您尚未登录/注册
首页>科学
论文推荐|融合GIS地热资源的“地热++”供热系统的模拟与优化方法
现代地质 2026-11-16 09:11:34

融合GIS地热资源的“地热++”供热系统的模拟与优化方法

孙彩霞1,2,李明2,褚金祥1,吕强强1,殷升阳1,张猛1

  1. 中石化绿源地热能开发有限公司,河北 雄安新区 071800

  2.  极地绿色能源技术 (北京) 有限公司,北京 100020

DOI:10.19657/j.geoscience.1000-8527.202604230132

摘要

地热直接利用是低碳供热体系的重要组成部分,因其具有稳定、经济、绿色的特点,正逐步成为多能互补供热系统中的基础负荷。本研究构建了融合地理信息系统(GIS)的“地热++”多能互补供热系统模拟与优化框架。该框架以中深层地热为基础负荷,耦合多种清洁能源,并基于GIS平台集成地热赋存条件、地质构造、地温场分布、地理空间、能源价格及区域热需求等多源数据,实现了资源评价、经济评估与智能调控的深度协同。与以往研究多聚焦单一环节不同,该框架实现了规划、设计、运行全生命周期的一体化贯通。案例研究表明,在一个约35万平方米的地热供暖项目中,“地热 + 燃气锅炉”方案的内部收益率最高,达12.7%;“地热 + 太阳能”方案的二氧化碳减排效果最优,每年可达4303吨。所建立的基于注意力机制LSTM的室温预测模型在实际应用中使供暖单平米能耗成本降低12%。研究进一步分析与展望了“地热++”模型在资源预测、可持续性评价、系统智能调控方面的应用前景,为提升区域能源系统的运行效率与智能化水平提供了技术支撑。

Abstract

Geothermal direct utilization plays a significant role in low-carbon heating systems. Its stability, cost-effectiveness, and environmental friendliness make it increasingly suitable for meeting baseload demand in multi-energy heating systems. This study developed a simulation and optimization framework for a “Geothermal++” multi-energy complementary heating system integrated with a Geographic Information System (GIS). The framework uses medium-deep geothermal energy as the baseload, coupled with multiple clean energy sources. It integrates multi-source data on geothermal resource conditions, geological structures, geothermal temperature field distribution, geospatial information, energy prices, and regional heating demand within a GIS platform, linking resource assessment, economic evaluation, and intelligent operation. Unlike most existing studies that focus on a single stage, the proposed framework achieves unified integration across the full lifecycle of planning, design, and operation. A case study demonstrates that in a 350,000-square-meter heating project, the “Geothermal + gas boiler” scheme achieves the highest internal rate of return at 12.7%, while the “Geothermal + solar” scheme delivers the optimal CO₂ reduction, reaching 4,303 tons per year. The developed attention-based LSTM room temperature prediction model reduces heating energy consumption cost per square meter by 12% in practical application. The study further explores the application prospects of the “Geothermal++” model in resource prediction, sustainability assessment and intelligent system regulation, providing technical support for enhancing the operational efficiency and intelligence level of regional energy systems.

关键词

地热供暖; 地热++; 多能互补; 地理信息系统(GIS); 智能调控; 技术经济分析

Keywords

geothermal heating; geothermal++; multi-energy complementarity; Geographic Information System (GIS); intelligent control; techno-economic analysis

引用本文:

孙彩霞,李明,褚金祥,等.融合GIS地热资源的“地热++”供热系统的模拟与优化方法[J].现代地质,2026,40(5):1733-1746.DOI:10.19657/j.geoscience.1000-8527.202604230132.

SUN Caixia,LI Ming,CHU Jinxiang,et al.Simulation and Optimization Methods for the “Geothermal++” Heating System Integrating GIS-based Geothermal Resources[J].GEOSCIENCE,2026,40(5):1733-1746.DOI:10.19657/j.geoscience.1000-8527.202604230132.

0 引言

供暖与制冷是全球最大的终端能源消费领域,其消费量约占全球总量的一半,远超电力(20%)与交通(30%)的占比[1]。与此同时,该领域也贡献了全球40%以上与能源相关的二氧化碳排放[1]。地热供热是利用地下岩土体或地热流体中的热能,通过直接换热或热泵提升,实现建筑供暖与生活热水供应的一种清洁供能方式。根据资源埋深与温度条件,通常分为浅层地热与中深层地热,其中中深层地热因温度较高、能量密度大,更适合用于区域集中供热系统[2]。地热供热系统在区域供暖方面的潜力巨大,相较于其他可再生能源地热能系统有较低的碳排放[3]。地热供热主要有三方面优势:一是供能稳定,受气候和昼夜变化影响较小,适合承担基础供热负荷;二是碳排放较低,可替代燃煤、燃气供热,减少碳排放和大气污染物排放;三是与低温供热系统(如第四代区域供热)相匹配,通过合理降低供回水温度,可提高地热利用效率和系统能效[4]。

然而,地热供热仍面临一定挑战。一方面,地热资源空间分布不均,勘探难度大,部分资源远离热负荷中心,限制了经济性开发[5];另一方面,项目多为分布式供暖项目,对智能调控有更高的要求。因此,如何通过系统集成与技术优化,提高地热供热的经济性与适用性,是当前研究的重要方向。

针对当前地热开发中规划较粗放、多能互补协同效率不高、运行较多依赖人工经验等问题,本研究提出一种与GIS相结合的“地热++”协同优化仿真模型。该模型在传统“地热+”模式,即地热能与其他清洁能源进行简单耦合的基础上,进一步引入了GIS空间数据库与AI调控,用于地热供热系统在规划、设计与运行阶段的数字化管理。

该模型在GIS平台上整合地质、资源、负荷、经济与政策等数据,形成空间信息数据库,为资源预测和系统规划提供输入;在此基础上,可行性研究模块通过技术经济仿真对多个方案进行收益模拟和投资决策分析,智能调控模块则利用神经网络模型调整供能策略,用于运行阶段的优化与节能。模型共用同一套数据,贯穿规划、设计与运行的全过程。

