CN117450688A - 一种基于物联网的烟气余热回收能源调度管理方法及系统 - Google Patents
一种基于物联网的烟气余热回收能源调度管理方法及系统 Download PDFInfo
- Publication number
- CN117450688A CN117450688A CN202311797607.2A CN202311797607A CN117450688A CN 117450688 A CN117450688 A CN 117450688A CN 202311797607 A CN202311797607 A CN 202311797607A CN 117450688 A CN117450688 A CN 117450688A
- Authority
- CN
- China
- Prior art keywords
- heat pump
- scheduling
- neural network
- waste heat
- temperature
- 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
- 239000002918 waste heat Substances 0.000 title claims abstract description 61
- 238000011084 recovery Methods 0.000 title claims abstract description 53
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 239000003546 flue gas Substances 0.000 title claims abstract description 37
- 238000007726 management method Methods 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 77
- 238000010521 absorption reaction Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000002440 industrial waste Substances 0.000 claims abstract description 16
- 238000009776 industrial production Methods 0.000 claims abstract description 9
- 238000010438 heat treatment Methods 0.000 claims abstract description 8
- 238000001816 cooling Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 51
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 238000012544 monitoring process Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000006855 networking Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B27/00—Machines, plants or systems, using particular sources of energy
- F25B27/02—Machines, plants or systems, using particular sources of energy using waste heat, e.g. from internal-combustion engines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B1/00—Methods of steam generation characterised by form of heating method
- F22B1/02—Methods of steam generation characterised by form of heating method by exploitation of the heat content of hot heat carriers
- F22B1/18—Methods of steam generation characterised by form of heating method by exploitation of the heat content of hot heat carriers the heat carrier being a hot gas, e.g. waste gas such as exhaust gas of internal-combustion engines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Combustion & Propulsion (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及能源调度技术领域,公开了一种基于物联网的烟气余热回收能源调度管理方法及系统。该方法包括:通过对实时收集工业生产中产生的工业余热,并将工业生产中产生的工业余热转化为水蒸气的方式完成对工业余热的热能转化;同时通过加压的方式,将产生的水蒸气传递到水源热泵和低温吸收式热泵,用于启动水源热泵和低温吸收式热泵;同时在启动水源热泵和低温吸收式热泵过程中通过PID控制器进行调度,并基于送风温度的调节实现对工业厂区的供暖和供冷;该基于物联网的烟气余热回收能源调度管理方法能对实时收集的工业余热进行实时处理,使工业余热获得充分利用并降低冷暖供应运营成本,实现资源利用最大化。
Description
技术领域
本发明涉及能源调度技术领域,具体为一种基于物联网的烟气余热回收能源调度管理方法及系统。
背景技术
工业余热属于工业生产附属品,如果没有使用单位,工业余热会白白排掉,甚至需要花费一定的成本进行降温散热。同时冬天很多建筑或厂房需要采暖供应,需要市政热源或分布式区域能源提供热力供应。
现有技术CN113379160A通过搭建基于热能流分析的建筑物热负荷模型对热能流进行优化,但是由于热能在传输的过程中会产生损耗,导致现有技术CN113379160A热能调度准确度不高,导致具有很大的局限性。
现有技术CN116862100A通过窑炉能级图以及两层的神经网络计算能量损失以及所述实时热效率制定相应的余热回收计划,但由于现有技术CN116862100A忽略了窑炉与其他设备之间的热能损耗,导致具有很大的局限性。
发明内容
针对现有技术的不足,本发明提供了一种基于物联网的烟气余热回收能源调度管理方法及系统,具备合理、便捷等优点,解决了由于管理调度不佳导致的工业余热浪费的问题。
为解决上述工业余热浪费的技术问题,本发明提供如下技术方案:
本实施例公开一种基于物联网的烟气余热回收能源调度管理方法,具体包括以下步骤:
S1、实时收集工业生产中产生的工业余热,将工业生产中产生的工业余热转化为水蒸气;
S2、通过加压的方式,将产生的水蒸气传递到水源热泵和吸收式热泵;
S3、当水蒸气传递到水源热泵和吸收式热泵时,启动水源热泵和吸收式热泵,并通过设置的两个PID控制器,分别调度水源热泵和吸收式热泵;
S4、设定管理区域,并在设定的管理区域内,实时监测余热回收过程变化情况,并基于训练后的神经网络模型得到的控制量,对烟气余热回收过程进行调度;
优选地,所述设定两个PID控制器,分别调度水源热泵和吸收式热泵包括以下步骤:
S31、采集数据,并对数据中的水源热泵和吸收式热泵中各参数变量的状态值进行预处理,得到预处理后的标准化数据;
S32、基于预处理后的标准化数据建立神经网络预测模型;
S33、训练神经网络预测模型,得到训练后的神经网络模型;
S34、基于训练后的神经网络模型对实时采集的数据进行预测调度;
所述实时采集的数据为实时采集余热回收能源调度过程中的数据。
优选地,所述采集数据,并对数据中的水源热泵和吸收式热泵中各参数变量的状态值进行预处理,得到预处理后的标准化数据包括以下步骤:
基于安装的物联网设备采集数据,所述物联网设备包括温度监控设备以及热泵监测设备,所述温度监控设备用以采集室外温度、送回风温差、回风温度、送风温度;热泵监测设备用以采集水源热泵和吸收式热泵中各参数变量的状态值
所述采集的数据包括:室外温度、送回风温差、回风温度、水源热泵和吸收式热泵中各参数变量的状态值以及送风温度,在设定的室内温度范围内,通过调整室内温度的具体温度,温度每变化1℃记录一次水源热泵和吸收式热泵中各参数变量的状态值,所述水源热泵和吸收式热泵中各参数变量的状态值包括能效指标PUE;
设定采样周期,基于采样周期重复采集温度变化时水源热泵和吸收式热泵中各参数变量的状态值;
重复采集温度变化时水源热泵和吸收式热泵中各参数变量的状态数据后,对采集到的数据进行标准化处理;
公式如下:
其中,/>表示标准化处理前的数据,/>表示标准化处理后的数据;/>表示各参数变量的状态数据中的最大值;/>表示各参数变量的状态数据中的最小值;
基于标准化数据训练完预测模型后,对标准化数据进行反标准化;
公式如下:
。
优选地,所述基于预处理后的标准化数据建立神经网络预测模型包括以下步骤:
设定下一时刻的能效指标PUE和下一时刻的送风温度为被控制量;设定当前时刻室外温度、当前时刻送回风温差、当前时刻回风温度、当前时刻的能效指标PUE以及当前时刻的送风温度为控制量;
建立神经网络预测模型包括:输入层、隐含层和输出层;
神经网络预测模型输入层的输入参数包括:室外温度、送回风温差、回风温度、当前时刻的能效指标PUE以及当前时刻的送风温度;
通过Nguyen-Widrow算法初始化权值;
设定所有输入层的权值和偏移量的初始值为一个在[-1,1]的随机数;
设定隐含层权值初始为:
其中,/>表示为一个在[-1,1]的随机数,/>为第l-1层神经元的数量,/>表示第/>个数据,/>表示第/>个数据;/>表示第l层中神经元的权值;
隐含层偏移量的初始值为:
其中,/>表示为一个在[-1,1]的随机数,/>表示第l层神经元的数量;
为:/>。
优选地,所述训练神经网络预测模型,得到训练后的神经网络模型包括以下步骤:
采用N个历史数据作为样本集,通过样本集对神经网络预测模型进行训练,直至神经网络预测模型收敛,得到训练后的神经网络模型;
历史数据包括历史被控制量、历史控制量;
神经网络预测模型输入层的输入参数包括所述历史控制量,输出的结果为历史被控制量;
基于贝叶斯正则化算法训练神经网络包括以下步骤:
S331、初始化正则化参数α、β和卷积神经网络权值,设定初始值α=0,β=1;
S332、基于贝叶斯正则化修正误差函数;
通过贝叶斯正则化修正误差函数包括以下步骤:
其中,/>表示神经网络的权值数量,/>表示神经网络中第/>个权值,/>表示正则化后误差函数;
修正后的误差函数为:
其中,/>表示第/>个预测控制量,/>表示第/>个历史控制量,/>表示第/>个样品集,/>表示样品集数量;
