CN111928383A - 一种地源热泵与蓄能复合空调***及其控制方法 - Google Patents
一种地源热泵与蓄能复合空调***及其控制方法 Download PDFInfo
- Publication number
- CN111928383A CN111928383A CN202010762916.6A CN202010762916A CN111928383A CN 111928383 A CN111928383 A CN 111928383A CN 202010762916 A CN202010762916 A CN 202010762916A CN 111928383 A CN111928383 A CN 111928383A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- heat exchanger
- heat exchange
- heat
- exchange medium
- 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.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
- F24F5/0007—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning
- F24F5/0017—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning using cold storage bodies, e.g. ice
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/84—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using valves
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/85—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using variable-flow pumps
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
- F24F5/0046—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater using natural energy, e.g. solar energy, energy from the ground
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
- F24F5/0007—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning
- F24F5/0017—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning using cold storage bodies, e.g. ice
- F24F2005/0032—Systems storing energy during the night
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/14—Thermal energy storage
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Sustainable Energy (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种地源热泵与蓄能复合空调***及其控制方法。所述***包括地埋管换热器、热泵机组、第一换热器、第二换热器、第一循环泵、第一蓄能箱、第二蓄能箱、第二循环泵和换热介质控制模块;所述换热介质控制模块,用于在第一预设时间要求下,能够将已储存在第二蓄能箱中的换热介质调节至预设温度,并将预设温度的换热介质通入第一蓄能箱中进行保温;在第二预设时间要求下,从热泵机组流出的换热介质能够仅流经第一换热器进行换热,同时,使在第一蓄能箱中保温的换热介质能够流入第二换热器进行换热后,存储至第二蓄能箱中。本发明在充分利用峰谷电价带来的经济性优势的同时,可实现能源的高效利用,避免能源的浪费。
Description
技术领域
本发明属于空调技术领域,更具体地,涉及一种地源热泵与蓄能复合空调***及其控制方法。
背景技术
地源热泵与蓄能复合空调***充分利用浅层地热能为建筑末端供冷供热,实现能源的高效利用;同时通过夜间蓄能与日间供能充分利用峰谷电价的优势,提升***的经济效益。另外,由于负荷预测是根据***的运行特性、自然条件与时间信息等诸多因数,在满足一定精度要求的条件下,确定未来某特定时刻的负荷数据。所以地源热泵与蓄能复合空调***将负荷预测运行策略应用于该***中能更好的发挥蓄能***在经济效益方面的优势,同时能够根据负荷预测合理进行储能及分配,提高能源的利用率。
然而,现有的地源热泵与蓄能空调复合***中蓄能箱与通过该蓄能箱中换热介质进行日间换热的空调之间为并联,从换热完成后换热介质回流至蓄能箱中,蓄能箱中换热介质温度逐渐升高,影响换热效率,蓄能箱中保温的换热介质体积固定,在已保温的换热介质使用不完的情况下,造成了能源的浪费。另外,现有技术中采用的负荷预测方法,通常只根据历史负荷信息进行预测,未能充分考虑到环境因素对预测结果准确性的影响。现有技术中的负荷预测方法往往拘泥于将负荷进行直接预测,预测结果即为空调的全部负荷,该类技术在实际地源热泵空调空调***中应用尚不够成熟,易出现由于负荷预测结果不够准确而导致后续流量调节无法满足使用需求的问题。
