CN117968143A - 一种供热系统的节能优化方法及系统 - Google Patents
一种供热系统的节能优化方法及系统 Download PDFInfo
- Publication number
- CN117968143A CN117968143A CN202410382487.8A CN202410382487A CN117968143A CN 117968143 A CN117968143 A CN 117968143A CN 202410382487 A CN202410382487 A CN 202410382487A CN 117968143 A CN117968143 A CN 117968143A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic valve
- data
- pipeline
- model
- prediction 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000010438 heat treatment Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004134 energy conservation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本申请涉及节能供热领域,尤其涉及一种供热系统的节能优化方法及系统,方法包括:获取任意一个电磁阀所在管道的上游管道上每个监测点的管道数据及管道数据序列;计算电磁阀开度预测的影响系数;对管道数据序列进行数据处理及筛选后得到筛选数据集;利用历史时刻中每一个电磁阀的筛选数据集构建第一预测模型,利用获取的电磁阀开度的历史数据构建第二预测模型;根据第一预测模型和第二预测模型得到融合网络模型,对融合网络模型进行训练后得到优化模型;获取电磁阀对应的实时管道数据,根据优化模型得到电磁阀开度的预测值,将电磁阀的开度调整至预测值,以进行供热系统的节能优化。本申请具有提高电磁阀开度预测准确性的效果。
Description
技术领域
本申请涉及节能供热领域,尤其涉及一种供热系统的节能优化方法及系统。
背景技术
现有的集中供热节能系统中,供热温度是指管网中的回路温度,回路温度对应供热对象的室内情况,而回路温度与管网的流量具有一一对应的关系,意味着在不同的流量条件下,供热温度会有所不同,以适应不同的热负荷需求,并且管网流量和管网中的电磁阀也具有一一对应的关系,通过精确控制电磁阀的开度,可以有效地调节流量,从而实现对供热温度的精细调控。如果电磁阀开度不合适,则会导致供热系统出现过热和过冷现象,不仅造成资源浪费且影响供热体验。
供热系统通常包括多个电磁阀,它们负责控制热水在不同区域的流动,这些电磁阀的开度会根据实时需求和预设的程序进行调整。然而,手动调整可能不够及时和精确,因此需要一个自动化的解决方案来优化这个过程。
通过收集和分析电磁阀的历史开度数据,机器学习算法可以识别出数据中的模式和趋势。然后利用学习到的知识,电磁阀开度预测的模型可以预测未来的电磁阀开度值。例如,如果模型发现某个时间段内电磁阀的开度通常会增大,那么它可能会预测在未来相同的时间段内,该电磁阀的开度也会增加。即通过各电磁阀的历史开度数据,预测下一时刻的电磁阀开度值,进而保证供热平衡,节能供热的目的。
由于供热系统是一个管道系统,整个供热系统中的管道是相互连接的,各个电磁阀的开度值也受与其相近管道的影响,如果不考虑附近的管道影响,开度预测效果不准确。
发明内容
为了提高电磁阀开度预测的准确性,本申请提供一种供热系统的节能优化方法及系统。
第一方面,本申请提供一种供热系统的节能优化方法,采用如下的技术方案:
一种供热系统的节能优化方法,包括步骤:获取任意一个电磁阀所在管道的上游管道上每个监测点的管道数据,管道数据包括管内流体的流量、压力及温度,将每个监测点的流量、压力及温度数据组成向量,将每个监测点对应的向量组成一个管道数据序列;计算电磁阀开度预测的影响系数;对管道数据序列进行数据降维后得到降维结果,对降维结果进行聚类,得到多个类别;对类别进行一次迭代分类,获取每个类别中影响系数的均值,按均值由大到小的顺序对类别进行排序,并对迭代次数进行编号,以编号为横坐标,迭代次数对应类别的影响系数均值作为纵坐标,构建曲线,对曲线进行高斯拟合得到高斯拟合函数;重复迭代分类,直至达到预设条件后停止迭代,得到分类结果并作为筛选数据集;利用历史时刻中每一个电磁阀的筛选数据集构建第一预测模型,利用获取的电磁阀开度的历史数据构建第二预测模型;根据第一预测模型和第二预测模型得到融合网络模型,对融合网络模型进行训练后得到优化模型;获取电磁阀对应的实时管道数据,根据优化模型得到电磁阀开度的预测值,将电磁阀的开度调整至预测值,以进行供热系统的节能优化。
可选的,所述对管道数据序列进行数据降维后得到降维结果,包括步骤:对管道数据序列利用标准化算法进行标准化;利用PCA算法获得管道数据序列对应的主成分方向,根据每个主成分方向对应的特征值由大到小将主成分方向进行排序。
可选的,根据第一预测模型和第二预测模型得到融合网络模型,融合网络模型包括:第一预测模型的隐藏层和第二预测模型的隐藏层、全连接层、输出层,第一预测模型的隐藏层和第二预测模型的隐藏层连接,第二预测模型的隐藏层与全连接层连接,全连接层与输出层连接。
可选的,第一预测模型为训练后的LSTM模型,第二预测模型为训练后的ESN模型。
可选的,聚类采用的聚类算法为K均值算法。
第二方面,本申请提供一种供热系统的节能优化系统,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据上述的供热系统的节能优化方法。
本申请具有以下技术效果:
1.通过第一预测模型和第二预测模型得到融合网络模型,通过融合网络模型将上游管道对各个电磁阀开度的影响与各个电磁阀历史变化规律结合,共同作用于各个电磁阀开度的预测,提高了预测结果的准确率和鲁棒性,并通过预测各个电磁阀开度值,提高供热系统的节能优化效果。
2.通过对上游管道的数据进行聚类及迭代分类以筛选数据,降低了融合网络模型输入的数据量,提高了融合网络模型的推理速度,减少因电磁阀调整不及时造成供热资源浪费的情况。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例一种供热系统的节能优化方案及系统的方法流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开一种供热系统的节能优化方法,参照图1,包括步骤S1-步骤S8,具体如下:
S1:获取任意一个电磁阀所在管道的上游管道上每个监测点的管道数据,管道数据包括管内流体的流量、压力及温度,将每个监测点的流量、压力及温度数据组成向量,将每个监测点对应的向量组成一个管道数据序列。
在管道上安装温度传感器、压力传感器和流量传感器,以获取检测点的流量、压力及温度等数据。获得第个管道的数据序列/>,/>,其中/>为监测点的个数,即:/>为第一个监测点处温度传感器,压力传感器,流量传感器等传感器采集数据组成的向量,/>为第二个监测点处温度传感器,压力传感器,流量传感器等传感器采集数据组成的向量,以此类推。
S2:计算电磁阀开度预测的影响系数。
将管道按照分叉点进行分段,其中两个管道的交汇点为分叉点,获取第个电磁阀上游管道的数据序列/>中第/>个传感器的传感器数据/>,按照流体流动方向,获取与/>相邻的上游传感器数据及相邻的下游传感器数据,计算上游的传感器数据及下游的传感器数据的多个差值,差值包括:上游的温度传感器的采集的温度数据与下游的温度传感器采集的温度数据的差值,上游的压力传感器的压力数据与下游的压力传感器的温度数据的差值,上游的流量传感器的流量数据与下游的流量传感器的流量数据的差值。
计算各个差值与对应数据的比值,取比值的均值,记为/>。例如:/>的温度传感器数据值与/>的温度传感器数据值做差,/>的温度传感器数据值与/>的温度传感器数据值做差,得到两个差值,计算两个差值分别与/>的温度传感器数据值的比值,同理对其他传感器的采集数据进行计算,得到多个比值,将所有比值取均值就是/>。
获得第个电磁阀与第/>个监测点之间的最短路径值,记为/>,获取第/>个电磁阀与管道起点的最短路径值,最短路径值表示流体沿管道流动的最短路线的长度值。
计算影响系数,计算公式为:,其中,/>表示第/>个电磁阀对应的第/>个监测点的影响系数,/>表示第/>个电磁阀与第/>个监测点之间的最短路径值,/>表示第/>个电磁阀与管道起点的最短路径值。/>的取值越小,/>越大,代表第/>个监测点的/>对第/>个电磁阀的开度预测的影响越大。
当监测点之间的距离过近或者监测点距离需要进行开度预测的电磁阀的距离过远,这些监测点对应的传感器检数据可能为冗余或者不必要(对预测结果影响过小)的数据。
表示第/>个电磁阀对应的第/>个监测点的管道数据变化值均值。/>越小,第/>个监测点的/>对第/>个电磁阀开度预测的影响越小,越有可能是冗余数据。
S3:对管道数据序列进行数据降维后得到降维结果,对降维结果进行聚类,得到多个类别。
