基于机器学习的区域供热系统负荷预测研究.pdf

摘要

区域供热系统是城市基础设施的重要组成部分，其中热负荷预测在保证能源

高效生产、合理分配的过程中有着重用的作用。本论文基于吉林省长春市某地区

的供热系统运行数据与相关气象参数，对区域供热负荷预测方法展开了研究，本

文主要内容如下：

（1）将相似日、鹈鹕优化算法（PelicanOptimizationAlgorithm,POA）与长

LongShort-TermMemorynetworksLSTM

短期记忆神经网络（，）应用于供热负

荷的预测模型中，提出了基于相似日选择的鹈鹕优化长短期记忆神经网络模型对

热负荷进行预测。利用灰色关联度分析法(GreyRelationAnalysis)选择待测日的相

似日模型数据集，POA用于优化LSTM的超参数，为了验证模型性能，分别建

立了单一模型LSTM、随机森林模型（RandomForest，RF）与基于相似日选择

的LSTM、RF模型进行比较，实验结果表明复合模型的预测方法具有更好的性

能。

（2）由于供热负荷受到环境因素的综合影响，其表现出复杂的波动性和非

线性。因此充分利用经验模态分解算法（EmpiricalModeDecomposition，EMD）

对非线性信号进行有效的分解，同时考虑到卷积神经网络（ConvolutionalNeural

Network，CNN）在处理信号信息方面的高效性，将EMD与CNN相结合提出了

基于经验模态分解卷积神经网络的支持向量机（SupportVectorMachines，SVM）

预测模型，比较了单一模型SVM、LSTM与复合模型EMD-SVM、EMD-LSTM

模型，实验结果表明，所提出的复合模型优于其它模型。

（3）针对供热系统的二次回水温度，采用变分模态分解（VariationalMode

DecompositionVMDKernelPrincipalComponentAnalysis

，）、核主成分分析（，

KPCA）与最小二乘支持向量机（LeastSquaresSupportVectorMachines，LSSVM）

结合的方法，提出了基于麻雀优化的VMD-KPCA-LSSVM预测模型，建立了预

测特征集，验证了VMD-LSTM、VMD-LSSVM和VMD-KPCA-SSA-LSSVM模

型在不同特征集输入情况下对未来二次侧回水温度预测性能，实验结果表明该模

型能够准确预测二次回水温度，有助于管理人员对供热系统的管理调控，提高用

热效率。

关键词：区域供热,负荷预测,鹈鹕优化算法,长短期记忆神经网络，二次回

水温度,相似日选择

Abstract

Districtheatingsystemisanimportantpartofurbaninfrastructure,inwhichheat

loadforecastingplaysareuseroleinensuringefficientproductionandreasonable

distributionofenergy.Basedontheoperationdataandrelatedmeteorological

parametersoftheheatingsysteminacertainareaofChangchunCity,JilinProvince,

thispaperstudiestheforecastingmethodofdistrictheatingload.Themaincontentsof

thispaperareasfollows:

(1)APelicanOptimizationAlgorithm