钱荣[1]2004年在《神经网络预测器在供热系统中的应用》文中认为随着城市建设的迅速发展，集中供热成为我国北方地区城市现代化建设所采取的方案之一。供热系统的不断扩大，如何有效地控制和管理整个热力系统，提高热力系统的经济效益和社会效益，成为各供热企业急需解决的重要课题。 我国的供热技术比较落后，无论在设计、安装、运行，管理和设备生产等方面都需要进行研究和提高。按建筑物使用性质的不同，供暖制度可分为两大类：连续供暖制度和间歇供暖制度。对于间歇供暖制度，其预热时间(tp)的精确估计是十分必要的。对预热时间过分的估计(即tp的估计值大于实际值)会使在工作期未到来前房间的温度已经达到了舒适温度，这将导致燃料的浪费；反之，对预热时间估计不足(即tp的估计值小于实际值)将使在工作期到来时房间的温度还未达到舒适温度，这使人觉得不舒适。 本文通过分析建筑物内部某一时期在热源和外界环境影响下的温度变化过程，找出了变化规律。通过相似原理，从热力学系统角度出发，建立了间歇供暖加热过程的数学模型，并进行了系统的混合仿真实验。实验的硬件部分采用模拟机来实现，软件部分使用Visual Basic 6.0语言来实现。其接口通信，数据采集使用的是Echelon公司的LonWorks技术。混合仿真的主要任务是为后续预测器的建模做准备，得到建模所需要的输入输出数据对。 本文预测器的实现采用的是神经网络方法，神经网络作为一种新型的方法，在各个领域有着广泛的应用。本文采用神经网络方法建立了非线性特性的时间预测模型，其算法使用的是经过改进的BP(Back-Propagation)算法。BP网络是人工神经网络中前向网络的核心内容，它在函数逼近、模式识别、数据压缩等方面使用非常广泛。MATLAB语言是一种非常强大的工程语言，其内部的神经网络工具箱使BP算法的实现变的非常简便。 本文利用神经网络建立的时间预测模型对系统作了预测，预测误差小于3％，预测效果良好，能够实现节能的目的。
王美萍[2]2017年在《城镇供热系统层级热量结算点中短期热负荷预测方法研究》文中研究说明供热是关系国计民生的重要基础行业和公用事业。随着供热的商品化,供热系统热负荷预测作为供热规划、生产、调度和交易等工作的基础,在供热系统安全和经济运行中起着至关重要的作用。供热负荷预测精度的高低直接影响到供热系统的供热质量、安全性和经济性。随着供热系统节能减排进程的不断推进和智慧供热的需求,使供热负荷预测越来越成为该领域研究的前沿和热点问题,其研究对节能减排、治理雾霾具有重要的意义。由于滞后性、管网的热损失、用户种类复杂程度的差异性等导致了城镇供热系统不同热量结算点热负荷具有不同的规律特点,本文将供热负荷按层级热量结算点来划分,分析各自的影响因素,引入智能算法以及相关组合理论预测技术,以城镇供热系统实测数据为基础,对各层级供热负荷预测的理论与方法进行深入研究,为供热系统运行管理提供较为科学的决策依据。主要研究工作和创新成果如下:(1)对不同层级热量结算点热负荷的特点、影响热负荷的因素及导致热负荷预测误差的相关因素进行了分析;针对历史数据样本的离群数据进行纵向和横向预处理,使其能够更加与热负荷实际运行趋势一致,进而为后期利用这些历史数据样本进行各级热量结算点短期热负荷预测奠定了基础;将相关性分析应用在各层级热量结算点热负荷预测模型输入维数的选择上,使得输入变量与各层级预测热负荷相关性更强,为提高预测结果的准确性和改善预测性能做好进一步的准备;此外,对进入模型的各参数进行归一化处理,避免进入模型的各参数因数值差异大而导致预测性能下降。(2)基于结构风险最小化原则,提出粒子群(pso)优化支持向量机(svm)模型热源热负荷预测方法。该方法对解决系统大热惯性、大时滞性导致热源热负荷随室外温度变化的非线性问题有较好的效果。建立了遗传(ga)优化支持向量机(svm)、标准支持向量机(svm)及粒子群(pso)优化支持向量机(svm)热源热负荷叁种预测模型,通过相关性分析并确定预测模型输入变量的维数,证明了粒子群(pso)优化支持向量机(svm)模型在预测精度和泛化能力方面均优于其他两种预测模型。(3)针对一般热交换站用户类型较单一、样本容量大的问题,提出基于adaboost组合多个弱预测器构建出一个强预测器的热交换站热负荷预测方法。弱预测器采用处理大样本、容错能力强的bp神经网络模型,其网络阈值和权值的优化选用经过筛选出的粒子群算法(pso)。利用adaboost理论对9个粒子群(pso)优化bp神经网络预测进行组合构建出一个强预测模型。针对热交换站热负荷及其相关参数历史数据样本进行相关性分析,筛选出与热负荷最相关的影响因素作为预测模型的输入变量维数,最后通过与粒子群(pso)优化bp神经网络方法和未经优化的传统bp神经网络方法进行实验比较,证明本文提出的预测模型有效提高了热交换站热负荷的预测精度和泛化能力。(4)针对建筑热负荷样本数量少及热计量引起的用户调节规律不确定问题,提出两种组合预测方法。将解决小样本非线性问题的粒子群(PSO)优化支持向量机(SVM)模型和容错能力强的粒子群(PSO)优化BP神经网络模型作为组合方法中单一预测模型,基于信息熵理论提取单一预测模型中的有用信息,将提取的有用信息进行融合产生出更强预测能力的组合方法;在基于Adaboost组合粒子群(PSO)优化BP神经网络模型思想上,激发了将处理小样本和非线性问题的支持向量机(SVM)模型作为弱预测器,结合Adaboost理论构建出由8个弱预测器组成的建筑热负荷强预测模型。对建筑热负荷及其相关参数进行相关性分析,找出适合各自预测模型的输入变量,通过实例验证,以上两种组合预测方法均较单一预测模型有较高的预测精度,其中基于信息熵权组合方法更胜一筹,能更好地对住宅建筑热负荷进行预测。
傅旻鹏[3]2014年在《基于负荷预报的集中供热系统节能控制策略研究》文中研究表明统计数据表明在叁北地区建筑采暖能耗占社会总能耗的四分之一，因此研究建筑供热系统节能控制对减少建筑供热能耗有着很重要的意义。本文研究基于负荷预报的集中供热系统节能控制策略，主要从四个方面出发：（1）综合考虑经济性和能耗性确定多热源供热系统优化调度模型。（2）在满足热用户供热需求下进行供热系统负荷预报。（3）通过优化调度来分配分布式热源的供热负荷。（4）对供热系统的参数和控制信号进行监控，确保节能目标的实现。本文使用最大最小概率机模型建立18℃和20℃时室内供热负荷曲线，对供热负荷输出进行限制，防止过大的供热负荷误差给热用户带来不适，然后分析供热系统优化调度模型，综合能耗最小与运行费用最小两个指标，使用熵权系数法评价以运行费用和能耗支出为优化目标的调度方法，并将专家主观判断权值与该调度方法的评价进行结合，从而得到主客观相结合的实用权值。负荷预报是供热系统优化调度的前提，而供热系统实际运行数据是负荷预报的基础，本文首先对供热系统运行过程中的个别和大段缺失数据进行补全，然后利用信息粒化的方法对数据进行加工并进行归一化处理。支持向量机具有比人工神经网络更为优越的良好特性，更适合处理供热系统的非线性特性，因此使用支持向量机回归对多输入单输出的供热系统进行预报，最后进行仿真分析。对多热源供热系统进行优化调度是节能的关键，本文将国家供热标准与供热负荷预报结合，给出保证热用户供热需求时的供热负荷，并对此供热负荷进行优化。按照供热系统优化调度模型，在考虑经济性和能耗性综合最佳的情况，使用粒子群的寻优计算方法，避免了其他计算方法受初值选取这一缺陷，最后对两个实例进行计算分析，达到了供热系统节能的目的。为了更好的对于负荷预报的供热系统进行控制，实现节能目标，本文对多热源供热系统监控装置进行设计，包括供热节能控制装置包括PLC控制部分的软件设计和硬件配置、通信部分GPRS软硬件配置、人机交互触摸屏的硬件配置及软件设计，最后对供热节能控制装置进行GPRS网络集成。
王丰[4]2010年在《基于神经网络预测器和管网特性的两级数据验证方法》文中研究说明为了使弯管流量计测量系统具有对传感器故障的容错能力,以某热电厂为背景,利用神经网络预测器及管网特性对传感器数据有效性验证进行了研究.该方法利用传感器输出序列建立神经网络预测模型,并根据预测值与传感器实际输出之差是否超过阈值来判断传感器数据的有效性.对于失效数据将结合管网拓扑结构特性做进一步的验证,以避免由于神经网络学习知识不充分而造成的虚假报警.当判定该数据确实失效时,将利用神经网络预测值进行替代,以维持系统继续正常运行.仿真结果表明,该方法能够较好地实现传感器数据有效性验证,并且对传感器故障具有很好的诊断和数据恢复能力.
尹汉钊[5]2010年在《基于递归神经网络与集成算法的时间序列预测应用研究》文中研究说明时间序列预测是时间序列分析的应用之一,通过对大量的观测数据进行分析,能够预测出数据在未来的发展趋势,以便对将要发生的事件进行控制。传统的时间序列分析是从纯数学的角度出发对数据进行分析,但是由于实际应用中的时间序列具有不规则、混沌等非线性特征,所以很难对系统建立理想的模型。人工神经网络具有自组织、自学习以及非线性逼近能力,所以将人工神经网络用于时间序列预测能得到一个理想的预测模型。本文首先介绍了时间序列预测的基本概念、方法、分类以及预测模型,并在研究小波变换用于时间序列消噪的同时,着重分析了人工神经网络模型及其用于时间序列的优点；然后针对人工神经网络结构种类多的特点,重点研究了递归神经网络,接着实现了一个用于时间序列预测的递归神经网络模型,并用太阳黑子数据集对递归神经网络模型进行测试实验,再与BP神经网络模型实验结果进行对比；在此基础上,研究了AdaBoost集成学习算法在时间序列预测中的应用,实现一个以递归神经网络模型为基预测模型的集成预测模型的性能,并用太阳黑子数据集对其进行测试,分析不同集成度下集成预测模型。最后,用隧道烟雾浓度的数据集对集成预测模型进行测试,并将预测数据的烟雾浓度等级与真实数据的烟雾浓度等级进行对比,验证集成预测模型的可行性；实验表明,集成预测模型可以用于隧道烟雾浓度等级的预测,为隧道安全控制提供支持。
陈烈[6]2009年在《基于神经网络的热力站供热过程预测控制研究》文中指出我国叁北地区采暖能耗占全社会能耗的27.2%,供热不但能耗大,而且效率低,单位面积采暖能耗是发达国家的3~4倍,为落实国家节能政策,研究供热节能监控系统意义重大。本文以“十一五”国家科技支撑计划重大项目“建筑节能关键技术研究与示范”(项目编号:2006BAJ01A04)和黑龙江省科技攻关项目“基于LonWorks技术和预测控制的供热FCS研究”(项目编号:GC04A104)为课题背景,研究供热节能控制策略和开发供热节能监控装置。研究中面临的问题是:必须以节能为目标,但同时也要保证优质供热;供热过程是一复杂的动力学对象;在采用先进技术的同时,要降低产品的成本。精确的数学模型是供热系统分析与控制的重要依据。将供热过程动态分解为确定部分和随机部分,分别建立这两部分模型:通过机理分析与实验建模法相结合求取确定部分的模型,用ARIMA模型拟合供热过程模型的随机部分。供热过程建模为供热质调量调解耦和预测控制研究的基础。供热负荷预报为供热节能提供依据。针对供热负荷具有的非平稳、非线性、时滞等特性,应用时间序列、最大熵、RBF神经网络多种方法对供热负荷进行预报。其中用时间序列法对平稳化处理的随机序列进行预报,用最大熵法对非平稳随机序列进行预报,用神经网络法对非线性负荷序列进行预报。为了进一步提高预报精度,将交叉预报思想引入供热负荷预报中,即用纵向预报跟踪用户对负荷的需求,用横向预报跟踪天气的变化,然后对纵向和横向预报结果进行加权交叉。通过仿真分析、比较各方法的性能。供热系统质调、量调通道间存在耦合。给出耦合程度判定方法,对供热耦合模型进行稳态与动态耦合程度分析。分别采用传统解耦方法和时滞递归RBF神经网络解耦方法,将耦合系统解耦成两个相互无干扰的单入单出系统。其中神经网络解耦法采用改进的假近邻法预估神经网络的输入维数,解决时间序列维数确定困难的问题,通过仿真验证其静态和动态性能。鉴于预测控制算法能适应供热过程非线性、时变、时滞、不确定等特性,采用预测控制对供热过程质调通道进行控制。对传统预测控制方法DMC和GPC算法进行了改进:用DMC模型简化和预报误差校正结合的方法减少计算量,提高实时性,并解决模型失配问题;对隐式自适应广义预测控制研究,给出改进的辨识和控制算法,以满足实时性要求。进行神经网络预测控制方法的研究,设计基于神经网络的预测控制器,给出其偏差控制算法和控制律求解算
顿雷[7]2007年在《基于ANFIS的城市集中供热网参数预测研究》文中研究表明城市集中供热系统已经成为我国北方冬季供暖的一种主要形式,热网调节技术和计算机控制技术的应用,提高了我国供热调节水平,而预测集中供热系统未来一段时间内的参数变化趋势,对热网的运行、调节均起着重要作用。本文首先对模糊控制、神经网络的基本原理和优缺点进行了阐述,利用MATLAB模糊逻辑工具箱构造了神经模糊推理系统——ANFIS,并将其应用到参数预测之中。ANFIS是模糊推理系统与神经网络相结合的产物,它能从所给的样本数据中提取和调整模糊控制规则和隶属度函数,使模糊规则和隶属度函数的自动获取成为可能。其次结合集中供热网系统及其参数特点,尝试着将ANFIS应用到热网参数的预测中。通过对热网中的不确定信息的分析,采用基于ANFIS结构的模型,用误差反传算法来训练网络的连接权系数,以呼市热力公司某供热站的供热网参数为研究对象予以建模和预测,其结果表明该算法具有较好的泛化、学习、映射能力。因此基于神经模糊推理系统的供热网参数预测方法研究具有一定的参考价值。
邓盛川[8]2012年在《具有调峰炉的热力站节能控制策略研究》文中研究说明能源问题是21世纪面临的重要挑战。我国作为一个能耗大国，降低能耗，实现低碳经济，是我国目前的一项基本国策。我国叁北地区的采暖能耗，约占全社会能耗的27.2%。供热不仅能耗大，而且效率低，每单位面积供热能耗高出发达国家的2～3倍，供热节能潜力很大。因此，研究供热节能及其控制策略的意义重大。调峰炉热力站作为供热系统调节的一种手段，在集中供热网末端加入调峰炉热力站，可以有效地解决供热高峰期负荷不足的问题，对于供热系统的稳定和良好运行起到了重要的作用。本文将研究调峰炉热力站的节能控制策略，需要从叁个方面实现：一是通过供热负荷预报，准确地给出供热系统的负荷需求，防止过度供热情况的发生；二是通过优化调度，给出热力站供热系统中热负荷的最佳分配；叁是通过先进的预测控制手段，保证供热系统的稳定运行，最终实现节能。供热负荷预报是进行优化调度的前提。由于供热负荷数据存在着趋势性和周期性，本文首先采用乘积季节自回归滑动平均（Autoregressive IntegratedMoving Average，ARIMA）的方法进行供热负荷预报。但该方法不适于负荷存在较大突变的情况，因此采用Kalman在线递归预测乘积季节ARIMA模型参数，该方法提高了负荷突变阶段的预报精度。为了更好处理供热负荷数据中的非线性问题，引入最小最大概率机（Minimax Probability Machine，MPM），将相空间重构与最小最大概率回归相结合进行供热负荷预报。该方法同神经网络预报法、支持向量机（Support Vector Machine，SVM）预报法进行了比较，通过仿真分析各种预报方法的性能。调峰炉热力站的优化调度是实现节能的关键。文中将供热负荷预报结果与国家供热标准相结合，给出准确的调峰炉热力站供热负荷需求，并以此负荷进行调度。调峰炉热力站的优化调度从能耗和经济性两个方面考虑，通过在供热高峰期和非高峰期对能耗和经济性不同侧重，实现优化调度的综合最佳。在寻优算法上先采用非线性规划等算法求解优化调度结果，但这些方法受到初值的选取的影响，用免疫粒子群（Immune Partile Swarm Optimization，IPSO）寻优的计算方法则避免这些方法上的缺陷。通过实例计算结果表明，免疫粒子群算法的优化调度计算更为方便和快速。预测控制是实现调峰炉热力站优化调度结果的手段。优化调度给出节能监控信号，通过预测控制达到控制目标。在建模部分采用飞升曲线和最小二乘相结合的方法，建立调峰炉热力站供热过程中的质调通道模型，锅炉温度变化扰动模型和水量变化扰动模型。为了降低锅炉温度变化扰动和水量变化扰动带来的影响，文中采用加前馈补偿的叁冲量预测控制方法。其中对质调通道进行神经网络预测控制，利用改进的差分进化法进行控制律的求解，对锅炉温度变化扰动和水量变化扰动进行前馈补偿。用仿真方法证明叁冲量预测控制法的有效性。最后，根据工程要求，开发调峰炉热力站监控装置。对该装置从硬件和软件两方面进行规划，给出基于PLC和GPRS无线通信的底层监控装置，并在监控中心开发优化调度软件。为了更好地满足优化调度和底层控制的需要，在MATLAB程序中实现智能算法的计算，并通过OPC技术实现与调度软件的数据交换。该监控装置样机在大庆让胡30号热力站稳定运行一年多，经过黑龙江省节能检测部门的技术检验，该装置的所有指标均达到设计要求，实现了节能。
李优子[9]2012年在《热力站时间序列供热负荷预报研究》文中指出能源短缺是目前全世界各个国家都要面对的首要问题，合理的利用能源提高能源使用效率是解决这一问题的关键。我国地处北半球，东北、西北和华北地区冬季采暖能耗十分巨大，约占我国能耗的27%，主要问题为采暖效率较低，其中单位面积的采暖能耗是西方发达国家的2-3倍。建筑采暖是国家实施节能减排的重要领域之一。本文提出的热力站负荷预报研究就是进行供热节能研究的体现。采暖节能的关键技术是进行负荷预报研究和实施系统优化配置，热力站负荷预报是实现热力站优质供热和节能的保障。本文是基于时间序列分析的各种方法供热负荷数据进行预报研究。第一部分是对所选取的东北两个地区的热力站进行基础数据采集，通过计算得出供热负荷原始数据，并对计算得出的负荷序列进行叁个步骤的数据预处理：首先是对负荷序列中存在的空缺异常数据和非空缺异常数据根据异常数据处理方法进行处理。然后对经过异常数据处理后的序列进行平稳化识别。最后由于时间序列分析方法对数据的平稳性的要求，需要对判定为非平稳化的负荷序列根据其非平稳的种类采取差分的方法对序列进行平稳化处理。将处理后的平稳序列作为负荷预报研究的样本序列。针对供热负荷序列进行时间序列的模型识别，选取时间序列中的AR模型作为供热负荷预报的模型分别进行横向预报和纵向预报。首先通过F准则确定AR模型的阶次，再通过Yule-Walker法识别AR模型参数确定预报模型。为了提高负荷预报的精准度，需在横向预报和纵向预报的基础上进行以最小二乘法作为权值确定依据的负荷序列的交叉预报。根据供热负荷自身存在的趋势性和季节性，本文又采用通过了AIC（BIC）准则确定模型的阶次，再应用极大似然法识别模型参数的乘积季节性ARIMA模型进行负荷序列的预报研究。由于乘积季节性ARIMA预报方法对对负荷序列中突变部分不敏感，预报精度相对于平稳部分有所降低。为解决这一问题本文采用卡尔曼逆推方法对应用乘积季节性ARIMA方法进行供热负荷预报的方法进行改进。最后，分别对交叉预报方法和乘积季节性ARIMA预报方法进行实验仿真，仿真以采集的样本序列为对象，包括横向预报、纵向预报、交叉预报、乘积季节性ARIMA预报及其改进的乘积季节性ARIMA预报方法的仿真。对各种方法的仿真结果进行对比分析。给出工程应用的参考建议。
任庆昌, 于军琪, 冯增喜, 钱荣[10]2007年在《智能控制技术在建筑物供暖节能中的应用》文中指出针对我国北方地区集中供热的特点以及建筑物中供暖的能耗占总能耗的60%左右的现实,研究在间歇式供暖方式下,整个供暖系统预热时间的精确控制既关乎燃料的消耗,又关乎环境的适舒性。因此文中基于热力学原理,得出了间歇供暖加热的数学模型,建立了预热对间的神经网络模型,提出了供暖系统最佳启停的自校正控制算法,对建筑物中的节能与温度环境的适舒性产生显着效果,具有重要的经济效益与社会效益。
参考文献：
[1]. 神经网络预测器在供热系统中的应用[D]. 钱荣. 西安建筑科技大学. 2004
[2]. 城镇供热系统层级热量结算点中短期热负荷预测方法研究[D]. 王美萍. 太原理工大学. 2017
[3]. 基于负荷预报的集中供热系统节能控制策略研究[D]. 傅旻鹏. 哈尔滨工业大学. 2014
[4]. 基于神经网络预测器和管网特性的两级数据验证方法[C]. 王丰. 第二十九届中国控制会议论文集. 2010
[5]. 基于递归神经网络与集成算法的时间序列预测应用研究[D]. 尹汉钊. 西安电子科技大学. 2010
[6]. 基于神经网络的热力站供热过程预测控制研究[D]. 陈烈. 哈尔滨工业大学. 2009
[7]. 基于ANFIS的城市集中供热网参数预测研究[D]. 顿雷. 内蒙古工业大学. 2007
[8]. 具有调峰炉的热力站节能控制策略研究[D]. 邓盛川. 哈尔滨工业大学. 2012
[9]. 热力站时间序列供热负荷预报研究[D]. 李优子. 哈尔滨工程大学. 2012
[10]. 智能控制技术在建筑物供暖节能中的应用[C]. 任庆昌, 于军琪, 冯增喜, 钱荣. 第叁届国际智能、绿色建筑与建筑节能大会论文集—C绿色建筑与建筑智能化. 2007
标签：自动化技术论文; 时间序列论文; 神经网络模型论文; 时间序列预测法论文; 模型预测控制论文; 预测模型论文; 负荷预测论文; 仿真软件论文; 过程控制论文; 负荷曲线论文; 线性系统论文; 非线性论文;