CN115828726A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115828726A CN115828726A CN202211291479.XA CN202211291479A CN115828726A CN 115828726 A CN115828726 A CN 115828726A CN 202211291479 A CN202211291479 A CN 202211291479A CN 115828726 A CN115828726 A CN 115828726A
- Authority
- CN
- China
- Prior art keywords
- heat
- heat storage
- data
- model
- season
- 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
- 238000005338 heat storage Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000010801 machine learning Methods 0.000 title claims abstract description 10
- 230000009471 action Effects 0.000 claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 58
- 238000010438 heat treatment Methods 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 22
- 239000002245 particle Substances 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 241000283153 Cetacea Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000002860 competitive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 125000001153 fluoro group Chemical group F* 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 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
- 230000002028 premature Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/20—Solar thermal
-
- 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
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/70—Hybrid systems, e.g. uninterruptible or back-up power supplies integrating renewable energies
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种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，包括：建立太阳能跨季节储热供热系统数字孪生模型；构建非供热季和供热季节的太阳能跨季节储热供热系统运行模式；基于太阳能跨季节储热供热系统数字孪生模型，根据天气数据和末端热用户负荷所需运行数据，构建系统供热负荷预测模型，获得热用户供热负荷预测值；根据天气数据、地温数据和跨季节储热供热系统设备运行数据，构建不同季节的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果；以满足热用户室温需求范围为目标，基于系统热用户供热负荷需求、逐时集热量、储热量预测结果和历史调控数据，构建系统调控模型，获得系统泵阀动作控制参数。
Description
技术领域
本发明属于智慧供热技术领域，具体涉及一种基于机器学习的太阳能跨季节储热供热系统优化控制方法。
背景技术
冬季供暖是我国北方地区重要的民生工程，而清洁供暖是解决能源与环境问题的必然选择。太阳能是最具发展潜力的可再生清洁能源之一，因此，太阳能供暖是继太阳能热水之后最有可能在我国推广普及的太阳能热利用技术。但太阳能供暖具有季节性使用明显、系统使用率低和季节需热与太阳能辐射量不匹配等问题。浅层地热能是近年来发展较快的一种清洁能源，其储量大、稳定性好、可循环利用，是具有现实竞争力的新能源。在我国北方地区，由于土壤初始温度较低，年采暖热负荷远大于年供冷负荷，土壤的取热量远大于排热量，导致土壤温度逐年下降，热泵运行制热系数下降，制约了土壤源热泵在严寒地区的发展。太阳能跨季节储热供热技术的应用很好地实现了太阳能和地源热泵系统的互补增益。
然而，目前基于现有的太阳能跨季节储热供热系统的优化控制多为简单的运行控制策略，没有对能源进行合理有效的利用，系统的集热储热利用率较低，如何将非供暖季太阳能集热储热以及结合地埋管储热进行科学合理地综合应用，将非供暖季的热量跨季节应用在供暖季，实现能源的合理利用、热用户的按需供暖，精准调控是目前急需解决的问题。
基于上述技术问题，需要设计一种新的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。
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，提供一种基于机器学习的太阳能跨季节储热供热系统优化控制方法，能够通过不同季节的变化规律建立对应的能源预测模型获得集热量和储热量预测结果，以及结合热用户负荷预测，构建系统调控模型，实现热用户供暖按需精准调控，并依据太阳能集热储热、地埋管储热将非供暖季的集热量、储热量应用在供暖季满足用户供暖需求，实现了能源的合理有效利用。
为了解决上述技术问题，本发明的技术方案是：
本发明提供了一种太阳能跨季节储热供热系统优化控制方法，它包括：
步骤S1、采用机理建模和数据辨识方法建立太阳能跨季节储热供热系统数字孪生模型；
步骤S2、构建非供热季和供热季节的太阳能跨季节储热供热系统运行模式；
步骤S3、基于太阳能跨季节储热供热系统数字孪生模型，根据天气数据和末端热用户负荷所需运行数据，构建系统供热负荷预测模型，获得热用户供热负荷预测值；
步骤S4、根据天气数据、地温数据和跨季节储热供热系统设备运行数据，构建不同季节的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果；
步骤S5、以满足热用户室温需求范围为目标，基于系统热用户供热负荷需求、逐时集热量、储热量预测结果和历史调控数据，构建系统调控模型，获得系统泵阀动作控制参数。
进一步，所述步骤S1中，采用机理建模和数据辨识方法建立太阳能跨季节储热供热系统数字孪生模型，包括：
S101、构建太阳能跨季节储热供热系统的物理模型、逻辑模型和仿真模型；
所述物理模型的构建包括：建立太阳能集热器、集热水箱、热泵机组、末端供热装置、储热地埋管和集热循环泵、储热循环泵、地源循环泵和调节阀门实体的物理模型；
所述逻辑模型的构建包括：依据太阳能跨季节储热供热系统各个物理实体之间的逻辑机理关系建立可控制的闭环逻辑模型，将物理模型映射至逻辑模型；
所述仿真模型的构建包括：基于采集的太阳能跨季节储热供热系统的运行数据、状态数据、物理属性数据搭建太阳能跨季节储热供热系统仿真模型，依据仿真模型输出预测值和实际值的误差大小对仿真模型的参数进行调优；
将所述物理模型、逻辑模型和仿真模型进行虚实融合，构建太阳能跨季节储热供热系统的物理实体在虚拟空间的系统级数字孪生模型；
S102、将太阳能跨季节储热供热系统的多工况实时运行数据接入所述系统级数字孪生模型，采用反向辨识方法对所述系统级数字孪生模型的仿真结果进行自适应辨识修正，获得辨识修正后的太阳能跨季节储热供热系统数字孪生模型。
进一步，所述步骤S2中，构建非供热季和供热季节的太阳能跨季节储热供热系统运行模式，包括：
在非供暖季，太阳能集热器与集热水箱进出口连接形成集热循环，当太阳能集热器与集热水箱底层温差大于预设条件时，启动集热循环泵将热量暂时存储到集热水箱中，当集热水箱中的水温升高到符合储热条件时，启动储热循环泵，集热水箱中的高温水由储热地埋管进口进入地埋管，将热量存储到土壤中，再经过储热地埋管出口回到集热水箱进口，完成储热循环；
在供暖季，集热水箱将高温水通过热泵机组直接供给末端供热装置，当集热水箱中的水温低于热泵机组的预设值时，启动热泵机组和地源循环泵，利用非供暖季储存在储热地埋管中的热量，通过太阳能集热器和热泵机组同时为末端供热装置供热。
进一步，所述步骤S3中，基于太阳能跨季节储热供热系统数字孪生模型，根据天气数据和末端热用户负荷所需运行数据，构建系统供热负荷预测模型，获得热用户供热负荷预测值，包括：
基于太阳能跨季节储热供热系统数字孪生模型，采集室外温度数据、湿度数据、风向、风速、集热水箱进出口水温、储热地埋管的进出口温度、热泵机组运行数据和太阳能集热器运行数据，作为数据样本，并进行预处理后划分为训练数据和测试数据；
将训练数据输入至LSTM模型中进行训练，获得系统供热负荷预测模型；
将测试数据输入至已经训练完成的系统供热负荷预测模型中获得系统供热负荷预测值；
计算供热负荷预测值与实际值的相对误差，并将这些相对误差进行状态划分，获得m个状态区间；
采用加权的马尔科夫链方法，通过自相关系数和权重计算对各个预测状态赋予不同的权重；
计算当前状态到k步状态转移矩阵，将各个状态的预测转移概率进行加权处理，获得预测误差所在状态的概率，找到概率最大的状态作为最终的误差区间，并进行供热负荷值的修正后获得最终的热用户供热负荷预测值。
进一步，所述计算供热负荷预测值与实际值的相对误差，并将这些相对误差进行状态划分，获得m个状态区间，包括：
计算供热负荷预测值与实际值的相对误差，表示为：
y为预测值；Y为实际值；
将这些相对误差进行状态划分，获得m个状态空间，第k个误差表示为：e(k)∈(E1i,E2i)；E1i和E2i分别对应状态i的下界和上界，i＝1,2,…,m；
所述采用加权的马尔科夫链方法，通过自相关系数和权重计算对各个预测状态赋予不同的权重，包括：
其中，rk为第k阶的自相关系数；xi为实际值序列的第i个值；
为实际值序列的平均数；wk为第k阶的权重。
进一步，所述计算当前状态到k步状态转移矩阵，将各个状态的预测转移概率进行加权处理，获得预测误差所在状态的概率，找到概率最大的状态作为最终的误差区间，并进行供热负荷值的修正后获得最终的热用户供热负荷预测值，包括：
计算当前状态到k步状态转移矩阵，表示为：
其中，
为k步转移矩阵中对应状态行数的第k个元素；
Mi为状态i在所有状态中出现的次数；Mij为状态i经过k步之后转移到状态j的次数；
将各个状态的预测转移概率进行加权处理，获得预测误差所在状态的概率，表示为：
供热负荷值的修正后获得最终的热用户供热负荷预测值，表示为：
进一步，所述步骤S4中，根据天气数据、地温数据和跨季节储热供热系统设备运行数据，构建不同季节的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果，包括：
获得春夏秋冬四个不同季节的室外温度数据、湿度数据、风向、风速、集热水箱进出口水温、储热地埋管的进出口温度、太阳辐射强度、热泵机组运行数据、太阳能集热器运行数据、太阳能集热器设备属性、集热水箱设备属性、储热地埋管的设备属性和历史集热量、储热量，作为样本数据；所述样本数据依据季节分类包括四个子数据集；
基于不同季节分类，从四个子数据集中筛选出每个季节中影响集热量和储热量的关键数据特征，以不同季节的数据特征为输入，以逐时集热量和储热量为输出，再根据不同季节中各数据特征的变化规律训练对应的系统能源预测模型的结构和参数，构建不同季节对应的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果；
其中，所述关键数据特征的筛选采用皮尔逊相关系数r进行分析，将相关系数在预设范围内的数据作为关键数据特征；
进一步，所述系统能源预测模型训练包括：
将量子神经元引入GRU模型的输入、重置门、更新门、隐藏层和输出中，形成量子神经网络模型；所述量子神经网络模型结构包括输入层p维、隐藏层s维和输出层q维，分别表示为：
在t时刻模型输入xt，经过量子加权重置门rt和量子加权更新门zt处理后得到隐藏层状态ht，ht经过加权、聚合、活化和激励后获得网络输出yt；
以筛选后的不同季节数据特征为输入，以逐时集热量和储热量为输出，将数据特征输入至所述量子神经网络模型中进行训练学习，获得系统能源预测模型；
其中，采用智能优化算法对量子神经网络模型的各权值量子态相角和活性值量子态相角参数进行优化，形成最优权值；所述智能优化算法包括：粒子群优化算法、鲸鱼优化算法和遗传优化算法。
进一步，所述步骤S5中，以满足热用户室温需求范围为目标，基于系统热用户供热负荷需求、逐时集热量、储热量预测结果和历史调控数据，构建系统调控模型，获得系统泵阀动作控制参数，包括：
以满足热用户室温需求范围为调控目标，将系统热用户供热负荷需求、逐时集热量、储热量预测结果和系统设备运行出力、运行状态和历史泵阀调控数据作为调控数据样本；
将调控数据样本进行预处理后，再利用变分模态分解方法对数据进行分解，确定分解后模态分量数量；
计算分解后各模态分量的样本熵值，将样本熵值接近的模态分量用于重构，形成的模态分量作为输入；
采用纵横交叉算法优化BP神经网络模型，以重构后的模态分量为输入，以泵阀动作控制参数为输出，将调控数据样本输入至BP神经网络模型进行训练学习后构建系统调控模型，获得重构后各模态对应的系统泵阀动作控制参数预测结果；
累积各模态分量预测结果获得最终的泵阀动作控制参数预测结果。
其中，所述系统调控模型准确性采用平均相对误差和希尔不等系数进行评价；
xi、yi分别为泵阀动作控制参数实测值和预测值；
所述纵横交叉算法的运算包括：初始化种群；计算横向交叉并对比竞争算子；计算纵向交叉并对比竞争算子；达到设定的迭代次数终止，否则返回重新计算横向交叉过程。
进一步，所述采用纵横交叉算法优化BP神经网络模型，包括：
初始化种群规模大小、迭代次数、学习速率和纵横交叉概率，并随机生成初始种群X；
计算种群产生的所有子代的适应度值并选择最优适应度；所述适应度函数采用均方差表示；
对种群进行横向交叉操作，获得的子代保存在矩阵MShc中，计算该矩阵中所有粒子的适应度值，并与父代X的适应度值进行比较，将适应度更好的粒子保留下来，淘汰适应度差的粒子；
对种群进行纵向交叉操作，获得的子代保存在矩阵MSvc里面中，计算该矩阵中所有粒子的适应度值，并与父代X的适应度值进行比较，将适应度更好的粒子保留下来，作为模型中的权值参数。
本发明的有益效果是：
本发明通过采用机理建模和数据辨识方法建立太阳能跨季节储热供热系统数字孪生模型；构建非供热季和供热季节的太阳能跨季节储热供热系统运行模式；基于太阳能跨季节储热供热系统数字孪生模型，根据天气数据和末端热用户负荷所需运行数据，构建系统供热负荷预测模型，获得热用户供热负荷预测值；根据天气数据、地温数据和跨季节储热供热系统设备运行数据，构建不同季节的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果；以满足热用户室温需求范围为目标，基于系统热用户供热负荷需求、逐时集热量、储热量预测结果和历史调控数据，构建系统调控模型，获得系统泵阀动作控制参数；能够通过不同季节的变化规律建立对应的能源预测模型获得集热量和储热量预测结果，以及结合热用户负荷预测，构建系统调控模型，实现热用户供暖按需精准调控，并依据太阳能集热储热、地埋管储热将非供暖季的集热量、储热量应用在供暖季满足用户供暖需求，实现了能源的合理有效利用；以及通过构建系统数字孪生模型能够仿真模拟分析系统能量传递与转换规律、动态运行特性，为后续系统优化控制建立模型基础，实现集热、储热、供热、负荷的全系统协同控制，提升系统整体性能，并且提高了系统的集热储热利用率。
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为本发明一种基于机器学习的太阳能跨季节储热供热系统优化控制方法流程图；
图2为本发明太阳能跨季节储热供热系统结构示意图。
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。
实施例1
图1是本发明所涉及的一种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流程图。
图2是本发明所涉及的太阳能跨季节储热供热系统结构示意图。
如图1-2所示，本实施例1提供了一种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，它包括：
步骤S1、采用机理建模和数据辨识方法建立太阳能跨季节储热供热系统数字孪生模型；
步骤S2、构建非供热季和供热季节的太阳能跨季节储热供热系统运行模式；
步骤S3、基于太阳能跨季节储热供热系统数字孪生模型，根据天气数据和末端热用户负荷所需运行数据，构建系统供热负荷预测模型，获得热用户供热负荷预测值；
步骤S4、根据天气数据、地温数据和跨季节储热供热系统设备运行数据，构建不同季节的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果；
步骤S5、以满足热用户室温需求范围为目标，基于系统热用户供热负荷需求、逐时集热量、储热量预测结果和历史调控数据，构建系统调控模型，获得系统泵阀动作控制参数。
在本实施例中，所述步骤S1中，采用机理建模和数据辨识方法建立太阳能跨季节储热供热系统数字孪生模型，包括：
S101、构建太阳能跨季节储热供热系统的物理模型、逻辑模型和仿真模型；
所述物理模型的构建包括：建立太阳能集热器、集热水箱、热泵机组、末端供热装置、储热地埋管和集热循环泵、储热循环泵、地源循环泵和调节阀门实体的物理模型；
所述逻辑模型的构建包括：依据太阳能跨季节储热供热系统各个物理实体之间的逻辑机理关系建立可控制的闭环逻辑模型，将物理模型映射至逻辑模型；
所述仿真模型的构建包括：基于采集的太阳能跨季节储热供热系统的运行数据、状态数据、物理属性数据搭建太阳能跨季节储热供热系统仿真模型，依据仿真模型输出预测值和实际值的误差大小对仿真模型的参数进行调优；
将所述物理模型、逻辑模型和仿真模型进行虚实融合，构建太阳能跨季节储热供热系统的物理实体在虚拟空间的系统级数字孪生模型；
S102、将太阳能跨季节储热供热系统的多工况实时运行数据接入所述系统级数字孪生模型，采用反向辨识方法对所述系统级数字孪生模型的仿真结果进行自适应辨识修正，获得辨识修正后的太阳能跨季节储热供热系统数字孪生模型。
在本实施例中，所述步骤S2中，构建非供热季和供热季节的太阳能跨季节储热供热系统运行模式，包括：
在非供暖季，太阳能集热器与集热水箱进出口连接形成集热循环，当太阳能集热器与集热水箱底层温差大于预设条件时，启动集热循环泵将热量暂时存储到集热水箱中，当集热水箱中的水温升高到符合储热条件时，启动储热循环泵，集热水箱中的高温水由储热地埋管进口进入地埋管，将热量存储到土壤中，再经过储热地埋管出口回到集热水箱进口，完成储热循环；
在供暖季，集热水箱将高温水通过热泵机组直接供给末端供热装置，当集热水箱中的水温低于热泵机组的预设值时，启动热泵机组和地源循环泵，利用非供暖季储存在储热地埋管中的热量，通过太阳能集热器和热泵机组同时为末端供热装置供热。
在本实施例中，所述步骤S3中，基于太阳能跨季节储热供热系统数字孪生模型，根据天气数据和末端热用户负荷所需运行数据，构建系统供热负荷预测模型，获得热用户供热负荷预测值，包括：
基于太阳能跨季节储热供热系统数字孪生模型，采集室外温度数据、湿度数据、风向、风速、集热水箱进出口水温、储热地埋管的进出口温度、热泵机组运行数据和太阳能集热器运行数据，作为数据样本，并进行预处理后划分为训练数据和测试数据；
将训练数据输入至LSTM模型中进行训练，获得系统供热负荷预测模型；
将测试数据输入至已经训练完成的系统供热负荷预测模型中获得系统供热负荷预测值；
计算供热负荷预测值与实际值的相对误差，并将这些相对误差进行状态划分，获得m个状态区间；
采用加权的马尔科夫链方法，通过自相关系数和权重计算对各个预测状态赋予不同的权重；
计算当前状态到k步状态转移矩阵，将各个状态的预测转移概率进行加权处理，获得预测误差所在状态的概率，找到概率最大的状态作为最终的误差区间，并进行供热负荷值的修正后获得最终的热用户供热负荷预测值。
需要说明的是，当用LSTM网络预测模型对负荷进行预测后所得到的误差序列就是一个马尔可夫链。将马尔可夫链应用在LSTM网络模型负荷预测上，就是根据网络模型预测结果，计算出误差后对所有误差的分布统计并分类，计算出不同误差类型的状态概率转移矩阵，由此来预估出下一个时刻预测结果误差所在的状态区间，并利用这个误差区间来修正LSTM网络模型的预测误差，最后实现对预测值的修正。
在本实施例中，所述计算供热负荷预测值与实际值的相对误差，并将这些相对误差进行状态划分，获得m个状态区间，包括：
计算供热负荷预测值与实际值的相对误差，表示为：
y为预测值；Y为实际值；
将这些相对误差进行状态划分，获得m个状态空间，第k个误差表示为：e(k)∈(E1i,E2i)；E1i和E2i分别对应状态i的下界和上界，i＝1,2,…,m；
所述采用加权的马尔科夫链方法，通过自相关系数和权重计算对各个预测状态赋予不同的权重，包括：
其中，rk为第k阶的自相关系数；xi为实际值序列的第i个值；x为实际值序列的平均数；wk为第k阶的权重。
在本实施例中，所述计算当前状态到k步状态转移矩阵，将各个状态的预测转移概率进行加权处理，获得预测误差所在状态的概率，找到概率最大的状态作为最终的误差区间，并进行供热负荷值的修正后获得最终的热用户供热负荷预测值，包括：
计算当前状态到k步状态转移矩阵，表示为：
其中，
为k步转移矩阵中对应状态行数的第k个元素；
Mi为状态i在所有状态中出现的次数；Mij为状态i经过k步之后转移到状态j的次数；
将各个状态的预测转移概率进行加权处理，获得预测误差所在状态的概率，表示为：
供热负荷值的修正后获得最终的热用户供热负荷预测值，表示为：
在本实施例中，所述步骤S4中，根据天气数据、地温数据和跨季节储热供热系统设备运行数据，构建不同季节的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果，包括：
获得春夏秋冬四个不同季节的室外温度数据、湿度数据、风向、风速、集热水箱进出口水温、储热地埋管的进出口温度、太阳辐射强度、热泵机组运行数据、太阳能集热器运行数据、太阳能集热器设备属性、集热水箱设备属性、储热地埋管的设备属性和历史集热量、储热量，作为样本数据；所述样本数据依据季节分类包括四个子数据集；
基于不同季节分类，从四个子数据集中筛选出每个季节中影响集热量和储热量的关键数据特征，以不同季节的数据特征为输入，以逐时集热量和储热量为输出，再根据不同季节中各数据特征的变化规律训练对应的系统能源预测模型的结构和参数，构建不同季节对应的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果；
其中，所述关键数据特征的筛选采用皮尔逊相关系数r进行分析，将相关系数在预设范围内的数据作为关键数据特征；
在本实施例中，所述系统能源预测模型训练包括：
将量子神经元引入GRU模型的输入、重置门、更新门、隐藏层和输出中，形成量子神经网络模型；所述量子神经网络模型结构包括输入层p维、隐藏层s维和输出层q维，分别表示为：
在t时刻模型输入xt，经过量子加权重置门rt和量子加权更新门zt处理后得到隐藏层状态ht，ht经过加权、聚合、活化和激励后获得网络输出yt；
以筛选后的不同季节数据特征为输入，以逐时集热量和储热量为输出，将数据特征输入至所述量子神经网络模型中进行训练学习，获得系统能源预测模型；
其中，采用智能优化算法对量子神经网络模型的各权值量子态相角和活性值量子态相角参数进行优化，形成最优权值；所述智能优化算法包括：粒子群优化算法、鲸鱼优化算法和遗传优化算法。
需要说明的是，量子神经元通过加权、聚合、活化、激励共4个部分来模拟细胞之间的递质传递，利用量子神经网络模型良好的非线性逼近能力和泛化性能，将量子信息处理机制引入GRU模型中，利用智能优化算法对参数进行优选进而完成系统集热量和储热量的预测，模型的预测精度和稳定性较好。
在本实施例中，所述步骤S5中，以满足热用户室温需求范围为目标，基于系统热用户供热负荷需求、逐时集热量、储热量预测结果和历史调控数据，构建系统调控模型，获得系统泵阀动作控制参数，包括：
以满足热用户室温需求范围为调控目标，将系统热用户供热负荷需求、逐时集热量、储热量预测结果和系统设备运行出力、运行状态和历史泵阀调控数据作为调控数据样本；
将调控数据样本进行预处理后，再利用变分模态分解方法对数据进行分解，确定分解后模态分量数量；
计算分解后各模态分量的样本熵值，将样本熵值接近的模态分量用于重构，形成的模态分量作为输入；
采用纵横交叉算法优化BP神经网络模型，以重构后的模态分量为输入，以泵阀动作控制参数为输出，将调控数据样本输入至BP神经网络模型进行训练学习后构建系统调控模型，获得重构后各模态对应的系统泵阀动作控制参数预测结果；
累积各模态分量预测结果获得最终的泵阀动作控制参数预测结果。
其中，所述系统调控模型准确性采用平均相对误差和希尔不等系数进行评价；
xi、yi分别为泵阀动作控制参数实测值和预测值；
所述纵横交叉算法的运算包括：初始化种群；计算横向交叉并对比竞争算子；计算纵向交叉并对比竞争算子；达到设定的迭代次数终止，否则返回重新计算横向交叉过程。
需要说明的是，样本熵是在近似熵的基础上，充分弥补了近似熵在依赖数据长度和一致性方面的不足，都是通过计算信号中产生新模式概率的大小来衡量序列的复杂性。样本熵值越低说明数据序列的相似性越高，样本熵值越高说明数据序列越复杂。将调控数据样本经过变分模态分解后获得多个模态分量，为减小对每个模态分量分别构建系统调控模型的工作量，采用样本熵的方法对每个模态分量进行计算并按照递减顺序排列，对比分析各个模态分量的样本熵值，将相近的样本熵值对应的模态分量进行重构，重构方法一般为累加法，进而获得重构后的模态分量。
在本实施例中，所述采用纵横交叉算法优化BP神经网络模型，包括：
初始化种群规模大小、迭代次数、学习速率和纵横交叉概率，并随机生成初始种群X；
计算种群产生的所有子代的适应度值并选择最优适应度；所述适应度函数采用均方差表示；
对种群进行横向交叉操作，获得的子代保存在矩阵MShc中，计算该矩阵中所有粒子的适应度值，并与父代X的适应度值进行比较，将适应度更好的粒子保留下来，淘汰适应度差的粒子；
对种群进行纵向交叉操作，获得的子代保存在矩阵MSvc里面中，计算该矩阵中所有粒子的适应度值，并与父代X的适应度值进行比较，将适应度更好的粒子保留下来，作为模型中的权值参数。
需要说明的是，纵横交叉算法是根据中庸的思想和遗传算法相结合而提出来的，采用一种优胜劣汰的竞争机制来淘汰粒子，该算法涉及到两种交叉，由横向交叉和纵向交叉两种算子组成，产生的子代称为中庸解(MShc,MSvc)，与其父代进行比较适应度最佳的保留，最差的淘汰，这样的解称为占优解，分别为横向占优解与纵向占优解，通过这样的优胜劣汰的竞争机制，通过每次迭代，种群粒子不断更新，并始终保持在历史最优值，极大的提高算法的收敛速度。
BP神经网络是采用梯度下降法来调整权值和阈值，这样的方法最终会使得神经网络经常陷入局部最优，过早收敛的问题，随着训练样本数量不断增加，模型的计算量也随之增加，使得神经网络的收敛速度更加缓慢，纵横交叉算法在横向操作和纵向操作之后可以使得陷入局部最优的粒子跳出维度，能够大大提高神经网络的预测能力。
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)
1.一种基于机器学习的太阳能跨季节储热供热系统优化控制方法，其特征在于，它包括：
步骤S1、采用机理建模和数据辨识方法建立太阳能跨季节储热供热系统数字孪生模型；
步骤S2、构建非供热季和供热季节的太阳能跨季节储热供热系统运行模式；
步骤S3、基于太阳能跨季节储热供热系统数字孪生模型，根据天气数据和末端热用户负荷所需运行数据，构建系统供热负荷预测模型，获得热用户供热负荷预测值；
步骤S4、根据天气数据、地温数据和跨季节储热供热系统设备运行数据，构建不同季节的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果；
步骤S5、以满足热用户室温需求范围为目标，基于系统热用户供热负荷需求、逐时集热量、储热量预测结果和历史调控数据，构建系统调控模型，获得系统泵阀动作控制参数。
2.根据权利要求1所述的太阳能跨季节储热供热系统优化控制方法，其特征在于，所述步骤S1中，采用机理建模和数据辨识方法建立太阳能跨季节储热供热系统数字孪生模型，包括：
S101、构建太阳能跨季节储热供热系统的物理模型、逻辑模型和仿真模型；
所述物理模型的构建包括：建立太阳能集热器、集热水箱、热泵机组、末端供热装置、储热地埋管和集热循环泵、储热循环泵、地源循环泵和调节阀门实体的物理模型；
所述逻辑模型的构建包括：依据太阳能跨季节储热供热系统各个物理实体之间的逻辑机理关系建立可控制的闭环逻辑模型，将物理模型映射至逻辑模型；
所述仿真模型的构建包括：基于采集的太阳能跨季节储热供热系统的运行数据、状态数据、物理属性数据搭建太阳能跨季节储热供热系统仿真模型，依据仿真模型输出预测值和实际值的误差大小对仿真模型的参数进行调优；
将所述物理模型、逻辑模型和仿真模型进行虚实融合，构建太阳能跨季节储热供热系统的物理实体在虚拟空间的系统级数字孪生模型；
S102、将太阳能跨季节储热供热系统的多工况实时运行数据接入所述系统级数字孪生模型，采用反向辨识方法对所述系统级数字孪生模型的仿真结果进行自适应辨识修正，获得辨识修正后的太阳能跨季节储热供热系统数字孪生模型。
3.根据权利要求1所述的太阳能跨季节储热供热系统优化控制方法，其特征在于，所述步骤S2中，构建非供热季和供热季节的太阳能跨季节储热供热系统运行模式，包括：
在非供暖季，太阳能集热器与集热水箱进出口连接形成集热循环，当太阳能集热器与集热水箱底层温差大于预设条件时，启动集热循环泵将热量暂时存储到集热水箱中，当集热水箱中的水温升高到符合储热条件时，启动储热循环泵，集热水箱中的高温水由储热地埋管进口进入地埋管，将热量存储到土壤中，再经过储热地埋管出口回到集热水箱进口，完成储热循环；
在供暖季，集热水箱将高温水通过热泵机组直接供给末端供热装置，当集热水箱中的水温低于热泵机组的预设值时，启动热泵机组和地源循环泵，利用非供暖季储存在储热地埋管中的热量，通过太阳能集热器和热泵机组同时为末端供热装置供热。
4.根据权利要求1所述的太阳能跨季节储热供热系统优化控制方法，其特征在于，所述步骤S3中，基于太阳能跨季节储热供热系统数字孪生模型，根据天气数据和末端热用户负荷所需运行数据，构建系统供热负荷预测模型，获得热用户供热负荷预测值，包括：
基于太阳能跨季节储热供热系统数字孪生模型，采集室外温度数据、湿度数据、风向、风速、集热水箱进出口水温、储热地埋管的进出口温度、热泵机组运行数据和太阳能集热器运行数据，作为数据样本，并进行预处理后划分为训练数据和测试数据；
将训练数据输入至LSTM模型中进行训练，获得系统供热负荷预测模型；
将测试数据输入至已经训练完成的系统供热负荷预测模型中获得系统供热负荷预测值；
计算供热负荷预测值与实际值的相对误差，并将这些相对误差进行状态划分，获得m个状态区间；
采用加权的马尔科夫链方法，通过自相关系数和权重计算对各个预测状态赋予不同的权重；
计算当前状态到k步状态转移矩阵，将各个状态的预测转移概率进行加权处理，获得预测误差所在状态的概率，找到概率最大的状态作为最终的误差区间，并进行供热负荷值的修正后获得最终的热用户供热负荷预测值。
5.根据权利要求4所述的太阳能跨季节储热供热系统优化控制方法，其特征在于，所述计算供热负荷预测值与实际值的相对误差，并将这些相对误差进行状态划分，获得m个状态区间，包括：
计算供热负荷预测值与实际值的相对误差，表示为：
y为预测值；Y为实际值；
将这些相对误差进行状态划分，获得m个状态空间，第k个误差表示为：e(k)∈(E1i,E2i)；E1i和E2i分别对应状态i的下界和上界，i＝1,2,...,m；
所述采用加权的马尔科夫链方法，通过自相关系数和权重计算对各个预测状态赋予不同的权重，包括：
其中，rk为第k阶的自相关系数；xi为实际值序列的第i个值；
为实际值序列的平均数；wk为第k阶的权重。
6.根据权利要求4所述的太阳能跨季节储热供热系统优化控制方法，其特征在于，所述计算当前状态到k步状态转移矩阵，将各个状态的预测转移概率进行加权处理，获得预测误差所在状态的概率，找到概率最大的状态作为最终的误差区间，并进行供热负荷值的修正后获得最终的热用户供热负荷预测值，包括：
计算当前状态到k步状态转移矩阵，表示为：
其中，
为k步转移矩阵中对应状态行数的第k个元素；
Mi为状态i在所有状态中出现的次数；Mij为状态i经过k步之后转移到状态j的次数；
将各个状态的预测转移概率进行加权处理，获得预测误差所在状态的概率，表示为：
供热负荷值的修正后获得最终的热用户供热负荷预测值，表示为：
7.根据权利要求1所述的太阳能跨季节储热供热系统优化控制方法，其特征在于，所述步骤S4中，根据天气数据、地温数据和跨季节储热供热系统设备运行数据，构建不同季节的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果，包括：
获得春夏秋冬四个不同季节的室外温度数据、湿度数据、风向、风速、集热水箱进出口水温、储热地埋管的进出口温度、太阳辐射强度、热泵机组运行数据、太阳能集热器运行数据、太阳能集热器设备属性、集热水箱设备属性、储热地埋管的设备属性和历史集热量、储热量，作为样本数据；所述样本数据依据季节分类包括四个子数据集；
基于不同季节分类，从四个子数据集中筛选出每个季节中影响集热量和储热量的关键数据特征，以不同季节的数据特征为输入，以逐时集热量和储热量为输出，再根据不同季节中各数据特征的变化规律训练对应的系统能源预测模型的结构和参数，构建不同季节对应的系统能源预测模型，获得不同季节的逐时集热量和储热量预测结果；
其中，所述关键数据特征的筛选采用皮尔逊相关系数r进行分析，将相关系数在预设范围内的数据作为关键数据特征；
8.根据权利要求7所述的太阳能跨季节储热供热系统优化控制方法，其特征在于，所述系统能源预测模型训练包括：
将量子神经元引入GRU模型的输入、重置门、更新门、隐藏层和输出中，形成量子神经网络模型；所述量子神经网络模型结构包括输入层p维、隐藏层s维和输出层q维，分别表示为：
在t时刻模型输入xt，经过量子加权重置门rt和量子加权更新门zt处理后得到隐藏层状态ht，ht经过加权、聚合、活化和激励后获得网络输出yt；
以筛选后的不同季节数据特征为输入，以逐时集热量和储热量为输出，将数据特征输入至所述量子神经网络模型中进行训练学习，获得系统能源预测模型；
其中，采用智能优化算法对量子神经网络模型的各权值量子态相角和活性值量子态相角参数进行优化，形成最优权值；所述智能优化算法包括：粒子群优化算法、鲸鱼优化算法和遗传优化算法。
9.根据权利要求1所述的太阳能跨季节储热供热系统优化控制方法，其特征在于，所述步骤S5中，以满足热用户室温需求范围为目标，基于系统热用户供热负荷需求、逐时集热量、储热量预测结果和历史调控数据，构建系统调控模型，获得系统泵阀动作控制参数，包括：
以满足热用户室温需求范围为调控目标，将系统热用户供热负荷需求、逐时集热量、储热量预测结果和系统设备运行出力、运行状态和历史泵阀调控数据作为调控数据样本；
将调控数据样本进行预处理后，再利用变分模态分解方法对数据进行分解，确定分解后模态分量数量；
计算分解后各模态分量的样本熵值，将样本熵值接近的模态分量用于重构，形成的模态分量作为输入；
采用纵横交叉算法优化BP神经网络模型，以重构后的模态分量为输入，以泵阀动作控制参数为输出，将调控数据样本输入至BP神经网络模型进行训练学习后构建系统调控模型，获得重构后各模态对应的系统泵阀动作控制参数预测结果；
累积各模态分量预测结果获得最终的泵阀动作控制参数预测结果。
其中，所述系统调控模型准确性采用平均相对误差和希尔不等系数进行评价；
xi、yi分别为泵阀动作控制参数实测值和预测值；
所述纵横交叉算法的运算包括：初始化种群；计算横向交叉并对比竞争算子；计算纵向交叉并对比竞争算子；达到设定的迭代次数终止，否则返回重新计算横向交叉过程。
10.根据权利要求9所述的太阳能跨季节储热供热系统优化控制方法，其特征在于，所述采用纵横交叉算法优化BP神经网络模型，包括：
初始化种群规模大小、迭代次数、学习速率和纵横交叉概率，并随机生成初始种群X；
计算种群产生的所有子代的适应度值并选择最优适应度；所述适应度函数采用均方差表示；
对种群进行横向交叉操作，获得的子代保存在矩阵MShc中，计算该矩阵中所有粒子的适应度值，并与父代X的适应度值进行比较，将适应度更好的粒子保留下来，淘汰适应度差的粒子；
对种群进行纵向交叉操作，获得的子代保存在矩阵MSvc里面中，计算该矩阵中所有粒子的适应度值，并与父代X的适应度值进行比较，将适应度更好的粒子保留下来，作为模型中的权值参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211291479.XA CN115828726A (zh) | 2022-10-19 | 2022-10-19 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211291479.XA CN115828726A (zh) | 2022-10-19 | 2022-10-19 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115828726A true CN115828726A (zh) | 2023-03-21 |
Family
ID=85525138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211291479.XA Pending CN115828726A (zh) | 2022-10-19 | 2022-10-19 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115828726A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117553337A (zh) * | 2024-01-11 | 2024-02-13 | 浙江英集动力科技有限公司 | 考虑农业光伏制热并入集中供热管网的多源互补调度方法 |
| CN118192312A (zh) * | 2024-03-13 | 2024-06-14 | 山东链云科技有限公司 | 大棚卷帘机控制方法、装置及大棚卷帘机 |
| CN118493364A (zh) * | 2024-07-12 | 2024-08-16 | 清华大学深圳国际研究生院 | 一种绳驱柔性臂的末端位置控制方法 |
-
2022
- 2022-10-19 CN CN202211291479.XA patent/CN115828726A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117553337A (zh) * | 2024-01-11 | 2024-02-13 | 浙江英集动力科技有限公司 | 考虑农业光伏制热并入集中供热管网的多源互补调度方法 |
| CN117553337B (zh) * | 2024-01-11 | 2024-03-22 | 浙江英集动力科技有限公司 | 考虑农业光伏制热并入集中供热管网的多源互补调度方法 |
| CN118192312A (zh) * | 2024-03-13 | 2024-06-14 | 山东链云科技有限公司 | 大棚卷帘机控制方法、装置及大棚卷帘机 |
| CN118493364A (zh) * | 2024-07-12 | 2024-08-16 | 清华大学深圳国际研究生院 | 一种绳驱柔性臂的末端位置控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112653142B (zh) | 优化深度Transformer网络的风电功率预测方法及系统 | |
| Jallal et al. | A hybrid neuro-fuzzy inference system-based algorithm for time series forecasting applied to energy consumption prediction | |
| 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 | |
| CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
| CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
| CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
| CN115688579A (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
| Yong | An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs | |
| 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 | |
| CN115115125B (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
| CN114811713B (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
| CN111709109A (zh) | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 | |
| 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 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| CN114362175A (zh) | 基于深度确定性策略梯度算法的风电功率预测方法及系统 | |
| CN113962454A (zh) | 基于双重特征选择+粒子群优化的lstm能耗预测方法 | |
| CN115640901A (zh) | 一种基于混合神经网络和生成对抗的小样本负荷预测方法 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| CN115860215A (zh) | 一种光伏和风电发电功率预测方法及系统 | |
| CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
| CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
| CN116300755A (zh) | 基于mpc的含储热的供热系统双层优化调度方法及装置 | |
| CN114219126B (zh) | 基于残差修正的小水电渗透地区网供负荷预测方法 | |
| Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
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 |