住宅区供热负荷预测研究

本文分析了住宅区供热负荷影响因素,利用BP神经网络算法进行预测,建立了两种BP神经网络结构,一种输入样本是前几日供热负荷值和室外温度,另一种输入样本是室外温度、室外风速、室内用热系数及前几日供热负荷值,二者网络结构输出都是当天供热负荷值;对某住宅区域供热负荷进行了供热负荷预测与验证,比较了采用不同神经网络结构进行供热负荷预测的误差。结果表明住宅区域供热负荷变化规律具有明显的周期性,同时每天逐时供热负荷变化趋势线形态存在不同,需要选择合适的影响因素和样本个数,提高供热负荷预测的准确性。     

基于灰色神经网络模型的区域供热负荷预测研究

通过灰色关联分析法对区域供热负荷影响因素进行了评价,并将灰色预测与BP神经网络算法相结合,建立了灰色神经网络结构,能够对影响供热负荷的因素进行筛选,并对供热负荷进行预测。对某区域供热负荷进行了供热负荷预测与验证,通过对比筛选不同影响因素灰色神经网络的预测结果与误差,表明灰色神经网络模型在热负荷预测中能够选择合适的影响因素,排除关联度低的影响因素,可提高供热负荷预测的准确性,为区域供热负荷的预测提供理论依据。     

热力站热负荷预测数据处理和影响因素相关性分析

本文分析了在热力站热负荷预测时,室外气象参数和供热系统参数中可能存在的数据缺失等问题,并分析了产生问题的原因。说明了热负荷预测数据处理流程,以及对数据集中异常值等的处理方法。通过皮尔逊相关系数分析热负荷预测各影响因素与热负荷的相关性,根据相关性的强弱,确定进行热负荷预测的输入参数。对某热力站热负荷预测的影响因素进行了相关性分析,对输入不同影响因素参数得到的热负荷预测结果进行了对比,说明在热力站热负荷预测时需要通过相关性分析,选择合适的影响因素参数,提高热负荷预测的准确性。     

灰色拓扑预测改进及其在热负荷预测中的应用

针对灰色拓扑预测在供热领域应用中的不足提出了改进,建立了新模型.成功对某高校集中供热系统热负荷的未来值进行了全波形预测.对未来负荷预测值与真实负荷值各216组数据作误差分析,得出平均相对误差为9.294％,验证了模型可靠性和准确性.     

民用建筑供热负荷的神经网络法预测

分析了供热系统负荷变化的各种扰量,提出利用人工神经网络对供热负荷进行预测的方法。对神经网络预测的可行性、方法的实施内容及输入输同变量的选择,网络连接方法的选择等进行了讨论。在进一步对供热负荷特性研究的基础上,可以利用人工神经网络对其进行切实可行的预测。     

基于神经网络的区域供热系统短期负荷预测

准确的热负荷预测是实现区域供热系统精细控制和节能减碳的关键。以国内北方某城市区域供热系统为研究对象，分别采用BP神经网络(BPNN)、遗传算法(Genetic Algorithm, GA)优化BP神经网络(GA-BPNN)和自回归移动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)组合BP神经网络(ARIMA-BPNN)方法对其热负荷进行预测，并对比了各预测方法的准确性和适用性。结果表明，GA-BPNN预测误差最小，ARIMA-BPNN次之，但后者预测所需数据更少。此外，验证了在减少样本数目以及影响因素的种类的情况下，GA-BPNN预测方法的平均相对误差均在5%以内，表明GA-BPNN预测方法适用于样本减少的情况。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

基于PSO-LSSVM的供热负荷预测研究

热负荷预测是供热系统智慧化升级的关键,为提高其预测精度,建立了基于交叉验证意义下的PSO-LSSVM热负荷预测模型。该模型采用交叉验证确定粒子群算法的适应度值,利用粒子群算法的全局寻优能力来确定最优的正则化系数和核宽度系数,再基于最小二乘支持向量机实现热负荷的高精度预测。研究表明:PSO-LSSVM模型的平均绝对误差为21.12 kW,平均相对误差为1.16%,与BP神经网络热负荷预测模型相比,PSO-LSSVM模型的预测精度提高了62.09%,且稳定性更好,可以满足实际工程需要。     

基于机器学习的供热系统热负荷多步递归预测

为预测供热系统的短期热负荷动态概况,提出一种基于机器学习的热负荷多步递归预测策略,该预测策略是对热负荷单步预测模型的拓展。介绍热负荷多步递归预测的流程,该流程可分为4个步骤:数据预处理、数据集划分、模型训练和模型评估。数据预处理细分为特征选择、特征工程和特征变换。在模型训练步骤中,介绍2种机器学习模型:支持向量回归(SVR)和极限梯度提升(XGBoost)。分别利用这2种机器学习模型建立了热负荷单步预测模型,根据建立的单步预测模型,采用提出的多步递归预测策略,可以实现对短期热负荷的动态概况预测。选取某实际供热系统的热源首站的运行数据用于案例分析。结果表明:在预测精度和预测稳定性方面,基于XGBoost的热负荷多步递归预测策略均优于基于SVR的热负荷多步递归预测策略;二者在各时间步长上均未产生明显的误差累积;该热负荷多步递归预测策略可以准确预测供热系统短期热负荷的动态概况。     

人工神经网络法燃气日负荷预测输入变量选取

研究了RBF神经网络在城市燃气日负荷预测中的应用及输入变量的选择问题,提出了基于逐步回归的输入变量选取方法。对实例进行了预测,对不同输入变量方案进行了对比分析。以逐步回归选取的输入变量为基础,增加日期类型、前一天平均气温两项数据作为输入变量,完全满足神经网络用于城市燃气日负荷预测精度的要求,且合理可行。     

热负荷预测中应用神经网络模型的研究

区域供热热负荷的变化是典型的非线性变化，供热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算法供热热负荷预测方面的应用在理论上做了一些研究，并引入实例对所建模型进行训练和检验，取得比较满意的效果。     

城市热力站热负荷影响因素分析和预测方法

本文研究了城市热力站热负荷的影响因素。根据调研和热力站的实际运行情况,归纳出随着人民生活水平的提高,城市热力站负荷水平和特点发生了变化;同时随着供热技术发展和节能减排要求的提高,现有供热系统经过技术改造,或安装计量装置和运行监控系统等原因,供热系统特性与原有供热系统相比也发生了很大变化。通过分析得出,城市热力站热负荷的影响因素不但需要考虑室外温度、室外风速等气候状况,还要考虑用户类型、用户用热特征、建筑年代、热力站类型等多方面问题,城市热力站热负荷大小受到多因素影响,具有非线性特征。本文介绍了热力站负荷预测方法,需要注意的是,影响热力站负荷的因素多,每个热力站的负荷特征也不同,因此需要根据不同的热力站选择适宜的方法进行热负荷预测。     

管网质调节运行时散热器的动态热过程分析

在区域供热系统设计中,通常采用概算指标法确定热负荷,以作为末端用户散热器的选择依据,很少涉及供热房间的动态热过程。本文考虑供热系统末端散热器的实际换热过程,将散热器划分多个控制体建立动态热量交换模型,并进行数值模拟和相应的实验验证。通过输入管网供热参数和室外气候条件,模拟室内环境温度的变化,并实时反馈供热管网的回水温度。由此探讨供暖房间与供热系统之间相关参数的关联关系,为实现管网实时控制提供末端用户的热动态参数。     

基于PCA法的BP网络对冰蓄冷系统的空调负荷预测

BP神经网络应用于空调负荷预测时,如果输入变量较多或变量间存在相关关系,会直接影响BP神经网络的预测准确性。针对此问题,采用主成分分析(PCA)法,在保留原始数据主要信息的前提下提取数据的主要成分。根据各主成分的贡献率对神经网络输入变量进行缩减,达到压缩变量维数的目的。然后将主成分输入到负荷预测的模型之中进行预测,使之更符合空调负荷预测的特点,提高预测的速度和精度。最后通过实际算例进行验证,实验结果表明,该方法确实可行。     

基于Dropout-LSTM模型的城市燃气日负荷预测

提出采用Dropout技术的长短期记忆神经网络模型(Dropout-LSTM模型),对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点，将全年分为供暖期、过渡期及非供暖期，分别对3个时期的日负荷和影响因素进行相关性分析，确定3个模型的输入特征，建立3个时期的日负荷预测Dropout-LSTM模型，采用平均绝对百分比误差对模型预测效果进行评价。Dropout-LSTM模型可以很好地预测城市燃气日负荷，比BP模型、LSTM模型以及SVM模型有更好的预测效果。与基于全年数据的全年预测模型相比，分时期预测模型预测精度更高。供暖期的燃气日负荷规律性强，对供暖期的日负荷预测精度最高，非供暖期次之，由于过渡期日负荷波动大，预测效果是3个时期中最差的。     

热负荷预测方法评析

在深入研究目前常用的供热负荷预测方法的基础上，对热负荷预测方法进行了科学的分类，重点评析了ARMA、回归分析法，灰色预测方法，人工神经网络方法的优缺点及适用条件，并对热计量供热系统的负荷预测方法进行了探讨。     

区域供热系统的热负荷预测方法研究

为使供热系统能更好更高效地向用户提供热能,对供热系统不同形式的热负荷预测方法进行了科学的分类,并逐一分析进行比较,根据各预测方法特点探讨其适用范围以及待深入研究的方向。     

基于FCM优化神经网络的办公楼空调负荷预测

空调负荷预测对于优化空调系统运行具有重要指导价值,本文针对传统神经网络在预测空调负荷时精度较低、泛化能力弱和物理意义不明晰的缺点,建立了模糊C均值算法(Fuzzy C-means)优化的BP神经网络复合模型。模型先采用FCM算法对输入参数进行聚类,针对不同类建立BP神经网络预测模型,将待测样本分类后进行预测,最后使用决策树算法筛选预测结果中聚类不佳的部分进行加权优化。以珠海某办公楼空调系统实际运行数据为例验证了模型,结果显示随机负荷样本预测的精度指标即标准差率(Coefficient of Variance)为0.191相较于不聚类神经网络提高了51.4%;典型工作日、休息日日均负荷样本预测标准差率为0.08和0.14相对于不聚类神经网络则分别提高了73.0%和39.7%。     

基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。