冰蓄冷系统基于负荷预测和优化的实时控制

首先基于西安地区某办公楼空调季节的数据,进行了逐时温度和冷负荷的预测。然后,讨论了温度预测对负荷预测,负荷预测对离线优化的影响。结果表明,人工神经网络冷负荷预测的准确度不受异常天气情况的影响;而负荷预测的准确度直接影响非线性优化的结果;在线修正是至关重要的。最后,给出了实时控制中负荷预测及离线优化结果在线修正的实例。     

基于加速退化数据的某导电膜电阻贮存寿命预测方法

提出了一种基于加速退化数据的某导电膜电阻贮存寿命预测方法。首先对该导电膜电阻采用温度应力进行加速性能退化试验，试验中将该导电膜电阻的总阻值作为反映其性能的指标判据，在不同加速应力水平下得到在线测试和离线测试获取的加速性能退化数据；然后通过引入温度因数去除在线测试数据的温漂效应，再融合在线数据和离线数据进行退化轨迹模型参数辨识，获得该导电膜电阻在各加速应力水平下的伪寿命；然后结合经过修正的三参数温度加速模型评估得到该导电膜电阻在正常应力下的贮存寿命。最终以某导电膜电阻为例验证了所提方法的适用性和有效性。     

基于有限元法异型坯动态二冷控制模型开发与应用

建立了异型坯连铸凝固传热数学模型,并利用有限元法进行离散求解.在此基础上开发了异型坯连铸动态二冷控制模型,模型以5s为周期动态计算整个铸坯实时温度场,并采用有效拉速和表面目标温度法对二冷水量进行设定和优化.用可视化编程工具Visual C++6.0编制了异型坯连铸动态二冷控制系统.在相同工况情况下,动态二冷控制系统仿真结果与大型商业软件Marc计算结果一致,可用于在线控制或异型坯连铸二冷工艺离线设计优化.     

热轧机组轧制负荷的自适应模糊预测

针对传统轧制负荷模型的固有缺陷，为了提高精轧机组轧制负荷预设定精度，提出一种将基于误差反馈和专家经验的闭环模糊控制引入轧制负荷预测系统中的新方法，用于修正预测输出、提高预测精度和鲁棒性的设想。离线仿真表明：采用本文所述的方法，预测精度优于传统方法。预测结果的相对误差限制在5%以内。     

变速轧制下超快冷系统工艺温度在线实时修正策略

结合某现场超快速冷却系统，具体分析了带钢运行速度变化对轧后冷却过程换热系数与冷却时间的影响规律.根据速度运行机制，开发了速度在线修正计算策略，实现了轧后冷却区带钢速度计算值与实际值的吻合;并在此基础上开发的工艺温度在线循环计算策略，消除了速度波动对温度控制的影响，提高了温度控制精度.将该温度在线实时修正策略应用于现场，实现了超快冷出口温度与卷取温度的精确控制，工艺温度命中率在96%以上，有效消除速度对温度波动的影响，完全满足新产品、新工艺的工业化试制及大批量生产.     

基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均（SARIMA）模型的递归预测方法．通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式．通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求．     

基于深度学习的房间冷负荷预测模型

准确的房间冷负荷预测是空调运行过程节能的基础.首先,根据房间能量平衡方程,通过分析供冷量、冷负荷和蓄热量的关系,提出调温模式下房间负荷预测模型;然后,利用频域分解法实现蓄热计算,应用深度循环神经网络实现温度恒定条件下冷负荷预测;最后,综合温度变化下的蓄热量和温度恒定条件下的冷负荷预测,得到调温模式下房间冷负荷预测值.为提升深度学习算法收敛速度,在深度循环神经网络反向传播修正参数的过程中引入了高斯-牛顿法-LM (Levenberg-Marquardt)法自适应切换的学习算法.仿真实验和实测实验均表明,该方法能快速有效地实现房间逐时负荷预测.本方法实现了调温模式下房间负荷需求的快速精确计算,可用于实现建筑被动热储能的定量计算,同时为整个电网需求侧直接负荷控制提供可借鉴的思路.     

基于LTC-RNN模型的中长期电力负荷预测方法

针对中长期电力负荷预测受限于天气、温度、节假日等多重不确定性因素影响而精度不高的难题,本文采用一种基于液体时间常数的递归神经网络,实现了中长期电力负荷的精准预测,为电力系统规划设计奠定较好基础．基于液体时间常数的递归神经网络使用膜积分器改进了神经元的状态方程,并使用半隐式欧拉算法完成对神经元状态迭代更新,解决递归神经网络的自我修正能力弱和易陷入局部最优的问题．本文以天气、温度、节假日等外在影响因素作为网络输入,构建了以递归神经网络为基础架构的中长期电力负荷预测模型,并通过隐藏层的扩展计算获得输入-输出的映射关系,以通过时间的反向传播算法实现对模型的训练,完成对神经网络参数的优化．实验中,以北方某地区的实际电网数据为例,验证该预测方法的准确性与高效性．研究结果发现,基于液体时间常数的递归神经网络对中长期电力负荷的预测准确率可达到95.3%．本模型相较于长短期记忆和连续时间递归神经网络具有更稳定的训练结果与更高的预测准确度．     

离线方法与在线优化相结合的混合型鲁棒预测控制

通过加入自由摄动量和采用在线优化来扩大离线鲁棒预测控制的吸引域。当状态位于离线预测控制的吸引域之外时,在线求解简单的优化问题,得到一个较大的椭圆型吸引域;当状态位于这个较大椭圆型区域的外面时,在线求解1个标准的鲁棒预测控制问题,使得整个吸引域变为一个大得多的非椭圆型区域。提出的方法具有离线预测控制的所有优点,并且大范围地扩大了吸引域,给出仿真例子显示其效果。     

基于数据驱动的气化炉出口温度在线测量

为实时监控气流床气化炉的气化温度和运行状态，收集气化炉激冷系统和反应系统等系统的可测量数据，采用理论计算模型和遗传算法改进的BP(GABP)神经网络模型对气化炉出口温度进行预测，并与工业测量数据进行对比分析。结果表明，由激冷系统理论计算模型可以得到气化炉出口温度，但因测量参数敏感度低，导致温度预测精度和稳定性较差。采用GABP神经网络模型总体上可以提高预测温度的精度和稳定性，但反应系统中由于煤量波动和煤质数据缺乏等原因，导致部分区间预测误差较大；采用激冷系统参数可大幅提高绝大部分区间内温度的预测精度，预测误差保持在15 K以下，可满足不同工况下的气化炉温度实时在线监测需要。     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

基于人体舒适度的室内温度优化设定方法

建立一个简化的办公建筑热力学模型,模型中假设白天空调开放,夜间自然通风。通过对该模型的分析,建立空调冷负荷与室外温度、热物质温度、室内温度设定值等环境变量的定量关系。同时,为评估环境舒适度,采用描述人体舒适度的预测平均指标(predicted mean vote,IPMV),并确定IPMV与室内温度和平均辐射温度的定量关系。基于上述定量关系,以空调冷负荷最小化为优化目标,同时以-0.9≤IPMV≤0.9为限制条件,优化求解得到了最优的室内温度设定值。通过Energy Plus等软件对优化结果进行仿真计算,与26℃固定温度设定值的情形相比,本文提出的室内温度优化设定方法既可保证室内人员的舒适度又可以降低空调能耗。     

高海拔地区铁路隧道施工期围岩热流密度数值模拟研究

冷负荷预测是隧道施工的重要任务,目前传统隧道冷负荷预测方法无法满足高海拔铁路隧道施工环境。为高海拔铁路隧道的冷负荷预测提供准确方法,本文建立一个热湿耦合多孔介质模型,考虑围岩孔隙率和低压环境对隧道围岩热流密度的影响。建立高海拔铁路隧道围岩热流密度预测模型。分析渗流水和衬砌的存在对围岩热流密度的影响,对比不同环境参数对围岩热流密度的影响。结果表明,隧道的冷负荷取决于围岩的热流密度。预测模型可以准确计算隧道围岩热流密度,其均方根误差（RMSE）为0.573 W/m2。围岩渗流水和衬砌对隧道热湿环境产生显著影响。压力对围岩热流密度的影响最小。围岩温度每升高10 ℃时,围岩初始热流密度增加了58.74 W/m2。此外,每当隧道目标温度增加4 ℃或孔隙率增加0.1,分别导致围岩初始热流密度减少了23.5和0.14 W/m2。本文可以为实际高海拔铁路隧道工程的冷负荷预测提供新的理论方法和参考依据。     

