基于模式识别算法的热力站动态能耗指标预测模型.docx

基于模式识别算法的热力站动态能耗指标预测模型.docx

  1. 1、本文档共16页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于模式识别机器学习算法的热力站动态能耗指标预测模型 引言 在集中供热系统中,热量主要以水为载体从热源厂通过一次管线输送到热力站,热力站通过换热设备进行热交换后,将热水通过二次管线输送到热用户户内。为了使用户室温达标,同时降低能源消耗,需要根据天气预报情况不断地对热力站的热负荷进行调整。目前,传统的调整方式是通过预报的室外温度结合热力站所带供热面积进行计算,同时根据风、雪和日照等因素,凭借经验进行人为修正。得出各个热力站的未来预测负荷(大部分用二次送水平均温差或送回水温度作为调整参量)和延迟时间,但由于用户需热情况复杂,受热力站及二次管网系统结构、供暖用户建筑物结构、保温情况甚至用户用热习惯等多重因素影响,传统的计算方式多以调度人员的经验和一些计算公式(人为的设定一些估值)无法准确获得合理热负荷值预测值,其估算的调整结果容易出现用户室温不达标或室温偏高导致能源浪费等情况的发生。针对上述情况,本文采用了模式识别机器学习算法对各供热参数进行数据集合统计计算和分析,得出热力站热负荷和影响热负荷的各个因素之间的关系,从而准确高效地调节和控制用户室温,在节能降耗的同时提升供热舒适度。 算法研究 数据采集 实现模式识别机器学习算法对各供热参数进行数据集合计算,作为基础的数据采集工作非常关键,其采集内容、采集频率和采集数据质量是关系到整个数据模型分析结果能否可用的关键重要因素。 采集内容 目前,国内的热力站运行数据,百分之九十采用了以PLC控制技术为主要采集手段,通过无线VPDN技术或有线(光纤专线)将PLC采集的热力站数据上传到相应的调度中心SCADA系统,所有这些数据可以通过网络实现对各个热力站数据的监视和调度。同时,也可以通过IOT(物联网)技术将热计量数据和用户室内温度上传到SCADA系统或上一级调度系统(能管系统);天气预报和实时天气预报数据考虑到网络安全因素可以通过购买专业地区气象台数据通过接口上传到调度系统(能管系统);或在SCADA系统中增加室外环境温度、风力、湿度和照度采集测点实现气象实时数据的采集;同时,其次日天气预报数据可人为的手工录入系统。 采集频率 数据采集频率的设定,一般考虑如下三个方面的因素;一是SCADA系统的数据处理能力的限制,目前,大多数系统都可以实现秒级的数据采集和处理。二是受到数据上传链路带宽和性能的限制,一般情况是,基于无线VPDN的数据传输,其数据传输时间为不大于5分钟,且其控制数据下行为即时策略,采集上行为固定时间间隔。而对于专线(光纤专线)上传的数据频率一般为5秒级;三是IOT(物联网)数据,包括用户室内温度和热计量数据,由于受到其网络带宽和无源(电池供电)限制,其传输频率一般设置在10分钟到30分钟。天气预报一般以小时为最小采集单位。 数据质量 数据采集质量的控制,关系到整个系统能否正常使用,确保数据质量应满足如下三点;第一:数据采集测点的稳定性和采集精度的控制,其中,流量和热负荷的采集设备,其采集设备的选型十分重要,在热力站建设和系统改造时要给与足够的重视。第二:设备采集精度的控制,一般情况下,标准的数据采集设备0.2级精度是可以满足要求的,但在室内温度测量方面,由于其有效可用测量范围(大于15度小于28度之间),要求注意控制其采集精度和采集环境的控制,必要时可对室内温度采集设备增加偏移量补偿调整。第三:对于天气预报等数据,要求数据传输接口的稳定性,必要情况下,可以通过冗余方法提供两个天气预报数据源。 数据存储 实现模式识别机器学习算法对各供热参数进行数据集合计算,数据存储方法是系统进行集合计算的保证。合理有效的数据存储方式关系到整个系统能否正常的使用。目前,有如下三种存储方法。 1.2.1 实时数据库 实时数据库诞生于美国,主要是因为现代工业制造流程及大规模工业自动化的发展,导致大量的测量数据需要集成和存储,而采用关系数据库难以满足速度和容量的要求,因此在80年代中期,开始诞生了适用于工业监控领域的实时数据库。 实时数据库其实并不单单只是一个数据库,而是一个系统,包括对各 类工业接口的数据采集,海量监测数据的压缩、存储及检索,基于监测数据的反馈及控制功能等。 实时数据库的出现,主要是为了解决当时关系型数据库不太擅长的领域,包括:1、海量数据的实时读写操作;2. 大容量数据的存储;3. 集成了工业接口的数据采集;4. 集成控制功能,可实现实时控制; 鉴于实时数据库是基于时标进行处理的,就导致它只能简单的使用时间段进行查询和检索;复杂的检索,在性能和功能上无法和关系数据库相比。 1.2.2 关系数据库 关系数据库,是建立在关系模型基础上的 数据库,借助于集合代数等数学概念和方法来处理数据库中的 数据。现实世界中的各种实体以及实体之间的各种联系均用关

文档评论(0)

jjt1992 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档