分析了影响供热负荷的因素,利用回归分析法建立了供热负荷预测模型,因其误差较大,所以在其基础上提出利用神经网络法进行建模,并进行了误差分析,采用MATLAB软件进行仿真,从而得到了更为准确的供热负荷预测模型。算法的原理为梯度下降法，即通过调整连接权值使神经网络的误差平方和最小，采用对权值进行优化的方法。神经网络在学习的过程中，网络不断向后传播，在传播的过程中，供热负荷预测模型-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机层与层之间的连接权系数不断得到修正，最终使误差平方和最小［6］。神经网络调整连接权系数大小的过程，发生在网络上层与下层的传播过程。输入层的输入为样本数据，隐含层以及输出层的输入则是上一层节点输出数值经过连接权处理之后的数值。节点的活跃度由上一层的输入、阈值以及激活函数决定。BP神经网络的结构如下图2所示，其中包含N个输入节点x1，x2，……xn，j个输出节点O1，O2，……On，q个神经元存在于隐含层之中。BP神经网络的机构与多层感知机结构虽然相似，但是两者并不相同。在多层感知机结构中，权值一般为恒定值，不会随着网络的传播而改变，只有一层隐含层权值可以通过学习进行调节。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/ 而在BP神经网络中，隐含层中的任意层与层之间的连接权问题都可以通过学习的方式而解决。一般感知机结构处理对象为二进制单元，BP网络则以非线性的输入输出作为基本处理单元。在BP神经网络中激活函数一般为S型函数，即双曲正切函数［7］。S型函数如下式（1）所示：F（x）=1-e-x1+e-x（1）一般的BP神经网络算法流程图如图3所示：通过采用BP神经网络学习算法对前期采集的数据进行拟合，由于能够影响供热量的因素有4种，因此输入维度为4，中间层节点选用8，训练次数为5000，目标误差为0.065，学习速率为0.035，优化算法采用梯度优化，参数设置完毕后进行仿真，仿真结果以及误差如图4所示。根据图4 供热负荷预测模型-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机考虑水力平衡因素过多、系统水力计算时采用估算值计算、考虑富裕量等，后续过程中还有水泵的选型订货以及水泵特性曲线特征等影响因素。设计时供热负荷指标等选值偏高，造成水泵流量偏大，功率自然同时增大；水泵扬程选择依据系统预估值或部分内容采用估算值，往往会造成水泵扬程选择偏大。热源阻力部分数据采用估算值，造成实际管网的比摩阻比估算值要小，再乘以富裕系数，就会造成管网阻力值增大。管网系统的循环阻力是指各并联环路的阻力，计算时采用最不利环路的阻力数值，如图2变频水泵机电综合等效率曲线阀门开度最大时水泵运行工况点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/