資源描述：
《基于模糊神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測(cè).pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、圃■Ⅲ●■lⅢh"基于模糊神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測(cè)沈曉峰張子平呂冬杰河北工程大學(xué)城市建設(shè)學(xué)院摘要：為了克服傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度差，易陷入局部極值的缺陷，提出了模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)。利用模糊粗糙集通過(guò)歷史負(fù)荷數(shù)據(jù)信息的模糊化替代負(fù)荷變化的離散化，快速尋找出樣本數(shù)據(jù)間的連續(xù)屬性的信息，將其與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)結(jié)合組成模糊神經(jīng)網(wǎng)絡(luò)對(duì)熱負(fù)荷進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明：該模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的相對(duì)誤差很小不超過(guò)2％，在短期負(fù)荷預(yù)測(cè)方面具有的優(yōu)越性。關(guān)鍵詞：供熱負(fù)荷；模糊神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)1前言隨著我國(guó)城市集中供熱的迅速發(fā)展
2、，采暖的能源消耗在全社會(huì)總的能耗中占的比例也越來(lái)越大。我國(guó)建筑能耗占全社會(huì)能耗的30％左右，而采暖能耗又是所有能耗中最主要的部分，約占建筑能耗40％。50％。對(duì)目前我國(guó)節(jié)能潛力大的建筑進(jìn)行相關(guān)的研究，是必要且可行的。建筑節(jié)能的關(guān)鍵是對(duì)供熱負(fù)荷進(jìn)行預(yù)報(bào)。負(fù)荷預(yù)測(cè)的主要方法有：(1)自回歸移動(dòng)模型法；(2)時(shí)間序列法；(3)回歸分析法以上方法均存在很大的局限性。隨著智能技術(shù)的快速發(fā)展，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)供的研究不斷增多，但是BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率固定需要較長(zhǎng)的訓(xùn)練時(shí)間，易陷入局部最小值，網(wǎng)絡(luò)隱含層
3、的選擇困難。本文通過(guò)將模糊理論移植人BP神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)其進(jìn)行優(yōu)化，以避免其固有的不足，提出了模糊神經(jīng)網(wǎng)絡(luò)模型．該模型可以快速、準(zhǔn)確的對(duì)供熱負(fù)荷進(jìn)行預(yù)測(cè)。2模糊神經(jīng)網(wǎng)路熱負(fù)荷預(yù)測(cè)模型2．1模糊系統(tǒng)模糊系統(tǒng)是基于模糊邏輯的一種更加接近于人類的思維和自然語(yǔ)言。從原理方面來(lái)說(shuō)，模糊邏輯為獲取實(shí)際生活中不確定的特性提供了一種有效方式。模糊邏輯利用語(yǔ)言以及人們對(duì)外界認(rèn)識(shí)概念的思維特性去研究智能，它可以利用自然語(yǔ)言對(duì)人的經(jīng)驗(yàn)進(jìn)行描述，模糊系統(tǒng)就是運(yùn)用這一大優(yōu)點(diǎn)。一般而言，模糊系統(tǒng)是指與模糊概念和模糊邏輯有直接關(guān)系
4、的系統(tǒng)，它由以下四個(gè)部分組成：模糊產(chǎn)生器、模糊推理機(jī)、模糊知識(shí)庫(kù)和反模糊化器u1。2．2模糊神經(jīng)網(wǎng)絡(luò)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)是兩種不同信息處理方法的結(jié)合，是一種優(yōu)良的混合預(yù)測(cè)方法。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有較強(qiáng)的自學(xué)習(xí)訓(xùn)練、自組織、非線性逼近和很強(qiáng)的容錯(cuò)能力，但在進(jìn)行歷史樣本數(shù)據(jù)信息知識(shí)表達(dá)和解釋能力方面較差，學(xué)習(xí)速度相對(duì)較慢且容易陷入局部尋優(yōu)的死循環(huán)中。粗糙集中的知識(shí)簡(jiǎn)約理論能夠發(fā)現(xiàn)大量非線性歷史數(shù)據(jù)集合內(nèi)部存在的潛在關(guān)系，可以將那些冗余、不必要的屬性信息進(jìn)行過(guò)濾剔除，從而簡(jiǎn)化了歷史數(shù)據(jù)的時(shí)間空間復(fù)雜性。對(duì)于供熱系統(tǒng)
5、短期負(fù)荷而言，利用模糊粗糙集通過(guò)歷史負(fù)荷數(shù)據(jù)信息的模糊化替代負(fù)荷變化的離散化，能夠快速尋找出樣本數(shù)據(jù)間的連續(xù)屬性的信息，故將二者的結(jié)合組成模糊神經(jīng)網(wǎng)絡(luò)可以充分發(fā)揮兩者的優(yōu)勢(shì)，實(shí)現(xiàn)相互間功能的互補(bǔ)91。2。3模糊神經(jīng)網(wǎng)路熱負(fù)荷預(yù)測(cè)模型本文選擇室外溫度、每天8點(diǎn)時(shí)刻的供水流量?jī)蓚€(gè)影響因素作為輸入變量。由于模糊神經(jīng)網(wǎng)絡(luò)的輸入變量數(shù)和輸入層的節(jié)點(diǎn)數(shù)一致，所以該模糊神經(jīng)網(wǎng)絡(luò)模型的輸入層的節(jié)點(diǎn)數(shù)可選擇為2個(gè)。本文選擇供熱負(fù)荷作為輸出變量，因此得知輸出層只有一個(gè)神經(jīng)元。3負(fù)荷預(yù)測(cè)實(shí)驗(yàn)分析在該集中供熱系統(tǒng)中，供熱負(fù)荷
6、影響信號(hào)的形式不一致，分別為模糊信號(hào)、精確的數(shù)值信號(hào)。所以，我們需要將模糊信號(hào)統(tǒng)一處理成準(zhǔn)確的數(shù)值信號(hào)，并將其作為網(wǎng)絡(luò)的輸入信號(hào)。為了加快神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。以邯鄲某熱力公司的供熱站的數(shù)據(jù)作為樣本數(shù)據(jù)集，針對(duì)該模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，我們選取連續(xù)30天的數(shù)據(jù)作為歷史樣本數(shù)據(jù)。由于篇幅限制，只列出了部分?jǐn)?shù)據(jù)。見(jiàn)表1。表1數(shù)據(jù)表日期室外溫度℃供水流量負(fù)荷(1(J／}1)2015．2．1-6．70．6528．92015．2．2-6．90．6530．82015．2．3-7．8O．6532．1
7、2015．2．4-7．40．6534．62015．2．5一11．70．6556．9本文采用模糊神經(jīng)網(wǎng)絡(luò)主要參數(shù)設(shè)置：常數(shù)分別為O．45，1．25，本神經(jīng)網(wǎng)絡(luò)設(shè)初始學(xué)習(xí)速率為0．001、樣本模式、訓(xùn)練次數(shù)計(jì)數(shù)器均為l，把訓(xùn)練樣本數(shù)據(jù)代入模糊神經(jīng)網(wǎng)絡(luò)，不斷進(jìn)行學(xué)習(xí)訓(xùn)練從而使得神經(jīng)網(wǎng)絡(luò)的連接權(quán)值達(dá)到最優(yōu)化，最后輸入測(cè)試樣本數(shù)據(jù)，進(jìn)一步得到熱負(fù)荷的預(yù)測(cè)值。我們可以根據(jù)專家經(jīng)驗(yàn)和控制工程知識(shí)選取隸屬度函數(shù)初始參數(shù)。模糊神經(jīng)網(wǎng)絡(luò)中前一部分參數(shù)值可以大概估計(jì)出范圍。一般情況下，可以在[o，1】間隨機(jī)選取一個(gè)數(shù)作為權(quán)
8、值的初始值。用25天的樣本數(shù)據(jù)作為訓(xùn)練樣本，用5天的樣本數(shù)據(jù)測(cè)試訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)。通過(guò)利用訓(xùn)練樣本輸入量和輸出量，模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)TiJJl練和學(xué)習(xí)的過(guò)程，所得曲線如圖1所示。為了驗(yàn)證仿真效果，所得曲線如圖2所示。并把預(yù)測(cè)熱負(fù)荷和實(shí)際熱負(fù)荷進(jìn)行對(duì)比所得曲線如圖3、圖4所示。B啡1岬h巾’腳膨bH札’4。?，“tP“h射％擗她卑9‘他《嬸r==葛：—————、L一。。?一jj一∞J自}商#圖1曲線圖圖2曲線圖。?p#一?J?！踭二，i§睜·一”{{圖3
