蓄能供熱采暖系統(tǒng)負(fù)荷預(yù)測研究

(南京工業(yè)大學(xué)自動化與電氣工程學(xué)院1，江蘇 南京 211816；大連傳森科技有限公司2，遼寧 大連 116600)

0 引言

近年來，我國長江流域及部分北方地區(qū)冬季采暖用電負(fù)荷占城市總用電負(fù)荷的比例越來越大。由于采暖能耗主要集中在白天用電高峰，這就使得逐年增加的峰谷差給電站的調(diào)峰運(yùn)行帶來困難,僅靠電站對大機(jī)組的投入已不能滿足要求[1]。通過用戶側(cè)的調(diào)節(jié)實(shí)現(xiàn)均衡負(fù)荷，已成為當(dāng)務(wù)之急。

蓄能供熱采暖技術(shù)就是針對這種局面提出并得以應(yīng)用的。該技術(shù)可將電網(wǎng)峰時的采暖能耗轉(zhuǎn)移至谷時使用，達(dá)到“削峰填谷”的目的。為了充分發(fā)揮該技術(shù)的優(yōu)勢，良好的控制策略就顯得尤為重要。精確的負(fù)荷預(yù)測是制定蓄能供熱采暖系統(tǒng)控制策略的重要前提和基礎(chǔ)。

1 蓄能供熱采暖技術(shù)簡介

蓄熱技術(shù)是一種提高能源利用效率的技術(shù)，主要針對熱能或電能的儲存。目前，蓄熱采暖主要方式為水蓄熱和蒸汽蓄熱[2]。這兩者均存在蓄熱密度小、蓄熱利用率低、蓄熱容器體積大等缺點(diǎn)，且蒸汽蓄熱的高壓蒸汽還存在較大的安全隱患。以固體蓄熱合金為載體的蓄能供熱采暖恰好克服了水蓄熱和蒸汽蓄熱的缺陷。

蓄能供熱采暖設(shè)備根據(jù)顯熱蓄熱的原理，在夜間用電廉價的低谷時利用電加熱管將電能轉(zhuǎn)化為熱能，把裝置內(nèi)的蓄能固體合金加熱至700～800 ℃。裝置表面用多種高科技保溫材料保溫，將熱能存儲。到了白天需要供暖時，通過換熱器把熱量傳遞給末端裝置，以可調(diào)暖風(fēng)的形式提供給用戶使用，從而實(shí)現(xiàn)“低谷蓄能、峰時供暖”[3]。

2 BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測

神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的神經(jīng)元廣泛連接而成的復(fù)雜的網(wǎng)絡(luò)系統(tǒng)，它反映了人類大腦功能的許多基本特性。BP神經(jīng)網(wǎng)絡(luò)的基本模型是三層前饋網(wǎng)絡(luò)，含有輸入層、隱層和輸出層。各層之間實(shí)行全連接，可實(shí)現(xiàn)黑箱建模，適用于對復(fù)雜非線性對象的預(yù)測建模[4]。

2.1 BP神經(jīng)網(wǎng)絡(luò)輸入變量的選取

在負(fù)荷預(yù)測時，只有對負(fù)荷影響較大的因素包含于輸入量之內(nèi)，才能得出較為精確的預(yù)測值。輸入層中如果缺少影響網(wǎng)絡(luò)輸出的變量因素，那么網(wǎng)絡(luò)訓(xùn)練就不會收斂。相反，由于BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的魯棒性，因此輸入層中若包含個別與網(wǎng)絡(luò)無關(guān)的變量因素，對網(wǎng)絡(luò)收斂并不會產(chǎn)生太大影響。

數(shù)據(jù)采集受實(shí)際情況所制約，故擬定對蓄能供熱采暖系統(tǒng)負(fù)荷預(yù)測影響較大的輸入量為：時間t、大氣干球溫度Td、太陽輻射強(qiáng)度S、大氣相對濕度RH、前一小時的采暖負(fù)荷Load(t-1)、前一天的采暖負(fù)荷Load(t-24)。由于使用蓄能供熱采暖設(shè)備的大多為大型辦公寫字樓等建筑，建筑內(nèi)擾相關(guān)的人員流動情況也對采暖負(fù)荷有較大的影響。本文將工作日、周末以及節(jié)假日日期類型進(jìn)行量化處理，將所得的量化值φ加入輸入變量中[5]，其結(jié)果如表1所示。

表1 量化處理結(jié)果

2.2 BP神經(jīng)網(wǎng)絡(luò)輸出變量的選取

蓄能供熱采暖系統(tǒng)負(fù)荷預(yù)測采用時間序列法，即得到t時刻的負(fù)荷預(yù)測值后，再預(yù)測后1 h的負(fù)荷值。由此循序漸進(jìn)，就能得到整個完整的系統(tǒng)采暖負(fù)荷預(yù)測輸出[6]。所以BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測的輸出量就是某一時刻蓄能供熱采暖系統(tǒng)的短期負(fù)荷預(yù)測值。

2.3 BP神經(jīng)網(wǎng)絡(luò)連接

蓄能供熱采暖系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)采用全互連型網(wǎng)絡(luò)結(jié)構(gòu)，即當(dāng)前層每個處理單元的輸出都與下層每個處理單元相聯(lián)系，而同層之間的處理單元是相互獨(dú)立的。系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3 BP神經(jīng)網(wǎng)絡(luò)模型改進(jìn)

雖然現(xiàn)階段BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用較為廣泛，但也存在網(wǎng)絡(luò)初始值選取較繁瑣、易陷入局部極小點(diǎn)及收斂速度慢等缺陷[7]。本文基于遺傳算法的思想對神經(jīng)網(wǎng)絡(luò)權(quán)重進(jìn)行優(yōu)化，優(yōu)化后的權(quán)值和閾值通過解碼送入BP神經(jīng)網(wǎng)絡(luò)運(yùn)算。充分運(yùn)用兩者優(yōu)勢，構(gòu)成一種GA-BP算法。該算法具有自適應(yīng)及全局優(yōu)化等特性，可達(dá)到收斂速度快、預(yù)測結(jié)果精確的效果[8]。

算法流程如圖2所示。該算法采用均方根誤差(mean square error,MSE)的倒數(shù)作為適應(yīng)度函數(shù)來評估神經(jīng)網(wǎng)絡(luò)。當(dāng)遺傳進(jìn)化的任意一代中至少出現(xiàn)一個適應(yīng)度達(dá)到要求的個體或遺傳進(jìn)化達(dá)到預(yù)定的最大迭代次數(shù)時，迭代將終止。

圖2 GA-BP算法流程圖

4 負(fù)荷預(yù)測仿真研究

本文對大連市某辦公樓蓄能供熱采暖工程2013年1月的采暖負(fù)荷進(jìn)行了預(yù)測，選取當(dāng)月25日的預(yù)測值與真實(shí)值作比較。通過采暖設(shè)備控制系統(tǒng)所保留的歷史數(shù)據(jù)，得到2012年11和12兩個月的采暖溫度、能耗與負(fù)荷等相關(guān)數(shù)據(jù)。

4.1 GA-BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測建模仿真

圖3 GA-BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測模型

將2012年11、12月的采暖負(fù)荷數(shù)據(jù)和影響因素集數(shù)據(jù)作為訓(xùn)練集，將2013年1月25日的數(shù)據(jù)作為測試集。根據(jù)批量自動規(guī)則化訓(xùn)練的算法，首先利用訓(xùn)練集的數(shù)據(jù)進(jìn)行訓(xùn)練，其次再用測試集的數(shù)據(jù)進(jìn)行預(yù)測，最后將測量值與實(shí)際值作對比。

4.2 仿真結(jié)果數(shù)據(jù)比較

將2013年1月25日BP神經(jīng)網(wǎng)絡(luò)與GA-BP神經(jīng)網(wǎng)絡(luò)的逐時負(fù)荷預(yù)測進(jìn)行比較，其曲線如圖4所示。從圖4可以看出，BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測曲線與實(shí)際負(fù)荷比較變化趨勢基本吻合，但其中存在某些誤差較大的區(qū)域。當(dāng)日17時誤差最大，達(dá)到57.2 kW，日平均誤差為26.9 kW，平均誤差率為4.66%。而GA-BP神經(jīng)網(wǎng)絡(luò)得出的負(fù)荷預(yù)測值與實(shí)際值的曲線更加吻合，且日最大誤差為29.4 kW，日平均誤差僅有14.8 kW，平均誤差率為2.56%。因此GA-BP神經(jīng)網(wǎng)絡(luò)較BP神經(jīng)網(wǎng)絡(luò)相比誤差明顯減小，預(yù)測結(jié)果更加精確，其所得的預(yù)測值更接近于真實(shí)值。

圖4 負(fù)荷預(yù)測曲線圖

5 結(jié)束語

蓄能供熱采暖技術(shù)充分利用夜間廉價的谷電蓄能供日常采暖。對于用戶來說，可以節(jié)省采暖費(fèi)用、提高采暖效率；對于社會來說，使用谷電不僅有利于環(huán)保，而且對電網(wǎng)實(shí)現(xiàn)“削峰填谷”起到了積極的作用。

將GA-BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于非線性、多擾動與時變的蓄能供熱采暖系統(tǒng)中，克服了常規(guī)BP神經(jīng)網(wǎng)絡(luò)的缺陷，達(dá)到了快速尋優(yōu)、預(yù)測精確的目的。同時依托某辦公樓進(jìn)行負(fù)荷預(yù)測，結(jié)果表明，該方法有良好的收斂速度和預(yù)測精度，在應(yīng)用于蓄能供熱采暖系統(tǒng)負(fù)荷預(yù)測時具有更好的實(shí)用性和可靠性。

[1] 王喆，張炳坤，華維崗.公共建筑采暖節(jié)能溫度智能控制系統(tǒng)的設(shè)計[J].自動化儀表，2012,33(6):59-62.

[2] 楊波，李汛，趙軍.移動蓄熱技術(shù)的研究進(jìn)展[J].化工進(jìn)展，2013,23(3):515-520.

[3] 毛靖.蓄熱式供熱機(jī)：中國,0284573.9[P].2010-08-09.

[4] Simon H.神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)[M].北京:機(jī)械工業(yè)出版社,2011.

[5] 周樹貴，張九根.基于遺傳神經(jīng)網(wǎng)絡(luò)的冰蓄冷空調(diào)系統(tǒng)負(fù)荷預(yù)測研究[J].化工自動化及儀表，2012,39(4):446-449.

[6] 楊紹輝，左文勝，岑建福.基于粗糙集-神經(jīng)網(wǎng)絡(luò)的冰蓄冷空調(diào)冷負(fù)荷預(yù)測研究[J].能源與環(huán)境，2011,26(6):11-12.

[7] 王紀(jì)亮，焦曉紅.具有遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)的HVDC PID控制器設(shè)計[J].化工自動化及儀表，2010,37(4):5-9.

[8] 王鈺，郭其一.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型及其應(yīng)用[J].計算機(jī)測量與控制，2005,13(1):39-42.

[9] 王崇駿，于文滌，陳兆乾.一種基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)算法及其應(yīng)用[J].南京大學(xué)學(xué)報：自然科學(xué)版，2003,39(5):459-467.