一种基于有效室温检测的换热站预测控制方法与流程

1.本发明涉及换热站供暖控制技术领域，具体涉及一种基于有效室温检测的换热站预测控制方法。


背景技术：

2.我国供热二次网以集中调控为主，传统的控制方法以人工依据供热曲线进行调节，调节过程依据经验进行，为保证满足用户用热需求，过量过热现象明显，且室温波动性大，热舒适质量差。基于机器学习的供热预测控制的兴起为提高供热质量、降低能耗提供了有效的技术手段。然而，基于机器学习的预测控制需要大数据支撑，在新建换热站和供热系统发生变化及供热初末期室外温度较高、热需求不稳定的工况下，预测的室外气象参数也不一定能准确反应实时工况，随机性较强，在上述情况下无法提供准确的预测控制。因此，在缺乏数据支撑及工况变化较大的情况下，仅依靠预测控制难以实现系统按需供热。


技术实现要素：

3.为解决现有技术中存在的不足，本发明提供一种基于有效室温检测的换热站预测控制方法，根据换热站在整个供暖期的特点，在新建换热站及供暖运行初末期运用反馈控制，在供暖稳定期进行反馈控制与预测控制相结合的方法，使整个供暖期控制室温在合理范围，且降低供暖室温波动性，实现按需供热。
4.本发明为解决其技术问题所采用的技术方案是：一种基于有效室温检测的换热站预测控制方法，将供暖阶段分期为供暖初期、供暖稳定期、供暖末期。在供暖初期、供暖末期采用有效室温反馈控制，在供暖稳定期以依据室外气象参数计算的供热调节参数结合有效室温反馈控制进行运行，且以供暖稳定期的运行数据作为神经网络训练的基础数据以训练神经网络，训练好的神经网络预测下一时间段的二次网供水温度及热负荷。
5.进一步的，所述的将供暖阶段分期为供暖初期、供暖稳定期、供暖末期为：连续一周室外温度一天中有超过8小时温度高于5℃或当地供暖开始后的若干天为供暖初期；连续一周室外温度一天中有超过8小时温度高于5℃或当地供暖结束前的若干天为供暖末期，供暖初期和供暖末期之间的时间段为供暖稳定期。
6.进一步的，所述的在供暖初期、供暖末期采用有效室温反馈控制包括：
7.s1、建立换热站有效室温提取计算模型：
8.选择具有代表性的用户进行室温检测，所述具有代表性的用户供暖面积不低于总供暖面积的3％，室温通过无线传输模块传输至集中控制单元，通过集中控制单元进行数据清洗计算，选取合理低温用户算数平均温度作为有效室温控制计算温度，参与计算的合理低温用户为室温不高于20℃且不低于16℃的住户室温。
9.s2、建立换热站基于有效室温的反馈控制模型；
10.换热站检测有效室温作为控制目标，通过室外气象参数依据供暖调节曲线调节二次网供水流量，进而调节二次网供水温度曲线，通过换热站检测的有效室温与室内有效温
度设定值之差修正二次网供水温度。
11.进一步的，所述步骤s2的具体步骤为：换热站控制平台根据供暖调节曲线，通过室外气象预报提供的室外温度t
w
，计算二次网供水温度t
g
，通过二次网供水温度t
g
影响有效室温t
n
。计算室内有效温度设定值t
bn
与有效室温t
n
对比差值δt＝t
bn
‑
t
n
，判断δt是否在设定温度范围内，超出设定值则通过pid控制一次侧阀门开度或水泵转速控制调节二次网供水流量，修正计算二次网供水温度t
g
，二次网供水温度曲线如下式：
[0012][0013]
式中：t
g
为二次网供水温度℃；t
n
为有效室温℃；t
w
为室外温度℃；b为散热器指数；为相对流量比；t
g’为二次网供水温度设定值℃；t
h’为回水温度设定值℃；t
n’为室内温度设定值℃；t
w’为室外温度设定值℃；f(δt)为有效室温与室内有效温度设定值的函数。
[0014]
进一步的，所述在供暖稳定期以依据室外气象参数计算的供热调节参数结合有效室温反馈控制进行运行包括：
[0015]
s3、建立优化神经网络预测模型；
[0016]
建立ga_bp神经网络，通过ga算法优化bp神经网络初始化权值、阈值，所需样本数据包括：二次网供水温度t
g
、二次网流量g、有效室温t
n
、室外温度t
w
、热负荷q；
[0017]
s4、通过神经网络预测模型计算供热参数，以二次网供水温度t
g
