基于神经网络和支持向量机及其改进算法的供热负荷预测研究土木工程专业论文.docxVIP

优秀毕业论文 精品参考文献资料 声 声 明 本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下， 独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文 不包含其他个人或集体已经发表或撰写过的研究成果。对本文的研究 做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的 法律责任由本人承担。 。论文作者签名： 澎痧 日期．叫坐擘 关于学位论文使用权的说明 本人完全了解太原理工大学有关保管、使用学位论文的规定，其 中包括：④学校有权保管、并向有关部门送交学位论文的原件与复印 件；②学校可以采用影印、缩印或其它复制手段复制并保存学位论文； ③学校可允许学位论文被查阅或借阅；④学校可以学术交流为目的， 复制赠送和交换学位论文；⑤学校可以公布学位论文的全部或部分内 容(保密学位论文在解密后遵守此规定)。 签 名： l蔓j喜： 日期：一：．堡竺：丝 一一庐 导师签名： ∑盈 12 B期： 洲,j-。6．锣 万方数据 太原理工大学硕士研究生学位论文基于神经网络和支持向量机及其改进算法的供热负荷预测研究 太原理工大学硕士研究生学位论文 基于神经网络和支持向量机及其改进算法的供热负荷预测研究 摘要 冬季采暖地区施行集中供热是我国城镇化发展的主要技术手段，而采 暖所需的供热能耗在社会能源消耗中的比重较大，随着国家对节约能源的 日益重视，如何能提高集中供热效率成为了降低供热企业能源消耗量的首 要问题。 能够较为准确的对供热负荷进行预测，从而使供热企业可以按需生产、 按需分配，是提高集中供热效率的关键。在引入现代人工智能预测技术后， 供热负荷预测的研究取得了长足进步与发展，但预测方法和预测模型还有 待于优化。本文将目前使用最为广泛的神经网络和新兴预测技术中最为有 发展前途的支持向量机这两大智能预测算法用于供热负荷预测，并结合预 测技术、方法的发展趋势，建立了各自不同的优化改进模型，对各模型在 供热负荷预测方面的表现做具体研究。 对于神经网络算法，本文建立BP神经网络预测模型，通过对小波分析 理论的研究，建立在原模型基础上改进的小波神经网络预测模型；对于支 持向量机算法，本文建立支持向量回归预测模型，分析模型中控制参数对 预测结果的影响，采用交叉验证算法来挖掘数据的可用潜力，分别采用网 格搜索算法、遗传算法和粒子群算法这三种具有全局搜索能力的算法对支 持向量回归模型的参数进行寻优，从而由此分别建立基于GS—KCV-SVR方 法、基于GA—KCV-SVR方法和基于PSO．KCV-SVR方法的供热负荷预测模 型。 T 万方数据 万方数据 万方数据 太原理工大学硕士研究生学位论文本文所有预测模型均采用实测供热数据，并进行统一的训练与测试。 太原理工大学硕士研究生学位论文 本文所有预测模型均采用实测供热数据，并进行统一的训练与测试。 对于模型的输入量，综合考虑各方相关因素：理论分析影响供热负荷的室 外环境因素；定性分析与供热负荷有关的系统内部因素，并用定量计算的 方式对分析结果进行验证；考虑加入计量供热后用户主动调节对供热负荷 变化的影响，引入类型日参数作为供热负荷预测模型的输入参数之一。结 合智能预测算法的高维运算优势和供热系统的复杂热力学特性，建立更适 用于供热负荷预测模型的输入输出函数表达。 对各算法所建立的供热负荷预测模型运用实测供热数据进行了验证， 模拟计算结果表明：支持向量机的算法原理比神经网络在处理与供热负荷 有关的较多影响因素的高维数问题方面更为先进；使用网格搜索可以较容 易实现，但计算效率不高；遗传算法与粒子群算法在搜索寻优中的表现各 有所长，需要视具体供热情形选择合适的参数优化算法；优化后的供热负 荷预测模型的预测精度优于原预测模型；使用支持向量及其优化算法建立 的供热负荷模型的预测效果整体优于使用神经网络及其优化算法建立的模 型；使用交叉验证算法有助于提高模型的便捷性和推广性。在模型稳定性 方面：支持向量回归模型高于需要多次重复计算才能得到满意结果的BP神 经网络模型；受随机因素影响较大的遗传算法和粒子群算法不及网格搜索 方法。 本文建立了多种预测模型进行供热负荷预测，可为供热企业科学生产 提供有效参考，为热源分配、调度提供必要依据。通过对各模型的分析与 比较，在基于本文研究采用的供热实测数据的基础上，综合各方面评价因 素，本文推荐：使用在稳定性、便捷性和精准度等方面表现都较为均衡的 TT 万方数据 万方数据 太原理工大学硕士研究生学位论文GS 太原理工大学硕士研究生学位论文 GS．KCV-SVR预测模型进行一般规模样本数据的供热负荷预测；当样本数 据规模较大且对预测精度有特殊要求时，使用GA-KCV-SVR预测模型或 PSO—KCV-SVR预测模型进行供热负荷预测。 关键词：供热负荷预测，小波神经网络，支持向量回