基于負荷預測的熱網運行調控策略

李 婉,趙秉文,陳軍松,張建強,金 宇

(1. 浙江理工大學, 浙江 杭州 310018；2. 浙江正泰中自控制工程有限公司,浙江 杭州 310018)

隨著我國城鎮化的加速發展,未來城市會容納越來越多的人口,使得部分地區的“城市病”日益嚴峻。為迎接城市將要面臨的挑戰,實現可持續發展,建設智慧城市已成為不可逆轉的歷史潮流。集中供熱是我國北方城市的基礎設施之一,而提高其智能化水平是智慧城市不可缺少的環節。改革開放后,我國集中供熱事業得到蓬勃發展,供熱規模不斷擴大,管網復雜程度增加,這對供熱系統的運行調節提出了更高的要求；但當前供熱系統的運行調控策略發展落后,主要依據用戶投訴率制定生產調度計劃,致使供需不平衡。因此，距實現“住戶用熱自主化,供熱計量智能化,系統控制自動化” 的目標[1]較遠,供熱的智能化水平還在初級階段,與智慧城市的目標要求相差甚大。

針對目前存在的問題,國內外學者做了較多研究,本文主要從負荷預測和熱網運行調控方面進行闡述。現階段常用的負荷預測方法有回歸分析法[2-3]、神經網絡法[4]、支持向量機[5-6]等。關于熱網調控方面,文獻[7]以供熱理論為基礎,研究了質量-流量規律。文獻[8]建立了在熱水網路采用質調節、質量-流量調節以及分階段變流量的質調節時的數學模型。文獻[9]提出一次網采用均勻性控制策略,以熱源優化調度策略和二次網循環水泵頻率精細調節等作為輔助控制手段,可實現全網平衡和安全節能運行。目前負荷預測多處于理論研究,用來指導實際工程運行調控較為罕見。

為提高集中供熱系統的智能化水平,推動供熱事業前進,本文以某市集中供熱系統為研究對象,深入剖析其現狀,提出運行調控策略。即運用遺傳算法的全局最優搜索能力彌補BP神經網絡易陷入局部極小值的局限性,建立換熱站負荷預測模型；根據負荷預測結果,即計算相對熱負荷,進而得到運行參數,并與采用氣候補償數學模型得到的運行參數進行分析對比,得出集中供熱系統最佳的調控方案。

1 工程信息

某市大型集中供熱系統的供暖時間從每年的11月15日到次年的3月15日,該市采暖室外計算溫度為-3.9 ℃,室內計算溫度為18 ℃,一次網設計供回水溫度為120 ℃/70 ℃,設計供回水壓力為1.6 MPa/0.3 MPa,設計流量為8 100 t/h,二次網設計供回水溫度為75 ℃/50 ℃。目前此系統屬于典型的高耗能粗放型供暖體系,生產調度計劃主要以天氣狀況為參考,設計工況為基礎,人工經驗為補充,用戶投訴率為評價標準,在供暖期對一次網和二次網進行粗略調節。

換熱站的采暖用戶類型不同,熱負荷的變化規律也不完全相同,本文從該集中供熱系統的眾多換熱站中選取一個供暖面積為75 217 m2,設計熱負荷為2 632.6 kW,設計流量為41.2 t/h,以住宅為主的換熱站作為研究對象。將2018/2019共2 664組數據作為建模樣本,研究其運行調控方式。

2 建立預測模型

2.1 遺傳算法優化BP神經網絡原理

BP神經網絡預測是通過對輸入樣本學習訓練,挖掘隱藏在數據內部的規律,并利用學習到的規律預測未來數據,具有較好的非線性映射能力和泛化能力,適合解決復雜的非線性問題,但用梯度下降法調整權值和閾值會使網絡極易限于局部極小值,且收斂速度慢。遺傳算法(Genetic Algorithm,GA)是運用“優勝劣汰,適者生存”的生物學進化原理,開發的一種并行隨機搜索優化方法,根據適應度函數選擇個體并進行遺傳學中的交叉和變異,保留適應度強的個體,淘汰適應度差的個體,而新形成的群體繼承上一代的優秀信息,又優于上一代。遺傳算法是一種全局優化算法,可以彌補BP神經網絡易陷入局部極小值的缺點,篩選出最優BP的權值和閾值,提高預測精度和收斂速度,具體流程見圖1。

圖1 遺傳算法優化BP神經網絡流程

2.2 實驗建模

本文以某市大型集中供熱系統為研究對象,分別建立BP神經網絡和GA優化BP神經網絡兩種換熱站預測模型。預測模型的輸入變量是影響預測精度的首要因素,通過分析不同因素對熱負荷的影響程度以及數據獲取的難易程度,選取室外溫度、風速、供水溫度、回水溫度、供水壓力、回水壓力、流量、前3天每天的熱負荷共十個影響因素作為輸入變量,將預測日熱負荷作為輸出變量。

網絡結構和參數是決定預測模型優劣的關鍵因素,隱含層層數和節點數選取太大會使網絡結構復雜,泛化能力弱。根據經驗,隱含層為一層足以滿足要求,隱含層節點數為2a+1(a為輸入變量個數),所以本文選擇的BP神經網絡結構共三層10-21-1。BP神經網絡的參數設置如下：學習速率為0.1,動量因子為0.65,迭代次數為5 000,誤差精度為0.000 01。遺傳算法的參數設置：種群規模為120,進化次數為80,交叉概率為0.3,變異概率為0.1。BP神經網絡仿真結果與GA優化BP神經網絡仿真結果見圖2、圖3。

圖2 實測負荷與預測負荷曲線

圖3 相對誤差曲線

分析上述實驗結果可知,BP神經網絡與GA優化BP神經網絡的預測值變化趨勢與實測熱負荷變化趨勢一致,但BP神經網絡預測的負荷值波動明顯,預測負荷與實測負荷之間存在較大差異,相對誤差區間處于[-15%,20%],平均相對誤差為2.22%。總體來說,單獨使用BP神經網絡預測穩定性差,精度低。遺傳算法優化BP神經網絡預測的負荷值與實測值擬合效果良好,其相對誤差區間處于[-8%,6%],平均相對誤差為1.67%,滿足短期熱負荷預測誤差要求。實驗結果說明BP神經網絡可以預測熱負荷變化趨勢,但是預測值與實測值差異較大,難以滿足精度要求。遺傳算法優化BP神經網絡的權值和閾值的性能較好,可以減小BP神經網絡陷入局部極小值的概率,同時使網絡收斂速度快,泛化能力強,在預測熱負荷時表現出較高的預測精度,可以滿足工程需要。

3 運行調控方案

熱網運行調控是保證供熱系統安全穩定運行的基礎,是決定用戶采暖質量的關鍵。隨著我國供熱收費制度改革工作的順利開展,居民按需取熱的意識增強,供熱計量監管制度初步形成。但目前缺乏科學合理的調控策略,難以根據熱負荷變化或者用戶側的熱量需求實時調控。因此,合適的管網運行調控策略是實現按需取熱、節能降耗的關鍵。

3.1 熱負荷預測調節方案

目前多數換熱站的調節是遭遇極端天氣時,根據人工經驗手動調節,或者直接依據設計工況運行,這樣落后的模式會造成用戶側需熱與熱源側供熱不匹配。設計熱負荷是依據室外計算供暖溫度計算得到的,但整個供暖季中實際室外溫度大多數高于室外計算溫度,同時考慮太陽輻射和風速，以及實際施工過程中的保溫措施或者改建等因素對其影響,實際熱負荷通常低于設計熱負荷,所以傳統的調節方式根據設計工況和人工經驗,粗略調節熱網難以實現智慧供熱的目標,故準確的熱負荷預測指導熱網運行調控顯得尤為重要。

依據供熱系統的熱平衡原理,忽略其沿程熱損耗,此時建筑物的采暖熱負荷等于室內采暖設備處的散熱量,同時等于供暖系統向熱用戶輸送的熱量,依此原理求出質調節的供回水溫度計算公式：

(1)

(2)

式(1)(2)中：tg和th分別為非設計工況下的二次側供回水溫度;

b為散熱器傳熱指數,b=0.17～1.37,通常取0.3;

公式(1)表示質調節時二次網供水溫度與相對熱負荷的關系,為了方便計算分析,通常按照采暖熱負荷與室內外溫差成正比且忽略太陽輻射、室外風速風向等對其影響,簡化為公式(2)計算相對熱負荷。這種計算方式會存在誤差。本文根據前述建立的負荷預測模型,提前預測所需實際熱負荷Q,用預測的實際熱負荷與設計熱負荷之比計算相對熱負荷,進而得到二次網的供水溫度,調節一次側的電動調節閥達到其目標溫度。這種調控方式能夠有效避免上述存在的誤差,同時可以提前制定供熱計劃,緩解集中供熱的滯后性問題。

3.2 氣候補償調節方案

(3)

4 不同調節方案對比分析

為了說明基于負荷預測的熱網運行調控策略的優勢,以該集中供熱系統為研究對象,2018/2019供暖季的實際運行數據為依據,對比采用兩種方案的運行參數。

2018/2019供暖季的歷史負荷約888～2 542 kW,按照GA優化BP神經網絡建立模型的平均相對誤差1.67%計算,則預測的熱負荷范圍大約位于873.17～2 584.45 kW,相對熱負荷和二次供水溫度見表1。

若用氣候補償法時,某市2018/2019年采暖季的室外溫度在-7.8℃～17.9℃,代入公式(3)計算相對熱負荷和二次供水溫度見表1。

表1 不同調節方案的運行參數

分析對比根據負荷預測法和氣候補償法分別計算相對熱負荷和供水溫度,得出基于熱負荷預測得到的二次供水溫度更加科學合理。因為該集中供熱系統末端未安裝溫度檢測設備,無法檢測熱用戶室溫是否合格,所以本文以用戶投訴率為評價指標,經現場調研，2018/2019年采暖季沒有用戶投訴,實際熱負荷通常是設計熱負荷的45%～84%,就可以滿足用戶用熱需求。由表1可知,根據熱負荷預測結果調節法得到的相對熱負荷更符合實際情況,供水溫度更科學合理。通過氣候補償法計算的相對熱負荷和供水溫度不符合實際工程需要,當室外溫度低于-4 ℃時,二次供水溫度大于設計溫度；當室外溫度過高時,供水溫度過小,難以滿足實際需要。說明按照預測結果調控電動調節閥開度更加科學合理、節能降耗,且能夠提前制定供熱方案,采用氣候補償法的節能效果差,容易出現供大于需或供小于需,與智慧供熱的目標相悖。

5 結 語