• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      熱力站日供熱量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型比較與分析

      2023-02-10 02:55:46王嘉明
      煤氣與熱力 2023年1期
      關(guān)鍵詞:供熱量方根神經(jīng)元

      田 野,李 銳,董 妍,王嘉明

      (1.北京建筑大學(xué) 環(huán)境與能源工程學(xué)院,北京 100044; 2.北京市熱力集團(tuán)有限責(zé)任公司,北京 100026)

      1 概述

      精準(zhǔn)預(yù)測(cè)熱力站日供熱量,無(wú)論對(duì)節(jié)能減排還是對(duì)提升供熱質(zhì)量,都具有重要意義。許多學(xué)者提出了不同預(yù)測(cè)方法,如灰色預(yù)測(cè)法、回歸分析法、神經(jīng)網(wǎng)絡(luò)法等[1]。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)作為一種預(yù)測(cè)方法已經(jīng)被大量應(yīng)用于熱負(fù)荷預(yù)測(cè),神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是無(wú)需建立復(fù)雜的輸入輸出關(guān)系,在非線性問(wèn)題的處理上表現(xiàn)更好[2]。康勝文[3]在進(jìn)行熱負(fù)荷預(yù)測(cè)時(shí),比較了回歸分析法與神經(jīng)網(wǎng)絡(luò)法,認(rèn)為神經(jīng)網(wǎng)絡(luò)法更具有優(yōu)勢(shì)。宋軍等人[4]通過(guò)研究分析指出,BP神經(jīng)網(wǎng)絡(luò)基本滿足了短期熱負(fù)荷預(yù)測(cè)的要求。李思琦等人[5]改進(jìn)了神經(jīng)網(wǎng)絡(luò),得到了更加精確的熱負(fù)荷預(yù)測(cè)模型。

      本文以北京某熱力站運(yùn)行數(shù)據(jù)、氣象參數(shù)為樣本,采用BP神經(jīng)網(wǎng)絡(luò),建立日供熱量預(yù)測(cè)模型,對(duì)輸入變量、隱含層神經(jīng)元數(shù)量的影響進(jìn)行分析。

      2 預(yù)測(cè)模型

      BP神經(jīng)網(wǎng)絡(luò)具有非線性映射能力、泛化能力、容錯(cuò)能力,因此本文采用BP神經(jīng)網(wǎng)絡(luò)建立熱力站日供熱量預(yù)測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層、輸出層[6]。輸出層神經(jīng)元數(shù)量為1,輸出變量為熱力站日供熱量。

      輸入變量的選取,影響著預(yù)測(cè)模型的預(yù)測(cè)效果。輸入層神經(jīng)元數(shù)量(即輸入變量數(shù)量)過(guò)少無(wú)法達(dá)到預(yù)期效果,數(shù)量過(guò)多雖然會(huì)提高計(jì)算精度,但易使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜,訓(xùn)練時(shí)間延長(zhǎng)。熱力站日供熱量受多種因素影響,可分為氣象因素、系統(tǒng)因素。氣象因素包括室外溫度、相對(duì)濕度、大氣壓力、風(fēng)速等。系統(tǒng)因素指供熱系統(tǒng)的特性,包括前幾日的供熱量等[1]。分析北京某熱力站運(yùn)行數(shù)據(jù)發(fā)現(xiàn),室外溫度、風(fēng)速與供熱量存在相關(guān)性。因此,將日平均室外溫度、日平均風(fēng)速、前1日供熱量作為必要的輸入變量。在此基礎(chǔ)上,增加日最低室外溫度、日最高室外溫度、日平均相對(duì)濕度、大氣壓力、前2日供熱量、前3日供熱量,分別建立預(yù)測(cè)模型1~3。隱含層神經(jīng)元數(shù)量設(shè)定為10,預(yù)測(cè)模型1~3輸入變量見(jiàn)表1。

      表1 預(yù)測(cè)模型1~3輸入變量

      隱含層神經(jīng)元數(shù)量決定了神經(jīng)網(wǎng)絡(luò)的計(jì)算能力。隱含層神經(jīng)元數(shù)量過(guò)少,神經(jīng)網(wǎng)絡(luò)的計(jì)算能力不足,預(yù)測(cè)結(jié)果易發(fā)生欠擬合。隱含層神經(jīng)元數(shù)量過(guò)多,預(yù)測(cè)結(jié)果易發(fā)生過(guò)擬合,使預(yù)測(cè)模型缺乏泛化性[7]。目前,大多采用經(jīng)驗(yàn)公式與試湊法相結(jié)合的方式來(lái)確定隱含層神經(jīng)元數(shù)量[8]。為分析隱含層神經(jīng)元數(shù)量對(duì)預(yù)測(cè)結(jié)果的影響,輸入變量與預(yù)測(cè)模型2一致,改變隱含層神經(jīng)元數(shù)量,分別建立預(yù)測(cè)模型4~16(見(jiàn)表2)。實(shí)際上預(yù)測(cè)模型11與預(yù)測(cè)模型2一致,為不破壞預(yù)測(cè)模型4~16的連續(xù)性,仍保留預(yù)測(cè)模型11。

      表2 模型4~16隱含層神經(jīng)元數(shù)量

      3 研究對(duì)象

      熱力站供熱面積為88 711 m2,站內(nèi)設(shè)置了熱量表以及供水溫度、回水溫度、流量傳感器。除供熱量、供回水溫度、流量外,監(jiān)測(cè)數(shù)據(jù)還包括室外溫度、風(fēng)速等,每隔5 min采集1次數(shù)據(jù),以日為單位對(duì)數(shù)據(jù)進(jìn)行整理。選取2017—2020年供暖期數(shù)據(jù)進(jìn)行研究,并對(duì)異常、缺失嚴(yán)重的數(shù)據(jù)進(jìn)行處理,最后得到357個(gè)供暖日的有效數(shù)據(jù)。隨機(jī)將70%的樣本作為訓(xùn)練集,15%的樣本作為驗(yàn)證集,15%的樣本作為測(cè)試集。采用最大最小值歸一化法將輸入數(shù)據(jù)歸一化到[-1,1]。利用MATLAB軟件建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

      預(yù)測(cè)模型的預(yù)測(cè)效果評(píng)價(jià)指標(biāo)為擬合優(yōu)度、均方根誤差(RMSE)、平均絕對(duì)百分比誤差(MAPE)。擬合優(yōu)度通過(guò)決定系數(shù)R2度量,決定系數(shù)越接近1,預(yù)測(cè)模型的擬合效果越好。均方根誤差反映預(yù)測(cè)結(jié)果相對(duì)于實(shí)際結(jié)果的平均偏差情況,用于評(píng)價(jià)預(yù)測(cè)模型的穩(wěn)定性,均方根誤差越小說(shuō)明預(yù)測(cè)模型的穩(wěn)定性越高。平均絕對(duì)百分比誤差可以反映預(yù)測(cè)結(jié)果的可信程度,平均絕對(duì)百分比誤差越小,說(shuō)明預(yù)測(cè)結(jié)果可信度越高。

      決定系數(shù)R2、均方根誤差σRMSE、平均絕對(duì)百分比誤差σMAPE的計(jì)算式分別為:

      式中R2——決定系數(shù)

      n——樣本數(shù)量

      Qi,p——熱力站日供熱量預(yù)測(cè)值,GJ

      Qi,m——熱力站日供熱量實(shí)際值,GJ

      Qm,av——全部樣本實(shí)際值的平均值,GJ

      σRMSE——均方根誤差,GJ

      σMAPE——平均絕對(duì)百分比誤差

      4 預(yù)測(cè)結(jié)果與分析

      4.1 輸入變量的影響

      預(yù)測(cè)模型1~3部分樣本日供熱量預(yù)測(cè)值與實(shí)際值見(jiàn)圖1。樣本來(lái)自測(cè)試集。由圖1可知,在預(yù)測(cè)模型1~3中,預(yù)測(cè)模型2日供熱量預(yù)測(cè)值與實(shí)際值最接近。

      圖1 預(yù)測(cè)模型1~3部分樣本日供熱量預(yù)測(cè)值與實(shí)際值

      預(yù)測(cè)模型1~3的決定系數(shù)、均方根誤差見(jiàn)表3。由表3可知,在預(yù)測(cè)模型1~3中,預(yù)測(cè)模型2的決定系數(shù)最接近1、均方根誤差最小,說(shuō)明模型2的預(yù)測(cè)效果最佳。預(yù)測(cè)模型1的預(yù)測(cè)效果最差,預(yù)測(cè)模型3的預(yù)測(cè)效果介于預(yù)測(cè)模型1、2之間。

      表3 預(yù)測(cè)模型1~3的決定系數(shù)、均方根誤差

      在隱含層神經(jīng)元數(shù)量設(shè)定為10條件下,輸入變量為日平均室外溫度、日平均風(fēng)速、前1日供熱量、日最低室外溫度、日最高室外溫度、前2日供熱量、前3日供熱量時(shí),預(yù)測(cè)模型的預(yù)測(cè)效果最佳。輸入層神經(jīng)元數(shù)量為3時(shí),由于輸入變量不足,預(yù)測(cè)模型的預(yù)測(cè)效果最差。

      4.2 隱含層神經(jīng)元數(shù)量的影響

      預(yù)測(cè)模型4、5、11、14、16部分樣本日供熱量預(yù)測(cè)值與實(shí)際值見(jiàn)圖2。樣本來(lái)自測(cè)試集。由圖2可知,預(yù)測(cè)模型16日供熱量預(yù)測(cè)值與實(shí)際值的吻合度最好。

      圖2 預(yù)測(cè)模型4、5、11、14、16部分樣本日供熱量預(yù)測(cè)值與實(shí)際值

      由計(jì)算結(jié)果可知,從決定系數(shù)、均方根誤差評(píng)價(jià)預(yù)測(cè)模型4~16的預(yù)測(cè)效果比較困難。因此,采用平均絕對(duì)百分比誤差來(lái)評(píng)價(jià)模型的預(yù)測(cè)效果,預(yù)測(cè)模型4~16的平均絕對(duì)百分比誤差見(jiàn)表4。由表4可知,預(yù)測(cè)模型16的平均絕對(duì)百分比誤差最小,說(shuō)明隱含層神經(jīng)元數(shù)量為15時(shí),預(yù)測(cè)效果最好。

      表4 預(yù)測(cè)模型4~16的平均絕對(duì)百分比誤差

      當(dāng)輸入變量為日平均室外溫度、日平均風(fēng)速、前1日供熱量、日最低室外溫度、日最高室外溫度、前2日供熱量、前3日供熱量時(shí),隱含層神經(jīng)元數(shù)量達(dá)到最多時(shí)(為15)的預(yù)測(cè)模型16預(yù)測(cè)效果最佳。隱含層神經(jīng)元數(shù)量并非越多越好,在實(shí)際應(yīng)用中,應(yīng)選取多個(gè)隱含層神經(jīng)元數(shù)量,根據(jù)預(yù)測(cè)效果選取合適的隱含層神經(jīng)元數(shù)量。

      5 結(jié)論

      ① 當(dāng)隱含層神經(jīng)元數(shù)量設(shè)定為10,輸入變量為日平均室外溫度、日平均風(fēng)速、前1日供熱量、日最低室外溫度、日最高室外溫度、前2日供熱量、前3日供熱量時(shí),預(yù)測(cè)模型的預(yù)測(cè)效果最佳。輸入層神經(jīng)元數(shù)量為3時(shí),由于輸入變量不足,預(yù)測(cè)模型的預(yù)測(cè)效果最差。

      ② 當(dāng)輸入變量為日平均室外溫度、日平均風(fēng)速、前1日供熱量、日最低室外溫度、日最高室外溫度、前2日供熱量、前3日供熱量時(shí),隱含層神經(jīng)元數(shù)量達(dá)到最多時(shí)(為15)的預(yù)測(cè)模型預(yù)測(cè)效果最佳。隱含層神經(jīng)元數(shù)量并非越多越好,在實(shí)際應(yīng)用中,應(yīng)選取多個(gè)隱含層神經(jīng)元數(shù)量,根據(jù)預(yù)測(cè)效果選取合適的隱含層神經(jīng)元數(shù)量。

      猜你喜歡
      供熱量方根神經(jīng)元
      方根拓展探究
      《從光子到神經(jīng)元》書評(píng)
      自然雜志(2021年6期)2021-12-23 08:24:46
      多塊金屬輻射板串聯(lián)結(jié)構(gòu)冬季供熱性能數(shù)值模擬及試驗(yàn)研究
      躍動(dòng)的神經(jīng)元——波蘭Brain Embassy聯(lián)合辦公
      均方根嵌入式容積粒子PHD 多目標(biāo)跟蹤方法
      冬季供暖工況下混凝土輻射頂板傳熱特性
      揭開(kāi)心算方根之謎
      基于二次型單神經(jīng)元PID的MPPT控制
      毫米波導(dǎo)引頭預(yù)定回路改進(jìn)單神經(jīng)元控制
      科技資訊(2014年8期)2014-11-10 11:10:41
      正宁县| 凉山| 潮安县| 马关县| 疏附县| 北辰区| 周宁县| 乐都县| 阳春市| 万源市| 治县。| 渭源县| 布尔津县| 宝丰县| 荔波县| 固原市| 托克逊县| 临泽县| 理塘县| 庄浪县| 桑植县| 留坝县| 太康县| 灌阳县| 利津县| 松潘县| 买车| 会昌县| 镇宁| 道真| 盐池县| 浦江县| 东丰县| 阿拉尔市| 棋牌| 嘉禾县| 略阳县| 海原县| 白朗县| 洪江市| 广水市|