供热负荷非线性预报方法研究

我国是世界上能耗最多的发展中国家,在三北地区供热能耗就占全社会能耗的27.2%。供热不但能耗大,而且效率低,单位面积供热能耗是发达国家的3～4倍,为落实国家节能政策、降低碳排放,研究供热节能意义重大。 近年来,国内外学者和供热系统运行管理专家不断探索,形成了一系列行之有效的供热负荷预报方法,纵观国内外研究现状,现有预报方法大都是点预报方法。供热系统的发展对负荷预报提出了新的要求,点负荷预报方法难以满足供热系统节能控制、热力调度、风险分析、可靠性评估等方面的需要,因此,分析供热系统负荷的变化规律,研究供热负荷区间预报方法,实现供热负荷的概率性预报具有重要的理论意义和应用价值。 本文研究抓住供热节能的关键“负荷预报和系统优化配置”,研究供热负荷预报理论和方法,开发供热负荷预报软件。 负荷预报需要从历史负荷和相关因素中提取负荷变化的规律性,为此首先需要对供热负荷的特性进行分析。本文利用Hurst指数对供热负荷时间序列的非线性特性进行分析,并进一步利用饱和关联维数和最大Lyapunov指数对供热负荷时间序列的混沌特性进行分析,识别热源及热力站负荷时间序列的非线性特性和混沌特性。 支持向量机是机器学习领域中新兴的非线性预报方法,适合供热负荷时间序列的非线性特性,具有比基于经验风险最小化原则的人工神经网络更为优越的性能。因此,本文将这一理论引入到供热负荷预报中来,并将相空间重构、时间序列交叉与支持向量机相结合,利用多输入单输出支持向量回归(Multi-input and single-output support vector regression,MISO-SVR)对供热负荷进行单步和多步横向、纵向以及交叉预报,利用多输入多输出支持向量回归(Multi-input and multi-output support vector regression,MIMO-SVR)进行日预报,通过仿真分析、比较各方法的性能。 传统的负荷预报多为点预报,其缺点是无法确定预报结果可能的波动范围,由于预报问题的超前性,实现概率性的预报更符合客观实际。本文基于支持向量机对供热负荷区间预报进行研究,分别研究基于SVR和误差估计的区间预报法、基于SVR和马尔科夫链的区间预报法以及基于支持向量区间回归的区间预报法。仿真结果表明,提出的三种供热负荷区间预报方法,预报区间可作为热力调度的参考,预报区间上下限的均值可择优作为热力站节能控制设定。 根据供热负荷时间序列具有混沌特性的特点,将混沌时间序列预报方法引入建筑供热领域,对供热负荷预报进行研究,以期获得供热负荷预报的新方法、新思路。本文利用最大Lyapunov指数法和Volterra自适应滤波器法对供热负荷进行预报,研究这两种方法对供热负荷预报的适应性,仿真结果表明这两种方法能够揭示供热负荷的混沌本质,证明混沌时间序列预报方法对供热负荷预报的有效性。 最后,根据供热负荷预报的工程需要,开发负荷预报软件。对负荷预报软件进行总体规划,给出以数据库为核心的软件结构,设计负荷预报流程图;确定软件的开发环境、编程语言、数据库及接口技术,并结合实例开发了负荷预报软件。