ANFIS實現依據人數變化來預測建筑負荷

涂方亮，吳靜怡

（1.上海交通大學 機械與動力工程學院，上海 200240；2.上海交通大學 上海 200240）

商場人員分布和流動是建筑物內部負荷變化的重要影響因素。一些物理隔斷將其分成不同的專賣店，每個隔斷區域中人員的進出和逗留時間的長短是隨機變化的。在室外環境一定的情況下，由于商場運營期間，各個隔斷的燈光及營業員所產生的負荷基本是不變的，商場隔斷區域的空調負荷直接由顧客的流動而引起變化，如促銷、品牌和其它因素將導致局部區域顧客的分散和集中，直接導致隔間負荷明顯或大或小。

通常，人員熱擾產生的空調負荷是由人體散熱量來計算的[1]，而傳統的室內空調設定溫度和換氣效率均是以整個空調房間為考慮對象，而人員活動區域只占空調房間的一部分，因此不考慮人員的需求而將整個房間作為研究對象所創造的微氣候不一定對人最為有利，同時也導致很大的能量需求。考慮到以上的影響，文獻[2]中提出了反映了使用者在室內停留的性質和方式。既描述某一個人在房間各處的時間分配狀況，也可以描述房間內所有人員在房間各處的總時間分配關系。目前，紅外光電檢測技術是比較成熟的技術[3]，可以利用商場里紅外光電設備的客流計數器跟蹤人員的用途，來直接調控局部空調的負荷變化，以適應人員的隨機變動和逗留的影響自適應神經模糊系統（ANFIS）[4]是一種基于數據的建模方法，該系統中的模糊隸屬度函數及模糊規則是通過對大量已知數據的學習得到的，而不是基于經驗或直覺任意給定的。文獻[5]首先提出了ANFIS的定義，它結合了模糊系統和神經網絡的最優特征。近幾年已經應用于很多領域。文獻[6]采用模糊神經方法預測一定條件下房間的溫度，證實ANFIS對預測的可靠性；文獻[7]提出一種基因算法和ANFIS的混合模型，結果表明混合模型更加準確地預測建筑能源；文獻[8]通過使用ANFIS和神經網絡訓練數據集來調整隸屬函數和相關參數；文獻[9]闡釋ANFIS在地源熱泵系統中的應用；文獻[10]采用ANFIS可以準確快速地預測HVAC系統的風閥調節。

本文采用ANFIS模型實現依據人員數量和逗留時間來預測和控制空調實時負荷。

1 自適應神經模糊系統（ANFIS）

為了后面實例的應用，在模糊推理系統中設定兩個輸入量（x，t）和一個輸出量u。此處一階T－S型模糊推理被設定為[11]：

規則i：If（xis Ai）and（t is Bj），then ui＝f（x，t）＝aix＋bit＋ci其中，Ai和Bj模糊集合，ui是通過模糊規則后的輸出量，ai，bi和ci是訓練過程中被確定的設計參數。該系統通常由下列層數組成：

第一層：在輸入向量中每個節點和每個部件（xi和ti）直接連接，它的主要作用是將輸入值傳送到下一層。

第二層：每個節點代表著一個語言變量，如 N3、N2、N1、Z、P1、P2、P3。它的作用是計算出隸屬度函數，即（x）和（t），i＝1，2，…，n；j＝1，2，…，n。

該層還用來匹配模糊規則前件，計算出每條規則的適應度（αk）。

i＝1，2，…，n；j＝1，2，…，n；k＝1，2，…，m。

第三層：該層有m個節點，每個節點代表一個規則，它的作用是實現歸一化。

第四層：該層也有m個節點，每個節點顯示一條規則，它用來計算每個規則的后件。這樣，輸出量如下：

第五層：這個節點計算ANFIS的整體輸出量。u是規則的加權和，加權系數是模糊規則的歸一化適應度，即

2 實例研究與建模

2.1 研究對象的描述

為了闡釋ANFIS依據人員數量和逗留時間來預測隔間實時負荷方面的應用，本文選擇商場中凈面積為33.6m2的隔間區域作為研究對象，依據隔間的人員數量指標及人員作息模式通過DEST-c計算其相應冷負荷值作為基礎數據集，時間區間為6月15日到10月15日，人均產熱量為168W，人均產濕量0.2kg／h。經調研，該區域中人員最少為2人（營業員），最多人數為90人；且每個人員在商場大多數區域中滯留時間約3min，在不同區域中滯留的時間不超過20min。

2.2 模型的基礎數據集

商場顧客隨機移動著，隨著時間的變化，每個區域中的顧客數量也在不停的變化。根據該區域實際所能存在的情況（包括人數及其可能存在的逗留時間），計算得到其最大冷負荷為32.23kW，最小冷負荷為2.88kW，故本文結合實際調研結果，并在此限定的負荷區間中隨機地選取了300組數據，基本涵蓋了該隔間區域日常運行中所能產生的負荷數據。

2.3 模型的建立

本文以區域人員的數量和逗留時間作為ANFIS模型的輸入量，其輸出量為隔間對應的最大冷負荷。根據已知數據集，采用減聚類方法的模糊推理系統，該方法是由文獻[12]提出的山峰聚類法的改進，是一種用來估計一組數據中的聚類個數以及聚類中心位置的快速單次算法。圖1是實例中兩個輸入量在減聚類法下輸出的聚類中心。從而，在給定的數據集和減聚類方法下，系統模型結構簡圖如圖2所示。該方法明顯對ANFIS模型有著預處理的作用，在一定的聚類半徑下所選的輸入量x和t均聚類成七個模糊子集，使得控制更加簡單化。其中，x指人員數量；t指顧客的逗留時間，單位為min；u指計算的實時最大冷負荷，單位為kW。

圖1 減聚類法輸出聚類中心

圖2 減聚類法ANFIS模型結構簡圖

3 模擬結果

利用已獲得的數據集并選定隸屬函數，在 MATLAB2011b環境下，使用ANFIS模型進行模擬。除了平均誤差外，還采用了可決系數（R2）來評估模型的有效性。

可決系數被定義如下[13－14]

式中：ucal，m指計算值，ufitted，m指 ANFIS模型擬合值，n指樣本數量。

3.1 模擬過程

300組數據被分成三個獨立的子集：訓練子集，核查子集和測試子集。首先，訓練子集被重復使用來建立網絡和調節網絡結構的權重。接著，核查子集用來模擬已建模型的性能，以核實模型的通用性和適應性，最優的模型將被選做后期的使用。最后測試子集被用于檢測模糊推理系統的結果通用性性能[15]。通常，三個子集的選用比例對模擬結果是有影響的，此處三種比例被設定進行比較，見表1。

目前，顧客區域分布和滯留仍然沒有一個確切的函數分布，因此，在模擬過程中幾種典型的隸屬函數分別被選用并結合混合方法訓練誤差。當迭代300次時，不同類型的輸出結果見表1。其中Gaussmf為高斯隸屬函數；Gauss2mf為兩高斯組合隸屬函數；Trapmf為梯形隸屬函數；Gbellmf為鐘形隸屬函數。

3.2 分析與討論

從表1定性分析，采用類型1的ANFIS模型（Gauss2mf）結構可以獲得滿意的結果和準確的預測，其平均誤差均最小。

基于Gauss2mf的ANFIS模型結果與原始計算值繪制在圖3中，從而可以直觀的看到隨機抽取的300組數值結果之間的偏離度。在這個模型中，區域負荷處于最低狀態下，數據組計算值和擬合值的誤差絕對值為0.18，誤差百分比絕對值為最大值5.3%；區域負荷處于最高狀態下，數據組計算值和擬合值的誤差絕對值為0.49，誤差百分比絕對值為1.5%。而圖4中，計算值和擬合值的趨勢線顯示其可決系數（R2）非常接近1，很明顯本文減聚類法形成的模型是合適可行的。進而，在限定的范圍內，隨機選取兩組數據（x1＝46，t1＝8；x2＝6，t2＝10）輸入到模型中，可以獲得相應的預測結果為u1＝17.3，u2＝4.1。而通過理論計算所獲得的相應結果分別為17.5和3.96。二者結果相對誤差在工程中明顯可以接受，也足以證實模型的正確合理性。

因此，實時的輸入量就可以獲得準確的擬合輸出量，進而可以實現人員的數量和逗留時間與隔間負荷的預測和調控。

表1 不同類型的ANFIS模型的性能

圖3 ANFIS模型結果的比較

圖4 ANFIS模型的性能評估

4 結 論

基于ANFIS模型，用于預測和控制商場隔間區域中不同人數所產生的實時冷負荷。可以獲得以下結論：

（1）本文闡述了運用ANFIS模型實現依據人員的數量和逗留時間來控制和預測隔間實時冷負荷的可行性。以人員的數量和逗留時間作為輸入量，隔間的實時最大冷負荷為輸出量，采用Gauss2mf的ANFIS模型獲得最優的結果，其預測值與計算值的平均誤差最小，表明ANFIS模型用來預測區域冷負荷是可行及實用有效的，其準確程度達99.8%。

（2）在模擬過程中，人數與逗留的隸屬函數選用了四種不同的常用函數，表1中的結果顯示Gauss2mf在性能上優于其它隸屬函數，從而在特定的條件下可以確定商場中人數的分布服從兩高斯函數的組合（Gaussian 2）分布。

（3）在3.2節中，通過隨機抽取的輸入量，來核實預測結果和理論計算結果，驗證了模型的正確合理性。同樣，本次確定的最終模型也適用于上海類似的其它商場隔間區域，且其冷量近似在2.88kW和32.23kW之間。而對于不在特定范圍內的其它商場類建筑，則一樣可以采用本文的方法進行具體的設定。

[1]李先庭，趙彬著.室內空氣流動數值模擬[M].北京：機械工業出版社，2009.

[2]Zhao B，Li X.Revised air-exchange efficiency considering occupant distribution in ventilated rooms[J].Journal of the Air ＆Waste Management Association，2003，53（6）：759-763.

[3]Ezaki H，Nambu T，Nincmiya R，et al.Estination of liquidus temperature of Sn-basecd alloys and its application to the design of Pb-free solder[J].Journal of Materials Science：Materials in Electronics.2002，13（5）：269-272.

[4]石辛民，郝整清.模糊控制及其 MATLAB仿真[M].北京：清華大學出版社，2008.

[5]Jang J S R.Self-learning fuzzy controllers based on temporal back propagation[J].IEEE Transactions on Neural Network，1992，3（5）：714-723.

[6]Alasha'ary H，et al.A neuro-fuzzy model for prediction of the indoor temperature in typical Australian residential buildings[J].Energy and Buildings，2009，41：703-710.

[7]Li K J，et al.Forecasting building energy consumption using neural networks and hybrid neuro-fuzzy system：A comparative study[J].Energy and Buildings 2011，43：2893-2899.

[8]Wu J D，Hsu C C，Chen H C.An expert system of price forecasting for used cars using adaptive neuro-fuzzy inference[J].Expert Systems with Applications，2009，36：7809-7817.

[9]Ying L C，Pan M C.Using adaptive network based fuzzy infer-ence system to forecast regional electricity loads[J].Energy Conversation and Management，2008，49：205-211.

[10]Servet S.An expert system for the humidity and temperature control in HVAC systems using ANFIS and optimization with Fuzzy Modeling Approach[J].Energy and Buildings，2009，41：814-822.

[11]李國勇.神經模糊控制理論及應用[M].北京：電子工業出版社，2009.

[12]Yager R，Filev D.Generation of fuzzy rules by mountain clustering[J].Journal of Intelligent ＆ Fuzzy Systems，1994，2（3）：209-219.

[13]Hikmet E，Mustafa I，et al.Modelling aground-coupled heat pump system using adaptive neuro-fuzzy inference systems[J].International Journal of Refrigeration，2008，31：65-74.

[14]Sencan A，Kalogirou S A.A new approach using artificial neural networks for determination of the thermodynamic properties of fluid couples[J].Energy Convers.Manage.2005，46（15-16）：2405-2418.

[15]Chang F J，Chang Y J.Adaptive neuro-fuzzy inference system for prediction of water level in reservoir[J].Advances in Water Resources，2006，29：1-10.