CN113221300A - 一种大型集中供热管网的改造方法及装置 - Google Patents
一种大型集中供热管网的改造方法及装置 Download PDFInfo
- Publication number
- CN113221300A CN113221300A CN202110503315.8A CN202110503315A CN113221300A CN 113221300 A CN113221300 A CN 113221300A CN 202110503315 A CN202110503315 A CN 202110503315A CN 113221300 A CN113221300 A CN 113221300A
- Authority
- CN
- China
- Prior art keywords
- pipe
- pipe section
- transformation
- pipe network
- optimization
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001131 transforming effect Effects 0.000 title claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 87
- 230000009466 transformation Effects 0.000 claims abstract description 71
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000010438 heat treatment Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000012986 modification Methods 0.000 claims abstract description 26
- 230000004048 modification Effects 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 45
- 239000012530 fluid Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000000844 transformation Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 20
- 230000008569 process Effects 0.000 abstract description 11
- 230000002068 genetic effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000002407 reforming Methods 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000009420 retrofitting Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种大型集中供热管网的改造方法及装置，该方法步骤为：获取待改造集中供热管网的拓扑结构与运行参数；计算管网中每个管段的改造潜力指标，改造潜力指标为管段实际比摩阻和临界比摩阻的差值与管段长度的乘积；选择改造潜力指标大于预设值的管段作为需改造管段；设定管网改造优化的约束条件和目标函数；使用优化算法对全部需改造管段的管径进行寻优计算，确定目标函数的最优值以及最优值对应的每个需改造管段的管径。本申请可显著减少大型集中供热管网改造优化过程中的设计变量，降低优化维度，从而有效提高优化结果可靠性，能够获得唯一可信的管径改造方案，最大程度增加改造利润。
Description
技术领域
本申请涉及大型集中供热系统能效提升技术领域，尤其涉及一种大型集中供热管网改造的方法及装置。
背景技术
城市集中供热作为传统高耗能基础性服务行业，与国计民生息息相关。该系统将热源生产的热量通过一次管网输送到供热区域内的各个热力站，热力站通过换热机组将一次管网输送的热量交换给二次管网，并输送到热用户(住宅或公共建筑)，以满足其热需求。其中，一次管网作为连接热源和各热力站的热输配网络，不仅规模大且拓扑结构极其复杂，对其进行合理且科学的结构设计(包括管网拓扑结构设计与各个管道的管径设计)是提高整个供热系统能源效率、供热质量和经济性的重要前提。另外，随着城镇化进程的加快，城市集中供热系统热用户数量逐年增加，导致一次管网逐年被扩建。然而，目前一次管网的扩建过程普遍缺乏合理的管网整体规划，是导致管网能效低下的重要原因之一，因此亟须对现有管网系统进行科学改造与优化。
目前，对现有管网系统中各个管道的管径(我们称之为管径组合)进行优化是普遍且有效的改造思路，通常通过遗传算法来实现。但是，遗传算法作为一种典型的全局优化算法，只适用于小规模的集中供热管网改造优化，对于设计变量较多的高维优化问题无法寻找到最优解。现有大型城市集中供热系统一次管网所连接的热用户数量可达数百个，涉及的管道数量可高达102，且未来环状供热管网所连接热用户数量甚至可达数千个，因此大型集中供热管网管径改造是典型的高维优化问题，直接采用遗传算法存在无法寻找到最优管径组合(表现为计算结果不稳定)且计算速度慢的问题。
发明内容
本发明实施例通过提供一种大型集中供热管网的改造方法与装置，解决现有技术中将一次管网中所有管段管径作为设计变量导致的高维优化难题、及其引发的寻优能力差与计算效率低等问题。
第一方面，本发明实施例提供了一种大型集中供热管网的改造方法，该方法包括：
获取待改造集中供热管网的拓扑结构及运行参数；
计算每个管段的改造潜力指标，其中，所述改造潜力指标ΔPmax＝(Rm-Rc)·l，表示改造后管段压降的减少量，Rm表示管段的实际比摩阻，Rc表示管段的临界比摩阻，l表示管段的长度；所述实际比摩阻Rm＝(8λG2)/(ρπ2doriginal 5)，λ表示摩擦阻力系数，G表示管段的质量流量，ρ表示流体密度，doriginal表示管段的原始管径；所述临界比摩阻Rc为预设临界比摩阻；
选择所述改造潜力指标大于预设值的管段作为需改造管段；
设定管网改造优化的约束条件和目标函数；
使用优化算法对全部所述需改造管段的管径进行寻优计算，确定所述目标函数的最优值以及所述最优值对应的每个所述需改造管段的管径。
结合第一方面，在一种可能的实现方式中，所述使用优化算法对全部所述需改造管段的管径进行迭代计算，包括：
确定优化变量、参数、约束条件、目标函数以及寻优终止条件；
设定所述优化变量的初始值；
根据上述条件以及所述优化算法进行寻优计算，确定最优结果；
输出所述最优结果。
结合第一方面，在一种可能的实现方式中，所述目标函数包括改造方案的利润Pr＝Cs-Cr；
其中，Cs表示管网改造后节约的运行费用，Cr表示管网改造的投资成本。
结合第一方面，在一种可能的实现方式中，所述改造后节约的运行费用Cs＝n(Co’-Co)；
其中，Co’表示改造前的管网年运行费用，Co表示改造后的管网年运行费用，n表示管网的剩余运行寿命。
结合第一方面，在一种可能的实现方式中，所述约束条件包括：改造后的管径d应满足：doriginal<d<dmax，其中doriginal为管道的原始管径，dmax为临界比摩阻Rc对应的最大允许管径，计算式为dmax＝(8λG2/ρπ2Rc)0.2。
第二方面，本发明实施例提供了一种集中供热管网的改造装置，该装置包括：
参数确定模块，用于获取待改造集中供热管网的拓扑结构及运行参数；
计算改造潜力指标模块，用于计算每个管段的改造潜力指标，其中，所述改造潜力指标ΔPmax＝(Rm-Rc)·l，表示改造后管段压降的减少量，Rm表示管段的实际比摩阻，Rc表示管段的临界比摩阻，l表示管段的长度；所述实际比摩阻Rm＝(8λG2)/(ρπ2doriginal 5)，λ表示摩擦阻力系数，G表示管段的质量流量，ρ表示流体密度，doriginal表示管段的原始管径；所述临界比摩阻Rc为预设临界比摩阻；
需改造管段确定模块，用于将所述改造潜力指标大于预设值的管段作为需改造管段；
函数确定模块，用于设定管网改造优化的约束条件和目标函数；
输出模块，用于使用优化算法对全部所述需改造管段的管径进行寻优计算，确定所述目标函数的最优值以及所述最优值对应的每个所述需改造管段的管径。
结合第二方面，在一种可能实现的方式中，所述输出模块包括：优化算法计算模块，所述优化算法计算模块用于使用优化算法对全部所述需改造管段的管径进行寻优计算，具体用于：
确定优化变量、参数、约束条件、目标函数以及终止条件；
设定所述优化变量的初始值；
根据上述条件以及所述优化算法进行寻优计算，确定最优结果；
输出所述最优结果。
结合第二方面，在一种可能实现的方式中，所述目标函数包括改造方案的利润Pr＝Cs-Cr；
其中，Cs表示改造后节约的运行费用，Cr表示改造的投资成本。
结合第二方面，在一种可能实现的方式中，所述改造后节约的运行费用Cs＝n(Co’-Co)；
其中，Co’表示管网改造前的年运行费用，Co表示管网改造后的年运行费用，n表示管网的剩余运行寿命。
结合第二方面，在一种可能实现的方式中，所述约束条件包括：改造后的管径d应满足：doriginal<d<dmax，其中doriginal为管道的原始管径，dmax为临界比摩阻Rc对应的最大允许管径，计算式为dmax＝(8λG2/ρπ2Rc)0.2。
第三方面，本发明实施例提供了一种大型集中供热管网的改造设备，包括存储器和处理器；
所述存储器用于存储计算机可执行指令；
所述处理器用于执行所述计算机可执行指令，以实现第一方面以及第一方面各种可能实现的方式所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有可执行指令，计算机执行所述可执行指令时能够实现以实现第一方面以及第一方面各种可能实现的方式所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明实施例提供的大型集中供热管网的改造方法通过改造潜力指标筛选出需改造管段，然后设定约束条件和目标函数；使用优化算法对全部需改造管段的管径进行寻优计算，确定目标函数的最优值以及最优值对应的每个需改造管段的管径。本发明实施例提供的大型集中供热管网的改造优化方法不需要集中供热管网的全部管段参与优化计算，只优化具有改造潜力的管段管径，可显著减少改造优化过程中的设计变量、降低优化维度，从而有效提高优化计算结果可靠性，能够获得唯一可信的管径改造方案，最大程度增加改造利润。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的大型集中供热管网的主干管、次干管和末端管改造为不同管径时节约的运行成本与改造成本关系图；
图2为本发明实施例提供的大型集中供热管网的改造方法的流程图；
图3为本发明实施例提供的大型集中供热管网的改造管段示意图；
图4A为本发明实施例提供的大型集中供热管网改造优化的现有技术在相同计算条件下的重复性数值实验结果图；
图4B为本发明实施例提供的现有技术重复性数值实验中，获得最小改造利润的数值实验迭代过程图；
图4C为本发明实施例提供的现有技术重复性数值实验中，获得最大改造利润的数值实验迭代过程图；
图5A为本发明实施例提供的改进大型集中供热管网改造优化方法在相同计算条件下的重复性数值实验结果与现有技术的重复性数值实验结果对比图；
图5B为本发明实施例提供的基于本申请发明的当Rc＝30时的管网改造利润随优化迭代次数的变化图；
图6为本发明实施例提供的使用遗传算法对全部需改造管段的管径进行寻优计算的流程图；
图7为本发明实施例提供的大型集中供热管网的改造装置的结构示意图；
图8为本发明实施例提供的大型集中供热管网的改造设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
城市集中供热作为传统高耗能基础性服务行业，与国计民生息息相关。该系统将热源生产的热量通过一次管网输送到供热区域内的各个热力站，热力站通过换热机组将一次管网输送的热量交换给二次管网，并输送到热用户(住宅或公共建筑)，以满足其热需求。其中，一次管网作为连接热源和各热力站的热输配网络，不仅规模大且拓扑结构极其复杂，对其进行合理且科学的结构设计(包括管网拓扑结构设计与各个管道的管径设计)是提高整个供热系统能源效率、供热质量和经济性的重要前提。另外，随着城镇化进程的加快，城市集中供热系统热用户数量逐年增加，导致一次管网逐年被扩建。然而，目前一次管网的扩建过程普遍缺乏合理的管网整体规划，是导致管网能效低下的重要原因之一，亟须对现有管网系统进行科学改造与优化。
大型集中供热管网改造优化中最大的困难在于设计变量过多，为典型的高维优化问题，对现有常规优化算法提出了很大挑战。合理减少设计变量，降低维度，是提高管网改造优化效率的有效手段。管网改造的目的是在改造成本最小的前提下，通过增大管径减小管网运行的泵功，达到降低管网运行成本的目的。因此，如果某管段改造后节省的运行成本大于其改造成本，则存在改造潜力，可作为管网改造优化的设计变量。
在一个具体的实例中，本申请针对一个典型的大型集中供热管网，选择了具有典型管径规格的主干管、次干管和末端管，通过比较三者改造到不同管径规格时的改造成本和节约的运行成本，以衡量其改造潜力。如图1所示，对于主干管和次干管，都具有通过改造获得利润的潜力；对于末端管，改造成本总是大于节约的运行成本。
上述发现表明，对于供热管网而言，并非所有管段都可以通过改造获得利润，改造前先对管网管段进行筛选，选择有可能通过改造获得利润的管段作为改造优化的设计变量，可显著减少设计变量数量，是一种大型集中供热管网改造优化问题的有效降维方式。基于上述思想，本发明提出了一个科学的改造潜力指标以判断管段是否需要作为设计变量，并基于提出的改造潜力指标，本发明实施例提供了一种大型集中供热管网的改造方法，如图2所示，该方法包括步骤S201至步骤S205。
步骤S201，获取待改造集中供热管网的拓扑结构及运行参数。
步骤S202，计算每个管段的改造潜力指标，其中，改造潜力指标ΔPmax＝(Rm-Rc)·l，表示改造后管段压降的减少量，Rm表示管段的实际比摩阻，Rc表示管段的临界比摩阻，l表示管段的长度；实际比摩阻Rm＝(8λG2)/(ρπ2doriginal 5)，λ表示摩擦阻力系数，G表示管段的质量流量，ρ表示流体密度，doriginal表示管段的原始管径；临界比摩阻Rc为预设临界比摩阻。
步骤S203，将改造潜力指标大于预设值的管段作为需改造管段。
步骤S204，设定管网改造优化的约束条件和目标函数。
步骤S205，使用优化算法对全部需改造管段的管径进行寻优计算，确定目标函数的最优值以及最优值对应的每个需改造管段的管径。
本发明实施例提供的大型集中供热管网的改造方法通过改造潜力指标筛选出需改造的管段，避免集中供热管网的全部管段参与优化计算，可显著减少改造优化过程中的设计变量，将一个典型的高维优化问题降维为普通优化问题，降低了优化难度，任何常规优化算法都可用于求解该问题。
如图3所示，本申请基于一个实际的管网，计算了每一个管段的改造潜力指标，并采用双横线标注出根据改造潜力指标判断出的需要改造的管段，发现均为主干管和次干管，与图1分析的结论吻合，进一步验证了本申请提出的改造潜力指标的科学性与合理性。
在步骤S202中，提出一个用来评价管段是否需要改造的改造潜力指标ΔPmax，根据上述步骤S202中的公式，可以得到最终的计算公式为：
其中，doriginal为管道的原始管径，dmax表示最大允许管径。
上述dmax为临界比摩阻Rc对应的最大允许管径，计算式为dmax＝(8λG2/ρπ2Rc)0.2，其中λ表示摩擦阻力系数，G表示管段的质量流量，ρ表示流体密度。
在对集中供热管网进行改进之前，先对所有的管段进行筛选，将输入到优化算法中的管段的数量尽量压缩到最少。在筛选的过程中，将ΔPmax大于预设值作为判断条件，满足判断条件的管段作为需改造管段，不满足判断条件的管段作为不需要进行改造的管段。预设值需根据不同管网的实际情况而定。本申请提供一个将0作为一个预设值来进行筛选的办法，当然预设值也可有其他值。
在步骤S205中，使用优化算法对全部需改造管段的管径进行寻优计算，具体包括以下步骤；
确定优化变量、参数、约束条件、目标函数以及终止条件。
设定优化变量的初始值。
根据上述条件以及优化算法进行寻优计算，确定最优结果。
输出最优结果。
基于上述的优化算法，本申请提出一个具体的优化算法为遗传算法，来具体对基于上述改造潜力指标对大型集中供热管网进行优化，当然，还可以采用粒子群算法等其他常规优化算法。
如图4A、图4B和图4C所示，采用基于遗传算法的现有技术对大型集中供热管网进行改造，在相同计算参数下，进行多次重复计算，得到的优化结果波动大，无法得到唯一可信的管径改造方案，且计算收敛所需迭代次数多、计算时间长。如图5A和图5B所示，为采用本发明提出的集中供热管网改造优化方法的计算结果，其中，图5A是在相同计算条件下进行多次重复计算，本发明提出的改造方法(Rc＝30)优化出的最大改造利润与现有技术优化出的最大改造利润的对比图。现有技术优化出的最大改造利润在重复性计算中数值波动大，且每一次计算出的最优改造利润对应的管径改造方案都不相同；而本发明的重复性计算结果不改变，且多次重复计算可以得到唯一可信的管径改造方案，同时从图5B可以发现，本发明可显著减少优化计算的迭代次数、缩短计算时间，对于大型管网的计算只需三分钟左右迭代即可收敛。
基于遗传算法对需改造管段的管径进行寻优计算，如图6所示，该算法包括步骤S601至步骤S606。步骤S601，输入取需改造管段、约束条件以及目标函数，确定初始种群。
步骤S602，对初始种群进行交叉操作和变异操作，分别得到交叉种群和变异种群，初始种群、交叉种群和变异种群合并成为完整种群。
步骤S603，对完整种群进行适应度计算。
步骤S604，根据预设的判断条件，判断是否终止计算；若判断结果为是，则终止计算，执行步骤S606；若判断结果为否，则继续执行S605、S602、S603以及S604。
步骤S605，选择适应度较高的若干个体作为新一代初始种群。
步骤S606，输出计算结果。
在终止计算后，输出最后一代完整种群中适应度最高的个体。在上述步骤S603中，对完整种群进行适应度计算，其中适应度是一个非负函数，如果目标函数本身就是一个非负的函数，对于求最大值的问题，可以直接使用目标函数作为适应度函数，但是对于求最小值的问题，需要将目标函数映射成值域非负的函数。
目标函数为改造方案的利润Pr＝Cs-Cr；其中，Cs表示管网改造后节约的运行费用，Cr表示管网改造的投资成本。其中改造后节约的运行费用Cs＝n(Co’-Co)；其中，Co’表示改造前的管网年运行费用，Co表示改造后的管网年运行费用，n表示管网的剩余运行寿命。
改造后的运行费用Co的计算公式为：Co＝ΔPcl·Q·hour·day·price/η，其中，ΔPcl表示改造后逐时管网最不利环路压降，Q表示改造后的管段体积流量，η表示改造后的循环泵效率，hour表示循环泵每天运行的小时数，day表示循环泵每年运行的天数，price表示电价。同理，改造前的运行费用Co’的计算公式为：Co’＝ΔPcl’·Q’·hour·day·price/η’，ΔPcl’表示改造前逐时管网最不利环路压降，Q’表示改造前的体积流量，η’表示改造前的循环泵效率。
在遗传算法步骤中，种群经过选择、交叉、变异产生下一代群体。判断是否终止计算的条件为：
其中，Prmax,Gen表示本次寻优的最高目标利润，Prmax,Gen-1表示上次寻优的最高目标利润。当满足上述条件时，此次遗传算法终止，输出计算结果，即输出待改造管段的管径。
在本申请中，首先对所需计算的一次网管中的管段进行了筛选，对每个管段的改造潜力指标进行了计算，并根据计算结果，最终决定是否对该管段进行管径改造，将改造潜力指标大于0的管段作为需改造管段，上述管段筛选过程可显著减少遗传算法的设计变量(对于大型供热管网，可将设计变量数量减少两个数量级)，有效解决了现有技术寻找最优解能力差，只能寻找到次优解，导致重复计算结果不稳定，无法获得到唯一、可信的改造方案的问题；其次显著提高了计算效率，现有技术大约需要6000至10000次迭代过程才能计算收敛，本发明将迭代收敛次数降低到100次以内，所需时间缩短至3分钟以内。同时，通过调整算法内部的参数，可以解决更大规模的管网改造问题。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。本实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照本实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本发明实施例还提供了一种集中供热管网的改造装置700，如图7所示，该装置包括：参数确定模块701、计算评价指标模块702、需改造管段确定模块703、函数确定模块704和输出模块705。
参数确定模块701用于获取待改造集中供热管网的拓扑结构和运行参数。在该模块中，确定了待改造一次网管的管网布局以及换热站和管段数量。
计算评价指标模块702用于计算每个管段的改造潜力指标，其中，改造潜力指标ΔPmax＝(Rm-Rc)·l，Rm表示管段的实际比摩阻，Rc表示管段的临界比摩阻，l表示管段的长度；临界比摩阻Rc＝(8λG2)/(ρπ2dmax 5)，λ表示摩擦阻力系数，G表示管段的流量，ρ表示流体密度，dmax表示最大允许管径。经由上述公式推导得来的
其中，doriginal为管道的原始管径，临界比摩阻除了可按上式计算，也可由设计者结合管网实际运行情况给定。
需改造管段确定模块703用于将改造潜力指标大于预设值的管段作为需改造管段。
函数确定模块704用于设定约束条件和目标函数。
具体地，目标函数确定模块包括改造方案的利润Pr＝Cs-Cr；其中，Cs表示管网改造后节约的运行费用，Cr表示管网改造的投资成本。改造后节约的运行费用Cs＝n(Co’-Co)；其中，Co’表示改造前的管网年运行费用，Co表示改造后的管网年运行费用，n表示管网的剩余运行寿命。约束条件确定模块包括：改造后的管径d应满足：doriginal<d<dmax，其中doriginal为管道的原始管径，dmax为临界比摩阻Rc对应的最大允许管径，计算式为dmax＝(8λG2/ρπ2Rc)0.2。
输出模块705用于使用优化算法对全部需改造管段的管径进行寻优计算，确定目标函数的最优值以及最优值对应的每个需改造管段的管径。
具体地，输出模块705包括：优化算法计算模块，优化算法计算模块用于使用优化算法对全部需改造管段的管径进行寻优计算，确定目标函数的最优值以及最优值对应的每个需改造管段的管径，输出结果。
在上述的装置中，本申请先将待改造的一次管网中的运行参数，在参数确定模块701进行获取；然后将获得到的管网中具体的运行参数传入到评价指标模块702，在评价指标模块702中，对所有的管段进行评价指标计算；将计算后的评价指标和对应的管段传入到需改造管段确定模块703中，在该模块中，对所有的管段根据改造潜力指标是否大于零进行筛选，将大于零的管段作为待改造管段；在函数确定模块704中，确定好约束条件和目标函数，约束条件可以是管径可选择的范围，目标函数可以是改造方案的利润；将上述需改造管段、约束条件和目标函数都传入到输出模块705中，输出模块705根据优化算法进行对需改造管段的管径进行迭代计算，确定每个需改造管段的最优管径，并对结果进行输出。
上述实施例阐明的装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。当然，也可以将实现某功能的模块由多个子模块或子单元组合实现。
本发明实施例还提供了一种大型集中供热系统改造优化的设备，如图8所示，包括存储器801和处理器802；存储器801用于存储计算机可执行指令；处理器802用于执行计算机可执行指令，以实现本发明实施例提供的集中供热管网的改进方法。
上述存储介质包括但不限于随机存取存储器(英文：Random Access Memory；简称：RAM)、只读存储器(英文：Read-Only Memory；简称：ROM)、缓存(英文：Cache)、硬盘(英文：Hard Disk Drive；简称：HDD)或者存储卡(英文：Memory Card)。所述存储器可以用于存储计算机程序指令。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有可执行指令，计算机执行可执行指令时能够实现集中供热管网的改造方法。
本申请中所述的方法、装置或模块可以以计算机可读程序代码方式实现控制器按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(英文：Application Specific Integrated Circuit；简称：ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的硬件的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施方式采用递进的方式描述，各个实施方式之间相同或相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。本申请的全部或者部分可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
以上实施例仅用以说明本申请的技术方案，而非对本申请限制；尽管参照前述实施例对本申请进行了详细的说明，本领域普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请技术方案的范围。
Claims (8)
1.一种大型集中供热管网的改造优化方法，其特征包括：
获取待改造集中供热管网的拓扑结构及运行参数；
计算每个管段的改造潜力指标，其中，所述改造潜力指标ΔPmax＝(Rm-Rc)·l，表示改造后管段压降的减少量，Rm表示管段的实际比摩阻，Rc表示管段的临界比摩阻，l表示管段的长度；所述实际比摩阻Rm＝(8λG2)/(ρπ2doriginal 5)，λ表示摩擦阻力系数，G表示管段的质量流量，ρ表示流体密度，doriginal表示管段的原始管径；所述临界比摩阻Rc为预设临界比摩阻；
选择所述改造潜力指标大于预设值的管段作为需改造管段；
设定管网改造优化的约束条件和目标函数；
使用优化算法对全部所述需改造管段的管径进行寻优计算，确定所述目标函数的最优值以及所述最优值对应的每个所述需改造管段的管径。
2.根据权利要求1所述的大型集中供热管网的改造优化方法，其特征在于，所述使用优化算法对全部所述需改造管段的管径进行寻优计算，包括：
确定优化变量、参数、约束条件、目标函数以及终止条件；
设定所述优化变量的初始值；
根据上述条件以及所述优化算法进行迭代计算，确定最优结果；
输出所述最优结果。
3.根据权利要求1所述的大型集中供热管网的改造方法，其特征在于，所述目标函数为改造方案的利润Pr＝Cs-Cr；
其中，Cs表示管网改造后节约的运行费用，Cr表示管网改造的投资成本。
4.根据权利要求3所述的大型集中供热管网的改造方法，其特征在于，所述改造后节约的运行费用Cs＝n(Co’-Co)；
其中，Co’表示改造前的管网年运行费用，Co表示改造后的管网年运行费用，n表示管网的剩余运行寿命。
5.根据权利要求1所述的大型集中供热管网的改造方法，其特征在于，所述约束条件包括：改造后的管径d应满足：doriginal<d<dmax，其中doriginal为管道的原始管径，dmax为临界比摩阻Rc对应的最大允许管径，计算式为dmax＝(8λG2/ρπ2Rc)0.2。
6.一种大型集中供热管网的改造装置，其特征在于，包括：
参数确定模块，用于获取待改造集中供热管网的拓扑结构及运行参数；
计算改造潜力指标模块，用于计算每个管段的改造潜力指标，其中，所述改造潜力指标ΔPmax＝(Rm-Rc)·l，表示改造后管段压降的减少量,Rm表示管段的实际比摩阻，Rc表示管段的临界比摩阻，l表示管段的长度；所述实际比摩阻Rm＝(8λG2)/(ρπ2doriginal 5)，λ表示摩擦阻力系数，G表示管段的质量流量，ρ表示流体密度，doriginal表示管段的原始管径，所述临界比摩阻Rc为预设临界比摩阻；
需改造管段确定模块，用于将所述改造潜力指标大于预设值的管段作为需改造管段；
函数确定模块，用于设定管网改造优化的约束条件和目标函数；
输出模块，用于使用优化算法对全部所述需改造管段的管径进行寻优计算，确定所述目标函数的最优值以及所述最优值对应的每个所述需改造管段的管径。
7.一种大型集中供热管网的改造设备，其特征在于，包括存储器和处理器；
所述存储器用于存储计算机可执行指令；
所述处理器用于执行所述计算机可执行指令，以实现权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有可执行指令，计算机执行所述可执行指令时能够实现权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503315.8A CN113221300A (zh) | 2021-05-10 | 2021-05-10 | 一种大型集中供热管网的改造方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503315.8A CN113221300A (zh) | 2021-05-10 | 2021-05-10 | 一种大型集中供热管网的改造方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113221300A true CN113221300A (zh) | 2021-08-06 |
Family
ID=77093917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110503315.8A Pending CN113221300A (zh) | 2021-05-10 | 2021-05-10 | 一种大型集中供热管网的改造方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113221300A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611256A (zh) * | 2022-02-25 | 2022-06-10 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006293483A (ja) * | 2005-04-06 | 2006-10-26 | Japan Aerospace Exploration Agency | ロバスト最適化問題を解く問題処理方法およびその装置 |
| EP1852820A1 (fr) * | 2006-05-05 | 2007-11-07 | Gaz De France | Procédé d'optimisation automatique d'un réseau de transport de gaz naturel |
| CN103761385A (zh) * | 2014-01-17 | 2014-04-30 | 河南理工大学 | 一种多热源环状管网的优化设计方法 |
| CN110968948A (zh) * | 2019-11-25 | 2020-04-07 | 河海大学 | 智能综合能源系统中供热管网管径优化设计方法 |
| CN111475913A (zh) * | 2020-03-04 | 2020-07-31 | 曹雁青 | 一种蒸汽动力系统的运行操作优化方法及系统 |
-
2021
- 2021-05-10 CN CN202110503315.8A patent/CN113221300A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006293483A (ja) * | 2005-04-06 | 2006-10-26 | Japan Aerospace Exploration Agency | ロバスト最適化問題を解く問題処理方法およびその装置 |
| EP1852820A1 (fr) * | 2006-05-05 | 2007-11-07 | Gaz De France | Procédé d'optimisation automatique d'un réseau de transport de gaz naturel |
| CN103761385A (zh) * | 2014-01-17 | 2014-04-30 | 河南理工大学 | 一种多热源环状管网的优化设计方法 |
| CN110968948A (zh) * | 2019-11-25 | 2020-04-07 | 河海大学 | 智能综合能源系统中供热管网管径优化设计方法 |
| CN111475913A (zh) * | 2020-03-04 | 2020-07-31 | 曹雁青 | 一种蒸汽动力系统的运行操作优化方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| HAN, X等: "Targeting the force-displacement response of thin-walled structures subjected to crushing load using curve decomposition and topometry optimization", 《STRUCTURAL AND MULTIDISCIPLINARY OPTIMIZATION ISSN》 * |
| 李社新: "老校区集中供暖系统诊断及综合治理", 《暖通空调》 * |
| 李祥立等: "基于遗传算法的多热源环状热网优化设计", 《防灾减灾工程学报》 * |
| 熊娜: "基于参数修正的既有供热管网改扩建优化设计研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 赵一峰等: "仿真分析软件在供热管网及锅炉房改造设计中的应用", 《区域供热》 * |
| 金溪等: "利用NSGA-Ⅱ算法求解供水管网优化改造模型", 《哈尔滨工业大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611256A (zh) * | 2022-02-25 | 2022-06-10 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ali | Knowledge-based optimization model for control valve locations in water distribution networks | |
| US9964980B2 (en) | Method and apparatus for optimal power flow with voltage stability for large-scale electric power systems | |
| Wu et al. | Operation optimization of natural gas transmission pipelines based on stochastic optimization algorithms: a review | |
| CN102084394A (zh) | 优化氢气管线系统的操作 | |
| Fan et al. | The gas supply reliability analysis of natural gas pipeline network based on simplified topological structure | |
| Wu et al. | Multi-objective optimization on diffuser of multistage centrifugal pump base on ANN-GA | |
| Nagalakshmi et al. | On-line evaluation of loadability limit for pool model with TCSC using back propagation neural network | |
| Chen et al. | Genetic algorithm-based design and simulation of manufacturing flow shop scheduling | |
| CN113221300A (zh) | 一种大型集中供热管网的改造方法及装置 | |
| Zeng et al. | Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method | |
| Loutfi et al. | Empirical study of day-ahead electricity spot-price forecasting: Insights into a novel loss function for training neural networks | |
| CN108287474A (zh) | 基于原料不确定性的催化重整反应器鲁棒操作优化方法 | |
| Yao et al. | Improved modularity-based approach for partition of water distribution networks | |
| Liu et al. | Gnnsampler: Bridging the gap between sampling algorithms of gnn and hardware | |
| CN116542001B (zh) | 基于改进谱聚类及遗传算法的供水管网独立计量分区方法 | |
| Li et al. | IGDT-based medium-term optimal cascade hydropower operation in multimarket with hydrologic and economic uncertainties | |
| CN110796295A (zh) | 一种能源互联网气网传输优化方法 | |
| CN113112296B (zh) | 一种集中式现货市场的典型场景库构建方法及装置 | |
| Alzbutas et al. | Uncertainty and sensitivity analysis for economic optimisation of new energy source in Lithuania | |
| Zhou et al. | A Mixed-Integer Linear Programming Model for the Station Capacity Allocation Problem of a Star-Tree Pipe Network | |
| Hu et al. | Multiobjective long-term generation scheduling of cascade hydroelectricity system using a quantum-behaved particle swarm optimization based on decomposition | |
| CN113239606A (zh) | 综合能源系统优化调度方法、装置及终端设备 | |
| Miao et al. | An innovative Bayesian sequential censored sampling inspection method and application to test design | |
| Xie et al. | Ordinal optimization theory to solve large‐scale power system unit commitment | |
| Pîrăianu et al. | Development of a decision system support based on genetic algorithms for the optimal operation of hydroelectric power plants on the day ahead market |
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 |