BP 算法預測控制在供熱系統中的節能應用

朱冬雪 鹿世化 張帆 過繼偉 葛雪鋒

1 南京師范大學能源與機械工程學院

2 浙江正泰聚能科技有限公司

0 引言

我國北方地區集中供熱系統中采暖用戶行為不規范[1]，系統自動化水平不高[2]，樓房建筑結構保溫性能不好[3]和統計預測能力不強等造成了系統能耗損失嚴重，采暖用戶室內溫度冷熱不均，采暖成本較高。

目前國內外許多研究學者對集中供熱系統前端，末端和室內溫度節能控制策略做了大量研究[4-7]，但供熱系統二次管網水力失衡問題仍得不到很好的解決。本文在建筑樓棟供熱系統的回水管道上安裝IBV 電子平衡閥，采用BP 神經網絡算法對建筑熱負荷和閥門開度進行預測，在滿足采暖用戶用熱需求的基礎上，有效地降低供熱系統的運行能耗，減少采暖成本。

1 集中供熱系統原理

本文以山東省濱州市某小區集中供暖項目為研究對象，小區的總面積為94159 萬m2，實際供暖面積約為74300 萬m2，小區的入住率達到70%～80%。小區集中供熱系統采用直接供熱的方式由供熱站直接向用戶輸送熱量，隨著采暖用戶的增加、部分用戶用熱行為不規范、管網使用時間長等，造成供熱管網漏水、水力失衡嚴重、末端用戶冷熱不均、系統能耗增加。為了提高供熱系統采暖用戶的舒適性、降低系統能耗，本文對小區集中供熱系統進行改進，在辦公樓、幼兒園、小學三棟樓供熱系統回水管道上安裝IBV 電子平衡閥，通過調節電子平衡閥的開度對供熱系統進行分時控制。小區集中供熱原理圖如圖1 所示。

圖1 小區集中供熱原理圖

2 BP 神經網絡預測模型的構建

2.1 BP 神經網絡算法結構

在集中供熱系統中，熱負荷預測物理模型建立起來比較困難，因為供熱系統為非線性系統，各個參數之間關系比較復雜。此外，集中供熱控制系統調節過程中存在一定的時間延遲，如果不能及時的進行預測調整，不僅給用戶帶來較差的舒適感，還會造成系統能耗損失。針對這一問題，本文提出了一種基于BP 神經網絡熱負荷預測及閥門開度預測的方法來提高用戶舒適度，降低系統能耗。BP 神經網絡是在生物神經元研究的基礎上提出的一種抽象模型[8]，BP 神經網絡的基本模型是一個三層前饋網絡，包括輸入層，隱含層和輸出層[9-10]。通過黑盒模型建立各層之間的連接，適用于復雜非線性對象的預測建模[11]。

2.2 BP 算法預測模型輸入、輸出變量的選取

在集中供熱系統熱負荷預測和閥門開度預測模型中，影響預測模型因素有很多。通過對小區采暖建筑的實地考察和采暖數據分析得出，BP 神經網絡熱負荷預測和閥門開度預測模型的最大影響因素為空氣相對濕度，風速，室內平均溫度，太陽輻射，室外平均溫度，歷史IBV 電子平衡閥開度和歷史熱負荷。

為了保證預測模型的精確性，選取山東省濱州市某小區空氣相對濕度、風速、室內平均溫度、太陽輻射、室外平均溫度作為神經網絡熱負荷和閥門開度預測模型的輸入，IBV 電子平衡閥開度和熱負荷作為輸出。

2.3 歷史數據的預處理

BP 神經網絡預測模型構建的過程中需要大量數據用于學習和訓練。選取山東省濱州市某小區2017 年11 月24 日-2018 年3 月15 日期間的11200 組數據進行訓練，并選用2018 年12 月份30 天的數據進行預測。從項目現場采集過來的原始數據中，有些數據可能因為設備故障、人為因素、設備精密度、數據傳輸干擾或者惡劣天氣狀況等因素存在一些誤差，可信度較低[12]。如果不及時的對這些數據進行預處理，BP 算法在學習過程中，可能數據會發散，對供熱系統預測模型的準確性會產生很大影響。因此，采用偏離率修正方法對歷史數據進行處理，保證預測模型的精確性。

偏離率的計算公式如下：

式中：ε 為偏離率；λ 為實際值；E 為平均值。

本文選取偏離率ε=1 對數據進行處理，當偏離率小于1 時，保留原始數據。當偏離率大于1 時，選擇兩邊相鄰時刻數據的平均值作為當前數值來完成數據的修正。

2.4 輸入、輸出參數的歸一化處理

歷史數據修正過后，在BP 神經網絡熱負荷預測和閥門開度預測模型的程序運行過程中，為了避免各個輸入、輸出變量之間因關聯性較差而造成預測數據偏差大等問題的出現，需要對模型的輸入、輸出變量進行歸一化處理，將各個變量的參數值都換算成[-1,1]區間的數值。

2.5 預測模型的仿真

由上文可知，BP 神經網絡預測模型輸入層的數量為5，輸出層的數量為2，而對于神經網絡來說決定模型預測結果的好壞主要取決于學習速率和隱含層節點的個數。本文選取預測模型的學習速率為0.01，經過多次的學習訓練，得出隱含層節點數為10 時，BP 神經網絡算法預測模型最為精確。預測模型的仿真曲線如圖2 所示。

圖2 預測模型的仿真曲線圖

從BP 神經網絡預測模型的仿真曲線可以看出，熱負荷相對誤差最大為0.03，閥門開度相對誤差最大為0.048，其相對誤差均在5%以內。即在隱含層節點數為10 時，相對誤差曲線趨于穩定，BP 神經網絡預測模型最為精確，可以在工程項目中應用，為供熱系統節約能耗。

3 基于BP 神經網絡預測模型控制方法的節能分析

表1 是小區供熱系統改造前后系統每天能耗量，熱量及COP。

表1 小區供熱系統改造前運行數據

從表1 可以看出，小區供熱系統加入IBV 電子平衡閥后，采用精度高的BP 神經網絡算法預測模型進行調控，COP不含水泵為2.18，COP含水泵為1.94，比改造前的高。

5 結束語

為了降低小區集中供熱系統的運行能耗，采用BP神經網絡熱負荷預測和閥門開度預測方法對小區采暖建筑進行預測模型的建立。通過大量的學習訓練，得出最優BP 神經網絡熱負荷預測和閥門開度預測模型的學習速率為0.01，神經網絡結構為5-10-2。運用最優的BP 神經網絡預測模型控制方法對小區集中供熱系統閥門開度進行分時調控，根據今年和去年同期運行數據對比，得出基于BP 神經網絡預測控制方法的供熱系統所提供的熱量比去年降低7.4%，系統運行能耗同比降低9.5%。該BP 神經網絡預測模型控制方法有效的降低了供熱系統的運行能耗。