CN113657031B - 基于数字孪生的供热调度自动化实现方法、系统及平台 - Google Patents
基于数字孪生的供热调度自动化实现方法、系统及平台 Download PDFInfo
- Publication number
- CN113657031B CN113657031B CN202110924070.6A CN202110924070A CN113657031B CN 113657031 B CN113657031 B CN 113657031B CN 202110924070 A CN202110924070 A CN 202110924070A CN 113657031 B CN113657031 B CN 113657031B
- Authority
- CN
- China
- Prior art keywords
- model
- scheduling
- data
- digital twin
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010438 heat treatment Methods 0.000 claims abstract description 130
- 238000005457 optimization Methods 0.000 claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 claims description 66
- 238000012937 correction Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 18
- 230000008569 process Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 10
- 239000003245 coal Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 238000005485 electric heating Methods 0.000 description 5
- 238000005338 heat storage Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000011234 economic evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于数字孪生的供热调度自动化实现方法、系统及平台，其中自动化供热调度方法包括：构建供热系统物理实体的数字孪生模型；获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；构建供热调度多目标实时操作优化模型获取最优调度策略；根据最优调度策略对供热系统物理实体自动化调度；以及在最优调度策略运行后对数字孪生模型和调度决策模型进行修正，实现了建立供热系统全过程数字孪生模型，采用优化技术为调度人员提供决策依据，建立面向安全、高效、经济、环保目标的智慧供热系统优化调度与决策方案，使得调度更加智能化，提高了调度的可靠性、精确性和经济性，降低运行风险。
Description
技术领域
本发明属于智慧供热技术领域，具体涉及一种基于数字孪生的供热调度自动化实现方法、系统及平台。
背景技术
智慧供热主要指基于信息基础设施的发展，使用大数据、人工智能、云计算、“互联网”等技术，通过对供热相关数据采集及分析，对热源、热网、末端的各个供热环节进行智能调度，从而进一步实现热网资源的配置优化，建立多能协同互补的运行调度策略，和多源供热系统“源-网-荷-储”协同优化运行策略，实现供需动态平衡和系统效益优化。
数字孪生技术是指以数字化的方式建立物理实体的多维度、多时空尺度、多学科、多途径、多物理量、多概率的数字化实体(动态虚拟模型)来仿真、刻画和反应物理实体在真实环境中的属性、行为和规则等特性，首先基于高精度的物理模型、历史数据以及传感器实时数据更新构建物理实体完整映射在数字化空间(虚拟空间)的虚拟模型，从而反映相对应的物理实体的全生命周期过程的技术。
目前，智慧供热系统的调度多采用人工和简单的数据采集分析、自动下发控制指令来完成，没有建立供热系统的自采集、自感知、自决策、自执行和自优化的整体智能调度决策平台，难以对整个供热系统的各个环节进行有条不紊地协调、调度、优化控制和运行管理，当面临突发的情况时不能快速建立最优调度策略，从而不能对供热企业提供有利的智能管理平台和调度自动化保障；此外将数字孪生技术应用于智慧供热行业的系统性研究成果较少，主要体现在模型构建、数据融合、交互与协同、智能分析与决策等方面的理论与技术比较缺乏，构建完善的供热实体与虚拟模型的关联机制方面缺乏深度融合与应用，难以对供热系统进行精准判断和智能调度。
因此，基于上述技术问题需要设计一种新的基于数字孪生的供热调度自动化实现方法、系统及平台。
发明内容
本发明的目的是提供一种基于数字孪生的供热调度自动化实现方法、系统及平台。
为了解决上述技术问题，本发明提供了一种基于数字孪生的供热调度自动化实现方法，包括：
构建供热系统物理实体的数字孪生模型；
获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；
构建供热调度多目标实时操作优化模型获取最优调度策略；
根据最优调度策略对供热系统物理实体自动化调度；以及
在最优调度策略运行后对数字孪生模型和调度决策模型进行修正。
进一步，所述构建供热系统物理实体的数字孪生模型的方法包括：
构建物理模型、逻辑模型、仿真模型和数据驱动模型；
将物理模型、逻辑模型、仿真模型和数据驱动模型进行虚实融合，构建供热系统物理实体在虚拟空间的数字孪生模型。
进一步，所述获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型的方法包括：
根据供热系统的物理数据和数字孪生模型的虚拟数据，采用智能计算算法进行数据预处理、特征提取和训练以生成调度决策模型，并通过调度决策模型生成调度运行方案；
所述智能计算算法包括：人工神经网络模型算法、卷积神经网络算法、灰色预测模型、支持向量机模型算法和机器学习算法中至少一种。
进一步，所述数据预处理的方法包括：对融合数据进行数据清洗、异常数据剔除、数据标准化和数据插值填补；
所述特征提取的方法包括：
根据调度决策模型的进行数据分类、数据标签和数据特征提取，构建调度决策模型数据库；
所述调度决策模型数据库包括：负荷预测数据库、水力模型数据库、智能调控数据库和故障诊断数据库；
所述负荷预测数据库包括：全网热力站的历史运行数据、历史室温数据、历史气象数据和建筑类型；
所述水力模型数据库包括：供回水压差、总管供水温度、热用户室内环境和用户水流量和阀门状态；
所述智能调控数据库包括：全网阀门开度、水泵频率、回水温度、负荷数据；
所述故障诊断数据库包括：历史运行维护数据和故障特性数据。
进一步，针对不同的调度决策模型数据库选取相应的训练集和测试集；
根据训练集训练选取的智能计算算法的模型，直至选取的智能计算算法的模型的误差负荷第一预设阈值，并且根据测试集测试选取的智能计算算法，若准确率符合第二预设阈值，获得相应训练好的调度决策模型；
针对同一调度决策模型数据库选取智能计算算法模型进行训练获得相应算法维度的调度决策模型。
进一步，所述构建供热调度多目标实时操作优化模型获取最优调度策略的方法包括：
根据供热系统能效性、经济性、环保性和安全性运行，以各调度运行方案的相关操作变量的可控制范围为约束，构建供热调度多目标实时操作优化模型，并且采用多目标智能优化算法对该供热调度多目标实时操作优化模型进行求解，获取各操作变量的优化设定值，生成最优调度策略。
进一步，所述构建供热调度多目标实时操作优化模型获取最优调度策略的方法还包括：
根据供热系统的实际工况，经济效益最大化、燃烧排放量最小化和系统稳态安全性达标为优化目标；
依据不同的调度运行方案确定相应的约束条件：阀门开度、负荷大小、循环泵运转频率、供回水温度和压力的操作变量设定上下限值；
通过智能优化算法在供热系统达到稳态时，根据优化目标函数值对调度运行方案中的控制变量进行寻优，获得各操作变量的最优解集合；
针对相应的工况条件，智能优化算法执行多次迭代优化，将具备所有最优解集合的调度运行方案输入至所述数字孪生模型中，根据所述数字孪生模型的虚拟运行结果对调度决策模型的运行方案中的操作变量参数值进行动态调整，最终选取相应工况条件下的最优调度策略。
进一步，所述在最优调度策略运行后对数字孪生模型和调度决策模型进行修正的方法包括：
提取和比对数字孪生模型模拟推演最优调度策略的运行结果和供热系统物理实体运行最优调度策略的运行结果，判断误差是否超过阈值；
若超过阈值，则采用神经网络算法对虚拟运行结果和实体运行结果进行特征数据提取，获得误差较大的数据并输出修正系数，以修正数字孪生模型；
依据所述数字孪生模型的修正变化，采用智能计算算法重新训练，实时优化更新调度决策模型，形成动态滚动数据交互和动态最优调度自动化。
第二方面，本发明还提供一种基于数字孪生模型的自动化供热调度系统，包括：
数字孪生模型构建模块，构建供热系统物理实体的数字孪生模型；
调度决策模型构建模块，获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；
最优调度策略模块，构建供热调度多目标实时操作优化模型获取最优调度策略；
调度模块，根据最优调度策略对供热系统物理实体自动化调度；以及
修正模块，在最优调度策略运行后对数字孪生模型和调度决策模型进行修正。
第三方面，本发明还提供一种供热自动化调度系统，包括：
数字孪生平台、智能决策平台、实时优化平台、上位平台和模型修正平台；
所述数字孪生平台适于构建供热系统物理实体的数字孪生模型，并将最优调度策略发送至供热系统物理实体中；
所述智能决策平台适于获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；
所述实时优化平台适于构建供热调度多目标实时操作优化模型获取最优调度策略；
所述上位平台适于设置优化目标、设定优化算法参数、触发优化指令；以及
所述模型修正平台适于在最优调度策略运行后对数字孪生模型和调度决策模型进行修正。
本发明的有益效果是，本发明通过构建供热系统物理实体的数字孪生模型；获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；构建供热调度多目标实时操作优化模型获取最优调度策略；根据最优调度策略对供热系统物理实体自动化调度；以及在最优调度策略运行后对数字孪生模型和调度决策模型进行修正，实现了建立供热系统自感知、自分析、自决策、自优化、自执行和自修正的调度自动化的智能平台，建立供热系统全过程数字孪生模型，采用优化技术为调度人员提供决策依据，建立面向安全、高效、经济、环保目标的智慧供热系统优化调度与决策方案，使得调度更加智能化，提高了调度的可靠性、精确性和经济性，降低运行风险，解决了传统方法中供热调度存在的工作效率低、调度不及时和不智能化，不能提前发现和预警潜在风险、无法实时动态调度等问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所涉及的基于数字孪生的供热调度自动化实现方法的流程图；
图2是本发明所涉及的基于数字孪生模型的自动化供热调度系统的原理框图；
图3是本发明所涉及的供热自动化调度系统的结构示意图；
图4是本发明所涉及的供热自动化调度系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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1
图1是本发明所涉及的基于数字孪生的供热调度自动化实现方法的流程图。
