CN115081247B - 一种基于贝叶斯网络的热力系统可靠性评估方法 - Google Patents

一种基于贝叶斯网络的热力系统可靠性评估方法 Download PDF

Info

Publication number
CN115081247B
CN115081247B CN202210850181.1A CN202210850181A CN115081247B CN 115081247 B CN115081247 B CN 115081247B CN 202210850181 A CN202210850181 A CN 202210850181A CN 115081247 B CN115081247 B CN 115081247B
Authority
CN
China
Prior art keywords
time
state
load point
fault
duration
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
CN202210850181.1A
Other languages
English (en)
Other versions
CN115081247A (zh
Inventor
高立艾
周永杰
贾宇琛
温鹏
黄丽华
霍利民
岳宗阳
李爱峰
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.)
Hebei Agricultural University
Original Assignee
Hebei Agricultural University
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 Hebei Agricultural University filed Critical Hebei Agricultural University
Priority to CN202210850181.1A priority Critical patent/CN115081247B/zh
Publication of CN115081247A publication Critical patent/CN115081247A/zh
Application granted granted Critical
Publication of CN115081247B publication Critical patent/CN115081247B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于贝叶斯网络的热力系统可靠性评估方法，包括以下步骤：S1、建立热力系统贝叶斯网络逻辑关系模型；S2、计及热惯性延迟的热力系统贝叶斯网络时序模拟过程；进行时序模拟时，假设热源供应充足并且处于正常状态，并且各元件设备均处于正常状态，则在任意时刻均能满足热负荷需求；当元件故障时，需要计及热网传输延时及其终端热惰性，以此反映热负荷点的状态；S3、对基于贝叶斯网络时序模拟的热力系统进行可靠性评估。本发明采用上述基于贝叶斯网络的热力系统可靠性评估方法，在考虑热惯性延迟的前提下采用分时段的方法，提出的推理算法不但能进行正向推理计算系统可靠性指标，且能反向推理能识别系统可靠性的薄弱环节。

Description

一种基于贝叶斯网络的热力系统可靠性评估方法
技术领域
本发明涉及一种热力能源技术，尤其涉及一种基于贝叶斯网络的热力系统可靠性评估方法。
背景技术
热力系统是保障人们生产和生活的重要基础设施，也是重要的生命线系统。热力管道及其构成的管网系统是连接热源与热用户的重要组成部分，同时也是供热系统可靠性的薄弱环节。作为运行和规划的基础，开展可靠性评估对推动热力系统的发展具有重要的意义。
目前，对于电力系统进行可靠性分析时，电能供应中断即意味不能满足电负荷需求，认为出现供电故障。由于热能流与电能的传输速度不同，系统运行特性不同于电力系统，热网传输及负荷的热惯性特性使得系统内存在动态热响应过程，系统可靠性评估模型和方法将发生改变。如何分析从能源到负荷的复杂功率分配关系，建立反映热力系统热惯性的逻辑关系模型，如何定量评估系统的可靠性水平并识别系统可靠性的薄弱环节，这些都是迫切需要解决的问题。
现有技术方案一：
CN201911295513.9一种多源互补城市热网的可靠性评估及优化方法，浙江大学。
其公开了一种多源互补城市热网的可靠性评估及优化方法，用于评估和优化热网元件故障后的恢复策略。为了量化可靠性，将其理解为允许其从供热不足状态(元件故障)恢复到标准水平的正常操作条件的热网的属性，定义了一组评估度量。考虑多维可靠性度量，包括响应时间元件，元件故障率和恢复弹性等。首先根据热网的结构参数建立热网模型，针对城市热网进行热工水力计算，根据网络的拓扑结构和各个元件的可靠性信息提出可靠性指标，其次基于时序蒙特卡洛计算给定时间尺度下的权重函数，并定义多热源城市热网的恢复弹性指标，最后根据可靠性、恢复弹性、恢复成本，建立热网多目标可靠性优化算法，用于指导和实现多能互补背景下的热网优化调度。
现有技术方案二:
202210029104.X计及热网延时和居民承受力的城市供能可靠性监测方法，天津大学。
其公开了一种计及热网延时和居民承受力的城市供能可靠性监测方法，包括：根据城市能源系统结构和初始运行条件，构建城市能源系统准稳态模型；结合城市能源系统结构和状态枚举技术，获取城市供能可靠性监测需要的系统故障状态空间集；将供热系统故障前后的条件输入到城市能源系统准稳态仿真模型，得到电-气-热系统故障前后状态，以及供热系统和建筑物温度变化过程；根据人体对建筑物室内温度舒适度和安全约束，构建广义负荷损失分段计量权重，并计算融合能源供应和人体温度接受度的等效负荷损失；结合不同故障发生概率和负荷损失，计算可靠性指标，即期望缺供能源服务。
上述两个方案都对热力系统进行可靠性性评估时存在以下问题：(1)未能精确描述热负荷点的状态。(2)未深刻揭示系统内各元件及其参数对系统整体可靠性的影响，难以有效地识别钳制系统可靠性的瓶颈环节。
本发明提升了可靠性监测精度和结果的合理性，填补了传统城市供能可靠性监测中对于低温环境影响下用户生命安全考量的缺失。
发明内容
本发明的目的是提供一种基于贝叶斯网络的热力系统可靠性评估方法，在考虑热惯性延迟的前提下采用分时段的方法，提出的推理算法不但能进行正向推理计算系统可靠性指标，且能反向推理能识别系统可靠性的薄弱环节。
为实现上述目的，本发明提供了一种基于贝叶斯网络的热力系统可靠性评估方法，包括以下步骤：
S1、建立热力系统贝叶斯网络逻辑关系模型；
S10、确定热力系统贝叶斯网络结点的类型，对应热力系统与贝叶斯网络结点的关系；
S11、建立热力系统的贝叶斯网络动态-延迟逻辑关系模型；
S2、计及热惯性延迟的热力系统贝叶斯网络时序模拟过程；
进行时序模拟时，假设热源供应充足并且处于正常状态，并且各元件设备均处于正常状态，则在任意时刻均能满足热负荷需求；当元件故障时，需要计及热网传输延时及其终端热惰性，以此反映热负荷点的状态；且在每个模拟时间段内，根据元件状态分析热负荷点的状态并考虑热惯性延迟，依次分析划定的时间段内计算正常时长和故障时长；
S3、对基于贝叶斯网络时序模拟的热力系统进行可靠性评估。
优选的，步骤S10具体包括以下步骤：
热力系统的元件对应贝叶斯网络的元件节点，热力系统的热负荷点对应贝叶斯网络的负荷结点，热力系统对应贝叶斯网络的系统节点。
优选的，步骤S11具体包括以下步骤：
从热力系统的热负荷点出发，按照前向遍历原则，将与热负荷点有关系的元件均表示成元件结点变量，结点变量均设定为正常和故障两种状态，其中，0表示故障状态，1表示正常状态；
当与热负荷点串联的热力系统元件存在故障时，计及热网传输延时及其终端热惰性，以热力终端温度变化来反映热负荷点的用能状态，如果在修复时间内，热负荷点温度未低于最低标准温度，则认为该热负荷点处于正常状态；否则处于故障状态。
优选的，步骤S2具体包括以下步骤：
S20、设定热力系统内各元件均为两状态模型，在n个模拟时间段内进行着正常和故障两种状态的交替过程，假设每一元件的状态持续时间均服从指数分布，计算热力系统中各元件在模拟时间段内正常状态持续时间tn和修复状态持续时间tr：
Figure GDA0004000923070000041
Figure GDA0004000923070000042
式中，f0(t)和f1(t)为(0，1)区间均匀分布的随机数，MTTF为元件的平均正常状态时间，MTTR为元件的平均修复时间，指元件的故障率，指元件的修复率；
S21、进入第1个最小持续时间段T1min，在第1个最小持续时间段T1min，即0-t1时间段内，根据元件之间的关系，分析热负荷点的状态及持续时间；
假定各元件均处于正常状态，则热负荷点的状态为正常状态，正常状态持续时间为T1min并累积正常状态次数加1，且由于受外界环境对传热过程的影响，负荷点的温度由初始温度Tin开始增加，直到达到最大值Tmax；
S22、进入第2个最小持续时间段T2min，分析第2个最小持续时间段T2min，即t1-t2时段内，根据元件之间的关系，分析热负荷点的状态及持续时间；
假定某热负荷点关联的一元件出现故障，热能中断，因此该时间段T2min即为元件故障恢复时间；
由于管道仍有热水流过，计算热水流经管道的时间：
tc＝Li/v            (3)
式中，Li为故障管道i的长度，v为热水流速；
由于管道仍有热水流过，Tmax温度在t1时刻保持不变，且热负荷点与外界环境不断交换热量，故温度逐步降低，计算出室内温度Tmax变化至最低标准温度Ts所需时间tp：
Figure GDA0004000923070000051
式中，Ten为室外环境温度，χ为热储备系数；
比较该时段内，故障恢复时间T2min和允许温变时间tp+tc，确定该时间段内负荷点的状态：
若T2min≤tp+tc，则恢复供能时刻热负荷点处室温未偏离标准温度范围，认为该热负荷点处于正常状态；
若T2min＞tp+tc，表示在修复时间内，室内温度逐渐下降到最低标准温度Ts以下，该温度用Ta表示，参照公式4，可得公式5：
Figure GDA0004000923070000052
求得此时Ta的表达式为：
Figure GDA0004000923070000053
可知，在t1-t2时段内，热负荷点的状态分为两部分：在t1-t”1时间段内热负荷点为正常状态且正常状态持续时间为tp+tc，在该时间段累计正常次数1次；在t”1-t2时间段，即T2min-tp-tc为故障时间段，在该时间段累计故障次数1次；
S23、进入第3个最小持续时间段T3min，分析第3个最小持续时间段T3min，即t2-t3时段内，根据元件之间的关系，分析热负荷点的状态及持续时间；
设定在t2时刻，步骤S23中的故障元件修复，处于正常状态，此时热力系统供能恢复；
在t2时刻，热水流经管道，计算流经时间为tc＝Li/v；
则在t2-t'2段时间内，热水从管道首端开始流过，由于管道刚修复，在热惯性影响下热负荷点温度不会立即恢复到室温范围，故用户端温度Ta保持不变；
直至在t'2时刻，热水到达该管道末端，此时温度从Ta逐渐上升到最低标准温度Tmin，设经历的时间用tu表示，利用热力学能量守恒定律建立温度恢复时间的求解模型：
Figure GDA0004000923070000061
而后，在t”2-t3时间段，温度由Ts上升，直到t3时刻；
因此，在第3个最小时间段T3min内，用户故障持续时间为tc+tu，即t2-t”2时间段，此时用户正常状态持续时间为T3min-tc-tu；
且在t3时刻，设用户温度此时上升到Tb，由公式：
Figure GDA0004000923070000062
求得，Tb的表达式为：
Figure GDA0004000923070000063
因此，在t2-t3时段内，热负荷点的状态分为两部分：在t2-t”2时间段内热负荷点为故障状态，热负荷点故障状态持续时间为tc+tu，在该时间段累计故障次数1次；在t”2-t3时间段，即T3min-tu-tc为正常时间段，在该时间段累计正常次数1次；
整理用户故障持续时间为：T2min-tp-tc+tc+tu＝T2min-tp+tu，即t”1-t”2时间段；
S24、直至进入第n个时间段Tnmin，分析第n个时间段Tnmin，即tn-1-tn时段内，同样的，根据元件之间的关系，分析热负荷点的状态及持续时间。
优选的，步骤S3具体包括以下步骤：
S31、数据初始化；
S32、设定热力系统内部各元件均为正常、故障两状态模型，对于每一元件的状态进行时序模拟，找到最小持续时间Tmin；
S33、在最小时间段Tmin内，根据步骤S1得到的热力系统贝叶斯网络逻辑关系模型以及步骤S2得到的时序模拟，判断热负荷结点的状态；
S34、累计各最小持续时间Tmin内的故障时间和故障次数，然后对于所有热负荷点，根据热负荷结点与系统结点之间的因果关系，分析并计算系统结点在Tmin内的状态与对应的时间；
S35、产生下一次各元件状态及持续时间，重复3-5过程，直至循环次数大于给定值，通过累计若干个最小持续时间Tmin内的系统故障时间、系统总模拟时间、次数参数，计算在该时段内的热力系统的可靠性指标。
优选的，步骤S3后还包括以下步骤：
S4、在给定置信概率及计算精度下，判断是否满足收敛判据，若是则进入步骤S5，否则返回步骤S33；
S6、通过累计各元件的故障时间以及系统的故障时间，计算系统故障时各个元件故障的条件概率。
优选的，系统故障时各个元件故障的条件概率的计算公式如下：
Figure GDA0004000923070000071
本发明的有益效果如下：
1.针对热力系统传输延时及终端热惰性，建立了“动态-延迟”逻辑关系模型，可靠性更高。
2.采用分时段的方法，对比分析了计及热惯性延迟以及不考虑热惯性延迟的的热力系统贝叶斯网络时序模拟过程，更为精确的表征了负荷点的状态。
3.提出了适用于热力系统的贝叶斯网络时序模拟推理算法，采用提出的推理算法不但能进行正向推理，计算系统可靠性指标，而且通过反向推理能识别系统可靠性的薄弱环节。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实施例一种基于贝叶斯网络的热力系统可靠性评估方法的故障分析图；
图2为本发明的实施例一种基于贝叶斯网络的热力系统可靠性评估方法的逻辑流程图；
图3为本发明的实施例一种基于贝叶斯网络的热力系统可靠性评估方法的“动态-延迟”逻辑关系模型图。
具体实施方式
以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
图1为本发明的实施例一种基于贝叶斯网络的热力系统可靠性评估方法的故障分析图，图2为本发明的实施例一种基于贝叶斯网络的热力系统可靠性评估方法的逻辑流程图，如图1和图2所示，本发明公开了一种基于贝叶斯网络的热力系统可靠性评估方法，包括以下步骤：
S1、建立热力系统贝叶斯网络逻辑关系模型；
S10、确定热力系统贝叶斯网络结点的类型，对应热力系统与贝叶斯网络结点的关系；
优选的，步骤S10具体包括以下步骤：
热力系统的元件对应贝叶斯网络的元件节点，热力系统的热负荷点对应贝叶斯网络的负荷结点，热力系统对应贝叶斯网络的系统节点。
本实施例中，热力系统主要由热源、管道、阀门及补偿器组成。
S11、建立热力系统的贝叶斯网络动态-延迟逻辑关系模型；
优选的，步骤S11具体包括以下步骤：
从热力系统的热负荷点出发，按照前向遍历原则，将与热负荷点有关系的元件(如管道、阀门、热源等元件)均表示成元件结点变量，结点变量均设定为正常和故障两种状态，其中，0表示故障状态，1表示正常状态；
与电力子系统不同，热力系统的用能本质是在一段时间内获得或保持一定温度，即允许温度在一定范围内波动，因此，用户对于供能中断的反馈具有热惯性和滞后性。也就是说，当与热负荷点串联的管道、阀门等元件或设备任一故障时，热负荷点并不一定处于故障状态。此时应计及热网传输延时及其终端热惰性，以热力终端温度变化来反映热负荷点的用能状态。因此将热力系统内元件与负荷点之间的关系命名为“动态-延迟”逻辑关系。
表2为动态-延迟逻辑关系模型的条件概率表
Figure GDA0004000923070000091
由表2可知，例如，在组合01的条件下，即元件中有1个故障，当与热负荷点串联的热力系统元件存在故障时，计及热网传输延时及其终端热惰性，以热力终端温度变化来反映热负荷点的用能状态，如果在修复时间内，热负荷点温度未低于最低标准温度，则认为该热负荷点处于正常状态；否则处于故障状态。因此负荷点的状态为{0，1}。
图3为本发明的实施例一种基于贝叶斯网络的热力系统可靠性评估方法的“动态-延迟”逻辑关系模型图，如图3所示，设热力系统A、B表示元件结点变量，C表示负荷点结点变量，这些结点均有正常和故障两种状态，其中0表示故障状态，1表示正常状态。当与热负荷点串联的管道、阀门等元件或设备任一故障时，热负荷点并不一定处于故障状态，此时应计及热网传输延时及其终端热惰性，以热力终端温度变化来反映热负荷点的用能状态。因此将热力系统内元件与负荷点之间的关系命名为“动态-延迟”逻辑关系。
S2、计及热惯性延迟的热力系统贝叶斯网络时序模拟过程；
进行时序模拟时，假设热源供应充足并且处于正常状态，并且各元件设备均处于正常状态，则在任意时刻均能满足热负荷需求；当元件故障时，需要计及热网传输延时及其终端热惰性，以此反映热负荷点的状态；且在每个模拟时间段内，根据元件状态分析热负荷点的状态并考虑热惯性延迟，依次分析划定的时间段内计算正常时长和故障时长；
优选的，步骤S2具体包括以下步骤：
S20、设定热力系统内各元件均为两状态模型，在n个模拟时间段内进行着正常和故障两种状态的交替过程，假设每一元件的状态持续时间均服从指数分布，计算热力系统中各元件在模拟时间段内正常状态持续时间tn和修复状态持续时间tr：
Figure GDA0004000923070000101
Figure GDA0004000923070000102
式中，f0(t)和f1(t)为(0，1)区间均匀分布的随机数，MTTF为元件的平均正常状态时间，MTTR为元件的平均修复时间，指元件的故障率，指元件的修复率；
S21、进入第1个最小持续时间段T1min，在第1个最小持续时间段T1min，即0-t1时间段内，根据元件之间的关系，分析热负荷点的状态及持续时间；
假定各元件均处于正常状态，则热负荷点的状态为正常状态，正常状态持续时间为T1min并累积正常状态次数加1，且由于受外界环境对传热过程的影响，负荷点的温度由初始温度Tin开始增加，直到达到最大值Tmax；
S22、进入第2个最小持续时间段T2min，分析第2个最小持续时间段T2min，即t1-t2时段内，根据元件之间的关系，分析热负荷点的状态及持续时间；
假定某热负荷点关联的一元件出现故障，热能中断，因此该时间段T2min即为元件故障恢复时间；
由于管道仍有热水流过，计算热水流经管道的时间：
tc＝Li/v               (3)
式中，Li为故障管道i的长度，v为热水流速；
由于管道仍有热水流过，Tmax温度在t1时刻保持不变，且热负荷点与外界环境不断交换热量，故温度逐步降低，计算出室内温度Tmax变化至最低标准温度Ts所需时间tp：
Figure GDA0004000923070000111
式中，Ten为室外环境温度，χ为热储备系数(建筑物的蓄热性能)；
比较该时段内，故障恢复时间T2min和允许温变时间tp+tc，确定该时间段内负荷点的状态：
若T2min≤tp+tc，则恢复供能时刻热负荷点处室温未偏离标准温度范围，认为该热负荷点处于正常状态；
若T2min＞tp+tc，表示在修复时间内，室内温度逐渐下降到最低标准温度Ts以下，该温度用Ta表示，参照公式4，可得公式5：
Figure GDA0004000923070000112
求得此时Ta的表达式为：
Figure GDA0004000923070000113
可知，在t1-t2时段内，热负荷点的状态分为两部分：在t1-t”1时间段内热负荷点为正常状态且正常状态持续时间为tp+tc，在该时间段累计正常次数1次；在t”1-t2时间段，即T2min-tp-tc为故障时间段，在该时间段累计故障次数1次；
S23、进入第3个最小持续时间段T3min，分析第3个最小持续时间段T3min，即t2-t3时段内，根据元件之间的关系，分析热负荷点的状态及持续时间；
设定在t2时刻，步骤S23中的故障元件修复，处于正常状态，此时热力系统供能恢复；
在t2时刻，热水流经管道，计算流经时间为tc＝Li/v；
则在t2-t'2段时间内，热水从管道首端开始流过，由于管道刚修复，在热惯性影响下热负荷点温度不会立即恢复到室温范围，故用户端温度Ta保持不变；
直至在t'2时刻，热水到达该管道末端，此时温度从Ta逐渐上升到最低标准温度Tmin，设经历的时间用tu表示，利用热力学能量守恒定律建立温度恢复时间的求解模型：
Figure GDA0004000923070000121
而后，在t”2-t3时间段，温度由Ts上升，直到t3时刻；
因此，在第3个最小时间段T3min内，用户故障持续时间为tc+tu，即t2-t”2时间段，此时用户正常状态持续时间为T3min-tc-tu；
且在t3时刻，设用户温度此时上升到Tb，由公式：
Figure GDA0004000923070000122
求得，Tb的表达式为：
Figure GDA0004000923070000123
因此，在t2-t3时段内，热负荷点的状态分为两部分：在t2-t”2时间段内热负荷点为故障状态，热负荷点故障状态持续时间为tc+tu，在该时间段累计故障次数1次；在t”2-t3时间段，即T3min-tu-tc为正常时间段，在该时间段累计正常次数1次；
整理用户故障持续时间为：T2min-tp-tc+tc+tu＝T2min-tp+tu，即t”1-t”2时间段；
S24、直至进入第n个时间段Tnmin，分析第n个时间段Tnmin，即tn-1-tn时段内，同样的，根据元件之间的关系，分析热负荷点的状态及持续时间。
为突出说明，图1还分析了不考虑建筑物热惯性延迟的热力系统内负荷点的状态。可知在0-t1段，负荷点为正常状态，累计正常状态次数1次。t1-t2段，由于有一个元件故障，因此，负荷点为故障状态，累计故障状态次数1次。t2-t3段，由于故障元件修复，两个元件均处于正常状态，因此负荷点为正常状态，累计正常状态次数1次。
从图1中可以看出，考虑热惯性与不考虑热惯性的负荷点评估结果是不同的。不考虑热惯性延迟的负荷点状态是突变的，而考虑热惯性延迟的负荷点状态，由于考虑了温度连续性，不会发生突变，因此热惯性延迟的模型更为精确。
S3、对基于贝叶斯网络时序模拟的热力系统进行可靠性评估。
优选的，步骤S3具体包括以下步骤：
S31、数据初始化；
本实施例中，设定置信概率α＝95％，系统平均供热不可用率指标ASUI的计算精度为ε＝10-6，构成独立广义事件的循环次数为20000。
S32、设定热力系统内部各元件均为正常、故障两状态模型，对于每一元件的状态进行时序模拟，找到最小持续时间Tmin；
S33、在最小时间段Tmin内，根据步骤S1得到的热力系统贝叶斯网络逻辑关系模型以及步骤S2得到的时序模拟，判断热负荷结点的状态；
S34、累计各最小持续时间Tmin内的故障时间和故障次数，然后对于所有热负荷点，根据热负荷结点与系统结点之间的因果关系，分析并计算系统结点在Tmin内的状态与对应的时间；
S35、产生下一次各元件状态及持续时间，重复3-5过程，直至循环次数大于给定值，通过累计若干个最小持续时间Tmin内的系统故障时间、系统总模拟时间、次数参数，计算在该时段内的热力系统的可靠性指标。
例如：该时段内平均供热不可用率指标ASUI等于系统的故障时间与系统总模拟时间的比值，用t1表示。
Figure GDA0004000923070000141
优选的，步骤S3后还包括以下步骤：
S4、在给定置信概率及计算精度下，判断是否满足收敛判据，若是则进入步骤S5，否则返回步骤S33；
S6、通过累计各元件的故障时间以及系统的故障时间，计算系统故障时各个元件故障的条件概率。
优选的，系统故障时各个元件故障的条件概率的计算公式如下：
Figure GDA0004000923070000142
因此，本发明采用上述基于贝叶斯网络的热力系统可靠性评估方法，在考虑热惯性延迟的前提下采用分时段的方法，提出的推理算法不但能进行正向推理计算系统可靠性指标，且能反向推理能识别系统可靠性的薄弱环节。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (5)

1.一种基于贝叶斯网络的热力系统可靠性评估方法，其特征在于：包括以下步骤：
S1、建立热力系统贝叶斯网络逻辑关系模型；
S10、确定热力系统贝叶斯网络结点的类型，对应热力系统与贝叶斯网络结点的关系；
S11、建立热力系统的贝叶斯网络动态-延迟逻辑关系模型；
步骤S11具体包括以下步骤：
从热力系统的热负荷点出发，按照前向遍历原则，将与热负荷点有关系的元件均表示成元件结点变量，结点变量均设定为正常和故障两种状态，其中，0表示故障状态，1表示正常状态；
当与热负荷点串联的热力系统元件存在故障时，计及热网传输延时及其终端热惰性，以热力终端温度变化来反映热负荷点的用能状态，如果在修复时间内，热负荷点温度未低于最低标准温度，则认为该热负荷点处于正常状态；否则处于故障状态；
S2、计及热惯性延迟的热力系统贝叶斯网络时序模拟过程；
进行时序模拟时，假设热源供应充足并且处于正常状态，并且各元件设备均处于正常状态，则在任意时刻均能满足热负荷需求；当元件故障时，需要计及热网传输延时及其终端热惰性，以此反映热负荷点的状态；且在每个模拟时间段内，根据元件状态分析热负荷点的状态并考虑热惯性延迟，依次分析划定的时间段内计算正常时长和故障时长；
步骤S2具体包括以下步骤：
S20、设定热力系统内各元件均为两状态模型，在n个模拟时间段内进行着正常和故障两种状态的交替过程，假设每一元件的状态持续时间均服从指数分布，计算热力系统中各元件在模拟时间段内正常状态持续时间tn和修复状态持续时间tr：
Figure FDA0004000923060000021
Figure FDA0004000923060000022
式中，f0(t)和f1(t)为(0，1)区间均匀分布的随机数，MTTF为元件的平均正常状态时间，MTTR为元件的平均修复时间，指元件的故障率，指元件的修复率；
S21、进入第1个最小持续时间段T1min，在第1个最小持续时间段T1min，即0-t1时间段内，根据元件之间的关系，分析热负荷点的状态及持续时间；
假定各元件均处于正常状态，则热负荷点的状态为正常状态，正常状态持续时间为T1min并累积正常状态次数加1，且由于受外界环境对传热过程的影响，负荷点的温度由初始温度Tin开始增加，直到达到最大值Tmax；
S22、进入第2个最小持续时间段T2min，分析第2个最小持续时间段T2min，即t1-t2时段内，根据元件之间的关系，分析热负荷点的状态及持续时间；
假定某热负荷点关联的一元件出现故障，热能中断，因此该时间段T2min即为元件故障恢复时间；
由于管道仍有热水流过，计算热水流经管道的时间：
tc＝Li/v          (3)
式中，Li为故障管道i的长度，v为热水流速；
由于管道仍有热水流过，Tmax温度在t1时刻保持不变，且热负荷点与外界环境不断交换热量，故温度逐步降低，计算出室内温度Tmax变化至最低标准温度Ts所需时间tp：
Figure FDA0004000923060000023
式中，Ten为室外环境温度，χ为热储备系数；
比较该时段内，故障恢复时间T2min和允许温变时间tp+tc，确定该时间段内负荷点的状态：
若T2min≤tp+tc，则恢复供能时刻热负荷点处室温未偏离标准温度范围，认为该热负荷点处于正常状态；
若T2min＞tp+tc，表示在修复时间内，室内温度逐渐下降到最低标准温度Ts以下，该温度用Ta表示，参照公式4，可得公式5：
Figure FDA0004000923060000031
求得此时Ta的表达式为：
Figure FDA0004000923060000032
可知，在t1-t2时段内，热负荷点的状态分为两部分：在t1-t1” 时间段内热负荷点为正常状态且正常状态持续时间为tp+tc，在该时间段累计正常次数1次；在t”1-t2时间段，即T2min-tp-tc为故障时间段，在该时间段累计故障次数1次；
S23、进入第3个最小持续时间段T3min，分析第3个最小持续时间段T3min，即t2-t3时段内，根据元件之间的关系，分析热负荷点的状态及持续时间；
设定在t2时刻，步骤S23中的故障元件修复，处于正常状态，此时热力系统供能恢复；
在t2时刻，热水流经管道，计算流经时间为tc＝Li/v；
则在t2-t'2段时间内，热水从管道首端开始流过，由于管道刚修复，在热惯性影响下热负荷点温度不会立即恢复到室温范围，故用户端温度Ta保持不变；
直至在t'2时刻，热水到达该管道末端，此时温度从Ta逐渐上升到最低标准温度Tmin，设经历的时间用tu表示，利用热力学能量守恒定律建立温度恢复时间的求解模型：
Figure FDA0004000923060000041
而后，在t”2-t3时间段，温度由Ts上升，直到t3时刻；
因此，在第3个最小时间段T3min内，用户故障持续时间为tc+tu，即t2-t”2时间段，此时用户正常状态持续时间为T3min-tc-tu；
且在t3时刻，设用户温度此时上升到Tb，由公式：
Figure FDA0004000923060000042
求得，Tb的表达式为：
Figure FDA0004000923060000043
因此，在t2-t3时段内，热负荷点的状态分为两部分：在t2-t”2时间段内热负荷点为故障状态，热负荷点故障状态持续时间为tc+tu，在该时间段累计故障次数1次；在t”2-t3时间段，即T3min-tu-tc为正常时间段，在该时间段累计正常次数1次；
整理用户故障持续时间为：T2min-tp-tc+tc+tu＝T2min-tp+tu，即t”1-t”2时间段；
S24、直至进入第n个时间段Tnmin，分析第n个时间段Tnmin，即tn-1-tn时段内，同样的，根据元件之间的关系，分析热负荷点的状态及持续时间；
S3、对基于贝叶斯网络时序模拟的热力系统进行可靠性评估。
2.根据权利要求1所述的一种基于贝叶斯网络的热力系统可靠性评估方法，其特征在于：步骤S10具体包括以下步骤：
热力系统的元件对应贝叶斯网络的元件节点，热力系统的热负荷点对应贝叶斯网络的负荷结点，热力系统对应贝叶斯网络的系统节点。
3.根据权利要求1所述的一种基于贝叶斯网络的热力系统可靠性评估方法，其特征在于：步骤S3具体包括以下步骤：
S31、数据初始化；
S32、设定热力系统内部各元件均为正常、故障两状态模型，对于每一元件的状态进行时序模拟，找到最小持续时间Tmin；
S33、在最小时间段Tmin内，根据步骤S1得到的热力系统贝叶斯网络逻辑关系模型以及步骤S2得到的时序模拟，判断热负荷结点的状态；
S34、累计各最小持续时间Tmin内的故障时间和故障次数，然后对于所有热负荷点，根据热负荷结点与系统结点之间的因果关系，分析并计算系统结点在Tmin内的状态与对应的时间；
S35、产生下一次各元件状态及持续时间，重复3-5过程，直至循环次数大于给定值，通过累计若干个最小持续时间Tmin内的系统故障时间、系统总模拟时间、次数参数，计算在该时段内的热力系统的可靠性指标。
4.根据权利要求3所述的一种基于贝叶斯网络的热力系统可靠性评估方法，其特征在于：步骤S3后还包括以下步骤：
S4、在给定置信概率及计算精度下，判断是否满足收敛判据，若是则进入步骤S5，否则返回步骤S33；
S6、通过累计各元件的故障时间以及系统的故障时间，计算系统故障时各个元件故障的条件概率。
5.根据权利要求4所述的一种基于贝叶斯网络的热力系统可靠性评估方法，其特征在于：系统故障时各个元件故障的条件概率的计算公式如下：
Figure FDA0004000923060000051
CN202210850181.1A 2022-07-19 2022-07-19 一种基于贝叶斯网络的热力系统可靠性评估方法 Active CN115081247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210850181.1A CN115081247B (zh) 2022-07-19 2022-07-19 一种基于贝叶斯网络的热力系统可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210850181.1A CN115081247B (zh) 2022-07-19 2022-07-19 一种基于贝叶斯网络的热力系统可靠性评估方法

Publications (2)

Publication Number Publication Date
CN115081247A CN115081247A (zh) 2022-09-20
CN115081247B true CN115081247B (zh) 2023-04-07

Family

ID=83259783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210850181.1A Active CN115081247B (zh) 2022-07-19 2022-07-19 一种基于贝叶斯网络的热力系统可靠性评估方法

Country Status (1)

Country Link
CN (1) CN115081247B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2520293B (en) * 2013-11-14 2018-02-07 Passivsystems Ltd Improvements in and relating to temperature controlled systems
CN106845701B (zh) * 2017-01-11 2019-11-08 东南大学 一种基于热网和房屋热惯性的综合能源系统优化方法
CN109270842B (zh) * 2018-10-25 2020-11-13 浙江大学 一种基于贝叶斯网络的区域供热模型预测控制系统及方法
CN111950171B (zh) * 2020-07-03 2022-03-15 南京东博智慧能源研究院有限公司 一种气热惯性备用参与园区综合能源系统备用配置方法
CN113610355B (zh) * 2021-07-16 2024-04-05 北京城市系统工程研究中心 一种城市能源系统气候变化脆弱性能量流网络评估方法
CN114219178A (zh) * 2021-12-30 2022-03-22 浙江大学 一种基于正交多项式的供热系统源荷不确定性计算方法
CN114597905A (zh) * 2022-03-15 2022-06-07 天津大学合肥创新发展研究院 考虑虚拟冷热管网的配电网备用容量配置方法及装置
CN114757500A (zh) * 2022-03-25 2022-07-15 南京理工大学 一种基于mcmc算法的综合能源系统可靠性评估方法

Also Published As

Publication number Publication date
CN115081247A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN108921727B (zh) 考虑热负荷动态特性的区域综合能源系统可靠性评估方法
US9740545B2 (en) Equipment evaluation device, equipment evaluation method and non-transitory computer readable medium
CN111313429B (zh) 一种用于综合能源系统的可靠性评估方法及系统
CN109377008B (zh) 电热耦合的综合能源系统风险评估方法
CN111475953B (zh) 供能可靠性影响分析方法、装置设备及存储介质
CN109784581A (zh) 一种考虑弹性的系统预防性维修周期优化方法
CN111340360B (zh) 基于运行及网架风险的综合能源系统实时风险评估方法
CN111798111A (zh) 一种综合能源系统供能可靠性评估方法及计算机系统
CN109697563B (zh) 一种考虑隐性故障的电力信息物理系统风险保障预警方法
CN114240011A (zh) 一种综合能源系统多能流可靠性评估方法
CN105931134A (zh) 一种含并网光伏电站的系统可靠性评估方法
CN113919107A (zh) 基于最大熵原理与交叉熵重要抽样的电网可靠性评估方法
Postnikov et al. A methodology for optimziation of component reliability of heat supply systems
CN114757500A (zh) 一种基于mcmc算法的综合能源系统可靠性评估方法
CN115081247B (zh) 一种基于贝叶斯网络的热力系统可靠性评估方法
Fu et al. Reliability analysis of condition monitoring network of wind turbine blade based on wireless sensor networks
Lin et al. Dynamic modeling and uncertainty quantification of district heating systems considering renewable energy access
CN113222263A (zh) 一种基于长短期记忆神经网络的光伏发电功率预测方法
CN112800674A (zh) 一种基于极限学习机的电力系统元件可靠性参数计算方法
Wang et al. Operational reliability evaluation of distributed multi-energy systems considering optimal control of energy storages
Zhu et al. Data-driven multi-energy flow calculation method for integrated energy system
Guan et al. An optimal step-size simulation framework for large-scale heat-electric integrated energy system considering fault states
He et al. A reliability assessment approach for Integrated Community Energy System based on hierarchical decoupling optimization framework
Lin et al. Reliability analysis of a microgrid using dynamic Bayesian belief networks
Pandiyan et al. Physics-Informed Neural Network Model for Flexibility Modeling of Electric Water Heaters

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