孫振國 范星濤 韓毅

摘要：神經網絡作為一種新的計算模型，在許多領域中展現出獨特的應用價值。本文綜述了神經網絡在供熱行業(yè)不同領域中的應用，分析了神經網絡在預測模型以及數據計算中具有重要的實際意義。

關鍵詞：神經網絡 供熱 預測 模型

人工神經網絡（Artificial Neural Networks，簡稱ANN）預測模型是基于模擬人腦神經元處理信息的過程，由大量的處理單元組成非線性的系統(tǒng)進而對相關變量進行模擬訓練，達到預期的預測效果。不僅克服了傳統(tǒng)物理符號系統(tǒng)在信息處理中的困難，同時具有自適應、自學習的數據處理能力。作為近些年來發(fā)展應用的一門邊緣學科，人工神經網絡模型具有良好的非線性特點以及極高的擬合精度，在一些領域中得到了廣泛的應用。

在眾多前向神經網絡中，應用最廣的尤為BP網絡。BP神經網絡（Back-propagation Neutral Network）是一種基于誤差反向傳播的多層前向神經網絡。BP算法包括輸入層、隱含層、輸出層。其算法訓練的過程分為兩部分：正向傳播的信號輸入和反向傳播的信號輸出。輸入樣本首先通過輸入層進入中間層，進而傳遞到輸出層。輸出層的神經元通過訓練函數輸出響應值。如果響應值與期望的輸出值之間存在較大誤差時，網絡會進行反向傳遞，經過隱含層返回到輸入層，直至達到允許的誤差范圍或者訓練步數。其函數模型為：

其中，xj為神經元輸入信號;wkj為神經元k到神經元j的連接權值;k為神經元的閾值;

f為激勵函數或傳遞函數。常見的神經元傳遞函數有閾值函數、雙曲正切函數、高斯函數以及Sigmoid函數。不同的傳遞函數代表了不同的神經元輸出機制。

神經元模型

綜合現有文獻，林育賢等[1]利用BP神經網絡模型對某一高層商業(yè)建筑的不同時間段的空調熱負荷進行了研究，當隱含層神經元數量較少時，負荷預測的誤差比較大。當進一步優(yōu)化增加神經元數量時，神經網絡模型的預測進度不斷提高，最后趨于穩(wěn)定，模擬值與實際值呈現出相似的特點，通過實驗證明了模型的可行性和有效性。

劉詠涵[2]依據BP神經網絡原理，參照實驗結果引入粒子群算法，優(yōu)化了管網泄漏診斷模型，驗證了該算法在二次網回水溫度檢測管網泄漏的實際意義。在供熱行業(yè)中，為判斷供熱管網是否發(fā)生泄漏提出了新的思路。石晗[5]根據可測得的熱源、熱力站壓力及流量參數，建立了蜂群優(yōu)化BP神經網絡供熱管網的三級診斷模型，通過對選取的62組測試樣本預測結果的加權誤差進行分析，綜合優(yōu)化了管網泄漏診斷模型的網絡性能。

葛強[3]等基于BP神經網絡根據影響軸流泵性能因素的變量：流量、揚程、葉片角度、轉速、轉輪直徑、葉片間隙、葉片根部厚度、葉片表面粗糙度，建立了神經網絡訓練與預測的模型，從5個不同性能曲線樣本中隨機選取3個曲線進行訓練，網絡經過3000次訓練后，誤差達到預期的設定值，相對準確地預測了水泵的效率參數。史麗萍[4]針對水泵機組振動故障的復雜性，通過將樣本數據歸一化，結合工程現場提取的數據進行了測試和對比，分析了改進BP網絡模型和RBF網絡模型，在水泵轉子不平衡故障以及水泵汽蝕故障性能診斷中，

BP神經網絡的最終診斷結果更為精確，為BP網絡的應用進一步奠定了基礎。

集中供熱系統(tǒng)是一個復雜的多變量控制系統(tǒng)，常常具有非線性、不穩(wěn)定的特點，考慮到熱負荷預測、管網調節(jié)以及流體機械在運行過程中的重要性，這方面的研究也越來越受到更多的關注。如何根據現有數據基于模型計算并提出有意義的預測意見，對于供熱行業(yè)具有重要的實際意義。神經網絡模型是綜合預測的一種有效工具，在流體動力工程以及供熱行業(yè)中具有廣泛的應用前景。不同的隱層節(jié)點數以及模型函數，對預測結果需要反復進行訓練，從而達到預期的效果。此外，在訓練中應盡可能獲得較多的樣本，用于檢測和驗證，這樣模型會得到進一步優(yōu)化，為不同領域中的相關預測可以提供更為準確的參考。

參考文獻：

[1]林育賢，馮圣紅.基于BP神經網絡下空調負荷預測模型的研究[J].應用能源技術，2016，9（225）.

[2]劉詠涵.基于BP神經網絡優(yōu)化算法的供熱管網泄漏診斷[D].大連海事大學，2017.

[3]葛強，段小匯.人工神經網絡在水泵性能預測中的應用[J].河海大學學報，2007，1（35）.

[4]史麗萍，湯家升.RBF和改進BP神經網絡在水泵振動故障診斷中的應用比較[J].大電機技術，2014.

[5]石晗.基于阻抗辨識的BP神經網絡供熱管網泄漏三級診斷研究[D].太原理工大學，2013.