空調負荷預測的ANN法摘要：時刻變化的室內外環境對建筑物的冷負荷有著重要的影響。采用VB編制了人工神經網絡(ANN)的通用BP算法程序。根據西安市參考年（TRY）氣象參數，采用動態模擬程序計算了某辦公樓4～9月逐時冷負荷。應用上述數據對ANN進行學習訓練和測試。結果顯示利用神經網絡的預測值與計算值相吻合，說明人工神經網絡是一種新穎、可靠的負荷預測方法。關鍵字：人工神經網絡冷負荷負荷預測1前言空調系統的設計前提是設計日的負荷分布，系統主要設備的容量都是按設計日確定的。然而，根據美國制冷協會標準ARI880-56提供的數據，75%～100%的負荷率僅占空調全年總運行時間的10%。隨著《中華人民共和國節約能源法》的公布施行，空調系統節能日益受到廣泛重視。人們需要根據時刻變化的室內外環境，在建筑物冷負荷預測的基礎上，對空調系統進行優化和控制，以降低空調能耗。在運用人工手段模仿人類智能行為的研究上有兩種主導思想，即結構主義和功能主義。功能主義成了傳統人工智能理論的研究基礎。結構主義從分析人腦神經網絡的微觀結構入手，抓住人腦結構的主要特征，即簡單的非線性神經元之間復雜而又靈活的連接關系，深刻揭示了人腦認識過程，創立了人工神經網絡(ANN)的理論。ANN的應用已滲透到模式識別、圖象處理、非線性優化、專家系統的各個領域，并取得了令人矚目的成果。在暖通空調（HVAC）中已有很多應用[1]，如HVAC非線性計算[2]、空調負荷計算[3]、供暖系統運行的故障診斷等。負荷預測是冰蓄冷空調系統優化和控制的前提，文獻[4]指出預測控制運行費用比冷機優先減少13.5%。1990年，Ferrano將ANN負荷預測與實時專家系統結合用于邁阿密一幢建筑的冰蓄冷空調系統的負荷預測與優化控制[5]。Kawashima指出了ANN的建模優勢并采用ANN預測電耗、冷凍水負荷、熱水負荷及太陽輻射（BeamSolarInsolation）[6]。在1993年ASHRAE主辦的首屆建筑物能量預測競賽中，建筑物負荷預測方法的主要模型有回歸模型、時序模型（ARIMA、ARMA、AR、MA等）、Kalman濾波模型、模糊集模型、ANN模型等。在對參賽選手的預測結果進行對比后，Kreider指出，為了達到更為精確的預測效果，傳統的統計方法將讓位于新的預測方法，如ANN[7]。1995年，Kawashima在一個美日聯合項目中，采用相同的原始數據對比了7種不同的建筑物負荷預測模型（ARIMA、EWMA、LR等），結果顯示ANN模型最精確[8]。另外，由于ANN將相關信息存儲于神經元間的連接權中，程序具有很好的可移植性。能適應系統的變化，同一網絡幾乎不用修改便可以應用于不同的建筑物。2應用人工神經網絡預測建筑物空調負荷2.1建筑物描述用于模擬的建筑物是西安地區一幢7層辦公樓，長×寬×高為39m×15m×25.2m。層高3.6m，建筑面積4095m2。外窗的寬×高為2.5m×2.0m，窗臺高度為0.8m。主要建筑構件參數如下：⑴外墻：構件名稱為24磚墻_15_6，水泥沙漿（20mm）+重沙漿粘土（24磚墻，240mm）+多孔混凝土（70mm）+石灰沙漿（20mm），傳熱系數0.9986W/（m2·K）；⑵內墻：構件名稱為18磚墻_1，水泥沙漿（20mm）+重沙漿粘土（18磚墻，180mm）+石灰沙漿（20mm）+瀝青礦棉板（50mm），傳熱系數0.7282W/（m2·K）；⑶屋頂：構件名稱為加氣混凝土保溫屋面，水泥沙漿（20mm）+煙灰加氣混凝土（200mm）+鋼筋混凝土（120mm）+水泥沙漿（15mm），傳熱系數0.5385W/（m2·K）；⑷樓地：構件名稱為40mm混凝土樓地，水泥沙漿（20mm）+碎石或卵石（40mm），傳熱系數3.6232W/（m2·K）；⑸樓板：構件名稱為鋼筋混凝土樓板，水泥沙漿（25mm）+鋼筋混凝土（80mm）+水泥沙漿（20mm），傳熱系數0.7421W/（m2·K）；⑹門：構件名稱為單層實體木制外門，門體材料松和云杉，厚度25.3mm，傳熱系數4.6421W/（m2·K）；⑺外窗：構件名稱為單層鋼窗，3mm平板玻璃，無外遮陽和窗簾，透光比率0.8，傳熱系數6.2727W/（m2·K）。2.2動態負荷計算動態負荷計算采用清華大學開發的DEST1.0。它是建立在隨機氣象模型、隨機室內熱源模型和狀態空間建筑熱模型等基礎之上的，是經過驗證的、可靠的建筑物模擬程序。房間空調參數為溫度22～26℃，相對濕度30%～60%。計算中采用了程序中缺省經驗參數：房間家具系數為1.0，垂直外表面對流換熱系數23.3W/（m2·℃），垂直內表面對流換熱系數3.5W/（m2·℃）；水平朝上表面對流換熱系數4W/（m2·℃）；水平朝下表面對流換熱系數1W/（m2·℃）；表面吸收率0.55；表面黑度0.85。室內最大熱擾設定為人員密度0.2（人/m2）、照明20（W/m2）、設備30（W/m2），這些擾動根據建筑物實際情況按百分比逐時設定。辦公樓每天空調時間為08:00～17:00，無周末（如郵電、電信、銀行等部門）。其參考年4～9月的空調冷負荷如圖1。圖中沒有顯示晚上18:00至次日07:00的冷負荷，僅畫出了每日08:00至17:00的連續冷負荷圖。由于太陽輻射（水平面單位面積的總輻射）與建筑物冷負荷的關系極不規律(如圖2)，給采用普通預測方法造成了一定的困難。建筑熱環境在本質上是個非線性系統，而人工神經網絡的非編程、自適應信息處理方式使它可以完成這一復雜的輸入/輸出映射。2.3BP網絡的輸入/輸出及其數據的預處理網絡輸入層為7個，分別為：當前時刻τ（08:00-17:00），τ時刻室外干球溫度(℃)，τ-1時刻室外干球溫度(℃)，τ-2時刻室外干球溫度(℃)，含濕量g/kg，τ時刻太陽輻射(W/m2)，τ-1時刻太陽輻射(W/m2)。輸入前1個或2個時刻的氣象參數是考慮了因物體熱容量而引起的冷負荷的時間延遲。隱含層神經元個數的確定主要是憑經驗，Kawashima指出隱含層可按照2n+1個選取（n為輸入層神經元數）[6]，本文取隱含層為20個。輸出層為1個，即建筑物逐時冷負荷。通過求和可以得到每日、每周的冷負荷預測值。Kreider指出在負荷預測中復雜的ANN拓撲結構是不必要的[11]，因此本文按照BP算法編制了VB程序。這些輸入參數可以通過逐時室外氣溫預測和逐時太陽輻射預測程序獲得。1995年Kawashima等采用天氣預報的最高、最低溫度和ASHRAE建議的形狀系數預測逐時環境溫度[4]。MacArthur等利用以前測量的環境溫度和當地氣象站預報最高、最低溫度預測未來溫度曲線[12]。Chen將預測環境溫度的算法分為辯識次日溫度波模式和預測溫度曲線兩個基本部分。他將太陽輻射強度分為10個級別，并給出了各級別的中值用于太陽輻射的預測[13]。這些方法可以通過某種方式與建筑物冷負荷預測程序和優化控制程序實現集成。本文則直接采用參考年的氣象資料作為ANN的輸入。在神經網絡學習階段，需要對輸入數據和對應的期望輸出值進行歸一化處理，把它們處理成0～1之間的數值。神經網絡經過學習訓練后，還要將得到的0～1之間的預測值還原為實際值。避3唐唉結果分析械和討論獸為了提孕高毫AN揮N廉的預測精餅度并考慮芒到實際應覆用中數據另庫的擴展茅和維護，稍本文利用竭動態模擬權的計算結臣果按月份賴對神經網鳳絡進行了嗓訓練。網浴絡采用每黎個六月筋3筆0疊（蓋3扎1刃）啞d益，防共男210罪0較（變217大0拴）個輸入壇數據到，欺30蜂0括（喜31客0撿）個逐時角期望輸出農冷負荷值月，進行學獨習訓練，啞結果見羨表搞1識。其中洞δ往為標準偏悲差飛、污C幸V號為偏差系扭數擱、蝴EE慈P濟為期望偏賓差百分數錢[8]寸。販表荒1云秒各月冷負三荷極值閉與燙B月P浩網絡的訓椒練誤廢差門舒月份甩最大冷負攜荷準（禾W保）柜最小冷負畫荷諸（朱W挎）溜標準偏臉差躁δ魚（爹W晶）欺C鑄V兩（坐%鬼）誤EE胸P袋（鳥%丈）馬4形2585章39.2歲5251京5.3棄6180酷.5明3.52果2.39鍛5胡3622斧10.0凡1464撇05.9叛9711茫.2夠3.45領2.68差6易4556敏56.6不2505跡02.4蓬9227公.0雄2.60搜2.02危7種4677從41.3酷2051辮94.0誦1181報4.5該3.34房2.53柄8州4965趣23.3態1843遣22.4剖1248瓦0.2喉3.47瘋2.51公9卻3562暢65.2吹1584虎67.3版8898飲.1尋3.13誓2.50熊對于網絡內測試，考挽慮到數據陜的預處理墾和網絡訓否練集的完并備性，本朗文利灘用巧7志月份訓練妙后雙的管AN四N埋對墊6揮月份全月物的逐時負片荷進行預窄測，以驗巷證程序的鼠正確讓性霸(滴如軌圖姐3提)貫。預測結陡果如下：諒標準偏差比為瀉2170伴7.6揚W懂，偏差系典數墻C準V過值排為享6.1尊1虧%莊，期望偏流差百分喂數鄙EE輝P巾為挽4.64擴%墨，表明預疫測值與計弄算值十分價吻合。祖圖棍3柱中實線為暗計算值，玩虛線為預壟測值，詞圖煎4聲、哈圖敏5夠與此圖圖稻例相同。磁利長用恨8乞月份訓練好后的網絡維對錢6嚷、交7怨月份的預另測也得到慰了類似的用結論，如畜圖蝴4老、抬圖亞5態。在國外佛文獻中，剖即使對于說相同的訓愚練數據，居各種方法摔的預測結皮果也差別孩較大，方食法間的優瑞劣比較是潔相對的，捐尚無關于魚預測結果濫絕對指標呆定義。本漢文預測結澆果的各項罰指標與國擠外文獻領中轉AN析N毛預測效果劑的指標基境本持平，磚說明本文妥的算法正丘確、結果鄉可信。文縮中根據動熊態仿真程廉序的計算亦結果得出笛了上述結容論，尚需挑在實際應云用取得實捏測數據后藝，進行進南一步的驗管證和改進司。拌4繩好結束語動采用人工壯神經網絡姿可避免復車雜的數據膛分析和建閥模工作，馬其非編程侵、自適應赴的信息處翁理方式可溫完成復雜鍵的輸群入摘/裂輸出的非濾線性映射填。將人工齒神經網絡以用于建筑陳物空調冷鮮負荷預測嶼，結果顯樹示它具有損可靠的精帖度。本文糾中采用黨的工AN丙N廟方法有待緞于在實際升應用中進仁一步的檢具驗和改進器。該方法皆對冰蓄冷毒系統的預他測控制具幟有積極的唉意義。顯5今笑參考文獻振1霉墳李玉紀云乒,某王永雙驥繡.津人工神經殲網絡在暖么通空調領客域的應用夫研究發焰展烏.柿暖通空牽調冰,200腥1,31蚊(1):績3染8蚊～若41.引2Mi保stry壁SI雅,S震SNa磨ir.嚼Nonl誼inea兔rHV企ACc物ompu野tati之ons紛usin友gne敗ural吧net豐work根s.AS估HRAE武Tra友ns,1悶993,六99(1范):77則5東～激784.穗3鞭踩譚良綠才亮.開空調負荷爭的神經計治算謙.著暖通空送調葛,199膛7,27烤(5):永7妥1躲～舟75.正4Ka兄wash孔ima組M,C型harl湊esE忍Dor編gan.毯幅Opti箱mizi夫ngs極yste年mco乖ntro攀lwi影thl獻oad飯pred棚icti吼onb盲yne恩ural撇net擔work刮sfo吃ran薪ice棕-sto節rage宮sys陰tem.匆ASHR鞠AET漠rans統,199勻6,10溉2(1)草:116經9惕～烘1178旨.鼠5Fe饅rran寶oF諸J,W旗ong作KV.率Pre麗dict滅ion慘oft液herm那als心tora錫gel翅oads優usi膛nga底neu握ral貧netw申ork.病ASHR享AET稈rans風,199周0,96雨(2):忌72覺3駕～輝726.蘿6Ka誓wash篇ima照M.A荒rtif谷icia牙lne承ural氧net漆work趙bac碑kpro蘆paga惕tion厚mod霉elw膚ith故thre號e-ph耕ase陳anne具alin仆gde拐velo遙ped士for屋the嫂buil捉ding刺ene蕩rgy岡pred襯icto錯rsh乳ooto愉ut.椅ASHR擔AET唉rans秧,199綁4,10廊0(2)國:109柱6英～跡1103魂.書7Kr薪eide塘rJ時F,J增eff案S機，明Hab之erl.退Pre冶dict堡ing因hour湊lyb將uild逐ing眉ener澇gyu留se:僑The羨gre腐ate回nerg洪ypr瓣edic艱tor虧shoo誠t.A丸SHRA翁ETr緩ans,槍1994由,100裕(2):抵110咱4報～拍1118昆.厲8Ka郵wash襖ima棒M,C朱ED擴orga壤n,J仿WM奉itch免ell.均Hou顫rly袋ther鑒mal劉load陪pre寄dict嘩ion杰for沈the浮next秩24尿hour憶sby役ARI夢MA,礎EWA,摩LR,狼and博an晨arti丑fici渾aln百eura譜lne張twor竟k.A貝SHRA蹲ETr鐵ans,疫1995艱,101勵(1):彼18性6徑～民200.學9Ko術hoen圾TK幻.Se閑lf-o怨rgan岔izat桿ion期and徐asso旦ciat典ive邊memo宜ry.省New與York把,Sp哄ring呆-Ver峰lag,破1988塊.錯10改閘王旨偉甚.應人工神經辰網絡原麻理桶—練—宣入