CN113657660A - 基于分站负荷和热网滞后模型的热源负荷预测方法 - Google Patents

基于分站负荷和热网滞后模型的热源负荷预测方法 Download PDF

Info

Publication number
CN113657660A
CN113657660A CN202110923616.6A CN202110923616A CN113657660A CN 113657660 A CN113657660 A CN 113657660A CN 202110923616 A CN202110923616 A CN 202110923616A CN 113657660 A CN113657660 A CN 113657660A
Authority
CN
China
Prior art keywords
data
heat
load
load prediction
heat source
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
CN202110923616.6A
Other languages
English (en)
Other versions
CN113657660B (zh
Inventor
时伟
穆佩红
朱浩强
谢金芳
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.)
Hangzhou Yingji Power Technology Co ltd
Original Assignee
Hangzhou Yingji Power Technology 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 Hangzhou Yingji Power Technology Co ltd filed Critical Hangzhou Yingji Power Technology Co ltd
Priority to CN202110923616.6A priority Critical patent/CN113657660B/zh
Publication of CN113657660A publication Critical patent/CN113657660A/zh
Application granted granted Critical
Publication of CN113657660B publication Critical patent/CN113657660B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本发明公开了一种基于分站负荷和热网滞后模型的热源负荷预测方法，包括：通过采集各热力站在预设历史时间段内的第一时间区间、第二时间区间的运行数据和相应的天气数据，选取有效数据构成样本数据集；对动态数据进行特征关联性提取，将提取后的动态数据与静态数据进行预处理后，分为训练集和测试集；构建用于进行负荷预测的深度学习模型，将训练集输入至深度学习模型中进行学习后获得第二时间区间的负荷预测数据，并依据该热负荷预测数据和测试集，对当前的深度学习模型的预测能力进行测定，符合要求后将测试集输入深度学习模型中获得各热力站在未来时间段内的负荷预测数据；根据负荷预测数据和构建的热网滞后模型，预测热源未来时间段内的负荷。

Description

基于分站负荷和热网滞后模型的热源负荷预测方法
技术领域
本发明属于智慧供热技术领域，具体涉及一种基于分站负荷和热网滞后模型的热源负荷预测方法。
背景技术
随着供热企业自动化程度的不断提高以及信息技术的广泛应用，使得大量的历史数据得以保存，数据中蕴含着热负荷的运行规律。供热负荷是指在一定气候条件下，为了维持室内温度，集中供热系统在单位时间内所提供的的热量，供热负荷预测是指通过分析供热负荷的变化情况，然后找出影响供热负荷变化的影响因素，比如室外温度、气象参数和用户行为等，最后在此基础上对热负荷进行预先的估计和推测。提前对热负荷进行预测是集中供热系统经济运行的基础，直接关系着供热系统的能源利用效率。
目前，常见的热负荷预测方法有很多，包括指数平滑、自回归积分滑动平均模型、神经网络等。随着供热系统的智能化程度不断增强，供热系统运行所产生的数据越来越多，种类日益繁杂，而且具有高维性和高度动态性。以上的预测方法存在的精确性都有待提高，另外，热负荷预测目前基本都是对热力站进行热负荷预测，而热源到热力站之间有一定的传输滞后影响因素，而且热源侧的负荷预测对于供热系统的按需供能、节能调度有较大的影响，因此热源的负荷预测对于供热系统具有重大意义。
基于上述技术问题，需要设计一种新的分站负荷和热网滞后模型的热源负荷预测方法。
发明内容
本发明的目的是提供一种基于分站负荷和热网滞后模型的热源负荷预测方法。
为了解决上述技术问题，本发明提供了一种基于分站负荷和热网滞后模型的热源负荷预测方法，所述热源负荷预测方法包括：
步骤S1，通过采集各热力站在预设历史时间段内的第一时间区间的运行数据、第二时间区间的运行数据和相应的天气数据后，选取出有效数据构成样本数据集，所述样本数据集包括动态数据和静态数据；所述第二时间区间晚于第一时间区间；
步骤S2，对样本数据集中的动态数据进行特征关联性提取，将提取后的动态数据与静态数据进行预处理后，划分为训练集和测试集，所述训练集为第一时间区间的有效数据，所述测试集为第二时间区间的有效数据；
步骤S3，构建用于进行负荷预测的深度学习模型，将所述训练集输入至深度学习模型中进行学习后获得所述第二时间区间的负荷预测数据，并依据该热负荷预测数据和测试集，对当前的深度学习模型的预测能力进行测定，符合要求后将所述测试集输入所述深度学习模型中获得各热力站在未来时间段内的负荷预测数据；
步骤S4，根据各热力站在未来时间段内的负荷预测数据和构建的热网滞后模型，预测热源未来时间段内的负荷。
进一步，在所述步骤S1中，选取出有效数据包括：对采集的第一时间区间的运行数据、第二时间区间的运行数据和相应的天气数据的质量进行评估，删除相关性小的属性，添加想要评估的派生特征，统一数据类型，对极端的异常值进行处理；
所述静态数据至少包括建筑物类型、目标室温和天气数据，所述动态数据至少包括阀门开度、供回水温度、循环泵运行频率和供回水流量。
进一步，在所述步骤S2中，特征关联性提取包括：
对热力站运行过程中的动态数据进行分类得到动态数据集D＝[D1,D2,D3,...,Di]，求解协方差矩阵A，得到特征向量β与对应的特征矩阵Z；其中，i为数据分类个数，β为一维向量，特征矩阵Z与特征向量β满足AZ＝βZ；
选取特征向量中的最大值βmax以及相对应的特征向量Zmax；
将动态数据集D＝[D1,D2,D3,...,Di]与特征向量Zmax相乘，得到经由特征关联性提取后的样本数据集。
进一步，在所述步骤S2中，所述预处理包括：缺失值处理和归一化处理；
所述缺失值处理的方法为使用之前两个时刻的平均值填充缺失值；
所述归一化处理的方法为：
Figure BDA0003208377240000021
其中，xt为t时刻的原始参数，xmin为序列中参数的最小值，xmax为序列中参数的最大值，Xt为归一化后t时刻的参数；
预处理完成后按时序排列形成新的样本数据集，取新的样本数据集的前70％作为训练集，取新的样本数据集的后30％作为测试集。
进一步，在所述步骤S3中，所述深度学习模型采用第一公式进行模型的训练学习，所述第一公式为：
Figure BDA0003208377240000022
其中，xi为所述训练集中的第i个训练样本，n为所述训练集中训练样本的个数，L()为均方损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，v为在历史时间段内的第二时间区间的负荷预测数据，f()为当前的深度学习模型。
进一步，在所述步骤S3中，对当前的深度学习模型的预测能力进行测定时，还包括：若预测能力不满足预定要求，则对当前的深度学习模型的网络结构和/或模型参数进行调整；否则，将当前的深度学习模型做为所述用于进行热负荷预测的深度学习模型；
所述预测能力的测定具体包括：
采用第二公式确定当前的深度学习模型的第一预测误差；若所述第一预测误差低于预设的第一误差下限，则所述预测能力满足所述预定要求；否则，所述预测能力不满足所述预定要求；
其中，所述第二公式包括：
Figure BDA0003208377240000031
其中，MAE为所述第一预测误差，N为用户在所述历史时间段内的第一时间区间的负荷预测数据的个数，
Figure BDA0003208377240000032
为历史时间段内的第二时间区间的第t个负荷预测数据，Xt为所述测试集中的第t个测试样本，所述第t个负荷预测数据和所述第t个测试样本分别为在同一时间区间内的负荷预测值和负荷真实值。
进一步，所述步骤S4中，所述热网滞后模型的构建，包括：
由构建的热网仿真模型接入供热系统的实时运行数据，模拟热媒在管网中的流动状态，获取不同工况下热媒在由热源输送至热力站过程中对热量造成衰减和延迟的滞后影响因素，至少包括管网中管段的阻力特性系数、各管段管长、热媒密度、内管壁的当量绝对粗糙度、管道管径、热媒温度、热媒流量和热损失率和天气因素；
将热媒到达热力站的完成点和在热源输送的起始点之间的时间差作为热网负荷滞后时间，分析不同因素对热网负荷滞后时间的影响程度，确定各因素权重wk的大小，wk表示第k个因素的权重；
基于各因素权重wk的大小，利用机器学习算法建立获取各因素与热网负荷滞后时间之间的热网滞后模型。
其中，所述热损失至少包括：1)在输送过程中，由于管道散热导致的热损失；2)是沿途管道及附件跑冒造成的热损失；3)是热力站正常检修维护的热损失；
热损失率的计算为：
Figure BDA0003208377240000033
式中，fi为管网起始焓值，单位是kJ/kg，fj为管网终点焓值，Gi为管网起始流量，Gj为管网终点流量；
所述热网仿真模型的构建包括：根据供热系统中热源、热网、热力站的实际物理信息，采用建模仿真技术，通过图形组态方式建立相应的拓扑连接逻辑关系，模拟出与实际供热系统结构一致的热网仿真模型。
进一步，所述步骤S4中，根据各热力站在未来时间段内的负荷预测数据和构建的热网滞后模型，预测热源未来时间段内的负荷，具体包括：
对各热力站距离热源由近至远依次编号1,2,……,n；
对于各热力站，在未来时间段内的预测负荷已生成，根据所述热网滞后模型获得该热源至各热力站的滞后时间矩阵T＝[t1,t2,...,tn]；
根据滞后时间矩阵T＝[t1,t2,,tn…，tn]，确定各个热力站在未来T＝[t1,t2,...,tn]小时时刻的预测负荷Q＝[Q1，Q2，...，Qn]；
热源在当前时刻的预测负荷为各个热力站在未来T＝[t1,t2,...,tn]小时时刻的预测负荷之和：
Figure BDA0003208377240000041
其中，若热源的个数为m个，则采用同样的方法依次计算不同热源的预测负荷。
进一步，所述用序关系分析法确定各因素权重wk的大小，具体包括：
确定序关系，对所有滞后影响因素进行重要性排序，将重要因素的序关系排在前，按照因素重要性排列顺序建立因素集{A1,A2,...,Ai}，A1为最重要的因素、依次类推，最后的因素为Ai；
计算不同因素之间重要程度的比值判断：
Figure BDA0003208377240000042
依据各个因素与热网负荷滞后时间的相关性以及预设的rk参考值决定rk的取值；
计算不同因素的排序权重：
Figure BDA0003208377240000043
进一步，所述基于各因素权重wk的大小，利用机器学习算法建立获取各因素与热网负荷滞后时间之间的热网滞后模型，具体包括：
依据热媒在热源输送的起始点时间i，生成以该时间为起点的长度m的因素向量[Ai,Ai+1,...,Ai+m-1]；
以所述因素向量[Ai,Ai+1,...,Ai+m-1]和相应各因素权重值wk为输入数据，输出数据为滞后时间Tdelay，采用机器学习算法对输入数据进行学习形成热网滞后模型，通过该滞后模型可获得负荷滞后时间，即：Tdelay＝F(Aiwi,Ai+1wi+1,...,Ai+m-1wi+m-1)。
本发明的有益效果是：
(1)本发明通过将训练集输入至已构建的热负荷预测的深度学习模型中进行学习获得热负荷预测数据，并依据该热负荷预测数据和测试集对当前的深度学习模型的预测能力进行测定，若不满足要求则对深度学习模型进行调整，获得最终的深度学习模型，从而有效提高热负荷预测的精确性；
(2)本发明采用深度学习模型对各热力站进行负荷预测之后，根据各热力站在未来时间段内的负荷预测数据和构建的热网滞后模型，预测热源未来时间段内的负荷，且热网滞后模型考虑了热源到热力站之间的滞后影响因素和各因素对滞后影响的权重值，从而提高了热源侧的负荷预测的准确性，通过热源的预测负荷能够有效地对供热系统按需供能。
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为本发明一种基于分站负荷和热网滞后模型的热源负荷预测方法流程图。
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分站负荷和热网滞后模型的热源负荷预测方法流程图。
如图1所示，本实施例1提供了一种基于分站负荷和热网滞后模型的热源负荷预测方法，热源负荷预测方法包括：
步骤S1，通过采集各热力站在预设历史时间段内的第一时间区间的运行数据、第二时间区间的运行数据和相应的天气数据后，选取出有效数据构成样本数据集，样本数据集包括动态数据和静态数据；第二时间区间晚于第一时间区间；
步骤S2，对样本数据集中的动态数据进行特征关联性提取，将提取后的动态数据与静态数据进行预处理后，划分为训练集和测试集，训练集为第一时间区间的有效数据，测试集为第二时间区间的有效数据；
步骤S3，构建用于进行负荷预测的深度学习模型，将训练集输入至深度学习模型中进行学习后获得第二时间区间的负荷预测数据，并依据该热负荷预测数据和测试集，对当前的深度学习模型的预测能力进行测定，符合要求后将测试集输入深度学习模型中获得各热力站在未来时间段内的负荷预测数据；
步骤S4，根据各热力站在未来时间段内的负荷预测数据和构建的热网滞后模型，预测热源未来时间段内的负荷。
可以理解的是，对深度学习模型还需要进行网络结构以及模型参数进行初始化设置，实际上是对深度学习模型的初始化设置以得到初始深度学习模型的过程；初始深度学习模型的网络结构中，隐含层有3层，输入层、三个隐含层和输出层的节点数分别是45、200、200、200、1，在深度学习过程中最大迭代次数为450次，两个正则化参数为0.01，激活函数为Rectifer函数，学习速率为0.1，选择均方损失函数作为损失函数。
在本实施例中，在步骤S1中，选取出有效数据包括：对采集的第一时间区间的运行数据、第二时间区间的运行数据和相应的天气数据的质量进行评估，删除相关性小的属性，添加想要评估的派生特征，统一数据类型，对极端的异常值进行处理；
静态数据至少包括建筑物类型、目标室温和天气数据，动态数据至少包括阀门开度、供回水温度、循环泵运行频率和供回水流量。
在本实施例中，在步骤S2中，特征关联性提取包括：
对热力站运行过程中的动态数据进行分类得到动态数据集D＝[D1,D2,D3,...,Di]，求解协方差矩阵A，得到特征向量β与对应的特征矩阵Z；其中，i为数据分类个数，β为一维向量，特征矩阵Z与特征向量β满足AZ＝βZ；
选取特征向量中的最大值βmax以及相对应的特征向量Zmax；
将动态数据集D＝[D1,D2,D3,...,Di]与特征向量Zmax相乘，得到经由特征关联性提取后的样本数据集。
本发明通过选取有效数据和特征关联性提取方法，在保证准确率的同时对动态数据特征进行提取，提高了计算效率，保证了数据集的有效性、可信性和代表性。
在本实施例中，在步骤S2中，预处理包括：缺失值处理和归一化处理；
缺失值处理的方法为使用之前两个时刻的平均值填充缺失值；
归一化处理的方法为：
Figure BDA0003208377240000071
其中，xt为t时刻的原始参数，xmin为序列中参数的最小值，xmax为序列中参数的最大值，Xt为归一化后t时刻的参数；
预处理完成后按时序排列形成新的样本数据集，取新的样本数据集的前70％作为训练集，取新的样本数据集的后30％作为测试集。
在本实施例中，在步骤S3中，深度学习模型采用第一公式进行模型的训练学习，第一公式为：
Figure BDA0003208377240000072
其中，xi为训练集中的第i个训练样本，n为训练集中训练样本的个数，L()为均方损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为测试集中第i个测试样本，v为在历史时间段内的第二时间区间的负荷预测数据，f()为当前的深度学习模型。
在本实施例中，在步骤S3中，对当前的深度学习模型的预测能力进行测定时，还包括：若预测能力不满足预定要求，则对当前的深度学习模型的网络结构和/或模型参数进行调整；否则，将当前的深度学习模型做为用于进行热负荷预测的深度学习模型；
预测能力的测定具体包括：
采用第二公式确定当前的深度学习模型的第一预测误差；若第一预测误差低于预设的第一误差下限，则预测能力满足预定要求；否则，预测能力不满足预定要求；
其中，第二公式包括：
Figure BDA0003208377240000073
其中，MAE为第一预测误差，N为用户在历史时间段内的第一时间区间的负荷预测数据的个数，
Figure BDA0003208377240000074
为历史时间段内的第二时间区间的第t个负荷预测数据，Xt为测试集中的第t个测试样本，第t个负荷预测数据和第t个测试样本分别为在同一时间区间内的负荷预测值和负荷真实值。
可以理解的是，由于测试集为之前采集的第二时间区间内热负荷的真实数据，而通过之前的步骤S3得到的是对第二时间区间内热负荷的预测数据，根据第二时间区间内的真实数据和预测数据，从而可以确定当前的深度学习模型的预测误差，进而确定其预测能力是否满足要求，如果预测能力满足要求，则没有必要再对当前的深度学习模型的结构和/或参数进行进一步的调整，直接将当前的深度学习模型作为最终的深度学习模型。但是如果预测能力还达不到要求，则需要对当前的深度学习模型进行调整，返回步骤S3，继续参与循环，直至深度学习模型的预测能力能够满足要求。
在本实施例中，步骤S4中，热网滞后模型的构建，包括：
由构建的热网仿真模型接入供热系统的实时运行数据，模拟热媒在管网中的流动状态，获取不同工况下热媒在由热源输送至热力站过程中对热量造成衰减和延迟的滞后影响因素，滞后影响因素至少包括管网中管段的阻力特性系数、各管段管长、热媒密度、内管壁的当量绝对粗糙度、管道管径、热媒温度、热媒流量、热损失率和天气因素；
将热媒到达热力站的完成点和在热源输送的起始点之间的时间差作为热网负荷滞后时间，分析不同因素对热网负荷滞后时间的影响程度，确定各因素权重wk的大小，wk表示第k个因素的权重；
基于各因素权重wk的大小，利用机器学习算法建立获取各因素与热网负荷滞后时间之间的热网滞后模型；
其中，热损失至少包括：1)在输送过程中，由于管道散热导致的热损失；2)是沿途管道及附件跑冒造成的热损失；3)是热力站正常检修维护的热损失；
热损失率的计算公式为：
Figure BDA0003208377240000081
式中，fi为管网起始焓值，单位是kJ/kg，fj为管网终点焓值，Gi为管网起始流量，Gj为管网终点流量；
热网仿真模型的构建包括：根据供热系统中热源、热网、热力站的实际物理信息，采用建模仿真技术，通过图形组态方式建立相应的拓扑连接逻辑关系，模拟出与实际供热系统结构一致的热网仿真模型。
在本实施例中，步骤S4中，根据各热力站在未来时间段内的负荷预测数据和构建的热网滞后模型，预测热源未来时间段内的负荷，具体包括：
对各热力站距离热源由近至远依次编号1,2,……,n；
对于各热力站，在未来时间段内的预测负荷已生成，根据热网滞后模型获得该热源至各热力站的滞后时间矩阵T＝[t1,t2,...,tn]；
根据滞后时间矩阵T＝[t1,t2,...,tn]，确定各个热力站在未来T＝[t1,t2,...,tn]小时时刻的预测负荷Q＝[Q1，Q2，...，Qn]；
热源在当前时刻的预测负荷为各个热力站在未来T＝[t1,t2,...,tn]小时时刻的预测负荷之和：
Figure BDA0003208377240000082
其中，若热源的个数为m个，则采用同样的方法依次计算不同热源的预测负荷。
在本实施例中，用序关系分析法确定各因素权重wk的大小，具体包括：
确定序关系，对所有滞后影响因素进行重要性排序，将重要因素的序关系排在前，按照因素重要性排列顺序建立因素集{A1,A2,...,Ai}，A1为最重要的因素、依次类推，最后的因素为Ai；
计算不同因素之间重要程度的比值判断：
Figure BDA0003208377240000091
依据各个因素与热网负荷滞后时间的相关性以及预设的rk参考值决定rk的取值；
计算不同因素的排序权重：
Figure BDA0003208377240000092
在本实施例中，基于各因素权重wk的大小，利用机器学习算法建立获取各因素与热网负荷滞后时间之间的热网滞后模型，具体包括：
依据热媒在热源输送的起始点时间i，生成以该时间为起点的长度m的因素向量[Ai,Ai+1,...,Ai+m-1]；
以因素向量[Ai,Ai+1,...,Ai+m-1]和相应各因素权重值wk为输入数据，输出数据为滞后时间Tdelay，采用机器学习算法对输入数据进行学习形成热网滞后模型，通过该滞后模型可获得负荷滞后时间，即：Tdelay＝F(Aiwi,Ai+1wi+1,...,Ai+m-1wi+m-1)。
在实际的应用中，已获知延迟滞后时间，根据各热力站点的预测负荷并结合热网滞后模型，计算热源的预测负荷，例如：
站点a：未来一定时间内的预测负荷已经生成(站点负荷预测，下同)，热源至站点a的延迟时间为1小时。
站点b：未来一定时间内的预测负荷已经生成，热源至站点b的延迟时间为2小时。
站点c：未来一定时间内的预测负荷已经生成，热源至站点c的延迟时间为3小时。
......
站点n：未来一定时间内的预测负荷已经生成，热源至站点n的延迟时间为n小时。
则热源当前时刻T的预测负荷＝站点a未来1小时时刻的预测负荷+站点b未来2小时时刻的预测负荷+站点c未来3小时时刻的预测负荷+......+站点n未来n小时时刻的预测负荷。
热源下一时刻的预测负荷计算原则同上，即：
则热源下一时刻(T+1)的预测负荷＝站点a未来2小时时刻的预测负荷+站点b未来3小时时刻的预测负荷+站点c未来4小时时刻的预测负荷+......+站点n未来(n+1)小时时刻的预测负荷。
本发明通过将训练集输入至已构建的热负荷预测的深度学习模型中进行学习获得热负荷预测数据，并依据该热负荷预测数据和测试集对当前的深度学习模型的预测能力进行测定，若不满足要求则对深度学习模型进行调整，获得最终的深度学习模型，从而有效提高热负荷预测的精确性；本发明采用深度学习模型对各热力站进行负荷预测之后，根据各热力站在未来时间段内的负荷预测数据和构建的热网滞后模型，预测热源未来时间段内的负荷，且热网滞后模型考虑了热源到热力站之间的滞后影响因素和各因素对滞后影响的权重值，从而提高了热源侧的负荷预测的准确性，通过热源的预测负荷能够有效地对供热系统按需供能。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统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系统、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，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。
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 (10)

1.一种基于分站负荷和热网滞后模型的热源负荷预测方法，其特征在于，所述热源负荷预测方法包括：
步骤S1、通过采集各热力站在预设历史时间段内的第一时间区间的运行数据、第二时间区间的运行数据以及相应的天气数据后，选取出有效数据构成样本数据集，所述样本数据集包括动态数据和静态数据，所述第二时间区间晚于第一时间区间；
步骤S2、对样本数据集中的动态数据进行特征关联性提取，将提取后的动态数据与静态数据进行预处理后，划分为训练集和测试集，所述训练集为第一时间区间的有效数据，所述测试集为第二时间区间的有效数据；
步骤S3、构建用于进行负荷预测的深度学习模型，将所述训练集输入至深度学习模型中进行学习后获得所述第二时间区间的负荷预测数据，并依据该热负荷预测数据和测试集，对当前的深度学习模型的预测能力进行测定，符合要求后将所述测试集输入所述深度学习模型中获得各热力站在未来时间段内的负荷预测数据；
步骤S4、根据各热力站在未来时间段内的负荷预测数据和构建的热网滞后模型，预测热源未来时间段内的负荷。
2.根据权利要求1所述的热源负荷预测方法，其特征在于，所述步骤S1中，选取出有效数据包括包括如下步骤：
对采集的第一时间区间的运行数据、第二时间区间的运行数据和相应的天气数据的质量进行评估，删除相关性小的属性，添加需评估的派生特征，统一数据类型，对极端的异常值进行处理；
所述静态数据至少包括建筑物类型、目标室温和天气数据，所述动态数据至少包括阀门开度、供回水温度、循环泵运行频率和供回水流量。
3.根据权利要求1所述的热源负荷预测方法，其特征在于，所述步骤S2中，对样本数据集中的动态数据进行特征关联性提取，包括如下步骤：
对热力站运行过程中的动态数据进行分类得到动态数据集D＝[D1,D2,D3,…,Di]，求解协方差矩阵A，得到特征向量β与对应的特征矩阵Z；
其中，i为数据分类个数，β为一维向量，特征矩阵Z与特征向量β满足AZ＝βZ；
选取特征向量中的最大值βmax以及相对应的特征向量Zmax；
将动态数据集D＝[D1,D2,D3,…,Di]与特征向量Zmax相乘，得到经由特征关联性提取后的样本数据集。
4.根据权利要求1所述的热源负荷预测方法，其特征在于，所述步骤S2中，将提取后的动态数据与静态数据进行预处理包括：缺失值处理和归一化处理；
所述缺失值处理的方法为使用之前两个时刻的平均值填充缺失值；
所述归一化处理的方法为：
Figure FDA0003208377230000021
其中，xt为t时刻的原始参数，xmin为序列中参数的最小值，xmax为序列中参数的最大值，Xt为归一化后t时刻的参数；
预处理完成后按时序排列形成新的样本数据集，取新的样本数据集的前70％作为训练集，取新的样本数据集的后30％作为测试集。
5.根据权利要求1所述的热源负荷预测方法，其特征在于，所述步骤S3中，构建用于进行负荷预测的深度学习模型，所述深度学习模型采用第一公式进行模型的训练学习，所述第一公式为：
Figure FDA0003208377230000022
其中，xi为所述训练集中的第i个训练样本，n为所述训练集中训练样本的个数，L()为均方损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，v为在历史时间段内的第二时间区间的负荷预测数据，f()为当前的深度学习模型。
6.根据权利要求1所述的热源负荷预测方法，其特征在于，所述步骤S3中，对当前的深度学习模型的预测能力进行测定时，还包括：若预测能力不满足预定要求，则对当前的深度学习模型的网络结构和/或模型参数进行调整；否则，将当前的深度学习模型做为所述用于进行热负荷预测的深度学习模型；
所述预测能力的测定具体包括：
采用第二公式确定当前的深度学习模型的第一预测误差；若所述第一预测误差低于预设的第一误差下限，则所述预测能力满足所述预定要求；否则，所述预测能力不满足所述预定要求；
其中，所述第二公式为：
Figure FDA0003208377230000023
其中，MAE为所述第一预测误差，N为用户在所述历史时间段内的第一时间区间的负荷预测数据的个数，
Figure FDA0003208377230000024
为历史时间段内的第二时间区间的第t个负荷预测数据，Xt为所述测试集中的第t个测试样本，所述第t个负荷预测数据和所述第t个测试样本分别为在同一时间区间内的负荷预测值和负荷真实值。
7.根据权利要求1所述的热源负荷预测方法，其特征在于，所述步骤S4中，所述热网滞后模型的构建，包括如下步骤：
由构建的热网仿真模型接入供热系统的实时运行数据，模拟热媒在管网中的流动状态，获取不同工况下热媒在由热源输送至热力站过程中对热量造成衰减和延迟的滞后影响因素，至少包括管网中管段的阻力特性系数、各管段管长、热媒密度、内管壁的当量绝对粗糙度、管道管径、热媒温度、热媒流量、热损失率和天气因素；
将热媒到达热力站的完成点和在热源输送的起始点之间的时间差作为热网负荷滞后时间，分析不同因素对热网负荷滞后时间的影响程度，确定各因素权重wk的大小，wk表示第k个因素的权重；
基于各因素权重wk的大小，利用机器学习算法建立获取各因素与热网负荷滞后时间之间的热网滞后模型；
所述热损失率的计算公式为：
Figure FDA0003208377230000031
式中，fi为管网起始焓值，单位是kJ/kg，fj为管网终点焓值，Gi为管网起始流量，Gj为管网终点流量；
所述热网仿真模型的构建包括：根据供热系统中热源、热网、热力站的实际物理信息，采用建模仿真技术，通过图形组态方式建立相应的拓扑连接逻辑关系，模拟出与实际供热系统结构一致的热网仿真模型。
8.根据权利要求1所述的热源负荷预测方法，其特征在于，所述步骤S4中，根据各热力站在未来时间段内的负荷预测数据和构建的热网滞后模型，预测热源未来时间段内的负荷，具体包括：
对各热力站距离热源由近至远依次编号1,2,……,n；
对于各热力站，在未来时间段内的预测负荷已生成，根据所述热网滞后模型获得该热源至各热力站的滞后时间矩阵T＝[t1,t2,…,tn]；
根据滞后时间矩阵T＝[t1,t2,…,tn]，确定各个热力站在未来T＝[t1,t2,…,tn]小时时刻的预测负荷Q＝[Q1，Q2，…，Qn]；
热源在当前时刻的预测负荷为各个热力站在未来T＝[t1,t2,…,tn]小时时刻的预测负荷之和：
Figure FDA0003208377230000032
其中，若热源的个数为m个，则采用同样的方法依次计算不同热源的预测负荷。
9.根据权利要求7所述的热源负荷预测方法，其特征在于，所述各因素权重wk的大小通过序关系分析法确定，具体包括如下步骤：
确定序关系，对所有滞后影响因素进行重要性排序，将重要因素的序关系排在前，按照因素重要性排列顺序建立因素集{A1,A2,…,Ai}，A1为最重要的因素、依次类推，最后的因素为Ai；
计算不同因素之间重要程度的比值判断：
Figure FDA0003208377230000041
依据各个因素与热网负荷滞后时间的相关性以及预设的rk参考值决定rk的取值；
计算不同因素的排序权重：
Figure FDA0003208377230000042
10.根据权利要求7或9所述的热源负荷预测方法，其特征在于，所述基于各因素权重wk的大小，利用机器学习算法建立获取各因素与热网负荷滞后时间之间的热网滞后模型，具体包括：
依据热媒在热源输送的起始点时间i，生成以该时间为起点的长度m的因素向量[Ai,Ai+1,…,Ai+m-1]；
以所述因素向量[Ai,Ai+1,…,Ai+m-1]和相应各因素权重值wk为输入数据，输出数据为滞后时间Tdelay，采用机器学习算法对输入数据进行学习形成热网滞后模型，通过该滞后模型可获得负荷滞后时间，即：Tdelay＝F(Aiwi,Ai+1wi+1,…,Ai+m-1wi+m-1)。
CN202110923616.6A 2021-08-12 2021-08-12 基于分站负荷和热网滞后模型的热源负荷预测方法 Active CN113657660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110923616.6A CN113657660B (zh) 2021-08-12 2021-08-12 基于分站负荷和热网滞后模型的热源负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110923616.6A CN113657660B (zh) 2021-08-12 2021-08-12 基于分站负荷和热网滞后模型的热源负荷预测方法

Publications (2)

Publication Number Publication Date
CN113657660A true CN113657660A (zh) 2021-11-16
CN113657660B CN113657660B (zh) 2024-07-19

Family

ID=78491507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110923616.6A Active CN113657660B (zh) 2021-08-12 2021-08-12 基于分站负荷和热网滞后模型的热源负荷预测方法

Country Status (1)

Country Link
CN (1) CN113657660B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118862A (zh) * 2021-12-07 2022-03-01 双良节能系统股份有限公司 一种换热站动态热负荷预测与调控方法及系统
CN114754396A (zh) * 2022-04-12 2022-07-15 西安热工研究院有限公司 一种经智能算法优化的热电厂集中供热系统和方法
CN115013858A (zh) * 2022-05-27 2022-09-06 浙江英集动力科技有限公司 一种基于滞后时间辨识的供热二级网分户调控方法
CN115793558A (zh) * 2022-11-25 2023-03-14 上海时链节能科技有限公司 一种热力站二次管网智能控制系统
CN116894528A (zh) * 2023-09-11 2023-10-17 中瑞恒（北京）科技有限公司 一种冷热站负荷预测方法、装置和计算机设备
CN117057481A (zh) * 2023-09-14 2023-11-14 华能苏州热电有限责任公司 一种供热系统负荷预测方法
CN117267782A (zh) * 2023-11-22 2023-12-22 瑞纳智能设备股份有限公司 供热控制方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280552A (zh) * 2018-02-24 2018-07-13 合肥工业大学 基于深度学习的电力负荷预测方法和系统、存储介质
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
CN111275169A (zh) * 2020-01-17 2020-06-12 北京石油化工学院 一种短时期建筑热负荷预测的方法
CN111503718A (zh) * 2020-03-09 2020-08-07 华电电力科学研究院有限公司 基于多因素影响的热电联产供热负荷预测方法及供热系统
CN112013446A (zh) * 2020-08-27 2020-12-01 常州英集动力科技有限公司 解决温度传输延迟的热网均衡升降温方法及其系统
US20210209467A1 (en) * 2018-09-25 2021-07-08 Ennew Digital Technology Co., Ltd. Method and device for predicting thermal load of electrical system
EP3855079A2 (en) * 2020-01-27 2021-07-28 Planora Oy Method for controlling heat delivery in distribution network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280552A (zh) * 2018-02-24 2018-07-13 合肥工业大学 基于深度学习的电力负荷预测方法和系统、存储介质
US20210209467A1 (en) * 2018-09-25 2021-07-08 Ennew Digital Technology Co., Ltd. Method and device for predicting thermal load of electrical system
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
CN111275169A (zh) * 2020-01-17 2020-06-12 北京石油化工学院 一种短时期建筑热负荷预测的方法
EP3855079A2 (en) * 2020-01-27 2021-07-28 Planora Oy Method for controlling heat delivery in distribution network
CN111503718A (zh) * 2020-03-09 2020-08-07 华电电力科学研究院有限公司 基于多因素影响的热电联产供热负荷预测方法及供热系统
CN112013446A (zh) * 2020-08-27 2020-12-01 常州英集动力科技有限公司 解决温度传输延迟的热网均衡升降温方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王炎;张海增;胡新华;赵隽;李添;: "基于大数据模式识别机器学习算法的热力站动态能耗指标预测模型", 电力大数据, no. 04, 21 April 2020 (2020-04-21) *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118862A (zh) * 2021-12-07 2022-03-01 双良节能系统股份有限公司 一种换热站动态热负荷预测与调控方法及系统
CN114754396A (zh) * 2022-04-12 2022-07-15 西安热工研究院有限公司 一种经智能算法优化的热电厂集中供热系统和方法
CN114754396B (zh) * 2022-04-12 2023-08-18 西安热工研究院有限公司 一种经智能算法优化的热电厂集中供热系统和方法
CN115013858A (zh) * 2022-05-27 2022-09-06 浙江英集动力科技有限公司 一种基于滞后时间辨识的供热二级网分户调控方法
CN115013858B (zh) * 2022-05-27 2023-09-22 浙江英集动力科技有限公司 一种基于滞后时间辨识的供热二级网分户调控方法
CN115793558A (zh) * 2022-11-25 2023-03-14 上海时链节能科技有限公司 一种热力站二次管网智能控制系统
CN115793558B (zh) * 2022-11-25 2023-10-03 上海时链节能科技有限公司 一种热力站二次管网智能控制系统
CN116894528A (zh) * 2023-09-11 2023-10-17 中瑞恒（北京）科技有限公司 一种冷热站负荷预测方法、装置和计算机设备
CN116894528B (zh) * 2023-09-11 2023-11-21 中瑞恒（北京）科技有限公司 一种冷热站负荷预测方法、装置和计算机设备
CN117057481A (zh) * 2023-09-14 2023-11-14 华能苏州热电有限责任公司 一种供热系统负荷预测方法
CN117267782A (zh) * 2023-11-22 2023-12-22 瑞纳智能设备股份有限公司 供热控制方法及装置
CN117267782B (zh) * 2023-11-22 2024-02-20 瑞纳智能设备股份有限公司 供热控制方法及装置

Also Published As

Publication number Publication date
CN113657660B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN113657660B (zh) 基于分站负荷和热网滞后模型的热源负荷预测方法
US20210383041A1 (en) In-situ thermodynamic model training
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
CN107392368B (zh) 一种基于气象预报的办公建筑动态热负荷组合预测方法
CN112686464A (zh) 短期风电功率预测方法及装置
CN107609667B (zh) 基于Box_cox变换和UFCNN的供热负荷预测方法及系统
Delcroix et al. Autoregressive neural networks with exogenous variables for indoor temperature prediction in buildings
Ma et al. Short term load forecasting based on iForest-LSTM
CN112418495A (zh) 一种基于天牛须优化算法和神经网络的建筑能耗预测方法
CN110083910B (zh) 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法
CN111626003B (zh) 一种供暖系统热负荷分层预测方法、存储介质及预测设备
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN115310727B (zh) 一种基于迁移学习的建筑冷热电负荷预测方法及系统
CN114065646B (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
Antonucci et al. Building performance evaluation through a novel feature selection algorithm for automated arx model identification procedures
CN117553404A (zh) 一种提高大型水冷中央空调系统能效的方法及系统
CN107403244A (zh) 基于人工神经网络改进灰色模型的短期风速预测方法
CN114811713A (zh) 基于混合深度学习的二级网户间均衡供热调控方法
Kumar et al. Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach
CN114548539A (zh) 循环水系统压缩机透平能耗预测方法、装置、设备及介质
CN117760063A (zh) 一种基于空气焓值的地铁空调负荷预测方法
CN117454168A (zh) 一种建筑能耗预测方法及系统
CN106529075B (zh) 一种考虑分时段的非线性模拟风速方法
CN115013863B (zh) 基于数字孪生模型的喷射泵供热系统自主优化调控方法
CN115879190A (zh) 模型构建方法及装置、建筑负荷预测方法及装置

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