一种神经网络模型算法控制的研究

本文提出了一种利用人工神经网络来实现的模型算法控制，通过神经网络的离线学习和在线修正产生预测作用，并由智能控制单元实施控制作用。仿真表明，该控制方法具有良好的控制特性和鲁棒性，且适用于非线性系统。     

建筑冷负荷对综合能源系统运行优化的影响

为解决现有综合能源系统运行优化研究对建筑冷负荷的影响考虑不充分（多以“典型日负荷”或“预测负荷”代替空调期冷负荷）的问题,首先应用EnergyPlus软件对北京某园区进行建模和负荷分析,再以经济性为优化目标,基于园区的电、冷负荷供需平衡和综合能源系统设备的典型模型建立运行约束模型,在空调期对多能源耦合的综合能源系统建立运行优化模型。对优化模型使用Yalmip建模和编程,使用Cplex求解器求解问题,得到不同负荷条件下的综合能源系统空调期的运行优化方案,并分析其统一性和差异性。结果表明：本文构建的以经济性为目标的优化模型,可以使多能耦合的综合能源系统在目标下运行更加优化;不同建筑冷负荷条件下运行优化方案具有较大差异性;不同负荷条件下运行优化方案具有一定规律性。可见综合能源系统的运行优化研究应该全面考虑冷负荷的影响,本文提出的规律性运行优化方案为综合能源系统提升运行经济性提供了依据。     

实时广义预测控制器在冷连轧机张力控制系统中的应用

针对广义预测控制在冷连轧张力中受到的实时性限制，直接给出Diophantine方程的求解公式及证明。以避免其在线递推求解，大大减少了广义预测控制器的运算负荷，有利于其在快速系统中的应用．仿真研究表明，该方法能大大缩短在线运行时问，进一步体现了广义预测控制的应用潜力．     

基于云计算的智能电网负荷预测平台架构研究

提出一种基于云计算的智能电网负荷预测平台架构.深入地阐述了云计算关键技术、负荷预测云架构、云平台负荷预测服务等.采用Hadoop云计算技术,对负荷预测的资源调度和计算进行虚拟云计算仿真,验证了以电力私有云为基础建立的负荷预测机制更优良.同时在云平台负荷预测服务中引入多维多级协调优化机制,对原始预测结果进行修正与协调优化,显著地提升了基于云计算的智能电网负荷预测水平.由此搭建的平台架构将为智能电网负荷预测提供广阔的思路与有力的技术支持.     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

城市微气象对武汉市高温季节电力空调负荷的影响分析

基于武汉市2013年逐日电力负荷资料,分离出高温季节随气象因素变化的电力空调负荷,采用相关分析法分析了电力空调负荷与同期武汉市区气温,经温湿效应、累积效应修正后的市区感知温度的相关关系,并建立了考虑累积效应的武汉市高温季节电力空调负荷预测模型.结果表明,相较于市区气温及经温湿效应修正后的市区感知温度,经累积效应修正后的市区感知温度同空调负荷的拟合度更为集中,相关系数达到0.95,人们对气温的累积感受更加符合实际空调的使用情况.考虑累积效应的武汉市日负荷模型预测结果与实况变化趋势基本接近,平均预测精度达到94.4%.     

预测参数的选择与建筑物逐时冷负荷的预测

利用逐步回归分析进行了预测参数的选择和建筑物逐时冷负荷的预测，并将其与采用相同数据集的神经网络（ANN）的冷负荷预测结果进行了对比分析。