基于BP神经网络和回归预测的供热调节可靠性

山东大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (2): 163-166.

基于BP神经网络和回归预测的供热调节可靠性

刘庆堂1, 郭京强2, 单宝艳3, 李明1, 潘继红4

1. 山东省住房和城乡建设厅, 山东济南 250001; 2. 沂水市政公司, 山东沂水 276400;
3. 山东建筑大学, 山东济南 250001; 4. 山东大学能源与动力工程学院, 山东济南 250061

收稿日期:2010-03-23 出版日期:2011-04-16 发布日期:2010-03-23
作者简介:刘庆堂(1971- ),男,山东沂水人,高级工程师,博士,主要研究方向为热力系统节能.E-mail:liuqt2009@163.com

Study on the reliability of heating regulation based on prediction using
the BP neural network and regression

LIU Qingtang1, GUO Jingqiang2, SHAN Baoyan3, LI Ming1, PAN Jihong4

1. Housing and UrbanRural Construction Bureau of Shandong Province, Jinan 250001, China;
2. Yishui Municipal Company, Yishui 276400, China; 3. Shandong Jianzhu University, Jinan 250001, China;
4. School of Energy and Power Engineering, Shandong University, Jinan 250061, China

Received:2010-03-23 Online:2011-04-16 Published:2010-03-23

摘要/Abstract

摘要：

为了满足供热系统运行调节的需要,提出对系统供水温度和供水流量进行预测研究。选取某实际供热系统某时间段的200组运行参数作为样本,利用matlab7.0进行编程,分别采用反向传播(back propagation,BP)神经网络和回归分析方法进行预测和分析。前者确定合理的BP网络结构,编程并采用traingdm函数进行训练；后者拟合出置信水平高的回归方程。最后,将两种方法的预测值和实际值进行比较,并分析误差。结果表明:二者预测值均可靠,但BP神经网络得到的预测结果更好,误差更小。

关键词: 供热调节, 神经网络, 回归法, 预测

Abstract:

To meet the operational regulation demand of heating system, a study was conducted on the prediction of supply water temperature and water flux in a heating system. 200 groups of operating parameters were selected as samples from a certain period of a practical heating system, processed with matlab7.0, and predicted and analyzed with the back propagation neural network and regression. The former determined a reasonable back propagation network structure,and was processed and trained with traingdm function. The latter fit a regression equation with high confidence level. Finally, predicted values of supply temperature and water flux were compared with the actual values while their errors were analyzed. The result showed that the two forecast values were reliable, but the back propagation neural network had a better result and smaller error.

Key words: heating regulation, neural network, regression, prediction

刘庆堂1, 郭京强2, 单宝艳3, 李明1, 潘继红4. 基于BP神经网络和回归预测的供热调节可靠性[J]. 山东大学学报(工学版), 2011, 41(2): 163-166.

LIU Qingtang1, GUO Jingqiang2, SHAN Baoyan3, LI Ming1, PAN Jihong4. Study on the reliability of heating regulation based on prediction using
the BP neural network and regression[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2011, 41(2): 163-166.

参考文献

相关文章 15

[1]	沈冬冬,周风余,栗梦媛,王淑倩,郭仁和. 基于集成深度神经网络的室内无线定位[J]. 山东大学学报(工学版), 2018, 48(5): 95-102.
[2]	张璞,刘畅,王永. 基于特征融合和集成学习的建议语句分类模型[J]. 山东大学学报(工学版), 2018, 48(5): 47-54.
[3]	梁蒙蒙,周涛,夏勇,张飞飞,杨健. 基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别[J]. 山东大学学报(工学版), 2018, 48(5): 77-84.
[4]	张宪红,张春蕊. 基于六维前馈神经网络模型的图像增强算法[J]. 山东大学学报(工学版), 2018, 48(4): 10-19.
[5]	赵彦霞, 王熙照. 基于SVD和DCNN的彩色图像多功能零水印算法[J]. 山东大学学报(工学版), 2018, 48(3): 25-33.
[6]	曹雅,邓赵红,王士同. 基于单调约束的径向基函数神经网络模型[J]. 山东大学学报(工学版), 2018, 48(3): 127-133.
[7]	谢志峰,吴佳萍,马利庄. 基于卷积神经网络的中文财经新闻分类方法[J]. 山东大学学报(工学版), 2018, 48(3): 34-39.
[8]	何正义,曾宪华,郭姜. 一种集成卷积神经网络和深信网的步态识别与模拟方法[J]. 山东大学学报(工学版), 2018, 48(3): 88-95.
[9]	刘哲,宋锐,邹涛. 基于模型预测控制的磨削机器人末端力跟踪控制算法[J]. 山东大学学报(工学版), 2018, 48(1): 42-49.
[10]	唐乐爽,田国会,黄彬. 一种基于DSmT推理的物品融合识别算法[J]. 山东大学学报(工学版), 2018, 48(1): 50-56.
[11]	韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[12]	李笋,王超,张桂林,徐志根,程涛,王义元,王瑞琪. 基于支持向量回归的短期负荷预测[J]. 山东大学学报(工学版), 2017, 47(6): 52-56.
[13]	车长明,张华栋,李建祥,袁弘,刘海波. 需求侧规模化电动汽车的充电负荷优化调控策略[J]. 山东大学学报(工学版), 2017, 47(6): 108-114.
[14]	谢国辉,樊昊. 太阳能光热发电技术成熟度预测模型[J]. 山东大学学报(工学版), 2017, 47(6): 83-88.
[15]	周志杰,赵福均,胡昌华,王力,冯志超,刘涛源. 基于证据推理的航天继电器故障预测方法[J]. 山东大学学报(工学版), 2017, 47(5): 22-29.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed