基于天气预报的集中供热系统短期热负荷预测

李 琦，韩 颖

（内蒙古科技大学 信息工程学院，包头 014010）

针对短期热负荷预测，学者们分别提出了多种不同类型的神经网络预测模型。文献[1]给出一种小波神经网络的热负荷预测方法；文献[2]做了基于Elman型神经网络的集中供热系统热负荷预测；文献[3]开展了神经网络遗传算法在供热负荷预测中的应用研究。但考虑影响热负荷变化的天气因素[4]，将天气预报加进神经网络模型的研究却很少。当天气骤变，供热量过低不能满足人们需求，供热量高于人们舒适度的要求又将造成能源浪费。因而，天气因素的获取，尤其是实时天气预报的获取，将大大提高热负荷预测的准确性和及时性[5]。

1 天气预报的实时获取

API即应用程序编程接口，是指软件或网站为第三方开发人员提供的接口，利用这个接口，可以仅靠几条简单的指令就能访问网站里所需要的数据，而不必详尽地了解其内部机理[6]。

获取数据的具体步骤如下：

1）在Matlab软件平台中编写应用程序，访问中国天气网的 API接口：http：//www.Weather.com.cn/data/sk/101230101.html，获得实时天气信息和未来时刻天气预报。

2）通过API接口从网络资源中得到的文本是城市天气信息的URL。URL（uniform resource locator）即统一资源定位器，指的是Internet文件在网上的地址，好比一个街道在城市地理上的地址。URL使用数字和字母按一定顺序排列以确定一个地址。

3）执行URL，得到json格式的返回文本。json是一种轻量级的数据交换格式，采用完全独立于语言的文本格式。json可以将javascript对象中表示的一组数据转换为字符串，并在函数之间轻松地传递这个字符串，或者在异步应用程序中将字符串从Web客户机传递给服务器端程序。

json形式的数据格式示例：

{"Name1"："aa"，"Name2"："123"}

冒号前面是属性名，冒号后面是该属性的值，多个属性用逗号隔开。

4）在API返回的诸多json参数中采用特殊符号查找的方法提取有用信息，即实时温度值和未来时刻的预测温度。

本次实验通过API接口来获取实时天气和预报天气，开发平台采用Matlab软件，将天气预报的获取和神经网络模型的建立都结合在Matlab程序中，大大提高了由数据采集到热负荷预测的方便性和可操作性。

2 改进的BP神经网络

BP神经网络有收敛速度慢和容易陷入极小值的缺点，为解决此问题，在网络训练过程中采用动态调节学习率以及在调整权值的过程中加入动量项的方法[7]。

2.1 BP神经网络的结构

BP神经网络是一种多层前馈神经网络，一般具有3层或3层以上的神经元结构，包括输入层、隐藏层和输出层。上下层之间实现全连接，同一层神经元之间无连接，输入信息由输入层到隐藏层，并传向输出层，每一层的神经元状态只影响下一层神经元的状态。由一层节点输出传送到另一层节点时，通过调整网络权值ωij来达到增强或减弱这些输出的作用。除输入层外，隐藏层和输出层节点的输入是前一层节点输出的加权和。BP神经网络的结构如图1所示。

图1 BP神经网络结构图Fig.1 Structure of BP neural network

图中，BP神经网络有n个输入节点，j个输出节点，隐含层有k个神经元。x1，x2，…xn为网络的实际输入，y1，y2，…yj为网络的实际输出，从 xn到 Ri的连接权值为ωni，从Ri到yj的连接权值为ωij，隐含层传递函数为sigmoid函数，输出层传递函数为线性函数。BP学习算法的基本原理是梯度下降法，中心思想是调整权值使网络总误差最小。

2.2 改进BP学习算法

算法具体步骤如下：

1）神经网络的构建和初始化

2）提供训练集，

3）按下列公式计算实际输出：定义隐层函数为f1（·），输出层函数为 f2（·）

4）计算期望值与实际输出的误差，定义目标函数：

6）调节学习率，修正权值，并且在修正权值中加入动量项：

7）判断是否满足要求，满足退出，不满足返回步骤3循环执行，直到误差满足要求为止。

3 神经网络模型的建立

3.1 输入量、输出量的选取

本实验以BP神经网络作为预测模型，考虑到影响热负荷变化的最重要因素，即外界温度的高低，因而选取神经网络的输入变量为热负荷值、实时天气温度和未来时刻的天气预报3方面；目标是预测一天的热负荷变化，因而将预测日24 h，每间隔一小时对应的热负荷值作为神经网络的输出量。

实验中采用的热负荷值来源于包钢技校2013年12月的数据，包钢技校的供热系统有自动监控界面，可获取热负荷值，采样间隔为10 min，通过API接口获取的实时天气和未来天气每小时更新一次，由于神经网络模型2个输入变量的采样数据时间间隔不统一，因此需要对数据进行整合处理，鉴于集中供热系统数据变化缓慢，所以以1 h的时间间隔为准。

3.2 数据预处理

集中供热系统的热负荷是受多种因素影响的既有规律性又含随机性的时间序列[8]，由于采集系统的不完全可靠和工程实际对负荷预测的要求，使得筛选历史数据中的异常数据并对它们进行有效的预处理成为预测工作的前提。对于该研究对象，采用比较简单的方法处理数据，如果热负荷值在整点时刻出现异常，则用前10 min采集到的值和后10 min采集到的数值求平均数作为该整点时刻的热负荷。

任意选取48 h的热负荷值和温度值作为训练数据，一天的数据作为神经网络的输入量，一天的数据作为神经网络的输出量，验证神经网络的训练情况。处理后的神经网络模型训练数据如表1所示。

表1 训练数据Tab.1 Training data

3.3 滚动预测

考虑到将24 h的热负荷值同时作为输出量，神经网络将过于冗余，导致训练时间过长，因而采取一种滚动优化的方式，将24个预测点依次输出，将输出层节点数减为1个。具体步骤如下：

第1步确定具体输入量，输出量的神经元个数。 输入神经元为 7 个，分别是（k-2）时刻、（k-1）时刻、k 时刻的热负荷值，（k-2）时刻、（k-1）时刻、k 时刻的温度值以及k+1时刻的天气预报，输出神经元1个，为k+1时刻的热负荷值。

第2步去除 （k-2）时刻的热负荷值和温度值，将计算出的k+1时刻的热负荷和温度值，连同（k-1）时刻的热负荷和温度值，k时刻的热负荷和温度值，再加上调用API接口获得的（k+2）时刻的天气预报温度值，作为输入量，输出量为（k+2）时刻的热负荷。

第3步以此往复，每预测出下一时刻的热负荷值，就将最前面时刻的热负荷和温度值剔除掉，将新时刻的热负荷和对应的温度以及预测时刻的天气预报作为输入，输出预测时刻的热负荷，直到预测出（k+24）时刻的热负荷为止。本次试验采用45组数据进行训练。

建立的BP神经网络模型如图2所示。

4 预测结果及误差分析

图2 神经网络模型Fig.2 Model of neural network

在建立模型网络时隐含层节点数的选取也是至关重要的，根据一些经验公式先尝试一个较小的节点数，再加大，最后确定当隐含层节点数为14时，预测结果较好。最大训练次数为1000次，误差目标定位0.0004。在Matlab中编写算法程序，得到预测结果如图3所示，图4是预测误差。

图3 测试结果Fig.3 Test result

图4 预测误差Fig.4 Forecast error

由图3、图4可以看出，预测值和期望输出值较为接近，从相对误差上看，大部分时间点的预测误差都在2%以内，只有个别几点误差偏大，如上午九点误差约为12%，下午三点误差约为8%。同时预测输出基本能反应出夜晚温度较低时热负荷较大，白天温度较高时热负荷较小的变化趋势。

5 结语

本文在建立神经网络模型预测集中供热系统的热负荷时，考虑了影响热负荷变化的重要因素，即温度的变化，并采用了以Matlab为平台，通过中国天气网的API接口获取温度预报值的方式。由天气预报和热负荷建立起来的新型BP神经网络模型做出的热负荷预测有较好的精度，并能在一定程度上反应一天中热负荷走向，提前得到未来的热负荷序列，便于控制。本实验提出的方法切实可行，对热负荷预测提出了新的思路与实践。

[1]Ma Tao，XuXiangdong.Load predictions for district heating systems based on a WNN model[J].Journal of Tsinghua University（Science and Technology），2005，45（5）：708-710.

[2]崔高健，凡东生，曲永利.基于Elman型神经网络集中供热负荷预测模型的研究[J].建筑节能，2011，39（3）：9-11.

[3]王东亚，张琳，赵国材.神经网络遗传算法在供热负荷预测中应用[J].辽宁工程技术大学学报：自然科学版，2005，24（4）：161-163.

[4]谢静芳，王宝书，姜红.基于小时气象因子的神经网络短期负荷预测模型[J].中国电力，2007，40（9）：82-86.

[5]贺蓉，曾刚，姚建刚，等.天气敏感型神经网络在地区电网短期负荷预测中的应用[J].电力系统自动化，2001，25（17）：32-35，52.

[6]李余琨，杨平，朱燊权.支持开放的API接口的增强型业务[J].计算机工程与应用，2004，40（10）：134-136.

[7]张文鸽，吴泽宁，逯洪波.BP神经网络的改进及其应用[J].河南科学，2003，21（2）：202-206.

[8]康重庆，周安石，王鹏，等.短期负荷预测中实时气象因素的影响分析及其处理策略[J].电网技术，2006，30（7）：5-10.