張 琦， 謝慕君， 賈其臣， 曹開發(fā)

(長春工業(yè)大學(xué) 電氣與電子工程學(xué)院， 吉林 長春 130012)

?

熱負(fù)荷預(yù)測中最有影響力參數(shù)測定

張 琦， 謝慕君*， 賈其臣， 曹開發(fā)

(長春工業(yè)大學(xué) 電氣與電子工程學(xué)院， 吉林 長春 130012)

針對集中供熱系統(tǒng)，采用自適應(yīng)模糊神經(jīng)推理系統(tǒng)分析熱負(fù)荷的影響因素與系統(tǒng)熱負(fù)荷之間的相關(guān)性和影響程度。分別分析了不同預(yù)測時(shí)間下的3組輸入變量對集中供熱系統(tǒng)熱負(fù)荷預(yù)測的影響。仿真結(jié)果表明,應(yīng)用ANFIS選取集中供熱系統(tǒng)熱負(fù)荷預(yù)測的輸入變量對于簡化預(yù)測是可行的。

ANFIS； 變量選?。?集中供熱系統(tǒng)； 熱負(fù)荷預(yù)測

0 引 言

集中供熱系統(tǒng)是一個(gè)十分復(fù)雜的多變量控制系統(tǒng)，供熱面積大，影響因素多，內(nèi)部關(guān)聯(lián)性強(qiáng)，滯后時(shí)間長，非線性嚴(yán)重[1]。集中供熱的優(yōu)點(diǎn)[2]是提高能源利用率，節(jié)約能源。集中供熱系統(tǒng)一方面為我們提供了熱能，但另一方面也對能源造成了極大消耗。在集中供熱系統(tǒng)建設(shè)中，如果忽視了節(jié)能技術(shù)的應(yīng)用，將會(huì)導(dǎo)致集中供熱系統(tǒng)建設(shè)成本的提高，在運(yùn)行過程中也將耗費(fèi)更多的能源，這不但影響用戶的切身利益，對企業(yè)的發(fā)展也非常不利。因此，注重節(jié)能技術(shù)和措施在集中供熱系統(tǒng)中的應(yīng)用是十分必要的[3]。

為了更加有效地使用一次能源，熱負(fù)荷預(yù)測模型必須采用創(chuàng)新、智能的控制策略。熱負(fù)荷預(yù)測模型的建立對集中供熱系統(tǒng)的節(jié)能優(yōu)化是非常重要的。如果建立的熱負(fù)荷模型是可靠的，那么生產(chǎn)的熱量將會(huì)和用戶的真實(shí)需求相匹配。這將減少熱損失，降低回流溫度，并且可能在集中供熱系統(tǒng)中連接更多的用戶。另外，熱負(fù)荷預(yù)測可以作為集中供熱系統(tǒng)模型預(yù)測控制的輸入，以便更有效地峰調(diào)和利用熱能存儲(chǔ)系統(tǒng)[4]。文獻(xiàn)[5]中建立預(yù)測模型使用了許多輸入變量。熱負(fù)荷模型的輸入變量有室外空氣溫度、太陽輻射、風(fēng)向、風(fēng)速、供水流量、供回水溫度、時(shí)間和日子類型(周末和工作日)等。輸入變量的選擇(丟棄冗余和非信息的預(yù)測因素)及識(shí)別和消除潛在的輸入變量之間的多重共線性對于建立預(yù)測模型來說是非常重要的。正確的變量選擇將會(huì)使預(yù)測模型更加精準(zhǔn)。

文獻(xiàn)[6]采用了兩種方法選擇最佳的變量子集：濾波方法和包裝方法。在濾波方法中，模型輸入變量的選擇是在模型訓(xùn)練和調(diào)整之前進(jìn)行的。包裝方法使用一些誤差指標(biāo)評估不同輸入變量組合的預(yù)測能力，并選擇模型產(chǎn)生的最佳結(jié)果。包裝方法的計(jì)算更嚴(yán)苛，特別是針對具有多個(gè)調(diào)諧超參數(shù)的模型，與濾波方法相比，它可以被視為是一個(gè)更好的選擇。

文中使用包裝方法選擇出了對集中供熱系統(tǒng)熱負(fù)荷預(yù)測模型最有影響力的輸入變量，即當(dāng)前和滯后(最多10步)的熱負(fù)荷、室外溫度和供水流量。應(yīng)用ANFIS從包裝方法中選出的數(shù)據(jù)集中選擇出最主要的模型變量。

1 ANFIS自適應(yīng)神經(jīng)模糊推理系統(tǒng)

ANFIS是基于Takagi-Sugeno模型的自適應(yīng)神經(jīng)模糊推理系統(tǒng)[9]。該模糊推理系統(tǒng)利用BP方向傳播算法和最小二乘算法來完成對輸入/輸出數(shù)據(jù)的建模。該系統(tǒng)由模糊規(guī)則、數(shù)據(jù)庫和推理機(jī)制3部分組成。文中設(shè)定的兩個(gè)ANFIS輸入變量是對集中供熱系統(tǒng)熱負(fù)荷影響最大的參數(shù)變量。ANFIS結(jié)構(gòu)如圖 1 所示。

圖1 ANFIS結(jié)構(gòu)圖

對于一階的Takagi-Sugeno有兩個(gè)輸入模糊IF-THEN規(guī)則[7]：

第1層由輸入?yún)?shù)的隸屬度函數(shù)構(gòu)成，并且為下層提供了輸入值。該層的每個(gè)結(jié)點(diǎn)都是自適應(yīng)結(jié)點(diǎn)，其節(jié)點(diǎn)函數(shù)為

式中：uAB(x)，uCD(y)----具有最大值(1.0)和最小值(0.0)的鐘型隸屬度函數(shù)。

例如：

式中：(aibicidi)----參數(shù)集合，該層的參數(shù)被稱為前提參數(shù)。

這里x和y是節(jié)點(diǎn)的輸入，分別代表了兩個(gè)對集中供熱系統(tǒng)的熱負(fù)荷最有影響力的參數(shù)變量。

第2層是隸屬度層，它為每一個(gè)隸屬函數(shù)尋找權(quán)重。該層接收從上一層傳遞過來的信號(hào)作為該層的隸屬函數(shù)，然后分別表示每個(gè)輸入變量的模糊集。第2層的節(jié)點(diǎn)是非自適應(yīng)點(diǎn)，該層作為接收信號(hào)的乘法器：

每一個(gè)節(jié)點(diǎn)的輸出表示一個(gè)規(guī)則的激勵(lì)強(qiáng)度。

第3層被稱為規(guī)則層，該層將各條規(guī)則的激勵(lì)強(qiáng)度歸一化，該層中的結(jié)點(diǎn)也被認(rèn)為是非自適應(yīng)的。這里的每一個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，計(jì)算每條規(guī)則的適應(yīng)度，從而使模糊規(guī)則的數(shù)目等于該層層數(shù)。所有規(guī)則的激勵(lì)強(qiáng)度的形式為：

結(jié)果被稱為歸一化的激勵(lì)強(qiáng)度。

第4層負(fù)責(zé)提供輸出值，作為推理規(guī)則的結(jié)果,也被稱為模糊化層。每個(gè)第4層的節(jié)點(diǎn)都是自適應(yīng)節(jié)點(diǎn)。在這層中每條規(guī)則的輸出為

式中：w----從第3 層傳來的歸一化激勵(lì)強(qiáng)度；

(pi,q,iri)----節(jié)點(diǎn)的參數(shù)集，該參數(shù)集被指定為結(jié)論參數(shù)。

第5層稱為輸出層。這一層的單結(jié)點(diǎn)是一個(gè)標(biāo)以∑的固定結(jié)點(diǎn)，它計(jì)算所有傳來信號(hào)之和作為總輸出。即累加了所有從上一層接收的輸入信號(hào)。然后，它將模糊分類結(jié)果轉(zhuǎn)換成二進(jìn)制。第5層的單節(jié)點(diǎn)被認(rèn)為是非自適應(yīng)的。該節(jié)點(diǎn)計(jì)算出所有接收信號(hào)的總輸出為：

在ANFIS結(jié)構(gòu)識(shí)別變量的過程中應(yīng)用了混合學(xué)習(xí)算法。前提參數(shù)采用反向傳播算法，而對于結(jié)論參數(shù)則采用線性最小二乘估計(jì)算法調(diào)整參數(shù)。在每一次迭代中，首先輸入信號(hào)沿著網(wǎng)絡(luò)正向傳遞到第4層，此時(shí)固定前提參數(shù)，采用最小二乘估計(jì)算法調(diào)節(jié)結(jié)論參數(shù)；然后信號(hào)沿著網(wǎng)絡(luò)正向傳遞直到輸出層。之后將獲得的誤差信號(hào)沿著網(wǎng)絡(luò)反向傳播，并通過梯度遞減順序調(diào)節(jié)前提參數(shù)。進(jìn)而可以得到結(jié)論參數(shù)的全局最優(yōu)點(diǎn)，這樣不僅可以降低梯度法中搜索空間的維數(shù)，還可以大大提高參數(shù)的收斂速度。

模糊神經(jīng)網(wǎng)絡(luò)雖然是局部逼近網(wǎng)絡(luò)，但是它是按照模糊系統(tǒng)模型建立的，網(wǎng)絡(luò)中的各個(gè)節(jié)點(diǎn)及所有參數(shù)均有明顯的物理意義，因此，這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識(shí)來加以確定，然后利用上述學(xué)習(xí)算法可以很快收斂到要求的輸入/輸出關(guān)系，這是模糊神經(jīng)網(wǎng)絡(luò)與單純的神經(jīng)網(wǎng)絡(luò)相比的優(yōu)點(diǎn)所在。同時(shí)，它具有神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，因此參數(shù)的學(xué)習(xí)和調(diào)整比較容易，這是它與單純的模糊邏輯系統(tǒng)相比的優(yōu)點(diǎn)所在。

2 基于ANFIS的輸入變量的選擇

2.1 模型輸入變量的選擇

在實(shí)際供熱負(fù)荷預(yù)測時(shí)，根據(jù)問題需要和數(shù)學(xué)描述方法來進(jìn)行恰當(dāng)?shù)妮斎胱兞康念愋秃蛿?shù)量的選擇對達(dá)到高品質(zhì)預(yù)測效果至關(guān)重要[8]。要建立一個(gè)具有最佳特性的預(yù)測模型，確定最相關(guān)的和有影響力的變量的子集是必要的。這個(gè)選擇的過程通常被稱為變量選擇。這個(gè)過程的目的是找到初始輸入變量集的一個(gè)子集，使模型提高預(yù)測水平[9]。

由于集中供熱系統(tǒng)的動(dòng)態(tài)性，在使用包裝方法選出室外溫度、熱負(fù)荷和供水流量這3個(gè)輸入變量之外，文中引入了潛在的輸入變量，即時(shí)間滯后值。在初始設(shè)置中添加這些變量的滯后值是很重要的。雖然初始設(shè)置更多的滯后變量對于系統(tǒng)的預(yù)測是有利的，但是考慮到計(jì)算機(jī)的計(jì)算能力和運(yùn)行時(shí)間，因此限制滯后的數(shù)量為10。所有潛在的預(yù)測因子見表1。

表1 熱負(fù)荷預(yù)測模型的潛在輸入變量

2.2 仿真實(shí)驗(yàn)

采用長春市某換熱站2003年4月1日-2003年4月7日供熱數(shù)據(jù)，測量間隔為1 h。實(shí)驗(yàn)數(shù)據(jù)見表2。

綜合分析了熱負(fù)荷及其他相關(guān)參數(shù)的影響，對供暖數(shù)據(jù)進(jìn)行了處理。本研究創(chuàng)建了3個(gè)時(shí)間序列：熱負(fù)荷(MJ/h)、室外溫度(℃)、供水流量(t/h)。分別預(yù)測了1，3，5，8，12，24 h之后的熱負(fù)荷。在Matlab環(huán)境下完成仿真研究。

文中對熱負(fù)荷分別進(jìn)行了單輸入和三輸入的預(yù)測。首先對熱負(fù)荷進(jìn)行了單輸入的預(yù)測，預(yù)測結(jié)果如圖2～圖7所示。

表2 某日24 h樣本數(shù)據(jù)

圖2 預(yù)測1 h后熱負(fù)荷的ANFIS絕對誤差 圖3 預(yù)測3 h后熱負(fù)荷的ANFIS絕對誤差

圖4 預(yù)測5 h后熱負(fù)荷的ANFIS絕對誤差 圖5 預(yù)測8 h后熱負(fù)荷的ANFIS絕對誤差

圖6 預(yù)測12 h后熱負(fù)荷的ANFIS絕對誤差 圖7 預(yù)測24 h后熱負(fù)荷的ANFIS絕對誤差

圖2～圖7顯示了所有潛在的輸入變量對集中供熱系統(tǒng)熱負(fù)荷預(yù)測結(jié)果的影響。根據(jù)圖2和圖3顯示，對于預(yù)測1 h和3 h后的熱負(fù)荷，影響力最大的參數(shù)是沒有時(shí)間滯后的參數(shù)。這意味著目前的熱負(fù)荷值對于預(yù)測來說是足夠的。根據(jù)圖4～圖6顯示，隨著預(yù)測時(shí)間的變長，影響力最大的參數(shù)為時(shí)間滯后值。

使用給定的輸入變量進(jìn)行預(yù)測，首先，把室外溫度和熱負(fù)荷固定在t時(shí)刻，用當(dāng)前時(shí)刻t和滯后時(shí)刻的供水流量來建立預(yù)測模型，得到所有的預(yù)測結(jié)果。接下來，固定熱負(fù)荷在t時(shí)刻，使用當(dāng)前時(shí)刻和滯后的供水流量和室外溫度建立預(yù)測模型。最后，使用所有滯后時(shí)間的熱負(fù)荷交替進(jìn)行前兩步。每個(gè)組合都建立了一個(gè)ANFIS模型，并且在每一個(gè)時(shí)間點(diǎn)上分別訓(xùn)練它們。

從表3中能清楚地看出預(yù)測結(jié)果，進(jìn)行3組輸入變量的負(fù)荷預(yù)測中，用當(dāng)前時(shí)刻熱負(fù)荷Q(t)，室外溫度T(t)，供水流量qm(t)來預(yù)測1 h后熱負(fù)荷的模型相對誤差最小，僅為3.13%。對于預(yù)測3，5，8，12 h之后的熱負(fù)荷模型來說，時(shí)間的滯后值成為了最有影響力的參數(shù)變量。3組輸入變量的ANFIS熱負(fù)荷預(yù)測結(jié)果見表3。

表3 3組輸入變量的ANFIS熱負(fù)荷預(yù)測結(jié)果

3 結(jié) 語

如果將一組非相關(guān)的或非顯著的變量選進(jìn)輸入變量集，會(huì)使訓(xùn)練時(shí)間加長，導(dǎo)致結(jié)果變差，只有找到一組合適的輸入變量，才能有效地解釋負(fù)荷的變化關(guān)系，才有可能對各種變化條件下的負(fù)荷做出準(zhǔn)確預(yù)測。針對上述問題提出了以一種ANFIS自適應(yīng)模糊神經(jīng)推理系統(tǒng)找出最能影響集中供熱系統(tǒng)熱負(fù)荷預(yù)測的參數(shù)變量的方法。包裝方法是用來從一組可能的輸入變量中選擇最有影響力的變量的子集。用ANFIS確定在不同預(yù)測時(shí)間下3組輸入變量(滯后10步的熱負(fù)荷，滯后10步的室外溫度，滯后10步的供水流量)對集中供熱系統(tǒng)熱負(fù)荷預(yù)測的影響。

結(jié)果表明，對于1～3 h的預(yù)測來說，當(dāng)前時(shí)間的輸入值可以滿足預(yù)測要求。但是對于預(yù)測3 h后的熱負(fù)荷來說，時(shí)間滯后值是熱負(fù)荷預(yù)測中最有影響力的參數(shù)。

對ANFIS進(jìn)行更進(jìn)一步的細(xì)化和改進(jìn)，可以從加速不同預(yù)測模型的訓(xùn)練過程以減少系統(tǒng)運(yùn)行時(shí)間，或者使訓(xùn)練過程包含更多的潛在輸入變量和更多的滯后變量這兩個(gè)方面研究。這些方法都可以提高建立模型的預(yù)測能力。還可以著力挖掘熱負(fù)荷預(yù)測中一些新的相關(guān)因素。文中提出的分析方法不僅可以進(jìn)行最相關(guān)變量的選取，還適用于超短期負(fù)荷預(yù)測。

[1] 李天智,孫海波.城市集中供熱系統(tǒng)控制策略[J].河北省科學(xué)院學(xué)報(bào),2000,17(4):205-207.

[2] 趙閣.節(jié)能技術(shù)和措施在集中供熱系統(tǒng)中的應(yīng)用[J].中國科技縱橫,2016(6):200-204.

[3] 馮旭.集中供熱與節(jié)能[J].資源節(jié)約與環(huán)保,2007,23(2):54-56.

[4] 李先瑞,李秀.中國城鎮(zhèn)集中供熱的可持續(xù)發(fā)展[C]//面向21世紀(jì)的熱電聯(lián)產(chǎn)學(xué)術(shù)交流會(huì).2000.

[5] 高山,單淵達(dá).神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測輸入變量選擇新方法[J].電力系統(tǒng)自動(dòng)化,2001,25(22):41-44.

[6] Talavera L. Feature selection[C]//Advances in intelligent data analysis VI. Berlin: Springer Berlin Heidelberg,2005:440-451.

[7] 顧秀萍.自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)及其仿真[J].火力與指揮控制,2010,35(2):48-49.

[8] 孫健,金鑫.探索模糊控制在鍋爐熱工控制中的應(yīng)用[J].科技風(fēng),2014,19:115-115.

[9] 易繼鍇，侯媛彬.智能控制技術(shù)[J].北京:北京工業(yè)大學(xué)出版社，2003.

Heat load forecasting input variable selection

ZHANG Qi, XIE Mujun*， JIA Qichen， CAO Kaifa

(School of Electrical & Electronic Engineering, Changchun University of Technology, Changchun 130012， China)

For the central heating system, Adaptive Network-based Fuzzy Inference System (ANFIS) is used to analyze the correlation between the influencing factors of heat load and the heat load of the system. The influence of three sets of input variables on the thermal load forecasting of the central heating system are studied. Simulation results indicate that ANFIS is feasible to be applied to select the input variables of the thermal load forecasting of the central heating system, and simplify the prediction.

ANFIS; variable selection; central heating systems; heat loadforecasting.

2017-02-21

吉林省科技計(jì)劃重大項(xiàng)目(20126040)

張 琦(1990-)，女，漢族，吉林長春人，長春工業(yè)大學(xué)碩士研究生，主要從事工業(yè)節(jié)能控制方向研究,E-mail:619610125@qq.com. *通訊作者：謝慕君(1969-)，女，漢族，吉林長春人，長春工業(yè)大學(xué)教授，博士，主要從事工業(yè)節(jié)能控制方向研究,E-mail:1551852633@qq.com.

10.15923/j.cnki.cn22-1382/t.2017.2.09

TU 995

A

1674-1374(2017)02-0150-05