空调系统负荷预测方法比较分析

沈岑 郁辉球 章威军 麻剑锋 任世琛

杭州哲达科技股份有限公司

空调系统负荷预测方法比较分析

沈岑 郁辉球 章威军 麻剑锋 任世琛

杭州哲达科技股份有限公司

预测负荷对设备的优化控制意义重大，利用杭州某医院手术室空调机组的用电负荷，分别采用改进的季节性指数平滑法和径向基神经网络方法进行负荷预测研究。结果表明，对变化缺乏规律的负荷进行预测时，径向基神经网络方法的预测精度略高于改进的季节性指数平滑法。

负荷预测 指数平滑 径向基神经网络

0　引言

空调系统的负荷预测，对设备的高效运行有着重要的意义。在对空调系统的控制中，可根据预测负荷变化趋势，合理调整设备启停的强烈度；同时，根据未来的负荷变化曲线，合理安排设备间的负荷分配。但由于空调冷（热）系统负荷具有时变性的特点，受室外气象参数、人流量等因素的变化而变化。虽然其中室外气象参数往往呈现周期性变化规律，但是人流量因素却主要根据建筑区域的使用功能而定。而空调末端设备的用电负荷与冷（热）负荷相比，还受设备效率的影响，但变化趋势与冷（热）负荷基本一致。

目前，负荷预测已成为研究探讨的热点。文献[1～2]认为利用改进的季节性指数平滑法与季节性指数平滑法相比，可以进一步提高负荷预测精度，但同时文献[2]认为负荷预测值和实测值的偏差控制在±15%以内，就可以在控制中进行利用。文献[3]利用室外气象参数、负荷等数据比较分析了多元线性回归、季节性指数平滑法和神经网络方法，认为多元线性回归方法在大多数情况下都不可取，改进的季节性指数平滑法可胜任一般的工程应用，神经网络方法的预测精度高，但建模复杂程度也最高。

以上文献在验证负荷预测方法时，所利用的建筑负荷变化相对较规律（办公楼等），所以除了多元线性回归外，改进的季节性指数平滑法和神经网络方法的预测精度均能在10%以内。针对负荷变化不规律，且仅能获得历史用电负荷、温度和湿度的条件下，对改进的季节性指数平滑法与神经网络方法进行比较验证。

1　实例概况

杭州某医院标准洁净手术室设计参数：温度22℃，小于23.5℃；相对湿度40%～60%。在2013年6月12日至7月16日期间进行1#手术室和3#手术室空调机组的数据采集，主要包含用电量、室外温度、室外相对湿度和空调机组送风状态等参数。此外，还获取了期间每日室外的预测最高温度和最低温度。

2　改进的季节性指数平滑法

文献[1]中提供的改进的季节性指数平滑法，与一般的指数平滑法相比，它需要提供未来时刻的室外日平均温度（通过气象台预测的最高、最低温度获得)，去掉了一个平滑项，并对水平因子进行修正。而其计算过程仍类似于温特季节性指数平滑模型[4]。

分别对1#手术室和3#手术室的日用电负荷进行预测检验，得到的结果如图1和图2所示。

图1　1#手术室用电负荷预测-实测对比

图2　3#手术室用电负荷预测-实测对比

图1和图2表明，即使空调机组参数和室外环境参数都是相同的，但由于使用条件不同，3#手术室比1#手术室的负荷变化相对平稳，结果3#手术室日用电负荷预测值的加权平均绝对百分比误差为12%，而1#手术室达到20%。所以当负荷变化不规律时，改进的季节性指数平滑法的预测精度就会降低。

其次另一个造成预测精度变低的原因，是改进的季节性指数平滑法输入是预测的未来室外日平均温度，但在测试期间，仅有87%的室外预测温度与实测温度的相对误差在5%以内，意味着利用预测的室外日平均温度本身就存在一定的误差。

3　径向基神经网络方法

3.1影响因素分析

利用神经网络方法对负荷进行预测，首先需要确定网络结构内的输入神经元。文献[2]运用选元技术，确定了10个输入参数，分别为实时和提前的室外温度、太阳辐射值和空调机组使用数量等。

但对一般的空调系统而言，能获得的参数主要包含历史负荷、温度和湿度等。因此，首先假设14个负荷影响因素，然后利用测试期间的实测数据，通过SPSS17.0对这14个影响因素进行相关性分析，去掉相关性＞0.9的因素，实际得到5个影响因素，如表1所示。

表1　负荷影响因素表

3.2径向基神经网络方法

由于径向基（RBF）神经网络与常用的BP神经网络相比，网络结构简单、训练速度快、学习精度高[5]。基于此，利用RBF神经网络建立负荷预测模型[6～7]。其中5个影响因素作为自变量输入层，则输出层即t时刻用电负荷。

图3　3#手术室逐时用电负荷预测-实测对比

利用测试期间3#手术室用电负荷所获得的共600个样本进行预测检验，其中将前500个样本经线性插值生成2000个样本用于训练RBF网络，最后用原600个样本对RBF网络建立的模型进行检验，检验结果得平均相对误差为11.7%。

图3是部分负荷预测检验结果，由图3（a）可以看出，当逐时实测负荷变化平稳时，逐时预测负荷与逐时实测负荷基本保持一致，平均相对误差仅为3.32%。但当逐时实测负荷波动大时，由图3（b）可以看出，虽然逐时预测负荷变化趋势与逐时实测负荷变化趋势一致，但数值却有一定偏离，平均相对误差达14.17%。

4　结论

首先，使用的手术室空调用电负荷样本与常规空调系统冷（热）负荷样本相比，受末端人流量变化影响更大，且其变化无规律可循，因而预测负荷的准确性偏低。

其次，RBF神经网络预测的是逐时用电负荷，而改进的季节性指数平滑法预测的是日用电负荷。在精度上，无论是负荷平稳段或波动段，RBF神经网络方法精度均略高于改进的季节性指数平滑法。

由于RBF神经网络方法需要利用5个输入因素，模型结构与只需要1个预测的日平均温度输入的改进的季节性指数平滑法相比复杂得多。因此针对负荷变化平稳，有规律的建筑可选择改进的季节性指数平滑法，而对负荷变化无规律的建筑还是应选用径向基神经网络进行负荷预测，确保相应的预测精度。

最后，根据两种方法进行负荷预测的结果，虽然在数值上存在一定的偏差，但是大致的变化趋势都与实测的变化保持一致。因而均可预测负荷的变化趋势，来对设备的启停强烈度控制进行修正，并可提前对设备进行负荷分配。

[1]何大四,张旭.改进的季节性指数平滑法预测空调负荷分析[J].同济大学学报(自然科学版),2005,(12):1672-1676

[2]李玉街,蔡小兵,郭林.中央空调系统模糊控制节能技术及应用[M].北京:中国建筑工业出版社,2010:309-311

[3]何大四,张旭,刘加平.常用空调负荷预测方法分析比较[J].西安建筑科技大学学报(自然科学版),2006,(1):125-129

[4]杨建南,李萍,李世云.温特斯线性和季节性指数平滑法预测模型应用探讨[J].中国数字医学,2010,(11):49-51

[5]陈飞,梁金凤,高铸.基于径向基神经网络的燃气日负荷预测[J].煤气与热力,2007,(5):18-19

[6]陈明.MATLAB神经网络原理与实例精解[Z].北京:清华大学出版社,2013

[7]杨建强,罗先香.地下水动态预测的径向基函数法[J].水文,2001,

Comparative analysis of air conditioning load prediction methods

SHEN Cen,YU Hui-qiu,ZHANG Wei-jun,MA Jian-feng,REN Shi-chen Hangzhou ZETA Technology Co.,Ltd.

Load prediction is very important for optimal control of equipment.This paper selects two predictive methods for carrying out load prediction of the hospital’s operating room:Seasonal Exponential Weight Moving Average(SEWMA),and Radial Basis Function(RBF)neural network,the result is that,RBF neural network is more accurate than SEWMA to predict the load varies irregularly.

load prediction,seasonal exponential weight moving average,RBF neural network

1003-0344（2015）06-046-3

2014-8-12

沈岑（1987～），女，硕士，工程师；杭州市西湖区教工路88号立元大厦6楼（310012）；E-mail:shencentracy@126.com