空调负荷预测的现状和发展_段艳艳

制冷与空调 Vol.26 No.3 第26卷第3期

2012年6月 Refrigeration and Air Conditioning Jun. 2012.300～304文章编号：1671-6612（2012）03-300-05

300 制冷与空调 2012年

空调负荷预测的现状和发展

段艳艳

（西安科技大学 西安 710054）

【摘 要】 介绍了空调负荷预测的国内外研究现状，指出空调负荷预测存在的问题，并对发展方向进行了探

讨。

【关键词】 空调负荷；预测；神经网络 中图分类号 TU831 文献标识码 A

Current Status and Development of Air-conditioning Load Predicting

Duan Yanyan

( Xi'an University of Science and Technology, Xi'an, 710054 )

【Abstract】 In this paper, the research progress of air conditioning load prediction is introduced briefly in the world. The problems that exist in prediction of air conditioning load are pointed out; finally the development direction is discussed. 【Keywords】 Air conditioning load; Prediction; Neural network

0 引言

采用合理的运行调节方法是提高空气调节系统的能源利用主要途径之一。实行负荷预测是空气调节系统优化运行的基础，也是蓄能空调系统高效经济运行和新兴的冷热电三联产技术发挥技术优势的关键所在。目前，国内外和国际上已经对此做了大量研究。

1 国内外研究现状

预测方法可以分成两大类[1]，一类是定性预测，一类是定量预测。空调逐时负荷预测常采用定量预测的方法，主要采用时间序列、神经网络和支持向量机等方法建立空调逐时负荷预测模型。 1.1 时间序列预测

时间序列预测的基本出发点是用事物过去的变化特征描述和预测末来的变化特征。Macarthur等人[2]于1989年采用具有外部输入的自回归移动平均时序模型进行逐时冷负荷的预测。其不足是在负荷变化剧烈时，预测精度无法得到保证。Seem等人[3]于1991年建立了一个利用EWMA（指数加权移动平均）和AR（自回归）模型进行负荷预测的在线预测模型，模型的参数能够根据建筑物空调负荷或用电负荷的历史记录适时调整数学模型中的部分参数。Kimbar等人[4]于1995年采用积分自回归-移动平均模型方法进行负荷的在线预测。Yoshida等人[5]于1997年建立了负荷回归模型，预测的平均相对误差夏季为29%，冬季为12%。

我国的张伟捷等人[6]于1996年最早介绍了利用时间序列进行空调逐时负荷预测的思路。徐令强等人[7]于2009年根据次日室外最高温度气象数据及已知的蓄冰空调负荷历史数据，提出了一种基于温度区间的空调平均负荷ARMAX模型辨识方法，所提出的预测模型预测误差比单一区间模型小，并且室外最高温度差异越大，效果越明显。

空调负荷的时间序列预测模型的特点是计算速度快和能反映负荷近期变化的连续性。其存在的不足是对原始时间序列的平稳性要求高、而实际空调负荷一般均不满足平稳性的要求，因此预测精度

作者（通讯作者）简介：段艳艳（1988-），女，在读硕士研究生，Email：wudiyanyan1988@http://doc.guandang.net

收稿日期：2011-06-01

第26卷第3期 段艳艳：空调负荷预测的现状和发展 301

不理想。

1.2 神经网络（Artificial Neural Network, ANN）预测

神经网络空调逐时负荷预测模型是近年来发展起来的较为新颖的预测技术。神经网络法就是构造合适的神经网络结构，然后选取过去一段时间的负荷作为训练样本，用某种训练算法对网络进行训练使其满足精度要求之后，用ANN作空调负荷预测。

国内外对神经网络应用于空调负荷的研究总的来说经历了以下三个阶段：（1）对神经网络的直接应用的阶段；（2）对神经网络的改进阶段；（3）神经网络与其它方法组合的阶段。 1.2.1 神经网络的直接应用