1 研究现状

1.1 GIS技术在地热领域的应用

GIS(地理信息系统)在地热领域的应用日益广泛,主要用于资源评价、管理与可持续性评估。在地热资源评价方面,GIS通过整合多源地质、地球物理和遥感数据,构建综合信息模型,实现了资源潜力的精准评估与靶区圈定。例如,研究者利用GIS平台,基于地质构造、勘探数据等要素叠加分析,通过数学模型计算进一步优选勘查靶区,有效降低勘探风险[6 - 8]。同样,基于GIS的成藏组合分析(Play Fairway Analysis, PFA)通过整合地质、地球物理及地表等多源空间数据,识别并量化地热有利区与勘探风险,为资源潜力评价和勘探靶区优选提供依据。该方法已应用于阿根廷西北部地热勘探,通过对温泉、火山、断层等多种证据层进行统计加权与空间集成,成功识别出高潜力区域,为数据稀疏区的勘探提供了有效途径[9]。此外,近年来PFA技术在地热资源评价中不断融入机器学习与多准则决策方法,进一步提升了资源预测的精度与风险评估的量化水平[10]。例如,Smith等[11]结合监督与无监督学习生成附带置信区间的地热潜力概率图;Forson等[12]通过层次分析法生成深部有利度与风险图;Siler等[13]应用模糊逻辑识别未开发远景区;DeAngelo等[14]则构建了基于GIS的标准化PFA工作流程,系统评估盲区资源潜力与勘探风险。这些进展共同推动了地热勘探向更量化、可解释及风险可控的方向发展。近年来,针对中深层地热资源的评价研究进一步结合综合地球物理勘查[15]、地质构造分析[16]和多指标评价方法[17 - 18],为资源靶区识别与开发部署提供了依据。相关研究已应用于内黄隆起奥陶系岩溶热储[19]、开封坳陷中牟凹陷馆陶组砂岩热储[20]及长庆油田区[21]等地,开展热储空间展布、资源量评价和开发潜力分析;多源数据融合建模与热–流耦合模拟也被用于刻画地热资源分布及其成因机制[22]。

在管理与可持续性评估方面,其功能从二维空间叠加分析发展到高精度的三维地质建模[23-26],并已扩展到温度场、压力场和有效热储评价,用于支持地热田资源量计算及开发方案制定[27]。例如,在雄安新区的研究中,通过整合多源数据构建三维地热模型,为资源潜力评估与开发方案优化提供了可靠依据[26]。增强型地热系统热–水动力–力学(THM)耦合模拟[28]以及面向地热场景的专业化数值模拟软件“地热计算器”[29]进一步拓展了数值模拟技术在地热资源评价与开发中的应用。天津市则通过GIS平台汇集地热井温度、压力和流量等监测数据,实现开采状况的动态展示、统计分析与信息化监管[30]。GIS技术贯穿了地热资源从调查评价、开发监测到可持续性评价的全生命周期,显著提升了能源资源勘查的精度与管理效率。

1.2 多能互补供热系统

多能互补供热技术是推动区域供热清洁低碳转型的核心路径。其理念在于整合多种能源,通过优化配置与梯级利用提升综合能效、保障供热安全并降低排放。第四代区域供热(4GDH)是实现低碳、高效和灵活能源系统的未来保障解决方案。作为传统区域供热的演进,4GDH具有低温供应(60 ~ 70 ℃)、可再生能源的整合以及智能热网等特点[4]。

在技术路线上,系统普遍采用“基础负荷 + 调峰负荷”的架构[31 - 35]。传统热电联产或集中热网通常承担基础负荷,而多种清洁能源(如地热能、空气能、太阳能、工业余热等)作为调峰或补充;而对中深层地热资源丰富的地区,则形成“地热+多种清洁能源”的互补系统。运行策略是发挥多能互补效益的关键。研究普遍遵循“清洁能源优先、按运行成本排序启用”的原则,更精细的策略是基于负荷分级(基础、调节、调峰),为不同负荷段匹配最适宜能源,以实现技术经济最优[32, 36, 37]。例如优先利用地热能作为基础负荷,然后利用高效水源热泵作为调节负荷,最后启用燃气锅炉调峰。

随着多能源耦合系统日益复杂、运行环境不断变化,基于预测的智能调度对提高系统效率和经济性的作用愈发突出,这也为人工智能和大数据技术在该领域的应用创造了条件。

1.3 AI赋能的智能调控技术

近年来,人工智能技术在地热资源勘探、开发与利用全过程中的应用不断深化,正推动地热产业向智能化、多能协同与全链条优化方向发展,并逐步形成“智慧地热田”与智能控制系统的发展趋势[16, 38]。区域供暖系统正在经历一场重要转型,逐渐向水温更低、效率更高的第四代(4GDH)和第五代(5GDH)系统发展[4]。数字化与机器学习(ML)被视为实现这一转型的关键技术。通过利用数据采集与监控(SCADA)平台收集的气象数据、系统运行参数及室内温度信息,并在热力中心层面建立人工智能模型,可以实现更精准、个性化的供水温度预测。近年来,随着物联网(IoT)传感器与数据采集技术(如SCADA系统)的普及,区域供热系统已积累了大量的运行数据,为机器学习应用提供了基础。在地热开发应用中,研究者已采用长短期记忆网络、随机森林和XGBoost等模型预测地热井水温,为井组运行和开发决策提供支持[39]。

AI赋能的智能调控技术已成为提升集中供热与区域能源系统运行效率的关键方向,其核心技术路径主要涵盖精准负荷预测、优化运行控制与智能故障诊断三大环节[40]。在短期热负荷预测方面,结合卷积神经网络(CNN)与长短期记忆网络(LSTM)的深度学习混合模型,已成为当前主流研究方法。例如,并行CNN-LSTM注意力机制模型[41]与串行CNN-LSTM模型[42]均在预测精度上展现出良好性能。然而,相关研究仍存在一定局限,超过70%的机器学习研究集中于负荷预测[43],故障检测相关的实际需求尚不满足,表明该领域需进一步拓展研究方向。

综上所述,GIS、多能互补与人工智能在地热供热领域已各自积累了较多研究[44],但彼此之间的衔接仍不充分:已有工作大多围绕资源评价、系统设计或运行控制中的某一环节展开,将三者贯穿起来、覆盖资源、规划、设计和运行全过程的集成方法还比较少见。本文即针对这一缺口,尝试把GIS的空间分析、多能互补系统的集成设计与基于AI的运行优化纳入同一个仿真与优化框架,用于中深层地热供暖系统的规划与运行。

2 研究方法

如图1思维导图所示,本研究构建了与GIS深度耦合的“地热++”多能协同优化仿真模型,其技术架构包含四个核心模块:

图 1  “地热++”系统思维导图

Fig. 1  “Geothermal++” system mind map

(1)GIS空间信息数据库:集成地质结构、地热田分布、储层物性参数(渗透性、孔隙率)、地热井运行数据(温度、流量、深度),以及公用事业价格、人口分布、供暖制冷需求等经济社会数据,构建统一的空间数据管理平台,为资源勘探和项目评估提供数据支持。

(2)可行性研究模块:基于GIS数据库输出,构建动态现金流模型,涵盖建设投资、营运资金、运行成本、增值税、营业收入等全周期经济参数;通过多方案仿真模拟,实现设计优化与运行优化,为项目投资提供量化评估依据。

(3)系统设计模块:以中深层地热能为基础负荷,耦合多种清洁能源,包括:地热加燃气调峰、地热加谷电蓄热、地热加浅层地源/污水源/空气源热泵、地热加工业余热及太阳能光热,构建多能互补的供能系统。

(4)智能控制模块:融合热负荷预测(设计参数、气象预测)、人工智能模型(大数据、神经网络、建筑热惰性、峰谷电制度)等算法,输出热泵设定温度、地热水流量等运行指导参数,实现系统运行的自适应调控。

上述模块之间通过数据和决策流程衔接:系统设计模块依据可行性研究和仿真的结果,对技术经济参数进行优化;智能控制模块再结合实时运行数据生成运行控制策略。由此,数据、仿真与执行构成闭环,服务于区域清洁供热系统从规划到运行各阶段的决策。

2.1 GIS数据平台

在地热资源勘探中,GIS强大的数据库整合与管理能力是进行资源筛选与分析的基础。该GIS数据库集成了多源、多尺度的空间与属性数据,主要包含以下几类关键信息:(1)地质与地球物理数据:如地质图、断层、热流值、地温梯度等,用于识别热源和储层;(2)钻井与地球化学数据:包括钻井轨迹、岩性、地热流体化学特征,以评估储层温度与流体性质;(3)水文与地表数据:涵盖地下水补给、泉点分布、数字高程模型(DEM)等,用以分析流体循环与补给潜力;(4)市场与基础设施数据:包括人口中心、工业/农业区、供热/电网、道路网络及土地利用情况,用于评估资源开发的经济性与可行性。这些数据来源于各国地质调查机构、公开数据仓库及在线GIS服务器,在统一的GIS平台中进行空间叠加、分析与可视化,为后续的成藏组合分析(PFA)、热储建模和可行性研究提供了完备的数据支撑。

PFA 方法正是构建于上述综合数据库之上,并通过一套标准化的定量评分与加权模型来评估项目潜力。其典型流程如下:首先,围绕资源禀赋、技术条件和社会经济三大核心属性,对一系列具体的GIS数据图层(即证据层)进行评估。每个图层都根据预设的函数或数值区间被赋予1至5的评分,其中1代表潜力低,5代表潜力高。之后,通过加权求和计算出各子属性的得分。例如,在评价资源禀赋时,可将其拆分为热源潜力和储层与渗透性潜力两个子属性。热源潜力可定义为地热流和地温梯度两个图层的加权和,各占50%的权重。而储层与渗透性潜力则可能是岩石类型、储层深度、距断层距离等图层的加权组合,例如,岩石类型图占35%,储层深度占25%,断层因素占40%。最后,各子属性得分再按其权重汇总,最终得到整个资源禀赋属性的总分。这种结构化、定量化的方法,使得对资源潜力的评估更加系统、透明和可比较。

为了实现地热资源的可持续开发,本研究也构建了热储建模技术流程:首先,基于地质、钻井及历史运行数据建立三维TOUGH2数值模型;随后进行压力信号测试以调整模型参数,基本方法为以一组试验井(两口生产井和两口回灌井)和周围观测井为目标,连续的变流量运行这组试验井一段时间,利用传感器采集这段时间内所有井的水位变化的高频数据;最后,通过手动拟合调整储层渗透率等关键参数,使模拟结果与压力信号测试的观测压力趋势基本吻合,完成模型的校准与验证。校验完成后的模型用于预测热储层的温度、压力等参数的变化,指导生产运营。

2.2 可行性研究

项目生命周期包括可行性研究、设计、建设与运行阶段。其中,可行性研究作为重要的决策关口,对项目进行全面的技术与经济分析,其质量直接决定了项目的成功率和盈利水平。由于地热项目以区域分布式开发为主,项目数量多、区域差异性强,几乎每个项目均需开展独立的可行性分析。在可行性研究中关键衡量指标包括:总投资、运行成本、净现金流、内部收益率(IRR)和投资回收期等。

地热出水温度与流量等核心资源参数通常需在钻井完成后方可最终确定,因此属于典型的不确定性输入参数。此外,供热价格与补贴政策受商业谈判影响,早期难以明确。因此,对主要变量进行敏感性分析尤为重要。本研究选取地热水温、出水流量、供热价格、补贴金额、水价、电价、天然气价格及资源税共八项关键参数,构建收益率敏感性分析模型,系统评估不同参数变化对项目经济性的影响,为项目投资决策与风险控制提供量化依据。

2.3 系统设计

“地热+”仿真模型以中深层地热能为基础能源,结合多种能源形式作为调峰补充,实现高质量的清洁供热。如图2所示,“地热+”系统流程为:高温地热水由潜水泵从生产井输送至能源站,经旋流除砂器去除大部分固体颗粒物后,进入一级换热器与二次网水进行初步换热;随后进入二级换热器,通过热泵进一步提取热量;最后,地热水经过滤器去除微小颗粒物后回灌至回灌井。二次网中的热水由能源站输送至用户端,为建筑提供热量。当建筑热负荷需求较高时,峰值负荷由其他能源形式补充满足。“地热+”供热系统由基础负荷与调峰负荷两部分构成。其中,基础负荷主要由换热器与水源热泵依次承担,水源热泵的引入实现了地热能的梯级利用,显著提升了地热资源的利用效率。调峰负荷则由多种其他能源形式补充,包括燃气锅炉、空气源热泵、浅层地源热泵、污水源热泵、工业余热、光热以及电锅炉蓄热等。

图2  “地热+”系统及智能控制系统

Fig. 2  “Geothermal+” system and intelligent control system

由于地热能具有前期投资较高、运行成本低且产能稳定的特点,非常适合作为区域供热系统的基础负荷,覆盖供暖季的大部分热量需求。而调峰负荷在总热量中占比较小,适合由那些前期投资较低但运行成本较高的能源形式加以补充。通过将地热能与多种能源形式有机结合,显著提升了系统的整体运行效率与经济性。

本系统的控制架构采用集中监控与现场控制相结合的方式。如图2所示,潜水泵、热泵、二网循环泵及调峰单元等核心设备由上位 SCADA 系统实施集中监控与调度;而排气罐液位、管网压力以及热泵进出口电动开关阀等现场装置的快速调节与联锁保护,则由本地 PLC 完成自主控制。所有设备的运行数据均实时上传至 SCADA 系统,实现全系统数据的统一采集、存储与管理。

2.4 智能控制

根据国家标准《民用建筑供暖通风与空气调节设计规范》(GB50736-2012),供暖室内计算温度一般取18 ℃至24 ℃。为了在确保建筑室内温度维持在适宜范围的同时降低能源消耗,需根据热负荷的变化动态调整系统出力。建筑的热负荷受气象条件、居民习惯以及建筑类型等多种因素影响,其中室外温度是主因。

本研究采用IWEC (International Weather for Energy Calculations) 逐时室外干球温度作为计算依据。IWEC 数据集由美国供暖、制冷与空调工程师协会(ASHRAE)编制,广泛应用于建筑能耗模拟、暖通空调(HVAC)系统设计及可再生能源系统优化等领域。图3展示了一个典型供暖季(11月15日至次年3月15日)的逐时室外干球温度数据。冬季室外供暖计算温度则基于规定不保证天数下的最冷日平均温度确定,具体参考见GB50736附录A。

图3  供暖季室外干球温度

Fig. 3  Outdoor dry-bulb temperature during the heating season

在不考虑风速、风向和太阳辐射热等因素变化的前提下,可依据供热负荷与室内外温差的线性关系,建立实际热负荷与设计热负荷之间的对应关系:

(1)

式中,qf指tw下的实际热指标kW/m2,qf指tw下的设计热指标kW/m2,tn指供暖室内温度℃,tw指供暖室外温度℃,tw'指供暖室外计算温度℃。供暖热负荷是供热系统的基础参数之一,直接由供暖面积和单位面积热指标决定。其中,供暖面积通常由项目建设规模和使用功能需求确定,反映了建筑在采暖季需要供热的总空间范围。而单位面积热指标(kW/m²)则取决于建筑的节能设计水平、围护结构热工性能、气候区划和室外温度等因素,是衡量建筑单位面积热需求的重要标准。

(2)

式中,Qn指供暖热负荷kW,qf指供暖热指标kW/m²,F指供暖面积m²。

以上传统热负荷计算是基于室外温度的稳态假设,然而地热供暖系统是一个复杂的非线性系统,其运行受天气变化、建筑热惰性、用户行为等多种因素影响。实际传热过程具有显著的瞬态特性,尤其在昼夜温差大的情况下,稳态假设不再适用。Sun[45]对西藏羊八井地热区域的研究表明,现代建筑因其较大的热质量而具有更稳定的供暖性能,动态模拟能更准确地反映系统实际运行状态。

如图4,本研究提出一套数据驱动的智能地热供暖控制架构。该架构以SCADA系统实时采集的气象、设备运行与室内温度数据为基础,利用LSTM时间序列模型学习系统热滞后与建筑热惰性规律。建立了三层控制逻辑:首先建立室内温度预测模型,进而以舒适温度范围(18 ~ 24 ℃)为目标,反推所需二次供水温度等参数,最后通过热力学模型调节潜水泵、热泵等设备的运行状态。在此基础上,结合分时电价机制与建筑热惰性,设计谷电蓄热策略,在电价低谷时段增加蓄热,实现热能的时间转移,从而显著提升系统运行的经济性。

图4  智慧控制流程图

Fig. 4  Smart control flowchart

同时,本研究构建了基于数字孪生的预测性维护框架,将设备健康状态评估纳入系统管理。该框架拟以轴承振动以及热泵蒸发器和冷凝器的温度、压力等关键参数为监测对象,通过对比设备实测数据与数字孪生模型的预设阈值,识别设备运行异常及性能退化趋势;进一步融合历史运行数据与维护记录,为故障预警及检修计划优化提供依据。预测性维护是未来的重点工作之一,后续将重点开展关键设备故障特征提取、剩余使用寿命预测及维护策略的现场验证,逐步推动设备管理由被动维修向主动健康管理转变,为地热供暖系统的长期可靠运行提供支撑。

基础特征包括二次网供回水温度、流量、室外温度、风速、风向角、天气状况及室内温度。派生特征包括供热量、供回水温差、各参数变化率及时序特征,以反映系统热负荷动态。通过异常值识别、缺失值填补与特征工程进行数据预处理。构建基于注意力机制的LSTM神经网络模型,模型输入过去24小时特征数据,经双层LSTM(每层64单元)提取时序特征,注意力层自适应学习历史时刻的重要性权重,经全连接层(32神经元)输出预测室温。采用平均绝对误差(MAE)作为评价指标:

(3)

