基于时间序列方法和神经网络组合模型的空调负荷预测.pdf

基于时间序列方法和神经网络组合模型的 空调负荷预测 庄俊华1,3，陈一民1,2,3 1.北京建筑大学电信学院，北京100044 2.Department of Civil, Architectural, Environmental Engineering. Drexel University. Philadelphia, PA 19104，USA 3.建筑大数据智能处理方法研究北京市重点实验室，北京 100044 摘 要：负荷预测在空调系统的优化控制从而实现节能或节费过程中起着至关重要的作 用，无论空调系统是否采用冰蓄冷技术。大部分的负荷预测采用单一的方法因而预测精度不 高，并且一般关注于短期预测因而降低了实用意义。本文提出一个基于时间序列方法和神经 网络的组合模型的负荷预测方法，并以一个实例表明，该组合模型与单纯使用时间序列方法 相比，在进行多步预测的时候可以取得更高的精度。 关键词：负荷预测；时间序列；神经网络；组合模型 1．引言 冰蓄冷空调技术在电力负荷低的夜间，采用电制冷机制冰，并将冷量储存起来，在电力 负荷较高的白天，即用电高峰期，把储存的冷量释放出来，满足建筑物空调或生产工艺的需 要[1] [2] 。我国城市建筑夏季的空调用电占其总用电量的40 ％以上 。当前我国的电力供应的突 出矛盾是电网在白天用电高峰时电力不足，而在夜间至清晨用电低谷时段，则供大于求。有 关研究表明：在解决电力峰谷差的成熟电能储存技术中，冰蓄冷的转换效率最高[1]。负荷预 测是确定蓄冰设备在谷段电价时间的蓄冰量，以及在峰段和平段电价时间的融冰速度的依 据。控制良好的蓄冷系统应满足以下要求：(1)蓄冷量能够满足次日空调供冷要求；(2)蓄冷 装置按计划释放冷量，蓄冷量既不能提前用完，也不应在释冷周期结束时有剩余冷量。因此 准确预测空调负荷是有效实施冰蓄冷的前提。 目前国内外对于空调负荷预测开展了较多的相关研究，主要有传统空调负荷预测方法例 如谐波反应法和冷负荷系数法[3][4] [5]-[7] [8]-[12] ；时间序列方法 ；人工神经网络方法 ；支持向量 机方法[13]等。 一些学者采用多种方法融合预测的方法取得较好的效果，如Yao等人[14]于2004年提出应 用分析层次法(AHP)，将时间序列法、线性回归法、灰色模型法和神经网络方法结合在一起 预测空调负荷。他们将以上四种方法的预测值分别乘一个权重，然后相加得到预测值，而权 值的确定取决于各种方法的预测值与真实值之间的误差，误差小的权值大，反之亦然。该文 对24小时的负荷预测数据进行分析并以此确定权值，并指出在此24小时内采用了应用分析层 次法(AHP)的融合预测模型效果优于单个预测模型。但是该文未对24小时之后的负荷进行预 测，也就是说检验该方法优劣的数据正是确定权值的那批数据。因此该方法的有效性尚需作 进一步验证。并且该方法无物理意义。 基于此，并考虑到空调负荷具有周期性的特点，本文提出一种基于求和自回归移动平均 (ARIMA)和神经网络的组合模型对空调负荷进行预测。首先建立季节模型预测模型用以描述 空调负荷时间序列中周期性和线性关系部分，然后对残差部分使用BP神经网络进行拟合，模 拟其非线性规律。 2. 季节模型[15][16] 时间序列是按照时间获得的一个观察值序列 ，该序列的一个基本特征就是观 察值之间的相关性。时间序列分析方法所讨论的就是对这种相关性的分析，就是根据通过对 观察值序列 的分析，揭示其性质，建立随机过程模型（统计模型），并将模型应用于各 种应用领域，例如预测。 常见的线性的时间序列分析方法分平稳时间序列分析和非平稳时间序列分析。前者包括 自回归（AR）模型、移动平均（MA）模型和自回归移动平均（ARMA）模型；后者包括求和自 回归移动平均（ARIMA）模型和季节模型。 由于