基于随机分布控制算法的区域供热节能控制方法

摘要

本发明属于供热控制技术领域，具体是一种基于随机分布控制算法的区域供热节能控制方法。本供热控制方法包括如下步骤：步骤S100：获取区域内若干点用户温度数据；步骤S200：估计出供热区域的温度概率分布；步骤S300：建立温度概率分布密度函数的基函数表示模型；步骤S400：建立输入变量与前

说明书

技术领域

本发明属于供热控制技术领域，具体是一种基于随机分布控制算法的区域供热节能控制方法。

背景技术

目前城市或区域大都采用集中供热的方式，但由于区域内建筑结构不同、与热源距离不同、供热管网阻力差异较大、受环境和其它因素影响，是一个具有随机干扰因素的系统，各种干扰具有非高斯特性。导致采用常规的控制方法难以控制供热区域的温度均衡，经常出现部分区域温度高，有些区域温度过低，如果单纯增加热源温度和流量，会造成能源浪费。因此需要一种能够控制整个供热区域内温度分布相对均衡的控制方法，或者根据设定的温度分布予以控制。

现有的控制方法一般采用PID、Smith-PID以某点温度进行控制和调节，导致热网波动较大，近年来有采用动态规划或预测控制的方法，但是控制反馈量的选取还仍是个别点的温度。

发明内容

本发明为了实现对区域进行均衡供热，或按照给定的温度分布信息进行供热，提供一种基于随机分布控制算法的区域供热节能控制方法。

本发明采取以下技术方案：一种基于随机分布控制算法的区域供热节能控制方法，包括以下步骤：

S100：获取区域内不同位置Q个用户温度数据及供热管网供回水数据及输出控制信息，将获取的温度信息作为历史数据集进行存储。

历史数据集包括采集供热区域内的一个时间段内的Q个热用户温度数据T＝[T₁,T₂,…T_Q]，及相应时间点的一次网供水温度T_G1、一次网回水温度T_H1、二次网供水温度T_G2、二次网回水温度T_H2以及环境温度T_E。

S200：根据获取信息估计供热区域的温度概率分布，包括以下步骤。

S201：从S100步骤得到的数据中选取供热区域内不同位置(x_j,y_j),j＝1,2,…,Q共Q个热用户一天内M组不同的温度数据T_j及对应的供热系统控制输出u_i(k),i＝1,2,…M，合并构成温度值矩阵

S202：利用温度矩阵按照不同的时间点构建不同时刻的温度场，对整个温度场数据进行数学近似处理，得到对温度T的概率密度函数γ(T,u_i(k))：

其中，N(T)代表供热区域的温度场中温度值小于T的个数，T_i,max和T_i,min代表第i时刻温度场中温度上下界。

S300：利用基函数表示模型对已知的温度概率分布密度函数进行表示，包括以下步骤。

S301：选择基函数，采用高斯形式的RBF网络作为基函数，其表达式为：

其中，T为采集的温度信息；μ_i,σ_i为第i个网络节点函数的中心值和宽度。

S302：确定基函数的加权表示，根据RBF网络逼近原理，将k时刻的温度分布的概率密度函数利用基函数加权和的形式进行表示，其表达式为：

γ(T,u(k))＝C(T)V(k)+B_n(T)w_n(k)+e₀(T,k)>

其中，C(T)＝[B₁(T),B₂(T),…,B_n-1(T)]，V(k)＝[w₁(k),w₂(k),…,w_n-1(k)]^T，w_n(k)为第n个基函数对应的权值，e₀(T,k)为对区域温度概率分布密度函数逼近的误差。

S303：确定每个基函数的权值，第n个权值ω_n(k)可用权值向量V(k)的非线性函数h(V(k))表示为：

其中，

忽略逼近误差后，结合式(3)和(4)可以得到：

两边左乘[C^T(T)>n(T)]^T，并在区间[T_min>max]上进行积分，当矩阵非奇异时，可以转化得到：

利用上式(6)求出温度概率分布密度函数各个基函数的权值V(k)。

此外，对应基函数的选择并不局限于上述方法，下面提供另一种基函数对已知的温度概率分布密度函数进行表示，其具体步骤如下：

S301：基函数的选择，由于B样条模型可以估计任意分布曲线，并能够通过离散权值的形式表征该变量的随机分布,因此,将采用B样条模型作为基函数，用于温度概率分布的表示，其二阶B样条基函数形式如下：

其中，H(x)为Heviside函数且s＝j-3。

S302：确定基函数的加权表示，对于采集的随机的温度信息，使用基于B样条估计模型描述其概率分布，其表达式为：

γ(T,u(k))＝C(T)V(k)+B_n(T)w_n(k)+e₀(T,k)>

其中，C(T)＝[B₁(T),B₂(T),…,B_n-1(T)]，V(k)＝[w₁(k),w₂(k),…,w_n-1(k)]^T，w_n(k)为第n个基函数对应权值，e₀(T,k)为对区域温度概率分布密度函数逼近的误差。

S303：确定基函数的权值，与公式Error！Reference source not found.相对应的权计算公式为：

其中，c_i＝(x_i-x_i-3)/3，n为采集的数据总数，B_i(x_l)为基函数。

利用上述公式可以确定每个基函数不同的基函数，也就可以确定其基函数向量V(k)。

基函数的选择并不局限为上述方法，仍有多种不同基函数的选择，本发明不一一赘述，不脱离本发明思想的均应涵盖在本发明的权利要求范围当中。

S400：建立输入变量与前n-1个权值向量之间的非线性预测模型，对下一时刻的温度概率分布进行预测，包括以下步骤。

S401：选择输入变量，将S100步骤中获得的一次网供水温度T_G1、一次网回水温度T_H1、二次网供水温度T_G2、二次网回水温度T_H2、环境温度T_E、当前控制输出u(k)＝[u₁(k),u₂(k),…,u_m(k)]以及当前时刻的温度概率分布的前n-1个权值向量V(k)合并为输入，记为：X＝[T_G1,T_H1,T_G2,T_H2,T_E,u(k),V(k)]_L×(4+n+m)。

S402：选择预测模型，选择随机权神经网络，其网络模型表示为：

其中，ω_j＝[ω_j1,ω_j2,…,ω_jm]^T为m个输入节点连接第j个隐含单元的输入权重，β_j＝[β_j1,β_j2,…,β_j(n-1)]^T为第j个隐含层连接输出节点的输出权重，b_j是第j个隐含单元的偏置。

S403：对模型进行训练，随机给定一组输入层权值和偏置，利用采集的L组历史数据对模型进行训练，其目标函数为：

S404：通过求取H矩阵的广义逆得到最优的输出权值其公式为：

其中，

S405：建立基函数权值与输入变量之间的关系：

S406：对下一时刻进行温度概率分布密度函数进行预测：

γ_m(T,k+1)＝C(T)V_m(k+1)+B_n(T)w_n(k+1)>

此外，预测模型的选择并不局限于上述所述方法，下面将选择另一种模型进行说明，具体步骤如下：

S402：选择预测模型，考虑影响区域供热的因素之间具有相互关联性，选择LS_SVM非线性模型，其模型表示为：

V(k+1)＝W^TΦ(X(k))+Β>

其中，W为对角权矩阵，V(k+1)＝[v¹(k+1),…,vⁿ(k+1)]^T表示k+1时刻预测的权值，B为偏差向量，非线性映射Φ(X(k))把输入数据转化为高维空间。

S403：对模型进行训练，利用采集的L组历史数据对模型进行训练，其目标函数为：

其中，B＝[b¹>n]^T，分别表示权值和偏差，E_i为拟合误差。

S404：对上述优化问题通过构造拉格朗日函数进行优化，得到模型的权值：

S405：建立基函数权值与输入变量之间的关系：

V(k+1)＝W^TΦ(X(k))+Β>

S406：对下一时刻进行温度概率分布密度函数进行预测：

γ_m(T,k+1)＝C(T)V_m(k+1)+B_n(T)w_n(k+1)>

预测模型的选择并不局限为上述方法，本发明不一一赘述，不脱离本发明思想的均应涵盖在本发明的权利要求范围当中。

S500：利用预测输出信息结合温度概率分布进行反馈校正，包括以下步骤。

S501：确定第k时刻实际输出的温度概率分布密度和预测输出的温度概率分布密度之间的误差为：

e(T,k)＝γ(T,k)-γ_m(T,k)>

S502：利用该误差对预测输出的温度概率分布密度进行反馈修正，修正后的预测输出为：

γ_J(T,k+1)＝γ_m(T,k+1)+ηe(T,k)>

其中，η为校正系数，其取值范围为0＜η＜1。

S600：根据温度修正对供热输出控制进行实时调节，计算供热系统的随机分布控制量输出，采取以下方法，

S601：计算k+1时刻期望温度与预测温度的差值为：

e_J(T,k+1)＝γ_g(T,k+1)-γ_J(T,k+1)>

S602：构造最小化温度差异的性能指标函数：

J₁(u(k))＝∫(γ(T,u(k))-γ_g(T,u(k))²dT>

S603：考虑整个供热系统的节能效果，使能量最小化的性能指标函数：

J₂(u(k))＝u(k)^TRu(k)>

S604：优化求解，利用优化算法求取同时满足式(23)和(24)性能指标的控制输出，即：

argminJ(u(k))＝(J₁(u(k)),J₂(u(k)))>

与现有技术相比，本发明利用随机分布控制理论进行控制决策的供热控制方法，以实现对区域进行均衡供热，或按照给定的温度分布信息进行供热。本发明采用的反馈量是整个区域的温度分布信息，通过随机分布控制算法对整个供热区域的温度分布进行控制，从而降低了能源的浪费。

附图说明

图1系统工作框图；

图2系统实施例；

图3温度数据采集存储过程；

图4供热区域内某时刻的温度场；

图5供热系统不同控制输出下的温度概率分布。

具体实施方式

基于随机分布控制算法的区域供热节能控制方法与系统在实施方式上，可以采用建模过程和实时过程来实现：

建模过程主要包括以下步骤：

S100：获取区域内不同位置的若干用户温度数据及供热管网供回水数据及输出控制信息，将获取的温度信息作为历史数据集进行存储。历史数据集包括采集供热区域内的一个时间段(24小时)内的Q个用户温度数据T＝[T₁,T₂,…T_Q]，及相应时间点的一次网供水温度T_G1、一次网回水温度T_H1、二次网供水温度T_G2、二次网回水温度T_H2以及环境温度T_E。

建立历史数据集可以采用如下方式实现：

历史数据需要采集室内外温度、一次网的供回水温度及二次网的供回水温度的信息，在供热区域内选择距离供热源不同位置的若干热用户，选择24小时内几个具有代表性的时间段，利用温度传感器采集一定时间段内相同时间间隔的热用户的室内外温度值并进行保存。同时，在热源和热用户之间的两次热交换的供回水接口处安装检测装置，将对应的供水、回水温度进行采集并保存，如附图3所示。

S200：根据获取信息估计供热区域的温度概率分布，估计供热区域的温度概率分布采用以下方式实现：

选取供热区域内不同位置(x_j,y_j),j＝1,2,…Q共Q个热用户一天内M组不同的温度数据T_j及对应的供热系统控制输出u_i(k),i＝1,2,…M，合并构成温度值矩阵利用温度矩阵按照不同的时间点构建温度场，如附图4所示。对整个温度场数据进行数学近似处理，得到对温度T的概率密度函数γ(T,u_i(k))：

其中，N(T)代表供热区域的温度场中温度值小于T的个数，T_i,max和T_i,min代表第i时刻温度场中温度上下界。通过上式可以将温度场转化成区域不同温度T的概率分布，如附图5所示。

S300：通过基函数对已知的温度概率分布进行表示，具体采用如下方式实现：

S301：选择基函数，采用高斯形式的RBF网络作为基函数，其表达式为：

其中，T为采集的温度信息；μ_i,σ_i为第i个网络节点函数的中心值和宽度。

S302：确定基函数的加权表示，根据RBF网络逼近原理，将k时刻的温度分布的概率密度函数利用基函数加权和的形式进行表示，其表达式为：

γ(T,u(k))＝C(T)V(k)+B_n(T)w_n(k)+e₀(T,k)>

其中，C(T)＝[B₁(T),B₂(T),…,B_n-1(T)]，V(k)＝[w₁(k),w₂(k),…,w_n-1(k)]^T，w_n(k)为第n个基函数对应的权值，e₀(T,k)为对区域温度概率分布密度函数逼近的误差。

S303：确定每个基函数的权值，第n个权值ω_n(k)可用权值向量V(k)的非线性函数h(V(k))表示为：

其中，

忽略逼近误差后，结合式(3)和(4)可以得到：

两边左乘[C^T(T)>n(T)]^T，并在区间[T_min>max]上进行积分，当矩阵非奇异时，可以转化得到：

利用上式(6)求出温度概率分布密度函数各个基函数的权值V(k)。

此外，对应基函数的选择并不局限于上述方法，下面提供另一种基函数对已知的温度概率分布密度函数进行表示，其具体步骤如下：

S301：基函数的选择，由于B样条模型可以估计任意分布曲线，并能够通过离散权值的形式表征该变量的随机分布,因此,将采用B样条模型作为基函数，用于温度概率分布的表示，其二阶B样条基函数形式如下：

其中，H(x)为Heviside函数且s＝j-3。

S302：确定基函数的加权表示，对于采集的随机的温度信息，使用基于B 样条估计模型描述其概率分布，其表达式为：

γ(T,u(k))＝C(T)V(k)+B_n(T)w_n(k)+e₀(T,k)>

其中，C(T)＝[B₁(T),B₂(T),…,B_n-1(T)]，V(k)＝[w₁(k),w₂(k),…,w_n-1(k)]^T，w_n(k)为第n个基函数对应权值，e₀(T,k)为对区域温度概率分布密度函数逼近的误差。

S303：确定基函数的权值，与公式Error！Reference source not found.相对应的权计算公式为：

其中，c_i＝(x_i-x_i-3)/3，n为采集的数据总数，B_i(x_l)为基函数。

利用上述公式可以确定每个基函数不同的基函数，也就可以确定其基函数向量V(k)。

基函数的选择并不局限为上述方法，仍有多种不同基函数的选择，本发明不一一赘述，不脱离本发明思想的均应涵盖在本发明的权利要求范围当中。

S400：建立输入变量与前n-1个权值向量之间的非线性模型，将输入变量与温度概率分布密度建立联系，具体采用如下方式实现：

S401：选择输入变量，将S100步骤中获得的一次网供水温度T_G1、一次网回水温度T_H1、二次网供水温度T_G2、二次网回水温度T_H2、环境温度T_E、当前控制输出u(k)＝[u₁(k),u₂(k),…,u_m(k)]以及当前时刻的温度概率分布的前n-1个权值向量V(k)合并为输入，记为：X＝[T_G1,T_H1,T_G2,T_H2,T_E,u(k),V(k)]_L×(4+n+m)。

S402：选择预测模型，选择随机权神经网络，其网络模型表示为：

其中，ω_j＝[ω_j1,ω_j2,…,ω_jm]^T为m个输入节点连接第j个隐含单元的输入权重，β_j＝[β_j1,β_j2,…,β_j(n-1)]^T为第j个隐含层连接输出节点的输出权重，b_j是第j个隐含单元的偏置。

S403：对模型进行训练，随机给定一组输入层权值和偏置，利用采集的L组历史数据对模型进行训练，其目标函数为：

S404：通过求取H矩阵的广义逆得到最优的输出权值其公式为：

其中，

S405：建立基函数权值与输入变量之间的关系：

S406：对下一时刻进行温度概率分布密度函数进行预测：

γ_m(T,k+1)＝C(T)V_m(k+1)+B_n(T)w_n(k+1)>

此外，预测模型的选择并不局限于上述所述方法，下面将选择另一种模型进行说明，具体步骤如下：

S402：选择预测模型，考虑影响区域供热的因素之间具有相互关联性，选择LS_SVM非线性模型，其网络模型表示为：

V(k+1)＝W^TΦ(X(k))+Β>

其中，W为对角权矩阵，V(k+1)＝[v¹(k+1),…,vⁿ(k+1)]^T表示k+1时刻预测的权值，B为偏差向量，非线性映射Φ(X(k))把输入数据转化为高维空间。

S403：对模型进行训练，利用采集的L组历史数据对模型进行训练，其目标函数为：

其中，B＝[b¹>n]^T，分别表示权值和偏差，E_i为拟合误差。

S404：对上述优化问题通过构造拉格朗日函数进行优化，得到模型的权值：

S405：建立基函数权值与输入变量之间的关系：

V(k+1)＝W^TΦ(X(k))+Β>

S406：对下一时刻进行温度概率分布密度函数进行预测：

γ_m(T,k+1)＝C(T)V_m(k+1)+B_n(T)w_n(k+1)>

预测模型的选择并不局限为上述方法，本发明不一一赘述，不脱离本发明思想的均应涵盖在本发明的权利要求范围当中。

S500：在得到下一时刻的温度概率分布后，利用预测输出信息结合温度概率分布进行反馈校正，进行实时反馈校正，具体实现方式如下：

确定第k时刻实际输出的温度概率分布密度和预测输出的温度概率分布密度之间的误差为：

e(T,k)＝γ(T,k)-γ_m(T,k)>

利用该误差对预测输出的温度概率分布密度进行反馈修正，修正后的预测输出为：

γ_J(T,k+1)＝γ_m(T,k+1)+ηe(T,k)>

其中，η为校正系数，其取值范围为0＜η＜1。

S600：根据k+1时刻的温度修正对供热输出控制进行实时调节，具体实现方式如下：

计算k+1时刻期望温度与预测温度的差值为：

e_J(T,k+1)＝γ_g(T,k+1)-γ_J(T,k+1)>

构造最小化温度差异的性能指标函数：

J₁(u(k))＝∫(γ(T,u(k))-γ_g(T,u(k))²dT>

考虑整个供热系统的节能效果，使能量最小化的性能指标函数：

J₂(u(k))＝u(k)^TRu(k)>

优化求解，利用优化算法求取同时满足式(23)和(24)性能指标的控制输出，即：

arg min J(u(k))＝(J₁(u(k)),J₂(u(k)))>

以期望温度分布与第k+1时刻的温度分布差值作为输入，利用优化算法确定供热系统的控制输出。构建同时满足热用户温差最小和供热系统能量消耗最小的性能指标，利用优化算法对该性能指标进行优化，得到最终的系统输出控制量u^*(k)。

本专利所提出的基于随机分布控制算法的区域供热节能控制方法整体过程如附图1所示，实时过程中根据预测温度概率分布与期望温度概率分布的误差反馈调节过程如附图2所示。本发明通过随机分布算法对供热区域温度概率分布进行估计，建立供热输入与温度概率分布之间的关系，实现根据温度的实时变化来及时调节供热系统的变频器，使供热效果更加明确，既满足热用户的期望温度要求，又有效地降低不必要的能源损耗，实现节能控制的目的，具有重要的实用价值。

通过上述具体实施方式可以实现基于随机分布控制算法的区域供热节能控制。但是本发明并不限于上述实施方式，在不脱离本发明精神和范围的任何修改或局部替换，均应涵盖在本发明的权利要求范围当中。