CN111503718B - 基于多因素影响的热电联产供热负荷预测方法及供热*** - Google Patents
基于多因素影响的热电联产供热负荷预测方法及供热*** Download PDFInfo
- Publication number
- CN111503718B CN111503718B CN202010158700.9A CN202010158700A CN111503718B CN 111503718 B CN111503718 B CN 111503718B CN 202010158700 A CN202010158700 A CN 202010158700A CN 111503718 B CN111503718 B CN 111503718B
- Authority
- CN
- China
- Prior art keywords
- heat
- heating
- load
- data set
- heating period
- 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.)
- Active
Links
Images
Classifications
-
- 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
- F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
- F24D19/1048—Counting of energy consumption
-
- 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
- F24D11/00—Central heating systems using heat accumulated in storage masses
- F24D11/002—Central heating systems using heat accumulated in storage masses water heating system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于多因素影响的热电联产供热负荷预测方法及供热***,属于集中供热技术领域,供热***包括热电机组、热网首站、蓄热***、热网循环水泵、蓄热循环泵、放热循环泵、电动调节阀门、物联网流量计、物联网温度仪、物联网压力仪和q个热力站,q≥2,通过综合考虑气象参数、管网特征和建筑物特性等因素影响,建立未来某一天的远期热负荷预测模型和实时供热负荷调节的近期热负荷预测模型,一方面实现合理安排热电联产机组的运行工况,实现热源侧机组的电、热负荷高效调节,另一方面实现热网侧供热的精准运行调节,有效满足热用户的采暖需求,从而有效解决供热***热源侧与热网侧的电、热负荷不匹配,达到热网侧精准供热和热源侧高效调峰。
Description
技术领域
本发明涉及集中供热技术领域,具体涉及一种基于多因素影响的热电联产供热负荷预测方法及供热***。
背景技术
集中供热***是城市的基础设施之一,也是城市的现代化水平标志之一。集中供热事业在我国快速发展,截止2016年底,我国集中供暖面积约70亿平方米,其中热电联产集中供暖面积约35亿平方米,集中供热***的高质量发展,直接关系到城市的现代化建设、人民生活水平的提升。针对热电联产集中供热***来说,不仅肩负着热网侧的供热需求,也肩负着电网的发电调度要求。由于热电联产机组的电力调峰能力很小,无法及时响应电网侧的电力调峰,特别是热网侧的热负荷处于频繁波动状态,这给热电联产机组响应电网的发电调度要求带来了极大的挑战,例如2015年全国电网中仅弃风电量损失就达339亿kWh,损失巨大。只有精准预测热电联产集中供热***的热网侧热负荷需求,才能合理安排热电联产机组的运行工况,输出既能满足电网调度要求的电负荷,又能满足热网用热需求的热负荷;一方面提升电网消纳新能源的能力,减少弃风弃电损失,另一方面,通过精准预测供热***的热负荷情况,实现高效调节,减少热网的过量供热或不足供热损失。
传统供热***的热负荷预测方法是仅依靠室外环境温度来预测未来供热***所需的供热量,这种方式存在着很大的误差,根据瑞典学者研究认为室外温度对热负荷的影响仅为60%,由此也说明了传统仅根据室外环境温度来预测和调节供热***的供热量存在着很大的误差。为解决供热***热负荷精准高效预测的问题,现有公开了相关技术包括:“一种基于数值天气预报进行热负荷预测的方法(申请号201510889154.5)”、“基于综合温度的供热负荷预报方法(专利号ZL201610415738.3)”、“热电联供***热负荷预测方法(申请号201910088808.2)”。申请号201510889154.5的专利技术是通过建立综合考虑气象参数温度、太阳辐射和环境湿度的热负荷预测模型,通过神经网络模型训练与检验,得到精准的预测模型,实现对供热***未来热负荷的预测,该技术相比传统方法,提高了热负荷预测的精准度;专利号ZL201610415738.3的专利技术是通过统计的历史供热量数据,这算当量建筑物特性系数,并利用室外干球温度和太阳辐射预测室外综合环境温度,然后利用当量建筑物特性系数和室外综合环境温度来进行供热***的热负荷预测,该技术考虑了建筑物特征和管网特性,但是仅利用一个统计期的平均值来折算当量建筑物特性系数,计算方式存在着很大的误差,另外也未考虑环境湿度等气象因素的影响。申请号201910088808.2的专利技术是利用热电厂过去一天的室外温度、供水温度、回水温度、供水流量和热负荷的变量数据建立归一化方程,在通过输入预测日的室外温度、供水温度、回水温度和供水流量,来计算预测响应的热负荷大小。但是综合来说,供热负荷同时受室外环境温度、环境湿度、太阳辐射、风速、室内温度、管网特性和建筑物特征的影响,据瑞典学者研究管网热损失可使热负荷增加5%-8%,风速可使得热负荷增加1%-4%,另外,建筑物综合因素(含建筑物特征和室内环境因素)对热负荷的影响也是巨大的,由此可见,以上各种预测方法还存在着一定的弊端。本发明则是通过建立考虑室外环境温度、环境湿度、太阳辐射、风速、室内温度、管网特性和建筑物特征的热负荷预测模型,利用一个采暖期的大量历史数据对模型进行训练和检验,得出精准的热负荷预测模型,根据热负荷预测,合理安排热电联产机组的运行工况,输出可以满足电网调度要求的电负荷,以及还可以满足热网用热需求的热负荷,再利用蓄热***平衡供热***的多余热负荷和不足热负荷,实现热电联产集中供热***的热负荷精准预测与高效调节。
发明内容
本发明的目的在于克服现有技术中存在的上述不足,而提供一种设计合理、性能可靠、基于多因素影响的热电联产供热负荷预测方法及供热***。
本发明解决上述问题所采用的技术方案是:一种基于多因素影响的热电联产供热负荷预测方法,包括未来供热负荷预测和实时供热负荷调节,其特征是,未来供热负荷预测是指进入采暖期时,在室内温度达到标准范围16℃-24℃的情况下,采集与统计历史气象参数的数据,历史气象参数包括室外环境温度、太阳辐射、室外环境风速和室外环境相对湿度,同时利用热用户室内温度监测***统计相同条件下的热用户的历史室内温度数据,统计相同条件下的供热***的历史供热负荷数据,构成过去一个采暖期的数据集,建立未来供热负荷预测模型,将数据集分为训练数据集和测试数据集,利用训练数据集和测试数据集对未来供热负荷预测模型进行训练和检验,得出未来供热负荷预测模型的各项参数,然后根据天气预报的气象参数预测值、室内温度目标值和供热***的历史供热负荷值,利用未来供热负荷预测模型得出供热***未来某一天的预测供热负荷,然后根据电网调度得出热电机组未来某一天的预测发电负荷,结合热电机组的电、热负荷匹配特性工况图和蓄热***的蓄放热容量,得到热电机组未来某一天的预测输出热负荷;实时供热负荷调节是指进入采暖期时,统计每一天的每一次调节完成时的历史气象参数的数据、热用户的历史室内温度数据、供热***的历史供热负荷数据和管网热损失数据,构成过去一个采暖期的数据集,建立实时供热负荷调节模型,将数据集分为训练数据集和测试数据集,利用训练数据集和测试数据集对实时供热负荷调节模型进行训练和检验,得出实时供热负荷调节模型的各项参数,然后在采暖期当天的每一次调节时,根据天气预报的气象参数预测值、室内温度目标值和供热***的历史供热负荷值,以及通过供热管网历史热损失趋势获得的管网热损失预测值,利用实时供热负荷调节模型得出采暖期当天该次调节的预测供热负荷,结合当天的热电机组预测输出热负荷,计算蓄热***的蓄放热负荷,调节供热***中对应电动调节阀门的开度,通过热力站为热用户提供采暖所需的热量,然后根据热用户的实时室内温度,进一步修正供热***的供热负荷调节,并利用蓄热***平衡每一次调节时供热***的多余热负荷和不足热负荷,使得得到的热用户室内温度符合标准室温范围16℃-24℃。
进一步的,所述未来供热负荷预测,其步骤如下:
S1:确定当地的采暖期天数为n,采暖期包括采暖初期、采暖高寒期和采暖末期,其中:n=x+y+z,x为采暖初期的天数,y为采暖高寒期的天数,z为采暖末期的天数;
在每次采暖期内,在室内温度达到标准范围16℃-24℃的情况下,采集并统计第m天的室外环境温度平均值太阳辐射平均值室外环境风速平均值室外环境相对湿度平均值室内实测温度平均值和供热***实际供热负荷平均值构成一个数据集M,其中:
进入S2步骤的操作;
S2:确定供热***的未来供热负荷预测模型为:
在本次采暖期的不同时期,从数据集M中抽取训练数据集M训和测试数据集M测,并且训练数据集M训和测试数据集M测分别为:
式中:Mi为训练数据集内第i天的数据集,Mj为测试数据集内第j天的数据集,其中:M=M训+M测,k+w=n;
进入S3步骤的操作;
首先利用训练数据集M训对预测模型公式(3)进行模型训练,得出预测模型公式(3)中A、B、C、D、E、F和G的7个常数值;
然后将得出的A、B、C、D、E、F和G的数值代入预测模型公式(3)中之后,再利用测试数据集M测对预测模型公式(3)进行检验,计算预测模型的性能指标,包括相关系数R和平均绝对误差K,计算公式分别为:
进入S4步骤的操作;
S4:辨别预测模型公式(3)的拟合优度的约束函数为:
0.9≤R≤1 (10)
辨别预测模型公式(3)的预测误差的约束函数为:
0≤K≤10% (11)
当相关系数R满足公式(10)且平均绝对误差K满足公式(11)时,模型训练得出的A、B、C、D、E、F和G的数值符合要求,确定未来供热负荷预测模型,此时进入S5步骤的操作;
当相关系数R不满足公式(10)时,通过模型训练得出的未来供热负荷预测模型不符合要求,此时参照S3步骤继续预测模型公式(3)进行训练和检验,一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11),确定未来供热负荷预测模型,此时进入S5步骤的操作;
当平均绝对误差K不满足公式(11)时,通过模型训练得出的未来供热负荷预测模型不符合要求,此时参照S3步骤继续预测模型公式(3)进行训练和检验,一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11),确定未来供热负荷预测模型,此时进入S5步骤的操作;
S5:通过天气预报,获取第m天的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值;参照第m-1天的实际室内温度值,获取第m天热用户的室内温度目标值;统计第m-1天供热***的实际供热负荷平均值;然后利用由S4步骤得出的未来供热负荷预测模型,计算得出第m天供热***的预测供热负荷
进入S6步骤的操作;
S6:根据电网调度,得出热电机组的未来预测发电负荷Pm,结合热电机组的电、热负荷匹配特性工况图与蓄热***现有的蓄放热容量,参考第m天的预测供热负荷确定热电机组发电负荷Pm时的机组主蒸汽进汽流量为Hm,得出未来第m天热电机组的预测输出热负荷为Qm,其中:m=1,2,······,n。
进一步的,所述实时供热负荷调节,其步骤如下:
式中:Nm为采暖期内第m天共次调节所组成的数据集,Nλ为采暖期内第m天的第λ次调节的数据集,N为由从当前采暖期第m天开始过去最近一个采暖期内所有Nλ组成的数据集;当λ=1时,第λ-1次调节为第m天的前一天最后一次调节;
进入V2步骤的操作;
V2:确定供热***的实时供热负荷调节模型为:
在当前采暖期第m天,从数据集N中抽取训练数据集N训和测试数据集N测,其中:训练数据集N训为由从当前采暖期第m天开始过去最近一个采暖期内最远α天中所有Nλ组成的数据集,测试数据集N测为由从当前采暖期第m天开始过去最近一个采暖期内最近β天中所有Nλ组成的数据集,α+β=n;
进入V3步骤的操作;
首先利用训练数据集N训对调节模型公式(14)进行模型训练,得出调节模型公式(14)中a、b、c、d、e、f、g和h的8个常数值;
然后将得出的a、b、c、d、e、f、g和h的数值代入调节模型公式(14)中之后,再利用测试数据集N测对调节模型公式(14)进行检验,计算调节模型的性能指标,包括相关系数θ和平均绝对误差φ,计算公式分别为:
式中:δ为测试数据集包含数据集的调节次数,为测试数据集内第τ次调节的供热负荷预测值,为供热负荷预测值在δ调节次数内的平均值,为测试数据集内第τ次调节的实际供热负荷值,为实际供热负荷值在δ调节次数内的平均值;
进入V4步骤的操作;
V4:辨别调节模型公式(14)的拟合优度的约束函数为:
0.9≤θ≤1 (17)
辨别调节模型公式(14)的预测误差的约束函数为:
0≤φ≤5% (18)
当相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)时,模型训练得出的a、b、c、d、e、f、g和h的数值符合要求,确定实时供热负荷调节模型,此时进入V5步骤的操作;
当相关系数θ不满足公式(17)时,参照V3步骤继续对调节模型公式(14)进行训练和检验,一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18),确定实时供热负荷调节模型,此时进入V5步骤的操作;
当平均绝对误差φ不满足公式(18)时,参照V3步骤继续对调节模型公式(14)进行训练和检验,一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18),确定实时供热负荷调节模型,此时进入V5步骤的操作;
V5:根据第λ次调节到第λ+1次调节时间间隔内的天气预报,获取第λ次调节时的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值;通过供热管网的历史热损失趋势,获取第λ次调节时的供热管网热损失预测值;参照第τ-1次调节完成时的实际室内温度值,获取第λ次调节时的热用户室内温度目标值;统计第λ-1次调节到第λ次调节时间间隔内的供热***供热负荷实际值;然后利用由V4步骤得出的实时供热负荷调节模型,计算采暖期当天第λ次调节时的预测供热负荷为再根据热电机组的预测输出热负荷Qm,计算蓄热***的蓄放热负荷当时,蓄热***为蓄热过程,当时,蓄热***为放热过程;
进入V6步骤的操作;
V6:经过管网热力输送延迟时间ζ后,监测采集热用户的实时室内温度,当室内温度超过规定的标准室内温度24℃时,进一步增加蓄热***的蓄热负荷,并减小对应热力站的供热负荷;当室内温度低于规定的标准室内温度16℃时,进一步增加蓄热***的放热负荷,并增大对应热力站的供热负荷;一直到热用户的室内温度符合标准室内温度范围16℃-24℃时,第λ次的实时供热负荷调节完成。
进一步的,所述S1步骤中,当在本次采暖期的采暖初期时,M为由前一次采暖期的采暖初期、采暖高寒期和采暖末期中所有Mm组成的数据集;当在本次采暖期的采暖高寒期时,M为由前一次采暖期的采暖高寒期、采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集;当在本次采暖期的采暖末期时,M为由本次采暖期的采暖初期、采暖高寒期和前一次采暖期的采暖末期中所有Mm组成的数据集。
进一步的,所述S2步骤中,当在本次采暖期的采暖初期时,训练数据集M训为由前一次采暖期的采暖初期和采暖高寒期中所有Mm组成的数据集,测试数据集M测为前一次采暖期的采暖末期中所有Mm组成的数据集,其中:k=x+y,w=z;当在本次采暖期的采暖高寒期时,训练数据集M训为由前一次采暖期的采暖高寒期和采暖末期中所有Mm组成的数据集,测试数据集M测为本次采暖期的采暖初期中所有Mm组成的数据集,其中:k=y+z,w=x;当在本次采暖期的采暖末期时,训练数据集M训为由前一次采暖期的采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集,测试数据集M测为本次采暖期的采暖高寒期中所有Mm组成的数据集,其中:k=z+x,w=y。
进一步的,所述蓄热***的蓄放热容量的最大值,等于采暖期内最大时的第m天的机组预测输出热负荷为Qm的累计供热量与供热***预测供热负荷的累计供热量之差的绝对值,和采暖期内热网侧热用户当天较高热负荷区的累计供热量之和。
所述基于多因素影响的热电联产供热负荷预测方法中的供热***,其特征是,所述供热***包括热电机组、热网首站、蓄热***、热网循环水泵、蓄热循环泵、放热循环泵、热力站、电动调节阀门、物联网流量计、物联网温度仪和物联网压力仪,所述热电机组的抽汽口与热网首站的进汽口连接,所述热网首站通过热网回水管和热网供水管与热力站连接,所述热网循环水泵安装在热网回水管上,所述蓄热***的低温水口和高温水口通过放热水管和蓄热水管分别与热网回水管和热网供水管连接,所述蓄热循环泵安装在蓄热水管上,所述放热循环泵安装在放热水管上,所述电动调节阀门、物联网流量计、物联网温度仪和物联网压力仪分别安装在对应的管路上,所述供热***包含q个热力站,q≥2,每个热力站均为热用户提供采暖所需的热量,所述供热***还设置有热用户室内温度监测***,用于监测和采集热用户的室内温度。
本发明与现有技术相比,具有以下优点和效果:(1)本发明设计合理,结构简单,性能可靠,创造了一种基于多因素影响的热电联产供热负荷预测方法及供热***;(2)综合考虑气象参数、管网特征和建筑物特性等因素的影响,建立热负荷预测模型,实现热负荷的精准预测;(3)通过未来热负荷预测,合理安排热电联产机组的运行工况,输出满足要求的电负荷和热负荷,实现热源侧热电联产机组的高效运行调节;(4)在实时供热负荷调节时利用实时热负荷预测,实现热网侧的高效运行调节,有效满足热用户的采暖需求。
本发明有效解决了热电联产***热网侧热负荷与热源侧电负荷不匹配的问题,达到热网侧的精准供热和热源侧的高效调峰,具有较高的实际运用价值。
附图说明
图1是本发明实施例中的供热***结构示意图。
图2是本发明实施例中供热***抽汽压力为Px时的热电机组电、热负荷匹配工况图。
图3是本发明实施例中供热***所接待热用户在典型日的总热负荷波动曲线图。
图中:热电机组01、热网首站02、热网循环水泵03、蓄热***04、放热循环泵05、蓄热循环泵06、采暖抽汽管07、热网回水管08、热网供水管09、第一蓄热水管10、第一放热水管11、第二放热水管12、第二蓄热水管13、抽汽阀门20、抽汽压力表21、抽汽温度仪22、抽汽流量计24、热网回水阀门30、热网回水流量计31、热网回水温度仪32、热网供水温度仪33、热网供水阀门34、高温水温度仪50、第一蓄热阀门51、第一蓄热流量计52、第一放热阀门53、第一放热流量计54、低温水温度仪55、第二蓄热阀门56、第二蓄热流量计57、第二放热阀门58、第二放热流量计59、第一热力站1、第二热力站2、第q热力站q、第q供水支管q01、第q回水支管q02、第q供水阀门q03、第q供水流量计q04、第q供水温度仪q05、第q回水阀门q06、第q回水温度仪q07。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
参见图1,该实施例涉及一种基于多因素影响的热电联产供热负荷预测方法及供热***,供热***包括热电机组01、热网首站02、热网循环水泵03、蓄热***04、放热循环泵05、蓄热循环泵06、采暖抽汽管07、热网回水管08、热网供水管09、第一蓄热水管10、第一放热水管11、第二放热水管12和第二蓄热水管13,热电机组01的抽汽口通过采暖抽汽管07与热网首站02的进汽口连接,且在采暖抽汽管07上安装有抽汽阀门20、抽汽压力表21、抽汽温度仪22和抽汽流量计24,热网首站02的低温进水口和高温出水口分别与热网回水管08和热网供水管09连接,且在热网首站02的低温进水口安装有热网回水阀门30、热网回水流量计31和热网回水温度仪32,在热网首站02的高温出水口安装有热网供水温度仪33和热网供水阀门34,蓄热***04的高温水口通过第一蓄热水管10和第一放热水管11与热网供水管09连接,且在蓄热***04的高温水口安装有高温水温度仪50,在第一蓄热水管10上安装有第一蓄热阀门51和第一蓄热流量计52,在第一放热水管11上安装有放热循环泵05、第一放热阀门53和第一放热流量计54,蓄热***04的低温水口通过第二放热水管12和第二蓄热水管13与热网回水管08连接,且在蓄热***04的低温水口安装有低温水温度仪55,在第二蓄热水管13上安装有蓄热循环泵06、第二蓄热阀门56和第二蓄热流量计57,在第二放热水管12上安装有第二放热阀门58和第二放热流量计59,供热***还包括q个热力站,如图1所示,第一热力站1、第二热力站2······第q热力站q,q≥2,每个热力站均为热用户提供采暖所需的热量,第q热力站q的一次网侧进水口和一次网侧出水口分别通过第q供水支管q01和第q回水支管q02与热网供水管09和热网回水管08连接,且在第q供水支管q01上安装有第q供水阀门q03、第q供水流量计q04和第q供水温度仪q05,在第q回水支管q02上安装有第q回水阀门q06和第q回水温度仪q07。
在本实施例中,供热***中的所有阀门均为电动调节阀门,所有流量计均为物联网流量计,所有温度仪均为物联网温度仪,所有压力仪均为物联网压力仪。
在本实施例中,供热***还设置有热用户室内温度监测***,用于监测和采集热用户的室内温度。
在本实施例中,参见图2,查找供热***中热电机组01的特性书,筛选统计出热电机组01在不同抽汽压力下的机组电、热负荷匹配工况图,然后输入到本实施例中的未来供热负荷预测方法中,作为预测热电机组01未来某一天输出热负荷的依据。
在本实施例中,参见图3,采集并统计供热***中最近过去1到3个采暖期的热网侧所接待热用户的每一天的总热负荷波动曲线图,筛选出典型日的热网侧热用户总热负荷波动曲线图,并绘制出典型日曲线图的较高热负荷区、临界线和较低热负荷区,使得较高热负荷区的累计供热量等于较低热负荷区的累计供热量,利用典型日的热网侧热用户总热负荷波动曲线图作为蓄热***04的蓄放热容量最大值的计算依据。
在本实施例中,热电联产供热负荷预测方法包括未来供热负荷预测和实时供热负荷调节,首先利用未来供热负荷预测获取供热***未来某一天的预测供热负荷和热电机组01未来某一天的预测输出热负荷,然后在未来某一天的当天,利用实时供热负荷调节进行当天的每一次供热负荷调节,得出实时预测供热负荷和蓄热***04的实时蓄放热负荷,调节供热***中对应电动调节阀门的开度,通过第q热力站q为热用户提供采暖所需的热量,然后根据热用户的实时室内温度,进一步修正供热***的供热负荷调节,使得得到的热用户室内温度符合标准室温范围16℃-24℃。
在本实施例中,未来供热负荷预测是指进入采暖期时,在室内温度达到标准范围16℃-24℃的情况下,采集与统计历史气象参数的数据,历史气象参数包括室外环境温度、太阳辐射、室外环境风速和室外环境相对湿度,同时利用热用户室内温度监测***统计相同条件下的热用户的历史室内温度数据,统计相同条件下的供热***的历史供热负荷数据,构成过去一个采暖期的数据集,建立未来供热负荷预测模型,将数据集分为训练数据集和测试数据集,利用训练数据集和测试数据集对未来供热负荷预测模型进行训练和检验,得出未来供热负荷预测模型的各项参数,然后根据天气预报的气象参数预测值、室内温度目标值和供热***的历史供热负荷值,利用未来供热负荷预测模型得出供热***未来某一天的预测供热负荷,然后根据电网调度得出热电机组01未来某一天的预测发电负荷,结合热电机组01的电、热负荷匹配特性工况图和蓄热***04的蓄放热容量,得到热电机组01未来某一天的预测输出热负荷。未来供热负荷预测的具体步骤如下:
S1:确定当地的采暖期天数为n,采暖期包括采暖初期、采暖高寒期和采暖末期,其中:n=x+y+z,x为采暖初期的天数,y为采暖高寒期的天数,z为采暖末期的天数;
在每次采暖期内,在室内温度达到标准范围16℃-24℃的情况下,采集并统计第m天的室外环境温度平均值太阳辐射平均值室外环境风速平均值室外环境相对湿度平均值室内实测温度平均值和供热***实际供热负荷平均值构成一个数据集M,其中:
进入S2步骤的操作;
S2:确定供热***的未来供热负荷预测模型为:
在本次采暖期的不同时期,从数据集M中抽取训练数据集M训和测试数据集M测,并且训练数据集M训和测试数据集M测分别为:
式中:Mi为训练数据集内第i天的数据集,Mj为测试数据集内第j天的数据集,其中:M=M训+M测,k+w=n;
进入S3步骤的操作;
首先利用训练数据集M训对预测模型公式(3)进行模型训练,得出预测模型公式(3)中A、B、C、D、E、F和G的7个常数值;
然后将得出的A、B、C、D、E、F和G的数值代入预测模型公式(3)中之后,再利用测试数据集M测对预测模型公式(3)进行检验,计算预测模型的性能指标,包括相关系数R和平均绝对误差K,计算公式分别为:
进入S4步骤的操作;
S4:辨别预测模型公式(3)的拟合优度的约束函数为:
0.9≤R≤1 (10)
辨别预测模型公式(3)的预测误差的约束函数为:
0≤K≤10% (11)
当相关系数R满足公式(10)且平均绝对误差K满足公式(11)时,模型训练得出的A、B、C、D、E、F和G的数值符合要求,确定未来供热负荷预测模型,此时进入S5步骤的操作;
当相关系数R不满足公式(10)时,通过模型训练得出的未来供热负荷预测模型不符合要求,此时参照S3步骤继续预测模型公式(3)进行训练和检验,一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11),确定未来供热负荷预测模型,此时进入S5步骤的操作;
当平均绝对误差K不满足公式(11)时,通过模型训练得出的未来供热负荷预测模型不符合要求,此时参照S3步骤继续预测模型公式(3)进行训练和检验,一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11),确定未来供热负荷预测模型,此时进入S5步骤的操作;
S5:通过天气预报,获取第m天的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值;参照第m-1天的实际室内温度值,获取第m天热用户的室内温度目标值;统计第m-1天供热***的实际供热负荷平均值;然后利用由S4步骤得出的未来供热负荷预测模型,计算得出第m天供热***的预测供热负荷
进入S6步骤的操作;
S6:根据电网调度,得出热电机组01的未来预测发电负荷Pm,结合热电机组01的电、热负荷匹配特性工况图与蓄热***04现有的蓄放热容量,参考第m天的预测供热负荷确定热电机组发电负荷Pm时的机组主蒸汽进汽流量为Hm,得出未来第m天热电机组01的预测输出热负荷为Qm,其中:m=1,2,······,n。
在本实施例中,实时供热负荷调节是指进入采暖期时,统计每一天的每一次调节完成时的历史气象参数的数据、热用户的历史室内温度数据、供热***的历史供热负荷数据和管网热损失数据,构成过去一个采暖期的数据集,建立实时供热负荷调节模型,将数据集分为训练数据集和测试数据集,利用训练数据集和测试数据集对实时供热负荷调节模型进行训练和检验,得出实时供热负荷调节模型的各项参数,然后在采暖期当天的每一次调节时,根据天气预报的气象参数预测值、室内温度目标值和供热***的历史供热负荷值,以及通过供热管网历史热损失趋势获得的管网热损失预测值,利用实时供热负荷调节模型得出采暖期当天该次调节的预测供热负荷,结合当天的热电机组01预测输出热负荷,计算蓄热***04的蓄放热负荷,调节供热***中对应电动调节阀门的开度,通过第q热力站q为热用户提供采暖所需的热量,然后根据热用户的实时室内温度,进一步修正供热***的供热负荷调节,并利用蓄热***04平衡每一次调节时供热***的多余热负荷和不足热负荷,使得得到的热用户室内温度符合标准室温范围16℃-24℃。实时供热负荷调节的具体步骤如下:
