基于小波神經(jīng)網(wǎng)絡的集中供熱智能預測

摘 要：首先，結合供熱運行調(diào)節(jié)理論，由室外溫度變化確定系統(tǒng)應供熱量；然后，利用小波神經(jīng)網(wǎng)絡，找出室外溫度、系統(tǒng)流量、供回水溫度等核心參數(shù)間的映射關系。實際運行預測結果表明，該方法辨識精度高，實時性強，節(jié)能效果顯著。

關鍵詞：熱負荷預測；小波神經(jīng)網(wǎng)絡；天氣因數(shù)；集中供熱

引言

由于供熱系統(tǒng)具有很強的非線性、大滯后和時變性的特點，至今仍很少實現(xiàn)閉環(huán)控制。因此，充分挖掘大數(shù)據(jù)，建立精確的數(shù)學模型，給出合理的參數(shù)預測，實現(xiàn)供熱系統(tǒng)經(jīng)濟運行的研究具有重大意義。

在眾多熱負荷預測的研究中，近年來基于神經(jīng)網(wǎng)絡的預測方法居多，文獻[1-2]提出了基于小波神經(jīng)網(wǎng)絡預測方法，文獻[3-4]提出了基于天氣預報的神經(jīng)網(wǎng)絡智能預測，文獻[5]提出了Elman神經(jīng)網(wǎng)絡預測方法，文獻[6-7]將遺傳算法運用在了BP神經(jīng)網(wǎng)絡，文獻[8-9]提出了人工神經(jīng)網(wǎng)絡的熱負荷預測。此外，傳統(tǒng)方法還有：最大熵法[10]，時間序列法[11]。

由于傳統(tǒng)預測方法的自身的局限性，對供熱系統(tǒng)負荷短期預測精度較低，同時BP神經(jīng)網(wǎng)絡和人工神經(jīng)網(wǎng)絡在處理熱負荷問題上同小波神經(jīng)網(wǎng)絡相比有較多的劣勢，如隱層小波數(shù)的確定問題，因而文章提出一種結合天氣預報的同時，基于改進型小波神經(jīng)網(wǎng)絡熱負荷預測方法。

為實現(xiàn)按需供熱，節(jié)約能耗，文章基于運行數(shù)據(jù)，分析供回水溫度、室外溫度等因數(shù)，采用了小波神經(jīng)網(wǎng)絡分析數(shù)據(jù)建立供回水溫度預測模型。具體步驟為：首先，利用網(wǎng)絡天氣預報的實時獲取，得到未來1小時的室外溫度。然后，在供熱系統(tǒng)中的設計熱指標和供熱網(wǎng)的實際參數(shù)均已設定的情況下，分析出下一刻的熱負荷值，并運用小波神經(jīng)網(wǎng)絡預測模型進行數(shù)據(jù)處理得到預測供熱應給的最佳系統(tǒng)參數(shù)。最后，繪制出預測曲線。

1 天氣預報的實時獲取

采用webservice技術編寫數(shù)據(jù)訪問接口程序，自動實時提取天氣預報數(shù)據(jù)和各整點天氣實況數(shù)據(jù)。為供熱運行調(diào)節(jié)提供依據(jù)：運用C#.Net組件技術編寫數(shù)據(jù)訪問接口程序，在獲取到實時溫度值和未來時刻的預測溫度以后，將它們作為小波神經(jīng)網(wǎng)絡模型部分輸入。此外，通過C#.Net程序編程，使得處理的結果界面化，可操作化。圖1即為從中國天氣網(wǎng)獲取到的24小時氣溫預測折線。

2 小波神經(jīng)網(wǎng)絡預測模型

2.1 預測供熱負荷變化

預測供熱負荷（應供熱量）變化是指根據(jù)供熱面積（S）、室外溫度（tw）的變化，設計室內(nèi)溫度（t'n）、設計室外溫度（t'w）、系統(tǒng)的設計熱指標（q'）、管網(wǎng)熱效率（？濁），測算出在給定時間內(nèi)（T）供熱系統(tǒng)應該供出的熱量（Q）值。具體可以按公式（1）計算[11]，熱量實測/預測曲線如圖2所示。

2.2 計算供回水溫差

目前，國內(nèi)集中供熱基本采用分階段改變流量的質調(diào)節(jié)方式，整個采暖期內(nèi)，按照氣候變化規(guī)律，在室外溫度較低的階段中，保持設計最大流量；而在室外溫度較高的階段中，保持較小流量。在同一天內(nèi)系統(tǒng)循環(huán)流量設定后基本保持不變，供暖負荷變化時實行集中質調(diào)節(jié)（即供熱溫度調(diào)節(jié)）[11]，供回水設定和實測曲線如圖3所示。

2.3 模型結構

負荷預測的核心問題是預測的數(shù)學模型，小波神經(jīng)網(wǎng)絡是在小波分析的基礎上提出的一種多層前饋型網(wǎng)絡，可以使網(wǎng)絡訓練盡可能減少局部最優(yōu)且加快收斂的速度，具有很強的學習和泛化能力。小波神經(jīng)網(wǎng)絡采用的激活函數(shù)為小波基函數(shù)，而前饋網(wǎng)絡采用的激活函數(shù)是sigmiod非線性函數(shù)，文章選用morlet母小波作為小波基函數(shù)。所以小波神經(jīng)網(wǎng)絡算法的基本思想是以神經(jīng)網(wǎng)絡的輸出和網(wǎng)絡的實際輸出的誤差平方為學習目標函數(shù)，根據(jù)均方誤差最小化的原則來調(diào)整網(wǎng)絡的權值。小波神經(jīng)網(wǎng)絡的結構如圖4所示。

2.4 預測供回水溫度

考慮到在供熱運行調(diào)節(jié)中，系統(tǒng)流量、供回水溫度是保證熱源負荷合理供給的核心參數(shù)。所以，利用上面的小波模型，把系統(tǒng)流量視為定量，將室外溫度、供熱指標、供熱面積、管網(wǎng)熱效率作為小波神經(jīng)網(wǎng)絡的輸入，供回水溫差作為輸出。

這樣，就把一組樣本輸入輸出問題轉化為非線性擬合問題。此外，通過梯度算法利用迭代運算求解小波神經(jīng)網(wǎng)絡中的權值，從而找出蘊含于樣本數(shù)據(jù)中內(nèi)在規(guī)律的一種學習方法。最后，也就找出了供回水溫度與室外溫度、系統(tǒng)流量、壓力、等影響因素之間的映射關系。

2.5 小波神經(jīng)網(wǎng)絡設計與現(xiàn)場運行預測

文章設計的小波神經(jīng)網(wǎng)絡為3層前饋網(wǎng)，包括輸入層、隱層和輸出層。其中，輸入層節(jié)點數(shù)等于影響因素（室外溫度、系統(tǒng)流量、壓力、供回水溫差等）的個數(shù)；輸出層的節(jié)點數(shù)為1（供水溫度或回水溫度）；此外，隱含層節(jié)點數(shù)的選取也是至關重要的，根據(jù)一些經(jīng)驗公式先嘗試一個較小值，然后采取文獻[1]的改進小波模型確定小波網(wǎng)絡隱層小波函數(shù)個數(shù)為8。

因為網(wǎng)絡訓練中尋找的內(nèi)在規(guī)律蘊含于樣本中，所以樣本數(shù)據(jù)的確定和選取也是關鍵。由于供熱系統(tǒng)的工況（如網(wǎng)絡傳輸效率，散熱片的散熱系數(shù)等）隨著時間的推移將會發(fā)生變化，而已建立模型的參數(shù)只能對當前供熱系統(tǒng)的實際情況有較好的反應。所以，希望模型具有自我修正參數(shù)的能力，這樣就能更好地指導供熱系統(tǒng)的運行。為此，建立了模型參數(shù)自動修正機制。系統(tǒng)隨時從最近形成的歷史數(shù)據(jù)中提取有效樣本，追加到樣本庫中，定時自動擬合樣本，生成最新的模型參數(shù)。

文章以2014年10月-2015年4月期間125天的6000條實測數(shù)據(jù)基礎，按時間（每個時段的數(shù)據(jù)數(shù)量大致相同）、天氣情況（晴天、陰天、雪天情況下數(shù)據(jù)量大致相同）這兩個主要因素抽取出1200條訓練樣本。

網(wǎng)絡訓練時，在權值和閾值的修正算法中加入動量項，利用前一步得到的修正值來平滑學習路徑，避免陷入局部極小值，加速學習速度。同時，為了避免在逐個樣本訓練時，引起權值和閾值修正時發(fā)生的振蕩，文章采用將1200條訓練樣本分成120批，然后進行成批訓練的方法。

3 預測結果及誤差分析

網(wǎng)絡訓練過程中，為防止出現(xiàn)“過擬合”現(xiàn)象，每次學習前，隨機排列樣本順序，學習率h=0.8時，具有較好的收斂性。當設置網(wǎng)絡精度Emin=1.5500時，網(wǎng)絡訓練3762次收斂。圖5是供回水溫度預測值和實際值曲線對比圖。

將得出預測回水溫度與實測溫度進行對比，計算出預測回水溫度與實測回水溫度最大誤差為0.4900℃，平均誤差為0.1983℃，可以滿足預測的精度要求。表1為誤差分析，可得出文章在結合天氣預報的室外溫度時，提出的基于小波網(wǎng)絡預測方法明顯優(yōu)于同類方法。

4 結束語

文章在采用小波神經(jīng)網(wǎng)絡預測模型的基礎上，提出了結合天氣預報的預測氣溫作為模型的部分輸入，提高了預測的精度?，F(xiàn)場實驗表明，小波模型具有的函數(shù)逼近能力和模式分類能力很好地得以發(fā)揮?；谖恼路椒ㄩ_發(fā)的供熱參數(shù)預測系統(tǒng)已經(jīng)在大慶12個鍋爐房、熱力站投入使用，適用于單體鍋爐房、集中供熱、直供、混水等各種供熱形式，預測參數(shù)準確可靠，節(jié)能效果顯著。

參考文獻

[1]馬濤，徐向東. 基于小波網(wǎng)模型的區(qū)域供熱系統(tǒng)負荷預測[J]. 清華大學學報，2005，45（5）：708-710.

[2]魏宇杰，楊潔明. 基于小波神經(jīng)網(wǎng)絡和蟻群算法的供熱負荷預測[J].煤炭技術，2015，34（8）：307-309

[3]李琦，韓穎.基于天氣預報的集中供熱系統(tǒng)短期熱負荷預測[J]. 自動化與儀表，2015，2015（5）：5-8.

[4]Peder Bacher，Henrik Madsen，Henrik Aalborg Nielsen，et al. Short-term heat load forecasting for single family houses[J]. Energy Buildings， 2013， 65 ：101-112.

[5]崔高健，凡東生，崔永利. 基于Elman型神經(jīng)網(wǎng)絡集中供熱負荷預測模型的研究[J]. 建筑節(jié)能，2011，39（3）：9-11.

[6]王東亞，張琳，趙國材. 神經(jīng)網(wǎng)絡遺傳算法在供熱負荷預測中應用[J]. 遼寧工程技術大學學報，2005，24（4）：161-163.

[7]張經(jīng)博，郭凌，王朝霞. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的供暖系統(tǒng)熱負荷預測模型[J]. 四川兵工學院報，2014，35（4）：152-156.

[8]Maria Kolokotroni，Michael Davies，Ben Croxford，et al. A validated methodology for the prediction of heating and cooling energy demand for buildings within the Urban Heat Island： Case-study of London[J]. Solar Energy，2010，84（12）： 2246-2255.

[9]Cihan Turhan，Tugce Kazanasmaz，Ilknur Erlalelitepe Uygun，et al. Comparative study of a building energy performance software （KEP-IYTE-ESS） and ANN-based building heat load estimation[J]. Energy Buildings： 2014，85：115-125.

[10]陳烈，齊維貴，鄧盛川. 最大熵原理的供熱符合預報研究[J]. 西安電子科技大學學報，2008，35（1）：183-188.

[11]Box G， Jenkins G M， Reinsel G. Time series analysis： forecasting and control [M]. New York：PrenticeHall，2008.

作者簡介：蔣道福（1994-），男，在讀本科生，研究方向：供熱調(diào)節(jié)與控制。