鄒兵 曲德敏 劉洪波

[摘 ? ?要]供熱系統(tǒng)中，通過調(diào)節(jié)熱源處供水溫度將熱源供熱量與熱力站熱負荷相匹配，是實現(xiàn)節(jié)能降耗的重要方法。然而在大型集中供熱系統(tǒng)中，熱力站數(shù)量多，且熱源至各熱力站的溫度傳導時延各不相同，無法直接通過熱力站熱負荷計算最優(yōu)熱源供水溫度。因此，分析了多熱力站情況下溫度傳導時延如何影響供熱量與熱負荷的匹配，提出一種基于深度學習的熱源溫度實時優(yōu)化方案。該方案將整個供熱系統(tǒng)作為整體，通過實時優(yōu)化熱源供水溫度，首先使供熱量在未來各時刻均與供熱系統(tǒng)整體熱負荷相匹配，再通過熱力站間的流量調(diào)節(jié)使得供熱量與各熱力站的熱負荷相匹配。該方案在實際系統(tǒng)中能夠達到很好的優(yōu)化效果，數(shù)據(jù)結(jié)果證明，該方案是可行有效的。

[關(guān)鍵詞]集中供熱;節(jié)能;供熱負荷;深度學習;LSTM模型

[中圖分類號]YU995 [文獻標志碼]A [文章編號]2095–6487（2021）08–00–03

[Abstract]In the heating system， matching the heat supply of the heat source with the heat load of the heating station by adjusting the temperature of the water supply at the heat source is an important method to realize energy saving and consumption reduction. However， in a large-scale central heating system， there are a large number of thermal power stations， and the temperature transfer time delay from the heat source to each thermal power station is different， and it is impossible to directly calculate the optimal heat source water supply temperature through the thermal load of the thermal power station. This paper analyzes how the temperature conduction delay affects the matching of heat supply and heat load in the case of multiple thermal stations， and then proposes a real-time optimization scheme for heat source temperature based on deep learning. The plan takes the entire heating system as a whole， and optimizes the water supply temperature of the heat source in real time. First， the heat supply matches the overall heat load of the heating system at all times in the future. The thermal load of each thermal station is matched. This scheme can achieve a good optimization effect in the actual system， and the data results prove that the scheme is feasible and effective.

[Keywords]central heating; energy saving; heating load; deep learning; LSTM model

城市集中供熱是我國北方地區(qū)冬季主要供暖形式，對其優(yōu)化控制的研究主要集中于熱力站的一次側(cè)和二次測調(diào)節(jié)[1-2]。較少的對熱源控制優(yōu)化的研究，主要集中于多熱源聯(lián)合優(yōu)化[3]，以及熱源質(zhì)量并調(diào)[4]。本文針對定流量運行的集中供熱系統(tǒng)中，由于溫度傳導時延導致的熱源供熱與熱力站熱負荷不匹配的問題，在滿足供熱負荷的前提下，并且達到節(jié)能降耗的目的，提出一種基于深度學習的熱源溫度實時優(yōu)化方案。

1 熱源溫度實時優(yōu)化原理

集中供熱系統(tǒng)結(jié)構(gòu)如圖1所示，熱源處的高溫水經(jīng)過管道流至各熱力站。熱力站與熱源間的管道長度以及高溫水的流速決定了熱源處的供水溫度變化傳導至各熱力站的時延。以項目公司集中供熱系統(tǒng)為例，熱源處高溫水溫度變化傳遞至最遠端需約10 h，當熱力站的熱負荷因室外溫度變化發(fā)生變化時，若根據(jù)當前時刻熱力站熱負荷調(diào)整熱源高溫水溫度，則遠端熱力站的供水溫度在10 h后才能發(fā)生相應變化，此時遠端熱力站的熱負荷早已隨室外溫度大幅變化，從而產(chǎn)生熱源供熱與熱力站熱負荷不匹配的問題。由于各熱力站溫度傳導時延不一致，即使根據(jù)天氣預報提前調(diào)整熱源溫度依然無法解決上述問題。

在定流量運行的集中供熱系統(tǒng)中，由于壓力傳導速度遠大于溫度傳導速度，通常通過重新分配流量的方式解決熱源供熱與熱力站熱負荷不匹配問題。例如當室外氣溫降低時，提前一段時間升高熱源高溫水溫度，此時部分距離熱源較近的熱力站供水溫度已提升，可減少供水流量以匹配熱負荷;其他距離熱源較遠的熱力站增加供水流量以匹配熱負荷。設置合理的熱源溫度改變提前時間以及熱源溫度改變量，可以使得減少的供水流量與增加的供水流量相等，從而實現(xiàn)了在總流量不變的情況下熱源供熱與熱負荷的匹配。

2 熱源溫度實時優(yōu)化方案

熱源溫度實時優(yōu)化，即在合適的時間設置合適的熱源溫度，使得集中供熱系統(tǒng)能夠通過在各熱力站間重新分配流量的方式使得各熱力站的供水溫度匹配當前時刻熱負荷，本文提出的方法具體流程如圖2所示。本文的方法中，熱源處數(shù)據(jù)包括熱源溫度，總流量和熱源傳導至最遠端熱力站的時間間隔，分別使用t_source[n]，f_whole和K表示，由于為定流量系統(tǒng)，f_whole為常量;各熱力站處數(shù)據(jù)包括一次側(cè)供水溫度與一次側(cè)流量，分別使用與表示;其他數(shù)據(jù)包括熱負荷，用q[n]表示。其中m表示第m個熱力站，n表示n時刻。

2.1 建立集中供熱網(wǎng)絡溫度傳導模型

定義時刻n的供熱網(wǎng)絡一次側(cè)供水溫度為所有熱力站一次側(cè)供水溫度的加權(quán)平均值，即t_input_whole[n]=Σ（t_inputm[n]×fm[n]）/Σfm[n]集中供熱網(wǎng)絡溫度傳導模型主要為供熱高溫水由熱源處傳導至各熱力站的過程進行建模，模型用于計算在當前情況下，達到期望的供熱網(wǎng)絡一次側(cè)供水溫度所需的熱源溫度。將t_source[n]作為模型輸入時間序列，將t_input_whole[n]作為模型輸出時間序列。采用LSTM模型對數(shù)據(jù)進行訓練，可得到集中供熱網(wǎng)絡溫度傳導模型F，即[t_input_whole]=F（[t_source]），其中LSTM模型中的時延參數(shù)t_step設置為溫度由熱源傳導至最遠端熱力站的時間間隔。

2.2 計算期望的供熱網(wǎng)絡一次側(cè)供水溫度

定義時刻n的期望的供熱網(wǎng)絡一次側(cè)供水溫度為t_input_whole_expect[n]，即T_input_whole-expect[n]=q[n]/f_whole。

2.3 計算當前時刻最優(yōu)熱源溫度

優(yōu)化熱源溫度的目的是使得熱源供熱量匹配實際熱負荷，本方法在每個時刻計算熱源溫度t_source[n]，使得被當前時刻熱源溫度影響的熱源供熱量與實際熱負荷之間的差異最小。由于熱源傳導至最遠端熱力站的時間間隔為K，當前時刻的熱源溫度t_source[n]會影響當前時刻至K時刻后的供熱網(wǎng)絡一次側(cè)供水溫度t_input_whole[k]，其中k=n+1，n+2，…n+K。同樣的，影響當前時刻供熱網(wǎng)絡一次側(cè)供水溫度t_input_whole[n]的熱源溫度為t_source[l]，其中l(wèi)=n-K，n-K+1…n-1。

定義熱負荷匹配誤差Q_delta[n]為期望的供熱網(wǎng)絡一次側(cè)供水溫度序列t_input_whole_expect[n]與模型預測的供熱網(wǎng)絡一次側(cè)供水溫度序列t_input_whole_predict[n]之間的均方誤差。

其中k=n+1，n+2，…n+K。

計算時刻n的最優(yōu)熱源溫度，即找到合適的t_source[n]，使得其影響的t_input_whole_predict[n]序列與t_input_whole_expect[n]之間的均方誤差Q_delta[n]最小。由于待優(yōu)化變量為一維變量，且取值范圍有限（集中供熱網(wǎng)絡熱源溫度一般為70～110℃），可采用窮舉遍歷的方法計算t_source[n]。

3 在實際系統(tǒng)中的運行效果

采用項目公司實際供熱系統(tǒng)數(shù)據(jù)，比較通過集中供熱網(wǎng)絡溫度傳導模型預測的供熱網(wǎng)絡一次側(cè)供水溫度與其實際值，如圖3所示，均方誤差為0.56%，可知本文中的集中供熱網(wǎng)絡溫度傳導模型是準確有效的。

采用項目公司實際熱力站數(shù)據(jù)，比較模型預測的供熱網(wǎng)絡一次側(cè)供水溫度，實際期望的供熱網(wǎng)絡一次側(cè)供水溫度以及人工設置熱源溫度情況下的供熱網(wǎng)絡一次側(cè)供水溫度，如圖4所示，模型預測的供熱網(wǎng)絡一次側(cè)供水溫度均方誤差為0.82%，人工設置熱源溫度情況下的供熱網(wǎng)絡一次側(cè)供水溫度均方誤差為5.62%，可知本文中計算當前時刻最優(yōu)熱源溫度的方法能夠有效地改善熱源供熱量與熱負荷的匹配程度。

4 結(jié)論

分析了集中供熱系統(tǒng)熱源溫度優(yōu)化的必要性，提出了定流量運行的集中供熱系統(tǒng)熱源溫度優(yōu)化的基本原理，并將深度學習技術(shù)與熱工原理以及自動控制相結(jié)合，提出了基于深度學習的集中供熱系統(tǒng)熱源溫度實時優(yōu)化方案。通過實際集中供熱系統(tǒng)中的數(shù)據(jù)驗證，表明該方案能夠有效地改善熱源供熱量與熱負荷的匹配程度，實現(xiàn)提升終端用戶體驗和節(jié)能降耗的目的。

參考文獻

[1] 謝慕君，馮敬芳，姜長泓.集中供熱二次網(wǎng)回水溫度的預測和控制研究[J].控制工程，2015，22（3）：291-295.

[2] 李仲博，賈萌，康焱，等.基于MPC方法的供熱系統(tǒng)一次側(cè)流量實時預測[J].系統(tǒng)仿真學報，2021，33（1）：180-188.

[3] 時國華，楊林棣，張浩，等.集中供熱系統(tǒng)多熱源調(diào)度優(yōu)化模型[J].熱力發(fā)電，2020，49（3）：68-75.

[4] 李琦，戶杏啟，趙建敏.基于機器學習的熱源總供熱量優(yōu)化控制[J].系統(tǒng)仿真學報，2018，30（3）：1134-1143.