基于子空间辨识方法的建筑群热负荷预测研究

根据建筑热力模型和热负荷计算模型建立了状态空间模型,分别利用未指定状态变量和指定状态变量的子空间辨识方法构建了建筑群热负荷预测模型,并以哈尔滨市某小区换热站为例,验证和比较了2种方法的热负荷预测结果及训练策略和预测时长对预测精度的影响。结果表明:指定状态变量比未指定状态变量的子空间辨识方法的热负荷预测平均绝对百分比误差降低了10.00%;未指定状态变量的子空间辨识方法的中期预测效果优于短期预测,平均绝对百分比误差降低了13.34%。

基于遗传粒子群优化的热负荷预测方法

集中供热系统一次网热负荷预测对于换热站能源合理分配具有重大意义,针对换热站之间存在较强的耦合性,如何保证换热站实现节能减排的同时并保证热用户的舒适性是供热行业的首要任务,提出一种基于遗传粒子群的混合神经网络(GAPSO-CNN-BiLSTM)预测模型。首先,利用热负荷历史值、供水流量、供水温度以及回水压力构建模型输入;然后,利用完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将供热负荷分解为不同子序列,以弱化供热负荷数据复杂程度,挖掘数据内部潜在特征;其次,为进一步减少模型计算时间,根据样本熵(sample entropy,SE)对子序列进行合并;最后,利用所提模型对不同子序列进行预测重构。实验表明所提模型相比LSTM、CNN-LSTM以及粒子群优化的混合神经网络(PSO-CNN-LSTM)在供热负荷预测中精度分别提高42%,32%,30%拥有更出色的特征提取能力和精度。

基于改进沙猫群算法优化CNN-BiLSTM的热负荷预测

针对传统热负荷预测精度不高、无法满足换热站及热网优化调控需求的问题,提出一种VMD-ISCSO-CNN-BiLSTM的热负荷预测模型。首先,利用变分模态分解(VMD)对原始供热负荷数据进行降噪处理,降低数据的不稳定性;其次,由K-means算法改进种群初始化,由演变机制改进寻优能力和由变异机制改进跳出局部最优能力,利用改进沙猫群算法(ISCSO)对卷积神经网络、双向长短期记忆神经网络(CNN-BiLSTM)超参数进行寻优,建立热负荷预测模型;最后通过实例进行分析。结果表明,数据降噪后模型预测精度更高,R^(2)提升1.1%;由ISCSO优化的模型比其他算法优化的模型预测效果更好,拟合度达到99.4%;VMD-ISCSO-CNN-BiLSTM的组合预测模型相较于单一模型,RMSE降低18.5%,MAE降低13.8%,R^(2)提升15.8%,并有更好的拟合度,泛化性强,满足工程实际要求。

基于RF的并行CNN-TGLSTM热负荷预测模型

精准的热负荷预测不仅可以提高用户舒适度,还可以有效降低能源消耗。为了提升热负荷预测的准确性,本研究提出了一种基于随机森林的并行CNN和TGLSTM的短期热负荷预测模型。首先,采用随机森林算法对特征进行筛选;其次,利用并行网络CNN和改进的LSTM分别提取时空特征;最后,将提取的特征与多头注意力机制动态结合。实验结果表明,并行CNN-TGLSTM-MA相较于传统的串行CNN-TGLSTM模型,在MAE和MSE方面分别降低了16.9%、26.8%,同时提升了3.5%的R2值,证明了所提出的并行CNN-TGLSTM-MA模型在短期热负荷预测方面的有效性和优越性,为热力系统供热负荷的精准调控提供了参考。

基于深度学习的热负荷预测分析

阐述深度学习的应用、数据的收集与处理方法。探讨基于深度学习的热负荷预测模型,包括神经网络模型选择和设计、网络结构和参数调整方法、模型训练和验证策略。实验验证其有效性。

集成奇异谱分析与神经网络的热负荷预测算法

在国家大力推行“双碳”政策,供热行业迎来“智能热网”升级改造的大背景下,针对二次网供热系统的运行调控进行研究,有机地结合了数学领域的奇异谱分析算法与BP神经网络算法,形成了一套高效的供热二次网热负荷预测算法.先利用奇异谱分析完成原始数据预处理,过滤数据噪声,再利用神经网络学习数据特性,生成负荷预测模型,最终借由精准的负荷预测更好地指导二次网热力站现场的运行调控策略.以2018-2019年采暖季天津市某热电公司管辖热网的14个二次网系统实测数据作为热负荷预测方法的应用案例进行研究,证明了利用奇异谱分析算法过滤原始数据噪声信息的有效性,其中对室外温度时间序列剔除了累计特征贡献率不到9.3%的噪声数据,数据波动幅度超过10%的时刻占比由17.56%下降至1.79%;证明了利用BP神经网络算法搭建模型进行二次网建筑热负荷预测与回水温度预测的准确性,24 h回水温度预测值的整体最大绝对误差为0.60℃,二次网系统A和B的最大绝对误差分别为0.43℃和0.65℃.所提算法为二次网供热系统优化调节提供了新的思路.

时间卷积网络在热负荷预测中的应用

针对热力站优化控制中,因热负荷数据不准确,热负荷预测准确度较低,导致难以实现热力站热量按需分配的问题,本文提出了采用面积法拟合热负荷数据。该方法通过推导公式建立热负荷与室外温度的数学关系,得到热负荷曲线的趋势;采用积分运算的方式,使热负荷曲线面积与瞬时热量曲线面积相等,计算出热负荷曲线应整体移动的尺度,最终得到拟合的热负荷曲线。搭建时间卷积网络(Temporal Convolutional Network,TCN)模型,对拟合后的热力站热负荷数据预测,并与长短期记忆网络(Long Short-term Memory,LSTM)、反向传播神经网络(Back Propagation,BP)对比。实验结果证明,TCN相较于其它算法误差更小,可以实现精准热负荷预测。

基于卷积神经网络的换热站热负荷预测研究

高效准确的热负荷预测是实现供热系统智能化的重要环节。利用随机森林算法(Random Forest, RF)对换热站热负荷的影响因素进行重要性筛选,选取二次侧回温、二次侧供温、前3天的热负荷、一次侧供温、室外温度作为预测模型的输入变量,并构建了基于卷积神经网络(Convolutional Neural Network, CNN)的换热站热负荷预测模型,进行为期3天的短期热负荷预测。以邯郸市某换热站2020-2021年采暖季224组供暖数据为例,前203组作为训练集,后21组作为验证集,完成实验;并与CNN、RF-ELM、RF-BP、RF-RBF、RF-LSTM和RF-RF六种模型进行了对比实验。结果表明基于RF-CNN模型在预测精度和泛化能力中有更好的表现,其MAE、RMSE、MAPE分别为0.074、0.098和4.81%。

供热系统热负荷预测分析及应用

针对供热系统热负荷预测,供热运行阶段的优化运行,科学地调度或调控热源等问题,从理论角度对热负荷预测模型的基本形式以及输入变量的形式做了分析,并利用数据统计分析的方法,研究了引入不同输入变量的情况下输入变量与换热站(环路)热负荷之间的关系。结果显示,按稳态的热力工况考虑时,预测模型的精度要低于按动态的热力工况考虑的预测模型,而且按动态的热力工况的预测模型精度与引进变量的历史天数有关。在分析的基础上确立了热负荷预测模型,并论证了一网平衡的策略按热量平衡是热负荷预测在供热运行中得以发挥作用的必要条件。对热负荷预测在实际运行中的应用效果进行了分析,结果显示,按动态热负荷预测模型进行热源调度(调控),在实际运行中无论是整个集中供热系统还是单个换热站(环路)目标室温偏差都能控制在合理范围之内。同一个集中供热系统中的不同换热站(环路)的实际室温与目标室温偏差呈现出相同趋势,且偏差在合理范围内。与之前相比,按热负荷预测结果进行调控的节能率可达到5.84%。

城市集中供热系统热负荷预测与二次网节能控制方法

为了解决城市集中供热系统由时变性、非线性导致的控制难度高的问题,研究城市集中供热系统热负荷预测与二次网节能控制方法。将历史热负荷数据作为输入,选取高斯核函数为核函数,利用支持向量机输出热负荷预测结果。依据热负荷预测结果确定二次网的理想供水温度,设置理想供水温度与实际供水温度之间的差值为输入,利用模糊控制方法实时调节PID控制参数,通过优化后的控制参数控制二次网的供水温度,实现城市供热系统二次网的节能控制。实验结果表明,该方法可有效利用热负荷预测结果,将二次网供水温度控制在理想范围内,能够实现二次网的节能控制,具有调节时间短、超调小的优势。

基于径向基函数广义回归网络混合模型的园区短时热负荷预测

冷、热、电三联供机组作为一种发展迅速的分布式能源在提高区域多元能源综合利用效率方面表现优越,其通过对热能的阶梯式利用实现高效供能。在用能高峰时段,开启冷、热、电三联供机组,减轻了用能单位对市电的依赖,降低了用能成本。目前,用能单位缺乏历史用能数据积累,小样本学习无法准确预测用能需求,无法形成基于预测结果的冷、热、电三联供机组的优化运行策略。为此提出了一种基于径向基函数广义回归网络混合模型的短时热负荷预测方法,该方法可在小样本历史数据的情况下,准确预测下一时刻的热负荷需求。试验结果验证了该方法的有效性。

超短期热负荷预测在发电机组厂级供热调度的应用

对于火力发电厂的综合能源应用,存在供热蒸汽调度控制和管道延迟导致的供热蒸汽不能及时满足供热用户需求的问题。根据所延时的时间长度提出采用对供热用户需求的预测值取代实时供热需求值作为供热调度的约束条件,基于Informer建立一个热负荷多步时序预测模型。构建的Informer模型采用的概率稀疏自注意力机制能够有效获取热负荷时序数据中的信息,并建立热负荷与相关气象因素之间的非线性关系,进而提高热负荷预测精确度。通过实际现场数据验证表明,建立的基于Informer的热负荷多步时序预测模型能够与未来一段时间内的热负荷有很强的拟合度,并满足实际调度控制延迟对热负荷的需求。

基于支持向量回归和小波包的供热负荷预测

通过分析影响热网负荷变化的各种因素,对热负荷数据进行预处理,运用小波包变换对负荷序列进行分解,对各子序列分别建立支持向量回归预测模型,最后通过序列重构,得出预测结果。仿真结果表明,该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。

基于交叉验证支持向量回归的供热负荷预测

支持向量回归机(Support Vector Regression,SVR)在供热负荷预测中得到了一些研究,然而模型的拟合度和泛化能力依赖于其相关参数的选取,需要足够的先验信息,寻优过程存在难度.针对上述情况,提出采用交叉验证(Cross Validation,CV)的思想对其中的重要参数(惩罚因子C和RBF核函数参数γ)进行网格划分,在训练集中自动寻找最佳参数,从而得到最佳的训练模型,并用该模型对测试集进行回归预测.以某热源数据进行了实验研究,结果表明:该方法能够快速建立预测模型,有效地预测供热负荷,具有较高的拟合度和较强的泛化能力.

基于LSTM的热力站短期热负荷预测研究

针对目前热负荷预测一些方法缺乏有效的实际数据现象,选用包头市某热力公司多年历史数据进行预测和仿真。通过分析影响热负荷预测的主要因素为建立在时间序列上的室外气温和风力因素,采用长短期记忆神经网络(Long Short-Term Memory Neural Network, LSTM)对区域供热系统一次侧热负荷预测进行研究。上述模型将下一时刻热负荷作为预测目标,通过未来24小时天气序列预测对应的热负荷值。同时,将所提出的LSTM模型与支持向量机(Support Vector Machine, SVM)预测模型进行对比实验,结果表明,所提方法在热负荷预测中具有更高的预测精度和稳定性,具有较大的实用价值。

基于小波和神经网络的供热负荷预测

目的研究供热系统热负荷预测方法,使供热量及时跟随用户需热量进行控制.方法通过分析供热负荷特性及其变化规律,用小波包变换对热负荷序列进行分解,再结合Elman神经网络分别对各序列建立模型,进行单步预测,最后重构各序列,得出热负荷预测序列.结果仿真试验表明,与未采用小波分析的BP、Elman神经网络相比,该方法预测精度较高,跟踪能力强.结论基于小波和神经网络的供热负荷预测方法能较好地跟踪预测用热量,适合于短期供热负荷预测的应用.

基于气温与日期类型的改进BP网络热负荷预测

热负荷预测为城市集中供热系统提供数据支持,是实现按需供热的基础。热负荷的变化受外界各项因素特别是室外温度影响较大,为在满足供热系统需求量的同时做到节能与兼顾人体舒适度,提出基于气温与日期类型的热负荷预测方法。该方法将气温与日期类型进行量化并利用BP神经网络建立供热系统的热负荷预测模型。为保证预测精度采用遗传算法对神经网络连接权值和阈值进行优化,得到未来24小时的热负荷预测值。预测结果表明,此方法可以较准确地预测未来的热负荷,并达到按需供热和节能环保的目的。

基于小波神经网络的热负荷预测方法

本文提出了一种基于小波神经网络的集中供热系统热负荷预测方法。该模型同时具有小波分析的多尺度分析能力及神经网络的非线性学习能力,对非线性函数具有良好的时频局部特性,并提高了神经网络对非平稳信号的逼近能力。该模型取得了较高的预测精度,实验结果证明了本文方法的可用性。

基于气象因素的供热机组热负荷预测方法的改进

针对"三北"地区供热机组在供暖期按照"以热定电"方式运行,强迫出力大时,供热机组调峰能力降低.拟合供热机组采暖热负荷和室外温度,利用当日气象因素修正室外温度,提高其与采暖热负荷拟合优度R2值.通过MATLAB编程,给往日气象因素对当日室外温度影响赋予合理的权重,进一步提高室外温度与采暖热负荷拟合优度,提高采暖热负荷预测精度.精确预测采暖热负荷是实现供热机组按需供热,预测供热机组调峰范围的前提.

基于PSO-LSSVM的供热负荷预测研究

热负荷预测是供热系统智慧化升级的关键,为提高其预测精度,建立了基于交叉验证意义下的PSO-LSSVM热负荷预测模型。该模型采用交叉验证确定粒子群算法的适应度值,利用粒子群算法的全局寻优能力来确定最优的正则化系数和核宽度系数,再基于最小二乘支持向量机实现热负荷的高精度预测。研究表明:PSO-LSSVM模型的平均绝对误差为21.12 kW,平均相对误差为1.16%,与BP神经网络热负荷预测模型相比,PSO-LSSVM模型的预测精度提高了62.09%,且稳定性更好,可以满足实际工程需要。