及热负荷q为预测值，二次网流量g、室内有效温度设定值t
bn
、室外温度t
w
、二次网供水温度历史t
g
值为输入值，通过神经网络预测模型控制供水温度参数；
[0018]
s5、神经网络训练数据的选取，选取供暖稳定期初始阶段数据为训练初始值，将供暖稳定期的运行数据滚动输入神经网络模型进行训练，修正神经网络、逐渐提高预测精度，以室内有效温度设定值t
bn
与有效室温t
n
之间的差值δt进行判别，若δt保持在
±
1℃设定范围内，则神经网络预测模型处于稳定预测控制阶段，若预测控制阶段连续长时间出现有效室温t
n
超出室内有效温度设定值t
bn
误差范围，则在此期间实施预测控制结合有效室温反馈控制，并将此期间的运行数据作为补充数据，更新神经网络预测模型数据并继续训练神经网络，完成后返回步骤s4继续进行预测控制。
[0019]
进一步的，所述通过ga算法优化bp神经网络初始化权值、阈值包括：
[0020]
(1)初始化bp神经网络，确定其网络拓扑结构及训练学习规则；
[0021]
(2)根据网络拓扑结构：输入层
→
隐含层
→
输出层的权值和阈值个数确定遗传算法染色体长度；
[0022]
(3)遗传算法种群初始化并对染色体进行编码；
[0023]
(4)确定bp神经网络的适应度函数，将基于神经网络输出节点的误差导数作为适应度函数；
[0024]
(5)遗传操作选择，采用最佳保留选择方式，根据群体中个体的适应度函数值大小进行排序，优先选择适应度函数值较大的个体遗传到下一代；
[0025]
(6)遗传操作交叉及变异，个体采用实数编码，交叉采用实数交叉法，对父代染色体进行交叉变异，产生子代染色体组；
[0026]
(7)重复步骤(5)、(6)，染色体不断进化，直到适应度满足目标要求，解码得到优化
的初始权值和阈值。
[0027]
有益效果：(1)有效室温的提取与控制保证供暖质量，提高用户热舒适性；
[0028]
(2)供暖稳定期实施预测控制结合有效室温反馈控制，对新建和改扩建换热站也有较高的实用性；
[0029]
(3)根据供暖分期合理的选择训练数据，滚动训练神经网络，提高神经网络预测精度；
[0030]
(4)同时预测二次网供水温度和热负荷，为系统节能运行和合理调度提供有效保证。
附图说明
[0031]
图1：换热站供暖分期控制模式；
[0032]
图2：换热站有效室温反馈控制原理图；
[0033]
图3：神经网络训练流程示意图；
[0034]
图4：优化神经网络原理图；
[0035]
图5：换热站预测控制结合有效室温反馈控制原理图。
具体实施方式
[0036]
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
[0037]
实施例1
[0038]
一种基于有效室温检测的换热站预测控制方法，提高集中供暖用户整体室温稳定性及降低运行能耗，首先通过供暖分期，将供暖特点进行区分，以提高预测控制的精度；通过在换热站集中控制的供热用户，在典型热用户安装无线传感室温检测设备，实时检测室温数据，剔除过热用户和不合理低温用户，通过概率统计方法提取具有代表整个供热系统的有效室温。将设定有效室温与检测有效室温进行对比，控制换热站供热参数，使检测有效室温在设定有效室温的合理范围内波动，提高热舒适性且使整个供暖系统热用户不保证率满足需求。本发明专利根据供暖系统热力工况特征、反馈控制及预测控制相结合的方式实现供热系统整个供暖期稳定、合理、节能运行。
[0039]
供暖分期划分：
[0040]
如图1，由于供暖初末期室外气象参数较高，且在供暖初期存在系统检查情况，造成供暖调节曲线失效，室温过高且波动性大，浪费能源，热舒适性下降，且形成的运行数据规律性不强，波动大，给后期预测控制造成干扰，影响神经网络模型预测精度。因此，根据供暖初末期热力失调现象小，供暖稳定期规律性强的特点，供暖初末期应用有效室温反馈控制供水温度，以达到节能和稳定室温的目的。在供暖稳定期进行预测控制，神经网络训练需要数据少，且精度高。其中供暖分期的方法为，当连续一周室外温度一天中有超过8小时温度高于5℃或根据当地供暖开始后几天及供暖结束前几天为供暖初末期，供暖初末期的中间时间段为供暖中期或稳定期。
[0041]
建立换热站有效室温提取计算模型；
[0042]
选择具有代表性的用户进行室温检测，所述具有代表性的用户供暖面积不低于总
供暖面积的3％，室温通过无线传输模块传输至集中控制单元，通过集中控制单元进行数据清洗计算，选取合理低温用户算数平均温度作为有效室温控制计算温度，参与计算的合理低温用户为室温不高于20℃且不低于16℃的且剔除故障或停供的低温住户；低于16℃的低温住户进行故障排查。
[0043]
建立换热站基于有效室温的反馈控制模型：
[0044]
换热站检测有效室温作为控制目标，通过室外气象参数依据供暖调节曲线调节二次网供水流量，进而调节二次网供水温度曲线，通过换热站检测的有效室温与室内有效温度设定值之差修正二次网供水温度，使室内温度始终保持在合理的范围内运行。反馈控制模型主要应用在供暖初期和供暖末期，在供暖稳定期出现检测有效室温与设定有效室温的偏差较大时也进行反馈控制，且期间的运行数据作为神经网络训练数据进行修正神经网络。
[0045]
如图2，换热站反馈控制具体为：换热站控制平台根据供暖调节曲线，通过室外气象预报提供的室外温度t
w
，计算二次网供水温度t
g
，通过二次网供水温度t
g
影响有效室温t
n
，计算室内有效温度设定值t
bn
与有效室温t
n
对比差值δt＝t
bn
‑
t
n
，判断δt是否在设定温度范围内，超出设定值则修正计算二次网供水温度t
g
，通过pid控制一次侧阀门开度或水泵转速控制调节二次网供水流量，二次网供水温度曲线如下式：
[0046][0047]
式中：t
g
为二次网供水温度℃；t
n
为有效室温℃；t
w
为室外温度℃；b为散热器指数；为相对流量比；t
g’为二次网供水温度设定值℃；t
h’为回水温度设定值℃；t
n’为室内温度设定值℃；t
w’为室外温度设定值℃；f(δt)为有效室温与室内有效温度设定值的函数。
[0048]
建立优化神经网络预测模型：
[0049]
建立ga_bp(遗传算法结合反向传播)神经网络，通过ga算法优化bp神经网络初始化权值、阈值，避免神经网络陷入局部最优造成预测不准确的情况，所需样本数据包括：二次网供水温度t
g
、二次网流量g、有效室温t
n
、室外温度t
w
、热负荷q；
[0050]
通过神经网络预测模型计算供热参数：
[0051]
以二次网供水温度t
g
及热负荷q为预测值，二次网流量g、室内有效温度设定值t
bn
、室外温度t
w
、二次网供水温度历史t
g
值为输入值，通过神经网络预测模型控制供水温度参数，以使室内温度在合理范围内波动。
[0052]
神经网络训练数据的选取：
[0053]
选取供暖稳定期初始阶段数据为训练初始值，将供暖稳定期的运行数据滚动输入神经网络模型进行训练，修正神经网络、逐渐提高预测精度，以室内有效温度设定值t
bn
与有效室温t
n
之间的差值δt进行判别，若δt保持在
±
1℃设定范围内，则神经网络预测模型处于稳定预测控制阶段，若预测控制阶段连续长时间出现有效室温t
n
超出室内有效温度设定值t
bn
误差范围，则在此期间实施预测控制结合有效室温反馈控制，并将此期间的运行数据作为补充数据，更新神经网络预测模型数据并继续训练神经网络，完成后继续进行预测控制。
[0054]
如图3，神经网络训练过程：神经网络的输入参数为室外温度t
w
，室内有效室温(有
效室温t
n
训练用，室内有效温度设定值t
bn
预测用)，二次网供水温度t
g
，二次网流量g，热负荷q，输出为二次网供水温度预测值和热负荷预测值二次网供水温度预测为了保证室温运行稳定，热负荷预测为一次侧调度提供参考。由于预测二次网供水温度和热负荷受上一时间段参数影响，因此给出预测参数关系如式2、3所示，通过相关系数r确定预测参数与输入参数间的关系；
[0055][0056][0057]
式中：
[0058]
为在i 1时刻下供水温度预测值℃；为在i 1时刻下热负荷预测值kw；为在i 1时刻下室外温度预测值℃；为在i 1时刻下有效控制室温设定值℃；g
i 1
