基于小波神經網絡的集中供熱智能預測

摘 要：首先，結合供熱運行調節理論，由室外溫度變化確定系統應供熱量；然后，利用小波神經網絡，找出室外溫度、系統流量、供回水溫度等核心參數間的映射關系。實際運行預測結果表明，該方法辨識精度高，實時性強，節能效果顯著。

關鍵詞：熱負荷預測；小波神經網絡；天氣因數；集中供熱

引言

由于供熱系統具有很強的非線性、大滯后和時變性的特點，至今仍很少實現閉環控制。因此，充分挖掘大數據，建立精確的數學模型，給出合理的參數預測，實現供熱系統經濟運行的研究具有重大意義。

在眾多熱負荷預測的研究中，近年來基于神經網絡的預測方法居多，文獻[1-2]提出了基于小波神經網絡預測方法，文獻[3-4]提出了基于天氣預報的神經網絡智能預測，文獻[5]提出了Elman神經網絡預測方法，文獻[6-7]將遺傳算法運用在了BP神經網絡，文獻[8-9]提出了人工神經網絡的熱負荷預測。此外，傳統方法還有：最大熵法[10]，時間序列法[11]。

由于傳統預測方法的自身的局限性，對供熱系統負荷短期預測精度較低，同時BP神經網絡和人工神經網絡在處理熱負荷問題上同小波神經網絡相比有較多的劣勢，如隱層小波數的確定問題，因而文章提出一種結合天氣預報的同時，基于改進型小波神經網絡熱負荷預測方法。

為實現按需供熱，節約能耗，文章基于運行數據，分析供回水溫度、室外溫度等因數，采用了小波神經網絡分析數據建立供回水溫度預測模型。具體步驟為：首先，利用網絡天氣預報的實時獲取，得到未來1小時的室外溫度。然后，在供熱系統中的設計熱指標和供熱網的實際參數均已設定的情況下，分析出下一刻的熱負荷值，并運用小波神經網絡預測模型進行數據處理得到預測供熱應給的最佳系統參數。最后，繪制出預測曲線。

1 天氣預報的實時獲取

采用webservice技術編寫數據訪問接口程序，自動實時提取天氣預報數據和各整點天氣實況數據。為供熱運行調節提供依據：運用C#.Net組件技術編寫數據訪問接口程序，在獲取到實時溫度值和未來時刻的預測溫度以后，將它們作為小波神經網絡模型部分輸入。此外，通過C#.Net程序編程，使得處理的結果界面化，可操作化。圖1即為從中國天氣網獲取到的24小時氣溫預測折線。

2 小波神經網絡預測模型

2.1 預測供熱負荷變化

預測供熱負荷（應供熱量）變化是指根據供熱面積（S）、室外溫度（tw）的變化，設計室內溫度（t'n）、設計室外溫度（t'w）、系統的設計熱指標（q'）、管網熱效率（？濁），測算出在給定時間內（T）供熱系統應該供出的熱量（Q）值。具體可以按公式（1）計算[11]，熱量實測/預測曲線如圖2所示。

2.2 計算供回水溫差

目前，國內集中供熱基本采用分階段改變流量的質調節方式，整個采暖期內，按照氣候變化規律，在室外溫度較低的階段中，保持設計最大流量；而在室外溫度較高的階段中，保持較小流量。在同一天內系統循環流量設定后基本保持不變，供暖負荷變化時實行集中質調節（即供熱溫度調節）[11]，供回水設定和實測曲線如圖3所示。

2.3 模型結構

負荷預測的核心問題是預測的數學模型，小波神經網絡是在小波分析的基礎上提出的一種多層前饋型網絡，可以使網絡訓練盡可能減少局部最優且加快收斂的速度，具有很強的學習和泛化能力。小波神經網絡采用的激活函數為小波基函數，而前饋網絡采用的激活函數是sigmiod非線性函數，文章選用morlet母小波作為小波基函數。所以小波神經網絡算法的基本思想是以神經網絡的輸出和網絡的實際輸出的誤差平方為學習目標函數，根據均方誤差最小化的原則來調整網絡的權值。小波神經網絡的結構如圖4所示。

2.4 預測供回水溫度

考慮到在供熱運行調節中，系統流量、供回水溫度是保證熱源負荷合理供給的核心參數。所以，利用上面的小波模型，把系統流量視為定量，將室外溫度、供熱指標、供熱面積、管網熱效率作為小波神經網絡的輸入，供回水溫差作為輸出。

這樣，就把一組樣本輸入輸出問題轉化為非線性擬合問題。此外，通過梯度算法利用迭代運算求解小波神經網絡中的權值，從而找出蘊含于樣本數據中內在規律的一種學習方法。最后，也就找出了供回水溫度與室外溫度、系統流量、壓力、等影響因素之間的映射關系。

2.5 小波神經網絡設計與現場運行預測

文章設計的小波神經網絡為3層前饋網，包括輸入層、隱層和輸出層。其中，輸入層節點數等于影響因素（室外溫度、系統流量、壓力、供回水溫差等）的個數；輸出層的節點數為1（供水溫度或回水溫度）；此外，隱含層節點數的選取也是至關重要的，根據一些經驗公式先嘗試一個較小值，然后采取文獻[1]的改進小波模型確定小波網絡隱層小波函數個數為8。

因為網絡訓練中尋找的內在規律蘊含于樣本中，所以樣本數據的確定和選取也是關鍵。由于供熱系統的工況（如網絡傳輸效率，散熱片的散熱系數等）隨著時間的推移將會發生變化，而已建立模型的參數只能對當前供熱系統的實際情況有較好的反應。所以，希望模型具有自我修正參數的能力，這樣就能更好地指導供熱系統的運行。為此，建立了模型參數自動修正機制。系統隨時從最近形成的歷史數據中提取有效樣本，追加到樣本庫中，定時自動擬合樣本，生成最新的模型參數。

文章以2014年10月-2015年4月期間125天的6000條實測數據基礎，按時間（每個時段的數據數量大致相同）、天氣情況（晴天、陰天、雪天情況下數據量大致相同）這兩個主要因素抽取出1200條訓練樣本。

網絡訓練時，在權值和閾值的修正算法中加入動量項，利用前一步得到的修正值來平滑學習路徑，避免陷入局部極小值，加速學習速度。同時，為了避免在逐個樣本訓練時，引起權值和閾值修正時發生的振蕩，文章采用將1200條訓練樣本分成120批，然后進行成批訓練的方法。

3 預測結果及誤差分析

網絡訓練過程中，為防止出現“過擬合”現象，每次學習前，隨機排列樣本順序，學習率h=0.8時，具有較好的收斂性。當設置網絡精度Emin=1.5500時，網絡訓練3762次收斂。圖5是供回水溫度預測值和實際值曲線對比圖。

將得出預測回水溫度與實測溫度進行對比，計算出預測回水溫度與實測回水溫度最大誤差為0.4900℃，平均誤差為0.1983℃，可以滿足預測的精度要求。表1為誤差分析，可得出文章在結合天氣預報的室外溫度時，提出的基于小波網絡預測方法明顯優于同類方法。

4 結束語

文章在采用小波神經網絡預測模型的基礎上，提出了結合天氣預報的預測氣溫作為模型的部分輸入，提高了預測的精度。現場實驗表明，小波模型具有的函數逼近能力和模式分類能力很好地得以發揮。基于文章方法開發的供熱參數預測系統已經在大慶12個鍋爐房、熱力站投入使用，適用于單體鍋爐房、集中供熱、直供、混水等各種供熱形式，預測參數準確可靠，節能效果顯著。

參考文獻

[1]馬濤，徐向東. 基于小波網模型的區域供熱系統負荷預測[J]. 清華大學學報，2005，45（5）：708-710.

[2]魏宇杰，楊潔明. 基于小波神經網絡和蟻群算法的供熱負荷預測[J].煤炭技術，2015，34（8）：307-309

[3]李琦，韓穎.基于天氣預報的集中供熱系統短期熱負荷預測[J]. 自動化與儀表，2015，2015（5）：5-8.

[4]Peder Bacher，Henrik Madsen，Henrik Aalborg Nielsen，et al. Short-term heat load forecasting for single family houses[J]. Energy Buildings， 2013， 65 ：101-112.

[5]崔高健，凡東生，崔永利. 基于Elman型神經網絡集中供熱負荷預測模型的研究[J]. 建筑節能，2011，39（3）：9-11.

[6]王東亞，張琳，趙國材. 神經網絡遺傳算法在供熱負荷預測中應用[J]. 遼寧工程技術大學學報，2005，24（4）：161-163.

[7]張經博，郭凌，王朝霞. 基于遺傳算法優化BP神經網絡的供暖系統熱負荷預測模型[J]. 四川兵工學院報，2014，35（4）：152-156.

[8]Maria Kolokotroni，Michael Davies，Ben Croxford，et al. A validated methodology for the prediction of heating and cooling energy demand for buildings within the Urban Heat Island： Case-study of London[J]. Solar Energy，2010，84（12）： 2246-2255.

[9]Cihan Turhan，Tugce Kazanasmaz，Ilknur Erlalelitepe Uygun，et al. Comparative study of a building energy performance software （KEP-IYTE-ESS） and ANN-based building heat load estimation[J]. Energy Buildings： 2014，85：115-125.

[10]陳烈，齊維貴，鄧盛川. 最大熵原理的供熱符合預報研究[J]. 西安電子科技大學學報，2008，35（1）：183-188.

[11]Box G， Jenkins G M， Reinsel G. Time series analysis： forecasting and control [M]. New York：PrenticeHall，2008.

作者簡介：蔣道福（1994-），男，在讀本科生，研究方向：供熱調節與控制。