基于神經(jīng)網(wǎng)絡和支持向量機及其改進算法的供熱負荷預測研究.pdf

1、冬季采暖地區(qū)施行集中供熱是我國城鎮(zhèn)化發(fā)展的主要技術手段，而采暖所需的供熱能耗在社會能源消耗中的比重較大，隨著國家對節(jié)約能源的日益重視，如何能提高集中供熱效率成為了降低供熱企業(yè)能源消耗量的首要問題。
　　能夠較為準確的對供熱負荷進行預測，從而使供熱企業(yè)可以按需生產(chǎn)、按需分配，是提高集中供熱效率的關鍵。在引入現(xiàn)代人工智能預測技術后，供熱負荷預測的研究取得了長足進步與發(fā)展，但預測方法和預測模型還有待于優(yōu)化。本文將目前使用最為廣泛的神經(jīng)網(wǎng)

2、絡和新興預測技術中最為有發(fā)展前途的支持向量機這兩大智能預測算法用于供熱負荷預測，并結合預測技術、方法的發(fā)展趨勢，建立了各自不同的優(yōu)化改進模型，對各模型在供熱負荷預測方面的表現(xiàn)做具體研究。
　　對于神經(jīng)網(wǎng)絡算法，本文建立BP神經(jīng)網(wǎng)絡預測模型，通過對小波分析理論的研究，建立在原模型基礎上改進的小波神經(jīng)網(wǎng)絡預測模型;對于支持向量機算法，本文建立支持向量回歸預測模型，分析模型中控制參數(shù)對預測結果的影響，采用交叉驗證算法來挖掘數(shù)據(jù)的可用潛力

3、，分別采用網(wǎng)格搜索算法、遺傳算法和粒子群算法這三種具有全局搜索能力的算法對支持向量回歸模型的參數(shù)進行尋優(yōu)，從而由此分別建立基于GS-KCV-SVR方法、基于GA-KCV-SVR方法和基于PSO-KCV-SVR方法的供熱負荷預測模型。
　　本文所有預測模型均采用實測供熱數(shù)據(jù)，并進行統(tǒng)一的訓練與測試。對于模型的輸入量，綜合考慮各方相關因素:理論分析影響供熱負荷的室外環(huán)境因素;定性分析與供熱負荷有關的系統(tǒng)內(nèi)部因素，并用定量計算的方式對分

4、析結果進行驗證;考慮加入計量供熱后用戶主動調(diào)節(jié)對供熱負荷變化的影響，引入類型日參數(shù)作為供熱負荷預測模型的輸入?yún)?shù)之一。結合智能預測算法的高維運算優(yōu)勢和供熱系統(tǒng)的復雜熱力學特性，建立更適用于供熱負荷預測模型的輸入輸出函數(shù)表達。
　　對各算法所建立的供熱負荷預測模型運用實測供熱數(shù)據(jù)進行了驗證，模擬計算結果表明:支持向量機的算法原理比神經(jīng)網(wǎng)絡在處理與供熱負荷有關的較多影響因素的高維數(shù)問題方面更為先進;使用網(wǎng)格搜索可以較容易實現(xiàn)，但計算效

5、率不高;遺傳算法與粒子群算法在搜索尋優(yōu)中的表現(xiàn)各有所長，需要視具體供熱情形選擇合適的參數(shù)優(yōu)化算法;優(yōu)化后的供熱負荷預測模型的預測精度優(yōu)于原預測模型;使用支持向量及其優(yōu)化算法建立的供熱負荷模型的預測效果整體優(yōu)于使用神經(jīng)網(wǎng)絡及其優(yōu)化算法建立的模型;使用交叉驗證算法有助于提高模型的便捷性和推廣性。在模型穩(wěn)定性方面:支持向量回歸模型高于需要多次重復計算才能得到滿意結果的BP神經(jīng)網(wǎng)絡模型;受隨機因素影響較大的遺傳算法和粒子群算法不及網(wǎng)格搜索方法。

6、
　　本文建立了多種預測模型進行供熱負荷預測，可為供熱企業(yè)科學生產(chǎn)提供有效參考，為熱源分配、調(diào)度提供必要依據(jù)。通過對各模型的分析與比較，在基于本文研究采用的供熱實測數(shù)據(jù)的基礎上，綜合各方面評價因素，本文推薦:使用在穩(wěn)定性、便捷性和精準度等方面表現(xiàn)都較為均衡的 GS-KCV-SVR預測模型進行一般規(guī)模樣本數(shù)據(jù)的供熱負荷預測;當樣本數(shù)據(jù)規(guī)模較大且對預測精度有特殊要求時，使用GA-KCV-SVR預測模型或PSO-KCV-SVR預測模型進