AI赋能智慧供热系统：自然交互、数据驱动与自主决策

浙江大学能源工程学院浙江大学国家卓越工程师学院 钟崴 @中国·大连2025/06/19 1、AI赋能智慧供热系统 2、核心技术体系：自然交互、数据驱动与自主决策 3、工程实践案例 4、总结 “AI+“行动提速，央国企加速拥抱“人工智能 京能集团前瞻布局智能算力基础设施 依托自主建设的大规模算力基础设施，推出普惠型算力服务 三个更国贝出保化央企A专单行动 国家电网打造光明大模型 为电网安全稳定运行、新能源消纳、供电服务提供“超级大脑 济南热力集团打造智慧供热大脑 继续深化央国企AI+“专项行动 更加突出应用领航护大开放合作更加突出数据赋能，推进数据共享更加突出智算筑基，夯实算力基座 人工智能发展史，DeepSeek掀起中国Al热潮 DeepSeek-V3大幅降低训练成本R1免费开源为业界提供参考 得益王其创新的技术架构和优化的训练策略DeepSeek通过算法创新替代算力堆切以技术突破解决AI训练中的资源瓶颈为行业提供了高效低成本的可行路径 架构创新：MOE与动态负载均衡计算优化：FP8与数据蒸馏井行策略：流水线与数据并行显存管理：重计算与参数共享 通用人工智能结合专用人工智能赋能供热行业各项业务 设计建造： 生产运行 经营管理：高效的知识管理和查询定量化 控制方案的自动学习和产生、自应安全性、自学习质品控制、教据驱动的优化和控制 在设计研发阶段，生成式人工智能能够多压缩设计和选代的过程从而带来显著的效率提升 精益分析，与机器沟通的方式会发生深刻的变化 新质生产力：智慧大脑（脑力解放）+智能机器人（体力解放） 通用人工智能结合专业人工智能打造能源系统智能体 多智能体系统（Multi-Agent）协同：以智能化电梯群控为例 每台电梯都具有自己已的感知（当前楼层、所载人数）决策（规划行动路线）和行动能力（上下楼层开门关门）并且可以与他电梯进行信息共享和协同路线规划，以实现共同的自标或任务（把用户送达指定的楼层） 多智能体系统协作互动解决复杂系统决策问题 多智能体系统（Multi-AgentSystem，MAS）是由多个智能体（Agent）组成的系统：这些智能体可以是软件程序，机器人或其他具有自治性的实体，每个智能体都具有自已的感知、决策和行动能力，并且可以与其他智能体进行交互和协作，以实现共同的目标或任务。 自主性 每个Agent都具有一定的独立性、自我意识和自主性 自组织和自导向 在没有外部干预的请况下找到解决问题的最佳方案 容错性和自恢复性 由于组件的亢余性，系统具有容错性和自恢复性 基于多智能体的锅炉智能方案设计（浙江大学，2002 智能设计的技术思想是采用人工智能中知识表示和处理的方法来模拟人类设计者通过思维活动运用和加工他们所掌握的设计知识而进行设计的行为，从而实现对人类设计活动的支持 基于多智能体的锅炉智能方案设计/浙江大学，2002] 基于多Agent的锅炉智能设计技术框架，模拟人类设计者运用锅炉设计知识进行锅炉方案设计的行为，最终实现锅炉设计水平和设计效率的提高 从AlAgent智能体到自主型人智能系统AgenticAi的跃迁 AgenticAl是由多个智能体能够通过结构化通信，共享记忆和知识动态角色分配，协同追求自标，自主式的完成复杂住务，而无需事先明确规定其程序。 新型能源系统的柔性、灵活性，动态实时优化的供需匹配 能源低碳转型：低碳新能源大规模开发和利用、终端电能的广泛深度替代，先立后破 新特征：不确定性、动态性增强，灵活性要求提高，电-热-水气多能流耦合，刚柔并济 新型能源系统 多环节提升系统灵活性，流体类能源发挥重要弹性作用 城镇供热系统的发展过程与未来趋向 2003-2015量的快速增长 2025-2060多元化低碳供热 2015-2025整合提质发展 房地产开发带动建设了大盘区域供热锅炉集中供热面积快速增长建设水平参差不齐缺乏系统性的规划设计 热电联产快速发展：分散热源整合淘汰小机组城市供热资源的统筹优化配置长输供热与多热源联网 可再生能源供热量逐步提高多种新型储热系统融入源-网-荷-储”全过程灵活协同调控供热系统与电力系统融合发展 多能流低碳综合供能时代（多能综合调度优化） 多源联网时代【统筹调度控制】 片区式集中供热时代（热力站自动化） 新型电力系统的主要特征与自主式多智能体能源系统 围绕能源系统，“源一网荷一储“协同关系，新型电力系统的生要特征可以概活为多源互补源网协同，供需互动和灵活智能四方面，未来将向自主式多智能体能源系统演进 可再生能源发电量的不断提升迫切需要火电机组实现热电协同解耦 区域常规电源日内调节幅度超过3亿于瓦，“峡曲线”特性明显，统筹午间新能源消纳和晚峰电力保供难度大火电需要继续充当能源供应安全保障的“压舱石，还需充分发挥其灵活调节的关键作用 智慧供热：从人工调度控制到人机（自主智能体）融合的智慧调控 人工科学决策的挑战：多能多源互补、可再生能源不确定性、系统规模增加. 韧性？可靠？灵活？安全？低碳？节能？高效？应急？ 智慧供热系统“自动驾驶“：多层级多能源系统智能体的协作 新型能源系统系统复杂性和动态性内在要求实现调度自动化和智能化 智慧供热：供热系统运行调度控制的全局性、预测性因时择优 智慧供热：新型能源系统调度控制范式转变（电力与热力协同调度） 新型能源系统系统复杂性和动态性内在要求实现调控自动化和智能化 空间复杂性 工业互联网使得更大空间范围资源要素的的整体优化成为可能， ·对象复杂性 管控对象粒度变小，管控对象数量的量级提升： ·时间复杂性 运行工况组合复杂，调控周期变短，动态调度难度大。 城镇智慧供热中热协中国供热蓝皮书2019 智慧供热是在中国推进能源生产与消费革命，构建清洁低碳、安全高效的现代能源体系，大力发展清洁供热的新时代背景下以供热信息化和自动化为基础以信息系统与物理系统深度合为技术路径，运用物联网、空间定位、云计算、信息安全等互联网+“技术感知连接供热系统“源-网-荷储全过程中的各种要素，运用大数据，人工智能建模仿真等技术统笔分析优化系统中的各种资源，运用模型预测等先进控制技术按需精准调控系统中各层级各环节对象，通过构建具有自感知自分析、自诊断、自优化、自调节、自适应特征的智慧型供热系统，显奢提升供热政府监管、规划设计、生产管理、供需互动、客户服务等者环节业务能力和技术水平的现代供热生产与服务新范式 A驱动智慧供热人机融合的供热系统数字化智能化运营体系 通过数字李生技术与A/算法，模拟不同工况下的运行状态，提前预判设计缺陷并优化方案让规划落地更科学高效 生产运行从“被动应对“到“主动协调” 基于多智能体架构的调度指挥系统可整体协调上千个控制目标，区域智能体间可进行协同响应实现整体系统自主优化运行 经营管理从“事务处理“到“智能决策 通过智能分析引擎实现了数据的自动处理、风险预警和决策推荐让管理人员专注于战略规划和重要决策，提升管理效率 1、AI赋能智慧供热系统 2、核心技术体系：自然交互、数据驱动与自主决策 3、工程实践案例 4、总结 自然交互：人机交互发展历史 自然交互：人机交互发展历史 自然交互：人机交互中越来越高的抽象级别 自然交互：主动推理-多模态融合-场景智能的三重进化 思维深度化、交互多模态、场景专业化”正重塑人机协作边界，驱动生产力升级 迈向更加真实的互动场景自然交互中国 自然交互：打造专职的供热数字化客服 利用人工智能技术打造收费数字人，客服数字人，分析数字人，为每个热用户配备专职的供热数字化管家，为市民提供及时、周道，满意的管家式服务，提高供热服务质量 数据驱动：基干数字垂生的供热系统数字化运营 数字李生是实现线上虚拟信息空间与线下系统真实物理空间之间的实时映射以驭实，从空间、时间两个系统维度融合各环节感知信息，以智能计算提升整体分析决策能力。 