SCI论文（www.lunwensci.com）
摘 要：为提高短期供热负荷预测精度,提出了一种基于数值天气预报(NWP)和长短期记忆神经网络(LSTM)的短期 供热负荷预测方法。该方法首先对 NWP 数据和历史供热负荷数据进行 Pearson 相关性分析,得出对供热负荷影响较大的天气 因素,与历史供热负荷数据一起组成神经网络的输入,并通过反复实验设计出最优结构的 NWP-LSTM 神经网络模型。通过与 其他常见供热负荷预测方法比较,提出的 NWP-LSTM 模型可以获得更精确的预测结果,适合实际工程应用。
Short-term Heating Load Forecasting Method Based on NWP-LSTM Model
LIU Wenqiang, WANG Zhangang
(School of Computer Science and Technology, Tiangong University, Tianjin 300387)
【Abstract】： In order to improve the accuracy of short-term heating load forecasting, a short-term heating load forecasting method based on numerical weather forecast and long and short-term memory neural network is proposed . The method firstly performs Pearson correlation analysis on the NWP data and historical heating load data, and obtains the weather factors that have a greater impact on the heating load, which together with the historical heating load data constitute the input of the neural network, and through repeated experiments to design the optimal structure of the NWP-LSTM neural network model. Compared with other common heating load prediction methods, the proposed NWP-LSTM model can obtain more accurate prediction results, which is suitable for practical engineering applications.
【Key words】： short-term heating load forecast;numerical weather forecast;LSTM;NWP-LSTM
0 引言
目前,短期供热负荷预测技术的方法大致包括以下 3 种： 经典预测方法、传统预测方法和智能预测方法。 经典预测方法有回归分析法 [1] 等;传统预测方法有卡尔 曼滤波法 [2]、灰色模型法 [3] 等;智能预测方法有支持向 量机 [4]、基于人工神经网络和深度学习的方法 [5] 等。其 中人工神经网络方法中的长短期记忆(LSTM)神经网 络可以充分挖掘时序数据间的内在关系,相较于其他的 智能预测方法有更高的准确性。
为进一步提高供热负荷预测的准确性,提出了一种 基于 NWP-LSTM 模型的短期供热负荷预测方法。该方 法首先将历史数值天气预报数据中的气象因素与供热负 荷数据进行 Pearson 相关性分析,确定与供热负荷相关性较强的天气因素,与历史供热负荷数据组成模型的 输入,并通过反复训练和调参得出最优的 NWP-LSTM 模型结构,显著提高了短期供热负荷预测精度。
1 数值天气预报(NWP)
数值天气预报(NWP)利用大气和海洋的数学模 型,根据当前天气情况预测天气。如今,全球不同国家 运行了许多全球和区域预测模型,使用无线电探空仪或 气象卫星中继的当前天气观测作为模型输入,数值天气 预报的信息纬度和精确性都达到了很高的水准。
2 LSTM
长短期记忆(LSTM) 神经网络是一种时间递归神 经网络,它是对循环神经网络(RNN)的改进,由于 其细胞神经元的特殊门结构,使得它具有长期记忆能力,可以更好地捕捉时间序列中具有很长时间间隔和延 迟的负荷数据,另外, LSTM 可以有效解决 RNN 中的 梯度消失和梯度爆炸问题。LSTM 的内存模块包含 3 种 门结构,分别为遗忘门、输入门和输出门,如式(1) - 式(5)所示。
其中, ft , it , ot 分别为遗忘门、输入门和输出门; ht-1 表示前一时刻的输出, xt 表示当前输入;ct、ct-1 分别 为 T 和 T-1 时间步长下记忆单元的状态, Wf , Wu , Wo , Wc 分别表示对应隐藏层记忆单元的网络权重系数, bf , bu , bc 分别表示对应隐藏层内存单元的偏移值, ht 表示 在 T 时间步长下 LSTM 内存的输出,从式(4)和式 (5)可以看出,当前 t 时间步长下记忆单元的输出不仅 取决于 t 时间步长下的输入,还取决于 t-1 时间步长下 记忆单元的状态 ct-1 和输出 ht-1.整个记忆单元通过 3 个 门结构选择性地更新隐藏层中的每个记忆单元。
3 NWP-LSTM 网络模型
模型的第一部分为负荷影响因素相关性分析模块, 用来选取合适的神经网络输入,该模块将对可能引起供 热负荷变化的天气因素进行 Pearson 相关性分析,根 据得到的相关系数的绝对值大小,确定对供热负荷影响 较大的天气因素,与历史供热负荷数据一起作为模型第 二部分的输入;模型的第二部分是一种基于 LSTM 存储 模块的深度网络结构,包括输入矩阵、多层 LSTM 隐 藏层、全连接层和供热负荷预测输出值。输入层包括历 史供热负荷数据和经过模型第一个模块分析得出的多个 对供热负荷影响较大的天气因素的数据,数据特征通过 多层隐藏层提取,最后通过全连接层得到负荷预测结果。
4 实验
4.1 数据源
本文研究采用的原始供热负荷数据来自美国亚利桑 那州立大学坦佩校区的 IES 校园代谢项目,包括 IES 从 2020 年 7 月 1 日到 2021 年 6 月 30 日一年的供热负荷 数据,时间粒度为 1 小时。相应的天气数据来自美国国家气象局资料,包括温度、体感温度、露点温度、湿 度、风速、平均海平面气压、云量等。
4.2 数据预处理
对影响供热负荷的各种天气因素进行 Pearson 相 关性分析,以 2020 年 11 月的供热负荷与对应的天气 数据为例,如图 1 所示显示了温度、露点与供热负荷 的相关情况, 相关系数分别为 -0.8491 和 -0.7183. 这 表明温度和露点与供热负荷之间存在强相关性,采用同 样的方法将数值天气预报中剩余的因素与供热负荷进行 Pearson 相关性分析。
如表 1 所示展示了数值天气预报中所有天气参数与 供热负荷之间的相关系数的绝对值。根据相关系数的绝 对值大小可以得出,温度、体感温度和露点应作为供热 负荷预测的基本因素。
为了加快训练速度,消除奇异样本数据导致的不良 影响,利用式 min-max 标准化方法对数据集进行归一 化,将数据映射到 [0.1] 之间。
最后,将供热负荷数据分为 80% 的训练集和 20% 的测试集进行实验。
4.3 实验评价指标
使用均方根误差(RMSE)和平均绝对百分比误 差(MAPE)对供热负荷预测算法进行评估, RMSE 和 MAPE 的定义如式(6)和式(7)所示。
式(6)、式(7) 中：n 为样本个数, predictioni 和 observationi 分别为 i 时刻的预测值和观测值, RMSE 和 MAPE 的值越小,表明预测误差越小,模型的预测精确 度越高。
4.4 实验过程与结果分析
本文提出的 NWP-LSTM 供热负荷预测模型在 TensorFlow 框架下运行。NWP-LSTM 模型的深度网 络采用 Adam 优化算法进行自适应学习。经过大量实 验,我们将初始学习率设置为 0.001.一次训练的数据 批量大小设置为 256.迭代次数为 50.并引入早停机制 寻找最优的迭代次数和防止过拟合,深度神经网络采用 两层结构,两层隐藏层的神经元分别为 128 和 64.如 图 2 所示是 NWP-LSTM 模型在测试集上随机连续一 周共 7 天的预测结果图,从图 2 中可以看出, NWP- LSTM 模型具有较高的供热负荷预测能力。
将本文提出的 NWP-LSTM 供热负荷预测模型分别 与 LightGBM、GRU、LSTM 4 种 供 热 负 荷 预 测 模 型 进 行对比实验,如表 2 所示为 4 种预测方法在测试集上的 误差情况,可以得出 NWP-LSTM 模型的 RMSE 相较于 LightGBM、GRU、LSTM 分别下降了 43.37%、23.27%、 31.64%, MAPE 分别下降了 35.55%、22.99%、29.23%, 由此可见本文提出的基于 NWP-LSTM 模型的短期供热 负荷预测方法相较于其他 3 种方法在两项精度指标
上都 有较大提高。
5 结语
本文通过引入数值天气预报,将影响供热负荷的天 气因素与实际供热负荷数据进行 Pearson 相关性分析,在此基础上,提出了一种 NWP-LSTM 供热负荷预测模 型,以美国亚利桑那州立大学坦佩校区的 IES 校园代谢 项目中的供热负荷数据作为实际算例,通过反复实验找 到网络模型的最优结构。与经典的机器学习算法和常见 的神经网络算法进行对比,由于对供热负荷影响因素的 量化分析和数值天气预报的引入, NWP-LSTM 模型在 供热负荷预测精度上有明显地提高。
在未来的研究中,可以进一步考虑将更多的供热负 荷影响因素,如节假日等信息进行特征提取和分析并用 于提高预测精度,另外,可以将深度学习模型与其他特 征提取方法和预测方法进行组合,对模型的输入和结构 做进一步优化,得到更高精度和效率的短期供热负荷预 测方法,从而为生产实践提供参考。
参考文献
[1] ZHAO J,LIU X.A Hybrid Method of Dynamic Cooling and Heating Load Forecasting for Office Buildings Based on Artificial Intelligence and Regression Analysis[J]. Energy and Buildings,2018(174):293-308.
[2] TAKEDA H,TAMURA Y,SATO S.Using the Ensemble Kalman Filter for Electricity Load Forecasting and Analysis[J]. Energy,2016(104):184-198.
[3] YANG Y,XUE D.An Actual Load Forecasting Methodology by Interval Grey Modeling Based on the Fractional Calculus[J].ISA Transactions,2018(82):200-209.
[4] SELAKOV A,CVIJETINOVIĆ D,MILOVIĆ L,et al.Hybrid PSO–SVM Method for Short-term Load Forecasting During Periods with Significant Temperature Variations in City of Burbank[J].Applied Soft Computing,2014(16):80-88.
[5] SANTRA A S,LIN J L .Integrating Long Short-term Memory and Genetic Algorithm for Short-term Load Forecasting[J].Energies,2019.12(11):1-11.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/61023.html
