供暖热网预测神经网络模型的研究论文.docVIP

　　供暖热网预测神经网络模型的研究论文 .freelan网络。本文利用牡丹江西海林小区锅炉房2000年11月～2001年4月的部分热网数据，对所建立的网络进行训练和检验，结果表明两处预报模型的均具有较好的动态跟踪能力和预报特性。而Elman网络在节点结构上比外时延反馈型BP网络更简单，在确定网络节点结构上更快捷，更具有实际推广和应用价值。 关键词 人工神经网络 供暖热网预测 外时延 内时延 反馈型BP网络 Elman网络 一些复杂的生产过程，如热网供热.freelan网络的预测模型。 1 外时延反馈BP网络 多层前向网络是研究和应用的最广泛也是最成功的人工神经元网络之一。多层前向网络是一种映射型网络。理论上，隐层采用Sigmoid激活函数的三层前向网络能以任意精度逼近任一非线函数，神经元网络可以根据与环境的相互作用对自身进行调节即学习，一个BP网络即是一个多层前向网络加上误差反向传播学习算法，因此一个BP网络应有三项基本功能：（1）信息由输入单元传到隐单元，最后传到输出单元的信息正向传播；（2）实际输出与期望输出之间的误差由输出单元传到隐单元，最后传到输入单元的误差反向传播；（3）利用正向传播的信息和反向传播的误差对网络权系数进行修正的学习过程。目前，多层前向网络的权系数学习算法大多采用BP算法及基于BP算法的改进算法，如带动量项的BP算法等。BP网络虽然有很广泛的应用，但由于它是一个静态网络，所以只能用于处理与时间无关的对象，如文字识别、空间曲线的逼近等问题。热网供暖的各项参数都是与时间有关系的，而且我们即将建立的供暖热网预报模型必须是一个动态模型。为此，必须在网络中引入记忆和反馈功能。可以有两种方式实现这一功能，一是采用外时延反馈网络，即反输入量以前的状态存在延时单元中，且在输入端引入输出量以前状态的反馈，如图1所示；另一种方式是采用内时延反馈网络，既在网络内部引入反馈，使网络本身构成一个动态系统，如下面将要介绍的Elman网络。 图1 处延时反馈网络 2 Elman网络 如前所述，在BP网络外部加入延时单元，把时间信号展开成空间表示后再送给静态的前向网络作为一类输入，从而实现时间序列建模和预测。然而，这种方式大大增加了输入节点个数因而导致了网络结构膨胀，训练精度下降，训练时间过长。 Elman动态网络是动态递归网络中较为简单的一种结构，如图2所示。 图2 Elman网络 由输入层、隐含层、结构层（联系单元层）和输出层组成，结构层记忆隐含层过去的状态，并在下一时刻与网络的输入，一同输入隐含层，起到一步延时算子作用。因此，Elman动态递归网络具有动态记忆的功能，无需使用较多的系统状态作为输入，从而减少了输入层单元数。 3 供热网络预报模型 根据研究问题的性质不同，选择不同的网络结构和激活函数，以便建立准确的神经网络预报模型。外时延反馈网络和内时延反馈网络都将其时延单元和反馈单元视为BP网络的输入参数，因此可以应用BP算法训练网络，其隐含层和输出层的节点激活函数可选择tansig、purelin函数，表达式为： tansig函数： purelin函数： f2(x)=kx 输出： 其中：xi----热网输入； in。训练样本为前2000个数据组，测试样本为后2000个数据组。输出曲线有训练样本与计算数据比较曲线和测试样本与计算数据比较曲线。 网络结构共三层，输入层节点25个，隐层节点25个，输出层节点6个。取学习率η=0.7，动量因子a=0.3，训练精度ε=4.5e-3，经过1000次正反向传播和学习，网络训练满足设定条件，此时训练计算的均方差为0将检验样本输入训练好的网络模型，其检验结果如图3、图4（因篇幅所限仅给出回水温度预报值）所示。 图3 回水温度一步预报曲线 实线：计算数据；虚线：实际数据 图4 回水温度二步预报曲线 实线：计算数据；虚线：实际数据 3．2 模型II：内时延反馈Elman网络。 输入参数为当前时刻的①室外温度（i）; ②供水流量（i））;③补水流量（i）; ④供水温度（i）;⑤回水温度（i）;，共五个输入量。输出量为未来时刻的①室外温度（i +1）（i+2）；②供水温度（i +1）（i+2）；③回水温度（i +1）（i+1）；共六个输出量。其中每一周期间隔15min。训练样本为前2000个数据组，测试样本为后2000个数据组。输出曲线有训练样本与计算数据比较曲线和测试样本与计算数据比较曲线。 网络结构共三层，输入层节点25个，隐层节点25个，输出层节点6个。取学习率η=0.7，动量因子a=0.3，训练精度ε=4.5e-3，经过1000次正反向传播和学习，网络训练满足设定条件，此时训练计