CN111121150A - 一种智能热负荷预测调控方法、系统及存储介质 - Google Patents

Abstract

本发明公开一种智能热负荷预测调控方法、系统及存储介质，包括：在热负荷计算模型中输入供热介质的供温、回温和流量参数实时计算实际热负荷，分别输出到热负荷预测模型和调控参数计算模型中；通过热负荷预测模型对热负荷模型的迭代优化更新，预测输出目标热负荷；在调控参数计算模型中比较目标热负荷和实际热负荷，结合当前调控执行器反馈参数，计算输出调节参数。本发明综合考虑了室外温度和风速对热负荷的影响，建立了热负荷与室外温度和风速的数量关系式。在求解模型参数时，以最近一段时间的实时热负荷、室温及气象参数作为输入条件，模型参数与供热系统的实时工况和气象条件的联系紧密，预测结果准确性比较高。

Description

一种智能热负荷预测调控方法、系统及存储介质

技术领域

本发明涉及热负荷调控技术领域，尤其涉及一种智能热负荷预测调控方法、系统及存储介质。

背景技术

按需供热、精确供热、智慧供热既是改善居民生活舒适度的现实需要，也是节能降耗、保护环境的迫切要求，实现这一目标的关键要素为按实际的热负荷进行调控。供暖热负荷与目标温度、建筑物围护结构散射特性、朝向、室外温度、风速、风向等多种因素密切相关，根据理论和经验给出的设计热负荷无法满足按需供热、精确供热的需要。因此，如何精准预测热负荷，根据预测结果动态调控供热系统的实际输出热负荷；通过动态调控可以使实际输出热量无限趋近于取暖所需热量，达到节能降耗的目的。

供热系统的传统调控模型以设计热负荷为基础，调节方法分为质调节和量调节两种方式，其中质调节是指调节供暖介质的温度；量调节是指调节供暖介质的流量。一般根据经验值，当室外温度降低时，质调节适当提高供暖介质温度，量调节则适当提高供暖介质流量；当室外温度升高时，质调节适当降低供暖介质温度，量调节则适当降低供暖介质流量。

上述传统调控模型的质调节和量调节，没有定量评估实际的热负荷，是一种模糊的粗放调节方式。供暖系统有明显的时延特性，直接根据室外温度或人工设定的温度曲线进行调节，无法与实际的热负荷变化情况进行同步，达不到调节的目的。

基于此，现急需一种智能热负荷预测调控方法、系统及存储介质，以期对上述现有技术缺陷进行改善。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种智能热负荷预测调控方法、系统及存储介质，旨在解决现有技术存在有明显的时延特性，直接根据室外温度或人工设定的温度曲线进行调节，无法与实际的热负荷变化情况进行同步，达不到调节的目的的技术缺陷。

为实现上述目的，本发明提供了一种智能热负荷预测调控方法，所述方法包括：

S1：计算实时热负荷：在热负荷计算模型中输入供热介质的供温、回温和流量参数实时计算实际热负荷，分别输出到热负荷预测模型和调控参数计算模型中；

S2：计算输出预测目标热负荷：通过热负荷预测模型对热负荷模型的迭代优化更新，预测输出目标热负荷；

S3：热负荷实时调控：在调控参数计算模型中比较目标热负荷和实际热负荷，结合当前调控执行器反馈参数，计算输出调节参数。

优选地，所述热负荷计算模型、热负荷预测模型、调控参数计算模型的输入参数包括供热面积、目标室温、系统时延、室温传感器参数、气象参数(室外温度和风速)以及供热系统提供的介质供温、介质回温、介质流量、调节执行机构控制参数(电动阀开度或变频器频率)。

优选地，所述S1中计算实时热负荷的具体方法为：通过热负荷计算模型接入供热系统热源或换热站的供热介质的出口温度、入口温度和流量数据，通过下式计算输出实时热负荷：

其中，Q为热负荷，单位kW；ts和tb分别为供暖介质的供温和回温，单位为℃；F为介质流量，单位为kg/h；C为介质比热容，单位为J/℃·kg；出口温度简介“供温”，入口温度简称“回温”。

优选地，所述S1中计算实时热负荷的具体方法为：通过热负荷计算模型接入热源或换热站的热表数据直接获取实时热负荷。

优选地，所述S2计算输出预测目标热负荷的具体方法为：根据最近n个时刻的室内温度、气象数据以及实时热负荷持续更新二参数热负荷预测模型，并根据最新的预测模型输出给定时刻的预测目标热负荷；

计算输出预测热负荷的流程步骤包括：

步骤1、初始化参数：

供热面积S；

缓存热负荷数据点n，即计算模型参数所用数据样本个数；

预测提前量T，供热系统响应延迟时间；

预测间隔ΔT，即预测目标热负荷的输出时间间隔；

步骤2、开启接收数据线程：

接收室内温度传感器数据T0；

接收热负荷计算模块输出的实时热负荷Q；

接收实时气象室外温度T1和风速v；

将接收到的数据缓存到数据队列，缓存最近的n个时刻数据；

步骤3、开启预测模型求解线程：

(3-1)从缓存队列提取缓存的n组数据(Qi,T0i,T1i,vi)(i＝0,1,2,…,n-1)；

(3-2)判断数据是否更新，若是转入下一步；若否则返回上一步重新提取数据；

(3-3)按照下式计算中间参数Ki：

(3-4)构造关于模型参数k0和k1的超定方程组：

(3-5)计算模型参数的估计值，将(3-4)建立的超定方程组左边的系数矩阵记为V，右边的常数列向量记为K，通过下式计算模型参数k0和k1的估计值：

(3-6)缓存模型参数估计值，返回(3-1)；

步骤4、开启热负荷预测线程：

(4-1)接收预测时刻室风目标温度T0、室外温度T1、风速参数v；

(4-2)提取最新的模型参数k0和k1；

(4-3)根据下式所示的二参数热负荷预测模型计算预测目标热负荷：

Q_T＝(k₀-k₁v)(T₀-T₁)S；

(4-4)输出目标热负荷到调控参数计算模型，并延迟ΔT时间返回(4-1)循环执行线程。

优选地，所述S3中热负荷实时调控的具体方法为：通过比较实时热负荷与目标热负荷的大小关系，计算确定热负荷调控执行机构的设置参数对系统进行调控，然后再根椐系统反馈参数、实时热负荷及目标热负荷循环迭代，最终使系统输出负荷趋近于目标热负荷，从而达到节能的目标；若供热系统的调控执行机构为电动阀，则调控参数为电动阀的阀开度，取值范围为0-1；基调控执行机构为加压循环泵变频器，则调控参数为变频器频率，取值范围为0-50。

优选地，所述热负荷实时调控具体实现过程如下：

步骤1、初始条件：

设调节参数x的取值范围[a,b]；

初始调节步长Δx,一般取为x取值范围的若干分之一；

步长控制因子σ，为开区间(0,1)上的任意值，根据经验设定；

步骤2、输入参数：

目标热负荷QT；

实际热负荷Q；

调控反馈参数x；

步骤3、更新调节步长Δx：

当QT-Q与Δx同号时，增加步长Δx；反之，则减小步长Δx，即：

步骤4、计算输出参数x：

步骤5、根据计算参数x对电动阀开度或变频器频率进行设定；

步骤6、延迟一定的时间间隔返回步骤2。

此外，为实现上述目的，本发明还提出一种智能热负荷预测调控系统，该系统包括：

热负荷计算模块：用于根据供热介质的供温、回温和流量参数实时计算实际热负荷，分别输出到热负荷预测和调控参数计算模块；

热负荷预测模块：用于对热负荷模型的迭代优化更新，预测输出目标热热负荷；

调控参数计算模块：通过比较目标热负荷和实际热负荷，结合当前调控执行器反馈参数，计算输出调节参数。

优选地，所述供温、回温和流量参数均分别通过供温传感器、回温传感器以及流量传感器测得。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有智能热负荷预测调控程序，所述智能热负荷预测调控程序被处理器执行时实现如上文所述的智能热负荷预测调控方法的步骤。

本发明充分考虑室外温度和风速，室外温度和风速是气象参数中对热负荷影响最为显著的两个参数，本发明提出的二参数热负荷模型综合考虑了室外温度和风速对热负荷的影响，建立了热负荷与室外温度和风速的数量关系式。在求解模型参数时，以最近一段时间的实时热负荷、室温及气象参数作为输入条件，模型参数与供热系统的实时工况和气象条件的联系紧密，预测结果准确性比较高。本发明充分考虑了供热系统的时间延迟特性，预测时以在线专业气象数据作为输入，可预测给出一定时间间隔后的目标热负荷，以此对系统进行调节，提前作出响应，保证供热系统的输出热量与室外气象条件变化始终同步，将有限的热量用在最需要的时刻。

附图说明

图1是实施例中的智能热负荷预测调控方法的主流程图；

图2为实施例中的智能热负荷预测调控方法的算法模型框图；

图3为实施例中的热负荷预测模型的流程图；

图4为实施例中的某热力站热负荷曲线图；

图5为实施例中的某热力站室外温度与热负荷曲线图一；

图6为实施例中的某热力站室外温度与热负荷曲线图二。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

参见图1-2：本实施例提供了一种智能热负荷预测调控方法，所述方法包括：：

S1：计算实时热负荷：在热负荷计算模型中输入供热介质的供温、回温和流量参数实时计算实际热负荷，分别输出到热负荷预测模型和调控参数计算模型中；

S2：计算输出预测目标热负荷：通过热负荷预测模型对热负荷模型的迭代优化更新，预测输出目标热负荷；

S3：热负荷实时调控：在调控参数计算模型中比较目标热负荷和实际热负荷，结合当前调控执行器反馈参数，计算输出调节参数。

其中，所述热负荷计算模型、热负荷预测模型、调控参数计算模型的输入参数包括但不限于供热面积、目标室温、系统时延、室温传感器参数、气象参数(室外温度和风速)以及供热系统提供的介质供温、介质回温、介质流量、调节执行机构控制参数(电动阀开度或变频器频率)。

本实施例的智能热负荷预测调控方法以热负荷作为调节的目标对象，实时监测控制供暖系统的实际输出热量，使其与实际热量需求同步变化，无限逼近。算法模型以专业的气象数据作为调节依据，可预设系统时延参数进行预先调节，很好地解决系统时延响应的问题。

进一步的，所述S1中计算实时热负荷的具体方法为：通过热负荷计算模型接入供热系统热源或换热站的供热介质的出口温度、入口温度和流量数据，通过下式计算输出实时热负荷：

其中，Q为热负荷，单位kW；ts和tb分别为供暖介质的供温和回温，单位为℃；F为介质流量，单位为kg/h；C为介质比热容，单位为J/℃·kg；出口温度简介“供温”，入口温度简称“回温”。

优选地，所述S1中计算实时热负荷的具体方法为：还可以通过热负荷计算模型接入热源或换热站的热表数据直接获取实时热负荷。

参见图3：在一具体的实施例中，所述S2计算输出预测目标热负荷的具体方法为：根据最近n个时刻的室内温度、气象数据以及实时热负荷持续更新二参数热负荷预测模型，并根据最新的预测模型输出给定时刻的预测目标热负荷；；

需要说明的是，本实施例提出了二参数的热负荷预测模型公式，充分考虑了室外温度和风速对热负荷的影响，并利用在线气象数据构建了完整的智能热负荷调控算法模型。该算法模型简单实用，既可应用于供热系统的上位监控软件或云架构热力监控系统或平台，也可集成到换热站自控系统上，具有一定的的通用性。

计算输出预测热负荷的流程步骤包括：

步骤1、初始化参数：

供热面积S；

缓存热负荷数据点n，即计算模型参数所用数据样本个数；

预测提前量T，供热系统响应延迟时间；

预测间隔ΔT，即预测目标热负荷的输出时间间隔；

步骤2、开启接收数据线程：

接收室内温度传感器数据T0；

接收热负荷计算模块输出的实时热负荷Q；

接收实时气象室外温度T1和风速v；

将接收到的数据缓存到数据队列，缓存最近的n个时刻数据；

步骤3、开启预测模型求解线程：

(3-1)从缓存队列提取缓存的n组数据(Qi,T0i,T1i,vi)(i＝0,1,2,…,n-1)；

(3-2)判断数据是否更新，若是转入下一步；若否则返回上一步重新提取数据；

(3-3)按照下式计算中间参数Ki：

(3-4)构造关于模型参数k0和k1的超定方程组：

(3-5)计算模型参数的估计值，将(3-4)建立的超定方程组左边的系数矩阵记为V，右边的常数列向量记为K，通过下式计算模型参数k0和k1的估计值：

(3-6)缓存模型参数估计值，返回(3-1)；

步骤4、开启热负荷预测线程：

(4-1)接收预测时刻室风目标温度T0、室外温度T1、风速参数v；

(4-2)提取最新的模型参数k0和k1；

(4-3)根据下式所示的二参数热负荷预测模型计算预测目标热负荷：

Q_T＝(k₀-k₁v)(T₀-T₁)S；

(4-4)输出目标热负荷到调控参数计算模型，并延迟ΔT时间返回(4-1)循环执行线程。

在一具体的实施例中，所述S3中热负荷实时调控的具体方法为：通过比较实时热负荷与目标热负荷的大小关系，计算确定热负荷调控执行机构的设置参数对系统进行调控，然后再根椐系统反馈参数、实时热负荷及目标热负荷循环迭代，最终使系统输出负荷趋近于目标热负荷，从而达到节能的目标；若供热系统的调控执行机构为电动阀，则调控参数为电动阀的阀开度，取值范围为0-1；基调控执行机构为加压循环泵变频器，则调控参数为变频器频率，取值范围为0-50；

所述热负荷实时调控具体实现过程如下：

步骤1、初始条件：

设调节参数x的取值范围[a,b]；

初始调节步长Δx,一般取为x取值范围的若干分之一；

步长控制因子σ，为开区间(0,1)上的任意值，根据经验设定；

步骤2、输入参数：

目标热负荷QT；

实际热负荷Q；

调控反馈参数x；

步骤3、更新调节步长Δx：

当QT-Q与Δx同号时，增加步长Δx；反之，则减小步长Δx，即：

步骤4、计算输出参数x：

步骤5、根据计算参数x对电动阀开度或变频器频率进行设定；

步骤6、延迟一定的时间间隔返回步骤2。

室外温度和风速是气象参数中对热负荷影响最为显著的两个参数，本实施例综合考虑了室外温度和风速对热负荷的影响，建立了热负荷与室外温度和风速的数量关系式。在求解模型参数时，以最近一段时间的实时热负荷、室温及气象参数作为输入条件，模型参数与供热系统的实时工况和气象条件的联系紧密，预测结果准确性比较高。

另外，本实施例的智能热负荷预测调控方法充分考虑了供热系统的时间延迟特性，预测时以在线专业气象数据作为输入，可预测给出一定时间间隔后的目标热负荷，以此对系统进行调节，提前作出响应，保证供热系统的输出热量与室外气象条件变化始终同步，将有限的热量用在最需要的时刻。

实施例2

此外，为实现上述目的，本实施例还提出一种智能热负荷预测调控系统，该系统包括：

热负荷计算模块：用于根据供热介质的供温、回温和流量参数实时计算实际热负荷，分别输出到热负荷预测和调控参数计算模块；

热负荷预测模块：用于对热负荷模型的迭代优化更新，预测输出目标热热负荷；

调控参数计算模块：通过比较目标热负荷和实际热负荷，结合当前调控执行器反馈参数，计算输出调节参数。

优选地，所述供温、回温和流量参数均分别通过供温传感器、回温传感器以及流量传感器测得。

本实施例的智能热负荷预测调控系统以热负荷作为调节的目标对象，实时监测控制供暖系统的实际输出热量，使其与实际热量需求同步变化，无限逼近。算法模型以专业的气象数据作为调节依据，可预设系统时延参数进行预先调节，很好地解决系统时延响应的问题。

实施例3

此外，为实现上述目的，本实施例还提出一种存储介质，所述存储介质上存储有智能热负荷预测调控程序，所述智能热负荷预测调控程序被处理器执行时实现如上文所述的智能热负荷预测调控方法的步骤。

下述为实施例的试验验证：

如图4所示：没有采用智能负荷调控算法前瞬时热负荷基本在一条水平线上，没有明显的峰-谷变化；采用本实施例的智能负荷算法进行调控之后，负荷出现明显的波谷(白天温度上升，负荷降低)。负荷出现波谷即可证明本实施例节约了热耗。

图5和图6分别是某热力站相邻两天的室外温度与热负荷曲线图。从图5和图6可以看出，实际负荷在白天随室外温度的升高而降低，有明显的起伏变化特征，表明负荷调控发挥了作用。(图5和图6数据一小时采样一次)

通过上述热力站上进行了测试验证，初步验证了上述实施例的可行性。经过初步概算，本实施例的智能调控算法模型如果得到实施应用，保守估计可节约热能15％。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种智能热负荷预测调控方法，其特征在于，所述方法包括：

S1：计算实时热负荷：在热负荷计算模型中输入供热介质的供温、回温和流量参数实时计算实际热负荷，分别输出到热负荷预测模型和调控参数计算模型中；

S2：计算输出预测目标热负荷：通过热负荷预测模型对热负荷模型的迭代优化更新，预测输出目标热负荷；

S3：热负荷实时调控：在调控参数计算模型中比较目标热负荷和实际热负荷，结合当前调控执行器反馈参数，计算输出调节参数。

2.如权利要求1所述的智能热负荷预测调控方法，其特征在于，所述热负荷计算模型、热负荷预测模型、调控参数计算模型的输入参数包括供热面积、目标室温、系统时延、室温传感器参数、气象参数以及供热系统提供的介质供温、介质回温、介质流量、调节执行机构控制参数。

3.如权利要求1所述的智能热负荷预测调控方法，其特征在于，所述S1中计算实时热负荷的具体方法为：通过热负荷计算模型接入供热系统热源或换热站的供热介质的出口温度、入口温度和流量数据，通过下式计算输出实时热负荷：

其中，Q为热负荷，单位kW；t_s和t_b分别为供暖介质的供温和回温，单位为℃；F为介质流量，单位为kg/h；C为介质比热容，单位为J/℃·kg；出口温度简介“供温”，入口温度简称“回温”。

4.如权利要求1所述的智能热负荷预测调控方法，其特征在于，所述S1中计算实时热负荷的具体方法为：通过热负荷计算模型接入热源或换热站的热表数据直接获取实时热负荷。

5.如权利要求1所述的智能热负荷预测调控方法，其特征在于，所述S2计算输出预测目标热负荷的具体方法为：根据最近n个时刻的室内温度、气象数据以及实时热负荷持续更新二参数热负荷预测模型，并根据最新的预测模型输出给定时刻的预测目标热负荷；

计算输出预测热负荷的流程步骤包括：

步骤1、初始化参数：

供热面积S；

缓存热负荷数据点n，即计算模型参数所用数据样本个数；

预测提前量T，供热系统响应延迟时间；

预测间隔ΔT，即预测目标热负荷的输出时间间隔；

步骤2、开启接收数据线程：

接收室内温度传感器数据T0；

接收热负荷计算模块输出的实时热负荷Q；

接收实时气象室外温度T1和风速v；

将接收到的数据缓存到数据队列，缓存最近的n个时刻数据；

步骤3、开启预测模型求解线程：

(3-1)从缓存队列提取缓存的n组数据(Qi,T0i,T1i,vi)(i＝0,1,2,…,n-1)；

(3-2)判断数据是否更新，若是转入下一步；若否则返回上一步重新提取数据；

(3-3)按照下式计算中间参数Ki：

(3-4)构造关于模型参数k0和k1的超定方程组：

(3-5)计算模型参数的估计值，将(3-4)建立的超定方程组左边的系数矩阵记为V，右边的常数列向量记为K，通过下式计算模型参数k0和k1的估计值：

(3-6)缓存模型参数估计值，返回(3-1)；

步骤4、开启热负荷预测线程：

(4-1)接收预测时刻室风目标温度T0、室外温度T1、风速参数v；

(4-2)提取最新的模型参数k0和k1；

(4-3)根据下式所示的二参数热负荷预测模型计算预测目标热负荷：

Q_T＝(k₀-k₁v)(T₀-T₁)S；

(4-4)输出目标热负荷到调控参数计算模型，并延迟ΔT时间返回(4-1)循环执行线程。

6.如权利要求1所述的智能热负荷预测调控方法，其特征在于，所述S3中热负荷实时调控的具体方法为：通过比较实时热负荷与目标热负荷的大小关系，计算确定热负荷调控执行机构的设置参数对系统进行调控，然后再根椐系统反馈参数、实时热负荷及目标热负荷循环迭代，最终使系统输出负荷趋近于目标热负荷，从而达到节能的目标；若供热系统的调控执行机构为电动阀，则调控参数为电动阀的阀开度，取值范围为0-1；基调控执行机构为加压循环泵变频器，则调控参数为变频器频率，取值范围为0-50。

7.根据权利要求6所述的智能热负荷预测调控方法，其特征在于，所述热负荷实时调控具体实现过程如下：

步骤1、初始条件：

设调节参数x的取值范围[a,b]；

初始调节步长Δx,一般取为x取值范围的若干分之一；

步长控制因子σ，为开区间(0,1)上的任意值，根据经验设定；

步骤2、输入参数：

目标热负荷QT；

实际热负荷Q；

调控反馈参数x；

步骤3、更新调节步长Δx：

当QT-Q与Δx同号时，增加步长Δx；反之，则减小步长Δx，即：

步骤4、计算输出参数x：

步骤5、根据计算参数x对电动阀开度或变频器频率进行设定；

步骤6、延迟一定的时间间隔返回步骤2。

8.一种智能热负荷预测调控系统，其特征在于，该系统包括：

热负荷计算模块：用于根据供热介质的供温、回温和流量参数实时计算实际热负荷，分别输出到热负荷预测和调控参数计算模块；

热负荷预测模块：用于对热负荷模型的迭代优化更新，预测输出目标热热负荷；

调控参数计算模块：通过比较目标热负荷和实际热负荷，结合当前调控执行器反馈参数，计算输出调节参数。

9.根据权利要求8所述的智能热负荷预测调控系统，其特征在于，所述供温、回温和流量参数均分别通过供温传感器、回温传感器以及流量传感器测得。

10.一种存储介质，其特征在于，所述存储介质上存储有智能热负荷预测调控程序，所述智能热负荷预测调控程序被处理器执行时实现如权利要求1至7任一项所述的智能热负荷预测调控方法的步骤。

Images