CN111503718A - 基于多因素影响的热电联产供热负荷预测方法及供热系统 - Google Patents

基于多因素影响的热电联产供热负荷预测方法及供热系统 Download PDF

Info

Publication number
CN111503718A
CN111503718A CN202010158700.9A CN202010158700A CN111503718A CN 111503718 A CN111503718 A CN 111503718A CN 202010158700 A CN202010158700 A CN 202010158700A CN 111503718 A CN111503718 A CN 111503718A
Authority
CN
China
Prior art keywords
heat
heating
load
data set
heating period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010158700.9A
Other languages
English (en)
Other versions
CN111503718B (zh
Inventor
高新勇
厉剑梁
郑立军
何晓红
李成磊
黄平平
杨志群
夏明�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric Power Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN202010158700.9A priority Critical patent/CN111503718B/zh
Publication of CN111503718A publication Critical patent/CN111503718A/zh
Application granted granted Critical
Publication of CN111503718B publication Critical patent/CN111503718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
    • F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
    • F24D19/1048—Counting of energy consumption
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D11/00—Central heating systems using heat accumulated in storage masses
    • F24D11/002—Central heating systems using heat accumulated in storage masses water heating system

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于多因素影响的热电联产供热负荷预测方法及供热系统，属于集中供热技术领域，供热系统包括热电机组、热网首站、蓄热系统、热网循环水泵、蓄热循环泵、放热循环泵、电动调节阀门、物联网流量计、物联网温度仪、物联网压力仪和q个热力站，q≥2，通过综合考虑气象参数、管网特征和建筑物特性等因素影响，建立未来某一天的远期热负荷预测模型和实时供热负荷调节的近期热负荷预测模型，一方面实现合理安排热电联产机组的运行工况，实现热源侧机组的电、热负荷高效调节，另一方面实现热网侧供热的精准运行调节，有效满足热用户的采暖需求，从而有效解决供热系统热源侧与热网侧的电、热负荷不匹配，达到热网侧精准供热和热源侧高效调峰。

Description

基于多因素影响的热电联产供热负荷预测方法及供热系统
技术领域
本发明涉及集中供热技术领域，具体涉及一种基于多因素影响的热电联产供热负荷预测方法及供热系统。
背景技术
集中供热系统是城市的基础设施之一，也是城市的现代化水平标志之一。集中供热事业在我国快速发展，截止2016年底，我国集中供暖面积约70亿平方米，其中热电联产集中供暖面积约35亿平方米，集中供热系统的高质量发展，直接关系到城市的现代化建设、人民生活水平的提升。针对热电联产集中供热系统来说，不仅肩负着热网侧的供热需求，也肩负着电网的发电调度要求。由于热电联产机组的电力调峰能力很小，无法及时响应电网侧的电力调峰，特别是热网侧的热负荷处于频繁波动状态，这给热电联产机组响应电网的发电调度要求带来了极大的挑战，例如2015年全国电网中仅弃风电量损失就达339亿kWh，损失巨大。只有精准预测热电联产集中供热系统的热网侧热负荷需求，才能合理安排热电联产机组的运行工况，输出既能满足电网调度要求的电负荷，又能满足热网用热需求的热负荷；一方面提升电网消纳新能源的能力，减少弃风弃电损失，另一方面，通过精准预测供热系统的热负荷情况，实现高效调节，减少热网的过量供热或不足供热损失。
传统供热系统的热负荷预测方法是仅依靠室外环境温度来预测未来供热系统所需的供热量，这种方式存在着很大的误差，根据瑞典学者研究认为室外温度对热负荷的影响仅为60％，由此也说明了传统仅根据室外环境温度来预测和调节供热系统的供热量存在着很大的误差。为解决供热系统热负荷精准高效预测的问题，现有公开了相关技术包括：“一种基于数值天气预报进行热负荷预测的方法(申请号201510889154.5)”、“基于综合温度的供热负荷预报方法(专利号ZL201610415738.3)”、“热电联供系统热负荷预测方法(申请号201910088808.2)”。申请号201510889154.5的专利技术是通过建立综合考虑气象参数温度、太阳辐射和环境湿度的热负荷预测模型，通过神经网络模型训练与检验，得到精准的预测模型，实现对供热系统未来热负荷的预测，该技术相比传统方法，提高了热负荷预测的精准度；专利号ZL201610415738.3的专利技术是通过统计的历史供热量数据，这算当量建筑物特性系数，并利用室外干球温度和太阳辐射预测室外综合环境温度，然后利用当量建筑物特性系数和室外综合环境温度来进行供热系统的热负荷预测，该技术考虑了建筑物特征和管网特性，但是仅利用一个统计期的平均值来折算当量建筑物特性系数，计算方式存在着很大的误差，另外也未考虑环境湿度等气象因素的影响。申请号201910088808.2的专利技术是利用热电厂过去一天的室外温度、供水温度、回水温度、供水流量和热负荷的变量数据建立归一化方程，在通过输入预测日的室外温度、供水温度、回水温度和供水流量，来计算预测响应的热负荷大小。但是综合来说，供热负荷同时受室外环境温度、环境湿度、太阳辐射、风速、室内温度、管网特性和建筑物特征的影响，据瑞典学者研究管网热损失可使热负荷增加5％-8％，风速可使得热负荷增加1％-4％，另外，建筑物综合因素(含建筑物特征和室内环境因素)对热负荷的影响也是巨大的，由此可见，以上各种预测方法还存在着一定的弊端。本发明则是通过建立考虑室外环境温度、环境湿度、太阳辐射、风速、室内温度、管网特性和建筑物特征的热负荷预测模型，利用一个采暖期的大量历史数据对模型进行训练和检验，得出精准的热负荷预测模型，根据热负荷预测，合理安排热电联产机组的运行工况，输出可以满足电网调度要求的电负荷，以及还可以满足热网用热需求的热负荷，再利用蓄热系统平衡供热系统的多余热负荷和不足热负荷，实现热电联产集中供热系统的热负荷精准预测与高效调节。
发明内容
本发明的目的在于克服现有技术中存在的上述不足，而提供一种设计合理、性能可靠、基于多因素影响的热电联产供热负荷预测方法及供热系统。
本发明解决上述问题所采用的技术方案是：一种基于多因素影响的热电联产供热负荷预测方法，包括未来供热负荷预测和实时供热负荷调节，其特征是，未来供热负荷预测是指进入采暖期时，在室内温度达到标准范围16℃-24℃的情况下，采集与统计历史气象参数的数据，历史气象参数包括室外环境温度、太阳辐射、室外环境风速和室外环境相对湿度，同时利用热用户室内温度监测系统统计相同条件下的热用户的历史室内温度数据，统计相同条件下的供热系统的历史供热负荷数据，构成过去一个采暖期的数据集，建立未来供热负荷预测模型，将数据集分为训练数据集和测试数据集，利用训练数据集和测试数据集对未来供热负荷预测模型进行训练和检验，得出未来供热负荷预测模型的各项参数，然后根据天气预报的气象参数预测值、室内温度目标值和供热系统的历史供热负荷值，利用未来供热负荷预测模型得出供热系统未来某一天的预测供热负荷，然后根据电网调度得出热电机组未来某一天的预测发电负荷，结合热电机组的电、热负荷匹配特性工况图和蓄热系统的蓄放热容量，得到热电机组未来某一天的预测输出热负荷；实时供热负荷调节是指进入采暖期时，统计每一天的每一次调节完成时的历史气象参数的数据、热用户的历史室内温度数据、供热系统的历史供热负荷数据和管网热损失数据，构成过去一个采暖期的数据集，建立实时供热负荷调节模型，将数据集分为训练数据集和测试数据集，利用训练数据集和测试数据集对实时供热负荷调节模型进行训练和检验，得出实时供热负荷调节模型的各项参数，然后在采暖期当天的每一次调节时，根据天气预报的气象参数预测值、室内温度目标值和供热系统的历史供热负荷值，以及通过供热管网历史热损失趋势获得的管网热损失预测值，利用实时供热负荷调节模型得出采暖期当天该次调节的预测供热负荷，结合当天的热电机组预测输出热负荷，计算蓄热系统的蓄放热负荷，调节供热系统中对应电动调节阀门的开度，通过热力站为热用户提供采暖所需的热量，然后根据热用户的实时室内温度，进一步修正供热系统的供热负荷调节，并利用蓄热系统平衡每一次调节时供热系统的多余热负荷和不足热负荷，使得得到的热用户室内温度符合标准室温范围16℃-24℃。
进一步的，所述未来供热负荷预测，其步骤如下：
S1：确定当地的采暖期天数为n，采暖期包括采暖初期、采暖高寒期和采暖末期，其中：n＝x+y+z，x为采暖初期的天数，y为采暖高寒期的天数，z为采暖末期的天数；
在每次采暖期内，在室内温度达到标准范围16℃-24℃的情况下，采集并统计第m天的室外环境温度平均值
Figure BDA0002404983230000031
太阳辐射平均值
Figure BDA0002404983230000032
室外环境风速平均值
Figure BDA0002404983230000033
室外环境相对湿度平均值
Figure BDA0002404983230000034
室内实测温度平均值
Figure BDA0002404983230000035
和供热系统实际供热负荷平均值
Figure BDA0002404983230000036
构成一个数据集M，其中：
Figure BDA0002404983230000037
Figure BDA0002404983230000038
式中：Mm为采暖期内第m天的数据集，M为由一个采暖初期、一个采暖高寒期和一个采暖末期中所有Mm组成的数据集；当m＝1时，
Figure BDA0002404983230000039
为该次采暖期之前的采暖期最后一天的实际供热负荷平均值；
进入S2步骤的操作；
S2：确定供热系统的未来供热负荷预测模型为：
Figure BDA00024049832300000310
式中：A、B、C、D、E、F和G均为常数，
Figure BDA00024049832300000311
为供热系统第m天的供热负荷预测值，m＝1,2,······,n；
在本次采暖期的不同时期，从数据集M中抽取训练数据集M训和测试数据集M测，并且训练数据集M训和测试数据集M测分别为：
Figure BDA0002404983230000041
Figure BDA0002404983230000042
Figure BDA0002404983230000043
Figure BDA0002404983230000044
式中：Mi为训练数据集内第i天的数据集，Mj为测试数据集内第j天的数据集，其中：M＝M训+M测，k+w＝n；
进入S3步骤的操作；
S3：利用训练数据集M训和测试数据集M测分别对预测模型公式(3)进行模型训练和检验，其中：
Figure BDA0002404983230000045
为输出量，
Figure BDA0002404983230000046
和
Figure BDA0002404983230000047
为输入量；
首先利用训练数据集M训对预测模型公式(3)进行模型训练，得出预测模型公式(3)中A、B、C、D、E、F和G的7个常数值；
然后将得出的A、B、C、D、E、F和G的数值代入预测模型公式(3)中之后，再利用测试数据集M测对预测模型公式(3)进行检验，计算预测模型的性能指标，包括相关系数R和平均绝对误差K，计算公式分别为：
Figure BDA0002404983230000048
Figure BDA0002404983230000049
式中：w为测试数据集包含数据集的天数，
Figure BDA00024049832300000410
为测试数据集内第j天的供热负荷预测值，
Figure BDA0002404983230000051
为供热负荷预测值在w天内的平均值，
Figure BDA0002404983230000052
为测试数据集内第j天的实际供热负荷平均值，
Figure BDA0002404983230000053
为实际供热负荷平均值在w天内的平均值；
进入S4步骤的操作；
S4：辨别预测模型公式(3)的拟合优度的约束函数为：
0.9≤R≤1 (10)
辨别预测模型公式(3)的预测误差的约束函数为：
0≤K≤10％ (11)
当相关系数R满足公式(10)且平均绝对误差K满足公式(11)时，模型训练得出的A、B、C、D、E、F和G的数值符合要求，确定未来供热负荷预测模型，此时进入S5步骤的操作；
当相关系数R不满足公式(10)时，通过模型训练得出的未来供热负荷预测模型不符合要求，此时参照S3步骤继续预测模型公式(3)进行训练和检验，一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11)，确定未来供热负荷预测模型，此时进入S5步骤的操作；
当平均绝对误差K不满足公式(11)时，通过模型训练得出的未来供热负荷预测模型不符合要求，此时参照S3步骤继续预测模型公式(3)进行训练和检验，一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11)，确定未来供热负荷预测模型，此时进入S5步骤的操作；
S5：通过天气预报，获取第m天的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值；参照第m-1天的实际室内温度值，获取第m天热用户的室内温度目标值；统计第m-1天供热系统的实际供热负荷平均值；然后利用由S4步骤得出的未来供热负荷预测模型，计算得出第m天供热系统的预测供热负荷
Figure BDA0002404983230000054
进入S6步骤的操作；
S6：根据电网调度，得出热电机组的未来预测发电负荷Pm，结合热电机组的电、热负荷匹配特性工况图与蓄热系统现有的蓄放热容量，参考第m天的预测供热负荷
Figure BDA0002404983230000055
确定热电机组发电负荷Pm时的机组主蒸汽进汽流量为Hm，得出未来第m天热电机组的预测输出热负荷为Qm，其中：m＝1,2,······,n。
进一步的，所述实时供热负荷调节，其步骤如下：
V1：在每次采暖期的第m天，结合当天的气象参数变化趋势和热用户的建筑物热惰性，确定当天供热系统进行实时供热负荷调节的次数为
Figure BDA0002404983230000061
m＝1,2,······,n；
采集并统计每次采暖期第m天的第λ次调节完成时的室外环境温度值
Figure BDA0002404983230000062
太阳辐射值
Figure BDA0002404983230000063
室外环境风速值
Figure BDA0002404983230000064
室外环境相对湿度值
Figure BDA0002404983230000065
热用户的室内实测温度值
Figure BDA0002404983230000066
供热系统的实际供热负荷值
Figure BDA0002404983230000067
和管网热损失值
Figure BDA0002404983230000068
构成一个数据集N，其中：
Figure BDA0002404983230000069
Figure BDA00024049832300000610
式中：Nm为采暖期内第m天共
Figure BDA00024049832300000611
次调节所组成的数据集，Nλ为采暖期内第m天的第λ次调节的数据集，N为由从当前采暖期第m天开始过去最近一个采暖期内所有Nλ组成的数据集；当λ＝1时，第λ-1次调节为第m天的前一天最后一次调节；
进入V2步骤的操作；
V2：确定供热系统的实时供热负荷调节模型为：
Figure BDA00024049832300000612
式中：a、b、c、d、e、f、g和h均为常数，
Figure BDA00024049832300000613
为采暖期当天第λ次调节时的供热负荷预测值，
Figure BDA00024049832300000614
在当前采暖期第m天，从数据集N中抽取训练数据集N训和测试数据集N测，其中：训练数据集N训为由从当前采暖期第m天开始过去最近一个采暖期内最远α天中所有Nλ组成的数据集，测试数据集N测为由从当前采暖期第m天开始过去最近一个采暖期内最近β天中所有Nλ组成的数据集，α+β＝n；
进入V3步骤的操作；
V3：利用训练数据集N训和测试数据集N测分别对调节模型公式(14)进行模型训练和检验，其中：
Figure BDA00024049832300000615
为输出量，
Figure BDA00024049832300000616
和
Figure BDA00024049832300000617
为输入量；
首先利用训练数据集N训对调节模型公式(14)进行模型训练，得出调节模型公式(14)中a、b、c、d、e、f、g和h的8个常数值；
然后将得出的a、b、c、d、e、f、g和h的数值代入调节模型公式(14)中之后，再利用测试数据集N测对调节模型公式(14)进行检验，计算调节模型的性能指标，包括相关系数θ和平均绝对误差φ，计算公式分别为：
Figure BDA0002404983230000071
Figure BDA0002404983230000072
式中：δ为测试数据集包含数据集的调节次数，
Figure BDA0002404983230000073
为测试数据集内第τ次调节的供热负荷预测值，
Figure BDA0002404983230000074
为供热负荷预测值在δ调节次数内的平均值，
Figure BDA0002404983230000075
为测试数据集内第τ次调节的实际供热负荷值，
Figure BDA0002404983230000076
为实际供热负荷值在δ调节次数内的平均值；
进入V4步骤的操作；
V4：辨别调节模型公式(14)的拟合优度的约束函数为：
0.9≤θ≤1 (17)
辨别调节模型公式(14)的预测误差的约束函数为：
0≤φ≤5％ (18)
当相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)时，模型训练得出的a、b、c、d、e、f、g和h的数值符合要求，确定实时供热负荷调节模型，此时进入V5步骤的操作；
当相关系数θ不满足公式(17)时，参照V3步骤继续对调节模型公式(14)进行训练和检验，一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)，确定实时供热负荷调节模型，此时进入V5步骤的操作；
当平均绝对误差φ不满足公式(18)时，参照V3步骤继续对调节模型公式(14)进行训练和检验，一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)，确定实时供热负荷调节模型，此时进入V5步骤的操作；
V5：根据第λ次调节到第λ+1次调节时间间隔内的天气预报，获取第λ次调节时的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值；通过供热管网的历史热损失趋势，获取第λ次调节时的供热管网热损失预测值；参照第τ-1次调节完成时的实际室内温度值，获取第λ次调节时的热用户室内温度目标值；统计第λ-1次调节到第λ次调节时间间隔内的供热系统供热负荷实际值；然后利用由V4步骤得出的实时供热负荷调节模型，计算采暖期当天第λ次调节时的预测供热负荷为
Figure BDA0002404983230000081
再根据热电机组的预测输出热负荷Qm，计算蓄热系统的蓄放热负荷
Figure BDA0002404983230000082
当
Figure BDA0002404983230000083
时，蓄热系统为蓄热过程，当
Figure BDA0002404983230000084
时，蓄热系统为放热过程；
此时，根据蓄放热负荷
Figure BDA0002404983230000085
预测供热负荷
Figure BDA0002404983230000086
和各热力站所需热负荷的占比，调节供热系统中对应的电动调节阀门的开度，通过热力站为热用户提供采暖所需的热量，并利用蓄热系统平衡供热系统的多余热负荷和不足热负荷；
进入V6步骤的操作；
V6：经过管网热力输送延迟时间ζ后，监测采集热用户的实时室内温度，当室内温度超过规定的标准室内温度24℃时，进一步增加蓄热系统的蓄热负荷，并减小对应热力站的供热负荷；当室内温度低于规定的标准室内温度16℃时，进一步增加蓄热系统的放热负荷，并增大对应热力站的供热负荷；一直到热用户的室内温度符合标准室内温度范围16℃-24℃时，第λ次的实时供热负荷调节完成。
进一步的，所述S1步骤中，当在本次采暖期的采暖初期时，M为由前一次采暖期的采暖初期、采暖高寒期和采暖末期中所有Mm组成的数据集；当在本次采暖期的采暖高寒期时，M为由前一次采暖期的采暖高寒期、采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集；当在本次采暖期的采暖末期时，M为由本次采暖期的采暖初期、采暖高寒期和前一次采暖期的采暖末期中所有Mm组成的数据集。
进一步的，所述S2步骤中，当在本次采暖期的采暖初期时，训练数据集M训为由前一次采暖期的采暖初期和采暖高寒期中所有Mm组成的数据集，测试数据集M测为前一次采暖期的采暖末期中所有Mm组成的数据集，其中：k＝x+y，w＝z；当在本次采暖期的采暖高寒期时，训练数据集M训为由前一次采暖期的采暖高寒期和采暖末期中所有Mm组成的数据集，测试数据集M测为本次采暖期的采暖初期中所有Mm组成的数据集，其中：k＝y+z，w＝x；当在本次采暖期的采暖末期时，训练数据集M训为由前一次采暖期的采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集，测试数据集M测为本次采暖期的采暖高寒期中所有Mm组成的数据集，其中：k＝z+x，w＝y。
进一步的，所述蓄热系统的蓄放热容量的最大值，等于采暖期内
Figure BDA0002404983230000091
最大时的第m天的机组预测输出累计供热量与供热系统预测累计供热量之差的绝对值，和采暖期内热网侧热用户当天较高热负荷区的累计供热量之和。
所述基于多因素影响的热电联产供热负荷预测方法中的供热系统，其特征是，所述供热系统包括热电机组、热网首站、蓄热系统、热网循环水泵、蓄热循环泵、放热循环泵、热力站、电动调节阀门、物联网流量计、物联网温度仪和物联网压力仪，所述热电机组的抽汽口与热网首站的进汽口连接，所述热网首站通过热网回水管和热网供水管与热力站连接，所述热网循环水泵安装在热网回水管上，所述蓄热系统的低温水口和高温水口通过放热水管和蓄热水管分别与热网回水管和热网供水管连接，所述蓄热循环泵安装在蓄热水管上，所述放热循环泵安装在放热水管上，所述电动调节阀门、物联网流量计、物联网温度仪和物联网压力仪分别安装在对应的管路上，所述供热系统包含q个热力站，q≥2，每个热力站均为热用户提供采暖所需的热量，所述供热系统还设置有热用户室内温度监测系统，用于监测和采集热用户的室内温度。
本发明与现有技术相比，具有以下优点和效果：(1)本发明设计合理，结构简单，性能可靠，创造了一种基于多因素影响的热电联产供热负荷预测方法及供热系统；(2)综合考虑气象参数、管网特征和建筑物特性等因素的影响，建立热负荷预测模型，实现热负荷的精准预测；(3)通过未来热负荷预测，合理安排热电联产机组的运行工况，输出满足要求的电负荷和热负荷，实现热源侧热电联产机组的高效运行调节；(4)在实时供热负荷调节时利用实时热负荷预测，实现热网侧的高效运行调节，有效满足热用户的采暖需求。
本发明有效解决了热电联产系统热网侧热负荷与热源侧电负荷不匹配的问题，达到热网侧的精准供热和热源侧的高效调峰，具有较高的实际运用价值。
附图说明
图1是本发明实施例中的供热系统结构示意图。
图2是本发明实施例中供热系统抽汽压力为Px时的热电机组电、热负荷匹配工况图。
图3是本发明实施例中供热系统所接待热用户在典型日的总热负荷波动曲线图。
图中：热电机组01、热网首站02、热网循环水泵03、蓄热系统04、放热循环泵05、蓄热循环泵06、采暖抽汽管07、热网回水管08、热网供水管09、第一蓄热水管10、第一放热水管11、第二放热水管12、第二蓄热水管13、抽汽阀门20、抽汽压力表21、抽汽温度仪22、抽汽流量计24、热网回水阀门30、热网回水流量计31、热网回水温度仪32、热网供水温度仪33、热网供水阀门34、高温水温度仪50、第一蓄热阀门51、第一蓄热流量计52、第一放热阀门53、第一放热流量计54、低温水温度仪55、第二蓄热阀门56、第二蓄热流量计57、第二放热阀门58、第二放热流量计59、第一热力站1、第二热力站2、第q热力站q、第q供水支管q01、第q回水支管q02、第q供水阀门q03、第q供水流量计q04、第q供水温度仪q05、第q回水阀门q06、第q回水温度仪q07。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
参见图1，该实施例涉及一种基于多因素影响的热电联产供热负荷预测方法及供热系统，供热系统包括热电机组01、热网首站02、热网循环水泵03、蓄热系统04、放热循环泵05、蓄热循环泵06、采暖抽汽管07、热网回水管08、热网供水管09、第一蓄热水管10、第一放热水管11、第二放热水管12和第二蓄热水管13，热电机组01的抽汽口通过采暖抽汽管07与热网首站02的进汽口连接，且在采暖抽汽管07上安装有抽汽阀门20、抽汽压力表21、抽汽温度仪22和抽汽流量计24，热网首站02的低温进水口和高温出水口分别与热网回水管08和热网供水管09连接，且在热网首站02的低温进水口安装有热网回水阀门30、热网回水流量计31和热网回水温度仪32，在热网首站02的高温出水口安装有热网供水温度仪33和热网供水阀门34，蓄热系统04的高温水口通过第一蓄热水管10和第一放热水管11与热网供水管09连接，且在蓄热系统04的高温水口安装有高温水温度仪50，在第一蓄热水管10上安装有第一蓄热阀门51和第一蓄热流量计52，在第一放热水管11上安装有放热循环泵05、第一放热阀门53和第一放热流量计54，蓄热系统04的低温水口通过第二放热水管12和第二蓄热水管13与热网回水管08连接，且在蓄热系统04的低温水口安装有低温水温度仪55，在第二蓄热水管13上安装有蓄热循环泵06、第二蓄热阀门56和第二蓄热流量计57，在第二放热水管12上安装有第二放热阀门58和第二放热流量计59，供热系统还包括q个热力站，如图1所示，第一热力站1、第二热力站2······第q热力站q，q≥2，每个热力站均为热用户提供采暖所需的热量，第q热力站q的一次网侧进水口和一次网侧出水口分别通过第q供水支管q01和第q回水支管q02与热网供水管09和热网回水管08连接，且在第q供水支管q01上安装有第q供水阀门q03、第q供水流量计q04和第q供水温度仪q05，在第q回水支管q02上安装有第q回水阀门q06和第q回水温度仪q07。
在本实施例中，供热系统中的所有阀门均为电动调节阀门，所有流量计均为物联网流量计，所有温度仪均为物联网温度仪，所有压力仪均为物联网压力仪。
在本实施例中，供热系统还设置有热用户室内温度监测系统，用于监测和采集热用户的室内温度。
在本实施例中，参见图2，查找供热系统中热电机组01的特性书，筛选统计出热电机组01在不同抽汽压力下的机组电、热负荷匹配工况图，然后输入到本实施例中的未来供热负荷预测方法中，作为预测热电机组01未来某一天输出热负荷的依据。
在本实施例中，参见图3，采集并统计供热系统中最近过去1到3个采暖期的热网侧所接待热用户的每一天的总热负荷波动曲线图，筛选出典型日的热网侧热用户总热负荷波动曲线图，并绘制出典型日曲线图的较高热负荷区、临界线和较低热负荷区，使得较高热负荷区的累计供热量等于较低热负荷区的累计供热量，利用典型日的热网侧热用户总热负荷波动曲线图作为蓄热系统04的蓄放热容量最大值的计算依据。
在本实施例中，热电联产供热负荷预测方法包括未来供热负荷预测和实时供热负荷调节，首先利用未来供热负荷预测获取供热系统未来某一天的预测供热负荷和热电机组01未来某一天的预测输出热负荷，然后在未来某一天的当天，利用实时供热负荷调节进行当天的每一次供热负荷调节，得出实时预测供热负荷和蓄热系统04的实时蓄放热负荷，调节供热系统中对应电动调节阀门的开度，通过第q热力站q为热用户提供采暖所需的热量，然后根据热用户的实时室内温度，进一步修正供热系统的供热负荷调节，使得得到的热用户室内温度符合标准室温范围16℃-24℃。
在本实施例中，未来供热负荷预测是指进入采暖期时，在室内温度达到标准范围16℃-24℃的情况下，采集与统计历史气象参数的数据，历史气象参数包括室外环境温度、太阳辐射、室外环境风速和室外环境相对湿度，同时利用热用户室内温度监测系统统计相同条件下的热用户的历史室内温度数据，统计相同条件下的供热系统的历史供热负荷数据，构成过去一个采暖期的数据集，建立未来供热负荷预测模型，将数据集分为训练数据集和测试数据集，利用训练数据集和测试数据集对未来供热负荷预测模型进行训练和检验，得出未来供热负荷预测模型的各项参数，然后根据天气预报的气象参数预测值、室内温度目标值和供热系统的历史供热负荷值，利用未来供热负荷预测模型得出供热系统未来某一天的预测供热负荷，然后根据电网调度得出热电机组01未来某一天的预测发电负荷，结合热电机组01的电、热负荷匹配特性工况图和蓄热系统04的蓄放热容量，得到热电机组01未来某一天的预测输出热负荷。未来供热负荷预测的具体步骤如下：
S1：确定当地的采暖期天数为n，采暖期包括采暖初期、采暖高寒期和采暖末期，其中：n＝x+y+z，x为采暖初期的天数，y为采暖高寒期的天数，z为采暖末期的天数；
在每次采暖期内，在室内温度达到标准范围16℃-24℃的情况下，采集并统计第m天的室外环境温度平均值
Figure BDA0002404983230000121
太阳辐射平均值
Figure BDA0002404983230000122
室外环境风速平均值
Figure BDA0002404983230000123
室外环境相对湿度平均值
Figure BDA0002404983230000124
室内实测温度平均值
Figure BDA0002404983230000125
和供热系统实际供热负荷平均值
Figure BDA0002404983230000126
构成一个数据集M，其中：
Figure BDA0002404983230000127
Figure BDA0002404983230000128
式中：Mm为采暖期内第m天的数据集，M为由一个采暖初期、一个采暖高寒期和一个采暖末期中所有Mm组成的数据集；当m＝1时，
Figure BDA0002404983230000129
为该次采暖期之前的采暖期最后一天的实际供热负荷平均值；
进入S2步骤的操作；
S2：确定供热系统的未来供热负荷预测模型为：
Figure BDA00024049832300001210
式中：A、B、C、D、E、F和G均为常数，
Figure BDA00024049832300001211
为供热系统第m天的供热负荷预测值，m＝1,2,······,n；
在本次采暖期的不同时期，从数据集M中抽取训练数据集M训和测试数据集M测，并且训练数据集M训和测试数据集M测分别为：
Figure BDA0002404983230000131
Figure BDA0002404983230000132
Figure BDA0002404983230000133
Figure BDA0002404983230000134
式中：Mi为训练数据集内第i天的数据集，Mj为测试数据集内第j天的数据集，其中：M＝M训+M测，k+w＝n；
进入S3步骤的操作；
S3：利用训练数据集M训和测试数据集M测分别对预测模型公式(3)进行模型训练和检验，其中：
Figure BDA0002404983230000135
为输出量，
Figure BDA0002404983230000136
和
Figure BDA0002404983230000137
为输入量；
首先利用训练数据集M训对预测模型公式(3)进行模型训练，得出预测模型公式(3)中A、B、C、D、E、F和G的7个常数值；
然后将得出的A、B、C、D、E、F和G的数值代入预测模型公式(3)中之后，再利用测试数据集M测对预测模型公式(3)进行检验，计算预测模型的性能指标，包括相关系数R和平均绝对误差K，计算公式分别为：
Figure BDA0002404983230000138
Figure BDA0002404983230000139
式中：w为测试数据集包含数据集的天数，
Figure BDA00024049832300001310
为测试数据集内第j天的供热负荷预测值，
Figure BDA00024049832300001311
为供热负荷预测值在w天内的平均值，
Figure BDA00024049832300001312
为测试数据集内第j天的实际供热负荷平均值，
Figure BDA0002404983230000141
为实际供热负荷平均值在w天内的平均值；
进入S4步骤的操作；
S4：辨别预测模型公式(3)的拟合优度的约束函数为：
0.9≤R≤1 (10)
辨别预测模型公式(3)的预测误差的约束函数为：
0≤K≤10％ (11)
当相关系数R满足公式(10)且平均绝对误差K满足公式(11)时，模型训练得出的A、B、C、D、E、F和G的数值符合要求，确定未来供热负荷预测模型，此时进入S5步骤的操作；
当相关系数R不满足公式(10)时，通过模型训练得出的未来供热负荷预测模型不符合要求，此时参照S3步骤继续预测模型公式(3)进行训练和检验，一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11)，确定未来供热负荷预测模型，此时进入S5步骤的操作；
当平均绝对误差K不满足公式(11)时，通过模型训练得出的未来供热负荷预测模型不符合要求，此时参照S3步骤继续预测模型公式(3)进行训练和检验，一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11)，确定未来供热负荷预测模型，此时进入S5步骤的操作；
S5：通过天气预报，获取第m天的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值；参照第m-1天的实际室内温度值，获取第m天热用户的室内温度目标值；统计第m-1天供热系统的实际供热负荷平均值；然后利用由S4步骤得出的未来供热负荷预测模型，计算得出第m天供热系统的预测供热负荷
Figure BDA0002404983230000142
进入S6步骤的操作；
S6：根据电网调度，得出热电机组01的未来预测发电负荷Pm，结合热电机组01的电、热负荷匹配特性工况图与蓄热系统04现有的蓄放热容量，参考第m天的预测供热负荷
Figure BDA0002404983230000143
确定热电机组发电负荷Pm时的机组主蒸汽进汽流量为Hm，得出未来第m天热电机组01的预测输出热负荷为Qm，其中：m＝1,2,······,n。
在本实施例中，实时供热负荷调节是指进入采暖期时，统计每一天的每一次调节完成时的历史气象参数的数据、热用户的历史室内温度数据、供热系统的历史供热负荷数据和管网热损失数据，构成过去一个采暖期的数据集，建立实时供热负荷调节模型，将数据集分为训练数据集和测试数据集，利用训练数据集和测试数据集对实时供热负荷调节模型进行训练和检验，得出实时供热负荷调节模型的各项参数，然后在采暖期当天的每一次调节时，根据天气预报的气象参数预测值、室内温度目标值和供热系统的历史供热负荷值，以及通过供热管网历史热损失趋势获得的管网热损失预测值，利用实时供热负荷调节模型得出采暖期当天该次调节的预测供热负荷，结合当天的热电机组01预测输出热负荷，计算蓄热系统04的蓄放热负荷，调节供热系统中对应电动调节阀门的开度，通过第q热力站q为热用户提供采暖所需的热量，然后根据热用户的实时室内温度，进一步修正供热系统的供热负荷调节，并利用蓄热系统04平衡每一次调节时供热系统的多余热负荷和不足热负荷，使得得到的热用户室内温度符合标准室温范围16℃-24℃。实时供热负荷调节的具体步骤如下：
V1：在每次采暖期的第m天，结合当天的气象参数变化趋势和热用户的建筑物热惰性，确定当天供热系统进行实时供热负荷调节的次数为
Figure BDA0002404983230000151
m＝1,2,······,n；
采集并统计每次采暖期第m天的第λ次调节完成时的室外环境温度值
Figure BDA0002404983230000152
太阳辐射值
Figure BDA0002404983230000153
室外环境风速值
Figure BDA0002404983230000154
室外环境相对湿度值
Figure BDA0002404983230000155
热用户的室内实测温度值
Figure BDA0002404983230000156
供热系统的实际供热负荷值
Figure BDA0002404983230000157
和管网热损失值
Figure BDA0002404983230000158
构成一个数据集N，其中：
Figure BDA0002404983230000159
Figure BDA00024049832300001510
式中：Nm为采暖期内第m天共
Figure BDA00024049832300001511
次调节所组成的数据集，Nλ为采暖期内第m天的第λ次调节的数据集，N为由从当前采暖期第m天开始过去最近一个采暖期内所有Nλ组成的数据集；当λ＝1时，第λ-1次调节为第m天的前一天最后一次调节；
进入V2步骤的操作；
V2：确定供热系统的实时供热负荷调节模型为：
Figure BDA00024049832300001512
式中：a、b、c、d、e、f、g和h均为常数，
Figure BDA00024049832300001513
为采暖期当天第λ次调节时的供热负荷预测值，
Figure BDA0002404983230000161
在当前采暖期第m天，从数据集N中抽取训练数据集N训和测试数据集N测，其中：训练数据集N训为由从当前采暖期第m天开始过去最近一个采暖期内最远α天中所有Nλ组成的数据集，测试数据集N测为由从当前采暖期第m天开始过去最近一个采暖期内最近β天中所有Nλ组成的数据集，α+β＝n；
进入V3步骤的操作；
V3：利用训练数据集N训和测试数据集N测分别对调节模型公式(14)进行模型训练和检验，其中：
Figure BDA0002404983230000162
为输出量，
Figure BDA0002404983230000163
和
Figure BDA0002404983230000164
为输入量；
首先利用训练数据集N训对调节模型公式(14)进行模型训练，得出调节模型公式(14)中a、b、c、d、e、f、g和h的8个常数值；
然后将得出的a、b、c、d、e、f、g和h的数值代入调节模型公式(14)中之后，再利用测试数据集N测对调节模型公式(14)进行检验，计算调节模型的性能指标，包括相关系数θ和平均绝对误差φ，计算公式分别为：
Figure BDA0002404983230000165
Figure BDA0002404983230000166
式中：δ为测试数据集包含数据集的调节次数，
Figure BDA0002404983230000167
为测试数据集内第τ次调节的供热负荷预测值，
Figure BDA0002404983230000168
为供热负荷预测值在δ调节次数内的平均值，
Figure BDA0002404983230000169
为测试数据集内第τ次调节的实际供热负荷值，
Figure BDA00024049832300001610
为实际供热负荷值在δ调节次数内的平均值；
进入V4步骤的操作；
V4：辨别调节模型公式(14)的拟合优度的约束函数为：
0.9≤θ≤1 (17)
辨别调节模型公式(14)的预测误差的约束函数为：
0≤φ≤5％ (18)
当相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)时，模型训练得出的a、b、c、d、e、f、g和h的数值符合要求，确定实时供热负荷调节模型，此时进入V5步骤的操作；
当相关系数θ不满足公式(17)时，参照V3步骤继续对调节模型公式(14)进行训练和检验，一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)，确定实时供热负荷调节模型，此时进入V5步骤的操作；
当平均绝对误差φ不满足公式(18)时，参照V3步骤继续对调节模型公式(14)进行训练和检验，一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)，确定实时供热负荷调节模型，此时进入V5步骤的操作；
V5：根据第λ次调节到第λ+1次调节时间间隔内的天气预报，获取第λ次调节时的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值；通过供热管网的历史热损失趋势，获取第λ次调节时的供热管网热损失预测值；参照第τ-1次调节完成时的实际室内温度值，获取第λ次调节时的热用户室内温度目标值；统计第λ-1次调节到第λ次调节时间间隔内的供热系统供热负荷实际值；然后利用由V4步骤得出的实时供热负荷调节模型，计算采暖期当天第λ次调节时的预测供热负荷为
Figure BDA0002404983230000171
再根据热电机组01的预测输出热负荷Qm，计算蓄热系统04的实时蓄放热负荷
Figure BDA0002404983230000172
当
Figure BDA0002404983230000173
时，蓄热系统04为蓄热过程，当
Figure BDA0002404983230000174
时，蓄热系统04为放热过程；
此时，根据蓄放热负荷
Figure BDA0002404983230000175
预测供热负荷
Figure BDA0002404983230000176
和各个热力站所需热负荷的占比，调节供热系统中对应的电动调节阀门的开度，通过第q热力站q为热用户提供采暖所需的热量，并利用蓄热系统04平衡供热系统的多余热负荷和不足热负荷；
进入V6步骤的操作；
V6：经过管网热力输送延迟时间ζ后，监测采集热用户的实时室内温度，当室内温度超过规定的标准室内温度24℃时，进一步增加蓄热系统04的蓄热负荷，并减小对应热力站的供热负荷；当室内温度低于规定的标准室内温度16℃时，进一步增加蓄热系统04的放热负荷，并增大对应热力站的供热负荷；一直到热用户的室内温度符合标准室内温度范围16℃-24℃时，第λ次的实时供热负荷调节完成。
在本实施例未来供热负荷预测具体步骤的S1步骤中，当在本次采暖期的采暖初期时，M为由前一次采暖期的采暖初期、采暖高寒期和采暖末期中所有Mm组成的数据集；当在本次采暖期的采暖高寒期时，M为由前一次采暖期的采暖高寒期、采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集；当在本次采暖期的采暖末期时，M为由本次采暖期的采暖初期、采暖高寒期和前一次采暖期的采暖末期中所有Mm组成的数据集。
在本实施例未来供热负荷预测具体步骤的S2步骤中，当在本次采暖期的采暖初期时，训练数据集M训为由前一次采暖期的采暖初期和采暖高寒期中所有Mm组成的数据集，测试数据集M测为前一次采暖期的采暖末期中所有Mm组成的数据集，其中：k＝x+y，w＝z；当在本次采暖期的采暖高寒期时，训练数据集M训为由前一次采暖期的采暖高寒期和采暖末期中所有Mm组成的数据集，测试数据集M测为本次采暖期的采暖初期中所有Mm组成的数据集，其中：k＝y+z，w＝x；当在本次采暖期的采暖末期时，训练数据集M训为由前一次采暖期的采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集，测试数据集M测为本次采暖期的采暖高寒期中所有Mm组成的数据集，其中：k＝z+x，w＝y。
在本实施例中，参见图3，蓄热系统04的蓄放热容量的最大值，等于采暖期内
Figure BDA0002404983230000181
最大时的第m天的热电机组01预测输出累计供热量与供热系统预测累计供热量之差的绝对值，和采暖期内热网侧热用户当天较高热负荷区的累计供热量之和。
本说明书中未作详细描述的内容均属于本领域专业技术人员公知的现有技术。
虽然本发明已以实施例公开如上，但其并非用以限定本发明的保护范围，任何熟悉该项技术的技术人员，在不脱离本发明的构思和范围内所作的更动与润饰，均应属于本发明的保护范围。

Claims (7)

1.一种基于多因素影响的热电联产供热负荷预测方法，包括未来供热负荷预测和实时供热负荷调节，其特征是，未来供热负荷预测是指进入采暖期时，在室内温度达到标准范围16℃-24℃的情况下，采集与统计历史气象参数的数据，历史气象参数包括室外环境温度、太阳辐射、室外环境风速和室外环境相对湿度，同时利用热用户室内温度监测系统统计相同条件下的热用户的历史室内温度数据，统计相同条件下的供热系统的历史供热负荷数据，构成过去一个采暖期的数据集，建立未来供热负荷预测模型，将数据集分为训练数据集和测试数据集，利用训练数据集和测试数据集对未来供热负荷预测模型进行训练和检验，得出未来供热负荷预测模型的各项参数，然后根据天气预报的气象参数预测值、室内温度目标值和供热系统的历史供热负荷值，利用未来供热负荷预测模型得出供热系统未来某一天的预测供热负荷，然后根据电网调度得出热电机组未来某一天的预测发电负荷，结合热电机组的电、热负荷匹配特性工况图和蓄热系统的蓄放热容量，得到热电机组未来某一天的预测输出热负荷；实时供热负荷调节是指进入采暖期时，统计每一天的每一次调节完成时的历史气象参数的数据、热用户的历史室内温度数据、供热系统的历史供热负荷数据和管网热损失数据，构成过去一个采暖期的数据集，建立实时供热负荷调节模型，将数据集分为训练数据集和测试数据集，利用训练数据集和测试数据集对实时供热负荷调节模型进行训练和检验，得出实时供热负荷调节模型的各项参数，然后在采暖期当天的每一次调节时，根据天气预报的气象参数预测值、室内温度目标值和供热系统的历史供热负荷值，以及通过供热管网历史热损失趋势获得的管网热损失预测值，利用实时供热负荷调节模型得出采暖期当天该次调节的预测供热负荷，结合当天的热电机组预测输出热负荷，计算蓄热系统的蓄放热负荷，调节供热系统中对应电动调节阀门的开度，通过热力站为热用户提供采暖所需的热量，然后根据热用户的实时室内温度，进一步修正供热系统的供热负荷调节，并利用蓄热系统平衡每一次调节时供热系统的多余热负荷和不足热负荷，使得得到的热用户室内温度符合标准室温范围16℃-24℃。
2.根据权利要求1所述基于多因素影响的热电联产供热负荷预测方法，其特征是，所述未来供热负荷预测，其步骤如下：
S1：确定当地的采暖期天数为n，采暖期包括采暖初期、采暖高寒期和采暖末期，其中：n＝x+y+z，x为采暖初期的天数，y为采暖高寒期的天数，z为采暖末期的天数；
在每次采暖期内，在室内温度达到标准范围16℃-24℃的情况下，采集并统计第m天的室外环境温度平均值
Figure FDA0002404983220000021
太阳辐射平均值
Figure FDA0002404983220000022
室外环境风速平均值
Figure FDA0002404983220000023
室外环境相对湿度平均值
Figure FDA0002404983220000024
室内实测温度平均值
Figure FDA0002404983220000025
和供热系统实际供热负荷平均值
Figure FDA0002404983220000026
构成一个数据集M，其中：
Figure FDA0002404983220000027
Figure FDA0002404983220000028
式中：Mm为采暖期内第m天的数据集，M为由一个采暖初期、一个采暖高寒期和一个采暖末期中所有Mm组成的数据集；当m＝1时，
Figure FDA0002404983220000029
为该次采暖期之前的采暖期最后一天的实际供热负荷平均值；
进入S2步骤的操作；
S2：确定供热系统的未来供热负荷预测模型为：
Figure FDA00024049832200000210
式中：A、B、C、D、E、F和G均为常数，
Figure FDA00024049832200000211
为供热系统第m天的供热负荷预测值，m＝1,2,……,n；
在本次采暖期的不同时期，从数据集M中抽取训练数据集M训和测试数据集M测，并且训练数据集M训和测试数据集M测分别为：
Figure FDA00024049832200000212
Figure FDA00024049832200000213
Figure FDA00024049832200000214
Figure FDA00024049832200000215
式中：Mi为训练数据集内第i天的数据集，Mj为测试数据集内第j天的数据集，其中：M＝M训+M测，k+w＝n；
进入S3步骤的操作；
S3：利用训练数据集M训和测试数据集M测分别对预测模型公式(3)进行模型训练和检验，其中：
Figure FDA0002404983220000031
为输出量，
Figure FDA0002404983220000032
和
Figure FDA0002404983220000033
为输入量；
首先利用训练数据集M训对预测模型公式(3)进行模型训练，得出预测模型公式(3)中A、B、C、D、E、F和G的7个常数值；
然后将得出的A、B、C、D、E、F和G的数值代入预测模型公式(3)中之后，再利用测试数据集M测对预测模型公式(3)进行检验，计算预测模型的性能指标，包括相关系数R和平均绝对误差K，计算公式分别为：
Figure FDA0002404983220000034
Figure FDA0002404983220000035
式中：w为测试数据集包含数据集的天数，
Figure FDA0002404983220000036
为测试数据集内第j天的供热负荷预测值，
Figure FDA0002404983220000037
为供热负荷预测值在w天内的平均值，
Figure FDA0002404983220000038
为测试数据集内第j天的实际供热负荷平均值，
Figure FDA0002404983220000039
为实际供热负荷平均值在w天内的平均值；
进入S4步骤的操作；
S4：辨别预测模型公式(3)的拟合优度的约束函数为：
0.9≤R≤1 (10)
辨别预测模型公式(3)的预测误差的约束函数为：
0≤K≤10％ (11)
当相关系数R满足公式(10)且平均绝对误差K满足公式(11)时，模型训练得出的A、B、C、D、E、F和G的数值符合要求，确定未来供热负荷预测模型，此时进入S5步骤的操作；
当相关系数R不满足公式(10)时，通过模型训练得出的未来供热负荷预测模型不符合要求，此时参照S3步骤继续预测模型公式(3)进行训练和检验，一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11)，确定未来供热负荷预测模型，此时进入S5步骤的操作；
当平均绝对误差K不满足公式(11)时，通过模型训练得出的未来供热负荷预测模型不符合要求，此时参照S3步骤继续预测模型公式(3)进行训练和检验，一直到相关系数R满足公式(10)且平均绝对误差K满足公式(11)，确定未来供热负荷预测模型，此时进入S5步骤的操作；
S5：通过天气预报，获取第m天的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值；参照第m-1天的实际室内温度值，获取第m天热用户的室内温度目标值；统计第m-1天供热系统的实际供热负荷平均值；然后利用由S4步骤得出的未来供热负荷预测模型，计算得出第m天供热系统的预测供热负荷
Figure FDA0002404983220000041
进入S6步骤的操作；
S6：根据电网调度，得出热电机组的未来预测发电负荷Pm，结合热电机组的电、热负荷匹配特性工况图与蓄热系统现有的蓄放热容量，参考第m天的预测供热负荷
Figure FDA0002404983220000042
确定热电机组发电负荷Pm时的机组主蒸汽进汽流量为Hm，得出未来第m天热电机组的预测输出热负荷为Qm，其中：m＝1,2,……,n。
3.根据权利要求1或2所述基于多因素影响的热电联产供热负荷预测方法，其特征是，所述实时供热负荷调节，其步骤如下：
V1：在每次采暖期的第m天，结合当天的气象参数变化趋势和热用户的建筑物热惰性，确定当天供热系统进行实时供热负荷调节的次数为
Figure FDA0002404983220000043
m＝1,2,……,n；
采集并统计每次采暖期第m天的第λ次调节完成时的室外环境温度值
Figure FDA0002404983220000044
太阳辐射值
Figure FDA0002404983220000045
室外环境风速值
Figure FDA0002404983220000046
室外环境相对湿度值
Figure FDA0002404983220000047
热用户的室内实测温度值
Figure FDA0002404983220000048
供热系统的实际供热负荷值
Figure FDA0002404983220000049
和管网热损失值
Figure FDA00024049832200000410
构成一个数据集N，其中：
Figure FDA0002404983220000051
Figure FDA0002404983220000052
式中：Nm为采暖期内第m天共
Figure FDA0002404983220000053
次调节所组成的数据集，Nλ为采暖期内第m天的第λ次调节的数据集，N为由从当前采暖期第m天开始过去最近一个采暖期内所有Nλ组成的数据集；当λ＝1时，第λ-1次调节为第m天的前一天最后一次调节；
进入V2步骤的操作；
V2：确定供热系统的实时供热负荷调节模型为：
Figure FDA0002404983220000054
式中：a、b、c、d、e、f、g和h均为常数，
Figure FDA0002404983220000055
为采暖期当天第λ次调节时的供热负荷预测值，
Figure FDA0002404983220000056
在当前采暖期第m天，从数据集N中抽取训练数据集N训和测试数据集N测，其中：训练数据集N训为由从当前采暖期第m天开始过去最近一个采暖期内最远α天中所有Nλ组成的数据集，测试数据集N测为由从当前采暖期第m天开始过去最近一个采暖期内最近β天中所有Nλ组成的数据集，α+β＝n；
进入V3步骤的操作；
V3：利用训练数据集N训和测试数据集N测分别对调节模型公式(14)进行模型训练和检验，其中：
Figure FDA0002404983220000057
为输出量，
Figure FDA0002404983220000058
和
Figure FDA0002404983220000059
为输入量；
首先利用训练数据集N训对调节模型公式(14)进行模型训练，得出调节模型公式(14)中a、b、c、d、e、f、g和h的8个常数值；
然后将得出的a、b、c、d、e、f、g和h的数值代入调节模型公式(14)中之后，再利用测试数据集N测对调节模型公式(14)进行检验，计算调节模型的性能指标，包括相关系数θ和平均绝对误差φ，计算公式分别为：
Figure FDA0002404983220000061
Figure FDA0002404983220000062
式中：δ为测试数据集包含数据集的调节次数，
Figure FDA0002404983220000063
为测试数据集内第τ次调节的供热负荷预测值，
Figure FDA0002404983220000064
为供热负荷预测值在δ调节次数内的平均值，
Figure FDA0002404983220000065
为测试数据集内第τ次调节的实际供热负荷值，
Figure FDA0002404983220000066
为实际供热负荷值在δ调节次数内的平均值；
进入V4步骤的操作；
V4：辨别调节模型公式(14)的拟合优度的约束函数为：
0.9≤θ≤1 (17)
辨别调节模型公式(14)的预测误差的约束函数为：
0≤φ≤5％ (18)
当相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)时，模型训练得出的a、b、c、d、e、f、g和h的数值符合要求，确定实时供热负荷调节模型，此时进入V5步骤的操作；
当相关系数θ不满足公式(17)时，参照V3步骤继续对调节模型公式(14)进行训练和检验，一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)，确定实时供热负荷调节模型，此时进入V5步骤的操作；
当平均绝对误差φ不满足公式(18)时，参照V3步骤继续对调节模型公式(14)进行训练和检验，一直到相关系数θ满足公式(17)且平均绝对误差φ满足公式(18)，确定实时供热负荷调节模型，此时进入V5步骤的操作；
V5：根据第λ次调节到第λ+1次调节时间间隔内的天气预报，获取第λ次调节时的室外环境温度预测值、太阳辐射预测值、室外环境风速预测值和室外环境相对湿度预测值；通过供热管网的历史热损失趋势，获取第λ次调节时的供热管网热损失预测值；参照第τ-1次调节完成时的实际室内温度值，获取第λ次调节时的热用户室内温度目标值；统计第λ-1次调节到第λ次调节时间间隔内的供热系统供热负荷实际值；然后利用由V4步骤得出的实时供热负荷调节模型，计算采暖期当天第λ次调节时的预测供热负荷为
Figure FDA0002404983220000071
再根据热电机组的预测输出热负荷Qm，计算蓄热系统的蓄放热负荷
Figure FDA0002404983220000072
Figure FDA0002404983220000073
当
Figure FDA0002404983220000074
时，蓄热系统为蓄热过程，当
Figure FDA0002404983220000075
时，蓄热系统为放热过程；
此时，根据蓄放热负荷
Figure FDA0002404983220000076
预测供热负荷
Figure FDA0002404983220000077
和各热力站所需热负荷的占比，调节供热系统中对应的电动调节阀门的开度，通过热力站为热用户提供采暖所需的热量，并利用蓄热系统平衡供热系统的多余热负荷和不足热负荷；
进入V6步骤的操作；
V6：经过管网热力输送延迟时间ζ后，监测采集热用户的实时室内温度，当室内温度超过规定的标准室内温度24℃时，进一步增加蓄热系统的蓄热负荷，并减小对应热力站的供热负荷；当室内温度低于规定的标准室内温度16℃时，进一步增加蓄热系统的放热负荷，并增大对应热力站的供热负荷；一直到热用户的室内温度符合标准室内温度范围16℃-24℃时，第λ次的实时供热负荷调节完成。
4.根据权利要求2所述基于多因素影响的热电联产供热负荷预测方法，其特征是，所述S1步骤中，当在本次采暖期的采暖初期时，M为由前一次采暖期的采暖初期、采暖高寒期和采暖末期中所有Mm组成的数据集；当在本次采暖期的采暖高寒期时，M为由前一次采暖期的采暖高寒期、采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集；当在本次采暖期的采暖末期时，M为由本次采暖期的采暖初期、采暖高寒期和前一次采暖期的采暖末期中所有Mm组成的数据集。
5.根据权利要求2或4所述基于多因素影响的热电联产供热负荷预测方法，其特征是，所述S2步骤中，当在本次采暖期的采暖初期时，训练数据集M训为由前一次采暖期的采暖初期和采暖高寒期中所有Mm组成的数据集，测试数据集M测为前一次采暖期的采暖末期中所有Mm组成的数据集，其中：k＝x+y，w＝z；当在本次采暖期的采暖高寒期时，训练数据集M训为由前一次采暖期的采暖高寒期和采暖末期中所有Mm组成的数据集，测试数据集M测为本次采暖期的采暖初期中所有Mm组成的数据集，其中：k＝y+z，w＝x；当在本次采暖期的采暖末期时，训练数据集M训为由前一次采暖期的采暖末期和本次采暖期的采暖初期中所有Mm组成的数据集，测试数据集M测为本次采暖期的采暖高寒期中所有Mm组成的数据集，其中：k＝z+x，w＝y。
6.根据权利要求1所述基于多因素影响的热电联产供热负荷预测方法，其特征是，所述蓄热系统的蓄放热容量的最大值，等于采暖期内
Figure FDA0002404983220000081
最大时的第m天的机组预测输出累计供热量与供热系统预测累计供热量之差的绝对值，和采暖期内热网侧热用户当天较高热负荷区的累计供热量之和。
7.一种如权利要求1-6中任一项所述基于多因素影响的热电联产供热负荷预测方法中的供热系统，其特征是，所述供热系统包括热电机组、热网首站、蓄热系统、热网循环水泵、蓄热循环泵、放热循环泵、热力站、电动调节阀门、物联网流量计、物联网温度仪和物联网压力仪，所述热电机组的抽汽口与热网首站的进汽口连接，所述热网首站通过热网回水管和热网供水管与热力站连接，所述热网循环水泵安装在热网回水管上，所述蓄热系统的低温水口和高温水口通过放热水管和蓄热水管分别与热网回水管和热网供水管连接，所述蓄热循环泵安装在蓄热水管上，所述放热循环泵安装在放热水管上，所述电动调节阀门、物联网流量计、物联网温度仪和物联网压力仪分别安装在对应的管路上，所述供热系统包含q个热力站，q≥2，每个热力站均为热用户提供采暖所需的热量，所述供热系统还设置有热用户室内温度监测系统，用于监测和采集热用户的室内温度。
CN202010158700.9A 2020-03-09 2020-03-09 基于多因素影响的热电联产供热负荷预测方法及供热系统 Active CN111503718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010158700.9A CN111503718B (zh) 2020-03-09 2020-03-09 基于多因素影响的热电联产供热负荷预测方法及供热系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010158700.9A CN111503718B (zh) 2020-03-09 2020-03-09 基于多因素影响的热电联产供热负荷预测方法及供热系统

Publications (2)

Publication Number Publication Date
CN111503718A true CN111503718A (zh) 2020-08-07
CN111503718B CN111503718B (zh) 2021-06-15

Family

ID=71872557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010158700.9A Active CN111503718B (zh) 2020-03-09 2020-03-09 基于多因素影响的热电联产供热负荷预测方法及供热系统

Country Status (1)

Country Link
CN (1) CN111503718B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836370A (zh) * 2021-02-03 2021-05-25 北京百度网讯科技有限公司 供热系统调度方法、装置、设备、存储介质以及程序产品
CN113065249A (zh) * 2021-03-29 2021-07-02 北京市公用事业科学研究所 一种供热系统供回水温度预测方法及装置
CN113091124A (zh) * 2021-05-13 2021-07-09 浙江大学 一种基于区域供能能力的电热互补供热系统分区调控方法
CN113203070A (zh) * 2021-05-17 2021-08-03 吉林农业科技学院 一种带有应急功能的led红外感应灯
CN113283774A (zh) * 2021-06-07 2021-08-20 润电能源科学技术有限公司 采暖供热机组深度调峰方法、装置、电子设备及存储介质
CN113642640A (zh) * 2021-08-13 2021-11-12 华北电力科学研究院有限责任公司 区域性电网最小出力预测方法及装置
CN113657660A (zh) * 2021-08-12 2021-11-16 杭州英集动力科技有限公司 基于分站负荷和热网滞后模型的热源负荷预测方法
CN114048928A (zh) * 2022-01-12 2022-02-15 汉谷云智(武汉)科技有限公司 一种具备高度可迁移能力的建筑短期负荷预测方法
CN114674026A (zh) * 2022-03-28 2022-06-28 内蒙古科技大学 一种管网供水流量优化控制方法及系统
CN115511197A (zh) * 2022-10-11 2022-12-23 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种高寒地区换热站供热负荷预测方法
CN117267782A (zh) * 2023-11-22 2023-12-22 瑞纳智能设备股份有限公司 供热控制方法及装置
CN117829558A (zh) * 2024-03-06 2024-04-05 天津迪比爱新能源科技有限公司 热电联产机组在调峰运行下的调整方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007507683A (ja) * 2003-10-06 2007-03-29 イーシー パワー エーエス 熱伝達装置
WO2009064111A2 (en) * 2007-11-12 2009-05-22 The Industry & Academic Cooperation In Chungnam National University Method for predicting cooling load
CN106437876A (zh) * 2016-08-29 2017-02-22 华电电力科学研究院 一种热电联产机组深度调峰系统及其运行方法
CN106447529A (zh) * 2016-08-30 2017-02-22 上海交通大学 考虑热水管网的分布式能源系统建模和运行优化方法
CN108258679A (zh) * 2017-12-25 2018-07-06 国网浙江省电力有限公司经济技术研究院 考虑供热网储热特性的电-热综合能源系统优化调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007507683A (ja) * 2003-10-06 2007-03-29 イーシー パワー エーエス 熱伝達装置
WO2009064111A2 (en) * 2007-11-12 2009-05-22 The Industry & Academic Cooperation In Chungnam National University Method for predicting cooling load
CN106437876A (zh) * 2016-08-29 2017-02-22 华电电力科学研究院 一种热电联产机组深度调峰系统及其运行方法
CN106447529A (zh) * 2016-08-30 2017-02-22 上海交通大学 考虑热水管网的分布式能源系统建模和运行优化方法
CN108258679A (zh) * 2017-12-25 2018-07-06 国网浙江省电力有限公司经济技术研究院 考虑供热网储热特性的电-热综合能源系统优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周崇明，赵明德，郑立军，舒斌: "新型带吸收式热泵热电联产机组的技术经济分析", 《现代电力》 *
李伟等: "基于线性回归的热负荷预测在热电联产机组中的应用", 《仪器仪表用户》 *
骆小满，皇甫成，阮江军，周灵杰: "基于神经网络的热电联产机组热负荷和电负荷预测", 《热力发电》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836370A (zh) * 2021-02-03 2021-05-25 北京百度网讯科技有限公司 供热系统调度方法、装置、设备、存储介质以及程序产品
CN112836370B (zh) * 2021-02-03 2023-09-26 北京百度网讯科技有限公司 供热系统调度方法、装置、设备、存储介质以及程序产品
CN113065249B (zh) * 2021-03-29 2022-04-15 北京市公用事业科学研究所 一种供热系统供回水温度预测方法及装置
CN113065249A (zh) * 2021-03-29 2021-07-02 北京市公用事业科学研究所 一种供热系统供回水温度预测方法及装置
CN113091124A (zh) * 2021-05-13 2021-07-09 浙江大学 一种基于区域供能能力的电热互补供热系统分区调控方法
CN113203070A (zh) * 2021-05-17 2021-08-03 吉林农业科技学院 一种带有应急功能的led红外感应灯
CN113283774A (zh) * 2021-06-07 2021-08-20 润电能源科学技术有限公司 采暖供热机组深度调峰方法、装置、电子设备及存储介质
CN113657660A (zh) * 2021-08-12 2021-11-16 杭州英集动力科技有限公司 基于分站负荷和热网滞后模型的热源负荷预测方法
CN113642640A (zh) * 2021-08-13 2021-11-12 华北电力科学研究院有限责任公司 区域性电网最小出力预测方法及装置
CN114048928A (zh) * 2022-01-12 2022-02-15 汉谷云智(武汉)科技有限公司 一种具备高度可迁移能力的建筑短期负荷预测方法
CN114048928B (zh) * 2022-01-12 2022-04-19 汉谷云智(武汉)科技有限公司 一种具备高度可迁移能力的建筑短期负荷预测方法
CN114674026A (zh) * 2022-03-28 2022-06-28 内蒙古科技大学 一种管网供水流量优化控制方法及系统
CN115511197A (zh) * 2022-10-11 2022-12-23 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种高寒地区换热站供热负荷预测方法
CN115511197B (zh) * 2022-10-11 2023-09-08 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种高寒地区换热站供热负荷预测方法
CN117267782A (zh) * 2023-11-22 2023-12-22 瑞纳智能设备股份有限公司 供热控制方法及装置
CN117267782B (zh) * 2023-11-22 2024-02-20 瑞纳智能设备股份有限公司 供热控制方法及装置
CN117829558A (zh) * 2024-03-06 2024-04-05 天津迪比爱新能源科技有限公司 热电联产机组在调峰运行下的调整方法
CN117829558B (zh) * 2024-03-06 2024-05-10 天津迪比爱新能源科技有限公司 热电联产机组在调峰运行下的调整方法

Also Published As

Publication number Publication date
CN111503718B (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN111503718B (zh) 基于多因素影响的热电联产供热负荷预测方法及供热系统
CN111520809B (zh) 基于热网热负荷预测的热电联产耦合供热负荷调节方法
Finck et al. Optimal control of demand flexibility under real-time pricing for heating systems in buildings: A real-life demonstration
CN111520808B (zh) 基于低温余热回收的复杂热电联产供热系统及电热负荷调节方法
CN107730129A (zh) 考虑光热热电联产与电锅炉的电‑气‑热互联系统风险评估方法
CN106022624B (zh) 一种电-热耦合多能流网络状态估计方法
CN111396982B (zh) 一种热力耦合水力的热网平衡调节方法及供热系统
CN102043907B (zh) 空调房间实时冷负荷确定方法
CN110906571A (zh) 基于机器学习的太阳能热泵热水系统控制策略优化方法
Delorme-Costil et al. Forecasting domestic hot water demand in residential house using artificial neural networks
CN108800303B (zh) 一种基于模式识别的精细化节能供热方法
CN110797917A (zh) 一种电热联合系统的调度模型
CN111985105A (zh) 一种计及热动态特性的多微能源网系统可靠性评估方法
CN114294708B (zh) 一种长距离供热管网运行蓄热调节方法
Da et al. Simulation and experiment of a photovoltaic—air source heat pump system with thermal energy storage for heating and domestic hot water supply
Chen et al. An operational optimization method of regional multi-energy system considering thermal quasi-dynamic characteristics
CN110544033B (zh) 热电厂灵活性改造后的电力系统风电消纳评估方法
CN112906972B (zh) 考虑热网寿命的电-热耦合型综合能源系统运行调控方法
CN109545022A (zh) 能源替代技术的独立新风实训系统及其控制和计算方法
Denis et al. Saving energy by anticipating hot water production: identification of key points for an efficient statistical model integration
CN114819662A (zh) 一种考虑用户热需求的蓄热电锅炉群电热调度方法及系统
CN113065759A (zh) 一种考虑能源品质的综合能源系统优化调度方法和系统
Diao et al. Performance of building energy supply systems using renewable energy
Wang et al. Quantification of Uncertainty in District Heating System with Renewable Energy Access
CN116307037A (zh) 基于能量平衡能力指数预测的虚拟电厂出力调节方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant