CN117611241A - 一种用于精准供热的负荷预测方法及系统 - Google Patents
一种用于精准供热的负荷预测方法及系统 Download PDFInfo
- Publication number
- CN117611241A CN117611241A CN202410095898.9A CN202410095898A CN117611241A CN 117611241 A CN117611241 A CN 117611241A CN 202410095898 A CN202410095898 A CN 202410095898A CN 117611241 A CN117611241 A CN 117611241A
- Authority
- CN
- China
- Prior art keywords
- preset
- coefficient
- heat supply
- demand
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000007667 floating Methods 0.000 claims abstract description 34
- 238000013499 data model Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 172
- 238000010438 heat treatment Methods 0.000 claims description 115
- 238000012545 processing Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 12
- 230000010485 coping Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及负荷预测技术领域,公开了一种用于精准供热的负荷预测方法及系统,该方法包括:获取若干个历史年度的供热量数据;采集若干个历史年度的最低温度以及在最低温度向上浮动预设温度的持续天数;根据各历史年度相对应的供热量数据、最低温度和持续天数建立数据模型;实时获取当前年度的全年温度预测值,并根据全年温度预测值获取当前年度的最低温度以及在最低温度向上浮动预设温度的持续天数,并根据数据模型预测当前年度的供热量数据。本发明与传统基于经验的预测方法相比,基于数据的方法能更精确地反映实际供热需求,从而减少因预测不准确造成的能源浪费,并提高了供热系统对极端天气事件的应对能力与供热系统的能源效率。
Description
技术领域
本发明涉及负荷预测技术领域,具体而言,涉及一种用于精准供热的负荷预测方法及系统。
背景技术
供热负荷预测是指利用各种方法和技术来预测一个区域或建筑在一定时间段内的供热需求。这种预测对于优化供热系统的运营、提高能源效率、降低成本以及确保用户舒适度具有重要意义。
在现代城市管理和能源系统规划中,供热系统的有效运行是关键组成部分。准确预测供热需求对于确保能源效率、降低成本、减少能源浪费以及提高用户满意度具有重要意义。传统的供热需求预测方法往往依赖于经验估计或简单的历史数据分析,这些方法无法充分考虑到气候变化、人口增长、城市发展等多种影响因素,导致预测准确性不足。
因此,有必要设计一种用于精准供热的负荷预测方法及系统用以解决当前技术中存在的问题。
发明内容
鉴于此,本发明提出了一种用于精准供热的负荷预测方法及系统,旨在解决当前供热负荷预测未充分考虑实际情况造成预测结果准确性不足的问题。
一个方面,本发明提出了一种用于精准供热的负荷预测方法,包括:
基于大数据获取若干个历史年度的供热量数据;
采集若干个历史年度的最低温度以及在所述最低温度向上浮动预设温度的持续天数;
根据各所述历史年度相对应的所述供热量数据、所述最低温度和持续天数建立数据模型;其中,
所述供热量数据、所述最低温度和持续天数分别与所述历史年度相对应;
实时获取当前年度的全年温度预测值,并根据所述全年温度预测值获取所述当前年度的最低温度以及在所述最低温度向上浮动预设温度的持续天数,并根据所述数据模型与所述最低温度以及在所述最低温度向上浮动预设温度的持续天数预测当前年度的供热量数据;其中,
当存在与当前年度的所述最低温度以及在所述最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,将所述历史供热量数据作为当前年度的供热量数据;
当不存在与当前年度的所述最低温度以及在所述最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,基于大数据技术对所述当前年度的供热量数据进行预测。
进一步的,基于大数据技术对所述当前年度的供热量数据进行预测时,包括:
根据所述历史年度的供热量数据获取平均供热量数据G0,并预先设定第一预设需求评价值P1、第二预设需求评价值P2和第三预设需求评价值P3,且0<P1<P2<P3,预先设定第一预设预测系数A1、第二预设预测系数A2和第三预设预测系数A3,且0<A1<A2<A3<1.2;根据需求评价值P与各预设需求评价值的关系选取预设预测系数对所述平均供热量数据G0进行调整,预测所述当前年度的供热量数据;
当P1≤P<P2时,选取所述第一预设预测系数A1对所述平均供热量数据G0进行调整,预测所述当前年度的供热量数据为G0*A1;
当P2≤P<P3时,选取所述第二预设预测系数A2对所述平均供热量数据G0进行调整,预测所述当前年度的供热量数据为G0*A2;
当P3≤P时,选取所述第三预设预测系数A3对所述平均供热量数据G0进行调整,预测所述当前年度的供热量数据为G0*A3。
进一步的,所述需求评价值P通过下式计算获得:
P=Z*α+R*β;
其中,Z表示自然需求评价系数,R表示人文需求评价系数,α、β为权重。
进一步的,获取所述自然需求评价系数Z时,包括:
将所述当前年度的最低温度Dn与所述历史年度的最低温度Ds进行比对,根据比对结果确定所述自然需求评价系数Z;
当Dn<Ds时,确定所述自然需求评价系数Z为第一预设自然需求评价系数Z1;
当Dn=Ds时,确定所述自然需求评价系数Z为第二预设自然需求评价系数Z2;
当Dn>Ds时,确定所述自然需求评价系数Z为第三预设自然需求评价系数Z3;
其中,Z1>Z2>Z3。
进一步的,当根据所述当前年度的最低温度Dn与所述历史年度的最低温度Ds的关系确定所述自然需求评价系数Z为第i预设自然需求评价系数Zi后,i=1,2,3,所述获取所述自然需求评价系数Z,还包括:
根据所述当前年度的全年温度预测值获取所述当前年度的最低温度与最高温度的温度差值ΔW,采集所述历史年度的最高温度与最低温度并计算平均温度差值ΔW0,预先设定第一预设调整系数B1、第二预设调整系数B2和第三预设调整系数B3,且0<B1<B2<B3<1.1;将所述温度差值ΔW与所述平均温度差值ΔW0进行比对,根据比对结果选取调整系数对所述自然需求评价系数Zi进行调整,并将调整后的值作为所述自然需求评价系数Z;
当ΔW<ΔW0时,选取所述第一预设调整系数B1对所述自然需求评价系数Zi进行调整,获取调整后的值为Zi*B1;
当ΔW=ΔW0时,选取所述第二预设调整系数B2对所述自然需求评价系数Zi进行调整,获取调整后的值为Zi*B2;
当ΔW>ΔW0时,选取所述第三预设调整系数B3对所述自然需求评价系数Zi进行调整,获取调整后的值为Zi*B3。
进一步的,当选取第i预设调整系数Bi对所述自然需求评价系数Zi进行调整,获取调整后的值为Zi*Bi后,i=1,2,3,所述获取所述自然需求评价系数Z,还包括:
预先设定第一预设持续天数T1、第二预设持续天数T2和第三预设持续天数T3,且0<T1<T2<T3;根据所述当前年度在所述最低温度向上浮动预设温度的持续天数T与预设天数的关系选取调整系数对所述自然需求评价系数Zi*Bi进行二次调整,并将二次调整后的值作为所述自然需求评价系数Z;
当0<T≤T1时,选取所述第一预设调整系数B1对所述自然需求评价系数Zi*Bi进行二次调整,获取二次调整后的值为Zi*Bi*B1;
当T1<T≤T2时,选取所述第二预设调整系数B2对所述自然需求评价系数Zi*Bi进行二次调整,获取二次调整后的值为Zi*Bi*B2;
当T2<T≤T3时,选取所述第三预设调整系数B3对所述自然需求评价系数Zi*Bi进行二次调整,获取二次调整后的值为Zi*Bi*B3。
进一步的,获取所述人文需求评价系数R时,包括:
基于所述大数据技术采集供暖区域面积M,将所述区域面积M分别与预先设定的第一预设面积M1和第二预设面积M2进行比对,M1<M2根据比对结果确定所述人文需求评价系数R;
当M≤M1时,确定所述人文需求评价系数R为第一预设人文需求评价系数R1;
当M1<M≤M2时,确定所述人文需求评价系数R为第二预设人文需求评价系数R2;
当M2<M时,确定所述人文需求评价系数R为第三预设人文需求评价系数R3;
其中,R1<R2<R3。
进一步的,当确定所述人文需求评价系数R为第i预设人文需求评价系数Ri后,i=1,2,3,所述获取所述人文需求评价系数R,还包括:
预先设定第一预设需求调整系数C1、第二预设需求调整系数C2和第三预设需求调整系数C3,且0<C1<C2<C3<1.2;采集供暖区域面积增长率E,根据所述供暖区域面积增长率E选取需求调整系数对所述人文需求评价系数Ri进行调整,并将调整后的值作为所述人文需求评价系数R;
当E<0时,选取所述第一预设需求调整系数C1对所述人文需求评价系数Ri进行调整,获取调整后的值为Ri*C1;
当E=0时,选取所述第二预设需求调整系数C2对所述人文需求评价系数Ri进行调整,获取调整后的值为Ri*C2;
当E>0时,选取所述第三预设需求调整系数C3对所述人文需求评价系数Ri进行调整,获取调整后的值为Ri*C3。
进一步的,当选取第i预设需求调整系数Ci对所述人文需求评价系数Ri进行调整,获取调整后的值为Ri*Ci后,i=1,2,3,所述获取所述人文需求评价系数R,还包括:
采集人口密度增长率K,根据所述人口密度增长率K选取需求调整系数对所述人文需求评价系数Ri*Ci进行二次调整,并将二次调整后的值作为所述人文需求评价系数R;
当K<0时,选取所述第一预设需求调整系数C1对所述人文需求评价系数Ri*Ci进行二次调整,获取二次调整后的值为Ri*Ci*C1;
当K=0时,选取所述第二预设需求调整系数C2对所述人文需求评价系数Ri*Ci进行二次调整,获取二次调整后的值为Ri*Ci*C2;
当K>0时,选取所述第三预设需求调整系数C3对所述人文需求评价系数Ri*Ci进行二次调整,获取二次调整后的值为Ri*Ci*C3。
与现有技术相比,本发明的有益效果在于:通过分析历史年度的供热量数据和气温变化更准确地捕捉和预测与气候条件相关的供热需求变化。与传统基于经验的预测方法相比,基于数据的方法能更精确地反映实际供热需求,从而减少因预测不准确造成的能源浪费。通过准确预测供热需求,供热系统运营商可以更有效地规划能源分配,减少不必要的能源消耗,降低运营成本。同时,有助于提高供热系统的整体效率,确保在高需求时段有充足的供热。通过实时获取当前年度的全年温度预测并结合历史数据,能够适应气候变化带来的不确定性,提高供热系统对极端天气事件的应对能力,提高了供热系统的能源效率并减少了浪费。
另一方面,本申请还提供了一种用于精准供热的负荷预测系统,用于应用上述用于精准供热的负荷预测方法,包括:
采集单元,被配置为基于大数据获取若干个历史年度的供热量数据;
所述采集单元还被配置为采集若干个历史年度的最低温度以及在所述最低温度向上浮动预设温度的持续天数;
处理单元,被配置为根据各所述历史年度相对应的所述供热量数据、所述最低温度和持续天数建立数据模型;其中,
所述供热量数据、所述最低温度和持续天数分别与所述历史年度相对应;
预测单元,被配置为实时获取当前年度的全年温度预测值,并根据所述全年温度预测值获取所述当前年度的最低温度以及在所述最低温度向上浮动预设温度的持续天数,并根据所述数据模型与所述最低温度以及在所述最低温度向上浮动预设温度的持续天数预测当前年度的供热量数据;其中,
当存在与当前年度的所述最低温度以及在所述最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,所述预测单元将所述历史供热量数据作为当前年度的供热量数据;
当不存在与当前年度的所述最低温度以及在所述最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,所述预测单元基于大数据技术对所述当前年度的供热量数据进行预测。
可以理解的是,上述用于精准供热的负荷预测系统及方法具备相同的有益效果,在此不再赘述。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提供的用于精准供热的负荷预测方法的流程图;
图2为本发明实施例提供的用于精准供热的负荷预测系统的功能框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
供热负荷预测在供热系统的管理和优化中具有至关重要的作用。这种预测帮助确定在特定时间段内一个区域或建筑所需的热能量,对于确保能源效率、降低运营成本、提升用户满意度以及支持环境可持续性方面都非常关键。通过准确预测供热需求,可以有效地规划和分配供热资源,从而减少能源浪费。有利于合理调节供热系统的输出,确保供热量与实际需求相匹配。通过优化供热系统的运营,有利于减少不必要的能源消耗,从而降低运营成本。然而,当前传统的供热需求预测方法往往依赖于经验估计或简单的历史数据分析,这些方法无法充分考虑到气候变化、人口增长、城市发展等多种影响因素,导致预测准确性不足。因此,有必要设计一种用于精准供热的负荷预测方法及系统用以解决当前供热负荷预测未充分考虑实际情况造成预测结果准确性不足的问题。
在本申请的一些实施例中,参阅图1所示,一种用于精准供热的负荷预测方法,包括:
S100:基于大数据获取若干个历史年度的供热量数据。
S200:采集若干个历史年度的最低温度以及在最低温度向上浮动预设温度的持续天数。
S300:根据各历史年度相对应的供热量数据、最低温度和持续天数建立数据模型。其中,供热量数据、最低温度和持续天数分别与历史年度相对应。
S400:实时获取当前年度的全年温度预测值,并根据全年温度预测值获取当前年度的最低温度以及在最低温度向上浮动预设温度的持续天数,并根据数据模型与最低温度以及在最低温度向上浮动预设温度的持续天数预测当前年度的供热量数据。其中,
当存在与当前年度的最低温度以及在最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,将历史供热量数据作为当前年度的供热量数据。
当不存在与当前年度的最低温度以及在最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,基于大数据技术对当前年度的供热量数据进行预测。
具体而言,S100中收集历史年份的供热量数据。这些数据可以通过供热系统的历史记录、能源消费记录等方式获取。可以通过供热公司的能源管理系统、智能供热网络的传感器数据或能源消费记录获取。S200中收集与供热数据对应年份的最低温度数据及在最低温度向上浮动预设温度范围内的持续天数,例如在-5℃向上浮动3℃的持续天数表示为-5℃至-2℃的持续天数。可通过气象站提供的历史记录或气候数据库获得。对于实时气温预测,可以使用气象模型或合作的气象预测服务。S300中利用上述收集的供热量数据和气温数据,建立模型以映射气温变化对供热需求的影响。S400中实时获取当前年度的气温预测数据,并预测当前年度的供热需求。当存在与当前气温条件相匹配的历史数据时,直接采用历史数据作为预测值;否则,利用建立的模型并基于大数据进行预测。
可以理解的是,历史供热量和气温数据的分析为预测模型提供了坚实的基础。实时气温数据的融合确保了预测的及时性和相关性。在历史数据与当前条件匹配的情况下直接应用历史数据,提高了预测的准确性和效率。在没有匹配历史数据的情况下,利用数据分析技术适应复杂的气候和供热需求变化。本实施例通过精确匹配历史数据与当前气温条件,能够快速响应并预测出更准确的供热需求,从而优化供热系统的运行。不仅有助于节约能源、降低运营成本,还能提升供热服务的可靠性和用户满意度。此外,支持供热系统对气候变化的适应性,增强了对极端天气事件的响应能力。
在本申请的一些实施例中,基于大数据技术对当前年度的供热量数据进行预测时,包括:根据历史年度的供热量数据获取平均供热量数据G0,并预先设定第一预设需求评价值P1、第二预设需求评价值P2和第三预设需求评价值P3,且0<P1<P2<P3,预先设定第一预设预测系数A1、第二预设预测系数A2和第三预设预测系数A3,且0<A1<A2<A3<1.2。根据需求评价值P与各预设需求评价值的关系选取预设预测系数对平均供热量数据G0进行调整,预测当前年度的供热量数据。
具体而言,当P1≤P<P2时,选取第一预设预测系数A1对平均供热量数据G0进行调整,预测当前年度的供热量数据为G0*A1。当P2≤P<P3时,选取第二预设预测系数A2对平均供热量数据G0进行调整,预测当前年度的供热量数据为G0*A2。当P3≤P时,选取第三预设预测系数A3对平均供热量数据G0进行调整,预测当前年度的供热量数据为G0*A3。
