企业官网建设流程全解析

工厂冷却水余热回收经济效益评估系统 —— 基于OOP的工业数据实战

"工厂的冷却水带着 60℃ 的热量排入河道，那不是水，是白白流走的钞票——也是白白排放的 CO₂。"

—— 哈尔滨工程大学《工业过程控制》课程核心思想

一、实际应用场景描述

在石油化工、钢铁、制药、食品饮料等行业，大量工艺过程产生中低温冷却水（40~80℃），传统做法直接排放或经冷却塔降温后循环。但通过板式换热器/热管/ORC 发电等方式，可以将这部分热量回收用于：

- 预热锅炉给水（节煤）

- 厂区供暖/生活热水

- 驱动吸收式制冷机

- 低温发电（ORC 有机朗肯循环）

典型的冷却水余热回收系统：

┌──────────────────────────────────┐

│ DCS / SCADA 系统 │

│ · 流量计 FT-101 (0~300 t/h) │

│ · 进水温度 TI-101 │

│ · 出水温度 TI-102 │

│ · 热网回水温度 TI-103 │

│ · 每1分钟采样一次 │

└──────────────┬───────────────────┘

│

┌──────────────┴───────────────────┐

↓ ↓

┌────────────┐ ┌────────────┐

│ 冷却水入口 │──→ 板式换热器 ──→│ 冷却水出口 │

│ 60℃ │ │ 40℃ │

└────────────┘ └────────────┘

│

↓ 热量传递给热网

┌────────────┐

│ 热网回水 │

│ 45℃ → 65℃ │

└────────────┘

哈尔滨工程大学《工业过程控制》课程（彭秀艳教授主讲，国家级一流本科课程）在第二章"物料与能量衡算"中系统讲解了焓变计算方法，在第六章"控制系统经济指标评估"中介绍了投资回收期、NPV、IRR 等经济评价指标。课程明确指出：

"能量守恒是过程工业的铁律。每一公斤冷却水从 60℃ 降到 40℃，放出的热量是可以精确计算的——问题不在于'有没有热'，而在于'回收了多少、值多少钱'。"

二、引入痛点

2.1 现场的真实困境

场景 现场发生了什么 根因

投资审批 "装换热器要 120 万，多久回本？" 没有逐时热量数据支撑测算

节能审计 "这个月回收了多少热？" 只有流量和温度，没人算焓变

碳排放核算 "碳交易要报数据，余热折算多少？" 缺乏标准化折算方法

换热器维护 "效率好像越来越差了" 没有效率趋势追踪

能源报表 "这季度省了多少标煤？" 数据散落在不同系统

2.2 核心矛盾

流量计和温度计每 1 分钟就在采样，但"这 30 天回收了多少热量、值多少钱、减了多少碳"从来没人系统算过。

- 管理层问"余热回收项目赚没赚钱"——没人能拿出按月/按日的精确数字

- 换热器结垢是渐进的——效率从 85% 慢慢降到 60%，半年没人发现

- 碳排放核算季到了——临时翻数据、手工算，容易出错

2.3 我们要解决什么

用一段 Python 程序，读取冷却水系统的历史 CSV 数据，自动完成：

1. 焓变计算 —— Q = m·Cp·ΔT，逐点计算回收热量

2. 效率评估 —— 实际温升 vs 设计温升，量化热交换效率

3. 经济效益 —— 热量收入 − 运行成本 = 净收益，投资回收期

4. 环境效益 —— 等效标煤节省、CO₂ 减排量

5. 趋势分析 —— 小时/日级聚合，定位低效时段

6. 综合仪表盘 —— 效率仪表 + 成本分解 + 5年现金流 + 结论

7. 输出 Excel + CSV + 5 张图表

三、核心逻辑讲解

3.1 理论依据：从能量守恒到经济评价

本工具算法基于哈工程《工业过程控制》第二章"能量衡算" + 第六章"经济指标评估"：

① 焓变计算（核心公式）

Q = m \cdot C_p \cdot \Delta T

符号 含义 单位 典型值

Q 回收热量 kJ —

m 质量流量 kg/s 200t/h = 55.6 kg/s

C_p 比热容（水） kJ/(kg·K) 4.18

ΔT 出水−进水 K 20℃

1 GJ = 10⁶ kJ。工业上习惯用 GJ 计量热量。

② 回收效率

\eta = \frac{\Delta T_{actual}}{\Delta T_{design}} \times 100\%

η 评级 含义

≥ 85% A(优秀) 换热器清洁，传热良好

≥ 60% B(良好) 轻微结垢，可接受

≥ 40% C(一般) 明显结垢，建议清洗

< 40% D(较差) 严重结垢或设计缺陷

③ 投资回收期

\text{年净收益} = \text{年热量收入} - \text{年运行成本}

\text{回收期(年)} = \frac{\text{投资成本}}{\text{年净收益}}

课程§6.1强调：回收期不是唯一指标，还要看 NPV 和 IRR。本项目三个都算。

3.2 分析流程图

原始数据 (30天 × 1440点 = 43200条)

timestamp, flow_tph, inlet_temp_c, outlet_temp_c

│

▼

┌──────────────────┐

│ ① 数据加载 + 质量评估 │

│ 编码探测/缺失率/等间隔 │

└────────┬─────────┘

▼

┌──────────────────┐

│ ② 焓变计算 ★ │

│ Q = m·Cp·ΔT │

│ 逐点 → 累加 → GJ │

└────────┬─────────┘

▼

┌────┬────┬────────┐

▼ ▼ ▼ ▼

效率 时段 经济 环境

评估 聚合 效益 折算

│ │ │ │

▼ ▼ ▼ ▼

η等级 小时 收入 CO₂

日 成本 标煤

汇总 NPV/IRR

│ │ │ │

└────┴────┴────────┘

▼

┌──────────────────┐

│ ④ 综合仪表盘 │

│ 效率+成本+现金流 │

│ + 结论 │

└────────┬─────────┘

▼

Excel + CSV + 5张图表

3.3 为什么逐点算而不是总量算？

总量算法 (错误):

总流量 = 200 t/h × 7200 h = 1,440,000 吨/年

平均温升 = 20℃

Q = 1,440,000,000 kg × 4.18 × 20 / 10⁶ = 120,384 GJ

→ 看起来很美, 但忽略了:

· 夜间流量只有白天 30%

· 周末减产 50%

· 每月 2 天检修停机 (流量=0)

· 换热器结垢后温升从 20℃ 降到 14℃

逐点算法 (正确):

每一分钟: Q_i = flow_i × Cp × ΔT_i × dt

→ 自动处理所有变工况

→ 停机时段 Q=0 (自然排除)

→ 结垢时段 Q 自动减少 (趋势可见)

这就是"数据驱动"和"拍脑袋"的区别——逐点算、再聚合，所有变工况自动处理。

四、代码模块化讲解（面向对象设计）

4.1 类结构总览

本项目严格采用面向对象编程（OOP），共设计 6 个核心类 + 3 个不可变数据类：

类名 职责 设计模式

"AppConfig"（聚合根） 聚合 6 个子配置 聚合根模式

"PlantConfig" /

"EnergyConfig" /

"EconomicConfig" 工厂/能量/经济参数 值对象

"AnalysisConfig" /

"DataConfig" /

"OutputConfig" /

"LoggingConfig" 各域参数 值对象

"WasteHeatDataLoader" CSV 加载、编码探测、质量评估 封装

"WasteHeatAnalyzer" ★ 核心分析引擎 模板方法

"ReportGenerator" 多格式报表输出 模板方法

"HeatRecoveryMetrics" /

"EconomicAssessment" /

"EfficiencyAnalysis" 不可变结果对象 值对象模式

4.2 配置层：dataclass + 聚合根

# config_loader.py 核心片段

@dataclass

class EnergyConfig:

"""能量折算参数 —— 值对象 + 内聚计算逻辑"""

reference_fuel: str = "标煤"

reference_fuel_co2_kg_per_kg: float = 2.493

reference_fuel_kj_per_kg: float = 29307.6

def heat_to_co2(self, heat_gj: float) -> float:

"""将回收热量折算为等效 CO₂ 减排量"""

if heat_gj <= 0:

return 0.0

kg_coal = heat_gj * 1e6 / self.reference_fuel_kj_per_kg

return round(kg_coal * self.reference_fuel_co2_kg_per_kg, 2)

def heat_to_coal(self, heat_gj: float) -> float:

