CN115526370A - 热量分配方法、装置、计算设备和存储介质 - Google Patents
热量分配方法、装置、计算设备和存储介质 Download PDFInfo
- Publication number
- CN115526370A CN115526370A CN202110715142.6A CN202110715142A CN115526370A CN 115526370 A CN115526370 A CN 115526370A CN 202110715142 A CN202110715142 A CN 202110715142A CN 115526370 A CN115526370 A CN 115526370A
- Authority
- CN
- China
- Prior art keywords
- heat
- heat exchange
- exchange station
- target
- stations
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000003860 storage Methods 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 50
- 238000010438 heat treatment Methods 0.000 claims description 84
- 238000012549 training Methods 0.000 claims description 71
- 238000004519 manufacturing process Methods 0.000 claims description 35
- 230000033228 biological regulation Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 230000020169 heat generation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 52
- 230000008569 process Effects 0.000 description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 238000004891 communication Methods 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012546 transfer Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000009423 ventilation Methods 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提供了一种热量分配方法、装置、计算设备和存储介质,属于人工智能技术领域。在该热量分配方法中,云平台根据每个换热站对应的热需模型,计算得到每个换热站的预测热量,然后,云平台根据每个换热站的预测热量来确定每个换热站的预分配热量,从而向供热控制系统发送供热策略信息,以便供热控制系统及时调整多个换热站的供热情况。上述方法利用了云平台庞大的计算能力,使得供热控制系统不必基于人工经验来调整各个换热站的热量分配,从而有效提高了供热效率,同时,由于每个换热站都有各自的热需模型,因此得到的换热站的预测热量的准确性较高,从而确保了各个换热站按需供热,实现全网联动联调,大大提高了供热效率。
Description
技术领域
本申请涉及人工智能技术领域,特别涉及一种热量分配方法、装置、计算设备和存储介质。
背景技术
供热作为城市服务的重要组成部分,对民生有着重要影响。目前的供热系统包括:热源(电厂、自有燃煤锅炉/燃气锅炉、热泵)、一次管网、部署于各区域的换热站以及二次管网,热源产生高温热水或高温蒸汽,经一次管网输送到各换热站,经换热站中布设的换热片,将热量交换到二次侧热水中,二次侧热水再经由二次管网输送到各居民家中,通过地暖管/暖气片/风机盘管等采暖设备加热室内空气,来提升室温。因此,如何对热源所产生的热量进行分配,以提高供热效率,是一个值得研究的方向。
发明内容
本申请提供一种热量分配方法、装置、计算设备和存储介质,该热量分配方法能够为供热控制系统提供供热策略信息以提高供热效率。
第一方面,本申请提供了一种热量分配方法,由云平台执行,该云平台与供热控制系统关联,该方法包括:
获取多个换热站的预测热量,每个换热站的预测热量由每个换热站对应的热需模型对该换热站的气象数据以及第一目标室温进行处理得到,每个换热站对应的热需模型是基于第一训练数据集对第一人工智能模型进行训练得到,该第一训练数据集包括该换热站的历史气象数据、历史室温以及历史分配热量;
基于该多个换热站的预测热量和热源的产热量,确定该多个换热站在第一时间段的预分配热量;
向该供热控制系统发送供热策略信息,该供热策略信息包括该多个换热站的预分配热量。
在该热量分配方法中,云平台根据每个换热站对应的热需模型,计算得到每个换热站的预测热量,然后,云平台根据每个换热站的预测热量来确定每个换热站的预分配热量,从而向供热控制系统发送供热策略信息,以便供热控制系统及时调整多个换热站的供热情况。上述方法利用了云平台庞大的计算能力,使得供热控制系统不必基于人工经验来调整各个换热站的热量分配,从而有效提高了供热效率,同时,由于每个换热站都有各自的热需模型,因此得到的换热站的预测热量的准确性较高,从而确保了各个换热站按需供热,实现全网联动联调,大大提高了供热效率。
在一些实施例中,该热量分配方法还包括:
基于该多个换热站的预分配热量和该多个换热站的当前已供应热量,确定该多个换热站的调节优先级;或,获取预先设置的该多个换热站的调节优先级。
其中,调节优先级是指多个换热站的调节顺序。在一些实施例中,对于需要增大热量的多个换热站,换热站所需增大的热量越多,该换热站的调节优先级越高。对于需要减少热量的换热站,换热站所需减少的热量越多,该换热站的调节优先级越高。目标换热站是指需要进行热量调节的换热站。
在一些实施例中,该热量分配方法还包括:
基于该多个换热站的调节优先级,确定至少一个目标换热站;
对该至少一个目标换热站在该第一时间段的预分配热量进行调整,得到该至少一个目标换热站在第二时间段的预分配热量,基于该至少一个目标换热站在第二时间段的预分配热量,向该供热控制系统发送供热调整信息,该供热调整信息包括该至少一个目标换热站在第二时间段的预分配热量,该第二时间段为该第一时间段之后的时间段。
在一些实施例中,该基于该多个换热站的调节优先级,确定至少一个目标换热站,包括:
按照该多个换热站的调节优先级进行排序,将排序位于前目标数量的该换热站作为该目标换热站。
通过上述可选实施方式,云平台基于多个换热站的调节优先级,从多个换热站中选出至少一个需要进行热量调节的目标换热站,然后对这些目标换热站的预分配热量进行调整,从而生成供热调整信息,以便供热控制系统及时调整目标换热站的供热情况,确保供热质量。在这一过程中,由于只选择了部分换热站作为目标换热站,从而减少了管网水力波动,降低了对未调节分支的影响,实现了水力解耦,因此上述方法在保证管网水力稳定的前提下,能够最大程度满足各换热站的需求,实现全网联动联调,大大提高了供热效率。
在一些实施例中,该对该至少一个目标换热站在该第一时间段的预分配热量进行调整,得到该至少一个目标换热站在第二时间段的预分配热量,包括:
对于任一个目标换热站,云平台按照目标步长,分多次对该目标换热站的预分配热量进行调整。
需要说明的是,正是由于云平台可以对目标换热站在第一时间段的预分配热量进行调整,因此,在这一可选实施方式中,云平台可以按照目标步长来分多次进行调整,使得目标换热站的热量调节更加细化,极大减少了管网水力波动,进一步降低对未调节分支的影响。
在一些实施例中,该热量分配方法还包括:
对于任一该目标换热站,基于该目标换热站在第二时间段的预分配热量,确定该目标换热站的阀门调节参数,该目标换热站的阀门调节参数由该目标换热站的阀门调节模型对该目标换热站的第二目标室温进行处理得到,该目标换热站的阀门调节模型基于第二训练数据集对第二人工智能模型进行训练得到,该第二训练集包括历史气象数据、历史室温、历史热媒平均温度以及历史阀门调节参数;
向该供热控制系统发送阀门调节信息,该阀门调节信息包括该目标换热站的阀门调节参数。
通过上述可选实施方式,对于任一目标换热站,云平台根据目标换热站对应的阀门调节模型,得到了目标换热站的阀门调节参数,从而生成阀门调节信息,以便供热控制系统根据该阀门调节信息及时调整目标换热站的供热情况,确保供热质量。在这一过程中,由于每个目标换热站都有各自的阀门调节模型,因此得到的阀门调节参数的准确性较高,从而避免了人工设置阀门调节参数,节约了资源,提高了供热效率。
在一些实施例中,该基于该多个换热站的预测热量和热源的产热量,确定该多个换热站的预分配热量,包括:
若该多个换热站的预测热量的总和大于该热源的产热量,则降低该多个换热站的该第一目标室温,基于降低后的该第一目标室温,重新获取该多个换热站的预测热量;
若重新获取的该多个换热站的预测热量的总和不大于该热源的产热量,则将重新获取的该多个换热站的预测热量确定为该多个换热站的预分配热量。
