集中供热系统的热负荷预测与规划
发布时间：2022-10-08 15:05
短期热负荷预测是实现集中供热系统“按需供热”,解决供热不均问题,保障热用户舒适性的基础和前提。热负荷受多种因素影响,各因素与热负荷之间的关系既有线性的也有非线性的,使热负荷预测的难度加大。因此,选取合适的预测方法,建立恰当的热负荷预测模型,为操作人员提供针对性的指导显得尤为重要。本文以热负荷的自身规律及其影响因素为研究对象,主要研究内容包括以下几点:首先,对历史数据进行预处理,探究气象因素对热负荷的动态影响效果,通过各影响因素与热负荷之间的相关性分析以及采用多元逐步回归法确定输入变量,求得多元逐步回归方程。由于热负荷还受自身规律的影响,气象因素对热负荷的影响并非完全是线性的,使多元逐步回归模型在特定的时间段内能较好的反映热负荷的变化趋势,超出该时间段,模型的泛化能力变差,精确度变低。因此,在全部时间段内将热负荷与气象因素之间的关系线性化是不合适的。其次,为解决热负荷与气象因素之间的非线性问题,并提高标准粒子群算法的搜索性能,提出基于相似度权重动态调节的粒子群优化支持向量机（DPSO-SVM）的热负荷预测模型。实例验证:DPSO算法具有比PSO算法更强的搜索性能;DPSO-SVM模型能够...
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状及趋势
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本文主要研究内容和结构安排
第2章 热负荷预测理论及数据预处理
2.1 热负荷预测概述
2.1.1 热负荷预测的分类
2.1.2 热负荷预测的影响因素
2.1.3 热负荷预测的特点
2.1.4 热负荷预测的流程
2.1.5 热负荷预测的误差分析
2.2 数据预处理
2.2.1 拉依达法剔除异常数据
2.2.2 拉格朗日法插值
2.2.3 数据的标准化方法
2.3 本章总结
第3章 短期热负荷预测建模方法
3.1 线性回归分析
3.1.1 多元线性回归分析
3.1.2 多元逐步回归分析
3.2 支持向量机
3.2.1 支持向量回归算法
3.2.2 线性支持向量回归算法
3.2.3 非线性支持向量回归算法
3.2.4 核函数的定义
3.3 粒子群优化算法及其基本理论
3.3.1 标准粒子群优化算法原理
3.3.2 标准粒子群优化算法流程
3.3.3 标准粒子群优化算法的参数设置
3.4 基于PSO算法优化SVM的参数对
3.4.1 参数对分析
3.4.2 基于PSO算法优化SVM的参数对
3.5 本章小结
第4章 短期热负荷预测模型的构建与研究
4.1 集中供热系统的热负荷计算
4.1.1 集中供热系统的运行方式
4.1.2 热负荷计算方法
4.1.3 数据空缺预处理
4.2 基于回归分析建模
4.2.1 输入变量的选取
4.2.2 多元逐步回归输入变量筛选
4.2.3 多元逐步回归模型的建立
4.2.4 实例验证
4.3 基于改进粒子群优化支持向量机建模
4.3.1 数据的归一化
4.3.2 模型的建立
4.3.3 实例验证
4.4 基于重大节假日修正的热负荷预测模型
4.4.1 基于重大节假日修正模型的建立
4.4.2 实例验证
4.5 本章小结
第5章 短期热负荷预测模型的应用与规划
5.1 短期热负荷预测模型的应用
5.1.1 MATLAB与Visual Studio(VS)的连接
5.1.2 热负荷管理系统的设计
5.2 集中供热系统的短期热负荷规划
5.2.1 短期热负荷规划
5.2.2 投诉情况反馈
5.3 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于遗传算法优化支持向量回归机参数的供热负荷预测[J]. 张佼,田琦,王美萍. 暖通空调. 2017(02)
[2]基于支持向量机和模拟退火算法对供暖热负荷的预测方法[J]. 张震,徐子怡,袁淑芳. 自动化技术与应用. 2016(02)
[3]基于粒子群优化算法的支持向量机研究[J]. 谷文成,柴宝仁,滕艳平. 北京理工大学学报. 2014(07)
[4]基于混沌理论和LSSVM的蒸汽负荷预测[J]. 张华强,张晓燕. 系统工程理论与实践. 2013(04)
[5]基于禁忌粒子群算法的热电联产负荷经济分配[J]. 顾慧,郭振宇,刘伟,司风琪,徐治皋. 东南大学学报(自然科学版). 2013(01)
[6]基于相似日搜索的空调短期负荷预测方法[J]. 王小刚,石为人,高鹏,周伟. 华中科技大学学报(自然科学版). 2011(12)
[7]基于改进的灰色模型在区域热负荷中期预测中的应用[J]. 王渡,郑莆燕. 区域供热. 2010(02)
[8]基于季节性时间序列模型的空调负荷预测[J]. 孙靖,程大章. 电工技术学报. 2004(03)
[9]应用级联神经网络预测供热锅炉次日小时热负荷的初步研究[J]. 曹双华,曹家枞. 东华大学学报(自然科学版). 2004(01)
[10]基于神经网络的供热计量系统热负荷短期预测[J]. 郝有志 ,李德英 ,郝斌. 暖通空调. 2003(06)
博士论文
[1]基于不平衡数据集的支持向量机模型与算法研究[D]. 张静静.中国农业大学 2015
[2]室内均匀热环境中的人体热反应（偏热条件）[D]. 杨宇.重庆大学 2015
[3]支持向量机的迭代学习算法及其应用[D]. 李兵.清华大学 2014
[4]群智能混合优化算法及其应用研究[D]. 匡芳君.南京理工大学 2014
[5]集中供暖系统热负荷预测及运行优化[D]. 介鹏飞.天津大学 2013
硕士论文
[1]基于神经网络的短期负荷预测方法研究[D]. 刘文博.浙江大学 2017
[2]基于灰色理论的电力负荷预测研究[D]. 王超.山东大学 2016
[3]大型商业建筑空调负荷预测方法的研究[D]. 任鹏.天津大学 2014
[4]集中供热系统的热负荷预测方法研究[D]. 李胜涛.长安大学 2014
[5]基于粒子群算法的供热负荷组合预测[D]. 许明子.东北石油大学 2011
[6]基于神经网络的供热系统负荷预测[D]. 刘严崴.天津大学 2009
[7]负荷预测中相似日的选择研究[D]. 黄金榜.浙江大学 2008
[8]供热系统调控模式研究及其模拟分析[D]. 王浩.吉林大学 2006
[9]基于自适应遗传人工神经网络的集中供热负荷预测与控制研究[D]. 王东亚.辽宁工程技术大学 2005
本文编号：3687930
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状及趋势
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本文主要研究内容和结构安排
第2章 热负荷预测理论及数据预处理
2.1 热负荷预测概述
2.1.1 热负荷预测的分类
2.1.2 热负荷预测的影响因素
2.1.3 热负荷预测的特点
2.1.4 热负荷预测的流程
2.1.5 热负荷预测的误差分析
2.2 数据预处理
2.2.1 拉依达法剔除异常数据
2.2.2 拉格朗日法插值
2.2.3 数据的标准化方法
2.3 本章总结
第3章 短期热负荷预测建模方法
3.1 线性回归分析
3.1.1 多元线性回归分析
3.1.2 多元逐步回归分析
3.2 支持向量机
3.2.1 支持向量回归算法
3.2.2 线性支持向量回归算法
3.2.3 非线性支持向量回归算法
3.2.4 核函数的定义
3.3 粒子群优化算法及其基本理论
3.3.1 标准粒子群优化算法原理
3.3.2 标准粒子群优化算法流程
3.3.3 标准粒子群优化算法的参数设置
3.4 基于PSO算法优化SVM的参数对
3.4.1 参数对分析
3.4.2 基于PSO算法优化SVM的参数对
3.5 本章小结
第4章 短期热负荷预测模型的构建与研究
4.1 集中供热系统的热负荷计算
4.1.1 集中供热系统的运行方式
4.1.2 热负荷计算方法
4.1.3 数据空缺预处理
4.2 基于回归分析建模
4.2.1 输入变量的选取
4.2.2 多元逐步回归输入变量筛选
4.2.3 多元逐步回归模型的建立
4.2.4 实例验证
4.3 基于改进粒子群优化支持向量机建模
4.3.1 数据的归一化
4.3.2 模型的建立
4.3.3 实例验证
4.4 基于重大节假日修正的热负荷预测模型
4.4.1 基于重大节假日修正模型的建立
4.4.2 实例验证
4.5 本章小结
第5章 短期热负荷预测模型的应用与规划
5.1 短期热负荷预测模型的应用
5.1.1 MATLAB与Visual Studio(VS)的连接
5.1.2 热负荷管理系统的设计
5.2 集中供热系统的短期热负荷规划
5.2.1 短期热负荷规划
5.2.2 投诉情况反馈
5.3 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于遗传算法优化支持向量回归机参数的供热负荷预测[J]. 张佼,田琦,王美萍. 暖通空调. 2017(02)
[2]基于支持向量机和模拟退火算法对供暖热负荷的预测方法[J]. 张震,徐子怡,袁淑芳. 自动化技术与应用. 2016(02)
[3]基于粒子群优化算法的支持向量机研究[J]. 谷文成,柴宝仁,滕艳平. 北京理工大学学报. 2014(07)
[4]基于混沌理论和LSSVM的蒸汽负荷预测[J]. 张华强,张晓燕. 系统工程理论与实践. 2013(04)
[5]基于禁忌粒子群算法的热电联产负荷经济分配[J]. 顾慧,郭振宇,刘伟,司风琪,徐治皋. 东南大学学报(自然科学版). 2013(01)
[6]基于相似日搜索的空调短期负荷预测方法[J]. 王小刚,石为人,高鹏,周伟. 华中科技大学学报(自然科学版). 2011(12)
[7]基于改进的灰色模型在区域热负荷中期预测中的应用[J]. 王渡,郑莆燕. 区域供热. 2010(02)
[8]基于季节性时间序列模型的空调负荷预测[J]. 孙靖,程大章. 电工技术学报. 2004(03)
[9]应用级联神经网络预测供热锅炉次日小时热负荷的初步研究[J]. 曹双华,曹家枞. 东华大学学报(自然科学版). 2004(01)
[10]基于神经网络的供热计量系统热负荷短期预测[J]. 郝有志 ,李德英 ,郝斌. 暖通空调. 2003(06)
博士论文
[1]基于不平衡数据集的支持向量机模型与算法研究[D]. 张静静.中国农业大学 2015
[2]室内均匀热环境中的人体热反应（偏热条件）[D]. 杨宇.重庆大学 2015
[3]支持向量机的迭代学习算法及其应用[D]. 李兵.清华大学 2014
[4]群智能混合优化算法及其应用研究[D]. 匡芳君.南京理工大学 2014
[5]集中供暖系统热负荷预测及运行优化[D]. 介鹏飞.天津大学 2013
硕士论文
[1]基于神经网络的短期负荷预测方法研究[D]. 刘文博.浙江大学 2017
[2]基于灰色理论的电力负荷预测研究[D]. 王超.山东大学 2016
[3]大型商业建筑空调负荷预测方法的研究[D]. 任鹏.天津大学 2014
[4]集中供热系统的热负荷预测方法研究[D]. 李胜涛.长安大学 2014
[5]基于粒子群算法的供热负荷组合预测[D]. 许明子.东北石油大学 2011
[6]基于神经网络的供热系统负荷预测[D]. 刘严崴.天津大学 2009
[7]负荷预测中相似日的选择研究[D]. 黄金榜.浙江大学 2008
[8]供热系统调控模式研究及其模拟分析[D]. 王浩.吉林大学 2006
[9]基于自适应遗传人工神经网络的集中供热负荷预测与控制研究[D]. 王东亚.辽宁工程技术大学 2005
本文编号：3687930
本文链接：https://www.wllwen.com/kejilunwen/sgjslw/3687930.html
