區域供熱系統的熱負荷預測方法研究

張美玲 劉曙光

(東北林業大學土木工程學院，黑龍江 哈爾濱 150040)

1 熱負荷預測的必要性

當前，我國經濟持續快速的增長，集中供熱事業也隨之面臨著極大的挑戰和良好的機遇。為更好的優化供熱系統的運行與監控，提高供熱能效，在達到供熱效果的前提下按需供熱，在此之前必須先對供熱系統的熱負荷做出精確的分析與計算，這是開展一切供熱系統工作的前提。熱負荷是指城市集中供熱系統中提供給熱用戶在單位時間內所需的熱量，它既作為重要的依據參與區域集中供熱系統的設計及規劃，也作為原始資料在供熱系統設計進行經濟分析過程中起著重要作用。當供熱需求持續的增長，供熱負荷也隨之逐漸增大，所以在供熱規模的設計規劃過程中，對應的總供熱規模和各分區域的供熱規模都應具有前瞻性并要留有較大的發展空間[1]。此外，準確的熱負荷預測也大大有利于改善鍋爐自控系統的工作，及時對各個控制單元進行有效的調節，從而提高鍋爐的效率、可靠性和經濟性。因此，對熱負荷預測的研究是十分必要的。

2 熱負荷預測方法的分類及評析

供熱負荷呈周期性變化，既包含規律性又同時包含隨機性。其中熱負荷的隨機性多指特殊不確定因素影響，例如天氣、氣候變化等。準確分析熱負荷的規律分量及隨機因素，是研究熱負荷預測高精度的關鍵問題[2]。

熱負荷預測根據其周期性分為：短期、中期及長期熱負荷預測。短期負荷預測目的是為及時調整使熱用戶的所需熱量與熱源的供熱量相匹配，對未來臨近的24 h內的供熱系統負荷的變化趨勢作出預測，其突出特點是必須以歷史負荷資料為分析依據，從而預測未來短時間負荷變化；中期負荷預測用于指導制定生產、維修及運輸等供熱系統計劃，對未來臨近一周的供熱負荷的變化進行預測；長期熱負荷預測多以未來一年為周期，主要是為優化供熱系統提供一定的參考依據。熱負荷預測方法的預測誤差與預測周期有很大關系，周期的增大，不同預測方法的預測誤差也會隨之增大。此外，抗隨機因素影響的能力的大小以及預測誤差的增長速度不同都是影響熱負荷預測方法的因素，都會使最終預測結果產生較大的差異。

熱負荷預測方法根據對數據處理的不同方式又分為：時間序列法、結構分析法及系統方法。

2.1 時間序列法

時間序列法確定的影響預測對象的因素是時間且是唯一影響因素，多適用于負荷變化較規律的短期負荷預測，根據最近的熱負荷歷史數據進行計算來預測未來值，可得到比較小的預測誤差[3]。時間序列法的優點是不需要大量的歷史數據，通過較小的工作量就能較快的計算出預測結果，并且能夠反映出供熱負荷變化的連續性[4]。常用的預測方法有：線性回歸預測法(LR)、指數加權移動平均法(EWMA)和自回歸—移動模型法(AR-MA)。

AR-MA模型，即自回歸—滑動平均模型，綜合了自回歸模型與滑動平均模型，它要求序列是平穩且隨機的，通過尋找變量的當期值及誤差值之間的關系對未來值進行預測。該方法運用白噪聲處理預測對象隨時間變化的序列，使其預測速度和預測精度都得到了提升，但是其數據處理單一且只能預測下一周期，并且無法分析其原因，多適于短期負荷預測。當近期時段數據發生改變時，此方法會表現出明顯的滯后性，預測數據受平滑作用無法立即做出反應，從而產生較大預測誤差。

2.2 結構分析法

結構分析法包括回歸分析法和指標分析法。結構分析法中回歸分析的研究及應用較多，該方法通過歸納的歷史數據規律來建立自變量和因變量的回歸方程，得出需要預測的對象(自變量)和影響因素(因變量)之間的因果關系，分析預測對象的變化趨勢和狀態數量，并采用模型來進行預測[5]。目前指標分析法尚不能很好地應用于集中供熱負荷預測，關于熱負荷預測方面的研究過淺。

回歸分析法根據自變量的變化來預測相應對象的變化，即使在系統中產生較大變化也可以及時對預測值作出修正，因此自變量的選用和正確性對預測的結果影響極為關鍵，適用于中長期熱負荷預測。

2.3 系統分析法

系統分析法分為灰色預測法和人工神經網絡法(ANN)。灰色預測方法從分析系統中各因素之間發展趨勢入手，討論其相異程度，把看似隨機的雜亂的數據集合并整理成規律序列來求解。人工神經網絡方法無需建立輸入輸出的復雜關系，通過采用一組權重來處理非線性問題從而實現輸入輸出的映射，此方法建立的模型在非線性問題的處理上相比其他方法更加合理，有效的提高了精準度，較適合短期熱負荷預測[6]。

2.3.1灰色預測方法

灰色預測是一種結構簡單的超前控制，不需要太多歷史數據，它會利用系統的已知信息的發展規律來預測系統的未來行為，并以預測出的系統未來的發展趨勢為依據，制定出合理的控制決策，有較強的應用性。此外，灰色預測還具有實時性和自適應性的特點[7]。灰色預測方法是基于1階1個變量的微分方程模型,該模型所得的解是一個指數函數,它對長期負荷預測的精度較高,對于中短期負荷預測的誤差則比較大,適合于長期負荷預測[8]。

2.3.2ANN法

人工神經網絡方法通過模仿動物腦神經網絡行為特征,在給定的輸入/輸出信號基礎上對數據進行融合并行處理，其活動網絡采用一種網絡拓撲結構，且在處理單元(神經元)為節點時無需繁瑣的計算，從而建立系統的非線性的輸入/輸出模型[9]。它實質上是對系統的一個黑箱模擬，已建立的神經網絡對歷史數據進行學習訓練，然后在給出一個未來的輸入時，它會根據已學習的經驗分析出相應的輸出。因在控制系統中多呈現非線性關系，神經網絡又可以逼近任意的這種復雜關系，所以在對較復雜的控制模型以及控制器進行建模時推薦采用該方法。人工神經網絡法還具有自適應性，可隨參數的變化及時對模型結構做出自我調整，因此對短期熱負荷預測是比較準確的。

2.4 預測方法存在的問題

時間序列法只適用于短期預測且要求負荷變化均勻，無法對突發及異常情況及時反應，例如驟然變化的天氣等。回歸分析法因通過自變量來預測相應變量，因此自變量的選擇對整個預測結果的準確性影響巨大。灰色預測法雖然具有較強的自適應性，但模型對偶然因素抗力不足且建模初期需要大量數據導致工作量較大，缺乏實用性。人工神經網絡法因具有自適應性、自學習、自組織的特點，對難以用規則或模型描述的系統比較適用，但神經網絡結構優化問題及學習和訓練速度的提升問題，以及如何使運用的算法達到全局最優都是待深入研究的重點。

目前集中供熱分戶熱計量正在大范圍應用，已逐漸成為建筑節能降耗的基本措施，這種供熱方式會使整個熱網的供熱量及流量無規律且時刻變化著，傳統的熱負荷預測方法很難適應這種變化，為實現按需供熱以滿足熱用戶的需要，對于既有建筑的熱負荷預測優先選擇的是人工神經網絡法。因人工神經網絡對處理復雜的非線性系統具有強大的映射與泛化能力，且對其研究與應用已趨于成熟，因此更適合在熱負荷預測中推廣。在實際工作中，供熱系統的熱負荷預測關系到各個方面，涉及城鎮集中供熱系統供暖方式的合理性和經濟性以及今后運行過程中的運行成本問題，因而在此后的研究中，除了注重大量積累熱負荷歷史資料的同時，更應著重研究熱負荷預測的快速、高精度方面，從而提高預測的有效性。

[1] 李 兵,范莉惠.灰色預測模糊自適應PID控制在供熱系統中的應用[J].唐山學院學報,2015,28(3):18-20.

[2] 康思民.小區供熱系統鍋爐熱負荷預測實現研究[D].西安：西安石油大學,2006.

[3] 李勝濤.集中供熱系統的熱負荷預測方法研究[D].西安：長安大學,2014.

[4] 郝 源.基于人工神經網絡的建筑熱負荷預測及控制[D].大連：大連海事大學,2015.

[5] 陳路路.基于負荷預測的集中供熱系統能效研究[D].濟南：山東建筑大學,2013.

[6] 蔡龍俊.青浦工業園區熱負荷預測方法[A].全國暖通空調制冷2010年學術年會論文集[C].2010:1.

[7] 蘇文濤,斯 琴.淺談供熱管網的規劃設計[J].內蒙古科技與經濟,2005(21):99-100.

[8] 郝有志,李德英.熱負荷預測方法評析[J].建筑熱能通風空調,2003(1):26-27.

[9] 李玉云,王永驥.人工神經網絡在暖通空調領域的應用研究發展[J].暖通空調,2001(1):38-41.