基于预测模型的工业余热并入热网的供热系统控制方法与流程

1.本发明属于智慧供热技术领域，具体涉及一种基于预测模型的工业余热并入热网的供热系统控制方法。


背景技术：

2.随着生活质量的提升，居民对居住环境舒适度的要求越来越高，这进一步加大了供热采暖系统的压力。仅仅采用传统燃煤供暖已不能满足城镇的采暖需求和环保要求，因此，寻求和研究一种节能、环保、经济的采暖供热热源已成为一种必然趋势。
3.当前工业中的能源消耗中含有大量的工业余热，如果不能有效将其利用，直接将余热散失到环境中，不仅会浪费大量的余热资源，降低能源利用率，而且会使环境温度升高，造成温室效应。若能利用高效的余热回收技术将这部分工业余热回收利用，转换成能够使用的品位热能，实现工业余热再次利用，将给企业带来显著的节能效果和良好的经济效益，同时符合国家政策的要求，可以成为我国北方城镇首选的替代采暖热源之一。
4.目前常用的余热回收利用方法是利用吸收式热泵技术将余热的品位提高，实现余热的再次利用，提高工业的能源利用率。然而，在工业余热回收方面，依然存在回收利用难度大等问题，针对工业企业产生的不同类型的工业余热，且由于工业生产过程复杂、波动性大，所产生的工业余热也存在一定的不确定性，如何对所产生的工业余热量进行精准预测，以及将工业余热并入热网后如何对工业余热的需求量进行科学合理的控制是目前急需解决的问题。
5.基于上述技术问题，需要设计一种新的工业余热并入热网的供热系统控制方法。


技术实现要素：

6.本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于预测模型的工业余热并入热网的供热系统控制方法，能够采用机器学习算法对工业园区产生的工业余热量进行分时段预测，对余热回收装置中的调节部件进行分时段预测控制，提高了工业余热的回收利用效果，降低工业能耗，减少污染物的排放，同时增加供热量，缓解供暖压力。
7.为了解决上述技术问题，本发明的技术方案是：
8.本发明提供了一种基于预测模型的工业余热并入热网的供热系统控制方法，它包括：
9.步骤s1、将工业园区产生工业余热的关键功能区域作为工业余热回收处，并对不同工业余热回收处赋予余热回收权重；
10.步骤s2、根据工业余热的品位类型设置相应的余热并入热网的控制方式和部署相应的余热回收装置；
11.步骤s3、根据各个工业余热回收处采集的与余热量相关的历史运行参数，采用混合机器学习算法建立各个工业余热回收处的分时段余热量预测模型；
12.步骤s4、根据余热量预测模型计算获得各个工业余热回收处的分时段余热量预测
值，结合预设的分时段供热管网回水温度目标值和工业余热并入热网的供热系统运行数据，采用机器学习算法建立分时段的余热回收装置控制模型；
13.步骤s5、根据分时段的余热回收装置控制模型对余热回收装置中的调节部件进行分时段控制后，将工业余热通过余热回收装置并入热网。
14.进一步，所述步骤s1包括：
15.依据工业园区不同功能区域产生工业余热的效率和余热回收难易程度，采用聚类算法对不同功能区域进行分区后获知产生工业余热的关键功能区域，并作为工业余热回收处；
16.采用基于信息熵的层次分析法对不同工业余热回收处赋予余热回收权重：
17.建立层次分析结构，包括目标层、准则层和指标层；所述目标层以不同工业余热回收处的余热回收效果作为评价总目标；所述准则层为影响余热回收效果的评价指标，至少包括经济评价指标、环境评价指标和节能评价指标；所述指标层为各个工业余热回收处；
18.构建评价指标决策矩阵：根据1～9标度法，计算任意两个评价指标的重要性比值，并根据所述重要性比值确定初步决策矩阵，再对所述初步决策矩阵进行归一化处理，获得评价指标决策矩阵；
19.根据所述评价指标决策矩阵计算每个评价指标的权值，并去除所述权值小于预设值的评价指标，获得关键性评价指标；
20.通过层次分析法计算每个关键性评价指标的主观权重；
21.通过信息熵法计算每个关键性评价指标的客观权重；
22.将每个关键性评价指标的主观权重和客观权重相结合获得综合权重，再根据综合权重和评价指标决策矩阵分配不同工业余热回收处的余热回收权重。
23.进一步，所述步骤s2包括：
24.基于工业余热回收处的余热温度和压力将工业余热划分为高品位工业余热和低品位工业余热；
25.针对高品位工业余热，经换热器换热后，再经过补水、混水后达到并入热网要求后，通过旁通阀接入热网进行余热回收；
26.针对低品位工业余热，采用热泵提升温度、增压泵提升压力后转变为高品位工业余热后接入热网进行余热回收；
27.其中，所述换热器根据余热种类进行设置，包括烟气余热换热器、排渣余热换热器、乏汽余热换热器和循环水余热换热器；所述热泵采用溴化锂吸收式热泵机组，包括冷凝器、蒸发器、吸收器、溶液热交换器和发生器、溶液泵、节流阀；
28.在部署换热器、热泵余热回收装置外，还包括部署数据采集装置、调节阀和余热传输管路、储能设备。
29.进一步，所述步骤s3包括：
30.在各个工业余热回收处采集于余热量相关的历史运行参数，包括各个工业余热回收处的历史时期余热生产设备运行参数、外部环境条件、时间属性和余热种类；
31.对历史运行参数进行相关性分析，提取相关性符合预设条件的特征量；
32.将提取的特征量输入至lightgbm模型中，同时采用k折交叉验证方法进行模型训练，建立分时段余热量lightgbm预测模型；
33.将分时段余热量lightgbm预测模型输出的预测结果、历史各时段余热量值，结合历史时期余热生产设备运行参数、外部环境条件、时间属性和余热种类作为样本数据，进行预处理和特征提取后，输入至lstm模型中建立分时段余热量lstm预测模型；
34.采用模型融合方法对分时段余热量lightgbm预测模型和分时段余热量lstm预测模型进行融合，建立各个工业余热回收处的分时段余热量预测模型；
35.其中，所述分时段是依据一天中余热的产出情况划分为高余热产出时段、中余热产出时段和低余热产出时段。
36.进一步，所述将提取的特征量输入至lightgbm模型中，同时采用k折交叉验证方法进行模型训练，包括：按照k折的比例将特征量划分为训练集和测试集，再选取lightgbm模型预测算法和交叉验证的方式对训练集进行训练，通过训练完成的分时段余热量lightgbm预测模型对测试集进行预测，获得的测试集预测值即为各交叉验证模型预测值的平均值。
37.进一步，所述lightgbm模型的超参数采用ga遗传算法进行优化，包括：
38.初始化ga遗传算法种群和lightgbm模型参数；
39.采用lightgbm模型的预测结果误差倒数作为适应度值，并根据适应度值选取最大值和对应的参数并记录，通过选择、交叉和变异操作更新参数组：选择操作采用轮盘赌法进行自然选择，从参数组中选出适应度最好的参数组并保留，然后对剩余参数组按照交叉率进行交叉操作获得新的参数组，变异操作则是从剩余参数组中随机选取一个，按照一定概率变异获得新个体，再对记录的支持最大适应度的参数组进行更新，最后根据设定的子代规模，判断是否完成进化，最后输出最优解，即为lightgbm模型的学习率、树模型深度和树模型复杂度的参数最优值；
40.所述lstm模型的超参数采用da蜻蜓算法进行优化，包括：
41.初始化da蜻蜓算法和lstm模型参数，包括最大迭代次数、当前迭代次数、种群数量、空间维数和lstm模型的隐含层神经元数量、分块尺寸、最大训练周期数、学习率；以及将lstm模型的隐含层神经元数量、分块尺寸、最大训练周期数、学习率组成参数组合向量；
42.初始化蜻蜓移动过程中的步长向量dx和位置向量x；
43.更新惯性权重w、分离权重s、对齐权重a、聚集权重c、觅食影响因子f、天敌影响因子e和邻域半径r；
44.选取均方根误差作为适应度函数，计算适应度值进行排序，确定蜻蜓的最优个体和最差个体，最优个体对应的位置向量x，即参数组合向量，最差个体作为天敌；
45.通过计算欧式距离判断邻域内是否存在蜻蜓，若存在，则更新步长向量dx和位置向量x；若不存在，则更新位置向量x；
46.更新个体分离、对齐、聚集之后的位置和食物源的位置、天敌的位置；
47.更新步长向量dx和位置向量x；
48.直至达到迭代次数，输出lstm模型的最优参数组合向量；
49.其中，所述更新步长向量dx表示为：
50.dx
t+1
＝(s
×
si+a
×ai
+c
×ji
+f
×fi
+e
×ei
)+w
×
dx
t
；
51.t为当前迭代次数；w为惯性权重；si、ai、ji、fi和ei分别为第i个个体分离、对齐、聚集之后的位置和第i个个体食物源的位置、天敌的位置；
52.所述更新位置向量x，包括：
53.当邻域内存在蜻蜓时，更新位置向量x表示为：x
t+1
＝x
t
+dx
t+1
；
54.当邻域内不存在蜻蜓时，更新位置向量x表示为：x
t+1
＝x
t
+levy(d)
×
x
t
；d为问题维数；levy(d)函数表示为：
[0055][0056]
β为常数；r1和r2为[0,1]之间的随机数；γ(x)＝(x-1)！，x为蜻蜓初始种群个体；
[0057]
所述更新个体分离、对齐、聚集之后的位置和食物源的位置、天敌的位置，分别表示为：
[0058]
x为当前蜻蜓个体的位置；xj为第j个附近蜻蜓个体的位置；n为附近蜻蜓个体的数量；
[0059]vj
为第j个附近蜻蜓个体的速度；
[0060]fi
＝x
+-x，x
+
为食物源的位置；ei＝x-+x，x-为天敌的位置。
[0061]
进一步，所述步骤s4包括：
[0062]
将采集的各个工业余热回收处的数据输入至余热量预测模型中进行计算，获得各个工业余热回收处的分时段余热量预测值，并结合不同工业余热回收处的余热回收权重，计算获得分时段工业余热总量；
[0063]
依据分时段工业余热总量和预设的分时段供热负荷需求、余热回收装置的性能参数、余热回收装置的运行参数、供热管网的运行数据、预设的分时段供热管网回水温度目标值，以及对工业余热优先使用的方式，采用机器学习算法建立分时段的余热回收装置控制模型。
[0064]
进一步，所述预设的分时段供热负荷需求是依据末端用户室温、室外天气、时间属性、供热管网的供回水温度、供热管网的流量数据，并采用机器学习算法进行训练获得；
[0065]
所述预设的分时段供热管网回水温度目标值是结合供热管网回水温度对工业余热利用率的影响，以工业余热回收率为指标，并结合余热回收装置的性能参数通过多次仿真实验进行设置。
[0066]
进一步，所述采用机器学习算法建立分时段的余热回收装置预测控制模型，包括：
[0067]
获取分时段工业余热总量、预置的分时段供热负荷需求、余热回收装置的性能参数、余热回收装置的运行参数、工业余热并入供热管网前后的进出口温度、工业余热经过余热回收装置处理前后的属性参数、预设的分时段供热管网回水温度目标值结合不同工业余
热回收处的余热利用优先级，作为分时段的余热回收装置预测控制模型训练的数据样本；
[0068]
采用融合注意力机制的qrnn模型对分时段的余热回收装置预测控制模型训练的数据样本进行特征提取和模型训练后，建立分时段的余热回收装置预测控制模型；
[0069]
其中，所述融合注意力机制的qrnn模型包括有卷积层、池化层、注意力机制和全连接层。
[0070]
进一步，所述采用融合注意力机制的qrnn模型对分时段的余热回收装置预测控制模型训练的数据样本进行特征提取和模型训练的过程包括：
[0071]
将分时段的余热回收装置预测控制模型训练的数据样本x
′
，通过卷积层采用宽度为k的滤波器在时间维度上对数据样本特征信息加以卷积处理后进行特征提取，再通过激活函数来获得池化层所需的门控向量序列，每个时间步t的计算表示为：
[0072][0073][0074][0075]
数据样本x
′
＝[x1,x2,...,x
t
]；wz、wf和wo为滤波器的权重矩阵；elu和σ为激活函数；z
t
、f
t
和o
t
分别为t时刻的序列信息、遗忘门和输出门；
[0076]
将提取后的数据样本输入至池化层，采用fo-pooling池化方式对第t时刻记忆单元状态c
t
进行更新，表示为：c
t
＝f
t
⊙ct-1
+(1-f
t
)
⊙zt
；
[0077]
qrnn输出h
t
由第t时刻输出门o
t
和记忆单元状态c
t
计算，表示为：h
t
＝o
t
⊙ct
；
⊙
为向量按位相乘运算；
[0078]
在池化层的输出上添加注意权重，对不同时刻的数据特征赋予权重，表示为：l为融合注意力机制的qrnn的层数；s为时间步的长度；为融合注意力机制的qrnn最后一层的最后一个时间步的输出；
[0079]
通过全连接层输出最后输出各个时段的余热回收装置控制指令，表示为：w、b分别为全连接层的权重与偏差。
[0080]
本发明的有益效果是：
[0081]
本发明通过将工业园区产生工业余热的关键功能区域作为工业余热回收处，并对不同工业余热回收处赋予余热回收权重；根据工业余热的品位类型设置相应的余热并入热网的控制方式和部署相应的余热回收装置；根据各个工业余热回收处采集的与余热量相关的历史运行参数，采用混合机器学习算法建立各个工业余热回收处的分时段余热量预测模型；根据余热量预测模型计算获得各个工业余热回收处的分时段余热量预测值，结合预设的分时段供热管网回水温度目标值和工业余热并入热网的供热系统运行数据，采用机器学习算法建立分时段的余热回收装置控制模型；根据分时段的余热回收装置控制模型对余热回收装置中的调节部件进行分时段控制后，将工业余热通过余热回收装置并入热网；能够采用机器学习算法对工业园区产生的工业余热量进行分时段预测，对余热回收装置中的调节部件进行分时段预测控制，提高了工业余热的回收利用效果，降低工业能耗，减少污染物的排放，同时增加供热量，缓解供暖压力。
[0082]
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
[0083]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0084]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0085]
图1为本发明一种基于预测模型的工业余热并入热网的供热系统控制方法流程图；
[0086]
图2为本发明一种基于预测模型的工业余热并入热网的供热系统控制结构示意图。
具体实施方式
[0087]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0088]
实施例1
[0089]
图1是本发明所涉及的一种基于预测模型的工业余热并入热网的供热系统控制方法流程图。
[0090]
图2是本发明所涉及的一种基于预测模型的工业余热并入热网的供热系统控制结构示意图。
[0091]
如图1-2所示，本实施例1提供了一种基于预测模型的工业余热并入热网的供热系统控制方法，它包括：
[0092]
步骤s1、将工业园区产生工业余热的关键功能区域作为工业余热回收处，并对不同工业余热回收处赋予余热回收权重；
[0093]
步骤s2、根据工业余热的品位类型设置相应的余热并入热网的控制方式和部署相应的余热回收装置；
[0094]
步骤s3、根据各个工业余热回收处采集的与余热量相关的历史运行参数，采用混合机器学习算法建立各个工业余热回收处的分时段余热量预测模型；
[0095]
步骤s4、根据余热量预测模型计算获得各个工业余热回收处的分时段余热量预测值，结合预设的分时段供热管网回水温度目标值和工业余热并入热网的供热系统运行数据，采用机器学习算法建立分时段的余热回收装置控制模型；
[0096]
步骤s5、根据分时段的余热回收装置控制模型对余热回收装置中的调节部件进行分时段控制后，将工业余热通过余热回收装置并入热网。
[0097]
在本实施例中，所述步骤s1包括：
[0098]
依据工业园区不同功能区域产生工业余热的效率和余热回收难易程度，采用聚类算法对不同功能区域进行分区后获知产生工业余热的关键功能区域，并作为工业余热回收处；
[0099]
采用基于信息熵的层次分析法对不同工业余热回收处赋予余热回收权重：
[0100]
建立层次分析结构，包括目标层、准则层和指标层；所述目标层以不同工业余热回收处的余热回收效果作为评价总目标；所述准则层为影响余热回收效果的评价指标，至少包括经济评价指标、环境评价指标和节能评价指标；所述指标层为各个工业余热回收处；
[0101]
构建评价指标决策矩阵：根据1～9标度法，计算任意两个评价指标的重要性比值，并根据所述重要性比值确定初步决策矩阵，再对所述初步决策矩阵进行归一化处理，获得评价指标决策矩阵；
[0102]
根据所述评价指标决策矩阵计算每个评价指标的权值，并去除所述权值小于预设值的评价指标，获得关键性评价指标；
[0103]
通过层次分析法计算每个关键性评价指标的主观权重；
[0104]
通过信息熵法计算每个关键性评价指标的客观权重；
[0105]
将每个关键性评价指标的主观权重和客观权重相结合获得综合权重，再根据综合权重和评价指标决策矩阵分配不同工业余热回收处的余热回收权重。
[0106]
需要说明的是，在重工业企业或轻工业企业中存在大量余热资源，在工业的生产及日常运行过程中各种用能设备及产品排放或携带出的有回收价值的热量，对工业余热进行合理利用时，要考虑工业余热的资源和类型、产出工业余热的位置。按照余热资源的不同来源可划分为高温烟气的余热、高温产品和炉渣的余热、冷却介质的余热、废汽余热、废水余热等。按照温度和压力可划分为高品位余热、中品位余热和低品位余热。工业余热利用回收的技术通常包括热交换技术、热功转换技术和热泵技术，热交换技术是指将余热中的热量通过换热设备直接传递到自身工艺的换热过程，在余热利用过程中不改变余热能量的形式，常用的设备是各种换热器，主要应用于中高品位余热的回收与利用；热功转换技术是通过降低余热的品位以热能形式回收余热资源，是一种能级降低利用的过程，所以通常不能满足工业工艺生产的需要，因此热功转换技术是利用能量转换设备提高中低温余热，并转换成电能的技术；热泵是将低温物体中的热量转移到高温物体中的一种高效节能装置，能够降低工业能耗，减少污染物的排放，为企业带来良好的效益。
[0107]
在一个工业企业的生产运行和生活运转过程中，存在着不同功能区域的余热，包括生产和生活过程中产生的不同余热，但是产生的工业余热回收利用的难易等级程度和产生的影响不一样，需要进行不同工业余热回收处的权重分配，采用基于信息熵的层次分析法进行权重分配时，层次分析法根据主观经验对评价指标权重进行计算，利用信息熵技术对评价指标存在的客观不确定性进行数学描述，两者合理耦合构建趋于更合理化、准确化、综合化的评价指标权重体系。
[0108]
在本实施例中，所述步骤s2包括：
[0109]
基于工业余热回收处的余热温度和压力将工业余热划分为高品位工业余热和低品位工业余热；
[0110]
针对高品位工业余热，经换热器换热后，再经过补水、混水后达到并入热网要求
后，通过旁通阀接入热网进行余热回收；
[0111]
针对低品位工业余热，采用热泵提升温度、增压泵提升压力后转变为高品位工业余热后接入热网进行余热回收；
[0112]
其中，所述换热器根据余热种类进行设置，包括烟气余热换热器、排渣余热换热器、乏汽余热换热器和循环水余热换热器；所述热泵采用溴化锂吸收式热泵机组，包括冷凝器、蒸发器、吸收器、溶液热交换器和发生器、溶液泵、节流阀；
[0113]
在部署换热器、热泵余热回收装置外，还包括部署数据采集装置、调节阀和余热传输管路、储能设备。
[0114]
需要说明的是，针对不同工业余热回收处的余热资源划分情况和余热种类设置相应的余热回收装置，通过数据采集装置采集余热回收处的生产运行工艺过程中的运行参数和生活过程中的用能设备产品运行数据，产生的余热温度、压力等信息，后续通过换热器、热泵装置、传输管路进行余热的处理和传输，以及通过调节阀等控制装置对不同工业余热回收处的余热量进行调控，以及通过储能设备将多余的余热量进行储存，在供热高峰期进行利用。
[0115]
在本实施例中，所述步骤s3包括：
[0116]
在各个工业余热回收处采集于余热量相关的历史运行参数，包括各个工业余热回收处的历史时期余热生产设备运行参数、外部环境条件、时间属性和余热种类；
[0117]
对历史运行参数进行相关性分析，提取相关性符合预设条件的特征量；
[0118]
将提取的特征量输入至lightgbm模型中，同时采用k折交叉验证方法进行模型训练，建立分时段余热量lightgbm预测模型；
[0119]
将分时段余热量lightgbm预测模型输出的预测结果、历史各时段余热量值，结合历史时期余热生产设备运行参数、外部环境条件、时间属性和余热种类作为样本数据，进行预处理和特征提取后，输入至lstm模型中建立分时段余热量lstm预测模型；
[0120]
采用模型融合方法对分时段余热量lightgbm预测模型和分时段余热量lstm预测模型进行融合，建立各个工业余热回收处的分时段余热量预测模型；
[0121]
其中，所述分时段是依据一天中余热的产出情况划分为高余热产出时段、中余热产出时段和低余热产出时段。
[0122]
需要说明的是，lightgbm是一种基于决策树算法的分布式梯度提升框架，是gbdt模型的变体，其基本原理与gbdt原理基本一致，通过将n棵弱回归树线性组合为强回归树，但是因为其采用了决策树优化算法，能够减少数据计算的内存占用，保证在不牺牲速度的前提下尽可能地利用更多的数据，能够实现并行计算学习，支持大规模数据处理，具有更高的准确度。lstm长短期记忆神经网络是循环神经网络rnn的一种改进模型，通过控制输入、遗忘和输出3个门能实现对记忆单元的读取和修改，通过门控状态来控制传输状态，记忆需要长时间记忆的，忘记不重要的信息。
[0123]
由于不同工业园区的工艺运行和生活用能设备的运行状态在不同的时间段产生的余热不同，例如有的工业园区大部分是白天生产、晚上部分停产，有的是全天候生产，在一天内的不同时间段中也会存在不同余热产出，而供热系统的热负荷需求也同样存在分时段，基于不同的时间段热负荷需求也是不同的，因此需要建立分时段的预测模型，提高余热利用效果。
[0124]
采用lightgbm和lstm的混合机器学习模型建立分时段余热量预测模型，能够提高模型准确率，lightgbm能够充分考虑余热量与其他因素的相关性，但是无法记忆时序性的特征；在不同的时间段产生的工业余热量会存在差异，lstm能够考虑余热量的时序特性，由于lstm网络独特的记忆结构，能够直接将时间序列作为单个特征进行后续的预测。采用lightgbm训练第一层特征预测模型，k折交叉训练避免了因数据量较少而导致模型泛化能力差的问题，预测精度明显比直接训练要高。采用两种预测算法融合，在一定程度上能减小负荷的预测误差，提高了负荷预测的精度。将第一层lightgbm训练得出的训练集预测结果加入第二层lstm模型训练中，将两层模型预测的训练集数据通过融合算法训练出融合模型，最终得出测试集的预测值。
[0125]
在本实施例中，所述将提取的特征量输入至lightgbm模型中，同时采用k折交叉验证方法进行模型训练，包括：按照k折的比例将特征量划分为训练集和测试集，再选取lightgbm模型预测算法和交叉验证的方式对训练集进行训练，通过训练完成的分时段余热量lightgbm预测模型对测试集进行预测，获得的测试集预测值即为各交叉验证模型预测值的平均值。
[0126]
在本实施例中，所述lightgbm模型的超参数采用ga遗传算法进行优化，包括：
[0127]
初始化ga遗传算法种群和lightgbm模型参数；
[0128]
采用lightgbm模型的预测结果误差倒数作为适应度值，并根据适应度值选取最大值和对应的参数并记录，通过选择、交叉和变异操作更新参数组：选择操作采用轮盘赌法进行自然选择，从参数组中选出适应度最好的参数组并保留，然后对剩余参数组按照交叉率进行交叉操作获得新的参数组，变异操作则是从剩余参数组中随机选取一个，按照一定概率变异获得新个体，再对记录的支持最大适应度的参数组进行更新，最后根据设定的子代规模，判断是否完成进化，最后输出最优解，即为lightgbm模型的学习率、树模型深度和树模型复杂度的参数最优值；
[0129]
所述lstm模型的超参数采用da蜻蜓算法进行优化，包括：
[0130]
初始化da蜻蜓算法和lstm模型参数，包括最大迭代次数、当前迭代次数、种群数量、空间维数和lstm模型的隐含层神经元数量、分块尺寸、最大训练周期数、学习率；以及将lstm模型的隐含层神经元数量、分块尺寸、最大训练周期数、学习率组成参数组合向量；
[0131]
初始化蜻蜓移动过程中的步长向量dx和位置向量x；
[0132]
更新惯性权重w、分离权重s、对齐权重a、聚集权重c、觅食影响因子f、天敌影响因子e和邻域半径r；
[0133]
选取均方根误差作为适应度函数，计算适应度值进行排序，确定蜻蜓的最优个体和最差个体，最优个体对应的位置向量x，即参数组合向量，最差个体作为天敌；
[0134]
通过计算欧式距离判断邻域内是否存在蜻蜓，若存在，则更新步长向量dx和位置向量x；若不存在，则更新位置向量x；
[0135]
更新个体分离、对齐、聚集之后的位置和食物源的位置、天敌的位置；
[0136]
更新步长向量dx和位置向量x；
[0137]
直至达到迭代次数，输出lstm模型的最优参数组合向量；
[0138]
其中，所述更新步长向量dx表示为：
[0139]
dx
t+1
＝(s
×
si+a
×ai
+c
×ji
+f
×fi
+e
×ei
)+w
×
dx
t
；
[0140]
t为当前迭代次数；w为惯性权重；si、ai、ji、fi和ei分别为第i个个体分离、对齐、聚集之后的位置和第i个个体食物源的位置、天敌的位置；
[0141]
所述更新位置向量x，包括：
[0142]
当邻域内存在蜻蜓时，更新位置向量x表示为：x
t+1
＝x
t
+dx
t+1
；
[0143]
当邻域内不存在蜻蜓时，更新位置向量x表示为：x
t+1
＝x
t
+levy(d)
×
x
t
；d为问题维数；levy(d)函数表示为：
[0144][0145]
β为常数；r1和r2为[0,1]之间的随机数；γ(x)＝(x-1)！，x为蜻蜓初始种群个体；
[0146]
所述更新个体分离、对齐、聚集之后的位置和食物源的位置、天敌的位置，分别表示为：
[0147]
x为当前蜻蜓个体的位置；xj为第j个附近蜻蜓个体的位置；n为附近蜻蜓个体的数量；
[0148]vj
为第j个附近蜻蜓个体的速度；
[0149]fi
＝x
+-x，x
+
为食物源的位置；ei＝x-+x，x-为天敌的位置。
[0150]
在本实施例中，所述步骤s4包括：
[0151]
将采集的各个工业余热回收处的数据输入至余热量预测模型中进行计算，获得各个工业余热回收处的分时段余热量预测值，并结合不同工业余热回收处的余热回收权重，计算获得分时段工业余热总量；
[0152]
依据分时段工业余热总量和预设的分时段供热负荷需求、余热回收装置的性能参数、余热回收装置的运行参数、供热管网的运行数据、预设的分时段供热管网回水温度目标值，以及对工业余热优先使用的方式，采用机器学习算法建立分时段的余热回收装置控制模型。
[0153]
需要说明的是，在获得分时段余热量总量后，想要进行余热量的调控利用，在不同的时间段要回收多少余热量，储存多少余热量，都需要进行控制，而余热量的控制与热负荷、余热回收装置的运行、热网的运行、控制的目标预设值等都有一定的关系，因此，采用机器学习算法能够更合理准确的进行调控模型的建立。
[0154]
在本实施例中，所述预设的分时段供热负荷需求是依据末端用户室温、室外天气、时间属性、供热管网的供回水温度、供热管网的流量数据，并采用机器学习算法进行训练获
得；
[0155]
所述预设的分时段供热管网回水温度目标值是结合供热管网回水温度对工业余热利用率的影响，以工业余热回收率为指标，并结合余热回收装置的性能参数通过多次仿真实验进行设置。
[0156]
在本实施例中，所述采用机器学习算法建立分时段的余热回收装置预测控制模型，包括：
[0157]
获取分时段工业余热总量、预置的分时段供热负荷需求、余热回收装置的性能参数、余热回收装置的运行参数、工业余热并入供热管网前后的进出口温度、工业余热经过余热回收装置处理前后的属性参数、预设的分时段供热管网回水温度目标值结合不同工业余热回收处的余热利用优先级，作为分时段的余热回收装置预测控制模型训练的数据样本；
[0158]
采用融合注意力机制的qrnn模型对分时段的余热回收装置预测控制模型训练的数据样本进行特征提取和模型训练后，建立分时段的余热回收装置预测控制模型；
[0159]
其中，所述融合注意力机制的qrnn模型包括有卷积层、池化层、注意力机制和全连接层。
[0160]
在本实施例中，所述采用融合注意力机制的qrnn模型对分时段的余热回收装置预测控制模型训练的数据样本进行特征提取和模型训练的过程包括：
[0161]
将分时段的余热回收装置预测控制模型训练的数据样本x
′
，通过卷积层采用宽度为k的滤波器在时间维度上对数据样本特征信息加以卷积处理后进行特征提取，再通过激活函数来获得池化层所需的门控向量序列，每个时间步t的计算表示为：
[0162][0163][0164][0165]
数据样本x
′
＝[x1,x2,...,x
t
]；wz、wf和wo为滤波器的权重矩阵；elu和σ为激活函数；z
t
、f
t
和o
t
分别为t时刻的序列信息、遗忘门和输出门；
[0166]
将提取后的数据样本输入至池化层，采用fo-pooling池化方式对第t时刻记忆单元状态c
t
进行更新，表示为：c
t
＝f
t
⊙ct-1
+(1-f
t
)
⊙zt
；
[0167]
qrnn输出h
t
由第t时刻输出门o
t
和记忆单元状态c
t
计算，表示为：h
t
＝o
t
⊙ct
；
⊙
为向量按位相乘运算；
[0168]
在池化层的输出上添加注意权重，对不同时刻的数据特征赋予权重，表示为：l为融合注意力机制的qrnn的层数；s为时间步的长度；为融合注意力机制的qrnn最后一层的最后一个时间步的输出；
[0169]
通过全连接层输出最后输出各个时段的余热回收装置控制指令，表示为：w、b分别为全连接层的权重与偏差。
[0170]
需要说明的是，qrnn模型结合了cnn与rnn的网络特性，以cnn捕捉短期局部依赖关系，以rnn捕捉长期宏观依赖关系，将卷积添加到递归中，取长补短，达到了更好的效果。以cnn的卷积操作来提取数据特征，卷积操作的跨时间步并行计算大大减少了循环体内的计
算时间，以池化操作代替lstm门控单元体系中的输入门，遗忘门和输出门，该单元的输出依赖于上一单元的输入，实现了时间依赖性。
[0171]
在实际的应用中，需要对采集的历史数据进行预处理，将多条数据重组为一条具有时序信息的样本数据，以处理后的时序数据作为模型输入，余热回收装置控制指令作为输出，通过qrnn网络的卷积结构与池化结构挖掘数据信息，并借助注意力机制有侧重地提取不同时刻的信息特征，训练后的模型可以根据当前时刻的实时数据，预测未来时刻各个时段的余热回收装置控制指令。
[0172]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0173]
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0174]
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0175]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

技术特征：
1.一种基于预测模型的工业余热并入热网的供热系统控制方法，其特征在于，它包括：步骤s1、将工业园区产生工业余热的关键功能区域作为工业余热回收处，并对不同工业余热回收处赋予余热回收权重；步骤s2、根据工业余热的品位类型设置相应的余热并入热网的控制方式和部署相应的余热回收装置；步骤s3、根据各个工业余热回收处采集的与余热量相关的历史运行参数，采用混合机器学习算法建立各个工业余热回收处的分时段余热量预测模型；步骤s4、根据余热量预测模型计算获得各个工业余热回收处的分时段余热量预测值，结合预设的分时段供热管网回水温度目标值和工业余热并入热网的供热系统运行数据，采用机器学习算法建立分时段的余热回收装置控制模型；步骤s5、根据分时段的余热回收装置控制模型对余热回收装置中的调节部件进行分时段控制后，将工业余热通过余热回收装置并入热网。2.根据权利要求1所述的供热系统控制方法，其特征在于，所述步骤s1包括：依据工业园区不同功能区域产生工业余热的效率和余热回收难易程度，采用聚类算法对不同功能区域进行分区后获知产生工业余热的关键功能区域，并作为工业余热回收处；采用基于信息熵的层次分析法对不同工业余热回收处赋予余热回收权重：建立层次分析结构，包括目标层、准则层和指标层；所述目标层以不同工业余热回收处的余热回收效果作为评价总目标；所述准则层为影响余热回收效果的评价指标，至少包括经济评价指标、环境评价指标和节能评价指标；所述指标层为各个工业余热回收处；构建评价指标决策矩阵：根据1～9标度法，计算任意两个评价指标的重要性比值，并根据所述重要性比值确定初步决策矩阵，再对所述初步决策矩阵进行归一化处理，获得评价指标决策矩阵；根据所述评价指标决策矩阵计算每个评价指标的权值，并去除所述权值小于预设值的评价指标，获得关键性评价指标；通过层次分析法计算每个关键性评价指标的主观权重；通过信息熵法计算每个关键性评价指标的客观权重；将每个关键性评价指标的主观权重和客观权重相结合获得综合权重，再根据综合权重和评价指标决策矩阵分配不同工业余热回收处的余热回收权重。3.根据权利要求1所述的供热系统控制方法，其特征在于，所述步骤s2包括：基于工业余热回收处的余热温度和压力将工业余热划分为高品位工业余热和低品位工业余热；针对高品位工业余热，经换热器换热后，再经过补水、混水后达到并入热网要求后，通过旁通阀接入热网进行余热回收；针对低品位工业余热，采用热泵提升温度、增压泵提升压力后转变为高品位工业余热后接入热网进行余热回收；其中，所述换热器根据余热种类进行设置，包括烟气余热换热器、排渣余热换热器、乏汽余热换热器和循环水余热换热器；所述热泵采用溴化锂吸收式热泵机组，包括冷凝器、蒸发器、吸收器、溶液热交换器和发生器、溶液泵、节流阀；在部署换热器、热泵余热回收装置外，还包括部署数据采集装置、调节阀和余热传输管
路、储能设备。4.根据权利要求1所述的供热系统控制方法，其特征在于，所述步骤s3包括：在各个工业余热回收处采集于余热量相关的历史运行参数，包括各个工业余热回收处的历史时期余热生产设备运行参数、外部环境条件、时间属性和余热种类；对历史运行参数进行相关性分析，提取相关性符合预设条件的特征量；将提取的特征量输入至lightgbm模型中，同时采用k折交叉验证方法进行模型训练，建立分时段余热量lightgbm预测模型；将分时段余热量lightgbm预测模型输出的预测结果、历史各时段余热量值，结合历史时期余热生产设备运行参数、外部环境条件、时间属性和余热种类作为样本数据，进行预处理和特征提取后，输入至lstm模型中建立分时段余热量lstm预测模型；采用模型融合方法对分时段余热量lightgbm预测模型和分时段余热量lstm预测模型进行融合，建立各个工业余热回收处的分时段余热量预测模型；其中，所述分时段是依据一天中余热的产出情况划分为高余热产出时段、中余热产出时段和低余热产出时段。5.根据权利要求4所述的供热系统控制方法，其特征在于，所述将提取的特征量输入至lightgbm模型中，同时采用k折交叉验证方法进行模型训练，包括：按照k折的比例将特征量划分为训练集和测试集，再选取lightgbm模型预测算法和交叉验证的方式对训练集进行训练，通过训练完成的分时段余热量lightgbm预测模型对测试集进行预测，获得的测试集预测值即为各交叉验证模型预测值的平均值。6.根据权利要求4所述的供热系统控制方法，其特征在于，所述lightgbm模型的超参数采用ga遗传算法进行优化，包括：初始化ga遗传算法种群和lightgbm模型参数；采用lightgbm模型的预测结果误差倒数作为适应度值，并根据适应度值选取最大值和对应的参数并记录，通过选择、交叉和变异操作更新参数组：选择操作采用轮盘赌法进行自然选择，从参数组中选出适应度最好的参数组并保留，然后对剩余参数组按照交叉率进行交叉操作获得新的参数组，变异操作则是从剩余参数组中随机选取一个，按照一定概率变异获得新个体，再对记录的支持最大适应度的参数组进行更新，最后根据设定的子代规模，判断是否完成进化，最后输出最优解，即为lightgbm模型的学习率、树模型深度和树模型复杂度的参数最优值；所述lstm模型的超参数采用da蜻蜓算法进行优化，包括：初始化da蜻蜓算法和lstm模型参数，包括最大迭代次数、当前迭代次数、种群数量、空间维数和lstm模型的隐含层神经元数量、分块尺寸、最大训练周期数、学习率；以及将lstm模型的隐含层神经元数量、分块尺寸、最大训练周期数、学习率组成参数组合向量；初始化蜻蜓移动过程中的步长向量dx和位置向量x；更新惯性权重w、分离权重s、对齐权重a、聚集权重c、觅食影响因子f、天敌影响因子e和邻域半径r；选取均方根误差作为适应度函数，计算适应度值进行排序，确定蜻蜓的最优个体和最差个体，最优个体对应的位置向量x，即参数组合向量，最差个体作为天敌；通过计算欧式距离判断邻域内是否存在蜻蜓，若存在，则更新步长向量dx和位置向量
x；若不存在，则更新位置向量x；更新个体分离、对齐、聚集之后的位置和食物源的位置、天敌的位置；更新步长向量dx和位置向量x；直至达到迭代次数，输出lstm模型的最优参数组合向量；其中，所述更新步长向量dx表示为：dx
t+1
＝(s
×
s
i
+a
×
a
i
+c
×
j
i
+f
×
f
i
+e
×
e
i
)+w
×
dx
t
；t为当前迭代次数；w为惯性权重；s
i
、a
i
、j
i
、f
i
和e
i
分别为第i个个体分离、对齐、聚集之后的位置和第i个个体食物源的位置、天敌的位置；所述更新位置向量x，包括：当邻域内存在蜻蜓时，更新位置向量x表示为：x
t+1
＝x
t
+dx
t+1
；当邻域内不存在蜻蜓时，更新位置向量x表示为：x
t+1
＝x
t
+levy(d)
×
x
t
；d为问题维数；levy(d)函数表示为：β为常数；r1和r2为[0,1]之间的随机数；γ(x)＝(x-1)！，x为蜻蜓初始种群个体；所述更新个体分离、对齐、聚集之后的位置和食物源的位置、天敌的位置，分别表示为：x为当前蜻蜓个体的位置；x
j
为第j个附近蜻蜓个体的位置；n为附近蜻蜓个体的数量；v
j
为第j个附近蜻蜓个体的速度；f
i
＝x
+-x，x
+
为食物源的位置；e
i
＝x-+x，x-为天敌的位置。7.根据权利要求1所述的供热系统控制方法，其特征在于，所述步骤s4包括：将采集的各个工业余热回收处的数据输入至余热量预测模型中进行计算，获得各个工业余热回收处的分时段余热量预测值，并结合不同工业余热回收处的余热回收权重，计算获得分时段工业余热总量；依据分时段工业余热总量和预设的分时段供热负荷需求、余热回收装置的性能参数、余热回收装置的运行参数、供热管网的运行数据、预设的分时段供热管网回水温度目标值，以及对工业余热优先使用的方式，采用机器学习算法建立分时段的余热回收装置控制模型。8.根据权利要求7所述的供热系统控制方法，其特征在于，所述预设的分时段供热负荷
需求是依据末端用户室温、室外天气、时间属性、供热管网的供回水温度、供热管网的流量数据，并采用机器学习算法进行训练获得；所述预设的分时段供热管网回水温度目标值是结合供热管网回水温度对工业余热利用率的影响，以工业余热回收率为指标，并结合余热回收装置的性能参数通过多次仿真实验进行设置。9.根据权利要求7所述的供热系统控制方法，其特征在于，所述采用机器学习算法建立分时段的余热回收装置预测控制模型，包括：获取分时段工业余热总量、预置的分时段供热负荷需求、余热回收装置的性能参数、余热回收装置的运行参数、工业余热并入供热管网前后的进出口温度、工业余热经过余热回收装置处理前后的属性参数、预设的分时段供热管网回水温度目标值结合不同工业余热回收处的余热利用优先级，作为分时段的余热回收装置预测控制模型训练的数据样本；采用融合注意力机制的qrnn模型对分时段的余热回收装置预测控制模型训练的数据样本进行特征提取和模型训练后，建立分时段的余热回收装置预测控制模型；其中，所述融合注意力机制的qrnn模型包括有卷积层、池化层、注意力机制和全连接层。10.根据权利要求9所述的供热系统控制方法，其特征在于，所述采用融合注意力机制的qrnn模型对分时段的余热回收装置预测控制模型训练的数据样本进行特征提取和模型训练的过程包括：将分时段的余热回收装置预测控制模型训练的数据样本x
′
，通过卷积层采用宽度为k的滤波器在时间维度上对数据样本特征信息加以卷积处理后进行特征提取，再通过激活函数来获得池化层所需的门控向量序列，每个时间步t的计算表示为：数来获得池化层所需的门控向量序列，每个时间步t的计算表示为：数来获得池化层所需的门控向量序列，每个时间步t的计算表示为：数据样本x
′
＝[x1，x2，...，x
t
]；w
z
、w
f
和w
o
为滤波器的权重矩阵；elu和σ为激活函数；z
t
、f
t
和o
t
分别为t时刻的序列信息、遗忘门和输出门；将提取后的数据样本输入至池化层，采用fo-pooling池化方式对第t时刻记忆单元状态c
t
进行更新，表示为：c
t
＝f
t
⊙
c
t-1
+(1-f
t
)
⊙
z
t
；qrnn输出h
t
由第t时刻输出门o
t
和记忆单元状态c
t
计算，表示为：h
t
＝o
t
⊙
c
t
；
⊙
为向量按位相乘运算；在池化层的输出上添加注意权重，对不同时刻的数据特征赋予权重，表示为：l为融合注意力机制的qrnn的层数；s为时间步的长度；为融合注意力机制的qrnn最后一层的最后一个时间步的输出；通过全连接层输出最后输出各个时段的余热回收装置控制指令，表示为：w、b分别为全连接层的权重与偏差。

技术总结
本发明公开了一种基于工业余热并入热网的供热系统控制方法，包括：将工业园区产生工业余热的关键功能区域作为工业余热回收处，并对不同工业余热回收处赋予余热回收权重；设置余热并入热网的控制方式和部署相应的余热回收装置；根据各个工业余热回收处采集的与余热量相关的历史运行参数，采用混合机器学习算法建立各个工业余热回收处的分时段余热量预测模型；根据分时段余热量预测值，结合预设的分时段供热管网回水温度目标值和工业余热并入热网的供热系统运行数据，采用机器学习算法建立分时段的余热回收装置控制模型；根据分时段的余热回收装置控制模型对余热回收装置中的调节部件进行分时段控制后，将工业余热通过余热回收装置并入热网。热回收装置并入热网。热回收装置并入热网。


技术研发人员：杨燕 陈良乾
受保护的技术使用者：英集动力科技（山东）有限公司
技术研发日：2023.05.19
技术公布日：2023/8/23