張亞忠 孫同利

摘要：針對供熱系統(tǒng)熱負荷預測模型的非線性，給出了并行最小化RBF神經(jīng)網(wǎng)絡算法，同時修正了RPCL方法系統(tǒng)振蕩問題。通過仿真得出，當訓練樣本合適時，綜合誤差在6%以內(nèi)。具有良好的預測精度和速度。

關鍵詞：RBF神經(jīng)網(wǎng)絡；并行最小化RBF；熱負荷預測1引言

對于供熱系統(tǒng)熱負荷的動態(tài)預測，國內(nèi)外學者提出許多的預測方法，并取得一定的實際應用成果[1-2]。概括起來為兩大類型：⑴在不考慮室內(nèi)熱水供暖負荷的前提下，根據(jù)建筑物熱過程的簡化差分方程式建立的預測。⑵通過對影響熱負荷的不同參數(shù)進行線性加權來預測熱負荷。其加權值利用大量的實測數(shù)據(jù)進行回歸分析或時間序列分析方法求得。

2適用于供暖負荷預測RBF算法及改進

供暖負荷預測問題的實質(zhì)是：利用輸入輸出數(shù)據(jù)來建立系統(tǒng)模型后進行預測。PM-RBF網(wǎng)絡建立的過程如下[3-4]：通過競爭學習方法，將學習樣本分解為子類，然后針對每個子類利用最小化RBF神經(jīng)網(wǎng)絡進行學習。改進的競爭學習過程如下：

(l)先用FSCL法解決死點問題，將競爭單元的位置調(diào)整到比較恰當?shù)奈恢茫?/p>

(2)用RPCL方法中次勝者受罰的思想，使多余的競爭單元遠離最終的聚類點；

(3)如果多余點較多，可以先剔除其中一點，然后重復(1)，(2)；

(4)如果多余點已剔除完畢，則終止。

可以利用這種方法來解決聚類問題。

3神經(jīng)網(wǎng)絡預測仿真

供暖系統(tǒng)是一個集非線性、不確定性、時變性于一身的大系統(tǒng)，利用傳統(tǒng)方法很難對城市供暖負荷進行準確的預測。

在訓練樣本分別取前10日、15日、20日、25日和30日的歷史數(shù)據(jù)時，分別對網(wǎng)絡進行訓練，并利用訓練好的網(wǎng)絡進行預測，發(fā)現(xiàn)在系統(tǒng)取15日時的預測精度較高。此時網(wǎng)絡的學習時間和預測結果如表1。

3.1 學習時間(誤差指標：0.01)

表115日時學習時間表

網(wǎng)絡類型 學習時間(秒)

RBF網(wǎng)絡 207.5

PM-RBF網(wǎng)絡 58.7

可見，當數(shù)據(jù)量較多時，充分發(fā)揮了PM-RBF網(wǎng)絡的優(yōu)勢，訓練時網(wǎng)間比單RBF網(wǎng)絡短。

3.2 預測結果

由圖1和圖2可見，但系統(tǒng)取15日時的對象時，RBF神經(jīng)網(wǎng)絡的預測精度為： ；PM-RBF神經(jīng)網(wǎng)絡的預測精度為： 。

由預測結果和訓練時間可見，由于PM-RBF網(wǎng)絡對數(shù)據(jù)進行了聚類，綜合誤差在6%以內(nèi)。

4結語

供暖系統(tǒng)是一個非線性、不確定性、時變的大系統(tǒng)，利用傳統(tǒng)方法很難對城市供暖負荷進行準確的預測。引入PM-RBF算法對供暖負荷預測具有良好的效果。

由于RPCL方法中蘊含著FSCL方法，因此多余的競爭單元數(shù)目不能剔除，造成競爭學習得不到正確的結果，表現(xiàn)為系統(tǒng)振蕩。文中給出了改進的競爭學習過程。

為了使PM-RBF預測結果達到一定的精確度，通常必須利用較大數(shù)量的歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練。當訓練樣本合適時，綜合誤差在6%以內(nèi)。

[參考文獻]

[1]徐建軍,楊世彥,袁軍.基于壓力信號的小波神經(jīng)網(wǎng)絡往復泵故障診斷[J].大連海事大學學報,Vol.33,No.3,p22-25+31,2007年8月.

[2]XU Jian-jun,ZHANG Yan-fu,WANG Pin*.A Kind of Turbine Fault Diagnosis based on Fish-swarm Algorithm[J].Energy Education Science and Technology Part A: Energy Science and Research, v 32,n 2,p1325-1330, 2014.

[3]徐建軍,劉超,王樹達.應用SPRT算法的管道小泄漏檢測[J].電機與控制學報,Vol.13 No.13,p448-451+457,May 2009.

[4]Xu,Jianjun;Liu,Shengnan;Xu, Bin;et al.Numerical modeling for chaotic characteristics of oil pipeline pressure time series[J].International Journal of Applied Mathematics and Statistics,v 47,n 17,p131-139,2013.