CN114565167A - 一种新型热力入口负荷动态预测及调控方法 - Google Patents
一种新型热力入口负荷动态预测及调控方法 Download PDFInfo
- Publication number
- CN114565167A CN114565167A CN202210206729.9A CN202210206729A CN114565167A CN 114565167 A CN114565167 A CN 114565167A CN 202210206729 A CN202210206729 A CN 202210206729A CN 114565167 A CN114565167 A CN 114565167A
- Authority
- CN
- China
- Prior art keywords
- load
- heat
- time
- model
- room temperature
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000033228 biological regulation Effects 0.000 title claims abstract description 42
- 238000005265 energy consumption Methods 0.000 claims abstract description 28
- 238000012546 transfer Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 21
- 230000000737 periodic effect Effects 0.000 claims description 20
- 230000001186 cumulative effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000005096 rolling process Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000009432 framing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005338 heat storage Methods 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract description 7
- 230000009467 reduction Effects 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种新型热力入口负荷动态预测及调控方法,机理和数据混合驱动,以目标能耗精准管控为核心,稳态传热方程和机器语言融合建模,简易可行,且具有自学习、自适应、自趋优能力,适用于分时分区分温精准供热,可有效避免用户侧超供的情况;结合能源中心热源侧的调节,有利于整个***的高效运行,尽可能时间尺度空间尺度足够小的实现“按需供热”,满足用户热需求同时,显著节能减排。
Description
技术领域
本发明属于供热领域运行调节领域,具体涉及一种新型热力入口负荷动态预测及调控方法。
背景技术
在我国的北方地区,集中供热是最常见的供热形式。按需精准供热是保证用户供热舒适度,同时实现显著节能减排的基本路径。集中供热由于存在较大的***热惯性、建筑热惰性,以及用户用热模式的时变性,导致***瞬态调节响应能力有限,实际的供热过程均存在不同程度的供需不匹配及能源浪费。
据统计,我国北方供暖面积超200亿平米,目前平均能耗每平米约15kg标煤,理论上可以达到5kg标煤,节能空间很大。全国建筑碳排放占总排放比例高达22%,北方供暖排碳占建筑排放的25%。
近年来,随着物联网技术的应用、自控技术的发展,集中供热***的自动化、信息化、智能化水平得到普遍提升。信息与能量的深度融合,为实现“按需供热”的精细管控提供了可能。双碳目标背景下,开发以目标能耗管控为核心的负荷模型及调控方法,根据气象因素和用户实际需要及其时变性,及时给出足够小偏差范围内的需求负荷预报及调控响应,对于实现建筑领域的清洁高效供热具有重要的意义。
关于集中供热***的运行调节,很多研究表明,集中供热***的运行调节策略与建筑的设计热负荷指标没有直接关系,集中供热实际参数与设计参数之间存在很大差异。因此,集中供热***的实际运行调节方案与理论运行调节方案不同,需要依据实际参数来制定集中供热***的运行调节方案。
集中供热运行调节的主要目的是使供热***在满足用户热需求的前提下,避免过度供热引起的能源浪费。集中供热***通常包括数量众多的多种类型用户,用热规律存在较大差异,即使相同用户类型其用热需求也并不完全相同。因此,结合供热管网实际场景,充分考虑用户实际需求的时变性及差异性,尽可能时间尺度空间尺度足够小的给出负荷预测,对于实现集中供热***的精准“按需供热”,最大程度地避免过度供热的能源浪费,具有重要的意义。
实际供热过程中,热力入口是控制、调节、调整进入室内介质压力及流量的装置。通常,热力入口设置在进入每栋建筑物之前的地沟内,并设置热力入口井,以便于人员操作和检修。近年来,城镇规模的集中供热***的自动化、信息化、智能化水平得到普遍提升,基本具备了热力入口精细化管控的硬件条件。基于此,本发明提出了一种基于目标能耗管控的热力入口负荷模型及调控方法,适用供热管网不同热力入口的分时分区分温精准供热,有利于***的高效运行,满足用户热需求同时,显著节能减排。
集中供热运行调节的主要目的是使供热***在满足用户热需求的前提下,避免过度供热引起的能源浪费。很多学者对集中供热***的运行调节做了相应的研究工作。已有很多理论研究与实践表明,分时分区分温的供热模式具有很好的节能效果。文献大多集中在单体房间、独立建筑的负荷预测及分时分区供热理论模拟及试验研究方面。
集中供热***的实际运行中,传统的实际操作大都是依据历史运行经验主要根据未来室外气温的变化来确定,如普遍采用的气候补偿器。这种调节的假设前提是,热网历史经验能够很好地满足用户热需求,且不存在过度供热。实际上,由于存在***惯性、建筑热惰性、用户实际需求的时变性,以及建筑内部人员行为、室外气温外其他气象因素等的各种不确性热扰,未来的负荷需求及***的响应均与历史经验存在较大偏差。
鉴于此,开发以目标负荷管控为核心的集中供热运行调节方法,充分考虑用户实际需求的时变性及其差异性、气象因素及其累积效应、***惯性、建筑热惰性,给出足够小偏差范围内的负荷预报及调控方法,有利于实现建筑领域清洁高效供热,对于实现“按需供热”的精准目标能耗管控和具有重要意义。
关于供热***负荷模型及预测方法的报导很多,现有方法基本可以归为两类,一是,能够计算给定气象条件下不同目标室温的需求负荷,主要采用专用模拟软件或体积热指标法进行理论分析,需要输入设计参数等较多物理量,与实际运行存在较大偏差。二是,结合热网运行经验预测未来时刻的负荷,大都仅考虑室外气象因素与负荷的相关性,部分文献将用户室温作为反馈参与实际运行调节。前者通常需要输入设计参数等比较多的物理量,对于集中供热***的实际运行给出理论指导。后者的假设前提是,供热***不存在气象因素外的其他内外热扰,这与实际现象存在很大偏差。
集中供热***的建筑热过程通常存在长时滞以及大惯性的特征,同时由于气候、室内热扰、用户用热模式等因素存在一定的随机性和时变性,使得负荷预测具有一定程度的动态不确定性。
关于集中供热***末端用户的负荷预测研究,文献报导大多仅考虑气象对负荷的影响,部分研究考虑了特殊日期、占用率等因素对用户类型相同建筑负荷的影响。
