Page 272 - 《高原气象》2025年第3期
P. 272
高 原 气 象 44 卷
830
图10 2021 -2022年采暖季（a~c）和2023 -2024年采暖季（d~f）供热负荷预测模型的评估结果对比
Fig. 10 Comparison of evaluation results of heating load prediction models in 2021 -2022 heating
season （a~c） and 2023 -2024 heating season （d~f）
图11 使用H数据集的NARX_8_4神经网络预测模型评估结果随时间的变化
Fig. 11 Variation of Error over time for the NARX_8_4 neural network prediction model using the H dataset
5 结论 （2） 相关分析显示， 供热负荷与平均气温呈显
著负相关， 与太阳辐射呈弱负相关， 与相对湿度、
本文利用逐小时供热负荷及气象观测数据， 研
风速的相关性随季节变化。时滞相关分析表明， 供
究了综合气象要素对供热负荷的影响； 并采用 热负荷与气温在滞后1~2 h及同时的相关性最强。
NARX 神经网络算法构建了短期供热负荷预测模 （3） 通过多次训练和测试， 选择最优的滑动窗
型， 对模型性能进行了检验评估。结论如下： 口长度及隐含层数， 构建了基于综合气象要素影响
（1） 供热负荷具有显著的日变化特征， 其中 的供热负荷预测模型。结果表明， 8 h 滑动窗口长
20:00 和 21:00 达到峰值， 而 12:00 -14:00 则最低。 度和4层隐含层的NARX神经网络模型效果最佳。
不同月份供热负荷的日变化有所差异， 2 月和 12 月 （4） 对比不同气象因素的数据集发现， 包含气
最为显著， 而1月最不明显。 温、风速、相对湿度和太阳辐射的数据集可提高供
