CN115841201A - 一种考虑高寒地区热网特性的热网损耗预测方法和系统 - Google Patents
一种考虑高寒地区热网特性的热网损耗预测方法和系统 Download PDFInfo
- Publication number
- CN115841201A CN115841201A CN202211129305.3A CN202211129305A CN115841201A CN 115841201 A CN115841201 A CN 115841201A CN 202211129305 A CN202211129305 A CN 202211129305A CN 115841201 A CN115841201 A CN 115841201A
- Authority
- CN
- China
- Prior art keywords
- heat
- supply network
- heat supply
- loss
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 57
- 239000002689 soil Substances 0.000 claims abstract description 32
- 238000012935 Averaging Methods 0.000 claims 1
- 238000010438 heat treatment Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000779 smoke Substances 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种考虑高寒地区热网特性的热网损耗预测方法和系统,属于集中供热技术领域,具体包括:建立基于RNN算法以及CatBoost算法的热负荷预测模型,得到所述热网的热负荷;基于所述热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度,建立适用于高寒地区的热网损耗数学机理模型,并根据所述数学机理模型,得到所述数理热网损耗;基于所述数理热网损耗对所述热负荷进行修正,并得到修正后的热负荷;基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,送入到基于GA‑LSTM算法和PSO‑BP算法的组合型预测模型之中,得到热网损耗,从而进一步的提升了预测精度。
Description
技术领域
本发明属于集中供热技术领域,尤其涉及一种考虑高寒地区热网特性的热网损耗预测方法和系统。
背景技术
目前,集中供热己经在许多城镇普及。集中供热,是指系统以水或者水蒸汽作媒介,由一或多个热源将热能通过热网向城镇中的热用户供应的方式。集中供热已经成为现代化城镇建设中的不可或缺的基础建设之一。
在高寒地区,集中供热中的管网损失要比非高寒地区的管网损失大得多,与此同时,影响管网损失的因素也和非高寒地区不尽相同,采用适用于非高寒地区的预测模型对管网损失进行预测,其准确度难以满足实际运行调度的需求,导致损失过大或者供热量不能满足用户的需求,最终降低用户的满意度。
针对上述技术问题,本发明提供了一种考虑高寒地区热网特性的热网损耗预测方法和系统。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种考虑高寒地区热网特性的热网损耗预测方法。
一种考虑高寒地区热网特性的热网损耗预测方法,其特征在于,具体包括:
S1建立基于RNN算法以及CatBoost算法的热负荷预测模型,得到所述热网的热负荷;
S2;基于所述热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度,建立适用于高寒地区的热网损耗数学机理模型,并根据所述数学机理模型,得到所述数理热网损耗;
S3基于所述数理热网损耗对所述热负荷进行修正,并得到修正后的热负荷;
S4基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,送入到基于GA-LSTM算法和PSO-BP算法的组合型预测模型之中,得到热网损耗。
通过采用基于RNN算法以及CatBoost算法的热负荷预测模型,预测得到热负荷,但是此时的热负荷并未考虑到热网的损耗,在高海拔地区,热负荷的大小对于热网损耗的影响极大,因此首先通过数学机理模型得到此时的数理热网损耗,并根据数理热网损耗对热负荷进行修正,从而可以得到此时修正后的热负荷,基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,送入到基于GA-LSTM算法和PSO-BP算法的组合型预测模型之中,得到热网损耗,不仅仅考虑到了热网负荷的精确性在高寒地区对热网损耗的影响程度,而且由于高寒地区的土壤平均含冰量明显大于非高寒地区的土壤平均含冰量,而含冰量越大,其对热网损失的影响就会越大,因此通过考虑上面两方面的因素,从而充分考虑热网预测中高海拔地区的热网特性,从而使得预测结果变得更加准确。
