大型商場建筑夏季冷負荷動態(tài)預測模型

李慧 段培永 劉鳳英

摘 要：夏季建筑冷負荷的正確預測是實現(xiàn)大型復雜中央空調優(yōu)化運行、節(jié)能降耗的關鍵。筆者探討了商場建筑冷負荷的主要影響因素，確定了建筑動態(tài)冷負荷預測模型的輸入，提出了夏季基于新風機組供電頻率的商場顧客率間接測量方法，解決了商場內顧客量難以檢測的難題。還提出了AFCHCMAC神經網絡預測模型算法，實現(xiàn)了大型商場建筑冷負荷的動態(tài)預測。仿真結果表明：顧客率在商場冷負荷預測中占有重要地位，在冷負荷預測模型中增加商場顧客率可顯著提高預測精度；AFCHCMAC神經網絡預測算法與傳統(tǒng)的HCMAC神經網絡算法比較，可有效降低神經網絡節(jié)點數(shù)，提高預測精度。

關鍵詞：冷負荷；動態(tài)預測；模糊聚類；數(shù)據

中圖分類號：TU111.3

文獻標志碼：A 文章編號：16744764（2016）02010407

Abstract： The accurate energy consumption perdition for building is critical to improve the energy efficient of the operation of the operation of largescale central air conditioning system in summer. Firstly， the influencing factors of cooling load were identified to determine the inputs of cooling load predition model. Then， the indirect measurement method was proposed to obtain the shopper rate based on the supply frequencies of new wind8units to identify the custom number in summer. Last， an AFCHCMAC neural network algorithm is proposed to for dynamic cooling load prediction. The results show that compared with the traditional HCMAC algorithm， the proposed AFCHCMAC algorithm can effectively reduce the neural network nodes and improve the prediction accuracy. The shoppers rate plays an important role in the cooling load prediction for shopping mall. Increasing shopper rate in the inputs of prediction model can significantly improve the prediction accuracy of dynamical cooling load forecasting for shopping mall.

Keywords：cooling load； dynamical prediction； fuzzy clustering； data

隨著中國社會經濟的快速發(fā)展，能源供需矛盾和環(huán)境壓力日益突出，目前，建筑運行能耗約占全社會總能耗的30%，單位建筑能耗面積是發(fā)達國家的2～3倍[1]，對社會造成了沉重的能源負擔和嚴重的環(huán)境污染，已成為制約中國可持續(xù)發(fā)展的主要問題。在所有建筑中，大型商場建筑對舒適性要求高，空調系統(tǒng)運行時間長，其空調系統(tǒng)單位建筑的能耗為城鎮(zhèn)建筑能耗的5倍 [2]。因此，研究大型商場建筑復雜中央空調系統(tǒng)的優(yōu)化運行，實現(xiàn)節(jié)能降耗具有重要的經濟效益和社會意義，而正確預測商場建筑的冷負荷，根據用戶的需要提供冷量是實現(xiàn)大型復雜中央空調優(yōu)化運行、節(jié)能降耗的關鍵。

