熱濕氣候地區建筑空調系統能耗預測與優化

邵振強+李朋軒

摘要：隨著人們對室內環境、空氣品質的要求愈來愈高，空調系統的用電量已經成為建筑能耗的主要部分。由于夏季空調冷負荷高峰負荷與城市用電高峰負荷幾乎同步，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。熱濕地區夏季具有高溫高濕的氣候特點，空調系統維持建筑內熱環境穩定所需的能耗相應增加，嚴重影響電網的安全運行。

關鍵詞：熱濕氣候區；空調系統；能耗預測

1 基于氣象因素的BP神經網絡的空調能耗預測模型

1.1 氣象因素分析

空調系統能耗的準確預測，對于空調負荷峰谷來臨之前做好電力負荷的削峰填谷工作，提高電網安全性、經濟性具有重要的意義[1]?？照{負荷屬于典型的氣候敏感負荷[2]，氣象因素對其影響十分明顯，所以應盡量對各種氣象因素在預測過程中對空調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日空調能耗數據和室外地面2米處實時大氣溫度和相對濕度，分別將空調系統負荷與溫度、相對濕度進行歸一化處理后，分別計算溫度、濕度與空調系統負荷的相關系數來分析實時溫度對空調負荷的影響。

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

式中，；分別代表兩個樣本集中第/個樣本數值；為樣本數量。

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

1.2 BP神經網絡預測模型輸入

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

1.3 基于BP神經網絡空調能耗預測

采用南京某建筑2011年6月23日至8月4日共計43日的空調系統歷史負荷（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練樣本，并在模型訓練完成后預測8月5—11日共計7日的空調負荷預測平均絕對誤差為73.9，最大絕對誤差231.3，預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神經網絡空調能耗預測模型2.1粒子群算法優化BP神經網絡

由于傳統的BP算法利用梯度下降法，即負梯度方向來決定每次迭代的新的搜索方向，使待優化的目標函數逐步減小，這就使得該算法存在收斂速度難以控制，易出現麻痹現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函數連續、可導的要求，并在求解大量非線性和多峰值的復雜優化問題方面有著解的品質高、魯棒性好和全局搜索能力強等優點'

由于BP網絡連接權值矩陣和閾值的優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學問題[5]。

No.13July，2017

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

2. 2基于PSO——BP神經網絡空調能耗預測

粒子群算法的主要參數包括：粒子維度D，粒子種群大小N，慣性權重出，學習因子，粒子的搜素范圍和速度范圍，最大迭代次數Maxker。粒子群算法的優化效果很大程度上受參數的影響，本文結合前文設計的BP神經網絡模型，并通過多次的對比實驗最終確定了優化算法的參數。

經過粒子群優化后的BP神經網絡預測模型精確度得到明顯的提升，如圖1所示，預測的平均絕對誤差為56.5，最大絕對誤差95.1，預測的平均相對誤差為0.019，最大相對誤差為0.035。

3 結語

綜合對比BP神經網絡和PSO—BP神經網絡的預測效果，從兩次預測結果可以看出，粒子群優化后BP神經網絡預的平均相對誤差更小，預測結果與實際負荷的相對誤差集中在1%?2%；而BP神經網絡的預測結果雖然也較為精確，但是其中超過30%的預測數據相對誤差超過3%部分預測，穩定性不如優化后的預測模型。粒子群算法魯棒性好、全局搜索能力優秀的特點在解決復雜的非線性優化問題時有著較好的表現，利用粒子群算法優化BP神經網絡參數可以有效提高空調系統負荷預測的準確性。

[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負荷的影響及處理[J].重慶電力高等專科學校學報，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算法的動態空調負荷預測建模[J].裝備制造技術，2011（5）：26-29.

[5]沈學利，張紅巖，張紀鎖.改進粒子群算法對BP神經網絡的優化[JL計算機系統應用，2010（2）：57-61.endprint