CN114881382A - 一种用于供热需求负荷自主预测的优化调节方法 - Google Patents
一种用于供热需求负荷自主预测的优化调节方法 Download PDFInfo
- Publication number
- CN114881382A CN114881382A CN202210817824.2A CN202210817824A CN114881382A CN 114881382 A CN114881382 A CN 114881382A CN 202210817824 A CN202210817824 A CN 202210817824A CN 114881382 A CN114881382 A CN 114881382A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- load
- heating
- heat load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000010438 heat treatment Methods 0.000 claims description 185
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种用于供热需求负荷自主预测的优化调节方法,包括:获取对热负荷影响的目标影响因素,并对目标影响因素进行数据记录,确定第一样本数据;记录目标时间段内的热负荷数据,并将热负荷数据作为第二样本数据;根据所述第一样本数据与所述第二样本数据构建负荷预测模型;根据所述负荷预测模型对目标场景中的热负荷进行预测,并根据预测结果确定供热温度调节指令,同时,根据所述供热温度调节指令对所述目标场景的供热温度进行优化调节。通过预测模型对目标场景的热负荷进行准确可靠的预测,且根据预测结果对目标场景的供热温度进行实时优化,提高了对目标场景的供热负荷预测的准确率,保障了对目标场景的供热效果。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种用于供热需求负荷自主预测的优化调节方法。
背景技术
目前,随着社会的进步和发展,人们生活水平不断提高,城市的集中供热发展迅猛;距统计城市集中供热的能耗已占到建筑能耗的65%。由于技术上的进步较慢,使我国的集中供热用能效率较低;近年来,在我国对集中供热的节能改造、精细化管理已取得了可喜的成绩;
然而,对集中供热系统的节能问题还有很大潜力,特别是运行调节方面,还有很多工作要做,因此,为了提高对热负荷的管控效率以及供热的运行调节,本发明提供了一种用于供热需求负荷自主预测的优化调节方法。
发明内容
本发明提供一种用于供热需求负荷自主预测的优化调节方法,用以通过对热负荷的影响因素以及目标场景在目标时间段内的热负荷数据进行分析,实现对预测模型进行准确有效的搭建,并通过搭建的预测模型对目标场景的热负荷进行准确可靠的预测,且根据预测结果对目标场景的供热温度进行实时优化,提高了对目标场景的供热负荷预测的准确率,保障了对目标场景的供热效果。
本发明提供了一种用于供热需求负荷自主预测的优化调节方法,包括:
步骤1:获取对热负荷影响的目标影响因素,并对目标影响因素进行数据记录,确定第一样本数据;
步骤2:记录目标时间段内的热负荷数据,并将热负荷数据作为第二样本数据;
步骤3:根据所述第一样本数据与所述第二样本数据构建负荷预测模型;
步骤4:根据所述负荷预测模型对目标场景中的热负荷进行预测,并根据预测结果确定供热温度调节指令,且根据所述供热温度调节指令对所述目标场景的供热温度进行优化调节。
优选的,一种用于供热需求负荷自主预测的优化调节方法,步骤1中,获取对热负荷影响的目标影响因素,包括:
获取对热负荷影响的第一影响因素集,并在所述第一影响因素集中确定每一个影响因素下对应的热负荷数据;
基于所述每一个影响因素下对应的热负荷数据建立数据观测函数,同时,根据所述数据观测函数确定在所述第一影响因素集中热负荷数据的第一波动幅值;
设定幅值区间,并在所述第一波动幅值中摘取在所述幅值区间内的第二波动幅值;
获取所述第二波动幅值对应的第二影响因素集,并将所述第二影响因素集作为所述对所述热负荷影响的目标影响因素。
优选的,一种用于供热需求负荷自主预测的优化调节方法,获取对热负荷影响的第一影响因素集,包括:
获取供热系统的管理终端,并将所述热负荷作为目标标识;
根据所述目标标识在所述供热系统的管理终端匹配对应的数据管理库;
在所述数据管理库中调取关于对所述热负荷影响的第一影响因素集。
优选的,一种用于供热需求负荷自主预测的优化调节方法,步骤2中,记录目标时间段内的热负荷数据之后,包括:
获取对所述热负荷数据进行记录的记录时段,并基于所述记录时段以及所述热负荷数据生成目标矩阵;
对所述目标矩阵进行计算,确定所述目标矩阵的矩阵偏移率;
获取经验值,并将所述矩阵偏移率与所述经验值进行比较,判断所述热负荷数据是否存在伪数据;
当所述矩阵偏移率小于或等于所述经验值时,则判定所述热负荷数据不存在伪数据,同时,保留所述热负荷数据;
否则,则判定所述热负荷数据中存在伪数据,并对所述伪数据进行修正。
优选的,一种用于供热需求负荷自主预测的优化调节方法,对所述伪数据进行修正,包括:
当所述热负荷数据中存在伪数据时,获取所述热负荷数据的数据特征,并基于所述数据特征确定数据遍历条件;
获取所述热负荷数据的数据量,同时,根据所述热负荷数据的数据量以及所述热负荷数据的数据特征确定对所述热负荷数据进行遍历的遍历步长;
基于所述遍历条件与所述遍历步长确定遍历算法;
根据所述遍历算法对所述热负荷数据进行数据遍历,并基于遍历结果确定所述伪数据,并将所述伪数据在所述热负荷数据中进行标注;
基于标注结果确定所述伪数据在所述热负荷数据的目标位置;
获取所述目标位置之前的第一热负荷数据与所述目标位置之后的第二热负荷数据;
基于所述热负荷数据的数据特征并结合所述第一热负荷数据与所述第二热负荷数据对所述伪数据进行修正;
