沈岑 郁輝球 章威軍 麻劍鋒 任世琛

杭州哲達(dá)科技股份有限公司

空調(diào)系統(tǒng)負(fù)荷預(yù)測(cè)方法比較分析

沈岑 郁輝球 章威軍 麻劍鋒 任世琛

杭州哲達(dá)科技股份有限公司

預(yù)測(cè)負(fù)荷對(duì)設(shè)備的優(yōu)化控制意義重大，利用杭州某醫(yī)院手術(shù)室空調(diào)機(jī)組的用電負(fù)荷，分別采用改進(jìn)的季節(jié)性指數(shù)平滑法和徑向基神經(jīng)網(wǎng)絡(luò)方法進(jìn)行負(fù)荷預(yù)測(cè)研究。結(jié)果表明，對(duì)變化缺乏規(guī)律的負(fù)荷進(jìn)行預(yù)測(cè)時(shí)，徑向基神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)精度略高于改進(jìn)的季節(jié)性指數(shù)平滑法。

負(fù)荷預(yù)測(cè) 指數(shù)平滑 徑向基神經(jīng)網(wǎng)絡(luò)

0　引言

空調(diào)系統(tǒng)的負(fù)荷預(yù)測(cè)，對(duì)設(shè)備的高效運(yùn)行有著重要的意義。在對(duì)空調(diào)系統(tǒng)的控制中，可根據(jù)預(yù)測(cè)負(fù)荷變化趨勢(shì)，合理調(diào)整設(shè)備啟停的強(qiáng)烈度；同時(shí)，根據(jù)未來(lái)的負(fù)荷變化曲線，合理安排設(shè)備間的負(fù)荷分配。但由于空調(diào)冷（熱）系統(tǒng)負(fù)荷具有時(shí)變性的特點(diǎn)，受室外氣象參數(shù)、人流量等因素的變化而變化。雖然其中室外氣象參數(shù)往往呈現(xiàn)周期性變化規(guī)律，但是人流量因素卻主要根據(jù)建筑區(qū)域的使用功能而定。而空調(diào)末端設(shè)備的用電負(fù)荷與冷（熱）負(fù)荷相比，還受設(shè)備效率的影響，但變化趨勢(shì)與冷（熱）負(fù)荷基本一致。

目前，負(fù)荷預(yù)測(cè)已成為研究探討的熱點(diǎn)。文獻(xiàn)[1～2]認(rèn)為利用改進(jìn)的季節(jié)性指數(shù)平滑法與季節(jié)性指數(shù)平滑法相比，可以進(jìn)一步提高負(fù)荷預(yù)測(cè)精度，但同時(shí)文獻(xiàn)[2]認(rèn)為負(fù)荷預(yù)測(cè)值和實(shí)測(cè)值的偏差控制在±15%以內(nèi)，就可以在控制中進(jìn)行利用。文獻(xiàn)[3]利用室外氣象參數(shù)、負(fù)荷等數(shù)據(jù)比較分析了多元線性回歸、季節(jié)性指數(shù)平滑法和神經(jīng)網(wǎng)絡(luò)方法，認(rèn)為多元線性回歸方法在大多數(shù)情況下都不可取，改進(jìn)的季節(jié)性指數(shù)平滑法可勝任一般的工程應(yīng)用，神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)精度高，但建模復(fù)雜程度也最高。

以上文獻(xiàn)在驗(yàn)證負(fù)荷預(yù)測(cè)方法時(shí)，所利用的建筑負(fù)荷變化相對(duì)較規(guī)律（辦公樓等），所以除了多元線性回歸外，改進(jìn)的季節(jié)性指數(shù)平滑法和神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)精度均能在10%以內(nèi)。針對(duì)負(fù)荷變化不規(guī)律，且僅能獲得歷史用電負(fù)荷、溫度和濕度的條件下，對(duì)改進(jìn)的季節(jié)性指數(shù)平滑法與神經(jīng)網(wǎng)絡(luò)方法進(jìn)行比較驗(yàn)證。

1　實(shí)例概況

杭州某醫(yī)院標(biāo)準(zhǔn)潔凈手術(shù)室設(shè)計(jì)參數(shù)：溫度22℃，小于23.5℃；相對(duì)濕度40%～60%。在2013年6月12日至7月16日期間進(jìn)行1#手術(shù)室和3#手術(shù)室空調(diào)機(jī)組的數(shù)據(jù)采集，主要包含用電量、室外溫度、室外相對(duì)濕度和空調(diào)機(jī)組送風(fēng)狀態(tài)等參數(shù)。此外，還獲取了期間每日室外的預(yù)測(cè)最高溫度和最低溫度。

2　改進(jìn)的季節(jié)性指數(shù)平滑法

文獻(xiàn)[1]中提供的改進(jìn)的季節(jié)性指數(shù)平滑法，與一般的指數(shù)平滑法相比，它需要提供未來(lái)時(shí)刻的室外日平均溫度（通過(guò)氣象臺(tái)預(yù)測(cè)的最高、最低溫度獲得)，去掉了一個(gè)平滑項(xiàng)，并對(duì)水平因子進(jìn)行修正。而其計(jì)算過(guò)程仍類似于溫特季節(jié)性指數(shù)平滑模型[4]。

分別對(duì)1#手術(shù)室和3#手術(shù)室的日用電負(fù)荷進(jìn)行預(yù)測(cè)檢驗(yàn)，得到的結(jié)果如圖1和圖2所示。

圖1　1#手術(shù)室用電負(fù)荷預(yù)測(cè)-實(shí)測(cè)對(duì)比

圖2　3#手術(shù)室用電負(fù)荷預(yù)測(cè)-實(shí)測(cè)對(duì)比

圖1和圖2表明，即使空調(diào)機(jī)組參數(shù)和室外環(huán)境參數(shù)都是相同的，但由于使用條件不同，3#手術(shù)室比1#手術(shù)室的負(fù)荷變化相對(duì)平穩(wěn)，結(jié)果3#手術(shù)室日用電負(fù)荷預(yù)測(cè)值的加權(quán)平均絕對(duì)百分比誤差為12%，而1#手術(shù)室達(dá)到20%。所以當(dāng)負(fù)荷變化不規(guī)律時(shí)，改進(jìn)的季節(jié)性指數(shù)平滑法的預(yù)測(cè)精度就會(huì)降低。

其次另一個(gè)造成預(yù)測(cè)精度變低的原因，是改進(jìn)的季節(jié)性指數(shù)平滑法輸入是預(yù)測(cè)的未來(lái)室外日平均溫度，但在測(cè)試期間，僅有87%的室外預(yù)測(cè)溫度與實(shí)測(cè)溫度的相對(duì)誤差在5%以內(nèi)，意味著利用預(yù)測(cè)的室外日平均溫度本身就存在一定的誤差。

3　徑向基神經(jīng)網(wǎng)絡(luò)方法

3.1影響因素分析

利用神經(jīng)網(wǎng)絡(luò)方法對(duì)負(fù)荷進(jìn)行預(yù)測(cè)，首先需要確定網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)的輸入神經(jīng)元。文獻(xiàn)[2]運(yùn)用選元技術(shù)，確定了10個(gè)輸入?yún)?shù)，分別為實(shí)時(shí)和提前的室外溫度、太陽(yáng)輻射值和空調(diào)機(jī)組使用數(shù)量等。

但對(duì)一般的空調(diào)系統(tǒng)而言，能獲得的參數(shù)主要包含歷史負(fù)荷、溫度和濕度等。因此，首先假設(shè)14個(gè)負(fù)荷影響因素，然后利用測(cè)試期間的實(shí)測(cè)數(shù)據(jù)，通過(guò)SPSS17.0對(duì)這14個(gè)影響因素進(jìn)行相關(guān)性分析，去掉相關(guān)性＞0.9的因素，實(shí)際得到5個(gè)影響因素，如表1所示。

表1　負(fù)荷影響因素表

3.2徑向基神經(jīng)網(wǎng)絡(luò)方法

由于徑向基（RBF）神經(jīng)網(wǎng)絡(luò)與常用的BP神經(jīng)網(wǎng)絡(luò)相比，網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練速度快、學(xué)習(xí)精度高[5]。基于此，利用RBF神經(jīng)網(wǎng)絡(luò)建立負(fù)荷預(yù)測(cè)模型[6～7]。其中5個(gè)影響因素作為自變量輸入層，則輸出層即t時(shí)刻用電負(fù)荷。

圖3　3#手術(shù)室逐時(shí)用電負(fù)荷預(yù)測(cè)-實(shí)測(cè)對(duì)比

利用測(cè)試期間3#手術(shù)室用電負(fù)荷所獲得的共600個(gè)樣本進(jìn)行預(yù)測(cè)檢驗(yàn)，其中將前500個(gè)樣本經(jīng)線性插值生成2000個(gè)樣本用于訓(xùn)練RBF網(wǎng)絡(luò)，最后用原600個(gè)樣本對(duì)RBF網(wǎng)絡(luò)建立的模型進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果得平均相對(duì)誤差為11.7%。

圖3是部分負(fù)荷預(yù)測(cè)檢驗(yàn)結(jié)果，由圖3（a）可以看出，當(dāng)逐時(shí)實(shí)測(cè)負(fù)荷變化平穩(wěn)時(shí)，逐時(shí)預(yù)測(cè)負(fù)荷與逐時(shí)實(shí)測(cè)負(fù)荷基本保持一致，平均相對(duì)誤差僅為3.32%。但當(dāng)逐時(shí)實(shí)測(cè)負(fù)荷波動(dòng)大時(shí)，由圖3（b）可以看出，雖然逐時(shí)預(yù)測(cè)負(fù)荷變化趨勢(shì)與逐時(shí)實(shí)測(cè)負(fù)荷變化趨勢(shì)一致，但數(shù)值卻有一定偏離，平均相對(duì)誤差達(dá)14.17%。

4　結(jié)論

首先，使用的手術(shù)室空調(diào)用電負(fù)荷樣本與常規(guī)空調(diào)系統(tǒng)冷（熱）負(fù)荷樣本相比，受末端人流量變化影響更大，且其變化無(wú)規(guī)律可循，因而預(yù)測(cè)負(fù)荷的準(zhǔn)確性偏低。

其次，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的是逐時(shí)用電負(fù)荷，而改進(jìn)的季節(jié)性指數(shù)平滑法預(yù)測(cè)的是日用電負(fù)荷。在精度上，無(wú)論是負(fù)荷平穩(wěn)段或波動(dòng)段，RBF神經(jīng)網(wǎng)絡(luò)方法精度均略高于改進(jìn)的季節(jié)性指數(shù)平滑法。

由于RBF神經(jīng)網(wǎng)絡(luò)方法需要利用5個(gè)輸入因素，模型結(jié)構(gòu)與只需要1個(gè)預(yù)測(cè)的日平均溫度輸入的改進(jìn)的季節(jié)性指數(shù)平滑法相比復(fù)雜得多。因此針對(duì)負(fù)荷變化平穩(wěn)，有規(guī)律的建筑可選擇改進(jìn)的季節(jié)性指數(shù)平滑法，而對(duì)負(fù)荷變化無(wú)規(guī)律的建筑還是應(yīng)選用徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)，確保相應(yīng)的預(yù)測(cè)精度。

最后，根據(jù)兩種方法進(jìn)行負(fù)荷預(yù)測(cè)的結(jié)果，雖然在數(shù)值上存在一定的偏差，但是大致的變化趨勢(shì)都與實(shí)測(cè)的變化保持一致。因而均可預(yù)測(cè)負(fù)荷的變化趨勢(shì)，來(lái)對(duì)設(shè)備的啟停強(qiáng)烈度控制進(jìn)行修正，并可提前對(duì)設(shè)備進(jìn)行負(fù)荷分配。

[1]何大四,張旭.改進(jìn)的季節(jié)性指數(shù)平滑法預(yù)測(cè)空調(diào)負(fù)荷分析[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2005,(12):1672-1676

[2]李玉街,蔡小兵,郭林.中央空調(diào)系統(tǒng)模糊控制節(jié)能技術(shù)及應(yīng)用[M].北京:中國(guó)建筑工業(yè)出版社,2010:309-311

[3]何大四,張旭,劉加平.常用空調(diào)負(fù)荷預(yù)測(cè)方法分析比較[J].西安建筑科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2006,(1):125-129

[4]楊建南,李萍,李世云.溫特斯線性和季節(jié)性指數(shù)平滑法預(yù)測(cè)模型應(yīng)用探討[J].中國(guó)數(shù)字醫(yī)學(xué),2010,(11):49-51

[5]陳飛,梁金鳳,高鑄.基于徑向基神經(jīng)網(wǎng)絡(luò)的燃?xì)馊肇?fù)荷預(yù)測(cè)[J].煤氣與熱力,2007,(5):18-19

[6]陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[Z].北京:清華大學(xué)出版社,2013

[7]楊建強(qiáng),羅先香.地下水動(dòng)態(tài)預(yù)測(cè)的徑向基函數(shù)法[J].水文,2001,

Comparative analysis of air conditioning load prediction methods

SHEN Cen,YU Hui-qiu,ZHANG Wei-jun,MA Jian-feng,REN Shi-chen Hangzhou ZETA Technology Co.,Ltd.

Load prediction is very important for optimal control of equipment.This paper selects two predictive methods for carrying out load prediction of the hospital’s operating room:Seasonal Exponential Weight Moving Average(SEWMA),and Radial Basis Function(RBF)neural network,the result is that,RBF neural network is more accurate than SEWMA to predict the load varies irregularly.

load prediction,seasonal exponential weight moving average,RBF neural network

1003-0344（2015）06-046-3

2014-8-12

沈岑（1987～），女，碩士，工程師；杭州市西湖區(qū)教工路88號(hào)立元大廈6樓（310012）；E-mail:shencentracy@126.com