建筑負荷預測與空調系統運行參數尋優

1 概述

目前，我國既有公共建筑面積達128×10

m

，占建筑總量的21%。公共建筑的能耗占全國建筑總能耗的33%

，暖通空調系統的能耗在建筑總能耗中占比通?？蛇_30%～40%

。降低暖通空調系統能耗是實現建筑節能的重要措施之一。

(1)樣本溫度計與標準溫度計測溫情況對比；(2)樣本溫度計變溫靈敏度測試；(3)溫度計的使用性能、安全系數；(4)溫度計的方便程度(由小組學生指導盲人后親身試驗)。

準確預測建筑負荷是空調系統節能設計與運行的基礎，較高的預測精度使人工神經網絡在空調系統中得到了應用。Kusiak等人

采用神經網絡建立能耗預測模型，并通過多目標尋優，確定優化控制方案以實現能耗最小。蔣小強等人

通過能耗模擬平臺及數據處理得到不同負荷條件下，使制冷機房總能耗最小的冷水流量、冷卻水流量等參數，結果表明該控制方法比傳統變流量定溫差控制方法更加節能。李帆等人

以南京市某地源熱泵空調系統為實測對象，根據實際運行數據建立人工神經網絡負荷預測模型，預測相對誤差為5.2%左右。陳銳彬等人

以深圳某大型公共建筑為例，采用BP神經網絡建立負荷預測模型并進行驗證，結果顯示：BP神經網絡模型對負荷與各輸入變量有很好的映射能力。

本文采用人工神經網絡建立建筑負荷預測模型，采用粒子群算法進行空調系統設備運行參數尋優。結合工程實例，對某辦公建筑的負荷進行預測，對設備運行參數進行尋優。

2 負荷預測與設備運行參數尋優算法

2.1 負荷預測

人工神經網絡模型具有自學習、自適應能力強和容錯性強等優點，通過創建一系列類似于人腦的神經元組成神經網絡，使神經網絡模型能夠從大量數據中學習，訓練得到預測模型。為避免傳統BP神經網絡算法收斂慢、效率低的缺點，本文采用經Levenberg-Marquardt算法改進的BP神經網絡

。改進后的BP神經網絡拓撲結構包括輸入層、隱藏層和輸出層。

酒精雖有一定鎮靜催眠作用，但持續時間較短，大約3～4個小時睡意便會消失，酒精的催眠效應消失后，身體就會出現心跳加快、呼吸急促等交感神經興奮的癥狀，這時人們反而容易驚醒，甚至失眠。中國醫科大學附屬盛京醫院睡眠醫學中心副主任、教授肖莉表示，喝酒之后導致的睡眠與正常生理性睡眠是不同的，這種睡眠看似睡得熟，實際上大腦皮層還在活動，而且肝臟還要整晚代謝酒中的雜質，這會增加肝臟負擔，對人體造成慢性損傷！

建筑負荷受到室外氣象參數(包括室外溫度、室外相對濕度等)、圍護結構特性、使用功能等因素影響。對于既有辦公類建筑，其圍護結構以及使用人員、設備等基本固定，因此室外氣象參數成為影響建筑負荷的主要因素。因此，本文選取室外溫度、室外相對濕度作為輸入層參數?？紤]到建筑具有熱惰性，分別選取前2 h、前1 h、當前1 h的室外溫度、室外相對濕度作為負荷預測的影響因素

。即輸入層神經元數量為6個。

采用MATLAB建立負荷預測模型，輸入層、隱藏層傳遞函數采用tansig函數，輸出層傳遞函數采用purelin函數，反向傳播的訓練采用trainlm函數

。將數據樣本分為訓練集、驗證集，通過訓練與驗證直至符合精度要求。

隱藏層神經元數量取2

+1

，

為輸入層的神經元數量。即隱藏層神經元數量為13個。本文建立的預測模型為多輸入-單輸出結構，輸出層神經元為當前1 h的建筑負荷。

人，無論生于哪個時代，處于何方地界，都要不同程度的面對人“生”的煩惱和對人“死”的恐懼，從這種精神境界上講，超脫生死便成了人的終極目標，所以才有了對宗教的信仰和研究。對佛教而言，成佛是學佛的真正目的，既然佛性人本具足，為什么人仍處于“人”的狀態，而未成佛？為了解釋這一點，首先要了解一下對佛性的不同稱謂。隨著佛教的發展，“佛性”一詞有了更多的異名，如：中道、涅槃、法性、真如、實際、法界、如來藏……等等。這些不同的稱謂，在不同的語境中所表達的意義并不完全一樣，但都和佛性基本相同或相通?！叭鐏聿亍迸c“佛性”相通，佛教用如來藏理論來說明人未成佛之因。

③ 數據歸一化處理

采用極大極小值法，對輸入層、輸出層參數進行歸一化處理，以避免神經網絡收斂慢、訓練時間長等問題

。

④ 負荷預測模型的建立

粒子群算法在尋優過程中，用一個粒子來模擬群集中的個體，每個粒子可視為多維搜索空間中的1個搜索個體，粒子的當前位置即為對應優化問題的1個候選解，粒子的飛行過程即為該個體的搜索過程。粒子的飛行速度可根據粒子歷史最優位置和群集歷史最優位置進行動態調整。粒子僅具有2項屬性：速度、位置。每個粒子單獨搜尋的最優解稱為個體極值，群集中最優的個體極值作為當前全局最優解。通過不斷迭代，更新速度和位置，直到得到滿足終止條件的最優解。

② 隱藏層、輸出層

2.2 設備運行參數尋優算法：粒子群算法

警察說，這項制度是警察對遭遇特殊困難的人實施的一項緊急資金救助措施，主要應對4種情況：第一，外出時被盜或錢包遺失者的交通費；第二，對于失蹤者實施保護時所需要的應急費用；第三，倒在路上的病人的保護費用和對遭遇交通事故等負傷者進行救護時所需要的費用；第四，其他認為有必要實施救助的費用。

① 輸入層

后來，崎嶇的小路延展成了康莊大道，涓涓細流漸漸聚成力量，那朵不被看好的小花依托著泥濘的土地，一步步長成想要的姿態。

3 實例應用與分析

3.1 工程概況

數據采集時間為2020年7月1日—31日，包括室外溫度、室外相對濕度、冷水質量流量、冷水供水溫度、冷水回水溫度、空調系統耗電量。數據采樣間隔為1 h，共采集得到184組數據。將室外溫度、室外相對濕度作為預測模型輸入，由冷水質量流量、供水溫度、回水溫度計算空調系統供冷量。在室內滿足溫度要求的前提下，將計算得到的空調系統供冷量作為建筑負荷。為保證預測準確性，采用中位值平均濾波算法對采集數據進行處理，去除實際數據中的隨機誤差。處理后得到有效數據172組。

粒子群算法(PSO)模仿昆蟲、獸群、鳥群和魚群等的群集行為，這些群體按照一種合作方式尋找食物，群體中的每個成員通過學習自身的經驗和其他成員的經驗不斷改變搜索模式。

以青島市某辦公樓空調系統為研究對象。辦公樓空調面積為4.3×10

m

，空調系統工作時間為工作日的8:00—16:00?？照{系統主要設備額定參數與配置數量見表1。

3.2 負荷預測

采用MATLAB建立負荷預測模型，隨機將數據樣本的70%作為訓練集，30%作為驗證集。將驗證集數據代入預測模型，由預測結果可知，建筑負荷預測結果與實際結果的平均相對誤差為7.7%。這說明預測模型具有較好的預測能力。

3.3 設備運行參數尋優

粒子群算法通過TRNSYS中TRNOPT模塊外接的GenOpt的JAVA程序實現，通過設置自變量的定義、目標函數、約束條件、尋優算法等，求解最優化的自變量。自變量為連續變量，選擇的優化算法為帶慣性權重的粒子群優化算法(Particle Swarm Optimization with inertia weight)。目標函數為當前負荷下空調系統的耗電量。

2.4 合理負載，提高葉果比 設施冬棗畝產量不宜超過1 500 kg，葉果比調節到6～8∶1，坐果后可通過降低溫度抑制棗吊生長，棗吊不摘心，提高葉果比。

在尋優過程中，為保障空調系統安全穩定運行，保證末端房間制冷、除濕效果，對所優化自變量進行約束，即將尋優參數限制在可行范圍內。為保證機組蒸發器、冷凝器流量不小于冷水、冷卻水額定流量的60%

，保證水泵及冷卻塔的電機安全運行，限制水泵、風機最低工作頻率為35 Hz

。根據GB 50736—2012《民用建筑供暖通風與空氣調節設計規范》，室內溫度范圍限制在24～26 ℃。根據冷水機組廠家提供的性能曲線，冷水供水溫度范圍限制在7～12 ℃。尋優結果見表2。

采用TRNSYS軟件建立該辦公樓空調系統仿真模型，按優化后的設備運行參數，對2020年7月1日—31日空調系統耗電量進行模擬。仿真結果為27 619 kW·h，實際耗電量為30 648 kW·h。模擬耗電量比實際耗電量低9.9%。

4 結論

① 建筑負荷預測結果與實際負荷的平均相對誤差為7.7%，預測模型具有較好的預測能力。

② 采用TRNSYS軟件建立該辦公樓空調系統仿真模型，按優化后的設備運行參數，對空調系統耗電量進行模擬，模擬耗電量比實際耗電量低9.9%。

[1] 清華大學建筑節能研究中心. 2020中國建筑節能年度發展研究報告[M]. 北京：中國建筑工業出版社，2020：5-7.

[2] 孫洪鵬，陳晨，張廣智. 國內大型公共建筑空調系統運行管理現狀調查研究[J]. 建筑節能，2020(10)：8-13.

[3] KUSIAK A，XU G，TANG F. Optimization of an HVAC system with a strength multi-objective particle-swarm algorithm[J]. Energy，2011(10)：5935-5943.

[4] 蔣小強，龍惟定，李敏. 制冷機房冷水和冷卻水變流量解耦控制策略[J]. 重慶大學學報，2010(6)：6-12.

[5] 李帆，曲世琳，于丹，等. 基于運行數據人工神經網絡的空調系統逐時負荷預測[J]. 建筑科學，2014(2)：72-75.

[6] 陳銳彬，李澤奇，黃永益. 基于BP神經網絡模型的大型公共建筑冷負荷預測[J]. 建設科技，2019(1)：38-42.

[7] 李中顯. 基于LM-BP神經網絡的采摘機器人智能運動策略研究[J]. 農機化研究，2020(7)：224-227，232.

[8] 安建月，鄧仕鈞，鄧翔，等. 基于負荷預測的中央空調制冷系統能耗綜合優化[J]. 建筑熱能通風空調，2019(4)：1-5.

[9] 張吉禮. 模糊-神經網絡控制原理與工程應用[M]. 哈爾濱：哈爾濱工業大學出版社，2004：102-103.

[10] 夏曉靖，高尚，陳虹麗. 基于神經網絡的燃氣日負荷智能預測方法[J]. 應用科技，2020(2)：23-28.

[11] 陳明. MATLAB神經網絡原理與實例精解[M]. 北京：清華大學出版社，2013：166-176.

[12] 黃建恩，呂恒林，馮偉. 空調系統冷水循環水泵變頻運行的變溫差控制[J]. 環境工程，2011(6)：103-106，131.

[13] 李龍. 空調冷卻水系統變頻節能分析[J]. 暖通空調，2020(8)：65-69.