S333、计算误差函数的Hessian矩阵;
设定为/>的Hessian矩阵,/>;
设定有效参数的数量,/>;
其中,表示矩阵的迹;
S334、根据公式计算正则化参数α、β的新估计值;
其中,/>表示正则化参数α的新估计值,/>表示正则化参数β的新估计值;/>表示J取最小值时所对应的权值;/>表示样本数量;
S335、重复执行S332-S334直至α、β收敛,得到训练后的神经网络模型。
优选地,所述基于训练后的神经网络模型对实时采集的数据进行预测调度包括以下步骤:
S341、基于Nguyen-Widrow算法初始化训练后的神经网络模型的权值,并将实时采集的各项变量数据输入训练后的神经网络模型,得到神经网络模型初始输入状态量x[0];
进一步地,输入状态量x[0]包括:初始时刻的室外温度、初始时刻的送回风温差、初始时刻的回风温度、初始时刻的能效指标PUE以及初始时刻的送风温度;
S342、设定初始时刻的下一时刻为t1,输入各个被控制量的期望值x[t1],并将初始时刻的训练后的神经网络模型的实际输出u[t0]作为初始时刻的优化的状态初值x[t0];
其中,u[t0]表示t0时刻输出的控制量;
S343、将x[t0]、x[t1]输入训练后的神经网络模型的,输出预测控制量u[t1];
将x[t1]、u[t1]输入训练后的神经网络模型的,得到下一时刻的被控制量x[t1+1];
S344、保持训练后的神经网络模型的权值不变,将x[t1+i]输入训练后的神经网络模型的,得到预测控制量u[t1+i],其中i表示当前的预测步数;
将x[t1+i]、u[t1+i] 训练后的神经网络模型的,得到预测控制量x[t1+i+1];
优选地,S345、基于Nguyen-Widrow算法实时调整训练后的神经网络模型的权值;
S346、重复步骤S343到S345直至;/>表示权值的变化量,此时,将u[1]作用于余热回收过程中的水源热泵和吸收式热泵,并设置预测控制量间隔周期;u[n]表示经过n个周期后得到的预测控制量;
其中,u表示得到的预测控制量集合;u[1]表示当前周期下得到的预测控制量,u[2]表示经过一个周期后得到的预测控制量,u[3]表示经过两个周期后得到的预测控制量;
当输入的被控制量的期望值没变时,基于得到的预测控制量集合和预测控制量间隔周期将控制量集合中的预测控制量依次作用于余热回收过程中的水源热泵和吸收式热泵;
当输入的被控制量的期望值变化时,循环S342到S346,周期每更新一次,都会将该周期所得的预测控制量序列中的第一个预测控制量作用于余热回收过程中的水源热泵和吸收式热泵;
优选地,所述设定管理区域,并在设定的管理区域内,实时监测余热回收过程变化情况,并基于神经网络预测模型得到的预测控制量,对烟气余热回收过程进行调度具体包括以下步骤:
S41、在工业厂区内设置Q个监察点,并在每个监察点上安装温度调度设备;
基于设置的调度点,对Q个调度点进行编号Q1,Q2,……,QQ;
以调度点Q1为坐标原点,根据Q1坐标建立三维调度坐标系,并基于调度点Q1确定其他各个调度点的坐标;
进一步地,将各个调度点的坐标保存在系统的数据库内;
S42、基于各个控制点安装的温度调度设备实时对烟气余热回收过程中的温度变化进行调度;
S43、基于训练后的神经网络模型得到的预测控制量,按照不同时间间隔将工业厂区的调度周期划分为日前、日内、实时三个时间尺度;
其中,日前调度以1小时为时间间隔,主要任务是制定未来一天 24小时工业厂区内水源热泵和吸收式热泵的工作计划;日内调度以15分钟为时间间隔,根据神经网络预测模型中最新的预测控制量对日前计划进行修正,并为实时调度提供初始值;实时调度以5分钟为时间间隔,根据实时得到预测控制量对日内调度进行调整;
进一步地,在日前调度阶段,根据获得的预测控制量的预测信息并以工业厂区费用最小为目标,制定未来一天 24小时工业厂区内水源热泵和吸收式热泵的工作计划,具体方式:
其中,/>为分时电价,/>为分时气价,/>为温度值,/>为预测控制量。
本实施例还公开一种基于物联网的烟气余热回收能源调度管理系统,包括:温度监控设备、热泵监测设备、水源热泵、吸收式热泵、显示模块和PID控制器,
所述温度调度设备用于根据神经网络得到的控制量对工业厂区内水源热泵和吸收式热泵进行调度;
所述温度监控设备用于实时收集热泵监测设备的温度数据;
所述热泵监测设备用于实时收集热泵监测设备水源热泵和吸收式热泵中各项数据;
所述水源热泵用于通过烟气余热回收的蒸汽进行供暖;
所述吸收式热泵用于通过烟气余热回收的蒸汽进行供冷;
所述PID控制器用于输入控制能效指标PUE和送风温度;
所述显示模块用于实时显示物联网设备监测的数据。
与现有技术相比,本发明提供了一种基于物联网的烟气余热回收能源调度管理方法及系统,具备以下有益效果:
1、该发明通过按照不同时间间隔设置工业厂区的调度周期划分为日前、日内、实时三个时间尺度;并通过三个时间尺度之间的配合实现对工业厂区烟气余热回收能源调度管理,提高了烟气余热回收能源调度的效率。
2、该发明通过热泵技术回收冷却余热供暖,制冷的方法;通过水源热泵机组在取暖季节时提取冷却水所含的低品位余热,通过机组做功向用户提供取暖。制冷季节, 吸收式热泵机组通过热交换,向用户制备制冷空调所需冷水,使工业余热获得充分利用并降低冷暖供应运营成本,实现资源利用最大化。
3、该发明通过对物联网实时采集到监测数据的预处理,同时,通过调整室内温度的具体温度,温度每变化1℃记录一次水源热泵和吸收式热泵中各参数变量的状态值的方式使监测到数据的标准化程度显著提高,提高了监测数据的有效性。
4、该发明通过建立神经网络预测模型,设定控制量和被控制量的方式分别对数据进行处理,通过神经网络不断卷积的方式对被控制量进行预测并基于权值进行实时更新,提高了余热回收能源调度的精确程度和处理效率,保证了资源利用最大化。
5、该发明通过设置多处监察点并在每个监察点上安装温度监控设备的方式实现对余热回收过程中温度变化情况的监控,提高了余热回收过程的安全性。
附图说明
图1为本发明的物联网的烟气余热回收能源调度管理流程结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
本实施例公开一种基于物联网的烟气余热回收能源调度管理方法,具体包括以下步骤:
S1、实时收集工业生产中产生的工业余热,将工业生产中产生的工业余热转化为水蒸气;
S2、通过加压的方式,将产生的水蒸气传递到水源热泵和吸收式热泵;
S3、当水蒸气传递到水源热泵和吸收式热泵时,启动水源热泵和吸收式热泵,并通过设置的两个PID控制器,分别调度水源热泵和吸收式热泵;
进一步地,设定两个PID控制器,分别调度水源热泵和吸收式热泵包括以下步骤:
S31、采集数据,并对数据中的水源热泵和吸收式热泵中各参数变量的状态值进行预处理,得到预处理后的标准化数据;
基于安装的物联网设备采集数据,所述物联网设备是温度监控设备以及热泵监测设备,所述采集的数据包括:室外温度、送回风温差、回风温度、水源热泵和吸收式热泵中各参数变量的状态值以及送风温度,在设定的室内温度范围内,通过调整室内温度的具体温度,温度每变化1℃记录一次水源热泵和吸收式热泵中各参数变量的状态值,所述水源热泵和吸收式热泵中各参数变量的状态值包括能效指标PUE;
设定采样周期,基于采样周期重复采集温度变化时水源热泵和吸收式热泵中各参数变量的状态值;
重复采集温度变化时水源热泵和吸收式热泵中各参数变量的状态值数据后,对采集到的数据进行标准化处理;
公式如下:
其中,/>表示标准化处理前的数据,/>表示标准化处理后的数据;/>表示各参数变量的状态数据中的最大值;/>表示各参数变量的状态数据中的最小值;
基于标准化数据训练完预测模型后,对标准化数据进行反标准化;
公式如下:
;
S32、基于预处理后的标准化数据建立神经网络预测模型;
设定下一时刻的能效指标PUE和下一时刻的送风温度为被控制量;设定当前时刻室外温度、当前时刻送回风温差、当前时刻回风温度、当前时刻的能效指标PUE以及当前时刻的送风温度为控制量;
建立神经网络预测模型包括:输入层、隐含层和输出层;
神经网络预测模型输入层的输入参数包括:室外温度、送回风温差、回风温度、当前时刻的能效指标PUE以及当前时刻的送风温度;
通过Nguyen-Widrow算法初始化权值;
设定所有输入层的权值和偏移量的初始值为一个在[-1,1]的随机数;
设定隐含层权值初始为:
其中,/>表示为一个在[-1,1]的随机数,/>为第l-1层神经元的数量,/>表示第/>个数据,/>表示第/>个数据;/>表示第l层中神经元的权值;
隐含层偏移量的初始值为:
其中,/>表示为一个在[-1,1]的随机数,/>表示第l层神经元的数量;
为:/>;
S33、训练神经网络预测模型,得到训练后的神经网络模型;
采用N个历史数据作为样本集,通过样本集对神经网络预测模型进行训练,直至神经网络预测模型收敛,得到训练后的神经网络模型;
历史数据包括历史被控制量、历史控制量;
神经网络预测模型输入层的输入参数包括所述历史控制量,输出的结果为历史被控制量;
基于贝叶斯正则化算法训练神经网络包括以下步骤:
S331、初始化正则化参数α、β和卷积神经网络权值,设定初始值α=0,β=1;
S332、基于贝叶斯正则化修正误差函数;
通过贝叶斯正则化修正误差函数包括以下步骤:
其中,/>表示神经网络的权值数量,/>表示神经网络中第/>个权值,/>表示正则化后误差函数;
进一步地,修正后的误差函数为:
其中,/>表示第/>个预测控制量,/>表示第/>个历史控制量,/>表示第/>个样本,/>表示样本集数量;
S333、计算误差函数的Hessian矩阵;
设定为/>的Hessian矩阵,/>;
进一步地,设定有效参数的数量,/>;
其中,表示矩阵的迹;
S334、根据公式计算正则化参数α、β的新估计值;
其中,/>表示正则化参数α的新估计值,/>表示正则化参数β的新估计值;/>表示J取最小值时所对应的权值;/>表示样本数量;
S335、重复执行S332-S334直至α、β收敛,得到训练后的神经网络模型;
S34、基于训练后的神经网络模型对实时采集的数据进行预测调度;
S341、基于Nguyen-Widrow算法初始化训练后的神经网络模型的权值,并将实时采集的各项变量数据输入训练后的神经网络模型,得到神经网络模型初始输入状态量x[0];
进一步地,输入状态量x[0]包括:初始时刻的室外温度、初始时刻的送回风温差、初始时刻的回风温度、初始时刻的能效指标PUE以及初始时刻的送风温度;
S342、设定初始时刻的下一时刻为t1,输入各个被控制量的期望值x[t1],并将初始时刻的训练后的神经网络模型的实际输出u[t0]作为初始时刻的优化的状态初值x[t0];
其中,u[t0]表示t0时刻输出的控制量;
S343、将x[t0]、x[t1]输入训练后的神经网络模型的,输出预测控制量u[t1];
将x[t1]、u[t1]输入训练后的神经网络模型的,得到下一时刻的被控制量x[t1+1];
S344、保持训练后的神经网络模型的权值不变,将x[t1+i]输入训练后的神经网络模型的,得到预测控制量u[t1+i],其中i表示当前的预测步数;
将x[t1+i]、u[t1+i] 训练后的神经网络模型的,得到预测控制量x[t1+i+1];
S345、基于Nguyen-Widrow算法实时调整训练后的神经网络模型的权值;
S346重复步骤S343到S345直至;/>表示权值的变化量,此时,将u[1]作用于余热回收过程中的水源热泵和吸收式热泵,并设置预测控制量间隔周期;
其中,u表示得到的预测控制量集合;u[1]表示当前周期下得到的预测控制量,u[2]表示经过一个周期后得到的预测控制量,u[3]表示经过两个周期后得到的预测控制量;u[n]表示经过n个周期后得到的预测控制量;
当输入的被控制量的期望值没变时,基于得到的预测控制量集合和预测控制量间隔周期将控制量集合中的预测控制量依次作用于余热回收过程中的水源热泵和吸收式热泵;
当输入的被控制量的期望值变化时,循环S342到S346,周期每更新一次,都会将该周期所得的预测控制量序列中的第一个预测控制量作用于余热回收过程中的水源热泵和吸收式热泵;
S4、基于设定管理区域,并在设定的管理区域内,实时监测余热回收过程变化情况,并基于神经网络预测模型得到的控制量,对烟气余热回收过程进行调度;
包括以下步骤:
S41、在工业厂区内设置Q个监察点,并在每个监察点上安装温度调度设备;
基于设置的调度点,对Q个调度点进行编号Q1,Q2,……,QQ;
以调度点Q1为坐标原点,根据Q1坐标建立三维调度坐标系,并基于调度点Q1确定其他各个调度点的坐标;
进一步地,将各个调度点的坐标保存在系统的数据库内;
S42、基于各个控制点安装的温度调度设备实时对烟气余热回收过程中的温度变化进行调度;
S43、基于训练后的神经网络模型得到的预测控制量,按照不同时间间隔将工业厂区的调度周期划分为日前、日内、实时三个时间尺度;
其中,日前调度以1小时为时间间隔,制定未来一天 24小时工业厂区内水源热泵和吸收式热泵的工作计划;日内调度以15分钟为时间间隔,根据神经网络预测模型中最新的预测控制量对日前计划进行修正,并为实时调度提供初始值;实时调度以5分钟为时间间隔,根据实时得到预测控制量对日内调度进行调整;
进一步地,在日前调度阶段,根据获得的预测控制量的预测信息并以工业厂区费用最小为目标,制定未来一天 24小时工业厂区内水源热泵和吸收式热泵的工作计划,具体方式:
其中,/>为分时电价,/>为分时气价,/>为温度值,/>为预测控制量;
本实施例还公开一种基于物联网的烟气余热回收能源调度管理系统,包括:温度监控设备、热泵监测设备、水源热泵、吸收式热泵、显示模块和PID控制器,
所述温度调度设备用于根据神经网络得到的控制量对工业厂区内水源热泵和吸收式热泵进行调度;
所述温度监控设备用于实时收集热泵监测设备的温度数据;
所述热泵监测设备用于实时收集热泵监测设备水源热泵和吸收式热泵中各项数据;
所述水源热泵用于通过烟气余热回收的蒸汽进行供暖;
所述吸收式热泵用于通过烟气余热回收的蒸汽进行供冷;
所述PID控制器用于输入控制能效指标PUE和送风温度;
所述显示模块用于实时显示物联网设备监测的数据。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于物联网的烟气余热回收能源调度管理方法,其特征在于,包括以下步骤:
S1、实时收集工业生产中产生的工业余热,将工业生产中产生的工业余热转化为水蒸气;
S2、通过加压的方式,将产生的水蒸气传递到水源热泵和吸收式热泵;
S3、当水蒸气传递到水源热泵和吸收式热泵时,启动水源热泵和吸收式热泵,并通过设置的两个PID控制器,分别调度水源热泵和吸收式热泵;
S4、设定管理区域,并在设定的管理区域内,实时监测余热回收过程变化情况,并基于训练后的神经网络模型得到的预测控制量,对烟气余热回收过程进行调度。
2.根据权利要求1所述的一种基于物联网的烟气余热回收能源调度管理方法,其特征在于,所述两个PID控制器,分别调度水源热泵和吸收式热泵包括以下步骤:
S31、采集数据,并对数据中的水源热泵和吸收式热泵中各参数变量的状态值进行预处理,得到预处理后的标准化数据;
S32、基于预处理后的标准化数据建立神经网络预测模型;
S33、训练神经网络预测模型,得到训练后的神经网络模型;
S34、基于训练后的神经网络模型对实时采集的数据进行预测调度;
所述实时采集的数据为实时采集的余热回收能源调度过程中的数据。
3.根据权利要求2所述的一种基于物联网的烟气余热回收能源调度管理方法,其特征在于,所述采集数据,并对数据中的水源热泵和吸收式热泵中各参数变量的状态值进行预处理,得到预处理后的标准化数据包括以下步骤:
基于安装的物联网设备采集数据,所述采集的数据包括:室外温度、送回风温差、回风温度、水源热泵和吸收式热泵中各参数变量的状态值以及送风温度,在设定的室内温度范围内,通过调整室内温度的具体温度,温度每变化1℃记录一次水源热泵和吸收式热泵中各参数变量的状态值,所述水源热泵和吸收式热泵中各参数变量的状态值包括能效指标PUE;
设定采样周期,基于采样周期重复采集温度变化时水源热泵和吸收式热泵中各参数变量的状态值;
重复采集温度变化时水源热泵和吸收式热泵中各参数变量的状态值数据后,对采集到的数据进行标准化处理;
公式如下:
其中,/>表示标准化处理前的数据,/>表示标准化处理后的数据;表示各参数变量的状态数据中的最大值;/>表示各参数变量的状态数据中的最小值。
4.根据权利要求3所述的一种基于物联网的烟气余热回收能源调度管理方法,其特征在于,所述基于预处理后的标准化数据建立神经网络预测模型包括以下步骤:
设定下一时刻的能效指标PUE和下一时刻的送风温度为被控制量;设定当前时刻室外温度、当前时刻送回风温差、当前时刻回风温度、当前时刻的能效指标PUE以及当前时刻的送风温度为控制量;
建立神经网络预测模型包括:输入层、隐含层和输出层;
神经网络预测模型输入层的输入参数包括:室外温度、送回风温差、回风温度、当前时刻的能效指标PUE以及当前时刻的送风温度;
通过Nguyen-Widrow算法初始化权值;
设定所有输入层的权值和偏移量的初始值为一个在[-1,1]的随机数;
设定隐含层权值初始为:
其中,/>表示为一个在[-1,1]的随机数,/>为第l-1层神经元的数量,/>表示第/>个数据,/>表示第/>个数据;/>表示第l层中神经元的权值;
隐含层偏移量的初始值为:
其中,/>表示为一个在[-1,1]的随机数,/>表示第l层神经元的数量;
为:/>。
5.根据权利要求4所述的一种基于物联网的烟气余热回收能源调度管理方法,其特征在于,所述训练神经网络预测模型,得到训练后的神经网络模型包括以下步骤:
采用N个历史数据作为样本集,通过样本集对神经网络预测模型进行训练,直至神经网络预测模型收敛,得到训练后的神经网络模型;
历史数据包括历史被控制量、历史控制量;
基于贝叶斯正则化算法训练神经网络包括以下步骤:
S331、初始化正则化参数α、β和卷积神经网络权值,设定初始值α=0,β=1;
S332、基于贝叶斯正则化修正误差函数;
通过贝叶斯正则化修正误差函数包括以下步骤:
其中,/> 表示神经网络的权值数量,/> 表示神经网络中第/> 个权 值,/> 表示正则化后误差函数;
修正后的误差函数为:
其中,/>表示第/>个预测控制量,/>表示第/>个历史控制量,/>表示第/>个样本集,/>表示样本集数量;
S333、计算误差函数的Hessian矩阵;
设定为/>的Hessian矩阵,/>;
设定有效参数的数量,/>;
其中,表示矩阵的迹;
S334、根据公式计算正则化参数α、β的新估计值;
其中,/>表示正则化参数α的新估计值,/>表示正则化参数β的新估计值;/>表示J取最小值时所对应的权值;/>表示样本数量;
S335、重复执行S332-S334直至α、β收敛,得到训练后的神经网络模型。
6.根据权利要求5所述的一种基于物联网的烟气余热回收能源调度管理方法,其特征在于,所述基于训练后的神经网络模型对实时采集的数据进行预测调度包括以下步骤:
S341、基于Nguyen-Widrow算法初始化训练后的神经网络模型的权值,并将实时采集的各项变量数据输入训练后的神经网络模型,得到神经网络模型初始输入状态量x[0];
输入状态量x[0]包括:初始时刻的室外温度、初始时刻的送回风温差、初始时刻的回风温度、初始时刻的能效指标PUE以及初始时刻的送风温度;
S342、设定初始时刻的下一时刻为t1,输入各个被控制量的期望值x[t1],并将初始时刻的训练后的神经网络模型的实际输出u[t0]作为初始时刻的优化的状态初值x[t0];
其中,u[t0]表示t0时刻输出的控制量;
S343、将x[t0]、x[t1]输入训练后的神经网络模型的,输出预测控制量u[t1];
将x[t1]、u[t1]输入训练后的神经网络模型的,得到下一时刻的被控制量x[t1+1];
S344、保持训练后的神经网络模型的权值不变,将x[t1+i]输入训练后的神经网络模型的,得到预测控制量u[t1+i],其中i表示当前的预测步数;
将x[t1+i]、u[t1+i] 训练后的神经网络模型的,得到预测控制量x[t1+i+1]。
7.根据权利要求6所述的一种基于物联网的烟气余热回收能源调度管理方法,其特征在于,还包括以下步骤:
S345、基于Nguyen-Widrow算法实时调整训练后的神经网络模型的权值;
S346、重复步骤S343到S345直至;/>表示权值的变化量,此时,将u[1]作用于余热回收过程中的水源热泵和吸收式热泵,并设置预测控制量间隔周期;
其中,u表示得到的预测控制量集合;u[1]表示当前周期下得到的预测控制量,u[2表示经过一个周期后得到的预测控制量,u[3]表示经过两个周期后得到的预测控制量;
u[n]表示经过n个周期后得到的预测控制量;
当输入的被控制量的期望值没变时,基于得到的预测控制量集合和预测控制量间隔周期将控制量集合中的预测控制量依次作用于余热回收过程中的水源热泵和吸收式热泵;
当输入的被控制量的期望值变化时,循环S342到S346,周期每更新一次,都会将该周期所得的预测控制量序列中的第一个预测控制量作用于余热回收过程中的水源热泵和吸收式热泵。
8.根据权利要求1所述的一种基于物联网的烟气余热回收能源调度管理方法,其特征在于,所述设定管理区域,在设定的管理区域内,实时监测余热回收过程变化情况,并基于神经网络预测模型得到的预测控制量,对烟气余热回收过程进行调度具体包括以下步骤:
S41、在工业厂区内设置Q个监察点,并在每个监察点上安装温度调度设备;
基于设置的调度点,对Q个调度点进行编号Q1,Q2,……,QQ;
以调度点Q1为坐标原点,根据Q1坐标建立三维调度坐标系,并基于调度点Q1确定其他各个调度点的坐标;
将各个调度点的坐标保存在系统的数据库内;
S42、基于各个控制点安装的温度调度设备实时对烟气余热回收过程中的温度变化进行调度;
S43、基于训练后的神经网络模型得到的预测控制量,按照不同时间间隔将工业厂区的调度周期划分为日前、日内、实时三个时间尺度;
其中,日前调度以1小时为时间间隔,制定未来一天24小时工业厂区内水源热泵和吸收式热泵的工作计划;日内调度以15分钟为时间间隔,根据神经网络预测模型中最新的预测控制量对日前计划进行修正,并为实时调度提供初始值;实时调度以5分钟为时间间隔,根据实时得到预测控制量对日内调度进行调整;
在日前调度阶段,根据获得的预测控制量的预测信息并以工业厂区费用最小为目标,制定未来一天 24小时工业厂区内水源热泵和吸收式热泵的工作计划,具体方式:
其中,/>为分时电价,/>为分时气价,/>为温度值,/>为预测控制量。
9.一种基于物联网的烟气余热回收能源调度管理系统,其特征在于,用以实现如权利要求1-8任一项所述的基于物联网的烟气余热回收能源调度管理方法,所述系统包括:温度监控设备、热泵监测设备、水源热泵、吸收式热泵和PID控制器;
所述温度调度设备用于根据神经网络得到的控制量对工业厂区内水源热泵和吸收式热泵进行调度;
所述温度监控设备用于实时收集热泵监测设备的温度数据;
所述热泵监测设备用于实时收集热泵监测设备水源热泵和吸收式热泵中各项数据;
所述水源热泵用于通过烟气余热回收的蒸汽进行供暖;
所述吸收式热泵用于通过烟气余热回收的蒸汽进行供冷;
所述PID控制器用于输入控制能效指标PUE和送风温度。
10.根据权利要求9所述的一种基于物联网的烟气余热回收能源调度管理系统,其特征在于,还包括显示模块,所述显示模块用于实时显示物联网设备监测的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797607.2A CN117450688B (zh) | 2023-12-26 | 2023-12-26 | 一种基于物联网的烟气余热回收能源调度管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797607.2A CN117450688B (zh) | 2023-12-26 | 2023-12-26 | 一种基于物联网的烟气余热回收能源调度管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117450688A true CN117450688A (zh) | 2024-01-26 |
CN117450688B CN117450688B (zh) | 2024-03-29 |
Family
ID=89585977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311797607.2A Active CN117450688B (zh) | 2023-12-26 | 2023-12-26 | 一种基于物联网的烟气余热回收能源调度管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117450688B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5740324A (en) * | 1990-10-10 | 1998-04-14 | Honeywell | Method for process system identification using neural network |
EP3239626A1 (en) * | 2016-04-27 | 2017-11-01 | PLUM spólka z ograniczona odpowiedzialnoscia | Method for controlling heat pump operation |
CN108050568A (zh) * | 2017-12-12 | 2018-05-18 | 大连葆光节能空调设备厂 | 生物质锅炉与工业余热联合供暖技术 |
CN109902741A (zh) * | 2019-02-28 | 2019-06-18 | 上海理工大学 | 一种制冷系统故障诊断方法 |
CN111520808A (zh) * | 2020-03-09 | 2020-08-11 | 华电电力科学研究院有限公司 | 基于低温余热回收的复杂热电联产供热系统及电热负荷调节方法 |
KR20210122520A (ko) * | 2020-04-01 | 2021-10-12 | 엘지전자 주식회사 | 공기조화기 및 공기조화기의 냉매량 추정 방법 |
JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
KR20220066212A (ko) * | 2020-11-13 | 2022-05-24 | 주식회사 한성시스코 | Ai서버를 이용한 고효율 건물에너지 관리시스템 |
CN116384088A (zh) * | 2023-03-23 | 2023-07-04 | 浙江大学 | 一种考虑设备变效率模型的余能利用系统设计方法 |
CN116989442A (zh) * | 2023-07-19 | 2023-11-03 | 武汉理工大学 | 一种中央空调负荷预测方法及系统 |
-
2023
- 2023-12-26 CN CN202311797607.2A patent/CN117450688B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5740324A (en) * | 1990-10-10 | 1998-04-14 | Honeywell | Method for process system identification using neural network |
EP3239626A1 (en) * | 2016-04-27 | 2017-11-01 | PLUM spólka z ograniczona odpowiedzialnoscia | Method for controlling heat pump operation |
CN108050568A (zh) * | 2017-12-12 | 2018-05-18 | 大连葆光节能空调设备厂 | 生物质锅炉与工业余热联合供暖技术 |
CN109902741A (zh) * | 2019-02-28 | 2019-06-18 | 上海理工大学 | 一种制冷系统故障诊断方法 |
CN111520808A (zh) * | 2020-03-09 | 2020-08-11 | 华电电力科学研究院有限公司 | 基于低温余热回收的复杂热电联产供热系统及电热负荷调节方法 |
KR20210122520A (ko) * | 2020-04-01 | 2021-10-12 | 엘지전자 주식회사 | 공기조화기 및 공기조화기의 냉매량 추정 방법 |
KR20220066212A (ko) * | 2020-11-13 | 2022-05-24 | 주식회사 한성시스코 | Ai서버를 이용한 고효율 건물에너지 관리시스템 |
JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
CN116384088A (zh) * | 2023-03-23 | 2023-07-04 | 浙江大学 | 一种考虑设备变效率模型的余能利用系统设计方法 |
CN116989442A (zh) * | 2023-07-19 | 2023-11-03 | 武汉理工大学 | 一种中央空调负荷预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117450688B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7356383B2 (en) | Methods and apparatus for optimizing combined cycle/combined process facilities | |
CN102705957B (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及系统 | |
CN114742294A (zh) | 一种碳排放预测的神经网络算法 | |
KR102482043B1 (ko) | 소규모 이력 데이터에서 냉방부하를 예측하기 위한 학습 방법 및 장치 | |
CN115409396A (zh) | 基于双层滚动优化的综合能源系统多时间尺度调度方法 | |
CN107248017B (zh) | 一种考虑热电联产的实时发电计划优化方法 | |
CN116914747B (zh) | 电力用户侧负荷预测方法及系统 | |
CN111507520A (zh) | 一种换热机组负荷的动态预测方法及系统 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN114021783A (zh) | 一种考虑社会类碳排放因素和短期效益的两阶段月度机组组合和检修计划优化方法 | |
Wei et al. | Data-driven application on the optimization of a heat pump system for district heating load supply: A validation based on onsite test | |
CN114707737A (zh) | 一种基于边缘计算的预测用电量的系统和方法 | |
CN117450688B (zh) | 一种基于物联网的烟气余热回收能源调度管理方法及系统 | |
Ullah et al. | Toward autonomous farming—a novel scheme based on learning to prediction and optimization for smart greenhouse environment control | |
Zhao et al. | Data-driven online energy management framework for HVAC systems: An experimental study | |
CN113222231A (zh) | 一种基于物联网技术的智慧供热系统 | |
Ma et al. | A synchronous prediction method for hourly energy consumption of abnormal monitoring branch based on the data-driven | |
CN116542163A (zh) | 一种历史数据驱动的短期采暖热负荷预测方法 | |
CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
CN115906396A (zh) | 一种被动式建筑能源管理系统及其使用方法 | |
Han et al. | Data-driven heat pump operation strategy using rainbow deep reinforcement learning for significant reduction of electricity cost | |
Zhang | Data-driven whole building energy forecasting model for data predictive control | |
Park et al. | Artificial Neural Network Models for Optimal Start and Stop of Chiller and AHU | |
CN114676866A (zh) | 基于误差修正的负荷日前预测修正方法、设备和存储介质 | |
CN117073243B (zh) | 基于太阳能的地温能热补偿方法、系统、终端及存储介质 |
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 |