通过上述可选实施方式,当多个换热站的预测热量的总和大于该热源的产热量时,表明热源产热不足,此时云平台通过降低第一目标室温的方式(例如,第一目标室温为18℃,降低后的第一目标室温为17℃,本申请对此不作限定),重新获取多个换热站的预测热量,直到重新获取的多个换热站的预测热量的总和满足热源的产热量。这一过程也可以称为热量平衡过程,通过对基于热需模型预测得到的预测热量进行修正,使得多个换热站的总需热量满足热源的总产热量,确保全网平衡供热,保证供热质量。
在一些实施例中,该热量分配方法还包括:
获取该换热站对应的任一被供热单元的实测室温,基于该实测室温、该换热站的历史气象数据以及历史分配热量,对该换热站的热需模型进行更新,得到更新后的该换热站的热需模型。
通过这种根据实测室温及时更新热需模型的方式,能够提高热需模型的准确性,同时避免人工调校模型,节约资源。
第二方面,提供了一种热量分配装置,该热量分配装置与供热控制系统关联,该装置包括:
获取模块,用于获取多个换热站的预测热量,每个换热站的预测热量由每个换热站对应的热需模型对该换热站的气象数据以及第一目标室温进行处理得到,每个换热站对应的热需模型是基于第一训练数据集对第一人工智能模型进行训练得到,该第一训练数据集包括该换热站的历史气象数据、历史室温以及历史分配热量;
第一确定模块,用于基于该多个换热站的预测热量和热源的产热量,确定该多个换热站在第一时间段的预分配热量;
第一发送模块,用于向该供热控制系统发送供热策略信息,该供热策略信息包括该多个换热站的预分配热量。
在一些实施例中,该热量分配装置还包括下述任一项:
调节优先级确定模块,用于基于该多个换热站的预分配热量和该多个换热站的当前已供应热量,确定该多个换热站的调节优先级;
调节优先级获取模块,用于获取预先设置的该多个换热站的调节优先级。
在一些实施例中,该装置还包括:
第二确定模块,用于基于该多个换热站的调节优先级,确定至少一个目标换热站;
第二发送模块,用于对该至少一个目标换热站在该第一时间段的预分配热量进行调整,得到该至少一个目标换热站在第二时间段的预分配热量,基于该至少一个目标换热站在第二时间段的预分配热量,向该供热控制系统发送供热调整信息,该供热调整信息包括该至少一个目标换热站在第二时间段的预分配热量,该第二时间段为该第一时间段之后的时间段。
在一些实施例中,该第二确定模块用于:按照该多个换热站的调节优先级进行排序,将排序位于前目标数量的该换热站作为该目标换热站。
在一些实施例中,该第二发送模块用于:对于任一个目标换热站,云平台按照目标步长,分多次对该目标换热站的预分配热量进行调整。
在一些实施例中,该装置还包括:
第三确定模块,用于对于任一该目标换热站,基于该目标换热站在第二时间段的预分配热量,确定该目标换热站的阀门调节参数,该目标换热站的阀门调节参数由该目标换热站的阀门调节模型对该目标换热站的第二目标室温进行处理得到,该目标换热站的阀门调节模型基于第二训练数据集对第二人工智能模型进行训练得到,该第二训练集包括历史气象数据、历史室温、历史热媒平均温度以及历史阀门调节参数;
第三发送模块,用于向该供热控制系统发送阀门调节信息,该阀门调节信息包括该目标换热站的阀门调节参数。
在一些实施例中,该第一确定模块用于:
若该多个换热站的预测热量的总和大于该热源的产热量,则降低该多个换热站的该第一目标室温,基于降低后的该第一目标室温,重新获取该多个换热站的预测热量;
若重新获取的该多个换热站的预测热量的总和不大于该热源的产热量,则将重新获取的该多个换热站的预测热量确定为该多个换热站的预分配热量。
在一些实施例中,该装置还包括:
更新模块,用于获取该换热站对应的任一被供热单元的实测室温,基于该实测室温、该换热站的历史气象数据以及历史分配热量,对该换热站的热需模型进行更新,得到更新后的该换热站的热需模型。
第三方面,本申请还提供一种计算设备,该计算设备包括存储器和处理器,该存储器用于存储一组计算机指令;该处理器执行该存储器存储的一组计算机指令,以使得该计算设备执行第一方面或第一方面的任意一种可能的实现方式提供的热量分配方法。
第四方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序代码,当该计算机程序代码被计算设备执行时,该计算设备执行前述第一方面或第一方面的任意一种可能的实现方式中提供的热量分配方法。该存储介质包括但不限于易失性存储器,例如随机访问存储器,非易失性存储器,例如快闪存储器、硬盘(hard diskdrive,HDD)、固态硬盘(solid state drive,SSD)。
第五方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机程序代码,在该计算机程序代码被计算设备执行时,该计算设备执行前述第一方面或第一方面的任意可能的实现方式中提供的热量分配方法。该计算机程序产品可以为一个软件安装包,在需要使用前述第一方面或第一方面的任意可能的实现方式中提供的热量分配方法的情况下,可以下载该计算机程序产品并在计算设备上执行该计算机程序产品。
附图说明
图1为本申请实施例提供的一种热量分配方法的应用场景的示意图;
图2为本申请实施例提供的一种热量分配方法的系统架构的示意图;
图3为本申请实施例提供的一种云平台210的结构示意图;
图4为本申请实施例提供的一种部署云平台210的计算设备400的结构示意图;
图5为本申请实施例提供的一种热量分配方法的流程示意图;
图6为本申请实施例提供的一种热量分配装置的结构示意图;
图7是本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
随着工业物联网的产业化升级和传统制造行业结构的转型,传统工业行业正在快速向智能模式转换。其中,供热作为城市服务的重要组成部分,对民生有着重要影响,目前,众多供热公司和企业都在积极探索不同程度的智慧供热。对此,本申请实施例提供了一种热量分配方法,利用人工智能(artificial intelligence,AI)高效便捷的特性以及云计算强大的计算能力,来实现智能供热。示意性地,该热量分配方法能够应用在城市民用建筑供热、城市公共建筑供热以及城市工业建筑供热等需要通过合理分配热量来实现供热的场景中。
为了方便理解,下面先对本申请涉及的关键术语和关键概念进行说明。
热源,是供热系统的热量来源,通过产生高温热水或高温蒸汽的方式来实现供热。例如,热源为热电厂、自有燃煤锅炉/燃气锅炉以及热泵等。
热用户,是供热系统的供热对象,也称为被供热单元,包括民用建筑、公共建筑以及工业建筑等。例如,热用户为某一栋居民楼、某一小区或者某一企业大厦等,本申请实施例对此不作限定。
换热站,也称为热力站,是供热系统中热力集中、交换的地方,换热站将热源产生的高温热水或高温蒸汽通过转换,将转换后的热水输送给热用户。其中,将换热站与热源之间的输送管网称为一次管网(也可以称为一级管网),将换热站与热用户之间的输送管网称为二次管网(也可以称为二级管网)。
热媒,是供热系统中热量的载体。在一些实施例中,供热系统为民用建筑和公共建筑供热时优先选择热水作为热媒,其次是选择低压蒸汽作为热媒;而供热系统为工业建筑供热时,由于用热要求在时间上往往比较集中,且有工业用汽要求,因此选择蒸汽作为热媒,本申请实施例对此不作限定。
热媒参数,是表征热媒所处状态的宏观物理量。如供水温度、回水温度、供回水温差、热媒平均温度、供汽压力以及凝结水背压力等。
热媒平均温度,是指供热系统中供热装置(例如散热器等)进口和出口处热媒温度的平均值,主要用于供热装置的供热量计算。在一些实施例中,热媒平均温度也称为目标二均温,本申请实施例对此不作限定。
云平台,是云计算平台的简称,是指基于硬件资源和软件资源的服务,提供计算、网络和存储能力。通过网络“云”将庞大的数据计算处理在远端进行处理和分析后返回给用户,具有大规模、分布式、虚拟化、高可用性、扩展性、按需服务以及安全性等特点。云平台可以以较小的管理代价,或者用户与业务提供者较低的交互复杂度,实现可配置计算资源的快速发放与发布。应理解,云平台能够提供多种类型的服务,例如,将云平台与供热系统关联,为供热系统提供热量分配的计算服务等,本申请实施例对此不作限定。
机器学习(machine learning,ML),是一门多领域交叉学科,涉及概率论、统计学、逼近论、图分析、算法复杂度理论等多门学科,研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
AI模型,是一类用机器学习思想解决实际问题的数学算法模型,AI模型中包括大量的参数和计算公式(或计算规则),AI模型中的参数是可以通过训练数据集对初始AI模型进行训练获得的数值,例如,AI模型的参数是AI模型中的计算公式或计算因子的权重。AI模型还包含一些超(hyper)参数,超参数是无法通过训练数据集对AI模型进行训练获得的参数,超参数可用于指导AI模型的构建或者AI模型的训练,超参数有多种。例如,AI模型训练的迭代(iteration)次数、学习率(leaning rate)、批尺寸(batch size)、AI模型的层数、每层神经元的个数。换而言之,AI模型的超参数与参数的区别在于:AI模型的超参数的值无法通过对训练数据集中的训练数据进行分析获得,而AI模型的参数的值可根据在训练过程中对训练数据集中的训练数据进行分析进行修改和确定。
神经网络模型,是一类模仿生物神经网络(动物的中枢神经系统)的结构和功能的数学算法AI模型。一个神经网络模型可以包括多种不同功能的神经网络层,每层包括参数和计算公式。根据计算公式的不同或功能的不同,神经网络模型中不同的层有不同的名称。例如,进行卷积计算的层称为卷积层,卷积层常用于对输入数据进行特征提取。一个神经网络模型也可以由多个已有的神经网络模型组合构成。不同结构的神经网络模型可用于不同的场景(如热需预测、阀门调节参数预测等)或在用于同一场景时提供不同的效果。神经网络模型结构不同具体包括以下一项或多项:神经网络模型中网络层的层数不同、各个网络层的顺序不同、每个网络层中的权重、参数或计算公式不同。
线性回归模型,是一种确定变量之间的相关关系的一种数学回归模型。在一些实施例中,以供热场景为例,通过建立线性回归模型来进行热需预测,具体地,以一种线性加权的方式,对热需预测涉及的各个变量进行组合,得到需热量与各个变量之间的线性回归方程,从而根据该线性回归方程得到需热量的预测结果。
窄带物联网(narrow band internet of things,NB-IoT),是一种基于蜂窝通信3G/4G演进的物联网通信技术,主要应用于低吞吐量、海量连接的场景,其特点包括大容量、高覆盖、低功耗、低成本、低速率以及高安全等。在一些实施例中,将NB-IoT技术应用于供热场景中,采用基于NB-IoT技术的室温采集设备来采集热用户的室温数据。
在介绍了上述关键术语和关键概念的基础上,下面结合图1,对本申请实施例提供的热量分配方法的应用场景进行介绍。
图1为本申请实施例提供的一种热量分配方法的应用场景的示意图。如图1所示,以城市民用建筑供热场景为例,该供热场景中包括以下四部分:热源、部署在各个区域的换热站、供热公司供热控制系统(以下简称供热控制系统)以及居民楼。其中,热源与换热站之间通过一次管网连接,换热站与居民楼之间通过二次管网连接。示意性地,对基于上述场景的供热过程进行介绍:热源产生高温热水或高温蒸汽,经一次管网输送到各个换热站,经换热站中布设的换热片,将热量交换到二次侧热水中,二次侧热水经二次管网输送到居民楼各居民家中,经地暖管/暖气片/风机盘管等采暖设备加热家中空气,在寒冬中提升居民室温,提升舒适度。
本申请实施例提供了一种热量分配方法,例如可以应用于上述图1所示的供热场景中,利用云平台庞大的计算能力,通过训练数据集对AI模型进行训练,得到每个换热站对应的热需模型,由云平台基于各个换热站对应的热需模型来预测各个换热站的需热量,并将需热量发送给供热控制系统,由供热控制系统根据该需热量调节换热站的热量分配以实现按需供热,从而提高各个换热站的需热量的计算结果的准确性,在保证全网平衡供热的前提下,确保各个换热站按需供热,实现全网联动联调,从而大大提高了供热效率。
下面对本申请实施例提供的热量分配方法的系统架构进行介绍。
图2为本申请实施例提供的一种热量分配方法的系统架构的示意图。如图2所示,该系统架构200包括但不限于:云平台210和供热系统220,该供热系统220包括:供热控制系统221、换热站222、热源223以及热用户224。
云平台210用于接收供热控制系统221发送的供热实时数据,对供热实时数据进行数据处理,根据每个换热站对应的热需模型,计算每个换热站的需热量,向供热控制系统220发送供热策略信息,该供热策略信息包括每个换热站的预分配热量。其中,供热实时数据包括换热站222、热源223以及热用户224的实时数据。换热站的实时数据包括换热站当前的供热热量以及气象数据;热源的实时数据包括热源当前的实际产热量;热用户的实时数据包括热用户的室温数据。在一些实施例中,云平台210用于接收换热站222、热源223以及热用户224发送的实时数据,并对实时数据进行数据处理,计算各个换热站的需热量,向供热控制系统221发送供热策略信息,本申请实施例对此不作限定。
供热控制系统221用于接收换热站222、热源223以及热用户224发送的实时数据,将供热实时数据发送给云平台210,接收云平台210发送的供热策略信息,根据该供热策略信息控制换热站222为热用户224进行供热。
换热站222用于将该换热站的实时数据发送给供热控制系统221,并接受供热控制系统221的控制,将热源223所输送的热量转换到二次侧热水中,输送给热用户224。在一些实施例中,换热站222用于将该换热站的实时数据发送给云平台210,本申请实施例对此不作限定。
热源223用于将该热源的实时数据发送给供热控制系统221,向换热站222输送热量。在一些实施例中,热源223用于将该热源的实时数据发送给云平台210,本申请实施例对此不作限定。
热用户224用于将该热用户的实时数据发送给供热控制系统221,接收换热站222输送的热水。在一些实施例中,热用户224的实时数据包括热用户的实时室温,热用户224配置有NB-IoT设备,该NB-IoT设备用于实时采集室温数据,并将室温数据发送给供热控制系统221。在一些实施例中,热用户224用于将该热用户的实时数据发送给云平台210,本申请实施例对此不作限定。
在一些实施例中,云平台210与供热系统220中各个部分通过无线网络或有线网络通信连接。在另一些实施例中,云平台210与供热系统220中的供热控制系统221通过无线网络或有线网络通信连接。可选地,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也能够是任何网络,包括但不限于局域网(local area network,LAN)、城域网(metropolitan area network,MAN)、广域网(wide area network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中,使用包括超级文本标记语言(hyper text markup language,HTML)、可扩展标记语言(extensiblemarkup language,XML)等的技术和/或格式来代表通过网络交换的数据。此外还能够使用诸如安全套接字层(secure socket layer,SSL)、传输层安全(transport layersecurity,TLS)、虚拟专用网络(virtual private network,VPN)、网际协议安全(internetprotocol security,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还能够使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
下面对上述系统架构200中云平台201的架构进行介绍。
图3为本申请实施例提供的一种云平台210的结构示意图。应理解,图3仅是示例性地展示了云平台210的一种结构化示意图,本申请并不限定对云平台210中各项功能的划分。如图3所示,云平台210所具备的功能包括但不限于:热需预测功能211、热量分配功能212以及供热策略功能213。在一些实施例中,云平台210还可以包括模型训练功能214、数据预处理功能215、模型存储功能216以及数据存储功能217等。
下面简要地描述云平台210中的各个功能:
热需预测功能211用于基于供热控制系统221发送的供热实时数据以及每个换热站对应的热需模型,计算多个换热站的预测热量。
热量分配功能212用于基于供热控制系统221发送的供热实时数据以及多个换热站的预测热量,确定多个换热站的预分配热量。
供热策略功能213用于向供热控制系统221发送供热策略信息,该供热策略信息包括该多个换热站的预分配热量。
模型训练功能214用于基于第一训练数据集对第一AI模型进行训练,得到每个换热站对应的热需模型,该第一训练数据集包括历史气象数据、历史室温以及历史分配热量。在一些实施例中,该模型训练功能214还用于基于第二训练数据集对第二AI模型进行训练,得到每个换热站对应的阀门调节模型,该第二训练集包括历史气象数据、历史室温以及历史热媒平均温度,本申请实施例对此不作限定。
数据预处理功能215用于对供热控制系统221发送的供热实时数据进行预处理操作。例如,去除供热实时数据中明显不符合自然规律的数据等,本申请实施例对此不作限定。应理解,在一些实施例中,数据存储功能217也可以作为数据预处理功能215中的一部分,即数据预处理功能215有存储数据的功能。
模型存储功能216用于存储初始AI模型、优化AI模型和AI子模型结构等,也可以用于存储基于AI子模型结构确定构建的AI模型。模型存储功能216与热需预测功能211以及模型训练功能214均可以进行通信。模型存储功能216接收并存储模型训练功能214传输的训练完成的AI模型等。模型存储功能216为模型训练功能214提供构建的AI模型或者初始AI模型。应理解,在一些实施例中,模型存储功能216也可作为模型训练功能214中的一部分。
数据存储功能217用于存储供热控制系统221发送的供热实时数据,也用于存储数据预处理功能215处理后的数据。
需要说明的是,本申请中的云平台210可以是一个与用户交互的系统,这个系统可以是软件系统也可以是硬件系统,也可以是软硬结合的系统,本申请实施例对此不作限定。
另外,云平台210的功能并不仅限于上述211至217,在实际应用中,能够根据用户的需求设置更多功能,本申请实施例对于云平台210的功能设置并不作限定。
通过上述各项功能,本申请实施例提供的云平台能够通过训练数据集对AI模型进行训练,得到每个换热站对应的热需模型,由云平台基于各个换热站对应的热需模型来预测各个换热站的需热量,并将需热量发送给供热控制系统,由供热控制系统根据该需热量调节换热站的热量分配以实现按需供热,从而提高各个换热站的需热量的计算结果的准确性,在保证全网平衡供热的前提下,确保各个换热站按需供热,实现全网联动联调,从而大大提高了供热效率。
下面对上述云平台210的部署环境进行介绍。
在一些实施例中,云平台210单独部署在一个计算设备上。参考图4,图4为部署有云平台210的计算设备400的硬件结构示意图,图4所示的计算设备400包括存储器401、处理器402、通信接口403以及总线404。其中,存储器401、处理器402、通信接口403通过总线404实现彼此之间的通信连接。
存储器401可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其它类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器401可以存储程序,当存储器401中存储的程序被处理器402执行时,处理器402和通信接口403用于执行云平台210进行热量分配的方法。存储器还可以存储供热数据、AI模型以及训练数据集等。例如,存储器401中的一部分存储资源被划分成一个数据存储模块217,用于存储云平台210所需的数据,存储器401中的一部分存储资源被划分成一个模型存储模块216,用于存储AI模型,本申请实施例对此不作限定。
处理器402可以是网络处理器(network processor,NP)、中央处理器(centralprocessing unit,CPU)、特定应用集成电路(application-specific integratedcircuit,ASIC)或用于控制本申请方案程序执行的集成电路。该处理器402可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。该处理器402的数量可以是一个,也可以是多个。通信接口403使用例如收发器一类的收发模块,来实现计算设备400与其他设备或通信网络之间的通信。例如,可以通过通信接口403获取数据。
总线404可包括在计算设备400各个部件(例如,存储器401、处理器402、通信接口403)之间传送信息的通路。
在一些实施例中,本申请提供的云平台210还可以分布式地部署在不同的环境中。例如,云平台210可以在逻辑上分成多个部分,每个部分具有不同的功能,每个部分单独部署在一个计算设备上,本申请实施例对于云平台210的部署方式不作限定。
在介绍了本申请实施例提供的热量分配方法的系统架构以及云平台的系统架构的基础上,下面结合图5,对本申请实施例提供的热量分配方法进行示例性的说明。图5为本申请实施例提供的一种热量分配方法的流程示意图。如图5所示,该热量分配方法应用于图2所示的系统架构200中,下面以系统架构200中的云平台210和供热控制系统221之间的交互为例,对该热量分配方法进行介绍。该热量分配方法包括下述步骤501至步骤509。
501、供热控制系统向云平台发送供热实时数据,该供热实时数据包括供热控制系统所控制的多个换热站的实时数据、热源的实时数据以及热用户的实时数据。
在本申请实施例中,供热控制系统用于控制多个换热站对热用户进行供热。在一些实施例中,多个换热站分别部署在不同的区域中,每个换热站为各自区域内的热用户供热,或者,每个换热站为各自区域内的热用户以及相邻区域内的热用户供热。在另一些实施例中,多个换热站按照预设规则部署在多个区域中,例如,按照热用户的密度来划分多个区域,热用户密度较大的区域可以部署多个换热站(换热站的数量大于等于2),而热用户密度较小的区域可以仅部署一个换热站,本申请实施例对此不作限定。
下面对上述多个换热站的实时数据、热源的实时数据以及热用户的实时数据进行介绍。
多个换热站的实时数据包括多个换热站当前的供热热量以及气象数据。例如,该气象数据包括室外气温、室外风速、室外空气密度以及太阳辐射强度等,本申请实施例对此不作限定。
热源的实时数据包括热源当前的实际产热量。
热用户的实时数据包括热用户的室温数据。例如,以热用户为某一居民楼为例,该室温数据为该居民楼中各居民家中的室温,或者,该室温数据为该居民楼中各居民家中的室温的平均值,等等,本申请实施例对此不作限定。
在一些实施例中,供热控制系统每间隔目标时长,向云平台发送供热实时数据。在一些实施例中,供热控制系统将收集到的供热实时数据实时发送给云平台,本申请实施例对此不作限定。
另外,需要说明的是,在本申请实施例中,上述供热实时数据是由供热控制系统采集后,再向云平台发送的。而在一些实施例中,多个换热站、热源以及热用户将各自的实时数据直接发送给云平台,本申请实施例对此不作限定。
502、云平台基于接收到的供热实时数据,获取多个换热站的预测热量,每个换热站的预测热量由每个换热站对应的热需模型对该换热站的气象数据以及第一目标室温进行处理得到,每个换热站对应的热需模型是基于第一训练数据集对第一人工智能AI模型进行训练得到,该第一训练数据集包括该换热站的历史气象数据、历史室温以及历史分配热量。
在本申请实施例中,预测热量是指通过预测得到的换热站在单位时长内所需的热量。在一些实施例中,该单位时长以小时划分。例如,预测热量是指通过预测得到的换热站在接下来的1小时内所需的热量,本申请实施例对于单位时间的划分方式不作限定。
第一目标室温是指换热站对热用户进行供热后,热用户所需达到的目标室温。在一些实施例中,多个换热站的第一室温目标相同,这样能够保持全网平衡供热。在另一些实施例中,多个换热站的第一目标室温不同,例如,按照不同热用户的需求,为各个换热站设置不同的第一目标室温,这样能够有针对性地进行供热,满足热用户的个性化需求。
在一些实施例中,云平台基于接收到的供热实时数据,实时获取多个换热站的预测热量。通过实时获取多个换热站的预测热量,为供热控制系统实现实时调控提供基础。在另一些实施例中,云平台每间隔第一目标时长,根据当前接收到的供热实时数据,获取多个换热站的预测热量,例如,该第一目标时长与预测热量的单位时长相同,也即是,云平台可以以预测热量的单位时长为周期,周期性地获取多个换热站的预测热量,能够在保证多个换热站的预测热量的准确性的前提下,节约计算资源,从而提高供热效率。
其中,对于多个换热站中的任一换热站,云平台根据接收到的供热实时数据,调用该换热站对应的热需模型,将该换热站的气象数据和第一目标室温输入对应的热需模型中,将热需模型的输出结果作为该换热站的预测热量。
在一些实施例中,该热需模型为神经网络模型。例如,该热需模型为卷积神经网络(convolutional neural network,CNN)模型或者循环神经网络(recurrent neuralnetwork,RNN)模型等。在另一些实施例中,该热需模型为线性回归模型,例如,该热需模型为基于最小二乘法的线性回归模型,本申请实施例对于热需模型的具体类型不作限定。
下面以热需模型为神经网络模型为例,对任一换热站对应的热需模型的训练过程进行介绍,示意性地,该训练过程由云平台执行,例如,由图3所示的云平台210中的模型训练模块214执行,该训练过程包括下述步骤A至步骤C。
步骤A、云平台将第一训练数据集中的历史气象数据和历史室温输入到构建好的第一AI模型中,得到该换热站的第一预测热量。
其中,该第一AI模型也可以称为初始AI模型。云平台基于该第一AI模型的网络参数,对该换热站的历史气象数据和历史室温进行处理,得到该换热站的第一预测热量。
第一训练数据集中的历史气象数据和历史室温的数量通常为多对,通过大量的训练数据对第一AI模型进行训练,能够使得最终训练得到的热需模型具有良好的普适性和鲁棒性。另外,本申请实施例对于第一AI模型的网络结构不作限定。
步骤B、云平台基于该换热站的第一预测热量和历史分配热量,构建损失函数。
其中,云平台构建损失函数的方式包括但不限于:采用第一预测热量和历史分配热量之间的差值来构建损失函数、采用第一预测热量和历史分配热量之间的比值来构建损失函数以及采用第一预测热量和历史分配热量之间的乘积来构建损失函数,等等,本申请实施例对此不作限定。
另外,本申请实施例中的损失函数可以是神经网络模型的训练过程中常用的各种损失函数,例如绝对值损失函数、余弦相似度损失函数、平方损失函数、交叉熵损失函数等,本申请实施例对此不作限定。
步骤C、云平台基于该损失函数,迭代调整第一AI模型的网络参数,直至满足迭代截止条件,得到该换热站对应的热需模型。
其中,迭代截止条件为损失值(也称误差值)小于设定阈值,该设定阈值可以根据实际需求进行设定,比如根据热需模型的取值精度进行设置。在另一些实施例中,迭代截止条件为迭代次数达到目标次数,本申请对于迭代截止条件的内容不做限制。另外,云平台响应于损失函数不满足迭代截止条件,调整当前AI模型的网络参数,然后再次从上述步骤A开始执行,直至损失函数符合迭代截止条件时停止训练,得到该换热站对应的热需模型。
需要说明的是,上述热需模型的训练过程还可以包括其他步骤或其他可选地实现方式,本申请对此不作限定。另外,本申请实施例的热需模型并不局限于上述类型,其他凡是基于机器学习或深度学习且为了得到换热站的预测热量的网络,均可以作为本申请实施例的热需模型。
在一些实施例中,对于多个换热站中的任一换热站,云平台获取该换热站对应的任一被供热单元的实测室温,基于该实测室温、该换热站的历史气象数据以及历史分配热量,对该换热站的热需模型的参数进行更新,得到更新后的该换热站的热需模型。其中,该任一被供热单元也即是热用户,例如,该任一被供热单元的实测室温可以为某一居民家中的室温,本申请实施例对此不作限定。通过这种根据实测室温及时更新热需模型的方式,能够提高热需模型的准确性,同时避免人工调校模型,节约资源。
应理解,在上述云平台获取多个换热站的预测热量的过程中,是将换热站的气象数据和第一目标室温作为输入,通过热需模型来得到换热站的预测热量的。也即是说,在本申请实施例中,云平台从换热站的历史数据中,挖掘气象数据、室温以及热量之间的关系,从而为每个换热站构建了对应的热需模型,使得云平台能够根据供热实时数据,得到每个换热站的预测热量,这种个性化热需模型的构建方式大大提高了换热站的预测热量的准确性,为后续确定换热站的预分配热量提供了基础。
下面以任一换热站对应的热需模型为例,对热需模型的输入数据和输出数据之间的关系进行介绍。
示意性地,以热用户为某一居民家为例,保持室内温度不变,其热负荷可以由失热量减去得热量计算得到,对于没有额外通风设备(如新风系统)的居民住宅,其热负荷Q可以表示为下述公式(1)至公式(4):
Q=Q1+Q2+Q3-Q4 (1)
下面对公式(1)中的四个变量分别进行介绍。
1)Q1为围护结构传热耗热量,与室内温度、室外温度、围护结构传热系数(与建筑材料有关)、围护结构传热面积以及温差修正系数(与相邻房间温差有关)有关。在一些实施例中,还与建筑物朝向和高度有关。示意性地,表示为下述公式(2):
Q1=KF(tn-tw)α (2)
式中,K为围护结构传热系数,F为围护结构传热面积,tn为室内温度,tw为室外温度,α为温差修正系数。
2)Q2为冷风渗透耗热量,与室内温度、室外温度、渗入室内空气量(与室外风速、门窗缝隙长度以及朝向有关)、室外空气密度以及冷空气比热容有关。示意性地,表示为下述公式(3):
Q2=0.278Vρwcp(tn-tw) (3)
式中,0.278为常数,V为渗入室内空气量,ρw为室外空气密度,cp为冷空气比热容,tn为室内温度,tw为室外温度。
3)Q3为冷风侵入耗热量,与室内温度、室外温度、流入冷空气量(按外门数量估算)、室外空气密度以及冷空气比热容有关。示意性地,表示为下述公式(4):
Q3=0.278Vwcpρw(tn-tw) (4)
式中,0.278为常数,Vw为流入冷空气量,ρw为室外空气密度,cp为冷空气比热容,tn为室内温度,tw为室外温度。
4)Q4为太阳辐射进入室内的热量,与太阳辐射强度、朝向、高度以及窗户面积有关。
基于上述公式(1)至公式(4),能够得出影响热负荷的因素包括两类:一类是基本不会变化的因素,短期内完全可以认为是个常数,如围护结构面积、朝向、高度等;一类是会发生变化,可以由传感器实时测量得知的因素,如室内温度、室外温度、风速、太阳辐射强度等。所以综合上述公式(1)至公式(4),可以将公式(1)简化为下述公式(5):
Q=Sw(tn-tw)-brs (5)
式中,Sw为室外风速,tn为室内温度,tw为室外温度,rs为太阳辐射强度,b为常数系数。因此,为保障室内温度恒定,房间的热负荷需根据外界环境变化调整。
另一方面,以散热器为例,其散热量Q′可以表示为下述公式(6)和公式(7):
Q′=KFβ1β2β3(tpj-tn) (6)
tpj=(tg+th)/2 (7)
式中,K为散热器传热系数,F为散热器散热面积,β1为散热器组装片数修正系数,β2为散热器连接形式修正系数,β3为散热器安装形式修正系数,tn为室内温度,tpj为热媒平均温度,tg和th分别为散热器进出口水温。
应理解,传热系数、散热面积以及各修正系数在安装好散热器后基本不会变化,因此联立公式(5)与公式(6)可知,要使散热器提供维持热内温度所需的热负荷,就需要从历史数据中挖掘室温、外界气象参数与热媒平均温度的关系,根据外界环境变化调整其热媒平均温度,而根据热媒平均温度即可推出房间所需热量,从而得出换热站所需热量,也即是换热站的预测热量。
需要说明的是,经过步骤502,云平台根据接收到的供热实时数据以及每个换热站对应的热需模型,得到了每个换热站的预测热量,由于每个换热站都有各自的热需模型,因此得到的换热站的预测热量的准确性较高,从而为后续确定换热站的预分配热量提供了基础。另外,由于上述调用热需模型来计算换热站的预测热量的过程是在云平台进行的,而云平台庞大的计算能力能够保证全网的多个换热站并行处理,从而实现了统一规划,全网联动,稳定运行,提高了供热效率。
503、云平台基于该多个换热站的预测热量和热源的产热量,确定该多个换热站在第一时间段的预分配热量。
在本申请实施例中,预分配热量是指云平台所确定的多个换热站需要的热量。第一时间段可以为当前时刻至未来某一时刻之间的时间段。例如,第一时间段与预测热量的单位时长相同,也即是,第一时间段为当前时刻至1小时后的时刻之间的时间段,也即是云平台确定多个换热站在接下来1小时内的预分配热量。需要说明的是,此处仅为示意性地以小时为例进行举例,在一些实施例中,第一时间段还可以按照分钟、秒或者其他计时单位来划分,本申请实施例对此不作限定。
云平台将多个换热站的预测热量的总和与热源当前的产热量进行比较,当多个换热站的预测热量的总和不大于热源的产热量,则将多个换热站的预测热量作为多个换热站在第一时间段的预分配热量。也即是说,云平台通过将多个换热站的预测热量的总和与热源的产热量进行匹配,在热源的产热量满足总的需热量的前提下,确定多个换热站在第一时间段的预分配热量。
在一些实施例中,云平台获取多个换热站的预测热量的总和与热源的产热量之间的差值,若该差值为正数,且该差值大于等于第一阈值,则云平台将多个换热站的预测热量作为多个换热站在第一时间段的预分配热量。由于热源将热量传输到换热站的过程中存在热量损耗,因此通过这种方式,在多个换热站的预测热量的总和与热源的产热量之间存在一定差距的时候,确定多个换热站在第一时间段的预分配热量,能够确保多个换热站基于该预分配热量进行供热时热量充足,从而保证了供热质量。
在一些实施例中,云平台将多个换热站的预测热量的总和与热源当前的产热量进行比较,若多个换热站的预测热量的总和大于热源的产热量,则云平台通过降低第一目标室温的方式来确定多个换热站的预分配热量,其目的是为了使得降低第一目标室温后,云平台获取到的多个换热站的预测热量的总和不大于热源的总热量。下面对这种可选实施方式进行介绍,包括下述步骤一和步骤二。
步骤一、多个换热站的预测热量的总和大于该热源的产热量,云平台降低该多个换热站的第一目标室温,基于降低后的该第一目标室温,重新获取多个换热站的预测热量。
其中,云平台重新获取多个换热站的预测热量是指,对于多个换热站中的任一换热站,云平台调用该换热站对应的热需模型,将该换热站的气象数据和降低后的第一目标室温输入对应的热需模型中,将热需模型的输出结果作为重新获取的该换热站的预测热量。
步骤二、若重新获取的多个换热站的预测热量的总和不大于该热源的产热量,则云平台将重新获取的该多个换热站的预测热量确定为该多个换热站的预分配热量。
其中,云平台将重新获取的多个换热站的预测热量的总和与热源当前的产热量进行比较,当重新获取的多个换热站的预测热量的总和不大于热源的产热量,则将重新获取的多个换热站的预测热量作为多个换热站在第一时间段的预分配热量。也即是说,云平台在重新获取多个换热站的预测热量后,继续与热源的产热量进行匹配,在热源的产热量满足总的需热量的前提下,确定多个换热站在第一时间段的预分配热量。
经过上述步骤一和步骤二,当多个换热站的预测热量的总和大于该热源的产热量时,表明热源产热不足,此时云平台通过降低第一目标室温的方式(例如,第一目标室温为18℃,降低后的第一目标室温为17℃,本申请对此不作限定),重新获取多个换热站的预测热量,直到重新获取的多个换热站的预测热量的总和满足热源的产热量。这一过程也可以称为热量平衡过程,通过对基于热需模型预测得到的预测热量进行修正,使得多个换热站的总需热量满足热源的总产热量,确保全网平衡供热,保证供热质量。
504、云平台向供热控制系统发送供热策略信息,该供热策略信息包括该多个换热站的预分配热量。
在本申请实施例中,云平台基于多个换热站在第一时间段的预分配热量,生成供热策略信息,并将供热策略信息发送给供热控制系统。
在一些实施例中,云平台每间隔第二目标时长,向供热控制系统发送供热策略信息。例如,该第二目标时长与预测热量的单位时长相同,也即是,云平台可以以预测热量的单位时长为周期,周期性地获向供热控制系统发送供热策略信息,从而在保证多个换热站的预分配热量的准确性的前提下,节约计算资源,提高供热效率。
在另一些实施例中,若多个换热站在第一时间段的预分配热量满足目标条件,则云平台生成供热策略信息,发送给供热控制系统。例如,多个换热站在第一时间的预分配热量与多个换热站当前的实际分配热量之间的差值大于或等于第二阈值,则确定多个换热站在第一时间的预分配热量满足目标条件,也即是,多个换热站在第一时间的预分配热量与多个换热站当前的实际分配热量之间的差距较大,表明多个换热站当前的热量分配情况不佳,则云平台及时生成供热策略信息并将供热策略信息发送给供热控制系统,以便供热控制系统及时调整多个换热站的供热情况,确保供热质量。
经过上述步骤501至步骤504,云平台根据每个换热站对应的热需模型,计算得到每个换热站的预测热量,然后,云平台根据每个换热站的预测热量来确定每个换热站的预分配热量,从而向供热控制系统发送供热策略信息,以便供热控制系统及时调整多个换热站的供热情况。上述方法利用了云平台庞大的计算能力,使得供热控制系统不必基于人工经验来调整各个换热站的热量分配,从而有效提高了供热效率,同时,由于每个换热站都有各自的热需模型,因此得到的换热站的预测热量的准确性较高,从而确保了各个换热站按需供热,实现全网联动联调,大大提高了供热效率。
在一些实施例中,云平台在执行上述步骤504之后,该热量分配方法还包括下述步骤505至步骤507。
505、云平台基于多个换热站的调节优先级,确定至少一个目标换热站。
其中,调节优先级是指多个换热站的调节顺序。在一些实施例中,对于需要增大热量的多个换热站,换热站所需增大的热量越多,该换热站的供热质量越差,因此,该换热站的调控紧迫性越高,相应地,该换热站的调节优先级越高。对于需要减少热量的换热站,换热站所需减少的热量越多,该换热站的供热质量越差,因此,该换热站的调控紧迫性越高,相应地,该换热站的调节优先级越高。目标换热站是指需要进行热量调节的换热站。需要说明的是,在一些实施例中,该多个换热站是指有热量调节需求的换热站。例如,在上述步骤504中,供热策略信息中的多个换热站为供热控制系统所控制的全部换热站,而在本步骤505中,该多个换热站仅为供热控制系统所控制的全部换热站中有热量调节需求的部分换热站,本申请实施例对此不作限定。
在一些实施例中,云平台按照多个换热站的调节优先级进行排序,将排序位于前目标数量的换热站作为目标换热站。例如,以目标数量为5为例(本申请对此不作限定),云平台将多个换热站中需要增大热量的换热站和需要减少热量的换热站分为两组,对这两组换热站按照调节优先级分别排序,将每组换热站中排序在前5位的换热站作为目标换热站。也即是,当云平台计算得到多个换热站的预分配热量后,并不是所有的换热站都需要进行热量调节,而是从多个换热站中,按照调节优先级选取部分目标换热站进行热量调节,从而尽可能保持水力恒定,减少整个管网的水力波动,降低对未调节分支的影响,实现水力解耦。需要说明的是,在一些实施例中,云平台根据比例确定至少一个目标换热站,例如,云平台按照多个换热站的调节优先级进行排序,将排序在前20%的换热站作为目标换热站,本申请实施例对此不作限定。
在一些实施例中,多个换热站的调节优先级的获取方式包括下述任一种方式。
方式一、云平台基于该多个换热站的预分配热量和该多个换热站的当前已供应热量,确定该多个换热站的调节优先级。
其中,云平台基于下述公式(8)来计算每个换热站的调节分数,从而确定多个换热站的调节优先级。公式(8)如下所示:
式中,y表示换热站的调节分数,当前热量是指换热站的当前已供应热量,预分配热量是指云平台基于上述步骤503得到的换热站的预分配热量。
云平台将多个换热站中需要增大热量的换热站和需要减少热量的换热站分开排序,换热站的调节分数越低,表明该换热站与理想热量的差距越远,其调节优先级越高。
方式二、云平台获取预先设置的多个换热站的调节优先级。
其中,多个换热站的调节优先级为供热控制系统预先设置的,云平台向供热系统发送调节优先级获取请求,供热控制系统基于该调节优先级获取请求,将预先设置的多个换热站的调节优先级发送给云平台。在一些实施例中,供热控制系统响应于多个换热站的调节优先级的设置操作,将多个换热站的调节优先级发送给云平台。也即是,供热控制系统可以自行发送多个换热站的调节优先级,本申请实施例对此不作限定。
506、云平台对该至少一个目标换热站在该第一时间段的预分配热量进行调整,得到该至少一个目标换热站在第二时间段的预分配热量,该第二时间段为该第一时间段之后的时间段。
其中,对于至少一个目标换热站中任一个目标换热站,云平台对该目标换热站在第一时间段的预分配热量进行调整,得到该目标换热站在第二时间段的预分配热量。也即是,目标换热站先调节一部分热量,再调节一部分热量,从而进一步地保持水力恒定,减少整个管网的水力波动,降低对未调节分支的影响,实现水力解耦降。
在一些实施例中,对于任一个目标换热站,云平台按照目标步长,分多次对该目标换热站的预分配热量进行调整。示意性地,云平台对该目标换热站在第一时间段的预分配热量进行调整,得到该目标换热站在两个以上第二时间段的预分配热量,相邻第二时间段中前一个第二时间段的预分配热量小于后一个第二时间段的预分配热量,且,该两个以上第二时间段中最后一个第二时间段的预分配热量能够使得室温达到第一目标室温。例如,目标步长以热量为划分标准,假设目标换热站在第一时间段的预分配热量为100J,则云平台按照目标步长为20,分5次对该目标换热站的预分配热量进行调整,得到目标换热站在5个第二时间段的预分配热量,分别为20J、40J、60J、80J以及100J,本申请实施例对此不作限定。需要说明的是,正是由于云平台可以对目标换热站在第一时间段的预分配热量进行调整,因此,在这一调整过程中,云平台可以按照目标步长来分多次进行调整,使得目标换热站的热量调节更加细化,极大减少了管网水力波动,进一步降低对未调节分支的影响。
507、云平台基于该至少一个目标换热站在第二时间段的预分配热量,向该供热控制系统发送供热调整信息,该供热调整信息包括该至少一个目标换热站在第二时间段的预分配热量。
在本申请实施例中,云平台基于至少一个目标换热站在第二时间段的预分配热量,生成供热调整信息,并将供热调整信息发送给供热控制系统。
经过上述步骤505至步骤507,云平台基于多个换热站的调节优先级,从多个换热站中选出至少一个需要进行热量调节的目标换热站,然后对这些目标换热站的预分配热量进行调整,从而生成供热调整信息,以便供热控制系统及时调整目标换热站的供热情况,确保供热质量。在这一过程中,由于只选择了部分换热站作为目标换热站,从而减少了管网水力波动,降低了对未调节分支的影响,实现了水力解耦,因此上述方法在保证管网水力稳定的前提下,能够最大程度满足各换热站的需求,实现全网联动联调,大大提高了供热效率。
在一些实施例中,云平台在执行上述步骤507之后,该热量分配方法还包括下述步骤508至步骤509。
508、对于任一目标换热站,云平台基于该目标换热站在第二时间段的预分配热量,确定该目标换热站的阀门调节参数。
其中,目标换热站的阀门调节参数由该目标换热站的阀门调节模型对该目标换热站的第二目标室温进行处理得到,该目标换热站的阀门调节模型基于第二训练数据集对第二人工智能模型进行训练得到,该第二训练集包括历史气象数据、历史室温、历史热媒平均温度以及历史阀门调节参数。
其中,云平台调用该目标换热站对应的阀门调节模型,将该目标换热站的第二目标室温输入对应的阀门调节模型中,将阀门调节模型的输出结果作为该目标换热站的阀门调节参数。
在一些实施例中,该阀门调节模型为神经网络模型。例如,该阀门调节模型为CNN模型或者RNN模型等。在另一些实施例中,该阀门调节模型为线性回归模型,例如,该阀门调节模型为基于最小二乘法的线性回归模型,本申请实施例对于阀门调节模型的具体类型不作限定。
需要说明的是,阀门调节模型的训练过程与上述步骤502中热需模型的训练过程同理,故在此不再赘述。
509、云平台向该供热控制系统发送阀门调节信息,该阀门调节信息包括该目标换热站的阀门调节参数。
在本申请实施例中,云平台基于目标换热站的阀门调节参数,生成阀门调节信息,并将阀门调节信息发送给供热控制系统。
经过上述步骤508和步骤509,对于任一目标换热站,云平台根据目标换热站对应的阀门调节模型,得到了目标换热站的阀门调节参数,从而生成阀门调节信息,以便供热控制系统根据该阀门调节信息及时调整目标换热站的供热情况,确保供热质量。在这一过程中,由于每个目标换热站都有各自的阀门调节模型,因此得到的阀门调节参数的准确性较高,从而避免了人工设置阀门调节参数,节约了资源,提高了供热效率。
综上,在本申请实施例提供的热量分配方法中,云平台根据每个换热站对应的热需模型,计算得到每个换热站的预测热量,然后,云平台根据每个换热站的预测热量来确定每个换热站的预分配热量,从而向供热控制系统发送供热策略信息,以便供热控制系统及时调整多个换热站的供热情况。上述方法利用了云平台庞大的计算能力,使得供热控制系统不必基于人工经验来调整各个换热站的热量分配,从而有效提高了供热效率,同时,由于每个换热站都有各自的热需模型,因此得到的换热站的预测热量的准确性较高,从而确保了各个换热站按需供热,实现全网联动联调,大大提高了供热效率。
在此基础上,云平台基于多个换热站的调节优先级,从多个换热站中选出至少一个需要进行热量调节的目标换热站,然后对这些目标换热站的预分配热量进行调整,从而生成供热调整信息,以便供热控制系统及时调整目标换热站的供热情况,确保供热质量。在这一过程中,由于只选择了部分换热站作为目标换热站,从而减少了管网水力波动,降低了对未调节分支的影响,实现了水力解耦,因此上述方法在保证管网水力稳定的前提下,能够最大程度满足各换热站的需求,大大提高了供热效率。
进一步地,云平台根据目标换热站对应的阀门调节模型,得到了目标换热站的阀门调节参数,从而生成阀门调节信息,以便供热控制系统根据该阀门调节信息及时调整目标换热站的供热情况,确保供热质量。在这一过程中,由于每个目标换热站都有各自的阀门调节模型,因此得到的阀门调节参数的准确性较高,从而避免了人工设置阀门调节参数,节约了资源,提高了供热效率。
而且,本申请实施例提供的热量分配方法利用了云平台庞大的计算能力,实现了基于软件计算的水力解耦方法,使得一般的电动调节阀发挥出限压阀的作用,从而充分利用了电动调节阀,降低了硬件投资。
图6为本申请实施例提供的一种热量分配装置的结构示意图。该热量分配装置与供热控制系统关联,该热量分配装置可以通过软件、硬件或者两者的结合实现成为前述云平台中的部分或者全部。本申请实施例提供的热量分配装置可以实现本申请实施例图5所述的流程,该装置包括获取模块601、第一确定模块602以及第一发送模块603。
获取模块601,用于获取多个换热站的预测热量,每个换热站的预测热量由每个换热站对应的热需模型对该换热站的气象数据以及第一目标室温进行处理得到,每个换热站对应的热需模型是基于第一训练数据集对第一人工智能模型进行训练得到,该第一训练数据集包括该换热站的历史气象数据、历史室温以及历史分配热量;
第一确定模块602,用于基于该多个换热站的预测热量和热源的产热量,确定该多个换热站在第一时间段的预分配热量;
第一发送模块603,用于向该供热控制系统发送供热策略信息,该供热策略信息包括该多个换热站的预分配热量。
在一些实施例中,该热量分配装置还包括下述任一项:
调节优先级确定模块,用于基于该多个换热站的预分配热量和该多个换热站的当前已供应热量,确定该多个换热站的调节优先级;
调节优先级获取模块,用于获取预先设置的该多个换热站的调节优先级。
在一些实施例中,该装置还包括:
第二确定模块,用于基于该多个换热站的调节优先级,确定至少一个目标换热站;
第二发送模块,用于对该至少一个目标换热站在该第一时间段的预分配热量进行调整,得到该至少一个目标换热站在第二时间段的预分配热量,基于该至少一个目标换热站在第二时间段的预分配热量,向该供热控制系统发送供热调整信息,该供热调整信息包括该至少一个目标换热站在第二时间段的预分配热量,该第二时间段为该第一时间段之后的时间段。
在一些实施例中,该第二确定模块用于:按照该多个换热站的调节优先级进行排序,将排序位于前目标数量的该换热站作为该目标换热站。
在一些实施例中,该第二发送模块用于:对于任一个目标换热站,云平台按照目标步长,分多次对该目标换热站的预分配热量进行调整。
在一些实施例中,该装置还包括:
第三确定模块,用于对于任一该目标换热站,基于该目标换热站在第二时间段的预分配热量,确定该目标换热站的阀门调节参数,该目标换热站的阀门调节参数由该目标换热站的阀门调节模型对该目标换热站的第二目标室温进行处理得到,该目标换热站的阀门调节模型基于第二训练数据集对第二人工智能模型进行训练得到,该第二训练集包括历史气象数据、历史室温、历史热媒平均温度以及历史阀门调节参数;
第三发送模块,用于向该供热控制系统发送阀门调节信息,该阀门调节信息包括该目标换热站的阀门调节参数。
在一些实施例中,该第一确定模块602用于:
若该多个换热站的预测热量的总和大于该热源的产热量,则降低该多个换热站的该第一目标室温,基于降低后的该第一目标室温,重新获取该多个换热站的预测热量;
若重新获取的该多个换热站的预测热量的总和不大于该热源的产热量,则将重新获取的该多个换热站的预测热量确定为该多个换热站的预分配热量。
在一些实施例中,该装置还包括:
更新模块,用于获取该换热站对应的任一被供热单元的实测室温,基于该实测室温、该换热站的历史气象数据以及历史分配热量,对该换热站的热需模型进行更新,得到更新后的该换热站的热需模型。
本申请还提供一种如图4所示的计算设备400,计算设备400中的处理器402读取存储器401存储的程序以执行前述云平台执行的热量分配方法。
由于本申请提供的云平台210中可以分布式地部署在同一环境或不同环境中的多个计算机上,因此,本申请还提供一种如图7所示的计算设备,在一些实施例中,图7所示的设备还可以是上述云平台210中的一种计算设备集群,本申请实施例对此不作限定。
图7是本申请实施例提供的一种计算设备的结构示意图,该计算设备700可因配置或性能不同而产生比较大的差异,包括一个或一个以上的处理器701和一个或一个以上的存储器702,其中,该存储器702中存储有至少一条程序代码,该至少一条程序代码由该处理器701加载并执行以实现上述方法实施例中云平台所执行的操作。当然,该计算设备700还能够具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该计算设备700还包括其他用于实现设备功能的部件,在此不做赘述。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。还应理解,尽管以下描述使用术语第一、第二等来描述各种元素,但这些元素不应受术语的限制。这些术语只是用于将一元素与另一元素区别分开。例如,在不脱离各种所述示例的范围的情况下,第一模型可以被称为第二模型,并且类似地,第二模型可以被称为第一模型。第一模型和第二模型都可以是模型,并且在某些情况下,可以是单独且不同的模型。
本申请中术语“至少一个”的含义是指一个或多个,本申请中术语“多个”的含义是指两个或两个以上,例如,多个换热站是指两个或两个以上的换热站。
还应理解,术语“如果”可被解释为意指“当...时”(“when”或“upon”)或“响应于确定”或“响应于检测到”。类似地,根据上下文,短语“如果确定...”或“如果检测到[所陈述的条件或事件]”可被解释为意指“在确定...时”或“响应于确定...”或“在检测到[所陈述的条件或事件]时”或“响应于检测到[所陈述的条件或事件]”。
以上描述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机程序指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例中的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机程序指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质例如,数字视频光盘(digital video disc,DVD)、或者半导体介质(例如固态硬盘)等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (14)
1.一种热量分配方法,其特征在于,由云平台执行,所述云平台与供热控制系统关联,所述方法包括:
获取多个换热站的预测热量,每个换热站的预测热量由每个换热站对应的热需模型对所述换热站的气象数据以及第一目标室温进行处理得到,每个换热站对应的热需模型是基于第一训练数据集对第一人工智能模型进行训练得到,所述第一训练数据集包括所述换热站的历史气象数据、历史室温以及历史分配热量;
基于所述多个换热站的预测热量和热源的产热量,确定所述多个换热站在第一时间段的预分配热量;
向所述供热控制系统发送供热策略信息,所述供热策略信息包括所述多个换热站的预分配热量。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述多个换热站的预分配热量和所述多个换热站的当前已供应热量,确定所述多个换热站的调节优先级;或,
获取预先设置的所述多个换热站的调节优先级。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于所述多个换热站的调节优先级,确定至少一个目标换热站;
对所述至少一个目标换热站在所述第一时间段的预分配热量进行调整,得到所述至少一个目标换热站在第二时间段的预分配热量,基于所述至少一个目标换热站在第二时间段的预分配热量,向所述供热控制系统发送供热调整信息,所述供热调整信息包括所述至少一个目标换热站在第二时间段的预分配热量,所述第二时间段为所述第一时间段之后的时间段。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
对于任一所述目标换热站,基于所述目标换热站在第二时间段的预分配热量,确定所述目标换热站的阀门调节参数,所述目标换热站的阀门调节参数由所述目标换热站的阀门调节模型对所述目标换热站的第二目标室温进行处理得到,所述目标换热站的阀门调节模型基于第二训练数据集对第二人工智能模型进行训练得到,所述第二训练集包括历史气象数据、历史室温、历史热媒平均温度以及历史阀门调节参数;
向所述供热控制系统发送阀门调节信息,所述阀门调节信息包括所述目标换热站的阀门调节参数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述多个换热站的预测热量和热源的产热量,确定所述多个换热站的预分配热量,包括:
若所述多个换热站的预测热量的总和大于所述热源的产热量,则降低所述多个换热站的所述第一目标室温,基于降低后的所述第一目标室温,重新获取所述多个换热站的预测热量;
若重新获取的所述多个换热站的预测热量的总和不大于所述热源的产热量,则将重新获取的所述多个换热站的预测热量确定为所述多个换热站的预分配热量。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述换热站对应的任一被供热单元的实测室温,基于所述实测室温、所述换热站的历史气象数据以及历史分配热量,对所述换热站的热需模型进行更新,得到更新后的所述换热站的热需模型。
7.一种热量分配装置,其特征在于,所述热量分配装置与供热控制系统关联,所述装置包括:
获取模块,用于获取多个换热站的预测热量,每个换热站的预测热量由每个换热站对应的热需模型对所述换热站的气象数据以及第一目标室温进行处理得到,每个换热站对应的热需模型是基于第一训练数据集对第一人工智能模型进行训练得到,所述第一训练数据集包括所述换热站的历史气象数据、历史室温以及历史分配热量;
第一确定模块,用于基于所述多个换热站的预测热量和热源的产热量,确定所述多个换热站在第一时间段的预分配热量;
第一发送模块,用于向所述供热控制系统发送供热策略信息,所述供热策略信息包括所述多个换热站的预分配热量。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括下述任一项:
调节优先级确定模块,用于基于所述多个换热站的预分配热量和所述多个换热站的当前已供应热量,确定所述多个换热站的调节优先级;
调节优先级获取模块,用于获取预先设置的所述多个换热站的调节优先级。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二确定模块,用于基于所述多个换热站的调节优先级,确定至少一个目标换热站;
第二发送模块,用于对所述至少一个目标换热站在所述第一时间段的预分配热量进行调整,得到所述至少一个目标换热站在第二时间段的预分配热量,基于所述至少一个目标换热站在第二时间段的预分配热量,向所述供热控制系统发送供热调整信息,所述供热调整信息包括所述至少一个目标换热站在第二时间段的预分配热量,所述第二时间段为所述第一时间段之后的时间段。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
第三确定模块,用于对于任一所述目标换热站,基于所述目标换热站在第二时间段的预分配热量,确定所述目标换热站的阀门调节参数,所述目标换热站的阀门调节参数由所述目标换热站的阀门调节模型对所述目标换热站的第二目标室温进行处理得到,所述目标换热站的阀门调节模型基于第二训练数据集对第二人工智能模型进行训练得到,所述第二训练集包括历史气象数据、历史室温、历史热媒平均温度以及历史阀门调节参数;
第三发送模块,用于向所述供热控制系统发送阀门调节信息,所述阀门调节信息包括所述目标换热站的阀门调节参数。
11.根据权利要求7所述的装置,其特征在于,所述第一确定模块用于:
若所述多个换热站的预测热量的总和大于所述热源的产热量,则降低所述多个换热站的所述第一目标室温,基于降低后的所述第一目标室温,重新获取所述多个换热站的预测热量;
若重新获取的所述多个换热站的预测热量的总和不大于所述热源的产热量,则将重新获取的所述多个换热站的预测热量确定为所述多个换热站的预分配热量。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:
更新模块,用于获取所述换热站对应的任一被供热单元的实测室温,基于所述实测室温、所述换热站的历史气象数据以及历史分配热量,对所述换热站的热需模型进行更新,得到更新后的所述换热站的热需模型。
13.一种计算设备,其特征在于,所述计算设备包括处理器和存储器,所述存储器用于存储至少一段程序代码,所述至少一段程序代码由所述处理器加载并执行如权利要求1至权利要求6中任一项所述的热量分配方法。
14.一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用于存储至少一段程序代码,所述至少一段程序代码用于执行如权利要求1至权利要求6中任一项所述的热量分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715142.6A CN115526370A (zh) | 2021-06-26 | 2021-06-26 | 热量分配方法、装置、计算设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715142.6A CN115526370A (zh) | 2021-06-26 | 2021-06-26 | 热量分配方法、装置、计算设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526370A true CN115526370A (zh) | 2022-12-27 |
Family
ID=84694928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110715142.6A Pending CN115526370A (zh) | 2021-06-26 | 2021-06-26 | 热量分配方法、装置、计算设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526370A (zh) |
-
2021
- 2021-06-26 CN CN202110715142.6A patent/CN115526370A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Renewable energy systems optimization by a new multi-objective optimization technique: A residential building | |
Magnier et al. | Multiobjective optimization of building design using TRNSYS simulations, genetic algorithm, and Artificial Neural Network | |
CA2982375C (en) | Predictive building control system and method for optimizing energy use and thermal comfort for a building or network of buildings | |
Candanedo et al. | Predictive control of radiant floor heating and solar-source heat pump operation in a solar house | |
US11859838B2 (en) | System and method for aligning HVAC consumption with renewable power production with the aid of a digital computer | |
US11374409B2 (en) | Power system load flexibility forecasting | |
CN104573851A (zh) | 一种基于气象温度预报的建筑逐时负荷预测方法 | |
Tang et al. | Data-driven model predictive control for power demand management and fast demand response of commercial buildings using support vector regression | |
Cai et al. | General approaches for determining the savings potential of optimal control for cooling in commercial buildings having both energy and demand charges | |
KR101301123B1 (ko) | 냉난방부하 예측방법 | |
JP2017135964A (ja) | 太陽光発電システムの動作 | |
Cheng et al. | Hierarchical reserve allocation with air conditioning loads considering lock time using Benders decomposition | |
Yang et al. | Building electrification and carbon emissions: Integrated energy management considering the dynamics of the electricity mix and pricing | |
Shen et al. | Projecting Texas energy use for residential sector under future climate and urbanization scenarios: A bottom-up method based on twenty-year regional energy use data | |
Zhang et al. | Stochastic frequency reserve provision by chance-constrained control of commercial buildings | |
Ajagekar et al. | Energy management for demand response in networked greenhouses with multi-agent deep reinforcement learning | |
CN116247682B (zh) | 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质 | |
CN113191638A (zh) | 计及热网热量传输动态特性的电热协调调度方法和装置 | |
Altes-Buch et al. | A modeling framework for the integration of electrical and thermal energy systems in greenhouses | |
US11947325B2 (en) | Controller for microgrid powered interconnected greenhouses | |
Toersche et al. | Controlling the heating mode of heat pumps with the TRIANA three step methodology | |
Hani et al. | Optimization of office building façades in a warm summer continental climate | |
CN115526370A (zh) | 热量分配方法、装置、计算设备和存储介质 | |
Zsembinszki et al. | Application of deep learning techniques to minimize the cost of operation of a hybrid solar-biomass system in a multi-family building | |
de Oliveira et al. | Dynamic online optimization of a house heating system in a fluctuating energy price scenario |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |