热湿气候地区建筑空调系统能耗预测与优化

    邵振强+李朋轩

    

    

    

    摘要：随着人们对室内环境、空气品质的要求愈来愈高，空调系统的用电量已经成为建筑能耗的主要部分。由于夏季空调冷负荷高峰负荷与城市用电高峰负荷几乎同步，加剧了峰谷供电的不平衡，使峰谷供电不足的矛盾更加突出。热湿地区夏季具有高温高湿的气候特点，空调系统维持建筑内热环境稳定所需的能耗相应增加，严重影響电网的安全运行。

    关键词：热湿气候区；空调系统；能耗预测

    1 基于气象因素的BP神经网络的空调能耗预测模型

    1.1 气象因素分析

    空调系统能耗的准确预测，对于空调负荷峰谷来临之前做好电力负荷的削峰填谷工作，提高电网安全性、经济性具有重要的意义[1]。空调负荷属于典型的气候敏感负荷[2]，气象因素对其影响十分明显，所以应尽量对各种气象因素在预测过程中对空调能耗变化的影响加以分析。选取南京市某公共建筑2016年8月16—30日空调能耗数据和室外地面2米处实时大气温度和相对湿度，分别将空调系统负荷与温度、相对湿度进行归一化处理后，分别计算温度、湿度与空调系统负荷的相关系数来分析实时温度对空调负荷的影响。

    通过计算归一化相关系数可以测定两个变量之间的关系的紧密程度，归一化相关系数计算公式如下：

    式中，；分别代表两个样本集中第/个样本数值；为样本数量。

    计算可知，负荷和温度的归一化相关系数为0.8342，当7^00.8时，两个变量可视为高度相关，因此可知温度对空调系统负荷的影响十分明显，应将实时温度作为建立空调系统负荷预测模型首要考虑的气象因素；负荷与相对湿度的归一化相关系数为0.6528，可知实时湿度对空调负荷的影响较小，但是由于0.5S/VC<0.8，实时湿度与空调负荷呈中度相关，考虑到预测模型的准确性，实时湿度也应作为模型的输入量之一。

    1.2 BP神经网络预测模型输入

    本文采用逐时采集的建筑空调系统负荷，由于空调系统每个整点的负荷值之间存在某非线性的关联：某日的空调负荷曲线不仅与前后几天的空调负荷有一定相似性，还与上周或者上上周同类型日的空调负荷有一定相似性[3]。于是将实时气象因素、日特征气象因素、空调历史能耗数据作为3个类别进行输入变量的划分，如表1所示。

    1.3 基于BP神经网络空调能耗预测

    采用南京某建筑2011年6月23日至8月4日共计43日的空调系统历史负荷（每3小时采集1次）、室外实时温度、室外实时相对湿度作为训练样本，并在模型训练完成后预测8月5—11日共计7日的空调负荷预测平均绝对误差为73.9，最大绝对误差231.3，预测的平均相对误差为0.024，最大相对误差为0.069。

    2基于PSO-BP神经网络空调能耗预测模型2.1粒子群算法优化BP神经网络

    由于传统的BP算法利用梯度下降法，即负梯度方向来决定每次迭代的新的搜索方向，使待优化的目标函数逐步减小，这就使得该算法存在收敛速度难以控制，易出现麻痹现象和易陷入局部极值等不足；而粒子群算法，避免了最速下降法中对目标函数连续、可导的要求，并在求解大量非线性和多峰值的复杂优化问题方面有着解的品质高、鲁棒性好和全局搜索能力强等优点'

    由于BP网络连接权值矩阵和阈值的优化可以理解为迭代求取最小均方差的过程，即可表示为求最小值的数学问题[5]。

    No.13July，2017

    分别用代表输入层一隐含层连接权值矩阵，隐含层一输出层连接权值矩阵。第/个粒子的位置在第^次迭代时可表示为：

    2. 2基于PSO——BP神经网络空调能耗预测

    粒子群算法的主要参数包括：粒子维度D，粒子种群大小N，惯性权重出，学习因子，粒子的搜素范围和速度范围，最大迭代次数Maxker。粒子群算法的优化效果很大程度上受参数的影响，本文结合前文设计的BP神经网络模型，并通过多次的对比实验最终确定了优化算法的参数。

    经过粒子群优化后的BP神经网络预测模型精确度得到明显的提升，如图1所示，预测的平均绝对误差为56.5，最大绝对误差95.1，预测的平均相对误差为0.019，最大相对误差为0.035。

    3 结语

    综合对比BP神经网络和PSO—BP神经网络的预测效果，从两次预测结果可以看出，粒子群优化后BP神经网络预的平均相对误差更小，预测结果与实际负荷的相对误差集中在1%?2%；而BP神经网络的预测结果虽然也较为精确，但是其中超过30%的预测数据相对误差超过3%部分预测，稳定性不如优化后的预测模型。粒子群算法鲁棒性好、全局搜索能力优秀的特点在解决复杂的非线性优化问题时有着较好的表现，利用粒子群算法优化BP神经网络参数可以有效提高空调系统负荷预测的准确性。

    [参考文献]

    [1]KAWASHIMAM.Hourlythermalloadpredictionforthenext24hoursbyARIMA，EWMA，LR，andneuralnetworks[J].ASHRAETransactions，1995（1）：186-200.

    [2]赵晓丹.实时气象因子对空调负荷的影响及处理[J].重庆电力高等专科学校学报，2015（2）：59-62.

    [3JSAKAWAUSHIROSK.Coolingloadpredictioninadistrictheatingandcoolingsystemthroughsimplifiedrobustfilterandmulti?layeredneuralnetwork[C].US：ProceedingsoftheIEEEInternationalConferenceonSystems，ManandCybernetics，1999（4）：995-1000.

    [4]王小纯，刘蕾.基于PSO-BP算法的动态空调负荷预测建模[J].装备制造技术，2011（5）：26-29.

    [5]沈学利，张红岩，张纪锁.改进粒子群算法对BP神经网络的优化[JL计算机系统应用，2010（2）：57-61.