制冷量與氣溫、濕度的關系并建立預估模型課題研究報告緒論課題背景1.1.1能源中心介紹虹橋機場能源中心（供冷、供熱）系統位于上海虹橋機場西航站樓北側約300m，主要為虹橋西航站樓、南側酒店及預留部分（航站樓北側指廊、北側酒店）供冷和供熱。能源中心內供冷、供熱系統及配套電氣10KV配電系統、服務對象的建筑面積共47.3萬平方米，其中本期服務范圍的總建筑面積為38.8萬平方米，規劃預留的服務范圍的總建筑面積為8.5萬平方米。能源中心總建筑面積10214平方米（包括市政院設計的S0135KV中心變電所），最高生產類別為丙或丁類，建筑耐火等級為二級，主體為多層框架結構，基礎建筑安全等級為二級，結構設計基準期為50年，基地內項目所設計的主體建筑包括冷凍機房、鍋爐房、蓄冷水罐以及地下儲油罐、地下管線等配套構筑物及共同溝管網。能源中心供冷、供熱系統的空調冷、熱水通過室外共同溝管道接至熱力交換機房，以滿足西航站樓空調所需的冷、熱水的溫度及流量。1.1.2供冷系統介紹能源中心供冷系統包括冷凍系統、蓄冷系統、冷卻系統、消防監控系統，其中冷凍系統包括8臺約克冷水機組，8臺ITT冷凍一次泵以及6臺ITT變頻冷凍二次泵；蓄冷系統包括2座蓄冷水罐，5臺ITT蓄冷循環水泵；冷卻系統包括8臺組裝式兩聯體BAC冷卻塔，8臺ITT冷卻水泵。能源中心的供冷系統為末端直供系統，擯棄了末端板交，最大程度減少熱損失，整個冷凍水系統通過一次水泵（工頻）、二次水泵系統（變頻）及三次水泵系統（變頻）構成循環，供冷時主要通過二次泵的變流量來滿足末端的需求，二次變流量泵的變頻控制由設在每個系統環路最不利處（三處）的壓差值控制。能源中心由于配備了2座蓄冷水罐，具備五種供冷模式，分別是制冷主機單獨供冷模式、制冷主機單獨蓄冷模式、制冷主機與蓄冷罐聯合供冷模式、蓄冷罐單獨供冷模式以及制冷主機邊蓄冷邊供冷模式。蓄冷水罐在夜間利用低谷電價進行充冷，在日間高峰電價時對末端進行供冷，這種削峰填谷的措施能夠大大減少能源中心的運行成本。1.1.3現狀由于末端負荷的預測受眾多因素影響，包括航班流量，建筑結構，天氣情況等，末端航站樓內旅客流量的多少及室外氣溫情況都對用能需求造成直接的影響。對末端負荷量進行預測，可以使我們對當日用能需求做到提前預判，并根據當前系統冷量制定合理、經濟的運行策略。然而在我們尋找同類型研究對象后發現：國內外的能源中心基于采集大量數據所需的人員、成本投入,及諸多不確定因素的干擾,此類負荷預測模型并沒有深入的實施過。課題意義意義通過前期數據的積累和分析，我們發現對于一個大型航站樓的供冷需求來說，正常供冷狀態下各個時段的負荷量并沒有明顯的波動變化，所以本課題我們不考慮航班量等其他影響制冷量的因素。我們以2010年8月份供冷季運行數據為例，對33℃、36℃、39℃三種不同平均最高氣溫條件情況下，每日各個時間段的平均供冷負荷百分比、負荷量進行了初步分析。圖18月不同氣溫日平均負荷量8月份平均最高氣溫≥39℃時，日均供冷量為193527Rt；平均最高氣溫為36℃時，日均供冷量為166322Rt；平均最高氣溫為33℃時，日均供冷量為152049Rt。我們可以看到：39℃與33℃氣溫情況下，日均供冷量相差27%，由此判斷氣溫、濕度的變化可對供冷負荷量產生直接影響。圖28月不同氣溫各時段供冷負荷百分比從上面圖表中可以看出，在不同氣溫條件下每日各個時間段供冷負荷百分比存在著各自的特點。在平均最高氣溫≥39℃時，其凌晨期間較其他氣溫條件下的負荷百分比最大，均進行了通宵供冷；其他各時間段負荷百分比相對平穩，波動變化不明顯。圖38月每日不同氣溫（各時段）供冷負荷量圖48月每日各時段（不同氣溫）供冷負荷量目前虹橋機場西區能源中心的供冷系統共有5種供冷模式，由監控系統自動控制，可按照時間點設置自動切換供冷模式，原先的運行情況雖然能夠滿足航站樓的供冷需求，但是對于能耗或者電費開支沒有明確的節能措施，通過蓄冷水罐我們的確實現了電價的削峰填谷，并有了可觀的經濟成本的縮減。而本課題研究的意義在于通過模型的建立,能夠根據當天的溫濕度情況,估測當日的供冷總量,按照供冷量的需求我們就可以合理安排冷凍機的開啟臺時及開機時間,充分利用低谷電價的優勢。也就是說模型的建立可以直接指導我們日常的生產運行策略，，更加合理的控制冷凍機的開啟臺時，充分使用蓄冷水罐內的冷量，進一步節能減支。能源中心作為機場的供冷及供熱保障，基本都是屬于被動的滿足末端負荷的需求進行冷量的供應，由于航班、客流量的變化，供冷負荷量完全受控于末端航站樓的用能需求，而整個供冷工作自冷量生產到管網輸送至末端需花費50分鐘,耗時較長。因此我們需要對末端用能負荷進行提前預判，制定合理、經濟的運行策略。然而，對于能源中心來說首要任務應該是保證安全及服務質量，節能研究只能在滿足前者的前提下進行。局限性本課題的難點是影響航站樓供冷量的因素有很多，例如建筑結構、旅客流量、室內的溫濕度等等，相關的因素越多，考慮的問題越復雜，這樣不利于課題的研究，所以我們希望把握一些關鍵因素。很顯然，影響供冷量最關鍵的因素應該是室內的溫濕度，其他諸如建筑結構和旅客流量等因素反應到深層面也就是影響到了室內的溫濕度，所以我們如果能夠收集到航站樓內的溫濕度數據就能夠比較客觀的反應我們供冷量需求的大小。這里我們課題的另一個問題就是，我們無法采集到航站樓室內的溫濕度數據，只能以虹橋地區的溫濕度來替代，這樣導致室內的影響因素包括旅客流量等因素無法反應在我們收集的溫濕度數據中，也就是說，我們研究的課題有一定的局限性，在建筑結構一定的基礎上，假定旅客流量不會突變的前提下，進行的供冷量的模型建立，這也是我們后期數據處理中剔除數據的依據。研究方法本課題主要采用以下三種研究方法a.現場實時數據采集方法收集數據包括當日制冷量、當日平均溫度、當日平均濕度。平均溫度和濕度是由每10分鐘采集的數據的平均值，能夠較為準確的代表一天的天氣情況。b.數據擬合方法通過數學軟件對曲線、曲面進行擬合。通過運行過程中收集的溫度、濕度及制冷量的數據點，在三維空間中尋找一個曲面，使得收集的離散點到該曲面的殘差平方和達到最小。c.指導運行過程中的驗證方法通過擬合的模型指導日常的供冷運行,并在實際運行中修正偏差,完善模型。創新點我們尋找同類型研究對象后發現：國內外的能源中心基于采集大量數據所需的人員、成本投入,及諸多不確定因素的干擾,此類負荷預測模型并沒有深入的實施過。通過模型建立，配合能源中心蓄冷水罐的使用，能夠建立完善的開停機策略，通過對負荷的預判，合理分配峰平谷不同時段的冷機用電，能夠大大節省運行成本。基礎數據收集和處理數據收集確定收集對象溫度：我們所說的溫度，也就是大氣層中氣體的溫度，即氣溫，是氣象學常用名詞。它直接受日射所影響：日射越多，氣溫越高。濕度：表示大氣干燥程度的物理量。在一定的溫度下在一定體積的空氣里含有的水汽越少，則空氣越干燥；水汽越多，則空氣越潮濕。空氣的干濕程度叫做“濕度”。在此意義下，常用絕對濕度、相對濕度、比較濕度、混合比、飽和差以及露點等物理量來表示，我們課題所涉及的溫度，也就是天氣預報中，常用到的相對濕度。它反映了降雨、有霧的可能性。在炎熱的天氣之下，高的相對濕度會讓人類（和其他動物）感到更熱，因為這妨礙了汗水的揮發。人類可以從而制定出酷熱指數。所以按照課題內容，我們確定數據收集的對象為虹橋地區的當日溫度、當日濕度、當日供冷量，其中溫度和濕度為了能夠反映當日的整體情況，以上海是氣象站發布的虹橋地區的氣象數據為主，以能源中心內自有的氣象站數據為參考，求取各時段的平均值作為數據分析中用到的溫濕度數據。供冷量按照能源中心自身安裝的能量計數據為依據，作為課題中得供冷量值。簡單處理經過一段時間的數據收集，發現每日供冷量數據受到航班等影響因素限制，考慮到能源中心供冷模式的特殊性，在夜間低谷時段會開啟冷水機組進行蓄冷工作，所以在供冷量處理過程中將原先0：00至24:00的數據修改成6:00至22:00的日供冷量數據，這樣能夠最大限度避免其他干擾因素，對于課題本身來說，6:00-22:00也是常規的供冷時間，研究這段時間段的供冷量符合課題本身的意義，可以在日后指導運行。數據處理軟件介紹——Matlab、1stopt本課題涉及到數據的處理、分析、擬合，主要用到2個數學軟件Matlab以及1stopt。首先對這2個軟件進行簡單的介紹，通過介紹可以大致了解其在課題中得作用。MATLAB是由美國mathworks公司發布的主要面對科學計算、可視化以及交互式程序設計的高科技計算環境。它將數值分析、矩陣計算、科學數據可視化以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案，并在很大程度上擺脫了傳統非交互式程序設計語言（如C、Fortran）的編輯模式，代表了當今國際科學計算軟件的先進水平。MATLAB和Mathematica、Maple并稱為三大數學軟件。它在數學類科技應用軟件中在數值計算方面首屈一指。MATLAB可以進行矩陣運算、繪制函數和數據、實現算法、創建用戶界面、連接其他編程語言的程序等，主要應用于工程計算、控制設計、信號處理與通訊、圖像處理、信號檢測、金融建模設計與分析等領域。MATLAB的基本數據單位是矩陣，它的指令表達式與數學、工程中常用的形式十分相似，故用MATLAB來解算問題要比用C，FORTRAN等語言完成相同的事情簡捷得多，并且MATLAB也吸收了像Maple等軟件的優點，使MATLAB成為一個強大的數學軟件。在新的版本中也加入了對C，FORTRAN，C++，JAVA的支持。可以直接調用,用戶也可以將自己編寫的實用程序導入到MATLAB函數庫中方便自己以后調用，此外許多的MATLAB愛好者都編寫了一些經典的程序，用戶可以直接進行下載就可以用。1stOpt（FirstOptimization）是七維高科有限公司（7D-SoftHighTechnologyInc.）獨立開發，擁有完全自主知識產權的一套數學優化分析綜合工具軟件包。在非線性回歸，曲線擬合，非線性復雜工程模型參數估算求解等領域傲視群雄，首屈一指，居世界領先地位。除去簡單易用的界面，其計算核心是基于七維高科有限公司科研人員十數年的革命性研究成果【通用全局優化算法】(UniversalGlobalOptimization-UGO)，該算法之最大特點是克服了當今世界上在優化計算領域中使用迭代法必須給出合適初始值的難題，即用戶勿需給出參數初始值，而由1stOpt隨機給出，通過其獨特的全局優化算法，最終找出最優解。以非線性回歸為例，目前世界上在該領域最有名的軟件工具包諸如OriginPro，Matlab，SAS，SPSS，DataFit，GraphPad，TableCurve2D，TableCurve3D等，均需用戶提供適當的參數初始值以便計算能夠收斂并找到最優解。如果設定的參數初始值不當則計算難以收斂，其結果是無法求得正確結果。而在實際應用當中，對大多數用戶來說，給出(猜出)恰當的初始值是件相當困難的事，特別是在參數量較多的情況下，更無異于是場噩夢。而1stOpt憑借其超強的尋優，容錯能力，在大多數情況下（大于90%)，從任一隨機初始值開始，都能求得正確結果。數據收集情況通過本次供冷季的數據收集，整合上一個供冷季時整理出的部分數據，我們總共收集到的數據包括2010年供冷季8月至2010年10月以及2011年6月至2011年8月,期間每日的日平均氣溫,日平均濕度,日供冷量，共210組原始數據。我們可以將經過初步處理過的數據集中在一個三維散點圖中，如下：圖5三維散點圖對于一個曲面來說，雖然收集了2個供冷季的數據，但是點的數量還是顯得不夠豐富，這樣對于直接曲面擬合來說難度是很大的，我們可以通過插值的方法先得到一個基于目前收集數據的理想三維曲面，如下圖：圖6插值曲面圖7插值曲面可以看到由于有部分毛刺使得插值曲面也不是很光滑，這是由于數據變化幅度大，沒有有效的處理方式所導致。上圖的曲面如果需要得到函數解析式，必然是多個曲面在不同區間范圍內的累積才能夠形成，解析式過于復雜也不適應后期模型建立后對日常生產運行的指導。平均值處理本課題是建立在大量數據上的數學模型建立，所以數據處理是根本。如何對收集到的數據進行處理也就成了關鍵問題。一般最簡單的就是平均值的處理方法，確保每個溫濕度只對應一個供冷量，滿足函數特性。在1stOpt中，共有13種有化算法，一般而言對于我們非線形回歸，曲面擬合問題，采用其中的麥夸特法Levenberg-Marquardt法(LM)+通用全局優化算法(UniversalGlobalOptimization-UGO)，在軟件自帶的928個函數解析式庫中，尋找最佳擬合，也就是相關系數R最接近1，通過軟件計算得到函數解析式：Z=p1*(0.5+atan((x-p2)/p3)/pi)+p4*(0.5+atan((y-p5)/p6)/pi)+p7*(0.5+atan((x-p2)/p3)/pi)*(0.5+atan((y-p5)/p6)/pi)其中p1=375.370387311268;p2=49.2371132439171;p3=6.74695848655198;p4=-182.151525065764;p5=61.0471679478364;p6=13.8786546503806;p7=2577.07306406573;然后我們可以繪出該三維曲面，并和我們收集數據的散點進行比較，如下：圖8擬合曲面圖圖9擬合曲面圖圖10擬合曲面圖擬合的具體參數為：擬合方法Algorithms:麥夸特法(Levenberg-Marquardt)+通用全局優化法均方根誤差RootofMeanSquareError(RMSE):10.315278723204誤差項平方和SumofSquareError(SSE):12236.5721407993相關系數CorrelationCoef.(R):0.960005080824189方差R-Square:0.921609755208259決定系數DeterminationCoef.(DC):0.921609201481085該函數解析式是通過全局優化法得出的相關系數最接近1的，所以被選定為階段性的最佳擬合方程。下圖為計算Z值與我們數據處理后的Z值的殘差圖：圖11殘差圖可以看到部分區域的殘差偏高，原因應當是沒有建立有效的異常數據篩選方法，僅通過平均值的處理還是不能滿足擬合的需求。下表為供冷量也就是Z值的誤差表，其中供冷量單位為冷噸，并為了方便參數選定，做了縮小1000倍的處理，并不影響函數本身的特性：表1誤差表收集計算誤差收集計算誤差收集計算誤差26.29624.6196.81%48.3443.08012.21%106.243104.4491.72%25.49628.110-9.30%36.34247.249-23.08%87.02995.934-9.28%32.88528.21216.57%44.43347.985-7.40%96.26699.778-3.52%33.99728.26820.27%66.75650.79031.43%130.68103.24426.57%28.3629.689-4.48%55.46854.5571.67%104.617104.826-0.20%36.08829.75421.29%64.18157.36811.88%100.069106.308-5.87%10.48629.975-65.02%57.18858.161-1.67%111.48107.6913.52%11.40730.140-62.15%73.0458.78124.26%102.868108.982-5.61%21.56430.316-28.87%55.74843.49128.18%108.642110.183-1.40%39.77930.45330.63%56.15252.6776.60%101.855111.302-8.49%41.00832.44226.41%58.3763.757-8.45%106.917112.342-4.83%28.75533.370-13.83%70.90365.7237.88%128.21113.31113.15%38.26636.2085.68%42.17761.904-31.87%96.444114.213-15.56%41.15436.66812.24%58.02665.931-11.99%106.814115.837-7.79%13.27832.720-59.42%64.29273.016-11.95%101.216108.438-6.66%42.57834.13524.74%95.62873.42830.23%91.35108.438-15.76%42.09235.99416.94%77.95175.3953.39%113.977114.572-0.52%33.77837.905-10.89%65.26264.8820.59%140.825116.38721.00%35.56538.291-7.12%71.07570.2011.25%124.653118.0885.56%38.92439.731-2.03%73.12372.6200.69%144.012119.67620.34%35.20240.052-12.11%78.34683.185-5.82%105.437127.160-17.08%41.93540.9072.51%78.36468.57614.27%115.272106.3928.35%39.70341.389-4.07%73.01870.1654.07%116.208112.0393.72%45.45341.3899.82%76.12982.223-7.41%119.145122.505-2.74%41.59342.332-1.75%79.48783.472-4.77%113.131124.842-9.38%28.34942.756-33.70%83.13286.773-4.20%108.886127.047-14.29%46.49842.9958.15%100.44489.45312.29%107.967131.061-17.62%49.96343.20415.64%79.68291.614-13.02%141.402132.8756.42%25.00843.389-42.36%89.51492.238-2.95%110.619132.880-16.75%54.94343.55326.15%104.5592.81912.64%150.818140.8447.08%56.07443.83027.93%88.77993.362-4.91%110.186105.8054.14%34.50233.1524.07%89.97193.870-4.15%109.942118.710-7.39%41.6340.0373.98%94.9794.7900.19%119.898125.872-4.75%45.94147.050-2.36%94.71695.600-0.92%143.466136.8134.86%47.68648.335-1.34%95.87295.5700.32%168.204143.81616.96%41.92450.464-16.92%105.09396.7678.60%166.737150.31210.93%64.950.93427.42%106.47297.8848.77%127.066134.884-5.80%31.78536.961-14.00%102.11298.9243.22%41.51839.1875.95%111.733103.8167.63%可以看到，擬合得到的函數解析式計算的供冷量值同收集得到的供冷量數據之間存在一定的誤差,在某些區間段內誤差較大,由于之前數據處理時只是才用平均值的處理方式,并沒有異常值的過濾方式,所以最終的處理值受到異常值的干擾較大。數據分布情況由于數據采集本身的誤差，加之我們課題本身的局限性，對于客觀條件的變化無法及時反映，使得數據處理變得較為復雜，但是我們可以通過天氣情況和供冷量的概率分布情況，大致的看出一些規律，找到剔除異常數據的規律。圖12濕度概率分布情況圖13溫度概率分布情況圖14供冷量概率分布情況可以看到，溫濕度及供冷量概率密度圖都接近正態分布，可以從圖中看到，整個供冷季氣溫主要集中在28℃～32℃，所以供冷量需求也是集中在某段區間內，這對于負荷預測是有指導意義的，在數據處理時可以以此為出發點，剔除異常的數據值。當然由于目前的數據點有限，概率密度圖只是提供了一個直觀的分布狀態，隨著數據的不斷收集，分布狀況能夠更明顯，我們也能夠通過最優化的分布函數進行預估。通過分布情況來篩選數據的過程中，我們發現無法對特定數值進行剔除，也就是無法找到合理的篩選數據的依據。由于溫濕度的數據我們的來源是固定可靠的，供冷量的變化是由于我們假定條件產生變化所引起的，也有部分是能量計的誤差引起的，但是作為一組[溫度，濕度，供冷量]的數據，負荷現有分布情況，在目前數據量不大的前提下，只能作為負荷預測的一種方法。趨勢篩選既然課題存在一定的局限性，那么我們就從這點出發，在假定建筑結構、旅客流量等因素不變的情況下，我們的供冷量與溫濕度一定是存在影響關系的。對于偏離這種關系的數據點，我們歸為由于客觀條件引起的數據變化，直接予以剔除，我們的模型意義就是能夠指導運行，所以能夠承受適當的誤差率。我們將所有210組數據按照溫度進行排列，得到了同一溫度下不同濕度對應的不同制冷量，通過計算這些供冷量的平均值我們發現，溫度確實是影響供冷量的首要因素，不同溫度下的平均供冷量變化趨勢如下圖：圖15不同溫度下的平均供冷量趨勢很明顯，隨著溫度的上升，供冷量也隨之增加了。對于同一溫度下，不同濕度所引起的供冷量變化，我們也希望能夠限定范圍，允許在平均供冷量上下浮動，但是對于偏離程度大得值就予以剔除。在溫度一定的情況下，濕度的變化會影響供冷量的變化，通過將同一溫度下的濕度進行升序排列，繪出供冷量變化趨勢，如下圖：圖1623℃下濕度升序排列時的供冷量變化圖1724℃下濕度升序排列時的供冷量變化圖1827℃下濕度升序排列時的供冷量變化上面列舉了三種不同溫度下，濕度升序排列時供冷量的變化趨勢圖，可以看出，在溫度一定的情況下，隨著濕度的上升，供冷量的需求是逐漸增大的。這是由于在一定氣溫下，大氣中相對濕度越小，水汽蒸發也就越快；反之，大氣中相對濕度越大，水汽蒸發也就越慢。所以在人們實際生活中，冬春季會感到空氣干燥，夏季出現天氣悶熱的現象，這都是由于大氣中濕度的變化在起作用。那么在這樣一種供冷需求隨濕度變化的趨勢下，我們可以找到篩選數據的依據，對于明顯偏離上升趨勢的點予以剔除，較為接近的可以仍舊采用平均值處理。這里就要考慮到我們課題的意思，由于供冷量對于溫濕度，特別是我們收集到的室外溫濕度數據并沒有真正與之對應的一個數學模型，我們的目的是希望能夠找到一個相對接近，能夠用于指導運行的模型，所以具體數據處理時篩選的度可自由掌握，考慮到本課題本身數據收集量不多，所以在處理時，盡可能的保留了數據。最終數據經過數據處理之后，原有的210組數據變為128組數據，數據量顯得有些不足，所以在之后的很長一段時間內，收集數據擴充數據庫將成為本課題的延續工作，也只有在滿足數據量的基礎上，模型本身才會更加具有指導意義。表2最終數據序號溫度濕度供冷量序號溫度濕度供冷量120482549665278178346220503288566285978364320513399767286068987420582254868286876129520692836069286984857.56207036088.57028709108472091397797128728806882145253447228739249292148362567328751004451021584100874287996708112162310737528801045501221803826676288196356132187411547728828997114225142578782883964921522554073079288494970162257420928028851071221722623377881288694716182263355658229691054061922673892483297195872202268352028429721050932122714193585297310462222227339703862974102022232278415938729759632624228346498882977112863252285499638929791048882622895494390298011173327229356074912981106243282328345029230658702929235741630933066973323023655418494306798805.531237145941953068101184322375476869630701061923323896685297307110218534239064900983072111480352439317859930731074563624474151810030741086433724554834010130751063883824613634210230761090513924624443310330771057724024685268410430789644441247355468105308010681442247665152106316610121643248269824.5107316810894044248574928108316911642945249073040109317112465346249281578110317213173447254955748111326111527248255565670112326210983549256156152113326311790750257758370114326411951451258370903115326711914552265768506116326811368453266074726117326911883454266681234118327110888855267479046119327213322556267576032120336611061957267964292121336711275458268096552122336915081859268297058123345411018660268489604124345810994261276165262125346011989862276571075126346314346663276778044.51273465168204642779881741283467166737模型建立曲面解析式經過數據處理后，總共有128組數據可以進行擬合，同樣的，我們通過1stOpt來進行三維解析式的求取。在1stOpt中，共有13種有化算法，一般而言對于我們非線形回歸，曲面擬合問題，采用其中的麥夸特法Levenberg-Marquardt法(LM)+通用全局優化算法(UniversalGlobalOptimization-UGO)，在軟件自帶的928個函數解析式庫中，尋找最佳擬合，也就是相關系數R最接近1，通過軟件計算得到函數解析式：Z=(p1+p2*x+p3*x^2+p4*y+p5*y^2+p6*y^3)/(1+p7*x+p8*x^2+p9*y+p10*y^2+p11*y^3)（Z為供冷量,x為溫度，y為濕度）其中p1=-6005216373.44208p2=418583988.404893p3=-7563803.10419317p4=59670738.8392866p5=-1141897.02333113p6=68087=1852.66392972065p8=-45.9375743083245p9=120.129874755811p10=-6.93481069820878p11=0.0519152758326486三維模型根據函數解析式，我們可以得到擬合后的三維曲面與收集到的三維散點之間的關系。圖19三維曲面圖圖20三維曲面圖可以看到，相比于通過簡單的平均值處理之后得到的曲面圖，現在的三維曲面更加貼合所有的散點。應該說在經過一定的數據處理之后，我們對于擬合的優化還是很明顯的，具體的擬合參數參數中也能夠反應擬合的優劣。模型效果評估擬合效果評價具體的擬合參數如下：Algorithms:麥夸特法(Levenberg-Marquardt)+通用全局優化法RootofMeanSquareError(RMSE):7482.2268891114SumofSquareError(SSE):7165916060.17813CorrelationCoef.(R):0.973447434289781R-Square:0.947599907325358DeterminationCoef.(DC):0.94759989140366從上面數據可以看出，相關系數R值為0.973，相較第一次擬合的0.960提升相關性，可以說，擬合也優于第一次的數據擬合。什么是相關系數？樣本相關系數用r表示,總體相關系數用ρ表示,相關系數的取值范圍為[-1,1]。|r|值越大，誤差Q越小，變量之間的線性相關程度越高；|r|值越接近0，Q越大，變量之間的線性相關程度越低。相關系數又稱皮（爾生）氏積矩相關系數，說明兩個現象之間相關關系密切程度的統計分析指標。相關系數用希臘字母γ表示，γ值的范圍在-1和+1之間。γ＞0為正相關，γ＜0為負相關。γ＝0表示不相關；γ的絕對值越大，相關程度越高。兩個現象之間的相關程度，一般劃分為四級：兩者呈正相關，r呈正值，r=1時為完全正相關；如兩者呈負相關則r呈負值，而r=-1時為完全負相關。完全正相關或負相關時，所有圖點都在直線回歸線上；點子的分布在直線回歸線上下越離散，r的絕對值越小。當例數相等時，相關系數的絕對值越接近1，相關越密切；越接近于0，相關越不密切。當r=0時，說明X和Y兩個變量之間無直線關系。通常|r|大于0.75時，認為兩個變量有很強的線性相關性。所以本課題最終擬合的相關系數R為0.973，對于我們目前作為指導運行來說，應當已經滿足需求了。要提高相關系數，就要提高擬合精度，也就需要提高數據處理能力，更重要的還是增加數據收集量，所以本課題可以說是為供冷量需求模型驗證了可行性，通過后期的不斷投入，真正的供冷負荷預測是完全可以實現的。下圖為擬合后Z值也就是供冷量函數計算值與實際散點之間的關系，可以看出擬合解析式能夠基本涵蓋我們實際運行時的散點，絕對的覆蓋也是不現實的，圖21擬合函數點-線圖圖22殘差圖評價擬合好壞最直觀的方法就是參考其殘差圖。殘差圖是指以殘差為縱坐標，以任何其他指定的量為橫坐標的散點圖。如在分析測試中常用的散點圖是以自變量為橫坐標的殘差圖。可用它來檢查回歸線的異常點。殘差圖以回歸方程的自變量為橫坐標，以殘差為縱坐標，將每一個自變量的殘差描在該平面坐標上所形成的圖形。當描繪的點圍繞殘差等于0的直線上下隨機散布，說明回歸圖形對原觀測值的擬合情況良好。否則，說明回歸圖形對原觀測值的擬合不理想。如果殘差圖中各點的值差別比較大，說明回歸曲線方程與實際值之間差別也比較大。也可以說，殘差圖的波動幅度，反映了回歸方程與實際值之間的差別程度。誤差分析本課題的研究意義就是希望能夠指導我們的開停機運行，下圖是目前能源中心的開機策略簡圖：圖23開機策略上圖中★代表冷機運行的時段,按照最大制冷量及實際情況對冷機的開機時段進行了劃分,共有以上六種運行模式。目前我們的供冷運行模式主要是通過谷值電價進行蓄冷，也就是夏季時段的22:00至次日早晨6:00，通過課題的模型預估，能夠合理利用平價電時段，由于之前缺乏負荷預估的機制，大多靠值班長和調度運行人員的經驗做出判斷。我們希望能夠通過課題模型研究來完善開停機策略，主要思路是以谷值蓄冷為主，當負荷增加時則增加平值時段增加蓄冷時長，隨著負荷不斷增加再配合平值時段的聯合供冷模式進行供冷。盡可能在保障供冷質量的前提下，避免峰值時段開機，合理控制運行成本，這就是設定開機策略的目的。考慮到模型建立初期，仍有一定的誤差率，但是對于運行人員來說，供冷量的誤差概念是模糊的，所以我們覺得應當以時間來作為單位，也就是以我們能源中心8臺冷凍機，每臺每小時1900RT制冷量為比較對象，模型計算值與實際采集數值之間的絕對誤差，相當于8臺冷凍機運行多少時間作為比較。這樣可以讓運行操作人員直觀的了解到按照模型計算值進行提前開停機大致的時間誤差范圍是多少。表3誤差分析實際供冷量計算供冷量誤差率絕對誤差誤差時間（分鐘）125496.0023022.90-9.70%-2473.10-10232885.0023179.16-29.51%-9705.84-38333997.0023228.38-31.68%-10768.62-43422548.0023206.232.92%658.233528360.0023458.78-17.28%-4901.22-19636088.5023619.17-34.55%-12469.33-49739779.0039392.34-0.97%-386.66-2825344.0030025.9218.47%4681.9218936256.0030723.16-15.26%-5532.84-221041008.0031999.48-21.97%-9008.52-361131073.0032350.084.11%1277.0851238266.0038320.400.14%54.4001341154.0044545.498.24%3391.49131442578.0038439.33-9.72%-4138.67-161540730.0039328.31-3.44%-1401.69-61642092.0039721.24-5.63%-2370.76-91733778.0040674.6220.42%6896.62271835565.0040877.6114.94%5312.61211938924.0041810.597.42%2886.59112035202.0042086.8619.56%6884.86272141935.0043060.222.68%1125.2242239703.0043854.4910.46%4151.49162341593.0046474.0911.74%4881.09192446498.0050129.787.81%3631.78142549963.0051887.803.85%1924.8082654943.0055856.431.66%913.4342756074.0060298.217.53%4224.21172834502.0031416.71-8.94%-3085.29-122941630.0046806.2912.43%5176.29203054184.0049175.54-9.24%-5008.46-203145941.0051418.1411.92%54770053383.9611.95%5697.96223366852.0064308.92-3.80%-2543.08-103464900.0065304.640.62%404.6423531785.0044557.2140.18%12772.21503641518.0049042.8718.12%7524.87303748340.0052511.998.63%4171.99163836342.0054833.6550.88%18491.65733944433.0055223.4124.28%10790.41434052684.0057734.709.59%5050.70204155468.0060244.728.61%4776.72194265152.0062017.85-4.81%-3134.15-124369824.5066265.39-5.10%-3559.11-144474928.0068730.04-8.27%-6197.96-244573040.0073225.320.25%185.3214681578.0075110.34-7.93%-6467.66-264755748.0055222.81-0.94%-525.19-24865670.0058312.53-11.20%-7357.47-294956152.0061228.879.04%5076.87205058370.0070382.7020.58%12012.70475170903.0074933.355.68%4030.35165268506.0064892.50-5.27%-3613.50-145374726.0066663.93-10.79%-8062.07-325481234.0070302.12-13.46%-10931.88-435579046.0075677.55-4.26%-3368.45-135676032.0076406.780.49%374.7815764292.0079451.5723.58%15159.57605896552.0080241.60-16.89%-16310.40-645997058.0081849.17-15.67%-15208.83-606089604.0083484.06-6.83%-6119.94-246165262.0073033.8111.91%7771.81316271075.0075943.186.85%48685077439.84-0.77%-604.66-26488174.0087118.16-1.20%-1055.84-46578346.0088804.9913.35%10458.99416678364.0076976.08-1.77%-1387.92-56768987.0077826.9412.81%8839.94356876129.0084871.0711.48%8742.07356984857.5085784.941.09%927.4447091084.0086705.62-4.81%-4378.38-177188068.0088564.330.56%496.3327292492.0089500.32-3.23%-2991.68-1273100444.5091378.83-9.03%-9065.67-367496708.0095111.48-1.65%-1596.52-675104550.0096027.10-8.15%-8522.90-347696356.0096930.930.60%574.9327789971.0097820.518.72%7849.51317896492.0098693.352.28%2201.3597994970.0099547.024.82%4577.021880107122.00100379.19-6.29%-6742.81-278194716.00101187.656.83%6471.652682105406.0092944.93-11.82%-12461.07-498395872.0095160.58-0.74%-711.42-384105093.0096271.12-8.39%-8821.88-3585104622.0097380.42-6.92%-7241.58-2986102021.6798485.86-3.47%-3535.81-148796326.0099584.543.38%3258.541388112863.33101748.93-9.85%-11114.41-4489104888.00103846.51-0.99%-1041.49-490111733.00104861.35-6.15%-6871.65-2791106243.00105848.77-0.37%-394.23-29287029.0095478.319.71%8449.31339397332.0096811.97-0.53%-520.03-29498805.5098156.89-0.66%-648.61-395101184.0099511.07-1.65%-1672.93-796106192.00102236.94-3.72%-3955.06-1697102184.67103602.351.39%1417.68698111480.00104964.45-5.84%-6515.55-2699107456.20106318.97-1.06%-1137.23-4100108642.67107661.21-0.90%-981.45-4101106387.50108986.152.44%2598.6510102109051.43110288.441.13%1237.025103105772.00111562.565.47%5790.562310496444.00112802.8316.96%16358.8365105106814.00115159.277.81%8345.2733106101216.00105089.943.83%3873.9415