Теплоэнергетика, 2024, № 4, стр. 89-100
Распределение тепла тепловым пунктом системы централизованного теплоснабжения на основе прогнозирования нагрузки
Bingwen Zhao a, b, *, Hanyu Zheng b, Ruxue Yan b
a Keyi College of Zhejiang Sci-Tech University
312369 Shaoxing, China
b Zhejiang Sci-Tech University
310018 Hangzhou, China
* E-mail: 1353139749@qq.com
Поступила в редакцию 05.09.2022
После доработки 10.11.2022
Принята к публикации 25.11.2022
Полные тексты статей выпуска доступны в ознакомительном режиме только авторизованным пользователям.
Аннотация
Развитие системы централизованного теплоснабжения (СЦТ) – основного средства отопления городов и поселков в Китае – по-прежнему сопряжено с проблемами, связанными с эффективностью ее управления, а также с дисбалансом спроса и предложения, возникающим при распределении тепла. В результате энергия, получаемая зданиями от системы централизованного теплоснабжения, может составлять более половины общего энергопотребления. Для устранения такого дисбаланса был исследован процесс управления распределением тепла каждого теплообменного пункта в первичной сети. Ее тепловая модель создается с помощью рекуррентной нейронной сети (recurrent neural network – RNN), а набор данных, используемых для моделирования, представляет собой информацию, поступающую с функционирующих тепловых пунктов. С учетом модели прогнозирования тепловой нагрузки была предложена стратегия распределения тепла с целью усовершенствовать работу тепловых пунктов. Процесс оптимизации первичных расходов теплоносителя на каждом отдельном тепловом пункте сети осуществляется с помощью алгоритма оптимизации роем хаотических частиц (chaotic particle swarm optimization – CPSO) в соответствии с прогнозируемым значением нагрузки, а затем происходит регулирование расхода первичной сети с параметрами вторичной сети. Для проверки этой стратегии в графической среде Simulink было выполнено моделирование температуры воды, подаваемой во вторичную сеть теплового пункта. Результаты анализа полученных данных подтвердили, что предложенная стратегия является эффективной. Как итог, представленная в данной работе схема позволяет наиболее качественно распределять тепло от теплового пункта к потребителям.
Полные тексты статей выпуска доступны в ознакомительном режиме только авторизованным пользователям.
Список литературы
US Energy Information Administration. International energy outlook 2019 with projections to 2050: Monthly Energy Review. Washington DC, 2019.
Building energy efficiency research center. Tsinghua University. Annual development research report of China building energy conservation 2021. China, Beijing: China Building & Building Press, 2021.
Research on Macro data statistics and improved analysis method of central heating energy consumption in Northern China / W. Na, Y.X. Zhang, J.S. Wu, Y. Wu // District Heating. 2019. V. 3. P. 22–27. https://doi.org/10.16641/j.cnki.cn11-3241/tk.2019.03.004
Yabanova İ., Keçebaş A. Development of ANN model for geothermal district heating system and a novel pid-based control strategy // Appl. Therm. Eng. 2013. V. 51. Is. 1–2. P. 908–916. https://doi.org/10.1016/j.applthermaleng.2012.10.044
4th Generation District Heating (4GDH): Integrating smart thermal grids into future sustainable energy systems / H. Lund, S. Werner, R. Wiltshire, S. Svendsen, J.E. Thorsen, F. Hvelplund, B.V. Mathiesen // Energy. 2014. V. 68. P 1–11. https://doi.org/10.1016/j.energy.2014.02.089
Oko E., Wang M.H., Zhang J. Neural network approach for predicting drum pressure and level in coal-fired subcritical power plant // Fuel. 2015. V. 151. P. 139–145. https://doi.org/10.1016/j.fuel.2015.01.091
Experiences from city-scale simulation of thermal grids / J. Simonsson, G. Schweiger, K.T. Atta, W. Birk // Resources. 2021. V. 10. Is. 2. P. 1–10. https://doi.org/10.3390/resources10020010
Li Y.C., Fang T.J., Yu E.K. Support vector machine for short-term load forecasting // CSEE 2003. V. 23. Is. 6. P. 55–58.
Strunik D., Golob M., Avsec J. Artificial neural networking model for the prediction of high efficiency boiler steam generation and distribution // Simulation Modell. Practice Theory. 2015. V. 57. P. 58–70. https://doi.org/10.1016/j.simpat.2015.06.003
Improved day ahead heating demand forecasting by online correction methods / F. Bünning, P. Heer, R.S. Smith, J. Lygeros // Energy Build. 2020. V. 211. P. 109821. https://doi.org/10.1016/j.enbuild.2020.109821
Research on heating load forecasting based on GRU neural network / Y. Jin, B.W. Zhao, H.Y. Zheng, W. Li // Sci. Technol. Bull. 2022. V. 1. P. 68–72. https://doi.org/10.13774/j.cnki.kjtb.2022.01.011
Wang S., Wang P., Zhang Y. A prediction method for urban heat supply based on grey system theory // Sustainable Cities Soc. 2019. V. 52. P. 101819. https://doi.org/10.1016/j.scs.2019.101819
Improving short-term heat load forecasts with calendar and holiday data / M. Dahl, A. Brun, O.S. Kirsebom, G.B. Andresen // Energies. 2018. V. 11. Is. 7. P. 1678. https://doi.org/10.3390/en11071678
Fair heat distribution under deficits in district heating networks / F. Agner, P. Kergus, R. Pates, A. Rantzer. Lund University, 2021.
Distinguish between the economic optimal and lowest distribution temperatures for heat-prosumer-based district heating systems with short-term thermal energy storage / H. Li, J. Hou, T. Hong, N. Nord // Energy. 2022. V. 248. P. 123601. https://doi.org/10.1016/j.energy.2022.123601
Short term optimization of district heating network supply temperatures / E. Ikonen, I. Selek, J. Kovacs, M. Neuvonen, Z. Szabo, J. Bene, J. Peurasaari // Proc. of the 2014 IEEE Intern. Energy Conf. (Energycon). Cavtat, Croatia, 13–16 May 2014. https://doi.org/10.1109/ENERGYCON.2014.6850547
Investigation of optimized network splitting of large-scale urban centralized heating system operation / W. Zhong, J. Chen, Y. Zhou, Zh. Li, Z. Yu, X. Lin // Energy Reports. 2020. V. 6. P. 467–477. https://doi.org/10.1016/j.egyr.2020.02.012
Lu K. Real-time optimization of load scheduling for multi-source complementary urban heating system: Master thesis. Zhejiang University, 2018.
Lipton Z.C., Berkowitz J., Elkan C. A critical review of recurrent neural networks for sequence learning // Computer Sci. 2015. V. 4. P. 1–38. https://doi.org/10.48550/arXiv.1506.00019
Review of recurrent neural networks / L. Yang, Y.Q. Wu, J.L. W, Y.L. L // J. Computer Appl. 2018. V. 38. Is. S2. P. 1–6.
Learning phrase representations using RNN encoder-decoder for statistical machine translation / K. Cho, B. van Merriënboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk, Y. Bengio // Proc. of the 2014 Conf. on Empirical Methods in Natural Language Processing (EMNLP). Doha, Qatar, Oct. 2014. P. 1724–1734. https://doi.org/10.3115/v1/D14-1179
A comparative study of two simulation tools for the technical feasibility in terms of modelling district heating systems: an optimization case study / A. Dahash, S. Mieck, F. Ochs, H.J. Krautz // Simulation Modell. Practice Theory. 2018. V. 91. P. 48–68. https://doi.org/10.1016/j.simpat.2018.11.008
Bao Z.Y., Yu J.Z., Yang S. Intelligent optimization algorithm and its MATLAB example. 2nd ed. Beijing: Publishing House of Electronics Industry, 2016.
Hierarchical economic load dispatch based on chaotic-particle swarm optimization / Y. Zhu, Q. Li, Y. Feng, W. Han, F. Liu, C. Han., J. Zhou, F. Si // Proc. of the 9th Intern. Conf. on Natural Computation (ICNC). Shenyang, China, 23–25 July 2013. https://doi.org/10.1109/ICNC.2013.6818031
Дополнительные материалы отсутствуют.
Инструменты
Теплоэнергетика