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。避3唐唉结果分析械和讨论兽为了提孕高毫AN挥N廉的预测精饼度并考虑芒到实际应覆用中数据另库的扩展茅和维护，稍本文利用竭动态模拟权的计算结臣果按月份赖对神经网凤络进行了嗓训练。网浴络采用每黎个六月筋3笔0叠（盖3扎1刃）哑d益，防共男210罪0较（变217大0拴）个输入坛数据到，欺30蜂0括（喜31客0捡）个逐时角期望输出农冷负荷值月，进行学独习训练，哑结果见羡表搞1识。其中洞δ往为标准偏悲差飞、污C幸V号为偏差系扭数搁、蝴EE慈P济为期望偏宾差百分数钱[8]寸。贩表荒1云秒各月冷负三荷极值闭与烫B月P浩网络的训椒练误废差门舒月份甩最大冷负携荷准（禾W保）柜最小冷负画荷诸（朱W挎）溜标准偏脸差躁δ鱼（爹W晶）欺C铸V两（坐%鬼）误EE胸P袋（鸟%丈）马4形2585章39.2岁5251京5.3弃6180酷.5明3.52果2.39锻5胡3622斧10.0凡1464撇05.9叛9711茫.2够3.45领2.68差6易4556敏56.6不2505迹02.4蓬9227公.0雄2.60搜2.02危7种4677从41.3酷2051辫94.0诵1181报4.5该3.34房2.53柄8州4965趣23.3态1843遣22.4剖1248瓦0.2喉3.47疯2.51公9却3562畅65.2吹1584虎67.3版8898饮.1寻3.13誓2.50熊对于网络内测试，考挽虑到数据陕的预处理垦和网络训否练集的完并备性，本朗文利滩用巧7志月份训练妙后双的管AN四N埋对垫6挥月份全月物的逐时负片荷进行预窄测，以验巷证程序的鼠正确让性霸(滴如轨图姐3提)贯。预测结陡果如下：谅标准偏差比为泻2170伴7.6扬W懂，偏差系典数墙C准V过值排为享6.1尊1亏%庄，期望偏流差百分喂数鄙EE辉P巾为挽4.64扩%墨，表明预疫测值与计弄算值十分价吻合。祖图棍3柱中实线为暗计算值，玩虚线为预垄测值，词图煎4声、哈图敏5够与此图图稻例相同。磁利长用恨8乞月份训练好后的网络维对钱6嚷、交7怨月份的预另测也得到慰了类似的用结论，如畜图蝴4老、抬图亚5态。在国外佛文献中，剖即使对于说相同的训愚练数据，居各种方法摔的预测结皮果也差别孩较大，方食法间的优瑞劣比较是洁相对的，捐尚无关于鱼预测结果滥绝对指标呆定义。本汉文预测结浇果的各项罚指标与国挤外文献领中转AN析N毛预测效果剂的指标基境本持平，砖说明本文妥的算法正丘确、结果乡可信。文缩中根据动熊态仿真程廉序的计算亦结果得出笛了上述结容论，尚需挑在实际应云用取得实捏测数据后艺，进行进南一步的验管证和改进司。拌4绳好结束语动采用人工壮神经网络姿可避免复车杂的数据膛分析和建阀模工作，马其非编程侵、自适应赴的信息处翁理方式可温完成复杂键的输群入摘/裂输出的非滤线性映射填。将人工齿神经网络以用于建筑陈物空调冷鲜负荷预测屿，结果显树示它具有损可靠的精帖度。本文纠中采用党的工AN丙N庙方法有待缎于在实际升应用中进仁一步的检具验和改进器。该方法皆对冰蓄冷毒系统的预他测控制具帜有积极的唉意义。显5今笑参考文献振1霉坟李玉纪云乒,某王永双骥绣.津人工神经歼网络在暖么通空调领客域的应用夫研究发焰展乌.柿暖通空牵调冰,200腥1,31蚊(1):绩3染8蚊～若41.引2Mi保stry壁SI雅,S震SNa磨ir.嚼Nonl谊inea兔rHV企ACc物ompu野tati之ons纷usin友gne败ural吧net丰work根s.AS估HRAE武Tra友ns,1闷993,六99(1范):77则5东～激784.穗3鞭踩谭良绿才亮.开空调负荷争的神经计治算谦.着暖通空送调葛,199膛7,27烤(5):永7妥1躲～舟75.正4Ka兄wash孔ima组M,C型harl凑esE忍Dor编gan.毯幅Opti箱mizi夫ngs极yste年mco乖ntro攀lwi影thl献oad饭pred棚icti吼onb盲yne恩ural撇net担work刮sfo吃ran薪ice棕-sto节rage宫sys阴tem.匆ASHR鞠AET漠rans统,199匀6,10溉2(1)草:116经9惕～烘1178旨.鼠5Fe馒rran宝oF诸J,W旗ong作KV.率Pre丽dict灭ion惨oft液herm那als心tora锡gel翅oads优usi膛nga底neu握ral贫netw申ork.病ASHR享AET秆rans风,199周0,96雨(2):忌72觉3驾～辉726.萝6Ka誓wash篇ima照M.A荒rtif谷icia牙lne承ural氧net漆work赵bac碑kpro芦paga惕tion厚mod霉elw肤ith故thre号e-ph耕ase陈anne具alin仆gde拐velo遥ped士for屋the嫂buil捉ding刺ene荡rgy冈pred衬icto错rsh乳ooto愉ut.椅ASHR担AET唉rans秧,199绑4,10廊0(2)国:109柱6英～迹1103魂.书7Kr薪eide塘rJ时F,J增eff案S机，明Hab之erl.退Pre冶dict堡ing因hour凑lyb将uild逐ing眉ener涝gyu留se:侨The羡gre腐ate回nerg洪ypr瓣edic艰tor亏shoo诚t.A丸SHRA翁ETr缓ans,枪1994由,100裕(2):抵110咱4报～拍1118昆.厉8Ka邮wash袄ima棒M,C朱ED扩orga壤n,J仿WM奉itch免ell.均Hou颤rly袋ther鉴mal刘load陪pre寄dict哗ion杰for沈the浮next秩24尿hour忆sby役ARI梦MA,础EWA,摩LR,狼and博an晨arti丑fici浑aln百eura谱lne张twor竟k.A贝SHRA蹲ETr铁ans,疫1995艰,101励(1):彼18性6径～民200.学9Ko术hoen圾TK幻.Se闲lf-o怨rgan岔izat杆ion期and徐asso旦ciat典ive边memo宜ry.省New与York把,Sp哄ring呆-Ver峰lag,破1988块.错10改闸王旨伟甚.应人工神经辰网络原麻理桶—练—宣入