基于改進BP神經網絡的供熱系統二網回水溫度預測方法

劉軍杰 王書銘 姜 威

（華能松原熱電有限公司，吉林 松原 138000）

集中供暖系統是一個能源服務系統，與個人家庭供暖不同，集中供暖系統需要在全境投資建設一個分配網絡。智能監測和管理集中供熱系統的節能是一項復雜的多學科技術，對提高供熱網絡的性能具有重要作用。

由于集中供熱系統具有時變、時延和非線性的特點，換熱器溫控系統的二次回水溫度必須根據實際情況確定，因此建立一個模型，根據實際運行情況預測換熱器的二次回水溫度非常重要。研究人員提出了多種方法來提高預測精度，但這些統計模型只對穩定的數據有效，而熱負荷時間序列往往是不穩定的。神經網絡算法也被廣泛用于預測二級水溫。在文獻中，徑向基函數（RBF）預測模型被用來預測二次回水溫度，使用一次給水溫度、一次給水流量、二次給水溫度、二次給水流量和室外溫度為輸入數據。

1 建立二次回水溫度預測特征集

BP 神經網絡是應用最廣泛的人工神經網絡機器學習模型。它是一個多層次的前饋型網絡，包括非線性的正態變異單位。它的學習機制可以充分利用信號前后和誤差后向修正，持續迭代學習，形成完整的智能網絡模型，可以處理多種類型的非線性信息[1]。簡單地說，BP 神經網絡是一種通過誤差反轉進行學習和訓練的方法。在BP 神經網絡中，如果有適當的采樣數據樣本，則會啟動網絡的學習功能，在隱藏層的每步后，都會在輸入層獲得相應的輸出值，與實際值進行比較，并計算出誤差，然后根據逆向比較逐步調整各隱蔽層的初始參數，最后返回隱藏層。通過擴散前向傳播和逆向修正，使輸入數據對網絡的反應比準確度快，最后使誤差與環境需求相匹配。神經網絡訓練的成功機制與人類的學習機制有共同之處，下文概括了BP神經網絡的基本特點。

第一，自適應性。自適應性指的是如果外部的環境有所改變，例如信號的傳遞中有新的數據被加入，那么在該網絡中，每個層次都會對其進行主動調節，從而對其層與層之間的聯系進行修改，然后對比新的輸出值與外界的真實情況。再通過傳輸誤差的信號在反誤差調整過程中進一步調整權重，直到對外部輸入做出的預測幾乎等于期望的輸出值[2]。

第二，非線性。人類大腦是一個非常龐大的、對各種非線性信息進行分析和處理的系統。復雜的、非線性的關系在某種層面上一直存在于人類大腦內的神經元和人工神經元的活躍或被抑制狀態中。在比較廣泛的范疇中，輸入的數據信息與被預測的輸出值依靠BP 神經網絡形成了各式非線性連接。

第三，容錯性。由于神經網絡具有存儲分布式信息的能力，其較高的容錯性使其有可能適當恢復遭受局部破壞的輸入信息，雖然質量有所下降，性能適度下降，但不會造成較大偏差，是評估神經網絡適用性的一個重要因素。

第四，計算并行性。并行性是神經網絡的一種固有特性。因為各神經元之間互不依賴，因此就算是在同一層上，神經元也可以實現并行運算，把不同層的信息傳遞給下一層次。該特性極大地提高了BP 網絡的運算效率。

第五，輸入、輸出映射。在該基礎上，基于BP 神經網絡的導向，選擇具有惟一特征的每類信號作為一個獨立的訓練集合，使其在給定的參數條件下，能夠在給定的時間內對其進行多種類型的訓練，使其具有較好的穩定性。

BP 神經網絡包括一個輸入層、一個輸出層以及大于等于1 的中間層。一個擁有3 層的BP 神經網絡，一頭一尾的2 層稱為輸入層、輸出層，中間的各層稱為隱含層。在BP 神經網絡中，每層神經元的數量和輸入信號的維數相等。其中，在輸入層中，神經元數目等于維數，而在隱藏層中，其層數和神經元數目隨實際情況的變化而具有不一致性。輸出層與輸入層相同，輸出層的神經元數等于輸出信號的維數，可以微調的S 型生長曲線是每個神經元的激活函數。

在誤差較大的情況下，誤差的反向傳播階段就會啟動，誤差以被設定的一種形式分別通過輸出層、隱藏層反向傳播到輸入層，通過各層神經元節點傳播誤差。誤差的信號在每個節點被提取出來，每層節點間連接節點的權重通過誤差信號來進行調整。在該迭代分布的適應過程下，輸入信號的識別效率不斷獲得提升，誤差最終滿足設定的要求或者在設定的合理區間內，此時學習和訓練已經完成了[3]。

采集的氣象數據為1h 間隔的室外溫度、風力、相對濕度和空氣質量指數（AQI），采集的交換數據為1min 間隔的一次網進水溫度、一次網回水溫度、二次網進水溫度、二次網交換回水溫度。每個小時的每個溫度參數的平均值、最大值和最小值被用來計算變頻站的數據。在集中供熱系統中，該文計算了平均一次網水溫、最高一次網水溫、最低一次網水溫、平均一次網回水溫度、最高一次網回水溫度、最低一次網回水溫度、最低一次網回水溫度、平均二級網水溫、最高二級網水溫以及最小二次系統水溫，換熱站的任何一個小時數據的變化，如外界空氣溫度、相對濕度、風和空氣質量等都會改變二次輸出水溫，但由于這些因素對二次輸出水溫的影響不同，因此用皮爾遜系數來分析這些變量之間的相關性[4]。

其中，當r接近0 時，意味著2 個變量之間的線性相關關系較弱。各影響因素與水溫的二次方之間的皮爾遜相關系數如圖1所示。

圖1 皮爾遜相關系數示意圖

圖1 為各個影響因素與二次回水溫度的相關系數柱狀圖。可以看出，氣象數據中的相對濕度、AQI與二次回水溫度的相關性較小。

2 二次回水溫度預測模型設計

根據相關性分析，在函數集Set1、Set2 和Set3 中為每個模型生成3 套預測函數，輸入神經元的數量為5、10 和11，輸出神經元為1[5]。

2.1 RNN 預測模型的設計

RNN 模型是專門為處理順序數據或時間序列而設計的，RNN 模型的結構如圖2所示。

圖2 RNN 結構圖

給定一個輸入時間序列x={x1，x2，....，xt}，RNN 使用公式（2）和公式（3）生成一組隱藏狀態h={h1，h2，....，ht}和輸出集合y={y1，y2，...，yt}，迭代產生。

式中：Whx、Whh、Wyh為權重矩陣；向量bh、by為偏差。

2.2 DNN 預測模型的設計

開發的DNN 模型由4 層組成，如圖3所示。

圖3 DNNs 結構圖

在全連接層中，使用了一個丟棄函數來解決匹配問題。在這里，神經元在一個給定的訓練迭代中隨機產生。

2.3 LSTM 預測模型的設計

得到的LSTM 模型的2 個隱藏層的神經元數量為50 和100，LSTM 的結構如圖4所示。

圖4 LSTM 網絡結構圖

LSTM 的存儲單元有3 個門，即輸入門、遺忘門及輸出門，單個LSTM 單元的操作如公式（4）～公式（9）所示。

3 二次回水溫度預測流程

預測換熱站二次回水溫度的程序如下：1）將原始數據，包括氣象數據和換熱站主網的二次網數據裝入存儲器。2）對數據進行預處理，并將數據歸一化到[0，1]的范圍內。3）根據第1 節第四個特征“計算并行性”的相關分析結果確定3 組預報要素，將要素集分為訓練集、驗證集和測試集，并計算各預測模型對不同癥狀集的預測性能[7]。二次水溫預測過程如圖5所示。

圖5 二次回水溫度預測流程圖

4 試驗

驗證試驗在一臺Windows10 計算機上進行，使用Python 編程語言、一臺熱交換器2017—2018年夏季的當地天氣數據。第一步，安裝PyCharm 模擬軟件并導入必要的庫；第二和第三步，使用Panda 庫的read_csv 函數讀取原始數據文件，并使用numpy 庫；將數據分成8 ∶1 的訓練集、驗證集和測試集；通過一對一合并和交叉驗證，最終確定模型。第四步，在測試集中用不同的預測模型對模型的性能進行測試。該測試集由過去2 天的48 組真實數據組成[8]。在測試過程中，除了不同的預測模型，所有可能影響預測準確性的因素都沒有改變。

4.1 模型性能

為了評估預測模型的性能，使用3 種標準誤差指標分析預測性能，即均方根誤差（RMSE）、絕對平均百分比誤差（MAPE）和平均百分比誤差（MPE）。

4.2 試驗結果和分析

試驗中使用的測試集共包括48h 的數據，橫軸為小時，縱軸為二次水溫（℃）。

RNN 預測結果如圖6所示，二次側出口水溫的DNN模型預測結果如圖7所示，LSTM 模型對二次側出水溫度的預測結果如圖8所示。

圖6 RNN 預測結果

圖7 DNNs 預測結果

圖8 LSTM 預測結果

Set3 提供了比Set1 和Set2 更好的預測結果，但2 個變體的二次輸出水溫的預測結果都不理想，DNN 的預測結果也是如此。因此，單個預測模型在Set3 數據庫中提供了最好的預測結果。詳細的試驗結果見表1～表3[9]。表1 顯示了Set1 中每個預測模型的性能指數，表2 顯示了Set2 中每個預測模型的性能指數，表3 顯示了Set3 中每個預測模型的性能指數，最后一列顯示了每個預測模型的執行時間。

表1 各模型在Set1 上的性能指標

表2 各模型在Set2 上的性能指標

表3 各模型在Set3 上的性能指標

數據集Set1 只包括5 個影響二次輸出水溫的因素，即與一次供水、室外空氣溫度和風有關的因素。如表3所示，在Set3 數據集中，每個模型的MPE都是正的，RNN 模型有最好的預測，執行時間最短，運行效率最高[10]。

具有負值的模型預測的實際回水管溫度太高，會造成能源損失。從表3 可以看出，所有模型的MPE值都是正的，這意味著模型預測的二次回水溫度在實際值內，因此可以節約能源。

5 結語

目前，BP 神經網絡技術在世界各大領域均有較廣泛的應用，因此對相關課題的研究具有較大的現實意義。該文以供熱系統為主要研究對象，根據實際現場的測量數據集，通過相關分析確定了3 組預測特征，并建立了RNN、DNN 和LSTM 共3 種預測模型來預測變電站的二次回水溫度。