[发明专利]一种基于贝叶斯网络的区域供热模型预测控制系统及方法

权利要求书

1.一种基于贝叶斯网络的区域供热模型预测控制方法，其特征在于，包括如下步骤：

步骤S1，物理层热网数据感知，从源侧、网侧和楼宇侧实时获取并更新历史数据；

步骤S2，采用贝叶斯网络方法进行负荷预测，依据历史数据，结合先验知识构建贝叶斯网络，并通过贝叶斯网络预测热力站、楼宇侧的负荷需求；所述的先验知识包括当地辐照、气温、湿度、风速；

步骤S3，根据楼宇侧负荷需求，结合历史运行数据和实时数据，通过贝叶斯网络推理得到二次侧、一次侧和源侧实时控制参数；所述的二次侧、一次侧和源侧的控制参数包括循环泵速度、阀门开度、燃料量；

步骤S4，根据历史运行数据和管网拓扑结构，建立源侧调节、网侧调节和楼宇侧调节的时间特性曲线，确定源侧调节、网侧阀门和楼宇侧阀门调节策略，并根据此执行控制操作，消除热网调节的迟滞性，实现热用户侧按需精准供热；

其中，步骤S2，具体如下：

先依据历史数据，结合区域热网运行情况和专家过往经验，确定影响该区域热网热力站、楼宇负荷的变量集、变量域，根据变量之间的因果关系即先验知识分别构建热力站和楼宇侧的先验贝叶斯网络结构模型；

贝叶斯网络的学习和预测：通过物联感知系统获得的历史数据集，输入先验贝叶斯网络中对贝叶斯网络结构及参数进行学习，得到后验贝叶斯网络，再根据贝叶斯网络预测得到热力站或楼宇侧的负荷；其中

输入的历史数据集D＝{C₁，C₂......C_n}，C_l为其中一条数据集，即数据库中的一次记录；

所述贝叶斯网络结构及参数学习，包括：

贝叶斯网络结构学习，根据历史数据集D，由贝叶斯公式选择使p(S^h|D)最大的网络结构；

上式中，

p(S^h|D)——在历史数据集D下贝叶斯网络结构为S^h的概率；

S^h——贝叶斯网络结构；

D——历史数据集；

p(S^h)——贝叶斯先验结构概率；

p(D|S^h)——结构似然；

p(D)——数据集D的概率，对结构没有影响；

由贝叶斯网络参数先验分布p(θ_s|S^h，ε)，通过输入的历史数据集D，得到贝叶斯网络参数的后验分布p(θ_s|D，S^h，ε)

上式中，

S^h——贝叶斯网络结构；

ε——用户具有的知识；

θ^s——先验概率的参数变量；

p(θ_s|S^h，ε)——在贝叶斯网络结构为S^h，用户具有的知识状态为ε的情况下贝叶斯参数变量的先验概率；

p(θ_s|D，S^h，ε)——在贝叶斯网络结构为S^h，用户具有的知识状态为ε，输入历史数据集D的情况下贝叶斯参数变量的后验概率；

所述通过贝叶斯网络预测热力站、楼宇侧负荷，即

在历史数据集D中有n个事例D＝{C₁，C₂......C_n}，通过贝叶斯预测：

P(x_N+1|D，S^h)＝∫P(x_N+1|θ_s，D，S^h)P(θ_s|D，S^h)dθ_s，选取P(x_N+1|D，S^h)最大对应的x_N+1作为预测结果；

上式中，

D——历史数据集；

S^h——贝叶斯网络结构；

θ_s——先验概率的参数变量；

P(x_N+1|D，S^h)——在数据集D，结构为S^h的情况下事件x_N+1发生的概率；

步骤S3，具体如下：

根据步骤2中得到的楼宇侧负荷需求，结合历史运行数据与实时数据，通过贝叶斯网络推理得到二次侧循环泵速度、阀门开度控制变量的控制参数，再结合跨环节参数以及一次侧、源侧约束条件，推导出一次侧、源侧最优实时调度参数；所述通过贝叶斯网络推理得到二次侧循环泵速度、阀门开度控制变量的控制参数，即

通过贝叶斯公式和独立性原则进行概率推导，推理出在历史负荷数据下对应的最大概率的二次侧循环泵速度、阀门开度控制变量，以此作为调控量；

上式中，

A——控制变量集，A＝{A₁，……A_k}，k为控制变量个数

D’——历史数据集

P(A|D’)——在历史数据集下控制量调控参数为A的概率

所述的结合跨环节参数以及一次侧、源侧约束条件，推导出一次侧、源侧最优实时调度参数，即：

通过贝叶斯推理，通过贝叶斯公式和独立性原则进行概率推导，推理出在历史负荷数据下对应的最大概率的一次侧、源侧控制变量包括循环泵速度，阀门开度和燃料量，以此作为调控量；

上式中，

A——控制变量的调控量，A＝{A₁，……A_k}，k为控制变量个数

D”——历史数据集

P(A|D”)——在历史数据集下控制量调控参数为A的概率；

步骤S4具体为：

根据历史运行数据，采用神经网络算法训练源侧负荷调节、网侧负荷调节的时间响应模型t＝f(ΔQ，θ)，通过步骤S2中得到的源侧、热力站负荷需求变化的值ΔQ和根据步骤S3中得到的网侧阀门开度调节θ输入时间响应模型中得到末端响应的迟滞时间t，以此来确定控制调节的时间策略，以消除热网调节的迟滞性，实现热用户侧按需精准供热。