《基于神经网络集中供热负荷预测与控制研究.doc》由会员分享，可在线阅读，更多相关《基于神经网络集中供热负荷预测与控制研究.doc（32页珍藏版）》请在三一办公上搜索。
1、基于神经网络集中供热负荷预测与控制研究摘 要 供热负荷预测是集中供热系统进行运行调节的前提和基础，也是集中供热系统优化控制的一个重要先决条件。正如前面所述，在集中供热系统中，为了保证节能和供热质量，热源处必须要很好的跟踪预测热用户的用热量。负荷预测就是在掌握负荷变化规律的基础上，充分考虑各种影响因素后，以一定的准确程度来预报未来某一时刻或某一时段的负荷大小。因此，对供热负荷进行准确预测，对于整个集中供热系统的运行管理、提高供热质量、节约能源、环境保护、改善人们的生活质量等都具有十分重要的意义。集中供热负荷的变化是典型的非线性变化，供热系统在确定建设规模，制定运行、检修计划方面面临许多因素的影响
2、。本文对神经网络BP算法供热负荷预测方面的应用在理论上做了一些研究，取得了比较满意的效果。本文利用BP神经网络理论和优化算法，建立了集中供热系统的自适应动态控制方案，仿真结果表明该控制方案克服了传统控制方案的缺点，大大提高了供热品质，节约了能源。关键词：集中供热；负荷预测；BP神经网络Based on neural network load forecast and control central heatingAbstractHeating load forecasting is central heating system to adjust the optimal control one
3、 of the important prerequisites. Therefore, the heating load forecasting advance precise forecast for heating the operation of the system management, improve heating quality, energy saving, environmental protection etc have very important significance.The central heating load changes is a typical no
4、nlinear variation, heating system in determining the construction scale, establishing operation and maintenance plan faces many factors influence. Based on neural network based on BP algorithm heating load forecasting applications in theory did some research and made satisfactory effect.This paper u
5、sing BP neural network theory and optimization algorithm, a concentrated heating system adaptive dynamic control scheme, the simulation results show that this control scheme overcome traditional control scheme shortcomings, greatly improving the heating quality, save the energy.Keywords: centralized
6、 heat supply; the load forecast; the BP neural network目 录摘 要IABSTRACTII1 绪 论11.1选题背景11.2目前供热负荷预测研究现状21.2.1各种供热负荷预测方法21.2.2现有预测方法的分析和存在的问题31.3 本论文研究的主要内容42 BP神经网络介绍52.1人工神经网络结构52.2 BP神经网络模型概述62.3反向传播学习算法72.4 BP学习算法的缺陷92.5 BP算法的改进103 热负荷预测神经网络模型的建立113.1 神经网络用于集中供热系统控制的必要性113.2 集中供热系统神经网络控制方案的研究123.2.1
7、神经网络监督控制123.2.2神经网络内模控制133.2.3神经网络直接逆动态控制134基于BP神经网络的热负荷预测仿真分析154.1基于改进BP神经网络的热负荷预测154.1.1 预测模型的选取154.1.2 基于神经网络负荷预测的基本步骤154.1.3 输入变量和输出变量的选取164.1.4 输入输出变量的预处理174.2 集中供热负荷预测仿真示例174.2.1 改进BP神经网络模型参数的选择174.2.2 BP神经网络层次结构的确定194.3 预测结果分析194.4本章小结22结 论23致 谢24参考文献25附录261 绪 论城市集中供热目前已成为我国北方冬季供热的一种主要形式。由集中供
8、热代替传统的分散供热有助于节约能源、减少污染、提高经济效益，是城市现代化建设的一个重要标志。积极发展集中供热是为实现小康生活、建设和谐社会的前提，因此大力发展可持续的供热体制是重中之重。1.1 选题背景供热负荷预测是掌握在负荷变化规律的基础上，充分考虑各种影响因素之后，以一定的准确程度预报将来某一时段或时刻的负荷大小。供热负荷的大小、特性及变化规律，对于供热系统的运行管理、节约能源、保护环境等都十分重要。对系统未来的负荷和特性进行预测，是供热系统发展与运行管理的关键之一。同时，集中供热系统的供热负荷预测是对集中供热管网系统进行最有效调节的一个重要先决条件，对集中供热管网系统热效率的提高有直接的
9、贡献。准确快速的热负荷预测也大大有利于改善集中供热管网微机监控系统的工作，从而提高集中供热管网系统的运行效率、可靠性和经济性，因此，供热负荷预测具有十分重要的意义。预测系统热负荷变化也是中央管理机的主要工作任务之一。只有根据所预测出的热负荷值，中央管理机才能够确定出供热参数，即循环水量及循环水泵的开启台数，供回水温度及锅炉的开启台数，继而将这些决定通知相应的现场控制单元产生相应的动作或修改相应的设定值。因此，能否准确地预测出未来负荷的变化，将直接关系到系统能否正常与经济地运行。与人们居住环境密切相关的供热领域由于热的特殊性及系统的复杂性，热负荷预测相对滞后。要想保证节能和供热的高质量，热源处必
10、须能够很好地跟踪预测热用户的用热量，热负荷预测必将成为供热系统调控的一部分。用户根据自己的需求调节温控阀来控制室内温度，这种调节，本质上是通过调节散热器的流量大小来调节散热器的供热量多少，从而达到控制室温。当众多用户调节自己的流量后，整个热网的流量和供热量也随之变化，而这种变化是无规律的，面对这种没有精确数学模型的受控参数，要实现按需供热进而满足热用户的热舒适要求，没有很好的预测手段显然是不行的，而传统供热系统的设计方法与调控方法不能适应供热计量系统的要求。要实现供热计量的两个目标节能和供热的高质量，在供热系统运行过程中应跟踪预测热用户的用热量，使热源的供热量和热用户的需热量相匹配，从而使系统
11、的供需一致。因此，集中供热系统的负荷动态预测必将成为集中供热系统调控的一个重要部分。供热系统的热介质是热水，热惯性大，变化明显存在很大的滞后性，这给有效、及时的控制调节带来许多不便，造成集中供热控制系统的稳定性较差，很难实现温度的平稳控制，既浪费能源又达不到好的供热效果。如果能对供热负荷提前进行准确预测，必将有利于对集中供热系统进行及时、有效的控制调节，克服热惯性造成的不利影响，这一切都说明，对集中供热系统进行热负荷预测是很有必要的。1.2 目前供热负荷预测研究现状供热系统的热用户有采暖、通风、热水供应、空气调节、生产工艺等用热系统。目前的预测方法可以分为两大类：一类是定性预测，也称直观性预测
12、；另一类是定量预测，也称统计预测。在暖通领域，常采用定量预测方法，即采用数学、概率论和数理统计的方法对历史数据进行处理。回归分析就是一种常用的定量预测方法。近年来，一门新兴的边缘科学人工神经网络（ANN）引起人们广泛的关注，由于其独特的结构和处理信息的方法，使其在许多实际应用领域中取得了显著的成效。1.2.1 各种供热负荷预测方法常规单一的负荷预测方法有：类比法、主观概率预测法、单耗法、负荷密度法、比例系数增长法。这些方法的共同点是：根据某个单一的指标进行预测，方法虽然简单，但比较笼统，且很难反映诸如人口、经济、气候等条件的影响。预测新技术有：趋势外推预测技术、负荷回归模型预测技术、时间顺序预
13、测技术、灰色预测技术。负荷预测技术的发展动态有：优选组合预测技术、专家系统预测技术、模糊预测技术、小波分析预测技术、神经网络预测技术。1.2.2 现有预测方法的分析和存在的问题几种典型的预测方法：1）ARMA（自回归移动模型）方法是对自回归模型和移动平均模型的综合，它将预测对象随时间变化的序列先加工成一个白噪声序列进行处理， 所以它可以对任何一个供热系统的负荷变化进行模拟，而且预测速度快，能得到较高的预测精度。但该方法所需数据单一，只能给出下一周期的负荷预测值，且无法分析形成这一结果的原因，所以它更适合短期负荷预测。此外，通过对以往运用ARMA方法预测实例的分析，发现当天气发生骤然变化时，往往
14、预测的误差较大，这主要是由于该方法存在滞后性，即最近的实际数据发生异常变化时，由于模型平滑作用，预测数据无法立即对之做出反应，所以今后用ARMA方法进行短期负荷预测应着眼于这方面的研究。2）回归分析法该预测方法是利用数理统计中的回归分析方法，根据历史数据的变化规律寻找自变量与因变量之间的回归方程，寻找预测对象与影响因素之间的因果关系，建立回归模型进行预测，而且在系统负荷发生较大变化时，也可以根据相应变化因素修正预测值，因此适合于中长期负荷预测。该方法是通过自变量来预测相应变量，所以自变量的选取及自变量的准确性对预测结果是至关重要的。3）灰色预测方法灰色预测方法是一种不严格的系统方法，它抛开了系
15、统结构分析的环节，直接通过对原始数据的累加来生成寻找系统的整体规律，构建指数模型。该方法能根据舒适数据的不同特点，构造出不同的预测模1型。灰色预测方法具有以下优点：（1）灰色预测无需大量的数据，无需数据有明显的统计规律，只需要控制模块便可快速建模。（2）灰色预测对环境、参数等随机的非线性干扰有自适应能力，是变参数不变结构的自适应模型。（3）灰色预测是一种事前预测，简单、灵活、方便，具有防患于未然的能力，可为系统行为的预先提供信息，使我们作出切合实际的反应，避免不可必要的损失。从以上方法可以分析得到传统的负荷预测方法均是基于线性模型的，比较成熟，算法简单、速度快，在天气温度和生产情况因素变化不大
16、时，预测效果良好，但是由于影响热负荷的许多因素都是随机的、具有各种不确定因素影响，使得每一时刻的负荷值都是随机的，所以很难用热负荷值与其影响因素之间的线性关系来表示，而且建立函数关系模型需要大量的历史数据和建模工作，模型也缺少抗偶然因素的能力，自适应能力较差。因此，在供热负荷预测中缺乏通用性和实用性。1.3 本论文研究的主要内容尽管集中供热负荷预测的方法很多，国内外的学者和机构对此也做了大量的研究，但目前预测方法在集中供热负荷预测中仍存在许多不足，在此情况下，本论文提出采用基于神经网络的热负荷预测方法，并采用Matlab软件进行模拟计算、仿真和测试。本论文包括以下几个方面的内容：（一）绪论，主
17、要介绍集中供热负荷预测的意义及必要性，并结合国内外对热负荷预测方法的对比，突出基于神经网络的热负荷预测方法的有点及应用成果。（二）关于BP神经网络的重点介绍。（三）热负荷预测神经网络模型的建立。（四）基于BP神经网络的热负荷预测的仿真分析并得出实验结果。2 BP神经网络介绍2.1 人工神经网络结构人工神经网络是一种由大量简单的人工神经元广泛连接而成的，用以模仿人神经网络的复杂网络系统。它在给定大量的输入/输出信号的基础上，建立系统的非线性输入/输出模型，对数据进行并行处理，实质上它是把大量的数据交给按一定结构形式和激励函数构建的人工神经网络进行学习，然后在给出未来的一个输入的情况下，由计算机根
18、据以往的“经验”判断应有的输出。该方法实际上是对系统的一个黑箱模拟，它主要适合短期负荷预测。人工神经网络方法是利用经验样本的学习，在网络中建立一个多输入变量愈多输出变量间的非线性映射过程，不需要建立具体的数学模型和规则。神经网络具有自组织、自学习、自适应的特点，能通过对连接权的不断调整，自动适应信息，最终通过学习对实际样本提出合理的求解规则，对瞬变的供热系统负荷预测具有十分重要的意义。由于传统的预测方法自身的局限性，对供热计量系统负荷的短期预测精度较低，而神经网络作为通用算法用于数据的处理，建立的数学模型消除了其他方法处理非线性问题的缺点，不需要建立输入与输出之间的复杂关系，而是通过一组权重来
19、实现输入与输出之间的映射，这使得模型的预测结果更接近于实际情况，精度更高。ANN的优势在于：1）具有以任意精度逼近任意复杂的非线性函数的特性；2）具有很强的适应于复杂环境和多目标控制要求的自学能力；3）所有定量或定性信息分布储存于网络的各个神经单元，而且各个单元上储存着不通信息的部分内容，即网络有冗余性，从而具有很强的容错性和鲁棒性；4）采用信息的分布式并行处理，可以快速地进行大量的计算，但又不是简单地“以空间的复杂性为代价来求得时间上的快速性”，而是对于处理以求的满意为目标的决策非常迅速。2.2 BP神经网络模型概述BP网络是一种三层或三层以上的前馈型神经网络，包括输入层、隐层和输出层，上下
20、层之间各个神经元实现全连结，而每层神经元之间无连接。从理论上讲，三层以上的神经网络，只有隐层神经数目足够多，该网络就能够以任意精度逼近一个非线性函数。图2.1所示是一个典型的三层BP网络结构，有一个隐层，隐层神经元数目为S，具有R个输入和M个输出。隐层采用S型神经元函数（如图2.2中的图(a)、图(b)所示），之所以选择S型函数作为启动函数其原因在于它连续可微分，而且更接近于生物神经元的信号输出形式。隐层的非线性传递函数神经元可以学习输入输出之间的线性和非线性关系。对于输出层而言，当需要限定网络输出（例如约束在0和1之间），可以采用S型传递函数；为了拓宽网络输出，输出层则可以选择线性传递函数（
21、如图2.2中图(c)所示）。图2.1 BP网络结构(a) a=logsig(n) (b) a=tansig(n)log-sigmoid 传递函数 tan-sogmoid传递函数(c)a=purelin线性传递函数图2.2神经元传递函数2.3 反向传播学习算法对于典型的BP网络，一般要经过上百次乃至上千次的学习过程，才能使网络收敛。根据BP网络的学习过程，BP算法的学习训练过程如下：1） 训练样本BP网络输入层的输入为： （2.1）网络隐含层的输入和输出分别为： （2.2） （2.3）上式中，为隐含层加权系数，上角标（1）、（2）、（3）分表代表输入层、隐含层和输出层。隐层神经元的启动函数取Si
22、gmoid函数为： （2.4） 同理，可求得网络输出层的输入和输出分别为： （2.5） （2.6）2） 输出误差反向传播在正向传播计算中得到了网络的实际输出值，当这些实际的输出值和希望输出不同或者网络均方差大于限定的数值时，就要对网络的各权值和阈值进行重新调整。这种调整是从后向前进行的，所以被称作误差反向传播。BP学习算法就是对网络权值和阈值的修正要沿着误差的负梯度方向。 取性能指针函数为： （2.7）按照梯度下降法修正网络的权值，即按照对加权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局极小的惯性项为：式中，为学习速率；为惯性系数。 （2.8） （2.9）由于未知，所以近似用符号函数
23、取代，由此带来计算不精确的影响可以通过调整学习速率来补偿。按照梯度下降法可得网络权置的学习算法为： （2.10） （2.11）3） 循环记忆训练 为了使神经网络的输出误差和网络的均方差趋于极小，对于神经网络输入的每组训练样本，一般都要经过百次、千次甚至上万次的循环记忆训练，这种循环记忆训练就是反复运用上面的输入模式正向传播和输出误差反向传播的过程。4） 学习结果的判定 每次循环记忆训练结束后，都要进行学习结果的判定。如果达到了设计要求就可以结束学习过程，否则继续学习。2.4 BP学习算法的缺陷（1）训练时间长，收敛速度慢用来训练前馈神经网络最常用的算法是BP算法，但BP算法对样本进行逐个学习时
24、，常会发生“学了新的，忘了旧的”即遗忘现象，为此，只好对样本不断循环重复学习，这样其学习时间必然很长。一个较为简单的问题，用BP网络求解，通常需循环几千次，甚至上万次才能收敛，故难以处理海量数2据。（2）所得网络容错能力差由于BP算法的目标只是追求学习“误差”最小，而没有考虑网络的其他性能，而且，为了使迭代过程不产生振荡，在迭代接近结束时，迭代步长要很小，这些都使得用BP算法得到的网络容错能力很差。（3）易陷入局部极小点BP算法采用梯度下降法调整网络的权值和阈值，这使网络容易陷入局部极小点，且可能使求解问题得不到最优解。2.5 BP算法的改进基于BP算法的神经元网络具有复杂的非线性映射能力，理
25、论上具有完整性并成功地应用于广泛的问题，仍具有重要的意义，但也存在一些问题，如学习算法的收敛速度慢，网络隐结点数选取缺少统一完整的理论指导等。因此，应采用经变形的反向传播算法，以显著提高速3度。为提高速度的改进大致分为两类。第一类包括那些使用启发式信息的技术，源于对标准反向传播算法特定性能的研究，如采用可变的学习速度，使用动量和改变比例变量等；另一类集中在应用标准数值优化技术。3 热负荷预测神经网络模型的建立3.1 神经网络用于集中供热系统控制的必要性神经网络应用于控制系统设计主要是针对系统的非线性、不确定性和复杂性进行的，由于神经网络的适应能力、并行处理能力和它的鲁棒性，使采用神经网络的控制
26、系统具有更强的自适应性和鲁棒性。为了使用户室温到达设计室温的要求，必须在整个供暖期，随室外气温的变化，随时进行供水温度、流量的调节，以期实现按需供热，这称为供热系统的运行调节。由于集中供热系统是一种非线性大滞后的复杂系统，采用传统的控制方法无法对其进行辨识和控制，神经网络技术具有非线性、自学习、自适应等特性，因而非常适合于实现对集中供热系统的控制调节。传统控制理论缺乏对非线性系统，未知动力学和环境参数系统的有效控制策略，虽然自适应控制在线性时不变系统的应用中取得了重大成功，并有各种稳定的自适应规则相继问世，但是对非线性系统的自适应控制的研究进展却相当缓慢。人工神经网络理论的研究，为非线性系统控
27、制理论的研究开辟了一条新思路。由于神经网络具有大规模并行性、强容错性、本质的非线性及自学习、自适应、自组织能力，已成功地应用于许多不同的领4域。建立在数学模型基础上的传统控制理论在设计系统的控制器之前，必须建立被控对象的数学模型，若不能建立系统的线性化模型，就难以实现合理、满意的控制效果。对于复杂的非线性系统和时变系统的控制设计，目前，还没有系统的普遍使用的理论来指导，无法实现有效全面的集中控制。因此，神经网络的处理非线性系统的能力就显得尤为重要，它可以表示非线性映射，能够建立非线性系统的模型。集中供热网是一个复杂的分布式大系统。整个生产过程具有大滞后、大惯性的控制特性，供热站之间存在较强的耦
28、合，对象具有时变特性，而且存在地理位置的分散性、过程负荷变化的不确定性等特点。对于如此复杂的集中供热系统，采用神经网络技术实时地对供热系统进行控制调节是非常必要和有效的。3.2 集中供热系统神经网络控制方案的研究对于不同的控制目的和分类方法，现有多种神经网络控制结构，在此介绍几种代表性的神经网络控制方5案。3.2.1神经网络监督控制监督控制是利用神经网络的非线性映射能力，时期学习人与被控对象打交道时获取的知识经验，从而取代人的控制行为。在此结构中，神经网络的行为有明显的学习期和控制期之分，在学习期，网络接受训练以逼近系统的逆动力学；而控制期，神经网络根据期望输出和参考输入回忆起正确的输入。这类
29、方案如图3.1所示。图3.1 神经网络监督控制该方案中，神经网络实质上是一个前馈控制器，它与常规控制器同时起作用，并根据反馈控制器的输出进行学习，目的是使反馈控制器的输出趋于零，从而逐步在控制中占据主导地位，最终取消反馈控制器的作用，而在出现干扰时，反馈控制器又重新起作用。在前期学习中，利用了常规控制器的控制思想，而在控制期，又能通过训练不断学习新的系统信息，不仅具有较强的稳定性和鲁棒性，而且能够有效提高系统的精度和自适应能力，应用效果较好。3.2.2神经网络内模控制内模控制为非线性系统的设计提供了一种直接方法。用神经网络建立被控对象的正模型和控制器，即构成了神经网络内模控制，如图3.2所示。
30、图3.2 神经网络内模控制在这种结构中，系统的正模型与被控对象并联，两者之差作为反馈信号，该反馈信号通过前馈通道的滤波器和控制器处理后，对被控对象实施控制。引入滤波器的目的是为了获得更好的鲁棒性和跟踪响应效果。这种控制方案，对于线性系统，要求对象为开环稳定的；对非线性系统是否还有其他条件，目前还在探索研究之中。3.2.3神经网络直接逆动态控制神经网络直接逆动态控制，也称直接自校正控制，时将系统的逆动态模型即神经网络控制器（NNC）直接串联在被控对象之前，NNC实现对象的逆模型，且能在线调整，使得复合系统在期望输出和被控系统实际输出之间构成一个恒等的映射关系。这时网络直接作为控制器工作，如图3.
31、3所示。（a）神经网络逆辨识 （b）神经网络直接控制图3.3神经网络直接逆动态控制直接逆动态控制方法中，神经网络控制器NNC也相当于逆辨识器，如图3.3（a）所示。图3.3（b）是神经网络直接控制器的典型结构。对于周期不变的非线性系统，可以采用静态逆辨识的方式。可先用大量的数据离线训练逆模型，训练好以后再嵌入控制。离线训练逆模型要求网络具有较好的泛化能力，即期望的被控对象的输入输出映射空间必须在训练好的神经网络输入输出映射关系的覆盖之下。4基于BP神经网络的热负荷预测仿真分析4.1基于改进BP神经网络的热负荷预测集中供热系统的供热负荷具有以下特点：逐时负荷呈现趋势性、较强的随机性和以24小时为
32、周期的周期性变化规律。因此，本文将热负荷的预测作为短期负荷预测来处理，并选用改进BP神经网络进行负荷预6测。4.1.1 预测模型的选取集中供热热负荷具有较大的随机性，预先预测热负荷的变化及其特性是保证集中供热系统安全、经济和高效运行的前提和保证。同时，热负荷又具有一定的规律性，未来某一时刻的热负荷通常与过去的热负荷、现在的运行状况、室外温度、是否为工作日及太阳照射率等有密切关系。因此，预测模型的提出需要考虑如下问题。1） 模型应该能够反映负荷随着工作日及24小时周期性波动的特点。2） 模型应能反映负荷自然增长的内在规律。 3） 模型应能反映室外温度、太阳照射率等气象因素的影响。在实际负荷预测中
33、，在收集历史资料时，应尽可能不遗漏与供热负荷有关的所有相关数据。但是一方面由于资料收集和观测困难，另一面因为因素太多不仅会引起建模困难，而且会带来运算复杂，训练时间长和数值不稳定等问题。因此选择输入变量时，应注意组合搭配，使输入变量的数目尽量少。4.1.2 基于神经网络负荷预测的基本步骤应用神经网络进行集中供热负荷预测，大体上可以分网络结构的构造、网络模型的学习和供热负荷预测三个阶段。这三个阶段又可以具体地细分为如下过程：（1）收集历史资料。要想对集中供热负荷未来某一时段或某一时刻的热负荷进行合理的预测，必须有充分的供热负荷历史数据，以及对供热负荷变化有重大影响因素的统计资料，并且要对这些数据
34、进行适当的预处理。（2）神经网络结构设计。本阶段主要是依据集中供热系统的实际要求和所具有的统计数据和历史数据，设计合理的神经网络结构。（3）学习训练。此过程主要是将需要处理的学习样本输入到神经网络模型，开始进行神经网络的学习训练，并且每训练一次，就要把网络的实际输出值与期望值进行比较。若输出误差或误差的平方和不符合要求，则根据所选择的学习算法对网络权值和阈值进行相应的调整，继续学习，直到对于所有样本集都得到所期望的输出值。（4）供热负荷预测。应用已经训练好的神经网络模型对未来热负荷进行预测。下面就根据上面的步骤对集中供热负荷进行预测。4.1.3 输入变量和输出变量的选取在实际进行供热负荷预测时
35、，输入变量的选择是取得良好预测效果的关键环节。输入变量可以是成组的原始数据，也可以是经过预处理的参数或表示某种信号的采样样本。所选择输入变量及输入神经元的数量可以根据需要解决的问题类型和资料表达的方式选定。当然，在选择输入变量的种类和数量时，我们希望尽可能不遗漏与供热负荷有关的重要因素，因为输入变量选择越充分，输入神经元数目越多，网络的运算精度越高。但是，实际上我们不可能考虑到所有的因素。一方面是由于历史资料的收集和观测困难；另一方面是因为因素太多不仅会引起建模困难，而且会带来运算复杂，训练时间长和数值不稳定等问题。因此选择输入变量时，应注意组合搭配，使输入变量的数目尽量少。供热负荷预测的潜在
36、输入变量并不太多，通过对影响热负荷变化的诸因素的分析，输入变量可能包含的类型有：时间、是否工作日、室外温度、室外风天气情、太阳照射率、供热系统的供水流量、供水温度、回水温度、入口压力、出口压力等。集中供热系统的控制运行方案有多种，对于不同的控制方案，可以选择不同的输出变量。一般可以选择供回水压差、供回水温度、流量等作为输出变量。本文选择循环水流量作为输出变量，单位为t/h。4.1.4 输入输出变量的预处理集中供热系统负荷建模需要大量的历史负荷数据，而历史数据从现场采集得来，除了受测量设备本身或数据传输中的种种原因影响外，还有某些意外的随机干扰，如系统故障、设备检修、人为错误等。因此历史数据中往
37、往包含不良数据或伪数据，这些伪数据对神经网络建模造成负面影响。在BP神经网络中每层神经元节点的激励函数大多采用Sigmoid函数，所以必须对神经网络的输入、输出参数进行归一化处理。 采用下式将输入参数值归一化为0.10.9范围： （4.1）在输出层中，采用下式将输出值反归一化： （4.2）其中，x为归一化前的参数，y为归一化的参数。4.2 集中供热负荷预测仿真示例 本节结合4.1小节提出的神经网络负荷预测的方法和实现步骤，将该方法具体地应用于集中供热系统短期负荷预测示例，用以验证提出预测方法的有效性。4.2.1 改进BP神经网络模型参数的选择本文根据文献中提出的某热力站的负荷数据作为学习和预测
38、的样本集，样本数据如表4.1所示。表4.1 训练样本时间室外温度风速天气供水流量回水温度是否工作日供热负荷1-150.20.10.7440.4586.22-150.20.10.7430.4582.23-160.20.10.7430.4581.14-160.30.10.7440.4583.05-150.30.20.6440.4582.36-150.40.20.6450.4581.67-140.40.30.7430.4582.48-140.40.30.6440.4580.19-130.40.30.6440.4579.910-130.20.40.7440.4579.511-120.20.40.645
39、0.4578.112-120.10.40.7440.4577.513-110.10.50.6450.4578.714-110.20.50.7450.4577.615-110.20.70.6440.4576.416-120.30.70.6450.4576.817-120.30.70.6440.4575.318-130.50.80.7450.4576.019-130.50.80.7430.4578.620-140.50.80.6450.4579.921-140.50.80.7450.4580.722-150.40.80.7440.4582.023-150.40.20.6440.4582.624-1
40、50.30.20.7440.4583.7由表4.1可知，本文确定的神经网络模型的输入参数为：时间、室外温度、室外风速、天气、供水流量、回水温度和是否为工作日。 按照这种方式构造的网络体系如图4.1所示。图4.1 负荷预测神经网络的构造体系4.2.2 BP神经网络层次结构的确定BP神经网络的层数和各层的神经元个数需要根据实际情况进行合理的选择。一般选择的原则是在满足预测误差精度的前提下，以较少的层数和神经元个数在较短的时间内达到要求。由于神经网络的不确定性，因此在选择神经网络的层数和合每层的神经元个数时，需要进行反复试算，以得到最佳的模型结构。由于三层BP神经网络既不太复杂，又可以逼近任何连续的
41、函数，所以对热负荷的研究非常合适。因此，本文采取三层BP神经网络结构。由于输入参数为7，因此输入神经元个数为7；输出参数为1，因此输出神经元个数为1。同时，隐层选择有15个神经元，即网络结构为7-15-1。改进的BP算法各主要参数为：学习率；动量因子；最大训练次数1500；网络训练最大平方误差取。4.3 预测结果分析本节采用MATLAB仿真软件进行仿真试验， MATLAB控制系统工具箱提供的函数newff()进行热负荷预测，它需要四个输入条件，依次是：由R维的输入样本最大最小值构成的R*2维矩阵、各层的神经元个数、各层神经元的传递函数以及训练用函数的名称。假设需要构建一个两层神经网络，其输入量
42、是二维的，输入向量的范围为-1 2；0 5，第一层（隐层）有三个神经元，传递函数是tansig()；第二层（输出层）是单个神经元，传递函数是线性的，训练函数选取traingd。至此就生成了初始化待训练的神经网络。 神经网络的结构选7-15-1，学习率、动量因子、最大训练次数和网络训练最大平方误差的选取参看4.2.2小节。最后将神经网络训练完成后得到的权重值作为最终确定的权值连接方式，然后将要预测时刻的输入值进行输入便可得到未来某一时刻热负荷的预测值，具体仿真程序见附录。图4.2给出了BP算法预测负荷和实际负荷曲线。图4.3图4.4给出了改进BP演算法网络权值过程误差变化曲线和预测负荷曲线。从仿
43、真曲线可以看出，采用改进BP算法训练完成的网络进行预测时，预测负荷和实际负荷曲线的拟合程度明显好于BP算法，从而验证了设计方法的有效性。图4.2 BP算法预测负荷和实际负荷曲线图4.3改进BP算法训练网络权值过程误差变化曲线 经过424次循环，BP网络训练成功。图4.4 改进BP算法预测负荷和实际负荷曲线综上所述，改进BP神经网络适合对集中供热热负荷的预测，且精度较高，完全满足热用户的要求。使热网的管理者能够提前对供热负荷的变化有所准备，制定合理的检修计划，把热网检修对供热的影响降到最小，争取效益最大化。4.4本章小结 本章主要研究了基于改进BP神经网络的集中供热负荷预测方法。首先，对BP神经
44、网络理论进行较为深入的研究和探讨；然后，根据供热系统热负荷的特点，建立了人工神经网络负荷预测模型；最后，通过仿真示例验证了该预测模型具有较高的精度，从而验证了设计方法的有效性。结 论我国城市集中供热发展很快，用户对热产品的质量要求越来越高，这就需要对集中供热系统进行合理有效的调节，而完成这种调节的首要任务就是对供热系统未来的负荷大小进行快速精准的预测。不仅如此，供热负荷的大小、特性及变化规律，对于供热系统的运行管理、节约能源保护环境等也都十分重要，能否准确地预测出未来负荷的变化，直接关系到系统能否正常、经济地运行。本论文针对遗传算法和神经网络相结合应用于集中供热系统的负荷预测做了深入的研究，现
45、总结如下：1）本文应用神经网络进行负荷预测，首先要确定网络的结构，以得到适合预测实际的最优结构，但目前仍没有高效地方法和具体的理论指导。考虑到遗传算法的群体寻优、天然的增强式学习能力，使其在寻优过程中具有全局性、并行性、快速性和自适应性，因此本文采用了遗传算法进行神经网络的拓扑结构的优化设计。2）对于标准BP算法存在收敛速度慢、容错能力差和容易陷入局部极小点的问题，本论文提出遗传算法和BP算法相结合的融合训练算法来实现网络权值的训练过程，加快了网络的训练速度，避免了局部极小点的问题，提高了预测模型的精度。3）利用功能强大的MATLAB软件对所建立的供热负荷预测模型进行了仿真试验，取得了很好的预测效果。4）本文利用神经网络理论和遗传优化算法，建立了集中供热系统的自适应控制方案，仿真结果表明该控制方案克服了传统控制方案的缺点，提高了供热品质，节约了能源。致 谢本论文是在我的导师 老师的悉心指导下完成的，值此论文完成之际谨向张老师致以我最衷心的感谢和深深的敬意。他治学严谨，对科研工作认真细致，从我选题到最终完成毕业设计的过程中，张老师都
