（电气工程专业论文）基于神经网络的供热系统负荷预测.pdf

摘要 集中供热对国民经济发展起着全局性的影响，它与人们日常的生产生活息息 相关，而供热负荷预测是对集中供热系统进行最优控制调节的一个重要先决条件。 因此，集中供热系统热负荷的精确预测，对于集中供热系统的运行管理水平、提 高供热质量、保护环境、节约能源等都具有十分重要的现实意义。 本文总结了集中供热负荷预测的特点和现状，采用人工神经网络进行热负荷 的预测。为解决b p 算法因网络初始值选取不当而陷入局部极小点的问题，采用了 将b p 算法和遗传算法相结合的混合算法对神经网络的权值进行学习训练。利用遗 传算法大体上确定b p 神经网络权值和阈值，利用b p 算法对神经网络权值和阈值 进行训练。 本文在深刻分析大庆宏伟热电厂集中供热系统热负荷特点的基础上，提出了 以工作日，室外温度，大气压力，日照时间以及前三天的负荷温度为输入变量， 负荷温度为输出变量的b p 网络预测模型。对历史热负荷数据进行了预处理，用混 合算法进行了热负荷预测模型的训练，并用测试集进行了测试。结果表明，混合 算法比单纯遗传算法和b p 算法具有更好的预测精度，泛化能力强。 关键词： 热负荷预测； 神经网络；遗传算法；b p 算法 a b s t r a c t w i t ho v e r a l ln a t i o n a le c o n o m i cd e v e l o p m e n ti m p a c t , d i s t r i c th e a t i n gi sr e l a t e dt o t h ep r o d u c t i o no fp e o p l e se v e r y d a yl i f e h e a t i n gl o a df o r e c a s t i n gi sa l li m p o r t a n t c o n d i t i o nt oc a l t yo ns u p e r i o rr e g u l a t i o nf o rd i s t r i c th e a t i n gs y s t e m i ti sg r e a t s i g n i f i c a n tt of o r e c a s ta c c u r a t e l yh e a t i n gl o a df o rt h em o v e m e n tm a n a g e m e n to ft h e h e a t i n gs y s t e m 、r a i s i n gh e a t i n gq u a l i t y 、e n v i r o n m e n ta n de n e r g ys a v i n g t h i sp a p e rm a k e sar e l a t i v e l yt h o r o u g ha n a l y s i sa n ds t u d i e st h ec h a r a c t e r i s t i ca n d p r e s e n tc o n d i t i o no fd i s t r i c th e a r i n gl o a df o r e c a s t i n g a r t i f i c i a ln e u r a ln e t w o r ki su s e d t of o r e c a s th e a t i n gl o a d i no r d e rt oo v e r c o m et h ew e a k n e s s e so ft h ec l a s s i cb p a l g o r i t h ma st h eh i g hp r o b a b i l i t yt ob et r a p p i n gi nl o c a lo p t i m a l ，g a - b pc o m b i n a t i v e a l g o r i t h mi sd e s i g n e dt o t r a i nt h ew e i g h t so fn e u r a ln e t w o r k u s i n gt h eg e n e t i c a l g o r i t h m ，t h eb pn e u r a ln e t w o r kw e i g h t sa n dt h r e s h o l d sa r ed e t e r m i n e dl a r g e l y u s i n g b pa l g o r i t h m ，w e i g h t sa n dt h r e s h o l d so fn e u r a ln e t w o r ka r et r a i n e d i nd e p t ha n a l y s i n gh e a tl o a dc h a r a c t e r i s t i c so fd i s t r i c th e a t i n gs y s t e mo fd a q i n g h o n