一种基于ARIMA和BP神经网络的短期供热负荷组合预测方法与流程

计算;推算;计数设备的制造及其应用技术一种基于arima和bp神经网络的短期供热负荷组合预测方法技术领域1.本发明涉及集中供热系统热负荷预测方法，具体涉及一种基于arima和bp神经网络的短期供热负荷组合预测方法。背景技术：2.我国北方地区冬季采暖的主要形式为集中供热，相比于分散供热，集中供热系统可以有效提升供热效率、供热质量以及环保效益。在实际运行过程中，集中供热系统的供热效益和环保效益受到供热负荷特征、大小及其变化规律等因素的影响，因此，准确的供热负荷预测对于保障集中供热系统的供热质量，发挥其节约能源和保护环境的作用具有重要意义。3.短期供热负荷预测指的是预测未来一天或者一周的供热负荷，在短期供热负荷预测问题中，用于预测的原始数据大多具有一定的随机性，随机因素导致原始数据产生一定程度波动，此时，采用单一的预测方法有可能无法得到准确的预测结果；另外，在实际的工程项目中，在大多数情况下，供热负荷相关影响因素数据难以获取，仅有历史供热负荷数据及室外气象数据获取较为容易，如何利用较少的数据种类及数据数量实现准确预测，是短期供热负荷预测问题中不可忽视的问题。4.历史供热负荷时间序列包含大量信息，一般情况下可将这些信息分为周期变动信息、季节变动信息、长期趋势信息以及随机扰动信息，这些信息可分为线性变化信息和非线性变化信息，本发明将arima及bp神经网络进行层次组合，采用arima模型预测短期供热负荷数据的线性变化序列，采用bp神经网络模型预测短期供热负荷数据的非线性变化序列，在数据种类及数据数量较少的情况下实现了短期供热负荷的准确预测。技术实现要素：5.本发明旨在提供一种基于arima和bp神经网络的短期供热负荷组合预测方法，该方法采用arima模型预测得到供热负荷预测序列，即解析出供热负荷数据的线性序列，采用bp神经网络模型预测得到供热负荷残差序列，即解析出供热负荷数据的非线性序列。将线性序列与非线性序列相加获得短期供热负荷组合预测结果。6.本发明采用如下技术方案来实现的：7.一种基于arima和bp神经网络的短期供热负荷组合预测方法，包括以下步骤：8.(一)采用arima对短期供热负荷进行预测，解析出短期供热负荷数据的线性序列；9.(二)采用bp神经网络对供热负荷残差进行训练及预测，解析出供热负荷数据的非线性序列；10.(三)将arima模型预测得到的供热负荷预测序列与bp神经网络模型预测得到的供热负荷残差序列相加，获得短期供热负荷组合预测序列。11.本发明进一步的改进在于，所述步骤(一)中，采用arima对短期供热负荷进行预测，解析出短期供热负荷数据的线性序列，具体实现方法如下：12.差分自回归移动平均模型属于时间序列模型的一种，该模型的表示方法为arima(p，d，q)，p为自回归项数，d为差分次数，q为移动平均项数；采用arima模型进行预测的前提条件是数据序列需为平稳时间序列，首先根据历史供热负荷序列xn＝{x1，x2…xi-1，xi…xn-1，xn}，创建供热负荷时序序列图形，根据图形观察序列的周期性趋势和季节性趋势，判断其是否为平稳时间序列；短期供热负荷数据不存在季节性趋势，但存在一定的周期性趋势，采用d阶差分运算，将历史供热负荷序列化为平稳时间序列；13.然后采用自相关函数进行自相关分析，采用偏自相关函数进行偏自相关分析，从而确定p和q的遍历范围；设定arima的置信区间，采用历史供热负荷序列对arima模型进行拟合，在已确定的p，d，q寻优范围内进行遍历，直至拟合供热负荷序列与历史供热负荷序列的平均相对误差mapearima达到标准，即可确定arima模型的p，d，q，即确定了arima(p，d，q)预测模型，获得arima模型的拟合供热负荷序列置信区间上限供热负荷序列置信区间下限供热负荷序列arima拟合残差序列其中14.采用已确定的arima(p，d，q)模型对短期日供热负荷进行预测，获得供热负荷预测上限序列供热负荷预测下限序列供热负荷预测序列am＝{a1,a2,…,am-1,am}，即解构出短期供热负荷数据的线性序列，其中m代表供热负荷预测数据的数目。15.本发明进一步的改进在于，d阶差分运算表达式如下：[0016][0017]δdxi＝(1-li)dxi[0018]其中，li为比例系数；xi-1为第i-1日的供热负荷，单位为kw；xi为第i日的供热负荷，单位为kw；△dxi为第i日供热负荷的d阶差分。[0019]本发明进一步的改进在于，mapearima的表达式如下：[0020][0021]mapearima≤ε[0022]其中，mapearima为arima模型拟合的平均相对误差；n为历史供热负荷数据的数目；为第i日的arima拟合供热负荷数据，单位为kw；ε为平均相对误差的最大允许值。[0023]本发明进一步的改进在于，所述步骤(二)中，采用bp神经网络对供热负荷残差进行训练及预测，解构出供热负荷数据的非线性序列，具体实现方法如下：[0024]首先，采用历史室外日平均风速序列vn＝{v1,v2,…,vn-1,vn}、历史室外日平均温度tn＝{t1,t2,…,tn-1,tn}、置信区间上限供热负荷序列置信区间下限供热负荷序列作为输入数据，即bp神经网络的输入节点为4，bp神经网络的隐含层节点数按照2k+1原则设置为9，k表示bp神经网络的输入节点数，arima拟合残差序列作为输出数据，即bp神经网络的输出节点为1，构建4-9-1的bp神经网络结构后，对该神经网络进行训练，直到该神经网络的平均相对误差mapebp达到标准，bp神经网络完成训练；[0025]从官方气象数据获取渠道收集短期室外日平均风速预测序列vm＝{vm,vm,…,vm-1,vm}和短期室外日平均温度预测序列tm＝{t1,t2,…,tm-1,tm}；[0026]将短期室外日平均风速预测序列vm＝{vm,vm,…,vm-1,vm}、短期室外日平均温度预测序列tm＝{t1,t2,…,tm-1,tm}、arima供热负荷预测上限序列以及arima供热负荷预测下限序列作为bp神经网络的预测输入集，采用训练好的bp神经网络对短期供热负荷残差进行预测，获取供热负荷残差序列bm＝{b1,b2,…,bm-1,bm}，即解构出短期供热负荷数据的非线性序列。[0027]本发明进一步的改进在于，mapebp的表达式如下：[0028][0029]mapebp≤ε[0030]其中，mapebp为bp神经网络训练的平均相对误差；为第i日的bp神经网络供热负荷残差训练输出值，单位为kw；为第i日的arima拟合残差值，单位为kw。[0031]本发明进一步的改进在于，所述步骤(三)中，将arima模型预测得到的供热负荷预测序列与bp神经网络模型预测得到的供热负荷残差序列相加：ym＝am+bm；获得短期供热负荷组合预测序列ym＝{y1,y2,…,ym-1,ym}。[0032]本发明至少具有如下有益的技术效果：[0033]本发明适用于短期供热负荷预测，与现有技术相比，本发明将arima和bp神经网络进行层次组合，采用arima模型预测短期供热负荷数据的线性变化序列，采用bp神经网络模型预测短期供热负荷数据的非线性变化序列。本发明在有限数据种类及数据数量的情况下实现了短期供热负荷的准确预测，有效解决了数据难以获取以及单一预测方法由于随机因素导致的预测不准确的问题。在上述技术效果的基础上，本发明容易实现，简单方便，应用性强。附图说明[0034]图1是组合预测方法流程图。[0035]图2是arima拟合效果图。[0036]图3是arima预测结果图。[0037]图4是bp神经网络结构示意图。[0038]图5是bp神经网络预测结果图。[0039]图6是各方法预测结果对比图。具体实施方式[0040]下面结合附图和具体实施方式对本发明作进一步详细说明，案例选取国内北方某城市供热区域某年1月4日至1月31日共28天的样本数据，部分样本数据如表1所示。将1月4日至1月25日共22天的样本数据作为arima的拟合集及bp神经网络的训练集，将1月26日至1月31日的供热负荷数据作为预测验证集。[0041]表1部分样本数据(1月10日-1月23日)[0042][0043][0044]本发明提供的一种基于arima和bp神经网络的短期供热负荷组合预测方法，方法流程如图1所示，具体包括以下步骤：[0045]第一步：采用arima对短期供热负荷进行预测，解析出短期供热负荷数据的线性序列；[0046]差分自回归移动平均模型属于时间序列模型的一种，该模型的表示方法为arima(p，d，q)，p为自回归项数，d为差分次数，q为移动平均项数；采用arima模型进行预测的前提条件是数据序列需为平稳时间序列，首先根据历史供热负荷序列xn＝{x1，x2…xi-1，xi…xn-1，xn}；创建供热负荷时序序列图形，根据图形观察序列的周期性趋势和季节性趋势，判断其是否为平稳时间序列；短期供热负荷数据不存在季节性趋势，但存在一定的周期性趋势，采用d阶差分运算，将历史供热负荷序列化为平稳时间序列，d阶差分运算表达式如下：[0047][0048]δdxi＝(1-li)dxi[0049]其中，li为比例系数；xi-1为第i-1日的供热负荷，单位为kw；xi为第i日的供热负荷，单位为kw；△dxi为第i日供热负荷的d阶差分；[0050]然后采用自相关函数进行自相关分析，采用偏自相关函数进行偏自相关分析，从而确定p和q的遍历范围；设定arima的置信区间，将置信度设置为95％，采用历史供热负荷序列对arima模型进行拟合，在已确定的p，d，q寻优范围内进行遍历，直至拟合供热负荷序列与历史供热负荷序列的平均相对误差mapearima达到标准，即可确定arima模型的p＝3，d＝1，q＝3，即确定了arima(3，1，3)预测模型，获得arima模型的拟合供热负荷序列置信区间上限供热负荷序列置信区间下限供热负荷序列arima拟合残差序列其中[0051]mapearima的表达式如下：[0052][0053]mapearima≤ε[0054]其中，mapearima为arima模型拟合的平均相对误差；n为历史供热负荷数据的数目，此处n＝22；为第i日的arima拟合供热负荷数据，单位为kw；ε为平均相对误差的最大允许值，此处设置为10％；arima模型拟合效果图如图2所示，mapearima＝9.35％。[0055]采用已确定的arima(3，1，3)模型对短期日供热负荷进行预测，获得供热负荷预测上限序列供热负荷预测下限序列供热负荷预测序列am＝{a1,a2,…,am-1,am}，即解构出短期供热负荷数据的线性序列，其中m代表供热负荷预测数据的数目，此案例m＝6，arima预测结果如图3所示；[0056]第二步：采用bp神经网络对供热负荷残差进行训练及预测，解构出供热负荷数据的非线性序列；[0057]首先，采用历史室外日平均风速序列vn＝{v1,v2,…,vn-1,vn}、历史室外日平均温度tn＝{t1,t2,…,tn-1,tn}、置信区间上限供热负荷序列置信区间下限供热负荷序列作为输入数据，即bp神经网络的输入节点为4，bp神经网络的隐含层节点数按照2k+1原则设置为9，k表示bp神经网络的输入节点数，arima拟合残差序列作为输出数据，即bp神经网络的输出节点为1，构建4-9-1的bp神经网络结构后，对该神经网络进行训练，直到该神经网络的平均相对误差mapebp达到标准，bp神经网络完成训练，该bp神经网络结构示意图如图4所示；[0058]mapebp的表达式如下：[0059][0060]mapebp≤ε[0061]其中，mapebp为bp神经网络训练的平均相对误差；为第i日的bp神经网络供热负荷残差训练输出值，单位为kw；为第i日的arima拟合残差值，单位为kw；[0062]从官方气象数据获取渠道收集短期室外日平均风速预测序列vm＝{vm,vm,…,vm-1,vm}和短期室外日平均温度预测序列tm＝{t1,t2,…,tm-1,tm}；[0063]将短期室外日平均风速预测序列vm＝{vm,vm,…,vm-1,vm}、短期室外日平均温度预测序列tm＝{t1,t2,…,tm-1,tm}、arima供热负荷预测上限序列以及arima供热负荷预测下限序列作为bp神经网络的预测输入集，采用训练好的bp神经网络对短期供热负荷残差进行预测，获取供热负荷残差序列bm＝{b1,b2,…,bm-1,bm}，即解构出短期供热负荷数据的非线性序列，bp神经网络预测结果如图5所示，预测平均相对误差为8.79％；[0064]第三步：将arima模型预测得到的供热负荷预测序列与bp神经网络模型预测得到的供热负荷残差序列相加：ym＝am+bm；获得短期供热负荷组合预测序列ym＝{y1,y2,…,ym-1,ym}，将该组合预测方法的预测效果与单独使用arima和bp神经网络方法的预测结果进行对比，如图6所示，组合预测方法的预测精度最优，平均相对误差为3.63％，有效提升了短期供热负荷的预测精度。[0065]需要说明的是本发明方便简单，容易实现，适用于短期供热负荷预测，与现有技术相比，本发明将arima和bp神经网络进行层次组合，采用arima模型预测短期供热负荷数据的线性变化序列，采用bp神经网络模型预测短期供热负荷数据的非线性变化序列。本发明在有限数据种类及数据数量的情况下实现了短期供热负荷的准确预测，有效解决了数据难以获取以及单一预测方法由于随机因素导致的预测不准确的问题。[0066]以上所述为本发明的具体实施方式，不用于限制本发明，凡在本发明原则之内所作的修改等同替换等，均应在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!