CN115013862B - 基于喷射泵和辅助循环泵的供热系统自主优化运行方法 - Google Patents
基于喷射泵和辅助循环泵的供热系统自主优化运行方法 Download PDFInfo
- Publication number
- CN115013862B CN115013862B CN202210618914.9A CN202210618914A CN115013862B CN 115013862 B CN115013862 B CN 115013862B CN 202210618914 A CN202210618914 A CN 202210618914A CN 115013862 B CN115013862 B CN 115013862B
- Authority
- CN
- China
- Prior art keywords
- model
- jet pump
- data
- unit building
- regulation
- 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
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
- F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
- F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
- F24D19/1012—Arrangement or mounting of control or safety devices for water heating systems for central heating by regulating the speed of a pump
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Steam Or Hot-Water Central Heating Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于喷射泵和辅助循环泵的供热系统自主优化运行方法,包括:构建喷射泵供热系统数字孪生模型;基于喷射泵供热系统数字孪生模型,根据各单元楼历史热计量数据和喷射泵调控数据、室温数据,预测到达各单元楼的流量和各单元楼内的循环流量;判断到达各单元楼的流量和各单元楼内的循环流量是否符合楼内水力平衡的流量关系,若不符合,则表明喷射泵自身动力不足,通过在该单元楼增设辅助循环泵,以单元楼喷射泵和辅助循环泵的联合动力共同提升楼内循环流量;基于增设辅助循环泵后的复合供热系统数字孪生模型,根据各单元楼的供热数据和运行工况建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略。
Description
技术领域
本发明属于智慧供热技术领域,具体涉及一种基于喷射泵和辅助循环泵的供热系统自主优化运行方法。
背景技术
针对现有城市热网末端供热对象的多样化,同一小区内可能存在散热器采暖、地板辐射采暖等多种采暖形式。并且在同一集中供热的范围内,往往存在居民楼、办公楼、学校、医院等多种供热对象,他们对于供热的需求并不完全一样。目前,将喷射泵应用于二次侧管网各个建筑的热力入口处,利用高温、高压的二次供水从喷嘴高速射出时形成一个负压区,将部分低温、低压的二次侧楼内回水压入供水管中,两股流体在泵内充分混合后送入楼内系统完成混水供热。
然而,目前传统的喷射泵供热系统中调控效果取决于运行人员人工经验,调控水平参差不齐,系统运行和调节效果较差,整个系统的运行效果没有达到预期,而且传统供热系统的楼内热用户之间、楼与楼之间容易出现热力失调现象,常规的解决方案是加大循环水流量,且在近端用户入口加装平衡阀以解决热力失调问题,这也在很大程度上导致循环水泵电耗增加,过热损失偏大。
基于上述技术问题,需要设计一种新的基于喷射泵和辅助循环泵的供热系统自主优化运行方法。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足,提供一种基于喷射泵和辅助循环泵的供热系统自主优化运行方法。
为了解决上述技术问题,本发明的技术方案是:
本发明提供了一种基于喷射泵和辅助循环泵的供热系统自主优化运行方法,它包括:
步骤S1、采用机理建模和数据辨识方法构建喷射泵供热系统数字孪生模型;
步骤S2、基于喷射泵供热系统数字孪生模型,根据各单元楼历史热计量数据和喷射泵调控数据、室温数据,预测到达各单元楼的流量和各单元楼内的循环流量;
