CN116307024A - 一种区域供热热负荷预测方法 - Google Patents
一种区域供热热负荷预测方法 Download PDFInfo
- Publication number
- CN116307024A CN116307024A CN202211299925.1A CN202211299925A CN116307024A CN 116307024 A CN116307024 A CN 116307024A CN 202211299925 A CN202211299925 A CN 202211299925A CN 116307024 A CN116307024 A CN 116307024A
- Authority
- CN
- China
- Prior art keywords
- data
- heat
- model
- training
- heating power
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000005855 radiation Effects 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000002699 waste material Substances 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"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种区域供热热负荷预测方法,该方法包括构建热力站模型训练,包括训练数据、输入数据、输出数据、数据处理、训练算法、算法执行和运行逻辑组成,根据模型输入数据,进行训练,寻找模型输出数据,并得到最优的模型输出数据;经模型训练后可得到最优模型输出数据即输出的预测值和热力站实际运行的参数无限接近;利用热力站模型训练可实现区域供热热负荷预测。本申请的区域供热热负荷预测采用热力站的模型训练,不断检测和修正实际运行的参数,同时通过控制系统对热力站的热负荷进展进行控制,控制热力站电动调节阀的开度,得到模型输出数据即输出的预测值和热力站实际运行的参数无限接近。
Description
技术领域
本发明供热系统节能技术领域,特别是一种区域供热热负荷预测方法。
背景技术
我国建筑能耗约占社会总能耗的33%,而供热在建筑能耗占比很大,城镇集中供热是目前我国主要的供暖方式,因此集中供热系统的安全、稳定、经济运行对于我们的社会意义最大。但是目前大多数的控制还停留在人工控制阶段;供热运行不能做到精准调控,用户体验不好,存在严重的能量浪费问题。
在现有的供热运行热负荷控制方案中,往往只考虑了当地室外温度、风力等天气因素的影响,没有考虑到人的行为对供热热负荷的影响,同时忽略了供热运行中事故因素的影响,而且未能考虑到用户投诉率等供热公司必须面对的问题。最终导致我们的供热热负荷预测模型在实际参与指导供热运行调控时,往往在运行一段时间后出现预测失效的问题,或者参数极化导致供热偏离正常范围,节能调节效果不佳,甚至影响供热正常运行。
因鉴于此,特提出此发明。
发明内容
本发明的目的是提供一种区域供热热负荷预测方法。
本发明为达到上述目的,具体通过以下技术方案得以实现的:
一种区域供热热负荷预测方法,该方法包括构建热力站的模型训练,热力站的模型训练由训练数据、模型输入数据、模型输出数据、数据处理、训练算法、算法执行和运行逻辑组成,其定义就是根据模型输入数据,进行各种训练,寻找模型输出数据,并得到最优的模型输出数据;经热力站的模型训练后,可得到最优的模型输出数据即输出的预测值和热力站实际运行的参数无限接近;利用热力站的模型训练,可实现区域供热热负荷预测;所述热力站的模型训练与企业数据库连接,企业数据库与控制系统连接;
所述热力站的模型训练的构建需要的数据包括但不限于企业数据库的热力站运行数据,气象数据、地表温度数据、太阳辐射热数据、热用户室内温度数据、热用户投诉率数据、管网故障数据、设备故障数据和历史节能调控数据;
所述区域供热热负荷预测采用各种热力站的模型训练,不断检测和修正实际运行的参数,同时通过控制系统对热力站的热负荷进展进行控制,控制热力站电动调节阀的开度,得到模型输出数据即输出的预测值和热力站实际运行的参数无限接近;
具体的热力站的模型训练包括如下的步骤:
步骤S1、训练数据,针对热力站热量历史值、目标室内温度历史值、地表温度历史值、太阳辐射热历史值、气象数据历史值、室内温度测量值历史值和用户投诉率历史值进行训练;
步骤S2、模型输入数据,包括前3×24h热力站热量历史值、未来48h目标室内温度历史值、前3×24h地表温度历史值、前3×24h太阳辐射热历史值、未来48h气象数据预测值、前3×24h室内温度测量值历史值和前3×24h用户投诉率历史值作为模型的输入数据进行输入;
步骤S3、模型输出数据,将未来48h热力站热量预测值和未来48h热力站二供温预测值输出;
步骤S4、数据处理,包括
(5)将数据库中的数据进行整理,过滤秒级数据及分钟级数据;
(6)从数据库中抽取数据,去掉数据异常值;
(7)补齐数缺值;
(8)标记故障时间点数据,以免影响数据模型;
步骤S5、训练算法,包括
(1)采用机器学习框架进行训练;
(2)训练出基本模型即输入实际运行数据进行检测及修正;
步骤S6、算法执行,包括
(1)算法每小时执行一次;
(2)输出未来48h热力站热量预测值或未来48h热力站二供温预测值;
步骤S7、运行逻辑,包括
(1)区域供热热负荷预测采用的模式,在供热管网或热表设备无故障时为热量预测模式,否则为二供温预测模式;
(2)还有可夜间节能的夜间模式;
控制系统通过调整热力站的电动调节阀完成热量的调整,其中热量预测模式耗费时间为分钟级,二供温预测模式耗费时间为小时级。
进一步限定,热量预测模式是根据现在的运行情况实时预测下周期的热量;二供温预测模式是预测下一周期的二次网供水温度;夜间模式是可进行夜间节能。
进一步限定,热量预测模式与夜间模式对应于一级节能模式,二供温预测模式与夜间模式对应于二级节能模式,热量预测模式对应于三级节能模式,二供温预测模式对应于四级节能模式,可按照热力站所供热用户的管网情况、建筑物维护结构、入住率和热用户用热情况进行划分。
与现有技术相比,本发明的技术方案达到的技术效果:
(1)天气参数除了气象数据,加入了太阳辐射热和地表温度参与模型训练,使得模型训练节能效果更好;
(2)模型训练加入了热用户投诉率这一重要参数,生成的预测模型更加接近实际的供热运行;
(3)采用了热量预测模式和二供温预测模式两种模式,在管网故障或设备故障时采用二供温预测模式,及时调整运行调控,避免因事故问题导致的负荷预测失效;就节能而言,热量预测模式会更加节能。
(4)考虑了热用户用热习惯也就是人的行为对供热需求的影响,更加符合实际的供热运行。
附图说明
图1本发明的热力站的模型训练架构示意图;
图2本发明的热量预测模型示意图;
图3本发明的二供温预测模型示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中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的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。
实施例一
如图1-3所示,本发明的一种区域供热热负荷预测方法,该方法包括构建热力站的模型训练,热力站的模型训练由训练数据、模型输入数据、模型输出数据、数据处理、训练算法、算法执行和运行逻辑组成,其定义就是根据模型输入数据,进行各种训练,寻找模型输出数据,并得到最优的模型输出数据;经热力站的模型训练后,可得到最优的模型输出数据即输出的预测值和热力站实际运行的参数无限接近;利用热力站的模型训练,可实现区域供热热负荷预测;所述热力站的模型训练与企业数据库连接,企业数据库与控制系统连接;
热力站的模型训练的构建需要的数据包括但不限于企业数据库的热力站运行数据,气象数据、地表温度数据、太阳辐射热数据、热用户室内温度数据、热用户投诉率数据、管网故障数据、设备故障数据和历史节能调控数据;
区域供热热负荷预测采用各种热力站的模型训练,不断检测和修正实际运行的参数,同时通过控制系统对热力站的热负荷进展进行控制,控制热力站电动调节阀的开度,得到模型输出数据即输出的预测值和热力站实际运行的参数无限接近;
具体的热力站的模型训练包括如下的步骤:
步骤S1、训练数据,针对热力站热量历史值、目标室内温度历史值、地表温度历史值、太阳辐射热历史值、气象数据历史值、室内温度测量值历史值和用户投诉率历史值进行训练;
步骤S2、模型输入数据,包括前3×24h热力站热量历史值、未来48h目标室内温度历史值、前3×24h地表温度历史值、前3×24h太阳辐射热历史值、未来48h气象数据预测值、前3×24h室内温度测量值历史值和前3×24h用户投诉率历史值作为模型的输入数据进行输入;
步骤S3、模型输出数据,将未来48h热力站热量预测值和未来48h热力站二供温预测值输出;
步骤S4、数据处理,包括
(9)将数据库中的数据进行整理,过滤秒级数据及分钟级数据;
(10)从数据库中抽取数据,去掉数据异常值;
(11)补齐数缺值;
(12)标记故障时间点数据,以免影响数据模型;
步骤S5、训练算法,包括
(1)采用机器学习框架进行训练;
(2)训练出基本模型即输入实际运行数据进行检测及修正;
步骤S6、算法执行,包括
(1)算法每小时执行一次;
(2)输出未来48h热力站热量预测值或未来48h热力站二供温预测值;
步骤S7、运行逻辑,包括
(1)区域供热热负荷预测采用的模式,在供热管网或热表设备无故障时为热量预测模式,否则为二供温预测模式;
(2)还有可夜间节能的夜间模式;
控制系统通过调整热力站的电动调节阀完成热量的调整,其中热量预测模式耗费时间为分钟级,二供温预测模式耗费时间为小时级。
热量预测模式是根据现在的运行情况实时预测下周期的热量;二供温预测模式是预测下一周期的二次网供水温度;夜间模式是可进行夜间节能。
热量预测模式与夜间模式对应于一级节能模式,二供温预测模式与夜间模式对应于二级节能模式,热量预测模式对应于三级节能模式,二供温预测模式对应于四级节能模式,可按照热力站所供热用户的管网情况、建筑物维护结构、入住率和热用户用热情况进行划分。
在供热初期15天内,采用二供温预测模式,同时可采用人工干预,使得运行稳定,并积累调控数据,在供热一周后,查看室内温度曲线,对于运行稳定,热用户室内温度稳定的热力站按照热力站分级进行相应的节能模式。
供暖中期,运行会较为稳定,但是设备和管网也难免会故障,若故障时对热量预测模式进行切换,切换为二供温预测模式,实时跟踪室内温度,及时调整预测值,必要时可采用人工调节进行纠偏,同时将此次故障预测进行总结,完善预测模型。
在数据分析过程中发现太阳辐射热在晴天、阴天、多云天气有所不同,会直接影响到供热决策;经长期的数据分析对比,同时发现受室外温度影响的是一天的供热的不同,对于供暖期整个长趋势而言,地温是一个重要的参数,因此将太阳辐射热和地温两个重要的参数加入了模型的训练。
在实际的供热运行过程中发现热用户的投诉率是一项很重要的参数,直接反映了供热的效果。供热管网的目的是使得热用户室内温度舒适,在此基础之上进行节能。室内温度会作为一个技术手段在实时监测用户的供热效果,而热用户的投诉率则是作为一个管理手段,需要将其进行处理,正常情况下热用户的投诉数量会在一个范围内波动,若超出范围说明供热效果不好,将投诉原因为不热的投诉数量作为模型输入,会使模型更加完善。
本发明中的具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (5)
1.一种区域供热热负荷预测方法,其特征在于,该方法包括构建热力站的模型训练.热力站的模型训练由训练数据、模型输入数据、模型输出数据、数据处理、训练算法、算法执行和运行逻辑组成,其定义就是根据模型输入数据,进行各种训练,寻找模型输出数据,并得到最优的模型输出数据;经热力站的模型训练后,可得到最优的模型输出数据即输出的预测值和热力站实际运行的参数无限接近;利用热力站的模型训练,可实现区域供热热负荷预测;所述热力站的模型训练与企业数据库连接,企业数据库与控制系统连接;
所述热力站的模型训练的构建需要的数据包括但不限于企业数据库的热力站运行数据,气象数据、地表温度数据、太阳辐射热数据、热用户室内温度数据、热用户投诉率数据、管网故障数据、设备故障数据和历史节能调控数据;
所述区域供热热负荷预测采用各种热力站的模型训练,不断检测和修正实际运行的参数,同时通过控制系统对热力站的热负荷进展进行控制,控制热力站电动调节阀的开度,得到模型输出数据即输出的预测值和热力站实际运行的参数无限接近;
具体的热力站的模型训练包括如下的步骤:
步骤S1、训练数据,针对热力站热量历史值、目标室内温度历史值、地表温度历史值、太阳辐射热历史值、气象数据历史值、室内温度测量值历史值和用户投诉率历史值进行训练;
步骤S2、模型输入数据,包括前3×24h热力站热量历史值、未来48h目标室内温度历史值、前3×24h地表温度历史值、前3×24h太阳辐射热历史值、未来48h气象数据预测值、前3×24h室内温度测量值历史值和前3×24h用户投诉率历史值作为模型的输入数据进行输入;
步骤S3、模型输出数据,将未来48h热力站热量预测值和未来48h热力站二供温预测值输出;
步骤S4、数据处理,包括
(1)将数据库中的数据进行整理,过滤秒级数据及分钟级数据;
(2)从数据库中抽取数据,去掉数据异常值;
(3)补齐数缺值;
(4)标记故障时间点数据,以免影响数据模型;
步骤S5、训练算法,包括
(1)采用机器学习框架进行训练;
(2)训练出基本模型即输入实际运行数据进行检测及修正;
步骤S6、算法执行,包括
(1)算法每小时执行一次;
(2)输出未来48h热力站热量预测值或未来48h热力站二供温预测值;
步骤S7、运行逻辑,包括
(1)区域供热热负荷预测采用的模式,在供热管网或热表设备无故障时为热量预测模式,否则为二供温预测模式;
(2)还有可夜间节能的夜间模式;
控制系统通过调整热力站的电动调节阀完成热量的调整,其中热量预测模式耗费时间为分钟级,二供温预测模式耗费时间为小时级。
2.根据权利要求1所述的区域供热热负荷预测方法,其特征在于,所述热量预测模式是根据现在的运行情况实时预测下周期的热量。
3.根据权利要求1所述的区域供热热负荷预测方法,其特征在于,所述二供温预测模式是预测下一周期的二次网供水温度。
4.根据权利要求1所述的区域供热热负荷预测方法,其特征在于,所述夜间模式是可进行夜间节能。
5.根据权利要求1所述的区域供热热负荷预测方法,其特征在于,所述热量预测模式与夜间模式对应于一级节能模式,二供温预测模式与夜间模式对应于二级节能模式,热量预测模式对应于三级节能模式,二供温预测模式对应于四级节能模式,可按照热力站所供热用户的管网情况、建筑物维护结构、入住率和热用户用热情况进行划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299925.1A CN116307024A (zh) | 2022-10-21 | 2022-10-21 | 一种区域供热热负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299925.1A CN116307024A (zh) | 2022-10-21 | 2022-10-21 | 一种区域供热热负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307024A true CN116307024A (zh) | 2023-06-23 |
Family
ID=86796543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211299925.1A Pending CN116307024A (zh) | 2022-10-21 | 2022-10-21 | 一种区域供热热负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307024A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035173A (zh) * | 2023-08-03 | 2023-11-10 | 北京硕人时代科技股份有限公司 | 一种基于六参数模型的换热系统日负荷预测方法及系统 |
-
2022
- 2022-10-21 CN CN202211299925.1A patent/CN116307024A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035173A (zh) * | 2023-08-03 | 2023-11-10 | 北京硕人时代科技股份有限公司 | 一种基于六参数模型的换热系统日负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103162346B (zh) | 基于云服务的集中供暖监控系统及集中供暖系统调节方法 | |
CN103453580B (zh) | 换热站综合智能控制方法 | |
CN101929721B (zh) | 中央空调节能控制ar模型负荷预测系统的预测方法 | |
CN103473393B (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
Amin et al. | Performance analysis of an experimental smart building: Expectations and outcomes | |
Yuan et al. | Analysis and evaluation of the operation data for achieving an on-demand heating consumption prediction model of district heating substation | |
CN112348276A (zh) | 基于多要素三层次的综合能源系统规划优化方法 | |
CN111245025A (zh) | 综合能源系统运行策略的优化方法、终端设备及存储介质 | |
CN116307024A (zh) | 一种区域供热热负荷预测方法 | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
CN210377913U (zh) | 新风实训系统 | |
CN111049165A (zh) | 一种用于新能源电力系统储能配置的方法及系统 | |
CN111159619A (zh) | 一种基于分布式电源协调机制下的配电网规划方法 | |
Chen et al. | Research on energy-saving optimization model based on building energy consumption data | |
Sun et al. | Identifying supply-demand mismatches in district heating system based on association rule mining | |
CN110309978A (zh) | 基于二次动态调整的神经网络光伏功率预测模型及方法 | |
CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
CN115549138A (zh) | 一种多种互补外送系统中的储能容量优化配置方法及系统 | |
TWI559250B (zh) | 微電網能源管理即時調度方法 | |
Bai | A temperature control strategy to achieve low-temperature district heating in North China | |
Abbas et al. | Towards a Near-Zero Energy Building using a Building-Integrated Photovoltaic System with Smart Energy Management Capabilities | |
Soni et al. | Artificial Neural Network-Based Development of an Efficient Energy Management Strategy for Office Building. | |
Li et al. | A novel probabilistic short-term load forecasting method for large power grid | |
Li et al. | Research on temperature response of secondary loop of district heating system with XGBoost | |
CN111291993B (zh) | 一种区域电网各省消纳能力边界评估方法及系统 |
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 |