CN111550865B - 一种太阳能集热系统及泄漏检测方法 - Google Patents

一种太阳能集热系统及泄漏检测方法 Download PDF

Info

Publication number
CN111550865B
CN111550865B CN202010327400.9A CN202010327400A CN111550865B CN 111550865 B CN111550865 B CN 111550865B CN 202010327400 A CN202010327400 A CN 202010327400A CN 111550865 B CN111550865 B CN 111550865B
Authority
CN
China
Prior art keywords
network
data
heat
training
pipe network
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.)
Active
Application number
CN202010327400.9A
Other languages
English (en)
Other versions
CN111550865A (zh
Inventor
赵有恩
周守军
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.)
Shandong Jianzhu University
Shandong University of Finance and Economics
Original Assignee
Shandong Jianzhu University
Shandong University of Finance and Economics
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 Shandong Jianzhu University, Shandong University of Finance and Economics filed Critical Shandong Jianzhu University
Priority to CN202010327400.9A priority Critical patent/CN111550865B/zh
Publication of CN111550865A publication Critical patent/CN111550865A/zh
Application granted granted Critical
Publication of CN111550865B publication Critical patent/CN111550865B/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
    • 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
    • F24D15/00—Other domestic- or space-heating systems
    • F24D15/02—Other domestic- or space-heating systems consisting of self-contained heating units, e.g. storage heaters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/20—Solar thermal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/70—Hybrid systems, e.g. uninterruptible or back-up power supplies integrating renewable energies

Abstract

本发明提供了一种太阳能集热系统，所述系统包括太阳能集热器、热水管网、热利用装置以及蓄热器，供水管网和回水管网分别设置第三阀门和第四阀门，太阳能集热器运行的时候，第三阀门和第四阀门打开；当太阳能集热器停止运行或者太阳能能量不足，第三阀门和第四阀门关闭，从而使得蓄热器成为新的热源，蓄热器与热利用装置形成新的热力系统。通过设置蓄热器，能够将多于的太阳能储存在蓄热器中，在满足在太阳能条件不足下的热量利用。

Description

一种太阳能集热系统及泄漏检测方法
技术领域
本发明涉及一种太阳能集热系统，尤其涉及一种智能进行蓄热的太阳能集热系统。
背景技术
随着现代社会经济的高速发展，人类对能源的需求量越来越大。然而煤、石油、天然气等传统能源储备量不断减少、日益紧缺，造成价格的不断上涨，同时常规化石燃料造成的环境污染问题也愈加严重，这些都大大限制着社会的发展和人类生活质量的提高。能源问题已经成为当代世界的最突出的问题之一。因而寻求新的能源，特别是无污染的清洁能源已成为现在人们研究的热点。
太阳能是一种取之不尽用之不竭的清洁能源，而且资源量巨大，地球表面每年收的太阳辐射能总量为1×10 18 kW·h，为世界年耗总能量的一万多倍。世界各国都已经把太阳能的利用作为新能源开发的重要一项。然而由于太阳辐射到达地球上的能量密度小（每平方米约一千瓦），而且又是不连续的，这给大规模的开发利用带来一定困难。因此，为了广泛利用太阳能，不仅要解决技术上的问题，而且在经济上必须能同常规能源相竞争。
集热管是利用太阳能产生热能的装置。背景技术中，当利用太阳能加热集热管，太阳能或者直接加热集热管，或者通过二次换热产生蒸汽，尤其是直接加热集热管，利用集热管内部的对流换热来进行集热管上部和下部的流体对流换热，但是此种情况下需要下部热流体自然对流到上部，换热效率低。而且太阳能管路泄漏会直接导致管内高温介质大量流失，热污染环境。
现在现有的集热系统，一般采用一种储热太阳能集热器作为供太阳能集热器进行供热，供太阳能集热器的切换需要人力手工去实现。因此，当储热太阳能集热器发生故障不能继续提供能量时，或为降低供热成本而一种太阳能集热器无法满足时，不能及时的对太阳能集热器进行切换，对生活造成了一定的不便。尤其是在寒冷的冬季，如果太阳能集热器在供热过程中发生故障或不能继续提供太阳能集热器时，若不及时切换太阳能集热器，不仅会发生停热现象，还会因为天气过冷冻坏供热装置，造成一定损失。相变储热是利用材料在发生相变的过程中吸收或释放热能而实现热量存储的一类技术。该类产品采用具有较高相变潜热的材料，通过设计合理的换热、封装结构，搭配智能化控制系统，为热源实现冬季供暖。同时该技术利用电网的峰谷电价差异，在谷电时段将电加热产生的热量进行存储，在峰电或平电时段，将存储的热量放出，为用户供暖。
在我国，具有冬季供暖需求的北方(南方)地区覆盖了约70％的国土面积。长期以来，这些地区清洁供暖比例低，冬季供暖大量使用散煤及热效率低下的小型燃煤锅炉，造成了严重的大气污染。推进清洁取暖对于改善北方地区冬季雾霾具有重要的意义，也是我国建设清洁低碳、安全高效的现代能源体系的有效措施。
相变储能集热系统包含集热器、水泵、换热器、二次网、相变储热装置等设备，在实际使用中存在锅炉直接供热、储热装置供热等情况，因此常用的相变储能集热系统均结构复杂，控制繁琐。
供热过程中可能存在局部热量过多，导致供热温度过高，造成供热浪费，因此需要充分利用供热，利用蓄热功能把热量利用起来。
此外集中热水管网泄露会直接导致管内高温介质大量流失，热污染环境，泄露严重甚至还可能导致地质塌陷，造成人员伤亡，一直以来都是影响管网安全经济运行的主要故障。随着近些年国内集中供热的快速发展，供热区域及管网规模不断扩大，特别是传统火电厂在国家节能减排政策引导下，积极发展热电联产（如低真空改造、切缸改造、循环水余热利用等），使得热网运行安全对电厂机组的安全运行影响越来越大，一旦热水管网发生较大泄露，会直接导致机组跳机，造成重大安全事故。
本发明利用蓄热技术，将多余热量存储起来，以便使得热量不充分时候利用蓄热继续供热。
发明内容
本发明针对现有技术中的不足，提供一种相变储能太阳能集热系统，该系统结构简单、控制方便，可以合理调节系统的供热模式。本发明同时提供一种智能检测泄漏的集热系统及方法，对管网泄露实时检测，以解决热水管网泄漏实时检测的技术问题。
为实现上述目的，本发明采用如下技术方案：
一种太阳能集热系统，所述系统包括太阳能集热器、热水管网、热利用装置以及蓄热器，所述热水管网包含供水管网和回水管网，热水通过供水管网进入热利用装置，利用后的冷水通过回水管网返回到太阳能集热器；所述集热系统还包括蓄热器，所述的供水管网和回水管网分别设置第三阀门和第四阀门，太阳能集热器运行的时候，第三阀门和第四阀门打开；当太阳能集热器停止运行或者太阳能能量不足，第三阀门和第四阀门关闭，从而使得蓄热器成为新的热源，蓄热器与热利用装置形成新的热力系统。
作为优选，多个热利用装置所在的管路是并联结构；或者热利用装置是一个。
作为优选，第一管路上设置第一阀门，所述第一阀门设置在蓄热器的入口管路上，第二管路上设置第二阀门，第二阀门设置在热利用装置的入口管路上，所述第一阀门和第二阀门是互相配合，第一阀门和第二阀门的开度的和保持不变。这样使得总流量保持不变。
作为优选，热利用装置室内设置温度传感器，所述温度传感器用于检测热利用装置的室内温度。所述温度传感器、第一阀门、第二阀门与控制器数据连接，控制器根据检测的热利用装置室内温度控制相应的热利用装置所在管路上阀门的开度大小。
一种太阳能集热供热系统，包括太阳能集热器、供热管网及热利用装置，所述供热管网包含供水管网和回水管网，管网在线监测系统根据设定的固定时间间隔读取太阳能集热器、管网分支点与热利用装置处压力数据，实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别；
包括如下步骤：
数据准备：对数据库中的供热系统压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。
生成数据集：将准备好的数据分成训练集/训练集标签、测试集/测试集标签。
网络训练：将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络。通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成。
网络测试：将测试集数据输入到已经训练好的网络中，输出故障检测结果。
作为优选，数据准备包括如下步骤：
1）缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值，对缺失的数据值，采用估算的方法，用样本均值代替缺失值；
2）无效数据的处理：由于传感器的故障，导致数据库中的压力数据出现无效值，将其从数据库中删除；
3）不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正。
作为优选，生成数据集包括如下步骤：
1）生成训练集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；
2）生成测试集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签。
作为优选，网络训练包括如下步骤：
1）读入一组训练集数据
Figure 634457DEST_PATH_IMAGE001
，其大小为
Figure 82756DEST_PATH_IMAGE002
,其中M表示训练批的大小，
Figure 596914DEST_PATH_IMAGE003
表示一维的训练数据；
2）对读入的训练数据进行第一次卷积操作,得到特征图
Figure 788861DEST_PATH_IMAGE004
。初始化卷积核
Figure 134391DEST_PATH_IMAGE005
的系数，设
Figure 691275DEST_PATH_IMAGE005
的大小为
Figure 755045DEST_PATH_IMAGE006
，其中P表示卷积核的数量，
Figure DEST_PATH_IMAGE007
表示卷积核的尺寸，得到的卷积结果为
Figure 485104DEST_PATH_IMAGE008
，特征图的大小为
Figure 888404DEST_PATH_IMAGE009
；
3）对卷积操作得到的特征图
Figure 412926DEST_PATH_IMAGE004
进行最大池化操作，得到特征图
Figure 963993DEST_PATH_IMAGE010
。初始化池化系数，给定池化步长为
Figure 435426DEST_PATH_IMAGE011
，池化窗口大小为
Figure 481180DEST_PATH_IMAGE012
，最后得到的特征图
Figure 707762DEST_PATH_IMAGE010
的大小为
Figure 683808DEST_PATH_IMAGE013
,池化过程降低了数据的维度；
4）重复以上2）- 3）步骤，反复进行卷积与池化操作，得到特征向量
Figure 755670DEST_PATH_IMAGE014
，此时卷积神经网络的特征提取过程完成；
5）初始化全连接网络的权值矩阵
Figure 133561DEST_PATH_IMAGE015
和偏置
Figure 999886DEST_PATH_IMAGE016
，将提取到的特征向量
Figure 525545DEST_PATH_IMAGE014
送入全连接网络，与权值矩阵
Figure 338781DEST_PATH_IMAGE015
、偏置
Figure 633496DEST_PATH_IMAGE016
进行运算，得到网络输出
Figure 936301DEST_PATH_IMAGE017
；
6）将网络得到的输出
Figure 621360DEST_PATH_IMAGE018
与训练集标签
Figure 35024DEST_PATH_IMAGE019
相减，得到网络误差
Figure DEST_PATH_IMAGE020
，对网络误差进行求导，利用该导数反向传播，依次修正全连接网络的权值
Figure 918667DEST_PATH_IMAGE015
、偏置
Figure 657952DEST_PATH_IMAGE016
、各层池化系数、各层卷积系数；
7）重复上述过程，直到网络误差
Figure 830308DEST_PATH_IMAGE021
满足精度要求，网络训练过程完成，生成卷积神经网络模型。
作为优选，网络测试包含如下步骤：
1）加载已经训练好的卷积神经网络模型，此时卷积神经网络的卷积核系数、池化系数、网络权值
Figure 782083DEST_PATH_IMAGE015
，偏置
Figure 51391DEST_PATH_IMAGE016
都已经训练完毕；
2）将测试数据集输入已经训练好的卷积神经网络中，输出工况标签，从而输出故障检测结果。
作为优选，系统除了采集太阳能集热器、热利用装置处的压力数据以外，至少还要采集1/4的管网分支节点压力数据，供水侧回水侧对称采集。
本发明具有如下优点：
1）通过设置蓄热器，能够将多于的太阳能储存在蓄热器中，在满足在太阳能条件不足下的热量利用。
2）提供了一种新的智能检测泄漏故障的热水管网系统，本发明基于机器学习与模式识别的理论方法，根据热水管网不同的运行工况，利用集中热水管网实时监控系统中具有时间相关性的压力数据，设计出相应的管网模式（正常模式/故障模式），用大量的压力数据训练深度卷积神经网络，从而进行集中热水管网泄露故障检测。
3）本发明提出了一种检测管网泄露故障的新思路，充分利用集中热水管网在线监测数据，检测速度快，成本低。
4）本发明将数据处理技术、机器学习与模式识别理论有机融合，可以提高热水管网泄漏故障检测效率，保证热水管网以及电厂机组的安全运行。
附图说明：
图1是本发明集热蓄热系统结构示意图。
图2是本发明集热系统结构示意图。
图3示出了热水管网泄漏故障检测流程示意图。
图4示出了一维卷积神经网络结构示意图。
图5示出了卷积神经网络训练过程算法流程图。
图6示出了卷积神经网络误差反向传播示意图。
图7示出了卷积神经网络测试过程算法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
图1展示了一种太阳能蓄热集热系统。如图1所示，所述集热系统包括太阳能集热器1、热水管网、热利用装置5以及蓄热器4，所述热水管网包含供水管网2和回水管网3，热水通过供水管网2进入热利用装置热利用，热利用后的冷水通过回水管网3返回到太阳能集热器1。
作为一个改进，所述集热系统还包括蓄热器4，所述蓄热器4设置在第一管路9上，所述热利用装置5设置在第二管路11上，第一管路和第二管路是并联结构。通过设置蓄热器，能够将太阳能集热器1的部分热量储存在蓄热器4中，以达到热量的充分利用。
作为优选，所述的多个热利用装置5所在的管路是并联结构。
作为优选，热利用装置5可以是一个。
作为一个改进，所述第一管路上设置第一阀门7，所述第一阀门7设置在蓄热器4的入口管路上，第二管路11上设置第二阀门8，第二阀门8设置在热利用装置的入口管路上。作为一个改进，所述第一阀门和第二阀门是互相配合，第一阀门7和第二阀门8的开度的和保持不变。这样使得总流量保持不变。当第二阀门开度增加，第一阀门开度降低，这样使得更多的热水进入热利用装置5，减少进入蓄热器的热水量，满足热利用装置需要。当第二阀门开度降低，第一阀门开度增加，这样减少热水量进入热利用装置5，增加进入蓄热器的热水量，在满足热利用装置需要的情况下使得更多的热量存储。
作为一个优选，热利用装置5是用户取暖散热器。用户室内设置温度传感器，所述温度传感器用于检测热利用装置的室内温度。所述温度传感器、第一阀门、第二阀门与控制器数据连接，控制器根据检测的热利用装置室内温度控制相应的热利用装置所在管路上阀门的开度大小。
作为一个改进，当检测的热利用装置5所在的室内温度降低，则控制器自动增加第二阀门的开度，降低第一阀门的开度，这样保证更多的热水进入相对应的热利用装置，减少进入蓄热器的水的量，满足供热需要；当检测的热利用装置所在的室内温度升高，则控制器自动降低第二阀门的开度，增加第一阀门的开度，这样保证少的热水进入相对应的热利用装置，增加进入蓄热器的水的量，在满足供热需要的情况下存储更多的热量。
作为一个改进，所述的供水管网2和回水管网3分别设置第三阀门6和第四阀门10，太阳能集热器1运行的时候，第三阀门6和第四阀门10打开。当太阳能集热器停止运行或者太阳能能量不足，第三阀门6和第四阀门10关闭，从而使得蓄热器4成为新的热源，蓄热器4与热利用装置5形成新的热力系统。通过蓄热器4向热利用装置5提供供热。
这样可以使得多余热量存储起来，满足在供热不足条件下的供热。
集中供热管网泄露会直接导致管内高温介质大量流失，热污染环境，泄露严重甚至还可能导致地质塌陷，造成人员伤亡，一直以来都是影响管网安全经济运行的主要故障。随着近些年国内集中供热的快速发展，供热区域及管网规模不断扩大，特别是传统火电厂在国家节能减排政策引导下，积极发展热电联产（如低真空改造、切缸改造、循环水余热利用等），使得热网运行安全对电厂机组的安全运行影响越来越大，一旦供热管网发生较大泄露，会直接导致机组跳机，造成重大安全事故。
供热管网泄露检测，特别是泄露故障实时监测方法的研究及应用，一直得到国内外学者及热力管网运营单位的重点关注。该方法可以分为直接法与间接法两类。直接法主要包括直埋预警线法、分布式光纤测温法以及红外成像检测方法。目前欧洲直埋预警线监测系统已经拥有了较成熟的设计与工艺方法。该方法分为阻抗式与电阻式两种，都需要在预制保温层中埋设报警线，分别通过检测脉冲反射信号和电阻值来诊断故障点及其位置，能够检测内、外渗漏。但该方法需要在一定距离内（国内建议500m）布置检测点，且检测点的现场安装工艺以及整个监测系统对管网设计及工艺都要求很高；分布式光纤测温法主要基于拉曼光反射、布里渊光反射和光纤光栅原理，通过布置在管道外侧，由串联的测温光纤传感器构成的测温系统，感知泄露产生的温度变化，从而发现泄露并能进行精确定位。其中基于拉曼光反射的英国York公司分布式光纤温度传感系统应用较多，但相对直埋预警线法，成本更高，技术成熟度低；红外成像检测方法采用热红外成像技术，将被测目标的红外辐射能量分布图像，转换成被测目标温度场的标准视频信号。该方法作为供热管网人工巡检方法之一，不对管网运行产生任何影响，主要用于埋置较浅的直埋热力管道。目前国内外有研究采用无人机载红外摄像对整个城市管网进行泄露监测，但无法分辨泄露与管道保温破坏导致的管道周围温度上升，且无人机高空飞行目前受到国家安全管控，实施难度大。
间接法目前主要包括模型法、统计检测法以及神经网络法。模型法即通过建立供热管网稳态或瞬态模型，将管网模拟值与实际运行数据（流量或压力）进行比较分析确定是否泄露，该方法的准确度主要取决于管网模型的精度；统计检测法是基于统计理论，分析泄露工况运行数据，并与正常工况建立函数关系来估算泄漏量和泄漏位置。该方法不需要建立模型，只需进行少量的压力与流量概率运算，具有广泛适应性，但是对仪器精度要求严格。鉴于目前供热管网在线监测系统在国内的广泛应用以及仪表精度的不断提高，统计检测法正在逐渐拥有越来越坚实的应用物质基础；神经网络法依靠学习管网正常与故障运行数据，自主分析管网运行状态并建立判断管网泄漏的能力。该方法具有很强的抗干扰能力，但需要大量泄露数据学习建模。
以上所述两类方法中，第一类直接法中的直埋预警线法，技术工艺较成熟，检测效率较高，但工艺要求高，造价较高，难以短期内在国内推广应用。即使新建管网可以考虑采用，但对于目前已建成运行的供热管网，由于成本过高，更难应用实施；分布式光纤测温法虽然已经有了一定的研究及工程应用积累，且该方法检测效率高，但相对直埋预警线法，其成本更高，技术成熟度更低；红外成像检测方法由于其简便快捷的特性，在人工检测领域已经获得大量应用。但即使国内条件允许，能够采用目前研究开发的无人机载红外摄像检测方法，也只能达到定期检测巡查的目的，且该方法还需解决如何在复杂背景与环境干扰下，分辨并确认供热管道泄露；第二类间接法中，首先是模型法。无论是稳态或瞬态模型法，还需进一步提高模型精度，研究如何快速有效的建立具体供热管网模型；统计检测方法运算简单、适应性广，且目前国内供热管网大量采用在线监测系统，为其提供了较扎实的应用基础。但还需依靠仪表精度的进一步提高，以及研究开发合适的检测方法与系统，使其能够应用在大型复杂城镇集中供热管网领域；神经网络法面对的主要问题，除了获得有效的运行及泄漏数据以外，还要研究保证神经网络快速有效收敛的优化算法，进一步增强其泛化能力，目前深度学习神经网络的研究，促进了其在故障诊断领域的进一步发展应用。
本项目基于机器学习与模式识别的理论方法，根据供热管网不同的运行工况，利用集中供热管网实时监控系统中具有时间相关性的压力数据，设计出相应的管网模式（正常模式/故障模式），用大量的压力数据训练深度卷积神经网络，从而进行集中供热管网泄露故障检测，并研究开发相应的软件系统，提高供热管网泄露检测效率，降低误报率与漏报率，保证供热管网与太阳能集热器系统的安全运行。
如图2所示，一种太阳能集热供热系统，包括太阳能集热器1、供热管网及热利用装置5，所述供热管网包含供水管网2和回水管网3，管网在线监测系统根据设定的固定时间间隔读取太阳能集热器、管网分支点与热利用装置处压力数据，实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别。
作为一个优选，热利用装置5是用户取暖散热器。
作为优选，系统除了采集太阳能集热器、热利用装置处的压力数据以外，至少还要采集1/4的管网分支节点压力数据，供水侧回水侧对称采集。
因此如图3所示，本申请还公开了一种供热管网泄漏在线检测方法，包括如下步骤：
1、数据准备：对数据库中的供热系统压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。
2、生成数据集：将准备好的数据分成训练集/训练集标签、测试集/测试集标签。
3、网络训练：将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络。通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成。
4、网络测试：将测试集数据输入到已经训练好的网络中，输出故障检测结果。
本发明提供了一种新的智能检测泄漏故障的供热管网系统，本发明基于机器学习与模式识别的理论方法，根据供热管网不同的运行工况，利用集中供热管网实时监控系统中具有时间相关性的压力数据，设计出相应的管网模式（正常模式/故障模式），用大量的压力数据训练深度卷积神经网络，从而进行集中供热管网泄露故障检测。
作为优选，数据准备步骤具体包含如下处理：
1）缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值。对缺失的数据值，采用估算的方法，用样本均值代替缺失值；
2）无效数据的处理：由于传感器的故障，导致数据库中的压力数据出现无效值，比如负值或者超出了理论上的最大值，此时对于这些值，将其从数据库中删除；
3）不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正。作为一个优选，在供热管网系统中，一个管段的出口压力一定小于进口压力，如果数据库中某管段的出口压力大于其进口压力，此时可以借助数据库管理系统的完整性约束中的检查约束机制，给出错误提示，根据错误提示，用出口临近点的压力数据值代替这种不一致数据的出口压力数据值。
通过数据处理，能够使得检测方法更加准确。
作为优选，生成数据集步骤包括如下步骤：
1）生成训练集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签。作为优选，在具体应用中，我们将运行工况分为正常工况，其标签为1，轻微泄露工况，其标签为2，中等泄露工况，其标签为3，严重泄露工况，其标签为4。程序根据不同的工况，自动生成工况标签；
2）生成测试集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签。其中工况标签同训练集工况标签一样，由程序根据运行工况自动生成。
作为优选，训练集数据与测试集数据的比例优选为7：3。
网络训练具体步骤如下：
1）读入一组训练集数据
Figure 899261DEST_PATH_IMAGE001
，其大小为
Figure 355650DEST_PATH_IMAGE022
,其中M表示训练批的大小，
Figure 376696DEST_PATH_IMAGE023
表示一维的训练数据；
2）对读入的训练数据进行第一次卷积操作,得到特征图
Figure 172613DEST_PATH_IMAGE004
。初始化卷积核
Figure 253702DEST_PATH_IMAGE005
的系数，设
Figure 400649DEST_PATH_IMAGE005
的大小为
Figure 959807DEST_PATH_IMAGE024
，其中P表示卷积核的数量，
Figure 941057DEST_PATH_IMAGE007
表示卷积核的尺寸，得到的卷积结果为
Figure 865150DEST_PATH_IMAGE008
，特征图的大小为
Figure 296132DEST_PATH_IMAGE009
；
3）对卷积操作得到的特征图
Figure 658980DEST_PATH_IMAGE004
进行最大池化操作，得到特征图
Figure 695069DEST_PATH_IMAGE010
。初始化池化系数，给定池化步长为
Figure 852381DEST_PATH_IMAGE011
，池化窗口大小为
Figure 973921DEST_PATH_IMAGE012
，最后得到的特征图
Figure 140460DEST_PATH_IMAGE010
的大小为
Figure 765476DEST_PATH_IMAGE013
,池化过程降低了数据的维度；
4）重复以上2）- 3）步骤，反复进行卷积与池化操作，得到特征向量
Figure 359269DEST_PATH_IMAGE014
，此时卷积神经网络的特征提取过程完成；
5）初始化全连接网络的权值矩阵
Figure 499263DEST_PATH_IMAGE015
和偏置
Figure 407176DEST_PATH_IMAGE016
，将提取到的特征向量
Figure 214595DEST_PATH_IMAGE014
送入全连接网络，与权值矩阵
Figure 916972DEST_PATH_IMAGE015
、偏置
Figure 809841DEST_PATH_IMAGE016
进行运算，得到网络输出
Figure 52604DEST_PATH_IMAGE017
；
6）将网络得到的输出
Figure 652213DEST_PATH_IMAGE018
与训练集标签
Figure 587808DEST_PATH_IMAGE019
相减，得到网络误差
Figure 905656DEST_PATH_IMAGE020
，对网络误差进行求导，利用该导数反向传播，依次修正全连接网络的权值
Figure 952110DEST_PATH_IMAGE015
、偏置
Figure 468542DEST_PATH_IMAGE016
、各层池化系数、各层卷积系数；
7）重复上述过程，直到网络误差
Figure 512721DEST_PATH_IMAGE021
满足精度要求，网络训练过程完成，生成卷积神经网络模型。
作为优选，训练数据是压力数据。
网络测试步骤具体步骤如下：
1）加载已经训练好的卷积神经网络模型，此时卷积神经网络的卷积核系数、池化系数、网络权值
Figure 380183DEST_PATH_IMAGE015
，偏置
Figure 168010DEST_PATH_IMAGE016
都已经训练完毕；
2）将测试数据集输入已经训练好的卷积神经网络中，输出故障检测结果。例如根据输出的标签，就可以判断故障类型。比如1代表正常，4代表严重泄露等等。
本发明首先对数据库中的供热系统压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。然后将准备好的数据分成训练集/训练集标签、测试集/测试集标签，训练集数据与测试集数据的优选比例为7：3；紧接着将训练集数据输入卷积神经网络，经过卷积、池化，得到特征向量，送入全连接网络，通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成；最后将测试集数据输入到已经训练好的网络中，输出故障检测结果。
本发明提出了一种检测管网泄露故障的新思路，充分利用集中供热管网在线监测数据，检测速度快，成本低。
本发明将数据处理技术、机器学习与模式识别理论有机融合，可以提高供热管网泄漏故障检测效率，保证供热管网以及电厂机组的安全运行。
图4示出了一维卷积神经网络结构示意图，具体卷积神经网络的工作过程如下：
1）输入一组训练集数据
Figure 804528DEST_PATH_IMAGE001
，其大小为
Figure 19609DEST_PATH_IMAGE022
,其中M表示训练batch的大小，
Figure 108788DEST_PATH_IMAGE023
表示一维的训练数据；
2）对读入的训练数据进行第一次卷积操作,得到特征图
Figure 499973DEST_PATH_IMAGE004
。初始化卷积核
Figure 928681DEST_PATH_IMAGE005
的系数，设
Figure 376979DEST_PATH_IMAGE005
的大小为
Figure 156717DEST_PATH_IMAGE024
，其中P表示卷积核的数量，
Figure 348664DEST_PATH_IMAGE007
表示卷积核的尺寸，得到的卷积结果为
Figure 631877DEST_PATH_IMAGE008
，特征图的大小为
Figure 251078DEST_PATH_IMAGE009
；
3）对卷积操作得到的特征图
Figure 314848DEST_PATH_IMAGE004
进行最大池化操作，得到特征图
Figure 248169DEST_PATH_IMAGE010
。初始化池化系数，设池化步长为
Figure 448207DEST_PATH_IMAGE011
，池化窗口大小为
Figure 441570DEST_PATH_IMAGE012
，最后得到的特征图
Figure 992637DEST_PATH_IMAGE010
的大小为
Figure 464070DEST_PATH_IMAGE013
,池化过程降低了数据的维度；
4）重复以上2）- 3）步骤，反复进行卷积与池化操作，得到特征向量。
图5示出了卷积神经网络训练过程算法流程图，具体步骤如下：
1）初始化一维卷积神经网络，具体包括初始化卷积核系数，池化系数，全连接层的权值和偏置；
2）从训练集中读取数据以及对应的标签，输入网络；
3）开始进行卷积、池化，再卷积，再池化，得到特征向量；
4）将得到的特征向量送入全连接网络，得到网络输出；
5）计算网络输出与标签数据的误差，判断该误差是否满足精度要求；
6）如果误差满足精度要求，训练结束，保存网络参数；
7）如果误差不满足精度要求，则对误差求梯度，用梯度值依次更新全连接层的权值和偏置、各层池化系数以及卷积系数；
8）重复 3）-7）步骤，直到误差满足精度要求，训练完成。
图6示出了卷积神经网络误差反向传播示意图，具体步骤如下：
1）从输出层（最后一层是输出层）开始计算网络输出与训练集标签数据之间的误差，对误差进行求导，得出误差梯度；
2）误差梯度反向传播至全连接层，用梯度值更新全连接网络的权值和偏置；
3）误差梯度继续反向传播至第N个池化层，用误差梯度值更新池化系数；
4）误差梯度继续反向传播至第N个卷积层，用误差梯度值更新卷积层系数；
5）误差梯度继续反向传播至第N-1个池化层，用误差梯度值更新池化系数；
6）误差梯度继续反向传播至第N-1个卷积层，用误差梯度值更新卷积层系数；
7）最后一直到误差梯度继续反向传播至第一池化层，用误差梯度值更新池化系数；
8）最后一直到误差梯度继续反向传播至第一卷积层，用误差梯度值更新卷积层系数；
7）至此，误差反向传播过程完成，同时网络参数得到更新。
作为优选，N为2。
图7示出了卷积神经网络测试过程算法流程图，具体步骤如下：
1）加载已经训练好的神经网络；
2）输入测试集数据；
3）输出网络有无故障以及故障程度。
应用案例
在实际应用中，我们定义了一维深度卷积神经网络的结构，具体包含两个卷积层，两个池化层，一个全连接层，各层参数如下表所示：
Figure 518614DEST_PATH_IMAGE025

Claims (3)

1.一种太阳能集热供热系统的泄漏检测方法，所述系统包括太阳能集热器、供热管网及热利用装置，所述供热管网包含供水管网和回水管网，管网在线监测系统根据设定的固定时间间隔读取太阳能集热器、管网分支点与热利用装置处压力数据，实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别；
所述检测方法包括如下步骤：
数据准备：对数据库中的供热系统压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性；
生成数据集：将准备好的数据分成训练集和训练集标签、测试集和测试集标签；
网络训练：将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络；通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成；
网络测试：将测试集数据输入到已经训练好的网络中，输出故障检测结果；
数据准备包括如下步骤：
1）缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值，对缺失的数据值，采用估算的方法，用样本均值代替缺失值；
2）无效数据的处理：由于传感器的故障，导致数据库中的压力数据出现无效值，将其从数据库中删除；
3）不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正；
生成数据集包括如下步骤：
1）生成训练集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；
2）生成测试集数据及标签：根据供热管网不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签；
网络训练包括如下步骤：
1）读入一组训练集数据
Figure 175564DEST_PATH_IMAGE001
，其大小为
Figure DEST_PATH_IMAGE002
,其中M表示训练批的大小，
Figure 905754DEST_PATH_IMAGE003
表示一维的训练数据；
2）对读入的训练数据进行第一次卷积操作,得到特征图
Figure DEST_PATH_IMAGE004
；初始化卷积核
Figure 888753DEST_PATH_IMAGE005
的系数，设
Figure 143017DEST_PATH_IMAGE005
的大小为
Figure DEST_PATH_IMAGE006
，其中P表示卷积核的数量，
Figure 160652DEST_PATH_IMAGE007
表示卷积核的尺寸，得到的卷积结果为
Figure DEST_PATH_IMAGE008
，特征图的大小为
Figure 560278DEST_PATH_IMAGE009
；
3）对卷积操作得到的特征图
Figure 420786DEST_PATH_IMAGE004
进行最大池化操作，得到特征图
Figure DEST_PATH_IMAGE010
；初始化池化系数，给定池化步长为
Figure 822949DEST_PATH_IMAGE011
，池化窗口大小为
Figure DEST_PATH_IMAGE012
，最后得到的特征图
Figure 570456DEST_PATH_IMAGE010
的大小为
Figure 298241DEST_PATH_IMAGE013
,池化过程降低了数据的维度；
4）重复以上2）- 3）步骤，反复进行卷积与池化操作，得到特征向量
Figure DEST_PATH_IMAGE014
，此时卷积神经网络的特征提取过程完成；
5）初始化全连接网络的权值矩阵
Figure 380466DEST_PATH_IMAGE015
和偏置
Figure DEST_PATH_IMAGE016
，将提取到的特征向量
Figure 691712DEST_PATH_IMAGE014
送入全连接网络，与权值矩阵
Figure 683939DEST_PATH_IMAGE015
、偏置
Figure 972838DEST_PATH_IMAGE016
进行运算，得到网络输出
Figure 683305DEST_PATH_IMAGE017
；
6）将网络得到的输出
Figure 692849DEST_PATH_IMAGE018
与训练集标签
Figure DEST_PATH_IMAGE019
相减，得到网络误差
Figure 414949DEST_PATH_IMAGE020
，对网络误差进行求导，利用该导数反向传播，依次修正全连接网络的权值
Figure 343590DEST_PATH_IMAGE015
、偏置
Figure 806933DEST_PATH_IMAGE016
、各层池化系数、各层卷积系数；
7）重复上述过程，直到网络误差
Figure DEST_PATH_IMAGE021
满足精度要求，网络训练过程完成，生成卷积神经网络模型。
2.如权利要求1所述的检测方法，其特征在于，网络测试包含如下步骤：
1）加载已经训练好的卷积神经网络模型，此时卷积神经网络的卷积系数、池化系数、网络权值
Figure 462911DEST_PATH_IMAGE015
，偏置
Figure 429730DEST_PATH_IMAGE016
都已经训练完毕；
2）将测试集数据输入已经训练好的卷积神经网络中，输出工况标签，从而输出故障检测结果。
3.如权利要求1所述的检测方法，其特征在于，系统除了采集太阳能集热器、热利用装置处的压力数据以外，至少还要采集1/4的管网分支点压力数据，供水侧回水侧对称采集。
CN202010327400.9A 2020-04-23 2020-04-23 一种太阳能集热系统及泄漏检测方法 Active CN111550865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010327400.9A CN111550865B (zh) 2020-04-23 2020-04-23 一种太阳能集热系统及泄漏检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010327400.9A CN111550865B (zh) 2020-04-23 2020-04-23 一种太阳能集热系统及泄漏检测方法

Publications (2)

Publication Number Publication Date
CN111550865A CN111550865A (zh) 2020-08-18
CN111550865B true CN111550865B (zh) 2021-03-09

Family

ID=72002490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010327400.9A Active CN111550865B (zh) 2020-04-23 2020-04-23 一种太阳能集热系统及泄漏检测方法

Country Status (1)

Country Link
CN (1) CN111550865B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63213752A (ja) * 1987-03-03 1988-09-06 Matsushita Electric Ind Co Ltd 太陽熱利用給湯装置
CN105928037B (zh) * 2015-04-07 2018-02-06 青岛中正周和科技发展有限公司 一种凸起高度规律变化的太阳能蓄热系统
CN205137642U (zh) * 2015-11-21 2016-04-06 西安科技大学 一种太阳能集热系统
CN207570148U (zh) * 2017-08-16 2018-07-03 日出东方太阳能股份有限公司 一种太阳能集热储热系统
JP2019078185A (ja) * 2017-10-20 2019-05-23 松尾 栄人 蓄熱型太陽熱発電システム
CN110657411B (zh) * 2018-04-23 2022-05-17 青岛宝润科技有限公司 流动方向管径变化的热管式太阳能集热器
CN109710763A (zh) * 2018-12-27 2019-05-03 郑州云海信息技术有限公司 一种文本数据的分类方法、装置以及系统
CN110631264A (zh) * 2019-07-22 2019-12-31 中国建筑股份有限公司 一种平板式集热系统及集热方法
CN110986382A (zh) * 2019-12-27 2020-04-10 长春工程学院 分布式太阳能热管集热、蓄热自循环供暖系统及供热方法

Also Published As

Publication number Publication date
CN111550865A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN110245411B (zh) 一种城镇集中供热系统及泄漏点检测方法
CN111797888A (zh) 一种蓄热供热系统及泄漏检测方法
CN106777984A (zh) 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
CN102444885B (zh) 避免电站锅炉管系炉内超温爆管的方法
CN105375878A (zh) 一种在线检测和评估光伏系统效率的方法
CN104391189A (zh) 基于三级诊断的大型光伏阵列故障诊断定位方法
CN112240595B (zh) 一种蓄热供热系统及泄漏检测方法
CN106936627A (zh) 一种基于大数据分析挖掘的火电设备性能监测方法
CN109539596B (zh) 基于ga-grnn的太阳能集热系统光热效率预测方法
CN106059496A (zh) 一种光伏组件阵列性能监测和故障识别的方法及系统
CN104374427A (zh) 一种地源热泵运行中土体热湿迁移效应试验系统及方法
CN104344852A (zh) 锅炉供暖系统的节能诊断方法及节能诊断系统
CN111678366B (zh) 一种蓄热管壳式换热器及泄漏检测方法
CN109084613A (zh) 基于卷积神经网络和图像识别的空冷凝汽器积灰状态监测与清洗控制系统及其调控方法
CN106372718A (zh) 雾霾积灰条件下的光伏发电功率输出减少率估计方法
CN102494895B (zh) 对电站汽轮机组节能及优化的分析方法
CN111550865B (zh) 一种太阳能集热系统及泄漏检测方法
CN111692766B (zh) 一种云端远程监控的太阳能集热系统及泄漏检测方法
CN113486950A (zh) 一种智能管网漏水检测方法及系统
CN111536571B (zh) 一种蓄热供热系统及泄漏检测方法
CN115127036B (zh) 一种市政燃气管网漏损定位方法及系统
CN116050592A (zh) 一种多维度光伏功率预测方法及系统
CN115493093A (zh) 一种基于力学仿真的蒸汽供热管网漏损定位方法及系统
CN110031152B (zh) 一种热力供热系统及相邻日温度偏移累积泄漏检测的方法
Zhao et al. The techno-economic evaluation of school integrated energy system based on G1-anti-entropy weight-TOPSIS method

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