在后续需要利用上游管道数据进行电磁阀开度预测,输入多组数据的数据长度应当一致,由于不同电磁阀的上游管道数据量不同,所以的长度不同,不能直接利用/>进行后续的模型训练。
为了使数据长度保持一致,现有技术是通过填充算法,对空缺的数据进行填充,以使数据长度保持一致,具有最大值/>为管道长度,使其他电磁阀对应的数据序列的长度与管道长度相同,但是上述方法虽然保证的数据长度一致,但是整个训练模型的计算量过大,训练和预测推理时的效率较低,所以需要对/>进行数据处理及筛选。
对管道数据序列利用标准化算法进行标准化后,利用PCA(PrincipalComponent Analysis,主成分分析)算法获得管道数据序列对应的主成分方向,根据每个主成分方向对应的特征值由大到小将主成分方向进行排序。
标准化算法是一种能够调整数据集中的数值,使之符合标准正态分布的算法。核心目的是确保每个特征或变量的均值为0,标准差为1,以统一量纲。
PCA算法是一种常用的数据分析方法,主要用于数据的降维处理。通过线性变换将一组可能存在相关性的变量转换为一组线性无关的变量,这些新的变量被称为主成分。这种方法能够在尽可能保留原有数据信息的前提下,减少数据的维度,从而简化后续的数据分析过程。
对利用标准化算法,将同一个传感器数据进行标准化,对标准化后的数据利用PCA算法获取/>对应的主成分方向,其中共可以得到/>个主成分方向,/>为每一个监测点的传感器类型个数,按照各个主成分方向对应特征值的大小进行排序,将最大的特征值对应主成分向量定义为第一主成分方向,将仅小于最大特征值的特征值对应主成分向量定义为第二主成分方向,依次类推。
设定每一个电磁阀对应的上游管道所保留的监测点个数为个,每一个投影数据包含前/>个主成分方向上的投影值,以对数据进行降维,对降维后的数据进行合并,保证第个电磁阀的上游管道数据存在/>个投影数据。
利用聚类算法对在前/>个主成分方向上投影后的数据/>(降维后的数据)进行分类,聚类算法采用的聚类算法为K均值算法。
S4:对类别进行一次迭代分类,获取每个类别中影响系数的均值,按均值由大到小的顺序对类别进行排序,并对迭代次数进行编号,以编号为横坐标,迭代次数对应类别的影响系数均值作为纵坐标,构建曲线,对曲线进行高斯拟合得到高斯拟合函数。
在K均值算法中,字母代表的是预设的簇的数量,即分类的个数,将/>中数据近似的分为同一类别后,需要确定/>的取值,具体的方法为:预设的/>个簇中可能会包含有低影响系数的数据,这些数据是不需要的,所以需要对分类的个数进行迭代,以得到合适的分类数量。
具体地,获取每一次迭代的分类结果,获取每个分类中数据的影响系数均值,即值的均值,对每次迭代中的所有影响系数均值按照从大到小的顺序进行排序,横坐标为1到当前的迭代次数(序号值),纵坐标为当前迭代次数对应类别中/>值的均值。
S5:重复迭代分类,直至达到预设条件后停止迭代,得到分类结果并作为筛选数据集。
获取第次迭代的曲线数据/>,对/>进行单高斯拟合,单高斯拟合为现有技术,在此不做赘述。得到对应的高斯拟合函数,获取高斯拟合函数3倍标准差对应的序号值M,3倍标准差包含了高斯拟合的大部分信息,多次迭代分类后的分类结果中簇的个数为R。当M=时,停止迭代。
获取停止分类迭代时的分类结果,即R个簇,对所有分类结果按照值的均值由大到小进行排序,取前M个簇的中心数据为合并后的数据/>,合并后的数据即为降维后的单个监测点的数据,以完成对/>进行数据处理及筛选,得到由/>组成的筛选数据集。
为一个/>行/>列的数据,/>列表示降维后的数据维度,/>行表示合并后的数据个数。
在利用K均值算法进行分类时,将中任意两个数据之间的欧式距离值与两个数据之间/>的最小值相乘,得到新的分类标准用于对/>分类,以保证在分类时不仅是数据上的值近似,也保证能够尽可能保留有效的高/>值均值的类别。
S6:利用历史时刻中每一个电磁阀的筛选数据集构建第一预测模型,利用获取的电磁阀开度的历史数据构建第二预测模型。
第一预测模型为训练后的LSTM(Long Short-Term Memory,长短期记忆)模型。在得到每一个电磁阀的后,将历史时刻中每一个电磁阀的/>作为第一训练集,电磁阀的开度作为标签数据,将第一训练集输入至LSTM模型中进行模型训练,在一个实施例中,实施者可更换其他网络模型替换LSTM模型,选用均方差损失函数进行网络训练,具体训练过程为公知内容,本方案不再赘述。
第二预测模型为训练后的ESN模型(Echo State Network,回声状态网络),将每一个电磁阀的开度的历史数据作为第二训练集,每一个电磁阀对应的开度作为标签数据,将第二训练集输入至ESN模型中进行模型训练,在一个实施例中,实施者可更换其他网络模型替换ESN模型,选用均方差损失函数进行网络训练,具体训练过程为公知内容,本方案不再赘述。
S7:根据第一预测模型和第二预测模型得到融合网络模型,对融合网络模型进行训练后得到优化模型。
融合网络模型包括:第一预测模型的隐藏层和第二预测模型的隐藏层、全连接层、输出层,第一预测模型的隐藏层和第二预测模型的隐藏层连接,第二预测模型的隐藏层与全连接层连接,全连接层与输出层连接。
将第一训练集和第二训练集输入到融合网络模型中进行模型训练,选用均方差损失函数进行网络训练,具体训练过程为公知内容,本方案不再赘述,进而完成融合网络模型的训练,得到最优模型。
S8:获取电磁阀对应的实时管道数据,根据优化模型得到电磁阀开度的预测值,将电磁阀的开度调整至预测值,以进行供热系统的节能优化。
采集当前时刻及之前时刻的第个电磁阀的开度及上游管道监测点的数据,输入到优化模型中,输出下一时刻第/>个电磁阀开度的预测值,将电磁阀的开度调整到预测值,以进行供热系统的节能优化。
本申请实施例还公开一种供热系统的节能优化系统,包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本申请的供热系统的节能优化方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本申请的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中,可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (6)
1.一种供热系统的节能优化方法,其特征在于,包括步骤:
获取任意一个电磁阀所在管道的上游管道上每个监测点的管道数据,管道数据包括管内流体的流量、压力及温度,将每个监测点的流量、压力及温度数据组成向量,将每个监测点对应的向量组成一个管道数据序列;
计算电磁阀开度预测的影响系数,影响系数的计算公式为:,其中,/>表示第/>个电磁阀对应的第/>个监测点的影响系数,/>表示第/>个电磁阀与第/>个监测点之间的最短路径值,/>表示第/>个电磁阀与管道起点的最短路径值,/>表示第/>个电磁阀对应的第/>个监测点的管道数据变化值均值;
对管道数据序列进行数据降维后得到降维结果,对降维结果进行聚类,得到多个类别;
对类别进行一次迭代分类,获取每个类别中影响系数的均值,按均值由大到小的顺序对类别进行排序,并对迭代次数进行编号,以编号为横坐标,迭代次数对应类别的影响系数均值作为纵坐标,构建曲线,对曲线进行高斯拟合得到高斯拟合函数;
重复迭代分类,直至达到预设条件后停止迭代,得到分类结果并作为筛选数据集;
利用历史时刻中每一个电磁阀的筛选数据集构建第一预测模型,利用获取的电磁阀开度的历史数据构建第二预测模型;
根据第一预测模型和第二预测模型得到融合网络模型,对融合网络模型进行训练后得到优化模型;
获取电磁阀对应的实时管道数据,根据优化模型得到电磁阀开度的预测值,将电磁阀的开度调整至预测值,以进行供热系统的节能优化。
2.根据权利要求1所述的供热系统的节能优化方法,其特征在于,对管道数据序列进行数据降维后得到降维结果,包括步骤:
对管道数据序列利用标准化算法进行标准化;
利用PCA算法获得管道数据序列对应的主成分方向,根据每个主成分方向对应的特征值由大到小将主成分方向进行排序。
3.根据权利要求1所述的供热系统的节能优化方法,其特征在于,:
根据第一预测模型和第二预测模型得到融合网络模型,融合网络模型包括:第一预测模型的隐藏层和第二预测模型的隐藏层、全连接层、输出层,第一预测模型的隐藏层和第二预测模型的隐藏层连接,第二预测模型的隐藏层与全连接层连接,全连接层与输出层连接。
4.根据权利要求1所述的供热系统的节能优化方法,其特征在于,第一预测模型为训练后的LSTM模型,第二预测模型为训练后的ESN模型。
5.根据权利要求1-4任一项所述的供热系统的节能优化方法,其特征在于,聚类采用的聚类算法为K均值算法。
