本文關(guān)鍵詞：基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的長春東卉供熱區(qū)域熱力負荷預(yù)測研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：在世界能源極度緊張和工業(yè)發(fā)展帶來嚴重污染的今天,集中供熱可以減少能源的使用,降低環(huán)境污染,進而可以提高經(jīng)濟發(fā)展的效益,因此近些年來集中供熱已經(jīng)成為我國主要的供熱形式,也將成為今后區(qū)域供熱的一個研究熱點,隨著集中供熱的不斷改革創(chuàng)新,每個熱用戶分別使用計量的采暖設(shè)計不斷地被推廣,對集中供熱和熱網(wǎng)能源有效利用提出了更高的要求,因此熱力負荷預(yù)測算法將對整個熱力生產(chǎn)帶來重要的意義。本文主要針對目前能源緊張,集中供熱要求迫切的形式,選擇粒子群算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,并將其應(yīng)用到熱力負荷預(yù)測算法當中,結(jié)果表明優(yōu)化后的算法的準確性和穩(wěn)定性都比沒優(yōu)化前有了很大的改觀。本文分析這些預(yù)測算法的原理并結(jié)合熱力負荷的反應(yīng)時間比較長,各種供熱相關(guān)參數(shù)所對應(yīng)的檢測數(shù)據(jù)之間關(guān)系比較復(fù)雜,管網(wǎng)供回水壓力、溫度、室外氣溫、日照情況、負荷溫度等等,各種供熱相關(guān)參數(shù)所對應(yīng)的檢測數(shù)據(jù)之間不存在著直接相關(guān)性,由此本課題選擇人工神經(jīng)網(wǎng)絡(luò)算法來處理這些數(shù)據(jù),最后選定最普遍應(yīng)用的BP神經(jīng)網(wǎng)絡(luò)算法,它的優(yōu)勢在于可以很好的處理非線性關(guān)系的數(shù)據(jù),并可以實現(xiàn)自我學(xué)習(xí)和最廣泛的適應(yīng)能力,但是BP神經(jīng)網(wǎng)絡(luò)還有一些局限性,例如初始權(quán)值設(shè)置是隨機設(shè)定的,因此神經(jīng)網(wǎng)絡(luò)訓(xùn)練很容易導(dǎo)致不穩(wěn)定或是達不到收斂的狀態(tài),同時梯度下降法很容易獲得局部極值,因此會導(dǎo)致預(yù)測準確性很差。因為BP神經(jīng)網(wǎng)絡(luò)有著這些缺陷大大的限制了它在工程當中的應(yīng)用,因此選用粒子群算法對其進行優(yōu)化來降低算法的缺陷,并穩(wěn)定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),并對初始的隨機權(quán)值進行快速的調(diào)節(jié),使網(wǎng)絡(luò)快速達到收斂狀態(tài),提高BP神經(jīng)網(wǎng)絡(luò)算法的運算速度。本文最主要的部分是熱力負荷預(yù)測模型的確定,難點在于確定BP神經(jīng)網(wǎng)絡(luò)和粒子群算法結(jié)構(gòu)以及兩者是如何結(jié)合在一起建立起更優(yōu)越的算法模型,并分析了優(yōu)化后的模型的結(jié)構(gòu)和參數(shù)的確定方式,以及整個模型進行預(yù)測時的流程。采用東卉區(qū)域鍋爐房冬季的熱力負荷數(shù)據(jù)輸入到系統(tǒng)的模型進行短期的負荷預(yù)測,通過仿真實驗結(jié)果看出優(yōu)化后的算法誤差大大的減少了,速度也加快了很多。
【關(guān)鍵詞】：粒子群 優(yōu)化 BP神經(jīng)網(wǎng)絡(luò) 負荷預(yù)測
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TU995;TP18
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 課題的研究背景及意義10-12
• 1.2 國內(nèi)外在熱力負荷預(yù)測算法的發(fā)展狀況12-15
• 1.3 熱力負荷預(yù)測算法的研究意義15-17
• 1.4 本文的主要內(nèi)容17-18
• 第2章 東卉供熱區(qū)域基本概況及熱力負荷預(yù)測算法18-36
• 2.1 熱力管網(wǎng)系統(tǒng)18-19
• 2.2 東卉供熱區(qū)域項目概況19-23
• 2.3 東卉鍋爐房集中供熱監(jiān)控系統(tǒng)23-25
• 2.4 東卉鍋爐房現(xiàn)場分布式控制層控制策略25-31
• 2.5 熱力負荷預(yù)測算法31-35
• 2.6 本章小結(jié)35-36
• 第3章 東卉供熱區(qū)域熱力網(wǎng)絡(luò)負荷預(yù)測分析36-42
• 3.1 熱力負荷的分類和特性分析36-37
• 3.2 熱力管網(wǎng)熱負荷預(yù)測影響因素37-39
• 3.3 熱網(wǎng)負荷特性分析39-40
• 3.4 熱力負荷預(yù)測算法誤差分析40-41
• 3.5 本章小結(jié)41-42
• 第4章 東卉供熱區(qū)域熱力負荷預(yù)測模型的建立42-63
• 4.1 熱力負荷預(yù)測模型的變量參數(shù)的確定42
• 4.2 負荷數(shù)據(jù)的預(yù)處理42-44
• 4.3 預(yù)測模型的核心算法實現(xiàn)44-59
• 4.4 短期負荷預(yù)測模型的建立59-62
• 4.5 本章小結(jié)62-63
• 第5章 東卉供熱區(qū)域熱力負荷預(yù)測的驗證63-71
• 5.1 實驗開展的背景63
• 5.2 熱力負荷預(yù)測算法驗證過程63-70
• 5.3 本章小結(jié)70-71
• 第6章 結(jié)論與展望71-73
• 6.1 結(jié)論71
• 6.2 展望71-73
• 參考文獻73-77
• 作者簡介及科研成果77-78
• 致謝78

【相似文獻】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 全紅梅;基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的長春東卉供熱區(qū)域熱力負荷預(yù)測研究[D];吉林大學(xué);2016年

  本文關(guān)鍵詞：基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的長春東卉供熱區(qū)域熱力負荷預(yù)測研究，由筆耕文化傳播整理發(fā)布。

本文編號：430511