熱負荷預測方法研究綜述

景勝藍 王 飛 雷勇剛

太原理工大學環(huán)境科學與工程學院

熱負荷預測方法研究綜述

景勝藍 王 飛 雷勇剛

太原理工大學環(huán)境科學與工程學院

供熱負荷預測是北方地區(qū)集中供暖工作重要的一部分，是實現(xiàn)建筑節(jié)能的重要保證。本文對供熱負荷預測方法進行了綜述，通過總結(jié)提出了未來供熱負荷的發(fā)展方向。

供熱 負荷預測 模型

0 引言

隨著我國現(xiàn)代化進程的加快，我國集中供熱面積在2013年超過了57億m2[1]。與發(fā)達國家相比我國城鎮(zhèn)建筑單位面積供暖能耗是同緯度國家的2～3倍，供熱節(jié)能是我國建筑節(jié)能工作中潛力最大的途徑[2]。要實現(xiàn)供熱節(jié)能和提高供熱的高質(zhì)量，必須發(fā)展供熱系統(tǒng)調(diào)控和分戶熱計量技術(shù)，熱源處必須能很好地跟蹤預測用戶的熱負荷的變化[3～4]。因此，熱負荷預測成為供熱系統(tǒng)設計、調(diào)控，實現(xiàn)建筑節(jié)能關(guān)鍵基礎環(huán)節(jié)[5～7]。

1 供熱負荷預測的基本理論

預測概念是一個廣泛應用的概念[8～9]。供熱負荷預測是一個對供熱負荷過去的信息收集，運用定性和定量的科學分析方法，揭示出其中的客觀規(guī)律，構(gòu)建模型對未來發(fā)展的趨勢做出預測的過程。供熱負荷預測按照預測期限長短，可分為短期、中期、長期[7～8]。短期負荷預測是預測未來0～24h之內(nèi)供熱系統(tǒng)負荷的變化，主要用于熱源的供熱量與熱用戶需熱量相匹配；中期負荷預測的周期為3～7天，目的為供熱系統(tǒng)制定生產(chǎn)、維修、運輸及人員財務計劃提供依據(jù)；長期負荷預測一般指年度負荷預測，主要為供熱系統(tǒng)的優(yōu)化及供熱規(guī)劃提供依據(jù)[7]。不同期限的預測方法有所區(qū)別，見表1[10]。

表1 不同期限預測問題的對比

2 熱負荷預測方法

供熱負荷研究當中著重研究中短期預測，包括時間序列預測法、神經(jīng)網(wǎng)絡預測法、灰色系統(tǒng)預測法等多種方法。

2.1 時間序列預測法

時間序列預測法是計量經(jīng)濟學的一個分支，熱負荷數(shù)據(jù)通常按照一定時間間隔進行記錄[11]，因此，時間序列預測法在熱負荷預測方面得到了廣泛運用。Yoshid等構(gòu)建了ARMA供熱、空調(diào)負荷預測模型[12]。Popescu等應用時間序列分析方法對熱負荷以及生活用熱水的需求量進行了模擬分析，取得了良好效果[13]。Chramcov等建立了基于時間序列方法的集中供熱系統(tǒng)日需熱量模型，并且加入了室外空氣溫度的影響[14]。Grosswindhagera等介紹了利用季節(jié)性ARIMA模型對區(qū)域供熱網(wǎng)絡熱負荷進行在線短期預測的方法[15]。

我國研究者也開展了長期和廣泛的研究。葛曉霞等采用乘積積分滑動平均方法（ARIMA）建立了熱電廠供熱負荷預測模型[16]。周恩澤等采用時間序列分析方法建立了供熱負荷預測模型[17]。朱學莉等采用ARMA模型描述、參數(shù)估計和最優(yōu)預報三個部分得到預報值，以此作為預測控制的設定值[18]。劉潤峰提出了采用時間序列分析法對熱負荷進行預測的原則，并給出了3種數(shù)學模型及計算方法[19]。陳烈通過現(xiàn)場測取的熱力站負荷預報樣本序列，建立了基于時間序列的AR預測模型[20]。張永明等采用非線性分析方法對供熱負荷時間序列混沌特性進行識別，提出了一種基于Volterra自適應濾波器的供熱負荷預報方法[21]。鄧盛川等提出一種基于乘積季節(jié)ARIMA模型的供熱負荷預報方法[22]。

2.2 神經(jīng)網(wǎng)絡預測（ANN，Artificial Neural Networks）

20世紀90年代，研究者已經(jīng)將神經(jīng)網(wǎng)絡預測方法引入到負荷預測領域[23，24]，國外的Kawashima等使用ANN建立了熱負荷預測模型[25。]Olofsson等采用ANN模型對瑞典獨棟家庭建筑需熱量進行了預測[26]。Kalogirou利用ANN模型對希臘采用太陽能采暖系統(tǒng)的長期特性進行了預測[27]。Chou和Bui采用ANN進行建筑熱負荷預測[28]。Yang等利用神經(jīng)網(wǎng)絡預測建筑熱負荷以確定供暖系統(tǒng)的最佳啟動時間[29]。Kalogirou等利用BP神經(jīng)網(wǎng)絡用于預測建筑熱負荷，并利用225棟建筑的數(shù)據(jù)進行訓練[30]。Ekici和Aksoy建立了輸入變量為建筑朝向、建筑保溫層厚度和透射率參數(shù)的BP神經(jīng)網(wǎng)絡用于建筑熱負荷預測[31]。Olofsson等利用BP神經(jīng)網(wǎng)絡對瑞典獨立家庭的年熱負荷需求進行了預測[32]。Olofsson和Andersson建立了利用短期（2～5周）數(shù)據(jù)對長期熱負荷預測的神經(jīng)網(wǎng)絡模型[33]。Kreider等利用輸入變量為逐時建筑能耗數(shù)據(jù)的BP神經(jīng)網(wǎng)絡預測建筑熱負荷[34]。Yan和Yao對不同氣候區(qū)建筑熱負荷數(shù)據(jù)采用神經(jīng)網(wǎng)絡模型進行了預測分析[35]。

我國研究者對人工神經(jīng)網(wǎng)絡應用于熱負荷預測進行了理論和實踐研究工作。杜進榮等對供熱負荷預測神經(jīng)網(wǎng)絡的輸入變量和輸出變量的選取、預測時間步長、隱含層單元數(shù)等如何確定進行了闡述[36]?？祫傥膶χ鸩交貧w分析和人工神經(jīng)網(wǎng)絡在對建筑熱負荷預測的效果進行了對比研究[37]。此外，應用方面的工作包括以下幾個方面：

1）BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡在熱電廠和鍋爐房等熱源的供熱負荷預測方面得到了廣泛應用。李勇在BP網(wǎng)絡的輸入層與輸出層引入直接連接權(quán)，構(gòu)建了合成BP網(wǎng)絡用于進行熱電廠熱負荷預測[38]。常冰等利用BP神經(jīng)網(wǎng)絡建立了熱電廠鍋爐負荷預測模型[39，40]。曹雙華等通過對工業(yè)鍋爐房蒸汽負荷數(shù)據(jù)進行分析構(gòu)建了基于兩個BP網(wǎng)絡的級聯(lián)神經(jīng)網(wǎng)絡預測供熱鍋爐房次日小時熱負荷[41]。張晉文等利用BP網(wǎng)絡建立了蓄熱式電鍋爐供熱系統(tǒng)的短期負荷模型[42]。彭嵐等采用24個單輸出的BP網(wǎng)絡來分別預測工業(yè)鍋爐房每天24h負荷值[43]。

BP神經(jīng)網(wǎng)絡在供熱系統(tǒng)熱負荷預測也有廣泛研究。郝有志等利用BP神經(jīng)網(wǎng)絡算法建立了小區(qū)供熱計量系統(tǒng)短期熱負荷預測模型[44]。姜永成等在城市熱網(wǎng)供熱負荷實時預報中建立2個神經(jīng)網(wǎng)絡模型，一個用于誤差檢測與實時訓練，另一個用于實時滾動預報[45]。熊鈞等建立起可用于熱網(wǎng)供暖預報的外時延反饋型BP網(wǎng)絡模型用于熱網(wǎng)的動態(tài)預測[46]。王錫琴等提出了采用神經(jīng)網(wǎng)絡來模擬計算地鐵車站熱負荷[47]。李莎等應用了神經(jīng)網(wǎng)絡的控制方法，在小型水源熱泵系統(tǒng)試驗數(shù)據(jù)的基礎上建立了仿真模型[48]。李祥立等以大連市某超低能耗建筑實測的逐時熱負荷數(shù)據(jù)建立了BP網(wǎng)絡地板輻射供暖系統(tǒng)短期熱負荷預測模型[49]。張莉利用用戶負荷系數(shù)建立了計量供熱系統(tǒng)運行調(diào)節(jié)公式用于訓練BP神經(jīng)網(wǎng)絡[50]。

2）RBF神經(jīng)網(wǎng)絡

由于BP網(wǎng)絡的局部極小、隱節(jié)點數(shù)目的選擇和過擬合等問題，徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡也廣泛應用于非線性時間序列預測。張傳斌等利用RBF神經(jīng)網(wǎng)絡建立了熱電廠負荷預測模型[51]。李琦等利用K-均值聚類算法確定RBF神經(jīng)網(wǎng)絡的隱含層中心，再利用遞歸正交最小二乘法更新網(wǎng)絡連接的權(quán)系數(shù)，訓練RBF神經(jīng)網(wǎng)絡模型對熱網(wǎng)系統(tǒng)短期熱負荷進行預測[52]。張亞忠等針對供熱系統(tǒng)熱負荷預測提出了并行最小化RBF神經(jīng)網(wǎng)絡算法，同時修正了RPCL方法系統(tǒng)振蕩問題[53]。

3）改進型神經(jīng)網(wǎng)絡算法

針對BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡的缺點，研究者對原有算法進行了不斷改進。王東亞等針對BP算法收斂速度慢，存在局部極小的可能，采用遺傳算法優(yōu)化了權(quán)系值的計算方法，并應用于某市供熱負荷預測[54]。張經(jīng)博等利用改進的遺傳算法對BP神經(jīng)網(wǎng)絡的初始權(quán)值和網(wǎng)絡結(jié)構(gòu)進行優(yōu)化，并且在遺傳進化過程中采取保留最佳個體的方法，對供暖系統(tǒng)熱負荷進行短期預測[55]。張頂學等提出了基于變長度染色體遺傳算法的RBF神經(jīng)網(wǎng)絡，并用此方法建立熱電廠熱負荷預測模型[56]。

林雨舒等為了減少預測模型的輸入量，利用粗糙集理論建立了粗糙廣義回歸神經(jīng)網(wǎng)絡模型用于集中供熱負荷預測[57]。劉劍等建立了基于標準粒子群算法和改進粒子群算法的BP神經(jīng)網(wǎng)絡熱力站供熱負荷預測模型[58]。朱棟華等用小波包變換對熱負荷序列進行分解，再結(jié)合Elman神經(jīng)網(wǎng)絡分別對各序列建立模型，進行單步預測，最后重構(gòu)各序列建立了適用于短期供熱負荷預測的模型[59。]崔高健等建立了基于Elman型神經(jīng)網(wǎng)絡的以小時為單位的集中供熱負荷預測模型[60]。王美萍等對影響熱流量的各因素應用數(shù)理統(tǒng)計的方法進行分析，然后采用模糊耦合神經(jīng)網(wǎng)絡算法對供熱系統(tǒng)建立了預測模型[61]。

2.3 灰色系統(tǒng)預測

針對信息不完全、各因素之間的映射關(guān)系不確定的系統(tǒng)，研究者提出了灰色系統(tǒng)預測方法[8]。熱負荷預測問題也具有灰色系統(tǒng)特征，針對此特點，胡文斌等提出了一套負荷預測方法—改進灰色拓撲預測方法，對某熱電廠短期負荷的未來值進行了全波形預測[62]。胡文斌等根據(jù)城市供熱負荷的變化特點，基于灰色系統(tǒng)方法分別提出了預測模型[63]。王渡和鄭莆燕根據(jù)區(qū)域供熱負荷長期變化的趨勢和周期變化的特點，在一般灰色模型基礎上建立殘差序列，用周期均值疊加法將該序列分離為若干個周期波，對其線性疊加后將周期波進行外延進行熱負荷中期預測[64]。Nielsen在供熱量和室外氣象參數(shù)之間建立了灰色系統(tǒng)預測模型[65]。

2.4 其他方法

黎展求等對熱負荷數(shù)據(jù)進行預處理，運用小波包變換對負荷序列進行分解，對各子序列分別建立支持向量回歸預測模型，最后通過序列重構(gòu)得出了預測結(jié)果[66]。李琦和李梅根據(jù)天氣預測得出室外溫度，得到熱負荷預測變化曲線，采用粒子群（PSO）算法求解進行優(yōu)化，獲得指定時間段在滿足用戶供熱需求情況下供熱量的最小值[67]。高丙坤等將組合預測和粒子群算法結(jié)合建立了一種組合形式的供熱負荷預測模型，解決了組合預測中權(quán)重難以確定的問題，改善了供熱負荷預測模型的擬合能力[68]。Zhao等利用支持向量機建立了對建筑群熱負荷預測模型[69]。Zhang和Qi利用支持向量機和馬爾可夫殘差修正模型構(gòu)建了建筑逐時熱負荷預測方法[70]。Yun等采用有源自回歸模型（ARX）預測建筑物逐時熱負荷[71]Ma等利用高斯混合模型（GMM）聚類算法對不同建筑用能模式對熱負荷預測準確性影響進行了定量研究[72]。

3 總結(jié)

綜上所述，目前熱負荷預測方法發(fā)展非常快而且采用的理論也非常豐富。供暖系統(tǒng)涉及的因素非常多，例如建筑物和系統(tǒng)熱慣性、氣象變化、人員行為等因素[73～75]，使得供暖系統(tǒng)具有非線性、大滯后、大慣性、時變性和不確定性等特點，通過物理模型、線性模型建立供暖熱負荷預測的數(shù)學模型是極其困難的。因此，現(xiàn)有的每種類型的方法在預測熱負荷時既有其優(yōu)點也有其缺點（表2）。

表2 熱負荷預測常用方法對比表

歸納起來，目前大多數(shù)預測方法都是建立在對歷史統(tǒng)計數(shù)據(jù)分析的基礎上，通過不同的方法建立影響因素與熱負荷之間的預測模型，而對于影響熱負荷的各項因素、對熱負荷的影響過程和特點及其交互作用缺少定量描述，基本處于黑箱或者灰箱狀態(tài)。為了更準確地對熱負荷進行預測，筆者認為還需要從以下方面進行深入研究：

1）注意對供熱負荷原始數(shù)據(jù)的收集和整理。熱負荷的原始數(shù)據(jù)的準確性對于熱負荷模型的建立和預測精度有重要的影響，因此，要及時收集整理?？梢酝ㄟ^物聯(lián)網(wǎng)技術(shù)的應用對用戶末端和熱源的數(shù)據(jù)逐步實現(xiàn)實時采集并且對異常數(shù)據(jù)進行甄別和剔除。

2）熱負荷影響因素的研究。影響熱負荷的因素眾多，熱負荷預測模型的參數(shù)識別不僅需要對原始數(shù)據(jù)本身的特點進行研究，還需要結(jié)合影響負荷數(shù)據(jù)因素如氣象參數(shù)、用戶的用能模式等規(guī)律和特點進行分析，逐步解析黑箱結(jié)構(gòu)。

3）組合預測方法的研究。單一的預測方法有其優(yōu)點但是無法避免某一方面的不足和缺陷，預測精度會受到適用條件的影響。而組合預測模型比單個預測模型具有更高的預測精度，能提高預測的穩(wěn)定性。

[1] 中華人民國家統(tǒng)計局.中華人民共和國統(tǒng)計年鑒2013[M].北京:中國統(tǒng)計出版社,2013

[2] 江億.我國供熱節(jié)能中的問題和解決途徑[J].暖通空調(diào),2006, 36(3):37-41

[3] 江億,彭琛,燕達.中國建筑節(jié)能的技術(shù)路線圖[J].建設科技, 2012,(17):12-19

[4] 建設部.“十二五”建筑節(jié)能規(guī)劃[EB/OL].www.mohurd.gov.cn/ zcfg/jsbwj_0/jsbwj

[5] Chou J S,Bui D K.Modeling heating and cooling loads by artific -ial intelligence for energy-efficient building design[J].Energy and Buildings,2014,82:437-446

[6] Lim J H,Song J H,Song S Y.Development of operational guidelines for thermally activated building system according to heating and cooling load characteristics[J].Applied Energy,2014,126: 123-135

[7] 郝有志,李德英.熱負荷預測方法評析[J].建筑熱能通風空調(diào), 2003,22(1):26-27

[8] 牛東曉,曹樹華,趙磊.電力負荷預測技術(shù)及其應用[M].北京:中國電力出版社,1998

[9] 馮文泉,茅奇,周毓萍.經(jīng)濟預測與決策技術(shù)(第四版)[M].武漢:武漢大學出版社,2002

[10] 康重慶,夏清,張伯明.電力系統(tǒng)負荷預測研究綜述與發(fā)展方向的探討[J].電力系統(tǒng)自動化,2004,28(17):1-11

[11] 潘紅宇.時間序列分析[M].北京:對外經(jīng)濟貿(mào)易大學出版社, 2006

[12]Yoshida H,Terai T.An ARMA type weather model for air-conditioning,heating and cooling load calculation[J].Energy and Buildings,1991,16(1):625-634

[13] Popescu D,Ungureanu F,Serban E.Simulation of consumption in district heating systems-Environmental problems and development[A].In:Proceedings of the 1st WSEAS International Conference on Urban Rehabilitation and Sustainability(URES 08)[C]. 2008:195

[14] Chramcov B,Dostal P,Balate J.Forecast model of heat demand [A].In:Proceedings of the 28th International Symposium on Forecasting[C].Hong Kong,China.2009

[15] Grosswindhagera S,Voigtb A,Kozeka M.Online short-term forecast of system heat load in district heating networks[J].Tsp, 2011,(1):2

[16]葛曉霞,繆國鈞.熱電廠熱負荷的預測方法[J].熱力發(fā)電,1996, (2):25-28

[17]周恩澤,方修睦.供暖熱水鍋爐房的熱負荷預測[J].哈爾濱建筑大學學報,2000,33(3):56-60

[18]朱學莉,齊維貴,陸亞俊.時間序列預報法在供熱控制中的應用研究[J].電子學報,2003,31(2):268-270

[19]劉潤峰.供暖熱負荷的預測[J].沈陽工程學院學報(自然科學版),2006,2(1):13-14

[20]陳烈,李娟,齊維貴.基于時間序列交叉的供熱負荷預報研究[J].智能建筑電氣技術(shù),2007,1(3):53-57

[21]張永明,齊維貴.供熱負荷時間序列混沌特性分析及預報模型研究[J].物理學報,2011,60(10):98-107

[22]鄧盛川,于德亮,齊維貴.基于乘積季節(jié)ARIMA模型的供熱負荷預報[J].沈陽工業(yè)大學學報,2011,33(3):321-325

[23]Kreider J F.Artificial neural networks demonstration for automated generation of energy use predictors for commercial buildings [J].ASHIRAE Transactions,1991,97(1):775-779

[24]Anstett M,Kreider J F.Application of neural networking models to predict energy use[J].ASHRAE,1993,(1):505-517

[25]Kawashima M,Dorgan C E,Mitchell J W.Hourly thermal load prediction for the next 24 hours by ARIMA,EWMA,LR and an artificial neural network[R].American Society of Heating,Refrigerating and Air-Conditioning Engineers,Inc.,Atlanta,GA(United States),1995.

[26]T Olofsson,S Andersson,ROstin.A method for predicting the annual building heating demand based on limited performance data[J].Energy and Buildings,1998,28(1):101-108

[27]Soteris A.Kalogiro.Long-term performance prediction of forced circulation solar domestic water heating systems using artificial neural networks[J].Applied Energy,2000,66(1):63-74

[28]Chou J S,Bui D K.Modeling heating and cooling loads by artificial intelligence for energy-efficient building design[J].Energy and Buildings,2014,82:437-446

[29]Yang I H,Yeo M S,Kim K W.Application of artificial neural network to predict the optimal start time for heating system in building[J].Energy Conversion and Management,2003,44(17): 2791-2809

[30]Kalogirou S A,Neocleous C C,Schizas C N.Building heating load estimation using artificial neural networks[A].In:Proceedin -gs of the 17th International Conference on Parallel Architectures and Compilation Techniques[C].1997,8:14

[31]Ekici BB,Aksoy UT.Prediction of building energy consumption by using artificial neural networks[J].Advances in Engineering Software,2009,40(5):356-62

[32]Olofsson T,Andersson S,Ostin R.A method for predicting the annual building heating demand based on limited performance data[J].Energy and Buildings,1998,28(1):101-8

[33]Olofsson T,Andersson S.Long-term energy demand predictions based on short-term measured data[J].Energy and Buildings, 2001,33(2):85-91

[34] Kreider J F,Claridge D E,Curtiss P.Building energy use prediction and system identification using recurrent neural networks[J]. Journal of Solar Energy Engineering,1995,117(3):161-166

[35] Cheng-wen Y,Jian Y.Application of ANN for the prediction of building energy consumption at different climate zones with HDD and CDD[A].In:Future Computer and Communication (ICFCC)[C].2010,3:286-289

[36]杜進榮,朱能,向天游.民用建筑供熱負荷的神經(jīng)網(wǎng)絡法預測[J].煤氣與熱力,2001,21(1):16-19

[37] 康勝文.兩種熱負荷預測方法的比較[J].區(qū)域供熱,2004,(2): 22-24

[38] 李勇,宋景東,孫海波.熱電廠熱負荷預測的神經(jīng)網(wǎng)絡模型[J].熱能動力工程,1998,13(6):447-448

[39] 常冰,王力軍.熱負荷預測中應用神經(jīng)網(wǎng)絡模型的研究[J].建筑熱能通風空調(diào),2003,22(4):59-60

[40] 常冰,郭文武,郭楓.神經(jīng)網(wǎng)絡在熱電廠鍋爐熱負荷預測的應用研究[J].石家莊鐵道學院學報,2003,16(4):80-83

[41] 曹雙華,曹家樅.應用級聯(lián)神經(jīng)網(wǎng)絡預測供熱鍋爐次日小時熱負荷的初步研究[J].東華大學學報(自然科學版),2 004,(1):23 -27

[42]張晉文,張新銘,姜延燦.分時電價下電鍋爐經(jīng)濟運行的BP網(wǎng)絡負荷預測[J].重慶大學學報(自然科學版),2004,27(9):112 -114

[43]彭嵐,何大鵬,李友榮.基于BP神經(jīng)網(wǎng)絡的工業(yè)鍋爐房負荷預測[J].工業(yè)加熱,2006,(5):31-33

[44] 郝有志,李德英,郝斌.基于神經(jīng)網(wǎng)絡的供熱計量系統(tǒng)熱負荷短期預測[J].暖通空調(diào),2003,33(6):105-107

[45] 姜永成,熊鈞.城市熱力網(wǎng)供熱負荷實時預報[J].吉林大學學報(工學版),2004,34(z1):242-244

[46]熊鈞,姜永成,郭駿,等.熱網(wǎng)動態(tài)BP網(wǎng)絡預測模型結(jié)構(gòu)的研究[J].哈爾濱工業(yè)大學學報,2005,37(3):391-393

[47] 王錫琴,何菡,霍海娥.人工神經(jīng)網(wǎng)絡法在地鐵環(huán)控熱負荷計算中的應用[J].西華大學學報(自然科學版),2006,(6):50-52

[48] 李莎,鄒瑾,張?zhí)扈?應用神經(jīng)網(wǎng)絡調(diào)控熱泵負荷的研究[J].重慶建筑大學學報,2008,(2):128-131

[49]李祥立,王仁瑾,端木琳,等.基于BP神經(jīng)網(wǎng)絡的地板輻射供暖系統(tǒng)逐時負荷預測[J].暖通空調(diào),2011,41(12):95-98

[50] 張莉.計量供熱系統(tǒng)智能控制方法初探[J].能源與節(jié)能,2011, (1):69-71

[51]張傳斌,王學孝.非線性時間序列的RBF神經(jīng)網(wǎng)絡預測方法及其應用[J].熱能動力工程,2001,16(3):311-312

[52] 李琦,周鵬.基于改進神經(jīng)網(wǎng)絡的熱網(wǎng)短期熱負荷預測[J].控制工程,2014,(4):11

[53]張亞忠,孫同利.基于PM-RBF的電廠供熱負荷預測研究[J].無線互聯(lián)科技,2014,(7):120.

[54] 王東亞,張琳,趙國材.神經(jīng)網(wǎng)絡遺傳算法在供熱負荷預測中應用[J].遼寧工程技術(shù)大學學報(自然科學版),2005,(z1):161-163

[55]張經(jīng)博,郭凌,王朝霞,等.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的供暖系統(tǒng)熱負荷預測模型[J].四川兵工學報,2014,35(4):152-156

[56]張頂學,劉新芝,關(guān)治洪.RBF神經(jīng)網(wǎng)絡算法及其應用[J].石油化工高等學校學報,2008,20(3):86-88

[57]林雨舒,李健,趙國材.一種粗糙廣義回歸神經(jīng)網(wǎng)絡在集中供熱負荷預測中的應用[J].電氣技術(shù),2007,(12):17-19

[58]劉劍,楊勇,邱慶剛.基于粒子群神經(jīng)網(wǎng)絡的熱力站供熱負荷預測[J].節(jié)能,2008,27(6):27-30

[59]朱棟華,黎展求.基于小波和神經(jīng)網(wǎng)絡的供熱負荷預測[J].沈陽建筑大學學報(自然科學版),2008,23(1):157-160

[60]崔高健,凡東生,曲永利,等.基于Elman型神經(jīng)網(wǎng)絡集中供熱負荷預測模型的研究[J].建筑節(jié)能,2011,(3):9-11

[61]王美萍,田琦,張佼.模糊耦合神經(jīng)網(wǎng)絡的系統(tǒng)供熱預測研究[J].太原理工大學學報,2014,(4):485-489

[62]胡文斌,楊昌智.短期供熱負荷的灰色拓撲預測[J].煤氣與熱力,1999,19(3):51-54

[63]胡文斌,華賁,楊昌智.灰色理論在城市供熱負荷預測中的應用[J].煤氣與熱力,2002,22(1):28-31

[64]王渡,鄭莆燕.基于改進的灰色模型在區(qū)域熱負荷中期預測中的應用[J].區(qū)域供熱,2010,(2):32-35

[65]H A Nielsen,H Madsen.Modelling the heat consumption in district heating systems using a grey-box approach[J].Energy and Buildings,2006,38(1):63–71

[66]黎展求,朱棟華,劉冬巖.基于支持向量回歸和小波包的供熱負荷預澳[J].暖通空調(diào),2007,37(2):1-5

[67]李琦,李梅.PSO優(yōu)化在供熱網(wǎng)絡控制中的應用研究[J].計算機仿真,2013,30(12):294-297

[68]高丙坤,李陽,許明子,等.優(yōu)化粒子群算法在組合供熱負荷預測中的應用[J].信息與電子工程,2011,9(5):655-659

[69]Zhao H X,Magoulès F.Parallel support vector machines applied to the prediction of multiple buildings energy consumption[J]. Journal of Algorithms&Computational Technology,2010,4(2): 231-249

[70]Zhang Y M,Qi W G.Interval forecasting for heating load using support vector regression and error correcting Markov chains[A]. In:Machine Learning and Cybernetics,2009 International Conference on.IEEE[C].2009,2:1106-1110

[71]Yun K,Luck R,Mago P J,et al.Building hourly thermal load prediction using an indexed ARX model[J].Energy and Buildings,2012,54:225-233

[72]Ma Z,Li H,Sun Q,et al.Statistical analysis of energy consumption patterns on the heat demand of buildings in district heating systems[J].Energy and Buildings,2014,85:464-472

[73]Dotzauer E.Simple model for prediction of loads in district-heating systems[J].Applied Energy,2002,73(3):277-284

[74]王志斌,張德山,王保民,等.北京城市集中供熱節(jié)能氣象預報系統(tǒng)研制[J].氣象,2005,31(1):75-78

[75]Pedersen L,Stang J,Ulseth R.Load prediction method for heat and electricity demand in buildings for the purpose of planning for mixed energy distribution systems[J].Energy and Buildings, 2008,40(7):1124-1134

Review on Heating Load Prediction Method

JING Sheng-lan,WANG Fei,LEI Yong-gang
College of Environment Science and Engineering,Taiyuan University of Technology

The prediction of heating load is a key part for district heating system,and an important guarantee for building energy efficiency.This paper reviews recently method for prediction of heating load of district heating system，Based on the analysis of previous work,further prospects are proposed.

heating,load prediction,models

1003-0344（2015）04-031-5

2014-3-23

景勝藍（1982～），男，博士，講師；山西省太原市迎澤西大街79號太原理工大學環(huán)境科學與工程學院（030024）；E-mail:shenglanjing@163.com

國家自然科學基金資助項目（No:51106103）；太原理工大學校基金團隊項目（No:2013T052）；太原理工大學引進人才啟動基金（No:tyut-rc201375a）