关于神经网络模型在供热领域中的应用综述

孙振国 范星涛 韩毅

摘要：神经网络作为一种新的计算模型，在许多领域中展现出独特的应用价值。本文综述了神经网络在供热行业不同领域中的应用，分析了神经网络在预测模型以及数据计算中具有重要的实际意义。

关键词：神经网络 供热 预测 模型

人工神经网络（Artificial Neural Networks，简称ANN）预测模型是基于模拟人脑神经元处理信息的过程，由大量的处理单元组成非线性的系统进而对相关变量进行模拟训练，达到预期的预测效果。不仅克服了传统物理符号系统在信息处理中的困难，同时具有自适应、自学习的数据处理能力。作为近些年来发展应用的一门边缘学科，人工神经网络模型具有良好的非线性特点以及极高的拟合精度，在一些领域中得到了广泛的应用。

在众多前向神经网络中，应用最广的尤为BP网络。BP神经网络（Back-propagation Neutral Network）是一种基于误差反向传播的多层前向神经网络。BP算法包括输入层、隐含层、输出层。其算法训练的过程分为两部分：正向传播的信号输入和反向传播的信号输出。输入样本首先通过输入层进入中间层，进而传递到输出层。输出层的神经元通过训练函数输出响应值。如果响应值与期望的输出值之间存在较大误差时，网络会进行反向传递，经过隐含层返回到输入层，直至达到允许的误差范围或者训练步数。其函数模型为：

其中，xj为神经元输入信号;wkj为神经元k到神经元j的连接权值;k为神经元的阈值;

f为激励函数或传递函数。常见的神经元传递函数有阈值函数、双曲正切函数、高斯函数以及Sigmoid函数。不同的传递函数代表了不同的神经元输出机制。

神经元模型

综合现有文献，林育贤等[1]利用BP神经网络模型对某一高层商业建筑的不同时间段的空调热负荷进行了研究，当隐含层神经元数量较少时，负荷预测的误差比较大。当进一步优化增加神经元数量时，神经网络模型的预测进度不断提高，最后趋于稳定，模拟值与实际值呈现出相似的特点，通过实验证明了模型的可行性和有效性。

刘咏涵[2]依据BP神经网络原理，参照实验结果引入粒子群算法，优化了管网泄漏诊断模型，验证了该算法在二次网回水温度检测管网泄漏的实际意义。在供热行业中，为判断供热管网是否发生泄漏提出了新的思路。石晗[5]根据可测得的热源、热力站压力及流量参数，建立了蜂群优化BP神经网络供热管网的三级诊断模型，通过对选取的62组测试样本预测结果的加权误差进行分析，综合优化了管网泄漏诊断模型的网络性能。

葛强[3]等基于BP神经网络根据影响轴流泵性能因素的变量：流量、扬程、叶片角度、转速、转轮直径、叶片间隙、叶片根部厚度、叶片表面粗糙度，建立了神经网络训练与预测的模型，从5个不同性能曲线样本中随机选取3个曲线进行训练，网络经过3000次训练后，误差达到预期的设定值，相对准确地预测了水泵的效率参数。史丽萍[4]针对水泵机组振动故障的复杂性，通过将样本数据归一化，结合工程现场提取的数据进行了测试和对比，分析了改进BP网络模型和RBF网络模型，在水泵转子不平衡故障以及水泵汽蚀故障性能诊断中，

BP神经网络的最终诊断结果更为精确，为BP网络的应用进一步奠定了基础。

集中供热系统是一个复杂的多变量控制系统，常常具有非线性、不稳定的特点，考虑到热负荷预测、管网调节以及流体机械在运行过程中的重要性，这方面的研究也越来越受到更多的关注。如何根据现有数据基于模型计算并提出有意义的预测意见，对于供热行业具有重要的实际意义。神经网络模型是综合预测的一种有效工具，在流体动力工程以及供热行业中具有广泛的应用前景。不同的隐层节点数以及模型函数，对预测结果需要反复进行训练，从而达到预期的效果。此外，在训练中应尽可能获得较多的样本，用于检测和验证，这样模型会得到进一步优化，为不同领域中的相关预测可以提供更为准确的参考。

参考文献：

[1]林育贤，冯圣红.基于BP神经网络下空调负荷预测模型的研究[J].应用能源技术，2016，9（225）.

[2]刘咏涵.基于BP神经网络优化算法的供热管网泄漏诊断[D].大连海事大学，2017.

[3]葛强，段小汇.人工神经网络在水泵性能预测中的应用[J].河海大学学报，2007，1（35）.

[4]史麗萍，汤家升.RBF和改进BP神经网络在水泵振动故障诊断中的应用比较[J].大电机技术，2014.

[5]石晗.基于阻抗辨识的BP神经网络供热管网泄漏三级诊断研究[D].太原理工大学，2013.