CN115013863A - 基于数字孪生模型的喷射泵供热系统自主优化调控方法 - Google Patents
基于数字孪生模型的喷射泵供热系统自主优化调控方法 Download PDFInfo
- Publication number
- CN115013863A CN115013863A CN202210620601.7A CN202210620601A CN115013863A CN 115013863 A CN115013863 A CN 115013863A CN 202210620601 A CN202210620601 A CN 202210620601A CN 115013863 A CN115013863 A CN 115013863A
- Authority
- CN
- China
- Prior art keywords
- data
- injection pump
- regulation
- building
- unit building
- 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
- 238000002347 injection Methods 0.000 title claims abstract description 92
- 239000007924 injection Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000010438 heat treatment Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 230000000694 effects Effects 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 65
- 241000282461 Canis lupus Species 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 29
- 230000001105 regulatory effect Effects 0.000 claims description 17
- 230000001276 controlling effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 239000000243 solution Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生模型的喷射泵供热系统自主优化调控方法,包括: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;根据各单元楼热计量数据、室温数据和天气数据,构建各单元楼在不同天气下的负荷预测模型;基于各单元楼负荷预测值并匹配各单元楼运行工况的喷射泵特性,结合各单元楼的供热运行数据,建立喷射泵调控开度预测模型,并依据喷射泵调控开度计算到达各单元楼的需求流量;基于喷射泵供热系统数字孪生模型,推演满足各单元楼需求流量及维持楼内水力平衡的循环流量,进行楼栋到达流量和楼内循环流量的精准匹配;基于喷射泵供热系统数字孪生模型,对喷射泵供热系统的运行效果进行评估和调控策略下发执行。
Description
技术领域
本发明属于智慧供热技术领域,具体涉及一种基于数字孪生模型的喷射泵供热系统自主优化调控方法。
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,如果整个建筑的运行工况一旦变化,容易造成楼内失衡现象,喷射泵供热系统的调节就出现越调越乱的局面,没有科学合理的调控决策方案,无法应对极端天气、突发状况,难以实现喷射泵供热系统变工况变的自主优化调控,不能满足系统的能耗节约指标。
基于上述技术问题,需要设计一种新的基于数字孪生模型的喷射泵供热系统自主优化调控方法。
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,提供一种基于数字孪生模型的喷射泵供热系统自主优化调控方法。
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数字孪生模型的喷射泵供热系统自主优化调控方法,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、根据各单元楼热计量数据、室温数据和天气数据,构建各单元楼在不同天气下的负荷预测模型;
步骤S3、基于各单元楼负荷预测值并匹配各单元楼运行工况的喷射泵特性,结合各单元楼的供热运行数据,建立喷射泵调控开度预测模型,并依据喷射泵调控开度计算到达各单元楼的需求流量;
步骤S4、基于喷射泵供热系统数字孪生模型,推演满足各单元楼需求流量及维持楼内水力平衡的循环流量,进行楼栋到达流量和楼内循环流量的精准匹配;
步骤S5、基于喷射泵供热系统数字孪生模型,对喷射泵供热系统的运行效果进行评估和调控策略下发执行。
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,所述喷射泵供热系统数字孪生模型包括感知层、网络层、数据层和表示层;
所述感知层用于感知喷射泵供热系统环境、设备运行参数和工作状态,为数字孪生模型提供信息流;
所述网络层用于为感知层和数据层提供通信接口,实现设备组网、网络传输和数据交互,为数字孪生模型提供控制流;
所述数据层用于进行多源数据融合、挖掘和分析计算、存储,为数字孪生模型提供数据流;
所述表示层用于进行信息交互服务,通过数字孪生模型进行系统的业务预测、智慧决策、智能监控和安全运维,为数字孪生模型提供决策流。
进一步,所述步骤S2中,根据各单元楼热计量数据、室温数据和天气数据,构建各单元在不同天气下的负荷预测模型,具体包括:
对各单元楼的历史供热运行数据、室温数据和天气数据进行预处理和降维处理后,获得样本数据;
采用XGBoost算法对样本数据进行重要性排序,以提取特征信息;
根据所提取的特征信息选择数据参数,并利用所述数据参数采用优化的极限学习机对各单元楼负荷进行预测。
进一步,所述预处理至少包括缺失值处理和异常值处理;所述降维处理采用的方法为主成分分析方法。
进一步,所述采用XGBoost算法对样本数据进行重要性排序,以提取特征信息,包括:采用XGBoost算法对各单元楼的样本数据进行训练,在训练的过程中计算各个特征的重要性评分,获得特征重要性排序,提取重要特征信息;所述特征信息为影响负荷预测的各个数据参数。
进一步,所述采用优化的极限学习机对各单元楼负荷进行预测,包括:
确定进行单元楼负荷预测的训练样本和测试样本,根据样本数据初始化极限学习机网络结构,设置输入层神经元个数、隐含层神经元个数、输出层神经元个数、激励函数;
对原始灰狼优化算法进行改进:在原始算法的步长更新方式中加入惯性权重,并且通过惯性权重线性微分递减对原始算法进行改进;
设置训练样本的均方根误差作为改进的灰狼优化算法的适应度函数,使用改进的灰狼优化算法寻找极限学习机的参数隐含层节点数的最优解;
极限学习机在最优初始隐含层节点数设定下基于训练样本进行训练;
极限学习机基于测试数据进行各单元楼负荷预测输出。
进一步,所述步骤S3中,基于各单元楼负荷预测值并匹配各单元楼运行工况的喷射泵特性,结合各单元楼的供热运行数据,建立喷射泵调控开度预测模型,并依据喷射泵调控开度计算到达各单元楼的需求流量,具体包括:
将包括各单元楼负荷预测值、供热运行数据和依据各单元楼运行工况匹配的喷射泵运行特性、运行参数作为影响喷射泵调控开度的影响数据,并对影响数据进行预处理和归一化;
使用交叉验证法确定Lasso回归模型中的惩罚项系数λ,并利用Lasso回归模型对影响喷射泵调控开度的各个影响数据系数进行求解,选取与喷射泵调控开度显著相关的因素作为喷射泵调控开度预测模型的输入数据;
对原始灰狼优化算法进行改进:在原始算法的步长更新方式中加入惯性权重,并且通过惯性权重线性微分递减对原始算法进行改进;
设置训练样本的均方根误差作为改进的灰狼优化算法的适应度函数,使用改进的灰狼优化算法寻找SVR算法的惩罚因子和核系数的最优解;
SVR算法在最优惩罚因子和核系数下基于输入数据进行训练和预测后,建立喷射泵调控开度预测模型;
基于喷射泵调控开度预测模型获得的喷射泵调控开度预测值,结合喷射泵结构特性,利用预设的公式计算到达各单元楼的需求流量。
进一步,所述步骤S4中,基于喷射泵供热系统数字孪生模型,推演满足各单元楼需求流量及维持楼内水力平衡的循环流量,进行楼栋到达流量和楼内循环流量的精准匹配,包括:
基于喷射泵供热系统数字孪生模型,通过在线工艺分析和仿真模拟满足喷射泵调控开度、各单元楼需求流量预测值后,分析各个单元楼内的水力运行工况和循环流量,将满足楼内水力平衡所需的循环流量和到达楼栋的流量进行精准匹配,指导喷射泵供热系统在稳定高效工况区间运行。
进一步,所述步骤S5中,基于喷射泵供热系统数字孪生模型,对喷射泵供热系统的运行效果进行评估和调控策略下发执行,包括:
基于喷射泵供热系统数字孪生模型在线评估系统的节能性、经济性和舒适性,若未达到预设运行效果,则优化调节喷射泵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。
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,构建各单元楼在不同天气下的负荷预测模型,基于各单元楼负荷预测值并匹配各单元楼运行工况的喷射泵特性,结合各单元楼的供热运行数据,建立喷射泵调控开度预测模型,并依据喷射泵调控开度计算到达各单元楼的需求流量;基于喷射泵供热系统数字孪生模型,推演满足各单元楼需求流量及维持楼内水力平衡的循环流量,进行楼栋到达流量和楼内循环流量的精准匹配;基于喷射泵供热系统数字孪生模型,对喷射泵供热系统的运行效果进行评估和调控策略下发执行;通过喷射泵供热系统数字孪生模型,采用在线工艺仿真分析,进行负荷预测,开度预测和楼栋需求流量和楼内循环流量的精准匹配,能够提升喷射泵供热系统调控效率和精度,喷射泵系统阻力很大,调节喷射泵时对其他喷射泵流量几乎无影响,实现楼栋之间水力解耦,形成喷射泵调节与所对应楼栋单元工况相对应关系,实现变工况下自主优化调控,按需精准供热;通过喷射泵供热系统增大楼内循环流量,缓解楼内用户垂直失调,减小管网干管压降,增大末端用户压降,进而消除楼间的水力失调现象,提升水力稳定性;以及通过喷射泵供热系统减少热网热力站流量,管线沿程压降损失降低,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为本发明一种基于数字孪生模型的喷射泵供热系统自主优化调控方法流程图;
