热负荷的预测分析
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图 2 BP 神经网络预测的具体步骤 Fig. 2 Process of t he BP net work prediction
用同样的方法可预测热网的其他参数 ,如流量 、 室外温度 、供水温度等.
3 预测结果分析
由于热力系统负荷变化的复杂性 ,神经网络要 获取其变化规律 ,需要较大的训练样本. 根据乌鲁木 齐市华源热力有限公司的运行数据 ,在一个完整的 采暖期中 ,用每日前 16h 的数据作为样本 ,预测后 8h 的热量参数 (如回水温度 、流量等) . 图 3 为 B P 网 络对热网动态模型回水温度 Tg 以及流量 qm 的预 测值与实际值的比较曲线. 表 1 为乌鲁木齐市华源热力有限公司的 6 号换 热站回水温度和流量的部分仿真数据误差分析表.
40. 00
41. 363 2
1. 363 2
490
200421123
42. 50
45. 233 8
2. 733 8
485
200421124
40. 00
41. 569 4
1. 569 4
464
200421125
40. 00
41. 363 2
1. 363 2
490
200421126
42. 90
44. 063 7
图 1 神经网络辨识热网的动态系统 Fig. 1 Sketch of neural net work system for heat supply
net work dynamic identification system
报提供依据[628 ] . 图 1 为神经网络辨识热网动态系统的示意图. 其中 ,A 为被辨识的热网动态系统 ;B 为由神经网路 构成的一个辨识模型[9] ; d 为系统干扰 ,即室外温度 Tw . 图中 A 与 B 是并联的 ,将输入 x ( k) - Tg ( k) , qm ( k) 同时加到 A 和 B 上 ,测量其输出 y ( k + 1) - Th · ( k + 1) 和 ^T h( k + 1) ,并利用误差 e( k + 1) = T h ( k + 1) - ^T h( k + 1) 修正 B 的参数 ,使 e ( k + 1) 趋近于 0 , 此时辨识模型 B 能很好地近似热网动态系统 A .
2004211211
43. 10
44. 267 9
1. 167 9
369
2004211212
44. 00
45. 253 8
1. 253 8
375
2004211213
44. 00
45. 261 9
1. 261 9
377
2004211214
43. 80
44. 979 8
1. 179 8
371
1. 163 7
585
200421127
43. 30
44. 573 4
1. 273 4
562
200421128
44. 00
45. 566 5
1. 566 5
485
200421129
43. 60
45. 415 5
1. 815 5
389
2004211210
46. 10
48. 918 3
2. 818 3
369
电话 ( Tel . ) :13999924928 ; E2mail :glzt128 @gmail . co m.
·50 ·
动 力 工 程
第 29 卷
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
元. 权值的更新按 B P 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 权值. B P 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
程 ,即误差项的传播方向与信息的传播方向相反 ,通 过对多个样本的反复训练并向减小误差的方向修改
权值 ,直到达到满意的精度[325 ] 为止. B P 网络模型的系统采用 3 层网络结构 ,隐含层
和输出层激活函数可选择 tan sig 和 p urelin 函数 , tan sig 函数的表达式为 :
由多种初始值开始多次训练等方法. 经过分析 ,选用 弹性回归算法不仅能快速收敛 ,而且收敛结果趋于 全局最小值.
2 热网参数动态模型的预测
以乌鲁木齐市华源热力有限公司的 6 号建华换 热站为建模对象 ,以其 2004 年 11 月 —2005 年 4 月 的运行数据为依据 ,建立了神经网络热网系统的动 态模型 ,虽然它的运行环境与运行方法不是最理想 和最科学的 ,但按照其实际运行环境进行了系统辨 识 ,并在此基础上进行了预测预报 ,目的在于探索神 经网络模型在热网动态系统预报中的应用 ,并从中 得出一些经验 ,为真正实现热网动态系统的预测预
2热网参数动态模型的预测以乌鲁木齐市华源热力有限公司的6号建华换热站为建模对象以其2004年11月2005年4月的运行数据为依据建立了神经网络热网系统的动态模型虽然它的运行环境与运行方法不是最理想和最科学的但按照其实际运行环境进行了系统辨识并在此基础上进行了预测预报目的在于探索神经网络模型在热网动态系统预报中的应用并从中得出一些经验为真正实现热网动态系统的预测预图1神经网络辨识热网的动态系统fig
第 1 期
古丽扎提 ·海拉提 ,等 :热负荷的预测分析
·51 ·
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 flow of the Huayuan Heat Company Supply Co. , Ltd No. 6 heat exchange
station of Urumchi
预测时刻
实际回水 温度值/ ℃
预测回水 温度值/ ℃
回水温度 误差/ K
实际流量值 / ( m3 ·s - 1)
预测流量值 / ( m3 ·s - 1)
流量误差值 / ( m3 ·s - 1)
200421121
40. 00
41. 569 4
1. 569 4
464
200421122
从而实现按需供热 ,节约能源.
1 BP 网络与学习算法
B P 网络是一种多层前馈神经网络 ,其神经元的 变换函数是 S 型函数 ,由于权值的调整采用反向传 播的学习算法 ,因此称其为 B P 网络. B P 网络的优 势主要表现在模式匹配 、模式分类 、模式识别和模式 分析等方面 ,可用于复杂类的模式识别 、语言识别 、 自适应目标识别和函数逼近等领域.
B P 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 时训练时间往往过长 ; ②从数学角度来看 ,它是一个 非线性优化问题 ,由于采用梯度下降法 ,有可能最终 的收敛结果是局部极小值 ,而不是目标函数的全局 最小值 ; ③网络隐含层单元数的选取尚无理论指导 , 只能靠经验来确定 ,网络结构选取过小 ,不能达到设 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 增加中间单元 、自动调整学习速率 、附加冲量项以及
Prediction Analysis of Heat Load
Gul z at ·H ai l ati1 , J am al i han ·K um as hi1 , L I J un2 , L I J i n2lon g2 (1. Elect rical Engineering College , XinJ iang U niver sit y ,U rumchi 830008 , China ;
f 1 ( x)
=
tanh (
x 2
)
=
1 1
+
exp ( exp ( -
x) x)
(1)
p urelin 函数的表达式为 :
f 2 ( x) = kx
(2)
输出为 :
∑ ye = f 2 [ ( f 1 ( x l ·w ji - θj ) ·w kj - θk ] (3)
式中 : xl 为供热网输入参数 ; w ji 为输入层节点 i 至 隐含层节点 j 之间的权值 ; θj 为隐含层节点 j 的阈 值 ; w kj 为隐含层节点 j 至输出层节点 k 之间的权 值 ;θk 为输出层节点 k 的阈值 ; ye 为网络计算输出.
应用计算机监测和控制热网系统的运行 ,由此 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 的数据分析供热负荷的大小 、特征及变化规律 ,实现 对未来的负荷和特性进行预测 ,对热网动态系统实 行前馈监督控制 ,避免运行人员操作的盲目性 ,才能 真正体现出计算机控制的优势. 笔者应用 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 B P 网络模型. 这将为供热系统负荷 预测提供理论依据 ,积累实际运行的调节经验[1 ,2] ,
B P 网络的工作原理可概括为 :网络某一层的处
收稿日期 :2008205205 修订日期 :2008206202 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 (19852) ,女 ,哈萨克族 ,新疆富蕴县人 ,硕士研究生 ,研究方向为 :电气控制与仿真.
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 B P 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 ;B P 网络
2. Huayuan Heat Supply Co . ,L t d. of U rumchi , U rumchi 830054 , China)
Abstract : Based o n t he Matlab neural net work toolbo x , a forward feedback B P net work model was built to p redict sho rt2term heat demand for heat2supply net wo rk. The act ual data f ro m Huayuan Heat Supply Co . , L t d. of U rumchi was used to t rain and verif y t he net work mo del . Result s show t hat t he model has bet ter p redictio n characteristic. The model p rovides t heory basis for heat net work mo nitor and regulatio n , so t he heat supply can be acco mplished according to t he demand , and power co nsumptio n can be reduced at t he same time. Key words : heat supply network ; heat load ; neural net wo rk ; short2term p redictio n ; B P net work
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 天采集 3 次数据 ,即每 8 h 做 1 次数据记录 ,取 ( t 8) ～ ( t - 16) 时刻的 Tg 、qm 、Tw 、T h 代入 X , D , Y , 从 而构成 B P 网络的输入向量 ,输出为 t 时刻的 T h. 因 此 ,将前 2 次时间段的数据作为神经网络训练样本 , 预测第三时间段的回水温度 ,具体步骤示于图 2.
第 29 卷 第 1 期 2009 年 1 月
动 力 工 程 Jo urnal of Power Engineering
Vol . 29 No . 1 J an. (2009) 0120049204 中图分类号 : TP393. 09 文献标识码 : A 学科分类号 : 510. 40
用同样的方法可预测热网的其他参数 ,如流量 、 室外温度 、供水温度等.
3 预测结果分析
由于热力系统负荷变化的复杂性 ,神经网络要 获取其变化规律 ,需要较大的训练样本. 根据乌鲁木 齐市华源热力有限公司的运行数据 ,在一个完整的 采暖期中 ,用每日前 16h 的数据作为样本 ,预测后 8h 的热量参数 (如回水温度 、流量等) . 图 3 为 B P 网 络对热网动态模型回水温度 Tg 以及流量 qm 的预 测值与实际值的比较曲线. 表 1 为乌鲁木齐市华源热力有限公司的 6 号换 热站回水温度和流量的部分仿真数据误差分析表.
40. 00
41. 363 2
1. 363 2
490
200421123
42. 50
45. 233 8
2. 733 8
485
200421124
40. 00
41. 569 4
1. 569 4
464
200421125
40. 00
41. 363 2
1. 363 2
490
200421126
42. 90
44. 063 7
图 1 神经网络辨识热网的动态系统 Fig. 1 Sketch of neural net work system for heat supply
net work dynamic identification system
报提供依据[628 ] . 图 1 为神经网络辨识热网动态系统的示意图. 其中 ,A 为被辨识的热网动态系统 ;B 为由神经网路 构成的一个辨识模型[9] ; d 为系统干扰 ,即室外温度 Tw . 图中 A 与 B 是并联的 ,将输入 x ( k) - Tg ( k) , qm ( k) 同时加到 A 和 B 上 ,测量其输出 y ( k + 1) - Th · ( k + 1) 和 ^T h( k + 1) ,并利用误差 e( k + 1) = T h ( k + 1) - ^T h( k + 1) 修正 B 的参数 ,使 e ( k + 1) 趋近于 0 , 此时辨识模型 B 能很好地近似热网动态系统 A .
2004211211
43. 10
44. 267 9
1. 167 9
369
2004211212
44. 00
45. 253 8
1. 253 8
375
2004211213
44. 00
45. 261 9
1. 261 9
377
2004211214
43. 80
44. 979 8
1. 179 8
371
1. 163 7
585
200421127
43. 30
44. 573 4
1. 273 4
562
200421128
44. 00
45. 566 5
1. 566 5
485
200421129
43. 60
45. 415 5
1. 815 5
389
2004211210
46. 10
48. 918 3
2. 818 3
369
电话 ( Tel . ) :13999924928 ; E2mail :glzt128 @gmail . co m.
·50 ·
动 力 工 程
第 29 卷
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
元. 权值的更新按 B P 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 权值. B P 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
程 ,即误差项的传播方向与信息的传播方向相反 ,通 过对多个样本的反复训练并向减小误差的方向修改
权值 ,直到达到满意的精度[325 ] 为止. B P 网络模型的系统采用 3 层网络结构 ,隐含层
和输出层激活函数可选择 tan sig 和 p urelin 函数 , tan sig 函数的表达式为 :
由多种初始值开始多次训练等方法. 经过分析 ,选用 弹性回归算法不仅能快速收敛 ,而且收敛结果趋于 全局最小值.
2 热网参数动态模型的预测
以乌鲁木齐市华源热力有限公司的 6 号建华换 热站为建模对象 ,以其 2004 年 11 月 —2005 年 4 月 的运行数据为依据 ,建立了神经网络热网系统的动 态模型 ,虽然它的运行环境与运行方法不是最理想 和最科学的 ,但按照其实际运行环境进行了系统辨 识 ,并在此基础上进行了预测预报 ,目的在于探索神 经网络模型在热网动态系统预报中的应用 ,并从中 得出一些经验 ,为真正实现热网动态系统的预测预
2热网参数动态模型的预测以乌鲁木齐市华源热力有限公司的6号建华换热站为建模对象以其2004年11月2005年4月的运行数据为依据建立了神经网络热网系统的动态模型虽然它的运行环境与运行方法不是最理想和最科学的但按照其实际运行环境进行了系统辨识并在此基础上进行了预测预报目的在于探索神经网络模型在热网动态系统预报中的应用并从中得出一些经验为真正实现热网动态系统的预测预图1神经网络辨识热网的动态系统fig
第 1 期
古丽扎提 ·海拉提 ,等 :热负荷的预测分析
·51 ·
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 flow of the Huayuan Heat Company Supply Co. , Ltd No. 6 heat exchange
station of Urumchi
预测时刻
实际回水 温度值/ ℃
预测回水 温度值/ ℃
回水温度 误差/ K
实际流量值 / ( m3 ·s - 1)
预测流量值 / ( m3 ·s - 1)
流量误差值 / ( m3 ·s - 1)
200421121
40. 00
41. 569 4
1. 569 4
464
200421122
从而实现按需供热 ,节约能源.
1 BP 网络与学习算法
B P 网络是一种多层前馈神经网络 ,其神经元的 变换函数是 S 型函数 ,由于权值的调整采用反向传 播的学习算法 ,因此称其为 B P 网络. B P 网络的优 势主要表现在模式匹配 、模式分类 、模式识别和模式 分析等方面 ,可用于复杂类的模式识别 、语言识别 、 自适应目标识别和函数逼近等领域.
B P 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 时训练时间往往过长 ; ②从数学角度来看 ,它是一个 非线性优化问题 ,由于采用梯度下降法 ,有可能最终 的收敛结果是局部极小值 ,而不是目标函数的全局 最小值 ; ③网络隐含层单元数的选取尚无理论指导 , 只能靠经验来确定 ,网络结构选取过小 ,不能达到设 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 增加中间单元 、自动调整学习速率 、附加冲量项以及
Prediction Analysis of Heat Load
Gul z at ·H ai l ati1 , J am al i han ·K um as hi1 , L I J un2 , L I J i n2lon g2 (1. Elect rical Engineering College , XinJ iang U niver sit y ,U rumchi 830008 , China ;
f 1 ( x)
=
tanh (
x 2
)
=
1 1
+
exp ( exp ( -
x) x)
(1)
p urelin 函数的表达式为 :
f 2 ( x) = kx
(2)
输出为 :
∑ ye = f 2 [ ( f 1 ( x l ·w ji - θj ) ·w kj - θk ] (3)
式中 : xl 为供热网输入参数 ; w ji 为输入层节点 i 至 隐含层节点 j 之间的权值 ; θj 为隐含层节点 j 的阈 值 ; w kj 为隐含层节点 j 至输出层节点 k 之间的权 值 ;θk 为输出层节点 k 的阈值 ; ye 为网络计算输出.
应用计算机监测和控制热网系统的运行 ,由此 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 的数据分析供热负荷的大小 、特征及变化规律 ,实现 对未来的负荷和特性进行预测 ,对热网动态系统实 行前馈监督控制 ,避免运行人员操作的盲目性 ,才能 真正体现出计算机控制的优势. 笔者应用 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 B P 网络模型. 这将为供热系统负荷 预测提供理论依据 ,积累实际运行的调节经验[1 ,2] ,
B P 网络的工作原理可概括为 :网络某一层的处
收稿日期 :2008205205 修订日期 :2008206202 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 (19852) ,女 ,哈萨克族 ,新疆富蕴县人 ,硕士研究生 ,研究方向为 :电气控制与仿真.
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 B P 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 ;B P 网络
2. Huayuan Heat Supply Co . ,L t d. of U rumchi , U rumchi 830054 , China)
Abstract : Based o n t he Matlab neural net work toolbo x , a forward feedback B P net work model was built to p redict sho rt2term heat demand for heat2supply net wo rk. The act ual data f ro m Huayuan Heat Supply Co . , L t d. of U rumchi was used to t rain and verif y t he net work mo del . Result s show t hat t he model has bet ter p redictio n characteristic. The model p rovides t heory basis for heat net work mo nitor and regulatio n , so t he heat supply can be acco mplished according to t he demand , and power co nsumptio n can be reduced at t he same time. Key words : heat supply network ; heat load ; neural net wo rk ; short2term p redictio n ; B P net work
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 天采集 3 次数据 ,即每 8 h 做 1 次数据记录 ,取 ( t 8) ～ ( t - 16) 时刻的 Tg 、qm 、Tw 、T h 代入 X , D , Y , 从 而构成 B P 网络的输入向量 ,输出为 t 时刻的 T h. 因 此 ,将前 2 次时间段的数据作为神经网络训练样本 , 预测第三时间段的回水温度 ,具体步骤示于图 2.
第 29 卷 第 1 期 2009 年 1 月
动 力 工 程 Jo urnal of Power Engineering
Vol . 29 No . 1 J an. (2009) 0120049204 中图分类号 : TP393. 09 文献标识码 : A 学科分类号 : 510. 40