1. На главную
  2. Электронные версии
  3. Теплоэнергетика
  4. № 4, 2024

Теплоэнергетика, 2024, № 4, стр. 82-88

Прогнозирование тепловой нагрузки систем централизованного теплоснабжения на основе SCSO-TCN

M. Gong a, *, C. Han a, J. Sun a, Y. Zhao a, S. Li b, c, W. Xu c, d

a School of Integrated Circuit Science and Engineering, Tianjin University of Technology
300384 Tianjin, Xiqing District, No. 391 Bin Shui Xi Dao Road, China

b Tianjin University
300072 Tianjin, Nankai District, Beiyang Ave, China

c Sea Island Environment Science and Technology Research Institute (Tianjin) Co., Ltd
300072 Tianjin, Nankai District, North Side of Anshan West Road Middle Section, Hetong Building, China

d Institute of Marine Energy and Intelligent Construction, Tianjin University of Technology
300384 Tianjin, Xiqing District, No. 391 Bin Shui Xi Dao Road, China

* E-mail: gmj790@163.com

Поступила в редакцию 30.08.2022
После доработки 25.12.2022
Принята к публикации 25.01.2023

Аннотация

Прогнозирование тепловой нагрузки играет важнейшую роль в регулировании систем централизованного теплоснабжения (СЦТ). Для этого часто используется алгоритм глубокого машинного обучения – временнáя сверточная сеть (the temporal convolutional network – TCN). Однако для настройки TCN требуется довольно много гиперпараметров. Ручная настройка временных сверточных сетей неэффективна. В настоящей работе предлагается гибридная модель, основанная на так называемой оптимизации стаи барханных (песчаных) котов (sand cat swarm optimization – SCSO) и TCN (SCSO-TCN). В этой модели для оптимизации используются следующие гиперпараметры: число фильтров, размеры фильтра, процент отсева и размер партии. Для проверки эффективности модели SCSO-TCN ее сравнивали с двумя другими гибридными моделями: оптимизацией роя частиц (particle swarm optimization – PSO) с TCN (PSO-TCN) и алгоритмом поиска воробья (sparrow search algorithm – SSA) с TCN (SSA-TCN). Для тестовых расчетов использовались данные о тепловой нагрузке трех тепловых пунктов, расположенных в г. Тяньцзин (Китай). Результаты расчетов показывают, что гибридная модель SCSO-TCN имеет более высокую точность прогнозирования и лучшую способность к обобщению, чем модели PSO-TCN и SSA-TCN.

Ключевые слова: прогнозирование тепловой нагрузки, регулирование тепловой нагрузки, система централизованного теплоснабжения, построение модели, глубокое обучение, временные сверточные сети, оптимизация стаи барханных (песчаных) котов [роевая оптимизация алгоритмов по принципу охоты барханных (песчаных) котов]

Список литературы

  1. Load forecasting of district heating system based on Informer / M.J. Gong, Y. Zhao, J.W. Sun, C.T. Han, G.N. Sun, B. Yan // Energy. 2022. V. 253. P. 124179. https://doi.org/10.1016/j.energy.2022.124179

  2. Lake A., Rezaie B., Beyerlein S. Review of district heating and cooling systems for a sustainable future // Renewable Sustainable Energy Rev. 2017. V. 67. P. 417–425. https://doi.org/10.1016/j.rser.2016.09.061

  3. A survey of district heating systems in the heating regions of Northern China / X. Xu, S.J. You, X.J. Zheng, H. Li // Energy. 2014. V. 77. P. 909–925. https://doi.org/10.1016/j.energy.2014.09.078

  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. Analysis and evaluation of the operation data for achieving an on-demand heating consumption prediction model of district heating substation / J.J. Yuan, Z.H. Zhou, K. Huang, Z. Han, C.D. Wang, S.L. Lu // Energy. 2021. V. 214. P. 118877. https://doi.org/10.1016/j.energy.2020.118872

  6. 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

  7. 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. 2016. V. 179. P. 544–552. https://doi.org/10.1016/j.apenergy.2016.06.133

  8. Forecasting of consumers heat load in district heating systems using the support vector machine with a discrete wavelet transform algorithm / M. Protic, S. Shamshirband, D. Petkovic, A. Abbasi, M.L.M. Kiah, J.A. Unar, L. Zivkovic, M. Raos // Energy. 2015. V. 87. P. 343–351. https://doi.org/10.1016/j.energy.2015.04.109

  9. 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

  10. Prediction of heating 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

  11. 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

  12. Heat demand forecasting algorithm for a Warsaw district heating network / T. Kurek, A. Bielecki, K. Swirski, K. Wojdan, M. Guzek, J. Bialek, R. Brzozowski, R. Serafin // Energy. 2021. V. 217. P. 119347. https://doi.org/10.1016/j.energy.2020.119347

  13. Yabanova I., Kecebas A. Development of ANN model for geothermal district heating system and a novel PID-based control strategy // Appl. Therm. Eng. 2013. V. 51. Is. 1–2. P. 908–916. https://doi.org/10.1016/j.applthermaleng.2012.10.044

  14. 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. S1355–S1365. https://doi.org/10.2298/TSCI16S5355S

  15. 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

  16. 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

  17. 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

  18. 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

  19. 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

  20. 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

  21. Hourly heat load prediction model based on temporal convolutional neural network / J.C. Song, G.X. Xue, X.H. Pan, Y.P. Ma, H. Li // IEEE Access. 2020. V. 8. P. 16726–16741. https://doi.org/10.1109/access.2020.2968536

  22. 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. Inform. 2020. V. 16. Is. 12. P. 7743–7755. https://doi.org/10.1109/tii.2020.2970165

  23. Medium-term heat load prediction for an existing residential building based on a wireless on-off control system / J.H. Gu, J. Wang, C.Y. Qi, C.H. Min, B. Sunden // Energy. 2018. V. 152. P. 709–718. https://doi.org/10.1016/j.energy.2018.03.179

  24. Wang M., Tian Q. Dynamic heat supply prediction using support vector regression optimized by particle swarm optimization algorithm // Math. Probl. Eng. 2016. V. 2016. Article ID 3968324. https://doi.org/10.1155/2016/3968324

  25. 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

  26. Barman M., Choudhury N.B.D., Sutradhar S. A regional hybrid GOA-SVM 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

  27. Seyyedabbasi A., Kiani F. Sand Cat swarm optimization: a nature-inspired algorithm to solve global optimization problems // Eng. Comput. 2023. V. 39. P. 2627–2651. https://doi.org/10.1007/s00366-022-01604-x

  28. Прогнозирование тепловой нагрузки для систем централизованного теплоснабжения с помощью моделей TCN и CatBoost / C. Han, M. Gong, J. Sun, Y. Zhao, L. Jing, C. Dong, Z. Zhao // Теплоэнергетика. 2023. № 9. С. 97–105. https://doi.org/10.56304/S0040363623090047

  29. Statistical analysis of energy consumption patterns on the heat demand of buildings in district heating systems / Z.Y. Ma, H.L. Li, Q. Sun, C. Wang, A.B. Yan, F. Starfelt // Energy Build. 2014. V. 85. P. 464–472. https://doi.org/10.1016/j.enbuild.2014.09.048

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Теплоэнергетика

Архивы выпусков Информация о журнале Отправить рукопись в журнал