CN113515898A - “电冷热气”综合用能网络精细化监测与建模方法 - Google Patents
“电冷热气”综合用能网络精细化监测与建模方法 Download PDFInfo
- Publication number
- CN113515898A CN113515898A CN202110909858.XA CN202110909858A CN113515898A CN 113515898 A CN113515898 A CN 113515898A CN 202110909858 A CN202110909858 A CN 202110909858A CN 113515898 A CN113515898 A CN 113515898A
- Authority
- CN
- China
- Prior art keywords
- input
- water
- output
- neural network
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000005611 electricity Effects 0.000 title claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000001816 cooling Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 80
- 238000002485 combustion reaction Methods 0.000 claims description 33
- 239000007789 gas Substances 0.000 claims description 22
- 238000004146 energy storage Methods 0.000 claims description 21
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical group [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims description 21
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 20
- 239000003546 flue gas Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000000498 cooling water Substances 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 239000012190 activator Substances 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及能源技术领域,且公开了“电冷热气”综合用能网络精细化监测与建模方法,将电‑气‑热能系统中内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷等多个方面的数据进行初步收集,并基于BP神经网络以及LSTM神经网络对多组数据进行处理。该“电冷热气”综合用能网络精细化监测与建模方法,通过对综合能源系统内部的多个设备进行精细化监测,从而建立综合能源系统各类型设备的运行状态数据库,通过对利用人工神经网络建立综合能源系统中各类型设备的网络模型,并利用计算或者经验数据对模型进行训练,得到网络模型的基础参数,从而使得该装置能够初步的对综合能源系统中的各类设备进行实时监控。
Description
技术领域
本发明涉及能源技术领域,具体为“电冷热气”综合用能网络精细化监测与建模方法。
背景技术
电能,是指使用电以各种形式做功的能力,电能既是一种经济、实用、清洁且容易控制和转换的能源形态,又是电力部门向电力用户提供由发、供、用三方共同保证质量的一种特殊产品,它同样具有产品的若干特征,如可被测量、预估、保证或改善,电能被广泛应用在动力、照明、化学、纺织、通信、广播等各个领域,是科学技术发展、人民经济飞跃的主要动力,电能在我们的生活中起到重大的作用。
电能在使用的过程运输等方面十分的方便,但是在实际使用中会因为各种原因导致电能的损耗,从而对整个电能系统造成不必要的浪费,市面上缺少电能综合使用的监测装置,无法对电能起到较好的监测,故此提出“电冷热气”综合用能网络精细化监测与建模方法来解决上述所提出的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了“电冷热气”综合用能网络精细化监测与建模方法,具备对电能监测效果优良等优点,解决了对电能监测效果不佳的问题。
(二)技术方案
本发明解决上述技术问题的技术方案如下:“电冷热气”综合用能网络精细化监测与建模方法,将电-气-热能系统中内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷等多个方面的数据进行初步收集,并基于BP神经网络以及LSTM神经网络对多组数据进行处理,包含如下步骤:
步骤一、将内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷多方面的数据录入;
步骤二、通过利用BP神经网络以及LSTM神经网络对多组数据进行处理并且记录,获得电-气-热能系统中多个部分中能量变化的初步信息和关系,为后续实时监测和建模做准备;
步骤三、通过对内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷多部分设置传感器实时采集数据,并建立时间标签,将这些数据进行收集存储后建立数据模型;
步骤四、电-气-热能系统运行一段时间后,通过对近阶段的数据进行调取,对建立的模型重新训练,从而调整模型的网络参数,实时更新以适应新的工况。
本发明的有益效果是:
1)、该“电冷热气”综合用能网络精细化监测与建模方法,通过对综合能源系统内部的多个设备进行精细化监测,从而建立综合能源系统各类型设备的运行状态数据库,通过对利用人工神经网络建立综合能源系统中各类型设备的网络模型,并利用计算或者经验数据对模型进行训练,得到网络模型的基础参数,从而使得该装置能够初步的对综合能源系统中的各类设备进行实时监控,且通过网络模型对监测到的数据进行对比,能够有效的发现该综合能源系统中问题所在。
2)、该“电冷热气”综合用能网络精细化监测与建模方法,通过对实时数据的监测统计,对网络模型进行二次训练,实现参数的调优,从而实现网络模型的优化,且在综合能源系统运行过程中,该装置能够通过实测数据对运行设备的网络模型进行训练,实时更新参数以适应设备的实时工况,从而使得该网络模型的实用性更强,能够根据实际情况进行调节,保证了监测的准确性。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述内燃机组的效率和燃机的功率是非线性的关系,采用图1(a)所示的BP神经网络来拟合两者之间的非线性关系,根据输入的燃机功率得到内燃机组的效率;
内燃机组的天然气消耗量,机组的容量、效率、转速、温度、压力等输入参数和输出的有功功率、排出的水温流量压力以及烟气的温度流量压力等的关系;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系。
进一步,所述溴化锂机组的输入参数包括:工作的蒸汽压力、冷却水温、冷却水流量、冷冻水温、冷冻水流量、水质、溴化锂含量、活化剂类型、调节方法等;
溴化锂机组的输出参数包括:输出制冷量,输出的残余热量等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系。
进一步,所述冷水机组的输入参数包括:消耗的电功率、进水的温度、水压、水流量等;
冷水机组的输出参数包括:出水的温度、水压、水流量等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系。
进一步,所述烟气换热器的输入参数包括:烟气温度、烟气压力及其气流量等;
烟气换热器的输出参数包括:出水的温度、水压、水流量等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系。
进一步,所述蓄能水箱的输入参数包括:前k时刻的进水流量、水位高度、进水温度、出水温度等;
蓄能水箱的输出参数包括:第k+1时刻蓄能及放热状态等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图2所示的LSTM神经网络来通过前k时刻的状态计算第k+1时刻的储能状态。
进一步,所述电负荷的输入参数包括:前k时刻的负荷状态、天气状态、气温、负荷类型等;
电负荷的输出参数包括:第k+1时刻负荷状态等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图2所示的LSTM神经网络来通过前k时刻的状态计算第k+1时刻的负荷状态。
进一步,所述冷热负荷的输入参数包括:前k时刻的冷热负荷状态、天气状态、气温等;
冷热负荷的输出参数包括:第k+1时刻冷热负荷状态等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图2所示的LSTM神经网络来通过前k时刻的状态计算第k+1时刻的冷热负荷状态。
进一步,所述LSTM神经网络中的tanh函数为激活函数,激活函数计算公式如下:
进一步,述LSTM神经网络中RMSprop为加快梯度下降的算法,该算法的具体公式如下:
SdW=βSdW+(1-β)dW2
Sdb=βSdb+(1-β)db2
该公式中dW和db分别是损失函数反向传播时候所求得的梯度,α为网络学习率,sdw和Sdb分别是损失函数在前t-1轮迭代过程中累积的梯度梯度动量,β是梯度累积的一个指数,β一般设置为0.9,为了防止分母为零,使用了一个很小的数值∈来进行平滑,∈一般取值为10-8。
附图说明
图1为本发明BP神经网络连接示意图;
图2为本发明LSTM神经网络的总体架构示意图;
图3为本发明网络模型迁移框架示意图;
图4为本发明综合能源系统示例图。
具体实施方式
下面将结合本发明的实施例,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。
实施例中,由图1-4给出“电冷热气”综合用能网络精细化监测与建模方法,本发明包括“电冷热气”综合用能网络精细化监测与建模方法,将电-气-热能系统中内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷等多个方面的数据进行初步收集,并基于BP神经网络以及LSTM神经网络对多组数据进行处理,包含如下步骤:
步骤一、将内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷多方面的数据录入;
步骤二、通过利用BP神经网络以及LSTM神经网络对多组数据进行处理并且记录,获得电-气-热能系统中多个部分中能量变化的初步信息和关系,为后续实时监测和建模做准备;
步骤三、通过对内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷多部分设置传感器实时采集数据,并建立时间标签,将这些数据进行收集存储后建立数据模型;
步骤四、电-气-热能系统运行一段时间后,通过对近阶段的数据进行调取,对建立的模型重新训练,从而调整模型的网络参数,实时更新以适应新的工况。
优选的,所述内燃机组的效率和燃机的功率是非线性的关系,采用图1(a)所示的BP神经网络来拟合两者之间的非线性关系,根据输入的燃机功率得到内燃机组的效率;
内燃机组的天然气消耗量,机组的容量、效率、转速、温度、压力等输入参数和输出的有功功率、排出的水温流量压力以及烟气的温度流量压力等的关系;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系;
优选的,所述溴化锂机组的输入参数包括:工作的蒸汽压力、冷却水温、冷却水流量、冷冻水温、冷冻水流量、水质、溴化锂含量、活化剂类型、调节方法等;
溴化锂机组的输出参数包括:输出制冷量,输出的残余热量等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系;
优选的,消耗的电功率、进水的温度、水压、水流量等;
冷水机组的输出参数包括:出水的温度、水压、水流量等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系;
优选的,所述烟气换热器的输入参数包括:烟气温度、烟气压力及其气流量等;
烟气换热器的输出参数包括:出水的温度、水压、水流量等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系;
优选的,所述蓄能水箱的输入参数包括:前k时刻的进水流量、水位高度、进水温度、出水温度等;
蓄能水箱的输出参数包括:第k+1时刻蓄能及放热状态等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图2所示的LSTM神经网络来通过前k时刻的状态计算第k+1时刻的储能状态;
优选的,所述电负荷的输入参数包括:前k时刻的负荷状态、天气状态、气温、负荷类型等;
电负荷的输出参数包括:第k+1时刻负荷状态等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图2所示的LSTM神经网络来通过前k时刻的状态计算第k+1时刻的负荷状态;
优选的,所述冷热负荷的输入参数包括:前k时刻的冷热负荷状态、天气状态、气温等;
冷热负荷的输出参数包括:第k+1时刻冷热负荷状态等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图2所示的LSTM神经网络来通过前k时刻的状态计算第k+1时刻的冷热负荷状态;
优选的,所述LSTM神经网络中的tanh函数为激活函数,激活函数计算公式如下:
优选的,所述LSTM神经网络中RMSprop为加快梯度下降的算法,该算法的具体公式如下:
SdW=βSdW+(1-β)dW2
Sdb=βSdb+(1-β)db2
该公式中dW和db分别是损失函数反向传播时候所求得的梯度,α为网络学习率,sdw和Sdb分别是损失函数在前t-1轮迭代过程中累积的梯度梯度动量,β是梯度累积的一个指数,β一般设置为0.9,为了防止分母为零,使用了一个很小的数值∈来进行平滑,∈一般取值为10-8。
该“电冷热气”综合用能网络精细化监测与建模方法,通过对综合能源系统内部的多个设备进行精细化监测,从而建立综合能源系统各类型设备的运行状态数据库,通过对利用人工神经网络建立综合能源系统中各类型设备的网络模型,并利用计算或者经验数据对模型进行训练,得到网络模型的基础参数,从而使得该装置能够初步的对综合能源系统中的各类设备进行实时监控,且通过网络模型对监测到的数据进行对比,能够有效的发现该综合能源系统中问题所在,通过对实时数据的监测统计,对网络模型进行二次训练,实现参数的调优,从而实现网络模型的优化,且在综合能源系统运行过程中,该装置能够通过实测数据对运行设备的网络模型进行训练,实时更新参数以适应设备的实时工况,从而使得该网络模型的实用性更强,能够根据实际情况进行调节,保证了监测的准确性。
需要说明的是,在本文中,诸如第一和第二等之类的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。
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。
Claims (10)
1.“电冷热气”综合用能网络精细化监测与建模方法,其特征在于:将电-气-热能系统中内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷等多个方面的数据进行初步收集,并基于BP神经网络以及LSTM神经网络对多组数据进行处理,包含如下步骤:
步骤一、将内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷多方面的数据录入;
