李慧 段培永 劉鳳英

摘 要：夏季建筑冷負(fù)荷的正確預(yù)測(cè)是實(shí)現(xiàn)大型復(fù)雜中央空調(diào)優(yōu)化運(yùn)行、節(jié)能降耗的關(guān)鍵。筆者探討了商場(chǎng)建筑冷負(fù)荷的主要影響因素，確定了建筑動(dòng)態(tài)冷負(fù)荷預(yù)測(cè)模型的輸入，提出了夏季基于新風(fēng)機(jī)組供電頻率的商場(chǎng)顧客率間接測(cè)量方法，解決了商場(chǎng)內(nèi)顧客量難以檢測(cè)的難題。還提出了AFCHCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型算法，實(shí)現(xiàn)了大型商場(chǎng)建筑冷負(fù)荷的動(dòng)態(tài)預(yù)測(cè)。仿真結(jié)果表明：顧客率在商場(chǎng)冷負(fù)荷預(yù)測(cè)中占有重要地位，在冷負(fù)荷預(yù)測(cè)模型中增加商場(chǎng)顧客率可顯著提高預(yù)測(cè)精度；AFCHCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法與傳統(tǒng)的HCMAC神經(jīng)網(wǎng)絡(luò)算法比較，可有效降低神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)，提高預(yù)測(cè)精度。

關(guān)鍵詞：冷負(fù)荷；動(dòng)態(tài)預(yù)測(cè)；模糊聚類；數(shù)據(jù)

中圖分類號(hào)：TU111.3

文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：16744764（2016）02010407

Abstract： The accurate energy consumption perdition for building is critical to improve the energy efficient of the operation of the operation of largescale central air conditioning system in summer. Firstly， the influencing factors of cooling load were identified to determine the inputs of cooling load predition model. Then， the indirect measurement method was proposed to obtain the shopper rate based on the supply frequencies of new wind8units to identify the custom number in summer. Last， an AFCHCMAC neural network algorithm is proposed to for dynamic cooling load prediction. The results show that compared with the traditional HCMAC algorithm， the proposed AFCHCMAC algorithm can effectively reduce the neural network nodes and improve the prediction accuracy. The shoppers rate plays an important role in the cooling load prediction for shopping mall. Increasing shopper rate in the inputs of prediction model can significantly improve the prediction accuracy of dynamical cooling load forecasting for shopping mall.

Keywords：cooling load； dynamical prediction； fuzzy clustering； data

隨著中國(guó)社會(huì)經(jīng)濟(jì)的快速發(fā)展，能源供需矛盾和環(huán)境壓力日益突出，目前，建筑運(yùn)行能耗約占全社會(huì)總能耗的30%，單位建筑能耗面積是發(fā)達(dá)國(guó)家的2～3倍[1]，對(duì)社會(huì)造成了沉重的能源負(fù)擔(dān)和嚴(yán)重的環(huán)境污染，已成為制約中國(guó)可持續(xù)發(fā)展的主要問題。在所有建筑中，大型商場(chǎng)建筑對(duì)舒適性要求高，空調(diào)系統(tǒng)運(yùn)行時(shí)間長(zhǎng)，其空調(diào)系統(tǒng)單位建筑的能耗為城鎮(zhèn)建筑能耗的5倍 [2]。因此，研究大型商場(chǎng)建筑復(fù)雜中央空調(diào)系統(tǒng)的優(yōu)化運(yùn)行，實(shí)現(xiàn)節(jié)能降耗具有重要的經(jīng)濟(jì)效益和社會(huì)意義，而正確預(yù)測(cè)商場(chǎng)建筑的冷負(fù)荷，根據(jù)用戶的需要提供冷量是實(shí)現(xiàn)大型復(fù)雜中央空調(diào)優(yōu)化運(yùn)行、節(jié)能降耗的關(guān)鍵。

建筑冷負(fù)荷與建筑幾何尺寸、建筑材料、氣象參數(shù)、人員、設(shè)備散熱等因素有關(guān)。目前，建筑冷熱負(fù)荷預(yù)測(cè)方法主要有回歸分析法、仿真模型法和人工神經(jīng)網(wǎng)絡(luò)法?；貧w分析法主要包括多元線性回歸模型（MLR）[3]、自回歸（AR）模型[4]， 和帶外部輸入的自回歸模型（ARX）[5]。對(duì)于MLR算法由于建筑冷負(fù)荷受多種變量的影響，且具有嚴(yán)重的非線性，所以預(yù)測(cè)精度一般不高。對(duì)于AR模型，由于該模型的輸入僅為建筑冷負(fù)荷的歷史數(shù)據(jù)，而沒有考慮其他因素，所以預(yù)測(cè)精度也很難滿足實(shí)際要求。ARX模型是將MLR與AR結(jié)合到一起形成的，該模型即考慮了歷史數(shù)據(jù)對(duì)當(dāng)前負(fù)荷預(yù)測(cè)的影響，也考慮了外界氣象參數(shù)對(duì)負(fù)荷預(yù)測(cè)的影響，因此，該方法的預(yù)測(cè)精度優(yōu)于MLR、AR方法。仿真模型法采用專業(yè)仿真軟件通過輸入建筑信息和氣象數(shù)據(jù)仿真得到建筑的逐時(shí)冷負(fù)荷，比較典型的仿真軟件有EnergyPlus[6]、TRNSYS[7]、ESPr[8]和DeST[9]等。該方法的特點(diǎn)是仿真信息復(fù)雜，專業(yè)性強(qiáng)，主要用于冷、熱能系統(tǒng)的規(guī)劃和設(shè)計(jì)。人工神經(jīng)網(wǎng)絡(luò)[10]方法由于具有很好的學(xué)習(xí)功能，在建筑冷負(fù)荷預(yù)測(cè)方面得到了廣泛的應(yīng)用。主要有BenNakhi模型[11]、Moon模型[12]、Ekici模型[13]、Dombayci模型[14]、Gonzalez模型[15]、Yang模型[16]和Paudel模型[17]等。當(dāng)建筑結(jié)構(gòu)和功能確定后，如何根據(jù)氣象參數(shù)、人員時(shí)空分布等信息在線動(dòng)態(tài)預(yù)測(cè)建筑冷負(fù)荷是非常必要的。室外氣象參數(shù)（溫度、濕度、太陽輻射等）的檢測(cè)可以采用常規(guī)的傳感器，比較容易實(shí)現(xiàn)，而對(duì)于人員時(shí)空分布信息，測(cè)量難度大，費(fèi)用高，導(dǎo)致當(dāng)前模型很少考慮人員分布情況，冷負(fù)荷預(yù)測(cè)方法主要為靜態(tài)預(yù)測(cè)。文獻(xiàn)[18]為了區(qū)分不同人員時(shí)空分布對(duì)負(fù)荷預(yù)測(cè)的影響，將預(yù)測(cè)模型分為工作日、周末、假日3種不同模型，該方法在一定程度上克服了不同人員數(shù)量對(duì)負(fù)荷預(yù)測(cè)的影響，主要適用于室內(nèi)人員時(shí)空分布比較規(guī)律的辦公寫字樓。對(duì)于商場(chǎng)建筑，由于客流量的不確定性，該方法很難實(shí)現(xiàn)商場(chǎng)內(nèi)冷負(fù)荷的動(dòng)態(tài)準(zhǔn)確預(yù)測(cè)，難以應(yīng)用到實(shí)際工程。筆者首先根據(jù)商場(chǎng)建筑冷負(fù)荷的特點(diǎn)，確定建筑冷負(fù)荷預(yù)測(cè)模型的輸入?yún)?shù)；然后提出了夏季基于新風(fēng)機(jī)組供電頻率的商場(chǎng)顧客率間接測(cè)量方法，在不增加硬件投資的條件下實(shí)現(xiàn)了商場(chǎng)人員時(shí)空分布信息的測(cè)量；最后提出AFCHCMAC（Adaptive Fuzzy ClusteringHyperball Cerebellar Model Articulation Controller）神經(jīng)網(wǎng)絡(luò)算法用于建立建筑冷負(fù)荷在線動(dòng)態(tài)預(yù)測(cè)模型，實(shí)現(xiàn)了建筑冷負(fù)荷的在線動(dòng)態(tài)精確預(yù)測(cè)。

1 不同參數(shù)對(duì)建筑冷負(fù)荷的影響

商場(chǎng)建筑冷負(fù)荷主要受5個(gè)方面的因素影響：1）建筑本體特性，主要包括建筑方位、幾何尺寸、建筑材料、窗墻比等；2）外界氣象參數(shù)；3）室內(nèi)溫度設(shè)定值；4）人員時(shí)空分布；5）用電設(shè)備散熱。對(duì)于影響因素1）建筑本體特性參數(shù)，當(dāng)某一建筑建成后，該建筑方位、幾何尺寸、建筑材料、窗墻比等參數(shù)值亦確定，因此對(duì)于同一建筑，其值為常量。對(duì)于影響因素3）室內(nèi)溫度設(shè)定值，盡管對(duì)于個(gè)性化空調(diào)，空調(diào)溫度設(shè)定值通常根據(jù)不同用戶偏好取不同設(shè)定值，但由于大型商場(chǎng)內(nèi)顧客流動(dòng)性大，室內(nèi)溫度設(shè)定值通常按照國(guó)家標(biāo)準(zhǔn)定為26 ℃，看作定值。對(duì)于影響因素5）用電設(shè)備散熱，在大型商場(chǎng)內(nèi)主要為電氣照明散熱。商場(chǎng)內(nèi)安裝大量的照明設(shè)施，從柜臺(tái)、墻、柱到頂棚都布滿了照明燈具，照明燈具在工作過程中，產(chǎn)生大量的熱，致使燈泡、燈管以及燈座的表面溫度較高，為了提高商場(chǎng)內(nèi)環(huán)境的視覺舒適，在營(yíng)業(yè)期間照明一般處于全開的狀態(tài)，因此大型商場(chǎng)在營(yíng)業(yè)時(shí)間設(shè)備散熱可看作定值。由上分析，在商場(chǎng)建筑冷負(fù)荷預(yù)測(cè)模型中可不考慮建筑本體、室內(nèi)溫度設(shè)定值和設(shè)備散熱對(duì)建筑冷負(fù)荷的影響。因此在預(yù)測(cè)模型輸入中主要包括室外氣象參數(shù)和人員數(shù)。根據(jù)文獻(xiàn)[19]室外氣象參數(shù)為當(dāng)前時(shí)刻室外溫度To、室外濕度Ho和室外太陽輻射Ro，由于太陽輻射對(duì)室內(nèi)溫度影響存在嚴(yán)重的滯后現(xiàn)象，在預(yù)測(cè)模型輸入中還包括上一時(shí)刻室外太陽輻射。最終建立的預(yù)測(cè)模型如圖1所示，輸入變量為To（k）、Ro （k）、Ro （k-1）、Ho（k）、Pr（k），輸入5維，輸出1維。

該模型為基于數(shù)據(jù)的數(shù)學(xué)模型，學(xué)習(xí)數(shù)據(jù)取自商場(chǎng)某一時(shí)間段的實(shí)際運(yùn)行數(shù)據(jù)和氣象數(shù)據(jù)。根據(jù)歷史數(shù)據(jù)建立大型商場(chǎng)動(dòng)態(tài)冷負(fù)荷預(yù)測(cè)模型，用于預(yù)測(cè)當(dāng)前氣象參數(shù)和人員數(shù)量情況下大型商場(chǎng)所需的冷負(fù)荷。

2 基于新風(fēng)機(jī)組供電頻率的商場(chǎng)顧客

率檢測(cè)

如上所述，室外氣象參數(shù)的檢測(cè)可以采用常規(guī)的傳感器，比較容易實(shí)現(xiàn)。而對(duì)于室內(nèi)人員數(shù)量的檢測(cè)相對(duì)較難。目前，對(duì)于商場(chǎng)人數(shù)統(tǒng)計(jì)，一些公司研制出客流量統(tǒng)計(jì)器。但是，由于商場(chǎng)出入口較多，且客流高峰時(shí)會(huì)同時(shí)有多人進(jìn)出，導(dǎo)致統(tǒng)計(jì)信息誤差較大。人每時(shí)每刻都要散發(fā)熱量，吸進(jìn)氧氣，呼出二氧化碳和水蒸氣。通過測(cè)試，一般人每小時(shí)大約呼出二氧化碳約20 L，占呼出氣體總量的4%。新鮮空氣中的二氧化碳含量是0.03%～0.04%，如果大氣中二氧化碳的含量超過0.1%即為輕微污染。當(dāng)商場(chǎng)內(nèi)人員客流量增多時(shí)，會(huì)導(dǎo)致二氧化碳濃度急劇增加。目前，商場(chǎng)內(nèi)空氣品質(zhì)的評(píng)價(jià)主要依據(jù)二氧化碳濃度，為了即滿足商場(chǎng)內(nèi)空氣品質(zhì)要求，又實(shí)現(xiàn)節(jié)能控制，在夏季，新風(fēng)機(jī)組可采用變頻控制。通過新風(fēng)機(jī)組的變頻控制改變新風(fēng)機(jī)組的新風(fēng)量來滿足室內(nèi)空氣品質(zhì)的要求，變頻的同時(shí)實(shí)現(xiàn)了節(jié)能控制。在室內(nèi)二氧化碳濃度的控制過程中商場(chǎng)內(nèi)人員數(shù)量與新風(fēng)量呈正比關(guān)系。

作為一座大型商場(chǎng)建筑，需要安裝多臺(tái)新風(fēng)機(jī)組以滿足室內(nèi)空氣品質(zhì)的需要，由于風(fēng)量傳感器通常價(jià)位較高，實(shí)用性差，在空調(diào)系統(tǒng)現(xiàn)場(chǎng)很少安裝。本文采用間接測(cè)量的方式實(shí)現(xiàn)新風(fēng)量的測(cè)量，新風(fēng)機(jī)的風(fēng)量由變頻調(diào)速器調(diào)節(jié)，而新風(fēng)機(jī)的供電頻率和新風(fēng)機(jī)的風(fēng)量呈線性正比關(guān)系[20]，頻率越高，風(fēng)量越大。假設(shè)商場(chǎng)內(nèi)共有n臺(tái)新風(fēng)機(jī)組，則第i臺(tái)新風(fēng)機(jī)組新風(fēng)量的計(jì)算公式為

3 自適應(yīng)模糊聚類AFCHCMAC神經(jīng)

網(wǎng)絡(luò)算法

HCMAC神經(jīng)網(wǎng)絡(luò)[21]的輸入空間超閉球量化方法簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)的計(jì)算過程，有利于分析神經(jīng)網(wǎng)絡(luò)的泛化能力和學(xué)習(xí)精度。但對(duì)于高維非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)存儲(chǔ)空間隨輸入維數(shù)的增加呈幾何級(jí)數(shù)增加，導(dǎo)致該神經(jīng)網(wǎng)絡(luò)很難應(yīng)用于高維非線性系統(tǒng)。本文通過自適應(yīng)模糊聚類和高斯核函數(shù)的方法，將HCMAC高維輸入空間映射到低維空間，解決了維數(shù)災(zāi)難問題。

3.1 輸入空間自適應(yīng)模糊聚類

神經(jīng)網(wǎng)絡(luò)輸入空間的量化由輸入空間的數(shù)據(jù)聚類確定。模糊C均值（FCM）[22]聚類能夠很好地處理高維數(shù)據(jù)空間的聚類問題，但是FCM需要預(yù)先設(shè)置聚類數(shù)目，且由于初始聚類中心設(shè)置的隨機(jī)性容易導(dǎo)致聚類中心陷入局部最優(yōu)。為了克服FCM算法的局限性，將層次聚類HCM（hierarchical clustering method）與FCM聚類相結(jié)合提出自適應(yīng)HCMFCM聚類算法。設(shè)輸入空間為X=（xi|i=1，2，…，m），輸出空間為Y=（yi|i=1，2，…，m），其中任一輸入xi=（xi，1，xi，2，…xi，d）為d維空間，輸出為一維空間。自適應(yīng)模糊聚類算法的基本思想是由層次聚類方法確定聚類數(shù)目和初始聚類中心，由FCM聚類算法優(yōu)化聚類中心。

3.4 系統(tǒng)在線預(yù)測(cè)與學(xué)習(xí)過程

根據(jù)系統(tǒng)的實(shí)時(shí)檢測(cè)數(shù)據(jù)建立的預(yù)測(cè)模型隨著系統(tǒng)的運(yùn)行通常需要在線修改，主要表現(xiàn)在以下兩個(gè)方面：

1）現(xiàn)場(chǎng)實(shí)時(shí)采集的數(shù)據(jù)滿足距離閾值η的要求，即隸屬于某一模糊劃分子空間，但是預(yù)測(cè)的精度在一段時(shí)間內(nèi)不能滿足預(yù)測(cè)精度要求。

2）現(xiàn)場(chǎng)實(shí)時(shí)采集的數(shù)據(jù)距離最近的聚類中心大于距離閾值η；即不屬于任何劃分子空間。

5 結(jié) 語

1）根據(jù)新風(fēng)機(jī)供電頻率和新風(fēng)量的線性關(guān)系，通過空調(diào)系統(tǒng)新風(fēng)量的間接測(cè)量，在沒有增加傳感器的情況下實(shí)現(xiàn)了夏季商場(chǎng)內(nèi)顧客率的測(cè)量。由AFCHCMAC（考慮顧客率）和AFCHCMAC（不考慮顧客率）預(yù)測(cè)模型測(cè)試曲線可以得到，顧客率對(duì)冷負(fù)荷的預(yù)測(cè)影響較大，在預(yù)測(cè)模型中將顧客率去掉，將嚴(yán)重降低冷負(fù)荷的預(yù)測(cè)精度。

2）為了克服高維神經(jīng)網(wǎng)絡(luò)維數(shù)災(zāi)難問題，通過自適應(yīng)模糊聚類和引入核函數(shù)提出了一種AFCHCMAC神經(jīng)網(wǎng)絡(luò)方法用于預(yù)測(cè)大型商場(chǎng)動(dòng)態(tài)冷負(fù)荷，由AFCHCMAC、HCMAC預(yù)測(cè)模型預(yù)測(cè)學(xué)習(xí)曲線可以看出，AFCHCMAC算法的預(yù)測(cè)精度高于HCMAC算法，神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)由原來的1 024降低為168。同時(shí)也驗(yàn)證了提出的算法有較好的泛化能力。

該方法可實(shí)現(xiàn)夏季大型商場(chǎng)建筑的在線動(dòng)態(tài)冷負(fù)荷預(yù)測(cè)，為大型復(fù)雜中央空調(diào)系統(tǒng)的在線優(yōu)化節(jié)能運(yùn)行提供了依據(jù)。

參考文獻(xiàn)：

[1] 張洪恩，鄭武幸.北方典型城市既有居住建筑能耗現(xiàn)狀及節(jié)能改造分析[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)，2014，45（3）：410413.

ZHANG H E，ZHENG W X.Analysis on status of energy consumption and energy efficiency renovation of existing residential building of northern typical city in China [J]. Journal of Shandong Agricultural University，2014（3）：410413.（in Chinese）

[2] 薛志峰，江億.商業(yè)建筑的空調(diào)系統(tǒng)能耗指標(biāo)分析[J].暖通空調(diào)，2005，35（1）：3742.

XUE Z F，JIANG Y.Air conditioning energy consumption analysis of commercial buildings [J].Heating Ventilating and Air Conditioning，2005，35（1）：3742.（in Chinese）

[3] CATALINA T，IORDACHE V，CARACALEANU B.Multiple regression model for fast prediction of the heating energy demand [J].Energy and Buildings（S03787788），2013，57：302312.

[4] ZHOU Q，WANG S，XU X，et al.A greybox model of nextday building thermal load prediction for energyefficient control [J].International Journal of Energy Research，2008， 32（15）：14181431.

[5] YUNA K，LUCKA R，MAGOA P J，et al.Building hourly thermal load prediction using an indexed ARX model [J].Energy and Buildings，2012，54：225233.

[6] DRURY B C，LINDA K L.EnergyPlus：creating a newgeneration building energy simulation program [J].Energy and Buildings，2001，33（4）：319331.

[7] Trnsys 17.A transient system simulation program [EB/OL].http：//sel.me.wisc.edu/trnsys/features， 2012.

[8] STRACHAN P A，KOKOGIANNAKIS G，MACDONALD I A.History and development of validation with the ESPr simulation program [J].Building and Environment，2008，43（4）：601609.

[9] 燕達(dá)，謝曉娜，宋芳婷，等.建筑環(huán)境設(shè)計(jì)模擬分析軟件DeST第一講：建筑模擬技術(shù)與DeST發(fā)展簡(jiǎn)介[J].暖通空調(diào)，2004，34（7）：4856.

YAN D，XIE X N，SONG F T，et al.Building environment design simulation software DeST（1）：an overview of developments and information of building simulation and DeST [J].Heating，Ventilation，and Air Conditioning，2004，34（7）：34483456.（in Chinese）

[10] KUMARA R，AGGARWALB R K，SHARMAA J D.Energy analysis of a building using artificial neural network：a review [J].Energy and Buildings，2013（65）：352358.

[11] ABDULLATIF E B，MOHAMED A M.Cooling load prediction for buildings using general regression neural networks [J].Energy Conversion and Management，2004，45：21272141.

[12] MOON J W.Performance of ANNbased predictive and adaptive thermal control methods for disturbances in and around residential buildings [J].Building and Environment，2012，48：1526.

[13] EKICI B B，AKSOY U T.Prediction of building energy consumption by using artificial neural networks [J].Advances in Engineering Software，2009，40：356362.

[14] DOMBAYCI O A.The prediction of heating energy consumption in a model house using artificial neural networks in DenizliTurkey [J].Advances in Engineering Software，2010，41：141147.

[15] GONZALEZ P A，ZAMARRENO J M.Prediction of hourly energy consumption in buildings based on feedback artificial neural network [J].Applied Thermal Engineering，2005，37：595601.

[16] YANG J，RIVARD H，ZMEUREANU R.Online building energy prediction using adaptive artificial neural networks [J].Energy and Buildings，2005，37：12501259.

[17] PAUDEL S，MOHAMED E，WIL L K，et al.Pseudo dynamic transitional modeling of building heating energy demand using artificial neural network [J].Energy，2014，70：8193.

[18] LIU G P，LIU M S.A rapid calibration procedure and case study for simplified simulation models of commonly used HVAC systems [J].Building and Environment，2011，46：409420.

[19] SIMON S K K，RICHARD K K Y，ERIC W M L.An intelligent approach to assessing the effect of building occupancy on building cooling load prediction [J].Building and Environment，2011，46：16811690.

[20] 江億，姜子炎.建筑設(shè)備自動(dòng)化[M].北京：中國(guó)建筑工業(yè)出版社，2007.

[21] 段陪永，任華之，邵惠鶴.超閉球CMAC的性能分析及多CMAC結(jié)構(gòu)[J].自動(dòng)化學(xué)報(bào)，2000，26（4）：563567.

DUAN P Y，REN H Z，SHAO H H.Performance analysis of hyperball CMAC and multi CMAC structure [J].Acta Automatica Sinica，2000，26（4）：563567. （in Chinese）

[22] PAL N R，BEZDEK J C.On clustering for the fuzzycmeans mode [J].IEEE Transactions on Fuzzy System （S10636706），1995，3（3）：370379.

（編輯 王秀玲）