检索结果-南通市图书馆

维普期刊数据库博看期刊

基于VMD和RDCInformer的短期供热负荷预测模型

在线全文

学校读者我要写书评

暂无评论

广西师范大学学报(自然科学版) 2024年

作者：谭全伟薛贵军谢文举华北理工大学电气工程学院

精准的供热负荷预测不仅可以有效降低能源消耗，而且可以提高供热系统效率和用户舒适度。为了提升供热负荷预测的准确性，本文将变分模态分解算法和改进的Informer模型结合应用于供热负荷预测中。首先使用VMD算法分解供热负荷数据，降... 详细信息

精准的供热负荷预测不仅可以有效降低能源消耗，而且可以提高供热系统效率和用户舒适度。为了提升供热负荷预测的准确性，本文将变分模态分解算法和改进的Informer模型结合应用于供热负荷预测中。首先使用VMD算法分解供热负荷数据，降低数据的非平稳性；其次在Informer模型中引入相对位置编码代替绝对位置编码，以更好地捕捉序列数据中的依赖关系和避免信息泄漏；然后采用膨胀因果卷积代替正则卷积，增加了感受野，提升了局部信息的提取能力；在多个数据集上与主流预测模型(GRU、LSTM、Transformer和Informer)进行对比实验。实验结果表明，RDCInformer模型的评价指标R2达到了98.3%，与对比模型相比，分别提高了10.4%、5.9%、4.5%和2.5%。此外，通过增加卷积核以评估膨胀因果卷积的效果，验证了RDCInformer模型的适用性和准确性，为进一步提高智慧供热的时效性提供了一定的参考。

关键词：供热负荷预测 Informer 膨胀因果卷积相对位置编码 VMD

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于机器学习的集中供热负荷预测模型研究

区域供热 2024年第3期 7-14页

作者：张国正李化淼王志成张玉中陈君同方节能工程技术有限公司北京100084 临沂市恒源热力集团有限公司山东临沂276004

为保证用户的用热需求,提高能源利用率,精准预测供热负荷,将用户投诉率、室外气象条件以及历史负荷作为输入特征,利用BP神经网络、遗传算法优化BP神经网络(GA-BP)、支持向量回归机(SVR)和长短期记忆网络(LSTM)分别建立了4种供热负荷预... 详细信息

为保证用户的用热需求,提高能源利用率,精准预测供热负荷,将用户投诉率、室外气象条件以及历史负荷作为输入特征,利用BP神经网络、遗传算法优化BP神经网络(GA-BP)、支持向量回归机(SVR)和长短期记忆网络(LSTM)分别建立了4种供热负荷预测模型,对未来一段时间的供热负荷进行逐时预测,并以实际供热数据进行训练和验证。研究结果表明:相较于其他3种预测模型,GA-BP的预测精度最高,拟合优度R 2可达0.994,平均绝对百分比误差最小为1.20%,可应用于实际供热负荷预测与调控。

关键词：供热负荷预测 BP神经网络遗传算法支持向量回归机长短期记忆网络

维普期刊数据库

基于GA-BP人工神经网络的农宅供热负荷预测技术研究

在线全文

学校读者我要写书评

暂无评论

暖通空调 2024年第7期54卷 59-64,172页

作者：董胜明刘桐罗瑶胡晓微张晨天津商业大学天津300400

农宅实际供热负荷的预测对农宅供暖系统优化和新型供暖系统的应用具有重要意义。本文基于对华北地区农宅室内外13个参数的长期监测和相关性分析,研究了经遗传算法优化的BP人工神经网络模型(GA-BPANN)应用于农宅供热负荷预测的可行性和... 详细信息

农宅实际供热负荷的预测对农宅供暖系统优化和新型供暖系统的应用具有重要意义。本文基于对华北地区农宅室内外13个参数的长期监测和相关性分析,研究了经遗传算法优化的BP人工神经网络模型(GA-BPANN)应用于农宅供热负荷预测的可行性和可靠性。结果表明,当GA-BPANN输入变量为按与供热负荷相关性强度排序的前6个参数(室内温度、室外温度、室内TVOC(总挥发性有机化合物)浓度、室内相对湿度、室外相对湿度和光照强度)时可以得到高精度的预测结果,为合理确定预测方案和农宅供热负荷提供了借鉴。

关键词：农宅供热供暖系统供热负荷预测相关性分析人工神经网络

维普期刊数据库

基于深度学习的供热负荷预测方法与优化控制策略研究

在线全文

学校读者我要写书评

暂无评论

基于深度学习的供热负荷预测方法与优化控制策略研究

作者：刘文强天津工业大学

学位级别：硕士

集中供热系统存在于北半球的大多数国家,它是保证冬季居民室内温度舒适性的重要基础设施。科学运行集中供热系统的一个重要前提是供热负荷预测的准确性,准确的供热负荷预测数据对于热能的生产、输送和调配至关重要,热电厂和集中供热部... 详细信息

集中供热系统存在于北半球的大多数国家,它是保证冬季居民室内温度舒适性的重要基础设施。科学运行集中供热系统的一个重要前提是供热负荷预测的准确性,准确的供热负荷预测数据对于热能的生产、输送和调配至关重要,热电厂和集中供热部门可以依据精准的负荷预测结果制定热能的生产和供应计划。由于我国的供热负荷预测技术发展较晚以及集中供热部门缺乏重视等原因,现阶段的集中供热系统多采用粗放式管理,主要表现在缺乏精确的供热负荷预测数据以及控制策略对集中供热系统的调控进行指导。一方面,这种控制方式无法根据气温等因素导致的用热需求变化适时调节供热负荷,导致供热质量下降,另一方面,粗放式管理在现实中多存在供热过剩导致的能源浪费现象。本文利用深度学习相关技术,以长短期记忆(Long and Short-Term Memory,LSTM)神经网络为基础,结合卷积神经网络(Convolutional Neural Networks,CNN)的特征表达能力,并利用数值天气预报(Numerical Weather Forecast,NWP)提供的天气数据,设计出了一种基于NWP-CNN-LSTM组合神经网络的集中供热系统供热负荷预测模型。此外,在满足热用户用热负荷需求的前提下,以节能为目标,建立了优化模型,对集中供热系统的控制和调节方案做出对比和指导,主要研究工作总结如下:(1)为了提高供热负荷预测的精度,本文以亚利桑那州立大学校园代谢项目中集中供热系统的供热负荷数据为样本,系统分析了周期性规律因素和随机因素对供热负荷的影响,并结合数值天气预报数据,完成了对NWP-CNNLSTM供热负荷预测模型的设计、分析、优化。最后,将NWP-CNN-LSTM组合预测模型与其他几种供热负荷预测基线模型进行对比,其RMSE相较于Light GBM、LSTM、CNN-LSTM、NWP-LSTM分别下降了52.71%、42.91%、18.65%、16.49%,MAPE分别下降了47.28%、42.11%、20%、18.05%。(2)为了在满足供热负荷需求的前提下,降低集中供热系统的运行成本,提高供热质量,本文建立了以节能为目标的优化模型,并利用模型分析了在不同的供热负荷指数下,可以使系统达到最小能耗的控制调节策略。最后,通过与未使用优化控制策略的集中供热系统电能消耗进行对比,验证了本文所提出的优化控制策略可以显著提高系统的节能效果。

关键词：集中供热系统供热负荷预测长短期记忆网络卷积神经网络数值天气预报 NWP-CNN-LSTM

基于神经网络和粒子群优化算法的供热负荷预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于神经网络和粒子群优化算法的供热负荷预测研究

作者：田野北京建筑大学

学位级别：硕士

集中供热系统作为我国北方城市冬季供暖主要的基础设施,消耗着大量能源的同时也对环境造成了污染,实现其节能运行具有重要意义。当前我国的供热形式仍是粗放式的,难以实现按需供热的要求,造成了能源浪费的同时也降低了热用户的体验,精... 详细信息

集中供热系统作为我国北方城市冬季供暖主要的基础设施,消耗着大量能源的同时也对环境造成了污染,实现其节能运行具有重要意义。当前我国的供热形式仍是粗放式的,难以实现按需供热的要求,造成了能源浪费的同时也降低了热用户的体验,精准的供热负荷预测是实现集中供热系统节能运行的一个重要途径。本文以北京地区某集中供热系统居住型热力站为研究对象,基于BP神经网络进行了供热负荷预测的研究。从影响因素、神经网络结构和划分供暖周期多方面比较和分析了供热负荷预测模型的效果。并针对BP神经网络初始权值设置的不足之处,采用了粒子群算法优化BP神经网络进一步提高供热负荷预测准确度。热力站供热负荷受天气、系统和随机因素等多因素影响。输入神经网络模型的因素过多只会增加模型的复杂性,本文采用了相关性分析的方法,计算了各因素与供热负荷的皮尔逊相关系数。结果显示室外温度、建筑热惰性和大气压力对供热负荷的影响较大,初步作为引入模型的特征。在拥有良好非线性映射能力的同时,BP神经网络还有泛化能力强、容错率高等优点,因此十分适用于供热负荷的预测。在BP神经网络预测的基础上,首先分析了输入特征的影响,建立输入特征不同的模型;之后建立了双隐含神经网络模型与单隐含层神经网络模型做对比;最后将供暖周划分为初末期和中期建立神经网络模型进行仿真实验,分析预测结果,通过比较预测结果的评价指标平均绝对百分比误差、平均绝对误差和均方根误差,准确度最高的模型平均绝对百分比误差为3.25%。为进一步提高准确度,采用了粒子群算法（PSO）对BP神经网络进行优化。粒子群算法具有强大的寻优能力,可以找到BP神经网络最佳的初始权值和阈值。本文建立了PSO-BP神经网络对热力站供热负荷进行了预测。预测结果表明,PSO-BP神经网络可以使预测准确度进一步提高,两个模型的平均绝对百分比误差相对于标准BP神经网络分别下降了0.17%和0.24%。基于BP神经网络的热力站供热负荷预测可以达到较高的准确度,满足实际应用要求,验证了神经网络预测方法的可行性,可以指导热力站的经济运行,为供热负荷的精准预测提供了参考,具有实际应用意义。

关键词：热力站供热负荷预测 BP神经网络粒子群算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

热力站供热负荷预测的影响因素研究

热力站供热负荷预测的影响因素研究

作者：鹿宇北京建筑大学

学位级别：硕士

我国北方城镇供暖所采用的方式主要是集中供热。随着科技的进步和人们生活水平的提高,用户对供热的要求也越来越高,其需求的关注点逐渐从供暖的需求转变为追求供暖热环境的舒适度,加之节能减排政策的深入实施,因此提高供热系统能效和供... 详细信息

我国北方城镇供暖所采用的方式主要是集中供热。随着科技的进步和人们生活水平的提高,用户对供热的要求也越来越高,其需求的关注点逐渐从供暖的需求转变为追求供暖热环境的舒适度,加之节能减排政策的深入实施,因此提高供热系统能效和供热质量是人们关注的重要课题。热力站是集中供热系统不可或缺的中间环节。热力站的按需供热对满足热用户供热需求、降低热力站供热能耗具有实际应用意义,也是提升热力站供热效率的关键所在,所以热力站供热负荷预测在供热系统运行和管理中至关重要。热力站供热负荷预测结果的准确性受多种因素影响,如天气条件、用户习惯、建筑性能和其他因素耦合的复杂性。因此对热力站供热负荷预测的影响因素进行研究,具有理论和实际意义。本文研究并建立了LM-BP（Levenberg Marquardt-back propagation）神经网络热力站供热负荷预测模型。分别采用皮尔逊相关性分析和逐步回归分析两种方法研究了热力站供热负荷的影响因素,得到与热力站供热负荷具有明显相关性、显著性水平高的影响因素。采用相对误差、均方根误差和决定系数评价预测模型对热力站供热负荷预测结果的准确性和稳定性。以北京某实际供热系统热力站为研究对象,利用MATLAB平台进行了热力站热负荷预测仿真实验。结果表明:基于皮尔逊相关性分析和逐步回归分析的LM-BP神经网络预测模型对热力站供热负荷预测效果均优于不区分影响因素相关性的模型预测结果,有利于提高供热负荷预测结果的准确性。基于逐步回归分析的供热负荷预测模型的综合性能则优于基于皮尔逊相关性分析的供热负荷预测模型预模型。通过预测结果准确性的比较与分析,得到对热力站供热负荷预测准确性的关键影响因素,为热力站供热负荷预测提供依据。

关键词：热力站供热负荷预测影响因素逐步回归分析神经网络

基于LSTM神经网络的多特征供热负荷预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于LSTM神经网络的多特征供热负荷预测研究

作者：董星彤华北电力大学(北京)

学位级别：硕士

近年来,由于我国北方地区冬季供热需求量随城市建筑面积的持续扩大而不断增长,以及节能环保方面提出的更高要求,国家正大力推进集中供热、清洁取暖的发展和普及,使得城市集中供热系统的覆盖面积逐年扩大。随着人们对于更高生活品质的追... 详细信息

近年来,由于我国北方地区冬季供热需求量随城市建筑面积的持续扩大而不断增长,以及节能环保方面提出的更高要求,国家正大力推进集中供热、清洁取暖的发展和普及,使得城市集中供热系统的覆盖面积逐年扩大。随着人们对于更高生活品质的追求,城市采暖用户对供热品质也提出更高要求。我国集中供热系统目前仍采取由热源侧调节的调控手段,管理状况较为粗放,造成城市用热不均,热网调节滞后等问题。对于城市集中供热系统而言,如何实现按需供热、精准供热成为提高效率和服务品质的关键。因此,有效、准确的热负荷预测对于实现高品质供热具有重要意义,同时对于城市能源系统的规划、提高供热系统运行效率、节能减排等都做出巨大贡献。本文作为国家重点研发计划中挪能源科技创新合作项目“低碳社区、建筑清洁能源冷热电联产关键技术及示范”研究任务的一部分,主要工作是实现区域供热负荷的精准预测,为示范社区供热系统的运行优化提供数据支持。针对北京某高校园区供热负荷的特性和预测技术展开深入研究。首先利用建筑热模拟软件DeST建立该园区典型建筑的物理模型,并分析不同气候区、不同建筑类型的用能特性和建筑负荷分布特性,并提取模型各项数据,建立了该园区建筑用能数据库,其中包含负荷特性、气象参数、人员作息等数据。将深度学习技术应用于供热负荷的预测,结合供热负荷数据的时序特性,以历史供热负荷为输入,建立了基于LSTM长短时记忆神经网络的时序预测模型。预测结果为逐日负荷预测模型精度达到0.904,逐时负荷预测模型精度达到0.887。结果表明LSTM模型适用于时序数据的预测,模型预测性能较好。为进一步提高LSTM模型的预测精度,将物理模型信息如温度、湿度、辐射、人员作息等负荷影响因素与时序数据融合,建立了基于LSTM神经网络的多特征时序预测模型。结果表明该模型预测效果明显优于时序预测模型。在多时间尺度的负荷预测情景下,采用LSTM多特征时序预测模型进行负荷预测,逐日负荷预测精度提高1.1%,逐时负荷预测精度提高4.4%;且显著改善了时序预测模型对历史数据过度依赖以及预测值滞后的问题,供热负荷的预测精度明显提高,为供热系统的高效运行和精准调节提供了数据支撑。并对建立的模型进行了实际应用,以某园区为对象,基于供热负荷历史数据,应用多特征负荷预测模型对该园区未来某一时段进行了逐日、逐时供热负荷预测,结果表明该模型在实际问题上的应用具有优异的预测效果,证明了该模型的有效性和实用性。

关键词：供热负荷预测 LSTM 时序预测多特征

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

热力站短期供热负荷预测研究及分析

热力站短期供热负荷预测研究及分析

作者：吴玉利北京建筑大学

学位级别：硕士

冬季供暖普遍存在供热系统能耗大、供热系统效率低的问题。提高供热能效有利于降低能耗,对推动实现碳中和、碳达峰具有重要意义。集中供热系统可以提高能源利用效率,减少污染物排放量。有效的热力站供热预测方法可以使预测更加准确,从... 详细信息

冬季供暖普遍存在供热系统能耗大、供热系统效率低的问题。提高供热能效有利于降低能耗,对推动实现碳中和、碳达峰具有重要意义。集中供热系统可以提高能源利用效率,减少污染物排放量。有效的热力站供热预测方法可以使预测更加准确,从而合理地指导供热,提高供热系统能效和供热质量,避免能源浪费,因此对热力站短期供热负荷预测进行研究与分析具有理论意义和实际应用意义。本文分析了供热负荷预测过程中影响因素的作用,采用相关性系数和平均影响值（MIV）筛选输入参数。影响因素主要包括室外温度、室内温度、风速、湿度、历史负荷等参数。利用SPSS软件进行相关性分析完成影响因素的初步筛选,将与供热系统热负荷不具有显著相关性的影响因素剔除,保留具有显著相关性的影响因素;采用MIV对保留下来的影响因素进行降维,最终确定对供热负荷累计贡献率超过95%的影响因素为模型输入参数。分别构建了BP、ELMAN、GRNN三种神经网络预测模型与支持向量机（SVM）热力站供热负荷预测模型。以北京某实际住宅区域热力站为研究对象,利用MATLAB平台进行了热力站热负荷预测仿真试验。结果表明:针对逐日负荷预测,ELMAN模型的平均绝对百分比误差小于5%,BP模型、GRNN模型的平均绝对百分比误差均大于5%,ELMAN模型的逐日负荷预测精度、稳定性、泛化性能最好。针对逐时负荷预测,BP模型的平均绝对百分比误差小于10%,ELMAN模型、GRNN模型的平均绝对百分比误差均大于10%,BP模型的逐时负荷预测精度、稳定性、泛化性能最好。就逐日负荷预测而言,支持向量机的平均绝对百分比误差为8.18%;就逐时负荷预测而言,支持向量机的平均绝对百分比误差为10.27%。在热力站供热负荷预测中,预测模型未经过优化的情况下,神经网络模型的预测准确性优于支持向量机模型的预测准确性。采用遗传算法（GA）和粒子群算法（PSO）对神经网络热负荷预测模型、支持向量机热负荷预测模型进行了优化。以所研究的热力站为对象,对优化后的热力站供热负荷预测模型进行了仿真试验,结果表明:GA-ELMAN模型的预测精度、稳定性、可靠性较好,平均绝对百分比误差为3.80%,优于PSO-ELMAN模型。针对逐时负荷预测,PSO-BP模型的预测精确性、稳定性、泛化性能最好,平均绝对百分比误差为5.63%,优于GA-BP模型。针对逐日负荷预测,PSO-SVM模型的平均绝对百分比误差小于2%,优于GA-ELMAN模型,具有很高的预测准确性。针对逐时负荷预测,GA-SVM模型的平均绝对百分比误差大于6%,预测准确性不及PSO-BP模型。遗传算法的智能寻优能力、粒子群算法的全局寻优能力有利于优化模型的预测效果,提高热力站供热负荷预测的准确性,为热力站供热运行提供指导。

关键词：集中供热供热负荷预测神经网络支持向量机

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的智慧供热负荷预测研究

基于机器学习的智慧供热负荷预测研究

作者：王凇吉林建筑大学

学位级别：硕士

随居民生活质量逐步改善,人民对冬季供暖的期望逐渐从满足基本供热需求转变为追求更舒适的供暖效果,但由于我国集中供热起步较晚,其系统智能化程度相对较弱,在热量供应时常因供热不均致使能源严重浪费,故选择合适的供热负荷预测模型成... 详细信息

随居民生活质量逐步改善,人民对冬季供暖的期望逐渐从满足基本供热需求转变为追求更舒适的供暖效果,但由于我国集中供热起步较晚,其系统智能化程度相对较弱,在热量供应时常因供热不均致使能源严重浪费,故选择合适的供热负荷预测模型成为了提高供热效率和实现节能减排的首要问题。与此同时,随互联网技术的发展和科技的进步,具有较强拟合能力的机器学习方法已被证实能够较好地完成供热负荷预测,为供热企业实现智慧供热提供了有效支撑,然而我国冬季采暖地区供热周期较长,单一预测模型不一定适用于所有供热阶段,因此本文基于机器学习建立供热负荷预测模型并在供暖周期的三个供热阶段依次验证,有利于供热企业更科学地调控供热管网。本课题收集长春市某住宅区换热站2020年-2021年供暖季以日为单位的运行数据,并从中国气象数据网摘录同期的气象参数,经过对供热负荷影响因素的定性分析初步判断模型的输入参数,后采用Pearson相关系数法最终确定室外温度、供回水温度、供回水压力以及前三日供热负荷等8个变量作为模型输入量,将后七日供热负荷作为模型输出量。以MATLAB＿R2021a为平台,选用机器学习中最具潜力的BP神经网络和支持向量回归作为预测算法,考虑到两种算法参数对模型性能的影响,进一步建立基于遗传算法的BP神经网络预测模型和分别基于网格搜索、遗传算法的支持向量回归预测模型,随后分别以均方误差(MSE)、拟合系数(R)和平均绝对百分比误差(MAPE)作为模型的评价指标,验证模型在三个供暖阶段的预测能力。结果表明,初寒期时使用正切S型激活函数且经遗传算法优化的BP神经网络模型和使用RBF核函数的支持向量回归模型更具优势;严寒期时使用对数S型和正切S型激活函数的BP神经网络模型更加准确;末寒期时使用线性核函数和使用RBF核函数且经网格搜索优化的支持向量回归模型预测能力更好。最后通过分析供热系统调节方式决定将以上优势模型用于预测换热站供水温度,为供热企业调节供热管网提供了具体的供热参数。

关键词：供热负荷预测 BP神经网络支持向量回归遗传算法