張文棟, 劉子琨

(五凌電力有限公司,湖南,長沙 410000)

0 引言

城鎮(zhèn)化發(fā)展過程中,按照小區(qū)形式建立綜合能源系統(tǒng),實現(xiàn)區(qū)域建筑群同步化供冷供熱的方式不斷推廣[1]。為了滿足能源可持續(xù)化發(fā)展要求,用戶側冷熱負荷預測是不可或缺的環(huán)節(jié)[2]。基于負荷預測結果,指導該區(qū)域綜合能源系統(tǒng)的供給規(guī)劃,有利于降低區(qū)域綜合能源的消耗。

現(xiàn)有的冷熱負荷預測模型并未從用戶側入手,預測結果精度較低,如何構建高精度負荷預測模型成為研究重點。文獻[3]利用調整誤差算法,根據(jù)區(qū)域歷史天氣信息預測天氣情況,結合區(qū)域歷史負荷數(shù)據(jù),在遺傳算法和BP神經(jīng)網(wǎng)絡的作用下,獲取負荷預測結果,該方法在實際應用中獲取的預測結果與實際數(shù)據(jù)相比誤差較大。文獻[4]以主成分分析方法為基礎,對冷、熱負荷的本征模態(tài)進行分解,獲取降維后的特征數(shù)據(jù)。采用DBiLSTM 神經(jīng)網(wǎng)絡和MLR得到重構后的預測結果,但是該方法應用范圍較小,拓展性較差。文獻[5]采用k-means聚類方法將多種負荷像素,按照相關性進行重構。選取多通道卷積神經(jīng)網(wǎng)絡分析聚類處理后的負荷像素,提取負荷特征。最后,按照長短時記憶網(wǎng)絡結合時序方法,得到高精度負荷預測值。但是,該預測方法穩(wěn)定性較差。

對此,從用戶側角度進行研究,以多神經(jīng)網(wǎng)絡為基礎,設計綜合能源系統(tǒng)冷熱負荷預測模型,極大程度上提升了負荷預測精度。

1 基于多神經(jīng)網(wǎng)絡的綜合能源系統(tǒng)用戶側冷熱負荷預測模型設計

1.1 分析綜合能源系統(tǒng)的能量流

區(qū)域綜合能源系統(tǒng)包括電力、熱力和燃力3種子系統(tǒng),通過轉換設備使得每個子系統(tǒng)之間相連,系統(tǒng)內能量流如圖1所示。

圖1 含電、熱、氣的綜合能源系統(tǒng)

基于圖1,對熱力系統(tǒng)進行研究,輔助用戶側冷熱負荷的預測工作。熱力系統(tǒng)中以水作為主要傳輸介質,熱量從熱源出發(fā),隨著溫度較高的傳輸介質到達熱負荷位置,經(jīng)由散熱器將熱能傳遞至用戶,直到溫度降低到閾值,通過回熱管道返回至回熱源[6]。通過水力與熱力分析熱力系統(tǒng)能量流,其中水力能量流表達式為

(1)

式中,A表示節(jié)點關聯(lián)矩陣,s表示供熱網(wǎng)絡的節(jié)點,m表示節(jié)點流出的流量,q表示節(jié)點數(shù)量,B表示回路關聯(lián)矩陣,h表示供熱管網(wǎng)的回路,f表示壓頭損失向量。其中,f計算式為

f=Km|m|

(2)

式中,K表示綜合能源系統(tǒng)內管道的阻力系數(shù)矩陣。而綜合能源系統(tǒng)熱力能量流表達式為

(3)

式中,φ表示熱力網(wǎng)絡的節(jié)點熱功率,C表示傳輸介質的比熱容,T表示溫度,Ts表示負荷之前的傳輸介質溫度,To表示負荷之后的傳輸介質溫度,Tend表示能源系統(tǒng)管道末端溫度,Tstart表示管道始端溫度,Ta表示管道周圍環(huán)境溫度,λ表示熱導率,mout表示流出流量溫度,min表示流入流量溫度,Tout表示流出介質溫度,Tin表示流入介質溫度。

通過上述計算,得到區(qū)域綜合能源系統(tǒng)的能量流分析結果,為后續(xù)負荷預測提供理論基礎。

1.2 獲取用戶側冷熱負荷計算參數(shù)

冷熱負荷預測是綜合能源系統(tǒng)服務的基礎,為了加強預測準確性[7],將冷熱負荷的影響因素劃分為兩類參數(shù)。一部分是自有屬性參數(shù),包括用戶側建筑朝向、窗墻比以及熱阻等固定參數(shù);另一部分是運行屬性參數(shù),包括內部熱源、人員安排等隨時發(fā)生變化的數(shù)據(jù)[8]。

對用戶側冷熱負荷預測時,將單位時間內房間冷負荷pα和熱負荷pβ預測,二者應該滿足:

(4)

式中,p1表示溫差引起的用戶側熱量傳遞,p2表示建筑吸收的太陽輻射,p3表示空氣滲透熱量,p4表示綜合散熱功率。依據(jù)國家標準傳熱學基本原理可知,p1滿足:

(5)

式中,r表示用戶側建筑窗戶墻體比值,k表示地面綜合傳熱系數(shù),A表示用戶側空調面積,Aa表示外墻面積,Ab表示窗戶面積,Ra表示外墻熱阻,Rb表示窗戶熱阻,η1表示外界環(huán)境溫度,η2表示室內溫度,η3表示地表溫度。建筑吸收的太陽輻射計算式為

(6)

式中,ε表示傳熱修正系數(shù),θ表示平均傳熱系數(shù),?表示用戶側圍護結構,g表示太陽輻射,θ?表示用戶側圍護結構的平均傳熱系數(shù),θg表示太陽輻射的平均傳熱系數(shù)?？諝鉂B透熱量計算式為

(7)

式中,ρ表示空氣比熱容,N表示換氣次數(shù),V表示換氣體積。綜合散熱功率計算式為

(8)

式中,l表示建筑單層高度,e表示室內設備密度,μ表示平均散熱功率。

1.3 設計多神經(jīng)網(wǎng)絡預測方案

以冷熱負荷預測的計算參數(shù)為基礎[9],結合BP網(wǎng)絡、RBF網(wǎng)絡和小波神經(jīng)網(wǎng)絡,設計多神經(jīng)網(wǎng)絡預測方案。首先,將負荷計算參數(shù)輸入3種神經(jīng)網(wǎng)絡內,獲取用戶側冷熱負荷預測結果[10]。采用非線性關系,分析3種神經(jīng)網(wǎng)絡預測結果相關性,得到誤差平方和χ:

(9)

式中,?表示樣本個數(shù),j表示非線性函數(shù),i表示預測次數(shù),fi是第i次的實際負荷值,f1i表示BP網(wǎng)絡預測結果,f2i表示RBF網(wǎng)絡預測結果,f3i表示小波神經(jīng)網(wǎng)絡預測結果。

將3種神經(jīng)網(wǎng)絡相結合形成多神經(jīng)預測網(wǎng)絡后,常規(guī)的遺傳算法難以求解出預測結果。考慮到3層神經(jīng)網(wǎng)絡可以完成復雜非線性映射,同時按照任意精度貼近各階導數(shù)。所以,在多神經(jīng)網(wǎng)絡的3層前向結構中,輸入上述3種單獨神經(jīng)網(wǎng)絡的預測值,并將實際值當作網(wǎng)絡輸出結果,實現(xiàn)網(wǎng)絡訓練。本文將多神經(jīng)網(wǎng)絡結構描述為圖2。其中,隱含層的選取采用經(jīng)驗公式2n+1的計算方式。

圖2 組合預測的神經(jīng)網(wǎng)絡結構圖

圖2中,采用遺傳算法設置初始化權值和閾值,使其賦值范圍保持在[-1,1]之間。采用預測值和實際值,隨機選取一組訓練模式實現(xiàn)網(wǎng)絡訓練,得到多神經(jīng)預測網(wǎng)絡的實際輸出結果。

其中,隱含層輸出計算式為

Ly=ψp(∑E-F)

(10)

式中,L表示輸出值,y表示隱藏層節(jié)點,ψ表示作用函數(shù),E表示初始化權值,F表示初始化閾值,p表示訓練次數(shù)。

(11)

隨后,按照以下公式修正權值:

E(Z+1)=E(Z)+γ(Z)+?(E(Z)-E(Z-1))

(12)

式中,Z表示循環(huán)次數(shù),γ表示時變學習率,?表示變動因子。通過上述計算完成權值修正,確保輸出層誤差達到預測要求,輸出符合綜合能源系統(tǒng)工作要求的負荷預測結果[11]。

1.4 完成預測模型參數(shù)校正

為了提升用戶側冷熱負荷計算結果的準確性,本文按照調研和規(guī)范明確輸入?yún)?shù),并采用模擬軟件實現(xiàn)預測模型參數(shù)校正,完成負荷預測模型的建立。

根據(jù)圖3可知,預測模型建立過程中,模型參數(shù)校正是不可忽略的重要環(huán)節(jié)之一。在用戶側冷熱負荷預測過程中,還應包含部分不確定性因素,避免負荷預測結果出現(xiàn)誤差。本文以建筑負荷強度為核心,提出以Design Builder模擬軟件為核心的參數(shù)校準策略。Design Builder模擬軟件的應用,使得冷熱負荷計算中通入動態(tài)負荷原理,利用有限差分法,結合反應系數(shù)法獲取更準確地用戶側冷熱負荷預測結果[12-13]。

圖3 預測模型建立

本文利用Design Builder模擬軟件輸出模擬負荷數(shù)據(jù),與當前負荷統(tǒng)計值進行對比,明確預測參數(shù)的誤差。預先設計一個閾值,當預測誤差高于設定閾值后,計算機收到即時反饋信息,對模型的輸入?yún)?shù)進行調整,再進行重復模擬計算,直到預測模型輸出結果的誤差值穩(wěn)定保持在允許范圍內,將當前參數(shù)作為校正參數(shù),完成綜合能源系統(tǒng)的用戶側冷熱負荷預測模型修正。

2 算例分析

為了驗證本文設計負荷預測模型的應用性能,選擇某一夏熱冬冷地區(qū)采集相關數(shù)據(jù),展開負荷預測算例分析。針對用戶側冷熱負荷的主要計算參數(shù),使用多神經(jīng)網(wǎng)絡預測模型獲取該區(qū)域用戶側建筑負荷預測結果,將預測結果與實測值進行對比,采用誤差評價指標判斷本文設計模型的有效性。

2.1 選取算例分析數(shù)據(jù)

以某一多功能建筑示范區(qū)為例,分析區(qū)域內綜合能源系統(tǒng)的工作特點,采集算例分析樣本數(shù)據(jù)。該區(qū)域內建筑總面積達到了20萬m2,主要由住宅公寓、中小型辦公樓、小型賓館、小型商鋪以及大型商場5種建筑物組成。應用本文設計模型,預測建筑區(qū)域內綜合能源系統(tǒng)用戶側冷熱負荷。本文以夏季典型日為例,預測該區(qū)域逐時冷熱負荷。根據(jù)綜合能源系統(tǒng)負荷數(shù)據(jù)庫中的預測因子,結合示范區(qū)內的建筑類型深入分析,得到夏季典型日逐時負荷先驗信息如表1所示。按照時刻獲取先驗信息正態(tài)分布的平均值,考慮到標準差將假定標準差設置為14 W/m2。

表1 夏季典型日逐時負荷先驗信息 單位:W/m2

通過對多功能建筑示范區(qū)的實地調查,以及綜合能源系統(tǒng)監(jiān)管平臺,在示范區(qū)內隨機選取3塊面積相仿的區(qū)域,采集區(qū)域內的綜合能源系統(tǒng)輸入特征數(shù)據(jù)和系統(tǒng)歷史負荷數(shù)據(jù),匯總形成算例分析數(shù)據(jù)集。算例分析數(shù)據(jù)中數(shù)據(jù)量共有14萬左右,考慮到算例分析數(shù)據(jù)的屬性存在差異,對算例分析數(shù)據(jù)進行歸一化處理,處理公式為

(13)

式中,x表示待處理數(shù)據(jù),x′表示歸一化處理數(shù)據(jù),xmin、xmax表示原始數(shù)據(jù)的2個極值。數(shù)據(jù)歸一化處理完成后,采用數(shù)字1～7表示日期類型數(shù)據(jù)中周一至周日,應用數(shù)字1～4將季節(jié)數(shù)據(jù)劃分為春夏秋冬四個類型。將算例分析數(shù)據(jù)集劃分為訓練集和測試集,作用于下一步多神經(jīng)網(wǎng)絡訓練。

在弓箭的壓制下，土狼群開始出現(xiàn)了騷動和不安。或許它們認出了那是獵人的箭矢，它們開始膽怯、開始動搖，同時也更加地憤怒。

2.2 網(wǎng)絡超參數(shù)設置

因為實驗方法均使用了神經(jīng)網(wǎng)絡迭代訓練和學習,獲得預測最優(yōu)值,為了提升模型預測結果的準確性,即提高神經(jīng)網(wǎng)絡的學習速度和訓練準確率,需要針對多神經(jīng)網(wǎng)絡的超參數(shù)進行設置。超參數(shù)是網(wǎng)絡初始化的值,給學習機選擇一組最優(yōu)超參數(shù)能夠提高神經(jīng)網(wǎng)絡訓練的準確率和速度,以盡快收斂到全局最優(yōu)值,從而提高基于神經(jīng)網(wǎng)絡模型的預測方案精度。算例分析過程中,將全局初始學習率設置為0.01,以此為基礎設置其他參數(shù)。針對綜合能源系統(tǒng)用戶側冷熱負荷數(shù)據(jù)的靜態(tài)特征提取進行分析,提取通道中卷積層、池化層均為1層1維結構,前者結構內部卷積核數(shù)量為64,后者補償值為30。除此之外,設置隱藏層神經(jīng)元數(shù)量為150。用戶側冷熱負荷預測的另一重要環(huán)節(jié)就是動態(tài)時序分析,算例分析過程中利用4層GRU隱藏層搭建分析通道,每個隱藏層的神經(jīng)元個數(shù)逐層遞增。最后,Maxout層和隱藏層組成輸出模塊,二者內部神經(jīng)元數(shù)量分別為100個和1個。通過上述網(wǎng)絡超參數(shù)設置,構建預測精度較高的模型,獲取綜合能源系統(tǒng)用戶側冷熱負荷預測結果。

2.3 負荷預測結果分析

利用網(wǎng)絡超參數(shù)設置完成后的模型結合表1的先驗信息,獲取多功能建筑示范區(qū)的綜合能源系統(tǒng)用戶側冷熱負荷預測結果。為了客觀了解負荷預測結果的準確性,借助監(jiān)管平臺統(tǒng)計冷熱負荷實測值,對比預測值與實測值形成圖4所示的對比圖。

圖4 夏季典型日預測結果對比圖

根據(jù)圖4可知,本文設計預測模型得到的用戶側冷熱負荷預測結果與實測負荷走向大致相同。整體來看,1～7時綜合能源系統(tǒng)內主要負荷是賓館酒店、居住類建筑,使得用戶側冷熱負荷較低。從8時開始負荷不斷增長,直到16時到達最高冷熱負荷值。之后,用戶側冷熱負荷逐漸降低,直到24時降到最低負荷。預測值與實測值較為接近,但是在各個時刻依舊存在不同程度的差額。

2.4 模型性能對比

為了加強算例分析結果的對比性,選用基于多層聚類、基于IPSO-WNN和基于神經(jīng)網(wǎng)絡的預測模型,應用同樣的算例分析數(shù)據(jù)獲取綜合能源系統(tǒng)用戶側冷熱負荷預測結果。本文通過預測值與實測值的逐時負荷相對誤差,對比不同預測方法的相對誤差,判斷預測模型的應用性能。其中,逐時負荷相對誤差作為一個性能判斷指標,將實測點與預測點之間的差距直觀呈現(xiàn)出來,計算式表示為

(14)

式中,δ表示逐時相對誤差,當誤差計算結果出現(xiàn)負數(shù)表明預測值相比實測值更小,Q表示預測逐時區(qū)域總負荷,Q1表示實測逐時區(qū)域總負荷。通過散點圖表示4個預測模型的逐時相對誤差,形成圖5所示的對比圖。

(a) 本文設計預測模型

根據(jù)圖5可知,本文設計預測模型的逐時相對誤差最大僅為29%,平均逐時相對誤差為16%。而基于多層聚類的預測模型、基于IPSO-WNN的預測模型和基于神經(jīng)網(wǎng)絡的預測模型的平均逐時相對誤差分別為31%、43%、55%。綜上所述,本文設計預測模型的預測相對誤差比其他預測模型低了15%、27%與39%,大大提升了模型預測精度。這是因為本文分析了用戶側冷熱負荷影響因素,提取負荷計算的主要參數(shù),結合BP網(wǎng)絡、RBF網(wǎng)絡和小波神經(jīng)網(wǎng)絡,優(yōu)化多神經(jīng)網(wǎng)絡預測方法,并進行參數(shù)修正,保證了預測結果的高精度。

3 總結

以綜合能源系統(tǒng)為核心,針對用戶側冷熱負荷進行預測,有利于制定合理的能源供給策略。為了獲取高精度的用戶側冷熱負荷預測結果,結合BP網(wǎng)絡、RBF網(wǎng)絡和小波神經(jīng)網(wǎng)絡,生成多神經(jīng)元網(wǎng)絡結構,設計冷熱負荷預測方法,使其具有較強的可行性和有效性,大大提升了預測精度,使預測用戶側冷熱負荷更貼近實際負荷。

本文設計的預測模型主要以用戶側為重點進行討論,尚未考慮概率預測模式,未來可以將該模式融入預測模型內,為綜合能源系統(tǒng)的運行規(guī)劃提供數(shù)據(jù)支撐。