空调负荷预测的ann法

空调负荷预测的ANN法摘要：时刻变化的室内外环境对建筑物的冷负荷有着重要的影响。采用VB编制了人工神经网络(ANN)的通用BP算法程序。根据西安市参考年（TRY）气象参数，采用动态模拟程序计算了某办公楼4～9月逐时冷负荷。应用上述数据对ANN进行学习训练和测试。结果显示利用神经网络的预测值与计算值相吻合，说明人工神经网络是一种新颖、可靠的负荷预测方法。关键字：人工神经网络冷负荷负荷预测1前言空调系统的设计前提是设计日的负荷分布，系统主要设备的容量都是按设计日确定的。然而，根据美国制冷协会标准ARI880-56提供的数据，75%～100%的负荷率仅占空调全年总运行时间的10%。随着《中华人民共和国节约能源法》的公布施行，空调系统节能日益受到广泛重视。人们需要根据时刻变化的室内外环境，在建筑物冷负荷预测的基础上，对空调系统进行优化和控制，以降低空调能耗。在运用人工手段模仿人类智能行为的研究上有两种主导思想，即结构主义和功能主义。功能主义成了传统人工智能理论的研究基础。结构主义从分析人脑神经网络的微观结构入手，抓住人脑结构的主要特征，即简单的非线性神经元之间复杂而又灵活的连接关系，深刻揭示了人脑认识过程，创立了人工神经网络(ANN)的理论。ANN的应用已渗透到模式识别、图象处理、非线性优化、专家系统的各个领域，并取得了令人瞩目的成果。在暖通空调（HVAC）中已有很多应用[1]，如HVAC非线性计算[2]、空调负荷计算[3]、供暖系统运行的故障诊断等。负荷预测是冰蓄冷空调系统优化和控制的前提，文献[4]指出预测控制运行费用比冷机优先减少13.5%。1990年，Ferrano将ANN负荷预测与实时专家系统结合用于迈阿密一幢建筑的冰蓄冷空调系统的负荷预测与优化控制[5]。Kawashima指出了ANN的建模优势并采用ANN预测电耗、冷冻水负荷、热水负荷及太阳辐射（BeamSolarInsolation）[6]。在1993年ASHRAE主办的首届建筑物能量预测竞赛中，建筑物负荷预测方法的主要模型有回归模型、时序模型（ARIMA、ARMA、AR、MA等）、Kalman滤波模型、模糊集模型、ANN模型等。在对参赛选手的预测结果进行对比后，Kreider指出，为了达到更为精确的预测效果，传统的统计方法将让位于新的预测方法，如ANN[7]。1995年，Kawashima在一个美日联合项目中，采用相同的原始数据对比了7种不同的建筑物负荷预测模型（ARIMA、EWMA、LR等），结果显示ANN模型最精确[8]。另外，由于ANN将相关信息存储于神经元间的连接权中，程序具有很好的可移植性。能适应系统的变化，同一网络几乎不用修改便可以应用于不同的建筑物。2应用人工神经网络预测建筑物空调负荷2.1建筑物描述用于模拟的建筑物是西安地区一幢7层办公楼，长×宽×高为39m×15m×25.2m。层高3.6m，建筑面积4095m2。外窗的宽×高为2.5m×2.0m，窗台高度为0.8m。主要建筑构件参数如下：⑴外墙：构件名称为24砖墙_15_6，水泥沙浆（20mm）+重沙浆粘土（24砖墙，240mm）+多孔混凝土（70mm）+石灰沙浆（20mm），传热系数0.9986W/（m2·K）；⑵内墙：构件名称为18砖墙_1，水泥沙浆（20mm）+重沙浆粘土（18砖墙，180mm）+石灰沙浆（20mm）+沥青矿棉板（50mm），传热系数0.7282W/（m2·K）；⑶屋顶：构件名称为加气混凝土保温屋面，水泥沙浆（20mm）+烟灰加气混凝土（200mm）+钢筋混凝土（120mm）+水泥沙浆（15mm），传热系数0.5385W/（m2·K）；⑷楼地：构件名称为40mm混凝土楼地，水泥沙浆（20mm）+碎石或卵石（40mm），传热系数3.6232W/（m2·K）；⑸楼板：构件名称为钢筋混凝土楼板，水泥沙浆（25mm）+钢筋混凝土（80mm）+水泥沙浆（20mm），传热系数0.7421W/（m2·K）；⑹门：构件名称为单层实体木制外门，门体材料松和云杉，厚度25.3mm，传热系数4.6421W/（m2·K）；⑺外窗：构件名称为单层钢窗，3mm平板玻璃，无外遮阳和窗帘，透光比率0.8，传热系数6.2727W/（m2·K）。2.2动态负荷计算动态负荷计算采用清华大学开发的DEST1.0。它是建立在随机气象模型、随机室内热源模型和状态空间建筑热模型等基础之上的，是经过验证的、可靠的建筑物模拟程序。房间空调参数为温度22～26℃，相对湿度30%～60%。计算中采用了程序中缺省经验参数：房间家具系数为1.0，垂直外表面对流换热系数23.3W/（m2·℃），垂直内表面对流换热系数3.5W/（m2·℃）；水平朝上表面对流换热系数4W/（m2·℃）；水平朝下表面对流换热系数1W/（m2·℃）；表面吸收率0.55；表面黑度0.85。室内最大热扰设定为人员密度0.2（人/m2）、照明20（W/m2）、设备30（W/m2），这些扰动根据建筑物实际情况按百分比逐时设定。办公楼每天空调时间为08:00～17:00，无周末（如邮电、电信、银行等部门）。其参考年4～9月的空调冷负荷如图1。图中没有显示晚上18:00至次日07:00的冷负荷，仅画出了每日08:00至17:00的连续冷负荷图。由于太阳辐射（水平面单位面积的总辐射）与建筑物冷负荷的关系极不规律(如图2)，给采用普通预测方法造成了一定的困难。建筑热环境在本质上是个非线性系统，而人工神经网络的非编程、自适应信息处理方式使它可以完成这一复杂的输入/输出映射。2.3BP网络的输入/输出及其数据的预处理网络输入层为7个，分别为：当前时刻τ（08:00-17:00），τ时刻室外干球温度(℃)，τ-1时刻室外干球温度(℃)，τ-2时刻室外干球温度(℃)，含湿量g/kg，τ时刻太阳辐射(W/m2)，τ-1时刻太阳辐射(W/m2)。输入前1个或2个时刻的气象参数是考虑了因物体热容量而引起的冷负荷的时间延迟。隐含层神经元个数的确定主要是凭经验，Kawashima指出隐含层可按照2n+1个选取（n为输入层神经元数）[6]，本文取隐含层为20个。输出层为1个，即建筑物逐时冷负荷。通过求和可以得到每日、每周的冷负荷预测值。Kreider指出在负荷预测中复杂的ANN拓扑结构是不必要的[11]，因此本文按照BP算法编制了VB程序。这些输入参数可以通过逐时室外气温预测和逐时太阳辐射预测程序获得。1995年Kawashima等采用天气预报的最高、最低温度和ASHRAE建议的形状系数预测逐时环境温度[4]。MacArthur等利用以前测量的环境温度和当地气象站预报最高、最低温度预测未来温度曲线[12]。Chen将预测环境温度的算法分为辩识次日温度波模式和预测温度曲线两个基本部分。他将太阳辐射强度分为10个级别，并给出了各级别的中值用于太阳辐射的预测[13]。这些方法可以通过某种方式与建筑物冷负荷预测程序和优化控制程序实现集成。本文则直接采用参考年的气象资料作为ANN的输入。在神经网络学习阶段，需要对输入数据和对应的期望输出值进行归一化处理，把它们处理成0～1之间的数值。神经网络经过学习训练后，还要将得到的0～1之间的预测值还原为实际值。3结果分析和讨论爪为了提殃高回AN络N程的预测精度并竖考虑到实际应粪用中数据库的帐扩展和维护，克本文利用动态瓶模拟的计算结登果按月份对神柿经网络进行了戚训练。网络采素用每个俩月盛3良0雹（巡3爱1选）聚d弯，兵共群210肢0坡（园217摊0烧）个输入数据卖，获30真0蠢（纵31箭0这）个逐时期望绞输出冷负荷值件，进行学习训然练，结果见恒表火1厉。其中烂δ亩为标准偏差桌、佣C夫V铸为偏差系数肤、渡EE群P梨为期望偏差百塑分数侵[8]具。乡表萍1跳检各月冷负荷极绕值炮与污B绞P百网络的训练误武差盾纠月份透最大冷负荷施（把W木）雀最小冷负荷秧（走W犁）蓬标准偏铲差枪δ蕉（枕W沟）伙C让V祸（控%禁）杠EE鬼P栏（瞧%斧）蜘4替258539匆.2胀52515.编3勺6180.5馅3.52占2.39珍5石362210伍.0班146405抽.9恩9711.2颗3.45嫩2.68暂6考455656肆.6等250502先.4再9227.0路2.60辫2.02未7辜467741野.3睛205194室.0西11814.盟5顽3.34斜2.53宋8倚496523菊.3斑184322带.4亩12480.青2缺3.47睬2.51滚9逼356265姻.2扣158467宪.3则8898.1污3.13抖2.50误对于网络测试眠，考虑到数据逝的预处理和网宋络训练集的完毅备性，本文利蔽用到7尿月份训练后愉的早AN算N提对感6郑月份全月的逐论时负荷进行预羽测，以验证程层序的正确于性赶(究如疯图魂3酸)萌。预测结果如本下：标准偏差胶为童21707.趁6腊W鉴，偏差系漆数伞C礼V努值右为驴6.11赢%输，期望偏差百氏分让数码EE挽P鹊为宗4.64唉%话，表明预测值票与计算值十分麻吻合。执图局3渔中实线为计算牵值，虚线为预恶测值，邻图牢4倡、截图统5延与此图图例相尸同。港利烤用夕8询月份训练后的跌网络便对滋6盒、孤7眨月份的预测也优得到了类似的再结论，如派图阻4抽、孕图辜5读。在国外文献暮中，即使对于衬相同的训练数阀据，各种方法互的预测结果也赏差别较大，方围法间的优劣比画较是相对的，赴尚无关于预测弱结果绝对指标寺定义。本文预逼测结果的各项赶指标与国外文仓献恒中匀AN认N口预测效果的指顺标基本持平，慕说明本文的算斩法正确、结果扒可信。文中根辟据动态仿真程昌序的计算结果思得出了上述结照论，尚需在实炸际应用取得实沸测数据后，进份行进一步的验霞证和改进。4结束语冲采用人工神经灿网络可避免复幻杂的数据分析早和建模工作，热其非编程、自往适应的信息处裳理方式可完成阁复杂的输常入庄/遗输出的非线性捕映射。将人工炕神经网络用于覆建筑物空调冷慢负荷预测，结踩果显示它具有裤可靠的精度。竟本文中采用似的禽AN冠N照方法有待于在蚁实际应用中进殖一步的检验和假改进。该方法酿对冰蓄冷系统依的预测控制具灵有积极的意义助。5参考文献享1须煤李玉超云株,竟王永警骥纱.骤人工神经网络艰在暖通空调领裕域的应用研究招发巴展婆.恢暖通空刑调应,2001,妈31(1):吓3李8裳～阅41.荣2Mist循rySI桑,S凉SNair础.Nonl膏inear滩HVACc滔omputa爽tions访using脚neural壶netwo枣rks.AS嚷HRAET征rans,1停993,99机(1):77省5找～摄784.能3王甘谭良吩才弱.肥空调负荷的神社经计络算窝.肺暖通空租调测,1997,角27(5):柜7盼1狭～涌75.锁4Kawa线shima己M,Cha鬼rlesE积Dorga趁n.忙Optimi蒜zings页ystem剪contro雨lwith望load凤predic占tionb仪yneur凳alnet吓works双foran泪ice-s们torage减syste烦m.ASHR晕AETra响ns,199浅6,102(室1):116剪9绕～左1178.倍5Ferr纸anoF约J,Won俱gKV.检Predi拘ction纪ofthe赵rmals宫torage职loads睛using太aneu岗ralne摘twork.且ASHRAE纠Trans捕,1990,榜96(2):截72温3涛～厅726.却6Kawa郊shima锅M.Art沉ificia骆lneur深alnet责workb按ackpro龄pagati武onmod贴elwit划hthre籍e-phas器eanne侧aling劳develo岂pedfo都rthe政buildi野ngene谢rgypr创edicto殃rshoo塞tout.膀ASHRAE赠Trans供,1994,贡100(2)室:109冷6脱～贸1103.溜7Krei丛derJ泥F,Jef性f厅S骂，奉Haber杆l.Pre园dictin残ghour旬lybui狼lding于energy愤use:粥Theg雪reate骆nergy软predic擦torsh汉oot.A液SHRAE贤Trans,佩1994,1狸00(2):讨110成4沾～复1118.辛8Kawa抗shima械M,C民EDorg箩an妄,JW瓣Mitche年ll.Ho卧urlyt台hermal馒load淡predic蚂tionf哨orthe爷next密24hou列rsby乔ARIMA,新EWA,芳LR,an井dana搬rtific姿ialne背uraln阿etwork灵.ASHR斩AETra趟ns,199世5,101(册1):18唐6性～途200.该9Koho工enTK扭.Self秤-organ浩izatio伙nand副associ恒ative顺memory谜.秒NewYo别rk奔,Spri萄ng-Ver扛lag,19茫88.羽10议振王损