基于STL-Informer-BiLSTM-XGB模型的供热负荷预测

供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。

基于GA-BP人工神经网络的农宅供热负荷预测技术研究

农宅实际供热负荷的预测对农宅供暖系统优化和新型供暖系统的应用具有重要意义。本文基于对华北地区农宅室内外13个参数的长期监测和相关性分析,研究了经遗传算法优化的BP人工神经网络模型(GA-BPANN)应用于农宅供热负荷预测的可行性和可靠性。结果表明,当GA-BPANN输入变量为按与供热负荷相关性强度排序的前6个参数(室内温度、室外温度、室内TVOC(总挥发性有机化合物)浓度、室内相对湿度、室外相对湿度和光照强度)时可以得到高精度的预测结果,为合理确定预测方案和农宅供热负荷提供了借鉴。

基于VMD和RDC-Informer的短期供热负荷预测模型

精准的供热负荷预测不仅可以有效降低能源消耗,而且可以提高供热系统效率和用户舒适度。为了提升供热负荷预测的准确性,本文将变分模态分解算法和改进的Informer模型结合应用于供热负荷预测中。首先使用VMD算法分解供热负荷数据,降低数据的非平稳性;然后在Informer模型中引入相对位置编码代替绝对位置编码,以更好地捕捉序列数据中的依赖关系和避免信息泄漏;接着采用膨胀因果卷积代替正则卷积,增加感受野,提升局部信息的提取能力;最后在多个数据集上与主流预测模型(GRU、LSTM、Transformer和Informer)进行对比实验。结果表明,RDC-Informer模型的评价指标R2达到了98.3%,与对比模型相比,分别提高了11.6%、6.3%、4.7%和2.6%。此外,通过增加卷积核以评估膨胀因果卷积的效果,验证了RDC-Informer模型的适用性和准确性,为进一步提高智慧供热的时效性提供了一定参考。

基于改进黏菌算法优化BiLSTM的短期供热负荷控制预测

针对短期供热负荷控制预测的问题,提出了一种基于改进黏菌算法优化BiLSTM的预测模型。利用猫映射、T分布变异和随机反向学习等改进策略对黏菌算法进行改进,改进后的黏菌算法优化BiLSTM网络参数,构建ISMA-BiLSTM模型,对换热站热负荷进行预测。实验结果表明,ISMA-BiLSTM模型与SMA-BiLSTM、BiLSTM和LSTM模型相比,预测结果更加合理且预测精度有所提高,在短期供热负荷预测中能满足实际工程控制需要。

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。

基于机器学习的集中供热负荷预测模型研究

为保证用户的用热需求,提高能源利用率,精准预测供热负荷,将用户投诉率、室外气象条件以及历史负荷作为输入特征,利用BP神经网络、遗传算法优化BP神经网络(GA-BP)、支持向量回归机(SVR)和长短期记忆网络(LSTM)分别建立了4种供热负荷预测模型,对未来一段时间的供热负荷进行逐时预测,并以实际供热数据进行训练和验证。研究结果表明:相较于其他3种预测模型,GA-BP的预测精度最高,拟合优度R 2可达0.994,平均绝对百分比误差最小为1.20%,可应用于实际供热负荷预测与调控。

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。

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。

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。