具体而言,从历史年度的数据中获取平均供热量G0,作为预测的基准值。设定多个不同级别的需求评价值,以及相应的预测系数。这些值和系数用于根据不同的需求水平调整基准供热量。需求评价值和预测系数反映了不同情境下的供热需求强度。根据当前年度的实际需求评价值,选择相应的预测系数来调整平均供热量数据。通过分析历史供热数据,可以理解过去的供热需求模式。通过设定不同的预设需求评价值和预测系数,能够灵活应对不同的供热需求场景。根据当前年度的实际需求情况调整预测,有利于提高预测的准确性。需求评价值可以基于气候模型、人口统计数据或历史供热需求趋势进行设定。
可以理解的是,基于大数据进行预测能够更准确地预测供热需求,从而提高供热系统的效率和可靠性。通过根据实际需求调整供热量,可以有效地减少能源浪费,降低运营成本,同时确保满足用户的供热需求。该方法提供了对未来供热需求的灵活预测,有助于供热系统更好地适应气候变化和人口动态的变化。
在本申请的一些实施例中,需求评价值P通过下式计算获得:
P=Z*α+R*β。
其中,Z表示自然需求评价系数,R表示人文需求评价系数,α、β为权重。α>0且β>0,α+β=1。
可以理解的是,线性模型的参数(如权重α和β)容易调整和校准,使得模型能够灵活适应不同的情况和数据变化。相比于复杂的非线性模型,线性模型在实施和维护上成本较低。使得即使在资源有限的情况下也能实现有效的供热需求预测。
在本申请的一些实施例中,获取自然需求评价系数Z时,包括:将当前年度的最低温度Dn与历史年度的最低温度Ds进行比对,根据比对结果确定自然需求评价系数Z。
具体而言,当Dn<Ds时,确定自然需求评价系数Z为第一预设自然需求评价系数Z1。当Dn=Ds时,确定自然需求评价系数Z为第二预设自然需求评价系数Z2。当Dn>Ds时,确定自然需求评价系数Z为第三预设自然需求评价系数Z3。其中,Z1>Z2>Z3。
可以理解的是,Z和R分别代表自然和人文因素对供热需求的影响,而α和β是这些因素的权重。通过将自然因素和人文因素结合起来,可以更全面地评估供热需求。通过结合自然和人文因素,为供热系统运营商提供了一种更为精准的供热需求预测工具。准确的预测可以帮助供热系统更有效地规划能源分配,减少能源浪费,降低运营成本,同时确保用户得到适宜的供热服务。此外,还能增强供热系统对极端天气事件的应对能力,提高系统的整体韧性和可靠性。
在本申请的一些实施例中,当根据当前年度的最低温度Dn与历史年度的最低温度Ds的关系确定自然需求评价系数Z为第i预设自然需求评价系数Zi后,i=1,2,3,获取自然需求评价系数Z,还包括:根据当前年度的全年温度预测值获取当前年度的最低温度与最高温度的温度差值ΔW,采集历史年度的最高温度与最低温度并计算平均温度差值ΔW0,预先设定第一预设调整系数B1、第二预设调整系数B2和第三预设调整系数B3,且0<B1<B2<B3<1.1。将温度差值ΔW与平均温度差值ΔW0进行比对,根据比对结果选取调整系数对自然需求评价系数Zi进行调整,并将调整后的值作为自然需求评价系数Z。
具体而言,当ΔW<ΔW0时,选取第一预设调整系数B1对自然需求评价系数Zi进行调整,获取调整后的值为Zi*B1。当ΔW=ΔW0时,选取第二预设调整系数B2对自然需求评价系数Zi进行调整,获取调整后的值为Zi*B2。当ΔW>ΔW0时,选取第三预设调整系数B3对自然需求评价系数Zi进行调整,获取调整后的值为Zi*B3。
可以理解的是,年度温度差值(即最高温度与最低温度之间的差异)直观地反映了一个地区的温度变化范围。温度差值较大意味着气温波动较大,通常与更高的供暖需求相关。仅考虑最低温度不足以全面评估供暖需求。温度差值的引入可以更精细化地评估供暖需求,使预测更加准确。气候变化导致的极端天气现象使得仅依赖历史数据不足以准确预测未来需求。温度差值的引入使模型能够更好地适应这些变化。因此调整自然需求评价系数Z以考虑温度差值是为了提供更为准确和适应性强的供暖需求预测。不仅提高了预测的精度,还增强了模型对环境变化的适应能力,使供热系统能更有效地响应不同的气候条件,从而优化能源使用,减少浪费,并提高用户的舒适度。
在本申请的一些实施例中,当选取第i预设调整系数Bi对自然需求评价系数Zi进行调整,获取调整后的值为Zi*Bi后,i=1,2,3,获取自然需求评价系数Z,还包括:预先设定第一预设持续天数T1、第二预设持续天数T2和第三预设持续天数T3,且0<T1<T2<T3。根据当前年度在最低温度向上浮动预设温度的持续天数T与预设天数的关系选取调整系数对自然需求评价系数Zi*Bi进行二次调整,并将二次调整后的值作为自然需求评价系数Z。
具体而言,当0<T≤T1时,选取第一预设调整系数B1对自然需求评价系数Zi*Bi进行二次调整,获取二次调整后的值为Zi*Bi*B1。当T1<T≤T2时,选取第二预设调整系数B2对自然需求评价系数Zi*Bi进行二次调整,获取二次调整后的值为Zi*Bi*B2。当T2<T≤T3时,选取第三预设调整系数B3对自然需求评价系数Zi*Bi进行二次调整,获取二次调整后的值为Zi*Bi*B3。
可以理解的是,如果低温持续时间较长(例如,连续多日温度低于某一阈值),则对供暖系统的压力更大,需要更多的热能来维持室内温度。仅考虑温度而不考虑其持续时间无法完全准确评估供暖需求。通过考虑持续天数,预测模型能够更准确地反映实际供暖需求。不同地区的气候条件差异显著,因此持续天数的考虑使模型能够更好地适应各种气候条件,尤其是在那些经历长期低温或温差大的地区。随着气候变化,某些地区可能会经历更长时间的极端温度。二次调整机制使得预测模型能够更灵活地应对这些变化。因此二次调整机制是基于实际的气候条件和供暖需求动态变化来优化预测模型的。通过考虑持续天数,该方案不仅提高了供暖需求预测的准确性,还增加了对不同气候条件的适应性。
在本申请的一些实施例中,获取人文需求评价系数R时,包括:基于大数据技术采集供暖区域面积M,将区域面积M分别与预先设定的第一预设面积M1和第二预设面积M2进行比对,M1<M2根据比对结果确定人文需求评价系数R。
