基于神經網絡解耦的供熱預測控制研究(答辯最終版)

基于神經網絡解耦的熱力站供熱預測控制研究答辯人：陳烈導師：齊維貴教授課題來源及研究的目的和意義國內外研究現狀及分析主要研究內容

主要研究成果

發(fā)表學術論文及其它成果

課題來源“十一五”國家科技支撐計劃重大項目

建筑節(jié)能關鍵技術研究與示范

(項目編目：2006BAJ01A04)

黑龍江省科技攻關項目基于LonWorks技術和預測控制的供熱FCS研究

(項目編號：GC04A104)HeilongjiangKeyTechnologyR&DProgram黑龍江省科技攻關項目研究的目的和意義我國能源政策戰(zhàn)略方針的需要供熱控制系統(tǒng)研究是供熱技術發(fā)展的一個重要方向先進控制策略的研究為節(jié)能改造提供有益的依據建筑能耗占全社會能耗的30~40%，其中65%為采暖空調能耗，三北地區(qū)采暖能耗占全社會能耗的27.2%。供熱不但能耗大，而且效率低，單位面積采暖能耗是發(fā)達國家的3~4倍。是保證熱力設備安全和經濟運行的必要技術措施；對提高熱網的整體運行質量意義十分重大；關系到居住環(huán)境的質量和城市建設的發(fā)展；體現著供熱、控制領域的科研和應用水平。供熱過程具有時滯、時變、不確定、非線性和強耦合等特點，傳統(tǒng)的控制方法很難適應這些情況，對其進行先進控制策略的研究具有重要意義，可為指導新的供熱系統(tǒng)的建設和既有供熱系統(tǒng)的節(jié)能改造提供有益依據。課題來源及研究的目的和意義國內外研究現狀及分析主要研究內容

主要研究成果

發(fā)表學術論文及其它成果

國內外研究現狀及分析國內外研究現狀供熱負荷預報預測控制控制系統(tǒng)解耦熱力站控制系統(tǒng)供熱負荷預報國外研究現狀線性預報法室外溫度—供熱負荷曲線，如文獻[9]；線性回歸分析，如文獻[10,11]；灰色模型，如文獻[12]。非線性預報法——神經網絡預報法和支持向量機預報法文獻[14,15,16]采用人工神經網絡和相同的兩組數據作仿真實驗，其中時間、溫度、日照和風速等為輸入量，預測美國某大型建筑的熱負荷。文獻[17]用ANN預測一個太陽能家庭供暖系統(tǒng)的特性，采用兩個ANN，一個估計太陽能輸入量，另一個估計標準溫度的熱水平均量。文獻[18,19]用模型和神經網絡預測建筑物能量，并對其進行理論分析。

文獻[20]等將支持向量機方法用于熱帶地區(qū)建筑能耗預測，該方法選擇室外月平均溫度、相對濕度、日照作為輸入變量，來預測熱帶地區(qū)建筑能耗，預測相對誤差小于4%，驗證了支持向量機方法預測熱帶地區(qū)建筑能耗的可行性和適應性。供熱負荷預報國內研究現狀線性預報法文獻[23]介紹了利用時間序列分析方法進行熱負荷短期預報，用相關分析法對供熱負荷進行中期預報。文獻[26,27]利用了GM(1,1)模型和相應的改進模型對供熱負荷進行了預報。非線性預報法文獻[22]利用BP前向神經網絡對供熱負荷進行預報，但沒有給出熱負荷預報的實例。文獻[24]將小波變換多尺度分析方法引入熱力過程，建立基于多尺度挖掘的供熱系統(tǒng)負荷動態(tài)預測控制，最后給出仿真結果。文獻[25]也采用支持向量回歸和小波包對供熱負荷進行預報。供熱負荷預報的現狀分析存在問題：

(1)離線進行，停留在實驗室仿真層面;(2)未給出供熱工程節(jié)能控制實例;(3)只根據氣溫預報

，不能滿足用戶需求。國內外研究現狀及分析國內外研究現狀供熱負荷預報預測控制控制系統(tǒng)解耦熱力站控制系統(tǒng)經典預測控制動態(tài)矩陣控制

(DMC)Culter等提出的、建立在非參數模型階躍響應基礎上的動態(tài)矩陣控制。模型算法控制

(MAC)

Richalet，Mchra等提出的、建立在非參數模型脈沖響應基礎上的模型預測啟發(fā)控制。廣義預測控制

(GPC)Clarke提出的、帶有自校正機制、在線修正模型參數的預測控制算法。智能預測控制神經網絡預測控制文獻[41]提出采用混沌粒子群優(yōu)化神經網絡預測控制算法對非線性系統(tǒng)進行控制，提高了控制的魯棒性和精度；文獻[42,43]將模糊神經網絡應用于非線性系統(tǒng)中，滿足性能要求。模糊預測控制

由安信等提出、并成功地應用于地鐵的列車運行控制上。文獻[45]將模糊辨識和廣義預測控制相結合，發(fā)展了狀態(tài)空間建模法，并給出了分析表，最后驗證了該算法的優(yōu)越性。文獻[46]提出基于累加和最小原則的Mamdani模糊模型的預測控制策略，通過與傳統(tǒng)PID控制比較驗證其性能。文獻[47]在系統(tǒng)高層引進模糊控制器，使得原廣義預測控制的開環(huán)鏈變換成由系統(tǒng)實際輸出與參考軌跡相比較的閉環(huán)控制系統(tǒng)，并利用多變量模糊控制器的結構解耦原理，使廣義預測控制算法本身最大限度地減少了控制域長度，提高了系統(tǒng)控制的實時性和魯棒性，并改善了靜態(tài)精度和動態(tài)跟蹤性。非線性預測控制以直接從工業(yè)應用中產生的非參數模型為基礎的非線性模型預測控制算法，如文獻[48,49]；由經典自適應控制算法發(fā)展而來的一類遠程預測控制算法，如文獻[50]修正的GPC方法。從結構設計出發(fā)，通過對GPC結構的轉換，產生了內?？刂坪屯评砜刂?，如文獻[51]。熱力站中預測控制的應用

供熱過程的特點：大時滯、大慣性、非線性、時變、不確定的特性。對其進行預測控制理論及工程應用研究能夠達到預期目的。預測控制在供熱中的應用情況：國外的文獻主要集中在空調領域，國內外在供熱領域的研究很少，因此在供熱領域的研究亟需深化。國內外研究現狀及分析國內外研究現狀供熱負荷預報預測控制控制系統(tǒng)解耦熱力站控制系統(tǒng)傳統(tǒng)解耦方法

傳統(tǒng)解耦方法以現代頻域法為代表，也包括時域方法，主要適用于線性定常MIMO系統(tǒng)。現代頻域法的共同理論基礎是奈氏穩(wěn)定判據，通過對系統(tǒng)傳遞函數的分解實現其對角化或對角優(yōu)勢化以達到解耦的目的，如文獻[63,64]。存在一些尚待解決的問題，如逆奈氏陣列法的魯棒性較差，特征軌跡法的精確性難以保障等等。奇異值分解應用于多變量系統(tǒng)的控制使解耦性與魯棒性兩大要求同時滿足，將奇異值理論應用于多變量解耦很有意義，是當前控制系統(tǒng)設計一大研究方向，如文獻[65,66]。

智能解耦方法

神經網絡解耦文獻[69]根據空氣動力學的控制性能要求，提出一種基于自調整神經網絡的多變量解耦控制方法，通過仿真驗證了其解耦特性和自適應能力。文獻[74]應用BP神經網絡理論研究了300MW火電單元機組協(xié)調控制系統(tǒng)解耦設計，詳細介紹了解耦算法及實現過程。該方法可使解耦后的廣義對象不受工況變化或擾動的影響，從而易于實現控制規(guī)律，仿真解耦令人滿意。

模糊解耦方法

文獻[75]將模糊推理和智能解耦結合起來，解決電站主蒸汽壓力和電站輸出的耦合問題。文獻[76]提出基于后推法的非線性多變量耦合系統(tǒng)的逼近干擾解耦法，其具有簡單的結構和較少的自適應參數。

多變量解耦在熱力站中的應用目前，解耦控制在供熱領域鮮有研究。要根據負荷進行調節(jié)和控制，除原有的質調即以二級網供水溫度為被控量、以一級網供水流量為控制量的系統(tǒng)外，必然引入以二級網流量為被控量、以二級網的循環(huán)水泵泵速為控制量的量調系統(tǒng)。因此熱力站供熱過程也從一般單入單出系統(tǒng)擴展成雙入雙出系統(tǒng)，其具有強非線性耦合，所以本文擬采用神經網絡多變量解耦方法解決上述問題。國內外研究現狀及分析國內外研究現狀供熱負荷預報預測控制控制系統(tǒng)解耦熱力站控制系統(tǒng)國內熱力站監(jiān)控研究現狀熱力站控制策略現狀目前國內外供熱控制一般都將室外溫度作為參考信號，根據室外溫度來調節(jié)供熱量，在控制上基本采用PID算法。一些新的控制方法文獻[91,92]針對供熱系統(tǒng)具有多個變量的特點引入模糊控制。文獻[93]研究了一種基于遺傳算法的集中供熱和供冷的優(yōu)化運行方法，用一個污水處理廠做實驗檢驗了應用熱能情況。文獻[95]使用DMC預測控制方法對熱力站進行自動調節(jié)，并進行了計算機仿真?，F狀分析在供熱領域，缺少先進、實時性好的控制算法研究，目前提出的這些算法大都停留在實驗室離線仿真階段，缺少工程應用，不能滿足節(jié)能和適應復雜供熱對象的需求。課題來源及研究的目的和意義國內外研究現狀及分析主要研究內容

主要研究成果

發(fā)表學術論文及其它成果

論文的組織結構主要內容主要研究內容熱力站供熱過程建模供熱短期負荷預報質調量調通道解耦質調通道預測控制供熱控制系統(tǒng)設計熱力站供熱過程建模供熱過程的質調通道機理建模是根據供熱過程的熱平衡關系確定對象模型的階次及型式，從而為求解實際模型提供依據。熱交換器模型供熱管網模型熱用戶散熱模型用戶室內模型供熱過程動態(tài)模型化簡供熱過程簡化模型熱力站供熱過程建模機理建模法基于下列假設，建立熱交換器的熱平衡方程：(1)熱交換器冷熱流體的物理特性保持不變；(2)熱傳遞系數保持不變；(3)忽略換熱器管壁傳熱；(4)忽略沿寬度方向和厚度方向的導熱，只考慮沿徑向導熱。熱交換器模型熱交換器模型式中，

熱交換器動態(tài)結構圖熱力站供熱過程建?！獧C理建模法熱力站供熱過程建模—機理建模法供熱管網模型建立供熱管網的熱力特性數學模型時，假定:供熱管道為均質材料，管壁溫度沿徑向均勻分布，忽略管壁軸向傳熱，只考慮水流與管壁間熱交換造成溫度軸向變化。保溫層為均質材料，保溫層材料一般熱阻大而熱容小，忽略保溫層認為保溫層外環(huán)境溫度為常數。不考慮供熱管道傳熱系數沿徑向的變化。管網動態(tài)結構圖

式中，

熱力站供熱過程建?！獧C理建模法供熱管網模型式中，

用戶散熱器動態(tài)結構圖

熱力站供熱過程建?！獧C理建模法熱用戶散熱模型式中，

用戶室內動態(tài)模型結構圖

熱力站供熱過程建?！獧C理建模法熱用戶室內模型熱力站供熱過程建模—機理建模法供熱動態(tài)模型熱交換器出口熱媒溫度等于供水側管網入口熱媒溫度；供水側管網出口熱媒溫度等于用戶散熱器入口熱媒溫度；用戶散熱器出口熱媒溫度等于回水側管網入口熱媒溫度；回水側管網出口熱媒溫度等于熱交換器入口熱媒溫度。

供熱過程質調通道動態(tài)結構圖

當忽略熱網散熱的影響時，用戶散熱器的進出口水溫度就等同于熱網的供回水溫度，即，；對用戶室內部分，按照前述的簡化原則，用戶亦由單個房間等效為廣義用戶，并用回水溫度代替用戶溫度，即。質調通道動態(tài)簡化結構圖

熱力站供熱過程建模—機理建模法供熱簡化模型熱力站供熱過程建?！獧C理建模法實際水泵的特性方程目前還不能由理論推導得到，故常用實驗數據進行曲線擬合的方法得到。

式中，

熱力站供熱過程建?！獧C理建模法熱力站供熱過程建模—實驗建模法飛升曲線法最小二乘辨識確定部分模型可直接辨識出滯后時間不需要完整的建模曲線精度高優(yōu)點：熱力站供熱過程建?！獙嶒灲７ㄊ街?，當辨識模型為一階慣性加滯后時，

當辨識模型為二階慣性加滯后時，取不同時刻，可得線性差分方程組:對象模型：辨識方程：。熱力站供熱過程建?！獙嶒灲７ǖ玫焦嵯到y(tǒng)主通道模型：式中，用長自回歸模型法對ARMA模型進行估計：

熱力站供熱過程建?！S機部分建模經次差分后得到模型。式中，A1(q)=1+0.5101q-1-0.2944q-2-0.07516q-3-0.3045q-4+0.5415q-5；C1(q)=1-0.2611q-1+0.09255q-2-0.263q-3-0.6003q-4。

式中，A2(q)=1-1.119q-1+0.3872q-2；C2(q)=1-0.5848q-1+0.07255q-2。

量調通道隨機部分模型：熱力站供熱過程建模—隨機部分建模質調通道隨機部分模型：供熱過程質調、量調通道動態(tài)模型熱力站供熱過程建模—主通道模型對供熱過程模型的傳遞函數矩陣進行離散化，得

結合隨機部分模型，得到供熱過程主通道的動態(tài)描述：

(a)質調通道動態(tài)模型(b)量調通道動態(tài)模型熱力站供熱過程建?！詈舷到y(tǒng)模型分別為耦合1和耦合通道2模型：結合主通道模型耦合系統(tǒng)模型主要內容主要研究內容熱力站供熱過程建模供熱短期負荷預報質調量調通道解耦質調通道預測控制供熱控制系統(tǒng)設計供熱負荷預報

供熱負荷預報時間序列法供熱負荷預報RBF神經網絡供熱負荷預報

最大熵法供熱負荷預報

供熱負荷短期預報研究—交叉預報陣列獲取哈爾濱市某熱力站2006年1月20日至3月20日共60天實測數據，每隔15分鐘采樣一次，每天從早上7點到晚上7點共12小時，采樣49次。交叉預報樣本陣列供熱負荷短期預報研究—平穩(wěn)性判斷供熱負荷平穩(wěn)性檢驗表

供熱負荷短期預報研究—AR模型預報法p階AR模型：

確定系數，使預報誤差均方值最小

Yule-Walker方程F定階準則

確定模型階次

供熱負荷短期預報研究—ARMA模型預報法ARMA(n,n-1)模型：

基于DDS的ARMA建模法

供熱負荷短期預報研究—最大熵法供熱負荷預報使前、后向預測誤差的平均功率最小確定階數N和的方法

Burg算法流程本文采用Burg算法供熱負荷短期預報研究—RBF神經網絡負荷預報

RBF神經網絡負荷預報模型的構建正交最小二乘選取數據中心、梯度訓練法計算權系數交叉負荷預報供熱負荷短期預報研究—RBF神經網絡負荷預報RBF縱向、橫向負荷預報自相關系數及其上、下限值(置信水平取70%)自相關法確定RBF網絡模型輸入向量的維數

供熱負荷短期預報研究—AR模型負荷預報仿真a)供熱負荷AR(3)模型橫向預報b)供熱負荷AR(3)模型縱向預報c)熱負荷AR(3)模型的交叉預報

供熱負荷短期預報研究—ARMA模型負荷預報仿真a)供熱負荷ARMA(3，2)模型橫向預報b)供熱負荷ARMA(3，2)模型縱向預報c)熱負荷ARMA(3，2)模型的交叉預報

供熱負荷短期預報研究—最大熵負荷預報仿真

a)供熱負荷最大熵法橫向預報b)供熱負荷最大熵法縱向預報c)供熱負荷最大熵法交叉預報供熱負荷短期預報研究—RBF神經網絡負荷預報仿真a)RBF橫向與縱向負荷預報曲線b)RBF交叉負荷預報曲線供熱負荷短期預報研究—線性供熱負荷預報比較供熱負荷短期預報研究—非線性供熱負荷預報比較主要內容主要研究內容熱力站供熱過程建模供熱短期負荷預報質調量調通道解耦質調通道預測控制供熱控制系統(tǒng)設計質調量調解耦—耦合程度判斷其中,。Bristol-Shinskey法確定穩(wěn)態(tài)耦合程度動態(tài)耦合程度的確定

其中其中。相對增益矩陣：動態(tài)相對增益矩陣：質調量調解耦—熱力站穩(wěn)態(tài)耦合程度判斷靜態(tài)相對增益系數矩陣：

結論：在穩(wěn)態(tài)時相互影響并不是很嚴重，從運行角度來說，不必采取特殊的解耦措施；但由于質調-量調的耦合降低了控制的效果，即使在耦合影響不大的情況下，也會導致供熱量無法準確跟蹤用戶的需熱量，所以為了滿足高質量供熱的需要，需要進行解耦設計。對大于2的分級，仍然能夠實現概率為1/e、總時間小于en網絡的初始化？

質調量調解耦—熱力站動態(tài)耦合程度判斷對大于2的分級，仍然能夠實現概率為1/e、總時間小于en網絡的初始化？

質調量調解耦——理想解耦對大于2的分級，仍然能夠實現概率為1/e、總時間小于en網絡的初始化？

、,、質調量調解耦——理想解耦仿真質調量調解耦——時滯遞歸神經網絡分類局域遞歸神經網絡模型：

靜態(tài)遞歸神經網絡模型：

靜態(tài)遞歸神經網絡模型特點：在網絡輸入信號中考慮系統(tǒng)的動態(tài)因素——輸入、輸出的滯后信號加到網絡輸入中，從而保證網絡的輸出含有先前的輸入、輸出信息，模擬離散的動態(tài)系統(tǒng)。質調量調解耦——時滯遞歸神經網絡解耦結構神經網絡解耦系統(tǒng)結構圖質調量調解耦——時滯遞歸神經網絡輸入確定(1)(2)(3)b)解耦效果比較圖

a)解耦效果比較圖

質調量調解耦——時滯遞歸神經網絡解耦仿真

主要內容主要研究內容熱力站供熱過程建模供熱短期負荷預報質調量調通道解耦質調通道預測控制供熱控制系統(tǒng)設計質調預測控制研究—DMC改進算法DMC算法改進由兩部分組成：對DMC基本算法進行簡化，將預測模型階次由N減少到n、控制器階次有N-1降為N-2，由于n<<N，因此大大減少在線計算量，提高預測控制實時性；采用預報誤差校正算法來代替原誤差校正，解決模型簡化后可能引起的模型失配問題。其中，

質調預測控制研究—DMC模型簡化質調預測控制研究—DMC模型簡化模型簡化DMC算法的IMC結構：

預報誤差校正算法質調預測控制研究—預報誤差算法

質調預測控制研究—預報誤差算法

數字化誤差預報器

預報誤差校正算法質調預測控制研究—預報誤差算法

預報誤差校正法的IMC結構

參數全部未知的GPC自適應隱式算法(1)控制律質調預測控制研究—隱式GPC算法

質調預測控制研究—隱式GPC算法

(2)辨識方程質調預測控制研究—隱式GPC算法

(3)隱式算法BP網絡動態(tài)模型的預測控制偏差控制算法

質調預測控制研究—神經網絡預測控制

動態(tài)過程中，相對預測偏差較大時，目標函數J的大小主要由公式右端的第二項的動態(tài)預測偏差來決定；當系統(tǒng)趨于穩(wěn)定，相對預測偏差較小時，目標函數J的大小主要由公式右端的第一項的穩(wěn)態(tài)預測偏差來決定。采用一維黃金分割法來尋取最優(yōu)控制律質調預測控制研究—神經網絡預測控制

質調預測控制研究—供熱質調DMC、GPC仿真質調預測控制研究—供熱質調神經網絡預測控制仿真

主要內容主要研究內容熱力站供熱過程建模供熱短期負荷預報質調量調通道解耦質調通道預測控制供熱控制系統(tǒng)設計供熱監(jiān)控系統(tǒng)設計—系統(tǒng)設計原則

系統(tǒng)設計原則系統(tǒng)設計遵循“先進性、實用性、可靠性和可擴展性”的基本原則，以提高自動化管理水平和節(jié)能增效為目的，采用模塊化結構設計，以適合各種不同場所，便于系統(tǒng)增容、擴展、運行及維護。供熱監(jiān)控系統(tǒng)設計—監(jiān)控系統(tǒng)結構

監(jiān)控系統(tǒng)硬件結構圖

供熱監(jiān)控系統(tǒng)設計—熱力站控制器連接熱力站控制器與現場設備連接結構圖供熱監(jiān)控系統(tǒng)設計—熱力站控制器功能熱力站控制器基本功能：供熱工況監(jiān)測數據通訊功能故障報警及處理供熱負荷的控制補水泵的控制PLC質調、量調回路控制圖

供熱監(jiān)控系統(tǒng)設計—監(jiān)控中心功能調度室監(jiān)控中心軟件界面有用戶登錄界面、工藝流程界面、供熱參數顯示、報警顯示界面、報表打印界面、實時趨勢、歷史趨勢界面和參數設定界面等。監(jiān)控中心軟件實現的功能主要：(1)供熱工況監(jiān)測：以直接顯示、趨勢圖和在線表格三種形式顯示過程參數(2)供熱參數設定：控制量的手動設定和控制參數的設定；(3)數據歸檔：供熱數據的短期歸檔和長期歸檔；(4)報警記錄：進行實時報警、歷史報警察看和報警記錄打印；(5)報表打印：班報表、日報表、月報表的顯示與打印。監(jiān)控中心軟件架構圖供熱監(jiān)控系統(tǒng)設計—監(jiān)控中心軟件結構供熱監(jiān)控系統(tǒng)設計—實時數據庫結構實時數據庫的體系結構圖

供熱監(jiān)控系統(tǒng)設計—GPRS數據采集流程GPRS無線通信方式數據采集流程供熱監(jiān)控系統(tǒng)設計—節(jié)能裝置供熱監(jiān)控系統(tǒng)設計—熱力站現場調試

供熱監(jiān)控系統(tǒng)設計—供熱節(jié)能效果分析

連續(xù)運行4個工作日，每日從7：00~19：00，每2小時進行手動和自動切換。手動方式按熱力站氣溫-供暖溫度參考表進行調節(jié)，自動方式按本文的節(jié)能策略進行控制。

供熱監(jiān)控系統(tǒng)設計—節(jié)能監(jiān)控裝置的技術檢驗

2009年4月3日黑龍江省節(jié)能監(jiān)測中心對裝置進行現場測試，并給出測試結果：裝置具備自動檢測、自動調節(jié)、自動報警功能，觸摸屏顯示主要運行參數和修改控制參數功能，通過GPRS實現控制裝置與調度中心無線通信功能，采用負荷預報實現裝置節(jié)能監(jiān)控功能；裝置達到的技術指標有負荷預報精度小于3.9%；二級網供水溫度靜差小于0.1℃；一級網供水流量超調量小于20%；溫度、流量和壓力等主要參數檢測精度小于1.5%；裝置節(jié)能率可在6%～13%進行調節(jié)，測試期間節(jié)能率為10.64%，標準熱用戶室內溫度變化范圍小于1℃。

課題來源及研究的目的和意義國內外研究現狀及分析主要研究內容

主要研究成果

發(fā)表學術論文及其它成果

結論本文以熱力站供熱控制系統(tǒng)為研究對象，應用現代信息分析處理和先進控制的方法，給出供熱節(jié)能的優(yōu)化控制策略。本文的理論創(chuàng)新歸納如下：提出將典型信號響應與最小二乘結合的供熱過程建模方法。采用典型信號響應曲線和最小二乘法相結合的建模方法對熱力站供熱系統(tǒng)進行建模。該方法能直接辨識出滯后時間參數，且不需要完整的建模曲線，其精度比常規(guī)方法有顯著提高。提出用最大熵理論預報非平穩(wěn)序列供熱負荷的方法。采用最大熵法對供熱非平穩(wěn)序列進行預報，使前、后向預報誤差的平均功率最小。該方法把供熱負荷的自相關函數進行了無限的外推，從而可以預測觀測區(qū)外的數據，克服了經典譜估計算法中加窗所帶來分辨率降低的弊端，既解決了非平穩(wěn)序列預報問題，又提高了預報精度。

結論(3)提出應用交叉序列與RBF神經網絡相結合的預報方法。將交叉預報思想引入RBF神經網絡負荷預報中，用縱向預報跟蹤用戶對負荷的需求，橫向預報跟蹤天氣的影響，通過對縱向和橫向預報結果進行加權得到交叉預報模型。該方法不但提高了預報精度，而且通過與BP神經網絡預報法進行比較，提高了預報的實時性。(4)提出應用時滯遞歸神經網絡進行質調量調回路非線性解耦的方法。采用時滯遞歸神經網絡進行質調量調通道的解耦，在神經網絡輸入信號中考慮系統(tǒng)的動態(tài)因素，并將輸入、輸出的滯后信號加到網絡輸入中，從而保證網絡的輸出含有先前的輸入、輸出信息。通過改進的假近鄰法辨識神經網絡的輸入維數，解決時間序列嵌入維數求取困難的問題。該方法計算量小，只需小樣本訓練數據，適合于實時控制的需要。(5)提出一種基于BP神經網絡和黃金分割法求解控制律的預測控制算法。針對供熱過程的非線性、時變、時滯等特性，將神經網絡預測控制引入到供熱質調回路控制中。用BP神經網絡建立對象預測模型，用一維黃金分割法尋找最佳控制量，仿真表明該方法能對供熱過程進行有效控制。課題來源及研究的目的和意義國內外研究現狀及分析主要研究內容

主要研究成果

發(fā)表學術論文及其它成果

發(fā)表學術論文情況

CHENLie,QIWei-gui,DENGSheng-chuan.Studyofheatloadforecastingbasedonthemaximumentropyprinciple.JOURNALOFXIDIANUNIVERSITY.2008,35(1):183~188

(EI:081211161607)LIECHEN,QIAO-LINGZHANG,WEI-GUIQI.HEATLOADPREDICTIONFORHEATSUPPLYSYSTEMBASEDONRBFNEURALNETWORKANDTIMESERIESCROSSOVER.ProceedingsoftheSeventhInternationalConferenceonMachineLearningandCybernetics.2008(EI:085211817018)QIWei-gui,CHENLie,ZHUXue-li.Studyonleastsquaremodelingofheatengineeringobjectbasedontypicalsignalresponse.JournalofHarbinInstituteofTechnology.2007,14(1):1~4(EI:071610557687)4.YONG-MINGZHANG