基于模糊神经网络的供热负荷预测模型构建

吴康福

（广东理工学院,广东 肇庆 526100）

1 引言

当前，国内建筑数量不断增加，供热面积随之增长，热能消耗逐年递增。据调查，我国“三北”地区单纯供热消耗能量占全国总热能消耗量的28.5%。在自控技术不断成熟的背景下，供热管网投资量不断增加，集中供热管网内部结构复杂，要想精准地计算系统热负荷预测值，促进其运行效率提高，可将模糊神经网络引入其中，对负荷数据预处理后，将仿真结果应用到实际工作中，对减少热能消耗、促进节能环保具有重大意义。

2 供热负荷预测主要流程

通常情况下，供热负荷在建筑内外因素影响下会发生改变。内部主要受照明设备、人体热量、电气热量等影响，外部受结构传入热量、太阳辐射等因素影响。在上述因素中，内因相对稳定，波动较小，外因随季节波动影响较大，数值变化相对较大。在供热负荷预测中，应创建一个完整准确的数据库，要结合供热系统运行情况进行信息采集，利用不同传感器采集回水、供水等温度信息与流量、压差等信息。根据采集的数据获得供热系统每日递增的实际负荷与气象资料，将其存储到数据库中，便于训练数据使用。为提高负荷预测准确性，针对历史数据进行智能运算十分可行，预测流程如下：

首先，采集历史负荷数据，对其适当预处理后，供训练网络时使用；创建网络，根据模糊规则与隶属度函数，用函数表示神经网络的权值，通过创建神经网络进行模糊推理。

其次，通过训练样本数据，利用学习算法修正网络权值，使隶属函数值得以优化，由此获得高精度的模糊规则；保存修正完的模糊规则，在此基础上实施模糊推理。将测试样本输入后，采用训练完毕的模型预测，便可得到准确的预测值。

再次，将干预项、气象数据等因素引入其中，对负荷外部约束量进行干扰，通过网络分析模型进行训练的负荷数据集合，并创建与之匹配的基准日数据库，利用其预测日负荷数据库生成基准约束，由此提高预测结果精确度。模糊网络作为整个预测的中心，可对日负荷值进行智能分析，并通过功能模块绘制负荷波动曲线，最大限度地控制误差产生，为供热人员制定科学高效的运行方案提供极大便利[1]。

3 供热负荷预测下的神经网络模型创建

3.1 基本思想

模糊系统是在模糊逻辑基础上，与人类思维相接近的自然语言形式。系统核心在于规则集。经过大量研究表明，与传统方式相比，模糊系统所得结果更加精准高效。当信息源受不确定因素影响时，可采用模糊系统的方式取得可喜成果。在供热负荷预测中，可根据采集的数据信息，创建神经网络模型，如图1所示，并通过优化调整模型使预测结果更加准确。图中，x1～xn代表输入信号，ωj1～ωjn代表神经元 j 的取值，uj代表线性组合结果，θj代表阈值，代表激活函数，yi代表神经元i的输出值。受不确定因素影响，基本不会得到百分百的准确度，因此要求预测精度控制在90%以上，便可消除热水流量控制时滞性，取得理想的预测结果[2]。

图1 神经网络模型

3.2 传输变量选取

在负荷预测中，输入变量选择将直接影响预测效果。在实际工作中，可结合有待解决的问题类型与数据表达形式，确定输入变量的数量与类型。在变量选取中，尽可能选用与供热负荷有所关联的元素。针对建筑供暖研究后，发现热能消耗的影响要素较多，最为直接的便是室外气温，而建筑类型与维护结构特点会对能耗产生较大影响。对此，可将影响因素分成三种类型，即建筑类、气候类与人为类。在操作中因历史数据采集难度较大，且大量因素参与建模会增加计算量，在长期训练下影响数值准确率。对此，在变量选择时应有所侧重，注意组合搭配，尽量减少输入变量。在本研究中，选取室外温度、天气状况、时间与预测日前一天相同时段供水量作为输入变量。因模糊网络输入变量与输入层节点相同，即输入层节点为4个。在输出变量方面，供热系统的控制方案众多，在输出变量选择时，可结合运行方案选择相应的输出。在本预测模型中，以供热负荷为输出变量，且输出层的神经元具有唯一性。

3.3 学习步骤

针对权系统进行修正，利用误差反向传播梯度降低方式进行优化，使网络输出值与欲望值更加相似。四个输入信号分别设定为时间（X1）、室外情况（X2）、天气状况（X3）与供水流量（X—4）。因输入信号特性不同，数值也存在一定差距，即，i取值范围为1到n，n为输入量个数，取值为4；y的上角标为层数，可根据层次不同进行调换。在模糊网络学习中，主要步骤如下：

第一步：初始化操作。根据w、c与各物理量意义，使初始权值范围得到确定，设置误差极限Emin在0到1之间，初始学习率范围也为0到1，训练计数器(l)为1，样本计数器(p)为1。本研究利用自适应调整学习率，创建模糊网络，设置常数λ1的取值范围为0到1，λ2的范围超过1。随机选出一组训练模式，即，将其传输到网络；利用输入模式与连接权，对第二、三层的神经元传输值进行计算，实现输入变量模糊化目标。

第二步：在模糊规则推理应用下，利用上一步推理到的第三层神经元数值，对下一层传输值进行计算，完成模糊推理。根据第四层传输值，对实际输出供热符合进行计算。

第三步：对预期输出模式与实际输出模式对比，通过修正公式计算修正值；对本次训练总误差进行计算，如若总误差超过ERET，则。网络随机选出下一个学习模式，返回上第二步，直至l值与p值相同，即全部模式均训练完毕。在全部学习模式中随机选择一个，当ERET数值小于Emin时，学习结束。

4 模糊神经网络基础上的供热负荷预测模型应用

4.1 负荷数据预处理

在负荷建模期间，应以大量历史信息为基础进行训练与预测。但采集获得的数据可能因系统故障、设备精度误差、人为错误操作等因素，导致不良数据混入其中，在实际训练中会对负荷变化规律创建造成影响，进而增加神经网络误差，甚至导致预测算法无法收敛。对此，可通过预处理的方式，将此类不完美数据进行修正或剔除。将采集的历史信息创建成一个矩阵，设置为X（i,j），其中，i的取值范围为1到n，n是指记录数据时刻；j是指记录数据天数；辨别值取1.1，对各行均值、偏离率与方差进行计算。对比辨别值与偏离率的大小，如若前者大于后者，则以X（i,j）为样本；如若前者小于后者，则X（i,j）便是不完美数据，可用其前一段或后一段的均值替代，此举可有效规避不完美数据带来的误差。

4.2 仿真分析

4.2.1 传输参数归一化

在供热系统中，影响负荷的信号类型有所区别，既包括模糊信号，还包括准确的数值信号。对此，应对模糊信号统一处理，使其变为数值信号后输入网络中。为使输出量变化更加显著，可采用Sigmoid函数，对内部审计网络中的各个传输值均进行归一化处理，即将所需数据预处理后，使其处于所需范围内，这样不但便于后续数据处理，还可加速程序运行收敛。在输入层中，可利用以下公式对原始数据进行换算，将其变为[-1,+1]区间的值。

式中，x代表原始信息，xmax代表原始最大值，xmin代表原始最小值，y代表归一后的数据。在归一处理后，数据在神经网络中自动实现模糊目标，输出信号在去模糊后输出。因数据库内信息每间隔15 min采集一次，且标预测值为每小时预测结果，在样本训练时可将每4个值取均值后，再投入训练中。

4.2.2 样本训练

通过BP算法创建神经网络，由网络自己运算后修正学习率，主要参数设置为λ1为0.5，λ2为1.3，学习率的数值为0.05，误差极值为10-5，训练频率最大值为1 500，样本与训练次数计数器均为1。将样本集合引入神经网络中，通过反复训练对内部结构进行调整，获得连接权，并以输入测试为样本信息，得出负荷预测值。在选择隶属度函数时，可结合专家经验，对前一段隶属度函数值进行设定，当权值wlk位于[0,1]范围内时，可选取某个数作为初始值。采用MATLAB进行网络训练，经过反复测试表明，传输数值间的误差值、学习率在持续训练中得以确定。将960个（10×24×4）样本投入到训练中，由此创建模糊神经网络，可实现学习训练与测试目标。

4.2.3 预测结果

某日24小时样本数据：在1 h时，室外温度为-15 ℃，前一天同时段供水量为0.7 m3，供热负荷为582.6 kJ/h；在5 h时，室外温度为-15 ℃，前一天同时段供水量为0.6 m3，供热负荷为582.3 kJ/h；在10 h时，室外温度为-13 ℃，前一天同时段供水量为0.7 m3，供热负荷为579.5 kJ/h；在15 h时，室外温度为-11 ℃，前一天同时段供水量为0.6 m3，供热负荷为576.4 kJ/h；在20 h时，室外温度为-14 ℃，前一天同时段供水量为0.6 m3，供热负荷为579.6 kJ/h；在24 h时，室外温度为-15 ℃，前一天同时段供水量为0.7 m3，供热负荷为583.8 kJ/h。模糊神经网的预测结果如图2所示。预测值与实际值基本相符，误差控制在3%内，可充分满足预期要求。

图2 模糊神经网络预测结果

为了提高神经网络效果，对系统负荷进行单一预测，将预测结果与神经网络预测结果进行对比，如图3所示。根据该图可知，单一神经网络预测误差最大值约为6%，与神经网络模型相比误差较小，准确性更强。由此可见，模糊神经网络在负荷预测中十分准确且可行。

图3 预测误差对比

4.3 预测结果应用

根据上文的预测结果，将其应用到指导控制之中，使建筑功能符合用户需求的基础上，最大限度地减少能源浪费。用预测结果指导实践，提前采取科学高效的系统控制措施，可有效减少系统滞后性造成的能源浪费。

在供热管工作中，热量需要经过长距离传输才可到达住户家中，导致热量传输出现一定的延迟。在一次网系统敷设中，距离相对较长，区域跨度较大，各热力站热量传输延迟较为显著。为弥补这一缺陷，可对管网后续热负荷进行预测，根据预测的负荷对网管供水量、温度进行分析，减少热量传输延时，使其传输到各热力站的时间刚好满足负荷需求。

5 结论

模糊神经网络适用于复杂系统建模，可将其应用到供热负荷预测中进行学习和训练。根据实验结果表明，通过自适应调节法的应用可增强网络权值训练效果，加快训练速度与收敛过程，使预测模型更加精准高效，减少预测误差产生。在实际应用中，通过对系统中供水温度与流量进行计算，使供水量始终较低，水温差则始终较大，真正实现按需供热目标。