。
附图说明
图1是分布式数据采集系统网络图;
图2是本发明训练流程示意图。
具体实施方式
结合附图对本发明实施例加以详细说明,本实施例以本发明技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于物联网技术的智慧供热系统,包括以下制备步骤:
S1、构造函数;天气指数G(k)=G(光照强度(k),风速(k),温度(k),雨雪指数(k)),此处k代表了以小时为间隔的离散序列,天气指数G代表了由小时平均光照强度、小时平均风速、平均温度、以及雨雪指数这些与建筑热负荷相关系数高的外部因素;并以小时为间隔,对G(k)的计算值进行存储;
S2、从云服务器中存储的累计热量历史数据Q(K)、G(K)进行提取和处理,生成(Q(K)、G(K))序列对,Q(K)为每小时的换热机组设备供热量,G(K)对应这个小时的天气指数;
S3、基于生成的序列进行监督训练,通过构造新的数据对进行学习,将学习结果结合未来时刻天气预报生成新的负荷预测序列Q′(K),对换热机组未来时刻的负荷进行预测;
S4、形成后台机制,自动根据历史运行数据进行提取,对原生成预测序列Q′(K)进行修正,不断优化更新预测结果,利用价值函数模块对已生成的预测序列进行评价,判断当前运行环境。
进一步的,S1中的天气指数G(k)为光照强度、风速、温度、雨雪指数的复合函数,利用神经网络对该指数进行拟合,神经网络的结构为4-10-1,即4输入,10个隐层神经元以及一个输出G(K),这里我们定义Q(K)=G(K)*C,此处Q代表热负荷,C代表建筑物常数,利用设备的历史数据对G(K)进行辨识,得到G(k)的神经元权值矩阵,用于对未来天气指数进行预测。
进一步的,S2中的G(K)历史数值来源于S1中权值矩阵输出的记录值,利用历史数值G(K)以及Q(K)来预测下一时刻的Q′(K+1),此处认为Q(K)序列为时间序列,且是带有输入G(K)的时间序列,即
Q′(K+1)=F(Q(K),Q(K-1)......Q(K-N),G(K+1),G(K)......G(K-N))
进一步的,S3中的预训练是将历史数据中的Q(K)、G(K)进行重新整理,整理为Q(K)=F(Q(K-1)......Q(K-N),G(K)......G(K-N))的形式,并进行训练,最终得到函数F的权值矩阵。其训练流程见图2。训练的需要根据训练指标进行评价,不断修正,以得到最能够贴合负荷曲线的权值矩阵。这里评价的指标函数为:Rt=-(Qt-Q′t)2
进一步的,训练时采用LSTM进行时间序列预测,将历史数据划分为0.85∶0.15的比例,85%的数据用于训练,15%的数据用于验证,并以指标函数Rt的最小为训练目标。
进一步的,S4中的后台机制为:在运行一段时间后,后台通过运行的历史数据自动进行函数F的更新,完成系统的参数更新,并将结果传送至负荷预测模块。
基于物联网技术的智慧供热系统的实现方法包括以下步骤:
S1,利用室外温度以及时段补偿法对换热机组的运行温度进行调控,并根据用户反馈对参数进行修正,积累运行数据。其中室外温度通过互联网获取,并通过平台的数据下发功能将室外温度数据传送给换热机组的控制器,下发周期为1小时,控制器根据收到的室外温度,利用系统内置的室外温度补偿模块和时段补偿模块手动调节参数,实现换热机组设备的手动调参运行,实现换热机组设备的运行数据积累,在这个过程中,应尽量调节供水温度使得系统的能耗数据更优。在整个调节过程中,应同步解析热消耗情况,以小时为间隔进行记录,同时记录天气数据,存入数据库。
S2,天气函数G(k)为-10到10之间的序列,其数值与四个输入有关,这四个输入分别是光照强度、风速、温度、雨雪指数,这里将雨雪指数进行量化分为[0,10]之间的数,其中0代表暴雪,10代表晴天,中间数值分别代表中雪、多云等天气状况。定义G(k)=G(光照强度、风速、温度、雨雪指数),并利用BP神经网络对G进行辨识,最终可以得到G的权值矩阵,属于常规方法,此处不再详述。
S3,根据天气指数以及热负荷运行数据形成的数据对,进行预训练。此处的预训练包含Q(K)序列,G(K)序列
(Q(K)......Q(K-N),G(K)......G(K-N))
需要以excel表格的形式生成三列时间序列数据,其部分数据表如表1所示
表1
date | PowerQ(k)) | Weather G(k) |
2020/2/1 0:00 | 6.04 | 0.67 |
2020/2/1 1:00 | 6.02 | -0.27 |
2020/2/1 2:00 | 6.03 | -1.2 |
2020/2/1 3:00 | 6.04 | -2.13 |
2020/2/1 4:00 | 6.02 | -3.04 |
2020/2/1 5:00 | 6.04 | -4 |
2020/2/1 6:00 | 6.04 | -3 |
2020/2/1 7:00 | 6.05 | -2 |
2020/2/1 8:00 | 6.08 | -1 |
2020/2/1 9:00 | 6.08 | 0 |
将Q(k)、G(k)数据取出,并作为监督学习的输入数据,整个学习过程在Python环境下进行,利用Pandas插件将数据导入形成数据流,接着对数据进行归一化处理。
构造Q(K)=F(Q(K-1)......Q(K-N),G(K)......G(K-N))函数,此时K时刻到K-N时刻的数据都为已知数据,训练目标为函数F,N可以取1-24。
定义LSTM的函数结构并初始化参数,并定义指标函数为:
Rt=-(Qt-Q′t)2
以指标函数最优为目标进行监督学习,持续优化LSTM函数参数,得到最优结果。并将监督学习结果进行反归一化,对比之前的运行数据。
将上述步骤得到的函数结构封装成库,并将库集成到云平台后台中。
在后台中集成初始训练模块,执行的内容同上述步骤,手动选择学习的数据时间范围并执行,可以得到初步的训练结果,并在后台中添加计划任务,每7天为一个周期,回溯换热机组的运行数据,更新后台的预测模块数据,实现无监督学习,生成对应于各个设备的负荷预测曲线。
还需要说明的是,在本文中,诸如Ⅰ、Ⅱ、Ⅲ关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (6)
1.一种基于物联网技术的智慧供热系统,其特征在于:包括以下制备步骤:
S1、构造函数;天气指数G(k)=G(光照强度(k),风速(k),温度(k),雨雪指数(k)),此处k代表了以小时为间隔的离散序列,天气指数G代表了由小时平均光照强度、小时平均风速、平均温度、以及雨雪指数这些与建筑热负荷相关系数高的外部因素;并以小时为间隔,对G(k)的计算值进行存储;
S2、从云服务器中存储的累计热量历史数据Q(K)、G(K)进行提取和处理,生成(Q(K)、G(K))序列对,Q(K)为每小时的换热机组设备供热量,G(K)对应这个小时的天气指数;
S3、基于生成的序列进行监督训练,通过构造新的数据对进行学习,将学习结果结合未来时刻天气预报生成新的负荷预测序列Q′(K),对换热机组未来时刻的负荷进行预测;
S4、形成后台机制,自动根据历史运行数据进行提取,对原生成预测序列Q′(K)进行修正,不断优化更新预测结果,利用价值函数模块对已生成的预测序列进行评价,判断当前运行环境。
2.根据权利要求1所述的一种基于物联网技术的智慧供热系统,其特征在于:S1中的天气指数G(k)为光照强度、风速、温度、雨雪指数的复合函数,利用神经网络对该指数进行拟合,神经网络的结构为4-10-1,即4输入,10个隐层神经元以及一个输出G(K),这里我们定义Q(K)=G(K)*C,此处Q代表热负荷,C代表建筑物常数,利用设备的历史数据对G(K)进行辨识,得到G(k)的神经元权值矩阵,用于对未来天气指数进行预测。
3.根据权利要求2所述的一种基于物联网技术的智慧供热系统,其特征在于:S2中的G(K)历史数值来源于S1中权值矩阵输出的记录值,利用历史数值G(K)以及Q(K)来预测下一时刻的Q′(K+1),此处认为Q(K)序列为时间序列,且是带有输入G(K)的时间序列,即
Q′(K+1)=F(Q(K),Q(K-1)……Q(K-N),G(K+1),G(K)……G(K-N))。
4.根据权利要求1所述的一种基于物联网技术的智慧供热系统,其特征在于:S3中的预训练是将历史数据中的Q(K)、G(K)进行重新整理,整理为Q(K)=F(Q(K-1)......Q(K-N),G(K)......G(K-N))的形式,并进行训练,最终得到函数F的权值矩阵。
5.根据权利要求4所述的一种基于物联网技术的智慧供热系统,其特征在于:训练时采用LSTM进行时间序列预测,将历史数据划分为0.85∶0.15的比例,85%的数据用于训练,15%的数据用于验证,并以指标函数Rt的最小为训练目标。
6.根据权利要求1所述的一种基于物联网技术的智慧供热系统,其特征在于:S4中的后台机制为:在运行一段时间后,后台通过运行的历史数据自动进行函数F的更新,完成系统的参数更新,并将结果传送至负荷预测模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480938.8A CN113222231A (zh) | 2021-04-30 | 2021-04-30 | 一种基于物联网技术的智慧供热系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480938.8A CN113222231A (zh) | 2021-04-30 | 2021-04-30 | 一种基于物联网技术的智慧供热系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113222231A true CN113222231A (zh) | 2021-08-06 |
Family
ID=77090448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480938.8A Pending CN113222231A (zh) | 2021-04-30 | 2021-04-30 | 一种基于物联网技术的智慧供热系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222231A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011092A (zh) * | 2023-09-28 | 2023-11-07 | 武昌理工学院 | 一种智能建筑设备管理监控系统及方法 |
CN117232317A (zh) * | 2023-11-16 | 2023-12-15 | 山东众诚风凯科技有限公司 | 换热机组远程控制方法和远程控制系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4910528A (en) * | 1989-01-10 | 1990-03-20 | Hewlett-Packard Company | Ink jet printer thermal control system |
US20050192915A1 (en) * | 2004-02-27 | 2005-09-01 | Osman Ahmed | System and method for predicting building thermal loads |
CN104267603A (zh) * | 2014-09-26 | 2015-01-07 | 洛阳双瑞精铸钛业有限公司 | 一种基于模糊Smith-PID的换热站控制方法 |
JP2017009154A (ja) * | 2015-06-18 | 2017-01-12 | 株式会社日立製作所 | 冷凍機制御装置、冷凍機システムおよびプログラム |
CN109253494A (zh) * | 2018-09-05 | 2019-01-22 | 东北大学 | 一种基于热负荷预测的电蓄热装置控制系统及方法 |
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 |
CN111473407A (zh) * | 2020-04-10 | 2020-07-31 | 浙江大学 | 一种基于模型的集中供热系统按需精准调控方法 |
CN112712189A (zh) * | 2019-10-25 | 2021-04-27 | 北京市热力集团有限责任公司 | 一种供热需求负荷预测方法 |
-
2021
