基于XGBoost的供热系统热力站调控预测方法

doi:10.3969/j.issn.2097-0706.2023.12.005

综合智慧能源 ›› 2023, Vol. 45 ›› Issue (12): 36-42.doi: 10.3969/j.issn.2097-0706.2023.12.005

基于XGBoost的供热系统热力站调控预测方法

雍和忠¹(), 章宁², 黄伟³, 魏峥¹, 吴燕玲³^,⁴^,^*(), 钟崴³

1.盐城热电有限责任公司，江苏盐城 224002
2.浙江大学工程师学院，杭州 310015
3.浙江大学能源工程学院，杭州 310027
4.浙江大学常州工业技术研究院，江苏常州 213022

收稿日期:2023-06-19 修回日期:2023-08-21 出版日期:2023-12-25 发布日期:2023-08-25
通讯作者: ^*吴燕玲（1982），女，副研究员，博士，从事锅炉机组建模与性能分析、复杂热力系统建模与优化分析、能源动力系统稳态等方面的研究，shelleywu@zju.edu.cn。
作者简介:雍和忠（1968），男，工程师，从事供热服务相关工作，hzyong2001@sina.cn。
基金资助:
国家重点研发计划项目(2019YFE0126000)

XGBoost-based regulation and prediction method for the heating station's heating system

YONG Hezhong¹(), ZHANG Ning², HUANG Wei³, WEI Zheng¹, WU Yanling³^,⁴^,^*(), ZHONG Wei³

1. Yancheng Thermal Power Company Limited，Yancheng，224002，China
2. Polytechnic Institute， Zhejiang University，Hangzhou 310015，China
3. College of Energy Engineering， Zhejiang University，Hangzhou 310027，China
4. Changzhou Industrial Technology Research Institute， Zhejiang University，Changzhou 213022，China

Received:2023-06-19 Revised:2023-08-21 Online:2023-12-25 Published:2023-08-25
Supported by:
National Key R&D Program of China(2019YFE0126000)

摘要/Abstract

摘要：

热力站精准预测调控为降低供热系统供热能耗、提升用户热舒适性和降低污染物排放提供关键数据支撑。为了充分利用热力站历史运行状态、阀门未来设定开度、天气特征等关键数据对热力站二次供、回水温度进行精准调控，提出了一种基于极限梯度提升（XGBoost）的供热系统热力站调控预测方法。对上述数据进行预处理、特征构造、模型训练和预测生成热力站温度响应预测模型，结合二次网温度延迟时间进而确定阀门调控策略。提出的方法在24 h的预测温度和实际温度对比中，最大预测误差为0.47 ℃，验证了热力站温度响应模型的准确度和可靠性，可用于指导热力站的温度调控。

关键词: 热力站, XGBoost, 模型训练, 阀门调控, 预测精度, 智慧供热

Abstract:

Accurate prediction and control of heating stations provide solid data support for the heating systems' energy consumption reduction， users' thermal comfort improvement and pollutant emission alleviation. Making full use of a heating station's key data， such as historical operating states，the set openings of valves and the weather characteristics， a heating station control and prediction method based on Extreme Gradient Boost（XGBoost） is proposed to make accurate regulation on secondary heating supply and return water temperature. Preprocessing， feature construction and model training are conducted on the data above，then a heating station temperature response prediction model is generated. Combining the model and temperature delay time of the secondary network， the valve control strategy is thereafter made. The error between the 24 h predicted temperature and the measured temperature is kept within 0.47 ℃， which verifies the accuracy and reliability of the heating station temperature response prediction model. The proposed strategy can guide the temperature control of heating stations.

Key words: heating station, XGBoost, model training, valve control, prediction accuracy, intelligent heating

中图分类号:

TK11

雍和忠, 章宁, 黄伟, 魏峥, 吴燕玲, 钟崴. 基于XGBoost的供热系统热力站调控预测方法[J]. 综合智慧能源, 2023, 45(12): 36-42.

YONG Hezhong, ZHANG Ning, HUANG Wei, WEI Zheng, WU Yanling, ZHONG Wei. XGBoost-based regulation and prediction method for the heating station's heating system[J]. Integrated Intelligent Energy, 2023, 45(12): 36-42.

图/表 9

图1

图2

表1

图3

图4

图5

图6

图7

图8

参考文献 20

[1]	钟崴, 陆烁玮, 刘荣. 智慧供热的理念、技术与价值[J]. 区域供热, 2018(2): 1-5.
[2]	王肖, 顾洁, 周浩. 基于全网平衡理论的热力站个性化质调节[J]. 煤气与热力, 2018, 38(6):8-13.
	WANG Xiao, GU Jie, ZHOU Hao. Individualized constant flow control of substations based on whole network equilibrium theory[J]. Gas & Heat, 2018, 38(6):8-13.
[3]	张军. 二级网调节在集中供热系统中技术与经济性分析[J]. 中外企业家, 2019(33): 184-185.
[4]	王睿鑫, 周志刚, 荆强, 等. 高校供热系统调控策略优化研究[J]. 煤气与热力, 2020, 40(11):1-8,43-44.
	WANG Ruixin, ZHOU Zhigang, XING Qiang, et al. Research on optimizing control strategy of heating system in colleges and universities[J]. Gas & Heat, 2020, 40(11):1-8,43-44.
[5]	刘剑, 付国栋, 付强, 等. 以用户室温作为调控目标的二次网智能平衡技术的应用[J]. 区域供热, 2020(4):129-133,145.
[6]	邵博, 孙春华, 齐承英. 供暖状态下建筑热特性仿真分析[J]. 暖通空调, 2017, 47(1): 124-128.
	SHAO Bo, SUN Chunhua, QI Chengying. Building thermal characteristic simulation under heating condition[J]. Heating Ventilating & Air Conditioning, 2017, 47(1): 124-128.
[7]	ZHONG W, HUANG W, LIN X J, et al. Research on data-driven identification and prediction of heat response time of urban centralized heating system[J]. Energy, 2020, 212: 118742. doi: 10.1016/j.energy.2020.118742
[8]	朱铁军, 李忠波. 公共建筑分时间歇调控模式研究与应用[J]. 区域供热, 2016(6): 80-85.
[9]	李仲博, 贾萌, 康焱, 等. 基于MPC方法的供热系统一次侧流量实时预测[J]. 系统仿真学报, 2021, 33(1):180-188. doi: 10.16182/j.issn1004731x.joss.19-0148
	LI Zhongbo, JIA Meng, KANG Yan, et al. Real-time prediction of primary flow by MPC method in heating system[J]. Journal of System Simulation, 2021, 33(1):180-188. doi: 10.16182/j.issn1004731x.joss.19-0148
[10]	XUE P N, JIANG Y, ZHOU Z G, et al. Multi-step ahead forecasting of heat load in district heating systems using machine learning algorithms[J]. Energy, 2019, 188: 116085. doi: 10.1016/j.energy.2019.116085
[11]	CHEN Y T, ZHANG D X. Theory-guided deep-learning for electrical load forecasting(TgDLF) via ensemble long short-term memory[J]. Advances in Applied Energy, 2021, 1: 100004. doi: 10.1016/j.adapen.2020.100004
[12]	薛普宁, 周志刚, 蒋毅, 等. 基于机器学习的供热系统热负荷多步递归预测[J]. 煤气与热力, 2019, 39(7):20-27.
	XUE Puning, ZHOU Zhigang, JIANG Yi, et al. Multi-step ahead recursive prediction of heat load of heating system based on machine learning[J]. Gas & Heat, 2019, 39(7):20-27.
[13]	赵秉文, 李婉, 金宇. 基于PSO-LSSVM的供热负荷预测研究[J]. 建筑节能, 2021, 49(6):46-49,78.
	ZHAO Bingwen, LI Wan, JIN Yu. Heating load prediction based on PSO-LSSVM[J]. Building Energy Efficiency, 2021, 49(6):46-49,78.
[14]	秦浩宇. 建筑计量供热系统动态调控特性与节能研究[D]. 北京: 北京建筑大学, 2017.
	QIN Haoyu. Study on building dynamic adjustment performance and energy-saving of heat metering system[D]. Beijing: Beijing University of Civil Engineering and Architecture, 2017.
[15]	姜永增, 刘涛, 潘军刚. 基于实际热需求的单一建筑类型区域供热系统节能调控方法研究[J]. 建筑节能, 2020, 48(12):99-104.
	JIANG Yongzeng, LIU Tao, PAN Jungang. Energy-saving regulation method of district heating system of single building type based on actual heat demand[J]. Building Energy Efficiency, 2020, 48(12):99-104.
[16]	李婉, 赵秉文, 陈军松, 等. 基于负荷预测的热网运行调控策略[J]. 浙江建筑, 2020, 37(6):57-60,64.
	LI Wan, ZHAO Bingwen, CHEN Songjun, et al. Operation control strategy of heat network based on load prediction[J]. Zhejiang Construction, 2020, 37(6):57-60,64.
[17]	王义, 杨志伟, 吴坡, 等. 计及高比例分布式光伏能源接入的配电网状态估计[J]. 综合智慧能源, 2022, 44(10):12-18. doi: 10.3969/j.issn.2097-0706.2022.10.002
	WANG Yi, YANG Zhiwei, WU Po, et al. State estimation for the distribution network with high-proportion distributed photovoltaic energy[J]. Integrated Intelligent Energy, 2022, 44(10): 12-18. doi: 10.3969/j.issn.2097-0706.2022.10.002
[18]	梁曦文, 王映品, 李林, 等. 有源电力滤波器直流电压简单模糊比例控制[J]. 综合智慧能源, 2022, 44(4):28-35. doi: 10.3969/j.issn.2097-0706.2022.04.004
	LIANG Xiwen, WANG Yingpin, LI Lin, et al. Simple fuzzy proportional control on DC-link voltage of active power filters[J]. Integrated Intelligent Energy, 2022, 44(4):28-35. doi: 10.3969/j.issn.2097-0706.2022.04.004
[19]	李珠林, 李慧, 刘思嘉, 等. 基于MPCC-PIγDμ控制的直驱永磁风力发电系统[J]. 电力系统及其自动化学报, 2023, 35(5):1-10.
	LI Zhulin, LI Hui, LIU Sijia, et al. Direct-driven permanent magnet wind power generation system based on MPCC-PIγDμ control[J]. Proceedings of the CSU-EPSA, 2023, 35(5):1-10.
[20]	高明, 陈家豪, 王丽晓, 等. 考虑光伏不确定性因素的电力系统概率潮流三点估计法[J]. 综合智慧能源, 2022, 44(9):1-10. doi: 10.3969/j.issn.2097-0706.2022.09.001
	GAO Ming, CHEN Jiahao, WANG Lixiao, et al. A three-point probabilistic load flow estimation algorithm for the power system considering photovoltaic uncertainties[J]. Integrated Intelligent Energy, 2022, 44(9):1-10. doi: 10.3969/j.issn.2097-0706.2022.09.001

时间	一次供水温度/ ℃	一次供水压力/MPa	阀门开度/ %	二次回水温度/ ℃	天气温度/ ℃	阀门预设开度/ %	二次供水温度/ ℃
07:00	83.21	0.81	21	45.60	-2.0	21	21.00
08:00	84.13	0.83	21	45.23	-1.4	21	21.00
09:00	85.00	0.83	21	45.12	0.0	21	21.00
10:00	85.76	0.83	21	44.98	1.0	21	21.00
11:00	86.45	0.85	21	44.85	1.5	21	21.00
12:00	87.23	0.82	20	44.35	2.3	20	20.00
13:00	88.00	0.87	19	44.20	3.0	19	19.00
14:00	89.49	0.87	19	43.88	2.8	19	19.00
15:00	90.22	0.87	19	43.50	2.6	19	19.00
16:00	91.24	0.88	18	43.44	2.5	18	18.00
17:00	92.57	0.88	18	43.28	2.5	18	18.00
18:00	92.88	0.88	18	43.16	2.4	18	18.00
19:00	93.15	0.88	18	43.07	2.0	18	18.00

基于XGBoost的供热系统热力站调控预测方法

XGBoost-based regulation and prediction method for the heating station's heating system

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 20

相关文章 13

编辑推荐

Metrics

本文评价

[1]	钟崴, 薄其明, 蔡晨钰, 路诗梦, 李曼洁. 基于模型预测的地热-燃气互补供暖系统智慧调度控制[J]. 综合智慧能源, 2023, 45(12): 29-35.
[2]	张旭, 张浩浩, 顾吉浩. 室温空间特性差异性分析及抽样推断方法研究[J]. 综合智慧能源, 2022, 44(9): 51-58.
[3]	胡倩, 孙志达, 江坷滕, 雷一, 李海波. 基于短期负荷打捆预测的售电公司偏差考核控制方法[J]. 华电技术, 2021, 43(4): 47-55.
[4]	郑刚, 李金刚, 刘依婷. 基于建筑综合物性系数的换热站运行调节策略分析[J]. 华电技术, 2021, 43(12): 72-78.
[5]	钟崴, 郑立军, 俞自涛, 林小杰 . 基于“数字孪生”的智慧供热技术路线[J]. 华电技术, 2020, 42(11): 1-5.
[6]	叶青 , 孙海龙 , 孔凡淇 , 王叶飞 , 赵琼 , 钟崴 , 李丰均 , 居国腾 . 工业园区蒸汽热网智慧调度技术研究及应用[J]. 华电技术, 2020, 42(11): 6-13.
[7]	张尹路 , 李文甲 , 康利改 . 智慧供热在分布式燃气供热中的应用与优化提升[J]. 华电技术, 2020, 42(11): 14-20.
[8]	胡雪, 杨俊红, 刘德朝, 史鑫钰, 崔棉善 . 基于人工智能与热力系统融合的综合节能[J]. 华电技术, 2020, 42(11): 21-33.
[9]	方修睦, 杨大易, 周志刚, 刘京. 供热自动化、信息化及智慧化的差异探讨[J]. 华电技术, 2020, 42(11): 34-38.
[10]	任新生. 火电企业供热生产集中化、智能化的改造实践[J]. 华电技术, 2019, 41(11): 70-75.
[11]	陶莉1，朱小光2. 数据预处理对电力负荷预测精度的影响[J]. 华电技术, 2015, 37(9): 8-10.
[12]	乔松珊;张建军. 基于灰色周期组合模型的电力月度负荷预测方法[J]. 华电技术, 2012, 34(8): 14-16.
[13]	方疆;刘庆超. 基于支持向量机的风电场快速投资估算[J]. 华电技术, 2012, 34(6): 73-76.