熱負荷預測中最有影響力參數測定

張 琦， 謝慕君， 賈其臣， 曹開發(fā)

(長春工業(yè)大學 電氣與電子工程學院， 吉林 長春 130012)

?

熱負荷預測中最有影響力參數測定

張 琦， 謝慕君*， 賈其臣， 曹開發(fā)

(長春工業(yè)大學 電氣與電子工程學院， 吉林 長春 130012)

針對集中供熱系統，采用自適應模糊神經推理系統分析熱負荷的影響因素與系統熱負荷之間的相關性和影響程度。分別分析了不同預測時間下的3組輸入變量對集中供熱系統熱負荷預測的影響。仿真結果表明,應用ANFIS選取集中供熱系統熱負荷預測的輸入變量對于簡化預測是可行的。

ANFIS； 變量選取； 集中供熱系統； 熱負荷預測

0 引 言

集中供熱系統是一個十分復雜的多變量控制系統，供熱面積大，影響因素多，內部關聯性強，滯后時間長，非線性嚴重[1]。集中供熱的優(yōu)點[2]是提高能源利用率，節(jié)約能源。集中供熱系統一方面為我們提供了熱能，但另一方面也對能源造成了極大消耗。在集中供熱系統建設中，如果忽視了節(jié)能技術的應用，將會導致集中供熱系統建設成本的提高，在運行過程中也將耗費更多的能源，這不但影響用戶的切身利益，對企業(yè)的發(fā)展也非常不利。因此，注重節(jié)能技術和措施在集中供熱系統中的應用是十分必要的[3]。

為了更加有效地使用一次能源，熱負荷預測模型必須采用創(chuàng)新、智能的控制策略。熱負荷預測模型的建立對集中供熱系統的節(jié)能優(yōu)化是非常重要的。如果建立的熱負荷模型是可靠的，那么生產的熱量將會和用戶的真實需求相匹配。這將減少熱損失，降低回流溫度，并且可能在集中供熱系統中連接更多的用戶。另外，熱負荷預測可以作為集中供熱系統模型預測控制的輸入，以便更有效地峰調和利用熱能存儲系統[4]。文獻[5]中建立預測模型使用了許多輸入變量。熱負荷模型的輸入變量有室外空氣溫度、太陽輻射、風向、風速、供水流量、供回水溫度、時間和日子類型(周末和工作日)等。輸入變量的選擇(丟棄冗余和非信息的預測因素)及識別和消除潛在的輸入變量之間的多重共線性對于建立預測模型來說是非常重要的。正確的變量選擇將會使預測模型更加精準。

文獻[6]采用了兩種方法選擇最佳的變量子集：濾波方法和包裝方法。在濾波方法中，模型輸入變量的選擇是在模型訓練和調整之前進行的。包裝方法使用一些誤差指標評估不同輸入變量組合的預測能力，并選擇模型產生的最佳結果。包裝方法的計算更嚴苛，特別是針對具有多個調諧超參數的模型，與濾波方法相比，它可以被視為是一個更好的選擇。

文中使用包裝方法選擇出了對集中供熱系統熱負荷預測模型最有影響力的輸入變量，即當前和滯后(最多10步)的熱負荷、室外溫度和供水流量。應用ANFIS從包裝方法中選出的數據集中選擇出最主要的模型變量。

1 ANFIS自適應神經模糊推理系統

ANFIS是基于Takagi-Sugeno模型的自適應神經模糊推理系統[9]。該模糊推理系統利用BP方向傳播算法和最小二乘算法來完成對輸入/輸出數據的建模。該系統由模糊規(guī)則、數據庫和推理機制3部分組成。文中設定的兩個ANFIS輸入變量是對集中供熱系統熱負荷影響最大的參數變量。ANFIS結構如圖 1 所示。

圖1 ANFIS結構圖

對于一階的Takagi-Sugeno有兩個輸入模糊IF-THEN規(guī)則[7]：

第1層由輸入參數的隸屬度函數構成，并且為下層提供了輸入值。該層的每個結點都是自適應結點，其節(jié)點函數為

式中：uAB(x)，uCD(y)----具有最大值(1.0)和最小值(0.0)的鐘型隸屬度函數。

例如：

式中：(aibicidi)----參數集合，該層的參數被稱為前提參數。

這里x和y是節(jié)點的輸入，分別代表了兩個對集中供熱系統的熱負荷最有影響力的參數變量。

第2層是隸屬度層，它為每一個隸屬函數尋找權重。該層接收從上一層傳遞過來的信號作為該層的隸屬函數，然后分別表示每個輸入變量的模糊集。第2層的節(jié)點是非自適應點，該層作為接收信號的乘法器：

每一個節(jié)點的輸出表示一個規(guī)則的激勵強度。

第3層被稱為規(guī)則層，該層將各條規(guī)則的激勵強度歸一化，該層中的結點也被認為是非自適應的。這里的每一個節(jié)點代表一條模糊規(guī)則，計算每條規(guī)則的適應度，從而使模糊規(guī)則的數目等于該層層數。所有規(guī)則的激勵強度的形式為：

結果被稱為歸一化的激勵強度。

第4層負責提供輸出值，作為推理規(guī)則的結果,也被稱為模糊化層。每個第4層的節(jié)點都是自適應節(jié)點。在這層中每條規(guī)則的輸出為

式中：w----從第3 層傳來的歸一化激勵強度；

(pi,q,iri)----節(jié)點的參數集，該參數集被指定為結論參數。

第5層稱為輸出層。這一層的單結點是一個標以∑的固定結點，它計算所有傳來信號之和作為總輸出。即累加了所有從上一層接收的輸入信號。然后，它將模糊分類結果轉換成二進制。第5層的單節(jié)點被認為是非自適應的。該節(jié)點計算出所有接收信號的總輸出為：

在ANFIS結構識別變量的過程中應用了混合學習算法。前提參數采用反向傳播算法，而對于結論參數則采用線性最小二乘估計算法調整參數。在每一次迭代中，首先輸入信號沿著網絡正向傳遞到第4層，此時固定前提參數，采用最小二乘估計算法調節(jié)結論參數；然后信號沿著網絡正向傳遞直到輸出層。之后將獲得的誤差信號沿著網絡反向傳播，并通過梯度遞減順序調節(jié)前提參數。進而可以得到結論參數的全局最優(yōu)點，這樣不僅可以降低梯度法中搜索空間的維數，還可以大大提高參數的收斂速度。

模糊神經網絡雖然是局部逼近網絡，但是它是按照模糊系統模型建立的，網絡中的各個節(jié)點及所有參數均有明顯的物理意義，因此，這些參數的初值可以根據系統的模糊或定性的知識來加以確定，然后利用上述學習算法可以很快收斂到要求的輸入/輸出關系，這是模糊神經網絡與單純的神經網絡相比的優(yōu)點所在。同時，它具有神經網絡的結構，因此參數的學習和調整比較容易，這是它與單純的模糊邏輯系統相比的優(yōu)點所在。

2 基于ANFIS的輸入變量的選擇

2.1 模型輸入變量的選擇

在實際供熱負荷預測時，根據問題需要和數學描述方法來進行恰當的輸入變量的類型和數量的選擇對達到高品質預測效果至關重要[8]。要建立一個具有最佳特性的預測模型，確定最相關的和有影響力的變量的子集是必要的。這個選擇的過程通常被稱為變量選擇。這個過程的目的是找到初始輸入變量集的一個子集，使模型提高預測水平[9]。

由于集中供熱系統的動態(tài)性，在使用包裝方法選出室外溫度、熱負荷和供水流量這3個輸入變量之外，文中引入了潛在的輸入變量，即時間滯后值。在初始設置中添加這些變量的滯后值是很重要的。雖然初始設置更多的滯后變量對于系統的預測是有利的，但是考慮到計算機的計算能力和運行時間，因此限制滯后的數量為10。所有潛在的預測因子見表1。

表1 熱負荷預測模型的潛在輸入變量

2.2 仿真實驗

采用長春市某換熱站2003年4月1日-2003年4月7日供熱數據，測量間隔為1 h。實驗數據見表2。

綜合分析了熱負荷及其他相關參數的影響，對供暖數據進行了處理。本研究創(chuàng)建了3個時間序列：熱負荷(MJ/h)、室外溫度(℃)、供水流量(t/h)。分別預測了1，3，5，8，12，24 h之后的熱負荷。在Matlab環(huán)境下完成仿真研究。

文中對熱負荷分別進行了單輸入和三輸入的預測。首先對熱負荷進行了單輸入的預測，預測結果如圖2～圖7所示。

表2 某日24 h樣本數據

圖2 預測1 h后熱負荷的ANFIS絕對誤差 圖3 預測3 h后熱負荷的ANFIS絕對誤差

圖4 預測5 h后熱負荷的ANFIS絕對誤差 圖5 預測8 h后熱負荷的ANFIS絕對誤差

圖6 預測12 h后熱負荷的ANFIS絕對誤差 圖7 預測24 h后熱負荷的ANFIS絕對誤差

圖2～圖7顯示了所有潛在的輸入變量對集中供熱系統熱負荷預測結果的影響。根據圖2和圖3顯示，對于預測1 h和3 h后的熱負荷，影響力最大的參數是沒有時間滯后的參數。這意味著目前的熱負荷值對于預測來說是足夠的。根據圖4～圖6顯示，隨著預測時間的變長，影響力最大的參數為時間滯后值。

使用給定的輸入變量進行預測，首先，把室外溫度和熱負荷固定在t時刻，用當前時刻t和滯后時刻的供水流量來建立預測模型，得到所有的預測結果。接下來，固定熱負荷在t時刻，使用當前時刻和滯后的供水流量和室外溫度建立預測模型。最后，使用所有滯后時間的熱負荷交替進行前兩步。每個組合都建立了一個ANFIS模型，并且在每一個時間點上分別訓練它們。

從表3中能清楚地看出預測結果，進行3組輸入變量的負荷預測中，用當前時刻熱負荷Q(t)，室外溫度T(t)，供水流量qm(t)來預測1 h后熱負荷的模型相對誤差最小，僅為3.13%。對于預測3，5，8，12 h之后的熱負荷模型來說，時間的滯后值成為了最有影響力的參數變量。3組輸入變量的ANFIS熱負荷預測結果見表3。

表3 3組輸入變量的ANFIS熱負荷預測結果

3 結 語

如果將一組非相關的或非顯著的變量選進輸入變量集，會使訓練時間加長，導致結果變差，只有找到一組合適的輸入變量，才能有效地解釋負荷的變化關系，才有可能對各種變化條件下的負荷做出準確預測。針對上述問題提出了以一種ANFIS自適應模糊神經推理系統找出最能影響集中供熱系統熱負荷預測的參數變量的方法。包裝方法是用來從一組可能的輸入變量中選擇最有影響力的變量的子集。用ANFIS確定在不同預測時間下3組輸入變量(滯后10步的熱負荷，滯后10步的室外溫度，滯后10步的供水流量)對集中供熱系統熱負荷預測的影響。

結果表明，對于1～3 h的預測來說，當前時間的輸入值可以滿足預測要求。但是對于預測3 h后的熱負荷來說，時間滯后值是熱負荷預測中最有影響力的參數。

對ANFIS進行更進一步的細化和改進，可以從加速不同預測模型的訓練過程以減少系統運行時間，或者使訓練過程包含更多的潛在輸入變量和更多的滯后變量這兩個方面研究。這些方法都可以提高建立模型的預測能力。還可以著力挖掘熱負荷預測中一些新的相關因素。文中提出的分析方法不僅可以進行最相關變量的選取，還適用于超短期負荷預測。

[1] 李天智,孫海波.城市集中供熱系統控制策略[J].河北省科學院學報,2000,17(4):205-207.

[2] 趙閣.節(jié)能技術和措施在集中供熱系統中的應用[J].中國科技縱橫,2016(6):200-204.

[3] 馮旭.集中供熱與節(jié)能[J].資源節(jié)約與環(huán)保,2007,23(2):54-56.

[4] 李先瑞,李秀.中國城鎮(zhèn)集中供熱的可持續(xù)發(fā)展[C]//面向21世紀的熱電聯產學術交流會.2000.

[5] 高山,單淵達.神經網絡短期負荷預測輸入變量選擇新方法[J].電力系統自動化,2001,25(22):41-44.

[6] Talavera L. Feature selection[C]//Advances in intelligent data analysis VI. Berlin: Springer Berlin Heidelberg,2005:440-451.

[7] 顧秀萍.自適應神經模糊推理系統(ANFIS)及其仿真[J].火力與指揮控制,2010,35(2):48-49.

[8] 孫健,金鑫.探索模糊控制在鍋爐熱工控制中的應用[J].科技風,2014,19:115-115.

[9] 易繼鍇，侯媛彬.智能控制技術[J].北京:北京工業(yè)大學出版社，2003.

Heat load forecasting input variable selection

ZHANG Qi, XIE Mujun*， JIA Qichen， CAO Kaifa

(School of Electrical & Electronic Engineering, Changchun University of Technology, Changchun 130012， China)

For the central heating system, Adaptive Network-based Fuzzy Inference System (ANFIS) is used to analyze the correlation between the influencing factors of heat load and the heat load of the system. The influence of three sets of input variables on the thermal load forecasting of the central heating system are studied. Simulation results indicate that ANFIS is feasible to be applied to select the input variables of the thermal load forecasting of the central heating system, and simplify the prediction.

ANFIS; variable selection; central heating systems; heat loadforecasting.

2017-02-21

吉林省科技計劃重大項目(20126040)

張 琦(1990-)，女，漢族，吉林長春人，長春工業(yè)大學碩士研究生，主要從事工業(yè)節(jié)能控制方向研究,E-mail:619610125@qq.com. *通訊作者：謝慕君(1969-)，女，漢族，吉林長春人，長春工業(yè)大學教授，博士，主要從事工業(yè)節(jié)能控制方向研究,E-mail:1551852633@qq.com.

10.15923/j.cnki.cn22-1382/t.2017.2.09

TU 995

A

1674-1374(2017)02-0150-05