建筑負(fù)荷預(yù)測(cè)與空調(diào)系統(tǒng)運(yùn)行參數(shù)尋優(yōu)

1 概述

目前，我國既有公共建筑面積達(dá)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(diào)系統(tǒng)的能耗在建筑總能耗中占比通?？蛇_(dá)30%～40%

。降低暖通空調(diào)系統(tǒng)能耗是實(shí)現(xiàn)建筑節(jié)能的重要措施之一。

(1)樣本溫度計(jì)與標(biāo)準(zhǔn)溫度計(jì)測(cè)溫情況對(duì)比；(2)樣本溫度計(jì)變溫靈敏度測(cè)試；(3)溫度計(jì)的使用性能、安全系數(shù)；(4)溫度計(jì)的方便程度(由小組學(xué)生指導(dǎo)盲人后親身試驗(yàn))。

準(zhǔn)確預(yù)測(cè)建筑負(fù)荷是空調(diào)系統(tǒng)節(jié)能設(shè)計(jì)與運(yùn)行的基礎(chǔ)，較高的預(yù)測(cè)精度使人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中得到了應(yīng)用。Kusiak等人

采用神經(jīng)網(wǎng)絡(luò)建立能耗預(yù)測(cè)模型，并通過多目標(biāo)尋優(yōu)，確定優(yōu)化控制方案以實(shí)現(xiàn)能耗最小。蔣小強(qiáng)等人

通過能耗模擬平臺(tái)及數(shù)據(jù)處理得到不同負(fù)荷條件下，使制冷機(jī)房總能耗最小的冷水流量、冷卻水流量等參數(shù)，結(jié)果表明該控制方法比傳統(tǒng)變流量定溫差控制方法更加節(jié)能。李帆等人

以南京市某地源熱泵空調(diào)系統(tǒng)為實(shí)測(cè)對(duì)象，根據(jù)實(shí)際運(yùn)行數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型，預(yù)測(cè)相對(duì)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(jīng)網(wǎng)絡(luò)建立負(fù)荷預(yù)測(cè)模型并進(jìn)行驗(yàn)證，結(jié)果顯示：BP神經(jīng)網(wǎng)絡(luò)模型對(duì)負(fù)荷與各輸入變量有很好的映射能力。

本文采用人工神經(jīng)網(wǎng)絡(luò)建立建筑負(fù)荷預(yù)測(cè)模型，采用粒子群算法進(jìn)行空調(diào)系統(tǒng)設(shè)備運(yùn)行參數(shù)尋優(yōu)。結(jié)合工程實(shí)例，對(duì)某辦公建筑的負(fù)荷進(jìn)行預(yù)測(cè)，對(duì)設(shè)備運(yùn)行參數(shù)進(jìn)行尋優(yōu)。

2 負(fù)荷預(yù)測(cè)與設(shè)備運(yùn)行參數(shù)尋優(yōu)算法

2.1 負(fù)荷預(yù)測(cè)

人工神經(jīng)網(wǎng)絡(luò)模型具有自學(xué)習(xí)、自適應(yīng)能力強(qiáng)和容錯(cuò)性強(qiáng)等優(yōu)點(diǎn)，通過創(chuàng)建一系列類似于人腦的神經(jīng)元組成神經(jīng)網(wǎng)絡(luò)，使神經(jīng)網(wǎng)絡(luò)模型能夠從大量數(shù)據(jù)中學(xué)習(xí)，訓(xùn)練得到預(yù)測(cè)模型。為避免傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法收斂慢、效率低的缺點(diǎn)，本文采用經(jīng)Levenberg-Marquardt算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

。改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)包括輸入層、隱藏層和輸出層。

酒精雖有一定鎮(zhèn)靜催眠作用，但持續(xù)時(shí)間較短，大約3～4個(gè)小時(shí)睡意便會(huì)消失，酒精的催眠效應(yīng)消失后，身體就會(huì)出現(xiàn)心跳加快、呼吸急促等交感神經(jīng)興奮的癥狀，這時(shí)人們反而容易驚醒，甚至失眠。中國醫(yī)科大學(xué)附屬盛京醫(yī)院睡眠醫(yī)學(xué)中心副主任、教授肖莉表示，喝酒之后導(dǎo)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(shí)際上大腦皮層還在活動(dòng)，而且肝臟還要整晚代謝酒中的雜質(zhì)，這會(huì)增加肝臟負(fù)擔(dān)，對(duì)人體造成慢性損傷！

建筑負(fù)荷受到室外氣象參數(shù)(包括室外溫度、室外相對(duì)濕度等)、圍護(hù)結(jié)構(gòu)特性、使用功能等因素影響。對(duì)于既有辦公類建筑，其圍護(hù)結(jié)構(gòu)以及使用人員、設(shè)備等基本固定，因此室外氣象參數(shù)成為影響建筑負(fù)荷的主要因素。因此，本文選取室外溫度、室外相對(duì)濕度作為輸入層參數(shù)?？紤]到建筑具有熱惰性，分別選取前2 h、前1 h、當(dāng)前1 h的室外溫度、室外相對(duì)濕度作為負(fù)荷預(yù)測(cè)的影響因素

。即輸入層神經(jīng)元數(shù)量為6個(gè)。

采用MATLAB建立負(fù)荷預(yù)測(cè)模型，輸入層、隱藏層傳遞函數(shù)采用tansig函數(shù)，輸出層傳遞函數(shù)采用purelin函數(shù)，反向傳播的訓(xùn)練采用trainlm函數(shù)

。將數(shù)據(jù)樣本分為訓(xùn)練集、驗(yàn)證集，通過訓(xùn)練與驗(yàn)證直至符合精度要求。

隱藏層神經(jīng)元數(shù)量取2

+1

，

為輸入層的神經(jīng)元數(shù)量。即隱藏層神經(jīng)元數(shù)量為13個(gè)。本文建立的預(yù)測(cè)模型為多輸入-單輸出結(jié)構(gòu)，輸出層神經(jīng)元為當(dāng)前1 h的建筑負(fù)荷。

人，無論生于哪個(gè)時(shí)代，處于何方地界，都要不同程度的面對(duì)人“生”的煩惱和對(duì)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(biāo)，所以才有了對(duì)宗教的信仰和研究。對(duì)佛教而言，成佛是學(xué)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(tài)，而未成佛？為了解釋這一點(diǎn)，首先要了解一下對(duì)佛性的不同稱謂。隨著佛教的發(fā)展，“佛性”一詞有了更多的異名，如：中道、涅槃、法性、真如、實(shí)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(dá)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(shù)據(jù)歸一化處理

采用極大極小值法，對(duì)輸入層、輸出層參數(shù)進(jìn)行歸一化處理，以避免神經(jīng)網(wǎng)絡(luò)收斂慢、訓(xùn)練時(shí)間長等問題

。

④ 負(fù)荷預(yù)測(cè)模型的建立

粒子群算法在尋優(yōu)過程中，用一個(gè)粒子來模擬群集中的個(gè)體，每個(gè)粒子可視為多維搜索空間中的1個(gè)搜索個(gè)體，粒子的當(dāng)前位置即為對(duì)應(yīng)優(yōu)化問題的1個(gè)候選解，粒子的飛行過程即為該個(gè)體的搜索過程。粒子的飛行速度可根據(jù)粒子歷史最優(yōu)位置和群集歷史最優(yōu)位置進(jìn)行動(dòng)態(tài)調(diào)整。粒子僅具有2項(xiàng)屬性：速度、位置。每個(gè)粒子單獨(dú)搜尋的最優(yōu)解稱為個(gè)體極值，群集中最優(yōu)的個(gè)體極值作為當(dāng)前全局最優(yōu)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(yōu)解。

② 隱藏層、輸出層

2.2 設(shè)備運(yùn)行參數(shù)尋優(yōu)算法：粒子群算法

警察說，這項(xiàng)制度是警察對(duì)遭遇特殊困難的人實(shí)施的一項(xiàng)緊急資金救助措施，主要應(yīng)對(duì)4種情況：第一，外出時(shí)被盜或錢包遺失者的交通費(fèi)；第二，對(duì)于失蹤者實(shí)施保護(hù)時(shí)所需要的應(yīng)急費(fèi)用；第三，倒在路上的病人的保護(hù)費(fèi)用和對(duì)遭遇交通事故等負(fù)傷者進(jìn)行救護(hù)時(shí)所需要的費(fèi)用；第四，其他認(rèn)為有必要實(shí)施救助的費(fèi)用。

① 輸入層

后來，崎嶇的小路延展成了康莊大道，涓涓細(xì)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(tài)。

3 實(shí)例應(yīng)用與分析

3.1 工程概況

數(shù)據(jù)采集時(shí)間為2020年7月1日—31日，包括室外溫度、室外相對(duì)濕度、冷水質(zhì)量流量、冷水供水溫度、冷水回水溫度、空調(diào)系統(tǒng)耗電量。數(shù)據(jù)采樣間隔為1 h，共采集得到184組數(shù)據(jù)。將室外溫度、室外相對(duì)濕度作為預(yù)測(cè)模型輸入，由冷水質(zhì)量流量、供水溫度、回水溫度計(jì)算空調(diào)系統(tǒng)供冷量。在室內(nèi)滿足溫度要求的前提下，將計(jì)算得到的空調(diào)系統(tǒng)供冷量作為建筑負(fù)荷。為保證預(yù)測(cè)準(zhǔn)確性，采用中位值平均濾波算法對(duì)采集數(shù)據(jù)進(jìn)行處理，去除實(shí)際數(shù)據(jù)中的隨機(jī)誤差。處理后得到有效數(shù)據(jù)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(gè)成員通過學(xué)習(xí)自身的經(jīng)驗(yàn)和其他成員的經(jīng)驗(yàn)不斷改變搜索模式。

以青島市某辦公樓空調(diào)系統(tǒng)為研究對(duì)象。辦公樓空調(diào)面積為4.3×10

m

，空調(diào)系統(tǒng)工作時(shí)間為工作日的8:00—16:00?？照{(diào)系統(tǒng)主要設(shè)備額定參數(shù)與配置數(shù)量見表1。

3.2 負(fù)荷預(yù)測(cè)

采用MATLAB建立負(fù)荷預(yù)測(cè)模型，隨機(jī)將數(shù)據(jù)樣本的70%作為訓(xùn)練集，30%作為驗(yàn)證集。將驗(yàn)證集數(shù)據(jù)代入預(yù)測(cè)模型，由預(yù)測(cè)結(jié)果可知，建筑負(fù)荷預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的平均相對(duì)誤差為7.7%。這說明預(yù)測(cè)模型具有較好的預(yù)測(cè)能力。

3.3 設(shè)備運(yùn)行參數(shù)尋優(yōu)

粒子群算法通過TRNSYS中TRNOPT模塊外接的GenOpt的JAVA程序?qū)崿F(xiàn)，通過設(shè)置自變量的定義、目標(biāo)函數(shù)、約束條件、尋優(yōu)算法等，求解最優(yōu)化的自變量。自變量為連續(xù)變量，選擇的優(yōu)化算法為帶慣性權(quán)重的粒子群優(yōu)化算法(Particle Swarm Optimization with inertia weight)。目標(biāo)函數(shù)為當(dāng)前負(fù)荷下空調(diào)系統(tǒng)的耗電量。

2.4 合理負(fù)載，提高葉果比 設(shè)施冬棗畝產(chǎn)量不宜超過1 500 kg，葉果比調(diào)節(jié)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(yōu)過程中，為保障空調(diào)系統(tǒng)安全穩(wěn)定運(yùn)行，保證末端房間制冷、除濕效果，對(duì)所優(yōu)化自變量進(jìn)行約束，即將尋優(yōu)參數(shù)限制在可行范圍內(nèi)。為保證機(jī)組蒸發(fā)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(jī)安全運(yùn)行，限制水泵、風(fēng)機(jī)最低工作頻率為35 Hz

。根據(jù)GB 50736—2012《民用建筑供暖通風(fēng)與空氣調(diào)節(jié)設(shè)計(jì)規(guī)范》，室內(nèi)溫度范圍限制在24～26 ℃。根據(jù)冷水機(jī)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(yōu)結(jié)果見表2。

采用TRNSYS軟件建立該辦公樓空調(diào)系統(tǒng)仿真模型，按優(yōu)化后的設(shè)備運(yùn)行參數(shù)，對(duì)2020年7月1日—31日空調(diào)系統(tǒng)耗電量進(jìn)行模擬。仿真結(jié)果為27 619 kW·h，實(shí)際耗電量為30 648 kW·h。模擬耗電量比實(shí)際耗電量低9.9%。

4 結(jié)論

① 建筑負(fù)荷預(yù)測(cè)結(jié)果與實(shí)際負(fù)荷的平均相對(duì)誤差為7.7%，預(yù)測(cè)模型具有較好的預(yù)測(cè)能力。

② 采用TRNSYS軟件建立該辦公樓空調(diào)系統(tǒng)仿真模型，按優(yōu)化后的設(shè)備運(yùn)行參數(shù)，對(duì)空調(diào)系統(tǒng)耗電量進(jìn)行模擬，模擬耗電量比實(shí)際耗電量低9.9%。

[1] 清華大學(xué)建筑節(jié)能研究中心. 2020中國建筑節(jié)能年度發(fā)展研究報(bào)告[M]. 北京：中國建筑工業(yè)出版社，2020：5-7.

[2] 孫洪鵬，陳晨，張廣智. 國內(nèi)大型公共建筑空調(diào)系統(tǒng)運(yùn)行管理現(xiàn)狀調(diào)查研究[J]. 建筑節(jié)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(qiáng)，龍惟定，李敏. 制冷機(jī)房冷水和冷卻水變流量解耦控制策略[J]. 重慶大學(xué)學(xué)報(bào)，2010(6)：6-12.

[5] 李帆，曲世琳，于丹，等. 基于運(yùn)行數(shù)據(jù)人工神經(jīng)網(wǎng)絡(luò)的空調(diào)系統(tǒng)逐時(shí)負(fù)荷預(yù)測(cè)[J]. 建筑科學(xué)，2014(2)：72-75.

[6] 陳銳彬，李澤奇，黃永益. 基于BP神經(jīng)網(wǎng)絡(luò)模型的大型公共建筑冷負(fù)荷預(yù)測(cè)[J]. 建設(shè)科技，2019(1)：38-42.

[7] 李中顯. 基于LM-BP神經(jīng)網(wǎng)絡(luò)的采摘機(jī)器人智能運(yùn)動(dòng)策略研究[J]. 農(nóng)機(jī)化研究，2020(7)：224-227，232.

[8] 安建月，鄧仕鈞，鄧翔，等. 基于負(fù)荷預(yù)測(cè)的中央空調(diào)制冷系統(tǒng)能耗綜合優(yōu)化[J]. 建筑熱能通風(fēng)空調(diào)，2019(4)：1-5.

[9] 張吉禮. 模糊-神經(jīng)網(wǎng)絡(luò)控制原理與工程應(yīng)用[M]. 哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2004：102-103.

[10] 夏曉靖，高尚，陳虹麗. 基于神經(jīng)網(wǎng)絡(luò)的燃?xì)馊肇?fù)荷智能預(yù)測(cè)方法[J]. 應(yīng)用科技，2020(2)：23-28.

[11] 陳明. MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M]. 北京：清華大學(xué)出版社，2013：166-176.

[12] 黃建恩，呂恒林，馮偉. 空調(diào)系統(tǒng)冷水循環(huán)水泵變頻運(yùn)行的變溫差控制[J]. 環(huán)境工程，2011(6)：103-106，131.

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