步骤S3、判断到达各单元楼的流量和各单元楼内的循环流量是否符合楼内水力平衡的流量关系,若不符合,则表明喷射泵自身动力不足,通过在该单元楼增设辅助循环泵,以单元楼喷射泵和辅助循环泵的联合动力共同提升楼内循环流量;
步骤S4、基于增设辅助循环泵后的复合供热系统数字孪生模型,根据各单元楼的供热数据和运行工况建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略;
步骤S5、基于喷射泵和辅助循环泵复合供热系统数字孪生模型对调控策略进行仿真分析、综合评估和楼内水力平衡验证后,进行调控策略的下发执行。
进一步,所述步骤S1中,采用机理建模和数据辨识方法构建喷射泵供热系统数字孪生模型,具体包括:
通过喷射泵供热系统物理模型、逻辑模型、仿真模型和数据模型之间相互耦合和多层次、多尺度集成,将物理空间中的物理实体在虚拟空间进行映射重构后建立喷射泵供热系统数字孪生模型;所述喷射泵供热系统是将调节型喷射泵安装于二次侧管网各建筑的热力入口处,原来的主热网变为二级热网,原来的二级热网变为三级热网,通过高温、高压的供水从喷嘴高速射出时形成一个负压区,将部分低温、低压的楼内回水压入供水管中,两股流体混合后送入各个楼内系统进行混水供热,为每个单元楼提供供热所需的流量和温度;
通过采用深度学习算法对喷射泵供热系统中物联传感器的多源实时数据、状态数据和历史数据进行挖掘,并通过训练和优化进行喷射泵供热系统数字孪生模型的自学习和自优化。
进一步,所述步骤S2中,基于喷射泵供热系统数字孪生模型,根据各单元楼历史热计量数据和喷射泵调控数据、室温数据,预测到达各单元楼的流量和各单元楼内的循环流量,具体包括:
对各单元楼历史供回水温度、供回水压力、室温数据、天气数据、单元楼热负荷和喷射泵调控开度、楼栋到达流量数据和楼内循环流量数据进行预处理和特征降维处理后,作为流量预测的输入数据;
将流量预测的输入数据输入至构建的多算法组合预测模型中进行线性和非线性数据分解和预测后,将预测结果进行线性叠加获得最终的到达各单元楼的流量和各单元楼内的循环流量预测值。
进一步,所述将流量预测的输入数据输入至构建的多算法组合预测模型中进行线性和非线性数据分解和预测后,将预测结果进行线性叠加获得最终的到达各单元楼的流量和各单元楼内的循环流量预测值,具体包括:
采用CEEMDAN算法对流量预测的输入数据进行分解后获得线性子序列和非线性子序列后,剔除噪声子序列;
采用ARIMA模型对线性子序列进行预测后获得流量第一预测值,采用LSTM模型对非线性子序列进行预测后获得流量第二预测值;
对流量第一预测值和流量第二预测值进行线性叠加后获得最终的到达各单元楼的流量和各单元楼内的循环流量预测值。
进一步,所述ARIMA模型的建模过程包括:分析数据平稳性,将非平稳的时间序列利用差分处理转化为平稳的时间序列,确定ARIMA模型的差分次数d;根据ACF自相关函数确定ARIMA模型的自回归系数p,根据PACF偏自相关函数确定ARIMA模型的移动平均系数q;采用历史数据对ARIMA模型进行训练,对流量进行预测。
进一步,所述步骤S3中,判断到达各单元楼的流量和各单元楼内的循环流量是否符合楼内水力平衡的流量关系,若不符合,则表明喷射泵自身动力不足,通过在该单元楼增设辅助循环泵,以单元楼喷射泵和辅助循环泵的联合动力共同提升楼内循环流量,包括:
基于喷射泵供热系统数字孪生模型,通过在线工艺仿真模拟到达各单元楼的流量和各单元楼内的循环流量预测值,判断各单元楼的水力工况是否符合楼内水力平衡,若不符合,则表明当前的喷射泵供热系统自身动力不足,通过在单元楼入口增设辅助循环泵,采用喷射泵和辅助循环泵的联合动力共同提升楼内循环流量;否则,表明喷射泵供热系统的自身动力充足,继续运行当前的喷射泵供热系统。
进一步,所述步骤S4中,基于增设辅助循环泵后的复合供热系统数字孪生模型,根据各单元楼的供热数据和运行工况建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略,具体包括:
基于增设的辅助循环泵建立喷射泵和辅助循环泵的复合供热系统数字孪生模型;
根据各单元楼的供回水温度、室温数据、天气数据、各单元楼运行工况、到达各单元楼的流量和各单元楼内的循环流量数据,构造调控模型训练所需的原始数据集;
对原始数据集进行预处理,包括异常值处理、数据清洗、判断数据准确性和缺失值处理;
对预处理后的数据集采用组合模型分别进行模型训练后获得多个调控预测模型后,基于残差自适应分析赋值各个调控预测模型权重比例,经过不断迭代更新权重系数,建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略。
进一步,所述对预处理后的数据集采用组合模型分别进行模型训练后获得多个调控预测模型后,基于残差自适应分析赋值各个调控预测模型权重比例,经过不断迭代更新权重系数,建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略,包括:
对预处理后的数据集按照训练集和测试集的预设比例进行划分后,将训练集数据分别采用XGBoost模型和SVR模型进行训练,且不断对模型超参数进行调优,获得XGBoost模型预测结果和SVR模型预测结果;
对XGBoost模型预测结果和SVR模型预测结果进行回归分析,当与实际值的偏差满足预设值时,进行组合模型构建;
计算XGBoost模型预测结果和SVR模型预测结果与真实数据之间的残差,并通过残差赋权法对已训练好的XGBoost模型和SVR模型进行权重系数赋值,不断更新其模型的适应度,对权重系数进行迭代更新,建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略。
进一步,所述权重系数赋值表示为:
其中,n为调控预测模型的总个数;wi(t)为t时刻第i个调控预测模型的权重;εt(t)为t时刻第i个调控预测模型的预测误差平方和;f(xt)为t时刻组合调控预测模型的预测值;fi(xt)为t时刻第i个调控预测模型的预测值。
进一步,所述步骤S5中,基于喷射泵和辅助循环泵复合供热系统数字孪生模型对调控策略进行仿真分析、综合评估和楼内水力平衡验证后,进行调控策略的下发执行,包括:
基于喷射泵和辅助循环泵复合供热系统数字孪生模型在线仿真模拟调控策略,评估系统的节能性、经济性、舒适性和验证楼内水力平衡,若未达到预设运行效果,则优化调节喷射泵和辅助循环泵复合供热系统的调控运行参数;若达到预设运行效果,将调控策略进行下发执行。
本发明的有益效果是:
本发明通过构建喷射泵供热系统数字孪生模型,预测到达各单元楼的流量和各单元楼内的循环流量,并在喷射泵自身动力不足时,通过在该单元楼增设辅助循环泵,以单元楼喷射泵和辅助循环泵的联合动力共同提升楼内循环流量;基于增设辅助循环泵后的复合供热系统数字孪生模型,根据各单元楼的供热数据和运行工况建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略;通过供热系统数字孪生模型,采用在线工艺仿真分析,进行流量预测和楼内水力平衡判断,通过增设辅助循环泵,在喷射泵动力不足难以满足楼内循环流量的需求时,通过喷射泵和辅助循环泵的共同动力提升楼内循环流量,实现楼栋需求流量和楼内循环流量的精准匹配,并且通过组合模型预测的方式能够提升喷射泵和辅助循环泵供热系统调控效率和精度,节约循环泵电耗,提升热网水力稳定性,改善用户供暖质量,减小供热系统能耗。
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为本发明一种基于喷射泵和辅助循环泵的供热系统自主优化运行方法流程图;
图2为本发明预测到达各单元楼的流量和各单元楼内的循环流量实现方法流程图;
图3为本发明建立喷射泵和辅助循环泵复合调控预测模型实现方法流程图。
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。
图1是本发明所涉及的一种基于喷射泵和辅助循环泵的供热系统自主优化运行方法流程图。
如图1所示,本实施例提供了一种基于喷射泵和辅助循环泵的供热系统自主优化运行方法,它包括:
步骤S1、采用机理建模和数据辨识方法构建喷射泵供热系统数字孪生模型;
步骤S2、基于喷射泵供热系统数字孪生模型,根据各单元楼历史热计量数据和喷射泵调控数据、室温数据,预测到达各单元楼的流量和各单元楼内的循环流量;
步骤S3、判断到达各单元楼的流量和各单元楼内的循环流量是否符合楼内水力平衡的流量关系,若不符合,则表明喷射泵自身动力不足,通过在该单元楼增设辅助循环泵,以单元楼喷射泵和辅助循环泵的联合动力共同提升楼内循环流量;
步骤S4、基于增设辅助循环泵后的复合供热系统数字孪生模型,根据各单元楼的供热数据和运行工况建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略;
步骤S5、基于喷射泵和辅助循环泵复合供热系统数字孪生模型对调控策略进行仿真分析、综合评估和楼内水力平衡验证后,进行调控策略的下发执行。
在本实施例中,步骤S1中,采用机理建模和数据辨识方法构建喷射泵供热系统数字孪生模型,具体包括:
通过喷射泵供热系统物理模型、逻辑模型、仿真模型和数据模型之间相互耦合和多层次、多尺度集成,将物理空间中的物理实体在虚拟空间进行映射重构后建立喷射泵供热系统数字孪生模型;喷射泵供热系统是将调节型喷射泵安装于二次侧管网各建筑的热力入口处,原来的主热网变为二级热网,原来的二级热网变为三级热网,通过高温、高压的供水从喷嘴高速射出时形成一个负压区,将部分低温、低压的楼内回水压入供水管中,两股流体混合后送入各个楼内系统进行混水供热,为每个单元楼提供供热所需的流量和温度;
通过采用深度学习算法对喷射泵供热系统中物联传感器的多源实时数据、状态数据和历史数据进行挖掘,并通过训练和优化进行喷射泵供热系统数字孪生模型的自学习和自优化。
在本实施例中,步骤S2中,基于喷射泵供热系统数字孪生模型,根据各单元楼历史热计量数据和喷射泵调控数据、室温数据,预测到达各单元楼的流量和各单元楼内的循环流量,具体包括:
对各单元楼历史供回水温度、供回水压力、室温数据、天气数据、单元楼热负荷和喷射泵调控开度、楼栋到达流量数据和楼内循环流量数据进行预处理和特征降维处理后,作为流量预测的输入数据;
将流量预测的输入数据输入至构建的多算法组合预测模型中进行线性和非线性数据分解和预测后,将预测结果进行线性叠加获得最终的到达各单元楼的流量和各单元楼内的循环流量预测值。
图2是本发明所涉及的预测到达各单元楼的流量和各单元楼内的循环流量实现方法流程图。
如图2所示,在本实施例中,将流量预测的输入数据输入至构建的多算法组合预测模型中进行线性和非线性数据分解和预测后,将预测结果进行线性叠加获得最终的到达各单元楼的流量和各单元楼内的循环流量预测值,具体包括:
采用CEEMDAN算法对流量预测的输入数据进行分解后获得线性子序列和非线性子序列后,剔除噪声子序列;
采用ARIMA模型对线性子序列进行预测后获得流量第一预测值,采用LSTM模型对非线性子序列进行预测后获得流量第二预测值;
对流量第一预测值和流量第二预测值进行线性叠加后获得最终的到达各单元楼的流量和各单元楼内的循环流量预测值。
需要说明的是,ARIMA模型是时间序列模型,用于将非平稳的序列转化为平稳的序列,用当前变量的滞后项,以及随机的误差值来解释当前变量,模型的输入为时间序列的单变量。采用ARIMA模型对线性子序列进行预测后获得流量第一预测值,采用LSTM模型对非线性子序列进行预测后获得流量第二预测值,能够充分发挥ARIMA模型和LSTM模型分别在拟合线性时间序列和非线性时间序列方面的优势,兼顾数据表现出的线性及非线性特性,具有更高的预测精度。
在本实施例中,ARIMA模型的建模过程包括:分析数据平稳性,将非平稳的时间序列利用差分处理转化为平稳的时间序列,确定ARIMA模型的差分次数d;根据ACF自相关函数确定ARIMA模型的自回归系数p,根据PACF偏自相关函数确定ARIMA模型的移动平均系数q;采用历史数据对ARIMA模型进行训练,对流量进行预测。
在本实施例中,步骤S3中,判断到达各单元楼的流量和各单元楼内的循环流量是否符合楼内水力平衡的流量关系,若不符合,则表明喷射泵自身动力不足,通过在该单元楼增设辅助循环泵,以单元楼喷射泵和辅助循环泵的联合动力共同提升楼内循环流量,包括:
基于喷射泵供热系统数字孪生模型,通过在线工艺仿真模拟到达各单元楼的流量和各单元楼内的循环流量预测值,判断各单元楼的水力工况是否符合楼内水力平衡,若不符合,则表明当前的喷射泵供热系统自身动力不足,通过在单元楼入口增设辅助循环泵,采用喷射泵和辅助循环泵的联合动力共同提升楼内循环流量;否则,表明喷射泵供热系统的自身动力充足,继续运行当前的喷射泵供热系统。
图3是本发明所涉及的建立喷射泵和辅助循环泵复合调控预测模型实现方法流程图。
如图3所示,在本实施例中,步骤S4中,基于增设辅助循环泵后的复合供热系统数字孪生模型,根据各单元楼的供热数据和运行工况建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略,具体包括:
基于增设的辅助循环泵建立喷射泵和辅助循环泵的复合供热系统数字孪生模型;
根据各单元楼的供回水温度、室温数据、天气数据、各单元楼运行工况、到达各单元楼的流量和各单元楼内的循环流量数据,构造调控模型训练所需的原始数据集;
对原始数据集进行预处理,包括异常值处理、数据清洗、判断数据准确性和缺失值处理;
对预处理后的数据集采用组合模型分别进行模型训练后获得多个调控预测模型后,基于残差自适应分析赋值各个调控预测模型权重比例,经过不断迭代更新权重系数,建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略。
在本实施例中,对预处理后的数据集采用组合模型分别进行模型训练后获得多个调控预测模型后,基于残差自适应分析赋值各个调控预测模型权重比例,经过不断迭代更新权重系数,建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略,包括:
对预处理后的数据集按照训练集和测试集的预设比例进行划分后,将训练集数据分别采用XGBoost模型和SVR模型进行训练,且不断对模型超参数进行调优,获得XGBoost模型预测结果和SVR模型预测结果;
对XGBoost模型预测结果和SVR模型预测结果进行回归分析,当与实际值的偏差满足预设值时,进行组合模型构建;
计算XGBoost模型预测结果和SVR模型预测结果与真实数据之间的残差,并通过残差赋权法对已训练好的XGBoost模型和SVR模型进行权重系数赋值,不断更新其模型的适应度,对权重系数进行迭代更新,建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略。
在本实施例中,权重系数赋值表示为:
其中,n为调控预测模型的总个数;wi(t)为t时刻第i个调控预测模型的权重;εt(t)为t时刻第i个调控预测模型的预测误差平方和;f(xt)为t时刻组合调控预测模型的预测值;fi(xt)为t时刻第i个调控预测模型的预测值。
需要说明的是,构建组合预测模型的关键是对各模型的权重进行赋值,采取的是残差赋权法,基于双模型预测参数与标准值的残差分析,不断更新其模型的适应度,实现模型间的有效交互模式,达到准确预测回归变量的目标。以XGBoost模型和SVR模型预测数据与真实数据之间的残差来确定组合模型的权重系数,它结合了各个模型的优势与特点,利用最优化数学模型来求出各模型组合赋权系数,来构造基于残差的自适应变权组合模型来进一步提高喷射泵和辅助循环泵复合调控预测模型的预测精确度。
在进行组合模型构建过程中,要避免影响数据与调控策略之间发生过拟合现象,可采用特征样本随机训练,减少树深度和正则化参数后等有效方法来降低过拟合。另外,在不断地调试两个模型的超参数调整之后,考虑误差值分析确定超参数范围内最优的参数组合,并在确定结构参数后,对于训练多个模型时采用交叉验证方法,不仅可以对比不同模型的预测效果,而且在交叉验证中,每折训练结束后的模型,结合本折交叉验证都对调控策略进行一次预测。对XGBoost模型和SVR模型的组合模型进行交叉验证,获得多个喷射泵和辅助循环泵调控预测结果,最终组合模型的预测结果是多次预测结果的平均值,减少过拟合,提高模型预测精度。
相比于单模型,基于残差确定的组合模型可充分利用不同的定性预测模型或定量预测模型的优势,可以基于误差分析,不断提升组合模型的预测精度,模型类型相差比较大的两模型间优势互补,不同的预测方法从不同的角度挖掘到的信息也不一致,因此组合模型进一步提高了模型的泛化能力。
在本实施例中,步骤S5中,基于喷射泵和辅助循环泵复合供热系统数字孪生模型对调控策略进行仿真分析、综合评估和楼内水力平衡验证后,进行调控策略的下发执行,包括:
基于喷射泵和辅助循环泵复合供热系统数字孪生模型在线仿真模拟调控策略,评估系统的节能性、经济性、舒适性和验证楼内水力平衡,若未达到预设运行效果,则优化调节喷射泵和辅助循环泵复合供热系统的调控运行参数;若达到预设运行效果,将调控策略进行下发执行。
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)
1.一种基于喷射泵和辅助循环泵的供热系统自主优化运行方法,其特征在于,它包括:
步骤S1、采用机理建模和数据辨识方法构建喷射泵供热系统数字孪生模型;
步骤S2、基于喷射泵供热系统数字孪生模型,根据各单元楼历史热计量数据和喷射泵调控数据、室温数据,预测到达各单元楼的流量和各单元楼内的循环流量;
步骤S3、判断到达各单元楼的流量和各单元楼内的循环流量是否符合楼内水力平衡的流量关系,若不符合,则表明喷射泵自身动力不足,通过在该单元楼增设辅助循环泵,以单元楼喷射泵和辅助循环泵的联合动力共同提升楼内循环流量;
步骤S4、基于增设辅助循环泵后的复合供热系统数字孪生模型,根据各单元楼的供热数据和运行工况建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略;
步骤S5、基于喷射泵和辅助循环泵复合供热系统数字孪生模型对调控策略进行仿真分析、综合评估和楼内水力平衡验证后,进行调控策略的下发执行。
2.根据权利要求1所述的供热系统自主优化运行方法,其特征在于,所述步骤S1中,采用机理建模和数据辨识方法构建喷射泵供热系统数字孪生模型,具体包括:
通过喷射泵供热系统物理模型、逻辑模型、仿真模型和数据模型之间相互耦合和多层次、多尺度集成,将物理空间中的物理实体在虚拟空间进行映射重构后建立喷射泵供热系统数字孪生模型;
通过采用深度学习算法对喷射泵供热系统中物联传感器的多源实时数据、状态数据和历史数据进行挖掘,并通过训练和优化进行喷射泵供热系统数字孪生模型的自学习和自优化。
3.根据权利要求1所述的供热系统自主优化运行方法,其特征在于,所述步骤S2中,基于喷射泵供热系统数字孪生模型,根据各单元楼历史热计量数据和喷射泵调控数据、室温数据,预测到达各单元楼的流量和各单元楼内的循环流量,具体包括:
对各单元楼历史供回水温度、供回水压力、室温数据、天气数据、单元楼热负荷和喷射泵调控开度、楼栋到达流量数据和楼内循环流量数据进行预处理和特征降维处理后,作为流量预测的输入数据;
将流量预测的输入数据输入至构建的多算法组合预测模型中进行线性和非线性数据分解和预测后,将预测结果进行线性叠加获得最终的到达各单元楼的流量和各单元楼内的循环流量预测值。
4.根据权利要求3所述的供热系统自主优化运行方法,其特征在于,所述将流量预测的输入数据输入至构建的多算法组合预测模型中进行线性和非线性数据分解和预测后,将预测结果进行线性叠加获得最终的到达各单元楼的流量和各单元楼内的循环流量预测值,具体包括:
采用CEEMDAN算法对流量预测的输入数据进行分解后获得线性子序列和非线性子序列后,剔除噪声子序列;
采用ARIMA模型对线性子序列进行预测后获得流量第一预测值,采用LSTM模型对非线性子序列进行预测后获得流量第二预测值;
对流量第一预测值和流量第二预测值进行线性叠加后获得最终的到达各单元楼的流量和各单元楼内的循环流量预测值。
5.根据权利要求4所述的供热系统自主优化运行方法,其特征在于,所述ARIMA模型的建模过程包括:
分析数据平稳性,将非平稳的时间序列利用差分处理转化为平稳的时间序列,确定ARIMA模型的差分次数d;
根据ACF自相关函数确定ARIMA模型的自回归系数p,根据PACF偏自相关函数确定ARIMA模型的移动平均系数q;
采用历史数据对ARIMA模型进行训练,对流量进行预测。
6.根据权利要求1所述的供热系统自主优化运行方法,其特征在于,所述步骤S3中,判断到达各单元楼的流量和各单元楼内的循环流量是否符合楼内水力平衡的流量关系,若不符合,则表明喷射泵自身动力不足,通过在该单元楼增设辅助循环泵,以单元楼喷射泵和辅助循环泵的联合动力共同提升楼内循环流量,包括:
基于喷射泵供热系统数字孪生模型,通过在线工艺仿真模拟到达各单元楼的流量和各单元楼内的循环流量预测值,判断各单元楼的水力工况是否符合楼内水力平衡,若不符合,则表明当前的喷射泵供热系统自身动力不足,通过在单元楼入口增设辅助循环泵,采用喷射泵和辅助循环泵的联合动力共同提升楼内循环流量;否则,表明喷射泵供热系统的自身动力充足,继续运行当前的喷射泵供热系统。
7.根据权利要求1所述的供热系统自主优化运行方法,其特征在于,所述步骤S4中,基于增设辅助循环泵后的复合供热系统数字孪生模型,根据各单元楼的供热数据和运行工况建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略,具体包括:
基于增设的辅助循环泵建立喷射泵和辅助循环泵的复合供热系统数字孪生模型;
根据各单元楼的供回水温度、室温数据、天气数据、各单元楼运行工况、到达各单元楼的流量和各单元楼内的循环流量数据,构造调控模型训练所需的原始数据集;
对原始数据集进行预处理,包括异常值处理、数据清洗、判断数据准确性和缺失值处理;
对预处理后的数据集采用组合模型分别进行模型训练后获得多个调控预测模型后,基于残差自适应分析赋值各个调控预测模型权重比例,经过不断迭代更新权重系数,建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略。
8.根据权利要求7所述的供热系统自主优化运行方法,其特征在于,所述对预处理后的数据集采用组合模型分别进行模型训练后获得多个调控预测模型后,基于残差自适应分析赋值各个调控预测模型权重比例,经过不断迭代更新权重系数,建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略,包括:
对预处理后的数据集按照训练集和测试集的预设比例进行划分后,将训练集数据分别采用XGBoost模型和SVR模型进行训练,且不断对模型超参数进行调优,获得XGBoost模型预测结果和SVR模型预测结果;
对XGBoost模型预测结果和SVR模型预测结果进行回归分析,当与实际值的偏差满足预设值时,进行组合模型构建;
计算XGBoost模型预测结果和SVR模型预测结果与真实数据之间的残差,并通过残差赋权法对已训练好的XGBoost模型和SVR模型进行权重系数赋值,不断更新其模型的适应度,对权重系数进行迭代更新,建立喷射泵和辅助循环泵复合调控预测模型,获得喷射泵和辅助循环泵的调控策略。
10.根据权利要求1所述的供热系统自主优化运行方法,其特征在于,所述步骤S5中,基于喷射泵和辅助循环泵复合供热系统数字孪生模型对调控策略进行仿真分析、综合评估和楼内水力平衡验证后,进行调控策略的下发执行,包括:
基于喷射泵和辅助循环泵复合供热系统数字孪生模型在线仿真模拟调控策略,评估系统的节能性、经济性、舒适性和验证楼内水力平衡,若未达到预设运行效果,则优化调节喷射泵和辅助循环泵复合供热系统的调控运行参数;若达到预设运行效果,将调控策略进行下发执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210618914.9A CN115013862B (zh) | 2022-06-01 | 2022-06-01 | 基于喷射泵和辅助循环泵的供热系统自主优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210618914.9A CN115013862B (zh) | 2022-06-01 | 2022-06-01 | 基于喷射泵和辅助循环泵的供热系统自主优化运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115013862A CN115013862A (zh) | 2022-09-06 |
CN115013862B true CN115013862B (zh) | 2023-05-16 |
Family
ID=83073154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210618914.9A Active CN115013862B (zh) | 2022-06-01 | 2022-06-01 | 基于喷射泵和辅助循环泵的供热系统自主优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115013862B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110137601A (ko) * | 2010-06-17 | 2011-12-23 | 주식회사 신성엔지니어링 | 흡수식 냉온수유닛 신난방사이클 |
CN109340902A (zh) * | 2018-10-17 | 2019-02-15 | 余宝法 | 一种调节型水喷射泵供热平衡系统及其平衡方法 |
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 |
CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
CN113701219A (zh) * | 2021-08-05 | 2021-11-26 | 天普新能源科技有限公司 | 一种建筑补能系统及控制方法 |
GB202116859D0 (en) * | 2021-06-29 | 2022-01-05 | Univ Jiangsu | Intelligent parallel pumping system and optimal regulating method thereof |
CN114169236A (zh) * | 2021-12-03 | 2022-03-11 | 国网新疆电力有限公司昌吉供电公司 | 基于lstm算法的相变蓄热式电采暖负控系统控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417619B (zh) * | 2020-11-23 | 2021-10-08 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
-
2022
- 2022-06-01 CN CN202210618914.9A patent/CN115013862B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110137601A (ko) * | 2010-06-17 | 2011-12-23 | 주식회사 신성엔지니어링 | 흡수식 냉온수유닛 신난방사이클 |
CN109340902A (zh) * | 2018-10-17 | 2019-02-15 | 余宝法 | 一种调节型水喷射泵供热平衡系统及其平衡方法 |
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 |
GB202116859D0 (en) * | 2021-06-29 | 2022-01-05 | Univ Jiangsu | Intelligent parallel pumping system and optimal regulating method thereof |
CN113701219A (zh) * | 2021-08-05 | 2021-11-26 | 天普新能源科技有限公司 | 一种建筑补能系统及控制方法 |
CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
CN114169236A (zh) * | 2021-12-03 | 2022-03-11 | 国网新疆电力有限公司昌吉供电公司 | 基于lstm算法的相变蓄热式电采暖负控系统控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115013862A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966954B (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
Buratti et al. | An original tool for checking energy performance and certification of buildings by means of Artificial Neural Networks | |
WO2021258525A1 (zh) | 一种基于并行代理模型的油藏生产机器学习方法 | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
CN112712189B (zh) | 一种供热需求负荷预测方法 | |
CN109084415A (zh) | 基于神经网络和遗传算法的中央空调运行参数寻优方法 | |
CN114811713B (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN106991507A (zh) | 一种SCR入口NOx浓度在线预测方法及装置 | |
CN113657660A (zh) | 基于分站负荷和热网滞后模型的热源负荷预测方法 | |
CN115013860B (zh) | 一种基于楼宇画像的喷射泵供热系统自主优化调控方法 | |
CN111415068A (zh) | 基于改造措施与失负荷量指标关联性的配电决策建模方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN114909706B (zh) | 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 | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
CN115751441A (zh) | 基于二次侧流量的供热系统热力站热量调节方法及系统 | |
CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN115013862B (zh) | 基于喷射泵和辅助循环泵的供热系统自主优化运行方法 | |
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 | |
CN114909707B (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 | |
CN115034133A (zh) | 基于信息物理融合的喷射泵供热系统实现方法 | |
CN110782077A (zh) | 基于周期性数据驱动的建筑热负荷混合预测方法及系统 | |
Barreiro-Gomez et al. | A tutorial on mean-field-type games and risk-aware controllers |
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 |