基于多神經(jīng)網(wǎng)絡(luò)的綜合能源系統(tǒng)用戶側(cè)冷熱負(fù)荷預(yù)測(cè)模型

張文棟, 劉子琨

(五凌電力有限公司,湖南,長(zhǎng)沙 410000)

0 引言

城鎮(zhèn)化發(fā)展過(guò)程中,按照小區(qū)形式建立綜合能源系統(tǒng),實(shí)現(xiàn)區(qū)域建筑群同步化供冷供熱的方式不斷推廣[1]。為了滿足能源可持續(xù)化發(fā)展要求,用戶側(cè)冷熱負(fù)荷預(yù)測(cè)是不可或缺的環(huán)節(jié)[2]?；谪?fù)荷預(yù)測(cè)結(jié)果,指導(dǎo)該區(qū)域綜合能源系統(tǒng)的供給規(guī)劃,有利于降低區(qū)域綜合能源的消耗。

現(xiàn)有的冷熱負(fù)荷預(yù)測(cè)模型并未從用戶側(cè)入手,預(yù)測(cè)結(jié)果精度較低,如何構(gòu)建高精度負(fù)荷預(yù)測(cè)模型成為研究重點(diǎn)。文獻(xiàn)[3]利用調(diào)整誤差算法,根據(jù)區(qū)域歷史天氣信息預(yù)測(cè)天氣情況,結(jié)合區(qū)域歷史負(fù)荷數(shù)據(jù),在遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的作用下,獲取負(fù)荷預(yù)測(cè)結(jié)果,該方法在實(shí)際應(yīng)用中獲取的預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)相比誤差較大。文獻(xiàn)[4]以主成分分析方法為基礎(chǔ),對(duì)冷、熱負(fù)荷的本征模態(tài)進(jìn)行分解,獲取降維后的特征數(shù)據(jù)。采用DBiLSTM 神經(jīng)網(wǎng)絡(luò)和MLR得到重構(gòu)后的預(yù)測(cè)結(jié)果,但是該方法應(yīng)用范圍較小,拓展性較差。文獻(xiàn)[5]采用k-means聚類方法將多種負(fù)荷像素,按照相關(guān)性進(jìn)行重構(gòu)。選取多通道卷積神經(jīng)網(wǎng)絡(luò)分析聚類處理后的負(fù)荷像素,提取負(fù)荷特征。最后,按照長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)合時(shí)序方法,得到高精度負(fù)荷預(yù)測(cè)值。但是,該預(yù)測(cè)方法穩(wěn)定性較差。

對(duì)此,從用戶側(cè)角度進(jìn)行研究,以多神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),設(shè)計(jì)綜合能源系統(tǒng)冷熱負(fù)荷預(yù)測(cè)模型,極大程度上提升了負(fù)荷預(yù)測(cè)精度。

1 基于多神經(jīng)網(wǎng)絡(luò)的綜合能源系統(tǒng)用戶側(cè)冷熱負(fù)荷預(yù)測(cè)模型設(shè)計(jì)

1.1 分析綜合能源系統(tǒng)的能量流

區(qū)域綜合能源系統(tǒng)包括電力、熱力和燃力3種子系統(tǒng),通過(guò)轉(zhuǎn)換設(shè)備使得每個(gè)子系統(tǒng)之間相連,系統(tǒng)內(nèi)能量流如圖1所示。

圖1 含電、熱、氣的綜合能源系統(tǒng)

基于圖1,對(duì)熱力系統(tǒng)進(jìn)行研究,輔助用戶側(cè)冷熱負(fù)荷的預(yù)測(cè)工作。熱力系統(tǒng)中以水作為主要傳輸介質(zhì),熱量從熱源出發(fā),隨著溫度較高的傳輸介質(zhì)到達(dá)熱負(fù)荷位置,經(jīng)由散熱器將熱能傳遞至用戶,直到溫度降低到閾值,通過(guò)回?zé)峁艿婪祷刂粱責(zé)嵩碵6]。通過(guò)水力與熱力分析熱力系統(tǒng)能量流,其中水力能量流表達(dá)式為

(1)

式中,A表示節(jié)點(diǎn)關(guān)聯(lián)矩陣,s表示供熱網(wǎng)絡(luò)的節(jié)點(diǎn),m表示節(jié)點(diǎn)流出的流量,q表示節(jié)點(diǎn)數(shù)量,B表示回路關(guān)聯(lián)矩陣,h表示供熱管網(wǎng)的回路,f表示壓頭損失向量。其中,f計(jì)算式為

f=Km|m|

(2)

式中,K表示綜合能源系統(tǒng)內(nèi)管道的阻力系數(shù)矩陣。而綜合能源系統(tǒng)熱力能量流表達(dá)式為

(3)

式中,φ表示熱力網(wǎng)絡(luò)的節(jié)點(diǎn)熱功率,C表示傳輸介質(zhì)的比熱容,T表示溫度,Ts表示負(fù)荷之前的傳輸介質(zhì)溫度,To表示負(fù)荷之后的傳輸介質(zhì)溫度,Tend表示能源系統(tǒng)管道末端溫度,Tstart表示管道始端溫度,Ta表示管道周圍環(huán)境溫度,λ表示熱導(dǎo)率,mout表示流出流量溫度,min表示流入流量溫度,Tout表示流出介質(zhì)溫度,Tin表示流入介質(zhì)溫度。

通過(guò)上述計(jì)算,得到區(qū)域綜合能源系統(tǒng)的能量流分析結(jié)果,為后續(xù)負(fù)荷預(yù)測(cè)提供理論基礎(chǔ)。

1.2 獲取用戶側(cè)冷熱負(fù)荷計(jì)算參數(shù)

冷熱負(fù)荷預(yù)測(cè)是綜合能源系統(tǒng)服務(wù)的基礎(chǔ),為了加強(qiáng)預(yù)測(cè)準(zhǔn)確性[7],將冷熱負(fù)荷的影響因素劃分為兩類參數(shù)。一部分是自有屬性參數(shù),包括用戶側(cè)建筑朝向、窗墻比以及熱阻等固定參數(shù);另一部分是運(yùn)行屬性參數(shù),包括內(nèi)部熱源、人員安排等隨時(shí)發(fā)生變化的數(shù)據(jù)[8]。

對(duì)用戶側(cè)冷熱負(fù)荷預(yù)測(cè)時(shí),將單位時(shí)間內(nèi)房間冷負(fù)荷pα和熱負(fù)荷pβ預(yù)測(cè),二者應(yīng)該滿足:

(4)

式中,p1表示溫差引起的用戶側(cè)熱量傳遞,p2表示建筑吸收的太陽(yáng)輻射,p3表示空氣滲透熱量,p4表示綜合散熱功率。依據(jù)國(guó)家標(biāo)準(zhǔn)傳熱學(xué)基本原理可知,p1滿足:

(5)

式中,r表示用戶側(cè)建筑窗戶墻體比值,k表示地面綜合傳熱系數(shù),A表示用戶側(cè)空調(diào)面積,Aa表示外墻面積,Ab表示窗戶面積,Ra表示外墻熱阻,Rb表示窗戶熱阻,η1表示外界環(huán)境溫度,η2表示室內(nèi)溫度,η3表示地表溫度。建筑吸收的太陽(yáng)輻射計(jì)算式為

(6)

式中,ε表示傳熱修正系數(shù),θ表示平均傳熱系數(shù),?表示用戶側(cè)圍護(hù)結(jié)構(gòu),g表示太陽(yáng)輻射,θ?表示用戶側(cè)圍護(hù)結(jié)構(gòu)的平均傳熱系數(shù),θg表示太陽(yáng)輻射的平均傳熱系數(shù)?？諝鉂B透熱量計(jì)算式為

(7)

式中,ρ表示空氣比熱容,N表示換氣次數(shù),V表示換氣體積。綜合散熱功率計(jì)算式為

(8)

式中,l表示建筑單層高度,e表示室內(nèi)設(shè)備密度,μ表示平均散熱功率。

1.3 設(shè)計(jì)多神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方案

以冷熱負(fù)荷預(yù)測(cè)的計(jì)算參數(shù)為基礎(chǔ)[9],結(jié)合BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò),設(shè)計(jì)多神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方案。首先,將負(fù)荷計(jì)算參數(shù)輸入3種神經(jīng)網(wǎng)絡(luò)內(nèi),獲取用戶側(cè)冷熱負(fù)荷預(yù)測(cè)結(jié)果[10]。采用非線性關(guān)系,分析3種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果相關(guān)性,得到誤差平方和χ:

(9)

式中,?表示樣本個(gè)數(shù),j表示非線性函數(shù),i表示預(yù)測(cè)次數(shù),fi是第i次的實(shí)際負(fù)荷值,f1i表示BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果,f2i表示RBF網(wǎng)絡(luò)預(yù)測(cè)結(jié)果,f3i表示小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果。

將3種神經(jīng)網(wǎng)絡(luò)相結(jié)合形成多神經(jīng)預(yù)測(cè)網(wǎng)絡(luò)后,常規(guī)的遺傳算法難以求解出預(yù)測(cè)結(jié)果。考慮到3層神經(jīng)網(wǎng)絡(luò)可以完成復(fù)雜非線性映射,同時(shí)按照任意精度貼近各階導(dǎo)數(shù)。所以,在多神經(jīng)網(wǎng)絡(luò)的3層前向結(jié)構(gòu)中,輸入上述3種單獨(dú)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值,并將實(shí)際值當(dāng)作網(wǎng)絡(luò)輸出結(jié)果,實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練。本文將多神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)描述為圖2。其中,隱含層的選取采用經(jīng)驗(yàn)公式2n+1的計(jì)算方式。

圖2 組合預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2中,采用遺傳算法設(shè)置初始化權(quán)值和閾值,使其賦值范圍保持在[-1,1]之間。采用預(yù)測(cè)值和實(shí)際值,隨機(jī)選取一組訓(xùn)練模式實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練,得到多神經(jīng)預(yù)測(cè)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果。

其中,隱含層輸出計(jì)算式為

Ly=ψp(∑E-F)

(10)

式中,L表示輸出值,y表示隱藏層節(jié)點(diǎn),ψ表示作用函數(shù),E表示初始化權(quán)值,F表示初始化閾值,p表示訓(xùn)練次數(shù)。

(11)

隨后,按照以下公式修正權(quán)值:

E(Z+1)=E(Z)+γ(Z)+?(E(Z)-E(Z-1))

(12)

式中,Z表示循環(huán)次數(shù),γ表示時(shí)變學(xué)習(xí)率,?表示變動(dòng)因子。通過(guò)上述計(jì)算完成權(quán)值修正,確保輸出層誤差達(dá)到預(yù)測(cè)要求,輸出符合綜合能源系統(tǒng)工作要求的負(fù)荷預(yù)測(cè)結(jié)果[11]。

1.4 完成預(yù)測(cè)模型參數(shù)校正

為了提升用戶側(cè)冷熱負(fù)荷計(jì)算結(jié)果的準(zhǔn)確性,本文按照調(diào)研和規(guī)范明確輸入?yún)?shù),并采用模擬軟件實(shí)現(xiàn)預(yù)測(cè)模型參數(shù)校正,完成負(fù)荷預(yù)測(cè)模型的建立。

根據(jù)圖3可知,預(yù)測(cè)模型建立過(guò)程中,模型參數(shù)校正是不可忽略的重要環(huán)節(jié)之一。在用戶側(cè)冷熱負(fù)荷預(yù)測(cè)過(guò)程中,還應(yīng)包含部分不確定性因素,避免負(fù)荷預(yù)測(cè)結(jié)果出現(xiàn)誤差。本文以建筑負(fù)荷強(qiáng)度為核心,提出以Design Builder模擬軟件為核心的參數(shù)校準(zhǔn)策略。Design Builder模擬軟件的應(yīng)用,使得冷熱負(fù)荷計(jì)算中通入動(dòng)態(tài)負(fù)荷原理,利用有限差分法,結(jié)合反應(yīng)系數(shù)法獲取更準(zhǔn)確地用戶側(cè)冷熱負(fù)荷預(yù)測(cè)結(jié)果[12-13]。

圖3 預(yù)測(cè)模型建立

本文利用Design Builder模擬軟件輸出模擬負(fù)荷數(shù)據(jù),與當(dāng)前負(fù)荷統(tǒng)計(jì)值進(jìn)行對(duì)比,明確預(yù)測(cè)參數(shù)的誤差。預(yù)先設(shè)計(jì)一個(gè)閾值,當(dāng)預(yù)測(cè)誤差高于設(shè)定閾值后,計(jì)算機(jī)收到即時(shí)反饋信息,對(duì)模型的輸入?yún)?shù)進(jìn)行調(diào)整,再進(jìn)行重復(fù)模擬計(jì)算,直到預(yù)測(cè)模型輸出結(jié)果的誤差值穩(wěn)定保持在允許范圍內(nèi),將當(dāng)前參數(shù)作為校正參數(shù),完成綜合能源系統(tǒng)的用戶側(cè)冷熱負(fù)荷預(yù)測(cè)模型修正。

2 算例分析

為了驗(yàn)證本文設(shè)計(jì)負(fù)荷預(yù)測(cè)模型的應(yīng)用性能,選擇某一夏熱冬冷地區(qū)采集相關(guān)數(shù)據(jù),展開負(fù)荷預(yù)測(cè)算例分析。針對(duì)用戶側(cè)冷熱負(fù)荷的主要計(jì)算參數(shù),使用多神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型獲取該區(qū)域用戶側(cè)建筑負(fù)荷預(yù)測(cè)結(jié)果,將預(yù)測(cè)結(jié)果與實(shí)測(cè)值進(jìn)行對(duì)比,采用誤差評(píng)價(jià)指標(biāo)判斷本文設(shè)計(jì)模型的有效性。

2.1 選取算例分析數(shù)據(jù)

以某一多功能建筑示范區(qū)為例,分析區(qū)域內(nèi)綜合能源系統(tǒng)的工作特點(diǎn),采集算例分析樣本數(shù)據(jù)。該區(qū)域內(nèi)建筑總面積達(dá)到了20萬(wàn)m2,主要由住宅公寓、中小型辦公樓、小型賓館、小型商鋪以及大型商場(chǎng)5種建筑物組成。應(yīng)用本文設(shè)計(jì)模型,預(yù)測(cè)建筑區(qū)域內(nèi)綜合能源系統(tǒng)用戶側(cè)冷熱負(fù)荷。本文以夏季典型日為例,預(yù)測(cè)該區(qū)域逐時(shí)冷熱負(fù)荷。根據(jù)綜合能源系統(tǒng)負(fù)荷數(shù)據(jù)庫(kù)中的預(yù)測(cè)因子,結(jié)合示范區(qū)內(nèi)的建筑類型深入分析,得到夏季典型日逐時(shí)負(fù)荷先驗(yàn)信息如表1所示。按照時(shí)刻獲取先驗(yàn)信息正態(tài)分布的平均值,考慮到標(biāo)準(zhǔn)差將假定標(biāo)準(zhǔn)差設(shè)置為14 W/m2。

表1 夏季典型日逐時(shí)負(fù)荷先驗(yàn)信息 單位:W/m2

通過(guò)對(duì)多功能建筑示范區(qū)的實(shí)地調(diào)查,以及綜合能源系統(tǒng)監(jiān)管平臺(tái),在示范區(qū)內(nèi)隨機(jī)選取3塊面積相仿的區(qū)域,采集區(qū)域內(nèi)的綜合能源系統(tǒng)輸入特征數(shù)據(jù)和系統(tǒng)歷史負(fù)荷數(shù)據(jù),匯總形成算例分析數(shù)據(jù)集。算例分析數(shù)據(jù)中數(shù)據(jù)量共有14萬(wàn)左右,考慮到算例分析數(shù)據(jù)的屬性存在差異,對(duì)算例分析數(shù)據(jù)進(jìn)行歸一化處理,處理公式為

(13)

式中,x表示待處理數(shù)據(jù),x′表示歸一化處理數(shù)據(jù),xmin、xmax表示原始數(shù)據(jù)的2個(gè)極值。數(shù)據(jù)歸一化處理完成后,采用數(shù)字1～7表示日期類型數(shù)據(jù)中周一至周日,應(yīng)用數(shù)字1～4將季節(jié)數(shù)據(jù)劃分為春夏秋冬四個(gè)類型。將算例分析數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集,作用于下一步多神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

在弓箭的壓制下，土狼群開始出現(xiàn)了騷動(dòng)和不安?；蛟S它們認(rèn)出了那是獵人的箭矢，它們開始膽怯、開始動(dòng)搖，同時(shí)也更加地憤怒。

2.2 網(wǎng)絡(luò)超參數(shù)設(shè)置

因?yàn)閷?shí)驗(yàn)方法均使用了神經(jīng)網(wǎng)絡(luò)迭代訓(xùn)練和學(xué)習(xí),獲得預(yù)測(cè)最優(yōu)值,為了提升模型預(yù)測(cè)結(jié)果的準(zhǔn)確性,即提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度和訓(xùn)練準(zhǔn)確率,需要針對(duì)多神經(jīng)網(wǎng)絡(luò)的超參數(shù)進(jìn)行設(shè)置。超參數(shù)是網(wǎng)絡(luò)初始化的值,給學(xué)習(xí)機(jī)選擇一組最優(yōu)超參數(shù)能夠提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確率和速度,以盡快收斂到全局最優(yōu)值,從而提高基于神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)方案精度。算例分析過(guò)程中,將全局初始學(xué)習(xí)率設(shè)置為0.01,以此為基礎(chǔ)設(shè)置其他參數(shù)。針對(duì)綜合能源系統(tǒng)用戶側(cè)冷熱負(fù)荷數(shù)據(jù)的靜態(tài)特征提取進(jìn)行分析,提取通道中卷積層、池化層均為1層1維結(jié)構(gòu),前者結(jié)構(gòu)內(nèi)部卷積核數(shù)量為64,后者補(bǔ)償值為30。除此之外,設(shè)置隱藏層神經(jīng)元數(shù)量為150。用戶側(cè)冷熱負(fù)荷預(yù)測(cè)的另一重要環(huán)節(jié)就是動(dòng)態(tài)時(shí)序分析,算例分析過(guò)程中利用4層GRU隱藏層搭建分析通道,每個(gè)隱藏層的神經(jīng)元個(gè)數(shù)逐層遞增。最后,Maxout層和隱藏層組成輸出模塊,二者內(nèi)部神經(jīng)元數(shù)量分別為100個(gè)和1個(gè)。通過(guò)上述網(wǎng)絡(luò)超參數(shù)設(shè)置,構(gòu)建預(yù)測(cè)精度較高的模型,獲取綜合能源系統(tǒng)用戶側(cè)冷熱負(fù)荷預(yù)測(cè)結(jié)果。

2.3 負(fù)荷預(yù)測(cè)結(jié)果分析

利用網(wǎng)絡(luò)超參數(shù)設(shè)置完成后的模型結(jié)合表1的先驗(yàn)信息,獲取多功能建筑示范區(qū)的綜合能源系統(tǒng)用戶側(cè)冷熱負(fù)荷預(yù)測(cè)結(jié)果。為了客觀了解負(fù)荷預(yù)測(cè)結(jié)果的準(zhǔn)確性,借助監(jiān)管平臺(tái)統(tǒng)計(jì)冷熱負(fù)荷實(shí)測(cè)值,對(duì)比預(yù)測(cè)值與實(shí)測(cè)值形成圖4所示的對(duì)比圖。

圖4 夏季典型日預(yù)測(cè)結(jié)果對(duì)比圖

根據(jù)圖4可知,本文設(shè)計(jì)預(yù)測(cè)模型得到的用戶側(cè)冷熱負(fù)荷預(yù)測(cè)結(jié)果與實(shí)測(cè)負(fù)荷走向大致相同。整體來(lái)看,1～7時(shí)綜合能源系統(tǒng)內(nèi)主要負(fù)荷是賓館酒店、居住類建筑,使得用戶側(cè)冷熱負(fù)荷較低。從8時(shí)開始負(fù)荷不斷增長(zhǎng),直到16時(shí)到達(dá)最高冷熱負(fù)荷值。之后,用戶側(cè)冷熱負(fù)荷逐漸降低,直到24時(shí)降到最低負(fù)荷。預(yù)測(cè)值與實(shí)測(cè)值較為接近,但是在各個(gè)時(shí)刻依舊存在不同程度的差額。

2.4 模型性能對(duì)比

為了加強(qiáng)算例分析結(jié)果的對(duì)比性,選用基于多層聚類、基于IPSO-WNN和基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型,應(yīng)用同樣的算例分析數(shù)據(jù)獲取綜合能源系統(tǒng)用戶側(cè)冷熱負(fù)荷預(yù)測(cè)結(jié)果。本文通過(guò)預(yù)測(cè)值與實(shí)測(cè)值的逐時(shí)負(fù)荷相對(duì)誤差,對(duì)比不同預(yù)測(cè)方法的相對(duì)誤差,判斷預(yù)測(cè)模型的應(yīng)用性能。其中,逐時(shí)負(fù)荷相對(duì)誤差作為一個(gè)性能判斷指標(biāo),將實(shí)測(cè)點(diǎn)與預(yù)測(cè)點(diǎn)之間的差距直觀呈現(xiàn)出來(lái),計(jì)算式表示為

(14)

式中,δ表示逐時(shí)相對(duì)誤差,當(dāng)誤差計(jì)算結(jié)果出現(xiàn)負(fù)數(shù)表明預(yù)測(cè)值相比實(shí)測(cè)值更小,Q表示預(yù)測(cè)逐時(shí)區(qū)域總負(fù)荷,Q1表示實(shí)測(cè)逐時(shí)區(qū)域總負(fù)荷。通過(guò)散點(diǎn)圖表示4個(gè)預(yù)測(cè)模型的逐時(shí)相對(duì)誤差,形成圖5所示的對(duì)比圖。

(a) 本文設(shè)計(jì)預(yù)測(cè)模型

根據(jù)圖5可知,本文設(shè)計(jì)預(yù)測(cè)模型的逐時(shí)相對(duì)誤差最大僅為29%,平均逐時(shí)相對(duì)誤差為16%。而基于多層聚類的預(yù)測(cè)模型、基于IPSO-WNN的預(yù)測(cè)模型和基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型的平均逐時(shí)相對(duì)誤差分別為31%、43%、55%。綜上所述,本文設(shè)計(jì)預(yù)測(cè)模型的預(yù)測(cè)相對(duì)誤差比其他預(yù)測(cè)模型低了15%、27%與39%,大大提升了模型預(yù)測(cè)精度。這是因?yàn)楸疚姆治隽擞脩魝?cè)冷熱負(fù)荷影響因素,提取負(fù)荷計(jì)算的主要參數(shù),結(jié)合BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò),優(yōu)化多神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,并進(jìn)行參數(shù)修正,保證了預(yù)測(cè)結(jié)果的高精度。

3 總結(jié)

以綜合能源系統(tǒng)為核心,針對(duì)用戶側(cè)冷熱負(fù)荷進(jìn)行預(yù)測(cè),有利于制定合理的能源供給策略。為了獲取高精度的用戶側(cè)冷熱負(fù)荷預(yù)測(cè)結(jié)果,結(jié)合BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò),生成多神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu),設(shè)計(jì)冷熱負(fù)荷預(yù)測(cè)方法,使其具有較強(qiáng)的可行性和有效性,大大提升了預(yù)測(cè)精度,使預(yù)測(cè)用戶側(cè)冷熱負(fù)荷更貼近實(shí)際負(fù)荷。

本文設(shè)計(jì)的預(yù)測(cè)模型主要以用戶側(cè)為重點(diǎn)進(jìn)行討論,尚未考慮概率預(yù)測(cè)模式,未來(lái)可以將該模式融入預(yù)測(cè)模型內(nèi),為綜合能源系統(tǒng)的運(yùn)行規(guī)劃提供數(shù)據(jù)支撐。