張亞忠 孫同利

摘要：針對(duì)供熱系統(tǒng)熱負(fù)荷預(yù)測模型的非線性，給出了并行最小化RBF神經(jīng)網(wǎng)絡(luò)算法，同時(shí)修正了RPCL方法系統(tǒng)振蕩問題。通過仿真得出，當(dāng)訓(xùn)練樣本合適時(shí)，綜合誤差在6%以內(nèi)。具有良好的預(yù)測精度和速度。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；并行最小化RBF；熱負(fù)荷預(yù)測1引言

對(duì)于供熱系統(tǒng)熱負(fù)荷的動(dòng)態(tài)預(yù)測，國內(nèi)外學(xué)者提出許多的預(yù)測方法，并取得一定的實(shí)際應(yīng)用成果[1-2]。概括起來為兩大類型：⑴在不考慮室內(nèi)熱水供暖負(fù)荷的前提下，根據(jù)建筑物熱過程的簡化差分方程式建立的預(yù)測。⑵通過對(duì)影響熱負(fù)荷的不同參數(shù)進(jìn)行線性加權(quán)來預(yù)測熱負(fù)荷。其加權(quán)值利用大量的實(shí)測數(shù)據(jù)進(jìn)行回歸分析或時(shí)間序列分析方法求得。

2適用于供暖負(fù)荷預(yù)測RBF算法及改進(jìn)

供暖負(fù)荷預(yù)測問題的實(shí)質(zhì)是：利用輸入輸出數(shù)據(jù)來建立系統(tǒng)模型后進(jìn)行預(yù)測。PM-RBF網(wǎng)絡(luò)建立的過程如下[3-4]：通過競爭學(xué)習(xí)方法，將學(xué)習(xí)樣本分解為子類，然后針對(duì)每個(gè)子類利用最小化RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。改進(jìn)的競爭學(xué)習(xí)過程如下：

(l)先用FSCL法解決死點(diǎn)問題，將競爭單元的位置調(diào)整到比較恰當(dāng)?shù)奈恢茫?/p>

(2)用RPCL方法中次勝者受罰的思想，使多余的競爭單元遠(yuǎn)離最終的聚類點(diǎn)；

(3)如果多余點(diǎn)較多，可以先剔除其中一點(diǎn)，然后重復(fù)(1)，(2)；

(4)如果多余點(diǎn)已剔除完畢，則終止。

可以利用這種方法來解決聚類問題。

3神經(jīng)網(wǎng)絡(luò)預(yù)測仿真

供暖系統(tǒng)是一個(gè)集非線性、不確定性、時(shí)變性于一身的大系統(tǒng)，利用傳統(tǒng)方法很難對(duì)城市供暖負(fù)荷進(jìn)行準(zhǔn)確的預(yù)測。

在訓(xùn)練樣本分別取前10日、15日、20日、25日和30日的歷史數(shù)據(jù)時(shí)，分別對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測，發(fā)現(xiàn)在系統(tǒng)取15日時(shí)的預(yù)測精度較高。此時(shí)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間和預(yù)測結(jié)果如表1。

3.1 學(xué)習(xí)時(shí)間(誤差指標(biāo)：0.01)

表115日時(shí)學(xué)習(xí)時(shí)間表

網(wǎng)絡(luò)類型 學(xué)習(xí)時(shí)間(秒)

RBF網(wǎng)絡(luò) 207.5

PM-RBF網(wǎng)絡(luò) 58.7

可見，當(dāng)數(shù)據(jù)量較多時(shí)，充分發(fā)揮了PM-RBF網(wǎng)絡(luò)的優(yōu)勢，訓(xùn)練時(shí)網(wǎng)間比單RBF網(wǎng)絡(luò)短。

3.2 預(yù)測結(jié)果

由圖1和圖2可見，但系統(tǒng)取15日時(shí)的對(duì)象時(shí)，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測精度為： ；PM-RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測精度為： 。

由預(yù)測結(jié)果和訓(xùn)練時(shí)間可見，由于PM-RBF網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行了聚類，綜合誤差在6%以內(nèi)。

4結(jié)語

供暖系統(tǒng)是一個(gè)非線性、不確定性、時(shí)變的大系統(tǒng)，利用傳統(tǒng)方法很難對(duì)城市供暖負(fù)荷進(jìn)行準(zhǔn)確的預(yù)測。引入PM-RBF算法對(duì)供暖負(fù)荷預(yù)測具有良好的效果。

由于RPCL方法中蘊(yùn)含著FSCL方法，因此多余的競爭單元數(shù)目不能剔除，造成競爭學(xué)習(xí)得不到正確的結(jié)果，表現(xiàn)為系統(tǒng)振蕩。文中給出了改進(jìn)的競爭學(xué)習(xí)過程。

為了使PM-RBF預(yù)測結(jié)果達(dá)到一定的精確度，通常必須利用較大數(shù)量的歷史數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。當(dāng)訓(xùn)練樣本合適時(shí)，綜合誤差在6%以內(nèi)。

[參考文獻(xiàn)]

[1]徐建軍,楊世彥,袁軍.基于壓力信號(hào)的小波神經(jīng)網(wǎng)絡(luò)往復(fù)泵故障診斷[J].大連海事大學(xué)學(xué)報(bào),Vol.33,No.3,p22-25+31,2007年8月.

[2]XU Jian-jun,ZHANG Yan-fu,WANG Pin*.A Kind of Turbine Fault Diagnosis based on Fish-swarm Algorithm[J].Energy Education Science and Technology Part A: Energy Science and Research, v 32,n 2,p1325-1330, 2014.

[3]徐建軍,劉超,王樹達(dá).應(yīng)用SPRT算法的管道小泄漏檢測[J].電機(jī)與控制學(xué)報(bào),Vol.13 No.13,p448-451+457,May 2009.

[4]Xu,Jianjun;Liu,Shengnan;Xu, Bin;et al.Numerical modeling for chaotic characteristics of oil pipeline pressure time series[J].International Journal of Applied Mathematics and Statistics,v 47,n 17,p131-139,2013.