g w e it h e r m a lp o w e rp l a n ta n dw i t ho u t d o o rt e m p e r a t u r e ，b a r o m e t r i cp r e s s u r e ， s u n s h i n eh o u r sa n dt h ef i r s tt h r e ed a y so fl o a dt e m p e r a t u r ea sm p u tv a r i a b l e sa n dl o a d t e m p e r a t u r ea st h eo u t p u tv a r i a b l e ，b pn e t w o r kp r e d i c t i o nm o d e li sp r o p o s e di n t h i s p a p e r h e a tl o a do fh i s t o r i c a ld a t ah a v eb e e np r e p r o c e s s i n g t h eh e a tl o a dp r e d i c t i o n m o d e li st r a i n e du s i n gg a b pc o m b i n a t i v ea l g o r i t h m t e s ts e t sw e r et e s t e di nt h i sp a p e r r e s u l t ss h o wt h a tt h eg a b pc o m b i n a t i v ea l g o r i t h mi sb e t t e rt h a ns i m p l eg e n e t i c a l g o r i t h ma n db pa l g o r i t h m i th a s b e t t e rp r e d i c t i o na c c u r a c ya n dg e n e r a l i z a t i o na b i l i t y k e yw o r d s ：h e a t i n gl o a df o r e c a s t i n g ；n e u r a ln e t w o r k ；g e n e t i ca l g o r i t h m ； b pa l g o r i t h m 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得丞洼盘堂或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者签名：列蹴签字日期：知。罗年罗月j 日 学位论文版权使用授权书 本学位论文作者完全了解苤鲞盘堂有关保留、使用学位论文的规定。 转授权磊：盗盘鲎可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论爻：作者签名：向曦 ：亨日期：2 卢力7 年，呵岁f j 导师签名：撕占 签字日期：_ - 7 年罗月。歹曰 第一章绪论 1 1 集中供热系统的现状 第一章绪论 供热行业对国民经济的发展起着举足轻重的作用，它与人们的日常生活有着 密切的关系。在我国的北方地区，由于冬季天气非常寒冷，采暖供热成为人们普 遍关心的问题。当前，能源和环保问题越来越多地受到关注，并且能源节约，环 境保护，经济可持续发展已成为我国的基本国策。因此，对供热行业以及整个供 热系统的合理性、经济性，特别是供热系统的能源有效利用及供热可靠性等方面 提出了更高的要求。为了减少城镇污染环境、节能降耗，现在全国大部分城市的 供热方式已经逐步由集中供热取代分散供热。 集中供热系统就是能够为大量热用户提供所需热量的供热系统，它一般是指 送热介质为热水的供热系统。一般这个系统有比较广的地域范围。供热系统一般 是由热源、热网和热用户三部分组成的。热源生产热水、蒸汽，可以是热电厂、 集中锅炉、余热锅炉等，热电厂多采用热电联产方式。热网完成热水、蒸汽的输 送，是热源和热用户之间的桥梁。一般来说，热用户指的是民用住宅、公共建筑 和工业厂房等。 规范城市供热系统，发展城市集中供热，使热源、热网和热用户成为一个整 体，不仅是完善城市基础设施、促进城市现代化建设的需要，而且有利于国民经 济的可持续发展，提高城市人民的生活水平。集中供热，特别是热电联产集中供 热具有节约能源、缓解电力需求压力、改善环境质量、提高供热质量、减轻工人 劳动强度，以及节约城市用地等方面的优越性，具有良好的社会效益、经济效益 和环境效益。主要表现在： ( 1 ) 节能显著。大容量、高效率锅炉代替了小容量、低效率锅炉。这样做 能够很好的节约能源。根据统计，我国新建的热电机组每1 0 0 兆瓦可节约标准煤 在2 5 0 0 4 0 0 0 d 屯年。 ( 2 ) 提高供热效率和供热质量。对于大型火力发电厂，理论上的热效率是 4 1 ，实际运行时的热效率只有3 6 3 9 ，而一般的热电联产的热电厂，实际运 行时的热效率可达6 0 ，燃气蒸汽联合循环的热电厂，热效率实际高达7 0 以上； 第一章绪论 另外，大型区域锅炉运行热效率为7 0 左右，热电联产锅炉可达到8 0 以上。城 市的供热要求：供热系统能够连续供暖，热量输出稳定，室温基本上维持恒定， 且湿度适宜。也就是说，集中供热系统要改善分散供暖时的室温维持恒定能力差 别、室内空气干燥的状况。同时，由于室温变化小，室内空气对流的速度必然缓 慢，因而室内灰尘飞扬的程度没有分散供暖时那样强烈。因此，这就要求集中供 热设备质量要高于普通的工业装备，使得设备的故障率降低，能够安全可靠地进 行热能生产。 ( 3 ) 减少污染。集中供热大多采用大型热效率高的一类锅炉，如循环流化 床锅炉。它配置有高效除尘、脱硫的装置，对烟气进行集中净化，能够高空排放。 这种对粉煤灰的处理方法，减少了烟尘硫化物等污染物排放量。而分散供热系统， 由于历史原因，供热系统中多为小型锅炉，这些锅炉布局很是分散，大多存在热 效率较低、浪费能源较大、环境污染严重等问题。 目前，整个世界的能源供应紧张的问题目益突出，迫使我们走可持续发展的 道路，“节能减排”已成为国家“十一五”发展规划中的一项重要任务。随着城 市化水平的提高和居民生活条件的不断改善，城市集中供热面积将进一步扩大。 同时，城市集中供热也将为进一步消除环境污染、节约能源、缓解电力不足、提 升城市品位、改善人民生活水平做出重要贡献。所以，当前我国大力支持在供热 领域实施可持续发展的道路。 1 2 热负荷预测的意义 为达到供热效果，供热系统必须执行按需供热的方针，即对供热系统的运行 实施调度和自动监控，来提高供热系统的能源利用效率。如何达到按需供热? 这 就要求我们能够对供热系统的热负荷做准确的预测。热负荷预测是从历史的热负 荷数据出发，掌握热负荷变化规律，综合考虑各种影响因素，以一定的精确程度 预测将来某一段时间或某一个时刻的热负荷值。对于热系统规划而言，利用热需 求预测来决定供热系统新增容量的大小以及供热设备的类型。而对于热系统的运 行而言，热负荷预测可以准确的确定出供热参数，这样就能够合理地安排锅炉的 检修，以及确定热系统的工作状态和备用容量等情况。 由此，热负荷预测是一项具有实际价值的研究性工作。供热负荷的特性、大 小及其变化情况，对于供热系统的管理、环境保护、能源节约等方面都具有是十 分重要的现实意义。通过准确、快速地进行热负荷预测，可以提高集中供热管网 系统的运行效率、可靠性以及经济性。 2 第一章绪论 目前，西方发达国家大都实行了供热计量收费的制度，在2 0 0 0 年，我国建 设部颁布了民用建筑节能管理规定，进行分户热计量技术的研究，实行温度 调节和用户热计量装置，实施供热计量收费。在实施分户计量收费制度以后，为 了达到供热和节能的高质量目标，供热单位必须要进行合理科学的预测用户的用 热量。在这里，我们以黑龙江省大庆市为例，集中供热网的形式为间接式供热网， 热电厂提供的高温蒸汽经过电厂换热站的汽一水换热器形成高温热水通过一次 管网送至各热力站，高温热水再经过热力站的水水换热器形成供暖热水，最后 再由二次管网送至用暖家庭。在供热电厂的供热出口安装有热量计量装置，通常 物业公司和市热力公司的调峰锅炉房和热力站也都安装有温控阀和热量计。往往 物业公司和市热力公司会根据自己的需求调节温控阀，以满足居民和企业的供热 要求。当多个热力站都进行调节自己的热水流量以后，整个热网的热水流量和供 热会量也随之发生变化，而这种变化往往是无规律的。对于这种缺少精确数学模 型的受控量，若要实现按需合理的供热，能够较好的满足广大热用户的用热需求， 缺少科学合理的预测方法策略显然是行不通的，而传统供热系统的设计方法与调 控策略根本贷不到新的供热系统的特点要求目标。 于此同时，由于热水是供热系统所送的热介质，其热惯性往往较大，温度变 化明显存在较明显的滞后性，这就很难在较短的时间内带到温度的平稳性控制目 标，既浪费了能源又不能达到理想的供热效果。因此，如果能够做到对供热负荷 事前进行准确的预测，必将有助于对集中供热系统采取及时有效的控制调节措 施，解决了热惯性造成的不良结果的问题。 由上文所述，可以得出，对集中供热系统进行供热负荷预测具有十分重要的 现实意义，是十分必要的。 1 3 供热负荷预测的研究现状 对于热负荷预测的研究方法而言，我们应该首先了解用户的性质和供热负荷 本身的一些特征，再进行研究热负荷预测的原理和方法策略，寻找合适的方法来 实施热负荷的预测。 当前，城市集中供热系统的热负荷主要分为：供暖用热负荷、生产用热负荷、 通风用热负荷以及生活热水用热负荷。对于这些城市热负荷的做成，它们的大小 及其性质是城市供热系统规划、设计的重要的来源依据，它关系到整个城市集中 供热系统的实际效果和经济效益。 由于冬季室内外温差较大，一般情况下，通过房屋本身的围护结构( 门、窗、 3 第一章绪论 玻璃、墙、地面、屋顶等等) ，房间不可避免的会产生热量的损失。通常，在一 定的室温下，室外的温度越低，房间的热损失就会越大。为了人们能够进行正常 的生产工作、学习生活和其它活动，保证室内温度达到一定的最低要求，就必须 由供暖设施向房屋内补充与热损失完全相等的热量。我们把这种为了保持室内的 温度而供给室内的热量称为供暖热负荷。 在一些公共建筑内和散发有害气体及粉尘的工厂车间，以及某些有特殊要求 的建筑中，不仅要保持一定的室内温度，而且还要不断地向室内送入一些新鲜空 气，排出不干净的空气，从而使得室内的空气具有一定的清新度。由于冬季的室 外温度较低，必须把送入室内的新鲜空气加热才可以。在这里，我们把用于加热 新鲜空气的热量，称为通风热负荷。 在人们的日常生活中，洗澡、洗脸、洗衣服和洗器具等所耗热水的热量，称 为生活热水热负荷。 在工业企业中，为了满足工艺过程中蒸煮、加热、烘干、清洗、熔化等用热 和生产过程中的拖动、汽锤、汽泵等机械设备的动力需要，就要供应一定数量和 一定参数的蒸气或热水，这部分热负荷称为生产热负荷。 民用热负荷由生活热水热负荷、供暖热负荷和通风热负荷三部分组成。目前， 采暖热负荷是我国主要的民用热负荷。近年来，随着我国人民生活水平的提高和 居住条件的改善，通风热负荷生活和热水热负荷有了一定程度的增长。但是，尽 管这样，在整个民用热负荷中，它们所占的比重仍然很小。对于民用热负荷用户， 它们一般以热水为热介质，热介质的参数往往比较低。 工业热负荷包括生产过程中用于蒸煮、加热、烘干、清洗、溶化等生产工艺 过程的用热以及作为动力用于驱动机械设备的生产热负荷。对于工业热负荷用 户，它们通常采用蒸汽为热介质，热介质的参数往往比较高。 生产工艺系统用热和生活用热( 主要指热水的供应) 是常年性的热负荷需求。 它们与气候条件没有直接的关系，即一年中的用热状况基本上没有起伏，但一天 中用热状况往往会有较大的起伏。生产工艺热负荷取决于生产性质、生产规模、 生产工艺、用热设备的性质与数量，以及生产作业班次等因素。热水供应热负荷 主要取决于使用人数和生活习惯、作息时间、生活水平等冈素。 供暖热负荷则属于季节性热负荷，与室外温度、湿度、太阳辐射、风向和风 速等气候条件息息相关。这其中，室外温度起着决定性的作用。 热负荷预测主要是基于连续性、反馈性、可知性、可能性和系统性等基本原 理。从过去的供热情况出发，考虑气候、供热面积、生活习惯等因素，供热负荷 预测是对未来某一段时间内或某一个时刻的需求量做出估计或范围性的推断。依 据预测周期的长短，热负荷预测方法策略又可分为四种情况：超短期热负荷预测、 4 第一章绪论 短期热负荷预测、中期热负荷预测和长期热负荷预测。 超短期热负荷预测是指未来一个小时或者更短时间以内的负荷预测。短期热 负荷预测通常是指预测未来一天2 4 小时之内供热系统负荷的变化情况，以使热源 的供热量与热用户所需的整个热量相等，从而使得整个系统协调、高效经济的运 行；中期热负荷预测通常是指预测未来4 8 天内供热系统负荷的变化情况，它可 以是热力公司等部门制定生产计划、检修计划、原料运输计划及人员安排等计划 提供理论依据；长期热负荷预测一般指一个年度内的热负荷预测，主要为供热系 统的优化及规划提供依据。一般而言，不同预测方法的预测误差往往会随着预测 周期的增长而增长，但是抗随机凶素的能力和误差增长的速度又会有比较大的差 别。我们必须注意到的是，热负荷往往不同于电负荷，阀门的开关和机组调度需 要一定的时间，由于超短期热负荷预测的可操作性比较脱离实际，实际意义不是 很强。中长期热负荷预测涉及到城市的规划、城市工业的发展等方面，涉及的面 比较广，是一项庞大的系统工程。本论文，着重研究的是短期热负荷预测，以便 根据热负荷情况及时调节集中供热控制系统的运行状况。 由于建筑物和热介质存在着热惯性，以及像日期、季节气候等其它影响因素， 供热系统运行情况比较复杂，这样就造成了，通过物理模型来建立一个供热负 荷预测的数学模型是十分的困难，当前大多数的预测方法都是建立在对历史数 据的分析统计基础之上，不同之处就在于在于处理数据的方式不同而已。依据 对数据处理方式的不同，供热负荷预测方法基本可以分为三种：时间序列法、 结构分析法和系统方法。这其中，时间序列法又分为确定型时间序列法和随机 型时间序列法。确定型时间序列法由移动平均法、趋势外推法、指数平滑法三 种组成。趋势外推法分为指数曲线模型、对数曲线模型、多项式模型和生长曲 线模型等。移动平均法分为简单的平均法、简单移动平均法和加权移动平均法 等。指数平滑法分为一次指数平滑法、二次指数平滑法和三次指数平滑法等。 随机型时间序列法包括马尔可夫法和博可斯詹金斯法。博可斯詹金斯法包括自 回归模型法、移动平均模型和自回归移动模型法，马尔可夫法包括多重链状预 测法、一重链状预测法。结构分析法包括一元线性回归分析法、回归分析法、 多元线性回归分析法、指标分析法和非线性回归分析法。系统方法包括灰色数 列预测法、灰色关联度分析法、灰色灾变预测法、灰色指数预测法、人工神经 网络方法和灰色拓扑预测法等。 现在就来分析以下几种典型的预测方法： ( 1 ) 自回归移动模型法 自回归移动模型法是对自回归模型和移动平均模型的综合方法，它将预测对 象随时间变化的序列先加工成一个白噪声序列，然后再对她进行相关处理。因此， 第一章绪论 它往往可以进行预测任何一个供热系统的负荷变化情况，并且预测速度快，能够 得到比较高的预测精度。但是，该方法得缺点是：与其它时间序列方法大体相同， 它所需数据单一，并且只能给出下一各周期的负荷预测大小，得不出形成这一结 果的具体原因。因此，短期负荷预测最适合它。此外，大量的实例比较分析可以 发现：当天气发生骤然变化时，往往预测的误差较大。这主要是由于该方法存在 明显的滞后性，即当最近的适时数据发生变化异常情况时，由于模型平滑作用， 预测数据无法立即对之做出快速反应。 ( 2 ) 时间序列法 时间序列法是以时间作为自变量，以预测的目标作为应变量，用基于时间序 列分析的预测方法来建立恰当的数学模型；然后把要预测的时间代入模型的方程 组中，就可以求出所需要的预测值。对于这种预测法来说，需要长时间的历史数 据作为依据来建立相应的精确数学模型，才能较准确地反映出事物的变化趋势情 况。必须使时间和指标都具备可比性，才能利用时间序列法进行热负荷的预测。 时间可比性是指序列中的各个时期、时距的长短必须保持一致，对于长短不一、 参数不齐或有缺失，酒应该首先做必要的调整或计算处理工作，才可以进行后续 的工作。指标可比性指的是指标内容、计量单位、计算方法应前后一致。采用时 间序列分析的方法进行负荷预测时，还需要做如下两方面的工作： 建立平稳序列的数学模型，完成模型辩识与参数估计； 检验负荷时间序列的平稳性。 如果负荷时间序列是非平稳序列，就需要采取平稳化处理的一些处理措施。 该方法的优点是所需历史数据少、工作量小；缺点是没有考虑负荷实时变化 的情况，只适用于负荷变化比较均匀的短期预测。 ( 3 ) 灰色预测方法 对于灰色预测方法来说，在某种意义上，它是一种十分不严格的系统方法。 它往往直接利用累加原始数据的方法来寻找系统的整体规律性，构建出预测模 型，而不是借助系统结构进行分析。该方法能利用原始数据的不同特点，构造出 不同的预测模型，例如：可以应用于增长有变化的灰指数模型，可以应用于处理 噪声数据或有季节变化数据的灰色拓扑模型，以及包含多个影响因素的g 0 ，m ) 模型。根据灰色系统的理论，对短期城市供热负荷进行灰色建模，寻求其发展规 律，从而作出比较合理的预测。灰色预测方法具有以下优点：在数据缺乏时十 分有效，无需大量的数据，并且无需数据有明显的统计规律，只需要预测模块便 可快速建模；对参数与环境等随机的非线性干扰有很强的自适应能力，他属于 变参数不变结构的自适应模型；它是一种事前预测，方便、简单、灵活，可预 先为系统行为提供必要的一些信息，这样就可以使得我们能够根据实际情况作出 6 第一章绪论 快速反应，把不好的结果杜绝在萌芽状态，能够防患于未然，大大减少了不必要 的经济等损失。 ( 4 ) 回归分析法 对于回归分析法而言，它是利用一种数理统计中的回归分析方法来完成预测 的。利用历史统计数据的变化规律情况来寻找影响因素与预测对象之间的因果关 系，形成自变量与响应变量之间的回归方程，进而建立相关的回归模型来进行预 测。而且，在系统负荷发生较大变化时，也可以根据相应影响因素的变化来修正 预测值。因此，这种方法非常适合于中长期负荷预测。由于该方法利用自变量来 预测响应变量的，所以自变量的选取及自变量的准确性对预测结果起着较大的影 响。 ( 5 ) 人工神经网络方法 对于人工神经网络方法而言，它是通过模拟人工神经网络的结构、特点和思 维方式，利用对经验样本的学习训练来对连接权进行不断调整，最后建立一个多 输入变量与多输出变量之间的非线性映射。它的最大特点是：不需要建立具体的 规则和数学模型。通常，对于那些难以用模型或规则描述的过程或系统，利用人 工神经网络方法进行处理是十分恰当的。神经网络具有自学习、自组织、自适应 的特点，它能很好的地自动适应信息的变化，学习新知识。最终，通过学习得到 实际学习样本的合理规则，对瞬变的供热系统负荷预测具有十分重要的意义。神 经网络往往具有较强的信息综合能力，它能同时处理定性和定量知识。同时，它 也能处理大量的不同类型的输入。通过对权值的调整，能够很好地确定输入信息 之间的“兴奋”或“抑制”。所以，我们用神经网络处理存在着定性和定量的供 热系统负荷预测问题有较大的优越性。目前，神经网络已广泛应用在各种热负荷 和电负荷预测中，产生了较好的经济效益，应用前景广阔。实际上该方法是一种 黑箱的模拟，它主要适合短期热负荷预测。 另外，神经网络建立的数学模型处理非线性问题时，不需要建立输入与输出 之间的复杂关系，而是通过一组权重来实现输入与输出之间的映射，这使得模型 的预测结果与实际情况更接近于，精度也会更高。 因此，与其它方法相比较，可以看出在在供热系统的负荷预测中，神经网络 比其他方法具有许多的优点，可以概括为下面两条： 具有较强的多目标控制要求和适应于复杂环境的自学能力； 具有以任意精度逼近任意复杂的非线性函数的特性。 但是，不可避免的是人工神经网络方法叶存在着以下三个主要问题： 往往网络的训练速度比较慢，特别是对大规模神经网络，训练时间太长， 很难满足要求，且收敛的速度还受到初始值的严重影响。 7 第一章绪论 在设计神经网络的结构中，即隐含层数和各层神经元节点数的选择，难以 达到最优，前向神经网络的最优结构难以确定。 对于传统的梯度下降算法，它常常收敛于局部极小点，全局最优的结果是 很难达到。 1 4 本文主要研究内容 目前，对于热负荷预测来说，国内外的学者进行了大量的研究，长时间以来， 它们采用的方法多种多样，也取得了一定的成绩。但是，不可避免的是，预测方 法在热负荷预测中存在许多的缺点和不足之处。本文采用了遗传算法和b p 算法， 把神经网络法应用在集中供热负荷预测中。 针对b p 算法本身容易陷入局部极小点的缺点，用遗传算法优化来解决这个 问题。本文采用遗传算法幂r l b p 算法相结合的混合训练算法( g a b p 算法) 来实 现网络权值的训练，加快网络的训练速度，避免局部极小点问题，以提高预测模 型的精度。 在利用遗传算法优化b p 算法神经网络权值时，采用实数编码方法，且对编 码的排列次序也进行了精心设计，把与同一隐节点相连的权值排在一起，更好地 体现网络结构的内在特征。同时，针对这种编码方式，设计相应的交叉和变异算 子等遗传操作。 针对集中供热负荷预测情况，确定网络结构，输入输出变量，训练函数，并 对仿真结果进行分析，以证明g a b p 算法能够提高预测精度和预测效率。 第二章神经网络概述 第二章神经网络概述 神经网络一般可分成两大类，一大类是生物神经网络，另一大类是人工神经 网络。生物神经网络是在生物神经系统中神经细胞按照一定的连接方式连接而形 成的网络，它是客观存在于自然界中的一种神经网络。人脑神经系统是到目前为 止所发现的最具有智慧的生物神经网络。对于人工神经网络而言，它是科学工作 者利用电子技术等手段模拟生物神经网络的某些结构、特征以及功能，人为地研 究制造具有一定智能化功能的网络。 2 1 生物神经网络 构成生物神经网络的基本单元是生物神经元，或简称为神经元。因此，研究 生物神经网络，首先应该研究神经元的基本结构、类型和特征。生物神经元的基 本结构，见图2 1 。 图2 - 1 生物神经元示意图 神经元的分类方式有许多种。按照形态，神经元可分为浦金氏神经元、粒状 神经短轴神经元和“t ”型神经元等。 人脑是人的高级神经中枢。通过大脑，能够看到、听到、触摸到各种信息， 进而认识客观世界。人的思维、意识、行为等脑的高级功能都与客观世界有着密 切的关系。1 8 8 9 年，c a j a l 仓j 立了神经元学说，指出了神经系统是由结构上相对独 立的神经细胞所构成，并认为人脑的神经元数量大为在1 0 1 2 个左右。 神经元的结构： ( 1 ) 突触：细胞和细胞之间( 即神经元之间) 通过轴突与树突相互连接。连接方 9 第二章神经网络概述 式各种各样，其生理作用也不尽相同。轴突与树突接口称为突触，突触有两种类 型：一种是兴奋型，另一种是抑制型：突触的信息传递可变，细胞之间的连接属 于柔性连接，连接强度可变，这也称为神经元结构的可塑性。 ( 2 ) 树突：是细胞体向外伸出的许多较短的树状分支，相当于细胞的输入端， 用来接收其他方面传入到神经元的神经冲动； ( 3 ) 轴突：是细胞体向其它细胞伸出的最长的一条分支，即神经纤维，相当 于细胞的输出端，用于传出神经元自身产生的神经冲动； ( 4 ) 细胞体：由细胞核、细胞质和细胞膜组成，相当于细胞的中央处理单元。 另外，研究表明，神经元细胞膜内外之间存在着电位差，也称为膜电位。膜 外为正，膜内为负。细胞膜接收到来自其它神经元的神经冲动后，受到相关的刺 激，膜电位就上升或下降。当传入的神经冲动使膜电位上升且超过动作电位，细 胞进入兴奋状态，产生神经冲动，由轴突输出，这个过程称为兴奋。当传入的神 经冲动使膜电位下降且低于动作电位，则细胞进入抑制状态，无神经冲动输出， 这个过程称为抑制。 神经元之间通过突触形成的一个连接网络，就是生物神经网络。树突在从突 触接受信号后，把信号传送到神经元躯体，信号在神经元躯体内的累积，其结果 可能激起神经元兴奋或抑制，从而决定了神经元本身的状态。当神经元躯体内的 累积超过阈值时，神经元处于兴奋状态，沿着轴突发送信号给其他神经元。两个 神经元的结合部的突触决定了神经元之间相互作用的强弱。虽然人脑神经系统是 由神经元问通过相互连接构成的，而且每个神经元的结构和功能又十分简单，但 大量神经元所构成的神经网络，其行为却是丰富多彩的和异常复杂的。因此，神 经网络整体的活动性质并不等于单个神经元活动性质的简单相加。 2 2 人工神经网络 人工神经网络是人们用来模拟神经网络的。它由大量模拟神经元按照一定的 规则相互连接而形成的，具有一定功能的所谓智能化的网络。它是几十年来在对 神经科学研究的基础之上，经过一定的抽象、简化与模拟的过程，而最终形成的 人工信息处理模型。它反映了人脑功能的某些基本特征，但并不是对人脑完全真 实的写照。 人工神经网络通常具有以下一些功能： ( 1 ) 自适应能力 能适应外界的变化逐步优化自己保持良好的性能； ( 2 ) 学习能力通过实践来获得经验，完成学习任务； 1 0 第二章神经网络概述 ( 3 ) 自组织能力依据外部环境的变化情况，进行自行调整、自行组织； ( 4 ) 知识表达能力。 ( 5 ) 容错与自修复能力； 2 2 1 人工神经元模型 通过模拟生物神经元的基本结构，人们提出了人工神经元的一些模型。考虑 到人工神经元是人工神经网络的基本处理单元，需要具有生物神经元的基本特 征，于是对生物神经元进行简化，得到如图2 2 所示的人工神经元的基本结构模 型。 胪- i 图2 - 2 人工神经元结构模型 它是一个多输入、单输出的非线性元件，其输入输出关系由式( 2 1 ) 描述。 r n t l j2 荟wr j x j - o j 。， b 1( 2 1 ) 【y = f ( i ，) 式中：砧从其他神经元传来的输入信号； w i j ：从神经元f 到神经面的连接权值； 矽，：神经元，的阈值： 五：神经元，的净输入( 输入总和) ； 贝乃) ：神经面的激活函数，也可以称为激励函数。 激活函数厂的基本作用是：控制输入对输出的激活作用，对输入、输出 进行转换，将可能无限域的输入变换成指定的有限范围内的输出。 常用的激活函数有阈值型函数和s 型函数两种。 第二章神经网络概述 l 他) 0 之 1 他) 。 l 1”7 0 易 0 r x 图2 3 常见的激活函数 如 i i l 。厂j 0 7 x r f 1 ( 1 ) 阈值型函数 图2 3 ( a ) 是单极阈值函数，( 2 2 ) 是它的数学表达式。 m ，= 佬= 图2 3 ( b ) 是双极阈值函数，( 2 3 ) 是它的数学表达式。 m ，= 二，二；善 ( 2 ) s 型函数 图2 - 3 ( c ) 是单极s 型函数，( 2 4 ) 是它的数学表达式。 厂( x ) = 百 肛o ( 2 2 ) ( 2 3 ) ( 2 - 4 ) 图2 - 3 ( d ) 是双极s 型函数，( 2 5 ) 是它的数学表达式。 f ( x ) = 丽e p x _ e - p c 胪。 ( 2 5 ) 2 2 2 人工神经网络模型的分类 人工神经网络有多种拓扑结构，当前已有数十种不同的人工神经网络模型。 它们都是通过对生物神经网络的一种模拟、简化和近似而形成的。其中，根据信 号的流动方向，神经网络模型可分为两类：前馈型神经网络模型和反馈型神经网 络模型。前馈型神经网络模型就是信号从输入层输入信号，经过中间神经元，最 后到输出的单方向传递信号的神经网络。反馈型神经网络模型中，信号可从输出 神经元传递到前面的输入神经元，没有方向的限制。 ( 1 ) 前馈型神经网络 前馈型神经网络，又称前向网络。神经元是分层排列的，分为输入层、隐含 1 2 第二章神经网络概述 层和输出层；同时，每一层的神经元只接受前一层神经元的输出，然后再传递给 下一层。其中，隐含层即中间层，它可由若干层组成。如图2 4 所示。 大部分前馈型神经网络是学习型网络。它们的分类能力和模式识别能力都很 强。典型的前馈型神经网络有感知器网络、b p 网络、r b f 网络等。 隐含层输出层 图2 _ 4 前馈型神经网络结构 ( 2 ) 反馈型神经网络 反馈型神经网络的结构如图2 5 所示。所有神经元都是相互连接的。若有n 个神经元，则每个神经元就有n 个输入。在某些情况下，可能有自反馈的情况。 反馈型神经网络需要工作一段时间以后，网络才能达到稳定状态。 h o p f i e l d 神经网络是反馈型神经网络中最简单且应用广泛一种，它具有联想 记忆的功能。 图2 5 反馈型神经网络结构 对于前馈型神经网络，可以直接计算输出。但是，反馈型神经网络则需要通 过不断计算以达到稳定的输出。从作用效果上看，前馈型神经网络实现了函数映 射的功能，可用于模式识别和函数逼近；而反馈型神经网络则主要用于各种联想 存储器和求解最优化等问题。 第二章神经网络概述 2 3 人工神经网络的学习规则 对于神经网络，全最突出的特点是它的学习能力特别强。神经网络通过所在 环境的刺激作用，反复调整神经网络的自由参数，使神经网络以一种新的方式对 外部环境作出一系列的反应。神经网络能够从环境中学习，并在学习中不断地提 高自身性能是神经网络最有意义的性质。神经网络通过反复学习能对其所处的环 境更为了解。可见，神经网络的学习过程就是一种功能的训练过程和性能的不断 提高过程。 在神经网络的学习过程中，没有学习算法是不行的，即需要一种学习算法。 神经网络的学习算法就是以有序的方式改变网络的连接权值，从而获得设计目标 的一个过程。选择或设计学习算法时，往往需要考虑神经网络的结构及神经网络 与外界环境相连的形式。不同的学习算法，对神经元的突触权值调整的表达式有 所不同，没有一种独特的学习算法能够用于所有的神经网络。一个学习算法的好 坏，对于神经网络在实际应用中的计算效果具有十分显著的影响。优秀的算法不 仅要有快的收敛速度，同时对未学习过样本有比较高的分辨率。 通常情况下，神经网络的学习方式分有导师学习和无导师学习两种。 有导师学习又称为有监督学习，在学习时要给出导师的信号或称为期望输出 ( 响应) 。神经网络对外部环境是未知的，但可以将导师看作是对外部环境是非 常了解的，即可用输入一输出样本集合来表示。导师的信号或期望输出响应代表 了神经网络最佳的执行结果，即通过不同的网络输入来反复调整网络参数，使得 网络输出能够逼近导师的信号或期望输出响应。 无导师学习包括强化学习与无监督学习( 或称自组织学习) 。在强化学习中， 对输入输出映射的学习是通过与外界环境的连接作用最小化性能的标量索引而 完成。在无监督学习或称自组织学习中没有给出外部导师或评价，而是提供一个 尺度用来衡量网络学习方法的质量。根据该尺度可将网络的自由参数进行最优化 操作。神经网络的输出数据形成某种规律，即通过内部的机构参数表示为输入 输出特征，并由此自动得出新的类别。 目前，常见的神经网络学习规则有：h e b b 学习、基于记忆的学习、纠错学 习、竞争学习和随机学习算法。 ( 1 ) h e b b 学习 用于调整神经网络的突触权值。可以概括为：当某一突触 ( 连接) 两端的两个神经元都被同步激活时，突触的能量( 权值) 就被选择性地增加； 当某一突触( 连接) 两端的两个神经元属于异步激活时，突触的能量( 权值) 就被选 择性地减弱或消除。 1 4 第二章神经网络概述 ( 2 ) 基于记忆的学习主要用于模式分类。根据过去的学习结果进行储存 分类，对新的输入进行测试划分，将结果归到已存储的某个类中。 ( 3 ) 纠错学习 适用于有导师学习。实质上是根据网络实际输出与理论输 出之间的误差调整网络的权值和阈值，最终减少网络对给定样本的误差，使它在 给定的范围内。在网络的目标函数给定后，一般根据网络可变参数( 权值和阈值) 对网络误差的偏导数来调整网络的可变参数。该方法属于一个最优化问题，多层 前馈神经网络常用这种学习算法。 ( 4 ) 竞争学习通常用于无导师学习方式。网络输出层各神经元相互竞争， 最后达到一个或几个获胜的神经元处于激活态。 第二章基于g a _ b p 算法的神经网络混合训练 第三章基于g a - b p 算法的神经网络混合训练 3 1b p 学习算法 3 1 1b p 神经网络模型 在通常的情况下，单层网络往往用于解决线性可分问题。但是，我们必须要 考虑的是：为了较好的处理复杂的非线性问题，必须增强分类能力才行，对于单 层网络来说，它往往是很难实现的。这就需要考虑采用多层网络，即在输入和输 出层之间加入隐含层，构成多层前馈网络。图3 1 是一个典型的多层前馈型神经 网络。 误差反传 输 入跑 模 式 输入层 隐含层 输出层 信息流 图3 1b p 网络 在图3 。1 中可知，输入层节点与网络的输入数目相同，网络的输入层 有m 个输入节点。网络的输出层有个输出节点，w j k 是隐含层和输出层节 点之间的连接权值。网络的隐含层有q 个节点，w ，是输入层和隐含层节点 之间的连接权值。输出层节点与网络的输出数目相同。 对于可微的激活函数，我们可采用误差反向传播的b p ( b a c k p r o p a g a t i o n ) 算法进行学习。在b p 算法中，把信息分正向传播过程和反向 1 6 第三章基于g a - b p 算法的神经网络混合训练 传播过程。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并 传向输出层，由输出层传出。倘若在所期望的输出与输出层得到的输出误 差较大，那么就将误差信号沿原来的连接通路返回，并适当地调整各层神 经元的连接权值，即反向传播过程的计算方法。 1 b p 网络的前馈计算 输入层第i 个节点的输出为： o ，= x ， ( 3 1 ) 此时，隐含层第，个节点的净输入和输出分别为： j 卜z 0 0 w 以 ( 3 2 )l3 一zj 【o ，= f ( 1 ) 式中：当o o = - i 时，权值w o ，= 秒，。 再者，输出层第k 个节点的净输入和输出分别为： i k2 荟w 户，3 = 3 ，1，辱o 【， lo = 厂( j ) 同样，当o o = - i 时，权值w o 。= 只。 2 b p 网络连接权值的调整规则 假定激活函数为单极s 型函数， 厂( z ) 5 赤，( o ) 。在这 种情况下，激活函数的微分完全可以用激活函数本身来表示，其关系公式 是( x ) = f l f ( x ) ( 1 一( z ) ) 。 为简便起见，可考虑只有一个样本的情况。此时，误差函数可写为： e = ( d 。一o 。) 2 ( 3 - 4 ) 如果有尸个样本，则系统的误差函数可写为： e = ( d 肚一d 彬) 2 = e p ( 3 5 ) 二p = lk = lp = l 式中：呶第p 个样本第k 个输出期望值； o 麻第p 个样本第k 个输出实际值。 当输入信号x 确定后，误差e 只与连接权值相关。为减小误差e ，连 接权值形的增减应按照其负梯度方向来改变，即： 第三章基于g a b p 算法的神经网络混合训练 形叫熹 ( 3 6 ) ( 1 ) 调整输出层杈糸数 根据式( 3 6 ) ，隐含层到输出层的权值增量可表示为： a w j k 叫誓叫笋导：r i s k 善：r l s k o j 一刁瓦一刁瓦藏2 藏2 其帆一筹一盖篑 然后瓦o e f = 一( 以一q ) 磐：厂( 厶) ：f l f ( i k ) ( 1 一m ) ) ：f l o k ( 1 一q ) 洌 所以万= f l o 女( 1 0 ) ( d 一0 女) 这样，隐含层到输出层的连接权值增量的修正公式可为： a w 肛= r 1 6 k o = u p o ，0 ( 1 0 女) ( d 一0 t ) ( 3 7 ) 对于输出层神经元阈值，与输入为1 的连接权系数相当。因此，其修正公 式可表示为： 幺= 一彬q ( 1 一q ) ( 吨一q ) ( 3 8 ) ( 2 ) 调整隐含层权系数 根据式( 3 6 ) ，输出层到隐含层的权值增量也可表示为 毗= 一玎嚣= 一巧可o e 瓦o i j = 巧t 毒= 刁t pw 口一玎两一7 7 可瓦邓6 ，菇邓6 q 热分号一茜等 然后旦j=-!oe。c3ik_=壹k=l丝k旦j(羲=wjkoj卜酗l00 o i0 0o