CN116592417A - 基于负荷预测的集中供热系统优化控制方法及系统 - Google Patents

基于负荷预测的集中供热系统优化控制方法及系统 Download PDF

Info

Publication number
CN116592417A
CN116592417A CN202310439915.1A CN202310439915A CN116592417A CN 116592417 A CN116592417 A CN 116592417A CN 202310439915 A CN202310439915 A CN 202310439915A CN 116592417 A CN116592417 A CN 116592417A
Authority
CN
China
Prior art keywords
load
future
temperature
heating
water supply
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
Application number
CN202310439915.1A
Other languages
English (en)
Inventor
徐文晓
秦煜
韩钊
李现栋
卞瑱
李实�
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.)
Daiaobiaoji Jinan Co ltd
Original Assignee
Daiaobiaoji Jinan Co ltd
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 Daiaobiaoji Jinan Co ltd filed Critical Daiaobiaoji Jinan Co ltd
Priority to CN202310439915.1A priority Critical patent/CN116592417A/zh
Publication of CN116592417A publication Critical patent/CN116592417A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • F24D19/1015—Arrangement or mounting of control or safety devices for water heating systems for central heating using a valve or valves
    • 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
    • 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
    • F24D2220/00—Components of central heating installations excluding heat sources
    • F24D2220/02—Fluid distribution means
    • F24D2220/0207—Pumps
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Thermal Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了基于负荷预测的集中供热系统优化控制方法及系统，属于采暖供热技术领域，要解决的技术问题为如何对集中供热系统进行优化控制、实现节能降耗与精细化调节。包括如下步骤：基于二阶自回归平均模型构建负荷预测模型；构建质‑量并调优化模型；基于样本数据对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型；基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过训练后负荷预测模型预测未来供热负荷；基于未来供热负荷与供暖设计热负荷计算相对负荷比，基于未来运行流量与供暖设计流量计算相对流量比；基于当前室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量。

Description

基于负荷预测的集中供热系统优化控制方法及系统
技术领域
本发明涉及采暖供热技术领域，具体地说是基于负荷预测的集中供热系统优化控制方法及系统。
背景技术
在建筑能源消耗中，尤其在冬季寒冷地区，供暖能耗占比较大。集中供热由热电厂或区域锅炉进行集中热量供给，可以节约单位能耗，提高用户舒适度，但普遍存在热能浪费、热力不平衡等问题，有非常大的改进空间。
在目前的热力站自动化控制系统中，广泛采用的控制方式为基于当前室外温度对供水温度进行质调节(质调节：供热系统循环水流量不变，只调节供水温度或回水温度；量调节：供热系统循环水流量不变，只调节供水温度或回水温度)的一种经验规则方法。该方法依赖于工程师经验，人工给出室外温度和供水温度的对应曲线或表格，在较高的室外温度下降低供水温度，在较低的室外温度下升高供水温度。该方法是一种粗放的热量调节方式，没有考虑到热用户的实际室内温度和未来室外温度变化，常常为了保证供暖温度达标，造成过多供热，使热能浪费。另外，单一质调节的方式仅调节供水温度或回水温度，而供水流量保持不变，这种调节方式导致了供热系统在室外温度较高时，运行与大流量小温差模式，造成较大的管道输送能耗。
对供热系统进行负荷预测，可以考虑热力站历史数据和天气预报数据，对热负荷进行预测，用于供热系统的决策、规划、运营管理与实时运行。负荷预测方法大致可分为基于专用仿真软件的能耗模拟仿真与基于数据的回归建模方法，其中数据驱动的线性回归模型较为成熟，使用较多。线性回归模型根据环境温度、风速、湿度、太阳辐射等输入项，对负荷进行预测。
关于集中供热系统的优化控制方案，现在较多采用模型预测控制方法，将气象预报信息作为干扰引入，提前对其进行补偿，但预测控制器的输出一般为供水温度输出，没有考虑对供水流量的实时调整，并且多为模型仿真结果。基于负荷预测的优化调节方法，多基于经验公式进行质调节，即供水温度或回水温度或供回水温差进行调节，缺少对质调节与量调节同时进行优化的具体方案。
如图1所示，某小区热力站供热过程与现行传统控制方案。换热器将一次网热量交换给二次网，二次网再通过供水管网将热量输送给小区热用户，回水收集到换热器中进行再次加热实现供回水循环。目前普遍采用的气候补偿控制为一种经验规则方法，工程师根据经验配置规则曲线或表格，根据当前室外温度直接计算二次网供水温度，该值作为设定值用于温度控制回路，由一次网电调阀进行温度调节。在换热站中，还包括供回水差压调节和回水压力调节两个控制回路，分别由循环泵和补水泵进行调节。
如何对集中供热系统进行优化控制、实现节能降耗与精细化调节，是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供基于负荷预测的集中供热系统优化控制方法及系统，来解决如何对集中供热系统进行优化控制、实现节能降耗与精细化调节的技术问题。
第一方面，本发明一种基于负荷预测的集中供热系统优化控制方法，包括如下步骤：
基于二阶自回归平均模型构建负荷预测模型，所述负荷预测模型用于以室外温度以及室内温度为输入，预测输出供热站的供热负荷；
构建质-量并调优化模型，所述质-量并调优化模型用于基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述负荷预测模型预测未来供热负荷，并用于基于当期室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量，其中相对负荷比为未来供热负荷与供暖设计供热负荷之间的比值，相对流量比为未来运行流量与供暖设计流量之间的比值；
获取供热站的历史室外温度、历史室内温度以及历史供热负荷作为样本数据，基于所述样本数据对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型；
基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述训练后负荷预测模型预测未来供热负荷；
基于未来供热负荷与供暖设计热负荷计算相对负荷比，基于未来运行流量与供暖设计流量计算相对流量比；
基于当前室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量。
作为优选，所述负荷预测模型表示为：
y(k)＝-a1y(k-1)-a2y(k-2)+b1,0u1(k-1)+b1,1u1(k-2)
+b2,0u2(k-1(+b2,1u2(k-2)
其中，y表示供热负荷，u1表示室外温度，u2表示室外温度，k表示离散化后的采样时间，a1、a2、b1,0、b1,1、b2,0以及b2,1表示模型参数；
对于所述负荷预测模型，将样本数据划分为训练数据和验证数据，基于所述训练数据，通过最小二乘法对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型，并基于所述验证数据对训练后负荷预测模型进行验证。
作为优选，所述未来热负荷Qp计算公式为：
Qp＝y(k+n)＝-a1y(k+n-1)-a2y(k+n-2)+b1,0u1(k+n-1)+
b1,1u1(k+n-2)+b2,0u2(k+n-1)+b2,1u2(k+n-2)
对于y(k+n-i)，将所述负荷预测模型的计算公式从n＝1开始迭代计算，得到y(k+n-i)；
将室内温度期望值作为室内温度u2的取值，通过如下原则计算未来供热负荷：当前室内温度低于室内温度期望值时，加大未来供热负荷，当前室内温度高于室内温度期望值时，减小未来供热负荷。
作为优选，所述相对负荷比的计算公式为：
其中，Qmax表示最大供热负荷，所述最大供热负荷为针对换热站设定的参数或者根据换热站历史供热负荷得到的最大供热负荷；
Qp表示未来供热负荷；
所述相对流量比表示为：
其中，β表示供水量调节比重系数，β∈[0,1]，β＝0时表示最大负荷流量，换热站中循环泵满功率运行，β＝1时表示供水量调节占比最大。
作为优选，所述供水温度Ts的计算公式表示为：
所述供水流量G的计算公式表示为：
其中，Tcal表示预设的室内温度标准值，表示预设的供水温度标准值，/>表示预设的回水温度标准值，b表示换热中散热器的散热系数，Gmax表示供水流量的最大负荷值。
第二方面，本发明一种基于负荷预测的集中供热系统优化控制系统，用于通过如第一方面任一项所述的基于负荷预测的集中供热系统优化控制方法对集中供热系统进行优化控制，所述系统包括：
模型构建模块，所述模型构建模块用于基于二阶自回归平均模型构建负荷预测模型，所述负荷预测模型用于以室外温度以及室内温度为输入，预测输出供热站的供热负荷；并用于构建质-量并调优化模型，所述质-量并调优化模型用于基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述负荷预测模型预测未来供热负荷，并用于基于当期室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量，其中相对负荷比为未来供热负荷与供暖设计供热负荷之间的比值，相对流量比为未来运行流量与供暖设计流量之间的比值；
模型训练模块，所述模型训练模块用于获取供热站的历史室外温度、历史室内温度以及历史供热负荷作为样本数据，基于所述样本数据对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型；
质-调并优调节模块，所述质-调并优调节模块用于执行如下：
基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述训练后负荷预测模型预测未来供热负荷；
基于未来供热负荷与供暖设计热负荷计算相对负荷比，基于未来运行流量与供暖设计流量计算相对流量比；
基于当前室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量。
所述负荷预测模型表示为：
y(k)＝-a1y(k-1)-a2y(k-2)+b1,0u1(k-1)+b1,1u1(k-2)
+b2,0u2(k-1)+b2,1u2(k-2)
其中，y表示供热负荷，u1表示室外温度，u2表示室外温度，k表示离散化后的采样时间，a1、a2、b1,0、b1,1、b2,0以及b2,1表示模型参数；
对于所述负荷预测模型，所述模型训练模块用于执行如下：
将样本数据划分为训练数据和验证数据，基于所述训练数据，通过最小二乘法对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型，并基于所述验证数据对训练后负荷预测模型进行验证。
作为优选，所述未来热负荷Qp计算公式为：
Qp＝y(k+n)＝-a1y(k+n-1)-a2y(k+n-2)+b1,0u1(k+n-1)+
b1,1u1(k+n-2)+b2,0u2(k+n-1)+b2,1u2(k+n-2)
对于y(k+n-i)，将所述负荷预测模型的计算公式从n＝1开始迭代计算，得到y(k+n-i)；
将室内温度期望值作为室内温度u2的取值，通过如下原则计算未来供热负荷：当前室内温度低于室内温度期望值时，加大未来供热负荷，当前室内温度高于室内温度期望值时，减小未来供热负荷。
作为优选，所述相对负荷比的计算公式为：
其中，Qmax表示最大供热负荷，所述最大供热负荷为针对换热站设定的参数或者根据换热站历史供热负荷得到的最大供热负荷；
Qp表示未来供热负荷；
所述相对流量比表示为：
其中，β表示供水量调节比重系数，β∈[0,1]，β＝0时表示最大负荷流量，换热站中循环泵满功率运行，β＝1时表示供水量调节占比最大。
作为优选，所述供水温度Ts的计算公式表示为：
所述供水流量G的计算公式表示为：
其中，Tcal表示预设的室内温度标准值，表示预设的供水温度标准值，/>表示预设的回水温度标准值，b表示换热中散热器的散热系数，Gmax表示供水流量的最大负荷值。
本发明的基于负荷预测的集中供热系统优化控制方法及系统具有以下优点：基于二阶自回归平均模型构建负荷预测模型，基于当前室内温度、当前室外温度、未来预报室外温度以及未来期望室内温度，通过负荷预测模型可对未来热供热负荷进行预测，在预测负荷的基础上，通过构建的质-量并调优化模型得到实时变化的供水温度与供水流量，可在满足室内温度期望值的基础上，有效降低供热能耗与循环泵电耗。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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。
下面结合附图对本发明进一步说明。
图1为供热站供热过程与传统控制方法框图；
图2为实施例1一种基于负荷预测的集中供热系统优化控制方法的流程框图；
图3为实施例1一种基于负荷预测的集中供热系统优化控制方法中用于负荷预测模型参数优化的样本数据；
图4为实施例1一种基于负荷预测的集中供热系统优化控制方法中负荷预测模型与实际数据的拟合结果；
图5为实施例1一种基于负荷预测的集中供热系统优化控制方法中负荷预测优化控制的实施效果图；
图6为实施例1一种基于负荷预测的集中供热系统优化控制方法中负荷预测优化控制的能耗评估结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供基于负荷预测的集中供热系统优化控制方法及系统，用于解决如何对集中供热系统进行优化控制、实现节能降耗与精细化调节的技术问题。
实施例1：
本发明一种基于负荷预测的集中供热系统优化控制方法，包括三个步骤，分别为构建负荷预测模型以及质-量并调优化模型、训练负荷预测模型、以及进行质量并调优化。
步骤S100、构建负荷预测模型以及质-量并调优化模型，具体操作为：
(1)基于二阶自回归平均模型构建负荷预测模型，所述负荷预测模型用于以室外温度以及室内温度为输入，预测输出供热站的供热负荷；
本实施例中，负荷预测模型表示为：
y(k)＝-a1y(k-1)-a2y(k-2)+b1,0u1(k-1)+b1,1u1(k-2)+
b2,0u2(k-1)+b2,1u2(k-2)(1)
其中，y表示供热负荷，u1表示室外温度，u2表示室外温度，k表示离散化后的采样时间，a1、a2、b1,0、b1,1、b2,0以及b2,1表示模型参数，在后续的模型训练过程中，模型参数根据最小二乘法参数辨识计算得到。
(2)构建质-量并调优化模型，所述质-量并调优化模型用于基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述负荷预测模型预测未来供热负荷，并用于基于当期室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量，其中相对负荷比为未来供热负荷与供暖设计供热负荷之间的比值，相对流量比为未来运行流量与供暖设计流量之间的比值。
本实施例中，未来热负荷Qp计算公式为：
Qp＝y(k+n)＝-a1y(k+n-1)-a2y(k+n-2)+b1,0u1(k+n-1)+
b1,1u1(k+n-2)+b2,0u2(k+n-1)+b2,1u2(k+n-2)(2)
公式(2)中，y(k+n-i)可通过式(1)从n＝1开始反复迭代计算得到。将室内温度期望值作为室内温度u2的取值，通过如下原则计算未来供热负荷：当前室内温度低于室内温度期望值时，加大未来供热负荷，当前室内温度高于室内温度期望值时，减小未来供热负荷。
相对负荷比指实际运行热负荷与供暖设计热负荷的比值，相对流量比/>为实际运行流量与供暖设计流量的比值。
公式(3)中，Qmax表示最大供热负荷，所述最大供热负荷为针对换热站设定的参数或者根据换热站历史供热负荷得到的最大供热负荷。公式(4)中，β表示供水量调节比重系数，β∈[0,1]，β＝0时表示最大负荷流量，换热站中循环泵满功率运行，β＝1时表示供水量调节占比最大，流量调节根据热负荷变化而变化，该值可根据实际情况进行调整。
供水温度Ts的计算公式表示为：
供水流量G的计算公式表示为：
公式(5)根据集中供热的经验公式推导得出，其中，Tcal表示预设的室内温度标准值，表示预设的供水温度标准值，/>表示预设的回水温度标准值，b表示换热中散热器的散热系数，一般取值为0.16-0.42(柱形散热器b＝0.3，板式散热器b＝0.24)。公式(6)中，Gmax表示供水流量的最大负荷值。
S200为负荷预测模型的训练，具体操作为：获取供热站的历史室外温度、历史室内温度以及历史供热负荷作为样本数据，基于所述样本数据对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型。
本实施例中，将样本数据划分为训练数据和验证数据，基于所述训练数据，通过最小二乘法对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型，并基于所述验证数据对训练后负荷预测模型进行验证。
S300为进行质-量并调的优化控制。具体操作为：
(1)基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述训练后负荷预测模型预测未来供热负荷；
(2)基于未来供热负荷与供暖设计热负荷计算相对负荷比，基于未来运行流量与供暖设计流量计算相对流量比；
(3)基于当前室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量。
本实施例基于换热站历史数据、当前室内温度、未来气象预报温度，对未来热负荷进行预测；将热负荷结果送入质-量并调计算模型，该质-量并调计算模型对供水温度和供水流量进行优化计算，得到最优的供水温度与供水流量。优化目的是保证供热效果的同时，使供热能耗与水泵能耗最低。再将供水温度与供水流量作为设定值送给换热站本地PLC控制器，分别对供水温度与流量进行实时PID调节。其中供水温度由图1的一次网电调阀调节，供水流量则由二次网循环泵的压差进行调节。
对于本实施例的方法，现给出一个具体实例。
(1)构建并训练负荷预测模型
附图3为热力站和用户温度的数据记录样本，该数据集包括约24天共1160组数据，采样时间半个小时，包括供热功率、供热温度、室外温度和用户室内温度。前14天为正常供热，根据当前室外温度查表，按照经验规则对供热温度进行调节。14天以后由于天气转暖，将供水温度修改为定值调节。
取前10天共480组数据用于负荷预测模型的训练样本，其余数据用于模型验证，模型训练采用最小二乘法对参数进行估计，得到模型为：
y(k)＝0.80y(k-1)+0.14y(k-2)-29.98u1(k-1)+26.78u1(k-2)+
4.08u2(k-1)+1.10u2(k-2)(7)
负荷预测模型与实际数据的对比如图4所示，从图中可以看出，模型值与数据的拟合效果很好，在3种不同工况下均可实现对负荷的预测跟踪。
(2)质-量并调优化控制
根据式(7)的负荷预测模型，根据式(2)计算单步热负荷，即预测步长n＝1，计算热负荷预测值Qp，室内温度u2均取期望值20℃。取式(3)-(6)的质-量并调优化控制算法，选择合适的量调节参数β，计算相对负荷比、相对流量比、供水温度与供水流量。量调节参数β＝1时，得到优化控制仿真结果，与原有控制方法的真实数据对比如图5所示。供热温度与相对流量由预测负荷与优化控制算法得到，可以看到供热温度基本一致，但流量减小，尤其是随着室外温度的上升，流量不断下调。室内温度下降，但与期望值20℃相差不大，回水温度显著下降，使供回水温差提升。图6给出了供热功率与循环泵功率对比，从能耗来看，两者都得到了显著下降，说明该控制方案的节能效果显著。
集中供热系统的传统控制方案，基于室外温度对供水温度进行调节，属于简单的质调节方案，没有考虑实时的流量调节，也没有考虑实际用户的室内温度与未来的天气变化，经常导致过度供热造成能源浪费。本实施例提出了基于负荷预测的质量并调优化控制方法，该方法提出了负荷预测模型，基于室内温度、室外温度和未来气象预报温度，对未来热负荷进行预测；在预测负荷的基础上，提出了质-量并调优化计算方法，得到实时变化的供水温度与供水流量，可在满足室内温度期望值的基础上，有效降低供热能耗与循环泵电耗。
实施例2
本发明一种基于负荷预测的集中供热系统优化控制系统，包括模型构建模块、模型训练模块以及质-调并优调节模块，该系统可执行实施例1公开的方法，对集中供热系统进行优化控制。
模型构建模块用于基于二阶自回归平均模型构建负荷预测模型，所述负荷预测模型用于以室外温度以及室内温度为输入，预测输出供热站的供热负荷；并用于构建质-量并调优化模型，所述质-量并调优化模型用于基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述负荷预测模型预测未来供热负荷，并用于基于当期室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量，其中相对负荷比为未来供热负荷与供暖设计供热负荷之间的比值，相对流量比为未来运行流量与供暖设计流量之间的比值。
本实施例中，负荷预测模型表示为：
y(k)＝-a1y(k-1)-a2y(k-2)+b1,0u1(k-1)+b1,1u1(k-2)+
b2,0u2(k-1)+b2,1u2(k-2)(1)
其中，y表示供热负荷，u1表示室外温度，u2表示室外温度，k表示离散化后的采样时间，a1、a2、b1,0、b1,1、b2,0以及b2,1表示模型参数，在后续的模型训练过程中，模型参数根据最小二乘法参数辨识计算得到。
未来热负荷Qp计算公式为：
Qp＝y(k+n)＝-a1y(k+n-1)-a2y(k+n-2)+b1,0u1(k+n-1)+
b1,1u1(k+n-2)+b2,0u2(k+n-1)+b2,1u2(k+n-2)(2)
公式(2)中，y(k+n-i)可通过式(1)从n＝1开始反复迭代计算得到。将室内温度期望值作为室内温度u2的取值，通过如下原则计算未来供热负荷：当前室内温度低于室内温度期望值时，加大未来供热负荷，当前室内温度高于室内温度期望值时，减小未来供热负荷。
相对负荷比指实际运行热负荷与供暖设计热负荷的比值，相对流量比/>为实际运行流量与供暖设计流量的比值。
公式(3)中，Qmax表示最大供热负荷，所述最大供热负荷为针对换热站设定的参数或者根据换热站历史供热负荷得到的最大供热负荷。公式(4)中，β表示供水量调节比重系数，β∈[0,1]，β＝0时表示最大负荷流量，换热站中循环泵满功率运行，β＝1时表示供水量调节占比最大，流量调节根据热负荷变化而变化，该值可根据实际情况进行调整。
供水温度Ts的计算公式表示为：
供水流量G的计算公式表示为：
公式(5)根据集中供热的经验公式推导得出，Tcal表示预设的室内温度标准值，表示预设的供水温度标准值，/>表示预设的回水温度标准值，b表示换热中散热器的散热系数，一般取值为0.16-0.42(柱形散热器b＝0.3，板式散热器b＝0.24)。公式(6)中，Gmax表示供水流量的最大负荷值。
模型训练模块用于获取供热站的历史室外温度、历史室内温度以及历史供热负荷作为样本数据，基于所述样本数据对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型。
本实施例中，模型训练模块用于通过如下操作进行模型训练：将样本数据划分为训练数据和验证数据，基于所述训练数据，通过最小二乘法对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型，并基于所述验证数据对训练后负荷预测模型进行验证。
质-调并优调节模块用于执行如下：
(1)基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述训练后负荷预测模型预测未来供热负荷；
(2)基于未来供热负荷与供暖设计热负荷计算相对负荷比，基于未来运行流量与供暖设计流量计算相对流量比；
(3)基于当前室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量。
本实施例的系统，构建负荷预测模型，基于换热站历史数据、当前室内温度、未来气象预报温度，通过上述构建的负荷预测模型可对未来热负荷进行预测；将热负荷结果送入构建的质-量并调计算模型，该质-量并调计算模型对供水温度和供水流量进行优化计算，得到最优的供水温度与供水流量。优化目的是保证供热效果的同时，使供热能耗与水泵能耗最低。再将供水温度与供水流量作为设定值送给换热站本地PLC控制器，分别对供水温度与流量进行实时PID调节。其中供水温度由图1的一次网电调阀调节，供水流量则由二次网循环泵的压差进行调节。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (10)

1.一种基于负荷预测的集中供热系统优化控制方法，其特征在于，包括如下步骤：
基于二阶自回归平均模型构建负荷预测模型，所述负荷预测模型用于以室外温度以及室内温度为输入，预测输出供热站的供热负荷；
构建质-量并调优化模型，所述质-量并调优化模型用于基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述负荷预测模型预测未来供热负荷，并用于基于当期室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量，其中相对负荷比为未来供热负荷与供暖设计供热负荷之间的比值，相对流量比为未来运行流量与供暖设计流量之间的比值；
获取供热站的历史室外温度、历史室内温度以及历史供热负荷作为样本数据，基于所述样本数据对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型；
基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述训练后负荷预测模型预测未来供热负荷；
基于未来供热负荷与供暖设计热负荷计算相对负荷比，基于未来运行流量与供暖设计流量计算相对流量比；
基于当前室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量。
2.根据权利要求1所述的基于负荷预测的集中供热系统优化控制方法，其特征在于，所述负荷预测模型表示为：
y(k)＝-a1y(k-1)-a2y(k-2)+b1,0u1(k-1)+b1,1u1(k-2)+b2,0u2(k-1)+b2,1u2(k-2)
其中，y表示供热负荷，u1表示室外温度，u2表示室外温度，k表示离散化后的采样时间，a1、a2、b1,0、b1,1、b2,0以及b2,1表示模型参数；
对于所述负荷预测模型，将样本数据划分为训练数据和验证数据，基于所述训练数据，通过最小二乘法对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型，并基于所述验证数据对训练后负荷预测模型进行验证。
3.根据权利要求2所述的基于负荷预测的集中供热系统优化控制方法，其特征在于，所述未来热负荷Qp计算公式为：
Qp＝y(k+n)＝-a1y(k+n-1)-a2y(k+n-2)+b1,0u1(k+n-1(+
b1,1u1(k+n-2(+b2,0u2(k+n-1)+b2,1u2(k+n-2(
对于y(k+n-i)，将所述负荷预测模型的计算公式从n＝1开始迭代计算，得到y(k+n-i)；
将室内温度期望值作为室内温度u2的取值，通过如下原则计算未来供热负荷：当前室内温度低于室内温度期望值时，加大未来供热负荷，当前室内温度高于室内温度期望值时，减小未来供热负荷。
4.根据权利要求3所述的基于负荷预测的集中供热系统优化控制方法，其特征在于，所述相对负荷比的计算公式为：
其中，Qmax表示最大供热负荷，所述最大供热负荷为针对换热站设定的参数或者根据换热站历史供热负荷得到的最大供热负荷；
Qp表示未来供热负荷；
所述相对流量比表示为：
其中，β表示供水量调节比重系数，β∈[0,1]，β＝0时表示最大负荷流量，换热站中循环泵满功率运行，β＝1时表示供水量调节占比最大。
5.根据权利要求3所述的基于负荷预测的集中供热系统优化控制方法，其特征在于，所述供水温度Ts的计算公式表示为：
所述供水流量G的计算公式表示为：
其中，Tcal表示预设的室内温度标准值，表示预设的供水温度标准值，/>表示预设的回水温度标准值，b表示换热中散热器的散热系数，Gmax表示供水流量的最大负荷值。
6.一种基于负荷预测的集中供热系统优化控制系统，其特征在于，用于通过如权利要求1-5任一项所述的基于负荷预测的集中供热系统优化控制方法对集中供热系统进行优化控制，所述系统包括：
模型构建模块，所述模型构建模块用于基于二阶自回归平均模型构建负荷预测模型，所述负荷预测模型用于以室外温度以及室内温度为输入，预测输出供热站的供热负荷；并用于构建质-量并调优化模型，所述质-量并调优化模型用于基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述负荷预测模型预测未来供热负荷，并用于基于当期室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量，其中相对负荷比为未来供热负荷与供暖设计供热负荷之间的比值，相对流量比为未来运行流量与供暖设计流量之间的比值；
模型训练模块，所述模型训练模块用于获取供热站的历史室外温度、历史室内温度以及历史供热负荷作为样本数据，基于所述样本数据对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型；
质-调并优调节模块，所述质-调并优调节模块用于执行如下：
基于当前室内温度、未来预报室外温度以及未来期望室内温度，通过所述训练后负荷预测模型预测未来供热负荷；
基于未来供热负荷与供暖设计热负荷计算相对负荷比，基于未来运行流量与供暖设计流量计算相对流量比；
基于当前室内温度、当前供水温度、当前回水温度以及相对负荷比和相对流量比计算未来供水温度和未来供水流量。
7.根据权利要求6所述的基于负荷预测的集中供热系统优化控制系统，其特征在于，所述负荷预测模型表示为：
y(k)＝-a1y(k-1)-a2y(k-2)+b1,0u1(k-1)+b1,1u1(k-2
+b2,0u2(k-1)+b2,1u2(k-2)
其中，y表示供热负荷，u1表示室外温度，u2表示室外温度，k表示离散化后的采样时间，a1、a2、b1,0、b1,1、b2,0以及b2,1表示模型参数；
对于所述负荷预测模型，所述模型训练模块用于执行如下：
将样本数据划分为训练数据和验证数据，基于所述训练数据，通过最小二乘法对所述负荷预测模型进行模型参数优化，得到训练后负荷预测模型，并基于所述验证数据对训练后负荷预测模型进行验证。
8.根据权利要求7所述的基于负荷预测的集中供热系统优化控制系统，其特征在于，所述未来热负荷Qp计算公式为：
Qp＝y(k+n)＝-a1y(k+n-1)-a2y(k+n-2)+b1,0u1(k+n-1)+
b1,1u1(k+n-2)+b2,0u2(k+n-1)+b2,1u2(k+n-2)
对于y(k+n-i)，将所述负荷预测模型的计算公式从n＝1开始迭代计算，得到y(k+n-i)；
将室内温度期望值作为室内温度u2的取值，通过如下原则计算未来供热负荷：当前室内温度低于室内温度期望值时，加大未来供热负荷，当前室内温度高于室内温度期望值时，减小未来供热负荷。
9.根据权利要求8所述的基于负荷预测的集中供热系统优化控制系统，其特征在于，所述相对负荷比的计算公式为：
其中，Qmax表示最大供热负荷，所述最大供热负荷为针对换热站设定的参数或者根据换热站历史供热负荷得到的最大供热负荷；
Qp表示未来供热负荷；
所述相对流量比表示为：
其中，β表示供水量调节比重系数，β∈[0,1]，β＝0时表示最大负荷流量，换热站中循环泵满功率运行，β＝1时表示供水量调节占比最大。
10.根据权利要求9所述的基于负荷预测的集中供热系统优化控制系统，其特征在于，所述供水温度Ts的计算公式表示为：
所述供水流量G的计算公式表示为：
其中，Tcal表示预设的室内温度标准值，表示预设的供水温度标准值，/>表示预设的回水温度标准值，b表示换热中散热器的散热系数，Gmax表示供水流量的最大负荷值。
CN202310439915.1A 2023-04-23 2023-04-23 基于负荷预测的集中供热系统优化控制方法及系统 Pending CN116592417A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310439915.1A CN116592417A (zh) 2023-04-23 2023-04-23 基于负荷预测的集中供热系统优化控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310439915.1A CN116592417A (zh) 2023-04-23 2023-04-23 基于负荷预测的集中供热系统优化控制方法及系统

Publications (1)

Publication Number Publication Date
CN116592417A true CN116592417A (zh) 2023-08-15

Family

ID=87603573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310439915.1A Pending CN116592417A (zh) 2023-04-23 2023-04-23 基于负荷预测的集中供热系统优化控制方法及系统

Country Status (1)

Country Link
CN (1) CN116592417A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117249471A (zh) * 2023-11-20 2023-12-19 哈尔滨哈东新春锅炉有限公司 一种锅炉负荷调节方法及系统
CN117273195A (zh) * 2023-08-25 2023-12-22 华能苏州热电有限责任公司 一种蒸汽供热系统需求负荷预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273195A (zh) * 2023-08-25 2023-12-22 华能苏州热电有限责任公司 一种蒸汽供热系统需求负荷预测方法
CN117249471A (zh) * 2023-11-20 2023-12-19 哈尔滨哈东新春锅炉有限公司 一种锅炉负荷调节方法及系统
CN117249471B (zh) * 2023-11-20 2024-01-16 哈尔滨哈东新春锅炉有限公司 一种锅炉负荷调节方法及系统

Similar Documents

Publication Publication Date Title
CN111473407B (zh) 一种基于模型的集中供热系统按需精准调控方法
WO2021232734A1 (zh) 一种热泵与电蓄热设备自适应优化控制方法、系统及装置
CN107290968B (zh) 一种多能互补综合能源系统的协调优化控制方法
CN116592417A (zh) 基于负荷预测的集中供热系统优化控制方法及系统
JP2019522290A (ja) マルチレベルモデル予測制御を用いた可変冷媒流量システム
CN114484557B (zh) 一种基于目标能耗管控的建筑群供热负荷调控方法
US20170315580A1 (en) Systems and methods for balancing an electrical grid with networked buildings
CN113375220B (zh) 一种基于负荷预测的换热站多模式调控方法
Yu et al. District cooling system control for providing operating reserve based on safe deep reinforcement learning
CN110878959B (zh) 基于模型预测控制的建筑物温度控制方法及系统
CN215724029U (zh) 一种中央空调自适应控制系统
CN107248017B (zh) 一种考虑热电联产的实时发电计划优化方法
CN110738380A (zh) 热负荷控制方法、装置及系统
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
Petrie et al. Energy efficient control methods of HVAC systems for smart campus
CN116907036A (zh) 一种基于冷负荷预测的深度强化学习冷水机组控制方法
Himpe et al. GEOTABS concept and design: state-of-the-art, challenges and solutions
Bara et al. Model-free load control for high penetration of solar photovoltaic generation
CN113065249B (zh) 一种供热系统供回水温度预测方法及装置
CN110686350A (zh) 一种基于bp神经网络实时预测自调节温度的控制方法、计算机可读存储介质及空调
CN113390126A (zh) 一种基于室温反馈的热力站在线动态调控装置及方法
CN113609778B (zh) 一种综合能源系统多目标优化方法及系统
CN114517930A (zh) 一种融合机理和数据的热网换热站供热调节方法和装置
CN113112095A (zh) 一种多模式多供热机组负荷实时优化调度方法及管理系统
Agheb et al. Robust provisioning of demand-side flexibility under electricity price uncertainty

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