CN113418229A - 一种基于卷积-自编码神经网络的供暖管控阀门智能调控*** - Google Patents
一种基于卷积-自编码神经网络的供暖管控阀门智能调控*** Download PDFInfo
- Publication number
- CN113418229A CN113418229A CN202110657417.5A CN202110657417A CN113418229A CN 113418229 A CN113418229 A CN 113418229A CN 202110657417 A CN202110657417 A CN 202110657417A CN 113418229 A CN113418229 A CN 113418229A
- Authority
- CN
- China
- Prior art keywords
- data
- control
- state
- module
- neural network
- 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
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
- F24D19/1015—Arrangement or mounting of control or safety devices for water heating systems for central heating using a valve or valves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- F24D2220/00—Components of central heating installations excluding heat sources
- F24D2220/04—Sensors
- F24D2220/042—Temperature sensors
-
- 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
- F24D2220/00—Components of central heating installations excluding heat sources
- F24D2220/04—Sensors
- F24D2220/044—Flow sensors
-
- 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
- F24D2220/00—Components of central heating installations excluding heat sources
- F24D2220/04—Sensors
- F24D2220/046—Pressure sensors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明构建了一种基于卷积‑自编码神经网络的供暖管控阀门智能调控***,包括:数据采集模块,用于实时采集流经控制阀门的流体运行状态数据;数据库模块,用于接收实时状态运行数据并存储历史运行状态数据,状态识别模型包含于智能决策模块;智能决策模块,用于专家知识库基于当前供暖***状态识别结果选择匹配度最高的调控决策方案,并将调控决策方案上传至信息管控平台;信息管控平台,用于显示当前运行状态并将智能决策结果提供给管控人员,由管控人员确认调控决策执行,从而实时、智能远程精准调控阀门开度大小,降低滞后性,保证供暖调节平衡。
Description
技术领域
本发明涉及机器学习技术领域,特别是一种基于卷积-自编码神经网络的供暖管控阀门智能调控***,属于自动化调控技术领域。
背景技术
目前,我国城市集中供暖多采用二级管网式的供暖***,热源通过换热站将一次网内热量供给二次网,二次网通过控制阀门开度大小传输热量给用户。控制阀门作为二次网中的关键供暖调控设备,仅用于调节小区单元楼内温度,并未入户,大多集中安装于小区地下停车场,且由于用户单元楼至换热站距离、房屋面积存在差异,用户供暖效果不同。
现有技术中,二级供暖管网中控制阀门开度大小调节完全依赖于定期供暖区域温度巡检和用户反馈,消耗大量人力物力,且人工调节阀门开度精度低,滞后性强,导致同一区域内供暖调节失衡,温度差异大,用户满意度低。因此,解决城市集中供暖过程中控制阀门智能调控难度大的问题,对于我国传统供暖行业的发展、智慧城市的构建具有重要意义。
发明内容
针对以上问题,本发明旨在提供一种基于卷积-自编码神经网络的供暖管控阀门智能调控***。
本发明的目的采用以下技术方案来实现:
一种基于卷积-自编码神经网络的供暖管控阀门智能调控***,包括:
