基于室外溫度的供熱負荷預測研究

孟亞男,姚 潔

(吉林化工學院 信息與控制工程學院,吉林 吉林 132022)

我國是一個建筑大國.根據能源行業過去30年的研究結果和做法，建筑業的能源效率是最有潛力和最直接的節能形式，而在建筑業能源效率中供熱節能占比又很大[1].為了節能降耗，我國熱力行業已經開始將集中供熱逐漸取代分散式供熱[2].集中供熱雖然有效地提高了冬季人們生活環境溫度的舒適度，但由于在調控和技術管理方面大都采用粗獷的方式，導致目前集中供熱存在著較為嚴重的能耗問題，使得供熱成本出現了不降反增的現象[3].為此，為了減少供熱成本提出了供熱負荷預測來降低能耗.

研究了室外溫度與熱負荷在氣象因素中的關系，以期提供一個較為準確的熱負荷預測模型.研究采用數據回歸分析進行供熱負荷預測，并運用最小二乘法消除預測值和樣本之差的平方和，得到精準的回歸系數.熱負荷預測是根據室外溫度作為輸入參數來進行預測的.

1 供熱負荷影響因素

熱負荷預測的影響因素有時刻變化的室外氣象因素以及供熱設備結構的傳熱系數.較大規模的集中供熱系統中，傳熱系數通常被視為常量，而室外溫度、風速、光照等氣象因素具有時變性的特點.但風速、光照對于熱負荷影響很小.又因在建立回歸方程的過程中若把所有可能產生影響的因素全部考慮進去，得到的不一定是最好的模型.因此只選用對供熱負荷有顯著的影響的室外溫度作為主要因素.

2 供熱負荷預測模型建立

2.1 熱負荷計算公式

一般情況下換熱站供熱負荷與室外溫度的計算公式[4]，如下所示：

(1)

Qi:供熱負荷,MW；Cq:水的比熱容常數值；Fg:供水流量,t/h；Tg:供水溫度,℃；Th:回水溫度，℃.

2.2 一元線性回歸模型建立

線性回歸模型建立，選供熱負荷、室外溫度分別為因變量、自變量，回歸模型如下：

y=d0+d1x1，

(2)

d0：需要確定的系數；x1：室外溫度.

(3)

(4)

3 數據來源和數據預處理

3.1 數據來源

以某換熱站2018年～2019年中1月～3月的室外溫度、供水流量、供水溫度、回水溫度83組歷史數據并根據歷史數據算出熱負荷值.

3.2 數據擬合結果

確立模型并利用最小二乘法，根據歷史數據計算回歸系數d0,d1，流程圖如1所示.數據擬合直線圖如圖2，表1為建模數據.

圖1 最小二乘法實現流程

室外溫度/℃圖2 初始數據室外溫度與熱負荷擬合直線

得到一元回歸擬合方程式為：

y=-0.108x+0.665，

(5)

由圖2可知，數據存在異常點，而直接影響分析結果的因素就是這些奇異點的存在，為此降低異常點應要在數據分析之前進行數據預處理.

3.3 數據預處理

歷史熱負荷數據中不可避免的包含一些不良數據或偽數據，這是因為記錄歷史采暖熱負荷時，可能存在人為、數據傳輸、系統故障、測量設備誤差等因素[5]，可用拉依達準則法將奇異點去除.為得到兩個變量之間的線性關系，將通過最小二乘法擬合，得出樣本距，拉依達法的輸入樣本為得出的樣本矩，并運用貝塞爾計算標準差估值，根據拉依達準則進行判斷，樣本殘差大于3δ標準差估計值，就被視為異常值，并將該數據剔除.

表1 熱負荷建模數據

用拉依達準則對數據進行多次處理直到得出滿足條件的數據為止，并將它們進行擬合，最后預處理數據擬合效果如圖3，數據處理后的熱負荷數據如表2所示.

表2 部分數據預處理建模數據

部分數據預處理編程如下：

Delflag=0；

for i=1:1:length(data2.MaxTemp)-1

if d(i) > 3*sigma

DelData(Delcount,:)=data2(i,:)；

Delcount=Delcount+1；

data2(i,:)=[]；

Delflag=1；

end

end

if(Delflag==0 )

break；

end

室外溫度圖3 處理后的熱負荷與室外溫度的擬合直線

數據處理后得到的熱負荷預測模型的表達式：

y=-0.09x+0.682，

(6)

由圖3可知，對歷史數據處理后更具有線性回歸性，比沒剔除粗大誤差時擬合的效果要理想,并且有著比較小的誤差.同時本文方法的檢驗統計量F大于臨界值[6]，也說明了線性回歸效果顯著.

4 結 論

首先分析并確定了供熱負荷回歸模型所需的自變量，并通過分析與檢驗證明了所選自變量與因變量的相關性，利用標準差估值并通過拉依達準則剔除歷史數據中異常點，后重新建立的數學模型是可行的.根據擬合結果可知，室外溫度可以對供熱負荷量的計算起到一定的預測效果.同時也為熱負荷預測的供熱量提供了參考價值.