CN118816279A - 空气源热泵零电供热控制方法、装置、设备及存储介质 - Google Patents
空气源热泵零电供热控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118816279A CN118816279A CN202411128145.XA CN202411128145A CN118816279A CN 118816279 A CN118816279 A CN 118816279A CN 202411128145 A CN202411128145 A CN 202411128145A CN 118816279 A CN118816279 A CN 118816279A
- Authority
- CN
- China
- Prior art keywords
- heat
- heat pump
- control
- air source
- processing
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 94
- 238000011217 control strategy Methods 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000005485 electric heating Methods 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 230000035945 sensitivity Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000005338 heat storage Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000010206 sensitivity analysis Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims 1
- 230000005284 excitation Effects 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 16
- 239000003570 air Substances 0.000 description 81
- 230000008569 process Effects 0.000 description 33
- 238000004422 calculation algorithm Methods 0.000 description 25
- 239000000306 component Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 238000010792 warming Methods 0.000 description 4
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
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
本发明提供了一种空气源热泵零电供热控制方法、装置、设备及存储介质，其中，该方法包括：对多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；根据热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；根据热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；根据热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；根据需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并进行零电供热控制。本方法通过智能调度和自适应控制，最大限度地利用非电力热源，实现了空气源热泵的零电供热，提高了系统的能源利用效率和运行可靠性。
Description
技术领域
本发明涉及供热控制领域，尤其涉及一种空气源热泵零电供热控制方法、装置、设备及存储介质。
背景技术
随着全球能源危机的加剧和环境问题的日益突出，寻找高效、节能且环保的供热方式已成为供暖领域的研究热点。空气源热泵作为一种高效的供热技术，由于其能够利用环境空气中的热量来实现供热，具有较高的能效比和良好的环境友好性，近年来得到了广泛应用。然而，传统空气源热泵仍然依赖电力驱动压缩机和相关设备来实现热量的传递，这在一定程度上限制了其节能效果，尤其是在电力成本高或电力供应受限的地区，进一步推动了对更高效、更节能的供热解决方案的需求。
当前技术在空气源热泵的供热效率提升方面进行了大量研究，包括优化热泵的结构设计、提高压缩机性能、以及改善控制策略等。但即便如此，传统空气源热泵在寒冷天气或负荷较高时仍需大量依赖电力，无法完全避免电力消耗，这在能源使用效率和经济性方面产生了限制。因此，如何利用非电力热源，最大限度地减少空气源热泵的电力消耗，实现“零电供热”成为当前技术亟待解决的难题。
一些研究尝试通过太阳能、地热能、生物质能等非电力热源的引入，来减少空气源热泵的电力依赖。然而，现有技术在非电力热源的动态调度与热泵工作模式的自适应控制方面仍存在不足，导致这些技术难以实现有效的热源利用和系统协调，无法在不同工况下提供稳定可靠的零电供热。
发明内容
本发明的主要目的在于解决现有空气源热泵的控制难以实现有效的热源利用和系统协调的技术问题。
本发明第一方面提供了一种空气源热泵零电供热控制方法，所述空气源热泵零电供热控制方法包括：
对空气源热泵的多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；
根据所述热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；
根据所述热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；
根据所述热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；
根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据所述供热控制参数对所述空气源热泵进行零电供热控制。
可选的，在本发明第一方面的第一种实现方式中，所述对空气源热泵的多个非电力热源进行热能采集与评估处理，得到热源动态权重系数包括：
对空气源热泵的多个非电力热源进行热能特性检测处理，得到热源特性数据，所述热源特性数据包括热源温度、热量稳定性和热量大小；
根据所述热源特性数据对多个非电力热源进行热能可用性分析处理，得到热源可用性指标，所述热源可用性指标包括热源的可用热量和热效率；
根据所述热源可用性指标对多个非电力热源进行动态建模处理，得到热源动态模型，所述热源动态模型包括热源性能随时间变化的预测函数；
根据所述热源动态模型对多个非电力热源进行权重计算处理，得到热源动态权重系数。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划包括：
根据所述热源动态权重系数对多个非电力热源进行可用性预测处理，得到热源可用性预测数据，所述热源可用性预测数据包括每个非电力热源在未来时间段内的预计可用热量和热效率；
对用户历史用热数据进行分析处理，得到用户供热需求预测模型，所述用户供热需求预测模型用于预测未来时间段内的用户热负荷变化；
根据所述热源可用性预测数据和所述用户供热需求预测模型对多个非电力热源进行优化配置处理，得到初始热源调度方案，所述初始热源调度方案包括每个非电力热源在不同时间段的使用比例和时长；
根据所述初始热源调度方案对系统热惯性和热源切换成本进行评估处理，得到热源动态调度计划。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数包括：
根据所述热源动态调度计划对热泵可用工作模式进行识别处理，得到热泵模式集合，所述热泵模式集合包括直接供热模式、热泵增温模式、级联工作模式和蓄热模式；
对所述热泵模式集合中的各工作模式进行性能评估处理，得到模式性能指标，所述模式性能指标包括每种工作模式下的能效比、供热能力和响应速度；
根据所述模式性能指标对各工作模式进行适用性计算处理，得到模式适用度矩阵，所述模式适用度矩阵表征每种工作模式在不同运行条件下的适用程度；
根据所述模式适用度矩阵对热泵工作模式进行动态选择处理，得到热泵工作参数。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略包括：
根据所述热泵工作参数和历史用热数据对用户热负荷特征进行提取处理，得到热负荷特征向量，所述热负荷特征向量包括日间负荷分布、周期性波动和异常用热模式；
对所述热负荷特征向量和环境因素数据进行关联分析处理，对未来时段的用户热负荷进行预测处理，得到热负荷预测序列，所述热负荷预测序列包括不同时间尺度上的热负荷预测值；
根据所述热负荷预测序列对需求侧管理措施进行优化处理，得到需求侧控制策略，所述需求侧控制策略包括预热控制方案、峰谷调节策略、区域差异化供热方案和用户参与激励机制。
可选的，在本发明第一方面的第五种实现方式中，所述根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据所述供热控制参数对所述空气源热泵进行零电供热控制包括：
根据所述需求侧控制策略对空气源热泵系统参数进行敏感性分析处理，得到参数敏感度矩阵，所述参数敏感度矩阵表征各控制参数对系统性能的影响程度；
对所述参数敏感度矩阵进行主成分分析处理，得到关键控制参数集，所述关键控制参数集包括对系统性能影响最显著的参数子集；
根据所述关键控制参数集对空气源热泵系统进行多目标优化处理，得到Pareto最优解集，所述Pareto最优解集包含在不同优化目标下的最优参数组合；
根据所述Pareto最优解集和当前系统状态对最优参数组合进行选择处理，得到供热控制参数，并根据所述供热控制参数对空气源热泵的热源分配、供水温度、循环水流量和末端设备进行协调控制，实现零电供热。
可选的，在本发明第一方面的第六种实现方式中，在所述根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据供热控制参数对所述空气源热泵进行零电供热控制之后，还包括：
对所述空气源热泵的实际运行数据进行采集处理，得到运行状态数据集，所述运行状态数据集包括各非电力热源的实际输出、系统能效比和用户舒适度指标；
根据所述运行状态数据集对零电供热控制效果进行评估处理，得到控制效果评估报告；
对所述控制效果评估报告进行偏差分析处理，得到控制偏差数据，所述控制偏差数据表征实际控制效果与预期目标之间的差异；
根据所述控制偏差数据对控制策略进行自适应调整处理，得到优化后的控制参数，所述优化后的控制参数用于下一个控制周期的零电供热控制。
本发明第二方面提供了一种空气源热泵零电供热控制装置，所述空气源热泵零电供热控制装置包括：
热源评估模块，用于对空气源热泵的多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；
调度模块，用于根据所述热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；
自适应控制模块，用于根据所述热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；
策略管理模块，用于根据所述热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；
供热控制模块，用于根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据供热控制参数对所述空气源热泵进行零电供热控制。
本发明第三方面提供了一种空气源热泵零电供热控制装置，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述空气源热泵零电供热控制设备执行上述的空气源热泵零电供热控制方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的空气源热泵零电供热控制方法的步骤。
上述空气源热泵零电供热控制方法、装置、设备及存储介质，通过对多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；根据热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；根据热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；根据热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；根据需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并进行零电供热控制。本方法通过智能调度和自适应控制，最大限度地利用非电力热源，实现了空气源热泵的零电供热，提高了系统的能源利用效率和运行可靠性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例中空气源热泵零电供热控制方法的第一个实施例示意图；
图2为本发明实施例中空气源热泵零电供热控制装置的一个实施例示意图；
图3为本发明实施例中空气源热泵零电供热控制设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备端没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备端固有的其它步骤或单元。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种空气源热泵零电供热控制方法进行详细介绍。如图1所示，本方法包括如下步骤：
101、对空气源热泵的多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；
在本发明的一个实施例中，所述对空气源热泵的多个非电力热源进行热能采集与评估处理，得到热源动态权重系数包括：对空气源热泵的多个非电力热源进行热能特性检测处理，得到热源特性数据，所述热源特性数据包括热源温度、热量稳定性和热量大小；根据所述热源特性数据对多个非电力热源进行热能可用性分析处理，得到热源可用性指标，所述热源可用性指标包括热源的可用热量和热效率；根据所述热源可用性指标对多个非电力热源进行动态建模处理，得到热源动态模型，所述热源动态模型包括热源性能随时间变化的预测函数；根据所述热源动态模型对多个非电力热源进行权重计算处理，得到热源动态权重系数。
具体的，对空气源热泵的多个非电力热源进行热能特性检测的过程中，系统通过安装在各个非电力热源上的温度传感器、流量计和热量计等设备，持续采集热源的温度、流量和热量数据。温度数据通过精密的热电偶或热电阻传感器采集，流量数据则使用涡轮流量计或超声波流量计获取，而热量数据通过热量计算法根据温度差和流量计算得出。这些原始数据经过数据采集模块的初步处理，包括滤波、校准和数字化转换，形成初步的热源特性数据集。接下来，系统对这些初步数据进行进一步的统计分析和处理。热源温度的平均值、最大值、最小值和波动范围被计算出来，用于表征热源的温度特性。热量稳定性通过计算热量输出的标准差和变异系数来量化，反映热源输出的波动程度。热量大小则通过累积热量和平均热功率来表示。这些处理后的数据构成了完整的热源特性数据，包括热源温度、热量稳定性和热量大小。随后，系统根据热源特性数据对多个非电力热源进行热能可用性分析处理。这一步骤涉及到热力学原理的应用，系统根据热源的温度水平，结合卡诺效率公式，计算出每个热源的理论最大热效率。同时，考虑到实际系统的不可逆损失，引入修正系数来估算实际热效率。可用热量的计算则基于热源的热量大小和系统的运行时间，通过积分计算得出一定时间段内的累积可用热量。这些计算结果形成了热源可用性指标，包括热源的可用热量和热效率。热源可用性指标生成后，系统进入动态建模阶段。这一步骤使用机器学习算法，如支持向量回归（SVR）或长短期记忆网络（LSTM），对每个热源的性能随时间的变化进行建模。模型的输入包括历史的热源特性数据、环境参数（如室外温度、湿度）以及时间序列信息（如时间戳、季节因子）。通过训练，模型学习热源性能的时间依赖性和环境因素的影响，最终生成能够预测未来一段时间内热源性能变化的函数。这个函数就构成了热源动态模型，能够预测热源在不同时间点和环境条件下的性能表现。最后，系统根据热源动态模型对多个非电力热源进行权重计算处理。这个过程考虑了多个因素，包括热源的预测性能、系统当前的需求以及长期的优化目标。具体来说，系统首先基于动态模型预测未来一段时间（如未来24小时）内每个热源的性能曲线。然后，将这些性能曲线与预测的系统需求曲线进行匹配度分析，计算出每个热源在不同时间段的贡献潜力。同时，考虑到长期优化目标，如能源利用均衡或特定热源的优先使用，系统引入了优先级系数。最终，通过综合考虑短期匹配度和长期优先级，使用加权平均或更复杂的多准则决策方法，计算出每个热源的动态权重系数。
102、根据所述热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；
在本发明的一个实施例中，所述根据所述热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划包括：根据所述热源动态权重系数对多个非电力热源进行可用性预测处理，得到热源可用性预测数据，所述热源可用性预测数据包括每个非电力热源在未来时间段内的预计可用热量和热效率；对用户历史用热数据进行分析处理，得到用户供热需求预测模型，所述用户供热需求预测模型用于预测未来时间段内的用户热负荷变化；根据所述热源可用性预测数据和所述用户供热需求预测模型对多个非电力热源进行优化配置处理，得到初始热源调度方案，所述初始热源调度方案包括每个非电力热源在不同时间段的使用比例和时长；根据所述初始热源调度方案对系统热惯性和热源切换成本进行评估处理，得到热源动态调度计划。
具体的，根据热源动态权重系数对多个非电力热源进行可用性预测处理。在这一步骤中，系统利用前一阶段得到的热源动态权重系数作为输入，结合历史数据和当前环境参数，使用时间序列预测算法（如ARIMA或Prophet）对每个非电力热源在未来时间段内的性能进行预测。预测过程考虑了热源的周期性变化、季节性趋势以及可能的异常情况。系统对每个热源分别进行建模和预测，得到一系列时间序列数据，包括预计可用热量和热效率。这些数据构成了热源可用性预测数据，为后续的调度优化提供了基础。接下来，系统对用户历史用热数据进行分析处理，以建立用户供热需求预测模型。这一过程涉及到大数据分析和机器学习技术的应用。系统首先对历史用热数据进行清洗和预处理，去除异常值和噪声。然后，通过时间序列分解技术，将用热数据分解为趋势、季节性和残差成分。对这些成分分别进行分析，提取出影响用热需求的关键因素，如气温、湿度、日期类型（工作日/周末）等。基于这些因素，系统构建了一个复合预测模型，可以采用多层感知机（MLP）或随机森林等算法。这个模型能够根据输入的环境参数和时间信息，预测未来时间段内的用户热负荷变化。随后，系统根据热源可用性预测数据和用户供热需求预测模型对多个非电力热源进行优化配置处理。这一步骤使用了复杂的优化算法，例如遗传算法或粒子群优化。优化过程的目标函数考虑了多个因素，包括满足用户供热需求、最大化非电力热源利用率、最小化能源浪费等。优化算法通过迭代计算，尝试不同的热源组合方案，评估每种方案的性能指标。在每次迭代中，算法根据目标函数的反馈调整热源的使用比例和时长，逐步收敛到一个较优的解。这个优化过程的结果就是初始热源调度方案，包含了每个非电力热源在不同时间段的具体使用安排。最后，系统根据初始热源调度方案对系统热惯性和热源切换成本进行评估处理。这一步骤考虑了实际系统运行中的物理约束和经济因素。首先，系统建立了一个热力学模型，用于模拟整个供热系统的热惯性特性。这个模型考虑了建筑物的热容量、管网的热损失以及各个热源的启停特性。通过这个模型，系统能够预测在执行初始调度方案时，实际供热效果与理想情况之间的差异。同时，系统还建立了一个成本模型，用于计算热源切换的相关成本，包括启停能耗、设备磨损等因素。基于这两个模型，系统对初始调度方案进行修正和优化。优化过程使用了动态规划算法，在满足用户需求的前提下，平衡热惯性影响和切换成本，得到最终的热源动态调度计划。这个计划不仅包括了热源的使用安排，还包含了考虑系统动态特性后的具体控制策略，如预热时间、切换顺序等。
103、根据所述热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；
在本发明的一个实施例中，所述根据所述热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数包括：根据所述热源动态调度计划对热泵可用工作模式进行识别处理，得到热泵模式集合，所述热泵模式集合包括直接供热模式、热泵增温模式、级联工作模式和蓄热模式；对所述热泵模式集合中的各工作模式进行性能评估处理，得到模式性能指标，所述模式性能指标包括每种工作模式下的能效比、供热能力和响应速度；根据所述模式性能指标对各工作模式进行适用性计算处理，得到模式适用度矩阵，所述模式适用度矩阵表征每种工作模式在不同运行条件下的适用程度；根据所述模式适用度矩阵对热泵工作模式进行动态选择处理，得到热泵工作参数。
具体的，根据热源动态调度计划对热泵可用工作模式进行识别处理的一过程中，系统分析热源动态调度计划中的各项参数，包括各非电力热源的预计输出温度、热量和时间分布。基于这些信息，系统利用预设的决策树算法对热泵的可用工作模式进行判断。决策树的节点包括热源温度阈值、热量需求阈值和时间段特征等。通过遍历决策树，系统识别出在给定条件下可行的热泵工作模式。这些模式构成了热泵模式集合，包括直接供热模式、热泵增温模式、级联工作模式和蓄热模式。直接供热模式适用于热源温度较高的情况，热泵增温模式用于提升低温热源的品质，级联工作模式适用于大温差情况，而蓄热模式则在热源供应充足但需求较低时使用。接下来，系统对热泵模式集合中的各工作模式进行性能评估处理。这一步骤涉及到热力学模型和实验数据的综合应用。系统首先建立了一个详细的热泵热力学模型，包括压缩机、蒸发器、冷凝器和膨胀阀等核心组件的性能特性。对于每种工作模式，系统通过热力学模型进行仿真计算，得到理论性能数据。同时，系统还利用历史运行数据对模型进行校准和修正，确保模型的准确性。性能评估考虑了多个关键指标，包括能效比（COP）、供热能力和响应速度。能效比通过输出热量与输入功率的比值计算得出，供热能力则直接从模型输出中提取，而响应速度通过模拟系统从一种状态转换到另一种状态所需的时间来量化。这些计算和分析的结果构成了模式性能指标，为后续的适用性评估提供了基础数据。随后，系统根据模式性能指标对各工作模式进行适用性计算处理。这一步骤使用了模糊逻辑控制理论和多准则决策方法。首先，系统定义了一系列模糊规则，这些规则将性能指标与适用性进行映射。例如，"如果能效比高且供热能力足够，则适用性高"这样的规则。然后，系统将具体的性能指标数据输入到这些模糊规则中，通过模糊推理得到每种工作模式在不同条件下的适用性评分。这个过程考虑了多个因素，包括当前的热源条件、用户需求、环境温度等。通过对不同条件下的适用性评分进行组合，系统生成了一个模式适用度矩阵。这个矩阵是一个多维数据结构，其中每个元素表示特定工作模式在特定条件组合下的适用程度。矩阵的维度包括工作模式、热源温度范围、负荷水平、环境温度等关键因素。最后，系统根据模式适用度矩阵对热泵工作模式进行动态选择处理。这个过程采用了动态规划算法，目标是在满足供热需求的同时最大化系统的整体效率。算法的输入包括当前系统状态、预测的未来状态变化、模式适用度矩阵以及各种约束条件（如最小运行时间、切换次数限制等）。动态规划算法通过回溯计算，找出一个最优的模式切换序列，这个序列在整个预测时间段内能够达到最佳的综合性能。基于这个最优序列，系统确定了当前时刻最适合的工作模式，并计算出相应的热泵工作参数。这些参数包括压缩机转速、膨胀阀开度、循环水流量等具体的控制量。同时，系统还生成了一个短期工作计划，包括预计的模式切换时间点和相应的参数调整策略，以便在未来的一段时间内平稳地进行模式转换。
104、根据所述热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；
在本发明的一个实施例中，所述根据所述热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略包括：根据所述热泵工作参数和历史用热数据对用户热负荷特征进行提取处理，得到热负荷特征向量，所述热负荷特征向量包括日间负荷分布、周期性波动和异常用热模式；对所述热负荷特征向量和环境因素数据进行关联分析处理，对未来时段的用户热负荷进行预测处理，得到热负荷预测序列，所述热负荷预测序列包括不同时间尺度上的热负荷预测值；根据所述热负荷预测序列对需求侧管理措施进行优化处理，得到需求侧控制策略，所述需求侧控制策略包括预热控制方案、峰谷调节策略、区域差异化供热方案和用户参与激励机制。根据热泵工作参数和历史用热数据对用户热负荷特征进行提取处理。这一过程中，系统整合了热泵的实时工作参数，如供水温度、流量和热泵运行模式，与用户的历史用热数据。系统采用时间序列分析技术，如小波变换和傅里叶分析，对这些数据进行处理。通过小波变换，系统能够捕捉到用热模式的多尺度特征，包括短期波动和长期趋势。傅里叶分析则用于识别周期性模式，如日循环、周循环和季节性变化。此外，系统还运用了聚类算法，如K-means或DBSCAN，来识别异常用热模式。这些处理的结果汇总形成了热负荷特征向量，其中包含了日间负荷分布的统计特征（如峰值时间、负荷曲线形状）、周期性波动的频率和幅度信息，以及异常用热模式的类型和发生频率。接下来，系统对热负荷特征向量和环境因素数据进行关联分析处理，并对未来时段的用户热负荷进行预测处理。这一步骤涉及到机器学习和统计建模技术的应用。首先，系统收集并整理环境因素数据，包括室外温度、湿度、风速、日照强度等。然后，通过相关性分析和主成分分析（PCA）等方法，识别出与热负荷最相关的环境因素。基于这些分析结果，系统构建了一个复合预测模型。这个模型可以采用深度学习技术，如长短期记忆网络（LSTM）或时间卷积网络（TCN），能够同时处理时间序列数据和多维环境因素。模型的训练过程使用了历史数据集，通过反向传播算法不断调整模型参数，直到达到预设的精度要求。训练完成后，系统输入当前的热负荷特征向量和未来的环境因素预测数据，生成热负荷预测序列。这个预测序列包括多个时间尺度的预测值，从短期（如未来24小时的逐小时预测）到中长期（如未来一周的日均预测）。最后，系统根据热负荷预测序列对需求侧管理措施进行优化处理。这个过程采用了多目标优化算法，如NSGA-II（非支配排序遗传算法II）。优化的目标包括最小化能源消耗、平衡负荷曲线、提高用户舒适度和降低运行成本。系统首先定义了一系列可调控的参数，如各区域的供热温度设定值、热泵启停时间、蓄热设备的充放热策略等。然后，基于热负荷预测序列，系统模拟不同参数组合下的供热效果和能源消耗。通过迭代优化，系统生成了一组Pareto最优解，每个解代表一种可能的需求侧控制策略。从这些解中，系统根据当前的运行状况和管理偏好，选择最适合的策略作为最终的需求侧控制策略。这个需求侧控制策略包括几个关键组成部分。预热控制方案利用建筑物的热惯性，在用热高峰来临之前提前升温，以减少高峰时段的负荷压力。峰谷调节策略通过调整供热强度和时间，实现负荷的平移和削峰填谷。区域差异化供热方案考虑到不同区域的用热特性和需求，为各个区域制定个性化的供热计划。用户参与激励机制则通过设计合理的价格机制和反馈系统，鼓励用户主动参与到需求侧管理中来，如在非高峰时段使用热水或调整室内温度设定值。
105、根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据所述供热控制参数对所述空气源热泵进行零电供热控制。
在本发明的一个实施例中，所述根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据所述供热控制参数对所述空气源热泵进行零电供热控制包括：根据所述需求侧控制策略对空气源热泵系统参数进行敏感性分析处理，得到参数敏感度矩阵，所述参数敏感度矩阵表征各控制参数对系统性能的影响程度对所述参数敏感度矩阵进行主成分分析处理，得到关键控制参数集，所述关键控制参数集包括对系统性能影响最显著的参数子集；根据所述关键控制参数集对空气源热泵系统进行多目标优化处理，得到Pareto最优解集，所述Pareto最优解集包含在不同优化目标下的最优参数组合；根据所述Pareto最优解集和当前系统状态对最优参数组合进行选择处理，得到供热控制参数，并根据所述供热控制参数对空气源热泵的热源分配、供水温度、循环水流量和末端设备进行协调控制，实现零电供热。
具体的，对空气源热泵系统参数进行敏感性分析处理的一过程中，系统采用局部敏感性分析方法，对每个控制参数进行微小扰动，然后观察系统性能指标的变化。控制参数包括压缩机频率、膨胀阀开度、风机转速等，而性能指标包括制热量、能效比（COP）、系统稳定性等。通过计算每个参数扰动导致的性能变化率，系统生成了参数敏感度矩阵。这个矩阵是一个二维数组，行表示不同的控制参数，列表示不同的性能指标，矩阵元素则表示参数对指标的敏感度。接下来，系统对参数敏感度矩阵进行主成分分析处理。这一步骤使用了主成分分析（PCA）算法，目的是降低参数空间的维度，找出最关键的控制参数。PCA通过计算敏感度矩阵的特征值和特征向量，将原始参数转换到一个新的正交基上。在新的基上，参数按其对系统性能的影响程度排序。系统选择累积贡献率超过预设阈值（如90%）的主成分，并将这些主成分对应的原始参数确定为关键控制参数集。这个参数集通常包括对系统性能影响最显著的几个参数，如压缩机频率、供水温度设定值等。随后，系统根据关键控制参数集对空气源热泵系统进行多目标优化处理。这一步骤采用了多目标优化算法，如NSGA-II（非支配排序遗传算法II）或MOEA/D（基于分解的多目标进化算法）。优化的目标函数包括最大化系统COP、满足用户热需求、最小化电力消耗等。算法首先在关键控制参数的可行域内生成一组初始解，然后通过遗传操作（如交叉、变异）产生新的解。每个解都被评估并按非支配排序和拥挤度计算进行排序。经过多次迭代，算法收敛到一组Pareto最优解集。这个解集中的每个解都代表了在不同优化目标下的一组最优参数组合。最后，系统根据Pareto最优解集和当前系统状态对最优参数组合进行选择处理。这个过程考虑了实时的系统运行状态、环境条件和用户需求。系统使用决策支持算法，如TOPSIS（逼近理想解排序法）或AHP（层次分析法），对Pareto最优解集中的解进行评估和排序。评估标准包括与当前运行状态的接近度、切换成本、预期性能提升等。通过这个过程，系统选择出最适合当前情况的参数组合作为供热控制参数。基于得到的供热控制参数，系统对空气源热泵的各个子系统进行协调控制，以实现零电供热。具体来说，热源分配控制根据供热控制参数调整各非电力热源的使用比例和切换时机，确保最大化利用可再生能源。供水温度控制通过调节热泵的运行参数（如压缩机频率）来精确控制出水温度，既满足用户需求又避免过度供热。循环水流量控制通过变频水泵调节系统流量，在保证热量传递的同时最小化泵功耗。末端设备控制则根据不同区域的需求，调整风机盘管转速或地暖管路阀门开度，实现精细化的室内温度控制。
进一步的，在所述根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据供热控制参数对所述空气源热泵进行零电供热控制之后，还包括：对所述空气源热泵的实际运行数据进行采集处理，得到运行状态数据集，所述运行状态数据集包括各非电力热源的实际输出、系统能效比和用户舒适度指标；根据所述运行状态数据集对零电供热控制效果进行评估处理，得到控制效果评估报告；对所述控制效果评估报告进行偏差分析处理，得到控制偏差数据，所述控制偏差数据表征实际控制效果与预期目标之间的差异；根据所述控制偏差数据对控制策略进行自适应调整处理，得到优化后的控制参数，所述优化后的控制参数用于下一个控制周期的零电供热控制。
具体的，对空气源热泵的实际运行数据进行采集处理的过程中，系统通过分布在热泵各关键部位的传感器网络，持续采集运行数据。这些传感器包括温度传感器、流量计、功率计和压力传感器等，分别安装在热源输出端、系统管路、压缩机和末端设备等位置。采集到的原始数据经过数据采集单元进行初步处理，包括信号滤波以去除噪声、异常值检测与剔除，以及数据标准化处理。处理后的数据被整合into运行状态数据集，其中包含了各非电力热源的实际输出（如太阳能集热器的热量输出、地源热泵的换热量）、系统整体能效比（COP）以及反映用户舒适度的指标（如室内温度偏差、温度波动幅度）。这些数据以固定的时间间隔（如每5分钟）被记录，形成一个时间序列数据库。接下来，系统根据运行状态数据集对零电供热控制效果进行评估处理。评估过程采用多维度的分析方法，首先计算各项性能指标的统计特征，如平均值、标准差、最大值和最小值。然后，通过时间序列分析技术，如移动平均和指数平滑，识别性能指标的趋势和周期性变化。系统还利用数据可视化技术，生成各种性能指标的时间序列图和相关性热图，以直观地展示系统运行状况。此外，系统将实际运行数据与理论模型预测结果进行对比，计算预测误差和实际效果之间的偏差。基于这些分析，系统生成一份详细的控制效果评估报告，其中包含了各项性能指标的定量分析结果、系统运行的稳定性评价、能源利用效率分析以及用户舒适度反馈。随后，系统对控制效果评估报告进行偏差分析处理。这一步骤使用统计分析和机器学习技术，首先定义一系列关键性能指标（KPI），如能源利用率、供热稳定性指数和用户满意度等。然后，对每个KPI计算实际值与预期目标值之间的偏差。通过主成分分析（PCA）或因子分析，系统识别出导致偏差的主要因素。同时，系统使用决策树或随机森林算法，建立偏差与各控制参数之间的映射关系，以理解不同参数对系统性能的影响程度。这些分析结果被整合into控制偏差数据，它不仅包含了各KPI的偏差值，还包括了偏差的时间特征、空间分布和主要影响因素。最后，系统根据控制偏差数据对控制策略进行自适应调整处理。这个过程采用强化学习算法，如Q-learning或深度确定性策略梯度（DDPG）。系统将控制偏差数据作为环境状态的一部分，控制参数的调整作为动作空间。通过与环境的持续交互和学习，系统逐步优化其控制策略。具体来说，系统首先基于当前的控制偏差，在动作空间中探索可能的参数调整方案。每种调整方案都通过仿真模型评估其潜在效果，并计算相应的奖励值。系统通过多次迭代，不断更新其价值函数或策略网络，逐步找到能够最小化控制偏差的参数调整方案。优化后的控制参数不仅包括直接的控制变量（如压缩机频率、阀门开度等），还包括了控制策略的元参数（如PID控制器的增益系数、模型预测控制的预测时域等）。这些参数被用于下一个控制周期的零电供热控制，形成一个闭环的自适应控制系统。通过这种持续的监测、评估和优化过程，系统能够不断提升其控制性能，适应不断变化的运行环境和用户需求，从而实现更高效、更稳定的零电供热控制。
在本实施例中，通过对多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；根据热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；根据热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；根据热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；根据需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并进行零电供热控制。本方法通过智能调度和自适应控制，最大限度地利用非电力热源，实现了空气源热泵的零电供热，提高了系统的能源利用效率和运行可靠性。
上面对本发明实施例中空气源热泵零电供热控制方法进行了描述，下面对本发明实施例中空气源热泵零电供热控制装置进行描述，请参阅图2，本发明实施例中空气源热泵零电供热控制装置一个实施例包括：
热源评估模块201，用于对空气源热泵的多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；
调度模块202，用于根据所述热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；
自适应控制模块203，用于根据所述热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；
策略管理模块204，用于根据所述热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；
供热控制模块205，用于根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据供热控制参数对所述空气源热泵进行零电供热控制。
本发明实施例中，所述空气源热泵零电供热控制装置运行上述空气源热泵零电供热控制方法，所述空气源热泵零电供热控制装置通过对多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；根据热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；根据热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；根据热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；根据需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并进行零电供热控制。本方法通过智能调度和自适应控制，最大限度地利用非电力热源，实现了空气源热泵的零电供热，提高了系统的能源利用效率和运行可靠性。
上面图2从模块化功能实体的角度对本发明实施例中的中空气源热泵零电供热控制装置进行详细描述，下面从硬件处理的角度对本发明实施例中空气源热泵零电供热控制设备进行详细描述。
图3是本发明实施例提供的一种空气源热泵零电供热控制设备的结构示意图，该空气源热泵零电供热控制设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）310（例如，一个或一个以上处理器）和存储器320，一个或一个以上存储应用程序333或数据332的存储介质330（例如一个或一个以上海量存储设备端）。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对空气源热泵零电供热控制设备300中的一系列指令操作。更进一步地，处理器310可以设置为与存储介质330通信，在空气源热泵零电供热控制设备300上执行存储介质330中的一系列指令操作，以实现上述空气源热泵零电供热控制方法的步骤。
空气源热泵零电供热控制设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作系统331，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3示出的空气源热泵零电供热控制设备结构并不构成对本发明提供的空气源热泵零电供热控制设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述空气源热泵零电供热控制方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种空气源热泵零电供热控制方法，其特征在于，所述空气源热泵零电供热控制方法包括：
对空气源热泵的多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；
根据所述热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；
根据所述热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；
根据所述热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；
根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据所述供热控制参数对所述空气源热泵进行零电供热控制。
2.根据权利要求1所述的空气源热泵零电供热控制方法，其特征在于，所述对空气源热泵的多个非电力热源进行热能采集与评估处理，得到热源动态权重系数包括：
对空气源热泵的多个非电力热源进行热能特性检测处理，得到热源特性数据，所述热源特性数据包括热源温度、热量稳定性和热量大小；
根据所述热源特性数据对多个非电力热源进行热能可用性分析处理，得到热源可用性指标，所述热源可用性指标包括热源的可用热量和热效率；
根据所述热源可用性指标对多个非电力热源进行动态建模处理，得到热源动态模型，所述热源动态模型包括热源性能随时间变化的预测函数；
根据所述热源动态模型对多个非电力热源进行权重计算处理，得到热源动态权重系数。
3.根据权利要求1所述的空气源热泵零电供热控制方法，其特征在于，所述根据所述热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划包括：
根据所述热源动态权重系数对多个非电力热源进行可用性预测处理，得到热源可用性预测数据，所述热源可用性预测数据包括每个非电力热源在未来时间段内的预计可用热量和热效率；
对用户历史用热数据进行分析处理，得到用户供热需求预测模型，所述用户供热需求预测模型用于预测未来时间段内的用户热负荷变化；
根据所述热源可用性预测数据和所述用户供热需求预测模型对多个非电力热源进行优化配置处理，得到初始热源调度方案，所述初始热源调度方案包括每个非电力热源在不同时间段的使用比例和时长；
根据所述初始热源调度方案对系统热惯性和热源切换成本进行评估处理，得到热源动态调度计划。
4.根据权利要求1所述的空气源热泵零电供热控制方法，其特征在于，所述根据所述热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数包括：
根据所述热源动态调度计划对热泵可用工作模式进行识别处理，得到热泵模式集合，所述热泵模式集合包括直接供热模式、热泵增温模式、级联工作模式和蓄热模式；
对所述热泵模式集合中的各工作模式进行性能评估处理，得到模式性能指标，所述模式性能指标包括每种工作模式下的能效比、供热能力和响应速度；
根据所述模式性能指标对各工作模式进行适用性计算处理，得到模式适用度矩阵，所述模式适用度矩阵表征每种工作模式在不同运行条件下的适用程度；
根据所述模式适用度矩阵对热泵工作模式进行动态选择处理，得到热泵工作参数。
5.根据权利要求1所述的空气源热泵零电供热控制方法，其特征在于，所述根据所述热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略包括：
根据所述热泵工作参数和历史用热数据对用户热负荷特征进行提取处理，得到热负荷特征向量，所述热负荷特征向量包括日间负荷分布、周期性波动和异常用热模式；
对所述热负荷特征向量和环境因素数据进行关联分析处理，对未来时段的用户热负荷进行预测处理，得到热负荷预测序列，所述热负荷预测序列包括不同时间尺度上的热负荷预测值；
根据所述热负荷预测序列对需求侧管理措施进行优化处理，得到需求侧控制策略，所述需求侧控制策略包括预热控制方案、峰谷调节策略、区域差异化供热方案和用户参与激励机制。
6.根据权利要求1所述的空气源热泵零电供热控制方法，其特征在于，所述根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据所述供热控制参数对所述空气源热泵进行零电供热控制包括：
根据所述需求侧控制策略对空气源热泵系统参数进行敏感性分析处理，得到参数敏感度矩阵，所述参数敏感度矩阵表征各控制参数对系统性能的影响程度；
对所述参数敏感度矩阵进行主成分分析处理，得到关键控制参数集，所述关键控制参数集包括对系统性能影响最显著的参数子集；
根据所述关键控制参数集对空气源热泵系统进行多目标优化处理，得到Pareto最优解集，所述Pareto最优解集包含在不同优化目标下的最优参数组合；
根据所述Pareto最优解集和当前系统状态对最优参数组合进行选择处理，得到供热控制参数，并根据所述供热控制参数对空气源热泵的热源分配、供水温度、循环水流量和末端设备进行协调控制，实现零电供热。
7.根据权利要求1所述的空气源热泵零电供热控制方法，其特征在于，在所述根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据供热控制参数对所述空气源热泵进行零电供热控制之后，还包括：
对所述空气源热泵的实际运行数据进行采集处理，得到运行状态数据集，所述运行状态数据集包括各非电力热源的实际输出、系统能效比和用户舒适度指标；
根据所述运行状态数据集对零电供热控制效果进行评估处理，得到控制效果评估报告；
对所述控制效果评估报告进行偏差分析处理，得到控制偏差数据，所述控制偏差数据表征实际控制效果与预期目标之间的差异；
根据所述控制偏差数据对控制策略进行自适应调整处理，得到优化后的控制参数，所述优化后的控制参数用于下一个控制周期的零电供热控制。
8.一种空气源热泵零电供热控制装置，其特征在于，所述空气源热泵零电供热控制装置包括：
热源评估模块，用于对空气源热泵的多个非电力热源进行热能采集与评估处理，得到热源动态权重系数；
调度模块，用于根据所述热源动态权重系数对多个非电力热源进行智能调度控制处理，得到热源动态调度计划；
自适应控制模块，用于根据所述热源动态调度计划对热泵工作模式进行自适应控制处理，得到热泵工作参数；
策略管理模块，用于根据所述热泵工作参数对用户热负荷进行动态预测与需求侧管理处理，得到需求侧控制策略；
供热控制模块，用于根据所述需求侧控制策略对空气源热泵进行参数协调优化控制处理，得到供热控制参数，并根据供热控制参数对所述空气源热泵进行零电供热控制。
