李 琦，韓 穎

（內(nèi)蒙古科技大學(xué) 信息工程學(xué)院，包頭 014010）

針對短期熱負(fù)荷預(yù)測，學(xué)者們分別提出了多種不同類型的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。文獻(xiàn)[1]給出一種小波神經(jīng)網(wǎng)絡(luò)的熱負(fù)荷預(yù)測方法；文獻(xiàn)[2]做了基于Elman型神經(jīng)網(wǎng)絡(luò)的集中供熱系統(tǒng)熱負(fù)荷預(yù)測；文獻(xiàn)[3]開展了神經(jīng)網(wǎng)絡(luò)遺傳算法在供熱負(fù)荷預(yù)測中的應(yīng)用研究。但考慮影響熱負(fù)荷變化的天氣因素[4]，將天氣預(yù)報加進(jìn)神經(jīng)網(wǎng)絡(luò)模型的研究卻很少。當(dāng)天氣驟變，供熱量過低不能滿足人們需求，供熱量高于人們舒適度的要求又將造成能源浪費。因而，天氣因素的獲取，尤其是實時天氣預(yù)報的獲取，將大大提高熱負(fù)荷預(yù)測的準(zhǔn)確性和及時性[5]。

1 天氣預(yù)報的實時獲取

API即應(yīng)用程序編程接口，是指軟件或網(wǎng)站為第三方開發(fā)人員提供的接口，利用這個接口，可以僅靠幾條簡單的指令就能訪問網(wǎng)站里所需要的數(shù)據(jù)，而不必詳盡地了解其內(nèi)部機理[6]。

獲取數(shù)據(jù)的具體步驟如下：

1）在Matlab軟件平臺中編寫應(yīng)用程序，訪問中國天氣網(wǎng)的 API接口：http：//www.Weather.com.cn/data/sk/101230101.html，獲得實時天氣信息和未來時刻天氣預(yù)報。

2）通過API接口從網(wǎng)絡(luò)資源中得到的文本是城市天氣信息的URL。URL（uniform resource locator）即統(tǒng)一資源定位器，指的是Internet文件在網(wǎng)上的地址，好比一個街道在城市地理上的地址。URL使用數(shù)字和字母按一定順序排列以確定一個地址。

3）執(zhí)行URL，得到j(luò)son格式的返回文本。json是一種輕量級的數(shù)據(jù)交換格式，采用完全獨立于語言的文本格式。json可以將javascript對象中表示的一組數(shù)據(jù)轉(zhuǎn)換為字符串，并在函數(shù)之間輕松地傳遞這個字符串，或者在異步應(yīng)用程序中將字符串從Web客戶機傳遞給服務(wù)器端程序。

json形式的數(shù)據(jù)格式示例：

{"Name1"："aa"，"Name2"："123"}

冒號前面是屬性名，冒號后面是該屬性的值，多個屬性用逗號隔開。

4）在API返回的諸多json參數(shù)中采用特殊符號查找的方法提取有用信息，即實時溫度值和未來時刻的預(yù)測溫度。

本次實驗通過API接口來獲取實時天氣和預(yù)報天氣，開發(fā)平臺采用Matlab軟件，將天氣預(yù)報的獲取和神經(jīng)網(wǎng)絡(luò)模型的建立都結(jié)合在Matlab程序中，大大提高了由數(shù)據(jù)采集到熱負(fù)荷預(yù)測的方便性和可操作性。

2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)有收斂速度慢和容易陷入極小值的缺點，為解決此問題，在網(wǎng)絡(luò)訓(xùn)練過程中采用動態(tài)調(diào)節(jié)學(xué)習(xí)率以及在調(diào)整權(quán)值的過程中加入動量項的方法[7]。

2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，一般具有3層或3層以上的神經(jīng)元結(jié)構(gòu)，包括輸入層、隱藏層和輸出層。上下層之間實現(xiàn)全連接，同一層神經(jīng)元之間無連接，輸入信息由輸入層到隱藏層，并傳向輸出層，每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。由一層節(jié)點輸出傳送到另一層節(jié)點時，通過調(diào)整網(wǎng)絡(luò)權(quán)值ωij來達(dá)到增強或減弱這些輸出的作用。除輸入層外，隱藏層和輸出層節(jié)點的輸入是前一層節(jié)點輸出的加權(quán)和。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure of BP neural network

圖中，BP神經(jīng)網(wǎng)絡(luò)有n個輸入節(jié)點，j個輸出節(jié)點，隱含層有k個神經(jīng)元。x1，x2，…xn為網(wǎng)絡(luò)的實際輸入，y1，y2，…yj為網(wǎng)絡(luò)的實際輸出，從 xn到 Ri的連接權(quán)值為ωni，從Ri到y(tǒng)j的連接權(quán)值為ωij，隱含層傳遞函數(shù)為sigmoid函數(shù)，輸出層傳遞函數(shù)為線性函數(shù)。BP學(xué)習(xí)算法的基本原理是梯度下降法，中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。

2.2 改進(jìn)BP學(xué)習(xí)算法

算法具體步驟如下：

1）神經(jīng)網(wǎng)絡(luò)的構(gòu)建和初始化

2）提供訓(xùn)練集，

3）按下列公式計算實際輸出：定義隱層函數(shù)為f1（·），輸出層函數(shù)為 f2（·）

4）計算期望值與實際輸出的誤差，定義目標(biāo)函數(shù)：

6）調(diào)節(jié)學(xué)習(xí)率，修正權(quán)值，并且在修正權(quán)值中加入動量項：

7）判斷是否滿足要求，滿足退出，不滿足返回步驟3循環(huán)執(zhí)行，直到誤差滿足要求為止。

3 神經(jīng)網(wǎng)絡(luò)模型的建立

3.1 輸入量、輸出量的選取

本實驗以BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型，考慮到影響熱負(fù)荷變化的最重要因素，即外界溫度的高低，因而選取神經(jīng)網(wǎng)絡(luò)的輸入變量為熱負(fù)荷值、實時天氣溫度和未來時刻的天氣預(yù)報3方面；目標(biāo)是預(yù)測一天的熱負(fù)荷變化，因而將預(yù)測日24 h，每間隔一小時對應(yīng)的熱負(fù)荷值作為神經(jīng)網(wǎng)絡(luò)的輸出量。

實驗中采用的熱負(fù)荷值來源于包鋼技校2013年12月的數(shù)據(jù)，包鋼技校的供熱系統(tǒng)有自動監(jiān)控界面，可獲取熱負(fù)荷值，采樣間隔為10 min，通過API接口獲取的實時天氣和未來天氣每小時更新一次，由于神經(jīng)網(wǎng)絡(luò)模型2個輸入變量的采樣數(shù)據(jù)時間間隔不統(tǒng)一，因此需要對數(shù)據(jù)進(jìn)行整合處理，鑒于集中供熱系統(tǒng)數(shù)據(jù)變化緩慢，所以以1 h的時間間隔為準(zhǔn)。

3.2 數(shù)據(jù)預(yù)處理

集中供熱系統(tǒng)的熱負(fù)荷是受多種因素影響的既有規(guī)律性又含隨機性的時間序列[8]，由于采集系統(tǒng)的不完全可靠和工程實際對負(fù)荷預(yù)測的要求，使得篩選歷史數(shù)據(jù)中的異常數(shù)據(jù)并對它們進(jìn)行有效的預(yù)處理成為預(yù)測工作的前提。對于該研究對象，采用比較簡單的方法處理數(shù)據(jù)，如果熱負(fù)荷值在整點時刻出現(xiàn)異常，則用前10 min采集到的值和后10 min采集到的數(shù)值求平均數(shù)作為該整點時刻的熱負(fù)荷。

任意選取48 h的熱負(fù)荷值和溫度值作為訓(xùn)練數(shù)據(jù)，一天的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入量，一天的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出量，驗證神經(jīng)網(wǎng)絡(luò)的訓(xùn)練情況。處理后的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練數(shù)據(jù)如表1所示。

表1 訓(xùn)練數(shù)據(jù)Tab.1 Training data

3.3 滾動預(yù)測

考慮到將24 h的熱負(fù)荷值同時作為輸出量，神經(jīng)網(wǎng)絡(luò)將過于冗余，導(dǎo)致訓(xùn)練時間過長，因而采取一種滾動優(yōu)化的方式，將24個預(yù)測點依次輸出，將輸出層節(jié)點數(shù)減為1個。具體步驟如下：

第1步確定具體輸入量，輸出量的神經(jīng)元個數(shù)。 輸入神經(jīng)元為 7 個，分別是（k-2）時刻、（k-1）時刻、k 時刻的熱負(fù)荷值，（k-2）時刻、（k-1）時刻、k 時刻的溫度值以及k+1時刻的天氣預(yù)報，輸出神經(jīng)元1個，為k+1時刻的熱負(fù)荷值。

第2步去除 （k-2）時刻的熱負(fù)荷值和溫度值，將計算出的k+1時刻的熱負(fù)荷和溫度值，連同（k-1）時刻的熱負(fù)荷和溫度值，k時刻的熱負(fù)荷和溫度值，再加上調(diào)用API接口獲得的（k+2）時刻的天氣預(yù)報溫度值，作為輸入量，輸出量為（k+2）時刻的熱負(fù)荷。

第3步以此往復(fù)，每預(yù)測出下一時刻的熱負(fù)荷值，就將最前面時刻的熱負(fù)荷和溫度值剔除掉，將新時刻的熱負(fù)荷和對應(yīng)的溫度以及預(yù)測時刻的天氣預(yù)報作為輸入，輸出預(yù)測時刻的熱負(fù)荷，直到預(yù)測出（k+24）時刻的熱負(fù)荷為止。本次試驗采用45組數(shù)據(jù)進(jìn)行訓(xùn)練。

建立的BP神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

4 預(yù)測結(jié)果及誤差分析

圖2 神經(jīng)網(wǎng)絡(luò)模型Fig.2 Model of neural network

在建立模型網(wǎng)絡(luò)時隱含層節(jié)點數(shù)的選取也是至關(guān)重要的，根據(jù)一些經(jīng)驗公式先嘗試一個較小的節(jié)點數(shù)，再加大，最后確定當(dāng)隱含層節(jié)點數(shù)為14時，預(yù)測結(jié)果較好。最大訓(xùn)練次數(shù)為1000次，誤差目標(biāo)定位0.0004。在Matlab中編寫算法程序，得到預(yù)測結(jié)果如圖3所示，圖4是預(yù)測誤差。

圖3 測試結(jié)果Fig.3 Test result

圖4 預(yù)測誤差Fig.4 Forecast error

由圖3、圖4可以看出，預(yù)測值和期望輸出值較為接近，從相對誤差上看，大部分時間點的預(yù)測誤差都在2%以內(nèi)，只有個別幾點誤差偏大，如上午九點誤差約為12%，下午三點誤差約為8%。同時預(yù)測輸出基本能反應(yīng)出夜晚溫度較低時熱負(fù)荷較大，白天溫度較高時熱負(fù)荷較小的變化趨勢。

5 結(jié)語

本文在建立神經(jīng)網(wǎng)絡(luò)模型預(yù)測集中供熱系統(tǒng)的熱負(fù)荷時，考慮了影響熱負(fù)荷變化的重要因素，即溫度的變化，并采用了以Matlab為平臺，通過中國天氣網(wǎng)的API接口獲取溫度預(yù)報值的方式。由天氣預(yù)報和熱負(fù)荷建立起來的新型BP神經(jīng)網(wǎng)絡(luò)模型做出的熱負(fù)荷預(yù)測有較好的精度，并能在一定程度上反應(yīng)一天中熱負(fù)荷走向，提前得到未來的熱負(fù)荷序列，便于控制。本實驗提出的方法切實可行，對熱負(fù)荷預(yù)測提出了新的思路與實踐。

[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，凡東生，曲永利.基于Elman型神經(jīng)網(wǎng)絡(luò)集中供熱負(fù)荷預(yù)測模型的研究[J].建筑節(jié)能，2011，39（3）：9-11.

[3]王東亞，張琳，趙國材.神經(jīng)網(wǎng)絡(luò)遺傳算法在供熱負(fù)荷預(yù)測中應(yīng)用[J].遼寧工程技術(shù)大學(xué)學(xué)報：自然科學(xué)版，2005，24（4）：161-163.

[4]謝靜芳，王寶書，姜紅.基于小時氣象因子的神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測模型[J].中國電力，2007，40（9）：82-86.

[5]賀蓉，曾剛，姚建剛，等.天氣敏感型神經(jīng)網(wǎng)絡(luò)在地區(qū)電網(wǎng)短期負(fù)荷預(yù)測中的應(yīng)用[J].電力系統(tǒng)自動化，2001，25（17）：32-35，52.

[6]李余琨，楊平，朱燊權(quán).支持開放的API接口的增強型業(yè)務(wù)[J].計算機工程與應(yīng)用，2004，40（10）：134-136.

[7]張文鴿，吳澤寧，逯洪波.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)及其應(yīng)用[J].河南科學(xué)，2003，21（2）：202-206.

[8]康重慶，周安石，王鵬，等.短期負(fù)荷預(yù)測中實時氣象因素的影響分析及其處理策略[J].電網(wǎng)技術(shù)，2006，30（7）：5-10.