用熱影響參數對熱力站日供熱量預測的影響

1 概述

有效預測熱負荷，可合理指導供熱，從而提高供熱質量，避免能源浪費

。目前，常用的熱負荷預測方法有時間序列預測模型

、灰色系統模型

、支持向量機法

、回歸分析法

、人工神經網絡

等。時間序列預測模型、灰色系統模型均具有所需數據少、運算快的優點，但前者建模復雜，后者僅適用于短期的熱負荷預測。支持向量機法不但建模困難，而且對于隨機波動性較強的中小系統預測效果差。回歸分析法不僅對數據要求較高，而且預測精度差。人工神經網絡具有很強的非線性和自適應性，但存在泛化性差的問題。BP神經網絡可基于預測誤差調整網絡的權值和閾值，從而提高熱負荷預測的準確性。

本文將室外溫度、歷史供熱量、生活熱水平均日供回水溫差、日期類型作為用熱影響參數(室外溫度分為日最大值、日最小值、日平均值，歷史供熱量分為前1日供熱量、前2日供熱量、前3日供熱量，日期類型分為工作日、節假日)，構建8組用熱影響參數組合，采用BP神經網絡建立熱力站日供熱量預測模型1～8。將平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)、相對誤差絕對值(ARE)作為指標，評價預測模型的可靠性、穩定性以及預測結果的可信程度。

2 用熱影響參數

室外溫度是影響熱負荷的重要因素，因此作為關鍵的用熱影響參數。由于圍護結構具有保溫性能和熱惰性，室內溫度變化和供熱系統的熱量傳輸具有一定延遲，歷史供熱量對于當日供熱量也會產生影響，因此選取歷史供熱量作為用熱影響參數。若供熱系統兼顧供暖、供生活熱水(生活熱水由熱力站一級側換熱制備)，那么生活熱水供回水溫差在一定程度上將影響供熱量，因此引入生活熱水供回水溫差作為用熱影響參數。通常，工作日與節假日供熱量不同，因此也將日期類型作為用熱影響參數。

3 案例分析

3.1 數據獲得

本文以北京某熱力站為研究對象，熱力站供熱面積為89 087 m

，兼顧建筑供暖和供生活熱水。熱力站調度人員根據室外溫度以及工作日與節假日調節供熱參數。采集數據包括室外溫度、生活熱水供回水溫度、供熱量等，5 min采集1次數據，并以日為單位對采集數據進行整理。

2017—2018年、2018—2019年、2019—2020年供暖期共收集107組原始數據。對數據進行預處理，將某數據與前后1日的數據相比，若相對誤差絕對值超過130%，則視為異常數據，并采用刪去法與插值法進行修正。預處理后的有效數據集共98組，88組作為訓練集，10組作為驗證集。

3.2 預測方法

預測流程為：根據用熱影響參數組合導入數據，建立8種預測模型。運行預測模型，BP神經網絡通過信號前向傳遞，得到供熱量預測結果并計算誤差，若誤差小于目標誤差，即為滿足終止條件，即可輸出當前結果，否則執行誤差反向傳播，對網絡中的權值和閾值進行修正調整，再次執行信號前向傳遞，直至滿足終止條件。

各預測模型的評價指標均值(由10組數據得到的評價指標的算術平均值)見表3。由表3可知，預測模型7的平均絕對誤差均值、平均絕對百分比誤差均值、均方根誤差均值在8種預測模型中最小，說明預測模型7的可靠性、穩定性最好。與用熱影響參數組合加入日期類型前相比，除預測模型6外，預測模型5、7、8預測結果的平均絕對誤差均值、平均絕對百分比誤差均值、均方根誤差均值均出現了下降。主要原因是預測模型6陷入了局部極小值。因此，加入日期類型可提高預測模型的可靠性、穩定性。

利用MATLAB軟件建立BP神經網絡預測模型，預測模型由輸入層、隱藏層、輸出層組成。隱藏層層數與神經元的選擇對構建神經網絡有重要影響，可借助試算法確定。確定BP神經網絡學習率為0.1，訓練目標誤差為10

，迭代次數為1 000次，隱藏層為10層。

筆者構建了8組用熱影響參數組合(見表1)，每個用熱影響參數組合包括6～8個用熱影響參數。表1中，“○”表示用熱影響參數組合包含該用熱影響參數，“×”表示不包含。采用歸一化法將不同日期類型的影響進行量化以作為用熱影響參數，量化結果為：工作日0.4，節假日0.7。

驗證集10組數據的實際值與各預測模型的預測結果見表2。

3.3 預測效果評價指標

平均絕對誤差、平均絕對百分比誤差可反映預測模型的可靠性。均方根誤差用于表征預測結果相對于實際結果的平均偏差情況，可用來評價預測模型的穩定性

。相對誤差絕對值可以表征預測結果的可信程度，以相對誤差絕對值<5%的預測結果占比達到90%及以上為預期。

當采用不同的用熱影響參數組合時，預測模型的預測效果不同。因此，分別采用平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)、相對誤差絕對值(ARE)評價預測效果。以上4項指標越小，表明預測模型的預測效果越好。

3.4 預測結果與分析

加強政策法律法規體系建設。宏觀層面要出臺“森林旅游生態補償管理辦法”；微觀層面，作為公園本身，要通過合同明確相關主體責任，建立獎懲機制。

（2）及時清理廢物。對于圈舍的清潔頻率通常要縮短到每天，及時清除糞便可以從源頭鏟除病原微生物的生活場所，而及時消毒又可以將病菌等進一步滅殺，防患于未然。

吉林省應用型本科院校的服裝設計與工程專業應依據國家和吉林省地方經濟社會發展的需要，借鑒發達國家的有益經驗，跳出原有的人才培養模式，構建多規格、多渠道、模塊化的人才培養新模式，架設服裝設計與工程專業人才培養的立交橋，要回歸教育本位，緊密結合地方經濟和社會發展進行服裝設計與工程專業人才培養模式的改革與創新，既遵循人才培養規律，又結合國情、省情、校情，確定適宜的人才培養標準和方案。

各預測模型預測結果的相對誤差絕對值分布見表4。由表4可知，在8種預測模型中，預測模型3、4、5、7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)，特別是模型5、7的預期達到100%。說明模型5、7預測結果的可信程度最高。

過去的10年，是我國水利事業實現跨越發展，水利公共服務水平明顯提升的10年，也是公共財政對水利投入顯著增長，財政支持政策逐步完善的10年。中央財政始終將支持水利改革發展作為加快轉變經濟發展方式的重要抓手和促進糧食穩產增產的重要措施，大幅度增加投入，完善支持政策，推動深化改革，加強資金監管，為水利事業又好又快發展提供了有力支撐。

4 結論

預測模型7的可靠性、穩定性最好，預測結果的可信程度最高。加入日期類型可提高預測模型的可靠性、穩定性。

[ 1 ] 王文標，蔡麒，汪思源. 基于氣象因素的集中供熱系統熱負荷預測研究[J]. 計算機測量與控制，2016(2)：22-26.

[ 2 ] 張林，羅曉初，徐瑞林，等. 基于時間序列的電力負荷預測新算法研究[J]. 電網技術，2006(S2)：595-599.

[ 3 ] 陳柳. 小波時間序列在空調負荷預測中的應用[J]. 流體機械，2008(2)：83-86.

[ 4 ] 胡世廣，王琦. 改進灰色預測模型在熱電廠熱負荷預測中的應用[J]. 電力學報，2019(6)：538-542，597.

[ 5 ] 羅時超. 基于神經網絡和灰色系統的供暖熱負荷組合預測方法研究(碩士學位論文)[D]. 廣州：暨南大學，2017：16-17.

[ 6 ] MILAN P，SHAHABODDIN S. Appraisal of soft computing methods for short term consumers’heat load prediction in district heating systems[J]. Energy，2015，82：697-704.

[ 7 ] TAMAH A，AFRAM K. Prediction of heat load in district heating systems by support vector machine with firefly searching algorithm[J]. Energy，2016，95：266-273.

[ 8 ] CAI Q，WANG W B. Multiple regression model based on weather factors for predicting the heat load of a district heating system in Dalian, China—A case study[J]. Open Cybernetics and Systemics Journal，2015(1)：2755-2773.

[ 9 ] PARK S K，MOON H J，MIN K C，et al. Application of a multiple linear regression and an artificial neural network model of the heating performance analysis and hourly prediction of a large-scale ground source heat pump system[J]. Energy and Building，2018，165：206-215.

[10] XIE L. The heat load prediction model based on BP neural network-markov model[J]. Procedia Computer Science，2017，107：296-300.

[11] SONG J C，PAN X H，MA Y P. Hourly heat load prediction model based on temporal convolutional neural network[J]. IEEE Access，2020(8)：16726-16741.

[12] 卜云婷，謝慕君，姜長泓，等. 二級管網供水溫度的改進型RBF神經網絡預測[J]. 煤氣與熱力，2015(10)：A14-A17.

[13] 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，2020：12-13.