合理规划好集中供热一次网的供热负荷,对满足热用户的舒适度和减少能源消耗有着重要意义。为此提出一种改进金豺算法(improved golden jackal optimization,IGJO)优化的CNN-BiLSTM热负荷预测模型。综合考虑一次网各项参数和天气因素的影...合理规划好集中供热一次网的供热负荷,对满足热用户的舒适度和减少能源消耗有着重要意义。为此提出一种改进金豺算法(improved golden jackal optimization,IGJO)优化的CNN-BiLSTM热负荷预测模型。综合考虑一次网各项参数和天气因素的影响,将热负荷历史值和一次网供水温度、供水流量、供水压力、外界天气温度组成CNN-BiLSTM网络的输入,利用CNN-BiLSTM网络提取输入数据的空间特征和时间特征。同时,通过Circle混沌映射、螺旋波动搜索、自适应t变异策略改进GJO,得到的IGJO有效解决了GJO全局搜索能力弱和收敛精度不高的问题,具有高效的寻优效果,然后利用IGJO寻优CNN-BiLSTM网络的超参数,解决了因CNN-BiLSTM网络的超参数选取不当而影响热负荷预测结果的问题。最后利用吉林延边某换热站2021年1月到3月供热负荷数据进行模型测试。结果表明,所提IGJO-CNN-BiLSTM预测结果的MAE、MAPE、RMSE和NSE分别为0.005 MW、0.33%、0.008 MW和0.97,相比LSTM、CNN-LSTM等模型,具有更优的预测精度。展开更多
压力调控对城市供水管网的优化调度至关重要。因此,提出了基于多层双向长短期记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)的压力跟随算法。首先,以麻雀搜索算法对BiLSTM的参数进行优化,寻找当前最优的超参数,从而更好...压力调控对城市供水管网的优化调度至关重要。因此,提出了基于多层双向长短期记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)的压力跟随算法。首先,以麻雀搜索算法对BiLSTM的参数进行优化,寻找当前最优的超参数,从而更好地提高模型对压力的拟合精度。其次,对损失函数添加惩罚项,该惩罚项主要学习流量与压力之间的相关性,通过神经网络的不断迭代,对供水管网的压力进行优化。实验结果表明,经过压力跟随算法优化后的压力与流量同步变化,优化后的压力能够为供水管网的优化调度提供理论依据和支撑。展开更多
文摘压力调控对城市供水管网的优化调度至关重要。因此,提出了基于多层双向长短期记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)的压力跟随算法。首先,以麻雀搜索算法对BiLSTM的参数进行优化,寻找当前最优的超参数,从而更好地提高模型对压力的拟合精度。其次,对损失函数添加惩罚项,该惩罚项主要学习流量与压力之间的相关性,通过神经网络的不断迭代,对供水管网的压力进行优化。实验结果表明,经过压力跟随算法优化后的压力与流量同步变化,优化后的压力能够为供水管网的优化调度提供理论依据和支撑。
