基于PM-RBF的电厂供热负荷预测研究

张亚忠 孙同利

摘要：针对供热系统热负荷预测模型的非线性，给出了并行最小化RBF神经网络算法，同时修正了RPCL方法系统振荡问题。通过仿真得出，当训练样本合适时，综合误差在6%以内。具有良好的预测精度和速度。

关键词：RBF神经网络；并行最小化RBF；热负荷预测1引言

对于供热系统热负荷的动态预测，国内外学者提出许多的预测方法，并取得一定的实际应用成果[1-2]。概括起来为两大类型：⑴在不考虑室内热水供暖负荷的前提下，根据建筑物热过程的简化差分方程式建立的预测。⑵通过对影响热负荷的不同参数进行线性加权来预测热负荷。其加权值利用大量的实测数据进行回归分析或时间序列分析方法求得。

2适用于供暖负荷预测RBF算法及改进

供暖负荷预测问题的实质是：利用输入输出数据来建立系统模型后进行预测。PM-RBF网络建立的过程如下[3-4]：通过竞争学习方法，将学习样本分解为子类，然后针对每个子类利用最小化RBF神经网络进行学习。改进的竞争学习过程如下：

(l)先用FSCL法解决死点问题，将竞争单元的位置调整到比较恰当的位置；

(2)用RPCL方法中次胜者受罚的思想，使多余的竞争单元远离最终的聚类点；

(3)如果多余点较多，可以先剔除其中一点，然后重复(1)，(2)；

(4)如果多余点已剔除完毕，则终止。

可以利用这种方法来解决聚类问题。

3神经网络预测仿真

供暖系统是一个集非线性、不确定性、时变性于一身的大系统，利用传统方法很难对城市供暖负荷进行准确的预测。

在训练样本分别取前10日、15日、20日、25日和30日的历史数据时，分别对网络进行训练，并利用训练好的网络进行预测，发现在系统取15日时的预测精度较高。此时网络的学习时间和预测结果如表1。

3.1 学习时间(误差指标：0.01)

表115日时学习时间表

网络类型 学习时间(秒)

RBF网络 207.5

PM-RBF网络 58.7

可见，当数据量较多时，充分发挥了PM-RBF网络的优势，训练时网间比单RBF网络短。

3.2 预测结果

由图1和图2可见，但系统取15日时的对象时，RBF神经网络的预测精度为： ；PM-RBF神经网络的预测精度为： 。

由预测结果和训练时间可见，由于PM-RBF网络对数据进行了聚类，综合误差在6%以内。

4结语

供暖系统是一个非线性、不确定性、时变的大系统，利用传统方法很难对城市供暖负荷进行准确的预测。引入PM-RBF算法对供暖负荷预测具有良好的效果。

由于RPCL方法中蕴含着FSCL方法，因此多余的竞争单元数目不能剔除，造成竞争学习得不到正确的结果，表现为系统振荡。文中给出了改进的竞争学习过程。

为了使PM-RBF预测结果达到一定的精确度，通常必须利用较大数量的历史数据对神经网络进行训练。当训练样本合适时，综合误差在6%以内。

[参考文献]

[1]徐建军,杨世彦,袁军.基于压力信号的小波神经网络往复泵故障诊断[J].大连海事大学学报,Vol.33,No.3,p22-25+31,2007年8月.

[2]XU Jian-jun,ZHANG Yan-fu,WANG Pin*.A Kind of Turbine Fault Diagnosis based on Fish-swarm Algorithm[J].Energy Education Science and Technology Part A: Energy Science and Research, v 32,n 2,p1325-1330, 2014.

[3]徐建军,刘超,王树达.应用SPRT算法的管道小泄漏檢测[J].电机与控制学报,Vol.13 No.13,p448-451+457,May 2009.

[4]Xu,Jianjun;Liu,Shengnan;Xu, Bin;et al.Numerical modeling for chaotic characteristics of oil pipeline pressure time series[J].International Journal of Applied Mathematics and Statistics,v 47,n 17,p131-139,2013.