智能建筑供热节能控制系统的研究

智能建筑供热节能控制系统的研究

论文摘要

建筑是节能减排、应对气候变化最重要的领域之一。建筑采暖不但能耗大,而且效率低,为落实国家节能政策、降低碳排放,研究供热节能意义重大。本文抓住供热节能的关键“负荷预报”,研究供热负荷预报方法,设计供热节能监控系统。本文在分析供热系统节能国内外研究现状之后,提出供热系统节能控制方案,给出供热系统节能控制策略,确定供热节能控制系统开发平台,并最终确定供热节能控制总体方案。供热系统现场运行数据的获取是负荷预报的基础,首先从供热系统现场采集负荷预报相关原始数据,并对其进行处理。针对供热负荷具有非线性特性,本文尝试采用人工神经网络(Artificial Neural Network, ANN)及支持向量机(Support Vector Machine, SVM)等非线性预报方法对供热负荷进行预报研究,以期获得有效的供热负荷预报方法。最后,根据确定的供热节能控制方案,设计供热节能控制装置和供热节能监控中心软件。对供热节能控制装置的软硬件进行设计,包括控制部分PLC硬件配置及软件设计、人机交互部分触摸屏的硬件配置及软件设计、通信部分GPRS软硬件配置以及网络集成等。对节能监控中心软件设计,包括对供热监控中心软件功能进行分析与规划、选择监控中心软件开发平台,并根据规划利用组态软件,对供热监控中心软件进行实现。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 课题背景及意义
  • 1.1.1 课题来源
  • 1.1.2 课题研究的目的和意义
  • 1.2 供热负荷预报研究现状
  • 1.2.1 国外供热负荷预报研究现状
  • 1.2.2 国内供热负荷预报研究现状
  • 1.3 供热系统运行调控研究现状
  • 1.3.1 国外供热系统运行调控研究现状
  • 1.3.2 国内供热系统调节方式研究现状
  • 1.3.3 国内供热系统控制方法研究现状
  • 1.4 本文的主要研究内容
  • 第2章 供热系统节能控制方案
  • 2.1 供热热力站系统概述
  • 2.2 供热系统节能控制策略
  • 2.3 供热系统节能控制平台选择
  • 2.4 供热节能监控系统设计方案
  • 2.4.1 供热节能监控方案设计路线
  • 2.4.2 供热节能监控系统方案设计
  • 2.5 本章小结
  • 第3章 供热负荷预报方法研究
  • 3.1 供热负荷预报样本数据采集与处理
  • 3.1.1 样本数据采集
  • 3.1.2 样本输入维数的确定
  • 3.2 BP神经网络预报方法
  • 3.2.1 BP神经网络预报模型
  • 3.2.2 BP神经网络预报结果及分析
  • 3.3 小波神经网络预报方法
  • 3.3.1 小波理论
  • 3.3.2 小波神经网络预报模型
  • 3.3.3 小波神经网络预报结果及分析
  • 3.4 支持向量机预报方法
  • 3.4.1 支持向量回归预报模型
  • 3.4.2 支持向量机参数的确定
  • 3.4.3 支持向量机预报结果
  • 3.5 预报方法仿真结果比较
  • 3.6 本章小结
  • 第4章 供热节能控制装置设计
  • 4.1 供热节能控制装置功能规划
  • 4.2 供热节能控制装置硬件设计
  • 4.2.1 PLC硬件设计
  • 4.2.2 GPRS硬件设计
  • 4.2.3 触摸屏硬件设计
  • 4.3 供热节能控制装置软件设计
  • 4.3.1 PLC软件设计
  • 4.3.2 GPRS软件设计
  • 4.3.3 触摸屏软件设计
  • 4.4 供热节能监控装置GPRS无线网络集成
  • 4.5 本章小结
  • 第5章 供热节能监控中心软件实现
  • 5.1 监控中心软件功能需求分析与规划
  • 5.2 监控中心软件平台选择
  • 5.3 监控中心软件架构设计
  • 5.4 监控中心软件组态设计
  • 5.4.1 I/O设备组态设计
  • 5.4.2 数据库组态设计
  • 5.5 监控中心软件界面设计
  • 5.6 本章小结
  • 结论
  • (1) 给出了基于负荷预报的供热系统节能控制方案
  • (2) 提出了基于支持向量机的供热负荷预报方法
  • (3) 应用 PLC、触摸屏和 GPRS 设计了供热节能控制装置
  • (4) 利用组态软件设计了供热节能监控中心软件
  • 参考文献
  • 致谢
  • 相关论文文献

    • [1].基于室外温度的供热负荷预测研究[J]. 吉林化工学院学报 2020(05)
    • [2].基于气象预报对供热负荷预测分析热网调节的方法[J]. 区域供热 2019(05)
    • [3].基于小波神经网络和蚁群算法的供热负荷预测[J]. 煤炭技术 2015(08)
    • [4].住宅区供热负荷预测研究[J]. 区域供热 2019(03)
    • [5].城市供热负荷规划案例分析[J]. 热电技术 2012(04)
    • [6].供热负荷回归模型的建立与分析[J]. 区域供热 2018(06)
    • [7].天富发电产业严把安全生产关[J]. 兵团工运 2020(10)
    • [8].基于模糊神经网络的供热负荷预测[J]. 湖南科技大学学报(自然科学版) 2015(03)
    • [9].基于遗传算法优化支持向量回归机参数的供热负荷预测[J]. 暖通空调 2017(02)
    • [10].基于交叉验证支持向量回归的供热负荷预测[J]. 中北大学学报(自然科学版) 2014(05)
    • [11].供热负荷时间序列混沌特性分析及预报模型研究[J]. 物理学报 2011(10)
    • [12].优化粒子群算法在组合供热负荷预测中的应用[J]. 信息与电子工程 2011(05)
    • [13].基于神经网络的供热负荷预测模型[J]. 区域供热 2018(04)
    • [14].LabVIEW广义线性拟合在供热负荷模型建立中的应用[J]. 北京建筑大学学报 2018(04)
    • [15].基于LSTM网络的居民区供热负荷短时预测[J]. 自动化仪表 2018(10)
    • [16].乌鲁木齐市供热负荷需求及发展对策研究[J]. 建筑节能 2010(08)
    • [17].基于供热负荷的吸收式热泵供热机组变工况性能分析[J]. 汽轮机技术 2019(03)
    • [18].基于改进BP神经网络的供热负荷预测模型[J]. 软件导刊 2019(07)
    • [19].基于MIMO-SVR的供热负荷日预报方法[J]. 沈阳工业大学学报 2010(03)
    • [20].建筑采暖供热负荷的修正[J]. 区域供热 2013(06)
    • [21].浅谈供热新技术和措施的应用[J]. 区域供热 2019(01)
    • [22].热负荷预测方法研究综述[J]. 建筑热能通风空调 2015(04)
    • [23].以热定电模式下热电联产机组电功率灵活调节能力分析[J]. 电力系统自动化 2018(24)
    • [24].基于模糊神经网络的供热负荷预测[J]. 门窗 2016(05)
    • [25].高供热负荷超临界机组AGC控制优化策略[J]. 山东电力技术 2020(09)
    • [26].试析城市热力管网的布局与设计[J]. 中国高新区 2017(11)
    • [27].基于支持向量区间回归的供热负荷概率预报[J]. 吉林大学学报(工学版) 2010(06)
    • [28].宾馆建筑供热负荷特性多元分析研究[J]. 北京建筑工程学院学报 2008(02)
    • [29].供热机组水汽品质异常的原因分析[J]. 湖南电力 2014(02)
    • [30].基于乘积季节ARIMA模型的供热负荷预报[J]. 沈阳工业大学学报 2011(03)

    标签:;  ;  ;  ;  ;  

    智能建筑供热节能控制系统的研究
    下载Doc文档

    猜你喜欢