为在i 1时刻下供水流量计算值℃；为在i时刻下供水温度℃；为在i
‑
1时刻下供水温度℃；为在i
‑
n时刻下供水温度℃；q
i
为在i时刻下热负荷kw；q
i
‑1为在i
‑
1时刻下热负荷kw；q
i
‑
n
为在i
‑
n时刻下热负荷kw；
[0059]
神经网络训练输入参数中室外温度、有效室温、二次网流量为单一时刻历史值，二次网供水温度和热负荷为前一段时间参数。所述一段时间n值的确定由相关系数r确定，r值不小于0.4。r值计算方法如式4所示；
[0060][0061]
式中p和q代表不同变量，n代表变量p和q的数量，
‑
1≤r≤1，r的绝对值越大说明相关性越强，r＝0说明不相关。
[0062]
如图4：由ga算法优化bp神经网络的初始权值和阈值，以免bp神经网络陷入局部最优，遗传传算法对bp神经网络的优化流程为：
[0063]
(1)初始化bp神经网络，确定其网络拓扑结构及训练学习规则；
[0064]
(2)根据网络拓扑结构：输入层
→
隐含层
→
输出层的权值和阈值个数确定遗传算法染色体长度；
[0065]
(3)遗传算法种群初始化并对染色体进行编码；
[0066]
(4)确定bp神经网络的适应度函数，将基于神经网络输出节点的误差导数作为适应度函数；
[0067]
(5)遗传操作选择，采用最佳保留选择方式，根据群体中个体的适应度函数值大小进行排序，优先选择适应度函数值较大的个体遗传到下一代；
[0068]
(6)遗传操作交叉及变异，个体采用实数编码，交叉采用实数交叉法，对父代染色体进行交叉变异，产生子代染色体组；
[0069]
(7)重复步骤(5)、(6)，染色体不断进化，直到适应度满足目标要求，解码得到优化
的初始权值和阈值。
[0070]
如图5，换热站预测控制结合反馈控制原理：在原有效室温反馈控制的基础上，在控制平台加入神经网络预测模型，在供暖稳定期通过预测控制为主，反馈控制为辅的手段进行控制，反馈控制只发生在室内有效温度设定值与检测有效室温偏差超出允许范围。由于换热站运行过程也会随着设备性能及热用户的变化发生变化，且气象预测并不能真实反映实时气象参数，会给运行带来一定偏差，因此，预测控制在大部分情况下保证稳定运行，在供热情况发生变化时，反馈控制自动完成室温波动的修正，不至于发生较大偏差，且预测精度超过一定时间阶段δτ后将该时间段的运行数据更新至神经网络训练数据，动态调整网络的训练模型，以提高网络的预测精度。在评价供水预测温度精度时，通过对比运行中室内有效温度设定值与检测有效室温的差值δt进行作用目标的直接判别，可以避免运行过程中复杂动态扰动及在运行中气象预测存在的偏差造成模型不稳定的情况。
[0071]
本发明总结的整体控制流程为，在供暖初末期采用反馈控制，通过反馈控制进一步降低供水温度或降低流量达到节能的目的。在供暖初末期由于室外温度偏高，供暖运行数据不具有明显规律性，给神经网络预测控制造成干扰，影响预测精度。在供暖稳定期开始运行初级阶段，仍以依据室外气象参数计算的供热调节参数结合有效室温反馈控制进行运行，且在此期间运行的参数作为神经网络训练的基础数据以训练神经网络。训练好的神经网络通过气象预报室外温度t
w
、室内有效温度设定值t
bn
、二次网流量g、热负荷q及二次供水温度历史值t
g
进行预测下一时间段的二次网供水温度t
g
及热负荷q。在预测运行过程中以室内有效温度设定值t
bn
和检测有效室温t
n
作为对比值，如两者之间温差δt保持在
±
1℃设定范围内，则神经网络预测模型处于稳定预测控制阶段。如果预测控制阶段连续长时间出现检测有效室温超出设定值误差范围，则在此期间实施预测控制 反馈控制模式，并将此期间的运行数据作为更新神经网络样本数据，在之前神经网络训练基础上更新神经网络，返回继续进行预测控制。在供暖稳定期，通过神经网络预测模型不仅可以精确预测供水控制温度，使供暖更稳定，且能同时预测所对应的能耗，为一次网调度提供精确的指导，实现精准控制、按需供暖的节能目的。
[0072]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。