用熱影響參數(shù)對熱力站日供熱量預(yù)測的影響

1 概述

有效預(yù)測熱負(fù)荷，可合理指導(dǎo)供熱，從而提高供熱質(zhì)量，避免能源浪費

。目前，常用的熱負(fù)荷預(yù)測方法有時間序列預(yù)測模型

、灰色系統(tǒng)模型

、支持向量機法

、回歸分析法

、人工神經(jīng)網(wǎng)絡(luò)

等。時間序列預(yù)測模型、灰色系統(tǒng)模型均具有所需數(shù)據(jù)少、運算快的優(yōu)點，但前者建模復(fù)雜，后者僅適用于短期的熱負(fù)荷預(yù)測。支持向量機法不但建模困難，而且對于隨機波動性較強的中小系統(tǒng)預(yù)測效果差。回歸分析法不僅對數(shù)據(jù)要求較高，而且預(yù)測精度差。人工神經(jīng)網(wǎng)絡(luò)具有很強的非線性和自適應(yīng)性，但存在泛化性差的問題。BP神經(jīng)網(wǎng)絡(luò)可基于預(yù)測誤差調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，從而提高熱負(fù)荷預(yù)測的準(zhǔn)確性。

本文將室外溫度、歷史供熱量、生活熱水平均日供回水溫差、日期類型作為用熱影響參數(shù)(室外溫度分為日最大值、日最小值、日平均值，歷史供熱量分為前1日供熱量、前2日供熱量、前3日供熱量，日期類型分為工作日、節(jié)假日)，構(gòu)建8組用熱影響參數(shù)組合，采用BP神經(jīng)網(wǎng)絡(luò)建立熱力站日供熱量預(yù)測模型1～8。將平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)、相對誤差絕對值(ARE)作為指標(biāo)，評價預(yù)測模型的可靠性、穩(wěn)定性以及預(yù)測結(jié)果的可信程度。

2 用熱影響參數(shù)

室外溫度是影響熱負(fù)荷的重要因素，因此作為關(guān)鍵的用熱影響參數(shù)。由于圍護結(jié)構(gòu)具有保溫性能和熱惰性，室內(nèi)溫度變化和供熱系統(tǒng)的熱量傳輸具有一定延遲，歷史供熱量對于當(dāng)日供熱量也會產(chǎn)生影響，因此選取歷史供熱量作為用熱影響參數(shù)。若供熱系統(tǒng)兼顧供暖、供生活熱水(生活熱水由熱力站一級側(cè)換熱制備)，那么生活熱水供回水溫差在一定程度上將影響供熱量，因此引入生活熱水供回水溫差作為用熱影響參數(shù)。通常，工作日與節(jié)假日供熱量不同，因此也將日期類型作為用熱影響參數(shù)。

3 案例分析

3.1 數(shù)據(jù)獲得

本文以北京某熱力站為研究對象，熱力站供熱面積為89 087 m

，兼顧建筑供暖和供生活熱水。熱力站調(diào)度人員根據(jù)室外溫度以及工作日與節(jié)假日調(diào)節(jié)供熱參數(shù)。采集數(shù)據(jù)包括室外溫度、生活熱水供回水溫度、供熱量等，5 min采集1次數(shù)據(jù)，并以日為單位對采集數(shù)據(jù)進行整理。

2017—2018年、2018—2019年、2019—2020年供暖期共收集107組原始數(shù)據(jù)。對數(shù)據(jù)進行預(yù)處理，將某數(shù)據(jù)與前后1日的數(shù)據(jù)相比，若相對誤差絕對值超過130%，則視為異常數(shù)據(jù)，并采用刪去法與插值法進行修正。預(yù)處理后的有效數(shù)據(jù)集共98組，88組作為訓(xùn)練集，10組作為驗證集。

