摘 要：首先，結(jié)合供熱運(yùn)行調(diào)節(jié)理論，由室外溫度變化確定系統(tǒng)應(yīng)供熱量；然后，利用小波神經(jīng)網(wǎng)絡(luò)，找出室外溫度、系統(tǒng)流量、供回水溫度等核心參數(shù)間的映射關(guān)系。實(shí)際運(yùn)行預(yù)測結(jié)果表明，該方法辨識精度高，實(shí)時(shí)性強(qiáng)，節(jié)能效果顯著。

關(guān)鍵詞：熱負(fù)荷預(yù)測；小波神經(jīng)網(wǎng)絡(luò)；天氣因數(shù)；集中供熱

引言

由于供熱系統(tǒng)具有很強(qiáng)的非線性、大滯后和時(shí)變性的特點(diǎn)，至今仍很少實(shí)現(xiàn)閉環(huán)控制。因此，充分挖掘大數(shù)據(jù)，建立精確的數(shù)學(xué)模型，給出合理的參數(shù)預(yù)測，實(shí)現(xiàn)供熱系統(tǒng)經(jīng)濟(jì)運(yùn)行的研究具有重大意義。

在眾多熱負(fù)荷預(yù)測的研究中，近年來基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法居多，文獻(xiàn)[1-2]提出了基于小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法，文獻(xiàn)[3-4]提出了基于天氣預(yù)報(bào)的神經(jīng)網(wǎng)絡(luò)智能預(yù)測，文獻(xiàn)[5]提出了Elman神經(jīng)網(wǎng)絡(luò)預(yù)測方法，文獻(xiàn)[6-7]將遺傳算法運(yùn)用在了BP神經(jīng)網(wǎng)絡(luò)，文獻(xiàn)[8-9]提出了人工神經(jīng)網(wǎng)絡(luò)的熱負(fù)荷預(yù)測。此外，傳統(tǒng)方法還有：最大熵法[10]，時(shí)間序列法[11]。

由于傳統(tǒng)預(yù)測方法的自身的局限性，對供熱系統(tǒng)負(fù)荷短期預(yù)測精度較低，同時(shí)BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)在處理熱負(fù)荷問題上同小波神經(jīng)網(wǎng)絡(luò)相比有較多的劣勢，如隱層小波數(shù)的確定問題，因而文章提出一種結(jié)合天氣預(yù)報(bào)的同時(shí)，基于改進(jìn)型小波神經(jīng)網(wǎng)絡(luò)熱負(fù)荷預(yù)測方法。

為實(shí)現(xiàn)按需供熱，節(jié)約能耗，文章基于運(yùn)行數(shù)據(jù)，分析供回水溫度、室外溫度等因數(shù)，采用了小波神經(jīng)網(wǎng)絡(luò)分析數(shù)據(jù)建立供回水溫度預(yù)測模型。具體步驟為：首先，利用網(wǎng)絡(luò)天氣預(yù)報(bào)的實(shí)時(shí)獲取，得到未來1小時(shí)的室外溫度。然后，在供熱系統(tǒng)中的設(shè)計(jì)熱指標(biāo)和供熱網(wǎng)的實(shí)際參數(shù)均已設(shè)定的情況下，分析出下一刻的熱負(fù)荷值，并運(yùn)用小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行數(shù)據(jù)處理得到預(yù)測供熱應(yīng)給的最佳系統(tǒng)參數(shù)。最后，繪制出預(yù)測曲線。

1 天氣預(yù)報(bào)的實(shí)時(shí)獲取

采用webservice技術(shù)編寫數(shù)據(jù)訪問接口程序，自動(dòng)實(shí)時(shí)提取天氣預(yù)報(bào)數(shù)據(jù)和各整點(diǎn)天氣實(shí)況數(shù)據(jù)。為供熱運(yùn)行調(diào)節(jié)提供依據(jù)：運(yùn)用C#.Net組件技術(shù)編寫數(shù)據(jù)訪問接口程序，在獲取到實(shí)時(shí)溫度值和未來時(shí)刻的預(yù)測溫度以后，將它們作為小波神經(jīng)網(wǎng)絡(luò)模型部分輸入。此外，通過C#.Net程序編程，使得處理的結(jié)果界面化，可操作化。圖1即為從中國天氣網(wǎng)獲取到的24小時(shí)氣溫預(yù)測折線。

2 小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1 預(yù)測供熱負(fù)荷變化

預(yù)測供熱負(fù)荷（應(yīng)供熱量）變化是指根據(jù)供熱面積（S）、室外溫度（tw）的變化，設(shè)計(jì)室內(nèi)溫度（t'n）、設(shè)計(jì)室外溫度（t'w）、系統(tǒng)的設(shè)計(jì)熱指標(biāo)（q'）、管網(wǎng)熱效率（？濁），測算出在給定時(shí)間內(nèi)（T）供熱系統(tǒng)應(yīng)該供出的熱量（Q）值。具體可以按公式（1）計(jì)算[11]，熱量實(shí)測/預(yù)測曲線如圖2所示。

2.2 計(jì)算供回水溫差

目前，國內(nèi)集中供熱基本采用分階段改變流量的質(zhì)調(diào)節(jié)方式，整個(gè)采暖期內(nèi)，按照氣候變化規(guī)律，在室外溫度較低的階段中，保持設(shè)計(jì)最大流量；而在室外溫度較高的階段中，保持較小流量。在同一天內(nèi)系統(tǒng)循環(huán)流量設(shè)定后基本保持不變，供暖負(fù)荷變化時(shí)實(shí)行集中質(zhì)調(diào)節(jié)（即供熱溫度調(diào)節(jié)）[11]，供回水設(shè)定和實(shí)測曲線如圖3所示。

2.3 模型結(jié)構(gòu)

負(fù)荷預(yù)測的核心問題是預(yù)測的數(shù)學(xué)模型，小波神經(jīng)網(wǎng)絡(luò)是在小波分析的基礎(chǔ)上提出的一種多層前饋型網(wǎng)絡(luò)，可以使網(wǎng)絡(luò)訓(xùn)練盡可能減少局部最優(yōu)且加快收斂的速度，具有很強(qiáng)的學(xué)習(xí)和泛化能力。小波神經(jīng)網(wǎng)絡(luò)采用的激活函數(shù)為小波基函數(shù)，而前饋網(wǎng)絡(luò)采用的激活函數(shù)是sigmiod非線性函數(shù)，文章選用morlet母小波作為小波基函數(shù)。所以小波神經(jīng)網(wǎng)絡(luò)算法的基本思想是以神經(jīng)網(wǎng)絡(luò)的輸出和網(wǎng)絡(luò)的實(shí)際輸出的誤差平方為學(xué)習(xí)目標(biāo)函數(shù)，根據(jù)均方誤差最小化的原則來調(diào)整網(wǎng)絡(luò)的權(quán)值。小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示。

2.4 預(yù)測供回水溫度

考慮到在供熱運(yùn)行調(diào)節(jié)中，系統(tǒng)流量、供回水溫度是保證熱源負(fù)荷合理供給的核心參數(shù)。所以，利用上面的小波模型，把系統(tǒng)流量視為定量，將室外溫度、供熱指標(biāo)、供熱面積、管網(wǎng)熱效率作為小波神經(jīng)網(wǎng)絡(luò)的輸入，供回水溫差作為輸出。

這樣，就把一組樣本輸入輸出問題轉(zhuǎn)化為非線性擬合問題。此外，通過梯度算法利用迭代運(yùn)算求解小波神經(jīng)網(wǎng)絡(luò)中的權(quán)值，從而找出蘊(yùn)含于樣本數(shù)據(jù)中內(nèi)在規(guī)律的一種學(xué)習(xí)方法。最后，也就找出了供回水溫度與室外溫度、系統(tǒng)流量、壓力、等影響因素之間的映射關(guān)系。

2.5 小波神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與現(xiàn)場運(yùn)行預(yù)測

文章設(shè)計(jì)的小波神經(jīng)網(wǎng)絡(luò)為3層前饋網(wǎng)，包括輸入層、隱層和輸出層。其中，輸入層節(jié)點(diǎn)數(shù)等于影響因素（室外溫度、系統(tǒng)流量、壓力、供回水溫差等）的個(gè)數(shù)；輸出層的節(jié)點(diǎn)數(shù)為1（供水溫度或回水溫度）；此外，隱含層節(jié)點(diǎn)數(shù)的選取也是至關(guān)重要的，根據(jù)一些經(jīng)驗(yàn)公式先嘗試一個(gè)較小值，然后采取文獻(xiàn)[1]的改進(jìn)小波模型確定小波網(wǎng)絡(luò)隱層小波函數(shù)個(gè)數(shù)為8。

因?yàn)榫W(wǎng)絡(luò)訓(xùn)練中尋找的內(nèi)在規(guī)律蘊(yùn)含于樣本中，所以樣本數(shù)據(jù)的確定和選取也是關(guān)鍵。由于供熱系統(tǒng)的工況（如網(wǎng)絡(luò)傳輸效率，散熱片的散熱系數(shù)等）隨著時(shí)間的推移將會發(fā)生變化，而已建立模型的參數(shù)只能對當(dāng)前供熱系統(tǒng)的實(shí)際情況有較好的反應(yīng)。所以，希望模型具有自我修正參數(shù)的能力，這樣就能更好地指導(dǎo)供熱系統(tǒng)的運(yùn)行。為此，建立了模型參數(shù)自動(dòng)修正機(jī)制。系統(tǒng)隨時(shí)從最近形成的歷史數(shù)據(jù)中提取有效樣本，追加到樣本庫中，定時(shí)自動(dòng)擬合樣本，生成最新的模型參數(shù)。

文章以2014年10月-2015年4月期間125天的6000條實(shí)測數(shù)據(jù)基礎(chǔ)，按時(shí)間（每個(gè)時(shí)段的數(shù)據(jù)數(shù)量大致相同）、天氣情況（晴天、陰天、雪天情況下數(shù)據(jù)量大致相同）這兩個(gè)主要因素抽取出1200條訓(xùn)練樣本。

