鄭非凡， 王 旭， 許 野， 李 薇， 包 哲

（1.華北電力大學(xué)環(huán)境科學(xué)與工程學(xué)院，北京 102206；2.華北電力大學(xué)核科學(xué)與工程學(xué)院，北京 102206）

燃?xì)廨啓C(jī)作為分布式能源系統(tǒng)中的核心設(shè)備，其技術(shù)的成熟對(duì)智能電網(wǎng)的發(fā)展具有重要意義［1］。發(fā)電量作為燃?xì)廨啓C(jī)主要性能評(píng)價(jià)指標(biāo)之一，構(gòu)建燃?xì)廨啓C(jī)仿真模型，準(zhǔn)確估算發(fā)電量，是完成以燃?xì)廨啓C(jī)為主體設(shè)備的分布式冷-熱-電聯(lián)供系統(tǒng)容量配置和運(yùn)行優(yōu)化的關(guān)鍵環(huán)節(jié)。目前，常用的燃?xì)廨啓C(jī)建模方法主要包括機(jī)理建模和智能預(yù)測(cè)算法建模2類。任昱寧等［2］以某燃?xì)廨啓C(jī)的實(shí)際運(yùn)行數(shù)據(jù)為基礎(chǔ)，建立了機(jī)理模型。李鴻揚(yáng)等［3］基于Simulink軟件提出了燃?xì)廨啓C(jī)的簡(jiǎn)化機(jī)理模型，在提高仿真效率的同時(shí)提升了建模精度。Tzolakis等［4］基于燃?xì)廨啓C(jī)機(jī)理模型，結(jié)合規(guī)劃算法，優(yōu)化了燃?xì)廨啓C(jī)的熱效率和能源利用率。以上研究成果表明，燃?xì)廨啓C(jī)機(jī)理模型具備一定的可行性和實(shí)用性。但是以燃?xì)廨啓C(jī)較為復(fù)雜的模塊為建模對(duì)象時(shí)，可能會(huì)存在設(shè)備運(yùn)行參數(shù)和能量流動(dòng)關(guān)系不易確定以及過程難以識(shí)別等問題［5］；另外，燃?xì)廨啓C(jī)的性能參數(shù)會(huì)隨著外界環(huán)境的變化而發(fā)生變化，導(dǎo)致其特性曲線存在較大誤差，影響機(jī)理建模的準(zhǔn)確度［6］。近年來，智能預(yù)測(cè)模型發(fā)展迅速，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林等人工智能技術(shù)開始不斷出現(xiàn)，并應(yīng)用到很多領(lǐng)域中［7-8］。李俊坤等［9］運(yùn)用非線性自回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建了燃?xì)廨啓C(jī)仿真模型。張兆宇等［10］分別選取局部回歸網(wǎng)絡(luò)（Elman）和非線性自回歸神經(jīng)網(wǎng)絡(luò)（NARX）對(duì)重型燃?xì)廨啓C(jī)進(jìn)行建模，預(yù)測(cè)結(jié)果顯示NARX模型更優(yōu)。徐思雨等［11］使用支持向量機(jī)對(duì)壓氣機(jī)進(jìn)行仿真建模。Lazzaretto等［12］使用神經(jīng)網(wǎng)絡(luò)算法對(duì)穩(wěn)定工況條件下燃?xì)廨啓C(jī)的發(fā)電量進(jìn)行了預(yù)測(cè)。雖然智能預(yù)測(cè)算法只需考慮燃?xì)廨啓C(jī)的關(guān)鍵輸入和輸出變量，省去了中間許多復(fù)雜的過程參數(shù)，簡(jiǎn)化了建模過程，在足夠多的訓(xùn)練樣本與訓(xùn)練次數(shù)的條件下，可以表現(xiàn)出較高的精度和擬合優(yōu)度［13］，但是對(duì)樣本數(shù)量的過高要求、容易出現(xiàn)過擬合及物理機(jī)制的缺失可能會(huì)影響智能預(yù)測(cè)模型建模的準(zhǔn)確度［14］。

針對(duì)上述機(jī)理模型和智能預(yù)測(cè)模型存在的局限性，為提高燃?xì)廨啓C(jī)的建模精度，實(shí)現(xiàn)機(jī)理與智能預(yù)測(cè)算法組合的融合算法逐漸得到應(yīng)用。李景軒等［15］基于機(jī)理和BP神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)了3種燃?xì)廨啓C(jī)智能融合模型，對(duì)比單一的機(jī)理模型，混合模型的精度更高。包哲［16］基于BP神經(jīng)網(wǎng)絡(luò)和機(jī)理建模理論，建立了燃?xì)廨啓C(jī)智能融合模型，有效解決了機(jī)理模型中動(dòng)力學(xué)知識(shí)缺失和參數(shù)難以獲取的問題。王慧杰等［17］采用機(jī)理-粒子群融合建模方法，通過擬合得到不同工況下燃?xì)廨啓C(jī)負(fù)荷與排氣溫度之間的關(guān)系。陳道君等［18］采用最優(yōu)權(quán)重系數(shù)法將整合移動(dòng)平均自回歸時(shí)間序列預(yù)測(cè)模型、BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)和支持向量回歸機(jī)4種單一預(yù)測(cè)模型進(jìn)行融合并構(gòu)成組合預(yù)測(cè)模型，有效降低了預(yù)測(cè)誤差。Adedeji等［19］分別使用粒子群優(yōu)化算法（PSO）、自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)（ANFIS）和PSO-ANFIS融合模型對(duì)南非地區(qū)某風(fēng)力渦輪機(jī)的發(fā)電量進(jìn)行預(yù)測(cè)，結(jié)果表明融合模型的預(yù)測(cè)精度優(yōu)于單一模型。上述研究表明，采用融合建模方法可以實(shí)現(xiàn)單一模型的優(yōu)勢(shì)互補(bǔ)，有效克服單一建模的樣本數(shù)量有限、參數(shù)獲取困難和機(jī)制識(shí)別不清導(dǎo)致無法準(zhǔn)確識(shí)別燃?xì)廨啓C(jī)變工況條件下的運(yùn)行狀態(tài)等缺陷，在一定程度上提高了預(yù)測(cè)準(zhǔn)確度。但智能預(yù)測(cè)模型多存在一些固有缺陷，組合機(jī)制有待進(jìn)一步完善，還受到多方面因素的影響，其預(yù)測(cè)精度仍較低。

因此，筆者在引入逐步聚類分析方法豐富智能預(yù)測(cè)算法種類的同時(shí)，設(shè)計(jì)了最優(yōu)加權(quán)法、BP神經(jīng)網(wǎng)絡(luò)融合算法和多模式動(dòng)態(tài)權(quán)重分配法3種并聯(lián)算法，采用平均誤差（MAE）、均方根誤差（RMSE）和決定系數(shù)（R2）3類評(píng)判指標(biāo)對(duì)模型表現(xiàn)進(jìn)行全面評(píng)估，以期獲得最佳的燃?xì)廨啓C(jī)仿真模型。

1 基于融合算法的燃?xì)廨啓C(jī)仿真模型

1.1 總體思路

在將燃?xì)廨啓C(jī)劃分為壓氣機(jī)、燃燒室和燃?xì)馔钙?個(gè)模塊的基礎(chǔ)上，構(gòu)建燃?xì)廨啓C(jī)機(jī)理模型；以壓氣機(jī)的進(jìn)口溫度、進(jìn)口壓力和壓比以及混合煤氣質(zhì)量流量4個(gè)參數(shù)作為輸入變量，發(fā)電量作為輸出變量，分別構(gòu)建BP神經(jīng)網(wǎng)絡(luò)和逐步聚類模型。盡管上述模型具備一定的預(yù)測(cè)精度，但仍然無法完全識(shí)別燃?xì)廨啓C(jī)功率的動(dòng)態(tài)變化特征?？紤]到每個(gè)模型的構(gòu)建原理和技術(shù)特點(diǎn)各異，本研究創(chuàng)新性地采用并聯(lián)融合的方式，以預(yù)測(cè)精度的提升為主要目標(biāo)，以每個(gè)模型的預(yù)測(cè)性能為主要參考依據(jù)，運(yùn)用最優(yōu)加權(quán)法、BP神經(jīng)網(wǎng)絡(luò)融合算法和多模式動(dòng)態(tài)權(quán)重分配法3種并聯(lián)算法確定3種模型的最優(yōu)權(quán)重，構(gòu)建智能融合模型，實(shí)現(xiàn)機(jī)理模型與智能預(yù)測(cè)模型的有效組合，并對(duì)比不同模型的預(yù)測(cè)精度，驗(yàn)證智能融合模型的實(shí)用性和優(yōu)越性。圖1給出了本文的主要技術(shù)路線圖。

圖1 技術(shù)路線圖Fig.1 Technical roadmap

1.2 單一形式的燃?xì)廨啓C(jī)仿真模型

1.2.1 機(jī)理模型

燃?xì)廨啓C(jī)是一種以天然氣為能量來源、利用氣體燃燒所產(chǎn)生的能量來驅(qū)動(dòng)輪機(jī)做功的機(jī)械，主要包括壓氣機(jī)、燃燒室和燃?xì)馔钙饺糠?，其原理如下：首先將環(huán)境空氣吸入壓氣機(jī)進(jìn)行壓縮，轉(zhuǎn)換為高溫高壓氣體，然后在燃燒室中與燃料混合燃燒形成高溫燃?xì)?，最后?jīng)燃?xì)馔钙阶饔抿?qū)動(dòng)輪機(jī)做功。機(jī)理模型主要是基于上述三部分建立的各部件之間參數(shù)和物質(zhì)或者能量流動(dòng)的數(shù)學(xué)模型。

（1）壓氣機(jī)

壓氣機(jī)是增加和提升外界氣體溫度和壓力的部件，其關(guān)鍵參數(shù)包括壓氣機(jī)出口壓力p2、壓氣機(jī)出口溫度T2和壓氣機(jī)壓比α。

式中：p1為壓氣機(jī)進(jìn)口壓力，Pa；T1為壓氣機(jī)進(jìn)口溫度，K；Ka為空氣平均比熱容比；η1為壓氣機(jī)效率。

（2）燃燒室

燃燒室內(nèi)壓氣機(jī)輸出的高溫高壓氣體與燃料混合后燃燒，內(nèi)能增加，主要參數(shù)包括燃燒室出口溫度T3、燃燒室出口燃?xì)赓|(zhì)量流量qm，out和燃燒效率ηB。

式中：c p，a為空氣比定壓熱容，J／（kg·K）；qm，a，out為壓氣機(jī)出口空氣質(zhì)量流量，kg／s；qm，r為混合煤氣質(zhì)量流量，kg／s；qr為天然氣低位熱值，J／kg；hr為天然氣物理焓，J／kg；c p，g為煙氣的比定壓熱容，J／（kg·K）。

（3）燃?xì)馔钙?/p>

燃?xì)馔钙降淖饔檬前讶紵耶a(chǎn)生的高溫高壓燃?xì)廪D(zhuǎn)化成機(jī)械功，用于發(fā)電和驅(qū)動(dòng)壓氣機(jī)，主要參數(shù)包括燃?xì)馔钙匠隹跍囟萒4和燃?xì)馔钙捷敵龉β蔔t。

式中：πt為燃?xì)馔钙脚蛎洷?；kg為燃?xì)馄骄葻崛荼?；ηt為燃?xì)馔钙叫?；c p，t為天然氣的比定壓熱容，J／（kg·K）。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)的基本思想是梯度下降法，使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方差最小。BP神經(jīng)網(wǎng)絡(luò)算法包括信號(hào)的前向傳播和誤差的反向傳播2個(gè)過程。前向傳播時(shí)，輸入信號(hào)通過隱含層的計(jì)算作用于輸出層，產(chǎn)生輸出信號(hào)，若實(shí)際輸出與預(yù)測(cè)輸出的差距過大，會(huì)進(jìn)入反向傳播過程，即將輸出誤差通過隱含層的計(jì)算作用于輸入層的各個(gè)單元，以從各個(gè)單元獲得的誤差信號(hào)作為調(diào)整依據(jù)，直至輸入層的數(shù)據(jù)可按照類似的結(jié)構(gòu)輸出合理預(yù)測(cè)值為止。

本研究采用3層BP神經(jīng)網(wǎng)絡(luò)。其中，輸入層的4個(gè)節(jié)點(diǎn)對(duì)應(yīng)4個(gè)輸入?yún)?shù)；輸出層的1個(gè)節(jié)點(diǎn)對(duì)應(yīng)預(yù)測(cè)發(fā)電量；至于隱含層的節(jié)點(diǎn)數(shù)，可通過下式［20］確定：

式中：a、b和c分別為隱含層、輸入層和輸出層節(jié)點(diǎn)數(shù)。

通過計(jì)算最終確定隱含層節(jié)點(diǎn)數(shù)為5。

1.2.3 逐步聚類模型

逐步聚類分析方法以輸入與輸出變量之間的誤差平方和最小為判別依據(jù)，將輸入數(shù)據(jù)按照一定的規(guī)則進(jìn)行切割和合并操作，當(dāng)不能切割集群時(shí)，進(jìn)行合并操作；在不能合并時(shí)，進(jìn)行切割操作；通過反復(fù)迭代直至不能再繼續(xù)切割或者合并操作時(shí)，可以導(dǎo)出簇樹，再根據(jù)簇樹的計(jì)算規(guī)則完成預(yù)測(cè)。相較于一般的智能預(yù)測(cè)算法，該方法不需要預(yù)先設(shè)定變量之間的關(guān)系，建模過程有明確的理論支持，并非完全的黑箱操作，可以有效處理連續(xù)和離散變量以及變量之間的非線性關(guān)系，具有一定的應(yīng)用前景［21］。

2 燃?xì)廨啓C(jī)發(fā)電量預(yù)測(cè)組合模型

2.1 最優(yōu)加權(quán)法

最優(yōu)加權(quán)法的主體思想是借助于優(yōu)化算法確定各個(gè)單一模型預(yù)測(cè)結(jié)果的權(quán)重值。以3種單一模型預(yù)測(cè)發(fā)電量的加權(quán)總和與實(shí)際發(fā)電量的偏差最小為目標(biāo)函數(shù)，以單一模型最優(yōu)權(quán)重值之和為1且不小于0為主要約束條件建立模型。模型結(jié)構(gòu)如式（7）～式（9）所示。最后，使用LINGO軟件進(jìn)行求解，得到單一模型的最優(yōu)權(quán)重值。

目標(biāo)函數(shù)為：

主要約束為：

式中：f為函數(shù)；a（i）、b（i）、c（i）和d（i）分別為機(jī)理、BP神經(jīng)網(wǎng)絡(luò)、逐步聚類模型的發(fā)電量預(yù)測(cè)值和燃?xì)廨啓C(jī)的實(shí)際發(fā)電量；ω1、ω2和ω3分別為機(jī)理、BP神經(jīng)網(wǎng)絡(luò)和逐步聚類模型輸出結(jié)果的權(quán)重值。

2.2 BP神經(jīng)網(wǎng)絡(luò)融合算法

BP神經(jīng)網(wǎng)絡(luò)融合算法原理與單一模型中的BP神經(jīng)網(wǎng)絡(luò)算法一致，不同點(diǎn)是前者的輸入變量為3種單一模型的輸出結(jié)果，通過訓(xùn)練來預(yù)測(cè)燃?xì)廨啓C(jī)的發(fā)電量。采用3層BP神經(jīng)網(wǎng)絡(luò)，輸入層3個(gè)節(jié)點(diǎn)，輸出層1個(gè)節(jié)點(diǎn)，隱含層5個(gè)節(jié)點(diǎn)。

2.3 多模式動(dòng)態(tài)權(quán)重分配法

多模式動(dòng)態(tài)權(quán)重分配法的核心思想與最優(yōu)加權(quán)法一致，即確定各個(gè)單一模型輸出結(jié)果的權(quán)重值，其加權(quán)求和z的計(jì)算和權(quán)重值的總和限制如下：

式中：z為預(yù)測(cè)發(fā)電量，MW；λi為各單一模型輸出結(jié)果的權(quán)重值；y i為各單一模型的發(fā)電量預(yù)測(cè)值，MW。

至于權(quán)重值的確定，主要過程如下：

（1）引入偏差率：偏差率P ij是單一模型預(yù)測(cè)結(jié)果y ij與實(shí)際值y的差值絕對(duì)值與實(shí)際值之比，可以反映單一模型預(yù)測(cè)結(jié)果與實(shí)際發(fā)電量的偏差情況。

（2）計(jì)算平均偏差率Pim：對(duì)單一模型每個(gè)時(shí)刻的偏差率取算數(shù)平均值，求得在m個(gè)時(shí)段內(nèi)單一模型的平均偏差率，即

（3）引入過渡因子U i：基于平均偏差率，計(jì)算過渡因子。

（4）得到權(quán)重值W i：基于過渡因子與權(quán)重λi的線性關(guān)系，結(jié)合各個(gè)單一權(quán)重值之和為1的限制條件，確定各單一模型的權(quán)重值。

2.4 模型預(yù)測(cè)性能指標(biāo)

以燃?xì)廨啓C(jī)仿真模型的發(fā)電量預(yù)測(cè)結(jié)果為輸出參數(shù)，對(duì)比實(shí)際發(fā)電量，選定平均誤差（MAE）、均方根誤差（RMSE）和決定系數(shù)R2作為模型的評(píng)價(jià)指標(biāo)，定量評(píng)估單一模型和智能融合模型的有效性和實(shí)用性。三者的計(jì)算公式分別如下：

3 案例應(yīng)用和結(jié)果分析

3.1 案例概述

本文案例部分所選用的參數(shù)數(shù)據(jù)主要來自遼寧某鋼廠的燃?xì)廨啓C(jī)實(shí)際運(yùn)行數(shù)據(jù)。燃?xì)廨啓C(jī)型號(hào)為工業(yè)重型M701S-DAX，主要參數(shù)如下：轉(zhuǎn)速為3 000 r／min，燃?xì)廨啓C(jī)發(fā)電機(jī)額定容量為110 000 k W；壓氣機(jī)為軸流式，混合煤氣體積流量為344 380 m3／h；壓氣機(jī)壓比為15∶1。在燃?xì)廨啓C(jī)正常運(yùn)行條件下，監(jiān)測(cè)其各端口的溫度、壓力和煤氣體積流量等數(shù)據(jù)，并作為機(jī)理模型的數(shù)據(jù)基礎(chǔ)，選取壓氣機(jī)進(jìn)口溫度、混合煤氣體積流量、壓氣機(jī)進(jìn)口壓力和壓氣機(jī)壓比作為智能預(yù)測(cè)模型的數(shù)據(jù)基礎(chǔ)。綜合考慮模型的數(shù)據(jù)需求和計(jì)算負(fù)擔(dān)，為了更好地反映訓(xùn)練樣本數(shù)量對(duì)仿真模型精度的影響，隨機(jī)選取2 000組（對(duì)應(yīng)單一模型1和智能融合模型1）、3 000組（對(duì)應(yīng)單一模型2和智能融合模型2）和4 000組（對(duì)應(yīng)單一模型3和智能融合模型3）數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，1 000組數(shù)據(jù)集作為測(cè)試數(shù)據(jù)。以均方根誤差、平均誤差和決定系數(shù)為主要評(píng)價(jià)指標(biāo)，考察各種模型的表現(xiàn)。

3.2 結(jié)果分析

3.2.1 單一模型結(jié)果及分析

表1和圖2給出了不同樣本數(shù)量下各單一模型的仿真效果對(duì)比。從單一模型1的仿真結(jié)果可以看出，在訓(xùn)練數(shù)據(jù)較少時(shí)，機(jī)理模型的發(fā)電量預(yù)測(cè)結(jié)果更貼近實(shí)際發(fā)電量，主要原因在于燃?xì)廨啓C(jī)處于持續(xù)、穩(wěn)定的運(yùn)行狀態(tài)，機(jī)理模型的模擬效果更好，R2達(dá)到0.957 0，平均誤差為4.517 0 MW。相反，在訓(xùn)練數(shù)據(jù)較多的情況下，智能預(yù)測(cè)模型的擬合效果更好，其中BP神經(jīng)網(wǎng)絡(luò)模型的擬合精度最高。從單一模型3的仿真結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)模型的R2達(dá)到0.976 7，平均誤差為0.928 3 MW，這是由于訓(xùn)練數(shù)據(jù)量增加有利于智能預(yù)測(cè)模型進(jìn)行更好的訓(xùn)練，建立可靠的擬合關(guān)系，實(shí)現(xiàn)更為精確的預(yù)測(cè)。

圖2 單一模型的仿真效果對(duì)比Fig.2 Simulation results'comparison among all single models

表1 單一模型和智能融合模型仿真效果的對(duì)比Tab.1 Simulation results'comparison between the single models and intelligent fusion models

3.2.2 智能融合模型結(jié)果及分析

圖3給出了不同樣本數(shù)量下3種智能融合模型的仿真效果對(duì)比。由圖3可知，3種智能融合模型的預(yù)測(cè)精度基本達(dá)到要求；隨著訓(xùn)練數(shù)據(jù)量的增加，3種智能融合模型的輸出結(jié)果與實(shí)際發(fā)電量之間的偏差逐漸減小。以智能融合模型1為例，在訓(xùn)練數(shù)據(jù)較少時(shí)最優(yōu)加權(quán)法的發(fā)電量預(yù)測(cè)結(jié)果更貼近實(shí)際發(fā)電量，其R2達(dá)到0.950 5，平均誤差為1.285 8 MW，而另外2種模型的偏差較大。其主要原因在于，有限的訓(xùn)練數(shù)據(jù)量將直接影響B(tài)P神經(jīng)網(wǎng)絡(luò)融合算法的預(yù)測(cè)效果；多模式動(dòng)態(tài)權(quán)重分配法受到單一BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)精度偏低的影響，無法像最優(yōu)加權(quán)法一樣對(duì)各種方法預(yù)測(cè)結(jié)果的權(quán)重值進(jìn)行很好的修正，導(dǎo)致輸出結(jié)果的偏差較大。在訓(xùn)練數(shù)據(jù)量較大的情況下，3種融合算法均有較好的表現(xiàn)。以智能融合模型3為例，3種融合算法的均方根誤差均在1%以內(nèi)，其中最優(yōu)加權(quán)法的輸出結(jié)果最接近實(shí)際發(fā)電量，其R2高于0.97，平均誤差僅為0.51%。

圖3 智能融合模型的仿真效果對(duì)比Fig.3 Simulation results'comparison among all intelligent fusion models

3.2.3 2類模型的結(jié)果對(duì)比

由表1可知，3種融合算法的仿真效果明顯優(yōu)于單一模型，在訓(xùn)練數(shù)據(jù)量較多時(shí)，融合算法的R2均高于0.96。這是因?yàn)槿诤纤惴ㄍㄟ^賦予單一模型預(yù)測(cè)結(jié)果不同的權(quán)重值，很好地實(shí)現(xiàn)了單一模型之間的優(yōu)勢(shì)互補(bǔ)。其中，對(duì)誤差較大的預(yù)測(cè)值賦予其較小的權(quán)重；相反，對(duì)于較準(zhǔn)確的預(yù)測(cè)值賦予較大的權(quán)重。另外，如前所述，對(duì)于不同的訓(xùn)練數(shù)據(jù)量，各智能融合模型的預(yù)測(cè)效果也略有不同，在訓(xùn)練數(shù)據(jù)較少時(shí)，最優(yōu)加權(quán)法和多模式動(dòng)態(tài)權(quán)重分配法具有明顯的優(yōu)勢(shì)，R2均高于0.95。隨著訓(xùn)練數(shù)據(jù)量的增加，BP神經(jīng)網(wǎng)絡(luò)融合算法的平均誤差逐漸降低，由5.013 2 MW降為1.876 9 MW，但BP神經(jīng)網(wǎng)絡(luò)融合算法的仿真效果與另外2種權(quán)重分配法還有一定差距。

4 結(jié) 論

（1）訓(xùn)練數(shù)據(jù)量對(duì)模型表現(xiàn)產(chǎn)生一定的影響。在訓(xùn)練數(shù)據(jù)量較少時(shí)，單一的機(jī)理模型和基于最優(yōu)加權(quán)法的智能融合模型的表現(xiàn)更佳。

（2）3種融合算法的預(yù)測(cè)精度明顯優(yōu)于單一模型，其均方根誤差和平均誤差可以控制在1%以內(nèi)，在訓(xùn)練數(shù)據(jù)量較多時(shí)，R2均高于0.96。但是筆者在建立仿真模型前未考慮異常值對(duì)預(yù)測(cè)結(jié)果的影響，后續(xù)需要結(jié)合數(shù)據(jù)預(yù)處理方法，進(jìn)一步提高燃?xì)廨啓C(jī)仿真模型的精度。另外，受制于程序代碼設(shè)計(jì)不夠合理、迭代方式較復(fù)雜等缺陷，在處理大樣本數(shù)據(jù)量時(shí)，擬合速度偏慢，影響并聯(lián)模型的建立，新型并聯(lián)算法的持續(xù)引入也有助于提升模型的準(zhǔn)確度。