吳康福

（廣東理工學院,廣東 肇慶 526100）

1 引言

當前，國內(nèi)建筑數(shù)量不斷增加，供熱面積隨之增長，熱能消耗逐年遞增。據(jù)調(diào)查，我國“三北”地區(qū)單純供熱消耗能量占全國總熱能消耗量的28.5%。在自控技術(shù)不斷成熟的背景下，供熱管網(wǎng)投資量不斷增加，集中供熱管網(wǎng)內(nèi)部結(jié)構(gòu)復雜，要想精準地計算系統(tǒng)熱負荷預測值，促進其運行效率提高，可將模糊神經(jīng)網(wǎng)絡引入其中，對負荷數(shù)據(jù)預處理后，將仿真結(jié)果應用到實際工作中，對減少熱能消耗、促進節(jié)能環(huán)保具有重大意義。

2 供熱負荷預測主要流程

通常情況下，供熱負荷在建筑內(nèi)外因素影響下會發(fā)生改變。內(nèi)部主要受照明設備、人體熱量、電氣熱量等影響，外部受結(jié)構(gòu)傳入熱量、太陽輻射等因素影響。在上述因素中，內(nèi)因相對穩(wěn)定，波動較小，外因隨季節(jié)波動影響較大，數(shù)值變化相對較大。在供熱負荷預測中，應創(chuàng)建一個完整準確的數(shù)據(jù)庫，要結(jié)合供熱系統(tǒng)運行情況進行信息采集，利用不同傳感器采集回水、供水等溫度信息與流量、壓差等信息。根據(jù)采集的數(shù)據(jù)獲得供熱系統(tǒng)每日遞增的實際負荷與氣象資料，將其存儲到數(shù)據(jù)庫中，便于訓練數(shù)據(jù)使用。為提高負荷預測準確性，針對歷史數(shù)據(jù)進行智能運算十分可行，預測流程如下：

首先，采集歷史負荷數(shù)據(jù)，對其適當預處理后，供訓練網(wǎng)絡時使用；創(chuàng)建網(wǎng)絡，根據(jù)模糊規(guī)則與隸屬度函數(shù)，用函數(shù)表示神經(jīng)網(wǎng)絡的權(quán)值，通過創(chuàng)建神經(jīng)網(wǎng)絡進行模糊推理。

其次，通過訓練樣本數(shù)據(jù)，利用學習算法修正網(wǎng)絡權(quán)值，使隸屬函數(shù)值得以優(yōu)化，由此獲得高精度的模糊規(guī)則；保存修正完的模糊規(guī)則，在此基礎上實施模糊推理。將測試樣本輸入后，采用訓練完畢的模型預測，便可得到準確的預測值。

再次，將干預項、氣象數(shù)據(jù)等因素引入其中，對負荷外部約束量進行干擾，通過網(wǎng)絡分析模型進行訓練的負荷數(shù)據(jù)集合，并創(chuàng)建與之匹配的基準日數(shù)據(jù)庫，利用其預測日負荷數(shù)據(jù)庫生成基準約束，由此提高預測結(jié)果精確度。模糊網(wǎng)絡作為整個預測的中心，可對日負荷值進行智能分析，并通過功能模塊繪制負荷波動曲線，最大限度地控制誤差產(chǎn)生，為供熱人員制定科學高效的運行方案提供極大便利[1]。

3 供熱負荷預測下的神經(jīng)網(wǎng)絡模型創(chuàng)建

3.1 基本思想

模糊系統(tǒng)是在模糊邏輯基礎上，與人類思維相接近的自然語言形式。系統(tǒng)核心在于規(guī)則集。經(jīng)過大量研究表明，與傳統(tǒng)方式相比，模糊系統(tǒng)所得結(jié)果更加精準高效。當信息源受不確定因素影響時，可采用模糊系統(tǒng)的方式取得可喜成果。在供熱負荷預測中，可根據(jù)采集的數(shù)據(jù)信息，創(chuàng)建神經(jīng)網(wǎng)絡模型，如圖1所示，并通過優(yōu)化調(diào)整模型使預測結(jié)果更加準確。圖中，x1～xn代表輸入信號，ωj1～ωjn代表神經(jīng)元 j 的取值，uj代表線性組合結(jié)果，θj代表閾值，代表激活函數(shù)，yi代表神經(jīng)元i的輸出值。受不確定因素影響，基本不會得到百分百的準確度，因此要求預測精度控制在90%以上，便可消除熱水流量控制時滯性，取得理想的預測結(jié)果[2]。

圖1 神經(jīng)網(wǎng)絡模型

3.2 傳輸變量選取

在負荷預測中，輸入變量選擇將直接影響預測效果。在實際工作中，可結(jié)合有待解決的問題類型與數(shù)據(jù)表達形式，確定輸入變量的數(shù)量與類型。在變量選取中，盡可能選用與供熱負荷有所關聯(lián)的元素。針對建筑供暖研究后，發(fā)現(xiàn)熱能消耗的影響要素較多，最為直接的便是室外氣溫，而建筑類型與維護結(jié)構(gòu)特點會對能耗產(chǎn)生較大影響。對此，可將影響因素分成三種類型，即建筑類、氣候類與人為類。在操作中因歷史數(shù)據(jù)采集難度較大，且大量因素參與建模會增加計算量，在長期訓練下影響數(shù)值準確率。對此，在變量選擇時應有所側(cè)重，注意組合搭配，盡量減少輸入變量。在本研究中，選取室外溫度、天氣狀況、時間與預測日前一天相同時段供水量作為輸入變量。因模糊網(wǎng)絡輸入變量與輸入層節(jié)點相同，即輸入層節(jié)點為4個。在輸出變量方面，供熱系統(tǒng)的控制方案眾多，在輸出變量選擇時，可結(jié)合運行方案選擇相應的輸出。在本預測模型中，以供熱負荷為輸出變量，且輸出層的神經(jīng)元具有唯一性。

3.3 學習步驟

針對權(quán)系統(tǒng)進行修正，利用誤差反向傳播梯度降低方式進行優(yōu)化，使網(wǎng)絡輸出值與欲望值更加相似。四個輸入信號分別設定為時間（X1）、室外情況（X2）、天氣狀況（X3）與供水流量（X—4）。因輸入信號特性不同，數(shù)值也存在一定差距，即，i取值范圍為1到n，n為輸入量個數(shù)，取值為4；y的上角標為層數(shù)，可根據(jù)層次不同進行調(diào)換。在模糊網(wǎng)絡學習中，主要步驟如下：

第一步：初始化操作。根據(jù)w、c與各物理量意義，使初始權(quán)值范圍得到確定，設置誤差極限Emin在0到1之間，初始學習率范圍也為0到1，訓練計數(shù)器(l)為1，樣本計數(shù)器(p)為1。本研究利用自適應調(diào)整學習率，創(chuàng)建模糊網(wǎng)絡，設置常數(shù)λ1的取值范圍為0到1，λ2的范圍超過1。隨機選出一組訓練模式，即，將其傳輸?shù)骄W(wǎng)絡；利用輸入模式與連接權(quán)，對第二、三層的神經(jīng)元傳輸值進行計算，實現(xiàn)輸入變量模糊化目標。

第二步：在模糊規(guī)則推理應用下，利用上一步推理到的第三層神經(jīng)元數(shù)值，對下一層傳輸值進行計算，完成模糊推理。根據(jù)第四層傳輸值，對實際輸出供熱符合進行計算。

第三步：對預期輸出模式與實際輸出模式對比，通過修正公式計算修正值；對本次訓練總誤差進行計算，如若總誤差超過ERET，則。網(wǎng)絡隨機選出下一個學習模式，返回上第二步，直至l值與p值相同，即全部模式均訓練完畢。在全部學習模式中隨機選擇一個，當ERET數(shù)值小于Emin時，學習結(jié)束。

4 模糊神經(jīng)網(wǎng)絡基礎上的供熱負荷預測模型應用

4.1 負荷數(shù)據(jù)預處理

在負荷建模期間，應以大量歷史信息為基礎進行訓練與預測。但采集獲得的數(shù)據(jù)可能因系統(tǒng)故障、設備精度誤差、人為錯誤操作等因素，導致不良數(shù)據(jù)混入其中，在實際訓練中會對負荷變化規(guī)律創(chuàng)建造成影響，進而增加神經(jīng)網(wǎng)絡誤差，甚至導致預測算法無法收斂。對此，可通過預處理的方式，將此類不完美數(shù)據(jù)進行修正或剔除。將采集的歷史信息創(chuàng)建成一個矩陣，設置為X（i,j），其中，i的取值范圍為1到n，n是指記錄數(shù)據(jù)時刻；j是指記錄數(shù)據(jù)天數(shù)；辨別值取1.1，對各行均值、偏離率與方差進行計算。對比辨別值與偏離率的大小，如若前者大于后者，則以X（i,j）為樣本；如若前者小于后者，則X（i,j）便是不完美數(shù)據(jù)，可用其前一段或后一段的均值替代，此舉可有效規(guī)避不完美數(shù)據(jù)帶來的誤差。

4.2 仿真分析

4.2.1 傳輸參數(shù)歸一化

在供熱系統(tǒng)中，影響負荷的信號類型有所區(qū)別，既包括模糊信號，還包括準確的數(shù)值信號。對此，應對模糊信號統(tǒng)一處理，使其變?yōu)閿?shù)值信號后輸入網(wǎng)絡中。為使輸出量變化更加顯著，可采用Sigmoid函數(shù)，對內(nèi)部審計網(wǎng)絡中的各個傳輸值均進行歸一化處理，即將所需數(shù)據(jù)預處理后，使其處于所需范圍內(nèi)，這樣不但便于后續(xù)數(shù)據(jù)處理，還可加速程序運行收斂。在輸入層中，可利用以下公式對原始數(shù)據(jù)進行換算，將其變?yōu)閇-1,+1]區(qū)間的值。

式中，x代表原始信息，xmax代表原始最大值，xmin代表原始最小值，y代表歸一后的數(shù)據(jù)。在歸一處理后，數(shù)據(jù)在神經(jīng)網(wǎng)絡中自動實現(xiàn)模糊目標，輸出信號在去模糊后輸出。因數(shù)據(jù)庫內(nèi)信息每間隔15 min采集一次，且標預測值為每小時預測結(jié)果，在樣本訓練時可將每4個值取均值后，再投入訓練中。

4.2.2 樣本訓練

通過BP算法創(chuàng)建神經(jīng)網(wǎng)絡，由網(wǎng)絡自己運算后修正學習率，主要參數(shù)設置為λ1為0.5，λ2為1.3，學習率的數(shù)值為0.05，誤差極值為10-5，訓練頻率最大值為1 500，樣本與訓練次數(shù)計數(shù)器均為1。將樣本集合引入神經(jīng)網(wǎng)絡中，通過反復訓練對內(nèi)部結(jié)構(gòu)進行調(diào)整，獲得連接權(quán)，并以輸入測試為樣本信息，得出負荷預測值。在選擇隸屬度函數(shù)時，可結(jié)合專家經(jīng)驗，對前一段隸屬度函數(shù)值進行設定，當權(quán)值wlk位于[0,1]范圍內(nèi)時，可選取某個數(shù)作為初始值。采用MATLAB進行網(wǎng)絡訓練，經(jīng)過反復測試表明，傳輸數(shù)值間的誤差值、學習率在持續(xù)訓練中得以確定。將960個（10×24×4）樣本投入到訓練中，由此創(chuàng)建模糊神經(jīng)網(wǎng)絡，可實現(xiàn)學習訓練與測試目標。

4.2.3 預測結(jié)果

某日24小時樣本數(shù)據(jù)：在1 h時，室外溫度為-15 ℃，前一天同時段供水量為0.7 m3，供熱負荷為582.6 kJ/h；在5 h時，室外溫度為-15 ℃，前一天同時段供水量為0.6 m3，供熱負荷為582.3 kJ/h；在10 h時，室外溫度為-13 ℃，前一天同時段供水量為0.7 m3，供熱負荷為579.5 kJ/h；在15 h時，室外溫度為-11 ℃，前一天同時段供水量為0.6 m3，供熱負荷為576.4 kJ/h；在20 h時，室外溫度為-14 ℃，前一天同時段供水量為0.6 m3，供熱負荷為579.6 kJ/h；在24 h時，室外溫度為-15 ℃，前一天同時段供水量為0.7 m3，供熱負荷為583.8 kJ/h。模糊神經(jīng)網(wǎng)的預測結(jié)果如圖2所示。預測值與實際值基本相符，誤差控制在3%內(nèi)，可充分滿足預期要求。

圖2 模糊神經(jīng)網(wǎng)絡預測結(jié)果

為了提高神經(jīng)網(wǎng)絡效果，對系統(tǒng)負荷進行單一預測，將預測結(jié)果與神經(jīng)網(wǎng)絡預測結(jié)果進行對比，如圖3所示。根據(jù)該圖可知，單一神經(jīng)網(wǎng)絡預測誤差最大值約為6%，與神經(jīng)網(wǎng)絡模型相比誤差較小，準確性更強。由此可見，模糊神經(jīng)網(wǎng)絡在負荷預測中十分準確且可行。

圖3 預測誤差對比

4.3 預測結(jié)果應用

根據(jù)上文的預測結(jié)果，將其應用到指導控制之中，使建筑功能符合用戶需求的基礎上，最大限度地減少能源浪費。用預測結(jié)果指導實踐，提前采取科學高效的系統(tǒng)控制措施，可有效減少系統(tǒng)滯后性造成的能源浪費。

在供熱管工作中，熱量需要經(jīng)過長距離傳輸才可到達住戶家中，導致熱量傳輸出現(xiàn)一定的延遲。在一次網(wǎng)系統(tǒng)敷設中，距離相對較長，區(qū)域跨度較大，各熱力站熱量傳輸延遲較為顯著。為彌補這一缺陷，可對管網(wǎng)后續(xù)熱負荷進行預測，根據(jù)預測的負荷對網(wǎng)管供水量、溫度進行分析，減少熱量傳輸延時，使其傳輸?shù)礁鳠崃φ镜臅r間剛好滿足負荷需求。

5 結(jié)論

模糊神經(jīng)網(wǎng)絡適用于復雜系統(tǒng)建模，可將其應用到供熱負荷預測中進行學習和訓練。根據(jù)實驗結(jié)果表明，通過自適應調(diào)節(jié)法的應用可增強網(wǎng)絡權(quán)值訓練效果，加快訓練速度與收斂過程，使預測模型更加精準高效，減少預測誤差產(chǎn)生。在實際應用中，通過對系統(tǒng)中供水溫度與流量進行計算，使供水量始終較低，水溫差則始終較大，真正實現(xiàn)按需供熱目標。