如图1所示，本实施例1提供了一种基于数字孪生的供热调度自动化实现方法，包括：构建供热系统物理实体在信息空间中的数字孪生模型，并建立物理实体与模型之间的虚实映射关系，建立虚实联动的双向数据传输通道；收集供热系统物理实体运行产生的物理数据和运行数字孪生模型产生的虚拟数据进行数据融合后，采用智能计算算法进行数据预处理、特征提取和训练生成调度决策模型，通过所述调度决策模型生成相应的调度运行方案；所述调度决策模型至少包括需求负荷预测模型、全网热工水力平衡模型、智能调控模型、故障诊断及定位模型；以供热系统能效性、经济性、环保性和安全性运行为目标，以各调度运行方案的相关操作变量的可控制范围为约束，建立供热调度多目标实时操作优化模型，然后采用多目标智能优化算法对该操作优化模型进行求解，最终获得各操作变量的优化设定值，进而生成最优调度策略；将所述最优调度策略通过所述双向数据传输通道输入至供热系统物理实体中以进行供热调度自动化；以及运行最优调度策略后，依据调度结果对所述数字孪生模型和所述调度决策模型进行修正；实现了建立供热系统自感知、自分析、自决策、自优化、自执行和自修正的调度自动化的智能平台，建立供热系统全过程数字孪生模型，采用优化技术为调度人员提供决策依据，建立面向安全、高效、经济、环保目标的智慧供热系统优化调度与决策方案，使得调度更加智能化，提高了调度的可靠性、精确性和经济性，降低运行风险，解决了传统方法中供热调度存在的工作效率低、调度不及时和不智能化，不能提前发现和预警潜在风险、无法实时动态调度等问题。
在本实施例中，所述构建供热系统物理实体的数字孪生模型的方法包括：构建物理模型、逻辑模型、仿真模型和数据驱动模型；将物理模型、逻辑模型、仿真模型和数据驱动模型进行虚实融合，构建供热系统物理实体在虚拟空间的数字孪生模型；物理模型：建立热源、一次管网、换热站、二次管网和热用户实体的物理模型，根据物理实体的几何外形和机械机构，定义物理模型的几何属性和功能属性；所述热源物理模型依据热源类型的不同建立、所述一次管网和二次管网物理模型依据供热管道的不同建立，所述换热站物理模型依据换热站的分类、换热站内的设备类型不同建立、所述热用户物理模型依据供暖、通风、生活热水、生产工艺的不同建立，所述换热站内包括换热器、循环泵、补水泵、除污器、疏水器、水箱、配电设备和阀门；逻辑模型：依据供热系统各个物理实体之间的供需关系、分配输送建立可控制的闭环逻辑模型，将物理模型映射到逻辑模型；仿真模型：基于采集的供热系统的运行数据、状态数据、物理属性数据搭建供热系统仿真模型，依据仿真模型输出预测值和实际值的误差大小对仿真模型的参数进行调优；数据驱动模型：基于采集的供热系统的正常运行数据，采用数据融合和深度学习算法搭建供热系统数据驱动模型，将热源、一次管网、换热站、二次管网和热用户按照依据工作原理，将正常运行时各个输入数据进行特征提取，作为数据驱动模型的输入，模型输出为相应的输出预测值，依据输出预测值和实际值的误差大小对数据驱动模型进行参数调优；通过供热系统物理实体与虚拟数字孪生模型交互、耦合，保证虚拟数字孪生模型的实时同步，数字孪生模型具有推演供热系统未来状态、故障提前预警、异常情况监测、供热负荷预测、智能调控、全生命周期性能保障和全寿命周期健康管理的功能，能够为供热系统的智能化调度提供数据支撑和服务，而且能够支持数字孪生与人工智能、大数据、物联网等技术的相互促进发展，数字孪生为人工智能算法提供充足的数据量作为支撑，人工智能算法的成果应用于数字孪生促进计算速度和精度的提高。
在本实施例中，所述获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型的方法包括：根据供热系统的物理数据和数字孪生模型的虚拟数据，采用智能计算算法进行数据预处理、特征提取和训练以生成调度决策模型，并通过调度决策模型生成调度运行方案；所述智能计算算法包括：人工神经网络模型算法、卷积神经网络算法、灰色预测模型、支持向量机模型算法和机器学习算法中至少一种或多种任意组合。
在本实施例中，所述数据预处理的方法包括：对融合数据进行数据清洗、异常数据剔除、数据标准化和数据插值填补；所述特征提取是通过智能计算算法和大数据技术对融合数据依据所述调度决策模型的不同进行数据分类、数据标签和数据特征提取，建立不同的调度决策模型数据库，至少包括负荷预测数据库、水力模型数据库、智能调控数据库和故障诊断数据库；所述负荷预测数据库中至少包括全网热力站的历史运行数据、历史室温数据、历史气象数据和建筑类型；所述水力模型数据库至少包括供回水压差、总管供水温度、热用户室内环境和用户水流量、阀门状态；所述智能调控数据库至少包括全网阀门开度、水泵频率、回水温度、负荷数据；所述故障诊断数据库至少包括历史运行维护数据和故障特性数据。
在本实施例中，针对不同的调度决策模型数据库选取相应的训练集和测试集；调度决策模型生成的具体过程包括：针对不同的调度决策模型数据库分别选取相应的训练集和测试集；基于所述训练集训练选取的智能计算算法模型，直至选取的智能计算算法模型的误差负荷第一预设阈值，基于所述测试集测试选取的智能计算算法，若准确率符合第二预设阈值，获得相应训练好的不同调度决策模型；其中，针对同一调度决策模型数据库可选取不同的智能计算算法模型进行训练获得不同算法维度的调度决策模型。
在本实施例中，所述构建供热调度多目标实时操作优化模型获取最优调度策略的方法包括：根据供热系统能效性、经济性、环保性和安全性运行为目标，以各调度运行方案的相关操作变量的可控制范围为约束，构建供热调度多目标实时操作优化模型，并且采用多目标智能优化算法对该供热调度多目标实时操作优化模型进行求解，获取各操作变量的优化设定值，生成最优调度策略；根据供热系统的实际工况，确定优化目标至少包括经济效益最大化、燃烧排放量最小化和系统稳态安全性达标为优化目标；依据不同的调度运行方案确定相应的约束条件：对包括阀门开度、负荷大小、循环泵运转频率、供回水温度和压力的操作变量设定上下限值；采用智能优化算法在供热系统达到稳态时，依据优化目标函数值对调度运行方案中的控制变量进行寻优，获得各操作变量的最优解集合；针对不同的工况条件，智能优化算法执行多次迭代优化，将具备所有最优解集合的调度运行方案输入至所述数字孪生模型中进行模拟推演，根据所述数字孪生模型的虚拟运行结果对调度决策模型的运行方案中的操作变量参数值进行动态调整，最终选取相应工况条件下的最优调度策略。
在实际的应用中，以供热机组协同优化运行为例进行详细介绍，针对不同负荷要求的机组提出不同的改造方案，在满足它们供热和发电需求，以及保障安全性的基础上，尽量提高机组的供热能力和负荷调节能力，以实现机组的深度调峰改造，帮助消纳更多的可再生能源，推进可持续发展。不同模式组合的情况较多，针对电厂该地域的需求和煤种，需要根据具体技术的适应性选取相应的多模式组合。在技术的适应性上，要根据不同的机组特点选择不同的方式。
(1)基于机组不同供热条件下的仿真计算建立机组经济评估模型：
利用机器学习算法，建立需求侧精准预测与负荷评估方法，同时考虑系统整体的能效目标、环保目标和安全运行目标，研究机组多供热模式深度调峰的优化技术。另外利用数字孪生、数据辨识等技术，将模型和机组实际运行数据互为校验和修正，使建立的模型尽量能模拟机组的实际运行情况，从而为建立准确的机组经济评估模型提供基础数据。
(2)建立供热机组多模式深度调峰优化运行模型并进行优化求解：
通过超前计算机组调峰补偿报价，在机组运行收益中综合考虑运行成本、供热和发电收益以及调峰补偿收益，以收益最大化作为供热机组多模式深度调峰优化运行的目标函数。如果以机组的多模式深度调峰获得的经济收益为目标，供热机组多模式深度调峰优化目标就是在调度周期(M时段)内机组的运行总收益为最大；
(3)供热机组多模式深度调峰运行策略研究：
基于发电功率和供热量模式选择热电联产机组运行工况点，确定热电联产机组的实际煤耗量。当采用电制热模式时，对于不同的电制热设备，电制热的效率均可表示为：
ΔH＝ηΔP；
式中η为电制热效率，为％；ΔH为热能，单位为MW；ΔP为部分电能，单位为MW；
当与辅助热源模式耦合时，需要辅助热源提供热量ΔH，当辅助热源为蓄热系统时，需要把系统的蓄热过程和发热过程分开考虑，蓄热过程中的煤耗也会因为热源的差异而不同，为了保证在需要提供辅助热量时有足够的储热量，还需要保证蓄放热过程热量的平衡。
(4)供热机组多模式耦合热力学性能分析：
基于设计热负荷模式，根据热电联产机组与不同模式耦合的深度调峰和热力学性能变化得到不同协同运行技术对热电联产机组深度调峰提高的极限，分析在额定供热负荷条件下，热电联产机组与不同技术耦合时的调峰范围及发电效率和标准煤耗量的变化以及发电负荷率和煤耗量的变化，分析比较不同技术耦合的耗煤量变化率。
热电联产机组在实际运行中往往会偏离设计热电负荷，发电功率也会随着实时需求变化。因此基于一天内的实时热电负荷对热电联产机组与不同模式耦合时的运行特性和节能潜力进行分析。热电负荷数据一天内每隔一小时采集一次，确定-天内原发电功率的负荷率变化范围，给出各个时间段发电功率与该时段最低发电功率的差值比较。基于热电联产机组与不同模式耦合时的运行策略，得到一天内的实时煤耗与总煤耗，分析讨论不用技术模式耦合条件下的节煤效果，给出适应深度调峰与顶尖峰负荷的最佳组合技术路线。
在本实施例中，所述智能优化算法至少包括粒子群优化算法、自适应遗传算法和蚁群算法。
在本实施例中，所述基于数字孪生的供热调度自动化实现方法还可以设置当前约束条件下的优化目标、设定优化算法参数、触发优化指令，待优化计算完成后，将优化结果展示给调度人员；通过SCADA或DCS系统的下位执行设备的数据通讯接口，在调度运行优化方案通过审批确认后，将方案的执行指令发送至下位执行设备。
在本实施例中，所述在最优调度策略运行后对数字孪生模型和调度决策模型进行修正的方法包括：提取和比对数字孪生模型模拟推演最优调度策略的运行结果和供热系统物理实体运行最优调度策略的运行结果，判断误差是否超过阈值；若超过阈值，则采用神经网络算法对虚拟运行结果和实体运行结果进行特征数据提取，获得误差较大的数据并输出修正系数，以修正数字孪生模型；依据所述数字孪生模型的修正变化，采用智能计算算法重新训练，实时优化更新调度决策模型，形成动态滚动数据交互和动态最优调度自动化。
在实际的应用中，供热系统自动化运行方式灵活调度，在供热系统运行过程中，可通过不同阀门开闭组合逻辑，利用热网的灵活输配能力改变整个供热系统的供需分布或热网流动分配条件，改变热源点所带的供热区域，在满足各个热用户热负荷需求，改善整个供热系统的供需平衡和供应品质。
基于供热系统数字孪生和在线仿真、智能分析决策、寻优技术，针对集中式热源与分布式热源互补供热系统运行模式，结合室外天气变化情况，从全局层面统筹不同类型热源供热能力及能源价格差异，以及不同泵阀组合逻辑下热网灵活输热能力，“因时择优”建立满足供需动态平衡条件下全网按需供热节能运行优化调控策略，实现不同类型热源供热负荷的优化分配。
支持从某一热源出发，分析其当前的供热区域；支持从某一热用户出发，分析其当前的流量来源；支持通过调整阀门的解列方案，向外探索热源的最大供热能力(最大供热区域)；支持运行人员自主选择需要优化组合的相关阀门，自动对这些阀门之间的解列组合方案进行寻优，并输出展示优化的解列运行方案，为运行人员提供优化调度与决策方案。
实施例2
图2是本发明所涉及的基于数字孪生模型的自动化供热调度系统的原理框图。
如图2所示，在实施例1的基础上，本实施例2还提供一种基于数字孪生模型的自动化供热调度系统，包括：数字孪生模型构建模块，构建供热系统物理实体的数字孪生模型；调度决策模型构建模块，获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；最优调度策略模块，构建供热调度多目标实时操作优化模型获取最优调度策略；调度模块，根据最优调度策略对供热系统物理实体自动化调度；以及修正模块，在最优调度策略运行后对数字孪生模型和调度决策模型进行修正。
在本实施例中，各模块的具体功能实现方法在实施例1中已经详细描述，在本实施例中不再赘述。
实施例3
图3是本发明所涉及的供热自动化调度系统的结构示意图；
图4是本发明所涉及的供热自动化调度系统的原理框图。
