一种基于物理原理的多任务框架,用于同时预测建筑侧区域供热站的热负荷与回水温度

《BUILDING AND ENVIRONMENT》:A physics-guided multi-task framework for joint forecasting of heating load and return temperatures at building-side district heating substations

【字体: 大 中 小 】 时间:2026年08月07日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  摘要:建筑侧的区域供热变电站是热力网络与建筑群之间的关键接口,准确预测其供热负荷及回水温度对于实现按需供热的建筑供暖系统至关重要。这些参数受热力学过程的共同影响,因此准确预测颇具难度。目前大多数方法采用单一任务的纯数据驱动框架,忽略了变量间的物理关联,尤其在动态运行条件下会导致预

  摘要:建筑侧的区域供热变电站是热力网络与建筑群之间的关键接口,准确预测其供热负荷及回水温度对于实现按需供热的建筑供暖系统至关重要。这些参数受热力学过程的共同影响,因此准确预测颇具难度。目前大多数方法采用单一任务的纯数据驱动框架,忽略了变量间的物理关联,尤其在动态运行条件下会导致预测精度下降。为解决这一问题,本文提出一种基于物理原理、带有通道注意力增强机制的物理引导机器学习框架——PACA-PGML,用于多任务预测。首先,通过计算对数平均温差和换热器效率这两个由物理公式导出的特征来描述系统的热力学状态;接着设计了一种基于上述特征的物理感知通道注意力机制,能够根据运行条件动态调整输入特征的权重;随后,利用ModernTCN编码器结合时间注意力机制对加权后的特征进行编码,从而生成多任务预测结果;此外,还构建了基于物理约束的损失函数,确保预测结果符合物理规律。该框架在三个实际变电站上进行了测试,与八种常见的基于学习的预测方法相比,PACA-PGML在所有场景下均展现出最高的预测精度,相比最优基准方法,供热负荷的均方根误差降低了7.0%至14.4%,同时两侧回水温度的均值绝对误差始终低于0.6℃。这些结果表明,PACA-PGML为建筑供暖系统的按需运行和节能管理提供了可靠的预测依据。

引言:在寒冷气候中,区域供热变电站将热力网络与建筑相连,实现实时热能输送[1]。然而,供热负荷、一次侧回水温度以及二次侧回水温度会受到环境条件、建筑使用模式和控制策略的共同影响,因而具有较大的变化性,给运行控制带来挑战。这三个参数蕴含着相互补充的运行信息:供热负荷反映的是建筑侧的供热需求,一次侧回水温度体现的是变电站的换热性能,而二次侧回水温度则表明建筑侧的热能利用情况。它们共同决定了变电站的核心运行状态,因此准确预测这些参数对于及时进行最优调度和实现按需供热至关重要[2][3]。

由于多种因素的相互作用,尤其是在运行状态发生突然变化时,预测区域供热变电站中的关键参数十分困难。现有的预测方法大多采用单一任务学习策略,这类方法可进一步分为传统机器学习方法和深度学习方法。支持向量回归和梯度提升等传统机器学习方法虽然易于实现,但往往难以捕捉建筑供暖系统中复杂的时空依赖关系[4];而深度学习则通过分层变换来挖掘复杂数据中的内在关联。例如,Yu等人[5]提出了基于循环神经网络的数据驱动框架,用于预测建筑区域能源系统中的供热负荷;Zhang等人[6]设计了BiTCN–BiLSTM架构,结合双向时间卷积与双向长短期记忆网络以提升特征提取能力;Song等人[7]则引入了基于Informer的模型,融合模糊C均值聚类与混合位置编码,以提高在复杂供热需求下的预测精度。不过,这些方法仍然独立预测每个目标参数,无法充分利用参数间的关联关系,因此其在建筑供暖控制中的应用存在局限。

为克服单一任务学习的局限性,多任务学习作为一种有效的框架被提出,用于预测相互关联的目标参数[8]。多任务学习通过跨任务共享信息来共同学习相关目标,利用任务间的关联性提升预测性能[9]。近期研究通过引入结构化注意力机制和分层共享机制,进一步提升了多任务学习对变量间关联关系的捕捉能力。例如,Song等人[10]提出了具有时空注意力的分层多任务学习框架,用于多能源负荷预测;Li等人[11]则基于多任务学习与混合注意力机制,开发出了用于模拟综合能源系统中多层交互作用的源-负荷-价格联合预测模型。在区域供热领域,Lin等人[12]提出了一种可解释的双注意力多任务学习模型,用于同时预测供热负荷和供水温度。然而,目前大多数多任务学习预测模型仍以数据驱动为主,其改进主要依赖于架构创新,以从原始测量数据中捕捉统计关联关系。在这些模型中,用于反映底层热过程的特征权重往往没有得到充分重视,导致数据中蕴含的热力学信息未能得到有效利用,这增加了学习到虚假关联的风险,进而降低预测精度,尤其是在动态运行条件下。此外,目标参数间的交互关系通常是通过共享表示来实现的,而非通过明确的物理关系,这可能导致相互矛盾的预测结果,为建筑供暖控制提供错误的操作信号。

