为提高热负荷预测的精度,提升基于负荷预测的供热系统调控效果,提出一种基于特征融合的供热系统预测调控方法。首先,采用偏自相关函数(partial autocorrelation function,PACF)、Pearson相关系数和最大信息系数(maximum information coe...为提高热负荷预测的精度,提升基于负荷预测的供热系统调控效果,提出一种基于特征融合的供热系统预测调控方法。首先,采用偏自相关函数(partial autocorrelation function,PACF)、Pearson相关系数和最大信息系数(maximum information coefficient,MIC)相结合的特征选择方法来确定预测模型的基本特征;然后,使用线性回归融合、指数融合和主成分分析融合对基本特征进行融合,应用递归MLR预测确定最佳融合方法,进一步对比在最佳融合策略下递归MLR、PSO-SVR、CNN和XGBoost中效果最优的预测方法;最后,将辨识出的融合方法和预测模型方法用于实际热力站调控。结果显示,基于线性回归融合的XGboost预测方法效果最好,可以提升训练精度并减少计算时间,同时可以有效指导调控,节热率达到4%以上。展开更多
文摘为提高热负荷预测的精度,提升基于负荷预测的供热系统调控效果,提出一种基于特征融合的供热系统预测调控方法。首先,采用偏自相关函数(partial autocorrelation function,PACF)、Pearson相关系数和最大信息系数(maximum information coefficient,MIC)相结合的特征选择方法来确定预测模型的基本特征;然后,使用线性回归融合、指数融合和主成分分析融合对基本特征进行融合,应用递归MLR预测确定最佳融合方法,进一步对比在最佳融合策略下递归MLR、PSO-SVR、CNN和XGBoost中效果最优的预测方法;最后,将辨识出的融合方法和预测模型方法用于实际热力站调控。结果显示,基于线性回归融合的XGboost预测方法效果最好,可以提升训练精度并减少计算时间,同时可以有效指导调控,节热率达到4%以上。
