CN117875629A - 一种热力站一站一策略智能调节方法及系统 - Google Patents

Abstract

本发明公开了一种热力站一站一策略智能调节方法及系统，其方法包括：获取热力站调控参数的原始样本数据，计算数据统计特征值，并进行数据清洗和处理以及数据分割；基于所述样本数据，通过三种方式建立热力站调控参数与供热量之间的参数映射，选择最优方式输出为热力站调控预测模型；基于所述热力站调控预测模型，使用热负荷预测模块得到热负荷预测值，并以此匹配流量和供水温度的组合范围，利用寻优算法，在满足两条判据的情况下，匹配最优流量和供水温度组合并发送至DSC系统进行调控。本发明，综合多种热力站影响因素，匹配到最优的流量与供水温度组合，以供DSC系统调控，从而实现一站一策略的供热控制。

Description

一种热力站一站一策略智能调节方法及系统

技术领域

本发明属于智能调节技术领域，更具体地，涉及一种热力站一站一策略智能调节方法及系统。

背景技术

传统的蒸汽管网供热模式使用人工控制和较为粗放的管理模式，存在过热供热、能源浪费、人员劳动强度大、热力站调控不一致、控制精度差、用户满意度低等问题。而随着信息化技术的高速发展，基于自动控制、大数据、机器学习、物联网平台等先进技术的智能型热力站应运而生。智能型热力站具有自动化、智能化、高效节能等特点，能够提高供热效率，降低能源消耗，减少环境污染，提高供热服务质量。但由于供热调控手段缺乏，传统供热系统往往缺乏有效的供热调控手段，导致供热不均衡、调节滞后等问题。

现有技术中，申请号为202211612922.9的一件“基于分布式机器学习的热力站负荷预测及优化控制方法”的发明，考虑到在二次网回水温度不变的情况下，建立二次网供水温度预测模型，调节一次网调节阀来控制供水温度。申请号为202211298175.6的一件“基于二次侧流量的供热系统热力站热量调节方法及系统”的发明，是基于双重注意力机制的LSTM模型，对各个热力站二次侧循环泵和辅助调节装置的调节参数进行修正，获得最优调节参数。

现有技术并没有综合考虑天气因素、建筑特性、热力站设备等因素，在模型的选择上比较单一。本发明可以根据各个热力站的不同特性，建立多个参数与供热量之间的映射方式，选择最佳模型，获得最优的流量与供水温度组合，从而实现一站一策略的供热控制，在保证用户用热的前提下，改善并提高服务质量、降低运行能耗和碳排放，提高系统经济性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种一站一策略的热力站智能调节方法及系统；

按照本发明的第一方面，本发明提供一种一站一策略的热力站智能调节方法，包括如下步骤：

S100，获取热力站调控参数的原始样本数据，计算数据统计特征值，并进行数据清洗和处理；

S200，数据分割，将所述处理后的样本数据分割为训练集和测试集；

S300，基于所述样本数据，构建热力站负荷预测模型；

S400，基于所述热力站负荷预测模型，匹配最优流量和供水温度组合并发送至DSC系统进行调控。

进一步地，在步骤S100中，

所述原始样本数据，包括室内温度、室外温度、室外辐照、换热站的供水温度、供水流量、回水温度、供水压力、回水压力、换热站的运行数据以及气象数据；

所述统计特征值，包括平均值、最大值、最小值、标准差；

对所述样本数据进行相应的清洗和处理，包括：

第一步，时间重采样：将原始数据转换到对应的一致的频率；

第二步，时间补齐：对缺失的数据进行补齐；

第三步，异常值处理：对于异常数据，采用拉依达准则设置一个区间，并对所述原始数据进行识别，超出所述区间的数据则予以剔除；

第四步，缺失值处理：对于缺失数据，采用拉格朗日插值法进行填充；对于连续6小时以上重复或者存在缺失值的数据样本片段，直接判定为异常数据并剔除；其中，利用拉格朗日插值法公式如下：

其中，n代表样本数量，x代表待预测的样本，y_i代表第i个样本的标签，x_i代表第i个样本的i维特征值，k_i代表第i个样本的k维特征值。

进一步地，在步骤S300中，

基于机器学习算法，对所述样本数据的训练集进行学习与训练，建立热力站调控参数与热力站供热量之间的参数映射方式；将训练好的模型在测试集上进行向前滚动测试，以此评价模型的准确度和可靠性，最后将所述参数映射方式在测试集上表现最佳的模型输出为热力站调控预测模型；

其中，针对不同模型需要不同的输入数据结构和特征，因此对训练集进行相应的数据转换和特征构造，以此建立热力站调控参数与热力站供热量之间的参数映射方式；所述方式分为A、B、C三种方式，分别对应随机森林回归算法(MLP模型)、极度梯度提升回归算法(XGBoost模型)和BP神经网络算法(LSTM模型)方式；

在所述方式A中，

运用随机森林回归算法，从原始训练集中随机选择样本作为每棵树的数据样本，并随机选取一定数量的特征作为决策树的决策节点，建立回归决策树，得到多个预测值；最后计算所有预测值的平均值作为随机森林算法的预测值，并输出预测值。

在所述方式B中，

运用XGBoost模型算法，选择在XGBoost模型采用的弱分类器是CART回归树，然后把多个CART回归树组合成一个强分类器，以此构建成XGBoost算法模型：

式中：F表示所有可能的CART回归树的集合，f_k表示CART回归树中的一个函数，n表示CART回归树的个数，x_t表示第t个样本，为最终模型的预测值；

在所述方式C中，

运用BP神经网络算法，建立供热负荷的各种影响因素与负荷之间的关系，可以看作是一个多维空间到多维空间的非线性函数映射问题，因此建立3层网络模型，包括输入层、隐含层、输出层；其中输入层数据为各影响因素，输出层数据为热力站供热负荷，就可以很好地模拟这个映射问题，从而对短期供热负荷进行较好地预测。

在步骤S400包括：

S401，通过使用负荷预测模块以获取小时级负荷预测值，确定供热温度及流量调节周期，并根据所述负荷预测值，匹配未来调节周期内流量及供水温度设定值的组合范围；

S402，基于所述步骤S300中获得的热力站调控预测模型，针对多种参数指标之间的候选参数组合，选取供水温度与循环流量之间的参数组合；基于系统运行费用最小的原则进行经济性运算，利用寻优算法，在满足两条判据的情况下，匹配调节周期内所述预测模型的最优供水温度与流量组合；

S403，由于热力站DCS控制系统中以循环泵前后压差为控制信号进行循环泵变频器频率控制，因此，还需要通过利用转换公式将实际流量设定值转换为压差设定值；然后通过流量预测模型将所述压差设定值发送至DCS系统，以便所述热力站DCS控制系统中依据所述压差值为控制信号，从而进行循环泵变频器的频率控制；

S404，获取调节周期内最优流量，保持该流量直至该周期结束；根据热力站调控预测模型，利用负荷预测模块获取调节周期内热力站负荷预测值；并根据所述负荷预测值，匹配热力站供水温度设定值，然后将所述供水温度的设定值发送至DCS控制系统。

在步骤S402包括，

所述寻优算法中，通过目标函数，要求寻优目标为运行周期内的累计水泵电耗最小：

其中：E_pump代表水泵电耗，E_steam代表总蒸汽能耗；

所述判据包括：

判据1：

基于匹配热力站供水温度及二次网循环流量，能够保证未来小时内，热力站供热建筑典型室温监测值全部处于[18，22]℃区间内；

判据2：

该流量下泵前后压力大于满足管网热平衡的最小资用压头，即大于满足最不利环路用户供热需求的压力。

在步骤S403包括，

利用所述转换公式将实际流量设定值转换为压差设定值：

Q＝K·ΔP

其中，Q表示流量，ΔP表示压差，K表示实际管网中流量-压差系数。

按照本发明的第二方面，本发明提供一种一站一策略热力站智能调节系统，包括：

数据处理模块：用于获取热力站调控参数的原始样本数据，计算数据统计特征值，进行数据清洗和处理，并将处理后的样本数据分割为训练集和测试集；

调控预测模块：用于基于所述样本数据，通过三种方式建立热力站调控参数与热力站供热量之间的参数映射，并选择最优方式输出为热力站调控预测模型；

策略匹配模块：用于根据负荷预测法匹配到的流量和供水温度组合范围，在满足两条判据的情况下，使用寻优算法匹配到其最优组合，并发送至DSC系统进行调控。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1.本发明的方法，通过使用随机森林回归算法，可以处理高维数据，不需要进行特征选择，可以处理大量的数据，具有很好的扩展性，可以处理不平衡的数据集，并可以输出特征的重要性；使用的极度梯度提升算法，具有抗过拟合、计算效率高、性能好等特点；通过使用BP神经网络算法可以描述供热负荷的周期变化，也可以反映负荷的影响因素，非常适合用于复杂、非线性的供热负荷预测；

2.本发明的方法，选择在三种映射方式中选取最优模型，可以根据不同热力站的实际情况，动态调整供水温度和二网循环流量的目标值，降低人员操作强度，提高系统控制精度，并在保证供热品质的同时，达到节能降耗等效果；

3.本发明的方法，综合考虑天气因素、建筑特性、热力站设备和负荷预测等因素，通过智能调节方法，获得最优的供水温度和二网循环流量组合数据，可以显著降低人员劳动强度和热力站能耗，并提高供热品质和用户满意度。

附图说明

图1为本发明实施例的逻辑流程图；

图2为本发明实施例的步骤流程图；

图3为本发明实施例调控预测模型的组合预测结果图；

图4为本发明实施例调控预测模型的组合预测结果图；

图5为本发明实施例最优参数匹配方法。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供一种热力站一站一策略智能调节方法，如图1所示，获取热力站调控参数的原始样本数据，计算数据统计特征值，并进行数据清洗和处理以及数据分割；基于所述样本数据，通过三种方式建立热力站调控参数与供热量之间的参数映射，选择最优方式输出为热力站调控预测模型；基于所述热力站调控预测模型，使用电荷预测模块得到电荷预测值，并以此匹配到流量和供水温度的组合范围，再利用寻优算法匹配，在满足两条判据的情况下，最优流量和供水温度组合并发送至DSC系统进行调控；

如图2所示为本发明实施例的流程图，包括步骤：

S100，获取热力站调控参数的原始样本数据，计算数据统计特征值，并进行数据清洗和处理；

S200，数据分割，将所述处理后的样本数据分割为训练集和测试集；

S300，基于所述样本数据，构建热力站负荷调控预测模型；

S400，基于所述热力站负荷调控预测模型，匹配最优流量和供水温度组合并发送至DSC系统进行调控。

步骤S100中，获取热力站调控参数的原始样本数据，计算数据统计特征值，并进行数据清洗和处理；

所述原始样本数据，包括室内温度、室外温度、室外辐照、换热站的供水温度、供水流量、回水温度、供水压力、回水压力、换热站的运行数据以及气象数据；

所述统计特征值，需要根据统计学理论计算所述原始样本数据，获得平均值、最大值、最小值、标准差；

对所述样本数据进行相应的清洗和处理，包括：

第一步，时间重采样：将原始数据转换到对应的一致的频率；

第二步，时间补齐：对缺失的数据进行补齐；

第三步，异常值处理：对于异常数据，采用拉依达准则设置一个区间，并对所述原始数据进行识别，超出所述区间的数据则予以剔除；

第四步，缺失值处理：对于缺失数据，采用拉格朗日插值法进行填充；利用拉格朗日插值法公式如下：

其中，n代表样本数量，x代表待预测的样本，y_i代表第i个样本的标签，x_i代表第i个样本的i维特征值，k_i代表第i个样本的k维特征值；

对于连续6小时以上重复或者存在缺失值的数据样本片段，直接判定为异常数据并剔除。

步骤S200中，数据分割：将所述预处理后的样本数据分割为训练集和测试集；其中，训练集用于训练模型,占比80％，测试集用来测试训练后模型的效果和性能,占比20％。

步骤S300中，基于所述样本数据，构建热力站调控预测模型

热力站调控模块基于机器学习算法，对热力站历史运行数据的训练集进行学习与训练，建立热力站调控参数与热力站供热量之间的参数映射方式；将训练好的模型在测试集上进行向前滚动测试，以此评价模型的准确度和可靠性，最后将所述参数映射方式在测试集上表现最佳的模型输出为热力站调控预测模型；

具体而言，所述参数映射包括三种方式；这是针对不同模型需要不同的输入数据结构和特征，因此对训练集进行相应的数据转换和特征构造，以此建立热力站调控参数与热力站供热量之间的参数映射方式；所述方式分为A、B、C三种方式，分别对应随机森林回归算法(MLP模型)、极度梯度提升回归算法(XGBoost模型)和BP神经网络算法(LSTM模型)方式；

进一步地，所述方式A中，

运用随机森林回归算法，从原始训练集中随机选择样本作为每棵树的数据样本，并随机选取一定数量的特征作为决策树的决策节点，建立回归决策树，得到多个预测值；最后计算所有预测值的平均值作为随机森林算法的预测值，并输出预测值；

进一步地，所述方式B中，

运用XGBoost模型算法，选择在XGBoost模型采用的弱分类器是CART回归树，然后把多个CART回归树组合成一个强分类器，以此构建成XGBoost算法模型：

式中：F表示所有可能的CART回归树的集合，f_k表示CART回归树中的一个函数，n表示CART回归树的个数，x_t表示第t个样本，为最终模型的预测值；

进一步地，所述方式C中，

运用BP神经网络算法，建立供热负荷的各种影响因素与负荷之间的关系，可以看作是一个多维空间到多维空间的非线性函数映射问题，因此建立3层网络模型，包括输入层、隐含层、输出层；其中输入层数据为各影响因素，输出层数据为热力站供热负荷，就可以很好地模拟这个映射问题，从而对短期供热负荷进行较好地预测；

请参见图3-4，实施例中，按照本发明的方法，实际运行过程中热力站调控预测模型输出的预测值与实测值高度吻合。

步骤S400中，如图5所示，基于所述热力站调控预测模型，匹配最优流量和供水温度组合并发送至DSC系统进行调控；

进一步地，S401，通过使用负荷预测模块以获取小时级负荷预测值，确定一个供热温度及流量调节周期，并根据所述负荷预测值，匹配未来一个周期内流量及供水温度设定值的组合范围；

实施例中，以4小时为一个供热温度及流量调节周期，根据所述负荷预测模块提供的未来4个小时的热力站负荷，匹配未来4小时级的流量及供水温度设定值。

进一步地，S402，基于所述步骤S300中获得的热力站调控预测模型，针对多种参数指标之间的候选参数组合，选取供水温度与循环流量之间的参数组合；基于系统运行费用最小的原则进行经济性运算，利用寻优算法，在满足两条判据的情况下，匹配一个周期内所述预测模型的最优供水温度与流量组合；通过目标函数，寻优目标为运行周期内的累计水泵电耗最小；

其中：E_pump代表水泵电耗，E_steam代表总蒸汽能耗；

具体而言，设置所述两条判据为：

判据1：

基于匹配热力站供水温度及二次网循环流量，能够保证未来小时内，热力站供热建筑典型室温监测值全部处于[18，22]℃区间内；

判据2：

该流量下泵前后压力大于满足管网热平衡的最小资用压头，即大于满足最不利环路用户供热需求的压力。

进一步地，S403，由于热力站DCS控制系统中以循环泵前后压差为控制信号进行循环泵变频器频率控制，因此，还需要通过利用转换公式，将实际流量设定值转换为压差设定值：

Q＝K·ΔP

其中，Q表示流量，ΔP表示压差，K表示实际管网中流量-压差系数；通过流量预测模型将所述压差设定值发送至DCS系统，以便所述热力站DCS控制系统中依据所述压差值为控制信号，从而进行循环泵变频器的频率控制。

进一步地，S404，获取一个周期内最优流量，保持该流量直至该周期结束；根据热力站调控预测模型，利用负荷预测模块获取一段周期内热力站负荷预测值；并根据所述负荷预测值，匹配热力站供水温度设定值，然后将所述供水温度的设定值发送至DCS控制系统。

本发明还提供一种一站一策略热力站智能调节系统，包括：

数据处理模块：用于获取热力站调控参数的原始样本数据，计算数据统计特征值，进行数据清洗和处理，并将处理后的样本数据分割为训练集和测试集；

调控预测模块：用于基于所述样本数据，通过三种方式建立热力站调控参数与热力站供热量之间的参数映射，并选择最优方式输出为热力站调控预测模型；

策略匹配模块：用于根据负荷预测法匹配到的流量和供水温度组合范围，在满足两条判据的情况下，使用寻优算法匹配到其最优组合，并发送至DSC系统进行调控。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种热力站一站一策略智能调节方法，其特征在于，包括如下步骤：

S100，获取热力站调控参数的原始样本数据，计算数据统计特征值，并进行数据清洗和处理；

S200，数据分割，将所述处理后的样本数据分割为训练集和测试集；

S300，基于所述样本数据，构建热力站负荷预测模型；

S400，基于所述热力站负荷预测模型，匹配最优流量和供水温度组合并发送至DSC系统进行调控。

2.根据权利要求1所述的一种热力站一站一策略智能调节方法，其特征在于，步骤S100中，

所述原始样本数据，包括室内温度、室外温度、室外辐照、换热站的供水温度、供水流量、回水温度、供水压力、回水压力、换热站的运行数据以及气象数据；

所述统计特征值，包括平均值、最大值、最小值、标准差；

对所述样本数据进行相应的清洗和处理，包括：

第一步，时间重采样：将原始数据转换到对应的一致的频率；

第二步，时间补齐：对缺失的数据进行补齐；

第三步，异常值处理：对于异常数据，采用拉依达准则设置一个区间，并对所述原始数据进行识别，超出所述区间的数据则予以剔除；

第四步，缺失值处理：对于缺失数据，采用拉格朗日插值法进行填充；对于连续6小时以上重复或者存在缺失值的数据样本片段，直接判定为异常数据并剔除；其中，利用拉格朗日插值法公式如下：

其中，n代表样本数量，x代表待预测的样本，y_i代表第i个样本的标签，x_i代表第i个样本的i维特征值，k_i代表第i个样本的k维特征值。

3.根据权利要求1所述的一种热力站一站一策略智能调节方法，其特征在于，步骤S300中，

基于机器学习算法，对所述样本数据的训练集进行学习与训练，建立热力站调控参数与热力站供热量之间的参数映射方式；将训练好的模型在测试集上进行向前滚动测试，以此评价模型的准确度和可靠性，最后将所述参数映射方式在测试集上表现最佳的模型输出为热力站调控预测模型；

其中，针对不同模型需要不同的输入数据结构和特征，因此对训练集进行相应的数据转换和特征构造，以此建立热力站调控参数与热力站供热量之间的参数映射方式；

所述方式分为A、B、C三种方式，分别对应随机森林回归算法(MLP模型)、极度梯度提升回归算法(XGBoost模型)和BP神经网络算法(LSTM模型)方式。

4.根据权利要求3所述的一种热力站一站一策略智能调节方法，其特征在于，所述方式A中，

运用随机森林回归算法，从原始训练集中随机选择样本作为每棵树的数据样本，并随机选取一定数量的特征作为决策树的决策节点，建立回归决策树，得到多个预测值；最后计算所有预测值的平均值作为随机森林算法的预测值，并输出预测值。

5.根据权利要求3所述的一种热力站一站一策略智能调节方法，其特征在于，所述方式B中，

运用XGBoost模型算法，选择在XGBoost模型采用的弱分类器是CART回归树，然后把多个CART回归树组合成一个强分类器，以此构建成XGBoost算法模型：

式中：F表示所有可能的CART回归树的集合，f_k表示CART回归树中的一个函数，n表示CART回归树的个数，x_t表示第t个样本，为最终模型的预测值。

6.根据权利要求3-5中任一项所述的一种热力站一站一策略智能调节方法，其特征在于，所述方式C中，

运用BP神经网络算法，建立供热负荷的各种影响因素与负荷之间的关系，看作是一个多维空间到多维空间的非线性函数映射问题，因此建立3层网络模型，包括输入层、隐含层、输出层；其中输入层数据为各影响因素，输出层数据为热力站供热负荷，就很好地模拟这个映射问题，从而对短期供热负荷进行较好地预测。

7.根据权利要求1-6中任一项所述的一种热力站一站一策略智能调节方法，其特征在于，步骤S400包括：

S401，通过使用负荷预测模块以获取小时级负荷预测值，确定供热温度及流量调节周期，并根据所述负荷预测值，匹配未来调节周期内流量及供水温度设定值的组合范围；

S402，基于所述步骤S300中获得的热力站调控预测模型，针对多种参数指标之间的候选参数组合，选取供水温度与循环流量之间的参数组合；基于系统运行费用最小的原则进行经济性运算，利用寻优算法，在满足两条判据的情况下，匹配调节周期内所述预测模型的最优供水温度与流量组合；

S403，由于热力站DCS控制系统中以循环泵前后压差为控制信号进行循环泵变频器频率控制，因此，还需要通过利用转换公式将实际流量设定值转换为压差设定值；然后通过流量预测模型将所述压差设定值发送至DCS系统，以便所述热力站DCS控制系统中依据所述压差值为控制信号，从而进行循环泵变频器的频率控制；

S404，获取调节周期内最优流量，保持该流量直至该周期结束；根据热力站调控预测模型，利用负荷预测模块得到调节周期内热力站负荷预测值；并根据所述负荷预测值，匹配热力站供水温度设定值，然后将所述供水温度的设定值发送至DCS控制系统。

8.根据权利要求7所述的一种热力站一站一策略智能调节方法，其特征在于，步骤S402包括，

所述寻优算法中，通过目标函数，要求寻优目标为运行周期内的累计水泵电耗最小：

其中：E_pump代表水泵电耗，E_steam代表总蒸汽能耗；

所述判据包括：

判据1：

基于匹配热力站供水温度及二次网循环流量，能够保证未来小时内，热力站供热建筑典型室温监测值全部处于[18，22]℃区间内；

判据2：

该流量下泵前后压力大于满足管网热平衡的最小资用压头，即大于满足最不利环路用户供热需求的压力。

9.根据权利要求7所述的一种热力站一站一策略智能调节方法，其特征在于，步骤S403包括，所述流量预测模型中，将实际流量设定值转换为压差设定值：

Q＝K·ΔP

其中，Q表示流量，ΔP表示压差，K表示实际管网中流量-压差系数。

10.一种热力站一站一策略智能调节系统，其特征在于，包括：

数据处理模块：用于获取热力站调控参数的原始样本数据，计算数据统计特征值，进行数据清洗和处理，并将处理后的样本数据分割为训练集和测试集；

调控预测模块：用于基于所述样本数据，通过三种方式建立热力站调控参数与热力站供热量之间的参数映射，并选择最优方式输出为热力站调控预测模型；

策略匹配模块：用于根据负荷预测法匹配到的流量和供水温度组合范围，在满足两条判据的情况下，使用寻优算法匹配到其最优组合，并发送至DSC系统进行调控。