式中:Nm为采暖期内第m天共次调节所组成的数据集,Nλ为采暖期内第m天的第λ次调节的数据集,N为由从当前采暖期第m天开始过去最近一个采暖期内所有Nλ组成的数据集;当λ=1时,第λ-1次调节为第m天的前一天最后一次调节;
进入V2步骤的操作;
V2:确定供热***的实时供热负荷调节模型为:
在当前采暖期第m天,从数据集N中抽取训练数据集N训和测试数据集N测,其中:训练数据集N训为由从当前采暖期第m天开始过去最近一个采暖期内最远α天中所有Nλ组成的数据集,测试数据集N测为由从当前采暖期第m天开始过去最近一个采暖期内最近β天中所有Nλ组成的数据集,α+β=n;
进入V3步骤的操作;
首先利用训练数据集N训对调节模型公式(14)进行模型训练,得出调节模型公式(14)中a、b、c、d、e、f、g和h的8个常数值;
然后将得出的a、b、c、d、e、f、g和h的数值代入调节模型公式(14)中之后,再利用测试数据集N测对调节模型公式(14)进行检验,计算调节模型的性能指标,包括相关系数θ和平均绝对误差φ,计算公式分别为:
式中:δ为测试数据集包含数据集的调节次数,为测试数据集内第τ次调节的供热负荷预测值,为供热负荷预测值在δ调节次数内的平均值,为测试数据集内第τ次调节的实际供热负荷值,为实际供热负荷值在δ调节次数内的平均值;
进入V4步骤的操作;
V4:辨别调节模型公式(14)的拟合优度的约束函数为:
0.9≤θ≤1 (17)
辨别调节模型公式(14)的预测误差的约束函数为:
0≤φ≤5% (18)
当相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)时,模型训练得出的a、b、c、d、e、f、g和h的数值符合要求,确定实时供热负荷调节模型,此时进入V5步骤的操作;
当相关系数θ不满足公式(17)时,参照V3步骤继续对调节模型公式(14)进行训练和检验,一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18),确定实时供热负荷调节模型,此时进入V5步骤的操作;
当平均绝对误差φ不满足公式(18)时,参照V3步骤继续对调节模型公式(14)进行训练和检验,一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18),确定实时供热负荷调节模型,此时进入V5步骤的操作;
V5:根据第λ次调节到第λ+1次调节时间间隔内的天气预报,获取第λ次调节时的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值;通过供热管网的历史热损失趋势,获取第λ次调节时的供热管网热损失预测值;参照第τ-1次调节完成时的实际室内温度值,获取第λ次调节时的热用户室内温度目标值;统计第λ-1次调节到第λ次调节时间间隔内的供热***供热负荷实际值;然后利用由V4步骤得出的实时供热负荷调节模型,计算采暖期当天第λ次调节时的预测供热负荷为再根据热电机组01的预测输出热负荷Qm,计算蓄热***04的实时蓄放热负荷当时,蓄热***04为蓄热过程,当时,蓄热***04为放热过程;
此时,根据蓄放热负荷预测供热负荷和各个热力站所需热负荷的占比,调节供热***中对应的电动调节阀门的开度,通过第q热力站q为热用户提供采暖所需的热量,并利用蓄热***04平衡供热***的多余热负荷和不足热负荷;
进入V6步骤的操作;
V6:经过管网热力输送延迟时间ζ后,监测采集热用户的实时室内温度,当室内温度超过规定的标准室内温度24℃时,进一步增加蓄热***04的蓄热负荷,并减小对应热力站的供热负荷;当室内温度低于规定的标准室内温度16℃时,进一步增加蓄热***04的放热负荷,并增大对应热力站的供热负荷;一直到热用户的室内温度符合标准室内温度范围16℃-24℃时,第λ次的实时供热负荷调节完成。
在本实施例未来供热负荷预测具体步骤的S1步骤中,当在本次采暖期的采暖初期时,M为由前一次采暖期的采暖初期、采暖高寒期和采暖末期中所有Mm组成的数据集;当在本次采暖期的采暖高寒期时,M为由前一次采暖期的采暖高寒期、采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集;当在本次采暖期的采暖末期时,M为由本次采暖期的采暖初期、采暖高寒期和前一次采暖期的采暖末期中所有Mm组成的数据集。
在本实施例未来供热负荷预测具体步骤的S2步骤中,当在本次采暖期的采暖初期时,训练数据集M训为由前一次采暖期的采暖初期和采暖高寒期中所有Mm组成的数据集,测试数据集M测为前一次采暖期的采暖末期中所有Mm组成的数据集,其中:k=x+y,w=z;当在本次采暖期的采暖高寒期时,训练数据集M训为由前一次采暖期的采暖高寒期和采暖末期中所有Mm组成的数据集,测试数据集M测为本次采暖期的采暖初期中所有Mm组成的数据集,其中:k=y+z,w=x;当在本次采暖期的采暖末期时,训练数据集M训为由前一次采暖期的采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集,测试数据集M测为本次采暖期的采暖高寒期中所有Mm组成的数据集,其中:k=z+x,w=y。
在本实施例中,参见图3,蓄热***04的蓄放热容量的最大值,等于采暖期内最大时的第m天的热电机组01预测输出热负荷为Qm的累计供热量与供热***预测供热负荷的累计供热量之差的绝对值,和采暖期内热网侧热用户当天较高热负荷区的累计供热量之和。
本说明书中未作详细描述的内容均属于本领域专业技术人员公知的现有技术。
虽然本发明已以实施例公开如上,但其并非用以限定本发明的保护范围,任何熟悉该项技术的技术人员,在不脱离本发明的构思和范围内所作的更动与润饰,均应属于本发明的保护范围。
Claims (7)
1.一种基于多因素影响的热电联产供热负荷预测方法,包括未来供热负荷预测和实时供热负荷调节,其特征是,未来供热负荷预测是指进入采暖期时,在室内温度达到标准范围16℃-24℃的情况下,采集与统计历史气象参数的数据,历史气象参数包括室外环境温度、太阳辐射、室外环境风速和室外环境相对湿度,同时利用热用户室内温度监测***统计相同条件下的热用户的历史室内温度数据,统计相同条件下的供热***的历史供热负荷数据,构成过去一个采暖期的数据集,建立未来供热负荷预测模型,将数据集分为训练数据集和测试数据集,利用训练数据集和测试数据集对未来供热负荷预测模型进行训练和检验,得出未来供热负荷预测模型的各项参数,然后根据天气预报的气象参数预测值、室内温度目标值和供热***的历史供热负荷值,利用未来供热负荷预测模型得出供热***未来某一天的预测供热负荷,然后根据电网调度得出热电机组未来某一天的预测发电负荷,结合热电机组的电、热负荷匹配特性工况图和蓄热***的蓄放热容量,得到热电机组未来某一天的预测输出热负荷;实时供热负荷调节是指进入采暖期时,统计每一天的每一次调节完成时的历史气象参数的数据、热用户的历史室内温度数据、供热***的历史供热负荷数据和管网热损失数据,构成过去一个采暖期的数据集,建立实时供热负荷调节模型,将数据集分为训练数据集和测试数据集,利用训练数据集和测试数据集对实时供热负荷调节模型进行训练和检验,得出实时供热负荷调节模型的各项参数,然后在采暖期当天的每一次调节时,根据天气预报的气象参数预测值、室内温度目标值和供热***的历史供热负荷值,以及通过供热管网历史热损失趋势获得的管网热损失预测值,利用实时供热负荷调节模型得出采暖期当天该次调节的预测供热负荷,结合当天的热电机组预测输出热负荷,计算蓄热***的蓄放热负荷,调节供热***中对应电动调节阀门的开度,通过热力站为热用户提供采暖所需的热量,然后根据热用户的实时室内温度,进一步修正供热***的供热负荷调节,并利用蓄热***平衡每一次调节时供热***的多余热负荷和不足热负荷,使得得到的热用户室内温度符合标准室温范围16℃-24℃。
2.根据权利要求1所述基于多因素影响的热电联产供热负荷预测方法,其特征是,所述未来供热负荷预测,其步骤如下:
S1:确定当地的采暖期天数为n,采暖期包括采暖初期、采暖高寒期和采暖末期,其中:n=x+y+z,x为采暖初期的天数,y为采暖高寒期的天数,z为采暖末期的天数;
在每次采暖期内,在室内温度达到标准范围16℃-24℃的情况下,采集并统计第m天的室外环境温度平均值太阳辐射平均值室外环境风速平均值室外环境相对湿度平均值室内实测温度平均值和供热***实际供热负荷平均值构成一个数据集M,其中:
进入S2步骤的操作;
S2:确定供热***的未来供热负荷预测模型为:
在本次采暖期的不同时期,从数据集M中抽取训练数据集M训和测试数据集M测,并且训练数据集M训和测试数据集M测分别为:
式中:Mi为训练数据集内第i天的数据集,Mj为测试数据集内第j天的数据集,其中:M=M训+M测,k+w=n;
进入S3步骤的操作;
首先利用训练数据集M训对预测模型公式(3)进行模型训练,得出预测模型公式(3)中A、B、C、D、E、F和G的7个常数值;
然后将得出的A、B、C、D、E、F和G的数值代入预测模型公式(3)中之后,再利用测试数据集M测对预测模型公式(3)进行检验,计算预测模型的性能指标,包括相关系数R和平均绝对误差K,计算公式分别为:
进入S4步骤的操作;
S4:辨别预测模型公式(3)的拟合优度的约束函数为:
0.9≤R≤1 (10)
辨别预测模型公式(3)的预测误差的约束函数为:
0≤K≤10% (11)
当相关系数R满足公式(10)且平均绝对误差K满足公式(11)时,模型训练得出的A、B、C、D、E、F和G的数值符合要求,确定未来供热负荷预测模型,此时进入S5步骤的操作;
当相关系数R不满足公式(10)时,通过模型训练得出的未来供热负荷预测模型不符合要求,此时参照S3步骤继续预测模型公式(3)进行训练和检验,一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11),确定未来供热负荷预测模型,此时进入S5步骤的操作;
当平均绝对误差K不满足公式(11)时,通过模型训练得出的未来供热负荷预测模型不符合要求,此时参照S3步骤继续预测模型公式(3)进行训练和检验,一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11),确定未来供热负荷预测模型,此时进入S5步骤的操作;
S5:通过天气预报,获取第m天的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值;参照第m-1天的实际室内温度值,获取第m天热用户的室内温度目标值;统计第m-1天供热***的实际供热负荷平均值;然后利用由S4步骤得出的未来供热负荷预测模型,计算得出第m天供热***的预测供热负荷
进入S6步骤的操作;
3.根据权利要求1或2所述基于多因素影响的热电联产供热负荷预测方法,其特征是,所述实时供热负荷调节,其步骤如下:
式中:Nm为采暖期内第m天共次调节所组成的数据集,Nλ为采暖期内第m天的第λ次调节的数据集,N为由从当前采暖期第m天开始过去最近一个采暖期内所有Nλ组成的数据集;当λ=1时,第λ-1次调节为第m天的前一天最后一次调节;
进入V2步骤的操作;
V2:确定供热***的实时供热负荷调节模型为:
在当前采暖期第m天,从数据集N中抽取训练数据集N训和测试数据集N测,其中:训练数据集N训为由从当前采暖期第m天开始过去最近一个采暖期内最远α天中所有Nλ组成的数据集,测试数据集N测为由从当前采暖期第m天开始过去最近一个采暖期内最近β天中所有Nλ组成的数据集,α+β=n;
进入V3步骤的操作;
首先利用训练数据集N训对调节模型公式(14)进行模型训练,得出调节模型公式(14)中a、b、c、d、e、f、g和h的8个常数值;
然后将得出的a、b、c、d、e、f、g和h的数值代入调节模型公式(14)中之后,再利用测试数据集N测对调节模型公式(14)进行检验,计算调节模型的性能指标,包括相关系数θ和平均绝对误差φ,计算公式分别为:
式中:δ为测试数据集包含数据集的调节次数,为测试数据集内第τ次调节的供热负荷预测值,为供热负荷预测值在δ调节次数内的平均值,为测试数据集内第τ次调节的实际供热负荷值,为实际供热负荷值在δ调节次数内的平均值;
进入V4步骤的操作;
V4:辨别调节模型公式(14)的拟合优度的约束函数为:
0.9≤θ≤1 (17)
辨别调节模型公式(14)的预测误差的约束函数为:
0≤φ≤5% (18)
当相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)时,模型训练得出的a、b、c、d、e、f、g和h的数值符合要求,确定实时供热负荷调节模型,此时进入V5步骤的操作;
当相关系数θ不满足公式(17)时,参照V3步骤继续对调节模型公式(14)进行训练和检验,一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18),确定实时供热负荷调节模型,此时进入V5步骤的操作;
当平均绝对误差φ不满足公式(18)时,参照V3步骤继续对调节模型公式(14)进行训练和检验,一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18),确定实时供热负荷调节模型,此时进入V5步骤的操作;
V5:根据第λ次调节到第λ+1次调节时间间隔内的天气预报,获取第λ次调节时的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值;通过供热管网的历史热损失趋势,获取第λ次调节时的供热管网热损失预测值;参照第τ-1次调节完成时的实际室内温度值,获取第λ次调节时的热用户室内温度目标值;统计第λ-1次调节到第λ次调节时间间隔内的供热***供热负荷实际值;然后利用由V4步骤得出的实时供热负荷调节模型,计算采暖期当天第λ次调节时的预测供热负荷为再根据热电机组的预测输出热负荷Qm,计算蓄热***的蓄放热负荷当时,蓄热***为蓄热过程,当时,蓄热***为放热过程;
进入V6步骤的操作;
V6:经过管网热力输送延迟时间ζ后,监测采集热用户的实时室内温度,当室内温度超过规定的标准室内温度24℃时,进一步增加蓄热***的蓄热负荷,并减小对应热力站的供热负荷;当室内温度低于规定的标准室内温度16℃时,进一步增加蓄热***的放热负荷,并增大对应热力站的供热负荷;一直到热用户的室内温度符合标准室内温度范围16℃-24℃时,第λ次的实时供热负荷调节完成。
4.根据权利要求2所述基于多因素影响的热电联产供热负荷预测方法,其特征是,所述S1步骤中,当在本次采暖期的采暖初期时,M为由前一次采暖期的采暖初期、采暖高寒期和采暖末期中所有Mm组成的数据集;当在本次采暖期的采暖高寒期时,M为由前一次采暖期的采暖高寒期、采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集;当在本次采暖期的采暖末期时,M为由本次采暖期的采暖初期、采暖高寒期和前一次采暖期的采暖末期中所有Mm组成的数据集。
5.根据权利要求2或4所述基于多因素影响的热电联产供热负荷预测方法,其特征是,所述S2步骤中,当在本次采暖期的采暖初期时,训练数据集M训为由前一次采暖期的采暖初期和采暖高寒期中所有Mm组成的数据集,测试数据集M测为前一次采暖期的采暖末期中所有Mm组成的数据集,其中:k=x+y,w=z;当在本次采暖期的采暖高寒期时,训练数据集M训为由前一次采暖期的采暖高寒期和采暖末期中所有Mm组成的数据集,测试数据集M测为本次采暖期的采暖初期中所有Mm组成的数据集,其中:k=y+z,w=x;当在本次采暖期的采暖末期时,训练数据集M训为由前一次采暖期的采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集,测试数据集M测为本次采暖期的采暖高寒期中所有Mm组成的数据集,其中:k=z+x,w=y。
7.一种如权利要求1-6中任一项所述基于多因素影响的热电联产供热负荷预测方法中的供热***,其特征是,所述供热***包括热电机组、热网首站、蓄热***、热网循环水泵、蓄热循环泵、放热循环泵、热力站、电动调节阀门、物联网流量计、物联网温度仪和物联网压力仪,所述热电机组的抽汽口与热网首站的进汽口连接,所述热网首站通过热网回水管和热网供水管与热力站连接,所述热网循环水泵安装在热网回水管上,所述蓄热***的低温水口和高温水口通过放热水管和蓄热水管分别与热网回水管和热网供水管连接,所述蓄热循环泵安装在蓄热水管上,所述放热循环泵安装在放热水管上,所述电动调节阀门、物联网流量计、物联网温度仪和物联网压力仪分别安装在对应的管路上,所述供热***包含q个热力站,q≥2,每个热力站均为热用户提供采暖所需的热量,所述供热***还设置有热用户室内温度监测***,用于监测和采集热用户的室内温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158700.9A CN111503718B (zh) | 2020-03-09 | 2020-03-09 | 基于多因素影响的热电联产供热负荷预测方法及供热*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158700.9A CN111503718B (zh) | 2020-03-09 | 2020-03-09 | 基于多因素影响的热电联产供热负荷预测方法及供热*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111503718A CN111503718A (zh) | 2020-08-07 |
CN111503718B true CN111503718B (zh) | 2021-06-15 |
Family
ID=71872557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010158700.9A Active CN111503718B (zh) | 2020-03-09 | 2020-03-09 | 基于多因素影响的热电联产供热负荷预测方法及供热*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111503718B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836370B (zh) * | 2021-02-03 | 2023-09-26 | 北京百度网讯科技有限公司 | 供热***调度方法、装置、设备、存储介质以及程序产品 |
CN113065249B (zh) * | 2021-03-29 | 2022-04-15 | 北京市公用事业科学研究所 | 一种供热***供回水温度预测方法及装置 |
CN113091124B (zh) * | 2021-05-13 | 2022-05-17 | 浙江大学 | 一种基于区域供能能力的电热互补供热***分区调控方法 |
CN113203070B (zh) * | 2021-05-17 | 2022-12-20 | 佛山市爱居光电有限公司 | 一种带有应急功能的led红外感应灯 |
CN113283774A (zh) * | 2021-06-07 | 2021-08-20 | 润电能源科学技术有限公司 | 采暖供热机组深度调峰方法、装置、电子设备及存储介质 |
CN113657660B (zh) * | 2021-08-12 | 2024-07-19 | 浙江英集动力科技有限公司 | 基于分站负荷和热网滞后模型的热源负荷预测方法 |
CN113642640A (zh) * | 2021-08-13 | 2021-11-12 | 华北电力科学研究院有限责任公司 | 区域性电网最小出力预测方法及装置 |
CN114048928B (zh) * | 2022-01-12 | 2022-04-19 | 汉谷云智(武汉)科技有限公司 | 一种具备高度可迁移能力的建筑短期负荷预测方法 |
CN114674026A (zh) * | 2022-03-28 | 2022-06-28 | 内蒙古科技大学 | 一种管网供水流量优化控制方法及*** |
CN115511197B (zh) * | 2022-10-11 | 2023-09-08 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种高寒地区换热站供热负荷预测方法 |
CN117267782B (zh) * | 2023-11-22 | 2024-02-20 | 瑞纳智能设备股份有限公司 | 供热控制方法及装置 |
CN117829558B (zh) * | 2024-03-06 | 2024-05-10 | 天津迪比爱新能源科技有限公司 | 热电联产机组在调峰运行下的调整方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007507683A (ja) * | 2003-10-06 | 2007-03-29 | イーシー パワー エーエス | 熱伝達装置 |
WO2009064111A2 (en) * | 2007-11-12 | 2009-05-22 | The Industry & Academic Cooperation In Chungnam National University | Method for predicting cooling load |
CN106437876A (zh) * | 2016-08-29 | 2017-02-22 | 华电电力科学研究院 | 一种热电联产机组深度调峰***及其运行方法 |
CN106447529A (zh) * | 2016-08-30 | 2017-02-22 | 上海交通大学 | 考虑热水管网的分布式能源***建模和运行优化方法 |
CN108258679A (zh) * | 2017-12-25 | 2018-07-06 | 国网浙江省电力有限公司经济技术研究院 | 考虑供热网储热特性的电-热综合能源***优化调度方法 |
-
2020
- 2020-03-09 CN CN202010158700.9A patent/CN111503718B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007507683A (ja) * | 2003-10-06 | 2007-03-29 | イーシー パワー エーエス | 熱伝達装置 |
WO2009064111A2 (en) * | 2007-11-12 | 2009-05-22 | The Industry & Academic Cooperation In Chungnam National University | Method for predicting cooling load |
CN106437876A (zh) * | 2016-08-29 | 2017-02-22 | 华电电力科学研究院 | 一种热电联产机组深度调峰***及其运行方法 |
CN106447529A (zh) * | 2016-08-30 | 2017-02-22 | 上海交通大学 | 考虑热水管网的分布式能源***建模和运行优化方法 |
CN108258679A (zh) * | 2017-12-25 | 2018-07-06 | 国网浙江省电力有限公司经济技术研究院 | 考虑供热网储热特性的电-热综合能源***优化调度方法 |
Non-Patent Citations (3)
Title |
---|
基于神经网络的热电联产机组热负荷和电负荷预测;骆小满,皇甫成,阮江军,周灵杰;《热力发电》;20190930;第48卷(第9期);46-50 * |
基于线性回归的热负荷预测在热电联产机组中的应用;李伟等;《仪器仪表用户》;20180831;第25卷(第8期);59-62 * |
新型带吸收式热泵热电联产机组的技术经济分析;周崇明,赵明德,郑立军,舒斌;《现代电力》;20120430;第29卷(第2期);61-63 * |
Also Published As
Publication number | Publication date |
---|---|
CN111503718A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111503718B (zh) | 基于多因素影响的热电联产供热负荷预测方法及供热*** | |
CN111520809B (zh) | 基于热网热负荷预测的热电联产耦合供热负荷调节方法 | |
CN107730129B (zh) | 考虑光热热电联产与电锅炉的电-气-热互联***风险评估方法 | |
CN108916986B (zh) | 信息物理融合的二级管网变流量水力平衡调控方法及*** | |
CN111520808B (zh) | 基于低温余热回收的复杂热电联产供热***及电热负荷调节方法 | |
CN111396982B (zh) | 一种热力耦合水力的热网平衡调节方法及供热*** | |
CN107194055B (zh) | 考虑电转气装置的电-气互联***可靠性建模及其评估方法 | |
CN106022624B (zh) | 一种电-热耦合多能流网络状态估计方法 | |
CN102043907A (zh) | 空调房间实时冷负荷确定方法 | |
CN112036026A (zh) | 一种基于蓄热***的建筑热负荷预测方法 | |
CN111125938A (zh) | 基于次优算法的大型中央空调冷冻水管网优化设计方法 | |
Delorme-Costil et al. | Forecasting domestic hot water demand in residential house using artificial neural networks | |
CN108800303B (zh) | 一种基于模式识别的精细化节能供热方法 | |
CN113190999A (zh) | 供热管网流量调节提升风电消纳的电热协调方法及装置 | |
JP7472322B2 (ja) | 熱供給網の給水主管と還水主管に直列に接続する配管網の蓄熱システムおよびその調整方法 | |
CN111985105A (zh) | 一种计及热动态特性的多微能源网***可靠性评估方法 | |
CN114294708B (zh) | 一种长距离供热管网运行蓄热调节方法 | |
Chen et al. | An operational optimization method of regional multi-energy system considering thermal quasi-dynamic characteristics | |
Sun et al. | An intelligent control and regulation strategy aiming at building level heating balance in district heating system | |
CN114781102A (zh) | 一种城市综合能源***的能量流建模方法及应用 | |
CN102306245B (zh) | 一种基于集中供暖***数学模型的分户热计量方法及*** | |
CN112906972B (zh) | 考虑热网寿命的电-热耦合型综合能源***运行调控方法 | |
Denis et al. | Saving energy by anticipating hot water production: identification of key points for an efficient statistical model integration | |
CN212227177U (zh) | 一种用于老旧小区供热分户改造的预制箱式楼栋集控装置 | |
Bass et al. | An integrated approach for optimizing the operation of modern heat supply systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |