一种基于核极限学习机误差修正的蒸汽仿真计算方法

1.本发明涉及能源系统仿真的技术领域，具体涉及一种基于核极限学习机误差修正的蒸汽仿真计算方法。背景知识
2.随着城市不断优化用地布局，集群式的工业园区已经成为拉动我国区域经济快速增长、推动区域技术创新的重要途径。然而由于工业园区企业建设并非统一规划落实，而是根据需求不算产业扩张、结构重组而成，非系统化的建筑建设给工业园区的供热系统的动态建设带来了极大的挑战。在此背景下，如何运用新建管网智能系统解决供热系统增量扩容和热网结构日趋复杂条件下的局部管路过载、供需不匹配等问题已经成为当下综合能源系统需要攻克的难题。
3.针对工业园区复杂蒸汽供热管网突出的安全性与品质保障问题，传统的供热系统大多依靠经验对管网流量输送进行调节，能源浪费现象严重。因此需要智慧供热理念在以集中供热为主要供热方式的工业园区中深入运用，即以基于模型的供热规划为技术核心，以基于智能优化算法的机器解算为技术支撑，推进供热系统规划的智能化、精细化发展。近年来，集中供热技术(generation district heating,gdh)正逐步发展，gdh要面对使建筑更加节能的挑战，并且及成为智能能源系统运行的一个组成部分，即集成的智能电力、燃气和供热管网。由于电子通信技术的进步，以及物联网、大数据、云计算技术越来越成熟，这些都为集中供热系统运行调节水平的提升提供了有力的软件和硬件支持。集中供热系统运行调节水平的提升，离不开集中供热系统数学建模、动态特性分析和运行控制等理论和方法的研究。
4.国内外学者着眼于区域蒸汽供热系统的构建模型、模型优化等提供了多方面的研究。从三大守恒方程出发(必要时补充状态方程)，划分管网节点，在节点上离散守恒方程，然后对方程组进行求解，从而获得节点的压力以及节点温度；或者利用瞬变流理论与特征线求解方法为基础，建立可反映蒸汽管网运行状态波动的瞬变模型；又有一种基于内部守恒的蒸汽供热网络动态仿真方法，通过建立热水供热网络的动态仿真数学模型，将管道压力动态变化特性的偏微分方程差分为代数方程组，通过内部守恒的关系迭代求取并输出全管网的状态信息等。
5.上述讲述的仿真方法都是根据蒸汽在管道中流动的机理进行计算，但是管壁结垢、施工安装等因素的存在，造成实际管道的蒸汽运行参数总是与机理计算结果存在一定的偏差。减少该部分误差能够有效提高蒸汽管道的计算精度，为供热管网的运行优化提供较好的参考。


技术实现要素：

6.本发明是针对目前蒸汽供热网络仿真方法存在的模型构建准确性较差的问题，提供了一种基于核极限学习机误差修正的蒸汽仿真计算方法。首先确认采集管道参数及蒸汽参数，分为训练样本用于建立蒸汽水热力耦合仿真模型计算，利用真实管网数据对仿真结
果校验得到的误差，作为遗传算法-核极限学习机误差预测模型的输出样本进行训练。蒸汽热网模型运行时，调用训练好的误差预测模型进行误差预测。从而修正蒸汽管网水热力耦合仿真计算结果，提高蒸汽热网仿真模型的精度。本方法适用于蒸汽供热网络动态仿真，利用供热企业常年累计下的大量管网运行数据，能有针对性优化原始的蒸汽供热网络仿真模型，提高仿真结果精度。
7.为了实现上述目的，本发明采用的技术方案是：基于核极限学习机误差修正的蒸汽仿真计算方法，包括以下步骤：s1，确认采集管道参数及蒸汽参数，并随机分为训练样本和测试样本。将训练样本建立水力热力耦合模型进行计算，并将计算结果与实际测量值相减，得到训练样本的机理误差。s2，以训练样本的管道参数、蒸汽参数作为输入，机理误差作为输出进行遗传算法-核极限学习机误差预测模型的训练。s3，将测试样本用于水力热力耦合计算，计算得到机理计算结果。将训练完的遗传算法-核极限学习机模型对测试样本进行机理误差的预测。将测试样本的误差预测值修正测试样本的水力热力耦合计算结果，得到混合模型输出。
8.作为本发明的一种计算方法，所述步骤s1中确认采集管道参数及蒸汽参数包括：1)管网各管道的管径、长度、拓扑结构。管径大小对于蒸汽管网水热力耦合计算的计算结果的影响是毋庸置疑的，根据q＝v
·
m可知流量参数q和流速参数v与管道界面面积m息息相关，而面积m与管道的管径呈二次关系，所以管径大小对最终的蒸汽水热力耦合计算结果有很大影响。另外管道长度关系着蒸汽管道网络的沿程损。节点及分支构成了流体网络的最小连接元，一个大的流体网络就是由许多个连接元互相拼接所组成的，工质流动状态参数在不同的连接元之间传递与迭代就是蒸汽供热网络的基本计算过程。2)蒸汽管网始端及末端压力。蒸汽热网的始端及末端压力作为模型的边界条件输入，经迭代计算求解后可得出全网蒸汽温度、流量、压力等参数的分布，以用于计算出训练样本的机理误差。
9.作为本发明的一种计算方法，所述步骤s1将训练样本建立水力热力耦合模型进行计算，其中水力热力耦合模型的构建方法为：其中，这三个方程分别为蒸汽管网的质量守恒方程、动量方程以及能量方程。式中：ρ表示流体；t为时间；n表示节点总数；g
ij
表示节点i，j之间的质量流量；vi表示节点i的体积(相邻管道的容积)；h
ij
表示节点i，j之间宏观动能、势能及动力源之间产生的压力；u
ij
表示节点i，j之间的流体流速；表示沿程阻力和局部阻力损失，其中λ表示沿程阻力系数，l为管道长度，d表示管道直径，ε表示管道的当量阻力系数；
ui表示节点i的内能；hj表示节点j的焓。qi表示节点i的热量。d
ij
表示节点i，j之间的连接方式，定义如下：
10.作为本发明的一种计算方法，所述步骤s1中将计算结果与实际测量值相减，得到训练样本的机理误差，其中包括：核极限学习机是单输出预测算法，因此预测机理误差要分别建立流量误差和温度误差两个预测模型。其机理误差分别为：θ
t
＝y
′
t-y
t
，θq＝y
′
q-yq。其中θ
t
、θq为温度、流量机理误差，y
′
t
、y
′q为蒸汽管网水热力耦合计算的温度、流量仿真值，y
t
、yq为实际温度值、流量值。
11.作为本发明的一种优化方法，所述步骤s2中以训练样本的管道参数、蒸汽参数作为输入，机理误差作为输出进行遗传算法-核极限学习机误差预测模型的训练为：以训练样本的管道参数、蒸汽参数作为输入，机理误差作为输出进行遗传算法-核极限学习机误差预测模型的训练。由于核极限学习机核极限学习机的性能受核函数参数γ和正则化系数c的影响较大，因此采用遗传算法对核极限学习机的这两个参数进行优化。
12.作为本发明的一种计算方法，所述步骤s3中将测试样本用于水力热力耦合计算，计算得到机理计算结果为：以测试样本的蒸汽参数作为输入，经水力耦合模型迭代计算后求解得出全网蒸汽温度、流量、压力等参数机理计算结果y
t yq的分布。
13.作为本发明的一种计算方法，所述步骤s3中将训练完的遗传算法-核极限学习机模型对测试样本进行机理误差的预测包括：以测试样本的管道参数、蒸汽参数作为输入，经过遗传算法-核极限学习机误差预测模型计算出该样本的机理误差预测值θ
t θq。
14.作为本发明的一种计算方法，所述步骤s3中测试样本的误差预测值修正测试样本的水力热力耦合计算结果：测试样本的误差预测值修正测试样本的水力热力耦合计算结果为y
finl
＝y+θ。
附图说明
15.图1是本发明方法的步骤流程图；
16.图2是本发明管网结构拓扑示意图；
17.图3是本发明蒸汽管网水热力耦合计算模型流程图；
18.图4是本发明遗传算法优化核极限学习机流程；
19.图5是本发明实施例的计算结果。
具体实施方式
20.下面将结合附图，用实施例来进一步说明本发明。但这个实施例仅是说明性的，本发明的保护范围并不受这个实施例的限制。
21.基于核极限学习机误差修正的蒸汽仿真计算方法，流程图如图1所示，包括如下步
骤：s1，确认采集管道参数及蒸汽参数包括：1)管网各管道的管径、长度、拓扑结构。管径大小对于蒸汽管网水热力耦合计算的计算结果的影响是毋庸置疑的，根据q＝v
·
m可知流量参数q和流速参数v与管道界面面积m息息相关，而面积m与管道的管径呈二次关系，所以管径大小对最终的蒸汽水热力耦合计算结果有很大影响。另外管道长度关系着蒸汽管道网络的沿程损失。节点及分支构成了流体网络的最小连接元，一个大的流体网络就是由许多个连接元互相拼接所组成的，工质流动状态参数在不同的连接元之间传递与迭代就是蒸汽供热网络的基本计算过程，如图2所示是简化后的蒸汽管网拓扑结构。2)蒸汽管网始端及末端压力。蒸汽热网的始端及末端压力作为模型的边界条件输入，经迭代计算求解后可得出全网蒸汽温度、流量、压力等参数的分布，以用于计算出训练样本的机理误差。如图3所示是蒸汽管网水热力耦合计算模型流程图。其具体构建方法将进一步包括：
22.s1，将训练样本即采集的历史数据采用水力热力耦合模型计算，其中水力热力耦合模型的构建方法为：其中，这三个方程分别为蒸汽管网的质量守恒方程、动量方程以及能量方程。式中：ρ表示流体；t为时间；n表示节点总数；g
ij
表示节点i，j之间的质量流量；vi表示节点i的体积(相邻管道的容积)；h
ij
表示节点i，j之间宏观动能、势能及动力源之间产生的压力；u
ij
表示节点i，j之间的流体流速；表示沿程阻力和局部阻力损失，其中λ表示沿程阻力系数，l为管道长度，d表示管道直径，ε表示管道的当量阻力系数；ui表示节点i的内能；hj表示节点j的焓。qi表示节点i的热量。d
ij
表示节点i，j之间的连接方式，定义如下：将三条公式联立求解。由于这三条公式是完全耦合，所以在仿真过程中，均可通过求解得到各节点的压力、流量、焓值，从而推导出温度。从而得到管网各节点的流量、温度分布。
23.s1，将计算结果与实际测量值相减，得到训练样本的机理误差。核极限学习机是单输出预测算法，因此预测机理误差要分别建立流量误差和温度误差两个预测模型。其机理误差分别为：θ
t
＝y
′
t-y
t
，θq＝y
′
q-yq。其中θ
t
、θq为温度、流量机理误差，y
′
t
、y
′q为蒸汽管网水热力耦合计算的温度、流量仿真值，y
t
、yq为实际温度值、流量值。
24.s2，以训练样本的管道参数、蒸汽参数作为输入，机理误差作为输出进行遗传算法-核极限学习机误差预测模型的训练。核极限学习机的性能受核函数参数γ和正则化系数c的影响较大，因此采用遗传算法对核极限学习机的这两个参数进行优化，优化的流程图见图4，主要步骤如下：
25.s21，确定以预测结果的均方根误差(root mean square error,rmse)作为适应度函数：采用10阶交叉验证法对核极限学习机网络进行训练，计算出预测结果的均方根误差作为适应度函数值。均方根误差的公式式中，yi为实际值，为预测值。
26.s22，设置遗传算法参数：交叉概率，变异概率，种群大小，遗传代数。
27.s23，计算种群中所有个体的适应度函数值。
28.s24，进行选择、交叉、变异操作，构成新种群。
29.s25，判断是否满足终止条件，若不满足，则返回步骤s23；若满足终止条件，则得到优化后的参数。设置终止条件为达到最大遗传代数。
30.s26，核极限学习机使用优化后的参数对测试样本进行预测。
31.s3，将测试样本即现场数据用于水力热力耦合计算，计算得到机理计算结果。以测试样本的蒸汽参数作为输入，经水力耦合模型迭代计算后求解得出全网蒸汽温度、流量、压力等参数机理计算结果y
t yq的分布。计算步骤同s1。
32.s3，将训练完的遗传算法-核极限学习机模型对测试样本进行机理误差的预测。以测试样本的管道参数、蒸汽参数作为输入，经过遗传算法-核极限学习机误差预测模型计算出该样本的机理误差预测值θ
t θq。
33.s3，测试样本的误差预测值修正测试样本的水力热力耦合计算结果为y
finl
＝y+θ。
34.本发明是针对目前蒸汽供热网络仿真方法存在的模型构建准确性较差的问题，提供了一种基于核极限学习机误差修正的蒸汽仿真计算方法。首先建立蒸汽供热网络的仿真模型，以历史数据为根本进行蒸汽管网的水力热力耦合计算，根据输出结果与实际结果的误差为训练样本建立遗传算法-核极限学习机误差预测模型。在实际蒸汽仿真管网运行时对测试样本进行蒸汽水力热力耦合计算，同时调用遗传算法-核极限学习机误差预测模型得到激励误差预测值用来对计算结果的修正，从而实现提高蒸汽热网仿真模型的精度的目的。本方法适用于蒸汽供热网络动态仿真，利用供热企业常年累计下的大量管网运行数据，能有针对性优化原始的蒸汽供热网络仿真模型，提高仿真结果精度。原始仿真模型的流量计算结果以及经过核极限学习机误差修正的仿真结果如图5所示，计算精度大大提高。
35.以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。