一种大型集中供热系统热源温度实时优化方法

技术领域

本发明属于供热系统，具体涉及一种大型集中供热系统热源温度实时优化方法。

背景技术

当前集中供热系统热源温度普遍使用基于运维人员经验的人工调节方式进行调优，通常根据当日气温查表得到一个合适的热源温度值。该方法极度依赖运维人员的个人经验，且无法做到及时准确的调节。而现有的集中供热系统热源温度自动调节技术主要为质量并调技术，即同时调节热源温度和热源流量，不适用于定流量运行的集中供热系统。

发明内容

本发明的目的在于提供一种大型集中供热系统热源温度实时优化方法，解决了现有的集中供热系统的热源温度调节技术存在的准确率低、效率低的缺陷。

为了达到上述目的，本发明采用的技术方案是：

本发明提供的一种大型集中供热系统热源温度实时优化方法，包括以下步骤：

步骤1，获取集中供热的历史供热数据；

步骤2，根据步骤1得到的历史供热数据，计算集中供热网络最大温度传导时延；并构建热负荷模型；

步骤3，根据步骤2中得到的集中供热网络最大温度传导时延，构建集中供热网络温度传导模型；

步骤4，根据历史供热数据和热负荷模型，计算期望供热网络一次侧供水温度；

步骤5，根据步骤4中得到的期望供热网络一次侧供水温度和集中供热网络温度传导模型，计算当前时刻最优热源温度。

优选地，步骤1中，历史供热数据包括热源供热温度、各热力站数据信息和室外温度；

所述各热力站数据信息包括一次侧供水温度、一次侧流量和一次侧回水温度。

优选地，骤2，根据步骤1得到的历史供热数据，计算集中供热网络最大温度传导时延，具体方法是：

通过下式计算热源供热温度时间曲线与每个热力站的一次侧供热温度时间曲线的时延相关系数：

其中，t_source[n]代表n时刻的热源供水温度；L表示热源与第m个热力站的温度传导时延，其取值为0-48的正整数；

将时延相关系数最大值对应的L作为集中供热网络最大温度传导时延τ_whole。

优选地，步骤2中，根据步骤1得到的历史供热数据，构建热负荷模型，具体方法是：

首先，模型建立

将设定时间段内的室外温度t_outside作为输入，设定时间段内的供热网络一次侧供水温度t_input_whole作为输出，构建线性回归模型，并将该线性回归模型作为热负荷模型；

该热负荷模型的表达式为：t_input_whole＝a*t_outside+b

其中，a、b均为系数；

其次，更新模型

利用当前时间段内的室外温度t_outside和供热网络一次侧供水温度t_input_whole，对模型进行更新，得到更新后的热负荷模型。

优选地，步骤3中，根据步骤2中得到的集中供热网络最大温度传导时延，构建集中供热网络温度传导模型，具体方法是：

将n时刻的热源供水温度t_source[n]作为输入时间序列；

将n时刻的供热网络一次侧供水温度t_input_whole[n]作为输出时间序列；

分别将输入时间序列和输出时间序列的前70％数据作为训练数据，剩余为测试数据；

采用LSTM模型对训练数据进行训练，得到集中供热网络温度传导模型；

利用测试数据对集中供热网络温度传导模型进行测试，最终得到训练好的供热网络温度传导模型；

LSTM模型中的时延参数t_step为步骤2中得到的集中供热网络最大温度传导时延。

优选地，步骤4中，根据历史供热数据和热负荷模型，计算期望供热网络一次侧供水温度，具体地：

对于n-τ_whole个时刻，将n-τ_whole个时刻分别对应的室外温度t_outside输入步骤2中得到的热负荷模型中，计算得到n-τ_whole个期望供热网络一次侧供水温度；

将所有的期望供热网络一次侧供水温度组合成向量，记作T_INPUT_WHOLE_EXPECT。

优选地，步骤5中，根据步骤4中得到的期望供热网络一次侧供水温度和集中供热网络温度传导模型，计算当前时刻最优热源温度，具体地：

取最小值为50、最大值为120、间隔为1的正整数，生成候选的热源供热温度集合；

从候选的热源供热温度集合中任选一个值与n-τ_whole个时刻对应的热源供热温度进行组合成向量；

将该向量输入至集中供热网络温度传导模型中，得到供热网络一次侧供水温度序列；计算每个供热网络一次侧供水温度序列与T_INPUT_WHOLE_EXPECT的均方误差；

将得到的所有均方误差进行排序，得到最小的均方误差，将该最小均方误差对应的t_source_candidate[j]作为当前时刻最优热源温度。

一种大型集中供热系统热源温度实时优化系统，该系统能够运行所述的一种大型集中供热系统热源温度实时优化方法，包括数据采集单元、模型构建单元和数据处理单元，其中：

数据采集单元用于获取集中供热的历史供热数据；

模型构建单元用于根据得到的历史供热数据，计算集中供热网络最大温度传导时延；并构建热负荷模型；根据得到的集中供热网络最大温度传导时延，构建集中供热网络温度传导模型；

数据处理单元用于根据历史供热数据和热负荷模型，计算期望的供热网络一次侧供水温度；

根据得到的期望的供热网络一次侧供水温度和集中供热网络温度传导模型，计算当前时刻最优热源温度。

与现有技术相比，本发明的有益效果是：

本发明通过深度学习技术构建热负荷模型，将由室外温度决定的供热负荷转化由可控参数(一次侧供水温度)表达的形式，从而使得供热网络可以通过调节可控参数(一次侧供水温度)将供热量和热负荷相匹配。同时，本发明通过深度学习技术构建集中供热网络温度传导模型，建立热源供热温度与各热力站一次侧供水温度的关系，从而使得供热网络可以通过优化热源温度，间接优化可控参数(一次侧供水温度)，从而最终使得整个供热网络供热量与热负荷相匹配。由于大型集中供热系统远端热力站与热源间的温度传导时延的不确定性(各热力站间时延相差可能大于10小时)，模型采用基于经验的时延参数可能大幅降低模型的准确性和有效性。本发明利用数字信号处理中的时间同步技术，通过计算一次侧供水温度时间序列的互相关系数，确定了整个供热网络的最大温度传导时延，从而确定了集中供热网络温度传导模型中的时延参数。本发明提供的一种大型集中供热系统热源温度实时优化方法，为了在满足供热负荷的前提下，且达到节能降耗的目的。

附图说明

图1是本发明的集中供热网络结构图；

图2是本发明的算法流程图。

具体实施方式

下面结合附图，对本发明进一步详细说明。

如图1至图2所示，本发明提供的一种大型集中供热系统热源温度实时优化方法，包括以下步骤：

步骤1，获取集中供热的历史供热数据

以设定的采样周期T在供热网络的测量仪表中采集历史供热数据，并存储在计算机系统中；其中，采样周期T设定为5分钟；历史供热数据包括热源供热温度、各热力站数据信息和室外温度。

所述各热力站数据信息包括一次侧供水温度、一次侧流量和一次侧回水温度。

步骤2，根据步骤1得到的历史供热数据，计算集中供热网络最大温度传导时延；并构建热负荷模型；

具体地，计算集中供热网络最大温度传导时延的方法是：

通过下式计算热源供热温度时间曲线与每个热力站的一次侧供水温度时间曲线的时延相关系数：

其中，t_source[n]代表n时刻的热源供水温度；L表示热源与第m个热力站的温度传导时延，其取值为0-48的正整数。

将时延相关系数最大值对应的L作为集中供热网络最大温度传导时延τ_whole。

建立热负荷模型具体方法是：

S201，模型的构建

将设定时间段内的室外温度t_outside作为输入，设定时间段内的供热网络一次侧供水温度t_input_whole作为输出，构建线性回归模型，并将该线性回归模型作为热负荷模型；

该功能可使用python语言中的sklearn库实现。

该热负荷模型的表达式为：t_input_whole＝a*t_outside+b

其中，a、b均为系数。

S202，模型的更新

为保证模型的实时性，需要定期更新热负荷模型。更新周期因根据实际供热网络情况确定，例如可以设置每天更新，并假设仅取最近一周数据，即可以在每日0点重新取最近1周数据，重新进行数据清洗和模型训练，用得到的热负荷模型代替之前训练得到的热负荷模型。

S203，根据投诉率调整模型

模型可表示为在任意时刻，t_input_whole＝a*t_outside+b，由此可知，当投诉率降低时，降低截距b的值；当投诉率升高时，增加截距b的值。

步骤3，根据步骤2中得到的集中供热网络最大温度传导时延，构建集中供热网络温度传导模型，具体地：

将n时刻的热源供水温度t_source[n]作为输入时间序列；

将n时刻的供热网络一次侧供水温度t_input_whole[n]作为输出时间序列；

分别将输入时间序列和输出时间序列的前70％数据作为训练数据，剩余为测试数据；

采用LSTM模型对训练数据进行训练，得到集中供热网络温度传导模型；

利用测试数据对集中供热网络温度传导模型进行测试，最终得到训练好的供热网络温度传导模型，并将该模型保存为文件格式。

该功能可使用python语言中的keras库实现。

LSTM模型中的时延参数t_step设置为步骤2中得到的集中供热网络最大温度传导时延。

集中供热网络温度传导模型包含输入层、LSTM层和输出层，首先创建一层包含6个神经元和默认激活函数tanh的LSTM层，该层的其余参数均为默认值，其次创建具有单个神经元且没有激活函数的输出层。

创建模型后，编译模型并指定mean_squared_error损失函数和adam优化器。

所述n时刻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]＝∑(t_input

其中，t_input

所述n时刻的供热网络一次侧回水温度为所有热力站一次侧回水温度的加权平均值，即t_output_whole[n]＝Σ(t_outputm[n]*fm[n])/Σfm[n]

其中，t_outputm[n]表示第m个热力站在n时刻的一次侧回水温度；fm[n]表示第m个热力站在n时刻的一次侧流量。

步骤4，根据历史供热数据和热负荷模型，计算期望供热网络一次侧供水温度，具体地：

对于n-τ_whole个时刻，将n-τ_whole个时刻分别对应的室外温度t_outside输入步骤2中得到的热负荷模型中，计算得到n-τ_whole个期望供热网络一次侧供水温度t_input_whole_expect；

n-τ_whole个时刻表示热源供水到达各个换热站的时刻。

将所有t_input_whole_expect组合成向量，记作T_INPUT_WHOLE_EXPECT。

步骤5，根据步骤4中得到的期望的供热网络一次侧供水温度计算当前时刻最优热源温度，具体地：

取最小值为50，最大值为120，间隔为1的正整数，生成候选的热源供热温度集合T_SOURCE_CANDIDATE，其值为{50,51,52,……,119,120}。

从T_SOURCE_CANDIDATE中任意选取一个值t_source_candidate[j]，j＝{0,1,2……,70}，与n-τ_whole个时刻对应的热源供热温度进行组合成向量，记作[t_source_candidate[j],t_source[n-1],t_source[n-2],…,t_source[n-τ_whole+1],t_source[n-τ_whole]]，

将该向量输入至集中供热网络温度传导模型中，即得到t_source_candidate[j]对应的供热网络一次侧供水温度序列，记作T_INPUT_WHOLE_CANDIDATE[j]；

T_INPUT_WHOLE_CANDIDATE[j]＝[t_input_whole_candidate[j][n],t_input_whole_candidate[j][n-1],…,t_input_whole_candidate[j][n-τ_whole],]。

计算T_INPUT_WHOLE_CANDIDATE[j]与T_INPUT_WHOLE_EXPECT的均方误差；

将得到的所有均方误差进行排序，得到最小的均方误差，将该最小均方误差对应的t_source_candidate[j]作为当前时刻最优热源供水温度，记作t_source_expect[n]。