基于神經網絡的集中供熱智能仿真系統設計

孫 兵

（南通紡織職業技術學院，南通 226007）

0 引言

集中供熱系統就是將大量的熱用戶通過熱力網連接起來，由統一的熱源提供所需熱量的供熱系統。我國集中供熱從50年代開始起步，雖然為節約能源、減少環境污染、改善人民生活發揮了重要作用，但目前整體管理和技術水平還較低，存在供熱品質差、缺乏控制與節能手段等問題[1]。實現供熱系統優化設計與運行是供熱行業發展的必然趨勢，由于供熱系統不能完全用數學模型來描述，其中需要大量的經驗知識乃至知識的推理，建立包含知識模型在內的廣義模型不可避免，基于廣義模型的仿真必然是智能仿真。智能仿真將人工智能和系統仿真技術相結合，大量使用專家系統、模式識別、知識工程、模糊推理、神經網絡等人工智能手段，從系統可實現性、經濟性、安全性、實時性等角度考慮，能更準確模擬特定對象。本文采用智能仿真方法進行了集中供熱系統的仿真研究，與一般供熱系統仿真模型相比較，所建立的快速神經網絡模型的創新之處在于：該模型將通常的神經網絡結構分成線性和非線性兩部分，分別采用不同的辨識方法作用于相應的結構上，能夠加快訓練速度，提高辨識精度，更有利于實現供熱自動控制系統的優化設計。

1 集中供熱智能仿真系統結構與功能

供熱智能仿真系統在設計上首先對供熱系統中主要環節（管道、節點）建模，管道形成熱網，節點包括房間、樓宇、熱力站等實體[2]。然后根據室外溫度、熱源情況，對系統典型環節做動、靜態仿真，并按已知熱網情況調度熱力站或根據室外溫度調度熱源，確定優化運行方案，模擬系統實際運行。

1.1 供熱智能仿真系統總體方案

供熱智能仿真系統的總體方案如圖1所示，其中主要內容有：1）智能仿真模型：除可用數學模型外，還可建立基于知識的對象模型，以提高仿真模型的描述能力，擴大仿真模型的應用范圍，增強仿真系統的柔性；另外，面向對象的圖形建模方法為用戶建模帶來了極大的方便，利用仿真建模的專業知識構建典型模塊，根據用戶需求及環境條件進行模型選取、賦值、組裝、構造及驗證。2）智能仿真算法：根據選定的模型來確定算法。如果是線性動態數學模型，可采用各種數值解析的算法；如果是非線性動態數學模型可采用神經網絡辨識的算法；如果是知識模型可采用基于知識的推理、判斷、聯想及識別等學習訓練的算法，甚至可考慮基于遺傳的優化算法。3）智能仿真界面及信息輸入的預處理：人機交互界面將朝著多媒體和虛擬現實相結合的方向發展，其智能化表現為具有輸入啟發、自動識別、判錯、報警等功能，使人成為智能仿真系統的一部分。4）仿真結果分析：開發結果分析系統并能給出仿真結果的合理解釋乃至從結果知識中發現新知識。

圖1 供熱智能仿真系統

1.2 供熱智能仿真系統功能組成

仿真系統負責模擬供熱生產過程，進行預測，提供調度方案，其數據來源依賴于熱網監控系統和數據處理系統。在供熱智能仿真系統中，系統仿真采用多級模型體系，不僅有快速粗精度實時仿真，還有高精度自學習智能仿真模型，既可以進行靜態仿真，還可以進行動態仿真。

圖2 供熱仿真系統功能組成

如圖2所示，仿真系統中包含系統管理、節點仿真、熱網仿真和數據維護等子模塊。系統管理主要負責各種對象（節點、管網）數據庫的管理（庫錄入、編輯、查詢、插值等功能）；節點仿真是對房間、樓（立管）、熱力站這些供熱系統中的基本環節建模仿真，研究其動靜態特性，為供熱優化運行及優化調度提供技術指導；熱網仿真是對管道形成的拓撲結果進行分析，參數主要包括流量、壓力、管徑、閥門開度等，研究全網流量、壓力分布場，為熱網絡運行及熱網設計提供理論支持。

2 基于神經網絡的供熱仿真模型

由于供熱系統存在嚴重滯后，是一個慢時變非線性系統，所以很難用精確數學模型表示對象[3]。神經網絡則在求解非線性和不確定性系統方面具有巨大潛力，BP神經網絡是非線性系統辨識的有力工具，雖然其辨識速度較慢，但只要采用好的網絡結構和算法，就可以用于供熱系統環節（房間、樓宇、熱力站、熱網）乃至整個供熱系統的辨識。

2.1 神經網絡辨識原理

圖3 神經網絡辨識對象結構圖

如圖3所示，采用前向建模的串—并神經網絡系統辨識結構，即訓練一個神經網絡用來描述供熱系統前向動態特性的過程。將辨識對象的輸出經過一個邏輯遲延單元延遲處理之后送入神經網絡，與辨識對象的輸入組合成一個輸入向量，送入辨識網絡進行學習，這種結構的學習收斂性和辨識效果較好。當網絡訓練一段時間后，已逼近對象，則可將網絡輸出作為網絡輸入的一部分，從而使網絡最終脫離受控對象單獨使用，這就是非線性受控對象利用神經網絡辨識的思想。這種方法辨識準確，但也存在訓練速度慢的缺點[4]。為此，從改進網絡結構的角度提出了一種新型快速神經網絡辨識的方法。

2.2 快速神經網絡模型

由Kolmogorove定理知，任何N變量連續函數可以由單變量連續增函數的線性和非線性疊加而成[5]。這樣便可把通常的神經網絡結構變成線性和非線性兩部分模型結構，用線性系統參數辨識和非線性多層前向網絡辨識分別作用于各自對應的結構上，如圖4所示。

圖4 快速神經網絡結構模型圖

該模型離散化后變為：y(k)=f(y(k-1),y(k-2),…,y(k-n);u(k-1),u(k-2),…,u(k-m))。其中，y(k)為對象輸出，u(k)為對象輸入，f(.)為非線性函數，wij(1)(k)、wij(2)(k)和wi分別為第1層隱含層、第2層隱含層和輸出層的權重。圖4中的上半部分輸出是線性模型輸出yl(k)，下半部分為非線性模型輸出yn(k)，由此可得對象輸出為：y(k)= yl(k)+ yn(k)。

2.3 快速神經網絡算法

根據圖4所示的快速神經網絡結構模型，對線性結構神經元之間的參數采用遞推最小二乘法辨識，對非線性部分神經元之間的權重及閾值采用變學習速率的BP算法的綜合辨識方法，網絡訓練采用兩部分模型交替進行，具體算法如下：

1）網絡參數初始化，模型中各元素取較小值，權重均勻選取[0,1]隨機數。

2）非線性模型權重及閾值不變，對線性模型部分使用遞推最小二乘法辨識向量遞推N1步后進行下一步。

3）保持線性部分參數不變，對非線性部分采用快速BP算法辨識。調節學習速率的原則是：檢查權值的修正值是否降低了誤差函數值，如是則說明可對所選取的學習速率增加一個量；否則就應該減小學習速率的值。此方法可以保證網絡總是以最大的可接受的學習速率進行訓練。自適應學習速率的調整公式如下：

其中，Ek為BP模型中能量指標函數，即輸出誤差。α為動量項因子，0≤α＜1。

快速神經網絡輸出層的加權系數wi(k)和閾值θi(k)的調整算式如下：

第2隱含層的加權系數wij(2)(k)和閾值θi(2)(k)的調整算式如下：

第1隱含層的加權系數wij(1)(k)和閾值θi(1)(k)的調整算式如下：

上述算式中，η(k)為學習速率；Ek為BP模型中能量指標函數，即輸出誤差；s(.)為隱含層神經元激發函數；hi(2)(k)為第2層隱含層神經元的輸出；hi

(1)(k)為第1層隱含層神經元的輸出。計算網絡誤差e(k)，若誤差未達到指定小正數時，返回到起始步驟，否則結束訓練。

2.4 仿真結果分析

2.4.1 非線性對象算例對比分析

取一非線性對象為：

按上述快速神經網絡模型結構及變學習速率算法與普通神經網絡結構及BP算法分別對該對象進行辨識。采用三層網絡：輸入層2個神經元；隱層分為兩個小層，第一隱層10個，第二隱層5個；輸出層1個。選取輸入信號x∈[1,5]，按步長0.1遞增。從圖5和圖6的對比中可以看出：在誤差精度e(k)=0.01時快速算法訓練步數為182，可達到的誤差精度為0.00994694；普通算法訓練步數為466，可達到的誤差精度為0.01023458，從而充分體現出該快速神經網絡訓練方法具有辨識精度高、訓練速度快的特點。

2.4.2 供熱系統房間仿真結果

將上述快速神經網絡用于對供熱系統對象進行辨識，能夠保證模型的準確性，同時提高計算速度，為制定供熱計劃提供有力的依據。以供熱系統中標準房間仿真的計算結果為例，在已知室外溫度和供水溫度的情況下，通過對回水溫度和室內溫度的實測值與仿真計算值的比較（如表1所示），可以看出快速神經網絡模型的仿真效果好，仿真精度高。

3 結束語

基于快速神經網絡的辨識方法能夠得到更加準確的仿真模型，有效地提高了辨識精度和訓練速度，為進一步構建供熱智能仿真系統打下了良好的基礎，實現了對供熱系統這一非線性受控對象進行精確辨識的目的，取得了更好的仿真計算結果。由此可見，智能仿真具備對集中供熱系統優化運行和優化設計的指導功能，能夠對降低供熱運行成本、節約工程投資、提高供熱效率起到積極的推動作用。

表1 房間仿真計算結果與實測數據對比表

圖5 普通神經網絡辨識結果誤差曲線

圖6 快速神經網絡辨識結果誤差曲線

[1] 劉賀明.中國城市供熱發展與改革情況[J].區域供熱,2003,(3):4-8.

[2] 董維敏.集中供熱熱力站溫度控制系統的仿真[J].山西電力,2006(6):32-33.

[3] 李紹勇.廣義預測控制在集中供熱系統的應用[J].中國建設信息供熱制冷,2005(5):81-83.

[4] 朱大奇,史慧.人工神經網絡原理及應用[M].北京:科學出版社,2006:36-39.

[5] 滕志東,陳蘭蓀.高維時滯周期的Kolmogorov型系統的正周期解[J].應用數學學報,1999,(3):446-451.