如图3和图4所示，在实施例2的基础上，本实施例3还提供一种供热自动化调度系统，包括：数字孪生平台、智能决策平台、实时优化平台、上位平台和模型修正平台；所述数字孪生平台适于构建供热系统物理实体的数字孪生模型，并将最优调度策略发送至供热系统物理实体中；所述智能决策平台适于获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；所述实时优化平台适于构建供热调度多目标实时操作优化模型获取最优调度策略；所述上位平台适于设置优化目标、设定优化算法参数、触发优化指令；以及所述模型修正平台适于在最优调度策略运行后对数字孪生模型和调度决策模型进行修正。
数字孪生平台，用于构建供热系统物理实体在信息空间中的数字孪生模型，并建立物理实体与模型之间的虚实映射关系，建立虚实联动的双向数据传输通道；智能决策平台，用于收集供热系统物理实体运行产生的物理数据和运行数字孪生模型产生的虚拟数据进行数据融合后，采用智能计算算法进行数据预处理、特征提取和训练生成调度决策模型，通过所述调度决策模型生成相应的调度运行方案；所述调度决策模型至少包括需求负荷预测模型、全网热工水力平衡模型、智能调控模型、故障诊断及定位模型；实时优化平台，用于以供热系统能效性、经济性、环保性和安全性运行为目标，以各调度运行方案的相关操作变量的可控制范围为约束，建立供热调度多目标实时操作优化模型，然后采用多目标智能优化算法对该操作优化模型进行求解，最终获得各操作变量的优化设定值，进而生成最优调度策略；所述数字孪生平台，还用于将所述最优调度策略通过所述双向数据传输通道输入至供热系统物理实体中以进行供热调度自动化；模型修正平台，用于运行最优调度策略后，依据调度结果对所述数字孪生模型和所述调度决策模型进行修正；上位平台，用于支持运行人员设置当前约束条件下的优化目标、设定优化算法参数、触发优化指令，待优化计算完成后，将优化结果展示给调度人员；还用于提供与SCADA或DCS系统的下位执行设备的数据通讯接口，在调度运行优化方案通过审批确认后，将方案的执行指令发送至下位执行设备。
在本实施例中，各平台的功能在实施例1中已经详细描述，在本实施例中不再赘述。
综上所述，本发明通过构建供热系统物理实体的数字孪生模型；获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；构建供热调度多目标实时操作优化模型获取最优调度策略；根据最优调度策略对供热系统物理实体自动化调度；以及在最优调度策略运行后对数字孪生模型和调度决策模型进行修正，实现了建立供热系统自感知、自分析、自决策、自优化、自执行和自修正的调度自动化的智能平台，建立供热系统全过程数字孪生模型，采用优化技术为调度人员提供决策依据，建立面向安全、高效、经济、环保目标的智慧供热系统优化调度与决策方案，使得调度更加智能化，提高了调度的可靠性、精确性和经济性，降低运行风险，解决了传统方法中供热调度存在的工作效率低、调度不及时和不智能化，不能提前发现和预警潜在风险、无法实时动态调度等问题。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，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，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种基于数字孪生的供热调度自动化实现方法，其特征在于，包括：
构建供热系统物理实体的数字孪生模型；
获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；
构建供热调度多目标实时操作优化模型获取最优调度策略；
根据最优调度策略对供热系统物理实体自动化调度；以及
在最优调度策略运行后对数字孪生模型和调度决策模型进行修正；
所述获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型的方法包括：
根据供热系统的物理数据和数字孪生模型的虚拟数据，采用智能计算算法进行数据预处理、特征提取和训练以生成调度决策模型，并通过调度决策模型生成调度运行方案；
所述智能计算算法包括：人工神经网络模型算法、卷积神经网络算法、灰色预测模型、支持向量机模型算法和机器学习算法中至少一种；
所述数据预处理的方法包括：对融合数据进行数据清洗、异常数据剔除、数据标准化和数据插值填补；
所述特征提取的方法包括：
根据调度决策模型的进行数据分类、数据标签和数据特征提取，构建调度决策模型数据库；
所述调度决策模型数据库包括：负荷预测数据库、水力模型数据库、智能调控数据库和故障诊断数据库；
所述负荷预测数据库包括：全网热力站的历史运行数据、历史室温数据、历史气象数据和建筑类型；
所述水力模型数据库包括：供回水压差、总管供水温度、热用户室内环境和用户水流量和阀门状态；
所述智能调控数据库包括：全网阀门开度、水泵频率、回水温度、负荷数据；
所述故障诊断数据库包括：历史运行维护数据和故障特性数据；
针对不同的调度决策模型数据库选取相应的训练集和测试集；
根据训练集训练选取的智能计算算法的模型，直至选取的智能计算算法的模型的误差负荷第一预设阈值，并且根据测试集测试选取的智能计算算法，若准确率符合第二预设阈值，获得相应训练好的调度决策模型；
针对同一调度决策模型数据库选取智能计算算法模型进行训练获得相应算法维度的调度决策模型；
所述构建供热调度多目标实时操作优化模型获取最优调度策略的方法包括：
根据供热系统能效性、经济性、环保性和安全性运行为目标，以各调度运行方案的相关操作变量的可控制范围为约束，构建供热调度多目标实时操作优化模型，并且采用多目标智能优化算法对该供热调度多目标实时操作优化模型进行求解，获取各操作变量的优化设定值，生成最优调度策略；
所述在最优调度策略运行后对数字孪生模型和调度决策模型进行修正的方法包括：
提取和比对数字孪生模型模拟推演最优调度策略的运行结果和供热系统物理实体运行最优调度策略的运行结果，判断误差是否超过阈值；
若超过阈值，则采用神经网络算法对虚拟运行结果和实体运行结果进行特征数据提取，获得误差较大的数据并输出修正系数，以修正数字孪生模型；
依据所述数字孪生模型的修正变化，采用智能计算算法重新训练，实时优化更新调度决策模型，形成动态滚动数据交互和动态最优调度自动化。
2.如权利要求1所述的基于数字孪生的供热调度自动化实现方法，其特征在于，
所述构建供热系统物理实体的数字孪生模型的方法包括：
构建物理模型、逻辑模型、仿真模型和数据驱动模型；
将物理模型、逻辑模型、仿真模型和数据驱动模型进行虚实融合，构建供热系统物理实体在虚拟空间的数字孪生模型。
3.如权利要求1所述的基于数字孪生的供热调度自动化实现方法，其特征在于，
所述构建供热调度多目标实时操作优化模型获取最优调度策略的方法还包括：
根据供热系统的实际工况，经济效益最大化、燃烧排放量最小化和系统稳态安全性达标为优化目标；
依据不同的调度运行方案确定相应的约束条件：阀门开度、负荷大小、循环泵运转频率、供回水温度和压力的操作变量设定上下限值；
通过智能优化算法在供热系统达到稳态时，根据优化目标函数值对调度运行方案中的控制变量进行寻优，获得各操作变量的最优解集合；
针对相应的工况条件，智能优化算法执行多次迭代优化，将具备所有最优解集合的调度运行方案输入至所述数字孪生模型中，根据所述数字孪生模型的虚拟运行结果对调度决策模型的运行方案中的操作变量参数值进行动态调整，最终选取相应工况条件下的最优调度策略。
4.一种应用如权利要求1所述的供热调度自动化实现方法的自动化供热调度系统，其特征在于，包括：
数字孪生模型构建模块，构建供热系统物理实体的数字孪生模型；
调度决策模型构建模块，获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；
最优调度策略模块，构建供热调度多目标实时操作优化模型获取最优调度策略；
调度模块，根据最优调度策略对供热系统物理实体自动化调度；以及
修正模块，在最优调度策略运行后对数字孪生模型和调度决策模型进行修正。
5.一种应用如权利要求1所述的供热调度自动化实现方法的供热自动化调度系统，其特征在于，包括：
数字孪生平台、智能决策平台、实时优化平台、上位平台和模型修正平台；
所述数字孪生平台适于构建供热系统物理实体的数字孪生模型，并将最优调度策略发送至供热系统物理实体中；
所述智能决策平台适于获取供热系统的物理数据和数字孪生模型的虚拟数据构建调度决策模型；
所述实时优化平台适于构建供热调度多目标实时操作优化模型获取最优调度策略；
所述上位平台适于设置优化目标、设定优化算法参数、触发优化指令；以及
所述模型修正平台适于在最优调度策略运行后对数字孪生模型和调度决策模型进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110924070.6A CN113657031B (zh) | 2021-08-12 | 2021-08-12 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110924070.6A CN113657031B (zh) | 2021-08-12 | 2021-08-12 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657031A CN113657031A (zh) | 2021-11-16 |
| CN113657031B true CN113657031B (zh) | 2024-02-23 |
Family
ID=78479546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110924070.6A Active CN113657031B (zh) | 2021-08-12 | 2021-08-12 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657031B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114322199B (zh) * | 2021-11-26 | 2023-10-03 | 英集动力科技(嘉兴)有限公司 | 基于数字孪生的通风系统自主优化运行调控平台及方法 |
| CN113836755A (zh) * | 2021-11-29 | 2021-12-24 | 联想新视界（北京）科技有限公司 | 基于数字孪生模型的控制方法及装置 |
| CN114266187B (zh) * | 2021-12-08 | 2023-04-07 | 山东大卫国际建筑设计有限公司 | 一种办公建筑用电网络优化方法及系统 |
| CN114909707B (zh) * | 2022-04-24 | 2023-10-10 | 浙江英集动力科技有限公司 | 一种基于智能平衡装置和强化学习的供热二级网调控方法 |
| CN114909706B (zh) * | 2022-04-24 | 2024-05-07 | 常州英集动力科技有限公司 | 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 |
| CN114943281B (zh) * | 2022-05-12 | 2024-04-19 | 西安交通大学 | 一种热管冷却反应堆智能决策方法及系统 |
| CN115013859B (zh) * | 2022-05-27 | 2023-11-24 | 浙江英集动力科技有限公司 | 一种基于用户画像的供热二级网分户调控方法 |
| CN115013863B (zh) * | 2022-06-01 | 2023-11-17 | 浙江英集动力科技有限公司 | 基于数字孪生模型的喷射泵供热系统自主优化调控方法 |
| CN115013862B (zh) * | 2022-06-01 | 2023-05-16 | 浙江英集动力科技有限公司 | 基于喷射泵和辅助循环泵的供热系统自主优化运行方法 |
| CN114721344A (zh) * | 2022-06-10 | 2022-07-08 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的智能决策方法及系统 |
