本文關鍵詞： 熱負荷預測 層級熱量結算點 相關性分析 組合預測 信息熵 Adaboost　出處：《太原理工大學》2017年博士論文　論文類型：學位論文

【摘要】：供熱是關系國計民生的重要基礎行業(yè)和公用事業(yè)。隨著供熱的商品化,供熱系統(tǒng)熱負荷預測作為供熱規(guī)劃、生產、調度和交易等工作的基礎,在供熱系統(tǒng)安全和經濟運行中起著至關重要的作用。供熱負荷預測精度的高低直接影響到供熱系統(tǒng)的供熱質量、安全性和經濟性。隨著供熱系統(tǒng)節(jié)能減排進程的不斷推進和智慧供熱的需求,使供熱負荷預測越來越成為該領域研究的前沿和熱點問題,其研究對節(jié)能減排、治理霧霾具有重要的意義。由于滯后性、管網的熱損失、用戶種類復雜程度的差異性等導致了城鎮(zhèn)供熱系統(tǒng)不同熱量結算點熱負荷具有不同的規(guī)律特點,本文將供熱負荷按層級熱量結算點來劃分,分析各自的影響因素,引入智能算法以及相關組合理論預測技術,以城鎮(zhèn)供熱系統(tǒng)實測數據為基礎,對各層級供熱負荷預測的理論與方法進行深入研究,為供熱系統(tǒng)運行管理提供較為科學的決策依據。主要研究工作和創(chuàng)新成果如下:(1)對不同層級熱量結算點熱負荷的特點、影響熱負荷的因素及導致熱負荷預測誤差的相關因素進行了分析;針對歷史數據樣本的離群數據進行縱向和橫向預處理,使其能夠更加與熱負荷實際運行趨勢一致,進而為后期利用這些歷史數據樣本進行各級熱量結算點短期熱負荷預測奠定了基礎;將相關性分析應用在各層級熱量結算點熱負荷預測模型輸入維數的選擇上,使得輸入變量與各層級預測熱負荷相關性更強,為提高預測結果的準確性和改善預測性能做好進一步的準備;此外,對進入模型的各參數進行歸一化處理,避免進入模型的各參數因數值差異大而導致預測性能下降。(2)基于結構風險最小化原則,提出粒子群(pso)優(yōu)化支持向量機(svm)模型熱源熱負荷預測方法。該方法對解決系統(tǒng)大熱慣性、大時滯性導致熱源熱負荷隨室外溫度變化的非線性問題有較好的效果。建立了遺傳(ga)優(yōu)化支持向量機(svm)、標準支持向量機(svm)及粒子群(pso)優(yōu)化支持向量機(svm)熱源熱負荷三種預測模型,通過相關性分析并確定預測模型輸入變量的維數,證明了粒子群(pso)優(yōu)化支持向量機(svm)模型在預測精度和泛化能力方面均優(yōu)于其他兩種預測模型。(3)針對一般熱交換站用戶類型較單一、樣本容量大的問題,提出基于adaboost組合多個弱預測器構建出一個強預測器的熱交換站熱負荷預測方法。弱預測器采用處理大樣本、容錯能力強的bp神經網絡模型,其網絡閾值和權值的優(yōu)化選用經過篩選出的粒子群算法(pso)。利用adaboost理論對9個粒子群(pso)優(yōu)化bp神經網絡預測進行組合構建出一個強預測模型。針對熱交換站熱負荷及其相關參數歷史數據樣本進行相關性分析,篩選出與熱負荷最相關的影響因素作為預測模型的輸入變量維數,最后通過與粒子群(pso)優(yōu)化bp神經網絡方法和未經優(yōu)化的傳統(tǒng)bp神經網絡方法進行實驗比較,證明本文提出的預測模型有效提高了熱交換站熱負荷的預測精度和泛化能力。(4)針對建筑熱負荷樣本數量少及熱計量引起的用戶調節(jié)規(guī)律不確定問題,提出兩種組合預測方法。將解決小樣本非線性問題的粒子群(PSO)優(yōu)化支持向量機(SVM)模型和容錯能力強的粒子群(PSO)優(yōu)化BP神經網絡模型作為組合方法中單一預測模型,基于信息熵理論提取單一預測模型中的有用信息,將提取的有用信息進行融合產生出更強預測能力的組合方法;在基于Adaboost組合粒子群(PSO)優(yōu)化BP神經網絡模型思想上,激發(fā)了將處理小樣本和非線性問題的支持向量機(SVM)模型作為弱預測器,結合Adaboost理論構建出由8個弱預測器組成的建筑熱負荷強預測模型。對建筑熱負荷及其相關參數進行相關性分析,找出適合各自預測模型的輸入變量,通過實例驗證,以上兩種組合預測方法均較單一預測模型有較高的預測精度,其中基于信息熵權組合方法更勝一籌,能更好地對住宅建筑熱負荷進行預測。
[Abstract]:Heating is an important basic industry and public utilities. The relationship beneficial to the people's livelihood with heating commercialization, heating load forecasting as heating planning, production scheduling, and trading based work, plays an important role in the safe and economical operation of heating system. For heat load forecasting accuracy directly affects the quality of heat supply system, safety and economy. With the heating system energy saving and emission reduction in the progress of the wisdom and the demand for heating, the heating load forecasting has increasingly become the frontier and hot issues in the research field, the research on energy saving and emission reduction, plays an important role in the governance haze. Due to the lag, the heat loss of the pipe network, the user types the complexity of the differences lead to different urban heating system heat clearing heat load has different characteristic points, the heating load according to the level of heat According to settlement, analysis of the impact of each factor, the intelligent algorithms and the related theory of combination prediction technology to urban heating system is based on the measured data, in-depth study of the theory and method of the level of the heating load forecasting, provide scientific decision-making basis for the operation and management of heating system. The main research work and innovation are as follows: (1) the characteristics of heat load settlement of different levels of heat, analyzed the related factors of heat load forecast error cause and influence factors of heat load; according to the outlier data historical data samples for vertical and horizontal pretreatment, to make it more consistent with the heat load of the actual operation, and for later use these history the sample data has laid the foundation for short-term load forecasting at all levels of thermal heat settlement; the application of correlation analysis in all levels of heat clearing point pre heat load Measuring the input dimension of model selection, the input variables and the level of prediction of heat load correlation is stronger, make further preparations for accuracy and improve the prediction performance to improve the prediction results; in addition, the parameters into the model are normalized to avoid the parameters into the model for numerical difference caused the prediction performance decline. (2) based on structural risk minimization principle of particle swarm optimization (PSO) support vector machine (SVM) prediction model of heat source heat load. The method to solve the system thermal inertia, large time delay in heat load nonlinear problems with the outdoor temperature change has a better effect. To establish a genetic optimization support (GA) support vector machine (SVM), standard support vector machine (SVM) and particle swarm optimization (PSO) support vector machine (SVM) and heat load of three kinds of prediction model, through the correlation analysis and determine the model input Variable dimension (PSO) proved that particle swarm optimization support vector machine (SVM) model is superior in the prediction accuracy and generalization ability of the other two kinds of forecasting model. (3) for the heat exchange station user type is relatively single, large sample size problems, put forward a combination of AdaBoost to construct a weak predictor a strong predictor of heat exchange station heat load forecasting method based on weak predictor. Using large sample processing, BP neural network model for fault tolerant ability, optimize the network weights and threshold selection after selected particle swarm algorithm (PSO). By using the AdaBoost theory of 9 Particle Swarm (PSO) to build a prediction a strong prediction model of BP neural network optimized by correlation analysis. According to the heat exchange station heat load and parameters related to historical data sample, selected factors related to thermal load as input variables of predictive model Finally, dimension, and particle swarm optimization (PSO) method of BP neural network and the traditional BP neural network method to optimize the experimental results show that the model proposed in this paper effectively improved the station heat load forecasting accuracy and generalization ability of heat exchange. (4) for the number of building heat load and heat metering caused by small sample the user control law uncertain problems, put forward two kinds of forecast methods. Combined particle swarm will solve small sample nonlinear problems (PSO) optimization of support vector machine (SVM) particle swarm models and fault tolerant ability (PSO) to optimize the BP neural network model as a single method in combination forecasting model, information entropy theory to extract useful the single information in the prediction model based on the useful information extracted from fusion to produce more combination prediction method based on particle swarm combination; Adaboost (PSO) on the idea of optimization BP neural network model, Stimulate the support vector machine will deal with small samples and nonlinear problem (SVM) model as a weak predictor is constructed, consisting of 8 weak predictor building heat load forecast model combined with the Adaboost theory. The correlation analysis of building heat load and its related parameters, to find suitable for their respective input variables in the model, through the examples, more than two kinds of combination prediction methods were compared with the single prediction model has higher information entropy, the combination method based on edge, can predict residential building heat load better.

【學位授予單位】：太原理工大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TU995

【相似文獻】

相關期刊論文 前10條

1 馬麗萍,褚立國;試論平均預測模型假設[J];內蒙古科技與經濟;2004年14期

2 張成;王興春;;空中機動目標航路預測模型[J];火力與指揮控制;2007年09期

3 李楷;;論汽車整車庫存預測模型的構建[J];現代商貿工業(yè);2008年05期

4 趙國清;張少勇;;關于成長曲線預測模型參數識別的一點看法[J];哈爾濱科學技術大學科學報告會論文摘要匯編;1985年S1期

5 左常勇;;隨機疲勞壽命分布預測模型[J];機械強度;1988年02期

6 ;《節(jié)能管理和預測模型》[J];中國能源;1991年08期

7 劉沐宇,鄭澤岱;灰色預測模型及在巷道收斂位移中的應用[J];非金屬礦;1992年05期

8 張步涵;鄭琢非;;灰色預測模型在農電規(guī)劃中的應用[J];水電能源科學;1993年02期

9 陳淑敏;王秀英;;指數預測模型及參數識別[J];哈爾濱科學技術大學學報;1993年03期

10 陳傳波,劉廣宇;實時參量預測模型及其分析[J];湖北工學院學報;2001年04期

相關會議論文 前10條

1 鄢小彬;肖新平;;基于灰色馬爾可夫模型的煤礦安全預測[A];第九屆中國青年信息與管理學者大會論文集[C];2007年

2 羅榮桂;黃敏鎂;;基于自適應神經模糊推理系統(tǒng)的服務業(yè)發(fā)展預測模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;劉豹;徐德民;;預測模型的選擇及其智能化實現[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

4 肖健華;吳今培;;基于支持向量機的預測模型及應用[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

5 李陽旭;鄧輝文;;一種新的企業(yè)市場預測模型及其比較研究[A];2004年中國管理科學學術會議論文集[C];2004年

6 馬志元;;城市區(qū)域經濟、人口、能源、環(huán)境綜合系統(tǒng)預測模型及應用[A];中國城市建設與環(huán)境保護實踐——城市建設與環(huán)境保護學術研討會論文集[C];1997年

7 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角氣象科技論壇論文集[C];2004年

8 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角科技論壇——氣象科技發(fā)展論壇論文集[C];2004年

9 張曉f^;;全球煤炭產量的灰色預測模型[A];中國現場統(tǒng)計研究會第十三屆學術年會論文集[C];2007年

10 肖會敏;樊為剛;;基于神經網絡的糧食產量預測模型[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

相關重要報紙文章 前10條

1 劉慶;“預測模型”要緩行[N];網絡世界;2006年

2 特約記者 劉京濤;華東化工銷售員工設計價格預測模型見成效[N];中國石油報;2010年

3 南方日報記者 彭琳　實習生 周鵬程;預測世界杯之外 大數據還能做什么[N];南方日報;2014年

4 本報記者 張超;預測模型：推算SARS起落潮[N];科技日報;2003年

5 本報記者 段佳;機器“品肉師”替您“嘗鮮”[N];大眾科技報;2010年

6 BMC首席IT技術官 Mahendra Durai　IDC顧問 Eric Hatcher Randy Perry;預測智能：管理復雜基礎架構的鎖鑰[N];中國計算機報;2010年

7 張琳 趙偉;巧用Excel構建利潤預測模型[N];財會信報;2007年

8 楊宜勇（作者為國家發(fā)改委經濟研究所副所長）;發(fā)揮信息化對就業(yè)的“增補效應”[N];第一財經日報;2005年

9 本報記者 湯潯芳　實習記者 董文萍;“孵化器”模式：大數據的垂直運營樣本[N];21世紀經濟報道;2014年

10 本報記者 安豐;深部找礦的探鏡[N];中國國土資源報;2006年

相關博士學位論文 前10條

1 師懿;城市交通規(guī)劃環(huán)評中空氣污染預測模型研究[D];中國地質大學;2015年

2 張麗;牦牛肉用品質特性及近紅外預測模型和產量等級系統(tǒng)的研究[D];中國農業(yè)科學院;2015年

3 王菲;肉牛飼料有效能值預測模型的建立與評價[D];中國農業(yè)大學;2016年

4 文江平;農村地區(qū)成人2型糖尿病發(fā)生風險相關生物標志物的篩選及預測模型的建立[D];中國人民解放軍醫(yī)學院;2016年

5 白云鵬;華法林穩(wěn)態(tài)劑量預測模型在瓣膜置換術后抗凝治療中的應用[D];天津醫(yī)科大學;2016年

6 孫鵬;風電機組狀態(tài)異常辨識廣義模型與運行風險評估方法研究[D];重慶大學;2016年

7 馬新;基于灰色系統(tǒng)與核方法的油藏動態(tài)預測方法研究[D];西南石油大學;2016年

8 付中濤;基于切削力預測模型的復雜曲面銑削進給速度優(yōu)化研究[D];華中科技大學;2015年

9 王慧;胸外科患者術后慢性疼痛預測模型的建立[D];北京協(xié)和醫(yī)學院;2014年

10 馮瑞梅;子宮頸癌與高危型人乳頭瘤病毒感染的危險因素研究及風險預測模型構建[D];北京協(xié)和醫(yī)學院;2017年

相關碩士學位論文 前10條

1 劉冰;基于神經網絡的纖維熱磨過程能耗預測模型的研究[D];東北林業(yè)大學;2015年

2 張念;鐵路軌道幾何不平順趨勢預測的關鍵算法研究[D];西南交通大學;2015年

3 田振偉;城市能源預測模型的研究與應用[D];昆明理工大學;2015年

4 吳迪;基于模糊決策樹算法的安全庫存量預測模型[D];中國地質大學(北京);2015年

5 齊雯;采用灰色預測模型改進的HHT算法在故障診斷中的應用[D];華南理工大學;2015年

6 王萍;膀胱癌遺傳分數的計算及發(fā)病風險預測模型的構建[D];復旦大學;2013年

7 石大宏;基于序列的蛋白質—核苷酸綁定位點預測研究[D];南京理工大學;2015年

8 熊盛華;基于BP神經網絡的混合預測模型的實例研究[D];蘭州大學;2015年

9 趙Z，

本文編號：1455001