基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)及其改進(jìn)算法的供熱負(fù)荷預(yù)測(cè)研究.pdf

1、冬季采暖地區(qū)施行集中供熱是我國(guó)城鎮(zhèn)化發(fā)展的主要技術(shù)手段，而采暖所需的供熱能耗在社會(huì)能源消耗中的比重較大，隨著國(guó)家對(duì)節(jié)約能源的日益重視，如何能提高集中供熱效率成為了降低供熱企業(yè)能源消耗量的首要問(wèn)題。
　　能夠較為準(zhǔn)確的對(duì)供熱負(fù)荷進(jìn)行預(yù)測(cè)，從而使供熱企業(yè)可以按需生產(chǎn)、按需分配，是提高集中供熱效率的關(guān)鍵。在引入現(xiàn)代人工智能預(yù)測(cè)技術(shù)后，供熱負(fù)荷預(yù)測(cè)的研究取得了長(zhǎng)足進(jìn)步與發(fā)展，但預(yù)測(cè)方法和預(yù)測(cè)模型還有待于優(yōu)化。本文將目前使用最為廣泛的神經(jīng)網(wǎng)

2、絡(luò)和新興預(yù)測(cè)技術(shù)中最為有發(fā)展前途的支持向量機(jī)這兩大智能預(yù)測(cè)算法用于供熱負(fù)荷預(yù)測(cè)，并結(jié)合預(yù)測(cè)技術(shù)、方法的發(fā)展趨勢(shì)，建立了各自不同的優(yōu)化改進(jìn)模型，對(duì)各模型在供熱負(fù)荷預(yù)測(cè)方面的表現(xiàn)做具體研究。
　　對(duì)于神經(jīng)網(wǎng)絡(luò)算法，本文建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)對(duì)小波分析理論的研究，建立在原模型基礎(chǔ)上改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型;對(duì)于支持向量機(jī)算法，本文建立支持向量回歸預(yù)測(cè)模型，分析模型中控制參數(shù)對(duì)預(yù)測(cè)結(jié)果的影響，采用交叉驗(yàn)證算法來(lái)挖掘數(shù)據(jù)的可用潛力

3、，分別采用網(wǎng)格搜索算法、遺傳算法和粒子群算法這三種具有全局搜索能力的算法對(duì)支持向量回歸模型的參數(shù)進(jìn)行尋優(yōu)，從而由此分別建立基于GS-KCV-SVR方法、基于GA-KCV-SVR方法和基于PSO-KCV-SVR方法的供熱負(fù)荷預(yù)測(cè)模型。
　　本文所有預(yù)測(cè)模型均采用實(shí)測(cè)供熱數(shù)據(jù)，并進(jìn)行統(tǒng)一的訓(xùn)練與測(cè)試。對(duì)于模型的輸入量，綜合考慮各方相關(guān)因素:理論分析影響供熱負(fù)荷的室外環(huán)境因素;定性分析與供熱負(fù)荷有關(guān)的系統(tǒng)內(nèi)部因素，并用定量計(jì)算的方式對(duì)分

4、析結(jié)果進(jìn)行驗(yàn)證;考慮加入計(jì)量供熱后用戶主動(dòng)調(diào)節(jié)對(duì)供熱負(fù)荷變化的影響，引入類(lèi)型日參數(shù)作為供熱負(fù)荷預(yù)測(cè)模型的輸入?yún)?shù)之一。結(jié)合智能預(yù)測(cè)算法的高維運(yùn)算優(yōu)勢(shì)和供熱系統(tǒng)的復(fù)雜熱力學(xué)特性，建立更適用于供熱負(fù)荷預(yù)測(cè)模型的輸入輸出函數(shù)表達(dá)。
　　對(duì)各算法所建立的供熱負(fù)荷預(yù)測(cè)模型運(yùn)用實(shí)測(cè)供熱數(shù)據(jù)進(jìn)行了驗(yàn)證，模擬計(jì)算結(jié)果表明:支持向量機(jī)的算法原理比神經(jīng)網(wǎng)絡(luò)在處理與供熱負(fù)荷有關(guān)的較多影響因素的高維數(shù)問(wèn)題方面更為先進(jìn);使用網(wǎng)格搜索可以較容易實(shí)現(xiàn)，但計(jì)算效

5、率不高;遺傳算法與粒子群算法在搜索尋優(yōu)中的表現(xiàn)各有所長(zhǎng)，需要視具體供熱情形選擇合適的參數(shù)優(yōu)化算法;優(yōu)化后的供熱負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)精度優(yōu)于原預(yù)測(cè)模型;使用支持向量及其優(yōu)化算法建立的供熱負(fù)荷模型的預(yù)測(cè)效果整體優(yōu)于使用神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法建立的模型;使用交叉驗(yàn)證算法有助于提高模型的便捷性和推廣性。在模型穩(wěn)定性方面:支持向量回歸模型高于需要多次重復(fù)計(jì)算才能得到滿意結(jié)果的BP神經(jīng)網(wǎng)絡(luò)模型;受隨機(jī)因素影響較大的遺傳算法和粒子群算法不及網(wǎng)格搜索方法。

6、
　　本文建立了多種預(yù)測(cè)模型進(jìn)行供熱負(fù)荷預(yù)測(cè)，可為供熱企業(yè)科學(xué)生產(chǎn)提供有效參考，為熱源分配、調(diào)度提供必要依據(jù)。通過(guò)對(duì)各模型的分析與比較，在基于本文研究采用的供熱實(shí)測(cè)數(shù)據(jù)的基礎(chǔ)上，綜合各方面評(píng)價(jià)因素，本文推薦:使用在穩(wěn)定性、便捷性和精準(zhǔn)度等方面表現(xiàn)都較為均衡的 GS-KCV-SVR預(yù)測(cè)模型進(jìn)行一般規(guī)模樣本數(shù)據(jù)的供熱負(fù)荷預(yù)測(cè);當(dāng)樣本數(shù)據(jù)規(guī)模較大且對(duì)預(yù)測(cè)精度有特殊要求時(shí)，使用GA-KCV-SVR預(yù)測(cè)模型或PSO-KCV-SVR預(yù)測(cè)模型進(jìn)