油田热水供暖系统热负荷智能预测技术研究
|
摘要
本文就油田热水供暖系统热负荷智能预测技术进行了较深入的研究。首先,分析了研究油田热水供暖系统热负荷智能预测技术的现实意义和必要性,介绍了供热参数辨识领域的主要研究方法；接下来,系统阐述了供热运行调节的理论基础及主要调节方式；通过分析总结前人的经验与不足,在供热运行调节理论的指导下,提出了本文的热负荷预测方法。
第一,对数据提取技术进行了研究。采用WebService技术编写数据访问接口程序,自动实时提取天气预报数据和各整点天气实况数据,为供热运行调节提供依据；采用C#.Net组件技术编写数据访问接口程序,供热运行实时数据采集系统中定时提取供热运行参数的实测数据,以便随时掌握供热系统的运行状况。
第二,建立室外温度日变化模型。室外温度变化模型的建立是进行热负荷预测的前提和基础。该模型根据当天天气预报数据、历史气温变化规律、日出日落时间等因素确定若干个关键时刻的气温值,然后采用三次样条插值的方法预测全天的气温变化。
第三,提出一种基于最小二乘法的热负荷参数预测方法。假定室外气温变化模型已建立,供热系统的设计热指标及供热网的实际参数已设定。通过整理分析历史供热运行数据(其中包括室外温度、出口温度、回水温度、出口流量、回水流量等),采用最小二乘法找出供水温度、回水温度、室外温度及流量之间的函数关系,建立供回水温度预测模型。
第四,提出一种基于BP神经网络的热负荷预测方法。针对区域供热系统的特点,在对三层BP神经网络算法分析的基础上,结合该项目的实测数据,建立了完整的供热系统参数模型。
第五,提出一种基于小波神经网络热负荷参数预测方法,针对实际供热情况,在对小波神经网络算法分析的基础上,结合项目实测数据,建立了完整高效的热负荷参数模型,充分发挥了小波神经网络的众多优点。
最后,提出一种基于改进粒子群算法的热负荷组合预测方法,在充分发挥了改进粒子群算法的优势下,通过对前三种单项预测模型的在组合预测模型中权重的计算,,建立了基于改进粒子群算法的热负荷组合预测模型。
This article makes an intensive research on the intelligent forecasting technology of heat load of oilfield hot water heating system. first, the practical significance and necessity of the intelligent forecasting technology of heat load of oilfield hot water heating system,and the main research methods in the field of heating parameter identification are introduced; then, the theoretical basis and ways of control and regulation of heat supply are formulated; finally, this article puts forward a heat load forecasting technique, guided by the theory of control and regulation of heating operation, through analyzing previous experiences and shortcomings.
The first, the data fetching technique is studied. Data interface program is programmed by using WebService, automatically and real-timely acquiring weather forecasts data and hourly actual weather data, to provide a basis for heating conditioning; data interface program is programmed by using C#.Net components, acquiring data of heating operational parameter regularly by real-time data fetching system, in order to know the operation conditions of heating system anytime.
The second, an outdoor air temperature daily variation model is built, which is the precondition and basis of heat load forecasting. The model determines several temperature values at some critical moments, according to such factors as weather forecasting data of the present day, the historical change law of air temperature, and the time of sunrise and sunset etc, and employs cubic spline interpolation to forecast the temperature variation of the whole day.
The third, a heating parameter forecasting method is come up with on the basis of method of least square. Supposed that the outdoor temperature variation model has been established, and the designed thermal parameter and the actual parameter of heating system have been set, through analyzing historical heating operation data (including, out let flow, return water flow etc.), employing the method of least square to find out the functions between outlet temperature, temperature of return water, outdoor temperature and water flow, the model to forecast the temperature of water supply and return water is established.
The fourth, this article puts forward a heating parameter forecasting method on the basis of BP neural network. In view of characteristics of district heating system, on the basis of analysis of the three-layer BP neural network arithmetic, combined with the measurement data from the project, a complete heating system parameter model is established.
The fifth, this article puts forward a heating parameter forecasting method on the basis of wavelet neural network. For the case of the actual heating, on the basis of analysis of the wavelet neural network arithmetic, combined with the measurement data from the project, a complete heating system parameter model is established, taking advantage of the strengths of wavelet neural network.
Finally, a combination forecasting method of heat load is come up with on the basis of improved PSO, by advantaging into full play improved PSO, calculating the weight of the first three models in combination forecasting model, a combination forecasting method of heat load on the basis of improved PSO is established
第一,对数据提取技术进行了研究。采用WebService技术编写数据访问接口程序,自动实时提取天气预报数据和各整点天气实况数据,为供热运行调节提供依据；采用C#.Net组件技术编写数据访问接口程序,供热运行实时数据采集系统中定时提取供热运行参数的实测数据,以便随时掌握供热系统的运行状况。
第二,建立室外温度日变化模型。室外温度变化模型的建立是进行热负荷预测的前提和基础。该模型根据当天天气预报数据、历史气温变化规律、日出日落时间等因素确定若干个关键时刻的气温值,然后采用三次样条插值的方法预测全天的气温变化。
第三,提出一种基于最小二乘法的热负荷参数预测方法。假定室外气温变化模型已建立,供热系统的设计热指标及供热网的实际参数已设定。通过整理分析历史供热运行数据(其中包括室外温度、出口温度、回水温度、出口流量、回水流量等),采用最小二乘法找出供水温度、回水温度、室外温度及流量之间的函数关系,建立供回水温度预测模型。
第四,提出一种基于BP神经网络的热负荷预测方法。针对区域供热系统的特点,在对三层BP神经网络算法分析的基础上,结合该项目的实测数据,建立了完整的供热系统参数模型。
第五,提出一种基于小波神经网络热负荷参数预测方法,针对实际供热情况,在对小波神经网络算法分析的基础上,结合项目实测数据,建立了完整高效的热负荷参数模型,充分发挥了小波神经网络的众多优点。
最后,提出一种基于改进粒子群算法的热负荷组合预测方法,在充分发挥了改进粒子群算法的优势下,通过对前三种单项预测模型的在组合预测模型中权重的计算,,建立了基于改进粒子群算法的热负荷组合预测模型。
This article makes an intensive research on the intelligent forecasting technology of heat load of oilfield hot water heating system. first, the practical significance and necessity of the intelligent forecasting technology of heat load of oilfield hot water heating system,and the main research methods in the field of heating parameter identification are introduced; then, the theoretical basis and ways of control and regulation of heat supply are formulated; finally, this article puts forward a heat load forecasting technique, guided by the theory of control and regulation of heating operation, through analyzing previous experiences and shortcomings.
The first, the data fetching technique is studied. Data interface program is programmed by using WebService, automatically and real-timely acquiring weather forecasts data and hourly actual weather data, to provide a basis for heating conditioning; data interface program is programmed by using C#.Net components, acquiring data of heating operational parameter regularly by real-time data fetching system, in order to know the operation conditions of heating system anytime.
The second, an outdoor air temperature daily variation model is built, which is the precondition and basis of heat load forecasting. The model determines several temperature values at some critical moments, according to such factors as weather forecasting data of the present day, the historical change law of air temperature, and the time of sunrise and sunset etc, and employs cubic spline interpolation to forecast the temperature variation of the whole day.
The third, a heating parameter forecasting method is come up with on the basis of method of least square. Supposed that the outdoor temperature variation model has been established, and the designed thermal parameter and the actual parameter of heating system have been set, through analyzing historical heating operation data (including, out let flow, return water flow etc.), employing the method of least square to find out the functions between outlet temperature, temperature of return water, outdoor temperature and water flow, the model to forecast the temperature of water supply and return water is established.
The fourth, this article puts forward a heating parameter forecasting method on the basis of BP neural network. In view of characteristics of district heating system, on the basis of analysis of the three-layer BP neural network arithmetic, combined with the measurement data from the project, a complete heating system parameter model is established.
The fifth, this article puts forward a heating parameter forecasting method on the basis of wavelet neural network. For the case of the actual heating, on the basis of analysis of the wavelet neural network arithmetic, combined with the measurement data from the project, a complete heating system parameter model is established, taking advantage of the strengths of wavelet neural network.
Finally, a combination forecasting method of heat load is come up with on the basis of improved PSO, by advantaging into full play improved PSO, calculating the weight of the first three models in combination forecasting model, a combination forecasting method of heat load on the basis of improved PSO is established
引文
[1]康胜文.两种热负荷预测方法的比较[J].区域供热,2004,(2)：22-24.
[2]单晓平.集中供热系统按建筑分时供暖力法[J].辽宁科技大学学报,2009(5)：502-504.
[3]张宏涛,祁静.热负荷预测的RBF神经网络预测方法研究[J].节能技术,2004,22(4)： 57-58.
[4]秦绪忠,江亿.基于遗传算法的环形供热网可及性分析[J].清华大学学报(自然科学版),1999,39(6)：90-94.
[5]郝有志,李德英.热负荷预测方法评析[J].建筑热能通风空调,2003(1)：26-27.
[6]文新辉.时间序列神经网络预测方法[J].电子科学学刊,1994(5)：13-16.
[7]时正义,孙晓夫等.关于用热计量收费与供热商品化的思考[J].区域供热.2001(2)：9-10、20.
[8]赵建成.适合计量收费的各种供暖方案[J].暖通空调,1999,29(1)：12-15.
[9]江亿.集中供热网控制调节策略的讨论[J].区域供热,1997(2)：10-14.
[10]Lee K. Y, Cha Y. T, Park J H. Short term load forecasting using an Artificial Neural Network [J]. IEEE Trans on Power System,1992,7(1):124-130.
[11]康重庆,夏清等.应用于短期负荷预测中的回归分析的特殊问题[J].电力系统自动化,1998(7)：34-37.
[12]狄洪发,陈盛,江亿.供暖收费与热网调节[J].区域供热,2000(5)：4-5.
[13]胡文斌,杨昌智,孙一坚.短期供热负荷的灰色拓扑预测[J].煤气与热力,1998,19(3)：51-54.
[14]刘维生.基于模糊神经网络控制的供热系统[J].唐山师范学院学报,2010(2)：59-62.
[15]王宝杰,岳大鹏.热水供暖系统的设计与运行调节[J].辽宁工学院学报,1998(3)：86-87.
[16]马志彪.供热系统调试与运行[M].中国建筑工业出版社,2005.
[17]贺平,李英才.供热工程[M].中国建筑工业出版社,1991.
[18]赵岩,路广发,杜成华.工业锅炉与供热网络技术[M].哈尔滨地图出版社,2006：129-144.
[19]陈强,卢洪刚.热水供暖系统的水力调节[J].科学技术与工程,2005(18)：1287-1289.
[20]王绍武,罗勇,闻新宇,等.近千年全球温度变化研究的新进展[J].气候变化研究进展,2007,3(1)：14-19.
[21]Crowley T J. Causes of climate changes over the past 1000 years [J]. Science, 2000,289:270-277.
[22]刘健,Hans yon Storch,陈星等.近千年全球气候变化的长积分模拟试验[J].地球科学进展,2005,20(5)：561-567.
[23]谢静芳,金顺梅.长春市不同天气条件下的气温日变化特征分析[J].吉林气象,2003(4).
[24]Jones P D, Mann M E. Climate over past millennia[J]. Reviews of Geophysics, 2004,42:142.
[25]毕鸣,王绍武.近百年气候变化模拟以及宋来50年气候变化预测[c].气候变化规律及其数值模拟研究论文(第三集).北京：气象出版社,1996：124-136.
[26]王国安,米鸿涛,邓天宏等.太阳高度角和日出日落时刻太阳方位角年变化范围的计算[J].气象与环境科学(第30卷增刊),2007,09.
[27]西安建筑科技大学.建筑物理[M].3版.北京：中国建筑工业出版社,2004.
[28]中国气象局.地面气象观测规范[S].北京：气象出版社,2003：133.
[29]张继祥,刘克长,魏钦平,束怀瑞.气象要素(气温、太阳辐射、风速和相对湿度)日变化进程的数理模拟[J].山东农业大学学报,2002,33(2)：179-183.
[30]IBM Web Service Architecture Team. Web Service Architecture Overview [Z]. The Next Stage Evolution for e-business, http:www-106.Ibm.com /developerworks/web/library/wovr/2001,02.
[31]王艳峰,王峰,金键等.Web Service的资源中介—UDDI注册中心介绍[Z]. CNNIC技术部,http://www.cnnic.net.cn/resource/daily/2003-11/4.pdf.
[32]林成森.数值计算方法[M].北京：科学出版社,1997：152-164.
[33]张诚坚.计算方法[M].北京：高等教育出版社,1999：77-81.
[34]崔国华.计算方法[M].武汉：华中理工大学出版社,1996：39-43.
[35]吴大为.数值实验方法[M].北京：化学工业出版社,2000：61-72.
[36]郭竹瑞.关于三次样条函数导数的界值[J].数学学报,1974,(4)：234-241.
[37]陈翰麟.三次样条函数的误差阶[J].应用数学学报,1978,1(1)：42-58.
[38]陈天平.广义样条函数[J].科学通报,1982(13)：771-773.
[39]周伟军,马柏林,徐景实.一类带半(0,N)核算子的交换子在Hardy型空间上的弱型估计[J].湘潭大学自然科学学报,2003(2)：5-9.
[40]沙震,吴正昌.四阶A插值样条的逼近度和渐进式[J].数学研究与评论,1983,(3)：99-108.
[41]王兴波,钟志华.求解周期性三对角方程组的广义Thomas算法[J].计算力学学报.2004(1)：73-76.
[42]刘晓,李文强.追赶法在求解循环和拟循环三对角方程组中的一种推广[J].河南师范大学学报：自然科学版,2009(1)：13-16.
[43]李青,王能超.解循环三对角线性方程组的追赶法[J].小型微型计算机系统.2002,23(11)：1393-1395.
[44]迟利华,刘杰,李晓梅.三对角线性方程组的一种有效并行算法[J].计算机学报.1999(2)：218-321.
[45]刘培华,李维国,董彩云.并行求解周期性三对角方程组的谢一莫方法[J].计算力学学报,2006(5)：606-610.
[46]华中理工大学数学系.计算方法[M].高等教育出版社,2004(02).
[47]周恩泽,方修睦.供暖热水锅炉房的热负荷预测[J].哈尔滨建筑大学学报,2000,33(3).
[48]阎平凡,张长水.人工神经网络与模拟进化计算[M].第二版.北京：清华大学出版社,2005：1-5.
[49]LiMin F. An Expert Network for DNA Sequence Analysis[J]. IEEE Intelligent Systems, Jan./Fab.,1999:65-71.
[50]Kung S Y, et al. Neural Networks for Intelligent Mutimedia Processing[J]. Proc IEEE,1998,86:1244-1272.
[51]Special Issue on NN for Data Mining and Knowledge Discovery [J]. IEEE Trans NN,2000,11(3).
[52]Tsukinetu H. Exraction Rules for Trained Neural Networks [J]. IEEE Trans NN,2000,11(2):377-389.
[53]Special Issue on NN Application in Astronmy[J]. Geoscience. Neural Networks, 2003,16(3-4).
[54]冯定.神经网络专家系统[M].北京：科学出版社,2006：23-29.
[55]韩力群.人工神经网络理论、设计及应用[M].第二版北京：化学工业出版社,2007：4-9,43-51.
[56]张艳.基于BP算法和遗传算法的自适应噪声抵消器[D].吉林大学硕士学位论文.2004：23-30.
[57]朱大奇.人工神经网络研究现状及其展望[J].江南大学学报.2004,1：103-110.
[58]魏海坤,徐嗣鑫,宋文忠.神经网络的泛化理论和泛化方法[J].自动化学报.2001,6：806-815.
[59]Haykin S.神经网络原理[M].北京：机械工业出版社,2004.
[60]高隽.人工神经网络原理及仿真实例[M].第一版.北京：机械工业出版社,2003,1-6.
[61]王永骥,涂健.神经网络控制[M].第一版.北京：机械工业出版社,1998.
[62]Simon Haykin.神经网络原理[M].第二版.北京：机械工业出版社,2004.
[63]远祯,罗波.BP神经网络的改进研究[J].信息技术,2006：88-91.
[64]李联友,陈忠海,李德英等.分户计量供热系统调节方法分析[J].暖通空调,2004,34(1)：82-84.
[65]范春年,傅德胜.用神经网络方法进行气象温度预测[J].计算机应用与软件,2004, 21(3)：108-110.
[66]刘剑,杨勇,邱庆刚基于神经网络的热力站换热器系统的预测控制[J].节能,2007,26(12)： 28-30.
[67]Zhang X, Qi J, Zhang R, Liu M, Hu Z, Xue H et al. Prediction of programmed-temperature retention values of naphtha by wavelet neural network[J]. Computers and Chemistry,2001,25(2):125-133.
[68]Zhang Q, Benveniste A. Wavelet networks [J]. IEEE Transaction on Neural Netok, 1992,3(6):889-898.
[69]林伯强.中国能源需求的经济计量分析.统计研究,2001,10：34-39.
[70]朱云芳,戴朝华,付攀.小波神经网络及其在故障诊断中的应用[J].计测技术,2004(7)：31-32.
[71]Aminian M, Aminian F. Neural-network based analog-circuit fault diagnosis using wavelet transform as preprocessor[J]. IEEE transactions on circuits and systems.2, Analog and digital signal processing,2000,47(2):151-156.
[72]Farzan Aminian. Analog Fault Diagnosis of Actual CircuitsUsing Neural Networks[J]. IEEE transactions on instrumentation and measurement,2002, 51(3):544-550.
[73]Szu, Harold H, Telfer, et al. Neural network adaptive wavelets for signal representation and classification [J]. Optical Engineering,1992,31(9): 1907-1916.
[74]吕朝霞, 胡维礼.小波网络在控制系统中的应用.信息与控制,2000,29(6)：532--539.
[75]吴桂峰,翟玉庆,陈虹等.基于小波-神经网络的奠基振动故障诊断.控制工程,2004,11(2)：152-154.
[76]杜进荣,朱能,向天游.民用建筑供热负荷的神经网络法预测[J].煤气与热力,2001,21(1)：16-19.
[77]齐维贵,朱学莉.时间序列预报法在供热控制中的应用研究[J].电子学报,2003,31(2)：268-270.
[78]胡文斌,华贡,杨昌智.灰色理论在城市供热负荷预测中的应用[J].煤气与热力,2002,22(1)：28-31.
[79]马涛,徐向东.基于小波网模型的区域供热系统负荷预测[J].清华人学学报：自然科学版,2005,45(5)：34-37.
[80]朱栋华,黎展求.基于小波和神经网络的供热负荷预测[J].沈阳建筑大学学报：自然科学版,2007,23(1)：157-160.
[81]王东亚.基于自适应遗传人工神经网络的集中供热负荷预测与控制研究[D].辽宁工程技术大学硕士学位论文,2005.
[82]向小东.小波神经网络的预测方法及其应用[J].2003,(4)：14-15.
[83]李向武,韦岗.基于小波网络的动态系统辨识方法及应用[J].控制理论与应用,1998,15(4)：494-500.
[84]郑小洋.小波神经网络及其应用[[D].重庆大学,2003.
[85]吴凌云,BP神经网络学习算法的改进及其应用[J].信息技术,2003,7(27)：42-44.
[86]于繁华,刘仁云,赵宏伟等.改进的小波神经网络模型及应用[J].吉林大学学报,2005,23(5)：489-490.
[87]赵琳.一种基于人工神经网络的短期负荷的预测技术[J].太原：山西电力技术,1998,(1)：21-23.
[88]祝贺等.热水锅炉供暖的动态自动调节[J].暖通空调HV&AC,2003,3(3):12-15.
[89]曹双华,曹家枞.应用级联神经网络预测供热锅炉次日小时热负荷的初步研究[J].东华大学学报(自然科学版),2004,30(1)：23-27.
[90]郝有志,李德英,郝斌.基于神经网络的供热计量系统热负荷短期预测[J].暖通空调,003,33(6)：105-107.
[91]姜苍华,方亚东,杨建华.集中供热网运行调节与控制策略的研究[J].自动化博览,2002(3)：61-64.
[92]曹晓明,杨洁明.基于遗传优化的BP神经网络[J].机械管理开发,2004(2)：66-67.
[93]殷峻暹,陈守煜,邱菊.基于遗传与BP混合算法神经网络预测模型及应用[J].大连理工大学学报,2002,42(5)：594-598.
[94]王凤琴,高颖,赵军.基于遗传算法的神经网络优化[J].燕山大学学报,2001,25(3)：234-238.
[95]乔伟,孙娜,陈红,胡金红.集中供热管理模式分析[J].吉林建筑工程学院学,2009,26(1)：94-97.
[96]彭岚,何大鹏,李友荣.基于BP神经网络的工业锅炉房负荷预测[J].工业加热,’2006,35(5)：31-50.
[97]顿雷,李巴津.城市集中供热网参数预测研究[J].微计算机信息,2007,23(10)：38-39.
[98]王宇清.供热工程北京[M].机械工业出版社,2005.
[99]陈哲,冯天瑾.小波分析与神经网络结合的研究进展[J].电子科学学刊,2000,22(3)：496-504.
[100]刘建春,王正欧.一种小波神经网络的快速学习算法及其应用[J].天津大学学报2001,34(4)：455-458.
[101]李力,方华京.小波神经网络逼近能力及Thau定理推广[J].控制与决策,2000,15(5)：561-564.
[102]李金屏,何苗,刘明军等.提高BP小波神经网络收敛速度的研究[J].模式识别与人工智能,2002,15(1)：28-34.
[103]吕朝霞,吴晓蓓,胡维礼.用于函数逼近的小波网络[J].系统工程与电子技术,2000,22(5)：43-86.
[104]吕立华,宋执环,李平.一种小波网络设计新方法[J].信息与控制,2002,31(1)：14-18.
[105]李银国,张帮礼,曹长修.小波神经网络及其结构设计方法[J].模式识别与人工智能,1997,10(3)：197-205.
[106]刘志刚,王晓茹,钱清泉.小波网络的研究进展与应用[J].电力系统自动化,2003,27(6)： 73-79.
[107]魏海坤.神经网络结构设计的理论与方法[J].北京：国防工业出版社,2005：88-97.
[108]林艳.集中供热网智能控制方法的研究[D].大连：大连理工大学,2003.
[109]周世健,赖志坤,臧德彦等.加权灰色预测模型及其计算实现[J].武汉大学学报(信息科学版),2002,27(5)：451-454.
[110]周志华,张长水.人工神经网络与模拟进化计算[M].北京：清华大学出版社,2004.
[111]唐卫.热力站自动监控系统基本思想与控制模式分析[J].区域供热,2001(5)：4-15.
[112]郭敏.基于神经网络的热工过程动态建模[D].山东：山东大学,2004.
[113]李峰.集中供热换热战控制策略及仿真研究[D].哈尔滨：哈尔滨工业大学,2004.
[114]贾文绞,李素芬.热电厂集中供热网最佳供回水温度及运行调节研究[J].节能,2002(4)：9-12.
[115]李玉云,王永骥.人工神经网络在暖通空调领域的应用研究发展[J].暖通空调,2001,31(1)：38-41.
[116]A. Vahidi, A. Stefanopoulou, H. Peng. Current Management in a Hybrid Fuel Cell Power System:a Model-Predictive Control Approach. IEEE Transactions on Control Systems Technology,2006,14(6):1047-1057.
[117]原贺新,马卫华,刘海英.热网计算机监控系统[J].煤气与热力,2000,20(2)：123-125.
[118]杨建坤.北方小城镇供热模式分析与热网优化控制的研究[D].上海同济大学,2007.
[119]谢云,刘振全.全自动供热机组与城市集中供热[J].机械研究与应用.2003,16(1)：54-55.
[120]雷杰兰.集中供热管网的优化设计策略[J].科技创新导报,2008.
[121]薛宏文,张帆.供热运行中参数调节的优化[J].暖通空调,2001,2：16-17.
[122]秦绪忠,江亿.多热源并网供热的水力优化调度研究[J].暖通空调,2001,1：16.
[123]王东亚,张琳,赵国材.神经网络遗传算法在供热负荷预测中应用[J].辽宁工程技术大学学报,2005.
[124]江亿.我国供热节能中的问题和解决途径[J].暖通空调,2006,36(3：37-41.
[125]赖晓平,周鸿兴,云吕钦.混合模型神经网络在短期负荷预测中的应用[J].控制理论与应用,2000,2(17)：15.
[126]唐立杰.城市供热系统的数据采集与算法研究[D].山东轻工业学院,2007.
[127]Kaw ashima M, Dorgan C E, Mitchell J W. Hourly thermal load prediction for the next 24 hours by Arima, Ewama L R and an artificial neural network [J]. ASHRAE T ransactions,1995,101(1):186-200.
[128]任震,黄雯莹,黄群古等.小波分析及其在电力系统中的应用[M].北京：中国电力出版社,2003.
[129]涂光备.供热计量技术[M].北京：中国建筑工业出版社,2003.
[130]Eberhart R, Kennedy J. A new optimizer using particle swarm theory [J]. In Proc.6th Int. Symp on Micro Mach.& Hum. Sci,1995,39-43.
[131]Chatterjee A, Siarry P. Nonlinear inertia weight variation for dynamic adaptation in particle swarm optimization [J]. Computers and Operations Research,2006,33(3):859-871.
[132]Clerc M. The swarm and the queen:towards a deterministic and adaptive particle swarm optimization[C]. Proceedings of the 1999 Congress on Evolutionary Computation.1999, Vol.3:1951-1957.
[133]Maurice Clerc, James Kennedy. The Particle Swarm-Explosion, Stability, and Convergence in a Multidimensional Complex Space[J]. IEEE Transaction on Evolutionary Computation,2002,6(1):58-73.
[134]高海兵,周驰,高亮.广义粒子群优化模型[J].计算机学报,2005,28(12)：1980-1988.
[135]吴昌友,王福林,董志贵,索瑞霞.改进粒子群算法在电力负荷组合预测模型中的应用[J].电网技术,2009,33(2)：27-30.
[136]Y Shi, R. Eberhart. A modified particle swarm optimization. IEEE International Conference of Evolutionary Computation. Anchorage, Alaska, May.1998,581-591.
[137]Ho K L, Hsu Y Y, ang C-C. Short-term load forecasting using a multilayer neural network with an adaptive learning algorithm. IEEE Transactions on Power systems,1992,7(1):141-149.
[138]Bates J M, Granger C W J. Combination of forecasts [J]. Operations Research Quarterly,1969,20 (4):451-468.
[139]邹刚.基于蚁群算法的电力负荷预测方法研究[D].重庆：重庆大学,2006.
[2]单晓平.集中供热系统按建筑分时供暖力法[J].辽宁科技大学学报,2009(5)：502-504.
[3]张宏涛,祁静.热负荷预测的RBF神经网络预测方法研究[J].节能技术,2004,22(4)： 57-58.
[4]秦绪忠,江亿.基于遗传算法的环形供热网可及性分析[J].清华大学学报(自然科学版),1999,39(6)：90-94.
[5]郝有志,李德英.热负荷预测方法评析[J].建筑热能通风空调,2003(1)：26-27.
[6]文新辉.时间序列神经网络预测方法[J].电子科学学刊,1994(5)：13-16.
[7]时正义,孙晓夫等.关于用热计量收费与供热商品化的思考[J].区域供热.2001(2)：9-10、20.
[8]赵建成.适合计量收费的各种供暖方案[J].暖通空调,1999,29(1)：12-15.
[9]江亿.集中供热网控制调节策略的讨论[J].区域供热,1997(2)：10-14.
[10]Lee K. Y, Cha Y. T, Park J H. Short term load forecasting using an Artificial Neural Network [J]. IEEE Trans on Power System,1992,7(1):124-130.
[11]康重庆,夏清等.应用于短期负荷预测中的回归分析的特殊问题[J].电力系统自动化,1998(7)：34-37.
[12]狄洪发,陈盛,江亿.供暖收费与热网调节[J].区域供热,2000(5)：4-5.
[13]胡文斌,杨昌智,孙一坚.短期供热负荷的灰色拓扑预测[J].煤气与热力,1998,19(3)：51-54.
[14]刘维生.基于模糊神经网络控制的供热系统[J].唐山师范学院学报,2010(2)：59-62.
[15]王宝杰,岳大鹏.热水供暖系统的设计与运行调节[J].辽宁工学院学报,1998(3)：86-87.
[16]马志彪.供热系统调试与运行[M].中国建筑工业出版社,2005.
[17]贺平,李英才.供热工程[M].中国建筑工业出版社,1991.
[18]赵岩,路广发,杜成华.工业锅炉与供热网络技术[M].哈尔滨地图出版社,2006：129-144.
[19]陈强,卢洪刚.热水供暖系统的水力调节[J].科学技术与工程,2005(18)：1287-1289.
[20]王绍武,罗勇,闻新宇,等.近千年全球温度变化研究的新进展[J].气候变化研究进展,2007,3(1)：14-19.
[21]Crowley T J. Causes of climate changes over the past 1000 years [J]. Science, 2000,289:270-277.
[22]刘健,Hans yon Storch,陈星等.近千年全球气候变化的长积分模拟试验[J].地球科学进展,2005,20(5)：561-567.
[23]谢静芳,金顺梅.长春市不同天气条件下的气温日变化特征分析[J].吉林气象,2003(4).
[24]Jones P D, Mann M E. Climate over past millennia[J]. Reviews of Geophysics, 2004,42:142.
[25]毕鸣,王绍武.近百年气候变化模拟以及宋来50年气候变化预测[c].气候变化规律及其数值模拟研究论文(第三集).北京：气象出版社,1996：124-136.
[26]王国安,米鸿涛,邓天宏等.太阳高度角和日出日落时刻太阳方位角年变化范围的计算[J].气象与环境科学(第30卷增刊),2007,09.
[27]西安建筑科技大学.建筑物理[M].3版.北京：中国建筑工业出版社,2004.
[28]中国气象局.地面气象观测规范[S].北京：气象出版社,2003：133.
[29]张继祥,刘克长,魏钦平,束怀瑞.气象要素(气温、太阳辐射、风速和相对湿度)日变化进程的数理模拟[J].山东农业大学学报,2002,33(2)：179-183.
[30]IBM Web Service Architecture Team. Web Service Architecture Overview [Z]. The Next Stage Evolution for e-business, http:www-106.Ibm.com /developerworks/web/library/wovr/2001,02.
[31]王艳峰,王峰,金键等.Web Service的资源中介—UDDI注册中心介绍[Z]. CNNIC技术部,http://www.cnnic.net.cn/resource/daily/2003-11/4.pdf.
[32]林成森.数值计算方法[M].北京：科学出版社,1997：152-164.
[33]张诚坚.计算方法[M].北京：高等教育出版社,1999：77-81.
[34]崔国华.计算方法[M].武汉：华中理工大学出版社,1996：39-43.
[35]吴大为.数值实验方法[M].北京：化学工业出版社,2000：61-72.
[36]郭竹瑞.关于三次样条函数导数的界值[J].数学学报,1974,(4)：234-241.
[37]陈翰麟.三次样条函数的误差阶[J].应用数学学报,1978,1(1)：42-58.
[38]陈天平.广义样条函数[J].科学通报,1982(13)：771-773.
[39]周伟军,马柏林,徐景实.一类带半(0,N)核算子的交换子在Hardy型空间上的弱型估计[J].湘潭大学自然科学学报,2003(2)：5-9.
[40]沙震,吴正昌.四阶A插值样条的逼近度和渐进式[J].数学研究与评论,1983,(3)：99-108.
[41]王兴波,钟志华.求解周期性三对角方程组的广义Thomas算法[J].计算力学学报.2004(1)：73-76.
[42]刘晓,李文强.追赶法在求解循环和拟循环三对角方程组中的一种推广[J].河南师范大学学报：自然科学版,2009(1)：13-16.
[43]李青,王能超.解循环三对角线性方程组的追赶法[J].小型微型计算机系统.2002,23(11)：1393-1395.
[44]迟利华,刘杰,李晓梅.三对角线性方程组的一种有效并行算法[J].计算机学报.1999(2)：218-321.
[45]刘培华,李维国,董彩云.并行求解周期性三对角方程组的谢一莫方法[J].计算力学学报,2006(5)：606-610.
[46]华中理工大学数学系.计算方法[M].高等教育出版社,2004(02).
[47]周恩泽,方修睦.供暖热水锅炉房的热负荷预测[J].哈尔滨建筑大学学报,2000,33(3).
[48]阎平凡,张长水.人工神经网络与模拟进化计算[M].第二版.北京：清华大学出版社,2005：1-5.
[49]LiMin F. An Expert Network for DNA Sequence Analysis[J]. IEEE Intelligent Systems, Jan./Fab.,1999:65-71.
[50]Kung S Y, et al. Neural Networks for Intelligent Mutimedia Processing[J]. Proc IEEE,1998,86:1244-1272.
[51]Special Issue on NN for Data Mining and Knowledge Discovery [J]. IEEE Trans NN,2000,11(3).
[52]Tsukinetu H. Exraction Rules for Trained Neural Networks [J]. IEEE Trans NN,2000,11(2):377-389.
[53]Special Issue on NN Application in Astronmy[J]. Geoscience. Neural Networks, 2003,16(3-4).
[54]冯定.神经网络专家系统[M].北京：科学出版社,2006：23-29.
[55]韩力群.人工神经网络理论、设计及应用[M].第二版北京：化学工业出版社,2007：4-9,43-51.
[56]张艳.基于BP算法和遗传算法的自适应噪声抵消器[D].吉林大学硕士学位论文.2004：23-30.
[57]朱大奇.人工神经网络研究现状及其展望[J].江南大学学报.2004,1：103-110.
[58]魏海坤,徐嗣鑫,宋文忠.神经网络的泛化理论和泛化方法[J].自动化学报.2001,6：806-815.
[59]Haykin S.神经网络原理[M].北京：机械工业出版社,2004.
[60]高隽.人工神经网络原理及仿真实例[M].第一版.北京：机械工业出版社,2003,1-6.
[61]王永骥,涂健.神经网络控制[M].第一版.北京：机械工业出版社,1998.
[62]Simon Haykin.神经网络原理[M].第二版.北京：机械工业出版社,2004.
[63]远祯,罗波.BP神经网络的改进研究[J].信息技术,2006：88-91.
[64]李联友,陈忠海,李德英等.分户计量供热系统调节方法分析[J].暖通空调,2004,34(1)：82-84.
[65]范春年,傅德胜.用神经网络方法进行气象温度预测[J].计算机应用与软件,2004, 21(3)：108-110.
[66]刘剑,杨勇,邱庆刚基于神经网络的热力站换热器系统的预测控制[J].节能,2007,26(12)： 28-30.
[67]Zhang X, Qi J, Zhang R, Liu M, Hu Z, Xue H et al. Prediction of programmed-temperature retention values of naphtha by wavelet neural network[J]. Computers and Chemistry,2001,25(2):125-133.
[68]Zhang Q, Benveniste A. Wavelet networks [J]. IEEE Transaction on Neural Netok, 1992,3(6):889-898.
[69]林伯强.中国能源需求的经济计量分析.统计研究,2001,10：34-39.
[70]朱云芳,戴朝华,付攀.小波神经网络及其在故障诊断中的应用[J].计测技术,2004(7)：31-32.
[71]Aminian M, Aminian F. Neural-network based analog-circuit fault diagnosis using wavelet transform as preprocessor[J]. IEEE transactions on circuits and systems.2, Analog and digital signal processing,2000,47(2):151-156.
[72]Farzan Aminian. Analog Fault Diagnosis of Actual CircuitsUsing Neural Networks[J]. IEEE transactions on instrumentation and measurement,2002, 51(3):544-550.
[73]Szu, Harold H, Telfer, et al. Neural network adaptive wavelets for signal representation and classification [J]. Optical Engineering,1992,31(9): 1907-1916.
[74]吕朝霞, 胡维礼.小波网络在控制系统中的应用.信息与控制,2000,29(6)：532--539.
[75]吴桂峰,翟玉庆,陈虹等.基于小波-神经网络的奠基振动故障诊断.控制工程,2004,11(2)：152-154.
[76]杜进荣,朱能,向天游.民用建筑供热负荷的神经网络法预测[J].煤气与热力,2001,21(1)：16-19.
[77]齐维贵,朱学莉.时间序列预报法在供热控制中的应用研究[J].电子学报,2003,31(2)：268-270.
[78]胡文斌,华贡,杨昌智.灰色理论在城市供热负荷预测中的应用[J].煤气与热力,2002,22(1)：28-31.
[79]马涛,徐向东.基于小波网模型的区域供热系统负荷预测[J].清华人学学报：自然科学版,2005,45(5)：34-37.
[80]朱栋华,黎展求.基于小波和神经网络的供热负荷预测[J].沈阳建筑大学学报：自然科学版,2007,23(1)：157-160.
[81]王东亚.基于自适应遗传人工神经网络的集中供热负荷预测与控制研究[D].辽宁工程技术大学硕士学位论文,2005.
[82]向小东.小波神经网络的预测方法及其应用[J].2003,(4)：14-15.
[83]李向武,韦岗.基于小波网络的动态系统辨识方法及应用[J].控制理论与应用,1998,15(4)：494-500.
[84]郑小洋.小波神经网络及其应用[[D].重庆大学,2003.
[85]吴凌云,BP神经网络学习算法的改进及其应用[J].信息技术,2003,7(27)：42-44.
[86]于繁华,刘仁云,赵宏伟等.改进的小波神经网络模型及应用[J].吉林大学学报,2005,23(5)：489-490.
[87]赵琳.一种基于人工神经网络的短期负荷的预测技术[J].太原：山西电力技术,1998,(1)：21-23.
[88]祝贺等.热水锅炉供暖的动态自动调节[J].暖通空调HV&AC,2003,3(3):12-15.
[89]曹双华,曹家枞.应用级联神经网络预测供热锅炉次日小时热负荷的初步研究[J].东华大学学报(自然科学版),2004,30(1)：23-27.
[90]郝有志,李德英,郝斌.基于神经网络的供热计量系统热负荷短期预测[J].暖通空调,003,33(6)：105-107.
[91]姜苍华,方亚东,杨建华.集中供热网运行调节与控制策略的研究[J].自动化博览,2002(3)：61-64.
[92]曹晓明,杨洁明.基于遗传优化的BP神经网络[J].机械管理开发,2004(2)：66-67.
[93]殷峻暹,陈守煜,邱菊.基于遗传与BP混合算法神经网络预测模型及应用[J].大连理工大学学报,2002,42(5)：594-598.
[94]王凤琴,高颖,赵军.基于遗传算法的神经网络优化[J].燕山大学学报,2001,25(3)：234-238.
[95]乔伟,孙娜,陈红,胡金红.集中供热管理模式分析[J].吉林建筑工程学院学,2009,26(1)：94-97.
[96]彭岚,何大鹏,李友荣.基于BP神经网络的工业锅炉房负荷预测[J].工业加热,’2006,35(5)：31-50.
[97]顿雷,李巴津.城市集中供热网参数预测研究[J].微计算机信息,2007,23(10)：38-39.
[98]王宇清.供热工程北京[M].机械工业出版社,2005.
[99]陈哲,冯天瑾.小波分析与神经网络结合的研究进展[J].电子科学学刊,2000,22(3)：496-504.
[100]刘建春,王正欧.一种小波神经网络的快速学习算法及其应用[J].天津大学学报2001,34(4)：455-458.
[101]李力,方华京.小波神经网络逼近能力及Thau定理推广[J].控制与决策,2000,15(5)：561-564.
[102]李金屏,何苗,刘明军等.提高BP小波神经网络收敛速度的研究[J].模式识别与人工智能,2002,15(1)：28-34.
[103]吕朝霞,吴晓蓓,胡维礼.用于函数逼近的小波网络[J].系统工程与电子技术,2000,22(5)：43-86.
[104]吕立华,宋执环,李平.一种小波网络设计新方法[J].信息与控制,2002,31(1)：14-18.
[105]李银国,张帮礼,曹长修.小波神经网络及其结构设计方法[J].模式识别与人工智能,1997,10(3)：197-205.
[106]刘志刚,王晓茹,钱清泉.小波网络的研究进展与应用[J].电力系统自动化,2003,27(6)： 73-79.
[107]魏海坤.神经网络结构设计的理论与方法[J].北京：国防工业出版社,2005：88-97.
[108]林艳.集中供热网智能控制方法的研究[D].大连：大连理工大学,2003.
[109]周世健,赖志坤,臧德彦等.加权灰色预测模型及其计算实现[J].武汉大学学报(信息科学版),2002,27(5)：451-454.
[110]周志华,张长水.人工神经网络与模拟进化计算[M].北京：清华大学出版社,2004.
[111]唐卫.热力站自动监控系统基本思想与控制模式分析[J].区域供热,2001(5)：4-15.
[112]郭敏.基于神经网络的热工过程动态建模[D].山东：山东大学,2004.
[113]李峰.集中供热换热战控制策略及仿真研究[D].哈尔滨：哈尔滨工业大学,2004.
[114]贾文绞,李素芬.热电厂集中供热网最佳供回水温度及运行调节研究[J].节能,2002(4)：9-12.
[115]李玉云,王永骥.人工神经网络在暖通空调领域的应用研究发展[J].暖通空调,2001,31(1)：38-41.
[116]A. Vahidi, A. Stefanopoulou, H. Peng. Current Management in a Hybrid Fuel Cell Power System:a Model-Predictive Control Approach. IEEE Transactions on Control Systems Technology,2006,14(6):1047-1057.
[117]原贺新,马卫华,刘海英.热网计算机监控系统[J].煤气与热力,2000,20(2)：123-125.
[118]杨建坤.北方小城镇供热模式分析与热网优化控制的研究[D].上海同济大学,2007.
[119]谢云,刘振全.全自动供热机组与城市集中供热[J].机械研究与应用.2003,16(1)：54-55.
[120]雷杰兰.集中供热管网的优化设计策略[J].科技创新导报,2008.
[121]薛宏文,张帆.供热运行中参数调节的优化[J].暖通空调,2001,2：16-17.
[122]秦绪忠,江亿.多热源并网供热的水力优化调度研究[J].暖通空调,2001,1：16.
[123]王东亚,张琳,赵国材.神经网络遗传算法在供热负荷预测中应用[J].辽宁工程技术大学学报,2005.
[124]江亿.我国供热节能中的问题和解决途径[J].暖通空调,2006,36(3：37-41.
[125]赖晓平,周鸿兴,云吕钦.混合模型神经网络在短期负荷预测中的应用[J].控制理论与应用,2000,2(17)：15.
[126]唐立杰.城市供热系统的数据采集与算法研究[D].山东轻工业学院,2007.
[127]Kaw ashima M, Dorgan C E, Mitchell J W. Hourly thermal load prediction for the next 24 hours by Arima, Ewama L R and an artificial neural network [J]. ASHRAE T ransactions,1995,101(1):186-200.
[128]任震,黄雯莹,黄群古等.小波分析及其在电力系统中的应用[M].北京：中国电力出版社,2003.
[129]涂光备.供热计量技术[M].北京：中国建筑工业出版社,2003.
[130]Eberhart R, Kennedy J. A new optimizer using particle swarm theory [J]. In Proc.6th Int. Symp on Micro Mach.& Hum. Sci,1995,39-43.
[131]Chatterjee A, Siarry P. Nonlinear inertia weight variation for dynamic adaptation in particle swarm optimization [J]. Computers and Operations Research,2006,33(3):859-871.
[132]Clerc M. The swarm and the queen:towards a deterministic and adaptive particle swarm optimization[C]. Proceedings of the 1999 Congress on Evolutionary Computation.1999, Vol.3:1951-1957.
[133]Maurice Clerc, James Kennedy. The Particle Swarm-Explosion, Stability, and Convergence in a Multidimensional Complex Space[J]. IEEE Transaction on Evolutionary Computation,2002,6(1):58-73.
[134]高海兵,周驰,高亮.广义粒子群优化模型[J].计算机学报,2005,28(12)：1980-1988.
[135]吴昌友,王福林,董志贵,索瑞霞.改进粒子群算法在电力负荷组合预测模型中的应用[J].电网技术,2009,33(2)：27-30.
[136]Y Shi, R. Eberhart. A modified particle swarm optimization. IEEE International Conference of Evolutionary Computation. Anchorage, Alaska, May.1998,581-591.
[137]Ho K L, Hsu Y Y, ang C-C. Short-term load forecasting using a multilayer neural network with an adaptive learning algorithm. IEEE Transactions on Power systems,1992,7(1):141-149.
[138]Bates J M, Granger C W J. Combination of forecasts [J]. Operations Research Quarterly,1969,20 (4):451-468.
[139]邹刚.基于蚁群算法的电力负荷预测方法研究[D].重庆：重庆大学,2006.