用热影响参数对热力站日供热量预测的影响

1 概述

有效预测热负荷，可合理指导供热，从而提高供热质量，避免能源浪费

。目前，常用的热负荷预测方法有时间序列预测模型

、灰色系统模型

、支持向量机法

、回归分析法

、人工神经网络

等。时间序列预测模型、灰色系统模型均具有所需数据少、运算快的优点，但前者建模复杂，后者仅适用于短期的热负荷预测。支持向量机法不但建模困难，而且对于随机波动性较强的中小系统预测效果差。回归分析法不仅对数据要求较高，而且预测精度差。人工神经网络具有很强的非线性和自适应性，但存在泛化性差的问题。BP神经网络可基于预测误差调整网络的权值和阈值，从而提高热负荷预测的准确性。

本文将室外温度、历史供热量、生活热水平均日供回水温差、日期类型作为用热影响参数(室外温度分为日最大值、日最小值、日平均值，历史供热量分为前1日供热量、前2日供热量、前3日供热量，日期类型分为工作日、节假日)，构建8组用热影响参数组合，采用BP神经网络建立热力站日供热量预测模型1～8。将平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)、相对误差绝对值(ARE)作为指标，评价预测模型的可靠性、稳定性以及预测结果的可信程度。

2 用热影响参数

室外温度是影响热负荷的重要因素，因此作为关键的用热影响参数。由于围护结构具有保温性能和热惰性，室内温度变化和供热系统的热量传输具有一定延迟，历史供热量对于当日供热量也会产生影响，因此选取历史供热量作为用热影响参数。若供热系统兼顾供暖、供生活热水(生活热水由热力站一级侧换热制备)，那么生活热水供回水温差在一定程度上将影响供热量，因此引入生活热水供回水温差作为用热影响参数。通常，工作日与节假日供热量不同，因此也将日期类型作为用热影响参数。

3 案例分析

3.1 数据获得

本文以北京某热力站为研究对象，热力站供热面积为89 087 m

，兼顾建筑供暖和供生活热水。热力站调度人员根据室外温度以及工作日与节假日调节供热参数。采集数据包括室外温度、生活热水供回水温度、供热量等，5 min采集1次数据，并以日为单位对采集数据进行整理。

2017—2018年、2018—2019年、2019—2020年供暖期共收集107组原始数据。对数据进行预处理，将某数据与前后1日的数据相比，若相对误差绝对值超过130%，则视为异常数据，并采用删去法与插值法进行修正。预处理后的有效数据集共98组，88组作为训练集，10组作为验证集。

3.2 预测方法

预测流程为：根据用热影响参数组合导入数据，建立8种预测模型。运行预测模型，BP神经网络通过信号前向传递，得到供热量预测结果并计算误差，若误差小于目标误差，即为满足终止条件，即可输出当前结果，否则执行误差反向传播，对网络中的权值和阈值进行修正调整，再次执行信号前向传递，直至满足终止条件。

各预测模型的评价指标均值(由10组数据得到的评价指标的算术平均值)见表3。由表3可知，预测模型7的平均绝对误差均值、平均绝对百分比误差均值、均方根误差均值在8种预测模型中最小，说明预测模型7的可靠性、稳定性最好。与用热影响参数组合加入日期类型前相比，除预测模型6外，预测模型5、7、8预测结果的平均绝对误差均值、平均绝对百分比误差均值、均方根误差均值均出现了下降。主要原因是预测模型6陷入了局部极小值。因此，加入日期类型可提高预测模型的可靠性、稳定性。

利用MATLAB软件建立BP神经网络预测模型，预测模型由输入层、隐藏层、输出层组成。隐藏层层数与神经元的选择对构建神经网络有重要影响，可借助试算法确定。确定BP神经网络学习率为0.1，训练目标误差为10

，迭代次数为1 000次，隐藏层为10层。

笔者构建了8组用热影响参数组合(见表1)，每个用热影响参数组合包括6～8个用热影响参数。表1中，“○”表示用热影响参数组合包含该用热影响参数，“×”表示不包含。采用归一化法将不同日期类型的影响进行量化以作为用热影响参数，量化结果为：工作日0.4，节假日0.7。

验证集10组数据的实际值与各预测模型的预测结果见表2。

3.3 预测效果评价指标

平均绝对误差、平均绝对百分比误差可反映预测模型的可靠性。均方根误差用于表征预测结果相对于实际结果的平均偏差情况，可用来评价预测模型的稳定性

。相对误差绝对值可以表征预测结果的可信程度，以相对误差绝对值<5%的预测结果占比达到90%及以上为预期。

当采用不同的用热影响参数组合时，预测模型的预测效果不同。因此，分别采用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)、相对误差绝对值(ARE)评价预测效果。以上4项指标越小，表明预测模型的预测效果越好。

3.4 预测结果与分析

加强政策法律法规体系建设。宏观层面要出台“森林旅游生态补偿管理办法”；微观层面，作为公园本身，要通过合同明确相关主体责任，建立奖惩机制。

（2）及时清理废物。对于圈舍的清洁频率通常要缩短到每天，及时清除粪便可以从源头铲除病原微生物的生活场所，而及时消毒又可以将病菌等进一步灭杀，防患于未然。

吉林省应用型本科院校的服装设计与工程专业应依据国家和吉林省地方经济社会发展的需要，借鉴发达国家的有益经验，跳出原有的人才培养模式，构建多规格、多渠道、模块化的人才培养新模式，架设服装设计与工程专业人才培养的立交桥，要回归教育本位，紧密结合地方经济和社会发展进行服装设计与工程专业人才培养模式的改革与创新，既遵循人才培养规律，又结合国情、省情、校情，确定适宜的人才培养标准和方案。

各预测模型预测结果的相对误差绝对值分布见表4。由表4可知，在8种预测模型中，预测模型3、4、5、7实现了相对误差绝对值的预期(相对误差绝对值小于5%的比例达到90%及以上)，特别是模型5、7的预期达到100%。说明模型5、7预测结果的可信程度最高。

过去的10年，是我国水利事业实现跨越发展，水利公共服务水平明显提升的10年，也是公共财政对水利投入显著增长，财政支持政策逐步完善的10年。中央财政始终将支持水利改革发展作为加快转变经济发展方式的重要抓手和促进粮食稳产增产的重要措施，大幅度增加投入，完善支持政策，推动深化改革，加强资金监管，为水利事业又好又快发展提供了有力支撑。

4 结论

预测模型7的可靠性、稳定性最好，预测结果的可信程度最高。加入日期类型可提高预测模型的可靠性、稳定性。

[ 1 ] 王文标，蔡麒，汪思源. 基于气象因素的集中供热系统热负荷预测研究[J]. 计算机测量与控制，2016(2)：22-26.

[ 2 ] 张林，罗晓初，徐瑞林，等. 基于时间序列的电力负荷预测新算法研究[J]. 电网技术，2006(S2)：595-599.

[ 3 ] 陈柳. 小波时间序列在空调负荷预测中的应用[J]. 流体机械，2008(2)：83-86.

[ 4 ] 胡世广，王琦. 改进灰色预测模型在热电厂热负荷预测中的应用[J]. 电力学报，2019(6)：538-542，597.

[ 5 ] 罗时超. 基于神经网络和灰色系统的供暖热负荷组合预测方法研究(硕士学位论文)[D]. 广州：暨南大学，2017：16-17.

[ 6 ] MILAN P，SHAHABODDIN S. Appraisal of soft computing methods for short term consumers’heat load prediction in district heating systems[J]. Energy，2015，82：697-704.

[ 7 ] TAMAH A，AFRAM K. Prediction of heat load in district heating systems by support vector machine with firefly searching algorithm[J]. Energy，2016，95：266-273.

[ 8 ] CAI Q，WANG W B. Multiple regression model based on weather factors for predicting the heat load of a district heating system in Dalian, China—A case study[J]. Open Cybernetics and Systemics Journal，2015(1)：2755-2773.

[ 9 ] PARK S K，MOON H J，MIN K C，et al. Application of a multiple linear regression and an artificial neural network model of the heating performance analysis and hourly prediction of a large-scale ground source heat pump system[J]. Energy and Building，2018，165：206-215.

[10] XIE L. The heat load prediction model based on BP neural network-markov model[J]. Procedia Computer Science，2017，107：296-300.

[11] SONG J C，PAN X H，MA Y P. Hourly heat load prediction model based on temporal convolutional neural network[J]. IEEE Access，2020(8)：16726-16741.

[12] 卜云婷，谢慕君，姜长泓，等. 二级管网供水温度的改进型RBF神经网络预测[J]. 煤气与热力，2015(10)：A14-A17.

[13] 刘也. 基于小波神经网络与支持向量机的供热负荷预测方法研究(硕士学位论文)[D]. 吉林：东北电力大学，2020：12-13.