基于人工智能算法的智慧数据模型及精准供热控制系统.pdf

基于人工智能算法的智慧数据模型及精准供热控制系统张宇阳1,李甲年1,杨怀滨1,李璟旭1,夏青2,曹嘉伟2(1.天津市津能滨海热电有限公司,天津 300453;2.天津能源物联网科技股份有限公司,天津 300384)摘要:采用知识挖掘和数据分析技术、数据智能处理技术,结合供热系统实际情况,建立基于人工智能算法的数据模型及控制系统,实施热量按需分配和节能提质策略,开发以智能控温为主的智慧化供热调控系统,可实现二次网数据采集与管理、机组控温预测下发、实时户温与热耗分析、楼栋供热平衡诊断等功能的业务系统。该系统的开发与应用可以帮助供热公司利用现行的大数据和机器学习技术,指导供热调控,精细化地提升热网调度运行管理水平,对提高供热舒适度和指导供热节能减排有着重要意义。关键词:智能控温;线性回归;聚类分析;机器学习;精准供热DOI 编码:10.16641/11-3241/tk.2023.04.0131引言近年来,随着供热行业的飞速发展,如何提升供热质量,促进节能提质,实现智能化精准调控,成为供热公司的重点课题。传统供热企业在对热源、供热管网、热力站及热用户系统的运行调度过程中,大多依据现场人员的个人经验,根据外界气象状况或者二次管网回水温度来调节热负荷供给量,存在个性化差异以及稳定性差、随意性强、调控不及时等问题,不仅出现热用户“近热远冷”和暖气片“上热下冷”等影响供热质量的现象,还造成了能源的浪费。随着现代科技的发展和数字化、智能化技术的普及,供热运行调度方式需结合人工智能和大数据技术加以改进。目前,许多供热行业的学者对智慧供热和信息化数字化调度做了一定的研究。钟崴 1提出智慧供热系统中需要着重运用“模型”和“数据”,基于系统基本功能,结合大数据技术与智能优化算法,构建供热生产的运营管理决策支持技术引擎。王庆峰 2以实际供热工程中某小区的热负荷历史数据为样本,研究人工神经网络技术在热负荷预测中的应用,并对其结果进行分析,发现将人工神经网用于热负荷调控能够获得较高的精度。王富有等 3在供热公司的供热调度中通过合理的数据采集与网络架构设计,在控制层面上实现了机组与热网的实时智能调度。董妍 4指出气象数据作为一项重要因素,对供热生产调度运行有着巨大影响,对供热气象数据进行深入分析,可以提高供热的精确性。甄浩然 5明确提出通过二次网的水力平衡调节,消除楼间的水平失衡与垂直失调,解决冷热不均,实现水力平衡,可以显著节约供热企业的成本。本项目研究的内容是把基于人工智能的智慧供热技术引入到换热站机组,通过采集58区域供热 2023.4 期和分析供热机组的相关数据,实现对热负荷的可监测、可调节、可计量、可预测,从而实现换热站机组系统安全、经济、高效、智能化的运行。本项目应用智能化技术手段的过程,包括各类数据的处理和分析,机器学习的原理和方法,智慧供热控制模型的设计和呈现,研究如何结合智能化技术进行运行调控,使机组和热网达到最佳的经济运行模式和供热效果,实施全过程全系统的智能监控,在满足用户采暖需求的同时,实现能源的节约,应用于天津某供热公司,有效消除了原有的依据人工设置数据进行温度曲线下发调控的不稳定性,利用数字化、智能化手段实现按需供热、精准供热,系统性地提升了供热舒适性和节能降耗水平。2 技术路线及过程2.1 技术路线本项目选择天津某热电公司提供的某小区作为试点,该小区具有全面的物联网采集和控制设备设施(换热站运行数据、热计量数据、室温数据、气象数据、各类智能泵阀数据等)作为数据源,采用如图 1 所示的技术路线过程。2.2 数据预处理本项目研究数据包括热电公司热表采集的热计量数据、机组运行数据,气象单位提供的环境数据和小区建筑特性数据,通过在典型热用户安装的测温设备采集(安装比例为小区总用户的约 10%)用户室温、湿度等参数。热计量数据包括小区编号、用户编号、表号、累计流量、累计热量、热功率、流速、入水温度等参数;机组数据包括采集时间、一次供水温度、一次回水温度、一次供水压力、一次回水压力、二次供水温度、二次回水温度、二次供水压力、二次回水压力、瞬时流量、累计流量、累计热量等参数;气象数据包括时区、时间、温度、最大温度、最小温度等参数;建筑特性数据包括楼号、层数、门牌号、朝向、供热面积等参数。将上述 4 类数据对应至小区、机组和热用户,对应采集时间进行匹配整合,得到一条包括供热计量、机组数据、环境数据和建筑特性数据的完整原始数据。由于设备故障、通讯故障、数据进入系统队列延迟等情况,原始数据存在一定的异常、数据缺失和逻辑错误,不能直接用于智能控制逻 辑 和 结 果 的 推 算 工 作,本 项 目 使 用3sigma 原则对各项数据进行预处理,将数值分布范围超出-3,+3 的数据剔除。2.3 数据的回归算法回归分析用于通过从隐藏于大量数据中的数据特征,得到变量间的相关关系,并利用概率论相关知识进行分析,判别相关关系的有效性,也可以利用变量间的关系式,由一个或多个变量去预测和控制另一个变量。经过预处理的原始数据即可用作分析研究的主体。构造回归模型时,以实测室温为因变量,通过多项式回归、多元线性回归、小批量梯度算法,根据相关性强排列原则对自变量供热计量数据、机组数据、环境数据和建筑特性数据进行筛选。2.3.1 多项式回归研究一个因变量对应的一个或多个自变量间多项式的回归分析法,称为多项式回归。多项式回归一般模型为:(h(x)=0+1x+2x2+nxn(1)式中:x已知的数据;0,1,2,n位置参数。多项式回归问题可以通过变量转换为多元线性回归问题来解决,对于一元 n 次多项式回归方程,令:x1=x,x2=x2,x3=x3,xn=xn图1 技术路线图68区域供热 2023.4 期便转换为 n 元多元线性回归方程。由此可知,多项式回归方程中的参数估计可以利用多元线性回归中参数估计得出。2.3.2 多元线性回归模型在研究线性相关性条件下,两个及多个自变量对应其中一个因变量,称为多元线性回归,多元线性回归一般模型形式为:Y=0+1X1+2X2+3X3+jXj+nXn+(2)式中:0回归常数;j(j=1,2,n)回归系数;随机误差;X1,X2,X3,Xn自变量或解释变量。由式(2)表示方程的矩阵表达式为:Y=X+(3)式中:X1 行 n+1 列的自变量矩阵 X0 X1 X2 X3Xn,X0=0;n+1 行 1 列的系数矩阵0 1 2 3kT。式(3)中的最小二乘估计值为:=(XT X)-1 XT Y(4)得出参数后,则求得样本多元线性回归方程,计算得出多元线性回归模型后,应对其进行检验,判定其可靠程度,回归模型的评价指标包括 MSE(平均平方误差)、RMSE(平均根误差)、MAE(平均绝对误差)、R Squared(可决系数)即拟合优度检验。2.3.3 小批量梯度下降算法梯度下降法是机器学习中常用的优化算法,一般分为三种:批量梯度下降,每次迭代通过整个样本数据集来进行优化;随机梯度下降,每次迭代随机选择样本数据集部分数据来进行优化;小批量梯度下降,是对批量梯度下降以及随机梯度下降的折中方法,每次迭代都使用 batchsize(批量大小)个样本数据进行优化,继承了前两种算法的优点,克服了它们的缺点。梯度下降算法步骤如下:第一步:确定优化模型的函数和损失函数假设模型为:h(x)=0 x0+1 x1+2 x2+n xn(5)式中:x1,x2,xn自变量;1,2,n对应自变量的偏移量;n样本数。其损失函数为:J(0,1,2,n)=12mmi=1(h(x(i)-y(i)2(6)式中:h(x(i)=0 x0+1x1+2x2+ixi,y(i)R;m小批量样本数量。第二步:初始化权重,给定一个初始值j第三步:算法过程确定当前位置的损失函数梯度;(1)步长乘以损失函数梯度,得到当前位置下降距离;(2)更新所有权重后,继续步骤一;(3)每次迭代对参数更新,见公式(7):j=j-1mmi=1(h(x(i)-y(i)x(i)j(7)式中:学习率(步长);h(x(i)=0 x0+1x1+2x2+ixi,y(i)R;m小批量样本数量;0,1。2.3.4 共线性处理在多元回归分析中,当多个自变量之间存在精度/高度相关关系时,会导致回归系数难以估计,也就是出现了共线性的问题。本文采 用 方 差 膨 胀 系 数(variance inflation factor,VIF)来判断自变量之间是否具有共线性。VIF 是用来表征自变量之间共线性程度的数值,VIF 值越大,则变量之间的共线性程度越大。一般认为,VIF 值大于 10 表示具有较大的共线性。将所有可用于计算的自变量用 VIF 进行78区域供热 2023.4 期分析,比较其数值大小,最终得到共线性较弱的 9 个变量,按 VIF 值降序排列为:入户水温度、出户水温度、二次供温、流速、室外温度、热功率、累计流量、收费面积、二次供压。其VIF 值如表 1 所示。表1 V I F值自变量名称VIF 值入户水温度6.559 594出户水温度4.899 303二次供温4.787 317流速3.984 609室外温度2.874 422热功率2.284 609累计流量1.577 415收费面积1.230 332二次供压1.080 3512.4 回归分析建立回归模型的基本指导思想是自变量数目少而精,略去一些对因变量有影响的自变量后,估算量产生了偏移,但是预测偏差的方差会下降。将表 1 的自变量建立关于室温的线性模型,并使用逐步回归法迭代。逐步回归的基本思想是通过剔除变量中不太重要又和其他变量高度相关的变量,降低多重共线性程度。将变量逐个引入模型,每引入一个解释变量后都要进行 F 检验(方差齐性检验),并对已经选入的解释变量逐个进行 t 检验(主要用于样本含量较小的总体标准差),当原来引入的解释变量由于后面解释变量的引入而变得不再显著时,则将其删除,以确保每次引入新的变量之前回归方程中只包含显著性变量。这是一个反复的过程,直到既没有显著的解释变量选入回归方程,也没有不显著的解释变量从回归方程中剔除为止,以保证最后得到的解释变量集是最优的。逐步回归法的好处是将统计上不显著的解释变量剔除,最后保留在模型中的解释变量之间的多重共线性不明显,对被解释变量有较好的解释贡献。通过逐步回归、筛选变量,剔除了二次供压,模型回归结果见表 2,样本量为 90 969,其中 R2 检验结果为 0.059,表示该多元模型非线性较强,AIC(赤量信息准则)和 BIC(贝叶斯信息准则)则是用于衡量模型复杂程度的重要评价指标,也能比较不同变量数目模型之间的优劣关系,二者的数值越小越好。表2 多元线性回归结果名称值名称值因变量 y R20.059观测值90 969R2 标准差 0.059自由度 90 969相似性检验-1.95105自变量数8AIC3.91105BIC 3.911053 聚类分析和建模3.1 同质供热数据聚类聚类分析是一种数据分析方法,是一种无监督学习的手段,其目的是使相似数据点分布在同一类中,依据此方法将对象分为不同的组,组内的对象相互之间有相似的属性或者近似的关系。在分类时只依赖对象自己本身的属性。聚类分析多采用聚类算法的形式,本质是将总体中的个体进行分类,区分出不同类别中数据的差异和找到相同类别中的相似,这样就可以实现对每一类进行深入分析,以找到并概括出每一类的特点。3.2 t-SNE 算法目前数据的可视化还仅仅存在于三维及以下,对于超过三维的数据,需要对数据进行降维处理,才能实现数据的可视化。t-SNE 算法是一种非线性降维方法,其主要思想是认为在高维空间中靠近的点,无论处在哪个维度,它们也应该是相互靠近的。t-SNE 算法对高维数据之间的欧氏距离用数据点之间相似性的条件概率来代替表示,然后对所需要的低维空间中的映射点构建 t 概率分布。然后计算两个维度分布的 Kullback-Leiber(KL)散度,使用梯度下降的方式,极小化 KL 散度的88区域供热 2023.4 期值,使得两个分布尽可能一致,达到保存数据特征的目的。t-SNE 算法求出的低维结果分布在联合概率分布上,其横纵坐标为映射在概率分布上的值。假设高维数据点的集合为 X=x1,x2,xn,在低维空间中的映射点集为 Y=y1,y2,yn,P、Q 分别为高维空间和低维空间的概率分布,pij、qij分别为 P、Q 的矩阵元素。在 t-SNE 算法中,xi会以条件概率 pj|i选择 xj作为其相邻点。pj|i越大,则 xj越靠近 xi,反之则越远离。在 t-SNE 算法中,联合概率分布 pij 是对称条件概率:pi j=pj|i+pi|j2n(8)pj|i=e-xi-xj22i2kje-xi-xk22i2(9)qi j=(1+yi-yj2)-1kl(1+yk-yl2)-1(10)使用 KL 散度创建函数:C=K L(PQ)=ijpi jl o gpi jqi j(11)其梯度为:C yi=4j(pi j-qi j)(yi-yj)(1+yi-yj2)-1(12)3.3 聚类分析特征值提取以往的数据模型推算研究中,在同一机组下往往采用同一个模型进行拟合。这使得模型在拟合已知数据时表现结果较好,但在推算未知数据时,误差不能够满足实际生产需求,也就是泛化效果较差。根本原因是模型没有抓住研究对象,即热用户之间的本质和户与户之间的差异性,研究试点的同一小区下的两个机组(中区机组 51 户,低区机组 167户),对入户水温度、出户水温度、二次供温、室外温度特征进行 k-means(硬聚类算法)聚类。其步骤是将热用户数据按机组分为 K组,随机选择 K 个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。当聚类中心不再发生变化时,输出聚类结果。聚类结果以各组数据均值作为区分,分为高和低两种类别。可视化展示需要进行降维处理,降维后的聚类数据,其 k-means 中围绕初始质心点选取如图 2、图 3 所示,经过这样的多次聚类,聚类中心是类似坐标概念,其每个属性值是这个聚类在该属性的平均值,因此存在属性值为负的情况,将属性值带入后续的人工神经网络模型。表3 中区同质热用户聚类数目类别说明中区机组数据条数0 类高入水温度+高二次供温3 4111 类高入水温度+低二次供温2 9172 类低入水温度+高二次供温3 6283 类低入水温度+低二次供温2 1174 类高入水温度+高室外温度2 9935 类高入水温度+低室外温度3 5886 类低入水温度+高室外温度3 1687 类低入水温度+低室外温度2 540合计24 362表4 低区同质热用户聚类数目类别说明低区机组数据条数0 类高入水温度+高二次供温7 9351 类高入水温度+低二次供温9 6332 类低入水温度+高二次供温4 8033 类低入水温度+低二次供温9 5814 类高入水温度+高室外温度10 8235 类高入水温度+低室外温度3 5756 类低入水温度+高室外温度6 1657 类低入水温度+低室外温度5 4578 类高二次供温+高室外温度9749 类低二次供温+低室外温度7 661合计66 60798区域供热 2023.4 期图2 中区机组聚类图3 低区机组聚类09区域供热 2023.4 期3.4 聚类分析的结果上述聚类所依据的参考特征(入户水温度、出户水温度、二次供温、室外温度),若是一维聚类,比如只有回水温度作为参考特征,即可以得到对回水温度敏感或不敏感的分类,能够直接给类别打上标签;若是二维聚类,比如以室外温度和入户水温度作为参考特征,可以打上标签。高入水低室温,或者高入水高室温,两两组合,最多能出 4 种类别,其他依此类比。目前开发的应用软件能够指定聚类簇数目,本文是通过指定聚类类别数,得到分类后,在原有的输入项上,增加一项类别输入(相当于给热用户打上类别标签,不需要比较类别的优劣,不需要区分出哪些热用户属于同一类,哪些属于不同类),然后该类型作为一个参数,应用到神经网络方法预测室温,比较不同聚类数下预测室温的精度,最终选择误差最小的类别数作为该机组下的热用户分类。3.5 机器学习及建模的研究机器学习主要是对输入数据进行学习,从复杂的数据集中提取出有价值的特征或信息,归纳出合理的变化趋势,利用选定的模型进行数据预测,比较预测值与实际值偏差后重新调整模型中的参数或者结构,以提高预测的准确性和可靠性的方法。3.5.1 机器学习过程本文的研究数据包括 20202021 年及2021 年 10 月2022 年 3 月期间供热运行管理人员在调节供温时的工作记录。本文的机器学习指的是,学习人工在以往供热季中机组调控的供温曲线,主要是根据未来时刻气象数据,包括今日高低温、未来时刻温度、风力情况和天气状况等因素确定供温曲线值。机器学习应用于精准供热的基本步骤主要分为两步:第一步,对供热运行管理人员历史供温指令进行数据预处理,包括筛掉未执行数据、将供温时长从 12 h 增补至 24 h。如表 5 所示,经过处理后的数据,结合供温指令对应的天气数据,包括高低温、风力、24 h 对应外温,得到可用于机器学习的训练数据。第二步则是基于以上分站点数据进行供温机器学习,学习的主要思路是让机器在历史数据中记录天气情况足够多的样本,使其能够在具体天气状况下,给出对应数值的供温决策。如表 6 所示。表5 供热运行管理人员供温记录示例站点历史时间发送信息(下发二次供温)下发结果操作人某小区高区2020-11-04 17:51 32.2,32.4,32.2,33.2,34.2,34.2,34.2,31.2,32.2,32.2,30.2,30.2,30.1成功 供热运行管理人员 1某小区中区2020-11-07 09:22 30.2,30.4,31.2,31.2,32.2,32.4,34.2,34.2,33.2,33.2,30.2,30.2,30.1成功 供热运行管理人员 2某小区低区2020-11-07 09:30 32.2,32.4,32.2,33.2,34.2,32,34.2,31.2,32.2,32.2,30.2,30.2,30.1成功 供热运行管理人员 3表6 机器学习训练数据示例站点历史时间高低温/风力风向外温/供温/某小区高区2020-11-01 8,16 西 北 风45 级 11.4,10.3,10.6,9.8,10.9,11.5,10.9,10.7,12.8,13.8,14.7,15.3,16.1,16.3,19.8,16.5,16.4,14.2,10.7,9.15,8.6,8.3,8.1,7.9 33.7,33.6,33.5,33.4,33.6,33.7,33.6,33.8,33.8,33.9,33.6,33.9,33.9,33.8,33.8,33.9,33.9,33.9,34.1,34.1,34.1,33.8,33.8,33.9 19区域供热 2023.4 期续表站点历史时间高低温/风力风向外温/供温/某小区中区2020-11-08 6,14 西 北 风转北风 67 级转 34 级 10.1,9.9,8.7,7.4,6.4,4.5,3.7,3,6.6,9.6,10.3,11,12.3,13.6,14.2,13.9,14,12.7,11.8,11,10.8,10,10.2,9.6 34.4,34.4,34.3,34.2,34.1,34.0,33.9,33.5,34.0,33.7,34.2,34.2,33.1,32.0,31.6,31.4,31.1,32.7,33.2,33.0,32.8,32.8,33.0,33.2 某小区低区2020-11-03 4,14 西 南 风67 级 6,5.3,4.8,4.5,4.2,3.9,4.1,4,7.3,11.8,12,12.8,13.4,13.5,13.7,14.1,14.4,14.2,13.3,11,10.2,12.1,11.9,9.2 40.9,40.9,40.9,41.1,41.5,41.7,40.0,39.5,39.3,39.4,39.5,39.7,37.5,36.8,36.5,36.3,37.6,38.2,38.3,40.3,40.1,40.4,40.9,41.1图4 基础控温曲线3.5.2 机器学习效果分析按机组对供热运行管理人员历史下发供温曲线进行机器学习后,需要对学习效果进行分析,评估学习效果的优劣。图 4 为某机组低区控温曲线,日期为 2020 年 12 月 21 日,当日最高和最低温度分别为 4 和-5,外部气温 24 h 变化如“”曲线所示,历史供温曲线如“”曲线所示,机器学习输出曲线如“”曲线所示。本文将机器学习曲线“”称作基础曲线,可以看出其随时间走势和历史供温曲线大致相同,且温度变化趋势更加稳定。3.6 建模后的应用检验建模后,为了验证模型的效果,还需要进行系列的测试调整,考虑了以下要点:控温曲线在生成过程中,回归历史数据,作为曲线生成的基础;研究历史测温数据,综合判断历史供热季的供热水平;结合用热用户的用热特点,并参考供热单位运行管理专家和一线供热运行管理人员的经验,对曲线进行调整和滤波处理;经过一线供热运行管理人员的多次预先确认。上述要点的目的在于确保控温曲线合理,确保自动控制的风险可控。在供热季节的控温曲线生成时严格遵守了以上4 点。除此之外,在数据提供和数据使用中,遇到数据混有错漏、数据张冠李戴、控温下发错漏或故障等情况,会造成控温曲线背离合理逻辑,纠正这种负面因素的重要途经之一是在系统监控过程中增加容错机制,再结合系统提供的自动和曲线切换功能、人工临时控温的即时下发功能、控温状态(测温状态)的29区域供热 2023.4 期呈现功能、历史和未来曲线的呈现功能、累计和日均热负荷的检测功能、供热曲线参数的设置和调节功能、用户操作日志功能、供热热平衡模块,综合校验过程和分析,对供热季系统运行期间的平稳和节能起到了重要作用。3.7 精准供热曲线优化为了实现精准供热的回归供温曲线在控制系统运行过程中的安全性和便捷性,需要对基础机组供热曲线做以下优化:(1)设置曲线下限值:由于机器学习是学习历史控温曲线,结合天气数据进行的调整,故当出现极端样本数据或天气数据异常时,为了避免对系统调控效果产生较大的不利影响,应设置最低供温值,以保证供热机组不会下发低于最低限制的控温指令。(2)人因调整:再对供热系统运行参数进行自主学习,依据实时关联因素生成温度指令的前提下,系统支持运行管理人员针对不同用户的用热特点,白天和夜间不同时段对室温温度的不同需求,以及特定日期对供热室温的特定需求,对温度指令进行人工干预,进而为供温调控提供了更大的灵活性。(3)曲线过滤调整:考虑到机组控温调节阀的寿命,尽量避免相邻时刻下发的供温值出现突然跳动,故需要对供温曲线进行过滤操作,使得相邻时刻的供温值平滑变化。(4)考虑室温变化:由于选取小区典型位置热用户安装了远程测温设备,能够获得热用户实时室温反馈,进而更好地实施精准供热调控。故本系统还设置了跟踪测温的调整,当实测室温和目标温度不同时,会根据跟踪强度对未来时刻的曲线进行调整,使得未来室温能够回归到目标温度值。如图 5 所示,该曲线是经过上述调整后输出的供温曲线,在可读性、安全性上都有更高程度的改善。作为最佳的控温输出曲线,每 1 h 更新一次。(5)人工修正过程:对于机器学习实现的优化曲线,在实践中发现偶然或局部会产生不合理数据,主要表现为跟随室外温度的变化不是出现背离而是曲线趋同,经过分析后发现,这与往年 K 邻域方法计算中当天存在气温突变情况下的系统自动趋势判断不足有关,此时需要人工参与,手动调节机器产生的供温曲线参数,以当时气象的情况做出调高调低调整,从而拾遗补阙,以技防+人防的方式共同确保精准舒适的温度调控。图5 下发控温曲线39区域供热 2023.4 期4 系统开发与实现4.1 开发的逻辑架构基于人工智能算法的智慧供热控制模型系统在逻辑架构上分为三层,分别是应用层、逻辑层和数据层。分层设计可以使系统达到松耦合状态,便于后期维护。应用层主要接收用户从前端界面提交的请求,并将处理好的用户请求以不同的格式向逻辑层的接口发送;逻辑层根据从应用层传来的不同请求,从数据层获取相应的数据,并对数据进行处理,之后再将处理结果返回给应用层,应用层将对应的结果处理成可视化的形式展示给用户。详细的逻辑架构如图 6 所示。4.2 系统功能实现供温策略。操作人员登录系统后,系统界面便会呈现当前用户所管理的站点及机组,并且可以观察机组状态与设置曲线使用等相关操作,在设置曲线使用模块点击使用智能供温曲线,即可采用人工智能与大数据分析技术生成供热策略,取代原温度调控曲线进行智能调控。调控曲线如图 7 所示。人工操作入口。如在特定情况下需要使用原设定曲线进行调控,可在曲线设置模块选择人工曲线,便会展现操作人员对当前机组使用人工曲线的设置已经提交,可以手动对人工曲线进行编辑修改并提交。如图 8所示。控温下发:如图 9 所示,机组下发控温与执行曲线,实时显示当前温度、下发控温以及图6 系统逻辑架构图图7 智能控温曲线49区域供热 2023.4 期图8 人工控温曲线图图9 曲线下发图图1 0 供热季热耗差异59区域供热 2023.4 期图1 1 累计热量差异控温使用类型,实现控温下发可视化。重新下发:机组控温如遇下发失败等异常情况,可自动重新下发。立即下发:根据工况需求立即下发机组温度。热耗分析。基于上一供热季平均热耗,使用热耗差异曲线对比两个供热季的单位热耗,反映当前供热季热耗状况(如图 10 所示)。热量对比。使用累计热量差异对比两个供热季的累计热量状况,为判断供热效果提供依据(如图 11 所示)。5 应用效果与结论5.1 应用效果该智慧数据模型及精准供热控制模型系统以数据回归的方式找到具有高关键性的参数变量,通过聚类筛选,锁定最佳特征值的参数,通过数据分析与持续的机器学习,固化各个参数之间的强关系,从而为后续预测提供可靠的模型系统依据。经设计与开发后,将其应用于实际情景中检验其功能的可靠与完整性。系统应用于天津某 6 个小区共计 12 个供热机组,系统上线运行时间从 2021 年 12 月 1日至 2022 年 4 月 1 日,运行期间不仅实现了实时按需供热,且当热用户供热出现失调时,能够及时采取相应措施进行调控优化。自系统投入使用以来,已经取得了阶段性的成果,通过单位热耗分析与累计热耗分析得知,相比于此前使用的已经具备一定自动化调节水平的供温曲线调节系统,可进一步节约热耗10%15%,大大降低了企业运行成本,提高了经济效益,同时有利于保证用户室内温度在不同时刻和不同气象条件下更加均衡、稳定,从而提升了供热舒适性。5.2 结论该技术改变了对传统的对换热站机组供热温度采用人工调控、人工下发曲线控制或一般的自动化调控手段,解决了调控不准确、不及时、供温波动性大等不利问题引起的热能浪费和室温波动,通过大数据分析和人工智能技术,辅以室温远程检测技术和设备,开发出智能供热系统数据模型和精准控制系统,能够更加准确地实时分析热用户用热需求和实际供热情况,监测供热系统的输入、输出平衡状态,及时做出调整,相关结论如下:(1)该数据模型及控制系统结合人工智能和大数据分析,运用模型预测等先进技术按需精准调控,可以减少或避免人为因素造成的供热管理失调,可以优化一般自动化曲线调控系统的调控效果,对供热情况进行实时监测与分析,为供热系统运行提供智能化的调控指导。69区域供热 2023.4 期(2)在提供智慧精准调控功能的基础上,通过调用海量的户用热量表数据,该系统还可以提供二次供热管网水力平衡诊断报告,以及综合流量、热量、平均回水温度的诊断分析报告,帮助操作人员深入了解系统实际运行情况,及时发现水力失衡和热量失衡较为严重的楼宇或热用户,以便及时采取调控措施。(3)该数据模型及控制系统的开发与应用有利于全面提升城市供热系统的数字化、智能化水平,使供热温度更加均衡、稳定,降低室温波动,为热用户提升供热舒适性,同时有利于促进国家节能减排政策的落实,降低供热公司的能耗水平和运行成本,大大提高能源利用率,为推进智慧供热建设提供了可供参考的技术路线。参考文献 1钟崴,陆烁玮,刘荣.智慧供热的理念、技术与价值 J.区域供热,2018(2):1-5.2王庆峰.集中供热系统运行调节优化及热负荷预测方法研究 D.济南:山东大学,2010.3王富有,方正,门冉.智能实时供热调度系统设计 J.化工自动化及仪表,2021,48(6):594-600.4董妍.大型城市集中供热系统调度运行浅析 J.区域供热,2018(4):19-24+136.5甄浩然,冯文亮,王帅.供热系统二次网平衡调控方法调研分析 J.区域供热,2022(1):59-65+107.(上接第 38 页)6陈邦强,李庆生.横纹槽管管内流动与强化传热三维数值模拟 J.化学工程与装备,2018,262(11):14-18.7LIU Z,YUE Y,SHE L,et al.Numerical analysis of turbulent flow and heat transfer in internally finned tubes J.Frontiers in Energy Research,2019,7:64.8江嘉铭,吴文杰,黄淑龙,等.正弦型波纹管二次流强化换热模拟研究 J.热力发电,2020,49(9):46-51.9张凯,王飞龙,何雅玲.新型仿生结构强化管流动与换热性能数值研究 J.工程热物理学报,2019,40(2):375-381.10王福军.计算流体动力学分析:CFD 软件原理与应用 M.北京:清华大学出版社,2004.11陈铠杰,万德成.基于黏性修正 SST k-模型的水翼空化流数值模拟计算 J.水动力学研究与进展(A 辑),2019,34(2):224-231.12WEBB R L.Performance evaluation criteria for use of enhanced heat transfer surfaces in heat exchanger design J.International Journal of Heat and Mass Transfer,1981,24(4):715-726.13过增元.对流换热的物理机制及其控制:速度场与热流场的协同 J.科学通报,2000(19):2118-2122.79区域供热 2023.4 期