冰蓄冷空调负荷模糊预测研究.docVIP

冰蓄冷空调负荷模糊预测研究 摘 要：介绍了冰蓄冷空调负荷模糊预测的基本原理，及运用该原理的负荷预测软件的编制，该软件运行稳定，预测效果较好。 关键词：冰蓄冷；负荷预测；模糊 引言 随着人类社会的高度发展，能源与环境问题越来越成为全世界关注的焦点，空调作为耗能大户，部分地区空调用电已超过全部用电的40%以上。由于空调用电的增加，使得许多大中城市的夏季高峰用电量和供电昼夜峰谷差在不断加大，部分地区最大峰谷差已达到最大负荷的40%。 空调蓄冷应用技术是以电力移峰填谷、平衡电网负荷为目标而兴起的一门实用综合技术。在欧美和日本等工业发达国家中，由于电力公司及政府能源部门的积极鼓励和倡导，蓄冷技术不断完善、成熟。其推广和应用得到迅速发展。 蓄冷空调系统的推广与应用是宏观的社会经济效益与用户的微观经济效益相一致的前提下实现的。蓄能空调的大量应用，可以平衡电网负荷，利用峰谷电价节省空调运行费用。 为了节省空调系统的初投资以及配电容量，绝大部分冰蓄冷空调系统都采用了分量蓄冰的设计，即设计日空调负荷由蓄冰槽和制冷主机共同分担冷负荷。现行的电价政策大都是将一天内的24h分为高峰电价时段、平峰电价时段和低谷电价时段等三个时段，以往冰蓄冷空调的主机优先和蓄冰槽优先的运行模式均无法达到既能满足空调负荷要求，又使运行费用最节省的双重目的。为了更有效的节省空调运行费用，必须对冰蓄冷空调进行优化控制，将融冰负荷与制冷负荷合理的分配在每个时段内，使得系统既能满足负荷的要求，又能达到运行费用最节省，而实现这一要求的前提是事先必须知道负荷的分布情况。建筑物负荷不是一成不变的，它随着季节、时间、气温、湿度以及其它各种偶然因素决定，传统的负荷计算软件无法对每天的负荷进行准确的计算。 1 现行的预测软件 负荷预测主要通过分析以往实际运行数据，利用统计、概率、矩阵等方法来预测未来负荷，它是一个统计模型。预测不需要考虑诸如新风负荷、日照负荷、设备负荷等基本稳定的内部因素，只需考虑如最高气温、最低气温等外部因素就能达到很好的预测效果，而且操作十分方便。 理论上，预测软件能不断的学习实际运行经验，达到越来越准确的效果。实际工程中的负荷值通常是通过系统中冷媒的温差和流量来计算的。在实际运行中，不可避免的会出现各种设备故障、传感器故障、临时停机等偶然因素，采集的数据中也会出现数据遗漏、数据错误、数据偏差较大的情况，因此软件学到的有规律性的数据，也有错误的数据和偏差很大的数据。学到规律性的数据可以得到良好的预测效果，学到错误的数据会得到错误的结果，学到偏差较大的数据会导致预测结果与实际偏差较大。 对于错误的数据，人工很容易识别，计算机识别难度较大，但通过复杂的程序多次过滤，大部分也能清除。而偏差较大的数据即使人工也很难识别，很多数据仅用对与错来描述显然是不正确的，处理这类数据通常要用到模糊数学的方法。 模糊预测原理 利用模糊数学的方法，在处理偏差较大的数据时，不是简单的将数据认为是正确与错误，而是引入一个可信度的概念，当一个数据与基准数据相差很小时，认为该数据可信度很高，反之，可信度很低，可信度是一个介于0～1之间的数值。可信度的高低可以通过模糊函数计算而来。 模糊函数的种类很多，包括三角形模糊函数、梯形模糊函数、S型模糊函数、柯西模糊函数、正态分布模糊函数等，本文以模糊幂函数为例来介绍模糊处理的方法。 假设i时刻的预测负荷为，由采集系统得到的负荷为，令，CRi为相对模糊可信度。 （1） 式中 RF为相对稳定性因子，即判断在一定相对误差范围内的数据是否绝对可靠的参数（RF为大于1.0的数值） nrl为相对偏小时的模糊强度； nrh为相对偏大时的模糊强度。 模糊强度即当误差超出绝对可靠范围时，可信度降低的程度。 图1为模糊幂函数示意图，所有的模糊函数都应该是连续函数，即当时，。 图1 模糊幂函数示意图 RF越小，即认为绝对可靠的数据也越少，更多的数据被认为可信度较低，如图中CRi, 4，该模糊函数预测结果较稳定，但如果太接近1.0，就会导致本来合理的偏差而被认为可信度很低，预测系统对当前的数据变化反应迟钝，学习较慢；如果RF太大，即认为绝大多数的数据都绝对可靠，如图中CRi,3，这样就会失去模糊功能，把本来可信度很低的数据认为是非常有效的数据；根据系统的稳定程度，根据经验RF的值通常在1.1～1.5之间。 nrl和nrh分别为数据偏低和数据偏高时的模糊强度，它们的值均为大于0的实数，根据需要分析数据的特点，两个值可以相同，也可以不同。当取值太小时，如图中CRi, 5,系统会认为大多数数据的可信度都较高，这会使得系统失去模糊功能；反之，当它们的取值太大时，如图中CRi, 2，系统会认为偏差较大的数据的可信度非常低，这样容