蓄能供热采暖系统负荷预测研究

(南京工业大学自动化与电气工程学院1，江苏 南京 211816；大连传森科技有限公司2，辽宁 大连 116600)

0 引言

近年来，我国长江流域及部分北方地区冬季采暖用电负荷占城市总用电负荷的比例越来越大。由于采暖能耗主要集中在白天用电高峰，这就使得逐年增加的峰谷差给电站的调峰运行带来困难,仅靠电站对大机组的投入已不能满足要求[1]。通过用户侧的调节实现均衡负荷，已成为当务之急。

蓄能供热采暖技术就是针对这种局面提出并得以应用的。该技术可将电网峰时的采暖能耗转移至谷时使用，达到“削峰填谷”的目的。为了充分发挥该技术的优势，良好的控制策略就显得尤为重要。精确的负荷预测是制定蓄能供热采暖系统控制策略的重要前提和基础。

1 蓄能供热采暖技术简介

蓄热技术是一种提高能源利用效率的技术，主要针对热能或电能的储存。目前，蓄热采暖主要方式为水蓄热和蒸汽蓄热[2]。这两者均存在蓄热密度小、蓄热利用率低、蓄热容器体积大等缺点，且蒸汽蓄热的高压蒸汽还存在较大的安全隐患。以固体蓄热合金为载体的蓄能供热采暖恰好克服了水蓄热和蒸汽蓄热的缺陷。

蓄能供热采暖设备根据显热蓄热的原理，在夜间用电廉价的低谷时利用电加热管将电能转化为热能，把装置内的蓄能固体合金加热至700～800 ℃。装置表面用多种高科技保温材料保温，将热能存储。到了白天需要供暖时，通过换热器把热量传递给末端装置，以可调暖风的形式提供给用户使用，从而实现“低谷蓄能、峰时供暖”[3]。

2 BP神经网络负荷预测

神经网络系统是由大量的神经元广泛连接而成的复杂的网络系统，它反映了人类大脑功能的许多基本特性。BP神经网络的基本模型是三层前馈网络，含有输入层、隐层和输出层。各层之间实行全连接，可实现黑箱建模，适用于对复杂非线性对象的预测建模[4]。

2.1 BP神经网络输入变量的选取

在负荷预测时，只有对负荷影响较大的因素包含于输入量之内，才能得出较为精确的预测值。输入层中如果缺少影响网络输出的变量因素，那么网络训练就不会收敛。相反，由于BP神经网络具有很强的鲁棒性，因此输入层中若包含个别与网络无关的变量因素，对网络收敛并不会产生太大影响。

数据采集受实际情况所制约，故拟定对蓄能供热采暖系统负荷预测影响较大的输入量为：时间t、大气干球温度Td、太阳辐射强度S、大气相对湿度RH、前一小时的采暖负荷Load(t-1)、前一天的采暖负荷Load(t-24)。由于使用蓄能供热采暖设备的大多为大型办公写字楼等建筑，建筑内扰相关的人员流动情况也对采暖负荷有较大的影响。本文将工作日、周末以及节假日日期类型进行量化处理，将所得的量化值φ加入输入变量中[5]，其结果如表1所示。

表1 量化处理结果

2.2 BP神经网络输出变量的选取

蓄能供热采暖系统负荷预测采用时间序列法，即得到t时刻的负荷预测值后，再预测后1 h的负荷值。由此循序渐进，就能得到整个完整的系统采暖负荷预测输出[6]。所以BP神经网络负荷预测的输出量就是某一时刻蓄能供热采暖系统的短期负荷预测值。

2.3 BP神经网络连接

蓄能供热采暖系统BP神经网络采用全互连型网络结构，即当前层每个处理单元的输出都与下层每个处理单元相联系，而同层之间的处理单元是相互独立的。系统网络结构如图1所示。

图1 系统网络结构图

3 BP神经网络模型改进

虽然现阶段BP神经网络的应用较为广泛，但也存在网络初始值选取较繁琐、易陷入局部极小点及收敛速度慢等缺陷[7]。本文基于遗传算法的思想对神经网络权重进行优化，优化后的权值和阈值通过解码送入BP神经网络运算。充分运用两者优势，构成一种GA-BP算法。该算法具有自适应及全局优化等特性，可达到收敛速度快、预测结果精确的效果[8]。

算法流程如图2所示。该算法采用均方根误差(mean square error,MSE)的倒数作为适应度函数来评估神经网络。当遗传进化的任意一代中至少出现一个适应度达到要求的个体或遗传进化达到预定的最大迭代次数时，迭代将终止。

图2 GA-BP算法流程图

4 负荷预测仿真研究

本文对大连市某办公楼蓄能供热采暖工程2013年1月的采暖负荷进行了预测，选取当月25日的预测值与真实值作比较。通过采暖设备控制系统所保留的历史数据，得到2012年11和12两个月的采暖温度、能耗与负荷等相关数据。

4.1 GA-BP神经网络负荷预测建模仿真

图3 GA-BP神经网络负荷预测模型

将2012年11、12月的采暖负荷数据和影响因素集数据作为训练集，将2013年1月25日的数据作为测试集。根据批量自动规则化训练的算法，首先利用训练集的数据进行训练，其次再用测试集的数据进行预测，最后将测量值与实际值作对比。

4.2 仿真结果数据比较

将2013年1月25日BP神经网络与GA-BP神经网络的逐时负荷预测进行比较，其曲线如图4所示。从图4可以看出，BP神经网络的负荷预测曲线与实际负荷比较变化趋势基本吻合，但其中存在某些误差较大的区域。当日17时误差最大，达到57.2 kW，日平均误差为26.9 kW，平均误差率为4.66%。而GA-BP神经网络得出的负荷预测值与实际值的曲线更加吻合，且日最大误差为29.4 kW，日平均误差仅有14.8 kW，平均误差率为2.56%。因此GA-BP神经网络较BP神经网络相比误差明显减小，预测结果更加精确，其所得的预测值更接近于真实值。

图4 负荷预测曲线图

5 结束语

蓄能供热采暖技术充分利用夜间廉价的谷电蓄能供日常采暖。对于用户来说，可以节省采暖费用、提高采暖效率；对于社会来说，使用谷电不仅有利于环保，而且对电网实现“削峰填谷”起到了积极的作用。

将GA-BP神经网络运用于非线性、多扰动与时变的蓄能供热采暖系统中，克服了常规BP神经网络的缺陷，达到了快速寻优、预测精确的目的。同时依托某办公楼进行负荷预测，结果表明，该方法有良好的收敛速度和预测精度，在应用于蓄能供热采暖系统负荷预测时具有更好的实用性和可靠性。

[1] 王喆，张炳坤，华维岗.公共建筑采暖节能温度智能控制系统的设计[J].自动化仪表，2012,33(6):59-62.

[2] 杨波，李汛，赵军.移动蓄热技术的研究进展[J].化工进展，2013,23(3):515-520.

[3] 毛靖.蓄热式供热机：中国,0284573.9[P].2010-08-09.

[4] Simon H.神经网络与机器学习[M].北京:机械工业出版社,2011.

[5] 周树贵，张九根.基于遗传神经网络的冰蓄冷空调系统负荷预测研究[J].化工自动化及仪表，2012,39(4):446-449.

[6] 杨绍辉，左文胜，岑建福.基于粗糙集-神经网络的冰蓄冷空调冷负荷预测研究[J].能源与环境，2011,26(6):11-12.

[7] 王纪亮，焦晓红.具有遗传算法优化BP神经网络调节的HVDC PID控制器设计[J].化工自动化及仪表，2010,37(4):5-9.

[8] 王钰，郭其一.基于改进BP神经网络的预测模型及其应用[J].计算机测量与控制，2005,13(1):39-42.

[9] 王崇骏，于文滌，陈兆乾.一种基于遗传算法的BP神经网络算法及其应用[J].南京大学学报：自然科学版，2003,39(5):459-467.