導語：供暖熱網(wǎng)預測神經(jīng)網(wǎng)絡管理論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要將人工神經(jīng)網(wǎng)絡應用于供暖熱網(wǎng)實時預報技術(shù)，建立起可用于熱網(wǎng)供暖預報的外時延反饋型BP網(wǎng)絡模型，及內(nèi)時延反饋型Elman網(wǎng)絡。本文利用牡丹江西海林小區(qū)鍋爐房2000年11月～2001年4月的部分熱網(wǎng)數(shù)據(jù)，對所建立的網(wǎng)絡進行訓練和檢驗，結(jié)果表明兩處預報模型的均具有較好的動態(tài)跟蹤能力和預報特性。而Elman網(wǎng)絡在節(jié)點結(jié)構(gòu)上比外時延反饋型BP網(wǎng)絡更簡單，在確定網(wǎng)絡節(jié)點結(jié)構(gòu)上更快捷，更具有實際推廣和應用價值。

關(guān)鍵詞人工神經(jīng)網(wǎng)絡供暖熱網(wǎng)預測外時延內(nèi)時延反饋型BP網(wǎng)絡Elman網(wǎng)絡

一些復雜的生產(chǎn)過程，如熱網(wǎng)供熱，由于其反應機理非常復雜，具有很強的非線性、大滯后、時變性和不確定性，難以建立被控對象的數(shù)學模型，至今仍很少實現(xiàn)閉環(huán)控制，只好有經(jīng)驗的操作人員進行調(diào)節(jié)。操作人員雖然沒有被控對象的數(shù)學模型，但是由于他們比較熟悉供暖熱網(wǎng)和設(shè)備，且在長期的現(xiàn)場工作中積累了豐富的操作經(jīng)驗，他們通過觀察儀表指示的變化，如熱網(wǎng)的從、回水溫度、室外溫度等參數(shù)，并且預估某些參數(shù)將要發(fā)生的變化，然后調(diào)整供熱負荷，以保證熱網(wǎng)供暖正常。這種人工控制方式一般也能達到較好的控制效果，但是由于操作人員的經(jīng)驗與能力的不同，或由于人的疲勞、責任心等原因，也時常會因操作不當造成熱網(wǎng)供暖不正常，或在產(chǎn)生突發(fā)事件時，不能預測將會發(fā)展或延續(xù)擴大的嚴重故障，而引發(fā)更大的故障。

預測對于提供未來的信息，為當前人人作出有利的決策具有重要意義。現(xiàn)有的預測方法如時間序列分析中的AR模型預測方法，只適用于線性預測，而且，還需要對所研究的時間序列進行平穩(wěn)性、零均值等假定，其適用范圍受到一定的限制。近年來，人工神經(jīng)網(wǎng)絡以其高度的非線性映射能力，在某些領(lǐng)域的預測中得到廣泛的關(guān)注。本文利用神經(jīng)網(wǎng)絡技術(shù)辨識供暖熱網(wǎng)動態(tài)預報系統(tǒng)的模型，并對其進行了實際訓練和測試，分別建立了外時延反饋型BP網(wǎng)絡模型和內(nèi)時延反饋型Elman網(wǎng)絡的預測模型。

1外時延反饋BP網(wǎng)絡

多層前向網(wǎng)絡是研究和應用的最廣泛也是最成功的人工神經(jīng)元網(wǎng)絡之一。多層前向網(wǎng)絡是一種映射型網(wǎng)絡。理論上，隱層采用Sigmoid激活函數(shù)的三層前向網(wǎng)絡能以任意精度逼近任一非線函數(shù)，神經(jīng)元網(wǎng)絡可以根據(jù)與環(huán)境的相互作用對自身進行調(diào)節(jié)即學習，一個BP網(wǎng)絡即是一個多層前向網(wǎng)絡加上誤差反向傳播學習算法，因此一個BP網(wǎng)絡應有三項基本功能：（1）信息由輸入單元傳到隱單元，最后傳到輸出單元的信息正向傳播；（2）實際輸出與期望輸出之間的誤差由輸出單元傳到隱單元，最后傳到輸入單元的誤差反向傳播；（3）利用正向傳播的信息和反向傳播的誤差對網(wǎng)絡權(quán)系數(shù)進行修正的學習過程。目前，多層前向網(wǎng)絡的權(quán)系數(shù)學習算法大多采用BP算法及基于BP算法的改進算法，如帶動量項的BP算法等。BP網(wǎng)絡雖然有很廣泛的應用，但由于它是一個靜態(tài)網(wǎng)絡，所以只能用于處理與時間無關(guān)的對象，如文字識別、空間曲線的逼近等問題。熱網(wǎng)供暖的各項參數(shù)都是與時間有關(guān)系的，而且我們即將建立的供暖熱網(wǎng)預報模型必須是一個動態(tài)模型。為此，必須在網(wǎng)絡中引入記憶和反饋功能?？梢杂袃煞N方式實現(xiàn)這一功能，一是采用外時延反饋網(wǎng)絡，即反輸入量以前的狀態(tài)存在延時單元中，且在輸入端引入輸出量以前狀態(tài)的反饋，如圖1所示；另一種方式是采用內(nèi)時延反饋網(wǎng)絡，既在網(wǎng)絡內(nèi)部引入反饋，使網(wǎng)絡本身構(gòu)成一個動態(tài)系統(tǒng)，如下面將要介紹的Elman網(wǎng)絡。

圖1處延時反饋網(wǎng)絡

2Elman網(wǎng)絡

如前所述，在BP網(wǎng)絡外部加入延時單元，把時間信號展開成空間表示后再送給靜態(tài)的前向網(wǎng)絡作為一類輸入，從而實現(xiàn)時間序列建模和預測。然而，這種方式大大增加了輸入節(jié)點個數(shù)因而導致了網(wǎng)絡結(jié)構(gòu)膨脹，訓練精度下降，訓練時間過長。

Elman動態(tài)網(wǎng)絡是動態(tài)遞歸網(wǎng)絡中較為簡單的一種結(jié)構(gòu)，如圖2所示。

圖2Elman網(wǎng)絡

由輸入層、隱含層、結(jié)構(gòu)層（聯(lián)系單元層）和輸出層組成，結(jié)構(gòu)層記憶隱含層過去的狀態(tài)，并在下一時刻與網(wǎng)絡的輸入，一同輸入隱含層，起到一步延時算子作用。因此，Elman動態(tài)遞歸網(wǎng)絡具有動態(tài)記憶的功能，無需使用較多的系統(tǒng)狀態(tài)作為輸入，從而減少了輸入層單元數(shù)。

3供熱網(wǎng)絡預報模型

根據(jù)研究問題的性質(zhì)不同，選擇不同的網(wǎng)絡結(jié)構(gòu)和激活函數(shù)，以便建立準確的神經(jīng)網(wǎng)絡預報模型。外時延反饋網(wǎng)絡和內(nèi)時延反饋網(wǎng)絡都將其時延單元和反饋單元視為BP網(wǎng)絡的輸入?yún)?shù)，因此可以應用BP算法訓練網(wǎng)絡，其隱含層和輸出層的節(jié)點激活函數(shù)可選擇tansig、purelin函數(shù)，表達式為：

tansig函數(shù)：

purelin函數(shù)：f2(x)=kx

輸出：

其中：xi----熱網(wǎng)輸入；

wji----由輸入層節(jié)點i隱層節(jié)點j之間的權(quán)值；

θj----隱層節(jié)點j的閾值；

wkj----由隱層節(jié)點j至輸出層節(jié)點k之間的權(quán)值；

θk----輸出層層節(jié)點k的閾值。

從成因上分析供暖熱網(wǎng)的影響因子，運用相關(guān)圖法或逐步回歸分析法等對初選影響因子進行顯著性分析和檢驗，剔除不顯著因子。在此基礎(chǔ)上，研究基于人工神經(jīng)網(wǎng)絡的供暖熱網(wǎng)實時預報模型的建模和預報問題。本文選用牡丹江西海林小區(qū)鍋爐房2000年11月～2001年4月的部分測量數(shù)據(jù)進行建模及測試，預測在相應時刻的熱網(wǎng)供水溫度、回水溫度及室外溫度值。

3．1模型I：外進延反饋網(wǎng)絡

輸入?yún)?shù)為當前時刻與過去時刻的①室外溫度（i）（i-1）（i-2）（i-3）（i-4）;②供水流量（i）（i-1）（i-2）（i-3）（i-4）;③補水流量（i）（i-1）（i-2）（i-3）（i-4）;④供水溫度（i）（i-1）（i-2）（i-3）（i-4）;⑤回水溫度（i）（i-1）（i-2）（i-3）（i-4）;，共二十五個輸入量。輸出量為未來時刻的①室外溫度（i+1）（i+2）；②供水溫度（i+1）（i+2）；③回水溫度（i+1）（i+2）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數(shù)據(jù)組，測試樣本為后2000個數(shù)據(jù)組。輸出曲線有訓練樣本與計算數(shù)據(jù)比較曲線和測試樣本與計算數(shù)據(jù)比較曲線。

網(wǎng)絡結(jié)構(gòu)共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經(jīng)過1000次正反向傳播和學習，網(wǎng)絡訓練滿足設(shè)定條件，此時訓練計算的均方差為0.00449767。將檢驗樣本輸入訓練好的網(wǎng)絡模型，其檢驗結(jié)果如圖3、圖4（因篇幅所限僅給出回水溫度預報值）所示。

圖3回水溫度一步預報曲線

實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)

圖4回水溫度二步預報曲線

實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)

3．2模型II：內(nèi)時延反饋Elman網(wǎng)絡。

輸入?yún)?shù)為當前時刻的①室外溫度（i）;②供水流量（i））;③補水流量（i）;④供水溫度（i）;⑤回水溫度（i）;，共五個輸入量。輸出量為未來時刻的①室外溫度（i+1）（i+2）；②供水溫度（i+1）（i+2）；③回水溫度（i+1）（i+1）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數(shù)據(jù)組，測試樣本為后2000個數(shù)據(jù)組。輸出曲線有訓練樣本與計算數(shù)據(jù)比較曲線和測試樣本與計算數(shù)據(jù)比較曲線。

網(wǎng)絡結(jié)構(gòu)共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經(jīng)過1000次正反向傳播和學習，網(wǎng)絡訓練滿足設(shè)定條件，此時訓練計算的均方差為0.0044999。將檢驗樣本輸入訓練好的Elman網(wǎng)絡模型，其檢驗結(jié)果如圖5、圖6（因篇幅所限僅給出回水溫度預報值）所示。

圖5回水溫度一步預報曲線

實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)

圖6回水溫度二步預報曲線

實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)

表1列出了外時延反饋網(wǎng)絡（模型I）與內(nèi)時延反饋Elman網(wǎng)絡（模型II）的訓練與測試結(jié)果的部分數(shù)據(jù)。

預測模型I、II的比較表1輸入層節(jié)點數(shù)隱層層節(jié)點數(shù)輸出層節(jié)點數(shù)訓練次數(shù)訓練時間（s）訓練精度訓練樣本誤差測試樣本誤差

模型I25256415236.7010.004497673.09982.2628

模型II5256199140.5420.00449993.19741.4620

4結(jié)論

從測試結(jié)果可以看出，對同一動態(tài)系統(tǒng)預測模型的辨識，外時延反饋網(wǎng)絡與內(nèi)時延反饋Elman網(wǎng)絡的逼近能力基本相同，而且都具有很強的跟蹤能力。但是Elman網(wǎng)絡的結(jié)構(gòu)要比外時延反饋網(wǎng)絡簡單得多，而且在訓練過程中，外時延反饋網(wǎng)絡延遲步數(shù)要通過多次的訓練才能找到最佳值，本預測模型就是在取到四步延遲后才得到最佳值，而Elman網(wǎng)絡就省卻了這一部分工作；此外在本動態(tài)系統(tǒng)模型的辨識過程中也可以看出，無論是采用外時BP網(wǎng)絡，還是采用內(nèi)時延Elman網(wǎng)絡辨識動態(tài)系統(tǒng)的模型，都必須恰當?shù)囊胼敵鰠?shù)的反饋，才能保證系統(tǒng)的動態(tài)跟蹤能力；本文選用了牡丹江西海林小區(qū)鍋爐房2000年冬季的部分測量數(shù)據(jù)進行建模及測試，用前20天的數(shù)據(jù)進行預測模型辨識，用后20天的數(shù)據(jù)進行預測模型測試，得到了比較令不滿意的預測結(jié)果，熱網(wǎng)供水溫度及室外溫度的預測結(jié)果也是很好的，只是由于篇幅關(guān)系同有繪出。

通過上述的系統(tǒng)辨識與實測，說明用外時延反饋網(wǎng)絡或內(nèi)時延反饋Elman網(wǎng)絡建立供熱系統(tǒng)的動態(tài)預測模型是可行的，解決了供熱系統(tǒng)對象中非線性、大滯后、時變性等問題，為進一步的供熱系統(tǒng)優(yōu)化控制奠定了基礎(chǔ)。

參考文獻

1袁曾任，人工神經(jīng)網(wǎng)絡及其應用，清華大學出版社，1999

2李士勇，模糊控制·神經(jīng)控制和智能控制論，哈爾濱工業(yè)大學出版社，1996

3張乃堯，閻平凡，神經(jīng)網(wǎng)絡與模糊控制，清華大學出版社，1998

4董德存，張樹京，用于NARMAX參數(shù)辨識的一種神經(jīng)網(wǎng)絡方法，鐵道學報，1994

5謝新民，蔣云鐘等，基于人工神經(jīng)元網(wǎng)絡的河川徑流時時預報研究，水利水電技術(shù)，1999，（9）

6李勇，孫艷萍等，用于故障預測的BP網(wǎng)絡模型及改進，東北電力學院淡報，1999，（1）

7郭創(chuàng)新等，一種魯棒BP算法及其在非線性動態(tài)系統(tǒng)辨識中的應用，信息與控制，1996，（6）

8賴曉平，周鴻興，云昌欽，混合模型神經(jīng)網(wǎng)絡在短期負荷預測中的應用，控制理論與應用，2000，17（1）69～72

9王玉濤，夏靖波，周建常，王師，基于神經(jīng)網(wǎng)絡模型的時間序列預測算法及其應用，信息與控制，1998，27（6）：413～417

10古勇，蘇宏業(yè)，褚健，循環(huán)神經(jīng)網(wǎng)絡建模在非線性預測控制中的應用，控制與決策，2000，15（2）：254～256

11王正歐，林晨，一種前向神經(jīng)網(wǎng)絡快速學習算法及其在系統(tǒng)辨識中的應用。1997，2（6）：729～732