研究表明,建筑热负荷受外部环境和人员行为的影响,在时间上呈现出一定的周期特性。用户行为的不确定性会影响模型的预测精度,且改变居民用户行为对降低建筑能耗具有巨大潜力。
基于物理原理模型(如EnergyPlus)统计的数据分析,可以***分析不同因素对负荷的影响,但需要输入较多物理参数的信息;基于机器语言(如ANN、LSTM等) 实验统计的数据分析,不依赖太多物理量也可以保持一定的预测精度,但其结果对样本依赖性强,有严格的适用范围。
关于供热***负荷模型及预测方法的报导,大都仅考虑室外气象因素与负荷的相关性,部分文献将用户室温作为反馈参与实际运行调节。假设前提是,目标室温值是不变的,供热***不存在气象因素外的其他内外热扰,需求负荷仅与气象因素有关,这与实际现象存在很大偏差。
室外气象因素是影响供热负荷及运行调节的重要因素,涉及室外温度、气温、风速、辐射等气象因子。相关研究中关于室外气象因素的处理方式可以归为三类:一是,将气温、风速、辐射等气象因子均作为模型输入物理量;二是,利用环境综合温度概念,考虑了太阳辐射和风速的对空气温度的影响;三是,利用气温累计效应,综合考虑室外气象因素的影响。
众多研究表明,待测时刻的负荷与气温相关,且与前几日的负荷相关;人员行为等对负荷的影响具有周期性。
鉴于此,本专利提出一种简易可行的新型热力入口负荷动态预测及调控方法。以目标能耗管控为核心,“机理+数据”融合建模,包括基于稳态传热方程的基础负荷模型和基于机器语言简单模型的热扰动态修订模型,可兼顾长期趋势的掌控和短期预测的精度。模型参数基于热网实际历史数据标定,仅涉及负荷、气温、室温三个物理量,不需要输入设计参数等众多物理量和设定很多物性系数,很容易实行。
针对用户室温、室外环境等确定性因素,从基本传热方程出发,建立基础热负荷模型,考虑表征用户需求的室温特征值和综合气象因素及其累积效应的综合气温与负荷的相关性。基于热网历史数据标定模型参数,有利于对长期变化趋势的管控。对于气象因素外的影响均归为不确性热扰,包括相邻入口建筑房间的传热及人员行为等,基于机器语言的简单模型,通过实际热网历史运行数据挖掘,建立热扰动态预测模型,标定模型参数,并确定周期性热扰时长。
实际运行调节过程中,基于***模块确定待预测时刻表征用户热需求的目标室温及气象因素,利用基础热负荷模型计算基础负荷;采用滚动预测的方法确定待预测时刻的热扰量,基于待测时刻之前热扰时长覆盖的样本信息,利用热扰动态预测模型计算热扰量。利用热扰量修正基础负荷,得到待测时刻的目标负荷。并考虑***惯性、建筑热惰性以及***临时参数变化等不确定性扰动,结合代表性室温、用户反馈的多目标监控,对基础负荷模型和热扰动态预测模型进行周期性校准,并对目标负荷进行周期性负荷补偿。
因此,本发明提出的一种新型热力入口负荷动态预测及调控方法,具有自学习、自适应、自趋优能力,适用于分时分区分温精准供热,可有效避免用户侧超供的情况;结合能源中心热源侧的调节,有利于整个***的高效运行,尽可能时间尺度空间尺度足够小的实现“按需供热”,满足用户热需求同时,显著节能减排,具用很好的外推性,其结果和方法可以适用于具有相似特征的场景。
发明内容
本发明的目的在于克服现有技术的不足,提供一种新型热力入口负荷动态预测及调控方法,基于机理和数据混合驱动,以目标能耗精准管控为核心,适用于分时分区分温精准供热,有利于集中供热***的高效运行,尽可能时间尺度空间尺度足够小的实现“按需供热”,满足用户热需求同时,显著节能减排。
本发明解决其技术问题是通过以下技术方案实现的:
一种新型热力入口负荷动态预测及调控方法,其特征在于:采集安装在用户侧热力入口供水管道上的热量表、流量传感器、供水温度传感器及安装在热用户室内的室温传感器的数据,并以目标负荷为中心,利用气象及室温负荷对基础负荷预测值进行周期性补偿,得到基于负荷模型的目标能耗调控路线;
所述方法的具体步骤为:
1)采集热网运行数据通过通讯模块传输至上位机,并保存在数据库中;
2)读取数据库中的气象信息、室温及负荷,根据历史数据对基础负荷模块及热扰动态预测模块中的参数进行标定,并在运行过程中进行周期性校准;
3)基于***模块确定未来时刻表征用户需求的室温特征值、考虑气象因素及累积效应的综合气温输入负荷模型,计算得到未来时刻基础负荷的预测值,从基础负荷模块获取未来时刻的基础负荷预测值并输入至热扰动态预测模块,并对基础负荷预测值进行周期性校准及负荷补偿修订,得到目标负荷;
4)将上述该目标负荷输出给控制对象,并以目标负荷为核心进行控制单元的运行调节,达成“按需供热”的目标能耗精准管控。
而且,所述步骤3)中基础负荷模块的具体实现步骤为:
1)根据稳态传热方程,基于集总参数法,仅考虑用户室温、室外环境等确定性因素与负荷的相关性,热力入口的稳态负荷计算公式为:
Q=kF(tn-tw) (1)
其中:Q为热力入口的热负荷,单位为W;
k为传热系数,单位为W/(m2·℃);
F为传热面积,单位为m2;
tn,、tw分别为室内、外空气温度,单位为℃;
2)针对某确定的热力入口,确定负荷与室内外温差的相关性,如下式:
Q=f(tn,t'w) (2)
其中:tn为该热力入口表征用户热舒适性的室温特征值;
t’w为代表气象因素及其累积效应的综合气温;
Q为该热力入口的负荷;
3)从数据库获得相关参数,进行数据预处理,获得时间点一致的参数,包括室温、气温以及负荷,基于历史数据对模型进行参数标定和检验,其中气温为考虑气象因素及其累积效应的综合气温,室温选取控制单元有代表性的监测点室温,室温监测点覆盖控制对象供热范围内典型性位置,如距离热源远近、位于建筑中的位置、朝向,选取室内人员行为等内部热扰小的监测点室温,结合实际负荷模拟,确定所关注热力入口在供热运行期间的室温特征值;
4)影响负荷的主要气象因素主要包括气温、风速、太阳辐射,一定程度上均可以表现在其对供热建筑储放热特性的影响,结合建筑热惰性的考虑,气温及其他气象因素对负荷的影响可以用考虑气温累积效应的综合气温来体现,通常,持续时间超过 3天以上时,影响程度会变小,所以一般只考虑待测日前3天的气温,基于以上分析,对待测日温度采用如下公式进行修正:
其中:i为待预测日第i日;
t’w,i为待预测日综合气温;
tw,i为预测日的平均气温;
tw,i-1为预测日前一日的平均气温;
tw,i-2为预测日前二日的平均气温;
tw,i-3为预测日前三日的平均气温;
m0,m1,m2,m3为相应累积效应系数;
5)负荷模型函数的具体形式和参数标定,包括公式(2)的具体形式及参数标定、公式(3)的参数标定,根据历史数据进行标定,采用多元回归和机器语言迭代寻优,设定模型精度控制值,并进行模型校验;
6)读取数据库,将基于***模块确定的未来时刻目标室温和气象信息,输入上述标定好的负荷模型,计算得到控制单元未来时刻的基础负荷需求,进入热扰动态修订模块以确定调节用的目标负荷;
7)在实际运行过程中,考虑***临时参数变化、人员行为等不确定性扰动,对负荷模型、预测的基础负荷进行周期性校准和动态修正。
而且,所述步骤3)中热扰动态预测模块的具体实现步骤为:
1)人工神经网络的热扰动态预测模块的建立:采用双向长短期记忆LSTM网络模型,基于输入序列的时间顺序对所有统计样本输入进行滚动预测,将隐藏层分为正反两个独立的隐藏层,输出层同时具有过去和未来的信息,加深对原序列特征提取层次;
双向长短期记忆LSTM网络模型将LSTM变为两个传递状态,一个Ct和一个ht,并在算法中加入了一个模块,在一个信息xt进入cell后,和ht拼接训练得到3个状态,计算具体公式如下:
it=σ(Wi[ht-1,xt]+bi) (4)
ft=σ(Wf[ht-1,xt]+bf) (5)
Ot=σ(Wo[ht-1,xt]+bo) (6)
其中:σ是sigmoid激活函数;
Wi、Wf、Wo分别表示每个门对应的权重矩阵待标定参数;
ht-1是前一时间步的隐藏状态;
xt是时间t的输入值;
bi、bf和bo分别是每个门的待标定偏置值;
候选细胞at在每个时间步长计算以覆盖存储单元,使用双曲正切激活函数(tanh)计算,计算公式如下:
at=tanh(Wa[ht-1,xt]+ba) (7)
当前存储单元(Ct)和当前隐藏状态(ht)计算公式如下所示;
Ct=ft*Ct-1+it*at (8)
ht=ot*tanh(Ct) (9)
2)样本数据处理:读取数据库,进行数据预处理,获得时间点一致参数,包括历史时刻的室温及负荷,从基础负荷模块获取相应时刻的基础负荷,计算负荷扰动量 m,m为实际负荷Q0与基础热负荷Q的比值,其中室温选取控制单元有代表性的监测点室温,室温监测点覆盖控制对象供热范围内典型性位置,如位于建筑中的位置、朝向,选取室内人员行为等内部热扰小的监测点室温,结合实际负荷模拟,确定所关注热力入口在运行期间的室温特征值,
将样本参数的室温、比值进行归一化处理,使用min-max归一化,使归一化后的结果都位于0~1之间,min-max标准化的计算公式如下:
其中:x代表输入变量数据;
xmin代表输入变量数据的最小值;
xmax代表输入变量数据的最大值;
y代表标准化后的数据;
3)利用上述2)中归一化处理的样本参数信息(室温、负荷扰动量),进行模型参数标定,包括公式(4)~(6)中三个门的权重矩阵Wi、Wf、Wo及其偏置值bi、bf和bo,周期性热扰时长;根据历史数据进行标定,基于输入序列的时间顺序对所有统计样本输入进行滚动预测,设定模型精度控制值迭代寻优,标定模型参数,并进行模型校验,采用统计样本时间序列的前70%训练,依次10%验证、20%测试;
设置一个滑动窗口,根据指定的单位长度(3-10天)来框住时间序列,选取不同时间步长的输入样本作为相应时间序列输入到数据驱动算法,输入样本在时间轴上逐步向前滑动预测得到下一个时间步长的热扰动负荷量,计算输入样本与预测的热扰动负荷量的相关系数r,最大相关系数对应的时间步长即为该用户的周期性热扰时长,即预测未来时刻需要输入滚动数据的长度,相关系数计算公式如下:
4)将待预测时刻之前上述步骤3)确定的热扰时长覆盖的样本信息,输入上述步骤3)标定的热扰动态预测模块,计算待预测时刻的热扰量m,利用热扰量修正基础负荷模型计算的基础负荷Q,得到待预测时刻的目标负荷Q1,输出给控制对象,计算公式如下所示:
Q1=m*Q (12)
5)在实际运行过程中,考虑***惯性、建筑热惰性以及***临时参数变化等不确定性扰动,结合代表性室温、用户反馈的多目标监控,对基础负荷模型和热扰动态预测模型进行周期性校准,并对目标负荷进行周期性负荷补偿。
本发明的优点和有益效果为:
1、本发明提出的一种新型热力入口负荷动态预测及调控方法,采用机理和数据混合驱动,稳态传热方程和机器语言融合建模,以目标能耗管控为核心,简易可行;且适用于集中供热***用户侧分时分区分温的精准供热,有利于***的高效运行,实现双碳目标背景下建筑领域清洁高效供热的目标能耗管控,满足用户热需求同时,显著节能减排。
2、本发明专利提出的负荷动态预测模型,稳态传热方程和机器语言融合建模,避免了只考虑数据驱动模型预测结果受异常样本影响,模型泛化推广能力、鲁棒性欠佳的问题,建立混合模型面临未知样本时,仍能表现出良好的预测能力,且对异常样本较为鲁棒,解决了使用机理建模负荷预测结果精度偏低的问题,同时减少数据驱动受异常样本影响,对于用户侧负荷预测性建模和大规模工程推广都具有重要意义。
3、本发明针对用户室温、室外环境等确定性因素,从基本传热方程出发,根据最基本的稳态传热方程,基于集总参数法,仅考虑表征用户需求的室温特征值和综合气象因素及其累积效应的综合气温与负荷的相关性,建立基础热负荷模型,基于热网历史数据标定模型参数,有利于对长期变化趋势的管控。
4、本发明对于气象因素外的影响均归为不确性热扰,包括相邻入口建筑房间的传热及人员行为等,基于机器语言的简单模型,通过实际热网历史运行数据挖掘,建立热扰动态预测模型,标定模型参数,并确定周期性热扰时长,可以更好地反映当前***预测的不同类型用户的特点。采用滚动预测的方法,根据前几日的室温及热负荷偏差因素从数据表征上辨识用户侧周期性热扰时长,包含了人们对热舒适性不同的需求,短时间的开窗行为等信息,避免了用户行为等信息采困难的问题,有效地提高了模型短期预测的精度。
5、本发明提出的负荷动态预测模型,充分考虑用户实际需要及其时变性,引入室温特征值表征用户热舒适性的室温特征,进行模型标定及未来时刻的需求负荷预报。因此,本发明以目标负荷管控为核心的运行调节,可有效避免室温波动幅度大、能耗大、用户舒适性差、报修多并存的问题。
6、本发明专利提出的负荷动态预测模型,仅涉及热力入口的负荷、室温、气温三个物理量,不需要输入设计参数等众多物理量和设定很多物性系数,很容易实行,区别于常用专业模拟软件或体积热指标法,对于不同场景需要输入设计参数等众多物理量建模,且与实际运行存在较大偏差。
7、本发明专利基于模型控制的思想提出力入口负荷动态预测及调控方法,在实际运行过程中,考虑***惯性、建筑热惰性以及***临时参数变化等不确定性扰动,结合代表性室温、用户反馈的多目标监控,对基础负荷模型和热扰动态预测模型进行周期性校准,并对目标负荷进行周期性负荷补偿。有利于满足用户热需求同时,避免用户侧过度供热、人员行为等引起的能源浪费。
8、本发明提出的以热力入口目标负荷管控为核心的运行调控方法,特别适用于用户侧的运行调节,充分考虑了用户需求时变性,根据目标室温、气象因素及人员行为等特征,确定未来时刻的目标负荷,指导用户侧热力入口或末端的分时分温“按需供热”,达成对目标能耗的精细管控。
9、本发明提出的新型热力入口负荷动态预测及调控方法,简易可行,且适用于分时分区分温精准供热具有自学习、自适应、自趋优能力,可有效避免用户侧超供的情况,节能效果显著。
10、本发明专利同样适用于不同层级控制单元的目标能耗管控调节,基于未来时刻目标负荷精准预报的主动调节,实现时间尺度空间尺度足够小的分时分温分区“按需供热”,满足用户热需求同时,显著节能减排。
11、本发明提出的热力入口负荷动态预测模型,可以基于很容易获得的历史数据样本快速建模,评估既有***运行水平、分析节能潜力。区别于常用专业模拟软件或体积热指标法,对于不同场景需要输入设计参数等众多物理量建模,且与实际运行存在较大偏差。
12、本发明易于实施,使用范围广泛,可操作性强,成本可控,所需要的参数(负荷、室温)在供热***中很容易获得,所在区域的气象信息从气象网站上很容易获取。供热管网不需大规模改动,不涉及土木等改造。
13、本发明提出的新型热力入口负荷动态预测及调控方法,具用很好的外推性,其结果和方法可以适用于具有相似特征的场景。
附图说明
图1为本发明集中供热***管网示意图;
图2为本发明热力入口装置示意图;
图3为本发明基于负荷模型的目标能耗精准管控技术路线图;
图4为本发明基础负荷模块框图;
图5为本发明基础负荷模型及参数标定流程图;
图6为本发明热扰动态预测模块框图;
图7为本发明热扰动态预测模型及参数标定流程图;
图8为本发明双向长短期记忆LSTM网络结构示意图;
图9为本发明实施例集中供热***示意图;
图10为本发明实施例2020-2021供暖季不同类型用户热力入口实际逐日负荷及模拟值曲线图;
图11为本发明实施例2021-2022供暖季不同类型用户热力入口实际逐日负荷及模拟值曲线图;
图12为本发明实施例2021-2022供暖季不同热力入口逐日负荷的运维管控分析图;
图13为本发明实施例2021-2022供暖季不同热力入口累计负荷的运维管控分析图;
图14为本发明实施例能源站低区2020-2021供暖季(61天)负荷比较柱状图;
图15为本发明实施例能源站低区2021-2022供暖季(61天)单位面积能耗柱状图;
图16为本发明实施例能源站所在区域2020-2021及2021-2022供暖季的日均气温曲线图。
附图标记说明
1-电动调节阀,2-热量表,3-水泵,4-锅炉,5-温度传感器,6-流量计,7-控制器,8-通讯模块。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
如图1所示为发明集中供热***管网示意图,包括热源、热网及热用户,热用户入户端安装有热量表2及电动调节阀1,热源锅炉4的回水管路上安装有水泵3。
一种新型热力入口负荷动态预测及调控方法,其创新之处在于:采集安装在用户侧热力入口供水管道上的热量表、流量传感器、供水温度传感器及安装在热用户室内的室温传感器的数据,并以目标负荷为中心,利用气象及室温负荷对基础负荷预测值进行周期性补偿,得到基于负荷模型的目标能耗调控路线;
所述方法的具体步骤为:
1)采集热网运行数据通过通讯模块传输至上位机,并保存在数据库中;
2)读取数据库中的气象信息、室温及负荷,根据历史数据对基础负荷模块及热扰动态预测模块中的参数进行标定,并在运行过程中进行周期性校准;
3)基于***模块确定未来时刻表征用户需求的室温特征值、考虑气象因素及累积效应的综合气温输入负荷模型,计算得到未来时刻基础负荷的预测值,从基础负荷模块获取未来时刻的基础负荷预测值并输入至热扰动态预测模块,并对基础负荷预测值进行周期性校准及负荷补偿修订,得到目标负荷;
4)将上述该目标负荷输出给控制对象,并以目标负荷为核心进行控制单元的运行调节,达成“按需供热”的目标能耗精准管控。
如图3为本发明基于负荷模型的目标能耗精准管控技术路线图,图4为本发明基础负荷模块框图,图5为本发明基础负荷模型及参数标定流程图。
基础负荷模块的具体实现步骤为:
1)根据稳态传热方程,基于集总参数法,仅考虑用户室温、室外环境等确定性因素与负荷的相关性,热力入口的稳态负荷计算公式为:
Q=kF(tn-tw) (1)
其中:Q为热力入口的热负荷,单位为W;
k为传热系数,单位为W/(m2·℃);
F为传热面积,单位为m2;
tn,、tw分别为室内、外空气温度,单位为℃;
2)针对某确定的热力入口,确定负荷与室内外温差的相关性,如下式:
Q=f(tn,t'w) (2)
其中:tn为该热力入口表征用户热舒适性的室温特征值;
t’w为代表气象因素及其累积效应的综合气温;
Q为该热力入口的负荷;
3)从数据库获得相关参数,进行数据预处理,获得时间点一致的参数,包括室温、气温以及负荷,基于历史数据对模型进行参数标定和检验,其中气温为考虑气象因素及其累积效应的综合气温,室温选取控制单元有代表性的监测点室温,室温监测点覆盖控制对象供热范围内典型性位置,如距离热源远近、位于建筑中的位置、朝向,选取室内人员行为等内部热扰小的监测点室温,结合实际负荷模拟,确定所关注热力入口在供热运行期间的室温特征值;
4)影响负荷的主要气象因素主要包括气温、风速、太阳辐射,一定程度上均可以表现在其对供热建筑储放热特性的影响,结合建筑热惰性的考虑,气温及其他气象因素对负荷的影响可以用考虑气温累积效应的综合气温来体现,通常,持续时间超过 3天以上时,影响程度会变小,所以一般只考虑待测日前3天的气温,基于以上分析,对待测日温度采用如下公式进行修正:
其中:i为待预测日第i日;
t’w,i为待预测日综合气温;
tw,i为预测日的平均气温;
tw,i-1为预测日前一日的平均气温;
tw,i-2为预测日前二日的平均气温;
tw,i-3为预测日前三日的平均气温;
m0,m1,m2,m3为相应累积效应系数;
5)负荷模型函数的具体形式和参数标定,包括公式(2)的具体形式及参数标定、公式(3)的参数标定,根据历史数据进行标定,采用多元回归和机器语言迭代寻优,设定模型精度控制值,并进行模型校验;
6)读取数据库,将基于***模块确定的未来时刻目标室温和气象信息,输入上述标定好的负荷模型,计算得到控制单元未来时刻的基础负荷需求,进入热扰动态修订模块以确定调节用的目标负荷;
7)在实际运行过程中,考虑***临时参数变化、人员行为等不确定性扰动,对负荷模型、预测的基础负荷进行周期性校准和动态修正。
图6为本发明热扰动态预测模块框图;图7为本发明热扰动态预测模型及参数标定流程图。
热扰动态预测模块的具体实现步骤为:
1)人工神经网络的热扰动态预测模块的建立:采用双向长短期记忆LSTM网络模型,基于输入序列的时间顺序对所有统计样本输入进行滚动预测,将隐藏层分为正反两个独立的隐藏层,输出层同时具有过去和未来的信息,加深对原序列特征提取层次;
如图8为本发明双向长短期记忆LSTM网络结构示意图。
双向长短期记忆LSTM网络模型将LSTM变为两个传递状态,一个Ct和一个ht,并在算法中加入了一个模块,在一个信息xt进入cell后,和ht拼接训练得到3个状态,计算具体公式如下:
it=σ(Wi[ht-1,xt]+bi) (4)
ft=σ(Wf[ht-1,xt]+bf) (5)
Ot=σ(Wo[ht-1,xt]+bo) (6)
其中:σ是sigmoid激活函数;
Wi、Wf、Wo分别表示每个门对应的权重矩阵待标定参数;
ht-1是前一时间步的隐藏状态;
xt是时间t的输入值;
bi、bf和bo分别是每个门的待标定偏置值;
候选细胞at在每个时间步长计算以覆盖存储单元,使用双曲正切激活函数(tanh)计算,计算公式如下:
at=tanh(Wa[ht-1,xt]+ba) (7)
当前存储单元(Ct)和当前隐藏状态(ht)计算公式如下所示;
Ct=ft*Ct-1+it*at (8)
ht=ot*tanh(Ct) (9)
2)样本数据处理:读取数据库,进行数据预处理,获得时间点一致参数,包括历史时刻的室温及负荷,从基础负荷模块获取相应时刻的基础负荷,计算负荷扰动量 m,m为实际负荷Q0与基础热负荷Q的比值,其中室温选取控制单元有代表性的监测点室温,室温监测点覆盖控制对象供热范围内典型性位置,如位于建筑中的位置、朝向,选取室内人员行为等内部热扰小的监测点室温,结合实际负荷模拟,确定所关注热力入口在运行期间的室温特征值,
将样本参数的室温、比值进行归一化处理,使用min-max归一化,使归一化后的结果都位于0~1之间,min-max标准化的计算公式如下:
其中:x代表输入变量数据;
xmin代表输入变量数据的最小值;
xmax代表输入变量数据的最大值;
y代表标准化后的数据;
3)利用上述2)中归一化处理的样本参数信息(室温、负荷扰动量),进行模型参数标定,包括公式(4)~(6)中三个门的权重矩阵Wi、Wf、Wo及其偏置值bi、bf和bo,周期性热扰时长;根据历史数据进行标定,基于输入序列的时间顺序对所有统计样本输入进行滚动预测,设定模型精度控制值迭代寻优,标定模型参数,并进行模型校验,采用统计样本时间序列的前70%训练,依次10%验证、20%测试;
设置一个滑动窗口,根据指定的单位长度(3-10天)来框住时间序列,选取不同时间步长的输入样本作为相应时间序列输入到数据驱动算法,输入样本在时间轴上逐步向前滑动预测得到下一个时间步长的热扰动负荷量,计算输入样本与预测的热扰动负荷量的相关系数r,最大相关系数对应的时间步长即为该用户的周期性热扰时长,即预测未来时刻需要输入滚动数据的长度,相关系数计算公式如下:
4)将待预测时刻之前上述步骤3)确定的热扰时长覆盖的样本信息,输入上述步骤3)标定的热扰动态预测模块,计算待预测时刻的热扰量m,利用热扰量修正基础负荷模型计算的基础负荷Q,得到待预测时刻的目标负荷Q1,输出给控制对象,计算公式如下所示:
Q1=m*Q (12)
5)在实际运行过程中,考虑***惯性、建筑热惰性以及***临时参数变化等不确定性扰动,结合代表性室温、用户反馈的多目标监控,对基础负荷模型和热扰动态预测模型进行周期性校准,并对目标负荷进行周期性负荷补偿。
本发明提供一种新型热力入口负荷动态预测及调控方法,将本方法应用于图9 所示的某高校某能源站的集中供热***,该能源中心供热面积240538m2,4台燃气锅炉直供19栋独立建筑,包括科研办公楼、学生宿舍、食堂、实验车间、实***台连接的通讯模块,本发明所涉及的实际运行数据均由热力入口的数据采集模块获得,如图2所示,供水管路上设置有流量计6及温度传感器5,回水管路上设置有电动调节阀1及温度传感器5,所述电动调节阀1连接至控制器7,所述流量计6连接至热量表2,所述温度传感器5均连接至热量表2,所述热量表2连接至控制器7,所述控制器连接至通讯模块8。
结合图3、图8,将本发明提出的一种新型热力入口负荷动态预测及调控方法应用于图9所示的某高校某能源站的集中供热***,包括2020-2021和2021-2022两个供暖季。下面以该能源站不同类型用户的五个热力入口为例,说明本专利的具体实施方式和有益效果。
具体包括以下步骤:
(1)基础负荷模型函数形式和模型参数的标定:
读取数据库,获得热网历史运行数据(2020-2021供暖季121天),包括负荷、室温和气温。筛选参数信息完整的有效样本,数据处理,获得时间尺度一致的参数信息,包括日负荷、室温日均值、室外气温日均值(高低温均值),采用多元回归和粒子群寻优算法,确定负荷模型函数的具体形式和参数标定,包括公式(2)的具体形式及参数标定、公式(3)的参数标定。
基于热网实际历史数据标定基础负荷模型并进行校验。本实施例中,负荷模型的参数标定采用了多元回归和粒子群算法,确定负荷模型函数的具体形式和参数标定,包括公式(2)的具体形式及参数标定、公式(3)的参数标定。
(2)热扰动态修订模型及参数标定
读取数据库,进行数据预处理,获得时间点一致参数,包括历史时刻的日负荷、室温日均值,从上述(1)中基础负荷模块获取相应时刻的基础负荷,计算负荷扰动量m(实际负荷Q0与基础热负荷Q的比值),将样本参数(室温、负荷扰动量)利用公式(4)进行归一化处理。
基于热网实际历史数据标定热扰动态修订模型并进行校验。本实施例中,采用了双向LSTM网络模型及滚动预测的方法。
利用上述(1)中归一化处理的样本参数信息(室温、负荷扰动量),进行模型参数标定,包括公式(4)~(6)中三个门的权重矩阵Wi、Wf、Wo及其偏置值bi、bf和bo,周期性热扰时长。
基于输入序列的时间顺序对所有统计样本进行滚动预测,设定模型精度控制值迭代寻优,标定模型参数,并进行模型校验。采用统计样本时间序列的前70%训练,依次10%验证、20%测试。
设置一个滑动窗口,根据指定的单位长度(3~10天)来框住时间序列,选取不同时间步长的输入样本作为相应时间序列输入到数据驱动算法,输入样本在时间轴上逐步向前滑动预测得到下一个时间步长的热扰动负荷量,计算输入样本与预测的热扰动负荷量的相关系数r,计算公式如公式(11)。最大相关系数对应的时间步长即为该用户的周期性热扰时长,即预测未来时刻需要输入滚动数据的长度。
整个数据集分为训练集和测试集,分别为80%及20%,验证集数据包括20%的训练集,验证数据集是训练模型时所保留的数据样本,根据它对模型的能力进行评估。
(3)同上,针对实施例某高校某能源站几个不同类型用户的代表性热力入口,进行负荷模型的标定与校验。
实施例某高校某能源站,利用2020-2021供暖季实际历史数据标定5种不同类型用户热力入口负荷模型,结果见表1-表3,图10-图11。
需要说明下:实施例某高校某能源站热力入口的散热形式多样,5种不同类型用户代表性热力入口,34#入口1层风机盘管(可自行开关),2、3、4层为地暖;14# 入口为地暖;18#入口为地暖;30#入口为风机盘管(可自行开关),27#入口为风机盘管(可自行开关)。
表1实施例不同类型用户热力入口及负荷模型的标定(2020-2021供暖季)
入口 | 用户类型 | 供暖面积(㎡) | 样本数 | 样本室温范围热扰时长 | 相关系数 |
34# | 科研办公 | 2047 | 121 | 18.3~25.84 | 0.88 |
14# | 宿舍 | 7608 | 134 | 15.5~275 | 0.88 |
18# | 食堂 | 19461 | 134 | 10.4~24.36 | 0.853 |
30# | 实习车间 | 4105 | 134 | 11.4~20.16 | 0.754 |
27# | 实验基地 | 1899 | 134 | 7.8~18.36 | 0.762 |
表2实施例不同类型用户热力入口负荷模拟负荷与实际负荷的比值(2020-2021供暖季)
*90%样本
表3实施例不同类型用户热力入口负荷模拟某相对偏差的样本占比(2020-2021供暖季)
入口 | 用户类型 | 样本数 | 10%* | 15%* | 20%* |
34# | 科研办公 | 117 | 86% | 92% | 97% |
14# | 学生宿舍 | 129 | 88% | 95% | 98% |
18# | 食堂 | 128 | 74% | 85% | 96% |
30# | 实习车间 | 128 | 64% | 78% | 86% |
27# | 实验基地 | 128 | 74% | 86% | 96% |
*相对偏差范围
图10中,a为34#(科研办公)、b为14#(学生宿舍)、c为18#(食堂)、d为 30#(实习车间)、e为27#(实验基地)。
可见,实施例5种不同类型用户热力入口在基础负荷上加入热扰动态修订后,模型日负荷、三天累计、以及周累计模拟与实际的比值范围均明显变小,模型精度明显提高。对于年负荷来说,基础负荷模型模拟结果与加热扰动态修订后的结果相当。相比较,实习基地、实验车间,人员行为等热扰影响较大。
实施例5种不同类型用户热力入口在基础负荷上加入热扰动态修订后,90%日负荷模型值与实际值的相对偏差均不大于22%,三天累计负荷模型值与实际值的相对偏差均不大于20%,周累计负荷的模型值与实际值的相对偏差均不大于10%,年累计负荷的相对偏差均不大于3%。
上述标定的模型应用于2021-2022供暖季进行校验,见图11和表4、表5,其结果与2020-2021供暖季基本相当。图11中,a为34#(科研办公)、b为14#(宿舍)。
表4实施例不同类型用户热力入口负荷模拟负荷与实际负荷的比值(2021-2022供暖季)
*90%样本
表5实施例不同类型用户热力入口负荷模拟某相对偏差的样本占比(2021-2022供暖季)
入口 | 用户类型 | 校验样本数 | 10%* | 15%* | 20%* |
34# | 科研办公 | 58 | 86% | 97% | 100% |
14# | 学生宿舍 | 52 | 87% | 98% | 100% |
*相对偏差范围
结合相关规范及实际运行,设定目标室温,并利用上述标定好的负荷模型确定目标负荷,进行两个供暖季的运维管控及分析,见表6、表7、表8。
表6实施例代表性热力入口用户末端室温(2020-2021供暖季)
表7实施例34#热力入口负荷模型不同算例(2020.11.18-2021.3.18,117天)
表8实施例14#热力入口负荷模型不同算例(2020.11.6-2021.3.18,129天)
比较34#入口2020-2021供暖季不同供热模式的年负荷,可见:
1)与实际年负荷相比较,年负荷模拟值的相对偏差仅为0.7%;
2)与实际年负荷相比较,目标值1(供暖季23℃)的相对偏差仅为0.5%;
3)与目标值1(供暖季23℃)的年负荷相比较,目标值2(供暖季22℃)室温降低1℃,年负荷比实际负荷降低5.9%;
4)与实际年负荷相比较,分别考虑学期与寒假、工作时段与非工作时段、工作日与非工作日需求目标室温的不同,年负荷显著降低,最高达33.5%。
比较14#入口2020-2021供暖季不同供热模式年负荷,可见:
1)与实际年负荷相比较,年负荷模拟值的相对偏差仅为2.4%;
2)与实际年负荷相比较,目标值1(供暖季22℃)的相对偏差仅为2.2%;
3)与目标值1(供暖季22℃)的年负荷相比较,目标值2(供暖季21℃)室温降低1℃,年负荷比实际负荷降低7.1%;
4)与实际年负荷相比较,分别考虑学期与寒假、白天与夜晚目标室温的不同,年负荷显著降低,最高达21.3%。
34#入口及14#入口实际室温在4℃~5℃范围波动,若34#入口按照目标室温 23℃,14#入口按照目标室温22℃运行,年负荷基本相当。同样能耗的水平下,参考模型负荷运行,可显著提升供热质量,保证用户热舒适。
以目标能耗管控为核心,利用上述模型标定好的模型进一步分析实施例2021-2022的运维管控。结合相关规范及两个年度的实际运行,设定目标室温,并利用上述标定好的负荷模型确定目标负荷,进行运维管控及分析,结果见图12-图13 和表9-表10。图12中,a为-34#(科研办公)、b为14#(学生宿舍)、c为18#(食堂)、d为30#(实习车间)、e为27#(实验基地,采用上年度同期热扰)。图13中, a为34#(科研办公)、b为14#(学生宿舍)。
表9不同热力入口室温(11.1-12.31,61天)
表10不同用户类型热力入口负荷(2021-2022供暖季)
分析表10可见:
1)5个热力入口,相比实际负荷,目标负荷均显著降低;
2)5个热力入口,目标2与目标1相比较,室温降低1℃,负荷相比实际值降低5.3%-7.7%;
3)34#和14#,目标1负荷略低于实际负荷,但如参照目标日负荷运行,有利于满足用户实际的目标室温需求;
4)34#和14#,考虑工作时段与非工作时段、工作日与非工作日需求室温的不同,负荷显著降低,相比实际负荷,目标3负荷分别减少10.6%、24.6%;
5)30#和27#,相比实际负荷,目标2负荷分别减少26%、34.1%。
下面结合图9所示的实施例某高校某能源站包括低区与高区2个供暖季的实际运维管控分析,进一步展示本技术方案的实践应用效果,见表11、表12、图14、图15、图16所示。该供热***供热面积总计276352m2。其中,低区供热面积240538m2,包括可线上调节管控的入口,其供暖面积154985m2,占比64.43%;只能线下调节的热入口主要包括宿舍,分布在管网末端,面积85553m2,占比35.57%。需要说明下:实施例某能源站包括高区、低区,共用一块燃气表计量燃气用量、热网,其中低区以目标能耗为核心,部分入口实施在线管控,部分入口采用传统的线下调节。高区供热面积总计为35814m2,主要用户为大型实验室,挂片式散热器。
实施例某高校某能源站2021.11.1-12.31运行61天,相比上个供暖季同期:
1)平均气温为4.1℃,略高于上年度0.9℃;
2)燃气用量减少15.74%,其中低区负荷减少13.5%;
3)不同类型用户热力入口负荷均显著减少,其中食堂负荷减少达50%;
4)末端用户报修单件数大幅减少,供热质量明显提升;
5)低区不同用户类型设计负荷均相同,但实际运行负荷相差很大。另外,2021.11.21-12.17,运行27天,高区负荷为627.7kW.h,相比去年同期降低45.96%,且两个年度同期报修单件数均为0。
综上,实施例不同类型用户热力入口两个供暖季的运维管控及分析,说明本发明技术方案的应用,有利于在同样能耗的水平下,显著提升供热质量,保证用户热舒适。结合***实际运行及用户需求,适当降低目标室温,采用分时分温分区模型,可很大程度地避免过度供热,显著节能减排。
表11实施例某高校某能源站低区两个供暖季负荷比较(11.1-12.31,61天)
*以目标能耗为核心,部分入口可线上管控,部分入口只能线下调节。
表12实施例某高校某能源站两个供暖季能耗比较(11.1-12.3161天)
上述实施例呈现的本技术方案的具体实施过程及效果,说明了本发明技术方案的特别有益效果:满足用户热需求同时,显著节能减排,且简易可行,易于实施,适用不同场景。实施例涉及的5个不同类型用户热力入口,包括科研办公、宿舍、食堂、实习车间、实验基地等多种类型的众多用户。
综上,针对集中供热领域运行调节领域,本发明提出的一种新型热力入口负荷动态预测及调控方法,具用很好的外推性,其结果和方法可以适用于具有相似特征的场景。本发明的技术方案,基于人工智能与热力***的融合,集成实用性、适用性、先进性与示范性,对于实现双碳目标背景下建筑领域的低碳高效清洁供热具有重要的意义。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (3)
1.一种新型热力入口负荷动态预测及调控方法,其特征在于:采集安装在用户侧热力入口供水管道上的热量表、流量传感器、供水温度传感器及安装在热用户室内的室温传感器的数据,并以目标负荷为中心,利用气象及室温负荷对基础负荷预测值进行周期性补偿,得到基于负荷模型的目标能耗调控路线;
所述方法的具体步骤为:
1)采集热网运行数据通过通讯模块传输至上位机,并保存在数据库中;
2)读取数据库中的气象信息、室温及负荷,根据历史数据对基础负荷模块及热扰动态预测模块中的参数进行标定,并在运行过程中进行周期性校准;
3)基于***模块确定未来时刻表征用户需求的室温特征值、考虑气象因素及累积效应的综合气温输入负荷模型,计算得到未来时刻基础负荷的预测值,从基础负荷模块获取未来时刻的基础负荷预测值并输入至热扰动态预测模块,并对基础负荷预测值进行周期性校准及负荷补偿修订,得到目标负荷;
4)将上述该目标负荷输出给控制对象,并以目标负荷为核心进行控制单元的运行调节,达成“按需供热”的目标能耗精准管控。
2.根据权利要求1所述的新型热力入口负荷动态预测及调控方法,其特征在于:所述步骤3)中基础负荷模块的具体实现步骤为:
1)根据稳态传热方程,基于集总参数法,仅考虑用户室温、室外环境等确定性因素与负荷的相关性,热力入口的稳态负荷计算公式为:
Q=kF(tn-tw) (1)
其中:Q为热力入口的热负荷,单位为W;
k为传热系数,单位为W/(m2·℃);
F为传热面积,单位为m2;
tn,、tw分别为室内、外空气温度,单位为℃;
2)针对某确定的热力入口,确定负荷与室内外温差的相关性,如下式:
Q=f(tn,t'w) (2)
其中:tn为该热力入口表征用户热舒适性的室温特征值;
t’w为代表气象因素及其累积效应的综合气温;
Q为该热力入口的负荷;
3)从数据库获得相关参数,进行数据预处理,获得时间点一致的参数,包括室温、气温以及负荷,基于历史数据对模型进行参数标定和检验,其中气温为考虑气象因素及其累积效应的综合气温,室温选取控制单元有代表性的监测点室温,室温监测点覆盖控制对象供热范围内典型性位置,如距离热源远近、位于建筑中的位置、朝向,选取室内人员行为等内部热扰小的监测点室温,结合实际负荷模拟,确定所关注热力入口在供热运行期间的室温特征值;
4)影响负荷的主要气象因素主要包括气温、风速、太阳辐射,一定程度上均可以表现在其对供热建筑储放热特性的影响,结合建筑热惰性的考虑,气温及其他气象因素对负荷的影响可以用考虑气温累积效应的综合气温来体现,通常,持续时间超过3天以上时,影响程度会变小,所以一般只考虑待测日前3天的气温,基于以上分析,对待测日温度采用如下公式进行修正:
其中:i为待预测日第i日;
t’w,i为待预测日综合气温;
tw,i为预测日的平均气温;
tw,i-1为预测日前一日的平均气温;
tw,i-2为预测日前二日的平均气温;
tw,i-3为预测日前三日的平均气温;
m0,m1,m2,m3为相应累积效应系数;
5)负荷模型函数的具体形式和参数标定,包括公式(2)的具体形式及参数标定、公式(3)的参数标定,根据历史数据进行标定,采用多元回归和机器语言迭代寻优,设定模型精度控制值,并进行模型校验;
6)读取数据库,将基于***模块确定的未来时刻目标室温和气象信息,输入上述标定好的负荷模型,计算得到控制单元未来时刻的基础负荷需求,进入热扰动态修订模块以确定调节用的目标负荷;
7)在实际运行过程中,考虑***临时参数变化、人员行为等不确定性扰动,对负荷模型、预测的基础负荷进行周期性校准和动态修正。
3.根据权利要求1所述的新型热力入口负荷动态预测及调控方法,其特征在于:所述步骤3)中热扰动态预测模块的具体实现步骤为:
1)人工神经网络的热扰动态预测模块的建立:采用双向长短期记忆LSTM网络模型,基于输入序列的时间顺序对所有统计样本输入进行滚动预测,将隐藏层分为正反两个独立的隐藏层,输出层同时具有过去和未来的信息,加深对原序列特征提取层次;
双向长短期记忆LSTM网络模型将LSTM变为两个传递状态,一个Ct和一个ht,并在算法中加入了一个模块,在一个信息xt进入cell后,和ht拼接训练得到3个状态,计算具体公式如下:
it=σ(Wi[ht-1,xt]+bi) (4)
ft=σ(Wf[ht-1,xt]+bf) (5)
ot=σ(Wo[ht-1,xt]+bo)
其中:σ是sigmoid激活函数;
Wi、Wf、Wo分别表示每个门对应的权重矩阵待标定参数;
ht-1是前一时间步的隐藏状态;
xt是时间t的输入值;
bi、bf和bo分别是每个门的待标定偏置值;
候选细胞at在每个时间步长计算以覆盖存储单元,使用双曲正切激活函数(tanh)计算,计算公式如下:
at=tanh(Wa[ht-1,xt]+ba) (7)
当前存储单元(Ct)和当前隐藏状态(ht)计算公式如下所示;
Ct=ft*Ct-1+it*at (8)
ht=ot*tanh(Ct) (9)
2)样本数据处理:读取数据库,进行数据预处理,获得时间点一致参数,包括历史时刻的室温及负荷,从基础负荷模块获取相应时刻的基础负荷,计算负荷扰动量m,m为实际负荷Q0与基础热负荷Q的比值,其中室温选取控制单元有代表性的监测点室温,室温监测点覆盖控制对象供热范围内典型性位置,如位于建筑中的位置、朝向,选取室内人员行为等内部热扰小的监测点室温,结合实际负荷模拟,确定所关注热力入口在运行期间的室温特征值,
将样本参数的室温、比值进行归一化处理,使用min-max归一化,使归一化后的结果都位于0~1之间,min-max标准化的计算公式如下:
其中:x代表输入变量数据;
xmin代表输入变量数据的最小值;
xmax代表输入变量数据的最大值;
y代表标准化后的数据;
3)利用上述2)中归一化处理的样本参数信息(室温、负荷扰动量),进行模型参数标定,包括公式(4)~(6)中三个门的权重矩阵Wi、Wf、Wo及其偏置值bi、bf和bo,周期性热扰时长;根据历史数据进行标定,基于输入序列的时间顺序对所有统计样本输入进行滚动预测,设定模型精度控制值迭代寻优,标定模型参数,并进行模型校验,采用统计样本时间序列的前70%训练,依次10%验证、20%测试;
设置一个滑动窗口,根据指定的单位长度(3-10天)来框住时间序列,选取不同时间步长的输入样本作为相应时间序列输入到数据驱动算法,输入样本在时间轴上逐步向前滑动预测得到下一个时间步长的热扰动负荷量,计算输入样本与预测的热扰动负荷量的相关系数r,最大相关系数对应的时间步长即为该用户的周期性热扰时长,即预测未来时刻需要输入滚动数据的长度,相关系数计算公式如下:
4)将待预测时刻之前上述步骤3)确定的热扰时长覆盖的样本信息,输入上述步骤3)标定的热扰动态预测模块,计算待预测时刻的热扰量m,利用热扰量修正基础负荷模型计算的基础负荷Q,得到待预测时刻的目标负荷Q1,输出给控制对象,计算公式如下所示:
Q1=m*Q (12)
5)在实际运行过程中,考虑***惯性、建筑热惰性以及***临时参数变化等不确定性扰动,结合代表性室温、用户反馈的多目标监控,对基础负荷模型和热扰动态预测模型进行周期性校准,并对目标负荷进行周期性负荷补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210206729.9A CN114565167B (zh) | 2022-03-03 | 2022-03-03 | 一种热力入口负荷动态预测及调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210206729.9A CN114565167B (zh) | 2022-03-03 | 2022-03-03 | 一种热力入口负荷动态预测及调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114565167A true CN114565167A (zh) | 2022-05-31 |
CN114565167B CN114565167B (zh) | 2022-11-18 |
Family
ID=81717272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210206729.9A Active CN114565167B (zh) | 2022-03-03 | 2022-03-03 | 一种热力入口负荷动态预测及调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565167B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115914307A (zh) * | 2022-12-06 | 2023-04-04 | 中国建筑科学研究院有限公司 | 一种基于边缘计算的供热气象调控方法、***及设备 |
CN117574290A (zh) * | 2023-11-02 | 2024-02-20 | 天津大学 | 基于机理与数据协同驱动的热力数据异常检测及修复方法 |
CN118131642A (zh) * | 2024-04-30 | 2024-06-04 | 北京华清鼎立物业管理有限公司 | 冷热源水***的控制方法和装置、存储介质、电子装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104534556A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的供热控制方法 |
CN113094907A (zh) * | 2021-04-15 | 2021-07-09 | 天津大学 | 一种用于空调负荷和电动汽车充电负荷联合调度方法 |
-
2022
- 2022-03-03 CN CN202210206729.9A patent/CN114565167B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104534556A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的供热控制方法 |
CN113094907A (zh) * | 2021-04-15 | 2021-07-09 | 天津大学 | 一种用于空调负荷和电动汽车充电负荷联合调度方法 |
Non-Patent Citations (2)
Title |
---|
杨帅等: "基于能量流的电热综合能源***弃风消纳优化调度模型", 《电网技术》 * |
胡雪 等: "基于人工智能与热力***融合的综合节能技术研究", 《华电技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115914307A (zh) * | 2022-12-06 | 2023-04-04 | 中国建筑科学研究院有限公司 | 一种基于边缘计算的供热气象调控方法、***及设备 |
CN115914307B (zh) * | 2022-12-06 | 2023-09-26 | 中国建筑科学研究院有限公司 | 一种基于边缘计算的供热气象调控方法、***及设备 |
CN117574290A (zh) * | 2023-11-02 | 2024-02-20 | 天津大学 | 基于机理与数据协同驱动的热力数据异常检测及修复方法 |
CN117574290B (zh) * | 2023-11-02 | 2024-05-10 | 天津大学 | 基于机理与数据协同驱动的热力数据异常检测及修复方法 |
CN118131642A (zh) * | 2024-04-30 | 2024-06-04 | 北京华清鼎立物业管理有限公司 | 冷热源水***的控制方法和装置、存储介质、电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114565167B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Harish et al. | A review on modeling and simulation of building energy systems | |
CN114484557B (zh) | 一种基于目标能耗管控的建筑群供热负荷调控方法 | |
CN114565167B (zh) | 一种热力入口负荷动态预测及调控方法 | |
US20170300599A1 (en) | System and method for calibrating multi-level building energy simulation | |
Park et al. | Development of novel PMV-based HVAC control strategies using a mean radiant temperature prediction model by machine learning in Kuwaiti climate | |
Deb et al. | A machine learning-based framework for cost-optimal building retrofit | |
Hosamo et al. | Digital Twin of HVAC system (HVACDT) for multiobjective optimization of energy consumption and thermal comfort based on BIM framework with ANN-MOGA | |
Li et al. | Calibration of dynamic building energy models with multiple responses using Bayesian inference and linear regression models | |
Lei et al. | Prediction method of energy consumption for high building based on LMBP neural network | |
Li et al. | A generic approach to calibrate building energy models under uncertainty using bayesian inference | |
CN111898856B (zh) | 基于极限学习机的物理-数据融合楼宇的分析方法 | |
Sun et al. | Research on control strategy integrated with characteristics of user's energy-saving behavior of district heating system | |
CN114484556B (zh) | 一种基于目标能耗管控的供水温度调控方法 | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
Mihai et al. | Bottom-up evidence-based calibration of the HVAC air-side loop of a building energy model | |
Azevedo et al. | Influence of model calibration and optimization techniques on the evaluation of thermal comfort and retrofit measures of a Lisbon household using building energy simulation | |
Hajian et al. | Dynamic heating control measured and simulated effects on power reduction, energy and indoor air temperature in an old apartment building with district heating | |
Touchie et al. | Using suite energy-use and interior condition data to improve energy modeling of a 1960s MURB | |
US11921478B2 (en) | System and method for estimating periodic fuel consumption for cooling of a building with the aid of a digital computer | |
CN114608065B (zh) | 一种新型热力入口阀位调控方法 | |
Avotins et al. | IoT Solution Approach for Energy Consumption Reduction in Buildings: Part 3. Mathematical Model of Building and Experimental Results | |
Yang et al. | Modeling and validation of a novel load model considering uncertain thermal disturbance in the district heating system | |
Cho et al. | Identification of criteria for the selection of buildings with elevated energy saving potentials from hydraulic balancing-methodology and case study | |
Al-Mufti et al. | Digital Twinning and ANN-based Forecasting Model for Building Energy Consumption | |
Ferreira et al. | Unsupervised learning of load signatures to estimate energy-related building features using surrogate modelling techniques |
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 |