基于遺傳算法的供熱平衡調節系統

胡 鑌 張啟鵬

石家莊市地產集團土地儲備管理有限公司 河北 石家莊 050000

近年來，能源短缺問題日趨嚴重，在各個工作方面都需要進行節能低碳的改進措施。其中供熱系統作為我國北方城市冬季供暖的主要基礎設施[1]，更應當逐步向著節能、高效發展，在保障供暖的同時充分提高能源利用率[2]。在此問題的研究上，要運用科學方法進行合理調控實現供熱平衡，降低集中供熱產生的大量資源浪費[3]。

面對以上問題，有大量學者進行研究，其中Jonsson.GR.和Dotzauer.E[4-5]通過周圍環境的變化及信息對此問題進行研究，設計了預測熱負荷的供熱模型。也有大量學者通過引入各類算法進行供熱系統的優化操作。崔楊等人[6]利用遺傳算法將系統的總調度目標控制到最小，實現了電鍋爐最優供熱比例。王朝[7]等人基于模糊PID控制實現集中供熱燃氣鍋爐控制系統設計。王宏博等人[8]利用BP神經網絡算法進行供熱管網熱損失預測，利用實際樣本數據訓練達到高精度要求。由此可見，引入高質量算法可以對供熱工程問題進行極大改進與優化。

遺傳算法是通過模擬生物進化的客觀規律，根據自然法則進行計算的數學模型，其具有優良的應用效果[9]。為解決供熱系統存在的耗能，不均勻供熱問題本文采用遺傳算法設計供熱平衡調節系統。

1 研究方法及關鍵技術

1.1 集中供熱網絡

集中供熱作為城市建設基礎，對民生問題有著極大影響。現如今，我國以間接換熱作為工程上最常采用的方式。熱力站通過控制一次側與二次網的基本參數信息，實現流量的合理分配。汽水換熱器將過熱蒸汽送入集中供熱網絡之中，當溫度、流量、壓力等系統數據達到工程設計值后，分區將熱水送往不同支路，再次經過換熱器調整，送入不同的用戶之中。

1.2 分布式微機控制系統

集中供熱作為大型控制系統，要保證高效性、精準性、迅速性，這是人工調節難以達到的。因此，引入分布式微機控制系統。分布式微機系統由中央控制系統、現場調控器、通訊模塊和傳感器四部分組成。通過計算機的強大算力，實現集中供熱系統的實時監控、自主調節、迅速響應。該系統可通過實時反饋的數據對供熱系統進行合理調度，實時監測溫度、壓力、流量等參數并記錄保存。可最大限度的實現集中供熱的優勢所在，在保證節能、安全的前提下，自主調節各區域間供熱平衡問題。

1.3 基于遺傳算法的系統優化策略

1.3.1 遺傳算法目標函數的確定

為了使供熱平衡流量分配實現最佳保證供熱系統中流量穩定，要為遺傳算法制定目標函數。目標函數如公式(1)，其分為兩部分，第一部分為換熱站二次網實際供回水平均溫度與期望溫度間的差值的平方和；第二部分表示各換熱站間二次網供回水平均溫度的溫差平方和。

式(1)中t2pr代表二次網供回水溫度期望值；t2pi代表二次網供回水溫度實際值。

求解二次網供回水溫度的實際值公式如2所示。

式(2)中：

G'1i表示某一換熱子站的一次網設計流量值，單位為kg/h；

G1i表示某一換熱子站的一次網實際流量值，單位為kg/h；

G2i表示某一換熱子站的二次網實際流量值，單位為kg/h；

KF表示散熱器系數；

c為比熱容，單位為kj/kg ℃。

等式滿足的約束條件如式(3)所示：

式(3)中N代表換熱站總數；G1t代表一次網總流量，單位為kg/h。

1.3.2 遺傳算法設計

通過明確目標函數的設定，進行5項內容的遺傳算法設計。具體內容如下所示：

1)參數編碼：通過二進制編碼實現遺傳算法中染色體的表達工作；

2)設置控制參數：遺傳算法中控制參數包括種群數、交叉率、變異率三部分。本文將種群數設置為30；交叉率決定了遺傳算法的效率問題，在防止效率變低且保證魯棒性的同時，本文將交叉率設置為0.6；變異性決定算法的種群多樣性，但當參數過高時會破壞染色體性能，從而使得算法變得極不穩定，本文在大量的實驗仿真中，將變異率確定為0.01以實現最優化效果。

3)建立初始種群：換熱站的流量對應著染色體的基因數。種群的規模也會影響遺傳算法的結果與效率。本文采用的遺傳算法要從全局出發，兼顧各種參數情況，并且其中的基因也是隨機出現的，因此為了保證在重新分配流量之后，二次網流量值要與一次網總流量相等，引入比例系數K，使得二次網流量之和大于或小于一次網流量總值時，各子換熱站與比例系數相乘，求得正確的子換熱站流量值。比例系數K的計算公式如公式(4)。

式(4)中：G1tot為一次網總流量值；Gsum為二次網流量值的和。

4)適應度函數：適應度函數與目標函數息息相關，與此同時適應度取值決定了染色體能否進入下一代進行進化。由于目標函數的設定，本文將適應度函數值設置如式(5)所示。

式(5)中：Cmax為進化中出現的Z(Xk)最大值。

5)遺傳設計：首先將個體適應值計算出來，計算出個體與總體間的比值，將比值與隨機數之間進行比較，若比值高則輸出個體值進入下一階段的進化之中。在之后進行交叉、變異操作，使得遺傳算法設計步驟完成，通過以上操作，進行新老種群替換，組成新一代染色體，最后設置最高進化次數，當以上操作進行到最高進化代數后，進化停止，輸出最優解。通過以上遺傳算法的設計將最優的一次網流量合理分配給各個換熱站，使其達到合理的分配值。

2 仿真及應用

2.1 數據仿真

本文實驗通過文獻中的沈陽皇姑屯間接供熱系統換熱站數據進行仿真。初始種群東油換熱站數據如表1所示，G1表示一次側流量。單位為kg/h。

表1 東油換熱站初始數據

為充分驗證文本提出的基于遺傳算法供熱平衡調節系統的可行性，將子換熱站的真實參數數值展示，其均為遺傳算法應用前的初始數值，等效換熱器系數KF為284、網絡二次網流量G2為116Kg/h、一次側起始流量值G1first為80Kg/h、二次網供回水平均溫度T2為49℃。

由表2可知，東油換熱站子站二次網的供回水平均溫度相差很大，最大溫差達到16℃。因此需要通過利用遺傳算法對其進行迭代操作，使得溫差浮動減小，趨于相同值。如圖1所示，根據上述換熱站參數數據進行遺傳算法迭代操作，展示進化代數與適應度平均值之間的關系。隨著進化代數的不斷增加，適應度平均值逐漸趨于穩定。將迭代次數為20、30、40的適應度情況進行對比，在迭代次數為40時，適應度變化幅度很小，最大溫差為1℃。從圖1可以看出，當迭代次數超過40次之后，認定整體趨于穩定。

圖1 進化代數與是適應度平均值關系圖

表2 不同進化代數時各子站參數

經仿真實驗得知，在未使用遺傳算法優化之前，各換熱站二次網供回水溫差較大，這使得供熱不均，同時造成能源過度消耗的問題；在進行遺傳算法優化之后，實現了供熱平衡，重新分配流量保證了能源節約。因此，本文通過仿真實驗證明了遺傳算法可以對換熱站流量調節進行優化改進。

2.2 實際應用

為證明本文提出的遺傳算法在現實生活中的適用性，本文利用石家莊市某一供熱系統的數據進行實驗結果分析。該供熱系統由三個子換熱站組成。根據上述遺傳算法的設定方法對各類參數進行設定。種群規模設定為30、交叉率設置為0.6、變異率設置為0.01、進化迭代次數由仿真實驗可知設置為40次、一次網供水溫度T1設置為80℃，通過公式計算得出二次網供回水平均溫度為45℃，一次側總流量為150M/H，依據實際操作經驗，將換熱器系數設置為3組不同值，如表3所示，為初始實驗數據。

表3 初始實驗數據

將本文采用的遺傳算法應用在此數據基礎之上，可以通過表4觀察到，在各子換熱站一次網總流量不變的情況下，其流量得到重新的合理分配，并使得二次網供回水溫度穩定在45℃左右。保證了供熱系統的平衡性，同時根據實驗結果來看，本文提出的遺傳算法在實際應用中有很強的可行性。

表4 算法應用實驗數據

3 應用界面設計

根據實地考察學習，搭建換熱系統總體框架，深入研究換熱站實際應用場合，并對其進行應用設計。供熱系統由三個子換熱站組成。每個換熱站控制一個小區。中央控制器可實時采集各換熱站數據，并將遺傳算法應用在內，實現各環節流量的精準控制。

設置溫控閥控制組態圖，對系統各個環節進行設計，實時監控并顯示當前系統狀態信息。如圖2所示，為溫控閥控制組態圖。

圖2 溫控閥控制組態圖

以上圖片均為實際換熱站系統應用設計界面截圖，通過將遺傳算法引入到供熱平衡問題之中，實現了能量合理分配。通過設計系統實用界面，使得整體監察、調控更加便捷高效。

4 結束語

為解決當前集中供熱存在的供熱不均，資源浪費的問題，提出了基于遺傳算法的供熱平衡調節系統。本文通過現有的實際供熱基礎，運用遺傳算法進行優化改進，設定目標函數，使其對一次網供回水的流量及二次網供回水溫度進行全方面精準調控，以達到最優的分配結果。以實際換熱站的各項參數作為實驗依據，對遺傳算法進行選擇、交叉、編譯步驟，完成遺傳算法的設計，并進行仿真實驗，最終將實驗結果運用在石家莊某換熱站系統之中，可以達到預定分配目標，實現供熱平衡，保證供熱工作穩定進行。最后，進行設計換熱系統總體框架工作，對其進行應用設計，使得可詳細記錄并監控換熱站實時數據，同時做到可方便快捷的調整，實現遺傳算法對供熱平衡系統的優化改進，并起到節能效果。