基于负荷预测的热网运行调控策略

李 婉,赵秉文,陈军松,张建强,金 宇

(1. 浙江理工大学, 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)

随着我国城镇化的加速发展,未来城市会容纳越来越多的人口,使得部分地区的“城市病”日益严峻。为迎接城市将要面临的挑战,实现可持续发展,建设智慧城市已成为不可逆转的历史潮流。集中供热是我国北方城市的基础设施之一,而提高其智能化水平是智慧城市不可缺少的环节。改革开放后,我国集中供热事业得到蓬勃发展,供热规模不断扩大,管网复杂程度增加,这对供热系统的运行调节提出了更高的要求；但当前供热系统的运行调控策略发展落后,主要依据用户投诉率制定生产调度计划,致使供需不平衡。因此，距实现“住户用热自主化,供热计量智能化,系统控制自动化” 的目标[1]较远,供热的智能化水平还在初级阶段,与智慧城市的目标要求相差甚大。

针对目前存在的问题,国内外学者做了较多研究,本文主要从负荷预测和热网运行调控方面进行阐述。现阶段常用的负荷预测方法有回归分析法[2-3]、神经网络法[4]、支持向量机[5-6]等。关于热网调控方面,文献[7]以供热理论为基础,研究了质量-流量规律。文献[8]建立了在热水网路采用质调节、质量-流量调节以及分阶段变流量的质调节时的数学模型。文献[9]提出一次网采用均匀性控制策略,以热源优化调度策略和二次网循环水泵频率精细调节等作为辅助控制手段,可实现全网平衡和安全节能运行。目前负荷预测多处于理论研究,用来指导实际工程运行调控较为罕见。

为提高集中供热系统的智能化水平,推动供热事业前进,本文以某市集中供热系统为研究对象,深入剖析其现状,提出运行调控策略。即运用遗传算法的全局最优搜索能力弥补BP神经网络易陷入局部极小值的局限性,建立换热站负荷预测模型；根据负荷预测结果,即计算相对热负荷,进而得到运行参数,并与采用气候补偿数学模型得到的运行参数进行分析对比,得出集中供热系统最佳的调控方案。

1 工程信息

某市大型集中供热系统的供暖时间从每年的11月15日到次年的3月15日,该市采暖室外计算温度为-3.9 ℃,室内计算温度为18 ℃,一次网设计供回水温度为120 ℃/70 ℃,设计供回水压力为1.6 MPa/0.3 MPa,设计流量为8 100 t/h,二次网设计供回水温度为75 ℃/50 ℃。目前此系统属于典型的高耗能粗放型供暖体系,生产调度计划主要以天气状况为参考,设计工况为基础,人工经验为补充,用户投诉率为评价标准,在供暖期对一次网和二次网进行粗略调节。

换热站的采暖用户类型不同,热负荷的变化规律也不完全相同,本文从该集中供热系统的众多换热站中选取一个供暖面积为75 217 m2,设计热负荷为2 632.6 kW,设计流量为41.2 t/h,以住宅为主的换热站作为研究对象。将2018/2019共2 664组数据作为建模样本,研究其运行调控方式。

2 建立预测模型

2.1 遗传算法优化BP神经网络原理

BP神经网络预测是通过对输入样本学习训练,挖掘隐藏在数据内部的规律,并利用学习到的规律预测未来数据,具有较好的非线性映射能力和泛化能力,适合解决复杂的非线性问题,但用梯度下降法调整权值和阈值会使网络极易限于局部极小值,且收敛速度慢。遗传算法(Genetic Algorithm,GA)是运用“优胜劣汰,适者生存”的生物学进化原理,开发的一种并行随机搜索优化方法,根据适应度函数选择个体并进行遗传学中的交叉和变异,保留适应度强的个体,淘汰适应度差的个体,而新形成的群体继承上一代的优秀信息,又优于上一代。遗传算法是一种全局优化算法,可以弥补BP神经网络易陷入局部极小值的缺点,筛选出最优BP的权值和阈值,提高预测精度和收敛速度,具体流程见图1。

图1 遗传算法优化BP神经网络流程

2.2 实验建模

本文以某市大型集中供热系统为研究对象,分别建立BP神经网络和GA优化BP神经网络两种换热站预测模型。预测模型的输入变量是影响预测精度的首要因素,通过分析不同因素对热负荷的影响程度以及数据获取的难易程度,选取室外温度、风速、供水温度、回水温度、供水压力、回水压力、流量、前3天每天的热负荷共十个影响因素作为输入变量,将预测日热负荷作为输出变量。

网络结构和参数是决定预测模型优劣的关键因素,隐含层层数和节点数选取太大会使网络结构复杂,泛化能力弱。根据经验,隐含层为一层足以满足要求,隐含层节点数为2a+1(a为输入变量个数),所以本文选择的BP神经网络结构共三层10-21-1。BP神经网络的参数设置如下：学习速率为0.1,动量因子为0.65,迭代次数为5 000,误差精度为0.000 01。遗传算法的参数设置：种群规模为120,进化次数为80,交叉概率为0.3,变异概率为0.1。BP神经网络仿真结果与GA优化BP神经网络仿真结果见图2、图3。

图2 实测负荷与预测负荷曲线

图3 相对误差曲线

分析上述实验结果可知,BP神经网络与GA优化BP神经网络的预测值变化趋势与实测热负荷变化趋势一致,但BP神经网络预测的负荷值波动明显,预测负荷与实测负荷之间存在较大差异,相对误差区间处于[-15%,20%],平均相对误差为2.22%。总体来说,单独使用BP神经网络预测稳定性差,精度低。遗传算法优化BP神经网络预测的负荷值与实测值拟合效果良好,其相对误差区间处于[-8%,6%],平均相对误差为1.67%,满足短期热负荷预测误差要求。实验结果说明BP神经网络可以预测热负荷变化趋势,但是预测值与实测值差异较大,难以满足精度要求。遗传算法优化BP神经网络的权值和阈值的性能较好,可以减小BP神经网络陷入局部极小值的概率,同时使网络收敛速度快,泛化能力强,在预测热负荷时表现出较高的预测精度,可以满足工程需要。

3 运行调控方案

热网运行调控是保证供热系统安全稳定运行的基础,是决定用户采暖质量的关键。随着我国供热收费制度改革工作的顺利开展,居民按需取热的意识增强,供热计量监管制度初步形成。但目前缺乏科学合理的调控策略,难以根据热负荷变化或者用户侧的热量需求实时调控。因此,合适的管网运行调控策略是实现按需取热、节能降耗的关键。

3.1 热负荷预测调节方案

目前多数换热站的调节是遭遇极端天气时,根据人工经验手动调节,或者直接依据设计工况运行,这样落后的模式会造成用户侧需热与热源侧供热不匹配。设计热负荷是依据室外计算供暖温度计算得到的,但整个供暖季中实际室外温度大多数高于室外计算温度,同时考虑太阳辐射和风速，以及实际施工过程中的保温措施或者改建等因素对其影响,实际热负荷通常低于设计热负荷,所以传统的调节方式根据设计工况和人工经验,粗略调节热网难以实现智慧供热的目标,故准确的热负荷预测指导热网运行调控显得尤为重要。

依据供热系统的热平衡原理,忽略其沿程热损耗,此时建筑物的采暖热负荷等于室内采暖设备处的散热量,同时等于供暖系统向热用户输送的热量,依此原理求出质调节的供回水温度计算公式：

(1)

(2)

式(1)(2)中：tg和th分别为非设计工况下的二次侧供回水温度;

b为散热器传热指数,b=0.17～1.37,通常取0.3;

公式(1)表示质调节时二次网供水温度与相对热负荷的关系,为了方便计算分析,通常按照采暖热负荷与室内外温差成正比且忽略太阳辐射、室外风速风向等对其影响,简化为公式(2)计算相对热负荷。这种计算方式会存在误差。本文根据前述建立的负荷预测模型,提前预测所需实际热负荷Q,用预测的实际热负荷与设计热负荷之比计算相对热负荷,进而得到二次网的供水温度,调节一次侧的电动调节阀达到其目标温度。这种调控方式能够有效避免上述存在的误差,同时可以提前制定供热计划,缓解集中供热的滞后性问题。

3.2 气候补偿调节方案

(3)

4 不同调节方案对比分析

为了说明基于负荷预测的热网运行调控策略的优势,以该集中供热系统为研究对象,2018/2019供暖季的实际运行数据为依据,对比采用两种方案的运行参数。

2018/2019供暖季的历史负荷约888～2 542 kW,按照GA优化BP神经网络建立模型的平均相对误差1.67%计算,则预测的热负荷范围大约位于873.17～2 584.45 kW,相对热负荷和二次供水温度见表1。

若用气候补偿法时,某市2018/2019年采暖季的室外温度在-7.8℃～17.9℃,代入公式(3)计算相对热负荷和二次供水温度见表1。

表1 不同调节方案的运行参数

分析对比根据负荷预测法和气候补偿法分别计算相对热负荷和供水温度,得出基于热负荷预测得到的二次供水温度更加科学合理。因为该集中供热系统末端未安装温度检测设备,无法检测热用户室温是否合格,所以本文以用户投诉率为评价指标,经现场调研，2018/2019年采暖季没有用户投诉,实际热负荷通常是设计热负荷的45%～84%,就可以满足用户用热需求。由表1可知,根据热负荷预测结果调节法得到的相对热负荷更符合实际情况,供水温度更科学合理。通过气候补偿法计算的相对热负荷和供水温度不符合实际工程需要,当室外温度低于-4 ℃时,二次供水温度大于设计温度；当室外温度过高时,供水温度过小,难以满足实际需要。说明按照预测结果调控电动调节阀开度更加科学合理、节能降耗,且能够提前制定供热方案,采用气候补偿法的节能效果差,容易出现供大于需或供小于需,与智慧供热的目标相悖。

5 结 语