为了根据自然环境因素对换热站供热负荷进行有效的预测,文章在分析了与供热负荷有关的环境因素后,在证明其与供热负荷存在相关关系的基础上用回归分析的方法建立了供热负荷的多元线性回归模型以及多元多项式回归模型。对某换热站采集的数据进行了线性回归分析,并且根据学生化残差方法剔除异常值后再次进行建模,所得到的模型具有较好的模拟效果中：Coν（X，Y）为X与Y的协方差；Var［X］与Var［Y］分别是X、Y的方差。相关系数具有这样的一个性质，即r（X，Y）≤1。它定量地表达出了变量X与Y的相关程度，r（X，Y）的值越接近1，两个变量间的相关程度越大；r（X，Y）的值越接近0，两个变量间的相关程度越校在进行假设检验中常见的p值则是进行校验决策的另一个依据，它反映了相关程度计算结果的“显著程度”，其数值的计算建立在如下两个假设基础上：（1）无效假设H0：两参量不存在“线性”关联；（2）备择假设H1：两参量存在“线性”关联。p值的大小在与某阈值进行比较的情况下才具有意义，典型的阈值为0.05。当p值小于0.05时，拒绝无效假设，选择备择假设，即认为两参量存在“线性”关联；当p值大于0.05时本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc，拒绝无效假设失败，两参量不存在“线性”关联。在Matlab中运行相关计算指令得到如图2所示的结果：图2中包含两两变量间的相关程度以及相关系数。其中可见的数值表示的即为相关系数大小；根据椭圆的形状可以直观地看出变量间相关程度的大小模型的建立与分析-电动折弯机数控切管机张家港液压切管机数控切管机折弯机，椭圆越扁说明相关系数的绝对值越大，即两变量的相关程度?。 性，把这些数据剔除后将重新进行建模。利用残差直方图以及残差正态概率图来验证模型的基本假定是否成立，其结果如图5所示：根据图5所示，残差直方图与残差正态概率图均近似符合正态分布，模型的基本假定可认为是成立的。基于方差膨胀因子的多重共线性诊断的计算结果如表5所示：根据计算结果可知，VIF值均小于5，可以认为模型使用的自变量间不存在共线性或仅存在较弱的共线性。3模型改进3.1多元线性回归模型改进根据对初步建立的模型进行的回归诊断，可以看出在数据中存在着少量的异常点以及强影响点。为了使模型的精确性得到提升，应当把这些影响模型精度的数据去除。在模型中的第四个自变量———天气特征属于较为不显著的自变量，也可以尝试将其去除，然后重新建立回归模型。剔除掉异常值以及不显著的自变量———天气特征后，重新建模得到的回归模型为：y=6.7675-0.057213x1-1.0409x2+0.10043x3（4）对此回归方程进行显著性检验的p值为1.2×10-23<0.05，说明此方程显著。对常数项以及自变量进行t检验的p值均小于0.05，说明常数项以及自变量也是显著的。3.2多元多项式回归建模及改进在上一小节已经建立出了较为显著的计算供热负荷的多元线性回归模型，但是不能保证该式即为最好的回归方程，还可以适当的增加非线性项，比如二次多项式回归模型（QHPmodel），其模型结构应为：y=b0+4i=1Σbixi+3i=1Σ4j=i+模型的建立与分析-电动折弯机数控切管机张家港液压切管机数控切管机折弯机本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc