齐承英 贾萌 曹姗姗 孙春华 夏国强

摘要 供热系统通常通过调节热力站二次供水温度来满足热用户的需求。为了准确的获得二次供水温度的预测值，通过相关性分析和偏自相关分析确定预测模型的特征集；采用在线序列极限学习机（OS-ELM）、多元线性回归（MLR）、BP神经网络（BP）、支持向量回归（SVR）和极限学习机（ELM）模型进行短期二次供水温度的预测。对天津市某热力站的应用结果表明：预测特征集为室外温度和前28 h的历史二次供水温度数据；在训练样本容量较少和跨供暖季应用两种情况下，OS-ELM预测精度均最高，MAPE值分别为1.55%和0.47%。

关 键 词 热力站；二次供水温度预测；OS-ELM；特征集；样本容量

中图分类号 TU833     文献标志码 A

文章编号：1007-2373（2023）03-0076-07

DOI：10.14081/j.cnki.hgdxb.2023.03.008

Comparison study of several prediction models of secondary supply water temperature in district heating thermal stations

QI Chengying， JIA Meng， CAO Shanshan， SUN Chunhua， XIA Guoqiang

（School of Energy and Environmental Engineering， Hebei University of Technology， Tianjin 300401， China）

Abstract In order to meet heat usersvarying demand， adjusting the secondary supply water temperature （SSWT） in thermal station is commonly used in district heating system. In order to obtain accurate prediction of SSWT， this study conducts correlation analysis and partial autocorrelation analysis to decide the feature set of prediction model. Online sequential extreme learning machine （OS-ELM）， multiple linear regression （MLR）， BP neural network （BP）， support vector regression （SVR） and extreme learning machine （ELM） are used to predict short-term SSWT. The proposed method is applied in a thermal station in Tianjin. The results show that the feature set of SSWT prediction are outdoor temperature and historical SSWT in the previous 28 h. When the training sample size is small or cross heating seasons application， the OS-ELM model has the highest prediction accuracy， with MAPE values of 1.55% and 0.47%， respectively.

Key words thermal station; secondary supply temperature prediction; OS-ELM; feature set; sample size

0 引言

目前，我國集中供热系统的调控技术还不够完善，经常出现气温高时用户端过热，低温天气热量不足的情况[1]。为实现供需平衡，集中供热系统需要精细化调控。调节二次供水温度是供热系统精细化调控的重要部分，科学合理的二次供水温度预测十分必要。

现有研究通过挖掘供热系统的大量运行数据来实现二次供水温度的预测。其中刘庆堂等[2]建立了供热参数与室外温度的线性回归和BP神经网络预测模型，用200组数据进行了训练，平均绝对误差均小于3%。卜云婷等[3]采用GA-RBF神经网络对供热中期热力站二次供水温度进行短期预测，预测精度基本保持在1%左右。胡江涛等[4]将500组供水温度、室内温度、室外温度、太阳辐照度等数据作为训练集，利用BP和Elman神经网络预测的供水温度最大相对误差分别为5.66%、4.32%。……