基于人工神經(jīng)網(wǎng)絡的源熱泵空調(diào)系統(tǒng)負荷預測模型

基于人工神經(jīng)網(wǎng)絡的源熱泵空調(diào)系統(tǒng)負荷預測模型

0負荷預測的應用隨著預測研究的深入，各種預測方法已經(jīng)廣泛應用于各個領域，如經(jīng)濟預測分析、環(huán)境生態(tài)學、人口預測、生產(chǎn)預測等。據(jù)文獻介紹,目前世界上有近千種預測方法,較成熟的有150多種。在暖通空調(diào)領域,采用合理的運行調(diào)節(jié)方法是提高空調(diào)系統(tǒng)的能源利用效率主要途徑之一,而負荷預測是空調(diào)系統(tǒng)優(yōu)化運行的基礎。準確預測建筑物的運行調(diào)試起著至關重要的作用。操作人員可以根據(jù)預測的負荷決定系統(tǒng)的啟停時間,發(fā)現(xiàn)系統(tǒng)故障,并對系統(tǒng)故障進行診斷、維修。預測方法可分成2大類［3］:一類是定性預測,也稱為直觀性預測;另一類是定量預測,也稱為統(tǒng)計預測。在暖通空調(diào)領域,常采用定量預測的方法,即采用數(shù)學、概率論和數(shù)理統(tǒng)計的方法對歷史數(shù)據(jù)進行處理。這些方法在暖通空調(diào)領域已有應用［4］。近年來,一門新興的邊緣學科———人工神經(jīng)網(wǎng)絡,引起人們的廣泛關注。由于它獨特的結構和處理信息的方法,使其在許多實際應用領域中取得了顯著的成效。在暖通空調(diào)領域已有研究中,人工神經(jīng)網(wǎng)絡多用于冰蓄冷空調(diào)系統(tǒng)的負荷預測,而本文將介紹人工神經(jīng)網(wǎng)絡在地源熱泵空調(diào)系統(tǒng)負荷預測中的應用。1dp神經(jīng)網(wǎng)絡結構從大量文獻可以看出,在采用神經(jīng)網(wǎng)絡的預測技術中,使用最多的還是BP(BackPropagation)網(wǎng)絡。通過比較1個隱含層和2個隱含層的模型擬合度,采用1層隱含層的3層網(wǎng)絡已經(jīng)能夠滿足預測要求,而采用2個隱含層并無益處。3層BP神經(jīng)網(wǎng)絡結構主要包括輸入層、隱含層和輸出層,上下層之間實現(xiàn)全連接,而每層神經(jīng)元之間無連接［5］。網(wǎng)絡中的每1層都包含若干神經(jīng)元,輸入層和輸出層的神經(jīng)元個數(shù)由模型中變量數(shù)決定。圖1為3層BP神經(jīng)網(wǎng)絡的結構圖。本文采用BP神經(jīng)網(wǎng)絡建立了多輸入-單輸出的負荷預測模型,影響該模型的核心因素包括輸入?yún)?shù)設置、隱含層設置和數(shù)據(jù)預處理3個過程。1.1在空調(diào)系統(tǒng)中的應用理論上,任何影響負荷的因素均可作為神經(jīng)網(wǎng)絡的輸入?yún)?shù)。在文獻中,Gibson等于1993年根據(jù)中央冷站系統(tǒng)的運行數(shù)據(jù)預測建筑冷負荷、總電力需求及相應的系統(tǒng)運行數(shù)據(jù),是較早在負荷預測中使用人工神經(jīng)網(wǎng)絡的研究工作,其輸入?yún)?shù)為室外溫度、濕度、室內(nèi)設計溫度、狀態(tài)標志和居住用電［6］;吳杰等人在對杭州某大樓冷負荷預測中,建立了人工神經(jīng)網(wǎng)絡模型,其采用的輸入變量主要有預測日的最高、最低和平均溫度,基準日的負荷、平均溫度和最高、最低溫度等［7］;甚至有些文獻還把空調(diào)系統(tǒng)的運行參數(shù),如前一天同時刻的冷負荷、冷凍水供水溫度、制冷機開啟臺數(shù)、運行模式等也作為預測輸入?yún)?shù)。一般輸入信息越多,神經(jīng)網(wǎng)絡非線性映射能力越強,預測準確度越高,但這也將增加計算機的求解時間,同時也會由于測量點和傳感器的增多,使控制系統(tǒng)難度增加和初投資提高,所以在實際工程應用中很多輸入?yún)?shù)是不能獲得的。在本文所建立模型中,我們將根據(jù)相關文獻的研究和實際所獲得的數(shù)據(jù),通過重復試驗,選擇如下的輸入?yún)?shù)。1.1.1負荷相相關的負荷及產(chǎn)生的影響室外溫度是決定負荷的首要因素,與逐時負荷息息相關。我們考慮室外溫度對系統(tǒng)負荷的延遲性,把預測日t時刻的實測溫度和之前1、2h的實測溫度值也作為輸入。1.1.2太陽輻射在南外墻的應用冬季太陽輻射充足時,在節(jié)能達標的房間內(nèi),中午時間段內(nèi)室內(nèi)太陽輻射得熱甚至會超過當前時刻的熱負荷［8］,在供暖空調(diào)標準工況下,由于太陽輻射的作用,南外墻的逐時熱負荷較北外墻約低20%,因此選取太陽輻射照度作為一項輸入?yún)?shù)。由于實際工程缺乏對太陽輻射參數(shù)的測量,所以本文采用DeST軟件提供的逐時太陽輻射參數(shù)。1.1.3遲的時間和慢的負荷圍護結構造成的室內(nèi)溫度延遲通常在10h左右,對于一些重質(zhì)墻體延遲的時間甚至更長［9］。當前時刻負荷和前1h的負荷與室外溫度相關度最大［10］。為了預測圍護結構蓄熱特性對建筑負荷的影響,輸入?yún)?shù)中包含了當前時刻前1h和前2h的室外溫度以及前1h的逐時負荷。1.2隱蔽層節(jié)點數(shù)隱含層及其神經(jīng)元數(shù)量的選取對構建神經(jīng)網(wǎng)絡有重要影響。有限數(shù)量的隱含層足以解決非線性和滯后問題。隱含層節(jié)點數(shù)應該為2N+1(N為輸入層節(jié)點數(shù))［11］。本文神經(jīng)網(wǎng)絡模型共有3層,根據(jù)所選擇的輸入?yún)?shù),輸入層共有7個節(jié)點。因此,隱含層設置為15個節(jié)點,輸出層為1個節(jié)點。1.3時間負荷預測神經(jīng)網(wǎng)絡結構的確定綜上,本文建立7×15×13層結構的神經(jīng)網(wǎng)絡模型,其網(wǎng)絡拓撲結構如表1所示。1.4橫向相似性及歸一化由于實測數(shù)據(jù)容易受到采集儀表誤差的影響,并且監(jiān)測平臺的不穩(wěn)定也可能導致數(shù)據(jù)錯誤或偏差,因此必須對實測數(shù)據(jù)進行預處理,剔除異常數(shù)據(jù)。本文利用空調(diào)系統(tǒng)運行參數(shù)的縱向相似性和橫向相似性［12］來判斷數(shù)據(jù)是否異常?？v向相似性是指空調(diào)系統(tǒng)相近時刻的運行參數(shù)一般沒有特別大突變,具有平滑性;橫向相似性是指在相鄰的幾天內(nèi)類型相同的日運行參數(shù)曲線的峰谷時刻基本相同,曲線形狀也比較相似。所以當某數(shù)據(jù)與其相鄰2組數(shù)據(jù)及前后2天同時刻數(shù)據(jù)相比,其相對誤差超過工程上的閾值(一般為150%),則視為異常數(shù)據(jù)。對于異常數(shù)據(jù),一般直接將原來數(shù)據(jù)剔除,用可靠數(shù)據(jù)的均值來代替。在神經(jīng)網(wǎng)絡學習階段,還需要對輸入數(shù)據(jù)和對應的已知輸出值進行歸一化處理［13］,即把數(shù)據(jù)處理成0~1之間的數(shù)值。設神經(jīng)網(wǎng)絡的原始輸入輸出值為xdi和ydi,經(jīng)歸一化處理后變成式中:xi為歸一化后神經(jīng)網(wǎng)絡的輸入值;xdi為原始輸入值;xdmin、xdmax為原始輸入值中的最小值和最大值;ti為歸一化后神經(jīng)網(wǎng)絡的目標值;ydi為原始目標值;ydmin、ydmax為原始目標值中的最小值和最大值。神經(jīng)網(wǎng)絡經(jīng)過學習訓練后,得到預測值oi,其值范圍為0~1,因此,需要把預測值還原變成式中:ypi為預測值的還原值;oi為神經(jīng)網(wǎng)絡的預測輸出值。2空調(diào)系統(tǒng)運行數(shù)據(jù)采集系統(tǒng)項目預測中所采用的基礎數(shù)據(jù)來自某地源熱泵空調(diào)監(jiān)測系統(tǒng)所采集的運行數(shù)據(jù)。該工程建筑面積9.9萬m2,空調(diào)面積8.7萬m2,供暖面積7.4萬m2,共18層,地上17層,地下1層。該工程于年2009年12月完工,該項目建立空調(diào)系統(tǒng)運行數(shù)據(jù)采集系統(tǒng)。太陽輻射照度數(shù)據(jù)采用Dest軟件氣象參數(shù)集標準年數(shù)據(jù)。其他數(shù)據(jù)采集使用了TDS-100超聲波流量計、PT1000溫度傳感器、M-7015P溫度采集模塊等儀器。2.1優(yōu)化控制服務圖2是2012年7月份部分逐時負荷的預測值和實測值比較圖。從圖中可以看出,所建立的人工神經(jīng)網(wǎng)絡模型的預測值的數(shù)值和趨勢走向基本上和實測值相近,在逐時負荷突然變化時,負荷預測值的跟隨性較好。因此該模型能夠較好地為地源熱泵空調(diào)系統(tǒng)優(yōu)化控制服務。圖3是逐時負荷的預測值和實測值的線性回歸圖。從圖中可以看出,線性回歸相關系數(shù)為0.93,說明預測值大部分和實測值比較接近。這主要是所采集的復合數(shù)據(jù)都幾種在夏季炎熱時刻,每天氣溫和負荷需求變化類似,比較有規(guī)律,因而從輸入輸出數(shù)據(jù),神經(jīng)網(wǎng)絡能很好地擬合它們之間的非線性映射關系。但如果在過渡季時期(如10、11月份),這時天氣變化較大,每天或每時刻冷負荷需求突變較大,在訓練樣本數(shù)據(jù)不夠的情況下,神經(jīng)網(wǎng)絡泛化能力就較差,可能會造成預測誤差偏高。圖4是逐時負荷的預測相對誤差圖。從圖中可以看出,該模型的預測相對誤差基本上在±5%之間波動,有個別點的預測誤差比較大,接近15%,其預測平均相對誤差是5.20%,從工程應用來講,該誤差已很好地達到要求。2.2模型預測精度評價一般而言,我們采用平均絕對誤差MAE(MeanAbsoluteError)、誤差標準差σe、平均相對誤差MRE(MeanRelativeError)、期望相對誤差EEP(ExpectedErrorPercentage)、變化系數(shù)CV(CoefficientofVariation)和平均偏移誤差MBE(MeanBiasError)等指標來評價人工神經(jīng)網(wǎng)絡模型預測的準確度［14］。各指標定義如式(4)~式(11)。式(4)~式(11)中:xdata(k)是實測負荷;xpred(k)是預測負荷;e(k)為xpred(k)與xdata(k)之差;e珋為e(k)的算術平均值;N是總小時數(shù);xdata，max是實測負荷最大值;x珋data是所有逐時負荷平均值。對神經(jīng)網(wǎng)絡負荷預測模型預測結果進行以上評價,各評價指標值如表2所示。從表2可以看出,逐時負荷預測模型平均絕對誤差MAE約為80.41W,平均相對誤差MRE約為5.20%,期望相對誤差EEP為5.13%,該精度要求已經(jīng)可以用于指導實際工程實踐。同時,該模型為動態(tài)模型,當積累一定的數(shù)據(jù)量后可根據(jù)此模型進行負荷預測,其預測精度會隨著時間的推移而得到不斷提高。同時,也應認識到一點,本例只選取了168h的數(shù)據(jù)進行神經(jīng)網(wǎng)絡訓練,最終預測結果只反映了48h的負荷情況。鑒于工程中所監(jiān)測到的空調(diào)運行數(shù)據(jù)及室內(nèi)外氣象參數(shù)還存在大量失真數(shù)據(jù),此模型的效果仍有待