CN117501205A - 获取生活热水的用户消耗模式并基于此控制生活热水生产 - Google Patents
获取生活热水的用户消耗模式并基于此控制生活热水生产 Download PDFInfo
- Publication number
- CN117501205A CN117501205A CN202280043333.5A CN202280043333A CN117501205A CN 117501205 A CN117501205 A CN 117501205A CN 202280043333 A CN202280043333 A CN 202280043333A CN 117501205 A CN117501205 A CN 117501205A
- Authority
- CN
- China
- Prior art keywords
- hot water
- heat
- amount
- domestic hot
- computer
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 361
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 149
- 238000009826 distribution Methods 0.000 claims abstract description 103
- 238000005338 heat storage Methods 0.000 claims abstract description 103
- 238000013480 data collection Methods 0.000 claims abstract description 61
- 238000004590 computer program Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims description 77
- 238000012790 confirmation Methods 0.000 claims description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims 1
- 229910052799 carbon Inorganic materials 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 32
- 239000012530 fluid Substances 0.000 description 30
- 238000012549 training Methods 0.000 description 30
- 238000012544 monitoring process Methods 0.000 description 29
- 238000010438 heat treatment Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- COSICWYFCAPPJB-UHFFFAOYSA-N Fusarochromanone Chemical compound OCC(N)CC(=O)C1=CC=C2OC(C)(C)CC(=O)C2=C1N COSICWYFCAPPJB-UHFFFAOYSA-N 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- VXRAAUKUZQYZRW-UHFFFAOYSA-N 3'-N'-Acetylfusarochromanone Chemical compound O1C(C)(C)CC(=O)C2=C(N)C(C(=O)CC(CO)NC(=O)C)=CC=C21 VXRAAUKUZQYZRW-UHFFFAOYSA-N 0.000 description 5
- 238000010079 rubber tapping Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 101100480507 Caenorhabditis elegans tdp-1 gene Proteins 0.000 description 1
- 102220591044 Cellular tumor antigen p53_S20A_mutation Human genes 0.000 description 1
- 101001118566 Homo sapiens 40S ribosomal protein S15a Proteins 0.000 description 1
- 102220477667 Mitochondrial inner membrane protease subunit 2_S40T_mutation Human genes 0.000 description 1
- 102220475759 Probable ATP-dependent RNA helicase DDX6_S15A_mutation Human genes 0.000 description 1
- 102220475756 Probable ATP-dependent RNA helicase DDX6_S30A_mutation Human genes 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 102220352372 c.148T>G Human genes 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1917—Control of temperature characterised by the use of electric means using digital means
-
- 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
- F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
- F24D19/1051—Arrangement or mounting of control or safety devices for water heating systems for domestic hot water
- F24D19/1063—Arrangement or mounting of control or safety devices for water heating systems for domestic hot water counting of energy consumption
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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
- F24D2200/00—Heat sources or energy sources
- F24D2200/02—Photovoltaic energy
-
- 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
- F24D2200/00—Heat sources or energy sources
- F24D2200/12—Heat pump
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Automation & Control Theory (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Heat-Pump Type And Storage Water Heaters (AREA)
Abstract
本公开涉及一种获取生活热水的用户消耗模式(UCP)的计算机实现方法,该方法包括:获取表示在第一时间段(T1)内从储热箱(20)分接的热量的量(∑QT1)的数据;生成表示在多个第一时间段(T1)内从储热箱(20)分接的热量的量(∑Q)、特别是累积热量的数据的第一历史(H1)或数据收集;以及通过将用户消耗模式确定算法应用于所生成的表示从储热箱(20)分接的热量的量的数据的第一历史(H1)或数据收集来获取生活热水的用户消耗模式,其中,用户消耗模式确定算法是在表示分接的热量的量(∑Q)的历史或数据收集上进行训练并且使用一个或更多个机器学习算法来限定生活热水的用户消耗模式的算法。此外,本公开涉及一种用于控制生活热水生产和/或分配的控制器(1)和系统(100)。本公开还涉及一种计算机程序和其上存储有该计算机程序的计算机可读介质。
Description
技术领域
本公开涉及获取生活热水的用户消耗模式的计算机实现方法、生成生活热水消耗预测的计算机实现方法以及控制生活热水生产和/或分配的计算机实现方法。此外,本公开涉及用于生成生活热水消耗预测的相关控制器、用于控制生活热水生产和/或分配的控制器以及用于生产和/或分配生活热水的系统。此外,本公开涉及对应的计算机程序和其上存储有所述计算机程序的计算机可读介质。
背景技术
近年来,如家庭或办公场所之类的建筑配备有智能家居网络,以提供对装置、电器和系统的自动控制,诸如加热、通风和空调(“HVAC”)系统、照明系统、报警系统、家庭影院和娱乐系统。智能家居网络可以包括控制面板,人们可以使用控制面板来输入设定、偏好和调度信息,智能家居网络使用这些信息来提供对建筑中的各种装置、电器和系统的自动控制。例如,人们可以输入期望的温度和指示该人何时离开家的时间表。家庭自动化系统使用该信息来控制HVAC系统,以当人在家时将家加热或冷却到期望的温度,并且当人离开家或例如睡觉时通过关闭HVAC系统的耗电部件来节省能量。
在生活热水生产或分配领域也存在类似的想法。生活环境中的加热需求由两个主要来源组成:卫生热水生产和空间加热。卫生热水通常是根据需要生产的(需要相对高功率的装置,如燃气锅炉)或使用带热水箱的缓冲方法生产,该热水箱可以由各种来源(例如电、太阳能、燃气和热泵)来加热。由于提高的隔热性(如无源房屋)和较小的房屋,对房屋的空间加热的需求在绝对值上减小。另一方面,对生活热水的需求仍然存在,甚至略有增加。因此,卫生热水生产在总的家庭加热需求中占有较大的相对份额。
在具有热水存储箱的系统的情况下,为了向用户提供充足的热水,通常在整天中设定箱的固定最低温度,其中,在安全侧处选择所需的最低温度。出于节能的原因,较新的系统通过每周时间表而使用固定模式。例如,箱的最低温度在夜间或在早晨降低,当预期更高的需求时,箱的温度升高。
为了进一步提高使用热水存储箱的生活热水系统的能效,需要提供具有更准确地预测生活热水的实际消耗的装置的用于生产和/或分配生活热水的这样的系统,从而允许系统在保持用户舒适性的同时将储热箱中存储的热量或热水(保留的热水)减少到最小。为了向系统提供这种用于更准确地预测生活热水的消耗的装置,还需要向系统提供用于更准确地估计箱的可用热水含量的装置。这总体上是通过检测和测量生活热水的使用来实现的。用于此目的的已知的系统是包括流量计和温度传感器的监测系统。基于这些单元的输出,该系统估计被认为从热水存储箱中取出的能量并且估计箱的剩余可用热水含量。
例如,US2015/0226460 A1描述了一种用于水锅炉系统的改造水锅炉监测和预测系统、方法和计算机程序产品,该水锅炉系统包括水锅炉、冷水管、热水管,该水锅炉系统包括:进口温度传感器,该进口温度传感器被配置成测量冷水进水管中的水温;流量计,该流量计被配置成测量流过水锅炉系统的水的流速;出口温度传感器,该出口温度传感器被配置成测量热水出水管中的水温;处理单元,该处理单元适于从进口温度传感器、流量计和出口温度传感器接收传感器数据,并且被配置成基于传感器数据来计算水锅炉中的可用热水的量;以及显示面板,该显示面板联接到处理单元,并且被配置成显示基于可用热水的量由处理单元计算的至少一个估计的实时使用值。
发明内容
鉴于以上所述,希望提供获取生活热水的用户消耗模式的计算机实现方法、生成生活热水消耗预测的计算机实现方法、控制生活热水生产和/或分配的计算机实现方法、用于生成生活热水消耗预测的控制器、用于控制生活热水生产和/或分配的控制器、生产和/或分配生活热水的系统、计算机程序和其上存储有计算机程序的计算机可读介质,从而允许更准确地生成或确定生活热水消耗预测或预报,从而提高能量效率并减少生活热水生产和/或分配的环境足迹。另一个目的是通过使水加热过程适应于个人使用状况来允许对生活热水生产和/或分配的智能控制,目的是在保持用户舒适性的同时降低能耗。
这可以通过如权利要求1所限定的获取用户消耗模式的计算机实现方法、如权利要求12所限定的生成生活热水消耗预测的计算机实现方法、如权利要求17所限定的控制生活热水生产和/或分配的计算机实现方法、如权利要求21所限定的用于生成生活热水消耗预测的控制器,如权利要求22所限定的控制生活热水生产和/或分配的控制器,如权利要求23所限定的生产和/或分配生活热水的系统,如权利要求25所限定的计算机程序以及如权利要求26所限定的计算机可读介质来实现。实施方式可以在从属权利要求、以下描述和附图中找到。
本公开提供了一种用户消耗模式确定算法,该用户消耗模式确定算法在表示从储热箱分接的热量的量的历史或数据收集和/或表示从储热箱或标准化储热箱分接的热量的量的历史和数据收集上进行训练。
以此方式,可以通过使用训练的算法来更准确地确定用户消耗模式、特别是个人用户或个人家庭的用户消耗模式,所述算法可以利用在长时间段内从大量用户收集的数据或经验值。
根据本公开的一个实施方式,提供了一种获取生活热水的用户消耗模式的计算机实现方法。该计算机实现方法包括:
获取表示在优选地预定的第一时间段内从储热箱、特别是加压箱分接的热量的量、特别是等效能量的量的数据,
生成表示在优选地预定数目的第一时间段内从所述储热箱分接的热量的量、特别是累积热量的数据的第一历史或数据收集,以及
通过将用户消耗模式确定算法应用于所生成的表示从所述储热箱分接的热量的量的数据的第一历史或数据收集来获取生活热水的用户消耗模式,
其中,所述用户消耗模式确定算法是在表示从所述储热箱或标准化储热箱分接的热量的量的历史或数据收集上进行训练并且使用一个或更多个机器学习算法来限定生活热水的用户消耗模式的算法,特别是时间序列预测算法。
在本公开的上下文中,关于表示从所述储热箱分接的热量的量的数据的获取和收集的术语“获取”应当被理解成,使得可以通过使用诸如温度传感器或流量计的传感器或者通过访问或读取记录在存储器中的表示从所述储热箱分接的热量的量的数据来确定相应数据。所述存储器可以存储在储热箱中存储的热量或生活热水的在一定时间段内的周期性温度和流速测量。
此外,在本公开的上下文中,关于数据的获取的术语“表示”应当被理解成,使得所述系统和/或计算机实现方法可以根据所获取的数据来确定或重建在特定时间和/或特定时间段存储在所述储热箱中的特定热量的量。
此外,在本公开的上下文中,关于从所述储热箱分接的或关于存储在所述储热箱中的热量的量的术语“热量的量”(稍后讨论)被用于限定例如包含在从所述储热箱分接的水中的能量。换言之,在分接(排水)期间,从所述储热箱中抽取的热量或能量。因此,关于存储在所述储热箱中的热量,术语“热量”是指例如在t0时的剩余等效热水(EHW)。
术语“等效热水(EHW)”对应于如EN16147中所限定的最大热水体积“V40”。根据EN16147,一次排水(从特定储热箱)中的40℃下的混合水的最大量应当通过计算排水期间的热水能量来确定。热水流速fmax以及流入冷水的温度θWC和流出热水的温度θWH在排水期间至少每10s被测量。最大热水体积V40使用以下公式来计算:
其中:
V40是40℃下的混合水的最大体积,单位为l;
θWH(t)-θWC(t)为生活热水存储的出口处的热水温度与入口处的冷水温度的差,单位为K;
t40是从开始排水直到θWH(t)小于40℃的时间,单位为s;
fmax(t)是排水期间热水的流速,单位为l/min。
此外,在本公开的上下文中,关于从所述储热箱分接的术语“等效能量”(也称为“可用能量”)应被理解为包含相对于10度的水的热能的以升为单位的在40℃下的水的量。即,对于在温度T[℃]下的体积V[升],我们得到:
此外,术语“用户消耗模式(UCP)”在本公开中限定以周期性时间间隔或在特定时间段内,指示从所述储热箱分接的热量的量、特别是累积热量的量的如从所述储热箱分接的热水的温度和/或量之类的参数。例如,如果用户每天早上7点左右淋浴,则在以上午6点开始和以上午8点结束的时间段内,用户消耗模式将显示出对生活热水的增加的需求。
然而,在本公开的上下文中,术语“预定的”相对于“时间段”或“第一时间段的数目”应被理解成诸如在某个时间点,例如在开始所述计算机实现方法或所述用户消耗模式确定算法时的初始点(初始化)或者例如在更新所述用户消耗模式确定算法时的更新点(算法的更新),相应的“时间段”或“第一时间段的数目”是手动或自动确定的,在自动的情况下,该值分别由相关算法来确定。
因此,在获取用户消耗模式的计算机实现方法或用户消耗模式确定算法开始时,所述第一时间段可以被设定成1小时,并且所述第一时间段的数目可以被设定成12,从而限定12小时的预测时域。换言之,表示热量的量的数据的第一历史或数据收集将跨越12个小时。在下一步骤中,例如在12小时之后,或者在一天中的某个小时,例如午夜或中午,可以基于所生成的第一历史或数据收集来更新所述用户消耗模式确定算法,从而,出于优化原因,所述第一时间段可以被改变或设定成4小时,并且第一时间段的数目可以被设定成6,从而限定24小时的新预测时域,其中,第一预测时域和新预测时域可以组合成36小时的累积预测时域。
此外,在本公开的上下文中,关于所述储热箱的术语“标准化”应被理解成,使得相应的一个或更多个储热箱在其/它们的特性上对应于对其使用或应用获取生活热水的用户消耗模式的所述计算机实现方法的一个储热箱。换言之,在其上训练算法的储热箱的特性不应与实际的储热箱的特性偏离太多,以致于预期对生活热水的所述用户消耗模式的获取或确定的负面影响。因此,使用的储热箱应与其上训练算法的储热箱相似。替代地,可以对所述算法进行训练以补偿该偏差(例如,将使用的储热箱的尺寸自动缩放成其上训练算法的储热箱的尺寸。另一方面,还可以在不同尺寸或类型的储热箱上训练算法,使得算法能够相应地进行调节)。
根据本公开的另一实施方式,该计算机实现方法还可以包括以下步骤:
生成表示在优选地预定数目的第一历史或数据收集内从所述储热箱分接的热量的量的数据的第二历史或数据收集,其中,所述第一历史或数据收集优选地在一天或24小时的时间段内延伸,并且所述第二历史或数据收集优选地在一周或7天或168小时的时间段内延伸。
如上所述,所述第一时间段与所述第一时间段的数目一起限定了预测时域,其对于所述第二时间段(第一历史的数目)也成立。因此,所述第一历史和第二历史也可以被视为跨越(第一时段的数目x第一时间段)x第一历史的数目的一个历史或数据收集。
此外,在本公开的一些实施方式中,优选地预定的第一时间段可以延伸或跨越一周、两天、一天、12小时、8小时、6小时、4小时、1小时、30分钟、10分钟或1分钟,和/或所述第一历史或数据收集的第一时间段的优选地预定数目是1、2、3、4、6、24、48、144或1440。
此外,在一些实施方式中,优选地预定的第一时间段可以特别地在初始点和/或更新点时基于所述第一历史的长度/持续时间或所述数据收集的数据的量来确定。换言之,如前所述,一旦表示在预测时域内从所述储热箱分接的热量的量的更多数据可用,所述预测时域可以被改变。
根据本公开的另一实施方式,当在所述初始点(所述计算机实现方法或用户消耗模式确定算法的启动)时没有第一历史或数据收集或者仅短的第一历史或所述数据收集的视图数据可用时,使用数据填充器来馈送所述用户消耗模式确定算法。
此外,在一些实施方式中,在优选地预定的第五时间段(随后将是第二时间段至第三时间段)之后,所述用户消耗模式确定算法可以被重新启动/起动或更新,或者所述初始点被重新设定。
根据本公开的另一实施方式(通用ML模型),所述消耗模式确定算法可以在以下各项上进行训练:
历史数据或数据收集,其表示由多个用户或家庭在优选地预定的第二时间段(训练时域)内从所述储热箱或标准化储热箱分接的热量的量,以及
一天中的每小时,特别是在表示从所述储热箱或标准化储热箱分接的热量的量的数据的相应历史或数据收集内的特别是相应第一时间段的一天中的每小时。
此外,在替代实施方式(个性化模型)中,所述消耗模式确定算法可以在以下各项上进行训练:
历史数据或数据收集,其表示由用户、特别是个人用户或家庭、特别是个人家庭在优选预定的第二时间段内从所述储热箱分接的热量的量,以及
一天中的每小时,特别是在表示从所述储热箱分接的热量的量的数据的相应历史或数据收集内的特别是相应第一时间段的一天中的每小时。
在本公开的另一实施方式中,优选地预定的第二时间段延伸或跨越30天、60天、90天、180天、一年或两年。
此外,在一些实施方式中,所述消耗模式确定算法可以进一步或替代地在以下各项上进行训练:
一周中的每天,特别是所述相应第一时间段的和/或表示分接的热量的量的数据的所述相应历史或数据收集的一周中的每天,和/或
一年中的每天和/或一年中的每周和/或一年中的每月,特别是所述相应第一时间段和/或相应历史数据或数据收集的一年中的每天和/或一年中的每周和/或一年中的每月,和/或
天气状况,特别是在所述相应第一时间段时和/或表示分接的热量的量的数据的所述相应历史或数据收集的天气状况,和/或
外部温度,特别是在所述相应第一时间段时和/或表示分接的热量的量的数据的所述相应历史或数据收集的外部温度,和/或
用户或家庭的度假情况,特别是在所述相应第一时间段时和/或表示分接的热量的量的数据的所述相应历史或数据收集的用户或家庭的度假情况,和/或
能源价格,特别是在所述相应第一时间段时和/或表示分接的热量的量的数据的所述相应历史或数据收集的能源价格,和/或
绿色能源可用性,特别是在所述相应第一时间段时和/或表示分接的热量的量的数据的所述相应历史或数据收集的绿色能源可用性,和/或
地理位置,特别是在所述相应第一时间段时和/或表示分接的热量的量的数据的所述相应历史或数据收集的地理位置,和/或
文化因素,特别是在所述相应第一时间段时和/或表示分接的热量的量的数据的所述相应历史或数据收集的文化因素。
在本发明的上下文中,关于算法的教导的术语“绿色能源可用性”应被理解成,使得例如在晴朗的日子,当很多优选的本地光伏电力可用时,特别是在冬季期间,训练或节俭的用户可能倾向于洗澡。这同样适用于电力/能源价格较低的时候。
另一方面,所述“地理位置”和/或“文化因素”也可能影响用户的生活热水消耗习惯。例如,居住在靠近赤道的地区的用户可能比居住在凉爽地区的用户更频繁地淋浴。此外,由于如宗教或财富等“文化因素”,用户也可能倾向于更频繁地洗澡。这同样适用于一次淋浴或一次洗澡所用的热水量。
根据本公开的另一实施方式,所述用户消耗模式确定算法在确定所述用户消耗模式(UCP)时还可以或另外考虑元数据,其中,所述元数据优选地选自包括以下各项的组中:居民数目(居住在相应的家庭中)、居民的年龄、居民的平均年龄、居民的性别、地理位置、可以基于所述地理位置自动地确定的文化因素、年热水消耗。
此外,在一些实施方式中,所述用户消耗模式确定算法还可以包括以下步骤:
基于所述元数据中的至少一个元数据将所述用户或家庭分配到预定群集或组,
基于所分配的群集或组来确定用户消耗模式确定子算法,
其中,所述用户消耗模式确定子算法优选地在具有所述元数据中的相同的所述至少一个元数据的多个用户或家庭的数据上进行训练。
在本公开的另一实施方式中,在可以确定用户消耗模式确定子算法之后,个人用户消耗模式确定算法是通过基于所获取的表示在优选地预定的第三时间段内由优选地个人用户或优选地个人家庭从所述储热箱分接的热量的量的第一历史数据或数据收集和/或第二历史数据或数据收集来训练预设的用户消耗模式确定子算法而开发的,其中,优选地预定的第三时间段优选地在1天、2天、10天、30天、60天、90天、180天、一年内或连续地延伸。
根据本公开的另一实施方式,所述用户消耗模式确定算法被训练以确定个人用户的习惯,所述习惯包括:早上淋浴、晚上淋浴、晚上洗澡,使用平均的热量的量、特别是等效能量的量来淋浴或洗澡。
此外,本公开涉及一种生成生活热水消耗预测的计算机实现方法,该方法包括以下步骤:
通过使用上述获取生活热水的用户消耗模式的计算机实现方法来获取生活热水用户消耗模式(UCP),以及
通过将生活热水消耗预测算法应用于所获取的用户消耗模式(UCP)来生成所述生活热水消耗预测。
此外,在本公开的一些实施方式中,所述生活热水消耗预测算法可以在生成所述生活热水消耗预测时考虑检测到的偏差,其中,所述偏差优选地包括:所述用户或家庭的度假情况、天气状况、如比平均更早的淋浴、客人、聚会等的意外事件。
根据本公开的另一实施方式,在检测到偏差的情况下,优选地经由控制终端、优选地经由远程控制终端或语音识别系统来自动调节所述生活热水消耗预测和/或要求所述用户确认检测到的偏差,并且可以根据所述用户的确认和/或输入来调节所述生活热水消耗预测。
此外,在一些实施方式中,可以在10分钟、30分钟、1小时、2小时、4小时、6小时或12小时的第四优选的预定时间段(控制时域)内来确定所述生活热水消耗预测。
此外,本公开提供了一种控制生活热水生产和/或分配的计算机实现方法,特别地通过控制用于生产和/或分配生活热水的系统,所述方法包括以下步骤:
通过使用上述生成生活热水消耗预测的计算机实现方法来生成生活热水消耗预测,以及
基于所生成的生活热水消耗预测来控制所述生活热水生产和/或分配。
在本公开中,涉及“控制生活热水生产和/或分配”的术语“控制”限定了例如基于检测到的温度或检测到的流速和/或基于估计值或模式,如温度分布模式、用户消耗模式或用户消耗预测等来改变生活热水的生产,例如通过开始或停止由装载线圈对存储的热水的加热而增加或减少。
此外,涉及“控制生活热水生产和/或分配”的术语“生产”在本公开中限定了热水的生产,其表示温度升高到大约40℃以上。更详细地,为了生产一定量的热量或生活热水,所述装载线圈设置有热流体,该热流体例如由热泵加热并提供。通过流过所述装载线圈的流体和存储在所述热水存储箱中的热水之间的热传递,存储在所述箱中的热水被加热,这表示热水的温度得以升高。
然而,在本公开中,术语“分配”限定了向相应的用户(如淋浴或浴室)分配或使可用(提供)热量或热水、特别是温度超过40℃的水。
此外,在本公开的另一实施方式中,可以基于所生成的生活热水消耗预测来确定要存储在所述储热箱中的热量的量,特别是等效能量的量。
根据本公开的另一实施方式,可以基于所生成的生活热水消耗预测来确定要存储在所述储热箱中的热量的量,特别是等效能量的量。
此外,在一些实施方式中,可以通过将热量控制算法应用于所生成的生活热水消耗预测来确定要存储在所述储热箱中的热量的量,特别是等效热能的量,其中,所述热量控制算法优选地是训练的算法。
此外,在本公开一些实施方式中,所述热量控制算法可以在以下各项上进行训练:电能价格(例如,昼夜差异、如光伏或风电等绿色能源的高可用性)、本地或绿色能源可用性、天气状况、天气预报等。
根据本公开一些实施方式,根据电能价格、本地或绿色能源可用性、天气状况和/或天气预报,即使所生成的生活热水消耗预测不需要增加存储热量,所述热量控制算法可以启动或开始产生热量或增加存储在所述储热箱中的热量。
此外,本公开提供了一种用于生成生活热水消耗预测的控制器,该控制器具有控制单元和适于执行上述生成生活热水消耗预测的计算机实现方法的步骤的装置。
此外,本公开涉及一种用于控制生活热水生产和/或分配的控制器,特别地通过控制用于生产和/或分配生活热水的系统,该控制器具有控制单元和适于执行上述控制生活热水生产和/或分配的计算机实现方法的步骤的装置。
本公开还提供了一种用于生产和/或分配生活热水的系统,该系统包括:控制器,特别是上述用于生成生活热水消耗预测的控制器;以及适于执行上述控制生活热水生产和/或分配的方法的步骤的装置。
在本公开一些实施方式中,用于生产和/或分配生活热水的系统还可以包括:
储热箱,特别是热水存储箱,更特别是加压箱,以及
装置,该装置适于确定存储在所述储热箱中的热量的量、特别是等效能量的量和/或适于确定从所述储热箱分接的热量的量、特别是等效能量的量。
由于所述控制器和所述系统适于执行所述计算机实现方法的上述步骤,因此结合所述计算机实现方法公开的另外的特征也可以被应用于所述控制器和所述系统。反之亦然,同样适用于所述计算机实现方法。
本公开还提供了一种包括指令的计算机程序,该指令使上述用于生产和/或分配生活热水的系统和/或上述用于控制生活热水生产的控制器执行控制生活热水生产和/或分配的上述计算机实现方法的步骤和/或使上述用于生成生活热水消耗预测的控制器执行上述获取生活热水的用户消耗模式的计算机实现方法的步骤。
此外,本公开提供了一种计算机可读介质,该计算机可读介质在其上存储有上述计算机程序。
在此方面,上述计算机实现方法不能仅由适于执行所述计算机实现方法的步骤的所述控制器和所述系统来执行,该方法还可以通过云计算来执行。也就是说,所获取的表示从特定储热箱分接的热量的量的数据、特别是所述储热箱的真实温度传感器的数据被发送到云,云适于执行上述获取用户消耗模式的计算机实现方法的步骤,并且通过执行上述生成生活热水消耗预测的方法的步骤而将所获取的生活热水的用户消耗模式发送回用于生成生活热水消耗预测的控制器。
此外,由于所述计算机程序和所述计算机可读介质还涉及上述用于生成生活热水消耗预测和/或用于控制生活热水生产和/或分配的控制器和系统,因此与计算机实现方法、控制器和系统结合公开的另外的特征还可以被应用于计算机程序和计算机可读介质,反之亦然。
根据本公开的第一方面,一种监测和/或控制生活热水生产和/或分配的计算机实现方法,特别地通过控制用于生活热水生产或分配的系统,所述方法包括以下步骤:
至少在几个时间点、优选地在若干时间点,在沿着所述储热箱的高度(其优选地为平行于重力方向的方向)的至少两个不同位置处,检测或获取存储在储热箱、特别是加压箱中的流体、特别是卫生热水的至少两个真实或实际温度,以及
通过将温度分布模式算法应用于所检测或获取的至少在几个时间点、优选在若干时间点检测或获取的至少两个温度,来获取存储在所述储热箱中的流体的热量的至少一个温度分布模式和/或对应的热量分布模式数据。
以此方式,可以更准确地估计和监测热水存储箱的有用和/或可用的热水含量,同时提高生活热水生产和/或分配的能量效率。此外,由于通过仅使用温度传感器可以准确地估计存储在所述热水存储箱中的热量和/或等效热水,因此不再需要用于检测从所述热水存储箱分接的热水的量的流量检测器。在本发明中,涉及“生活热水生产和/或分配的监测”的术语“监测”被用于限定使用虚拟和真实温度传感器来检测和可选地记录例如生活热水的生产。例如,当从所述热水存储箱分接热水时,检测和/或确定了所述热水存储箱中的温度分布模式的变化或改变,并且基于该变化或改变的是确定和/记录的在所述热水存储箱中剩余的和/或从所述热水箱分接的热量的量(kWh)。
此外,涉及“控制生活热水生产和/或分配”的术语“控制”在本发明中限定了,例如基于检测到的温度或检测到的流速和/或基于估计值或模式(如温度分布模式),来改变(例如通过开始或停止由所述装载线圈对存储的热水的加热而增加或减少)所述生活热水的生产。
此外,涉及“监测和/或控制生活热水生产”的术语“生产”在本发明中限定了热水的生产,表示温度升高到40℃以上。更详细地,为了生产一定量的生活热水,所述装载线圈设置有热流体,该热流体例如通过热泵加热并提供。通过流过所述装载线圈的流体和存储在所述热水存储箱中的热水之间的热传递,存储在箱中的热水被加热,表示热水的温度升高。
然而,在本发明中,涉及“监测和/或控制生活热水分配”的术语“分配”限定了向相应的用户(如淋浴或浴室)分配或使可用(提供)热水、特别是温度高于40℃的水。
该计算机实现方法还可以包括以下步骤:
通过将虚拟温度传感器算法应用于所检测到的至少在几个时间点、优选地在若干时间点检测到的至少两个真实或实际温度而在沿着所述储热箱的高度的不同位置处获取或模拟存储在所述储热箱中的流体的多个虚拟温度,优选地至少5个虚拟温度、特别是10个以上虚拟温度、更特别是20个以上的虚拟温度,以及
通过将所述温度分布模式算法应用于检测到的至少两个真实或实际温度以及所获取或模拟的多个虚拟温度来获取或模拟存储在所述储热箱中的热量的所述温度分布模式和/或对应的热量分布模式数据,
其中优选地,通过使用神经网络来获取或模拟所述虚拟温度。
所述计算机实现方法还可以包括以下步骤:
通过将热量估计算法应用于所获取的温度分布模式和/或所检测到的至少两个真实或实际温度以及所获取的多个虚拟温度来确定存储在所述储热箱中的热量的量、特别是等效热水(EHW,V40)的量,和/或
通过将所述温度分布模式算法应用于至少两组所获取的温度、优选地多组检测到的和/或获取的温度、优选地包括所检测到的至少在两个不同的时间点检测到的真实温度和/或获取的虚拟温度,来获取至少两个温度分布模式和/或对应的热量模式数据,以及
通过将分接估计算法应用于至少两个温度分布模式(间接分接估计)来确定从所述储热箱分接的热量的量、特别是等效热水的量。
根据另一方面,所述计算机实现方法的温度分布模式获取步骤、特别是温度分布模式算法包括以下步骤:
通过使用回归算法处理所检测到的至少在几个时间点、优选地在若干时间点检测到的至少两个真实或实际温度、更特别地检测到的至少两个真实或实际温度以及获取或模拟的多个虚拟温度,来确定存储在储热箱中的热量的温度分布模式,其中,所述回归算法优选地是使用一个或更多个机器学习算法在限定存储在储热箱中的热量的温度分布模式的温度数据上进行训练的。
此外,所述计算机实现方法的所述回归算法可以在以下各项上进行训练:
由多个温度传感器检测到的温度和/或温度数据,多个温度传感器优选地包括用于检测至少两个温度的两个温度传感器,所述多个传感器设置在沿着所述储热箱的高度的不同位置处,和/或
加热线圈输入和/或输出温度,特别是在存储在所述储热箱中的流体的加热/升温期间,和/或
流体进入/离开所述储热箱的入口和/或出口处的流速,和/或
流过所述加热线圈的流体(加热流体)的流速。
此外,所述计算机实现方法可以包括以下步骤:通过使用至少一个流速传感器(优选地布置在来自所述储热箱的流体的出口处)来获取从所述储热箱分接的流体的流速和/或量、特别是热水的量,和/或通过将间接分接估计算法应用于至少两个温度分布模式和流过所述加热线圈的流体的流速(间接分接估算)来确定从所述储热箱分接的热量的量、特别是等效热水(EHW,V40)的量。
此外,在所述计算机实现方法中,可以通过使用以下各项来获取和/或确定至少一个温度分布模式:
所述至少两个温度传感器,特别是真实温度传感器,以及
多个虚拟温度传感器,优选地至少5个虚拟温度传感器,特别是10个以上的虚拟温度传感器、更特别是20个以上的虚拟温度传感器,所述虚拟温度传感器被用于获取多个虚拟温度、优选地至少5个虚拟温度,
其中,所述虚拟温度传感器优选地通过(人工)神经网络提供和/或模拟。
在本发明中,“真实温度”和“真实温度传感器”中的术语“真实”被用于限定(实际地)物理地设置在用于监测和/或控制生活热水生产的系统中并且因此实际地测量真实(现场)温度的温度传感器。换言之,所述真实温度传感器实际上被物理地设置在所述储热箱处,并且实际地测量存储在所述储热箱中的流体的温度。
另一方面,在“虚拟温度”和“虚拟温度传感器”中的术语“虚拟”在本发明中被用于限定所述传感器没有物理地设置在用于监测和/或控制生活热水生产的系统中。相反,所述虚拟温度传感器在某种程度上通过如下面更详细地解释的所述神经网络来模拟。所述虚拟传感器的温度值基于所述真实温度传感器的输入由训练的神经网络来确定,因此,所获取或模拟的温度被称为“虚拟温度”。
此外,所述计算机实现方法可以包括以下步骤:通过将用户消耗算法应用于以下各项来获取用户消耗模式:
a)所获取的存储在所述储热箱中的热量的温度分布模式,和/或
b)所确定的存储在所述储热箱中热量的量或等效热水的量,和/或
c)通过使用所述间接分接估计算法所确定的从所述储热箱分接的热量或等效热水的量,和/或
d)通过使用所述至少一个流速传感器所确定的从所述储热箱分接的流体或热水的量。
此外,所述计算机实现方法还可以包括以下步骤:通过将加热模式算法应用于所获取的用户消耗模式来确定存储在所述储热箱中的流体的加热模式和/或热水生产控制模式,其中,所述用户消耗模式和/或所述加热模式和/或热水生产控制模式被分成一天、12小时、6小时、1小时、30分钟、10分钟和/或1分钟的时间增量。
这表示,所述用户消耗模式例如是在多个时间点(例如每小时10次)所获取的存储在所述储热箱中的热量的温度分布模式和/或所确定的存储在所述储热箱中的热量的量或等效热水的量的收集,并且基于十个数据集来计算平均值,该平均值限定和/或表征一个增量,在这种情况下是一小时的增量。基于所获取的增量,可以确定用户消耗模式。同样适用于加热模式和/或热水生产控制模式。
例如,如果用户消耗模式显示特定用户总是在特定时间(例如在早上从6am到8am(淋浴))具有高的生活热水需求,所述加热模式可以相应地进行适配,这表示在从6am至8am的时间,使通常高的热水量可用。
此外,在所述计算机实现方法中,在确定所述储热箱的温度分布模式之前,可以至少在十个时间点、优选地至少在二十个时间点、更优选地至少在三十个时间点获取至少十个、优选地至少二十个、更优选地至少三十个温度。
以此方式,可以提高确定温度分布模式的精度。详细地,在确定温度分布模式之前,在若干时间点获取至少两个温度的多个温度组,并且基于所述多个温度组(历史)使用(人工)神经网络来确定温度分布模式。
此外,本发明提供了一种监测和/或控制生活热水生产和/或分配的计算机实现方法,特别地通过监测和/或控制用于监测和/或控制生活热水生产和/或分配的系统,该方法包括以下步骤:
至少在几个时间点,在沿着所述储热箱的高度的至少两个不同位置处,检测存储在所述储热箱、特别是加压箱中的流体(特别是卫生热水)的至少两个真实温度,
通过将流体分接估计算法应用于至少在几个时间点检测到的至少两个真实温度来获取从所述储热箱分接的流体的量,以及
通过将直接分接估计算法应用于所获取的从所述储热箱分接的流体的量和所述储热箱的最顶层温度,来获取从所述储热箱分接的热量的量或等效热水的量。
此外,在所述计算机实现方法中,最顶层温度可以由设置在所述储热箱的出口附近的温度传感器、特别是真实温度传感器来检测,和/或由上述计算机实现方法的最顶部真实或虚拟温度传感器来获取。
本发明还提供了一种用于监测和/或控制生活热水生产和/或分配的系统的控制器,该控制器具有控制单元和适于执行所述计算机实现方法的上述步骤的装置。
本发明还提供了一种用于监测和/或控制生活热水生产和/或分配的系统,该系统具有控制器(特别是上述控制器)和适于执行所述计算机实现方法的上述步骤的装置。
所述系统还可以包括:
储热箱,特别是热水存储箱,更特别是加压热水存储箱,以及
至少两个温度传感器,所述至少两个温度传感器沿着所述热水存储箱的高度设置在两个不同的位置处,并且被配置成检测存储在所述热水存储箱中的流体(特别是卫生热水)的温度。
此外,在该系统中,至少两个温度传感器的数目最多为5个,优选最多为4个,更优选最多为3个,并且所述至少两个传感器中的一个优选地位于所述储热箱的下半部中,更优选地位于所述储热箱的下三分之一中。
由于所述控制器和所述系统适于执行所述计算机实现方法的上述步骤,因此结合所述计算机实现方法公开的另外的特征也可以被应用于所述控制器和所述系统。反之亦然,同样适用于所述计算机实现方法。
本发明还提供了一种包括指令的计算机程序,该指令使上述用于生活热水生产和/或分配系统的控制器和/或上述用于生活热水生产和/或分配的系统执行监测和/或控制生活热水生产和/或分配的计算机实现方法的上述步骤。
此外,本发明提供了一种计算机可读介质,该计算机可读介质在其上存储有用于监测和/或控制生活热水生产和/或分配的上述计算机程序。
在此方面,上述计算机实现方法不能仅由适于执行所述计算机实现方法的步骤的所述控制器和所述系统来执行,该方法还可以通过云计算来执行。也就是说,特定储热箱的真实温度传感器的数据被发送到云,该云适于执行所述计算机实现方法的上述步骤,并将所获取的数据(如温度分布模式、存储在所述储热箱中的等效热水、从所述储热箱分接的热量和/或等效热水、消耗模式等)发送回用于监测和/或控制生活热水的相应系统的控制器和/或用户。
由于所述计算机程序和所述计算机可读介质还与用于生活热水生产和/或分配的上述控制器和系统有关,因此结合所述计算机实现方法、所述控制器和所述系统公开的另外的特征也可以被应用于所述计算机程序和所述计算机可读介质,反之亦然。
附图说明
当结合附图考虑时,由于通过参照以下详细描述变得更好地理解,将容易地获得本公开的更全面的理解及其许多伴随的优点,其中:
[图1]图1是示出用于水锅炉系统的传统预测系统的示意图;
[图2]图2是根据本公开的第一实施方式的示出为在部署阶段的用于监测和/或控制生活热水生产和/或分配的系统的示意图;
[图3]图3是根据本公开的第二实施方式的示出为在训练阶段的用于监测和/或控制生活热水生产和/或分配的系统的示意图;
[图4]图4是示出根据本公开的另一实施方式的图2的系统的示例信号处理硬件配置的框图;
[图5]图5是示出根据本公开的一个实施方式的生成生活热水消耗预测的过程的流程图;
[图6]图6是根据本公开的另一实施方式的用于控制生活热水生产和/或分配的系统的示意图;
[图7]图7是示出三个不同模型的示意图,以用于生成生活热水消耗预测,并将其用于生活热水生产和/或分配的智能控制;
[图8]图8是示出根据本公开的实施方式的过程的流程图,通过该过程,图2的系统获取存储在储热箱中的热量的温度分布模式TDP1,并确定存储的热量的量或等效热水的量;
[图9]图9是示出用于图3中所示的在训练阶段的系统的训练过程的离线数据收集过程的流程图;
[图10]图10是示出根据本公开的实施方式的过程的框图,通过该过程,图2的系统确定存储在储热箱中的热量(EHW,V40)的量;
[图11]图11是示出根据本公开的另一实施方式的过程的框图,通过该过程,图2的系统确定从储热箱分接的热量的量;
[图12]图12是示出根据本公开的实施方式的图10和图11的温度分布估计器的训练过程的流程图;
[图13]图13是示出根据本公开的另一实施方式的图10的直接分接估计器的训练过程的流程图;
[图14]图14是包括输入层、隐藏层和输出层中的人工神经元的神经网络的示意图;
[图15]图15是根据本公开的实施方式的用户消耗模式确定算法的神经网络的示意图;以及
[图16]图16是由图2中所示的用于监测和/或控制生活热水生产和/或分配的系统获取的用户消耗模式的示意图。
[图17]图17是示出处于没有线圈的配置的储热箱的示意图。
具体实施方式
<详细描述>
现将参照附图来解释本公开的若干实施方式。根据本公开,对生活热水生产和/或分配领域的技术人员来说显而易见的是,提供实施方式的以下描述仅用于说明,而不是出于限制由所附权利要求限定的公开的目的。
图1是示出用于水锅炉系统的传统预测系统的示意图。在图1中,热水器(锅炉)系统400增设有即时监测和预测系统。典型的水锅炉系统包括水锅炉460、从外部源引入冷水的冷水进水管480以及从锅炉(通常位于锅炉的发现最热水的顶部附近)到用于分散到整个房子的家庭管道系统(例如,到浴室、厨房、洗衣房等)的热水出水管470。该系统从组装在锅炉上的三个传感器收集数据:第一温度传感器(C)450,其测量进水管480中的水的温度;第二温度传感器(H)440,其测量从锅炉引出的热水出水管中的水的温度;以及流量计(X)430,其测量移动穿过冷水进水管而进入到锅炉中的水的流速。由于锅炉系统是封闭系统,因此流速传感器可以被放置在进水管或出水管上。该系统分析来自传感器的输入,计算可用热水的量,并将水可用性的实时估计显示在显示单元410上,该显示单元优选地位于诸如淋浴或浴室的洗澡区域中。
图2是根据本公开的第一实施方式的示出为在部署阶段的用于监测和/或控制生活热水生产和/或分配的系统的示意图。所示的系统包括:控制器1,该控制器用于监测和控制生活热水生产和分配;储热箱20,该储热箱用于存储加热的水,特别是加热到40℃以上的水;以及五个温度传感器10A至10B,这些温度传感器用于检测存储在储热箱20中的热水的温度。
此外,如图2所示,储热箱20(其优选地是加压箱)包括位于该箱的下半部中的线圈或装载线圈。替代地,该箱可以具有没有线圈的配置,其中,热交换器/热源可以被放置在箱外部或者可以是箱的一部分。在这种情况下,热水被注入并循环,如图17中所示。
由于存储在储热箱20或热水存储箱中的热水的温度分布是分层的(分层),这表示即使底部附近的水是冷的(低于40℃),热水仍然可以从箱中被分接。在用于加热存储在储热箱20中的热水的热源是例如热泵的情况下,该热泵可以在箱加热的初始阶段以更好的COP操作,因为所提供的热水仅需具有比箱的下半部处的水的温度略高(ΔT约为3℃)的温度。
此外,由于存储在储热箱20中的热水是分层的,因此温度从箱的底部到箱的顶部连续地增加,这导致特征温度分布模式。随着温度从箱的底部到箱的顶部增加,沿着热水存储箱20的高度设置在不同位置处的温度传感器10A至10E根据相应的传感器的位置/高度而测量不同的温度。
所示的热水存储箱20设置有允许来自外部源的冷水进入的冷水进水口/入口22A和用于从热水存储箱20分接热水的热水出水口/出口22B。入口22A被设置在箱的底部三分之一中,而出口22B位于水箱的发现最热的水的顶部附近。热水可以例如通过分散在整个房子中的管道而从出口22B分配到家庭。
此外,所示的系统100还包括一对温度传感器15、16,以用于检测流过装载线圈的流体(加热流体)的入口温度和出口温度。
该系统使用控制器1,以通过使用(真实)温度传感器10A至10E来获取存储在热水存储箱20中的分层热水的五个(真实)的温度T1R_t0至T5R_t0。基于所获取的五个真实温度T1R_t0至T5R_t0,系统进一步获取存储在热水存储箱20中的热量的温度分布模式TDP1和对应的热量分布模式数据。为了确定温度分布模式TDP1和对应的热量分布模式数据,控制器1应用将在下面更详细解释的温度分布模式算法。然后,基于所获取的热量分布模式算法,控制器1确定存储在热水存储箱20中的热量的量、特别是等效热水的量,这也通过将热量估计算法应用于所获取的温度分布模式(TDP1)来实现。
当随着时间的推移重复上述过程时,特别是在已经从箱20中分接了一定量的热水或者存储在箱20中的热水的温度由于对周围环境的热损失而已经下降之后,系统可以获取若干温度分布模式TDP1、TDP2至TDPn。基于所获取的温度分布模式TDP1、TDP2至TDPn,控制器可以通过将间接分接估计算法应用于所获取的温度分布模式TDP1、TDP2至TDPn来确定热水存储箱20中的热量的剩余量以及从储热箱分接的热量的量、特别是等效热水的量。
图3是根据本公开的第二实施方式的示出为在训练阶段的用于监测和/或控制生活热水生产和/或分配的系统、特别是图2中的系统的示意图。所示系统包括以上关于图2中所示系统说明的所有部件。此外,为了训练目的,该系统设置有附加的20个(真实的)温度传感器(这些温度传感器也沿着热水存储箱20的高度而被设置在不同的位置),即,用于测量从热水存储箱20分接的热水的流速的流速传感器30和用于测量流过线圈的流体(加热流体)的流速的流速传感器31。
如上所述,该系统100被用于训练系统,以获取或确定或模拟存储在储热箱或热水存储箱20中的热量或热水的温度分布模式。下面将更详细地解释系统的训练,特别是温度分布模式算法、热量估计算法、间接分接估计算法和回归算法的训练。
图4是示出根据本公开的另一实施方式的图2的系统的示例信号处理硬件配置的框图,该信号处理硬件配置可以被配置成用作图2的控制器1。可编程信号处理硬件200包括通信接口(I/F)210,该通信接口(I/F)用于接收如上所述的(真实)温度传感器10A至10E的(真实)温度数据、生成使用于监测和/或控制生活热水生产和/或分配的系统100对热水存储箱20执行温度测量的的指令、从(真实)温度传感器10A至10E接收测量数据、确定存储在储热箱20中的热量的温度分布模式TDP和对应的热量分布模式数据,并且可选地,用于确定存储在储热箱中的热量的量和/或确定从储热箱分接的热量的量,并且用于输出用于控制显示装置215显示热量分布模式、存储在储热箱中的热量的量和/或从储热箱分接的热量的量的显示控制信号。信号处理设备200还包括处理器(例如,中央处理单元CPU或图形处理单元GPU)220、控制单元2、工作存储器230(例如,随机存取存储器)和存储包括计算机可读指令的计算机程序的指令存储器240,当由处理器220执行时,该计算机程序使处理器220执行包括用于监测和/或控制生活热水生产和/或分配的系统100以及可选地显示控制信号发生器的功能的各种功能。指令存储器240可以包括预加载有计算机可读指令的ROM(例如,呈电可擦除可编程只读存储器(EEPROM)或闪存的形式)。替代地,指令存储器240可以包括RAM或类似类型的存储器,并且计算机程序的计算机可读指令可以从计算机程序产品(例如,呈CD-ROM、DVD-ROM等形式的非暂时性计算机可读存储介质250或承载计算机可读指令的计算机可读信号260)被输入到指令存储器240。在任何情况下,当由处理器执行时,计算机程序使处理器执行本文所述的监测和/或控制生活热水生产和/或分配的方法中的至少一个。然而,应当注意,控制器1可以替代地在诸如专用应用集成电路(ASIC)的不可编程硬件中实现。
在本公开的本实施方式中,图4中所示的硬件部件的组合270包括处理器220、工作存储器230和指令存储器240,该组合被配置成执行用于监测和/或控制生活热水生产和/或分配的系统100的功能,现将在下文中详细描述这些功能。在与本发明的本方面类似的方面中,在系统100包括显示控制信号发生器的情况下,该可选部件的功能也由硬件部件的组合270与通信接口I/F 210一起提供。
如从以下由本方面的控制器1和/或系统100执行的操作的描述将变得更加明显的是,控制器1和/或系统100自动地处理由相应传感器获取的温度和/或温度数据以及可选的流速和/或流速数据,以便确定存储在储热箱或热水存储箱中的热量或等效热水的非常精确的热量分布模式TDP。
图5是示出根据本公开的一个实施方式的生成生活热水消耗预测的过程的流程图。
图6是根据本公开的另一实施方式的用于控制生活热水生产和/或分配的系统的示意图。
图7是示出三个不同模型的示意图,以用于生成生活热水消耗预测,并将其用于生活热水生产和/或分配的智能控制。
图8是示出过程的流程图,通过该过程,图2的系统100获取存储在储热箱20中的热量的温度分布模式TDP1,并确定存储在储热箱20中的并且可选地从储热箱20分接的热量的量或等效热水的量。此外,图5示出了用于获取从储热箱20分接的热量的量或等效热水量的替代过程。
在图8的过程S10中,控制器1、特别是控制单元2在若干时间点(历史)从设置在热水存储箱20上并且被配置成检测存储在箱20中的热水的温度的真实温度传感器接收温度数据、特别是均包括若干真实温度测量(T1R_t0,T2R_t0;T1R_t0-1,T2R_t0-2;T1R_t-n,T2R_tn)的至少两个真实温度数据。
在图8的过程S15A中,控制器1、特别是控制单元2,通过将虚拟温度传感器算法应用于所检测到的至少在几个时间点检测到的至少两个真实温度,来获取存储在热水存储箱20中的热水的多个虚拟温度(T1V_t0,T2V_t0…TNV_t0)。
在图8的过程S20A中,控制器1、特别是控制单元2,通过将温度分布模式算法应用于所获取的至少两个真实温度(T1R_t0,T2R_t0;T1R_t0-1,T2R_t0-2;T1R_t-n,T2R_tn)和所获取的多个虚拟温度(T1V_t0,T2V_t0…TNV_t0),来获取存储在热水存储箱20中的热水的(第一)温度分布模式TDP1。之前通过使用上面参照图3描述的用于训练/模拟的系统100来训练使用的机器学习温度分布模式算法。下面将参照图9、图10和图11更详细地解释温度分布模式算法的训练/机器学习。
此外,在图8的过程S30A中,控制器1、特别是控制单元2,通过将热量估计算法应用于所获取的温度分布模式TDP1,来确定存储在储热箱或热水存储箱20中的热量的量、特别是等效热水的量。
然而,在可选的过程中(用虚线表示),如图8中所示,过程S20至少重复一次S40A,从而通过将上述温度分布模式算法应用于至少两组所获取的温度(T1R_t0,T2R_t0,T1V_t0,T2V_t0…TNV_t0;T1R_t0-1,T2R_t0-1,T1V_t0-1,T2V_t0-1,…TNV_t0-1)来确定至少两个温度分布模式TDP1、TDP2。
在另一个可选过程(用虚线表示)中,在图8中所示的过程S50A中,通过将间接分接估计算法应用于两个获取的温度分布模式TDP1、TDP2,来确定从储热箱或热水存储箱20分接的热量的量和/或等效热水的量。
如上文关于图3已经解释的,在系统100(训练系统)的训练阶段,系统100不仅仅设置有至少两个(真实)温度传感器,而是设置有例如25个(真实)温度传感器。因此,在系统100的训练阶段(机器学习阶段)中,控制器1接收25个温度数据T1_t0、T2_t0…T25_t0。
图9是示出用于图3中所示的在训练阶段的系统的训练过程、特别是系统的人工神经网络的训练过程的离线数据收集过程的流程图。“离线数据收集”是指在实际执行训练之前收集用于训练神经网络和对应算法所需的数据。这表示,首先,所有必需的数据都是在特定的时段期间收集的,比如一天、一周或若干月。在已经收集了必需的数据之后,对该数据进行预处理,然后将其输入到神经网络中以对其进行训练。
在图9的过程S100中,控制器1、特别是控制单元2(处理器),通过使用沿着了热水存储箱20的高度设置的25个真实温度传感器10A至10XY来接收存储在热水存储箱20中的热水的25个真实温度数据T1_t0至T25_t0。
在图9的过程S110中,控制器、特别是控制单元2,通过使用上述温度分布模式算法来处理所获取的温度T1_t0、T2_t0…T25_0,来确定存储在热水存储箱20中的热水的温度分布模式TDP1。
在图9的过程S120中,使用设置在热水存储箱的出口处的流速传感器30和顶部箱温度传感器10XY(真实传感器和虚拟传感器中的最高的传感器)从热水存储箱分接一定量的热量(kWh)和/或等效热水(l)。此外,可选地,经由线圈21对存储的热水进行加热(kWh),同时由线圈的流速传感器31测量穿过线圈21的流体的流量,并且由线圈21的入口温度传感器15和出口温度传感器16测量流体的入口温度和出口温度。
此外,在图9的过程S130中,获取存储在热水存储箱20中的热水的新的温度T1_t1至T25_t1,并且在过程S140中,与过程S110一致地,使用新获取的温度T1_t1至T25_t1来确定存储在热水存储箱20中的热水的温度分布模式TDP2。
连续重复上述过程,直到可以获取和/或收集用于训练神经网络的足够数据。在图9的过程S150中,所获取和/或收集的数据被用于训练人工神经网络。下面将参照图12和图13对训练进行更详细的解释。
图10是示出根据本发明的方面的过程的框图,通过该过程,图2的系统100确定了存储在储热箱中的热量的量(t0时的剩余等效热水(EHW,V40))。如图10中所示,由至少两个真实温度传感器10A、10B(在本方面中为传感器1、传感器2和传感器3)检测到的真实温度被控制器1接收,特别地被控制器1或控制单元2的预处理器接收。
预处理器为相应储热箱20选取最佳子组,预处理从传感器1至3接收的真实温度和/或温度数据,并且计算新的特征。通过计算新的特征,这表示预处理器使用历史,例如在过去由传感器1至3测量的真实温度,并提供示例28个数据的数据包。
在下一步骤中,缩放器将特征缩小,以便为神经网络的模型做准备。缩放的特征被输入到(人工)神经网络(ANN)中,该神经网络已经如上文以及在下文关于图12和13更详细地被训练,并且例如,由40个节点的两个隐藏层组成,并基于接收到的特征来估计(上述训练系统的)剩余22个虚拟传感器。然后,缩回器(unscaler)将特征缩放大回到其原始范围,并且结合器将真实的3个传感器1至3的数据与虚拟的22个传感器的数据进行组合。
来自结合器的数据被输入到温度分布估计器中,以用于确定热水存储箱的温度分布模式TDP。
此外,结合器的数据被发送到插值器,该插值器增加用于确定温度分布模式TDP的虚拟传感器的数目,以便去除后来转换或计算的热量/等效热水(EHW,V40)中的伪影(artefact)。
此外,在插值器之后,所确定的数据被发送到热水转换器(EHW,V40),并且在这之后,如果插值器不能去除所有伪影,则可选地由滤波器进行处理,以用于进一步使输出(EHW、V40)平稳。
在最后的可选步骤中,由配置成检测穿过线圈的流体流量的流速传感器检测到的线圈流量(l/min)被用于由间接分接估计器来估计分接。由此,可以估计从热水存储箱20分接的热量(kWh)和/或等效热水(EHW,V40)。当估计已经从热水存储箱20分接的热量(kWh)和/或等效热水(l)时,间接分接估计器可以去除或补偿由于到周围环境的热传递而造成的热损失,并且可以去除或补偿通过经由加热线圈21加热而添加到热水存储箱的热量。
图11是示出根据本发明的另一个方面过程的框图,通过该过程,图2中所示的系统100直接确定从储热箱分接的热量和/或等效热水(EHW,V40)的量。图11中所示的过程或系统(控制单元)包括图10中所示过程或系统的所有特征/步骤或部件,间接分接估计器除外。
此外,所示的过程包括第二(并行)过程线,以用于直接确定从储热箱分接的热量和/或等效热水(EHW,V40)的量。如图所示,由传感器1至3检测到的三个真实温度被输入到第二预处理器中,该第二预处理器为相应储热箱20选取最佳子组,预处理真实温度并且计算新特征。所述特征包括新输入的真实温度以及先前输入的实际温度(历史)。
第二缩放器将特征缩小,以便为第二(人工)神经网络(ANN_2)的第二模型做准备,该第二(人工)神经网络已经如下所述被训练,特别是关于图13,并且例如,由40个节点的两个不同的层组成,并估计从箱分接的热水的量。这里,在没有任何存储在分接的水中的能量的指示的情况下,仅估计水的量。然后,缩回器将特征缩放大回到其原始范围,并将估计的分接热水的量提供到直接分接估计器。
直接分接估计器通过使用所估计的分接热水的量(由第二神经网络提供)和由25个传感器(22个虚拟传感器+3个真实传感器)中的最顶部的温度传感器检测到的最顶层温度(从热水存储箱分接的热水的可信真实温度)来估计已经从热水存储箱分接的热量和/或等效热水。当估计从热水存储箱20分接的热量或等效热水时,直接分接估计器可以去除或补偿由于到周围环境的热传递而造成的热损失。这里,也可以使用真实安装的温度传感器而不是第一神经网络的22个虚拟传感器中的一个,从而使第一神经网络对于确定分接热量或等效热水废弃。
图12是示出根据本发明的一方面的图10和图11的温度分布估计器的训练过程的流程图。如图所示,在第一步骤中,将输入层(真实传感器的数目*历史(可用数据的数目;时间点))、隐藏层和输出层(虚拟传感器的数目)的数目初始化。在下一步骤中,生成人工神经网络(ANN),并且在开始时将ANN的权重设定为随机值。
在下一步骤中,针对训练输入(已经在离线数据收集过程中收集的数据)计算每一层的输出,并且基于估计值(温度)和实际值(温度)计算输出层中的误差。
基于计算出的误差,计算并设定ANN的输出层和隐藏层的权重的新值(更新)。然后,使用更新的权重,重复使用训练输入来计算每一层的输出。这样做直到计算的误差低于所需的阈值。一旦达到阈值,就可以完成人工神经网络的训练。
在上述过程中,可以优化真实和虚拟传感器的数目和位置、历史(在若干时间点的温度组的数目)以及最佳层数和最佳权重。这表示,在神经网络的训练期间使用的例如25个传感器中,选择至少两个传感器作为真实传感器,当与真实测量的温度分布模式比较时,该真实传感器在估计温度分布模式的准确性方面提供总体最佳的结果。真实传感器和虚拟传感器的数目、考虑的先前数据组(历史)的数目以及人工神经网络的层数和层的尺寸也是如此。
图13是示出根据本发明的另一方面的图11的直接分接估计器的训练过程的流程图。所述过程基本上与图12中所示的机器学习过程相同,除了估计和/或训练从热水存储箱分接的热水的量而不是温度(温度分布模式)之外。因此,在计算输出层中的误差的步骤中,将估计的从热水存储箱分接的热量和/或等效热水的量与由流速传感器和(如果适用的话)温度传感器测量的真实值进行比较。通过该训练过程,训练了图11的第二神经网络。
如在本方面中,上述的回归算法可以是神经网络。在没有任何先有知识的情况下,神经网络通过处理输入数据(例如由温度传感器10A至10XY检测到的温度数据、由加热线圈温度传感器15、16检测到的加热线圈输入和/或输出温度数据以及由流速传感器30、31检测到的流速数据)来自动生成识别特性。
如图14中所示,大体上,神经网络由输入层和输出层以及多个隐藏层组成。层中的每一层由多个人工神经元组成(图14中标记为A到F),并且每一层可以对其输入执行不同类型的转换。每个人工神经元可以连接到相邻层中的多个人工神经元。每个人工神经元的输出是通过其输入之和的一些非线性函数来计算的。人工神经元及其之间的连接通常具有相应的权重(图14中的WAD、WAE等),这些权重确定给定连接处的信号的强度。随着学习的进行,这些权重被调节,从而调节神经网络的输出。信号从第一层(输入层)行进到最后一层(输出层),并且可以多次穿越这些层。
图15是根据本公开的实施方式的用户消耗模式确定算法的神经网络的示意图。
图16是示出由图2中所示的用于监测和/或控制生活热水生产和/或分配的系统获取的用户累积消耗模式的图。图16示出了工作日和周末期间消耗或分接的等效热水体积(单位为m3)。从图16中可以看出,所获取的消耗模式(随着时间的推移)不仅在一天中发生变化,而且在工作日和周末之间也会发生变化。
此外,图17是示出处于没有线圈的配置的储热箱的示意图。
附图标记列表
1 控制器
2 控制单元
10A(第一)真实温度传感器
10B(第二)真实温度传感器
10E(第五)真实温度传感器
15 入口温度传感器线圈
16 出口温度传感器线圈
20 储热箱
21 加热线圈
22A入口/冷水进水口
22B出口/热水出水口
30热水出口流速传感器
31加热流体流速传感器
引文列表
专利文献
[专利文献1]美国2015/0226460A1
非专利文献
[非专利文献1]EN16147。
Claims (26)
1.一种获取生活热水的用户消耗模式(UCP)的计算机实现方法,所述计算机实现方法包括以下步骤:
获取(S10)表示在第一时间段(T1)内从储热箱(20)、特别是加压箱分接的热量的量(∑QT1)、特别是等效能量的量的数据,
生成(S20)表示在多个第一时间段(T1)内从所述储热箱(20)分接的热量的量(∑Q)、特别是累积热量的数据的第一历史(H1)或数据收集,以及
通过将用户消耗模式确定算法应用于所生成的表示从所述储热箱(20)分接的热量的量(∑Q)的数据的所述第一历史(H1)或数据收集来获取(S30)生活热水的所述用户消耗模式(UCP),
其中,所述用户消耗模式确定算法是在表示从所述储热箱(20)或等效储热箱分接的热量的量(∑Q)的历史或数据收集上进行训练并且使用一个或更多个机器学习算法来限定所述用户消耗模式的算法,特别是时间序列预测算法。
2.根据权利要求1所述的计算机实现方法,所述计算机实现方法还包括以下步骤:
生成(S40)表示在多个第一历史(H1)或数据收集内从所述储热箱(20)分接的热量的量(∑Q)的数据的第二历史(H2)或数据收集,其中,所述第一历史(H1)或数据收集优选地在一天或24小时的时间段内延伸,并且,所述第二历史(H2)或数据收集优选地在一周或7天或168小时的时间段内延伸。
3.根据权利要求1或2所述的计算机实现方法,其中,
所述第一时间段(T1)在一周、两天、一天、12小时、8小时、6小时、4小时、1小时、30分钟、10分钟或1分钟内延伸,和/或
所述第一历史(H1)或数据收集的所述第一时间段(T1)的预定数目为1、2、3、4、6、24、48、144或1440。
4.根据前述权利要求中的任一项所述的计算机实现方法,其中,消耗模式确定算法在以下各项上进行训练:
表示在第二时间段(T2)内由多个用户或家庭分接的热量的量(∑Q)的历史数据或数据收集,以及
一天中的每小时,特别是在表示分接的热量的量(∑Q)的数据的相应历史或数据收集内的特别是相应第一时间段(T1)的一天中的每小时。
5.根据前述权利要求中的任一项所述的计算机实现方法,其中,所述消耗模式确定算法在以下各项上进行训练:
表示在所述第二时间段(T2)内由用户或家庭从所述储热箱(20)分接的热量的量(∑Q)的历史数据或数据收集,以及
一天中的每小时,特别是在表示分接的热量的量(∑Q)的数据的相应历史或数据收集内的特别是相应第一时间段(T1)的一天中的每小时。
6.根据权利要求4或5所述的计算机实现方法,其中,预定的所述第二时间段(T2)在30天、60天、90天、180天、一年或两年内延伸。
7.根据权利要求4至6中的任一项所述的计算机实现方法,其中,所述消耗模式确定算法还在以下各项上进行训练:
一周中的每天,特别是所述相应第一时间段(T1)的和/或表示分接的热量的量(∑Q)的数据的所述相应历史或数据收集的一周中的每天,和/或
一年中的每天和/或一年中的每周和/或一年中的每月,特别是所述相应第一时间段和/或相应历史数据或数据收集的一年中的每天和/或一年中的每周和/或一年中的每月,和/或
天气状况,特别是在所述相应第一时间段(T1)时和/或表示分接的热量的量(∑Q)的数据的所述相应历史或数据收集的天气状况,和/或
外部温度,特别是在所述相应第一时间段(T1)时和/或表示分接的热量的量(∑Q)的数据的所述相应历史或数据收集的外部温度,和/或
用户或家庭的度假情况,特别是在所述相应第一时间段(T1)时和/或表示分接的热量的量(∑Q)的数据的所述相应历史或数据收集的用户或家庭的度假情况,和/或
能源价格,特别是在所述相应第一时间段(T1)时和/或表示分接的热量的量(∑Q)的数据的所述相应历史或数据收集的能源价格,和/或
绿色能源可用性,特别是在所述相应第一时间段(T1)时和/或表示分接的热量的量(∑Q)的数据的所述相应历史或数据收集的绿色能源可用性,和/或
地理位置,特别是在所述相应第一时间段(T1)时和/或表示分接的热量的量(∑Q)的数据的所述相应历史或数据收集的地理位置,和/或
文化因素,特别是在所述相应第一时间段(T1)时和/或表示分接的热量的量(∑Q)的数据的所述相应历史或数据收集的文化因素。
8.根据前述权利要求中的任一项所述的计算机实现方法,其中,所述用户消耗模式确定算法在确定所述用户消耗模式(UCP)时还考虑元数据,其中,所述元数据选自包括以下各项的组:居民的数目、居民的年龄、居民的平均年龄、居民的性别,地理位置、文化因素、年热水消耗。
9.根据权利要求8所述的计算机实现方法,其中,所述用户消耗模式确定算法还包括以下步骤:
基于所述元数据中的至少一个元数据将所述用户或家庭分配到预定群集或组,
基于所分配的群集或组来确定用户消耗模式确定子算法,
其中,所述用户消耗模式确定子算法优选地在具有所述元数据中的相同的所述至少一个元数据的多个用户或家庭的数据上进行训练。
10.根据权利要求9所述的计算机实现方法,其中,在所述用户消耗模式确定子算法被确定之后,个人用户消耗模式确定算法是通过基于所获取的表示在第三时间段(T3)内由所述用户或家庭分接的热量的量(∑Q)的第一历史(H1)数据或数据收集和/或第二历史(H2)数据或数据收集来训练预设的用户消耗模式确定子算法而开发的,其中,所述第三时间段(T3)优选地在1天、2天、10天、30天、60天、90天、180天、一年内或连续地延伸。
11.根据前述权利要求中的任一项所述的计算机实现方法,其中,所述用户消耗模式确定算法被训练以确定个人用户的习惯,所述习惯包括:早上淋浴、晚上淋浴、晚上洗澡,使用平均的热量的量(∑Q)、特别是等效能量的量来淋浴或洗澡。
12.一种生成生活热水消耗预测的计算机实现方法,所述计算机实现方法包括以下步骤:
通过使用根据前述权利要求中的任一项所述的计算机实现方法来获取生活热水的用户消耗模式(UCP),以及
通过将生活热水消耗预测算法应用于所获取的用户消耗模式(UCP)来生成所述生活热水消耗预测。
13.根据权利要求12所述的计算机实现方法,其中,所述生活热水消耗预测算法在生成所述生活热水消耗预测时考虑检测到的偏差,其中,所述偏差优选地包括:所述用户或家庭的度假情况、天气状况、如比平均更早的淋浴、客人、聚会等的意外事件。
14.根据权利要求13所述的计算机实现方法,其中,在检测到偏差的情况下,优选地经由控制终端来自动调节所述生活热水消耗预测和/或要求所述用户确认检测到的偏差,并且根据所述用户的确认和/或输入来调节所述生活热水消耗预测。
15.根据权利要求12至14中的任一项所述的计算机实现方法,其中,在10分钟、30分钟、1小时、2小时、4小时、6小时或12小时的第四时间段(T4)内确定所述生活热水消耗预测。
16.根据权利要求12至15中的任一项所述的计算机实现方法,其中,包括所述用户或家庭的度假、客人、聚会等的事件通过优选地经由远程控制终端访问如日历之类的在线数据和/或通过所述用户的输入来确定。
17.一种特别地通过控制用于生产和/或分配生活热水的系统(100)来控制生活热水生产和/或分配的计算机实现方法,所述计算机实现方法包括以下步骤:
通过使用根据权利要求12至16中的任一项所述的计算机实现方法来生成生活热水消耗预测,以及
基于所生成的生活热水消耗预测来控制生活热水生产和/或分配。
18.根据权利要求17所述的计算机实现方法,其中,基于所生成的生活热水消耗预测来确定在控制时段T_period内要存储在所述储热箱(20)中的热量的量。
19.根据权利要求17或18所述的计算机实现方法,其中,通过将热量控制算法应用于所生成的生活热水消耗预测来确定在所述控制时段T_period内要存储在所述储热箱(20)中的热量的量,其中,所述热量控制算法优选地为训练的算法。
20.根据权利要求17至19中的任一项所述的计算机实现方法,其中,所述热量控制算法在以下各项上进行训练:电能价格(动态价格、使用时间费率等)、本地或绿色能源可用性、天气状况、能源碳足迹、天气预报等。
21.一种用于生成生活热水消耗预测的控制器(1),所述控制器具有控制单元(2)和适于执行根据权利要求12至16所述的方法的步骤的装置。
22.一种用于特别地通过控制用于生产和/或分配生活热水的系统(100)来控制生活热水生产和/或分配的控制器(1),所述控制器具有控制单元(2)和适于执行根据权利要求17至20所述的方法的步骤的装置。
23.一种用于生产和/或分配生活热水的系统(100),所述系统包括:
控制器,特别是根据权利要求21所述的控制器(1);以及适于执行根据权利要求17至20中的任一项所述的方法的步骤的装置。
24.根据权利要求23所述的系统(100),所述系统还包括:
储热箱(20),特别是热水存储箱(20),更特别地是加压箱,以及
装置,所述装置适于确定存储在所述储热箱(20)中的热量的量、特别是等效能量的量和/或适于确定从所述储热箱(20)分接的热量的量、特别是等效能量的量。
25.一种包括指令的计算机程序,所述指令使根据权利要求23或24所述的系统执行根据权利要求17至20所述的方法的步骤,和/或
使根据权利要求21所述的控制器执行根据权利要求12至16所述的方法的步骤,和/或
使根据权利要求22所述的控制器执行根据权利要求17至20所述的方法的步骤。
26.一种计算机可读介质,在所述计算机可读介质上存储有根据权利要求25所述的计算机程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21180966.0 | 2021-06-22 | ||
EP21180966.0A EP4109200A1 (en) | 2021-06-22 | 2021-06-22 | Acquiring a user consumption pattern of domestic hot water and controlling domestic hot water production based thereon |