3.2 預(yù)測方法

預(yù)測流程為：根據(jù)用熱影響參數(shù)組合導(dǎo)入數(shù)據(jù)，建立8種預(yù)測模型。運行預(yù)測模型，BP神經(jīng)網(wǎng)絡(luò)通過信號前向傳遞，得到供熱量預(yù)測結(jié)果并計算誤差，若誤差小于目標(biāo)誤差，即為滿足終止條件，即可輸出當(dāng)前結(jié)果，否則執(zhí)行誤差反向傳播，對網(wǎng)絡(luò)中的權(quán)值和閾值進行修正調(diào)整，再次執(zhí)行信號前向傳遞，直至滿足終止條件。

各預(yù)測模型的評價指標(biāo)均值(由10組數(shù)據(jù)得到的評價指標(biāo)的算術(shù)平均值)見表3。由表3可知，預(yù)測模型7的平均絕對誤差均值、平均絕對百分比誤差均值、均方根誤差均值在8種預(yù)測模型中最小，說明預(yù)測模型7的可靠性、穩(wěn)定性最好。與用熱影響參數(shù)組合加入日期類型前相比，除預(yù)測模型6外，預(yù)測模型5、7、8預(yù)測結(jié)果的平均絕對誤差均值、平均絕對百分比誤差均值、均方根誤差均值均出現(xiàn)了下降。主要原因是預(yù)測模型6陷入了局部極小值。因此，加入日期類型可提高預(yù)測模型的可靠性、穩(wěn)定性。

利用MATLAB軟件建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，預(yù)測模型由輸入層、隱藏層、輸出層組成。隱藏層層數(shù)與神經(jīng)元的選擇對構(gòu)建神經(jīng)網(wǎng)絡(luò)有重要影響，可借助試算法確定。確定BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率為0.1，訓(xùn)練目標(biāo)誤差為10

，迭代次數(shù)為1 000次，隱藏層為10層。

筆者構(gòu)建了8組用熱影響參數(shù)組合(見表1)，每個用熱影響參數(shù)組合包括6～8個用熱影響參數(shù)。表1中，“○”表示用熱影響參數(shù)組合包含該用熱影響參數(shù)，“×”表示不包含。采用歸一化法將不同日期類型的影響進行量化以作為用熱影響參數(shù)，量化結(jié)果為：工作日0.4，節(jié)假日0.7。

驗證集10組數(shù)據(jù)的實際值與各預(yù)測模型的預(yù)測結(jié)果見表2。

3.3 預(yù)測效果評價指標(biāo)

平均絕對誤差、平均絕對百分比誤差可反映預(yù)測模型的可靠性。均方根誤差用于表征預(yù)測結(jié)果相對于實際結(jié)果的平均偏差情況，可用來評價預(yù)測模型的穩(wěn)定性

。相對誤差絕對值可以表征預(yù)測結(jié)果的可信程度，以相對誤差絕對值<5%的預(yù)測結(jié)果占比達到90%及以上為預(yù)期。

當(dāng)采用不同的用熱影響參數(shù)組合時，預(yù)測模型的預(yù)測效果不同。因此，分別采用平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)、相對誤差絕對值(ARE)評價預(yù)測效果。以上4項指標(biāo)越小，表明預(yù)測模型的預(yù)測效果越好。

3.4 預(yù)測結(jié)果與分析

加強政策法律法規(guī)體系建設(shè)。宏觀層面要出臺“森林旅游生態(tài)補償管理辦法”；微觀層面，作為公園本身，要通過合同明確相關(guān)主體責(zé)任，建立獎懲機制。

（2）及時清理廢物。對于圈舍的清潔頻率通常要縮短到每天，及時清除糞便可以從源頭鏟除病原微生物的生活場所，而及時消毒又可以將病菌等進一步滅殺，防患于未然。

吉林省應(yīng)用型本科院校的服裝設(shè)計與工程專業(yè)應(yīng)依據(jù)國家和吉林省地方經(jīng)濟社會發(fā)展的需要，借鑒發(fā)達國家的有益經(jīng)驗，跳出原有的人才培養(yǎng)模式，構(gòu)建多規(guī)格、多渠道、模塊化的人才培養(yǎng)新模式，架設(shè)服裝設(shè)計與工程專業(yè)人才培養(yǎng)的立交橋，要回歸教育本位，緊密結(jié)合地方經(jīng)濟和社會發(fā)展進行服裝設(shè)計與工程專業(yè)人才培養(yǎng)模式的改革與創(chuàng)新，既遵循人才培養(yǎng)規(guī)律，又結(jié)合國情、省情、校情，確定適宜的人才培養(yǎng)標(biāo)準(zhǔn)和方案。

各預(yù)測模型預(yù)測結(jié)果的相對誤差絕對值分布見表4。由表4可知，在8種預(yù)測模型中，預(yù)測模型3、4、5、7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)，特別是模型5、7的預(yù)期達到100%。說明模型5、7預(yù)測結(jié)果的可信程度最高。

過去的10年，是我國水利事業(yè)實現(xiàn)跨越發(fā)展，水利公共服務(wù)水平明顯提升的10年，也是公共財政對水利投入顯著增長，財政支持政策逐步完善的10年。中央財政始終將支持水利改革發(fā)展作為加快轉(zhuǎn)變經(jīng)濟發(fā)展方式的重要抓手和促進糧食穩(wěn)產(chǎn)增產(chǎn)的重要措施，大幅度增加投入，完善支持政策，推動深化改革，加強資金監(jiān)管，為水利事業(yè)又好又快發(fā)展提供了有力支撐。

4 結(jié)論

預(yù)測模型7的可靠性、穩(wěn)定性最好，預(yù)測結(jié)果的可信程度最高。加入日期類型可提高預(yù)測模型的可靠性、穩(wěn)定性。

[ 1 ] 王文標(biāo)，蔡麒，汪思源. 基于氣象因素的集中供熱系統(tǒng)熱負(fù)荷預(yù)測研究[J]. 計算機測量與控制，2016(2)：22-26.

[ 2 ] 張林，羅曉初，徐瑞林，等. 基于時間序列的電力負(fù)荷預(yù)測新算法研究[J]. 電網(wǎng)技術(shù)，2006(S2)：595-599.

[ 3 ] 陳柳. 小波時間序列在空調(diào)負(fù)荷預(yù)測中的應(yīng)用[J]. 流體機械，2008(2)：83-86.

[ 4 ] 胡世廣，王琦. 改進灰色預(yù)測模型在熱電廠熱負(fù)荷預(yù)測中的應(yīng)用[J]. 電力學(xué)報，2019(6)：538-542，597.

[ 5 ] 羅時超. 基于神經(jīng)網(wǎng)絡(luò)和灰色系統(tǒng)的供暖熱負(fù)荷組合預(yù)測方法研究(碩士學(xué)位論文)[D]. 廣州：暨南大學(xué)，2017：16-17.

[ 6 ] MILAN P，SHAHABODDIN S. Appraisal of soft computing methods for short term consumers’heat load prediction in district heating systems[J]. Energy，2015，82：697-704.

[ 7 ] TAMAH A，AFRAM K. Prediction of heat load in district heating systems by support vector machine with firefly searching algorithm[J]. Energy，2016，95：266-273.

[ 8 ] CAI Q，WANG W B. Multiple regression model based on weather factors for predicting the heat load of a district heating system in Dalian, China—A case study[J]. Open Cybernetics and Systemics Journal，2015(1)：2755-2773.

[ 9 ] PARK S K，MOON H J，MIN K C，et al. Application of a multiple linear regression and an artificial neural network model of the heating performance analysis and hourly prediction of a large-scale ground source heat pump system[J]. Energy and Building，2018，165：206-215.

[10] XIE L. The heat load prediction model based on BP neural network-markov model[J]. Procedia Computer Science，2017，107：296-300.

[11] SONG J C，PAN X H，MA Y P. Hourly heat load prediction model based on temporal convolutional neural network[J]. IEEE Access，2020(8)：16726-16741.

[12] 卜云婷，謝慕君，姜長泓，等. 二級管網(wǎng)供水溫度的改進型RBF神經(jīng)網(wǎng)絡(luò)預(yù)測[J]. 煤氣與熱力，2015(10)：A14-A17.

[13] 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)，2020：12-13.