基于广义回归神经网络的蓄冰中央空调逐时冷负荷预测模型

基于广义回归神经网络的蓄冰中央空调逐时冷负荷预测模型

由于中央供冷系统在夜间收到低伴随寒冷的能源，并在一天内释放高峰供冷，因此供冷订单。制冷系统的设计基于日设计负荷的分布。系统的主要设备，如制冷机组和冰槽的容量由项目日确定。在项目日负荷条件下，该系统的运营效果最好。根据美国寒冷协会（ari880-56）的数据，75%100%的负荷率仅为该年的总运营时间的10%。该系统的大部分时间都低于项目日的负荷。因此，无论系统设计是否合理，系统控制策略的选择是否正确，空调负荷的正确预测是冷藏冷系统优化和控制的前提和基础。对空调负荷预测模型已有大量研究,建筑空调逐时冷负荷与各影响因素之间呈现复杂的非线性关系,其中室外温度对冷负荷的影响最大.人工神经网络(ANN)和遗传算法(GA)在求解复杂的非线性问题时具有巨大的优势,广泛应用于预测、优化和控制领域.文献利用反向传播神经网络(BPNN)分别对NOx排放量和锅炉热效率进行了优化,并结合遗传算法和神经网络实现了锅炉的优化燃烧.本研究利用遗传算法寻优广义回归神经网络(GRNN)平滑因子,以前一日已知的24h室外温度为输入,以次日工作时段逐时冷负荷为输出,建立了蓄冰空调次日逐时冷负荷的GRNN预测模型,该模型能较准确地预测建筑逐时冷负荷,并且性能稳定,鲁棒性好.1grnn算法描述GRNN预测模型是径向基神经网络的变形,其结构与径向基网络接近,仅在输出的线性层有一些不同,非常适合于非线性函数的逼近.GRNN结构包括输入层、径向基隐含层及线性输出层.输入层节点只传递输入信号到隐含层,隐含层节点由径向基传递函数构成,而输出层节点通常是简单的线性函数.隐含层节点中的基函数对输入信号将在局部产生响应,当输入信号靠近基函数的中央范围时,隐含层节点将产生较大的输出,所以GRNN具有局部逼近能力.GRNN克服了收敛速度慢和容易陷入局部最小等缺点,有很好的逼近能力、分类能力和学习速度,网络最后收敛于样本量集聚较多的优化回归面,并且在样本数据相对较少时,效果也比较好.此外,GRNN中人为调节的参数少(只有1个阈值),网络的学习全部依赖数据样本,该特点决定了网络得以最大限度地避免人为主观假定对预测结果的影响.GRNN的基本原理为:假设Xi和Yi分别是输入矢量和输出矢量的样本,对于任意一个X对应的Y值,可用下式进行评估ˆY(X)=∑iYiexp(-D2i/(2δ2))/∑iexp(-D2i/(2δ2)),Yˆ(X)=∑iYiexp(−D2i/(2δ2))/∑iexp(−D2i/(2δ2)),式中:Di=(X-Xi)T(X-Xi),i为预测网络输入时刻,i=1,2,…,24;平滑因子δ是GRNN仅有的参数.蓄冰空调的GRNN输入层由24个神经元组成,分别代表前一日24h(0:00～24:00)室外温度,输出层由10个神经元组成,分别代表次日10h工作时间(8:00～18:00)逐时冷负荷,隐含层神经元个数即是训练样本个数.平滑因子的确定是GRNN训练的实质和难点,本研究采用遗传算法对GRNN的平滑因子寻优.遗传算法的主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息,因此避免了基于微分寻优方法的一些缺点,如可能陷入局部最优解和对各变量要求较苛刻等,尤其适用于处理传统搜索方法难以解决的复杂和非线性问题.2网络培训和评估指标2.1模型数据的选取特定建筑蓄冰系统的实际运行情况和测量数据是最为直接和有效的GRNN训练数据集,但由于城市热岛效应和具体建筑物所处位置不同,建筑物用途和运行方式不同,因此影响建筑空调负荷的因素千差万别,空调实际运行时的室外逐时气象参数和冷负荷数据在国内现有的条件下难以获得.为简化计算和方便分析,本文选取图书馆建筑作为研究对象,图书馆的负荷特点是虽然内扰在总冷负荷中所占比例较大,但一般比较平稳,变化不大,故可以认为室外气象条件的变化是影响图书馆冷负荷波动的主要因素.用于模拟的建筑物是广州市一栋四层图书馆,长×宽×高分别为36m×18m×14.4m,层高3.6m,建筑面积2592m2,该图书馆周六周日同样开馆,冷负荷峰值为500kW.广州每年5～10月要开空调,选用广州“参考年”气象资料作为图书馆系统能耗分析的“标准年”,采用清华大学开发的动态负荷计算软件DesT1.0计算模拟建筑的负荷,气象数据和冷负荷数据作为GRNN训练和验证的样本数据.2.2归一化后的网络目标数据预处理是利用GRNN进行预测过程中重要的一步.在GRNN学习阶段,需要对输入值和对应的已知输出值进行归一化处理,即把数据处理成0～1之间的数值,xi=(xi-xmin)/(xmax-xmin)；tl=(yi-ymin)/(ymax-ymin)‚式中:xi为归一化后GRNN的输入值;xi为原始输入值;xmin为原始输入值中的最小值;xmax为原始输入值中的最大值;tl表示归一化后神经网络的目标值,l为预测网络输出时刻,1,2,…,10;yi表示原始目标值;ymin表示原始目标值中的最小值;ymax表示原始目标值中的最大值.GRNN经过学习训练后,得到预测值Ol,其范围为0～1,因此,需把预测值还原为实际值yl=ymin+Οl(ymax-ymin)‚2.3遗传算法适应度函数的构造本研究在基本遗传算法的基础上采用下列步骤寻优平滑因子:a.浮点编码.浮点编码精度高,不受染色体编码长度的限制,同时可以提高运算效率.对GRNN输入矢量的每一维分别取一个平滑因子,染色体编码长度即为输入矢量的维数,染色体即种群的个体,每个个体代表GRNN模型平滑因子的一种取值情况.b.构造适应度函数.每次从训练样本中取出一个样本作为预测样本,其余样本作为训练样本,根据预测得到的最小均方差来构造遗传算法的适应度函数.c.交叉操作.采用简单的单点交叉操作,随机产生交叉点.交叉操作为a´k=(1-α)ak+βk；b´k=(1-β)bk+αk‚式中:ak和bk为交叉前的个体;a′k和b′k为交叉后的个体;α和β为(0,r)区间上均匀分布的随机数,系数r∈(0,1),调节r的值可以控制交叉操作的变化范围.交叉操作后若a′k,b′k<L,则取a′k,b′k=L;若a′k,b′k>R,则取a′k,b′k=R;L和R按实际问题的物理变量取范围的上、下限,此处下限L=0.15,上限R=0.85.d.变异操作.采用如下变异操作c′={c+k(R-c)γc-k(c-L)γ(random(2)=0);(random(2)=1)‚式中:c为变异前的个体;c′为变异后的个体;γ为(0,1)区间上的随机数;系数k∈(0,1).图1所示为遗传算法寻优平滑因子流程图.2.4计算值与预测值违反情况常用评价神经网络的指标包括标准偏差ESD、偏差系数ECV和期望偏差率EEEP,这3个指标表明预测值偏离计算值的程度,ESD=√n∑i=1(ypre,i-ycal,i)2/n；ECV=(δ/|ˉycal|)×100％；EEEΡ=(δ/|ycal,max|)×100％‚式中:下标pre表示预测值;下标cal表示计算值;下标max表示最大值;上划线表示平均值.3预测模型的建立及显著性分析在VisualBasic.Net环境下编制GRNN训练程序,对空调负荷预测模型进行仿真研究.后台数据库选用Access2003,数据库文件smaples.mdb中的6个表放置样本数据,分别包含GRNN5～10月的6组温度输入值及逐时冷负荷输出值,其中5月、7月、8月、10月为31d,每月共744个温度输入值,310个逐时冷负荷输出值;其他月为30d,每月共720个温度输入值,300个逐时冷负荷输出值.数据库文件train.mdb的表中保存了输入层、隐含层、输出层神经元个数,训练收敛后各层神经元的权值和阈值,输出层的输出.GA.mdb的表中放置了遗传算法寻优平滑因子时的相关参数,即种群规模数、最大进化代数、迭代次数和误差.样本数据来源于广州某图书馆2006年5～10月6个月共184个气象数据和计算负荷数据,把随机选取的5月、7～10月共154个样本数据作为训练数据来训练网络,用训练好的网络来预测6月各天的逐时负荷,并以30个计算负荷数据作为验证数据来检验网络的预测效果.将6月各天的室外温度值输入训练好的GRNN,观察并记录次日逐时负荷预测值.图2所示为各天的预测值和计算值比较图,横坐标时间代表6月30d共300h,纵坐标为逐时冷负荷.6月各天逐时冷负荷最大值为455.552kW,最小值为251.367kW,平均负荷为353.891kW,经过计算得到预测模型的标准偏差ESD为9.256kW、偏差系数ECV为2.62%、期望偏差率EEEP为2.07%.图形和数据显示出逐时负荷预测值较好地反映了计算值.对6月的预测值和计算值作进一步回归分析,图3绘出了6月各天逐时冷负荷预测值相对于计算值的散点图,图形显示预测值和计算值存在线性相关.理想情况下,预测值数据点都应该落在斜率为1的直线上,即线性完全正相关.用最小二乘法拟合这些数据,得出回归直线斜率为0.972,95%置信水平下回归直线斜率的置信区间为0.966～1.012,根据回归方程的显著性检验,证明预测值和计算值之间强相关.蓄冰空调是一项能在电力需求侧抑峰填谷的重要技术,而准确的负荷预测是蓄冰空调最优控制及经济运行的前提和基础.本研究以一栋四层楼图书馆为模拟建筑,建立了蓄冰空调逐时负荷预测的广义回归神经网络模型,并采用遗传算法对平滑因子寻优.软件环境采