基于遺傳算法的寫字樓中央空調工程系統冷負荷預測研究

徐宏林

基于遺傳算法的寫字樓中央空調工程系統冷負荷預測研究

徐宏林

（中國中醫(yī)科學院廣安門醫(yī)院 北京 100053）

在經濟高速發(fā)展的同時，滋生了許多環(huán)境污染問題，而問題的根本源于過高的社會總能耗。其中，中央空調在建筑能耗中的比重較大，超過了40%。對目前階段，許多中央空調存在大慣性和大滯后等問題，導致供冷量過余、能耗浪費的出現。針對此問題，加之為了響應國家節(jié)能減排的號召，在遺傳算法基礎上，對寫字樓中央空調工程冷負荷進行了預測研究，為降低資源浪費，增加能源的利用率做出了一定的貢獻。

遺傳算法；中央空調工程系統；冷負荷

0 引言

近年來，隨著科技及經濟水平的快速發(fā)展，人們對生活環(huán)境的要求更高，空調系統由于具備有效調節(jié)室內外溫度的作用，因此在日常生活中的應用也越來越廣泛[1,2]。中央空調系統為目前社會中常見的空調形式之一，具有制冷、供暖等功效，但在實際應用中仍存在一些問題，如供冷效率低、能源浪費等問題，亟待解決[3]。面對當前中央空調系統存在的能耗過多、供冷過余等問題，需要采取行之有效的措施，使系統能夠迎合所需供應對應冷量的目標，不但能確保系統穩(wěn)步運作，而且還能降低運行能耗，避免能源浪費[4]。因此，本文在遺傳算法的基礎上，對寫字樓中央空調工程系統冷負荷進行了預測研究，以提高中央空調運作效能，實現能源的節(jié)約。

1 BP神經網絡模型及其算法分析

1.1 BP神經網絡模型

McCelland和Rumelhart等人于1986年提出了BP（Back Propagation）網絡，這是一種多層前饋網絡，是依照誤差逆?zhèn)鞑ニ惴ㄓ柧殞崿F的，在目前得到了廣泛的應用[5]。在BP神經網絡中，輸入信號首先會途徑輸入層，接著進入隱含層；其次輸入信號會在隱含層中進行相應的處理；最后流經輸入層，若無法達到相應的輸出標準，那么就會借助反向傳播來獲取誤差信號，進而改變BP神經網絡的閾值和權值，以得到與目標值相近的值，確保BP神經網絡的正常運行[6]。其對應的拓撲結構如圖1所示。

圖1 BP神經網絡對應的拓撲結構圖

圖1中，X和Y分別表示BP神經網絡的輸入與輸出，且確定非線性函數關系由個自變量到個因變量來實現的。

1.2 BP算法

結合圖1，實現BP神經網絡正向傳遞的路徑如下：

其中，第點的輸出值和閾值分別由x和b表示，激活函數由表示，到點間的權值由w表示。信號正向傳遞的路徑較為單一，可通過以上公式計算得到，但誤差反向傳播過程需要依據Widrow-Hoff的學習規(guī)律來完成，具體如下所示：

式（3）為誤差函數，期望輸出值由d表示。與上文描述相同，通過不斷改變權值和閾值來減小其誤差值，從而趨向期望值。此時權重的改變量可通過式（4）計算得到。

若此時選擇式（5）作為激活函數，那么經求導后對應的權值更新w則由式子（6）所示，閾值b由式子（7）所示。

以上流程簡稱糾錯學習規(guī)則，正因為這種規(guī)則才使得BP神經網絡得到普及，通過改變權值和閾值的方式來降低輸出值與實際值間的誤差，提高輸出值的精確度。

2 參數及網絡結構的確定

2.1 輸入參數的確定

結合實際狀況，影響中央空調系統的因素可歸結為兩大類：第一，室內因素；第二，室外因素[7]。故，選取合適的神經網絡輸入參數對預測效果會顯得格外重要，若選取輸入參數過多，那么就會抑制網絡收斂的速度，若選取輸入參數過少，那么就會降低預測的精度[8-10]。為了將中央空調冷負荷預測模型構建出來，此處在前人研究的基礎上，結合實際經驗，對輸入參數進行了確定，經分析，室外干球溫度、室內人員負荷、水平太陽輻射強度、室內相對濕度、時刻、-24時刻的系統冷負荷、-1時刻的系統冷負荷是BP神經網絡輸入層主要的影響參數。

2.2 輸出參數的確定

中央空調系統的前饋控制可通過提前獲取下一時刻的冷負荷量來加以實現。由于空調水系統具有大慣性等特點，因此，通過明確冷負荷需求量的方式來完成空調水系統的調整工作，能夠迎合國家節(jié)能減排的號召，故，選定中央空調逐時冷負荷作為BP神經網絡輸出層的參數。

2.3 網絡結構的確定

在確定輸出層與輸入層后，需要完成隱層節(jié)點數的確認工作。對模型性能而言，隱層節(jié)點數扮演著重要的角色，并對其性能優(yōu)越方面起到關鍵性的作用。因此，本文結合相關預測誤差和試湊法，如式（8），完成隱層節(jié)點數的確認工作。經計算，隱層最終有11個節(jié)點數。

式中，輸入層和輸出層節(jié)點數分別由和表示，隱含層由表示，此外，。因此，隱含層節(jié)點數的取值波動在4～13之間。借助試湊法，對BP神經網絡的預測精度及泛化能力進行考量，得到h為10時，網絡綜合指標達到最優(yōu)。根據上述的分析與計算，完成寫字樓中央空調負荷預測模型的構建工作，如圖2所示。

圖中，輸入層有7個節(jié)點數，輸出層有1個節(jié)點數，隱含層有10個節(jié)點數。但BP神經網絡會存在以下幾點不足之處：第一，隱含層無法得到理論支撐，需要通過近似選取獲得；第二，在訓練中，原始數據會被新的數據替代，無法存留下來；第三，無法得到全局最優(yōu)質；第四，隨著迭代時間的推移，且無法達到相應的標準時，那么會抑制其收斂速度及學習效率。

3 改進方法的選取

本文針對BP神經網絡的不足，對以下幾種改進方法進行了比擬，并為改進BP神經網絡的不足選取了適當的改進方法加以改進，具體如下：

3.1 附加動量項法

該方法的改進手段對誤差曲面變化趨勢的影響項進行考慮。在BP神經網絡撞見極小值背景下，添加附加動量項后，會有效避免局部最優(yōu)的出現，降低極小值對BP神經網絡造成的干擾。總而言之，該方法是將動量因子添加到梯度下降法上的一種方法，對權值和閾值起到有效的調節(jié)作用，對應公式如下所示：

3.2 自適應學習率法

學習速率的選取是根據實際工程的需要及相關的經驗來確定的，雖然這樣選取的學習速率能有效解決訓練前中期的問題，但無法迎合后期的訓練變化，導致出現較差的訓練效果。針對BP神經網絡此問題，此處提出了自適應學習率法，以滿足BP神經網絡訓練的要求，對應的計算公式如式（11）所示。

3.3 貝葉斯正則化法

該方法是通過約束BP神經網絡的權值來達到抑制擬合現象發(fā)生的目的，增強BP神經網絡的泛化能力。即通過改變對應的誤差函數來實現性能指標的改變，進而抑制BP神經網絡權值。BP神經網絡常常會用到的性能指標函數稱之為均方誤差，對應的計算公式如式（12）所示。

其中，第個訓練點的預測輸出和目標輸出分別由d和y表示。在貝葉斯正則化法的性能指標中附加了懲罰項，對應的計算公式如下所示。

表1 三種改進方法的比較

可以看出，在這三種改進方法中，只有貝葉斯正則化法能夠提高網絡的泛化能力。而回顧到中央空調系統的特點，需要通過精準的冷負荷預測來實現中央空調系統前饋控制的目的，即需要較強的網絡泛化能力作為支撐。因此，本文選擇該方法來改進BP神經網絡，強化網絡的泛化能力，以提高網絡預測的精度。

4 實驗研究

4.1 數據的采集

以某寫字樓中央空調工程作為研究對象，將2019年5月1日至2019年8月23日共計2760小時收集到的數據作為訓練樣本集，將2019年8月24日到2019年8月26日共計72小時的冷負荷數據作為測試樣本集，經實測，部分冷負荷如圖3所示。

圖3 某寫字樓中央空調冷負荷實測部分數據

圖中展示的是2019年5月1日—5月7日寫字樓中央空調實測冷負荷。可以看出，供冷量隨著天氣溫度的升高而增多。此外，深夜也存在冷負荷消耗。因為中央空調具有大慣性、大滯后等特點，所以在啟動或停止這類操作都會造成較大的耗電量及干擾，故即使在深夜也會保持中央空調穩(wěn)定的運行。為了便于干球溫度、太陽輻射強度以及相對濕度等方面數據獲取及收集，本文將小型室外氣象數據采集站建立在寫字樓樓頂，實測得到的輸入樣本部分數據如表2所示。

表2 部分實測輸出樣本數據

續(xù)表2 部分實測輸出樣本數據

4.2 數據的歸一化處理

因為在對寫字樓中央空調冷負荷的預測中，會涉及到大量的數據，而數據的種類又具有多樣化的特點，所以在網絡訓練期間會存在異常結果出現的可能，或訓練時間過程等問題的發(fā)生。此時，常常通過歸一化處理手段來完成BP神經網絡輸入參數的處理工作，進而加快網絡的收斂速度。通常會通過最大最小化法和平均數方差法來完成數據的歸一化的處理工作，且區(qū)間設定為[0,1]。其中，對第一種處理方法而言，會以1作為每一類數據中的最大值，以0作為每一類數據中的最小值，除了最大值和最小值的限定，其余值則根據其自身的大小歸納到設定的區(qū)間中，即歸一化到[0,1]中；對第二種處理方法而言，是通過獲取每一類數據的平均值，并根據平均值的大小對這類數據歸一化到[0,1]中。通過歸一化處理后，最終得到的輸出結果會在區(qū)間[0,1]內，這樣無法與目標數據產生明確的比對，因此，需要對輸出數據進行方歸一化處理獲取預測的真實值，如式（15）所示。

4.3 參數的設置

本文借助貝葉斯正則化法對BP神經網絡進行改進，從而借助改進后的BP神經網絡完成寫字樓中央空調冷負荷的預測工作。此時輸入層有7個節(jié)點數，輸出層有1個節(jié)點數，隱含層有10個節(jié)點數，以2000Epochs作為訓練的最大時長，學習率和目標誤差分別設置為0.15和10-5，選擇logsig作為隱含層節(jié)點的傳遞函數，選擇tansig作為輸入層節(jié)點的傳遞函數，選擇葉斯正則化函數trainbr作為訓練函數，選擇BP學習規(guī)則learngd作為網絡學習函數，具體如圖4所示。

圖4 BP神經網絡參數的設置

4.4 實驗結果分析

借助優(yōu)化后的BP神經網絡對寫字樓中央空調2019年7月22日—25日的冷負荷進行預測，并借助matlab軟件進行仿真，得到的結果如圖5所示。

圖5 預測值與實際值的擬合情況

可以看出，得到的預測值與實際值的擬合度較高，且誤差在實際工程允許的誤差范圍之內。肯定了優(yōu)化后的BP神經網絡算法在寫字樓中央空調冷負荷中的預測能力。

5 小結

本文首先對中央空調系統結構及制冷原理進行了闡述，接著對BP神經網絡模型及算法進行了分析，除了知道中央空調系統具有大慣性的特點外，還了解了BP神經網絡算法的不足。其次，針對BP神經網絡的不足，提出并對比了三種常用的改進方法，如附加動量項法、自適應學習率法以及貝葉斯正則化法，通過比對選取了貝葉斯正則化法來對BP神經網絡算法進行優(yōu)化。最后以某寫字樓中央空調工程為例，對寫字樓中央空調冷負荷進行了預測，并與實際結果進行了比擬，肯定了經貝葉斯正則化法優(yōu)化后，BP神經網絡算法預測中央空調冷負荷的可行性。

[1] 游明褔.淺談中央空調系統技改節(jié)能實踐運用[J].江西建材,2017(24):60,64.

[2] 朱肖晶,朱兵,王科,等.中央空調節(jié)能控制系統的技術應用分析[J].電力需求側管理,2018,20(2):25-28.

[3] 王丹.中央空調節(jié)能改造的探討[J].科學與財富, 2017,(26):00368.

[4] 余錫華.基于中央空調系統節(jié)能的幾點思考[J].江西建材,2017,(23):74.

[5] 任爽,劉航,菅銳.基于神經網絡模型的中央空調房間溫度預測控制[J].沈陽大學學報(自然科學版),2015,27(3): 233-237.

[6] 鄭萌,王振華,王曉江,等.基于神經網絡的中央空調遺傳算法優(yōu)化研究[J].煤氣與熱力,2016,36(5):13-16.

[7] 王蓓蓓,朱峰,嵇文路,等.中央空調降負荷潛力建模及影響因素分析[J].電力系統自動化,2016,40(19):44-52.

[8] 張經博,郭凌,王朝霞,等.基于遺傳算法優(yōu)化BP神經網絡的供暖系統熱負荷預測模型[J].兵器裝備工程學報,2014,35(4):152-156.

[9] 高沖.航站樓蓄冷空調系統的負荷預測和運行優(yōu)化方法研究[D].天津:中國民航大學,2016.

[10] 魏一鳴,劉曉聰,程會林.中央空調系統的數據分析與控制策略[J].電腦迷,2017,(12):77-78.

Research on Cold Load Forecasting of Central Air Conditioning Engineering System of Office Building Based on Genetic Algorithm

Xu Honglin

( China Academy of Chinese Medical Sciences Guanganmen Hospital, Beijing, 100053 )

At the same time of rapid economic development, many environmental pollution problems have arisen, and the root of the problem stems from the excessive total energy consumption of society. Among them, the central air-conditioning has a large proportion in building energy consumption, exceeding 40%. At the current stage, many central air conditioners have problems such as large inertia and large lag, esulting in excessive cooling and energy consumption. In response to this problem, in order to respond to the national call for energy conservation and emission reduction, based on the genetic algorithm, this paper predicts the cooling load of central air-conditioning project in office buildings, and makes a certain contribution to reduce resource waste and increase energy utilization.

genetic algorithm; central air conditioning engineering system; cold load

TP15

A

1671-6612（2020）04-436-06

徐宏林（1977.8-），本科，中級工程師，E-mail：zengtian199307@163.com

2019-09-30