基于传热机理的实时冷负荷预测

金碧瑶，李占培，刘廷章，张修红，闫 斌，张颖婍

（上海大学机电工程与自动化学院，上海市电站自动化技术重点实验室，上海 200072）

基于传热机理的实时冷负荷预测

金碧瑶，李占培，刘廷章，张修红，闫 斌，张颖婍

（上海大学机电工程与自动化学院，上海市电站自动化技术重点实验室，上海 200072）

针对现有冷负荷预测方法不能有效解决动态实时性的问题，提出一种基于传热机理的实时冷负荷预测方法。根据谐波反应法建立针对室外气象因子的实时冷负荷预测简化模型，用最小二乘法辨识模型参数，从而降低计算量。实验结果表明该模型能较好地反映室外气象因子的实时动态性，具有较高准确度。

冷负荷预测；动态实时性；室外气象因子；模型

0 引 言

能耗的迅速增加是造成我国电力供应紧张的一个重要因素。空调的能耗约占建筑能耗的40%～55%[1]，可见空调系统的节能是建筑节能的重点之一。准确计算空调的实时负荷有助于调整空调的实际运行，同时尽可能地减少能源消耗。

空调冷负荷[2-3]形成过程中，室内热量的产生遵循一定散热规律，可通过简化的工程方法进行计算。而室外环境对房间冷负荷形成的影响有围护结构、窗户传热两个方面。室外环境包括室外温度、室外空气湿度、太阳辐射、室外风速等，这些因素具有不确定的变化规律，是研究冷负荷计算的难点。现有的空调负荷计算方法[4-8]可以分为两类：面向空调工程设计的负荷计算和面向空调运行的负荷预测。前者准确性较高，但计算量大；后者建模时间较长，模型建立后可以实时快速地计算，但无法涵盖室内外动态变化的因素。

本文提出一种针对室外气象因子的基于传热机理的实时冷负荷预测方法。该方法融合了两类方法的优点，能有效地解决动态实时性问题，同时具有较好的准确性。

1 冷负荷模型的建立

在不考虑内扰的情况下，基于传热机理的冷负荷形成过程如图1所示。房间冷负荷主要由通过围护结构得到的冷负荷（CLQ1）和经窗户得热形成的冷负荷（CLQ2）组成。因此，某时刻的冷负荷为

图1 建模总体方案

1.1 通过围护结构得热量形成冷负荷

围护结构主要是指墙体、屋顶等。在谐波反应法[9-10]中，通过围护结构形成的冷负荷由对流热成分和辐射热成分组成。只考虑傅里叶的低阶级数时，某时刻通过围护结构得热量形成冷负荷CLQ1为

式中：K——围护结构传热系数，W/（m2·K）；

F——墙体或屋顶的面积，m2；

tN——室内空气温度，℃；

βd——对流成分占总得热量的比例；

βf——辐射成分占总得热量的比例；

αN——围护结构内表面放热系数，W/（m2·K）；

ΔtZ·1——围护结构的一阶外扰；

ν1——围护结构对一阶综合温度扰量的衰减度；

μ1——房间对一阶墙体或屋顶传导得热中辐射扰量的衰减度。

室外空气综合温度tz受室外空气温度tW和太阳总辐射I的影响而室外空气综合温度是以24h为周期的，因此其平均值以24h为单位取平均。将式（2）中的室外平均温度用室外空气温度和太阳总辐射来表示并简化可得：

式中：ρ——围护结构外表面对太阳辐射热的吸收系数；

αW——围护结构内外表面的总放热系数，W/（m2·K）；

外空气温度和总辐射，单位分别为℃，W/m2。

1.2 通过窗户得热量形成冷负荷

通过窗户得热量形成的冷负荷包括瞬变传导形成的冷负荷（CLQA）和日射形成的冷负荷（CLQB）即：

某时刻瞬变传导形成的冷负荷为

式中A1为一阶室外空气温度的波幅，℃。

相应的日射形成的冷负荷为

式中：Cs——窗玻璃的遮阳系数；

C1——窗内遮阳设施的遮阳系数；

B1——一阶日射得热因数谐波的波幅。

日射得热取决于很多因素，从太阳辐射方面来说，辐射强度和入射角均依纬度、月份、日期、时间的不同而不同。从窗户本身的结构来说，它随玻璃的光学性能，窗户结构、特性、是否有遮阳装置等而异。此外，还与内外放热系数有关。为了计算方便，这里主要选择太阳直射辐射强度IC·Z和太阳散射辐射强度IS这两个因素。因此式（7）和式（8）可表示为

αD——玻璃窗直射吸收率；

αS——玻璃窗散射吸收率。

1.3 房间总的冷负荷

综合上述分析，某时刻房间的冷负荷可以表示为与室外空气温度tW、太阳总辐射I、太阳直射辐射强度IC·Z及太阳散射辐射强度IS有关的关系式。而太阳的总辐射、散射和直射是存在一定联系的，知道其中两个量，必可推倒出第3个量。因此，将室外气象因子减为室外空气温度、总辐射和散射3个量，可用矩阵表示：

2 模型参数的辨识

在实验过程中，由于测量仪器有限，无法实时采集太阳总辐射、散射等数值，并且冷负荷又难以测量，而DeST[11]是一款可以实现房间冷负荷模拟的仿真软件。因此，本文以上海某建筑为原型建立实际房间的模型，选取特定房间，通过仿真得到7月的冷负荷数据。将DeST中的典型气象值和仿真得到的冷负荷数据中前25日的逐时值作为模型辨识数据，剩余数据作为模型验证数据。

本文采用最小二乘法在Matlab平台上进行辨识。将室外空气温度、太阳总辐射、散射以及模拟房间冷负荷数据的24 h样本序列输入Matlab程序中进行计算。7月份的部分样本数据如表1所示。辨识的结果为

3 模型验证

由辨识得到的模型参数结合7月26日至7月31日的气象数据，可以得到一组计算负荷，并与DeST的仿真负荷进行比较验证，其结果如图2所示。横轴为时间，每天从0时刻到23时刻反复进行；纵轴为冷负荷值，单位是kW。蓝色为DeST的仿真负荷曲线，红色为利用模型计算得到的冷负荷曲线。虽然在局部点上，计算负荷与仿真负荷存在差距，但二者在总体趋势上是一致的。

图2 模型计算结果与DeST仿真结果对比

图3为相对误差统计图，模型的计算与仿真结果的最大相对误差为0.084%，说明该模型计算结果在合理的范围内，从而验证了模型的准确性。

图4为冷负荷与气象因子的趋势图。从图中可以看出，影响冷负荷的最主要因子是室外空气温度，同时也验证了模型能较好地反映室外气象因子的动态实时性。

表1 7月份的部分样本数据

图3 相对误差统计

图4 冷负荷与气象因子的趋势图

4 结束语

本文提出的基于传热机理的实时冷负荷模型方法能够在空调运行工况下，进行房间冷负荷计算，为优化房间空调供冷量控制策略提供了理论依据。进一步分析了房间冷负荷形成的重要影响因素，实现空调冷负荷简化计算。该模型能有效地解决动态实时性问题，同时又保证其准确度。

[1]清华大学建筑节能研究中心.中国建筑节能年度发展研究报告2009[M].北京：中国建筑工业出版社，2009：92-127.

[2]Fouda A，Melikyan Z，Mohamed M A，et al.A modified method of calculating the heating load for residential buildings[J].Energy and Buildings，2014（75）：170-175.

[3]Yao Y，Chen J. Global optimization of a central air-conditioning system using decomposition coordination method[J].Energy Build，2010，42（5）：570-583.

[4]吴杰.冰蓄冷空调系统负荷预测模型和系统优化控制研究[D].杭州：浙江大学，2002.

[5]Kusiak A，Li M，Zhang Z.A data-driven approach for steam load prediction in building[J].Applied Energy，2010，87（3）：925-933.

[6]Yun K，Luck R，Mago P J，et al.Building hourly thermal load prediction using an indexed ARX model[J]. Energy Build，2012（54）：225-233.

[7]Yun K，Cho H，Luck R，et al.Real-time combined heat and power operational strategy using a hierarchical optimization [J]. Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2011，225（4）：403-412.

[8]Yool P，Jong I P.Analysis of energy performance by window directions in apartment[C]∥ Proceedings of Summer Conference of Air-Conditioning Refrigeration Engineering，2012：1041-1044.

[9]赵荣义，范存养，薛殿华，等.空气调节[M].北京：中国建筑工业出版社，2008：20-50.

[10]蒲净，刘桂莲，阎哲，等.建筑空调逐时负荷的确定[J].华北电力大学学报，2009，36（3）：20-22.

[11]江亿.建筑环境系统模拟分析方法——DeST[M].北京：中国建筑工业出版社，2006：117-141.

Forecasting of real-time cooling load based on heat transfer mechanism

JIN Biyao，LI Zhanpei，LIU Tingzhang，ZHANG Xiuhong，YAN Bin，ZHANG Yingqi
（Shanghai Key Laboratory of Power Station Automation Technology，School of Mechanical Engineering and Automation，Shanghai University，Shanghai 200072，China）

This paper proposes a methodology in predicting real-time cooling load based on heattransfer mechanism，which solves the problem that the current calculation and prediction on cooling load cannot work out the dynamic real-time performance efficiently.Considering outdoor meteorologicalfactors，the cooling load simplified modelis builtvia harmonic reaction and identified by least square method，which reduces the amount of computation.The result indicates that the model improves dynamic real-time performance of outdoor meteorological factors as well as accuracy.

cooling load forecasting；dynamic real-time；outdoor meteorological factors；model

A

：1674-5124（2015）07-0112-04

10.11857/j.issn.1674-5124.2015.07.026

2014-11-12；

：2015-01-16

国家自然科学基金项目（61273190）

金碧瑶（1989-），女，浙江安吉市人，硕士研究生，专业方向为空调节能控制。