基于IPSO-Elman神經(jīng)網(wǎng)絡(luò)的建筑暖通空調(diào)系統(tǒng)能耗預(yù)測方法

邢國新

(北京市地鐵運營有限公司機電分公司，北京 100043)

1 引言

在環(huán)境保護和治理中，對建筑業(yè)的環(huán)保治理是重點問題，在建筑工程中，使用綠色能源、節(jié)能降耗是實現(xiàn)節(jié)能環(huán)保的一個重要措施[1-3]。在目前的能耗分析中，建筑暖通空調(diào)能耗占比尤為突出，如果不采取措施治理，建筑能耗將會越來越高[4-5]。面對能耗過高的問題，如何有效控制建筑能耗是一個研究重點，優(yōu)化暖通空調(diào)系統(tǒng)，建筑節(jié)能率可大幅度提高[6]。暖通空調(diào)系統(tǒng)的節(jié)能調(diào)整離不開暖通空調(diào)系統(tǒng)能耗的預(yù)測，根據(jù)能耗預(yù)測結(jié)果，優(yōu)化暖通空調(diào)系統(tǒng)的工作模式或施工內(nèi)容，能夠進一步實現(xiàn)暖通空調(diào)系統(tǒng)的節(jié)能環(huán)保[7]。

國內(nèi)外對暖通空調(diào)系統(tǒng)能耗的預(yù)測研究有很多，很多成熟的預(yù)測技術(shù)和方法已經(jīng)廣泛應(yīng)用到暖通空調(diào)系統(tǒng)方案設(shè)計中，如Chakraborty 等人提出了一個可解釋人工智能模型，用于分析氣候變化對建筑物冷卻能耗的影響，預(yù)測新的共享社會經(jīng)濟路徑氣候變化情景下的長期能耗，并解釋預(yù)測背后的潛在原因[8]。但是該方法未針對空調(diào)能耗進行深入分析和預(yù)測，預(yù)測結(jié)果可靠性存在疑問。趙海湉等人提到的基于數(shù)據(jù)驅(qū)動的空調(diào)系統(tǒng)能耗預(yù)測方法，該方法主要利用空調(diào)系統(tǒng)能耗系統(tǒng)數(shù)據(jù)，建立了數(shù)據(jù)庫，通過數(shù)據(jù)的比對實現(xiàn)對空調(diào)系統(tǒng)能耗的預(yù)測[9]，但是隨著供暖壓力的增加，負荷比率的變化增加了能耗預(yù)測方法的不確定性，預(yù)測結(jié)果可靠性存在疑問。孫雙林等人提到的基于支持向量機的空調(diào)系統(tǒng)能耗預(yù)測方法同樣是以能耗歷史數(shù)據(jù)作為目標，進行學(xué)習(xí)和訓(xùn)練，在最小二乘支持向量機的支持下構(gòu)建了能耗預(yù)測模型[10]，實現(xiàn)了對空氣系統(tǒng)能耗的預(yù)測，但是并沒有解決預(yù)測結(jié)果不可靠的問題。

因此，本文將改進粒子群優(yōu)化算法-Elman 神經(jīng)網(wǎng)絡(luò)(Improved Particle Swarm Optimization-Elman，IPSOElman)應(yīng)用到能耗預(yù)測中，將采集得到的建筑暖通空調(diào)系統(tǒng)能耗數(shù)據(jù)，利用粒子群算法與Elman神經(jīng)網(wǎng)絡(luò)進行處理和計算，實現(xiàn)建筑暖通空調(diào)系統(tǒng)能耗預(yù)測方法，解決上述中常見的能耗預(yù)測方法中存在的問題。

2 方法設(shè)計

2.1 能耗數(shù)據(jù)的預(yù)處理

在不同負荷比率的作用下，暖通空調(diào)系統(tǒng)能耗歷史數(shù)據(jù)存在數(shù)據(jù)缺失、冗余等問題，嚴重影響能耗預(yù)測結(jié)果。對于存在不同問題的能耗數(shù)據(jù)，采用針對性的措施處理能耗數(shù)據(jù)。利用公式(1)對能源數(shù)據(jù)加權(quán)平均處理，公式如下：

公式中，t表示時間，d表示日期，ω表示加權(quán)權(quán)重。通過公式(1)的處理填補缺失的能耗數(shù)據(jù)，在填補完成后，對能耗數(shù)據(jù)做歸一化處理，查找出異常數(shù)據(jù)。計算公式如下：

公式中，xmax和xmin分別表示待處理能耗數(shù)據(jù)的最大值和最小值，x(i)表示歸一化后的能耗數(shù)據(jù)序列，將能耗變化率的上限5%設(shè)置為閾值，當(dāng)能耗數(shù)據(jù)的觀測值與真值之間的誤差超過了設(shè)定的閾值，說明觀測到的能耗數(shù)據(jù)是異常數(shù)據(jù)，使用公式(1)處理這些數(shù)據(jù)。

在能耗數(shù)據(jù)中可能會產(chǎn)生與空調(diào)系統(tǒng)歷史運行過程不相同的異常點，這些異常點在負荷比的影響下，會加重數(shù)據(jù)噪聲，增大能耗預(yù)測難度。因此，對異常點數(shù)據(jù)進行垂直處理，以歷史數(shù)據(jù)的變化規(guī)律作為依據(jù)，修正異常點。假設(shè)能耗數(shù)據(jù)序列為b(d，t)，t表示一天的24 小時時段，d表示天數(shù)，d=1，2，…，n。計算24 小時中每個時段n天能耗的均值和方差。計算公式如下：

假設(shè)第d天t時刻能耗數(shù)據(jù)的偏離率為μ(d，t)，則：

假設(shè)預(yù)測空調(diào)系統(tǒng)能耗時，標準要求范圍內(nèi)的能耗偏離率為ν，當(dāng)計算的偏離率大于等于允許的能耗偏離率時，能耗數(shù)據(jù)點為異常點，當(dāng)計算的偏離率小于允許的能耗偏離率。面對異常的能耗數(shù)據(jù)，通過調(diào)節(jié)ν的大小，達到修正偏離數(shù)據(jù)的目的。如果觀測到的能耗數(shù)據(jù)點為異常點，使用下式計算結(jié)果取代異常點數(shù)據(jù)b(d，t)。

利用公式(6)處理原始數(shù)據(jù)后，能耗序列得到了一定的平滑處理。能耗數(shù)據(jù)是從動態(tài)運行中的空調(diào)系統(tǒng)中提取出來的，前后時刻的數(shù)據(jù)變動具有一定的范圍，設(shè)定最大變動范圍設(shè)為α(t)，當(dāng)觀測到的數(shù)據(jù)超過設(shè)定的α(t)，也就是：

將能耗數(shù)據(jù)視為不良數(shù)據(jù)，采用公式(8)消除波動，計算公式如下：

經(jīng)過上述過程處理后，獲得完整可靠的能耗數(shù)據(jù)，將能耗數(shù)據(jù)作為輸入，利用IPSO-Elma 神經(jīng)網(wǎng)絡(luò)預(yù)測暖通空調(diào)系統(tǒng)能耗，在預(yù)測前，根據(jù)預(yù)測需求計算IPSO-Elma神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)。

圖5是采用氣霧化工藝和旋轉(zhuǎn)電極工藝制備的球形鈦粉。與氣霧化工藝相比，旋轉(zhuǎn)電極法制備的球形粉體沒有氣霧化球形粉末中常見的伴生相，且球形度和光潔較高，粒度分布范圍較窄，無團聚現(xiàn)象，流動性好，在金屬3D打印過程中鋪粉均勻性好，打印產(chǎn)品致密度高、表面光潔度高[14]。此外整個工藝過程,一般采用惰性氣體保護，且不需要坩堝熔煉,避免了金屬或合金與造渣和與耐火材料接觸，減少金屬粉末污染源，可生產(chǎn)高純度金屬粉末。

2.2 計算IPSO-Elman神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)

暖通空調(diào)能耗的預(yù)測需要通過IPSO-Elman 神經(jīng)網(wǎng)絡(luò)實現(xiàn)，該神經(jīng)網(wǎng)絡(luò)是粒子群算法與Elman 神經(jīng)網(wǎng)絡(luò)的結(jié)合，因此，在計算內(nèi)部參數(shù)時，主要參數(shù)包括慣性權(quán)重和學(xué)習(xí)因子。

慣性權(quán)重能夠確定能耗數(shù)據(jù)迭代前后的速度變化，當(dāng)權(quán)重比較的時候，能耗數(shù)據(jù)搜索速度比較快，對預(yù)測的速度有促進作用；慣性權(quán)重比較小時，搜索速度也比較小，局部搜索能力得到增強。設(shè)定能耗數(shù)據(jù)種群的最小適應(yīng)度為φmin，平均適應(yīng)度為φavg，利用公式(9)調(diào)整慣性權(quán)重，計算公式如下：

公式中，φi表示粒子i的適應(yīng)度，h表示當(dāng)前迭代次數(shù)。在公式(9)的支持下，通過對粒子適應(yīng)度的判斷，實現(xiàn)對慣性權(quán)重的調(diào)整。

對于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)因子的確定，考慮粒子的變化特性，設(shè)定g1為認知因子，表示粒子群聚集疏密程度，g1越大說明粒子群越密集，設(shè)定g2為社會因子，表示粒子的收斂性。在計算中，粒子的變化特性就是能耗數(shù)據(jù)的變化特性，在g1、g2已知的狀態(tài)下，采用以下公式調(diào)整神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)因子的大小。公式如下：

公式中，Dmax表示最大迭代次數(shù)，利用以上公式確定IPSO-Elman神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)，再利用IPSO-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測暖通空調(diào)系統(tǒng)能耗。

2.3 預(yù)測暖通空調(diào)系統(tǒng)能耗

將預(yù)測目標描述為：

公式中，F(xiàn)(·)表示未知的非線性函數(shù)，Yt表示神經(jīng)網(wǎng)絡(luò)在t時刻的輸出，Rt表示t時刻的輸入，q和p分別表示輸出和輸入的階次。使用神經(jīng)網(wǎng)絡(luò)逼近公式(12)，得到：

對暖通空調(diào)系統(tǒng)進行連續(xù)預(yù)測，實現(xiàn)t+1時刻多步預(yù)測，即：

公式中，k表示預(yù)測的步長。通過上述過程的計算即可實現(xiàn)建筑暖通空調(diào)系統(tǒng)能耗的預(yù)測。

3 實驗研究

3.1 算法驗證

為驗證基于IPSO-Elman 神經(jīng)網(wǎng)絡(luò)的建筑暖通空調(diào)系統(tǒng)能耗預(yù)測方法的有效性，建立了建筑暖通空調(diào)系統(tǒng)能耗預(yù)測模型。同時，本文方法(方法1)與Elman神經(jīng)網(wǎng)絡(luò)(方法2)、PSO-Elman神經(jīng)網(wǎng)絡(luò)(方法3)進行對比。

其中總數(shù)據(jù)集為310 組能耗數(shù)據(jù)，隨機選擇300 組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，驗證數(shù)據(jù)為20組，利用該方法對模型進行了驗證。設(shè)定粒子群個數(shù)為36，學(xué)習(xí)因子為2.05，每種方法均進行100 次獨立的仿真實驗，每次仿真中進行300 次迭代計算，以預(yù)測結(jié)果與真實值之間的相對誤差的平均值作為模型精度優(yōu)劣的評判指標。得到模型仿真驗證結(jié)果如表1所示。

表1 不同模型相對誤差仿真結(jié)果(%)

分析表1可知，在迭代至150次時，方法1的相對誤差已趨于穩(wěn)定，方法2 和方法3 在250 次時，其相對誤差趨于穩(wěn)定，且方法1的相對誤差始終低于方法2和方法3。綜合分析可知，選取迭代次數(shù)為250次，作為下文實驗的迭代系數(shù)。

3.2 測試點設(shè)置

在建筑暖通空調(diào)系統(tǒng)能耗預(yù)測方法實驗研究中，以某寫字樓建筑作為研究對象，研究提出的能耗預(yù)測方法在實際應(yīng)用中的能耗預(yù)測水平。

依據(jù)建筑暖通空調(diào)系統(tǒng)運行能效比，從空調(diào)系統(tǒng)的兩方面進行研究，一方面是空調(diào)系統(tǒng)制冷(熱)量的測定，一方面是總耗功率的測定，根據(jù)空調(diào)系統(tǒng)運行能效比，在無特殊情況下，實驗中負荷比取25%、50%、75%。實驗中包含三種能耗預(yù)測方法，為其設(shè)置相同的測試點等相關(guān)內(nèi)容，設(shè)置的測點位置及相關(guān)物理量如表2所示。

表2 實驗測點位置及相關(guān)參數(shù)設(shè)置

依據(jù)上述內(nèi)容，分別在空調(diào)系統(tǒng)負荷比為25%、50%、75%時，預(yù)測空調(diào)系統(tǒng)的制冷/熱量和總耗功率，將其與實際數(shù)據(jù)對比，分析各個能耗預(yù)測方法的實際性能。

3.3 制冷/熱量預(yù)測實驗結(jié)果及分析

在制冷/熱量預(yù)測實驗中，實驗結(jié)果分為兩部分，一部分是對主機的制冷/熱量的計算，分析預(yù)測的制冷/熱量與實際的制冷/熱量之間是否一致，另一部分是通過主機不平衡率的計算，冷凍水、冷卻水進出口的誤差就是主機的不平衡率，通過制冷/熱量和不平衡率的計算，分析能耗預(yù)測方法。制冷/熱量和主機不平衡率的計算公式如下：

公式中，Q表示制冷/熱量，C表示水的定壓比熱容，S表示水的體積流量，△T表示冷(熱)水進、出水溫差(℃)，η表示主機不平衡率，Qc表示冷凝器冷卻散熱量，Q表示主機蒸發(fā)器制冷量，W主機的耗功率。上述計算量均以每立方米為單位，在不同的負荷比條件下計算，得到的實驗結(jié)果如圖1所示。

觀察圖1中結(jié)果可知，在不同的負荷比條件下，三種能耗預(yù)測方法預(yù)測的制冷/熱量和主機不平衡率存在相同的幅度變化，但是與實際值對比觀察可知，提出的能耗預(yù)測方法預(yù)測結(jié)果與實際值一致，而其他兩組實驗結(jié)果與實際值所差甚遠，說明在負荷比的影響下，常見的能耗預(yù)測方法對空調(diào)系統(tǒng)制冷/熱量的預(yù)測并不可靠，能耗預(yù)測方法能夠保持穩(wěn)定，實現(xiàn)準確的能耗預(yù)測。

圖1 不同負荷比條件下制冷/熱量預(yù)測實驗結(jié)果

3.4 總耗功率預(yù)測結(jié)果及分析

以實驗設(shè)置參數(shù)為依據(jù)，使用不同的能耗預(yù)測方法預(yù)測不同時間點的總耗功率，與實際的總耗功率對比，驗證能耗預(yù)測方法的可靠性。實驗結(jié)果如圖2所示。

圖2中顯示的各個方法與上一實驗設(shè)置相同，從圖2中可以看出，實際測量的數(shù)據(jù)中一些比較明顯的功率波動點，在三組預(yù)測結(jié)果中，只有提出的能耗預(yù)測方法與實際值變化一致，其他兩種能耗預(yù)測方法對于波動比較大的點，預(yù)測誤差比較明顯，不能及時預(yù)測功率變化趨勢，相比之下，提出的能耗預(yù)測方法預(yù)測結(jié)果更加準確。

圖2 不同能耗預(yù)測方法總耗功率實驗結(jié)果

4 結(jié)束語

建筑暖通空調(diào)系統(tǒng)能耗是建筑能耗中的重要內(nèi)容，在所有能耗中占有非常大的比重。本文以建筑暖通空調(diào)系統(tǒng)能耗預(yù)測為核心研究目標，設(shè)計了基于IPSO-Elman神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測方法，在預(yù)測方法設(shè)計完成后，以某寫字樓作為實驗對象，設(shè)計制冷/熱量預(yù)測實驗和總耗功率預(yù)測實驗，在實驗結(jié)束后，通過對各個能耗預(yù)測方法的對比分析，證明了設(shè)計的基于IPSO-Elman 神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測方法的預(yù)測可靠性，為建筑暖通空調(diào)系統(tǒng)的優(yōu)化提供了一定支持。