基于PSO-SVM的多參數(shù)條件下供熱負荷預(yù)測研究

摘" 要：熱負荷是智慧供熱系統(tǒng)中的重要參數(shù)，能夠準確地預(yù)測負荷需求，并進行精準調(diào)控是智慧熱網(wǎng)中實現(xiàn)能源節(jié)約和可持續(xù)運行的重要舉措。該文依據(jù)新疆某換熱公司2023年度供熱數(shù)據(jù)，選取關(guān)聯(lián)度高的氣象、參數(shù)特征量作為輸入，構(gòu)建基于PSO-SVM算法的區(qū)域供熱模型，同時為驗證該模型的預(yù)測精度，將所提出的PSO-SVM算法模型與基于SVM模型、極限學(xué)習(xí)機ELM模型、BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測方法開展對比實驗，并采用3種評價函數(shù)驗證。研究表明，所構(gòu)建的PSO-SVM算法模型預(yù)測精度顯著提升。

關(guān)鍵詞：熱負荷預(yù)測；PSO-SVM算法；預(yù)測精度；智慧供熱系統(tǒng)；供熱模型

中圖分類號：TU995" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2025）08-0073-04

Abstract： Heat load is an important parameter in intelligent heating system. Accurate prediction of load demand and accurate regulation are important measures to achieve energy conservation and sustainable operation in intelligent heat supply network. Based on the heat supply data of a heat exchange company in Xinjiang in 2023， this paper selects highly correlated meteorological and parameter characteristics as inputs to build a district heating model based on the PSO-SVM algorithm. Meanwhile， in order to verify the prediction accuracy of the model， The proposed PSO-SVM algorithm is compared with ELM model and BP neural network model prediction method in three evaluation functions. The results show that the prediction accuracy of the constructed PSO-SVM algorithm model is significantly improved.

Keywords： heat load forecasting; PSO-SVM algorithm; forecasting accuracy; intelligent heating system; heating model

目前，我國北方集中供熱已形成燃氣鍋爐供熱為主，熱電聯(lián)產(chǎn)為輔的方式[1]。然而，隨著供暖面積的日益增加，供暖管道敷設(shè)的復(fù)雜化以及室外氣溫的靈活多變，原有通過經(jīng)驗調(diào)節(jié)熱負荷的供熱過程存在嚴重的能源浪費[2]。由于供熱系統(tǒng)具有非線性、熱時滯、強耦合的特點，導(dǎo)致?lián)Q熱站的負荷預(yù)測存在一定難度，因此，如何準確預(yù)測熱需求，實現(xiàn)精細化供熱，在降低能源消耗上具有重要意義[3]。

熱負荷預(yù)測分為超短期、短期、中期以及長期4類。超短期為預(yù)測未來1 h內(nèi)熱負荷變化趨勢，實現(xiàn)實時監(jiān)控的目的；短期為預(yù)測未來24 h熱負荷，為供暖提供合理調(diào)度方案；中期為預(yù)測未來3～7 d熱負荷，為制定生產(chǎn)計劃提供依據(jù)；長期為預(yù)測未來3～6個月的熱負荷，為供熱全局規(guī)劃提供指導(dǎo)意義[4]。因此，選取3～7 d熱負荷數(shù)據(jù)進行中期熱負荷預(yù)測在指導(dǎo)優(yōu)化生產(chǎn)環(huán)節(jié)中具有現(xiàn)實意義。

1" 算法原理介紹

1.1" 支持向量機

支持向量機（Support Vector Machine，SVM）是一種常用于分類與回歸的機器學(xué)習(xí)算法。其核心目標是在特征空間中找到一個能夠?qū)⒉煌悇e數(shù)據(jù)點盡可能正確分開的超平面。對于線性可分的情況，這個超平面可以通過尋找使得兩類數(shù)據(jù)點到超平面距離最大的位置來確定。對于線性不可分的數(shù)據(jù)，SVM引入核函數(shù)，將數(shù)據(jù)映射到高維空間，使其在高維空間中變得線性可分。算法具有2個重要參數(shù)：懲罰參數(shù)C決定了模型的復(fù)雜度和泛化能力，核函數(shù)？滓適用于不同數(shù)據(jù)分布，從而進行有效判別。SVM本身在尋找參數(shù)C與？滓最優(yōu)組合的過程中存在限制。

1.2" 粒子群算法

粒子群算法（Particle Swarm Optimization，PSO）是一種基于群體智能的參數(shù)尋優(yōu)算法，其具有強大的全局搜尋功能，收斂迅速，適用于大型數(shù)據(jù)集的優(yōu)化。在PSO中，將待優(yōu)化問題的解空間類比為一個搜索空間，每個可能的解被看作是搜索空間中的一個粒子。粒子具有位置和速度2個屬性，位置代表解向量，速度決定粒子在搜索空間中的移動方向和步長[5]。

計算更新后的粒子位置的適應(yīng)度值，若某個粒子的當前位置適應(yīng)度優(yōu)于其個體最優(yōu)位置的適應(yīng)度，則更新個體最優(yōu)位置；若某個粒子的當前位置適應(yīng)度優(yōu)于群體全局最優(yōu)位置的適應(yīng)度，則更新全局最優(yōu)位置。當滿足預(yù)設(shè)的終止條件時，算法停止迭代，輸出全局最優(yōu)解作為問題的近似最優(yōu)解。

1.3" PSO-SVM算法基本原理

PSO-SVM算法是將PSO算法和SVM模型結(jié)合起來，通過PSO算法優(yōu)化SVM的參數(shù)，包括核函數(shù)類型、核函數(shù)參數(shù)、懲罰系數(shù)和正則化參數(shù)等。在PSO-SVM算法模型中，粒子位置表示SVM的參數(shù)，粒子速度表示當前搜索的方向和速度，全局最優(yōu)位置表示SVM的最優(yōu)參數(shù)組合，不斷地更新粒子的速度和位置，找到最優(yōu)解[6]。PSO-SVM算法模型通過多輪迭代，自適應(yīng)地搜索最優(yōu)解，具有較高的精度和泛化能力，能夠很好地應(yīng)用于短期負荷預(yù)測的問題。PSO-SVM模型建立流程如圖1所示。

2" 總體流程描述

本文所提及的PSO-SVM多參數(shù)條件下供熱負荷預(yù)測方法具體過程如下。

數(shù)據(jù)準備：收集歷史負荷數(shù)據(jù)，由于歷史負荷數(shù)據(jù)受環(huán)境影響，傳感器采集數(shù)據(jù)中存在有異常和缺失值，為保證預(yù)測質(zhì)量，本文對數(shù)據(jù)進行清洗、平滑、插補和降維，采用鄰位平均值的方法替換補充個別異常數(shù)據(jù)。

數(shù)據(jù)分割：將歷史數(shù)據(jù)集分為訓(xùn)練集和測試集。在本文的熱負荷預(yù)測中選取2023年3月14至2023年3月18日的負荷數(shù)據(jù)作為訓(xùn)練集，2023年3月19日的數(shù)據(jù)作為測試集。

3" 實驗分析及性能評估

3.1" 數(shù)據(jù)集與評價標準

以新疆某供熱公司換熱站為研究對象，該供熱公司供熱轄區(qū)為烏魯木齊城北新區(qū)，烏魯木齊地理位置具有南高北低的地勢特征，屬于典型中溫帶大陸性干燥氣候，季節(jié)交替明顯。選取烏魯木齊城北新市區(qū)某熱力公司熱源中心旁的商業(yè)辦公建筑作為研究對象。該建筑供熱面積為8 209.42 m2，主要建筑材料為石材板，建筑面積大，吸熱性能強，同時內(nèi)部設(shè)有通風系統(tǒng)，該研究對象為二步節(jié)能建筑，具備較強的儲熱能力和承載熱負荷的能力，適用于熱負荷預(yù)測的研究。供熱系統(tǒng)結(jié)構(gòu)圖如圖3所示。

熱源通過一次管網(wǎng)提供給換熱站，二次側(cè)換熱將熱量供應(yīng)商業(yè)辦公建筑，在一、二網(wǎng)供回水管出口處安裝有WZPK-236熱電阻測溫，CRL-G管段式超聲熱量表進行熱計量，換熱站擁有供熱監(jiān)控平臺，實時監(jiān)控熱網(wǎng)運行工況。根據(jù)該供暖需求，因片區(qū)建筑復(fù)雜，實際需求熱負荷難以測算，供熱公司熱源將產(chǎn)生的熱量作為負荷依據(jù)。

實驗數(shù)據(jù)來源于2023年3月14日至2023年3月19日期間的該建筑的供熱數(shù)據(jù)，每隔10 min采集樣本數(shù)據(jù)，共8 628組有效數(shù)據(jù)，確定一次供溫（℃）、一次回溫（℃）、二次供溫（℃）、二次回溫（℃）、室外溫度（℃）、熱表瞬時流量（m3/h）、熱表瞬時熱量（GJ）為輸入變量。

本文選取的評價標準為均方根誤差RMSE（Root Mean Square Error）、平均絕對百分比誤差MAPE（Mean Absolute Error）、決定系數(shù)R2。

3.2" 模型性能驗證

在對實驗數(shù)據(jù)進行預(yù)訓(xùn)練的過程中，與SVM模型、PSO-SVM模型、BP神經(jīng)網(wǎng)絡(luò)模型以及ELM神經(jīng)網(wǎng)絡(luò)模型的實驗預(yù)測結(jié)果進行比對，預(yù)測誤差見表1。

由表1中的預(yù)測誤差結(jié)果分析可知，在3種評價標準下，PSO-SVM熱負荷預(yù)測模型相比于其他3種模型，預(yù)測效果最優(yōu)。從均方根誤差RMSE來看，單一SVM模型為51.46，引入粒子群優(yōu)化后的PSO-SVM模型下降到31.58，與BP神經(jīng)網(wǎng)絡(luò)模型和ELM神經(jīng)網(wǎng)絡(luò)模型的32.83、37.65相比更優(yōu)。從平均絕對百分比誤差MAPE的角度來看，單一SVM模型經(jīng)過粒子群算法優(yōu)化后MAPE從6.13下降到3.61，與BP神經(jīng)網(wǎng)絡(luò)模型和ELM神經(jīng)網(wǎng)絡(luò)模型的3.74、4.32相比更優(yōu)。從決定系數(shù)R2的角度來看，SVM擬合優(yōu)度決定系數(shù)R2為0.95，擬合優(yōu)度決定系數(shù)R2為0.98，在0.95以上；說明經(jīng)過優(yōu)化后的SVM預(yù)測模型預(yù)測精度有較大的提升，擬合效果更加優(yōu)秀。綜上所述，基于PSO-SVM的熱負荷預(yù)測模型精度要明顯高于其他方法。

為進一步說明本文模型的可靠度，得到SVM模型、PSO-SVM模型、BP神經(jīng)網(wǎng)絡(luò)模型以及ELM神經(jīng)網(wǎng)絡(luò)模型的負荷預(yù)測曲線，觀察與實際運行負荷曲線的吻合度，各模型預(yù)測曲線如圖4所示。

從圖4中可以看出，負荷曲線呈現(xiàn)非線性和隨機性，以上4種預(yù)測方法都與真實負荷曲線逼近，但是預(yù)測精度上仍存在差異。

4" 結(jié)論

本文提出一種基于PSO-SVM的中期熱負荷預(yù)測方法，該方法對某熱力公司換熱站連續(xù)一周數(shù)據(jù)為樣本，進行預(yù)處理提升模型準確性。其次，選取一次供溫、一次回溫、二次供溫、二次回溫、室外溫度、熱表瞬時流量和熱表瞬時熱量作為輸入，剔除無關(guān)變量，減少模型訓(xùn)練參數(shù)。然后，為充分挖掘熱負荷數(shù)據(jù)中的時序特征和天氣因素，將PSO算法引入到SVM模型中，快速尋找全局最優(yōu)解從而完成熱負荷預(yù)測。為驗證所提出方法的有效性，將其與負荷預(yù)測中廣泛使用的SVM模型、BP神經(jīng)網(wǎng)絡(luò)模型以及ELM神經(jīng)網(wǎng)絡(luò)模型進行比較。在不同的評價標準下，所提出方法各項指標均優(yōu)于其他方法，說明所提出的方法具有良好的預(yù)測精度。

參考文獻：

[1] 高乙棟.基于深度學(xué)習(xí)的區(qū)域供熱系統(tǒng)熱負荷預(yù)測及運行參數(shù)優(yōu)化[D].濟南：山東大學(xué)，2021.

[2] 馬旭.基于負荷預(yù)測的供熱系統(tǒng)一次側(cè)優(yōu)化控制研究[D].北京：華北電力大學(xué)，2022.

[3] 韓寶成，張璐，董梅，等.大型集中供熱系統(tǒng)全網(wǎng)熱用戶供熱負荷預(yù)測研究[J].區(qū)域供熱，2023（6）：135-146.

[4] 孫莉.基于深度學(xué)習(xí)的集中供暖系統(tǒng)短期熱負荷預(yù)測研究[D].北京：華北電力大學(xué)，2023.

[5] 楊遠鵬，陳志剛，余志紅，等.基于WOA-VMD與PSO-SVM的滾動軸承故障診斷[J].制造技術(shù)與機床，2025（2）：23-29，42.

[6] 范斌，李豫明，郭強強，等.基于PSO-SVM-AdaBoost的超短期風電功率預(yù)測[J/OL].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），1-8[2024-12-23].http：//kns.cnki.net/kcms/detail/15.1209.S.202 41220.1506.008.html.