基于智能算法与动态仿真的供热智能引擎构建

周志刚， 薛普宁， 刘 京， 方修睦， 郑进福

(1.哈尔滨工业大学 建筑学院， 黑龙江 哈尔滨 150006； 2.哈尔滨工业大学

寒地城乡人居环境科学与技术工业和信息化部重点实验室， 黑龙江 哈尔滨 150006)

1 概述

近几年智慧供热在我国发展迅速，实现智慧供热成为城市集中供热系统未来发展的重要方向。智慧供热是以数字化、网络化、智能化的信息技术设施为基础，以用户为目标，以低碳、舒适、高效为主要特征，以透彻感知、广泛互联、深度智能为技术特点的现代供热方式[1]。其突出特点是：

① 信息感知化。通过在供热系统中安装传感器，利用传感技术，顺利获取供热系统各处的主要参数信息，对水泵、关键阀门等供热系统重要部件的运行状态实时监控，实现对整个供热系统的全面感知。

② 设备互联化。物联网将组成供热系统的物理设备连接到互联网上，来自供热系统的海量数据通过现代网络通信方式，实现互联、互通，供热系统信息资源可以共享，数据可以统一分析。

③ 决策智能化。通过统一的数据储存平台和分析中心，利用智能算法、动态仿真等对供热系统的海量数据进行筛选分析，实现供热系统负荷预测、故障诊断、运行调度，使供热系统控制智能化。

图1为智慧供热的结构框架[2]。智慧供热集成了物理设备网、信息物联网和智能决策网三大系统。物理设备网由热源、换热首站、热力站、供热管网和热用户组成，承担着热量生产、转换、传输和向建筑物散热的作用。信息物联网由设置在供热系统中各处的传感器、数据采集设备、传输设备等组成，主要功能是将从热源、换热首站、热力站、供热管网和热用户采集的流量、温度、压力、热量等相关参数，通过数据传输设备传送到数据中心的数据库中。智能决策网由计算设备及软件构成，主要作用是从各个数据库中获取相关的参数信息，通过智能分析计算，对供热系统进行辨识，实现供热系统的热负荷在线预测、优化运行调度、能耗评价与诊断、故障诊断与事故运行调度等功能。

图1 智慧供热的结构框架

智能决策网是智慧供热的核心，而智能决策网的核心是数据和模型[3]。需要利用以机器学习为代表的智能算法和描述系统机理的动态仿真模型，构建支持智慧供热运行管理的智能引擎。

机器学习通过从数据中进行自动学习，得到某种知识或规律，从而赋予计算机在特定任务上的预测或决策能力[4]。借助于高效的机器学习技术与计算机日益强大的计算能力，智能算法可以充分挖掘来自信息物联网的海量数据，分析供热系统运行规律，预测供热系统热负荷，诊断供热系统的故障。但由于智能算法大多为黑箱算法，在供热系统中应用时存在着依赖数据样本质量，有效验证与机理解释难等问题。

动态仿真关注供热系统的整体动态运行工况，利用基于物理模型的方法开发供热系统的水力、热动态模型，建模过程囊括热源、换热首站、热力站、供热管网和热用户，从而对供热系统调节策略的可行性进行分析，制定出优化的运行调度方案，同时也作为辅助工具为智能算法提供必要的数据集。动态仿真在供热系统应用时主要存在计算结果准确性难以保证，工程实用性较差等问题。

基于以上分析，本文提出采用智能算法与动态仿真有效融合，构建智能引擎的技术路线，并阐述该智能引擎在智能决策网的核心功能模块开发中的应用方法。

2 智能引擎构建技术路线

图2描述了基于智能算法与动态仿真的智能引擎构建技术路线。

图2 基于智能算法与动态仿真的智能引擎构建技术路线

智能算法与动态仿真有效融合、互相支持组成了供热系统的智能引擎。该智能引擎能够实现如下主要功能模块：

① 依据供热系统的设计资料，通过聚类分析算法，进行供热管网监测点的优化布置，完成供热系统运行数据库扩展，解决智慧供热系统数据质量问题。

② 建立供热系统的动态仿真模型，针对难以计算供热管网阻抗真值的问题，利用智能优化算法和信息物联网记录的供热系统运行数据实现管段阻抗的辨识，使用管段阻抗的辨识值对动态仿真模型进行参数校准，实现动态仿真模型的校核，提升模型的工程实用性。

③ 利用信息物联网记录的供热系统运行数据，采用机器学习技术建立数据驱动的热负荷预测模型，实现对热负荷的准确预测。

④ 利用热负荷预测模型和校准后的动态仿真模型，实现供热系统的运行调度优化。

⑤ 利用校准后的动态仿真模型，建立供热管网泄漏故障数据库，训练基于机器学习的供热管网泄漏故障诊断模型，使模型根据供热系统运行数据输出故障诊断结果。

3 智能算法在供热系统中的应用

3.1 供热管网监测点优化布置

现代的供热系统一般都装有传感测量元件，以监测供热系统各处的压力、流量等相关参数，方便供热企业对供热系统的运行情况进行监督，制定合理的运行调度策略，提升系统节能性，及时发现系统故障，排除危险情况，使系统更加安全可靠。理想情况下，在供热系统中布置大量监测点更有益于估计系统的整体运行情况。然而，在实际工程中，受建设造价、运行管理条件的限制，不可能在所有管段、所有节点均安装传感器。目前，监测点通常布置在热源和各热力站内，可以通过监测数据建立水力仿真模型，校准模型参数，从而获得精确的水力仿真数据，评估供热系统的运行工况[5]29-31。由于供热系统的供热管网规模较为庞大，利用热源、热力站的运行数据建立的水力仿真模型可能会遇到性能瓶颈，即模型可以准确预测热源、热力站的参数信息，但供热管网相关管段和节点的运行参数的仿真值可能与监测值有较大误差。因此，有必要在供热管网的关键管段和节点安装传感器，利用尽可能少、代表性强的监测点，去尽可能准确地评估供热系统整体的水力工况。

管段阻抗是引起管段流量和节点压力变化的一个重要因素。当供热管网某一管段的阻抗发生变化，必然引起供热管网所有管段流量和节点压力的变化，但是不同管段和不同节点的变化程度很有可能是不一样的。基于这种思想，我们引入阻抗对管段流量的相对影响度矩阵以及阻抗对节点压力的相对影响度矩阵的概念，计算公式见式(1)～(4)。

(1)

(2)

(3)

(4)

式中YQ——阻抗对管段流量的相对影响度矩阵

yq,kj——矩阵YQ的元素，表示管段j的阻抗的相对变化量引起管段k的流量的相对波动程度

B——供热管网中管段的总数量

Qdsn,diag——管段流量设计值的对角阵

XQ——阻抗对管段流量的影响度矩阵

Sdsn,diag——管段阻抗设计值的对角阵

YP——阻抗对节点压力的相对影响度矩阵

yp,ij——矩阵YP的元素，表示管段j的阻抗的相对变化量引起节点i的压力的相对波动程度

N——供热管网中节点的总数量

Pdsn,diag——节点压力设计值的对角阵

XP——阻抗对节点压力的影响度矩阵

Q——管段流量列向量

S——管段阻抗列向量

P——节点压力列向量

图3为监测点优化布置的技术路线。

图3 监测点优化布置的技术路线

技术路线的具体步骤为：

① 根据供热系统的设计资料，计算各管段的阻抗；

② 选择设计工况作为基准工况，计算各管段的流量和各节点的压力；

③ 计算影响度矩阵XQ和XP；

④ 计算相对影响度矩阵YQ和YP；

⑤ 利用聚类算法对相对影响度矩阵进行分析，矩阵YQ和YP中的每一行表示一个示例，每一列表示一个属性，通过聚类分析，把相对影响度矩阵划分成多个聚类簇，使得簇内包含的管段或节点的相对影响度相似，簇与簇之间的管段或节点的相对影响度很不相似；

⑥ 从每一个聚类簇中选择一个管段或节点作为监测点布置的位置，最终得到供热管网流量和压力监测点的布置方案。

3.2 热负荷预测

热负荷的准确预测是实现供热系统运行优化、智能决策，提高供热效率，降低运行维护成本的重要前提。由于供热系统具有规模庞大、结构复杂、热惰性高等特点，难以通过数学建模方法建立有效的热负荷预测模型。信息物联网储存了大量的供热系统历史数据，这些数据反映了供热系统潜在的运行规律，使得采用机器学习技术建立数据驱动的热负荷预测模型成为可能。

数据驱动的热负荷预测属于机器学习中的监督学习。监督学习的任务是学习一个模型，使得模型能够对任意给定的输入，对其相应的输出做出一个很好的预测。由此可知，热负荷预测模型的性能取决于所选取的输入变量和监督学习算法。

与热负荷相关的输入变量可分为4类：时间变量、气象参数、供热系统运行数据和社会因素(用户行为)[6- 7]。时间变量即年、月、日、小时等参数；气象参数包括室外空气温湿度、太阳辐射、风速等，是热负荷最显著的影响因子；供热系统运行数据是反映系统运行状态的供回水温度、流量、热量、控制信号等变量；社会因素指热用户的用热模式、社会活动、自主调节等行为。虽然热负荷的影响因子众多，相关研究表明，只需选择少数关键输入变量,例如时间、室外空气温度、历史供热量等,即可建立精度较高的热负荷预测模型[8]。

国内外已有许多学者验证了多种机器学习算法在热负荷预测任务中的适用性，常用算法有多元线性回归[9]、自回归积分移动平均[6]、支持向量回归[10]、极限学习机[11]、回归树[12]、梯度提升[13]、神经网络[14]等。由于不同的供热企业所采集的数据类型不尽相同，何种算法产生最优的预测效果还需具体问题具体分析。

图4描述了数据驱动的热负荷预测任务的技术路线。

图4 数据驱动的热负荷预测的技术路线

虽然不同的热负荷预测任务的预测范围、输入变量、机器学习算法存在差异，但是技术路线均可大致分为4个主要步骤：数据预处理、数据集划分、模型训练和模型评估。数据预处理旨在通过特征选择、特征工程和特征变换等将供热系统的历史数据变换为热负荷预测模型所要求的输入格式。在数据集划分中，我们将预处理后的数据集分为训练集、验证集和测试集，其中训练集和验证集用于模型训练，测试集用于模型的评估。模型训练即是训练热负荷预测模型的过程。模型评估则对热负荷预测模型的预测精度和泛化能力进行分析。

4 动态仿真在供热系统中的应用

4.1 动态仿真模型

4.1.1 水力仿真模型与模型参数校准

水力仿真是供热系统热动态仿真、运行优化、故障诊断的基础。根据图论理论，供热系统可以视为只包含管段和节点两类元素的有向图模型。根据质量守恒定律和能量守恒定律，得到供热系统的水力仿真模型[15]16-30，见式(5)～(7)。

AfQ=Qn

(5)

Bf[SdiagQabs,diagQ-(C0+C1Q+

C2Qabs,diagQ)]=0

(6)

(7)

式中Af——基本关联矩阵

Qn——节点流量列向量

Bf——基本回路矩阵

Sdiag——管段阻抗的对角阵

Qabs,diag——管段流量绝对值的对角阵

C0——水泵特性系数列向量

C1,C2——水泵特性系数对角阵

AT——基本树枝关联矩阵

ΔPT——树枝管段的压力降列向量

仿真结果的准确性取决于获得准确的管段阻抗值。然而，管段阻抗的实际值通常很难直接观测和准确计算。因此,需要对阻抗进行辨识以校准水力仿真模型。利用供热系统的流量、压力观测数据，通过智能优化算法得到管段阻抗的辨识值，使得水力仿真得到的管段流量和节点压力值逼近流量、压力的观测值，此时的水力仿真模型即可近似反映供热系统的实际水力工况。

水力仿真模型参数校准本质上是一个数学优化问题：优化变量为待辨识的管段阻抗；目标函数如式(8)所示，为流量、压力的仿真值与监测点观测值的偏差的2次方和；约束函数即是水力仿真模型，见式(5)～(7)。

Wq‖Qo,t-Qc,t‖2)

(8)

式中 obj(S)——目标函数

Z——用于辨识的供热系统运行工况的总数量

Wp——节点压力的权重

Po,t——运行工况t对应的节点压力的观测值向量

Pc,t——运行工况t对应的节点压力的仿真值向量

Wq——管段流量的权重

Qo,t——运行工况t对应的管段流量的观测值向量

Qc,t——运行工况t对应的管段流量的仿真值向量

遗传算法[5]32-41、蚁群算法[15]67-73等智能优化算法均可用于水力仿真模型参数校准。

水力仿真模型参数校准流程见图5。

图5 水力仿真模型参数校准的流程

① 对智能优化算法的参数进行初始化，对待辨识的管段阻抗进行编码；

② 将管段阻抗代入水力仿真模型，得到仿真结果，使用仿真结果与供热系统运行数据计算目标函数值；

③ 基于计算的目标函数值，智能优化算法更新阻抗辨识的最优解；

④ 重复步骤②、③，直到满足收敛准则，得到管段阻抗辨识的最优解，使用最优解对水力仿真模型进行校准。

校准后的水力仿真模型可以准确模拟供热系统的实际水力工况，该模型可以帮助运行管理人员精准评估供热系统的运行动态，从而为供热系统热动态仿真、运行优化、故障诊断提供支持。

4.1.2 热动态模型

供热系统热动态模型可以模拟供热系统的动态温度分布，分析流体在供热系统中的热传递规律，进而指导供热系统的运行调节。

建立供热系统的热动态模型首先需要建立供热系统各个组成部分的热动态模型。这些组成部件的热动态模型均可以通过能量守恒建立，然而建立完整供热系统热动态模型关键在于连接各组成部件的热动态模型，其中包括数以百计的管段和节点。

整合方法[16]可以有效地连接供热系统各组成部分的热动态模型，构建完整的供热系统热动态模型。在整合方法中，热源、换热首站、热力站和热用户末端散热器等换热设备均可基于能量方程等效为管段。在整合方法中，供热系统被表示成空间管网，该空间管网的节点和管段(含等效管段)的连接关系可以完全地使用图论的关联矩阵A描述。在矩阵A中，每一行代表一个节点，每一列代表一根管段。矩阵A中的元素按下面的方式规定： 1表示管段j的流体离开节点i，-1表示管段j的流体流向节点i，其他都是0。

在整合方法中，基于矩阵A所描述的管段和节点的关系，定义流入管段矩阵C、流入管段起始矩阵D和流入管段数量矩阵E来获取隐藏在矩阵A中各组成部件之间的连接关系。矩阵C用来获取哪些管段流向节点i，矩阵D用来获取哪些流向节点i的管段的起始节点，矩阵E用来获取流向节点i的管段的个数。矩阵C、D和E的详细构造过程如下：

① 矩阵C：找到矩阵A中每一行的最小值(-1)所在的列数并储存在C中；

② 矩阵D：找到矩阵C中每个数对应A中每一列的最大值(1)所在的行数并储存在D中；

③ 矩阵E：储存流向节点i的管段的个数。

利用定义的矩阵C、D、E以及管段和节点的热动态模型，可以建立完整的供热系统热动态模型，获取整个供热系统的热动态特性。通过建立的热动态模型，分析比较不同运行方案对供热系统的影响，实现供热系统的运行调度优化，提高系统的运行效率。此外，将热动态模型与热电优化系统结合，研究利用供热系统的热惯性提高热电机组的灵活性，从而实现清洁能源的高效利用[17]。

4.2 供热管网泄漏故障诊断

随着供热规模的扩大和已有供热系统运行年限的增长，供热系统的故障和事故时有发生，其中供热管网的泄漏是最常见的故障。供热管网的泄漏会导致供热能耗的增加,影响居民的生活质量和社会活动,给供热企业带来严重的经济损失。因此，有必要及时、准确地对泄漏故障进行诊断，保证供热系统安全、可靠、经济地运行。

供热管网泄漏故障诊断的常用方法可分为两类：基于硬件的方法和基于软件的方法。基于硬件的方法使用特殊的传感设备来检测热网的泄漏。根据用于故障检测的传感器和设备的类型，基于硬件的方法可以进一步分类，如声学检测法[18]、光纤检漏法[19]、红外热成像法[20]等。基于软件的方法利用数据采集系统中的压力、流量传感器所获得的数据，建立水力模型或者数据驱动模型进行泄漏故障的诊断[21-22]。在实际工程中，供热管网规模庞大，只有定期巡检和供热管网出现大规模泄漏无法定位泄漏点时才会采用基于硬件的方法诊断管网泄漏。大多数情况是通过基于软件的方法，利用供热管网运行数据诊断泄漏故障。

如第1章所述，机器学习通过从数据中学习知识或规律从而赋予计算机在特定任务上的预测或决策能力。当供热管网发生泄漏故障时，会引起管网中所有管段流量和节点压力发生变化。基于该现象，我们可以使用供热管网泄漏故障工况的运行数据集，训练基于机器学习的供热管网泄漏故障诊断模型，训练后的模型能够根据供热运行数据输出故障诊断结果。供热管网泄漏故障诊断属于机器学习中的多分类任务，诸如神经网络[23]97-120、支持向量机[23]121-145、梯度提升[23]171-196等算法均可作为泄漏故障诊断的基础模型。

模型的训练需要考虑供热管网所有可能的泄漏故障工况，然而实际工程中缺乏关于泄漏工况运行数据的大量、翔实的记录，必须利用水力仿真模型提供相关的数据集。基于机器学习的供热管网泄漏故障诊断的技术路线见图6。

图6 基于机器学习的供热管网泄漏故障诊断的技术路线

该技术路线只考虑同一个时间段内，供热管网中只有一个管段发生泄漏故障的情况。利用校准后的水力仿真模型，首先模拟供热管网正常运行工况，得到正常运行工况的管段流量和节点压力数据；然后对供热管网中的每一个管段，模拟其不同泄漏点和不同泄漏量时的所有可能的泄漏故障工况，得到泄漏故障工况下的管段流量和节点压力数据；将每个泄漏故障工况的运行数据与正常工况的运行数据进行比较，求取管段流量和节点压力的变化值，再除以正常工况的运行数据，得到管段流量和节点压力的变化率作为最终的泄漏故障数据库。然后，通过数据集划分，将泄漏故障数据库分为训练集、验证集和测试集。训练集和验证集用于供热管网泄漏故障诊断模型的训练过程。模型训练结束后，利用测试集评估泄漏故障诊断模型的精度。当模型建立后，泄漏故障诊断模型可以根据输入的供热管网运行数据，输出可能发生泄漏故障的管段的编号，帮助运行管理人员快速、准确地定位泄漏故障，从而提升了供热系统的可靠性。

5 结论

智慧供热是供热系统未来发展的重要方向，在当前建设智慧城市、发展“互联网+”智慧能源的背景下，智慧供热已成为我国供热行业的研究热点。智慧供热集成了物理设备网、信息物联网和智能决策网三大系统。作为智能决策网的技术驱动，基于智能算法与动态仿真的智能引擎构建对智慧供热的实现有着至关重要的作用。本文阐述了智慧供热的主要概念，描绘了构建智能引擎的技术路线，介绍了智能算法和动态仿真如何支撑智能决策网的各项关键功能模块。主要结论如下：

① 智能算法可以有效挖掘来自信息物联网的供热系统运行数据。通过数据挖掘技术，实现供热管网监测点优化布置，提高供热系统数据质量是实现复杂城市供热系统智能化的重要前提。

② 借助于机器学习从数据中学习一般性的知识的能力，智能算法能够对热负荷进行准确预测，为供热系统制定合理的控制策略、实现系统运行优化与节能提供依据。

③ 构建基于空间管网的供热系统动态仿真模型，并采用遗传算法等智能算法实现模型校准，提升仿真结果准确性。利用仿真模型解决智能算法机理解释困难的问题，为后续的清洁能源高效利用与优化运行调度提供技术支撑。

④ 通过智能算法与仿真模型有效融合，构建智能引擎。以供热管网泄漏故障诊断功能为例，说明了该智能引擎构建与工程应用方法，为智能决策网的研发提供一种可行的技术路线。