基于改进BP神经网络的供热系统二网回水温度预测方法

刘军杰 王书铭 姜 威

（华能松原热电有限公司，吉林 松原 138000）

集中供暖系统是一个能源服务系统，与个人家庭供暖不同，集中供暖系统需要在全境投资建设一个分配网络。智能监测和管理集中供热系统的节能是一项复杂的多学科技术，对提高供热网络的性能具有重要作用。

由于集中供热系统具有时变、时延和非线性的特点，换热器温控系统的二次回水温度必须根据实际情况确定，因此建立一个模型，根据实际运行情况预测换热器的二次回水温度非常重要。研究人员提出了多种方法来提高预测精度，但这些统计模型只对稳定的数据有效，而热负荷时间序列往往是不稳定的。神经网络算法也被广泛用于预测二级水温。在文献中，径向基函数（RBF）预测模型被用来预测二次回水温度，使用一次给水温度、一次给水流量、二次给水温度、二次给水流量和室外温度为输入数据。

1 建立二次回水温度预测特征集

BP 神经网络是应用最广泛的人工神经网络机器学习模型。它是一个多层次的前馈型网络，包括非线性的正态变异单位。它的学习机制可以充分利用信号前后和误差后向修正，持续迭代学习，形成完整的智能网络模型，可以处理多种类型的非线性信息[1]。简单地说，BP 神经网络是一种通过误差反转进行学习和训练的方法。在BP 神经网络中，如果有适当的采样数据样本，则会启动网络的学习功能，在隐藏层的每步后，都会在输入层获得相应的输出值，与实际值进行比较，并计算出误差，然后根据逆向比较逐步调整各隐蔽层的初始参数，最后返回隐藏层。通过扩散前向传播和逆向修正，使输入数据对网络的反应比准确度快，最后使误差与环境需求相匹配。神经网络训练的成功机制与人类的学习机制有共同之处，下文概括了BP神经网络的基本特点。

第一，自适应性。自适应性指的是如果外部的环境有所改变，例如信号的传递中有新的数据被加入，那么在该网络中，每个层次都会对其进行主动调节，从而对其层与层之间的联系进行修改，然后对比新的输出值与外界的真实情况。再通过传输误差的信号在反误差调整过程中进一步调整权重，直到对外部输入做出的预测几乎等于期望的输出值[2]。

第二，非线性。人类大脑是一个非常庞大的、对各种非线性信息进行分析和处理的系统。复杂的、非线性的关系在某种层面上一直存在于人类大脑内的神经元和人工神经元的活跃或被抑制状态中。在比较广泛的范畴中，输入的数据信息与被预测的输出值依靠BP 神经网络形成了各式非线性连接。

第三，容错性。由于神经网络具有存储分布式信息的能力，其较高的容错性使其有可能适当恢复遭受局部破坏的输入信息，虽然质量有所下降，性能适度下降，但不会造成较大偏差，是评估神经网络适用性的一个重要因素。

第四，计算并行性。并行性是神经网络的一种固有特性。因为各神经元之间互不依赖，因此就算是在同一层上，神经元也可以实现并行运算，把不同层的信息传递给下一层次。该特性极大地提高了BP 网络的运算效率。

第五，输入、输出映射。在该基础上，基于BP 神经网络的导向，选择具有惟一特征的每类信号作为一个独立的训练集合，使其在给定的参数条件下，能够在给定的时间内对其进行多种类型的训练，使其具有较好的稳定性。

BP 神经网络包括一个输入层、一个输出层以及大于等于1 的中间层。一个拥有3 层的BP 神经网络，一头一尾的2 层称为输入层、输出层，中间的各层称为隐含层。在BP 神经网络中，每层神经元的数量和输入信号的维数相等。其中，在输入层中，神经元数目等于维数，而在隐藏层中，其层数和神经元数目随实际情况的变化而具有不一致性。输出层与输入层相同，输出层的神经元数等于输出信号的维数，可以微调的S 型生长曲线是每个神经元的激活函数。

在误差较大的情况下，误差的反向传播阶段就会启动，误差以被设定的一种形式分别通过输出层、隐藏层反向传播到输入层，通过各层神经元节点传播误差。误差的信号在每个节点被提取出来，每层节点间连接节点的权重通过误差信号来进行调整。在该迭代分布的适应过程下，输入信号的识别效率不断获得提升，误差最终满足设定的要求或者在设定的合理区间内，此时学习和训练已经完成了[3]。

采集的气象数据为1h 间隔的室外温度、风力、相对湿度和空气质量指数（AQI），采集的交换数据为1min 间隔的一次网进水温度、一次网回水温度、二次网进水温度、二次网交换回水温度。每个小时的每个温度参数的平均值、最大值和最小值被用来计算变频站的数据。在集中供热系统中，该文计算了平均一次网水温、最高一次网水温、最低一次网水温、平均一次网回水温度、最高一次网回水温度、最低一次网回水温度、最低一次网回水温度、平均二级网水温、最高二级网水温以及最小二次系统水温，换热站的任何一个小时数据的变化，如外界空气温度、相对湿度、风和空气质量等都会改变二次输出水温，但由于这些因素对二次输出水温的影响不同，因此用皮尔逊系数来分析这些变量之间的相关性[4]。

其中，当r接近0 时，意味着2 个变量之间的线性相关关系较弱。各影响因素与水温的二次方之间的皮尔逊相关系数如图1所示。

图1 皮尔逊相关系数示意图

图1 为各个影响因素与二次回水温度的相关系数柱状图。可以看出，气象数据中的相对湿度、AQI与二次回水温度的相关性较小。

2 二次回水温度预测模型设计

根据相关性分析，在函数集Set1、Set2 和Set3 中为每个模型生成3 套预测函数，输入神经元的数量为5、10 和11，输出神经元为1[5]。

2.1 RNN 预测模型的设计

RNN 模型是专门为处理顺序数据或时间序列而设计的，RNN 模型的结构如图2所示。

图2 RNN 结构图

给定一个输入时间序列x={x1，x2，....，xt}，RNN 使用公式（2）和公式（3）生成一组隐藏状态h={h1，h2，....，ht}和输出集合y={y1，y2，...，yt}，迭代产生。

式中：Whx、Whh、Wyh为权重矩阵；向量bh、by为偏差。

2.2 DNN 预测模型的设计

开发的DNN 模型由4 层组成，如图3所示。

图3 DNNs 结构图

在全连接层中，使用了一个丢弃函数来解决匹配问题。在这里，神经元在一个给定的训练迭代中随机产生。

2.3 LSTM 预测模型的设计

得到的LSTM 模型的2 个隐藏层的神经元数量为50 和100，LSTM 的结构如图4所示。

图4 LSTM 网络结构图

LSTM 的存储单元有3 个门，即输入门、遗忘门及输出门，单个LSTM 单元的操作如公式（4）～公式（9）所示。

3 二次回水温度预测流程

预测换热站二次回水温度的程序如下：1）将原始数据，包括气象数据和换热站主网的二次网数据装入存储器。2）对数据进行预处理，并将数据归一化到[0，1]的范围内。3）根据第1 节第四个特征“计算并行性”的相关分析结果确定3 组预报要素，将要素集分为训练集、验证集和测试集，并计算各预测模型对不同症状集的预测性能[7]。二次水温预测过程如图5所示。

图5 二次回水温度预测流程图

4 试验

验证试验在一台Windows10 计算机上进行，使用Python 编程语言、一台热交换器2017—2018年夏季的当地天气数据。第一步，安装PyCharm 模拟软件并导入必要的库；第二和第三步，使用Panda 库的read_csv 函数读取原始数据文件，并使用numpy 库；将数据分成8 ∶1 的训练集、验证集和测试集；通过一对一合并和交叉验证，最终确定模型。第四步，在测试集中用不同的预测模型对模型的性能进行测试。该测试集由过去2 天的48 组真实数据组成[8]。在测试过程中，除了不同的预测模型，所有可能影响预测准确性的因素都没有改变。

4.1 模型性能

为了评估预测模型的性能，使用3 种标准误差指标分析预测性能，即均方根误差（RMSE）、绝对平均百分比误差（MAPE）和平均百分比误差（MPE）。

4.2 试验结果和分析

试验中使用的测试集共包括48h 的数据，横轴为小时，纵轴为二次水温（℃）。

RNN 预测结果如图6所示，二次侧出口水温的DNN模型预测结果如图7所示，LSTM 模型对二次侧出水温度的预测结果如图8所示。

图6 RNN 预测结果

图7 DNNs 预测结果

图8 LSTM 预测结果

Set3 提供了比Set1 和Set2 更好的预测结果，但2 个变体的二次输出水温的预测结果都不理想，DNN 的预测结果也是如此。因此，单个预测模型在Set3 数据库中提供了最好的预测结果。详细的试验结果见表1～表3[9]。表1 显示了Set1 中每个预测模型的性能指数，表2 显示了Set2 中每个预测模型的性能指数，表3 显示了Set3 中每个预测模型的性能指数，最后一列显示了每个预测模型的执行时间。

表1 各模型在Set1 上的性能指标

表2 各模型在Set2 上的性能指标

表3 各模型在Set3 上的性能指标

数据集Set1 只包括5 个影响二次输出水温的因素，即与一次供水、室外空气温度和风有关的因素。如表3所示，在Set3 数据集中，每个模型的MPE都是正的，RNN 模型有最好的预测，执行时间最短，运行效率最高[10]。

具有负值的模型预测的实际回水管温度太高，会造成能源损失。从表3 可以看出，所有模型的MPE值都是正的，这意味着模型预测的二次回水温度在实际值内，因此可以节约能源。

5 结语

目前，BP 神经网络技术在世界各大领域均有较广泛的应用，因此对相关课题的研究具有较大的现实意义。该文以供热系统为主要研究对象，根据实际现场的测量数据集，通过相关分析确定了3 组预测特征，并建立了RNN、DNN 和LSTM 共3 种预测模型来预测变电站的二次回水温度。