空调动态负荷的ANN预测研讨.pdfVIP

空调动态负荷的ANN预测研究 王健 郝军 孙晓秋 田雨忠 总装备部工程设计研究总院四室 【摘要】空调系统负荷的大小与特性，无论是对空调系统的设计还是运行管理而言，都是极为重要 的因素。空调系统负荷是一个典型的具有动态性、时变性、多扰量性、不确定性等随机特性的非线 性模型。基于传统方式难于实现准确、快速地预测空调系统动态负荷。人工神经网络(Artificial Neural Network，简称ANN)是由具有非线性激活函数的神经元构成，进行大规模并行信息处理的非 线性模型结构，具有高度的非线性运算能力和很强的容错能力。国内外的研究结果表明，人工神经 网络可以取得比传统的预测方法更好的结果。本文针对目前用于空调动态负荷预测的ANN模型建立 方法的不足，提出一种切实可行的建模方法。 【关键词】空调动态负荷预测BP模型主成分分析 1前言 空调系统的控制、运行和计划都需要负荷预测的信息，准确、快速的负荷预测对空调系统的安 全及经济运行都是非常关键的。如能对空调负荷进行准确、快速的预测，结合良好的优化控制策略， 不仅能更加可靠而合理地满足系统负荷要求，而且有利于对系统运行进行更经济、更科学的规划、 调度和管理，提高系统运行方案的经济性、可靠性，也将优化空调系统与其它生产系统之间的协调 性，促进生产效率的提高。此外，近些年来蓄冷技术得到迅速推广应用，其运行策略是以设计循环 周期的负荷预测为基础的，对空调系统负荷的预测提出了更高的要求。 空调系统负荷是一个典型的具有动态性、时变性、多扰量性、不确定性等随机特性的非线性模 型。传统的负荷预测方法是通过物理模型来建立负荷预测的数学模型的，使用的是显式的数学表达 式描述负荷预测的数学模型，这一局限性决定了其难于实现准确、快速地预测空调系统动态负荷。 人工神经网络是由具有非线性激活函数的神经元构成，进行大规模并行信息处理的非线性模型结构， 具有高度的非线性运算能力和很强的容错能力…。利用其可以很好的逼近非线性系统的特性，可以 用ANN对历史数据进行拟合，并达到预测的目的。国内外的研究结果表明，ANN可以取得比传统 的预测方法更好的结果。 2人工神经网络概述‘2】 ANN是在研究生物神经网络系统的启示下发展起来的一种信息处理方法。ANN是由大量的同 时也是很简单的处理单元一神经元广泛的互相连接而成的复杂网络系统，它反映了人脑功能的许多 基本特性，具有大规模并行、分布式存储和处理、自适应和自学习能力，特别适用于处理需要同时 考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、 认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、 分子生物学等有关，是一门边缘交叉学科。目前ANN已被广泛应用于入工智能、信号处理、自动控 制、负荷预测和模式识别等领域，发挥着巨大作用。 变化形式，它也是前馈型网络的核心部分，体现了ANN最精华的部分。 BP神经网络也称误差反向传播神经网络，它是由非线性变换单元组成的前馈型网络。一般的多 层前馈网络也指BP神经网络。BP神经网络由输入层、输出层和隐含层(隐含层可以是一层或多层)， 通用的结构如图1所示。 前 向 计 算 图l BP网络结构示意图 BP网络中上、下层之间每个神经元通过权值相互连接，这是一种全连接方式，即下一层的每 一个单元与上层的每个单元都实现权连接，而每层各个神经元之间无连接。BP网络计算是由两部分 组成：前向计算和误差反向传播。在前向计算过程中，输入信息从输入层经隐含层逐层计算传向输 出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计 算输出层的误差变化值，然后转向误差反向传播，通过网络将误差信号沿原来的连接通路反传回来 修正各层神经元的权值直至达到期望目标。各层的权值在学习过程中不断调整，直至对输入数据能 够正确识别，此时的BP网络的权值实际上代表了所研究问题的内在关系。 3空调动态负荷预测BP模型研究 通常，BP模型的结构包括一个输入层、一个输出层和若干个隐层。根据Fnahashi理论，对于 BP网络，只需三层并采用Sigmoid函数就能以任