1. На главную
  2. Электронные версии
  3. Теплоэнергетика
  4. № 9, 2023

Теплоэнергетика, 2023, № 9, стр. 97-105

Прогнозирование тепловой нагрузки для систем централизованного теплоснабжения с помощью моделей TCN и CatBoost

C. Han a, M. Gong a, *, J. Sun a, Y. Zhao a, L. Jing a, C. Dong b, Z. Zhao c

a Tianjin Key Laboratory of Film Electronic and Communication Devices, School of Integrated Circuit Science and Engineering, Tianjin University of Technology
300384 Tianjin, China

b School of Computer Science and Engineering, Tianjin University of Technology
300384 Tianjin, China

c School of Social Sciences, Waseda University
Tokyo, Japan

* E-mail: gmj790@163.com

Поступила в редакцию 10.07.2022
После доработки 08.08.2022
Принята к публикации 30.08.2022

Аннотация

Для производства тепла и улучшения управления системами централизованного теплоснабжения (СЦТ) требуется точное прогнозирование тепловой нагрузки. Составить более достоверный прогноз можно с помощью наиболее передовых технологий. В настоящей статье для получения прогнозных данных о тепловой нагрузке СЦТ предложено использовать современные модели машинного обучения: временну́ю сверточную сеть (temporal convolutional network – TCN) и категориальное повышение градиента (categorical boosting – CatBoost). Для проверки и сравнения работы моделей прогнозирования тепловой нагрузки TCN и CatBoost были выбраны две дополнительные показательные модели – дерево решений и множественная линейная регрессия. В качестве обучающего кейса для моделей использовались данные о тепловой нагрузке СЦТ в Тяньцзине (Китай). В качестве входных параметров для моделей выбирались две статистические рабочие характеристики (суточная и часовая тепловые нагрузки) СЦТ и четыре метеорологические (температура и относительная влажность наружного воздуха, скорость ветра и индекс качества воздуха). Представлены и проанализированы результаты прогноза по каждой из обученных моделей. Итоги расчетных экспериментов показали, что прогноз, полученный с помощью TCN и CatBoost, оказался более точным, чем с использованием классических моделей, при том что моделирование с CatBoost является более простым. Следовательно, методы TCN и CatBoost применимы для прогнозирования тепловой нагрузки СЦТ.

Ключевые слова: прогнозирование тепловой нагрузки, система централизованного теплоснабжения, CatBoost, TCN, дерево решений, линейная регрессия, глубокое обучение, машинное обучение, модель прогноза временного ряда

Список литературы

  1. Case study on industrial surplus heat of steel plants for district heating in Northern China / Y.M. Li, J.J. Xia, H. Fang, Y.B. Su, Y. Jiang // Energy. 2016. V. 102. P. 397–405. https://doi.org/10.1016/j.energy.2016.02.105

  2. Heat roadmap China: new heat strategy to reduce energy consumption towards 2030 / W. Xiong, Y. Wang, B.V. Mathiesen, H. Lund, X. Zhang // Energy. 2015. V. 81. P. 274–285. https://doi.org/10.1016/j.energy.2014.12.039

  3. Smart energy systems and 4th generation district heating / H. Lund, N. Duic, P.A. Østergaard, B.V. Mathiesen // Energy. 2016. V. 110. P. 1–4. https://doi.org/10.1016/j.energy.2016.07.105

  4. The status of 4th generation district heating: research and results / H. Lund, P.A. Ostergaard, M. Chang, S. Werner, S. Svendsen, P. Sorknaes, J.E. Thorsen, F. Hvelplund, B.O.G. Mortensen, B.V. Mathiesen, C. Bojesen, N. Duic, X.L. Zhang, B. Moller // Energy. 2018. V. 164. P. 147–159. https://doi.org/10.1016/j.energy.2018.08.206

  5. Li X.W., Wen J. Review of building energy modeling for control and operation // Renewable Sustainable Energy Rev. 2014. V. 37. P. 517–537. https://doi.org/10.1016/j.rser.2014.05.056

  6. Cao J.L., Liu J., Man X.X. A united WRF/TRNSYS method for estimating the heating/cooling load for the thousand-meter scale megatall buildings // Appl. Therm. Eng. 2017. V. 114. P. 196–210. https://doi.org/10.1016/j.applthermaleng.2016.11.195

  7. Applied machine learning: forecasting heat load in district heating system // S. Idowu, S. Saguna, C. Ahlund, O. Schelen // Energy Build. 2016. V. 133. P. 478–488. https://doi.org/10.1016/j.enbuild.2016.09.068

  8. Huang S.J., Shih K.R. Short-term load forecasting via ARMA model identification including non-Gaussian process considerations // IEEE Trans. Power Syst. 2003. V. 18. Is. 2. P. 673–679. https://doi.org/10.1109/tpwrs.2003.811010

  9. Fang T.T., Lahdelma R. Evaluation of a multiple linear regression model and SARIMA model in forecasting heat demand for district heating system // Appl. Energy. 2916. V. 179. P. 544–552. https://doi.org/10.1016/j.apenergy.2016.06.133

  10. Prediction of heat load in district heating systems by support vector machine with firefly searching algorithm / E.T. Al-Shammari, A. Keivani, S. Shamshirband, A. Mostafaeipour, P.L. Yee, D. Petkovic, S. Ch // Energy. 2016. V. 95. P. 266–273. https://doi.org/10.1016/j.energy.2015.11.079

  11. Barman M., Choudhury N.B.D., Sutradhar S. A regional hybrid GOASVM model based on similar day approach for short-term load forecasting in Assam, India // Energy. 2018. V. 145. P. 710–720. https://doi.org/10.1016/j.energy.2017.12.156

  12. Prediction of heat load fluctuation based on fuzzy information granulation and support vector machine / T. Wang, T.Y. Ma, D.S. Yan, J. Song, J.S. Hu, G.Y. Zhang, Y.H. Zhuang // Therm. Sci. 2021. V. 25. Is. 5. P. 3219–3228. https://doi.org/10.2298/tsci200529307w

  13. Appraisal of soft computing methods for short term consumers’ heat load prediction in district heating systems / M. Protic, S. Shamshirband, M.H. Anisi, D. Petkovic, D. Mitic, M. Raos, M. Arif, K.A. Alam // Energy. 2015. V. 82. P. 697–704. https://doi.org/10.1016/j.energy.2015.01.079

  14. Koschwitz D., Frisch J., van Treeck C. Data-driven heating and cooling load predictions for non-residential buildings based on support vector machine regression and NARX recurrent neural network: A comparative study on district scale // Energy. 2018. V. 165. P. 134–142. https://doi.org/10.1016/j.energy.2018.09.068

  15. GMM clustering for heating load patterns in-depth identification and prediction model accuracy improvement of district heating system / Y. Lu, Z. Tian, P. Peng, J. Niu, W. Li, H. Zhang // Energy Build. 2019. V. 190. P. 49–60. https://doi.org/10.1016/j.enbuild.2019.02.014

  16. Heat load prediction of small district heating system using artificial neural networks / M.B. Simonovic, V.D. Nikolic, E.P. Petrovic, I.T. Ciric // Therm. Sci. 2016. V. 20. P. 1355–1365. https://doi.org/10.2298/TSCI16S5355S

  17. Multi-step ahead forecasting of heat load in district heating systems using machine learning algorithms / P.N. Xue, Y. Jiang, Z.G. Zhou, X. Chen, X.M. Fang, J. Liu // Energy. 2019. V. 188. P. 116085. https://doi.org/10.1016/j.energy.2019.116085

  18. Prediction of residential district heating load based on machine learning: A case study / Z.Q. Wei, T.W. Zhang, B. Yue, Y.X. Ding, R. Xiao, R.Z. Wang, X.Q. Zhai // Energy. 2021. V. 231. P. 120950. https://doi.org/10.1016/j.energy.2021.120950

  19. Heating and cooling loads forecasting for residential buildings based on hybrid machine learning applications: A comprehensive review and comparative analysis / A. Moradzadeh, B. Mohammadi-Ivatloo, M. Abapour, A. Anvari-Moghaddam, S.S. Roy // IEEE Access. 2022. V. 10. P. 2196–2215. https://doi.org/10.1109/access.2021.3136091

  20. Operational thermal load forecasting in district heating networks using machine learning and expert advice // D. Geysen, O. de Somer, C. Johansson, J. Brage, D. Vanhoudt // Energy Build. 20218. V. 162. P. 144–153. https://doi.org/10.1016/j.enbuild.2017.12.042

  21. Dahl M., Brun A., Andresen G.B. Using ensemble weather predictions in district heating operation and load forecasting // Appl. Energy. 2017. V. 193. P. 455–465. https://doi.org/10.1016/j.apenergy.2017.02.066

  22. Heat load prediction of residential buildings based on discrete wavelet transform and tree-based ensemble learning / M.J. Gong, J. Wang, Y. Bai, B. Li, L. Zhang // J. Build. Eng. 2020. V. 32. P. 101455. https://doi.org/10.1016/j.jobe.2020.101455

  23. Eseye A.T., Lehtonen M. Short-term forecasting of heat demand of buildings for efficient and optimal energy management based on integrated machine learning models // IEEE Trans. Ind. Informatics. 2020. V. 16. Is. 12. P. 7743–7755. https://doi.org/10.1109/tii.2020.2970165

  24. Appraisal of the support vector machine to forecast residential heating demand for the district heating system based on the monthly overall natural gas consumption // N. Izadyar, H. Ghadamian, H.C. Ong, Z. Moghadam, C.W. Tong, S. Shamshirband // Energy. 2015. V. 93. P. 1558–1567. https://doi.org/10.1016/j.energy.2015.10.015

  25. Wu D.Z., Foong L.K., Lyu Z.J. Two neural-metaheuristic techniques based on vortex search and backtracking search algorithms for predicting the heating load of residential buildings // Eng. Computers. 2022. V. 38. Is. 1. P. 647–660. https://doi.org/10.1007/s00366-020-01074-z

  26. District heating systems load forecasting: a deep neural networks model based on similar day approach / M. Gong, H. Zhou, Q. Wang, S. Wang, P. Yang // Adv. Build. Energy Res. 2020. V. 14. Is. 3. P. 372–388. https://doi.org/10.1080/17512549.2019.1607777

  27. Heating load forecasting for combined heat and power plants via strand-based LSTM / J.Y. Liu, X. Wang, Y. Zhao, B. Dong, K. Lu, R.R. Wang // IEEE Access. 2020. V. 8. P. 33360–33369. https://doi.org/10.1109/access.2020.2972303

  28. A comprehensive thermal load forecasting analysis based on machine learning algorithms / S. Leiprecht, F. Behrens, T. Faber, M. Finkenrath // Energy Rep. 2021. V. 7. P. 319–326. https://doi.org/10.1016/j.egyr.2021.08.140

  29. Bai S., Kolter J.Z., Koltun V.J. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling. 2018. https://doi.org/10.48550/arXiv.1803.01271

  30. CatBoost: unbiased boosting with categorical features / L. Prokhorenkova, G. Gusev, A. Vorobev, A.V. Dorogush, A.J.A. Gulin. 20218. V. 31.

Дополнительные материалы отсутствуют.

Инструменты

предыдущая статья выпуска содержание выпуска

Теплоэнергетика

Архивы выпусков Информация о журнале Отправить рукопись в журнал