大型商場建筑夏季冷負荷動態(tài)預(yù)測模型

李慧，段培永,劉鳳英

(山東建筑大學(xué) a.可再生能源建筑利用技術(shù)教育部重點實驗室，b.山東省可再生能源建筑應(yīng)用技術(shù)重點實驗室，濟南 250101)

?

大型商場建筑夏季冷負荷動態(tài)預(yù)測模型

李慧a，段培永b,劉鳳英b

(山東建筑大學(xué) a.可再生能源建筑利用技術(shù)教育部重點實驗室，b.山東省可再生能源建筑應(yīng)用技術(shù)重點實驗室，濟南 250101)

摘要：夏季建筑冷負荷的正確預(yù)測是實現(xiàn)大型復(fù)雜中央空調(diào)優(yōu)化運行、節(jié)能降耗的關(guān)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(yù)測模型的輸入,提出了夏季基于新風(fēng)機組供電頻率的商場顧客率間接測量方法，解決了商場內(nèi)顧客量難以檢測的難題。還提出了AFC-HCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測模型算法，實現(xiàn)了大型商場建筑冷負荷的動態(tài)預(yù)測。仿真結(jié)果表明：顧客率在商場冷負荷預(yù)測中占有重要地位，在冷負荷預(yù)測模型中增加商場顧客率可顯著提高預(yù)測精度；AFC-HCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測算法與傳統(tǒng)的HCMAC神經(jīng)網(wǎng)絡(luò)算法比較，可有效降低神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)，提高預(yù)測精度。

關(guān)鍵詞：冷負荷；動態(tài)預(yù)測；模糊聚類；數(shù)據(jù)

隨著中國社會經(jīng)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(dān)和嚴(yán)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(diào)系統(tǒng)運行時間長，其空調(diào)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(fù)雜中央空調(diào)系統(tǒng)的優(yōu)化運行，實現(xiàn)節(jié)能降耗具有重要的經(jīng)濟效益和社會意義，而正確預(yù)測商場建筑的冷負荷，根據(jù)用戶的需要提供冷量是實現(xiàn)大型復(fù)雜中央空調(diào)優(yōu)化運行、節(jié)能降耗的關(guān)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(shè)備散熱等因素有關(guān)。目前，建筑冷熱負荷預(yù)測方法主要有回歸分析法、仿真模型法和人工神經(jīng)網(wǎng)絡(luò)法。回歸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(yán)重的非線性，所以預(yù)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(jù)，而沒有考慮其他因素，所以預(yù)測精度也很難滿足實際要求。ARX模型是將MLR與AR結(jié)合到一起形成的，該模型即考慮了歷史數(shù)據(jù)對當(dāng)前負荷預(yù)測的影響，也考慮了外界氣象參數(shù)對負荷預(yù)測的影響，因此,該方法的預(yù)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(jù)仿真得到建筑的逐時冷負荷，比較典型的仿真軟件有Energy-Plus[6]、TRNSYS[7]、ESP-r[8]和DeST[9]等。該方法的特點是仿真信息復(fù)雜，專業(yè)性強，主要用于冷、熱能系統(tǒng)的規(guī)劃和設(shè)計。人工神經(jīng)網(wǎng)絡(luò)[10]方法由于具有很好的學(xué)習(xí)功能，在建筑冷負荷預(yù)測方面得到了廣泛的應(yīng)用。主要有Ben-Nakhi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(dāng)建筑結(jié)構(gòu)和功能確定后，如何根據(jù)氣象參數(shù)、人員時空分布等信息在線動態(tài)預(yù)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(dǎo)致當(dāng)前模型很少考慮人員分布情況，冷負荷預(yù)測方法主要為靜態(tài)預(yù)測。文獻[18]為了區(qū)分不同人員時空分布對負荷預(yù)測的影響，將預(yù)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(yù)測的影響，主要適用于室內(nèi)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(nèi)冷負荷的動態(tài)準(zhǔn)確預(yù)測，難以應(yīng)用到實際工程。筆者首先根據(jù)商場建筑冷負荷的特點，確定建筑冷負荷預(yù)測模型的輸入?yún)?shù)；然后提出了夏季基于新風(fēng)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AFC-HCMAC(Adaptive Fuzzy Clustering-Hyperball Cerebellar Model Articulation Controller)神經(jīng)網(wǎng)絡(luò)算法用于建立建筑冷負荷在線動態(tài)預(yù)測模型，實現(xiàn)了建筑冷負荷的在線動態(tài)精確預(yù)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(nèi)溫度設(shè)定值；4)人員時空分布；5)用電設(shè)備散熱。對于影響因素1)建筑本體特性參數(shù)，當(dāng)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(nèi)溫度設(shè)定值，盡管對于個性化空調(diào)，空調(diào)溫度設(shè)定值通常根據(jù)不同用戶偏好取不同設(shè)定值，但由于大型商場內(nèi)顧客流動性大，室內(nèi)溫度設(shè)定值通常按照國家標(biāo)準(zhǔn)定為26 ℃，看作定值。對于影響因素5)用電設(shè)備散熱，在大型商場內(nèi)主要為電氣照明散熱。商場內(nèi)安裝大量的照明設(shè)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(chǎn)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(nèi)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(shè)備散熱可看作定值。由上分析，在商場建筑冷負荷預(yù)測模型中可不考慮建筑本體、室內(nèi)溫度設(shè)定值和設(shè)備散熱對建筑冷負荷的影響。因此在預(yù)測模型輸入中主要包括室外氣象參數(shù)和人員數(shù)。根據(jù)文獻[19]室外氣象參數(shù)為當(dāng)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(nèi)溫度影響存在嚴(yán)重的滯后現(xiàn)象，在預(yù)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(yù)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。

圖1　大型商場冷負荷動態(tài)預(yù)測模型Fig.1　Dynamical cooling load prediction model for shopping

該模型為基于數(shù)據(jù)的數(shù)學(xué)模型，學(xué)習(xí)數(shù)據(jù)取自商場某一時間段的實際運行數(shù)據(jù)和氣象數(shù)據(jù)。根據(jù)歷史數(shù)據(jù)建立大型商場動態(tài)冷負荷預(yù)測模型，用于預(yù)測當(dāng)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(fēng)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(nèi)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(dǎo)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(dāng)商場內(nèi)人員客流量增多時，會導(dǎo)致二氧化碳濃度急劇增加。目前，商場內(nèi)空氣品質(zhì)的評價主要依據(jù)二氧化碳濃度，為了即滿足商場內(nèi)空氣品質(zhì)要求，又實現(xiàn)節(jié)能控制，在夏季，新風(fēng)機組可采用變頻控制。通過新風(fēng)機組的變頻控制改變新風(fēng)機組的新風(fēng)量來滿足室內(nèi)空氣品質(zhì)的要求，變頻的同時實現(xiàn)了節(jié)能控制。在室內(nèi)二氧化碳濃度的控制過程中商場內(nèi)人員數(shù)量與新風(fēng)量呈正比關(guān)系。

作為一座大型商場建筑，需要安裝多臺新風(fēng)機組以滿足室內(nèi)空氣品質(zhì)的需要，由于風(fēng)量傳感器通常價位較高，實用性差，在空調(diào)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(fēng)量的測量，新風(fēng)機的風(fēng)量由變頻調(diào)速器調(diào)節(jié)，而新風(fēng)機的供電頻率和新風(fēng)機的風(fēng)量呈線性正比關(guān)系[20]，頻率越高，風(fēng)量越大。假設(shè)商場內(nèi)共有n臺新風(fēng)機組，則第i臺新風(fēng)機組新風(fēng)量的計算公式為

(1)

其中:Fi為第i臺新風(fēng)機組風(fēng)量，fi為第i臺新風(fēng)機供電頻率，F(xiàn)o,i為第i臺新風(fēng)機的名義供風(fēng)量，由廠家提供，為常量。50表示中國的供電頻率為50 Hz。從式(1)看出，將新風(fēng)機組的新風(fēng)量的測量轉(zhuǎn)化為新風(fēng)機供電頻率的測量，而供電頻率可由變頻調(diào)速器直接得到，不需要增加額外費用。

n臺新風(fēng)機組的新風(fēng)量的計算式為

(2)

空調(diào)系統(tǒng)設(shè)計時對新風(fēng)機組選型通常按照設(shè)計新風(fēng)量選型，設(shè)計新風(fēng)量是根據(jù)商場空調(diào)面積、人員密度、人均新風(fēng)量來確定的，具體參數(shù)可參照J(rèn)GJ 48—2014商店建筑設(shè)計規(guī)范。按照新風(fēng)機組的布置將商場區(qū)域劃分為多個區(qū)域，n臺新風(fēng)機組對應(yīng)n個區(qū)域。在采用動態(tài)負荷模型預(yù)測時，為了消除不同輸入度量單位對預(yù)測結(jié)果的影響，需要對模型輸入數(shù)據(jù)歸一化處理，這導(dǎo)致在預(yù)測時并不需要知道商場內(nèi)的人員具體數(shù)量，而只需要確定當(dāng)前商場內(nèi)人員數(shù)量占最大人員數(shù)量的比例即可，為此，引入顧客率概念。定義第i區(qū)域的顧客率為

(3)

據(jù)此可以確定每個區(qū)域的客流情況。整個商場的平均顧客率為

(4)

Fo,i為名義供風(fēng)量，相當(dāng)于該區(qū)域顧客率在總顧客率中所占權(quán)重。由于新風(fēng)機組供電頻率和新風(fēng)量呈正比關(guān)系，通過新風(fēng)機組的供電頻率，實現(xiàn)了商場內(nèi)顧客率的計算。

3自適應(yīng)模糊聚類AFC-HCMAC神經(jīng)網(wǎng)絡(luò)算法

HCMAC神經(jīng)網(wǎng)絡(luò)[21]的輸入空間超閉球量化方法簡化了神經(jīng)網(wǎng)絡(luò)的計算過程，有利于分析神經(jīng)網(wǎng)絡(luò)的泛化能力和學(xué)習(xí)精度。但對于高維非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)的權(quán)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(dǎo)致該神經(jīng)網(wǎng)絡(luò)很難應(yīng)用于高維非線性系統(tǒng)。本文通過自適應(yīng)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(zāi)難問題。

3.1輸入空間自適應(yīng)模糊聚類

神經(jīng)網(wǎng)絡(luò)輸入空間的量化由輸入空間的數(shù)據(jù)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(jù)空間的聚類問題，但是FCM需要預(yù)先設(shè)置聚類數(shù)目，且由于初始聚類中心設(shè)置的隨機性容易導(dǎo)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(jié)合提出自適應(yīng)HCM-FCM聚類算法。設(shè)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(yīng)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。

具體算法如下：

1)為了克服不同度量單位對歐氏距離計算結(jié)果的影響，將輸入空間歸一化處理。

2)初始情況下將輸入空間樣本分為m類，即每個輸入樣本對應(yīng)一類，初始分類為X(0)=[P1(0),P2(0),…,Pm(0)]，0表示為初始分類，設(shè)定距離閾值ε。

3)計算各類之間的距離，得到距離矩陣D(K)(K為聚類合并的次數(shù))，找出D(K)中的最小元素，若最小元素小于ε，將其對應(yīng)的兩類合并為一類，建立新的分類轉(zhuǎn)步驟(3)。

4)層次聚類結(jié)束，將輸入數(shù)據(jù)劃分為L類，X=[P1,P2,…,PL]，采用平均法得到每類的聚類中心，作為FCM聚類算法的初始聚類中心。

5)根據(jù)得到的聚類數(shù)目和初始聚類中心，調(diào)用FCM聚類算法最終得到全局最優(yōu)聚類中心。

在FCM算法中引入層次聚類法，可以準(zhǔn)確地確定FCM算法聚類數(shù)目。此外，在層次聚類算法中確定的初始聚類中心可避免FCM陷入局部最優(yōu)。獲取的聚類數(shù)目即為AFC-HCMAC神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)目，獲取的L個聚類中心值C=[c1,c2,…,ci,…cL]即為神經(jīng)網(wǎng)絡(luò)節(jié)點值，每個聚類中心為d維向量，ci=[ci1,ci2,…cid]。

3.2基于高斯核函數(shù)的神經(jīng)網(wǎng)絡(luò)權(quán)度初始值計算

通過自適應(yīng)模糊聚類將輸入空間X劃分為L個子空間，每個子空間對應(yīng)一類。對每個子空間定義高斯核函數(shù)：

(5)

式中：xk∈Pi；ci為子空間Pi的聚類中心；σ為標(biāo)準(zhǔn)差，其值決定算法的精度和泛化能力。

第i個神經(jīng)網(wǎng)絡(luò)節(jié)點權(quán)度初始值的計算式為

(6)

式中：mi為第i個子空間對應(yīng)的樣本數(shù)；qoi即為第i個神經(jīng)網(wǎng)絡(luò)節(jié)點對應(yīng)的權(quán)度初始值。依次計算每個神經(jīng)網(wǎng)絡(luò)節(jié)點權(quán)度初始值，形成神經(jīng)網(wǎng)絡(luò)權(quán)度初始向量q0。

3.3神經(jīng)網(wǎng)絡(luò)輸出計算

神經(jīng)網(wǎng)絡(luò)輸出計算式為

(7)

式中：B(xk)表示以xk為中心的超閉球，ci∈B(xk)表示包含在超閉球內(nèi)的神經(jīng)網(wǎng)絡(luò)節(jié)點。超閉球B的半徑取

(8)

神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)學(xué)習(xí)算法為

(9)

式中：α、β為常量，取0<α<2、β>0。ek-1為預(yù)測值與實際值之差。

3.4系統(tǒng)在線預(yù)測與學(xué)習(xí)過程

根據(jù)系統(tǒng)的實時檢測數(shù)據(jù)建立的預(yù)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(jù)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(yù)測的精度在一段時間內(nèi)不能滿足預(yù)測精度要求。

2)現(xiàn)場實時采集的數(shù)據(jù)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。

為了評價在線預(yù)測模型是否滿足預(yù)測精度要求，定義預(yù)測精度評價指標(biāo)

(11)

式中：m為誤差計算步長，即取前面10個周期的預(yù)測誤差進行計算，當(dāng)預(yù)測精度評價指標(biāo)大于閾值η時，說明當(dāng)前模型誤差不能滿足預(yù)測精度要求，需要重新學(xué)習(xí)。

在線預(yù)測學(xué)習(xí)過程如下：

1)在線采集室外溫度、室外濕度和室外太陽輻射，根據(jù)新風(fēng)量間接測量商場內(nèi)顧客率，根據(jù)空調(diào)系統(tǒng)運行數(shù)據(jù)計算當(dāng)前商場冷負荷，并將上述數(shù)據(jù)歸一化處理；

2)計算該數(shù)據(jù)與預(yù)測模型聚類中心點的距離，若距離大于閾值η，則將該點增加為新的聚類中心，并確定該聚類中心的權(quán)值。若距離小于等于閾值η，則直接進入下一步；

3)利用預(yù)測模型預(yù)測下一時刻商場內(nèi)冷負荷；

4)計算誤差評價指標(biāo)ER，若ER>η,則根據(jù)前期采集樣本數(shù)據(jù)重新學(xué)習(xí)預(yù)測模型，否則結(jié)束。

4仿真研究

以濟南某一大型商場為例，建筑信息如表1所示。根據(jù)該大型商場2014年氣象數(shù)據(jù)和數(shù)據(jù)采集平臺采集的數(shù)據(jù)得到預(yù)測模型學(xué)習(xí)和測試數(shù)據(jù)。

表1　建筑信息表

4.1考慮顧客率和不考慮顧客率冷負荷預(yù)測比較

模型1為本文提出的預(yù)測模型，輸入變量不變，即考慮商場顧客率；模型2為將模型中的輸入信號顧客率去掉，即不考慮商場顧客率。兩個模型的預(yù)測方法均采用本文提出的AFC-HCMAC預(yù)測方法。學(xué)習(xí)數(shù)據(jù)統(tǒng)一采用濟南某一商場2014年6月冷負荷數(shù)據(jù)，通過AFC自適應(yīng)模糊聚類得到模型1神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)為168個，模型2神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)為108個。預(yù)測學(xué)習(xí)曲線如圖2所示，從圖2可以看出，考慮顧客率模型1的預(yù)測精度遠遠大于不考慮顧客率模型2的預(yù)測精度，以RMSPE(Root mean square percentage error)均方根相對學(xué)習(xí)誤差作為誤差評價指標(biāo)。

(12)

4.2AFC-HCMAC預(yù)測模型和常規(guī)HCMAC預(yù)測模型比較

輸入變量保持不變，即兩個模型均考慮顧客率，分別采用本文提出的AFC-HCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測模型和常規(guī)HCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測模型學(xué)習(xí)濟南某一商場2014年6月冷負荷數(shù)據(jù)。由于AFC-HCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測模型和4.1節(jié)中模型1一致，學(xué)習(xí)數(shù)據(jù)亦相同，因此學(xué)習(xí)曲線為圖2(a)。圖3為HCMAC神經(jīng)網(wǎng)絡(luò)預(yù)測模型學(xué)習(xí)曲線，取量化級數(shù)為4，共獲取1024(45)個神經(jīng)網(wǎng)絡(luò)節(jié)點。從圖2(a)和圖3可以看出，AFC-HCMAC預(yù)測模型的學(xué)習(xí)精度高于HCMAC預(yù)測模型的學(xué)習(xí)精度。

圖2　濟南某一商場6月考慮顧客率和不考慮顧客率冷負荷預(yù)測學(xué)習(xí)曲線Fig.2　Prediction learning curves of cooling load in June for one shopping mall in

HCMAC神經(jīng)網(wǎng)絡(luò)均方根相對學(xué)習(xí)誤差RMSPE_learning3=5.10%。顯然AFC-HCMAC神經(jīng)網(wǎng)絡(luò)即提高了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)精度，又降低了神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)。利用訓(xùn)練的AFC-HCMAC預(yù)測模型和HCMAC預(yù)測模型對7月份7月1日到7月7日的冷負荷進行測試，測試曲線如圖4所示。AFC-HCMAC預(yù)測模型的均方根相對測試誤差RMSPE_Test1=4.73%，HCMAC預(yù)測模型的均方根相對測試誤差RMSPE_Test2=8.34%。因此,本文提出的AFC-HCMAC預(yù)測模型的預(yù)測精度和泛化能力均優(yōu)于常規(guī)的HCMAC預(yù)測模型。

圖3　濟南某商場6月HCMAC預(yù)測模型學(xué)習(xí)曲線Fig.3　Prediction learning curves of HCMAC in June for one shopping mall in Jinan

圖4　濟南某商場2014年7月1日—7日AFC-HCMAC預(yù)測模型和HCMAC預(yù)測模型冷負荷測試曲線Fig.4 Test curve of cooling load of AFC-HCMAC and HCMAC in July 1 to July 7 for one shopping mall in

5結(jié)語

1)根據(jù)新風(fēng)機供電頻率和新風(fēng)量的線性關(guān)系，通過空調(diào)系統(tǒng)新風(fēng)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(nèi)顧客率的測量。由AFC-HCMAC(考慮顧客率)和AFC-HCMAC(不考慮顧客率)預(yù)測模型測試曲線可以得到，顧客率對冷負荷的預(yù)測影響較大，在預(yù)測模型中將顧客率去掉，將嚴(yán)重降低冷負荷的預(yù)測精度。

2)為了克服高維神經(jīng)網(wǎng)絡(luò)維數(shù)災(zāi)難問題，通過自適應(yīng)模糊聚類和引入核函數(shù)提出了一種AFC-HCMAC神經(jīng)網(wǎng)絡(luò)方法用于預(yù)測大型商場動態(tài)冷負荷，由AFC-HCMAC、HCMAC預(yù)測模型預(yù)測學(xué)習(xí)曲線可以看出，AFC-HCMAC算法的預(yù)測精度高于HCMAC算法，神經(jīng)網(wǎng)絡(luò)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(yù)測，為大型復(fù)雜中央空調(diào)系統(tǒng)的在線優(yōu)化節(jié)能運行提供了依據(jù)。

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(nóng)業(yè)大學(xué)學(xué)報，2014,45(3):410-413.

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):410-413.(in Chinese)

[2] 薛志峰,江億.商業(yè)建筑的空調(diào)系統(tǒng)能耗指標(biāo)分析[J].暖通空調(diào),2005,35(1):37-42.

XUE Z F,JIANG Y.Air conditioning energy consumption analysis of commercial buildings [J].Heating Ventilating and Air Conditioning,2005,35(1):37-42.(in Chinese)

[3] CATALINA T,IORDACHE V,CARACALEANU B.Multiple regression model for fast prediction of the heating energy demand [J].Energy and Buildings(S0378-7788),2013,57:302-312.

[4] ZHOU Q,WANG S,XU X,et al.A grey-box model of next-day building thermal load prediction for energy-efficient control [J].International Journal of Energy Research,2008, 32(15):1418-1431.

[5] YUNA K,LUCKA R,MAGOA P J,et al.Building hourly thermal load prediction using an indexed ARX model [J].Energy and Buildings,2012,54:225-233.

[6] DRURY B C,LINDA K L.EnergyPlus:creating a new-generation building energy simulation program [J].Energy and Buildings,2001,33(4):319-331.

[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 ESP-r simulation program [J].Building and Environment,2008,43(4):601-609.

[9] 燕達,謝曉娜,宋芳婷,等.建筑環(huán)境設(shè)計模擬分析軟件DeST-第一講：建筑模擬技術(shù)與DeST發(fā)展簡介[J].暖通空調(diào),2004,34(7):48-56.

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):3448-3456.(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):352-358.

[11] ABDULLATIF E B,MOHAMED A M.Cooling load prediction for buildings using general regression neural networks [J].Energy Conversion and Management,2004,45:2127-2141.

[12] MOON J W.Performance of ANN-based predictive and adaptive thermal -control methods for disturbances in and around residential buildings [J].Building and Environment,2012,48:15-26.

[13] EKICI B B,AKSOY U T.Prediction of building energy consumption by using artificial neural networks [J].Advances in Engineering Software,2009,40:356-362.

[14] DOMBAYCI O A.The prediction of heating energy consumption in a model house using artificial neural networks in Denizli-Turkey [J].Advances in Engineering Software,2010,41:141-147.

[15] GONZALEZ P A,ZAMARRENO J M.Prediction of hourly energy consumption in buildings based on feedback artificial neural network [J].Applied Thermal Engineering,2005,37:595-601.

[16] YANG J,RIVARD H,ZMEUREANU R.On-line building energy prediction using adaptive artificial neural networks [J].Energy and Buildings,2005,37:1250-1259.

[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,2014,70:81-93.

[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,2011,46:409-420.

[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,2011,46:1681-1690.

[20] 江億,姜子炎.建筑設(shè)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(jié)構(gòu)[J].自動化學(xué)報，2000,26(4):563-567.

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):563-567. (in Chinese)

[22] PAL N R，BEZDEK J C.On clustering for the fuzzy-c-means mode [J].IEEE Transactions on Fuzzy System (S1063-6706),1995,3(3):370-379.

(編輯王秀玲)

Prediction model of dynamic cooling load for shopping mall >building in summer

Li Huia, Duan Peiyongb, Liu Fengyingb

(a.Key Laboratory of Renewable Energy Technologies for Buildings, Ministry of Education, b. Shandong Key Laboratory of Renewable Energy Technologies for Buildings, Shandong Jianzhu University, Jinan 250101, P. R. China)

Abstract:The accurate energy consumption perdition for building is critical to improve the energy efficient of the operation of the operation of large-scale 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 wind-8units to identify the custom number in summer. Last, an AFC-HCMAC neural network algorithm is proposed to for dynamic cooling load prediction. The results show that compared with the traditional HCMAC algorithm, the proposed AFC-HCMAC 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

doi:10.11835/j.issn.1674-4764.2016.02.014

收稿日期：2015-09-23

基金項目：國家自然科學(xué)基金(61374187)

作者簡介：李慧(1970-)，女，副教授，博士，主要從事建筑環(huán)境自動控制研究，(E-mail)lhh@sdjzu.edu.cn。

中圖分類號：TU111.3

文獻標(biāo)志碼：A

文章編號：1674-4764(2016)02-0104-07

Received:2015-09-23

Foundation item：National Natural Science Foundation of China (No.61374187)

Author brief：Li Hui(1970-),associate professor, PhD,main research interest: automation of building environment,(E-mail) lhh@sdjzu.edu.cn.