空調系統負荷預測方法比較分析

沈岑 郁輝球 章威軍 麻劍鋒 任世琛

杭州哲達科技股份有限公司

空調系統負荷預測方法比較分析

沈岑 郁輝球 章威軍 麻劍鋒 任世琛

杭州哲達科技股份有限公司

預測負荷對設備的優化控制意義重大，利用杭州某醫院手術室空調機組的用電負荷，分別采用改進的季節性指數平滑法和徑向基神經網絡方法進行負荷預測研究。結果表明，對變化缺乏規律的負荷進行預測時，徑向基神經網絡方法的預測精度略高于改進的季節性指數平滑法。

負荷預測 指數平滑 徑向基神經網絡

0　引言

空調系統的負荷預測，對設備的高效運行有著重要的意義。在對空調系統的控制中，可根據預測負荷變化趨勢，合理調整設備啟停的強烈度；同時，根據未來的負荷變化曲線，合理安排設備間的負荷分配。但由于空調冷（熱）系統負荷具有時變性的特點，受室外氣象參數、人流量等因素的變化而變化。雖然其中室外氣象參數往往呈現周期性變化規律，但是人流量因素卻主要根據建筑區域的使用功能而定。而空調末端設備的用電負荷與冷（熱）負荷相比，還受設備效率的影響，但變化趨勢與冷（熱）負荷基本一致。

目前，負荷預測已成為研究探討的熱點。文獻[1～2]認為利用改進的季節性指數平滑法與季節性指數平滑法相比，可以進一步提高負荷預測精度，但同時文獻[2]認為負荷預測值和實測值的偏差控制在±15%以內，就可以在控制中進行利用。文獻[3]利用室外氣象參數、負荷等數據比較分析了多元線性回歸、季節性指數平滑法和神經網絡方法，認為多元線性回歸方法在大多數情況下都不可取，改進的季節性指數平滑法可勝任一般的工程應用，神經網絡方法的預測精度高，但建模復雜程度也最高。

以上文獻在驗證負荷預測方法時，所利用的建筑負荷變化相對較規律（辦公樓等），所以除了多元線性回歸外，改進的季節性指數平滑法和神經網絡方法的預測精度均能在10%以內。針對負荷變化不規律，且僅能獲得歷史用電負荷、溫度和濕度的條件下，對改進的季節性指數平滑法與神經網絡方法進行比較驗證。

1　實例概況

杭州某醫院標準潔凈手術室設計參數：溫度22℃，小于23.5℃；相對濕度40%～60%。在2013年6月12日至7月16日期間進行1#手術室和3#手術室空調機組的數據采集，主要包含用電量、室外溫度、室外相對濕度和空調機組送風狀態等參數。此外，還獲取了期間每日室外的預測最高溫度和最低溫度。

2　改進的季節性指數平滑法

文獻[1]中提供的改進的季節性指數平滑法，與一般的指數平滑法相比，它需要提供未來時刻的室外日平均溫度（通過氣象臺預測的最高、最低溫度獲得)，去掉了一個平滑項，并對水平因子進行修正。而其計算過程仍類似于溫特季節性指數平滑模型[4]。

分別對1#手術室和3#手術室的日用電負荷進行預測檢驗，得到的結果如圖1和圖2所示。

圖1　1#手術室用電負荷預測-實測對比

圖2　3#手術室用電負荷預測-實測對比

圖1和圖2表明，即使空調機組參數和室外環境參數都是相同的，但由于使用條件不同，3#手術室比1#手術室的負荷變化相對平穩，結果3#手術室日用電負荷預測值的加權平均絕對百分比誤差為12%，而1#手術室達到20%。所以當負荷變化不規律時，改進的季節性指數平滑法的預測精度就會降低。

其次另一個造成預測精度變低的原因，是改進的季節性指數平滑法輸入是預測的未來室外日平均溫度，但在測試期間，僅有87%的室外預測溫度與實測溫度的相對誤差在5%以內，意味著利用預測的室外日平均溫度本身就存在一定的誤差。

3　徑向基神經網絡方法

3.1影響因素分析

利用神經網絡方法對負荷進行預測，首先需要確定網絡結構內的輸入神經元。文獻[2]運用選元技術，確定了10個輸入參數，分別為實時和提前的室外溫度、太陽輻射值和空調機組使用數量等。

但對一般的空調系統而言，能獲得的參數主要包含歷史負荷、溫度和濕度等。因此，首先假設14個負荷影響因素，然后利用測試期間的實測數據，通過SPSS17.0對這14個影響因素進行相關性分析，去掉相關性＞0.9的因素，實際得到5個影響因素，如表1所示。

表1　負荷影響因素表

3.2徑向基神經網絡方法

由于徑向基（RBF）神經網絡與常用的BP神經網絡相比，網絡結構簡單、訓練速度快、學習精度高[5]。基于此，利用RBF神經網絡建立負荷預測模型[6～7]。其中5個影響因素作為自變量輸入層，則輸出層即t時刻用電負荷。

圖3　3#手術室逐時用電負荷預測-實測對比

利用測試期間3#手術室用電負荷所獲得的共600個樣本進行預測檢驗，其中將前500個樣本經線性插值生成2000個樣本用于訓練RBF網絡，最后用原600個樣本對RBF網絡建立的模型進行檢驗，檢驗結果得平均相對誤差為11.7%。

圖3是部分負荷預測檢驗結果，由圖3（a）可以看出，當逐時實測負荷變化平穩時，逐時預測負荷與逐時實測負荷基本保持一致，平均相對誤差僅為3.32%。但當逐時實測負荷波動大時，由圖3（b）可以看出，雖然逐時預測負荷變化趨勢與逐時實測負荷變化趨勢一致，但數值卻有一定偏離，平均相對誤差達14.17%。

4　結論

首先，使用的手術室空調用電負荷樣本與常規空調系統冷（熱）負荷樣本相比，受末端人流量變化影響更大，且其變化無規律可循，因而預測負荷的準確性偏低。

其次，RBF神經網絡預測的是逐時用電負荷，而改進的季節性指數平滑法預測的是日用電負荷。在精度上，無論是負荷平穩段或波動段，RBF神經網絡方法精度均略高于改進的季節性指數平滑法。

由于RBF神經網絡方法需要利用5個輸入因素，模型結構與只需要1個預測的日平均溫度輸入的改進的季節性指數平滑法相比復雜得多。因此針對負荷變化平穩，有規律的建筑可選擇改進的季節性指數平滑法，而對負荷變化無規律的建筑還是應選用徑向基神經網絡進行負荷預測，確保相應的預測精度。

最后，根據兩種方法進行負荷預測的結果，雖然在數值上存在一定的偏差，但是大致的變化趨勢都與實測的變化保持一致。因而均可預測負荷的變化趨勢，來對設備的啟停強烈度控制進行修正，并可提前對設備進行負荷分配。

[1]何大四,張旭.改進的季節性指數平滑法預測空調負荷分析[J].同濟大學學報(自然科學版),2005,(12):1672-1676

[2]李玉街,蔡小兵,郭林.中央空調系統模糊控制節能技術及應用[M].北京:中國建筑工業出版社,2010:309-311

[3]何大四,張旭,劉加平.常用空調負荷預測方法分析比較[J].西安建筑科技大學學報(自然科學版),2006,(1):125-129

[4]楊建南,李萍,李世云.溫特斯線性和季節性指數平滑法預測模型應用探討[J].中國數字醫學,2010,(11):49-51

[5]陳飛,梁金鳳,高鑄.基于徑向基神經網絡的燃氣日負荷預測[J].煤氣與熱力,2007,(5):18-19

[6]陳明.MATLAB神經網絡原理與實例精解[Z].北京:清華大學出版社,2013

[7]楊建強,羅先香.地下水動態預測的徑向基函數法[J].水文,2001,

Comparative analysis of air conditioning load prediction methods

SHEN Cen,YU Hui-qiu,ZHANG Wei-jun,MA Jian-feng,REN Shi-chen Hangzhou ZETA Technology Co.,Ltd.

Load prediction is very important for optimal control of equipment.This paper selects two predictive methods for carrying out load prediction of the hospital’s operating room:Seasonal Exponential Weight Moving Average(SEWMA),and Radial Basis Function(RBF)neural network,the result is that,RBF neural network is more accurate than SEWMA to predict the load varies irregularly.

load prediction,seasonal exponential weight moving average,RBF neural network

1003-0344（2015）06-046-3

2014-8-12

沈岑（1987～），女，碩士，工程師；杭州市西湖區教工路88號立元大廈6樓（310012）；E-mail:shencentracy@126.com