"""将回收热量折算为等效标煤节省量 (吨)"""

if heat_gj <= 0:

return 0.0

kg_coal = heat_gj * 1e6 / self.reference_fuel_kj_per_kg

return round(kg_coal / 1000.0, 2)

@dataclass

class EconomicConfig:

"""经济效益参数 —— 值对象 + 内聚判定"""

heat_price_yuan_per_gj: float = 45.0

electricity_price_yuan_per_kwh: float = 0.75

pump_power_kw: float = 22.0

annual_hours: int = 6000

investment_yuan: float = 1200000.0

discount_rate: float = 0.07

def evaluate_payback(self, payback_years: float) -> str:

"""投资回收期评级 —— 逻辑内聚在此"""

if payback_years <= 2.0:

return "A(优秀)"

elif payback_years <= 3.5:

return "B(良好)"

elif payback_years <= 5.0:

return "C(一般)"

else:

return "D(较差)"

@dataclass

class AppConfig:

"""聚合根 —— 持有所有子配置"""

plant: PlantConfig = field(default_factory=PlantConfig)

energy: EnergyConfig = field(default_factory=EnergyConfig)

economic: EconomicConfig = field(default_factory=EconomicConfig)

# ... 其他子配置

@classmethod

def from_yaml(cls, path) -> "AppConfig":

"""工厂方法: YAML → AppConfig"""

if not os.path.exists(path):

print(f" ⚠ 配置文件 {path} 不存在, 使用默认配置")

return cls()

with open(path, "r", encoding="utf-8") as f:

raw = yaml.safe_load(f) or {}

return cls(

plant=PlantConfig(**raw.get("plant", {})),

energy=EnergyConfig(**raw.get("energy", {})),

# ... 其他子配置

)

亮点：

-

"EnergyConfig.heat_to_co2()" 把"热量→碳排放"的折算逻辑内聚在配置对象内部——换能源基准（如从标煤换天然气）只改 YAML 一行

-

"EconomicConfig.evaluate_payback()" 把评级逻辑内聚在此——换行业标准只改一处

-

"AppConfig" 作为聚合根，外部只需持有一个对象

4.3 数据加载层：编码自动探测

# data_loader.py 核心片段

class WasteHeatDataLoader:

"""数据加载器 (封装)"""

@staticmethod

def detect_encoding(filepath: str) -> str:

"""依次尝试常见编码 —— 工业现场刚需"""

candidates = ["utf-8-sig", "utf-8", "gbk", "gb2312", "latin1"]

for enc in candidates:

try:

with open(filepath, "r", encoding=enc) as f:

f.read(2048)

return enc

except (UnicodeDecodeError, OSError):

continue

return "utf-8-sig" # 兜底

4.4 核心算法①：焓变计算（★ 核心公式）

# core_analyzer.py 核心片段

def _compute_heat_recovery(self, df: pd.DataFrame) -> pd.DataFrame:

"""

计算每行的余热回收量

对应课程 §2.2: 能量衡算

公式:

Q(kJ) = flow(kg/s) × Cp(kJ/kg·K) × ΔT(K) × dt(s)

1 GJ = 10⁶ kJ

逐点计算 → 自动处理变工况/停机/结垢

"""

out = df.copy()

# 流量 t/h → kg/s

flow_kg_s = out["flow_tph"] / 3.6

# 采样间隔 (秒)

if "timestamp" in out.columns:

diffs = out["timestamp"].diff().dt.total_seconds()

dt = diffs.fillna(diffs.median()).clip(lower=1.0)

else:

dt = pd.Series([60.0] * len(out), index=out.index)

# 温升 (负值截断为0: 无热交换)

delta_t = (out["outlet_temp_c"] - out["inlet_temp_c"]).clip(lower=0)

