易兵杰，譚平安，吳炎明，蔡 立，彭衛(wèi)文

（1.湘潭大學(xué)自動(dòng)化與電子信息學(xué)院，湖南湘潭 411105；2.恩杰康科技有限公司，長(zhǎng)沙 410001）

0 引言

隨著5G時(shí)代的到來(lái)，通信基站能耗增長(zhǎng)極快。在通信基站能耗中空調(diào)散熱能耗占比極大[1]。針對(duì)基站散熱節(jié)能的技術(shù)主要有：空調(diào)變頻改造、空調(diào)添加劑技術(shù)、新風(fēng)節(jié)能（自然通風(fēng)）技術(shù)[2-3]等，相較于前兩種針對(duì)空調(diào)本身的方法，新風(fēng)節(jié)能利用自然冷源降低空調(diào)的使用頻率，節(jié)能潛能更大，對(duì)通信基站節(jié)能具有重大意義。

傳統(tǒng)的新風(fēng)系統(tǒng)為定風(fēng)量新風(fēng)系統(tǒng)，其風(fēng)量不能根據(jù)實(shí)時(shí)溫度進(jìn)行調(diào)整，具有較大的局限性。變風(fēng)量系統(tǒng)則能根據(jù)基站溫度的變化來(lái)調(diào)節(jié)新風(fēng)系統(tǒng)的送風(fēng)量，其節(jié)能性能優(yōu)越，極大地提高了基站的冷卻效率，保守估計(jì)變風(fēng)量系統(tǒng)比定風(fēng)量系統(tǒng)節(jié)能30%[4]。通信基站新風(fēng)系統(tǒng)是一個(gè)熱擾動(dòng)大的系統(tǒng)，單一的變風(fēng)量控制器很難進(jìn)行有效的控制[5]，容易造成控制延時(shí)問(wèn)題。在控制器向執(zhí)行器發(fā)出調(diào)節(jié)指令時(shí)，系統(tǒng)實(shí)現(xiàn)控制指令要經(jīng)歷一個(gè)時(shí)間段，可長(zhǎng)達(dá)數(shù)分鐘[6]，控制延時(shí)會(huì)導(dǎo)致新風(fēng)的浪費(fèi)和散熱能耗的增加。負(fù)荷預(yù)測(cè)可以解決這類延時(shí)問(wèn)題，在建筑空調(diào)領(lǐng)域，針對(duì)被控對(duì)象及其環(huán)境和任務(wù)存在很大的不確定性，根據(jù)智能控制理論，通過(guò)精確的負(fù)荷預(yù)測(cè)輔助科學(xué)的系統(tǒng)控制使空調(diào)系統(tǒng)散熱能耗更低[7]。將負(fù)荷預(yù)測(cè)引入到通信基站新風(fēng)系統(tǒng)中，對(duì)其散熱節(jié)能也是具有重大意義的。

本文基于BP神經(jīng)網(wǎng)絡(luò)建立了一種適用于通信基站新風(fēng)系統(tǒng)的負(fù)荷預(yù)測(cè)模型。首先對(duì)基站新風(fēng)系統(tǒng)運(yùn)行數(shù)據(jù)進(jìn)行分析，利用灰色關(guān)聯(lián)分析法確定新風(fēng)系統(tǒng)負(fù)荷預(yù)測(cè)模型的輸入因子。建立數(shù)據(jù)樣本庫(kù)以訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，借此構(gòu)建通信基站新風(fēng)系統(tǒng)的負(fù)荷預(yù)測(cè)模型，最后通過(guò)實(shí)驗(yàn)對(duì)比分析驗(yàn)證了該模型的正確性和有效性，可以輔助通信基站新風(fēng)系統(tǒng)實(shí)現(xiàn)節(jié)能運(yùn)行。

1 通信基站新風(fēng)系統(tǒng)負(fù)荷變化規(guī)律分析

1.1 工作原理

本文的研究對(duì)象是長(zhǎng)沙某酒店通信基站，該基站占地面積17.68 m2，高3 m，如圖1所示。該基站內(nèi)部包括新風(fēng)系統(tǒng)、空調(diào)和通信基站綜合柜，其新風(fēng)系統(tǒng)由進(jìn)風(fēng)裝置、排風(fēng)機(jī)和室內(nèi)外溫濕度傳感器組成。進(jìn)風(fēng)裝置由變頻器對(duì)進(jìn)風(fēng)機(jī)進(jìn)行無(wú)極調(diào)速，并根據(jù)風(fēng)速大小均分為255個(gè)風(fēng)機(jī)擋位。基站新風(fēng)系統(tǒng)采用智能控制器實(shí)時(shí)監(jiān)測(cè)室內(nèi)外溫度。當(dāng)室內(nèi)溫度低于29℃時(shí)，控制器開(kāi)啟進(jìn)風(fēng)裝置并根據(jù)室內(nèi)外溫差調(diào)節(jié)擋位引入室外新風(fēng)，關(guān)閉機(jī)房空調(diào)達(dá)到節(jié)能效果；當(dāng)室內(nèi)溫度高于29℃時(shí)，控制器關(guān)閉進(jìn)風(fēng)裝置并啟動(dòng)空調(diào)。其中室內(nèi)外溫濕度監(jiān)測(cè)點(diǎn)分別在出風(fēng)口所在墻面的正中心和進(jìn)風(fēng)口處。

圖1 通信基站新風(fēng)系統(tǒng)基本工作原理

1.2 運(yùn)行數(shù)據(jù)分析

新風(fēng)系統(tǒng)運(yùn)行數(shù)據(jù)分析是進(jìn)行負(fù)荷預(yù)測(cè)的基礎(chǔ)?；镜男嘛L(fēng)系統(tǒng)運(yùn)行數(shù)據(jù)為2021年3月與4月中的采樣數(shù)據(jù)，其中新風(fēng)系統(tǒng)負(fù)荷由風(fēng)機(jī)擋位表示。通過(guò)數(shù)據(jù)清理使數(shù)據(jù)干凈、整齊，以免數(shù)據(jù)挖掘的結(jié)果受到影響后，再尋找數(shù)據(jù)的規(guī)律。為了方便分析風(fēng)機(jī)擋位的規(guī)律，取其中部分擋位合并為3個(gè)擋位段。圖2、3分別顯示該基站在3、4月中3個(gè)擋位段對(duì)應(yīng)室內(nèi)外溫度的負(fù)荷數(shù)據(jù)分布。

由圖2、3可知，同一個(gè)擋位段在3、4月中對(duì)應(yīng)的室內(nèi)室外溫度范圍都不同，且4月對(duì)應(yīng)的室內(nèi)溫度略高于3月，4月對(duì)應(yīng)的室外溫度約比3月高1℃。由圖可知，新風(fēng)系統(tǒng)負(fù)荷與室外溫度、室內(nèi)溫度相關(guān)。因此通信基站新風(fēng)系統(tǒng)負(fù)荷預(yù)測(cè)模型的輸入因子應(yīng)考慮室外溫度和室內(nèi)溫度。

圖2 3月負(fù)荷數(shù)據(jù)分布

圖3 4月負(fù)荷數(shù)據(jù)分布

1.3 輸入因子關(guān)聯(lián)性分析

輸入因子的確立需要判斷其對(duì)研究對(duì)象有無(wú)影響，影響或大或小的問(wèn)題。而灰色關(guān)聯(lián)分析法，是根據(jù)因素之間發(fā)展趨勢(shì)的相似或相異程度，即“灰色關(guān)聯(lián)度”，作為衡量因素間關(guān)聯(lián)程度的一種方法[8]。

由基站數(shù)據(jù)分析可知，輸入因子應(yīng)考慮室外溫度和室內(nèi)溫度。此外，基站數(shù)據(jù)中的新風(fēng)系統(tǒng)負(fù)荷和通信基站空氣濕度也需進(jìn)行驗(yàn)證?；緮?shù)據(jù)中各影響因子與T+1時(shí)刻新風(fēng)系統(tǒng)負(fù)荷的灰色關(guān)聯(lián)度如表1所示。其中，T時(shí)刻室外溫度、T時(shí)刻室內(nèi)溫度、T時(shí)刻空氣濕度、T時(shí)刻新風(fēng)系統(tǒng)負(fù)荷和T+1時(shí)刻新風(fēng)系統(tǒng)負(fù)荷分別由W(t)、N(t)、S(t)、P(t)和P(t+1)表示。

表1 各影響因子與P(t+1)灰色關(guān)聯(lián)度

由上述分析可知，T+1時(shí)刻新風(fēng)系統(tǒng)負(fù)荷與T時(shí)刻空氣濕度關(guān)聯(lián)度較小，關(guān)聯(lián)度系數(shù)僅為0.215 6，這是因?yàn)樵撏ㄐ呕镜目諝鉂穸炔挥尚嘛L(fēng)系統(tǒng)管理。而T時(shí)刻室外溫度、T時(shí)刻室內(nèi)溫度、T時(shí)刻新風(fēng)系統(tǒng)負(fù)荷與T+1時(shí)刻新風(fēng)系統(tǒng)負(fù)荷的關(guān)聯(lián)度大于0.95，因此選為新風(fēng)系統(tǒng)負(fù)荷預(yù)測(cè)模型的輸入因子。

2 通信基站新風(fēng)系統(tǒng)負(fù)荷預(yù)測(cè)模型

2.1 構(gòu)建負(fù)荷預(yù)測(cè)模型

基于GA-BP神經(jīng)網(wǎng)絡(luò)的通信基站新風(fēng)系統(tǒng)負(fù)荷預(yù)測(cè)模型的建立主要分為以下3個(gè)步驟。

（1）確定負(fù)荷預(yù)測(cè)模型的輸入因子及輸出。由輸入因子關(guān)聯(lián)性分析可知其輸入因子為T時(shí)刻室外溫度、T時(shí)刻室內(nèi)溫度、T時(shí)刻新風(fēng)系統(tǒng)負(fù)荷，輸出為T+1時(shí)刻新風(fēng)系統(tǒng)負(fù)荷。

（2）獲取通信基站的原始數(shù)據(jù)并進(jìn)行預(yù)處理，建立新風(fēng)系統(tǒng)樣本數(shù)據(jù)庫(kù)。分別建立3、4月對(duì)應(yīng)的新風(fēng)系統(tǒng)樣本數(shù)據(jù)庫(kù)，選取其中部分樣本數(shù)據(jù)如表2、3所示。

表2 3月樣本庫(kù)部分樣本數(shù)據(jù)

表3 4月樣本庫(kù)部分樣本數(shù)據(jù)

（3）訓(xùn)練和測(cè)試樣本的劃分以及模型訓(xùn)練。分別對(duì)3、4月新風(fēng)系統(tǒng)樣本庫(kù)進(jìn)行樣本劃分與模型訓(xùn)練，圖4所示為該負(fù)荷預(yù)測(cè)模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。其中，Atj（t=1，2，…，n；j=1，2，…，n）為該負(fù)荷預(yù)測(cè)模型中輸入層和隱含層之間的權(quán)重系數(shù)，z t為隱含層的輸入值，該層的輸出值為at，Bt為該負(fù)荷預(yù)測(cè)模型中隱含層和輸出層之間的權(quán)重系數(shù)。

圖4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由于BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重及閾值的隨機(jī)性，因此可能會(huì)陷入局部最小值[9]。利用遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)GA模擬自然選擇過(guò)程，并通過(guò)遺傳理論對(duì)BP神經(jīng)網(wǎng)絡(luò)生成的初始解進(jìn)行繁衍迭代，生成全局最優(yōu)解。將最優(yōu)的初始值輸入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)訓(xùn)練，以生成最合理的基于GA-BP神經(jīng)網(wǎng)絡(luò)的新風(fēng)系統(tǒng)負(fù)荷預(yù)測(cè)模型，以期得到最佳的預(yù)測(cè)值。

GA主要是優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，先通過(guò)選擇、交叉和變異等相關(guān)操作來(lái)獲取最優(yōu)數(shù)據(jù)[10-12]，再對(duì)其進(jìn)行訓(xùn)練，最終輸出新風(fēng)系統(tǒng)負(fù)荷預(yù)測(cè)模型的最優(yōu)結(jié)果。該負(fù)荷預(yù)測(cè)流程如圖5所示。

圖5 負(fù)荷預(yù)測(cè)流程

2.2 負(fù)荷預(yù)測(cè)模型的參數(shù)選取

隱含層節(jié)點(diǎn)數(shù)的選定十分靈活，會(huì)直接影響負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)精度。為了建立性能較佳的負(fù)荷預(yù)測(cè)模型，需確定隱含層節(jié)點(diǎn)數(shù)。負(fù)荷預(yù)測(cè)模型的輸入因子和輸出因子個(gè)數(shù)分別為3、1。隱含層節(jié)點(diǎn)數(shù)由經(jīng)驗(yàn)公式（1）可計(jì)算得出：

式中：x為隱含層節(jié)點(diǎn)數(shù)；a為輸入層節(jié)點(diǎn)數(shù)；b為輸出層節(jié)點(diǎn)數(shù)；c為1～10的常數(shù)。

因此隱含層節(jié)點(diǎn)數(shù)可選擇范圍為3～12。隱含層節(jié)點(diǎn)數(shù)的選擇可通過(guò)均方誤差來(lái)判斷，不同隱含層節(jié)點(diǎn)數(shù)的均方誤差如圖6所示。由圖可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)為9個(gè)時(shí)，均方誤差最低，因此最優(yōu)隱含層節(jié)點(diǎn)數(shù)為9。其他參數(shù)選取如表4所示。

圖6 不同隱含層節(jié)點(diǎn)數(shù)的均方誤差

表4 模型參數(shù)表

3 預(yù)測(cè)結(jié)果與分析

實(shí)驗(yàn)分別以該通信基站3月和4月對(duì)應(yīng)的新風(fēng)系統(tǒng)樣本數(shù)據(jù)庫(kù)中70%的新風(fēng)系統(tǒng)負(fù)荷數(shù)據(jù)、室外溫度數(shù)據(jù)和室內(nèi)溫度數(shù)據(jù)作為訓(xùn)練集。以剩余的30%數(shù)據(jù)作為測(cè)試集對(duì)模型進(jìn)行驗(yàn)證分析。

為了驗(yàn)證本文所提模型的可行性與有效性，將基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型和基于GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型進(jìn)行對(duì)比分析。隨機(jī)選取3、4月份測(cè)試集中30個(gè)測(cè)試樣本進(jìn)行驗(yàn)證分析，3月份的兩種模型的部分預(yù)測(cè)結(jié)果對(duì)比如圖7所示，4月份的兩種模型的部分預(yù)測(cè)結(jié)果對(duì)比如圖8所示。

圖7 3月份部分預(yù)測(cè)結(jié)果對(duì)比

圖8 4月份部分預(yù)測(cè)結(jié)果對(duì)比

由隨機(jī)選取的連續(xù)30個(gè)數(shù)據(jù)分析可知，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值波動(dòng)較大且與實(shí)際擋位相差較大。而GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際擋位相差較小。

為進(jìn)一步得出兩種預(yù)測(cè)模型誤差對(duì)比，表5和表6分別給出了3月所有測(cè)試集的和4月所有測(cè)試集的對(duì)應(yīng)的兩種模型的平均相對(duì)誤差。相對(duì)誤差函數(shù)可表示為：

式中：為預(yù)測(cè)值；y為實(shí)際值。

由表5、表6可知，GA-BP預(yù)測(cè)模型的平均相對(duì)誤差小于BP預(yù)測(cè)模型，其負(fù)荷預(yù)測(cè)準(zhǔn)確率更高。其中，GA-BP預(yù)測(cè)模型的3、4月平均相對(duì)誤差分別比BP預(yù)測(cè)模型降低了1.68%、1.67%。

表5 3月份相對(duì)誤差分析

表6 4月份相對(duì)誤差分析

4 結(jié)束語(yǔ)

為了降低通信基站新風(fēng)系統(tǒng)的散熱能耗，本文利用灰色關(guān)聯(lián)分析法對(duì)通信基站新風(fēng)系統(tǒng)中3月和4月的運(yùn)行數(shù)據(jù)進(jìn)行分析，確定了新風(fēng)負(fù)荷的影響因素。根據(jù)影響因素建立了兩個(gè)月對(duì)應(yīng)的樣本數(shù)據(jù)庫(kù)，利用樣本數(shù)據(jù)庫(kù)中的訓(xùn)練集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再利用遺傳算法優(yōu)化其參數(shù)，最終建立了通信基站新風(fēng)系統(tǒng)負(fù)荷預(yù)測(cè)模型。模型建立后利用每個(gè)月對(duì)應(yīng)的測(cè)試集分別進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果表明該負(fù)荷預(yù)測(cè)模型能滿足工程實(shí)際需求，輔助基站新風(fēng)系統(tǒng)實(shí)現(xiàn)節(jié)能運(yùn)行，對(duì)通信基站新風(fēng)系統(tǒng)的節(jié)能優(yōu)化運(yùn)行管理有著重要的應(yīng)用價(jià)值。