基于修正结果更新所述热负荷数据。
优选的,一种用于供热需求负荷自主预测的优化调节方法,步骤3中,根据所述第一样本数据与所述第二样本数据构建负荷预测模型,包括:
分别读取所述第一样本数据与所述第二样本数据,确定所述第一样本数据对应的第一数据类型以及所述第二样本数据对应的第二数据类型;
对所述第一数据类型与所述第二数据类型进行第一分析,确定所述第一数据类型与所述第二数据类型之间的第一关联关系;
基于所述第一关联关系,确定第一方式,并基于所述第一方式对所述第一样本数据与所述第二样本数据进行第二分析,分别获取所述第一样本数据的第一数据特征与所述第二样本数据的第二数据特征;
基于所述第一数据特征与所述第二数据特征,确定所述第一样本数据与所述第二样本数据的第二关联关系;
获取与所述第一方式不同的第二方式,并基于所述第二方式对所述第一样本数据与所述第二样本数据进行第三分析,确定所述第一样本数据的第三数据特征与所述第二样本数据的第四数据特征;
根据所述第三数据特征与所述第四数据特征确定所述第一样本数据与所述第二样本数据的第三关联关系;
基于所述第一关联关系、第二关联关系以及所述第三关联关系生成对所述目标场景的热负荷进行预测的负荷预测模型。
优选的,一种用于供热需求负荷自主预测的优化调节方法,步骤3中,所述负荷预测模型包括:
数据输入层、中间层以及数据输出层;
其中,所述数据输入层,用于接收待预测数据;
所述中间层,用于对所述待预测数据进行分析;
所述数据输出层,用于基于分析结果输出预测数据。
优选的,一种用于供热需求负荷自主预测的优化调节方法,还包括:
S1:获取第一历史时刻的环境影响数据以及第一热负荷数据,同时,确定第二历史时刻的第二热负荷数据,其中,所述第二历史时刻大于所述第一历史时刻;
S2:基于所述负荷预测模型中的数据输入层对所述第一历史时刻中的环境影响数据与所述第一热负荷数据进行接收,并将所述环境影响数据与所述第一热负荷数据传输至所述中间层中进行数据分析,同时,将数据分析结果基于所述数据输出层输出第二历史时刻的预测热负荷数据;
S3:将所述预测热负荷数据与所述第二热负荷数据进行比较,判断所述负荷预测模型是否存在偏差;
当所述预测热负荷数据与所述第二热负荷数据一致时,则判定所述负荷预测模型不存在偏差;
否则,则判定所述负荷预测模型存在偏差;
S4:当负荷预测模型存在偏差时,将所述预测热负荷数据与所述第二热负荷数据反向传输至所述负荷预测模型的数据输出层,并根据误差梯度下降法确定所述数据输出层的第一权值、中间层的第二权值以及所述数据输入层的第三权值;
S5:基于所述第一权值、第二权值以及所述第三权值分别对所述数据输出层、中间层以及所述数据输入层进行修正,并基于获得修正后的负荷预测模型;
S6:将所述第一热负荷数据与所述环境影响数据重新输入至修正后的负荷预测模型中,并重复步骤S2-S5,直至输出的预测热负荷数据与所述第二热负荷数据一致时,完成对所述负荷预测模型的修正。
优选的,一种用于供热需求负荷自主预测的优化调节方法,步骤4中,根据所述负荷预测模型对目标场景中的热负荷进行预测,并根据预测结果确定供热温度调节指令,包括:
读取预测结果,确定预测热负荷数据,同时,获取所述目标场景当前的回水温度以及回水流量;
在所述目标场景当前的回水温度以及回水流量一定的基础上,根据所述预测热负荷数据对所述目标场景的供水温度进行评估;
基于评估结果确定目标供水温度;
基于所述目标场景当前的回水温度与所述目标供水温度生成所述温度调节指令。
优选的,一种用于供热需求负荷自主预测的优化调节方法,步骤4中,根据所述供热温度调节指令对所述目标场景的供热温度进行优化调节,包括:
将所述供热温度调节指令传输至供热控制终端,并基于所述供热温度调节指令确定供热阈值;
基于所述供热控制终端控制目标供热设备进行升温操作,当所述目标场景的温度达到所述供热阈值时,控制所述目标供热设备停止工作;
其中,在对所述目标供热设备进行升温操作时,计算所述目标供热设备的阻力系数,并根据所述供热设备的阻力系数计算所述目标供热设备的阻力损失,根据所述阻力损失评估所述目标供热设备的工作性能,具体过程为:
获取所述目标供热设备的管段长度,并基于所述目标供热设备的管段长度计算所述目标供热设备的阻力系数;
其中,表示所述目标供热设备的阻力系数;表示常数,取值为1.12;n表示所述目标供热设备的管段长度的平均分割段;表示第i个分割段的粗糙衰变量,且取值范围为[-0.1,0.1];表示所述目标供热设备的初始系数;
基于所述目标供热设备的阻力系数,计算所述目标供热设备的阻力损失;
其中,表示所述目标供热设备的阻力损失;表示所述目标供热设备的摩擦系数;表示热媒密度;表示热媒在所述目标供热设备内的传播速度;表示热媒在所述目标供热设备中每米长度的摩擦压力损失;d表示所述目标供热设备的管段直径;
将所述目标供热设备的阻力损失与阻力损失阈值进行比较,判断所述目标供热设备的供热性能;
当所述目标供热设备的阻力损失小于所述阻力损失阈值时,则判定所述目标供热设备的供热性能为第一等级;
当所述目标供热设备的阻力损失等于所述阻力损失阈值时,则判定所述目标供热设备的供热性能为第二等级;
当所述目标供热设备的阻力损失大于所述阻力损失阈值时,则判定所述目标供热设备的供热性能为第三等级,且当所述目标供热设备的供热性能为第三等级时,则进行报警操作。
本发明的其它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可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种用于供热需求负荷自主预测的优化调节方法的流程图;
图2为本发明实施例中一种用于供热需求负荷自主预测的优化调节方法中步骤1的流程图;
图3为本发明实施例中一种用于供热需求负荷自主预测的优化调节方法中步骤2的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,如图1所示,包括:
步骤1:获取对热负荷影响的目标影响因素,并对目标影响因素进行数据记录,确定第一样本数据;
步骤2:记录目标时间段内的热负荷数据,并将热负荷数据作为第二样本数据;
步骤3:根据所述第一样本数据与所述第二样本数据构建负荷预测模型;
步骤4:根据所述负荷预测模型对目标场景中的热负荷进行预测,并根据预测结果确定供热温度调节指令,且根据所述供热温度调节指令对所述目标场景的供热温度进行优化调节。
该实施例中,热负荷可以是是燃料在燃烧器中(如燃气具、燃气热水器、燃气取暖炉)燃烧时单位时间内所释放的热量。
该实施例中,目标影响因素可以是影响热负荷取值大小的干扰因素,具体可以是外界气温、供热管网的长度以及供热管对热量的损耗量等。
该实施例中,第一样本数据可以是对热负荷影响的影响因素进行记录后得到的数据信息。
该实施例中,目标时间段是提前设定好的,用于记录一定时间长度内用户对热负荷的需求量。
该实施例中,第二样本数据可以是将一定时间段内的热负荷数据进行记录后得到的数据信息。
该实施例中,负荷预测模型可以是根据外界影响因素以及当前供热时长和燃料量等对一定时间段内的热负荷进行预测,且负荷预测模型进行预测时,输入值为当前环境影响数据以及当前热负荷数据,输出值为:下一时刻的热负荷数据。
该实施例中,供热温度调节指令可以是用于对热负荷进行调节,使得产生的热负荷与用户需求相一致,从而达到节能的目的。
该实施例中,目标场景指的是需要供热的场所,具体为居民楼、厂房或是公寓楼等。
上述技术方案的有益效果是:通过对热负荷的影响因素以及目标场景在目标时间段内的热负荷数据进行分析,实现对预测模型进行准确有效的搭建,并通过搭建的预测模型对目标场景的热负荷进行准确可靠的预测,且根据预测结果对目标场景的供热温度进行实时优化,提高了对目标场景的供热负荷预测的准确率,保障了对目标场景的供热效果。
实施例2:
在实施例1的基础上,本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,如图2所示,步骤1中,获取对热负荷影响的目标影响因素,包括:
步骤101:获取对热负荷影响的第一影响因素集,并在所述第一影响因素集中确定每一个影响因素下对应的热负荷数据;
步骤102:基于所述每一个影响因素下对应的热负荷数据建立数据观测函数,同时,根据所述数据观测函数确定在所述第一影响因素集中热负荷数据的第一波动幅值;
步骤103:设定幅值区间,并在所述第一波动幅值中摘取在所述幅值区间内的第二波动幅值;
步骤104:获取所述第二波动幅值对应的第二影响因素集,并将所述第二影响因素集作为所述对所述热负荷影响的目标影响因素。
该实施例中,第一影响因素集可以是对热负荷造成影响的影响因素的集合。
该实施例中,热负荷数据可以是与影响因素相对应,是在影响因素干扰下热负荷的取值大小情况。
该实施例中,数据观测函数可以是用来对热负荷数据进行处理,确定热负荷在影响因素下的数值大小变化情况。
该实施例中,第一波动幅值可以是热负荷在影响因素下的取值情况。
该实施例中,第二波动幅值可以是用于表征热负荷的取值在设定的幅值区间内的热负荷数据对应的取值大小情况。
该实施例中,第二影响因素集可以是对热负荷数据进行筛选后,最终热负荷数据对应的影响因素,是第一影响因素集中的一部分。
上述技术方案的有益效果是:通过对热负荷数据进行分析,实现对热负荷数据进行准确有效的筛选,从而保障了热负荷数据的准确可靠,同时,将筛选后的热负荷数据对应的影响因素确定为目标影响因素,从而为准确构建预测模型提供了遍历,保障了对热负荷预测的准确率。
实施例3:
在实施例2的基础上,本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,获取对热负荷影响的第一影响因素集,包括:
获取供热系统的管理终端,并将所述热负荷作为目标标识;
根据所述目标标识在所述供热系统的管理终端匹配对应的数据管理库;
在所述数据管理库中调取关于对所述热负荷影响的第一影响因素集。
该实施例中,目标标识是用来标记热负荷的一种标记标签,通过该标识可直观的确定当前热负荷的类型以及取值大小等。
该实施例中,数据管理库是提前设定好的,用于存储对热负荷造成影响的影响因素。
上述技术方案的有益效果是:通过确定供热系统的管理终端,并根据热负荷的目标标识实现对影响热负荷的影响因素进行准确有效的获取,提高了对热负荷影响因素确定的准确率,从而为提高热负荷的预测准确率提供了保障。
实施例4:
在实施例1的基础上,本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,如图3所示,步骤2中,记录目标时间段内的热负荷数据之后,包括:
步骤201:获取对所述热负荷数据进行记录的记录时段,并基于所述记录时段以及所述热负荷数据生成目标矩阵;
步骤202:对所述目标矩阵进行计算,确定所述目标矩阵的矩阵偏移率;
步骤203:获取经验值,并将所述矩阵偏移率与所述经验值进行比较,判断所述热负荷数据是否存在伪数据;
步骤204:当所述矩阵偏移率小于或等于所述经验值时,则判定所述热负荷数据不存在伪数据,同时,保留所述热负荷数据;
步骤205:否则,则判定所述热负荷数据中存在伪数据,并对所述伪数据进行修正。
该实施例中,目标矩阵可以是用于表征记录时段与热负荷数据之间的关系。
该实施例中,矩阵偏移率可以是目标矩阵与不同行或列的平均值、方法之间的误差程度。
该实施例中,经验值可以是为确定热负荷数据中是否存在伪数据提供参考依据。
该实施例中,伪数据可以是热负荷数据中的异常数据,具体可以是发生数据缺失的数据或是孤立数据等。
上述技术方案的有益效果是:通过对获取到的热负荷数据进行分析处理,实现对热负荷数据中的伪数据进行准确有效的修正,为实现对目标场景的热负荷提供了便利,保障了预测结果的准确率。
实施例5:
在实施例4的基础上,本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,对所述伪数据进行修正,包括:
当所述热负荷数据中存在伪数据时,获取所述热负荷数据的数据特征,并基于所述数据特征确定数据遍历条件;
获取所述热负荷数据的数据量,同时,根据所述热负荷数据的数据量以及所述热负荷数据的数据特征确定对所述热负荷数据进行遍历的遍历步长;
基于所述遍历条件与所述遍历步长确定遍历算法;
根据所述遍历算法对所述热负荷数据进行数据遍历,并基于遍历结果确定所述伪数据,并将所述伪数据在所述热负荷数据中进行标注;
基于标注结果确定所述伪数据在所述热负荷数据的目标位置;
获取所述目标位置之前的第一热负荷数据与所述目标位置之后的第二热负荷数据;
基于所述热负荷数据的数据特征并结合所述第一热负荷数据与所述第二热负荷数据对所述伪数据进行修正;
基于修正结果更新所述热负荷数据。
该实施例中,数据特征可以是热负荷数据之间的关联关系以及热负荷数据的取值情况。
该实施例中,数据遍历条件可以是表征对热负荷数据进行分析的方式方法或是对热负荷数据筛选要求等。
该实施例中,遍历步长可以是表征每次对热负荷数据进行分析的数据量。
该实施例中,遍历算法是用于对热负荷数据进行遍历的规则。
该实施例中,目标位置可以是表征伪数据在热负荷数据中的存在位置,具体为伪数据在热负荷数据中的前端、中部或者后端等。
该实施例中,获取所述目标位置之前的第一热负荷数据可以是热负荷数据中在目标位置前端的所有部分热负荷数据。
该实施例中,目标位置之后的第二热负荷数据可以是热负荷数据中在目标位置后端的所有部分热负荷数据。
上述技术方案的有益效果是:通过对热负荷数据进行遍历,实现对热负荷数据中的伪数据进行准确有效的确定,同时,根据伪数据在热负荷数据中的目标位置以及目标位置之前的第一热负荷数据和第二热负荷数据实现对伪数据进行准确有效的修正,保障了获取到的热负荷数据的准确性,从而提高了对目标场景的热负荷进行预测的准确率。
实施例6:
在实施例1的基础上,本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,步骤3中,根据所述第一样本数据与所述第二样本数据构建负荷预测模型,包括:
分别读取所述第一样本数据与所述第二样本数据,确定所述第一样本数据对应的第一数据类型以及所述第二样本数据对应的第二数据类型;
对所述第一数据类型与所述第二数据类型进行第一分析,确定所述第一数据类型与所述第二数据类型之间的第一关联关系;
基于所述第一关联关系,确定第一方式,并基于所述第一方式对所述第一样本数据与所述第二样本数据进行第二分析,分别获取所述第一样本数据的第一数据特征与所述第二样本数据的第二数据特征;
基于所述第一数据特征与所述第二数据特征,确定所述第一样本数据与所述第二样本数据的第二关联关系;
获取与所述第一方式不同的第二方式,并基于所述第二方式对所述第一样本数据与所述第二样本数据进行第三分析,确定所述第一样本数据的第三数据特征与所述第二样本数据的第四数据特征;
根据所述第三数据特征与所述第四数据特征确定所述第一样本数据与所述第二样本数据的第三关联关系;
基于所述第一关联关系、第二关联关系以及所述第三关联关系生成对所述目标场景的热负荷进行预测的负荷预测模型。
该实施例中,第一数据类型可以是第一样本数据的数据种类,即对热负荷造成影响的影响因素的种类。
该实施例中,第二数据类型可以是第二样本数据的数据种类,即热负荷的数据种类。
该实施例中,第一数据特征可以是第一样本数据的数据结构以及对应的取值情况。
该实施例中,第二数据特征可以是第二样本数据的数据取值情况。
该实施例中,第一关联关系可以是第一数据类型与第二数据类型之间的类型关联关系。
该实施例中,第一方式是用来对一样本数据与所述第二样本数据进行分析,目的是确定二者的数据特征。
该实施例中,第二关联关系是用来表征第一样本数据与第二样本数据之间的数据关联关系。
该实施例中,第二方式是用来对一样本数据与所述第二样本数据进行二次分析,与第一方式存在区别。
该实施例中,第三数据特征和第四数据特征可以是第一样本数据与第二样本数据的数据取值情况以及数据之间的关联属性。
该实施例中,第三关联关系可以是确定的第一样本数据与所述第二样本数据之间的数据结构关联关系。
上述技术方案的有益效果是:通过对第一样本数据和第二样本数据的类型以及数据本身之间的关联关系进行分析,实现根据关联关系对负荷预测模型进行准确有效的构建,为实现对目标场景的热负荷进行准确预测提供了便利与保障。
实施例7:
在实施例1的基础上,本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,步骤3中,所述负荷预测模型包括:
数据输入层、中间层以及数据输出层;
其中,所述数据输入层,用于接收待预测数据;
所述中间层,用于对所述待预测数据进行分析;
所述数据输出层,用于基于分析结果输出预测数据。
该实施例中,待预测数据可以是用于预测目标场景的热负荷的参数,包括目标场景的当前环境气温以及当前室内温度等。
上述技术方案的有益效果是:通过将负荷预测模型划分为不同的数据层,从而实现通过不同的数据层对接收到的待预测数据进行分工处理,从而提高对待预测数据的处理效率和处理准确率。
实施例8:
在实施例7的基础上,本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,还包括:
S1:获取第一历史时刻的环境影响数据以及第一热负荷数据,同时,确定第二历史时刻的第二热负荷数据,其中,所述第二历史时刻大于所述第一历史时刻;
S2:基于所述负荷预测模型中的数据输入层对所述第一历史时刻中的环境影响数据与所述第一热负荷数据进行接收,并将所述环境影响数据与所述第一热负荷数据传输至所述中间层中进行数据分析,同时,将数据分析结果基于所述数据输出层输出第二历史时刻的预测热负荷数据;
S3:将所述预测热负荷数据与所述第二热负荷数据进行比较,判断所述负荷预测模型是否存在偏差;
当所述预测热负荷数据与所述第二热负荷数据一致时,则判定所述负荷预测模型不存在偏差;
否则,则判定所述负荷预测模型存在偏差;
S4:当负荷预测模型存在偏差时,将所述预测热负荷数据与所述第二热负荷数据反向传输至所述负荷预测模型的数据输出层,并根据误差梯度下降法确定所述数据输出层的第一权值、中间层的第二权值以及所述数据输入层的第三权值;
S5:基于所述第一权值、第二权值以及所述第三权值分别对所述数据输出层、中间层以及所述数据输入层进行修正,并基于获得修正后的负荷预测模型;
S6:将所述第一热负荷数据与所述环境影响数据重新输入至修正后的负荷预测模型中,并重复步骤S2-S5,直至输出的预测热负荷数据与所述第二热负荷数据一致时,完成对所述负荷预测模型的修正。
该实施例中,第一历史时刻的环境影响数据可以是目标场景在一定时间段前环境对热负荷的影响参数。
该实施例中,第一热负荷数据可以是在一定时间段前目标场景需要的热负荷参数。
该实施例中,第二历史时刻的第二热负荷数据可以是根据第一历史时刻的环境影响数据以及第一热负荷数据预测得到的目标场景在第一历史时刻后一定时间段内需要的热负荷。
该实施例中,预测热负荷数据可以是通过负荷预测模型对第一历史时刻的环境影响数据以及第一热负荷数据处理后得到的预测结果,即通过第一历史时刻的环境影响数据以及第一热负荷数据对负荷预测模型的预测准确率进行验证。
该实施例中,误差梯度下降法是提前设定好的,用于确定负荷预测模型中不同数据层的权重值。
该实施例中,第一权值、第二权值以及第三权值可以是用于表征数据输出层、中间层以及数据输入层在对目标场景的热负荷进行预测时的重要程度。
上述技术方案的有益效果是:通过获取历史时刻的环境影响数据以及热负荷数据,实现对负荷预测模型的预测准确率进行核验,且在准确率不满足预期要求时,通过将预测结果反向输入负荷预测模型,确定负荷预测模型中不同数据层的权重,从而实现对不同数据层进行准确可靠的修正,从而保障了得到的负荷预测模型的准确率,为准确预测目标场景的热负荷提供了便利与保障。
实施例9:
在实施例1的基础上,本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,步骤4中,根据所述负荷预测模型对目标场景中的热负荷进行预测,并根据预测结果确定供热温度调节指令,包括:
读取预测结果,确定预测热负荷数据,同时,获取所述目标场景当前的回水温度以及回水流量;
在所述目标场景当前的回水温度以及回水流量一定的基础上,根据所述预测热负荷数据对所述目标场景的供水温度进行评估;
基于评估结果确定目标供水温度;
基于所述目标场景当前的回水温度与所述目标供水温度生成所述温度调节指令。
该实施例中,预测热负荷数据可以是通过负荷预测模型进行预测后得到的预测结果。
该实施例中,回水温度可以是供热系统在供热后,水温从供热源流经目标场景再返回供热源的温度。
该实施例中,回水流量可以是供热管道中流动的水的体积。
该实施例中,目标供水温度可以是需要对目标场景进行供热是,水的温度值。
上述技术方案的有益效果是:通过确定目标场景的回水温度以及回水流量,实现对目标场景的供水温度进行准确有效的评估,最后根据回水温度以及目标供水温度生成对应的温度调控指令,实现对热负荷进行准确有效的调控,在保障供热的基础上提高了节能效率。
实施例10:
在实施例1的基础上,本实施例提供了一种用于供热需求负荷自主预测的优化调节方法,步骤4中,根据所述供热温度调节指令对所述目标场景的供热温度进行优化调节,包括:
将所述供热温度调节指令传输至供热控制终端,并基于所述供热温度调节指令确定供热阈值;
基于所述供热控制终端控制目标供热设备进行升温操作,同时,当所述目标场景的温度达到所述供热阈值时,控制所述目标供热设备停止工作。
该实施例中,供热控制终端可以是用来控制目标供热设备进行工作的终端。
该实施例中,供热阈值可以是当目标供热设备对目标场景进行温度调节时的终止温度值。
该实施例中,目标供热设备可以是供热管道等。
上述技术方案的有益效果是:基于供热温度调节指令对目标场景的供热温度进行调节,并当目标场景的温度达到供热阈值时,控制目标供热设备停止工作,提高了对目标场景的温度进行优化调节的准确性以及智能性。
实施例11:
在实施例10的基础上,本实施例还包括:
在对所述目标供热设备进行升温操作时,计算所述目标供热设备的阻力系数,并根据所述供热设备的阻力系数计算所述目标供热设备的阻力损失,根据所述阻力损失评估所述目标供热设备的工作性能,具体过程为:
获取所述目标供热设备的管段长度,并基于所述目标供热设备的管段长度计算所述目标供热设备的阻力系数;
其中,表示所述目标供热设备的阻力系数;表示常数,取值为1.12;n表示所述目标供热设备的管段长度的平均分割段;表示第i个分割段的粗糙衰变量,且取值范围为[-0.1,0.1];表示所述目标供热设备的初始系数;
基于所述目标供热设备的阻力系数,计算所述目标供热设备的阻力损失;
其中,表示所述目标供热设备的阻力损失;表示所述目标供热设备的摩擦系数;表示热媒密度;表示热媒在所述目标供热设备内的传播速度;表示热媒在所述目标供热设备中每米长度的摩擦压力损失;d表示所述目标供热设备的管段直径;
将所述目标供热设备的阻力损失与阻力损失阈值进行比较,判断所述目标供热设备的供热性能;
当所述目标供热设备的阻力损失小于所述阻力损失阈值时,则判定所述目标供热设备的供热性能为第一等级;
当所述目标供热设备的阻力损失等于所述阻力损失阈值时,则判定所述目标供热设备的供热性能为第二等级;
当所述目标供热设备的阻力损失大于所述阻力损失阈值时,则判定所述目标供热设备的供热性能为第三等级,且当所述目标供热设备的供热性能为第三等级时,则进行报警操作。
该实施例中,阻力损失阈值可以是根据实验经验提前设定好的,用来衡量目标供热设备的供热性能。
该实施例中,第一等级可以是用来表征目标供热设备的供热性能为优。
该实施例中,第二等级可以是用来表征目标供热设备的供热性能为良。
该实施例中,第三等级可以是用来表征目标供热设备的供热性能为差。
该实施例中,报警操作可以是灯光、声音以及振动中的一种或多种。
上述技术方案的有益效果是:在对目标供热设备进行升温操作时,计算目标供热设备的阻力系数,从而可以精确计算出目标供热设备的阻力损失,进而评估所述目标供热设备的工作性能,并当目标供热设备的工作性能为差时,进行报警操作,不仅提高了对目标供热设备进行监控的监控效率,也增加了对目标场景的温度进行优化调节的保障。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于供热需求负荷自主预测的优化调节方法,其特征在于,包括:
步骤1:获取对热负荷影响的目标影响因素,并对目标影响因素进行数据记录,确定第一样本数据;
步骤2:记录目标时间段内的热负荷数据,并将热负荷数据作为第二样本数据;
步骤3:根据所述第一样本数据与所述第二样本数据构建负荷预测模型;
步骤4:根据所述负荷预测模型对目标场景中的热负荷进行预测,并根据预测结果确定供热温度调节指令,且根据所述供热温度调节指令对所述目标场景的供热温度进行优化调节。
2.根据权利要求1所述的一种用于供热需求负荷自主预测的优化调节方法,其特征在于,步骤1中,获取对热负荷影响的目标影响因素,包括:
获取对热负荷影响的第一影响因素集,并在所述第一影响因素集中确定每一个影响因素下对应的热负荷数据;
基于所述每一个影响因素下对应的热负荷数据建立数据观测函数,同时,根据所述数据观测函数确定在所述第一影响因素集中热负荷数据的第一波动幅值;
设定幅值区间,并在所述第一波动幅值中摘取在所述幅值区间内的第二波动幅值;
获取所述第二波动幅值对应的第二影响因素集,并将所述第二影响因素集作为对所述热负荷影响的目标影响因素。
3.根据权利要求2所述的一种用于供热需求负荷自主预测的优化调节方法,其特征在于,获取对热负荷影响的第一影响因素集,包括:
获取供热系统的管理终端,并将所述热负荷作为目标标识;
根据所述目标标识在所述供热系统的管理终端匹配对应的数据管理库;
在所述数据管理库中调取关于对所述热负荷影响的第一影响因素集。
4.根据权利要求1所述的一种用于供热需求负荷自主预测的优化调节方法,其特征在于,步骤2中,记录目标时间段内的热负荷数据之后,包括:
获取对所述热负荷数据进行记录的记录时段,并基于所述记录时段以及所述热负荷数据生成目标矩阵;
对所述目标矩阵进行计算,确定所述目标矩阵的矩阵偏移率;
获取经验值,并将所述矩阵偏移率与所述经验值进行比较,判断所述热负荷数据是否存在伪数据;
当所述矩阵偏移率小于或等于所述经验值时,则判定所述热负荷数据不存在伪数据,同时,保留所述热负荷数据;
否则,则判定所述热负荷数据中存在伪数据,并对所述伪数据进行修正。
5.根据权利要求4所述的一种用于供热需求负荷自主预测的优化调节方法,其特征在于,对所述伪数据进行修正,包括:
当所述热负荷数据中存在伪数据时,获取所述热负荷数据的数据特征,并基于所述数据特征确定数据遍历条件;
获取所述热负荷数据的数据量,同时,根据所述热负荷数据的数据量以及所述热负荷数据的数据特征确定对所述热负荷数据进行遍历的遍历步长;
基于所述遍历条件与所述遍历步长确定遍历算法;
根据所述遍历算法对所述热负荷数据进行数据遍历,并基于遍历结果确定所述伪数据,并将所述伪数据在所述热负荷数据中进行标注;
基于标注结果确定所述伪数据在所述热负荷数据的目标位置;
获取所述目标位置之前的第一热负荷数据与所述目标位置之后的第二热负荷数据;
基于所述热负荷数据的数据特征并结合所述第一热负荷数据与所述第二热负荷数据对所述伪数据进行修正;
基于修正结果更新所述热负荷数据。
6.根据权利要求1所述的一种用于供热需求负荷自主预测的优化调节方法,其特征在于,步骤3中,根据所述第一样本数据与所述第二样本数据构建负荷预测模型,包括:
分别读取所述第一样本数据与所述第二样本数据,确定所述第一样本数据对应的第一数据类型以及所述第二样本数据对应的第二数据类型;
对所述第一数据类型与所述第二数据类型进行第一分析,确定所述第一数据类型与所述第二数据类型之间的第一关联关系;
基于所述第一关联关系,确定第一方式,并基于所述第一方式对所述第一样本数据与所述第二样本数据进行第二分析,分别获取所述第一样本数据的第一数据特征与所述第二样本数据的第二数据特征;
基于所述第一数据特征与所述第二数据特征,确定所述第一样本数据与所述第二样本数据的第二关联关系;
获取与所述第一方式不同的第二方式,并基于所述第二方式对所述第一样本数据与所述第二样本数据进行第三分析,确定所述第一样本数据的第三数据特征与所述第二样本数据的第四数据特征;
根据所述第三数据特征与所述第四数据特征确定所述第一样本数据与所述第二样本数据的第三关联关系;
基于所述第一关联关系、第二关联关系以及所述第三关联关系生成对所述目标场景的热负荷进行预测的负荷预测模型。
7.根据权利要求5所述的一种用于供热需求负荷自主预测的优化调节方法,其特征在于,步骤3中,所述负荷预测模型包括:
数据输入层、中间层以及数据输出层;
其中,所述数据输入层,用于接收待预测数据;
所述中间层,用于对所述待预测数据进行分析;
所述数据输出层,用于基于分析结果输出预测数据。
8.根据权利要求7所述的一种用于供热需求负荷自主预测的优化调节方法,其特征在于,还包括:
S1:获取第一历史时刻的环境影响数据以及第一热负荷数据,同时,确定第二历史时刻的第二热负荷数据,其中,所述第二历史时刻大于所述第一历史时刻;
S2:基于所述负荷预测模型中的数据输入层对所述第一历史时刻中的环境影响数据与所述第一热负荷数据进行接收,并将所述环境影响数据与所述第一热负荷数据传输至所述中间层中进行数据分析,同时,将数据分析结果基于所述数据输出层输出第二历史时刻的预测热负荷数据;
S3:将所述预测热负荷数据与所述第二热负荷数据进行比较,判断所述负荷预测模型是否存在偏差;
当所述预测热负荷数据与所述第二热负荷数据一致时,则判定所述负荷预测模型不存在偏差;
否则,则判定所述负荷预测模型存在偏差;
S4:当负荷预测模型存在偏差时,将所述预测热负荷数据与所述第二热负荷数据反向传输至所述负荷预测模型的数据输出层,并根据误差梯度下降法确定所述数据输出层的第一权值、中间层的第二权值以及所述数据输入层的第三权值;
S5:基于所述第一权值、第二权值以及所述第三权值分别对所述数据输出层、中间层以及所述数据输入层进行修正,并基于获得修正后的负荷预测模型;
S6:将所述第一热负荷数据与所述环境影响数据重新输入至修正后的负荷预测模型中,并重复步骤S2-S5,直至输出的预测热负荷数据与所述第二热负荷数据一致时,完成对所述负荷预测模型的修正。
9.根据权利要求1所述的一种用于供热需求负荷自主预测的优化调节方法,其特征在于,步骤4中,根据所述负荷预测模型对目标场景中的热负荷进行预测,并根据预测结果确定供热温度调节指令,包括:
读取预测结果,确定预测热负荷数据,同时,获取所述目标场景当前的回水温度以及回水流量;
在所述目标场景当前的回水温度以及回水流量一定的基础上,根据所述预测热负荷数据对所述目标场景的供水温度进行评估;
基于评估结果确定目标供水温度;
基于所述目标场景当前的回水温度与所述目标供水温度生成所述温度调节指令。
10.根据权利要求1所述的一种用于供热需求负荷自主预测的优化调节方法,其特征在于,步骤4中,根据所述供热温度调节指令对所述目标场景的供热温度进行优化调节,包括:
将所述供热温度调节指令传输至供热控制终端,并基于所述供热温度调节指令确定供热阈值;
基于所述供热控制终端控制目标供热设备进行升温操作,当所述目标场景的温度达到所述供热阈值时,控制所述目标供热设备停止工作;
其中,在对所述目标供热设备进行升温操作时,计算所述目标供热设备的阻力系数,并根据所述供热设备的阻力系数计算所述目标供热设备的阻力损失,根据所述阻力损失评估所述目标供热设备的工作性能,具体过程为:
获取所述目标供热设备的管段长度,并基于所述目标供热设备的管段长度计算所述目标供热设备的阻力系数;
其中,表示所述目标供热设备的阻力系数;表示常数,取值为1.12;n表示所述目标供热设备的管段长度的平均分割段;表示第i个分割段的粗糙衰变量,且取值范围为[-0.1,0.1];表示所述目标供热设备的初始系数;
基于所述目标供热设备的阻力系数,计算所述目标供热设备的阻力损失;
其中,表示所述目标供热设备的阻力损失;表示所述目标供热设备的摩擦系数;表示热媒密度;表示热媒在所述目标供热设备内的传播速度;表示热媒在所述目标供热设备中每米长度的摩擦压力损失;d表示所述目标供热设备的管段直径;
将所述目标供热设备的阻力损失与阻力损失阈值进行比较,判断所述目标供热设备的供热性能;
当所述目标供热设备的阻力损失小于所述阻力损失阈值时,则判定所述目标供热设备的供热性能为第一等级;
当所述目标供热设备的阻力损失等于所述阻力损失阈值时,则判定所述目标供热设备的供热性能为第二等级;
当所述目标供热设备的阻力损失大于所述阻力损失阈值时,则判定所述目标供热设备的供热性能为第三等级,且当所述目标供热设备的供热性能为第三等级时,则进行报警操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817824.2A CN114881382B (zh) | 2022-07-13 | 2022-07-13 | 一种用于供热需求负荷自主预测的优化调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817824.2A CN114881382B (zh) | 2022-07-13 | 2022-07-13 | 一种用于供热需求负荷自主预测的优化调节方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881382A true CN114881382A (zh) | 2022-08-09 |
CN114881382B CN114881382B (zh) | 2022-10-11 |
Family
ID=82683569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817824.2A Active CN114881382B (zh) | 2022-07-13 | 2022-07-13 | 一种用于供热需求负荷自主预测的优化调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881382B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184395A (zh) * | 2015-08-26 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 含余热利用系统的火电机组的初参数确定方法 |
CN106022954A (zh) * | 2016-05-16 | 2016-10-12 | 四川大学 | 基于灰色关联度的多重bp神经网络负荷预测方法 |
CN107909220A (zh) * | 2017-12-08 | 2018-04-13 | 天津天大求实电力新技术股份有限公司 | 一种电采暖负荷预测方法 |
CN111121150A (zh) * | 2020-01-03 | 2020-05-08 | 西咸新区玄武信息科技有限公司 | 一种智能热负荷预测调控方法、系统及存储介质 |
CN112712189A (zh) * | 2019-10-25 | 2021-04-27 | 北京市热力集团有限责任公司 | 一种供热需求负荷预测方法 |
CN114294708A (zh) * | 2021-12-03 | 2022-04-08 | 中国电建集团河北省电力勘测设计研究院有限公司 | 一种长距离供热管网运行蓄热调节方法 |
-
2022
- 2022-07-13 CN CN202210817824.2A patent/CN114881382B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184395A (zh) * | 2015-08-26 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 含余热利用系统的火电机组的初参数确定方法 |
CN106022954A (zh) * | 2016-05-16 | 2016-10-12 | 四川大学 | 基于灰色关联度的多重bp神经网络负荷预测方法 |
CN107909220A (zh) * | 2017-12-08 | 2018-04-13 | 天津天大求实电力新技术股份有限公司 | 一种电采暖负荷预测方法 |
CN112712189A (zh) * | 2019-10-25 | 2021-04-27 | 北京市热力集团有限责任公司 | 一种供热需求负荷预测方法 |
CN111121150A (zh) * | 2020-01-03 | 2020-05-08 | 西咸新区玄武信息科技有限公司 | 一种智能热负荷预测调控方法、系统及存储介质 |
CN114294708A (zh) * | 2021-12-03 | 2022-04-08 | 中国电建集团河北省电力勘测设计研究院有限公司 | 一种长距离供热管网运行蓄热调节方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114881382B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chaudhary et al. | Evaluation of “Autotune” calibration against manual calibration of building energy models | |
CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
Li et al. | Methods for benchmarking building energy consumption against its past or intended performance: An overview | |
JP2023510530A (ja) | ビル設備エネルギー管理制御システム及びその制御方法 | |
CN112503400B (zh) | 一种供水管网测压点多目标优化布置方法 | |
CN113983646A (zh) | 基于生成对抗网络的空调互动末端能耗预测方法及空调 | |
CN114444655A (zh) | 基于蓝牙通信和迁移学习的热用户室温测量及控制方法 | |
CN114565167A (zh) | 一种新型热力入口负荷动态预测及调控方法 | |
CN114202111A (zh) | 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测 | |
CN117540938B (zh) | 基于td3强化学习优化的集成式建筑能耗预测方法及系统 | |
Sha et al. | A control strategy of heating system based on adaptive model predictive control | |
CN114881382B (zh) | 一种用于供热需求负荷自主预测的优化调节方法 | |
CN117937497A (zh) | 算力负载均衡方法及装置 | |
EP4006686A1 (en) | Method of controlling heat transfer process in heating substation, regulator, computer program product and heating substation | |
Stock et al. | HVAC performance evaluation and optimization algorithms development for large buildings | |
CN114909707A (zh) | 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 | |
CN116157751A (zh) | 用于控制流体输送系统的方法和系统 | |
Madsen et al. | Thermal performance characterisation using time series data: statistical guidelines: report of Subtask 3.2 | |
Janssens | Reliable building energy performance characterisation based on full scale dynamic measurements | |
KR20140119556A (ko) | 상수관망내 유량계 위치 설정 시스템, 방법 및 그 저장매체 | |
Clauß et al. | Practical challenges towards data-driven applications in buildings: lessons-learned from two real-life case studies | |
Burger et al. | ARX model of a residential heating system with backpropagation parameter estimation algorithm | |
CN112347695B (zh) | 一种变压器顶层油温的预测方法及系统 | |
Snyder et al. | Calibrated building energy simulation in practice: issues, approaches, and case study example | |
CN116045461B (zh) | 一种基于给回水温度调节的风冷空调节能控制方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |