基于异构时空图神经网络的区域供热管网虚拟智能计量
机器学习
2026-04-14 v1 人工智能
系统与控制
系统与控制
摘要
热能网络的智能运行旨在通过数据驱动控制、预测优化和早期故障检测来提高能效、可靠性和运行灵活性。实现这些目标依赖于足够的可观测性，需要对热工和水力状态进行连续且分布良好的监测。然而，区域供热系统通常仪表稀疏且频繁受到传感器故障影响，限制了监测能力。虚拟传感提供了一种经济高效的增强可观测性手段，但其开发和验证在实践中仍然有限。现有的数据驱动方法通常假设密集同步数据，而解析模型则依赖于简化的水力和热力假设，可能无法充分捕捉异构网络拓扑的行为。因此，在真实运行条件下对压力、流量和温度之间的耦合非线性依赖关系进行建模仍然具有挑战性。此外，缺乏公开可用的基准数据集阻碍了虚拟传感方法的系统比较。为应对这些挑战，我们提出了一种用于构建虚拟智能热量表的异构时空图神经网络（HSTGNN）。该模型融合了区域供热网络固有的功能关系，并采用专用分支来学习流量、温度和压力测量的图结构和时间动态，从而实现对跨变量和空间相关性的联合建模。为支持进一步研究，我们引入了一个在奥尔堡智能水基础设施实验室采集的受控实验室数据集，该数据集提供了代表真实运行条件的同步高分辨率测量。大量实验表明，所提出的方法显著优于现有基线。
引用
@article{arxiv.2604.10166,
title = {Virtual Smart Metering in District Heating Networks via Heterogeneous Spatial-Temporal Graph Neural Networks},
author = {Keivan Faghih Niresi and Christian Møller Jensen and Carsten Skovmose Kallesøe and Rafael Wisniewski and Olga Fink},
journal= {arXiv preprint arXiv:2604.10166},
year = {2026}
}