基于人工神经网络的源热泵空调系统负荷预测模型.docxVIP

基于人工神经网络的源热泵空调系统负荷预测模型 0 负荷预测的应用 随着预测研究的深入，各种预测方法已经广泛应用于各个领域，如经济预测分析、环境生态学、人口预测、生产预测等。据文献介绍, 目前世界上有近千种预测方法, 较成熟的有150 多种。在暖通空调领域, 采用合理的运行调节方法是提高空调系统的能源利用效率主要途径之一, 而负荷预测是空调系统优化运行的基础。准确预测建筑物的运行调试起着至关重要的作用。操作人员可以根据预测的负荷决定系统的启停时间, 发现系统故障, 并对系统故障进行诊断、维修。预测方法可分成2大类［3］: 一类是定性预测, 也称为直观性预测; 另一类是定量预测, 也称为统计预测。在暖通空调领域, 常采用定量预测的方法, 即采用数学、概率论和数理统计的方法对历史数据进行处理。这些方法在暖通空调领域已有应用［4］。近年来, 一门新兴的边缘学科———人工神经网络, 引起人们的广泛关注。由于它独特的结构和处理信息的方法, 使其在许多实际应用领域中取得了显著的成效。在暖通空调领域已有研究中, 人工神经网络多用于冰蓄冷空调系统的负荷预测, 而本文将介绍人工神经网络在地源热泵空调系统负荷预测中的应用。 1 dp神经网络结构 从大量文献可以看出, 在采用神经网络的预测技术中, 使用最多的还是BP ( Back Propagation) 网络。通过比较1 个隐含层和2 个隐含层的模型拟合度, 采用1 层隐含层的3 层网络已经能够满足预测要求, 而采用2 个隐含层并无益处。3 层BP神经网络结构主要包括输入层、隐含层和输出层, 上下层之间实现全连接, 而每层神经元之间无连接［5］。网络中的每1 层都包含若干神经元, 输入层和输出层的神经元个数由模型中变量数决定。图1 为3 层BP神经网络的结构图。 本文采用BP神经网络建立了多输入-单输出的负荷预测模型, 影响该模型的核心因素包括输入参数设置、隐含层设置和数据预处理3 个过程。 1.1 在空调系统中的应用 理论上, 任何影响负荷的因素均可作为神经网络的输入参数。在文献中, Gibson等于1993 年根据中央冷站系统的运行数据预测建筑冷负荷、总电力需求及相应的系统运行数据, 是较早在负荷预测中使用人工神经网络的研究工作, 其输入参数为室外温度、湿度、室内设计温度、状态标志和居住用电［6］; 吴杰等人在对杭州某大楼冷负荷预测中, 建立了人工神经网络模型, 其采用的输入变量主要有预测日的最高、最低和平均温度, 基准日的负荷、平均温度和最高、最低温度等［7］; 甚至有些文献还把空调系统的运行参数, 如前一天同时刻的冷负荷、冷冻水供水温度、制冷机开启台数、运行模式等也作为预测输入参数。 一般输入信息越多, 神经网络非线性映射能力越强, 预测准确度越高, 但这也将增加计算机的求解时间, 同时也会由于测量点和传感器的增多, 使控制系统难度增加和初投资提高, 所以在实际工程应用中很多输入参数是不能获得的。在本文所建立模型中, 我们将根据相关文献的研究和实际所获得的数据, 通过重复试验, 选择如下的输入参数。 1.1.1 负荷相相关的负荷及产生的影响 室外温度是决定负荷的首要因素, 与逐时负荷息息相关。我们考虑室外温度对系统负荷的延迟性, 把预测日t时刻的实测温度和之前1、2 h的实测温度值也作为输入。 1.1.2 太阳辐射在南外墙的应用 冬季太阳辐射充足时, 在节能达标的房间内, 中午时间段内室内太阳辐射得热甚至会超过当前时刻的热负荷［8］, 在供暖空调标准工况下, 由于太阳辐射的作用, 南外墙的逐时热负荷较北外墙约低20% , 因此选取太阳辐射照度作为一项输入参数。由于实际工程缺乏对太阳辐射参数的测量, 所以本文采用De ST软件提供的逐时太阳辐射参数。 1.1.3 迟的时间和慢的负荷 围护结构造成的室内温度延迟通常在10 h左右, 对于一些重质墙体延迟的时间甚至更长［9］。当前时刻负荷和前1 h的负荷与室外温度相关度最大［10］。为了预测围护结构蓄热特性对建筑负荷的影响, 输入参数中包含了当前时刻前1 h和前2 h的室外温度以及前1 h的逐时负荷。 1.2 隐蔽层节点数 隐含层及其神经元数量的选取对构建神经网络有重要影响。有限数量的隐含层足以解决非线性和滞后问题。隐含层节点数应该为2N + 1 ( N为输入层节点数)［11］。本文神经网络模型共有3 层, 根据所选择的输入参数, 输入层共有7 个节点。因此, 隐含层设置为15 个节点, 输出层为1 个节点。 1.3 时间负荷预测神经网络结构的确定 综上, 本文建立7 × 15 × 13 层结构的神经网络模型, 其网络拓扑结构如表1 所示。 1.4 横向相似性及归一化 由于实测数据容易受到采集仪表误差的影响, 并且监测平台的不稳定也可能导致数据