首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于云计算的热电厂智能供热控制系统设计

基于云计算的热电厂智能供热控制系统设计

2024-09-27 0 上传者：管理员

摘要：本文设计一种基于云计算的热电厂智能供热控制系统，以提高热电厂供热效率和降低能源浪费。首先，讨论热电厂供热控制系统存在的问题，包括能耗较高、效率较低、运行不稳定等方面的挑战。其次，建立了基于云计算平台的数据采集模型，实现了对热电厂供热系统各参数的实时监测和数据采集。然后，利用机器学习算法对大量数据进行训练和优化，建立了智能供热控制模型，实现了对供热系统的智能化调控。最后，通过与传统供热控制系统进行对比试验，结果表明，基于云计算的智能供热控制系统在热电厂供热效率和能源利用率方面均取得了显著的提升。

关键词：
云计算
供热系统
控制系统
热电厂智能供热
长短记忆网络
加入收藏

传统的热电厂供热系统通常采用基于定时、定量的控制方式，存在着能耗高、效率低的缺点。在系统运行过程中，由于无法对供热需求进行实时监测和调整，导致供热系统运行不稳定，难以适应实际需求的变化[1]。此外，在过去的研究中也有一些针对传统供热系统的改进方案，如引入智能控制算法、优化供热系统结构和组件等。这些研究通过对传统供热系统进行改进和优化，尝试提高系统的运行效率和稳定性[2]。然而，这些改进方案往往受到系统硬件条件和实时数据处理能力的限制，难以达到预期的效果。总体来说，传统热电厂供热控制系统存在诸多问题，需要引入更先进的技术和方法来进行改进和优化。云计算作为一种新兴的信息技术手段，为热电厂供热控制系统的智能化和优化提供了新的思路和可能性。通过充分利用云计算平台的强大数据处理和分析能力，可以实现对供热系统的实时监测、智能控制和优化调整，进而提高供热系统的运行效率和稳定性[3]。

1、基于云计算的热电厂供热系统

1.1热电厂供热管理

供热管理模式是一种与当前供热模式高度相关的综合管理方式，它将热源、供热管网和用户紧密联系在一起。随着供热模式的不断变化，这种管理模式也将随之需要进行不断的调整。目前主要有源网分离等四种供热管理模式：

(1)源网分离模式：必须指出，热源和供热管网的运营管理是完全独立的，两者之间不存在任何关联。不仅各自进行独立的资金投入，同时在经营方面也应呈现出独立状态，也就是热源公司只负责建设和运营热源厂，并向供热公司提供供热产品及热能营销服务。(2)源网一体化经营模式：值得注意的是，从热源厂的建设开始，到供热管网的建设和运营、热量的产生和输送配置，再到之后阶段的维护与运营、供应供热服务以及其他工作，均是由一个公司来进行管理。(3)多热源联网联供管理模式：显著地方在于供热系统内，当多个热源同时作用时，它们之间会相互关联，以便更有效地利用和分配热量。(4)合同能源管理模式：显著的地方在于为了实现节约能量的目标，这类公司会为用能单位提供相应的指导，并且签署目标协议[4]。

1.2云计算供热系统

供热系统中，涵盖了热源、热力站、热用户以及对上述三者负有连接作用的管网这四个部分。其中，由热源至热力站中间，所存在的管网被称为一次侧管网，而由热力站至热用户中间的管网，则被称为二次侧管网。在各组件之间，还加装了多种测量仪表，如循环泵等，这些设备组合起来，形成了一个复杂的非线性控制体系[5]，如图1所示。

热源为热用户提供了其所需热量，目前国内供热方式以区域性锅炉供暖、热电联产这两种方式为主。因为供热系统中需为各个地区、各类建筑面积提供热量，同时，不同的热用户对于热量的需求呈现出差异，所以热力站所建设的大小及分布情况也存在较大的差异，一般热力站布局于城市的各部位。为适应各个地区用户差异化的供热量需求，热源应采用整体调控的方式调节各个热力站，向各位热用户输送不一样大小的热量，以达到供热的目的。

图1 供热管网系统图

2、热电厂供热系统控制策略研究

2.1传热基本原理

传热分为三种模式：热传导、热对流、热辐射。热传导是静态介质中存在温度梯度时发生的，也就是说需要存在温差，例如砖墙内外墙为不同温度时会发生热传导。针对研究对象，即房间内空气节点温度（传感器测点的温度），一般认为空气各处温度是相同的，所以不考虑空气的热传导，但是墙体和室内其它储热部件主要是通过热传导进行传热的[6]。热传导的公式如下：

式中，q″conv表示与传输方向相垂直的单位面积上的热传导传热速率，单位是W/m2;Q′conv是热传导传热速率，单位是W;Sconv是热传导传热面积，单位是m2;k是热导率，表示物体特性的参数，单位是W/（m·K);d T表示温差，单位是℃；dx表示传输方向上的传输距离，单位是m。

热对流是指热表面向接触热表面的流体进行传热的方式，是固体与空气间传热的主要方式。热对流的能量传输方程是牛顿冷却公式，如下式所示：

式中，q″cond表示单位面积上的对流传热速率，也称为对流热流密度，单位是W/m2;Q′cond是热对流传热速率，单位是W;Scond是热对流传热面积，单位是m2;Ts是热表面温度，单位是℃；T∞是流体温度，单位是℃；h是对流传热系数，表示物体特性的参数，单位是W/（m2·K）。

2.2供热系统温度控制模型

在控制系统中，供热系统非常复杂，本研究总共划分为三个关键内容。首先基于探究区域温度搜集与供热管理系统的以往数据，欲完成今后热负荷预估及热力站模型的创制，这两个方面分别强调的是目标数据及环境模型，通过引入这一学习模式，可以确定一次网把控序列，且在最终阶段得到了检验结果，对于大量热力站实施了改进，得到了最终改进后的热量配置方案，详情参见图2。前文提到的两个方面的相应数据均由时间序列中得到，LSTM实质上是一种深度学习工具，其处于长时间序列及规避训练时期，在这一过程中出现了梯度爆炸现象，由此而诞生，且具有较高的优势。所以，将这一种学习方式视为预测及模型创制的主要手段，立足于把控维度，对一次网流量序列进行运算，能够确保其处于持续控制状态下。

3、供热系统温度控制LSTM算法

3.1基于LSTM供热量预测模型

通过LSTM神经网络构建了热负荷预测模型，并收集了研究区温度、供热管理系统情况和室外天气温度等数据，据此预估了未来一天的天气情况，从而得出相应时间中的热负荷值，由此发现，外温与风力因素等会影响热负荷值，加入现阶段中的热负荷与外界温度，以及下个阶段的室外温度，把这些数据设为输入因素，来估测下个时间的热负荷值，通过对比风力因素带给模型精度的作用，将现阶段的风力因素加入到以上相同输入中，并将此设定为新输入，对比相同试验环境下，其预估的热负荷值效果。

在模型网络方面，重点研究了基于LSTM的热力站间供热预测模型。所谓的LSTM指的就是长短时记忆网络，其属于时间递归神经网络的一种，其呈现出兼具记忆与储存优势的独特性循环体架构。在长短记忆网络训练中，包含正向传播与反向传播两类情况。在正向传播中，主要表现如下：革新遗忘可能性；革新输入可能性，评估候选值范畴，得出二者乘积；统筹input gate以及forget gate，持续追踪细胞所在的状态；对out gate输出进行创新；对现阶段序列索引中的预估输出进行创新。

图2 供热系统温度预测模型整体架构

3.2超参数分析

超参数的选择与调整：

(1)学习率。

基于LSTM的供热系统温度预测模型而言，尝试了不同的学习率来观察模型性能的变化。经过多次实验，发现当学习率设置为0.01时，模型在训练集和验证集上均表现良好，并且收敛速度相对较快。进一步增加学习率至0.1导致模型在验证集上的性能下降，出现过拟合的迹象。而降低学习率至0.001则使得训练过程变得缓慢，而且模型性能没有明显提升。因此，选择了0.01作为最佳学习率。

(2)批次大小。

批次大小的选择对于模型的训练速度和稳定性都有影响。尝试了批次大小为16、32、48和64的情况。实验结果表明，当批次大小为32时，模型能够在训练集和验证集上获得较好的性能，并且训练速度相对较快。较小的批次大小如16能导致训练过程不稳定，而较大的批次大小如48则可能需要更高的计算资源。因此，将批次大小设置为64。

(3)LSTM层数和隐藏单元数。

在LSTM模型的结构方面，进行了一系列的实验来调整LSTM的层数和隐藏单元数。通过尝试不同的组合，发现当使用3层LSTM且每层隐藏单元数为128时，模型能够获得最佳的性能。较少的LSTM层数和隐藏单元数可能导致模型无法充分学习数据的长期依赖关系，而增加层数和隐藏单元数则可能导致过拟合。因此，将LSTM层数设置为3，每层隐藏单元数设置为128。

供热系统温度预测模型的步长、batch＿size、epochs、LSTM层神经元个数等超参数而言，由于其没有一个相对固定的数值，而且其数值范围也比较大，所以，在保证数据正确性和网络合理性的情况下，可以采用缺省的超级参数设定，来观测损失曲线的变化趋势，对每一个超参数的可能值进行初步的判断。具体内容如表1所示。

4、实验结果分析

为了对模型实验成效和准确度进行科学客观评估，本研究运用了MAE、RESM、R2等来评估预测数值、实际误差以及模型准确性。在数据基础上两个模型的预测结果和模型评估见表2。

表1 LSTM温度预测模型超参数取值范围

表2 预测精准性和模型评价

5、结论

本研究通过对热电厂供热系统中的关键参数进行实时监测和分析，结合云计算平台的大数据处理能力，提出了一种智能供热控制策略。该策略能够根据实时数据对供热系统进行精准调节，提高能源利用率，降低能源消耗，改善供热质量，实现能源智能化管理与优化。实验结果表明，该智能供热控制系统在提高供热效率和节能方面具有显著的优势，对于热电厂供热系统的优化运行具有重要的实际应用价值。

参考文献:

[1]薛见海.热电厂节能型智能供热控制系统设计探析[J].中国高新科技,2022(03):31-32.

[2]薛见海.热电厂节能型智能供热控制系统设计[J].中国高新科技,2021(23):53,74.

[3]赵鹏翔,李振,王楠,等.联合网电时母管制供热机组热电负荷优化分配策略研究[J].能源与环保,2022,44(10):159-164,170.

[4]高平立.大屯热电厂供热改造分析与研究[D].中国矿业大学,2021.

[5]单龙辉.大型热电厂供热首站选型及常见问题分析[J].机电信息,2020(35):16-17,19.

[6]井花蓓.某热电厂供热系统电极蒸汽锅炉运行方式研究[D].沈阳工程学院,2021.

文章来源:冷江潼.基于云计算的热电厂智能供热控制系统设计[J].价值工程,2024,43(27):109-111.