基于神经网络集中供热负荷预测与控制研究

1、 辽宁科技大学本科生毕业设计(论文) 第i页 基于神经网络集中供热负荷预测与控制研究 摘 要 供热负荷预测是集中供热系统进行运行调节的前提和基础，也是集中供热系统 优化控制的一个重要先决条件。正如前面所述，在集中供热系统中，为了保证节能 和供热质量，热源处必须要很好的跟踪预测热用户的用热量。负荷预测就是在掌握 负荷变化规律的基础上，充分考虑各种影响因素后，以一定的准确程度来预报未来 某一时刻或某一时段的负荷大小。因此，对供热负荷进行准确预测，对于整个集中 供热系统的运行管理、提高供热质量、节约能源、环境保护、改善人们的生活质量 等都具有十分重要的意义。集中供热负荷的变化是典型的非线性变化，供热

2、系统在 确定建设规模，制定运行、检修计划方面面临许多因素的影响。本文对神经网络 bp 算法供热负荷预测方面的应用在理论上做了一些研究，取得了比较满意的效果。本 文利用 bp 神经网络理论和优化算法，建立了集中供热系统的自适应动态控制方案， 仿真结果表明该控制方案克服了传统控制方案的缺点，大大提高了供热品质，节约 了能源。 关键词：集中供热；负荷预测；bp 神经网络 辽宁科技大学本科生毕业设计(论文) 第ii页 based on neural network load forecast and control central heating abstract heating load forec

3、asting is central heating system to adjust the optimal control one of the important prerequisites. therefore, the heating load forecasting advance precise forecast for heating the operation of the system management, improve heating quality, energy saving, environmental protection etc have very impor

4、tant significance.the central heating load changes is a typical nonlinear variation, heating system in determining the construction scale, establishing operation and maintenance plan faces many factors influence. based on neural network based on bp algorithm heating load forecasting applications in

5、theory did some research and made satisfactory effect.this paper using bp neural network theory and optimization algorithm, a concentrated heating system adaptive dynamic control scheme, the simulation results show that this control scheme overcome traditional control scheme shortcomings, greatly im

6、proving the heating quality, save the energy. keywords: centralized heat supply; the load forecast; the bp neural network 辽宁科技大学本科生毕业设计(论文) 第iii页 目 录 摘摘 要要.i abstract .ii 1 绪绪 论论.1 1.1 选题背景.1 1.2 目前供热负荷预测研究现状.2 1.2.1 各种供热负荷预测方法 .2 1.2.2 现有预测方法的分析和存在的问题 .3 1.3 本论文研究的主要内容.4 2 bp 神经网络介绍.5 2.1 人工神经网络结构.

7、5 2.2 bp 神经网络模型概述.6 2.3 反向传播学习算法.7 2.4 bp 学习算法的缺陷.9 2.5 bp 算法的改进.10 3 热负荷预测神经网络模型的建立.11 3.1 神经网络用于集中供热系统控制的必要性.11 3.2 集中供热系统神经网络控制方案的研究.12 3.2.1 神经网络监督控制 .12 3.2.2 神经网络内模控制 .13 辽宁科技大学本科生毕业设计(论文) 第iv页 3.2.3 神经网络直接逆动态控制 .13 4 基于 bp 神经网络的热负荷预测仿真分析.15 4.1 基于改进 bp 神经网络的热负荷预测.15 4.1.1 预测模型的选取.15 4.1.2 基于神

8、经网络负荷预测的基本步骤.15 4.1.3 输入变量和输出变量的选取.16 4.1.4 输入输出变量的预处理.17 4.2 集中供热负荷预测仿真示例.17 4.2.1 改进 bp 神经网络模型参数的选择.17 4.2.2 bp 神经网络层次结构的确定 .19 4.3 预测结果分析.19 4.4 本章小结.22 结 论.23 致 谢.24 参考文献.25 附录.26 辽宁科技大学本科生毕业设计(论文) 第1页 1 绪 论 城市集中供热目前已成为我国北方冬季供热的一种主要形式。由集中供热代替 传统的分散供热有助于节约能源、减少污染、提高经济效益，是城市现代化建设的 一个重要标志。积极发展集中供热是

9、为实现小康生活、建设和谐社会的前提，因此 大力发展可持续的供热体制是重中之重。 1.1 选题背景 供热负荷预测是掌握在负荷变化规律的基础上，充分考虑各种影响因素之后， 以一定的准确程度预报将来某一时段或时刻的负荷大小。供热负荷的大小、特性及 变化规律，对于供热系统的运行管理、节约能源、保护环境等都十分重要。对系统 未来的负荷和特性进行预测，是供热系统发展与运行管理的关键之一。同时，集中 供热系统的供热负荷预测是对集中供热管网系统进行最有效调节的一个重要先决条 件，对集中供热管网系统热效率的提高有直接的贡献。准确快速的热负荷预测也大 大有利于改善集中供热管网微机监控系统的工作，从而提高集中供热管

10、网系统的运 行效率、可靠性和经济性，因此，供热负荷预测具有十分重要的意义。 预测系统热负荷变化也是中央管理机的主要工作任务之一。只有根据所预测出 的热负荷值，中央管理机才能够确定出供热参数，即循环水量及循环水泵的开启台 数，供回水温度及锅炉的开启台数，继而将这些决定通知相应的现场控制单元产生 相应的动作或修改相应的设定值。因此，能否准确地预测出未来负荷的变化，将直 接关系到系统能否正常与经济地运行。 与人们居住环境密切相关的供热领域由于热的特殊性及系统的复杂性，热负荷 预测相对滞后。要想保证节能和供热的高质量，热源处必须能够很好地跟踪预测热 用户的用热量，热负荷预测必将成为供热系统调控的一部分

11、。用户根据自己的需求 调节温控阀来控制室内温度，这种调节，本质上是通过调节散热器的流量大小来调 节散热器的供热量多少，从而达到控制室温。当众多用户调节自己的流量后，整个 辽宁科技大学本科生毕业设计(论文) 第2页 热网的流量和供热量也随之变化，而这种变化是无规律的，面对这种没有精确数学 模型的受控参数，要实现按需供热进而满足热用户的热舒适要求，没有很好的预测 手段显然是不行的，而传统供热系统的设计方法与调控方法不能适应供热计量系统 的要求。要实现供热计量的两个目标节能和供热的高质量，在供热系统运行过 程中应跟踪预测热用户的用热量，使热源的供热量和热用户的需热量相匹配，从而 使系统的供需一致。因

12、此，集中供热系统的负荷动态预测必将成为集中供热系统调 控的一个重要部分。 供热系统的热介质是热水，热惯性大，变化明显存在很大的滞后性，这给有效、 及时的控制调节带来许多不便，造成集中供热控制系统的稳定性较差，很难实现温 度的平稳控制，既浪费能源又达不到好的供热效果。如果能对供热负荷提前进行准 确预测，必将有利于对集中供热系统进行及时、有效的控制调节，克服热惯性造成 的不利影响，这一切都说明，对集中供热系统进行热负荷预测是很有必要的。 1.2 目前供热负荷预测研究现状 供热系统的热用户有采暖、通风、热水供应、空气调节、生产工艺等用热系统。 目前的预测方法可以分为两大类：一类是定性预测，也称直观性

13、预测；另一类是定 量预测，也称统计预测。在暖通领域，常采用定量预测方法，即采用数学、概率论 和数理统计的方法对历史数据进行处理。回归分析就是一种常用的定量预测方法。 近年来，一门新兴的边缘科学人工神经网络（ann）引起人们广泛的关注，由 于其独特的结构和处理信息的方法，使其在许多实际应用领域中取得了显著的成效。 1.2.1 各种供热负荷预测方法 常规单一的负荷预测方法有：类比法、主观概率预测法、单耗法、负荷密度法、 比例系数增长法。这些方法的共同点是：根据某个单一的指标进行预测，方法虽然 简单，但比较笼统，且很难反映诸如人口、经济、气候等条件的影响。 预测新技术有：趋势外推预测技术、负荷回归模

14、型预测技术、时间顺序预测技 辽宁科技大学本科生毕业设计(论文) 第3页 术、灰色预测技术。 负荷预测技术的发展动态有：优选组合预测技术、专家系统预测技术、模糊预 测技术、小波分析预测技术、神经网络预测技术。 1.2.2 现有预测方法的分析和存在的问题 几种典型的预测方法： 1）arma（自回归移动模型）方法是对自回归模型和移动平均模型的综合， 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进行处理， 所以它可以对 任何一个供热系统的负荷变化进行模拟，而且预测速度快，能得到较高的预测精度。 但该方法所需数据单一，只能给出下一周期的负荷预测值，且无法分析形成这一结 果的原因，所以它更适合短期负

15、荷预测。此外，通过对以往运用 arma 方法预测实 例的分析，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 法存在滞后性，即最近的实际数据发生异常变化时，由于模型平滑作用，预测数据 无法立即对之做出反应，所以今后用 arma 方法进行短期负荷预测应着眼于这方面 的研究。 2）回归分析法 该预测方法是利用数理统计中的回归分析方法，根据历史数据的变化规律寻找 自变量与因变量之间的回归方程，寻找预测对象与影响因素之间的因果关系，建立 回归模型进行预测，而且在系统负荷发生较大变化时，也可以根据相应变化因素修 正预测值，因此适合于中长期负荷预测。该方法是通过自变量来预测相应变量，所 以

16、自变量的选取及自变量的准确性对预测结果是至关重要的。 3）灰色预测方法 灰色预测方法是一种不严格的系统方法，它抛开了系统结构分析的环节，直接 通过对原始数据的累加来生成寻找系统的整体规律，构建指数模型。该方法能根据 舒适数据的不同特点，构造出不同的预测模1型。 灰色预测方法具有以下优点：（1）灰色预测无需大量的数据，无需数据有明显 的统计规律，只需要控制模块便可快速建模。（2）灰色预测对环境、参数等随机的 非线性干扰有自适应能力，是变参数不变结构的自适应模型。（3）灰色预测是一种 辽宁科技大学本科生毕业设计(论文) 第4页 事前预测，简单、灵活、方便，具有防患于未然的能力，可为系统行为的预先提

17、供 信息，使我们作出切合实际的反应，避免不可必要的损失。 从以上方法可以分析得到传统的负荷预测方法均是基于线性模型的，比较成熟， 算法简单、速度快，在天气温度和生产情况因素变化不大时，预测效果良好，但是 由于影响热负荷的许多因素都是随机的、具有各种不确定因素影响，使得每一时刻 的负荷值都是随机的，所以很难用热负荷值与其影响因素之间的线性关系来表示， 而且建立函数关系模型需要大量的历史数据和建模工作，模型也缺少抗偶然因素的 能力，自适应能力较差。因此，在供热负荷预测中缺乏通用性和实用性。 1.3 本论文研究的主要内容 尽管集中供热负荷预测的方法很多，国内外的学者和机构对此也做了大量的研 究，但目

18、前预测方法在集中供热负荷预测中仍存在许多不足，在此情况下，本论文 提出采用基于神经网络的热负荷预测方法，并采用 matlab 软件进行模拟计算、仿真 和测试。本论文包括以下几个方面的内容： （一）绪论，主要介绍集中供热负荷预测的意义及必要性，并结合国内外对热 负荷预测方法的对比，突出基于神经网络的热负荷预测方法的有点及应用成果。 （二）关于 bp 神经网络的重点介绍。 （三）热负荷预测神经网络模型的建立。 （四）基于 bp 神经网络的热负荷预测的仿真分析并得出实验结果。 辽宁科技大学本科生毕业设计(论文) 第5页 2 bp 神经网络介绍 2.1 人工神经网络结构 人工神经网络是一种由大量简单的

19、人工神经元广泛连接而成的，用以模仿人神 经网络的复杂网络系统。它在给定大量的输入/输出信号的基础上，建立系统的非线 性输入/输出模型，对数据进行并行处理，实质上它是把大量的数据交给按一定结构 形式和激励函数构建的人工神经网络进行学习，然后在给出未来的一个输入的情况 下，由计算机根据以往的“经验”判断应有的输出。该方法实际上是对系统的一个黑 箱模拟，它主要适合短期负荷预测。 人工神经网络方法是利用经验样本的学习，在网络中建立一个多输入变量愈多 输出变量间的非线性映射过程，不需要建立具体的数学模型和规则。神经网络具有 自组织、自学习、自适应的特点，能通过对连接权的不断调整，自动适应信息，最 终通过

20、学习对实际样本提出合理的求解规则，对瞬变的供热系统负荷预测具有十分 重要的意义。 由于传统的预测方法自身的局限性，对供热计量系统负荷的短期预测精度较低， 而神经网络作为通用算法用于数据的处理，建立的数学模型消除了其他方法处理非 线性问题的缺点，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更接近于实际情况，精度更高。 ann 的优势在于： 1）具有以任意精度逼近任意复杂的非线性函数的特性； 2）具有很强的适应于复杂环境和多目标控制要求的自学能力； 3）所有定量或定性信息分布储存于网络的各个神经单元，而且各个单元上储存 着不通信息的部分内容

21、，即网络有冗余性，从而具有很强的容错性和鲁棒性； 4）采用信息的分布式并行处理，可以快速地进行大量的计算，但又不是简单地 “以空间的复杂性为代价来求得时间上的快速性”，而是对于处理以求的满意为目标 的决策非常迅速。 辽宁科技大学本科生毕业设计(论文) 第6页 2.2 bp 神经网络模型概述 bp 网络是一种三层或三层以上的前馈型神经网络，包括输入层、隐层和输出层， 上下层之间各个神经元实现全连结，而每层神经元之间无连接。从理论上讲，三层 以上的神经网络，只有隐层神经数目足够多，该网络就能够以任意精度逼近一个非 线性函数。图 2.1 所示是一个典型的三层 bp 网络结构，有一个隐层，隐层神经元数

22、 目为 s，具有 r 个输入和 m 个输出。隐层采用 s 型神经元函数（如图 2.2 中的图(a)、 图(b)所示），之所以选择 s 型函数作为启动函数其原因在于它连续可微分，而且更 接近于生物神经元的信号输出形式。隐层的非线性传递函数神经元可以学习输入输 出之间的线性和非线性关系。对于输出层而言，当需要限定网络输出（例如约束在 0 和 1 之间），可以采用 s 型传递函数；为了拓宽网络输出，输出层则可以选择线 性传递函数（如图 2.2 中图(c)所示）。 . . . . . . . . . 输入层 隐含层 输出层 x y ww r s x1 x2 xr m 图 2.1 bp 网络结构 辽宁科

23、技大学本科生毕业设计(论文) 第7页 n a +1 -1 0 n a +1 -1 0 (a) a=logsig(n) (b) a=tansig(n) log-sigmoid 传递函数 tan-sogmoid 传递函数 n a +1 -1 0 (c)a=purelin 线性传递函数 图 2.2 神经元传递函数 2.3 反向传播学习算法 对于典型的 bp 网络，一般要经过上百次乃至上千次的学习过程，才能使网络 收敛。根据 bp 网络的学习过程，bp 算法的学习训练过程如下： 1）训练样本 bp 网络输入层的输入为： （2.1）rjjxoj, 2 , 1)( )1( 网络隐含层的输入和输出分别为：

24、辽宁科技大学本科生毕业设计(论文) 第8页 （2.2） r j jiji owknet 1 )1()2()2( )( （2.3）)()( )2()2( knetfko ii si, 2 , 1 上式中，为隐含层加权系数，上角标（1）、（2）、（3）分表代表输入层、隐 )2( ij w 含层和输出层。 隐层神经元的启动函数取 sigmoid 函数为： （2.4） x e xf 1 1 )( 同理，可求得网络输出层的输入和输出分别为： （2.5） s i ilii owknet 1 )2()3()3( )( （2.6）)()( )3()3( knetfko il ml, 2 , 1 2）输出误差反

25、向传播 在正向传播计算中得到了网络的实际输出值，当这些实际的输出值和希望输出 不同或者网络均方差大于限定的数值时，就要对网络的各权值和阈值进行重新调整。 这种调整是从后向前进行的，所以被称作误差反向传播。bp 学习算法就是对网络权 值和阈值的修正要沿着误差的负梯度方向。 取性能指针函数为： （2.7） 2 )()( 2 1 )(kyoutkrinkke 按照梯度下降法修正网络的权值，即按照对加权系数的负梯度方向搜索调整， 并附加一个使搜索快速收敛全局极小的惯性项为： ) 1( )( )( )3( )3( )3( kw w ke kw li li li 式中，为学习速率；为惯性系数。 （2.8）

26、 )( )( )( )( )( )( )( )( )( )( )3( )3( )3( )3( )3()3( kw knet knet ko ko ku ku ky ky ke w e li l l l lli 辽宁科技大学本科生毕业设计(论文) 第9页 （2.9）)( )( )( )2( )3( )3( ko kw knet l li l 由于未知，所以近似用符号函数取代，由此带来计算不精确的影响 )( )( ku ky ) )( )( sgn( ku ky 可以通过调整学习速率来补偿。按照梯度下降法可得网络权置的学习算法为： （2.10）)() 1()( )2()3()3()3( kokwk

27、w illili （2.11）)() 1()( )1 ()2()2()2( kokwkw jiijij 3）循环记忆训练 为了使神经网络的输出误差和网络的均方差趋于极小，对于神经网络输入的每 组训练样本，一般都要经过百次、千次甚至上万次的循环记忆训练，这种循环记忆 训练就是反复运用上面的输入模式正向传播和输出误差反向传播的过程。 4）学习结果的判定 每次循环记忆训练结束后，都要进行学习结果的判定。如果达到了设计要求就 可以结束学习过程，否则继续学习。 2.4 bp 学习算法的缺陷 （1）训练时间长，收敛速度慢 用来训练前馈神经网络最常用的算法是 bp 算法，但 bp 算法对样本进行逐个学 习时

28、，常会发生“学了新的，忘了旧的”即遗忘现象，为此，只好对样本不断循环重 复学习，这样其学习时间必然很长。一个较为简单的问题，用 bp 网络求解，通常 需循环几千次，甚至上万次才能收敛，故难以处理海量数2据。 （2）所得网络容错能力差 由于 bp 算法的目标只是追求学习“误差”最小，而没有考虑网络的其他性能， 而且，为了使迭代过程不产生振荡，在迭代接近结束时，迭代步长要很小，这些都 使得用 bp 算法得到的网络容错能力很差。 （3）易陷入局部极小点 bp 算法采用梯度下降法调整网络的权值和阈值，这使网络容易陷入局部极小点， 辽宁科技大学本科生毕业设计(论文) 第10页 且可能使求解问题得不到最优

29、解。 2.5 bp 算法的改进 基于 bp 算法的神经元网络具有复杂的非线性映射能力，理论上具有完整性并 成功地应用于广泛的问题，仍具有重要的意义，但也存在一些问题，如学习算法的 收敛速度慢，网络隐结点数选取缺少统一完整的理论指导等。因此，应采用经变形 的反向传播算法，以显著提高速3度。 为提高速度的改进大致分为两类。第一类包括那些使用启发式信息的技术，源 于对标准反向传播算法特定性能的研究，如采用可变的学习速度，使用动量和改变 比例变量等；另一类集中在应用标准数值优化技术。 辽宁科技大学本科生毕业设计(论文) 第11页 3 热负荷预测神经网络模型的建立 3.1 神经网络用于集中供热系统控制的

30、必要性 神经网络应用于控制系统设计主要是针对系统的非线性、不确定性和复杂性进 行的，由于神经网络的适应能力、并行处理能力和它的鲁棒性，使采用神经网络的 控制系统具有更强的自适应性和鲁棒性。为了使用户室温到达设计室温的要求，必 须在整个供暖期，随室外气温的变化，随时进行供水温度、流量的调节，以期实现 按需供热，这称为供热系统的运行调节。由于集中供热系统是一种非线性大滞后的 复杂系统，采用传统的控制方法无法对其进行辨识和控制，神经网络技术具有非线 性、自学习、自适应等特性，因而非常适合于实现对集中供热系统的控制调节。 传统控制理论缺乏对非线性系统，未知动力学和环境参数系统的有效控制策略， 虽然自适

31、应控制在线性时不变系统的应用中取得了重大成功，并有各种稳定的自适 应规则相继问世，但是对非线性系统的自适应控制的研究进展却相当缓慢。人工神 经网络理论的研究，为非线性系统控制理论的研究开辟了一条新思路。由于神经网 络具有大规模并行性、强容错性、本质的非线性及自学习、自适应、自组织能力， 已成功地应用于许多不同的领4域。 建立在数学模型基础上的传统控制理论在设计系统的控制器之前，必须建立被 控对象的数学模型，若不能建立系统的线性化模型，就难以实现合理、满意的控制 效果。对于复杂的非线性系统和时变系统的控制设计，目前，还没有系统的普遍使 用的理论来指导，无法实现有效全面的集中控制。因此，神经网络的

32、处理非线性系 统的能力就显得尤为重要，它可以表示非线性映射，能够建立非线性系统的模型。 集中供热网是一个复杂的分布式大系统。整个生产过程具有大滞后、大惯性的控制 特性，供热站之间存在较强的耦合，对象具有时变特性，而且存在地理位置的分散 性、过程负荷变化的不确定性等特点。对于如此复杂的集中供热系统，采用神经网 络技术实时地对供热系统进行控制调节是非常必要和有效的。 辽宁科技大学本科生毕业设计(论文) 第12页 3.2 集中供热系统神经网络控制方案的研究 对于不同的控制目的和分类方法，现有多种神经网络控制结构，在此介绍几种 代表性的神经网络控制方5案。 3.2.1 神经网络监督控制 监督控制是利用

33、神经网络的非线性映射能力，时期学习人与被控对象打交道时 获取的知识经验，从而取代人的控制行为。在此结构中，神经网络的行为有明显的 学习期和控制期之分，在学习期，网络接受训练以逼近系统的逆动力学；而控制期， 神经网络根据期望输出和参考输入回忆起正确的输入。这类方案如图 3.1 所示。 图 3.1 神经网络监督控制 该方案中，神经网络实质上是一个前馈控制器，它与常规控制器同时起作用， 并根据反馈控制器的输出进行学习，目的是使反馈控制器的输出趋于零，从而逐步 在控制中占据主导地位，最终取消反馈控制器的作用，而在出现干扰时，反馈控制 器又重新起作用。在前期学习中，利用了常规控制器的控制思想，而在控制期

34、，又 能通过训练不断学习新的系统信息，不仅具有较强的稳定性和鲁棒性，而且能够有 效提高系统的精度和自适应能力，应用效果较好。 辽宁科技大学本科生毕业设计(论文) 第13页 3.2.2 神经网络内模控制 内模控制为非线性系统的设计提供了一种直接方法。用神经网络建立被控对象 的正模型和控制器，即构成了神经网络内模控制，如图 3.2 所示。 图 3.2 神经网络内模控制 在这种结构中，系统的正模型与被控对象并联，两者之差作为反馈信号，该反 馈信号通过前馈通道的滤波器和控制器处理后，对被控对象实施控制。引入滤波器 的目的是为了获得更好的鲁棒性和跟踪响应效果。这种控制方案，对于线性系统， 要求对象为开环

35、稳定的；对非线性系统是否还有其他条件，目前还在探索研究之中。 3.2.3 神经网络直接逆动态控制 神经网络直接逆动态控制，也称直接自校正控制，时将系统的逆动态模型即神 经网络控制器（nnc）直接串联在被控对象之前，nnc 实现对象的逆模型，且能在 线调整，使得复合系统在期望输出和被控系统实际输出之间构成一个恒等的映射关 系。这时网络直接作为控制器工作，如图 3.3 所示。 辽宁科技大学本科生毕业设计(论文) 第14页 （a）神经网络逆辨识 （b）神经网络直接控制 图 3.3 神经网络直接逆动态控制 直接逆动态控制方法中，神经网络控制器 nnc 也相当于逆辨识器，如图 3.3（a）所示。图 3.

36、3（b）是神经网络直接控制器的典型结构。对于周期不变的非 线性系统，可以采用静态逆辨识的方式。可先用大量的数据离线训练逆模型，训练 好以后再嵌入控制。离线训练逆模型要求网络具有较好的泛化能力，即期望的被控 对象的输入输出映射空间必须在训练好的神经网络输入输出映射关系的覆盖之下。 辽宁科技大学本科生毕业设计(论文) 第15页 4 基于 bp 神经网络的热负荷预测仿真分析 4.1 基于改进 bp 神经网络的热负荷预测 集中供热系统的供热负荷具有以下特点：逐时负荷呈现趋势性、较强的随机性和 以 24 小时为周期的周期性变化规律。因此，本文将热负荷的预测作为短期负荷预测 来处理，并选用改进 bp 神经

37、网络进行负荷预6测。 4.1.1 预测模型的选取 集中供热热负荷具有较大的随机性，预先预测热负荷的变化及其特性是保证集 中供热系统安全、经济和高效运行的前提和保证。同时，热负荷又具有一定的规律 性，未来某一时刻的热负荷通常与过去的热负荷、现在的运行状况、室外温度、是 否为工作日及太阳照射率等有密切关系。因此，预测模型的提出需要考虑如下问题。 1）模型应该能够反映负荷随着工作日及 24 小时周期性波动的特点。 2）模型应能反映负荷自然增长的内在规律。 3）模型应能反映室外温度、太阳照射率等气象因素的影响。 在实际负荷预测中，在收集历史资料时，应尽可能不遗漏与供热负荷有关的所 有相关数据。但是一方

38、面由于资料收集和观测困难，另一面因为因素太多不仅会引 起建模困难，而且会带来运算复杂，训练时间长和数值不稳定等问题。因此选择输 入变量时，应注意组合搭配，使输入变量的数目尽量少。 4.1.2 基于神经网络负荷预测的基本步骤 应用神经网络进行集中供热负荷预测，大体上可以分网络结构的构造、网络模 型的学习和供热负荷预测三个阶段。这三个阶段又可以具体地细分为如下过程： （1）收集历史资料。要想对集中供热负荷未来某一时段或某一时刻的热负荷进 辽宁科技大学本科生毕业设计(论文) 第16页 行合理的预测，必须有充分的供热负荷历史数据，以及对供热负荷变化有重大影响 因素的统计资料，并且要对这些数据进行适当的

39、预处理。 （2）神经网络结构设计。本阶段主要是依据集中供热系统的实际要求和所具有 的统计数据和历史数据，设计合理的神经网络结构。 （3）学习训练。此过程主要是将需要处理的学习样本输入到神经网络模型，开 始进行神经网络的学习训练，并且每训练一次，就要把网络的实际输出值与期望值 进行比较。若输出误差或误差的平方和不符合要求，则根据所选择的学习算法对网 络权值和阈值进行相应的调整，继续学习，直到对于所有样本集都得到所期望的输 出值。 （4）供热负荷预测。应用已经训练好的神经网络模型对未来热负荷进行预测。 下面就根据上面的步骤对集中供热负荷进行预测。 4.1.3 输入变量和输出变量的选取 在实际进行供

40、热负荷预测时，输入变量的选择是取得良好预测效果的关键环节。 输入变量可以是成组的原始数据，也可以是经过预处理的参数或表示某种信号的采 样样本。所选择输入变量及输入神经元的数量可以根据需要解决的问题类型和资料 表达的方式选定。当然，在选择输入变量的种类和数量时，我们希望尽可能不遗漏 与供热负荷有关的重要因素，因为输入变量选择越充分，输入神经元数目越多，网 络的运算精度越高。但是，实际上我们不可能考虑到所有的因素。一方面是由于历 史资料的收集和观测困难；另一方面是因为因素太多不仅会引起建模困难，而且会 带来运算复杂，训练时间长和数值不稳定等问题。因此选择输入变量时，应注意组 合搭配，使输入变量的数

41、目尽量少。 供热负荷预测的潜在输入变量并不太多，通过对影响热负荷变化的诸因素的分 析，输入变量可能包含的类型有：时间、是否工作日、室外温度、室外风天气情、 太阳照射率、供热系统的供水流量、供水温度、回水温度、入口压力、出口压力等。 集中供热系统的控制运行方案有多种，对于不同的控制方案，可以选择不同的 输出变量。一般可以选择供回水压差、供回水温度、流量等作为输出变量。本文选 辽宁科技大学本科生毕业设计(论文) 第17页 择循环水流量作为输出变量，单位为 t/h。 4.1.4 输入输出变量的预处理 集中供热系统负荷建模需要大量的历史负荷数据，而历史数据从现场采集得来， 除了受测量设备本身或数据传输

42、中的种种原因影响外，还有某些意外的随机干扰， 如系统故障、设备检修、人为错误等。因此历史数据中往往包含不良数据或伪数据， 这些伪数据对神经网络建模造成负面影响。 在 bp 神经网络中每层神经元节点的激励函数大多采用 sigmoid 函数，所以必 须对神经网络的输入、输出参数进行归一化处理。 采用下式将输入参数值归一化为 0.10.9 范围： （4.1） minmax min) (8 . 0 1 . 0 xx xx y 在输出层中，采用下式将输出值反归一化： （4.2） 8 . 0 )(1 . 0( minmax min xxy xx 其中，x 为归一化前的参数，y 为归一化的参数。 4.2 集

43、中供热负荷预测仿真示例 本节结合 4.1 小节提出的神经网络负荷预测的方法和实现步骤，将该方法具体 地应用于集中供热系统短期负荷预测示例，用以验证提出预测方法的有效性。 4.2.1 改进 bp 神经网络模型参数的选择 本文根据文献中提出的某热力站的负荷数据作为学习和预测的样本集，样本数 据如表 4.1 所示。 辽宁科技大学本科生毕业设计(论文) 第18页 表 4.1 训练样本 时间 室外温 度 风速天气 供水流 量 回水温 度 是否工 作日 供热负 荷 1-150.20.10.7440.4586.2 2-150.20.10.7430.4582.2 3-160.20.10.7430.4581.1

44、 4-160.30.10.7440.4583.0 5-150.30.20.6440.4582.3 6-150.40.20.6450.4581.6 7-140.40.30.7430.4582.4 8-140.40.30.6440.4580.1 9-130.40.30.6440.4579.9 10-130.20.40.7440.4579.5 11-120.20.40.6450.4578.1 12-120.10.40.7440.4577.5 13-110.10.50.6450.4578.7 14-110.20.50.7450.4577.6 15-110.20.70.6440.4576.4 16-12

45、0.30.70.6450.4576.8 17-120.30.70.6440.4575.3 18-130.50.80.7450.4576.0 19-130.50.80.7430.4578.6 20-140.50.80.6450.4579.9 21-140.50.80.7450.4580.7 22-150.40.80.7440.4582.0 23-150.40.20.6440.4582.6 24-150.30.20.7440.4583.7 由表 4.1 可知，本文确定的神经网络模型的输入参数为：时间、室外温度、室外 风速、天气、供水流量、回水温度和是否为工作日。 按照这种方式构造的网络体系 如图

46、4.1 所示。 辽宁科技大学本科生毕业设计(论文) 第19页 神经 网络 预测 模型 时间 室外温度 风速 天气 供水流量 回水温度 是否工作日 预测负荷 图 4.1 负荷预测神经网络的构造体系 4.2.2 bp 神经网络层次结构的确定 bp 神经网络的层数和各层的神经元个数需要根据实际情况进行合理的选择。一 般选择的原则是在满足预测误差精度的前提下，以较少的层数和神经元个数在较短 的时间内达到要求。由于神经网络的不确定性，因此在选择神经网络的层数和合每 层的神经元个数时，需要进行反复试算，以得到最佳的模型结构。 由于三层 bp 神经网络既不太复杂，又可以逼近任何连续的函数，所以对热负荷 的研

47、究非常合适。因此，本文采取三层 bp 神经网络结构。由于输入参数为 7，因此 输入神经元个数为 7；输出参数为 1，因此输出神经元个数为 1。同时，隐层选择有 15 个神经元，即网络结构为 7-15-1。改进的 bp 算法各主要参数为：学习率；2 . 0 动量因子；最大训练次数 1500；网络训练最大平方误差取。65. 0 5 10 4.3 预测结果分析 本节采用 matlab 仿真软件进行仿真试验， matlab 控制系统工具箱提供 的函数 newff()进行热负荷预测，它需要四个输入条件，依次是：由 r 维的输入样本 最大最小值构成的 r*2 维矩阵、各层的神经元个数、各层神经元的传递函数

48、以及训 练用函数的名称。 假设需要构建一个两层神经网络，其输入量是二维的，输入向量的范围为-1 辽宁科技大学本科生毕业设计(论文) 第20页 2；0 5，第一层（隐层）有三个神经元，传递函数是 tansig()；第二层（输出层）是 单个神经元，传递函数是线性的，训练函数选取 traingd。至此就生成了初始化待训 练的神经网络。 神经网络的结构选 7-15-1，学习率、动量因子、最大训练次数和网络训练最大 平方误差的选取参看 4.2.2 小节。最后将神经网络训练完成后得到的权重值作为最终 确定的权值连接方式，然后将要预测时刻的输入值进行输入便可得到未来某一时刻 热负荷的预测值，具体仿真程序见附

49、录。 图 4.2 给出了 bp 算法预测负荷和实际负荷曲线。图 4.3 图 4.4 给出了改进 bp 演算法网络权值过程误差变化曲线和预测负荷曲线。从仿真曲线可以看出，采用改 进 bp 算法训练完成的网络进行预测时，预测负荷和实际负荷曲线的拟合程度明显 好于 bp 算法，从而验证了设计方法的有效性。 图 4.2 bp 算法预测负荷和实际负荷曲线 辽宁科技大学本科生毕业设计(论文) 第21页 图 4.3 改进 bp 算法训练网络权值过程误差变化曲线 经过 424 次循环，bp 网络训练成功。 图 4.4 改进 bp 算法预测负荷和实际负荷曲线 辽宁科技大学本科生毕业设计(论文) 第22页 综上所

50、述，改进 bp 神经网络适合对集中供热热负荷的预测，且精度较高，完 全满足热用户的要求。使热网的管理者能够提前对供热负荷的变化有所准备，制定 合理的检修计划，把热网检修对供热的影响降到最小，争取效益最大化。 4.4 本章小结 本章主要研究了基于改进 bp 神经网络的集中供热负荷预测方法。首先，对 bp 神经网络理论进行较为深入的研究和探讨；然后，根据供热系统热负荷的特点，建 立了人工神经网络负荷预测模型；最后，通过仿真示例验证了该预测模型具有较高 的精度，从而验证了设计方法的有效性。 辽宁科技大学本科生毕业设计(论文) 第23页 结 论 我国城市集中供热发展很快，用户对热产品的质量要求越来越高

51、，这就需要对 集中供热系统进行合理有效的调节，而完成这种调节的首要任务就是对供热系统未 来的负荷大小进行快速精准的预测。不仅如此，供热负荷的大小、特性及变化规律， 对于供热系统的运行管理、节约能源保护环境等也都十分重要，能否准确地预测出 未来负荷的变化，直接关系到系统能否正常、经济地运行。 本论文针对遗传算法和神经网络相结合应用于集中供热系统的负荷预测做了深 入的研究，现总结如下： 1）本文应用神经网络进行负荷预测，首先要确定网络的结构，以得到适合预测 实际的最优结构，但目前仍没有高效地方法和具体的理论指导。考虑到遗传算法的 群体寻优、天然的增强式学习能力，使其在寻优过程中具有全局性、并行性、

52、快速 性和自适应性，因此本文采用了遗传算法进行神经网络的拓扑结构的优化设计。 2）对于标准 bp 算法存在收敛速度慢、容错能力差和容易陷入局部极小点的问 题，本论文提出遗传算法和 bp 算法相结合的融合训练算法来实现网络权值的训练 过程，加快了网络的训练速度，避免了局部极小点的问题，提高了预测模型的精度。 3）利用功能强大的 matlab 软件对所建立的供热负荷预测模型进行了仿真试 验，取得了很好的预测效果。 4）本文利用神经网络理论和遗传优化算法，建立了集中供热系统的自适应控制 方案，仿真结果表明该控制方案克服了传统控制方案的缺点，提高了供热品质，节 约了能源。 辽宁科技大学本科生毕业设计(

53、论文) 第24页 致 谢 本论文是在我的导师 老师的悉心指导下完成的，值此论文完成之际谨向张老 师致以我最衷心的感谢和深深的敬意。他治学严谨，对科研工作认真细致，从我选 题到最终完成毕业设计的过程中，张老师都给予了我最大的支持和鼓励，给了我很 大的启发和帮助。我在做毕业设计的过程中体会到了他的那种高标准严要求的科研 态度，并获益匪浅。 同时感谢学校以及学院为我提供良好的做毕业设计的环境。 感谢所有在毕业设计中曾经帮助过我的良师益友和同窗好友，以及在设计中被 我引用或参考的论著的作者。 辽宁科技大学本科生毕业设计(论文) 第25页 参考文献 1胡文斌,杨昌智,孙一坚等.短期供热负荷的灰色拓扑预测

54、j.煤气与热力， 1998,19（3）:51-54. 2jacimovic,branislav,zivkovic,branisav,gene of,srbislav,zekonja,predrag.supply a rule of water temperature problem to have both the path to keep in hot network in district of and the conjunction energy and buildings of the indirectly,book:28,publication:3,november,1998,317-322. 3何玉斌,李新忠.神经网络控制技术及其应用m.北京人民邮电出版社,1996. 4徐丽娜.神经网络控制m.哈尔滨：哈尔滨工业大学出版社,1999. 5焦李成.神经网络系统理论