# ★ 核心公式

cp = self.cfg.plant.specific_heat_kj_kgk

q_kj = flow_kg_s * cp * delta_t * dt

# 转 GJ

out["heat_kj"] = q_kj

out["heat_gj"] = q_kj * 1e-6

# 理论最大热量 (设计温升)

design_delta = (self.cfg.plant.design_outlet_temp_c

- self.cfg.plant.design_inlet_temp_c)

q_max_kj = flow_kg_s * cp * design_delta * dt

out["heat_max_gj"] = q_max_kj * 1e-6

# 回收效率

out["efficiency"] = np.where(

out["heat_max_gj"] > 0,

out["heat_gj"] / out["heat_max_gj"],

0.0

)

return out

亮点：

- 这是整个项目的灵魂函数——6 行核心代码实现焓变计算

-

"clip(lower=0)" 自动排除"出水 < 进水"的异常时段

- 理论最大值同步计算，为效率评估提供基准

4.5 核心算法②：效率评估

def _analyze_efficiency(self, df: pd.DataFrame) -> EfficiencyAnalysis:

"""

回收效率统计

对应课程 §6.1: 控制性能评估

"""

# 排除停机时段 (流量<5t/h 时效率无意义)

eff = df["efficiency"].replace([np.inf, -np.inf], np.nan)

if "flow_tph" in df.columns:

valid = df["flow_tph"].fillna(0) > 5

eff = eff[valid].dropna()

else:

eff = eff.dropna()

temp_rise = (df["outlet_temp_c"] - df["inlet_temp_c"])

if "flow_tph" in df.columns:

temp_rise = temp_rise[valid].dropna()

avg_eff = eff.mean() if len(eff) > 0 else 0.0

# 效率等级 (课程 §6.1 评价标准)

if avg_eff >= self.cfg.analysis.efficiency_excellent:

grade = "A(优秀)" # ≥85%

elif avg_eff >= self.cfg.analysis.efficiency_warning:

grade = "B(良好)" # ≥60%

elif avg_eff >= 0.4:

grade = "C(一般)"

else:

grade = "D(较差)"

# 低温升事件 (<2℃ → 几乎无热交换)

low_temp = (temp_rise < self.cfg.analysis.temp_drop_threshold_c).sum()

return EfficiencyAnalysis(

overall_efficiency=round(float(avg_eff), 4),

avg_temp_rise_c=round(float(temp_rise.mean()), 4),

max_temp_rise_c=round(float(temp_rise.max()), 4),

min_temp_rise_c=round(float(temp_rise.min()), 4),

efficiency_grade=grade,

low_efficiency_count=int((eff < 0.6).sum()),

temp_drop_events=int(low_temp),

)

4.6 核心算法③：经济效益综合评估

def _compute_economics(self) -> EconomicAssessment:

"""

经济效益计算 (课程 §6.1: 经济指标评估)

年净收益 = 年热量收入 - 年运行成本

回收期 = 投资成本 / 年净收益

NPV(5年) = Σ(年净收益/(1+r)^t) - 投资

"""

ecfg = self.cfg.economic

ncfg = self.cfg.energy

# 汇总 (小时级 metrics)

total_heat = sum(m.total_heat_gj for m in self._metrics)

total_revenue = sum(m.revenue_yuan for m in self._metrics)

total_op_cost = sum(m.operating_cost_yuan for m in self._metrics)

# 折算年运行

n_periods = len(self._metrics) # 小时数

hours_total = max(1, n_periods)

scale = ecfg.annual_hours / hours_total

annual_heat = total_heat * scale

annual_rev = total_revenue * scale

annual_op = total_op_cost * scale

annual_net = annual_rev - annual_op

# 投资回收期

if annual_net > 0:

payback = ecfg.investment_yuan / annual_net

else:

payback = float('inf')

payback_grade = ecfg.evaluate_payback(

payback if payback != float('inf') else 999

)

# 5年 NPV

npv = 0.0

for year in range(1, 6):

npv += annual_net / ((1 + ecfg.discount_rate) ** year)

npv -= ecfg.investment_yuan

# IRR 简化估算

irr_est = (annual_net / ecfg.investment_yuan) * 100 if ecfg.investment_yuan > 0 else 0

return EconomicAssessment(

daily_heat_gj=round(total_heat / max(1, n_periods/24), 2),

annual_heat_gj=round(annual_heat, 2),

daily_revenue_yuan=round(total_revenue / max(1, n_periods/24), 2),

annual_revenue_yuan=round(annual_rev, 2),

annual_operating_cost_yuan=round(annual_op, 2),

annual_net_benefit_yuan=round(annual_net, 2),

investment_yuan=ecfg.investment_yuan,

payback_period_years=round(payback, 2),

payback_grade=payback_grade,

npv_5year_yuan=round(npv, 2),

irr_estimate_pct=round(irr_est, 2),

)

4.7 实际运行输出

$ python main.py --gen-data

============================================================

工厂冷却水余热回收经济效益评估系统 v1.0.0

基于哈尔滨工程大学《工业过程控制》课程理论

(能量衡算 → 余热回收量 → 经济效益评估)

============================================================

📋 配置摘要:

工厂: 某精细化工车间

工艺: 冷却水余热回收

冷却水流量: 200.0 t/h

进水温度: 45.0℃

出水温度: 65.0℃

热价: 45.0 元/GJ

年运行时间: 6000 h

投资成本: 120 万元

能源基准: 标煤 (2.493 kgCO₂/kg)

📊 数据质量评估:

· total_records: 43200

· flow_tph_missing_pct: 0.0000

· median_dt_sec: 60.0000 is_regular: True

· negative_flow_count: 0

· reverse_temp_count: 0

🔍 开始余热回收分析...

📋 分析摘要

─────────────────────────────────────

【回收效率】

平均效率: 68.4% → B(良好)

平均温升: 13.68℃ (范围: 0.0~21.0℃)

低温升事件: 561 次 (<2.0℃)

【热量回收】

日均回收热量: 87.58 GJ

年均可回收热量: 21896.0 GJ

【经济效益】

日均收入: 3941 元

年运行成本: 99000 元

年净收益: 886321 元

投资回收期: 1.35 年 → A(优秀)

5年NPV: 2434092 元

预估IRR: 73.86%

【环境效益】

日均CO₂减排: 7450.2 kg

日均标煤节省: 2.96 吨

年CO₂减排(折算): 2719.3 吨

💡 关键发现:

1. 平均效率68.4% → B级, 有改进空间

2. 低温升事件561次 → 换热器可能结垢

3. 年净收益88.6万元, 回收期1.35年 → 投资回报优秀

4. 年CO₂减排约2719吨 → 碳交易潜在收益

💡 工程建议:

1. 安排换热器清洗 (效率从68%→85%可增收约25%)

2. 回收期<2年, 建议推进二期扩容

3. 关注低温升时段, 排查结垢/流量不足原因

✅ 分析完成！ 总耗时: 4.0s

关键成果：

- 效率 68.4% → B(良好) —— 有 25% 提升空间（清洗换热器后可增收）

- 投资回收期 1.35 年 → A(优秀) —— 项目经济性明确

- 5年 NPV 243 万元 —— 远超 120 万投资

- 年 CO₂ 减排 2719 吨 —— 碳交易潜在收益约 16 万元/年

- 561 次低温升事件 —— 自动定位换热器结垢时段

五、README 与使用说明

5.1 项目结构

waste_heat_recovery/

├── config.yaml # 配置文件（改它，不改代码）

├── config_loader.py # 配置加载（dataclass 聚合根）

├── generate_sample_data.py # 模拟数据生成（30天×1440点）

├── data_loader.py # CSV 加载 + 编码探测 + 质量评估

├── core_analyzer.py # ★ 核心分析引擎（模板方法）

├── report_generator.py # 报表生成（Excel/CSV/图表）

├── main.py # 主入口（流程编排）

├── run_test.py # 一键完整性测试

├── requirements.txt # numpy/pandas/matplotlib/pyyaml/openpyxl

├── README.md # 本说明

├── data/ # 输入 CSV（自动创建）

└── output/ # 输出报表（自动创建）

├── waste_heat_report.xlsx # 4 个 Sheet

├── heat_recovery_summary.csv

├── hourly_heat_recovery.csv

└── charts/

├── 01_heat_flow_trend.png

├── 02_efficiency_trend.png

├── 03_daily_heat.png

├── 04_payback_breakdown.png

└── 05_dashboard.png

5.2 三步上手

# 第1步：安装依赖

pip install -r requirements.txt

# 第2步：生成模拟数据（30天，含昼夜周期+周末减产+检修停机+结垢衰减）

python generate_sample_data.py

# 第3步：一键分析

python main.py

5.3 使用你自己的数据

将 SCADA/DCS 导出的数据整理为 CSV：

timestamp,flow_tph,inlet_temp_c,outlet_temp_c

2025-06-01 08:00:00,198.5,48.2,67.8

2025-06-01 08:01:00,201.3,48.5,68.1

放入

"data/cooling_water_log.csv"，运行

"python main.py --data data/cooling_water_log.csv" 即可。

支持中文列名——在

"config.yaml" 的

"data.column_mapping" 中修改映射。

5.4 配置文件说明（config.yaml）

plant:

name: "某精细化工车间"

design_flow_tph: 200.0

design_inlet_temp_c: 45.0

design_outlet_temp_c: 65.0

specific_heat_kj_kgk: 4.18

economic:

heat_price_yuan_per_gj: 45.0 # 中压蒸汽市场价

electricity_price_yuan_per_kwh: 0.75

pump_power_kw: 22.0

annual_hours: 6000

investment_yuan: 1200000.0

discount_rate: 0.07

payback_threshold_years: 5.0

5.5 命令行参数

python main.py --config my.yaml # 自定义配置

python main.py --data path.csv # 指定数据文件

python main.py --gen-data # 重新生成模拟数据

python main.py --no-charts # 跳过图表（仅表格）

python main.py -v # 详细调试日志

5.6 输出文件说明

文件 内容

"output/waste_heat_report.xlsx" 4 个 Sheet：总览/小时统计/日统计/配置参数

"output/heat_recovery_summary.csv" 经济效益汇总（日均/年均可回收量、NPV、IRR）

"output/hourly_heat_recovery.csv" 每小时回收热量明细

"output/charts/01_heat_flow_trend.png" ★ 流量+温度+热量综合趋势图

"output/charts/02_efficiency_trend.png" 回收效率趋势（含优秀/预警线）

"output/charts/03_daily_heat.png" 逐日回收热量柱状图

"output/charts/04_payback_breakdown.png" 投资回收分解（成本-收益柱图 + 5年现金流曲线）

"output/charts/05_dashboard.png" 综合仪表盘（效率仪表+温升+回收期+收入结构+结论）

六、核心知识点卡片

📌 卡片1：焓变计算（课程§2.2）

Q = m \cdot C_p \cdot \Delta T

要素 工业常识

水的 Cp ≈ 4.18 kJ/(kg·K) 记住这个数就够了

1 GJ = 10⁶ kJ 工业计量单位

200 t/h × 20℃ → 167 GJ/天 量级估算

📖 参考：《工业过程控制》§2.2 "能量衡算基础"

💡 核心洞察：不用记住公式——记住"每吨水降 1℃ 放出 4.18 MJ"就够了。

📌 卡片2：回收效率的物理含义

\eta = \frac{\Delta T_{actual}}{\Delta T_{design}}

η 物理含义 行动

85%~100% 换热器清洁，传热接近设计 维持

60%~85% 轻微结垢，传热下降 计划清洗

40%~60% 明显结垢 尽快清洗

< 40% 严重结垢/旁通泄漏 立即停机检修

📖 参考：《工业过程控制》§6.1 "控制性能评估指标"

💡 本项目自动追踪效率趋势——从 85% 慢慢降到 68% 的过程，就是结垢的"犯罪证据"。

📌 卡片3：投资回收三指标

指标 公式 本项目结果

回收期 投资 ÷ 年净收益 1.35 年

NPV(5年) Σ净收益折现 − 投资 243 万元

IRR 使 NPV=0 的折现率 73.86%

📖 参考：《工业过程控制》§6.1 "经济评价指标"

💡 三指标要一起看：回收期短但 NPV 负 = 陷阱；IRR 高但绝对值小 = 鸡肋项目。

📌 卡片4：碳排放折算

m_{coal} = \frac{Q_{GJ} \times 10^6}{29307.6} \text{ kg}

m_{CO_2} = m_{coal} \times 2.493 \text{ kg}

本项目结果 数值

日均标煤节省 2.96 吨

年 CO₂ 减排 2719 吨

碳交易潜在收益（60元/吨） 约 16 万元/年

💡 碳交易价格各省不同（40~80 元/吨），这部分收益可以显著缩短回收期。

📌 卡片5：模拟数据的"小心机"

# 周末减产 50%

weekend_factor = np.where(day_of_week >= 5, 0.5, 1.0)

# 每月 2 天检修停机

maintenance = np.where((day_idx%30==10)|(day_idx%30==25), 0.0, 1.0)

# 换热器缓慢结垢 (效率每周降 2%)

fouling = 1.0 - 0.02 * (day_frac / 7.0)

💡 好的模拟数据要"像真的"——有昼夜周期、有周末效应、有渐进衰减。这样才能验证分析程序在真实场景下的表现。

📌 卡片6：OOP设计模式速查

模式 本项目应用 解决的问题

聚合根

"AppConfig" 包含 6 个子配置 外部只需持有一个对象

模板方法

"analyze()" 定义 5 步流程 主流程固定，步骤可替换

值对象

"HeatRecoveryMetrics" 不可变 安全传递、可序列化

策略模式

"EnergyConfig.heat_to_co2()" 换能源基准只改 YAML

工厂方法

"AppConfig.from_yaml()" 封装创建逻辑

封装

"ReportGenerator._draw_*()" 私有 绘图细节对外不可见

七、总结

7.1 本工具做了什么

步骤 内容 对应课程章节

① 配置加载 YAML → dataclass 聚合根 —

② 数据加载 编码自动探测 + 质量评估 §3.1 测量误差

③ 焓变计算 Q = m·Cp·ΔT 逐点计算 §2.2 能量衡算

④ 效率评估 实际温升 / 设计温升 §6.1 性能评估

⑤ 时段聚合 小时/日级统计 —

⑥ 经济效益 收入 − 成本 = 净收益 §6.1 经济指标

⑦ 投资评估 回收期 + NPV + IRR §6.1 投资决策

⑧ 碳排放折算 热量 → 标煤 → CO₂ —

⑨ 综合仪表盘 效率+成本+现金流+结论 —

⑩ 报表输出 Excel(4Sheet)+CSV×2+图表×5 —

7.2 OOP 设计回顾

设计决策 好处 体现的原则

"AppConfig" 聚合根 外部只需持有一个对象 聚合根模式

"EnergyConfig.heat_to_co2()" 内聚折算 换能源基准只改 YAML 单一职责

"HeatRecoveryMetrics" 不可变 安全传递、可序列化 值对象模式

"analyze()" 模板方法 5 步流程固定，步骤可替换 模板方法模式

"ReportGenerator" 多格式输出 新增格式不改流程 开闭原则（OCP）

编码自动探测 不同 SCADA 导出即插即用 鲁棒性设计

逐点焓变再聚合 自动处理变工况/停机 数据驱动思维

7.3 适用与不适用

✅ 适用 ❌ 不适用

冷却水/工艺水余热回收评估 非热交换类节能项目

投资回报测算（IRR/NPV/回收期） 纯理论研究（无真实数据）

换热器结垢趋势监控 非稳态过程（频繁启停）

碳排放核算（标煤/CO₂ 折算） 实时在线优化（需 MPC）

月度/季度能效报告 非水介质（需改 Cp）

7.4 下一步可以做什么

- 接实时数据：用

"opcua" 直读 SCADA，变成在线余热监控看板

- 结垢预测：效率的缓慢下降 → 预测清洗时间窗口

- 多热源整合：多台换热器 → 全厂余热地图

- 碳交易对接：自动生成碳排放核算报告（ISO 14064 格式）

- ORC 发电评估：余热 → 发电量 → 上网电价收益

- 数字孪生：用机理模型生成"理想回收"基准，与实际对比

- 多方案比选：板式换热器 vs 热管 vs ORC，NPV 对比

免责声明：本工具仅用于历史数据的离线分析与趋势预测，不可替代在线能源管理系统的实时决策功能。热量单价、投资成本、折现率、碳价等参数应依据实际情况调整，默认参数仅供参考。模拟数据仅供演示算法流程，实际应用需使用真实 SCADA/DCS 历史数据。

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！