数据采集模块,用于采集流经控制阀门的流体实时运行状态数据,该运行状态数据包括进回水温度、流量数据以及压力数据;将采集到的实时运行状态数据通过远程通信模块上传至数据库模块;
数据库模块,用于接收实时状态运行数据及存储历史状态运行数据(实时状态数据可转化为历史状态数据),并将实时状态运行数据代入至利用历史状态数据训练好的神经网络智能决策模块;
智能决策模块,用于根据实时运行状态数据识别供暖管网实时运行状态,并基于状态识别结果利用专家知识库选择匹配度最高的阀门调控决策方案,将决策结果上传至信息管控平台;
信息管控平台,用于将智能决策结果呈现给管控人员,由管控人员确认阀门调控决策的执行,从而实时、智能的调控阀门开度。
在一种实施方式中,数据采集模块包括控制阀门内部的温度传感器、压力传感器及流量传感器,分别用于采集管道内部的进回水温度、管道内压力数据及进回水流量数据;
数据采集模块还包括控制阀门顶部的通信模块,该模块采用GPRS通信技术,传输距离可达1200米,通信模块与上述三个传感器相连,将采集到的实时运行状态数据上传至数据库模块。
在一种实施方式中,数据库模块包括实时状态数据集和历史状态数据库,实时状态数据集在下一组运行状态数据接收后即存储至历史运行状态数据库,历史状态数据库内数据用于训练、验证、更新状态识别模型,并将实时状态数据集代入至利用历史状态数据训练完成的状态识别模型中识别供暖***实时运行状态。
在一种实施方式中,智能决策模块包括运行状态识别模型和专家知识库决策模型,运行状态识别模型用于根据实时运行状态数据识别供暖***当前状态,专家知识库决策模型用于根据所识别的状态选取匹配度最高的阀门调控决策。
在一种实施方式中,信息管控平台包括显示模块和调控决策执行模块,显示模块用于显示智能决策结果,并由管控人员确定调控决策的执行。
在一种实施方式中,数据库模块还包括历史运行状态数据库,用于存储供暖管网历史运行状态数据,并利用该历史数据训练、更新神经网络状态识别模型;
在一种实施方式中,智能决策模块还包括神经网络状态识别模型,神经网络状态识别模型将所获取的存储历史状态数据按照以下步骤进行处理训练,包括:清洗,利用Datawranger软件在线清洗,用于除去无价值错误数据;降采样,利用奈奎斯特方法降采样,用于提取关键特征,降低计算维度;加噪,用于提升神经网络的抗干扰能力;归一化,用于统一数据维度,便于计算;数据集划分,用于划分训练集及验证集,标记数据集;网络构建,所建立的状态识别模型为结合3层卷积-自编码神经网络,用于识别供暖***当前运行状态;训练,用于训练模型,提升模型准确率;验证,用于验证模型准确率;
在一种实施方式中,3层卷积-自编码神经网络,用于训练状态识别模型,具体包括1个输入层,3个隐层,1个池化层,3个正则化层,1个全连接层及1个输出层;
在一种实施方式中,所述输入层及隐层,用于堆栈自编码器网络内,网络整体输出作为卷积神经网络的输入,激活函数为Relu函数,表达形式如下:
f(x)=max(0,x)
从上式上可以看出,Relu函数属于取最大值的函数,将所有的负值都变为0,而正值不变。
对所述输出层,用于输出分类后的运行状态识别结果,输出运行状态类别数等于网络输出端节点数,采用Softmax函数作为输出函数,表达形式如下:
其中,分母是配分函数,一般简记为Z,表示所有状态的总和,作为归一化分子;分子是势能函数。
对上述卷积层、池化层以及全连接层,用于提取数据特征,降低数据维度以及降低学习过程中的参数敏感度,其卷积核尺寸及个数均通过控制变量法确定。
本发明的有益效果为:本发明通过数据采集模块、数据库模块、智能决策模块及信息管控平台构建了对供暖***设备的智能调控***,通过控制阀内传感器数据采集模块采集实时运行状态数据,并利用通信模块将实时运行状态数据代入至利用历史运行状态数据训练好的神经网络状态识别模型中,根据识别结果选择匹配度最高的专家知识决策方案,进而将决策方案发送至信息管控平台,由管控人员确定管控方案的执行,调节阀门开度大小,从而保证供暖需求平衡。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图;
图2为本发明供暖设备运行状态识别模块的结构图。
图3为智能决策模块流程图
图4为卷积-自编码神经网络的基本结构图
图5为隐藏层层数对识别准确率的影响图
图6为学习率对识别准确率的影响图
图7为权值衰减参数对识别准确率的影响图
图8为Dropout参数对识别准确率的影响图
图9a和9b为状态识别模型准确率验证图,其中图9a为训练样本作为输入,网络输出的回归结果;图9b为测试样本作为输入,网络输出的回归结果。
图10为流量值收敛到目标的过程误差变化图
图11为智能调控阀门参数后优化效果图
图12为信息管控平台操作界面图
具体实施方式
下面结合附图及实施案例,对本发明进行进一步详细说明,但应当理解实施例用以解释本发明,并不用于限制本发明。
附图中附图标记:
数据采集模块1、数据库模块2、智能决策模块3、信息管控平台4、温度传感器11、流量传感器12、压力传感器13、通信模块14、实时运行状态数据集21、历史运行状态数据库22、***运行状态识别模块31、专家知识库智能决策模块32、显示模块41、调控决策执行模块42。
本发明开发一种基于卷积-自编码神经网络的供暖管控阀门智能调控***,图1为本发明的框架结构图,图2为本发明运行状态识别模块结构图,图3为智能决策模块流程图,图4为卷积-自编码神经网络的基本结构图,图5为隐藏层层数对运行状态识别准确率的影响图,图6为学***台操作界面图。如图1-12所示,示出了本发明的一种基于卷积-自编码神经网络的供暖管控阀门智能调控***的结构框架、运行状态识别模块的结构、智能决策模块流程、卷积-自编码神经网络基本结构、隐藏层层数对运行状态识别准确率的影响、净学***台操作界面。
参见图1,其示出一种基于卷积-自编码神经网络的供暖管控阀门智能调控***,包括:
数据采集模块1,用于采集流经控制阀门的流体实时运行状态数据,该运行状态数据包括进回水温度、流量数据以及压力数据;将采集到的实时运行状态数据借由远程通信模块14上传至数据库模块2;获取的信号及供暖***状态信息类别归纳,见表1。
表1获取的状态信号及供暖***状态信息类别归纳
数据库模块2,用于接收实时状态运行数据及存储历史状态运行数据(实时状态数据可转化为历史状态数据),并将实时运行状态数据代入至利用历史状态数据训练好的卷积-自编码神经网络智能决策模块3;
智能决策模块3,用于根据实时运行状态数据识别供暖管网实时运行状态,并基于状态识别结果利用专家知识库选择匹配度最高的阀门调控决策方案,将决策结果上传至信息管控平台4;神经网络的神经节点参数设置,见表2。其余网络参数设置,见表3。
表2卷积-自编码神经网络的神经节点参数设置情况
表3其它网络参数设置
信息管控平台4,用于并将智能决策结果呈现给管控人员,由管控人员确认调控决策的执行,从而实时、智能调控阀门开度。
在一种实施方式中,数据采集模块1包括控制阀门内部的温度传感器11、压力传感器12及流量传感器13,分别用于采集管道内部的进回水温度、管道内压力数据及进回水流量数据;
数据采集模块1还包括控制阀门顶部的通信模块14,该模块采用GPRS通信技术,传输距离可达1200米,通信模块与上述三个传感器(11,12,13)相连,将实时采集到的运行状态数据上传至数据库模块2。
在一种实施方式中,数据库模块2包括实时状态数据集21和历史状态数据库22,实时状态数据集21在下一组运行状态数据接收后即存储至历史运行状态数据库,历史状态数据库22内数据用于训练、验证、更新状态识别模型,并将实时运行状态数据代入至利用历史状态数据训练好的状态识别模型中识别供暖***实时运行状态,进入智能决策模块3。
在一种实施方式中,智能决策模块3包括运行状态识别模型31和专家知识库决策模型32,运行状态识别模型31用于根据实时运行状态数据识别供暖***当前运行状态,专家知识库决策模型32用于根据所识别的状态选取匹配度最高的阀门调控决策,并将决策结果上传至信息管控平台4。
在一种实施方式中,信息管控平台4包括显示模块41和调控决策执行模块42,显示模块41显示智能决策结果,调控决策执行模块42则由管控人员确定调控决策的执行。
本发明上述实施方式,通过数据采集模块、数据库模块、智能决策模块及信息管控平台构建对供暖***设备的智能调控***,通过控制阀内传感器数据采集模块采集实时运行状态数据,并利用通信模块将实时运行状态数据代入至利用历史运行状态数据训练好的神经网络状态识别模型中进行状态识别,根据识别结果选择匹配度最高的专家知识决策方案,进而将决策方案发送至信息管控平台,由管控人员确定管控方案的执行,调节控制阀门开度大小,从而保证供暖需求平衡。
在一种实施方式中,智能决策模块2还包括神经网络状态识别模型21,神经网络状态识别模型21将所获取存储的历史状态数据按照以下步骤进行处理训练,包括:清洗,利用Datawranger软件在线清洗数据,用于除去无价值数据;降采样,利用奈奎斯特方法降采样,用于提取关键特征,降低计算维度;加噪,用于提升神经网络抗干扰能力;归一化,用于统一数据维度;数据集划分,用于划分训练集及验证集,标记数据集;网络构建,所建立的状态识别模型21为3层堆栈自编码卷积神经网络,用于识别供暖***当前运行状态;训练,用于训练模型,提升模型准确率;验证,用于验证模型准确率;
在一种实施方式中,3层卷积-自编码神经网络,用于训练状态识别模型21,具体包括1个输入层,3个隐层,1个池化层,3个正则化层,1个全连接层及1个输出层;在其它条件保持不变的情况下,不同层数的卷积-自编码神经网络对供暖***运行状态识别的准确率也不同,同理,学习率、权值惩罚参数与Dropout参数在其它条件保持不变的情况下的实施结果,见图5,图6,图7,图8所示。
在一种实施方式中,所述输入层及隐层,用于堆栈自编码器内,网络整体输出作为卷积神经网络的输入,激活函数为Relu函数,表达形式如下:
f(x)=max(0,x)
从上式上可以看出,Relu函数属于取最大值的函数,将所有的负值都变为0,而正值不变。
对所述输出层,用于输出识分类后的状态识别结果,输出识别状态类别数等于网络输出端节点数,采用Softmax函数作为输出函数,表达形式如下:
其中,分母是配分函数,一般简记为Z,表示所有状态的总和,作为归一化分子;分子是势能函数。
对上述卷积层、池化层以及全连接层,用于提取数据特征,降低数据维度以及降低学习过程中的参数敏感度,其卷积核尺寸及个数均通过控制变量法确定。
本发明上述实施方式,采用Relu函数作为激活函数,可以使网络训练更快,减少反应时间,加快供暖决策调控实施进度;采用Softmax函数作为分类器,可将所有类别打分都限制在[0,1]之间,便于将实际情况与预测情况进行比较来对网络进行调节,从而提高模型状态识别的准确率。供暖管网识别模型结果,见图10所示。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当分析,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种基于卷积-自编码神经网络的供暖管控阀门智能调控***,其特征在于,包括:
数据采集模块,用于采集流经控制阀门的流体实时运行状态数据,该运行状态数据包括进回水温度、流量数据以及压力数据;将采集到的实时运行状态数据通过远程通信模块上传至数据库模块;
数据库模块,用于接收实时状态运行数据及存储历史状态运行数据(实时状态数据可转化为历史状态数据),并将实时状态运行数据代入至利用历史数据训练好的神经网络智能决策模块;
智能决策模块,用于根据实时运行状态数据识别供暖管网实时运行状态,并基于状态识别结果利用专家知识库选择最佳阀门调控决策方案,将决策结果上传至信息管控平台;
信息管控平台,用于将智能调控决策结果呈现给管控人员,由管控人员确认阀门调控决策的执行,从而实时、智能调控阀门开度;
其中所述数据库模块还包括历史运行状态数据库模块,用于存储历史供暖管网运行状态数据,并利用该历史状态数据训练神经网络状态识别模型;
所述智能决策模块还包括神经网络状态识别模型,所述神经网络状态识别模型将所获取的历史状态数据按照以下步骤进行处理训练,包括:清洗,利用Datawranger软件在线清洗,用于除去无价值错误数据;降采样,利用奈奎斯特方法降采样,用于提取关键特征,降低计算维度;加噪,用于提升神经网络的抗干扰能力;归一化,用于统一数据维度,便于计算;数据集划分,用于划分训练集及验证集,标记数据集;网络构建,所建立的状态识别模型为3层堆栈自编码卷积神经网络,用于识别供暖***当前运行状态;训练,用于训练模型,提升模型准确率;验证,用于验证模型准确率;
所述3层堆栈自编码卷积神经网络,用于训练状态识别模型,具体包括1个输入层,3个隐层,1个池化层,3个正则化层,1个全连接层及1个输出层;
对所述输入层及隐层,用于堆栈自编码器网络内,网络整体输出作为卷积神经网络的输入,激活函数为Relu函数,表达形式如下:
从上式可以看出,Relu函数属于取最大值的函数,将所有的负值都变为0,而正值不变。
对所述输出层,用于输出分类后的状态识别结果,输出状态识别类别数等于网络输出端节点数,采用Softmax函数作为输出函数,表达形式如下:
其中,分母是配分函数,一般简记为Z,表示所有状态的总和,作为归一化分子;分子是势能函数。
对上述卷积层、池化层以及全连接层,用于提取数据特征,降低数据维度以及降低学习过程中的参数敏感度,其卷积核尺寸及个数均通过控制变量法确定。
2.根据权利要求1所述的基于卷积-自编码神经网络的供暖管控阀门智能调控***,其特征在于,
所述数据采集模块包括控制阀门内部的温度传感器、压力传感器及流量传感器,分别用于采集供暖管道内的进回水温度、管道内压力数据及进回水流量数据;
所述数据采集模块还包括控制阀门顶部的通信模块,该模块采用GPRS通信技术,传输距离可达1200米,通信模块与上述三个传感器相连,将实时采集到的运行状态数据上传至数据库。
3.根据权利要求1所述的基于卷积-自编码神经网络的供暖管控阀门智能调控***,其特征在于,
所述数据库模块包括实时状态数据集和历史状态数据库,实时状态数据集在下一组状态数据接收后即存储至历史数据库,历史状态数据库内数据用于训练、验证、更新状态识别模型,实时状态数据集用于代入至训练完成的状态识别模型中诊断供暖***实时运行状态。
4.根据权利要求1所述的基于卷积-自编码神经网络的供暖管控阀门智能调控***,其特征在于,
所述智能决策模块包括运行状态识别模型和专家知识库决策模型,运行状态识别模型用于识别供暖***当前状态,专家知识库决策模型用于根据所识别的状态选取匹配度最高的阀门调控决策。
5.根据根据权利要求1所述的基于卷积-自编码神经网络的供暖管控阀门智能调控***,其特征在于,所述信息管控平台包括显示模块和调控决策执行模块,显示模块用于呈现智能决策结果,并由管控人员确定调控决策的执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657417.5A CN113418229A (zh) | 2021-06-11 | 2021-06-11 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657417.5A CN113418229A (zh) | 2021-06-11 | 2021-06-11 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113418229A true CN113418229A (zh) | 2021-09-21 |
Family
ID=77788518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110657417.5A Pending CN113418229A (zh) | 2021-06-11 | 2021-06-11 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113418229A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115685827A (zh) * | 2022-10-28 | 2023-02-03 | 中材新材料装备科技(天津)有限公司 | 一种余热电站智能运行***及其方法 |
CN116794975A (zh) * | 2022-12-20 | 2023-09-22 | 维都利阀门有限公司 | 电动蝶阀的智能控制方法及其*** |
CN116839091A (zh) * | 2023-05-15 | 2023-10-03 | 山东和同信息科技股份有限公司 | 一种基于深度学习的换热站自动控制参数设置方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0814627A (ja) * | 1994-06-28 | 1996-01-19 | Nec Eng Ltd | 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 |
CN101619850A (zh) * | 2009-08-06 | 2010-01-06 | 杭州盘古自动化***有限公司 | 基于热电***负荷在线预测的调度方法与*** |
CN106895478A (zh) * | 2017-02-10 | 2017-06-27 | 青岛高校信息产业股份有限公司 | 一种供热管网调节方法和*** |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制***及方法 |
CN111787123A (zh) * | 2020-07-27 | 2020-10-16 | 四川神琥科技有限公司 | 智慧热网运维管理*** |
CN112032800A (zh) * | 2020-09-09 | 2020-12-04 | 山东鲁航智能科技有限公司 | 一种智能化管网平衡***及其调控方法 |
CN112628845A (zh) * | 2020-12-23 | 2021-04-09 | 看见文化科技(深圳)有限公司 | 一种智能供暖的控制中心、方法和*** |
CN112923435A (zh) * | 2021-03-22 | 2021-06-08 | 瑞纳智能设备股份有限公司 | 一种基于人工智能和优化算法的集中供热二次侧调控方法 |
-
2021
- 2021-06-11 CN CN202110657417.5A patent/CN113418229A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0814627A (ja) * | 1994-06-28 | 1996-01-19 | Nec Eng Ltd | 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 |
CN101619850A (zh) * | 2009-08-06 | 2010-01-06 | 杭州盘古自动化***有限公司 | 基于热电***负荷在线预测的调度方法与*** |
CN106895478A (zh) * | 2017-02-10 | 2017-06-27 | 青岛高校信息产业股份有限公司 | 一种供热管网调节方法和*** |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制***及方法 |
CN111787123A (zh) * | 2020-07-27 | 2020-10-16 | 四川神琥科技有限公司 | 智慧热网运维管理*** |
