CN115095907A - 基于深度学习的智慧供热节能调控方法、系统及存储介质 - Google Patents
基于深度学习的智慧供热节能调控方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115095907A CN115095907A CN202210828597.3A CN202210828597A CN115095907A CN 115095907 A CN115095907 A CN 115095907A CN 202210828597 A CN202210828597 A CN 202210828597A CN 115095907 A CN115095907 A CN 115095907A
- Authority
- CN
- China
- Prior art keywords
- heat supply
- heat
- target area
- information
- data information
- 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
- 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
-
- 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
-
- 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"
Abstract
本发明公开的一种基于深度学习的智慧供热节能调控方法、系统及存储介质，包括：获取目标区域内热用户的历史供热数据信息及目标区域的气象数据信息，基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷，根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节，获取目标区域内的室温分布图及供热数据变化曲线，根据所述室温分布图及供热数据变化曲线进行故障诊断，判断当前供热设备的运行状态。本发明通过制定调控方案避免了区域性的供热调控不均问题，同时根据动态预测实现动态节能，提供了更好的供热服务质量。
Description
技术领域
本发明涉及供热调控技术领域，更具体的，涉及一种基于深度学习的智慧供热节能调控方法、系统及存储介质。
背景技术
在能源生产与消费方式转型的背景下，城市的供热系统进一步向多源联网、多能互补运行技术方向发展，减少污染并提高室内舒适度是供热系统必然的发展方向。通过对供热系统的控制和运行进行优化调节,能够提高室内舒适度和降低系统能耗，对于供热系统的调控补偿方法目前广泛应用气候补偿系统，但是由于供热系统的大惯性及大滞后性等特点，采用单纯的气候补偿系统通常使得供热复核与实际供热需求差距较大，使得能源浪费。
为了能够对热负荷进行精准预测，并根据预测热负荷进行供热调控，需要开发一款系统与之配合进行实现，通过获取目标区域内热用户的历史供热数据信息及气象数据信息，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷，根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节，并根据热用户反馈及热用户温度分布图分析供热管网的运行状态并诊断故障。在该系统的实现过程中，如何获取目标区域的预测热负荷，并通过预测热负荷对热网系统进行调控，是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种基于深度学习的智慧供热节能调控方法、系统及存储介质。
本发明第一方面提供了一种基于深度学习的智慧供热节能调控方法，包括：
获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息；
基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷；
根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节；
获取目标区域内的室温分布图及供热数据变化曲线，根据所述室温分布图及参数变化曲线进行故障诊断，判断当前供热设备的运行状态。
本方案中，所述的获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息，具体为：
通过调查问卷获取目标区域内热用户的供热末端形式及温度控制方式，根据所述供热末端形式及温度控制方式获取热用户行为数据信息；
获取目标区域内热源站的历史供热数据信息，将所述历史供热数据信息进行异常值剔除，并根据时间特征生成供热数据时序序列；
将所述供热数据时序序列与目标区域气象信息进行匹配存储至数据库中，获取目标区域气象数据信息变化导致供热数据的差异；
根据所述热用户行为数据信息结合气象数据信息变化导致供热数据的差异生成目标区域内热用户的特征信息。
本方案中，所述的基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷，具体为：
根据目标区域内各小区地域分布将目标区域划分为若干子区域，并获取各子区域内热用户的特征信息数据集及各子区域内建筑的热特性，根据所述热特性获取子区域内室温变化速率，生成各子区域的建筑热惰性特征；
基于LSTM模型建立热负荷预测模型，并将所述各子区域内热用户的特征信息数据集根据工作时段及休息时段划分为多时间尺度特征，根据所述多时间尺度特征结合建筑热惰性特征生成不同时间尺度的训练集；
通过所述不同时间尺度的训练集对所述热负荷预测模型进行迭代训练，并基于时间步长引入注意力机制对所述热负荷预测模型的结构进行优化；
对优化后的热负荷预测模型进行评价，当优化后热负荷预测模型评估得分达到预设评估得分阈值，则输出热负荷预测模型；
根据优化后热负荷预测模型对预设时间后的热负荷进行预测。
本方案中，所述的根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节，具体为：
获取目标区域预设时间后的热负荷预测值，根据所述热负荷预测值获取在热网系统中总流量及回水水温不变的情况下的二次网供热温度设定值；
将目标区域热网系统的二次网供热温度的设定值与实际值的差值及差值变化率作为模糊PID控制器输入信息，将输入信息进行模糊处理构建模糊子集，并与隶属度函数对应获取输入信息的模糊语言变量；
通过所述输入信息的模糊语言变量根据模糊规则获取输出模糊语言变量，通过粒子群算法对模糊PID控制器的量化因子及比例因子进行优化；
初始化粒子种群，随机赋予粒子速度和位置信息，采用积分性能指标作为优化目标函数
根据粒子的位置计算积分性能指标获取各个粒子的适应度，根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；
进行若干次粒子速度及位置信息的更新后，获取每一个粒子搜寻的最优位置及全部粒子中的最优位置，输出最优量化因子及参数因子；
通过所述最优量化因子及参数因子对输出语言变量进行模糊推理，获得输出模糊语言变量的隶属度函数值，根据所述隶属度函数值根据清晰化接口获取PID调控参数，对目标区域热网系统的二次网供热温度进行调节。
本方案中，获取目标区域内的室温分布图及参数变化曲线，根据所述室温分布图及供热数据变化曲线进行故障诊断，判断当前供热设备的运行状态，具体为：
获取目标区域内热用户的室温分布图及供热数据变化，与供热调节进行对应，通过对供热管网各时刻状态进行记录生成时序序列；
根据所述时序序列获取热用户的反馈信息，通过反馈信息对供热管网的运行状况进行分析生成运行报表；
当所述供热数据变化量存在异常时，根据所述运行报表确定故障信息，根据所述运行报表在数据库中构建检索任务，将所述运行报表和数据库内历史供热数据信息进行相似度对比，并预设相似度阈值；
当所述相似度大于等于所述相似度阈值时，将对应历史供热数据信息进行标注，将标注后的历史供热数据信息进行聚合生成相似历史供热数据信息集合，确定故障信息；
根据所述历史供热数据信息集合中的操作记录对故障信息进行分析，生成解决方案；
若数据库内历史供热数据信息与运行报表的相似度均小于相似度阈值，则向负责人员生成故障巡检信息，获取确定故障信息后根据所述确定故障信息对数据库内原始数据进行更新。
本方案中，还包括：
根据目标区域的气象数据信息将目标区域的供热周期划分为初寒期、高寒期、末寒期；
根据不同供热时期的热耗量与历史同期数据对比计算生成目标区域的节能率，同时预设不同供热时期的节能率阈值；
判断目标区域的节能率是否大于所述节能率阈值，若小于，则生成修正信息，根据所述修正信息对热负荷预测模型进行精度修正。
本发明第二方面还提供了一种基于深度学习的智慧供热节能调控系统，该系统包括：存储器、处理器，所述存储器中包括一种基于深度学习的智慧供热节能调控方法程序，所述一种基于深度学习的智慧供热节能调控方法程序被所述处理器执行时实现如下步骤：
获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息；
基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷；
根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节；
获取目标区域内的室温分布图及供热数据变化曲线，根据所述室温分布图及参数变化曲线进行故障诊断，判断当前供热设备的运行状态。
本方案中，所述的获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息，具体为：
通过调查问卷获取目标区域内热用户的供热末端形式及温度控制方式，根据所述供热末端形式及温度控制方式获取热用户行为数据信息；
获取目标区域内热源站的历史供热数据信息，将所述历史供热数据信息进行异常值剔除，并根据时间特征生成供热数据时序序列；
将所述供热数据时序序列与目标区域气象信息进行匹配存储至数据库中，获取目标区域气象数据信息变化导致供热数据的差异；
根据所述热用户行为数据信息结合气象数据信息变化导致供热数据的差异生成目标区域内热用户的特征信息。
本方案中，所述的基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷，具体为：
根据目标区域内各小区地域分布将目标区域划分为若干子区域，并获取各子区域内热用户的特征信息数据集及各子区域内建筑的热特性，根据所述热特性获取子区域内室温变化速率，生成各子区域的建筑热惰性特征；
基于LSTM模型建立热负荷预测模型，并将所述各子区域内热用户的特征信息数据集根据工作时段及休息时段划分为多时间尺度特征，根据所述多时间尺度特征结合建筑热惰性特征生成不同时间尺度的训练集；
通过所述不同时间尺度的训练集对所述热负荷预测模型进行迭代训练，并基于时间步长引入注意力机制对所述热负荷预测模型的结构进行优化；
对优化后的热负荷预测模型进行评价，当优化后热负荷预测模型评估得分达到预设评估得分阈值，则输出热负荷预测模型；
根据优化后热负荷预测模型对预设时间后的热负荷进行预测。
本方案中，所述的根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节，具体为：
获取目标区域预设时间后的热负荷预测值，根据所述热负荷预测值获取在热网系统中总流量及回水水温不变的情况下的二次网供热温度设定值；
将目标区域热网系统的二次网供热温度的设定值与实际值的差值及差值变化率作为模糊PID控制器输入信息，将输入信息进行模糊处理构建模糊子集，并与隶属度函数对应获取输入信息的模糊语言变量；
通过所述输入信息的模糊语言变量根据模糊规则获取输出模糊语言变量，通过粒子群算法对模糊PID控制器的量化因子及比例因子进行优化；
初始化粒子种群，随机赋予粒子速度和位置信息，采用积分性能指标作为优化目标函数
根据粒子的位置计算积分性能指标获取各个粒子的适应度，根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；
进行若干次粒子速度及位置信息的更新后，获取每一个粒子搜寻的最优位置及全部粒子中的最优位置，输出最优量化因子及参数因子；
通过所述最优量化因子及参数因子对输出语言变量进行模糊推理，获得输出模糊语言变量的隶属度函数值，根据所述隶属度函数值根据清晰化接口获取PID调控参数，对目标区域热网系统的二次网供热温度进行调节。
本方案中，获取目标区域内的室温分布图及参数变化曲线，根据所述室温分布图及供热数据变化曲线进行故障诊断，判断当前供热设备的运行状态，具体为：
获取目标区域内热用户的室温分布图及供热数据变化，与供热调节进行对应，通过对供热管网各时刻状态进行记录生成时序序列；
根据所述时序序列获取热用户的反馈信息，通过反馈信息对供热管网的运行状况进行分析生成运行报表；
当所述供热数据变化量存在异常时，根据所述运行报表确定故障信息，根据所述运行报表在数据库中构建检索任务，将所述运行报表和数据库内历史供热数据信息进行相似度对比，并预设相似度阈值；
当所述相似度大于等于所述相似度阈值时，将对应历史供热数据信息进行标注，将标注后的历史供热数据信息进行聚合生成相似历史供热数据信息集合，确定故障信息；
根据所述历史供热数据信息集合中的操作记录对故障信息进行分析，生成解决方案；
若数据库内历史供热数据信息与运行报表的相似度均小于相似度阈值，则向负责人员生成故障巡检信息，获取确定故障信息后根据所述确定故障信息对数据库内原始数据进行更新。
本方案中，还包括：
根据目标区域的气象数据信息将目标区域的供热周期划分为初寒期、高寒期、末寒期；
根据不同供热时期的热耗量与历史同期数据对比计算生成目标区域的节能率，同时预设不同供热时期的节能率阈值；
