基于粒子群算法的供热负荷组合预测

论文摘要

供热负荷的精确预测,对于提高集中供热系统的运行管理水平、供热质量,以及保护环境、节约能源等都具有重要的现实意义。采用一种预测模型很难得到满意的预测结果,而组合预测方法则是综合利用各种预测模型所提供的信息,建立一种组合形式的预测模型,以期有效地改善预测模型的拟合能力,提高预测精度。本文在前人基础上对粒子群算法和组合预测理论进行了研究,并将两者结合应用于供热负荷预测中,建立了短期供热负荷预测的组合预测模型。在建立组合预测模型过程中,最重要的是确定单项预测模型权重。本文主要从这方面着手,根据供热负荷预测的特点选取了时间序列法、最小二乘法、RBF神经网络法作为组合预测的单项预测模型。再以大庆某热力站供热系统实测数据作为历史数据,依据最小二乘准则构造目标函数,在约束条件下使目标函数达到最小,求得组合预测模型中单项模型的权重,最终确定供热负荷组合预测模型,最后选取某一天供热数据作为测试数据来检测预测效果。最小二乘准则构造的目标函数是一个约束优化问题,而粒子群算法具有求解过程简单、计算代价小的特点,是求解约束优化问题的重要工具,因此将粒子群算法用来求解供热负荷组合预测模型的权重。针对粒子群算法易于陷入局部最优解、进化后期收敛慢等缺点,本文在三方面对标准粒子群算法进行了改进。本文将组合预测和粒子群算法相结合,解决了组合预测中权重难以确定的问题。供热负荷组合预测方法更具有科学性,对于供热负荷预测问题具有一定的理论指导意义。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 前言
• 一、课题背景及研究意义
• 二、国内外供热系统热负荷预测研究现状
• 三、本文主要工作
• 第一章 供热负荷预测技术
• 1.1 供热负荷预测分类
• 1.2 供热负荷预测步骤
• 1.3 供热负荷预测典型方法
• 1.4 组合预测方法
• 1.5 本章小结
• 第二章 基于时间序列法的供热负荷预测
• 2.1 时间序列预测方法概述
• 2.2 ARMA 模型的建模原理
• 2.2.1 平稳性检验
• 2.2.2 平稳化处理
• 2.2.3 模型参数估计
• 2.2.4 模型定阶方法
• 2.3 ARMA 建模流程
• 2.4 基于ARMA 的供热负荷预测
• 2.5 本章小结
• 第三章 基于最小二乘法的供热负荷预测
• 3.1 最小二乘法原理
• 3.2 基于最小二乘法的供回水温度关系模型的建立
• 3.2.1 供热系统运行调节参数间的关系
• 3.2.2 基于最小二乘法的建模方法
• 3.2.3 模型的参数估计
• 3.3 基于最小二乘法的供热负荷预测
• 3.4 本章小结
• 第四章 基于RBF 神经网络的供热负荷预测
• 4.1 RBF 神经网络理论原理
• 4.1.1 RBF 神经网络的模型结构及工作原理
• 4.1.2 RBF 网络学习算法
• 4.2 基于RBF 神经网络的供热负荷预测模型的建立
• 4.2.1 网络结构设计
• 4.2.2 样本数据的选择和数据的预处理
• 4.3 基于RBF 神经网络供热负荷预测
• 4.4 本章小结
• 第五章 粒子群算法及其改进
• 5.1 粒子群算法
• 5.1.1 粒子群算法简介
• 5.1.2 标准粒子群算法描述
• 5.1.3 粒子群算法的研究方向
• 5.1.4 粒子群算法与其它进化算法的比较
• 5.2 粒子群算法的理论分析
• 5.3 粒子群算法改进
• 5.3.1 粒子群算法改进研究现状
• 5.3.2 改进粒子群算法的实现
• 5.3.3 粒子群算法改进描述
• 5.4 本章小结
• 第六章 基于改进粒子群算法的供热负荷组合预测
• 6.1 组合预测模型原理
• 6.1.1 组合预测模型概述
• 6.1.2 单项预测模型的选择
• 6.1.3 组合预测模型权重的确定
• 6.2 基于粒子群算法的供热负荷组合预测模型
• 6.3 基于粒子群算法的供热负荷预测
• 6.4 预测结果评价
• 6.5 本章小结
• 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要