基于Sine-SSA-BP算法的建筑物制冷量預(yù)測(cè)

姚浩然,李成鑫,楊 平,鄭秀娟

(四川大學(xué)電氣工程學(xué)院,四川 成都 610065)

1 引言

建筑制冷系統(tǒng)作為建筑物的重要組成部分,能耗占建筑物總能耗的40%～50%[1]。在“碳達(dá)峰、碳中和”提出的背景下,提高能源利用效率刻不容緩。研究建筑制冷系統(tǒng)負(fù)荷變化趨勢(shì),并建立合理的負(fù)荷預(yù)測(cè)模型,是進(jìn)行能源調(diào)度和提高能源利用率的基礎(chǔ)[2]。目前,有關(guān)建筑物冷負(fù)荷預(yù)測(cè)的方法可分為兩類:基于物理模型的預(yù)測(cè)方法和由數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法[3]。物理預(yù)測(cè)模型主要是根據(jù)建筑物有關(guān)信息,基于熱動(dòng)力學(xué)知識(shí),使用EnergyPlus、BLAST、DEST等仿真軟件模擬出建筑物內(nèi)部的能耗。此類方法需要大量建筑物內(nèi)部的信息,耗時(shí)耗力,非常不便。

數(shù)據(jù)驅(qū)動(dòng)法無需了解建筑物內(nèi)部復(fù)雜的物理機(jī)理,只需使用建筑物的歷史負(fù)荷信息和相關(guān)影響因素,通過算法建立兩者之間的映射關(guān)系來預(yù)測(cè)未來時(shí)刻的負(fù)荷。常用的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型有ARIMA[4]、SVM[5]、BP神經(jīng)網(wǎng)絡(luò)[6,7]等。ARIMA模型對(duì)平穩(wěn)性強(qiáng)的序列具有很好的預(yù)測(cè)效果,但對(duì)復(fù)雜序列預(yù)測(cè)精度較低;SVM對(duì)于小樣本數(shù)據(jù)有很好的非線性擬合效果,當(dāng)數(shù)據(jù)量過大時(shí)處理速度緩慢;BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)功能和良好的非線性函數(shù)逼近效果,被廣泛應(yīng)用于冷量預(yù)測(cè)問題中,但存在過早收斂導(dǎo)致預(yù)測(cè)精度不高的問題[7]。已有文獻(xiàn)提出使用粒子群算法(Particle Swarm Optimization,PSO)[8]和遺傳算法(Genetic Algorithm,GA)[9]解決此類問題,取得了一定效果,但仍存在陷入局部最優(yōu)、收斂速度較慢的問題。

麻雀搜索算法(Sparrow Search Algorithm, SSA)是于2020年提出的一種新型啟發(fā)式算法,與PSO和GA相比,具有速度快,精度高,參數(shù)少等優(yōu)點(diǎn),有很強(qiáng)的工程應(yīng)用潛力[10]。……