一种基于长输管网优化热源运行参数的热源保障系统的制作方法

1.本发明属于供热保障技术领域，涉及信息处理技术，具体涉及一种考虑长输管网运行条件的供热热源保障系统。


背景技术：

2.随着集中供热技术的快速发展，供热企业的供热面积不断增长，热力的生产和运行工作如何实现合理高效是供热企业共同面对的技术问题。一方面的，根据国际环境治理标准，热力企业在技术改进中还需要考虑节能降耗，降低供热成本，减少对生态环境的污染与破坏的问题。
3.当前，新建的换热站基本加装了具有数据远传控制的仪表设备，具有更高控制能力的换热站实现了无人值守。然而对于集中供热，热源是最大保障，只有稳定的热源，供热企业才能保证供热管网安全运行和居民的舒适温度。


技术实现要素：

4.本发明目的在于提供一种根据热源的供热类型、供热能力、供热负荷进行大数据挖掘分析智慧热网
‑
热源保障功能模块，进而实现各种类型热源的供热负荷预测分析功能，以便及时掌握热源供热负荷情况、保障换热站供热能力及提高应对极严寒天气的能力。
5.本发明通过多个实施例所提供的技术方案是一种基于长输管网优化热源运行参数的热源保障系统，其包括处理单元，所述处理单元运行指定的程序指令，所述程序指令致使所述处理单元顺序或者并行的执行以下步骤：
6.步骤1，获取一集中供热系统中一热源出口处与时间有关的第一组热源参数；
7.步骤2，获取所述集中供热系统中一热力站点处与时间有关的第二组热源参数；
8.步骤3，使用一判断方法，根据所述第一组热源参数和所述第二组热源参数的时间相关性，获得所述热源的参数传递到所述热力站点的延迟时间；
9.步骤4，根据所述集中供热系统中一热力管网多个热力站点的延迟时间，获得其热源的参数传递到该热力管网的延迟时间；
10.步骤5，在接收所述集中供热系统一热力管网的一时间段内的气象参数预测请求时，返回该时间段推后一个该热力管网的延迟时间的时间段内的气象参数预测结果；
11.步骤6，为所述集中供热系统一指定热力管网提供用于预测的若干连续时间段；
12.步骤7，使用步骤6所获得的若干连续时间段和步骤5所获得的气象参数预测结果训练一机器学习模型，使该机器学习模型能够根据所述集中供热系统指定热力管网一当前时间段的实际热负荷预测其未来一时间段的平均热负荷；
13.步骤8，根据一请求，向所述集中供热系统的热力管网远程监控系统提供步骤7获取的指定热力管网的指定未来时间段的平均热负荷。
14.进一步的改进在于，步骤4中所述热力站点包括该热力管网中端和末端的若干热力站点。优选的改进在于，所述若干热力站点位于同一趸售区域或自管区域；所述热力管网
包括一次管网和/或二次管网。
15.进一步的改进在于，步骤3所述判断方法为分别求取第一时刻的所述第一组热源参数与若干第二时刻的所述第二组热源参数之间的皮尔森相关系数，以其中皮尔森相关系数最大的第二组热源参数对应的一个第二时刻与所述第一时刻的差值作为所述热源的参数传递到所述热力站点的延迟时间。优选的改进在于，所述若干第二时刻中最小值与所述第一时刻差值大于等于一个指定的时间间隔。
16.进一步的改进在于，所述热源参数包括供水温度、回水温度、供水压力、回水压力、瞬时流量、瞬时热量和/或累计热量。
17.进一步的改进在于，步骤7所述的机器学习模型为支持向量机，所述支持向量机的特称空间维度即所述气象参数的个数。
18.进一步的改进在于，热源保障系统包括数据存储模块，所述数据存储模块用于可读写的存储：
19.所述热源出口处和/或热力站点的热源参数；
20.所述热源的参数传递到所述热力站点的延迟时间；
21.所述热源的参数传递到所述热力管网的延迟时间；
22.所述用于预测的若干连续时间段；
23.所述机器学习模型的训练程序模块；和/或，
24.所述机器学习模型的训练完成的模型文件。
25.进一步的改进在于，热源保障系统包括与气象参数服务系统连接的通信接口。
26.进一步的改进在于，所述处理单元包括位于热力站点的边缘处理单元，所述边缘处理单元用于执行步骤1、步骤2和/或步骤3中与其所在热力站点相关的步骤。
27.本发明提供了一种涉及预测模型的智慧热网
‑
热源保障系统，可根据热源的供热类型、供热能力、供热负荷进行大数据挖掘分析，辅助实现各种类型热源的供热负荷预测分析功能，对及时掌握热源供热负荷情况、保障换热站供热能力及提高应对极严寒天气的能力具有重要指导意义。
附图说明
28.图1为本发明现有技术中集中供热系统的结构示意图；
29.图2为本发明一实施例中热源保障系统在现有集中供热系统的部署示意图；
30.图3为本发明一实施例中热源保障系统在现有集中供热系统的部署示意图；
31.图4为本发明一实施例中热源保障系统的结构示意图；
32.图5为本发明一实施例中热源保障系统软件功能模块示意图；
具体实施方式
33.首先需要说明的是，如图1所示的一个简单示范，现有技术的集中供热系统中，由电厂等热源通过热力管网向热力站点1、2等多个热力站点提供热流(热水、蒸汽或者混合热流)，常见的热力站点是介于一次管网与二次管网之间的换热站，以及不涉及热交换仅用于保持或者调节一次管网压力的隔压站。本发明的主要技术构思在于，根据热量从热源到热力站点的传递时延，采用支持向量机算法构建数学模型，对最终供水温度进行预测。
34.下面本发明的技术方案做进一步说明，但它不构成对本发明权利要求的限制。
35.参考图2，本实施例提供的一种基于长输管网优化热源运行参数的热源保障系统，该热源保障系统是一集中供热系统的子系统，与集中供热系统的热力管网远程监控系统通信连接，其由部署于云端的服务器实现，本发明中执行程序指令的处理单元为云端服务器的虚拟处理器，程序指令全部部署于云端。热力管网远程监控系统与气象参数服务系统通信连接以获取历史、实时和预测时间段的气象参数。
36.本实施例中，热力管网远程监控系统包括设置于热源出口位置处的第一仪表组，第一仪表组包括传感器和计量装置，其中传感器实现热源出口的实时物理量的采集，计量装置实现热源出口的累计物理量的采集。传感器包括供水温度传感器、回水温度传感器、供水压力传感器、回水压力传感器、瞬时流量传感器、瞬时热量传感器(热流传感器)，计量装置包括记录累计热量的热量表。
37.热力管网远程监控系统还包括设置于热力管网距离热源中端的第二仪表组，第二仪表组包括传感器和计量装置，其中传感器实现热源出口的实时物理量的采集，计量装置实现热源出口的累计物理量的采集。传感器包括供水温度传感器、回水温度传感器、供水压力传感器、回水压力传感器、瞬时流量传感器、瞬时热量传感器(热流传感器)，计量装置包括记录累计热量的热量表。
38.热力管网远程监控系统还包括设置于热力管网距离热源末端的第三仪表组，第三仪表组包括传感器和计量装置，其中传感器实现热源出口的实时物理量的采集，计量装置实现热源出口的累计物理量的采集。传感器包括供水温度传感器、回水温度传感器、供水压力传感器、回水压力传感器、瞬时流量传感器、瞬时热量传感器(热流传感器)，计量装置包括记录累计热量的热量表。
39.容易理解，根据本发明构思，本实施例中，上述第一仪表组用于获取一个时刻的第一组热源参数，上述第二仪表组、第三仪表组用于获取所在热力站点一个时刻的第二组热源参数。本实施例采用皮尔森相关系数判断一热力站点到热源的参数传递的延迟时间，因此，每组热源参数包含相同的数量的对应的物理量。在使用另一些相关性判断的算法中，第一组热源参数与第二组热源参数也可以有数量不同的，但是存在相关性的指定物理量。
40.本实施例中，处理单元运行部署于云服务器的程序指令，这些程序指令致使所述处理单元顺序或者并行的执行以下步骤1至8：
41.步骤1，获取一集中供热系统中一热源出口处与时间有关的第一组热源参数。
42.具体的，在热源出口安装上述采集供水温度、回水温度、供水压力、回水压力、瞬时流量、瞬时热量和累计热量的传感器、计量装置，将数据通过数据链路采集到云服务器中。采集周期设定为10分钟一次。
43.步骤2，获取所述集中供热系统中一热力站点处与时间有关的第二组热源参数。
44.具体的，在热力管网距离热源中端、末端各选择3个关键热力站点，安装测量热力站点供水温度、回水温度、供水压力、回水压力、瞬时流量、瞬时热量、累计热量的仪器仪表。采集周期为10分钟一次。
45.步骤3，使用一判断方法，根据所述第一组热源参数和所述第二组热源参数的时间相关性，获得所述热源的参数传递到所述热力站点的延迟时间。
46.判断方法用于判断热源供水温度等热源参数在时刻t进行调整时，供水温度等热
源参数传递到步骤2中选择关键热力站点的时间。具体的，因为长输管网中，热源温度参数传递到关键热力站点需要时间，一般在1小时以上，可以选择关键热力站点(60+t)分钟时间后，最近一个时间段的若干的热源参数进行相关系数求解，并找到相关性最强的时间点t，以t
‑
t为所述热源的参数传递到所述热力站点的延迟时间。
47.判断方法：
48.采用皮尔森相关系数确定预测模型输入因素，具体计算公式如下式所示：
[0049][0050]
其中，n为仪表组提供物理量，即热源参数的总数，x
i
、y
i
分别为评价相关性的两仪表组中对应的第i个热源参数，相关系数r的取值在
‑
1与+1之间，若r>0，表明两个变量是正相关；若r<0，表明两个变量是负相关。r的绝对值越大表明变量间的相关性越强，当相关系数的绝对值处于0～0.1时，表示变量间无相关性；当相关系数的绝对值处于0.1～0.3时，表示变量间微弱相关；当相关系数的绝对值处于0.3～0.5时，表示变量间为中等相关；当相关系数的绝对值处于0.5～1时，表示变量间强相关。
[0051]
步骤4，根据所述集中供热系统中一热力管网多个热力站点的延迟时间，获得其热源的参数传递到该热力管网的延迟时间。
[0052]
具体的，根据步骤3依次求出热源参数传递到各关键热力站点的延迟时间t，然后求得这些时间t的平均值，可估计为热源参数传递到热力站点的延迟时间
[0053]
步骤5，在接收所述集中供热系统一热力管网的一时间段内的气象参数预测请求时，返回该时间段推后一个该热力管网的延迟时间的时间段内的气象参数预测结果。
[0054]
本实施例中，气象参数由气象参数服务系统根据热力管网远程监控系统的请求向热源保障系统转发。在图3的另一个实施例中，热源保障系统包括与气象参数服务系统连接的通信接口，可以直接接收气象参数预测请求并变更请求中的时间段。示范的，气象参数预测请求包含指定热源，并预测热源供热区域的指定热力管网在未来[t1,t2]时间段的气象参数，该时间段被热源保障系统未来以便获取新时间段内的气象参数进行后续预测。
[0055]
步骤6，为所述集中供热系统一指定热力管网提供用于预测的若干连续时间段。具体的，在一个具体应用中，把供热负荷的预测对象分为连续的几个时间段，每个时间段长度相同，并求得的每个时间段的平均热负荷(单位w)，使用已知时间段的平均热负荷预测未来一个时间段实际热负荷，该预测需要参考从气象参数服务系统获得的一个或者多个气象参数。示范的，以气象参数室外温度平均值t
w
一个气象参数为例，下个时间段预测平均负荷q
n
与上一个时间段实际热负荷q
n
‑1预测，在未来一时间段气象参数室外温度平均值t
w
的关系式表示为：
[0056]
q
n
＝f(q
n
‑1,t
w
)
[0057]
其中，n为时间段在时间轴上的序号，f为需要通过训练获得的预测模型。
[0058]
步骤7，使用步骤6所获得的若干连续时间段和步骤5所获得的气象参数预测结果训练一机器学习模型，使该机器学习模型能够根据所述集中供热系统指定热力管网一当前时间段的实际热负荷预测其未来一时间段的平均热负荷。示范的，在使用上个采暖季至当
前最新的历史数据利用机器学习算法的支持向量机进行上述预测模型的训练，得出算法模型参数。容易理解，所述支持向量机的特称空间维度即所述气象参数的个数。
[0059]
步骤8，根据一请求，向所述集中供热系统的热力管网远程监控系统提供步骤7获取的指定热力管网的指定未来时间段的平均热负荷。本实施例中，由步骤7得出未来一段时间的平均热负荷大小，并根据热力管网远程监控系统的请求向其提供该指定未来时间段的平均热负荷，即作为预测结果的实际热负荷。热力管网远程监控系统根据该数值，及时调整热源或者隔压站的运行指标，以保障供热效果。
[0060]
参考图4的，本实施例中，在云服务器上应用服务器部署的程序模块有数据分析模块、负荷预测模块和机器学习模块。数据分析模块包括步骤1、2、3、4的程序指令，负荷预测模块包括步骤5、6、8的程序指令,机器学习模块包括机器学习模型的训练程序指令(模块)。在云服务器的数据服务器上还部署有数据存储模块，根据应用计算资源和通信资源的配置，数据存储模块用于可读写的存储：热源出口处和/或热力站点的热源参数；热源的参数传递到热力站点的延迟时间；热源的参数传递到热力管网的延迟时间；用于预测的若干连续时间段；机器学习模型的训练程序模块；和/或，机器学习模型的训练完成的模型文件。
[0061]
另一些实施例中，为考虑存储、通信和计算资源的经济性，处理单元采用分布式计算特别是边缘计算，处理单元还包括一些位于各个热力站点的边缘处理单元，所述边缘处理单元用于执行步骤1、步骤2和/或步骤3中与其所在热力站点相关的步骤。
[0062]
参考图5的，借由包含本实施例提供的热源保障系统的服务平台，一些应用场景中可以建立多种独立或者关联的应用服务，这些应用服务围绕“热源保障”开发，其包括但不限于：
[0063]
一，热源运行供热预测
[0064]
平台根据实时采集的隔压站的运行数据及室外气候条件，分析并预测隔压站未来所需供热量，同时可以直观的进行实际值与预测值的对比。所述若干热力站点位于同一趸售区域或自管区域；所述热力管网包括一次管网和/或二次管网。结合热用户实际供热效果反馈，监控中心对换热站对运行策略调整进行指导，并且对隔压站供水温度、一次管网流量进行预测，结合趸售区域，自管区域，预测未来7天数据，便于热力公司与电厂进行热负荷信息沟通，给出合理建议。在保证满足热用户供热效果的前提下，实现最大限度的节能。
[0065]
在预测的所需供热量下，结合当前热网运行情况，进行隔压站供水温度计算，指导实际运行。同时根据该网实际运行的水力、热力的滞后性可实现分时段的进行各换热站的气候补偿调节，防止整网同时调节造成的压力剧烈波动，使得源网运行既节能又能安全平稳运行。
[0066]
二，换热站运行供热预测
[0067]
换热站满足预定室内采暖温度为总体目标、以室内采暖热舒适度的建筑热耗为控制计算目标、分时段供水温度等为控制参数的换热站优化控制策略。
[0068]
智慧热网平台通过将换热站实际供热情况、供热建筑保温情况、室外温度等参数建立大数据分析模型，自动生成换热站运行二次供温理论值，并且预测未来7天的耗热量及二次供水温度，使供热运行更加前置化、主动化。
[0069]
通过对各站耗热量的预测，为热源总负荷预测提供依据，使源网联动调节控制，实现热网的安全和节能运行。
[0070]
三，值班调度缺陷管理
[0071]
在生产系统中一次管网、换热站、二次管网等设备发生故障后，在智慧热网系统或值班调度系统调用客服系统的工单接口，经过客服系统向维修工人推送故障工单。维修工人通过手机app进行工单接收和处理。值班人员的交接班管理、当前值班人员的值班工作记录、总调度人员对值班人员工作记录查询、值班人员对于值班期间遇到的故障及突发状况的上报、对值班人员下发通知并且可以查看值班人员是否阅读通知的详情、对于换热站的停供检修情况进行记录的存储、对于故障抢修进行记录存储，优化调度指挥，提升管理水平，提高工作效率。
[0072]
容易看出，本发明各个实施例一方面的，能够帮助建立以供热管网为单位的热源保障能力评价。因为管网涉及多个热源，管网的安全运行、按需供热，是多个热源共同协调作用的结果，通过该管网的供热情况、对热量需求，用于平衡和平均各热源的出力，让能效高的热源多出力，能效低的热源节能运行，整体实现节能降耗。同时在高寒期，根据主力热源的负荷状态，评价合适启动调峰热源，保证热源充足。
[0073]
另一方面的，能够帮助热网根据常年运行的经验，统计出热负荷模型，并根据未来气候条件和相关参数，考虑太阳辐射和风速影响进行负荷预测，指导热源参数调节。
[0074]
再一方面的，能够帮助集中供热系统根据气候条件对各热源负荷进行预测，通过换热站按需精确调控，结合专家模板学习系统以及现有的大数据挖掘和其他机器学习相关的智能算法，实现一次管网和二次管网的水力和热力动态平衡，保证热源和热网的供热稳定和安全。