两种热负荷预测方法的比较_康胜文

《两种热负荷预测方法的比较_康胜文》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、区域供热!""#$!期两种热负荷预测方法的比较石家庄华电供热集团有限公司康胜文摘要本文介绍了如何利用逐步回归分析和人工神经网络&’(()进行建筑物逐时热负荷的预测*并对其进行了简单的比较。关键词负荷预测逐步回归分析人工神经网络"引言两种方法。一种方法是把多个随机变量分开，在供热工程设计中，热负荷计算准确与分别进行研究和分析，如统计分析、&简单)相否，直接决定着空气处理设备和热源的选择，关分析等。但由于多变量之间复杂的相关关进而对整个系统的初投资、运行费用及使用系，分开处理不仅会丢失很多信息，而且往往效果都有着至关重要的影响。准确地计算热

2、难以取得较好的研究结果。另一种方法是对负荷是一个优良供热工程设计的基础，是决多个随机变量同时进行研究*来揭示这些变定一个系统设计合理与否的最根本因素。但量内在关系和变化规律。向前选择变量法、向供热负荷受多种因素的影响*与诸多影响因后删除法和逐步回归法就是同时处理多个随素之间是一种多变量、强耦合、严重非线性的机变量的自变量筛选方法。在向前选择变量关系*且这种关系具有动态性*因而传统方法法中，一旦某个自变量被选入模型，它就永远的预测精度不高。留在模型之中。然而，随着其他变量的引入*预测方法可以分成两大类+一类是定性由于变量之间相互传递的相关

3、关系，一些先预测*也称为直观性预测,另一类是定量预进入模型的变量的解释作用可能会变得不再测*也称为统计预测。在暖通领域*常采用定显著。而对于向后删除变量法*一旦某个变量量预测的方法*即采用数学、概率论和数理统被删除后，它就永远被排斥在模型之外。但计的方法对历史数据进行处理。回归分析就是*随着其他变量被删除，它对因变量的作用是一种常用的定量预测方法。近年来*一门新也可能会显著起来。因此，这两种方法都存在兴的边缘学科———人工神经网络（’((）引起一定的不足。逐步回归分析法将向前选择变人们广泛的关注*由于其独特的结构和处理量法和向后删除变量

4、法结合起来，采取边进信息的方法*使其在许多实际应用领域中取边退的方法。对于模型外部的变量，只要它还得了显著的成效。本文将简要介绍如何利用可提供显著的解释信息，就可以再次进入模这两种方法预测建筑物负荷，并对其作了简型，而对于已在模型内部的变量*只要它的偏单的比较。.检验不能通过，则还可能从模型中删除。-逐步回归分析可以看出：回归分析预测方法是通过回对多个随机变量实验数据的分析研究有归分析，寻找预测对象与影响因素之间的因%!!%区域供热!""#$!期果关系，建立回归模型进行预测，该方法是通只接受前一层神经元的输出，这样就实现了过自变量来预测

5、响应变量，所以自变量的选从输入层结点的状态空间到输出层状态空取及自变量的准确性对预测结果是至关重要间的非线性映射。在前向网络中，误差反向的。传播网络（/0网络）在供热负荷计算中应用!人工神经网络最广。图!是具有一个隐含层的/0网络结神经网络是有大量类似于人脑最基本的构示意图。处理单元———神经元广泛相互联接而构成的非线性复杂的智能网络系统。它是在现代神经研究成果的基础上提出来的&用来模拟人脑神经系统的结构和行为。因此，它具有人脑功能的最基本特征’学习、归纳和分类。神经元是神经网络中最基本的处理单元&通常是图!一个隐含层的/0网络一个多输

6、入、单输出的非线性单元。其基本结构如图(。人工神经网络系统的一个最本质的特征是：它并不给出输入与输出间的解析关系，它的近似函数和处理信息的能力体现在网络中各个神经元之间的连接权值。它在给定大量的输入1输出信号的基础上&建立系统的非线性输入1输出模型&对数据进行并行处理&实质上它是把大量的数据交给按一定结构形式和激励函数构建的人工神经网络进行学习&它能够从示范模式的学习中逐渐调整权值，使网络整体具有近似函数或处理信息的功图(单个神经元结构模型能。然后在给出未来的一个输入的情况下&由这里&)(，)!，⋯，)*表示该神经元接受到计算机根据以往

7、的“经验”判断应有的输出。的输入信息&+(，+!，⋯，+*表示互联的神经该方法实际上是对系统的一个黑箱模拟&它元之间的联接强度,或权重-&!为其阈值门主要适合短期负荷预测。限&.表示经过该神经元处理后的输出值。通2逐步回归分析与人工神经网络的比常&每个神经元的输出值只有一个&但它可以较联接到其它多个神经元&作为其它神经元的在文献3!4中王磊等人采用逐步回归法输入。编写了程序&并以此进行了建筑物逐时热负神经元的输入输出关系可表示为：荷的预测和预测输入参数的选择。而且基于#$%（)&’!’("）（(）相同的数据&又采用人工神经网络进行了建式

8、中’%（&）为激活函数，%（&）$)（*)(筑物逐时热负荷的预测。热负荷预测效果图+,&）（!）如图2和图#所示。二者的预测误差见表(。根据连接方式不同，神经网络可分成两其中&5678为均方差,或标准偏差-