摘 要：為提高辦公建筑夏季空調(diào)負(fù)荷預(yù)測精度，提出了一種基于自適應(yīng)權(quán)重PSO算法的空調(diào)負(fù)荷預(yù)測方法，利用DEST軟件模擬西安某辦公建筑的逐時(shí)空調(diào)負(fù)荷，采用最小二乘算法建立空調(diào)負(fù)荷預(yù)測模型并進(jìn)行模型參數(shù)估計(jì)，采用自適應(yīng)權(quán)重粒子群算法優(yōu)化參數(shù)。用該地區(qū)另一辦公建筑中某個(gè)房間的空調(diào)負(fù)荷數(shù)據(jù)進(jìn)行模型驗(yàn)證，得到了比較理想的預(yù)測效果，為實(shí)現(xiàn)空調(diào)系統(tǒng)的節(jié)能運(yùn)行和優(yōu)化控制提供理論依據(jù)。

關(guān)鍵詞：空調(diào)負(fù)荷；自適應(yīng)權(quán)重；DEST軟件；PSO算法；最小二乘

1 模型影響因素分析

空調(diào)負(fù)荷的影響因素有很多，可以分為內(nèi)部因素和外界因素，外界因素是指建筑外的一些氣象因素，如溫濕度、風(fēng)速風(fēng)向的變化、室外干球溫度、太陽輻射強(qiáng)度等等；內(nèi)部因素主要包括建筑內(nèi)溫濕度、機(jī)器和照明散熱量、人員情況等等[1-2]。選取的模型自變量為室外干球溫度和輻射強(qiáng)度。

2 空調(diào)系統(tǒng)負(fù)荷預(yù)測模型優(yōu)化

2.1 多元線性回歸模型的建立

空調(diào)負(fù)荷預(yù)測中，假設(shè)空調(diào)負(fù)荷y隨著m組影響因素xi（i=1，2，3...n）的變化而變化，可得

根據(jù)以上建模方法及空調(diào)負(fù)荷數(shù)據(jù)，可以對(duì)多元線性回歸模型進(jìn)行回歸系數(shù)估計(jì)、顯著性檢驗(yàn)和殘差的自相關(guān)分析等，最終得出空調(diào)系統(tǒng)負(fù)荷的預(yù)測模型。

2.2 模型參數(shù)估計(jì)

從進(jìn)化計(jì)算的角度看，可以將J作為適應(yīng)度函數(shù)，只不過此時(shí)J越小對(duì)應(yīng)適應(yīng)度越大。由于極小化式（6）是一個(gè)在線優(yōu)化問題，可以采用自適應(yīng)權(quán)重法的粒子群算法求式（6）的極小值及其對(duì)應(yīng)的模型參數(shù)。

2.3 基于PSO算法的模型參數(shù)優(yōu)化

為了平衡PSO算法的全局搜索能力和局部改良能力，可以采用非線性的動(dòng)態(tài)慣性權(quán)重系數(shù)公式，使得慣性權(quán)重隨著微粒的目標(biāo)函數(shù)的值而自動(dòng)改變，因此稱為自適應(yīng)權(quán)重，其表達(dá)是如下：

式中wmax和wmin分別表示w的最大值和最小值，f用來表示粒子當(dāng)前的目標(biāo)函數(shù)值，favg表示當(dāng)前所有微粒的平均目標(biāo)值，fmin用來表示所有微粒的最小目標(biāo)值。當(dāng)每個(gè)微粒的目標(biāo)值趨于相同或者趨于局部最優(yōu)時(shí)，將增加慣性權(quán)重，而各微粒的目標(biāo)值比較分散時(shí)，將減小慣性權(quán)重，同時(shí)對(duì)于目標(biāo)函數(shù)值優(yōu)于平均目標(biāo)值的微粒，其對(duì)應(yīng)的慣性權(quán)重因子較小，從而保護(hù)了該微粒。

3 工程實(shí)例分析

選取夏季西安地區(qū)某辦公建筑來建立空調(diào)負(fù)荷預(yù)測模型，大樓共21層，層高3.5米，建筑面積為24225平方米，建筑為混凝土剪力墻結(jié)構(gòu)，外墻為外保溫式的加氣混泥土砌塊；窗框材料采用斷橋鋁合金，玻璃采用普通白玻璃（玻璃和玻璃間層厚度為6mm）?？照{(diào)工作時(shí)間為08：00～18：00，用于建模的空調(diào)負(fù)荷樣本由動(dòng)態(tài)負(fù)荷計(jì)算軟件 DEST-C模擬計(jì)算獲得。確定自變量為空調(diào)負(fù)荷，因變量為實(shí)測空調(diào)瞬時(shí)負(fù)荷y，室外干球溫度x1，總輻射x2。由最小二乘算法回歸后的參數(shù)代入（4）式，我們就能得到空調(diào)負(fù)荷預(yù)測模型線性回歸方程式為：

模型的預(yù)測效果是否良好，空調(diào)負(fù)荷曲線擬合是否精確，為了便于觀察，選取該地區(qū)另一辦公建筑中的某個(gè)房間一周的逐時(shí)空調(diào)負(fù)荷與模型預(yù)測負(fù)荷進(jìn)行擬合，則有圖1所示仿真出預(yù)測值和實(shí)際值的擬合效果。

從圖2可以看出，采用自適應(yīng)權(quán)重PSO算法優(yōu)化過后模型的殘差很小，誤差相對(duì)于實(shí)際的運(yùn)行數(shù)據(jù)很好的控制在了8%以下，使得建筑空調(diào)系統(tǒng)負(fù)荷預(yù)測的精度得到了提高。

4 結(jié)束語

通過對(duì)模型參數(shù)的優(yōu)化，提高了空調(diào)負(fù)荷預(yù)測結(jié)果的可靠性。由此表明，該建模方法在空調(diào)負(fù)荷預(yù)測方面具有很高的預(yù)測精度和更好的泛化能力，具有較強(qiáng)的可行性和實(shí)用性。

參考文獻(xiàn)

[1]趙超，戴坤成，黃云云.灰色-支持向量機(jī)的空調(diào)負(fù)荷預(yù)測[J].計(jì)算機(jī)與應(yīng)用化學(xué)，2014.

[2]李玉云 ，王永驥.人工神經(jīng)網(wǎng)絡(luò)在暖通空調(diào)領(lǐng)域的研究發(fā)展[J].暖通空調(diào)，2001，31（1）：38-41.