（热能工程专业论文）基于粒子群算法热力站供热负荷预测与控制研究.pdf

大连理工大学硕士研究生学位论文 摘要 供热负荷预测是对集中供热系统进行最优控制调节的基础，对于供热系统的运行管 理，提高供热品质，节约能源，环境保护等都具有十分重要的意义 本文结合秦皇岛市某民用热力站的供热实际情况，在深入分析其供热特点的基础 上，提出了利用b p 神经网络进行热力站供热负荷的预测。同时，为克服标准b p 算法 收敛速度馒和易于陷入局部最小的问题，提出利用进化算法一粒子群算法进行毒卓经网 络初始状态的优化。在此基础上，进一步提出了混合粒子群算法和速度变异粒子群算法 两种改进算法提高优化性能。实践证明，采用粒子群算法和b p 算法相结合的办法，无 论是热负荷的预测还是换热器模型的辨识。都取得了很好的效果。最后，对热力站的阶 跃响应数据进行拟合，得出热力站换热器的传递函数，进而分别和用p i d 控制器和n n 预测控制器对换热器的控制特性进行了仿真。 关键词：热负荷：印神经网络；粒子群算法；混合遗传粒子群算法；速度变异粒子群 算法 基于粒子群算法的热力站供热负荷预测与控制研究 r e s e a r c ho nh e a tb u r d e np r e d i c t i o na n dc o n t r o lo fs u b s t a t i o n b a s e do np s o a l g o r i t h m a b s t r a c t p r e d i c t i o no fh e a tb u r d e nh a se m e r g e da st h eb a s eo fc o n t r o la n da d j u s t m e n ti nh e a t s u p p l ys y s t e m p r e d i c t i o no fh e a tb u r d e nl e v e li sa l li m p o r t a n tr e s e a r c ht o p i ci ne n e r g y e c o n o m i z a t i o na n de n v i r o n m e n tp r o t e c t i o nt o d a y f o rf u l f i l l i n gs u c hp r e d i c t i o n ，t h eu s eo fb pn e u r a ln e t w o r k 删) i sa p p l i e dt op r e d i c tt h e h e a tb u r d e no fah e a ts u b s t a t i o ni n ( i n h u a n g d a nc i t y , b a s e do nd e e pa n a l y s i so fh e a t s u p p l y i n gc h a r a c t e d s t i c b u tt h e i rt r a i n i n g ，u s u a l l yw i 也b a c k - p r o p a g a t i o n ( b p ) a l g o r i t h mo r o t h e rg r a d i e n ta l g o r i t h n m , i so f t e nw i t hc e r t a i nd r a w b a c k s ，s u c ha s ：1 ) v e r ys l o wc o n v e r g e n c e ， a n d2 ) e a s i l ys t u c ki nal o c a lm i n i m u m i nt h i sp a p e r , an e w l yd e v d o p o dm e t h o d , p a r t i c l e s w a r a lo p t i m i z a t i o no s o ) m o d e l ，i sa d o r e dt ot r a i np e r c c p t r o n s ，a n d 弱ar e s u l t , a p s o - b a s e dn e u r a ln e t w o r ka p p r o a c hi sp r e s e n t e d f o ri m p r o v i n gt h ep r e d i c t i n gr e s u l t s 。t w o i m p r o v e df s oa l g o r i t h ma l ep r e s e n t e da l s oi nt h i sp a p e r ：v e l o c i t ym u t a t i o np s 0a n dh y b r i d p s o b o t ht h et w oa p p r o a c h e sa r ed e m o n s t r a t e dt ob ef e a s i b l ea n de f f e c t i v eb yp r e d i c t i n g h e a tb u r d e na n dt h ei d e n t i f i c a t i o no ft h eh e a te x c h a n g e rs y s t e mi ns u b s t a t i o n a tl a s t , b a s e d o nad y n a m i ct r a n s f e rf u n c t i o no ft h eh e a te x c h a n g e rt h r o u g hs t e p - r e s p o n s ee x p e r i m e n t ，t h e s t e p - r e s p o n s ec o n t r o ls i m u l a t i o n so fb o t ht h ep i dc o n t r o l l e ra n dn np r e d i c tc o n t r o l l e ra r e p r e s e n t e d k e yw o r d s ：h e a tb u r d e n ；b pn e u r a ln e t w o r k s ；p a r t i c l es w a r mo p t i m i z a t i o n ；v e l o c i t y m u t a t i o np s o ；h y b r i dp s o i i 独创性说明 作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工 作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理 工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志 对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。 作者签名： 砌j z ) i 大连理工大学硕士研究生学位论文 大连理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位论文版权使用 规定”，同意大连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子 版，允许论文被查阅和借阅。本人授权大连理工大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论 文。 作者签名： 量鱼公。 作者签名： 塞堡垒 导师签名：翌 生之 生! 年! 至月笪日 大连理工大学硕士研究生学位论文 1 绪论 取暖是寒冷地区生活的必要条件。供热行业作为对国民经济发展有着全局性，先导 性影响的基础产业，与人们的生活息息相关由于当前能源和环保问题越来越多地收到 关注，能源节约，环境保护，经济可持续发展已成为我国的基本国策。目前，对城市供 热的要求，已不仅仅在于规模不断扩大，而起对供热系统的合理性，经济性，特别是供 热系统的能源有效理由及供热可靠性提出了更高的要求。 集中供热这种供热模式逐渐被许多城市所接受。集中供热是指以热水或者蒸汽为热 媒，利用一个或多个通过供热管网，热交换站等，向一个城市或城市中较大区域的各个 热用户提供热能的方式。集中供热是相对与分散小联片锅炉房供热而割1 1 。 集中供热之所以得到了迅速发展，是与其自身特点分不开的，集中供热与分散供热 比较，有很大优点： 首先：减少大气污染。用一个集中的热源一热电厂或集中供热锅炉房，代替众多的 分散锅炉：变面源污染排放为点源排放，大大减少了环境污染。 其次：大大节约能源。利用热电厂大容量，高效率锅炉。代替小容量，低效率锅炉， 达到节约能源的目的。 其三：提高供热质量。分散供热是间断供热，供一段，停一段，供热不稳定；集中 供热是连续供热，并根据负荷及时调整，无论室外如何变化，室温始终保持一定。 其四：低噪音，少扰民。分散供热热源点靠近居民区，产生的噪音直接影响周围居 民；集中供热热源点远离居民区，可以有效防止噪音对居民的影响，减少扰民。 其五：自动化程度高。集中供热的供热温度调节采用自动控制，能够适时的随室外 温度变化而自动调节供热参数，以满足用户需要，同时也可以减轻工人操作上的劳动强 度。 其六：设备故障率低。由于集中供热可选用供热专用设备，其设备质量高于一般的 工业设备，运行安全可靠，故障率低 我国城市集中供热发展很快，据统计 2 ) 1 9 9 6 年到2 0 0 1 年，供热面积由7 3 4 3 3 万平 方米发展到1 4 6 3 2 9 万平方米，增加了7 2 8 万平方米；集中供热总量由蒸汽1 7 6 1 9 吉焦 发展到3 7 6 5 5 吉焦，热水总量由5 6 3 0 7 吉焦发展到1 0 0 1 9 2 吉焦；热电联产供热占供热 总量3 4 2 ；供热管道由3 3 5 8 9 公里发展到5 3 1 0 9 公里。我国三北地区城市集中供热总 面积约占房屋总面积4 0 左右，随着城市化水平的提高和居民生活条件的不断改善，城 市供热面积特别是集中供热面积将进一步扩大。城市集中供热是节能，环保的重要途径， 基于粒子群算法的热力站供热负荷预测与控制研究 是城市现代化的主要基础设施之一，也是经济发展，改善人民群众物质生活的重要标志 之一。 1 1 集中供热系统供热负荷预测的意义及必要性“m 瑚硼 负荷预测是在掌握负荷变化规律基础上，充分考虑各种影响因素之后，以一定的准 确程度预测将来某一段或时刻的负荷大小。供热负荷的大小，特性及变化规律，对于供 热系统的运行管理，节约能源保护环境等都十分重要。对系统未来的负荷和特性进行预 测，是供热系统发展与运行管理的关键之一。同时，集中供热系统的供热负荷预测是对 集中供热管网系统进行最优调节的一个重要的先决条件，对集中供热管网系统热效率有 直接的贡献。准确快速的热负荷预测也大大有利于改善集中供热管网微机监控系统的工 作，从而提高集中供热管网系统的运行效率、可靠性和经济性，因此，供热负荷预测具 有十分重要的意义。 预测系统热负荷的变化也是中央管理机的主要工作任务之一。只有根据所预测出的 热负荷值，中央管理机才能够确定出供热参数，即循环水量及循环水泵的开启台数，供 回水温度及锅炉的开启台数，继而将这些决定通知相应的现场控制单元产生相应的动作 或修改相应的设定值。因此，能否准确地预测出未来负荷的变化，将直接关系到系统能 否正常与经济地运行。 随着科学技术的发展，大量的数学方法和其他各项自然科学技术的应用，各项预测 工作取得了突破性的进展。但是与人们居住环境密切相关的供热领域由于热的特殊性及 系统的复杂性，热负荷预测工作相对滞后。目前发达国家已普遍实施计量收费制度，我 国由于历史与技术资金原因虽然起步比较艰难，但也于2 0 0 0 年2 月份由建设部颁布了 民用建筑节能管理规定鼓励发展供热系统调控和分户熟计量技术与装置，推行温度 调节和户用热计量装置，实施供热计量收费 2 1 。实施分户计量收费制度后，要想保证节 能和供热的高质量，热源处必须能够很好的跟踪预测热用户的用热量，热负荷预测必将 成为供热系统调控的一部分。 当供热收费改革为按户计量收费后，随着市场意识的增强，热用户对热产品的质量 要求越来越高，每户都安装热量计和温控阀，用户将根据自己的需求调节温控阀来控制 室内湿度。例如夜间的客厅、无人居住的房间均可以调低温度减少供热量，降低供热费 用，从而调动了用户节能的积极性。这种调节，本质上是通过调节散热器的流量大小来 调节散热器的供热量多少，从而达到控制室温。当用户需调节室温时开大、开小温控阀， 这时通过该用户的散热器的热水流量就要发生变化。当众多用户调节自己的流量后，整 个热网的流量和供热量也随之变化，而这种变化是无规律的，面对这种没有精确数学模 大连理工大学硕士研究生学位论文 型的受控参数，要实现按需供热进而满足热用户的热舒适要求，没有很好的预测手段显 然是不行的，而传统供热系统的设计方法与调控方法不能适应供热计量系统的要求。要 实现供热计量的两个目标节能和供热的高质量，在供热系统运行过程中应跟踪预测 热用户的用热量，使热源的供熟量和热用户的需热量褶匹配，从而使系统的供需一致。 因此，集中供热系统的负荷动态预测必将像电力负荷预测一样成为集中供热系统调控的 一个重要部分。 供热系统送热介质为热水，其热惯性较大，变化明显存在很大的滞后性，这给有效、 及时的控制调节带来许多不便，造成集中供热控制系统的稳定性较差，很难实现温度的 平稳控制，既浪费能源又达不到好的供热效果。如果能对供热负荷提前进行准确预测， 必将有利于对集中供热系统进行及时、有效的控制调节，克服热惯性造成的不利影响， 这一切都说明，对集中供热系统进行供热负荷预测是很有必要的。 1 2 供热负荷预测的分类嘲 做好负荷预测工作首先应了解负荷预测的机理，并掌握负荷预测技术的特点。负荷 预钡4 主要是基于利用可知性、可能性、连续性、相似性、反馈性和系统性原理，而预测 方法多达2 0 0 种以上。 预测问题几乎遍及各个领域，而供热负荷预测是从以往的需求出发，考虑生活习惯、 气候等因素而对未来某个周期或时刻的需求量做出的推断估计值或范围。 根据负荷预测的周期，可按以下两种方法进行分类： 一种可分为长期负荷预测( 数年至数十年的负荷预测) 、中期负荷预测( 1 月至1 年的负荷预测，用于水库调度、机组检修、交换计划，燃料计划等长期运行计划的编 制) 、短期负荷预测( 1 日至1 周的负荷预测，用于编制调度计划) ，超短期负荷预测 ( 未来1 h 以内的负荷预测，其中5 一l o s 的负荷预测用于质量控制；1 一s t a i n 的负荷预测， 用于安全监视；l o - 6 0 m i n 的负荷预测用于预防控制和紧急状态处理) 另一种可分长 期负荷预测( 2 0 年以上) 、年负荷预测、月负荷预测、周负荷预测、日负荷预测、短 期负荷预测o o - 6 0 m m ) 以及超短期负荷预测( 5 l o s 或1 5 m i n ) 。按全社会或行业类别 可分为城市民用负荷预测或商业负荷预测、农村负荷预测、工业负荷预测等。由于热负 荷不同于电负荷，机组调度和阀门的关开有一定的时间性，超短期负荷预测的意义不是 很大，可操作性较差。中长期负荷预测涉及面广，涉及到城市规划、生产力发展等因素， 是一个庞大的系统工程。因此在本文中，我们着重研究短期负荷预测，预测未来1 日 内的负荷值的变化，以便集中供热控制系统及时根据负荷情况调节系统的运行。 基于粒子群算法的热力站供热负荷预测与控制研究 1 3 目前供热负荷预测研究现状 供热系统的热用户有采暖、通风、热水供应、空气调节、生产工艺等用热系统。上 述用热系统的热负荷，按其性质可分为两大类【6 l ； 1 1 季节性热负荷。采暖、通风，空气调节系统的热负荷是季节性热负荷。季节性 热负荷的特点是：它与室外温度、湿度、风向、风速和太阳辐射等气候条件密切相关， 其中对它的大小起决定作用的是室外温度，因而在全年中有很大的变化。 萄常年性热负荷。主要是指工业用热，通常情况是生产工艺系统用热，例如制药 行业的发酵、消毒等工艺流程用热以及纺织印染工艺中的温度、湿度要求。常年性热负 荷的特点是：与气候条件有一定关系，但主要由其生产能力决定。通常，供热负荷在人 们心目中被认为是电产品的附属品，没有充分认识到热负荷预测的重要性。因此，对热 负荷预测采用由用户方月底上报下个月用热计划的方式，这种预测方式要凭借丰富的运 行调度经验，不仅未能有效考虑机组的经济运行，同时人为因素很多，很难考虑一些外 部因素，如气温、突发事件等，往往造成负荷浪费或负荷不足。预测方法可以分成两大 类：一类是定性预测，也称为直观性预测；另一类是定量预测，也称为统计预测。在暖 通领域，常采用定量预测方法， 即采用数学、概率论和数理统计方法对历史数据进行处理m 。回归分析就是一种常 用的定量预测方法。近年来，- - n 新兴的边缘学科一人工神经网络( a n n ) 引起人们 广泛的关注，由于其独特的结构和处理信息的方法，使其在许多实际应用领域中取得了 显著的成效。 1 3 1 各种供热负荷预测方法嘲啪啪嘲 集中供热系统是一个极其复杂的具有很大熟惯性的系统，影响供热负荷的因素很 多，如用户性质、经营状况、建筑结构、日期、季节、气象以及其他许多随机因素，建 立供热负荷预测的数学模型是很困难的，所以目前大多数的预测方法都是建立在对历史 数据统计分析的基础上，只是数据处理方式及所适用的系统不同。 常规单一的负荷预测方法有： 1 ) 类比法。对具有相似研究特征的事件进行对比分析和预测，如新开发区的建设， 无历史经验可以借鉴，此时，可用类比法预测负荷的发展。 主观概率预测法。对不能做实验或实验成本太高无法接受的方案，设若干估计 特定事件发生的主观概率，然后综合得出该事件的概率。 单耗法。该方法需做大量细致的调研工作，对短期负荷预测效果较好。 4 ) 负荷密度法。 一4 一 大连理工大学硕士研究生学位论文 5 1 比例系数增长法。假定负荷按过去比例增长，预测未来的发展。 这些方法的共同点是，根据某个单一的指标进行预测，方法虽然简单，但比较笼统， 且很难反映诸如人口、经济、气候等条件的影响。 预测新技术有： 1 ) 趋势外推预测技术：负荷虽有随机、不确定的一面，但却有明显的变化和发展 趋势。根据各行业负荷变化的规律，运用趋势外推技术进行负荷预测能够得到较为理想 的结果。外推法有线性趋势预测、对数趋势预测、二次曲线趋势预测、多项式趋势预测、 季节型预测和累计预测等方法。外推法的优点是只需要历史数据、所需的数据量较少： 缺点是如果负荷出现变动，会引起较大的误差。 劲负荷回归模型预测技术：根据以往负荷的历史资料，用数理统计中的回归分析 方法对变量的观测数据统计分析。确定变量之间的相关关系，从而实现负荷预测的目的。 3 ) 时间序列预测技术；实际问题中，多数预测目标的观测值构成的序列表现为广 义平稳的随机序列或可以转化为平稳的随机序列。依据这一规律建立和估计产生实际序 列的随机过程模型，并用它进行负荷预测。 钔灰色预测技术：以灰色系统理论为基础的灰色预测技术，适用于短期负荷预测， 而且处于研究和实用化阶段。 负荷预测技术的发展动态有： 1 优选组合预测技术：优选组合预测技术有两层含义，一是从几种预测方法得到 的结果中选取适当的权重加权平均；另一层含义是，可在几种方法中比较，选择标准偏 差最小或拟合度最佳的一种方法。 专家系统预测技术：专家系统是基于知识建立起来的计算机系统，它拥有某个 领域内专家们的知识和经验，能像专家们那样运用这些知识，通过推理做出决策。专家 系统预测技术适用于中长期负荷预测。 模糊预测技术；建立在模糊数学理论基础上的一种负荷预测新技术，有模糊聚 类预测方法、模糨相似优先比方法和模糊最大贴近度方法等。 4 1 小波分析预测技术：小波分析是2 0 世纪数学研究成果中最杰出的代表。它是 一种时域一频域分析方法，在时域和频域上同时具有良好的局部化性质，它要比直接 用原负荷序列进行预测来得精确。 5 1 神经网络预测技术：a n n ( a r t i f i c i a ln e u r a ln e t w o r k ) 预测技术，可以模仿人脑 做智能化处理，对大量非结构性、非确定性规律具有自适应功能，有信息记忆、自主学 习、知识推理和优化计算的特点【8 j 。这些是常规算法和专家系统技术所不具备的。神经 基于粒子群算法的热力站供热负荷预测与控制研究 网络预测技术适于做短期负荷预测，此时可近似认为负荷的发展是一个平稳的随机过 程。 1 3 2 现有预测方法的分析和存在的问题 现在分析几种典型的预测方法 1 1 时间序列法【1 2 】 常用时间序列的基本模型有： 平稳自回归模型a r q ) 1 i r ( b ) x t = a t ，式中v ( 昼) = 1 - v l ( b ) - v b ) - - 1 l r p ( b ) p 称为自回归系数。 可逆滑动平均模型m a ( q ) x = e ( b ) a t ，式中0 ( 1 3 ) = 1 0 1 ( 且) - 0 “b ) 2 一e “b ) q 为滑动系数。 比较有代表性的是一种基于时间序列分析的负荷预测方法，其指出采用时间序列分 析的方法进行负荷预测，需要完成的工作包括：a 检验负荷时间序列的平稳性。如果 是非平稳序列，对其进行平稳化处理。b 建立平稳序列的数学模型，进行模型辩识与 参数估计，并作模型的适用性检验。 该方法的优点是所需历史数据少、工作量少；缺点是没有考虑负荷变化的因素，只 适用于负荷变化比较均匀的短期预测的情况。 a i t m a 方法嘲 a i i m a ( 自回归移动模型) 方法是对自回归模型和移动平均模型的综合，它 将预测对象随时间变化的序列先加工成一个白噪声序列进行处理，所以它可以对任何一 个供热系统的负荷变化进行模拟，而且预测速度快，能得到较高的预测精度。但该方法 与其他时间序列方法一样，所需数据单一，只能给出下一周期的负荷预测值，且无法分 析形成这一结果的原因，所以它更适合短期负荷预测。此外，通过对以往运用a r m a 方法预测实例的分析，发现当天气发生骤然变化时，往往预测的误差较大，这主要是由 于该方法存在明显的滞后性，即最近的实际数据发生异常变化时，由于模型平滑作用， 预测数据无法立即对之做出反应，所以今后用a r m a 方法进行短期负荷预测应着眼这 方面的研究。 回归分析法【1 伽 该预测方法是利用数理统计中的回归分析方法，根据历史数据的变化规俸寻找自变 量与因变量之间的回归方程，寻找预测对象与影响因素之间的因果关系，建立回归模型 进行预测，而且在系统负荷发生较大变化时，也可以根据相应变化因素修正预测值，因 大连理工大学硕士研究生学位论文 此适合于中长期负荷预测。该方法是通过自变量来预测响应变量，所以自变量的选取及 自变量的准确性对预测结果是至关重要的。 灰色预测方法【1 3 】 灰色预测方法是一种不严格的系统方法，它抛开了系统结构分析的环节。直接通过 对原始数据的累加来生成寻找系统的整体规律，构建指数模型。该方法能根据原始数据 的不同特点，构造出不同的预测模型，例如：应用于增长有变化的灰指数模型，应用于 处理有季节变化数据或噪声数据的灰色拓扑模型，以及包含多个影响因素的o ( 1 ，m ) 模 型，该方法在数据缺乏时十分有效，它不需要大量的历史数据，不需要数据问有明显的 统计规律，只需预测模块便可快速地建模。根据灰色系统理论，基于g m ( 1 ，1 ) 预测模 型建立了灰色拓扑预测，对短期城市供热负荷进行灰色建模，寻求其发展规律，从而作 出了比较合理的预测。 灰色预测方法具有以下优点：( 1 ) 灰色预测无需大量的数据，无需数据有明显的统 计规律，只需要控制模块便可快速建模。( 2 ) 灰色预测对环境、参数等随机的非线性干 扰有自适应能力，是变参数不变结构的自适应模型。( 3 ) 灰色预测是一种事前预测，简 单、灵活、方便，具有防息于未然的能力，可为系统行为的预先提供信息，使我们作出 切合实际的反应，避免不必要的损失。从以上方法可以分析得到传统的负荷预测方法均 是基于线性模型的，比较成熟，算法简单、速度快，在天气温度和生产情况因素变化不 大时，预测效果良好，但是由于影响热负荷的许多因素都是随机的、具有各种不确定因 素影响，使得每一时刻的负荷值都是随机的，所以很难用热负荷值与其影响因素之间的 线性关系来表示，而且建立函数关系模型需要大量的历史数据和建模工作，模型也缺少 抗偶然因素的能力，自适应能力较差。因此，在供热负荷预测中缺乏通用性和实用性 习人工神经网络方法( a m 町州 人工神经网络是利用经验样本的学习，在网络中自动建立一个多输入变量与多输出 变量间的非线性映射过程，不需要建立具体的数学模型和规则。可以处理那些难以用模 型或规则描述的过程或系统。神经网络具有自组织、自学习、自适应的特点，能通过对 连接权的不断调整，自动适应信息、学习新知识，最终通过学习对实际学习样本提出合 理的求解规则，对瞬交的供热系统负荷预测具有十分重要的意义。神经网络能同时处理 定性和定量知识，这种功能对同时存在着定性和定量的供热系统负荷预测而言具有较大 的优越性。同时具有较强的信息综合能力，能同时处理大量的不同类型的输入，通过自 联功能很好的解决输入信息之阎的“兴奋”和“抑制”关系，对处理实时性强的问题表 现了极强的优越性，并具有很强的容错能力，目前已广泛应用在各种热负荷和电负荷预 基于粒子群算法的热力站供热负荷预测与控制研究 测中。具有较好的应用前景。该方法实际上是对系统的一个黑箱模拟，主要适合短期负 荷预测。 本文通过对人工神经网络系统的研究实现了对热负荷的良好预测。由于传统的预测 方法自身的局限性，对供热计量系统负荷的短期预测精度较低，而神经网络作为通用算 法用于数据的处理，建立的数学模型消除了其他方法处理非线性问题时的缺点，不需要 建立输入与输出之间的复杂关系，而是通过一组权重来实现输入与输出之间的映射，这 使得模型的预测结果更接近于实际情况，精度更高。因此把神经网络引入计量供热系 统的负荷预测是未来研究的方向。 a n n 的优势在于；具有以任意精度逼近任意复杂的非线性函数的特性；具有 很强的适应于复杂环境和多目标控制要求的自学能力：所有定量或定性信息分布储存 于网络的各个神经单元，而且各个单元上储存着不同信息的部分内容，即网络有冗余性 从而具有很强的容错性和鲁棒性；采用信息的分布式并行处理，可以快速地进行大量 的计算，但又不是简单地“以空间的复杂性为代价来求得时间上的快速性”，而是对于 处理以求的满意为目标的决策非常迅速。 但是，目前人工神经网络方法仍然面临着三个主要问题【1 4 】： 1 ) 神经网络的结构设计，即隐含层数和各层神经元节点数的选择，尚无理论指导， 因此，难以确定前向神经网络的最优结构。 萄网络的训练速度慢，特别是对大规模神经网络，训练时间太长， 难以满足要求。且收敛速度与初始值的选择有关。 传统的梯度下降算法常常收敛于局部极小点，达不到全局最优。 1 。4 集中供热系统热网调节策略 集中供热网是一个复杂的分布式大系统。整个生产过程具有大滞后，大惯性的控制 特性，供热站之间存在较强的耦合，对象具有时变特性，而且存在地理位置的分散性， 过程负荷变化的不确定性等特点。 热网调节策略可分为如下3 种【i 】【2 】： 1 1 质调节；即保持供热系统循环流量不变，只调节系统供回水温度； 2 ) 量调节：供热系统在运行时，供水温度始终保持设计值，而只改变循环流量； 蓟分阶段改变流量的质调节：在供热系统整个运行期阋，随室外湿度的提高，可 分为几个阶段减少循环流量，而在同一调节阶段内，循环流量保持不变，只调节系统的 供回水温度。 一8 一 大连理工大学硕士研究生学位论文 本论文数据来自河北省秦皇岛市碧水园二期热力站，其采用的调节策略为：一次网 采用量调节，二次网采用供回水平均温度质调节策略。二次网的调节目标是消除热用户 之间的水平热力失调，实现均匀供热，只保证二次网内各热力予站供热效果均匀一致， 而不追求各热力子站内用户的绝对效果；系统总体供热效果，通过调节一次网流量来实 现，具体来说，通过控制一次网供水侧电动阀门的开度来改变供水流量。 因此，对于我们所讨论的间接式二级供热网来说，集中供热网的热源控制的主要任 务是随着外界环境的变化f 坷，对供热负荷做出预测，并调整的总供热量( 一次网供水流 量) 来保证按需供热。热源的控制就是在热源处对热源的总供热量进行调整，以保证在 外温或者用户负荷特性发生变化时系统总供，需热量相匹配，从而达到按需供热的目的。 对总供热量的调整首先要对供热负荷做出预测，据此来调整总的一次网流量。也就是对 供热系统的热量工况进行调节。热力工况的调节可以分为两种；稳态调节和动态调节。 1 4 1 热力工况的稳态调节 大量的研究表明【1 6 1 ，在供热系统稳定工况下，如不考虑管网沿途热损失，则网络的 供热量应等于供暖用户系统散热设备的散热量，则运行调节的公式可以简化为： 上 。- 孚小扣一磁i 穗) ” ( 1 ) 式中，o 供暖房间室内计算温度； t ，啾暖房外室外自然温度； t j ，厶散热器水侧设计供，回水温度； 卜散热器传热指数，一般b = o 1 7 0 ：3 7 。 式( 1 1 ) 表明在一定室外气温下，用户室温t 是热力站系统供回水平均温度t 。的 函数，即供回水平均温度可以反映用户的用热情况。 将二次网的用户等效为散热器，根据稳态条件下，系统的供热量，散热器的散热量， 用户的耗热量相等，在供热系统无混水装置的情况下可以得到稳态条件下二次网随室外 温度变化的供回水温度： “+ 三也”) ( 鲁卜去( f l 一气 ( 鲁) ( 1 刁 上 “+ 扣忡n ) ( 乏- ： 扩w - 。去也一气i 爱) 3 ， 式中，强k ，t ，吩别为二次网供，回水温度，室内，室外温度； 基于粒子群算法的热力站供热负荷预测与控制研究 石i 二次网运行工况下对设计工况的相对流量。 质调节指在运行期间，供热系统循环流量始终保持值不变，只调节系统供回水温度 的调节方式若能保证二次网运行时的循环水量等于设计时的循环水量，则有瓦。一次 网与二次网之间通过水水换热器间接连接，当采用分阶段质调节时候，有： 西酉精夏- 2 幺t 2 s 一- ，t i z h 西芸 f ( 1 - 4 ) 式中，t l p t n 分别为一次网供，回水温度； 西相对供暖热负荷变化； 石一次网循环流量比。 以上得到了稳态条件下，保证按需供热一次网所需的供回水温度。但我们可以看到， 这一结果的得出是有条件的。二次网运行时，即使是工作在质调节下，也很难保证循环 水流量就正好等于设计条件下的漉量值。因此，各二次网的相对循环水流量不可能都唯 一，也不可能都相等，那么，各二次网分别计算得到的供水或回水稳定调节曲线不可能 相同，这样由不同的供回水温度曲线得到的一次网供回水曲线不同，而一次网供回水稳 定曲线只能有一条。所以，上述一次网供回水稳定的得出，只是稳态条件下，各二次网 循环水流量皆等于设计工况下循环水流量时的理想结论。 1 4 2 热力工况的动态调节 前面讨论的是供热系统在稳定状态下的热力工况，即系统供热量与散热器热量和建 筑物耗热量完全相等时热量工况，是一种理想工况。在实际运行中，由于建筑物的热惰 性，室外气温的周期变化以及日照影响等因烈钠，完全稳定的热力工况是很难实现的。 因此，上述在稳定条件下得到的计算公式难以准确描述供热热力工况的实际情况。 由于供热系统设备和建筑物有很大热惰性，室外气温，日照和供水温度，流量等参 数的变化对用户室温的影响不是立刻发生，而是滞后一段时间。因此，为保证用户室温 的设计要求，热源当天的供热量，与当天的室外气温，供回水稳度，流量，日照，风速 大连理工大学硕士研究生学位论文 有关。为了这种动态工况进行动态调节，必须首先对供热系统的热特性进行识别。在得 到系统热特性之后，通过预测可以得到系统的热负荷，一次网的流量。 传统负荷预测依赖经验公式得出的时间序列模型【1 6 】： 铲妻q ( 字) ，荟l 届k l q - 骞谚( 半l + 妻蚍。 ( 1 6 ) ( 1 7 ) q f 一1 1 6 3 g 1 ，( t l ，一kj x l 0 3 ( 1 8 ) t 一，、 g 1 。【专等j ( 1 9 ) 式中：t l r t l 一别表示一次网供，回水温度； ( 卜供热系统每天的供热量； t 广- 热用户每天平均室温； t 。当地每天平均综合外温： c 供热系统热媒比热，k j ( k g ) ； a ，8 ，o ，f 分别为供热系统热特性系数； 综合外温t 。考虑室外温度与太阳日照的综合影响。t 。表示为室外温度加上太阳 辐射热量折算成的外温增量，即 n o - 0 + y ( 1 1 0 ) 式中：q 广太阳辐射强度，k j ( m 2 d ) ： s 厂日照折算系数，k j 贸d ) ： 时间序列模型中的热特性系数a ，b ，f 根据热望实测参数动态辨识得到。拟合 时间一般不小于1 5 - 2 0 天。综合外温也可以通过建立相应的时间序列模型加以辨识和预 测，粗略的情况下可由平均室外温度代替。根据得到的系统时间序列模型，即可通过以 前的数据预测未来一天的供热负荷，一次网流量。 利用人工神经网络对供热系统负荷进行预测，实际上是利用人工神经网络可以任意 精度逼近任一非线性函数的特性及通过学习历史数据建模的优点。根据负荷的历史数 据，选定前馈神经网络的输入输出节点，来反映供热系统负荷变化的内在规律，从而达 到预测未来时段负荷的目的。 基于粒子群算法的热力站供热负荷预测与控常啊 究 1 5 本文主要研究内容 尽管集中供热负荷预测的方法很多，国内外的学者和机构对此也做了大量的研究。 但目前预测方法在集中供热负葡预测中仍存在许多不足，在此情况下，本文提出采用粒 子群算法( p s o ) 和神经网络理论相结合的方法应用在集中供热负荷预测与控制中，并 在经典p s o 的基础上，建立了改进p s o 算法的模型，利用改进的p s o 模型结合神经网 络进行供热负荷的预测，并采用m a t l a b 软件进行训练和仿真。该建模和预测方法具有 一定的通用性，并取得了良好的预测效果。论文的主要内容包括以下5 个方面： 1 在简要介绍我国集中供热发展现状和未来趋势的基础上，分析进行集中供热 负荷短期预测的意义和必要性，介绍集中供热热网的控制调节策略。 2 应用b p 神经网络进行负荷预测。分别确定网络结构，输入输出变量，训练 函数。进行不同训练方法预测结果的比较。 3 针对b p 网络的预测缺点，利用p s o 算法对b p 网络进行优化。并在经典p s o 算法基础上从提高收敛速度( h p s 0 ) 和提高种群多样性( v m p s o ) 两个方 向对p s o 算法进行改进，进而对b p 网络进行优化。并对各种训练过程和优 化结果进行比较。 4 在分析时滞系统动态响应特性的基础上，对热力站换热器系统进行输入输出 特性的b p 神经网络建模，建立热力子站二次网供固水平均温度的辨识模型。 5 利用热力子站一次网流量的阶跃响应实验数据，拟合该系统一次网流量对二 次网供水温度的动态传递函数，分别利用p i d 控制器和n n 控制器对其阶跃 扰动进行控制，考察其控制特性。 大连理工大学硕士研究生学位论文 2 供热负荷b p 神经网络预测模型及算法 人们把存在于人脑中的实际神经网络叫做生物神经网络( b i o l o g i c a ln e u r a ln e t w o r k s 。 简称b n n ) ，而把向生命学习，用电子方法，光学方法或其他生物物理化学方法仿照 生物神经网络所构造的神经网络，称为人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，简称 a n n ) ，误差反向传播神经网络，简称b p 网络( b a c kp r o p a g a t i o n ) ，是一种有隐含层 的多层前馈网络，它是人工神经网络模型中应用最广泛的一种。它由输入层，隐含层和 输出层构成，层与层之间多采用权连接方式，同一层神经元之间不存在相互连接。如果 网络的输入节点数为n ，输出节点数为m ，则这种神经网络可以看成是从n 维欧氏空 间到m 维欧氏空间的映射，这种映射是高度非线性的。b p 模型思路清晰，结构严谨， 工作状态稳定，可操作性强，已经证明含有足够隐含节点的3 层b p 网络能够以任意精 度逼近一个非线性函到切，现实世界中的许多问题，如模式识别，非线性映射，复杂系 统仿真，图象处理，系统辨识，函数拟合，优化计算，最优预测和自适应控制等，都可 以转化成这种神经网络形式来处理。 2 1b p 神经网络的基本原理 2 1 1 人工神经网络简述“” 人工神经网络理论是8 0 年代中后期世界范围内迅速发展的一个前沿研究领域。它 的研究和发展涉及神经生理科学，数理科学，信息科学和计算机科学等众多领域，是一 种新的信息处理理论，是一门高度综合的交叉学科。作为人工智能的一个最活跃的分支， a n n 模拟了人脑的工作方式，为解决复杂的非线性，不确定性问题开创了一个崭新的 途径。 人工神经网络是由神经元以一定的拓扑结构和连接关系组成的信息表现，存储和变 换系统，是模仿人脑结构的一种信息系统，可较好地模拟人的形象思维能力。它对自然 中生物体神经系统进行抽象和改造，并模拟生物体神经系统功能的产物。神经网络的重 要特点是具有记忆和学习能力，经过一定训练之后，能够对给定的输入做出相应处理。 图2 1 是一个神经元的典型结构。 一1 3 基于粒子群算法的热力站供热负荷预测与控制研究 输 图2 1 单输入神经元示意图 f i g1 1t h es i n g l en e u r a li n p u tc h a r t 神经元的输出计算式为： a = f c w p + b ) ( 2 1 ) a n n 是一种非线性映射系统，具有强大的模式识别能力，可以对任意复杂状态或 过程进行分类和识别，它具有良好的自适应性，自组织性，和容错性以及具有较强的学 习，记忆，联想，识别能力等。由于a n n 能够建立任意非线性的模型，并适合解决时 间序列的预测问题，尤其是随机平稳过程的预测，因此，供暖热负荷是其应用研究的一 个重要方面。 2 1 2b p 人工神经网络与印学习算法“” b p 网络是一种单向传播的多层前向网络，除输入输出节点外，还有一层或多层的 隐含节点，同层节点中没有任何连接。输入信号从输入层节点依次传过各隐含节点，然 后传到输出节点，每层节点的输出只影响下一节点的输出。b p 网络整体算法成熟，属 于有导师学习，其信息处理能力来自对简单的非线性函数的多次复合。b p 神经网络一 般结构如图2 2 所示 适应值训练 父乏辩娥 委 捌 输入屡 i g t - g mt o t e m 1 眄两一 图2 2b p 神经网络结构示意图 f i s 2 2t h es t r u c t u r ec h a r to fb p n e u r a ln e t w o r k s 大连理工大学硕士研究生学位论文 这一过程主要是利用输入模式求出它所对应的实际输出。 设输入模式向量为x l = x l l , x 2 l , ，x n l 】( 1 1 ，- ，2 ，p ；p 为学习模式对数；n 为输入单元 个数) 。 与输入模式对应的希望输出为y l f y l l , y 2 l , 。y t l ( t 为输出层单元个数) 。 隐含层各神经元的激活值： 删，。峋+ 而一巳0 = 1 2 ”m ) ( 2 2 ) 式中，w i j ：输入层单元i 至隐含层神经元的连接权3 ； t i ：隐含层神经元j 的阈值； m ：隐含层神经元个数。 激活函数采用s 型( s i g m o i d ) 函数，即： ，b ) 。瓦初 ( 2 3 ) 之所以选s 型函数作为b p 网络神经元的激活函数是因为它是连续可微分的，而且 更接近于生物神经元的信号输出形式。 将( 2 2 ) 式中激活值代入s 型函数中可得隐含层j 神经元的输出值： ，、1 矿，慨j 。而矿萝再丽 弘1 2 删 ( 2 同理，可求得输出层的激活值和输出值： 设输出层第k 个神经元的激活值为s k ，则 三 甄。乏。口吃 陋1 ，2 ，0 ( 2 - 5 ) 式中，v 业：隐含层神经元j 至输出层神经元k 的连接权； r k ：输出层神经元k 的阈值； 输出层第k 个神经元的实际输出值为； o 。- ，o 。) - 1 僻1 ，2 ，t ) ( 2 6 ) 1 + e x p i 一荟v 4 ，l 在正向传播计算中得到了网络的实际输出值，当这些实际的输出值与希望的输出值 不一样时或者说网络均方差大于所限定的数值时，就要对网络的各权值和阈值进行调 整。这种调整是从后向前进行的，即从输出层到隐含层，再到输出层，所以叫做误差反 向传播。 基于粒子群算法的热力站供热负荷预测与控制研究 为了使神经网络的输出误差和网络的均方差趋于极小值或满足期望的范围，对于 b p 网络输入的每组训练样本，一般要经过数百次甚至上万次的循环记忆训练，这种训 练实际上就是反复进行上面所述的输入模式正向传播和输出误差反向传播过程，b p 网 络训练流程如图( 2 1 ) 所示。 应 f 纛徽fj f 。l 一兰竺兰苎竺! 竺ij 图2 1 b p 算法流程图 f i g2 1t h ef l o wc h a r to fb p 当每次循环记忆训练结束后，都要进行学习结果的判别。判别的目的主要是检查输 出误差是否已经小到允许的程度。如果达到了就可以结束整个学习过程，否则继续训练。 2 1 3 即网络层数的确定“| j 【埘 b p 网络一般由一个输入层，一个输出层和一个以上的中间隐层组成，各层之问以 权值相连接。理论早已证明，具有偏差和至少一个s 型隐含层加上一个线形输出层的网 络，能够逼近任何有理函数。因而一个三层的基于b p 算法的神经网络可以完成任意的 从i i 维到m 维的映射。但是，对于隐含层需要用较多处理单元的情况，如果选用两