基于机器自学习的供热系统热负荷预测.pdf

问题探讨81NO.08 2023节能 ENERGY CONSERVATION基于机器自学习的供热系统热负荷预测赵笑言1 郑立军1 林海卫2 姜东平2 毕刘洋2 郑再彬2 杨文涵1（1.中电投东北能源科技有限公司，辽宁 沈阳 110179；2.国家电投集团东北电力有限公司大连大发能源分公司，辽宁 大连 116021）摘要：传统的集中供暖系统热负荷预测取决于操作人员的经验，与系统实际热负荷相差过大，容易造成热用户侧温度过高或过低，影响热用户体验，不利于系统节能。采用机器自学习的方法，对大连某供热系统2019年至2021年的系统数据进行处理，基于多元线性回归、多项式回归、岭回归、Lasso回归、神经网络算法建立供热系统热负荷预测模型，并对比预测效果。结果显示：采用BP神经网络模型的供热系统热负荷预测结果比经验预测结果高8.7%，随着模型不断地自学习与自优化，预测结果的精度可进一步提高。关键词：机器学习；集中供热；系统热负荷；预测模型中图分类号：TU995 文献标识码：B 文章编号：1004-7948（2023）08-0081-04 doi：10.3969/j.issn.1004-7948.2023.08.022引言随着经济不断发展，城镇化率不断提高，对集中供热系统的需求也在不断提高1。我国建筑能耗在社会总能耗中的占比超过30%，现阶段集中供热系统的热利用效率还需提高2。随着我国开始能源战略转型，提出碳达峰碳中和，提高集中供热系统的节能化、智慧化是实现节能减排的重要手段。系统热负荷预测是集中供热系统合理设计和高效运行的重要条件，是提高供热系统能源利用效率的重要研究内容，是进行供热系统智慧化、节能化建设的必要前提，也是响应智慧城市建设和国家“双碳”目标的必要之举。现阶段已有研究利用计算机进行供热系统仿真，模拟供热系统运行并开展热负荷预测。魏宇杰3采用最小二乘法，建立以节约能耗为主要考量对象的供热系统仿真模型，通过广义的预测控制方法对回水温度进行追踪，实现了供热系统的优化。王源4提出新的供热系统模型优化控制算法，并对模型的准确性和控制算法的可行性进行了验证。周志刚5基于智能算法与动态仿真的有效融合，构建供热系统的智能引擎，阐述该智能引擎在热负荷预测、水力仿真模型校正、热动态模型等方面的应用方法。建立数学模型与系统仿真能够实现供热系统热负荷的初步预测，但实际供热系统规模庞大、结构复杂，是准确构建仿真系统的阻碍。仿真系统热负荷与实际供热系统热负荷之间存在较大偏差，且操作门槛较高，难以普及。国内外已经有许多学者开展基于机器学习的供热系统热负荷预测研究，步婷6采用常见机器学习算法建立建筑热负荷模型，提出分段建模的优化方法，该模型的热负荷预测准确率达到97%。当前的研究主要集中在常见机器学习算法的比较，包括多元线性回归7、向量回归8、随机森林回归9、极限学习机10、神经网络11等，天气参数、热用户行为等对供热系统热负荷预测模型影响的研究不足。文中基于机器自学习的方法，采用不同算法对连续两年的供热系统历史运行数据进行处理，建立准确且具有自优化功能的供热系统热负荷预测模型。1集中供热系统热负荷计算1.1系统生产流程集中供热是以热水或水蒸气作为热媒，通过管网给热用户供应热能的供热形式。集中供热系统有4个主要组成部分，分别为热源、供热管网、热力站、热用户。集中供热系统结构如图1所示。热源厂生产的热能以水或水蒸气为介质，通过一次管网被运输到热力站，热力站中的换热器将一次管网中的热能传递给二次管网，二次管网再将热能运输给热用户。图1集中供热系统结构作者简介：赵笑言（1990），男，硕士，工程师，研究方向为电力与能源。收稿日期：2022-12-26引用本文：赵笑言，郑立军，林海卫，等.基于机器自学习的供热系统热负荷预测 J.节能，2023，42（8）：81-84.问题探讨82节能 ENERGY CONSERVATIONNO.08 20231.2系统热负荷计算供热系统的末端装置是集中供热系统最主要的热量耗散区域，末端主要有两个耗散过程：从用户侧换热器向室内的耗散过程和用户室内向室外的耗散过程。Qin=k1(T1+T22-Troom)1(1)式中：Qin单位面积用户侧换热器单位时间传递到用户室内的热量，W/m2；k1传热器的传热系数，W/(m2 K)；T1、T2、Troom分别是换热器的供水温度、回水温度、用户室内空气温度，K；1系数。Qout=k2(Troom-Tout)2(2)式中：Qout单位面积用户单位时间耗散到室外的热量，W/m2；k2用户向室外传热的传热系数，W/(m2 K)；Troom、Tout分别是用户室内空气温度和室外温度，K；2系数。集中供热系统的设计热负荷由供热面积、热用户用热情况、建筑构造决定，而集中供热系统的实际热负荷则取决于设计热负荷和实际用热情况。Q=QATroom-ToutTroom-Tout(3)式中：Q集中供热系统的实际热负荷，W；Q供热系统设计热负荷，W；Troom、Tout分别是用户室内空气温度和室外温度的实际值，K；Troom、Tout分别是用户室内空气温度和室外温度的设计值，K。集中供热系统的运行调节将满足用热需求的热量从热源厂输送到用热设备，调节公式为：-Q=Troom-ToutTroom-Tout=()T1+T22-Troom1+b()T1+T22-Troom1+b=-qvT1+T2T1+T2(4)式中：-Q热用户的相对热量；-qv热用户的相对流量；T2、T2分别是热用户侧设计供水温度和回水温度，K；b换热器的热性系数。热源厂在建筑物指标、热用户散热设备确定的情况下，可以采用式(4)计算集中调节的调节曲线。但在集中供热系统实际运行中，存在用户更改换热设备、新建筑介入以及天气突变导致的室外温度变化等情况，这会使系统实际所需供热量偏离设定供热量，使系统的经济性和热用户的舒适性下降。1.3系统水力平衡针对集中供热系统，可以采用温差法、比例法、回水温度法等方法实现供热管网的系统水力平衡。对于有n个热用户的集中供热系统，每个热用户的实际供热量和设计供热量的比值关系为：qm1c()T1,1-T2,1qm1c()T1,1-T2,1=qm2c()T1,2-T2,2qm2c()T1,2-T2,2=.=qmnc()T1,n-T2,nqmnc()T1,n-T2,n(5)式中：qm用户的供水流量，kg/h；c水的比热容，kJ/(kg K)；上标 设计值。设计条件下，热用户室内换热器的设计供回水温度差相同，热用户的失调度之比为：xixi+1=T1,i+1-T2,i+1T1,i-T2,i(6)如果每个热用户的失调度相同，则热用户的室内换热设备的供回水温度差相同，等温差调节法根据此原理进行供热系统水力调节。如果忽略不同热用户的供水温度差别，可以认为回水温度也相同，一级管网和二级管网可以以此为依据调节水力平衡。2机器自学习的热负荷预测2.1机器自学习的热负荷预测建模研究方法文中主要通过机器自学习的方法建立集中供热系统的热负荷预测模型，研究流程如图2所示。首先对集中供热系统的历史运行数据和气象数据进行相关性分析，提取系统运行数据与气象数据间的潜在关联。随后对比多元线性回归、多项式回归、岭回归、Lasso回归、神经网络共5种算法建立的集中供热系统热负荷预测模型，找到建立模型的最优算法和最佳输入组合。集中供热系统热负荷预测模型具备自优化功能，将该模型预测的系统热负荷与实际系统所需热负荷进行比对，分析预测值与实际值出现偏差的原因，对预测模型的算法和输入关联进行优化。2.2机器自学习的算法简介（1）多元线性回归。线性回归算法假设目标变量和自变量之间存在线性关系，根据自变量的数目可以分为一元线性回归和多元线性回归。通过机器学习的方法寻找目标变量和自变量之间的线性关系，确定多元线性方程中的系数。该方程应保证尽可能多的数据点落在回归线上。多元线性回归的表达式为：y=1+2x1+3x2+.+nxn-1(7)（2）多项式回归。多项式回归是对多元线性回归的改良，目标变量与图2集中供热系统热负荷预测建模研究流程问题探讨83NO.08 2023节能 ENERGY CONSERVATION自变量之间的关系可能不是一次线性关系，而是复杂的多次项关系，通过多项式回归建立的模型的准确性可能优于多元线性回归。只有1个自变量时，多项式回归的表达式为：y=1+2x1+3x2+nxn-1(8)（3）岭回归。为了解决普通的最小二乘法估计器在存在贡献特征方面产生的问题，开发岭回归方法。为了寻找模型参数，构建的模型的特征矩阵为满秩矩阵。岭回归方法除了使用该假设外，还考虑了模型参数上的先验高斯分布，并且使用了贝叶斯规则的最大化似然对数，其表达式为：=argmin(X-y22+22)=(XTX+I)-1XTy(9)矩阵XTX由于存在相关特征而病态时，岭回归依旧可以得到有偏差但稳定的估计量。在表达式中，发挥重要作用。值较小时可以给出与线性回归相类似的结果，值较大时可以防止模型参数超出必要的程度，所以需要谨慎选择值。（4）Lasso回归。Lasso回归是对岭回归的替代，通过对参数的正则化处理进行特征选择。与岭回归方法相反，Lasso回归方法假设先验分布是拉普拉斯，这导致正则化因子服从1范数，模型参数的表达式为：=argmin(X-y22+1)(10)与2范数相比，1范数对某些参数值的推导结果更加精确，使得特征选择更加严格。同时，值同样发挥着重要作用，需谨慎调整。（5）BP神经网络。BP神经网络是多层的前反馈网络，该网络的特点是网络信号向前传递，误差向后传递。输入信号向前传递的过程中，在隐含层经过逐层处理，直到输出层。神经网络每一层的神经元均只影响下一层。输出层无法得到期望的输出值，则信号转为反向传递，根据输出值与预测值的误差调整神经网络的权值与阈值，使BP神经网络的输出值不断逼近预测值，直至达到预测值。BP神经网络的拓扑结构图如图3所示。2.3预测模型评价指标（1）模型拟合度评价。评估模型的预测能力时，可以利用决定系数衡量数据和回归线的拟合程度，决定系数的表达式为：R2=1-i=0n()yi-fi2i=0n()yi-y2(11)式中：yi真实值；fi预测值；y期望值的平均值；n样本数目。R2值在0到1之间才有实际应用意义，R2值为负数表明该模型无应用价值，R2值越接近1表明模型的效果越好。R2还与样本的数量有关系，样本数量n越大，R2值更接近1。（2）模型误差评价。文中采用平均绝对误差和平均绝对百分误差对模型热负荷预测结果进行误差评价。Imae=1ni=0n|yi-yi(12)Imape=1ni=0n|yi-yiyi(13)式中：Imae模型的平均绝对误差；Imape模型的平均绝对百分误差。模型的平均绝对误差和平均绝对百分误差的值越小，模型对热负荷的预测结果越准确。3模型预测结果与讨论3.1热负荷预测算法对比分析以大连某供热系统2019年至2021年的系统历史数据作为数据样本，结合天气参数与用户行为进行机器学习，建立不同算法的供热系统热负荷预测模型。对比不同算法的模型负荷预测准确性，选择最准确的算法建立热负荷预测模型。基于5种机器学习算法的模型热负荷预测结果对比如表1所示。基于5种算法建立的模型拟合程度都相当好，拟合度R2在数值上都接近1，达到0.9以上。5种算法中，以BP神经网络建立的模型拟合度最好，达到0.986 2。在模型的误差评价中，BP神经网络模型的Imae和Imape最小，模型热负荷预测结果最接近真实热负荷。5种算法中，BP神经网络最适合被用作建立供热系统热负荷预测模型。图3BP神经网络的拓扑结构表1基于5种机器学习算法的模型热负荷预测结果对比算法多元线性回归多项式回归岭回归Lasso回归BP神经网络R20.926 60.922 30.943 20.951 60.986 2Imae/%10.439.787.957.436.79Imape/%15.0213.6411.2610.899.59问题探讨84节能 ENERGY CONSERVATIONNO.08 20233.2模型预测结果分析大连市某集中供热系统48 h内的热负荷系统值、经验值与预测值如图4所示。集中供热系统实际所需热负荷波动显著，气象因素和热用户日常行为均会对热负荷产生很大影响。如夜间骤然降温、突发大风天气时，系统实际所需热负荷升高。工作人员只能在天气发生变化后再调节系统以增加热负荷，由于集中供热系统具有滞后性，延后几个小时才能发挥作用。文中基于机器自学习的热负荷预测模型根据气象数据提前进行集中供热系统热负荷调节，预测热负荷值与实际热负荷值之间没有明显的相位落后。与以经验为主导的系统热负荷设置相比，模型预测结果更加准确。48 h内，经验热负荷值与实际热负荷值之间的最大偏差超过24%，平均绝对误差达到7.31 MW；而模型预测值与实际热负荷值之间的最大偏差仅12.38%，平均绝对误差为3.92 MW。模型预测热负荷不仅在调节速度上优于人工调节，且预测结果比经验设定的热负荷值更加准确。3.3模型自优化30 d内模型预测热负荷的平均绝对误差如图5所示。基于历史运行数据建立的预测模型，在起始阶段的预测误差较大。这是由于与历史运行阶段相比，现阶段集中供热系统的供热建筑面积、热用户热需求等因素发生变化，导致模型预测结果出现较大偏差。但随着机器学习处理新的运行数据，预测模型在不断地自优化，预测结果的平均绝对误差逐渐减小。模型预测结果的平均绝对误差在30 d内从10.90%降至4.35%。随着新的运行数据不断产生，模型的预测误差还将减小。4结语集中供热系统的高效运行和及时调节，对系统的热负荷预测提出了很高的要求。文中基于机器自学习的方法处理某集中供热系统的历史运行数据，建立了集中供热系统热负荷预测模型，详细介绍了集中供热系统热负荷和水力平衡计算公式，系统地介绍了基于机器学习的方法建立热负荷预测模型的流程。机器学习的算法分别选择多元线性回归、多项式回归、岭回归、Lasso回归、神经网络。以模型的拟合度和误差评价模型的适用性。模型预测热负荷与系统实际热负荷、经验热负荷对比发现，采用预测模型进行热负荷预测能够及时调节系统热负荷，改善系统调节的滞后性。与经验预测值相比，文中基于机器自学习的模型的预测结果更加准确，平均绝对误差更小。该热负荷预测模型还具备自优化功能，在对运行数据进行机器学习处理后，系统的预测结果平均绝对误差值呈现逐渐减小的趋势。参考文献1 方修睦.供热自动化、信息化及智慧化的差异探讨 J.华电技术，2020，42（11）：34-38.2 李琦.基于机器学习的热源总供热量优化控制 J.系统仿真学报，2018，30（3）：1134-1143.3 魏宇杰.集中供热系统控制策略研究 D.山西：太原理工大学，2015.4 王源.城市集中供热系统建模及其控制方法研究 D.南京：东南大学，2013.5 周志刚.基于智能算法与动态仿真的供热智能引擎构建 J.煤气与热力，2019，39（7）：12-19，42.6 步婷.基于机器学习算法的区域建筑负荷预测建模研究 J.建筑科学，2022，38（4）：85-96.7 于晓娟.几种集中供热负荷预测模型对比 J.暖通空调，2019，49（2）：96-998 Al-Shammari E T，Keivani A，Shamshirband S，et al.Prediction of heat load in district heating systems by support vector machine with firefly searching algorithm J.Energy，2016，95：266-273.9 Geysen D，De Somer O，Johansson C，et al.Operational thermal load forecasting in district heating networks using machine learning and expert advice J.Energy&Buildings，2018，162：144-153.10 Sajjadi S，Shamshirband S，Alizamir M，et al.Extreme learning machine for prediction of heat load in district heating systems J.Energy&Buildings，2016，122：222-227.11 Rahman A，Smith A D.Predicting heating demand and sizing a stratified thermal storage tank using deep learning algorithms J.Applied Energy，2018，228：108-121.图4大连市某集中供热系统48 h内的热负荷系统值、经验值与预测值图530 d内模型预测热负荷的平均绝对误差