供暖熱網(wǎng)預(yù)測神經(jīng)網(wǎng)絡(luò)模型的研究

1、供暖熱網(wǎng)預(yù)測神經(jīng)網(wǎng)絡(luò)模型的研究摘要將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于供暖熱網(wǎng)實時預(yù)報技術(shù)，建立起可用于熱網(wǎng)供暖預(yù)報的外時延反響型BP網(wǎng)絡(luò)模型，及內(nèi)時延反響型Elan網(wǎng)絡(luò)。本文利用牡丹江西海林小區(qū)鍋爐房2000年11月2001年4月的部分熱網(wǎng)數(shù)據(jù)，對所建立的網(wǎng)絡(luò)進展訓練和檢驗，結(jié)果說明兩處預(yù)報模型的均具有較好的動態(tài)跟蹤才能和預(yù)報特性。而Elan網(wǎng)絡(luò)在節(jié)點構(gòu)造上比外時延反響型BP網(wǎng)絡(luò)更簡單，在確定網(wǎng)絡(luò)節(jié)點構(gòu)造上更快捷，更具有實際推廣和應(yīng)用價值。關(guān)鍵詞人工神經(jīng)網(wǎng)絡(luò)供暖熱網(wǎng)預(yù)測外時延內(nèi)時延反響型BP網(wǎng)絡(luò)Elan網(wǎng)絡(luò)一些復(fù)雜的消費過程，如熱網(wǎng)供熱，由于其反響機理非常復(fù)雜，具有很強的非線性、大滯后、時變性和不確定性，難

2、以建立被控對象的數(shù)學模型，至今仍很少實現(xiàn)閉環(huán)控制，只好有經(jīng)歷的操作人員進展調(diào)節(jié)。操作人員雖然沒有被控對象的數(shù)學模型，但是由于他們比較熟悉供暖熱網(wǎng)和設(shè)備，且在長期的現(xiàn)場工作中積累了豐富的操作經(jīng)歷，他們通過觀察儀表指示的變化，如熱網(wǎng)的從、回水溫度、室外溫度等參數(shù)，并且預(yù)估某些參數(shù)將要發(fā)生的變化，然后調(diào)整供熱負荷，以保證熱網(wǎng)供暖正常。這種人工控制方式一般也能到達較好的控制效果，但是由于操作人員的經(jīng)歷與才能的不同，或由于人的疲勞、責任心等原因，也時常會因操作不當造成熱網(wǎng)供暖不正常，或在產(chǎn)生突發(fā)事件時，不能預(yù)測將會開展或延續(xù)擴大的嚴重故障，而引發(fā)更大的故障。預(yù)測對于提供將來的信息，為當前人人作出有利的決

3、策具有重要意義?，F(xiàn)有的預(yù)測方法如時間序列分析中的AR模型預(yù)測方法，只適用于線性預(yù)測，而且，還需要對所研究的時間序列進展平穩(wěn)性、零均值等假定，其適用范圍受到一定的限制。近年來，人工神經(jīng)網(wǎng)絡(luò)以其高度的非線性映射才能，在某些領(lǐng)域的預(yù)測中得到廣泛的關(guān)注。本文利用神經(jīng)網(wǎng)絡(luò)技術(shù)辨識供暖熱網(wǎng)動態(tài)預(yù)報系統(tǒng)的模型，并對其進展了實際訓練和測試，分別建立了外時延反響型BP網(wǎng)絡(luò)模型和內(nèi)時延反響型Elan網(wǎng)絡(luò)的預(yù)測模型。1外時延反響B(tài)P網(wǎng)絡(luò)多層前向網(wǎng)絡(luò)是研究和應(yīng)用的最廣泛也是最成功的人工神經(jīng)元網(wǎng)絡(luò)之一。多層前向網(wǎng)絡(luò)是一種映射型網(wǎng)絡(luò)。理論上，隱層采用Sigid激活函數(shù)的三層前向網(wǎng)絡(luò)能以任意精度逼近任一非線函數(shù)，神經(jīng)元網(wǎng)絡(luò)

4、可以根據(jù)與環(huán)境的互相作用對自身進展調(diào)節(jié)即學習，一個BP網(wǎng)絡(luò)即是一個多層前向網(wǎng)絡(luò)加上誤差反向傳播學習算法，因此一個BP網(wǎng)絡(luò)應(yīng)有三項根本功能：1信息由輸入單元傳到隱單元，最后傳到輸出單元的信息正向傳播；2實際輸出與期望輸出之間的誤差由輸出單元傳到隱單元，最后傳到輸入單元的誤差反向傳播；3利用正向傳播的信息和反向傳播的誤差對網(wǎng)絡(luò)權(quán)系數(shù)進展修正的學習過程。目前，多層前向網(wǎng)絡(luò)的權(quán)系數(shù)學習算法大多采用BP算法及基于BP算法的改進算法，如帶動量項的BP算法等。BP網(wǎng)絡(luò)雖然有很廣泛的應(yīng)用，但由于它是一個靜態(tài)網(wǎng)絡(luò)，所以只能用于處理與時間無關(guān)的對象，如文字識別、空間曲線的逼近等問題。熱網(wǎng)供暖的各項參數(shù)都是與時間有

5、關(guān)系的，而且我們即將建立的供暖熱網(wǎng)預(yù)報模型必須是一個動態(tài)模型。為此，必須在網(wǎng)絡(luò)中引入記憶和反響功能。可以有兩種方式實現(xiàn)這一功能，一是采用外時延反響網(wǎng)絡(luò)，即反輸入量以前的狀態(tài)存在延時單元中，且在輸入端引入輸出量以前狀態(tài)的反響，如圖1所示；另一種方式是采用內(nèi)時延反響網(wǎng)絡(luò)，既在網(wǎng)絡(luò)內(nèi)部引入反響，使網(wǎng)絡(luò)本身構(gòu)成一個動態(tài)系統(tǒng)，如下面將要介紹的Elan網(wǎng)絡(luò)。圖1處延時反響網(wǎng)絡(luò)2Elan網(wǎng)絡(luò)如前所述，在BP網(wǎng)絡(luò)外部參加延時單元，把時間信號展開成空間表示后再送給靜態(tài)的前向網(wǎng)絡(luò)作為一類輸入，從而實現(xiàn)時間序列建模和預(yù)測。然而，這種方式大大增加了輸入節(jié)點個數(shù)因此導致了網(wǎng)絡(luò)構(gòu)造膨脹，訓練精度下降，訓練時間過長。Ela

6、n動態(tài)網(wǎng)絡(luò)是動態(tài)遞歸網(wǎng)絡(luò)中較為簡單的一種構(gòu)造，如圖2所示。圖2Elan網(wǎng)絡(luò)由輸入層、隱含層、構(gòu)造層聯(lián)絡(luò)單元層和輸出層組成，構(gòu)造層記憶隱含層過去的狀態(tài)，并在下一時刻與網(wǎng)絡(luò)的輸入，一同輸入隱含層，起到一步延時算子作用。因此，Elan動態(tài)遞歸網(wǎng)絡(luò)具有動態(tài)記憶的功能，無需使用較多的系統(tǒng)狀態(tài)作為輸入，從而減少了輸入層單元數(shù)。3供熱網(wǎng)絡(luò)預(yù)報模型根據(jù)研究問題的性質(zhì)不同，選擇不同的網(wǎng)絡(luò)構(gòu)造和激活函數(shù)，以便建立準確的神經(jīng)網(wǎng)絡(luò)預(yù)報模型。外時延反響網(wǎng)絡(luò)和內(nèi)時延反響網(wǎng)絡(luò)都將其時延單元和反響單元視為BP網(wǎng)絡(luò)的輸入?yún)?shù)，因此可以應(yīng)用BP算法訓練網(wǎng)絡(luò)，其隱含層和輸出層的節(jié)點激活函數(shù)可選擇tansig、purelin函數(shù)，表

7、達式為：tansig函數(shù)：purelin函數(shù)：f2(x)=kx輸出：其中：xi-熱網(wǎng)輸入；ji-由輸入層節(jié)點i隱層節(jié)點j之間的權(quán)值；j-隱層節(jié)點j的閾值；kj-由隱層節(jié)點j至輸出層節(jié)點k之間的權(quán)值；k-輸出層層節(jié)點k的閾值。從成因上分析供暖熱網(wǎng)的影響因子，運用相關(guān)圖法或逐步回歸分析法等對初選影響因子進展顯著性分析和檢驗，剔除不顯著因子。在此根底上，研究基于人工神經(jīng)網(wǎng)絡(luò)的供暖熱網(wǎng)實時預(yù)報模型的建模和預(yù)報問題。本文選用牡丹江西海林小區(qū)鍋爐房2000年11月2001年4月的部分測量數(shù)據(jù)進展建模及測試，預(yù)測在相應(yīng)時刻的熱網(wǎng)供水溫度、回水溫度及室外溫度值。31模型I：外進延反響網(wǎng)絡(luò)輸入?yún)?shù)為當前時刻與過

8、去時刻的室外溫度ii-1i-2i-3i-4;供水流量ii-1i-2i-3i-4;補水流量ii-1i-2i-3i-4;供水溫度ii-1i-2i-3i-4;回水溫度ii-1i-2i-3i-4;，共二十五個輸入量。輸出量為將來時刻的室外溫度i+1i+2；供水溫度i+1i+2；回水溫度i+1i+2；共六個輸出量。其中每一周期間隔15in。訓練樣本為前2000個數(shù)據(jù)組，測試樣本為后2000個數(shù)據(jù)組。輸出曲線有訓練樣本與計算數(shù)據(jù)比較曲線和測試樣本與計算數(shù)據(jù)比較曲線。網(wǎng)絡(luò)構(gòu)造共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率=0.7，動量因子a=0.3，訓練精度=4.5e-3，經(jīng)過1000次

9、正反向傳播和學習，網(wǎng)絡(luò)訓練滿足設(shè)定條件，此時訓練計算的均方差為0.00449767。將檢驗樣本輸入訓練好的網(wǎng)絡(luò)模型，其檢驗結(jié)果如圖3、圖4因篇幅所限僅給出回水溫度預(yù)報值所示。圖3回水溫度一步預(yù)報曲線實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)圖4回水溫度二步預(yù)報曲線實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)32模型II：內(nèi)時延反響Elan網(wǎng)絡(luò)。輸入?yún)?shù)為當前時刻的室外溫度i;供水流量i;補水流量i;供水溫度i;回水溫度i;，共五個輸入量。輸出量為將來時刻的室外溫度i+1i+2；供水溫度i+1i+2；回水溫度i+1i+1；共六個輸出量。其中每一周期間隔15in。訓練樣本為前2000個數(shù)據(jù)組，測試樣本為后2000個數(shù)據(jù)組。

10、輸出曲線有訓練樣本與計算數(shù)據(jù)比較曲線和測試樣本與計算數(shù)據(jù)比較曲線。網(wǎng)絡(luò)構(gòu)造共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率=0.7，動量因子a=0.3，訓練精度=4.5e-3，經(jīng)過1000次正反向傳播和學習，網(wǎng)絡(luò)訓練滿足設(shè)定條件，此時訓練計算的均方差為0.0044999。將檢驗樣本輸入訓練好的Elan網(wǎng)絡(luò)模型，其檢驗結(jié)果如圖5、圖6因篇幅所限僅給出回水溫度預(yù)報值所示。圖5回水溫度一步預(yù)報曲線實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)圖6回水溫度二步預(yù)報曲線實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)表1列出了外時延反響網(wǎng)絡(luò)模型I與內(nèi)時延反響Elan網(wǎng)絡(luò)模型II的訓練與測試結(jié)果的部分數(shù)據(jù)。預(yù)測模型I、I

11、I的比較表1輸入層節(jié)點數(shù)隱層層節(jié)點數(shù)輸出層節(jié)點數(shù)訓練次數(shù)訓練時間s訓練精度訓練樣本誤差測試樣本誤差模型I25256415236.7010.004497673.09982.2628模型II5256199140.5420.00449993.19741.46204結(jié)論從測試結(jié)果可以看出，對同一動態(tài)系統(tǒng)預(yù)測模型的辨識，外時延反響網(wǎng)絡(luò)與內(nèi)時延反響Elan網(wǎng)絡(luò)的逼近才能根本一樣，而且都具有很強的跟蹤才能。但是Elan網(wǎng)絡(luò)的構(gòu)造要比外時延反響網(wǎng)絡(luò)簡單得多，而且在訓練過程中，外時延反響網(wǎng)絡(luò)延遲步數(shù)要通過屢次的訓練才能找到最正確值，本預(yù)測模型就是在取到四步延遲后才得到最正確值，而Elan網(wǎng)絡(luò)就省卻了這一部分工作

12、；此外在本動態(tài)系統(tǒng)模型的辨識過程中也可以看出，無論是采用外時BP網(wǎng)絡(luò)，還是采用內(nèi)時延Elan網(wǎng)絡(luò)辨識動態(tài)系統(tǒng)的模型，都必須恰當?shù)囊胼敵鰠?shù)的反響，才能保證系統(tǒng)的動態(tài)跟蹤才能；本文選用了牡丹江西海林小區(qū)鍋爐房2000年冬季的部分測量數(shù)據(jù)進展建模及測試，用前20天的數(shù)據(jù)進展預(yù)測模型辨識，用后20天的數(shù)據(jù)進展預(yù)測模型測試，得到了比較令不滿意的預(yù)測結(jié)果，熱網(wǎng)供水溫度及室外溫度的預(yù)測結(jié)果也是很好的，只是由于篇幅關(guān)系同有繪出。通過上述的系統(tǒng)辨識與實測，說明用外時延反響網(wǎng)絡(luò)或內(nèi)時延反響Elan網(wǎng)絡(luò)建立供熱系統(tǒng)的動態(tài)預(yù)測模型是可行的，解決了供熱系統(tǒng)對象中非線性、大滯后、時變性等問題，為進一步的供熱系統(tǒng)優(yōu)化控制奠定了基矗參考文獻1袁曾任，人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用，清華大學出版社，19992李士勇，模糊控制神經(jīng)控制和智能控制論，哈爾濱工業(yè)大學出版社，19963張乃堯，閻平凡，神經(jīng)網(wǎng)絡(luò)與模糊控制，清華大學出版社，19984董德存，張樹京，用于NARAX參數(shù)辨識的一種神經(jīng)網(wǎng)絡(luò)方法，鐵道學報，19945謝新民，蔣云鐘等，基于人工神經(jīng)元網(wǎng)絡(luò)的河川徑流時時預(yù)報研究，水利水電技術(shù)，1999，96李勇，孫艷萍等，用于故障預(yù)測的BP網(wǎng)絡(luò)模型及改進，東北電力學院淡報，1999，17郭創(chuàng)新等，一種魯棒BP算法及其在非線性動態(tài)系統(tǒng)辨識中的應(yīng)用，信息與控制，1996，68賴曉平，周鴻興，云昌