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。

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%。

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。

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。

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。

基于深度学习的区域供热逐时负荷预测研究

提出一种基于深度置信网络的区域供热逐时负荷预测方法,并以兰州新区某换热站实际运行数据对所提出方法的有效性进行验证。此外,为分析建筑物热惰性对供热逐时负荷预测精确度的影响,分别将预测时刻前1 h,1~2 h,和1~3 h时作为输入参数的时间序列。研究结果表明:当时间序列取为预测时刻前1 h时显示出最佳的预测性能,预测值与实际值的平均绝对误差和平均相对误差分别为277.98 k W和2.28%,且相比采用人工神经网络分别降低约17.56 k W和0.15%。

结合天气因素的HTS-FOA-GRNN短期热负荷预测研究

随着社会的不断发展进步以及社会各界对环境保护问题的高度重视,如何做到让冬季北方地区的集中供热系统经济环保运行成为了目前我国供热行业的首要目标。短期热负荷预测的研究恰恰可以提高供热系统控制精度,优化供热系统控制方案,实现系统的经济环保运行。由于热用户的室内温度受外界环境温度的影响因素较大,因此在结合天气因素再进行神经网络建模会使预测更加精准。提出一种基于改进果蝇算法优化的广义回归神经网络(FOA-GRNN)以及结合天气因素的短期热负荷预测方法,选取供热负荷值、实时天气温度和二次网供水温度和二次网回水温度等四类数据,构建HTS-FOA-GRNN供热负荷短期预测模型。研究表明,所构建的HTS-FOA-GRNN模型具有很好的预测能力和优化效果。

灰色拓扑预测改进及其在热负荷预测中的应用

针对灰色拓扑预测在供热领域应用中的不足提出了改进,建立了新模型。成功对某高校集中供热系统热负荷的未来值进行了全波形预测。对未来负荷预测值与真实负荷值各216组数据作误差分析,得出平均相对误差为9.294%,验证了模型可靠性和准确性。

供热站节能控制系统研究

供热站控制系统的被控对象由于具有时滞性较强的特点而无法得到较好的控制效果,在系统工作的过程中造成了资源的浪费。该文结合神经网络以及遗传算法对供热站供热系统进行了优化。采用差分进化算法对神经网络中的阈值和权值进行优化,将经过优化后的网络用于供热负荷的预测并将预测量引入系统,结合遗传算法对PID参数进行优化。将优化后的系统利用Matlab进行仿真,证明了经优化后的PID控制器具有较好的控制效果。