一种供热管道动态等值建模方法

1.本发明涉及供热系统技术领域，具体是指一种供热管道动态等值建模方法。


背景技术：

2.为实现能源可持续发展，热电联产(combined heat and power，chp)机组成为我国主要集中供热源。构建以chp机组为基础的电热协同利用系统，可大力促进高比例风电并网消纳。电热协同供给过程需充分利用供热灵活性，故供热侧运行控制水平亟待提高。在此背景下，深入研究供热管网动态特性建模及其优化控制具有重要意义。
3.目前，数据驱动的热网建模通常采用线性多模型架构逼近实际非线性动态，常用的线性模型结构有自动回归滑动平均模型、条件有限脉冲响应模型和子空间辨识法。自动回归滑动平均建模方法和子空间辨识方法可通过多工况下的线性动态逼近实际系统非线性动态，但是，多工况的划分具有经验性质且单工况模型仅能表征邻域特性；当热网中多级节点动态传递时，会对模型切换产生干扰并引发动态传递累积误差，不利于网络集成建模。条件有限冲击响应模型的本质为输出温度关于输入温度、供水流量的非线性拟合，对非线性动态的逼近能力有限，在多级节点动态传递时同样会产生动态累积误差。采用智能黑箱辨识方法可直接建立关键节点的非线性模型，然而，模型可解释性差且难以用于凸优化求解及稳定性分析。此外，所有数据建模方法依赖于辨识试验设计及辨识数据采集，实施成本较高。


技术实现要素：

4.本发明要解决的技术问题是解决上述问题，提供一种合理划分非线性工作域，建立多个线性子模型逼近全局特性的供热管道动态等值建模方法。
5.为解决上述技术问题，本发明提供的技术方案为：一种供热管道动态等值建模方法，包括以下步骤：
6.b1、供热管道稳态运行数据提取,
7.b2、数据驱动的工作域划分,
8.b3、混合半机理建模。
9.进一步地，所述步骤b1包括通过对一定窗口内瞬时流量数据进行随机抽样一致算法确定实际需要的稳态数据，再通过最小二乘法拟合出窗口内的瞬时流量曲线模型式为x＝p0+p1i1+p2i2+
…
+p
m
i
m
，p0表示窗口内均值大小，p1表示变量随时间变化的斜率。
10.进一步地，所述稳态数据通过曲线模型定义稳态判别指标，包括：
11.a1、瞬时流量数据最小二乘拟合后，曲线模型多项式滤波值的最大与最小值的差值小于给定阈值，
12.a2、机采样一致算法筛选出瞬时流量数据的最大与最小值差值小于给定阈值，
13.a 3、曲线模型p1系数小于给定阈值。
14.进一步地，所述步骤b1包括基于已提取稳态运行数据计算表征模型内外部特性的
特征向量，此后，通过特征向量聚类及工作域边界估计，实现工作域划分，主要步骤如下：
15.b1、特征向量和工作域个数的确定，参考分段仿射自回归方法建立输入向量，确定系统输入输出和相应的阶次，以某数据点为数据中心，数据中心和邻近的c
‑
1个数据点建立局部数据集c
k
，计算各点输入向量与数据中心的输入向量之间的欧氏距离，选出距离最小的c
‑
1个点，构成一个局部数据集c，基于c
k
中的数据，利用最小二乘计算公式求其参数向量，结合c
k
中输入向量的均值，共同构成特征向量；
16.再将特征向量视为服从高斯分布的随机向量，估计特征向量的协方差，依据高斯分布特性，并对特征向量均值的置信度用统一标准评价，最后，选取高维聚类算法对每个特征向量聚类，通过聚类个数将稳态数据集划分成相应的工作域个数，并存储各工作域内的稳态数据；
17.b2、作用域边界估计，基于数据集的模式识别算法估计各工作域的边界特征，即求取数据集间的超平面，采用鲁棒性和泛化能力更好的软间隔支持向量机可求取超平面方程，即为作用域边界特征，从而与其他分平面共同构成各工作域的作用域，便于动态子模型建立后的切换应用。
18.进一步地，所述b3包括合理划分工作域后，对各工作域建立动态等值模型，根据管道运行特性可建立非线性常微分方程，对其选取合适的状态量，可建立供热管道的连续状态空间模型，对该连续状态空间模型离散化，可得到离散状态空间表达式；对各工作域内的数据参数辨识和计算，可得到各机理子模型的各项参数；由于低阶等值模型具有有限的动态逼近精度，引入机器学习算法对上述机理模型进行偏差动态补偿，建立具有任意精度逼近能力的混合半机理模型。
19.采用以上结构后，本发明具有如下优点：
20.合理划分非线性空间为多个工作域，利用各工作域建立的线性模型特性逼近非线性全局特性，良好应对复杂非线性工况问题；
21.建立的线性低阶模型可合理平衡建模精度与复杂度，能广泛应用于控制设计、快速仿真与数值优化计算等领域；
22.研究一套合理的供热管网动态特性建模的方法，实现更为精细化的方式改善供热过程控制性能，从而保证电热协同利用的经济性和环境价值。
附图说明
23.图1是本发明一种供热管道动态等值建模方法的供热管道动态等值建模技术路线流程图。
24.图2是本发明一种供热管道动态等值建模方法的瞬时流量稳态数据提取流程图。
25.图3是本发明一种供热管道动态等值建模方法的稳态工况1的工作域边界特征a图。
26.图4是本发明一种供热管道动态等值建模方法的稳态工况1的工作域边界特征b图。
27.图5是本发明一种供热管道动态等值建模方法的稳态工况2的工作域边界特征图。
28.图6是本发明一种供热管道动态等值建模方法的多工作域切换下验证结果图。
29.图7是本发明一种供热管道动态等值建模方法的多工作域内模型局部验证结果
图。
30.图8是本发明一种供热管道动态等值建模方法的多工作域模型性能指标表。
具体实施方式
31.下面结合附图对本发明做进一步的详细说明。
32.结合附图1，一种供热管道动态等值建模方法，包括以下步骤：
33.b1、供热管道稳态运行数据提取,
34.b2、数据驱动的工作域划分,
35.b3、混合半机理建模。
36.进一步地，所述步骤b1包括通过对一定窗口内瞬时流量数据进行随机抽样一致算法确定实际需要的稳态数据，再通过最小二乘法拟合出窗口内的瞬时流量曲线模型式为x＝p0+p1i1+p2i2+
…
+p
m
i
m
，p0表示窗口内均值大小，p1表示变量随时间变化的斜率。
37.进一步地，所述稳态数据通过曲线模型定义稳态判别指标，包括：
38.a1、瞬时流量数据最小二乘拟合后，曲线模型多项式滤波值的最大与最小值的差值小于给定阈值，
39.a2、机采样一致算法筛选出瞬时流量数据的最大与最小值差值小于给定阈值，
40.a3、曲线模型p1系数小于给定阈值。
41.进一步地，所述步骤b1包括基于已提取稳态运行数据计算表征模型内外部特性的特征向量，此后，通过特征向量聚类及工作域边界估计，实现工作域划分，主要步骤如下：
42.b1、特征向量和工作域个数的确定，参考分段仿射自回归方法建立输入向量，确定系统输入输出和相应的阶次，以某数据点为数据中心，数据中心和邻近的c
‑
1个数据点建立局部数据集c
k
，计算各点输入向量与数据中心的输入向量之间的欧氏距离，选出距离最小的c
‑
1个点，构成一个局部数据集c，基于c
k
中的数据，利用最小二乘计算公式求其参数向量，结合c
k
中输入向量的均值，共同构成特征向量；
43.再将特征向量视为服从高斯分布的随机向量，估计特征向量的协方差，依据高斯分布特性，并对特征向量均值的置信度用统一标准评价，最后，选取高维聚类算法对每个特征向量聚类，通过聚类个数将稳态数据集划分成相应的工作域个数，并存储各工作域内的稳态数据；
44.b2、作用域边界估计，基于数据集的模式识别算法估计各工作域的边界特征，即求取数据集间的超平面，采用鲁棒性和泛化能力更好的软间隔支持向量机可求取超平面方程，即为作用域边界特征，从而与其他分平面共同构成各工作域的作用域，便于动态子模型建立后的切换应用。
45.进一步地，所述b3包括合理划分工作域后，对各工作域建立动态等值模型，根据管道运行特性可建立非线性常微分方程，对其选取合适的状态量，可建立供热管道的连续状态空间模型，对该连续状态空间模型离散化，可得到离散状态空间表达式；对各工作域内的数据参数辨识和计算，可得到各机理子模型的各项参数；由于低阶等值模型具有有限的动态逼近精度，引入机器学习算法对上述机理模型进行偏差动态补偿，建立具有任意精度逼近能力的混合半机理模型。
46.本发明在具体实施时，
47.供热管道稳态运行数据提取：对供热管道稳态数据提取大致流程如图2所示。首先，确定窗口初始长度为120，对所有瞬时流量数据进行随机抽样一致算法确定“内点”数；再通过最小二乘法拟合出窗口内的瞬时流量曲线模型。确定模型多项式滤波值的最大与最小值差值c1小于25；确定筛选出的“内点”的瞬时流量数据最大与最小值差值c2小于20；确定流量曲线模型的p1<3δ，δ为最小二乘拟合选取的瞬时流量数据的标准差。提取满足上述三个条件的稳态流量数据，并根据稳态标签找到输入u(k)＝[tin w(t)t
am
(t)]和输出y(k)＝tout w(t)的对应稳态数据，根据瞬时流量数据范围，划分为两个稳态工况。其中，是一次供水输入温度，t
am
(t)是环境温度为一次供水出口温度。
[0048]
数据驱动的工作域划分：根据供热管道运行特性，确定供热管道模型输入和输出阶次为1。以一次供水输入温度作为控制输入，环境温度t
am
(t)为扰动输入，一次供水出口温度t
out
(t)为系统输出。根据输入向量的架构，选取模型输出y(k)＝t
out
(k)，模型输入向量x(k)＝[tw in(k
‑
1)t
am
(k
‑
1)tw out(k
‑
1)]。首先，以稳态数据点(x(k)，y(k))为数据中心，对于两个稳态工况，分别选择邻近数据点c1＝55，c2＝25，建立各自工况的局部数据集c
k
。计算参数向量pv
k
＝(g
kt
g
k
)
‑1g
kt
y
ck
，其中g
k
＝[x
j
(k)1]，xj(k)是属于c
k
的输入向量，y
ck
是c
k
中的输出样本向量。结合c
k
中输入向量x
j
＝[tw in(j
‑
1)t
am
(j
‑
1)tw out(j
‑
1)](x
j
,y
j
∈c
k
)的均值m
k
，共同构成特征向量fv
k
＝[(pv
k
)
t
m
k
]
t
。
[0049]
将特征向量取值为均值fv
k
的置信度用来衡量。选取k
‑
means算法对每个特征向量聚类，确定两个稳态工况的数据划分工作域个数分别为s1＝3，s2＝2，即全稳态工况为5个工作域。并把各工作域的数据分别记作d1、d2、
…
、d5。采用鲁棒性和泛化能力更好的软间隔支持向量机可求取各作用域的边界特征wx+b＝0，w为斜率，b为截距。两个工况的工作域划分情况如图3、图4、图5。
[0050]
混合半机理建模：：合理划分工作域后，对各工作域建立动态等值模型。根据管道运行特性可建立非线性常微分方程如下：
[0051][0052]
式中：管段中水的热容量c
w
＝fdc
w
ρ
w
(j/℃)，f为管道横截面积(m2)；c
w
为水的比热容(j/(kg
·
℃))；ρ
w
为水的密度(kg/m3)；d为管道长度(m)；t为时间(s)；为管道一次供水出口水温(℃)；为管道一次供水进口温度(℃)；质量流量q
m
＝fdc
w
ρ
w
u
w
(kg/s)，u
w
为水流速度(m/s)；α为管道中水流与环境之间的对流换热系数(j/(m2·
℃
·
s))；管道传热面积s
t
＝ld(m2)；t
am
(t)为环境温度(℃)，l为管道周长(m)。
[0053]
对式(1)选取合适状态量，建立供热管道的状态空间模型，对其离散化得到其离散状态空间表达式。对各工作域内的数据参数辨识和计算，可得到各机理子模型的各项参数。
[0054]
[0055]
式中：u2＝t
am
(kt)；a＝
‑
c
w
u
w
‑
αl/fc
w
ρ
w
；u(kt)＝[u1(kt)u2(kt)]；t为采样时间。
[0056]
由于低阶等值模型缺少补偿项，引入机器学习算法对上述模型偏差动态进行补偿，建立混合半机理模型，如(3)所示。
[0057][0058]
式中：f(kt)为偏差动态补偿项。
[0059]
对各工作域模型的对流换热系数α和瞬时水流速度u
w
分别参数辨识，再计算各模型其余对应参数，最后应用机器学习算法动态补偿，可得到5个工作域的分段仿射
‑
混合半机理模型。
[0060]
建立混合半机理模型后，选取一段未参与建模的实际运行数据进行验证，验证结果见附图6、图7，相关性能指标评价见图8。
[0061]
以上对本发明及其实施方式进行了描述，这种描述没有限制性，实际的结构并不局限于此。总而言如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。