今日頭條
官方微信
官方抖音
案例頻道
張海靜（1983-）
女，河南扶溝人，碩士研究生，研究方向為電氣控制與仿真。
摘要：由于集中供熱系統調節的滯后性，使供熱量不能及時地跟隨用戶端需求量調整，造成能源浪費。預測集中供熱系統未來一段時間內的供熱參數對熱網的經濟運行和調節起著重要作用，本文通過對熱網歷史數據的分析，采用神經網絡預測的方法，以新疆華源熱力公司某供熱站的供熱網參數為研究對象進行分析和預測，并結合MATLAB的GUI設計方法，設計出了人機交互友好、使用方便的界面，結果表明該算法具有較好的預測精度，對供熱系統有著較好的指導作用，具有一定的應用價值。
關鍵詞：負荷預測；集中供熱； 神經網絡； GUI
Abstract: The Central Heating System has hysteretic nature so that it can not adjust the
heat to meet the users’ demand, which results in waste of energy. Forecasting the
parameters in the coming period has the important effect on saving operation and
regulation of the heating network. In this paper, by analyzing historical data of the
heating network and using the forecasting method of neural network, we analyze and
forecast the heating network parameters related to the Hua yuan company in Xin jiang.
Furthermore, by using the MATLAB GUI design, we design a friendly human-computer
interaction and, easy-to-use interface. The result indicats that this algorithm has good prediction accuracy
and good instruction function to the heating system, which has a promising future in
practical application.
Key words: load forecasting; central heating; neural network; GUI
1 引言
供熱負荷受室外溫度、時間、供水流量、供水溫度、回水溫度等多種因素影響，具有動態特性，難以建立數學模型。傳統預測方法如時間序列法、回歸分析法，預測精度不高，熱網的供熱熱值難以準確跟隨需求量的變化波動。近年來供熱負荷的預測方法研究有了新的進展，如灰色系統模型、神經網絡、小波包分析等，對熱網的動態特性跟蹤能力較強，在實時性方面優于傳統方法，更適合供熱熱值預測和溫度控制 [1-2] 。Elman神經網絡屬于動態神經元網絡，在隱含層神經元輸出和輸入之間的延時反饋，使得網絡具有動態記憶功能。本文將 Elman 神經網絡與BP神經網絡進行預測對比，結果發現Elman神經網絡優于BP神經網絡，用Elman進行仿真試驗得到較好的預測精度。
人工神經網絡（ANN）是對生物神經網絡進行仿真的結果，神經網絡的訓練學習方式主要有兩種：監督式的和無監督式的。對應于每種模式下樣本的輸入，網絡的輸出端都有一個對應的指導信號與其屬性相匹配。
利用非線性系統得輸入輸出數據訓練神經網絡的過程，可以看成是一種非線性函數近似逼近的過程。Kolmogorov [3] 定理指出，任何具有N個變量的連續函數，均可由單變量的非線性、連續、遞增函數來描述。在神經網絡應用上，該定理可解釋為要逼近具有N個變量的連續函數，要求第1隱含層具有2N（N+1）個神經元，第2隱含層具有（2N+1）個神經元 [4] 。
2 神經網絡
2.1 Elman 網絡
Elman 網絡是動態遞歸網絡的一種，具有動態特性和遞歸作用，該網絡之所以具有這些作用，是因為網絡具有反饋層，即聯系層。Elman網絡有部分遞歸網絡和完全遞歸網絡兩種，主要區別在于是否對反饋單元的權值進行修正，但網絡的結構相同。圖1為Elman 網絡的標準結構。在本文中，隱含層為單隱層，采用S型激活函數(tansig)，輸出層采用線性激活函數(purelin)，采用trainlm訓練法。
其中ω1～ω2 為相應的層間權值矩陣，u(τ-1 )為τ-1時刻網絡的輸入向量，x(τ)為τ時刻隱含層的輸出向量，y(τ)為τ時刻網絡輸出向量。
Elman網絡由輸入層、隱層、結構層和輸出層組成。結構層記憶隱層單元前一時刻的輸出值，并在當前時刻輸出，可認為是一步延遲算子 [3] ，因此，Elman網絡具有動態記憶功能。
2.2 BP網絡
反向傳播網絡（Back-Propagation Network,即BP網絡）是將W-H學習規則一般化，對非線性可微分函數進行權值訓練的多層網絡（如圖2、圖3所示）。BP算法是一種監督式的學習算法，為了訓練一個BP網絡，需要計算網絡加權輸入矢量以及誤差矢量，然后求得誤差平方和。當所訓練的矢量平方和小于誤差目標，訓練則停止，否則在輸出層計算誤差變化，且采用反向傳播學習規則來調整權值，并重復此過程。當網絡完成訓練時，網絡將以泛化的方式輸出結果。BP網絡的激活函數必須處處可微的，所以BP網絡常使用對數或S型的正切激活函數和線性函數。在本文中，隱含層為單隱層，采用S型激活函數(tansig)，輸出層采用線性激活函數(purelin)，采用traingd訓練法[4-5] 。
3 預測與分析
3.1 房間室內溫度與熱值的預測
為了預測換熱站在一定熱值下的室內溫度變化情況，以便及時了解用戶端的情況，及做到真正意義上的按需供熱[6] ，本文基于運行數據, 考察供回水溫度、室外溫度、歷史室溫等因素中與預測室溫關系最為密切的供熱數據[7-8] ，本文預測了未來48小時的室內溫度與熱值的變化情況，以每小時為一個預測點，采用樣本數據為200個，考慮到樣本數據小，負荷在短期內不會有較大波動，所以采用的預測方法為采用前一天的供熱數據和第二天的室外溫度來預測第二天的供熱量，結果如圖4所示，房間的熱值由每棟樓的熱網入口處所安裝的熱表所計量的值按照房間面積并加上一定的補償而得，由傳感器采集數據并通過無線數據采集系統將數據發送到指定的計算機上，通過軟件讀出熱值數據。采用前197個用于訓練網絡，后2個作為測試樣本，隱含層采用2N+1層，再用試湊法適當的加上一定的裕度以確定隱含層的層數。學習速率為0.01，動量因數為0.9，訓練誤差為0.01。結果如下所示：
從面的圖可以看出熱值誤差很大，這是因為用于訓練的樣本數據少且熱值損耗大所造成的。
3.2 換熱站熱值的預測估計
表1 不同溫度范圍下換熱站的供熱值與預測值
溫度范圍 熱值平均值（實際）GJ 熱值平均值（預測）GJ
-15℃ ~ -22℃ 769.4 700.3
-8℃ ~ -15℃ 758 690.2
-4℃ ~ -12℃ 591.3 545.7
0℃ ~ -9℃ 601.4 560.4
-3℃ ~ -5℃ 434 390.1
-1℃ ~ 7℃ 353 311.5
0℃ ~ 12℃ 289 2450.7
5℃ ~ 15℃ 239.5 211.7
根據烏魯木齊市華源熱力公司2007年11月至2008年4月的供熱歷史數據，某換熱站在不同溫度范圍內的供熱熱值如表1所示，這里換熱站的參數值是小區所有房間熱值之和，有較大誤差是因為樣本數據少且熱量沿熱網管道的損耗大所造成的。
4 GUI設計
為了便于很好的對比兩種不同的預測方法，使操作更加簡單，采用了GUI設計。MATLAB為用戶設計圖形界面提供了一個方便，高效的集成環境。本文中的GUI設計包括坐標軸對象（Axes）、控件對象（Unicontrol）等[9] 。
句柄式圖形[10] ：MATLAB是數據圖形化表現途徑， MATLAB的圖形系統是面向對象的，每一個圖形對象都有一個唯一的句柄 (handle)和一組定義圖形對象外觀的屬性（Properties）。用戶可以根據這個句柄，就可以找到這個對象的各項屬性，并修改這些屬性，則可以產生不同的圖形顯示與動作效果。
MATLAB設計圖形用戶界面有兩種方法：①使用M文件編寫的方式；②利用GUIDE設計圖形用戶界面，本文采用GUIDE設計圖形用戶界面。
本文MATLAB的GUI設計過程主要包括：①創建圖形窗口；②創建各控件并設置其屬性；③編寫各控件的回調函數。具體如下：
在界面上創建用于顯示預測結果的坐標軸對象，由于本文需要分別顯示BP與ELMAN的預測結果，所以需要兩個坐標軸，選擇坐標軸的回調函數如下所示：
axes(handles.ELMAN_axes)
hold off;
axis ([0 55 -10 30])
plot(1:48,predict,’g’)
hold on;
axis ([0 55 -10 30])
plot(1:48,x-predict,’r’)
hold on;
axis ([0 55 -10 30])
plot(1:48,x,’-.’)
hold on
title(’Elman room temperature predict result’)
legend( ’室內溫度 ’,’誤差’,’實際值’)
hold off
grid on
set(handles.ELMAN_axes,’XMinorTick’,’on’)
5 結論
本文以新疆華源熱力公司某換熱站歷史運行數據為基礎，采用不同神經網絡預測的方法，經過對比，發現動態神經網絡ELMAN的預測效果較好，從而確定該方法對供熱數據具有一定的指導意義，采用的GUI設計，使界面友好，使用方便的界面，結果表明該算法具有較好的預測精度，使得熱力公司可以根據天氣變化對小區供熱量進行調整，達到了節約能源和企業供熱成本，減少溫室氣體排放和降低環境污染的多重效果，具有較好的應用價值。但不足之處是神經網絡訓練速度較慢。
參考文獻
[1] 朱棟華，黎展求. 基于小波和神經網絡的供熱荷預測[J]. 沈陽建筑大學學報，2007，1(23): 157-160.
ZHU Donghua，LI Zhanqi,Thermal Load Prediction for Heating Systems Based.on Wavelet and
Neural Network.[J]. Journal of Shenyang Jianzhu University. 2007，1(23): 157-160.
[2] 郝有志，李德英. 熱負荷預測方法評析[J]. 建筑熱能通風空調，2003，(1): 26-27.
Hao Youzhi，Li Deying. Estimation of Heat Load Forecast methods:26-27.
[3] 張吉禮. 模糊-神經網絡控制原理與工程應用[M]. 哈爾濱: 哈爾濱工業大學出版社，2004，30-70.
[4] 叢爽. 面向MATLAB工具箱的神經網絡理論與應用[M]. 合肥: 中國科學技術大學出版社，2003，1-120.
[5] 杜永峰，郭劍虹. 基于RBF神經網絡的結構動力響應預測[J]. 蘭州理工大學學報，2006，2(32):111-114.
DU Yong-feng，GUO Jian-hong,Prediction of structural dynamic response based on RBF neural
network[J]. journal of Lan zhou University of Technology: 2006，2(32):111-114.
[6] 馬濤，徐向東. 基于小波網模型的區域供熱系統負荷預測[J]. 清華大學學報: 自然科學版，2005，4(45): 708-710.
MA Tao，XU Xia ngdong,Load predictions for district heating systems based on a WNN
model[J]. Tsinghua Univ(Sci& ech)，2005，4(45): 708-710.
[7] 頓雷，李巴津. 城市集中供熱網參數預測研究[J]. 微計算機信息，2007，23(10): 38-39.
DUN LEI，LI BaJin.2007，23(10):39-39. IN，Forecasting City Central Heating Network Supply
Parameters[J]. 2007，23(10): 38-39.
[8] 王宇清. 供熱工程. 北京: 機械工業出版社，2005.
[9] 楊邵偉，韓天，尹忠俊，李偉. MATLAB GUI 界面設計在電機故障診斷中的應用[J]. 機電產品開發與創新，2007，20(6): 118-122.
SUN Qi-Chao，LiU Shao Jun. The Control and Simulationfor Decr easing Vibration of Tank
Seat[J]，Development & Innovation of Machinery & Electrical Products，2007，20(6):118-122.
[10] 葛哲學. 精通MATLAB[M]. 北京: 電子工業出版社2008，493-539，152-168.
北京市公安局海淀分局備案號：11010802023656號