通过采用基于RNN算法以及CatBoost算法的热负荷预测模型,从而可以结合两种算法的优点,其中RNN算法在处理类似于负荷预测与时间因素挂钩的时序数据时具有较大的优势,而CatBoost算法解决了梯度偏差以及预测偏移的问题,因此将两者结合起来具有更好的预测精度,通过基于所述数理热网损耗对所述热负荷进行修正,并得到修正后的热负荷,从而解决了高寒地区热负荷在最终热网损耗中影响较大,而此时的热负荷却不够准确的问题。基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,由于高寒地区的土壤平均含冰量明显高于非高寒地区,而含冰量的大小直接影响最终的热网损耗结果,通过将土壤平均含冰量作为输入量送入到负荷预测模型中,从而更进一步的与高寒地区的热网特性相结合,使得最终的预测结果变得更加准确。通过采用基于GA-LSTM算法和PSO-BP算法的组合型预测模型,其中采用GA算法对LSTM的初始值进行优化,进一步提升了整体的预测效率,并具有较好的预测精度,而采用PSO算法对BP算法的初始值进行优化,避免了BP算法由于初始值的问题导致收敛速度慢或者精度较低的问题,利用了BP算法具有较好的非线性处理能力的特点,从而使得整体的预测结果变得更加准确,也能更好的满足实际运行调度的需求,提升了用户的满意度。
进一步的技术方案在于,所述基于RNN算法以及CatBoost算法的热负荷预测模型的具体步骤为:
S11采用基于RNN算法的热负荷预测模型得到RNN热负荷预测结果;
S12采用基于CatBoost算法的热负荷预测模型得到CatBoost热负荷预测结果;
S13赋予RNN热负荷预测结果RNN算法权值,赋予CatBoost热负荷预测结果CatBoost算法权值;
S14基于所述RNN热负荷预测结果、RNN算法权值、CatBoost热负荷预测结果、CatBoost算法权值得到热负荷。
进一步的技术方案在于,所述热网的热负荷的所述RNN算法权值、所述CatBoost算法权值根据不同算法的预测误差情况和专家打分综合确定。
通过依据不同算法的预测误差情况和专家打分综合确定,不仅考虑到不同算法的预测精度,而且为了使得整体的权值分配变得更加客观,通过专家打分的形式也对权值进行确定,根据上面两种方案得到的权值,经过综合后求平均值,从而得到最终的RNN算法权值和CatBoost算法权值,从而使得整体的计算精度变得更加准确。
进一步的技术方案在于,所述适用于高寒地区的热网损耗数学机理模型的具体公式为:
其中Q为热网损耗,K1、K2、K3均为常数,t为环境温度,a1为管道的热损系数,S为管网长度,v为热水的质量流率,Q为热负荷。
通过数学机理模型的建立,使得能够对所述热负荷进行补偿,最终使得热网损耗的结果变得更加准确。
进一步的技术方案在于,所述K3的大小由高寒地区的温度决定。
由于不同地区的温度各不相同,温度越低,其热网损耗越小,此时为其赋予一个较大的K3的值,与高寒地区的实际情况相结合,从而使得整体的预测结果变得更加准确。
进一步的技术方案在于,所述土壤平均含冰量选取至少10组数据,通过平均值的方法求得。
通过采用平均值的方法求得土壤平均含冰量,从而使得得到的土壤平均含冰量的数据变得更加准确,进一步提升了整体的预测精度。
进一步的技术方案在于,所述土壤平均含冰量选取的数据数量由供热面积决定。
进一步的技术方案在于,所述基于GA-LSTM算法和PSO-BP算法的组合型预测模型的具体步骤为:
S11将所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量作为输入量送入到基于GA-LSTM算法的预测模型得到GA-LSTM热网损耗预测结果;
S12将所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量作为输入量送入到基于PSO-BP算法的预测模型得到PSO-BP热网损耗预测结果;
S13基于所述GA-LSTM热网损耗预测结果和所述PSO-BP热网损耗预测结果得到热网损耗。
另一方面,本发明提供了一种考虑高寒地区热网特性的热网损耗预测系统,采用上述的考虑高寒地区热网特性的热网损耗预测方法,包括负荷预测模块,数据处理模块,结果输出模块;所述负荷预测模块负责基于所述热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度,建立适用于高寒地区的热网损耗数学机理模型,并根据所述数学机理模型,得到所述数理热网损耗,基于所述数理热网损耗对所述热负荷进行修正,并得到修正后的热负荷;所述结果输出模块负责将基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,送入到基于GA-LSTM算法和PSO-BP算法的组合型预测模型之中,得到热网损耗。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种考虑高寒地区热网特性的热网损耗预测方法流程图。
图2是根据实施例1的基于RNN算法以及CatBoost算法的热负荷预测模型的具体步骤的流程图。
图3是根据实施例1的基于GA-LSTM算法和PSO-BP算法的组合型预测模型的具体步骤的流程图。
图4是根据实施例2的一种考虑高寒地区热网特性的热网损耗预测系统的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
目前,集中供热己经在许多城镇普及。集中供热,是指系统以水或者水蒸汽作媒介,由一或多个热源将热能通过热网向城镇中的热用户供应的方式。相比小区锅炉房供热,集中供热能够将能源集中利用,热电机组或大型锅炉的燃料利用率远高于分散小型锅炉,同时集中供热还能够集中处理化石燃料燃烧产生的烟尘,减轻环境污染。集中供热已经成为现代化城镇建设中的不可或缺的基础建设之一。
在高寒地区,集中供热中的管网损失要比非高寒地区的管网损失大得多,与此同时,影响管网损失的因素也和非高寒地区不尽相同,采用适用于非高寒地区的预测模型对管网损失进行预测,其准确度难以满足实际运行调度的需求,导致损失过大或者供热量不能满足用户的需求,最终降低用户的满意度。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种考虑高寒地区热网特性的热网损耗预测方法。
一种考虑高寒地区热网特性的热网损耗预测方法,其特征在于,具体包括:
S1建立基于RNN算法以及CatBoost算法的热负荷预测模型,得到所述热网的热负荷;
S2;基于所述热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度,建立适用于高寒地区的热网损耗数学机理模型,并根据所述数学机理模型,得到所述数理热网损耗;
S3基于所述数理热网损耗对所述热负荷进行修正,并得到修正后的热负荷;
S4基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,送入到基于GA-LSTM算法和PSO-BP算法的组合型预测模型之中,得到热网损耗。
通过采用基于RNN算法以及CatBoost算法的热负荷预测模型,预测得到热负荷,但是此时的热负荷并未考虑到热网的损耗,在高海拔地区,热负荷的大小对于热网损耗的影响极大,因此首先通过数学机理模型得到此时的数理热网损耗,并根据数理热网损耗对热负荷进行修正,从而可以得到此时修正后的热负荷,基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,送入到基于GA-LSTM算法和PSO-BP算法的组合型预测模型之中,得到热网损耗,不仅仅考虑到了热网负荷的精确性在高寒地区对热网损耗的影响程度,而且由于高寒地区的土壤平均含冰量明显大于非高寒地区的土壤平均含冰量,而含冰量越大,其对热网损失的影响就会越大,因此通过考虑上面两方面的因素,从而充分考虑热网预测中高海拔地区的热网特性,从而使得预测结果变得更加准确。
通过采用基于RNN算法以及CatBoost算法的热负荷预测模型,从而可以结合两种算法的优点,其中RNN算法在处理类似于负荷预测与时间因素挂钩的时序数据时具有较大的优势,而CatBoost算法解决了梯度偏差以及预测偏移的问题,因此将两者结合起来具有更好的预测精度,通过基于所述数理热网损耗对所述热负荷进行修正,并得到修正后的热负荷,从而解决了高寒地区热负荷在最终热网损耗中影响较大,而此时的热负荷却不够准确的问题。基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,由于高寒地区的土壤平均含冰量明显高于非高寒地区,而含冰量的大小直接影响最终的热网损耗结果,通过将土壤平均含冰量作为输入量送入到负荷预测模型中,从而更进一步的与高寒地区的热网特性相结合,使得最终的预测结果变得更加准确。通过采用基于GA-LSTM算法和PSO-BP算法的组合型预测模型,其中采用GA算法对LSTM的初始值进行优化,进一步提升了整体的预测效率,并具有较好的预测精度,而采用PSO算法对BP算法的初始值进行优化,避免了BP算法由于初始值的问题导致收敛速度慢或者精度较低的问题,利用了BP算法具有较好的非线性处理能力的特点,从而使得整体的预测结果变得更加准确,也能更好的满足实际运行调度的需求,提升了用户的满意度。
在另外的一种可能的实施例中,所述基于RNN算法以及CatBoost算法的热负荷预测模型的具体步骤为:
S11采用基于RNN算法的热负荷预测模型得到RNN热负荷预测结果;
S12采用基于CatBoost算法的热负荷预测模型得到CatBoost热负荷预测结果;
S13赋予RNN热负荷预测结果RNN算法权值,赋予CatBoost热负荷预测结果CatBoost算法权值;
S14基于所述RNN热负荷预测结果、RNN算法权值、CatBoost热负荷预测结果、CatBoost算法权值得到热负荷。
在另外的一种可能的实施例中,所述热网的热负荷的所述RNN算法权值、所述CatBoost算法权值根据不同算法的预测误差情况和专家打分综合确定。
通过依据不同算法的预测误差情况和专家打分综合确定,不仅考虑到不同算法的预测精度,而且为了使得整体的权值分配变得更加客观,通过专家打分的形式也对权值进行确定,根据上面两种方案得到的权值,经过综合后求平均值,从而得到最终的RNN算法权值和CatBoost算法权值,从而使得整体的计算精度变得更加准确。
在另外的一种可能的实施例中,所述适用于高寒地区的热网损耗数学机理模型的具体公式为:
其中Q为热网损耗,K1、K2、K3均为常数,t为环境温度,a1为管道的热损系数,S为管网长度,v为热水的质量流率,Q为热负荷。
通过数学机理模型的建立,使得能够对所述热负荷进行补偿,最终使得热网损耗的结果变得更加准确。
在另外的一种可能的实施例中,所述K3的大小由高寒地区的温度决定。
由于不同地区的温度各不相同,温度越低,其热网损耗越小,此时为其赋予一个较大的K3的值,与高寒地区的实际情况相结合,从而使得整体的预测结果变得更加准确。
在另外的一种可能的实施例中,所述土壤平均含冰量选取至少10组数据,通过平均值的方法求得。
通过采用平均值的方法求得土壤平均含冰量,从而使得得到的土壤平均含冰量的数据变得更加准确,进一步提升了整体的预测精度。
在另外的一种可能的实施例中,所述土壤平均含冰量选取的数据数量由供热面积决定。
在另外的一种可能的实施例中,所述基于GA-LSTM算法和PSO-BP算法的组合型预测模型的具体步骤为:
S11将所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量作为输入量送入到基于GA-LSTM算法的预测模型得到GA-LSTM热网损耗预测结果;
S12将所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量作为输入量送入到基于PSO-BP算法的预测模型得到PSO-BP热网损耗预测结果;
S13基于所述GA-LSTM热网损耗预测结果和所述PSO-BP热网损耗预测结果得到热网损耗。
实施例2
如图4所示,本发明提供了一种考虑高寒地区热网特性的热网损耗预测系统,采用上述的考虑考虑高寒地区热网特性的热网损耗预测方法,包括负荷预测模块,数据处理模块,结果输出模块;所述负荷预测模块负责基于所述热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度,建立适用于高寒地区的热网损耗数学机理模型,并根据所述数学机理模型,得到所述数理热网损耗,基于所述数理热网损耗对所述热负荷进行修正,并得到修正后的热负荷;所述结果输出模块负责将基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,送入到基于GA-LSTM算法和PSO-BP算法的组合型预测模型之中,得到热网损耗。
在本发明实施例中,术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可折卸连接,或一体地连接。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明实施例中的具体含义。
本发明实施例的描述中,需要理解的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本发明实施例的限制。
在本说明书的描述中,术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明实施例的优选实施例而已,并不用于限制本发明实施例,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (9)
1.一种考虑高寒地区热网特性的热网损耗预测方法,其特征在于,具体包括:
S1建立基于RNN算法以及CatBoost算法的热负荷预测模型,得到所述热网的热负荷;
S2;基于所述热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度,建立适用于高寒地区的热网损耗数学机理模型,并根据所述数学机理模型,得到所述数理热网损耗;
S3基于所述数理热网损耗对所述热负荷进行修正,并得到修正后的热负荷;
S4基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,送入到基于GA-LSTM算法和PSO-BP算法的组合型预测模型之中,得到热网损耗。
2.如权利要求1所述的考虑高寒地区热网特性的热网损耗预测方法,其特征在于,所述基于RNN算法以及CatBoost算法的热负荷预测模型的具体步骤为:
S11采用基于RNN算法的热负荷预测模型得到RNN热负荷预测结果;
S12采用基于CatBoost算法的热负荷预测模型得到CatBoost热负荷预测结果;
S13赋予RNN热负荷预测结果RNN算法权值,赋予CatBoost热负荷预测结果CatBoost算法权值;
S14基于所述RNN热负荷预测结果、RNN算法权值、CatBoost热负荷预测结果、CatBoost算法权值得到热负荷。
3.如权利要求2所述的考虑高寒地区热网特性的热网损耗预测方法,其特征在于,所述热网的热负荷的所述RNN算法权值、所述CatBoost算法权值根据不同算法的预测误差情况和专家打分综合确定。
5.如权利要求4所述的考虑高寒地区热网特性的热网损耗预测方法,其特征在于,所述K3的大小由高寒地区的温度决定。
6.如权利要求1所述的考虑高寒地区热网特性的热网损耗预测方法,其特征在于,所述土壤平均含冰量选取至少10组数据,通过平均值的方法求得。
7.如权利要求6所述的考虑高寒地区热网特性的热网损耗预测方法,其特征在于,所述土壤平均含冰量选取的数据数量由供热面积决定。
8.如权利要求1所述的考虑高寒地区热网特性的热网损耗预测方法,其特征在于,所述基于GA-LSTM算法和PSO-BP算法的组合型预测模型的具体步骤为:
S11将所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量作为输入量送入到基于GA-LSTM算法的预测模型得到GA-LSTM热网损耗预测结果;
S12将所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量作为输入量送入到基于PSO-BP算法的预测模型得到PSO-BP热网损耗预测结果;
S13基于所述GA-LSTM热网损耗预测结果和所述PSO-BP热网损耗预测结果得到热网损耗。
9.一种考虑高寒地区热网特性的热网损耗预测系统,采用权利要求1-9任意一项所述的考虑高寒地区热网特性的热网损耗预测方法,包括负荷预测模块,数据处理模块,结果输出模块;所述负荷预测模块负责基于所述热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度,建立适用于高寒地区的热网损耗数学机理模型,并根据所述数学机理模型,得到所述数理热网损耗,基于所述数理热网损耗对所述热负荷进行修正,并得到修正后的热负荷;所述结果输出模块负责将基于所述修正后的热负荷、管网长度、热水的质量流率、管道的热损系数、环境温度、土壤平均含冰量,送入到基于GA-LSTM算法和PSO-BP算法的组合型预测模型之中,得到热网损耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211129305.3A CN115841201B (zh) | 2022-09-16 | 2022-09-16 | 一种考虑高寒地区热网特性的热网损耗预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211129305.3A CN115841201B (zh) | 2022-09-16 | 2022-09-16 | 一种考虑高寒地区热网特性的热网损耗预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115841201A true CN115841201A (zh) | 2023-03-24 |
CN115841201B CN115841201B (zh) | 2023-10-31 |
Family
ID=85574921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211129305.3A Active CN115841201B (zh) | 2022-09-16 | 2022-09-16 | 一种考虑高寒地区热网特性的热网损耗预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841201B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116225102A (zh) * | 2023-05-06 | 2023-06-06 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种移动式的储能通信温升自动监控系统及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104791903A (zh) * | 2015-04-30 | 2015-07-22 | 北京上庄燃气热电有限公司 | 一种热网智能调度系统 |
CN110232640A (zh) * | 2019-01-15 | 2019-09-13 | 华北电力大学 | 一种面向风电消纳的考虑热负荷弹性及热网特性的电热联合调度模型 |
CN113624998A (zh) * | 2021-09-17 | 2021-11-09 | 辽宁旭能科技有限公司 | 基于电力大数据的电锅炉补热储热成本优化方法和装置 |
-
2022
- 2022-09-16 CN CN202211129305.3A patent/CN115841201B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104791903A (zh) * | 2015-04-30 | 2015-07-22 | 北京上庄燃气热电有限公司 | 一种热网智能调度系统 |
CN110232640A (zh) * | 2019-01-15 | 2019-09-13 | 华北电力大学 | 一种面向风电消纳的考虑热负荷弹性及热网特性的电热联合调度模型 |
CN113624998A (zh) * | 2021-09-17 | 2021-11-09 | 辽宁旭能科技有限公司 | 基于电力大数据的电锅炉补热储热成本优化方法和装置 |
Non-Patent Citations (1)
Title |
---|
吴晨雨: "电热综合能源系统的建模及优化运行", 中国博士学位论文全文数据库 工程科技II辑, pages 038 - 13 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116225102A (zh) * | 2023-05-06 | 2023-06-06 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种移动式的储能通信温升自动监控系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115841201B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang | Pressure drop and flow distribution in parallel-channel configurations of fuel cells: U-type arrangement | |
CN105656064B (zh) | 利用供热时滞性实现热电机组参与系统调峰调度的方法 | |
CN115841201A (zh) | 一种考虑高寒地区热网特性的热网损耗预测方法和系统 | |
WO2011006344A1 (zh) | 砂尘环境试验系统的温度调节装置及智能温度控制方法 | |
CN109389248B (zh) | 基于区域热网的综合能源系统热电功率协调调度方法 | |
CN112613671B (zh) | 考虑相变水箱和建筑蓄能的微网分布鲁棒优化调度方法 | |
CN109359839A (zh) | 一种综合能源系统中区域热网的节点热价计算方法 | |
CN109740242A (zh) | 考虑天然气热力过程的电-气综合能源系统统一能流计算方法 | |
CN109325679A (zh) | 考虑综合需求响应的综合能源系统线性化随机调度方法 | |
CN113379565A (zh) | 一种基于分布鲁棒优化方法的综合能源系统优化调度方法 | |
CN112101627B (zh) | 一种高私密性的电气热互联系统分布式优化调度方法 | |
CN105605666A (zh) | 供热量精确分配方法与装置 | |
CN114218765A (zh) | 一种应对电网功率缺额的综合能源惯性支撑方法 | |
CN113255105B (zh) | 双向耦合网络结构的电气热综合能源系统潮流计算方法 | |
CN109886584A (zh) | 一种基于智能体的热网调度方法及装置 | |
CN115685750A (zh) | 考虑时间特性和调度周期匹配的时间尺度自适应调度模型 | |
CN113761727B (zh) | 一种含分布式电热泵的热电联合系统优化调度模型构建方法 | |
Tan et al. | Modeling and simulation of layered water tank based on MATLAB/SIMULINK | |
CN114996957A (zh) | 一种步长自适应的热蒸汽网络稳态仿真方法 | |
CN204665461U (zh) | 一种热泵直热式无水采暖系统 | |
CN110334877B (zh) | 一种优化集中供暖热力管道比摩阻的方法 | |
Lazzaretto et al. | A thermodynamic approach to the definition of the HAT cycle plant structure | |
CN112508730A (zh) | 一种综合能源虚拟电厂的风电消纳策略 | |
WO2020015241A1 (zh) | 一种考虑散热系数区间的热网区间潮流计算方法 | |
CN115511197B (zh) | 一种高寒地区换热站供热负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |