改进型神经网络的热负荷预测

发布时间：2021-09-24 07:13

　　在城市集中供暖方面,热电厂的短期热负荷预测对提高热电厂的经济效益和热能利用率十分重要。该文以山西某热电厂的供热系统的换热站作为研究对象,使用遗传算法和粒子群算法改进BP神经网络,基于热负荷相关的历史数据构建改进型神经网络的热负荷预测系统。仿真结果显示,BP神经网络预测系统的波动程度比较大,预测精度低,而改进型的神经网络算法克服了这些缺点,在历史样本数据较少的情况下,仍然保持很高的预测精度,改进后的预测系统精度较高、稳定性较强,满足工业生产需求。 

【文章来源】：工业仪表与自动化装置. 2020,(06)

【文章页数】：6 页

【部分图文】：

热负荷变化曲线

BP神经网络由三层组成，本质上是一个多层前馈神经网络，其基本结构如图2所示。BP神经网络是人工神经网络中应用最广的一种神经网络，其算法的实质是求解误差函数的最小值问题，正向传递的输入信号X通过隐含层节点作用于输出节点，每个神经元的输入包括输入向量和期望输出向量，通过输出结果与预测结果求解偏差，若偏差向量不满足期望，通过反向传递调整输入节点与隐含层节点的连接权值和阈值等来指导每一层权值的更新和优化[13]。

采用BP神经网络预测热负荷，首先由选取的样本数据训练出网络结构的权重和偏置，再根据输入的样本对热负荷据进行预测，基于BP神经网络的热负荷预测流程图如图3所示。3 改进型神经网络算法

【参考文献】：
期刊论文
[1]基于遗传算法改进BP神经网络的风电功率预测研究[J]. 王冰冰,赵天乐.  电工电气. 2019(12)
[2]基于T-S模糊神经网络的热负荷预测模型[J]. 姜平,赵保国,张海伟,李丽锋,王鹏程,王欣峰,苑文鑫.  自动化仪表. 2019(11)
[3]基于混合算法优化支持向量机的供热负荷预测模型[J]. 于晓娟,齐先硕,顾吉浩,齐承英,孙春华.  河北工业大学学报. 2019(05)
[4]基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测[J]. 刘倩颖,阮应君,时翔,李铮伟.  热能动力工程. 2018(03)
[5]基于小波去噪和GA-Elman神经网络的短时交通流预测[J]. 刘艺,张琨.  交通科技与经济. 2015(06)
[6]热负荷预测方法研究综述[J]. 景胜蓝,王飞,雷勇刚.  建筑热能通风空调. 2015(04)
[7]基于粒子群优化的神经网络预测模型[J]. 程军,李荣钧.  数学的实践与认识. 2015(03)
[8]空调运行负荷的混沌特性分析及GRNN混沌预测方法研究[J]. 孙育英,王伟,朱佳鹤,盖轶静,李林涛.  建筑科学. 2014(10)
[9]BP神经网络模型与灰色GM（1,1）模型在需水预测中的应用[J]. 崔东文,郭荣.  水资源研究. 2012(03)
[10]遗传算法优化BP神经网络的混沌时间序列预测[J]. 李松,罗勇,张铭锐.  计算机工程与应用. 2011(29)



本文编号：3407333