熱力站日供熱量影響因素篩選與神經(jīng)網(wǎng)絡(luò)預(yù)測

1 概述

按需供熱對降低熱力站的能耗具有現(xiàn)實意義，也是提升供熱效率的關(guān)鍵所在

。熱負(fù)荷受氣象參數(shù)、用戶習(xí)慣、建筑保溫性能等因素影響，因此熱負(fù)荷預(yù)測是一項非常具有挑戰(zhàn)性的任務(wù)

。熱負(fù)荷影響因素的篩選和合理的預(yù)測方法是獲得準(zhǔn)確預(yù)測值的關(guān)鍵

。

付波

根據(jù)所研究熱力站的區(qū)域特點和負(fù)荷特征，分析出熱負(fù)荷的顯著影響因素有室外溫度、風(fēng)速等，并作為輸入元素引入用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。Geysen等人

結(jié)合瑞典羅特內(nèi)的10座住宅建筑特征以及天氣預(yù)報服務(wù)提供的室外溫度進行熱負(fù)荷預(yù)測和驗證。朱冬雪等人

根據(jù)熱力站特征分析出室外空氣相對濕度、風(fēng)速、太陽輻射、室外平均溫度是主要影響因素，通過建立熱負(fù)荷BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型使供熱系統(tǒng)改造后總能耗降低9.5%。劉也

經(jīng)過影響因素的篩選及相關(guān)性分析，將室外溫度、風(fēng)速、太陽輻射、前1 h熱負(fù)荷及前2 h熱負(fù)荷作為預(yù)測模型的輸入元素，通過機器學(xué)習(xí)進行熱負(fù)荷預(yù)測。Idowu等人

以室外溫度、歷史熱負(fù)荷、時間等參數(shù)為輸入，通過機器學(xué)習(xí)進行了熱負(fù)荷預(yù)測。Jihad等人

根據(jù)摩洛哥的供暖特征，建立熱負(fù)荷神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

2.2.5 水煎煮提取工藝正交試驗 根據(jù)上述的藥效篩選結(jié)果，對水煎煮提取工藝進行正交試驗，以君藥黃芪中黃芪甲苷含量（Y1）和固形物質(zhì)量（Y2）為評價指標(biāo)，并分別賦予權(quán)重系數(shù)0.6和0.4，計算綜合評分值[Y，Yi＝(X1i/X1max×0.6＋X2i/X2max×0.4)×100]，對影響煎煮的加水量（A）、煎煮時間（B）和煎煮次數(shù)（C）進行優(yōu)選。因素與水平見表3。

劉鵬飛等人

在熱負(fù)荷預(yù)測中將供水溫度、日平均流量、日最低室外溫度、日最高室外溫度、日平均回水溫度作為影響因素，得到預(yù)測精度更高且比較穩(wěn)定的結(jié)論。Dagdougui等人

研究了包括時間、氣象條件和歷史數(shù)據(jù)在內(nèi)的不同類型影響因素，得到室外溫度是影響熱負(fù)荷預(yù)測的主要氣象條件之一，對預(yù)測結(jié)果有明顯的影響。孟亞男等人

在基于室外溫度的熱負(fù)荷預(yù)測研究中提到，若將所有可能產(chǎn)生影響的因素全部考慮進去，得到的不一定是最好的預(yù)測模型。

一般情況下，大多數(shù)企業(yè)在生產(chǎn)環(huán)節(jié)上都需投入較多的人力、財力和物力，因此產(chǎn)品的生產(chǎn)過程是企業(yè)成本控制的重要環(huán)節(jié)。企業(yè)的生產(chǎn)成本主要包括材料成本、人力成本與制造費用，材料成本的控制需要避免不必要的浪費，人力成本的控制就需要加大流水線上的機械化程度，而制造費用的控制就需要減少公司在日常生產(chǎn)過程中因人為因素產(chǎn)生的成本，比如，水電費，設(shè)備維修費等。

當(dāng)風(fēng)送系統(tǒng)的風(fēng)機轉(zhuǎn)速在2000轉(zhuǎn)/分，籽粒水分含量大于20%時，風(fēng)道入口容易堵塞，需打開堵蓋疏通，工作量較大，轉(zhuǎn)速加大則出現(xiàn)嗑籽和撒籽現(xiàn)象。建議在收獲前測定葵盤、籽粒含水率，選擇籽粒水分含水率小于20%的地塊進行收獲。

本文采用相關(guān)性分析法、顯著性檢驗法，對初始影響因素進行篩選。分別篩選出與熱力站日供熱量具有明顯相關(guān)性、顯著性水平高的影響因素。將初始影響因素、具有明顯相關(guān)性的影響因素、顯著性水平高的影響因素分別作為BP神經(jīng)網(wǎng)絡(luò)輸入元素，建立熱力站日供熱量預(yù)測模型(以下簡稱預(yù)測模型)。采用相對誤差、均方根誤差和決定系數(shù)分別評價預(yù)測結(jié)果的可信程度、預(yù)測模型的穩(wěn)定性、預(yù)測模型擬合效果。

2 預(yù)測流程

① 數(shù)據(jù)采集與處理。數(shù)據(jù)包括室外溫度、室內(nèi)溫度、室外風(fēng)速、供熱量等，數(shù)據(jù)處理采用極大極小值法對原始數(shù)據(jù)進行歸一化處理。

② 影響因素篩選。篩選方法分為相關(guān)性分析、顯著性檢驗，分別篩選出與熱力站日供熱量具有明顯相關(guān)性、顯著性水平高的影響因素。為方便表述，將未經(jīng)篩選的影響因素稱為初始影響因素。

③ 預(yù)測模型建立。將初始影響因素、具有明顯相關(guān)性的影響因素、顯著性水平高的影響因素作為神經(jīng)網(wǎng)絡(luò)輸入元素，分別建立預(yù)測模型。

,pre

——第

個熱力站日供熱量預(yù)測值，GJ

3 預(yù)測模型

3.1 預(yù)測模型

室外溫度、室內(nèi)溫度、歷史供熱量、建筑類型以及圍護結(jié)構(gòu)等影響因素具有動態(tài)性且與熱力站日供熱量呈較大的非線性關(guān)系，而人工神經(jīng)網(wǎng)絡(luò)具有表達任意非線性映射的能力，能夠?qū)Ψ蔷€性系統(tǒng)進行建模

。

（3）本文經(jīng)彩色多普勒超聲檢查的截癱患者靜脈血栓發(fā)生率與文獻[5]報道一致。我們于治療前后動態(tài)觀察下肢靜脈血栓，發(fā)現(xiàn)治療后血栓縮小，血管再通率較治療前提高，且截癱患者康復(fù)時間也明顯縮短。可以說，利用高頻彩色多普勒超聲動態(tài)觀察截癱患者下肢靜脈血栓形成情況對指導(dǎo)臨床治療有重要意義。

3.2 影響因素篩選

采用相對誤差、均方根誤差和決定系數(shù)對預(yù)測模型進行評價，計算式分別為：

相關(guān)性分析是通過相關(guān)系數(shù)度量2個隨機變量之間的相關(guān)程度。相關(guān)系數(shù)

的區(qū)間為[-1，1]，當(dāng)

∈[-1，0)時，表示負(fù)相關(guān)。當(dāng)

∈(0，1]時，表示正相關(guān)。當(dāng)

為0時，表示不相關(guān)。|

|越大，說明相關(guān)性越強。本文選取|

|>0.3作為影響因素與熱力站日供熱量具有明顯相關(guān)性的判據(jù)。

② 顯著性檢驗

室外最高溫度、室外最低溫度、室外日平均風(fēng)速和歷史供熱量等因素均會對熱力站日供熱量產(chǎn)生影響。但研究表明，若把所有影響因素全部考慮進去，得到的不一定是最好的預(yù)測模型

。因此，采用逐步回歸分析法分析影響因素的顯著性水平

。將熱力站日供熱量作為因變量，影響因素作為自變量。當(dāng)顯著性水平

值小于0.05時，說明影響因素的顯著性水平高。

BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層、輸出層，是一種具有3層或3層以上的多層神經(jīng)網(wǎng)絡(luò)，每一層都由若干個神經(jīng)元組成

。采用LM(Levenberg-Marquardt)算法訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)(本文稱為LM-BP神經(jīng)網(wǎng)絡(luò))，可以給出非線性最小化的數(shù)值解。LM算法結(jié)合了高斯-牛頓算法和梯度下降法的優(yōu)點。重要的是，對于過參數(shù)化問題不敏感，能有效處理冗余參數(shù)問題，使代價函數(shù)陷入局部極小值的概率大大減小

。因此，本文采用LM-BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型。

3.3 預(yù)測模型評價指標(biāo)

① 相關(guān)性分析

1.4.2 組織樣品 分娩之后，應(yīng)當(dāng)快速選取離母體面接近的胎盤臍帶處組織2～4塊，每塊約1 cm3，需要注意的是取組織時應(yīng)避開鈣化點保存于-80 ℃和4%多聚甲醛固定。

——熱力站日供熱量實際值的算術(shù)平均值，GJ

那天，她把縫紉機的針距調(diào)錯了，自己根本沒有意識到。當(dāng)她把幾百個袋子扎完，送到質(zhì)檢員陳建偉那里，還是陳建偉發(fā)現(xiàn)的問題。

④ 預(yù)測效果評價。依據(jù)預(yù)測效果評價指標(biāo)，對不同預(yù)測模型進行評價。

天子射熊，諸侯射麋，卿大夫射虎豹，士射鹿豕，示服猛也。名布為侯，示射無道諸侯也。夫畫布為熊、糜之象，名布為或，禮貴意象，示義取名也。土龍亦夫熊糜、布侯之類。[13](P923)

——均方根誤差，GJ

——數(shù)據(jù)樣本數(shù)量

——決定系數(shù)

,act

——第

個熱力站日供熱量實際值，GJ

式中

——相對誤差

相對誤差表征預(yù)測結(jié)果的可信性，以相對誤差絕對值<5%的預(yù)測值比例達到90%及以上為預(yù)期。均方根誤差表征預(yù)測值相對于實際值的平均偏差情況，可以用來評價預(yù)測模型的穩(wěn)定性。均方根誤差越小，預(yù)測模型的穩(wěn)定性越高。決定系數(shù)取值范圍為0～1，決定系數(shù)越大，表示預(yù)測模型擬合效果越好。

4 算例分析

4.1 數(shù)據(jù)采集與處理

以北京某熱力站為研究對象，采集2019至2020年供暖期系統(tǒng)運行數(shù)據(jù)。采集數(shù)據(jù)包括室外溫度、室內(nèi)溫度、室外風(fēng)速、供熱量等，每5 min采集1次。由于室內(nèi)溫度的有效性存在比較嚴(yán)重的問題，因此影響因素未考慮室內(nèi)溫度。對數(shù)據(jù)進行整理，得到室外日最高溫度、室外日最低溫度、室外日平均溫度、室外日平均風(fēng)速、日供熱量等，共121組數(shù)據(jù)。對數(shù)據(jù)中的缺失值和異常值進行處理，部分缺失值采用均值插補法。不在最低和最高區(qū)間的異常數(shù)值刪除，有條件的采用均值插補法填補，最終得到有效數(shù)據(jù)97組。采用極大極小值法，對有效數(shù)據(jù)進行歸一化處理

。

4.2 影響因素篩選

初始影響因素與熱力站日供熱量的相關(guān)系數(shù)見表1。在進行顯著性檢驗時，除相關(guān)性分析中的7個影響因素外，還加入了供暖室內(nèi)設(shè)計溫度，初始影響因素的顯著性水平見表2。

由表1可知，與熱力站日供熱量具有明顯相關(guān)性的影響因素有6個，按相關(guān)系數(shù)絕對值從大到小排序：前1 d供熱量、室外日平均溫度、室外日最低溫度、前2 d供熱量、前3 d供熱量和室外日最高溫度。室外日平均風(fēng)速與熱力站日供熱量的相關(guān)性很小。由表2的顯著性水平

值可知，與熱力站日供熱量顯著相關(guān)的影響因素為室外日最高溫度、室外日最低溫度、前1 d供熱量和供暖室內(nèi)設(shè)計溫度。

對于廣大的英語學(xué)習(xí)者而言，提高寫作能力是他們的追求，良好的英語寫作水平象征著對英語這門語言的掌握程度。有些人漢語寫作水平很高，倚馬可待，可是一寫到英語作文就語塞。要寫好作文，不僅要有過硬的語言基本功，而且還需要具有審題、處理信息、駕馭文章結(jié)構(gòu)、使用各種體裁和安排文章內(nèi)容的能力。那么，我們?nèi)绾尾拍芴岣咦约旱挠⒄Z寫作水平呢？

4.3 預(yù)測模型與結(jié)果分析

采用MATLAB軟件建立預(yù)測模型，將表1中的7個初始影響因素作為預(yù)測模型A的輸入元素，將具有明顯相關(guān)性的6個影響因素作為預(yù)測模型B的輸入元素，將顯著性水平高的4個影響因素作為預(yù)測模型C的輸入元素。3個預(yù)測模型隱含層的層數(shù)均為10層。隨機選取70%的樣本數(shù)據(jù)作為訓(xùn)練集，隨機選取15%的樣本數(shù)據(jù)作為驗證集，剩余15%的樣本數(shù)據(jù)作為測試集。

在驗證集中隨機選取10組樣本數(shù)據(jù)，分別采用預(yù)測模型A～C對熱力站日供熱量進行預(yù)測，預(yù)測結(jié)果見表3。與實際值相比，預(yù)測模型A～C預(yù)測值的相對誤差見表4。由表4可知，預(yù)測模型B、C實現(xiàn)了相對誤差絕對值的預(yù)期(相對誤差絕對值小于5%的比例達到90%及以上)，預(yù)測模型A未實現(xiàn)預(yù)期。與預(yù)測模型A相比，預(yù)測模型B、C的預(yù)測結(jié)果更加可信。

分別將驗證集、測試集作為數(shù)據(jù)集，預(yù)測模型A～C的均方根誤差、決定系數(shù)分別見表5、6。由表5可知，采用不同數(shù)據(jù)集時，預(yù)測模型C的均方根誤差均最小，說明預(yù)測模型C的穩(wěn)定性最高。由表6可知，采用不同數(shù)據(jù)集時，預(yù)測模型C的決定系數(shù)均最大，說明預(yù)測模型C的擬合效果最好。

預(yù)測模型C綜合性能最好，以顯著性水平高的影響因素作為輸入元素的預(yù)測模型的預(yù)測結(jié)果可信性、穩(wěn)定性、擬合效果最佳。

5 結(jié)論

預(yù)測模型C綜合性能最好。以顯著性水平高的影響因素作為輸入元素的預(yù)測模型的預(yù)測結(jié)果可信性、穩(wěn)定性、擬合效果最佳。

[ 1 ] 李銳，董妍，薛煒，等. 住宅區(qū)供熱負(fù)荷預(yù)測研究[J]. 區(qū)域供熱，2019(3)：28-31，60.

[ 2 ] 單小偉. 智能樓宇中采用的節(jié)能控制技術(shù)原理分析[J]. 科技風(fēng)，2020(10)：9.

[ 3 ] 吳康福. 基于模糊神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測模型構(gòu)建[J]. 中阿科技論壇，2021(5)：85-87.

[ 4 ] GIANNIOU P，LIU X，HELLER A，et al. Clustering-based analysis for residential district heating data[J]. Energy Conversion and Management，2018，165：840-850 .

[ 5 ] LIU Y F，HU X X，LUO X，et al. Identifying the most significant input parameters for predicting district heating load using an association rule algorithm[J]. Journal of Cleaner Production，2020，275：122984-1-10.

[ 6 ] 付波. 住宅區(qū)熱力站負(fù)荷預(yù)測研究(碩士學(xué)位論文)[D]. 北京：北京建筑大學(xué)，2019：12-15.

[ 7 ] GEYSEN D，SOMER O D，JOHANSSON C，et al. Operational thermal load forecasting in district heating networks using machine learning and expert advice[J]. Energy & Buildings，2018，162：144-153.

[ 8 ] 朱冬雪，鹿世化，張帆，等. BP算法預(yù)測控制在供熱系統(tǒng)中的節(jié)能應(yīng)用[J]. 建筑熱能通風(fēng)空調(diào)，2020(4)：50-52，65.

[ 9 ] 劉也. 基于小波神經(jīng)網(wǎng)絡(luò)與支持向量機的供熱負(fù)荷預(yù)測方法研究(碩士學(xué)位論文)[D]. 吉林：東北電力大學(xué)，2020：32-35.

[10] IDOWU S，SAGUNA S，AHLUND C，et al. Applied machine learning: forecasting heat load in district heating system[J]. Energy & Buildings，2016，133：478-488.

[11] JIHAD A S，TAHIRI M. Forecasting the heating and cooling load of residential buildings by using a learning algorithm “gradient descent”，Morocco[J]. Case Studies in Thermal Engineering，2018，12：85-93.

[12] 劉鵬飛，李銳，王巖. 基于灰色神經(jīng)網(wǎng)絡(luò)模型的區(qū)域供熱負(fù)荷預(yù)測研究[J]. 暖通空調(diào)，2019(5)：124-128.

[13] DAGDOUGUI H，BAGHERI F，LE H，et al. Neural network model for short-term and very-short-term load forecasting in district buildings[J]. Energy & Buildings，2019，203：109408-1-8.

[14] 孟亞男，姚潔. 基于室外溫度的供熱負(fù)荷預(yù)測研究[J]. 吉林化工學(xué)院學(xué)報，2020(5)：31-33.

[15] 潘世英，丁鑫，崔玥，等. MLP神經(jīng)網(wǎng)絡(luò)在供暖室內(nèi)溫度預(yù)測的應(yīng)用[J]. 煤氣與熱力，2019(7)：A40-A44.

[16] 于波，盧欣，李浩，等. 基于負(fù)荷預(yù)測的園區(qū)供熱系統(tǒng)運行優(yōu)化技術(shù)[J]. 電力建設(shè)，2017(12)：77-86.

[17] 胡江濤，王新軻，劉罡. 人工神經(jīng)網(wǎng)絡(luò)預(yù)測供熱系統(tǒng)供水溫度[J]. 煤氣與熱力，2019(3)：A06-A11.

[18] OUAMMI A，ZEJLI D，DAGDOUGUI H，et al. Artificial neural network analysis of moroccan solar potential[J]. Renewable and Sustainable Energy Reviews，2012，16：4876-4889.

[19] 張鴻燕，耿征. Levenberg-Marquardt算法的一種新解釋[J]. 計算機工程與應(yīng)用，2009(19):5-8.

[20] 姚健，周偉國，張中秀. 人工神經(jīng)網(wǎng)絡(luò)法燃?xì)馊肇?fù)荷預(yù)測輸入變量選取[J]. 煤氣與熱力，2010(1)：B28-B30.

[21] ZHAO Y，ZHANG C B，ZHANG Y W，et al. A review of data mining technologies in building energy systems: load prediction，pattern identification，fault detection and diagnosis[J]. Energy and Built Environment，2020(2)：149-164.