熱力站日供熱量影響因素篩選與神經網絡預測

1 概述

按需供熱對降低熱力站的能耗具有現實意義，也是提升供熱效率的關鍵所在

。熱負荷受氣象參數、用戶習慣、建筑保溫性能等因素影響，因此熱負荷預測是一項非常具有挑戰性的任務

。熱負荷影響因素的篩選和合理的預測方法是獲得準確預測值的關鍵

。

付波

根據所研究熱力站的區域特點和負荷特征，分析出熱負荷的顯著影響因素有室外溫度、風速等，并作為輸入元素引入用遺傳算法優化的BP神經網絡預測模型。Geysen等人

結合瑞典羅特內的10座住宅建筑特征以及天氣預報服務提供的室外溫度進行熱負荷預測和驗證。朱冬雪等人

根據熱力站特征分析出室外空氣相對濕度、風速、太陽輻射、室外平均溫度是主要影響因素，通過建立熱負荷BP神經網絡預測模型使供熱系統改造后總能耗降低9.5%。劉也

經過影響因素的篩選及相關性分析，將室外溫度、風速、太陽輻射、前1 h熱負荷及前2 h熱負荷作為預測模型的輸入元素，通過機器學習進行熱負荷預測。Idowu等人

以室外溫度、歷史熱負荷、時間等參數為輸入，通過機器學習進行了熱負荷預測。Jihad等人

根據摩洛哥的供暖特征，建立熱負荷神經網絡預測模型。

2.2.5 水煎煮提取工藝正交試驗 根據上述的藥效篩選結果，對水煎煮提取工藝進行正交試驗，以君藥黃芪中黃芪甲苷含量（Y1）和固形物質量（Y2）為評價指標，并分別賦予權重系數0.6和0.4，計算綜合評分值[Y，Yi＝(X1i/X1max×0.6＋X2i/X2max×0.4)×100]，對影響煎煮的加水量（A）、煎煮時間（B）和煎煮次數（C）進行優選。因素與水平見表3。

劉鵬飛等人

在熱負荷預測中將供水溫度、日平均流量、日最低室外溫度、日最高室外溫度、日平均回水溫度作為影響因素，得到預測精度更高且比較穩定的結論。Dagdougui等人

研究了包括時間、氣象條件和歷史數據在內的不同類型影響因素，得到室外溫度是影響熱負荷預測的主要氣象條件之一，對預測結果有明顯的影響。孟亞男等人

在基于室外溫度的熱負荷預測研究中提到，若將所有可能產生影響的因素全部考慮進去，得到的不一定是最好的預測模型。

一般情況下，大多數企業在生產環節上都需投入較多的人力、財力和物力，因此產品的生產過程是企業成本控制的重要環節。企業的生產成本主要包括材料成本、人力成本與制造費用，材料成本的控制需要避免不必要的浪費，人力成本的控制就需要加大流水線上的機械化程度，而制造費用的控制就需要減少公司在日常生產過程中因人為因素產生的成本，比如，水電費，設備維修費等。

當風送系統的風機轉速在2000轉/分，籽粒水分含量大于20%時，風道入口容易堵塞，需打開堵蓋疏通，工作量較大，轉速加大則出現嗑籽和撒籽現象。建議在收獲前測定葵盤、籽粒含水率，選擇籽粒水分含水率小于20%的地塊進行收獲。

本文采用相關性分析法、顯著性檢驗法，對初始影響因素進行篩選。分別篩選出與熱力站日供熱量具有明顯相關性、顯著性水平高的影響因素。將初始影響因素、具有明顯相關性的影響因素、顯著性水平高的影響因素分別作為BP神經網絡輸入元素，建立熱力站日供熱量預測模型(以下簡稱預測模型)。采用相對誤差、均方根誤差和決定系數分別評價預測結果的可信程度、預測模型的穩定性、預測模型擬合效果。

2 預測流程

① 數據采集與處理。數據包括室外溫度、室內溫度、室外風速、供熱量等，數據處理采用極大極小值法對原始數據進行歸一化處理。

② 影響因素篩選。篩選方法分為相關性分析、顯著性檢驗，分別篩選出與熱力站日供熱量具有明顯相關性、顯著性水平高的影響因素。為方便表述，將未經篩選的影響因素稱為初始影響因素。

③ 預測模型建立。將初始影響因素、具有明顯相關性的影響因素、顯著性水平高的影響因素作為神經網絡輸入元素，分別建立預測模型。

,pre

——第

個熱力站日供熱量預測值，GJ

3 預測模型

3.1 預測模型

室外溫度、室內溫度、歷史供熱量、建筑類型以及圍護結構等影響因素具有動態性且與熱力站日供熱量呈較大的非線性關系，而人工神經網絡具有表達任意非線性映射的能力，能夠對非線性系統進行建模

。

（3）本文經彩色多普勒超聲檢查的截癱患者靜脈血栓發生率與文獻[5]報道一致。我們于治療前后動態觀察下肢靜脈血栓，發現治療后血栓縮小，血管再通率較治療前提高，且截癱患者康復時間也明顯縮短。可以說，利用高頻彩色多普勒超聲動態觀察截癱患者下肢靜脈血栓形成情況對指導臨床治療有重要意義。

3.2 影響因素篩選

采用相對誤差、均方根誤差和決定系數對預測模型進行評價，計算式分別為：

相關性分析是通過相關系數度量2個隨機變量之間的相關程度。相關系數

的區間為[-1，1]，當

∈[-1，0)時，表示負相關。當

∈(0，1]時，表示正相關。當

為0時，表示不相關。|

|越大，說明相關性越強。本文選取|

|>0.3作為影響因素與熱力站日供熱量具有明顯相關性的判據。

② 顯著性檢驗

室外最高溫度、室外最低溫度、室外日平均風速和歷史供熱量等因素均會對熱力站日供熱量產生影響。但研究表明，若把所有影響因素全部考慮進去，得到的不一定是最好的預測模型

。因此，采用逐步回歸分析法分析影響因素的顯著性水平

。將熱力站日供熱量作為因變量，影響因素作為自變量。當顯著性水平

值小于0.05時，說明影響因素的顯著性水平高。

BP神經網絡包括輸入層、隱含層、輸出層，是一種具有3層或3層以上的多層神經網絡，每一層都由若干個神經元組成

。采用LM(Levenberg-Marquardt)算法訓練的BP神經網絡(本文稱為LM-BP神經網絡)，可以給出非線性最小化的數值解。LM算法結合了高斯-牛頓算法和梯度下降法的優點。重要的是，對于過參數化問題不敏感，能有效處理冗余參數問題，使代價函數陷入局部極小值的概率大大減小

。因此，本文采用LM-BP神經網絡建立預測模型。

3.3 預測模型評價指標

① 相關性分析

1.4.2 組織樣品 分娩之后，應當快速選取離母體面接近的胎盤臍帶處組織2～4塊，每塊約1 cm3，需要注意的是取組織時應避開鈣化點保存于-80 ℃和4%多聚甲醛固定。

——熱力站日供熱量實際值的算術平均值，GJ

那天，她把縫紉機的針距調錯了，自己根本沒有意識到。當她把幾百個袋子扎完，送到質檢員陳建偉那里，還是陳建偉發現的問題。

④ 預測效果評價。依據預測效果評價指標，對不同預測模型進行評價。

天子射熊，諸侯射麋，卿大夫射虎豹，士射鹿豕，示服猛也。名布為侯，示射無道諸侯也。夫畫布為熊、糜之象，名布為或，禮貴意象，示義取名也。土龍亦夫熊糜、布侯之類。[13](P923)

——均方根誤差，GJ

——數據樣本數量

——決定系數

,act

——第

個熱力站日供熱量實際值，GJ

式中

——相對誤差

相對誤差表征預測結果的可信性，以相對誤差絕對值<5%的預測值比例達到90%及以上為預期。均方根誤差表征預測值相對于實際值的平均偏差情況，可以用來評價預測模型的穩定性。均方根誤差越小，預測模型的穩定性越高。決定系數取值范圍為0～1，決定系數越大，表示預測模型擬合效果越好。

4 算例分析

4.1 數據采集與處理

以北京某熱力站為研究對象，采集2019至2020年供暖期系統運行數據。采集數據包括室外溫度、室內溫度、室外風速、供熱量等，每5 min采集1次。由于室內溫度的有效性存在比較嚴重的問題，因此影響因素未考慮室內溫度。對數據進行整理，得到室外日最高溫度、室外日最低溫度、室外日平均溫度、室外日平均風速、日供熱量等，共121組數據。對數據中的缺失值和異常值進行處理，部分缺失值采用均值插補法。不在最低和最高區間的異常數值刪除，有條件的采用均值插補法填補，最終得到有效數據97組。采用極大極小值法，對有效數據進行歸一化處理

。

4.2 影響因素篩選

初始影響因素與熱力站日供熱量的相關系數見表1。在進行顯著性檢驗時，除相關性分析中的7個影響因素外，還加入了供暖室內設計溫度，初始影響因素的顯著性水平見表2。

由表1可知，與熱力站日供熱量具有明顯相關性的影響因素有6個，按相關系數絕對值從大到小排序：前1 d供熱量、室外日平均溫度、室外日最低溫度、前2 d供熱量、前3 d供熱量和室外日最高溫度。室外日平均風速與熱力站日供熱量的相關性很小。由表2的顯著性水平

值可知，與熱力站日供熱量顯著相關的影響因素為室外日最高溫度、室外日最低溫度、前1 d供熱量和供暖室內設計溫度。

對于廣大的英語學習者而言，提高寫作能力是他們的追求，良好的英語寫作水平象征著對英語這門語言的掌握程度。有些人漢語寫作水平很高，倚馬可待，可是一寫到英語作文就語塞。要寫好作文，不僅要有過硬的語言基本功，而且還需要具有審題、處理信息、駕馭文章結構、使用各種體裁和安排文章內容的能力。那么，我們如何才能提高自己的英語寫作水平呢？

4.3 預測模型與結果分析

采用MATLAB軟件建立預測模型，將表1中的7個初始影響因素作為預測模型A的輸入元素，將具有明顯相關性的6個影響因素作為預測模型B的輸入元素，將顯著性水平高的4個影響因素作為預測模型C的輸入元素。3個預測模型隱含層的層數均為10層。隨機選取70%的樣本數據作為訓練集，隨機選取15%的樣本數據作為驗證集，剩余15%的樣本數據作為測試集。

在驗證集中隨機選取10組樣本數據，分別采用預測模型A～C對熱力站日供熱量進行預測，預測結果見表3。與實際值相比，預測模型A～C預測值的相對誤差見表4。由表4可知，預測模型B、C實現了相對誤差絕對值的預期(相對誤差絕對值小于5%的比例達到90%及以上)，預測模型A未實現預期。與預測模型A相比，預測模型B、C的預測結果更加可信。

分別將驗證集、測試集作為數據集，預測模型A～C的均方根誤差、決定系數分別見表5、6。由表5可知，采用不同數據集時，預測模型C的均方根誤差均最小，說明預測模型C的穩定性最高。由表6可知，采用不同數據集時，預測模型C的決定系數均最大，說明預測模型C的擬合效果最好。

預測模型C綜合性能最好，以顯著性水平高的影響因素作為輸入元素的預測模型的預測結果可信性、穩定性、擬合效果最佳。

5 結論

預測模型C綜合性能最好。以顯著性水平高的影響因素作為輸入元素的預測模型的預測結果可信性、穩定性、擬合效果最佳。

[ 1 ] 李銳，董妍，薛煒，等. 住宅區供熱負荷預測研究[J]. 區域供熱，2019(3)：28-31，60.

[ 2 ] 單小偉. 智能樓宇中采用的節能控制技術原理分析[J]. 科技風，2020(10)：9.

[ 3 ] 吳康福. 基于模糊神經網絡的供熱負荷預測模型構建[J]. 中阿科技論壇，2021(5)：85-87.

[ 4 ] GIANNIOU P，LIU X，HELLER A，et al. Clustering-based analysis for residential district heating data[J]. Energy Conversion and Management，2018，165：840-850 .

[ 5 ] LIU Y F，HU X X，LUO X，et al. Identifying the most significant input parameters for predicting district heating load using an association rule algorithm[J]. Journal of Cleaner Production，2020，275：122984-1-10.

[ 6 ] 付波. 住宅區熱力站負荷預測研究(碩士學位論文)[D]. 北京：北京建筑大學，2019：12-15.

[ 7 ] GEYSEN D，SOMER O D，JOHANSSON C，et al. Operational thermal load forecasting in district heating networks using machine learning and expert advice[J]. Energy & Buildings，2018，162：144-153.

[ 8 ] 朱冬雪，鹿世化，張帆，等. BP算法預測控制在供熱系統中的節能應用[J]. 建筑熱能通風空調，2020(4)：50-52，65.

[ 9 ] 劉也. 基于小波神經網絡與支持向量機的供熱負荷預測方法研究(碩士學位論文)[D]. 吉林：東北電力大學，2020：32-35.

[10] IDOWU S，SAGUNA S，AHLUND C，et al. Applied machine learning: forecasting heat load in district heating system[J]. Energy & Buildings，2016，133：478-488.

[11] JIHAD A S，TAHIRI M. Forecasting the heating and cooling load of residential buildings by using a learning algorithm “gradient descent”，Morocco[J]. Case Studies in Thermal Engineering，2018，12：85-93.

[12] 劉鵬飛，李銳，王巖. 基于灰色神經網絡模型的區域供熱負荷預測研究[J]. 暖通空調，2019(5)：124-128.

[13] DAGDOUGUI H，BAGHERI F，LE H，et al. Neural network model for short-term and very-short-term load forecasting in district buildings[J]. Energy & Buildings，2019，203：109408-1-8.

[14] 孟亞男，姚潔. 基于室外溫度的供熱負荷預測研究[J]. 吉林化工學院學報，2020(5)：31-33.

[15] 潘世英，丁鑫，崔玥，等. MLP神經網絡在供暖室內溫度預測的應用[J]. 煤氣與熱力，2019(7)：A40-A44.

[16] 于波，盧欣，李浩，等. 基于負荷預測的園區供熱系統運行優化技術[J]. 電力建設，2017(12)：77-86.

[17] 胡江濤，王新軻，劉罡. 人工神經網絡預測供熱系統供水溫度[J]. 煤氣與熱力，2019(3)：A06-A11.

[18] OUAMMI A，ZEJLI D，DAGDOUGUI H，et al. Artificial neural network analysis of moroccan solar potential[J]. Renewable and Sustainable Energy Reviews，2012，16：4876-4889.

[19] 張鴻燕，耿征. Levenberg-Marquardt算法的一種新解釋[J]. 計算機工程與應用，2009(19):5-8.

[20] 姚健，周偉國，張中秀. 人工神經網絡法燃氣日負荷預測輸入變量選取[J]. 煤氣與熱力，2010(1)：B28-B30.

[21] ZHAO Y，ZHANG C B，ZHANG Y W，et al. A review of data mining technologies in building energy systems: load prediction，pattern identification，fault detection and diagnosis[J]. Energy and Built Environment，2020(2)：149-164.