熱負荷的預測分析

第29卷第1期動(dòng)力工程Vol 29 No. 12009年1月Journal of Power engineeringJan.2009文章編號:1000-6761(2009)01-0049-04中圖分類(lèi)號:TP393.09文獻標識碼:A學(xué)科分類(lèi)號:510.40熱負荷的預測分析古麗扎提·海拉提1,加瑪力汗·庫馬什1,李俊2,李金龍2(1.新疆大學(xué)電氣工程學(xué)院,烏魯木齊830008;2.烏魯木齊市華源熱力有限公司,烏魯木齊830054)摘要:應用 Matlab神經(jīng)網(wǎng)絡(luò )工具箱函數,建立了可用于熱網(wǎng)供暖短期預測的前向反饋BP網(wǎng)絡(luò )模型,并根據烏魯木齊市華源熱力公司的實(shí)際供熱網(wǎng)絡(luò )數據,對所建立的網(wǎng)絡(luò )進(jìn)行了訓練和檢驗結果表明:該模型具有較好的預測特性,為熱網(wǎng)監控與調節提供了依據,從而可實(shí)現按需供熱,節約能源關(guān)鍵詞:熱力網(wǎng);熱負荷;神經(jīng)網(wǎng)絡(luò );短期預測;BP網(wǎng)絡(luò )Prediction Analysis of heat loadGulzat Hailati', Jamalihan Kumashi, LI Jun', LI Jin-long(l. Electrical Engineering College, XinJiang University, Urumchi 830008, China;2. Huayuan Heat Supply Co, Ltd. of Urumchi, Urumchi 830054, China)Abstract: Based on the Matlab neural network toolbox, a forward feedback BP network model was built topredict short-term heat demand for heat-supply network. The actual data from Huayuan Heat Supply Co.Ltd. of Urumchi was used to train and verify the network model. results show that the model has betterprediction characteristic. The model provides theory basis for heat network monitor and regulation, so theheat supply can be accomplished according to the demand, and power consumption can be reduced at thesame timeKey words: heat supply network; heat load; neural network; short-term prediction; BP network應用計算機監測和控制熱網(wǎng)系統的運行,由此從而實(shí)現按需供熱,節約能源采集的眾多數據只起到對運行工況的監督作用,而沒(méi)有用于熱網(wǎng)的優(yōu)化運行及調度如果根據所采集1BP網(wǎng)絡(luò )與學(xué)習算法的數據分析供熱負荷的大小、特征及變化規律,實(shí)現BP網(wǎng)絡(luò )是一種多層前饋神經(jīng)網(wǎng)絡(luò ),其神經(jīng)元的對未來(lái)的負荷和特性進(jìn)行預測,對熱網(wǎng)動(dòng)態(tài)系統實(shí)變換函數是S型函數,由于權值的調整采用反向傳行前饋監督控制,避免運行人員操作的盲目性才能播的學(xué)習算法,因此稱(chēng)其為BP網(wǎng)絡(luò ).BP網(wǎng)絡(luò )的優(yōu)真正體現出計算機控制的優(yōu)勢.筆者應用 Matlab神勢主要表現在模式匹配、模式分類(lèi)、模式識別和模式經(jīng)網(wǎng)絡(luò )工具箱函數,建立了可用于熱網(wǎng)供暖短期預分析等方面,可用于復雜類(lèi)的模式識別、語(yǔ)言識別測的前向反饋BP網(wǎng)絡(luò )模型.這將為供熱系統負荷自適應目標識別和函數逼近等領(lǐng)域預測提供理論依據積累實(shí)際運行的調節經(jīng)驗12作隨珊可概挺為網(wǎng)絡(luò )某一層的處中國煤化工收稿日期:20080505修訂日期:2008-06-02CNMHG基金項目:烏魯木齊華源熱力有限公司供熱系統熱負荷調節控制研究資助項目作者簡(jiǎn)介;古麗扎提·海拉提(1985-),女,哈薩克族新疆富蘊縣人士研究生,研究方向為:電氣控制與仿真HR(Tel):1399992492E-mail:glzt128@gmail.com.29理單元接受來(lái)自所有較低層次的信號,然后將這些信號按照一定的規則處理后送給較高層次的處理單YAD元權值的更新按BP算法從最高層次向最低層次進(jìn)行,并通過(guò)改變增益項和動(dòng)量因子的大小來(lái)調整y(k+1)權值.BP算法旨在求誤差函數的最小值,誤差函數的權值調整是一個(gè)始于輸出層的反向傳播遞歸過(guò)圖1神經(jīng)網(wǎng)絡(luò )辨識熱網(wǎng)的動(dòng)態(tài)系統Fig 1 Sketch of neural network system for heat supply程,即誤差項的傳播方向與信息的傳播方向相反,通network dynamic identification system過(guò)對多個(gè)樣本的反復訓練并向減小誤差的方向修改報提供依據權值,直到達到滿(mǎn)意的精度為止BP網(wǎng)絡(luò )模型的系統采用3層網(wǎng)絡(luò )結構,隱含層圖1為神經(jīng)網(wǎng)絡(luò )辨識熱網(wǎng)動(dòng)態(tài)系統的示意圖.和輸出層激活函數可選擇 tan s1g和 purelin函數,其中,A為被辨識的熱網(wǎng)動(dòng)態(tài)系統;B為由神經(jīng)網(wǎng)路tan $1g函數的表達式為:構成的一個(gè)辨識模型;d為系統干擾,即室外溫度T圖中A與B是并聯(lián)的將輸入x(k)-T(k),qmf i(r)=tanh([)=i-exp(+ exp((k)同時(shí)加到A和B上,測量其輸出y(k+1)purelin函數的表達式為:(k+1)和Th(k+1),并利用誤差e(k+1)=Th(k+f2(r)= k(2)1)-Th(k+1)修正B的參數使e(k+1)趨近于0輸出為:此時(shí)辨識模型B能很好地近似熱網(wǎng)動(dòng)態(tài)系統Ay,=f2[(∑f1(x·v-)·w-.](3)筆者結合烏魯木齊市華源熱力有限公司供暖的實(shí)際情況,提取了輸入樣本數據.該熱力有限公司1式中:x為供熱網(wǎng)輸入參數;w為輸入層節點(diǎn)i至隱含層節點(diǎn)j之間的權值;6,為隱含層節點(diǎn)j的閾天采集3次數據,即每8h做1次數據記錄,取值;為隱含層節點(diǎn)j至輸出層節點(diǎn)k之間的權8)~(t-16)時(shí)刻的T、qmT、Th代入X,D,Y,從值;6為輸出層節點(diǎn)k的閾值;y。為網(wǎng)絡(luò )計算輸出而構成BP網(wǎng)絡(luò )的輸入向量,輸出為t時(shí)刻的Th.因此,將前2次時(shí)間段的數據作為神經(jīng)網(wǎng)絡(luò )訓練樣本BP模型雖然有眾多優(yōu)點(diǎn),但也存在一些問(wèn)題①學(xué)習算法的收斂速度很慢,在處理一些復雜問(wèn)題預測第三時(shí)間段的回水溫度,具體步驟示于圖2.時(shí)訓練時(shí)間往往過(guò)長(cháng);②從數學(xué)角度來(lái)看,它是一個(gè)匚樣本數據歸一化處理昌非線(xiàn)性?xún)?yōu)化問(wèn)題,由于采用梯度下降法,有可能最終確定BP網(wǎng)絡(luò )的結構的收斂結果是局部極小值,而不是目標函數的全局BP神鐸網(wǎng)絡(luò )訓練最小值;③網(wǎng)絡(luò )隱含層單元數的選取尚無(wú)理論指導,預測結果輸只能靠經(jīng)驗來(lái)確定,網(wǎng)絡(luò )結構選取過(guò)小,不能達到設預測結果的反歸一化處理定的誤差要求,過(guò)大則網(wǎng)絡(luò )的泛化能力下降.為了改進(jìn)訓練學(xué)習性能,減少局部極小情況的發(fā)生,可采取圖2BP神經(jīng)網(wǎng)絡(luò )預測的具體步驟Fig 2 Process of the BP network prediction增加中間單元、自動(dòng)調整學(xué)習速率、附加沖量項以及由多種初始值開(kāi)始多次訓練等方法經(jīng)過(guò)分析,選用用同樣的方法可預測熱網(wǎng)的其他參數,如流量彈性回歸算法不僅能快速收斂,而且收斂結果趨于室外溫度供水溫度等全局最小值3預測結果分析2熱網(wǎng)參數動(dòng)態(tài)模型的預測由于熱力系統負荷變化的復雜性,神經(jīng)網(wǎng)絡(luò )要以烏魯木齊市華源熱力有限公司的6號建華換獲取其變化規律,需要較大的訓練樣本根據烏魯木熱站為建模對象以其2004年11月—2005年4月齊市華源熱力有限公司的運行數據,在一個(gè)完整的的運行數據為依據建立了神經(jīng)網(wǎng)絡(luò )熱網(wǎng)系統的動(dòng).暖期中,用每日前16h的數據作為樣本,預測后態(tài)模型,雖然它的運行環(huán)境與運行方法不是最理想h中國煤化工等)圖3為BP網(wǎng)和最科學(xué)的,但按照其實(shí)際運行環(huán)境進(jìn)行了系統辨絡(luò )以及流量qm的預識,并在此基礎上進(jìn)行了預測預報,目的在于探索神測CNMHG經(jīng)網(wǎng)絡(luò )模型在熱網(wǎng)動(dòng)態(tài)系統預報中的應用,并從中表1為烏魯木齊市華源熱力有限公司的6號換得出一些經(jīng)驗,為真正實(shí)現熱網(wǎng)動(dòng)態(tài)系統的預測預熱站回水溫度和流量的部分仿真數據誤差分析表第1期古麗扎提·海拉提,等:熱負荷的預測分析表1烏魯木齊市華源熱力有限公司6號換熱站回水溫度和流量的仿真數據誤差分析Tab 1 Error analyse of backwater temperature and now of the Huayuan Heat Company Supply Co,. Ltd No 6 heat exchangestation of Urumchi預測時(shí)刻實(shí)際回水預測回水回水溫度實(shí)際流量值預測流量值流量誤差值溫度值/℃溫度值/℃誤差/K/(m3·s-1)/(m3·s-1)2004-11-14011.141.36321.3632506.304-11-342.5045.2338548.42004-11-441.56941.5694475.11.36324304544.45.56651.566513.745.41551.81552004-11-1048.91832.818316.62004-11-1143.1044.26791.1679369402.833.82004-11-1244.0045.25381.253840244.0045.26191.26192004-11-1443.8044.97981.1798380.32004-11-1543.40840.7084476.543.49400.4940412.92004-11-1741.5043.52452.0245519.72004-11-1844.53421.53424-11-191.0880746.704-11-2044.17581.175812.52004-11-2143.0044.30711.3071716.613.42004-11-2243.3044.81621.51628842.49752004-11-2442.7543.63460.88466.62004-11-2542.0042.63520.6352744.32004-11-2644.2544.93100.6810756.7-18.347.49662004-11-2848.728422.62004-11-2948.71602004-11-3046.631.119946.00212004-12-0247.65541.1554870.321.32004-12-0344.0044.57110.5711839.547.1787l.178747.17871.178748.00121.5012878.446.47.46151,4615874.32004-12-084707992004-12-0947.40791.1579855.42004-12-1045.2546.32721.0772841.52-112547,0048.15122004-12-1348.15121.1512862.12004-12-1446.7547.63780.8878854.246.002004-12-1647.0480847.1004-12-1746.630.93892004-12-1847.3848.19460.81468.5347.6348.4588H中國煤化工0.828846.7547.8591CNMHG2004-122247.0048.06051.0605855.善3.82004-122347.44150.9415847.5動(dòng)力工程第29卷實(shí)際值實(shí)際值長(cháng)010203040506070800102030405060708090100101201301401501601701采樣次數/天樣次數/天(a)回水溫度(b)流量圖3神經(jīng)網(wǎng)絡(luò )預測值與實(shí)際值的比較Fig 3 The comparison between neural network prediction value and actual val10160180采樣次數/天采樣次數/天(a)回水溫度(b)流量圖4神經(jīng)網(wǎng)絡(luò )預測值與實(shí)際值間的誤差分析Fig 4 Error analys各模型以0.001位樣本為訓練目標.比較實(shí)際值和模實(shí)現按需供熱,節約能源,具有較好的實(shí)際推廣和應型預測結果可看出,BP網(wǎng)絡(luò )具有很好的非線(xiàn)性映射用價(jià)值最佳逼近能力;從網(wǎng)絡(luò )訓練的收斂速度看,BP網(wǎng)絡(luò )的收斂速度也比較快0參考文從圖4可看出,神經(jīng)網(wǎng)絡(luò )預測模型的預測值與[1]赫有志李德英熱負荷預測方法評析[J北京建筑實(shí)時(shí)測量值之間存在一定的誤差.從圖3中也可看工程學(xué)院,2003,22(1):26-27.出曲線(xiàn)各個(gè)拐點(diǎn)的誤差都比較大產(chǎn)生誤差的主要[2]薰長(cháng)虹神經(jīng)網(wǎng)絡(luò )與應用[M北京國防工業(yè)出版原因是:①樣本數據是手抄數據,時(shí)間間隔也有一定社,2005:300-315的誤差故不能較準確地提取變化規律,導致預測模[3]鉤神經(jīng)網(wǎng)絡(luò )預測技術(shù)在供熱系統中的應用LD型的精確性下降:②神經(jīng)網(wǎng)絡(luò )模型結構的確定(即網(wǎng)4]飛思科技產(chǎn)品研發(fā)中心神經(jīng)網(wǎng)絡(luò )理論與Matb7絡(luò )本身)也會(huì )對預測結果產(chǎn)生一定的影響,所以預測實(shí)現[M].北京:電子工業(yè)出版社,2005:25-321.值和真實(shí)值之間必然存在一定的誤差[5]康勝文兩種熱負荷預測方法的比較[.區域供熱,結論2004(2):22-24[6]賀平,孫剛供熱工程[M].第三版.北京:中國建筑工靜態(tài)多層前饋BP網(wǎng)絡(luò )具有非常好的非線(xiàn)性通業(yè)出版社,1993:113-185近能力BP網(wǎng)絡(luò )具有良好的辨識能力,對熱網(wǎng)系統7]黃朝熱網(wǎng)監控系統控制模式分析[門(mén)內蒙古電力技實(shí)際輸出值的變化趨勢有較好的預測效果,但這種術(shù),2002,20(6):10-1方法也存在缺陷,其隱含層層數、隱含層節點(diǎn)數的選[8]江億集中供熱網(wǎng)控制調節策略的探討[門(mén).區域供熱,1997,67(2):10-14.擇還沒(méi)有確定的理論根據激勵函數學(xué)習算法學(xué)[9]易繼錯侯媛彬智能控制技術(shù)M.北京;北京工業(yè)習速率和動(dòng)量因子還只能通過(guò)反復試算來(lái)確定神大學(xué)出版社,2003:95-138.經(jīng)網(wǎng)絡(luò )具有非線(xiàn)性特性、自學(xué)習和自適應能力適用[10中國煤化工M北京:清華大學(xué)于多變量系統,為自動(dòng)控制提供了一種非常新穎的方法.筆者對烏魯木齊市華源熱力有限公司熱網(wǎng)系[11CNMH經(jīng)網(wǎng)絡(luò )預測控制的統進(jìn)行了預測分析,為熱力網(wǎng)監控調節提供了理論單元機組協(xié)調控制策略[]動(dòng)力工程,2006,26(3)依據,實(shí)現了供熱負荷的神經(jīng)網(wǎng)絡(luò )閉環(huán)控制,從而可