式中,n指样本数量,yi表示第 i 个样本的真实值,表示第i个样本的预测值。

本研究比较了不同的模型结构与回溯时间窗口。表现最佳的模型采用双层单向LSTM结构提取历史时间序列的时序特征,并在第二层LSTM后引入注意力机制,以自适应地学习不同历史时刻对当前预测的重要性权重。模型训练采用Adam优化器,并结合学习率预热、动态学习率调整及早停策略以防止过拟合。该模型表现出较好的拟合效果,训练集MAE = 0.159 ℃,测试集MAE = 0.219 ℃。图5与图6分别展示了模型在训练集和测试集上的数值和精度。实际应用要求模型具备滚动预测能力。如图7所示,利用过去一段时期的数据,包括二次网供回水温度、流量、室外温度、风速、风向角和天气状况,对未来24小时的室内温度进行预测,预测平均偏差MAE为0.06 ℃。

图5  训练集中预测室内温度与实际室内温度的对比

Fig. 5  Comparison of predicted and actual indoor temperature in the training set

图6  测试集上预测室内温度与实际室内温度的对比

Fig. 6  Comparison of predicted and actual indoor temperature in the test set

图7  模型滚动预测示例

Fig. 7  Rolling prediction by the model

基于所构建的室温预测模型,进一步建立“目标室温-理想控制参数”的反推机制:设定合理的室内温度目标区间后,逆向求解最优的供水温度、热负荷等参数,据此生成换热站设备的实时控制策略。这一闭环控制方法在保证热舒适度的前提下,能够有效降低系统能耗,实现供热系统的精细化节能运行。

3 结果与讨论

3.1 资源评价与热储模拟

本研究构建的GIS数据库,集成了地质、资源、地理及社会经济等多源信息,构成“地热++”系统规划与优化的数据基础。图8和图9分别展示了基于GIS数据库的PFA分析结果和热储模拟结果。在PFA分析框架下,首先识别重点区内的成藏组合,即地热系统成因要素:热源、渗透性及流体补给,进而从地理空间层面对评价因子进行刻画与量化。在此基础上,围绕热源潜力(温度、大地热流与地温计等)、储层与渗透率潜力(岩性、断裂发育程度、渗透率与孔隙度等)以及流体与补给潜力(地下水补给、地表显示与水位)构建多证据图层,并将各证据层按其对成藏条件的贡献划分为1至5级(1级最低、5级最高)。分级标准分三类:(1)对储层温度、热储埋深、断裂距离等物理意义明确的属性,采用专家经验阈值区间划分,如储层温度 < 75、75 ~ 100、100 ~125、125 ~ 150、> 150 ℃分别对应1至5级;(2)对大地热流、渗透率、孔隙度等缺乏统一阈值的连续属性,采用P10—P50—P90分位数映射为1、3、5级;(3)对温泉等点状分布按显示密度划分为1至5级。如图8所示,通过基于GIS的成藏组合分析(PFA)方法,对多证据图层进行空间叠加与定量评价,其中图8(a)为渗透性等级分布,图8(b)为温度等级分布,生成了匈牙利碳酸盐岩储层的潜力等级分布图。加权叠加结果显示,高潜力区(4 — 5级)主要分布于盆地周缘隆起区及深大断裂沿线,与已揭示的地热异常带相吻合,从而为圈定优先勘探靶区提供科学依据。

图8  基于PFA的匈牙利碳酸盐岩储层总等级分布图

Fig. 8  Total grade distribution of Hungarian carbonate reservoirs based on play fairway analysis (PFA)

(a) 渗透性等级分布;(b)温度等级分布;(c) 结合热储温度和渗透性的总等级分布。等级划分为1 — 5级:1级表示成藏条件最差,2级较差,3级中等,4级较好,5级最好;4 — 5级为高潜力区,3级为中等潜力区,1 — 2级为低潜力区。

图9  清河地热田模型生产与回灌100年后的温度分布预测

Fig. 9  Predicted temperature distribution of the Qinghe geothermal field model after 100 years of production and reinjection

清河地热田热储长期预测采用在压力信号试验校正参数基础上建立的TOUGH2模型。模型覆盖故城隆起构造单元,平面范围为70 km × 105 km,共包含79551个单元和92口井,其中生产井与回灌井各46口;模型边界采用封闭边界,初始条件及物性参数与局部精细模型保持一致。预测期设为100年,用于考察不同开采与回灌条件下储层压力和温度的长期演化。基准情景采用现阶段典型供暖季单井平均开采流量(约70 ~ 90 m3/h),并分别设置90%、95%、98%和100%的回灌率。上述情景用于比较不同运行方式下的储层响应。图9所示的清河地热田热储模拟温度预测结果表明,在100年的模拟期内,大部分生产井的储层平均温度变化很小(0.2 ~ 0.8 ℃),仅少数井平均降温略高于1 ~ 2 ℃。所有回灌井温度已降至30 ℃以下(与回注流体温度一致),而生产井温度保持相对稳定,进一步证明未发生大规模热突破。该数据库为资源评价、系统规划到可持续性评价提供了数据基础。

3.2 可行性评估模型

经济测评模块(图10)包含输入区、图表区和输出区三个功能板块。输入区用于配置项目参数,包括经济、技术参数。其中经济参数已集成在模型数据库和GIS数据库中,包括供暖费、补贴费、水费、电费、燃气费等。技术参数则根据所选“地热+”系统自动加载,如设计条件、温度、效率、COP等。图表区通过负荷变化曲线和能耗结构饼图等展示计算结果,输出区则集中显示总投资、单位投资、收益率、回收期等经济测评指标,以及热负荷、耗气量、COP、CO2减排量等技术参数,为“地热+”系统的可行性评估提供全面依据。

图 10  经济测评模块界面

Fig. 10  Interface of the economic evaluation module

以中国北方某城市的一个地热区域供暖项目A为案例进行研究。该项目服务于一个住宅社区,总供暖面积为35万m2。地热开采水温为70 ℃,回灌温度为15 ℃,流量为100 m3/小时。采灌井按1对1方式配置,井深2500 m,井口至能源站的地热水输送管线总长度2000 m。室内设计温度为20 ℃,室外计算温度为-7 ℃。年供暖时长为2904小时。

为评估不同系统配置的技术经济性,本研究比较了七种结合了不同调峰热源的“地热+”系统组合。评估指标包括资本性支出、首年运营成本、内部收益率、投资回收期、年耗电量及二氧化碳减排量。电、水、天然气价格及相关税费均依据当地价格政策计算。

研究中考虑的调峰热源包括:浅层地源热泵系统:供温10 ℃,回温5 ℃;污水源热泵系统:污水温度14 ℃,回温9 ℃;工业余热回收系统:供温30 ℃,回温20 ℃;太阳能光热系统:平均太阳辐照强度为4 kJ/m2。

表1展示了七种“地热+”系统配置的比较结果。其中,地热+燃气锅炉方案显示出更高的内部收益率和更短的投资回收期,经济性突出,主要原因是燃气锅炉在总供热量占比仅约5%。相比之下,地热+电锅炉系统虽然结构简单,但内部收益率最低,耗电量最高。地热+太阳能方案得益于太阳能光热系统运行过程中零排放的特点,该方案在碳减排方面表现最佳。

表1  七种“地热+”系统配置的技术经济比较结果

Table 1  Technical and economic comparison of seven “Geothermal+” system configurations

项目A的逐时供热负荷和设备利用率(图11)根据IWEC室外气象数据计算得出,据此可以计算设备的运行状态与能耗。供热负荷延时曲线如图12所示。从装机容量来看,燃气锅炉约占21.5%,但在整个供暖季的实际供热量中,其贡献仅占5%左右,绝大部分热量来自地热能,其中板换直供和热泵承担了供热的主体部分。

图11  项目A逐时供热负荷

Fig. 11  Hourly heating load of project A

图12  项目A延时曲线

Fig. 12  Load duration curve of project A

经济数据基于供热负荷计算结果进行测算,这些数据影响着投资成本、运营成本及潜在收益等关键参数,从而有助于评估供热系统的财务表现与可行性。内部收益率(IRR = 12.7%)与投资回收期可根据净现金流量进行计算,如图13所示。

图13  项目A净现金流图

Fig. 13  Net cash flow of project A

本研究设定了八个敏感性参数:地热水温度、流量、供热价格、补贴额、水价、电价、天然气价格和资源税。该模型支持任意选择两个参数,分析其对项目内部收益率(IRR)的影响。图14和图15展示了地热水流量、温度、暖费价格和燃气价格对项目收益率的敏感性分析,其中图14为地热水温度和流量对项目内部收益率的联合影响,图15为暖费价格与燃气费用对项目内部收益率的影响。结果显示暖费价格对内部收益率的影响较明显,燃气费用对内部收益率的影响较小,原因是燃气作为调峰能源对总成本的影响较小,其仅占总供热量的5%。

图14  地热水温度与流量对内部收益率的联合影响

Fig.14  The combined effect of geothermal water temperature and flow rate on the internal rate of return

图15  暖费价格与燃气费用对项目内部收益率的影响

Fig.15  The impact of heating fee prices and gas costs on the project's internal rate of return

3.3 智能供热

基于人工智能的热负荷控制模型以室外温度预测、历史运行数据及系统设计参数为输入,建立热负荷与室外气象条件间的动态映射关系,从而对供热系统中热泵机组、潜水泵、循环泵及调峰设备等实施自动调节,最终使换热站的热量输出与建筑用热需求实时匹配,在保障室温达标的同时避免过量供热造成的热量浪费。

以地热供暖项目A为例,图16给出了2025 — 2026年供暖季(2026年1月 — 2月)二次网供水温度与室外温度的实际运行曲线。该期间室外温度在-12 ~ 14 ℃之间波动,显示在此期间经历了多次寒潮降温过程,模型根据输入信息自动匹配适宜的热负荷与二次网供水温度,随室外温度变化进行小幅动态微调,将其稳定控制在35 ~ 40 ℃的目标区间内。整个调节过程借助SCADA系统实现远程自动控制,显著降低了运行人员的干预强度。

图 16  2025 — 2026年供暖季项目A供水温度曲线

Fig. 16  Supply water temperature curve of Project A for the 2025 to 2026 heating season

在此基础上,系统进一步引入基于峰谷电价差异的负荷优化调度策略:在总供暖负荷保持不变的前提下,利用建筑与管网的热惰性,将部分峰电价时段的热负荷转移至谷电价时段运行,即谷段提前蓄热、峰段削减电耗设备出力。图17展示了典型连续48小时内优化调度前后的运行成本对比:优化前,运行成本在每日峰电价时段出现约170元/小时的显著峰值;优化后,峰段成本被大幅削减,全时段成本趋于平坦,稳定在42 ~ 130元/小时区间。统计表明,峰谷负荷优化调度使该示例周期内电耗降低15.1%,节能效果显著。从实际运行结果看,2025 — 2026供暖季系统节能效果显著,供暖单位面积综合能耗成本同比降低12%。

图 17  2025 — 2026年供暖季48小时成本曲线

Fig. 17  The 48-hour cost curve for the 2025 to 2026 heating season

4 结论

本研究针对中深层水热型地热供暖系统的规划设计与运行调控问题,构建了融合GIS的“地热++”多能互补供热系统,主要认识如下:

(1)将地热资源的空间分布与负荷需求、能源配置及经济性分析相结合,可为区域供热规划和项目方案比选提供定量依据,并衔接规划设计与运行优化。

(2)可行性评估模型计算的案例中,“地热+燃气锅炉”方案的经济性较好,“地热+太阳能”方案的减排效益更为突出,需结合当地资源条件和项目需求确定能源组合。

(3)智慧供热模型的调控策略在案例中,使单位供暖面积能耗成本降低了12%,表明利用室温预测和峰谷电制度调整供热运行具有一定节能效果。

后续研究将结合热储模型与长期监测数据,完善地热储层产能和温度的动态预测,并开展关键设备状态评估与故障预警研究。

基金项目

中石化绿源地热能开发有限公司科技项目“智慧地热能供热系统”(B-2025-06-01)。

参考文献

[1] IRENA. Power to heat and cooling: Status[EB/OL]. (2023.06.20). [2026-03-18]. https://www.irena.org/Innovation-landscape-for-smart-electrification/Power-to-heat-and-cooling/Status.[百度学术]

[2] LUND J W, TOTH A N. Direct utilization of geothermal energy 2020 worldwide review[J]. Geothermics, 2021, 90: 101915.[百度学术]

