Page 266 - 《高原气象》2025年第3期
P. 266

高     原      气     象                                 44 卷
              824
                  国内外学者应用于供热负荷预测的方法主要                           够通过引入时滞的输入和输出， 更好地捕捉时间延
             为建模分析、统计分析以及人工智能方法。建模分                             迟， 提高对动态系统的建模和预测能力， 从而提升
             析法如反应系数法（Stephenson and Mitalas， 1967）             计算效率（王雪菲等， 2022）。短期供热负荷预测与
             和状态空间法（江亿， 1981）等理论方法， 以及基于                        电力负荷预测的目的一样， 旨在合理安排能源供给
             以上理论研究开发的建筑动态能耗模拟软件， 包括                            并提高能源利用效率， 以满足需求和降低成本， 且
             Trnsys、Energy  Plus 等（Chan，  2011；  孙 玫 玲 等 ，      负荷与当前时刻及之前一段时间内的气象参数和
             2018， 2019）， 都是将控制理论运用到建筑负荷计                       负 荷 均 有 关 系 ， 存 在 时 滞 性 。 研 究 表 明 ， 使 用
             算中， 基于能量守恒定律和热传递原理建立建筑热                            NARX 模型预测美国得克萨斯州的某校园能源系
             物理模型。统计分析法是基于历史数据支撑的负                              统的供热和电力负荷时， 考虑天气和时间变量后，
             荷预测方法， 如利用回归分析法建立温度、太阳辐                            供热负荷的预测效果优于电力负荷（Powell et al，
             射照度与负荷的关系（Kelvin et al， 2011）， 采用多                 2014）。
             元线性回归及指数平滑法的供热负荷预测方法                                   目前 NARX 神经网络模型在中国北方地区燃
             （Ferbar and Strmcnik， 2016）， 研究表明， 综合考虑            气集中供热系统的负荷预测应用相对较少， 为获取
             气温、风速和太阳辐射强度等气象参数对供热负荷                             最优的短期燃气供热负荷预测模型， 本研究利用天
             的影响， 负荷预测的模型精度有所提高（王文标                             津市气象局的气象自动站观测数据和供热企业实
             等， 2016）。统计分析法算法比较简单， 易于获取                         测的供热负荷数据， 首先分析多个气象要素对供热
             与供热负荷有线性关系的常规影响因素。回归分                              负荷的影响， 为模型输入变量的选取做准备； 其
             析方法多为基于历史气象和供热数据建立线性函                              次， 运用 NARX神经网络算法构建短期供热负荷预
             数关系， 在处理时间序列上存在一些局限性， 尤其                           测模型， 通过评估检验确定最优的模型结构， 并将
             是对动态特性和非线性关系， 以及变量之间的自相                            其预测结果与相同数据支持下的LSTM预测模型进
             关处理能力（Liu et al， 2003）。物理建模分析法多                    行对比， 以期用最优的供热负荷预测模型提升供热
             为针对建筑物的热负荷预测模型， 如直接应用于集                            行业科学运行水平， 助力节能减排。
             中供热系统， 则普适性有欠缺， 且使用固定的物理                           2  资料来源与方法介绍
             模 型 会 降 低 动 态 供 热 负 荷 的 预 测 精 度（Li  and
             Huang， 2013）。                                      2. 1 资料来源
                  近年来随着大数据和人工智能技术的发展， 机                             本文用到的供热数据来源于天津市静海区某
             器学习和深度学习等数据驱动方法被逐渐应用于                              供热企业， 包括 2021 年 11 月 1 日至 2022 年 3 月 31
             动态供热负荷的时间序列预测， 常用的方法包括支                            日（北京时， 下同）的逐小时供热负荷数据， 数据缺
             持向量回归（Zhao and Liu， 2018）、BP（Back Propa‐           测率为 0. 1%， 识别到异常数据占比为 0. 4%； 用到
             gation）神经网络（王凇， 2022）、长短时记忆（Long                   的气象数据来自天津市气象信息中心， 采用天津市
             short term memory， LSTM）神经网络（张腾达等，                 静海区国家基本气象站逐小时观测数据， 包括逐小
             2022； 张嘉益和薛贵军， 2023）算法。相比回归分                       时平均气温（单位： ℃）、平均相对湿度（单位： %）、
                                                                                          -1
             析法和物理建模法， 人工智能方法在处理动态特性                            平均 2 min 风速（单位： m·s ）以及总辐射辐照度
                                                                           -2
             和非线性关系方面具备优势， 可有效提高预测精                            （单位： W·m ）， 数据均经过严格的质量控制。
             度。NARX 神经网络为带有外部输入的非线性自                            2. 2 研究方法
             回归神经网络模型， 适用于时间序列预测， 由输入                           2. 2. 1 供热负荷数据预处理
             层、输出层和多个隐含层组成， 如今逐渐被用于电                                数据的准确性会直接影响对供热负荷和气象
             力 负 荷 预 测（Hashmi，  2015；  李 志 新 和 赖 志 琴 ，          因素的相关性研究及预测模型的建立。在供热数
             2019； 王雪菲等， 2022）、光伏发电负荷预测（Sansa                   据采集中， 由于人为错误和系统故障， 可能导致历
             et al， 2014）和供热负荷预测（Powell et al， 2014； 谢          史供热负荷数据异常。因而在研究开始前， 需要对
             吉洋等， 2018）等能源预测领域。NARX 模型因其                        异常数据进行预处理， 包括检查数据的一致性、处
             动态反馈性质， 相较于传统机器学习方法在训练时                            理无效值和缺失值等。
             间、参数调优及处理非线性关系的能力上具有优势                                 首先识别异常数据， 包括： （1）序列中的缺测
             （谢吉洋等， 2018）。与 BP 和 LSTM 等神经网络相                    值； （2）与相邻时段数据差别较大的异常数据；
             比， NARX 神经网络模型更适合处理时滞关系， 能                        （3）供热站工作日志中记录的异常数据。然后对异
   261   262   263   264   265   266   267   268   269   270   271