一种基于热负荷预测的电蓄热装置控制系统及方法

摘要

本发明提供一种基于热负荷预测的电蓄热装置控制系统及方法，涉及热负荷预测及控制技术领域。该装置包括热负荷预测单元、数据采集单元、控制单元、信息传输单元及能效管理单元；采用该装置进行控制的方法为：构建训练样本集，并对其进行预处理和归一化处理；然后建立RBF神经网络预测模型，应用模型对未来时刻热负荷需求进行预测，得到下一时刻热负荷需求值，并进行反归一化处理得到预测的真实值；再应用马尔科夫方法修正预测值；最后将预测值作为给定值输入给电蓄热装置的控制器，实现跟踪热负荷需求值目的。本发明提供的基于热负荷预测的电蓄热装置控制系统及方法充分发挥RBF神经网络和马尔科夫理论各自的长处，优势互补，大大提高预测的精确度。

说明书

技术领域

本发明涉及热负荷预测及控制技术领域，尤其涉及一种基于热负荷预测的电蓄热装置控制系统及方法。

背景技术

冬季城市供暖一直是人们密切关注的问题，供热工程是提高人民生活质量、促进社会和谐稳定的民生工程。但是，热量作为一种能量，不能进行大量存储，在同一时间内，如果产生的热量大于用户消耗的热量，就会造成能量的浪费；反之，如果产生的热量不足以满足用户的需求，就会导致用户的热舒适性变差。因此，对热负荷需求进行提前预测，根据热负荷的预测值，及时调整热源的运行方案，使供热量实时跟踪热负荷需求的变化，对提高用户的热舒适度、节能减排具有十分重要的意义。

目前，热负荷的预测方法主要采用以BP神经网络等为代表的智能算法，其存在着收敛速度慢，容易陷入局部极小值的缺点。RBF是一种单隐含层的前馈神经网络，能以任意精度逼近非线性函数，其结构简单、学习速度快，具有良好的局部逼近能力，且不存在局部最优的问题，相对于BP网络来说性能更优。马尔科夫理论是根据随机过程的状态和转移规律，对下一时刻随机变量所处的状态进行预估，适合处理随机变化较强的问题。二次供热调节技术主要有以下几种方式：

(1)质调节：热用户的循环流量保持不变，通过改变二次供水温度来调节供热量。这种方式下，循环水泵的能耗较大，节能效果不好。

(2)量调节：保持二次供水温度不变，根据回水温度改变循环流量以适应热负荷变化，采用这种方法，在热负荷需求较低时，循环流量会迅速减小，当流量过小时不利于热力系统的稳定运行。

(3)分阶段改变水流量的质调节：这种方法下，根据热负荷需求的大小将一天分成几个阶段，在不同的阶段循环流量不同，在同一阶段流量保持不变，通过改变供水温度来调节供热量。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于热负荷预测的电蓄热装置控制系统及方法，解决用户实际热负荷与需求值不匹配的问题以避免能源浪费或供热不足，减少供热系统运行成本，从而提高供热系统运行的经济性和热用户的舒适度。

一方面，本发明提供一种基于热负荷预测的电蓄热装置控制系统，包括热负荷预测单元、数据采集单元、控制单元、信息传输单元及能效管理单元；所述热负荷预测层根据RBF神经网络预测模型并经过马尔科夫误差修正，得到最终的热负荷需求值，将其作为给定值输入给控制单元，使控制单元提前控制风机、循环水泵这些执行机构，进而调节热负荷实际值，达到需求值与实际值匹配运行；

所述数据采集单元包括安装在电蓄热装置上的温度传感器、温度变送器、流量传感器和流量变送器，通过这些元件采集电蓄热装置的现场运行参数，并上传给控制单元进行处理；

所述控制单元包括PLC控制器、周波功率调节器和变频器，其中，PLC控制器的模拟量输出模块与周波功率调节器连接，周波功率调节器与电蓄热装置中的电加热丝连接，以调节加热功率和加热时间；PLC控制器通过以太网与变频器连接，变频器的三相交流电输出端口与电蓄热装置中的离心风机和循环水泵连接；

所述信息传输单元包括协议转换器和GPRS模块，其中，协议转换器的RS485端口与PLC控制器的Profibus-DP端口连接，PLC控制器将采集到的现场数据通过Modbus RTU协议写入到协议转换器中，协议转换器的另外一端RS485端口与GPRS模块的RS485端口连接，GPRS模块通过IEC104协议将数据上传给能效管理单元；

所述能效管理单元包括监控系统界面，实时显示供热系统的运行状态，及以趋势图的形式反映重要参数的变化趋势，并且当参数越限时能发出报警提示；同时能够进行参数的修改，以实现对电蓄热装置的远程控制。

优选地，所述数据采集单元采集的数据包括热源侧数据和热网侧数据，其中，热源侧参数包括循环水泵转速、离心风机转速，热网侧参数包括出水温度、回水温度、循环流量。热网侧出水温度、回水温度、循环流量数据分别经过变送器将物理信号转换为电信号，然后经过RS485总线接入到控制单元的模拟量输入信号模块。

另一方面，本发明还提供采用本发明的基于热负荷预测的电蓄热装置的控制方法，包括以下步骤：

步骤1、采集热负荷影响因素及供热负荷的历史数据，构建训练样本集，并对其进行预处理和归一化处理；

步骤1.1、所述热负荷影响因素包括室外环境、短期内的热负荷历史值和日期类型三大类；室外环境包括室外温度、风速、光照强度；考虑到热力系统存在着热惰性，短时间内热负荷不会发生太大的改变，所以用前三个时刻的热负荷值来预测下一时刻的热负荷需求；日期类型分为工作日和休息日，不同的日期类型热负荷需求也不同；

因此，将t时刻室外温度、风速、光照强度、日期类型，t-1时刻的热负荷、t-2时刻的热负荷、t-3时刻的热负荷作为影响因素，t时刻的实际热负荷作为对应的目标数据，建立一个训练样本集，用数学表达式描述为[(x₁，y₁)，(x₂，y₂)......(x_n，y_n)]，其中x_i表示第i个样本的影响因素数据，y_i表示第i个样本的的热负荷数据，i＝1，2，3......n，n为样本总数；

步骤1.2、模糊因素量化处理；将日期类型记为D，D＝0.15+0.1v，其中v＝1，2，...，7，为周一到周日的类型日；

步骤1.3、数据预处理；训练之前，对原始数据进行预处理，去除错误数据并补全缺失数据；热负荷值P必须大于零，当出现P＜0的情况应该予以剔除；对于首末端数据空缺的情况，采用其前值或后值替代；对于中间数据空缺的情况以线性插值的方法将其补全；

步骤1.4、数据归一化处理；对数据进行归一化处理，将其转化到[0，1]区间内，如下公式所示：

其中，x_i为实测的数据，x_max和x_min分别表示样本数据的最大值和最小值，x′_i为归一化之后的数据；

步骤2、建立RBF神经网络预测模型，将样本数据随机划分为训练数据和测试数据，把影响因素数据作为输入量，实测热负荷数据作为标准量，对神经网络模型进行反复地训练，直到误差满足设定的要求或者达到最大迭代次数，具体方法为：

步骤2.1、神经网络结构的设计；所述RBF神经网络模型包括输入层、隐含层和输出层；输入层和隐含层之间直接连接，隐含层与输出层之间通过权值连接；隐含层的激活函数为关于径向对称的函数；

步骤2.1.1、根据影响因素数量来确定输入层节点数；

步骤2.1.2、确定隐含层节点数；采用调试法确定隐含层节点数；

步骤2.1.3、确定输出层节点数；RBF神经网络模型的输出结果为热负荷，所以输出层有1个节点；对应输出结果的表达式为：

其中，O_i为第i个输入样本经过神经网络运算得出的输出值，ω_ij为第i个输入样本下第j个隐含层节点与输出层的连接权值，为第i个输入样本下第j个隐含层节点的输出结果，H为隐含层节点数；

步骤2.2、调整RBF神经网络模型的参数；

步骤2.2.1、调整隐含层激活函数的中心向量和方差；RBF神经网络采用K均值聚类的自组织学习方式选取隐含层激活函数的中心向量，然后根据公式确定隐含层激活函数的方差，其中，d_max为所选取的中心向量之间的最大值；

步骤2.2.2、采用线性优化算法调整隐含层与输出层之间的连接权值；

步骤2.2.3、计算RBF神经网络输出值与实测热负荷值之间的均方误差，均方误差的表达式如下所示：

其中，E为均方误差，I_i为第i个输入样本对应的实测值，O_i为第i个输入样本经过神经网络运算得出的输出值；

步骤2.2.4、设定误差精度ε，判断均方误差E＜ε是否成立，若成立，则均方误差满足精度要求，训练结束，以此时的参数作为RBF神经网络模型的参数；否则，执行步骤2.2.5；

步骤2.2.5、设定隐含层节点数最大值M，判断当前隐含层节点数H＞M是否成立，若不成立，令隐含层节点数H＝H+1，然后返回步骤(2.2.1)；若成立，则隐含层节点达到最大值，训练结束，选取最优的一组参数作为神经网络的参数值；

步骤3、利用学习训练得到的RBF神经网络模型对未来时刻热负荷需求进行预测，用以得到下一时刻热负荷需求值，然后对得到的下一时刻热负荷需求值进行反归一化处理得到预测的真实值，反归一化采用如下公式：

y_t＝y_t(y_max-y_min)+y_min(4)

其中，y_t为t时刻经反归一化之后的真实热负荷值，y′_t为t时刻RBF神经网络的预测值，y_max、y_min分别为热负荷样本数据的最大值和最小值；

步骤4，应用马尔科夫方法计算RBF神经网络预测值与实测值相对误差的修正值，进而得到经修正后的预测值；

步骤4.1、数据回测；应用建立的RBF神经网络模型对热负荷需求历史数据进行回测，分别得到相应的预测值，将预测值和采集的实际数据进行对比，得到随时间变化的误差序列e_k＝(Y_k-y_k)/y_ke_k为k时刻采用RBF神经网络得到的热负荷预测值与实测值相对误差，Y_k为k时刻的采用RBF神经网络得到的热负荷预测值，y_k为k时刻热负荷实测值；

步骤4.2、误差状态划分；采用均值-标准差分级法将得到的误差序列依据数值进行状态等级的划分，对于误差序列e＝{e₁，e₂，......e_z}，其均值和标准差分别为：

其中，为误差序列的平均值，s为误差序列的标准差，z为误差序列中误差的数量，e_k为第k个误差数据；

由此，将误差序列划分为如下所示的4个状态区间：

步骤4.3、计算误差状态转移概率矩阵；对得到的误差状态结果进行统计，对于任意一个热负荷误差状态a，经过一步变化转移到状态b的次数记为N_ab，状态a转移的次数记为N_a，在统计数量足够多的情况下，频率近似等于事件发生的概率，得到误差状态转移概率如下公式所示：

其中，a＝1、2…、A，b＝1、2…、A；

用矩阵的形式表示如下：

其中，P为状态转移概率矩阵，A为划分的误差状态数目，P_ab为状态a经过一步变化转移到状态b的概率；

步骤4.4、误差修正；根据历史数据选取最后一个热负荷误差状态作为初始状态，构造一行A列的初始状态行向量U₀，其误差所处状态列为1，其余列为0，用其乘以状态转移概率矩阵P，得出下一时刻热负荷误差所处状态的概率行向量U₁，将划分的误差状态区间的中位数作为元素构建数值列向量V，然后用误差的状态概率行向量U₁乘以构建的数值列向量V，得到误差的预估值Δe₁，最后，将此结果叠加到神经网络预测模型的输出值上，得到修正后的热负荷预测值按照这样的方法，依次类推，得到不同时刻的误差预估结果，用公式表达如下：

其中，U₀为初始状态行向量，P为状态转移概率矩阵，其是不变的；U_t为t时刻热负荷预测误差所处状态的概率行向量；Δe_t为t时刻马尔科夫误差修正量，其值为相对百分比形式；V划分的误差状态区间的中位数作为元素构建的数值列向量；y_t为t时刻RBF神经网络的热负荷预测值，为t时刻经修正后的热负荷预测值；

步骤5、将热负荷预测值作为给定值输入给电蓄热装置的控制器，与实际热负荷值进行比较计算，输出控制量给变频器来调节离心风机和循环水泵的转速，使离心风机和循环水泵协调配合以调节实际热负荷，达到跟踪热负荷需求值而变化的目的，具体方法为：

步骤5.1、确定电蓄热装置二次供热管网供水温度最大值和循环流量最小值；

步骤5.2、采用传感器采集供水温度、回水温度、系统循环流量这些运行参数，并上传给PLC控制器；

步骤5.3、在忽略管网热量损失的情况下，热源传递的热负荷近似等于用户得到的实际热负荷，由此根据热力学第二定律计算出实际热负荷Q＝1.163q(T_g-T_h)，其中，Q为用户供热管网的循环流量，T_g、T_h分别为供热管网的供水温度和回水温度；

步骤5.4、利用步骤2至步骤4建立的预测模型得到未来某一时刻热负荷需求值，将其作为给定值输入给电蓄热装置的PLC控制器，并和热负荷实际值进行比较；

步骤5.5、判断热负荷实际值是否等于预测值，若是，则转到步骤(5.6)；若不是，转到步骤(5.7)；

步骤5.6、热负荷实际值等于预测值，此时保持离心风机和循环水泵的运行状态不变；

步骤5.7、判断热负荷实际值是否大于预测值，若是，则转到步骤(5.8)；若不是，转到步骤5.9；

步骤5.8、热负荷实际值大于预测值，减少热量供应量，采用定流量变温差的方式，保持供热管网循环流量达到最小值不变，调节供回水温差使输出给用户的热负荷等于热负荷预测值；

步骤5.9、热负荷实际值小于预测值，增加热量供应量，采用变流量变温差的方式，保持供水温度为最大值不变，调节循环流量增加输出给用户的热负荷，使热负荷实际输出值等于预测值。

采用上述技术方案所产生的有益效果在于：本发明提供的一种基于热负荷预测的电蓄热装置控制系统及方法，利用RBF神经网络非线性映射能力、自学能力强，且收敛速度快、不存在局部最优解的优点，以及马尔科夫链适合处理随机波动性强的问题的优点，将二者有机结合，建立供暖热负荷的组合预测模型，充分发挥了RBF神经网络和马尔科夫理论各自的长处，优势互补，能够大大提高预测的精确度。选取供水温度、循环流量作为控制变量，将热负荷预测模型的输出作为给定值，与实际热负荷进行比较运算，输出控制量给执行机构离心风机和循环水泵，控制它们的转速并使其协调配合来调节输出的热负荷跟踪需求值而变化，达到供需平衡，避免不必要的能源浪费或供热不足；可以为电蓄热装置的优化控制提供参考依据。

附图说明

图1为本发明实施例提供的一种基于热负荷预测的电蓄热装置控制系统的结构框图；

图2为本发明实施例提供的采用本发明的基于热负荷预测的电蓄热装置的控制方法流程图；

图3为本发明实施例提供的RBF神经网络的结构框图；

图4为本发明实施例提供的RBF神经网络预测方法的流程图；

图5为本发明实施例提供的热负荷需求值与实际值匹配运行的控制策略流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种基于热负荷预测的电蓄热装置控制系统，如图1所示，包括热负荷预测单元、数据采集单元、控制单元、信息传输单元及能效管理单元；所述热负荷预测层根据RBF神经网络预测模型并经过马尔科夫误差修正，得到最终的热负荷需求值，将其作为给定值输入给控制单元，使控制单元提前控制风机、循环水泵这些执行机构，进而调节热负荷实际值，达到需求值与实际值匹配运行；

所述数据采集单元包括安装在电蓄热装置上的温度传感器、温度变送器、流量传感器和流量变送器，通过这些元件采集电蓄热装置的现场运行参数，并上传给控制单元进行处理；数据采集单元采集的数据包括热源侧数据和热网侧数据，其中，热源侧参数包括循环水泵转速、离心风机转速，热网侧参数包括出水温度、回水温度、循环流量。热网侧出水温度、回水温度、循环流量数据分别经过变送器将物理信号转换为电信号，然后经过RS485总线接入到控制单元的模拟量输入信号模块；

所述控制单元包括PLC控制器、周波功率调节器和变频器，其中，PLC控制器的模拟量输出模块与周波功率调节器连接，周波功率调节器与电蓄热装置中的电加热丝连接，以调节加热功率和加热时间；PLC控制器通过以太网与变频器连接，变频器的三相交流电输出端口与电蓄热装置中的离心风机和循环水泵连接；

所述信息传输单元包括协议转换器和GPRS模块，其中，协议转换器的RS485端口与PLC控制器的Profibus-DP端口连接，PLC控制器将采集到的现场数据通过Modbus RTU协议写入到协议转换器中，协议转换器的另外一端RS485端口与GPRS模块的RS485端口连接，GPRS模块通过IEC104协议将数据上传给能效管理单元；

所述能效管理单元包括监控系统界面，实时显示供热系统的运行状态，及以趋势图的形式反映重要参数的变化趋势，并且当参数越限时能发出报警提示；同时能够进行参数的修改，以实现对电蓄热装置的远程控制。

本实施例中，温度传感器均选用量程为-200-650℃的WZP铂热电阻传感器PT100，经过RWB温度变送器转换为4-20mA的电流信号传递给PLC控制器的模拟量信号模块；流量传感器选用0-0.3m²/h的电磁流量计，经过流量变送器转换为4-20mA的电流信号，接到PLC控制器的模拟量输入模块。PT100温度传感器、温度变送器为直流24V供电，流量传感器、流量变送器均为交流220V供电。循环水泵和离心风机的转速均由变频器测量计算得出，变频器选择西门子的MM440，其工作电压为单相交流220V，频率在0-50Hz之间设定，之后将三相交流电接到循环水泵和离心风机上。

本实施例中的GPRS均选择WG-8010-485 GPRS DTU，带有RS485端口，支持Modbus协议，适合连接PLC和仪表、智能电表等设备，工作电压为直流24V。

本实施例中，选择S7-300 PLC作为控制器，其电源模块为PS 307 5A，中央处理器为CPU315，工作内存48KB，MPI连接，最多可扩展32个信号模块。模拟量输入信号模块采用16点的SM331，其作用是将电锅炉的温度、流量等信号出送给中央处理器进行运算处理；模拟量输出模块采用16点的SM332，控制信号通过输出模块输出，达到对电加热器和水泵、风机的控制作用。周波功率调节器由固态继电器和SSR控制器组成，SSR控制器采用直流12V供电，模拟量输出模块接入到电加热器的控制器上。PLC通过以太网与西门子MM440变频器连接，变频器的三相交流电输出端口与风机和水泵连接。

本实施例中，能效管理层采用西门子公司开发的SIMATIC WINCC V7.0人机界面，它具有通用的应用程序，适合所有工业领域的解决方案；内置所有操作和管理功能，可简单、有效地进行组态；提供了所有最重要的通讯通道，用于连接到SIMATIC S5/S7/505控制器的通讯，以及如Profibus-DP/FMS和OPC等非专用通道。

电蓄热装置进行热负荷的控制原理为：

根据热力学第二定律，热负荷实际值与系统运行参数有关，在忽略管道热损失的情况下，可近似用公式描述为Q＝cm(T_g-T_h)，式中，m为热水质量，T_g为供水温度，T_h为回水温度，本发明选取供水温度、循环流量作为控制变量，将热负荷预测模型的输出作为给定值，与实际热负荷进行比较计算，调节相应的执行机构以调节输出的热负荷，使其跟踪热负荷需求而变化，达到供需平衡，避免不必要的能源浪费或供热不足。

对于供水温度的控制，可以采取调节离心风机转速的方法，风机转速越快，热交换时间越短，那么传递给二次侧的热量就越少，相应的，供水温度会降低。而供水温度有上限值，不能无限制的上升，这种情况下就需要循环流量的辅助控制，而循环流量的控制原理与上述类似，循环流量越快，单位时间内传递的热量就越多，实际热负荷就越大，而为了保证热网运行的稳定性循环流量也有最低限值，所以，这种控制方式下，需要两者之间进行协调配合达到对热负荷合理、经济的控制。

采用本发明的基于热负荷预测的电蓄热装置控制系统对电蓄热装置进行控制的方法，如图2所示，包括以下步骤：

步骤1、采集热负荷影响因素及供热负荷的历史数据，构建训练样本集，并对其进行预处理和归一化处理；

步骤1.1、所述热负荷影响因素包括室外环境、短期内的热负荷历史值和日期类型三大类；室外环境包括室外温度、风速、光照强度；考虑到热力系统存在着热惰性，短时间内热负荷不会发生太大的改变，所以用前三个时刻的热负荷值来预测下一时刻的热负荷需求；日期类型分为工作日和休息日，不同的日期类型热负荷需求也不同；

因此，将t时刻室外温度、风速、光照强度、日期类型，t-1时刻的热负荷、t-2时刻的热负荷、t-3时刻的热负荷作为影响因素，t时刻的实际热负荷作为对应的目标数据，建立一个训练样本集，用数学表达式描述为[(x₁，y₁)，(x₂，y₂)......(x_n，y_n)]，其中x_i表示第i个样本的影响因素数据，y_i表示第i个样本的的热负荷数据，i＝1，2，3....n，n为样本总数；

本实施例中，采集扬州市某小区实际供热系统2016年1月份的历史数据作为样本数据，提取出每天整点同一时刻的数据(0：00-23：00)，建立一个训练样本，将样本数据按照70％、30％进行随机划分，其中70％用于样本训练，输入到神经网络，对其结构进行训练；30％用于测试样本，对训练得到的模型进行验证。

步骤1.2、模糊因素量化处理；热负荷影响因素中的日期类型包括工作日和休息日，训练之前，需要将其量化，用具体的数值来表示；将日期类型记为D，D＝0.15+0.1v，其中v＝1，2，…，7，为周一到周日的类型日；

步骤1.3、数据预处理；由于测量仪器可能会发生故障或其它原因，会导致记录下一些错误数据或有一部分数据没记录，因此，在训练之前，对原始数据进行预处理，去除错误数据并补全缺失数据；热负荷值P必须大于零，当出现P＜0的情况应该予以剔除；对于首末端数据空缺的情况，采用其前值或后值替代；对于中间数据空缺的情况以线性插值的方法将其补全；

步骤1.4、数据归一化处理；由于各种类型的参数度量单位不同，且数值相差较大，直接参与模型的训练，会对最终的预测结果造成不良的影响。因此，在对样本进行训练前，先对数据进行归一化处理，将其转化到[0，1]区间内，如下公式所示：

其中，x_i为实测的数据，s_max和x_min分别表示样本数据的最大值和最小值，x′_i为归一化之后的数据；

本实施例中，以该月21天共504组数据作为神经网络的训练样本，使用MATLAB中的函数mapminmax对原始数据进行归一化处理，由于篇幅所限，只列出其中一天的数据，结果如表1所示：

表1 归一化处理后的历史数据

步骤2、建立RBF神经网络预测模型，将样本数据随机划分为训练数据和测试数据，把影响因素数据作为输入量，实测热负荷数据作为标准量，对神经网络模型进行反复地训练，直到误差满足设定的要求或者达到最大迭代次数，如图3所示，具体方法为：

步骤2.1、神经网络结构的设计；所述RBF神经网络模型包括输入层、隐含层和输出层；输入层和隐含层之间直接连接，隐含层与输出层之间通过权值连接；隐含层的激活函数为关于径向对称的函数，一般采用高斯函数；

步骤2.1.1、确定输入层节点数；根据影响因素数量来确定输入层节点数；所述影响因素包括室外温度、风速、光照强度、日期类型，及t-1时刻的热负荷、t-2时刻的热负荷、t-3时刻的热负荷共7个，所以输入层共有7个节点；

步骤2.1.2、确定隐含层节点数；采用调试法确定确定隐含层节点数；

步骤2.1.3、确定输出层节点数；RBF神经网络模型的输出结果为热负荷，所以输出层有1个节点；对应输出结果的表达式为：

其中，O_i为第i个输入样本经过神经网络运算得出的输出值，ω_ij为第i个输入样本下第j个隐含层节点与输出层的连接权值，为第i个输入样本下第j个隐含层节点的输出结果；H为隐含层节点数；

步骤2.2、调整RBF神经网络模型的参数；

步骤2.2.1、调整隐含层激活函数的中心向量和方差；RBF神经网络采用K均值聚类的自组织学习方式选取隐含层激活函数的中心向量，然后根据公式确定隐含层激活函数的方差，其中，d_max为所选取的中心向量之间的最大值；

步骤2.2.2、采用线性优化算法调整隐含层与输出层之间的连接权值；RBF神经网络隐含层到输出层是线性映射关系，也就是输出层的输出结果是隐含层单元输出的线性加权和，因此，采用线性优化算法对连接权值进行调整，本发明采用最小二乘法进行直接计算，可有效提高学习速率并且避免陷入局部最优解；

步骤2.2.3、计算RBF神经网络输出值与实测热负荷值之间的均方误差，均方误差的表达式如下所示：

其中，E为均方误差，I_i为第i个输入样本对应的实测值，O_i为第i个输入样本经过神经网络运算得出的输出值；

步骤2.2.4、设定误差精度ε，判断均方误差E＜ε是否成立，若成立，则均方误差满足精度要求，训练结束，以此时的参数作为RBF神经网络模型的参数；否则，执行步骤2.2.5；

步骤2.2.5、设定隐含层节点数最大值M，判断当前隐含层节点数H＞M是否成立，若不成立，令隐含层节点数H＝H+1，然后返回步骤(2.2.1)；若成立，则隐含层节点达到最大值，训练结束，选取最优的一组参数作为神经网络的参数值；

本实施例中，使用MATLAB进行仿真研究，使用newrb函数创建一个径向基函数神经网络，设定误差精度为0.0001，隐含层节点最大数目为200，每迭代一次，隐含层节点数增加1，经过训练，当迭代次数达到10时，均方误差为1.2×10^-5，满足精度要求，所以将隐含层节点数设为10。在确定完上述参数之后，建立如图4所示的RBF神经网络结构。

步骤3、利用学习训练得到的RBF神经网络模型对未来时刻热负荷需求进行预测，用以得到下一时刻热负荷需求值，然后对得到的下一时刻热负荷需求值进行反归一化处理得到预测的真实值，反归一化采用如下公式：

y_t＝y_t(y_max-y_min)+y_min(4)

其中，y_t为t时刻经反归一化之后的真实热负荷值，y′_t为t时刻RBF神经网络的预测值，y_max、y_min分别为热负荷样本数据的最大值和最小值；

本实施例中，以该月31号的数据作为测试样本，使用训练好的模型对其整点时刻的热负荷需求值进行预测，经过反归一化处理后，得到如表2所示的热负荷预测结果：

表2 RBF神经网络热负荷预测结果

由上述表格可以看出，采用单一的RBF神经网络进行热负荷预测，与实际值相比，平均相对误差为13.36％，最大误差达到15.96％，最小为10.35％，误差太大，预测精度较低，需要进行进一步改进。

步骤4，应用马尔科夫方法计算RBF神经网络预测值与实测值相对误差的修正值，进而得到经修正后的预测值；

步骤4.1、数据回测；应用建立的RBF神经网络模型对热负荷需求历史数据进行回测，分别得到相应的预测值，将预测值和采集的实际数据进行对比，得到随时间变化的误差序列e_k＝(Y_k-y_k)/y_k，e_k为k时刻采用RBF神经网络得到的热负荷预测值与实测值相对误差，Y_k为k时刻的采用RBF神经网络得到的热负荷预测值，y_k为k时刻热负荷实测值；

步骤4.2、误差状态划分；采用均值-标准差分级法将得到的误差序列依据数值进行状态等级的划分，对于误差序列e＝{e₁，e₂，......e_z}，其均值和标准差分别为：

其中，为误差序列的平均值，s为误差序列的标准差，z为误差序列中误差的数量，e_k为第k个误差数据；

由此，将误差序列划分为如下所示的4个状态区间：

本实施例中，使用模型对以往200个历史热负荷数据进行回测，得到一系列误差的时间序列，其结果如表3所示(由于篇幅所限，只列出其中24个点的数据)：

表3 热负荷预测误差所属状态区间

通过计算，误差的最大值为17.57％，最小值为0.17％，平均值为10.15％，标准差为4.22％，由此可得划分的区间为[0.17％，8.04％]，[8.04％，10.15％]，[10.15％，12.26％]，[12.26％，17.57％]。

步骤4.3、计算误差状态转移概率矩阵；对得到的误差状态结果进行统计，对于任意一个热负荷误差状态a，经过一步变化转移到状态b的次数记为N_ab，状态a转移的次数记为N_a，在统计数量足够多的情况下，频率近似等于事件发生的概率，得到误差状态转移概率如下公式所示：

其中，a＝1、2…、A，b＝1、2…、A。

用矩阵的形式表示如下：

其中，P为状态转移概率矩阵，A为划分的误差状态数目，P_ab为状态a经过一步变化转移到状态b的概率。

本实施例中，采用一步状态转移概率矩阵，对得到的误差时间序列进行统计分析，得到一步转移概率矩阵如下所示：

步骤4.4、误差修正；根据历史数据选取最后一个热负荷误差状态作为初始状态，构造一行A列的初始状态行向量U₀，其误差所处状态列为1，其余列为0，用其乘以状态转移概率矩阵P，得出下一时刻热负荷误差所处状态的概率行向量U₁，将划分的误差状态区间的中位数作为元素构建数值列向量V，然后用误差的状态概率行向量U₁乘以构建的数值列向量V，得到误差的预估值Δe₁，最后，将此结果叠加到神经网络预测模型的输出值上，得到修正后的热负荷预测值按照这样的方法，依次类推，得到不同时刻的误差预估结果，用公式表达如下：

其中，U₀为初始状态行向量，P为状态转移概率矩阵，其是不变的；U_t为t时刻热负荷预测误差所处状态的概率行向量；Δe_t为t时刻马尔科夫误差修正量，其值为相对百分比形式；V划分的误差状态区间的中位数作为元素构建的数值列向量；y_t为t时刻RBF神经网络的热负荷预测值，为t时刻经修正后的热负荷预测值。

本实施例中，将1月30号23点负荷的预测误差状态作为初始状态，其状态向量为(0010)，那么可得到31号0点时刻的状态概率向量为用其乘以误差区间的平均值构成的数值列向量，其为(4.1％，9.1％，11.2％，14.92％)^T，可得误差大小为11.31％，将其作为误差修正量，叠加到RBF神经网络的预测结果上，得到最终的预测值为39496kw。依次类推，可得当天24个时刻的热负荷预测值，如表4所示：

表4 经过马尔科夫修正后的热负荷预测值

由上表可知，经过修正之后，误差最大为3.83％，最小为-0.15％，平均误差为1.84％，相较于没有经过修正的，误差大大减小，预测结果可以比较好地跟踪负荷的变化趋势，从而证明，采用本方法能有效提高热负荷预测的精度，能够为热力系统的管理与运行提供可靠的指导依据。

步骤5、将热负荷预测值作为给定值输入给电蓄热装置的控制器，与实际热负荷值进行比较计算，输出控制量给变频器来调节离心风机和循环水泵的转速，使离心风机和循环水泵协调配合以调节实际热负荷，达到跟踪热负荷需求值而变化的目的，如图5所示，具体方法为：

步骤5.1、确定电蓄热装置二次供热管网供水温度最大值和循环流量最小值；一般情况下，供水温度最大值不宜设置过高，否则会造成能源的浪费，循环流量最小值根据额定设计流量确定；

步骤5.2、采用传感器采集供水温度、回水温度、系统循环流量这些运行参数，并上传给PLC控制器；

步骤5.3、在忽略管网热量损失的情况下，热源传递的热负荷近似等于用户得到的实际热负荷，由此根据热力学第二定律计算出实际热负荷Q＝1.163q(T_g-T_h)，其中，Q为用户供热管网的循环流量，T_g、T_h分别为供热管网的供水温度和回水温度；

步骤5.4、利用步骤2至步骤4建立的预测模型得到未来某一时刻热负荷需求值，将其作为给定值输入给电蓄热装置的PLC控制器，并和热负荷实际值进行比较；

步骤5.5、判断热负荷实际值是否等于预测值，若是，则转到步骤(5.6)；若不是，转到步骤(5.7)；

步骤5.6、热负荷实际值等于预测值，此时保持离心风机和循环水泵的运行状态不变；

步骤5.7、判断热负荷实际值是否大于预测值，若是，则转到步骤(5.8)；若不是，转到步骤5.9；

步骤5.8、热负荷实际值大于预测值，减少热量供应量，采用定流量变温差的方式，保持供热管网循环流量达到最小值不变，调节供回水温差使输出给用户的热负荷等于热负荷预测值；

步骤5.9、热负荷实际值小于预测值，增加热量供应量，采用变流量变温差的方式，保持供水温度为最大值不变，调节循环流量增加输出给用户的热负荷，使热负荷实际输出值等于预测值。

本实施例中，二次侧供水温度最大值设置为70℃，循环流量最小值根据额定设计流量确定，设置为额定设计流量的40％，即q_min＝0.4q_e，q_e为额定设计流量，单位为kg/h。然后采集二次侧供水温度、回水温度以及循环流量，带入公式计算出实际热负荷Q_实，利用前面的预测方法得出下一时刻热负荷需求值Q_预；

首先判断热负荷实际值是否等于预测值，当Q_实＝Q_预，则转到步骤5.6，此时保持离心风机和循环水泵的转速不变；否则，转到步骤5.7，判断热负荷实际值与预测值的大小情况：

当Q_实＞Q_预，采用定流量变温差的方式，保持供热管网循环流量达到最小值0.4q_ε不变，调节供回水温差使输出给用户的热负荷等于热负荷预测值；

当Q_实＜Q_预，采用变流量变温差的方式，保持供水温度为最大值70℃不变，调节循环流量增加输出给用户的热负荷，使热负荷实际输出值等于预测值。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。