9.一种空气源热泵零电供热控制设备，其特征在于，所述空气源热泵零电供热控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述空气源热泵零电供热控制设备执行如权利要求1-7中任意一项所述的空气源热泵零电供热控制方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任意一项所述空气源热泵零电供热控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411128145.XA CN118816279A (zh) | 2024-08-16 | 2024-08-16 | 空气源热泵零电供热控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411128145.XA CN118816279A (zh) | 2024-08-16 | 2024-08-16 | 空气源热泵零电供热控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118816279A true CN118816279A (zh) | 2024-10-22 |
Family
ID=93081394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411128145.XA Pending CN118816279A (zh) | 2024-08-16 | 2024-08-16 | 空气源热泵零电供热控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118816279A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119123521A (zh) * | 2024-11-14 | 2024-12-13 | 西安市新城区更新能源有限公司 | 中深层地热能耦合太阳能供热调控系统 |
| CN119983490A (zh) * | 2025-04-09 | 2025-05-13 | 视昀科技(深圳)有限公司 | 融合调度高效制冷机房系统的控制方法、设备和存储介质 |
| CN120101360A (zh) * | 2025-05-12 | 2025-06-06 | 吉林省富德嘉合能源科技有限公司 | 一种回收工业循环冷却水余热的多热源耦合热泵控制系统 |
-
2024
- 2024-08-16 CN CN202411128145.XA patent/CN118816279A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119123521A (zh) * | 2024-11-14 | 2024-12-13 | 西安市新城区更新能源有限公司 | 中深层地热能耦合太阳能供热调控系统 |
| CN119983490A (zh) * | 2025-04-09 | 2025-05-13 | 视昀科技(深圳)有限公司 | 融合调度高效制冷机房系统的控制方法、设备和存储介质 |
| CN119983490B (zh) * | 2025-04-09 | 2025-06-17 | 视昀科技(深圳)有限公司 | 融合调度高效制冷机房系统的控制方法、设备和存储介质 |
| CN120101360A (zh) * | 2025-05-12 | 2025-06-06 | 吉林省富德嘉合能源科技有限公司 | 一种回收工业循环冷却水余热的多热源耦合热泵控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
| CN118411003B (zh) | 多类别电力设备的负荷控制方法、系统、设备和存储介质 | |
| CN112561728B (zh) | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 | |
| CN118816279A (zh) | 空气源热泵零电供热控制方法、装置、设备及存储介质 | |
| CN119713515B (zh) | 面向建筑负荷预测的中央空调系统优化控制方法 | |
| CN112598195A (zh) | 楼宇型综合能源系统运行优化方法、装置及终端设备 | |
| Almalaq et al. | Deep learning application: Load forecasting in big data of smart grids | |
| CN112950098A (zh) | 基于综合能源系统的能源规划方法、装置及终端设备 | |
| CN119029963A (zh) | 一种用于多场景的微电网虚拟储能优化运行方法及系统 | |
| CN119860690B (zh) | 一种自动余热回收方法 | |
| CN117439101A (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
| CN119151081B (zh) | 个性化结算方法及系统、设备 | |
| CN120069487B (zh) | 基于人工智能的智慧园区电力碳排放量预测方法及系统 | |
| CN114909945B (zh) | 冷却塔节能智控方法、装置、电子装置及介质 | |
| KR20240095661A (ko) | 강화학습 기반 히트펌프 제어방법, 장치 및 이를 이용한 냉난방 시스템 | |
| CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
| CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
| CN119886431B (zh) | 一种基于esc的冷水机组群控方法及系统 | |
| CN118998950B (zh) | 室内温度控制方法、装置、电子设备及可读存储介质 | |
| CN120010256A (zh) | 基于自回归分析的高温热泵热量输出优化控制方法及系统 | |
| CN113515862A (zh) | 一种基于多目标优化算法的电熔镁延时控制方法 | |
| CN115660111A (zh) | 考虑时段划分的pso-lssvm短期负荷预测方法 | |
| CN119379008B (zh) | 一种基于自学习策略的室分配电方法 | |
| CN119533001B (zh) | 一种多功能热泵装置及其控制方法 | |
| CN120579804B (zh) | 基于大数据驱动的多目标供水调度方法及系统 |
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 |