具体而言,当M≤M1时,确定人文需求评价系数R为第一预设人文需求评价系数R1。当M1<M≤M2时,确定人文需求评价系数R为第二预设人文需求评价系数R2。当M2<M时,确定人文需求评价系数R为第三预设人文需求评价系数R3。其中,R1<R2<R3。
可以理解的是,随着供暖区域面积的增加,能源的分配和管理变得更加复杂,需要更高的供暖能力以满足不同区域的需求。通过预设不同的面积阈值,将供暖区域划分为不同的类别,每个类别对应不同的人文需求评价系数。不同的人文需求评价系数反映了不同面积区域的供暖需求梯度。综合考虑供暖区域面积在确定人文需求评价系数的过程中,使得供暖需求评价值能够更准确地反映实际的供暖需求情况。实现了供暖系统更有效地规划和管理能源分配,特别是在面积差异较大的不同区域。
在本申请的一些实施例中,当确定人文需求评价系数R为第i预设人文需求评价系数Ri后,i=1,2,3,获取人文需求评价系数R,还包括:预先设定第一预设需求调整系数C1、第二预设需求调整系数C2和第三预设需求调整系数C3,且0<C1<C2<C3<1.2。采集供暖区域面积增长率E,根据供暖区域面积增长率E选取需求调整系数对人文需求评价系数Ri进行调整,并将调整后的值作为人文需求评价系数R。
具体而言,当E<0时,选取第一预设需求调整系数C1对人文需求评价系数Ri进行调整,获取调整后的值为Ri*C1。当E=0时,选取第二预设需求调整系数C2对人文需求评价系数Ri进行调整,获取调整后的值为Ri*C2。当E>0时,选取第三预设需求调整系数C3对人文需求评价系数Ri进行调整,获取调整后的值为Ri*C3。
可以理解的是,供暖区域面积的增长和新建筑的建设相联系。这些因素直接影响供暖需求,意味着更多的建筑需要更多的供暖。通过对不同的面积增长率应用不同的调整系数,可以灵活调整人文需求评价系数,使之更贴合实际的供暖需求。考虑面积增长率可以使预测更加精准,特别是在快速发展的城市或新兴住宅区域。有助于更好地规划和管理供暖资源,确保满足不断变化的供暖需求。
在本申请的一些实施例中,当选取第i预设需求调整系数Ci对人文需求评价系数Ri进行调整,获取调整后的值为Ri*Ci后,i=1,2,3,获取人文需求评价系数R,还包括:采集人口密度增长率K,根据人口密度增长率K选取需求调整系数对人文需求评价系数Ri*Ci进行二次调整,并将二次调整后的值作为人文需求评价系数R。
具体而言,当K<0时,选取第一预设需求调整系数C1对人文需求评价系数Ri*Ci进行二次调整,获取二次调整后的值为Ri*Ci*C1。当K=0时,选取第二预设需求调整系数C2对人文需求评价系数Ri*Ci进行二次调整,获取二次调整后的值为Ri*Ci*C2。当K>0时,选取第三预设需求调整系数C3对人文需求评价系数Ri*Ci进行二次调整,获取二次调整后的值为Ri*Ci*C3。
可以理解的是,人口密度增长率反映了一个区域内人口数量的变化情况。通过考虑人口密度的变化,供暖需求预测能够更灵活地适应社区或城市的发展,确保供暖系统的规划和运营与实际需求保持一致。二次调整机制使得预测模型不仅考虑了区域面积的变化,还考虑了人口密度的变化,从而提高了供暖需求预测的精确度和可靠性。
上述实施例中用于精准供热的负荷预测方法通过分析历史年度的供热量数据和气温变化更准确地捕捉和预测与气候条件相关的供热需求变化。与传统基于经验的预测方法相比,基于数据的方法能更精确地反映实际供热需求,从而减少因预测不准确造成的能源浪费。通过准确预测供热需求,供热系统运营商可以更有效地规划能源分配,减少不必要的能源消耗,降低运营成本。同时,有助于提高供热系统的整体效率,确保在高需求时段有充足的供热。通过实时获取当前年度的全年温度预测并结合历史数据,能够适应气候变化带来的不确定性,提高供热系统对极端天气事件的应对能力,提高了供热系统的能源效率并减少了浪费。
基于上述实施例的另一种优选的方式中,参阅图2所示,本实施方式提供了一种用于精准供热的负荷预测系统,用于应用上述用于精准供热的负荷预测方法,包括:
采集单元,被配置为基于大数据获取若干个历史年度的供热量数据;
采集单元还被配置为采集若干个历史年度的最低温度以及在最低温度向上浮动预设温度的持续天数;
处理单元,被配置为根据各历史年度相对应的供热量数据、最低温度和持续天数建立数据模型;其中,
供热量数据、最低温度和持续天数分别与历史年度相对应;
预测单元,被配置为实时获取当前年度的全年温度预测值,并根据全年温度预测值获取当前年度的最低温度以及在最低温度向上浮动预设温度的持续天数,并根据数据模型与最低温度以及在最低温度向上浮动预设温度的持续天数预测当前年度的供热量数据;其中,
当存在与当前年度的最低温度以及在最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,预测单元将历史供热量数据作为当前年度的供热量数据;
当不存在与当前年度的最低温度以及在最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,预测单元基于大数据技术对当前年度的供热量数据进行预测。
可以理解的是,上述用于精准供热的负荷预测系统通过分析历史年度的供热量数据和气温变化更准确地捕捉和预测与气候条件相关的供热需求变化。与传统基于经验的预测方法相比,基于数据的方法能更精确地反映实际供热需求,从而减少因预测不准确造成的能源浪费。通过准确预测供热需求,供热系统运营商可以更有效地规划能源分配,减少不必要的能源消耗,降低运营成本。同时,有助于提高供热系统的整体效率,确保在高需求时段有充足的供热。通过实时获取当前年度的全年温度预测并结合历史数据,能够适应气候变化带来的不确定性,提高供热系统对极端天气事件的应对能力,提高了供热系统的能源效率并减少了浪费。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序商品。因此,本申请可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序商品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序商品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框,以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种用于精准供热的负荷预测方法,其特征在于,包括:
基于大数据获取若干个历史年度的供热量数据;
采集若干个历史年度的最低温度以及在所述最低温度向上浮动预设温度的持续天数;
根据各所述历史年度相对应的所述供热量数据、所述最低温度和所述持续天数建立数据模型;其中,
所述供热量数据、所述最低温度和所述持续天数分别与所述历史年度相对应;
实时获取当前年度的全年温度预测值,并根据所述全年温度预测值获取所述当前年度的最低温度以及在所述最低温度向上浮动预设温度的持续天数,并根据所述数据模型与所述最低温度以及在所述最低温度向上浮动预设温度的持续天数预测当前年度的供热量数据;其中,
当存在与当前年度的所述最低温度以及在所述最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,将所述历史供热量数据作为当前年度的供热量数据;
当不存在与当前年度的所述最低温度以及在所述最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,基于大数据技术对所述当前年度的供热量数据进行预测。
2.根据权利要求1所述的用于精准供热的负荷预测方法,其特征在于,基于大数据技术对所述当前年度的供热量数据进行预测时,包括:
根据所述历史年度的供热量数据获取平均供热量数据G0,并预先设定第一预设需求评价值P1、第二预设需求评价值P2和第三预设需求评价值P3,且0<P1<P2<P3,预先设定第一预设预测系数A1、第二预设预测系数A2和第三预设预测系数A3,且0<A1<A2<A3<1.2;根据需求评价值P与各预设需求评价值的关系选取预设预测系数对所述平均供热量数据G0进行调整,预测所述当前年度的供热量数据;
当P1≤P<P2时,选取所述第一预设预测系数A1对所述平均供热量数据G0进行调整,预测所述当前年度的供热量数据为G0*A1;
当P2≤P<P3时,选取所述第二预设预测系数A2对所述平均供热量数据G0进行调整,预测所述当前年度的供热量数据为G0*A2;
当P3≤P时,选取所述第三预设预测系数A3对所述平均供热量数据G0进行调整,预测所述当前年度的供热量数据为G0*A3。
3.根据权利要求2所述的用于精准供热的负荷预测方法,其特征在于,所述需求评价值P通过下式计算获得:
P=Z*α+R*β;
其中,Z表示自然需求评价系数,R表示人文需求评价系数,α、β为权重。
4.根据权利要求3所述的用于精准供热的负荷预测方法,其特征在于,获取所述自然需求评价系数Z时,包括:
将所述当前年度的最低温度Dn与所述历史年度的最低温度Ds进行比对,根据比对结果确定所述自然需求评价系数Z;
当Dn<Ds时,确定所述自然需求评价系数Z为第一预设自然需求评价系数Z1;
当Dn=Ds时,确定所述自然需求评价系数Z为第二预设自然需求评价系数Z2;
当Dn>Ds时,确定所述自然需求评价系数Z为第三预设自然需求评价系数Z3;
其中,Z1>Z2>Z3。
5.根据权利要求4所述的用于精准供热的负荷预测方法,其特征在于,当根据所述当前年度的最低温度Dn与所述历史年度的最低温度Ds的关系确定所述自然需求评价系数Z为第i预设自然需求评价系数Zi后,i=1,2,3,所述获取所述自然需求评价系数Z,还包括:
根据所述当前年度的全年温度预测值获取所述当前年度的最低温度与最高温度的温度差值ΔW,采集所述历史年度的最高温度与最低温度并计算平均温度差值ΔW0,预先设定第一预设调整系数B1、第二预设调整系数B2和第三预设调整系数B3,且0<B1<B2<B3<1.1;将所述温度差值ΔW与所述平均温度差值ΔW0进行比对,根据比对结果选取调整系数对所述自然需求评价系数Zi进行调整,并将调整后的值作为所述自然需求评价系数Z;
当ΔW<ΔW0时,选取所述第一预设调整系数B1对所述自然需求评价系数Zi进行调整,获取调整后的值为Zi*B1;
当ΔW=ΔW0时,选取所述第二预设调整系数B2对所述自然需求评价系数Zi进行调整,获取调整后的值为Zi*B2;
当ΔW>ΔW0时,选取所述第三预设调整系数B3对所述自然需求评价系数Zi进行调整,获取调整后的值为Zi*B3。
6.根据权利要求5所述的用于精准供热的负荷预测方法,其特征在于,当选取第i预设调整系数Bi对所述自然需求评价系数Zi进行调整,获取调整后的值为Zi*Bi后,i=1,2,3,所述获取所述自然需求评价系数Z,还包括:
预先设定第一预设持续天数T1、第二预设持续天数T2和第三预设持续天数T3,且0<T1<T2<T3;根据所述当前年度在所述最低温度向上浮动预设温度的持续天数T与预设天数的关系选取调整系数对所述自然需求评价系数Zi*Bi进行二次调整,并将二次调整后的值作为所述自然需求评价系数Z;
当0<T≤T1时,选取所述第一预设调整系数B1对所述自然需求评价系数Zi*Bi进行二次调整,获取二次调整后的值为Zi*Bi*B1;
当T1<T≤T2时,选取所述第二预设调整系数B2对所述自然需求评价系数Zi*Bi进行二次调整,获取二次调整后的值为Zi*Bi*B2;
当T2<T≤T3时,选取所述第三预设调整系数B3对所述自然需求评价系数Zi*Bi进行二次调整,获取二次调整后的值为Zi*Bi*B3。
7.根据权利要求3所述的用于精准供热的负荷预测方法,其特征在于,获取所述人文需求评价系数R时,包括:
