基于数字孪生的室温控制智慧供热研究

以数字孪生驱动下的智慧供热系统为研究目标,基于Julia语言Modeling Toolkit(MTK)包,构建了区域供热管网模型,结合实验数据与仿真模型进行了参数估计,使用混合整数非线性规划实现了室温滚动时域模型预测控制。在此基础上,以降低供热损耗和提高用户舒适度为目标,开展了室温控制智慧供热研究。结果表明,基于管网数字孪生模型的系统分析、优化系统,有利于供热系统运行优化控制,可在智慧供热中发挥重要作用。

基于聚类和长短期记忆神经网络的光热电站并网电力预测

光热电站发电量预测技术有助于电网提前制定调度计划,有效减轻光热发电间歇性和波动性在并网运行后带来的冲击。本文以美国加州光热发电系统并网电力预测问题为例,首先研究气象参数与发电量之间的相关性,进而利用近邻传播(AP)聚类算法对比不同发电模式下气象参数对发电的影响差异;然后,建立长短期记忆(LSTM)神经网络基准模型对光热系统发电量进行预测;最后,针对基准模型对0发电量情况预测精度低的问题,根据相应聚类结果建立增量特征预测模型。预测结果表明,该改进的基于AP聚类和LSTM神经网络模型预测效果良好,可达到91.41%的日发电量预测精度。