0 引言 取暖是寒冷地区生活的必要条件。供热行业作为对国民经济发展有着全局性,先导性影响的基础产业,与人们的生活息息相关。由于当前能源和环保问题越来越多地收到关注,能源节约,环境保护,经济可持续发展已成为我国的基本国策。目前,对城市供热的要求,已不仅仅在于规模不断扩大,而起对供热系统的合理性,经济性,特别是供热系统的能源有效理由及供热可靠性提出了更高的要求。神经网络以它独特的自学习、自组织、自适应及很强的非线性函数逼近能力,成为处理非线性系统的有力工具。本文应用神经网络理论并将所建模型应用于供热负荷优化中,以期获得较好的优化效果。
取暖是寒冷地区生活的必要条件。供热行业作为对国民经济发展有着全局性,先导性影响的基础产业,与人们的生活息息相关。由于当前能源和环保问题越来越多地收到关注,能源节约,环境保护,经济可持续发展已成为我国的基本国策。目前,对城市供热的要求,已不仅仅在于规模不断扩大,而起对供热系统的合理性,经济性,特别是供热系统的能源有效理由及供热可靠性提出了更高的要求。神经网络以它独特的自学习、自组织、自适应及很强的非线性函数逼近能力,成为处理非线性系统的有力工具。本文应用神经网络理论并将所建模型应用于供热负荷优化中,以期获得较好的优化效果。
1 供暖系统设计的热负荷简介
人们为了生产和生活,要求室内保证一定的温度。一个建筑物或房屋可有各种获得热量和散失热量的途径。当建筑物或房间的失热量大于得热量时,为了保证室内在要求温度下的热平衡,需要由供暖通风系统补进热量,保证室内要求的温度。供暖系统的热负荷是指在某一室外温度tw下,为了达到要求的室内温度tn,供暖系统在单位时间内向建筑物供给的热量。它随着建筑物得失热量的变化而变化。
2 神经网络模型的构造
供热负荷优化神经网络的建立关键在于输入、输出变量的选取、隐含层数的确定、隐含层单元数、的确定、连接方式的选择、初始参数的选择等。BP神经网络是采用误差反向传播(ErrorBackPropagation,BP)算法的一种多层前馈神经网络,BP神经网络是人工神经网路中最为重要的网络之一,也是目前应用最广泛、发展最成熟的一种神经网络模型。
2.1输入输出变量的选取
输入变量的选择是取得良好控制效果的首要环节。输入变量可以是成组的原始数据,也可以是经过预处理的参数或表示某种信号的采样样本。本文选时间,室外温度,室外最高、最低温度,二次网供水温度,二次网供回水温度、控制日的节假日类型八个影响因素作为输入变量。集中供热系统的控制运行方案有多种,对于不同的控制运行方案,可以选择不同的输出变量,本论文选择二次网循环水流量进行控制。
2.2隐含层数和隐含节点数的确定
实践证明,采用一层中间层即三层网络已经足够解决供暖系统优化控制这类控制问题了,采用二层以上的隐含层几乎没有任何益处。而且采用越多的隐含层,训练的时间也将会急剧增加,这是因为:
(1)隐含层越多,误差反向传播的过程计算就会越复杂,训练时间也就急剧增加。
(2)隐含层增加后,局部最小误差也会增加。所以本文选择一层隐含层。
至于隐含层节点数的确定也是研究者们经常提及的一个课题,现在普遍认为尚无明确的规则用以确定隐含层中的最佳节点数。Kawashima于1994年推荐隐含层采用2n+1个神经元(n是输入层的维数),本论文输入层维数是7:所以选择隐含层节点数是:15个。所以本文的网络结构是7-15-1结构。
3 供热负荷优化模型实例
本论文选择鞍山市科技大学的教学区供热系统为实例。
表1 2007年1月20日 部分训练样本数据
时刻
|
室外温度
|
供水温度
|
回水温度
|
控制日最高温度
|
控制日最低温度
|
控制日期类型
|
二次网供水流量
|
0
|
-15
|
41
|
37
|
-5
|
-17
|
0.4
|
142.3
|
1
|
-15
|
42
|
38
|
-5
|
-17
|
0.4
|
141.0
|
2
|
-16
|
42
|
38
|
-5
|
-17
|
0.4
|
139.0
|
3
|
-17
|
41
|
37
|
-5
|
-17
|
0.4
|
138.5
|
4
|
-18
|
41
|
37
|
-5
|
-17
|
0.4
|
138.8
|
5
|
-17
|
42
|
38
|
-5
|
-17
|
0.4
|
139.0
|
6
|
-16
|
40
|
36
|
-5
|
-17
|
0.4
|
143.0
|
7
|
-16
|
41
|
37
|
-5
|
-17
|
0.4
|
148.5
|
8
|
-15
|
43
|
39
|
-5
|
-17
|
0.4
|
147.0
|
9
|
-14
|
43
|
39
|
-5
|
-17
|
0.4
|
146.0
|
10
|
-11
|
42
|
38
|
-5
|
-17
|
0.4
|
144.0
|
11
|
-10
|
41
|
37
|
-5
|
-17
|
0.4
|
145.5
|
12
|
-8
|
40
|
36
|
-5
|
-17
|
0.4
|
144.5
|
4 结论
由图2和3可以看出,BP神经网络实现了对供暖系统热负荷的优化,最大相对误差在2%以内。本系统对办公建筑的供暖优化达到了很好的效果,用一个统一的模型来优化全天的热负荷,其精度有了一定的提高,尤其是在早上工作时间前和下班后,对于供暖节能达到了很好的效果。