默认字体 9pt 10pt 11pt 12pt 13pt 14pt 15pt 16pt 17pt 18pt 20pt 25pt  

 

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ARI 880-56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（Beam Solar Insolation）^[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。

 

 

2.1 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0.9986 W/（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23.3 W/（m²·℃），垂直内表面对流换热系数3.5 W/（m²·℃）；水平朝上表面对流换热系数4 W/（m²·℃）；水平朝下表面对流换热系数1 W/（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。

 

图1  建筑物逐时冷负荷（4～9月份）

 

图2 太阳辐射对建筑物冷负荷影响（4～9月份）

 

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。

 

2.3 BP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。

 

 

为了提高ANN的预测精度并考虑到实际应用中数据库的扩展和维护，本文利用动态模拟的计算结果按月份对神经网络进行了训练。网络采用每个月30（31）d，共2100（2170）个输入数据，300（310）个逐时期望输出冷负荷值，进行学习训练，结果见表1。其中δ为标准偏差、CV为偏差系数、EEP为期望偏差百分数^[8]。

 

月份	最大冷负荷（W）	最小冷负荷（W）	标准偏差δ（W）	CV（%）	EEP（%）
4	258539.2	52515.3	6180.5	3.52	2.39
5	362210.0	146405.9	9711.2	3.45	2.68
6	455656.6	250502.4	9227.0	2.60	2.02
7	467741.3	205194.0	11814.5	3.34	2.53
8	496523.3	184322.4	12480.2	3.47	2.51
9	356265.2	158467.3	8898.1	3.13	2.50

对于网络测试，考虑到数据的预处理和网络训练集的完备性，本文利用7月份训练后的ANN对6月份全月的逐时负荷进行预测，以验证程序的正确性(如图3)。预测结果如下：标准偏差为21707.6W，偏差系数CV值为 6.11%，期望偏差百分数EEP为4.64%，表明预测值与计算值十分吻合。图3中实线为计算值，虚线为预测值，图4、图5与此图图例相同。

 

利用8月份训练后的网络对6、7月份的预测也得到了类似的结论，如图4、图5。在国外文献中，即使对于相同的训练数据，各种方法的预测结果也差别较大，方法间的优劣比较是相对的，尚无关于预测结果绝对指标定义。本文预测结果的各项指标与国外文献中ANN预测效果的指标基本持平，说明本文的算法正确、结果可信。文中根据动态仿真程序的计算结果得出了上述结论，尚需在实际应用取得实测数据后，进行进一步的验证和改进。

 

 

 

采用人工神经网络可避免复杂的数据分析和建模工作，其非编程、自适应的信息处理方式可完成复杂的输入/输出的非线性映射。将人工神经网络用于建筑物空调冷负荷预测，结果显示它具有可靠的精度。本文中采用的ANN方法有待于在实际应用中进一步的检验和改进。该方法对冰蓄冷系统的预测控制具有积极的意义。

 

1李玉云,王永骥.人工神经网络在暖通空调领域的应用研究发展.暖通空调,2001,31(1):38～41.

2 Mistry S I, S S Nair. Nonlinear HVAC computations using neural networks.ASHRAE Trans,1993,99(1):775～784.

3谭良才.空调负荷的神经计算.暖通空调,1997,27(5):71～75.

4 Kawashima M, Charles E Dorgan. Optimizing system control with load prediction by neural networks for an ice-storage system.ASHRAE Trans,1996,102(1):1169～1178.

5 Ferrano F J, Wong K V. Prediction of thermal storage loads using a neural network.ASHRAE Trans,1990,96(2):723～726.

6 Kawashima M. Artificial neural network backpropagation model with three-phase annealing developed for the building energy predictor shootout. ASHRAE Trans,1994,100(2):1096～1103.

7 Kreider J F, Jeff S， Haberl. Predicting hourly building energy use : The great energy predictor shoot. ASHRAE Trans,1994,100(2):1104～1118.

8 Kawashima M, C E Dorgan, J W Mitchell. Hourly thermal load prediction for the next 24 hours by ARIMA, EWA, LR, and an artificial neural network. ASHRAE Trans,1995,101(1):186～200.

9 Kohoen T K. Self-organization and associative memory. New York, Spring-Verlag,1988.

10王伟.人工神经网络原理——入门与应用.北京:北京航空航天大学出版社,1995.

11 Kreider J F. Operational data as the basis for neural network prediction of hourly electrical demand, ASHRAE Trans, 1997,103(1): 926～934.

12 MacArthur J W. On-line recursive estimation for load profile prediction. ASHRAE Trans, 1989,95(1):621～628.

13 Chen Ting-Yao, A K Athienitis. Ambient temperature and solar radiation prediction for predictive control of HVAC systems and a methodology for optimal building heating dynamic operation. ASHRAE Trans,1995,101(1):26～36.