CN115034133A - 基于信息物理融合的喷射泵供热系统实现方法 - Google Patents
基于信息物理融合的喷射泵供热系统实现方法 Download PDFInfo
- Publication number
- CN115034133A CN115034133A CN202210620595.5A CN202210620595A CN115034133A CN 115034133 A CN115034133 A CN 115034133A CN 202210620595 A CN202210620595 A CN 202210620595A CN 115034133 A CN115034133 A CN 115034133A
- Authority
- CN
- China
- Prior art keywords
- injection pump
- model
- data
- unit building
- heat supply
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000002347 injection Methods 0.000 claims abstract description 131
- 239000007924 injection Substances 0.000 claims abstract description 131
- 238000010438 heat treatment Methods 0.000 claims abstract description 72
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000013210 evaluation model Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 239000012530 fluid Substances 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- 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)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于信息物理融合的喷射泵供热系统实现方法,包括:创建喷射泵供热系统服务平台:物联数据采集;建立数字孪生模型:对采集的实时数据、历史数据和数字仿真模型,采用数字孪生技术建立喷射泵供热系统数字孪生模型;单元楼评估预测:基于数字孪生模型,运用实时仿真和工艺数据,在线分析各单元楼运行工况并建立单元楼循环流量评估模型;选型和调节管控:基于各单元楼运行工况和单元楼循环流量评估模型进行喷射泵设备选型匹配和喷射泵运行调节管控;系统评估和优化:基于数字孪生模型评估系统的运行效果,优化运行参数,在线分析指导喷射泵供热系统在稳定高效区间运行,实现运行工况自适应。
Description
技术领域
本发明属于智慧供热技术领域,具体涉及一种基于信息物理融合的喷射泵供热系统实现方法。
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有关设备选型和调节没有科学合理的技术方案,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。
基于上述技术问题,需要设计一种新的基于信息物理融合的喷射泵供热系统实现方法。
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,提供一种基于信息物理融合的喷射泵供热系统实现方法。
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信息物理融合的喷射泵供热系统实现方法,它包括:
步骤S1、创建喷射泵供热系统服务平台:对喷射泵供热系统进行机理建模,在虚拟空间中生成相应的数字仿真模型,并与系统实物形成虚实映射;
步骤S2、物联数据采集:基于系统设置的物联网传感器进行数据采集,并上传至喷射泵供热系统服务平台进行数据处理和融合;
步骤S3、建立数字孪生模型:对采集的实时数据、历史数据和数字仿真模型,采用数字孪生技术建立喷射泵供热系统数字孪生模型;
步骤S4、单元楼评估预测:基于喷射泵供热系统数字孪生模型,运用实时仿真和工艺数据,在线分析各单元楼运行工况并建立单元楼循环流量评估模型;
步骤S5、选型和调节管控:基于各单元楼运行工况和单元楼循环流量评估模型进行喷射泵设备选型匹配和喷射泵运行调节管控;
步骤S6、系统评估和优化:基于喷射泵供热系统数字孪生模型评估系统的运行效果,优化运行参数,在线分析指导喷射泵供热系统在稳定高效区间运行,实现运行工况自适应。
进一步,所述步骤S1中,对喷射泵供热系统进行机理建模,在虚拟空间中生成相应的数字仿真模型,并与系统实物形成虚实映射,包括:
基于喷射泵供热系统的运行原理,结合热力学定律、流体力学质量、动量及能量守恒定律对喷射泵供热系统的功能特征分析、结构特征分析和运行特性分析,确定喷射泵供热系统的子系统集合、结构特点和运行参数;
依据应用于单元楼入口处的喷射泵供热系统实际结构设计和对物理对象实体进行分析,在虚拟空间中通过机理建模生成喷射泵供热系统的数字仿真模型,并建立虚拟空间和物理实体之间的通信,形成虚拟空间和系统实物的虚实映射,创建喷射泵供热系统服务平台。
进一步,所述步骤S2中,基于系统设置的物联网传感器进行数据采集,并上传至喷射泵供热系统服务平台进行数据处理和融合,包括:
基于喷射泵供热系统设置的物联网传感器进行数据采集,至少包括热计量数据、供回水压差、供水流量和楼内循环流量数据的采集;
将采集的实时数据和历史数据进行处理,去除冗余数据,整合异构数据,将数据信息进行归类和存储后,通过通信网络上传至喷射泵供热系统服务平台。
进一步,所述步骤S3中,对采集的实时数据、历史数据和数字仿真模型,采用数字孪生技术建立喷射泵供热系统数字孪生模型,包括:
通过数字孪生技术对采集的实时数据、历史数据和数字仿真模型进行数据驱动后,与系统虚拟实体形成的仿真数据建立映射关系,建立喷射泵供热系统数字孪生模型;所述喷射泵供热系统数字孪生模型包括结构模型、物理模型、行为模型和规则模型;
通过对采集的实时数据和历史数据进行喷射泵供热系统数字孪生模型运行特征的提取,根据运行特征和模型的输出,采用学习算法对喷射泵供热系统数字孪生模型进行辨识,对模型参数进行更新和修正后,获得辨识修正后的喷升泵供热系统数字孪生模型;所述学习算法至少包括递推极大似然学习算法和神经网络算法。
进一步,所述步骤S4中,基于喷射泵供热系统数字孪生模型,运用实时仿真和工艺数据,在线分析各单元楼运行工况并建立单元楼循环流量评估模型,具体包括:
利用喷射泵供热系统数字孪生模型对各个单元楼在不同天气下的室温分布情况、历史供回水压差、供回水温度、供水流量、热负荷数据、单元楼内的阻力、循环流量数据,以及喷射泵供热系统在变工况下的性能参数,构建各单元楼运行工况数字孪生数据库,并对数据库中的各类数据进行在线仿真计算和工艺分析后,获得各单元楼运行工况特征数据;
根据各单元楼运行工况特征数据对构建的学习算法进行训练,得到训练后的各单元楼循环流量评估模型。
进一步,所述根据各单元楼运行工况特征数据对构建的学习算法进行训练,得到训练后的各单元楼循环流量评估模型,包括:
对动态贝叶斯网络进行初始化设置和参数学习;每个动态贝叶斯网络包括基于初始的联合概率分布的先验网络和基于前后时间上产生相同的转移概率的转移网络;所述先验网络规定了时间过程的先验概率分布;所述转移网络是基于有限时间段上的状态,规定对任意节点上已知的t-1时刻变量状态与t时刻该变量状态的转移概率;
将各单元楼运行工况特征数据输入至构建的动态贝叶斯网络中,并利用动态贝叶斯网络推理规则,对t到t+h时间内的各单元楼循环流量进行评估,建立各单元楼循环流量评估模型;
其中,采用期望最大化EM算法进行动态贝叶斯网络的参数学习;所述动态贝叶斯网络包括输入层、隐藏层和输出层节点,输入层对应的变量为各单元楼运行工况特征数据,隐藏层表示隐藏状态,输出层对应的变量为各单元楼达到楼内平衡所需的循环流量。
进一步,所述步骤S5中,基于各单元楼运行工况和单元楼循环流量评估模型进行喷射泵设备选型匹配和喷射泵运行调节管控,包括:
基于各单元楼运行工况和单元楼循环流量评估模型,确定与单元楼运行工况匹配的喷射泵设备选型;
基于喷射泵供热系统数字孪生模型,结合各单元楼运行工况和达到楼内平衡所需的循环流量值,通过在线工艺分析,确定喷射泵最优运行工况点和喷射泵在变工况下的运行调节区间。
进一步,所述喷射泵设备选型包括:
确定各单元楼建筑面积和实际供热面积;
确定喷射泵混水比并根据实际运行流量确定喷射泵选型流量系数、喷射泵安装位置;
对改造后的喷射泵供热系统、二次网和热力站内进行水力计算,确定喷射泵后供热系统资用压差和每台喷射泵的设计压差;
根据喷射泵后供热系统资用压差和每台喷射泵的设计压差,计算喷射泵选型判据值,依据判据值判断喷射泵运行效果,若判据值较小,喷射泵运行效果较差;
计算喷射泵尺寸规格,所述喷射泵尺寸包括喷嘴尺寸、喉管尺寸和喷射泵其他部位尺寸。
进一步,所述步骤S6中,基于喷射泵供热系统数字孪生模型评估系统的运行效果,优化运行参数,在线分析指导喷射泵供热系统在稳定高效区间运行,实现运行工况自适应,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运行参数,在线指导喷射泵供热系统在稳定高效区间运行,并通过工艺在线分析,结合喷射泵性能特性,实现运行工况和运行参数调节的自适应,判断喷射泵在新工况下能否正常运行,做出相应调节。
本发明的有益效果是:
本发明通过创建喷射泵供热系统服务平台和物联数据采集、建立数字孪生模型后,实现对喷射泵供热系统的机理建模和数据辨识,建立系统的虚实映射,综合计算、网络和物理环境,将物理过程和计算过程集成,使得各个子系统、设备之间通过物联通信方式相互协调运行,实现系统的实时感知、动态调节和信息服务,为后续喷射泵供热系统的设计建立了基础;基于建立的喷射泵供热系统数字孪生模型进行单元楼运行工况在线分析和建立单元楼循环流量评估模型,进行喷射泵设备选型匹配和喷射泵运行调节管控,实现设备科学选型,与单元楼工况匹配,实现设备选型、运行调节与运行工况自适应匹配,以及通过评估系统的运行效果,优化运行参数,在线分析指导喷射泵供热系统在稳定高效区间运行,实现运行工况自适应,提升喷射泵供热系统的运行调节特性,提升系统水力稳定性,实现经济节能目的。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于信息物理融合的喷射泵供热系统实现方法流程图;
图2为本发明可调型喷射泵的结构示意图;
图3为本发明基于动态贝叶斯网络建立各单元楼循环流量评估模型原理示意图。
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信息物理融合的喷射泵供热系统实现方法流程图。
如图1所示,本实施例提供了一种基于信息物理融合的喷射泵供热系统实现方法,它包括:
步骤S1、创建喷射泵供热系统服务平台:对喷射泵供热系统进行机理建模,在虚拟空间中生成相应的数字仿真模型,并与系统实物形成虚实映射;
步骤S2、物联数据采集:基于系统设置的物联网传感器进行数据采集,并上传至喷射泵供热系统服务平台进行数据处理和融合;
步骤S3、建立数字孪生模型:对采集的实时数据、历史数据和数字仿真模型,采用数字孪生技术建立喷射泵供热系统数字孪生模型;
步骤S4、单元楼评估预测:基于喷射泵供热系统数字孪生模型,运用实时仿真和工艺数据,在线分析各单元楼运行工况并建立单元楼循环流量评估模型;
步骤S5、选型和调节管控:基于各单元楼运行工况和单元楼循环流量评估模型进行喷射泵设备选型匹配和喷射泵运行调节管控;
步骤S6、系统评估和优化:基于喷射泵供热系统数字孪生模型评估系统的运行效果,优化运行参数,在线分析指导喷射泵供热系统在稳定高效区间运行,实现运行工况自适应。
在本实施例中,步骤S1中,对喷射泵供热系统进行机理建模,在虚拟空间中生成相应的数字仿真模型,并与系统实物形成虚实映射,包括:
基于喷射泵供热系统的运行原理,结合热力学定律、流体力学质量、动量及能量守恒定律对喷射泵供热系统的功能特征分析、结构特征分析和运行特性分析,确定喷射泵供热系统的子系统集合、结构特点和运行参数;
依据应用于单元楼入口处的喷射泵供热系统实际结构设计和对物理对象实体进行分析,在虚拟空间中通过机理建模生成喷射泵供热系统的数字仿真模型,并建立虚拟空间和物理实体之间的通信,形成虚拟空间和系统实物的虚实映射,创建喷射泵供热系统服务平台。
在本实施例中,步骤S2中,基于系统设置的物联网传感器进行数据采集,并上传至喷射泵供热系统服务平台进行数据处理和融合,包括:
基于喷射泵供热系统设置的物联网传感器进行数据采集,至少包括热计量数据、供回水压差、供水流量和楼内循环流量数据的采集;
将采集的实时数据和历史数据进行处理,去除冗余数据,整合异构数据,将数据信息进行归类和存储后,通过通信网络上传至喷射泵供热系统服务平台。
在本实施例中,步骤S3中,对采集的实时数据、历史数据和数字仿真模型,采用数字孪生技术建立喷射泵供热系统数字孪生模型,包括:
通过数字孪生技术对采集的实时数据、历史数据和数字仿真模型进行数据驱动后,与系统虚拟实体形成的仿真数据建立映射关系,建立喷射泵供热系统数字孪生模型;喷射泵供热系统数字孪生模型包括结构模型、物理模型、行为模型和规则模型;
通过对采集的实时数据和历史数据进行喷射泵供热系统数字孪生模型运行特征的提取,根据运行特征和模型的输出,采用学习算法对喷射泵供热系统数字孪生模型进行辨识,对模型参数进行更新和修正后,获得辨识修正后的喷升泵供热系统数字孪生模型;学习算法至少包括递推极大似然学习算法和神经网络算法。
需要说明的是,数字孪生是一种集成多物理、多尺度、多学科属性的技术,具有虚实融合、实时交互连接、迭代优化以及全流程数据驱动等特点,可以对物理实体提供数据分析、状态预测等功能,辅助物理设备进行行为优化和决策。其中数字孪生体是数据空间对物理空间的物理实体进行的映射,具备对物理实体进行时域上的回溯、趋势上的预测、信息的融合等功能。
图2是本发明所涉及的可调型喷射泵的结构示意图。
在实际的应用中,如图2所示,可调型喷射泵结构:高压工作流体经过喷嘴速度增大,压力减小,在吸入室内形成低压区域,引射流体被不断吸入。两股流体在混合室进行动量和能量交换后,速度和压力逐渐趋近于一致。随后,混合流体进入扩压管,进行动能和势能的转换,最后流出喷射泵。
建立喷射泵供热系统数字孪生模型时,需要考虑喷射泵内部流动的复杂性,通过借助流体力学质量、动量及能量守恒三大定律进行理论分析;其中,质量守恒方程表示为:Gc=Gp+Gh=(1+μ)Gp;Gc为喷射泵混合流体质量流量;Gp喷射泵工作流体质量流量;Gh为喷射泵引射流体质量流量;μ为流量比;动量守恒方程:v2、v3分别为喉管入口截面引射流体流速、喉管出口截面混合流体流速;P2、P3分别为喉管入口截面混合流体压力、喉管出口截面混合流体压力;为喉管流速系数;vp为喷射泵工作流体流速。
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,运用实时仿真和工艺数据,在线分析各单元楼运行工况并建立单元楼循环流量评估模型,具体包括:
利用喷射泵供热系统数字孪生模型对各个单元楼在不同天气下的室温分布情况、历史供回水压差、供回水温度、供水流量、热负荷数据、单元楼内的阻力、循环流量数据,以及喷射泵供热系统在变工况下的性能参数,构建各单元楼运行工况数字孪生数据库,并对数据库中的各类数据进行在线仿真计算和工艺分析后,获得各单元楼运行工况特征数据;
根据各单元楼运行工况特征数据对构建的学习算法进行训练,得到训练后的各单元楼循环流量评估模型。
图3是本发明所涉及的基于动态贝叶斯网络建立各单元楼循环流量评估模型原理示意图。
如图3所示,在本实施例中,根据各单元楼运行工况特征数据对构建的学习算法进行训练,得到训练后的各单元楼循环流量评估模型,包括:
对动态贝叶斯网络进行初始化设置和参数学习;每个动态贝叶斯网络包括基于初始的联合概率分布的先验网络和基于前后时间上产生相同的转移概率的转移网络;先验网络规定了时间过程的先验概率分布;转移网络是基于有限时间段上的状态,规定对任意节点上已知的t-1时刻变量状态与t时刻该变量状态的转移概率;
将各单元楼运行工况特征数据输入至构建的动态贝叶斯网络中,并利用动态贝叶斯网络推理规则,对t到t+h时间内的各单元楼循环流量进行评估,建立各单元楼循环流量评估模型;
其中,采用期望最大化EM算法进行动态贝叶斯网络的参数学习;动态贝叶斯网络包括输入层、隐藏层和输出层节点,输入层对应的变量为各单元楼运行工况特征数据,隐藏层表示隐藏状态,输出层对应的变量为各单元楼达到楼内平衡所需的循环流量。
在实际的应用中,贝叶斯网络是用于学习网络拓扑的概率图形模型,应用于决策、预测、异常监测以及推理等领域,能够整合不同来源的信息,包括实时数据、历史数据和专家经验等,学习大量相互作用变量之间的依赖关系,并且通过后验概率量化相互作用的变量之间的依赖关系。基于数字孪生的虚拟模型是随着时间变化,需要应用与时间相关联的动态贝叶斯,动态贝叶斯网络是贝叶斯在时间序列上的展开,在有了时间变量后,随着时间变化而产生不同数据,并反映不同变量随着时间变化而动态变化的信息;单元楼的运行工况分析和喷射泵系统的运行调节是与多种系统变量相关,而且随着时间变化,供热系统变量也随之变化,进而整个单元楼的运行工况和喷射泵系统的运行调节也是动态变化的,因此动态贝叶斯网络能够在时间层次上动态表达数据状态和提高相关分析、调节准确度和效率。
在本实施例中,步骤S5中,基于各单元楼运行工况和单元楼循环流量评估模型进行喷射泵设备选型匹配和喷射泵运行调节管控,包括:
基于各单元楼运行工况和单元楼循环流量评估模型,确定与单元楼运行工况匹配的喷射泵设备选型;
基于喷射泵供热系统数字孪生模型,结合各单元楼运行工况和达到楼内平衡所需的循环流量值,通过在线工艺分析,确定喷射泵最优运行工况点和喷射泵在变工况下的运行调节区间。
进一步,喷射泵设备选型包括:
确定各单元楼建筑面积和实际供热面积;
确定喷射泵混水比并根据实际运行流量确定喷射泵选型流量系数、喷射泵安装位置;
对改造后的喷射泵供热系统、二次网和热力站内进行水力计算,确定喷射泵后供热系统资用压差和每台喷射泵的设计压差;
根据喷射泵后供热系统资用压差和每台喷射泵的设计压差,计算喷射泵选型判据值,依据判据值判断喷射泵运行效果,若判据值较小,喷射泵运行效果较差;
计算喷射泵尺寸规格,喷射泵尺寸包括喷嘴尺寸、喉管尺寸和喷射泵其他部位尺寸。
在实际的应用中,基于数字孪生模型和在线工艺分析进行喷射泵选型和调节,喷射泵结构选型和设计,至少包括喷射泵喷射比设计、喷射泵后供热系统资用压差和每台喷射泵的设计压差设计、工作流体以及引射流体的进口管道直径设计、喷射泵混合流体出口管道直径、喷嘴出口截面直径、截面比设计、喷射比设计等等,不同的单元楼运行状况和楼栋流量评估与喷射泵系统选型和设计进行匹配,实现工况自适应,以及确定喷射泵运行工况变化点和流量特性,提高喷射泵系统的运行调节,使得喷射泵在新工况下能正常运行,做出相应调节。
在本实施例中,步骤S6中,基于喷射泵供热系统数字孪生模型评估系统的运行效果,优化运行参数,在线分析指导喷射泵供热系统在稳定高效区间运行,实现运行工况自适应,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运行参数,在线指导喷射泵供热系统在稳定高效区间运行,并通过工艺在线分析,结合喷射泵性能特性,实现运行工况和运行参数调节的自适应,判断喷射泵在新工况下能否正常运行,做出相应调节。
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 (9)
1.一种基于信息物理融合的喷射泵供热系统实现方法,其特征在于,它包括:
步骤S1、创建喷射泵供热系统服务平台:
对喷射泵供热系统进行机理建模,在虚拟空间中生成相应的数字仿真模型,并与系统实物形成虚实映射;
步骤S2、物联数据采集:
基于系统设置的物联网传感器进行数据采集,并上传至喷射泵供热系统服务平台进行数据处理和融合;
步骤S3、建立数字孪生模型:
对采集的实时数据、历史数据和数字仿真模型,采用数字孪生技术建立喷射泵供热系统数字孪生模型;
步骤S4、单元楼评估预测:
基于喷射泵供热系统数字孪生模型,运用实时仿真和工艺数据,在线分析各单元楼运行工况并建立单元楼循环流量评估模型;
步骤S5、选型和调节管控:
基于各单元楼运行工况和单元楼循环流量评估模型进行喷射泵设备选型匹配和喷射泵运行调节管控;
步骤S6、系统评估和优化:
基于喷射泵供热系统数字孪生模型评估系统的运行效果,优化运行参数,在线分析指导喷射泵供热系统在稳定高效区间运行,实现运行工况自适应。
2.根据权利要求1所述的喷射泵供热系统实现方法,其特征在于,所述步骤S1中,对喷射泵供热系统进行机理建模,在虚拟空间中生成相应的数字仿真模型,并与系统实物形成虚实映射,包括:
基于喷射泵供热系统的运行原理,结合热力学定律、流体力学质量、动量及能量守恒定律对喷射泵供热系统的功能特征分析、结构特征分析和运行特性分析,确定喷射泵供热系统的子系统集合、结构特点和运行参数;
依据应用于单元楼入口处的喷射泵供热系统实际结构设计和对物理对象实体进行分析,在虚拟空间中通过机理建模生成喷射泵供热系统的数字仿真模型,并建立虚拟空间和物理实体之间的通信,形成虚拟空间和系统实物的虚实映射,创建喷射泵供热系统服务平台。
3.根据权利要求1所述的喷射泵供热系统实现方法,其特征在于,所述步骤S2中,基于系统设置的物联网传感器进行数据采集,并上传至喷射泵供热系统服务平台进行数据处理和融合,包括:
基于喷射泵供热系统设置的物联网传感器进行数据采集,至少包括热计量数据、供回水压差、供水流量和楼内循环流量数据的采集;
将采集的实时数据和历史数据进行处理,去除冗余数据,整合异构数据,将数据信息进行归类和存储后,通过通信网络上传至喷射泵供热系统服务平台。
4.根据权利要求1所述的喷射泵供热系统实现方法,其特征在于,所述步骤S3中,对采集的实时数据、历史数据和数字仿真模型,采用数字孪生技术建立喷射泵供热系统数字孪生模型,包括:
通过数字孪生技术对采集的实时数据、历史数据和数字仿真模型进行数据驱动后,与系统虚拟实体形成的仿真数据建立映射关系,建立喷射泵供热系统数字孪生模型;所述喷射泵供热系统数字孪生模型包括结构模型、物理模型、行为模型和规则模型;
通过对采集的实时数据和历史数据进行喷射泵供热系统数字孪生模型运行特征的提取,根据运行特征和模型的输出,采用学习算法对喷射泵供热系统数字孪生模型进行辨识,对模型参数进行更新和修正后,获得辨识修正后的喷升泵供热系统数字孪生模型;
所述学习算法至少包括递推极大似然学习算法和神经网络算法。
5.根据权利要求1所述的喷射泵供热系统实现方法,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,运用实时仿真和工艺数据,在线分析各单元楼运行工况并建立单元楼循环流量评估模型,具体包括:
利用喷射泵供热系统数字孪生模型对各个单元楼在不同天气下的室温分布情况、历史供回水压差、供回水温度、供水流量、热负荷数据、单元楼内的阻力、循环流量数据,以及喷射泵供热系统在变工况下的性能参数,构建各单元楼运行工况数字孪生数据库,并对数据库中的各类数据进行在线仿真计算和工艺分析后,获得各单元楼运行工况特征数据;
根据各单元楼运行工况特征数据对构建的学习算法进行训练,得到训练后的各单元楼循环流量评估模型。
6.根据权利要求5所述的喷射泵供热系统实现方法,其特征在于,所述根据各单元楼运行工况特征数据对构建的学习算法进行训练,得到训练后的各单元楼循环流量评估模型,包括:
对动态贝叶斯网络进行初始化设置和参数学习;每个动态贝叶斯网络包括基于初始的联合概率分布的先验网络和基于前后时间上产生相同的转移概率的转移网络;所述先验网络规定了时间过程的先验概率分布;所述转移网络是基于有限时间段上的状态,规定对任意节点上已知的t-1时刻变量状态与t时刻该变量状态的转移概率;
将各单元楼运行工况特征数据输入至构建的动态贝叶斯网络中,并利用动态贝叶斯网络推理规则,对t到t+h时间内的各单元楼循环流量进行评估,建立各单元楼循环流量评估模型;
其中,采用期望最大化EM算法进行动态贝叶斯网络的参数学习;所述动态贝叶斯网络包括输入层、隐藏层和输出层节点,所述输入层对应的变量为各单元楼运行工况特征数据,所述隐藏层表示隐藏状态,所述输出层对应的变量为各单元楼达到楼内平衡所需的循环流量。
7.根据权利要求1所述的喷射泵供热系统实现方法,其特征在于,所述步骤S5中,基于各单元楼运行工况和单元楼循环流量评估模型进行喷射泵设备选型匹配和喷射泵运行调节管控,包括:
基于各单元楼运行工况和单元楼循环流量评估模型,确定与单元楼运行工况匹配的喷射泵设备选型;
基于喷射泵供热系统数字孪生模型,结合各单元楼运行工况和达到楼内平衡所需的循环流量值,通过在线工艺分析,确定喷射泵最优运行工况点和喷射泵在变工况下的运行调节区间。
8.根据权利要求7所述的喷射泵供热系统实现方法,其特征在于,所述喷射泵设备选型包括:
确定各单元楼建筑面积和实际供热面积;
确定喷射泵混水比并根据实际运行流量确定喷射泵选型流量系数、喷射泵安装位置;
对改造后的喷射泵供热系统、二次网和热力站内进行水力计算,确定喷射泵后供热系统资用压差和每台喷射泵的设计压差;
根据喷射泵后供热系统资用压差和每台喷射泵的设计压差,计算喷射泵选型判据值,依据判据值判断喷射泵运行效果;
计算喷射泵尺寸规格,所述喷射泵尺寸包括喷嘴尺寸、喉管尺寸和喷射泵其他部位尺寸。
9.根据权利要求1所述的喷射泵供热系统实现方法,其特征在于,所述步骤S6中,基于喷射泵供热系统数字孪生模型评估系统的运行效果,优化运行参数,在线分析指导喷射泵供热系统在稳定高效区间运行,实现运行工况自适应,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运行参数,在线指导喷射泵供热系统在稳定高效区间运行,并通过工艺在线分析,结合喷射泵性能特性,实现运行工况和运行参数调节的自适应,判断喷射泵在新工况下能否正常运行,做出相应调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620595.5A CN115034133A (zh) | 2022-06-01 | 2022-06-01 | 基于信息物理融合的喷射泵供热系统实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620595.5A CN115034133A (zh) | 2022-06-01 | 2022-06-01 | 基于信息物理融合的喷射泵供热系统实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034133A true CN115034133A (zh) | 2022-09-09 |
Family
ID=83123188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210620595.5A Pending CN115034133A (zh) | 2022-06-01 | 2022-06-01 | 基于信息物理融合的喷射泵供热系统实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034133A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688510A (zh) * | 2022-10-09 | 2023-02-03 | 江苏大学 | 基于数字孪生的泵水力和结构协同优化设计系统与方法 |
-
2022
- 2022-06-01 CN CN202210620595.5A patent/CN115034133A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688510A (zh) * | 2022-10-09 | 2023-02-03 | 江苏大学 | 基于数字孪生的泵水力和结构协同优化设计系统与方法 |
CN115688510B (zh) * | 2022-10-09 | 2023-04-14 | 江苏大学 | 基于数字孪生的泵水力和结构协同优化设计系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | A dual-stage attention-based recurrent neural network for time series prediction | |
CN112966954B (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
CN108563755A (zh) | 一种基于双向循环神经网络的个性化推荐系统及方法 | |
CN111079931A (zh) | 一种基于图神经网络的状态空间概率性多时间序列预测方法 | |
CN111461404A (zh) | 一种基于神经网络预测区间的短期负荷和水电预测方法 | |
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 | |
Xingrong | Research on time series data mining algorithm based on Bayesian node incremental decision tree | |
CN115034133A (zh) | 基于信息物理融合的喷射泵供热系统实现方法 | |
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 | |
CN114811713B (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
CN114625883A (zh) | 一种面向工业设备异常监测的时序数据与知识融合表征方法 | |
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 | |
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 | |
Abida et al. | HVAC control in buildings using neural network | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
Liu | A new hybrid teaching platform for college english based on iot | |
CN111708388B (zh) | 一种基于gru-pid的锅炉调压预测控制方法 | |
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 | |
Yang et al. | A novel exhaust gas temperature prediction method of hot blast stove | |
CN116595845A (zh) | 一种螺旋翅片管式换热器的结构优化方法 | |
Singaravel et al. | Explainable deep convolutional learning for intuitive model development by non–machine learning domain experts | |
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 | |
CN116361438A (zh) | 基于文本-知识扩展图协同推理网络的问答方法及系统 | |
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 | |
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 |
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 |