本文以集中供热系统为研究对象,利用遗传算法优化神经网络,对该系统的短期热负荷预测方法进行研究。首先采暖热负荷受气象因素、系统因素、建筑因素、随机因素等多种非线性因素的影响,针对以上问题,先确定输入、输出样本,建立BP神经网络模型;然后利用遗传算法对BP网络的不足进行优化,建立GA-BP预测模型;最后,以MATLAB软件为平台,用遗传算法优化BP神经网络结构的权值和阈值,实验结果表明,经过遗传算法优化的BP神经网络预测模型的平均相对误差减少5%,对短期热负荷的预测精度有一定的提高岚等对负荷预测工作日类型因素进行分析，对负荷预测影响很大，确定其为模型输入变量［11］。2BP神经网络的基本原理1986年，McClelland和Rumelhart提出了多层前向型神经网络的误差反传算法（BackPropagation），简称BP算法，它由输入层、隐含层、输出层构成，是一种具有三层或三层以上的多层神经网络，每一层神经网络都由若干个神经元构成负荷预测方法研究-数控滚圆机滚弧机折弯机张家港液压钢管滚圆机滚弧机，如图1所示。它的每层神经网络之间的神经元都是全连接，如图2所示。图1BP神经元一般模型图2BP神经网络结构示意图注：本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 如图1，BP神经元的传输函数为非线性函数，其输出为f=(wp+b）；如图2，x1，x2，...，xn为神经元输入参数，每两个节点间的连接都代表基因的上、下限；r1为［0，1］之间的随机数；r2为一个随机数。6）输出最优结束当停止运算条件满足时，达到最大循环次数，同时最优个体不再进化，优化过程结束；如果达不到预定的精度要求，则需要返回第三步，重新来过。具体遗传算法优化BP神经网络学习算法的流程图如图3所示。5仿真试验本节分别用BP神经网络和遗传算法优化的BP神经网络对集中供热系统热负荷进行预测，并对预测结果进行对比分析。在建立模型中，首先要选取输入和输出变量，输入变量选择得越详细全面，模拟的运算精度就越高。本文针对集中供热负荷问题，尽可能全面考虑与供热负荷相关的重要因素，同时注意因素间的组合、搭配，尽量减少输入变量数。本文考虑了影响热负荷的各因素数据获取难易和波动变化幅度大的情况，对前面列出的各影响负荷进行搭配，相关性分析后，确定将室外日平均风速、室外日平均温度、工作日期图3遗传算法优BP神经网络流程图-46-负荷预测方法研究-数控滚圆机滚弧机折弯机张家港液压钢管滚圆机滚弧机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/