基于小波神经网络的集中供热智能预测.docVIP

基于小波神经网络的集中供热智能预测 　　摘 要：首先，结合供热运行调节理论，由室外温度变化确定系统应供热量；然后，利用小波神经网络，找出室外温度、系统流量、供回水温度等核心参数间的映射关系。实际运行预测结果表明，该方法辨识精度高，实时性强，节能效果显著。 　　关键词：热负荷预测；小波神经网络；天气因数；集中供热 　　引言 　　由于供热系统具有很强的非线性、大滞后和时变性的特点，至今仍很少实现闭环控制。因此，充分挖掘大数据，建立精确的数学模型，给出合理的参数预测，实现供热系统经济运行的研究具有重大意义。 　　在众多热负荷预测的研究中，近年来基于神经网络的预测方法居多，文献[1-2]提出了基于小波神经网络预测方法，文献[3-4]提出了基于天气预报的神经网络智能预测，文献[5]提出了Elman神经网络预测方法，文献[6-7]将遗传算法运用在了BP神经网络，文献[8-9]提出了人工神经网络的热负荷预测。此外，传统方法还有：最大熵法[10]，时间序列法[11]。 　　由于传统预测方法的自身的局限性，对供热系统负荷短期预测精度较低，同时BP神经网络和人工神经网络在处理热负荷问题上同小波神经网络相比有较多的劣势，如隐层小波数的确定问题，因而文章提出一种结合天气预报的同时，基于改进型小波神经网络热负荷预测方法。 　　为实现按需供热，节约能耗，文章基于运行数据，分析供回水温度、室外温度等因数，采用了小波神经网络分析数据建立供回水温度预测模型。具体步骤为：首先，利用网络天气预报的实时获取，得到未来1小时的室外温度。然后，在供热系统中的设计热指标和供热网的实际参数均已设定的情况下，分析出下一刻的热负荷值，并运用小波神经网络预测模型进行数据处理得到预测供热应给的最佳系统参数。最后，绘制出预测曲线。 　　1 天气预报的实时获取 　　采用webservice技术编写数据访问接口程序，自动实时提取天气预报数据和各整点天气实况数据。为供热运行调节提供依据：运用C#.Net组件技术编写数据访问接口程序，在获取到实时温度值和未来时刻的预测温度以后，将它们作为小波神经网络模型部分输入。此外，通过C#.Net程序编程，使得处理的结果界面化，可操作化。图1即为从中国天气网获取到的24小时气温预测折线。 　　2 小波神经网络预测模型 　　2.1 预测供热负荷变化 　　预测供热负荷（应供热量）变化是指根据供热面积（S）、室外温度（tw）的变化，设计室内温度（tn）、设计室外温度（tw）、系统的设计热指标（q）、管网热效率（？浊），测算出在给定时间内（T）供热系统应该供出的热量（Q）值。具体可以按公式（1）计算[11]，热量实测/预测曲线如图2所示。 　　2.2 计算供回水温差 　　目前，国内集中供热基本采用分阶段改变流量的质调节方式，整个采暖期内，按照气候变化规律，在室外温度较低的阶段中，保持设计最大流量；而在室外温度较高的阶段中，保持较小流量。在同一天内系统循环流量设定后基本保持不变，供暖负荷变化时实行集中质调节（即供热温度调节）[11]，供回水设定和实测曲线如图3所示。 　　2.3 模型结构 　　负荷预测的核心问题是预测的数学模型，小波神经网络是在小波分析的基础上提出的一种多层前馈型网络，可以使网络训练尽可能减少局部最优且加快收敛的速度，具有很强的学习和泛化能力。小波神经网络采用的激活函数为小波基函数，而前馈网络采用的激活函数是sigmiod非线性函数，文章选用morlet母小波作为小波基函数。所以小波神经网络算法的基本思想是以神经网络的输出和网络的实际输出的误差平方为学习目标函数，根据均方误差最小化的原则来调整网络的权值。小波神经网络的结构如图4所示。 　　2.4 预测供回水温度 　　考虑到在供热运行调节中，系统流量、供回水温度是保证热源负荷合理供给的核心参数。所以，利用上面的小波模型，把系统流量视为定量，将室外温度、供热指标、供热面积、管网热效率作为小波神经网络的输入，供回水温差作为输出。 　　这样，就把一组样本输入输出问题转化为非线性拟合问题。此外，通过梯度算法利用迭代运算求解小波神经网络中的权值，从而找出蕴含于样本数据中内在规律的一种学习方法。最后，也就找出了供回水温度与室外温度、系统流量、压力、等影响因素之间的映射关系。 　　2.5 小波神经网络设计与现场运行预测 　　文章设计的小波神经网络为3层前馈网，包括输入层、隐层和输出层。其中，输入层节点数等于影响因素（室外温度、系统流量、压力、供回水温差等）的个数；输出层的节点数为1（供水温度或回水温度）；此外，隐含层节点数的选取也是至关重要的，根据一些经验公式先尝试一个较小值，然后采取文献[1]的改进小波模型确定小波网络隐层小波函数个数为8。 　　因为网络训练中