- 2021-04-30 CN CN202110480938.8A patent/CN113222231A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4910528A (en) * | 1989-01-10 | 1990-03-20 | Hewlett-Packard Company | Ink jet printer thermal control system |
US20050192915A1 (en) * | 2004-02-27 | 2005-09-01 | Osman Ahmed | System and method for predicting building thermal loads |
CN104267603A (zh) * | 2014-09-26 | 2015-01-07 | 洛阳双瑞精铸钛业有限公司 | 一种基于模糊Smith-PID的换热站控制方法 |
JP2017009154A (ja) * | 2015-06-18 | 2017-01-12 | 株式会社日立製作所 | 冷凍機制御装置、冷凍機システムおよびプログラム |
CN109253494A (zh) * | 2018-09-05 | 2019-01-22 | 东北大学 | 一种基于热负荷预测的电蓄热装置控制系统及方法 |
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 |
CN112712189A (zh) * | 2019-10-25 | 2021-04-27 | 北京市热力集团有限责任公司 | 一种供热需求负荷预测方法 |
CN111473407A (zh) * | 2020-04-10 | 2020-07-31 | 浙江大学 | 一种基于模型的集中供热系统按需精准调控方法 |
Non-Patent Citations (1)
Title |
---|
许裕栗等: "基于LSTM网络的居民区供热负荷短时预测", 《自动化仪表》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011092A (zh) * | 2023-09-28 | 2023-11-07 | 武昌理工学院 | 一种智能建筑设备管理监控系统及方法 |
CN117011092B (zh) * | 2023-09-28 | 2023-12-19 | 武昌理工学院 | 一种智能建筑设备管理监控系统及方法 |
CN117232317A (zh) * | 2023-11-16 | 2023-12-15 | 山东众诚风凯科技有限公司 | 换热机组远程控制方法和远程控制系统 |
CN117232317B (zh) * | 2023-11-16 | 2024-02-13 | 山东众诚风凯科技有限公司 | 换热机组远程控制方法和远程控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113657031B (zh) | 基于数字孪生的供热调度自动化实现方法、系统及平台 | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
CN112232980A (zh) | 一种区域能源供热系统热泵机组调控方法 | |
CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
CN113222231A (zh) | 一种基于物联网技术的智慧供热系统 | |
CN108303898B (zh) | 新型太阳能-空气能耦合冷热联供系统的智能调度方法 | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
CN110410960B (zh) | 一种风机盘管预测控制方法 | |
CN101392939A (zh) | 一种建筑物独立供能温度非线性预测控制方法 | |
CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
CN109948824A (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 | |
Cui | District heating load prediction algorithm based on bidirectional long short-term memory network model | |
Sun et al. | Integrated control strategy of district heating system based on load forecasting and indoor temperature measurement | |
Song et al. | An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings | |
CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
Wei et al. | Data-driven application on the optimization of a heat pump system for district heating load supply: A validation based on onsite test | |
CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
Simonović et al. | Heat load prediction of small district heating system using artificial neural networks | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
CN117933458A (zh) | 一种智慧供热负荷预测方法、系统及供热系统的调控方法 | |
Amasyali et al. | A machine learning-based approach to predict the aggregate flexibility of hvac systems |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |