CN113776122A - 供热控制方法、装置、设备、介质和产品 - Google Patents
供热控制方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN113776122A CN113776122A CN202111156101.4A CN202111156101A CN113776122A CN 113776122 A CN113776122 A CN 113776122A CN 202111156101 A CN202111156101 A CN 202111156101A CN 113776122 A CN113776122 A CN 113776122A
- Authority
- CN
- China
- Prior art keywords
- parameters
- meteorological
- heat supply
- temperature
- parameter
- 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
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种供热控制方法、装置、设备、介质和产品,涉及人工智能技术领域,尤其涉及智能控制技术领域。具体实现方案包括:根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对所述待评估时间段的供热控制参数;以及根据所述供热控制参数,控制针对所述供热系统的调度处理,其中,所述供热策略模型是基于模拟环境参数和所述供热系统的运行状态参数训练得到的,所述模拟环境参数包括模拟气象参数和户端预测温度。
Description
技术领域
本公开涉及人工智能技术领域,具体为智能控制技术领域,可应用于供热控制场景下。
背景技术
供热控制是用于实现按需供热、提升供热质量的重要手段之一。基于机器学习方法进行供热控制,有利于改善传统供热行业的智能化程度。但是,在一些场景下,在基于机器学习方法进行供热控制时,由于供热数据采集成本高、采集时间受限、数据量缺乏的原因,造成供热控制效果受影响、供热控制成本高昂的问题。
发明内容
本公开提供了一种供热控制方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种供热控制方法,包括:根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对所述待评估时间段的供热控制参数;以及根据所述供热控制参数,控制针对所述供热系统的调度处理,其中,所述供热策略模型是基于模拟环境参数和所述供热系统的运行状态参数训练得到的,所述模拟环境参数包括模拟气象参数和户端预测温度。
根据本公开的另一方面,提供了一种供热控制装置,包括:第一处理模块,用于根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对所述待评估时间段的供热控制参数;以及第二处理模块,用于根据所述供热控制参数,控制针对所述供热系统的调度处理,其中,所述供热策略模型是基于模拟环境参数和所述供热系统的运行状态参数训练得到的,所述模拟环境参数包括模拟气象参数和户端预测温度。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的供热控制方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述的供热控制方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的供热控制方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开一实施例的供热控制和装置的系统架构;
图2示意性示出了根据本公开一实施例的供热控制方法的流程图;
图3示意性示出了根据本公开一实施例的生成模拟气象参数的方法的流程图;
图4示意性示出了根据本公开一实施例的训练气象模拟模型的方法的流程图;
图5A示意性示出了根据本公开一实施例的供热控制过程的示意图;
图5B示意性示出了根据本公开另一实施例的供热控制过程的示意图;
图6示意性示出了根据本公开一实施例的供热控制装置的框图;以及
图7示意性示出了用于实现本公开实施例的供热控制方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种供热控制方法。供热控制方法包括:根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对待评估时间段的供热控制参数,以及根据供热控制参数,控制针对供热系统的调度处理。供热策略模型是基于模拟环境参数和供热系统的运行状态参数训练得到的,模拟环境参数包括模拟气象参数和户端预测温度。
图1示意性示出了根据本公开一实施例的供热控制方法和装置的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括数据库101、网络102和服务器103。网络102用于在数据库101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。服务器103可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或分布式系统,还可以是提供云服务、云计算、网络服务、中间件服务等基础云计算服务的云服务器。
数据库101可以是本地数据库,也可以是云数据库。数据库101中存储有用于供热控制的环境实测参数、环境模拟参数和供热系统的运行状态参数。服务器103用于从数据库101中获取环境实测参数、环境模拟参数、供热系统的运行状态参数中的至少之一,以作为供热控制参考数据。服务器103还用于基于供热控制参考数据生成针对供热系统的控制策略。
需要说明的是,本公开实施例所提供的供热控制方法可以由服务器103执行。相应地,本公开实施例所提供的供热控制装置可以设置于服务器103中。本公开实施例所提供的供热控制方法也可以由不同于服务器103且能够与数据库101和/或服务器103通信的服务器或服务器集群执行。相应地,本公开实施例所提供的供热控制装置也可以设置于不同于服务器103且能够与数据库101和/或服务器103通信的服务器或服务器集群中。
在一种示例中,服务器103可以通过网络102从数据库101中获取基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对待评估时间段的供热控制参数。服务器103还可以根据供热控制参数,控制针对供热系统的调度处理。供热策略模型是基于模拟环境参数和供热系统的运行状态参数训练得到的,模拟环境参数包括模拟气象参数和户端预测温度。
应该理解,图1中的数据库、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的数据库、网络和服务器。
本公开实施例提供了一种供热控制方法,下面结合图1的系统架构,参考图2~图5来描述根据本公开示例性实施方式的供热控制方法。本公开实施例的供热控制方法例如可以由图1所示的服务器103来执行。
图2示意性示出了根据本公开一实施例的供热控制方法的流程图。
如图2所示,本公开实施例的供热控制方法200例如可以包括操作S210~操作S220。
在操作S210,根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对待评估时间段的供热控制参数。
在操作S220,根据供热控制参数,控制针对供热系统的调度处理。供热策略模型是基于模拟环境参数和供热系统的运行状态参数训练得到的,模拟环境参数包括模拟气象参数和户端预测温度。
下面详细说明本实施例的供热控制方法的各操作的示例流程。
示例性地,供热系统可以包括热源(例如热媒制备)、热循环系统(例如管网或热媒输送)及散热设备(例如户端暖气片)。供热系统的基本工作原理如下:低温热媒在热源中被加热,在吸收热量后变为高温热媒(高温水或蒸汽)。高温热媒经输送管道被送往至户端,并通过散热设备释放热量,使户端温度升高。高温热媒在散热之后温度降低,变成低温热媒(低温水)。低温热媒经回收管道返回热源,进行循环使用。通过不断将热量从热源送往户端,以补充户端热量损耗,使户端温度基本保持恒定。
热循环系统包括一级管网、二级管网和换热站,热源通过一级管网将热媒传输至换热站,换热站通过二级管网将热媒传输至户端。供热系统的运行状态参数例如可以包括换热站一次侧供水温度、换热站一次侧回水温度、换热站一次侧供水流量、换热站二次侧供水温度、换热站二次侧回水温度、换热站二次侧供水流量。
供热系统的运行状态参数例如可由压力传感器、温度传感器、流量计、水表、电表、热表等设备采集得到。实际应用中,供热系统的运行状态参数可以是通过管网水力计算进行设备选型而确定的参数,因此,供热期间内的供热系统的运行状态参数可认为不会发生改变。
示例性地,根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对待评估时间段的供热控制参数。供热策略模型是基于模拟环境参数和供热系统的运行状态参数训练得到的,模拟环境参数包括模拟气象参数和户端预测温度。户端目标温度可以是由热用户预先设定的户端期望温度。供热策略模型例如可以采用DDPG(Deep Deterministic Policy Gradient,深度确定性策略梯度)模型实现,本实施例对此不进行限制。
模拟环境参数具有特征维度丰富、数据量充裕、获取成本低、获取时间不受限的优势。基于模拟环境参数训练得到的供热策略模型,在泛化能力方面具有显著优势,其能够输出更具参考价值的供热控制策略,有利于提升供热控制的智能化水平,降低供热控制成本。
为生成模拟环境参数中的户端预测温度,可以将基于相同时间段的模拟气象参数和供热系统的运行状态参数作为输入数据。利用经训练的户端模拟模型,基于模拟气象参数和供热系统的运行状态参数进行户端温度预测,得到户端预测温度。户端模拟模型可以是基于历史气象参数、供热系统的运行状态参数和户端实测温度训练得到的。户端模拟模型例如可以采用MLP(Multilayer Perceptron,多层感知器)模型实现,本实施例对此不进行限制。
一种可行的方式,将历史气象参数和供热系统的运行状态参数作为输入数据,将户端实测温度作为输出结果监督数据。通过以有监督方式进行多层感知模型训练,得到用于预测户端温度的户端模拟模型。在户端模拟模型的训练过程中,可以采用方差损失函数作为模型训练中的损失函数。通过预设迭代收敛系数,在损失函数值小于迭代收敛系数的情况下,确定户端模拟模型输出的户端温度预测值与实际测量值的精度偏差小于迭代收敛系数,确定可以结束模型训练,得到用于预测户端温度的户端模拟模型。
历史气象参数可以是以预设频率采集的真实气象参数,例如可以是通过调用由天气数据库提供的API(Application Programming Interface,应用程序接口),以预设频率采集的基于城市粒度的天气数据。气象参数例如可以包括室外环境温度、太阳辐射强度、室外环境风力、室外环境湿度、室外环境气压、室外环境能见度等信息。太阳辐射强度可以包括太阳长波辐射强度和太阳短波辐射强度,室外环境风力可以包括室外环境风速和室外环境风向,室外环境湿度可以包括室外空气湿度和降雨量。
在根据供热控制参数,控制针对供热系统的调度处理时,可以根据供热控制参数,调整供热系统的运行状态参数,例如可以调整运行状态参数中的二次网供水温度。作为其他可行方式,还可以根据供热控制参数,调整供热系统中的热源出力、一次网水流量、供热首站供水温度等其他运行状态参数。
一种可行方式,在由供热系统基于调整后的运行状态参数进行供热之后,确定与热用户关联的户端实测温度。计算户端实测温度与户端目标温度的均方误差,以作为供热策略模型的损失函数值,户端目标温度可以是由热用户预先设定的户端期望温度。在损失函数值大于预设迭代收敛系数的情况下,调整供热策略模型的参数,以实现针对供热策略模型的参数迭代优化。
通过本公开实施例,根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对待评估时间段的供热控制参数,以及根据供热控制参数,控制针对供热系统的调度处理。供热策略模型是基于模拟环境参数和供热系统的运行状态参数训练得到的,模拟环境参数包括模拟气象参数和户端预测温度。
利用经训练的供热策略模型生成针对供热系统的控制策略,供热策略模型是基于模拟环境参数和供热系统的运行状态参数训练得到的。由于模拟环境参数具有数据量大、获取成本低、生成时间不受限的优势,基于模拟环境参数训练得到的供热策略模型具有较好的泛化能力,能够生成更具参考价值的供热控制策略。通过将机器学习方法引入供热控制领域,有利于显著改善供热控制效果,降低供热控制成本。
本实施例提供的供热控制方法可以适用于智慧供热、智慧能源等行业场景,其可以有效解决能源行业中供热控制滞后的问题。通过模拟环境参数的多样性,可以有效解决单一调节策略导致供热效果不佳的问题。通过引入人工智能技术的决策能力,可以有效实现无需过多依赖人工经验的供热控制模式,有利于更好地满足用户的个性化需求。
图3示意性示出了根据本公开一实施例的生成模拟气象参数的方法的流程图。
如图3所示,方法300可以包括操作S310~操作S320。
在操作S310,利用经训练的气象模拟模型,根据输入的随机噪声向量,对经训练学习的气象属性特征进行增强处理,得到增强处理后的气象属性特征向量。
在操作S320,利用气象模拟模型,进行基于增强处理后的气象属性特征向量的气象参数模拟,得到模拟气象参数。气象模拟模型是基于历史气象参数训练得到的,增强处理用于保证气象属性特征向量的唯一性。
下面详细说明本实施例的生成模拟气象参数方法的各操作的示例流程。
示例性地,生成随机噪声向量,并将随机噪声向量作为气象模拟模型的输入数据。随机噪声向量可以是符合预设分布的随机噪声序列,例如可以是符合正态分布的随机高斯白噪声序列。利用经训练的气象模拟模型,根据随机噪声向量,对经训练学习的气象属性特征进行增强处理,得到增强处理后的气象属性特征向量。
气象属性特征可以包括类型属性特征和时序属性特征。类型属性特征指示多种气象类型,气象类型例如可以包括温度、湿度、风力、能见度、太阳辐射强度、气压等类型。不同气象类型的气象参数值指示对应气象类型的天气值。时序属性特征描述气象参数的时间相关性,可用于指示不同气象参数的时间拟合分布情况。
在利用气象模拟模型基于输入的随机噪声向量,进行针对气象属性特征的增强处理时,可以将气象属性特征映射为对应的一维或多维向量。在进行增强处理操作时,例如可以将随机噪声向量与气象属性特征向量进行拼接,得到增强处理后的气象属性特征向量。
增强处理可用于保证气象属性特征向量的唯一性。在基于增强处理后的气象属性特征向量生成模拟气象参数时,在气象属性特征相同、随机噪声不同的情况下,生成的模拟气象参数可以不同。该种设计可以有效保证模拟气象参数的丰富性,增加模拟气象参数的数据量。基于模拟气象参数训练得到的供热策略模型,可以具有较优的泛化能力,并且能够提供更具参考价值的供热控制策略。
图4示意性示出了根据本公开一实施例的训练气象模拟模型的方法的流程图。气象模拟模型包括生成网络和判别网络。
如图4所示,方法400可以包括操作S410~操作S430。
在操作S410,将历史气象参数作为生成网络的输入数据,利用生成网络基于历史气象参数输出噪声气象参数。
在操作S420,将历史气象参数和噪声气象参数作为判别网络的输入数据,利用判别网络识别历史气象参数和噪声气象参数,得到气象参数识别结果。
在操作S430,根据第一损失函数值和第二损失函数值,以反向传播方式调整气象模拟模型的参数,直至满足预设训练终止条件。其中,第一损失函数值与历史气象参数及噪声气象参数相关,第二损失函数值与气象参数识别结果相关。
下面详细说明本实施例的训练气象模拟模型方法的各操作的示例流程。
示例性地,气象模拟模型的生成网络包括编码单元和解码单元。在利用生成网络基于历史气象参数输出噪声气象参数时,可以利用生成网络中的编码单元,进行针对历史气象参数的类型属性特征提取和时序属性特征提取,得到气象属性特征。利用生成网络中的解码单元,进行基于气象属性特征的气象参数模拟,得到噪声气象参数。历史气象参数可以是以预设频率采集的真实气象参数,以历史气象参数为输入数据,训练气象模拟模型进行气象参数模拟的能力,实现利用气象模拟模型生成模拟气象参数,得到用于训练供热策略模型的模拟环境参数。
一种可行的方式,生成网络中的编码单元可以包括卷积神经网络(CNN)层和长短时记忆网络(LSTM)层。卷积神经网络层可用于提取历史气象参数中的类型属性特征,长短时记忆网络层可用于提取历史气象参数中的时序属性特征,类型属性特征和时序属性特征构成气象属性特征。
另一可行的方式,生成网络中的编码单元可以包括长短时记忆网络(LSTM)层和区域卷积神经网络(R-CNN)层。编码单元基于输入的气象属性特征,进行气象参数模拟并输出噪声气象参数。噪声气象参数可被认为是由生成网络生成的模拟气象参数,针对生成网络的训练目标在于使其能够生成更加真实的气象参数。
在利用判别网络识别历史气象参数和噪声气象参数时,可以利用判别网络计算历史气象参数和噪声气象参数之间的概率分布距离(例如,可以是Wasserstein距离)。利用判别网络基于概率分布距离,输出对应气象参数属于真实气象参数的概率,得到气象参数识别结果。
根据历史气象参数和噪声气象参数,计算与生成网络关联的第一损失函数值。根据气象参数识别结果,计算与判别网络关联的第二损失函数值。结合第一损失函数值和第二损失函数值,以反向传播方式进行针对气象模拟模型的参数优化,以使生成网络能够生成更加真实的模拟气象参数,判别网络能够更加准确地识别真实气象参数和模拟气象参数,以达到对抗优化的目的。
在判别网络不收敛的情况下,表征其能够识别气象参数的真伪,需要重复上述过程继续进行训练。在判别网络收敛的情况下,表征其已无法识别气象参数的真伪,说明由生成网络生成的模拟气象参数与真实气象参数已非常逼近,可以将生成网络作为训练完成的气象模拟模型的气象参数生成器。在气象模拟模型的训练过程中,可以对判别网络进行权重裁剪处理,将判别网络的权重限制在预设范围内,以防止出现模型梯度不稳定或梯度消失的问题,从而缓解气象模拟模型训练不稳定或训练困难的问题,以及协调生成网络与判别网络的训练程度。作为其他可行的方式,还可以在判别网络的损失函数中引入L2-范数的约束,保证判别网络的权重不致过大,以防止出现模型过拟合的问题。本公开实施例不对此进行限制。
图5A示意性示出了根据本公开一实施例的供热控制过程的示意图。
如图5A所示,利用经训练的供热策略模型5A1基于输入数据5A11,生成供热控制参数5A12,供热控制参数5A12用于指导控制针对供热系统的调度处理。用于输入供热策略模型5A1的输入数据5A11可以包括预测气象参数、供热系统的运行状态参数和户端目标温度。供热策略模型5A1是基于训练数据5A13训练得到的,训练数据5A13可以包括模拟气象参数、供热系统的运行状态参数和户端预测温度。模拟气象参数和户端预测温度构成模拟环境参数。
模拟环境参数中的模拟气象参数是由经训练的气象模拟模型5A2生成的,气象模拟模型5A2基于输入数据5A21,生成模拟气象参数,输入数据5A21可以包括随机噪声向量。气象模拟模型5A2是基于训练数据5A22训练得到的,训练数据5A22可以包括历史气象参数。
模拟环境参数中的户端预测温度是由经训练的户端模拟模型5A3生成的,户端模拟模型5A3基于输入数据5A31,生成户端预测温度,输入数据5A31可以包括模拟气象参数和供热系统的运行状态参数。户端模拟模型5A3是基于训练数据5A32训练得到的,训练数据5A32可以包括历史气象参数、供热系统的运行状态参数和户端实测温度。
利用机器学习方法生成用于训练供热策略模型的模拟环境参数,生成的模拟环境参数具有数据量大、指标维度丰富、生成成本低、生成时间不受限的优势。基于模拟环境参数训练得到的供热策略模型具有较优的泛化能力,能够输出更具参考价值的供热控制策略,有利于显著改善供热控制效果,以及有效降低供热控制成本。通过将机器学习方法引入供热控制领域,有利于有效提升供热控制领域的智能化水平,能够有效减少过度依赖人力调节导致的资源投入与人力消耗。
图5B示意性示出了根据本公开另一实施例的供热控制过程的示意图。
如图5B所示,在利用经训练的供热策略模型5B1进行供热控制时,用于输入供热策略模型5B1的控制依据参数可以包括气象参数5B2和状态参数5B3。气象参数5B2例如可以包括室外环境温度、太阳辐射强度、室外环境风力、室外环境湿度、室外环境气压等参数,状态参数5B3例如可以包括户端温度和供热系统的运行状态参数。
供热策略模型5B1基于气象参数5B2和状态参数5B3,输出针对供热系统的供热控制参数,供热控制参数用于指导生成相应的供热系统调度策略5B4。在基于供热系统调度策略5B4进行供热控制之后,获取户端反馈数据5B5,并将户端反馈数据5B5所指示的户端温度继续作为供热控制的控制依据参数,以此实现闭环反馈模式的供热控制方法。该种设计可以有效改善供热控制效果,提升供热控制的智能化水平。
图6示意性示出了根据本公开一实施例的供热控制装置的框图。
如图6所示,本公开实施例的供热控制装置600例如包括第一处理模块610和第二处理模块620。
第一处理模块601,用于根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对待评估时间段的供热控制参数。第二处理模块602,用于根据供热控制参数,控制针对供热系统的调度处理。供热策略模型是基于模拟环境参数和供热系统的运行状态参数训练得到的,模拟环境参数包括模拟气象参数和户端预测温度。
通过本公开实施例,根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对待评估时间段的供热控制参数,以及根据供热控制参数,控制针对供热系统的调度处理。供热策略模型是基于模拟环境参数和供热系统的运行状态参数训练得到的,模拟环境参数包括模拟气象参数和户端预测温度。
利用经训练的供热策略模型生成针对供热系统的控制策略,供热策略模型是基于模拟环境参数和供热系统的运行状态参数训练得到的。由于模拟环境参数具有数据量大、获取成本低、生成时间不受限的优势,基于模拟环境参数训练得到的供热策略模型具有较好的泛化能力,能够生成更具参考价值的供热控制策略。通过将机器学习方法引入供热控制领域,有利于显著改善供热控制效果,降低供热控制成本。