因此,本领域研发人员亟需针对以上存在的不足做出改进,以提出一种预测控制运行策略并将该策略应用于改进的复合地源热泵与蓄能复合空调***中,充分利用峰谷电价带来的经济性优势的同时,实现能源的高效利用。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种地源热泵与蓄能复合空调***及其控制方法,其目的在于在改进地源热泵与蓄能复合空调***中具体结构的同时,有效与空调负荷预测方法和蓄能箱中蓄能量的预测方法相结合,合理进行储能及分配。由此解决能源浪费,由于负荷预测结果不够准确而导致后续流量调节无法满足使用需求的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种地源热泵与蓄能复合空调***,包括:地埋管换热器、热泵机组、第一换热器、第二换热器和第一循环泵,所述第一换热器和第二换热器并联,二者进出口分别通过设置有三通阀的管路与热泵机组连接,所述热泵机组与地埋管换热器连接,所述第一循环泵被设置在热泵机组出口或入口所在管路上;所述***还包括:第一蓄能箱、第二蓄能箱、第二循环泵和换热介质控制模块;
其中,所述第一蓄能箱、所述第二换热器和所述第二蓄能箱依次串联形成串联支路,所述第二循环泵被设置在该串联支路中;
所述换热介质控制模块,用于通过控制所述三通阀、所述第一循环泵和所述第二循环泵8,使得在第一预设时间要求下,从热泵机组流出的换热介质能够仅流入所述串联支路,不流经第一换热器;从而能够将已储存在第二蓄能箱中的换热介质调节至预设温度,并将预设温度的换热介质通入第一蓄能箱中进行保温;并且,使得在第二预设时间要求下,从热泵机组流出的换热介质能够仅流经第一换热器进行换热,不流入所述串联支路;同时,通过控制所述第二循环泵使在第一蓄能箱中保温的换热介质能够流入第二换热器进行换热后,存储至第二蓄能箱中。
优选地,所述第一蓄能箱的入口和所述第二蓄能箱的出口通过管路直接连通,使进入所述串联支路的换热介质分为两路,一路进入第一蓄能箱,另一路与从第二蓄能箱中流出的换热介质汇合后流出所述串联支路。
优选地,所述第一蓄能箱和所述第二蓄能箱的容积相等,存储于所述第一蓄能箱和所述第二蓄能箱中换热介质的体积之和小于或等于一个蓄能箱的容积。
优选地,所述***还包括:蓄能量预测模块,用于将所述第二换热器的当日实际负荷输入至训练好的深度学习神经网络,以使所述深度学习神经网络输出其下一日负荷预测值;利用该下一日负荷预测值、所述预设温度和回流至第二蓄能箱中换热介质温度,计算下一日所需保温至第一蓄能箱中预设温度的换热介质的预测体积;
蓄能量控制模块,用于控制所述第一循环泵,使通入第一蓄能箱中预设温度的换热介质达到所述预测体积时,停止运行。
优选地,所述***还包括:判断控制模块,用于在将预设温度的换热介质通入第一蓄能箱中之前,判断所述第一蓄能箱中是否有换热介质,若是,打开所述第二循环泵,关闭所述第一循环泵,使所述第一蓄能箱中换热介质排空;以确保在将预设温度的换热介质通入第一蓄能箱6中之前,第一蓄能箱6中没有换热介质。
优选地,所述第一换热器和所述第二换热器被设置于不同的室内区域中;所述***还包括:流量预测模块和流量控制模块;
所述流量预测模块,用于获取所述第一换热器或所述第二换热器所在室内区域中,下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据和室内热环境数据,将以上数据输入至训练好的深度学习神经网络,以使所述深度学习神经网络输出第一换热器或第二换热器的下一时刻负荷预测值;利用该下一时刻负荷预测值和供回换热介质温差,计算下一时刻流经第一换热器或第二换热器的换热介质所需流量;
所述流量控制模块,用于控制所述第一循环泵或所述第二循环泵的开度,使换热介质按照所述所需流量流经第一换热器或第二换热器。
优选地,所述***还包括:温度传感器和湿度传感器;所述流量预测模块包括:数据获取单元,用于接收通过温度传感器和湿度传感器采集到的所述第一换热器或所述第二换热器所在室内区域中,当前时刻的室内热环境数据,并获取该室内区域中下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据;
显热负荷预测单元,用于将所述当前时刻的室内热环境数据输入至训练好的堆叠式长短期记忆网络,以使所述堆叠式长短期记忆网络输出下一时刻的室内热环境数据;将下一时刻的室内热环境数据、气象数据、时间数据、室内人员数据、室内设备运行数据输入至训练好的反向传播神经网络(Back Propagation Neural Network,BPNN),以使所述反向传播神经网络输出第一换热器或第二换热器的下一时刻显热负荷预测值;
其中,该堆叠式长短期记忆网络以长短期记忆网络(Long short-term memory,LSTM)为基础,采用当前时刻的多个参数作为网络模型的输入,并以下一时刻的该多个参数作为网络模型的输出,以实现并行预测室内热环境参数。
潜热负荷预测单元,用于将下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据输入至训练好的反向传播神经网络,以使所述反向传播神经网络输出第一换热器或第二换热器的下一时刻潜热负荷预测值;
流量预测单元,将所述下一时刻显热负荷预测值和所述下一时刻潜热负荷预测值相加,以得到下一时刻负荷预测值,利用该下一时刻负荷预测值和供回换热介质温差,计算下一时刻流经该室内区域中第一换热器或第二换热器的换热介质所需流量。
