涂方亮，吳靜怡

（1.上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院，上海 200240；2.上海交通大學(xué) 上海 200240）

商場(chǎng)人員分布和流動(dòng)是建筑物內(nèi)部負(fù)荷變化的重要影響因素。一些物理隔斷將其分成不同的專(zhuān)賣(mài)店，每個(gè)隔斷區(qū)域中人員的進(jìn)出和逗留時(shí)間的長(zhǎng)短是隨機(jī)變化的。在室外環(huán)境一定的情況下，由于商場(chǎng)運(yùn)營(yíng)期間，各個(gè)隔斷的燈光及營(yíng)業(yè)員所產(chǎn)生的負(fù)荷基本是不變的，商場(chǎng)隔斷區(qū)域的空調(diào)負(fù)荷直接由顧客的流動(dòng)而引起變化，如促銷(xiāo)、品牌和其它因素將導(dǎo)致局部區(qū)域顧客的分散和集中，直接導(dǎo)致隔間負(fù)荷明顯或大或小。

通常，人員熱擾產(chǎn)生的空調(diào)負(fù)荷是由人體散熱量來(lái)計(jì)算的[1]，而傳統(tǒng)的室內(nèi)空調(diào)設(shè)定溫度和換氣效率均是以整個(gè)空調(diào)房間為考慮對(duì)象，而人員活動(dòng)區(qū)域只占空調(diào)房間的一部分，因此不考慮人員的需求而將整個(gè)房間作為研究對(duì)象所創(chuàng)造的微氣候不一定對(duì)人最為有利，同時(shí)也導(dǎo)致很大的能量需求?？紤]到以上的影響，文獻(xiàn)[2]中提出了反映了使用者在室內(nèi)停留的性質(zhì)和方式。既描述某一個(gè)人在房間各處的時(shí)間分配狀況，也可以描述房間內(nèi)所有人員在房間各處的總時(shí)間分配關(guān)系。目前，紅外光電檢測(cè)技術(shù)是比較成熟的技術(shù)[3]，可以利用商場(chǎng)里紅外光電設(shè)備的客流計(jì)數(shù)器跟蹤人員的用途，來(lái)直接調(diào)控局部空調(diào)的負(fù)荷變化，以適應(yīng)人員的隨機(jī)變動(dòng)和逗留的影響自適應(yīng)神經(jīng)模糊系統(tǒng)（ANFIS）[4]是一種基于數(shù)據(jù)的建模方法，該系統(tǒng)中的模糊隸屬度函數(shù)及模糊規(guī)則是通過(guò)對(duì)大量已知數(shù)據(jù)的學(xué)習(xí)得到的，而不是基于經(jīng)驗(yàn)或直覺(jué)任意給定的。文獻(xiàn)[5]首先提出了ANFIS的定義，它結(jié)合了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的最優(yōu)特征。近幾年已經(jīng)應(yīng)用于很多領(lǐng)域。文獻(xiàn)[6]采用模糊神經(jīng)方法預(yù)測(cè)一定條件下房間的溫度，證實(shí)ANFIS對(duì)預(yù)測(cè)的可靠性；文獻(xiàn)[7]提出一種基因算法和ANFIS的混合模型，結(jié)果表明混合模型更加準(zhǔn)確地預(yù)測(cè)建筑能源；文獻(xiàn)[8]通過(guò)使用ANFIS和神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集來(lái)調(diào)整隸屬函數(shù)和相關(guān)參數(shù)；文獻(xiàn)[9]闡釋ANFIS在地源熱泵系統(tǒng)中的應(yīng)用；文獻(xiàn)[10]采用ANFIS可以準(zhǔn)確快速地預(yù)測(cè)HVAC系統(tǒng)的風(fēng)閥調(diào)節(jié)。

本文采用ANFIS模型實(shí)現(xiàn)依據(jù)人員數(shù)量和逗留時(shí)間來(lái)預(yù)測(cè)和控制空調(diào)實(shí)時(shí)負(fù)荷。

1 自適應(yīng)神經(jīng)模糊系統(tǒng)（ANFIS）

為了后面實(shí)例的應(yīng)用，在模糊推理系統(tǒng)中設(shè)定兩個(gè)輸入量（x，t）和一個(gè)輸出量u。此處一階T－S型模糊推理被設(shè)定為[11]：

規(guī)則i：If（xis Ai）and（t is Bj），then ui＝f（x，t）＝aix＋bit＋ci其中，Ai和Bj模糊集合，ui是通過(guò)模糊規(guī)則后的輸出量，ai，bi和ci是訓(xùn)練過(guò)程中被確定的設(shè)計(jì)參數(shù)。該系統(tǒng)通常由下列層數(shù)組成：

第一層：在輸入向量中每個(gè)節(jié)點(diǎn)和每個(gè)部件（xi和ti）直接連接，它的主要作用是將輸入值傳送到下一層。

第二層：每個(gè)節(jié)點(diǎn)代表著一個(gè)語(yǔ)言變量，如 N3、N2、N1、Z、P1、P2、P3。它的作用是計(jì)算出隸屬度函數(shù)，即（x）和（t），i＝1，2，…，n；j＝1，2，…，n。

該層還用來(lái)匹配模糊規(guī)則前件，計(jì)算出每條規(guī)則的適應(yīng)度（αk）。

i＝1，2，…，n；j＝1，2，…，n；k＝1，2，…，m。

第三層：該層有m個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一個(gè)規(guī)則，它的作用是實(shí)現(xiàn)歸一化。

第四層：該層也有m個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)顯示一條規(guī)則，它用來(lái)計(jì)算每個(gè)規(guī)則的后件。這樣，輸出量如下：

第五層：這個(gè)節(jié)點(diǎn)計(jì)算ANFIS的整體輸出量。u是規(guī)則的加權(quán)和，加權(quán)系數(shù)是模糊規(guī)則的歸一化適應(yīng)度，即

2 實(shí)例研究與建模

2.1 研究對(duì)象的描述

為了闡釋ANFIS依據(jù)人員數(shù)量和逗留時(shí)間來(lái)預(yù)測(cè)隔間實(shí)時(shí)負(fù)荷方面的應(yīng)用，本文選擇商場(chǎng)中凈面積為33.6m2的隔間區(qū)域作為研究對(duì)象，依據(jù)隔間的人員數(shù)量指標(biāo)及人員作息模式通過(guò)DEST-c計(jì)算其相應(yīng)冷負(fù)荷值作為基礎(chǔ)數(shù)據(jù)集，時(shí)間區(qū)間為6月15日到10月15日，人均產(chǎn)熱量為168W，人均產(chǎn)濕量0.2kg／h。經(jīng)調(diào)研，該區(qū)域中人員最少為2人（營(yíng)業(yè)員），最多人數(shù)為90人；且每個(gè)人員在商場(chǎng)大多數(shù)區(qū)域中滯留時(shí)間約3min，在不同區(qū)域中滯留的時(shí)間不超過(guò)20min。

2.2 模型的基礎(chǔ)數(shù)據(jù)集

商場(chǎng)顧客隨機(jī)移動(dòng)著，隨著時(shí)間的變化，每個(gè)區(qū)域中的顧客數(shù)量也在不停的變化。根據(jù)該區(qū)域?qū)嶋H所能存在的情況（包括人數(shù)及其可能存在的逗留時(shí)間），計(jì)算得到其最大冷負(fù)荷為32.23kW，最小冷負(fù)荷為2.88kW，故本文結(jié)合實(shí)際調(diào)研結(jié)果，并在此限定的負(fù)荷區(qū)間中隨機(jī)地選取了300組數(shù)據(jù)，基本涵蓋了該隔間區(qū)域日常運(yùn)行中所能產(chǎn)生的負(fù)荷數(shù)據(jù)。

2.3 模型的建立

本文以區(qū)域人員的數(shù)量和逗留時(shí)間作為ANFIS模型的輸入量，其輸出量為隔間對(duì)應(yīng)的最大冷負(fù)荷。根據(jù)已知數(shù)據(jù)集，采用減聚類(lèi)方法的模糊推理系統(tǒng)，該方法是由文獻(xiàn)[12]提出的山峰聚類(lèi)法的改進(jìn)，是一種用來(lái)估計(jì)一組數(shù)據(jù)中的聚類(lèi)個(gè)數(shù)以及聚類(lèi)中心位置的快速單次算法。圖1是實(shí)例中兩個(gè)輸入量在減聚類(lèi)法下輸出的聚類(lèi)中心。從而，在給定的數(shù)據(jù)集和減聚類(lèi)方法下，系統(tǒng)模型結(jié)構(gòu)簡(jiǎn)圖如圖2所示。該方法明顯對(duì)ANFIS模型有著預(yù)處理的作用，在一定的聚類(lèi)半徑下所選的輸入量x和t均聚類(lèi)成七個(gè)模糊子集，使得控制更加簡(jiǎn)單化。其中，x指人員數(shù)量；t指顧客的逗留時(shí)間，單位為min；u指計(jì)算的實(shí)時(shí)最大冷負(fù)荷，單位為kW。

圖1 減聚類(lèi)法輸出聚類(lèi)中心

圖2 減聚類(lèi)法ANFIS模型結(jié)構(gòu)簡(jiǎn)圖

3 模擬結(jié)果

利用已獲得的數(shù)據(jù)集并選定隸屬函數(shù)，在 MATLAB2011b環(huán)境下，使用ANFIS模型進(jìn)行模擬。除了平均誤差外，還采用了可決系數(shù)（R2）來(lái)評(píng)估模型的有效性。

可決系數(shù)被定義如下[13－14]

式中：ucal，m指計(jì)算值，ufitted，m指 ANFIS模型擬合值，n指樣本數(shù)量。

3.1 模擬過(guò)程

300組數(shù)據(jù)被分成三個(gè)獨(dú)立的子集：訓(xùn)練子集，核查子集和測(cè)試子集。首先，訓(xùn)練子集被重復(fù)使用來(lái)建立網(wǎng)絡(luò)和調(diào)節(jié)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)重。接著，核查子集用來(lái)模擬已建模型的性能，以核實(shí)模型的通用性和適應(yīng)性，最優(yōu)的模型將被選做后期的使用。最后測(cè)試子集被用于檢測(cè)模糊推理系統(tǒng)的結(jié)果通用性性能[15]。通常，三個(gè)子集的選用比例對(duì)模擬結(jié)果是有影響的，此處三種比例被設(shè)定進(jìn)行比較，見(jiàn)表1。

目前，顧客區(qū)域分布和滯留仍然沒(méi)有一個(gè)確切的函數(shù)分布，因此，在模擬過(guò)程中幾種典型的隸屬函數(shù)分別被選用并結(jié)合混合方法訓(xùn)練誤差。當(dāng)?shù)?00次時(shí)，不同類(lèi)型的輸出結(jié)果見(jiàn)表1。其中Gaussmf為高斯隸屬函數(shù)；Gauss2mf為兩高斯組合隸屬函數(shù)；Trapmf為梯形隸屬函數(shù)；Gbellmf為鐘形隸屬函數(shù)。

3.2 分析與討論

從表1定性分析，采用類(lèi)型1的ANFIS模型（Gauss2mf）結(jié)構(gòu)可以獲得滿(mǎn)意的結(jié)果和準(zhǔn)確的預(yù)測(cè)，其平均誤差均最小。

基于Gauss2mf的ANFIS模型結(jié)果與原始計(jì)算值繪制在圖3中，從而可以直觀(guān)的看到隨機(jī)抽取的300組數(shù)值結(jié)果之間的偏離度。在這個(gè)模型中，區(qū)域負(fù)荷處于最低狀態(tài)下，數(shù)據(jù)組計(jì)算值和擬合值的誤差絕對(duì)值為0.18，誤差百分比絕對(duì)值為最大值5.3%；區(qū)域負(fù)荷處于最高狀態(tài)下，數(shù)據(jù)組計(jì)算值和擬合值的誤差絕對(duì)值為0.49，誤差百分比絕對(duì)值為1.5%。而圖4中，計(jì)算值和擬合值的趨勢(shì)線(xiàn)顯示其可決系數(shù)（R2）非常接近1，很明顯本文減聚類(lèi)法形成的模型是合適可行的。進(jìn)而，在限定的范圍內(nèi)，隨機(jī)選取兩組數(shù)據(jù)（x1＝46，t1＝8；x2＝6，t2＝10）輸入到模型中，可以獲得相應(yīng)的預(yù)測(cè)結(jié)果為u1＝17.3，u2＝4.1。而通過(guò)理論計(jì)算所獲得的相應(yīng)結(jié)果分別為17.5和3.96。二者結(jié)果相對(duì)誤差在工程中明顯可以接受，也足以證實(shí)模型的正確合理性。

因此，實(shí)時(shí)的輸入量就可以獲得準(zhǔn)確的擬合輸出量，進(jìn)而可以實(shí)現(xiàn)人員的數(shù)量和逗留時(shí)間與隔間負(fù)荷的預(yù)測(cè)和調(diào)控。

表1 不同類(lèi)型的ANFIS模型的性能

圖3 ANFIS模型結(jié)果的比較

圖4 ANFIS模型的性能評(píng)估

4 結(jié) 論

基于ANFIS模型，用于預(yù)測(cè)和控制商場(chǎng)隔間區(qū)域中不同人數(shù)所產(chǎn)生的實(shí)時(shí)冷負(fù)荷?？梢垣@得以下結(jié)論：

（1）本文闡述了運(yùn)用ANFIS模型實(shí)現(xiàn)依據(jù)人員的數(shù)量和逗留時(shí)間來(lái)控制和預(yù)測(cè)隔間實(shí)時(shí)冷負(fù)荷的可行性。以人員的數(shù)量和逗留時(shí)間作為輸入量，隔間的實(shí)時(shí)最大冷負(fù)荷為輸出量，采用Gauss2mf的ANFIS模型獲得最優(yōu)的結(jié)果，其預(yù)測(cè)值與計(jì)算值的平均誤差最小，表明ANFIS模型用來(lái)預(yù)測(cè)區(qū)域冷負(fù)荷是可行及實(shí)用有效的，其準(zhǔn)確程度達(dá)99.8%。

（2）在模擬過(guò)程中，人數(shù)與逗留的隸屬函數(shù)選用了四種不同的常用函數(shù)，表1中的結(jié)果顯示Gauss2mf在性能上優(yōu)于其它隸屬函數(shù)，從而在特定的條件下可以確定商場(chǎng)中人數(shù)的分布服從兩高斯函數(shù)的組合（Gaussian 2）分布。

（3）在3.2節(jié)中，通過(guò)隨機(jī)抽取的輸入量，來(lái)核實(shí)預(yù)測(cè)結(jié)果和理論計(jì)算結(jié)果，驗(yàn)證了模型的正確合理性。同樣，本次確定的最終模型也適用于上海類(lèi)似的其它商場(chǎng)隔間區(qū)域，且其冷量近似在2.88kW和32.23kW之間。而對(duì)于不在特定范圍內(nèi)的其它商場(chǎng)類(lèi)建筑，則一樣可以采用本文的方法進(jìn)行具體的設(shè)定。

[1]李先庭，趙彬著.室內(nèi)空氣流動(dòng)數(shù)值模擬[M].北京：機(jī)械工業(yè)出版社，2009.

[2]Zhao B，Li X.Revised air-exchange efficiency considering occupant distribution in ventilated rooms[J].Journal of the Air ＆Waste Management Association，2003，53（6）：759-763.

[3]Ezaki H，Nambu T，Nincmiya R，et al.Estination of liquidus temperature of Sn-basecd alloys and its application to the design of Pb-free solder[J].Journal of Materials Science：Materials in Electronics.2002，13（5）：269-272.

[4]石辛民，郝整清.模糊控制及其 MATLAB仿真[M].北京：清華大學(xué)出版社，2008.

[5]Jang J S R.Self-learning fuzzy controllers based on temporal back propagation[J].IEEE Transactions on Neural Network，1992，3（5）：714-723.

[6]Alasha'ary H，et al.A neuro-fuzzy model for prediction of the indoor temperature in typical Australian residential buildings[J].Energy and Buildings，2009，41：703-710.

[7]Li K J，et al.Forecasting building energy consumption using neural networks and hybrid neuro-fuzzy system：A comparative study[J].Energy and Buildings 2011，43：2893-2899.

[8]Wu J D，Hsu C C，Chen H C.An expert system of price forecasting for used cars using adaptive neuro-fuzzy inference[J].Expert Systems with Applications，2009，36：7809-7817.

[9]Ying L C，Pan M C.Using adaptive network based fuzzy infer-ence system to forecast regional electricity loads[J].Energy Conversation and Management，2008，49：205-211.

[10]Servet S.An expert system for the humidity and temperature control in HVAC systems using ANFIS and optimization with Fuzzy Modeling Approach[J].Energy and Buildings，2009，41：814-822.

[11]李國(guó)勇.神經(jīng)模糊控制理論及應(yīng)用[M].北京：電子工業(yè)出版社，2009.

[12]Yager R，F(xiàn)ilev D.Generation of fuzzy rules by mountain clustering[J].Journal of Intelligent ＆ Fuzzy Systems，1994，2（3）：209-219.

[13]Hikmet E，Mustafa I，et al.Modelling aground-coupled heat pump system using adaptive neuro-fuzzy inference systems[J].International Journal of Refrigeration，2008，31：65-74.

[14]Sencan A，Kalogirou S A.A new approach using artificial neural networks for determination of the thermodynamic properties of fluid couples[J].Energy Convers.Manage.2005，46（15-16）：2405-2418.

[15]Chang F J，Chang Y J.Adaptive neuro-fuzzy inference system for prediction of water level in reservoir[J].Advances in Water Resources，2006，29：1-10.