CN112032800A (zh) * | 2020-09-09 | 2020-12-04 | 山东鲁航智能科技有限公司 | 一种智能化管网平衡***及其调控方法 |
CN112628845A (zh) * | 2020-12-23 | 2021-04-09 | 看见文化科技(深圳)有限公司 | 一种智能供暖的控制中心、方法和*** |
CN112923435A (zh) * | 2021-03-22 | 2021-06-08 | 瑞纳智能设备股份有限公司 | 一种基于人工智能和优化算法的集中供热二次侧调控方法 |
Non-Patent Citations (1)
Title |
---|
高咪等: "《基于卷积神经网络的交通标志识别》", 《微型电脑应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115685827A (zh) * | 2022-10-28 | 2023-02-03 | 中材新材料装备科技(天津)有限公司 | 一种余热电站智能运行***及其方法 |
CN116794975A (zh) * | 2022-12-20 | 2023-09-22 | 维都利阀门有限公司 | 电动蝶阀的智能控制方法及其*** |
CN116794975B (zh) * | 2022-12-20 | 2024-02-02 | 维都利阀门有限公司 | 电动蝶阀的智能控制方法及其*** |
CN116839091A (zh) * | 2023-05-15 | 2023-10-03 | 山东和同信息科技股份有限公司 | 一种基于深度学习的换热站自动控制参数设置方法 |
CN116839091B (zh) * | 2023-05-15 | 2024-01-19 | 山东和同信息科技股份有限公司 | 一种基于深度学习的换热站自动控制参数设置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270842B (zh) | 一种基于贝叶斯网络的区域供热模型预测控制***及方法 | |
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*** | |
CN102779228B (zh) | 商场建筑中央空调冷负荷在线预测方法及*** | |
CN103530818B (zh) | 一种基于brb***的供水管网建模方法 | |
CN102705957B (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及*** | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109242049B (zh) | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 | |
CN113418229A (zh) | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控*** | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN109164704B (zh) | 一种基于混合模型的空压机群组优化调度方法 | |
CN114322199B (zh) | 基于数字孪生的通风***自主优化运行调控平台及方法 | |
CN110332605B (zh) | 基于bp神经网络的热网能耗指标分析预警方法 | |
CN111981635B (zh) | 一种双智能算法的中央空调故障预测与诊断方法 | |
CN112819107A (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据*** | |
CN104636800A (zh) | 基于最小二乘加权的冷冻站***神经网络优化单元及其方法 | |
CN114365614A (zh) | 基于物联网的水肥精准调控方法、智能装备及*** | |
CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、***及设备 | |
CN115570228A (zh) | 一种焊接管道供气智能反馈控制方法与*** | |
CN114862073B (zh) | 一种气陆库水四维耦合的中长期径流预报方法 | |
CN115423301A (zh) | 一种基于物联网的电力能源智能管控方法、装置及*** | |
CN115561416A (zh) | 污水处理厂进水水质实时检测方法和装置 | |
CN114777192A (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |