一种数据驱动的热网运行优化方法技术

本发明专利技术提出一种数据驱动的热网运行优化方法，其包括以下步骤：数据采集，采集热网系统运行状态的实时数据、历史数据和未来天气信息数据；模型训练：用热网系统运行状态的实时数据、历史数据训练预测模型；数据预测，将未来天气信息数据导入训练好的预测模型，完成对热功率的预测。本发明专利技术的数据驱动的热网运行优化方法通过首次引入风力、光照等天气信息，数据更全面充分，使得模型更准确，从而给出热网运行最优方案。

A Data-Driven Method for Optimizing the Operation of Heat Networks

【技术实现步骤摘要】
一种数据驱动的热网运行优化方法
本专利技术属于热网运行优化
，具体涉及一种数据驱动的热网运行优化方法。
技术介绍
我国北方冬季采暖主要以集中供热为主，采暖所需要的供热能耗在社会能耗中占比很大，超过30％。国家对于节约能源日益重视，陆续出台相应对策对供热企业能源消耗量进行规范，这对于现有集中供热系统的运行效率提出了更高的要求。提高供热效率对于落实我国能源战略方针、建设资源节约和环境友好型社会、降低供热企业成本、保障用户供热质量等都具有重要意义。目前现行的集中供热大多是以热源厂、电厂抽气取热等方式为热源，利用热水或热蒸汽为热媒传送热量，在城市地下铺设环状或枝状一次供热管网，通过热力站进行热交换给二次供热管网，最终连接各个用户的采暖设备。此供热过程具有时滞、时变、不确定、非线性和强耦合等特点，传统的热网运行控制方法很难同时适应以上情况，因此需要进行改进优化。目前国内的控制模式分为热源和热网两部分：对于热源，控制总供水温度和总循环流量，保证按需供热并均匀分配总供热量至各热力站，使供热效果达到一致，但它不涉及具体的供热指标。而热网总需要热量是通过对热负荷的动态预测，并对热源部分直接调节实现的。对于热网，各热力站之间的热量分配是通过各站自己独立的控制单元实现的，即通过室外温度来确定二次侧供回水温度值，通过改变一次侧流量来保证二次侧供回水平均温度为设定值。总在热源供热充足的情况下，每个热力站都可以通过自身的自动调节满足热负荷的要求变化；热源供热不足时，各站的流量控制阀就会起到限制各站的最大流量的作用，从而限制各站的用热量，实现均匀分摊热量不足作用。目前的热网运行优化方法主要采用工况分析、物理模型、专家或先验知识等方法。主要存在以下几个方面的问题：(1)热网运行过程中，会出现成百上千种工况，但热网运行具有强耦合性，不同的工况都受到很多调节参数共同的影响，以工况分析的方法进行热网运行调节控制，即耗时又耗力。(2)基于物理模型的方法能够精准的构建热源到热网、热网到用户之间的供热关系，但热网运行是一个非常复杂的模型，具有很强的非线性、不确定性，模型中的参数很难确定，因此对于物理模型的构建非常困难，而且无法解决迟滞性。(3)依靠专家和先验知识的方法，更多的是依赖已经发生过的先验事项，对于未出现过的热网运行状况不能给出最优解决方案。因此，需要构建大量的专家或者经验库才能给出热网运行最优的方案。
技术实现思路
本专利技术的数据驱动的热网运行优化方法采用数据驱动，通过热网系统运行的大量历史数据及室外温度、风力、光照等外部环境数据，主要解决以下几个方面的问题：(1)解决热网运行效率低的问题。利用历史数据的等建立模型，有效指导热网进行控制，提高热网运行效率，降低能源消耗量。(2)解决热网运行系统的延时问题。通过预测模型，引入室外温度、风力、光照等参数，实现热源与换热站、换热站与用户间换热过程提前完成，保障用户室内温度维持在平稳区间，不会随着室外温度变化而明显变化。(3)解决热网运行系统各关键参量解耦难的问题。本专利技术采用BP神经网络的黑箱模型，无需对耦合性极强的各个参数进行解耦。为了解决上述技术问题，本专利技术提出一种数据驱动的热网运行优化方法，数据驱动的算法以BP神经网络算法为基础，数据中不仅包含二次供水温度、二次回水温度、流量、室外温度等信息，还融合风力、光照等环境参数，指导热源与换热站之间的调节工作。通过首次引入风力、光照等天气信息，数据更全面充分，使得模型更准确。本专利技术的数据驱动的热网运行优化方法包括以下步骤：数据采集，采集热网系统运行状态的实时数据、历史数据和未来天气信息数据；模型训练：用热网系统运行状态的实时数据、历史数据训练预测模型；数据预测，将未来天气信息数据导入训练好的预测模型，完成对热功率的预测。优选地是，在本专利技术的数据驱动的热网运行优化方法中，实时数据和历史数据包括二次网供水温度、二次网出水温度、水流量、室外温度、室外风速、光照强度、热功率，未来天气信息数据包括室外温度、室外风速、光照强度。进一步优选地是，在本专利技术的数据驱动的热网运行优化方法中，将热网系统运行状态的实时数据、历史数据随机分为两部分，在模型训练步骤中，一部分用于训练预测模型，一部分用于测试模型。优选地是，在本专利技术的数据驱动的热网运行优化方法中，模型训练的算法采用BP神经网络、支持向量机、回归分析，更优选采用BP神经网络。进一步优选地是，在本专利技术的数据驱动的热网运行优化方法的数据预测中，根据室外天气情况、二次网供水温度、室内温度情况建立神经网络模型，将室内温度设定值作为输入，根据室外天气情况进行设定二次网供水温度，根据此温度进行供温。附图说明图1为不考虑风力、辐射能和考虑风力、辐射能的室内温度控制结果。图2为热网控制运行过程示意图，箭头走向代表水流的方向，向右代表供水，向左代表回水。图3为本专利技术的热功率预测示意图。图4为本专利技术的BP神经网络模型建立过程。具体实施方式下面结合附图对本专利技术的数据驱动的热网运行优化方法的具体实施方式进行说明。本专利技术的数据驱动的热网运行优化方法，主要用于优化图2中热源与换热站间的运行过程，在保证用户室温合格率的基础上，降低热功率。本专利技术的数据驱动的热网运行优化方法，如图4所示，包括以下步骤：1.数据采集：采集热网系统运行状态的实时数据、历史数据和未来天气信息数据，实时数据和历史数据包括二次网供水温度、二次网出水温度、水流量、室外温度、室外风速、光照强度、热功率，未来天气信息数据包括室外温度、室外风速、光照强度。将热网系统历史运行状态和现在运行状态的数据样本随机分为两部分，一部分作为训练数据，用于训练预测模型；一部分用于测试模型。数据的输入量为N1＝[T1,T2,Q,T3,v,I]，输出量为热功率N2＝[tec]，其中T1为二次网供水温度，T2为二次网出水温度，Q为水流量，T3为室外温度，v为室外风速，I为光照强度，tec为热功率。2.模型训练：用热网系统运行状态的实时数据、历史数据训练预测模型，可以采用BP神经网络、支持向量机、回归分析等算法。由于准确率高，本专利技术优选采用BP神经网络。本专利技术的一个具体例子为，BP神经网络包含三层，采用多输入、单输出的三层神经网络模型。其中输入层有6个节点，输出层有1个节点，隐含层有3～8个节点，可以进行调整，节点间传递函数为对数S型传递函数。整个过程如图4所示，j代表神经网络训练迭代的次数，总共设定为J次，j＝J时，停止训练，k代表当前训练数据的组数。首先对参数进行初始化，然后将训练样本的输入向量N1和对应的输出向量N2输入神经网络进行训练，不断对神经网络进行更新，保存最优权值。训练结束后将测试样本的输入向量N3输入训练完成的神经网络，得到输出向量N4，并与向量N3所对应的真实输出量N4进行验证测试神经网络的准确性。3.数据预测：将未来天气信息数据导入训练好的预测模型，完成对热功率的预测。根据室外天气情况、二次网供水温度、室内温度情况建立的神经网络模型，将室内温度设定值作为输入，可以根据室外天气情况进行设定二次网供水温度，根据此温度进行供温，可以保证室内温度的稳定，如图1所示。本文档来自技高网...

【技术保护点】
1.一种数据驱动的热网运行优化方法，其特征在于包括以下步骤：数据采集，采集热网系统运行状态的实时数据、历史数据和未来天气信息数据；模型训练：用热网系统运行状态的实时数据、历史数据训练预测模型；数据预测，将未来天气信息数据导入训练好的预测模型，完成对热功率的预测。

【技术特征摘要】
1.一种数据驱动的热网运行优化方法，其特征在于包括以下步骤：数据采集，采集热网系统运行状态的实时数据、历史数据和未来天气信息数据；模型训练：用热网系统运行状态的实时数据、历史数据训练预测模型；数据预测，将未来天气信息数据导入训练好的预测模型，完成对热功率的预测。2.根据权利要求1所述的数据驱动的热网运行优化方法，其特征在于，实时数据和历史数据包括二次网供水温度、二次网出水温度、水流量、室外温度、室外风速、光照强度、热功率，未来天气信息数据包括室外温度、室外风速、光照强度。3.根据权利要求1所述的数据驱动的热网运行优化方法，其特征在于，将热网系统运行...

【专利技术属性】
技术研发人员：王春泽，曹凯，谢春甫，闫小东，郭紫晶，
申请(专利权)人：北京航天智造科技发展有限公司，
类型：发明
国别省市：北京,11