供暖熱網預測神經網絡模型的研究

1、供暖熱網預測神經網絡模型的研究摘要將人工神經網絡應用于供暖熱網實時預報技術，建立起可用于熱網供暖預報的外時延反響型BP網絡模型，及內時延反響型Elan網絡。本文利用牡丹江西海林小區(qū)鍋爐房2000年11月2001年4月的部分熱網數據，對所建立的網絡進展訓練和檢驗，結果說明兩處預報模型的均具有較好的動態(tài)跟蹤才能和預報特性。而Elan網絡在節(jié)點構造上比外時延反響型BP網絡更簡單，在確定網絡節(jié)點構造上更快捷，更具有實際推廣和應用價值。關鍵詞人工神經網絡供暖熱網預測外時延內時延反響型BP網絡Elan網絡一些復雜的消費過程，如熱網供熱，由于其反響機理非常復雜，具有很強的非線性、大滯后、時變性和不確定性，難

2、以建立被控對象的數學模型，至今仍很少實現閉環(huán)控制，只好有經歷的操作人員進展調節(jié)。操作人員雖然沒有被控對象的數學模型，但是由于他們比較熟悉供暖熱網和設備，且在長期的現場工作中積累了豐富的操作經歷，他們通過觀察儀表指示的變化，如熱網的從、回水溫度、室外溫度等參數，并且預估某些參數將要發(fā)生的變化，然后調整供熱負荷，以保證熱網供暖正常。這種人工控制方式一般也能到達較好的控制效果，但是由于操作人員的經歷與才能的不同，或由于人的疲勞、責任心等原因，也時常會因操作不當造成熱網供暖不正常，或在產生突發(fā)事件時，不能預測將會開展或延續(xù)擴大的嚴重故障，而引發(fā)更大的故障。預測對于提供將來的信息，為當前人人作出有利的決

3、策具有重要意義?，F有的預測方法如時間序列分析中的AR模型預測方法，只適用于線性預測，而且，還需要對所研究的時間序列進展平穩(wěn)性、零均值等假定，其適用范圍受到一定的限制。近年來，人工神經網絡以其高度的非線性映射才能，在某些領域的預測中得到廣泛的關注。本文利用神經網絡技術辨識供暖熱網動態(tài)預報系統(tǒng)的模型，并對其進展了實際訓練和測試，分別建立了外時延反響型BP網絡模型和內時延反響型Elan網絡的預測模型。1外時延反響B(tài)P網絡多層前向網絡是研究和應用的最廣泛也是最成功的人工神經元網絡之一。多層前向網絡是一種映射型網絡。理論上，隱層采用Sigid激活函數的三層前向網絡能以任意精度逼近任一非線函數，神經元網絡

4、可以根據與環(huán)境的互相作用對自身進展調節(jié)即學習，一個BP網絡即是一個多層前向網絡加上誤差反向傳播學習算法，因此一個BP網絡應有三項根本功能：1信息由輸入單元傳到隱單元，最后傳到輸出單元的信息正向傳播；2實際輸出與期望輸出之間的誤差由輸出單元傳到隱單元，最后傳到輸入單元的誤差反向傳播；3利用正向傳播的信息和反向傳播的誤差對網絡權系數進展修正的學習過程。目前，多層前向網絡的權系數學習算法大多采用BP算法及基于BP算法的改進算法，如帶動量項的BP算法等。BP網絡雖然有很廣泛的應用，但由于它是一個靜態(tài)網絡，所以只能用于處理與時間無關的對象，如文字識別、空間曲線的逼近等問題。熱網供暖的各項參數都是與時間有

5、關系的，而且我們即將建立的供暖熱網預報模型必須是一個動態(tài)模型。為此，必須在網絡中引入記憶和反響功能?？梢杂袃煞N方式實現這一功能，一是采用外時延反響網絡，即反輸入量以前的狀態(tài)存在延時單元中，且在輸入端引入輸出量以前狀態(tài)的反響，如圖1所示；另一種方式是采用內時延反響網絡，既在網絡內部引入反響，使網絡本身構成一個動態(tài)系統(tǒng)，如下面將要介紹的Elan網絡。圖1處延時反響網絡2Elan網絡如前所述，在BP網絡外部參加延時單元，把時間信號展開成空間表示后再送給靜態(tài)的前向網絡作為一類輸入，從而實現時間序列建模和預測。然而，這種方式大大增加了輸入節(jié)點個數因此導致了網絡構造膨脹，訓練精度下降，訓練時間過長。Ela

6、n動態(tài)網絡是動態(tài)遞歸網絡中較為簡單的一種構造，如圖2所示。圖2Elan網絡由輸入層、隱含層、構造層聯絡單元層和輸出層組成，構造層記憶隱含層過去的狀態(tài)，并在下一時刻與網絡的輸入，一同輸入隱含層，起到一步延時算子作用。因此，Elan動態(tài)遞歸網絡具有動態(tài)記憶的功能，無需使用較多的系統(tǒng)狀態(tài)作為輸入，從而減少了輸入層單元數。3供熱網絡預報模型根據研究問題的性質不同，選擇不同的網絡構造和激活函數，以便建立準確的神經網絡預報模型。外時延反響網絡和內時延反響網絡都將其時延單元和反響單元視為BP網絡的輸入參數，因此可以應用BP算法訓練網絡，其隱含層和輸出層的節(jié)點激活函數可選擇tansig、purelin函數，表