针对上述问题,本文提出了一种基于物理原理、带有通道注意力增强机制的物理引导机器学习框架——PACA-PGML,用于同时预测建筑侧区域供热变电站的供热负荷及回水温度。首先,从原始测量数据中提取对数平均温差和换热器效率这两个物理衍生特征;接着,设计了一种基于上述特征的物理感知通道注意力机制,能够根据运行条件动态调整输入特征的权重;随后,利用ModernTCN对加权后的特征进行编码,并通过时间注意力机制整合这些特征,从而生成三个目标参数的联合预测结果;最后,构建了基于物理约束的损失函数,以确保预测结果在热力学上保持一致性。本文的贡献主要有三点:(1)提出了一种面向建筑侧区域供热变电站的物理引导多任务学习预测框架,可用于同时预测供热负荷、一次侧回水温度和二次侧回水温度;该框架通过定制化的物理引导组件,能够捕捉这些参数间的交互关系,从而在动态运行条件下提升预测的准确性和可靠性。(2)设计了用于变电站预测场景中输入特征权重调整的物理感知通道注意力机制;通过基于对数平均温差和换热器效率的物理衍生调制量来表征当前的热力学状态,并进一步设计了自适应门控策略,以调节该调制量在不同运行条件下的贡献程度。(3)构建了基于物理约束的损失函数,用于对三个预测目标进行联合约束;具体而言,根据能量守恒定律建立了热力学一致性约束,同时根据目标参数的可行范围设计了合理性约束,这些约束引导框架生成准确且符合物理规律的多输出预测结果。

本文的其余部分结构如下:第2节回顾相关研究文献;第3节详细介绍所提出的框架;第4节阐述实验设置与结果;第5节讨论该方法在方法论和工程应用方面的意义;第6节总结全文。

片段一:建筑供暖系统的数据驱动预测
数据驱动方法已被广泛用于预测建筑供暖系统中的关键运行参数。根据目标参数的建模策略,现有方法可分为单一任务学习方法和多任务学习方法:单一任务学习方法为每个目标单独建立模型,而多任务学习方法则在统一框架内共同建模多个相互关联的目标。在单一任务学习方法中,大多数研究通过强化表征学习来提升预测精度。例如,Song等人[13]提出了……

片段二:PACA-PGML的整体框架
如图1所示,所提出的PACA-PGML框架分为两个阶段:(1)数据预处理与物理衍生特征工程;(2)物理引导的多任务预测。在第一阶段,首先对从监控与数据采集系统获取的原始数据进行处理,包括缺失值填补和异常值替换;随后,通过计算对数平均温差和换热器效率这两个物理衍生特征,来描述热传递的驱动力……

片段三:实验设置
本文所提出的PACAI-PGML框架是在特定的实验环境中进行测试的。所有算法均使用Python 3.9语言实现,依托PyTorch 2.0.1版本及CUDA 11.8编译环境,测试工作在配备第13代英特尔酷睿i7-13700H处理器、16GB DDR5内存以及NVIDIA RTX 4070笔记本电脑级GPU的工作站上完成。

片段四:讨论
PACA-PGML框架将领域专业知识与数据驱动学习相结合,用于同时预测建筑侧区域供热变电站中的三个核心热参数,即供热负荷、一次侧回水温度和二次侧回水温度。其物理引导机制的提出,正是为了解决纯数据驱动预测模型的局限性——这类模型过度依赖统计关联关系,因此在动态运行条件下往往会产生不太可靠的预测结果。

片段五:结论
预测区域供热变电站的供热负荷、一次侧回水温度和二次侧回水温度仍然是一项具有挑战性的任务,主要原因在于现有方法大多采用单一任务的纯数据驱动框架,未能充分挖掘这些参数之间的热力学交互关系,这会降低预测精度,尤其是在动态运行条件下。为解决这一问题,本文提出了PACAI-PGML框架,该框架融入了热力学原理……

CRediT作者贡献声明:
张志毅:论文撰写——初稿撰写、验证、软件实现、方法设计、研究实施、概念构思。
张丽:资源提供、数据整理。
高新勇:可视化处理、形式化分析。
金静:论文撰写——审阅与编辑、项目监督、项目管理、资金申请。

关于写作过程中生成式人工智能及人工智能辅助技术的声明:
在撰写本文期间,作者仅使用ChatGPT图像生成工具(OpenAI)以及Gemini图像生成/Nano Banana工具(Google),仅为图2的布局设计生成初步的视觉参考草图。这些由人工智能生成的草图仅作为视觉参考,未被直接使用、复制、修改,也未纳入最终提交的图表中。最终的图2是由作者使用Microsoft PowerPoint手动绘制并修改的,不存在任何人工智能生成的图像。

利益冲突声明:
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢:
本研究得到了上海市科学技术委员会的研究计划项目资助(项目编号:23010503500)。

张志毅|张丽|高新勇|金静
中国上海,200093,上海科技大学能源与动力工程学院
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号