1. На главную
  2. Электронные версии
  3. Теплоэнергетика
  4. № 4, 2024

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

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.

Ключевые слова: система централизованного теплоснабжения, отопление по требованию, распределение тепла, хаотическая оптимизация роем частиц, рекуррентная нейронная сеть, прогнозирование тепловой нагрузки, имитационная модель

Список литературы

  1. US Energy Information Administration. International energy outlook 2019 with projections to 2050: Monthly Energy Review. Washington DC, 2019.

  2. Building energy efficiency research center. Tsinghua University. Annual development research report of China building energy conservation 2021. China, Beijing: China Building & Building Press, 2021.

  3. 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

  4. 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

  5. 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

  6. 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

  7. 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

  8. 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.

  9. 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

  10. 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

  11. 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

  12. 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

  13. 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

  14. Fair heat distribution under deficits in district heating networks / F. Agner, P. Kergus, R. Pates, A. Rantzer. Lund University, 2021.

  15. 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

  16. 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

  17. 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

  18. Lu K. Real-time optimization of load scheduling for multi-source complementary urban heating system: Master thesis. Zhejiang University, 2018.

  19. 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

  20. 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.

  21. 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

  22. 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

  23. Bao Z.Y., Yu J.Z., Yang S. Intelligent optimization algorithm and its MATLAB example. 2nd ed. Beijing: Publishing House of Electronics Industry, 2016.

  24. 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

предыдущая статья выпуска содержание выпуска

Теплоэнергетика

Архивы выпусков Информация о журнале Отправить рукопись в журнал