论文部分内容阅读
冬季采暖地区施行集中供热是我国城镇化发展的主要技术手段,而采暖所需的供热能耗在社会能源消耗中的比重较大,随着国家对节约能源的日益重视,如何能提高集中供热效率成为了降低供热企业能源消耗量的首要问题。能够较为准确的对供热负荷进行预测,从而使供热企业可以按需生产、按需分配,是提高集中供热效率的关键。在引入现代人工智能预测技术后,供热负荷预测的研究取得了长足进步与发展,但预测方法和预测模型还有待于优化。本文将目前使用最为广泛的神经网络和新兴预测技术中最为有发展前途的支持向量机这两大智能预测算法用于供热负荷预测,并结合预测技术、方法的发展趋势,建立了各自不同的优化改进模型,对各模型在供热负荷预测方面的表现做具体研究。对于神经网络算法,本文建立BP神经网络预测模型,通过对小波分析理论的研究,建立在原模型基础上改进的小波神经网络预测模型;对于支持向量机算法,本文建立支持向量回归预测模型,分析模型中控制参数对预测结果的影响,采用交叉验证算法来挖掘数据的可用潜力,分别采用网格搜索算法、遗传算法和粒子群算法这三种具有全局搜索能力的算法对支持向量回归模型的参数进行寻优,从而由此分别建立基于GS-KCV-SVR方法、基于GA-KCV-SVR方法和基于PSO-KCV-SVR方法的供热负荷预测模型。本文所有预测模型均采用供热实测数据,并进行统一的训练与测试。对于模型的输入量,综合考虑各方相关因素:理论分析影响供热负荷的室外环境因素;定性分析与供热负荷有关的系统内部因素,并用定量计算的方式对分析结果进行验证;考虑加入计量供热后用户主动调节对供热负荷变化的影响,引入类型日参数作为供热负荷预测模型的输入参数之一。结合智能预测算法的高维运算优势和供热系统的复杂热力学特性,建立更适用于供热负荷预测模型的输入输出函数表达。对各种算法的供热负荷预测模型的分析和计算结果表明:支持向量机的算法原理比神经网络在处理与供热负荷有关的较多影响因素的高维数问题方面更为先进;使用网格搜索可以较容易实现,但计算效率不高;遗传算法与粒子群算法在搜索寻优中的表现各有所长,需要视具体供热情形选择合适的参数优化算法;优化后的供热负荷预测模型的预测精度优于原预测模型;使用支持向量及其优化算法建立的供热负荷模型的预测效果整体优于使用神经网络及其优化算法建立的模型;使用交叉验证算法有助于提高模型的便捷性和推广性。在模型稳定性方面:支持向量回归模型高于需要多次重复计算才能得到满意结果的BP神经网络模型;受随机因素影响较大的遗传算法和粒子群算法不及网格搜索方法。本文建立了多种预测模型进行供热负荷预测,可为供热企业科学生产提供有效参考,为热源分配、调度提供必要依据。通过对各模型的分析与比较,在基于本文研究采用的供热实测数据的基础上,综合各方面评价因素,本文推荐:使用在稳定性、便捷性和精准度等方面表现都较为均衡的GS-KCV-SVR预测模型进行一般规模样本数据的供热负荷预测;当样本数据规模较大且对预测精度有特殊要求时,使用GA-KCV-SVR预测模型或PSO-KCV-SVR预测模型进行供热负荷预测。