BP 算法预测控制在供热系统中的节能应用

朱冬雪 鹿世化 张帆 过继伟 葛雪锋

1 南京师范大学能源与机械工程学院

2 浙江正泰聚能科技有限公司

0 引言

我国北方地区集中供热系统中采暖用户行为不规范[1]，系统自动化水平不高[2]，楼房建筑结构保温性能不好[3]和统计预测能力不强等造成了系统能耗损失严重，采暖用户室内温度冷热不均，采暖成本较高。

目前国内外许多研究学者对集中供热系统前端，末端和室内温度节能控制策略做了大量研究[4-7]，但供热系统二次管网水力失衡问题仍得不到很好的解决。本文在建筑楼栋供热系统的回水管道上安装IBV 电子平衡阀，采用BP 神经网络算法对建筑热负荷和阀门开度进行预测，在满足采暖用户用热需求的基础上，有效地降低供热系统的运行能耗，减少采暖成本。

1 集中供热系统原理

本文以山东省滨州市某小区集中供暖项目为研究对象，小区的总面积为94159 万m2，实际供暖面积约为74300 万m2，小区的入住率达到70%～80%。小区集中供热系统采用直接供热的方式由供热站直接向用户输送热量，随着采暖用户的增加、部分用户用热行为不规范、管网使用时间长等，造成供热管网漏水、水力失衡严重、末端用户冷热不均、系统能耗增加。为了提高供热系统采暖用户的舒适性、降低系统能耗，本文对小区集中供热系统进行改进，在办公楼、幼儿园、小学三栋楼供热系统回水管道上安装IBV 电子平衡阀，通过调节电子平衡阀的开度对供热系统进行分时控制。小区集中供热原理图如图1 所示。

图1 小区集中供热原理图

2 BP 神经网络预测模型的构建

2.1 BP 神经网络算法结构

在集中供热系统中，热负荷预测物理模型建立起来比较困难，因为供热系统为非线性系统，各个参数之间关系比较复杂。此外，集中供热控制系统调节过程中存在一定的时间延迟，如果不能及时的进行预测调整，不仅给用户带来较差的舒适感，还会造成系统能耗损失。针对这一问题，本文提出了一种基于BP 神经网络热负荷预测及阀门开度预测的方法来提高用户舒适度，降低系统能耗。BP 神经网络是在生物神经元研究的基础上提出的一种抽象模型[8]，BP 神经网络的基本模型是一个三层前馈网络，包括输入层，隐含层和输出层[9-10]。通过黑盒模型建立各层之间的连接，适用于复杂非线性对象的预测建模[11]。

2.2 BP 算法预测模型输入、输出变量的选取

在集中供热系统热负荷预测和阀门开度预测模型中，影响预测模型因素有很多。通过对小区采暖建筑的实地考察和采暖数据分析得出，BP 神经网络热负荷预测和阀门开度预测模型的最大影响因素为空气相对湿度，风速，室内平均温度，太阳辐射，室外平均温度，历史IBV 电子平衡阀开度和历史热负荷。

为了保证预测模型的精确性，选取山东省滨州市某小区空气相对湿度、风速、室内平均温度、太阳辐射、室外平均温度作为神经网络热负荷和阀门开度预测模型的输入，IBV 电子平衡阀开度和热负荷作为输出。

2.3 历史数据的预处理

BP 神经网络预测模型构建的过程中需要大量数据用于学习和训练。选取山东省滨州市某小区2017 年11 月24 日-2018 年3 月15 日期间的11200 组数据进行训练，并选用2018 年12 月份30 天的数据进行预测。从项目现场采集过来的原始数据中，有些数据可能因为设备故障、人为因素、设备精密度、数据传输干扰或者恶劣天气状况等因素存在一些误差，可信度较低[12]。如果不及时的对这些数据进行预处理，BP 算法在学习过程中，可能数据会发散，对供热系统预测模型的准确性会产生很大影响。因此，采用偏离率修正方法对历史数据进行处理，保证预测模型的精确性。

偏离率的计算公式如下：

式中：ε 为偏离率；λ 为实际值；E 为平均值。

本文选取偏离率ε=1 对数据进行处理，当偏离率小于1 时，保留原始数据。当偏离率大于1 时，选择两边相邻时刻数据的平均值作为当前数值来完成数据的修正。

2.4 输入、输出参数的归一化处理

历史数据修正过后，在BP 神经网络热负荷预测和阀门开度预测模型的程序运行过程中，为了避免各个输入、输出变量之间因关联性较差而造成预测数据偏差大等问题的出现，需要对模型的输入、输出变量进行归一化处理，将各个变量的参数值都换算成[-1,1]区间的数值。

2.5 预测模型的仿真

由上文可知，BP 神经网络预测模型输入层的数量为5，输出层的数量为2，而对于神经网络来说决定模型预测结果的好坏主要取决于学习速率和隐含层节点的个数。本文选取预测模型的学习速率为0.01，经过多次的学习训练，得出隐含层节点数为10 时，BP 神经网络算法预测模型最为精确。预测模型的仿真曲线如图2 所示。

图2 预测模型的仿真曲线图

从BP 神经网络预测模型的仿真曲线可以看出，热负荷相对误差最大为0.03，阀门开度相对误差最大为0.048，其相对误差均在5%以内。即在隐含层节点数为10 时，相对误差曲线趋于稳定，BP 神经网络预测模型最为精确，可以在工程项目中应用，为供热系统节约能耗。

3 基于BP 神经网络预测模型控制方法的节能分析

表1 是小区供热系统改造前后系统每天能耗量，热量及COP。

表1 小区供热系统改造前运行数据

从表1 可以看出，小区供热系统加入IBV 电子平衡阀后，采用精度高的BP 神经网络算法预测模型进行调控，COP不含水泵为2.18，COP含水泵为1.94，比改造前的高。

5 结束语

为了降低小区集中供热系统的运行能耗，采用BP神经网络热负荷预测和阀门开度预测方法对小区采暖建筑进行预测模型的建立。通过大量的学习训练，得出最优BP 神经网络热负荷预测和阀门开度预测模型的学习速率为0.01，神经网络结构为5-10-2。运用最优的BP 神经网络预测模型控制方法对小区集中供热系统阀门开度进行分时调控，根据今年和去年同期运行数据对比，得出基于BP 神经网络预测控制方法的供热系统所提供的热量比去年降低7.4%，系统运行能耗同比降低9.5%。该BP 神经网络预测模型控制方法有效的降低了供热系统的运行能耗。