国外对神经网络应用于空调负荷预测的研究较早，早期主要是对神经网络的直接应用。

Ferrano[8]于1990年采用神经网络预测次日的总冷负荷，提出根据前一天24小时的温度确定冷负荷模式，并与实时专家系统相结合，确定系统所需蓄冰量，以便更好地控制夜间制冷机的运行。但是该文献只是首次提出了用神经网络进行冰蓄冷系统负荷预测的概念，主要还是根据冷负荷模式确定蓄冰量，而且还需要专家系统的支持，实现起来比较复杂。日本学者川岛实（Minoru Kawashima）[9]

于1994年推荐用于空调负荷预测的BP神经网络模型采用一个输出神经元（冷负荷）和有2n+1个神经元的隐含层（n是输入层的神经元个数）。其不足是虽然训练速度比较快，但是在负荷剧烈变化时，预测精度就显得较差。Kawashima等人[10]又于1995年采用完全相同的数据对包括ANN模型在内的7种负荷预测模型（ARIMA、LR、EWMA等）用于未来24小时冰蓄冷系统逐时负荷预测，结果显示由于时间序列模型ARIMA和EWMA完全依赖于以前的数据，用他们去跟踪由天气引起的负荷波动有很大的局限性。同时，采用线性回归模型（LR）处理非线性问题也是很困难的。作者指出ANN模型对空调逐时负荷预测的相对误差低于其它模型，但是预测精度还不够理想。

在美国采暖、制冷和空调工程师协会（ASHRAE）以及日本空气调和卫生工学会先后组织的关于空调负荷预测竞赛活动中[11-13]，都显示了神经网络在负荷预测研究方面的良好效果。

ASHRAE于1993年夏季组织了一次公开的竞

赛，参赛者利用一栋建筑的部分实测数据（包括室内外气象参数、逐时负荷值）建立预测数学模型，然后用各自得出的数学模型以另一部分数据（只有室内外气象参数值，负荷值不提供）来预测同一栋建筑的逐时负荷值。最终结果显示，约2/3的研究者采用了各种神经网络方法作为负荷预测建模的基础，在预测精度最好的前6名中有5名采用了神经网络进行负荷预测的建模，显示出了神经网络方法在负荷预测研究方面的良好效果。随后，在ASHRAE于1994开展了另外一场关于建筑物空调负荷预测的竞赛，结果仍然显示出采用神经网络预测模型的预测精度最好。

日本空气调和卫生工学会于1997也开展了一个类似的竞赛。该竞赛分为Trial-1和Trial-2两个阶段。其中Trial-1主要探讨各种预测方法的可行性，Trial-2主要验证各种预测模型在实际控制应用中的可行性。Trial-1的结果同样显示，采用神经网络方法的预测模型具有最高的预测精度。Trial-2的结果为时间序列方法和神经网络方法具有较高的预测精度。

Abdullatif等人[14]于2004年利用神经网络预测空调系统逐时负荷值，网络输入为24小时的室外干球温度，网络输出为第二天的逐时冷负荷值。结果表明，设计合理的神经网络是一个功能强大的预测工具。

国内近些年也利用神经网络进行空调负荷预测的研究。杨自强等人[15]于1998年介绍了利用神经网络方法进行负荷预测的基本理论和方法，并对大连某办公楼的冷负荷进行逐时预测，得到了比较满意的结果。孙光伟等人[16]于1998年采用BP网络对逐时空调负荷进行预测，并对神经网络的输入进行了比较研究，仿真结果表明，将前几日的负荷数据、预测日的气象参数和预测日的特性作为网络输入时，预测精度最高。李元旦[17]于2002年对单纯时间序列模型、传递函数模型和神经网络负荷预测进行比较，并对比分析日本建筑物负荷预测国际竞赛的部分比赛数据及 …… 此处隐藏：9190字，全部文档内容请下载后查看。喜欢就下载吧 ……