結(jié)合天氣因素的HTS-FOA-GRNN短期熱負(fù)荷預(yù)測研究

顧 偉，薛貴軍，李水清

（1.華北理工大學(xué)，河北 唐山 063210；2.河北理工大學(xué)智能儀器廠，河北 唐山 063000）

1 引言

對于集中供熱系統(tǒng)的短期熱負(fù)荷預(yù)測研究，學(xué)者們提出了很多的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。其中，文獻(xiàn)[1]提出了一種基于小波分析的供熱負(fù)荷預(yù)測方法，但波基的選取較難，很難達(dá)到預(yù)期的分離效果；文獻(xiàn)[2]提出了一種基于DHP網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測方法，DHP算法雖然減少了需要處理的候選集，但是卻增加了Hash表的計算和數(shù)據(jù)庫表的存貯空間，降低了運(yùn)算速度；文獻(xiàn)[3]提出了一種基于BP網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測方法，但是BP算法的參數(shù)較多，每次都需要更新數(shù)量較多的閾值和權(quán)值，故會導(dǎo)致收斂速度過慢，且容易陷入局部最小值的問題。同時，很少有人提出結(jié)合外界環(huán)境溫度（天氣因素）的短期熱負(fù)荷預(yù)測方法[4]。果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm FOA）具有計算過程簡單，處理數(shù)據(jù)反映速度較快的以及易調(diào)節(jié)和易于實現(xiàn)的特點(diǎn)。但由于果蠅優(yōu)化算法存在易于陷入局部最優(yōu)和尋優(yōu)精度不高的問題，因此采用熱量傳遞搜索算法（HTS），對其進(jìn)行優(yōu)化，并結(jié)合廣義神經(jīng)網(wǎng)絡(luò)和外界天氣因素建立供熱系統(tǒng)短期熱負(fù)荷預(yù)測模型。

2 HTS優(yōu)化FOA-GRNN算法

2.1 HTS算法

熱量傳遞搜索算法（Heat Transfer Search HTS）是基于熱量傳遞原理提出的一種迭代優(yōu)化算法。熱量發(fā)生傳遞并最終實現(xiàn)熱量平衡有傳導(dǎo)，對流和輻射三種方式[5]。

HTS算法步驟描述如下：

（1）傳導(dǎo)過程。熱量的傳導(dǎo)是熱量由高溫物體流向低溫物體的過程。當(dāng)處于迭代的過程中時，HTS算法滿足式（1）。

（2）對流過程。對流是冷熱流體相互摻混而發(fā)生熱量傳遞的方式。HTS算法滿足式（2）。

（3）輻射階段。熱輻射就是物體由于具有溫度而輻射電磁波的現(xiàn)象，即通過電磁波傳遞熱量，來實現(xiàn)系統(tǒng)的熱平衡。HTS算法滿足式（3）。

式中：RWC—熱量傳輸?shù)燃?；SC—變化因子；X—種群位置；gmax—種群最大迭代數(shù)；i—當(dāng)前種群大小；g—當(dāng)前迭代次數(shù)；r—（0～1）之間的過程判別系數(shù)。

2.2 果蠅算法

果蠅算法（FOA）是一種參考果蠅生活覓食特點(diǎn)衍生出的一種尋求全局優(yōu)化的新方法。果蠅優(yōu)化算法的完整迭代尋優(yōu)過程，如圖1所示。

圖1 果蠅優(yōu)化算法迭代尋優(yōu)過程Fig.1 Drosophila Optimization Algorithm Iiterative Optimization Process

為了克服果蠅算法泛化能力弱和局部最優(yōu)的問題，用HTS對FOA算法進(jìn)行優(yōu)化和改進(jìn)。

第一步：參數(shù)初始化。HTS-FOA的主要參數(shù)有果蠅種群的群體大?。╥），氣味濃度變化因子（搜索系數(shù)SC），傳輸?shù)燃墸?quán)重系數(shù)RWC）和種群最大迭代次數(shù)（gmax）。

第二步：生成候補(bǔ)解。

（1）確定果蠅種群的初始位置：

（2）果蠅在覓食過程中的移動方向和移動距離：

第三步：將氣味濃度值（SC）代入到氣味濃度判定函數(shù)進(jìn)行運(yùn)算，求出氣味濃度最優(yōu)值并標(biāo)記位置，繼續(xù)迭代尋優(yōu)，得到新的最優(yōu)值并更新果蠅群位置：

第四步：進(jìn)行迭代優(yōu)化，重復(fù)第二和第三步，當(dāng)氣味濃度值最大時時，循環(huán)結(jié)束。

2.3 廣義回歸神經(jīng)網(wǎng)絡(luò)

GRNN于1991年由美國學(xué)者DonaldF.Specht設(shè)計提出的，該算法結(jié)合數(shù)理統(tǒng)計知識，能夠發(fā)現(xiàn)并根據(jù)樣本數(shù)據(jù)中的隱含關(guān)系來不斷逼近真實值，對于樣本數(shù)目較少的情況，輸出結(jié)果的收斂性和回歸值的結(jié)果依然可觀。GRNN網(wǎng)絡(luò)結(jié)構(gòu)圖，如圖2所示。

圖2 GRNN網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 GRNN Network Structure Diagram

圖中：P—輸入向量；Q—輸入向量的個數(shù)，信號經(jīng)輸入層單向傳輸?shù)诫[含層；b1—隱含層的閾值；｛dist｝—距離函數(shù)；R—每組向量的個數(shù)；LW1，1—輸入層權(quán)值；LW2，1—權(quán)值矩陣。

相比于其他神經(jīng)網(wǎng)絡(luò)，由于廣義回歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是單方向的，因此可以通過神經(jīng)網(wǎng)絡(luò)的自適應(yīng)產(chǎn)生隱含層的神經(jīng)元，并且連接權(quán)重可以由訓(xùn)練樣本直接確定。GRNN網(wǎng)絡(luò)已廣泛應(yīng)用于多個領(lǐng)域，且其對非線性問題的處理效果更好［6-10］。

3 結(jié)合天氣因素的集中供熱短期熱負(fù)荷HTS-FOA-GRNN預(yù)測模型

供熱量的短期預(yù)測對于供熱系統(tǒng)運(yùn)行的安全性和經(jīng)濟(jì)性有著重要作用和意義。由于外界環(huán)境溫度等因素對集中供熱系統(tǒng)的短期供熱量影響較大，所以在考慮外界溫度等因素之后再進(jìn)行神經(jīng)網(wǎng)絡(luò)建模會使預(yù)測結(jié)果更精確。本實驗將溫度作為神經(jīng)網(wǎng)絡(luò)輸入的一部分，和數(shù)據(jù)庫中其他相關(guān)數(shù)值一起訓(xùn)練。

3.1 數(shù)據(jù)指標(biāo)的選取及處理

以HTS-FOA-GRNN網(wǎng)絡(luò)為模型，綜合多種對供熱系統(tǒng)產(chǎn)生影響的重要因素，將供熱負(fù)荷值、實時外界氣溫和二次網(wǎng)供水溫度和二次網(wǎng)回水溫度四項數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量，對一天內(nèi)連續(xù)24h的供熱負(fù)荷值進(jìn)行預(yù)測，并將預(yù)測結(jié)果作為輸出變量。實驗中用到的供熱負(fù)荷相關(guān)數(shù)據(jù)為理工智能儀器廠遼陽供熱站2017年12月采集。

3.2 性能指標(biāo)

選用的四項性能評估標(biāo)準(zhǔn)為：平均相對誤差（MRE）、均方根誤差（RMSE）和均方百分比誤差（MSPE）希爾不等系數(shù)（TIC），其公式如下。

式中：x—預(yù)測值；xi—實際值。

3.3 模型建立與結(jié)果分析

HTS-FOA-GRNN流程圖，如圖3所示。

圖3 HTS-FOA-GRNN流程圖Fig.3 HTS-FOA-GRNN Flow Chart

HTS-FOA的種群規(guī)模為60，最大迭代次數(shù)為200次，進(jìn)行迭代尋優(yōu)，求出光滑因子是0.0509。本實驗選取96個連續(xù)隨機(jī)樣本，其中72個用來訓(xùn)練HTS-FOA-GRNN神經(jīng)網(wǎng)絡(luò)，其余的24個樣本用來檢驗?zāi)Ｐ偷姆抡嫘Чù龣z驗樣本見表1），建立預(yù)測模型。對供熱負(fù)荷進(jìn)行預(yù)測，預(yù)測結(jié)果，如表1所示。對參考外界溫度的HTS-FOA-GRNN模型的準(zhǔn)確性進(jìn)行預(yù)測，將其與考外界溫度的FOA-GRNN模型和不參考外界溫度的HTS-FOAGRNN模型進(jìn)行對比。3種模型預(yù)測的供熱負(fù)荷與真實值做對比，如圖4所示。相比其他模型，HTS-FOA-GRNN不僅具有更高的預(yù)測精度，還可以避免模型受困于局部最優(yōu)解。參考外界溫度之后的預(yù)測模型較之不參考外界溫度的預(yù)測模型，所得到的預(yù)測結(jié)果精度更高，同時也很好地優(yōu)化了供熱負(fù)荷調(diào)節(jié)的時滯性。

表1 24小時供熱負(fù)荷預(yù)測結(jié)果表Tab.1 24-Hour Heating Load Forecast Results Table

圖4 三種預(yù)測模型對比Fig.4 Comparison of Three Prediction Models

由式（10）～式（13）計算出三個預(yù)測模型的MRSE，MSPE，RMSE和TIC，由表2可知，參考外界溫度的HTS-FOA-GRNN模型的各項數(shù)據(jù)均優(yōu)于其他兩個模型，預(yù)測效果更好。

表2 性能指標(biāo)分析Tab.2 Performance Indicator Analysis

4 結(jié)論

HTS算法有效地優(yōu)化了FOA的權(quán)重系數(shù)，使得果蠅算法的搜索范圍變大，全局尋優(yōu)能力也得到優(yōu)化，改善了局部極值的問題。GRNN泛化性能好，其優(yōu)點(diǎn)是權(quán)值和閾值可以一步確定，不需要進(jìn)行迭代，計算量小，缺點(diǎn)是光滑因子不以計算。因此，采用HTS-FOA對其光滑因子進(jìn)行優(yōu)化，使得GRNN網(wǎng)絡(luò)在解決問題時有更廣的適用范圍和更好的靈活度。經(jīng)過對比可以看出結(jié)合天氣因素的HTS-FOA-GRNN預(yù)測模型相比以其他神經(jīng)網(wǎng)絡(luò)模型具有收斂速度更快，數(shù)值精度更高的優(yōu)點(diǎn)。