CN117708543A - 一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统 - Google Patents
一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统 Download PDFInfo
- Publication number
- CN117708543A CN117708543A CN202311826831.XA CN202311826831A CN117708543A CN 117708543 A CN117708543 A CN 117708543A CN 202311826831 A CN202311826831 A CN 202311826831A CN 117708543 A CN117708543 A CN 117708543A
- Authority
- CN
- China
- Prior art keywords
- electric heating
- heating boiler
- electric
- boiler
- load
- 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
- 238000005485 electric heating Methods 0.000 title claims abstract description 97
- 238000010438 heat treatment Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000012546 transfer Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明涉及电力系统技术领域,具体而言,涉及一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统,该方法的步骤包括:获取电采暖锅炉的实时运行数据;构建热力学模型,通过热力学模型对每个电采暖锅炉的实时运行数据进行评估,以获取各个电采暖锅炉的指标数据;基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,结合异常分析结果对预设的电力负荷预测模型参数进行优化,完成电采暖锅炉的电力负荷精确预测。
Description
技术领域
本发明涉及电力系统技术领域,具体而言,涉及一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统。
背景技术
随着全球能源结构的转型和对环境保护的重视,电采暖锅炉作为一种清洁、高效的供暖方式,逐渐成为替代传统燃煤、燃气锅炉的重要选择。就目前而言,现有的电采暖锅炉主要集中在利用智能控制系统来优化电采暖锅炉的运行,以及尝试通过不同程度的数据分析来改善电网负荷管理。这些技术通常采用静态的负荷预测模型,依赖历史数据和经验规则来调整电采暖系统的负荷,缺乏实时性和动态适应能力,且不具有针对单个设备的差异性。基于此,针对上述问题,我们设计了一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统。
发明内容
本发明的目的在于提供一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统,其通过结合实时监测数据和热力学模型,能够更准确地反映实际的能源使用情况和供热效率,从而提高负荷预测的准确性,并降低了对大量历史数据的依赖,提升了模型训练的效率。
本发明的实施例通过以下技术方案实现:
一种电采暖锅炉集中供暖的电力负荷精确预测方法,该方法的步骤包括:
获取电采暖锅炉的实时运行数据;
构建热力学模型,通过热力学模型对每个电采暖锅炉的实时运行数据进行评估,以获取各个电采暖锅炉的指标数据;
基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,结合异常分析结果对预设的电力负荷预测模型参数进行优化,完成电采暖锅炉的电力负荷精确预测。
可选的,所述获取电采暖锅炉的实时运行数据,具体为:在各个电采暖锅炉的相应区域安装传感器模块,以获取电采暖锅炉的实时运行数据。
可选的,所述传感器模块包括:温度传感器、流量传感器及电量传感器;所述温度传感器用于测量电采暖锅炉进出水管路的温度,流量传感器用于测量电采暖锅炉的通过水流量,电量传感器用于测量电采暖锅炉的电量。
可选的,所述构建热力学模型,其计算公式为:
其中,Qin(t)是时间t时刻的累积热能输入,Pinput(t)是时间t时刻的电功率,Qtrans(t)是时间t时刻的累积热能转移,是时间t时刻的水流量,cp是水的比热容,Tout(t)和Tin(t)分别是时间t时刻的出水和回水温度,Qtoss(t)是时间t时刻的累积热能损失,Treturn(t)是返回锅炉的水温,Qenvironment(t)是由于环境因素导致的热能损失。
可选的,所述各个电采暖锅炉的指标数据包括:电采暖锅炉的热效率、热损失率及供暖效率。
可选的,所述电采暖锅炉的热效率为:
其中,η为热效率,Qtrans为累积热能转移,Qin为累积热能输入。
可选的,所述热损失率为:
其中,σ为热损失率,Qloss为累积热能损失,Qtrans为累积热能转移。
可选的,所述供暖效率为:
其中,ω为供暖效率。
可选的,所述基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,所述异常分析的计算过程为:
Peachability-Distancek(A,B)=max(K-Distance(B),dist(A,B))
其中,A和B是数据集中的两个点,dist(A,B)是它们之间的距离,K-Distance(B)是点B到其第k个最近邻的距离,Nk(A)是点A的k个最近邻的集合,|Nk(A)|是邻居的数量,Reachability-Distancek(A,B)为A、B两点的可达距离,LRDk(A)为点A的局部可达密度,LOFk(A)为点A的局部异常因子。
一种电采暖锅炉集中供暖的电力负荷精确预测系统,包括:
获取单元,获取电采暖锅炉的实时运行数据;
评估单元,构建热力学模型,通过热力学模型对每个电采暖锅炉的实时运行数据进行评估,以获取各个电采暖锅炉的指标数据;
分析单元,基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,结合异常分析结果对预设的电力负荷预测模型参数进行优化,完成电采暖锅炉的电力负荷精确预测。
本发明实施例的技术方案至少具有如下优点和有益效果:
本发明实施例通过结合实时监测数据和热力学模型,能够更准确地反映实际的能源使用情况和供热效率,从而提高负荷预测的准确性,并降低了对大量历史数据的依赖,提升了模型训练的效率。
附图说明
图1为本发明实施例提供的一种电采暖锅炉集中供暖的电力负荷精确预测方法的逻辑示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,本发明提供了其中一种实施例:一种电采暖锅炉集中供暖的电力负荷精确预测方法,该方法的步骤包括:
获取电采暖锅炉的实时运行数据;
构建热力学模型,通过热力学模型对每个电采暖锅炉的实时运行数据进行评估,以获取各个电采暖锅炉的指标数据;
基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,结合异常分析结果对预设的电力负荷预测模型参数进行优化,完成电采暖锅炉的电力负荷精确预测。
在本实施例中,所述获取电采暖锅炉的实时运行数据,具体为:在各个电采暖锅炉的相应区域安装传感器模块,以获取电采暖锅炉的实时运行数据。
具体的,所述传感器模块包括:温度传感器、流量传感器及电量传感器;所述温度传感器用于测量电采暖锅炉进出水管路的温度,流量传感器用于测量电采暖锅炉的通过水流量,电量传感器用于测量电采暖锅炉的电量。
实施中,首先,通过安装在每个电采暖锅炉上的传感器来获取关键的运行数据。这些数据包括锅炉的出水温度、回水温度、水流量、环境温度和电量消耗。这些传感器需要能够实时监测并传输数据,确保数据的准确性和及时性。例如,温度传感器可以安装在锅炉的进出水管路上,流量传感器用于测量通过锅炉的水流量,而电量消耗则通过电表或类似的装置进行测量。收集到的数据将为后续的分析和建模提供基础。
在本实施例中,建立描述电采暖锅炉热效率和供热系统热损失的热力学模型。这个模型基于微分方程,结合能量守恒原理和热传递理论。模型需要考虑锅炉内热能的转换过程(从电能到热能),以及热能在供热系统中的传递和损失。热力学模型如下:
锅炉能量输入:
炉到供热系统的热能转移:
系统的热能损失:
综合能量平衡微分方程:
其中,Qin(t)是时间t时刻的累积热能输入,Pinput(t)是时间t时刻的电功率,Qtrans(t)是时间t时刻的累积热能转移,是时间t时刻的水流量,cp是水的比热容,Tout(t)和Tin(t)分别是时间t时刻的出水和回水温度,Qloss(t)是时间t时刻的累积热能损失,Treturn(t)是返回锅炉的水温,Qenvironment(t)是由于环境因素导致的热能损失。此方程描述了锅炉系统中热能的动态转换和损失过程。通过对该方程进行分析和求解,可以得到关于锅炉运行状态的重要信息,如热效率和热损失,这对于精准地评估和管理电采暖锅炉至关重要。
进一步的,所述各个电采暖锅炉的指标数据包括:电采暖锅炉的热效率、热损失率及供暖效率。
用建立的热力学模型和实时收集的传感器数据,对每个电采暖锅炉的运行参数进行评估。这包括锅炉的热效率、供热量、能源消耗等关键指标。这一步骤通过对实际运行数据与模型预测数据的比较,可以识别出锅炉的性能偏差,如热效率下降、热损失过大等问题。这对于及时维护和优化锅炉运行至关重要。其中可以获得的参数包括且不限于电采暖锅炉的热效率、热损失率及供暖效率。
具体的,所述电采暖锅炉的热效率为:
其中,η为热效率,Qtrans为累积热能转移,Qin为累积热能输入。
具体的,所述热损失率为:
其中,σ为热损失率,Qloss为累积热能损失,Qtrans为累积热能转移。
具体的,所述供暖效率为:
其中,ω为供暖效率。
在本实施例中,对收集到的大规模设备数据进行深入分析,特别是利用人工智能算法进行异常检测。通过这种分析,可以识别出个别锅炉的异常运行模式,如效率异常下降、能耗异常升高等。这不仅有助于及时发现并解决单个设备的问题,也为优化整个供暖系统的运行提供了依据,因此本实施例基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,所述异常分析的计算过程为:
Reachability-Distancek(A,B)=max(K-Distance(B),dist(A,B))
其中,A和B是数据集中的两个点,dist(A,B)是它们之间的距离,K-Distance(B)是点B到其第k个最近邻的距离,Nk(A)是点A的k个最近邻的集合,|Nk(A)|是邻居的数量,Reachability-Distancek(A,B)为A、B两点的可达距离,LRDk(A)为点A的局部可达密度,LOFk(A)为点A的局部异常因子,它是点A的邻居的局部可达密度与A自己的局部可达密度之比的平均值。
通过计算每个锅炉数据点的LOF值,可以识别出那些在局部密度上显著偏离其他点的异常锅炉。一个较高的LOF值表明该锅炉在运行参数上与周围锅炉显著不同,可能需要进一步的检查和维护。
最后,结合从热力学模型和人工智能分析中获得的参数,进行更加精确的未来负荷预测。这一步骤不仅基于历史数据,还考虑了实时的设备性能和环境变化,从而使得预测更加精确和适应实际情况。这种预测对于电网运营者来说至关重要,可以帮助他们更好地规划电网的负荷分配和能源供应。即该人工智能模型,包括且不限于经网络,可以接收历史温度、锅炉参数(上面评估的),天气预报数据,从而进行更加准确的负荷估计。这种精确的负荷估计在的电网负荷管理中起到重要作用。
实施例2
一种电采暖锅炉集中供暖的电力负荷精确预测系统,包括:
获取单元,获取电采暖锅炉的实时运行数据;
评估单元,构建热力学模型,通过热力学模型对每个电采暖锅炉的实时运行数据进行评估,以获取各个电采暖锅炉的指标数据;
分析单元,基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,结合异常分析结果对预设的电力负荷预测模型参数进行优化,完成电采暖锅炉的电力负荷精确预测。
本实施例所提供一种电采暖锅炉集中供暖的电力负荷精确预测系统与上述实施例所提供的一种电采暖锅炉集中供暖的电力负荷精确预测方法出于相同的发明构思,关于本发明实施例中各个模块更加具体的工作原理参考上述实施例,在本发明实施例中不做赘述。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电采暖锅炉集中供暖的电力负荷精确预测方法,其特征在于,该方法的步骤包括:
获取电采暖锅炉的实时运行数据;
构建热力学模型,通过热力学模型对每个电采暖锅炉的实时运行数据进行评估,以获取各个电采暖锅炉的指标数据;
基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,结合异常分析结果对预设的电力负荷预测模型参数进行优化,完成电采暖锅炉的电力负荷精确预测。
2.根据权利要求1所述的电采暖锅炉集中供暖的电力负荷精确预测方法,其特征在于,所述获取电采暖锅炉的实时运行数据,具体为:在各个电采暖锅炉的相应区域安装传感器模块,以获取电采暖锅炉的实时运行数据。
3.根据权利要求2所述的电采暖锅炉集中供暖的电力负荷精确预测方法,其特征在于,所述传感器模块包括:温度传感器、流量传感器及电量传感器;所述温度传感器用于测量电采暖锅炉进出水管路的温度,流量传感器用于测量电采暖锅炉的通过水流量,电量传感器用于测量电采暖锅炉的电量。
4.根据权利要求1所述的电采暖锅炉集中供暖的电力负荷精确预测方法,其特征在于,所述构建热力学模型,其计算公式为:
其中,Qin(t)是时间t时刻的累积热能输入,Pinput(t)是时间t时刻的电功率,Qtrust(t)是时间t时刻的累积热能转移,是时间t时刻的水流量,cp是水的比热容,Tout(t)和Tin(t)分别是时间t时刻的出水和回水温度,Qloss(t)是时间t时刻的累积热能损失,Treturn(t)是返回锅炉的水温,Qenvironment(t)是由于环境因素导致的热能损失。
5.根据权利要求4所述的电采暖锅炉集中供暖的电力负荷精确预测方法,其特征在于,所述各个电采暖锅炉的指标数据包括:电采暖锅炉的热效率、热损失率及供暖效率。
6.根据权利要求5所述的电采暖锅炉集中供暖的电力负荷精确预测方法,其特征在于,所述电采暖锅炉的热效率为:
其中,η为热效率,Qtrans为累积热能转移,Qin为累积热能输入。
7.根据权利要求6所述的电采暖锅炉集中供暖的电力负荷精确预测方法,其特征在于,所述热损失率为:
其中,σ为热损失率,Qloss为累积热能损失,Qtrans为累积热能转移。
8.根据权利要求7所述的电采暖锅炉集中供暖的电力负荷精确预测方法,其特征在于,所述供暖效率为:
其中,ω为供暖效率。
9.根据权利要求1所述的电采暖锅炉集中供暖的电力负荷精确预测方法,其特征在于,所述基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,所述异常分析的计算过程为:
Reachability-Distancek(A,B)=max(K-Distance(B),dist(A,B))
其中,A和B是数据集中的两个点,dist(A,B)是它们之间的距离,κ-Distance(B)是点B到其第k个最近邻的距离,Nk(A)是点A的k个最近邻的集合,|Nk(A)|是邻居的数量,Reachability-Distancek(A,B)为A、B两点的可达距离,LRDk(A)为点A的局部可达密度,LOFk(A)为点A的局部异常因子。
10.一种电采暖锅炉集中供暖的电力负荷精确预测系统,其特征在于,包括:
获取单元,获取电采暖锅炉的实时运行数据;
评估单元,构建热力学模型,通过热力学模型对每个电采暖锅炉的实时运行数据进行评估,以获取各个电采暖锅炉的指标数据;
分析单元,基于LOF算法对各个电采暖锅炉的指标数据进行异常分析,结合异常分析结果对预设的电力负荷预测模型参数进行优化,完成电采暖锅炉的电力负荷精确预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311826831.XA CN117708543A (zh) | 2023-12-27 | 2023-12-27 | 一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311826831.XA CN117708543A (zh) | 2023-12-27 | 2023-12-27 | 一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117708543A true CN117708543A (zh) | 2024-03-15 |
Family
ID=90151562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311826831.XA Pending CN117708543A (zh) | 2023-12-27 | 2023-12-27 | 一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708543A (zh) |
-
2023
- 2023-12-27 CN CN202311826831.XA patent/CN117708543A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108700851B (zh) | 用于预测能量消耗的系统、方法和基于云的平台 | |
CN108875719B (zh) | 基于深度学习与红外图像识别的空冷器积灰状态感知系统与计算方法 | |
AU2014256585B2 (en) | Monitoring system | |
US20180196901A1 (en) | Estimation of soiling losses for photovoltaic systems from measured and modeled inputs | |
CN109084613B (zh) | 基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统及其调控方法 | |
CN112836941A (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
CN112671831A (zh) | 一种面向大型集团公司数字化智能供热平台的多级应用系统 | |
CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
CN110880055A (zh) | 楼宇智能电表系统 | |
CN116519054A (zh) | 一种热力站设备健康状态监测系统及方法 | |
Ruliandi | Geothermal power plant system performance prediction using artificial neural networks | |
Liu et al. | A smart and transparent district heating mode based on industrial Internet of things | |
CN113486950A (zh) | 一种智能管网漏水检测方法及系统 | |
CN117708543A (zh) | 一种电采暖锅炉集中供暖的电力负荷精确预测方法及系统 | |
CN110455370A (zh) | 防汛抗旱远程遥测显示系统 | |
CN112798318B (zh) | 一种湿冷机组冷端性能监测及智能诊断系统 | |
Agostinelli et al. | MACHINE LEARNING APPROACH FOR PREDICTIVE MAINTENANCE IN AN ADVANCED BUILDING MANAGEMENT SYSTEM | |
CN112328590B (zh) | 一种热力设备运行数据深度清洗方法 | |
CN114202096A (zh) | 风电机组水冷系统温度异常预警 | |
CN113110356A (zh) | 一种低温热系统的智能优化控制装备 | |
CN108876078B (zh) | 计算耗能系统性能的改善策略的方法和耗能系统监控装置 | |
Ogliari et al. | Machine Learning methods for clustering and day-ahead thermal load forecasting of an existing District Heating | |
Al Koussa et al. | Fault detection in district heating substations: A cluster-based and an instance-based approach | |
CN109670243A (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
CN117968431B (zh) | 燃煤电厂烟气余热回收控制方法及装置 |
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 |