基于所述大数据技术采集供暖区域面积M,将所述区域面积M分别与预先设定的第一预设面积M1和第二预设面积M2进行比对,M1<M2根据比对结果确定所述人文需求评价系数R;
当M≤M1时,确定所述人文需求评价系数R为第一预设人文需求评价系数R1;
当M1<M≤M2时,确定所述人文需求评价系数R为第二预设人文需求评价系数R2;
当M2<M时,确定所述人文需求评价系数R为第三预设人文需求评价系数R3;
其中,R1<R2<R3。
8.根据权利要求7所述的用于精准供热的负荷预测方法,其特征在于,当确定所述人文需求评价系数R为第i预设人文需求评价系数Ri后,i=1,2,3,所述获取所述人文需求评价系数R,还包括:
预先设定第一预设需求调整系数C1、第二预设需求调整系数C2和第三预设需求调整系数C3,且0<C1<C2<C3<1.2;采集供暖区域面积增长率E,根据所述供暖区域面积增长率E选取需求调整系数对所述人文需求评价系数Ri进行调整,并将调整后的值作为所述人文需求评价系数R;
当E<0时,选取所述第一预设需求调整系数C1对所述人文需求评价系数Ri进行调整,获取调整后的值为Ri*C1;
当E=0时,选取所述第二预设需求调整系数C2对所述人文需求评价系数Ri进行调整,获取调整后的值为Ri*C2;
当E>0时,选取所述第三预设需求调整系数C3对所述人文需求评价系数Ri进行调整,获取调整后的值为Ri*C3。
9.根据权利要求8所述的用于精准供热的负荷预测方法,其特征在于,当选取第i预设需求调整系数Ci对所述人文需求评价系数Ri进行调整,获取调整后的值为Ri*Ci后,i=1,2,3,所述获取所述人文需求评价系数R,还包括:
采集人口密度增长率K,根据所述人口密度增长率K选取需求调整系数对所述人文需求评价系数Ri*Ci进行二次调整,并将二次调整后的值作为所述人文需求评价系数R;
当K<0时,选取所述第一预设需求调整系数C1对所述人文需求评价系数Ri*Ci进行二次调整,获取二次调整后的值为Ri*Ci*C1;
当K=0时,选取所述第二预设需求调整系数C2对所述人文需求评价系数Ri*Ci进行二次调整,获取二次调整后的值为Ri*Ci*C2;
当K>0时,选取所述第三预设需求调整系数C3对所述人文需求评价系数Ri*Ci进行二次调整,获取二次调整后的值为Ri*Ci*C3。
10.一种用于精准供热的负荷预测系统,用于应用如权利要求1-9任一项所述的用于精准供热的负荷预测方法,其特征在于,包括:
采集单元,被配置为基于大数据获取若干个历史年度的供热量数据;
所述采集单元还被配置为采集若干个历史年度的最低温度以及在所述最低温度向上浮动预设温度的持续天数;
处理单元,被配置为根据各所述历史年度相对应的所述供热量数据、所述最低温度和持续天数建立数据模型;其中,
所述供热量数据、所述最低温度和持续天数分别与所述历史年度相对应;
预测单元,被配置为实时获取当前年度的全年温度预测值,并根据所述全年温度预测值获取所述当前年度的最低温度以及在所述最低温度向上浮动预设温度的持续天数,并根据所述数据模型与所述最低温度以及在所述最低温度向上浮动预设温度的持续天数预测当前年度的供热量数据;其中,
当存在与当前年度的所述最低温度以及在所述最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,所述预测单元将所述历史供热量数据作为当前年度的供热量数据;
当不存在与当前年度的所述最低温度以及在所述最低温度向上浮动预设温度的持续天数相等的历史供热量数据时,所述预测单元基于大数据技术对所述当前年度的供热量数据进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410095898.9A CN117611241A (zh) | 2024-01-24 | 2024-01-24 | 一种用于精准供热的负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410095898.9A CN117611241A (zh) | 2024-01-24 | 2024-01-24 | 一种用于精准供热的负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117611241A true CN117611241A (zh) | 2024-02-27 |
Family
ID=89946592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410095898.9A Pending CN117611241A (zh) | 2024-01-24 | 2024-01-24 | 一种用于精准供热的负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611241A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097403A (zh) * | 2019-05-08 | 2019-08-06 | 国网冀北电力有限公司秦皇岛供电公司 | 一种供暖需求的预测方法和预测系统 |
CN110135619A (zh) * | 2019-04-02 | 2019-08-16 | 国网能源研究院有限公司 | 一种中长期电供暖需求的预测方法及系统 |
CN110738380A (zh) * | 2018-07-18 | 2020-01-31 | 浙江盾安节能科技有限公司 | 热负荷控制方法、装置及系统 |
CN116542163A (zh) * | 2023-05-29 | 2023-08-04 | 西安交通大学 | 一种历史数据驱动的短期采暖热负荷预测方法 |