判断目标区域的节能率是否大于所述节能率阈值，若小于，则生成修正信息，根据所述修正信息对热负荷预测模型进行精度修正。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于深度学习的智慧供热节能调控方法程序，所述一种基于深度学习的智慧供热节能调控方法程序被处理器执行时，实现如上述任一项所述的一种基于深度学习的智慧供热节能调控方法的步骤。
本发明公开的一种基于深度学习的智慧供热节能调控方法、系统及存储介质，包括：获取目标区域内热用户的历史供热数据信息及目标区域的气象数据信息，基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷，根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节，获取目标区域内的室温分布图及供热数据变化曲线，根据所述室温分布图及供热数据变化曲线进行故障诊断，判断当前供热设备的运行状态。本发明通过制定调控方案避免了区域性的供热调控不均问题，同时根据动态预测实现动态节能，提供了更好的供热服务质量。
附图说明
图1示出了本发明一种基于深度学习的智慧供热节能调控方法的流程图；
图2示出了本发明一种基于热负荷预测模型获取热负荷预测值的流程图；
图3示出了本发明根据室温分布图及供热数据变化曲线进行故障诊断的流程图；
图4示出了本发明一种基于深度学习的智慧供热节能调控系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于深度学习的智慧供热节能调控方法的流程图。
如图1所示，本发明第一方面提供了一种基于深度学习的智慧供热节能调控方法，包括：
S102，获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息；
S104，基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷；
S106，根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节；
S108，获取目标区域内的室温分布图及供热数据变化曲线，根据所述室温分布图及参数变化曲线进行故障诊断，判断当前供热设备的运行状态。
需要说明的是，所述热用户行为数据包括热用户的习惯温度信息、温度控制方式、通风形式等热用户用热习惯数据，所述历史供热数据包括供热温度、供热压力、回水温度、室内温度、管内流量等数据，所述获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息，具体为：通过调查问卷获取目标区域内热用户的供热末端形式及温度控制方式，根据所述供热末端形式及温度控制方式获取热用户行为数据信息，所述供热末端形式包括散热器取暖及地板辐射取暖等形式；获取目标区域内热源站的历史供热数据信息，将所述历史供热数据信息进行异常值剔除，并根据时间特征生成供热数据时序序列；将所述供热数据时序序列与目标区域气象信息进行匹配存储至数据库中，获取目标区域气象数据信息变化导致供热数据的差异；根据所述热用户行为数据信息结合气象数据信息变化导致供热数据的差异生成目标区域内热用户的特征信息。
图2示出了本发明一种基于热负荷预测模型获取热负荷预测值的流程图。
根据本发明实施例，所述的基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷，具体为：
S202，根据目标区域内各小区地域分布将目标区域划分为若干子区域，并获取各子区域内热用户的特征信息数据集及各子区域内建筑的热特性，根据所述热特性获取子区域内室温变化速率，生成各子区域的建筑热惰性特征；
S204，基于LSTM模型建立热负荷预测模型，并将所述各子区域内热用户的特征信息数据集根据工作时段及休息时段划分为多时间尺度特征，根据所述多时间尺度特征结合建筑热惰性特征生成不同时间尺度的训练集；
S206，通过所述不同时间尺度的训练集对所述热负荷预测模型进行迭代训练，并基于时间步长引入注意力机制对所述热负荷预测模型的结构进行优化；
S208，对优化后的热负荷预测模型进行评价，当优化后热负荷预测模型评估得分达到预设评估得分阈值，则输出热负荷预测模型；
S210，根据优化后热负荷预测模型对预设时间后的热负荷进行预测。
需要说明的是，根据各子区域内热用户的用热习惯数据及历史供热数据构建热负荷预测模型进行目标区域内热负荷预测可以实现热用户室内温度的动态变化，避免了资源的过多浪费。所述建筑热惰性特征的物理意义是某一类型建筑房间面积和建筑综合传热系数乘积与散热设备面积和传热系数乘积比值，其由温度反应的公式为：
其中，
表示建筑热惰性，
表示供热回水温度，
表示供热温度，
表示室内温度，
表示室外温度。
需要说明的是，所述的根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节，具体为：获取目标区域预设时间后的热负荷预测值，根据所述热负荷预测值获取在热网系统中总流量及回水水温不变的情况下的二次网供热温度设定值；所述二次网供热温度设定值的温度值根据热平衡公式获取，热平衡公式具体为：
其中，
表示目标区域预设时间后的热负荷预测值，
表示热网系统中一次网总流量数据，
表示水的比热容，
表示热网系统中一次网供热温度，
表示热网系统中一次网回水温度；
将目标区域热网系统的二次网供热温度的设定值与实际值的差值及差值变化率作为模糊PID控制器输入信息，设定输入信息及输出信息所取的模糊集的论域为[-6，6]，将输入信息进行模糊处理构建模糊子集，对差值进行模糊处理构成模糊子集{NB，NM，NS，ZO，PS，PM，PB},对差值变化率进行模糊处理构成模糊子集{NB，NM，NS，ZO，PS，PM，PB}，并与隶属度函数对应获取输入信息的模糊语言变量；通过所述输入信息的模糊语言变量根据模糊规则获取输出模糊语言变量，输出信息为PID控制的控制参数，通过粒子群算法对模糊PID控制器的量化因子及比例因子进行优化；初始化粒子种群，粒子种群规模为100，维数为3,惯性权重为随机惯性权重，学习因子为2，搜索空间最大值为1，最小值为-1，最大迭代次数为100，随机赋予粒子速度和位置信息，采用积分性能指标作为优化目标函数根据粒子的位置计算积分性能指标获取各个粒子的适应度，多数积分性能指标
,
为时间，
为系统误差，根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；进行若干次粒子速度及位置信息的更新后，获取每一个粒子搜寻的最优位置及全部粒子中的最优位置，输出最优量化因子及参数因子；通过所述最优量化因子及参数因子对输出语言变量进行模糊推理，获得输出模糊语言变量的隶属度函数值，根据所述隶属度函数值根据清晰化接口获取PID调控参数，对目标区域热网系统的二次网供热温度进行调节。
图3示出了本发明根据室温分布图及供热数据变化曲线进行故障诊断的流程图。
根据本发明实施例，获取目标区域内的室温分布图及参数变化曲线，根据所述室温分布图及供热数据变化曲线进行故障诊断，判断当前供热设备的运行状态，具体为：
S302，获取目标区域内热用户的室温分布图及供热数据变化，与供热调节进行对应，通过对供热管网各时刻状态进行记录生成时序序列；
S304，根据所述时序序列获取热用户的反馈信息，通过反馈信息对供热管网的运行状况进行分析生成运行报表；
S306，当所述供热数据变化量存在异常时，根据所述运行报表确定故障信息，根据所述运行报表在数据库中构建检索任务，将所述运行报表和数据库内历史供热数据信息进行相似度对比，并预设相似度阈值；
S308，当所述相似度大于等于所述相似度阈值时，将对应历史供热数据信息进行标注，将标注后的历史供热数据信息进行聚合生成相似历史供热数据信息集合，确定故障信息；
S310，根据所述历史供热数据信息集合中的操作记录对故障信息进行分析，生成解决方案；
S312，若数据库内历史供热数据信息与运行报表的相似度均小于相似度阈值，则向负责人员生成故障巡检信息，获取确定故障信息后根据所述确定故障信息对数据库内原始数据进行更新。
需要说明的是，本发明还包括，通过计算节能率对热负荷预测模型进行精度修正，具体为：
根据目标区域的气象数据信息将目标区域的供热周期划分为初寒期、高寒期、末寒期；
根据不同供热时期的热耗量与历史同期数据对比计算生成目标区域的节能率，同时预设不同供热时期的节能率阈值；
判断目标区域的节能率是否大于所述节能率阈值，若小于，则生成修正信息，根据所述修正信息对热负荷预测模型进行精度修正。
获取预设时间内的目标区域内实际耗热量，并根据不同供热时期热用户室内温度及室外温度对实际耗热量进行修正，通过修正后的耗热量计算节能率，其中修正耗热量的公式，具体为：
其中，
表示修正后耗热量，
表示实际耗热量，
表示预设室外平均温度，
表示不同供热时期室内平均温度，
表示不同供热时期室外平均温度。
根据本发明实施例，本发明还包括，根据不同供热时期的对目标区域中各子区域的供热温度调控时间段进行规划，具体为：
通过热负荷预测模型对目标区域内各子区域的不同供热时期热负荷进行预测生成不同供热时期的日热负荷变化曲线；
获取不同供热时期的日热负荷变化曲线的特征点，根据所述特征点将日热负荷变化曲线进行分段，根据分段后曲线的对应时长信息结合供热系统的温度响应滞后性、温度热惯性及热用户生活作息预设不同供热时期的供热温度调控时间段；
获取不同供热时期供热温度调控时间段内目标区域的实际平均室外温度数据，根据所述实际室外温度数据与历史同期平均室外温度数据进行差值计算，预设差值阈值；
若所述差值大于所述差值阈值，则生成调控时间段修正信息，通过热负荷预测模型的当前热负荷预测值进行供热温度调控时间段的修正；
同时，判断目标区域的历史气象数据获取与当前气象预测数据的相似度，提取相似度符合预设条件的历史气象数据对应的供热温度调控时间段作为当前供热时期的供热温度调控时间段。
需要说明的是，由于室外温度的变化造成热用户热负荷的不断变化，对系统供热温度进行分时段调节时，若选择调节时间间隔过短，供热系统的热惯性将抵消部分调节作用，导致人力物力的浪费，且频繁改变二次网供水温度将导致热网的失衡、降低设备使用寿命；而当供水温度调节时间间隔过长时，系统的供热量将无法准确跟随用户热负荷的变化，因此根据不同供热时期的热负荷预测结合温度响应滞后性、温度热惯性及热用户生活作息合理的设定调控时间段，根据调控时间段内的特征数据信息对热负荷进行预测调控，在考虑热用户舒适性的前提下，保证了热网平衡。
图4示出了本发明一种基于深度学习的智慧供热节能调控系统的框图。
本发明第二方面还提供了一种基于深度学习的智慧供热节能调控系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于深度学习的智慧供热节能调控方法程序，所述一种基于深度学习的智慧供热节能调控方法程序被所述处理器执行时实现如下步骤：
获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息；
基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷；
根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节；
获取目标区域内的室温分布图及供热数据变化曲线，根据所述室温分布图及参数变化曲线进行故障诊断，判断当前供热设备的运行状态。
需要说明的是，所述热用户行为数据包括热用户的习惯温度信息、温度控制方式、通风形式等热用户用热习惯数据，所述历史供热数据包括供热温度、供热压力、回水温度、室内温度、管内流量等数据，所述获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息，具体为：通过调查问卷获取目标区域内热用户的供热末端形式及温度控制方式，根据所述供热末端形式及温度控制方式获取热用户行为数据信息，所述供热末端形式包括散热器取暖及地板辐射取暖等形式；获取目标区域内热源站的历史供热数据信息，将所述历史供热数据信息进行异常值剔除，并根据时间特征生成供热数据时序序列；将所述供热数据时序序列与目标区域气象信息进行匹配存储至数据库中，获取目标区域气象数据信息变化导致供热数据的差异；根据所述热用户行为数据信息结合气象数据信息变化导致供热数据的差异生成目标区域内热用户的特征信息。
根据本发明实施例，所述的基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷，具体为：
根据目标区域内各小区地域分布将目标区域划分为若干子区域，并获取各子区域内热用户的特征信息数据集及各子区域内建筑的热特性，根据所述热特性获取子区域内室温变化速率，生成各子区域的建筑热惰性特征；
基于LSTM模型建立热负荷预测模型，并将所述各子区域内热用户的特征信息数据集根据工作时段及休息时段划分为多时间尺度特征，根据所述多时间尺度特征结合建筑热惰性特征生成不同时间尺度的训练集；
通过所述不同时间尺度的训练集对所述热负荷预测模型进行迭代训练，并基于时间步长引入注意力机制对所述热负荷预测模型的结构进行优化；
对优化后的热负荷预测模型进行评价，当优化后热负荷预测模型评估得分达到预设评估得分阈值，则输出热负荷预测模型；
根据优化后热负荷预测模型对预设时间后的热负荷进行预测。
所述建筑热惰性特征的物理意义是某一类型建筑房间面积和建筑综合传热系数乘积与散热设备面积和传热系数乘积比值，其由温度反应的公式为：
其中
表示建筑热惰性，
表示供热回水温度，
表示供热温度，
表示室内温度，
表示室外温度。
需要说明的是，所述的根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节，具体为：获取目标区域预设时间后的热负荷预测值，根据所述热负荷预测值获取在热网系统中总流量及回水水温不变的情况下的二次网供热温度设定值；所述二次网供热温度设定值的温度值根据热平衡公式获取，热平衡公式具体为：
其中，
表示目标区域预设时间后的热负荷预测值，
表示热网系统中一次网总流量数据，
表示水的比热容，
表示热网系统中一次网供热温度，
表示热网系统中一次网回水温度；
将目标区域热网系统的二次网供热温度的设定值与实际值的差值及差值变化率作为模糊PID控制器输入信息，设定输入信息及输出信息所取的模糊集的论域为[-6，6]，将输入信息进行模糊处理构建模糊子集，对差值进行模糊处理构成模糊子集{NB，NM，NS，ZO，PS，PM，PB},对差值变化率进行模糊处理构成模糊子集{NB，NM，NS，ZO，PS，PM，PB}，并与隶属度函数对应获取输入信息的模糊语言变量；通过所述输入信息的模糊语言变量根据模糊规则获取输出模糊语言变量，输出信息为PID控制的控制参数，通过粒子群算法对模糊PID控制器的量化因子及比例因子进行优化；初始化粒子种群，粒子种群规模为100，维数为3,惯性权重为随机惯性权重，学习因子为2，搜索空间最大值为1，最小值为-1，最大迭代次数为100，随机赋予粒子速度和位置信息，采用积分性能指标作为优化目标函数根据粒子的位置计算积分性能指标获取各个粒子的适应度，多数积分性能指标
,
为时间，
为系统误差，根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；进行若干次粒子速度及位置信息的更新后，获取每一个粒子搜寻的最优位置及全部粒子中的最优位置，输出最优量化因子及参数因子；通过所述最优量化因子及参数因子对输出语言变量进行模糊推理，获得输出模糊语言变量的隶属度函数值，根据所述隶属度函数值根据清晰化接口获取PID调控参数，对目标区域热网系统的二次网供热温度进行调节。
根据本发明实施例，获取目标区域内的室温分布图及参数变化曲线，根据所述室温分布图及供热数据变化曲线进行故障诊断，判断当前供热设备的运行状态，具体为：
获取目标区域内热用户的室温分布图及供热数据变化，与供热调节进行对应，通过对供热管网各时刻状态进行记录生成时序序列；
根据所述时序序列获取热用户的反馈信息，通过反馈信息对供热管网的运行状况进行分析生成运行报表；
当所述供热数据变化量存在异常时，根据所述运行报表确定故障信息，根据所述运行报表在数据库中构建检索任务，将所述运行报表和数据库内历史供热数据信息进行相似度对比，并预设相似度阈值；
当所述相似度大于等于所述相似度阈值时，将对应历史供热数据信息进行标注，将标注后的历史供热数据信息进行聚合生成相似历史供热数据信息集合，确定故障信息；
根据所述历史供热数据信息集合中的操作记录对故障信息进行分析，生成解决方案；
若数据库内历史供热数据信息与运行报表的相似度均小于相似度阈值，则向负责人员生成故障巡检信息，获取确定故障信息后根据所述确定故障信息对数据库内原始数据进行更新。
需要说明的是，本发明还包括，通过计算节能率对热负荷预测模型进行精度修正，具体为：
根据目标区域的气象数据信息将目标区域的供热周期划分为初寒期、高寒期、末寒期；
根据不同供热时期的热耗量与历史同期数据对比计算生成目标区域的节能率，同时预设不同供热时期的节能率阈值；
判断目标区域的节能率是否大于所述节能率阈值，若小于，则生成修正信息，根据所述修正信息对热负荷预测模型进行精度修正。
获取预设时间内的目标区域内实际耗热量，并根据不同供热时期热用户室内温度及室外温度对实际耗热量进行修正，通过修正后的耗热量计算节能率，其中修正耗热量的公式，具体为：
其中，
表示修正后耗热量，
表示实际耗热量，
表示预设室外平均温度，
表示不同供热时期室内平均温度，
表示不同供热时期室外平均温度。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于深度学习的智慧供热节能调控方法程序，所述一种基于深度学习的智慧供热节能调控方法程序被处理器执行时，实现如上述任一项所述的一种基于深度学习的智慧供热节能调控方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元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，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的智慧供热节能调控方法，其特征在于，包括以下步骤：
获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息；
基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷；
根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节；
获取目标区域内的室温分布图及供热数据变化曲线，根据所述室温分布图及参数变化曲线进行故障诊断，判断当前供热设备的运行状态。
2.根据权利要求1所述的一种基于深度学习的智慧供热节能调控方法，其特征在于，所述的获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息，具体为：
通过调查问卷获取目标区域内热用户的供热末端形式及温度控制方式，根据所述供热末端形式及温度控制方式获取热用户行为数据信息；
获取目标区域内热源站的历史供热数据信息，将所述历史供热数据信息进行异常值剔除，并根据时间特征生成供热数据时序序列；
将所述供热数据时序序列与目标区域气象信息进行匹配存储至数据库中，获取目标区域气象数据信息变化导致供热数据的差异；
根据所述热用户行为数据信息结合气象数据信息变化导致供热数据的差异生成目标区域内热用户的特征信息。
3.根据权利要求1所述的一种基于深度学习的智慧供热节能调控方法，其特征在于，所述的基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷，具体为：
根据目标区域内各小区地域分布将目标区域划分为若干子区域，并获取各子区域内热用户的特征信息数据集及各子区域内建筑的热特性，根据所述热特性获取子区域内室温变化速率，生成各子区域的建筑热惰性特征；
基于LSTM模型建立热负荷预测模型，并将所述各子区域内热用户的特征信息数据集根据工作时段及休息时段划分为多时间尺度特征，根据所述多时间尺度特征结合建筑热惰性特征生成不同时间尺度的训练集；
通过所述不同时间尺度的训练集对所述热负荷预测模型进行迭代训练，并基于时间步长引入注意力机制对所述热负荷预测模型的结构进行优化；
对优化后的热负荷预测模型进行评价，当优化后热负荷预测模型评估得分达到预设评估得分阈值，则输出热负荷预测模型；
根据优化后热负荷预测模型对预设时间后的热负荷进行预测。
4.根据权利要求1所述的一种基于深度学习的智慧供热节能调控方法，其特征在于，所述的根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节，具体为：
获取目标区域预设时间后的热负荷预测值，根据所述热负荷预测值获取在热网系统中总流量及回水水温不变的情况下的二次网供热温度设定值；
将目标区域热网系统的二次网供热温度的设定值与实际值的差值及差值变化率作为模糊PID控制器输入信息，将输入信息进行模糊处理构建模糊子集，并与隶属度函数对应获取输入信息的模糊语言变量；
通过所述输入信息的模糊语言变量根据模糊规则获取输出模糊语言变量，通过粒子群算法对模糊PID控制器的量化因子及比例因子进行优化；
初始化粒子种群，随机赋予粒子速度和位置信息，采用积分性能指标作为优化目标函数
根据粒子的位置计算积分性能指标获取各个粒子的适应度，根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；
进行若干次粒子速度及位置信息的更新后，获取每一个粒子搜寻的最优位置及全部粒子中的最优位置，输出最优量化因子及参数因子；
通过所述最优量化因子及参数因子对输出语言变量进行模糊推理，获得输出模糊语言变量的隶属度函数值，根据所述隶属度函数值根据清晰化接口获取PID调控参数，对目标区域热网系统的二次网供热温度进行调节。
5.根据权利要求1所述的一种基于深度学习的智慧供热节能调控方法，其特征在于，获取目标区域内的室温分布图及参数变化曲线，根据所述室温分布图及供热数据变化曲线进行故障诊断，判断当前供热设备的运行状态，具体为：
获取目标区域内热用户的室温分布图及供热数据变化，与供热调节进行对应，通过对供热管网各时刻状态进行记录生成时序序列；
根据所述时序序列获取热用户的反馈信息，通过反馈信息对供热管网的运行状况进行分析生成运行报表；
当所述供热数据变化量存在异常时，根据所述运行报表确定故障信息，根据所述运行报表在数据库中构建检索任务，将所述运行报表和数据库内历史供热数据信息进行相似度对比，并预设相似度阈值；
当所述相似度大于等于所述相似度阈值时，将对应历史供热数据信息进行标注，将标注后的历史供热数据信息进行聚合生成相似历史供热数据信息集合，确定故障信息；
根据所述历史供热数据信息集合中的操作记录对故障信息进行分析，生成解决方案；
若数据库内历史供热数据信息与运行报表的相似度均小于相似度阈值，则向负责人员生成故障巡检信息，获取确定故障信息后根据所述确定故障信息对数据库内原始数据进行更新。
6.根据权利要求1所述的一种基于深度学习的智慧供热节能调控方法，其特征在于，还包括：
根据目标区域的气象数据信息将目标区域的供热周期划分为初寒期、高寒期、末寒期；
根据不同供热时期的热耗量与历史同期数据对比计算生成目标区域的节能率，同时预设不同供热时期的节能率阈值；
判断目标区域的节能率是否大于所述节能率阈值，若小于，则生成修正信息，根据所述修正信息对热负荷预测模型进行精度修正。
7.一种基于深度学习的智慧供热节能调控系统，其特征在于，该系统包括：存储器、处理器，所述存储器中存储有一种基于深度学习的智慧供热节能调控方法程序，所述一种基于深度学习的智慧供热节能调控方法程序被所述处理器执行时实现如下步骤：
获取目标区域内热用户行为数据信息、历史供热数据信息及目标区域的气象数据信息；
基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷；
根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节；
获取目标区域内的室温分布图及供热数据变化曲线，根据所述室温分布图及参数变化曲线进行故障诊断，判断当前供热设备的运行状态。
8.根据权利要求7所述的一种基于深度学习的智慧供热节能调控系统，其特征在于，所述的基于深度学习构建热负荷预测模型，根据所述历史供热数据信息结合气象数据信息通过热负荷预测模型获取目标区域的热负荷，具体为：
根据目标区域内各小区地域分布将目标区域划分为若干子区域，并获取各子区域内热用户的特征信息数据集及各子区域内建筑的热特性，根据所述热特性获取子区域内室温变化速率，生成各子区域的建筑热惰性特征；
基于LSTM模型建立热负荷预测模型，并将所述各子区域内热用户的特征信息数据集根据工作时段及休息时段划分为多时间尺度特征，根据所述多时间尺度特征结合建筑热惰性特征生成不同时间尺度的训练集；
通过所述不同时间尺度的训练集对所述热负荷预测模型进行迭代训练，并基于时间步长引入注意力机制对所述热负荷预测模型的结构进行优化；
对优化后的热负荷预测模型进行评价，当优化后热负荷预测模型评估得分达到预设评估得分阈值，则输出热负荷预测模型；
根据优化后热负荷预测模型对预设时间后的热负荷进行预测。
9.根据权利要求7所述的一种基于深度学习的智慧供热节能调控系统，其特征在于，所述的根据目标区域内预设时间后的热负荷预测值通过模糊决策生成调控方案，对目标区域热网系统的二次网供热温度进行调节，具体为：
获取目标区域预设时间后的热负荷预测值，根据所述热负荷预测值获取在热网系统中总流量及回水水温不变的情况下的二次网供热温度设定值；
将目标区域热网系统的二次网供热温度的设定值与实际值的差值及差值变化率作为模糊PID控制器输入信息，将输入信息进行模糊处理构建模糊子集，并与隶属度函数对应获取输入信息的模糊语言变量；
通过所述输入信息的模糊语言变量根据模糊规则获取输出模糊语言变量，通过粒子群算法对模糊PID控制器的量化因子及比例因子进行优化；
初始化粒子种群，随机赋予粒子速度和位置信息，采用积分性能指标作为优化目标函数
根据粒子的位置计算积分性能指标获取各个粒子的适应度，根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；
进行若干次粒子速度及位置信息的更新后，获取每一个粒子搜寻的最优位置及全部粒子中的最优位置，输出最优量化因子及参数因子；
通过所述最优量化因子及参数因子对输出语言变量进行模糊推理，获得输出模糊语言变量的隶属度函数值，根据所述隶属度函数值根据清晰化接口获取PID调控参数，对目标区域热网系统的二次网供热温度进行调节。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括一种基于深度学习的智慧供热节能调控方法程序，所述一种基于深度学习的智慧供热节能调控方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种基于深度学习的智慧供热节能调控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210828597.3A CN115095907B (zh) | 2022-07-15 | 2022-07-15 | 基于深度学习的智慧供热节能调控方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210828597.3A CN115095907B (zh) | 2022-07-15 | 2022-07-15 | 基于深度学习的智慧供热节能调控方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115095907A true CN115095907A (zh) | 2022-09-23 |
