资源预览内容
第1页 / 共33页
第2页 / 共33页
第3页 / 共33页
第4页 / 共33页
第5页 / 共33页
第6页 / 共33页
第7页 / 共33页
第8页 / 共33页
第9页 / 共33页
第10页 / 共33页
亲,该文档总共33页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
辽宁科技大学本科生毕业设计(论文) 第IV页基于神经网络集中供热负荷预测与控制研究摘 要 供热负荷预测是集中供热系统进行运行调节的前提和基础,也是集中供热系统优化控制的一个重要先决条件。正如前面所述,在集中供热系统中,为了保证节能和供热质量,热源处必须要很好的跟踪预测热用户的用热量。负荷预测就是在掌握负荷变化规律的基础上,充分考虑各种影响因素后,以一定的准确程度来预报未来某一时刻或某一时段的负荷大小。因此,对供热负荷进行准确预测,对于整个集中供热系统的运行管理、提高供热质量、节约能源、环境保护、改善人们的生活质量等都具有十分重要的意义。集中供热负荷的变化是典型的非线性变化,供热系统在确定建设规模,制定运行、检修计划方面面临许多因素的影响。本文对神经网络BP算法供热负荷预测方面的应用在理论上做了一些研究,取得了比较满意的效果。本文利用BP神经网络理论和优化算法,建立了集中供热系统的自适应动态控制方案,仿真结果表明该控制方案克服了传统控制方案的缺点,大大提高了供热品质,节约了能源。关键词:集中供热;负荷预测;BP神经网络Based on neural network load forecast and control central heatingAbstractHeating load forecasting is central heating system to adjust the optimal control one of the important prerequisites. Therefore, the heating load forecasting advance precise forecast for heating the operation of the system management, improve heating quality, energy saving, environmental protection etc have very important significance.The central heating load changes is a typical nonlinear variation, heating system in determining the construction scale, establishing operation and maintenance plan faces many factors influence. Based on neural network based on BP algorithm heating load forecasting applications in theory did some research and made satisfactory effect.This paper using BP neural network theory and optimization algorithm, a concentrated heating system adaptive dynamic control scheme, the simulation results show that this control scheme overcome traditional control scheme shortcomings, greatly improving the heating quality, save the energy.Keywords: centralized heat supply; the load forecast; the BP neural network目 录摘 要IABSTRACTII1 绪 论11.1选题背景11.2目前供热负荷预测研究现状21.2.1各种供热负荷预测方法21.2.2现有预测方法的分析和存在的问题31.3 本论文研究的主要内容42 BP神经网络介绍52.1人工神经网络结构52.2 BP神经网络模型概述62.3反向传播学习算法72.4 BP学习算法的缺陷92.5 BP算法的改进103 热负荷预测神经网络模型的建立113.1 神经网络用于集中供热系统控制的必要性113.2 集中供热系统神经网络控制方案的研究123.2.1神经网络监督控制123.2.2神经网络内模控制133.2.3神经网络直接逆动态控制134基于BP神经网络的热负荷预测仿真分析154.1基于改进BP神经网络的热负荷预测154.1.1 预测模型的选取154.1.2 基于神经网络负荷预测的基本步骤154.1.3 输入变量和输出变量的选取164.1.4 输入输出变量的预处理174.2 集中供热负荷预测仿真示例174.2.1 改进BP神经网络模型参数的选择174.2.2 BP神经网络层次结构的确定194.3 预测结果分析194.4本章小结22结 论23致 谢24参考文献25附录26 辽宁科技大学本科生毕业设计(论文) 第24页1 绪 论城市集中供热目前已成为我国北方冬季供热的一种主要形式。由集中供热代替传统的分散供热有助于节约能源、减少污染、提高经济效益,是城市现代化建设的一个重要标志。积极发展集中供热是为实现小康生活、建设和谐社会的前提,因此大力发展可持续的供热体制是重中之重。1.1 选题背景供热负荷预测是掌握在负荷变化规律的基础上,充分考虑各种影响因素之后,以一定的准确程度预报将来某一时段或时刻的负荷大小。供热负荷的大小、特性及变化规律,对于供热系统的运行管理、节约能源、保护环境等都十分重要。对系统未来的负荷和特性进行预测,是供热系统发展与运行管理的关键之一。同时,集中供热系统的供热负荷预测是对集中供热管网系统进行最有效调节的一个重要先决条件,对集中供热管网系统热效率的提高有直接的贡献。准确快速的热负荷预测也大大有利于改善集中供热管网微机监控系统的工作,从而提高集中供热管网系统的运行效率、可靠性和经济性,因此,供热负荷预测具有十分重要的意义。预测系统热负荷变化也是中央管理机的主要工作任务之一。只有根据所预测出的热负荷值,中央管理机才能够确定出供热参数,即循环水量及循环水泵的开启台数,供回水温度及锅炉的开启台数,继而将这些决定通知相应的现场控制单元产生相应的动作或修改相应的设定值。因此,能否准确地预测出未来负荷的变化,将直接关系到系统能否正常与经济地运行。与人们居住环境密切相关的供热领域由于热的特殊性及系统的复杂性,热负荷预测相对滞后。要想保证节能和供热的高质量,热源处必须能够很好地跟踪预测热用户的用热量,热负荷预测必将成为供热系统调控的一部分。用户根据自己的需求调节温控阀来控制室内温度,这种调节,本质上是通过调节散热器的流量大小来调节散热器的供热量多少,从而达到控制室温。当众多用户调节自己的流量后,整个热网的流量和供热量也随之变化,而这种变化是无规律的,面对这种没有精确数学模型的受控参数,要实现按需供热进而满足热用户的热舒适要求,没有很好的预测手段显然是不行的,而传统供热系统的设计方法与调控方法不能适应供热计量系统的要求。要实现供热计量的两个目标节能和供热的高质量,在供热系统运行过程中应跟踪预测热用户的用热量,使热源的供热量和热用户的需热量相匹配,从而使系统的供需一致。因此,集中供热系统的负荷动态预测必将成为集中供热系统调控的一个重要部分。供热系统的热介质是热水,热惯性大,变化明显存在很大的滞后性,这给有效、及时的控制调节带来许多不便,造成集中供热控制系统的稳定性较差,很难实现温度的平稳控制,既浪费能源又达不到好的供热效果。如果能对供热负荷提前进行准确预测,必将有利于对集中供热系统进行及时、有效的控制调节,克服热惯性造成的不利影响,这一切都说明,对集中供热系统进行热负荷预测是很有必要的。1.2 目前供热负荷预测研究现状供热系统的热用户有采暖、通风、热水供应、空气调节、生产工艺等用热系统。目前的预测方法可以分为两大类:一类是定性预测,也称直观性预测;另一类是定量预测,也称统计预测。在暖通领域,常采用定量预测方法,即采用数学、概率论和数理统计的方法对历史数据进行处理。回归分析就是一种常用的定量预测方法。近年来,一门新兴的边缘科学人工神经网络(ANN)引起人们广泛的关注,由于其独特的结构和处理信息的方法,使其在许多实际应用领域中取得了显著的成效。1.2.1 各种供热负荷预测方法常规单一的负荷预测方法有:类比法、主观概率预测法、单耗法、负荷密度法、比例系数增长法。这些方法的共同点是:根据某个单一的指标进行预测,方法虽然简单,但比较笼统,且很难反映诸如人口、经济、气候等条件的影响。预测新技术有:趋势外推预测技术、负荷回归模型预测技术、时间顺序预测技术、灰色预测技术。负荷预测技术的发展动态有:优选组合预测技术、专家系统预测技术、模糊预测技术、小波分析预测技术、神经网络预测技术。1.2.2 现有预测方法的分析和存在的问题几种典型的预测方法:1)ARMA(自回归移动模型)方法是对自回归模型和移动平均模型的综合,它将预测对象随时间变化的序列先加工成一个白噪声序列进行处理, 所以它可以对任何一个供热系统的负荷变化进行模拟,而且预测速度快,能得到较高的预测精度。但该方法所需数据单一,只能给出下一周期的负荷预测值,且无法分析形成这一结果的原因,所以它更适合短期负荷预测。此外,通过对以往运用ARMA方法预测实例的分析,发现当天气发生骤然变化时,往往预测的误差较大,这主要是由于该方法存在滞后性,即最近的实际数据发生异常变化时,由于模型平滑作用,预测数据无法立即对之做出反应,所以今后用ARMA方法进行短期负荷预测应着眼于这方面的研究。2)回归分析法该预测方法是利用数理统计中的回归分析方法,根据历史数据的变化规律寻找自变量与因变量之间的回归方程,寻找预测对象与影响因素之间的因果关系,建立回归模型进行预测,而且在系统负荷发生较大变化时,也可以根据相应变化因素修正预测值,因此适合于中长期负荷预测。该方法是通过自变量来预测相应变量,所以自变量的选取及自变量的准确性对预测结果是至关重要的。3)灰色预测方法灰色预测方法是一种不严格的系统方法,它抛开了系统结构分析的环节,直接通过对原始数据的累加来生成寻找系统的整体规律,构建指数模型。该方法能根据舒适数据的不同特点,构造出不同的预测模1型。灰色预测方法具有以下优点:(1)灰色预测无需大量的数据,无需数据有明显的统计规律,只需要控制模块便可快速建模。(2)灰色预测对环境、参数等随机的非线性干扰有自适应能力,是变参数不变结构的自适应模型。(3)灰色预测是一种事前预测,简单、灵活、方便,具有防患于未然的能力,可为系统行为的预先提供信息,使我们作出切合实际的反应,避免不可必要的损失。从以上方法可以分析得到传统的负荷预测方法均是基于线性模型的,比较成熟,算法简单、速度快,在天气温度和生产情况因素变化不大时,预测效果良好,但是由于影响热负荷的许多因素都是随机的、具有各种不确定因素影响,使得每一时刻的负荷值都是随机的,所以很难用热负荷值与其影响因素之间的线性关系来表示,而且建立函数关系模型需要大量的历史数据和建模工作,模型也缺少抗偶然因素的能力,自适应能力较差。因此,在供热负荷预测中缺乏通用性和实用性。1.3 本论文研究的主要内容尽管集中供热负荷预测的方法很多,国内外的学者和机构对
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号