热负荷的预测分析

第29卷第1期动力工程Vol 29 No. 12009年1月Journal of Power engineeringJan.2009文章编号:1000-6761(2009)01-0049-04中图分类号:TP393.09文献标识码:A学科分类号:510.40热负荷的预测分析古丽扎提·海拉提1,加玛力汗·库马什1,李俊2,李金龙2(1.新疆大学电气工程学院,乌鲁木齐830008;2.乌鲁木齐市华源热力有限公司,乌鲁木齐830054)摘要:应用 Matlab神经网络工具箱函数,建立了可用于热网供暖短期预测的前向反馈BP网络模型,并根据乌鲁木齐市华源热力公司的实际供热网络数据,对所建立的网络进行了训练和检验结果表明:该模型具有较好的预测特性,为热网监控与调节提供了依据,从而可实现按需供热,节约能源关键词:热力网;热负荷;神经网络;短期预测;BP网络Prediction Analysis of heat loadGulzat Hailati', Jamalihan Kumashi, LI Jun', LI Jin-long(l. Electrical Engineering College, XinJiang University, Urumchi 830008, China;2. Huayuan Heat Supply Co, Ltd. of Urumchi, Urumchi 830054, China)Abstract: Based on the Matlab neural network toolbox, a forward feedback BP network model was built topredict short-term heat demand for heat-supply network. The actual data from Huayuan Heat Supply Co.Ltd. of Urumchi was used to train and verify the network model. results show that the model has betterprediction characteristic. The model provides theory basis for heat network monitor and regulation, so theheat supply can be accomplished according to the demand, and power consumption can be reduced at thesame timeKey words: heat supply network; heat load; neural network; short-term prediction; BP network应用计算机监测和控制热网系统的运行,由此从而实现按需供热,节约能源采集的众多数据只起到对运行工况的监督作用,而没有用于热网的优化运行及调度如果根据所采集1BP网络与学习算法的数据分析供热负荷的大小、特征及变化规律,实现BP网络是一种多层前馈神经网络,其神经元的对未来的负荷和特性进行预测,对热网动态系统实变换函数是S型函数,由于权值的调整采用反向传行前馈监督控制,避免运行人员操作的盲目性才能播的学习算法,因此称其为BP网络.BP网络的优真正体现出计算机控制的优势.笔者应用 Matlab神势主要表现在模式匹配、模式分类、模式识别和模式经网络工具箱函数,建立了可用于热网供暖短期预分析等方面,可用于复杂类的模式识别、语言识别测的前向反馈BP网络模型.这将为供热系统负荷自适应目标识别和函数逼近等领域预测提供理论依据积累实际运行的调节经验12作随珊可概挺为网络某一层的处中国煤化工收稿日期:20080505修订日期:2008-06-02CNMHG基金项目:乌鲁木齐华源热力有限公司供热系统热负荷调节控制研究资助项目作者简介;古丽扎提·海拉提(1985-),女,哈萨克族新疆富蕴县人士研究生,研究方向为:电气控制与仿真HR(Tel):1399992492E-mail:glzt128@gmail.com.29理单元接受来自所有较低层次的信号,然后将这些信号按照一定的规则处理后送给较高层次的处理单YAD元权值的更新按BP算法从最高层次向最低层次进行,并通过改变增益项和动量因子的大小来调整y(k+1)权值.BP算法旨在求误差函数的最小值,误差函数的权值调整是一个始于输出层的反向传播递归过图1神经网络辨识热网的动态系统Fig 1 Sketch of neural network system for heat supply程,即误差项的传播方向与信息的传播方向相反,通network dynamic identification system过对多个样本的反复训练并向减小误差的方向修改报提供依据权值,直到达到满意的精度为止BP网络模型的系统采用3层网络结构,隐含层图1为神经网络辨识热网动态系统的示意图.和输出层激活函数可选择 tan s1g和 purelin函数,其中,A为被辨识的热网动态系统;B为由神经网路tan $1g函数的表达式为:构成的一个辨识模型;d为系统干扰,即室外温度T图中A与B是并联的将输入x(k)-T(k),qmf i(r)=tanh([)=i-exp(+ exp((k)同时加到A和B上,测量其输出y(k+1)purelin函数的表达式为:(k+1)和Th(k+1),并利用误差e(k+1)=Th(k+f2(r)= k(2)1)-Th(k+1)修正B的参数使e(k+1)趋近于0输出为:此时辨识模型B能很好地近似热网动态系统Ay,=f2[(∑f1(x·v-)·w-.](3)笔者结合乌鲁木齐市华源热力有限公司供暖的实际情况,提取了输入样本数据.该热力有限公司1式中:x为供热网输入参数;w为输入层节点i至隐含层节点j之间的权值;6,为隐含层节点j的阈天采集3次数据,即每8h做1次数据记录,取值;为隐含层节点j至输出层节点k之间的权8)~(t-16)时刻的T、qmT、Th代入X,D,Y,从值;6为输出层节点k的阈值;y。为网络计算输出而构成BP网络的输入向量,输出为t时刻的Th.因此,将前2次时间段的数据作为神经网络训练样本BP模型虽然有众多优点,但也存在一些问题①学习算法的收敛速度很慢,在处理一些复杂问题预测第三时间段的回水温度,具体步骤示于图2.时训练时间往往过长;②从数学角度来看,它是一个匚样本数据归一化处理昌非线性优化问题,由于采用梯度下降法,有可能最终确定BP网络的结构的收敛结果是局部极小值,而不是目标函数的全局BP神铎网络训练最小值;③网络隐含层单元数的选取尚无理论指导,预测结果输只能靠经验来确定,网络结构选取过小,不能达到设预测结果的反归一化处理定的误差要求,过大则网络的泛化能力下降.为了改进训练学习性能,减少局部极小情况的发生,可采取图2BP神经网络预测的具体步骤Fig 2 Process of the BP network prediction增加中间单元、自动调整学习速率、附加冲量项以及由多种初始值开始多次训练等方法经过分析,选用用同样的方法可预测热网的其他参数,如流量弹性回归算法不仅能快速收敛,而且收敛结果趋于室外温度供水温度等全局最小值3预测结果分析2热网参数动态模型的预测由于热力系统负荷变化的复杂性,神经网络要以乌鲁木齐市华源热力有限公司的6号建华换获取其变化规律,需要较大的训练样本根据乌鲁木热站为建模对象以其2004年11月—2005年4月齐市华源热力有限公司的运行数据,在一个完整的的运行数据为依据建立了神经网络热网系统的动.暖期中,用每日前16h的数据作为样本,预测后态模型,虽然它的运行环境与运行方法不是最理想h中国煤化工等)图3为BP网和最科学的,但按照其实际运行环境进行了系统辨络以及流量qm的预识,并在此基础上进行了预测预报,目的在于探索神测CNMHG经网络模型在热网动态系统预报中的应用,并从中表1为乌鲁木齐市华源热力有限公司的6号换得出一些经验,为真正实现热网动态系统的预测预热站回水温度和流量的部分仿真数据误差分析表第1期古丽扎提·海拉提,等:热负荷的预测分析表1乌鲁木齐市华源热力有限公司6号换热站回水温度和流量的仿真数据误差分析Tab 1 Error analyse of backwater temperature and now of the Huayuan Heat Company Supply Co,. Ltd No 6 heat exchangestation of Urumchi预测时刻实际回水预测回水回水温度实际流量值预测流量值流量误差值温度值/℃温度值/℃误差/K/(m3·s-1)/(m3·s-1)2004-11-14011.141.36321.3632506.304-11-342.5045.2338548.42004-11-441.56941.5694475.11.36324304544.45.56651.566513.745.41551.81552004-11-1048.91832.818316.62004-11-1143.1044.26791.1679369402.833.82004-11-1244.0045.25381.253840244.0045.26191.26192004-11-1443.8044.97981.1798380.32004-11-1543.40840.7084476.543.49400.4940412.92004-11-1741.5043.52452.0245519.72004-11-1844.53421.53424-11-191.0880746.704-11-2044.17581.175812.52004-11-2143.0044.30711.3071716.613.42004-11-2243.3044.81621.51628842.49752004-11-2442.7543.63460.88466.62004-11-2542.0042.63520.6352744.32004-11-2644.2544.93100.6810756.7-18.347.49662004-11-2848.728422.62004-11-2948.71602004-11-3046.631.119946.00212004-12-0247.65541.1554870.321.32004-12-0344.0044.57110.5711839.547.1787l.178747.17871.178748.00121.5012878.446.47.46151,4615874.32004-12-084707992004-12-0947.40791.1579855.42004-12-1045.2546.32721.0772841.52-112547,0048.15122004-12-1348.15121.1512862.12004-12-1446.7547.63780.8878854.246.002004-12-1647.0480847.1004-12-1746.630.93892004-12-1847.3848.19460.81468.5347.6348.4588H中国煤化工0.828846.7547.8591CNMHG2004-122247.0048.06051.0605855.善3.82004-122347.44150.9415847.5动力工程第29卷实际值实际值长010203040506070800102030405060708090100101201301401501601701采样次数/天样次数/天(a)回水温度(b)流量图3神经网络预测值与实际值的比较Fig 3 The comparison between neural network prediction value and actual val10160180采样次数/天采样次数/天(a)回水温度(b)流量图4神经网络预测值与实际值间的误差分析Fig 4 Error analys各模型以0.001位样本为训练目标.比较实际值和模实现按需供热,节约能源,具有较好的实际推广和应型预测结果可看出,BP网络具有很好的非线性映射用价值最佳逼近能力;从网络训练的收敛速度看,BP网络的收敛速度也比较快0參考文从图4可看出,神经网络预测模型的预测值与[1]赫有志李德英热负荷预测方法评析[J北京建筑实时测量值之间存在一定的误差.从图3中也可看工程学院,2003,22(1):26-27.出曲线各个拐点的误差都比较大产生误差的主要[2]薰长虹神经网络与应用[M北京国防工业出版原因是:①样本数据是手抄数据,时间间隔也有一定社,2005:300-315的误差故不能较准确地提取变化规律,导致预测模[3]钩神经网络预测技术在供热系统中的应用LD型的精确性下降:②神经网络模型结构的确定(即网4]飞思科技产品研发中心神经网络理论与Matb7络本身)也会对预测结果产生一定的影响,所以预测实现[M].北京:电子工业出版社,2005:25-321.值和真实值之间必然存在一定的误差[5]康胜文两种热负荷预测方法的比较[.区域供热,结论2004(2):22-24[6]贺平,孙刚供热工程[M].第三版.北京:中国建筑工静态多层前馈BP网络具有非常好的非线性通业出版社,1993:113-185近能力BP网络具有良好的辨识能力,对热网系统7]黄朝热网监控系统控制模式分析[门内蒙古电力技实际输出值的变化趋势有较好的预测效果,但这种术,2002,20(6):10-1方法也存在缺陷,其隐含层层数、隐含层节点数的选[8]江亿集中供热网控制调节策略的探讨[门.区域供热,1997,67(2):10-14.择还没有确定的理论根据激励函数学习算法学[9]易继错侯媛彬智能控制技术M.北京;北京工业习速率和动量因子还只能通过反复试算来确定神大学出版社,2003:95-138.经网络具有非线性特性、自学习和自适应能力适用[10中国煤化工M北京:清华大学于多变量系统,为自动控制提供了一种非常新颖的方法.笔者对乌鲁木齐市华源热力有限公司热网系[11CNMH经网络预测控制的统进行了预测分析,为热力网监控调节提供了理论单元机组协调控制策略[]动力工程,2006,26(3)依据,实现了供热负荷的神经网络闭环控制,从而可