改進BP神經(jīng)網(wǎng)絡在供熱系統(tǒng)負荷預測中的應用與研究

王奧博

中國石油天然氣股份有限公司遼陽石化分公司,遼寧遼陽 111000

0 引言

中國石油遼陽石化公司（以下簡稱公司） 是中國石油天然氣股份有限公司的地區(qū)分公司，是特大型石油化工聯(lián)合生產(chǎn)企業(yè)。在新的形勢下，如何利用現(xiàn)代的計算機網(wǎng)絡技術提高企業(yè)的服務管理水平已經(jīng)是一個需要迫切解決的問題。數(shù)字化遠程監(jiān)控系統(tǒng)的建設可以有效的提高企業(yè)綜合服務管理水平，同時可以顯著的降低系統(tǒng)運行能耗，符合我國節(jié)能減排的大目標，具有非常突出的經(jīng)濟效益和社會效益。

供熱系統(tǒng)負荷預測就是在掌握供熱系統(tǒng)負荷變化規(guī)律的基礎上，充分考慮各種因素的影響，預測未來某一時段或某一時刻的供熱負荷。供熱系統(tǒng)負荷預測是公司生活區(qū)供熱系統(tǒng)進行運行調(diào)節(jié)的前提和基礎，也是對系統(tǒng)優(yōu)化控制的一個重要條件。在公司生活區(qū)供熱系統(tǒng)中，為了同時滿足供熱系統(tǒng)的供熱質(zhì)量和節(jié)能要求，公司相關部門必須做好生活區(qū)熱用戶用熱量的跟蹤預測工作。因此，對生活區(qū)供熱系統(tǒng)負荷預測的準確程度，對于改進公司生活區(qū)供熱系統(tǒng)的運行管理方式、強化供熱質(zhì)量、節(jié)省供熱能源、加強環(huán)境保護、做好職工生活的質(zhì)量改善工作等都具有十分重要的意義。

1 供熱系統(tǒng)的負荷預測

根據(jù)公司生活區(qū)供熱系統(tǒng)具有的復雜性、滯后性、大慣性及非線性等特點，通過物理模型來建立供熱負荷預測的模型是相當困難的。目前，大多數(shù)負荷預測的方法都是建立在對公司生活區(qū)供熱系統(tǒng)歷史數(shù)據(jù)統(tǒng)計分析的基礎之上，這樣根據(jù)對統(tǒng)計數(shù)據(jù)處理方式的不同，傳統(tǒng)的公司生活區(qū)供熱系統(tǒng)負荷預測的方法又大體可以分為時間序列法、回歸分析法和灰色預測法。

2 BP神經(jīng)網(wǎng)絡

BP（BackPropagation） 網(wǎng) 絡 是 1986年 由 Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出量為0～1之間的連續(xù)量，它可以實現(xiàn)從輸入到輸出的非線性任意映射。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權(quán)值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層（hidelayer）和輸出層（outputlayer）。BP神經(jīng)網(wǎng)絡是一種前饋型多層神經(jīng)網(wǎng)絡由于其權(quán)值的調(diào)整采用反向傳播（BlackPropagation）學習算法，又稱為BP網(wǎng)絡。

目前，在人工神經(jīng)網(wǎng)絡的實際應用中，大部分的神經(jīng)網(wǎng)絡模型都是采用BP神經(jīng)網(wǎng)絡及其變化模型，它是前向網(wǎng)絡的核心內(nèi)容，體現(xiàn)了人工神經(jīng)網(wǎng)絡的精華。

3 基于改進BP神經(jīng)網(wǎng)絡的負荷預測

供熱系統(tǒng)的負荷預測具有逐時趨勢性、較強隨機性和24小時為周期變化的周期性等規(guī)律。本文將供熱系統(tǒng)的負荷預測作為短期負荷預測來處理，基于改進BP神經(jīng)網(wǎng)絡進行負荷預測工作。

3.1 預測模型的選取

供熱負荷具有較強隨機性，又具有一定的規(guī)律性，通常與過去的供熱負荷、運行狀況、室外溫度、工作日與否和陽光照射率等都有著密切的關系。因此，采用預預測供熱負荷預測的變化的規(guī)律和特性是保證供熱系統(tǒng)運行高效、經(jīng)濟和安全的基礎和前提。如上所述，對供熱系統(tǒng)的負荷預測模型提出如下問題：

1）預測模型應能夠反映供熱負荷隨工作日和周期（24小時）波動的特點；2）預測模型應能夠反映供熱負荷自然增長的內(nèi)在規(guī)律；3）預測模型應能夠反映室外溫度、太陽照射率等氣象因素的影響規(guī)律。

3.2 負荷預測的基本步驟

應用BP神經(jīng)網(wǎng)絡進行供熱系統(tǒng)的負荷預測，可以分為歷史數(shù)據(jù)的收集、BP神經(jīng)網(wǎng)絡結(jié)構(gòu)的設計、模型的學習訓練和供熱系統(tǒng)的負荷預測四個階段。具體過程如下：

1）歷史數(shù)據(jù)的收集。要做好對未來某一時段或某一時刻的供熱負荷預測工作，必須要有充分的供熱負荷歷史數(shù)據(jù)作為前提，對供熱負荷的基礎數(shù)據(jù)進行統(tǒng)計分析及相應的預處理；

2）BP神經(jīng)網(wǎng)絡結(jié)構(gòu)設計。根據(jù)供熱系統(tǒng)的實際要求，結(jié)合歷史數(shù)據(jù)和統(tǒng)計資料，設計合理的BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)；

3）供熱系統(tǒng)的負荷預測。根據(jù)已經(jīng)訓練好的BP神經(jīng)網(wǎng)絡模型對未來的供熱負荷進行預測。下面就要按照上面的步驟對供熱負荷進行預測。

3.3 輸入變量和輸出變量的選取

在實際的供熱系統(tǒng)負荷預測工作中，輸入變量的選取是取得良的好負荷預測結(jié)果的關鍵。

做好供熱系統(tǒng)的負荷預測工作，就是要通過對影響供熱負荷變化的相關因素進行分析，供熱系統(tǒng)神經(jīng)網(wǎng)絡模型的潛在輸入變量類型并不太多，可能包含的類型有：時間、工作日與否、室外溫度、風速、天氣、太陽照射率、系統(tǒng)的供水流量、供水溫度、回水溫度、入口壓力、出口壓力等。

3.4 輸入和輸出變量的預處理

供熱系統(tǒng)負荷預測建模需要大量的歷史數(shù)據(jù)作為依據(jù)，而歷史數(shù)據(jù)是從現(xiàn)場采集得來，不單受到測量設備本身精度的影響，還要受到數(shù)據(jù)傳輸和意外因素的影響。如供熱系統(tǒng)故障、設備檢修、人為誤操作等因素。數(shù)據(jù)中往往包含著部分的不準確數(shù)據(jù)或偽數(shù)據(jù)，這些數(shù)據(jù)對BP神經(jīng)網(wǎng)絡建模的構(gòu)成都具有負面影響。

由于BP神經(jīng)網(wǎng)絡中每層神經(jīng)元節(jié)點的激勵函數(shù)大都采用Sigmoid函數(shù)，所以必須對BP神經(jīng)網(wǎng)絡的輸入、輸出參數(shù)進行歸一化處理。

4 負荷預測仿真示例

結(jié)合文中提出的BP神經(jīng)網(wǎng)絡的負荷預測方法和步驟，將該方法具體地應用到公司生活區(qū)供熱系統(tǒng)的短期負荷預測實例中去，驗證預測方法的有效性。

4.1 改進BP神經(jīng)網(wǎng)絡模型參數(shù)的選擇

根據(jù)公司某熱力站2011年12月～2012年02月的負荷數(shù)據(jù)作為學習和預測的樣本。

根據(jù)負荷預測BP神經(jīng)網(wǎng)絡的體系，結(jié)合確定的BP神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)為：時間、室外溫度、室外風速、天氣、供水流量、回水溫度和是否為工作日。

4.2 BP神經(jīng)網(wǎng)絡層次結(jié)構(gòu)的確定

BP神經(jīng)網(wǎng)絡的層數(shù)和各層的神經(jīng)元的數(shù)量要根據(jù)實際情況進行合理的選取。一般在滿足負荷預測誤差精度的前提下，以較少的層數(shù)和神經(jīng)元數(shù)量在較短的時間內(nèi)達到要求。由于BP神經(jīng)網(wǎng)絡具有不確定性，在選取BP神經(jīng)網(wǎng)絡的層數(shù)和每層的神經(jīng)元數(shù)量時，需要進行反復實驗，得到最佳的BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)。

4.3 預測結(jié)果分析

圖1 BP算法預測負荷和實際負荷曲線

本文通過MATLAB仿真軟件進行仿真實驗。將BP神經(jīng)網(wǎng)絡訓練后得到的權(quán)值作為最終確定的權(quán)值連接方式，將擬預測時刻的輸入值進行輸入得到未來某一時刻或某一時段供熱負荷的預測值。其中，BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)體系（如圖3所示）。

根據(jù)公司某熱力站2011年12月～2012年02月的負荷數(shù)據(jù)作為學習和預測的樣本，采用MATLAB仿真軟件進行仿真實驗。BP算法預測負荷和實際負荷曲線（如圖1所示）。改進BP算法網(wǎng)絡權(quán)值過程預測負荷和誤差變化曲線曲線（如圖2、3所示）。從仿真曲線可以看出，采用改進BP算法訓練完成的網(wǎng)絡進行預測時，預測負荷和實際負荷曲線的契合程度明顯好于BP算法的契合程度，進而驗證了設計方法的有效性。

圖2 改進BP算法預測負荷和實際負荷曲線

圖3 改進BP算法訓練網(wǎng)絡權(quán)值過程誤差變化曲線

經(jīng)過454次循環(huán)，BP神經(jīng)網(wǎng)絡訓練成功。

綜上所述，改進BP神經(jīng)網(wǎng)絡適用于供熱負荷的預測，精度較高，能夠滿足生活區(qū)熱用戶的要求。致使公司相關部門能夠提前對供熱負荷的變化有所準備，制定合理的檢維修計劃，爭取公司供熱系統(tǒng)效益最大化。

5 結(jié)論

本文主要研究了改進BP神經(jīng)網(wǎng)絡的負荷預測方法。首先，對BP神經(jīng)網(wǎng)絡理論進行較為深入的探討和研究；然后，根據(jù)公司生活區(qū)供熱系統(tǒng)的實際特點，通過模糊PID控制原理在公司生活區(qū)供熱系統(tǒng)中的應用，建立了BP神經(jīng)網(wǎng)絡負荷預測模型；最后，通過MATLAB仿真示例驗證該項預測模型具有較高的精度，進而驗證了設計方法的有效性。