邢國新

(北京市地鐵運(yùn)營有限公司機(jī)電分公司，北京 100043)

1 引言

在環(huán)境保護(hù)和治理中，對(duì)建筑業(yè)的環(huán)保治理是重點(diǎn)問題，在建筑工程中，使用綠色能源、節(jié)能降耗是實(shí)現(xiàn)節(jié)能環(huán)保的一個(gè)重要措施[1-3]。在目前的能耗分析中，建筑暖通空調(diào)能耗占比尤為突出，如果不采取措施治理，建筑能耗將會(huì)越來越高[4-5]。面對(duì)能耗過高的問題，如何有效控制建筑能耗是一個(gè)研究重點(diǎn)，優(yōu)化暖通空調(diào)系統(tǒng)，建筑節(jié)能率可大幅度提高[6]。暖通空調(diào)系統(tǒng)的節(jié)能調(diào)整離不開暖通空調(diào)系統(tǒng)能耗的預(yù)測，根據(jù)能耗預(yù)測結(jié)果，優(yōu)化暖通空調(diào)系統(tǒng)的工作模式或施工內(nèi)容，能夠進(jìn)一步實(shí)現(xiàn)暖通空調(diào)系統(tǒng)的節(jié)能環(huán)保[7]。

國內(nèi)外對(duì)暖通空調(diào)系統(tǒng)能耗的預(yù)測研究有很多，很多成熟的預(yù)測技術(shù)和方法已經(jīng)廣泛應(yīng)用到暖通空調(diào)系統(tǒng)方案設(shè)計(jì)中，如Chakraborty 等人提出了一個(gè)可解釋人工智能模型，用于分析氣候變化對(duì)建筑物冷卻能耗的影響，預(yù)測新的共享社會(huì)經(jīng)濟(jì)路徑氣候變化情景下的長期能耗，并解釋預(yù)測背后的潛在原因[8]。但是該方法未針對(duì)空調(diào)能耗進(jìn)行深入分析和預(yù)測，預(yù)測結(jié)果可靠性存在疑問。趙海湉等人提到的基于數(shù)據(jù)驅(qū)動(dòng)的空調(diào)系統(tǒng)能耗預(yù)測方法，該方法主要利用空調(diào)系統(tǒng)能耗系統(tǒng)數(shù)據(jù)，建立了數(shù)據(jù)庫，通過數(shù)據(jù)的比對(duì)實(shí)現(xiàn)對(duì)空調(diào)系統(tǒng)能耗的預(yù)測[9]，但是隨著供暖壓力的增加，負(fù)荷比率的變化增加了能耗預(yù)測方法的不確定性，預(yù)測結(jié)果可靠性存在疑問。孫雙林等人提到的基于支持向量機(jī)的空調(diào)系統(tǒng)能耗預(yù)測方法同樣是以能耗歷史數(shù)據(jù)作為目標(biāo)，進(jìn)行學(xué)習(xí)和訓(xùn)練，在最小二乘支持向量機(jī)的支持下構(gòu)建了能耗預(yù)測模型[10]，實(shí)現(xiàn)了對(duì)空氣系統(tǒng)能耗的預(yù)測，但是并沒有解決預(yù)測結(jié)果不可靠的問題。

因此，本文將改進(jìn)粒子群優(yōu)化算法-Elman 神經(jīng)網(wǎng)絡(luò)(Improved Particle Swarm Optimization-Elman，IPSOElman)應(yīng)用到能耗預(yù)測中，將采集得到的建筑暖通空調(diào)系統(tǒng)能耗數(shù)據(jù)，利用粒子群算法與Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行處理和計(jì)算，實(shí)現(xiàn)建筑暖通空調(diào)系統(tǒng)能耗預(yù)測方法，解決上述中常見的能耗預(yù)測方法中存在的問題。

2 方法設(shè)計(jì)

2.1 能耗數(shù)據(jù)的預(yù)處理

在不同負(fù)荷比率的作用下，暖通空調(diào)系統(tǒng)能耗歷史數(shù)據(jù)存在數(shù)據(jù)缺失、冗余等問題，嚴(yán)重影響能耗預(yù)測結(jié)果。對(duì)于存在不同問題的能耗數(shù)據(jù)，采用針對(duì)性的措施處理能耗數(shù)據(jù)。利用公式(1)對(duì)能源數(shù)據(jù)加權(quán)平均處理，公式如下：

公式中，t表示時(shí)間，d表示日期，ω表示加權(quán)權(quán)重。通過公式(1)的處理填補(bǔ)缺失的能耗數(shù)據(jù)，在填補(bǔ)完成后，對(duì)能耗數(shù)據(jù)做歸一化處理，查找出異常數(shù)據(jù)。計(jì)算公式如下：

公式中，xmax和xmin分別表示待處理能耗數(shù)據(jù)的最大值和最小值，x(i)表示歸一化后的能耗數(shù)據(jù)序列，將能耗變化率的上限5%設(shè)置為閾值，當(dāng)能耗數(shù)據(jù)的觀測值與真值之間的誤差超過了設(shè)定的閾值，說明觀測到的能耗數(shù)據(jù)是異常數(shù)據(jù)，使用公式(1)處理這些數(shù)據(jù)。

在能耗數(shù)據(jù)中可能會(huì)產(chǎn)生與空調(diào)系統(tǒng)歷史運(yùn)行過程不相同的異常點(diǎn)，這些異常點(diǎn)在負(fù)荷比的影響下，會(huì)加重?cái)?shù)據(jù)噪聲，增大能耗預(yù)測難度。因此，對(duì)異常點(diǎn)數(shù)據(jù)進(jìn)行垂直處理，以歷史數(shù)據(jù)的變化規(guī)律作為依據(jù)，修正異常點(diǎn)。假設(shè)能耗數(shù)據(jù)序列為b(d，t)，t表示一天的24 小時(shí)時(shí)段，d表示天數(shù)，d=1，2，…，n。計(jì)算24 小時(shí)中每個(gè)時(shí)段n天能耗的均值和方差。計(jì)算公式如下：

假設(shè)第d天t時(shí)刻能耗數(shù)據(jù)的偏離率為μ(d，t)，則：

假設(shè)預(yù)測空調(diào)系統(tǒng)能耗時(shí)，標(biāo)準(zhǔn)要求范圍內(nèi)的能耗偏離率為ν，當(dāng)計(jì)算的偏離率大于等于允許的能耗偏離率時(shí)，能耗數(shù)據(jù)點(diǎn)為異常點(diǎn)，當(dāng)計(jì)算的偏離率小于允許的能耗偏離率。面對(duì)異常的能耗數(shù)據(jù)，通過調(diào)節(jié)ν的大小，達(dá)到修正偏離數(shù)據(jù)的目的。如果觀測到的能耗數(shù)據(jù)點(diǎn)為異常點(diǎn)，使用下式計(jì)算結(jié)果取代異常點(diǎn)數(shù)據(jù)b(d，t)。

利用公式(6)處理原始數(shù)據(jù)后，能耗序列得到了一定的平滑處理。能耗數(shù)據(jù)是從動(dòng)態(tài)運(yùn)行中的空調(diào)系統(tǒng)中提取出來的，前后時(shí)刻的數(shù)據(jù)變動(dòng)具有一定的范圍，設(shè)定最大變動(dòng)范圍設(shè)為α(t)，當(dāng)觀測到的數(shù)據(jù)超過設(shè)定的α(t)，也就是：

將能耗數(shù)據(jù)視為不良數(shù)據(jù)，采用公式(8)消除波動(dòng)，計(jì)算公式如下：

經(jīng)過上述過程處理后，獲得完整可靠的能耗數(shù)據(jù)，將能耗數(shù)據(jù)作為輸入，利用IPSO-Elma 神經(jīng)網(wǎng)絡(luò)預(yù)測暖通空調(diào)系統(tǒng)能耗，在預(yù)測前，根據(jù)預(yù)測需求計(jì)算IPSO-Elma神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)。

圖5是采用氣霧化工藝和旋轉(zhuǎn)電極工藝制備的球形鈦粉。與氣霧化工藝相比，旋轉(zhuǎn)電極法制備的球形粉體沒有氣霧化球形粉末中常見的伴生相，且球形度和光潔較高，粒度分布范圍較窄，無團(tuán)聚現(xiàn)象，流動(dòng)性好，在金屬3D打印過程中鋪粉均勻性好，打印產(chǎn)品致密度高、表面光潔度高[14]。此外整個(gè)工藝過程,一般采用惰性氣體保護(hù)，且不需要坩堝熔煉,避免了金屬或合金與造渣和與耐火材料接觸，減少金屬粉末污染源，可生產(chǎn)高純度金屬粉末。

2.2 計(jì)算IPSO-Elman神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)

暖通空調(diào)能耗的預(yù)測需要通過IPSO-Elman 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，該神經(jīng)網(wǎng)絡(luò)是粒子群算法與Elman 神經(jīng)網(wǎng)絡(luò)的結(jié)合，因此，在計(jì)算內(nèi)部參數(shù)時(shí)，主要參數(shù)包括慣性權(quán)重和學(xué)習(xí)因子。

慣性權(quán)重能夠確定能耗數(shù)據(jù)迭代前后的速度變化，當(dāng)權(quán)重比較的時(shí)候，能耗數(shù)據(jù)搜索速度比較快，對(duì)預(yù)測的速度有促進(jìn)作用；慣性權(quán)重比較小時(shí)，搜索速度也比較小，局部搜索能力得到增強(qiáng)。設(shè)定能耗數(shù)據(jù)種群的最小適應(yīng)度為φmin，平均適應(yīng)度為φavg，利用公式(9)調(diào)整慣性權(quán)重，計(jì)算公式如下：

公式中，φi表示粒子i的適應(yīng)度，h表示當(dāng)前迭代次數(shù)。在公式(9)的支持下，通過對(duì)粒子適應(yīng)度的判斷，實(shí)現(xiàn)對(duì)慣性權(quán)重的調(diào)整。

對(duì)于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)因子的確定，考慮粒子的變化特性，設(shè)定g1為認(rèn)知因子，表示粒子群聚集疏密程度，g1越大說明粒子群越密集，設(shè)定g2為社會(huì)因子，表示粒子的收斂性。在計(jì)算中，粒子的變化特性就是能耗數(shù)據(jù)的變化特性，在g1、g2已知的狀態(tài)下，采用以下公式調(diào)整神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)因子的大小。公式如下：

公式中，Dmax表示最大迭代次數(shù)，利用以上公式確定IPSO-Elman神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)，再利用IPSO-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測暖通空調(diào)系統(tǒng)能耗。

2.3 預(yù)測暖通空調(diào)系統(tǒng)能耗

將預(yù)測目標(biāo)描述為：

公式中，F(xiàn)(·)表示未知的非線性函數(shù)，Yt表示神經(jīng)網(wǎng)絡(luò)在t時(shí)刻的輸出，Rt表示t時(shí)刻的輸入，q和p分別表示輸出和輸入的階次。使用神經(jīng)網(wǎng)絡(luò)逼近公式(12)，得到：

對(duì)暖通空調(diào)系統(tǒng)進(jìn)行連續(xù)預(yù)測，實(shí)現(xiàn)t+1時(shí)刻多步預(yù)測，即：

公式中，k表示預(yù)測的步長。通過上述過程的計(jì)算即可實(shí)現(xiàn)建筑暖通空調(diào)系統(tǒng)能耗的預(yù)測。

3 實(shí)驗(yàn)研究

3.1 算法驗(yàn)證

為驗(yàn)證基于IPSO-Elman 神經(jīng)網(wǎng)絡(luò)的建筑暖通空調(diào)系統(tǒng)能耗預(yù)測方法的有效性，建立了建筑暖通空調(diào)系統(tǒng)能耗預(yù)測模型。同時(shí)，本文方法(方法1)與Elman神經(jīng)網(wǎng)絡(luò)(方法2)、PSO-Elman神經(jīng)網(wǎng)絡(luò)(方法3)進(jìn)行對(duì)比。

其中總數(shù)據(jù)集為310 組能耗數(shù)據(jù)，隨機(jī)選擇300 組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，驗(yàn)證數(shù)據(jù)為20組，利用該方法對(duì)模型進(jìn)行了驗(yàn)證。設(shè)定粒子群個(gè)數(shù)為36，學(xué)習(xí)因子為2.05，每種方法均進(jìn)行100 次獨(dú)立的仿真實(shí)驗(yàn)，每次仿真中進(jìn)行300 次迭代計(jì)算，以預(yù)測結(jié)果與真實(shí)值之間的相對(duì)誤差的平均值作為模型精度優(yōu)劣的評(píng)判指標(biāo)。得到模型仿真驗(yàn)證結(jié)果如表1所示。

表1 不同模型相對(duì)誤差仿真結(jié)果(%)

分析表1可知，在迭代至150次時(shí)，方法1的相對(duì)誤差已趨于穩(wěn)定，方法2 和方法3 在250 次時(shí)，其相對(duì)誤差趨于穩(wěn)定，且方法1的相對(duì)誤差始終低于方法2和方法3。綜合分析可知，選取迭代次數(shù)為250次，作為下文實(shí)驗(yàn)的迭代系數(shù)。

3.2 測試點(diǎn)設(shè)置

在建筑暖通空調(diào)系統(tǒng)能耗預(yù)測方法實(shí)驗(yàn)研究中，以某寫字樓建筑作為研究對(duì)象，研究提出的能耗預(yù)測方法在實(shí)際應(yīng)用中的能耗預(yù)測水平。

依據(jù)建筑暖通空調(diào)系統(tǒng)運(yùn)行能效比，從空調(diào)系統(tǒng)的兩方面進(jìn)行研究，一方面是空調(diào)系統(tǒng)制冷(熱)量的測定，一方面是總耗功率的測定，根據(jù)空調(diào)系統(tǒng)運(yùn)行能效比，在無特殊情況下，實(shí)驗(yàn)中負(fù)荷比取25%、50%、75%。實(shí)驗(yàn)中包含三種能耗預(yù)測方法，為其設(shè)置相同的測試點(diǎn)等相關(guān)內(nèi)容，設(shè)置的測點(diǎn)位置及相關(guān)物理量如表2所示。

表2 實(shí)驗(yàn)測點(diǎn)位置及相關(guān)參數(shù)設(shè)置

依據(jù)上述內(nèi)容，分別在空調(diào)系統(tǒng)負(fù)荷比為25%、50%、75%時(shí)，預(yù)測空調(diào)系統(tǒng)的制冷/熱量和總耗功率，將其與實(shí)際數(shù)據(jù)對(duì)比，分析各個(gè)能耗預(yù)測方法的實(shí)際性能。

3.3 制冷/熱量預(yù)測實(shí)驗(yàn)結(jié)果及分析

在制冷/熱量預(yù)測實(shí)驗(yàn)中，實(shí)驗(yàn)結(jié)果分為兩部分，一部分是對(duì)主機(jī)的制冷/熱量的計(jì)算，分析預(yù)測的制冷/熱量與實(shí)際的制冷/熱量之間是否一致，另一部分是通過主機(jī)不平衡率的計(jì)算，冷凍水、冷卻水進(jìn)出口的誤差就是主機(jī)的不平衡率，通過制冷/熱量和不平衡率的計(jì)算，分析能耗預(yù)測方法。制冷/熱量和主機(jī)不平衡率的計(jì)算公式如下：

公式中，Q表示制冷/熱量，C表示水的定壓比熱容，S表示水的體積流量，△T表示冷(熱)水進(jìn)、出水溫差(℃)，η表示主機(jī)不平衡率，Qc表示冷凝器冷卻散熱量，Q表示主機(jī)蒸發(fā)器制冷量，W主機(jī)的耗功率。上述計(jì)算量均以每立方米為單位，在不同的負(fù)荷比條件下計(jì)算，得到的實(shí)驗(yàn)結(jié)果如圖1所示。

觀察圖1中結(jié)果可知，在不同的負(fù)荷比條件下，三種能耗預(yù)測方法預(yù)測的制冷/熱量和主機(jī)不平衡率存在相同的幅度變化，但是與實(shí)際值對(duì)比觀察可知，提出的能耗預(yù)測方法預(yù)測結(jié)果與實(shí)際值一致，而其他兩組實(shí)驗(yàn)結(jié)果與實(shí)際值所差甚遠(yuǎn)，說明在負(fù)荷比的影響下，常見的能耗預(yù)測方法對(duì)空調(diào)系統(tǒng)制冷/熱量的預(yù)測并不可靠，能耗預(yù)測方法能夠保持穩(wěn)定，實(shí)現(xiàn)準(zhǔn)確的能耗預(yù)測。

圖1 不同負(fù)荷比條件下制冷/熱量預(yù)測實(shí)驗(yàn)結(jié)果

3.4 總耗功率預(yù)測結(jié)果及分析

以實(shí)驗(yàn)設(shè)置參數(shù)為依據(jù)，使用不同的能耗預(yù)測方法預(yù)測不同時(shí)間點(diǎn)的總耗功率，與實(shí)際的總耗功率對(duì)比，驗(yàn)證能耗預(yù)測方法的可靠性。實(shí)驗(yàn)結(jié)果如圖2所示。

圖2中顯示的各個(gè)方法與上一實(shí)驗(yàn)設(shè)置相同，從圖2中可以看出，實(shí)際測量的數(shù)據(jù)中一些比較明顯的功率波動(dòng)點(diǎn)，在三組預(yù)測結(jié)果中，只有提出的能耗預(yù)測方法與實(shí)際值變化一致，其他兩種能耗預(yù)測方法對(duì)于波動(dòng)比較大的點(diǎn)，預(yù)測誤差比較明顯，不能及時(shí)預(yù)測功率變化趨勢，相比之下，提出的能耗預(yù)測方法預(yù)測結(jié)果更加準(zhǔn)確。

圖2 不同能耗預(yù)測方法總耗功率實(shí)驗(yàn)結(jié)果

4 結(jié)束語

建筑暖通空調(diào)系統(tǒng)能耗是建筑能耗中的重要內(nèi)容，在所有能耗中占有非常大的比重。本文以建筑暖通空調(diào)系統(tǒng)能耗預(yù)測為核心研究目標(biāo)，設(shè)計(jì)了基于IPSO-Elman神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測方法，在預(yù)測方法設(shè)計(jì)完成后，以某寫字樓作為實(shí)驗(yàn)對(duì)象，設(shè)計(jì)制冷/熱量預(yù)測實(shí)驗(yàn)和總耗功率預(yù)測實(shí)驗(yàn)，在實(shí)驗(yàn)結(jié)束后，通過對(duì)各個(gè)能耗預(yù)測方法的對(duì)比分析，證明了設(shè)計(jì)的基于IPSO-Elman 神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測方法的預(yù)測可靠性，為建筑暖通空調(diào)系統(tǒng)的優(yōu)化提供了一定支持。