论文部分内容阅读
在世界能源极度紧张和工业发展带来严重污染的今天,集中供热可以减少能源的使用,降低环境污染,进而可以提高经济发展的效益,因此近些年来集中供热已经成为我国主要的供热形式,也将成为今后区域供热的一个研究热点,随着集中供热的不断改革创新,每个热用户分别使用计量的采暖设计不断地被推广,对集中供热和热网能源有效利用提出了更高的要求,因此热力负荷预测算法将对整个热力生产带来重要的意义。本文主要针对目前能源紧张,集中供热要求迫切的形式,选择粒子群算法对BP神经网络进行优化,并将其应用到热力负荷预测算法当中,结果表明优化后的算法的准确性和稳定性都比没优化前有了很大的改观。本文分析这些预测算法的原理并结合热力负荷的反应时间比较长,各种供热相关参数所对应的检测数据之间关系比较复杂,管网供回水压力、温度、室外气温、日照情况、负荷温度等等,各种供热相关参数所对应的检测数据之间不存在着直接相关性,由此本课题选择人工神经网络算法来处理这些数据,最后选定最普遍应用的BP神经网络算法,它的优势在于可以很好的处理非线性关系的数据,并可以实现自我学习和最广泛的适应能力,但是BP神经网络还有一些局限性,例如初始权值设置是随机设定的,因此神经网络训练很容易导致不稳定或是达不到收敛的状态,同时梯度下降法很容易获得局部极值,因此会导致预测准确性很差。因为BP神经网络有着这些缺陷大大的限制了它在工程当中的应用,因此选用粒子群算法对其进行优化来降低算法的缺陷,并稳定BP神经网络的结构,并对初始的随机权值进行快速的调节,使网络快速达到收敛状态,提高BP神经网络算法的运算速度。本文最主要的部分是热力负荷预测模型的确定,难点在于确定BP神经网络和粒子群算法结构以及两者是如何结合在一起建立起更优越的算法模型,并分析了优化后的模型的结构和参数的确定方式,以及整个模型进行预测时的流程。采用东卉区域锅炉房冬季的热力负荷数据输入到系统的模型进行短期的负荷预测,通过仿真实验结果看出优化后的算法误差大大的减少了,速度也加快了很多。