基于PCA-BP 神经网络的智慧建筑暖通空调能耗预测

2023-05-22杜会军

制冷与空调 2023年2期

杜会军

（中铁建设集团华北工程有限公司天津 300000）

0 引言

暖通空调在提高室内空气品质、提高室内居住舒适性等诸多功能的同时，也产生了大量能耗问题，制约我国生态环境稳定发展。其中一个重要的问题在于，常规的暖通空调和监测设备不能及时调整最佳的送风量，以适应不断改变的室内环境的各种参数，从而造成了空调的能源消耗过剩。另外，“非均匀非正常”的各种因素也与暖通设施的安全风险和防治有着很大关系，比如在火灾中，烟雾等的扩散速率可以高达3m/s，因此有必要开发一种新型的监测技术。路凯文等人结合实验研究，证明了利用暂态区模式进行的室内热状况预报是可行的，其结果表明：大气热层化和暂态壁温的计算是正确的。但是，多区模式的建立都是以室内空气的均匀性为基础，而在快速水力计算中，忽视了水流的重要影响。结果表明，这些方法的预报结果仍然有很大的偏差，不能达到工程中对预报的准确性要求[1]；曾剑锐等人利用OpenFOAM 软件建立了一种新的计算模型，并通过实验证明了其在房间中的流动特性。但是，由于传感器的数量不多，不能很好地描述整体/非均匀分布（或内部人群）的环境参数，因此不能保证对最好的空气质量进行评价。如果进行大规模的监控，代价高昂，而且存在信息重复情况[2]。本文为优化空调控制策略，达到节能减排目的，提出了基于PCA-BP 神经网络的智慧建筑暖通空调能耗预测方法。

1 智慧建筑暖通空调能耗数据PCA 降维处理

PCA 是目前应用最为普遍的一种降维算法，PCA 的基本思路就是把多个维度的特性映射到一个维度上，这个维度是一个新的正交特性，也就是所谓的主分量，它是在原来多个维度上再构建一个维度的特性[3]。PCA 的任务是从原来的空间中依次找到一套互相垂直的轴系，而这些新的轴线的选取与数据自身有着紧密联系。

降维的线性建模的主要作用是对基于PCA 的初步预报数据库进行快速地扩展和数据的降维，从而大大减少了系统建设费用。此方法分为两种：一种是降维模式，另一种是直线模式[4]。在此基础上，采用体积平均法对数据进行了压缩，达到了数据精确性要求（例如，在实际应用中，该算法的要求不超过10%）。图1 显示了降维的基本理论，它采用了基于容积均值的离散和数据的降维重建方式。

图1 能耗数据PCA 降维模型原理图Fig.1 Schematic diagram of the PCA dimension reduction model for energy consumption data

由图1 可知，线性（标量）模式分为线性通风模式、温度模式和湿度模式，它可以将各种不同的环境指标（例如浓度、温度、湿度）线性叠加，可以迅速地获得大量资源（如污染源、热源、湿度源）的影响，从而达到数据库扩展的目的[5,6]。

假设智慧建筑暖通空调能耗数据中存在m个样本和n个特征，可表示为：

由于在数据降维时会产生映射错误，因此需先对特征数据进行归一化处理，这样才能达到对能耗数据降维的目的。在整个过程中，应保证每个特性都具有相同的比例，否则会出现特征过大或特征过小的问题，影响整个降维效果[7]。从三维向二维的降维，可以理解为找到两个向量、，通过这两个向量分别构造出一种新的特征，并将其与原有的采样点相对应[8,9]。将三个特征的采样点投影到二维平面上会出现一些错误，因此必须对每个图像进行精确地测量。错误幅度的计算公式，如下所示：

在获取降维效果之后，用降维矩阵将该模型映射到低维空间上[10]。降维公式如下所示：

公式（4）中，c表示数据降低的维度。c值越大，低维空间上特征矢量也就越多，降维误差也就越小，保留原来特征特性。

2 基于PCA-BP 神经网络的能耗预测

采用PCA 和BP 神经网络相结合的方法，将空调节能控制中的初始数据进行了精简，剔除了对其影响较小的部分，同时也充分发挥了BP 神经网络的非线性及平行运算的特点，进一步改进了BP神经网络的算法架构，从而使其具有较好的学习性能和较好稳定性。对于基于PCA-BP 神经网络的能耗预测，首先，将空调节能控制信息进行分析，利用PCA 对其进行预处理，得出累积贡献度，然后由最开始向后依次抽取出小于特征总量的主成分。将PCA 所得的主成分数据引入BP 神经网络的输入级，初始化BP 神经网络权值，获取精准预测结果。

2.1 能耗数据加权归一化处理

由于不同负载比例下能耗数据存在数据缺失、冗余等问题，对能源消耗的预测效果产生较大不利影响。针对有问题的能源消耗数据，采取有目标的方法进行处理[11]。能源数据加权平均处理公式，可表示为：

公式（5）中，w表示加权权重；d表示日期；t表示时间，利用此方程对能耗数据进行处理填补。填补完毕后，将PCA 降维模型做标准化处理，获得的数据参量，获得的所有参量再进行训练采样，将训练采样结果与所获得的参量分别进行归一化处理，由此查找出异常数据[12]。计算公式如下：

公式（6）中，xmax、xmin分别表示待处理能耗数据最大和最小值。将能耗变化率上限5%作为临界点，如果能耗预测量结果与实际测量结果的偏差大于设定的临界点，则表明所预测到的能量消耗数据是异常数据。

