河北工业大学 孙春华 柳亚楠 曹姗姗 朱佳 钟健 齐承英

       【摘  要】传统的热力站调控大都是根据技术人员的经验和热用户的反馈进行调节，这种粗放的调控方式经常会使室温波动较大，导致过量供热并且浪费能源，因此各站需要根据信息化数据制定精准的调控策略。本文以某市大型供热系统的典型热力站为研究对象，分析了节能地暖、节能散热器和非节能散热器三种不同类型热力站的调控周期，确定其最佳调控时间节点，从而得到精确的调控策略，并分析调控效果。研究发现，采用该策略进行调节后室温波动较为平缓，能够明显减轻过热现象，并且节能效果显著。   

       【关键词】热力站  调控周期  负荷预测  调控时间节点  

1 引言

       随着室外温度的变化及用户热舒适的需求，供热系统热力站应进行及时有效调控。实际运行中普遍存在根据调控人员的经验和热用户的投诉来调控，而往往忽略建筑综合热惰性导致的调控响应时间差异，由此存在供需不平衡现象。并且技术人员在对管网进行调控时，面对“怎么调、何时调”两个关键问题也大多凭经验，时常会出现室温过高、过量供热的情况，能源浪费严重。因此需要根据信息化数据制定精确的调控策略，从而在确保用户舒适性的同时避免过热。耿欣欣^[1]运用DEST软件以误差最小为目标，对不同热工性能建筑的热负荷历史影响时间进行深入研究并提出了“建筑热负荷时间遗传期”的概念。季翔^[2]运用数据挖掘方法对热力站供热量模式和运行调节策略进行识别研究，研究发现热力站的供热量具有周期性调节规律。负荷预测能够维持供给侧和需求侧的动态平衡，通过对热力站进行热负荷预测来确定调节目标。常用的负荷预测方法有回归分析、时间序列、智能机器学习法等。智能机器学习法包括人工神经网络（ANN）、支持向量回归（SVR）和灰色系统理论（GST）等方法。回归分析法是通过挖掘历史数据来建立自变量与因变量之间的关系，需要大量数据，适合中短期预测，常用的是多元线性回归（MLR）。Thomas Nigitz等人^[3]基于MLR建立了热负荷和室外温度的小时预测简化模型，根据7个用户的实时数据最终平均范围归一化误差只有2.9 %，证明提出的预测方法具有一定适用性。文翰^[4]利用热力站历史运行参数建立了以室外温度为自变量、供热量为因变量的MLR预测模型，利用天气预报的室外温度对供热量进行预测，并嵌入互联网供热管控一体平台，表现出良好的经济效益。李伟等人^[5]对新疆20多个热电联产机组建立了供热量和环境温度的简化MLR模型，结果与历史数据吻合度大，为调峰决策提供了理论指导。由于建筑的热惰性使得室内温度对于外界的扰动存在延迟和衰减的现象。张志博[6]通过实验、模拟证明这种滞后变化现象与末端供热形式密切相关：散热器采暖预热升温（降温）时间较地板辐射采暖短。所以在研究热力站的调控时还要考虑建筑热惰性的影响。

       为了提升供热系统的调控水平，本文在分析热负荷影响因素的基础上，对热力站建立了MLR预测模型，并辨识了调控周期及时间节点，解决了针对不同末端用户及不同节能建筑的“怎么调、何时调”的问题，为实际供热系统的节能减排工作提供了理论指导。

2 研究方法

       2.1 基于建筑热惰性的调控周期确定

       建筑围护结构和室内热源对建筑物综合热惰性的影响都能够通过室内温度的时间延迟特性进行表征。然而，由于室内热源对建筑热惰性的影响与围护结构的影响存在一定的重叠性，使得单独研究室内热源对于综合热惰性的影响存在一定的难度。因此，本文同时考虑建筑围护结构和内热源的影响，以综合延迟时间作为综合热惰性在温度变化方面的表征参数，定义综合延迟时间为室内温度峰谷出现时间与室外温度峰谷出现时间之差。

       ϕ=t_n,max-t_w,max     （2.1）

       ϕ=t_n,min-t_w,min      （2.2）                      

       式中 ϕ——综合延迟时间，h；

       t_n,max——室内温度波峰出现的时间；

       t_n,min——室内温度波谷出现的时间；

       t_w,max——热力站二次供温波峰出现的时间；

       t_w,min——热力站二次供温波谷出现的时间。

       2.2 基于多元线性回归的热负荷预测

       2.2.1 输入参数的确定

       影响热力站热负荷的因素有很多。主要包括天气条件，建筑物情况，系统运行情况以及各种随机因素的影响。集中供热系统调控时通常以供/回水温度、流量为指标，为了便于对供热系统指导供热，本文以供回平均温度取代耗热量作为模型输出参数。

       供水温度、回水温度、流量、压差等参数都会影响热负荷，因此有必要将供水温度、流量、压差考虑为模型的部分输入参数。但对于热力站来说，室内温度与室外温度的差值往往便能反映热负荷的大小，而流量和压差两个参数的增加只会使模型冗长、复杂。因此，本文初步确定热力站供热参数预测模型的输入模型包括历史供回平均温度、室外温度、室内温度。对于历史数据的选取可根据相关性确定。三类热力站的历史数据分别为预测前一至前十个周期的历史供温，预测前一至前六个周期的历史供温和预测前一至前五个周期的历史供温。

       2.2.2 多元线性回归

       多元线性回归是基于数据统计原理发现因变量与自变量之间的关系，并建立一个相关性较好的数学表达式，用于预测因变量变化的一种预测方法，网络结构如图2.1所示。

图2.1 MLR结构

       对于n维的样本数据，建立的回归模型表达式应如下：

                    （2.3）

       式中，θi (i=0,1,2,…,n)为模型回归系数，Xi (i=0,1,2,…,n)为每个样本的n个特征值。

       预测值与实际值通常情况下都会有误差，一般线性回归模型中使用均方差作为损失函数，所以可以得到损失函数的表达式：

               （2.4）

       对于回归模型的损失函数计算，通常有两种方法求损失函数最小化时的θ参数：一种是梯度下降法，另一种是最小二乘法。本文采用的是基于最小二乘法的多元线性回归模型，则θ参数的迭代公式如下：

       θ=(X^TX)^-1X^TY                            （2.5）

       2.3 基于热负荷预测的热力站调控时间节点确定

       调节时间节点反映出用户在不同时刻的用热习惯和用热需求，供热技术的发展使得用户已具备自主调节的能力，这意味着用户在不同时间段的耗热量往往有所差异。因此，合理确定热力站调节时间节点是精细化供热不可或缺的环节。本文通过数据分析辨识出热力站调控周期后，将一天分成不同的时间序列，再利用MLR模型建立具有不同时间节点的预测模型，最后计算不同调节时间节点下预测结果的MAPE值，从而确定最佳的时间节点。图2.2是时间节点的确定流程。

图2.2 确定调节时间节点流程图

       2.4 评价指标

       （1）为了评价负荷预测模型，引入平均绝对百分比误差（MAPE）：

                                       （2.6）

       （2）为了评价调控后的节能效果，定义热力站每小时的节能潜力J为实际耗热量指标与设定目标室温下的耗热量指标的偏差百分比，J值越低越节能，计算方法如下：

                         （2.7）

       式中  q——实际小时耗热量指标，GJ/(m²∙a)；

       q_Z——设定目标室温下的折算小时耗热量指标，GJ/(m²∙a)。

       其中实际耗热量指标和折算耗热量指标的计算方法如下：

                                  （2.8）

                    （2.9）

       式中  Q——供热系统热力站小时耗热量，GJ/h;

       A——热力站或供热系统的供热面积，m²；

       n——不同供暖时期供热小时数，h；

       m——供热系统总供热小时数，h；

       t_ns——热力站或供热系统设定室内温度，℃；

       t_n——热力站小时室内累积平均温度，℃；

       t_w——热力站小时室外平均温度，℃。

3 应用分析

       3.1 实际应用

       本文以某市大型供热系统的典型热力站为研究对象，该供热系统2018-2019年度实际供热面积约2600万平米，热源分为热电厂和调峰锅炉房两部分，总计有899个热力站，1025个机组，其中非节能的散热器供暖热力站有389个，节能的散热器供暖热力站共有267个，节能地暖共有243个。热力站机组全部为电调阀自动控制。对典型热用户室温远程监测，在典型用户安装2500多套典型室温采集点，形成热用户末端供热状态的数据信息监测。

       3.1.1 数据预处理

       本文数据预处理分为三部分—离群数据剔除、空缺数据填充、噪声数据平滑。首先对于离群数据剔除部分选定2倍标准差法，其次采用三次样条插值法对于空缺数据进行填充，最后对于噪声数据平滑部分选定高斯窗和指数平滑法结合的平滑降噪处理。

       3.1.2 调控周期确定

       通过计算二次侧流动时间作为供热系统管网的滞后时间，对研究热网中某热力站至用户末端的管网滞后时间计算和汇总。由表3.1可知，所选热力站至用户端管网传输滞后时间主要在15~25 min分钟内，且所有用户的传输时间都小于35 min。

表3.1 热力站至用户端管网滞后时间占比

       选取热力站二次网质调节供温稳定工况进行分析。考虑传感器干扰等原因将供温波动较小作为衡量内热源是否恒定供热的标准，将供水温度波动小于1 ℃的工况均视为供温稳定。依据上文对综合延迟时间的定义，以2017~2018供热季度历史运行数据为基础，对每类热力站均选取两个典型户a和b，进行综合延迟时间分析，以此分析由围护结构和内热源共同影响的综合热惰性延迟特性，结果见图3.1~3.3。

图3.1 非节能建筑散热器供热用户的综合延迟时间

图3.2 节能建筑散热器供热用户的综合延迟时间

图3.3 节能建筑地暖供热用户的综合延迟时间

       由图3.1~3.3可知，三类不同建筑的响应时间存在较大差异，非节能散热器和节能散热器供热建筑的二次网综合延迟时间约为6小时和8小时，对于节能地暖供热建筑来说，综合延迟时间约为12 h。数据分析结果与理论相符，因为节能建筑热惰性大于非节能建筑，并且地暖系统因为敷设在地面之下故蓄热性比散热器好。

       3.1.3 调控时间节点确定

       本文利用多元线性回归模型，以平均绝对百分比误差最小为目标，得到最佳调控时间节点。首先将一天24 h按2 h间隔划分为13个起始调节时刻，然后结合确定的调控周期，对每类热力站按各自调控周期确定出13个不同起始调节时刻的调节表。分别运用matlab软件对三类热力站的热负荷进行预测，并计算不同时间节点下预测的MAPE值。

图3.4 三类热力站不同调节时间误差对比

       由图3.4可知，对于末端为节能地暖供热的用户来说，当调控时间为8:00/20:00时得到的预测结果误差最小，仅有1.5 %左右。对于末端为节能散热器供热的用户来说，当调控时间为6:00/14:00/22:00时得到的预测结果误差最小，只有0.58 %。对于末端为非节能散热器供暖的用户来说，调控时间为4:00/10:00/16:00/22:00时得到的预测结果误差最小，MAPE值为2.89 %。三类典型热力站最佳调控时间节点与气候变化、人员作息规律相符。因而节能地暖、节能散热器和非节能散热器供热的热力站最佳的调控时间节点分别为8:00/20:00、6:00/14:00/22:00和4:00/10:00/16:00/22:00。

       3.2 调控效果分析

       3.2.1 室温波动分析

       调控效果主要是验证采用本文辨识的调控周期和调控时间节点后的用户端室温波动情况是否改善、室内温度是否接近设定目标温度以及热力站是否节能，减轻过量供热的情况。根据确定的热力站调节策略分别对节能地暖供热、节能散热器供热和非节能散热器供热热力站进行效果验证。在供热初期未采用本文辨识的调节规律进行调节，而在供热中、末期按照调节规律进行调控，对用户室温分布情况进行统计分析。

图3.5 非节能散热器用户室温分布频率                       图3.6 节能散热器用户室温分布频率

图3.7 节能地暖供热用户室温分布频率

       由图3.5到3.7可以看出，与未采用调控策略的采暖初期对比，节能地暖供热、节能散热器供热和非节能散热器末端用户室温在［16,18）和［22,24］区间内的占比减少，而在［18,22）范围内的占比增加。说明在按照本文辨识的调节规律调控以后，用户的舒适度增加，过冷和过热的现象减少。

       3.2.2 节能分析

       根据式2.7计算节能潜力J，并绘出三种末端类型热力站的节能潜力和室内温度的关系图。如图3.8到图3.10，我们可以看出三种热力站在初寒期室温波动较大，而在采用调节策略的高寒和末寒期，室温波动明显降低，趋于平稳，能够很好的长时间应对室外温度变化并保证室内温度稳定在±0.5 ℃之内。而且热力站的节能潜力J值均与室内温度呈正比，在采用本文制定的调控策略后，非节能散热器供暖、节能散热器供暖、节能地暖供热热力站的节能潜力分别至少降低4.30 %、7.24 %、4.54 %。因此本文研究的基于供热参数预测的热力站调控规律具有较好的实际应用性。

图3.8 非节能散热器供热热力站的节能潜力    图3.9 节能散热器供热热力站的节能潜力

图3.10 节能地暖供热热力站节能潜力

4 结论

       根据上述研究分析得出以下结论：

       （1）依据供暖建筑综合延迟时间理论通过数据分析辨识出节能地暖、节能散热器和非节能散热器供热的热力站调节周期分别约为12h、8 h和6h。

       （2）利用多元线性回归模型，以绝对误差最小为目标辨识出不同类型热力站最佳调控时间节点，得出节能地暖、节能散热器和非节能散热器供热的热力站调节时间节点分别为8:00/20:00、6:00/14:00/22:00和4:00/10:00/16:00/22:00。

       （3）采用本文辨识的调控规律进行调控应用后，室内温度波动幅度明显降低，减轻了过冷和过热现象，大大提高热用户的舒适性，同时各热力站均实现了节能运行。

参考文献

       [1] 耿欣欣. 基于时间遗传特性的建筑热负荷预测研究:[硕士学位论文].天津:河北工业大学,2017.
       [2] 季翔. 基于实际数据的集中供热系统运行策略的识别与评价:[硕士学位论文].天津:天津大学,2017.
       [3] Thomas Nigitz, Markus Gölles.A generally applicable, simple and adaptive forecasting method for the short-term heat load of consumers[J]. Applied Energy,2019,241:73-81.
       [4] 文翰. 基于最小二乘法的热负荷预测的研究与应用:[硕士学位论文].大连:大连海事大学,2014.
       [5] 李伟,钱华东,徐强,等. 基于线性回归的热负荷预测在热电联产机组中的应用[J]. 仪器仪表用户,2018,25(08):59-62+9.
       [6] 张志博. 房间采暖热惰性及末端控制优化研究:[硕士学位论文].西安:长安大学,2019.

       备注：本文收录于《建筑环境与能源》2020年10月刊总第37期（第22届全国暖通空调制冷学术年会文集）。版权归论文作者所有，任何形式转载请联系作者。