基于智能算法與動態仿真的供熱智能引擎構建

周志剛， 薛普寧， 劉 京， 方修睦， 鄭進福

(1.哈爾濱工業大學 建筑學院， 黑龍江 哈爾濱 150006； 2.哈爾濱工業大學

寒地城鄉人居環境科學與技術工業和信息化部重點實驗室， 黑龍江 哈爾濱 150006)

1 概述

近幾年智慧供熱在我國發展迅速，實現智慧供熱成為城市集中供熱系統未來發展的重要方向。智慧供熱是以數字化、網絡化、智能化的信息技術設施為基礎，以用戶為目標，以低碳、舒適、高效為主要特征，以透徹感知、廣泛互聯、深度智能為技術特點的現代供熱方式[1]。其突出特點是：

① 信息感知化。通過在供熱系統中安裝傳感器，利用傳感技術，順利獲取供熱系統各處的主要參數信息，對水泵、關鍵閥門等供熱系統重要部件的運行狀態實時監控，實現對整個供熱系統的全面感知。

② 設備互聯化。物聯網將組成供熱系統的物理設備連接到互聯網上，來自供熱系統的海量數據通過現代網絡通信方式，實現互聯、互通，供熱系統信息資源可以共享，數據可以統一分析。

③ 決策智能化。通過統一的數據儲存平臺和分析中心，利用智能算法、動態仿真等對供熱系統的海量數據進行篩選分析，實現供熱系統負荷預測、故障診斷、運行調度，使供熱系統控制智能化。

圖1為智慧供熱的結構框架[2]。智慧供熱集成了物理設備網、信息物聯網和智能決策網三大系統。物理設備網由熱源、換熱首站、熱力站、供熱管網和熱用戶組成，承擔著熱量生產、轉換、傳輸和向建筑物散熱的作用。信息物聯網由設置在供熱系統中各處的傳感器、數據采集設備、傳輸設備等組成，主要功能是將從熱源、換熱首站、熱力站、供熱管網和熱用戶采集的流量、溫度、壓力、熱量等相關參數，通過數據傳輸設備傳送到數據中心的數據庫中。智能決策網由計算設備及軟件構成，主要作用是從各個數據庫中獲取相關的參數信息，通過智能分析計算，對供熱系統進行辨識，實現供熱系統的熱負荷在線預測、優化運行調度、能耗評價與診斷、故障診斷與事故運行調度等功能。

圖1 智慧供熱的結構框架

智能決策網是智慧供熱的核心，而智能決策網的核心是數據和模型[3]。需要利用以機器學習為代表的智能算法和描述系統機理的動態仿真模型，構建支持智慧供熱運行管理的智能引擎。

機器學習通過從數據中進行自動學習，得到某種知識或規律，從而賦予計算機在特定任務上的預測或決策能力[4]。借助于高效的機器學習技術與計算機日益強大的計算能力，智能算法可以充分挖掘來自信息物聯網的海量數據，分析供熱系統運行規律，預測供熱系統熱負荷，診斷供熱系統的故障。但由于智能算法大多為黑箱算法，在供熱系統中應用時存在著依賴數據樣本質量，有效驗證與機理解釋難等問題。

動態仿真關注供熱系統的整體動態運行工況，利用基于物理模型的方法開發供熱系統的水力、熱動態模型，建模過程囊括熱源、換熱首站、熱力站、供熱管網和熱用戶，從而對供熱系統調節策略的可行性進行分析，制定出優化的運行調度方案，同時也作為輔助工具為智能算法提供必要的數據集。動態仿真在供熱系統應用時主要存在計算結果準確性難以保證，工程實用性較差等問題。

基于以上分析，本文提出采用智能算法與動態仿真有效融合，構建智能引擎的技術路線，并闡述該智能引擎在智能決策網的核心功能模塊開發中的應用方法。

2 智能引擎構建技術路線

圖2描述了基于智能算法與動態仿真的智能引擎構建技術路線。

圖2 基于智能算法與動態仿真的智能引擎構建技術路線

智能算法與動態仿真有效融合、互相支持組成了供熱系統的智能引擎。該智能引擎能夠實現如下主要功能模塊：

① 依據供熱系統的設計資料，通過聚類分析算法，進行供熱管網監測點的優化布置，完成供熱系統運行數據庫擴展，解決智慧供熱系統數據質量問題。

② 建立供熱系統的動態仿真模型，針對難以計算供熱管網阻抗真值的問題，利用智能優化算法和信息物聯網記錄的供熱系統運行數據實現管段阻抗的辨識，使用管段阻抗的辨識值對動態仿真模型進行參數校準，實現動態仿真模型的校核，提升模型的工程實用性。

③ 利用信息物聯網記錄的供熱系統運行數據，采用機器學習技術建立數據驅動的熱負荷預測模型，實現對熱負荷的準確預測。

④ 利用熱負荷預測模型和校準后的動態仿真模型，實現供熱系統的運行調度優化。

⑤ 利用校準后的動態仿真模型，建立供熱管網泄漏故障數據庫，訓練基于機器學習的供熱管網泄漏故障診斷模型，使模型根據供熱系統運行數據輸出故障診斷結果。

3 智能算法在供熱系統中的應用

3.1 供熱管網監測點優化布置

現代的供熱系統一般都裝有傳感測量元件，以監測供熱系統各處的壓力、流量等相關參數，方便供熱企業對供熱系統的運行情況進行監督，制定合理的運行調度策略，提升系統節能性，及時發現系統故障，排除危險情況，使系統更加安全可靠。理想情況下，在供熱系統中布置大量監測點更有益于估計系統的整體運行情況。然而，在實際工程中，受建設造價、運行管理條件的限制，不可能在所有管段、所有節點均安裝傳感器。目前，監測點通常布置在熱源和各熱力站內，可以通過監測數據建立水力仿真模型，校準模型參數，從而獲得精確的水力仿真數據，評估供熱系統的運行工況[5]29-31。由于供熱系統的供熱管網規模較為龐大，利用熱源、熱力站的運行數據建立的水力仿真模型可能會遇到性能瓶頸，即模型可以準確預測熱源、熱力站的參數信息，但供熱管網相關管段和節點的運行參數的仿真值可能與監測值有較大誤差。因此，有必要在供熱管網的關鍵管段和節點安裝傳感器，利用盡可能少、代表性強的監測點，去盡可能準確地評估供熱系統整體的水力工況。

管段阻抗是引起管段流量和節點壓力變化的一個重要因素。當供熱管網某一管段的阻抗發生變化，必然引起供熱管網所有管段流量和節點壓力的變化，但是不同管段和不同節點的變化程度很有可能是不一樣的。基于這種思想，我們引入阻抗對管段流量的相對影響度矩陣以及阻抗對節點壓力的相對影響度矩陣的概念，計算公式見式(1)～(4)。

(1)

(2)

(3)

(4)

式中YQ——阻抗對管段流量的相對影響度矩陣

yq,kj——矩陣YQ的元素，表示管段j的阻抗的相對變化量引起管段k的流量的相對波動程度

B——供熱管網中管段的總數量

Qdsn,diag——管段流量設計值的對角陣

XQ——阻抗對管段流量的影響度矩陣

Sdsn,diag——管段阻抗設計值的對角陣

YP——阻抗對節點壓力的相對影響度矩陣

yp,ij——矩陣YP的元素，表示管段j的阻抗的相對變化量引起節點i的壓力的相對波動程度

N——供熱管網中節點的總數量

Pdsn,diag——節點壓力設計值的對角陣

XP——阻抗對節點壓力的影響度矩陣

Q——管段流量列向量

S——管段阻抗列向量

P——節點壓力列向量

圖3為監測點優化布置的技術路線。

圖3 監測點優化布置的技術路線

技術路線的具體步驟為：

① 根據供熱系統的設計資料，計算各管段的阻抗；

② 選擇設計工況作為基準工況，計算各管段的流量和各節點的壓力；

③ 計算影響度矩陣XQ和XP；

④ 計算相對影響度矩陣YQ和YP；

⑤ 利用聚類算法對相對影響度矩陣進行分析，矩陣YQ和YP中的每一行表示一個示例，每一列表示一個屬性，通過聚類分析，把相對影響度矩陣劃分成多個聚類簇，使得簇內包含的管段或節點的相對影響度相似，簇與簇之間的管段或節點的相對影響度很不相似；

⑥ 從每一個聚類簇中選擇一個管段或節點作為監測點布置的位置，最終得到供熱管網流量和壓力監測點的布置方案。

3.2 熱負荷預測

熱負荷的準確預測是實現供熱系統運行優化、智能決策，提高供熱效率，降低運行維護成本的重要前提。由于供熱系統具有規模龐大、結構復雜、熱惰性高等特點，難以通過數學建模方法建立有效的熱負荷預測模型。信息物聯網儲存了大量的供熱系統歷史數據，這些數據反映了供熱系統潛在的運行規律，使得采用機器學習技術建立數據驅動的熱負荷預測模型成為可能。

數據驅動的熱負荷預測屬于機器學習中的監督學習。監督學習的任務是學習一個模型，使得模型能夠對任意給定的輸入，對其相應的輸出做出一個很好的預測。由此可知，熱負荷預測模型的性能取決于所選取的輸入變量和監督學習算法。

與熱負荷相關的輸入變量可分為4類：時間變量、氣象參數、供熱系統運行數據和社會因素(用戶行為)[6- 7]。時間變量即年、月、日、小時等參數；氣象參數包括室外空氣溫濕度、太陽輻射、風速等，是熱負荷最顯著的影響因子；供熱系統運行數據是反映系統運行狀態的供回水溫度、流量、熱量、控制信號等變量；社會因素指熱用戶的用熱模式、社會活動、自主調節等行為。雖然熱負荷的影響因子眾多，相關研究表明，只需選擇少數關鍵輸入變量,例如時間、室外空氣溫度、歷史供熱量等,即可建立精度較高的熱負荷預測模型[8]。

國內外已有許多學者驗證了多種機器學習算法在熱負荷預測任務中的適用性，常用算法有多元線性回歸[9]、自回歸積分移動平均[6]、支持向量回歸[10]、極限學習機[11]、回歸樹[12]、梯度提升[13]、神經網絡[14]等。由于不同的供熱企業所采集的數據類型不盡相同，何種算法產生最優的預測效果還需具體問題具體分析。

圖4描述了數據驅動的熱負荷預測任務的技術路線。

圖4 數據驅動的熱負荷預測的技術路線

雖然不同的熱負荷預測任務的預測范圍、輸入變量、機器學習算法存在差異，但是技術路線均可大致分為4個主要步驟：數據預處理、數據集劃分、模型訓練和模型評估。數據預處理旨在通過特征選擇、特征工程和特征變換等將供熱系統的歷史數據變換為熱負荷預測模型所要求的輸入格式。在數據集劃分中，我們將預處理后的數據集分為訓練集、驗證集和測試集，其中訓練集和驗證集用于模型訓練，測試集用于模型的評估。模型訓練即是訓練熱負荷預測模型的過程。模型評估則對熱負荷預測模型的預測精度和泛化能力進行分析。

4 動態仿真在供熱系統中的應用

4.1 動態仿真模型

4.1.1 水力仿真模型與模型參數校準

水力仿真是供熱系統熱動態仿真、運行優化、故障診斷的基礎。根據圖論理論，供熱系統可以視為只包含管段和節點兩類元素的有向圖模型。根據質量守恒定律和能量守恒定律，得到供熱系統的水力仿真模型[15]16-30，見式(5)～(7)。

AfQ=Qn

(5)

Bf[SdiagQabs,diagQ-(C0+C1Q+

C2Qabs,diagQ)]=0

(6)

(7)

式中Af——基本關聯矩陣

Qn——節點流量列向量

Bf——基本回路矩陣

Sdiag——管段阻抗的對角陣

Qabs,diag——管段流量絕對值的對角陣

C0——水泵特性系數列向量

C1,C2——水泵特性系數對角陣

AT——基本樹枝關聯矩陣

ΔPT——樹枝管段的壓力降列向量

仿真結果的準確性取決于獲得準確的管段阻抗值。然而，管段阻抗的實際值通常很難直接觀測和準確計算。因此,需要對阻抗進行辨識以校準水力仿真模型。利用供熱系統的流量、壓力觀測數據，通過智能優化算法得到管段阻抗的辨識值，使得水力仿真得到的管段流量和節點壓力值逼近流量、壓力的觀測值，此時的水力仿真模型即可近似反映供熱系統的實際水力工況。

水力仿真模型參數校準本質上是一個數學優化問題：優化變量為待辨識的管段阻抗；目標函數如式(8)所示，為流量、壓力的仿真值與監測點觀測值的偏差的2次方和；約束函數即是水力仿真模型，見式(5)～(7)。

Wq‖Qo,t-Qc,t‖2)

(8)

式中 obj(S)——目標函數

Z——用于辨識的供熱系統運行工況的總數量

Wp——節點壓力的權重

Po,t——運行工況t對應的節點壓力的觀測值向量

Pc,t——運行工況t對應的節點壓力的仿真值向量

Wq——管段流量的權重

Qo,t——運行工況t對應的管段流量的觀測值向量

Qc,t——運行工況t對應的管段流量的仿真值向量

遺傳算法[5]32-41、蟻群算法[15]67-73等智能優化算法均可用于水力仿真模型參數校準。

水力仿真模型參數校準流程見圖5。

圖5 水力仿真模型參數校準的流程

① 對智能優化算法的參數進行初始化，對待辨識的管段阻抗進行編碼；

② 將管段阻抗代入水力仿真模型，得到仿真結果，使用仿真結果與供熱系統運行數據計算目標函數值；

③ 基于計算的目標函數值，智能優化算法更新阻抗辨識的最優解；

④ 重復步驟②、③，直到滿足收斂準則，得到管段阻抗辨識的最優解，使用最優解對水力仿真模型進行校準。

校準后的水力仿真模型可以準確模擬供熱系統的實際水力工況，該模型可以幫助運行管理人員精準評估供熱系統的運行動態，從而為供熱系統熱動態仿真、運行優化、故障診斷提供支持。

4.1.2 熱動態模型

供熱系統熱動態模型可以模擬供熱系統的動態溫度分布，分析流體在供熱系統中的熱傳遞規律，進而指導供熱系統的運行調節。

建立供熱系統的熱動態模型首先需要建立供熱系統各個組成部分的熱動態模型。這些組成部件的熱動態模型均可以通過能量守恒建立，然而建立完整供熱系統熱動態模型關鍵在于連接各組成部件的熱動態模型，其中包括數以百計的管段和節點。

整合方法[16]可以有效地連接供熱系統各組成部分的熱動態模型，構建完整的供熱系統熱動態模型。在整合方法中，熱源、換熱首站、熱力站和熱用戶末端散熱器等換熱設備均可基于能量方程等效為管段。在整合方法中，供熱系統被表示成空間管網，該空間管網的節點和管段(含等效管段)的連接關系可以完全地使用圖論的關聯矩陣A描述。在矩陣A中，每一行代表一個節點，每一列代表一根管段。矩陣A中的元素按下面的方式規定： 1表示管段j的流體離開節點i，-1表示管段j的流體流向節點i，其他都是0。

在整合方法中，基于矩陣A所描述的管段和節點的關系，定義流入管段矩陣C、流入管段起始矩陣D和流入管段數量矩陣E來獲取隱藏在矩陣A中各組成部件之間的連接關系。矩陣C用來獲取哪些管段流向節點i，矩陣D用來獲取哪些流向節點i的管段的起始節點，矩陣E用來獲取流向節點i的管段的個數。矩陣C、D和E的詳細構造過程如下：

① 矩陣C：找到矩陣A中每一行的最小值(-1)所在的列數并儲存在C中；

② 矩陣D：找到矩陣C中每個數對應A中每一列的最大值(1)所在的行數并儲存在D中；

③ 矩陣E：儲存流向節點i的管段的個數。

利用定義的矩陣C、D、E以及管段和節點的熱動態模型，可以建立完整的供熱系統熱動態模型，獲取整個供熱系統的熱動態特性。通過建立的熱動態模型，分析比較不同運行方案對供熱系統的影響，實現供熱系統的運行調度優化，提高系統的運行效率。此外，將熱動態模型與熱電優化系統結合，研究利用供熱系統的熱慣性提高熱電機組的靈活性，從而實現清潔能源的高效利用[17]。

4.2 供熱管網泄漏故障診斷

隨著供熱規模的擴大和已有供熱系統運行年限的增長，供熱系統的故障和事故時有發生，其中供熱管網的泄漏是最常見的故障。供熱管網的泄漏會導致供熱能耗的增加,影響居民的生活質量和社會活動,給供熱企業帶來嚴重的經濟損失。因此，有必要及時、準確地對泄漏故障進行診斷，保證供熱系統安全、可靠、經濟地運行。

供熱管網泄漏故障診斷的常用方法可分為兩類：基于硬件的方法和基于軟件的方法。基于硬件的方法使用特殊的傳感設備來檢測熱網的泄漏。根據用于故障檢測的傳感器和設備的類型，基于硬件的方法可以進一步分類，如聲學檢測法[18]、光纖檢漏法[19]、紅外熱成像法[20]等。基于軟件的方法利用數據采集系統中的壓力、流量傳感器所獲得的數據，建立水力模型或者數據驅動模型進行泄漏故障的診斷[21-22]。在實際工程中，供熱管網規模龐大，只有定期巡檢和供熱管網出現大規模泄漏無法定位泄漏點時才會采用基于硬件的方法診斷管網泄漏。大多數情況是通過基于軟件的方法，利用供熱管網運行數據診斷泄漏故障。

如第1章所述，機器學習通過從數據中學習知識或規律從而賦予計算機在特定任務上的預測或決策能力。當供熱管網發生泄漏故障時，會引起管網中所有管段流量和節點壓力發生變化。基于該現象，我們可以使用供熱管網泄漏故障工況的運行數據集，訓練基于機器學習的供熱管網泄漏故障診斷模型，訓練后的模型能夠根據供熱運行數據輸出故障診斷結果。供熱管網泄漏故障診斷屬于機器學習中的多分類任務，諸如神經網絡[23]97-120、支持向量機[23]121-145、梯度提升[23]171-196等算法均可作為泄漏故障診斷的基礎模型。

模型的訓練需要考慮供熱管網所有可能的泄漏故障工況，然而實際工程中缺乏關于泄漏工況運行數據的大量、翔實的記錄，必須利用水力仿真模型提供相關的數據集。基于機器學習的供熱管網泄漏故障診斷的技術路線見圖6。

圖6 基于機器學習的供熱管網泄漏故障診斷的技術路線

該技術路線只考慮同一個時間段內，供熱管網中只有一個管段發生泄漏故障的情況。利用校準后的水力仿真模型，首先模擬供熱管網正常運行工況，得到正常運行工況的管段流量和節點壓力數據；然后對供熱管網中的每一個管段，模擬其不同泄漏點和不同泄漏量時的所有可能的泄漏故障工況，得到泄漏故障工況下的管段流量和節點壓力數據；將每個泄漏故障工況的運行數據與正常工況的運行數據進行比較，求取管段流量和節點壓力的變化值，再除以正常工況的運行數據，得到管段流量和節點壓力的變化率作為最終的泄漏故障數據庫。然后，通過數據集劃分，將泄漏故障數據庫分為訓練集、驗證集和測試集。訓練集和驗證集用于供熱管網泄漏故障診斷模型的訓練過程。模型訓練結束后，利用測試集評估泄漏故障診斷模型的精度。當模型建立后，泄漏故障診斷模型可以根據輸入的供熱管網運行數據，輸出可能發生泄漏故障的管段的編號，幫助運行管理人員快速、準確地定位泄漏故障，從而提升了供熱系統的可靠性。

5 結論

智慧供熱是供熱系統未來發展的重要方向，在當前建設智慧城市、發展“互聯網+”智慧能源的背景下，智慧供熱已成為我國供熱行業的研究熱點。智慧供熱集成了物理設備網、信息物聯網和智能決策網三大系統。作為智能決策網的技術驅動，基于智能算法與動態仿真的智能引擎構建對智慧供熱的實現有著至關重要的作用。本文闡述了智慧供熱的主要概念，描繪了構建智能引擎的技術路線，介紹了智能算法和動態仿真如何支撐智能決策網的各項關鍵功能模塊。主要結論如下：

① 智能算法可以有效挖掘來自信息物聯網的供熱系統運行數據。通過數據挖掘技術，實現供熱管網監測點優化布置，提高供熱系統數據質量是實現復雜城市供熱系統智能化的重要前提。

② 借助于機器學習從數據中學習一般性的知識的能力，智能算法能夠對熱負荷進行準確預測，為供熱系統制定合理的控制策略、實現系統運行優化與節能提供依據。

③ 構建基于空間管網的供熱系統動態仿真模型，并采用遺傳算法等智能算法實現模型校準，提升仿真結果準確性。利用仿真模型解決智能算法機理解釋困難的問題，為后續的清潔能源高效利用與優化運行調度提供技術支撐。

④ 通過智能算法與仿真模型有效融合，構建智能引擎。以供熱管網泄漏故障診斷功能為例，說明了該智能引擎構建與工程應用方法，為智能決策網的研發提供一種可行的技術路線。