Page 271 - 《高原气象》2025年第3期

3 期 苗 芮等：基于深度学习的多气象要素影响的供热负荷预测模型研究 829
均大于 8. 0 %， 相比之下， 基于数据集 H 的 NARX_
8_4模型的相对误差较LSTM模型降低了3. 6 %。

4 讨论

本研究探讨了供热负荷的日变化和月变化特
征以及气象因素的影响， 经过优化配置开发的
NARX 神经网络模型， 实现了基于综合气象因素和
历史供热数据的短期供热负荷预测。基于以上研
究结果， 依托天津市气象局的智能网格预报， 可通
过业务平台为供热企业提供短期供热负荷预测。
图8 2021年11月27日08:00至30日20:00供热负荷预测
经该企业评估， 与传统的人工经验式调控方式相
模型真实值与预测值对比图
Fig. 8 The comparison between the original values and 比， 该模型在节能效果和服务效率方面具有优势，
predicted values of the heating load models from 主要表现在与上年能耗相比， 基于气象相似日计算
08:00 to 20:00 on November 27， 2021 得到的节能量 2%~3%； 同时， 与以往参考单一气温
取部分预测样本展示， A~H 代表 8 个数据集， 具体 预报的人工调控方式相比， 基于多要素的负荷预测
见表 1）。整体来看， 8 个数据集的预测值相对接 值（供热量）， 可以直接用于调控供水温度和流量，
近， 但使用数据集 H 训练的模型预测偏差最小， 最 使调控更为科学可靠。此外， 利用最新收集的
接近真实值。这表明同时引入气温、风速、相对湿 2023 -2024年采暖季供热数据和气象观测数据构建
度和太阳辐射对供热负荷预测具有正贡献， 且误差 的数据集， 输入最优 NARX 神经网络模型， 得到的
最 小 ， 具 体 而 言 ， RMSE 为 0. 136 GJ， MAE 为 预测结果误差如图 10（d）~（f）所示， 与本研究的模
0. 105 GJ， SMAPE 为 4. 4 %， 与仅考虑气温的预测 型训练结果一致［图 10（a）~（c）］， 即同时输入气温、
模型相比， RMSE 和 MAE 减小约 0. 02GJ， SMAPE 风速、相对湿度和太阳辐射得到的预测结果最接近
减小约1. 4%。 真实值。
3. 5 模型比较 由于供热负荷具有显著的日变化特征， 进一步
本节比较了最优 NARX 神经网络模型 NARX_ 分析负荷预测模型的准确率随时间的变化。图 11
8_4 与长短期记忆神经网络模型（LSTM）在逐时供 显示了使用数据集 H 的 NARX_8_4 神经网络模型
热负荷预测中的表现。对于LSTM神经网络模型的 在不同时段的误差， 其中 12:00 误差较大， 而 08:00
滑动窗口同样设置为 8 h， 且使用与 NARX 神经网 和 20:00 误差相对较小。这表明模型较好的掌握了
络模型相同的数据集进行训练和预测。根据误差 一天中负荷高峰时段的规律； 而对于负荷最低时段
结果（图 9）， LSTM 模型在 8 个数据集上的 SMAPE 12:00， 模型的泛化能力相对较弱， 可能是因为供热
站中午时段有时会采取降低供热量或间歇供热策
略以节省能源， 增加了该时段负荷的随机性。因
此， 后续应加强对分时段模型的修正， 以进一步提
高模型的准确性。
尽管本研究取得了一定的成果， 但仍存在一些
局限性。首先， 基于天津的实测数据， 模型的适用
性可能受到不同地区的气候特征和供热系统运行
机制的限制。因此， 未来的研究可以考虑在不同城
市或地区进行模型验证， 以提高普适性。其次， 我
国北方地区集中供热系统涉及多种热源， 除燃气
图9 LSTM和NARX_8_4神经网络模型的对称平均绝对
外， 还包括地热源和热电联产等。目前针对不同热
百分比误差SMAPE对比
Fig. 9 The comparison of symmetric mean absolute percent‐ 源对气象因素的响应关系研究较少， 未来研究需探
age error （SMAPE） between LSTM and NARX_8_4 讨不同热源类型的供热负荷响应特征， 以提供更具
neural network prediction models 针对性的预测模型和调控策略。