信息融合中台故障主动认知优化调度策略应急方案推演设计方案评估运营管理体系 从运行数据中分析系统发展演化态势评估风险，多未来假设 整合物联网各环节测量数据，掌握系统全局态势，形成系统性认知 数据驱动：基于数字李生的智慧供热生产运行调度控制 供热系统“源-网-荷-储“工业机理建模仿真与模型校准数据驱动1 建立供热系统源-网-荷-储全过程工艺级数字李生模型，实现观测数据的信息融合，建立机器智能承载的系统级的认知和定量预测分析能力。 路机理建模：供热系统物理结构热工水力模型数据建模：阻力系数特征辨识、泵阀设备特性 数据驱动：基于物理信息神经网络PINN的供热网络数字李生建模 将流动输运机理与数据驱动方法底层融合建立通用供热系统建模求解与状态估计方法 数据驱动基于物理信息神经网络PINN的供热网络数字李生建模 通过在神经网络损失项目中添加物理约束，实现“机理+数据驱动的供热系统网络建模 数据驱动：基于物理信息神经网络PINN的供热等多能源网络建模 浙江大优态信方法：202311591713.5P.2024-02-23合能源系统建范方法：2023117654670/P2024-03-15.（3浙江大一种基于物理信微冲经网络的编合能源系统优化控制方法：202311738768.4/P）.2024-03-15 基于物理信息神经网络的供热网络建模与状态估计数据驱动： 实现了嗪声过跑估计贷与更实货拟含程使良好 网络参数 燕汽萝数0.55MPa，210t/h，277/C.管径250-600mm0.80MPa，2500Nm/min.25C含径400-800mm压空套数：热汽网络：24节点，1个热，10个热用户，2.12km，10h7节点1个气源，3个气用户，120.3km12h 针对浙江某工业园区蒸汽、压缩空气联供网络开展状态估计研究 总异常数据的辨识率超过80% 有效过滤掉不同程度的量测噪声，对异常数据的容错性良好 数据驱动工业机理与运行数据融合的供热管网数字李生建模 以热网热工水力模型为“骨架”：融合各种可获取的运行数据，运用PINN等数据驱动方法进行管网阻力特性进行在线辨识；预测与实测比较对热网故障进行诊断 据驱动：考虑多重影响因素的高精度负荷频测 解析各数据要素与负荷间影响关系（室温数据、热源波动、投诉信息、气温数据、建筑信息）构建基于，“一站一模型”的负荷预测模式，预测效果在线分析评估，模型优化调整 数据驱动：机理数据融合的区域供热负荷预测模型 融合建筑机理和数据驱动方法，以克服历史数据缺失和建筑基础信息质量不齐的挑战 围护结构负荷：Qe=KhF-t） 静态过程。通过建筑围护结构产生的热散失 Ph3ACR,V动态过程，通过活动行为造成的因空气渗透产生的热散失 机理数据融合方法 1.采用了LSTM神经网络架构，考虑了负荷的时序信息 2.将机理负荷融合至模型中提供了额外特征 3.采用残差连接提高了机理负荷在模型中的表达权重 数据驱动：经验反馈驱动的热力站机器决策模型调优 热力站智能体持续监控其行为在环境中产生的结果与反馈，并将这经验数据作为机器学习的信号，实时对其决策模型进行送代式更新和参数调优，逐步提升决策的准确性和效率 自主决策：智慧供热系统的自主优化运行，融入新型能源体系 基于多层级智能体架构，依据供热系统工况条件（天气、电力市场）变化，借助数字李生模型推演调度运行方案，对供热系统运行策略进行动态规划和调整智能导航 自感知、自分析、自决策、自适应 自主决策：智慧供热系统的“自动驾驶 车辆的自动驾驶 智慧供热系统的自动驾驶 结合工艺数字李生模型，推演调度策略全自动调控成百上于个开关、阀门等的动作智能检测系统故障，智能生成应急方案自适应调整各环节控制目标，提升整体能效 结合在线地图预测并优化行驶路线“发现更快路线“，自动驾驶到达自的地“眼观六路、耳听八方”的路况感知能够设置以ECO节能方式行驶 自主决策：基于数字李生模