基于证据驱动和神经网络的区域供冷/热系统故障监测及诊断技术

岑晓彤; 王锡; 侯宏娟; 徐宝萍

doi:10.12465/issn.0253-4339.20241224001

您当前的位置：

首页 >

文章列表页 >

基于证据驱动和神经网络的区域供冷/热系统故障监测及诊断技术

更新时间：2026-03-12

- 基于证据驱动和神经网络的区域供冷/热系统故障监测及诊断技术
- Evidence-Driven and Neural Network-Based Fault Monitoring and Diagnosis Technology for District Cooling and Heating System
- 制冷学报 2026年47卷第1期页码：138-146
- 作者机构：
  
  1.华北电力大学能源动力与机械工程学院北京 102206
  2. 华北电力大学新能源电力系统国家重点实验室北京 102206
- 作者简介：
  
  王锡，女，副教授，华北电力大学能源动力与机械工程学院，18813160690，E-mail：wx@necepu.edu.cn。研究方向：多能互补综合能源系统，智慧供热/冷技术。
- 基金信息：
  
  国家重点研发计划(2021YFE0194500)
- DOI：10.12465/issn.0253-4339.20241224001
  中图分类号： TP306⁺.3;TU833
- CSTR：XXXXX.XX.XXX.20241224001
- 收稿：2024-12-24，
  
  修回：2025-03-11，
  
  录用：2025-03-12，
  
  纸质出版：2026-02-16
- 稿件说明：
移动端阅览
岑晓彤,王锡,侯宏娟等.基于证据驱动和神经网络的区域供冷/热系统故障监测及诊断技术[J].制冷学报,2026,47(01):138-146.

Cen Xiaotong,Wang Xi,Hou Hongjuan,et al.Evidence-Driven and Neural Network-Based Fault Monitoring and Diagnosis Technology for District Cooling and Heating System[J].Journal of Refrigeration,2026,47(01):138-146.
岑晓彤,王锡,侯宏娟等.基于证据驱动和神经网络的区域供冷/热系统故障监测及诊断技术[J].制冷学报,2026,47(01):138-146. DOI： 10.12465/issn.0253-4339.20241224001. CSTR： XXXXX.XX.XXX.20241224001.

Cen Xiaotong,Wang Xi,Hou Hongjuan,et al.Evidence-Driven and Neural Network-Based Fault Monitoring and Diagnosis Technology for District Cooling and Heating System[J].Journal of Refrigeration,2026,47(01):138-146. DOI： 10.12465/issn.0253-4339.20241224001. CSTR： XXXXX.XX.XXX.20241224001.

摘要

及时识别出区域供冷/热系统因发生泄漏而导致的故障状态并诊断出泄漏的具体位置和程度可以保障系统的安全运行。为了解决传统基于数据驱动的方法过度依赖数据质量和数量的问题，提高故障监测与诊断模型的鲁棒性，本文构建了一种基于证据驱动和神经网络的区域供冷/热系统故障监测及诊断模型。该模型可以利用基于证据KNN分类器的故障监测模型对系统运行状态进行监测，再通过基于神经网络的故障诊断模型来确定系统的泄漏位置与泄漏量。以河北承德地区一实际区域供热系统为案例对模型开展研究与分析，结果显示：该方法对区域供冷/热系统的故障监测及诊断的准确率为95.8%。

Abstract

The timely identification of the leakage and diagnosis of the specific location and degree of leakage can guarantee safe system operation of district cooling and heating systems. This study proposes an evidence-driven and neural network-based fault-monitoring and diagnosis method for district cooling and heating systems to mitigate the problem of traditional data-driven methods that rely on the quality and quantity of data， improving the robustness of the fault-monitoring and diagnosis model. The method utilizes a fault-monitoring model based on evidence-based K-nearest neighbor classifiers to monitor the system-operation status， and determines the specific leakage location and leakage amount through a neural-network-based leakage fault-diagnosis model. An actual district heating system in Chengde， Hebei Province， is used as a case study， and the results show that the accuracy of the method for fault monitoring and the diagnosis of district cooling/heating systems is 95.8%.

关键词

Keywords

references

ZHOU Shoujun ， O'NEILL Z ， O'NEILL C . A review of leakage detection methods for district heating networks ［J］. Applied Thermal Engineering ， 2018 ， 137 ： 567 - 574 .

XUE Puning ， JIANG Yi ， ZHOU Zhigang ， et al . Machine learning-based leakage fault detection for district heating networks ［J］. Energy and Buildings ， 2020 ， 223 ： 110161 .

NAM K ， IFAEI P ， HEO S ， et al . An efficient burst detection and isolation monitoring system for water distribution networks using multivariate statistical techniques ［J］. Sustainability ， 2019 ， 11 （ 10 ）： 2970 .

周守军，张国正，刘臣，等 . 基于CUSUM方法的集中供热管网泄漏故障诊断［J］. 山东建筑大学学报， 2023 ， 38 （ 5 ）： 48 - 57 .

ZHOU Shoujun ， ZHANG Guozheng ， LIU Chen ， et al . Fault diagnosis leakage of district heating pipelines based on CUSUM method ［J］. Journal of Shandong Jianzhu University ， 2023 ， 38 （ 5 ）： 48 - 57 .

杜永峰，段鹏飞，赵秉旭，等 . 基于CABC-BP模型的供热管网泄漏诊断研究［J］. 广西大学学报（自然科学版）， 2023 ， 48 （ 4 ）： 835 - 846 .

DU Yongfeng ， DUAN Pengfei ， ZHAO Bingxu ， et al . Leakage diagnosis model of heating pipe network based on CABC optimization of BP neural network ［J］. Journal of Guangxi University （Natural Science Edition）， 2023 ， 48 （ 4 ）： 835 - 846 .

HE Q P ， WANG Jin . Fault detection using the k-nearest neighbor rule for semiconductor manufacturing processes ［J］. IEEE Transactions on Semiconductor Manufacturing ， 2007 ， 20 （ 4 ）： 345 - 354 .

DENOEUX T . A k-nearest neighbor classification rule based on Dempster-Shafer theory ［J］. IEEE Transactions on Systems， Man， and Cybernetics ， 1995 ， 25 （ 5 ）： 804 - 813 .

陈小龙 . 证据驱动型火电机组状态预警方法及其应用研究［D］. 南京：东南大学， 2019 .

CHEN Xiaolong . Research on evidence driven condition early warning method with applications in power plant ［D］. Nanjing ： Southeast University ， 2019 .

王楠，周喜超，彭勇，等 . 基于证据KNN分类器的蓄电池一致性诊断［J］. 太阳能学报， 2022 ， 43 （ 4 ）： 13 - 19 .

WANG Nan ， ZHOU Xichao ， PENG Yong ， et al . Battery consistency diagnosis based on evidential KNN classifier ［J］. Acta Energiae Solaris Sinica ， 2022 ， 43 （ 4 ）： 13 - 19 .

PALMER C R ， FALOUTSOS C . Density biased sampling： an improved method for data mining and clustering ［C］// ACM SIGMOD Conference . 2000 .

RODRIGUEZ A ， LAIO A . Machine learning. Clustering by fast search and find of density peaks ［J］. Science ， 2014 ， 344 （ 6191 ）： 1492 - 1496 .

SHAFER G . A athematical theory of evidence ［M］. Princeton， New Jersey ： Princeton University Press ， 1976 .

WU Weizhi ， ZHANG Mei ， LI Huaizu ， et al . Knowledge reduction in random information systems via Dempster-Shafer theory of evidence ［J］. Information Sciences ， 2005 ， 174 （ 3/4 ）： 143 - 164 .

叶春霖，邱颖宁，冯延晖 . 基于警报信号和D-S证据理论的风电机组故障诊断［J］. 太阳能学报， 2019 ， 40 （ 12 ）： 3613 - 3620 .

YE Chunlin ， QIU Yingning ， FENG Yanhui . Fault diagnosis of wind turbine based on alarm signals and d-s evidence theory ［J］. Acta Energiae Solaris Sinica ， 2019 ， 40 （ 12 ）： 3613 - 3620 .

DENŒUX T ， SRIBOONCHITTA S ， KANJANATARAKUL O . Evidential clustering of large dissimilarity data ［J］. Knowledge-Based Systems ， 2016 ， 106 ： 179 - 195 .

YAGER R R . Decision making under dempster-shafer uncertainties ［J］. International Journal of General System ， 1992 ， 20 （ 3 ）： 233 - 245 .

DIESTEL R . Graph theory ［J］. Mathematical Gazette ， 2000 ， 173 （ 502 ）： 67 - 128 .

王晶，侯宏娟，张辉，等 . 基于管网阻力辨识的太阳能-空气源热泵区域供热系统运行调控研究［J］. 太阳能学报， 2023 ， 44 （ 11 ）： 9 - 15 .

WANG Jing ， HOU Hongjuan ， ZHANG Hui ， et al . Research on operation regulation of solar-air source heat punp district heating system based on pipe network resistance identification ［J］. Acta Energiae Solaris Sinica ， 2023 ， 44 （ 11 ）： 9 - 15 .

城镇供热管网设计规范： CJJ/T 34—2022 ［S］. 北京：中国建筑工业出版社， 2022 .

Design code for urban heating pipe networks ： CJJ/T 34—2022 ）［S］. Beijing ： China Construction Industry Press ， 2022 .

徐文，王大忠，周泽存，等 . 结合遗传算法的人工神经网络在电力变压器故障诊断中的应用［J］. 中国电机工程学报， 1997 ， 17 （ 2 ）： 109 - 112 .

XU Wen ， WANG Dazhong ， ZHOU Zecun ， et al . Application of artificial neural network combined by genetic algorithm in fault diagnosis of power transformer ［J］. Proceedings of the CSEE ， 1997 ， 17 （ 2 ）： 109 - 112 .

毕天姝，倪以信，吴复立，等 . 基于新型神经网络的电网故障诊断方法［J］. 中国电机工程学报， 2002 ， 22 （ 2 ）： 73 - 78 .

BI Tianshu ， NI Yixin ， WU Fuli ， et al . A novel neural network approach for fault section estimation ［J］. Proceedings of the CSEE ， 2002 ， 22 （ 2 ）： 73 - 78 .

曲建岭，余路，袁涛，等 . 基于一维卷积神经网络的滚动轴承自适应故障诊断算法［J］. 仪器仪表学报， 2018 ， 39 （ 7 ）： 134 - 143 .

QU Jianling ， YU Lu ， YUAN Tao ， et al . Adaptive fault diagnosis algorithm for rolling bearings based on one-dimensional convolutional neural network ［J］. Chinese Journal of Scientific Instrument ， 2018 ， 39 （ 7 ）： 134 - 143 .

浏览量

638

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

集中空调系统末端研究现状与展望

热管/蒸气压缩复合空调系统故障诊断模型分类解释性研究

数据中心冷板式液冷故障诊断技术研究进展

域对抗迁移学习驱动的地铁列车空调跨工况多故障自适应诊断方法

液化天然气冷能回收利用技术研究进展