CN117677949A - 流体网络系统的优化方法及装置 - Google Patents
流体网络系统的优化方法及装置 Download PDFInfo
- Publication number
- CN117677949A CN117677949A CN202180100817.4A CN202180100817A CN117677949A CN 117677949 A CN117677949 A CN 117677949A CN 202180100817 A CN202180100817 A CN 202180100817A CN 117677949 A CN117677949 A CN 117677949A
- Authority
- CN
- China
- Prior art keywords
- model
- network system
- fluid network
- simulation
- simulation model
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 93
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 93
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000013499 data model Methods 0.000 claims abstract description 11
- 238000012886 linear function Methods 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 22
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000005094 computer simulation Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 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
- 230000000704 physical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种流体网络系统的优化方法，包括：获取流体网络系统的管道流程图(110)；建立流体网络系统中各设备和母管的仿真模型，各设备和母管的仿真模型包括机理模型和数据模型(120)；根据各设备和母管的仿真模型以及管道流程图建立流体网络系统的仿真模型(130)；将仿真模型转换为线性方程组，对转换为线性方程组的仿真模型采用线性函数优化算法求解目标函数对应的关键参数，并根据关键参数运行流体网络系统(140)。还公开了一种流体网络系统的优化装置，一种电子设备以及一种计算机可读存储介质。
Description
本发明主要涉及能源管理领域，尤其涉及一种流体网络系统的优化方法及装置。
流体网络是连续性生产过程的简单抽象，广泛存在于发电、化工、水处理等行业中。在流体网络中，少数关键参数的变化将会影响整个流体网络系统状态的全面变化，从而对流体网络系统的能耗和环保性能带来显著影响，因此对少数关键参数的优化对提高整个流体网络系统的经济性能和环保性能至关重要。
现有技术中，对于流体网络中的各个设备单独建模，使用传递函数、微分方程等方法表示设备的输入输出特性，在单个设备的基础上搭建整个流体网络的模型，然后采用牛顿下山法等方法对流体网络系统的状态进行求解，利用优化算法对流体网络系统模型进行优化，获得最优参数，这种方法用户手动过程多，通用性差，模型复杂导致计算求解复杂，优化慢影响系统开发速度。
发明内容
为了解决上述技术问题，本发明提供一种流体网络系统的优化方法及装置，以提高流体网络系统的优化速度。
为实现上述目的，本发明提出了一种流体网络系统的优化方法，所述优化方法包括：获取所述流体网络系统的管道流程图；建立所述流体网络系统中各设备和母管的仿真模型，所述各设备和母管的仿真模型包括机理模型和数据模型；根据所述各设备和母管的仿真模型以及所述管道流程图建立所述流体网络系统的仿真模型；将仿真模型转换为线性方程组，对转换为线性方程组的仿真模型采用线性函数优化算法求解目标函数对应的关键参数，并根据所述关键参数运行所述流体网络系统。为此，本发明的实施例提供了一种流体网络系统的优化方法，建立了流体网络系统的仿真模型，并据此建立了通用优化模型，无需对每个问题单独设计优化算法，根据管道流程图自动识别拓扑结构建模，利用现有设备参数模型，无需手动输入模型拓扑结构及设备参数，并可以与平台中其他仿真、优化、故障诊断模块保持设备连接关系及性能的同步更新，将优化模型转换为线性模型，可以采用线性优化算法进行优化，提高了计算速度和优化效率。
在本发明的一实施例中，根据所述各设备和母管的仿真模型以及所述管道流程图建立所述流体网络系统的仿真模型包括：建立所述管道流程图的图形化模型，将所述图形化模型转换为结构化数据，根据所述结构化数据识别所述图形化模型的拓扑结构，采用所述各设备和母管的仿真模型以及所述拓扑结构建立所述流体网络系统的仿真模型。为此，可以将管道流程图自动转换为及其能够识别的拓扑结构，提高了优化的效率。
在本发明的一实施例中，将仿真模型转换为线性方程组包括：将所述仿真模型表达为基础模型，将所述基础模型离散化并定义离散变量，采用所述离散变量以线性方程组表达所述基础模型。为此，实现了将仿真模型转换为线性方程组，从而可以采用线性算法进行求解，降低了计算的复杂度，提高了优化的效率。
在本发明的一实施例中，所述目标函数为所述流体网络系统的综合能耗，所述关键参数包括所述母管的温度和压力，所述设备的功率和流量。为此，可以实现综合能耗的优化。
在本发明的一实施例中，采用混合整数线性规划算法求解目标函数对应的关键参数。为此，通过混合整数线性规划算法求解目标函数对应的关键参数，降低了计算的复杂度，提高了优化的效率。
本发明还提出一种流体网络系统的优化装置，所述优化装置包括：获取模块，获取流体网络系统的管道流程图；预建模模块，建立所述流体网络系统中各设备和母管的仿真模型，所述各设备和母管的仿真模型包括机理模型和数据模型；仿真建模模块，根据所述各设备和母管的仿真模型以及所述管道流程图建立所述流体网络系统的仿真模型；优化模块，将仿真模型转换为线性方程组，对转换为线性方程组的仿真模型采用线性函数优化算法求解目标函数对应的关键参数，并根据所述关键参数运行所述流体网络系统。
在本发明的一实施例中，根据所述各设备和母管的仿真模型以及所述管道流程图建立所述流体网络系统的仿真模型包括：建立所述管道流程图的图形化模型，将所述图形化模型转换为结构化数据，根据所述结构化数据识别所述图形化模型的拓扑结构，采用所述各设备和母管的仿真模型以及所述拓扑结构建立所述流体网络系统的仿真模型。
在本发明的一实施例中，将仿真模型转换为线性方程组包括：将所述仿真模型表达为基础模型，将所述基础模型离散化并定义离散变量，采用所述离散变量以线性方程组表达所述基础模型。
在本发明的一实施例中，所述目标函数为所述流体网络系统的综合能耗，所述关键参数包括所述母管的温度和压力，所述设备的功率和流量。
在本发明的一实施例中，采用混合整数线性规划算法求解目标函数对应的关键参数。
本发明还提出一种电子设备，包括处理器、存储器和存储在所述存储器中的指令，其 中所述指令被所述处理器执行时实现如上所述的方法。
本发明还提出一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在被运行时执行根如上所述的方法。
以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，
图1是根据本发明的一实施例的一种流体网络系统的优化方法的流程图；
图2是根据本发明的一实施例的一种流体网络系统的优化装置的示意图；
图3是根据本发明的一实施例的一种电子设备的示意图。
附图标记说明
100流体网络系统的优化方法
110-140步骤
200流体网络系统的优化装置
210获取模块
220预建模模块
230仿真建模模块
240优化模块
300电子设备
310处理器
320存储器
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
本发明提供一种流体网络系统的优化方法，图1是根据本发明的一实施例的一种流体 网络系统的优化方法100的流程图，如图1所示，优化方法100包括：
步骤110，获取流体网络系统的管道流程图。
流体网络系统可以被抽象化为由设备及母管(main pipe)两种对象组成。设备有介质的输入输出，或其中之一，输入输出的介质的物理性质，如温度、压力、流量等可能会发生变化；母管则表示可以忽略地理位置差异及传输损失的彼此联通的管道。在同一母管中，介质的温度、压力等状态量是相同的。如果管道由于管长、管径等因素导致两端的温度、压力不同，则这种管道在本发明的实施例中作为一种设备来处理。管道流程图表示流体网络系统中设备、母管之间的连接关系，管道流程图可以是PFD图(process flow diagram)或PID图(process instrumentation drawing)，PFD图或PID图可以从流体网络系统的现场获取。
步骤120，建立流体网络系统中各设备和母管的仿真模型，各设备和母管的仿真模型包括机理模型和数据模型。
可以利用历史大数据来建立流体网络系统中各设备和母管仿真模型，各设备和母管的仿真模型包括机理模型和数据模型。在本发明的实施例中，机理模型指的是根据流体网络系统的机理建立的系统模型，机理可以是物理或化学的变化规律，数据模型是现实世界数据特征的抽象，包括数据结构、数据操作和数据约束。通过机理模型和数据模型可以获取主导因素和特性曲线，这些主导因素和特性曲线将用于后续步骤的系统仿真建模。
步骤130，根据各设备和母管的仿真模型以及管道流程图建立流体网络系统的仿真模型。
对于流体网络系统，可以抽象为流体经过设备流入系统，经一系列设备进行性质转换后流出系统的模型，设备之间通过母管相互连接。对于母管，其关键状态参数包括温度T和压力P，对于设备，其关键状态参数包括功率w和流量G。其主要控制方程包括，
对于母管：
∑G
in+∑G
out＝0 (1)
对于设备：
ΔP＝P
out-P
in＝f
p(w，G，T，P，X) (2)
ΔT＝T
out-T
in＝f
T(w，G，T，P，X) (3)
W
in＝f
eff(w，G，T，P，X) (4)
其中，G
in和G
out表示母管的输入流量和输出流量，P
out和P
in表示设备的输出压力和输入压力，T
out和T
in表示设备输出温度和输入温度，W
in表示设备的输入功率，f
p、f
T、f
eff是ΔP、ΔT以及W
in与其他关键参数功率w，流量G，温度T和压力P之间的关系函数，X 表示其他相关变量。设备的输入输出P、T取决于其连接的输入输出母管。f
p、f
T、f
eff是可以由步骤120获得，即仿真模型或者大数据模型获得。联立上述方程(1)-(4)，并进行求解，可获取整个流体网络系统的状态，即流体网络系统的仿真模型。
在一些实施例中，根据各设备和母管的仿真模型以及管道流程图建立流体网络系统的仿真模型包括：建立管道流程图的图形化模型，将图形化模型转换为结构化数据，根据结构化数据识别图形化模型的拓扑结构，采用各设备和母管的仿真模型以及拓扑结构建立流体网络系统的仿真模型。例如，根据流体网络系统的PDF图或PID图绘制流体网络的图形化模型，图形化模型可以直观抽象地表示设备、管道之间的连接关系，再将图形化模型转换为XML和JSON格式，即为机器能够识别的拓扑结构。
步骤140，将仿真模型转换为线性方程组，对转换为线性方程组的仿真模型采用线性函数优化算法求解目标函数对应的关键参数，并根据关键参数运行流体网络系统。
在获得流体网络系统的仿真模型之后，将仿真模型中的方程组转换为线性方程组，设定目标函数，对转换为线性方程组的仿真模型采用线性函数优化算法求解目标函数对应的关键参数，即对流体网络系统进行优化，根据优化的关键参数运行流体网络系统。在一些实施例中，采用混合整数线性规划(MILP)算法求解目标函数对应的关键参数。
在一些实施例中，将仿真模型转换为线性方程组包括：将仿真模型表达为基础模型，将基础模型离散化并定义离散变量，采用离散变量以线性方程组表达基础模型。示例性地，在采用MILP优化求解器进行系统优化时，f
p、f
T需要进行局部线性化处理，处理方式如下：
对于典型的Y＝f(x
1,x
2,…x
n)模型来说，其基础模型为：
将其离散化，过程如下：
将Xi从最小值到最大值分为m
i份，记作x
i1～x
imi,
对于从1～n的所有Xi的取值做排列组合，共有s＝∏
nm
i种组合方式，对其利用详细模型进行计算，获得对应的s＝∏
nm
i个Y
0值，记作Y
0kk＝1～s,
对于任意的X＝x
1,x
2,…x
n，对于每一个x
i，可以表示为基准点x
ij和偏移量λ
ij*(x
ij+1-x
ij)的组合，即x
i＝x
ij+λij*(x
ij+1-x
ij)。
对于需要计算的Y＝f(X),可以将
离散化为
X
k＝∑
sX
k*δ
k k＝1～s (7)
其中，δ
j为整形变量，取值范围为0～1，λ
ij为连续变量，取值范围为0.0～1.0。
作为示例和说明，对于二元方程Z＝f(x，y)进行离散化过程如下：
步骤1，对于x和y的取值做排列组合，x有n个水平，y有m个水平，则向量(x,y)共有n*m种组合方式，如下表所示，对这n*m个向量用Z＝f(x，y)计算Z值，可得如下表格。
| X 0 | X 1 | X 2 | … | X n | |
| Y 0 | Z 00 | Z 10 | Z 20 | … | Z n0 |
| Y 1 | Z 01 | Z 11 | Z 21 | … | Z n1 |
| Y 2 | Z 02 | Z 12 | Z 22 | … | Z n2 |
| … | … | … | … | Z ij＝f(X i,Y j) | … |
| Y m | Z 0m | Z 1m | Z 2m | … | Z nm |
这时，当x在X0～Xn之间取值，y在Y0～Yn之间取值，忽略高次项，则Z＝f(x，y)可以表示为
其中i和j是最接近且小于x,y的离散X，Y编号。
步骤2，为了确定Δx
i定义0<λ1
i<1,(i＝0～n)令Δx
i＝λ1
i*(X
i+1-X
i)，为了确定Δy
i定义0<λ2
j<1,(j＝0～m)令Δx
ij＝λ2
j*(Y
j+1-Y
j)，如下表，
步骤3，为了确定i和j，定义离散变量δ
ij＝0或1，(i＝0～n,j＝0～m)，如下表，
| 0 | 1 | 2 | i | n | |
| 0 | δ 00 | δ 10 | δ 20 | … | δ n0 |
| 1 | δ 01 | δ 11 | δ 21 | … | δ n1 |
| 2 | δ 02 | δ 12 | δ 22 | … | δ n2 |
| j | … | … | … | δ ij | … |
| m | δ 0m | δ 1m | δ 2m | … | δ nm |
步骤4，借助以上变量，则z＝f(x,y)可以表示为线性方程：
Z＝∑Z
ij*δ
ij+∑λ
1i*(X
i+1-X
i)+∑λ
2j*(Y
i+1-Y
i)#(8)
步骤5，为了确保δ
ij、λ
1i、λ
2j的取值正常，忽略高次项后，引入下面两个方程：
x＝X
i+ΔX
i
y＝Y
j+ΔY
j
将其表示为通用的线性方程：
x＝∑X
i*δ
ij+∑λ
1i*(X
i+1-X
i)(i＝0～n，j＝0～m) (9)
y＝∑Y
j*δ
ij+∑λ
2j*(Y
j+1-Y
j)(i＝0～n，j＝0～m) (10)
步骤6，同时，添加约束：
∑δ
ij＝1(i＝0～n，j＝0～m) (11)
λ
1i-δ
ij≤0(i＝0～n，j＝0～m) (12)
λ
2j-δ
ij≤0(i＝0～n，j＝0～m) (13)
公式(11)是为了确保只有一个δ
ij可以为1，其余都为0，公式(12)和(13)是为了确保只有δ
ij对应的λ
1i和λ
2j可以>0，满足公式(8)-(13)的这一系列未知数δ
ij、λ
1i、λ
2j，就可以确保x，y，Z分别为设定的x，y，且Z＝f(x,y)，由此，我们可以将非线性二元方程Z＝f(x,y)转化为公式(8)-(13)这样一系列的线性方程，可以利用线性规划求解器进行求解。
本发明的实施例提供了一种流体网络系统的优化方法，建立了流体网络系统的仿真模 型，并据此建立了通用优化模型，无需对每个问题单独设计优化算法，根据管道流程图自动识别拓扑结构建模，利用现有设备参数模型，无需手动输入模型拓扑结构及设备参数，并可以与平台中其他仿真、优化、故障诊断模块保持设备连接关系及性能的同步更新，将优化模型转换为线性模型，可以采用线性优化算法进行优化，提高了计算速度和优化效率。
本发明还提供一种流体网络系统的优化装置，图2是根据本发明的一实施例的一种流体网络系统的优化装置200的示意图，如图2所示，优化装置200包括：
获取模块210，获取流体网络系统的管道流程图。
预建模模块220，建立流体网络系统中各设备和母管的仿真模型，各设备和母管的仿真模型包括机理模型和数据模型。
仿真建模模块230，根据各设备和母管的仿真模型以及管道流程图建立流体网络系统的仿真模型。
优化模块240，将仿真模型转换为线性方程组，对转换为线性方程组的仿真模型采用线性函数优化算法求解目标函数对应的关键参数，并根据关键参数运行流体网络系统。
在一些实施例中，根据各设备和母管的仿真模型以及管道流程图建立流体网络系统的仿真模型包括：建立管道流程图的图形化模型，将图形化模型转换为结构化数据，根据结构化数据识别图形化模型的拓扑结构，采用各设备和母管的仿真模型以及拓扑结构建立流体网络系统的仿真模型。
在一些实施例中，将仿真模型转换为线性方程组包括：将仿真模型表达为基础模型，将基础模型离散化并定义离散变量，采用离散变量以线性方程组表达基础模型。
在一些实施例中，目标函数为流体网络系统的综合能耗，关键参数包括母管的温度和压力，设备的功率和流量。
在一些实施例中，采用混合整数线性规划算法求解目标函数对应的关键参数。
本发明还提出一种电子设备300。图3是根据本发明的一实施例的一种电子设备300的示意图。如图3所示，电子设备300包括处理器310和存储器320，存储器320存储中存储有指令，其中指令被处理器310执行时实现如上文所述的方法100。
本发明还提出一种计算机可读存储介质，其上存储有计算机指令，计算机指令在被运行时执行如上文所述的方法100。
本发明的方法和装置的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、 现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本发明的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘(CD)、数字多功能盘(DVD)……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。
在此使用了流程图用来说明根据本申请的实施例的方法所执行的操作。应当理解的是，前面的操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，或将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合，均应属于本发明保护的范围。
Claims (12)
- 一种流体网络系统的优化方法(100)，其特征在于，所述优化方法(100)包括：获取所述流体网络系统的管道流程图(110)；建立所述流体网络系统中各设备和母管的仿真模型，所述各设备和母管的仿真模型包括机理模型和数据模型(120)；根据所述各设备和母管的仿真模型以及所述管道流程图建立所述流体网络系统的仿真模型(130)；将仿真模型转换为线性方程组，对转换为线性方程组的仿真模型采用线性函数优化算法求解目标函数对应的关键参数，并根据所述关键参数运行所述流体网络系统(140)。
- 根据权利要求1所述的优化方法(100)，其特征在于，根据所述各设备和母管的仿真模型以及所述管道流程图建立所述流体网络系统的仿真模型包括：建立所述管道流程图的图形化模型，将所述图形化模型转换为结构化数据，根据所述结构化数据识别所述图形化模型的拓扑结构，采用所述各设备和母管的仿真模型以及所述拓扑结构建立所述流体网络系统的仿真模型。
- 根据权利要求1所述的优化方法(100)，其特征在于，将仿真模型转换为线性方程组包括：将所述仿真模型表达为基础模型，将所述基础模型离散化并定义离散变量，采用所述离散变量以线性方程组表达所述基础模型。
- 根据权利要求1所述的优化方法(100)，其特征在于，所述目标函数为所述流体网络系统的综合能耗，所述关键参数包括所述母管的温度和压力，所述设备的功率和流量。
- 根据权利要求1所述的优化方法(100)，其特征在于，采用混合整数线性规划算法求解目标函数对应的关键参数。
- 一种流体网络系统的优化装置(200)，其特征在于，所述优化装置(200)包括：获取模块(210)，获取流体网络系统的管道流程图；预建模模块(220)，建立所述流体网络系统中各设备和母管的仿真模型，所述各设备和母管的仿真模型包括机理模型和数据模型；仿真建模模块(230)，根据所述各设备和母管的仿真模型以及所述管道流程图建立所述流体网络系统的仿真模型；优化模块(240)，将仿真模型转换为线性方程组，对转换为线性方程组的仿真模型采用线性函数优化算法求解目标函数对应的关键参数，并根据所述关键参数运行所述流体网络系统。
- 根据权利要求6所述的优化装置(200)，其特征在于，根据所述各设备和母管的仿真模型以及所述管道流程图建立所述流体网络系统的仿真模型包括：建立所述管道流程图的图形化模型，将所述图形化模型转换为结构化数据，根据所述结构化数据识别所述图形化模型的拓扑结构，采用所述各设备和母管的仿真模型以及所述拓扑结构建立所述流体网络系统的仿真模型。
- 根据权利要求6所述的优化装置(200)，其特征在于，将仿真模型转换为线性方程组包括：将所述仿真模型表达为基础模型，将所述基础模型离散化并定义离散变量，采用所述离散变量以线性方程组表达所述基础模型。
- 根据权利要求6所述的优化装置(200)，其特征在于，所述目标函数为所述流体网络系统的综合能耗，所述关键参数包括所述母管的温度和压力，所述设备的功率和流量。
- 根据权利要求6所述的优化装置(200)，其特征在于，采用混合整数线性规划算法求解目标函数对应的关键参数。
- 一种电子设备(300)，包括处理器(310)、存储器(320)和存储在所述存储器(320)中的指令，其中所述指令被所述处理器(310)执行时实现如权利要求1-5任一项所述的方法。
- 一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在被运行时执行根据权利要求1-5中任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2021/115756 WO2023028860A1 (zh) | 2021-08-31 | 2021-08-31 | 流体网络系统的优化方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117677949A true CN117677949A (zh) | 2024-03-08 |
Family
ID=85410680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180100817.4A Pending CN117677949A (zh) | 2021-08-31 | 2021-08-31 | 流体网络系统的优化方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117677949A (zh) |
| WO (1) | WO2023028860A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117543049A (zh) * | 2023-09-22 | 2024-02-09 | 寰泰储能科技股份有限公司 | 电极框分支流道电阻计算方法、装置和电子设备 |
| CN118153246B (zh) * | 2024-05-11 | 2024-07-19 | 浙江浙能智网科技有限公司 | 基于边缘计算的流体管网数据处理方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9576081B2 (en) * | 2013-05-30 | 2017-02-21 | International Business Machines Corporation | Pressurized water distribution network management |
| CN106647329B (zh) * | 2016-12-16 | 2023-04-07 | 中国电力科学研究院 | 一种供热管网等效建模方法 |
| CN109614677A (zh) * | 2018-11-29 | 2019-04-12 | 中广核工程有限公司 | 一种核电站流量系统流量分配试验调整方法和系统 |
| EP4024295A4 (en) * | 2019-09-30 | 2023-05-10 | Siemens Aktiengesellschaft | OPTIMIZATION METHOD AND DEVICE FOR INTEGRATED POWER SYSTEM AND COMPUTER READABLE STORAGE MEDIUM |
| US20220358268A1 (en) * | 2019-09-30 | 2022-11-10 | Siemens Aktiengesellschaft | Method and Apparatus for Simulating Integrated Energy System, and Computer-Readable Storage Medium |
| CN111222213B (zh) * | 2020-01-15 | 2021-08-03 | 许继集团有限公司 | 一种热力网络动态仿真方法及装置 |
-
2021
- 2021-08-31 CN CN202180100817.4A patent/CN117677949A/zh active Pending
- 2021-08-31 WO PCT/CN2021/115756 patent/WO2023028860A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023028860A1 (zh) | 2023-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Deep heterogeneous GRU model for predictive analytics in smart manufacturing: Application to tool wear prediction | |
| Li et al. | Multivariate ensembles-based hierarchical linkage strategy for system reliability evaluation of aeroengine cooling blades | |
| CN117677949A (zh) | 流体网络系统的优化方法及装置 | |
| CN107609141B (zh) | 一种对大规模可再生能源数据进行快速概率建模方法 | |
| Zheng et al. | Fault diagnosis system of bridge crane equipment based on fault tree and Bayesian network | |
| Yang et al. | Signed directed graph‐based hierarchical modelling and fault propagation analysis for large‐scale systems | |
| Ghoshchi et al. | Machine learning theory in building energy modeling and optimization: a bibliometric analysis | |
| CN114780909A (zh) | 基于物理信息神经网络的偏微分方程求解方法及系统 | |
| Liang et al. | Energy-saving optimization for spacing configurations of a pair of self-propelled AUV based on hull form uncertainty design | |
| CN115017808A (zh) | 一种基于改进蝴蝶算法优化hkelm的管道冲蚀预测方法 | |
| Tao et al. | A digital twin-based fault diagnostic method for subsea control systems | |
| Li et al. | Digital twin-driven focal modulation-based convolutional network for intelligent fault diagnosis | |
| Ashouri et al. | A transfer learning metamodel using artificial neural networks for natural convection flows in enclosures | |
| Qiu et al. | Denoising graph neural network based hydraulic component fault diagnosis method | |
| He et al. | A new distributed echo state network integrated with an auto-encoder for dynamic soft sensing | |
| Zhu et al. | Fast electrothermal coupling calculation method for supporting digital twin construction of electrical equipment | |
| CN102096740A (zh) | 基于贝叶斯网络的城市雨水管网可靠度演进建模方法 | |
| CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
| Ma et al. | Optimization-oriented online modeling for generators of absorption heat pump systems | |
| CN103970610A (zh) | 一种供水管网中节点流量的监控方法 | |
| Li et al. | Application of chaos and neural network in power load forecasting | |
| Uren et al. | State space model extraction of thermohydraulic systems–Part I: A linear graph approach | |
| WO2023245403A1 (zh) | 流体网络系统的优化方法及装置 | |
| CN109299725A (zh) | 一种基于张量链并行实现高阶主特征值分解的预测系统和装置 | |
| Zhang et al. | Fault diagnosis in reactor coolant pump with an automatic CNN-based mixed model |
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 |