2.2 累计贡献率计算

根据线性标量假定（参照以上的直线模式原则），可以将内部环境贡献系数解释为各个来源（例如：房间内的热能和湿气来源）对诸如温度、湿度等的整体环境参数的影响因素[13]。利用热源或湿气来源的影响因素（建立在降维线性建模基础上的资料库），再加上源能强度的改变，可以有效实现“超实时”地预测温度和湿度。在热、湿两个方面，其房间环境贡献系数计算公式为：

公式（7）中，xs表示湿度、温度源s的能耗值；Δxs,0表示湿度、温度源s的湿度和热量发生变化后扩散到室内平均能耗[14]。利用室内环境贡献系数来快速地实现对温度和湿度能耗的快速预测，剔除其所占比例小的部分，利用PCA 特征值来描述高维数据，尽量保留“距离”，减少各种运算过程中所需运算量，提高了数据提取效率。

2.3 基于BP 神经网络能耗预测及误差修正

在能耗数据中会出现与空调系统历史工作流程不一致的情况，在相同异常点，由于负载比例作用，使数据噪音加剧，增加了能耗预测难度。因此，利用历史数据变异规则，对离群值进行垂直处理，并对其进行校正。假定预测空调系统能耗时，在计算偏差值大于容许能量偏差值情况下，以能量消耗数据为“非正常值”，而在偏差值低于容许能量偏差值情况下，针对非正常能量消耗，调整能量偏差值，以校正偏差值[15]。若能量消耗值为不正常值，则以下列公式代替：

将能耗数据作为不良数据时，利用（9）式进行了消减，其计算公式为：

通过上述过程处理后，得到了能源消耗的全面、可信数据。采用BP 神经网络对空调系统能耗进行了预测。基于此，构建的能耗预测目标函数可描述为：

公式（11）中，Z（·）表示非线性函数；yt表示BP 神经网络t时刻输出值；tv表示t时刻输入值。四层网络的结论与三层网络相比更容易陷入局部最小点，同时网络中的网络数量越多，网络泛化性能越差，网络预测性能也越差，因此只要有足够多的网络节点，就能在任意地点逼近非线性函数，逼近公式可表示为：

公式（12）中，Zi′表示经过i次逼近的BP 神经网络。BP 神经网络从输入级节点开始，由输入级节点通过各个隐含层节点，再由各个节点向外节点传递，每个节点的输出量都会受到节点的影响。在BP 神经网络中，利用动态因素降低了神经网络的振动倾向，提高了BP 的收敛率，从而得到了更优的解，避免陷入局部最优解。训练BP 神经网络，使得y′（x）逼近yt，完成BP神经网络的动态预测。

3 实验研究

为了验证基于PCA-BP 神经网络的智慧建筑暖通空调能耗预测方法的合理性，将其与实际数据、Block-Gebhart 模型、OpenFOAM 预测方法进行对比。

3.1 实验标准

在制冷、制热能耗预测实验过程中，对一年12 个月空调系统制冷、制热进行计算，制冷、制热原理如图2 所示。

图2 制冷、制热原理Fig.2 Principle of refrigeration and heating

分析制冷、制热能耗与实际数值是否一致，制冷、制热量计算公式为：

公式（13）、（14）中，C表示空调制冷或制热时水的比热容；ρ表示空调制冷或制热时水密度；V表示空调制冷或制热水体积流量；TΔ制冷、TΔ制热分别表示制冷、制热进出水温度差。

3.2 测试点布置

在智慧建筑暖通空调能耗预测过程中，以某写字楼建筑1 匹空调为实验对象，依据空调系统实际运行能效，从空调系统制冷、制热量方面进行能耗分析。在无特殊情况下，设置的测试点如图3 所示。

图3 实验测试点布置Fig.3 Arrangement of experimental test points

由图3 可知，在该测试点布置下，获取的实际数据如表1 所示。

表1 实际制冷、制热能耗kW/月Table 1 Actual cooling and heating energy consumption kW/month

预测空调系统制冷、制热能耗，并将其与表1数据对比，分析能耗预测结果实际性能。

（1）畜禽存出栏数量、畜牧业产量产值稳步增长。据调查，2017年末，昌宁县大牲畜存栏20.6万头，出栏8.2万头；生猪存栏88.6万头，出栏121.2万头；羊存栏21.2万只，出栏7.8万只；禽存栏156.5万羽，出栏291.8万只。完成肉类总产11.13万t，禽蛋产量2 787 t，实现产值20.7亿元，占农业总产值比重的37.65%。

3.3 实验结果与分析

分别使用Block-Gebhart 模型、OpenFOAM 预测方法与基于PCA-BP 神经网络预测方法对比分析制冷、制热能耗预测结果，如图4 所示。

图4 不同方法能耗预测结果对比分析Fig.4 Comparative analysis of the energy consumption prediction results of different methods

由图4（a）可知，制冷时间主要是4 月份到10 月份，能耗波动范围是500-2550kW/月；制热时间主要是去年12 月到今年5 月份，9 月份到12月份，能耗波动范围分别是500-3400kW/月、500-3750kW/月。

由图4（b）可知，制冷时间主要是4 月份到10 月份，能耗波动范围是500-3150kW/月；制热时间主要是去年12 月到今年5 月份，9 月份到12月份，能耗波动范围分别是500-2500kW/月、500-2550kW/月。

由图4（c）可知，制冷主要是在6-9 月份，能耗波动范围为500-3750kW/月。在4-6 月份、9-10月份，能耗波动范围分别为500-2650kW/月、900-2350kW/月；制热主要是在去年12 月到今年3月份、10-12 月份，能耗波动范围分别为650-3000kW/月、650-3450kW/月，其余月份能耗较小。

通过上述分析结果可知，使用Block-Gebhart模型、OpenFOAM 预测方法与表1 数据不一致，而使用基于PCA-BP 神经网络预测方法与表1 数据一致，说明使用该方法具有精准预测结果。