| CN114814759B (zh) * | 2022-06-28 | 2022-10-28 | 湖南师范大学 | 基于数字孪生的机载雷达信号处理与数据存储方法及组件 |
| CN115978630A (zh) * | 2022-11-30 | 2023-04-18 | 山东核电有限公司 | 一种供热节能系统及方法 |
| CN115859808A (zh) * | 2022-12-01 | 2023-03-28 | 南栖仙策(南京)科技有限公司 | 一种泵组工作预测方法、装置、电子设备及存储介质 |
| CN116307263B (zh) * | 2023-05-11 | 2023-08-11 | 武汉理工大学 | 基于数字孪生的泵站全流程动态智能调度方法及系统 |
| CN116882116B (zh) * | 2023-09-07 | 2024-02-02 | 北京世纪黄龙技术有限公司 | 数字孪生的供热空间划分方法、计算方法、装置及存储介质 |
| CN117318033B (zh) * | 2023-09-27 | 2024-05-24 | 国网江苏省电力有限公司南通供电分公司 | 一种结合数据孪生的电网数据管理方法及系统 |
| CN117273404B (zh) * | 2023-11-21 | 2024-02-02 | 江苏千桐科技有限公司 | 基于大数据分析的锅炉的自动排程方法 |
| CN117829318A (zh) * | 2024-01-09 | 2024-04-05 | 上海创图网络科技股份有限公司 | 一种基于大模型算法的数字孪生系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111666652A (zh) * | 2020-04-28 | 2020-09-15 | 常州英集动力科技有限公司 | 蒸汽热网疏水器巡检排放操作调度方法及操作调度系统 |
| CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
| CN112560240A (zh) * | 2020-12-02 | 2021-03-26 | 上海全应科技有限公司 | 基于大数据分析技术的供热管网水力计算方法 |
| CN113091123A (zh) * | 2021-05-11 | 2021-07-09 | 杭州英集动力科技有限公司 | 一种基于数字孪生模型的楼宇机组供热系统调控方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
| DE102017110361A1 (de) * | 2017-05-12 | 2018-11-15 | Psc Technologies Gmbh | Verfahren zur Herstellung von siliciumcarbidhaltigen Strukturen |
| US10522854B2 (en) * | 2017-12-04 | 2019-12-31 | Cummins Enterprise Inc. | Digital twin based management system and method and digital twin based fuel cell management system and method |
| US20190243933A1 (en) * | 2018-02-07 | 2019-08-08 | Incucomm, Inc. | System and method that characterizes an object employing virtual representations thereof |
| CN110674563A (zh) * | 2018-07-02 | 2020-01-10 | 开利公司 | 调试方法和调试系统 |
| US10921794B2 (en) * | 2019-04-10 | 2021-02-16 | Guangdong University Of Technology | Parallel control method based on multi-period differential sampling and digital twinning technologies |
| US20210133650A1 (en) * | 2019-11-05 | 2021-05-06 | Strong Force Vcn Portfolio 2019, Llc | Control tower and enterprise management platform with unified set of robotic process automation systems for coordinated automation among value chain applications |
-
2021
- 2021-08-12 CN CN202110924070.6A patent/CN113657031B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111666652A (zh) * | 2020-04-28 | 2020-09-15 | 常州英集动力科技有限公司 | 蒸汽热网疏水器巡检排放操作调度方法及操作调度系统 |
| CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
| CN112560240A (zh) * | 2020-12-02 | 2021-03-26 | 上海全应科技有限公司 | 基于大数据分析技术的供热管网水力计算方法 |
| CN113091123A (zh) * | 2021-05-11 | 2021-07-09 | 杭州英集动力科技有限公司 | 一种基于数字孪生模型的楼宇机组供热系统调控方法 |
Non-Patent Citations (2)
| Title |
|---|
| Electrotechnical Problems during Induction Hardening of Large Products;Demidovich, V.B.等;《 Russian Electrical Engineering》;20191231;第90卷(第12期);全文 * |
| 电力系统数字孪生的概念、特点及应用展望;沈沉等;《中国电机工程学报》;20211112;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657031A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| EP4024295A1 (en) | Optimization method and apparatus for integrated energy system and computer readable storage medium | |
| EP4024279A1 (en) | Integrated energy system simulation method, apparatus and computer-readable storage medium | |
| CN104181900B (zh) | 一种多能源介质分层动态调控方法 | |
| CN104571068A (zh) | 一种分布式能源系统的运行优化控制方法及系统 | |
| EP4020260A1 (en) | Method and apparatus for controlling integrated energy system, and computer-readable storage medium | |
| CN115409396A (zh) | 基于双层滚动优化的综合能源系统多时间尺度调度方法 | |
| CN105373842A (zh) | 一种基于全能流模型的微电网能量优化与评估方法 | |
| CN112268312A (zh) | 一种基于深度学习的智慧供热管理系统 | |
| CN113154517B (zh) | 一种集中供热自主驾驶的生产运行调度控制系统 | |
| CN105320114A (zh) | 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法 | |
| CN113606634A (zh) | 一种基于长输管网优化热源运行参数的热源保障系统 | |
| 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 | |
| CN112950001B (zh) | 基于云边端闭环架构的智慧能量管控系统及方法 | |
| CN113821008A (zh) | 一种大型工业企业的能源管理控制方法及能源管理中心 | |
| CN117371738A (zh) | 一种乡镇综合能源系统多能源协同运行控制方法及系统 | |
| CN112288170A (zh) | 基于大数据分析的电厂机组工况寻优分析方法 | |
| Testasecca et al. | Towards Digital Twins of buildings and smart energy networks: Current and future trends | |
| CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
| Gao et al. | A review of different methodologies for solving the problem of wind power's fluctuation | |
| CN113191083A (zh) | 考虑全工况外部参数变化的烟气余热回收系统优化设计方法 | |
| Danti et al. | Performance analysis of an optimization management algorithm on a multi-generation small size power plant | |
| Hao et al. | Integrated Energy Smart Management System Architecture Design Based on Plantwide Control | |
| Malinowski et al. | Optimizing control for large scale dynamic systems; general issues and case study results: transmission operations optimizer for toronto water system | |
| Yan et al. | A transaction-driven architecture of intelligent integrated energy management system |
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 |
Address after: 310000 rooms 208, 209-1, 209-2, building 2, 88 Longyuan Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang Yingji Power Technology Co.,Ltd. Address before: 310000 rooms 208, 209-1, 209-2, building 2, 88 Longyuan Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou Yingji Power Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |