基于GUI界面的供热负荷预测分析--控制网



基于GUI界面的供热负荷预测分析
企业：控制网 日期：2009-08-07
领域：电气联接 点击数：2367









张海静（1983-）

女，河南扶沟人，硕士研究生，研究方向为电气控制与仿真。

摘要：由于集中供热系统调节的滞后性，使供热量不能及时地跟随用户端需求量调整，造成能源浪费。预测集中供热系统未来一段时间内的供热参数对热网的经济运行和调节起着重要作用，本文通过对热网历史数据的分析，采用神经网络预测的方法，以新疆华源热力公司某供热站的供热网参数为研究对象进行分析和预测，并结合MATLAB的GUI设计方法，设计出了人机交互友好、使用方便的界面，结果表明该算法具有较好的预测精度，对供热系统有着较好的指导作用，具有一定的应用价值。

关键词：负荷预测；集中供热； 神经网络； GUI

Abstract: The Central Heating System has hysteretic nature so that it can not adjust the
 heat to meet the users’ demand, which results in waste of energy. Forecasting the 
parameters in the coming period has the important effect on saving operation and 
regulation of the heating network. In this paper, by analyzing historical data of the 
heating network and using the forecasting method of neural network, we analyze and 
forecast the heating network parameters related to the Hua yuan company in Xin jiang. 
Furthermore, by using the MATLAB GUI design, we design a friendly human-computer 
interaction and, easy-to-use interface. The result indicats that this algorithm has good prediction accuracy 
and good instruction function to the heating system, which has a promising future in 
practical application.

Key words: load forecasting; central heating;  neural network; GUI

1 引言

    供热负荷受室外温度、时间、供水流量、供水温度、回水温度等多种因素影响，具有动态特性，难以建立数学模型。传统预测方法如时间序列法、回归分析法，预测精度不高，热网的供热热值难以准确跟随需求量的变化波动。近年来供热负荷的预测方法研究有了新的进展，如灰色系统模型、神经网络、小波包分析等，对热网的动态特性跟踪能力较强，在实时性方面优于传统方法，更适合供热热值预测和温度控制 [1-2] 。Elman神经网络属于动态神经元网络，在隐含层神经元输出和输入之间的延时反馈，使得网络具有动态记忆功能。本文将 Elman 神经网络与BP神经网络进行预测对比，结果发现Elman神经网络优于BP神经网络，用Elman进行仿真试验得到较好的预测精度。

    人工神经网络（ANN）是对生物神经网络进行仿真的结果，神经网络的训练学习方式主要有两种：监督式的和无监督式的。对应于每种模式下样本的输入，网络的输出端都有一个对应的指导信号与其属性相匹配。

    利用非线性系统得输入输出数据训练神经网络的过程，可以看成是一种非线性函数近似逼近的过程。Kolmogorov [3] 定理指出，任何具有N个变量的连续函数，均可由单变量的非线性、连续、递增函数来描述。在神经网络应用上，该定理可解释为要逼近具有N个变量的连续函数，要求第1隐含层具有2N（N+1）个神经元，第2隐含层具有（2N+1）个神经元 [4] 。

2 神经网络

2.1 Elman 网络

    Elman 网络是动态递归网络的一种，具有动态特性和递归作用，该网络之所以具有这些作用，是因为网络具有反馈层，即联系层。Elman网络有部分递归网络和完全递归网络两种，主要区别在于是否对反馈单元的权值进行修正，但网络的结构相同。图1为Elman 网络的标准结构。在本文中，隐含层为单隐层，采用S型激活函数(tansig)，输出层采用线性激活函数(purelin)，采用trainlm训练法。

                                    图1   网络的标准结构[3]

    其中ω1～ω2 为相应的层间权值矩阵，u(τ-1 )为τ-1时刻网络的输入向量，x(τ)为τ时刻隐含层的输出向量，y(τ)为τ时刻网络输出向量。

    Elman网络由输入层、隐层、结构层和输出层组成。结构层记忆隐层单元前一时刻的输出值，并在当前时刻输出，可认为是一步延迟算子 [3] ，因此，Elman网络具有动态记忆功能。

2.2 BP网络

    反向传播网络（Back-Propagation Network,即BP网络）是将W-H学习规则一般化，对非线性可微分函数进行权值训练的多层网络（如图2、图3所示）。BP算法是一种监督式的学习算法，为了训练一个BP网络，需要计算网络加权输入矢量以及误差矢量，然后求得误差平方和。当所训练的矢量平方和小于误差目标，训练则停止，否则在输出层计算误差变化，且采用反向传播学习规则来调整权值，并重复此过程。当网络完成训练时，网络将以泛化的方式输出结果。BP网络的激活函数必须处处可微的，所以BP网络常使用对数或S型的正切激活函数和线性函数。在本文中，隐含层为单隐层，采用S型激活函数(tansig)，输出层采用线性激活函数(purelin)，采用traingd训练法[4-5] 。

3 预测与分析

3.1 房间室内温度与热值的预测

    为了预测换热站在一定热值下的室内温度变化情况，以便及时了解用户端的情况，及做到真正意义上的按需供热[6] ，本文基于运行数据, 考察供回水温度、室外温度、历史室温等因素中与预测室温关系最为密切的供热数据[7-8] ，本文预测了未来48小时的室内温度与热值的变化情况，以每小时为一个预测点，采用样本数据为200个，考虑到样本数据小，负荷在短期内不会有较大波动，所以采用的预测方法为采用前一天的供热数据和第二天的室外温度来预测第二天的供热量，结果如图4所示，房间的热值由每栋楼的热网入口处所安装的热表所计量的值按照房间面积并加上一定的补偿而得，由传感器采集数据并通过无线数据采集系统将数据发送到指定的计算机上，通过软件读出热值数据。采用前197个用于训练网络，后2个作为测试样本，隐含层采用2N+1层，再用试凑法适当的加上一定的裕度以确定隐含层的层数。学习速率为0.01，动量因数为0.9，训练误差为0.01。结果如下所示：

                              图2   Elman与Bp网络室内温度预测值与实际值

                              图3   Elman与Bp网络室内温度预测误差 

                               图4   Elman与Bp网络热值预测值与实际值及误差 

    从面的图可以看出热值误差很大，这是因为用于训练的样本数据少且热值损耗大所造成的。

3.2 换热站热值的预测估计

                          表1   不同温度范围下换热站的供热值与预测值

        温度范围           热值平均值（实际）GJ    热值平均值（预测）GJ

        -15℃ ~  -22℃       769.4                   700.3

        -8℃  ~  -15℃       758                     690.2

        -4℃  ~  -12℃       591.3                   545.7

        0℃   ~  -9℃        601.4                   560.4

        -3℃  ~  -5℃        434                     390.1

        -1℃  ~   7℃        353                     311.5

        0℃   ~  12℃        289                     2450.7

        5℃   ~  15℃        239.5                   211.7

    根据乌鲁木齐市华源热力公司2007年11月至2008年4月的供热历史数据，某换热站在不同温度范围内的供热热值如表1所示，这里换热站的参数值是小区所有房间热值之和，有较大误差是因为样本数据少且热量沿热网管道的损耗大所造成的。

4 GUI设计

    为了便于很好的对比两种不同的预测方法，使操作更加简单，采用了GUI设计。MATLAB为用户设计图形界面提供了一个方便，高效的集成环境。本文中的GUI设计包括坐标轴对象（Axes）、控件对象（Unicontrol）等[9] 。

    句柄式图形[10] ：MATLAB是数据图形化表现途径， MATLAB的图形系统是面向对象的，每一个图形对象都有一个唯一的句柄 (handle)和一组定义图形对象外观的属性（Properties）。用户可以根据这个句柄，就可以找到这个对象的各项属性，并修改这些属性，则可以产生不同的图形显示与动作效果。

    MATLAB设计图形用户界面有两种方法：①使用M文件编写的方式；②利用GUIDE设计图形用户界面，本文采用GUIDE设计图形用户界面。

    本文MATLAB的GUI设计过程主要包括：①创建图形窗口；②创建各控件并设置其属性；③编写各控件的回调函数。具体如下：

    在界面上创建用于显示预测结果的坐标轴对象，由于本文需要分别显示BP与ELMAN的预测结果，所以需要两个坐标轴，选择坐标轴的回调函数如下所示：

    axes(handles.ELMAN_axes)

    hold off;

    axis ([0  55  -10 30])

    plot(1:48,predict,’g’)

    hold on;

    axis ([0  55  -10 30])

    plot(1:48,x-predict,’r’)

    hold on;

    axis ([0  55  -10 30])

    plot(1:48,x,’-.’)

    hold on

    title(’Elman room temperature predict result’)

    legend( ’室内温度 ’,’误差’,’实际值’)

    hold off

    grid on

    set(handles.ELMAN_axes,’XMinorTick’,’on’)

5 结论

    本文以新疆华源热力公司某换热站历史运行数据为基础，采用不同神经网络预测的方法，经过对比，发现动态神经网络ELMAN的预测效果较好，从而确定该方法对供热数据具有一定的指导意义，采用的GUI设计，使界面友好，使用方便的界面，结果表明该算法具有较好的预测精度，使得热力公司可以根据天气变化对小区供热量进行调整，达到了节约能源和企业供热成本，减少温室气体排放和降低环境污染的多重效果，具有较好的应用价值。但不足之处是神经网络训练速度较慢。


参考文献

[1] 朱栋华，黎展求. 基于小波和神经网络的供热荷预测[J]. 沈阳建筑大学学报，2007，1(23): 157-160. 

ZHU Donghua，LI Zhanqi,Thermal Load Prediction for Heating Systems Based.on Wavelet and 
Neural Network.[J]. Journal of Shenyang Jianzhu University. 2007，1(23): 157-160.

[2] 郝有志，李德英. 热负荷预测方法评析[J]. 建筑热能通风空调，2003，(1): 26-27.

Hao Youzhi，Li Deying. Estimation of Heat Load Forecast methods:26-27.

[3] 张吉礼. 模糊-神经网络控制原理与工程应用[M]. 哈尔滨: 哈尔滨工业大学出版社，2004，30-70.

[4] 丛爽. 面向MATLAB工具箱的神经网络理论与应用[M]. 合肥: 中国科学技术大学出版社，2003，1-120.

[5] 杜永峰，郭剑虹. 基于RBF神经网络的结构动力响应预测[J]. 兰州理工大学学报，2006，2(32):111-114. 

DU Yong-feng，GUO Jian-hong,Prediction of structural dynamic response based on RBF neural
 network[J]. journal of Lan zhou University of Technology: 2006，2(32):111-114.

[6]  马涛，徐向东. 基于小波网模型的区域供热系统负荷预测[J]. 清华大学学报: 自然科学版，2005，4(45): 708-710. 

MA Tao，XU Xia ngdong,Load predictions for district heating systems based on a WNN
 model[J]. Tsinghua Univ(Sci& ech)，2005，4(45): 708-710.

[7] 顿雷，李巴津. 城市集中供热网参数预测研究[J]. 微计算机信息，2007，23(10): 38-39.

DUN LEI，LI BaJin.2007，23(10):39-39. IN，Forecasting City Central Heating Network Supply 
Parameters[J]. 2007，23(10): 38-39.

[8] 王宇清. 供热工程. 北京: 机械工业出版社，2005. 

[9] 杨邵伟，韩天，尹忠俊，李伟. MATLAB GUI 界面设计在电机故障诊断中的应用[J]. 机电产品开发与创新，2007，20(6): 118-122.

SUN Qi-Chao，LiU Shao Jun. The Control and Simulationfor Decr easing Vibration of Tank 
Seat[J]，Development & Innovation of Machinery & Electrical Products，2007，20(6):118-122.

[10] 葛哲学. 精通MATLAB[M]. 北京: 电子工业出版社2008，493-539，152-168.
  • 在线反馈
1.我有以下需求：



2.详细的需求：
姓名:
单位:
电话:
邮件: