CN114754396A - 一种经智能算法优化的热电厂集中供热系统和方法 - Google Patents
一种经智能算法优化的热电厂集中供热系统和方法 Download PDFInfo
- Publication number
- CN114754396A CN114754396A CN202210379789.0A CN202210379789A CN114754396A CN 114754396 A CN114754396 A CN 114754396A CN 202210379789 A CN202210379789 A CN 202210379789A CN 114754396 A CN114754396 A CN 114754396A
- Authority
- CN
- China
- Prior art keywords
- information
- station
- heat exchange
- temperature information
- exchange station
- 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
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
- F24D3/00—Hot-water central heating systems
- F24D3/02—Hot-water central heating systems with forced circulation, e.g. by pumps
-
- 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
-
- 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
- F24D19/1012—Arrangement or mounting of control or safety devices for water heating systems for central heating by regulating the speed of a pump
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Thermal Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种经智能算法优化的热电厂集中供热系统和方法,该系统和方法将热电厂集中供热系统所采集的温度、压力、热量、调门开度、电机运行频率等信息实时传输至数据库,同时上位机通过控制单元调取数据库中信息,通过建立BP神经网络的方式获取供热系统的最佳运行状态模型,神经网络具有自学习自优化功能,经过智能优化算法处理后得出调门及电机控制指令,将指令通过控制单元发送至设备。
Description
技术领域
本发明属于火力发电厂的自动控制技术领域,具体涉及一种经智能算法优化的热电厂集中供热系统和方法。
背景技术
伴随着城市化进程以及人口的快速增长,我国在冬季供暖方面的能源消耗总量逐年递增。为此各地正逐步淘汰以小区为单位的分散式自建供热系统,推行热电厂集中供热的方式以提高综合热效率,在降低单位面积供热能耗的同时将燃烧产生的污染物集中处理,达到防雾治霾的目的。
然而,现有的大部分热电厂集中供热系统仍采用传统的DCS或PLC控制,以PID调节或运行人员通过经验对设备进行操作的方式为主。由于受环境温度、总供热面积、气源温度与压力等外部因素的影响,PID调节对供热系统这类典型非线性惯性系统的控制效果有限,且被调量单一无法同时对多种因变量做出响应;运行人员手动输入设定值的可靠性依赖经验,且无法做到智能化无人值守。以上问题在一定程度上制约着集中供热系统的综合性能,存在优化的空间。
为解决上述问题,供热系统采用增加温度、流量、压力测点的方式,采集更多的运行数据以达到集中监控并优化控制策略的目的。同时研究人员对不同供热系统进行针对性分析,建立物理过程模型并给出不同工况下的运行方案。增加测点的方案对系统具有一定的优化提升,但缺少对于所采集历史数据的详细分析;建模分析的方案往往忽略了整套系统的时变性,当单元换热站的供热面积发生变化、设备老化、供热管路改变时,由于模型不具备自学习自整定功能,整体的适用性会变差。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种经智能算法优化的热电厂集中供热系统和方法,以解决现有技术中由于模型不具备自学习自整定功能,整体的实用型较差的问题。
为达到上述目的,本发明采用以下技术方案予以实现:
一种经智能算法优化的热电厂集中供热方法,包括以下步骤:
步骤1,采集并存储相关信息,所述相关信息包括小区换热站的调门开度信息、隔压泵站的调门开度信息、隔压泵站循环泵的变频器频率给定信息、小区换热站循环泵的变频器频率给定信息、气源温度信息、供热温度信息、隔压泵站室外温度信息、小区换热站室外温度信息、供热热量信息和供热系统电耗信息;
步骤2,传递相关信息;
步骤3,基于供热热量信息和供热系统电耗信息计算供热系统总能耗;
基于供热系统总能耗和其它监测信息获取所有设备最优运行状态时对应的运行信息;所有设备最优运行状态为满足设计工况要求且供热系统总能耗最低时的所有设备运行状态,运行信息包括小区换热站的调门开度信息、隔压泵站的调门开度信息、隔压泵站循环泵的变频器频率给定信息、小区换热站循环泵的变频器频率给定信息;
基于所有设备最优运行状态对应的运行信息建立训练集、验证集和测试集;通过训练集、验证集和测试集获得BP神经网络参数;通过气源温度信息和供热温度信息建立ARMA预测模型,通过ARMA预测模型实时预测隔压泵站室外温度信息和小区换热站室外温度信息;通过BP神经网络参数建立神经网络,将预测的隔压泵站室外温度信息和小区换热站室外温度信息输入至神经网络中,获得小区换热站的调门控制指令和循环泵变频器控制指令,以及隔压泵站的调门控制指令和循环泵变频器控制指令;
步骤4,输出并执行调门控制指令以及循环泵变频器控制指令。
本发明的进一步改进在于:
优选的,步骤3中,获得所有设备最优运行状态时对应的运行信息过程为:通过其它监测信息获取满足设计工况要求时的所有运行时刻,从所有运行时刻对应的运行信息中筛选出供热系统总能耗最低时的运行信息。
优选的,步骤3中,以时间为索引,以运行信息为内容建立数据组;将数据组按比例分为训练集、验证集和测试集。
优选的,步骤3中,BP神经网络参数的获取过程为,以训练集、验证集和测试集为基础,利用网格法训练获得BP神经网络的参数。
优选的,步骤3中,通过气源温度信息和供热温度信息计算获得系统惯性时间;
以系统惯性时间为预测步长,建立隔压泵站室外温度信息的自回归滑动平均模型;以系统惯性时间为预测步长,建立小区换热站室外温度信息的自回归滑动平均模型;所述隔压泵站室外温度信息的自回归滑动平均模型和小区换热站室外温度信息的自回归滑动平均模型为ARMA预测模型。
优选的,步骤1中,所述调门开度信息包括隔压泵站一次侧供水调门(1)的开度信息、隔压泵站二次侧回水调门(2)的开度信息、小区换热站一次侧供水调门(4)的开度信息和小区换热站二次侧回水调门(5)的开度信息。
一种经智能算法优化的热电厂集中供热系统,包括:
控制单元数据库,用于采集并存储相关信息,所述相关信息包括小区换热站的调门开度信息、隔压泵站的调门开度信息、隔压泵站循环泵的变频器频率给定信息、小区换热站循环泵的变频器频率给定信息、气源温度信息、供热温度信息、隔压泵站室外温度信息、小区换热站室外温度信息、供热热量信息和供热系统电耗信息;
控制单元,用于传递相关信息,输出并执行调门控制指令以及循环泵变频器控制指令。
上位机,用于基于供热热量信息和供热系统电耗信息计算供热系统总能耗;
基于供热系统总能耗和其它监测信息获取所有设备最优运行状态时对应的运行信息,所有设备最优运行状态为满足设计工况要求且供热系统总能耗最低时的所有设备运行状态,运行信息包括小区换热站的调门开度信息、隔压泵站的调门开度信息、隔压泵站循环泵的变频器频率给定信息、小区换热站循环泵的变频器频率给定信息;
基于所有设备最优运行状态对应的运行信息建立训练集、验证集和测试集;通过训练集、验证集和测试集获得BP神经网络参数;通过气源温度信息和供热温度信息建立ARMA预测模型,通过ARMA预测模型实时预测隔压泵站室外温度信息和小区换热站室外温度信息;通过BP神经网络参数建立神经网络,将预测的隔压泵站室外温度信息和小区换热站室外温度信息输入至神经网络中,获得小区换热站的调门控制指令和循环泵变频器控制指令,以及隔压泵站的调门控制指令和循环泵变频器控制指令。
优选的,所述上位机包括:
供热系统总能耗计算模块,用于基于供热系统总能耗和其它监测信息获取所有设备最优运行状态时对应的运行信息;
最优运行状态筛选模块,用于通过其它监测信息获取满足设计工况要求时的所有运行时刻,从所有运行时刻对应的运行信息中筛选出供热系统总能耗最低时的运行信息;
系统惯性分析模块,用于通过气源温度信息和供热温度信息计算获得系统惯性时间;
ARMA预测模型,用于以系统惯性时间为预测时长,实时预测隔压泵站室外温度信息和小区换热站室外温度信息;
BP神经网络训练模块,用于以时间为索引,以运行为内容建立数据组;将数据组按比例分为训练集、验证集和测试集;以训练集、验证集和测试集为基础,利用网格法训练获得BP神经网络以及BP神经网络的参数;
神经网络建立模块,用于通过BP神经网络参数建立神经网络,将实时预测隔压泵站室外温度信息和小区换热站室外温度信息作为输入,输出小区换热站的调门控制指令和循环泵变频器控制指令,以及隔压泵站的调门控制指令和循环泵变频器控制指令。
优选的,所述上位机通过ModBus协议与控制单元建立通讯,通过控制单元调取系统数据库中的信息。
优选的,所述控制单元通过硬接线的方式传输至当地的被控制设备;所述被控设备包括隔压泵站一次侧供水调门、隔压泵站二次侧回水调门、小区换热站一次侧供水调门和小区换热站二次侧回水调门、隔压泵站循环泵和小区换热站循环泵。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种经智能算法优化的热电厂集中供热控制单元及方法,该系统和方法将热电厂集中供热系统所采集的温度、压力、热量、调门开度、电机运行频率等信息实时传输至数据库,同时上位机通过控制单元调取数据库中信息,经过智能优化算法处理后得出调门及电机控制指令,将指令通过控制单元发送至设备。本发明控制单元的智能优化部分基于常规DCS或PLC控制策略,适用现有的成熟方案以及硬件规划,在不影响系统原有功能的情况下提升运行效果与经济性。本发明通过建立BP神经网络的方式获取供热系统的最佳运行状态模型,神经网络具有自学习自优化功能,且在一定程度上支持实时更新。当系统物理层发生改变时,上位机可通过最新采集的运行信息重新训练神经网络,保证适用性。本发明使用ARMA预测模型对神经网络的输入信号,即室外温度进行合理预测,在工况即将发生变化时提前动作以减少因系统惯性所产生的调温不及时,保证供暖侧用户温度始终处于合理范围。
附图说明
图1为本发明系统结构总图。
其中,1为隔压泵站一次侧供水调门、2为隔压泵站二次侧回水调门、3为隔压泵站循环泵、4为小区换热站一次侧供水调门、5为小区换热站二次侧回水调门、6为小区换热站循环泵、7为气源温度传感器、8为隔压泵站一次侧供水及回水热量传感器、9为供热温度传感器、10为热电厂集中供热系统电表、11为隔压泵站室外温度传感器、12为小区换热站室外温度传感器。
图2为本发明智能算法优化过程示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性;此外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
参考图1,本发明所述的经智能算法优化的热电厂集中供热系统包括控制单元数据库、控制单元和上位机。
控制单元数据库能够存储实时采集到的隔压泵站一次侧供水调门1的开度信息、隔压泵站二次侧回水调门2的开度信息、小区换热站一次侧供水调门4的开度信息、小区换热站二次侧回水调门5的开度信息、隔压泵站循环泵3的变频器频率给定信息、小区换热站循环泵6的变频器频率给定信息、通过气源温度传感器7反馈的气源温度信息、供热温度传感器9反馈的供热温度信息、隔压泵站室外温度传感器11反馈的隔压泵站室外温度信息、小区换热站室温温度传感器12反馈的小区换热站室外温度信息、隔压泵站一次侧供水及回水热量传感器8反馈的供热热量信息、热电厂集中供热系统电表10反馈的供热系统电耗信息;控制单元数据库将上述采集到的实时信息存储于本地硬盘中。该数据库还支持控制单元对数据库内数据的写入与读取。
上述各个传感器及开度信息采集到的运行信息均通过硬接线的方式传输至控制单元数据库。
控制单元能够在实时读写数据库中信息的同时对热电厂集中供热系统中的设备进行操作,控制信号通过硬接线的方式传输至被控制的就地设备。控制单元为常见的DCS控制单元或PLC控制单元。
上位机能够通过ModBus协议与控制单元建立通讯,通过控制单元调取数据库中的信息,将实时采集的信息数据经过智能算法处理后生成设备控制信号并传输回控制单元。
参考图2,上位机中含有供热系统总能耗计算模块、最优运行状态筛选模块、系统惯性分析模块、ARMA预测模型、BP神经网络训练模块、BP神经网络。
供热系统总能耗计算模块通过对供热热量信息的分析以及对供热系统电耗信息的读取,计算出供热系统总能耗数据并发送至最优运行状态筛选模块。
最优运行状态筛选模块,根据系统总能耗数据和其它监测信息筛选出满足设计工况要求且系统总能耗最低时的所有设备运行状态作为最优设备运行状态,将筛选出的最优设备运行状态以及对应时刻的室外温度信息分为训练集、验证集、测试集发送至BP神经网络训练模块。所有设备包括所有的调门和循环泵,设备运行状态即为所有的调门开度信息和所有循环泵变频器频率给定信息。其他监测信息包括热网的温度、热网的流量和热网的压力。
系统惯性分析模块通过比对气源温度信息与供热温度信息之间的相关性以及时延,计算出供热系统的系统惯性时间并发送至ARMA预测模型。供热温度会随气源温度的变化而变化,但气源温度变化时,供热温度不会立即跳变,而是缓慢变化直到趋于稳定,因此出现了系统惯性时间,系统惯性时间即为气源温度变化到供热温度变化并稳定的时间差。
ARMA预测模型建立模块,利用读取的各自的室外温度信息分别建立隔压泵站室外温度预测模型以及小区换热站室外温度预测模型,预测时长为系统惯性时间;建立出的两个室外温度预测模型即为ARMA预测模型,通过ARMA预测模型能够预测出对应的室外温度;将预测后的隔压泵站及小区换热站室外温度输入至BP神经网络。
BP神经网络训练模块利用训练集、验证集、测试集建立神经网络模型,并将神经网络参数输入至BP神经网络。
BP神经网络通过参数建立特定运算模型,以预测后的隔压泵站室外温度及小区换热站室外温度为输入,计算得出调门控制指令以及循环泵变频器控制指令,以通讯的方式输入至控制单元。
以下结合图1与图2说明本发明在热电厂集中供热控制领域的一个具体实施方案。
控制单元数据库采集隔压泵站一次侧供水调门1、隔压泵站二次侧回水调门2、隔压泵站循环泵3、小区换热站一次侧供水调门4、小区换热站二次侧回水调门5、小区换热站循环泵6、气源温度传感器7、隔压泵站一次侧供水及回水热量传感器8、供热温度传感器9、热电厂集中供热系统电表10、隔压泵站室外温度传感器11、小区换热站室外温度传感器12的实时信息,存储于本地硬盘中。上位机使用通讯协议通过控制单元调取数据库中存储的上述信息。
上位机中的系统总能耗计算模块通过供热热量信息以及供热系统电耗信息计算出系统总能耗数据;调门开度信息、循环泵变频器频率给定信息、其他监测信息、系统总能耗数据共同输入最优运行状态筛选模块,筛选出供BP神经网络使用的训练集、验证集、测试集;将训练集、验证集、测试集输入BP神经网络训练模块,经计算得出BP神经网络参数;系统惯性分析模块由气源及供热温度信息可得出系统惯性时间;将隔压泵站室外温度信息、小区换热站室外温度信息、系统惯性时间输入ARMA预测模型后经计算得出预测后的隔压泵站及小区换热站室外温度;最后利用神经网络参数建立完整的BP神经网络,以预测后室外温度为输入,可得到调门控制指令以及循环泵变频器控制指令。
计算得出优化控制指令后,由上位机通过通讯协议传输至控制单元,当控制单元判定智能算法优化条件满足时,将调门控制指令通过硬接线发送至隔压泵站一次侧供水调门1、隔压泵站二次侧回水调门2、小区换热站一次侧供水调门4、小区换热站二次侧回水调门5,将循环泵变频器控制指令发送至隔压泵站循环泵3、小区换热站循环泵6。
本发明还提出了一种经智能算法优化的热电厂集中供热系统的工作方法,包括如下步骤:
(A)智能优化相关信息的采集:控制单元数据库按数据采样周期对隔压泵站一次侧供水调门1的开度信息、隔压泵站二次侧回水调门2的开度信息、小区换热站一次侧供水调门4的开度信息、小区换热站二次侧回水调门5的开度信息、隔压泵站循环泵3的变频器频率给定信息、小区换热站循环泵6的变频器频率给定信息、气源温度信息、供热温度信息、隔压泵站室外温度信息、小区换热站室外温度信息、供热热量信息、供热系统电耗信息等进行采集。将所有信息以采样时间为索引进行合并形成运行信息组,存储在本地硬盘中以供控制单元读写。
(B)智能优化信息的读取与处理:上位机通过与控制单元的通讯,利用控制单元权限调取数据库中的所需信息。通过系统总能耗计算模块计算出供热系统在不同时刻的总能耗数据;最优运行状态筛选模块根据其它监测信息统计出满足系统运行要求的所有时刻,在此基础之上进一步筛选出不同工况下总能耗最低的系统运行状态;以时间为索引,调门开度信息以及循环泵变频器频率给定信息为内容建立数据组,并将数据组按比例分为训练集、验证集、测试集;神经网络训练模块以训练集、验证集、测试集为依据,利用网格法训练出以隔压泵站室外温度与小区换热站室外温度为输入、以各个调门开度与各个循环泵变频器频率给定为输出、具有相对最优结构最高识别准确率的BP神经网络,同时获得该BP神经网络的参数;系统惯性分析模块对比气源温度与供热温度这两种相关性较高但互相之间存在时延的数据信息,计算两信号之间的时延得出系统惯性时间;ARMA预测模型利用隔压泵站室外温度信息与小区换热站室外温度信息建立各自的自回归滑动平均模型,以系统惯性时间为预测步长,以当前及历史数据为模型输入,实时计算出预测后的隔压泵站及小区换热站室外温度;最后,将建立好的BP神经网络参数输入神经网络中,以预测后隔压泵站及小区换热站室外温度为输入,得出经智能算法优化后的当前调门控制指令以及循环泵变频器控制指令。
(C)优化后控制指令的输出及执行:上位机通过控制单元实时读取数据库中信息并处理后,将优化后的控制指令通过通讯的方式实时输出至控制单元。设备的控制权限在远方状态(非就地)、系统整体无故障无检修、启用上位机智能算法优化策略时,允许控制单元将优化后控制指令通过硬接线输入隔压泵站一次侧供水调门1、隔压泵站二次侧回水调门2、小区换热站一次侧供水调门4、小区换热站二次侧回水调门5、隔压泵站循环泵变频器、小区换热站循环泵变频器,执行机构按照指令对设备状态进行操作,并将实时状态传回数据库与控制单元存储与监视。
本发明的工作原理为:
热电厂集中供热控制单元在长期运行过程中,通过手动控制或系统自动控制,积累了几乎能够覆盖所有工况的运行状态信息,利用智能算法对信息进行处理,可以得出系统的最佳运行状态。
调取并分析供热系统在不同时刻的总能耗以及状态可以得出系统的最佳运行状态信息,即在此类状态下系统不但满足设计要求,同时能保持较低的能耗,对于设备的控制具有指导意义。利用上述状态训练的神经网络相当于整套供热系统的最佳运行状态非线性模型。神经网络的输入为经ARMA模型按系统惯性时间预测后的室外温度,可以在一定程度上削弱因供热管路过长或外部温度变化速率较快所产生的控制滞后现象。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种经智能算法优化的热电厂集中供热方法,其特征在于,包括以下步骤:
步骤1,采集并存储相关信息,所述相关信息包括小区换热站的调门开度信息、隔压泵站的调门开度信息、隔压泵站循环泵(3)的变频器频率给定信息、小区换热站循环泵(6)的变频器频率给定信息、气源温度信息、供热温度信息、隔压泵站室外温度信息、小区换热站室外温度信息、供热热量信息和供热系统电耗信息;
步骤2,传递相关信息;
步骤3,基于供热热量信息和供热系统电耗信息计算供热系统总能耗;
基于供热系统总能耗和其它监测信息获取所有设备最优运行状态时对应的运行信息;所有设备最优运行状态为满足设计工况要求且供热系统总能耗最低时的所有设备运行状态,运行信息包括小区换热站的调门开度信息、隔压泵站的调门开度信息、隔压泵站循环泵(3)的变频器频率给定信息、小区换热站循环泵(6)的变频器频率给定信息;
基于所有设备最优运行状态对应的运行信息建立训练集、验证集和测试集;通过训练集、验证集和测试集获得BP神经网络参数;通过气源温度信息和供热温度信息建立ARMA预测模型,通过ARMA预测模型实时预测隔压泵站室外温度信息和小区换热站室外温度信息;通过BP神经网络参数建立神经网络,将预测的隔压泵站室外温度信息和小区换热站室外温度信息输入至神经网络中,获得小区换热站的调门控制指令和循环泵变频器控制指令,以及隔压泵站的调门控制指令和循环泵变频器控制指令;
步骤4,输出并执行调门控制指令以及循环泵变频器控制指令。
2.根据权利要求1所述的一种经智能算法优化的热电厂集中供热方法,其特征在于,步骤3中,获得所有设备最优运行状态时对应的运行信息过程为:通过其它监测信息获取满足设计工况要求时的所有运行时刻,从所有运行时刻对应的运行信息中筛选出供热系统总能耗最低时的运行信息。
3.根据权利要求1所述的一种经智能算法优化的热电厂集中供热方法,其特征在于,步骤3中,以时间为索引,以运行信息为内容建立数据组;将数据组按比例分为训练集、验证集和测试集。
4.根据权利要求1所述的一种经智能算法优化的热电厂集中供热方法,其特征在于,步骤3中,BP神经网络参数的获取过程为,以训练集、验证集和测试集为基础,利用网格法训练获得BP神经网络的参数。
5.根据权利要求1所述的一种经智能算法优化的热电厂集中供热方法,其特征在于,步骤3中,通过气源温度信息和供热温度信息计算获得系统惯性时间;
以系统惯性时间为预测步长,建立隔压泵站室外温度信息的自回归滑动平均模型;以系统惯性时间为预测步长,建立小区换热站室外温度信息的自回归滑动平均模型;所述隔压泵站室外温度信息的自回归滑动平均模型和小区换热站室外温度信息的自回归滑动平均模型为ARMA预测模型。
6.根据权利要求1所述的一种经智能算法优化的热电厂集中供热方法,其特征在于,步骤1中,所述调门开度信息包括隔压泵站一次侧供水调门(1)的开度信息、隔压泵站二次侧回水调门(2)的开度信息、小区换热站一次侧供水调门(4)的开度信息和小区换热站二次侧回水调门(5)的开度信息。
7.一种经智能算法优化的热电厂集中供热系统,其特征在于,包括:
控制单元数据库,用于采集并存储相关信息,所述相关信息包括小区换热站的调门开度信息、隔压泵站的调门开度信息、隔压泵站循环泵(3)的变频器频率给定信息、小区换热站循环泵(6)的变频器频率给定信息、气源温度信息、供热温度信息、隔压泵站室外温度信息、小区换热站室外温度信息、供热热量信息和供热系统电耗信息;
控制单元,用于传递相关信息,输出并执行调门控制指令以及循环泵变频器控制指令;
上位机,用于基于供热热量信息和供热系统电耗信息计算供热系统总能耗;
基于供热系统总能耗和其它监测信息获取所有设备最优运行状态时对应的运行信息,所有设备最优运行状态为满足设计工况要求且供热系统总能耗最低时的所有设备运行状态,运行信息包括小区换热站的调门开度信息、隔压泵站的调门开度信息、隔压泵站循环泵(3)的变频器频率给定信息、小区换热站循环泵(6)的变频器频率给定信息;
基于所有设备最优运行状态对应的运行信息建立训练集、验证集和测试集;通过训练集、验证集和测试集获得BP神经网络参数;通过气源温度信息和供热温度信息建立ARMA预测模型,通过ARMA预测模型实时预测隔压泵站室外温度信息和小区换热站室外温度信息;通过BP神经网络参数建立神经网络,将预测的隔压泵站室外温度信息和小区换热站室外温度信息输入至神经网络中,获得小区换热站的调门控制指令和循环泵变频器控制指令,以及隔压泵站的调门控制指令和循环泵变频器控制指令。
8.根据权利要求7所述的一种经智能算法优化的热电厂集中供热系统,其特征在于,所述上位机包括:
供热系统总能耗计算模块,用于基于供热系统总能耗和其它监测信息获取所有设备最优运行状态时对应的运行信息;
最优运行状态筛选模块,用于通过其它监测信息获取满足设计工况要求时的所有运行时刻,从所有运行时刻对应的运行信息中筛选出供热系统总能耗最低时的运行信息;
系统惯性分析模块,用于通过气源温度信息和供热温度信息计算获得系统惯性时间;
ARMA预测模型,用于以系统惯性时间为预测时长,实时预测隔压泵站室外温度信息和小区换热站室外温度信息;
BP神经网络训练模块,用于以时间为索引,以运行为内容建立数据组;将数据组按比例分为训练集、验证集和测试集;以训练集、验证集和测试集为基础,利用网格法训练获得BP神经网络以及BP神经网络的参数;
神经网络建立模块,用于通过BP神经网络参数建立神经网络,将实时预测隔压泵站室外温度信息和小区换热站室外温度信息作为输入,输出小区换热站的调门控制指令和循环泵变频器控制指令,以及隔压泵站的调门控制指令和循环泵变频器控制指令。
9.根据权利要求7所述的一种经智能算法优化的热电厂集中供热系统,其特征在于,所述上位机通过ModBus协议与控制单元建立通讯,通过控制单元调取系统数据库中的信息。
10.根据权利要求7所述的一种经智能算法优化的热电厂集中供热系统,其特征在于,所述控制单元通过硬接线的方式传输至当地的被控制设备;所述被控设备包括隔压泵站一次侧供水调门(1)、隔压泵站二次侧回水调门(2)、小区换热站一次侧供水调门(4)和小区换热站二次侧回水调门、隔压泵站循环泵(3)和小区换热站循环泵(6)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379789.0A CN114754396B (zh) | 2022-04-12 | 2022-04-12 | 一种经智能算法优化的热电厂集中供热系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379789.0A CN114754396B (zh) | 2022-04-12 | 2022-04-12 | 一种经智能算法优化的热电厂集中供热系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114754396A true CN114754396A (zh) | 2022-07-15 |
CN114754396B CN114754396B (zh) | 2023-08-18 |
Family
ID=82329463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210379789.0A Active CN114754396B (zh) | 2022-04-12 | 2022-04-12 | 一种经智能算法优化的热电厂集中供热系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114754396B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004236422A (ja) * | 2003-01-30 | 2004-08-19 | Tokyo Gas Co Ltd | コージェネレーション装置及びその制御方法 |
CN104376367A (zh) * | 2014-05-28 | 2015-02-25 | 江南大学 | 基于气温和非线性自回归时序模型的短期负荷预测方法 |
CN108154259A (zh) * | 2017-11-27 | 2018-06-12 | 国网北京市电力公司 | 热泵的负荷预测方法及装置、存储介质、处理器 |
CN111027258A (zh) * | 2019-11-28 | 2020-04-17 | 国核电力规划设计研究院有限公司 | 一种用于超临界机组的发电负荷与供热量的智能预测方法 |
CN111365828A (zh) * | 2020-03-06 | 2020-07-03 | 上海外高桥万国数据科技发展有限公司 | 结合机器学习实现数据中心节能温控的模型预测控制方法 |
CN111473407A (zh) * | 2020-04-10 | 2020-07-31 | 浙江大学 | 一种基于模型的集中供热系统按需精准调控方法 |
CN111578371A (zh) * | 2020-05-22 | 2020-08-25 | 浙江大学 | 一种数据驱动的城市集中供热系统精准调控方法 |
CN112128841A (zh) * | 2020-09-29 | 2020-12-25 | 河北工业大学 | 一种基于负荷预测和室温反馈修正的全网平衡调节方法 |
CN113048550A (zh) * | 2021-03-25 | 2021-06-29 | 华能国际电力股份有限公司大连电厂 | 一种集中供热系统一次侧优化控制方法及系统 |
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 |
-
2022
- 2022-04-12 CN CN202210379789.0A patent/CN114754396B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004236422A (ja) * | 2003-01-30 | 2004-08-19 | Tokyo Gas Co Ltd | コージェネレーション装置及びその制御方法 |
CN104376367A (zh) * | 2014-05-28 | 2015-02-25 | 江南大学 | 基于气温和非线性自回归时序模型的短期负荷预测方法 |
CN108154259A (zh) * | 2017-11-27 | 2018-06-12 | 国网北京市电力公司 | 热泵的负荷预测方法及装置、存储介质、处理器 |
CN111027258A (zh) * | 2019-11-28 | 2020-04-17 | 国核电力规划设计研究院有限公司 | 一种用于超临界机组的发电负荷与供热量的智能预测方法 |
CN111365828A (zh) * | 2020-03-06 | 2020-07-03 | 上海外高桥万国数据科技发展有限公司 | 结合机器学习实现数据中心节能温控的模型预测控制方法 |
CN111473407A (zh) * | 2020-04-10 | 2020-07-31 | 浙江大学 | 一种基于模型的集中供热系统按需精准调控方法 |
CN111578371A (zh) * | 2020-05-22 | 2020-08-25 | 浙江大学 | 一种数据驱动的城市集中供热系统精准调控方法 |
CN112128841A (zh) * | 2020-09-29 | 2020-12-25 | 河北工业大学 | 一种基于负荷预测和室温反馈修正的全网平衡调节方法 |
CN113048550A (zh) * | 2021-03-25 | 2021-06-29 | 华能国际电力股份有限公司大连电厂 | 一种集中供热系统一次侧优化控制方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
袁闪闪: "基于综合气象预测的供热管网前馈动态调控方法研究", 《工程科技Ⅱ辑》, pages 1 - 127 * |
Also Published As
Publication number | Publication date |
---|---|
CN114754396B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657031B (zh) | 基于数字孪生的供热调度自动化实现方法、系统及平台 | |
CN102779228A (zh) | 商场建筑中央空调冷负荷在线预测方法及系统 | |
CN102705957A (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及系统 | |
CN115013861B (zh) | 一种基于供热系统的室内温度控制方法及装置 | |
CN115220351B (zh) | 一种基于云边端的建筑空调系统智能节能优化控制方法 | |
CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
CN112268312A (zh) | 一种基于深度学习的智慧供热管理系统 | |
CN113154517B (zh) | 一种集中供热自主驾驶的生产运行调度控制系统 | |
CN111624876A (zh) | 一种智能的喷氨优化控制系统 | |
CN113606634A (zh) | 一种基于长输管网优化热源运行参数的热源保障系统 | |
CN114358555A (zh) | 一种轨道交通智慧能源管理系统 | |
CN113606650B (zh) | 基于机器学习算法的智慧供热室温调控系统 | |
CN113535233B (zh) | 用于暖通云边协同的人工智能系统 | |
CN113110056B (zh) | 一种基于人工智能的供热智能决策方法及智能决策机 | |
CN114754396A (zh) | 一种经智能算法优化的热电厂集中供热系统和方法 | |
CN113606649A (zh) | 基于机器学习算法的智慧供热站控预测系统 | |
CN114296389A (zh) | 一种分布式智能控制一体机 | |
CN113110356A (zh) | 一种低温热系统的智能优化控制装备 | |
CN113587203A (zh) | 基于plc的多模块联控太阳能-热泵复合集热系统 | |
CN112228951A (zh) | 边缘分析控制方法、及区域供冷供热控制系统 | |
CN115342409B (zh) | 一种供热系统的控制调节方法与系统 | |
CN111928459B (zh) | 一种新型城市综合体供冷供热控制装置及其控制方法 | |
CN117249537B (zh) | 一种基于中央空调的虚拟电厂调度与控制系统及方法 | |
CN116683500B (zh) | 一种电化学储能电站有功功率调度方法和系统 | |
CN114779722B (zh) | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 |
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 |