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

        ?

        熱力站日供熱量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型比較與分析

        2023-02-10 02:55:46王嘉明
        煤氣與熱力 2023年1期
        關(guān)鍵詞:供熱量方根神經(jīng)元

        田 野,李 銳,董 妍,王嘉明

        (1.北京建筑大學(xué) 環(huán)境與能源工程學(xué)院,北京 100044; 2.北京市熱力集團(tuán)有限責(zé)任公司,北京 100026)

        1 概述

        精準(zhǔn)預(yù)測(cè)熱力站日供熱量,無(wú)論對(duì)節(jié)能減排還是對(duì)提升供熱質(zhì)量,都具有重要意義。許多學(xué)者提出了不同預(yù)測(cè)方法,如灰色預(yù)測(cè)法、回歸分析法、神經(jīng)網(wǎng)絡(luò)法等[1]。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)作為一種預(yù)測(cè)方法已經(jīng)被大量應(yīng)用于熱負(fù)荷預(yù)測(cè),神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是無(wú)需建立復(fù)雜的輸入輸出關(guān)系,在非線(xiàn)性問(wèn)題的處理上表現(xiàn)更好[2]??祫傥腫3]在進(jìn)行熱負(fù)荷預(yù)測(cè)時(shí),比較了回歸分析法與神經(jīng)網(wǎng)絡(luò)法,認(rèn)為神經(jīng)網(wǎng)絡(luò)法更具有優(yōu)勢(shì)。宋軍等人[4]通過(guò)研究分析指出,BP神經(jīng)網(wǎng)絡(luò)基本滿(mǎn)足了短期熱負(fù)荷預(yù)測(cè)的要求。李思琦等人[5]改進(jìn)了神經(jīng)網(wǎng)絡(luò),得到了更加精確的熱負(fù)荷預(yù)測(cè)模型。

        本文以北京某熱力站運(yùn)行數(shù)據(jù)、氣象參數(shù)為樣本,采用BP神經(jīng)網(wǎng)絡(luò),建立日供熱量預(yù)測(cè)模型,對(duì)輸入變量、隱含層神經(jīng)元數(shù)量的影響進(jìn)行分析。

        2 預(yù)測(cè)模型

        BP神經(jīng)網(wǎng)絡(luò)具有非線(xiàn)性映射能力、泛化能力、容錯(cuò)能力,因此本文采用BP神經(jīng)網(wǎng)絡(luò)建立熱力站日供熱量預(yù)測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層、輸出層[6]。輸出層神經(jīng)元數(shù)量為1,輸出變量為熱力站日供熱量。

        輸入變量的選取,影響著預(yù)測(cè)模型的預(yù)測(cè)效果。輸入層神經(jīng)元數(shù)量(即輸入變量數(shù)量)過(guò)少無(wú)法達(dá)到預(yù)期效果,數(shù)量過(guò)多雖然會(huì)提高計(jì)算精度,但易使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜,訓(xùn)練時(shí)間延長(zhǎng)。熱力站日供熱量受多種因素影響,可分為氣象因素、系統(tǒng)因素。氣象因素包括室外溫度、相對(duì)濕度、大氣壓力、風(fēng)速等。系統(tǒng)因素指供熱系統(tǒng)的特性,包括前幾日的供熱量等[1]。分析北京某熱力站運(yùn)行數(shù)據(jù)發(fā)現(xiàn),室外溫度、風(fēng)速與供熱量存在相關(guān)性。因此,將日平均室外溫度、日平均風(fēng)速、前1日供熱量作為必要的輸入變量。在此基礎(chǔ)上,增加日最低室外溫度、日最高室外溫度、日平均相對(duì)濕度、大氣壓力、前2日供熱量、前3日供熱量,分別建立預(yù)測(cè)模型1~3。隱含層神經(jīng)元數(shù)量設(shè)定為10,預(yù)測(cè)模型1~3輸入變量見(jiàn)表1。

        表1 預(yù)測(cè)模型1~3輸入變量

        隱含層神經(jīng)元數(shù)量決定了神經(jīng)網(wǎng)絡(luò)的計(jì)算能力。隱含層神經(jīng)元數(shù)量過(guò)少,神經(jīng)網(wǎng)絡(luò)的計(jì)算能力不足,預(yù)測(cè)結(jié)果易發(fā)生欠擬合。隱含層神經(jīng)元數(shù)量過(guò)多,預(yù)測(cè)結(jié)果易發(fā)生過(guò)擬合,使預(yù)測(cè)模型缺乏泛化性[7]。目前,大多采用經(jīng)驗(yàn)公式與試湊法相結(jié)合的方式來(lái)確定隱含層神經(jīng)元數(shù)量[8]。為分析隱含層神經(jīng)元數(shù)量對(duì)預(yù)測(cè)結(jié)果的影響,輸入變量與預(yù)測(cè)模型2一致,改變隱含層神經(jīng)元數(shù)量,分別建立預(yù)測(cè)模型4~16(見(jiàn)表2)。實(shí)際上預(yù)測(cè)模型11與預(yù)測(cè)模型2一致,為不破壞預(yù)測(cè)模型4~16的連續(xù)性,仍保留預(yù)測(cè)模型11。

        表2 模型4~16隱含層神經(jīng)元數(shù)量

        3 研究對(duì)象

        熱力站供熱面積為88 711 m2,站內(nèi)設(shè)置了熱量表以及供水溫度、回水溫度、流量傳感器。除供熱量、供回水溫度、流量外,監(jiān)測(cè)數(shù)據(jù)還包括室外溫度、風(fēng)速等,每隔5 min采集1次數(shù)據(jù),以日為單位對(duì)數(shù)據(jù)進(jìn)行整理。選取2017—2020年供暖期數(shù)據(jù)進(jìn)行研究,并對(duì)異常、缺失嚴(yán)重的數(shù)據(jù)進(jìn)行處理,最后得到357個(gè)供暖日的有效數(shù)據(jù)。隨機(jī)將70%的樣本作為訓(xùn)練集,15%的樣本作為驗(yàn)證集,15%的樣本作為測(cè)試集。采用最大最小值歸一化法將輸入數(shù)據(jù)歸一化到[-1,1]。利用MATLAB軟件建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

        預(yù)測(cè)模型的預(yù)測(cè)效果評(píng)價(jià)指標(biāo)為擬合優(yōu)度、均方根誤差(RMSE)、平均絕對(duì)百分比誤差(MAPE)。擬合優(yōu)度通過(guò)決定系數(shù)R2度量,決定系數(shù)越接近1,預(yù)測(cè)模型的擬合效果越好。均方根誤差反映預(yù)測(cè)結(jié)果相對(duì)于實(shí)際結(jié)果的平均偏差情況,用于評(píng)價(jià)預(yù)測(cè)模型的穩(wěn)定性,均方根誤差越小說(shuō)明預(yù)測(cè)模型的穩(wěn)定性越高。平均絕對(duì)百分比誤差可以反映預(yù)測(cè)結(jié)果的可信程度,平均絕對(duì)百分比誤差越小,說(shuō)明預(yù)測(cè)結(jié)果可信度越高。

        決定系數(shù)R2、均方根誤差σRMSE、平均絕對(duì)百分比誤差σMAPE的計(jì)算式分別為:

        式中R2——決定系數(shù)

        n——樣本數(shù)量

        Qi,p——熱力站日供熱量預(yù)測(cè)值,GJ

        Qi,m——熱力站日供熱量實(shí)際值,GJ

        Qm,av——全部樣本實(shí)際值的平均值,GJ

        σRMSE——均方根誤差,GJ

        σMAPE——平均絕對(duì)百分比誤差

        4 預(yù)測(cè)結(jié)果與分析

        4.1 輸入變量的影響

        預(yù)測(cè)模型1~3部分樣本日供熱量預(yù)測(cè)值與實(shí)際值見(jiàn)圖1。樣本來(lái)自測(cè)試集。由圖1可知,在預(yù)測(cè)模型1~3中,預(yù)測(cè)模型2日供熱量預(yù)測(cè)值與實(shí)際值最接近。

        圖1 預(yù)測(cè)模型1~3部分樣本日供熱量預(yù)測(cè)值與實(shí)際值

        預(yù)測(cè)模型1~3的決定系數(shù)、均方根誤差見(jiàn)表3。由表3可知,在預(yù)測(cè)模型1~3中,預(yù)測(cè)模型2的決定系數(shù)最接近1、均方根誤差最小,說(shuō)明模型2的預(yù)測(cè)效果最佳。預(yù)測(cè)模型1的預(yù)測(cè)效果最差,預(yù)測(cè)模型3的預(yù)測(cè)效果介于預(yù)測(cè)模型1、2之間。

        表3 預(yù)測(cè)模型1~3的決定系數(shù)、均方根誤差

        在隱含層神經(jīng)元數(shù)量設(shè)定為10條件下,輸入變量為日平均室外溫度、日平均風(fēng)速、前1日供熱量、日最低室外溫度、日最高室外溫度、前2日供熱量、前3日供熱量時(shí),預(yù)測(cè)模型的預(yù)測(cè)效果最佳。輸入層神經(jīng)元數(shù)量為3時(shí),由于輸入變量不足,預(yù)測(cè)模型的預(yù)測(cè)效果最差。

        4.2 隱含層神經(jīng)元數(shù)量的影響

        預(yù)測(cè)模型4、5、11、14、16部分樣本日供熱量預(yù)測(cè)值與實(shí)際值見(jiàn)圖2。樣本來(lái)自測(cè)試集。由圖2可知,預(yù)測(cè)模型16日供熱量預(yù)測(cè)值與實(shí)際值的吻合度最好。

        圖2 預(yù)測(cè)模型4、5、11、14、16部分樣本日供熱量預(yù)測(cè)值與實(shí)際值

        由計(jì)算結(jié)果可知,從決定系數(shù)、均方根誤差評(píng)價(jià)預(yù)測(cè)模型4~16的預(yù)測(cè)效果比較困難。因此,采用平均絕對(duì)百分比誤差來(lái)評(píng)價(jià)模型的預(yù)測(cè)效果,預(yù)測(cè)模型4~16的平均絕對(duì)百分比誤差見(jiàn)表4。由表4可知,預(yù)測(cè)模型16的平均絕對(duì)百分比誤差最小,說(shuō)明隱含層神經(jīng)元數(shù)量為15時(shí),預(yù)測(cè)效果最好。

        表4 預(yù)測(cè)模型4~16的平均絕對(duì)百分比誤差

        當(dāng)輸入變量為日平均室外溫度、日平均風(fēng)速、前1日供熱量、日最低室外溫度、日最高室外溫度、前2日供熱量、前3日供熱量時(shí),隱含層神經(jīng)元數(shù)量達(dá)到最多時(shí)(為15)的預(yù)測(cè)模型16預(yù)測(cè)效果最佳。隱含層神經(jīng)元數(shù)量并非越多越好,在實(shí)際應(yīng)用中,應(yīng)選取多個(gè)隱含層神經(jīng)元數(shù)量,根據(jù)預(yù)測(cè)效果選取合適的隱含層神經(jīng)元數(shù)量。

        5 結(jié)論

        ① 當(dāng)隱含層神經(jīng)元數(shù)量設(shè)定為10,輸入變量為日平均室外溫度、日平均風(fēng)速、前1日供熱量、日最低室外溫度、日最高室外溫度、前2日供熱量、前3日供熱量時(shí),預(yù)測(cè)模型的預(yù)測(cè)效果最佳。輸入層神經(jīng)元數(shù)量為3時(shí),由于輸入變量不足,預(yù)測(cè)模型的預(yù)測(cè)效果最差。

        ② 當(dāng)輸入變量為日平均室外溫度、日平均風(fēng)速、前1日供熱量、日最低室外溫度、日最高室外溫度、前2日供熱量、前3日供熱量時(shí),隱含層神經(jīng)元數(shù)量達(dá)到最多時(shí)(為15)的預(yù)測(cè)模型預(yù)測(cè)效果最佳。隱含層神經(jīng)元數(shù)量并非越多越好,在實(shí)際應(yīng)用中,應(yīng)選取多個(gè)隱含層神經(jīng)元數(shù)量,根據(jù)預(yù)測(cè)效果選取合適的隱含層神經(jīng)元數(shù)量。

        猜你喜歡
        供熱量方根神經(jīng)元
        方根拓展探究
        《從光子到神經(jīng)元》書(shū)評(píng)
        自然雜志(2021年6期)2021-12-23 08:24:46
        多塊金屬輻射板串聯(lián)結(jié)構(gòu)冬季供熱性能數(shù)值模擬及試驗(yàn)研究
        躍動(dòng)的神經(jīng)元——波蘭Brain Embassy聯(lián)合辦公
        均方根嵌入式容積粒子PHD 多目標(biāo)跟蹤方法
        冬季供暖工況下混凝土輻射頂板傳熱特性
        揭開(kāi)心算方根之謎
        基于二次型單神經(jīng)元PID的MPPT控制
        毫米波導(dǎo)引頭預(yù)定回路改進(jìn)單神經(jīng)元控制
        科技資訊(2014年8期)2014-11-10 11:10:41
        艳妇乳肉豪妇荡乳av无码福利| 亚洲精品国产精品乱码在线观看| 色偷偷亚洲第一成人综合网址| 亚洲欧洲精品成人久久曰影片| 免费观看久久精品日本视频| 日本高清一区在线你懂得| av大全亚洲一区二区三区| 男女裸交无遮挡啪啪激情试看| 久久综合网天天 | 最新日韩人妻中文字幕一区| 日韩极品视频免费观看| 欧美午夜刺激影院| 香蕉视频一级| 粗一硬一长一进一爽一a视频| 精品少妇一区二区av免费观看| 国产亚洲欧美精品久久久| 四虎欧美国产精品| 91精品国产综合久久久蜜臀九色| 国产精品亚洲av无人区一区香蕉| 日本午夜精品理论片a级app发布| 操出白浆在线观看| 蜜桃视频网站在线免费观看| 国产亚洲精品一区二区无| 亚洲国产精品日韩av专区| 日韩偷拍一区二区三区视频| 国产自拍一区在线视频| 无码人妻一区二区三区兔费| 亚洲av成人一区二区三区av| 免费福利视频二区三区| 极品美女一区二区三区免费| 好看的欧美熟妇www在线| 国产综合精品久久亚洲| 国产一区二区三区中出| 久久精品无码一区二区日韩av| 成 人 色综合 综合网站| 性色av成人精品久久| 国产91清纯白嫩初高中在线观看 | 五月婷婷激情六月| 国产精品久久av高潮呻吟| 成年站免费网站看v片在线| 国产亚洲日韩欧美一区二区三区|