[3] MALCHER X, TENORIO-RODRIGUEZ F C, FINKBEINER M, et al. Decarbonization of district heating: A systematic review of carbon footprint and key mitigation strategies[J]. Renewable and Sustainable Energy Reviews, 2025, 215: 115602.[百度学术]

[4] LUND H, WERNER S, WILTSHIRE R, et al. 4th generation district heating (4GDH): Integrating smart thermal grids into future sustainable energy systems[J]. Energy, 2014, 68: 1 - 11.[百度学术]

[5] 陈墨香. 中国地热资源的分布及其开发利用[J]. 自然资源, 1991(5): 40 - 46, 58.[百度学术]

[6] 李锋, 袁银凤. 基于GIS的徐州市地热资源潜力评价[J]. 能源技术与管理, 2023, 48(5): 132 - 135.[百度学术]

[7] 杨德金. 基于GIS技术的新乡市规划区地热资源评价[J]. 地下水, 2015, 37(5): 47 - 48, 62.[百度学术]

[8] 张延军, 余海, 李建明, 等. 深部水热型地热潜力区的GIS预测模型: 以土耳其西安纳托利亚地区为例[J]. 吉林大学学报(地球科学版), 2016, 46(3): 855 - 864.[百度学术]

[9] LINDSEY C R, AYLING B F, ASATO G, et al. Play fairway analysis for geothermal exploration in north-western Argentina[J]. Geothermics, 2021, 95: 102128.[百度学术]

[10] PAULING H, TAVERNA N, TRAINOR-GUITTON W, et al. Geothermal play fairway analysis best practices[R]. Golden, CO: National Renewable Energy Laboratory, 2023.[百度学术]

[11] SMITH C M, FAULDS J E, BROWN S, et al. Exploratory analysis of machine learning techniques in the Nevada geothermal play fairway analysis[J]. Geothermics, 2023, 111: 102693.[百度学术]

[12] FORSON C, STEELY A, CLADOUHOS T, et al. Geothermal play-fairway analysis of Washington State prospects: Phase 2 technical report[R]. Olympia, WA: Washington Geological Survey, 2017.[百度学术]

[13] SILER D L, ZHANG Y Q, SPYCHER N F, et al. Play-fairway analysis for geothermal resources and exploration risk in the Modoc Plateau region[J]. Geothermics, 2017, 69: 15 - 33.[百度学术]

[14] DEANGELO J, SHERVAIS J W, GLEN J M, et al. Geothermal play fairway analysis, part 2: GIS methodology[J]. Geothermics, 2024, 117: 102882.[百度学术]

[15] 马健, 王晓光, 刘明明, 等. 综合地球物理方法在中深层地热资源勘查中的应用综述[J]. 矿产勘查, 2024, 15(4): 623 - 633.[百度学术]

[16] 柏宗宪, 王宇飞, 郝杰, 等. 基于地质构造特征的地热资源评价及开发部署[J]. 油气藏评价与开发, 2024, 14(6): 834 - 841.[百度学术]

[17] 何东博, 任路, 郝杰, 等. 基于层次分析法的地热资源评价体系研究——以河北省曹妃甸地区中深层水热型砂岩储层为例[J]. 油气藏评价与开发, 2023, 13(6): 713 - 725.[百度学术]

[18] 黄志刚, 任战利, 郑庆荣, 等. 山西忻定盆地现今地热特征及地热资源赋存条件分析[J]. 现代地质, 2026, 40(2): 441 - 452.[百度学术]

[19] 章惠, 汪新伟, 周总瑛, 等. 渤海湾盆地内黄隆起东斜坡奥陶系岩溶热储地热资源评价[J]. 现代地质, 2024, 38(2): 398 - 408.[百度学术]

[20] 贺婷婷, 杜利, 谈心, 等. 开封坳陷中牟凹陷馆陶组砂岩热储地热系统成因模式及开发潜力[J]. 现代地质, 2024, 38(6): 1557 - 1570.[百度学术]

[21] 郭路, 夏岩, 段晨阳, 等. 长庆油田区中深层地热资源储量评价[J]. 油气藏评价与开发, 2023, 13(6): 749 - 756.[百度学术]

[22] 尹政, 陈庆祥, 何剑波, 等. 基于多源融合建模和热-流耦合模拟的张掖盆地地热资源分布特征及成因机制[J]. 地质科技通报, 2025, 44(5): 3 - 12.[百度学术]

[23] 马峰, 高俊, 王贵玲, 等. 雄安新区容城地热田碳酸盐岩热储采灌数值模拟[J]. 吉林大学学报(地球科学版), 2023, 53(5): 1534 - 1548.[百度学术]

[24] 李根生, 宋先知, 石宇, 等. 智慧地热田技术研究现状与系统构建方案[J]. 石油勘探与开发, 2024, 51(4): 899 - 909.[百度学术]

[25] 任小庆, 高小荣, 王红亮, 等. 多尺度离散裂缝三维精细地质建模及地热资源评价研究: 以渤海湾盆地献县地热田为例[J]. 油气藏评价与开发, 2025, 15(6): 1104 - 1111.[百度学术]

[26] 李红岩, 高小荣, 任小庆, 等. 雄安新区三维地热地质模型方法研究[J]. 地质与资源, 2024, 33(2): 222 - 229, 236.[百度学术]

[27] 丛淑飞, 周宏, 赵艳, 等. 大民屯凹陷沈水501中深层地热田三维地质建模技术研究[J]. 油气藏评价与开发, 2023, 13(6): 741 - 748.[百度学术]

[28] 冯波, 曹云龙, 齐晓飞, 等. 增强型地热系统开发热 - 水动力-力学(THM)耦合模拟——以河北马头营凸起区为例[J]. 吉林大学学报(地球科学版), 2023, 53(6): 1892 - 1906.[百度学术]

[29] 孔彦龙, 田小明, 黄永辉, 等. 地热计算器: 面向地热场景的数值模拟软件[J]. 水文地质工程地质, 2025, 52(5): 214 - 223.[百度学术]

[30] 张像源. 基于GIS技术的天津市地热资源实时监测与信息管理系统研究[J]. 城市地质, 2012, 7(1): 35 - 37.[百度学术]

[31] 高光跃. 北方地区多能互补供热技术路线的研究[J]. 区域供热, 2022(3): 38 - 44.[百度学术]

[32] 李六军, 王守金, 孟广亮, 等. 基于热泵的多能互补供热技术在燃气供热系统中的应用[J]. 暖通空调, 2023, 53(S2): 35 - 38.[百度学术]

[33] 林朵童, 白文明, 黄帅, 等. 中深层地源热泵多能互补供热系统运行特性的理论研究[J]. 制冷与空调, 2024, 24(8): 104 - 112.[百度学术]

[34] SUN F T, ZHAO X Y, CHEN X, et al. New configurations of district heating system based on natural gas and deep geothermal energy for higher energy efficiency in northern China[J]. Applied Thermal Engineering, 2019, 151: 439 - 450.[百度学术]

[35] 张科, 刘亚丽, 张国庆, 等. 中深层地热能与天然气互补供热系统设计优化[J]. 区域供热, 2025(4): 62 - 70.[百度学术]

[36] ZHENG G Z, LI F, TIAN Z, et al. Operation strategy analysis of a geothermal step utilization heating system[J]. Energy, 2012, 44(1): 458 - 468.[百度学术]

[37] WANG D, ZHI Y Q, JIA H J, et al. Optimal scheduling strategy of district integrated heat and power system with wind power and multiple energy stations considering thermal inertia of buildings under different heating regulation modes[J]. Applied Energy, 2019, 240: 341 - 358.[百度学术]

[38] 崔哲思, 黄学莲, 蒋恕, 等. 深度学习赋能深层地热资源勘探: 进展与趋势[J]. 地球科学, 2026, 51(3): 1144 - 1164.[百度学术]

[39] 董珮瑶, 杜利, 赵磊, 等. 机器学习模型在地热开发水温预测中的应用[J]. 地质科技通报, 2025, 44(3): 388 - 398.[百度学术]

[40] NTAKOLIA C, ANAGNOSTIS A, MOUSTAKIDIS S, et al. Machine learning applied on the district heating and cooling sector: A review[J]. Energy Systems, 2022, 13(1): 1 - 30.[百度学术]

[41] CHUNG W H, GU Y H, YOO S J. District heater load forecasting based on machine learning and parallel CNN-LSTM attention[J]. Energy, 2022, 246: 123350.[百度学术]

[42] SONG J C, ZHANG L Y, XUE G X, et al. Predicting hourly heating load in a district heating system based on a hybrid CNN-LSTM model[J]. Energy and Buildings, 2021, 243: 110998.[百度学术]

[43] MBIYDZENYUY G, NOWACZYK S, KNUTSSON H, et al. Opportunities for machine learning in district heating[J]. Applied Sciences, 2021, 11(13): 6112.[百度学术]

[44] 王笑妍, 朱东亚, 陈宏志, 等. 人工智能技术在地热领域的应用及发展趋势[J]. 新能源进展, 2025, 13(4): 457 - 464.[百度学术]

[45] SUN C X. Feasibility study of geothermal utilization of the Yangbajain field in Tibet Autonomous Region, PR China[R]. Reykjavik: United Nations University Geothermal Training Programme, 2008.[百度学术]


期刊介绍

《现代地质》

《现代地质》创刊于1987年,双月刊,是由教育部主管、中国地质大学(北京)主办的地球科学领域的综合性学术期刊。荣誉主编为邓军院士,主编为刘大锰教授。期刊秉承“百花开放,百家争鸣”的方针,以地球系统科学为核心框架,聚焦多圈层相互作用与跨学科交叉研究。目前被中国科学引文数据库(CSCD)、北大中文核心、中国科技核心以及SCOPUS数据库等收录。

主编介绍

刘大锰教授

刘大锰,教授,博士生导师,国务院政府特贴获得者,中国地质学会会士,长期从事煤层气地质勘探与开发。主持国家重点研发计划项目、国家自然科学重点基金等20余项。获国家科技进步二等奖1项、省部级科技成果一等奖4项和二等奖3项,北京市教育教学成果一等奖2项和二等奖1项;发表学术论文400余篇,SCI收录210余篇(第一作者/通讯作者100余篇),SCI他引10000余次,入选Elsevier中国高被引学者,斯坦福全球2%顶尖科学家;授权发明专利17件。据“科睿唯安”统计,有10篇ESI 1% 高被引论文。目前兼任《Unconventional Resources》共同主编,《Energy Reports》和《Energy Exploration and Exploitation》副主编。

现代地质GEOSCIENCE

排版 | 王晨畅

责任编辑 | 李龚健

审核 | 董立

【版权声明】本文内容来源于现代地质,版权归原作者及原媒体所有。本站仅作信息分享,不构成任何商业用途;如涉版权问题,请联系本站删除。

发布时间:2026-11-13 13:14:58


(第1/1页/共41687字/10阅)
首页>科学
相关科学:
如果材料只剩一层原子,它会变成什么样?
直接用空气合成C–N–O化学品?温和条件就搞定!| NSR
若地球成为土星的卫星,人类将面临什么恐怖和神奇的事情?
知识点:沉积岩的特征
吉林一村民夜驾遇3只幼虎,东北虎幼崽为何独自活动?见之须立即远离
*承接仿腾讯家园优惠建站业务
网友评论:
更多评论(0)
您的评论:

[热点科学]
曝C罗计划在沙特+五大洲办告别赛!拟邀请梅西 仍拒绝让热苏斯带队
德国3-1客胜九人塞尔维亚,格鲁达一条龙破门,哈弗茨、维尔茨建功
健康大家说|中国药促会首席专家宋瑞霖:医药创新迈入2.0时代,多层次支付、AI与国际化打开增量空间
什么信号?高盛拿苹果历史对标英伟达:当前风险回报比具有吸引力!
美股收盘:苹果、“美国茅台”再创新高 AI交易依然颠簸
[精彩推荐]
“收入榜前十,九个是中国平台”
中国近六成家庭户不超过两个人,会带来哪些变化?
男子花230多万元想圆“别墅梦”,收房时傻眼:房里基本没窗户,卫生间也不通风,“带花园商墅”其实是…
非标配置整改倒计时 部分理财收益、流动性或生变
古人用尿和海螺染出来的贵族紫,我们在家复刻成功了