6.一种供热系统的节能优化系统,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-5任一项所述的供热系统的节能优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410382487.8A CN117968143A (zh) | 2024-04-01 | 2024-04-01 | 一种供热系统的节能优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410382487.8A CN117968143A (zh) | 2024-04-01 | 2024-04-01 | 一种供热系统的节能优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117968143A true CN117968143A (zh) | 2024-05-03 |
Family
ID=90864952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410382487.8A Pending CN117968143A (zh) | 2024-04-01 | 2024-04-01 | 一种供热系统的节能优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117968143A (zh) |
-
2024
- 2024-04-01 CN CN202410382487.8A patent/CN117968143A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
Wang et al. | Evaluation of operation performance of a multi-chiller system using a data-based chiller model | |
CN111561734A (zh) | 基于人工智能的供暖户阀调节方法、系统及设备 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN110083910B (zh) | 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法 | |
CN111476439B (zh) | 基于灰色时间序列的供暖户阀调节方法、系统及设备 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN111626003B (zh) | 一种供暖系统热负荷分层预测方法、存储介质及预测设备 | |
CN111191725A (zh) | 一种基于pca数据处理的rbf故障诊断方法、系统、终端及计算机存储介质 | |
CN111366291B (zh) | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 | |
CN113587172A (zh) | 供水温度延迟时间预测方法、装置及电子设备 | |
CN115186857A (zh) | 一种基于集成学习的神经网络水库水位预测方法 | |
CN110298385B (zh) | 一种基于㶲信息与增量svdd在线早期故障检测方法 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
KR20110034288A (ko) | 중수로 압력관 반경방향 크립 예측 방법 | |
CN113486950A (zh) | 一种智能管网漏水检测方法及系统 | |
CN117968143A (zh) | 一种供热系统的节能优化方法及系统 | |
CN115807956A (zh) | 一种热力站阀门开度的控制方法及装置 | |
CN110543108B (zh) | 基于机理模型预测的供热系统测量数据的校正方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
Stoffel et al. | Cloud-based optimal control of individual borehole heat exchangers in a geothermal field | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN115759422A (zh) | 供暖热负荷预测方法、系统、设备和介质 | |
Wang et al. | Switching local search particle filtering for heat exchanger degradation prognosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |