基于多組實時數據回歸分析的空調負荷預測方法研究

肖暾

（華東建筑設計研究院有限公司，上海 200011）

0 引 言

工程前期常用的空調負荷預測估算方法主要有空調負荷軟件、面積指標估算、參考既有建筑數據等。軟件計算方法需要完整的計算參數才能準確計算，且計算工作量大；面積指標估算由于給出的指標是一個范圍，無法精確數值，易估高建筑群的負荷[1]；既有建筑實測數據往往不夠全面或針對性不強，也會有一定偏差。對于區域建筑群，苑翔等人[2]提出了對影響冷負荷的因素進行情景設置并預測負荷，王利珍等人[3]采用蒙特卡羅模擬方法預測區域建筑負荷，果澤泉等人[4]提出基于大數據分析城市熱網負荷，方波等人[5]引入人工神經網絡預測方法建立負荷預測模型，這些方法需要整理和分析多種數據，并進行編程或建模，計算周期較長。

在前期規劃分析階段區域能源中心具有較大的不確定性，沒有詳細的建筑單體資料，各類指標經常變化，但又需要快速進行負荷估算以便進行方案分析、測算設備容量和站址規模等工作。基于上述需求，本文嘗試采用基于多組數據進行回歸分析預測空調負荷，在工程前期通過供能面積指標估算負荷，是一種簡單快捷且具備一定準確度的實用方法。

1 基于數據回歸分析的空調負荷預測原理

影響空調負荷的因素有很多，例如外部氣象條件、地理位置以及建筑的形態、功能、室內人員活動規律、內部發熱量等[5]，但是在項目前期，建筑條件往往無法明確，只能利用已知的條件對負荷進行預測。根據上位規劃文件，可以了解的是供能面積指標、主要業態等宏觀的規劃指標和要求，這些指標與能源中心負荷有機地相互聯系，能源中心負荷的變化主要依存于供能面積的變化，它們之間在一定條件和范圍內的相互聯系，可以通過數學關系反映出來。

在一般條件下，供能面積增加，冷熱負荷便相應地提高，但供能面積與空調負荷增長的數值并不存在嚴格的依存關系，因為對于空調負荷來說，除了供能面積這一因素之外，還會受到本節提到的諸多其它因素的影響。即便如此，它們之間仍然存在一定的規律性，在一定的條件和范圍內，隨著供能面積的增加，空調負荷便相應地有所提高。

本文在某地區選取綜合業態的區域能源中心的供能面積、冷負荷和熱負荷樣本，嘗試進行回歸分析，對其相關性進行判斷，擬合回歸方程，并應用方程預測區域能源中心的典型日最大小時負荷。主要步驟如下[6]：

1)收集本地區項目樣本，并確定供能面積與負荷的相關關系的密切程度，將數據資料編制成散點圖進行初步分析，判斷相關的密切程度，并計算相關系數；

2)選擇合適的數學模型，可采用配合直線或曲線模型，擬合的回歸方程可作為判斷、推算和預測的依據；

3)根據配合的數學模型，對估算值與實際值進行對比分析，判斷回歸方程的準確程度；

4)應用回歸方程估算負荷，并與采用傳統方法計算取得的數據進行比較分析，驗證回歸方程的準確程度。

2 基于數據回歸分析的空調負荷預測方法的應用

以上海某區域綜合開發項目為例，該區域共有8個建筑單體及地下室，業態以辦公、商業為主，辦公與商業面積比為7∶3，采用能源中心集中供能，供能面積約46萬平方米，采用回歸分析方法對其進行冷、熱負荷估算。

首先收集上海地區已建或在建能源中心項目的供能面積、冷負荷和熱負荷作為樣本，供能業態以辦公、商業為主，辦公面積占供能面積比約為0.5～0.7，商業面積占比約為0.2～0.5，供能面積在26.8萬m2～111.3萬m2之間，樣本數據見表1。

表1 能源中心樣本數據

為考察供能面積與空調負荷的相關密切程度，選取案例項目中的供能面積、冷負荷和熱負荷數據，將供能面積S與冷負荷QL、供能面積S與熱負荷QR的每組數據標在坐標圖上，由圖1和圖2可以看出，S-QL、S-QR各點雖不完全在一條直線上，但有近似直線的趨勢。

圖1 供能面積與冷負荷趨勢圖

圖2 供能面積與熱負荷趨勢圖

分別對S-QL、S-QR計算相關系數r值以判斷相關性，得到A-QL、A-QR相關系數分別為0.98和0.94，當相關系數的絕對值越接近于1時，線性關系越好[7]，因此，可以認為A-QL、A-QR具有較好的相關性，并對其進行擬合得出回歸方程：

式中：QL——能源中心預測冷負荷，MW；A——能源中心規劃供能面積，萬m2。

式中：QR——能源中心預測熱負荷，MW；A——能源中心規劃供能面積，萬m2。

利用式(1)、(2)計算對應供能面積的冷、熱負荷估計值，與實際數據進行對比并計算相對誤差率，見表2。采用回歸方程估算的冷負荷與實際值對比，平均誤差6.96%，在12組數據中誤差小于10%的數據為10組。采用回歸方程估算的熱負荷估算與實際值對比，平均誤差9.47%，在12組數據中誤差小于10%的數據為9組。

表2 回歸方程估算值與實際值誤差

對于樣本1的冷負荷、熱負荷估算誤差率均超過20%，從工程實際出發，區域能源供能面積小于30萬m2的情況較少，因此選取回歸公式的適用范圍為供能面積36～110萬m2。

采用回歸分析的得出空調負荷預測式(1)、(2)對該商業綜合體空調負荷進行計算，上海該區域綜合開發項目QL=41.53 MW，QR=21.33 MW，單位面積冷負荷指標為90W/m2，單位面積熱負荷指標為46W/m2。

3 傳統空調負荷預測

3.1 常用空調負荷軟件計算結果

選用清華大學DeST軟件計算全年負荷和華電源HDY-SMAD軟件同樣對上述的上海某區域綜合開發項目計算典型日負荷，并分別得出最大小時負荷值。

在設計工況下，上海市室外氣象參數見表3。

表3 上海市氣象參數

建筑圍護結構熱工參數、室內計算參數與新風量，人員密度、照明功率密度值、電器設備功率等均按《上海市公共建筑節能設計標準》[8]中的參照值設定。室內設計參數及室內人員及設備計算參數匯總于表4、表5。

表4 室內設計參數

表5 室內人員及設備計算參數

參照相關規范取值，對于商務區（功能含商業中心及辦公），同時使用系數取值為0.70～0.78[9]，考慮本次計算項目的供能地塊較少，同時地處城市核心區域，同時使用系數按規范建議值的偏上限選擇，確定取值為0.75。

1)清華大學DeST軟件模擬預測結果

采用DeST軟件模擬全年負荷，通過簡化建筑模型的方式進行推算。簡化模型為上海地區一棟辦公商業綜合體，該模擬建筑一共10層，層高4m，單層建筑面積為3600m2。其中一、二層為商業區域，三到十層為辦公區域，其比例設置與能源中心供能區域規劃的辦公與商業面積比例近似，模型如圖3、圖4所示。

圖3 模擬建筑平面示意圖

圖4 模擬建筑立體示意圖

通過對圍護結構參數、室內參數、房間作息的設置，并加入自然通風的模型來模擬建筑實際運行情況。根據模型計算的全年負荷結果，對建筑面積進行等比例擴大，并加入同時使用系數，推算出供能區域內全年的冷、熱逐時負荷。

采用DeST軟件模擬計算得出，該區域綜合開發項目全年供冷量為4850萬kW·h，全年供熱量為879萬kW·h，同時得到最大小時冷負荷為42.91MW，最大小時熱負荷為20.57MW，全年逐時負荷如圖5所示。

圖5 全年逐時冷熱負荷

2)采用華電源HDY-SMAD軟件預測結果

采用華電源HDY-SMAD空調負荷計算軟件進行典型設計日負荷計算，其負荷計算方法是諧波反應法。依據前述計算依據，得出典型設計日逐時負荷，其中最大小時冷負荷為43.81MW，單位面積空調冷負荷指標為95W/m2；最大小時熱負荷為19.58MW，單位面積空調熱負荷指標為42W/m2。典型設計日逐時冷熱負荷如圖6所示。

圖6 典型設計日逐時冷熱負荷

3.2 面積指標法估算

根據《實用供熱空調設計手冊》[10]進行空調冷、熱負荷指標估算，考慮近年來對于建筑外圍護結構熱工性能逐步改善，空調負荷設計指標將相應減少，冷負荷指標選取中間值，熱負荷指標選擇低值，計算得到上海某區域綜合開發項目的單位面積冷負荷指標為93.45 W/m2，最大小時冷負荷為42.98MW。單位面積熱負荷指標為46.05 W/m2，最大小時熱負荷21.18MW冷負荷、熱負荷指標估算值如表6、表7。

表6 冷負荷指標估算

表7 熱負荷指標估算

4 結果比對分析

采用負荷軟件計算、面積指標估算所得數據與回歸分析估算所得數據進行比對分析，結果見表8所示。

表8 傳統預測方法計算比對結果

由表8所示，回歸分析法估算的冷、熱負荷與傳統預測方法計算的結果相對誤差率均小于10%。相對傳統三種預測方法得出的平均值，回歸分析法估算冷負荷平均誤差為3.94%，熱負荷為4.34%，誤差在5%以內，采用回歸分析法有較好的準確性。

5 結束語

在前期規劃分析階段，各種空調負荷計算條件不確定，采用多組實時數據進行回歸分析，擬合負荷與供能面積的回歸方程，以此預測區域能源中心負荷。該方法只需依據供能面積就能快捷簡便地得出最大小時負荷數值，簡化了負荷計算，有效解決在工程前期中空調負荷受各種不確定因素的影響無法計算或工作周期較長的問題。經與傳統計算方法比對，在一定的范圍和條件下回歸分析估算法誤差率可控制在較小范圍內，該方法是一種簡便快捷、適合前期規劃的負荷估算方法。