基于概率神經網絡的暖通空調節能系統分析

吳海員

(山東省青島市廣播電視臺 后勤保衛部，山東 青島266073)

1 概述

暖通系統是現代城市建筑不可或缺的公用設施，隨著經濟不斷發展，人們對現代樓宇的熱舒適環境要求不斷提升。21 世紀以來，人類環保意識逐步提升，綠色節能可持續等理念應用到現代城市化進程之中，暖通空調在現代樓宇建筑中對能源的消耗量占據30%-55%不等或者占比更高，降低暖通空調能源消耗稱為急需解決的問題，青島市目前對節能降耗非常重視[1]。

暖通空調控制由簡單控制方案、數字控制方案和邏輯編程控制方案發展到目前較為流行的基于神經網絡的控制方案。由于傳統的控制方法無法同時兼顧非線性數據和數據時序性的特點，當某項參數發生劇烈變化時，系統對暖通空調的控制作用會降低，一般只適用于小型暖通空調的節能控制[2-3]。本文采用了基于概率神經網絡的控制方案，首先對數據進行預處理，去除異常數據和壞值，然后對數據進行歸一化處理，將數據分為訓練集和測試集，驗證神經網絡的準確性。當測試集輸出結果正確率超過90%時，證明該網絡具有較高的實用性。

2 暖通空調模型建立

2.1 概率神經網絡理論

概率神經網絡(PNN)有以Parzen 窗的概率密度函數估計方法和Bayes 決策理論為理論基礎這兩種，它是從徑向基函數演變過來的，屬于前饋型神經網絡。在實際工程應用中，使用PNN解決數據分類問題，是利用線性學習算法和非線性學習算法來解決問題。輸入層、模式層、求和層、輸出層這四個層次組成了概率神經網絡模型，它比較容易被訓練，而且精度還比較高，網絡基本結構圖如圖1 所示。

圖1 PNN 基本結構圖

輸入層：主要功能為接受訓練樣本傳輸來的數據，該層的神經元的數量等于輸入向量的長度，經過該層訓練后，把訓練好的各類數據傳送到下一個模式層。

模式層：主要功能為展現出有訓練樣本中每個模和從輸入層傳輸的特征向量之間的對應關系，該層的神經元的數量等于全部訓練樣本的數量。當收到來自傳輸層的向量x 后，與模式層的第i 類樣本的第j 個神經元相匹配的輸入和輸出關系是

求和層: 主要功能為運算，該層的神經元個數與樣本層的總數相同，神經元只與模式層相應的神經元連接，把模式層中同類模式層的神經元的輸出進行加權平均，關系如下：

式中：fi為第i 類的輸出；L 為第i 類的神經元個數。

輸出側：主要功能為接收求和層的輸出，該層由競爭神經元構成，具有與求和層相等的神經元數量，每個神經元都有一種模式與其相匹配。它就是為了是接收求和層輸出的結果，然后在輸出層的全部神經元中找一個神經元它的后驗概率密度最大，其輸出為1，其余的神經元輸出為0。

PNN 模型不論訓練數據與種類間的關系有多復雜，只要訓練樣本的數量有很多，它就能確保收斂到Bayes 分類器，得到貝葉斯準則下的最優解。

2.2 降耗策略

中央空調系統降低能耗（提高能效比）主要通過以下措施有：

2.2.1 提高蒸發溫度（T2），降低冷凝溫度（T1），降低(T1-T2)溫差。經驗值，每降低1，主機能效提高3%。

2.2.2 水泵降頻，水泵的能耗與轉速的三次方成正比，即水泵降頻運行會大幅節省水泵能耗。

2.2.3 提前預測水系統的滯后性。

2.2.4 動態調節各類參數，在某一特定空間，對空氣溫度、濕度、空氣流動速度及清潔度進行人工空氣調節，以滿足人體舒適的要求。

圖2 系統訓練流程圖

2.3 數據處理

為了實現降耗策略，在本系統中，選取了供水溫度、回水溫度、室外溫度、露點溫度、相對濕度、風速和天氣狀況作為輸入數據，如表1 所示。

表1 輸入數據

系統輸出為四種運行模式：低功率模式、二級功率模式、三級功率模式和高功率模式，如表2 所示。

表2 輸出數據

2.4 系統模型建立與訓練

選取青島市某樓宇空凋運行的6000 組數據作為訓練數據用于訓練模型，再選取100 組測試數據用于檢測模型輸出正確率，系統訓練流程圖如圖2 所示。

按照圖2 流程進行訓練，得出系統運行的節能控制策略。實驗結果表明，與傳統的控制方案相比，概率神經網絡模型預測結果和原始數據高度擬合，不存在數據的漂移現象。通過分析輸入數據，可以看出，在整合數據的相關性和時序性之后，模型的預測沒有隨著時間的變化而出現控制精度下降的現象，因此，概率神經網絡具有更加優秀的控制能力。

結束語

針對暖通空調系統節能降耗的問題，通過對空調設備運行數據的采集分析，結合深度學習控制算法，提出了一種基于概率神經網絡的節能控制策略，為暖通空調系統節能運行提供控制方案，具有一定的實際應用價值。