熱濕氣候地區(qū)建筑空調(diào)系統(tǒng)能耗預(yù)測與優(yōu)化

邵振強+李朋軒

摘要：隨著人們對室內(nèi)環(huán)境、空氣品質(zhì)的要求愈來愈高，空調(diào)系統(tǒng)的用電量已經(jīng)成為建筑能耗的主要部分。由于夏季空調(diào)冷負(fù)荷高峰負(fù)荷與城市用電高峰負(fù)荷幾乎同步，加劇了峰谷供電的不平衡，使峰谷供電不足的矛盾更加突出。熱濕地區(qū)夏季具有高溫高濕的氣候特點，空調(diào)系統(tǒng)維持建筑內(nèi)熱環(huán)境穩(wěn)定所需的能耗相應(yīng)增加，嚴(yán)重影響電網(wǎng)的安全運行。

關(guān)鍵詞：熱濕氣候區(qū)；空調(diào)系統(tǒng)；能耗預(yù)測

1 基于氣象因素的BP神經(jīng)網(wǎng)絡(luò)的空調(diào)能耗預(yù)測模型

1.1 氣象因素分析

空調(diào)系統(tǒng)能耗的準(zhǔn)確預(yù)測，對于空調(diào)負(fù)荷峰谷來臨之前做好電力負(fù)荷的削峰填谷工作，提高電網(wǎng)安全性、經(jīng)濟性具有重要的意義[1]。空調(diào)負(fù)荷屬于典型的氣候敏感負(fù)荷[2]，氣象因素對其影響十分明顯，所以應(yīng)盡量對各種氣象因素在預(yù)測過程中對空調(diào)能耗變化的影響加以分析。選取南京市某公共建筑2016年8月16—30日空調(diào)能耗數(shù)據(jù)和室外地面2米處實時大氣溫度和相對濕度，分別將空調(diào)系統(tǒng)負(fù)荷與溫度、相對濕度進行歸一化處理后，分別計算溫度、濕度與空調(diào)系統(tǒng)負(fù)荷的相關(guān)系數(shù)來分析實時溫度對空調(diào)負(fù)荷的影響。

通過計算歸一化相關(guān)系數(shù)可以測定兩個變量之間的關(guān)系的緊密程度，歸一化相關(guān)系數(shù)計算公式如下：

式中，；分別代表兩個樣本集中第/個樣本數(shù)值；為樣本數(shù)量。

計算可知，負(fù)荷和溫度的歸一化相關(guān)系數(shù)為0.8342，當(dāng)7^00.8時，兩個變量可視為高度相關(guān)，因此可知溫度對空調(diào)系統(tǒng)負(fù)荷的影響十分明顯，應(yīng)將實時溫度作為建立空調(diào)系統(tǒng)負(fù)荷預(yù)測模型首要考慮的氣象因素；負(fù)荷與相對濕度的歸一化相關(guān)系數(shù)為0.6528，可知實時濕度對空調(diào)負(fù)荷的影響較小，但是由于0.5S/VC<0.8，實時濕度與空調(diào)負(fù)荷呈中度相關(guān)，考慮到預(yù)測模型的準(zhǔn)確性，實時濕度也應(yīng)作為模型的輸入量之一。

1.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸入

本文采用逐時采集的建筑空調(diào)系統(tǒng)負(fù)荷，由于空調(diào)系統(tǒng)每個整點的負(fù)荷值之間存在某非線性的關(guān)聯(lián)：某日的空調(diào)負(fù)荷曲線不僅與前后幾天的空調(diào)負(fù)荷有一定相似性，還與上周或者上上周同類型日的空調(diào)負(fù)荷有一定相似性[3]。于是將實時氣象因素、日特征氣象因素、空調(diào)歷史能耗數(shù)據(jù)作為3個類別進行輸入變量的劃分，如表1所示。

1.3 基于BP神經(jīng)網(wǎng)絡(luò)空調(diào)能耗預(yù)測

采用南京某建筑2011年6月23日至8月4日共計43日的空調(diào)系統(tǒng)歷史負(fù)荷（每3小時采集1次）、室外實時溫度、室外實時相對濕度作為訓(xùn)練樣本，并在模型訓(xùn)練完成后預(yù)測8月5—11日共計7日的空調(diào)負(fù)荷預(yù)測平均絕對誤差為73.9，最大絕對誤差231.3，預(yù)測的平均相對誤差為0.024，最大相對誤差為0.069。

2基于PSO-BP神經(jīng)網(wǎng)絡(luò)空調(diào)能耗預(yù)測模型2.1粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

由于傳統(tǒng)的BP算法利用梯度下降法，即負(fù)梯度方向來決定每次迭代的新的搜索方向，使待優(yōu)化的目標(biāo)函數(shù)逐步減小，這就使得該算法存在收斂速度難以控制，易出現(xiàn)麻痹現(xiàn)象和易陷入局部極值等不足；而粒子群算法，避免了最速下降法中對目標(biāo)函數(shù)連續(xù)、可導(dǎo)的要求，并在求解大量非線性和多峰值的復(fù)雜優(yōu)化問題方面有著解的品質(zhì)高、魯棒性好和全局搜索能力強等優(yōu)點'

由于BP網(wǎng)絡(luò)連接權(quán)值矩陣和閾值的優(yōu)化可以理解為迭代求取最小均方差的過程，即可表示為求最小值的數(shù)學(xué)問題[5]。

No.13July，2017

分別用代表輸入層一隱含層連接權(quán)值矩陣，隱含層一輸出層連接權(quán)值矩陣。第/個粒子的位置在第^次迭代時可表示為：

2. 2基于PSO——BP神經(jīng)網(wǎng)絡(luò)空調(diào)能耗預(yù)測

粒子群算法的主要參數(shù)包括：粒子維度D，粒子種群大小N，慣性權(quán)重出，學(xué)習(xí)因子，粒子的搜素范圍和速度范圍，最大迭代次數(shù)Maxker。粒子群算法的優(yōu)化效果很大程度上受參數(shù)的影響，本文結(jié)合前文設(shè)計的BP神經(jīng)網(wǎng)絡(luò)模型，并通過多次的對比實驗最終確定了優(yōu)化算法的參數(shù)。

經(jīng)過粒子群優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型精確度得到明顯的提升，如圖1所示，預(yù)測的平均絕對誤差為56.5，最大絕對誤差95.1，預(yù)測的平均相對誤差為0.019，最大相對誤差為0.035。

3 結(jié)語

綜合對比BP神經(jīng)網(wǎng)絡(luò)和PSO—BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果，從兩次預(yù)測結(jié)果可以看出，粒子群優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)預(yù)的平均相對誤差更小，預(yù)測結(jié)果與實際負(fù)荷的相對誤差集中在1%?2%；而BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果雖然也較為精確，但是其中超過30%的預(yù)測數(shù)據(jù)相對誤差超過3%部分預(yù)測，穩(wěn)定性不如優(yōu)化后的預(yù)測模型。粒子群算法魯棒性好、全局搜索能力優(yōu)秀的特點在解決復(fù)雜的非線性優(yōu)化問題時有著較好的表現(xiàn)，利用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)可以有效提高空調(diào)系統(tǒng)負(fù)荷預(yù)測的準(zhǔn)確性。

[參考文獻]

[1]KAWASHIMAM.Hourlythermalloadpredictionforthenext24hoursbyARIMA，EWMA，LR，andneuralnetworks[J].ASHRAETransactions，1995（1）：186-200.

[2]趙曉丹.實時氣象因子對空調(diào)負(fù)荷的影響及處理[J].重慶電力高等專科學(xué)校學(xué)報，2015（2）：59-62.

[3JSAKAWAUSHIROSK.Coolingloadpredictioninadistrictheatingandcoolingsystemthroughsimplifiedrobustfilterandmulti?layeredneuralnetwork[C].US：ProceedingsoftheIEEEInternationalConferenceonSystems，ManandCybernetics，1999（4）：995-1000.

[4]王小純，劉蕾.基于PSO-BP算法的動態(tài)空調(diào)負(fù)荷預(yù)測建模[J].裝備制造技術(shù)，2011（5）：26-29.

[5]沈?qū)W利，張紅巖，張紀(jì)鎖.改進粒子群算法對BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化[JL計算機系統(tǒng)應(yīng)用，2010（2）：57-61.endprint