CN117273195A (zh) * | 2023-08-25 | 2023-12-22 | 华能苏州热电有限责任公司 | 一种蒸汽供热系统需求负荷预测方法 |
-
2024
- 2024-01-24 CN CN202410095898.9A patent/CN117611241A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738380A (zh) * | 2018-07-18 | 2020-01-31 | 浙江盾安节能科技有限公司 | 热负荷控制方法、装置及系统 |
CN110135619A (zh) * | 2019-04-02 | 2019-08-16 | 国网能源研究院有限公司 | 一种中长期电供暖需求的预测方法及系统 |
CN110097403A (zh) * | 2019-05-08 | 2019-08-06 | 国网冀北电力有限公司秦皇岛供电公司 | 一种供暖需求的预测方法和预测系统 |
CN116542163A (zh) * | 2023-05-29 | 2023-08-04 | 西安交通大学 | 一种历史数据驱动的短期采暖热负荷预测方法 |
CN117273195A (zh) * | 2023-08-25 | 2023-12-22 | 华能苏州热电有限责任公司 | 一种蒸汽供热系统需求负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9429961B2 (en) | Data-driven HVAC optimization | |
EP2778821B1 (en) | Supervisory controller for HVAC systems | |
KR101168153B1 (ko) | 건물의 에너지 수요 예측 방법 및 그 시스템 | |
US7502768B2 (en) | System and method for predicting building thermal loads | |
Nghiem et al. | Data-driven demand response modeling and control of buildings with gaussian processes | |
US20170211830A1 (en) | Air-conditioning control system, air-conditioning planning device, and planning method | |
CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
Jang et al. | Prediction of optimum heating timing based on artificial neural network by utilizing BEMS data | |
JP4512074B2 (ja) | エネルギー需要予測方法、予測装置、プログラム及び記録媒体 | |
KR20180028583A (ko) | 지능형 전력사용 환경에서 수용가 맞춤형 전력량 스케쥴링 시스템 | |
KR101301123B1 (ko) | 냉난방부하 예측방법 | |
CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
CN112561207A (zh) | 一种考虑气象因素的电网负荷预测方法、装置和电力系统 | |
CN116454928A (zh) | 一种考虑多时间尺度的多类型储能协同调度方法 | |
Cholewa et al. | An easy and widely applicable forecast control for heating systems in existing and new buildings: First field experiences | |
JPH09273795A (ja) | 熱負荷予測装置 | |
Maier et al. | Assessing mixed-integer-based heat pump modeling approaches for model predictive control applications in buildings | |
Abdellatif et al. | A thermal control methodology based on a machine learning forecasting model for indoor heating | |
CN117495056A (zh) | 一种用电数据监测和优化方法及系统 | |
CN117611241A (zh) | 一种用于精准供热的负荷预测方法及系统 | |
KR101831316B1 (ko) | 앙상블 인공지능 알고리즘을 사용한 상수도 유량 예측 방법 | |
JP2005122517A (ja) | エネルギー需要予測方法、エネルギー需要予測装置、エネルギー需要予測プログラムおよび記録媒体 | |
KR100724497B1 (ko) | 물 수요 예측 시스템 및 방법 | |
Ha et al. | An approach for home load energy management problem in uncertain context | |
Bogdanovs et al. | Intelligence system of building management system for energy efficiency in the test facility |
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 |