图2为本发明喷射泵供热系统数字孪生模型结构示意图;
图3为本发明可调型喷射泵的结构示意图;
图4为本发明构建各单元在不同天气下的负荷预测模型实现方法流程图;
图5为本发明计算到达各单元楼的需求流量实现方法流程图。
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数字孪生模型的喷射泵供热系统自主优化调控方法流程图。
如图1所示,本实施例提供了一种基于数字孪生模型的喷射泵供热系统自主优化调控方法,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、根据各单元楼热计量数据、室温数据和天气数据,构建各单元楼在不同天气下的负荷预测模型;
步骤S3、基于各单元楼负荷预测值并匹配各单元楼运行工况的喷射泵特性,结合各单元楼的供热运行数据,建立喷射泵调控开度预测模型,并依据喷射泵调控开度计算到达各单元楼的需求流量;
步骤S4、基于喷射泵供热系统数字孪生模型,推演满足各单元楼需求流量及维持楼内水力平衡的循环流量,进行楼栋到达流量和楼内循环流量的精准匹配;
步骤S5、基于喷射泵供热系统数字孪生模型,对喷射泵供热系统的运行效果进行评估和调控策略下发执行。
图2是本发明所涉及的喷射泵供热系统数字孪生模型结构示意图。
图3是本发明所涉及的可调型喷射泵的结构示意图。
如图2、3所示,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,实现虚拟空间喷射泵供热系统场景与物理空间场景的对象孪生、过程孪生和性能孪生;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,喷射泵供热系统数字孪生模型包括感知层、网络层、数据层和表示层;
感知层用于感知喷射泵供热系统环境、设备运行参数和工作状态,为数字孪生模型提供信息流;
网络层用于为感知层和数据层提供通信接口,实现设备组网、网络传输和数据交互,为数字孪生模型提供控制流;
数据层用于进行多源数据融合、挖掘和分析计算、存储,为数字孪生模型提供数据流;
表示层用于进行信息交互服务,通过数字孪生模型进行系统的业务预测、智慧决策、智能监控和安全运维,为数字孪生模型提供决策流。
需要说明的是,喷射泵供热系统数字孪生模型中:物理模型是建立物理实体的三维物理模型;逻辑模型是将物理模型映射到逻辑模型,通过图形化、形式化描述逻辑模型的组成要素、组织结构和运行机制,并通过逻辑模型将各要素属性和行为反馈到物理模型,实现对物理模型的优化;仿真模型是实现物理实体的孪生对象可视化、孪生结构可视化和孪生过程可视化;仿真模型优化、验证是基于多源数据采用优化算法对仿真模型进行训练、优化,并将仿真结果反馈到物理模型,以及对物理模型与仿真模型进行一致性与可靠性验证;数据模型是通过多源数据融合和深度学习算法,实现物理空间与虚拟空间的数据融合。
图4是本发明所涉及的构建各单元在不同天气下的负荷预测模型实现方法流程图。
如图4所示,在本实施例中,步骤S2中,根据各单元楼热计量数据、室温数据和天气数据,构建各单元在不同天气下的负荷预测模型,具体包括:
对各单元楼的历史供热运行数据、室温数据和天气数据进行预处理和降维处理后,获得样本数据;
采用XGBoost算法对样本数据进行重要性排序,以提取特征信息;
根据所提取的特征信息选择数据参数,并利用数据参数采用优化的极限学习机对各单元楼负荷进行预测。
在本实施例中,预处理至少包括缺失值处理和异常值处理;降维处理采用的方法为主成分分析方法。
在本实施例中,采用XGBoost算法对样本数据进行重要性排序,以提取特征信息,包括:采用XGBoost算法对各单元楼的样本数据进行训练,在训练的过程中计算各个特征的重要性评分,获得特征重要性排序,提取重要特征信息;特征信息为影响负荷预测的各个数据参数。
需要说明的是,XGBoost是一种Boosting集成学习算法,它将多个树进行组合,也就是说XGBoost为树集成模型,不断往模型中添加不同的树,通过特征分裂来生产树模型。XGBoost模型在训练过程中每次选择最好的特征进行分裂,也就是说分裂的次数越多的特征就是越为重要的特征,因此通过计算特征出现的次数就可以获得该特征的重要性得分,这也就是该算法能够进行特征重要性排序的原因,重要性得分的计算公式表示为:
其中,n为XGBoost中树的编号;Nt为XGBoost中树的数量;xi为影响负荷预测输数据特征个数。
在实际的训练过程中,影响因素在所有树中每次分裂结点时带来的总的信息增益可以认为是该特征的重要性得分,反映影响因素与负荷预测模型输出之间的相关性,在每次对树中已有的叶结点进行分裂时,都计算所选取特征的增益,当生成多棵树时,对多个特征,将每个特征在每棵树结点分裂时的信息增益累加起来,就得到该特征在所有树中每次分裂结点时带来的总的信息增益,也就是该影响因素的重要性得分,并对多个特征的重要度从高到低进行排序后形成特征矩阵,重要的特征集中在矩阵上部,进行特征提取时的权重也集中于上部,提取出的特征矩阵中与热负荷相关的特征也集中。
在本实施例中,采用优化的极限学习机对各单元楼负荷进行预测,包括:
确定进行单元楼负荷预测的训练样本和测试样本,根据样本数据初始化极限学习机网络结构,设置输入层神经元个数、隐含层神经元个数、输出层神经元个数、激励函数;
对原始灰狼优化算法进行改进:在原始算法的步长更新方式中加入惯性权重,并且通过惯性权重线性微分递减对原始算法进行改进;
设置训练样本的均方根误差作为改进的灰狼优化算法的适应度函数,使用改进的灰狼优化算法寻找极限学习机的参数隐含层节点数的最优解;
极限学习机在最优初始隐含层节点数设定下基于训练样本进行训练;
极限学习机基于测试数据进行各单元楼负荷预测输出。
需要说明的是,极限学习机是一种单个隐含层的神经网络算法,该算法使用及其方便,是因为它的输入层与隐含层之间的连接权值以及隐含层神经元的阈值都是不需要经过模型训练获得的,而是通过随机产生的,模型建立过程中需要确定是隐含层神经元的激活函数和隐含层神经元个数,在定义了这两项之后进行模型训练就可以得到全局最优解,而且该算法具有训练速度快、泛化能力强优点。
灰狼优化算法是受到灰狼捕猎食物活动的启发而开发的。灰狼算法因为其具有较强的收敛性能、易实现且参数少等优点被广泛使用,优化过程包括包围和狩猎两部分,灰狼会包围猎物,并通过改变方向位置不断靠近猎物,以及通过各个等级的灰狼个体,首领狼带领其他狼,通过不断调整自身的位置,经过不断的迭代逐渐靠近猎物,最终捕获猎物。
灰狼算法原始的步长更新方式是假定猎物的位置不变来定义的,但是在真实的捕猎过程中,猎物是不断移动的,所以原始的算法的步长更新方式是对资源的一种浪费,算法不容易收敛。并且在实际应用当中,在算法初始阶段需要较大的搜索空间,这样可以有效避免陷入局部最优,而在后期需要较小的搜索空间使算法更快的收敛。所以对步长更新方式进行改进,通过在原始算法的步长更新方式中加入惯性权重,并且通过惯性权重线性微分递减对原始算法进行改进。惯性权重是能保持前一时刻运动状态的能力,惯性权重可以对灰狼的运动速度和搜索范围进行一定的控制,即迭代前期惯性权重比较大的时候,灰狼的速度比较大,搜索范围就会大,后期惯性权重小,灰狼速度变小,搜索范围就越来越小。
图5是本发明所涉及的计算到达各单元楼的需求流量实现方法流程图。
如图5所示,在本实施例中,步骤S3中,基于各单元楼负荷预测值并匹配各单元楼运行工况的喷射泵特性,结合各单元楼的供热运行数据,建立喷射泵调控开度预测模型,并依据喷射泵调控开度计算到达各单元楼的需求流量,具体包括:
将包括各单元楼负荷预测值、供热运行数据和依据各单元楼运行工况匹配的喷射泵运行特性、运行参数作为影响喷射泵调控开度的影响数据,并对影响数据进行预处理和归一化;
使用交叉验证法确定Lasso回归模型中的惩罚项系数λ,并利用Lasso回归模型对影响喷射泵调控开度的各个影响数据系数进行求解,选取与喷射泵调控开度显著相关的因素作为喷射泵调控开度预测模型的输入数据;
对原始灰狼优化算法进行改进:在原始算法的步长更新方式中加入惯性权重,并且通过惯性权重线性微分递减对原始算法进行改进;
设置训练样本的均方根误差作为改进的灰狼优化算法的适应度函数,使用改进的灰狼优化算法寻找SVR算法的惩罚因子和核系数的最优解;
SVR算法在最优惩罚因子和核系数下基于输入数据进行训练和预测后,建立喷射泵调控开度预测模型;
基于喷射泵调控开度预测模型获得的喷射泵调控开度预测值,结合喷射泵结构特性,利用预设的公式计算到达各单元楼的需求流量。
在本实施例中,步骤S4中,基于喷射泵供热系统数字孪生模型,推演满足各单元楼需求流量及维持楼内水力平衡的循环流量,进行楼栋到达流量和楼内循环流量的精准匹配,包括:
基于喷射泵供热系统数字孪生模型,通过在线工艺分析和仿真模拟满足喷射泵调控开度、各单元楼需求流量预测值后,分析各个单元楼内的水力运行工况和循环流量,将满足楼内水力平衡所需的循环流量和到达楼栋的流量进行精准匹配,指导喷射泵供热系统在稳定高效工况区间运行。
在本实施例中,步骤S5中,基于喷射泵供热系统数字孪生模型,对喷射泵供热系统的运行效果进行评估和调控策略下发执行,包括:
基于喷射泵供热系统数字孪生模型在线评估系统的节能性、经济性和舒适性,若未达到预设运行效果,则优化调节喷射泵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。
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)
1.一种基于数字孪生模型的喷射泵供热系统自主优化调控方法,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、根据各单元楼热计量数据、室温数据和天气数据,构建各单元楼在不同天气下的负荷预测模型;
步骤S3、基于各单元楼负荷预测值并匹配各单元楼运行工况的喷射泵特性,结合各单元楼的供热运行数据,建立喷射泵调控开度预测模型,并依据喷射泵调控开度计算到达各单元楼的需求流量;