根据本公开的实施例,该装置还包括第三处理模块,用于生成模拟气象参数。第三处理模块包括:第一处理子模块,用于利用经训练的气象模拟模型,根据输入的随机噪声向量,对经训练学习的气象属性特征进行增强处理,得到增强处理后的气象属性特征向量;第二处理子模块,用于利用气象模拟模型,进行基于增强处理后的气象属性特征向量的气象参数模拟,得到模拟气象参数。气象模拟模型是基于历史气象参数训练得到的,增强处理用于保证气象属性特征向量的唯一性。
根据本公开的实施例,该装置还包括第四处理模块,用于训练气象模拟模型,气象模拟模型包括生成网络和判别网络。第四处理模块包括:第三处理子模块,用于将历史气象参数作为生成网络的输入数据,利用生成网络基于历史气象参数输出噪声气象参数;第四处理子模块,用于将历史气象参数和噪声气象参数作为判别网络的输入数据,利用判别网络识别历史气象参数和噪声气象参数,得到气象参数识别结果;第五处理子模块,根据第一损失函数值和第二损失函数值,以反向传播方式调整气象模拟模型的参数,直至满足预设训练终止条件。其中,第一损失函数值与历史气象参数及噪声气象参数相关,第二损失函数值与气象参数识别结果相关。
根据本公开的实施例,生成网络包括编码单元和解码单元,第三处理子模块包括:第一处理单元,用于利用生成网络中的编码单元,进行针对历史气象参数的类型属性特征提取和时序属性特征提取,得到气象属性特征;第二处理单元,用于利用生成网络中的解码单元,进行基于气象属性特征的气象参数模拟,得到噪声气象参数。
根据本公开的实施例,第四处理子模块包括:第三处理单元,用于利用判别网络计算历史气象参数和噪声气象参数之间的概率分布距离;第四处理单元,用于利用判别网络基于概率分布距离,输出对应气象参数属于真实气象参数的概率,得到气象参数识别结果。
根据本公开的实施例,该装置还包括第五处理模块,用于生成户端预测温度,第五处理模块包括:第六处理子模块,用于利用经训练的户端模拟模型,根据输入的基于相同时间段的模拟气象参数和供热系统的运行状态参数,进行户端温度预测,得到户端预测温度,其中,户端模拟模型是基于历史气象参数、供热系统的运行状态参数和户端实测温度训练得到的。
根据本公开的实施例,第二处理模块包括:第七处理子模块,用于根据供热控制参数,调整供热系统的运行状态参数;装置还包括:第六处理模块,用于调整供热策略模型的参数,第六处理模块包括:第八处理子模块,用于在由供热系统基于调节后的运行状态参数进行供热之后,确定户端实测温度;第九处理子模块,用于根据户端实测温度和户端目标温度,计算供热策略模型的第三损失函数值;第十处理子模块,用于在确定第三损失函数值大于预设迭代收敛系数的情况下,调整供热策略模型的参数。
根据本公开的实施例,气象参数可以包括室外环境温度、太阳辐射强度、室外环境风力、室外环境湿度、室外环境气压中的至少之一。供热系统的运行状态参数可以包括换热站一次侧供水温度、换热站一次侧回水温度、换热站一次侧供水流量、换热站二次侧供水温度、换热站二次侧回水温度、换热站二次侧供水流量中的至少之一。
根据本公开的实施例,第七处理子模块,用于根据供热控制参数,调整运行状态参数中的换热站二次侧供水温度。
应注意,本公开的技术方案中,所涉及的信息收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示意性示出了用于实现本公开实施例的供热控制方法的电子设备的框图。
电子设备700旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如供热控制方法。例如,在一些实施例中,供热控制方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时,可以执行上文描述的供热控制方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行供热控制方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种供热控制方法,包括:
根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对所述待评估时间段的供热控制参数;以及
根据所述供热控制参数,控制针对所述供热系统的调度处理,
其中,所述供热策略模型是基于模拟环境参数和所述供热系统的运行状态参数训练得到的,所述模拟环境参数包括模拟气象参数和户端预测温度。
2.根据权利要求1所述的方法,其中,所述模拟气象参数是通过以下操作生成的:
利用经训练的气象模拟模型,根据输入的随机噪声向量,对经训练学习的气象属性特征进行增强处理,得到增强处理后的气象属性特征向量;以及
利用所述气象模拟模型,进行基于所述增强处理后的气象属性特征向量的气象参数模拟,得到所述模拟气象参数,
其中,所述气象模拟模型是基于历史气象参数训练得到的,所述增强处理用于保证所述气象属性特征向量的唯一性。
3.根据权利要求2所述的方法,其中,所述气象模拟模型包括生成网络和判别网络,所述气象模拟模型是通过以下操作训练得到的:
将所述历史气象参数作为所述生成网络的输入数据,利用所述生成网络基于所述历史气象参数输出噪声气象参数;
将所述历史气象参数和所述噪声气象参数作为所述判别网络的输入数据,利用所述判别网络识别所述历史气象参数和所述噪声气象参数,得到气象参数识别结果;
根据第一损失函数值和第二损失函数值,以反向传播方式调整所述气象模拟模型的参数,直至满足预设训练终止条件,
其中,所述第一损失函数值与所述历史气象参数及所述噪声气象参数相关,第二损失函数值与所述气象参数识别结果相关。
4.根据权利要求3所述的方法,其中,所述生成网络包括编码单元和解码单元,所述利用所述生成网络基于所述历史气象参数输出噪声气象参数,包括:
利用所述生成网络中的编码单元,进行针对所述历史气象参数的类型属性特征提取和时序属性特征提取,得到气象属性特征;
利用所述生成网络中的解码单元,进行基于所述气象属性特征的气象参数模拟,得到所述噪声气象参数。
5.根据权利要求3所述的方法,其中,所述利用所述判别网络识别所述历史气象参数和所述噪声气象参数,得到气象参数识别结果,包括:
利用所述判别网络计算所述历史气象参数和所述噪声气象参数之间的概率分布距离;
利用所述判别网络基于所述概率分布距离,输出对应气象参数属于真实气象参数的概率,得到所述气象参数识别结果。
6.根据权利要求1所述的方法,其中,所述户端预测温度是通过以下操作生成的:
利用经训练的户端模拟模型,根据输入的基于相同时间段的模拟气象参数和所述供热系统的运行状态参数,进行户端温度预测,得到所述户端预测温度,
其中,所述户端模拟模型是基于历史气象参数、所述供热系统的运行状态参数和户端实测温度训练得到的。
7.根据权利要求1所述的方法,其中,所述根据所述供热控制参数,控制针对所述供热系统的调度处理,包括:
根据所述供热控制参数,调整所述供热系统的运行状态参数;
所述方法还包括:在由所述供热系统基于调整后的运行状态参数进行供热之后,确定户端实测温度;
根据所述户端实测温度和所述户端目标温度,计算所述供热策略模型的第三损失函数值;以及
在确定所述第三损失函数值大于预设迭代收敛系数的情况下,调整所述供热策略模型的参数。
8.根据权利要求7所述的方法,其中,
所述气象参数包括室外环境温度、太阳辐射强度、室外环境风力、室外环境湿度、室外环境气压中的至少之一;
所述供热系统的运行状态参数包括换热站一次侧供水温度、换热站一次侧回水温度、换热站一次侧供水流量、换热站二次侧供水温度、换热站二次侧回水温度、换热站二次侧供水流量中的至少之一。
9.根据权利要求8所述的方法,其中,所述根据所述供热控制参数,调整所述供热系统的运行状态参数,包括:
根据所述供热控制参数,调整所述运行状态参数中的换热站二次侧供水温度。
10.一种供热控制装置,包括:
第一处理模块,用于根据基于待评估时间段的预测气象参数、供热系统的运行状态参数和户端目标温度,利用经训练的供热策略模型生成针对所述待评估时间段的供热控制参数;以及
第二处理模块,用于根据所述供热控制参数,控制针对所述供热系统的调度处理,
其中,所述供热策略模型是基于模拟环境参数和所述供热系统的运行状态参数训练得到的,所述模拟环境参数包括模拟气象参数和户端预测温度。
11.根据权利要求10所述的装置,其中,所述装置还包括第三处理模块,用于生成所述模拟气象参数,所述第三处理模块包括:
第一处理子模块,用于利用经训练的气象模拟模型,根据输入的随机噪声向量,对经训练学习的气象属性特征进行增强处理,得到增强处理后的气象属性特征向量;
第二处理子模块,用于利用所述气象模拟模型,进行基于所述增强处理后的气象属性特征向量的气象参数模拟,得到所述模拟气象参数,
其中,所述气象模拟模型是基于历史气象参数训练得到的,所述增强处理用于保证所述气象属性特征向量的唯一性。
12.根据权利要求11所述的装置,其中所述装置还包括第四处理模块,用于训练所述气象模拟模型,所述气象模拟模型包括生成网络和判别网络,所述第四处理模块包括:
第三处理子模块,用于将所述历史气象参数作为所述生成网络的输入数据,利用所述生成网络基于所述历史气象参数输出噪声气象参数;
第四处理子模块,用于将所述历史气象参数和所述噪声气象参数作为所述判别网络的输入数据,利用所述判别网络识别所述历史气象参数和所述噪声气象参数,得到气象参数识别结果;
第五处理子模块,根据第一损失函数值和第二损失函数值,以反向传播方式调整所述气象模拟模型的参数,直至满足预设训练终止条件;
其中,所述第一损失函数值与所述历史气象参数及所述噪声气象参数相关,第二损失函数值与所述气象参数识别结果相关。
13.根据权利要求12所述的装置,其中,所述生成网络包括编码单元和解码单元,所述第三处理子模块包括:
第一处理单元,用于利用所述生成网络中的编码单元,进行针对所述历史气象参数的类型属性特征提取和时序属性特征提取,得到气象属性特征;
第二处理单元,用于利用所述生成网络中的解码单元,进行基于所述气象属性特征的气象参数模拟,得到所述噪声气象参数。
14.根据权利要求12所述的装置,其中,所述第四处理子模块包括:
第三处理单元,用于利用所述判别网络计算所述历史气象参数和所述噪声气象参数之间的概率分布距离;
第四处理单元,用于利用所述判别网络基于所述概率分布距离,输出对应气象参数属于真实气象参数的概率,得到所述气象参数识别结果。
15.根据权利要求10所述的装置,其中,所述装置还包括第五处理模块,用于生成所述户端预测温度,所述第五处理模块包括:
第六处理子模块,用于利用经训练的户端模拟模型,根据输入的基于相同时间段的模拟气象参数和所述供热系统的运行状态参数,进行户端温度预测,得到所述户端预测温度,
其中,所述户端模拟模型是基于历史气象参数、所述供热系统的运行状态参数和户端实测温度训练得到的。
16.根据权利要求10所述的装置,其中,所述第二处理模块包括:
第七处理子模块,用于根据所述供热控制参数,调整所述供热系统的运行状态参数;
所述装置还包括:第六处理模块,用于调整所述供热策略模型的参数,所述第六处理模块包括:
第八处理子模块,用于在由所述供热系统基于调节后的运行状态参数进行供热之后,确定户端实测温度;
第九处理子模块,用于根据所述户端实测温度和所述户端目标温度,计算所述供热策略模型的第三损失函数值;以及
第十处理子模块,用于在确定所述第三损失函数值大于预设迭代收敛系数的情况下,调整所述供热策略模型的参数。
17.根据权利要求16所述的装置,其中,
所述气象参数包括室外环境温度、太阳辐射强度、室外环境风力、室外环境湿度、室外环境气压中的至少之一;
所述供热系统的运行状态参数包括换热站一次侧供水温度、换热站一次侧回水温度、换热站一次侧供水流量、换热站二次侧供水温度、换热站二次侧回水温度、换热站二次侧供水流量中的至少之一。
18.根据权利要求17所述的装置,其中,所述第七处理子模块,用于:
根据所述供热控制参数,调整所述运行状态参数中的换热站二次侧供水温度。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156101.4A CN113776122B (zh) | 2021-09-29 | 2021-09-29 | 供热控制方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156101.4A CN113776122B (zh) | 2021-09-29 | 2021-09-29 | 供热控制方法、装置、设备、介质和产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113776122A true CN113776122A (zh) | 2021-12-10 |
CN113776122B CN113776122B (zh) | 2022-08-12 |
Family
ID=78854420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111156101.4A Active CN113776122B (zh) | 2021-09-29 | 2021-09-29 | 供热控制方法、装置、设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113776122B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293040A (zh) * | 2022-08-04 | 2022-11-04 | 北京百度网讯科技有限公司 | 深度学习模型的训练、换热特性数据的确定以及退火方法 |
CN115875730A (zh) * | 2022-12-23 | 2023-03-31 | 吉林化工学院 | 一种用于城市供热的智能温度控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017253A (zh) * | 2012-12-06 | 2013-04-03 | 鞍山市海汇自动化有限公司 | 一种集中供热全网热平衡控制方法 |
CN105674390A (zh) * | 2016-01-22 | 2016-06-15 | 张凡 | 一种集中供热系统动态水力平衡调节方法 |
CN105910169A (zh) * | 2016-04-27 | 2016-08-31 | 常州英集动力科技有限公司 | 基于机理模型预测控制的城市供热系统热网调节方法及系统 |
CN108592165A (zh) * | 2018-03-13 | 2018-09-28 | 沈阳久沃能源科技有限公司 | 一种换热站系统优化控制方法 |
KR101945980B1 (ko) * | 2018-05-21 | 2019-04-17 | 제이에스정밀 주식회사 | 바닥 난방 분배시스템 |
CN111025895A (zh) * | 2019-04-21 | 2020-04-17 | 贾继刚 | 一种基于人工智能的建筑节能控制系统 |
CN111023224A (zh) * | 2019-12-05 | 2020-04-17 | 珠海横琴能源发展有限公司 | 一种供冷/热管网水力失调的控制方法及系统 |
KR102183942B1 (ko) * | 2019-12-17 | 2020-11-27 | 뉴브로드테크놀러지(주) | 바닥난방의 효율성 향상을 위한 건물 난방제어 장치 및 방법 |
CN113110057A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的热力站节能控制方法及智能决策系统 |
-
2021
- 2021-09-29 CN CN202111156101.4A patent/CN113776122B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017253A (zh) * | 2012-12-06 | 2013-04-03 | 鞍山市海汇自动化有限公司 | 一种集中供热全网热平衡控制方法 |
CN105674390A (zh) * | 2016-01-22 | 2016-06-15 | 张凡 | 一种集中供热系统动态水力平衡调节方法 |
CN105910169A (zh) * | 2016-04-27 | 2016-08-31 | 常州英集动力科技有限公司 | 基于机理模型预测控制的城市供热系统热网调节方法及系统 |
CN108592165A (zh) * | 2018-03-13 | 2018-09-28 | 沈阳久沃能源科技有限公司 | 一种换热站系统优化控制方法 |
KR101945980B1 (ko) * | 2018-05-21 | 2019-04-17 | 제이에스정밀 주식회사 | 바닥 난방 분배시스템 |
CN111025895A (zh) * | 2019-04-21 | 2020-04-17 | 贾继刚 | 一种基于人工智能的建筑节能控制系统 |
CN111023224A (zh) * | 2019-12-05 | 2020-04-17 | 珠海横琴能源发展有限公司 | 一种供冷/热管网水力失调的控制方法及系统 |
KR102183942B1 (ko) * | 2019-12-17 | 2020-11-27 | 뉴브로드테크놀러지(주) | 바닥난방의 효율성 향상을 위한 건물 난방제어 장치 및 방법 |
CN113110057A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的热力站节能控制方法及智能决策系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293040A (zh) * | 2022-08-04 | 2022-11-04 | 北京百度网讯科技有限公司 | 深度学习模型的训练、换热特性数据的确定以及退火方法 |
CN115875730A (zh) * | 2022-12-23 | 2023-03-31 | 吉林化工学院 | 一种用于城市供热的智能温度控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113776122B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113776122B (zh) | 供热控制方法、装置、设备、介质和产品 | |
AU2021240155A9 (en) | Control Pulse Generation Method, Apparatus, System, Device And Storage Medium | |
CN113408743A (zh) | 联邦模型的生成方法、装置、电子设备和存储介质 | |
US20230136303A1 (en) | Method of training model, method of predicting trajectory, and electronic device | |
CN113159835B (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
CN112766596A (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
CN115630651B (zh) | 文本生成方法和文本生成模型的训练方法、装置 | |
CN112561199A (zh) | 天气参数预测模型训练方法、天气参数预测方法及装置 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
Yu et al. | Short-term cooling and heating loads forecasting of building district energy system based on data-driven models | |
Kong et al. | Real-time pricing method for VPP demand response based on PER-DDPG algorithm | |
WO2024056051A1 (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
CN113283222A (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
CN115833101B (zh) | 电力调度方法、装置、电子设备和存储介质 | |
CN116128148A (zh) | 光伏电站出力预测网络训练方法、预测方法、装置及设备 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN116054135A (zh) | 微电网无功功率预测方法、装置、电子设备及存储介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN114492641A (zh) | 电力负荷预测方法、装置、设备及存储介质 | |
CN113408808A (zh) | 训练方法、数据生成方法、装置、电子设备以及存储介质 | |
Li et al. | Deep intelligence-driven efficient forecasting for the agriculture economy of computational social systems | |
CN113554280A (zh) | 电网系统调度模型的训练方法、装置、设备和存储介质 | |
Nie et al. | Technological innovation management for sustainable energy development associated with industrial development and legal duties |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |