基于机器学习的供热系统热负荷多步递归预测研究

现代化社会属于集约型设备,所以集中供热系统成为了大多数地区的工段方式,加上现阶段集中供热系统普遍具有非线性、大滞后、大惯性、时变性和不确定性等特点,所以想要完成热网按需供热、提高能源利用率、优化管网调控策略,精准的热负荷预测十分有必要。本文首先详细分析供热系统结构,并且结合供热系统能量消耗以及供热系统热负荷影响因素,进一步总结出供热系统热负荷预测技术以及供热系统热负荷预测控制策略。

基于机器学习的供热系统热负荷多步递归预测

为预测供热系统的短期热负荷动态概况,提出一种基于机器学习的热负荷多步递归预测策略,该预测策略是对热负荷单步预测模型的拓展。介绍热负荷多步递归预测的流程,该流程可分为4个步骤:数据预处理、数据集划分、模型训练和模型评估。数据预处理细分为特征选择、特征工程和特征变换。在模型训练步骤中,介绍2种机器学习模型:支持向量回归(SVR)和极限梯度提升(XGBoost)。分别利用这2种机器学习模型建立了热负荷单步预测模型,根据建立的单步预测模型,采用提出的多步递归预测策略,可以实现对短期热负荷的动态概况预测。选取某实际供热系统的热源首站的运行数据用于案例分析。结果表明:在预测精度和预测稳定性方面,基于XGBoost的热负荷多步递归预测策略均优于基于SVR的热负荷多步递归预测策略;二者在各时间步长上均未产生明显的误差累积;该热负荷多步递归预测策略可以准确预测供热系统短期热负荷的动态概况。