室内双通道暖通空调能耗预测方法

李晓敏

（山西大同大学建筑与测绘工程学院，山西大同 037003）

在室内双通道暖通空调能耗预测中，目前主要是动态温度调节，通过比较空调房间室内热环境因素，结合寻优控制算法，实现对空调能耗的自动化预测[1-2]。空调能耗预测方法有DBSCAN 聚类算法分析方法、关联规则挖掘算分以及K-Means聚类预测算法等[3]，另外还有基于负荷预测的超高层建筑供水系统能耗综合预测算法[4]和基于局部离群因子算法的室内双通道暖通空调能耗预测方法[5]。这些传统统计分析法的环境适应性不好。

针对上述问题，提出基于组合权重分析和神经网络的室内双通道暖通空调能耗预测方法（以下简称权重神经网络法），实现室内双通道暖通空调能耗预测优化。经实验测试分析，在提高预测精度方面有一定的优越性能。

1 双通道空调能耗分配结构参数分析

1.1 能耗分配结构模型

为了实现室内双通道暖通空调能耗预测，结合空调房间冷/热负荷开销调节的方法，建立空调能耗的分配结构模型。通过能量配置和负荷动态，调节送风量消除负荷，以室外温度、照明和设备使用率等作为室内双通道暖通空调能耗的组合权重，建立室内双通道暖通空调的能耗模拟结构模型。结合动态温度调控策略[6]，通过建立对应的空调能耗预测的总体调控模型，分析能耗阈值。在夏季工况下进行空调逐时能耗开销分析，将能耗模式进行分组控制，建立能耗模式的判决决策树。结合能耗分析集成设计策略，构建能耗预测模型[7]。总体实现技术图如图1。

图1 能耗预测技术结构图

结合室内双通道暖通空调能耗的负荷和热平衡分析，建立室内双通道暖通空调能耗传递模型如图2。

图2 能耗传递模型

图2中，空调系统能耗传递通过负荷、系统、设备三个模块构成。根据室内双通道暖通空调分布墙体的热通量，得到墙体内表面的热通量进出参数，则任意节点n的能耗为：

式中：PECS是室内双通道暖通空调一个单位的系统冷热源的能耗；PMEMS是房间外表面热平衡交换矩阵中一个单元的能耗；PTran和PRe分别为热传导传递函数的传递系和长波辐射交换通量；cn是房间外表面热平衡通量。

根据上述对室内空气热平衡参数分析，建立基于空调使用率的能耗模拟的能耗开销数据分配模型，结合空气对流和水分蒸发热量分析，进行空调能耗分配结构设计[8]。

1.2 能耗开销参数分析

采用动态温度调控的空调系统能耗建模方法，根据空气温度、平均热辐射温度和装外表面温度作为约束自变量[9]，将人体感受到的温度分为热（+3)、稍暖（+2)、暖（+1)、舒适（0）、稍凉(-1)、凉(-2)、冷(-3)共七个指标，结合个体间存在差异性，得到空调能耗约束参数与人体体感对应关系如图3。

图3 空调能耗约束参数与人体体感对应关系

根据图3建立基于空调使用率的能耗模拟的能耗检测模型[10]，结合当前环境下室内双通道暖通空调热通路ij上第k号能耗分布，得到动态温度调控输出为：

式中：dl是一条热通路（节点i和j之间）的温度调控范围的最大值；dspan为空调系统逐时动态温度设定值，通常设置为26℃；PILA、PPre和PPost分别为室外逐时气温能耗损耗、前置放大器和后置放大器的能耗[11]。

基于空调系统能耗仿真和动态控制，动态调节温度参数[12]，得到空调房间热环境中一条通路ij的能耗为：

在活跃状态下，采用组合权重分析和动态神经网络预测的方法，构建空调能耗预测模型。根据能耗开销参数分析结果，采用温度预测模型优化设计的方法，得到空调能耗预测的权重和偏置项[13]。

2 空调能耗预测优化

2.1 能耗参数检测和估计

通过对室内热环境的逐时段动态调节，建立室内双通道暖通空调能耗的动态检测模型。在II 型温度调配下，通过人体的热舒适性分析[14]，得到空调房间热环境可满足人体的热舒适性要求约束下的独立同分布控制目标函数为：

采用统计决策分析方法，引入墙体内热平衡、房间内表面热平衡、房间外表面热平衡特征量，得到墙体内热平衡动态压力分布为：

在间隙流的作用下，得到空调能耗预测的负荷为：

式中：lr为零能耗控制阈值；EDF为空调系统能耗的演化变量。

采用神经网络预测，得到空气环路、冷热水环路和冷却水环路的能耗开销之和为：

式中：ER为空气环路能耗；ET为冷热水环路能耗；EF为冷却水环路能耗；ERx(l)为辐射散热；EDF为可见光占比；E Tx为照明功率。

由超高层建筑供水系统能耗的多相等效饱和特征分布，根据上述分析，建立基于空调使用率的能耗模拟的能耗开销数据分配模型，采用数据挖掘和神经网络动态拟合的方法，实现室内双通道暖通空调能耗参数检测和估计。

2.2 能耗预测模拟

基于空气流动和材料的阻热特性分析，得到房间热容的能量平衡态满足，建立房间热容的能量平衡方程。基于亚格子应力张量分析，得到能量平衡特征量用{v1,v2,…,vv}表示。供热系统输出到室内的能量信息为：

式中：E为室内空气热流量；K(as)为冷风渗透热流量；as为供热系统的热流量。

根据供热系统的热流量的输出特性，得到热能耗流体密度为：

式中：E为设计冷风渗透量；η为气对流和水分蒸发导致的热比系数；ω为对流热流状态分布系数；b为长波辐射热通量。

建立流体动力粘度预测模型，得到空调能耗模式、能耗异常数据、能耗预测模型参数，进而建立空调排放因子、耗电因子预测模型，实现对空调能耗的动态预测和评估。能耗预测的实现流程如图4。

图4 能耗预测的实现流程

3 实验测试

实验中，室内双通道暖通空调系统设置：功率0.47 kW 冷却塔1 台，连续测试时间为运行时间08:00-20:00，暖通输出节点100，风机效率0.7，冷却水泵效率0.9，空调热传导、空气热平衡载荷以及对流热通量等热力学参数拟合见表1。

表1 室内双通道暖通空调的热力学参数拟合值

根据表1 对室内双通道暖通空调的参数拟合和设定结果，进行空调能耗预测，得到权重神经网络算法和传统PID（比例积分微分法）预测算法的预测结果如图5。

分析上述仿真结果得知，权重神经网络法进行室内双通道暖通空调系统预测的精度较高（比传统方法提高了23.6%）。测试收敛值如图6，表明权重神经网络法能在较短时间内收敛到最低能耗，提高了室内双通道暖通空调系统的能力。

图6 预测收敛拟合曲线

采用3种不同方法，测试能耗预测误差，对比结果见表2。可见，权重神经网络法进行能耗预测建模误差较小。

表2 能耗预测误差对比

4 结语

构建室内双通道暖通空调能耗预测模型，对温度参数和耗能因素调节，根据人体的热舒适性需求，结合空调自动控制系统，降低热波动，提出基于组合权重分析和神经网络的室内双通道暖通空调能耗预测方法，建立室内双通道暖通空调的能耗模拟结构模型，分析能耗阈值；结合空气对流和水分蒸发热量分析，进行空调能耗分配结构设计；采用神经网络预测算法，实现能耗开销预测。研究表明，权重神经网络法的预测精度较高，误差较小。