7、達式為：tansig函數：purelin函數：f2(x)=kx輸出：其中：xi-熱網輸入；ji-由輸入層節(jié)點i隱層節(jié)點j之間的權值；j-隱層節(jié)點j的閾值；kj-由隱層節(jié)點j至輸出層節(jié)點k之間的權值；k-輸出層層節(jié)點k的閾值。從成因上分析供暖熱網的影響因子，運用相關圖法或逐步回歸分析法等對初選影響因子進展顯著性分析和檢驗，剔除不顯著因子。在此根底上，研究基于人工神經網絡的供暖熱網實時預報模型的建模和預報問題。本文選用牡丹江西海林小區(qū)鍋爐房2000年11月2001年4月的部分測量數據進展建模及測試，預測在相應時刻的熱網供水溫度、回水溫度及室外溫度值。31模型I：外進延反響網絡輸入參數為當前時刻與過

8、去時刻的室外溫度ii-1i-2i-3i-4;供水流量ii-1i-2i-3i-4;補水流量ii-1i-2i-3i-4;供水溫度ii-1i-2i-3i-4;回水溫度ii-1i-2i-3i-4;，共二十五個輸入量。輸出量為將來時刻的室外溫度i+1i+2；供水溫度i+1i+2；回水溫度i+1i+2；共六個輸出量。其中每一周期間隔15in。訓練樣本為前2000個數據組，測試樣本為后2000個數據組。輸出曲線有訓練樣本與計算數據比較曲線和測試樣本與計算數據比較曲線。網絡構造共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率=0.7，動量因子a=0.3，訓練精度=4.5e-3，經過1000次

9、正反向傳播和學習，網絡訓練滿足設定條件，此時訓練計算的均方差為0.00449767。將檢驗樣本輸入訓練好的網絡模型，其檢驗結果如圖3、圖4因篇幅所限僅給出回水溫度預報值所示。圖3回水溫度一步預報曲線實線：計算數據；虛線：實際數據圖4回水溫度二步預報曲線實線：計算數據；虛線：實際數據32模型II：內時延反響Elan網絡。輸入參數為當前時刻的室外溫度i;供水流量i;補水流量i;供水溫度i;回水溫度i;，共五個輸入量。輸出量為將來時刻的室外溫度i+1i+2；供水溫度i+1i+2；回水溫度i+1i+1；共六個輸出量。其中每一周期間隔15in。訓練樣本為前2000個數據組，測試樣本為后2000個數據組。

10、輸出曲線有訓練樣本與計算數據比較曲線和測試樣本與計算數據比較曲線。網絡構造共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率=0.7，動量因子a=0.3，訓練精度=4.5e-3，經過1000次正反向傳播和學習，網絡訓練滿足設定條件，此時訓練計算的均方差為0.0044999。將檢驗樣本輸入訓練好的Elan網絡模型，其檢驗結果如圖5、圖6因篇幅所限僅給出回水溫度預報值所示。圖5回水溫度一步預報曲線實線：計算數據；虛線：實際數據圖6回水溫度二步預報曲線實線：計算數據；虛線：實際數據表1列出了外時延反響網絡模型I與內時延反響Elan網絡模型II的訓練與測試結果的部分數據。預測模型I、I

11、I的比較表1輸入層節(jié)點數隱層層節(jié)點數輸出層節(jié)點數訓練次數訓練時間s訓練精度訓練樣本誤差測試樣本誤差模型I25256415236.7010.004497673.09982.2628模型II5256199140.5420.00449993.19741.46204結論從測試結果可以看出，對同一動態(tài)系統(tǒng)預測模型的辨識，外時延反響網絡與內時延反響Elan網絡的逼近才能根本一樣，而且都具有很強的跟蹤才能。但是Elan網絡的構造要比外時延反響網絡簡單得多，而且在訓練過程中，外時延反響網絡延遲步數要通過屢次的訓練才能找到最正確值，本預測模型就是在取到四步延遲后才得到最正確值，而Elan網絡就省卻了這一部分工作

12、；此外在本動態(tài)系統(tǒng)模型的辨識過程中也可以看出，無論是采用外時BP網絡，還是采用內時延Elan網絡辨識動態(tài)系統(tǒng)的模型，都必須恰當的引入輸出參數的反響，才能保證系統(tǒng)的動態(tài)跟蹤才能；本文選用了牡丹江西海林小區(qū)鍋爐房2000年冬季的部分測量數據進展建模及測試，用前20天的數據進展預測模型辨識，用后20天的數據進展預測模型測試，得到了比較令不滿意的預測結果，熱網供水溫度及室外溫度的預測結果也是很好的，只是由于篇幅關系同有繪出。通過上述的系統(tǒng)辨識與實測，說明用外時延反響網絡或內時延反響Elan網絡建立供熱系統(tǒng)的動態(tài)預測模型是可行的，解決了供熱系統(tǒng)對象中非線性、大滯后、時變性等問題，為進一步的供熱系統(tǒng)優(yōu)化控制奠定了基矗參考文獻1袁曾任，人工神經網絡及其應用，清華大學出版社，19992李士勇，模糊控制神經控制和智能控制論，哈爾濱工業(yè)大學出版社，19963張乃堯，閻平凡，神經網絡與模糊控制，清華大學出版社，19984董德存，張樹京，用于NARAX參數辨識的一種神經網絡方法，鐵道學報，19945謝新民，蔣云鐘等，基于人工神經元網絡的河川徑流時時預報研究，水利水電技術，1999，96李勇，孫艷萍等，用于故障預測的BP網絡模型及改進，東北電力學院淡報，1999，17郭創(chuàng)新等，一種魯棒BP算法及其在非線性動態(tài)系統(tǒng)辨識中的應用，信息與控制，1996，68賴曉平，周鴻興，云昌