基于SVMD-ISSA-CNN-TGLSTM的供热负荷预测模型

针对目前集中供热负荷预测的研究中极少考虑换热站内部因素以及供热负荷预测精准度较低的问题,提出一种基于SVMD-ISSA-CNN-TGLSTM的混合预测模型。首先,利用卷积神经网络和转换门控长短期记忆神经网络构建具有空间提取能力的CNN-TGLSTM模型;其次,考虑到负荷序列的非平稳特征,采用SVMD分解,并引用改进的麻雀搜索算法来优化模型的参数,避免调参陷入局部最优;最后,将不同模型之间的预测效果与经济效益进行对比。结果表明:SVMD-ISSA-CNN-TGLSTM模型经济效益最高,评价指标RMSE、MSE、MAE相比ISSA-CNN-TGLSTM模型分别降低了35.7%、59.0%、32.7%,且均优于其他不同模型,预测效果最佳。

基于PCA-PSO-SVM的供热负荷预测研究

以长春某热力公司的集中供热系统为研究对象,提出了可用于热负荷预测的PCA-PSO-SVM模型。首先利用PCA进行降维,然后通过PSO优化算法选取最优参数c、g和ε,从而构建PCA-PSO-SVM的预测模型。仿真结果表明,经过PCA降维处理的模型预测精度略低,但模型的预测速度可以提高20%~40%左右;此外也验证了基于PSO优化模型的预测精度较高,模型拟合度较好。

大型集中供热系统全网热用户供热负荷预测研究

提出一种遗传算法(GA)与BP神经网络相结合的BP-GA模型,以解决BP神经网络算法容易陷入局部最优的问题,用于换热站供热负荷预测;进一步基于典型住宅和公建用户历史运行数据发展住宅和公建用户的通用负荷预测模型,以提高全网热用户供热负荷预测效率。将上述模型与算法应用于西安市某大型集中供热系统,结果表明:对典型住宅及公建用户训练过程的平均供热负荷预测绝对百分比误差为8.56%和8.78%;对94%的非典型用户预测误差小于15%。证明该模型能够更加高效地对大型集中供热系统全网热用户供热负荷进行预测。

基于NWP-LSTM的短期供热负荷预测方法

为提高短期供热负荷预测精度,提出了一种基于数值天气预报(NWP)和长短期记忆神经网络(LSTM)的短期供热负荷预测方法。该方法首先对NWP数据和历史供热负荷数据进行Pearson相关性分析,得出对供热负荷影响较大的天气因素,与历史供热负荷数据一起组成神经网络的输入,并通过反复实验设计出最优结构的NWP-LSTM神经网络模型。通过与其他常见供热负荷预测方法比较,提出的NWP-LSTM模型可以获得更精确的预测结果,适合实际工程应用。

基于动态权重的组合模型供热负荷预测

提升供热系统的供热负荷预测精度是实现智慧供热、提升能源利用效率的重要手段。提出了一种基于动态权重的组合模型供热负荷预测。首先根据供热负荷变化的动态特性和单独模型的误差函数,确定分段固定权重,再根据前一个小时单独模型的预测值和真实值更新修正权重,构造出动态权重的组合模型。采用石家庄某供热站的运行数据进行仿真验证,实验结果表明,提出的基于动态权重的组合模型供热负荷预测的MAPE(Mean Absolute Percentage Error)为0.562%,验证了所提出的方法能有效提高供热负荷预测精度。

基于混合神经网络的短期供热负荷预测模型研究

短期供热负荷预测对促进节能减排以及建设智慧供热系统有着重要意义。由于热负荷数据呈现较强的非线性、滞后性和耦合性,常规预测模型难以取得令人满意的效果。针对传统的长短时记忆(LSTM)神经网络的研究,提出了1种以小波分解(WD)和卷积神经网络(CNN)为基础的混合神经网络模型。首先,采用WD将序列分解为不同的子序列;其次,采用CNN提取局部特征,对输入变量进行解耦合;然后,采用LSTM对时间子序列分别进行预测;最后,通过融合计算子序列预测结果得出预测序列。试验结果表明,与LSTM、CNN、CNN-LSTM等网络相比,WD-CNN-LSTM的平均绝对误差、决定系数、均方根误差等指标都更好,能够满足换热站对供热负荷高精度预测的要求。

基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.

基于遗传算法优化支持向量回归机参数的供热负荷预测

为了进一步提高供热负荷的预测精度,通过分析影响支持向量回归机(SVR)性能表现的参数,提出了基于遗传算法优化的SVR供热负荷预测模型。该方法利用交叉验证思想在模型性能评估和选择方面的优势,结合遗传算法的全局寻优能力,实现了参数的自动优选,并用由此得到的最佳模型进行供热负荷预测。应用某热源的实测数据进行了仿真实验,与其他算法的比较表明,该方法相对误差绝对值的平均值为4.33%,比传统SVR降低了10.77%,比小波神经网络降低了5.28%。

建筑供热负荷预报与预测控制策略研究

基于建筑供热节能需要和供热对象的特点 ,提出了供热负荷预报及对供热过程施加预测控制策略。根据时间序列分析原理 ,对供热负荷进行节能预报并作为预测控制的设定值。为满足实时性的要求 ,根据供热对象的特性对预测模型进行简化 ,给出了用预报误差校正代替误差校正的预测控制算法。最后对供热系统进行相关算法的仿真 。

供热负荷时间序列混沌特性识别及区间预报研究

对供热负荷时间序列进行了混沌特性分析,计算得到了吸引子维数和最大Lyapunov指数。在最大Lyapunov指数点预报法的基础上,提出了最大Lyapunov指数区间预报法,并给出了最大预报时间尺度。仿真结果表明,该方法可取得较高的预报精度和较高可靠度的预报区间。

优化粒子群算法在组合供热负荷预测中的应用

分析了粒子群算法和组合预测的特点。将组合预测和粒子群算法结合,建立了一种组合形式的供热负荷预测模型。同时针对粒子群算法易于陷入局部最优解、进化后期收敛慢等缺点对粒子群算法进行改进,解决了组合预测中权重难以确定的问题。改善了预测模型的拟合能力,提高了预测精确度。最后选取大庆油田某一天供热数据作为测试数据,结果表明组合预测误差较小,精确度高于其他单项预测方法40%以上。

压力分布对脱蜡装置酮苯多效蒸发最小供热负荷的影响

应用流程模拟与夹点技术对酮苯脱蜡工艺中脱蜡油回收系统的三效蒸发回收溶剂的操作压力的组合方案进行对比 ,结果显示 ,三效蒸发中 3个蒸发塔的低 中 高压力方案和低 高 中压力方案能量回收的最佳条件明显不同。采用低 中 高压力方案时 ,应有较高的三效塔压力 ,二效塔压力可在较宽的范围内变化 ,同时总溶剂蒸出率应较高 ,而一效塔与二效塔的蒸出率应较低 ;采用低 高 中压力方案时 ,应有较高的二效塔压力 ,但三效塔压力应较低 ,总蒸出率不应太高 ,蒸发塔蒸出率分布也应比较均衡。若仅从能量回收率考虑 ,低 中 高压力方案有一定的优势 ,但由于低 高 中压力方案蒸发塔的操作温度较低 ,可采用温位较低的加热介质 。

基于支持向量机回归的二次网供热负荷预测分析

为提高供热负荷预测精度,在传统支持向量机回归(SVMR)基础上,通过网格搜索(GS)及遗传算法(GA)对惩罚参数C和核函数(径向基函数)参数γ两个重要参数寻找最优参数组合,由此得到最佳预测模型,并采用均方误差、平均绝对误差和判定系数R23种方法对SVMR、网格搜索-K折交叉验证-SVMR(GS-KCV-SVMR)和遗传算法-K折交叉验证-SVMR(GA-KCV-SVMR)3种预测模型进行评价.结果表明,GA-KCV-SVMR模型更能有效地预测供热负荷,其R2值为0.96,优于SVMR和GS-KCV-SVMR两种模型,可为工程实践提供参考.

基于等效温度的供热负荷控制方式

本文分析了传统供热负荷控制方式的不足,介绍了建筑物热能平衡、等效温度的理论和计算等效温度的eGain软件及其使用效果。

基于LSTM网络的居民区供热负荷短时预测

用户侧供能负荷预测是能源互联网的关键技术之一,在能源互联网的运行管理中起着重要的作用。高精度的用户侧供能负荷预测能够提高能源利用率,有助于错峰资源的分层优化与自动分配,从而实现能源生产与使用的协同调度。现有的供能负荷预测方法很少考虑数据内部的时序相关性。基于实际的居民区历史供水热量数据,并考虑数据的时序特性,采用了长短时记忆(LSTM)网络,以挖掘居民区供水热量数据在时间维度上的内在联系。通过研究数据潜在的特征,建立了一种基于LSTM网络的居民区供热负荷短时预测模型。试验证明,相较于传统数据驱动的供热负荷短时预测模型,基于LSTM网络的居民区供热负荷短时预测模型具有更高的预测精度,在工业中具有更高的实际应用价值。未来将扩大数据集规模,引入与供热负荷相关的气象数据,构建基于LSTM网络的多步预测模型与供热需求长时预测模型。

降低钢锭烧钢温度和供热负荷的试验与应用

改进均热工艺操作是实现均热炉节能降耗的有效技术措施，降低钢锭烧钢温度和供热负荷是改进均热工艺操作的重要内容。８０年代以来，鞍钢方坑均热炉的三次降温烧钢实践皆取得了明显节能效果。

基于小波神经网络和蚁群算法的供热负荷预测

针对矿区供热负荷强非线性、难以建立精确数学模型等特点,提出了采用小波神经网络进行负荷预测的方法。为了克服小波神经网络易于陷入局部最小、收敛速度慢等问题,采用全局搜索能力强、收敛速度快的扩展蚁群算法对小波神经网络进行了训练。

一种粗糙广义回归神经网络在集中供热负荷预测中的应用

为了减少预测模型的输入量,本文利用粗糙集理论智能数据分析的能力,对神经网络进行预处理,抽取关键成分作为神经网络的输入,从而确定粗糙神经网络的拓扑结构,设计了供热负荷预测的粗糙广义回归神经网络模型,并用实际数据进行了仿真检验。实验结果表明,该方法是有效的,而且对供热负荷预测具有较高的精度和可靠性。

基于GRU神经网络的供热负荷预测研究

供热负荷预测是实现智慧供热的关键技术之一,对降低供热能耗具有重要意义。本文以开封市J集中供热系统某换热站的2020年供暖季历史供热数据为研究对象,设计了基于门控循环单元(gate recurrent unit, GRU)神经网络的短期供热负荷预测模型。将1次侧供回水温度、室外温度、风速、天气情况、流量作为输入变量,供热负荷作为输出变量,前70%的数据作为训练集,后30%的数据作为测试集。通过MALTAB进行仿真模拟,并与传统的BP神经网络、Elman神经网络进行对比分析。仿真结果显示GRU神经网络预测模型MAPE为3.94%,RMSE为76.77,预测效果最佳。

基于模糊神经网络的供热负荷预测

为了克服传统BP神经网络预测精度差,易陷入局部极值的缺陷,提出了模糊神经网络系统。利用模糊粗糙集通过历史负荷数据信息的模糊化替代负荷变化的离散化,快速寻找出样本数据间的连续属性的信息,将其与传统BP神经网络结合组成模糊神经网络对热负荷进行预测。实验结果表明:该模糊神经网络预测结果的相对误差很小不超过2%,在短期负荷预测方面具有的优越性。