优选地,所述气象数据包括太阳辐射、环境温度、相对湿度、风速和风向;所述室内人员数据包括室内人员数量;所述室内设备运行数据包括室内灯开启的个数和灯照强度;所述室内热环境数据包括墙体的内表面温度,室内温度和室内相对湿度;所述时间数据包括年、月、日、时。
按照本发明的另一方面,提供了一种地源热泵与蓄能复合空调***的控制方法,所述方法包括:通过控制三通阀、第一循环泵和第二循环泵,使得在第一预设时间要求下,从热泵机组流出的换热介质能够仅流入串联支路,不流经第一换热器;从而能够将已储存在第二蓄能箱中的换热介质调节至预设温度,并将预设温度的换热介质通入第一蓄能箱中进行保温;并且,使得在第二预设时间要求下,从热泵机组流出的换热介质能够仅流经第一换热器进行换热,不流入串联支路;同时,通过控制所述第二循环泵使在第一蓄能箱中保温的换热介质能够流入第二换热器进行换热后,存储至第二蓄能箱中。
优选地,所述方法还包括:将第二换热器的当日实际负荷输入至训练好的深度学习神经网络,以使深度学习神经网络输出其下一日负荷预测值;利用该下一日负荷预测值、预设温度和回流至第二蓄能箱中换热介质温度,计算下一日所需保温至第一蓄能箱中预设温度的换热介质的预测体积;控制第一循环泵,使通入第一蓄能箱中预设温度的换热介质达到预测体积时,停止运行;
获取第一换热器或第二换热器所在室内区域中,下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据和室内热环境数据,将以上数据输入至训练好的深度学习神经网络,以使深度学习神经网络输出第一换热器或第二换热器的下一时刻负荷预测值;利用该下一时刻负荷预测值和供回换热介质温差,计算下一时刻流经第一换热器或第二换热器的换热介质所需流量;控制第一循环泵或第二循环泵的开度,使换热介质按照所需流量流经第一换热器或第二换热器。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,至少具备以下有益效果。
(1)通过两个蓄能箱和换热介质控制模块,保证了供给末端换热介质温度稳定,在为第二换热器换热时,换热介质从第一蓄能箱流入第二蓄能箱,换热前和换热后温度不一致的换热介质通过两个蓄能箱分别存储,避免了常规蓄冷***中来自末端的回流换热介质与预设温度换热介质的混合导致供给换热介质的温度不断升高对空调末端带来的负面影响。
(2)通过蓄能量预测模块和蓄能量控制模块,能够通过对下一日所需保温至第一蓄能箱中换热介质的体积进行预测,实现蓄能量精确控制,降低过度蓄能产生的能耗,实现整个***的“精确蓄能”。
(3)通过流量预测模块,对下一时刻的负荷进行预测,将负荷拆分为显热负荷和潜热负荷分别进行预测,显热负荷采用混合堆叠式长短期记忆网络-反向传播神经网络预测,潜热负荷采用BPNN反向传播神经网络预测,该预测方法相比与现有技术而言,对下一时刻负荷的预测具有更高的准确性。
(4)利用流量控制模块基于对下一时刻负荷的预测结果循环泵进行控制调节,能够有效降低***的时滞性,从而提高供能的准确性和实现对房间的“精确供能”,充分保证末端需求的同时降低了循环泵的能耗。
(5)第一蓄能箱的入口和所述第二蓄能箱的出口通过管路连通,使得在将已储存在第二蓄能箱中的换热介质调节至预设温度时,经过二次调节温度过程,降低了能耗,使得蓄能时换热介质的温度调节效率更高。
(6)通过判断控制模块能够在将预设温度的换热介质通入第一蓄能箱中之前,保证第一蓄能箱中没有换热介质,避免第一蓄能箱中留存的换热介质对后续通入的预设温度的换热介质带来影响。
(7)能够充分利用峰谷电价制冷制热,同时热泵机组白天晚上均处于运行状态,机组得到高效利用。相比于常规地源热泵空调***,新***减少了常规***长时间在部分负荷工况下低效率运行带来的能量损失,同时通过降低机组的设计制冷量,降低了***的初始投资费用。整个***结构紧凑、操控智能,使用灵活且适用性强,因而尤其适用于以白天空调运行为主的办公类建筑。
附图说明
图1是本发明实施例提供的地源热泵与蓄能复合空调***的结构示意图;
图2是本发明实施例提供的地源热泵与蓄能复合空调***的控制方法框图;
图3是本发明实施例提供的地源热泵与蓄能复合空调***中深度学习神经网络数据集的构成示意图;
图4是本发明实施例提供的地源热泵与蓄能复合空调***中长短期记忆网络结构示意图;
图5是本发明实施例提供的地源热泵与蓄能复合空调***中显热负荷预测模型结构示意图;
图6是本发明实施例提供的地源热泵与蓄能复合空调***中对第二换热器的控制方法流程示意图。
在所有附图中,相同的附图标记用来表示相同的元件或结构,其中:
1-地埋管换热器;2-热泵机组;3-第一换热器;4-第二换热器;5-第一循环泵;6-第一蓄能箱;7-第二蓄能箱;8-第二循环泵;9-第一三通分流阀;10-第一三通合流阀;11-地源侧循环泵;12-第二三通分流阀;13-第二三通合流阀。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1为本发明一个实施例提供的地源热泵与蓄能复合空调***。参见图1,该***包括:地埋管换热器1、热泵机组2、第一换热器3、第二换热器4和第一循环泵5,第一蓄能箱6、第二蓄能箱7、第二循环泵8和换热介质控制模块;
其中,第一换热器3和第二换热器4并联,二者进口通过设置有第一三通分流阀9的管路与热泵机组2第一出口连接,二者出口通过设置有第一三通合流阀10的管路与热泵机组2第一进口连接。热泵机组2的第二出口和第二进口分别与地埋管换热器1的进口和出口连接,地埋管换热器1的出口管路上设置地源侧循环泵11。第一循环泵5被设置在热泵机组2出口或入口所在管路上,例如第一循环泵5可以被设置在热泵机组2与第一三通合流阀10之间。
第一蓄能箱6的出口、第二换热器4的进口、第二换热器4的出口和第二蓄能箱7的进口依次串联形成串联支路,该串联支路的进口为第一蓄能箱6的进口,该串联支路的进口为第二蓄能箱7的出口。所述第二循环泵8被设置在该串联支路中,例如,可以被设置在第二换热器4和第二蓄能箱7之间。
换热介质控制模块,用于通过控制所述三通阀、所述第一循环泵5和所述第二循环泵8,使得在第一预设时间要求下,从热泵机组2流出的换热介质能够仅流入所述串联支路,不流经第一换热器;从而能够将已储存在第二蓄能箱7中的换热介质调节至预设温度,并将预设温度的换热介质通入第一蓄能箱6中进行保温;并且,使得在第二预设时间要求下,从热泵机组2流出的换热介质能够仅流经第一换热器3进行换热,不流入所述串联支路;同时,通过控制所述第二循环泵8使在第一蓄能箱6中保温的换热介质能够流入第二换热器4进行换热后,存储至第二蓄能箱7中。
本发明实施例中地源热泵与蓄能复合空调***的工作原理为:在第一预设时间要求下,例如夜间22:00-07:00之间,为蓄能模式,开启第一循环泵5,调节第一三通分流阀9和第一三通合流阀10,第二蓄能箱7中的换热介质,依次流经热泵机组2、地埋管换热器1和热泵机组2后温度被调节至预设温度,然后流动进入第一蓄能箱6中保温存储。此时,第二循环泵8关闭,换热介质流入第一蓄能箱6后不流出,并且,从热泵机组2流出的换热介质不流经第一换热器。在第二预设时间要求下,例如白天07:00-22:00之间,为释能模式,开启第一循环泵5,调节第一三通分流阀9和第一三通合流阀10,换热介质在第一换热器3、热泵机组2和地埋管换热器1之间循环流动。此时,第二循环泵8打开,将在第一蓄能箱6中保温的换热介质通入第二换热器4后,存储至第二蓄能箱7中。
第一蓄能箱6的入口和所述第二蓄能箱7的出口通过管路直接连通,即在第一蓄能箱6的入口所在管路上设置第二三通分流阀12,在第二蓄能箱7的出口所在管路上设置第二三通合流阀13。将该第二三通分流阀12和第二三通合流阀13通过管路连接。使得进入所述串联支路的换热介质分为两路,由此,在蓄能模式时,从热泵机组2流出的温度被调节至预设温度的换热介质一路进入第一蓄能箱6进行保温存储,另一路与从第二蓄能箱7中流出的换热介质汇合后流出所述串联支路,此时换热介质进行第一次温度调节,随后流入热泵机组2和地埋管换热器1进行第二次温度调节。
另外,第一蓄能箱6和第二蓄能箱7的容积相等,存储于第一蓄能箱6和第二蓄能箱7中换热介质的体积之和小于或等于一个蓄能箱的容积。单个蓄能箱的容积由下列公式(1)确定:
其中,Vtank表示蓄能箱的容积,Qt表示空调设计日逐时负荷,ΔT为设计供回换热介质温差,本实施例中ΔT为8℃,ρ和cp分别为换热介质的密度和比热容。
在本发明实施例一种可行的方式中,所述***还包括:蓄能量预测模块,用于将所述第二换热器3的当日实际负荷输入至训练好的深度学习神经网络,以使所述深度学习神经网络输出其下一日负荷预测值,该深度学习神经网络可以采用长短期记忆网络。利用该下一日负荷预测值、所述预设温度和回流至第二蓄能箱7中换热介质温度,计算下一日所需保温至第一蓄能箱6中预设温度的换热介质的预测体积。蓄能量控制模块,用于控制所述第一循环泵5,使通入第一蓄能箱6中预设温度的换热介质达到所述预测体积时,停止运行。
上述下一日所需保温至第一蓄能箱6中预设温度的换热介质的预测体积V1可以通过下列公式(2)计算得到:
其中,V1表示蓄能箱的容积,Q1表示第二换热器下一日负荷预测值,ΔT为预设温度和回流至第二蓄能箱7中换热介质温度的差值,ρ和cp分别为换热介质的密度和比热容。
需要说明的是,由于上述下一日负荷预测值往往均存在预测误差。为了防止由于预测误差导致的蓄能量不足的情况发生,本发明实施例中可以例如将裕度系数设置为10%。
在本申请实施例一种可行的方式中,所述***还包括:判断控制模块,用于在将预设温度的换热介质通入第一蓄能箱6中之前,判断所述第一蓄能箱6中是否有换热介质,若是,打开所述第二循环泵8,关闭所述第一循环泵5,使所述第一蓄能箱6中换热介质排空,以确保在将预设温度的换热介质通入第一蓄能箱6中之前,第一蓄能箱6中没有换热介质。当预测的蓄能量高于实际需求,则白天释能过程结束后,第一蓄能箱6中会有剩余换热介质,剩余换热介质会对第二日夜间蓄能过程制取并存储的预设温度换热介质产生影响。因此,当日白天释冷过程结束,第二循环泵8可以继续运行,直至将第一蓄能箱6中的所有剩余换热介质抽入第二蓄能箱7中为止。若否,可直接将预设温度的换热介质通入第一蓄能箱6中。
在本发明实施例一种可行的方式中,所述第一换热器3和所述第二换热器4被设置于不同的室内区域中;
参见图2,所述***还包括:流量预测模块和流量控制模块;所述流量预测模块,用于获取所述第一换热器3或所述第二换热器4所在室内区域中,下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据和室内热环境数据,将以上数据输入至训练好的深度学习神经网络,以使所述深度学习神经网络输出第一换热器3或第二换热器4的下一时刻负荷预测值。利用该下一时刻负荷预测值和供回换热介质温差,计算下一时刻流经第一换热器3或第二换热器4的换热介质所需流量。所述流量控制模块,用于控制所述第一循环泵5或所述第二循环泵8的开度,使换热介质按照所述所需流量流经第一换热器3或第二换热器4。
