改进GJO优化CNN-BiLSTM的热负荷预测模型.pdfVIP

第

51

卷

第

4

期中国测试Vol.51

No.4

2025

年

4

月CHINA

MEASUREMENT

TESTApril,

2025

引用格式：白宇,

薛贵军,

谢文举,

等.

改进GJO优化CNN-BiLSTM的热负荷预测模型[J].

中国测试,

2025,

51(4):

82-90.

BAI

Yu,

XUE

Guijun,

XIE

Wenju,

et

al.

Improved

GJO

optimized

CNN-BiLSTM

heat

load

prediction

model[J].

China

Measurement

Test,

2025,

51(4):

82-90.

DOI:

10.11857/j.issn.1674-5124.2022120044

改进GJO优化CNN-BiLSTM的热负荷预测模型

11,213

白

宇，

薛贵军，

谢文举，

史彩娟

(1.

华北理工大学电气工程学院，河北

唐山

063210;

2.

华北理工大学智能仪器厂，河北

唐山

063000;

3.

华北理工大学人工智能学院，河北

唐山

063210)

摘要:合理规划好集中供热一次网的供热负荷，对满足热用户的舒适度和减少能源消耗有着重要意义。为此提出

一种改进金豺算法(improved

golden

jackal

optimization，IGJO)优化的CNN-BiLSTM热负荷预测模型。综合考虑一

次网各项参数和天气因素的影响，将热负荷历史值和一次网供水温度、供水流量、供水压力、外界天气温度组成

CNN-BiLSTM网络的输入，利用CNN-BiLSTM网络提取输入数据的空间特征和时间特征。同时，通过Circle混沌

映射、螺旋波动搜索、自适应t变异策略改进GJO，得到的IGJO有效解决了GJO全局搜索能力弱和收敛精度不高的

问题，具有高效的寻优效果，然后利用IGJO寻优CNN-BiLSTM网络的超参数，解决了因CNN-BiLSTM网络的超参

数选取不当而影响热负荷预测结果的问题。最后利用吉林延边某换热站2021年1月到3月供热负荷数据进行模型

测试。结果表明，所提IGJO-CNN-BiLSTM预测结果的MAE、MAPE、RMSE和NSE分别为0.005

MW、0.33%、

0.008

MW和0.97，相比LSTM、CNN-LSTM等模型，具有更优的预测精度。

关键词:供热负荷预测;

一次网;

改进金豺优化算法;

CNN-BiLSTM网络;

超参数寻优;

预测精度

中图分类号:TB9;

TH16;

TP391.9文献标志码:A文章编号:1674–5124(2025)04–0082–09

ImprovedGJOoptimizedCNN-BiLSTMheatloadpredictionmodel