官网注册：

https://www.gasheat.cn

免费下载论文：

https://www.gasheat.cn/Periodical/index.html

基于神经网络的供热管道堵塞诊断模型

李硕勋¹，邢鼎皇¹，孙枫然²，杨光¹，王海¹

（1.同济大学 机械与能源工程学院， 上海 201804；2.中国市政工程华北设计研究总院有限公司 第六设计研究院， 天津 300381）

参考文献示例：

李硕勋，邢鼎皇，孙枫然，等. 基于神经网络的供热管道堵塞诊断模型［J］. 煤气与热力，2025，45（1）：A17-A25.

集中供热系统是现代化城市的重要基础设施，它通过供热管网将一个或多个热源与热力站相连，为建筑室内提供热源^［1］。相比于传统供暖方式，集中供热系统具有安全、节能、环保等优势^［2］，关系到民生福祉。供热管道的预估寿命为30~50 a^［3］，随着运行年限增加，供热管道会出现腐蚀现象，腐蚀会导致管道内壁变薄并形成沉积物^［4］，沉积物的积累则进一步导致堵塞。当供热管网存在堵塞时，管内流体在堵塞处的流动阻力增加，堵塞处上游的压力升高导致爆管风险增加，堵塞处下游的流量减少导致热力站需求可能无法被满足。因此，针对堵塞的故障诊断具有保证供热管网安全稳定运行、提高经济效益等积极意义。目前，针对管道堵塞的故障诊断研究受到的关注较少。Yuan等人^［5］通过缩小管道上一部分管道的管径来模拟堵塞，建立了适用于天然气干线的变径管道的物理模型和简化模型。Scola等人^［6］提出了一种基于隐式非线性有限差分建模和输出误差最小化的堵塞定位方法。模型仿真结果表明，该方法在存在测量噪声时仍然有效。Yang等人^［7］进行了三维稳态CFD模拟，研究了堵塞直径、堵塞长度和堵塞位置的影响，分析了压降与堵塞特征之间的关系，提出了一种堵塞检测与定位的预测模型。Lee等人^［8］提出了一种通过流体瞬态特征来定位管道堵塞的方法，采用了频率响应图提取系统的行为，响应图峰值上的振荡模式表示了管内局部堵塞。提出了一个简单的解析表达式用于检测和定位局部堵塞，并适用于多个堵塞的情况。研究现状表明，针对单根管道中的局部堵塞已取得一些研究成果，然而目前还没有针对供热管网的堵塞管道进行定位的方法。

本文采用面向对象的管网仿真方法^［9-10］，建立了多热源环状管网的仿真模型，研究了不同堵塞工况对热源、热力站的影响。在此基础上，构建并评估了基于神经网络的管道堵塞诊断模型。

选用一个多热源环状一级热网作为研究对象，该热网具有3个热源，20个热力站，106根管道，供、回水管网对称。多热源环状管网在CAENAE软件中的拓扑图见图1。图中，H表示热力站，用数字编号，例如H1、H2；S表示热源，用字母编号，例如S-A、S-B。

热源S-A采用补水泵定压，定压点压力为401 325 Pa，供水压力设为1 401 325 Pa。热源S-B、S-C均为定流条件，3个热源的质量流量分别为60.6 kg/s、66.7 kg/s和158.7 kg/s。热源S-A作为调峰热源，可以提供不同工况下的流量和扬程需求。各热源与输配干线相连的供、回水管道公称直径均为300 mm，输配干线的供、回水管道公称直径均为350 mm。热力站参数见表1。所有的管道当量绝对粗糙度均为0.5 mm。

①　基础工况数据

当热源S-A的供、回水压力与质量流量以及热源S-B、S-C和所有热力站的质量流量、管道公称直径与粗糙度等参数均确定后，即可采用面向对象的管网仿真方法^［9-10］对该管网进行仿真模拟，从而得到各热源、热力站的供水压力与回水压力以及各管道的质量流量和压力损失。将该工况称为基础工况。仿真得到的各个热源、热力站的供、回水压力和供、回水压降比例见图2。在基础工况下，各个热力站的供、回水压力相近，供水压力在1.4 MPa左右，回水压力在0.4 MPa左右，供、回水压降比例在70%左右。由于管道的阻力，相比于热力站，热源的供水压力略高一些，而回水压力略低一些，因此供、回水压降比例也更大。

②　堵塞工况数据

本文研究的堵塞工况是指管道出现堵塞后，经自控系统调节，热源、热力站仍然满足定流条件，管网水力状态达到稳态下的情况，此时的热源、热力站的供、回水压力将发生变化，而流量保持不变。此外，在实际一级热网中，通常只有热源和热力站装配有温度表、压力表和流量表。因此，选择将堵塞工况相对于基础工况的热源（不包括定压热源S-A）、热力站的供、回水压力变化率Δp构成堵塞数据集。管道堵塞一般分布在整个管道上，或是在管网结构复杂的点位上，它们都会导致堵塞处压降增大。为降低堵塞模拟的难度，只考虑发生在整根管道上的长堵塞，通过缩小管道直径来模拟堵塞。当堵塞较大时，堵塞对管网的影响非常大，易于进行堵塞诊断，因此本文仅考虑程度较轻的堵塞。将管径缩小到原管径的99%到70%，相应地，所减少的管径比例为1%到30%，称为堵塞比例B_s，堵塞比例的步长ΔB_s设为1%，共30组。由于本热网中共有106根管道，对每根管道均生成30组不同堵塞比例的堵塞工况数据，每组堵塞工况的热源、热力站处的条件均相同，仅调整对应管道管径。最终生成堵塞工况数据3 180组，每组数据中包括20个热力站和2个热源的供、回水压力变化率。将这3 180组数据称为堵塞工况数据集。

③　变负荷工况数据

供热负荷由气温决定，不同气温下供热管网负荷不同。以基础工况为100%负荷，设计了100%、105%、110%、115%、120%共5种负荷下的工况。100%负荷满足最高气温所需，120%负荷满足最低气温所需，变负荷工况下热源、热力站的质量流量见表2。

由于热网的管道较多，因此只选取小部分管道作为分析对象，具体分析管道堵塞对热源、热力站的供、回水压力造成的影响。分别从热源、热力站和输配干线中各选取一组供、回水管道。20号、95号分别为输配干线与热源S-C相连的供、回水管道。47号、53号分别为输配干线与热力站H7相连的供、回水管道。11号、104号分别为热力站H10和H11之间的输配干线供、回水管道。所选取的管道在管网中的位置见图3。图3中，黄底编号表示供水网络中的管道，绿底编号表示回水网络中的管道，红圈表示所选取的管道。

20号、95号管道不同堵塞比例分别对热源S-C供水压力、回水压力的影响见图4。随着20号管道堵塞比例增加，热源S-C的供水压力随之增加，压力变化率最大达到6.9%。其他热源、热力站的供水压力没有受到堵塞的影响。热源S-C负责向供水网络供水，处于上游，因此当20号管道堵塞时，热源S-C供水压力增加。随着95号管道堵塞比例增加，热源S-C的回水压力随之下降，压力变化率最大达到-25.0%。其他热源、热力站的回水压力没有受到堵塞的影响。回水网络处于热源S-C的上游，当热源S-C的回水管道堵塞时，管道下游压力降低。相比于供水网络堵塞，回水网络堵塞造成的影响要显著得多。

47号、53号管道不同堵塞比例分别对热力站H7供水压力、回水压力的影响见图5。热力站H7的供水压力随47号管道堵塞比例增加而降低，降低幅度较小，压力变化率最大达到-0.56%。其他热源、热力站的供水压力没有受到堵塞的影响。热力站H7处于供水网络的下游，当热力站的供水管道堵塞时，下游压力减少。相比于热源S-C，热力站H7供水压力受到堵塞的影响比较轻微。而热力站H7的回水压力随堵塞比例增加而升高，升高幅度较小，压力变化率最大达到1.8%。其他热源、热力站的回水压力没有受到堵塞的影响。相比于热源S-C，热力站H7回水压力受到堵塞的影响更加轻微。

热源S-B、S-C及热力站H10、H11的供水压力变化率随11号管道堵塞比例的变化见图6。可以看出，热源和热力站因11号管道堵塞所导致的压力变化较为轻微。根据热源、热力站在供水网络中与堵塞管道的相对位置，处于上游的热源S-B、S-C以及热力站H10的供水压力升高，处于下游的热力站H11的供水压力则降低。

热源S-B、S-C及热力站H10、H11的回水压力变化率随104号管道堵塞比例的变化见图7。可以看出，当104号管道发生堵塞时，热源、热力站的回水压力变化率相比于供水压力变化率更大，压力变化率绝对值最大达到0.3%以上。根据热源、热力站在回水网络中与堵塞管道的相对位置，处于上游的热力站的回水压力升高，处于下游的热源、热力站的回水压力则降低。

由以上分析，可以小结如下：

①　堵塞按位置分为两类，一类是堵塞发生在热源、热力站与输配干线相连的管道上，只有该热源或热力站的压力受到影响，热源的压力变化率要显著得多；另一类是堵塞发生在输配干线上，各个热源、热力站的压力均会受到影响。

②　堵塞管道所处的供、回水网络也有影响。根据热源、热力站在供、回水网络中与堵塞管道的相对位置，处于堵塞管道上游的热源、热力站的压力升高，处于下游的热源、热力站的压力降低。此外，当堵塞发生在供水网络时，只有供水压力受到影响；当堵塞发生在回水网络时，只有回水压力受到影响。

神经网络（Artificial Neural Network，ANN）算法的思想来自于生物大脑中的神经网络，能够模拟生物大脑对外界信息做出的反应。在大脑中，若干神经元与自身附近的神经元连接，当一个神经元兴奋时，它会向周围的神经元发送化学物质，改变连接通路的电位，当神经元接受到的电位达到了自身的阈值就会被激活，也进入兴奋状态，并继续这一过程，从而实现信息在神经网络中的传递。McCulloch等人^［11］提出了抽象简化后的神经网络模型，每个神经元传递的信号带有权重，一个神经元接受的总信号由各个信号加权计算得到，总信号超过该神经元的阈值时才输出信号，此时，由激活函数决定输出信号。若干个神经元并行构成一个层，若干个层串行构成一般的神经网络模型。一个简单的神经网络模型由3部分组成：输入层、隐藏层和输出层。

神经网络模型预测包括以下步骤：a. 构建数据集，对数据进行归一化后，划分出训练集和测试集。b. 设置模型超参数。c. 将训练集数据输入模型进行训练，然后将测试集数据输入模型，模型输出预测结果。将预测结果与实际结果对比，判断预测精度是否满足要求，如是则输出预测结果，如否则返回步骤b，调整超参数。

对于堵塞管道定位，需要将106根管道编号后作为样本标签进行预测。因此，堵塞管道预测应当在输入热源、热力站供回水压力变化率的情况下输出管道编号。管道编号为离散型变量，因此堵塞管道预测属于分类问题，需要建立神经网络分类模型进行预测。

①　数据集划分

根据对堵塞工况的分析可知，压力变化率与堵塞比例呈正相关关系。因此，本文以第2.1节建立的堵塞工况数据集为基础，构建神经网络分类模型数据集。在神经网络分类模型数据集中，样本个体为某根管道在某个堵塞比例下，各热源（不包括S-A）、热力站的供、回水压力变化率以及该堵塞管道的编号。神经网络分类模型数据集包括106根管道，每根管道的堵塞比例由1%到30%变化，则整个数据集包括3 180个样本个体，每个样本个体包括45个数据。为了充分考察数据集变量对模型堵塞诊断性能的影响，将数据集作以下划分：按一定步长递增堵塞比例，在该若干个堵塞比例下生成的样本个体的集合作为训练集，其余部分则作为测试集。例如，选取步长为5%，得到B_s分别为5%、10%、15%、20%、25%、30%的共6组数据，每组106个样本个体。因此，训练集有636个样本个体，测试集有2 544个样本个体。

②　超参数优化

本文所涉及的神经网络模型超参数主要包括：训练迭代数、学习率、学习率动态衰减参数、L2惩罚系数、隐藏层单元数、隐藏层层数、激活函数与损失函数。考虑到在计算平台达到性能瓶颈前，决定模型训练时间的超参数就是训练迭代数。因此，首先确定训练迭代数，然后再对其他超参数进行优化。经过比较，AdamW优化算法表现最好，因此采用AdamW优化算法对超参数进行寻优。最终得出的最优超参数组合见表3。

③　堵塞比例步长的影响

由堵塞工况分析可知，当堵塞工况的参数逐渐变化时，压力变化率也逐渐变化。堵塞工况参数相近时，压力变化率也相近。模型对于相似的样本更容易预测，因此，堵塞数据集的选取步长（称为堵塞比例步长ΔB_s）必然对模型性能有影响。为了对比分析堵塞比例步长对模型预测性能的影响，选取4组堵塞比例步长，将数据集作如下划分：堵塞比例步长ΔB_s分别为10%、8%、5%、2%。其中，ΔB_s为10%时，训练集包含B_s为10%、20%及30%的数据，ΔB_s为8%时，训练集包含B_s为8%、16%、24%及30%的数据，ΔB_s为5%时，训练集包含B_s为5%、10%、15%、20%、25%及30%的数据，ΔB_s为2%时，训练集包含B_s为2%、4%、6%、……、26%、28%及30%的数据。划分后训练集和测试集容量见表4。对于预测结果，划分若干区间，统计预测结果在每个区间里的正确率。

不同步长下堵塞比例预测正确率见图8。随着堵塞比例增加，正确率随之增加，不同步长的数据集在堵塞比例B_s较小时均取得了最差的结果。但是，堵塞比例达到10%后，正确率几乎不再提升，并且ΔB_s更小的数据集正确率更高。当堵塞比例非常小时，堵塞比例对供热管网压力的影响也非常小，这部分的数据变得难以区分。当ΔB_s变小时，训练集的样本数量增加，对于堵塞比例较小区间的正确率随之提升。其中，ΔB_s为2%时的训练数据更多，正确率提升幅度最大。因此，在实际应用中，可以把堵塞诊断的阈值提高，也可以增加堵塞比例较小时的训练数据，而堵塞比例较大时的数据可以适当减少，以降低计算成本。

此外，对于不同的管道，模型预测的效果也有所不同。以堵塞步长ΔB_s为10%时的模型预测结果为例，45、48、60以及62号管道存在无法辨识的问题，即无法将堵塞位置确定到这几根管道。此外，当ΔB_s为10%时，模型常常错误地将管道堵塞位置定位到32、40和74号管道上，说明模型会将其他管道的堵塞预测为32、40和74号管道。而当堵塞步长ΔB_s降低、训练集容量上升后，以上问题均得到解决。因此，在采用神经网络模型进行管道堵塞定位时，需要保证一定的训练集容量以避免部分管道堵塞定位效果不佳的问题，改善预测效果。

进一步建立模型，实现对管道的堵塞比例的预测，称为堵塞比例预测。堵塞比例属于连续型变量，需要建立神经网络回归模型进行预测。由之前的堵塞工况分析可知，堵塞比例变化对于热网压力的影响比较轻微，若只用一个模型对所有管道的堵塞比例进行预测比较困难，因此，考虑对每根管道各建立一个模型。堵塞比例预测应当在已知堵塞管道编号的基础上，采用对应管道的模型，输入热源、热力站供、回水压力变化率，输出该管道的堵塞比例。由堵塞工况分析可知，堵塞造成的影响按位置可分为两类，一类是热源、热力站与输配干线相连的管道，另一类是输配干线。从这两类中分别选取95号和11号管道作为例子进行具体分析。

从上文对数据集变量的分析可知，对于堵塞比例小于5%的工况较难预测，因此提高堵塞诊断阈值，用于训练神经网络回归模型的数据不包含堵塞比例小于5%的部分。对于每根管道，构建神经网络回归模型数据集，仅包括该管道在堵塞比例5%~30%下的热源（不包括S-A）、热力站的供、回水压力变化率和该管道的堵塞比例，共26个样本个体，每个样本个体包括45个数据。

在模型超参数优化中，选取的训练集中堵塞比例步长为5%，即B_s为5%、10%、15%、20%、25%、30%时该管道的数据，即训练集共6个样本个体。测试集为其他堵塞比例下的数据，共20个样本个体。

以95号管道为例，经优化得到神经网络回归模型，模型的超参数见表5。由于堵塞工况变量少，数据量也少，因此所需要的神经网络模型的结构更为简单。

在不同堵塞比例下，95号和11号管道的堵塞比例预测结果见图9。95号管道和11号管道在测试集上的R²分别为0.996 8和0.994 2。可以看出，两个管道的预测结果数据点均紧贴在等值线周围，这说明该模型在堵塞比例预测上具有良好的效果。

为验证本文所提管道堵塞诊断方法在不同工况下的效果，对负荷率为100%、105%、110%、115%和120%共5个工况进行管道堵塞诊断。变负荷工况下的堵塞管道预测与堵塞比例预测方法与基础工况相同，对每个工况分别进行神经网络训练和测试。用于训练神经网络的数据不包含堵塞比例小于5%的部分。构建变负荷工况神经网络分类模型数据集，样本个体为某负荷工况下，某管道在某个堵塞比例下，各热源（不包括S-A）、热力站的供、回水压力变化率及堵塞管道编号。每个工况下的数据集均包括106根管道，堵塞比例由5%到30%变化，从而生成2 756个样本个体。在堵塞管道预测时，设置堵塞比例步长为2%，训练集包括1 378个样本个体，测试集包括1 378个样本个体。在堵塞比例预测时，构建变负荷工况神经网络回归模型数据集。针对每个管道建立一个模型，样本个体为某负荷工况下，该管道在某个堵塞比例下，各热源（不包括S-A）、热力站的供、回水压力变化率及管道堵塞比例。设置堵塞比例步长为5%。训练集共6个样本个体，测试集共20个样本个体。

变负荷工况下的堵塞管道预测结果见表6。各个负荷下的预测正确率均达到98%以上，说明神经网络分类模型对于不同工况下的堵塞管道定位具有通用性，可以满足不同工况的堵塞诊断需求，各个工况下的堵塞诊断结果可以互为参考。同时，在不考虑最轻微堵塞的样本数据后，个别管道无法辨识的问题也不存在了。

由于热网管道较多，因此只以11号管道为例，建立不同工况下的神经网络回归模型，变负荷工况下堵塞比例预测结果见表7。各个负荷工况下预测结果的R²均达到0.99以上，说明神经网络回归模型对于不同工况下的堵塞比例预测具有通用性，可以满足多工况的堵塞诊断需求，同样可以将各个工况下的堵塞诊断结果互为参考。

①　堵塞按位置分为两类，一类是堵塞发生在热源、热力站与输配干线相连的管道上，只有该热源或热力站的压力受到影响，热源的压力变化率要显著得多；另一类是堵塞发生在输配干线上，各个热源、热力站的压力均会受到影响。堵塞管道所处的供、回水网络也有影响。根据热源、热力站在供、回水网络中与堵塞管道的相对位置，处于堵塞管道上游的热源、热力站的压力升高，处于下游的热源、热力站的压力降低。此外，当堵塞发生在供水网络时，只有供水压力受到影响；当堵塞发生在回水网络时，只有回水压力受到影响。

②　利用神经网络模型进行堵塞管道诊断时，数据集的划分对诊断效果有重要影响，随着堵塞比例步长下降，堵塞管道诊断的正确率有所提升。此外，无论数据集划分方式如何，堵塞管道诊断的正确率均随着堵塞比例增大而增大。

③　在设计100%负荷工况下的堵塞管道预测正确率为98.77%，堵塞比例预测R²为99.42%。当负荷发生变化时，堵塞管道预测正确率均达到98%以上，堵塞比例预测R²均达到99%以上，具有良好的预测效果。

维普免费下载《煤气与热力》论文（现刊和过刊均可）

日前，《煤气与热力》杂志社有限公司在维普网站http://cqvip.com/开通论文免费下载服务，论文刊出后两个月后，可在维普网站查询，并直接免费下载。在维普网站免费下载《煤气与热力》论文步骤如下：

1. 在维普网站注册会员。

2. 搜索出《煤气与热力》论文，点击进入。

3. 论文免费下载界面截图见上图。点击“免费下载”，可直接下载该论文。

声明：本文著作权（版权）归《煤气与热力》杂志社所有，严禁任何微信号及媒体未经授权许可随意转载。PS: 当然欢迎大家转发到朋友圈！