具体地,所述***还包括:温度传感器和湿度传感器;由于第一换热器3或第二换热器4设置在不用的室内区域中,例如第一换热器3设置在房间1中,第二换热器4设置在房间2中,所以,该温度传感器和湿度传感器在房间1和房间2中均有设置。参见图5,所述流量预测模块包括:数据获取单元,用于接收通过温度传感器和湿度传感器采集到的所述第一换热器3或所述第二换热器4所在室内区域中,当前时刻的室内热环境数据,并获取该室内区域中下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据。显热负荷预测单元,用于将所述当前时刻的室内热环境数据输入至训练好的堆叠式长短期记忆网络,以使所述堆叠式长短期记忆网络输出下一时刻的室内热环境数据。将下一时刻的室内热环境数据、气象数据、时间数据、室内人员数据、室内设备运行数据输入至训练好的反向传播神经网络,以使所述反向传播神经网络输出第一换热器3或第二换热器4的下一时刻显热负荷预测值。潜热负荷预测单元,用于将下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据输入至训练好的反向传播神经网络,以使所述反向传播神经网络输出第一换热器3或第二换热器4的下一时刻潜热负荷预测值。流量预测单元,将所述下一时刻显热负荷预测值和所述下一时刻潜热负荷预测值相加,以得到下一时刻负荷预测值。利用该下一时刻负荷预测值和供回换热介质温差,计算下一时刻流经该室内区域中第一换热器3或第二换热器4的换热介质所需流量。
需要说明的是,深度神经网络的基本原理及处理过程为本领域所熟知,例如,在这些模型中,可以通过设置合适数量的隐含层及每一层的神经元,同时完善权重、偏置等及网络其他参数,加上适当的激活函数,输入向量在每一层内经过一定的计算,逐层通过直到输出,再根据预测结果降低损失来反馈调整网络参数甚至结构,从而达到优化效果。本发明中为了得到上述训练好的深度神经网络,在训练过程中,参见图3,训练数据集包括十年数据,其中前九年数据(序列数据的90%)用于预测模型训练,而将最后一年数据(序列数据的10%)用于预测验证。训练过程中,训练数据的80%用于模型训练,其余数据用于训练期间的模型验证。
例如,参见图4,上文所述的长短期记忆网络由一组单元格组成,这些单元格具有存储数据的功能,同时这些单元格用于捕获和存储数据流,并且这些单元将先前模块与当前模块进行内部互连,从而将数据信息从上一个模块传输到当前模块,以实现历史数据的存储及对将来数据的预测。LSTM主要由以下几部分组成:遗忘门(f),主要用于控制单元状态的复位,通过输出0到1之间的数字(其中1表示“完全保留此值”,0表示“完全忽略此值”)对上一结构单元中存储的历史信息进行选择遗忘。输入门(i)用于控制单元格的状态更新,确定所需存储数据。备选单元格用于选择输入信息添加至备选单元格中,通过生成可添加到状态单元格中的新候选向量,其中单元状态包含从先前时间步骤中学***,并根据数据过滤和存储后的单元格状态确定每个单元格的输出内容。计算方法如下:
ft=σ(Wf·yt-1+Rf·xt+bf) (3)
it=σ(Wi·yt-1+Ri·xt+bi) (4)
ot=σ(Wo·yt-1+Ro·xt+bo) (7)
yt=ot⊙tanh(Ct) (8)
其中σ表示门极激活函数,是σ(x)=(1+e-x)-1型式的S形函数,tanh表示双曲正切函数的状态激活函数,⊙表示矩阵的Hadamard乘积,W,R和b分别是输入权重、循环权重和每个分量的偏差。模型通过使用Glorot程序初始化输入权重,确保模型训练过程的稳定性并减少该模型的训练时间。此外,模型中循环权重由正交矩阵Q初始化得到,该正交矩阵Q是由标准正态随机矩阵Z通过QR分解得到。
上文所述的堆叠式长短期记忆网络由若干个常规长短期记忆网络组成,其中的若干个常规长短期记忆网络结构能够对多个变量参数进行并行预测。即采用当前时刻的多个参数作为网络模型的输入,并以下一时刻的该多个参数作为网络模型的输出,以实现并行预测室内热环境参数。
另外,上文所述气象数据包括太阳辐射、环境温度、相对湿度、风速和风向,这些气象数据可以从气象预报中获取。所述室内人员数据包括室内人员数量;所述室内设备运行数据包括室内灯开启的个数和灯照强度;这些室内人员数据和室内设备运行数据可以通过与时间向对应的表格进行记录或预估。所述室内热环境数据包括墙体的内表面温度,室内温度和室内相对湿度;所述时间数据包括年、月、日、时。
所述计算下一时刻流经该室内区域中第一换热器3或第二换热器4的换热介质所需流量,通过下列公式计算得到:
其中,Qfore和mfore分别表示下一时刻负荷预测值和所需流量,Cp为换热介质比热容,ΔT为第一换热器3或第二换热器4所在环路中换热介质供回流温差,本发明实施例中例如可以为8℃。
然后通过所需流量mfore与循环泵名义流量mrate,t的比值可计算输入第一循环泵或所述第二循环泵的控制信号Signalterm,
以实现控制所述第一循环泵或所述第二循环泵的开度,使换热介质按照所述所需流量流经第一换热器或第二换热器。根据所得所述流量对循环泵采取变速控制的运行方式能够有效降低由于***时滞性产生的冷热量供给滞后影响,从而实现“精确供能”,降低循环泵的能耗。
值得注意的是,本发明实施例中采用将负荷拆分为显热负荷和潜热负荷分别进行预测,对显热负荷采用堆叠式长短期记忆网络与反向传播神经网络结合的方式进行预测,对潜热负荷采用反向传播神经网络进行预测。可以有效提高预测的准确度,保证预测结果的可靠性。
具体地,选取该预测模型和几个常用预测模型(SVM支持向量机、BPNN模型和常规LSTM模型)分别对所选建筑的显热、潜热和冷负荷进行预测和对比,并使用均方根误差(RMSE)和平均绝对误差(MAPE)评价这些模型预测结果的准确性,计算方法如下:
表1多种模型预测结果对比评价表
表1中,LSTM-BPNN+BPNN即为本发明中采用的对显热负荷采用堆叠式长短期记忆网络与反向传播神经网络结合的方式进行预测,并对潜热负荷采用反向传播神经网络进行预测的方法,可以看出,上述所说BPNN对于潜热负荷预测效果较好、LSTM-BPNN对于显热负荷预测效果较好,两种方法合并得到的LSTM-BPNN+BPNN模型对空调的冷负荷的预测效果最好。
本发明另一个实施例提供了地源热泵与蓄能复合空调***的控制方法,所述方法包括下列步骤:
步骤1,通过控制三通阀、第一循环泵5和第二循环泵8,使得在第一预设时间要求下,从热泵机组2流出的换热介质能够仅流入所述串联支路,不流经第一换热器。从而能够将已储存在第二蓄能箱7中的换热介质调节至预设温度,并将预设温度的换热介质通入第一蓄能箱6中进行保温。并且,使得在第二预设时间要求下,从热泵机组2流出的换热介质能够仅流经第一换热器3进行换热,不流入所述串联支路。同时,通过控制第二循环泵8使在第一蓄能箱6中保温的换热介质能够流入第二换热器4进行换热后,存储至第二蓄能箱7中。
步骤2,将第二换热器3的当日实际负荷输入至训练好的深度学习神经网络,以使深度学习神经网络输出其下一日负荷预测值。利用该下一日负荷预测值、预设温度和回流至第二蓄能箱7中换热介质温度,计算下一日所需保温至第一蓄能箱6中预设温度的换热介质的预测体积;控制第一循环泵5,使通入第一蓄能箱6中预设温度的换热介质达到预测体积时,停止运行。步骤1和2中对于第二换热器4的具体操作可以参见图6,图6中放冷水泵为第二循环泵8,蓄能水泵为第一循环泵5。
步骤3,获取第一换热器3或第二换热器4所在室内区域中,下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据和室内热环境数据。将以上数据输入至训练好的深度学习神经网络,以使深度学习神经网络输出第一换热器3或第二换热器4的下一时刻负荷预测值。利用该下一时刻负荷预测值和供回换热介质温差,计算下一时刻流经第一换热器3或第二换热器4的换热介质所需流量。控制第一循环泵5或第二循环泵8的开度,使换热介质按照所需流量流经第一换热器3或第二换热器4。
应该理解的是,虽然上述各个步骤按照数字顺序依次进行描述说明,但是这些步骤并不是必然按照数字顺序依次执行。这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序或者同时执行。并且,上述至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,也可以在不同的时刻执行。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种地源热泵与蓄能复合空调***,包括:地埋管换热器(1)、热泵机组(2)、第一换热器(3)、第二换热器(4)和第一循环泵(5),所述第一换热器(3)和第二换热器(4)并联,二者进出口分别通过设置有三通阀的管路与热泵机组(2)连接,所述热泵机组(2)与地埋管换热器(1)连接,所述第一循环泵(5)被设置在热泵机组(2)出口或入口所在管路上;
其特征在于,所述***还包括:第一蓄能箱(6)、第二蓄能箱(7)、第二循环泵(8)和换热介质控制模块;
其中,所述第一蓄能箱(6)、所述第二换热器(4)和所述第二蓄能箱(7)依次串联形成串联支路,所述第二循环泵(8)被设置在该串联支路中;
所述换热介质控制模块,用于通过控制所述三通阀、所述第一循环泵(5)和所述第二循环泵(8),使得在第一预设时间要求下,从热泵机组(2)流出的换热介质能够仅流入所述串联支路,不流经第一换热器(3);从而能够将已储存在第二蓄能箱(7)中的换热介质调节至预设温度,并将预设温度的换热介质通入第一蓄能箱(6)中进行保温;并且,使得在第二预设时间要求下,从热泵机组(2)流出的换热介质能够仅流经第一换热器(3)进行换热,不流入所述串联支路;同时,通过控制所述第二循环泵(8)使在第一蓄能箱(6)中保温的换热介质能够流入第二换热器(4)进行换热后,存储至第二蓄能箱(7)中。
2.如权利要求1所述的复合空调***,其特征在于,所述第一蓄能箱(6)的入口和所述第二蓄能箱(7)的出口通过管路直接连通,使进入所述串联支路的换热介质分为两路,一路进入第一蓄能箱(6),另一路与从第二蓄能箱(7)中流出的换热介质汇合后流出所述串联支路。
3.如权利要求1所述的复合空调***,其特征在于,所述第一蓄能箱(6)和所述第二蓄能箱(7)的容积相等,存储于所述第一蓄能箱(6)和所述第二蓄能箱(7)中换热介质的体积之和小于或等于一个蓄能箱的容积。
4.如权利要求1所述的复合空调***,其特征在于,所述***还包括:
蓄能量预测模块,用于将所述第二换热器(3)的当日实际负荷输入至训练好的深度学习神经网络,以使所述深度学习神经网络输出其下一日负荷预测值;利用该下一日负荷预测值、所述预设温度和回流至第二蓄能箱(7)中换热介质温度,计算下一日所需保温至第一蓄能箱(6)中预设温度的换热介质的预测体积;
蓄能量控制模块,用于控制所述第一循环泵(5),使通入第一蓄能箱(6)中预设温度的换热介质达到所述预测体积时,停止运行。
5.如权利要求1所述的复合空调***,其特征在于,所述***还包括:
判断控制模块,用于在将预设温度的换热介质通入第一蓄能箱(6)中之前,判断所述第一蓄能箱(6)中是否有换热介质,若是,打开所述第二循环泵(8),关闭所述第一循环泵(5),使所述第一蓄能箱(6)中换热介质排空;以确保在将预设温度的换热介质通入第一蓄能箱(6)中之前,第一蓄能箱(6)中没有换热介质。
6.如权利要求1-5任一项所述的复合空调***,其特征在于,所述第一换热器(3)和所述第二换热器(4)被设置于不同的室内区域中;
所述***还包括:流量预测模块和流量控制模块;
所述流量预测模块,用于获取所述第一换热器(3)或所述第二换热器(4)所在室内区域中,下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据和室内热环境数据,将以上数据输入至训练好的深度学习神经网络,以使所述深度学习神经网络输出第一换热器(3)或第二换热器(4)的下一时刻负荷预测值;利用该下一时刻负荷预测值和供回换热介质温差,计算下一时刻流经第一换热器(3)或第二换热器(4)的换热介质所需流量;
所述流量控制模块,用于控制所述第一循环泵(5)或所述第二循环泵(8)的开度,使换热介质按照所述所需流量流经第一换热器(3)或第二换热器(4)。
7.如权利要求6所述的复合空调***,其特征在于,所述***还包括:温度传感器和湿度传感器;
所述流量预测模块包括:
数据获取单元,用于接收通过温度传感器和湿度传感器采集到的所述第一换热器(3)或所述第二换热器(4)所在室内区域中,当前时刻的室内热环境数据,并获取该室内区域中下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据;
显热负荷预测单元,用于将所述当前时刻的室内热环境数据输入至训练好的堆叠式长短期记忆网络,以使所述堆叠式长短期记忆网络输出下一时刻的室内热环境数据;将下一时刻的室内热环境数据、气象数据、时间数据、室内人员数据、室内设备运行数据输入至训练好的反向传播神经网络,以使所述反向传播神经网络输出第一换热器(3)或第二换热器(4)的下一时刻显热负荷预测值;
潜热负荷预测单元,用于将下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据输入至训练好的反向传播神经网络,以使所述反向传播神经网络输出第一换热器(3)或第二换热器(4)的下一时刻潜热负荷预测值;
流量预测单元,将所述下一时刻显热负荷预测值和所述下一时刻潜热负荷预测值相加,以得到下一时刻负荷预测值,利用该下一时刻负荷预测值和供回换热介质温差,计算下一时刻流经该室内区域中第一换热器(3)或第二换热器(4)的换热介质所需流量。
8.如权利要求6或7所述的复合空调***,其特征在于,所述气象数据包括太阳辐射、环境温度、相对湿度、风速和风向;所述室内人员数据包括室内人员数量;所述室内设备运行数据包括室内灯开启的个数和灯照强度;所述室内热环境数据包括墙体的内表面温度,室内温度和室内相对湿度;所述时间数据包括年、月、日、时。
9.一种对如权利要求1-8任一项所述的复合空调***的控制方法,其特征在于,所述方法包括:通过控制三通阀、第一循环泵和第二循环泵,使得在第一预设时间要求下,从热泵机组流出的换热介质能够仅流入串联支路,不流经第一换热器;从而能够将已储存在第二蓄能箱中的换热介质调节至预设温度,并将预设温度的换热介质通入第一蓄能箱中进行保温;并且,使得在第二预设时间要求下,从热泵机组流出的换热介质能够仅流经第一换热器进行换热,不流入串联支路;同时,通过控制所述第二循环泵使在第一蓄能箱中保温的换热介质能够流入第二换热器进行换热后,存储至第二蓄能箱中。
10.如权利要求9所述的方法,其特征在于,所述方法还包括:
将第二换热器的当日实际负荷输入至训练好的深度学习神经网络,以使深度学习神经网络输出其下一日负荷预测值;利用该下一日负荷预测值、预设温度和回流至第二蓄能箱中换热介质温度,计算下一日所需保温至第一蓄能箱中预设温度的换热介质的预测体积;控制第一循环泵,使通入第一蓄能箱中预设温度的换热介质达到预测体积时,停止运行;
获取第一换热器或第二换热器所在室内区域中,下一时刻的气象数据、时间数据、室内人员数据、室内设备运行数据和室内热环境数据,将以上数据输入至训练好的深度学习神经网络,以使深度学习神经网络输出第一换热器或第二换热器的下一时刻负荷预测值;利用该下一时刻负荷预测值和供回换热介质温差,计算下一时刻流经第一换热器或第二换热器的换热介质所需流量;控制第一循环泵或第二循环泵的开度,使换热介质按照所需流量流经第一换热器或第二换热器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762916.6A CN111928383B (zh) | 2020-07-31 | 2020-07-31 | 一种地源热泵与蓄能复合空调***及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762916.6A CN111928383B (zh) | 2020-07-31 | 2020-07-31 | 一种地源热泵与蓄能复合空调***及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111928383A true CN111928383A (zh) | 2020-11-13 |
CN111928383B CN111928383B (zh) | 2021-08-31 |
Family
ID=73315602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010762916.6A Active CN111928383B (zh) | 2020-07-31 | 2020-07-31 | 一种地源热泵与蓄能复合空调***及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111928383B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014098535A (ja) * | 2012-10-18 | 2014-05-29 | Sekisui Chem Co Ltd | 地中熱及びヒートポンプ利用の建物用空調システム |
CN104315629A (zh) * | 2014-09-30 | 2015-01-28 | 山东中瑞新能源科技有限公司 | 利用谷电辅助蓄冷/蓄热的地埋管地源热泵***及方法 |
CN205897403U (zh) * | 2016-07-22 | 2017-01-18 | 中国科学院广州能源研究所 | 一种双蓄冷槽的水蓄冷装置 |
CN106440131A (zh) * | 2016-09-23 | 2017-02-22 | 济南玖联电力软件发展有限公司 | 一种地源热泵***节约地埋管的方法 |
-
2020
- 2020-07-31 CN CN202010762916.6A patent/CN111928383B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014098535A (ja) * | 2012-10-18 | 2014-05-29 | Sekisui Chem Co Ltd | 地中熱及びヒートポンプ利用の建物用空調システム |
CN104315629A (zh) * | 2014-09-30 | 2015-01-28 | 山东中瑞新能源科技有限公司 | 利用谷电辅助蓄冷/蓄热的地埋管地源热泵***及方法 |
CN205897403U (zh) * | 2016-07-22 | 2017-01-18 | 中国科学院广州能源研究所 | 一种双蓄冷槽的水蓄冷装置 |
CN106440131A (zh) * | 2016-09-23 | 2017-02-22 | 济南玖联电力软件发展有限公司 | 一种地源热泵***节约地埋管的方法 |
Non-Patent Citations (1)
Title |
---|
徐欣: "天津办公建筑冷热负荷特征及预测算法", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111928383B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111076376B (zh) | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和*** | |
US11522487B2 (en) | Building and building cluster energy management and optimization system and method | |
CN111550861B (zh) | 一种热泵与电蓄热设备自适应优化控制方法、***及装置 | |
CN110094802B (zh) | 一种热泵与蓄热式电锅炉联合供暖负荷分配方法及装置 | |
Ma et al. | Model predictive control of thermal energy storage in building cooling systems | |
CN113091123A (zh) | 一种基于数字孪生模型的楼宇机组供热***调控方法 | |
CN112785184B (zh) | 考虑需求响应的源网荷协调分布鲁棒长期扩展规划方法 | |
CN114183796A (zh) | 基于电制热与集中供热多能互补***优化调度方法及装置 | |
CN116857863B (zh) | 基于大规模地源热泵的多能互补***优化控制方法和装置 | |
Haves | Model predictive control of HVAC systems: Implementation and testing at the University of California, Merced | |
CN116255664A (zh) | 一种基于多能互补***的模块化热力站供热调控方法 | |
Woźniak et al. | Heat production optimization using bio-inspired algorithms | |
CN111928383B (zh) | 一种地源热泵与蓄能复合空调***及其控制方法 | |
CN116817357B (zh) | 基于热力站、楼栋及户的供暖控制方法及装置 | |
CN117556696A (zh) | 一种高计算效率的中深层地热耦合相变储热***设计优化方法 | |
CN117557019A (zh) | 基于模型预测控制的含热泵集群的供热***调度方法 | |
CN116341855A (zh) | 一种分布式储能规划方法、装置、设备及介质 | |
CN115614812A (zh) | 一种基于物联网和边缘计算技术的水力平衡管理方法 | |
CN115682090A (zh) | 一种集中供暖***的优化控制方法及装置 | |
CN114251753A (zh) | 一种冰蓄冷空调冷负荷需求预测分配方法及*** | |
Toub et al. | MPC-trained ANFIS for Control of MicroCSP Integrated into a Building HVAC System | |
CN111509276B (zh) | 燃料电池的组合加湿装置 | |
CN114819662A (zh) | 一种考虑用户热需求的蓄热电锅炉群电热调度方法及*** | |
CN112902392A (zh) | 自适应调整的空调控制方法、电子设备及存储介质 | |
Terzi et al. | Identification of the cooling system of a large business center |
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 |