建筑冷負荷與建筑幾何尺寸、建筑材料、氣象參數(shù)、人員、設備散熱等因素有關。目前，建筑冷熱負荷預測方法主要有回歸分析法、仿真模型法和人工神經網絡法?；貧w分析法主要包括多元線性回歸模型（MLR）[3]、自回歸（AR）模型[4]， 和帶外部輸入的自回歸模型（ARX）[5]。對于MLR算法由于建筑冷負荷受多種變量的影響，且具有嚴重的非線性，所以預測精度一般不高。對于AR模型，由于該模型的輸入僅為建筑冷負荷的歷史數(shù)據，而沒有考慮其他因素，所以預測精度也很難滿足實際要求。ARX模型是將MLR與AR結合到一起形成的，該模型即考慮了歷史數(shù)據對當前負荷預測的影響，也考慮了外界氣象參數(shù)對負荷預測的影響，因此，該方法的預測精度優(yōu)于MLR、AR方法。仿真模型法采用專業(yè)仿真軟件通過輸入建筑信息和氣象數(shù)據仿真得到建筑的逐時冷負荷，比較典型的仿真軟件有EnergyPlus[6]、TRNSYS[7]、ESPr[8]和DeST[9]等。該方法的特點是仿真信息復雜，專業(yè)性強，主要用于冷、熱能系統(tǒng)的規(guī)劃和設計。人工神經網絡[10]方法由于具有很好的學習功能，在建筑冷負荷預測方面得到了廣泛的應用。主要有BenNakhi模型[11]、Moon模型[12]、Ekici模型[13]、Dombayci模型[14]、Gonzalez模型[15]、Yang模型[16]和Paudel模型[17]等。當建筑結構和功能確定后，如何根據氣象參數(shù)、人員時空分布等信息在線動態(tài)預測建筑冷負荷是非常必要的。室外氣象參數(shù)（溫度、濕度、太陽輻射等）的檢測可以采用常規(guī)的傳感器，比較容易實現(xiàn)，而對于人員時空分布信息，測量難度大，費用高，導致當前模型很少考慮人員分布情況，冷負荷預測方法主要為靜態(tài)預測。文獻[18]為了區(qū)分不同人員時空分布對負荷預測的影響，將預測模型分為工作日、周末、假日3種不同模型，該方法在一定程度上克服了不同人員數(shù)量對負荷預測的影響，主要適用于室內人員時空分布比較規(guī)律的辦公寫字樓。對于商場建筑，由于客流量的不確定性，該方法很難實現(xiàn)商場內冷負荷的動態(tài)準確預測，難以應用到實際工程。筆者首先根據商場建筑冷負荷的特點，確定建筑冷負荷預測模型的輸入參數(shù)；然后提出了夏季基于新風機組供電頻率的商場顧客率間接測量方法，在不增加硬件投資的條件下實現(xiàn)了商場人員時空分布信息的測量；最后提出AFCHCMAC（Adaptive Fuzzy ClusteringHyperball Cerebellar Model Articulation Controller）神經網絡算法用于建立建筑冷負荷在線動態(tài)預測模型，實現(xiàn)了建筑冷負荷的在線動態(tài)精確預測。

1 不同參數(shù)對建筑冷負荷的影響

商場建筑冷負荷主要受5個方面的因素影響：1）建筑本體特性，主要包括建筑方位、幾何尺寸、建筑材料、窗墻比等；2）外界氣象參數(shù)；3）室內溫度設定值；4）人員時空分布；5）用電設備散熱。對于影響因素1）建筑本體特性參數(shù)，當某一建筑建成后，該建筑方位、幾何尺寸、建筑材料、窗墻比等參數(shù)值亦確定，因此對于同一建筑，其值為常量。對于影響因素3）室內溫度設定值，盡管對于個性化空調，空調溫度設定值通常根據不同用戶偏好取不同設定值，但由于大型商場內顧客流動性大，室內溫度設定值通常按照國家標準定為26 ℃，看作定值。對于影響因素5）用電設備散熱，在大型商場內主要為電氣照明散熱。商場內安裝大量的照明設施，從柜臺、墻、柱到頂棚都布滿了照明燈具，照明燈具在工作過程中，產生大量的熱，致使燈泡、燈管以及燈座的表面溫度較高，為了提高商場內環(huán)境的視覺舒適，在營業(yè)期間照明一般處于全開的狀態(tài)，因此大型商場在營業(yè)時間設備散熱可看作定值。由上分析，在商場建筑冷負荷預測模型中可不考慮建筑本體、室內溫度設定值和設備散熱對建筑冷負荷的影響。因此在預測模型輸入中主要包括室外氣象參數(shù)和人員數(shù)。根據文獻[19]室外氣象參數(shù)為當前時刻室外溫度To、室外濕度Ho和室外太陽輻射Ro，由于太陽輻射對室內溫度影響存在嚴重的滯后現(xiàn)象，在預測模型輸入中還包括上一時刻室外太陽輻射。最終建立的預測模型如圖1所示，輸入變量為To（k）、Ro （k）、Ro （k-1）、Ho（k）、Pr（k），輸入5維，輸出1維。

該模型為基于數(shù)據的數(shù)學模型，學習數(shù)據取自商場某一時間段的實際運行數(shù)據和氣象數(shù)據。根據歷史數(shù)據建立大型商場動態(tài)冷負荷預測模型，用于預測當前氣象參數(shù)和人員數(shù)量情況下大型商場所需的冷負荷。

2 基于新風機組供電頻率的商場顧客

率檢測

如上所述，室外氣象參數(shù)的檢測可以采用常規(guī)的傳感器，比較容易實現(xiàn)。而對于室內人員數(shù)量的檢測相對較難。目前，對于商場人數(shù)統(tǒng)計，一些公司研制出客流量統(tǒng)計器。但是，由于商場出入口較多，且客流高峰時會同時有多人進出，導致統(tǒng)計信息誤差較大。人每時每刻都要散發(fā)熱量，吸進氧氣，呼出二氧化碳和水蒸氣。通過測試，一般人每小時大約呼出二氧化碳約20 L，占呼出氣體總量的4%。新鮮空氣中的二氧化碳含量是0.03%～0.04%，如果大氣中二氧化碳的含量超過0.1%即為輕微污染。當商場內人員客流量增多時，會導致二氧化碳濃度急劇增加。目前，商場內空氣品質的評價主要依據二氧化碳濃度，為了即滿足商場內空氣品質要求，又實現(xiàn)節(jié)能控制，在夏季，新風機組可采用變頻控制。通過新風機組的變頻控制改變新風機組的新風量來滿足室內空氣品質的要求，變頻的同時實現(xiàn)了節(jié)能控制。在室內二氧化碳濃度的控制過程中商場內人員數(shù)量與新風量呈正比關系。

作為一座大型商場建筑，需要安裝多臺新風機組以滿足室內空氣品質的需要，由于風量傳感器通常價位較高，實用性差，在空調系統(tǒng)現(xiàn)場很少安裝。本文采用間接測量的方式實現(xiàn)新風量的測量，新風機的風量由變頻調速器調節(jié)，而新風機的供電頻率和新風機的風量呈線性正比關系[20]，頻率越高，風量越大。假設商場內共有n臺新風機組，則第i臺新風機組新風量的計算公式為

3 自適應模糊聚類AFCHCMAC神經

網絡算法

HCMAC神經網絡[21]的輸入空間超閉球量化方法簡化了神經網絡的計算過程，有利于分析神經網絡的泛化能力和學習精度。但對于高維非線性系統(tǒng)，神經網絡的權系數(shù)存儲空間隨輸入維數(shù)的增加呈幾何級數(shù)增加，導致該神經網絡很難應用于高維非線性系統(tǒng)。本文通過自適應模糊聚類和高斯核函數(shù)的方法，將HCMAC高維輸入空間映射到低維空間，解決了維數(shù)災難問題。

3.1 輸入空間自適應模糊聚類

神經網絡輸入空間的量化由輸入空間的數(shù)據聚類確定。模糊C均值（FCM）[22]聚類能夠很好地處理高維數(shù)據空間的聚類問題，但是FCM需要預先設置聚類數(shù)目，且由于初始聚類中心設置的隨機性容易導致聚類中心陷入局部最優(yōu)。為了克服FCM算法的局限性，將層次聚類HCM（hierarchical clustering method）與FCM聚類相結合提出自適應HCMFCM聚類算法。設輸入空間為X=（xi|i=1，2，…，m），輸出空間為Y=（yi|i=1，2，…，m），其中任一輸入xi=（xi，1，xi，2，…xi，d）為d維空間，輸出為一維空間。自適應模糊聚類算法的基本思想是由層次聚類方法確定聚類數(shù)目和初始聚類中心，由FCM聚類算法優(yōu)化聚類中心。

3.4 系統(tǒng)在線預測與學習過程

根據系統(tǒng)的實時檢測數(shù)據建立的預測模型隨著系統(tǒng)的運行通常需要在線修改，主要表現(xiàn)在以下兩個方面：

1）現(xiàn)場實時采集的數(shù)據滿足距離閾值η的要求，即隸屬于某一模糊劃分子空間，但是預測的精度在一段時間內不能滿足預測精度要求。

2）現(xiàn)場實時采集的數(shù)據距離最近的聚類中心大于距離閾值η；即不屬于任何劃分子空間。

5 結 語

1）根據新風機供電頻率和新風量的線性關系，通過空調系統(tǒng)新風量的間接測量，在沒有增加傳感器的情況下實現(xiàn)了夏季商場內顧客率的測量。由AFCHCMAC（考慮顧客率）和AFCHCMAC（不考慮顧客率）預測模型測試曲線可以得到，顧客率對冷負荷的預測影響較大，在預測模型中將顧客率去掉，將嚴重降低冷負荷的預測精度。

2）為了克服高維神經網絡維數(shù)災難問題，通過自適應模糊聚類和引入核函數(shù)提出了一種AFCHCMAC神經網絡方法用于預測大型商場動態(tài)冷負荷，由AFCHCMAC、HCMAC預測模型預測學習曲線可以看出，AFCHCMAC算法的預測精度高于HCMAC算法，神經網絡節(jié)點數(shù)由原來的1 024降低為168。同時也驗證了提出的算法有較好的泛化能力。

該方法可實現(xiàn)夏季大型商場建筑的在線動態(tài)冷負荷預測，為大型復雜中央空調系統(tǒng)的在線優(yōu)化節(jié)能運行提供了依據。

參考文獻：

[1] 張洪恩，鄭武幸.北方典型城市既有居住建筑能耗現(xiàn)狀及節(jié)能改造分析[J].山東農業(yè)大學學報，2014，45（3）：410413.

ZHANG H E，ZHENG W X.Analysis on status of energy consumption and energy efficiency renovation of existing residential building of northern typical city in China [J]. Journal of Shandong Agricultural University，2014（3）：410413.（in Chinese）

[2] 薛志峰，江億.商業(yè)建筑的空調系統(tǒng)能耗指標分析[J].暖通空調，2005，35（1）：3742.

XUE Z F，JIANG Y.Air conditioning energy consumption analysis of commercial buildings [J].Heating Ventilating and Air Conditioning，2005，35（1）：3742.（in Chinese）

[3] CATALINA T，IORDACHE V，CARACALEANU B.Multiple regression model for fast prediction of the heating energy demand [J].Energy and Buildings（S03787788），2013，57：302312.

[4] ZHOU Q，WANG S，XU X，et al.A greybox model of nextday building thermal load prediction for energyefficient control [J].International Journal of Energy Research，2008， 32（15）：14181431.

[5] YUNA K，LUCKA R，MAGOA P J，et al.Building hourly thermal load prediction using an indexed ARX model [J].Energy and Buildings，2012，54：225233.

[6] DRURY B C，LINDA K L.EnergyPlus：creating a newgeneration building energy simulation program [J].Energy and Buildings，2001，33（4）：319331.

[7] Trnsys 17.A transient system simulation program [EB/OL].http：//sel.me.wisc.edu/trnsys/features， 2012.

[8] STRACHAN P A，KOKOGIANNAKIS G，MACDONALD I A.History and development of validation with the ESPr simulation program [J].Building and Environment，2008，43（4）：601609.

[9] 燕達，謝曉娜，宋芳婷，等.建筑環(huán)境設計模擬分析軟件DeST第一講：建筑模擬技術與DeST發(fā)展簡介[J].暖通空調，2004，34（7）：4856.

YAN D，XIE X N，SONG F T，et al.Building environment design simulation software DeST（1）：an overview of developments and information of building simulation and DeST [J].Heating，Ventilation，and Air Conditioning，2004，34（7）：34483456.（in Chinese）

[10] KUMARA R，AGGARWALB R K，SHARMAA J D.Energy analysis of a building using artificial neural network：a review [J].Energy and Buildings，2013（65）：352358.

[11] ABDULLATIF E B，MOHAMED A M.Cooling load prediction for buildings using general regression neural networks [J].Energy Conversion and Management，2004，45：21272141.

[12] MOON J W.Performance of ANNbased predictive and adaptive thermal control methods for disturbances in and around residential buildings [J].Building and Environment，2012，48：1526.

[13] EKICI B B，AKSOY U T.Prediction of building energy consumption by using artificial neural networks [J].Advances in Engineering Software，2009，40：356362.

[14] DOMBAYCI O A.The prediction of heating energy consumption in a model house using artificial neural networks in DenizliTurkey [J].Advances in Engineering Software，2010，41：141147.

[15] GONZALEZ P A，ZAMARRENO J M.Prediction of hourly energy consumption in buildings based on feedback artificial neural network [J].Applied Thermal Engineering，2005，37：595601.

[16] YANG J，RIVARD H，ZMEUREANU R.Online building energy prediction using adaptive artificial neural networks [J].Energy and Buildings，2005，37：12501259.

[17] PAUDEL S，MOHAMED E，WIL L K，et al.Pseudo dynamic transitional modeling of building heating energy demand using artificial neural network [J].Energy，2014，70：8193.

[18] LIU G P，LIU M S.A rapid calibration procedure and case study for simplified simulation models of commonly used HVAC systems [J].Building and Environment，2011，46：409420.

[19] SIMON S K K，RICHARD K K Y，ERIC W M L.An intelligent approach to assessing the effect of building occupancy on building cooling load prediction [J].Building and Environment，2011，46：16811690.

[20] 江億，姜子炎.建筑設備自動化[M].北京：中國建筑工業(yè)出版社，2007.

[21] 段陪永，任華之，邵惠鶴.超閉球CMAC的性能分析及多CMAC結構[J].自動化學報，2000，26（4）：563567.

DUAN P Y，REN H Z，SHAO H H.Performance analysis of hyperball CMAC and multi CMAC structure [J].Acta Automatica Sinica，2000，26（4）：563567. （in Chinese）

[22] PAL N R，BEZDEK J C.On clustering for the fuzzycmeans mode [J].IEEE Transactions on Fuzzy System （S10636706），1995，3（3）：370379.

（編輯 王秀玲）