CN111473407A - 一种基于模型的集中供热系统按需精准调控方法 - Google Patents

Abstract

本发明公开了一种基于模型的集中供热系统按需精准调控方法，包括如下步骤：S1，根据热力站的历史运行数据和天气数据建立热力站负荷预测模型；S2，在给定天气条件下预测热力站次日短期热负荷；S3，根据所需热负荷，确定所需的二次侧供温和流量；S4，建立热力站换热器的板换模型；S5，根据所需热负荷和二次供热温度，通过板换模型计算出所需一次侧阀门开度并据此执行相关控制操作；S6，建立各楼宇的室温、回水温度和天气参数之间关系的数据驱动模型；S7，根据模型计算出各楼口回水温度的设定值，使楼口的调节阀追踪该值。采用本发明方法可有效避免热力站超供的情况，并能减少热能损失，提升热力站对能源的利用效率。

Description

一种基于模型的集中供热系统按需精准调控方法

技术领域

本发明属于供热系统的先进控制领域，具体涉及到一种为实现集中供热系统按需精准调控而对二次侧各楼宇的负荷进行模型预测以及对各楼宇的流量进行优化的方法与系统。

背景技术

供热系统通过在热源厂内生产高温热水并驱动热水在一次侧管网内循环流动，向各热力站输送热能，在热力站内，一次侧与二次侧进行换热，将热量从一次侧换热到二次侧，二次侧再向二次侧管网内的各个热用户进行供热，然而目前的热力站无法准确预测各热用户的具体负荷需求，但为了避免供热不足的问题，往往采取过量供热的措施，造成了能源浪费、利用效率低下等问题。为此，本发明基于楼宇负荷预测、楼口流量优化和热力站内的板换等模型，提供了一种集中供热系统按需精准调控的方法及系统，减少了供热系统的热能浪费，提高了系统的资源利用效率。

发明内容

本发明的目的是提供一种基于模型的集中供热系统按需精准调控方法，预测供暖期内楼宇的热负荷需求，确定二次侧管网的供热温度和流量，再建立热力站的板换模型，根据此计算出一次侧阀门的开度，控制系统基于此执行相关控制操作，最后，建立各楼宇的室温、回水温度和天气参数之间关系的数据驱动模型，并基于此确定达到热用户的负荷需求的同时，减少不必要的热能损失，提高能源的利用效率。

为了达到上述目的，本发明提供了一种集中供热系统按需精准调控方法，包括如下步骤：

步骤S1，根据热力站的历史运行数据和天气数据建立热力站负荷预测模型；

步骤S2，在给定天气条件下预测热力站次日短期热负荷；

步骤S3，根据所需热负荷，确定所需的二次供热温度和流量；

步骤S4，建立热力站换热器的板换模型；

步骤S5，根据所需热负荷和二次供热温度，通过板换模型计算出所需一次侧阀门开度并据此执行相关控制操作；

步骤S6，建立各楼宇的室温、回水温度和天气参数之间关系的数据驱动模型；

步骤S7，根据模型计算出各楼口回水温度的设定值，使楼口的调节阀追踪该值。

上述技术方案中，进一步地，步骤S1包括如下步骤：

步骤S11，热力站的历史运行数据包括二次侧供温t_供2、二次侧回温t_回2和二次侧流量q_二次等，区域天气参数W包括温度t、湿度d、光照r和风速v等历史数据，天气参数可表示为一个矢量：W＝[t,d,r,v]，据此建立热力站负荷预测模型。

热力站的热负荷可以表示为：

Ψ＝cρq_二次(t_供2-t_回2)

步骤S12，利用神经网络等数据挖掘算法(以SVR算法为例)对上述的历史数据集进行挖掘，即训练出热力站负荷预测模型。选取Ψ＝cρq_二次(t_供2-t_回2)作为楼宇热负荷的近似度量指标，也即SVR非线性回归模型的响应变量，其中c与ρ分别为水在供回平均温度下的比热容和密度。最终构建的热力站负荷预测模型为：

Ψ＝f(W)＝f([t,d,r,v])

上式中，

Ψ为楼宇热负荷的度量指标；

W为输入的天气参数矢量。

采用神经网络算法训练热力站负荷预测模型的步骤如下：

实时获取热力站所在区域未来一段时间(如未来一天)的天气因素向量：

W_j＝[t,d,r,v],j＝1,2…n，n为楼宇数量

针对各楼宇利用历史数据训练SVR非线性回归算法模型Ψ_j＝f(W_j)＝f([t,d,r,v]_j)并进行预测。算法模型建立步骤如下：

建立某一热力站含有l个训练样本的历史数据集合

{(x_i,y_i),i＝1,2,…,l}

其中x_i＝[W_i]^T＝[t,d,r,v]_i ^T为第i个训练样本输入列向量，y_i＝Ψ_i为对应输出值，在高维空间中建立线性回归函数为：

f(x)＝wΦ(x)+b

式中，Φ(x)为非线性映射函数。

定义ε线性不敏感损失函数为

式中：f(x)为回归函数返回的预测值；y为对应的真实值。

类似SVM分类情况，引入松弛变量ξ_i,

并将上述寻找w,b的问题用数学语言描述出来，即：

式中：C为惩罚因子，C越大表示对训练误差大于ε的样本惩罚越大，ε规定了回归函数的误差要求，ε越小表示回归函数的误差越小。求解上式时，引入Lagrange函数，并转换成对偶形式：

式中：K(x_i,x_j)＝Φ(x_i)Φ(x_j)为核函数。

设求解上式得到的最优解为

a＝[a₁,a₂,…,a_l],

则有：

式中：N_nsv为支持向量机个数。

将w^*,b^*代入f(x)＝wΦ(x)+b中，得到：

其中的x即为预测模型的输入变量——天气参数W，因此预测模型为：

上式即为所求的热力站负荷预测模型。

进一步地，所述的步骤S2中：

给定天气参数(温度、湿度、光照和风速)一般为热力站所在区域气象站所预测出的短期气象数据，气象预测的时间尺度与热负荷需求预测的时间尺度相一致，天气参数W＝[t,d,r,v]，其中，t代表气象站预测的温度；d代表气象站预测的湿度；r代表气象站预测的光照条件；v代表气象站预测的当地风速。输入天气参数W，热力站负荷预测模型即可输出预测的热负荷Ψ。

更进一步地，步骤S3中，由于在热力站运行期间，二次侧一般采取定流量的运行方式，只通过调节二次侧供温来实现对供热负荷的调整，此外，由于二次侧回温的变化幅度较小，为确定满足预测供热负荷需求的二次侧供水温度，取当前的回水温度t_回2为计算用回水温度，接下来通过Ψ＝cρq_二次(t_供2-t_回2)这一式子，即可求得

更进一步地，步骤S4，根据热力站运行历史数据，建立热力站运行的板换模型：

从运行数据库获得各热力站运行历史数据，以建立一次侧阀门开度、二次侧循环泵频率与热力站水力特性之间的对应关系；其中热力站运行历史数据包括：一次侧阀门开度θ、一次侧供温t_供1、二次侧供温t_供2以及二次侧循环泵的运行频率f。

更进一步地，采用神经网络算法训练板换模型，即

通过拟合热力站一次侧阀门位于不同开度、不同一次侧供温和不同二次侧供、回温的运行数据，建立板换模型θ＝h(t_供1,t_供2,t_回2,f)，用于描述在给定一次侧供温和二次侧循环泵运行频率的情况下热力站二次侧供回温与一次侧阀门开度的关系。

更进一步地，所述的步骤S5具体为，根据步骤S3所求出的二次侧供温，以及目前热力站运行时的一次侧供温和二次侧循环泵频率，代入步骤S4中的板换模型中去，即可计算出所需的一次侧阀门开度，并将该开度需求信号传递给控制系统，执行相关控制操作。

更进一步地，步骤S6：建立各楼宇的室温T、供回水温度t_供、t_回和天气参数W之间关系的数据驱动模型，具体为：为实现各楼宇的按需精准供热，需要在楼宇这一层面进行预测和控制，而楼宇的供水温度与二次侧的供水温度基本一致，因此楼宇层面的控制系统只要对楼宇的二次侧回温进行调控即可。

采用神经网络算法训练楼宇二次侧回温控制模型，即通过拟合楼宇不同的二次侧回温所对应的各楼宇的室温T、供水温度t_供2，天气参数W的历史数据，建立楼宇二次侧回温控制模型：t_回＝g(t_供2,T,W)，用于描述在一定天气参数、二次侧供水温度以及设定的室内温度的情况下所需的楼宇二次侧回温。

更进一步地，步骤S7：根据模型计算出各楼口回水温度的设定值，使楼口的调节阀追踪该值，具体为：利用上述的二次侧回温控制模型，计算得到所要控制的二次侧回温数值，将该数值传递给控制系统，控制系统对楼宇层面的楼口阀门进行调节，使其不断调节适应环境的扰动，最终使得楼宇二次侧回温能稳定在设定值。

本发明的有益效果是：

本发明首先通过模型预测了楼宇在不同天气条件下的热负荷需求，并计算了为达到该需求所需的二次侧供温和相应的楼口流量，再对各楼宇的流量进行优化，得到一个最优的共有二次侧供温，再结合热力站的历史运行数据建立板换模型，获得在给定一次侧供温和二次侧循环泵运行频率的情况下热力站二次侧供温与一次侧阀门开度的关系，最终根据具体负荷需求调节一次侧阀门的阀门开度或二次侧循环泵运行频率，满足楼宇热用户的负荷需求。本发明结合楼宇热负荷需求预测模型、热力站的板换模型与相关的运行数据，预测性地获得了在不同天气条件下满足楼宇热负荷需求的热力站一次侧阀门开度和二次侧循环泵频率，避免了热力站超供的情况，减少了热能损失，提升了热力站对能源的利用效率。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明方法的主要步骤。

图2是集中供热系统一次侧、二次侧的管网结构与参数采集示意图。

图3是本发明系统的控制流程图。

具体实施方式

本发明的一种基于模型的集中供热系统按需精准调控方法，包括如下步骤：

步骤S1，如图2，根据热力站的历史运行数据和天气数据建立热力站负荷预测模型。热力站的历史运行数据包括二次侧供温t_供2、二次侧回温t_回2和二次侧流量q_二次等，区域天气参数W包括温度t、湿度d、光照r和风速v等历史数据，据此建立负荷预测模型。

热力站的热负荷可以表示为：

Ψ＝cρq_二次(t_供2-t_回2)

利用数据挖掘算法(以SVR算法为例)对上述的历史数据集进行挖掘，即训练出热力站负荷预测模型。选取Ψ＝cρq_二次(t_供2-t_回2)作为楼宇热负荷的近似度量指标，也即SVR非线性回归模型的响应变量，其中c与ρ分别为水在供回平均温度下的比热容和密度。最终构建热力站负荷预测模型为：

Ψ＝f(W)＝f([t,d,r,v])。

利用神经网络等数据挖掘算法可训练出一个预测算法模型：

Ψ＝f(W)＝f([t,d,r,v])

上式中，

Ψ为楼宇热负荷的度量指标；

W为输入的天气参数矢量；

算法模型训练步骤如下：

实时获取热力站所在区域未来一段时间(如未来一天)的天气因素向量：

W_j＝[t,d,r,v],j＝1,2……n，n为楼宇数量

针对各楼宇利用历史数据训练SVR非线性回归算法模型Ψ_j＝f(W_j)＝f([t,d,r,v]_j)并进行预测。算法模型建立步骤如下：

1)建立某一热力站含有l个训练样本的历史数据集合

{(x_i,y_i),i＝1,2,…,l}

其中x_i＝[W_i]^T＝[t,d,r,v]_i ^T为第i个训练样本输入列向量，y_i＝Ψ_i为对应输出值，在高维空间中建立线性回归函数为：

f(x)＝wΦ(x)+b

式中，Φ(x)为非线性映射函数。

2)定义ε线性不敏感损失函数为

式中：f(x)为回归函数返回的预测值；y为对应的真实值。

3)类似SVM分类情况，引入松弛变量ξ_i,

并将上述寻找w,b的问题用数学语言描述出来，即：

式中：C为惩罚因子，C越大表示对训练误差大于ε的样本惩罚越大，ε规定了回归函数的误差要求，ε越小表示回归函数的误差越小。求解上式时，引入Lagrange函数，并转换成对偶形式：

式中：K(x_i,x_j)＝Φ(x_i)Φ(x_j)为核函数。

4)设求解上式得到的最优解为

a＝[a₁,a₂,…,a_l],

则有：

式中：N_nsv为支持向量机个数。

5)将w^*,b^*代入f(x)＝wΦ(x)+b中，得到：

其中的x即为预测模型的输入变量——天气参数W，因此预测模型为：

上式即为所求的热力站负荷预测模型。

步骤S2，在给定天气条件下预测热力站次日短期热负荷。

所述的给定天气参数(温度、湿度、光照和风速)一般为热力站所在区域气象站所预测出的短期气象数据，气象预测的时间尺度与热负荷需求预测的时间尺度相一致，天气参数可表示为一个矢量：W＝[t,d,r,v]，其中，t代表气象站预测的温度；d代表气象站预测的湿度；r代表气象站预测的光照条件；v代表气象站预测的当地风速。

步骤S3，根据所需热负荷，确定所需的二次供热温度和流量。由于在热力站运行期间，二次侧一般采取定流量的运行方式，只通过调节二次侧供温来实现对供热负荷的调整，此外，由于二次侧回温的变化幅度较小，为确定满足预测供热负荷需求的二次侧供水温度，取当前的回水温度t_回2为计算用回水温度，接下来通过Ψ＝cρq_二次(t_供2-t_回2)这一式子，即可求得

步骤S4，根据热力站运行历史数据，建立热力站运行的板换模型，如图3中的板换模型，即一次侧阀门开度、二次侧循环泵的运行频率和热力站水力特性之间的对应关系，包括：

从运行数据库获得各热力站运行历史数据，以建立一次侧阀门开度、二次侧循环泵频率和热力站水力特性之间的对应关系；其中热力站运行历史数据包括：一次侧阀门开度θ、一次侧供温t_供1、二次侧供温t_供2以及二次侧循环泵的运行频率f。

采用神经网络算法训练板换模型，即

通过拟合热力站一次侧阀门位于不同开度、不同一次侧供温和不同二次侧供回温的运行数据，建立一次侧阀门开度调节模型θ＝h(t_供1,t_供2,t_回2,f)，用于描述在给定一次侧供温和二次侧循环泵运行频率的情况下热力站二次侧供回温与一次侧阀门开度的关系。

步骤S5，如图3，根据所需热负荷和二次供热温度，通过板换模型计算出所需一次侧阀门开度并据此执行相关控制操作，具体为：根据步骤S3所求出的二次侧供温，以及目前热力站运行时的一次侧供温和二次侧循环泵频率，代入步骤S4中的板换模型中去，即可计算出所需的一次侧阀门开度，并将该开度需求信号传递给控制系统，执行相关控制操作。

步骤S6，建立各楼宇的室温T、供回水温度t_供、t_回和天气参数W之间关系的数据驱动模型，具体为：为实现各楼宇的按需精准供热，需要在楼宇这一层面进行预测和控制，而楼宇的供水温度与二次侧的供水温度基本一致，因此楼宇层面的控制系统只要对楼宇的二次侧回温进行调控即可。

采用神经网络算法训练楼宇二次侧回温控制模型，即通过拟合楼宇不同的二次侧回温所对应的各楼宇的室温T、供水温度t_供2，天气参数W的历史数据，建立楼宇二次侧回温控制模型：t_回＝g(t_供2,T,W)，用于描述在一定天气参数、二次侧供水温度以及设定的室内温度的情况下所需的楼宇二次侧回温。

步骤S7，根据模型计算出各楼口回水温度的设定值，使楼口的调节阀追踪该值，具体为：利用上述的二次侧回温控制模型，计算得到所要控制的二次侧回温数值，将该数值传递给控制系统，控制系统对楼宇层面的楼口阀门进行调节，使其不断调节适应环境的扰动，最终使得楼宇二次侧回温能稳定在设定值。

Claims (9)

1.一种基于模型的集中供热系统按需精准调控方法，其特征在于，包括如下步骤：

步骤S1，根据热力站的历史运行数据和天气数据建立热力站负荷预测模型；

步骤S2，在给定天气条件下预测热力站次日短期热负荷；

步骤S3，根据所需热负荷，确定所需的二次侧供温和流量；

步骤S4，建立热力站换热器的板换模型；

步骤S5，根据所需热负荷和二次供热温度，通过板换模型计算出所需一次侧阀门开度并据此执行相关控制操作；

步骤S6，建立各楼宇的室温、回水温度和天气参数之间关系的数据驱动模型；

步骤S7，根据模型计算出各楼口回水温度的设定值，使楼口的调节阀追踪该值。

2.根据权利要求1所述的基于模型的集中供热系统按需精准调控方法，其特征在于，所述步骤S1包括如下步骤：

步骤S11，搜集热力站所覆盖的供热区域内的历史运行数据及天气数据，历史运行数据包括二次侧的流量q_二次、二次侧供温t_供2与二次侧回温t_回2；天气数据用一个矢量来表示：W＝[t,d,r,v]，其中，t代表气象站预测的温度；d代表气象站预测的湿度；r代表气象站预测的光照条件；v代表气象站预测的当地风速；

步骤S12，利用神经网络算法对上述的历史数据集进行挖掘，训练出热力站负荷预测模型：

Ψ＝f(W)＝f(t,d,r,v)。

3.根据权利要求2所述的基于模型的集中供热系统按需精准调控方法，其特征在于，所述步骤S2具体为：从供热站所供热区域的气象站得到所要预测周期内的天气状况，包括温度t，湿度d，光照条件r和当地的风速v，构成热力站负荷预测模型的输入条件W，然后热力站负荷预测模型输出预测的热负荷Ψ。

4.根据权利要求3所述的基于模型的集中供热系统按需精准调控方法，其特征在于，所述步骤S3具体为：在供热系统实际运行过程中，二次侧以定流量运行，选择二次侧循环泵的额定工况进行运行，通过改变二次侧的供温来实现工况的变动，供热系统在需要变动工况时，取前一时间段内的二次回温为计算所需的t_回2，结合预测得到的热负荷Ψ，得到所需的二次侧供温：热力站的热负荷Ψ可表示为：Ψ＝cρq_二次侧(t_供2-t_回2)，其中c与ρ分别为水在供回平均温度下的比热容和密度，则

5.根据权利要求4所述的基于模型的集中供热系统按需精准调控方法，其特征在于，所述步骤S4中，建立热力站换热器的板换模型时从数据库中获取相应的运行数据，以建立一次侧阀门开度、二次侧循环泵频率和热力站水力特性之间的对应关系，所述的热力站运行历史数据包括：一次侧阀门开度θ、一次侧供温t_供1、二次侧供温t_供2以及二次侧循环泵的运行频率f。

6.根据权利要求5所述的基于模型的集中供热系统按需精准调控方法，其特征在于，所述的步骤S4中，

采用神经网络算法训练板换模型，即

通过拟合热力站一次侧阀门位于不同开度、不同一次侧供温和不同二次侧供、回温的运行数据，建立板换模型θ＝h(t_供1,t_供2,t_回2,f)，用于描述在给定一次侧供温和二次侧循环泵运行频率的情况下热力站二次侧供、回温与一次侧阀门开度的关系。

7.根据权利要求6所述的基于模型的集中供热系统按需精准调控方法，其特征在于，所述步骤S5具体为：根据当前站内一次侧供温和二次侧循环泵频率，以及所要达到的二次侧供温，通过板换模型计算出一次侧阀门的开度，将此参数提供给控制系统执行控制操作。

8.根据权利要求1所述的基于模型的集中供热系统按需精准调控方法，其特征在于，所述步骤S6中，建立各楼宇的室温、回水温度和天气参数之间关系的数据驱动模型，以实现各楼宇的按需精准供热，因此需要在楼宇这一层面进行预测和控制，而楼宇层面的控制系统只需对楼宇的二次侧回温进行调控即可，故采用神经网络算法训练楼宇二次侧回温控制模型，即

通过拟合楼宇不同的二次侧回温所对应的各楼宇的室温T、供水温度t_供2，天气参数W的历史数据，建立楼宇二次侧回温控制模型：t_回2＝g(t_供2,T,W)，用于描述在一定天气参数、二次侧供水温度以及设定的室内温度的情况下所需的楼宇二次侧回温。

9.根据权利要求8所述的基于模型的集中供热系统按需精准调控方法，其特征在于，步骤S7具体为：

利用二次侧回温控制模型计算得到所要控制的二次侧回温数值，将该数值传递给控制系统，控制系统对楼宇层面的楼口阀门进行调节，使其不断调节适应环境的扰动，最终使得楼宇二次侧回温能稳定在设定值。

Images