CN114358604A - 一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法 - Google Patents

Abstract

本发明公开了一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，该方法基于热力站级负荷预测、热量衰减计算、热力站蓄热特性计算等方法，将各个热力站划分为若干热量衰减区，总结各个热力站热负荷需求的分时特性；并根据各个热力站的热量衰减情况和蓄热特性使用启发式寻优算法得到优化后的热力站流量分配策略。本发明方法能够有效减少供热系统的热能浪费，提高了系统的资源利用效率。

Description

一种考虑建筑蓄热特性的城市集中供热系统分时分区调控 方法

技术领域

本发明属于供热系统的先进控制领域，具体涉及到一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法。

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，由于目前的供热系统比较庞大且复杂，且存在“近热远冷”的现象，这是由于各热力站处在不同的热量衰减区导致的，此外也存在不同热力站在时间维度上的用热差异性，比如商务办公区的供热负荷需求集中在白天，但某些住宅区(比如员工住宅)的供热负荷需求集中在晚上。各热力站之间的供热需求存在时间上和空间上的差异，目前没有形成系统的控制策略，从而无法实现能量的按需精准供应，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。

发明内容

针对上述技术方案中存在的问题，本发明基于热力站级负荷预测、热量衰减计算、热力站蓄热特性计算等方法，将各个热力站划分为不同的热量衰减区，并总结各个热力站热负荷需求的分时特性，提供一种供热系统分时分区的调控方法，减少了供热系统的热能浪费，提高了系统的资源利用效率。

本发明的目的是提供一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，预测一级网中各个热力站的热负荷需求及其分时特性，并且根据各个热力站的热量衰减情况和蓄热特性使用启发式寻优算法得到优化后的热力站流量分配策略，解决“近热远冷”和过供的现象，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，本发明提供了一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，包括如下步骤：

步骤S1，使用机器学习算法计算各个热力站所辖二级网的热负荷需求，总结不同二级网的分时特性；

步骤S2，使用机器学习算法计算出热源到各热力站的供热温度衰减，按照水温衰减划分成为不同的供热衰减区；

步骤S3，考虑建筑蓄热特性，并基于不同二级网的分时特性以及不同的供热衰减区，建立一级网下辖各个热力站的蓄热特性计算模型(表现为供热减少之后温降曲线)；

步骤S4，定义供热舒适性与运行成本的加权指标；

步骤S5，使用启发式寻优算法对各热力站的阀门的调控策略进行寻优。

上述技术方案中，进一步地，步骤S1具体为：

以一致的时间粒度收集各个热力站所在地的历史气象数据和运行数据，运用机器学习算法挖掘各个热力站在接下来一段时间T(比如24h)内所对应的负荷需求预测曲线，根据负荷需求预测曲线总结出各个热力站的热需求分时特性。划分出峰值供热区间、正常供热区间以及谷值供热区间。若某热力站在选定的未来时间段T内的最高供热峰值是H，则对于该热力站，上述三个区间的定义如下：

峰值供热区间：0.7H～H

正常供热区间：0.3H～0.7H

谷值供热区间：0～0.3H

进一步地，所述步骤S2具体为：

由于供热系统所覆盖面积的愈加庞大，供热系统一级网的管网布置也越来越复杂，传统的机理建模方法难以准确计算出热源到各个热力站的供热衰减，主要表现为热源供水温度的降低，对于不同的热源供水温度和流量工况下，供热一级网的衰减情况也不同，因此需要建立一个基于数据的机器学习模型，从热力站的运行数据中挖掘出在不同工况下的供热衰减状况，表达为：

Δt＝F(T_heat,Q_flow)

其中的Δt是一个向量，可以称之为供热衰减向量，表示热源到达各个热力站时的温度衰减情况；T_heat表示为热源到各热力站的供水温度时间序列，表征各热力站的供热工况；Q_flow表示各热力站所对应一次侧的流量变化时间序列。

按照温度衰减量的大小将各个热力站划分为小衰减区、中衰减区以及大衰减区，若将供热衰减向量Δt中的最大值称之为最大衰减Δt_max，则上述三个区的定义式如下：

小衰减区：0～0.3Δt_max

中衰减区：0.3Δt_max～0.7Δt_max

大衰减区：0.7Δt_max～Δt_max

进一步地，步骤S3具体为：

可以采用机理模型或数据模型建立各个热力站(二级网)管网的蓄热特性，最终得到二级网特征温度向量的衰减特性曲线，其中二级网特征温度向量可以定义如下：

T_gi表示第i个热力站对二级网的供水温度，

表示第i个热力站中二级网回水的温度，

表示第i个热力站的供回平均温度。二级网特征温度向量使用T_fea来表示，表达为同一时间内n个热力站二级网的供回水温度平均值

所排成的向量。

如果通过构建机理模型来建立热力站的换热模型时，需获取热力站运行工况下的所有必要物理参数，通过传热学公式来构建热力站及后面管网的换热模型；如果对于存在必要物理参数缺失的状况，可以通过建立数据模型的方法，但建立数据模型的前提需要搜集热力站在一级网向其进行不同程度的供热时的运行数据，因此在构建数据模型时需要进行多次现场试验以获取必要的数据。

当完成对热力站换热模型H的构建之后，结合步骤S1中得到的各热力站负荷需求，从而可以计算出各热力站在未来一段时间内的供回平均温度变化情况。计算过程可以描述如下：

T_FEA＝H(P，W，L)

其中，T_FEA表示各个热力站在未来一段时间内的二级网特征温度变化矩阵，相比二级网特征温度向量T_fea多了一个时间维度。H表示所构建的热力站换热模型，是机理模型或数据模型。P表示停供发生时的供热系统初始状况，包括热源的供回水温度、压力和流量，各个热力站的供回水温度、压力和流量，以及供热系统中各个设备的换热参数等。W表示各个热力站所在区域的未来天气状况，L表示步骤S1中建立的关于各个热力站的未来热负荷需求。

进一步地，步骤S4具体为：

目前行业内对于二者独立之后的指标研究情况研究得已经比较深入，但是在本发明中，需要同时考虑供热的舒适性和运行成本来进行供热系统的分时分区调节，因此本发明提出按权重分配的同时考虑供热舒适性和供热运行成本的调控指标，定义如下：

供热舒适性：

供热运行成本：W＝Q*(T_G-T_H)*c

对于供热舒适性的指标：

是指第i个热力站的供回平均温度，T_tar是指满足热舒适性的设定的热力站供回平均温度，n代表该供热系统中热力站的数量。

对于供热运行成本的指标：Q指的是供热系统一级网的流量，T_G指的是热源处的供水温度，T_H是指热源处的回水温度，c是指所研究场景中单位热量的经济成本，可以通过查询当地的供热指标获得。

在本发明中需要同时考虑供热舒适性和供热经济成本，因此可以通过加权的方式将两个指标进行整合，分配给二者的权重分别为w₁和w₂，则整合之后的指标是：

K＝w₁*A+w₂*W

一般可以取w₁＝w₂＝0.5，如果需要侧重供热舒适性，则可以将w₁调大，比如w₁＝0.6，w₂＝0.4诸如此类的，具体的应用可以对w₁和w₂设置成不同的两个值。

进一步地，步骤S5具体为：

步骤S4已经定义了需要优化的目标函数，但是由于该优化问题具有较强的耦合性，所以需要使用启发式寻优算法进行对阀门控制策略进行寻优。最优的阀门控制策略会在不同的时间调整各个一级网到不同衰减区中各个热力站的流量分配。优化过程可以表示为：

V_o＝minimize(K)

V_o表示不同时间内各个热力站的阀门开度(控制流经热力站的流量)最优解，是一个二维矩阵。

本发明的有益效果为：

本发明提供一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，该方法通过预测一级网中各个热力站的热负荷需求及其分时特性，考虑供热需求存在时间上和空间上的差异，并结合各个热力站的热量衰减情况和蓄热特性使用启发式寻优算法得到优化后的热力站流量分配策略，解决“近热远冷”和过供的现象，减少不必要的热能损失，提高能源的利用效率。

附图说明

图1是本发明的主要步骤。

图2是集中供热系统一级网的管网结构示意图。

具体实施方式

如图1位本发明方法的流程图。

本发明的一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，具体包括以下步骤：

步骤S1，使用机器学习算法计算各个热力站所辖二级网的热负荷需求，总结不同二级网的分时特性；

步骤S2，使用机器学习算法计算出热源到各热力站的供热温度衰减，按照水温衰减划分成为不同的供热衰减区；

步骤S3，建立一级网下辖各个热力站的蓄热特性计算模型(表现为供热减少之后温降曲线)；

步骤S4，定义供热舒适性与运行成本的加权指标；

步骤S5，使用启发式寻优算法对各热力站的阀门的调控策略进行寻优。

步骤S1中，使用机器学习算法计算各个热力站所辖二级网的热负荷需求，总结不同二级网的分时特性。

以一致的时间粒度收集各个热力站所在地的历史气象数据和运行数据，运用机器学习算法挖掘各个热力站在接下来一段时间T(比如24h)内所对应的负荷需求曲线，根据负荷需求预测曲线总结出各个热力站的热需求分时特性。划分出峰值供热区间、正常供热区间以及谷值供热区间。若某热力站在选定的未来时间段T内的最高供热峰值是H，则对于该热力站，上述三个区间的定义如下：

峰值供热区间：0.7H～H

正常供热区间：0.3H～0.7H

谷值供热区间：0～0.3H

所述步骤S2中，使用机器学习算法计算出热源到各热力站的供热温度衰减，按照水温衰减划分成为不同的供热衰减区。

由于供热系统所覆盖面积的愈加庞大，供热系统一级网的管网布置也越来越复杂，传统的机理建模方法难以准确计算出热源到各个热力站的供热衰减，主要表现为热源供水温度的降低，对于不同的热源供水温度和流量工况下，供热一级网的衰减情况也不同，因此需要建立一个基于数据的机器学习模型，从热力站的运行数据中挖掘出在不同工况下的供热衰减状况，模型可以表达为：

Δt＝F(T_heat，Q_flow)

其中的Δt是一个向量，可以称之为供热衰减向量，表示热源到达各个热力站时的温度衰减情况。

按照温度衰减量的大小将各个热力站划分为小衰减区、中衰减区以及大衰减区，若将供热衰减向量Δt中的最大值称之为最大衰减Δt_max，则上述三个区的定义式如下：

小衰减区：0～0.3Δt_max

中衰减区：0.3Δt_max～0.7Δt_max

大衰减区：0.7Δt_max～Δt_max

步骤S3中，建立一级网下辖各个热力站的蓄热特性计算模型(表现为供热减少之后温降曲线)。

可以使用机理模型或数据模型建立各个热力站(二级网)管网的蓄热特性，最终得到二级网特征温度向量的衰减特性曲线，其中二级网特征温度向量可以定义如下：

T_gi表示第i个热力站对二级网的供水温度，

表示第i个热力站中二级网回水的温度，

表示第i个热力站的供回平均温度。二级网特征温度向量使用T_fea来表示，表达为同一时间内n个热力站二级网的供回水温度平均值

所排成的向量。

如果通过构建机理模型来建立热力站的换热模型时，需获取热力站运行工况下的所有必要物理参数，通过传热学公式来构建热力站及后面管网的换热模型；如果对于存在必要物理参数缺失的状况，可以通过建立数据模型的方法，但建立数据模型的前提需要搜集热力站在一级网向其进行不同程度的供热时的运行数据，因此在构建数据模型时需要进行多次现场试验以获取必要的数据。

当完成对热力站换热模型H的构建之后，结合步骤S1中得到的各热力站负荷需求，从而可以计算出各热力站在未来一段时间内的供回平均温度变化情况。计算过程可以描述如下：

T_FEA＝H(P，W，L)

其中，T_FEA表示各个热力站在未来一段时间内的二级网特征温度变化矩阵，相比二级网特征温度向量T_fea多了一个时间维度。H表示所构建的热力站换热模型，是机理模型或数据模型。P表示停供发生时的供热系统初始状况，包括热源的供回水温度、压力和流量，各个热力站的供回水温度、压力和流量，以及供热系统中各个设备的换热参数等，如图2中所示。W表示各个热力站所在区域的未来天气状况，L表示步骤S1中建立的关于各个热力站的未来热负荷需求。

步骤S4中，定义供热舒适性与运行成本的加权指标。目前行业内对于二者独立之后的指标研究情况研究得已经比较深入，但是在本发明中，需要同时考虑供热的舒适性和运行成本来进行供热系统的分时分区调节，因此在本发明里提出按权重分配的同时考虑供热舒适性和供热运行成本的调控指标，定义如下：

供热舒适性：

供热运行成本：W＝Q*(T_G-T_H)*c

对于供热舒适性的指标：

是指第i个热力站的供回平均温度，T_tar是指满足热舒适性的设定的热力站供回平均温度，n代表该供热系统中热力站的数量。

对于供热运行成本的指标：Q指的是供热系统一级网的流量，T_G指的是热源处的供水温度，T_H是指热源处的回水温度，c是指所研究场景中单位热量的经济成本，可以通过查询当地的供热指标获得。

在本发明中，需要同时考虑供热舒适性和供热经济成本，因此可以通过加权的方式将两个指标进行整合，分配给二者的权重分别为w₁和w₂，则整合之后的指标是：

K＝w₁*A+w₂*W

一般可以取w₁＝w₂＝0.5，如果需要侧重供热舒适性，则可以将w₁调大，比如w₁＝0.6，w₂＝0.4诸如此类的，具体的应用可以对w₁和w₂设置成不同的两个值。

步骤S5中，使用启发式寻优算法对各热力站的阀门的调控策略进行寻优。步骤S4已经定义了需要优化的目标函数，但是由于该优化问题具有较强的耦合性，所以需要使用启发式寻优算法进行对阀门控制策略进行寻优。最优的阀门控制策略会在不同的时间调整各个一级网到不同衰减区中各个热力站的流量分配。优化过程可以表示为：

V_o＝minimize(K)

V_o表示不同时间内各个热力站的阀门开度(控制流经热力站的流量，如图2中一级网的阀门所示)最优解，是一个二维矩阵。

Claims (6)

1.一种考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，其特征在于，包括如下步骤：

步骤S1，使用机器学习算法计算各个热力站所辖二级网的热负荷需求，总结不同二级网的分时特性；

步骤S2，使用机器学习算法计算出热源到各热力站的供热温度衰减，按照水温衰减划分成为不同的供热衰减区；

步骤S3，考虑建筑蓄热特性，并基于不同二级网的分时特性以及不同的供热衰减区，建立一级网下辖各个热力站的蓄热特性计算模型；

步骤S4，定义由供热舒适性与运行成本得到的加权指标以求解步骤S3的计算模型；

步骤S5，使用启发式寻优算法求解模型，从而得到各热力站阀门的调控策略。

2.根据权利要求1所述的考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，其特征在于，所述步骤S1具体为：

以一致的时间粒度收集各个热力站所在地的历史气象数据和运行数据，运用机器学习算法挖掘各个热力站在接下来一段时间T内所对应的负荷需求预测曲线，根据负荷需求预测曲线总结出各个热力站的热需求分时特性；划分出峰值供热区间、正常供热区间以及谷值供热区间；

假设某热力站在选定的未来时间段T内的最高供热峰值是H，则对于该热力站，上述三个区间的定义如下：

峰值供热区间：0.7H～H

正常供热区间：0.3H～0.7H

谷值供热区间：0～0.3H。

3.根据权利要求1所述的考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，其特征在于，所述的步骤S2具体为：

从热力站的运行数据中挖掘出在不同工况下的供热衰减状况，表达为：

Δt＝F(T_heat，Q_flow)

其中的Δt是一个向量，为供热衰减向量，表示热源到达各个热力站时的温度衰减情况；T_heat表示为热源到各热力站的供水温度时间序列，表征各热力站的供热工况；Q_flow表示各热力站所对应一次侧的流量变化时间序列；

按照温度衰减量的大小将各个热力站划分为小衰减区、中衰减区以及大衰减区，若将供热衰减向量Δt中的最大值称之为最大衰减Δt_max，则上述三个区的定义式如下：

小衰减区：0～0.3Δt_max

中衰减区：0.3Δt_max～0.7Δt_max

大衰减区：0.7Δt_max～Δt_max。

4.根据权利要求1所述的考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，其特征在于，所述步骤S3具体为

各个热力站管网的蓄热特性，定义如下：

其中，

表示第i个热力站对二级网的供水温度，

表示第i个热力站中二级网回水温度，

表示第i个热力站的供回平均温度；T_fea为二级网特征温度向量，表示同一时间内n个热力站二级网的供回水温度平均值

所组成的向量；

建立一级网下辖各个热力站的蓄热特性计算模型H，模型H以步骤S1中得到的各热力站负荷需求为输入，以各热力站在未来一段时间内的供回平均温度变化情况为输出：

T_FEA＝H(P，W，L)

其中，T_FEA表示各个热力站在未来一段时间内的二级网特征温度变化矩阵，相比二级网特征温度向量多了一个时间维度；H表示所构建的热力站蓄热特性计算模型，是机理模型或数据模型；P表示停供发生时的供热系统初始状况，包括热源的供回水温度、压力和流量，各个热力站的供回水温度、压力和流量，以及供热系统中各个设备的换热参数；W表示各个热力站所在区域的未来天气状况，L表示步骤S1中建立的各个热力站的未来热负荷需求。

5.根据权利要求4所述的考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，其特征在于，所述步骤S4中：

由供热舒适性与运行成本得到的加权指标，具体为：

供热舒适性：

供热运行成本：W＝Q*(T_G-T_H)*c

其中，

是第i个热力站的供回平均温度，T_tar是满足热舒适性的设定的热力站供回平均温度，n代表该供热系统中热力站的数量；Q是供热系统一级网的流量，T_G是热源处的供水温度，T_H是热源处的回水温度，c是所研究场景中单位热量的经济成本，可以通过查询当地的供热指标获得；

分配给供热舒适性和供热运行成本的权重分别为w₁和w₂，则整合之后的加权指标K是：

K＝w₁*A+w₂*W。

6.根据权利要求5所述的考虑建筑蓄热特性的城市集中供热系统分时分区调控方法，其特征在于，步骤S5中：

使用启发式寻优算法对各热力站的阀门的调控策略进行寻优；优化过程表示为：

V_o＝minimize(K)

V_o表示不同时间内各个热力站的阀门开度的最优解，是一个二维矩阵；K为加权指标。

Images