基于互联网的神经网络空调负荷预测解决方案 同济大学 李元旦 陈沛霖 西安建筑科技大学 何大四 上海华电源信息技术有限公司 苏武平 摘要 在分析比较各种负荷预测方法的基础上，给出了一个基于互联网的应用神经网络方法进行负荷预测的方案。 该方法通过互联网以“准在线”的方式可同时满足较高的逐时负荷预测精度和模型调整的要求，并已在实际工程中 使用，取得了一定的效果。 关键词 互联网 神经网络 负荷预测 Internet－based ANN solution for air conditioning load prediction By Li Yuandan，Chen Peilin，He Dasi and Su Wuping Abstract Based on the analysis of some methods available for air conditioning load pre-estimate which can meet the needs of both the accuracy of hour by hour load prediction and adjustment of model by means of quasi on－line of internet．The method has been put into application of projects and better result obtained． Keywords internet，artificial neural network，load predicton 　　建筑物空调负荷的预测（依空调系统的特点可分为逐日预测与逐时预测）是建筑物能量管理系统暖通空调模块 的基础和核心。蓄能（蓄冷或蓄热）空调系统的优化运行，则必须依赖于负荷预测。本文给出了一个利用互联网为 平台，利用神经网络进行空调负荷预测的解决方案。 1　负荷预测的方法概述 　　建筑物空调负荷预测的方法及其应用由来已久。木村建一指出预测控制是将与蓄热水池相结合的热回收系统的 能耗降至最小的行之有效的方法[1]，并给出了一个基于回归方法的计算机模型； Spethmann等对冰蓄冷空调的优 化控制策略进行了分析[2]，指出了负荷预测的重要性；MacArthur等较早地开展了负荷预测的工作[3]，并用ARMAX 模型对一幢假想的建筑物的负荷进行了预测；Ferrano和Wong首次提出用神经网络方法对空调负荷进行预测的构想 [4]；此后Kawashima等研究者对利用神经网络方法进行负荷预测进行了较多的研究[5-7]；国内清华大学也开展过 相关的研究[8]。 　　依据现有文献的报道，负荷预测方法大致可以分为时间序列分析方法、神经网络方法和 GMDH（group method of data handling）方法等。时间序列方法又可以细分为ARIMAX方法（AR，MA及ARIMA等为其特殊形式）和状态空 间法等。神经网络方法以其良好的学习、自组织和泛化（generalization）特性，在建筑物空调负荷的预测应用中 表现优异，比传统的时间序列方法精度更高[9,10]。 2　实施负荷预测工作的困难 　　因为影响建筑物空调负荷的因素很多，特别是与空调负荷相关的室外气象参数对一般的工程应用而言是无法按 照机理模型定量得到的。由上节的概述内容可知，实施建筑物空调负荷预测的数学模型采用的都是统计模型而非机 理模型。这就意味着对每一幢不同的建筑物，要预测其负荷可能需要采用不同的数学模型（采用的模型结构或者结 构参数不同），这是建筑物负荷预测工作实施的困难之一。 　　采用基于统计模型的数学方法来对建筑物的负荷预测的基本流程见图1。该流程无论是对采用时间序列方法进 行预测还是采用神经网络方法进行预测都是适用的。 　　对于已建成的建筑，如果有足够的空调负荷实测值以及与空调负荷相关的室内外气象参数记录原始数据可供利 用，参照图1可知，建立预测模型的工作主要是选择合适的模型结构并寻求最佳参数（模型辨识和参数辨识）。在 经过有效性检验后，模型的结构和结构参数等就可以固定下来。该模型就可以用于后续的负荷预测工作。 　　但是对于新建筑或者虽有历史负荷记录但建筑物的空调系统已进行过改造或建筑物的使用功能等发生了变化的 情况，建立针对该建筑的负荷预测模型的难度要大得多。因为原始数据不多且是不断积累的，给模型选择以及参数 辨识工作带来了一定的困难，可行的解决办法就是采用实时修正的在线预测（on-line prediction）模型。但由于 影响建筑物空调负荷变化的因素很多，适宜于实施在线预测的模型如MA（移动平均，或称为遗忘因子法）无法获得 足够高的精度；而具有较高精度的神经网络方法等又不易实施在线预测。日本学者最初的设想是采用神经计算机 （通过硬件的方式来实现），但由于技术上不成熟且经济上不可行，该设想一直无法实现。显然，在预测精度与实 施在线预测两者之间需要选择一个折衷的方案，本文提出的解决方案就是基于这一基本事实。 3　解决方案 　　针对前述的实施负荷预测的困难，笔者提出了一个基于互联网的解决方案。通过互联网将离线建模与在线控制 有机结合起来，利用神经网络方法实施负荷预测。该解决方案的流程见图2。 　　该方案的核心是将神经网络的训练和预测过程分离开来。现场控制上位机负责进行数据的采集和对主机、水泵 等设备控制工作的实施。相应控制指令由优化控制软件模块读取负荷预测模块提供的第二天逐时负荷预测值后计算 分析给出。 　　驻留在现场控制PC机上的负荷预测模块ANNSIM按模块化方式将被设计成许多更小的子模块，其中与神经网络有 关的网络结构参数、神经元之间的权系数以及偏置系数(bias）都以文件形式由核心模块读取。采用这种方式的优 点是，神经网络的结构和神经元之间的权系数都可以进行更新。这样，对于某一幢特定的建筑随着采集逐时负荷历 史记录的增加或者建筑物的使用功能等发生变化，当逐时空调负荷规律发生变化后，可以很方便地将原有的神经网 络加以修正，甚至完全改变（中间层的层数，神经元的传递函数等），而这些都可以通过internet完成。 　　远程监控与优化控制中心的技术人员，可以定期地将现场PC机采集到的逐时负荷及室内外气象参数等历史数据 通过internet读取，利用专用程序对获得的逐时空调负荷数据等的分析可对已投入使用的数学模型做进一步的校 验。如果预测的误差在允许的范围内，则原有的模型继续投入使用；如果发现该模型预测精度较差，就利用已增加 了样本数量的历史数据重新构建神经网络并重新对该网络进 行训练，将训练过的网络结构参数和权系数等重新通过internet传回至现场控制PC机（将原有的相关数据文件替换 掉）。这样通过internet，利用离线的方式就可近似地获得利用神经网络进行在线负荷预测的效果。 　　上述过程定期进行，不断重复直至采用的数学模型能在较高的预测精度下稳定工作。一般来说，对新建的建筑 或者新近改造过的建筑由于训练数据样本不多，得到的神经网络模型的精度稍差，对网络进行训练要频繁一些。随 着现场PC机采集的可供训练的样本逐渐增多，神经网络负荷预测模型的精度越来越高并逐渐趋于稳定可靠。 　　采用本文提出的解决方案的另一个优点是远程监控操作人员（一般为系统集成商、工程承包商）可以对多个工 程项目同时进行监管，负责神经网络模型的更新工作。业主方的工作人员只需要在现场输入必要的气象预报数据以 及与现场设备相关的信息即可。 需要补充说明的是，本文提出的解决方案虽然是基于internet而实施的，但只有经过授权的远程监控人员才能进行 上述的操作。 4　工程实例 　　在浙江省杭州市的某一冰蓄冷空调工程的冷源控制部分采用了本文提出的解决方案。该建筑为一新建的多用途 商业建筑，包括商场、证券公司、写字楼和餐饮娱乐等场所。冷源系统采用冰球蓄冰系统，总蓄冷量为8790 kwh （2500USrt），1台双工况主机1406 kw（400USrt），一台基载主机1406 kw（400 USrt）。整个冷源系统采用计算 机控制，下位机采用PLC控制，上位机采用PC控制，上位机和下位机之间通过专用的通讯控制软件进行数据采集传 输和控制信号的通讯。负荷预测软件及优化控制软件安装在现场控制PC机上，并能够与安装在上位机上的控制程序 共享数据文件。目前该软件已通过了调试，远程通讯部分已投入使用，负荷预测部分已完成了2001年供冷季节的数 据采集工作，对已采集的数据进行了离线（off－line）检测比较，负荷预测效果比较理想。目前现场控制计算机 上和远程计算机上的负荷预测程序均已安装调试完毕，开始实施“在线”负荷预测工作。但从系统安全运行的角度 出发，尚需要对软件的负荷预测效果继续观察一段时间，才能确定能否将负荷预测模块与优化控制模块联合运行来 实施对冰蓄冷冷源系统的优化控制。 5　结论 　　本文分析比较了各种建筑物空调负荷预测方法的特点和实施的困难，给出了一种基于互联网利用神经网络进行 建筑物空调负荷预测的解决方案。该方案通过互联网将神经网络的离线训练与在线逐时负荷预测紧密结合起来，满 足较高负荷预测精度的要求。提出的方案已在实际工程中应用，取得了一定的初步效果并具有良好的应用前景。 6　致谢 　　本文所论及的研究工作得到了杭州华电华源人工环境有限公司的支持。上海华电源信息技术有限公司为本研究 提供了部分资助，在此一并表示感谢。 参考文献 1 木村建一，著,空气调节的科学基础.单寄平，译.北京：中国建筑工业出版社，1981 2 Spethmann D H. Optimal control for cool storage. ASHRAE Trans， 1989，95（2）：1189-1192 3 MacArthur J W，Mathur A，Zhao J．On－line recursive estimation for load profile predction. ASHRAE Trans，1989， 　 95（2）：621～628 4 Ferrano F J，Wong K V.Predition of thermal storage loads using a neural network. ASHRAE Trans， 1990，96（2）：723-726 5 Minoru Kawashima，Charles E Dorgan,John W Mitchell.Optimizing system control with load prediction by neural networds 　for an ice－storage system. ASHRAE Trans，1996，102（2）：1169-1178 6 Minoru Kawashima．Artificial neural network back-propagation model with three－phase annealing developed for 　the building energy predictor shoot-out.ASHRAE Trans,1994，100（2）：1096-1103 7 Minoru Kawashima,Charles E Dorgan,John W Mitchell.Hourly thermal load prediction for the next 24 hours by ARIMA， 　EWMA， LR， and a neural network. ASHRAE Trans，1995，101（1）：186-20O 8 王勇.冰蓄冷优化控制技术的研究：[硕士学位论文].北京：清华大学，1997 9 Kreider J F，Haberl J S．The great energy predictor shootout－overview and discussion of the results. ASHRAE Trans， 　1994，100（2）：1104－1118

免责声明：
1．如需转载请注明“来源：中国暖通网 www.cn-hvacr.com”。
2．凡本网注明 “来源：XXX”（非中国暖通网） 的作品，均转载自其它媒体，转载目的在于传递更多信息，并不代表本网赞同其观点，本网不承担此类稿件侵权行为的直接责任及连带责任。
3．在本网投稿及在本网上发表言论者，文责自负，本网有权在网站内转载或引用（作者注明未经授权不能转载、引用除外），此类言论不代表本网观点。
4.如因内容、版权问题需本网停止转载的，请在本网发表之日起30日内联系,否则视为放弃相关权利。 联系电话：0471-3380059