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(hào):1000-6761(2009)01-0049-04中圖分類號(hào):TP393.09文獻(xiàn)標(biāo)識(shí)碼:A學(xué)科分類號(hào):510.40熱負(fù)荷的預(yù)測(cè)分析古麗扎提·海拉提1,加瑪力汗·庫(kù)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(yīng)用 Matlab神經(jīng)網(wǎng)絡(luò)工具箱函數(shù),建立了可用于熱網(wǎng)供暖短期預(yù)測(cè)的前向反饋BP網(wǎng)絡(luò)模型,并根據(jù)烏魯木齊市華源熱力公司的實(shí)際供熱網(wǎng)絡(luò)數(shù)據(jù),對(duì)所建立的網(wǎng)絡(luò)進(jìn)行了訓(xùn)練和檢驗(yàn)結(jié)果表明:該模型具有較好的預(yù)測(cè)特性,為熱網(wǎng)監(jiān)控與調(diào)節(jié)提供了依據(jù),從而可實(shí)現(xiàn)按需供熱,節(jié)約能源關(guān)鍵詞:熱力網(wǎng);熱負(fù)荷;神經(jīng)網(wǎng)絡(luò);短期預(yù)測(cè);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(yīng)用計(jì)算機(jī)監(jiān)測(cè)和控制熱網(wǎng)系統(tǒng)的運(yùn)行,由此從而實(shí)現(xiàn)按需供熱,節(jié)約能源采集的眾多數(shù)據(jù)只起到對(duì)運(yùn)行工況的監(jiān)督作用,而沒(méi)有用于熱網(wǎng)的優(yōu)化運(yùn)行及調(diào)度如果根據(jù)所采集1BP網(wǎng)絡(luò)與學(xué)習(xí)算法的數(shù)據(jù)分析供熱負(fù)荷的大小、特征及變化規(guī)律,實(shí)現(xiàn)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(duì)未來(lái)的負(fù)荷和特性進(jìn)行預(yù)測(cè),對(duì)熱網(wǎng)動(dòng)態(tài)系統(tǒng)實(shí)變換函數(shù)是S型函數(shù),由于權(quán)值的調(diào)整采用反向傳行前饋監(jiān)督控制,避免運(yùn)行人員操作的盲目性才能播的學(xué)習(xí)算法,因此稱其為BP網(wǎng)絡(luò).BP網(wǎng)絡(luò)的優(yōu)真正體現(xiàn)出計(jì)算機(jī)控制的優(yōu)勢(shì).筆者應(yīng)用 Matlab神勢(shì)主要表現(xiàn)在模式匹配、模式分類、模式識(shí)別和模式經(jīng)網(wǎng)絡(luò)工具箱函數(shù),建立了可用于熱網(wǎng)供暖短期預(yù)分析等方面,可用于復(fù)雜類的模式識(shí)別、語(yǔ)言識(shí)別測(cè)的前向反饋BP網(wǎng)絡(luò)模型.這將為供熱系統(tǒng)負(fù)荷自適應(yīng)目標(biāo)識(shí)別和函數(shù)逼近等領(lǐng)域預(yù)測(cè)提供理論依據(jù)積累實(shí)際運(yùn)行的調(diào)節(jié)經(jīng)驗(yàn)12作隨珊可概挺為網(wǎng)絡(luò)某一層的處中國(guó)煤化工收稿日期:20080505修訂日期:2008-06-02CNMHG基金項(xiàng)目:烏魯木齊華源熱力有限公司供熱系統(tǒng)熱負(fù)荷調(diào)節(jié)控制研究資助項(xiàng)目作者簡(jiǎn)介;古麗扎提·海拉提(1985-),女,哈薩克族新疆富蘊(yùn)縣人士研究生,研究方向?yàn)?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(hào),然后將這些信號(hào)按照一定的規(guī)則處理后送給較高層次的處理單YAD元權(quán)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?cè)鲆骓?xiàng)和動(dòng)量因子的大小來(lái)調(diào)整y(k+1)權(quán)值.BP算法旨在求誤差函數(shù)的最小值,誤差函數(shù)的權(quán)值調(diào)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(shí)熱網(wǎng)的動(dòng)態(tài)系統(tǒng)Fig 1 Sketch of neural network system for heat supply程,即誤差項(xiàng)的傳播方向與信息的傳播方向相反,通network dynamic identification system過(guò)對(duì)多個(gè)樣本的反復(fù)訓(xùn)練并向減小誤差的方向修改報(bào)提供依據(jù)權(quán)值,直到達(dá)到滿意的精度為止BP網(wǎng)絡(luò)模型的系統(tǒng)采用3層網(wǎng)絡(luò)結(jié)構(gòu),隱含層圖1為神經(jīng)網(wǎng)絡(luò)辨識(shí)熱網(wǎng)動(dòng)態(tài)系統(tǒng)的示意圖.和輸出層激活函數(shù)可選擇 tan s1g和 purelin函數(shù),其中,A為被辨識(shí)的熱網(wǎng)動(dòng)態(tài)系統(tǒng);B為由神經(jīng)網(wǎng)路tan $1g函數(shù)的表達(dá)式為:構(gòu)成的一個(gè)辨識(shí)模型;d為系統(tǒng)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(cè)量其輸出y(k+1)purelin函數(shù)的表達(dá)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(shù)使e(k+1)趨近于0輸出為:此時(shí)辨識(shí)模型B能很好地近似熱網(wǎng)動(dòng)態(tài)系統(tǒng)Ay,=f2[(∑f1(x·v-)·w-.](3)筆者結(jié)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(shù)據(jù).該熱力有限公司1式中:x為供熱網(wǎng)輸入?yún)?shù);w為輸入層節(jié)點(diǎn)i至隱含層節(jié)點(diǎn)j之間的權(quán)值;6,為隱含層節(jié)點(diǎn)j的閾天采集3次數(shù)據(jù),即每8h做1次數(shù)據(jù)記錄,取值;為隱含層節(jié)點(diǎn)j至輸出層節(jié)點(diǎn)k之間的權(quán)8)~(t-16)時(shí)刻的T、qmT、Th代入X,D,Y,從值;6為輸出層節(jié)點(diǎn)k的閾值;y。為網(wǎng)絡(luò)計(jì)算輸出而構(gòu)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(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)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(xí)算法的收斂速度很慢,在處理一些復(fù)雜問(wèn)題預(yù)測(cè)第三時(shí)間段的回水溫度,具體步驟示于圖2.時(shí)訓(xùn)練時(shí)間往往過(guò)長(zhǎng);②從數(shù)學(xué)角度來(lái)看,它是一個(gè)匚樣本數(shù)據(jù)歸一化處理昌非線性優(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(jié)構(gòu)的收斂結(jié)果是局部極小值,而不是目標(biāo)函數(shù)的全局BP神鐸網(wǎng)絡(luò)訓(xùn)練最小值;③網(wǎng)絡(luò)隱含層單元數(shù)的選取尚無(wú)理論指導(dǎo),預(yù)測(cè)結(jié)果輸只能靠經(jīng)驗(yàn)來(lái)確定,網(wǎng)絡(luò)結(jié)構(gòu)選取過(guò)小,不能達(dá)到設(shè)預(yù)測(cè)結(jié)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(xùn)練學(xué)習(xí)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(yù)測(cè)的具體步驟Fig 2 Process of the BP network prediction增加中間單元、自動(dòng)調(diào)整學(xué)習(xí)速率、附加沖量項(xiàng)以及由多種初始值開(kāi)始多次訓(xùn)練等方法經(jīng)過(guò)分析,選用用同樣的方法可預(yù)測(cè)熱網(wǎng)的其他參數(shù),如流量彈性回歸算法不僅能快速收斂,而且收斂結(jié)果趨于室外溫度供水溫度等全局最小值3預(yù)測(cè)結(jié)果分析2熱網(wǎng)參數(shù)動(dòng)態(tài)模型的預(yù)測(cè)由于熱力系統(tǒng)負(fù)荷變化的復(fù)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(hào)建華換獲取其變化規(guī)律,需要較大的訓(xùn)練樣本根據(jù)烏魯木熱站為建模對(duì)象以其2004年11月—2005年4月齊市華源熱力有限公司的運(yùn)行數(shù)據(jù),在一個(gè)完整的的運(yùn)行數(shù)據(jù)為依據(jù)建立了神經(jīng)網(wǎng)絡(luò)熱網(wǎng)系統(tǒng)的動(dòng).暖期中,用每日前16h的數(shù)據(jù)作為樣本,預(yù)測(cè)后態(tài)模型,雖然它的運(yùn)行環(huán)境與運(yùn)行方法不是最理想h中國(guó)煤化工等)圖3為BP網(wǎng)和最科學(xué)的,但按照其實(shí)際運(yùn)行環(huán)境進(jìn)行了系統(tǒng)辨絡(luò)以及流量qm的預(yù)識(shí),并在此基礎(chǔ)上進(jìn)行了預(yù)測(cè)預(yù)報(bào),目的在于探索神測(cè)CNMHG經(jīng)網(wǎng)絡(luò)模型在熱網(wǎng)動(dòng)態(tài)系統(tǒng)預(yù)報(bào)中的應(yīng)用,并從中表1為烏魯木齊市華源熱力有限公司的6號(hào)換得出一些經(jīng)驗(yàn),為真正實(shí)現(xiàn)熱網(wǎng)動(dòng)態(tài)系統(tǒng)的預(yù)測(cè)預(yù)熱站回水溫度和流量的部分仿真數(shù)據(jù)誤差分析表第1期古麗扎提·海拉提,等:熱負(fù)荷的預(yù)測(cè)分析表1烏魯木齊市華源熱力有限公司6號(hào)換熱站回水溫度和流量的仿真數(shù)據(jù)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(yù)測(cè)時(shí)刻實(shí)際回水預(yù)測(cè)回水回水溫度實(shí)際流量值預(yù)測(cè)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(guó)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(zhǎng)010203040506070800102030405060708090100101201301401501601701采樣次數(shù)/天樣次數(shù)/天(a)回水溫度(b)流量圖3神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(shù)/天采樣次數(shù)/天(a)回水溫度(b)流量圖4神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(xùn)練目標(biāo).比較實(shí)際值和模實(shí)現(xiàn)按需供熱,節(jié)約能源,具有較好的實(shí)際推廣和應(yīng)型預(yù)測(cè)結(jié)果可看出,BP網(wǎng)絡(luò)具有很好的非線性映射用價(jià)值最佳逼近能力;從網(wǎng)絡(luò)訓(xùn)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(yù)測(cè)模型的預(yù)測(cè)值與[1]赫有志李德英熱負(fù)荷預(yù)測(cè)方法評(píng)析[J北京建筑實(shí)時(shí)測(cè)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.出曲線各個(gè)拐點(diǎn)的誤差都比較大產(chǎn)生誤差的主要[2]薰長(zhǎng)虹神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M北京國(guó)防工業(yè)出版原因是:①樣本數(shù)據(jù)是手抄數(shù)據(jù),時(shí)間間隔也有一定社,2005:300-315的誤差故不能較準(zhǔn)確地提取變化規(guī)律,導(dǎo)致預(yù)測(cè)模[3]鉤神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)在供熱系統(tǒng)中的應(yīng)用LD型的精確性下降:②神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)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(duì)預(yù)測(cè)結(jié)果產(chǎn)生一定的影響,所以預(yù)測(cè)實(shí)現(xiàn)[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(fù)荷預(yù)測(cè)方法的比較[.區(qū)域供熱,結(jié)論2004(2):22-24[6]賀平,孫剛供熱工程[M].第三版.北京:中國(guó)建筑工靜態(tài)多層前饋BP網(wǎng)絡(luò)具有非常好的非線性通業(yè)出版社,1993:113-185近能力BP網(wǎng)絡(luò)具有良好的辨識(shí)能力,對(duì)熱網(wǎng)系統(tǒng)7]黃朝熱網(wǎng)監(jiān)控系統(tǒng)控制模式分析[門內(nèi)蒙古電力技實(shí)際輸出值的變化趨勢(shì)有較好的預(yù)測(cè)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(shù)、隱含層節(jié)點(diǎn)數(shù)的選[8]江億集中供熱網(wǎng)控制調(diào)節(jié)策略的探討[門.區(qū)域供熱,1997,67(2):10-14.擇還沒(méi)有確定的理論根據(jù)激勵(lì)函數(shù)學(xué)習(xí)算法學(xué)[9]易繼錯(cuò)侯媛彬智能控制技術(shù)M.北京;北京工業(yè)習(xí)速率和動(dòng)量因子還只能通過(guò)反復(fù)試算來(lái)確定神大學(xué)出版社,2003:95-138.經(jīng)網(wǎng)絡(luò)具有非線性特性、自學(xué)習(xí)和自適應(yīng)能力適用[10中國(guó)煤化工M北京:清華大學(xué)于多變量系統(tǒng),為自動(dòng)控制提供了一種非常新穎的方法.筆者對(duì)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(yù)測(cè)控制的統(tǒng)進(jìn)行了預(yù)測(cè)分析,為熱力網(wǎng)監(jiān)控調(diào)節(jié)提供了理論單元機(jī)組協(xié)調(diào)控制策略[]動(dòng)力工程,2006,26(3)依據(jù),實(shí)現(xiàn)了供熱負(fù)荷的神經(jīng)網(wǎng)絡(luò)閉環(huán)控制,從而可