结合天气因素的HTS-FOA-GRNN短期热负荷预测研究

顾 伟，薛贵军，李水清

（1.华北理工大学，河北 唐山 063210；2.河北理工大学智能仪器厂，河北 唐山 063000）

1 引言

对于集中供热系统的短期热负荷预测研究，学者们提出了很多的神经网络预测模型。其中，文献[1]提出了一种基于小波分析的供热负荷预测方法，但波基的选取较难，很难达到预期的分离效果；文献[2]提出了一种基于DHP网络的供热负荷预测方法，DHP算法虽然减少了需要处理的候选集，但是却增加了Hash表的计算和数据库表的存贮空间，降低了运算速度；文献[3]提出了一种基于BP网络的供热负荷预测方法，但是BP算法的参数较多，每次都需要更新数量较多的阈值和权值，故会导致收敛速度过慢，且容易陷入局部最小值的问题。同时，很少有人提出结合外界环境温度（天气因素）的短期热负荷预测方法[4]。果蝇优化算法（Fruit Fly Optimization Algorithm FOA）具有计算过程简单，处理数据反映速度较快的以及易调节和易于实现的特点。但由于果蝇优化算法存在易于陷入局部最优和寻优精度不高的问题，因此采用热量传递搜索算法（HTS），对其进行优化，并结合广义神经网络和外界天气因素建立供热系统短期热负荷预测模型。

2 HTS优化FOA-GRNN算法

2.1 HTS算法

热量传递搜索算法（Heat Transfer Search HTS）是基于热量传递原理提出的一种迭代优化算法。热量发生传递并最终实现热量平衡有传导，对流和辐射三种方式[5]。

HTS算法步骤描述如下：

（1）传导过程。热量的传导是热量由高温物体流向低温物体的过程。当处于迭代的过程中时，HTS算法满足式（1）。

（2）对流过程。对流是冷热流体相互掺混而发生热量传递的方式。HTS算法满足式（2）。

（3）辐射阶段。热辐射就是物体由于具有温度而辐射电磁波的现象，即通过电磁波传递热量，来实现系统的热平衡。HTS算法满足式（3）。

式中：RWC—热量传输等级；SC—变化因子；X—种群位置；gmax—种群最大迭代数；i—当前种群大小；g—当前迭代次数；r—（0～1）之间的过程判别系数。

2.2 果蝇算法

果蝇算法（FOA）是一种参考果蝇生活觅食特点衍生出的一种寻求全局优化的新方法。果蝇优化算法的完整迭代寻优过程，如图1所示。

图1 果蝇优化算法迭代寻优过程Fig.1 Drosophila Optimization Algorithm Iiterative Optimization Process

为了克服果蝇算法泛化能力弱和局部最优的问题，用HTS对FOA算法进行优化和改进。

第一步：参数初始化。HTS-FOA的主要参数有果蝇种群的群体大小（i），气味浓度变化因子（搜索系数SC），传输等级（权重系数RWC）和种群最大迭代次数（gmax）。

第二步：生成候补解。

（1）确定果蝇种群的初始位置：

（2）果蝇在觅食过程中的移动方向和移动距离：

第三步：将气味浓度值（SC）代入到气味浓度判定函数进行运算，求出气味浓度最优值并标记位置，继续迭代寻优，得到新的最优值并更新果蝇群位置：

第四步：进行迭代优化，重复第二和第三步，当气味浓度值最大时时，循环结束。

2.3 广义回归神经网络

GRNN于1991年由美国学者DonaldF.Specht设计提出的，该算法结合数理统计知识，能够发现并根据样本数据中的隐含关系来不断逼近真实值，对于样本数目较少的情况，输出结果的收敛性和回归值的结果依然可观。GRNN网络结构图，如图2所示。

图2 GRNN网络结构图Fig.2 GRNN Network Structure Diagram

图中：P—输入向量；Q—输入向量的个数，信号经输入层单向传输到隐含层；b1—隐含层的阈值；｛dist｝—距离函数；R—每组向量的个数；LW1，1—输入层权值；LW2，1—权值矩阵。

相比于其他神经网络，由于广义回归神经网络的结构是单方向的，因此可以通过神经网络的自适应产生隐含层的神经元，并且连接权重可以由训练样本直接确定。GRNN网络已广泛应用于多个领域，且其对非线性问题的处理效果更好［6-10］。

3 结合天气因素的集中供热短期热负荷HTS-FOA-GRNN预测模型

供热量的短期预测对于供热系统运行的安全性和经济性有着重要作用和意义。由于外界环境温度等因素对集中供热系统的短期供热量影响较大，所以在考虑外界温度等因素之后再进行神经网络建模会使预测结果更精确。本实验将温度作为神经网络输入的一部分，和数据库中其他相关数值一起训练。

3.1 数据指标的选取及处理

以HTS-FOA-GRNN网络为模型，综合多种对供热系统产生影响的重要因素，将供热负荷值、实时外界气温和二次网供水温度和二次网回水温度四项数据作为神经网络的输入变量，对一天内连续24h的供热负荷值进行预测，并将预测结果作为输出变量。实验中用到的供热负荷相关数据为理工智能仪器厂辽阳供热站2017年12月采集。

3.2 性能指标

选用的四项性能评估标准为：平均相对误差（MRE）、均方根误差（RMSE）和均方百分比误差（MSPE）希尔不等系数（TIC），其公式如下。

式中：x—预测值；xi—实际值。

3.3 模型建立与结果分析

HTS-FOA-GRNN流程图，如图3所示。

图3 HTS-FOA-GRNN流程图Fig.3 HTS-FOA-GRNN Flow Chart

HTS-FOA的种群规模为60，最大迭代次数为200次，进行迭代寻优，求出光滑因子是0.0509。本实验选取96个连续随机样本，其中72个用来训练HTS-FOA-GRNN神经网络，其余的24个样本用来检验模型的仿真效果（待检验样本见表1），建立预测模型。对供热负荷进行预测，预测结果，如表1所示。对参考外界温度的HTS-FOA-GRNN模型的准确性进行预测，将其与考外界温度的FOA-GRNN模型和不参考外界温度的HTS-FOAGRNN模型进行对比。3种模型预测的供热负荷与真实值做对比，如图4所示。相比其他模型，HTS-FOA-GRNN不仅具有更高的预测精度，还可以避免模型受困于局部最优解。参考外界温度之后的预测模型较之不参考外界温度的预测模型，所得到的预测结果精度更高，同时也很好地优化了供热负荷调节的时滞性。

表1 24小时供热负荷预测结果表Tab.1 24-Hour Heating Load Forecast Results Table

图4 三种预测模型对比Fig.4 Comparison of Three Prediction Models

由式（10）～式（13）计算出三个预测模型的MRSE，MSPE，RMSE和TIC，由表2可知，参考外界温度的HTS-FOA-GRNN模型的各项数据均优于其他两个模型，预测效果更好。

表2 性能指标分析Tab.2 Performance Indicator Analysis

4 结论

HTS算法有效地优化了FOA的权重系数，使得果蝇算法的搜索范围变大，全局寻优能力也得到优化，改善了局部极值的问题。GRNN泛化性能好，其优点是权值和阈值可以一步确定，不需要进行迭代，计算量小，缺点是光滑因子不以计算。因此，采用HTS-FOA对其光滑因子进行优化，使得GRNN网络在解决问题时有更广的适用范围和更好的灵活度。经过对比可以看出结合天气因素的HTS-FOA-GRNN预测模型相比以其他神经网络模型具有收敛速度更快，数值精度更高的优点。