基于改進黏菌算法優化ＢｉＬＳＴＭ 的短期供熱負荷控制預測

摘 要：針對短期供熱負荷控制預測的問題，提出了一種基于改進黏菌算法優化ＢｉＬＳＴＭ 的預測模型。利用貓映射、Ｔ分布變異和隨機反向學習等改進策略對黏菌算法進行改進，改進后的黏菌算法優化ＢｉＬＳＴＭ網絡參數，構建ＩＳＭＡ-ＢｉＬＳＴＭ模型，對換熱站熱負荷進行預測。實驗結果表明，ＩＳＭＡ-ＢｉＬＳＴＭ模型與ＳＭＡ-ＢｉＬＳＴＭ、ＢｉＬＳＴＭ和ＬＳＴＭ模型相比，預測結果更加合理且預測精度有所提高，在短期供熱負荷預測中能滿足實際工程控制需要。

關 鍵 詞：集中供熱系統；熱負荷；短期供熱負荷控制預測；黏菌算法；雙向長短期記憶網絡；貓映射；Ｔ分布變異；隨機反向學習

中圖分類號：ＴＵ９９５ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２４）０４－０４３４－０８

集中供熱是我國北方冬季供熱的主要形式之一，其供暖質量受多種因素影響。為了提高供熱效率，保障熱網的運行與調節，減少不必要的資源浪費，加強供熱負荷預測方面的研究十分必要［１］。郝有志等［２］針對熱負荷變化的特點，采用ＢＰ神經網絡對熱負荷進行預測，通過仿真實驗證明ＢＰ神經網絡預測模型能滿足工程需要；崔高健等［３］建立了基于Ｅｌｍａｎ型的神經網絡模型來預測熱負荷，實例證明了Ｅｌｍａｎ神經網絡適用于集中供熱負荷預測模型。由于供熱負荷數據是典型的時間序列數據，傳統的ＢＰ神經網絡、Ｅｌｍａｎ神經網絡等網絡模型在時間序列數據特征相關性上仍存在不足，導致預測精度不如深度學習模型，因此，近些年許多學者針對不同類型的深度學習模型在集中供熱負荷預測領域進行了大量研究。金宇等［４］運用門控循環單元（ＧＲＵ）神經網絡模型進行短期供熱負荷預測，通過仿真模擬證明其比傳統的ＢＰ神經網絡、Ｅｌｍａｎ神經網絡預測效果更好；許裕栗等［５］在居民區供熱負荷預測中，考慮數據的時序特性，采用了長短期記憶神經網絡（ＬＳＴＭ）對供熱負荷進行預測，結果顯示ＬＳＴＭ模型比自回歸積分滑動平均模型（ＡＲＩＭＡ）、ＢＰ神經網絡和支持向量回歸模型（ＳＶＲ）在時間序列特征提取中具有更好的表現力且預測精度更高。