| CN115095907B CN115095907B (zh) | 2022-11-11 |
Family
ID=83296664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210828597.3A Active CN115095907B (zh) | 2022-07-15 | 2022-07-15 | 基于深度学习的智慧供热节能调控方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115095907B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841188A (zh) * | 2022-12-30 | 2023-03-24 | 北京热力智能控制技术有限责任公司 | 一种基于用户行为分析的供热系统供需优化方法 |
| CN116255655A (zh) * | 2023-05-11 | 2023-06-13 | 中铁建工集团有限公司 | 基于大数据的设备智能检调方法、系统和介质 |
| CN116523277A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于需求响应的智慧能源管理方法及系统 |
| CN116993227A (zh) * | 2023-09-22 | 2023-11-03 | 北明天时能源科技(北京)有限公司 | 一种基于人工智能的供热分析评估方法、系统及存储介质 |
| CN117366663A (zh) * | 2023-12-06 | 2024-01-09 | 苏州博墨热能产品有限公司 | 一种建筑内供热调节控制系统 |
| CN117419380A (zh) * | 2023-12-18 | 2024-01-19 | 华能济南黄台发电有限公司 | 一种基于大数据的热网管理方法及系统 |
| CN117608255A (zh) * | 2024-01-19 | 2024-02-27 | 新立讯科技股份有限公司 | 新能源智慧工厂ba自控系统的远程监控管理系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04327738A (ja) * | 1991-04-25 | 1992-11-17 | Daidan Kk | 空調システム |
| JPH05264086A (ja) * | 1992-03-19 | 1993-10-12 | Hitachi Ltd | 空気調和装置およびその制御装置 |
| JPH09273795A (ja) * | 1996-04-01 | 1997-10-21 | Tokyo Electric Power Co Inc:The | 熱負荷予測装置 |
| CN103499460A (zh) * | 2013-09-29 | 2014-01-08 | 宜春市脉恩多能科技有限公司 | 一种空调器故障诊断方法 |
| CN111129548A (zh) * | 2019-12-27 | 2020-05-08 | 南京航空航天大学 | 一种改进粒子群优化模糊pid燃料电池温度控制方法 |
| CN113111589A (zh) * | 2021-04-25 | 2021-07-13 | 北京百度网讯科技有限公司 | 预测模型的训练方法、预测供热温度的方法、装置和设备 |
| WO2021232734A1 (zh) * | 2020-05-19 | 2021-11-25 | 山东建筑大学 | 一种热泵与电蓄热设备自适应优化控制方法、系统及装置 |
| CN114118571A (zh) * | 2021-11-24 | 2022-03-01 | 西安西热电站信息技术有限公司 | 一种基于lstm深度学习的供暖热负荷预测方法 |
-
2022
- 2022-07-15 CN CN202210828597.3A patent/CN115095907B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04327738A (ja) * | 1991-04-25 | 1992-11-17 | Daidan Kk | 空調システム |
| JPH05264086A (ja) * | 1992-03-19 | 1993-10-12 | Hitachi Ltd | 空気調和装置およびその制御装置 |
| JPH09273795A (ja) * | 1996-04-01 | 1997-10-21 | Tokyo Electric Power Co Inc:The | 熱負荷予測装置 |
| CN103499460A (zh) * | 2013-09-29 | 2014-01-08 | 宜春市脉恩多能科技有限公司 | 一种空调器故障诊断方法 |
| CN111129548A (zh) * | 2019-12-27 | 2020-05-08 | 南京航空航天大学 | 一种改进粒子群优化模糊pid燃料电池温度控制方法 |
| WO2021232734A1 (zh) * | 2020-05-19 | 2021-11-25 | 山东建筑大学 | 一种热泵与电蓄热设备自适应优化控制方法、系统及装置 |
| CN113111589A (zh) * | 2021-04-25 | 2021-07-13 | 北京百度网讯科技有限公司 | 预测模型的训练方法、预测供热温度的方法、装置和设备 |
| CN114118571A (zh) * | 2021-11-24 | 2022-03-01 | 西安西热电站信息技术有限公司 | 一种基于lstm深度学习的供暖热负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马可心,刘剑,刘伟等: "模糊理论结合PID控制方法在集中供热系统中的应用", 《热科学与技术》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841188A (zh) * | 2022-12-30 | 2023-03-24 | 北京热力智能控制技术有限责任公司 | 一种基于用户行为分析的供热系统供需优化方法 |
| CN116255655A (zh) * | 2023-05-11 | 2023-06-13 | 中铁建工集团有限公司 | 基于大数据的设备智能检调方法、系统和介质 |
| CN116255655B (zh) * | 2023-05-11 | 2023-07-07 | 中铁建工集团有限公司 | 基于大数据的设备智能检调方法、系统和介质 |
| CN116523277A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于需求响应的智慧能源管理方法及系统 |
| CN116523277B (zh) * | 2023-07-05 | 2023-10-20 | 北京观天执行科技股份有限公司 | 一种基于需求响应的智慧能源管理方法及系统 |
| CN116993227A (zh) * | 2023-09-22 | 2023-11-03 | 北明天时能源科技(北京)有限公司 | 一种基于人工智能的供热分析评估方法、系统及存储介质 |
| CN116993227B (zh) * | 2023-09-22 | 2023-12-15 | 北明天时能源科技(北京)有限公司 | 一种基于人工智能的供热分析评估方法、系统及存储介质 |
| CN117366663A (zh) * | 2023-12-06 | 2024-01-09 | 苏州博墨热能产品有限公司 | 一种建筑内供热调节控制系统 |
| CN117419380A (zh) * | 2023-12-18 | 2024-01-19 | 华能济南黄台发电有限公司 | 一种基于大数据的热网管理方法及系统 |
| CN117419380B (zh) * | 2023-12-18 | 2024-03-08 | 华能济南黄台发电有限公司 | 一种基于大数据的热网管理方法及系统 |
| CN117608255A (zh) * | 2024-01-19 | 2024-02-27 | 新立讯科技股份有限公司 | 新能源智慧工厂ba自控系统的远程监控管理系统及方法 |
| CN117608255B (zh) * | 2024-01-19 | 2024-04-05 | 新立讯科技股份有限公司 | 新能源智慧工厂ba自控系统的远程监控管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115095907B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115095907B (zh) | 基于深度学习的智慧供热节能调控方法、系统及存储介质 | |
| Spindler et al. | Naturally ventilated and mixed-mode buildings—Part II: Optimal control | |
| CN112950098B (zh) | 基于综合能源系统的能源规划方法、装置及终端设备 | |
| CN112633571B (zh) | 源网荷互动环境下基于lstm的超短期负荷预测方法 | |
| Ali et al. | Optimized power control methodology using genetic algorithm | |
| Sala-Cardoso et al. | Predictive chiller operation: A data-driven loading and scheduling approach | |
| CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
| WO2021026370A1 (en) | Model predictive maintenance system with degradation impact model | |
| CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
| CN114925874A (zh) | 一种基于bert神经网络模型的碳排量预判方法及装置 | |
| CN114777193B (zh) | 一种供热系统二级网分户调控模式切换方法及系统 | |
| Yu et al. | Extracting interpretable building control rules from multi-objective model predictive control data sets | |
| Gibson | A supervisory controller for optimization of building central cooling systems | |
| Abdellatif et al. | A thermal control methodology based on a machine learning forecasting model for indoor heating | |
| Fu et al. | Predictive control of power demand peak regulation based on deep reinforcement learning | |
| Wang et al. | Aggregated large-scale air-conditioning load: Modeling and response capability evaluation of virtual generator units | |
| CN112560160A (zh) | 模型和数据驱动的暖通空调最优设定温度获取方法及设备 | |
| Wang et al. | Research on intelligent regulation of air conditioning energy saving based on human thermal comfort | |
| CN117091242A (zh) | 空调温控负荷集群的评估方法、温度设定方法及系统 | |
| CN116227883A (zh) | 一种基于深度强化学习的智能家庭能量管理系统预测决策一体化调度方法 | |
| CN115138698A (zh) | 加热炉控制系统、方法、设备及存储介质 | |
| Zhang | Data-driven whole building energy forecasting model for data predictive control | |
| CN117477581B (zh) | 一种电力系统负荷均衡控制方法及电力系统 | |
| CN115528712B (zh) | 一种源网荷储备不同区储能容量平衡方法及系统 | |
| CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 |
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 |