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(qū)集中供熱系統(tǒng)中采暖用戶行為不規(guī)范[1]，系統(tǒng)自動化水平不高[2]，樓房建筑結(jié)構(gòu)保溫性能不好[3]和統(tǒng)計預測能力不強等造成了系統(tǒng)能耗損失嚴重，采暖用戶室內(nèi)溫度冷熱不均，采暖成本較高。

目前國內(nèi)外許多研究學者對集中供熱系統(tǒng)前端，末端和室內(nèi)溫度節(jié)能控制策略做了大量研究[4-7]，但供熱系統(tǒng)二次管網(wǎng)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(tǒng)的回水管道上安裝IBV 電子平衡閥，采用BP 神經(jīng)網(wǎng)絡(luò)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(chǔ)上，有效地降低供熱系統(tǒng)的運行能耗，減少采暖成本。

1 集中供熱系統(tǒng)原理

本文以山東省濱州市某小區(qū)集中供暖項目為研究對象，小區(qū)的總面積為94159 萬m2，實際供暖面積約為74300 萬m2，小區(qū)的入住率達到70%～80%。小區(qū)集中供熱系統(tǒng)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(guī)范、管網(wǎng)使用時間長等，造成供熱管網(wǎng)漏水、水力失衡嚴重、末端用戶冷熱不均、系統(tǒng)能耗增加。為了提高供熱系統(tǒng)采暖用戶的舒適性、降低系統(tǒng)能耗，本文對小區(qū)集中供熱系統(tǒng)進行改進，在辦公樓、幼兒園、小學三棟樓供熱系統(tǒng)回水管道上安裝IBV 電子平衡閥，通過調(diào)節(jié)電子平衡閥的開度對供熱系統(tǒng)進行分時控制。小區(qū)集中供熱原理圖如圖1 所示。

圖1 小區(qū)集中供熱原理圖

2 BP 神經(jīng)網(wǎng)絡(luò)預測模型的構(gòu)建

2.1 BP 神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)

在集中供熱系統(tǒng)中，熱負荷預測物理模型建立起來比較困難，因為供熱系統(tǒng)為非線性系統(tǒng)，各個參數(shù)之間關(guān)系比較復雜。此外，集中供熱控制系統(tǒng)調(diào)節(jié)過程中存在一定的時間延遲，如果不能及時的進行預測調(diào)整，不僅給用戶帶來較差的舒適感，還會造成系統(tǒng)能耗損失。針對這一問題，本文提出了一種基于BP 神經(jīng)網(wǎng)絡(luò)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(tǒng)能耗。BP 神經(jīng)網(wǎng)絡(luò)是在生物神經(jīng)元研究的基礎(chǔ)上提出的一種抽象模型[8]，BP 神經(jīng)網(wǎng)絡(luò)的基本模型是一個三層前饋網(wǎng)絡(luò)，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(tǒng)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(qū)采暖建筑的實地考察和采暖數(shù)據(jù)分析得出，BP 神經(jīng)網(wǎng)絡(luò)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(nèi)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(qū)空氣相對濕度、風速、室內(nèi)平均溫度、太陽輻射、室外平均溫度作為神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)的預處理

BP 神經(jīng)網(wǎng)絡(luò)預測模型構(gòu)建的過程中需要大量數(shù)據(jù)用于學習和訓練。選取山東省濱州市某小區(qū)2017 年11 月24 日-2018 年3 月15 日期間的11200 組數(shù)據(jù)進行訓練，并選用2018 年12 月份30 天的數(shù)據(jù)進行預測。從項目現(xiàn)場采集過來的原始數(shù)據(jù)中，有些數(shù)據(jù)可能因為設(shè)備故障、人為因素、設(shè)備精密度、數(shù)據(jù)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(shù)據(jù)進行預處理，BP 算法在學習過程中，可能數(shù)據(jù)會發(fā)散，對供熱系統(tǒng)預測模型的準確性會產(chǎn)生很大影響。因此，采用偏離率修正方法對歷史數(shù)據(jù)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(shù)據(jù)進行處理，當偏離率小于1 時，保留原始數(shù)據(jù)。當偏離率大于1 時，選擇兩邊相鄰時刻數(shù)據(jù)的平均值作為當前數(shù)值來完成數(shù)據(jù)的修正。

2.4 輸入、輸出參數(shù)的歸一化處理

歷史數(shù)據(jù)修正過后，在BP 神經(jīng)網(wǎng)絡(luò)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(guān)聯(lián)性較差而造成預測數(shù)據(jù)偏差大等問題的出現(xiàn)，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(shù)值都換算成[-1,1]區(qū)間的數(shù)值。

2.5 預測模型的仿真

由上文可知，BP 神經(jīng)網(wǎng)絡(luò)預測模型輸入層的數(shù)量為5，輸出層的數(shù)量為2，而對于神經(jīng)網(wǎng)絡(luò)來說決定模型預測結(jié)果的好壞主要取決于學習速率和隱含層節(jié)點的個數(shù)。本文選取預測模型的學習速率為0.01，經(jīng)過多次的學習訓練，得出隱含層節(jié)點數(shù)為10 時，BP 神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(nèi)。即在隱含層節(jié)點數(shù)為10 時，相對誤差曲線趨于穩(wěn)定，BP 神經(jīng)網(wǎng)絡(luò)預測模型最為精確，可以在工程項目中應用，為供熱系統(tǒng)節(jié)約能耗。

3 基于BP 神經(jīng)網(wǎng)絡(luò)預測模型控制方法的節(jié)能分析

表1 是小區(qū)供熱系統(tǒng)改造前后系統(tǒng)每天能耗量，熱量及COP。

表1 小區(qū)供熱系統(tǒng)改造前運行數(shù)據(jù)

從表1 可以看出，小區(qū)供熱系統(tǒng)加入IBV 電子平衡閥后，采用精度高的BP 神經(jīng)網(wǎng)絡(luò)算法預測模型進行調(diào)控，COP不含水泵為2.18，COP含水泵為1.94，比改造前的高。

5 結(jié)束語

為了降低小區(qū)集中供熱系統(tǒng)的運行能耗，采用BP神經(jīng)網(wǎng)絡(luò)熱負荷預測和閥門開度預測方法對小區(qū)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(yōu)BP 神經(jīng)網(wǎng)絡(luò)熱負荷預測和閥門開度預測模型的學習速率為0.01，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5-10-2。運用最優(yōu)的BP 神經(jīng)網(wǎng)絡(luò)預測模型控制方法對小區(qū)集中供熱系統(tǒng)閥門開度進行分時調(diào)控，根據(jù)今年和去年同期運行數(shù)據(jù)對比，得出基于BP 神經(jīng)網(wǎng)絡(luò)預測控制方法的供熱系統(tǒng)所提供的熱量比去年降低7.4%，系統(tǒng)運行能耗同比降低9.5%。該BP 神經(jīng)網(wǎng)絡(luò)預測模型控制方法有效的降低了供熱系統(tǒng)的運行能耗。