基于数字孪生的室温控制智慧供热研究.pdf

基于数字孪生的室温控制智慧供热研究杨景懿1,马红兵2,张博3,李连坪1,李明涛1*(1.西安交通大学动力工程多相流国家重点实验室国际可再生能源研究中心,陕西 西安 710049;2.孝义市热力公司,山西 孝义 032300;3.陕西拓普索尔电子科技有限责任公司,陕西 西安 710117)摘要: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。关键词:智慧供热;Julia;数字孪生;LSTM 预测DOI 编码:10.16641/11-3241/tk.2023.04.0121 引言近十年来,我国城镇化步伐加快,建筑呈现集群化、规模化发展趋势,一次能源消费增速超过 6%,区域供热作为占比最大的能源消费终端之一,能源消费量占一次能源消费的25%以上,且每年增速超过 7%1。我国区域供热的主要目标用户为北方地区城镇居民,采用集中供热的方式进行供热 2。整个北方地区每年需要消耗巨量能源来满足供热需求 3,4。因此改善供热策略,提供更好的供热环境势在必行。而且,改善供热环境既能降低建筑低楼层的能量消耗,也能为建筑高楼层提供更好的供热环境,节约能源,有利于环境保护。基于工业互联网的系统建模、仿真、优化与控制体系,建立供热系统的数字孪生模型,进一步根据不同的负荷需求,基于供热系统数字孪生模型进行预测性的控制,有望降低系统能耗,改善供热环境,降低供热成本,提高供热效率。因此,应用供热系统数字孪生模型辅助供热系统运行优化控制,助力节能降碳,具有十分重要的实践与应用价值。为了证实供热系统的数字孪生模型能够有效降低系统能耗并对区域供热起到平衡作用,本文构建了区域供热管网模型,结合实验数据对仿真模型进行参数估计,基于模型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。2 数字孪生驱动工业互联网随着新一轮全球化的产业变革,制造业重新成为全球变革的焦点,新型制造战略的核心是通过构建新型生产方式和发展模式,使传统行业战略转型。依托新型信息系统、工业互联网、大数据信息平台与云计算等技术完成能源行业与区域供热转型升级,使基于工业互联网的智慧供热系统完成信息化、智能化和数据化 5。在智慧供热产业的转型之中,互联网和智慧67区域供热 2023.4 期能源融合的新型生态系统非常重要。工业互联网体系正处于由数字化向智能化转变的关键时期,在智慧供热与其他产业中,充分发挥数据的资源配置作用很有必要,可以通过海量数据的全面感知,实现端对端的深度集成与建模分析,达成数据上传数据处理数据下发的指令一体化,加上衍生的信息服务系统,形成平台、网络与安全三维推进的新型工业体系 6。尽管学术研究人员和行业从业者对数字孪生(digital twin)有着不同的理解,但在实际的工业互联网中,DT 通常可以被分为建模仿真优化控制 7,这是一个顺序化的体系。建立模型即建模,将数据赋予所建立的模型,并使其运转为仿真;将仿真模型滚动时域优化,可以得到不同工作状态下的模型;最后对模型加以控制,同时也将控制量下发,获得模型的实际控制结果。如图 1 所示,其基本思路主要是利用一个动态模型,预测一个目标系统的行为,优化预测系统。其目的是为该目标系统生成一个最优决策,以期待该决策系统能实现目标系统某项预测指标的最优化,或者达成某指标限定条件 8。图1 基于工业互联网的数字孪生计算核心数字孪生的工业互联网系统最基本也是最重要的核心是模型。由于一个模型在生成最优决策的过程中,其初始值是不断改变的,因此根据过去的测量记录、经验依据或经验公式等获得一个概率较高的初始值就比较重要,称此方法为状态估计问题 9。在基于测量记录、经验公式和理论依据的前提下,结合所建立的模型,即可生成一个较为合理的模型来预测控制初始值 10。以该初始值作为模型求解的初值,能够实现模型的预测控制计算,随后可根据计算结果对系统进行动态优化。3 实验与模拟设计3.1 总体方案为了进行供热系统数字孪生模型原型开发,本文采用二次管网模型系统进行实验测试。即在实验部分设计实验,并获得实验数据,在模拟中,使用基于 Julia 语言的 MTK 包建立相应的仿真系统(见图 2)。在实验中,将获得的数据通过互联网系统上传到云平台的数据库,将数据库中的数据用于原始模型的参数估计,通过仿真模型参数校准获得一个有效的管网系统模型。在管网系统中实现滚动时域优化控制,获得一定时间内的控制参数,将该参数下发到实验模型之中,构成一个完整的智慧供热控制系统。涉及实验系统的主要有三个部分,第一部分为实验台的设计与实现,第二部分为数据的产生与采集,第三部分为模型预测控制系统下发控制,调控实验台的参数并控制仪器运行。图2 控制系统的实验与模拟整个智慧供热控制系统中涉及实验部分的难度主要在于,在工业互联网系统的实现过程中,将实验产生的数据上传至数据库并获得控制量,以及控制量如何下发至实验系统。3.2 实验台设计3.2.1 实验总体管路图实验台的总体管路图如图 3 所示,实验工质从带加热功能的水箱流出,可以设置介77区域供热 2023.4 期图3 实验总体管路图质温度,将流体介质升温到设定温度之后进入管道运行,主管路为 DN15 的不锈钢管,水泵为可调节功率的增压泵,可以在水泵处对流体介质进行升压,升压到一定程度后的流体介质进入不同的分支管道,分支管道由DN10 的不锈钢管构成,为了保证在分支处每条管道的流量获得率不受分支结构的影响,该分路由一个直接五通构成。流量由智能控制阀门控制,每条分支管路中的水流经智能控制阀后,依次流过智能温度计、智能压力计、智能流量计,然后流向热散组件,本实验中的热散组件主要是由一个房间以及其中的盘管构成,为了调节不同环境下的散热量,房间设计了可开关窗户和风扇模拟散热系统,可以自行调节房间内的空气流动速率,保证散热的可调节性 11。最后在整个流体系统流出房间后温度有所变化,因此在每个分支回水处还各有一个智能温度计,由于在管道后端,考虑到管道影响较小的情况下,回水管路处的压力相同,因此只在回水主管道安装一个智能压力计。实验系统管路图如图 3 所示,其中散热器左侧管路代表进水管路,散热器右侧管路代表回水管路 12。3.2.2 工业互联网连接控制工业互联网系统的运行过程是基于通讯协议的数据订阅、数据传输以及数据下发的,云平台对实验台发送一个数据订阅,实验台产生数据后发送到云平台,最终的控制又反过来传送回云平台。在本次通讯中,使用的是 420 mA 通讯与脉冲通讯。在工业领域经常使用 420 mA 通讯方式,因为在数据传输中经常出现大范围长通讯的通讯方式,如果使用电压通讯或者无线通讯,将会因为距离较长而出现电压降低过多或无线信号不好的情况,导致数据传输失败或产生较大的误差,这在实验中是需要极力避免的。所以,选择 420 mA 通讯方式十分必要。除此之外,420 mA 通讯不需要复杂的编码解码工作,并且还有可靠的故障诊断功能。因此这种通讯方式虽然应用已久,但依然方兴未艾 13。本文实验中的数据采集器使用 DAQM-4206C 的 12 通道标准模拟量通讯数据采集器,这是一款标准模拟量采集产品,拥有 12通道单端或差分输入,另外还拥有 RS485 通讯接口光电隔离,应用层采用标准 MODBUS-RTU 协议,与上位机通讯方便,也可实现快速组网,构建监测系统 14。其 AD 采样率最高87区域供热 2023.4 期可以有 1 MHz。3.3 数字孪生模型构建在智慧供热系统中,数字孪生模型构建拟合度直接影响最终控制结果。相对于常规的直接对整体模型进行参数估计的方法,使用建立模型并参数估计来获得数字孪生模型的方法,需要的参数更多,获取难度更大,但模拟的精度更高。本次的管网建模使用 Julia中的 MTK 工具包作为建模工具 15。按图 3所示的组件建立数字孪生模型并加以连接。MTK 采用基于方程的面向对象建模方法,建立非因果关系模型。基于 MTK 可以分级地构建基础的组件,每个组件可以认为是一个系统,在其内部定义相应的变量、参数和方程。最基本的基元组件包括泵、水箱、阀门、管段、散热器等,组件和组件之间通过连接器建立关系,从而构建一个更大的系统。在递归过程中,利用构建好的系统可以逐级搭建整个供热系统的数字孪生模型。4 结果分析4.1 实验结果分析按图 3 所示管路搭建实台,管路搭建完毕后进行实验。根据实际供热要求,模拟为期一个月(2 月 1 日-2 月 28 日)供热管网对房间供热的过程,并在其中选取房间温度参数改变剧烈的 5 个阶段作为参数估计对比,包括供热水温为 40 时和水温为 60 时的进口温度,达到模拟供热管道初始段用户与末段用户实际供热场景的目的;在第 1017 天将所有阀门开度改变至第二档,维持微弱的管道流动,确保管道供热管网在不会因为结冰而冻结的前提下基本不为房间提供热量。在长时间的低温后重新打开,模拟较长时间未曾供热的用户重新供热后房间的温度改变情况,以及供热进口温度增加时的供热改变情况。除进出口压强为每 30min 记录一次之外,其余参数均按照每 10 min 一次的频率记录实验结果,记录参数包括管网中的压强、进出口温度、供热房间内的温度和湿度等。图4 4个房间的温度变化如图 4 所示,以第 4 条分支管路的用户为例,起始温度为 10 左右,这是 2 月初期正常的环境温度。在第一阶段(2 月 1 日),房间温度上升,逐渐稳定在 25 左右,有一定量的波动,但是相对较为稳定。这是比较舒适的温度,在区域供热中,满足该温度即为极佳的供热水平。第二个阶段(2 月 3 日),将供热水温降至 40,模拟高层用户的过程中,发现房间温度只有 17 左右,这是刚好满足国家供热要求的最低温度线,但是对用户而言,该温度的舒适度较低。第三阶段(2 月 4日)为供热水温从 40 直接升温到超过60 的阶段,该阶段温度上升较快,最终室温值保持在 30 左右,该温度高于舒适温度,在区域供热的过程中,一般只有靠近进水端的低层用户才能升至该温度,且该温度会造成湿度过低,属于供热过度的区域,用户需要开窗通风以降低室内温度,同时提高室内湿度。第四阶段(2 月 18 日)与第五阶段(2 月22 日)和第三阶段相似,由于供热水温过高,温度上升较快,导致室内温度过高。在 2 月中旬,为了防止即使整个管网系统冻结,管网的阀门开度并没有全关,仍然保持 0.1 或 0.2 的开度,但是 4 个房间的温度下降依然很快,直到接近环境温度时才停止。而且,即使阀门有微弱的开度,管网系统的进水与回水温度依然极低,进水与回水的温差为 0.10.2。因此 4 个房间都能接受到管97区域供热 2023.4 期网系统的少量供热,在整个 2 月中旬,房间温度比环境温度高一些,约为 10,且室温变化曲线随着白天与黑夜的交替而呈现锯齿状。4.2 数字孪生模型的贝叶斯参数估计供热管网主要依靠室内的换热盘管对房间供热。室内温度主要受 3 个因素影响,一是供热管网的进水温度,二是阀门开度所改变的流量,三是管网在该支路的换热盘管对房间的供热量和房间与环境的散热量之差。在整个 2 月,外界环境温度的平均值为 2,因此此次参数估计将环境温度设为该值。图5 户3的参数估计曲线在房间与外界的换热中,受管道弯曲、房间位置等因素影响,目标用户进水温度出现差异化,各房间与换热盘管的换热量参数不固定,使用贝叶斯参数估计获得各房间参数值,同时在进水温度为 40、进水温度为60 以及变温的条件下验证参数估计拟合曲线的精度。如图 5 所示,以第 3 个房间为例,将实验数据进行参数估计,曲线有参数拟合温度,房间实际温度和进水与回水的温降,在4 000 s 的拟合时间内将温度从 16 上升到29 左右,和实际值进行对比,发现在整个拟合区域,实际温度与拟合温度的上升曲线温差不超过 0.5。4.3 系统运行优化控制4.3.1 单房间室温预测控制区域供热过程中,由于从加热或换热设备中流出的介质几乎没有热损耗,低层用户的进水温度一般都会较高,因此区域供热初始管段用户主要需求为房间舒适度,即控制温度使其保持在一定范围之内,不会因为温度过高而太热,也不会因为供热过剩导致湿度太低,空气过于干燥。供热服务商也需要考虑将温度维持在一定范围内,尽量减少管网内介质温度的损耗。基于数字孪生模型,可以根据房间温度、天气状况进行室温预测性控制。如图 6 所示,将参数估计得出的第三个房间的温度加以控制,将起始温度设置为 4,在前 1 000 s内将房间温度快速升高,并设置 1 0002 000 s内温度维持在 25左右,在 2 0006 000 s 调节温度使其降低,维持温度为 23,最后2 000 s 内 重 新 升 高 温 度,使 其 重 新 回 到25。这也很好地展示了在供热初始段用户的房间温度需求变化,即在开始的一段时间内,将温度从室温或环境温度升至一个较高的值,进水温度为 60 时,房间温度最高可升至 28,实际供热中该温度值过高,因此可以控制阀门,降低分支管路流量分配。最终结果显示,升温过程结束后,1 0002 000 s内的房间温度波动范围为 24.525,设定目标温度为 25,最大误差则为 0.5,2 0006 000 s 设置温度为 23,温度波动范围为 22.623,最大误差则为 0.4。图6 进水温度为6 0 的单房间控制4.3.2 能量最小化除时段控制目标外,满足能量最小化及08区域供热 2023.4 期分时段房间温度的多目标控制的房间温度变化如图 7 所示。考虑到区域供热时有外界环境温度长时间低于 0,所以设置阀门开度时,不直接将可控编程逻辑控制器开度调整为 0,而是调整为 0.1,以维持流体介质流动,防止管段冻结。另外也维持管道温度,降低管道启停损耗。可以看到,在 5003 000 s 内将房间1的温度设置为22,在1 0005 500 s内将房间 2 的温度设为 21,在 2 5008 500 s 内将房间 3 的温度设为 23,5 00011 000 s 内将房间 4 的温度设为 20。图7 能量最小化的房间温度控制在最小能量的智慧阀门控制中,房间温度的波动值大于一般情况下的房间温度值,其温度的最大误差在 1.7 左右。在多目标下,主要节能方法有三种:一是基于设定目标温度,合理调节智慧阀门开度,满足各用户需求,同时降低各分支管路流量;二是增大房间温度波动,设定温度值范围内波动时,波动量越大,其节能量越多,调节智慧阀门开度以增大波动量,可以有效节能;三是根据全局优化思想,后续无供热用户的分支管路直接调节至最小流量比例。基于能量最小化与分时段控制温度的多目标将会增加温度上升时间,时间增幅约为10%。此外,基于能量最小化的分时段温度控制误差较大,平均误差达到 0.8。4.3.3 有限能量最大化利用将上述能量提高 1/3,回到刚刚讲述过的给 4 个房间供热只能同时到达 17 的能量,继续模拟单个时间段内需要满足多个房间的能量最大化利用控制。如图 8 所示,相对于单个时间段内只需要单个房间的温度控制而言,多个房间温度的模型会变得看起来有些古怪。将这 4 个房间的时间和温度目标分别设置为 05 000 s、2 0008 000 s、5 00011 000 s、8 00011 000 s和 20、23、21、22。将时间分为 4个阶段:02 000 s、2 0005 000 s、5 0008 000 s、8 00011 000 s。图8 单个时间段多个房间需要供热的房间温度变化在前 2 000s 内,所需要满足的目标温度只有第一个房间的温度值,因此在升至所需温度之后,使用一部分的能量维持第一个房间的温度,在 2 0005 000 s 的时间会增加所需要控制的第二个房间,但是在维持第一个房间的问题和提升第二个房间温度的同时,能量依然稍有剩余,因此除了维持第一个房间的温度外,对第二个房间实施了波动式的升温,与此同时,将剩余的能量输入到第三个房间内,维持其温度在 10 左右波动,在2 000 s 第一个阶段结束时,第二个房间的温度会达到一个比目标温度更高的数值,在第二个阶段开始时,第二个房间阀门迅速关闭,其房间温度迅速下降到目标温度,同时第三18区域供热 2023.4 期个房间的阀门迅速打开,其温度值上升到 14 左右,维持温度以便在下一阶段升温。此时可以很明显地看到,提供的总能量只能维持两个房间的温度,并使第三个房间达到一个较低但不是环境温度的温度值,这是所有能量的供热上限。在第三个阶段到来后,第三个房间温度迅速达到目标值,同时第四个房间温度也开始逐渐上升,由于总体能量不够,很难在维持两个房间温度稳定的同时使其他的房间温度上升,因此第三个阶段的房间温度波动很剧烈,第二个房间的温度实际长期低于目标值,最大误差大约有 2,同时第四个房间在第三阶段的上升曲线也有非常大的波动,直到第三阶段结束,第四个房间温度迅速上升,第三个房间的温度波动也迅速减弱,达到比较好的水准。由于没有后续控制,第四个阶段的反应最好,控制精度最高,第三个阶段由于两个房间的目标温度最高,并且还有第四个房间的加热,因此波动剧烈,而且偏离温度目标值最大,其控制效果最差。但是对总体来说,这是一个最优解,能使所有房间最接近目标温度,实现能量利用最大化。4.4 结合环境温度的滚动优化控制在上述的优化控制中,满足用户所需的目标温度,并且在一段时间内,通过控制同时满足了用户的目标温度,以及使消耗的能量最小或者能量利用率最大的多重目标的房间控制,如图 9 所示。但是事实上,用户端设置温度控制端给出控制,使得在目标时间内房间温度达到用户想要的设置温度的方法效率较低,因此,为了提高用户舒适度,在用户侧使用态势感知,预测出用户所需供热时间段以及供热温度,再结合预测和用户的目标值加以设定,对房间进行智慧供热预测控制,形成预测控制的智慧供热系统。4.4.1 供热需求时间序列预测在用户供热需求预测中,外界环境温度作为特征值对目标用户的室温影响很大,但图9 房间温度控制流程在实际供热过程中,目标用户能自行产生数据用于预测,如用户供热时间段分布、用户供热温度分布区间,同时结合调研获取用户偏爱的供热信息以及目前供热的不足之处。这些信息都能帮我们建立一个更好的智慧供热控制系统。在加入环境温度的改变作为供热需求预测的特征值之后,可以发现供热需求的预测模型得到明显改善,预测精度更高。图1 0 供热需求预测智慧供热中预测控制供热温度值与实际温度值存在误差的主要原因如下:(1)在估计过程中,数字孪生模型与实际模型的参数产生误差,该误差主要是因为缺乏实际模型数据量;(2)特征值维度低或特征值与目标温度值的相关性低;(3)数字孪生模型控制温度与实际温度不一致。如图 10 所示,以第三个房间为例,使用28区域供热 2023.4 期前 26 天的数据来预测最后 1 天的数据,考虑到房间的供热形式以天为单位周期性地变化,1 天的预测值对实际供热具有参考意义。而对实际温度控制而言,房间温度变化都是滚动预测、滚动输出的,因此对后期预测的时长并无要求,所以该预测方法是可行且有效的。可以观察到,前面一段时间,温度值改变非常大,在预测的时间段,前一段时间内房间的温度都比较稳定,处于波动状态,后一段时间温度迅速降低,这是因为一段时间过后,房间供热需求结束,用户没有温度需求,所以房间温度缓慢降低。房间温度的预测值与实际值的对比情况如图 11 所示,在整个预测时间段内,我们预测了逾 300 个时间点的变化量,可以看到,预测值与实际值非常接近,平均误差为 0.05 左右,最大误差为 0.2,误差大小存在规律性,即在温度波动较大的时间段,预测精度较低,误差较大,在温度平缓的时间段,预测精度较高,误差较小,并且随着时间的推移,当滚动预测将前面一段时间的温度也当作学习内容之后,后续的预测精度逐渐升高,误差降低,最终阶段有一个误差为 0.2 的预测,该误差出现十分突兀,不符合预测中精度变化的规律,在此认为是偶然误差,这也是整个预测模型中的最大误差值。预测房间温度和环境温度随时间的变化曲线之后,根据所预测的误差值逐渐调整房间的控制值,获得房间基于预测的控制系统。该控制系统所接受的温度值为预测值,根据预测值得到一定的控制目标,再经过最优控制,获得一段时间内的阀门开度控制曲线,最终获得房间的模型预测控制开度和控制之后的温度,并和实际的温度进行对比。4.4.2 基于时间序列的系统最优控制基于时间序列的房间温度预测可以获得下一阶段时间的房间温度预测值,将该值设为未来时间段内房间温度值控制目标曲线。获得房间温度控制值,并与房间温度实际值图1 1 房间温度预测值与实际值误差对比。如图 12 和图 13 所示,房间实际温度值和房间模型预测控制输出的温度值相当接近,整体的趋势和局部的相似度较高,这证明智慧供热控制的预测方法精确度很高,且房间的控制方案可行,可以达到预期的效果。智慧供热曲线与实际温度曲线的不同点在于,由于使用很多的精细化控制,并且模型预测控制中的阀门开度影响流量进而改变温度值,是一个离散模型。因此在模型预测控制的输出中,数字孪生模型输出温度会出现很多锯齿状的波动,这主要是因为房间模型是离散控制,没有匹配的流量能使温度稳定在目标值附近。图1 2 房间实际温度值在温度值波动较大的区域,房间的模型预测控制输出值与实际值的误差就越大,主要原因依然是当波动过大时,滚动预测的精度会一定程度地降低,再加上模型预测控制38区域供热 2023.4 期图1 3 房间模型预测控制输出值的控制值也会在波动剧烈时精确度下降,从而导致温度波动比较大时,模型预测控制的值与实际值有所偏差。此外,在剧烈波动之后温度变化放缓的时间段内,对比实际值与控制值,误差最大的区域为 27 天左右,具体表现在温度开始下降的时刻和最后时间段内的温度从持续下降过渡至逐步稳定的时刻。但精确度依然很高,最大误差不超过 1,平均误差也控制在 0.3 以下。5 结论随着物联网的发展,用能系统数字化、智慧化已成为节能降耗的重要手段之一。智慧供热系统可以基于用能负荷预测和智能优化调节管网运行,实现改善供热环境、降低供热损耗、提高供热舒适度并平衡各区域供热的目的。本文以数字孪生驱动下的智慧供热系统为研究对象,基于 Julia 语言 MTK 工具包,建立了模型供热系统数字孪生模型,基于贝叶斯分析实现了数据驱动的模型参数估计,使用 LSTM 进行了供热负荷预测,并使用混合整数非线性规划实现了室温模型预测控制。结果表明,基于该数字孪生系统,能够有效实现供热用户的态势感知;基于天气预报的负荷预测能够在一定范围内有效控制用户室温。该方法和模型,有望在智慧供热中发挥重要作用。参考文献 1KANG H,AN J,KIM H,et al.Changes in energy consumption according to building use type under COVID-19 pandemic in South Korea J.Renewable and Sustainable Energy Reviews,2021,148:111294.2 EROGLU H.Effects of Covid-19 outbreak on environment and renewable energy sector J.Environment,Development and Sustainability,2021,23(4):4782-4790.3 LIN B,ZHU J.The role of renewable energy technological innovation on climate change:Empirical evidence from China J.Science of the Total Environment,2019,659:1505-1512.4MA T,WU J,HAO L,et al.The optimal structure planning and energy management strategies of smart multi energy systems J.Energy,2018,160:122-141.5CHENG J,ZHANG H,TAO F,et al.DT-II:Digital twin enhanced Industrial Internet reference framework towards smart manufacturing J .Robotics and Computer-Integrated Manufacturing,2020,62:101-881.6CHOO K R,GRITZALIS S,PARK J H.Cryptographic solutions for industrial Internet-of-Things:Research challenges and opportunities J.IEEE Transactions on Industrial Informatics,2018,14(8):3567-3569.7何小龙,李君,周勇,等.工业互联网平台应用现状及发展对策 J.科技管理研究,2021,41(10):132-137.8彭苏秦,黄超,宋卫.我国工业互联网竞争力影响因素结构分析及提升对策研究 J.科技管理研究,2021,41(11):164-171.9SADEGHI A,WACHSMANN C,WAIDNER M.Security and privacy challenges in industrial internet of thingsC.IEEE Design Automation Conference,2015,52:1-6.10樊留群,丁凯,刘广杰.智能制造中的数字孪生技术 J.制造技术与机床,2019(7):61-66.(下转第 131 页)48区域供热 2023.4 期所用的时长。模拟结果显示:(1)单一风口布置时,容易使保鲜室受冷集中,增加风口数量可使冷风输入量更加均衡,蓄冷效果更好;(2)送风速度越大,对保鲜室内气流场的扰动越明显,蓄冷效果越好;(3)送风角度为-20时保鲜室内部蓄冷效果最好,相变层达到相同液相率所用时间最短。参考文献 1孙春华.我国生鲜农产品冷链物流现状及发展对策分析 J.江苏农业科学,2013,41(1):395-399.2毕国通.我国生鲜农产品冷链物流发展现状与对策研究 J.中国商论,2017(20):60-61.3周家华,常虹,赵毅,等.中国果蔬冷链物流的发展现状及建议 J.食品工业科技,2012,33(6):8-10.4吴汶书,陈久梅.我国第三方冷链物流发展的现状和对策研究 J.物流技术,2013,32(1):19-21+28.5申江,杨萌.食品冷链的技术发展 J.包装工程,2015,36(15):1-8+72.6阎星列.我国食品冷链物流发展现状及对策研究 J.吉林农业,2018(17):84.7袁学国,邹平,朱军,等.我国冷链物流业发展态势、问题与对策 J.中国农业科技导报,2015,17(1):7-14.8王志刚,王启魁,钟倩琳.农产品冷链物流产业的发展现状、存在问题及对策展望 J.农业展望,2012,8(4):55-59.9周善元.取之不尽,用之不竭的洁净能源 太阳能 J.江西能源,2000(4):8-10+37.10孟颖.太阳能光伏地源热泵冷链基站的研究 D.天津:河北工业大学,2020.11王恩宇,孟颖,屈泽,等.一种用于保鲜基站的太阳能-地源热泵系统:201920978970.7 P.2020-03-13.12王恩宇,孟颖,屈泽,等.一种基于太阳能-地源热泵运行的恒温保鲜基站:201920979015.5 P.2020-03-13.(上接第 84 页)11蒲天骄,陈盛,赵琦,等.能源互联网数字孪生系统框架设计及应用展望 J.中国电机工程学报,2021,41(6):2012-2029.12孙飞.基于 Icepak 的强迫风冷散热器数值模拟研究 J.环境技术,2022,40(1):142-146.13BEZANSON J,EDELMAN A,KARPINSKI S,et al.Julia:A fresh approach to numerical computing J.SIAM review,2017,59(1):65-98.14 BEZANSON J,KARPINSKI S,SHAH V B,et al.Julia:A fast dynamic language for technical computing J/OL.(2012-09-24)2023-04-28.https:/doi.org/10.48550/arXiv.1209.5145.15何奉禄,陈佳琦,李钦豪,等.智能电网中的互联网技术应用与发展 J.电力系统保护与控制,2020,48(3):58-69.131区域供热 2023.4 期