改进BP神经网络在供热系统负荷预测中的应用与研究

王奥博

中国石油天然气股份有限公司辽阳石化分公司,辽宁辽阳 111000

0 引言

中国石油辽阳石化公司（以下简称公司） 是中国石油天然气股份有限公司的地区分公司，是特大型石油化工联合生产企业。在新的形势下，如何利用现代的计算机网络技术提高企业的服务管理水平已经是一个需要迫切解决的问题。数字化远程监控系统的建设可以有效的提高企业综合服务管理水平，同时可以显著的降低系统运行能耗，符合我国节能减排的大目标，具有非常突出的经济效益和社会效益。

供热系统负荷预测就是在掌握供热系统负荷变化规律的基础上，充分考虑各种因素的影响，预测未来某一时段或某一时刻的供热负荷。供热系统负荷预测是公司生活区供热系统进行运行调节的前提和基础，也是对系统优化控制的一个重要条件。在公司生活区供热系统中，为了同时满足供热系统的供热质量和节能要求，公司相关部门必须做好生活区热用户用热量的跟踪预测工作。因此，对生活区供热系统负荷预测的准确程度，对于改进公司生活区供热系统的运行管理方式、强化供热质量、节省供热能源、加强环境保护、做好职工生活的质量改善工作等都具有十分重要的意义。

1 供热系统的负荷预测

根据公司生活区供热系统具有的复杂性、滞后性、大惯性及非线性等特点，通过物理模型来建立供热负荷预测的模型是相当困难的。目前，大多数负荷预测的方法都是建立在对公司生活区供热系统历史数据统计分析的基础之上，这样根据对统计数据处理方式的不同，传统的公司生活区供热系统负荷预测的方法又大体可以分为时间序列法、回归分析法和灰色预测法。

2 BP神经网络

BP（BackPropagation） 网 络 是 1986年 由 Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。其神经元的传递函数是S型函数，输出量为0～1之间的连续量，它可以实现从输入到输出的非线性任意映射。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hidelayer）和输出层（outputlayer）。BP神经网络是一种前馈型多层神经网络由于其权值的调整采用反向传播（BlackPropagation）学习算法，又称为BP网络。

目前，在人工神经网络的实际应用中，大部分的神经网络模型都是采用BP神经网络及其变化模型，它是前向网络的核心内容，体现了人工神经网络的精华。

3 基于改进BP神经网络的负荷预测

供热系统的负荷预测具有逐时趋势性、较强随机性和24小时为周期变化的周期性等规律。本文将供热系统的负荷预测作为短期负荷预测来处理，基于改进BP神经网络进行负荷预测工作。

3.1 预测模型的选取

供热负荷具有较强随机性，又具有一定的规律性，通常与过去的供热负荷、运行状况、室外温度、工作日与否和阳光照射率等都有着密切的关系。因此，采用预预测供热负荷预测的变化的规律和特性是保证供热系统运行高效、经济和安全的基础和前提。如上所述，对供热系统的负荷预测模型提出如下问题：

1）预测模型应能够反映供热负荷随工作日和周期（24小时）波动的特点；2）预测模型应能够反映供热负荷自然增长的内在规律；3）预测模型应能够反映室外温度、太阳照射率等气象因素的影响规律。

3.2 负荷预测的基本步骤

应用BP神经网络进行供热系统的负荷预测，可以分为历史数据的收集、BP神经网络结构的设计、模型的学习训练和供热系统的负荷预测四个阶段。具体过程如下：

1）历史数据的收集。要做好对未来某一时段或某一时刻的供热负荷预测工作，必须要有充分的供热负荷历史数据作为前提，对供热负荷的基础数据进行统计分析及相应的预处理；

2）BP神经网络结构设计。根据供热系统的实际要求，结合历史数据和统计资料，设计合理的BP神经网络模型结构；

3）供热系统的负荷预测。根据已经训练好的BP神经网络模型对未来的供热负荷进行预测。下面就要按照上面的步骤对供热负荷进行预测。

3.3 输入变量和输出变量的选取

在实际的供热系统负荷预测工作中，输入变量的选取是取得良的好负荷预测结果的关键。

做好供热系统的负荷预测工作，就是要通过对影响供热负荷变化的相关因素进行分析，供热系统神经网络模型的潜在输入变量类型并不太多，可能包含的类型有：时间、工作日与否、室外温度、风速、天气、太阳照射率、系统的供水流量、供水温度、回水温度、入口压力、出口压力等。

3.4 输入和输出变量的预处理

供热系统负荷预测建模需要大量的历史数据作为依据，而历史数据是从现场采集得来，不单受到测量设备本身精度的影响，还要受到数据传输和意外因素的影响。如供热系统故障、设备检修、人为误操作等因素。数据中往往包含着部分的不准确数据或伪数据，这些数据对BP神经网络建模的构成都具有负面影响。

由于BP神经网络中每层神经元节点的激励函数大都采用Sigmoid函数，所以必须对BP神经网络的输入、输出参数进行归一化处理。

4 负荷预测仿真示例

结合文中提出的BP神经网络的负荷预测方法和步骤，将该方法具体地应用到公司生活区供热系统的短期负荷预测实例中去，验证预测方法的有效性。

4.1 改进BP神经网络模型参数的选择

根据公司某热力站2011年12月～2012年02月的负荷数据作为学习和预测的样本。

根据负荷预测BP神经网络的体系，结合确定的BP神经网络模型的输入参数为：时间、室外温度、室外风速、天气、供水流量、回水温度和是否为工作日。

4.2 BP神经网络层次结构的确定

BP神经网络的层数和各层的神经元的数量要根据实际情况进行合理的选取。一般在满足负荷预测误差精度的前提下，以较少的层数和神经元数量在较短的时间内达到要求。由于BP神经网络具有不确定性，在选取BP神经网络的层数和每层的神经元数量时，需要进行反复实验，得到最佳的BP神经网络模型结构。

4.3 预测结果分析

图1 BP算法预测负荷和实际负荷曲线

本文通过MATLAB仿真软件进行仿真实验。将BP神经网络训练后得到的权值作为最终确定的权值连接方式，将拟预测时刻的输入值进行输入得到未来某一时刻或某一时段供热负荷的预测值。其中，BP神经网络的结构体系（如图3所示）。

根据公司某热力站2011年12月～2012年02月的负荷数据作为学习和预测的样本，采用MATLAB仿真软件进行仿真实验。BP算法预测负荷和实际负荷曲线（如图1所示）。改进BP算法网络权值过程预测负荷和误差变化曲线曲线（如图2、3所示）。从仿真曲线可以看出，采用改进BP算法训练完成的网络进行预测时，预测负荷和实际负荷曲线的契合程度明显好于BP算法的契合程度，进而验证了设计方法的有效性。

图2 改进BP算法预测负荷和实际负荷曲线

图3 改进BP算法训练网络权值过程误差变化曲线

经过454次循环，BP神经网络训练成功。

综上所述，改进BP神经网络适用于供热负荷的预测，精度较高，能够满足生活区热用户的要求。致使公司相关部门能够提前对供热负荷的变化有所准备，制定合理的检维修计划，争取公司供热系统效益最大化。

5 结论

本文主要研究了改进BP神经网络的负荷预测方法。首先，对BP神经网络理论进行较为深入的探讨和研究；然后，根据公司生活区供热系统的实际特点，通过模糊PID控制原理在公司生活区供热系统中的应用，建立了BP神经网络负荷预测模型；最后，通过MATLAB仿真示例验证该项预测模型具有较高的精度，进而验证了设计方法的有效性。