本发明属于工业智慧供热，具体涉及一种基于模型预测的白酒生产精准供汽预调控系统。
背景技术：
1、酒厂是一种典型的依赖蒸汽进行生产的工业，其生产过程中(尤其是甑桶的蒸粮与酿酒环节)需要大量的蒸汽，且不同阶段用汽要求有显著不同。锅炉是酒厂的主要能源设备，其运行效果直接影响酒厂的生产效率和能源消耗。在白酒生产中，由于蒸汽消耗的间歇性特性，蒸汽系统内蒸汽压力呈现剧烈的波动与震荡，不仅严重影响锅炉系统的控制稳定性，同时严重影响系统内各设备与计量表计的寿命。因此，如何合理地调控锅炉的蒸汽负荷，以适应酒厂各蒸汽需求车间的变化，是酒厂能源管理的重要问题。
2、白酒生产的能源供应中80％为蒸汽，蒸汽系统复杂，年用量大。蒸汽使用与生产安排、生产节奏紧密相关，使用间歇性强，蒸汽流量上下波动大，供需平衡调节不及时，对于蒸汽管网管损产生的具体位置、原因、潜在改进方式缺乏科学分析。
3、然而，目前酒厂中锅炉负荷的调控主要依靠人工经验或简单的规则，缺乏科学的预测和优化方法，存在以下几个痛点问题：
4、蒸汽负荷的调控存在一定的延时性，即当各蒸汽需求车间的压力、流量发生变化时，锅炉不能及时响应，导致锅炉的蒸汽供应过多或过少，影响酒厂的生产质量和安全。
5、锅炉负荷的调控缺乏精确性，即锅炉的蒸汽负荷不能与各蒸汽需求车间的需求相匹配，导致锅炉的能源利用率低，增加酒厂的运行成本。
6、锅炉负荷的调控缺乏稳定性，即锅炉的蒸汽负荷经常发生波动，导致锅炉的运行状态不稳定，增加锅炉的损耗和维护难度。
7、基于上述技术问题，亟需技术手段解决，以达到削峰填谷、蒸汽供需平衡的目标，保障白酒生产。
技术实现思路
1、本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于模型预测的白酒生产精准供汽预调控方法，能够利用酒厂各蒸汽需求车间的压力、流量等历史数据，以及影响蒸汽需求的因素，如温度、湿度、生产计划等，对未来一段时间内各车间的压力、流量变化进行准确的预测，从而为锅炉负荷的调控提供依据，从而解决酒厂锅炉负荷延时性问题的方法和系统。
2、为了解决上述技术问题，本发明的技术方案是：
3、一种基于模型预测的白酒生产精准供汽预调控方法，其特征在于，它包括：
4、(1)确定白酒各生产阶段的蒸汽压力和蒸汽量需求以及酒厂锅炉系统供汽、蒸汽和热网蒸汽输送的影响因素并收集相关历史数据；
5、(2)基于注意力机制与神经网络相结合建立“锅炉-热网-车间”的三级数字孪生预调控模型，利用历史数据进行模型训练，并建立与白酒生产蒸汽负荷预测模型的计算关系，，输出预计时间段内各蒸汽需求车间的压力、流量变化特性曲线；
6、(3)设置动态负荷调节因子，结合预调控模型的输出，计算锅炉的最优蒸汽负荷；(根据车间生产的变化特性、锅炉实际运行的特性曲线、现场系统操作习惯，动态调整负荷调节因子的大小，)生成最优蒸汽负荷；
7、(4)根据最优蒸汽负荷生成锅炉的自动控制指令，结合负荷调节阈值，选择性执行自动控制指令提前调整锅炉的蒸汽负荷，以适配各蒸汽需求车间预计时间段内的蒸汽需求；
8、(5)周期性交叠重复步骤(1)-(4)，实现对酒厂锅炉负荷全过程预调控调度。
9、通过应用本发明，可以有效地解决酒厂锅炉负荷的延时性、精确性和稳定性问题，提高酒厂的生产效率和能源利用率，降低酒厂的运行成本和维护难度，为酒厂的能源管理提供一种新的解决方案。
10、进一步地，所述酒厂锅炉系统供汽、蒸汽热网蒸汽输送的影响因素包括且不限于各蒸汽需求车间的压力、流量数据，和温度、湿度、生产计划；并且相关联的约束条件包括且不限于电价、燃料成本和锅炉安全运行范围，其中增加锅炉安全运行范围使模型能够考虑锅炉的最大和最小负荷限制，避免预测出超出范围的负荷值。
11、在这里，“锅炉-热网-车间”的三级数字孪生预调控模型，是一种利用历史数据来建立系统输入和输出之间关系的模型，不需要对系统的内部结构和工作原理有深入的了解，只需要有足够的数据来训练和验证模型的准确性和泛化能力。
12、也就是说建立酒厂负荷调控的“软测量”模型，作为酒厂蒸汽系统运行状态的虚拟测量，是对实际物理测量的补充。通过将感知测量层获得的系统运行状态数据实时接入到数字孪生的预调控模型钟，跟随系统的运行，可以按照设定的周期反复进行供热系统的仿真计算，获得酒厂锅炉负荷运行状态(温度、压力、流量、流向)的理论值。
13、预调控模型利用注意力机制与神经网络相结合的机器学习方法，以锅炉出口蒸汽流量、压力等负荷的历史数据和多维负荷影响因素为输入，对锅炉负荷进行阶段性预测。利用pearson相关系数判定对原始数据进行筛选。将处理后的数据经卷积层进行特征提取和进一步降维，通过长短期记忆层进行拟合，并采取注意力机制对权值进行优化，实现对负荷的精准预测。
14、进一步地，所述基于注意力机制与神经网络相结合建立“锅炉-热网-车间”的三级数字孪生预调控模型包括以下部分：
15、卷积神经网络(cnn)层，用于对输入序列进行特征提取和降维；
16、长短期记忆网络(lstm)层，用于对输入序列进行时序建模，捕捉数据的动态变化和长期依赖关系；
17、注意力机制(am)层，用于对输入序列中的不同时间步分配不同的权重；
18、全连接网络(fc)层，用于对注意力机制层的输出进行非线性变换，得到最终的预测结果。
19、进一步地，步骤(2)中利用收集的历史数据进行模型训练过程中，采用sgd优化算法对模型的输入参数进行更新；sgd是一种迭代的方法，每次只使用一个或一小批样本来更新模型的参数，从而使损失函数达到最小值。并以rmse均方根误差作为模型的损失函数设定评估指标，对模型的预测性能进行评估，选择最优的模型输入参数，rmse它是一种衡量预测值和真实值之间的差异的指标，其值越小，表示预测性能越好。
20、进一步地，所述步骤(3)的具体实施步骤如下：
21、3.1定义锅炉的运行成本函数：c(l)＝al2+bl+cl′+d，其中l表示锅炉的蒸汽负荷；c(l)表示锅炉的运行成本；a,b,c,d是根据实际情况确定的常数；
22、3.2由步骤(2)中输出各蒸汽需求车间的压力变化pt、流量变化qt，
23、
24、其中，t表示时间步即预计时间段，pt表示第t个时间步的总压力，qt表示第t个时间步的总流量，n表示车间的数量，wi表示第i个车间的权重，pi,t和qi,t表示第i个车间在第t个时间步的压力和流量；
25、3.3根据锅炉的物理特性，建立锅炉的蒸汽负荷与各车间的压力、流量的关系式：
26、lt＝f(pt,qt)＝k1pt+k2qt+k3
27、其中，k1，k2，k3是根据实际情况确定的常数；
28、3.4根据锅炉的运行成本函数和蒸汽负荷与压力、流量的关系式，计算出锅炉的最优蒸汽负荷：
29、
30、采用微分法求解：
31、3.5设置负荷调节因子，根据锅炉的实际运行情况和预调控模型的输出，动态调整负荷调节因子的大小，并基于负荷调节因子调整最优蒸汽负荷。
32、特别地，所述动态调整因子具体实施如下：
33、初始化负荷调节因子λ的值，表示不对预测值进行调节；
34、设定负荷调节因子的调整量δ，根据δ对负荷调节因子进行调整：λ＝λ+δ；所述调整量δ由锅炉的运行状态和预测值与实际值的偏差来确定；
35、基于λ值计算经过调节的最优蒸汽负荷ladj,ladj＝λlopt；
36、最后判断经过ladj是否在锅炉的安全运行范围内；若是则输出该值作为最终的最优蒸汽负荷，若不是则将其限制在安全运行范围内，即:
37、lfinal＝max(min(ladj,lmax),lmin)
38、其中lfinal表示最终的最优蒸汽负荷，lmax和lmin表示锅炉的最大和最小负荷限制。
39、进一步地，所述在步骤(4)所述负荷调节阈值是自动控制指令生成过程中，根据锅炉的实际运行情况设置负荷调节阈值，比对负荷调节阈值和自动控制指令调节幅度，选择性执行自动控制指令，具体实施如下：
40、根据锅炉的设计参数和运行经验来确定其负荷调节阈值∈，表示锅炉的蒸汽负荷在该阈值内波动，不影响锅炉的安全和效率；
41、计算锅炉的蒸汽负荷的调节幅度其中，lcurrent为锅炉当前蒸汽负荷；
42、比对负荷调节阈值∈和自动控制指令调节幅度δl：δl≤∈，则执行自动控制指令，提前调整锅炉的蒸汽负荷；δl>∈，则不执行自动控制指令，保持锅炉的稳定运行。
43、进一步地，所述步骤(5)具体实施如下：
44、根据酒厂实际生产特点和训练数据量设定预调控模型预测周期和预计时间段范围；其中，一个合适的预测周期，如每小时或每半小时，以及一个合适的预测范围，如未来一小时或未来两小时，根据酒厂的生产特点和数据量来确定；
45、在每个预测周期初始，更新至最新训练数据和约束条件，对预调控模型进行训练或微调，使模型能够适应数据的变化，提高预测的准确性；
46、基于微调后的预调控模型，对预计时间段范围内各车间的压力、流量变化进行预测，并根据预测结果，计算出锅炉的最优蒸汽负荷，基于负荷调节因子得出最终的最优蒸汽负荷，生成自动调控指令，基于负荷调节阈值调整锅炉的蒸汽负荷；
47、待进入下一个预测周期，重复以上步骤，使用最新的数据，对模型进行训练或微调，并根据预测结果，计算出锅炉的最优蒸汽负荷，基于负荷调节因子得出最终的最优蒸汽负荷，生成自动调控指令，提前调整锅炉的蒸汽负荷，从而实现锅炉蒸汽负荷的全过程动态预调控调度。
48、进一步地，一种基于模型预测的白酒生产精准供汽预调控系统，包括以下部件：
49、数据采集模块，用于收集酒厂各蒸汽需求车间的压力、流量历史数据，以及影响蒸汽需求的因素，包括且不限于温度、湿度、生产计划和锅炉安全运行范围；
50、模型训练模块，通过注意力机制与神经网络建立“锅炉-热网-车间”的三级数字孪生预调控模型，基于数据采集模块提供的采集数据对模型进行训练，输出预计时间内各车间的压力、流量变化预测曲线；
51、负荷计算模块，用于根据预测模型的输出，计算出锅炉的最优蒸汽负荷；并基于负荷调节因子得出最终的最优蒸汽负荷；
52、控制指令模块，用于将计算出的最优蒸汽负荷作为锅炉的自动控制指令，并基于负荷调节阈值选择性执行自动控制指令，调控锅炉的蒸汽负荷。
53、特别地，还包括更新模块，用于设定预调控模型预测周期和预计时间段范围，更新训练数据和约束条件，周期性进行模型预测和最优蒸汽负荷计算，实现锅炉蒸汽负荷的全过程动态预调控调度。
54、在本系统中除去常规的温度、压力及流量计量采集，结合实际分析需求，可以在酒厂蒸汽供热运行体系适当关键位置增设管道位移监测装置，从而更好地掌握蒸汽供热运行，支撑本系统的技术应用。
55、本系统支持与多种物联感知设备及多种传输协议的数据接口对接，与第三方scada、dcs系统数据接口对接。系统支持连接不同的数据库类型，可配置数据库连接地址、用户名、密码，用于连接不同系统的热网运行数据。
56、本发明的有益效果是：
57、(1)本发明本专利采用了一种基于注意力机制与神经网络的热电联产“锅炉-热网-车间”的三级数字孪生预调控模型，其中注意力机制可以对输入序列中的不同时间步分配不同的权重，突出对输出结果有重要影响的部分，提高模型的预测精度和解释性。
58、神经网络可以对输入序列进行非线性变换和深层特征提取，提高模型的表达能力和泛化能力。
59、注意力机制与神经网络的结合可以有效地处理时序数据的动态变化和长期依赖关系，适应酒厂各蒸汽需求车间的压力、流量等数据的特点。
60、(2)本专利采用了一种基于运行成本最低化的锅炉负荷计算方法，能够根据预测模型的输出，计算出锅炉的最优蒸汽负荷，以满足各车间的需求，同时考虑电价、燃料成本等因素，使锅炉的运行成本最低，从而为锅炉负荷的调控提供目标。
61、(3)本专利采用了一种基于负荷调节因子和负荷调节阈值的锅炉负荷调控方法，能够根据锅炉的实际运行情况和计算出的最优蒸汽负荷，动态调整负荷调节因子的大小，使计算出的最优蒸汽负荷能够在锅炉的安全运行范围内，同时满足各车间的需求和运行成本的最低化；并根据锅炉的实际运行情况和计算出的最优蒸汽负荷，判断是否需要对锅炉的蒸汽负荷进行调节，如果调节幅度小于负荷调节阈值，则不进行调节，保持锅炉的稳定运行，如果调节幅度大于负荷调节阈值，则进行调节，提前调整锅炉的蒸汽负荷，从而解决酒厂锅炉负荷延时性问题。
62、(4)本专利采用了一种基于自动化系统的锅炉负荷控制指令方法，能够将计算出的最优蒸汽负荷作为锅炉的控制指令，通过自动化系统或人工干预，提前调整锅炉的蒸汽负荷，从而实现锅炉负荷的预调控。
63、其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
64、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种基于模型预测的白酒生产精准供汽预调控方法，其特征在于，它包括：
2.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法，其特征在于，所述酒厂锅炉系统供汽、蒸汽热网蒸汽输送的影响因素包括且不限于各蒸汽需求车间的压力、流量数据，和温度、湿度、生产计划；并且相关联的约束条件包括且不限于电价、燃料成本和锅炉安全运行范围。
3.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法，其特征在于，所述基于注意力机制与神经网络相结合建立“锅炉-热网-车间”的三级数字孪生预调控模型包括以下部分：
4.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法，其特征在于，步骤(2)中利用历史数据进行模型训练过程中，采用sgd优化算法对模型的输入参数进行更新；并以rmse均方根误差作为模型的损失函数设定评估指标，对模型的预测性能进行评估，选择最优的模型输入参数。
5.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法，其特征在于，所述步骤(3)设置动态负荷调节因子，结合预调控模型的输出，计算锅炉的最优蒸汽负荷的具体实施步骤如下：
6.根据权利要求5所述的基于模型预测的白酒生产精准供汽预调控方法，其特征在于，所述动态调整因子具体实施如下：
7.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法，其特征在于，所述在步骤(4)所述负荷调节阈值是自动控制指令生成过程中，根据锅炉的实际运行情况设置负荷调节阈值，比对负荷调节阈值和自动控制指令调节幅度，选择性执行自动控制指令，具体如下：
8.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法，其特征在于，所述步骤(5)具体实施如下：
9.一种基于模型预测的白酒生产精准供汽预调控系统，用于权利要求1-8任意一项基于模型预测的白酒生产精准供汽预调控方法，其特征在于，包括以下部件：
10.一种基于模型预测的白酒生产精准供汽预调控系统，其特征在于，还包括更新模块，用于设定预调控模型预测周期和预计时间段范围，更新训练数据和约束条件，周期性进行模型预测和最优蒸汽负荷计算，实现锅炉蒸汽负荷的全过程动态预调控调度。