步骤S4、基于喷射泵供热系统数字孪生模型,推演满足各单元楼需求流量及维持楼内水力平衡的循环流量,进行楼栋到达流量和楼内循环流量的精准匹配;
步骤S5、基于喷射泵供热系统数字孪生模型,对喷射泵供热系统的运行效果进行评估和调控策略下发执行。
2.根据权利要求1所述的喷射泵供热系统自主优化调控方法,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2所述的喷射泵供热系统自主优化调控方法,其特征在于,所述喷射泵供热系统数字孪生模型包括感知层、网络层、数据层和表示层;
所述感知层用于感知喷射泵供热系统环境、设备运行参数和工作状态,为数字孪生模型提供信息流;
所述网络层用于为感知层和数据层提供通信接口,实现设备组网、网络传输和数据交互,为数字孪生模型提供控制流;
所述数据层用于进行多源数据融合、挖掘和分析计算、存储,为数字孪生模型提供数据流;
所述表示层用于进行信息交互服务,通过数字孪生模型进行系统的业务预测、智慧决策、智能监控和安全运维,为数字孪生模型提供决策流。
4.根据权利要求1所述的喷射泵供热系统自主优化调控方法,其特征在于,所述步骤S2中,根据各单元楼热计量数据、室温数据和天气数据,构建各单元在不同天气下的负荷预测模型,具体包括:
对各单元楼的历史供热运行数据、室温数据和天气数据进行预处理和降维处理后,获得样本数据;
采用XGBoost算法对样本数据进行重要性排序,以提取特征信息;
根据所提取的特征信息选择数据参数,并利用所述数据参数采用优化的极限学习机对各单元楼负荷进行预测。
5.根据权利要求4所述的喷射泵供热系统自主优化调控方法,其特征在于,所述预处理至少包括缺失值处理和异常值处理;所述降维处理采用的方法为主成分分析方法。
6.根据权利要求4所述的喷射泵供热系统自主优化调控方法,其特征在于,所述采用XGBoost算法对样本数据进行重要性排序,以提取特征信息,包括:
采用XGBoost算法对各单元楼的样本数据进行训练,在训练的过程中计算各个特征的重要性评分,获得特征重要性排序,提取重要特征信息;所述特征信息为影响负荷预测的各个数据参数。
7.根据权利要求4所述的喷射泵供热系统自主优化调控方法,其特征在于,所述采用优化的极限学习机对各单元楼负荷进行预测,包括:
确定进行单元楼负荷预测的训练样本和测试样本,根据样本数据初始化极限学习机网络结构,设置输入层神经元个数、隐含层神经元个数、输出层神经元个数、激励函数;
对原始灰狼优化算法进行改进:在原始算法的步长更新方式中加入惯性权重,并且通过惯性权重线性微分递减对原始算法进行改进;
设置训练样本的均方根误差作为改进的灰狼优化算法的适应度函数,使用改进的灰狼优化算法寻找极限学习机的参数隐含层节点数的最优解;
极限学习机在最优初始隐含层节点数设定下基于训练样本进行训练;
极限学习机基于测试数据进行各单元楼负荷预测输出。
8.根据权利要求1所述的喷射泵供热系统自主优化调控方法,其特征在于,所述步骤S3中,基于各单元楼负荷预测值并匹配各单元楼运行工况的喷射泵特性,结合各单元楼的供热运行数据,建立喷射泵调控开度预测模型,并依据喷射泵调控开度计算到达各单元楼的需求流量,具体包括:
将包括各单元楼负荷预测值、供热运行数据和依据各单元楼运行工况匹配的喷射泵运行特性、运行参数作为影响喷射泵调控开度的影响数据,并对影响数据进行预处理和归一化;
使用交叉验证法确定Lasso回归模型中的惩罚项系数λ,并利用Lasso回归模型对影响喷射泵调控开度的各个影响数据系数进行求解,选取与喷射泵调控开度显著相关的因素作为喷射泵调控开度预测模型的输入数据;
对原始灰狼优化算法进行改进:在原始算法的步长更新方式中加入惯性权重,并且通过惯性权重线性微分递减对原始算法进行改进;
设置训练样本的均方根误差作为改进的灰狼优化算法的适应度函数,使用改进的灰狼优化算法寻找SVR算法的惩罚因子和核系数的最优解;
SVR算法在最优惩罚因子和核系数下基于输入数据进行训练和预测后,建立喷射泵调控开度预测模型;
基于喷射泵调控开度预测模型获得的喷射泵调控开度预测值,结合喷射泵结构特性,利用预设的公式计算到达各单元楼的需求流量。
9.根据权利要求1所述的喷射泵供热系统自主优化调控方法,其特征在于,所述步骤S4中,基于喷射泵供热系统数字孪生模型,推演满足各单元楼需求流量及维持楼内水力平衡的循环流量,进行楼栋到达流量和楼内循环流量的精准匹配,包括:
基于喷射泵供热系统数字孪生模型,通过在线工艺分析和仿真模拟满足喷射泵调控开度、各单元楼需求流量预测值后,分析各个单元楼内的水力运行工况和循环流量,将满足楼内水力平衡所需的循环流量和到达楼栋的流量进行精准匹配,指导喷射泵供热系统在稳定高效工况区间运行。
10.根据权利要求1所述的喷射泵供热系统自主优化调控方法,其特征在于,所述步骤S5中,基于喷射泵供热系统数字孪生模型,对喷射泵供热系统的运行效果进行评估和调控策略下发执行,包括:
基于喷射泵供热系统数字孪生模型在线评估系统的节能性、经济性和舒适性,若未达到预设运行效果,则优化调节喷射泵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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620601.7A CN115013863B (zh) | 2022-06-01 | 2022-06-01 | 基于数字孪生模型的喷射泵供热系统自主优化调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620601.7A CN115013863B (zh) | 2022-06-01 | 2022-06-01 | 基于数字孪生模型的喷射泵供热系统自主优化调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115013863A true CN115013863A (zh) | 2022-09-06 |
CN115013863B CN115013863B (zh) | 2023-11-17 |
Family
ID=83073638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210620601.7A Active CN115013863B (zh) | 2022-06-01 | 2022-06-01 | 基于数字孪生模型的喷射泵供热系统自主优化调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115013863B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859808A (zh) * | 2022-12-01 | 2023-03-28 | 南栖仙策(南京)科技有限公司 | 一种泵组工作预测方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192915A1 (en) * | 2004-02-27 | 2005-09-01 | Osman Ahmed | System and method for predicting building thermal loads |
EP3346197A1 (en) * | 2016-11-08 | 2018-07-11 | Mitsubishi Electric Corporation | Heating control system and heat pump hot-water heating system |
CN111161410A (zh) * | 2019-12-30 | 2020-05-15 | 中国矿业大学(北京) | 一种矿井数字孪生模型及其构建方法 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 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 |
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 |
CN113266869A (zh) * | 2021-05-20 | 2021-08-17 | 华北电力大学 | 基于数字孪生技术的热电联合供暖系统实时优化调控方法 |
CN113343500A (zh) * | 2021-07-08 | 2021-09-03 | 安徽容知日新科技股份有限公司 | 一种构建数字孪生系统的方法及计算设备 |
CN113449464A (zh) * | 2021-06-11 | 2021-09-28 | 淮阴工学院 | 一种基于改进深度极限学习机的风功率预测方法 |
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 |
CN114270364A (zh) * | 2019-06-17 | 2022-04-01 | 格兰富控股联合股份公司 | 用于控制和监测泵的计算机实现的系统和方法 |
-
2022
- 2022-06-01 CN CN202210620601.7A patent/CN115013863B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192915A1 (en) * | 2004-02-27 | 2005-09-01 | Osman Ahmed | System and method for predicting building thermal loads |
EP3346197A1 (en) * | 2016-11-08 | 2018-07-11 | Mitsubishi Electric Corporation | Heating control system and heat pump hot-water heating system |
CN114270364A (zh) * | 2019-06-17 | 2022-04-01 | 格兰富控股联合股份公司 | 用于控制和监测泵的计算机实现的系统和方法 |
CN111161410A (zh) * | 2019-12-30 | 2020-05-15 | 中国矿业大学(北京) | 一种矿井数字孪生模型及其构建方法 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 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 |
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 |
CN113266869A (zh) * | 2021-05-20 | 2021-08-17 | 华北电力大学 | 基于数字孪生技术的热电联合供暖系统实时优化调控方法 |
CN113449464A (zh) * | 2021-06-11 | 2021-09-28 | 淮阴工学院 | 一种基于改进深度极限学习机的风功率预测方法 |
CN113343500A (zh) * | 2021-07-08 | 2021-09-03 | 安徽容知日新科技股份有限公司 | 一种构建数字孪生系统的方法及计算设备 |
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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859808A (zh) * | 2022-12-01 | 2023-03-28 | 南栖仙策(南京)科技有限公司 | 一种泵组工作预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115013863B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alcalá et al. | Fuzzy control of HVAC systems optimized by genetic algorithms | |
CN112966954B (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
CN113657660B (zh) | 基于分站负荷和热网滞后模型的热源负荷预测方法 | |
CN110392515A (zh) | 一种基于历史数据的冷热源机房节能控制方法及系统 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
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 | |
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 | |
CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
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 | |
CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
CN112052570A (zh) | 一种基于灰狼算法的火电厂湿冷机组经济背压寻优方法 | |
CN113361214A (zh) | 一种基于水位流量数据的明渠控制模型参数辨识方法 | |
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 | |
CN110928215B (zh) | 一种油田掺水管网智能控制系统及控制方法 | |
CN116628972A (zh) | 基于预测模型的工业余热并入热网的供热系统控制方法 | |
CN114970766A (zh) | 一种基于线性拟合的电站机组运行参数基准值获取方法 | |
CN114909706A (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 | |
CN113088359A (zh) | 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法 | |
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 | |
CN117557019A (zh) | 基于模型预测控制的含热泵集群的供热系统调度方法 | |
He et al. | An Improved Coupling Model of Grey-System and Multivariate Linear Regression for Water Consumption Forecasting. | |
CN109886454A (zh) | 一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法 | |
CN115828726A (zh) | 基于机器学习的太阳能跨季节储热供热系统优化控制方法 |
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 |