亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于NARX神經(jīng)網(wǎng)絡(luò)的熱負(fù)荷預(yù)測中關(guān)鍵影響因素分析

        2018-12-14 05:26:24謝吉洋馬占宇
        計(jì)算機(jī)應(yīng)用 2018年11期
        關(guān)鍵詞:太陽輻射層數(shù)滑動

        謝吉洋,閆 冬,謝 垚,馬占宇

        (1.北京郵電大學(xué) 模式識別與智能系統(tǒng)實(shí)驗(yàn)室,北京 100876; 2.北京郵電大學(xué) 圖書館,北京 100876)(*通信作者電子郵箱mazhanyu@bupt.edu.cn)

        0 引言

        區(qū)域供熱(District Heating, DH),也稱為區(qū)域集中供熱,是當(dāng)前向建筑供熱的最為有效、環(huán)境友好和性價(jià)比高的供熱方法[1], 即便如此,它需要進(jìn)一步提高供熱效率以降低運(yùn)營成本并提高盈利能力。降低峰值負(fù)荷是提高供熱效率和節(jié)省燃料成本的關(guān)鍵問題。為了降低峰值,了解能源消耗模式并精確預(yù)測峰值負(fù)荷尤為重要。對于區(qū)域供熱網(wǎng)絡(luò),希望可以根據(jù)熱力需求,以動態(tài)的方式(例如,每1 h或每15 min)調(diào)整供熱,降低供熱成本,達(dá)到提高盈利能力的目的, 因此,準(zhǔn)確預(yù)測熱負(fù)荷是至關(guān)重要的。

        許多外部因素對建筑熱負(fù)荷存在影響,例如氣候條件、建筑物特性、時(shí)間、社會學(xué)參數(shù)[2]等。預(yù)測模型需要將熱負(fù)荷與這些影響因素相關(guān)聯(lián),以確定它們對熱負(fù)荷的影響程度。氣候條件是熱負(fù)荷預(yù)測中較多涉及的一類因素, 其中,環(huán)境溫度是最重要的氣候條件,因?yàn)樗鼪Q定了室內(nèi)和室外的溫差,是熱傳遞的關(guān)鍵驅(qū)動力[3-4]。然而,僅考慮環(huán)境溫度是不夠的。為進(jìn)一步提高熱負(fù)荷預(yù)測的準(zhǔn)確性,現(xiàn)有研究已經(jīng)嘗試考慮其他氣候條件,例如直接太陽輻射和風(fēng)速,并且已經(jīng)認(rèn)識到二者對建筑物熱負(fù)荷的影響, 它們對建筑物熱負(fù)荷的具體影響尚未得到廣泛研究,特別是以定量方式[5]。文獻(xiàn)[6]使用多元自回歸模型(Multiple Autoregressive Model)研究了氣候因素與集中供暖系統(tǒng)熱負(fù)荷的線性相關(guān)性;文獻(xiàn)[7]討論了氣候因素對室內(nèi)溫度的影響,以間接影響熱負(fù)荷。

        應(yīng)用于熱負(fù)荷預(yù)測的模型可分為兩類:1)物理模型,基于能量守恒定律和熱傳遞原理[8-9];2)統(tǒng)計(jì)模型,基于數(shù)據(jù)采集和處理技術(shù)[2, 10-11]。隨著智能儀表和能源網(wǎng)絡(luò)的完善以及數(shù)據(jù)采集、傳輸和存儲技術(shù)的發(fā)展,越來越多的能源數(shù)據(jù)可以應(yīng)用于熱負(fù)荷預(yù)測領(lǐng)域,為統(tǒng)計(jì)模型開辟了更大的發(fā)展空間[12]?;诮y(tǒng)計(jì)模型的數(shù)據(jù)分析方法可以幫助研究者從大量數(shù)據(jù)中提取有價(jià)值的信息,進(jìn)一步用于能源網(wǎng)絡(luò)管理和算法開發(fā)工作[13]。由于統(tǒng)計(jì)模型的獨(dú)特優(yōu)勢,如反映消費(fèi)者社會行為模式的能力等,其在熱負(fù)荷預(yù)測方面吸引了越來越多的關(guān)注。通常,在能源網(wǎng)絡(luò)中,線性回歸(Linear Regression, LR)[3,14-15]、支持向量回歸(Support Vector Regression, SVR)[16-17]和神經(jīng)網(wǎng)絡(luò)(Neural Network, NN)[18-19]等數(shù)據(jù)分析方法,已經(jīng)廣泛應(yīng)用于熱負(fù)荷預(yù)測領(lǐng)域,并顯示出良好的預(yù)測性能; 同時(shí),文獻(xiàn)[2]使用混合高斯模型(Gaussian Mixture Model, GMM)預(yù)測多種條件下的建筑物熱負(fù)荷; 文獻(xiàn)[20]使用基于遺傳算法優(yōu)化BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)對供暖系統(tǒng)熱負(fù)荷進(jìn)行預(yù)測。

        本文旨在以定量方式討論直接太陽輻射和風(fēng)速對建筑物熱負(fù)荷的影響, 為此,帶外部輸入的非線性自回歸(Nonlinear AutoRegressive with eXogenous input, NARX)神經(jīng)網(wǎng)絡(luò)模型將被用于各種氣候條件下的熱負(fù)荷預(yù)測?,F(xiàn)有研究中,NARX神經(jīng)網(wǎng)絡(luò)已應(yīng)用于短時(shí)電力負(fù)荷預(yù)測[21-22]、長時(shí)電力負(fù)荷預(yù)測[23]和太陽能光伏發(fā)電負(fù)荷預(yù)測[24]等領(lǐng)域。本文結(jié)合多種氣候因素從能源生產(chǎn)側(cè)對區(qū)域供熱負(fù)荷進(jìn)行建模預(yù)測,其結(jié)果可以直接用于優(yōu)化能源生產(chǎn),從而達(dá)到節(jié)省燃料、降低成本的目的。

        1 模型描述

        1.1 NARX神經(jīng)網(wǎng)絡(luò)

        NARX神經(jīng)網(wǎng)絡(luò)是用于時(shí)間序列預(yù)測的非線性動態(tài)循環(huán)網(wǎng)絡(luò),是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的一種,由輸入層、輸出層、反饋層和多個(gè)隱含層組成。輸入層、隱含層和輸出層的結(jié)構(gòu)類似于前饋神經(jīng)網(wǎng)絡(luò)(Feed-Forward Neural Network, FFNN),而它的反饋層連接網(wǎng)絡(luò)的輸入和輸出層[23]。在NARX神經(jīng)網(wǎng)絡(luò)模型中,反饋層節(jié)點(diǎn)的作用是存儲上一時(shí)刻輸出層節(jié)點(diǎn)的輸出值,可以看作一種時(shí)間延遲算子。具有多個(gè)隱含層的NARX神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如式(1)~(4)所示:

        x1(k)=f[w1u(k)+wcxc(k)]

        (1)

        xi(k)=f[wixi-1(k)];i=1,2,…,s

        (2)

        xc(k)=y(k-1)

        (3)

        y(k)=g[ws+1xs(k)]

        (4)

        其中:s是隱含層層數(shù),u(k)是在時(shí)間k時(shí)的神經(jīng)網(wǎng)絡(luò)輸入,xc(k)和xi(k)是反饋層和隱含層的輸出,y(k)是輸出層的輸出,wi是隱含層之間連接的權(quán)值矩陣,wc是連接反饋層和隱含層的權(quán)值矩陣,f(·)和g(·)是傳遞函數(shù)。NARX神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

        圖1 NARX神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

        1.2 數(shù)據(jù)

        從供熱公司獲取到的2008 — 2011年期間(1 461 d)的小時(shí)測量數(shù)據(jù),包括熱負(fù)荷、環(huán)境溫度、直接太陽輻射和風(fēng)速數(shù)據(jù)。本文通過實(shí)施短時(shí)和長時(shí)熱負(fù)荷預(yù)測以研究直接太陽輻射和風(fēng)速數(shù)據(jù)對熱負(fù)荷預(yù)測性能的影響: 在短時(shí)熱負(fù)荷預(yù)測中,2008- 10至2009- 02(5個(gè)月)的數(shù)據(jù)用于模型訓(xùn)練,2009- 03(1個(gè)月)的數(shù)據(jù)用于模型驗(yàn)證,以選擇NARX神經(jīng)網(wǎng)絡(luò)模型參數(shù);在長時(shí)熱負(fù)荷預(yù)測中,2010年(1年)、2009 — 2010年(2年)和2008 — 2010年(3年)的數(shù)據(jù)分別用于模型訓(xùn)練,2011年(1年)的數(shù)據(jù)用于模型驗(yàn)證以討論直接太陽輻射和風(fēng)速數(shù)據(jù)對熱負(fù)荷預(yù)測性能的影響。由于工作日和非工作日的熱負(fù)荷數(shù)據(jù)的差異性,本文工作的重點(diǎn)放在工作日期間的熱負(fù)荷預(yù)測研究,以達(dá)到更高的預(yù)測精度,所以在實(shí)驗(yàn)過程中只選取工作日數(shù)據(jù)用于模型訓(xùn)練和驗(yàn)證。

        為了評估直接太陽輻射和風(fēng)速對熱負(fù)荷預(yù)測精度的影響,本文構(gòu)建了4個(gè)數(shù)據(jù)集用于NARX神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和測試,詳細(xì)描述信息見表1。

        表1 數(shù)據(jù)集描述

        注:“○”表示該數(shù)據(jù)集包含該維度數(shù)據(jù),“×”表示該數(shù)據(jù)集不包含該維度數(shù)據(jù)。

        1.3 模型訓(xùn)練

        本文訓(xùn)練NARX神經(jīng)網(wǎng)絡(luò)用于預(yù)測熱負(fù)荷。在短時(shí)熱負(fù)荷預(yù)測中,為了研究滑動窗口長度對熱負(fù)荷預(yù)測性能的影響,連續(xù)的2、4或8 h的歷史熱負(fù)荷數(shù)據(jù)分別組合成為歷史熱負(fù)荷數(shù)據(jù)向量,并與環(huán)境溫度等外部因素分別按照表1所描述的形式組成數(shù)據(jù)集A~D。

        在模型訓(xùn)練過程中,本文選擇滑動窗口長度的一半作為滑動步長用以更新歷史熱負(fù)荷數(shù)據(jù)向量。例如,如果選擇 4 h作為滑動窗口長度,并且討論同時(shí)引入直接太陽輻射和風(fēng)速(數(shù)據(jù)集D)對熱負(fù)荷預(yù)測精度的影響,則滑動步長是2 h,在訓(xùn)練過程中,第一次訓(xùn)練時(shí)NARX神經(jīng)網(wǎng)絡(luò)的輸入u(1)將包含從第1~4 h的歷史熱負(fù)荷數(shù)據(jù)、第5 h的環(huán)境溫度、直接太陽輻射和風(fēng)速數(shù)據(jù),同時(shí)將第5 h的熱負(fù)荷數(shù)據(jù)作為NARX神經(jīng)網(wǎng)絡(luò)的理想輸出yd(1);第二次訓(xùn)練時(shí)輸入u(3)將包含從第3~6 h的歷史熱負(fù)荷數(shù)據(jù)、第7 h的環(huán)境溫度、直接太陽輻射和風(fēng)速數(shù)據(jù),同時(shí)將第7 h的熱負(fù)荷數(shù)據(jù)作為理想輸出yd(3),以此類推直到數(shù)據(jù)集D中所有數(shù)據(jù)都被用于模型訓(xùn)練。

        同時(shí),為了研究NARX神經(jīng)網(wǎng)絡(luò)中的隱含層數(shù)對熱負(fù)荷預(yù)測性能的影響,本文選擇4和8層作為NARX神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)并應(yīng)用于模型訓(xùn)練。如上所述,在短時(shí)熱負(fù)荷預(yù)測中討論訓(xùn)練數(shù)據(jù)滑動窗口長度和神經(jīng)網(wǎng)絡(luò)隱含層數(shù)的2個(gè)維度,以選擇在長時(shí)預(yù)測中所使用的模型。

        NARX神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步驟如式(5)~(7)所示:

        i=1,2,…,m;j,l=1,2,…,n;

        p=2,3,…,s;q=1,2,…,r

        (5)

        (6)

        (7)

        其中:ηp(p=1,2,…,s+1)和ηc分別是wp和wc的學(xué)習(xí)速率;m、n和r分別是輸出層、隱含層和輸入層節(jié)點(diǎn)數(shù);s是隱含層數(shù)。

        在使用1.2節(jié)中的數(shù)據(jù)集對NARX神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練前,需要對數(shù)據(jù)進(jìn)行預(yù)處理。本文使用Z分?jǐn)?shù)(Z-Score)對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。對數(shù)據(jù)集中的數(shù)據(jù)向量x=[x1,x2,…,xn]的標(biāo)準(zhǔn)化處理方法如式(8)所示:

        (8)

        1.4 模型驗(yàn)證

        為了評估熱負(fù)荷預(yù)測模型性能,本文使用平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)和均方根誤差(Root Mean Squared Error, RMSE)作為評估標(biāo)準(zhǔn)。MAPE是衡量模型性能的相對指標(biāo),它的定義如式(9)所示:

        (9)

        RMSE是衡量模型性能的絕對指標(biāo)。RMSE與實(shí)際熱負(fù)荷數(shù)據(jù)和預(yù)測值都具有相同的量綱,這樣很容易計(jì)算實(shí)際熱負(fù)荷值和預(yù)測值之間的絕對誤差。RMSE的定義如式(10)所示:

        (10)

        其中:yi是實(shí)際熱負(fù)荷值,ypi是與真實(shí)值相對應(yīng)的預(yù)測值,n是熱負(fù)荷預(yù)測步長。

        學(xué)生t檢驗(yàn)(Student’s t-test)是作出基本統(tǒng)計(jì)分布的假設(shè)用于確定兩組數(shù)據(jù)是否具有顯著差異性的統(tǒng)計(jì)假設(shè)檢驗(yàn)。本文使用具有不同參數(shù)或因素(例如滑動窗口長度、隱含層的數(shù)量和氣候因素等)的熱負(fù)荷預(yù)測模型進(jìn)行預(yù)測,并將計(jì)算的MAPE進(jìn)行t檢驗(yàn);然后判斷不同模型的MAPE是否具有相同的平均值以及相同但未知的方差,以確定這些因素是否在提高模型性能中起決定性作用;同時(shí),箱線圖(Boxplot)用于可視地描述MAPE的分布情況,包括5個(gè)數(shù)值點(diǎn):最小值、下四分位數(shù)、中位數(shù)、上四分位數(shù)和最大值。

        2 實(shí)驗(yàn)結(jié)果

        2.1 短時(shí)熱負(fù)荷預(yù)測

        在短時(shí)熱負(fù)荷預(yù)測中,為了研究滑動窗口長度和隱含層數(shù)對熱負(fù)荷預(yù)測精度的影響,本文提出6個(gè)模型如表2所示。每個(gè)模型分別使用表1所描述的數(shù)據(jù)集A~D進(jìn)行10次訓(xùn)練和驗(yàn)證,即進(jìn)行240組實(shí)驗(yàn),以分析短時(shí)熱負(fù)荷預(yù)測的誤差分布情況。

        表2 不同模型對應(yīng)的滑動窗口長度和隱含層數(shù)設(shè)置

        本文通過對每個(gè)模型進(jìn)行訓(xùn)練和驗(yàn)證,共獲得240組實(shí)驗(yàn)結(jié)果。每個(gè)模型得到的實(shí)驗(yàn)結(jié)果計(jì)算所得的MAPE和RMSE的均值和方差如表3和表4所示。本文使用加粗效果突出顯示由同一數(shù)據(jù)集訓(xùn)練的模型的MAPE和RMSE的最小均值和方差。對于每個(gè)實(shí)驗(yàn)組的預(yù)測結(jié)果,MAPE的平均值在4%和5%之間,RMSE的平均值在[17,21]。每組實(shí)驗(yàn)的預(yù)測的MAPE的方差小于1.50E-05,并且大多數(shù)RMSE的方差小于2; 同時(shí),時(shí)間窗口長度為4 h的NARX神經(jīng)網(wǎng)絡(luò)的熱負(fù)荷預(yù)測性能優(yōu)于具有另兩種時(shí)間窗口長度的NARX神經(jīng)網(wǎng)絡(luò);而擁有不同隱含層數(shù)的NARX神經(jīng)網(wǎng)絡(luò)的熱負(fù)荷預(yù)測性能之間差別不大。

        表3 短時(shí)熱負(fù)荷預(yù)測中MAPE的均值和方差

        表4 短時(shí)熱負(fù)荷預(yù)測中RMSE的均值和方差

        對兩組結(jié)果的MAPE進(jìn)行t檢驗(yàn),得到p值(p-value)如表5和表6所示,統(tǒng)計(jì)顯著性水平為0.05(α= 0.05)。兩組結(jié)果對應(yīng)模型之間的滑動窗口長度或隱含層數(shù)不同,而其他參數(shù)相同,例如,對具有不同隱含層數(shù)模型結(jié)果的MAPE之間進(jìn)行t檢驗(yàn),滑動窗口長度應(yīng)當(dāng)保持相同。如果計(jì)算的p值低于統(tǒng)計(jì)顯著性水平,則拒絕零假設(shè)并接受備擇假設(shè)(二者具有顯著性差異)。

        表5 滑動窗口長度為2、4或8 h的模型結(jié)果的 MAPE之間的進(jìn)行t檢驗(yàn)的p值

        表6 隱含層數(shù)為4或8的模型結(jié)果的 MAPE之間的進(jìn)行t檢驗(yàn)的p值

        使用4個(gè)數(shù)據(jù)集訓(xùn)練得到的模型計(jì)算的MAPE的箱線圖如圖2所示。本文在圖2中分別用方框突出顯示了由數(shù)據(jù)集A~D分別訓(xùn)練得到的最佳模型,其MAPE分布最為集中并且具有最小中位數(shù)。根據(jù)圖2,“NARX_4_4”模型在數(shù)據(jù)集A、C和D上的MAPE均最為集中且具有最小的中位數(shù)。而在數(shù)據(jù)集B上只有“NARX_4_8”模型略好于“NARX_4_4”模型,而其他4個(gè)模型均較差。因此,由圖2可以得出,“NARX_4_4”模型是最佳模型。

        比較具有不同隱含層數(shù)的模型結(jié)果,具有4個(gè)隱含層的模型的MAPE和RMSE分別略小于具有8個(gè)隱含層的模型。此外,t檢驗(yàn)的所有結(jié)果顯示統(tǒng)計(jì)學(xué)上沒有顯著差異性,這意味著增加神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)量不是提高熱負(fù)荷預(yù)測精度的有效方式。隱含層數(shù)為8層時(shí),NARX神經(jīng)網(wǎng)絡(luò)可能過擬合; 同時(shí),當(dāng)隱含層數(shù)增加時(shí),模型的訓(xùn)練時(shí)間將成倍數(shù)地延長。本文選擇擁有4個(gè)隱含層的NARX神經(jīng)網(wǎng)絡(luò)。

        圖2 短時(shí)熱負(fù)荷預(yù)測中使用4個(gè)數(shù)據(jù)集訓(xùn)練模型的 MAPE繪制的箱線圖

        比較具有不同滑動窗口長度的模型結(jié)果,具有4 h滑動窗口的神經(jīng)網(wǎng)絡(luò)的MAPE和RMSE小于具有2或8 h滑動窗口的神經(jīng)網(wǎng)絡(luò);同時(shí),t檢驗(yàn)的結(jié)果表明2和4 h滑動窗口的分布不具有統(tǒng)計(jì)學(xué)顯著差異性;然而,2和8、4和8 h滑動窗的分布具有統(tǒng)計(jì)學(xué)顯著性差異,所以時(shí)間窗口長度為2或4 h的NARX神經(jīng)網(wǎng)絡(luò)顯著優(yōu)于時(shí)間窗口長度為8 h的NARX神經(jīng)網(wǎng)絡(luò),但前兩者并沒有顯著區(qū)別。根據(jù)圖2中的箱線圖,時(shí)間窗口長度為4 h的NARX神經(jīng)網(wǎng)絡(luò)好于時(shí)間窗口長度為2 h的NARX神經(jīng)網(wǎng)絡(luò)。本文選擇4 h作為滑動窗口長度。

        綜上所述,NARX神經(jīng)網(wǎng)絡(luò)的最佳參數(shù)是4 h時(shí)間窗口和4隱含層,即“NARX_4_4”模型是最佳模型,此模型將被用于接下來的實(shí)驗(yàn)中。

        2.2 模型比較

        本節(jié)通過短時(shí)熱負(fù)荷預(yù)測將2.1節(jié)中選擇的最優(yōu)NARX神經(jīng)網(wǎng)絡(luò)模型“NARX_4_4”與線性回歸模型、支持向量回歸模型和神經(jīng)網(wǎng)絡(luò)模型等多種時(shí)間序列預(yù)測模型進(jìn)行比較。其中,線性回歸模型選擇帶有外部輸入的整合自回歸滑動平均(AutoRegressive Integrated Moving Average with eXogenous input, ARIMAX)模型[25]、支持向量回歸模型選擇libsvm工具箱實(shí)現(xiàn)的epsilon-SVR[26]、神經(jīng)網(wǎng)絡(luò)選擇前饋神經(jīng)網(wǎng)絡(luò)[18]。前饋神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)和隱含層節(jié)點(diǎn)數(shù)分別設(shè)置為4和15,與NARX神經(jīng)網(wǎng)絡(luò)相同。所有模型的時(shí)間窗口長度均設(shè)置為4 h。在短時(shí)熱負(fù)荷預(yù)測中,2008- 10至2009- 02(5個(gè)月)的數(shù)據(jù)用于模型訓(xùn)練,2009- 03(1個(gè)月)的數(shù)據(jù)用于模型驗(yàn)證。

        表7展示了每個(gè)模型在4個(gè)數(shù)據(jù)集上得到的實(shí)驗(yàn)結(jié)果計(jì)算所得的MAPE和RMSE的均值,每個(gè)模型在每個(gè)數(shù)據(jù)集上均重復(fù)訓(xùn)練10次。本文使用加粗效果突出顯示由同一數(shù)據(jù)集訓(xùn)練的模型的MAPE和RMSE的最小均值。從表7中可以看出:ARIMAX模型在4個(gè)數(shù)據(jù)集上的熱負(fù)荷預(yù)測性能均為最差,MAPE均大于11%,RMSE均大于43,也就是說線性回歸模型并不適合于預(yù)測快速變化的小時(shí)熱負(fù)荷數(shù)據(jù);同時(shí),epsilon-SVR和前饋神經(jīng)網(wǎng)絡(luò)的熱負(fù)荷預(yù)測性能較好,而后者略好于前者;NARX神經(jīng)網(wǎng)絡(luò)在4個(gè)數(shù)據(jù)集上的熱負(fù)荷預(yù)測性能均為最優(yōu),并且MAPE和RMSE均遠(yuǎn)小于其他模型。

        因此,與其他三種模型相比,NARX神經(jīng)網(wǎng)絡(luò)更適合用于熱負(fù)荷預(yù)測。眾所周知,當(dāng)神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)足夠多時(shí),神經(jīng)網(wǎng)絡(luò)可以用于擬合任意非線性函數(shù)映射,并且具有較強(qiáng)的泛化性能,因此,相對于傳統(tǒng)機(jī)器學(xué)習(xí)模型,例如線性回歸模型和支持向量回歸模型,由于神經(jīng)網(wǎng)絡(luò)可以有效擬合快速變化的小時(shí)熱負(fù)荷數(shù)據(jù),神經(jīng)網(wǎng)絡(luò)的熱負(fù)荷預(yù)測性能較高;同時(shí),由于熱負(fù)荷數(shù)據(jù)具有一定的準(zhǔn)周期特性,循環(huán)神經(jīng)網(wǎng)絡(luò)相對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),例如前饋神經(jīng)網(wǎng)絡(luò)可以更好地?cái)M合熱負(fù)荷數(shù)據(jù)在時(shí)間上的準(zhǔn)周期特性,因此,作為循環(huán)神經(jīng)網(wǎng)絡(luò)的一種,NARX神經(jīng)網(wǎng)絡(luò)在熱負(fù)荷預(yù)測性能優(yōu)于前饋神經(jīng)網(wǎng)絡(luò)。上述實(shí)驗(yàn)結(jié)果和分析表明,NARX神經(jīng)網(wǎng)絡(luò)相對于其他模型更適合用于熱負(fù)荷預(yù)測。

        2.3 長時(shí)熱負(fù)荷預(yù)測

        在長時(shí)熱負(fù)荷預(yù)測中,2010年(1年)、2009 — 2010年(2年)和2008 — 2010年(3年)的數(shù)據(jù)分別對“NARX_4_4”模型進(jìn)行訓(xùn)練,并將訓(xùn)練好的模型命名為“NARX_1”“NARX_2”“NARX_3”;2011年(1年)用于模型驗(yàn)證。每個(gè)模型分別使用數(shù)據(jù)集A~D訓(xùn)練10次,以分析長時(shí)熱負(fù)荷預(yù)測的誤差分布情況。

        每個(gè)模型得到的實(shí)驗(yàn)結(jié)果計(jì)算所得的MAPE和RMSE的均值和方差如表8和表9所示。本文使用加粗效果突出顯示由同一數(shù)據(jù)集訓(xùn)練的模型的MAPE和RMSE的最小均值和方差。對于每個(gè)實(shí)驗(yàn)組的預(yù)測結(jié)果,MAPE的平均值在6%和8%之間,RMSE的平均值在[15, 18]。每組實(shí)驗(yàn)的預(yù)測的MAPE的方差小于2.00E-05,并且大多數(shù)RMSE的方差小于1。“NARX_3”模型的MAPE在4個(gè)數(shù)據(jù)集上均低于“NARX_1”和“NARX_2”模型,然而,“NARX_3”模型的RMSE與“NARX_2”模型基本相等,且均低于“NARX_1”模型。

        表7 多種時(shí)間序列預(yù)測模型的熱負(fù)荷性能比較

        表8 長時(shí)熱負(fù)荷預(yù)測中MAPE的均值和方差

        不同模型的MAPE之間的t檢驗(yàn)得到的p值如表10所示,統(tǒng)計(jì)顯著性水平為0.05(α= 0.05)。t檢驗(yàn)的結(jié)果表明,具有不同訓(xùn)練集大小的模型的MAPE的分布具有統(tǒng)計(jì)學(xué)顯著差異性。

        表10 長時(shí)熱負(fù)荷預(yù)測中不同模型的MAPE之間的t檢驗(yàn)得到的p值

        使用4個(gè)數(shù)據(jù)集訓(xùn)練的每個(gè)模型的MAPE箱線圖如圖3所示。由圖3可以看出,“NARX_3”模型的MAPE在4個(gè)數(shù)據(jù)集上均最為集中且具有最小的中位數(shù),這表明當(dāng)使用更多的訓(xùn)練數(shù)據(jù)來訓(xùn)練模型時(shí),可以獲得更高的預(yù)測精度和模型穩(wěn)定性。

        圖3 長時(shí)熱負(fù)荷預(yù)測中使用4個(gè)數(shù)據(jù)集訓(xùn)練模型的 MAPE繪制的箱線圖

        比較具有不同訓(xùn)練集大小模型的結(jié)果,使用越大的訓(xùn)練集來訓(xùn)練熱負(fù)荷預(yù)測模型,MAPE和RMSE越小。當(dāng)使用1年數(shù)據(jù)訓(xùn)練模型時(shí),MAPE大于6.7%,RMSE大于16;當(dāng)使用2年數(shù)據(jù)訓(xùn)練模型時(shí),MAPE和RMSE分別降低到6.5%和15.5;當(dāng)使用3年數(shù)據(jù)訓(xùn)練模型時(shí),MAPE和RMSE分別降低到6.4%和15.3。t檢驗(yàn)的結(jié)果表明,具有不同訓(xùn)練集大小的模型的MAPE的分布具有統(tǒng)計(jì)學(xué)顯著差異性, 這意味著增加訓(xùn)練集的數(shù)量可以有效提高熱負(fù)荷預(yù)測精度,即有效降低MAPE和RMSE。

        基于實(shí)驗(yàn)結(jié)果,本文選擇“NARX_3”模型來分析影響因素的對熱負(fù)荷預(yù)測的影響。

        2.4 影響因素分析

        本文使用數(shù)據(jù)集A~D的數(shù)據(jù)訓(xùn)練“NARX_3”模型,并將訓(xùn)練好的模型命名為“NARX_A”“NARX_B”“NARX_C”和“NARX_D”。它們分別使用熱負(fù)荷和溫度數(shù)據(jù),熱負(fù)荷、溫度和直接太陽輻射數(shù)據(jù),熱負(fù)荷、溫度和風(fēng)速數(shù)據(jù),熱負(fù)荷、溫度、直接太陽輻射和風(fēng)速數(shù)據(jù)作為輸入,如表11所示。本文只展示2011- 01- 10 — 11的熱負(fù)荷數(shù)據(jù)的真實(shí)值和預(yù)測值(單位:兆瓦特(Million Watt, MW))曲線作為示例,如圖4所示??梢詮膱D4中看出,雖然4個(gè)數(shù)據(jù)集上的預(yù)測值較為接近,但是數(shù)據(jù)集D對應(yīng)的預(yù)測值相對于其他數(shù)據(jù)集的預(yù)測值更接近實(shí)際熱負(fù)荷數(shù)據(jù),即“NARX_D”模型的誤差相對較小,對應(yīng)的MAPE和RMSE如表11所示。

        圖4 2011- 01- 10 — 11熱負(fù)荷數(shù)據(jù)的真實(shí)值和預(yù)測值曲線

        模型MAPE/%RMSE模型MAPERMSENARX_A6.4916.80NARX_C6.3715.22NARX_B6.4115.63NARX_D6.3514.92

        根據(jù)實(shí)驗(yàn)結(jié)果,所有模型都能夠反映熱負(fù)荷變化,MAPE均小于7%,RMSE均小于17,其中“NARX_D”模型具有最佳熱負(fù)荷預(yù)測精度。引入直接太陽輻射和風(fēng)速對NARX神經(jīng)網(wǎng)絡(luò)的性能有積極影響,因?yàn)椤癗ARX_B”“NARX_C”和“NARX_D”模型分別具有比“NARX_A”模型更小的MAPE和RMSE,因此,直接太陽輻射和風(fēng)速都是影響熱負(fù)荷的重要影響因素。相比之下,由于“NARX_C”模型具有比“NARX_B”模型更低的MAPE和RMSE,引入風(fēng)速對于提高熱負(fù)荷預(yù)測精度有更大幫助, 這意味著風(fēng)速是一個(gè)更重要的參數(shù); 同時(shí),由于“NARX_D”模型具有最佳的熱負(fù)荷預(yù)測性能,當(dāng)引入風(fēng)速和直接太陽輻射可進(jìn)一步提高模型精度。

        絕對百分比誤差(Absolute Percentage Error, APE)的分布如圖5所示。對于所有模型,大多數(shù)APE誤差(>60%)在-5%~5%。不過,值得注意的是,盡管“NARX_A”具有最高的MAPE,但APE在-5%~5%的范圍內(nèi)的數(shù)據(jù)點(diǎn)數(shù)也是最多的。同時(shí),還有很多數(shù)據(jù)點(diǎn)對于熱負(fù)荷的估計(jì)過低。

        圖5 APE的分布

        3 結(jié)語

        環(huán)境溫度、直接太陽輻射和風(fēng)速已被確定為預(yù)測建筑物熱負(fù)荷的關(guān)鍵影響因素。為了了解不同因素的影響,本文將NARX神經(jīng)網(wǎng)絡(luò)模型用于區(qū)域供熱網(wǎng)絡(luò)中的熱負(fù)荷預(yù)測,引入不同影響因素的數(shù)據(jù)集進(jìn)行NARX神經(jīng)網(wǎng)絡(luò)訓(xùn)練,并通過多組實(shí)驗(yàn)對這些NARX神經(jīng)網(wǎng)絡(luò)的熱負(fù)荷預(yù)測性能進(jìn)行了比較。根據(jù)實(shí)驗(yàn)結(jié)果,可以得出以下結(jié)論:

        1)NARX神經(jīng)網(wǎng)絡(luò)能夠用于熱負(fù)荷預(yù)測。本文選擇4 h作為滑動窗口長度并且使用4個(gè)隱含層的NARX神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)。當(dāng)引入環(huán)境溫度作為唯一的影響因素時(shí),MAPE小于7%。

        2)一般來說,引入風(fēng)速在內(nèi)的NARX神經(jīng)網(wǎng)絡(luò)的總體MAPE(6.37%)比引入直接太陽輻射(6.41%)更低,并且也擁有較低的RMSE,這意味著風(fēng)速是一個(gè)更重要的影響因素。

        3)引入風(fēng)速和直接太陽輻射能夠得到最佳的模型性能(MAPE = 6.35%),然而,相對于只引入環(huán)境溫度,同時(shí)引入風(fēng)速和直接太陽輻射對于降低MAPE和RMSE的貢獻(xiàn)較小,所以同時(shí)引入風(fēng)速和直接太陽輻射不能有效提高NARX神經(jīng)網(wǎng)絡(luò)的模型精度。

        出現(xiàn)上述情況可能是由于以下原因:

        1)一個(gè)因素的對于供熱負(fù)荷影響已經(jīng)包含在另一個(gè)因素中(例如,溫度可能反映風(fēng)速對熱負(fù)荷的影響),因此,不必在分析中包含更多的冗余信息。我們將在以后的研究中進(jìn)行進(jìn)一步的驗(yàn)證。

        2)對于NARX神經(jīng)網(wǎng)絡(luò),集成多種影響因素有不同的方法。為了進(jìn)一步改善NARX神經(jīng)網(wǎng)絡(luò),可以采用其他影響因素融合方法。例如,利用分層神經(jīng)網(wǎng)絡(luò)的原理,可以分別對多個(gè)具有單一因素的NARX神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后將這些經(jīng)過訓(xùn)練的NARX神經(jīng)網(wǎng)絡(luò)組合起來,以獲得新的模型進(jìn)行預(yù)測。

        3)數(shù)據(jù)不連續(xù)性和異常值,包括加性離群值、水平位移等,是影響數(shù)據(jù)質(zhì)量的因素,也可能影響熱負(fù)荷預(yù)測的性能[27], 因此,有必要提高獲得數(shù)據(jù)的質(zhì)量。在未來的工作中,應(yīng)在模型訓(xùn)練和驗(yàn)證之前對實(shí)際熱負(fù)荷數(shù)據(jù)的質(zhì)量進(jìn)行評估。

        猜你喜歡
        太陽輻射層數(shù)滑動
        填筑層數(shù)對土石壩應(yīng)力變形的影響研究
        上海發(fā)布藥品包裝物減量指南
        康復(fù)(2022年31期)2022-03-23 20:39:56
        邯鄲太陽輻射時(shí)空分布特征
        MoS2薄膜電子性質(zhì)隨層數(shù)變化的理論研究
        電子制作(2019年11期)2019-07-04 00:34:50
        一種新型滑動叉拉花鍵夾具
        Big Little lies: No One Is Perfect
        基于PCA 的太陽輻射觀測算法研究
        太陽輻射作用下鋼筒倉結(jié)構(gòu)溫度場分析研究
        住在哪一層
        洛陽地區(qū)太陽輻射變化特征及影響因子分析
        河南科技(2015年11期)2015-03-11 16:25:00
        中文AV怡红院| 女人被狂躁c到高潮| 亚洲国产激情一区二区三区| 国产系列丝袜熟女精品视频| 伊人狼人影院在线视频| 国产自拍高清在线观看| 国产精品无码成人午夜电影| 亚洲av日韩av综合aⅴxxx| 精品国产三级国产av| 先锋影音人妻啪啪va资源网站| 无套内射无矿码免费看黄| 精品亚洲欧美高清不卡高清| 亚洲一区亚洲二区中文字幕| 精品免费国产一区二区三区四区| 欧美性猛交内射兽交老熟妇| 高清一级淫片a级中文字幕| 国产一区二区三区亚洲| 久久天天躁狠狠躁夜夜躁2014| 亚洲欧美国产日韩制服bt| 视频一区二区三区中文字幕狠狠| 粉嫩国产av一区二区三区| 亚洲 另类 日韩 制服 无码| 久久久久久久98亚洲精品| 69久久精品亚洲一区二区| 热99re久久精品这里都是精品免费| 亚洲av无码男人的天堂在线| 亚洲最稳定资源在线观看| 国语对白在线观看免费| 50岁退休熟女露脸高潮| 国产短视频精品区第一页| 亚洲最大不卡av网站| 狠狠的干性视频| 色丁香色婷婷| 国产精品黄色av网站| 在线中文字幕乱码英文字幕正常| 久久人人爽人人爽人人av东京热| 色偷偷av一区二区三区人妖| 手机在线观看免费av网站| 少妇高清精品毛片在线视频| 国内视频一区| 中文字幕久久久人妻人区|