102基于城市能源综合规划的建筑空调动态负荷预测方法探讨.docVIP

基于城市能源综合规划的建筑空调动态负荷预测方法探讨 大连理工大学 王振江 端木琳 李祥立 王仁瑾 摘要 现行的负荷指标法不能满足基于动态和空间分布的城市能源综合规划方法对城市规划阶段建筑空调动态负荷的预测需求。对现有建筑空调动态负荷的预测方法进行了分类，从统计回归预测、能耗软件模拟及情景分析方法预测等方面分别介绍了各种方法的国内外发展及研究现状。结合城市能源综合规划方法对区域建筑空调负荷预测的要求，对现有建筑空调动态负荷预测方法的特点及适用性作了简要分析，并对研究方向进行了探讨，指出开发简单的建筑负荷模拟预测软件是城市规划阶段建筑空调动态负荷预测的重要手段。 关键词 城市能源综合规划 空调动态负荷预测 统计模型 能耗模拟软件 情景分析 0 引言[1]。这样就会导致城市能源的供应与城市发展需求不匹配，多数情况下造成能源的浪费；第二，我国的城市能源规划主要包括的城市电力规划、城市燃气规划和城市热力规划等分别隶属于不同的部门管理，各个部门之间缺乏相互协调，甚至出现相互竞争，这就不可避免的会造成城市能源的供应结构不合理，严重的能源浪费现象；第三，能源需求的预测主要是考虑总量的供需平衡。从建筑能耗角度考虑，一个区域或城市是由很多的建筑组合而成，而这些建筑又由于其使用功能的不同，而表现出不同的能耗特性，各个建筑同时出现峰值负荷的概率是很小的。 鉴于目前城市能源规划的问题，清华大学的付林等人提出了基于动态和空间分布的城市能源综合规划方法[2]。该方法考虑了各种能源专项规划的相互协调，合理的进行城市能源基础设施的建设，同时也从时间和空间分布的的角度考虑能源需求的动态特性，以达到能源的合理配置和高效利用。目前，国内外关于建筑空调动态负荷的动态预测研究主要有传统的统计预测方法、能耗模拟软件模拟预测方法以及情景分析预测方法等。 1 空调动态负荷预测方法的概述 1.1 基于统计的空调动态负荷预测方法 基于统计规律的空调动态负荷预测方法是最传统的也是应用最为广泛的方法。该方法是以大量的能耗数据为基础，利用统计学等相关技术手段对数据进行科学分析，得出空调负荷与影响因素之间的关系，建立负荷预测模型。 线性回归分析方法是一种最为常见的数据处理方式。自1984年Forrester等人[3]利用多元线性回归的预测方法完成对某商业大厦空调电力需求的预测至今，国内外专家多次尝试应用此方法对建筑冷热负荷进行预测研究，但结果均表明预测精度不高。指数平滑法是根据预测对象本身的历史数据来进行预测的，属于时间序列预测技术范畴。该方法在一定程度上改善了线性回归方法的预测精度，并且可以得到一些改进模型，如将小波分析加入[4]。但其针对性较强，不宜推广使用。灰色预测通过鉴别系统因素之间发展趋势的相异程度，预测事物未来发展趋势的状况。1999年，王四清等人[5]采用灰色理论进行负荷预测，提出了上下限线划分法，此模型的缺点仍是预测精度不高。 神经网络以其高度的非线性运算能力和较强的容错能力，在HVAC领域迅速发展。1990年，Ferrano等人[6]提出了人工神经网络模型预测冰蓄冷空调系统冷负荷的概念，掀起了神经网络技术在暖通空调领域的浪潮；1991年，Kreider和Wang[7-8]最早将神经网络方法引入到建筑物空调设备能耗预测工作。此后，国内外专家学者大规模展开了神经网络预测模型的研究[9-10]，并考虑多中预测模型的结合[11-12]，取得了比较显著的成果。虽然，神经网络模型对空调负荷这种非线性、影响因素之间严重耦合的特性，可以得到较高的预测精度，但是其模型复杂，推广力不足，尚处在研究阶段。 2007年，陈柳等人[13]提出将支持向量机(SVM)技术引入到暖通空调领域进行空调负荷预测；2008年，李琼等人[14-15]将支持向量机预测模型应用到广东地区某办公楼的空调负荷预测。仿真结果表明，SVM模型有更高的预测精度和更好的泛化能力，是一种有效的预测方法。 该类方法多用于既有建筑空调负荷预测，对空调系统的优化运行、制定控制策略起指导性作用。 1.2 能耗模拟软件模拟预测方法 软件模拟预测方法是以计算机能耗模拟软件为平台，根据准确的气象参数，详细的建筑信息，以及设计参数，通过计算机模拟仿真的手段获得该建筑的逐时负荷数据，作为空调负荷的预测值。 在区域规划阶段，该方法得到了尝试。2004年，T.T. Chow等人[16]利用DOE-2对香港九龙地区东南部的一个开发新区进行建筑冷负荷预测，指导区域系统方案的确定，取得了较好的效果。F.W.H. Yik等人[17]在评价WACS系统时，采用HKDLC、BECON和HTB2等软件对建筑进行了逐时冷负荷的模拟。2008年，瞿燕[18]采用建筑能耗分析软件DOE-2.1C对2010年上海世博园区围栏内的建筑群进行空调动态负