網(wǎng)絡(luò)訓(xùn)練時(shí)，在權(quán)值和閾值的修正算法中加入動(dòng)量項(xiàng)，利用前一步得到的修正值來平滑學(xué)習(xí)路徑，避免陷入局部極小值，加速學(xué)習(xí)速度。同時(shí)，為了避免在逐個(gè)樣本訓(xùn)練時(shí)，引起權(quán)值和閾值修正時(shí)發(fā)生的振蕩，文章采用將1200條訓(xùn)練樣本分成120批，然后進(jìn)行成批訓(xùn)練的方法。

3 預(yù)測結(jié)果及誤差分析

網(wǎng)絡(luò)訓(xùn)練過程中，為防止出現(xiàn)“過擬合”現(xiàn)象，每次學(xué)習(xí)前，隨機(jī)排列樣本順序，學(xué)習(xí)率h=0.8時(shí)，具有較好的收斂性。當(dāng)設(shè)置網(wǎng)絡(luò)精度Emin=1.5500時(shí)，網(wǎng)絡(luò)訓(xùn)練3762次收斂。圖5是供回水溫度預(yù)測值和實(shí)際值曲線對比圖。

將得出預(yù)測回水溫度與實(shí)測溫度進(jìn)行對比，計(jì)算出預(yù)測回水溫度與實(shí)測回水溫度最大誤差為0.4900℃，平均誤差為0.1983℃，可以滿足預(yù)測的精度要求。表1為誤差分析，可得出文章在結(jié)合天氣預(yù)報(bào)的室外溫度時(shí)，提出的基于小波網(wǎng)絡(luò)預(yù)測方法明顯優(yōu)于同類方法。

4 結(jié)束語

文章在采用小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型的基礎(chǔ)上，提出了結(jié)合天氣預(yù)報(bào)的預(yù)測氣溫作為模型的部分輸入，提高了預(yù)測的精度。現(xiàn)場實(shí)驗(yàn)表明，小波模型具有的函數(shù)逼近能力和模式分類能力很好地得以發(fā)揮。基于文章方法開發(fā)的供熱參數(shù)預(yù)測系統(tǒng)已經(jīng)在大慶12個(gè)鍋爐房、熱力站投入使用，適用于單體鍋爐房、集中供熱、直供、混水等各種供熱形式，預(yù)測參數(shù)準(zhǔn)確可靠，節(jié)能效果顯著。

參考文獻(xiàn)

[1]馬濤，徐向東. 基于小波網(wǎng)模型的區(qū)域供熱系統(tǒng)負(fù)荷預(yù)測[J]. 清華大學(xué)學(xué)報(bào)，2005，45（5）：708-710.

[2]魏宇杰，楊潔明. 基于小波神經(jīng)網(wǎng)絡(luò)和蟻群算法的供熱負(fù)荷預(yù)測[J].煤炭技術(shù)，2015，34（8）：307-309

[3]李琦，韓穎.基于天氣預(yù)報(bào)的集中供熱系統(tǒng)短期熱負(fù)荷預(yù)測[J]. 自動(dòng)化與儀表，2015，2015（5）：5-8.

[4]Peder Bacher，Henrik Madsen，Henrik Aalborg Nielsen，et al. Short-term heat load forecasting for single family houses[J]. Energy Buildings， 2013， 65 ：101-112.

[5]崔高健，凡東生，崔永利. 基于Elman型神經(jīng)網(wǎng)絡(luò)集中供熱負(fù)荷預(yù)測模型的研究[J]. 建筑節(jié)能，2011，39（3）：9-11.

[6]王東亞，張琳，趙國材. 神經(jīng)網(wǎng)絡(luò)遺傳算法在供熱負(fù)荷預(yù)測中應(yīng)用[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào)，2005，24（4）：161-163.

[7]張經(jīng)博，郭凌，王朝霞. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的供暖系統(tǒng)熱負(fù)荷預(yù)測模型[J]. 四川兵工學(xué)院報(bào)，2014，35（4）：152-156.

[8]Maria Kolokotroni，Michael Davies，Ben Croxford，et al. A validated methodology for the prediction of heating and cooling energy demand for buildings within the Urban Heat Island： Case-study of London[J]. Solar Energy，2010，84（12）： 2246-2255.

[9]Cihan Turhan，Tugce Kazanasmaz，Ilknur Erlalelitepe Uygun，et al. Comparative study of a building energy performance software （KEP-IYTE-ESS） and ANN-based building heat load estimation[J]. Energy Buildings： 2014，85：115-125.

[10]陳烈，齊維貴，鄧盛川. 最大熵原理的供熱符合預(yù)報(bào)研究[J]. 西安電子科技大學(xué)學(xué)報(bào)，2008，35（1）：183-188.

[11]Box G， Jenkins G M， Reinsel G. Time series analysis： forecasting and control [M]. New York：PrenticeHall，2008.

作者簡介：蔣道福（1994-），男，在讀本科生，研究方向：供熱調(diào)節(jié)與控制。