论文部分内容阅读
[摘 要]供热系统中，通过调节热源处供水温度将热源供热量与热力站热负荷相匹配，是实现节能降耗的重要方法。然而在大型集中供热系统中，热力站数量多，且热源至各热力站的温度传导时延各不相同，无法直接通过热力站热负荷计算最优热源供水温度。因此，分析了多热力站情况下温度传导时延如何影响供热量与热负荷的匹配，提出一种基于深度学习的热源温度实时优化方案。该方案将整个供热系统作为整体，通过实时优化热源供水温度，首先使供热量在未来各时刻均与供热系统整体热负荷相匹配，再通过热力站间的流量调节使得供热量与各热力站的热负荷相匹配。该方案在实际系统中能够达到很好的优化效果，数据结果证明，该方案是可行有效的。
[关键词]集中供热;节能;供热负荷;深度学习;LSTM模型
[中图分类号]YU995 [文献标志码]A [文章编号]2095–6487（2021）08–00–03
[Abstract]In the heating system， matching the heat supply of the heat source with the heat load of the heating station by adjusting the temperature of the water supply at the heat source is an important method to realize energy saving and consumption reduction. However， in a large-scale central heating system， there are a large number of thermal power stations， and the temperature transfer time delay from the heat source to each thermal power station is different， and it is impossible to directly calculate the optimal heat source water supply temperature through the thermal load of the thermal power station. This paper analyzes how the temperature conduction delay affects the matching of heat supply and heat load in the case of multiple thermal stations， and then proposes a real-time optimization scheme for heat source temperature based on deep learning. The plan takes the entire heating system as a whole， and optimizes the water supply temperature of the heat source in real time. First， the heat supply matches the overall heat load of the heating system at all times in the future. The thermal load of each thermal station is matched. This scheme can achieve a good optimization effect in the actual system， and the data results prove that the scheme is feasible and effective.
[Keywords]central heating; energy saving; heating load; deep learning; LSTM model
城市集中供熱是我国北方地区冬季主要供暖形式，对其优化控制的研究主要集中于热力站的一次侧和二次测调节[1-2]。较少的对热源控制优化的研究，主要集中于多热源联合优化[3]，以及热源质量并调[4]。本文针对定流量运行的集中供热系统中，由于温度传导时延导致的热源供热与热力站热负荷不匹配的问题，在满足供热负荷的前提下，并且达到节能降耗的目的，提出一种基于深度学习的热源温度实时优化方案。
1 热源温度实时优化原理
集中供热系统结构如图1所示，热源处的高温水经过管道流至各热力站。热力站与热源间的管道长度以及高温水的流速决定了热源处的供水温度变化传导至各热力站的时延。以项目公司集中供热系统为例，热源处高温水温度变化传递至最远端需约10 h，当热力站的热负荷因室外温度变化发生变化时，若根据当前时刻热力站热负荷调整热源高温水温度，则远端热力站的供水温度在10 h后才能发生相应变化，此时远端热力站的热负荷早已随室外温度大幅变化，从而产生热源供热与热力站热负荷不匹配的问题。由于各热力站温度传导时延不一致，即使根据天气预报提前调整热源温度依然无法解决上述问题。
在定流量运行的集中供热系统中，由于压力传导速度远大于温度传导速度，通常通过重新分配流量的方式解决热源供热与热力站热负荷不匹配问题。例如当室外气温降低时，提前一段时间升高热源高温水温度，此时部分距离热源较近的热力站供水温度已提升，可减少供水流量以匹配热负荷;其他距离热源较远的热力站增加供水流量以匹配热负荷。设置合理的热源温度改变提前时间以及热源温度改变量，可以使得减少的供水流量与增加的供水流量相等，从而实现了在总流量不变的情况下热源供热与热负荷的匹配。 2 热源温度实时优化方案
热源温度实时优化，即在合适的时间设置合适的热源温度，使得集中供热系统能够通过在各热力站间重新分配流量的方式使得各热力站的供水温度匹配当前时刻热负荷，本文提出的方法具体流程如图2所示。本文的方法中，热源处数据包括热源温度，总流量和热源传导至最远端热力站的时间间隔，分别使用t_source[n]，f_whole和K表示，由于為定流量系统，f_whole为常量;各热力站处数据包括一次侧供水温度与一次侧流量，分别使用与表示;其他数据包括热负荷，用q[n]表示。其中m表示第m个热力站，n表示n时刻。
2.1 建立集中供热网络温度传导模型
定义时刻n的供热网络一次侧供水温度为所有热力站一次侧供水温度的加权平均值，即t_input_whole[n]=Σ（t_inputm[n]×fm[n]）/Σfm[n]集中供热网络温度传导模型主要为供热高温水由热源处传导至各热力站的过程进行建模，模型用于计算在当前情况下，达到期望的供热网络一次侧供水温度所需的热源温度。将t_source[n]作为模型输入时间序列，将t_input_whole[n]作为模型输出时间序列。采用LSTM模型对数据进行训练，可得到集中供热网络温度传导模型F，即[t_input_whole]=F（[t_source]），其中LSTM模型中的时延参数t_step设置为温度由热源传导至最远端热力站的时间间隔。
2.2 计算期望的供热网络一次侧供水温度
定义时刻n的期望的供热网络一次侧供水温度为t_input_whole_expect[n]，即T_input_whole-expect[n]=q[n]/f_whole。
2.3 计算当前时刻最优热源温度
优化热源温度的目的是使得热源供热量匹配实际热负荷，本方法在每个时刻计算热源温度t_source[n]，使得被当前时刻热源温度影响的热源供热量与实际热负荷之间的差异最小。由于热源传导至最远端热力站的时间间隔为K，当前时刻的热源温度t_source[n]会影响当前时刻至K时刻后的供热网络一次侧供水温度t_input_whole[k]，其中k=n+1，n+2，…n+K。同样的，影响当前时刻供热网络一次侧供水温度t_input_whole[n]的热源温度为t_source[l]，其中l=n-K，n-K+1…n-1。
定义热负荷匹配误差Q_delta[n]为期望的供热网络一次侧供水温度序列t_input_whole_expect[n]与模型预测的供热网络一次侧供水温度序列t_input_whole_predict[n]之间的均方误差。
其中k=n+1，n+2，…n+K。
计算时刻n的最优热源温度，即找到合适的t_source[n]，使得其影响的t_input_whole_predict[n]序列与t_input_whole_expect[n]之间的均方误差Q_delta[n]最小。由于待优化变量为一维变量，且取值范围有限（集中供热网络热源温度一般为70～110℃），可采用穷举遍历的方法计算t_source[n]。
3 在实际系统中的运行效果
采用项目公司实际供热系统数据，比较通过集中供热网络温度传导模型预测的供热网络一次侧供水温度与其实际值，如图3所示，均方误差为0.56%，可知本文中的集中供热网络温度传导模型是准确有效的。
采用项目公司实际热力站数据，比较模型预测的供热网络一次侧供水温度，实际期望的供热网络一次侧供水温度以及人工设置热源温度情况下的供热网络一次侧供水温度，如图4所示，模型预测的供热网络一次侧供水温度均方误差为0.82%，人工设置热源温度情况下的供热网络一次侧供水温度均方误差为5.62%，可知本文中计算当前时刻最优热源温度的方法能够有效地改善热源供热量与热负荷的匹配程度。
4 结论
分析了集中供热系统热源温度优化的必要性，提出了定流量运行的集中供热系统热源温度优化的基本原理，并将深度学习技术与热工原理以及自动控制相结合，提出了基于深度学习的集中供热系统热源温度实时优化方案。通过实际集中供热系统中的数据验证，表明该方案能够有效地改善热源供热量与热负荷的匹配程度，实现提升终端用户体验和节能降耗的目的。
参考文献
[1] 谢慕君，冯敬芳，姜长泓.集中供热二次网回水温度的预测和控制研究[J].控制工程，2015，22（3）：291-295.
[2] 李仲博，贾萌，康焱，等.基于MPC方法的供热系统一次侧流量实时预测[J].系统仿真学报，2021，33（1）：180-188.
[3] 时国华，杨林棣，张浩，等.集中供热系统多热源调度优化模型[J].热力发电，2020，49（3）：68-75.
[4] 李琦，户杏启，赵建敏.基于机器学习的热源总供热量优化控制[J].系统仿真学报，2018，30（3）：1134-1143.
[关键词]集中供热;节能;供热负荷;深度学习;LSTM模型
[中图分类号]YU995 [文献标志码]A [文章编号]2095–6487（2021）08–00–03
[Abstract]In the heating system， matching the heat supply of the heat source with the heat load of the heating station by adjusting the temperature of the water supply at the heat source is an important method to realize energy saving and consumption reduction. However， in a large-scale central heating system， there are a large number of thermal power stations， and the temperature transfer time delay from the heat source to each thermal power station is different， and it is impossible to directly calculate the optimal heat source water supply temperature through the thermal load of the thermal power station. This paper analyzes how the temperature conduction delay affects the matching of heat supply and heat load in the case of multiple thermal stations， and then proposes a real-time optimization scheme for heat source temperature based on deep learning. The plan takes the entire heating system as a whole， and optimizes the water supply temperature of the heat source in real time. First， the heat supply matches the overall heat load of the heating system at all times in the future. The thermal load of each thermal station is matched. This scheme can achieve a good optimization effect in the actual system， and the data results prove that the scheme is feasible and effective.
[Keywords]central heating; energy saving; heating load; deep learning; LSTM model
城市集中供熱是我国北方地区冬季主要供暖形式，对其优化控制的研究主要集中于热力站的一次侧和二次测调节[1-2]。较少的对热源控制优化的研究，主要集中于多热源联合优化[3]，以及热源质量并调[4]。本文针对定流量运行的集中供热系统中，由于温度传导时延导致的热源供热与热力站热负荷不匹配的问题，在满足供热负荷的前提下，并且达到节能降耗的目的，提出一种基于深度学习的热源温度实时优化方案。
1 热源温度实时优化原理
集中供热系统结构如图1所示，热源处的高温水经过管道流至各热力站。热力站与热源间的管道长度以及高温水的流速决定了热源处的供水温度变化传导至各热力站的时延。以项目公司集中供热系统为例，热源处高温水温度变化传递至最远端需约10 h，当热力站的热负荷因室外温度变化发生变化时，若根据当前时刻热力站热负荷调整热源高温水温度，则远端热力站的供水温度在10 h后才能发生相应变化，此时远端热力站的热负荷早已随室外温度大幅变化，从而产生热源供热与热力站热负荷不匹配的问题。由于各热力站温度传导时延不一致，即使根据天气预报提前调整热源温度依然无法解决上述问题。
在定流量运行的集中供热系统中，由于压力传导速度远大于温度传导速度，通常通过重新分配流量的方式解决热源供热与热力站热负荷不匹配问题。例如当室外气温降低时，提前一段时间升高热源高温水温度，此时部分距离热源较近的热力站供水温度已提升，可减少供水流量以匹配热负荷;其他距离热源较远的热力站增加供水流量以匹配热负荷。设置合理的热源温度改变提前时间以及热源温度改变量，可以使得减少的供水流量与增加的供水流量相等，从而实现了在总流量不变的情况下热源供热与热负荷的匹配。 2 热源温度实时优化方案
热源温度实时优化，即在合适的时间设置合适的热源温度，使得集中供热系统能够通过在各热力站间重新分配流量的方式使得各热力站的供水温度匹配当前时刻热负荷，本文提出的方法具体流程如图2所示。本文的方法中，热源处数据包括热源温度，总流量和热源传导至最远端热力站的时间间隔，分别使用t_source[n]，f_whole和K表示，由于為定流量系统，f_whole为常量;各热力站处数据包括一次侧供水温度与一次侧流量，分别使用与表示;其他数据包括热负荷，用q[n]表示。其中m表示第m个热力站，n表示n时刻。
2.1 建立集中供热网络温度传导模型
定义时刻n的供热网络一次侧供水温度为所有热力站一次侧供水温度的加权平均值，即t_input_whole[n]=Σ（t_inputm[n]×fm[n]）/Σfm[n]集中供热网络温度传导模型主要为供热高温水由热源处传导至各热力站的过程进行建模，模型用于计算在当前情况下，达到期望的供热网络一次侧供水温度所需的热源温度。将t_source[n]作为模型输入时间序列，将t_input_whole[n]作为模型输出时间序列。采用LSTM模型对数据进行训练，可得到集中供热网络温度传导模型F，即[t_input_whole]=F（[t_source]），其中LSTM模型中的时延参数t_step设置为温度由热源传导至最远端热力站的时间间隔。
2.2 计算期望的供热网络一次侧供水温度
定义时刻n的期望的供热网络一次侧供水温度为t_input_whole_expect[n]，即T_input_whole-expect[n]=q[n]/f_whole。
2.3 计算当前时刻最优热源温度
优化热源温度的目的是使得热源供热量匹配实际热负荷，本方法在每个时刻计算热源温度t_source[n]，使得被当前时刻热源温度影响的热源供热量与实际热负荷之间的差异最小。由于热源传导至最远端热力站的时间间隔为K，当前时刻的热源温度t_source[n]会影响当前时刻至K时刻后的供热网络一次侧供水温度t_input_whole[k]，其中k=n+1，n+2，…n+K。同样的，影响当前时刻供热网络一次侧供水温度t_input_whole[n]的热源温度为t_source[l]，其中l=n-K，n-K+1…n-1。
定义热负荷匹配误差Q_delta[n]为期望的供热网络一次侧供水温度序列t_input_whole_expect[n]与模型预测的供热网络一次侧供水温度序列t_input_whole_predict[n]之间的均方误差。
其中k=n+1，n+2，…n+K。
计算时刻n的最优热源温度，即找到合适的t_source[n]，使得其影响的t_input_whole_predict[n]序列与t_input_whole_expect[n]之间的均方误差Q_delta[n]最小。由于待优化变量为一维变量，且取值范围有限（集中供热网络热源温度一般为70～110℃），可采用穷举遍历的方法计算t_source[n]。
3 在实际系统中的运行效果
采用项目公司实际供热系统数据，比较通过集中供热网络温度传导模型预测的供热网络一次侧供水温度与其实际值，如图3所示，均方误差为0.56%，可知本文中的集中供热网络温度传导模型是准确有效的。
采用项目公司实际热力站数据，比较模型预测的供热网络一次侧供水温度，实际期望的供热网络一次侧供水温度以及人工设置热源温度情况下的供热网络一次侧供水温度，如图4所示，模型预测的供热网络一次侧供水温度均方误差为0.82%，人工设置热源温度情况下的供热网络一次侧供水温度均方误差为5.62%，可知本文中计算当前时刻最优热源温度的方法能够有效地改善热源供热量与热负荷的匹配程度。
4 结论
分析了集中供热系统热源温度优化的必要性，提出了定流量运行的集中供热系统热源温度优化的基本原理，并将深度学习技术与热工原理以及自动控制相结合，提出了基于深度学习的集中供热系统热源温度实时优化方案。通过实际集中供热系统中的数据验证，表明该方案能够有效地改善热源供热量与热负荷的匹配程度，实现提升终端用户体验和节能降耗的目的。
参考文献
[1] 谢慕君，冯敬芳，姜长泓.集中供热二次网回水温度的预测和控制研究[J].控制工程，2015，22（3）：291-295.
[2] 李仲博，贾萌，康焱，等.基于MPC方法的供热系统一次侧流量实时预测[J].系统仿真学报，2021，33（1）：180-188.
[3] 时国华，杨林棣，张浩，等.集中供热系统多热源调度优化模型[J].热力发电，2020，49（3）：68-75.
[4] 李琦，户杏启，赵建敏.基于机器学习的热源总供热量优化控制[J].系统仿真学报，2018，30（3）：1134-1143.