能耗模拟预测（精选7篇）
能耗模拟预测 篇1
钢铁企业在生产过程中,消耗的能源很大,也带来巨大的污染。污染主要来自于燃料燃烧,因此以降低能源消耗为目的最优化能源管理显得十分重要。钢铁企业必须建立有效的能源管理信息系统以提高经济效益,减少环境污染。强化能源管理,要在分析生产工序能耗现状的基础上对企业的用能需求进行预测,而合理的能源预测模型对以节能降耗为目的的能源管理系统十分重要[1]。
能源预测的关键问题是如何建立合适的预测模型方法,即如何建立适合于所研究的能源预测的数学模型。许多学者在这个领域进行深入研究,建立多种预测模型,如传统时间序列趋势法、灰色模型法、RRS能源因素分析法和BP人工神经网络模型法[2],其中BP神经网络是应用最广的预测模型,其具有高度的非线性映射能力,能以任意精度逼近非线性函数,较适合于一些复杂问题的建模[3],但是经过训练的网络能够很好地跟踪训练数据,对预测的数据输入却未能输出理想的数据,因此需要提高BP神经网络的泛化能力。现利用粒子群算法的收敛快和模拟退火算法全局寻优的能力强。在粒子群算法的基础上引入模拟退火算法,给出了模拟退火粒子群算法(以下简称为混合算法),并利用混合算法优化钢铁企业能耗预测神经网络。
1 模拟退火-粒子群算法
模拟退火算法(Simulated Annealing,SA)最早由Metropolis[4]等(1953)提出,1983年Kirkpatrick[5]等将其应用于组合优化问题的求解。该算法是基于Mente Carlo迭代求解策略的一种随机寻优方法,其原理与物理固体退火过程类似,在进行优化时,将物理固体退火中的能量E模拟为目标函数值f,先确定初始温度T,随机选取一个初始状态xold并考察该状态的目标函数值fold,当系统受到某种扰动而使其状态变为xnew,系统的目标函数值相应变为xnew,此时系统由xold变为fnew的接受概率
即以概率1接受较好值,以概率exp[-(fnew-fold)/T]接受较差值,直到系统冷却。模拟退火算法在初始温度越高、降温速率越慢、终止温度越低条件下,获得高质量解的几率就越大。它以一定的概率接受比全局值较差的解,有可能跳出局部的最优解,达到全局解,增加粒子的多样性,因此模拟退火的解具有质量高、初值鲁棒性强等优点[6]。
粒子群算法(PSO ,Particle Swarm Optimization)是一种从鸟群寻食的模型中得到启发并用于优化问题的全局寻优智能算法。在PSO中每个粒子由速度向量和位置向量两部分组成,其中,粒子的位置表示待优化问题的解,粒子性能的优劣程度取决于待优化问题的目标函数确定的适应值,粒子的速度决定其飞行方向和速率大小。在开始优化PSO中,先初始化m个粒子的位置和速度,然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值gBest。另一个极值是整个种群当前找到的最优解,这个极值是全局极值zBest。在找到这两个极值后,每个粒子根据更新公式更新自己的速度和位置[7]。
模拟退火粒子群算法是模拟退火算法与粒子群算法的优化融合。粒子群算法收敛快,易实现,但局部寻优能力差。而模拟退火算法跳出局部最优解的能力强,但收敛慢,效率低。将两种算法互补融合,则可设计出一种效果更好的全局优化搜索算法。
2 模拟退火PSO-BP算法
BP(Back Propagation)网络是一种1986年由Rumelhart和McCelland为首的科学家小组提出,按误差逆传播算法训练的多层前馈网络,是目前应用最广泛神经网络模型之一[8]。当随机选取一组输入样本(a
BP神经网络学习过程主要是神经网络的权值和阈值的更新过程,其更新的过程是随机产生的,这导致了其在训练过程收敛慢,容易陷入局部极值点等问题,因此现采用模拟退火粒子群实现对BP网络的优化,在优化过程中,首先确定好BP神经网络训练结构,随机产生粒子群,并将粒子的位置作为BP神经网络的初始权值和阈值,对网络进行训练,并将网络的性能误差作为粒子的初始适应度函数,然后应用模拟退火PSO算法寻找BP神经网络的最优初始权值和阈值,将其得到的最优解对BP神经网络权值和阈值进行赋值,再用改进的BP神经网络算法训练网络,得到具有全局最优解的预测模型。优化BP算法思路如下。
步骤1 构造三层BP神经网络结构。根据各层的节点数确定了粒子群算法的维度。确定粒子群算法的维度的公式为
式(2)中,n为粒子群的维度;M为神经网络的输入节点;N为隐含层的节点;P为输出层的节点。
步骤2 混合算法参数初始化,确定粒子规模、进化次数、学习因子以及速度最大最小值以及位置最大最小值、初始化温度以及退火速度等。
步骤3 速度以及位置初始化,并计算粒子的适应度。随机产生粒子速度以及位置,同时,粒子群的位置看作BP神经网络的权阈值,训练神经网络,将网络的误差性能函数msereg看作每个粒子的适应度函数。即
式(3)中,ti为网络的实际输出值;yi为目标样本值;a为一个比率数;
步骤4 评价粒子的适应值,对个体极值和全局极值进行更新。若当前位置的个体适应值优于迭代前的适应度值,则当前的位置赋给gbest,当前的个体最佳适应度值赋给fbest。对于全局极值来说,根据所有粒子的个体最佳适应度值fbest,找出全局最佳适应值fbest,并保存该粒子的当前位置zbest。
步骤5 速度和位置更新。根据公式(4)对速度进行更新,并把速度的最大值限制在Vmax,最小值限制在Vmin。同时根据公式(5)对位置进行更新,并把位置的最大值和最小值分别限制在pmax和pmin。
Vik=wVik+c1r1(gbestik-pik+c2r2(zbestgk-pik) (4)
其中,Vik为粒子的速度;pik为粒子的位置;gbestik是粒子到目前为止经历的最佳位置;zbestgk为所有粒子目前找到的最优位置;c1、c2为粒子的学习因子,一般在[0,4]之间;r1、r2为[0,1]之间的随机数;式(4)为线性递减惯性权重;w为惯性因子;xmax为惯性权值最大值;xmin为惯性权值最小值;Tmax是最大进化代数;t是当前进化代数。
步骤6 根据模拟退火机制,对新的粒子群进行退火处理。当粒子的两个位置所引起的适应值的变化量E<0.01时,更新粒子的个体极值gbest、个体最佳适应度fgbest、全局极值zbest和全局最佳适应度fbest;否则当exp(-E/T)>rand,也对粒子的这几个参数进行更新。
步骤7 如果有粒子极值更新时,进行降温,否则不降温。退火机制为
其中a是退火速度,T0为初始温度。
步骤8 判断是否到迭代终止条件,若否,迭代次数加1,线性减小w,接着转到步骤5,继续进行搜索;若是,得到BP的最优权值和阈值,然后训练BP神经网络以得最优解,形成能源消费预测模型。
由以上分析,设计得到优化BP算法的程序流程图如图1所示。
3 仿真结果以及分析
3.1 混合算法在钢铁集团能源消耗的仿真
以广州钢铁企业能源管理系统为背景,根据2006年至2009年月电能消耗的情况,利用该混合算法拟合出月电能消耗的趋势曲线,并预测2010年月电能消耗数值。
采用1个输入层节点,1个输出层节点进行预测。在对广钢电能消耗预测模拟中,时间为输入层,各个月的电能消耗为输出层,根据以上的隐含层设计经验公式以及实际情况,隐含层确定为10个节点,构造三层BP神经网络预测模型,其中隐含层和输出层激活函数采用S型函数,网络训练方法为附加动量项的学习率自适应梯度下降法。
获得输入和输出向量后,由于其中各个指标互不相同,为了计算方便及防止神经元达到过饱和状态,在研究中对数据进行归一化处理,归一化处理有很多方式,采用Matlab提供的函数mapminmax进行归一化。
实验中粒子群算法的参数学习因子c1=0.15,c2=0.3,进化代数为120,粒子群规模为30,Vmax和Vmin分别为1和-1,pmax和pmin分别为5和-5,惯性权值最大值xmax=0.9,惯性权值最小值xmin=0.4,根据式(6)惯性权重范围为[0.4,0.9],根据式(2)得到粒子群维度为31,作为随机产生粒子速度和位置的长度;模拟退火算法的参数起始温度为10 000,a=0.98。
运用matlab依据上述的流程图以及所设定的参数编写混合粒子群优化BP神经网络的仿真模型,最优适应度的仿真曲线图如图2所示。
3.2 混合算法与其他算法的比较
在预测模型的训练中,混合算法一次预测结果如图3所示。图中,横坐标表示是2006年1月到2010年9月(不包括2010年2月和3月),每个间隔表示一个月 ,星点线为混合算法预测值,圆圈为电能消耗实际值
同时为了验证混合算法优化BP神经网络的优越性,建立一个BP神经网络,采用Levenberg-Marquardt对网络进行学习训练,最后得到的网络模型结果为1—10—1结构(输入层1个节点,中间层10个节点,输出层1个节点)。其中一次预测结果如图4所示。
对比图3和图4可知,混合算法的预测效果比BP-ANN预测效果好,能够更好地跟踪未来的数据。为了说明该模型可行性,利用文献[10]中所采用的最小二乘法对2010年4月至9月电能消耗预测,三种模型的预测结果如下表1所示。综合考虑,混合算法相对最优,具有较高的精确度。
4 结束语
以 广州钢铁企业中的电能消耗数据为基础材料,基于BP存在的缺点,提出了一种优化神经网络的混合算法—模拟退火粒子群算法,利用该混合算法优化BP神经网络的权阀值,从而用优化后的BP神经网络建立预测模型对电能消耗进行预测。并与BP神经网络和最小二乘法进行比较仿真得出,混合算法取得很好的预测效果,提高了网络泛化能力,这对钢铁企业合理使用能源,提高能源利用率,提供了重要的参考。
参考文献
[1]蒋育翔,黄金福,洪小利.基于钢铁企业能源特点及相互关系的能源管理信息系统的研究.经济研究导刊,2011;2(35):18—23
[2]韩君.能源需求分析方法述析.经济研究导刊,2008;(18):280—281
[3]李亮,孙延容,黄强,张双虎.灰色GM(1,1)和神经网络结合的能源预测模型.能源研究与利用,2005;(1):10—13
[4] Metropolis N.Equations of state calculations by fast computing ma-chines.J Chem Phys,1953;(21):1087—1091
[5] Kirkpatrick S,Gelatt C D,Vechi Jr M P.Optimization by simulatedannealing.Science,1983;(220):671—680
[6]王振树,李林川,李波.基于粒子群与模拟退火相结合的无功优化算法.山东大学学报,2008;38(6):15—20
[7]范娜,云庆夏.粒子群优化算法及其应用.信息技术,2006;(1):53—56
[8]马成前,王庆喜.基于局部及全局误差的BP神经网络研究.武汉理工大学学报,2009;31(20):99—101
[9]葛哲学,孙志强,等.神经网络理论与MATLAB R2007实现.北京:电子工业出版社,2007:108—116
[10]陈辉,刘贤堂,吴宝健.钢铁企业能源管理系统的应用研究.信息技术,2011;(4):20—23
能耗模拟预测 篇2
铝型材生产企业属能源成本占总运营成本比例较高的行业,并通常被列为各级政府重点能源消耗监控单位。为了保证熔铸生产稳定、经济地运行,对铝型材生产能耗进行实时监测以及能耗异常检测,是实现制造自动化和清洁生产的发展趋势[1,2]。此外,以机组、车间为单位对生产节能情况进行评估,可以有效地减少能源泄露、待机时间过长、参数不恰当等能耗异常现象[3,4,5]。
但目前大多数特种工业铝型材生产企仍停留在无数据—粗放式的能源管理阶段,只有总的能耗数据(月账单、年账单),对工艺及设施的能耗数据不了解。少数企业有基础的能耗数据,有安排员工进行人工抄表,并对抄表数据进行汇总、制表,有简单的抄表和电力监测系统,缺乏对海量数据进行统计、整理和分析。因此,面向生产过程的系统性有效的全面能源监控并将能耗数据进行反馈,动态指导生产调度等决策过程,也已成为铝型材生产企业数字化升级的重要需求之一。樊龙等提出一种基于MODBUS的智能电表数据采集传输系统,提高了数据采集传输的实时性和可靠性[6]。杨文人对基于能耗预测模型的能源管理系统进行了研究,建立了基于BP神经网络的能耗异常监测模型,并成功应用于轮胎硫化工序[7]。
此外目前采用的节能评估手段是采用未采用节能措施的单位产品的能耗与采用节能措施后的单位产品的能耗进行对比。然而这一方法存在严重的滞后性,随着生产时间的不同、机组工作人员的不同、生产产品的不同,这种评估方法会产生较大的误差。文献[7]利用BP神经网络根据当前生产参数进行能耗预测,与实际能耗值进行比较的节能评估方法,可以有效地避免数据的滞后性。
为此,该文提出一种铝型材熔铸实时能耗监测及能耗预测方法及系统,不仅可以实时地监测熔铸生产中的能耗数据,并可以根据能耗预测发现熔铸生产中的能耗异常现象。
2 系统结构组成
系统分为实时能耗监测及能耗预测两部分,实时能耗监测部分由硬件部分和数据采集部分组成,能耗预测部分由训练回归型支持向量机模块,预测能耗区间模块和评估节能效果模块三部分组成。
实时能耗数据采集部分如图1所示:硬件部分由数字仪表、采集服务器、网关机和监控服务器组成。底层数字仪表与交换机通过RS-485接口相连,使用ZIGBEE通讯协议进行数据通信,采集服务器与交换机相连,使用TCP/IP协议进行数据通信,各个交换机通过局域网与监控服务器相连。
数字仪表包括智能电表和智能天然气表,智能电表安装于熔铸机用电线路上,用于采集用电量、电压、电流、视在功率、有功功率、无功功率、功率因数、频率等参数,该参数又分为A、B、C三相和汇总;智能天然气表:安装于辅助加热炉供热管道上,主要采集用量、温度、压力、流量等4个参数;
采集服务器:安装于车间,连接智能电表、智能天然气表和交换机之间,主要用于在网络设备中传输数据,实现数据双向透明传输;
网关机负责从各个设备控制系统采集数据,送到监控服务器中;同时充当管理网络与控制网络之间的网关。采集器与监控服务器之间的网络出现问题时,数据会先保存在网关机上,当故障网络恢复正常时,保存在网关机上的数据会自动上传到实时数据库服务器上,保证所采集数据的完整性。
监控服务器:用于接收和记录交换机传输的负载能耗数据以及运行回归型支持向量机方法;以回归型支持向量机算法计算单位产品能耗的预测值Xp;
软件部分有数据采集模块和服务器控制模块,数据采集模块运行于采集服务器,其工作内容是从监控服务器收到配置参数后,生成标准的数据命令帧,并发送给智能数字仪表,收到智能数字仪表返还的应答数据帧后,将数据帧中的内容打包为TCP/IP所用的数据包,通过网络接口转发到交换机网关中。节能评估模块运行于监控服务器,采用微软公司开发的软件开发平台VC++6.0进行开发,使用封装的Mscomm控件进行串口传输,并将硬件采集到的数据传输到上位机界面中实时显示以及存储到SQL数据库中。
3熔铸生产能耗预测
基于回归型支持向量机的熔铸异常能耗预测由三个模块组成:训练模型模块、预测能耗区间模块、评估节能效果模块。
训练模型模块用于训练基于回归型支持向量机的节能评估模型,如图2所示。以某铝型材制造企业熔铸车间为例,原始的能耗时间序列数据,包括日、月和年等不同时间维度的能耗数据已经由能耗监测系统预先存储于监控服务器的SQL数据库中。从监控服务器的SQL数据库中读取某一熔铸机组于2013.42013.8每生产1吨铝棒的耗电量和燃气量作为训练数据,输入数据x有熔铸质量、环境温度、熔铸温度、熔铸时间、操作工人工龄等,使用MATLAB训练基于回归型支持向量机的回归函数) ;根据回归函数计算该熔铸机组于2013.9所每熔铸1吨铝棒的耗电量和燃气量为373.74度/吨、36.68立方米/吨。
预测能耗区间模块,其特征在于使用统计分析方法计算单位产品能耗的置信区间。设单位生产铝棒的预测耗电量为X1, X2,…Xn服从样本分布( μ , σ2),和S2分别表示预测耗电量的样本均值和样本方差,则随机变量,对于给定的置信度,则预测耗电量的均值μ的置信区间为以某铝型材制造企业熔铸车间为例,2013.7月中5天的耗电量分别为345.24度/吨、343.82度/吨、354.05度/吨、346.44度/吨、353.26度/吨,则置信度为0.99的耗电量置信ˉ区间为:,则预测耗电量的置信区间为[348.56-9.77, 348.56+9.77]。
评估节能效果模块,其特征在于根据每熔铸1吨铝型材的能耗预测值Xp和每熔铸1吨铝型材能耗的实际值Xt,根据公式-计算所述单位产品的节能效果η。
4 系统测试及讨论
以某铝型材制造企业熔铸车间为例,从数据库中选取其2011.12012.9每生产1吨铝棒的耗电量为训练数据,结合软件MATLAB,训练基于回归型支持向量机的节能评估模型,数据如表1所示
根据训练好的回归型支持向量机模型去获取单位铝型材耗电量预测值。如图3所示,该企业2012年9月-2012年12月中每月的每生产1吨铝棒的耗电量的预测值分别为1100千瓦时、1083千瓦时、1055千瓦时和1092千瓦时。
最后根据每生产1吨铝棒的能耗预测值Xp和每熔铸1吨铝型材能耗的实际值Xt,根据公式计算所述单位产品的节能效果η。图4所示是置信度为99%的某熔铸机组日节能能效图,图中可以看出多个能耗异常情况。
5 结论及未来工作
本文针对铝型材熔铸过程能源使用较多,传统人工采集能耗数据频率低,采集速度慢等问题,提出了一种包括智能电表、智能天然气表、采集服务器、交换机以及监控服务器,智能电表和智能天然气表等构成的熔铸能耗监测和能耗预测系统,负载通过RS-485总线与采集服务器相连接,采集服务器将RS485串口转换为TCP/IP网络接口,实现RS-485串口到TCP/IP网络接口的数据双向透明传输,监控服务器实时监测负载能耗数据并记录不同负载的能耗数据,并用历史能耗数据以回归型支持向量机方法计算单位铝棒能耗的正常检测区间,还可以根据预测能耗数据与实际记录能耗数据进行比较,对熔铸生产进行节能评估。实验证明该系统不仅可以实时地采集车间内熔铸机组的能耗数据,还可以通过对历史能耗数据的分析,检测生产中的能源泄露、待机时间过长、生产参数不恰当等能耗异常现象。
摘要：针对铝型材生产过程中能耗较大,传统人工采集能耗数据频率低,采集速度慢等问题,该文提出一种铝型材熔铸炉生产实时能耗监测及能耗预测系统。该系统一方面使用基于zigbee协议的无线传输通讯方式将生产现场电表、燃气表与交换机相连接,并通过网络接口数据发送至服务器,实现对生产能耗数据的实时监测;另一方面采用回归型支持向量机对历史生产数据进行学习,得到预测能耗模型,用于对当前生产能耗数据预测,及时发现生产中的能源损失、生产参数不当等异常现象。
福建省高校建筑能耗预测模型研究 篇3
随着福建省高校事业的发展,校园建筑能耗总量呈现不断增长的趋势。采用科学有效的方法对校园建筑能耗进行预测,不仅有助于掌握能耗的增长趋势,为学校制定未来的能源规划及能源管理策略提供基础依据,并且有利于对建筑能耗水平进行科学地评价,促进福建省高校节约型校园的建设。
1 研究方法
1.1 能耗预测方法的选择
校园建筑的耗能与多个因素有关,常用的预测方法有:时间序列法、人工神经网络算法和多元统计分析。
时间序列法是利用按时间顺序排列的数据预测未来的方法。这种方法的理论上没有考虑系统的发展不仅有连续性的特点,而且又是复杂多样的,有时的预测结果并不一定与发展规律完全一致。人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。人工神经网络虽然有计算速度高、容错能力大、适于求解难以求得规律的问题以及和现代多门学科紧密结合的优点,但难以精确分析各项指标,体系结构通用性差,不宜用来求解用数字计算机可以解决的问题。
多元统计分析是统计学的一个重要分支,以概率论和数理统计的理论为基础,是研究数据搜集、整理、分析的一门学问。利用统计学和数学方法,将隐含在样本数据中的重要信息集中提炼出来,掌握系统的本质特征,分析系统中的内在规律,利用多元分析中不同的方法,还可以对研究对象进行分类和简化。
本文选取多元统计分析的方法对福建省农林大学的能耗数据进行分析预测。
1.2 能耗预测分析方案
由于校园建筑功能、规模、人员密度和设备运行情况的不同,能耗高低相差很大。在样本数量有限的情况下,建立一个适用于所有建筑的能耗预测模型难度较大。因此,对校园建筑进行分类,并各自建立模型,可以提高模型的预测精度。
本文首先采用相关分析的方法,挑选出与建筑能耗水平关系较为密切的影响因子,组合成一项综合指标,再以综合指标的大小对样本进行聚类分析,采用SPSS专业软件进行统计分析。得到几个层次的建筑群,最后对各建筑群分别建立能耗预测模型。
1.3 样本来源及指标的选择
研究的样本来源于一所高校的建筑能耗统计及能源审计。选取2010年50栋建筑的原始数据和信息作为研究基础,并采用相关定量方法对信息进行量化处理与研究。
用于评价校园建筑能耗水平的一个重要指标就是年耗电量,文中选择这一指标作为研究的目标对象,分析不同因素对其的影响。
在大量实际调研的基础上,考虑指标构成的综合性、代表性、可比性、简洁性以及可获得性,避免数据指标信息的重叠交叉,选择建筑类型(x1)、竣工时间(x2)、建筑面积(x3)、层数(x4)、常驻人数(x5)、空调区域面积(x6)和照明功率(x7)7个指标作为影响校园建筑耗能量的因素,进行考查。各指标数值设置如表1所示。
2 基于多元统计分析的高校建筑能耗预测
2.1 相关性分析
建筑单位面积能耗是本文预测分析的目标变量,如果直接用于建筑分层,不利于模型建立后应用于实际的预测分析。因此使用相关分析,提取出与建筑能耗有关的指标组成综合指标,作为样本的分类依据。
对不同类型的变量应采用不同的相关系数来度量,常用的相关系数主要有Pearson简单相关系数、Spearman等级相关系数和Kendallτ相关系数等。这里采用Pearson简单相关系数,其计算公式为:
相关性分析的结构如表2所示。在给定置信水平α=0.01的条件下,建筑类型(x1)、建筑面积(x3)的t检验值的相伴概率小于置信水平,且其Pearson简单相关系数均大于0.5,可以认为其关系与建筑总耗电量(y）的关系较为紧密。且3个变量与建筑总耗电量的相关系数均为正值,具有同增同减性。
假设预测建筑与样本建筑具有相同的均值和标准差,对x1、x2、x3进行标准化处理,并建立代替建筑总能耗作为分层回归分析依据的综合指标z为:
计算得到50个样本的综合指标如表3所示。
2.2 聚类分析
聚类分析(Cluster Analysis)又称群分析,是根据“物以类聚”的道理,对样品或指标进行分类的一种多元统计分析方法。聚类分析按其分类方法又分为系统聚类法、动态聚类法等。系统聚类法分析也称为分层聚类法(Hierarchical Cluster),它是聚类分析中应用最常用的一种方法。但当样本数量较大时,使用聚类的计算速度比较慢,且精度太高,而动态聚类法就会显得方便、适用。选择动态聚类法对建筑样本进行聚类分析,得到不同层次的样本小类后,对各小类进行回归分析。
考虑到后期需进行回归分析,每类的样本数量不应过小,因此选择人为地将样本分为2类,以保证回归的精度。
将样本分为2类的迭代过程及最终结果,如表4所示。可以看出随着迭代次数的增加,类别聚核的变化越来越小,只用了3次就以达到收敛。最终两聚核之间的距离为1.67,分类较为明显。最终形成的分类中第1类有28个样本,第2类有22个样本,2类的样本数量均达到回归分析的要求。
分类后的方差分析表如表5所示。从表5中看出,分类后的z指标不同类别间差异显著性F检验的伴随系数趋近于0,差异性显著,说明把50个样品分成2类较为合理。
最后,得到的分类情况如表6所示。
对分类的结果进行统计汇总,如表7所示。可以看出,分类1中的建筑大都是建于各个时期规模较小的建筑,其能耗总量也较低;分类2中的建筑集中建设于2000年以后,建筑规模大,能耗较高。根据这样的情况,命名分类1为低能耗建筑群,分类2为高能耗建筑群。
2.3 回归分析
回归分析主要研究客观事物变量间的统计关系,它是建立在对客观事物进行大量试验和观察的基础上,用来寻找隐藏在不确定现象中的统计规律性的统计方法。
文中选择建筑年耗电量作为因变量y。选择了7个指标作为影响y的因素进行分析,这7个指标称为自变量。线性回归模型可表示为:
在聚类分析的基础上进行逐步回归分析,得到低能耗建筑群和高能耗建筑群的能耗回归模型分别为:
2个模型的拟合优度检验如表8所示。低能耗建筑群能耗回归模型的相关系数R=0.639,高能耗建筑群回归模型的相关系数R=0.820,2个模型的拟合都可基本满足要求。
回归系数的显著性检验如表9所示。低能耗建筑群回归模型中自变量系数t检验值为2.849和2.597;高能耗建筑群的则分别为-2.595、4.698和3.402;其相伴概率均小于0.05,说明各自变量变化确实能较好地反映因变量的变化,自变量与因变量的线性关系明显。
欲使能耗回归模型准确有效地运用于日后的预测,除了满足显著性检验外,还应满足在回归分析的基本假定。2个回归模型的残差分布如图1所示。从图1中可以看出:低能耗建筑群标准化残差的正态曲线的均值为1.35×10-16,标准差为0.926;高能耗建筑群化残差的正态曲线的均值为3.45×10-16,标准差为0.816;2类建筑的残差分布均接近正态曲线,基本满足随机误差项正态分布的假设理论,模型拟合效果比较好。
3 模型检验
以另外26栋建筑作为检验样本,根据聚类分析的结果,可以看到建筑按其z检验值的大小可以分为高能耗建筑群和低能耗建筑群,高能耗建筑群z检验值的中位数为-0.875,低能耗建筑群z检验值的中位数为0.91。以两者的中间值z0=0.0175作为分界点,z检验值高于这一值的建筑按高能耗建筑进行回归分析,z检验值低于这一值的建筑按低能耗建筑进行回归分析。预测得到的能耗值和实际能耗值的对比如图2所示。从图中可以看出,高能耗建筑实际值和预测值之间的误差为11.26%,低能耗建筑实际值和预测值之间的误差为11.77%,可以认为预测结果能较好拟合实际情况,模型较为准确、有效。
4 结论
通过相关分析,构建了代替总能耗作为建筑分类依据的综合指标:z=0.703x1+0.15×10-3x3-4.36。根据各样品的z指标,将总样本分为了2个小类,通过汇总分析发现:第一个小类中的建筑的能耗和规模都较小,因此命名为低能耗建筑群;另一个小类中建筑的能耗和规模较大,命名为高能耗建筑群。
以建筑年总能耗为因变量,建筑类型(x1)、竣工时间(x2)、建筑面积(x3)、层数(x4)、常驻人数(x5)、空调区域面积(x6)和照明功率(x7)7个指标为自变量,基于多元线性回归的相关理论和方法,分别建立了2类建筑群的能耗预测模型y高=212718.072x1+59.059x3-7342.044x7-851202.148和y低=9.373x3+37326.478x4-130584.244,并验证了模型的有效性。
以26栋建筑作为检验样本,对通过模型计算的能耗预测值与实际值进行对比,发现模型能够较好反应实际情况,具有一定的实际应用价值。
参考文献
[1]尹亮亮.基于能耗调研的天津某高校节能潜力分析和能耗预测[D].天津:天津大学,2010.
[2]中国科学院数学研究所数理统计组.回归分析方法[M].北京:科学出版社,1972.
能耗模拟预测 篇4
大庆油田地处亚寒带,冬季最低气温可达到-40℃[1],其外围油田地质条件恶劣,油井和集油管道多处于低洼、沼泽等地带,导致管道热能损失较大。永4转油站位于大庆永乐油田,所辖阀组间9座,油井211口。该站所辖油井产液量低、含水率高,井口出油温度低,集输半径大,集油能耗偏高[2]。针对该站所辖集输系统,建立了各集输环节能量平衡模型,结合生产运行数据对其进行了能耗分析,确定了能耗分布规律,提出了调整改造建议。
1 能耗分析
永4转油站集输系统采用单管环状掺水工艺流程,如图1所示。该流程是以阀组间为集油单元,每个阀组间管理2～5个集油环,每个集油环上串联3～6口油井;转油站将加热后的含油污水输送至阀组间后,通过阀组间掺水汇管掺到个各集油环中,油井产出液与掺入的热水混合后,经过集油环回到阀组间的集油汇管,然后再经集油管道回到转油站[3]。根据工艺流程,可将集输系统划分为集油环、阀组间至转油站间管道和转油站三个环节。针对每一集输环节,依据能量平衡原理分别建立了能量平衡分析模型。
1.1 集油环能耗分析
集油环能量平衡[4]模型如图2所示。
其能量平衡方程可表示为:
ERWin+EROin=ΔER+EROout (1)
式(1)中:
ERWin—阀组间掺水进入各集油环的总能量,kJ/h;
EROout—各集油环回油进入阀组间的总能量,kJ/h;
EROin—油井采出液进入集油环的能量,kJ/h;
ΔER—集油环损失能量,kJ/h。
该站所辖34个集油环,集油环平均长度为2.28 km。对所有集油环进行能耗测试。分析表明:该站所辖集油环的平均单位能量损失为13 404 kJ/(t·km),其中热能损失为13 043 kJ/(t·km)、压能损失为361 kJ/(t·km),热能损失远远大于压能损失。单位能损高于平均值的集油环有11个,占32.4%。其中4#—1阀组间的3环、4#—3阀组间的4环、4#—5阀组间的2环、4#—8阀组间的3环单位能损超出平均单位能损的1.5倍。4#—3阀组间的4环单位能损最高,为39 161 kJ/(t·km),达到平均单位能损的2.92倍。
1.2 阀组间至转油站间管道能耗分析
阀组间至转油站集油管道和掺水管道的能量平衡模型如图3所示。
掺水管道能量平衡方程可表示为:
ETWouti=ERWin+ΔELW (2)
式(2)中:
ETWouti—转油站连接第i个阀组间掺水管道带出的掺水能量,kJ/h;
ERWin—经过掺水管道进入阀组间掺水的能量,kJ/h;
ΔELW—掺水管道损失的能量,kJ/h。
集油管道能量平衡方程可表示为:
EROout=ETOini+ΔELO (3)
式(3)中:
EROout—阀组间回油进入集油管道的能量,kJ/h;
ETOini—转油站连接第i个阀组间进入集油管道的回油能量,kJ/h;
ΔELO—集油管道损失的能量,kJ/h。
永4转油站所辖9座阀组间,共有9条掺水管道和9条集油管道。对所有掺水管道和集油管道进行能耗测试,分析表明:该站所辖掺水管道的平均单位能量损失为7 265 kJ/(t·km),其中热能损失为7 136 kJ/(t·km)、压能损失为129 kJ/(t·km)。单位能损高于平均值的掺水管道有3条,占33.3%。其中4#—3转油站至阀组间的掺水管道单位能损达到了平均单位能损的2.01倍。
该站所辖集油管道的平均单位能量损失为5 122 kJ/(t·km),其中热能损失为5 049 kJ/(t·km)、压能损失为73 kJ/(t·km)。单位能损高于平均值的集油管道有3条,占33.3%。其中4#—2及4#—3阀组间至转油站的集油管道单位能损超出平均单位能损的1.5倍。4#—3阀组间至转油站的集油管道单位能损最高,为12 183 kJ/(t·km),达到平均单位能损的2.38倍。
1.3 转油站能耗分析
永4转油站站内工艺流程为:各阀组间来液经过分离器(气、液分离)初步分离后进入500 m3沉降罐(油、水分离),沉降后的底水经过掺水泵加压,然后进入水套式掺水炉加热后输送至各个阀组间;沉降分离出的含水油经过外输泵加压后进入外输炉升温,然后输送至联合站。转油站能量平衡模型如图4所示。
其能量平衡方程可表示为:
ETh+ETe+ETOin=ETOout+ETWout+ΔET (4)
式(4)中:
ETh—外界供给转油站的热能,kJ/h;
ETe—外界供给转油站的电能,kJ/h;
ETOin—进入转油站的回油带入的能量,kJ/h;
ETOout—转油站外输油带出的能量,kJ/h;
ETWout—转油站输送至阀组间掺水的能量,kJ/h;
ΔET—转油站的能量损失,包括热能损失及压能损失,kJ/h。
由表1计算结果可知:该站能源效率[5]为70.25%,电能利用率为35.48%,热能利用率为71.97%。热能消耗占总能耗的比例为95.3%,电能消耗占总能耗的比例为4.7%,说明热能消耗占主导地位。转油站热能损失为3 401 059.4 kJ/h,压能损失为373 690.3 kJ/h,表明提高有效热耗率,是降低转油站能量损失的关键。
1.4 转油站耗能设备能耗分析
永4转油站测试时运行3台掺水加热炉和2台外输炉。这5台加热炉的能耗计算结果见表2。
由表2数据可知:2台外输加热炉排烟温度低于正常运行状态下排烟温度值,处于烘炉状态。根据《SY/T 6275—2007 油田生产系统节能监测规范》,对测试及计算结果进行分析表明:5台加热炉的空气系数及排烟温度合格率为100%;1#掺水加热炉的热效率低于节能监测指标,加热炉热效率合格率为80%。
该站测试时运行2台掺水泵、2台外输泵。这4台泵机组的效率计算结果见表3。
按照节能监测标准,由测试及计算结果分析表明:4台泵机组节流损失率合格率为100%;2台外输泵的机组效率均不合格,机组效率合格率为50%。
1.5 转油站集输系统能耗分析
根据能耗测试结果,对永4转油站集输系统进行了能耗分析,结果见表4。
由能耗损失计算结果分析可知:该站集输系统中,总热损占总能量损失的95.43%,总压损占总能量损失的4.57%。其中集油环热损占该站集输系统热能损失比例最大,达到36.46%;转油站压损占集输系统压能损失比例最大,达到65.41%。
2 调整改造方案
根据以上分析可知:该站集输系统所辖34个集油环中有4个集油环单位能损较高,超出平均单位能损的1.5倍以上;9条掺水管道中有1条管道单位能损超出平均单位能损的1.5倍以上;9条集油管道中有2条管道单位能损超出平均单位能损的1.5倍以上。管道能损较大的原因为管道处于沼泽、低洼地带,管道埋深较浅或保温层保温效果较差等。可通过在管道上方覆土、增加管道埋深或加厚管道保温层等方式改善管道保温状况,减少管道的能量损失。
1#掺水加热炉热效率较低原因为加热炉腐蚀、结垢严重,建议对加热炉进行除垢,以提高热能利用率。2台外输泵实际排量之和为20.38 m3/h,单台泵额定排量为35 m3/h,导致泵运行在低效区,建议这种工况下关闭一台外输泵。
该站回油汇管温度为41 ℃,而永4转油站所辖油井产出原油凝点为35 ℃,回油汇管温度高于生产要求的回油温度38 ℃。为降低掺水能耗,可以优化调整掺水量和掺水温度[6]。通过该措施,掺水运行节能潜力为9.7×105 kJ/h。
永4转油站改造前后节能预测对比结果见表5。
由表5中计算结果可知:永4转油站经改造后预计能源效率可提高2.17%,节约气量48.97 m3/h,节气率达到16.28%;耗电量可节约34 kW·h/h,节电率达到21.15%。吨液耗电降低1.72 kW·h/t,吨液耗气降低2.48 m3/t,吨液综合能耗降低3.51 kg(标煤)/t,节能效果显著。
3 结论
通过对永4转油站集输系统能耗分布规律进行研究,取得以下结论:
(1)通过对永4转油站集输系统集油工艺流程的分析,建立了各集输环节的能量平衡模型,并对永4转油站集输系统进行了能耗计算与分析,确定了各集输环节的能损分布。结果表明:永4转油站集输系统中,总热损占总能量损失的95.43%,热能损失远远大于压能损失,说明加强各环节热能利用率,加强管道保温,提高加热炉效率是提高转油站集输系统能量利用率,节能降耗的关键;
(2)针对永4转油站集输系统存在的用能薄弱环节,提出了有针对性的节能技改措施,并对永4转油站集输系统进行了节能潜力预测。经改造后,永4转油站预计可提高能源效率2.17%,节气率达到16.28%,节电率达到21.15%。
参考文献
[1]赵雪峰.单管集油工艺在大庆油田的应用实践.油气田地面工程,2012;31(5):54—56
[2]魏立新,李朋,杜鹏,等.单管环状掺水流程降温集输运行实践与分析.节能,2011;7:112—115
[3]李玉春,吴玮,吴延友.大庆外围油田集油系统掺水工艺研究.油气田地面工程,2007;26(1):12—13
[4]龙凤乐,杨肖曦,李松岩.油气集输系统能量分析.油气储运,2005;24(12):58—60
[5]SY/T5264—2006,油田生产系统能耗测试和计算方法
能耗模拟预测 篇5
国务院《大气污染防治行动计划》 (国发[2013]37号) 文件中明确指出:未通过能评的项目, 不得批准开工建设, 不得提供土地, 不得提供贷款支持, 不得供电供水。这表示国家将加大新建项目节能评估和审查约束力度, 从而充分发挥其源头控制作用, 让能评制度在完成节能目标和能源消费总量控制的同时, 也为大气污染防治做出应有贡献。我国建筑能耗约占整个社会能耗的30%, 其中楼宇年电力消费总量占全国总消耗10%, 能源费用超过800亿元, 加强建筑节能迫在眉睫。
《固定资产投资项目节能评估工作指南》 (2014年修订本) 中要求建设项目节能评估报告从八个方面进行论证, 其中项目建设方案节能评估为报告中的重要内容, 主要能耗设备节能评估为报告中的核心内容。建设工程项目主要供用能系统包括供配电系统、空调系统、通风系统、供水系统和天然气供应系统。电力耗能设备主要是电梯、供水、空调、通风、室内电器、照明、变压器等。本文结合工程实例论述建设工程项目中主要设备能耗预测计算的方法。
1 项目概况
本项目为房地产开发项目, 总建筑面积106 960 m2 (包括地下车库11 960 m2) , 项目建设内容包括1号、2号楼24层, 1层、2层为小型商业, 3层~24层为住宅;3号楼24层, 1层、2层为配套用房, 3层~24层为住宅;4号楼18层, 1层、2层架空, 3层~18层为住宅;5号、6号楼5层为购物广场以及附属设施。
2 项目电梯能耗计算
本项目电梯12部, 自动扶梯10部。按照GB 50016—2006建筑设计防火规范7.4.10的要求高层住宅选择中速电梯 (v=1.5 m/s) , 自动扶梯选择低速电梯 (v=1.0 m/s) 。
按照GB/T 10058—2009电梯技术条件的附录A提供的电梯能耗预测计算模型估算电梯耗电量。本项目拟选用达到节能要求的VVVF永磁同步无齿轮曳引机电梯。
电梯能耗计算式为:
其中, Eelevator为电梯使用一年能耗, k Wh;K1为驱动系统系数, K1=1.6 (交流调压调速驱动系统时) , K1=1.0 (VVVF驱动系统时) , K1=0.6 (带能量反馈的VVVF驱动系统时) ;K2为平均运行距离系数, K2=1.0 (2层时) , K2=0.5 (单梯或两台电梯并联多余2层时) , K2=0.3 (3台及以上的电梯群控时) ;K3为轿内平均载荷系数, K3=0.35;H为最大运行距离, m;F为年启动次数, 一般在100 000~300 000之间;P为电梯的额定功率, k Wh, 且:
其中, P1为与平衡系数相关的系数, P1=1.0 (平衡系数为50%时) , P1=0.8 (平衡系数为40%时) ;P0= (0.5×额定载重量×额定速度×gn) / (1 000×ns×ng×nm) ;ns为悬挂效率, 默认值ns=0.85;ng为传动效率, ng=0.75 (蜗轮蜗杆传动系统时) , ng=1.0 (VVVF驱动系统时) ;nm为电动机效率, nm=0.75 (交流调压调速驱动系统时) , nm=0.85 (VVVF驱动系统时) ;gn为标准重力加速度, 为9.81 m/s2;V为额定速度, m/s;Estandby为一年内待机总能耗, k Wh, 一年内待机总能耗按电梯使用一年能耗的5%估算。
根据式 (2) 计算本项目电梯的额定功率P, 详见表1。
根据式 (1) 计算项目电梯年耗电量为5.301×104k Wh。
3 项目空调能耗计算
本项目空调用电量估算方法是根据建筑面积确定空调安装功率, 再根据经验数据确定空调的运行时间和负荷系数, 依据安装功率、运行时间、负荷系数的乘积得出耗电量。按照DB 34/1466—2011安徽省居住建筑节能设计标准和DB 34/1467—2011安徽省公共建筑节能设计标准, 空调计算期应为当年6月15日~8月31日, 共计78 d;采暖计算期应为当年12月1日~次年2月28日, 共计90 d。
3.1 住宅空调能耗
根据《民用建筑空调设计》表2-71, 住宅类空调冷负荷指标为150 W/m2, 安装空调设备的面积约占总建筑面积的80%, 能效比按3.4计算, 本项目住宅建筑面积37 752.5 m2, 则空调设备制冷功率约为1 332.44 k W, 制热功率以制冷功率的1.2倍计算。夏季空调耗电按平均6 h, 需要系数0.6, 冬季采暖空调耗电按平均6 h, 需要系数0.6。
则:空调制冷年耗电量:
空调供暖年耗电量:
住宅空调年耗电量为:
3.2 商场空调能耗
本项目商场采用风冷热泵空调机组。根据《实用供热空调设计手册》、CJJ 34—2002城市热力网设计规范, 选择冷负荷指标180 W/m2, 热负荷指标100 W/m2。依据GB 19577—2004冷水机组能效限定值及能源效率等级选择能效比, 制冷能效按3.4, 制热能效按2.6计算。商场建筑面积43 014 m2, 按空调面积占建筑面积的60%计算。可得空调机组的冷负荷值4 645.51 k W, 热负荷值2 580.4 k W。夏季空调耗电按平均10 h, 需要系数按0.7计算。冬季采暖空调耗电按平均10 h, 需要系数按0.7计算。
则:空调制冷年耗电量:4 645.5÷3.4×78×10×0.7=74.60×104k Wh;空调供暖年耗电量:2 580.4÷2.6×90×10×0.7=62.53×104k Wh;商场空调年耗电量为:74.60×104k Wh+62.53×104k Wh=137.13×104k Wh。
3.3 空调总能耗
小型商业、地下商业长廊、公建空调能耗, 因篇幅原因不再具体计算, 计算方法同上。小型商业空调年耗电量29.81×104k Wh, 地下商业长廊空调年耗电量24.47×104k Wh, 公建空调年耗电量2.33×104k Wh。
4 项目无负压供水设备能耗计算
项目生活给水水源以市自来水公司管网达标水质为水源, 采用加压和无塔变频供水系统进行运作, 通过供水管网供给且水质符合国家《生活饮用水卫生标准》要求, 自来水厂的水压能满足本地块商业用水和3层、4层住宅用水。5层以上采用变频无负压供水, 依据GB 50015—2003建筑给水排水设计规范、市政管网水压、项目建筑的初步设计等, 高层建筑生活给水系统应竖向分区, 本项目二次加压恒压变频给水分区:5层~11层由A区变频无负压给水设备供水, 设备服务户数154户;12层~18层由B区变频无负压给水设备供水, 设备服务户数148户;19层~24层由C区变频无负压给水设备供水, 设备服务户数80户。
项目每个分区最低卫生器具配水点处的静水压力不大于0.35 MPa, 每户水表前压力不小于0.1 MPa。经初步计算, 项目需要无负压供水设备的供水分区设计流量、扬程等技术参数及设备参数, 详见表2。供水能耗计算对于各区变频无负压供水设备按每天用水高峰及中峰时段16 h, 启动2台泵;低峰时段8 h, 启动1台泵计算。参考《民用建筑电气需要系数表》各个时段启动泵的负荷需要系数平均按0.7计算。本项目供水设备年能耗为18.91×104k Wh。
5 项目变压器能耗计算
依据JGJ/T 16—2008民用建筑电气设计规范、安徽省工程建设地方标准DB 34/T 1469—2011居住区供配电系统技术规范, 项目建筑用电负荷估算详见表3。
依据安徽省工程建设地方标准DB 34/T 1469—2011居住区供配电系统技术规范, 为确保供电电压质量, 满足生活用电需求, 应在变压器低压母线侧安装无功自动补偿装置, 并在高峰负荷时, 配电变压器低压侧功率因数应达到0.95以上。则变压器计算负荷最低为4 892.84 k VA。拟配置7台1 000 k VA的SCB11系列干式变压器, 变压器负载率为70%。
本项目变压器年电能损耗量 (A) :A=n[PnT+Pk (β) 2t]。
其中, n为变压器台数;T为变压器运行小时数, 不计停电时间, h;Pn为变压器空载耗损, k W;Pk为变压器负载耗损, k W;β为变压器负载率;t为最大负荷损耗小时数, 取t=3 000 h。初步估算, 本项目年变压器损耗量为17.85×104k Wh。变压器损耗量计算见表4。
摘要：结合工程实例, 对建筑工程节能评估中电梯、空调、无负压供水系统、变压器等主要设备能耗的预测计算方法进行了研究, 统计了各项设备的能耗量, 为建筑工程的节能评估提供参考。
关键词：建设工程,节能,评估,设备
参考文献
[1]国家发改委[2010]6号, 固定资产投资项目节能评估和审查暂行办法[S].
[2]皖发改环资[2011]18号, 关于印发《安徽省实施固定资产投资项目节能评估和审查暂行管理办法》细则的通知[Z].
[3]DB 34/1466—2011, 安徽省居住建筑节能设计标准[S].
[4]DB 34/1467—2011, 安徽省公共建筑节能设计标准[S].
[5]JCJ 134—2010, 夏热冬冷地区居住建筑节能设计标准[S].
[6]JGJ/T 16—2008, 民用建筑电气设计规范[S].
太原市公共建筑能耗模拟分析 篇6
关键词：节能,能耗,公共建筑
1 建筑概况
课题组对太原市政府办公建筑的能耗模拟与节能分析选取太原市阳曲镇人民政府办公大楼是因为该建筑具有建造年代较早, 围护结构的保温节能效果差的特点, 可以代表太原市大部分政府办公建筑。该办公大楼位于太原市尖草坪区阳曲镇阳曲村, 大楼于1989年建成并投入使用, 该大楼地上有3层, 坐北朝南, 总高度为12.5 m, 建筑面积1 620.00 m2。结构形式为砖混结构, 外墙为37砖墙, 内墙为24砖墙, 没有保温层, 外窗为铝合金单层玻璃窗。太原市阳曲镇人民政府办公大楼围护结构详细构造以及其热工性能如表1所示。
太原市阳曲镇人民政府办公大楼围护结构外门窗、内门窗数量以及尺寸详细参数见表2、太原市阳曲镇人民政府办公大楼外围护结构详细参数见表3。
2 模型的建立
根据实际参数和现场调查的实际情况对太原市阳曲镇人民政府办公大楼利用Dest软件进行建模计算分析, 太原市阳曲镇人民政府办公大楼整体模型如图1所示。
设置建筑参数:
1) 设置地理信息参数。太原市阳曲镇人民政府办公大楼位于太原市阳曲镇, 建模过程中城市选择为太原 (山西) , 太原市阳曲镇政府办公大楼地理信息设置的详细信息如表4所示。
根据输入的参数通过Dest软件的模拟计算可得到太原市全年温度、湿度, 太原市阳曲镇干球温度详细参数、太原市阳曲镇全年逐时含湿量、太原市阳曲镇各天干球温度、太原市阳曲镇全年各月干球平均温度、太原市阳曲镇全年温度分布情况、太原市阳曲镇全年太阳直射强度情况。
2) 设置围护结构参数。由于本次模拟计算主要是为了分析能耗统计过程的准确性以及为以后的节能设计提供对比而进行的, 因此此次建模过程中围护结构参数的设置都是以建筑物实际情况进行设置的, 其详细情况如下:太原市阳曲镇政府办公大楼的外墙是37粘土砖墙, 内墙是24粘土砖墙, 外门是玻璃外门, 外窗是铝合金普通单层玻璃, 楼地是40 mm混凝土楼地, 楼板是100 mm钢筋混凝土楼板, 屋顶含有屋面架空隔层。
3) 设置内扰参数。太原市阳曲镇政府办公大楼属于办公楼, 其楼内房间类型主要有办公室、会议室、门厅、盥洗间、走廊等, 考虑了室内设备、办公用品和人员对内扰的影响, 楼内各个房间的内扰参数都按照系统默认选择。
4) 设置通风参数。Dest软件中默认给定的通风类型有单元和单元之间、内部和外界之间以及前两种结合这三种情况, 太原市阳曲镇政府办公大楼通风参数的设置, 考虑到实际情况按照第三种类型进行设置。
3 模拟计算结果分析
太原市阳曲镇政府办公大楼采用的是燃煤热水锅炉供热, 根据太原市气温的实际情况和太原市阳曲镇政府办公大楼的供暖时间, 将供暖季设为每年的11月到第二年的3月, 供冷区间设置成6月~9月, 通过Dest软件的模拟计算分析, 得到太原市阳曲镇政府办公大楼能耗模拟计算结果, 见表5。
4 结语
通过软件的模拟分析计算得到的太原市阳曲镇政府办公大楼的各项能耗指标与实际调查的各项能耗指标对比情况如表6所示。实际能耗与理论能耗存在差距的原因是由于理论分析仅仅是对办公楼进行的能耗模拟分析, 而实际能耗调查的还包括部分配楼的能耗 (比如厨房之类的房间) 在实际调查中无法分离出去。
实际能耗与理论能耗存在差距的原因首先是模拟结果存在的误差较小, 而实际调查过程中能耗数据的统计存在较大的误差, 其次是由于理论分析仅仅是对办公楼进行的能耗模拟分析, 而实际能耗调查还包括部分配楼的能耗 (比如厨房之类的房间) 在实际调查中无法分离出去。
参考文献
[1]乔飞.吕梁山区农村住宅保温节能研究[D].太原:太原理工大学, 2012.
[2]张翠玲.火用分析在能源审计中的应用[D].杭州:浙江大学, 2010.
[3]高懂理.大型公共建筑运行节能管理研究[D].天津:天津理工大学, 2009.
[4]费良旭, 张磊, 孟庆林.海南地区既有建筑节能现状调研分析[J].建筑科学, 2013 (6) :18-22.
[5]宋静.太原市国家机关办公建筑采暖能耗统计分析报告[J].山西建筑, 2012, 38 (36) :203-205.
能耗模拟预测 篇7
对于输油管道而言,其生产过程中的燃料和电能消耗是输油成本的重要组成部分,输油企业要实现节能降耗,就要从分析输油生产过程的能耗出发,研究其变化趋势并确定影响能耗的薄弱环节。目前,输油管道系统的能耗预测研究尚不充分,文献[1]对输油管道的运行能耗数据进行回归处理,用统计分析法建立了能耗预测模型,但该模型计算较繁琐,准确度较差,也不能预测任意输量下的油电消耗。采用灰色系统理论进行油电损耗预测,具有所需样本少、计算简单和适用范围广等优点,但由于其只考虑输量对输油管线油电损耗的影响,而影响长输管道的油电消耗的因素很多,预测结果的准确性不够理想[2]。人工神经网络模型属于隐式模型,具备自组织、自适应性及自学习功能,具有理论上能够逼近任意非线性连续映射的优点,能够模拟在各种不确定因素的影响下因果变量之间的内在关系,在各种预测中具有独特的优越性[3,4]。人工神经网络BP算法采用有导师训练方式的多层前向传播的神经网络,可以实现输入和输出的任意非线性映射,具有并行性、容错性、高度非线性和很强的自适应学习能力[5]。输油管道系统能耗与输油设备以及运行方案间关系复杂,难以建立确切的数学模型。神经网络通过学习能够掌握数据间复杂的依从关系,具有较好的样本非线性拟合功能,因此,可以利用人工神经网络的方法来模拟包括管道输量等各种影响能耗因素与管道能耗之间的映射关系[6,7,8,9,10]。本文拟采用人工神经网络BP算法建立输油管道能耗预测模型,根据某管道运行报表数据对其能耗的变化趋势进行预测。
1 影响输油管道能耗的因素分析
1.1 影响热能消耗的因素
输油站的有效热负荷
undefined
式中 q——输油站的有效热负荷,kW;
Q——原油输量,m3/s;
ρ——原油密度,kg/m3;
c——比热容,kJ/(kg·℃);
TRi——第i输油站出站原油温度,℃;
TZi——第i输油站进站原油温度,℃。
由上式可知,加热原油所需的热量取决于输量、原油密度、原油比热容和输油站进出站温差。密度和比热容虽然随温度变化,但因其数值变化范围较小,可按平均温度确定。对于输油站温差的变化,在建立BP神经网络预测模型时,将运行数据逐月处理以保证地温相同或相近,当输量增加时,各站进出站温差都降低,可认为输油站温差是输量的函数,故在地温相近的条件下,最终影响热量消耗变化的是输量。在建立BP神经网络预测模型预测单位输油周转量油耗时,选取日输量作为其中1个影响因素。此外,在其它因素相同的条件下,管道热能利用率高则其热量消耗少,热量消耗随首站加热温度升高而增加,因此,在建立单位输油周转量油耗预测模型时,也将管道热能利用率和首站加热温度作为影响热能消耗的因素。这里,首站加热温度是指原油经首站加热后的出站温度。
1.2 影响电能消耗的因素
电能消耗主要用于克服管道沿程压降,输油管道的摩阻损失
undefined
式中 h——管道摩阻,m;
Q——管道体积流量,m3/s;
γ——原油运动粘度,m2/s;
d——管道内径,m;
L——管道长度,m。
由上式可知,输油管道的动力消耗主要与管道输量、原油粘度、管道内径和管道长度等有关。对一定输油管道,所输送的原油粘度可按平均温度计算,加之管道运行报表中没有粘度数据,所以在建立BP神经网络的能耗预测模型时没有考虑粘度因素的影响。动力消耗也与输量直接有关,所以在建立BP神经网络预测模型预测单位输油周转量电耗时,选取管道日输油量作为其中一个影响因素。首站加热温度间接地影响输油管道的电能消耗,首站加热温度高,则其粘度越低,管道摩阻损失越少,电能消耗也越少。因此,在建立该预测模型时,取影响输油管道电能消耗的因素为管道的电能利用率和首站加热温度。
单位输油周转量油耗、单位输油周转量电耗和单位输油周转量综合能耗,是输油管道能耗数据统计分析中普遍采用的指标。综合上述分析,确定影响上述能耗指标的主要因素为管道的日输量、电能利用率、热能利用率和首站加热温度等。
1.3 管道电能利用率和热能利用率的计算
(1)管道电能利用率计算
管道电能利用率是指各站输油干线从各输油站获得的压力能之和与各输油站直接用于生产消耗电能之和比值的百分数
undefined
式中 ηsw——原油长输管道电能利用率;
Wsei——输油干线从第i输油站获得的压力能,kJ/h;
Wi——第i输油站输油生产耗电量,kW·h/h;
R2——电能折算系数3 600 kJ/(kW·h)。
undefined
式中 pi——第i输油站的出站压力,MPa;
pi+1——第i+1输油站进站压力,MPa;
Hi,i+1——第i输油站与第i+1输油站间的高差,m;
Q——日输量,kg/d;
g——重力加速度,m/s2。
各输油站的耗电量、进出站压力可从输油管道运行数据报表查得,根据式(3)和式(4)就可以计算管道的电能利用率。
(2)管道热能利用率计算
管道热能利用率是指各输油站加热干线介质的能量之和与各输油站加热干线介质所消耗的能量之和比值的百分数
undefined
式中 ηsyh——原油长输管道热能利用率;
Qsehi——第i输油站加热干线介质所用的能量,kJ/h;
Qschi——第i输油站加热干线介质所消耗的热量,kJ/h。
Qsehi=ρQc(TRi-TZi) (6)
Qschi=QdwWoi(7)
式中 Qdw——燃料基低位发热值,kJ/kg;
Woi——第i输油站用于输油生产的燃料消耗,kg。
从输油管道运行数据报表,可知各输油站进出站温度、燃料油消耗以及输量等参数,由式(5)至式(7)就可以计算管道的热能利用率。
2 输油管道能耗预测模型分析
2.1 BP神经网络模型的建立
根据Kolmogorov定理,3层BP网络可以逼近任意连续的非线性映射[11]。大多数BP神经网络都采用3层网络结构,即输入层、隐含层和输出层。输入层接受外界数据输入,隐含层对输入数据进行处理和转换,输出层则产生输出结果,层与层之间采用全互连方式,同一层单元间不存在相互连接。网络中的每一层都包含若干神经元,输入层和输出层的神经元个数由模型中变量数决定,如影响输油管道能耗的因素和输油管道能耗等,隐含层神经元个数则通过试差法确定。所以,BP网络模型的建立实质就是如何正确选定网络的各层节点数。隐含层节点表达了网络输入与输出之间的非线性程度,隐含层及节点数的选择影响着预测值和实际值的非线性一致程度。隐含层节点个数增加,可使非线性优化问题的可调参数增加,使网络记忆能力加强,可得到更精确的解,但降低了网络的学习速度;隐含层节点个数过少则会造成网络收敛到局部极小点。最佳隐含层节点个数由试验和经验得出。
将日输量、电能利用率、热能利用率和首站加热温度等4个能耗影响因素作为神经网络输入元,各种能耗作为目标输出,分别建立单位输油周转量油耗、单位输油周转量电耗和单位输油周转量综合能耗等3个3层输油单耗神经网络预测模型。单位输油周转量油耗的预测模型输入层有3个节点,分别为日输量、热能利用率和首站加热温度,输出层有1个节点即单位输油周转量油耗,如图1所示。单位输油周转量电耗的预测模型输入层有3个节点,分别为日输量、电能利用率和首站加热温度,输出层有1个节点即单位输油周转量电耗,如图2所示。单位输油周转量油耗的预测模型输入层有4个节点,分别为日输量、热能利用率、电能利用率和首站加热温度,输出层有1个节点即单位输油周转量综合能耗,如图3所示。
2.2 输油管道能耗预测模型的编程实现
以某输油管道的运行能耗数据为例,将2008年1月1日至25日的运行数据(见表1)作为网络模型的学习样本对网络进行训练。由于各数据单位不同,为提高神经网络的训练速度和预测精度,在网络学习前对数据进行归一化处理,使所有数据在0-1之间变化。
采用如下方法对数据进行归一化处理:
undefined
式中undefined——归一化后矩阵中的元素;
x——待处理矩阵中的元素;
xmax——待处理矩阵中最大值;
xmin——待处理矩阵中最小值。
网络通过对样本的学习,对网络的权值和阈值进行调整,不断获取各种影响因素与管道能耗之间的非线性关系,并将其分布储存在网络的连接权上,最终能将各种影响因素与管道能耗这个目标函数之间复杂的非线性关系以连接权数字矩阵的形式被记录下来,实现由输入模式到输出模式的任意非线性映射,实现在不同工况下的各种因素非线性影响下的管道能耗预测。
利用Matlab及其神经网络工具箱编制了相应的计算程序。Matlab提供的神经网络工具箱(Neural Network Toolbox)集成了多种学习算法。通过调用函数Trainlm训练网络,隐层神经元的变换函数均采用双曲正切型Tansig函数,输出变换函数采用Purelin函数。隐含层神经元个数的确定一直是个难点,为使网络模型学习训练的收敛性较好、精度较高,通过反复调试,最终确定单位输油周转量电耗预测模型隐含层的节点个数为12,单位输油周转量油耗预测模型隐含层的节点个数为7,单位输油周转量综合能耗预测模型隐含层的节点个数为7。
2.3 预测模型的训练与测试
模型的计算过程由网络输入信号正向传播和误差信号反向传播组成。在正向传播中,输入信息从输入层经隐含层逐层计算传向输出层,输出层的各神经元输出对应输入模式的网络响应,如果输出层与期望输出一致则计算停止;如果输出层得不到期望输出,则误差转入反向传播,按减小期望输出与实际输出的误差原则,从输出层经过中间各层逐层向前传播,最后回到输入层,在传播过程中逐层修正各个连接权值。随着这种误差逆传播训练不断进行,网络对输入模式响应的正确率也不断提高,如此循环直至误差信号达到允许范围或训练次数达到预先设计的次数为止[6]。表1为某输油管道2008年1月1日至25日的运行能耗数据,对其进行归一化处理后,分别对上述建立的网络预测模型进行训练。
网络训练结束后,还必须对其进行测试,所谓测试就是利用仿真函数来获得网络的输出,并检查输出值与实际值之间的偏差是否满足要求。将对照组样本的输入数据经初始化后输入模型,经联想回忆计算,网络模型输出相应的仿真值,然后将对照组样本的输出数据与网络模型仿真值相比较,若偏差在允许范围内,此网络模型是可用的,否则,网络模型的学习训练不成功,要改进网络结构重新训练[7]。
将没有参与学习的对照样本——2008年1月26至31日某输油管道运行能耗数据,见表2,分别输入训练好的网络模型,得到各种输油单耗的仿真值,各种输油单耗的绝对偏差见表3至表5,最大相对偏差分别为6.64%、5.04%和5.83%,平均相对偏差分别为3.44%、1.83%、2.21%,均小于4%。图4表示各种能耗仿真值与实际值的对比曲线,图中,单位输油周转量油耗的单位是kg/(104 t·km)、单位输油周转量电耗单位是kW·h/(104 t·km)、单位输油周转量综合能耗的单位是kgce/(104 t·km)。这种预测方法充分吸收了趋势线的信息,间接地包括了影响输油管道能耗的各种因素,并把这些影响因素保存在权重矩阵中,经过与有关神经网络预测资料的分析比较,此网络模型的总体准确度比较高,用其进行能耗预测是可行的。
2.4 偏差分析
由于运行数据来源于管道生产数据报表,而报表中所记录的能耗不仅有生产用能还有非生产用能,这导致仿真值与实际值存在一定的偏差。由于报表数据所限,有些影响输油管道能耗的因素是不可获取的,所以在建立模型时只从众多影响因素中取出4个,这在一定程度上导致所建立模型在结构上存在一定不足。另外,由于隐含层的节点个数是通过反复调试确定的,导致模型自身也存在一定的系统误差。
3 结论与建议
(1)BP神经网络通过对输油管道运行数据的学习,考虑了影响输油管道能耗的4个因素,实现在各种因素非线性影响下对输油管道能耗的预测。对某输油管道能耗的预测结果表明,预测平均相对偏差不超过6.94%。
(2)用BP神经网络方法预测输油管道能耗不需要过多的数理统计知识,也不需要对原始数据进行复杂的预处理。
(3)在BP神经网络模型结构方面,各隐含层节点个数和样本个数难以合理地确定,个数过多或过少都会影响模型的精度,如何进行调试有待进一步深入研究。
(4)本文基于管道运行报表进行能耗预测,建议尽可能多地监测和记录运行参数,以便将能耗影响因素考虑得更充分,进一步提高预测准确性。
参考文献
(1)李云昌.管道输油量和油、电消耗的统计预测与分析(J).油气储运,1990,9(5):62-66.
(2)隋富娟,吴明,安丙威,等.管线油电损耗的灰色模型及预测(J).天然气与石油,2003,21(4):10-12.
(3)李留仁,焦李成.基于人工神经网络的油田产量多因素非线性时变预测(J).西安石油学院学报,2002,17(4):42-44.
(4)郁时炼,高辉.基于神经网络的水泥强度预测(J).合肥工业大学学报(自然科学版),2002,25(2):316-320.
(5)陈祥光,裴旭东.人工神经网络技术及应用(M).北京:中国电力出版社,2003.
(6)张全,刘渺,凌振华,等.钢铁企业能耗预测系统的设计(J).冶金动力,2008,2:67-70.
(7)韩庆红,金永龙,张军红.人工神经网络在烧结固体燃耗预测中的应用(J).冶金能源,2005,24(2):9-11.
(8)郑洪川,李红艳,贾林祥.基于神经网络的CO2-MDEA-PZ-H2O体系相平衡计算(J).节能技术,2008,26(3):226-227.
(9)Alireza K,Reza A R,Lu T L,ANNSTL F-A.Neural net-work based electric load forecasting system(J).IEEE transactions onneural networks,1997,8(4):835-845.
(10)Yutaka F,Hideo M,Haruyuki M,et al.A modified backpropagation method to avoid false local minima(J).Neural networks,1998,11(6):1059-1072.