CN117252398A - 一种基于神经网络的城市供热平衡调控方法 - Google Patents
一种基于神经网络的城市供热平衡调控方法 Download PDFInfo
- Publication number
- CN117252398A CN117252398A CN202311515195.9A CN202311515195A CN117252398A CN 117252398 A CN117252398 A CN 117252398A CN 202311515195 A CN202311515195 A CN 202311515195A CN 117252398 A CN117252398 A CN 117252398A
- Authority
- CN
- China
- Prior art keywords
- heat source
- heat supply
- heat
- building
- source station
- 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 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000009413 insulation Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000010438 heat treatment Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及城市供热技术领域,具体涉及一种基于神经网络的城市供热平衡调控方法,包括:收集供热需求历史数据,作为样本数据;供热需求历史数据包括:人口热力分布、建筑类别、建筑保温性能、天气状况、所属月份和热力需求;利用样本数据制作训练集、验证集和测试集,建立供热需求神经网络模型,完成模型训练;利用供热需求神经网络模型对热力需求进行预测,并根据预测结果对热力资源进行调配。其能够大大提高供热的精准性,使得供热方案具有更高的参考性和可信度,有效降低了临时紧急调配热力资源的发生频次,降低了管理工作的工作量和运营成本,保障了供热工作的有序进行。
Description
技术领域
本发明涉及城市供热技术领域,具体而言,涉及一种基于神经网络的城市供热平衡调控方法。
背景技术
城市供热包含了民用供热和商用供热,我国北方的住宅集中供热就属于民用供热。在供热工作中,涉及范围广、人数多,为了保障用户的正常生产生活,就需要供热工作有序、稳定、可靠地进行。
在传统的供热管理工作中,基本上采取人工管理经验来对供热需求进行预估,由于人为经验容易出现较大误差,因此在对供热资源进行储备时,往往采用过量储备的方法以减小人工评估误差的影响。这种管理方式经常会导致供热资源的紧张,且供热精准性低,在实际供热过程中,经常需要临时紧急对供热资源进行跨区域重新调配,反而为管理工作带来了大量的额外工作和运营成本。
有鉴于此,特提出本申请。
发明内容
本发明的目的在于提供一种基于神经网络的城市供热平衡调控方法,其能够大大提高供热的精准性,使得供热方案具有更高的参考性和可信度,有效降低了临时紧急调配热力资源的发生频次,降低了管理工作的工作量和运营成本,保障了供热工作的有序进行。
本发明的实施例是这样实现的:
一种基于神经网络的城市供热平衡调控方法,其包括如下步骤:
S1、收集供热需求历史数据,作为样本数据;供热需求历史数据包括:人口热力分布、建筑类别、建筑保温性能、天气状况、所属月份和热力需求;
S2、利用样本数据制作训练集、验证集和测试集,建立供热需求神经网络模型,完成模型训练;
S3、利用供热需求神经网络模型对热力需求进行预测,并根据预测结果对热力资源进行调配。
进一步的,人口热力分布根据手机定位信息来确认。
进一步的,在步骤S3中,根据预测结果对热力资源进行调配时,包括:按热源站划分供热区域,根据预测结果将热力资源在不同的供热区域之间进行调配。
进一步的,步骤S3包括:
S31、利用供热需求神经网络模型对热力需求进行预测;
S32、以地图平面为基准面建立配置模型,在地图平面上标示出热源站的位置;
S33、确认每个热源站的热力资源余量,并确定热力资源余量与垂直单位向量之间的转化比例,以此确定每个热源站的垂直向量值;
S34、确认热源站在地图平面上的参考点,并根据垂直向量值确定参考点对应的纵向点;
S35、将需要调配热力资源的热源站的纵向点与可供调配热力资源的热源站的纵向点进行连线,确认该连线与地图平面之间的夹角;
S36、优先选择最大夹角所对应的可供调配热力资源的热源站向该需要调配热力资源的热源站进行热力资源调配。
进一步的,步骤S3包括:
S30、设定第一余量基准;
S31、利用供热需求神经网络模型对热力需求进行预测;
S32、按热源站划分供热区域,将属于同一热源站的建筑划分至同一供热区域;
S33、利用聚类方法对供热区域内的建筑进行聚类处理,得到供热区域内的建筑集中区;
S34、以地图平面为基准面建立配置模型,在地图平面上标示出热源站的位置和建筑集中区的轮廓;
S35、根据第一余量基准确认每个热源站和建筑集中区的热力资源余量,并确定热力资源余量与垂直单位向量之间的转化比例,以此确定每个热源站和建筑集中区的垂直向量值;
S36、确认热源站和建筑集中区在地图平面上的参考点,并根据垂直向量值确定参考点对应的纵向点;
S37、将热力资源余量为负的建筑集中区的纵向点分别与热力资源余量为正的热源站和建筑集中区的纵向点进行连线,确认该连线与地图平面之间的夹角;
S38、优先选择最大夹角所对应的热力资源余量为正的热源站/建筑集中区向该热力资源余量为负的建筑集中区进行热力资源调配。
进一步的,参考点为热源站/建筑集中区的轮廓所对应的二维图形的重心。
进一步的,参考点的确认方法包括:
在热力资源余量为负的建筑集中区的轮廓与热力资源余量为正的热源站/建筑集中区的轮廓之间建立长度最短的连线,该连线与轮廓的交点即为对应的参考点。
进一步的,步骤S3还包括:
S30’、设定第二余量基准,第二余量基准低于第一余量基准;
S31’、根据第二余量基准确认每个热源站和建筑集中区的热力资源余量,并确定热力资源余量与垂直单位向量之间的转化比例,以此确定每个热源站和建筑集中区的垂直向量值;
S32’、以热力资源余量为负的建筑集中区的参考点为圆心在地图平面内构建一圆形区域,该圆形区域包含有其他热源站/建筑集中区的参考点;
S33’、对该圆形区域内的参考点的热力资源余量进行求和,并计算热力资源余量之和与该圆形区域面积的比值;
S34’、选取最大比值所对应的圆形区域,在该圆形区域内,将热力资源余量为正的热源站/建筑集中区的热力资源向热力资源余量为负的建筑集中区进行调配。
进一步的,在步骤S32’中,在统计圆形区域包含的热源站/建筑集中区的参考点时,不考虑该热力资源余量为负的建筑集中区所属的供热区域内的热源站和其他建筑集中区。
进一步的,步骤S3还包括:
若某个其他热源站/建筑集中区的参考点在多个最大比值所对应的圆形区域中重复出现,则将该热源站/建筑集中区的参考点分别与上述的圆形区域的圆心所对应的纵向点进行连线,确认该连线与地图平面之间的夹角;
设定角度和阈值,将半径由小到大的圆形区域对应的夹角依次相加,直到角度之和最接近角度和阈值,且该角度之和小于或等于角度和阈值;
将该重复出现的热源站/建筑集中区的热力资源在参与到上述相加的夹角所对应的建筑集中区之间进行调配,调配比例为各个夹角的角度之比。
本发明实施例的技术方案的有益效果包括:
本发明实施例提供的基于神经网络的城市供热平衡调控方法针对性地训练供热需求神经网络模型,可以更准确地对热力需求进行预测,大大提高了预测数据的可信度,从而有助于进一步提高供热的精准性,便于对热力资源进行更合理的调配和管理。
总体而言,本发明实施例提供的基于神经网络的城市供热平衡调控方法能够大大提高供热的精准性,使得供热方案具有更高的参考性和可信度,有效降低了临时紧急调配热力资源的发生频次,降低了管理工作的工作量和运营成本,保障了供热工作的有序进行。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为纵向点之间的连线示意图;
图2为热源站之间的连线示意图;
图3为供热区域的示意图;
图4为确认建筑集中区的示意图;
图5为配置模型中建筑集中区、热源站的热力资源余量示意图;
图6为以建筑集中区的二维图形的重心作为参考点时的示意图;
图7为通过建筑集中区的轮廓确认参考点时的示意图;
图8为供热资源紧张时参考点的示意图;
图9为确认圆形区域时的示意图;
图10为图9中P1与P0之间的连线示意图。
附图标记说明:
O-地图平面。
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。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如本说明书和权利要求书中所示,除非上下文明确提出示例外情形,“一”、“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用的流程图用来说明根据本说明书的实施例的系统所执行的操作。可以理解,各步骤的操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本实施例提供一种基于神经网络的城市供热平衡调控方法,其包括如下步骤:
S1、收集供热需求历史数据,作为样本数据;供热需求历史数据包括:人口热力分布、建筑类别、建筑保温性能、天气状况、所属月份和热力需求;
S2、利用样本数据制作训练集、验证集和测试集,建立供热需求神经网络模型,完成模型训练;
S3、利用供热需求神经网络模型对热力需求进行预测,并根据预测结果对热力资源进行调配。
也就是说,通过建立的供热需求神经网络模型,能够确定出人口热力分布、建筑类别、建筑保温性能、天气状况、所属月份等因素对热力需求的影响程度,从而更准确地对热力需求进行预测。
本申请的发明人研究发现:传统的人工预估方法非常局限,一般采用气温来预测热力需求,非常被动。一方面人工预测效率比较低,具有一定的延时性,另一方面气温通常根据天气预报来获取,预报数据一般多变,这就会导致人工预测工作需要根据最新的天气预报数据反复做,费时费力且可靠性低。
本申请的发明人在研究过程中还发现:人口分布情况对热力需求有显著影响,人口的分散/聚集程度和人数都会对热力需求产生不同程度的影响。建筑类别和建筑保温性能决定了对热能的消耗情况。天气状况可以直接影响人们对热量的需要。
其中,所属月份这一影响因素经常被忽略,虽然所在的月份直接与气温相关,但是这也会影响人们对热量的消费倾向。对于由热转冷的月份,即使某一天气温有明显降低,人们并不倾向于立马开始取暖。而在由冷转热的月份,只要气温没有明显回升,人们并不愿意立即停止取暖,往往人们停止取暖的时间都迟于气温回升的时间。
通过以上设计,针对性地训练供热需求神经网络模型,可以更准确地对热力需求进行预测,大大提高了预测数据的可信度,从而有助于进一步提高供热的精准性,便于对热力资源进行更合理的调配和管理。
总体而言,本实施例提供的基于神经网络的城市供热平衡调控方法能够大大提高供热的精准性,使得供热方案具有更高的参考性和可信度,有效降低了临时紧急调配热力资源的发生频次,降低了管理工作的工作量和运营成本,保障了供热工作的有序进行。
可选的,人口热力分布可以通过手机定位信息(GPS、北斗等)来确认,但不限于此。
进一步的,在步骤S3中,根据预测结果对热力资源进行调配时,包括:按热源站划分供热区域,根据预测结果将热力资源在不同的供热区域之间进行调配。
具体的,步骤S3包括:
S31、利用供热需求神经网络模型对热力需求进行预测;
S32、以地图平面O(即平面地图所对应的平面)为基准面建立配置模型,在地图平面O上标示出热源站的位置(位置的标识均以平面地图为依据,即按对应的比例尺进行标注);
S33、确认每个热源站的热力资源余量,并确定热力资源余量与垂直单位向量之间的转化比例(转化比例可以根据时机情况灵活调整),以此确定每个热源站的垂直向量值(即垂直于地图平面O方向的量);热力资源余量为正数,表明热力资源能够满足供热需要,且还有剩余,此时对应的垂直向量值指向正方向。热力资源余量为负数,表明热力资源无法满足供热需要,存在缺口,此时对应的垂直向量值指向负方向。
S34、确认热源站在地图平面O上的参考点,并根据垂直向量值确定参考点对应的纵向点;若在步骤S32中在地图平面O上标示出的热源站的位置是一个位置点,那么这个位置点就是参考点。若在步骤S32中在地图平面O上标示出的热源站的位置是一个区域范围,那么参考点就是这个区域范围内(含边界)的一个点。纵向点就是从参考点出发,在垂直于地图平面O的方向上,向垂直向量值指向的方向(正向或负向)移动垂直向量值对应长度的距离后得到的点。
如图1和图2所示,P1、P2、P3和P4均为热源站的参考点,P1’、P2’、P3’和P4’分别为P1、P2、P3和P4对应的纵向点。在垂直于地图平面O的反向上,P1和P1’之间的距离与P1对应的热源站的热力资源余量所确定的垂直向量值相匹配,P2和P2’之间的距离与P2对应的热源站的热力资源余量所确定的垂直向量值相匹配,P3和P3’之间的距离与P3对应的热源站的热力资源余量所确定的垂直向量值相匹配,P4和P4’之间的距离与P4对应的热源站的热力资源余量所确定的垂直向量值相匹配。其中,P1对应的热源站的热力资源余量为负数,属于资源不足的情况,需要调配热力资源。P2、P3和P4对应的热源站的热力资源余量为正数,属于资源有剩余的情况,可供调配热力资源。
S35、将需要调配热力资源的热源站的纵向点与可供调配热力资源的热源站的纵向点进行连线,确认该连线与地图平面O之间的夹角;如图1所示,P1对应的热源站(需要调配热力资源的热源站)与P2对应的热源站(可供调配热力资源的热源站)之间的连线为P1’P2’,该连线P1’P2’与地图平面O之间的夹角为角α。同理可以确认P1对应的热源站(需要调配热力资源的热源站)与P3对应的热源站(可供调配热力资源的热源站)之间的连线和夹角、P1对应的热源站(需要调配热力资源的热源站)与P4对应的热源站(可供调配热力资源的热源站)之间的连线和夹角。
S36、优先选择最大夹角所对应的可供调配热力资源的热源站向该需要调配热力资源的热源站进行热力资源调配。也就是说,在调配热力资源时,优先从最大夹角(度数最大的夹角)所对应的可供调配热力资源的热源站调配热力资源到P1对应的热源站,随着热力资源的调配,各个夹角的读数会发生变化,即这是一个动态的调配过程,当各个夹角之间的大小关系发生变化后,始终优先从最大夹角所对应的可供调配热力资源的热源站向P1对应的热源站进行热力资源调配。
通过以上设计,同时兼顾了可供调配热力资源的热源站的热力资源余量多少和其与P1对应的热源站(需要调配热力资源的热源站)之间的距离(距离会影响调配成本、过程损耗等),能够从各个热源站的实际分布情况出发,给出更加经济合理的调配方案,并保证在调配过程中避免其他热源站的资源被过度调出而影响该热源站后续的供热工作,有助于降低这些热源站后续的供热不足的风险。
需要说明的是,以上方式更适合热源站的供热对象(建筑)相对集中的情况。
总的来说,通过本申请的技术方案来对热力资源进行调配,能够有效地提高热力资源分配的合理性,并提高调配过后对未来供热不足风险的抵抗力。
在本实施例中,具体实施时,需要对实际情况进行区分。
在即将进入供热季节时,各个供热站需要预留足量的热力资源,以应对即将到了的供热季,并且要保留一定用于对抗突发恶劣天气的热力资源。此时,需要将热力资源余量控制在一个相对较高的标准。
此时,步骤S3包括:
S30、设定第一余量基准;
S31、利用供热需求神经网络模型对热力需求进行预测;
S32、按热源站划分供热区域,将属于同一热源站的建筑划分至同一供热区域;如图3所示,图中方块点为热源站,圆点为用热建筑,属于同一热源站的建筑通过虚线与同一热源站相连,以表示归属关系。
S33、利用聚类方法对供热区域内的建筑进行聚类处理,得到供热区域内的建筑集中区;
S34、以地图平面O为基准面建立配置模型,在地图平面O上标示出热源站的位置和建筑集中区的轮廓;如图4所示,以虚线标示出了建筑集中区的轮廓。轮廓的构建方式可以灵活选择,可以是供热管网对应的范围,也可以是建筑所占区域的集合。
S35、根据第一余量基准确认每个热源站和建筑集中区的热力资源余量(热力资源余量=现有热力资源-热力需求-第一余量基准),并确定热力资源余量与垂直单位向量之间的转化比例,以此确定每个热源站和建筑集中区的垂直向量值(垂直向量值=转化比例*热力资源余量);如图5所示,凸起(实线)表示热力资源余量为正数,凹陷(虚线)表示热力资源余量为负数。
S36、确认热源站和建筑集中区在地图平面O上的参考点,并根据垂直向量值确定参考点对应的纵向点;
S37、将热力资源余量为负的建筑集中区的纵向点分别与热力资源余量为正的热源站和建筑集中区的纵向点进行连线,确认该连线与地图平面O之间的夹角;
S38、优先选择最大夹角所对应的热力资源余量为正的热源站/建筑集中区向该热力资源余量为负的建筑集中区进行热力资源调配。
其中,考虑到建筑集中区的面积相对较大,建筑集中区的参考点为其在地图平面O上的轮廓所对应的二维图形的重心。而热源站的面积相对较小,则不考虑热源站在地图平面O上的轮廓,而是以其在地图平面O上的坐标点来作为其参考点。当然,若某个热源站的占地面积相对较大,也可以将其在地图平面O上的轮廓所对应的二维图形的重心作为参考点。
需要说明的是,以上方式中,对供热区域内的建筑进行聚类处理,得到供热区域内的建筑集中区,更适合建筑分布相对分散的地区,即更适合有梳有密、密集区域相互间隔分布的情形。
而对属于同一供热区域的建筑集中区和热源站分别确定其热力资源余量,更适合当地因为地形特殊导致建筑集中区之间的用热情况有明显差异的情形,例如:山地地形中分布于迎风面和背风面的建筑集中区。这当中,热源站的热力资源余量指的是热源站将各个建筑集中区的热力资源余量减去之后的剩余热力资源,对热源站也独立计算热力资源余量是为了保障在突发极端天气状况时,热源站也有一定的保底供热应对能力。对于不同的地区,第一余量基准可以结合当地实际情况来设定和调整。
如图6所示,建筑集中区P0处的热力资源余量为负,建筑集中区P1、P3、P4和P6的热力资源余量为正,热源站P2和P5的热力资源余量也为正,需要从建筑集中区P1、P3、P4和P6以及热源站P2和P5向建筑集中区P0调配热力资源。
若P1和P0之间确定的上述夹角的度数最大,那么就从P1向P0调配热力资源,此时,由于P1和P0之间的距离较P2和P0之间的距离更短,从P1直接将热力资源(例如:水暖)分流输送至P0,可以有效地降低输送成本和热量损失。
相比于只在热源站之间进行热力资源调配相比,以上加入了在建筑集中区之间直接进行热力资源调配,更适合建筑分布相对分散的地区,可以有效地控制成本和热力资源损失。此外,从多个建筑集中区同时向一个建筑集中区调配热力资源,每个调配线路的流量都相对较小,在地形复杂地区,管路更便于铺设和维护,也便于对管路进行改路和回收,更加灵活。
另一种情形下,在建筑分布相对分散的地区,若每个建筑集中区的面积都比较大,此时就需要考虑建筑集中区本身的面积对输送距离的影响。此时,参考点的确认方法可以采用:在热力资源余量为负的建筑集中区的轮廓与热力资源余量为正的热源站/建筑集中区的轮廓之间建立长度最短的连线,该最短的连线与轮廓的交点即为对应的参考点。如图7所示,建筑集中区P1和建筑集中区P0之间的连线(虚线),以及建筑集中区P2和建筑集中区P0之间的连线(虚线),虚线与轮廓的交点K1、K2、K3和K4即为各自的参考点。此时,通过参考点K1、K2、K3和K4确认各自的纵向点,进而确认夹角大小。
在进入供热旺季后,若突发较为极端或少见的极寒天气,供热需求激增,此时,整个地区的热力资源余量都处于较低的水平。在这种状态下,首要任务是确保每个建筑集中区能够实现基本供需平衡,即供应要至少等于需求。相应的,需要将热力资源余量控制在一个相对较低的标准(可供应量等于或略大于需求量)。
对应的,此时步骤S3还包括:
S30’、设定第二余量基准,第二余量基准低于第一余量基准;例如:可供应量等于,但不限于此。
S31’、根据第二余量基准确认每个热源站和建筑集中区的热力资源余量,并确定热力资源余量与垂直单位向量之间的转化比例,以此确定每个热源站和建筑集中区的垂直向量值;
S32’、以热力资源余量为负的建筑集中区的参考点为圆心在地图平面O内构建一圆形区域,该圆形区域包含有其他热源站/建筑集中区的参考点;此时建筑集中区的参考点为其在地图平面O上的轮廓所对应的二维图形的重心,热源站的参考点为其在地图平面O上的坐标点。如图8所示,建筑集中区P0的热力资源余量为正数,建筑集中区P1~P4的热力资源余量为负数,需要从建筑集中区P0分别向建筑集中区P1~P4调配热力资源。
S33’、对该圆形区域内的参考点的热力资源余量进行求和,并计算热力资源余量之和与该圆形区域面积的比值;
S34’、选取最大比值所对应的圆形区域,在该圆形区域内,将热力资源余量为正的热源站/建筑集中区的热力资源向热力资源余量为负的建筑集中区进行调配。
该方式兼顾了圆形区域内的余量规模和圆形区域内的调配范围,便于更加合理地分配热力资源,能够有效避免不必要的调配损失,在热力资源相对紧张的情形下,有助于充分提高对热力资源的利用率。在调配热力资源时,同时兼顾了不同的需要调配的建筑集中区,有效防止顾此失彼的情况发生。
其中,在步骤S32’中,在统计圆形区域包含的热源站/建筑集中区的参考点时,不考虑该热力资源余量为负的建筑集中区所属的供热区域内的热源站和其他建筑集中区。
步骤S3还包括:
若某个其他热源站/建筑集中区的参考点在多个最大比值所对应的圆形区域中重复出现,则将该热源站/建筑集中区的参考点分别与上述的圆形区域的圆心所对应的纵向点进行连线,确认该连线与地图平面O之间的夹角;
设定角度和阈值,将半径由小到大的圆形区域对应的夹角依次相加,直到角度之和最接近角度和阈值,且该角度之和小于或等于角度和阈值;
将该重复出现的热源站/建筑集中区的热力资源在参与到上述相加的夹角所对应的建筑集中区之间进行调配,调配比例为各个夹角的角度之比。
如图9所示,分别以P1~P4为圆心确定圆形区域时,都在刚好将P0包含时使圆形区域内计算热力资源余量之和(包括其他供热区域的全部热源站和建筑集中区)与该圆形区域面积的比值达到了最大值,P0则属于重复出现的区域。
若P0被无限制地进行重复统计,P0的热力资源余量将被不断分割,最终会失去调配意义。因此,可以根据当地实际情况灵活设置角度和阈值。角度和阈值表示了P0允许被重复统计的次数上限。
在图9中,将可供调配的建筑集中区的参考点P0分别与上述的圆形区域的圆心所对应的纵向点进行连线,确认该连线与地图平面O之间的夹角。参考图10,以P1为例,其纵向点为P1’,夹角为角β。
圆形区域的半径r1<r4<r2<r3,将半径由小到大(即按照P1、P4、P2、P3的顺序)的圆形区域对应的夹角依次相加,直到角度之和最接近角度和阈值,且该角度之和小于或等于角度和阈值。若P1、P4、P2三者的夹角度数之和就满足了最接近且小于或等于角度和阈值,则就将P0的热力资源余量在P1、P4、P2三者之间分配,分配比例为P1、P4、P2三者的夹角的度数之比。
通过该设计,实现了“近距离倾向于集中调配,远距离倾向于分散化调配”的调配形式,对于近距离而言,若存在热力资源缺口,优先调配,可以有效降低调配成本和损耗,对于热力资源紧张的形式而言,更利于充分提高利用率。
若调配距离均较远,则说明附近没有需要调配的对象,而且同时说明了这些需要得到调配的建筑集中区在较远的距离才找到了合适的可调配对象,与其距离较近的范围内可能没有更合适的可调配对象,为了保障其正常的供热需要并保障热力资源充分发挥作用,还是需要向其提供热力资源,虽然调配成本会略高。在调配时,远距离更倾向于分散化调配,即每一个对象得到调配的比例容易更小,这一方面是为了避免热力资源长距离定向调配导致顾此失彼,另一方面考虑到此时圆形区域面积较大,在圆形区域内可提供热力资源的建筑集中区/热源站数量相对较多,更容易凑足需求。
基于此,本方法可同时兼顾以上各种情形,保障了热力资源调配的合理性。
综上所述,本发明实施例提供的基于神经网络的城市供热平衡调控方法能够大大提高供热的精准性,使得供热方案具有更高的参考性和可信度,有效降低了临时紧急调配热力资源的发生频次,降低了管理工作的工作量和运营成本,保障了供热工作的有序进行。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的城市供热平衡调控方法,其特征在于,包括如下步骤:
S1、收集供热需求历史数据,作为样本数据;所述供热需求历史数据包括:人口热力分布、建筑类别、建筑保温性能、天气状况、所属月份和热力需求;
S2、利用所述样本数据制作训练集、验证集和测试集,建立供热需求神经网络模型,完成模型训练;
S3、利用所述供热需求神经网络模型对热力需求进行预测,并根据预测结果对热力资源进行调配。
2.根据权利要求1所述的基于神经网络的城市供热平衡调控方法,其特征在于,所述人口热力分布根据手机定位信息来确认。
3.根据权利要求1所述的基于神经网络的城市供热平衡调控方法,其特征在于,在所述步骤S3中,根据预测结果对热力资源进行调配时,包括:按热源站划分供热区域,根据预测结果将热力资源在不同的供热区域之间进行调配。
4.根据权利要求3所述的基于神经网络的城市供热平衡调控方法,其特征在于,所述步骤S3包括:
S31、利用所述供热需求神经网络模型对热力需求进行预测;
S32、以地图平面为基准面建立配置模型,在地图平面上标示出热源站的位置;
S33、确认每个热源站的热力资源余量,并确定所述热力资源余量与垂直单位向量之间的转化比例,以此确定每个热源站的垂直向量值;
S34、确认热源站在所述地图平面上的参考点,并根据所述垂直向量值确定所述参考点对应的纵向点;
S35、将需要调配热力资源的热源站的纵向点与可供调配热力资源的热源站的纵向点进行连线,确认该连线与所述地图平面之间的夹角;
S36、优先选择最大夹角所对应的可供调配热力资源的热源站向该需要调配热力资源的热源站进行热力资源调配。
5.根据权利要求3所述的基于神经网络的城市供热平衡调控方法,其特征在于,所述步骤S3包括:
S30、设定第一余量基准;
S31、利用所述供热需求神经网络模型对热力需求进行预测;
S32、按热源站划分供热区域,将属于同一热源站的建筑划分至同一供热区域;
S33、利用聚类方法对供热区域内的建筑进行聚类处理,得到供热区域内的建筑集中区;
S34、以地图平面为基准面建立配置模型,在地图平面上标示出热源站的位置和建筑集中区的轮廓;
S35、根据所述第一余量基准确认每个热源站和建筑集中区的热力资源余量,并确定所述热力资源余量与垂直单位向量之间的转化比例,以此确定每个热源站和建筑集中区的垂直向量值;
S36、确认热源站和建筑集中区在所述地图平面上的参考点,并根据所述垂直向量值确定所述参考点对应的纵向点;
S37、将热力资源余量为负的建筑集中区的纵向点分别与热力资源余量为正的热源站和建筑集中区的纵向点进行连线,确认该连线与所述地图平面之间的夹角;
S38、优先选择最大夹角所对应的热力资源余量为正的热源站/建筑集中区向该热力资源余量为负的建筑集中区进行热力资源调配。
6.根据权利要求5所述的基于神经网络的城市供热平衡调控方法,其特征在于,所述参考点为热源站/建筑集中区的轮廓所对应的二维图形的重心。
7.根据权利要求5所述的基于神经网络的城市供热平衡调控方法,其特征在于,所述参考点的确认方法包括:
在热力资源余量为负的建筑集中区的轮廓与热力资源余量为正的热源站/建筑集中区的轮廓之间建立长度最短的连线,该连线与轮廓的交点即为对应的参考点。
8.根据权利要求6所述的基于神经网络的城市供热平衡调控方法,其特征在于,所述步骤S3还包括:
S30’、设定第二余量基准,所述第二余量基准低于所述第一余量基准;
S31’、根据所述第二余量基准确认每个热源站和建筑集中区的热力资源余量,并确定所述热力资源余量与垂直单位向量之间的转化比例,以此确定每个热源站和建筑集中区的垂直向量值;
S32’、以热力资源余量为负的建筑集中区的参考点为圆心在所述地图平面内构建一圆形区域,该圆形区域包含有其他热源站/建筑集中区的参考点;
S33’、对该圆形区域内的参考点的热力资源余量进行求和,并计算热力资源余量之和与该圆形区域面积的比值;
S34’、选取最大比值所对应的圆形区域,在该圆形区域内,将热力资源余量为正的热源站/建筑集中区的热力资源向热力资源余量为负的建筑集中区进行调配。
9.根据权利要求8所述的基于神经网络的城市供热平衡调控方法,其特征在于,在所述步骤S32’中,在统计所述圆形区域包含的热源站/建筑集中区的参考点时,不考虑该热力资源余量为负的建筑集中区所属的供热区域内的热源站和其他建筑集中区。
10.根据权利要求9所述的基于神经网络的城市供热平衡调控方法,其特征在于,所述步骤S3还包括:
若某个其他热源站/建筑集中区的参考点在多个最大比值所对应的圆形区域中重复出现,则将该热源站/建筑集中区的参考点分别与上述的圆形区域的圆心所对应的纵向点进行连线,确认该连线与所述地图平面之间的夹角;
设定角度和阈值,将半径由小到大的圆形区域对应的夹角依次相加,直到角度之和最接近所述角度和阈值,且该角度之和小于或等于所述角度和阈值;
将该重复出现的热源站/建筑集中区的热力资源在参与到上述相加的夹角所对应的建筑集中区之间进行调配,调配比例为各个夹角的角度之比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515195.9A CN117252398B (zh) | 2023-11-15 | 2023-11-15 | 一种基于神经网络的城市供热平衡调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515195.9A CN117252398B (zh) | 2023-11-15 | 2023-11-15 | 一种基于神经网络的城市供热平衡调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252398A true CN117252398A (zh) | 2023-12-19 |
CN117252398B CN117252398B (zh) | 2024-02-02 |
Family
ID=89126685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515195.9A Active CN117252398B (zh) | 2023-11-15 | 2023-11-15 | 一种基于神经网络的城市供热平衡调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252398B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190139163A1 (en) * | 2014-10-31 | 2019-05-09 | Research Foundation Of The City University Of New York | Method for forecasting energy demands that incorporates urban heat island |
CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
WO2021232734A1 (zh) * | 2020-05-19 | 2021-11-25 | 山东建筑大学 | 一种热泵与电蓄热设备自适应优化控制方法、系统及装置 |
CN114358604A (zh) * | 2022-01-06 | 2022-04-15 | 浙江大学 | 一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法 |
EP4006686A1 (en) * | 2020-11-26 | 2022-06-01 | Ekoprojekt Spolka Z Ograniczona Odpowiedzialnoscia | Method of controlling heat transfer process in heating substation, regulator, computer program product and heating substation |
CN114912830A (zh) * | 2022-06-06 | 2022-08-16 | 京东城市(北京)数字科技有限公司 | 供热系统优化调控的方法和装置 |
CN115239133A (zh) * | 2022-07-21 | 2022-10-25 | 浙江英集动力科技有限公司 | 基于分层强化学习的多热源供热系统协同优化调度方法 |
CN115796324A (zh) * | 2022-09-08 | 2023-03-14 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种高寒地区供热负荷预测方法和系统 |
CN116070797A (zh) * | 2023-03-29 | 2023-05-05 | 国网浙江省电力有限公司宁波供电公司 | 一种虚拟电厂分布式资源调度方法 |
CN116307209A (zh) * | 2023-03-24 | 2023-06-23 | 常州英集动力科技有限公司 | 基于机器学习和预测控制的供热系统调度自动化实现方法 |
CN116624918A (zh) * | 2023-06-08 | 2023-08-22 | 山西山安蓝天节能科技股份有限公司 | 一种基于神经网络的智慧供热节能控制方法 |
EP4230919A1 (de) * | 2022-02-22 | 2023-08-23 | Aqotec GmbH | Fernwärmeheizsystem mit überschuss-einspeisung |
CN116993227A (zh) * | 2023-09-22 | 2023-11-03 | 北明天时能源科技(北京)有限公司 | 一种基于人工智能的供热分析评估方法、系统及存储介质 |
-
2023
- 2023-11-15 CN CN202311515195.9A patent/CN117252398B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190139163A1 (en) * | 2014-10-31 | 2019-05-09 | Research Foundation Of The City University Of New York | Method for forecasting energy demands that incorporates urban heat island |
WO2021232734A1 (zh) * | 2020-05-19 | 2021-11-25 | 山东建筑大学 | 一种热泵与电蓄热设备自适应优化控制方法、系统及装置 |
CN112232980A (zh) * | 2020-09-14 | 2021-01-15 | 浙江大学 | 一种区域能源供热系统热泵机组调控方法 |
EP4006686A1 (en) * | 2020-11-26 | 2022-06-01 | Ekoprojekt Spolka Z Ograniczona Odpowiedzialnoscia | Method of controlling heat transfer process in heating substation, regulator, computer program product and heating substation |
CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
CN114358604A (zh) * | 2022-01-06 | 2022-04-15 | 浙江大学 | 一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法 |
EP4230919A1 (de) * | 2022-02-22 | 2023-08-23 | Aqotec GmbH | Fernwärmeheizsystem mit überschuss-einspeisung |
CN114912830A (zh) * | 2022-06-06 | 2022-08-16 | 京东城市(北京)数字科技有限公司 | 供热系统优化调控的方法和装置 |
CN115239133A (zh) * | 2022-07-21 | 2022-10-25 | 浙江英集动力科技有限公司 | 基于分层强化学习的多热源供热系统协同优化调度方法 |
CN115796324A (zh) * | 2022-09-08 | 2023-03-14 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种高寒地区供热负荷预测方法和系统 |
CN116307209A (zh) * | 2023-03-24 | 2023-06-23 | 常州英集动力科技有限公司 | 基于机器学习和预测控制的供热系统调度自动化实现方法 |
CN116070797A (zh) * | 2023-03-29 | 2023-05-05 | 国网浙江省电力有限公司宁波供电公司 | 一种虚拟电厂分布式资源调度方法 |
CN116624918A (zh) * | 2023-06-08 | 2023-08-22 | 山西山安蓝天节能科技股份有限公司 | 一种基于神经网络的智慧供热节能控制方法 |
CN116993227A (zh) * | 2023-09-22 | 2023-11-03 | 北明天时能源科技(北京)有限公司 | 一种基于人工智能的供热分析评估方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
李锐;郝学军;付波;王立鑫;孙知音;董妍;: "城市热力站热负荷影响因素分析和预测方法", 区域供热, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN117252398B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240161034A1 (en) | Method and smart gas internet of things system for management based on gas safety | |
CN105825242A (zh) | 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统 | |
CN107067824B (zh) | 基于环境影响的终端区航线网络优化方法 | |
CN102637272A (zh) | 热轧板坯前库剩余板坯的分配方法及装置 | |
CN108304266B (zh) | 一种移动多目标群智感知任务分配方法 | |
CN109492950A (zh) | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 | |
CN109800902A (zh) | 一种不间断往复式灵活线路长度的无人驾驶公交优化方法 | |
US20230230018A1 (en) | Methods and internet of things systems for gas repair-reporting management based on call centers of smart gas | |
CN106202506A (zh) | 结合离线存储与即时计算的三维交通噪声地图更新方法 | |
CN109511150B (zh) | 一种基于单对多充电技术的移动充电车路径规划方法 | |
CN117252398B (zh) | 一种基于神经网络的城市供热平衡调控方法 | |
CN110619431A (zh) | 一种救灾中防汛救援物资的车辆运输调度方法 | |
CN115796520A (zh) | 一种基于多源情景要素驱动的应急资源匹配分析方法和装置 | |
Yin et al. | Planning of electric vehicle charging station based on real time traffic flow | |
CN103489091A (zh) | 一种钢铁产品船运集配方法 | |
CN109325610B (zh) | 一种面向多水源梯级泵站调水系统的分段线性调度方法 | |
CN105783108A (zh) | 节能供热控制的方法、系统及云端服务器 | |
CN110046851B (zh) | 基于Multi-Paxos的无人车物流任务分配方法 | |
CN113837452B (zh) | 一种面向水下无线传感器网络的移动充电路径规划方法 | |
CN114862018B (zh) | 考虑充电行驶距离的电动汽车充电站选址和定容规划方法 | |
CN115907257A (zh) | 一种用于夹岩工程的水资源调度方法 | |
CN106682761A (zh) | 煤炭供需格局优化方法 | |
CN112003329A (zh) | 一种基于全局能耗优化的火电机组调峰调控方法及系统 | |
CN117332940A (zh) | 一种应用水动力仿真的多级泵站调度方法、介质及系统 | |
CN110991086B (zh) | 一种给水管网水力模型漏水量分配方法 |
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 |