关键词:
机器学习
热负荷预测控制
支持向量回归
监控系统
摘要:
21世纪以来,居民生活质量显著提高,上世纪的零散小锅炉供暖已经完全被集中供热所取代,我国北方冬季时间较长,所以需要更长时间的持续供热。但是国内的供暖设备并没有完全智能化,在对居民居住地进行供热时常常出现供热能源被浪费的情况,故选择更为先进的供热负荷预测模型已经成为了当前的首要问题,以此减少能源浪费,提高供热效率。
在供热条件更加先进的同时,互联网技术也在日新月异的改变,科学技术更加先进,而机器学习方法具有较强的拟合能力,所以目前已经更多的应用于换热站的供热负荷预测之中,希望可以早日实现更为优质的智慧供热。目前我国北方冬季漫长严寒,所以供热时间就相对较长,因此本文采用机器学习的方法,包括多元线性回归、BP神经网络、支持向量回归的方法,建立了热负荷预测模型,可以为供热企业更好的提供支持,使其更加科学的建立供热管网。本文所用的数据是实际项目通过监控设备实际采集得到,研究对象是长春市某地的供热管网,通过采集到的供暖数据可将其视为样本数据进行使用,并且对该对象进行热负荷预测。在对热负荷预测建模之前先确定影响热负荷预测的因素,结合得到的数据样本,确定了以下几个主要因素:室内外平均温度,二次网供回水温度,以及前三日的热负荷,以此七个主要因素作为输入变量。
在分析影响因素并且确定了输入变量之后,设立模型的评价标准来衡量模型的预测精度,在此基础上本文建立了三种基于机器学习算法的热负荷预测模型,其中包括支持向量回归算法、BP神经网络以及多元线性回归法。通过建立的模型,并且对三种模型进行比较得出:在处理本文热网负荷预测问题时,由于其具有非线性的特性,所以多元线性回归模型相较于前两个模型处理非线性映射问题时较差,而在模型拟合程度上支持向量回归模型又优于BP神经网络模型,所以,支持向量回归模型的预测精度是三种模型中最高的。
虽然在机器学习算法中,多元线性回归、BP神经网络、支持向量回归都是比较成熟的方法。并且,单一的支持向量回归模型优于BP神经网络以及多元线性回归模型,但是与实际的日热负荷相比较还是存在误差的。为了提高支持向量回归模型的预测精度,本文提出了融合优化算法,利用网格搜索法以及粒子群算法对惩罚参数C以及核参数γ进行优化,提高模型的预测精度。通过对比分析两种优化算法的预测模型可以得到以下结论:加入优化算法后的两种模型的预测精度都有所提高,而粒子群算法比网格搜索法更佳。确定了更优的预测模型之后,提出了以KingSCADA作为上位机,将MATLAB与上位机之间进行了OPC通讯,对换热站远程监测和控制。