首页 > 行业资讯 > 【论文精选】建筑负荷预测与空调系统运行参数寻优

【论文精选】建筑负荷预测与空调系统运行参数寻优

时间：2023-03-12 来源：浏览：

【论文精选】建筑负荷预测与空调系统运行参数寻优

原创杨滨，等煤气与热力杂志

煤气与热力杂志

微信号 GAS-HEAT1978

功能介绍《煤气与热力》始于1978年，创刊于1981年，中国核心期刊，中国土木工程学会燃气分会会刊。筛选燃气供热行业最有价值的技术信息，新闻分类整理、政策标准、热点讨论、投稿查询、论文检索、写作指导、编委风采、精品会议……

收录于合集

官网注册后

http://www.gasheat.cn

免费下载论文

http://www.gasheat.cn/Periodical/index.html

作者：杨滨，崔红社，孙锐，马倩倩，牛梦涵

第一作者单位：青岛市黄岛区市政公用事业发展中心

摘自《煤气与热力》2022年3月刊

参考文献示例

杨滨，崔红社，孙锐，等 . 建筑负荷预测与空调系统运行参数寻优［J］. 煤气与热力， 2022，42（3）：A19-A21.

1 概述

目前，我国既有公共建筑面积达 128 × 10 ⁸ m ² ，占建筑总量的 21% 。公共建筑的能耗占全国建筑总能耗的 33% ^［
1 ^］，暖通空调系统的能耗在建筑总能耗中占比通常可达 30%~40% ^［
2 ^］。降低暖通空调系统能耗是实现建筑节能的重要措施之一。

准确预测建筑负荷是空调系统节能设计与运行的基础，较高的预测精度使人工神经网络在空调系统中得到了应用。 Kusiak 等人 ^［ ³ ^］采用神经网络建立能耗预测模型，并通过多目标寻优，确定优化控制方案以实现能耗最小。蒋小强等人 ^［ ⁴ ^］通过能耗模拟平台及数据处理得到不同负荷条件下，使制冷机房总能耗最小的冷水流量、冷却水流量等参数，结果表明该控制方法比传统变流量定温差控制方法更加节能。李帆等人 ^［ ⁵ ^］以南京市某地源热泵空调系统为实测对象，根据实际运行数据建立人工神经网络负荷预测模型，预测相对误差为 5.2% 左右。陈锐彬等人 ^［ ⁶ ^］以深圳某大型公共建筑为例，采用 BP 神经网络建立负荷预测模型并进行验证，结果显示： BP 神经网络模型对负荷与各输入变量有很好的映射能力。

本文采用人工神经网络建立建筑负荷预测模型，采用粒子群算法进行空调系统设备运行参数寻优。结合工程实例，对某办公建筑的负荷进行预测，对设备运行参数进行寻优。

2 负荷预测与设备运行参数寻优算法

2.1 负荷预测

人工神经网络模型具有自学习、自适应能力强和容错性强等优点，通过创建一系列类似于人脑的神经元组成神经网络，使神经网络模型能够从大量数据中学习，训练得到预测模型。为避免传统 BP 神经网络算法收敛慢、效率低的缺点，本文采用经 Levenberg-Marquardt 算法改进的 BP 神经网络 ^［ ⁷ ^］。改进后的 BP 神经网络拓扑结构包括输入层、隐藏层和输出层。

①输入层

建筑负荷受到室外气象参数（包括室外温度、室外相对湿度等）、围护结构特性、使用功能等因素影响。对于既有办公类建筑，其围护结构以及使用人员、设备等基本固定，因此室外气象参数成为影响建筑负荷的主要因素。因此，本文选取室外温度、室外相对湿度作为输入层参数。考虑到建筑具有热惰性，分别选取前 2 h 、前 1 h 、当前 1 h 的室外温度、室外相对湿度作为负荷预测的影响因素 ^［ ⁸ ^］。即输入层神经元数量为 6 个。

②隐藏层、输出层

隐藏层神经元数量取 2N+1 ^［
9 ^］， N 为输入层的神经元数量。即隐藏层神经元数量为 13 个。本文建立的预测模型为多输入 - 单输出结构，输出层神经元为当前 1 h 的建筑负荷。

③数据归一化处理

采用极大极小值法，对输入层、输出层参数进行归一化处理，以避免神经网络收敛慢、训练时间长等问题 ^［
10 ^］。

④负荷预测模型的建立

采用 MATLAB 建立负荷预测模型，输入层、隐藏层传递函数采用 tansig 函数，输出层传递函数采用 purelin 函数，反向传播的训练采用 trainlm 函数 ^［
11 ^］。将数据样本分为训练集、验证集，通过训练与验证直至符合精度要求。

2.2 设备运行参数寻优算法：粒子群算法

粒子群算法（ PSO ）模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作方式寻找食物，群体中的每个成员通过学习自身的经验和其他成员的经验不断改变搜索模式。

粒子群算法在寻优过程中，用一个粒子来模拟群集中的个体，每个粒子可视为多维搜索空间中的 1 个搜索个体，粒子的当前位置即为对应优化问题的 1 个候选解，粒子的飞行过程即为该个体的搜索过程。粒子的飞行速度可根据粒子历史最优位置和群集历史最优位置进行动态调整。粒子仅具有 2 项属性：速度、位置。每个粒子单独搜寻的最优解称为个体极值，群集中最优的个体极值作为当前全局最优解。通过不断迭代，更新速度和位置，直到得到满足终止条件的最优解。

3 实例应用与分析

3.1 工程概况

以青岛市某办公楼空调系统为研究对象。办公楼空调面积为 4.3 × 10 ⁴ m ² ，空调系统工作时间为工作日的 8 ： 00 — 16 ： 00 。空调系统主要设备额定参数与配置数量见表 1 。

表 1 空调系统主要设备额定参数与配置数量

数据采集时间为 2020 年 7 月 1 日— 31 日，包括室外温度、室外相对湿度、冷水质量流量、冷水供水温度、冷水回水温度、空调系统耗电量。数据采样间隔为 1 h ，共采集得到 184 组数据。将室外温度、室外相对湿度作为预测模型输入，由冷水质量流量、供水温度、回水温度计算空调系统供冷量。在室内满足温度要求的前提下，将计算得到的空调系统供冷量作为建筑负荷。为保证预测准确性，采用中位值平均滤波算法对采集数据进行处理，去除实际数据中的随机误差。处理后得到有效数据 172 组。

3.2 负荷预测

采用 MATLAB 建立负荷预测模型，随机将数据样本的 70% 作为训练集， 30% 作为验证集。将验证集数据代入预测模型，由预测结果可知，建筑负荷预测结果与实际结果的平均相对误差为 7 . 7% 。这说明预测模型具有较好的预测能力。

3.3 设备运行参数寻优

粒子群算法通过 TRNSYS 中 TRNOPT 模块外接的 GenOpt 的 JAVA 程序实现，通过设置自变量的定义、目标函数、约束条件、寻优算法等，求解最优化的自变量。自变量为连续变量，选择的优化算法为带惯性权重的粒子群优化算法（ Particle Swarm Optimization with inertia weight ）。目标函数为当前负荷下空调系统的耗电量。

在寻优过程中，为保障空调系统安全稳定运行，保证末端房间制冷、除湿效果，对所优化自变量进行约束，即将寻优参数限制在可行范围内。为保证机组蒸发器、冷凝器流量不小于冷水、冷却水额定流量的 60% ^［
12 ^］，保证水泵及冷却塔的电机安全运行，限制水泵、风机最低工作频率为 35 Hz ^［
13 ^］。根据 GB 50736 — 2012 《民用建筑供暖通风与空气调节设计规范》，室内温度范围限制在 24~26 ℃。根据冷水机组厂家提供的性能曲线，冷水供水温度范围限制在 7~12 ℃。寻优结果见表 2 。

表 2 寻优结果

采用 TRNSYS 软件建立该办公楼空调系统仿真模型，按优化后的设备运行参数，对 2020 年 7 月 1 日— 31 日空调系统耗电量进行模拟。仿真结果为 27 619 kW · h ，实际耗电量为 30 648 kW · h 。模拟耗电量比实际耗电量低 9.9% 。

4 结论

①建筑负荷预测结果与实际负荷的平均相对误差为 7.7% ，预测模型具有较好的预测能力。

②采用 TRNSYS 软件建立该办公楼空调系统仿真模型，按优化后的设备运行参数，对空调系统耗电量进行模拟，模拟耗电量比实际耗电量低 9.9% 。

参考文献：

［ 1 ］清华大学建筑节能研究中心 . 2020 中国建筑节能年度发展研究报告［ M ］ . 北京：中国建筑工业出版社， 2020 ： 5-7.

［ 2 ］孙洪鹏，陈晨，张广智 . 国内大型公共建筑空调系统运行管理现状调查研究［ J ］ . 建筑节能， 2020 （ 10 ）： 8-13.

［ 3 ］ KUSIAK A ， XU G ， TANG F. Optimization of an HVAC system with a strength multi-objective particle-swarm algorithm ［ J ］ . Energy ， 2011 （ 10 ）： 5935-5943.

［ 4 ］蒋小强，龙惟定，李敏 . 制冷机房冷水和冷却水变流量解耦控制策略［ J ］ . 重庆大学学报， 2010 （ 6 ）： 6-12.

［ 5 ］李帆，曲世琳，于丹，等 . 基于运行数据人工神经网络的空调系统逐时负荷预测［ J ］ . 建筑科学， 2014 （ 2 ）： 72-75.

［ 6 ］陈锐彬，李泽奇，黄永益 . 基于 BP 神经网络模型的大型公共建筑冷负荷预测［ J ］ . 建设科技， 2019 （ 1 ）： 38-42.