PCT/JP2022/024684 WO2022270496A1 (en) | 2021-06-22 | 2022-06-21 | Acquiring a user consumption pattern of domestic hot water and controlling domestic hot water production based thereon |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117501205A true CN117501205A (zh) | 2024-02-02 |
Family
ID=76584343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280043333.5A Pending CN117501205A (zh) | 2021-06-22 | 2022-06-21 | 获取生活热水的用户消耗模式并基于此控制生活热水生产 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240288179A1 (zh) |
EP (1) | EP4109200A1 (zh) |
JP (1) | JP2024523208A (zh) |
CN (1) | CN117501205A (zh) |
WO (1) | WO2022270496A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116428755B (zh) * | 2023-05-06 | 2024-09-03 | 北京众信科源科技有限公司 | 一种太阳能热水器控制调节系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8867908B2 (en) * | 2011-08-31 | 2014-10-21 | General Electric Company | Self-programming water heater |
US20130327313A1 (en) * | 2012-06-11 | 2013-12-12 | George R. Arnold | High efficiency water heater |
US9845958B2 (en) * | 2014-02-12 | 2017-12-19 | Shai ZEMACH | Interactive learning water heating scheduler |
US20150226460A1 (en) | 2014-02-12 | 2015-08-13 | Shai ZEMACH | Real-time boiler forecast system and method |
-
2021
- 2021-06-22 EP EP21180966.0A patent/EP4109200A1/en active Pending
-
2022
- 2022-06-21 JP JP2023575567A patent/JP2024523208A/ja active Pending
- 2022-06-21 US US18/571,694 patent/US20240288179A1/en active Pending
- 2022-06-21 WO PCT/JP2022/024684 patent/WO2022270496A1/en active Application Filing
- 2022-06-21 CN CN202280043333.5A patent/CN117501205A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240288179A1 (en) | 2024-08-29 |
EP4109200A1 (en) | 2022-12-28 |
WO2022270496A1 (en) | 2022-12-29 |
JP2024523208A (ja) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10504195B2 (en) | System and method for decentralized energy production | |
Kim | Optimal price based demand response of HVAC systems in multizone office buildings considering thermal preferences of individual occupants buildings | |
CN111550861B (zh) | 一种热泵与电蓄热设备自适应优化控制方法、系统及装置 | |
Du et al. | Appliance commitment for household load scheduling | |
CN105320118B (zh) | 基于云平台的空调系统电力需求响应控制方法 | |
JP6118975B2 (ja) | エネルギー予測システム、エネルギー予測システムの動作方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録したコンピュータ読み取り可能な記録媒体並びに運転支援システム | |
Bashir et al. | A novel energy scheduling framework for reliable and economic operation of islanded and grid-connected microgrids | |
JP5121882B2 (ja) | 沸上げ制御システム、沸上げ制御方法及びプログラム | |
Kara et al. | Quantifying flexibility of residential thermostatically controlled loads for demand response: a data-driven approach | |
CN106813293A (zh) | 集中供热系统全网平衡控制方法 | |
Heidari et al. | An occupant-centric control framework for balancing comfort, energy use and hygiene in hot water systems: A model-free reinforcement learning approach | |
CN117501205A (zh) | 获取生活热水的用户消耗模式并基于此控制生活热水生产 | |
Cholewa et al. | An easy and widely applicable forecast control for heating systems in existing and new buildings: First field experiences | |
JP6293291B2 (ja) | 消費電力推定装置、機器管理システム、消費電力推定方法及びプログラム | |
Kallesøe et al. | Plug-and-play model predictive control for water supply networks with storage | |
Morovat et al. | Heuristic model predictive control implementation to activate energy flexibility in a fully electric school building | |
Gelažanskas et al. | Forecasting hot water consumption in dwellings using artificial neural networks | |
CN117172492A (zh) | 一种水库生态调度方案确定方法、系统、电子设备及介质 | |
US20220397306A1 (en) | Monitoring and controlling domestic hot water production and distribution | |
KR20150087986A (ko) | 가우시안 프로세스 모델링기반 에너지 사용량 예측 방법 | |
Heidari et al. | Reinforcement learning for occupant-centric operation of residential energy system: Evaluating the adaptation potential to the unusual occupants´ behavior during COVID-19 pandemic | |
JP7375355B2 (ja) | 推定方法、推定装置、コンピュータプログラム及び学習済みモデルの生成方法 | |
Safouri et al. | A heuristic algorithm for operation scheduling of electric water heaters under dynamic pricing | |
Finck | Activation of demand flexibility for heating systems in buildings: Real-life demonstration of optimal control for power-to-heat and thermal energy storage | |
Shad Zolpirani | Design of a direct load control program for residential electric water heaters |
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 |