國網(wǎng)上海市電力公司閘北發(fā)電廠 顧兆雄 黃志堅 謝 鳴

上海海事大學 林萌雅 齊家業(yè) 高文忠△

0 引言

隨著我國經(jīng)濟的迅速發(fā)展，全社會整體空調能耗急劇增加，在夏季，空調耗電量已占到居民用電量的40%～50%左右，對霧霾“貢獻”顯著。近年來，特別是在“十三五”規(guī)劃政策的大力推動下，推進能源革命，發(fā)展綠色能源，建設清潔低碳、能源可持續(xù)發(fā)展和節(jié)約能源的現(xiàn)代能源體系[1]已取得全社會的共識。其中CCHP(combined cooling heating and power)系統(tǒng)(又稱冷熱電聯(lián)產(chǎn)系統(tǒng))得到快速發(fā)展，其總能源利用率可以達到75%～90%，是能源綜合梯級利用的有效解決方案。

大型CCHP系統(tǒng)通常使用清潔能源天然氣作為主要一次能源，在綜合考慮初投資、裝機容量和運行經(jīng)濟性的基礎上，常配置一定容量的電制冷機和蓄能儲罐，既可利用電力谷價蓄冷降低成本，亦可調節(jié)負荷。其供冷主體主要有3種，即溴化鋰制冷機、電制冷機和蓄冷罐。其中，溴化鋰制冷機由內(nèi)燃機余熱驅動，能量來自天然氣，電制冷機組由電力驅動，該電力首先使用內(nèi)燃機自發(fā)電，不足部分購買市政電力，而市政電力存在峰時、平時和谷時電價，且因季節(jié)差異而不同。蓄冷罐兼顧谷電蓄冷和調節(jié)作用。因此，在如此復雜的供能體系和價格體系下，只有準確預知第2天的負荷值和變化趨勢，才能依據(jù)該結果通過具有智能化的控制系統(tǒng)，調配各供能主體運行臺數(shù)和時間，獲得系統(tǒng)運行整體的最優(yōu)化，包括經(jīng)濟最優(yōu)、能耗最優(yōu)和碳排放最優(yōu)等方面。

一般建筑物的空調冷負荷受氣象參數(shù)、季節(jié)、建筑性質和投用階段等多種因素影響，存在復雜的非線性關系，利用建筑設計階段的負荷計算方法難以預知第2天的負荷。近十幾年來，眾多專家學者針對空調負荷的特點，從運行數(shù)據(jù)角度提出了一些預測方法。主要有人工神經(jīng)網(wǎng)絡法(ANN)、多元非線性回歸法(MNLR)、支持向量回歸法(SVR)及時間序列法等[2]。

多元非線性回歸法簡單易理解，但其通用性差。時間序列法預測速度快，通常用于短期預測，如未來數(shù)小時的預測，但模型不能充分利用負荷的影響因素，只適用于負荷變化均勻的短期預測。與其他方法相比，人工神經(jīng)網(wǎng)絡法的優(yōu)勢在于能夠對變量之間復雜關系給出的多變量問題進行建模，并通過訓練數(shù)據(jù)的“學習”來提取這些變量之間的隱含非線性關系。近些年來，運用人工神經(jīng)網(wǎng)絡預測負荷得到了一定的發(fā)展。如Zhou等人通過對大型商場空調負荷預測的應用，闡述了4種不同的基于機器學習的預測方法，并對它們的預測性能進行了比較[3]。Ling應用BP神經(jīng)網(wǎng)絡-馬爾可夫預測模型進行熱負荷預測，不僅發(fā)揮了BP神經(jīng)網(wǎng)絡預測精度高的特點，而且能夠利用馬爾可夫模型對波動數(shù)據(jù)進行較精確預測[4]。Liao采用改進的差分進化算法優(yōu)化小波神經(jīng)網(wǎng)絡的權閾值，并與傳統(tǒng)算法優(yōu)化神經(jīng)網(wǎng)絡進行了比較[5]。Solmaz等人利用人工神經(jīng)網(wǎng)絡方法來預測汽車小時冷負荷，通過對7～40個隱層神經(jīng)元數(shù)目的逐步檢測，尋找最匹配的神經(jīng)網(wǎng)絡結構[6]。Ding等人將輸入變量隨機形成8個組合，分析各種輸入變量對預測精度的影響，利用人工神經(jīng)網(wǎng)絡和支持向量機模型進行預測精度比較[7]。

相對以上研究中的小型空調系統(tǒng)，大型CCHP系統(tǒng)的用戶建筑規(guī)模通常比較龐大，主要以區(qū)域供冷供熱為典型特征，建筑類型涉及辦公建筑、公寓、酒店等多種形式，雖然每種建筑類型的日、月和季節(jié)負荷特征變化規(guī)律存在明顯差異，但其耦合性卻非常顯著，往往表現(xiàn)出與氣候特征較密切的關聯(lián)性。基于此，筆者嘗試利用人工神經(jīng)網(wǎng)絡的GA-BP模型，結合Speaman秩相關系數(shù)對大型CCHP系統(tǒng)的負荷影響因素進行分析，以期利用建筑負荷耦合特征，獲得更準確的針對大型CCHP系統(tǒng)空調負荷的預測方法，為此類系統(tǒng)的智能優(yōu)化運行提供更精確的數(shù)據(jù)支撐。

1 BP神經(jīng)網(wǎng)絡預測模型的優(yōu)化改進

BP神經(jīng)網(wǎng)絡是一種典型的遞歸網(wǎng)絡，由輸入層、隱含層和輸出層構成[8]，具有非線性映射能力及強大的學習能力，對規(guī)律較復雜、非線性關系的數(shù)據(jù)具有良好的分析和處理能力[9]，且具有信息記憶、自主學習和優(yōu)化計算的特點[10]。但也存在局限性，即：1) 學習速度慢、維數(shù)災難；2) 很容易陷入局部收斂，無法保證全局收斂最優(yōu)解；3) 難以科學地確定網(wǎng)絡結構。其中，網(wǎng)絡結構及輸入?yún)?shù)的選取對模型的學習速度和結果存在明顯影響，目前多憑經(jīng)驗確定隱含層節(jié)點數(shù)。

為了解決學習速度慢、維數(shù)災難的問題，首先嘗試引入Spearman秩相關系數(shù)對影響負荷預測的因素作相關性分析，然后選取相關性較高的影響因素作為輸入變量。相對于全部影響因素作為輸入變量，運用Spearman秩相關系數(shù)選取輸入變量，起到降維的作用，從而提高訓練速度，增加模型的適用性。Spearman秩相關系數(shù)的優(yōu)勢在于，它用來衡量2個變量之間的關聯(lián)程度與方向，對原始變量分布不作要求，屬于非參數(shù)統(tǒng)計方法。在滿足沒有重復數(shù)據(jù)的情況下，若2個變量間為嚴格單調函數(shù)關系，則Spearman秩相關系數(shù)就是1或-1，則稱2個變量完全Spearman秩相關。2個變量的Spearman秩相關系數(shù)越大，則兩者的相關性越大。該方法可用于輸入與輸出變量間關聯(lián)程度的分析，避免輸入變量過多或人為排除重要的變量，選出相關程度較高的變量。其計算步驟為：1) 將2個列向量X和Y對應的元素xi、yi轉換為在各自列向量中的排名，記為x′i、y′i。2) 根據(jù)式(1)計算Spearman秩相關系數(shù)。

(1)

式中rs為Spearman秩相關系數(shù)；n為樣本數(shù)量；di為秩次差，di=x′i-y′i。

針對BP神經(jīng)網(wǎng)絡很容易陷入局部收斂、無法保證收斂全局最優(yōu)點的缺陷，采用將其與具有全局搜索能力的遺傳算法相結合，從而使神經(jīng)網(wǎng)絡的初始權值和閾值得到優(yōu)化，進而優(yōu)化整個網(wǎng)絡結構，構成兼顧兩者優(yōu)點的GA-BP神經(jīng)網(wǎng)絡預測模型。其算法結構流程如圖1所示。

圖1 GA-BP算法的流程圖

GA-BP神經(jīng)網(wǎng)絡訓練首先對經(jīng)過Spearman秩相關系數(shù)確定的輸入?yún)?shù)及其構成的數(shù)據(jù)集進行訓練，然后通過遺傳算法具有的選擇、交叉與變異操作，在生成的新一代種群中尋找滿足適應度條件的個體，從而得到BP神經(jīng)網(wǎng)絡的最佳初始權值與閾值；接著BP神經(jīng)網(wǎng)絡算法以遺傳算法提供的最優(yōu)初始權值和閾值開始訓練過程，最后逼近最優(yōu)解[11]。具體步驟如下：

1) 根據(jù)神經(jīng)網(wǎng)絡拓撲結構對初始值進行編碼，生成初始群體。

2) 使用初始值訓練神經(jīng)網(wǎng)絡。

3) 通過訓練結果，計算每個個體的適應度值，篩選出最佳的適應度的個體進行下一代計算。

4) 對篩選出的群體進行選擇、交叉和變異等遺傳操作，生成一代新的群體。

5) 重復步驟2)～4)，直至滿足適應度條件，獲取最優(yōu)的權值和閾值。

6) 使用經(jīng)過遺傳算法優(yōu)化的權值與閾值進行訓練，得到結果。

2 原始數(shù)據(jù)處理和負荷預測模型構建

選取位于上海浦東新區(qū)某區(qū)域供冷/熱的大型CCHP系統(tǒng)為研究對象，該能源中心主要為28棟辦公樓及附屬商業(yè)建筑供能。其供能總面積為647 000 m2，夏季設計日逐時冷負荷峰值為56.8 MW，日總供冷量為660.9 MW·h，冬季設計日逐時熱負荷峰值為34.3 MW，日總供熱量為441.6 MW·h。整個CCHP系統(tǒng)主要由2臺內(nèi)燃機、2臺煙氣熱水型雙效溴化鋰機組、6臺離心式電制冷機組、3臺燃氣熱水鍋爐及蓄能罐組成。其中溴化鋰機組的額定制冷功率為4 105 kW，電制冷機組的額定制冷功率為7 000 kW，蓄能罐的蓄冷量為51 502 kW·h，蓄熱量為35 000 kW·h。能源系統(tǒng)原理如圖2所示[12]。該系統(tǒng)于2016年投入使用，2018年夏季典型日的最大逐時冷負荷為22.5 MW，總供冷量為239.3 MW·h，典型日負荷分布如圖3所示。鑒于該能源中心具備較完善的運行數(shù)據(jù)采集和存儲系統(tǒng)，選取2018年7月2日至10月8日(06:00—18:00)的工作日(非工作日負荷極小，忽略)逐時負荷和當?shù)貧庀缶职l(fā)布的氣象數(shù)據(jù)，利用構建的BP和GA-BP神經(jīng)網(wǎng)絡分別進行機器學習，分析其內(nèi)在關系。然后對選取日的空調負荷進行預測。

圖2 系統(tǒng)原理圖

圖3 典型日負荷分布

2.1 原始數(shù)據(jù)處理

空調負荷預測精度主要受數(shù)據(jù)集質量及模型可用性影響，為提高預測模型精度，對原始數(shù)據(jù)集進行清洗和處理是關鍵一步。在能源中心數(shù)據(jù)采集過程中，可能存在設備調試、斷電及網(wǎng)絡傳輸故障等各種干擾，使得少量原始數(shù)據(jù)出現(xiàn)異常，遠遠偏離正常水平，剔除異常值有助于提高模型預測的精度。

能源中心供冷時間段為非節(jié)假日的06:00—18:00，該時間段內(nèi)冷負荷為0的值視為異常值。另外，非節(jié)假日負荷變化趨勢具有相似性，如果某時段負荷值突然遠大于或遠小于對應時刻附近的負荷值也視為異常值。依此將日供冷時間按時段分為13個時序，通過圖示法找出異常值，異常值分布如圖4所示。

圖4 異常值分布

為了避免量綱及數(shù)值間差異帶來的影響，需要對數(shù)據(jù)進行歸一化處理[13]。模型采用的數(shù)據(jù)集由逐時冷負荷與逐時氣象參數(shù)組成，兩者的量綱及數(shù)值間存在差異。因此，將剔除異常值后的數(shù)據(jù)集進行歸一化處理。即采用最常用的方法：零-均值規(guī)范化。經(jīng)過零-均值規(guī)范化處理后的數(shù)據(jù)均值為0，標準差為1。其處理公式為

(2)

2.2 負荷預測模型的構建

空調負荷影響因素主要有建筑物內(nèi)擾(如室內(nèi)人員數(shù)量、散熱設備使用頻率與室內(nèi)溫濕度等)和建筑物外擾(如室外氣象參數(shù)(溫度、濕度、輻射、風速和天氣等))[14]?？紤]到太陽輻射及室外溫度會造成空調冷負荷滯后影響，因此，在模型中加入了(T-1)時刻的溫度及濕度影響因素[15]。另外因無法獲取建筑物內(nèi)擾作為變量，但鑒于空調冷負荷存在時間序列性，將(T-1)時刻冷負荷、(T-2)時刻冷負荷、(T-24)時刻的冷負荷作為模型的輸入?yún)?shù)，間接實現(xiàn)了內(nèi)擾的輸入，提高預測精度[16]。

為了提高模型學習速度、弱化維數(shù)災難，提高負荷預測模型精度，通過式(1)分別對上述各影響因素與負荷作相關性分析，獲得各影響因素與冷負荷的Spearman秩相關系數(shù)，具體結果見表1。

表1 影響因素與冷負荷的Spearman秩相關系數(shù)

通過表1中數(shù)據(jù)可以看出：1) (T-1)時刻與T時刻的冷負荷的秩相關系數(shù)最高，為0.810 6，說明空調冷負荷時間序列性很強；2) (T-24)時刻與T時刻的冷負荷的秩相關系數(shù)為0.573 0，主要是這兩日的氣象參數(shù)存在較大差異，造成負荷存在差異；3)T時刻室外風向和風速的Spearman秩相關系數(shù)分別只有0.121 0、0.102 7，這與供冷對象為全封閉外圍護建筑結構，無自然通風有關。綜合表1中所有數(shù)據(jù)，選取(T-1)時刻冷負荷、T時刻室外空氣溫度、(T-1)時刻室外空氣溫度、(T-2)時刻冷負荷、(T-24)時刻冷負荷和T時刻室外相對濕度作為輸入?yún)?shù)。

為了改善BP神經(jīng)網(wǎng)絡預測模型易陷入局部收斂，將預處理后的數(shù)據(jù)利用遺傳算法進行初始權值和閾值尋優(yōu)，獲得最優(yōu)初始權值與閾值，以最優(yōu)初始權值和閾值開始訓練過程，最后逼近最優(yōu)解。采用的3層GA-BP神經(jīng)網(wǎng)絡結構如下：

1) 輸入層的設計。將上述6個影響因素作為輸入?yún)?shù)，則輸入變量為6維向量。

3) 輸出層設計。根據(jù)對輸入?yún)?shù)的訓練學習，預測空調冷負荷作為輸出層節(jié)點。最后構造一個6-11-1型的GA-BP神經(jīng)網(wǎng)絡結構。

2.3 模型精度評價指標

選用期望誤差百分比PEE及平均絕對誤差EMB作為負荷預測精度評價指標。具體計算公式如下：

(3)

(4)

3 BP和GA-BP神經(jīng)網(wǎng)絡模型訓練性能和預測結果分析

3.1 2種模型的訓練性能

考慮到算法的隨機性，將2個模型分別獨立運行20次，并分析模型訓練性能。2種算法的訓練結果精度如表2所示。

表2 2種算法的訓練結果

通過對比表2中數(shù)據(jù)可知，BP模型的預測能力相對較差，其最差PEE和EMB可達到7.222%和8.648%，20次訓練的平均PEE和EMB值分別為6.100%和7.001%。與之對比，由GA-BP模型訓練得到的平均PEE值和EMB值分別減小0.836%和1.146%。通過對比2個模型的PEE及EMB的最佳值、最差值及平均值，也顯示GA-BP模型相對穩(wěn)定。因此，在大型CCHP冷負荷預測領域，GA-BP模型具有全局優(yōu)化能力強、預測精度高等優(yōu)點。

3.2 模型預測結果分析

隨機選取2019年7月2日至10月8日中5天數(shù)據(jù)作為測試集，來檢驗模型的預測精度。預測結果如圖5所示，預測精度見表3。

圖5 2個模型預測值與真實冷負荷值對比

表3 BP和GA-BP神經(jīng)網(wǎng)絡預測精度對比 %

表3和圖5中數(shù)據(jù)顯示，無論BP神經(jīng)網(wǎng)絡模型還是GA-BP神經(jīng)網(wǎng)絡模型預測的結果，與冷負荷真實值的變化趨勢都基本一致，BP神經(jīng)網(wǎng)絡模型預測值在部分時段誤差較大。GA-BP神經(jīng)網(wǎng)絡預測期望誤差百分比PEE和平均絕對誤差EMB分別為5.86%和6.46%，明顯低于BP神經(jīng)網(wǎng)絡。

將2個模型的預測值與實際值分別進行線性回歸擬合，結果分別如圖6和圖7所示，GA-BP模型的擬合點除少部分點，特別是在低值段偏離y=x線外，大部分區(qū)域的偏差較BP神經(jīng)網(wǎng)絡小。

圖6 BP模型預測值與真實值回歸擬合曲線

圖7 GA-BP模型預測值與真實值回歸擬合曲線

對絕對誤差值進行比較分析，如圖8所示，BP神經(jīng)網(wǎng)絡預測結果的絕對誤差值大于2 MW的顯著多于GA-BP神經(jīng)網(wǎng)絡預測結果，且隨著冷負荷的增大，BP網(wǎng)絡預測值絕對誤差也顯著增大，在相同條件下GA-BP神經(jīng)網(wǎng)絡預測絕對誤差變化不明顯。

圖8 2種模型預測值與真實冷負荷值絕對誤差

綜上所述，GA-BP模型在預測大型CCHP負荷方面明顯優(yōu)于BP模型，更易獲得逼近真實值的預測結果。

4 結論

為了實現(xiàn)對大型CCHP系統(tǒng)用戶負荷更準確的預測，為智能化的優(yōu)化運行提供重要的數(shù)據(jù)支撐，在利用Spearman秩相關系數(shù)對歷史運行數(shù)據(jù)進行相關性分析的基礎上，分別利用BP和GA-BP神經(jīng)網(wǎng)絡訓練模型對隨機選取的驗證集進行了預測分析，主要結論如下：

1) 利用Spearman秩相關系數(shù)，確定影響大型CCHP系統(tǒng)冷負荷的主要因素，弱化或剔除次要因素，并將主要因素作為負荷預測模型的輸入?yún)?shù)。相對于傳統(tǒng)BP模型多變量輸入，GA-BP模型可顯著縮短模型訓練時間，規(guī)避維數(shù)災難，提高預測精度。

2) (T-1)時刻與T時刻的冷負荷的秩相關系數(shù)最大，空調冷負荷時間序列性很強；(T-24)時刻與T時刻的冷負荷的秩相關系數(shù)雖小于(T-1)時刻，但也達到接近0.6；室外風向和風速對冷負荷影響較小。

3) 經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡的網(wǎng)絡結構和模型參數(shù)，避免了局部收斂，實現(xiàn)了全局最優(yōu)，可明顯提高模型的預測精度。如本案例中GA-BP相對BP模型預測精度分別提高了37.12%和40.84%。

以上改進型BP神經(jīng)網(wǎng)絡，顯著提高了預測大型CCHP系統(tǒng)空調負荷的準確性，為此類系統(tǒng)優(yōu)化調配的人工智能化發(fā)展提供了新的思路。