分户计量采暖系统运行调节初探

论文摘要

随着社会经济的发展和人们生活水平的提高,传统的按照室外温度来计算供热总热量,并且进行热网调节的调节方式,已经不能满足人们对生活高舒适度的要求。在户内安装调节装置,以根据自身需要调节户内的室温的分户计量的采暖系统,已越来越受人们的青睐。但是如果分户计量采暖不断发展,传统的集中供热运行调节模式将无法与新的供热模式相匹配,因而,本文对新的运行调节方式进行研究,来适应分户计量采暖模式。本文首先从用户需热量的角度出发,分析了在传统的分户计量采暖系统中,影响室内设计热负荷的主要因素,并比较了分户计量采暖热负荷与传统热负荷计算之间的区别,着重分析了对分户计量采暖热负荷、户间传热热负荷影响较大的主要因素。随后介绍了几种典型的、适用于管网运行的调节方式,并比较了它们之间的优缺点；同时重点提出了一种适用于分户计量采暖系统的新的调节方法——热负荷调节法。介绍了热负荷调节法的基本概念和基本知识,以及与之相关的热负荷计算方法；并且列举了几种典型的分户计量设备的原理及应用。再次,本文介绍了神经网络的相关基础知识,着重介绍了神经网络学习的相关规则,为下文进行人工神经网络热负荷预测奠定了理论基础。根据上文中介绍的人工神经网络预测基础理论,BP网络的概念、特点及建模基础,利用BP网络进行热负荷预测的步骤及算法,着重提出了进行热负荷预测所采用的神经网络模型和进行神经网络预测的重要辅助工具——MATLAB神经网络工具箱。以所采集的太原市城西热源厂2009-2010年度和2010-2011年度两个采暖的历史数据为依据,建立了神经网络热网系统的动态模型。按照其实际运行环境进行了系统辨识,并在此基础上应用神经网络对热网负荷进行了预测,包括正常工作日热负荷预测、非工作日热负荷预测和小时热负荷预测三部分。由预测结果可知,将神经网络运用于短期热负荷预测可以得到较为满意的结果,因而将BP网络应用于短期热负荷是可行的,从而为分户计量采暖系统短期热负荷预测提供了相应的理论方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景
• 1.1.1 我国的建筑现状与建筑能耗
• 1.1.2 我国供热改革工作的进展
• 1.1.3 我国计量供热发展现状
• 1.2 课题研究现状
• 1.2.1 对变流量室内外系统热网运行调节的研究现状
• 1.2.2 对热网供热量预测的研究现状
• 1.3 课题研究的意义
• 1.4 本论文研究内容和安排
• 第二章 分户计量采暖系统室内热负荷的计算分析
• 2.1 分户计量采暖系统基本热负荷的计算分析
• n的确定'>2.1.1 分户计量采暖系统室内计算温度t_n的确定
• 2.1.2 分户计量采暖系统的基本热负荷计算分析
• 2.2 分户计量采暖系统户间传热热负荷的影响因素分析
• 2.2.1 不同建筑构造对户间传热的影响
• 2.2.2 入住率对户间传热量的影响
• 2.2.3 户间传热对设计热负荷及全年耗热量的影响
• 2.2.4 不同地区对户间传热负荷的影响
• 2.3 室外综合温度
• 2.4 高层建筑分户计量供热系统热负荷计算
• 2.4.1 风压作用
• 2.4.2 热压作用
• 2.4.3 风压和热压的共同作用
• 2.4.4 高层建筑冷风渗透耗热量
• 2.5 本章小结
• 第三章 分户计量供热系统管网的运行调节研究
• 3.1 分户计量供热系统调节方法的分析比较
• 3.2 热负荷调节法及其理论运算依据
• 3.2.1 热负荷调节法的实现前提
• 3.2.2 热负荷调节法的基本概念与意义
• 3.2.3 供热系统量化管理基础知识
• 3.2.4 供热系统量化管理节能技术理论计算
• 3.3 分户计量系统要求各用户系统及热力入口阀门配置
• 3.3.1 热能表
• 3.3.2 热量分配表
• 3.3.3 恒温阀
• 3.3.4 水力控制阀
• 3.4 本章小结
• 第四章 人工神经网络理论基础概述
• 4.1 生物神经网络
• 4.2 人工神经网络
• 4.2.1 神经网络基本特点
• 4.2.2 神经元模型
• 4.2.3 神经元的变换函数
• 4.3 人工神经网络的模型
• 4.3.1 按照网络拓扑结构分类
• 4.3.2 按照网络的内部信息流量分类
• 4.4 人工神经网络的学习规则
• 4.5 本章小结
• 第五章 应用人工神经网络进行供热短期热负荷预测
• 5.1 供热负荷预测的基本步骤
• 5.2 供热负荷预测网络模型的构建
• 5.3 本次研究所采用的神经网络模型及其算法
• 5.3.1 BP 算法
• 5.3.2 BP 算法的程序实现
• 5.4 神经网络的软件实现
• 5.4.1 神经网络的开发环境及其特性
• 5.4.2 MATLAB神经网络工具箱
• 5.5 本章小结
• 第六章 预测实例
• 6.1 太原市城西热源厂概述
• 6.2 样本集选择
• 6.3 历史数据预处理
• 6.3.1 不良数据的处理
• 6.3.2 历史资料的存储
• 6.3.3 输入、输出数据的归一化处理
• 6.4 正常工作日热负荷预测
• 6.4.1 正常工作日负荷预测模型的输入层神经元的选取
• 6.4.2 常工作日负荷预测模型的隐层神经元的选取
• 6.4.3 正常工作日负荷预测模型的预测结果
• 6.5 非工作日热负荷预测实例
• 6.6 小时热负荷预测的建模和预测结果
• 第七章 结论和展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录