關(guān)于神經(jīng)網(wǎng)絡(luò)模型在供熱領(lǐng)域中的應(yīng)用綜述

孫振國 范星濤 韓毅

摘要：神經(jīng)網(wǎng)絡(luò)作為一種新的計算模型，在許多領(lǐng)域中展現(xiàn)出獨特的應(yīng)用價值。本文綜述了神經(jīng)網(wǎng)絡(luò)在供熱行業(yè)不同領(lǐng)域中的應(yīng)用，分析了神經(jīng)網(wǎng)絡(luò)在預(yù)測模型以及數(shù)據(jù)計算中具有重要的實際意義。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 供熱 預(yù)測 模型

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡稱ANN）預(yù)測模型是基于模擬人腦神經(jīng)元處理信息的過程，由大量的處理單元組成非線性的系統(tǒng)進而對相關(guān)變量進行模擬訓(xùn)練，達到預(yù)期的預(yù)測效果。不僅克服了傳統(tǒng)物理符號系統(tǒng)在信息處理中的困難，同時具有自適應(yīng)、自學(xué)習(xí)的數(shù)據(jù)處理能力。作為近些年來發(fā)展應(yīng)用的一門邊緣學(xué)科，人工神經(jīng)網(wǎng)絡(luò)模型具有良好的非線性特點以及極高的擬合精度，在一些領(lǐng)域中得到了廣泛的應(yīng)用。

在眾多前向神經(jīng)網(wǎng)絡(luò)中，應(yīng)用最廣的尤為BP網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)（Back-propagation Neutral Network）是一種基于誤差反向傳播的多層前向神經(jīng)網(wǎng)絡(luò)。BP算法包括輸入層、隱含層、輸出層。其算法訓(xùn)練的過程分為兩部分：正向傳播的信號輸入和反向傳播的信號輸出。輸入樣本首先通過輸入層進入中間層，進而傳遞到輸出層。輸出層的神經(jīng)元通過訓(xùn)練函數(shù)輸出響應(yīng)值。如果響應(yīng)值與期望的輸出值之間存在較大誤差時，網(wǎng)絡(luò)會進行反向傳遞，經(jīng)過隱含層返回到輸入層，直至達到允許的誤差范圍或者訓(xùn)練步數(shù)。其函數(shù)模型為：

其中，xj為神經(jīng)元輸入信號;wkj為神經(jīng)元k到神經(jīng)元j的連接權(quán)值;k為神經(jīng)元的閾值;

f為激勵函數(shù)或傳遞函數(shù)。常見的神經(jīng)元傳遞函數(shù)有閾值函數(shù)、雙曲正切函數(shù)、高斯函數(shù)以及Sigmoid函數(shù)。不同的傳遞函數(shù)代表了不同的神經(jīng)元輸出機制。

神經(jīng)元模型

綜合現(xiàn)有文獻，林育賢等[1]利用BP神經(jīng)網(wǎng)絡(luò)模型對某一高層商業(yè)建筑的不同時間段的空調(diào)熱負(fù)荷進行了研究，當(dāng)隱含層神經(jīng)元數(shù)量較少時，負(fù)荷預(yù)測的誤差比較大。當(dāng)進一步優(yōu)化增加神經(jīng)元數(shù)量時，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測進度不斷提高，最后趨于穩(wěn)定，模擬值與實際值呈現(xiàn)出相似的特點，通過實驗證明了模型的可行性和有效性。

劉詠涵[2]依據(jù)BP神經(jīng)網(wǎng)絡(luò)原理，參照實驗結(jié)果引入粒子群算法，優(yōu)化了管網(wǎng)泄漏診斷模型，驗證了該算法在二次網(wǎng)回水溫度檢測管網(wǎng)泄漏的實際意義。在供熱行業(yè)中，為判斷供熱管網(wǎng)是否發(fā)生泄漏提出了新的思路。石晗[5]根據(jù)可測得的熱源、熱力站壓力及流量參數(shù)，建立了蜂群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)供熱管網(wǎng)的三級診斷模型，通過對選取的62組測試樣本預(yù)測結(jié)果的加權(quán)誤差進行分析，綜合優(yōu)化了管網(wǎng)泄漏診斷模型的網(wǎng)絡(luò)性能。

葛強[3]等基于BP神經(jīng)網(wǎng)絡(luò)根據(jù)影響軸流泵性能因素的變量：流量、揚程、葉片角度、轉(zhuǎn)速、轉(zhuǎn)輪直徑、葉片間隙、葉片根部厚度、葉片表面粗糙度，建立了神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測的模型，從5個不同性能曲線樣本中隨機選取3個曲線進行訓(xùn)練，網(wǎng)絡(luò)經(jīng)過3000次訓(xùn)練后，誤差達到預(yù)期的設(shè)定值，相對準(zhǔn)確地預(yù)測了水泵的效率參數(shù)。史麗萍[4]針對水泵機組振動故障的復(fù)雜性，通過將樣本數(shù)據(jù)歸一化，結(jié)合工程現(xiàn)場提取的數(shù)據(jù)進行了測試和對比，分析了改進BP網(wǎng)絡(luò)模型和RBF網(wǎng)絡(luò)模型，在水泵轉(zhuǎn)子不平衡故障以及水泵汽蝕故障性能診斷中，

BP神經(jīng)網(wǎng)絡(luò)的最終診斷結(jié)果更為精確，為BP網(wǎng)絡(luò)的應(yīng)用進一步奠定了基礎(chǔ)。

集中供熱系統(tǒng)是一個復(fù)雜的多變量控制系統(tǒng)，常常具有非線性、不穩(wěn)定的特點，考慮到熱負(fù)荷預(yù)測、管網(wǎng)調(diào)節(jié)以及流體機械在運行過程中的重要性，這方面的研究也越來越受到更多的關(guān)注。如何根據(jù)現(xiàn)有數(shù)據(jù)基于模型計算并提出有意義的預(yù)測意見，對于供熱行業(yè)具有重要的實際意義。神經(jīng)網(wǎng)絡(luò)模型是綜合預(yù)測的一種有效工具，在流體動力工程以及供熱行業(yè)中具有廣泛的應(yīng)用前景。不同的隱層節(jié)點數(shù)以及模型函數(shù)，對預(yù)測結(jié)果需要反復(fù)進行訓(xùn)練，從而達到預(yù)期的效果。此外，在訓(xùn)練中應(yīng)盡可能獲得較多的樣本，用于檢測和驗證，這樣模型會得到進一步優(yōu)化，為不同領(lǐng)域中的相關(guān)預(yù)測可以提供更為準(zhǔn)確的參考。

參考文獻：

[1]林育賢，馮圣紅.基于BP神經(jīng)網(wǎng)絡(luò)下空調(diào)負(fù)荷預(yù)測模型的研究[J].應(yīng)用能源技術(shù)，2016，9（225）.

[2]劉詠涵.基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的供熱管網(wǎng)泄漏診斷[D].大連海事大學(xué)，2017.

[3]葛強，段小匯.人工神經(jīng)網(wǎng)絡(luò)在水泵性能預(yù)測中的應(yīng)用[J].河海大學(xué)學(xué)報，2007，1（35）.

[4]史麗萍，湯家升.RBF和改進BP神經(jīng)網(wǎng)絡(luò)在水泵振動故障診斷中的應(yīng)用比較[J].大電機技術(shù)，2014.

[5]石晗.基于阻抗辨識的BP神經(jīng)網(wǎng)絡(luò)供熱管網(wǎng)泄漏三級診斷研究[D].太原理工大學(xué)，2013.