步骤二、通过利用BP神经网络以及LSTM神经网络对多组数据进行处理并且记录,获得电-气-热能系统中多个部分中能量变化的初步信息和关系,为后续实时监测和建模做准备;
步骤三、通过对内燃机组、溴化锂机组、冷水机组、烟气换热器、蓄能水箱、电负荷以及冷热负荷多部分设置传感器实时采集数据,并建立时间标签,将这些数据进行收集存储后建立数据模型;
步骤四、电-气-热能系统运行一段时间后,通过对近阶段的数据进行调取,对建立的模型重新训练,从而调整模型的网络参数,实时更新以适应新的工况。
2.根据权利要求1所述的“电冷热气”综合用能网络精细化监测与建模方法,其特征在于:所述内燃机组的效率和燃机的功率是非线性的关系,采用图1(a)所示的BP神经网络来拟合两者之间的非线性关系,根据输入的燃机功率得到内燃机组的效率;
内燃机组的天然气消耗量,机组的容量、效率、转速、温度、压力等输入参数和输出的有功功率、排出的水温流量压力以及烟气的温度流量压力等的关系;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系。
3.根据权利要求1所述的“电冷热气”综合用能网络精细化监测与建模方法,其特征在于:所述溴化锂机组的输入参数包括:工作的蒸汽压力、冷却水温、冷却水流量、冷冻水温、冷冻水流量、水质、溴化锂含量、活化剂类型、调节方法等;
溴化锂机组的输出参数包括:输出制冷量,输出的残余热量等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系。
4.根据权利要求1所述的“电冷热气”综合用能网络精细化监测与建模方法,其特征在于:所述冷水机组的输入参数包括:消耗的电功率、进水的温度、水压、水流量等;
冷水机组的输出参数包括:出水的温度、水压、水流量等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系。
5.根据权利要求1所述的“电冷热气”综合用能网络精细化监测与建模方法,其特征在于:所述烟气换热器的输入参数包括:烟气温度、烟气压力及其气流量等;
烟气换热器的输出参数包括:出水的温度、水压、水流量等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图1(b)所示的BP神经网络来拟合输入和输出之间的关系。
6.根据权利要求1所述的“电冷热气”综合用能网络精细化监测与建模方法,其特征在于:所述蓄能水箱的输入参数包括:前k时刻的进水流量、水位高度、进水温度、出水温度等;
蓄能水箱的输出参数包括:第k+1时刻蓄能及放热状态等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图2所示的LSTM神经网络来通过前k时刻的状态计算第k+1时刻的储能状态。
7.根据权利要求1所述的“电冷热气”综合用能网络精细化监测与建模方法,其特征在于:所述电负荷的输入参数包括:前k时刻的负荷状态、天气状态、气温、负荷类型等;
电负荷的输出参数包括:第k+1时刻负荷状态等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图2所示的LSTM神经网络来通过前k时刻的状态计算第k+1时刻的负荷状态。
8.根据权利要求1所述的“电冷热气”综合用能网络精细化监测与建模方法,其特征在于:所述冷热负荷的输入参数包括:前k时刻的冷热负荷状态、天气状态、气温等;
冷热负荷的输出参数包括:第k+1时刻冷热负荷状态等;
根据输入输出参量个数选择合适的输入/输出层节点数量,采用图2所示的LSTM神经网络来通过前k时刻的状态计算第k+1时刻的冷热负荷状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110909858.XA CN113515898A (zh) | 2021-08-09 | 2021-08-09 | “电冷热气”综合用能网络精细化监测与建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110909858.XA CN113515898A (zh) | 2021-08-09 | 2021-08-09 | “电冷热气”综合用能网络精细化监测与建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113515898A true CN113515898A (zh) | 2021-10-19 |
Family
ID=78068012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110909858.XA Pending CN113515898A (zh) | 2021-08-09 | 2021-08-09 | “电冷热气”综合用能网络精细化监测与建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113515898A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111340300A (zh) * | 2020-02-29 | 2020-06-26 | 上海电力大学 | 一种基于faf-lstm深度神经网络的居民负荷预测方法及系统 |
CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
CN112329990A (zh) * | 2020-10-20 | 2021-02-05 | 昆明理工大学 | 一种基于lstm-bp神经网络的用户用电负荷预测方法 |
CN113065715A (zh) * | 2021-04-21 | 2021-07-02 | 东南大学 | 一种综合能源系统多元负荷超短期预测方法 |
-
2021
- 2021-08-09 CN CN202110909858.XA patent/CN113515898A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111340300A (zh) * | 2020-02-29 | 2020-06-26 | 上海电力大学 | 一种基于faf-lstm深度神经网络的居民负荷预测方法及系统 |
CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
CN112329990A (zh) * | 2020-10-20 | 2021-02-05 | 昆明理工大学 | 一种基于lstm-bp神经网络的用户用电负荷预测方法 |
CN113065715A (zh) * | 2021-04-21 | 2021-07-02 | 东南大学 | 一种综合能源系统多元负荷超短期预测方法 |
Non-Patent Citations (4)
Title |
---|
乌兰高娃: "基于LSTM的用电数据挖掘", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
周斌: "基于BP神经网络的内燃机排放性能建模与应用研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
孙庆凯等: "基于LSTM和多任务学习的综合能源系统多元负荷预测", 《电力系统自动化》 * |
赤道6号转向发动机: "神经网络常见优化算法的原理及公式理解,学习率衰减", 《CSDN,HTTPS://BLOG.CSDN.NET/WEIXIN_42561002/ARTICLE/DETAILS/88036777》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103683326A (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
CN108206543A (zh) | 一种基于能源梯级利用的能源路由器及其运行优化方法 | |
CN106779226A (zh) | 一种基于混核机器学习的风机批功率预测方法 | |
CN110110897A (zh) | 一种考虑不同储能运行策略的综合能源系统优化方法 | |
CN112564109B (zh) | 一种基于储能系统参与含大规模海上风电的调频优化运行方法 | |
CN114183796A (zh) | 基于电制热与集中供热多能互补系统优化调度方法及装置 | |
CN111222257A (zh) | 基于凸优化的电热水多能流协同调度方法 | |
CN112036934A (zh) | 考虑热电协调运行的负荷聚合商参与需求响应的报价方法 | |
CN112952807B (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
CN109284875A (zh) | 能源互联网多目标优化方法 | |
CN115065078B (zh) | 微网环境下储能容量配置方法及系统 | |
CN113723749A (zh) | 一种多园区综合能源系统协调调度方法及装置 | |
CN115423161A (zh) | 基于数字孪生的多能耦合优化调度方法及系统 | |
CN114301089B (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
CN116681171A (zh) | 一种多场景综合能源系统分布鲁棒优化调度方法和系统 | |
CN116432824A (zh) | 基于多目标粒子群的综合能源系统优化方法及系统 | |
CN113515898A (zh) | “电冷热气”综合用能网络精细化监测与建模方法 | |
CN117252425A (zh) | 一种考虑碳排放和电力平衡风险的电源规划和火电改造决策建模方法 | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN117172499A (zh) | 一种基于强化学习的智慧社区能量优化调度方法、系统及存储介质 | |
CN112365129A (zh) | 基于交叉超效率ccr模型的综合能源系统综合效率评价方法 | |
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 | |
CN115860241A (zh) | 基于salr的互联多区域综合能源系统分布式调度方法及装置 | |
CN115034453A (zh) | 考虑碳交易市场的综合能源系统灵活运行方法及计算平台 | |
CN107451697A (zh) | 一种基于复合数据修复的风功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211019 |
|
RJ01 | Rejection of invention patent application after publication |