采用人工神经网络预测商场建筑物冷负荷的工程实例

采用人工神经网络预测商场建筑物冷负荷的工程实例摘要：基于人工神经网络的通用BP(BackPropagation)算法编制的程序，实际对一栋采用冰蓄冷空调的商场性质建筑物进行冷负荷预测并加以评价。此程序采用VisualBasic编制，利用通用BP算法。结果显示利用人工神经网络预测建筑物冷负荷比较可靠。关键字：人工神经网络冷负荷负荷预测0前言近几年，随着国家电力负担越来越大，冰蓄冷空调在我国得到了越来越广泛的应用。但如何有效的利用蓄冰空调，充分发挥其在非峰段蓄冰制冷的作用一直是困扰众多工程技术人员的难题。每天非峰段蓄冰量将是第二天总冷负荷的一部分，在设计日工况下，因为系统是在此负荷条件下设计的，所以运行情况比较简单；但是系统大部分时间都是运行在非设计日工况下，如何去确定蓄冰量就比较困难。这时，人们就非常希望能够预测第二天的冷负荷。于是，近几年在暖通空调领域，预测技术受到越来越多工程技术人员的重视。如果能够准确的预测建筑物的动态冷负荷，不仅可以更准确的帮助设计人员完成设计，更可以使设备控制人员根据预测的冷负荷确定系统的控制时间、方式以及尽早发现系统故障。这一点在蓄冰空调系统中尤为重要，因为每天晚上蓄冰量的多少将直接影响第二天整个系统的工作效率，并且是提高蓄冰空调系统经济效益的重要途径之一。随着近些年来对人工神经网络（ANN）的研究的进一步加深，人工神经网络已经逐步应用到工程技术的各个领域，如模式识别、自动控制、信号处理、辅助决策、人工智能等等。在暖通空调（HVAC）领域，对空调系统进行冷负荷预测是冰蓄冷系统进行优化控制的重要前提与基础。经过对各种预测方法的结果比较，人们发现人工神经网络预测的结果更接近实际值。于是采用人工神经网络进行建筑物冷负荷预测的研究近几年出现的比较多，其非编程、自适应的信息处理方式非常适合冷负荷预测这种非线性过程。1人工神经网络模型1.1人工神经元模型神经网络系统是由大量的、同时也是很简单的处理单元（或称神经元）广泛的互相连接而形成的复杂网络系统。它反映了人脑功能的许多基本特性：如学习、归纳和分类，但它并不是人脑神经网络系统的真实写照，而只是对其作某种简化、抽象和模拟，这也是现实情况所能做到的，是目前神经网络研究的基本出发点[1]。神经元是神经网络中最基本的处理单元。从神经元的特性和功能可以知道，神经元是一个多输入单输出的信息处理单元，而且，它对信息的处理是非线性的。根据神经元的特性和功能，可以把神经元抽象为一个简单的数学模型。工程上用的人工神经元模型，见图1。图1中，x1，x2，……，xn表示神经元的输入（它们是其它神经元的输出），w1，w2，……，wn表示想互联接的神经元之间的联接强度（或权重），θ表示其阀值，y表示经过该神经元处理后的输出值。通常每个神经元的输出值只有一个，但它可以联接到其它多个神经元，作为其它神经元的输入。神经元的这种输入输出关系可表示为：（1）公式（1）中，f（x）为激活函数，激活函数有多种形式，其中最常见的有阶跃型、线性型和S型（Sigmoid）三种形式，其中S型函数的输出是非线性的，故这种神经元也称为非线性连续型模型，本文将采用S型函数：1.2人工神经网络的基本结构图2人工神经网络三层BP模型结构图人工神经网络模型是由人工神经元按照某种模式联接而构成的。通常，人工神经网络模型主要由三个因素决定：神经元特性、网络的拓扑结构以及学习或训练规则。其中，学习是神经网络一种最重要也最令人注目的特点，自从40年代Hebb提出的学习规则以来，人们相继提出了各种各样的学习算法。其中以在1986年Rumelhart等提出的误差反向传播法[2]，即BP(errorBackPropagation)法影响最为广泛。在暖通空调领域，BP网络也得到了广泛的应用。典型的BP网络由三层构成，见图2。它含有输人层、输出层以及介于输入层与输出层之间的中间层。中间层有单层或多层，由于它们和外界没有直接的联系，故也称为隐含层。在隐含层中的神经元也称隐含单元。隐含层虽然和外界不连接，但是，它们的状态则直接影响输入输出之间的关系。这也是说，改变隐含层的权系数，可以改变整个多层神经网络的性能。各层次的神经元之间形成全互连联接，各层次内的神经元之间没有联接。1.3BP网络的学习规则BP算法分二步进行，即正向传播和反向传播。正向传播，即输入的样本从输入层经过隐含单元一层一层的进行处理，通过所有的隐含层之后，则传向输出层，在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响，在输出层把实际输出和期望输出进行比较之后，如果实际输出不等于期望输出，则进入反向传播过程；反向传播，即把误差信号按原来正向传播的通路反向传回，并对每个隐含层的各个神经元的权系数进行修正（也就是我们通常所说的记忆训练），最后使得全局误差趋向极小值。具体算法步骤如下：1)设置初始权系数w，v和阀值θ，γ为介于-1至+1之间的随机值；2)随机选取一模式对，提供给网络；摧3)肢悲计算隐含咏层与输出烈层的输出悠值写j威=篮1属，芽2缠，捎…兔…忽，削p斜t拖=牲1强，毕2熔，村…胡…算，闯q侧4)嫩蛮计算输出错层的一般隶化误差，吉并将输出先层误差反未向传播至稿隐含层，牺计算隐含姜层一般化校误差辣t杆=吴1神，南2门，排…偶…购，欲q雾j婆=挨1独，撕2笋，午…钱…形，琴p葵5)撒拌调整输出容层的权系省数和阀值她t短=自1桨，乐2隶，它…祸…食，参q续t浙=香1旧，撕2狐，芒…告…急，丘q犬其中旺，单0<<1旦6)忌嘉调整隐含争层的权系津数和阀值达j辈=撤1株，溜2搂，升…玉…慎，右p草j秃=驶1前，滋2践，斤…过…惰，锐p饰其中赚，昌0<<1许7)怒典随机选取狸下一个学筑习模式对授提供给网赛络，返回丢步骤挺（穿3贤），重复粘计算过程欠，直至网成络全局误福差函白数姻E掌小于预先狡设定的一疑个极小值折，即网络蚁收敛或学轧习回数大往于预先设关定的值，娱即网络无众法收敛；魂8)浮淋结束学习久。配2凯酱应用人工狮神经网络吸预测建筑盘物冷负荷点2.1胞闻程序简介纵此程序是枣由作者采兴用输Visu世alB球asic狭6.粗0气语言编制伙，利用通郊用奉B袍P趟算法，其笼输入层批为悲7介个，分别披为当前时皮刻闭τ游，杯τ泰时刻室外开干球温魔度头℃夺，陷τ晴-塘1秧时刻室外竿干球温斥度犯℃第，字τ漏-暖2厉时刻室外宣干球温紫度故℃促，川τ淋时刻含湿闪量城g/(k叉g·dr制a闭)赢，追τ见时刻太阳追辐沿射孔w/m欣2毯，熊τ惯-乌1洞时刻太阳香辐容射河w/m认2提。其中逐朋时室外干康球温度的莫预测将采餐用日ASHR粪A岂E掏系数法呆[3]京，逐时太翠阳辐射的曾预测将采谱用标准搞化池(Ch弄en)沃疯法乡[4]除，逐时含献湿量的预峡测将采用茧指数权重喜移动平摘均缝(EW滩MA)菜界法，输出戚层酱为橡1哲个反—诊—巡建筑物冷损负荷。厌2.2微宣建筑物及泻结果分析持本文用来陶预测冷负固荷的是西避安地区一延栋五层商卧场，建筑技面积约假为步500竭00m由2再，其每天详空调工作三时间霉为破9绝：特0港0姿至炕2境0封：捆0裁0姜，计翻算的5则月膊至承8般月的逐时腐空调负荷祸。某年的菠气象参数坝采用上述闭方法进行降计算，包岂括逐时干亏球温度、赞逐时含湿因量、逐时善太阳辐射渐，而冷负妹荷的训练氧值以及验倾证冷负荷伙预测法的拴用于对比偏的理论计汇算值分别析由动态负锯荷计算软菊件进行计肥算获得。严网络一共灾采用每个披月普3毁0夫（肥3爽1哲）天，续共插231显0替（址238雁7购）个输入消数据向，参33基0看（突34幅1茅）个逐时菠期望输出低冷负荷值唇，进行网榆络训练。觉训练结果企见枯表渐1榴，其妨中塌C愤V斥为偏差系爷数扒、载EE名P嘉为期望偏每差百分数婚[5]留：动表倘1朵谜各月训练邀结果拘表脆械月份命最大冷负江荷准/W玩最小冷负滚荷乔/W娇标准偏态差棵δ里/W拴CV/球%涨EEP/千%替5倍1210蜡225.槐4腿2904垦71.2茄6118馋3.11惧6.88您5.05舅6晌1392刘312.唇9深3963呀23.2侮5971贺3.12陵5.68摸4.28淘7竭1401目322.知4膛3391牛91.6居6037品0.78纤5.95棚5.31袋8采1417茫444.响5未3046济90.2宿6377炭2.43消6.03笼4.76窗随后，采顾用已经训梦练好的神嘴经网络对挡建筑物冷宣负荷进行效预测，分月别对每月脸的亭1滚5迈日进行冷罚负荷预测建，预测结移果见下踢图灵3-渔6泼：提是图脱3贤5挣月谅1淡5骂日冷负荷泻曲线图荒购献图奉4勉6口月槐1佩5捞日冷负荷昨曲线图水图妇5畜7惹月恐1允5寸日冷负荷锡曲线生图栗园晓图纽6戴8锤月滩1亩5蓬日冷负荷铺曲线图软如甚图哪3搅–盒6佛，说明人河工神经网屋络法预测狐建筑物冷接负荷时比埋较可靠的耕。因为商廊场建筑的愈冷负荷与侵建筑物内犁扰有很大忙因素，高寻峰时与低爬谷时或平糕时与周末贝，在人数适上存在很探大差异，扛这也使得结预测出现郑了一些偏拼差，在这牢方面还有锦待改进。艺3懂塞结束语零本文叙述龄了人工神撤经旺B夕P西网络的基尖本原理，否并采高用惠B预P妄网络编制签的软件对范商场建筑瓶物进行冷急负荷预测丙，得到了找与负荷计裤算值比较肌一致的结皇果。有了行较为准确滤的预测冷店负荷就可感以对蓄冰倘空调系统状进行比较适精确的优那化控制，椅所以人工袋神经网络柳的种种优典势对于蓄次冰空调的强发展有着规积极的意围义。洪参考文献拆：醉[1]敢予胡守仁等亦，撤拔神经网络暖导其论放[M]厨犹北京：国满防科技大选学出版殖社强199饮3忘[2]垂顽王伟效，刘诊人工神经尤网络原拼理狡—钻—曲入门与应到用踢[M]吊豪北京：北棒京航空航冲天大学出启版急社展199凑5袖[3]羡Kaws丰hima绍M,变Char孙les荡EDo锻rgan唯,et剥c.胁Opti科mizi恒ngs博yste丰mco属ntro锦lwi催thl次oad耳pred退icti济onb站yne摔ural秋net具work区sfo昆ran奸ice贡-sto郑rage我sys节tem艘[J]快ASHR拢AET截rans顷,19森96,1外02(1办):1淡169-开1178蝶[4]吓Chen浊Tin震g-Ya懂o,A侮KA亩thie疫niti脸sAm声bien匹tte端mper建atur帐ean倘dso且lar己radi涝atio葬npr蛮edic风tion自for雹pre税dict解ive办cont黎rol焰ofH滨VAC岛syst叙ems猫and碍ame捡thod限olog姿yfo诊rop扑tima耐lbu韵ildi酷ngh腐eati收ngd贴ynam唐ico故pera石tion弟[J]回ASH蜜RAE羡Tran苏s19司95,1虏01(1