基于rbf神經(jīng)網(wǎng)絡(luò)的建筑逐時空調(diào)負荷智能預(yù)測系統(tǒng)

基于rbf神經(jīng)網(wǎng)絡(luò)的建筑逐時空調(diào)負荷智能預(yù)測系統(tǒng)

正確預(yù)測建筑物空調(diào)負荷是實現(xiàn)空調(diào)系統(tǒng)優(yōu)化運行的先決條件。目前，預(yù)測空調(diào)負荷預(yù)測方法主要包括線性回歸法、指數(shù)平滑法、神經(jīng)網(wǎng)絡(luò)法和層析法。其中，人工神經(jīng)網(wǎng)絡(luò)具有強大的非線性映射能力，因此在預(yù)測空調(diào)負荷方面得到了廣泛應(yīng)用。然而，目前采用的人工神經(jīng)網(wǎng)絡(luò)算法基本上是bp算法或其改進版本。當(dāng)bp網(wǎng)絡(luò)用于函數(shù)接近時，加權(quán)值的調(diào)整采用負梯度下降法。這種調(diào)整權(quán)值的方法存在收斂慢、局部小的缺點。徑向函數(shù)（rbf）的神經(jīng)網(wǎng)絡(luò)是一個比p網(wǎng)絡(luò)更快的神經(jīng)網(wǎng)絡(luò)。因此，作者使用rbf神經(jīng)網(wǎng)絡(luò)建立了智能預(yù)測模型，并對該模型進行了應(yīng)用于辦公樓和圖書館的空調(diào)負荷進行預(yù)測，并將其與bp-s算法的預(yù)測結(jié)果進行了比較。我們將驗證rbf神經(jīng)網(wǎng)絡(luò)對建筑物空調(diào)負荷預(yù)測的可行性。1rbf神經(jīng)網(wǎng)絡(luò)用于預(yù)測空調(diào)負荷1.1rbf神經(jīng)網(wǎng)絡(luò)RBF神經(jīng)網(wǎng)絡(luò)是一種具有全局收斂特性的線性學(xué)習(xí)算法的前饋網(wǎng)絡(luò).它已被廣泛應(yīng)用于數(shù)據(jù)的分類和時間序列的預(yù)測等方面.RBF神經(jīng)網(wǎng)絡(luò)由3層組成,其結(jié)構(gòu)如圖1所示.輸入層節(jié)點只傳遞輸入信號到隱層,隱層節(jié)點一般由輻射狀的作用函數(shù)構(gòu)成,通常采用高斯函數(shù).輸入層實現(xiàn)從xi→Rj(xi)的非線性映射;而輸出層節(jié)點通常選取線性函數(shù),從而使輸出層實現(xiàn)從Rj(xi)→yk的線性映射.1.2rbf基于神經(jīng)網(wǎng)絡(luò)的空調(diào)負荷預(yù)測模型1.2.1空調(diào)負荷預(yù)測模型建筑物空調(diào)負荷受到諸多參數(shù)的影響,關(guān)系較為復(fù)雜.一般而言,建筑物空調(diào)負荷是由建筑物外擾和內(nèi)擾引起的,室外氣象參數(shù)(溫度、濕度、太陽輻射和風(fēng)速等)和室內(nèi)人員變動與設(shè)備啟停是引起建筑物負荷波動的主要原因.對于某些人員變動和設(shè)備啟停較為規(guī)律的建筑,如辦公樓、圖書館等,內(nèi)擾變化規(guī)律相對穩(wěn)定,對空調(diào)負荷的影響不大.而在室外氣象參數(shù)中,溫度、濕度及太陽輻射對空調(diào)負荷的影響最大.因此,文中將溫度、濕度和太陽輻射作為空調(diào)負荷預(yù)測模型的輸入變量.此外,考慮到溫度、太陽輻射強度對空調(diào)動態(tài)負荷的延遲作用,將它們在前一個或兩個時刻的歷史值也納入輸入層.令當(dāng)前時刻為ue84aSymboltAp,則RBF模型的輸入量可選擇以下6個參數(shù):ue84aSymboltAp、ue84aSymboltAp-1、ue84aSymboltAp-2時刻室外空氣干球溫度tue84aSymboltAp、tue84aSymboltAp-1、tue84aSymboltAp-2,ue84aSymboltAp時刻室外空氣含濕量due84aSymboltAp,ue84aSymboltAp、ue84aSymboltAp-1時刻太陽輻射照度lue84aSymboltAp、lue84aSymboltAp-1.建筑物的逐時空調(diào)負荷P作為模型的輸出.1.2.2室外空氣干球溫度為了提高計算效率,防止計算過程中出現(xiàn)個別數(shù)據(jù)溢出的不良現(xiàn)象,需要將輸入和輸出參數(shù)預(yù)先進行歸一化處理,即把數(shù)據(jù)處理成0～1之間的小數(shù)值.文中的參數(shù)采取如下歸一化處理方法:溫度t′=t-tmintmax-tmin(1)t′=t?tmintmax?tmin(1)含濕量d′=d-dmindmax-dmin(2)d′=d?dmindmax?dmin(2)太陽輻射照度l′=l-lminlmax-lmin(3)l′=l?lminlmax?lmin(3)空調(diào)負荷Ρ′=Ρ-ΡminΡmax-Ρmin(4)P′=P?PminPmax?Pmin(4)式(1)～(4)中:t、d、l、P分別為樣本中室外空氣干球溫度、含濕量、太陽輻射照度及空調(diào)負荷;下標max、min分別表示最大、最小值;t′、d′、l′、P′分別為t、d、l、P經(jīng)過歸一化處理后的值.1.2.3結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)建模將經(jīng)過歸一化處理后的ue84aSymboltAp、ue84aSymboltAp-1和ue84aSymboltAp-2時刻室外空氣干球溫度t′ue84aSymboltAp、t′ue84aSymboltAp-1、t′ue84aSymboltAp-2,ue84aSymboltAp時刻含濕量d′ue84aSymboltAp,ue84aSymboltAp和ue84aSymboltAp-1時刻太陽輻射照度l′ue84aSymboltAp、l′ue84aSymboltAp-1等輸入量,用一個向量xue84aSymboltAp表示,xTue84aSymboltAp={t′ue84aSymboltAp,t′ue84aSymboltAp-1,t′ue84aSymboltAp-2,d′ue84aSymboltAp,l′ue84aSymboltAp,l′ue84aSymboltAp-1}.ue84aSymboltAp時刻的建筑物空調(diào)負荷P′ue84aSymboltAp用yi表示.對于N個時刻,每個時刻的相關(guān)參數(shù)作為一個樣本,則樣本總數(shù)為N,樣本集為{(xi,yi)}Νi=1Ni=1.對于已確定的樣本集{(xi,yi)}Νi=1Ni=1,參照文獻,可進行RBF神經(jīng)網(wǎng)絡(luò)建模過程.將中間層神經(jīng)元的轉(zhuǎn)換函數(shù)取為高斯泛函數(shù),第k個神經(jīng)元的轉(zhuǎn)換函數(shù)為xi,k=G(|Qi-Τk|)=exp-12|Qi-Τk|σk)2](5)式中:xi,k為第i個樣本經(jīng)過第k個神經(jīng)元的輸出值;Qi為第i個樣本矢量;Tk為第k個中間層神經(jīng)元的中心;σk為控制神經(jīng)元相互間重疊程度的參數(shù);|Qi-Τk|=√(Qi-Τk)Τ(Qi-Τk)(6)輸出層的神經(jīng)元實現(xiàn)了如下的插值過程:在n維空間Rn中,有N個不同樣本點的集合{xiue84aSymbolNCpRni=1,2,…,N},并在一維空間R1中相應(yīng)給定N個實數(shù)的集合{yiue84aSymbolNCpR1i=1,2,…,N},尋求一函數(shù)f:Rn→R1,使之滿足插值條件f(xi)=yi(i=1,2,…,N).上述基函數(shù)采用了最小二乘法來實現(xiàn)輸出層的線性插值,于是,整個網(wǎng)絡(luò)的映射關(guān)系為f(xi)=n∑k=1ue84aSymbollApkexp-12|Qi-Τk|σk)2](7)按下式把預(yù)測值進行反歸一化,還原為所求的預(yù)測值,則建立了基于RBF神經(jīng)網(wǎng)絡(luò)的空調(diào)負荷預(yù)測模型:?Ρi=Ρmin+f(xi)(Ρmax-Ρmin)(8)2實例分析2.1示例12.1.1主要建筑構(gòu)件參數(shù)用于驗證文中所建立的基于RBF神經(jīng)網(wǎng)絡(luò)的空調(diào)負荷預(yù)測模型的建筑物是廣州地區(qū)一幢長56m、寬20m、高14.4m的4層辦公樓,其外形如圖2所示.該建筑層高3.6m,集中供冷,建筑空調(diào)面積為3581m2.外窗尺寸為2.5m×2.0m,窗臺離地高度為0.8m.每天空調(diào)運行時間為8:00～21:00,總計每天運行13h.主要建筑構(gòu)件參數(shù)如下:外墻:水泥砂漿+24磚墻+石灰砂漿,熱阻0.3409m2·K/W;內(nèi)墻:水泥砂漿+12磚墻+石灰砂漿,熱阻0.1904m2·K/W;屋頂:水泥砂漿+加氣混凝土+鋼筋混凝土+水泥砂漿,熱阻0.607m2·K/W;地面:水泥砂漿+混凝土+水泥砂漿,熱阻0.026m2·K/W;樓板:水泥砂漿+鋼筋混凝土+水泥砂漿,熱阻0.0975m2·K/W;門:單層實體木制外門,熱阻0.372m2·K/W;外窗:普通中空玻璃+淺色窗簾,無外遮陽,熱阻0.256m2·K/W.2.1.2評估指標采用均方根誤差ΔRMSE和平均相對誤差ΔMRE兩個統(tǒng)計量來評價模型的擬合程度和預(yù)測效果.式中:?Ρi為Pi的預(yù)測值.2.1.3模型輸入和計算方法取7月份(共31天)的數(shù)據(jù)作為訓(xùn)練樣本,分別取5月份(共31天)、6月份(共30天)、8月份(共31天)和10月份(共31天)的數(shù)據(jù)作為檢驗樣本,構(gòu)成模型樣本空間.相關(guān)的輸入?yún)?shù)采用廣州典型氣象年的氣象數(shù)據(jù).空調(diào)負荷的基準值采用動態(tài)負荷計算軟件DeST-c的計算值.2.1.4逐時負荷預(yù)測結(jié)果該辦公樓空調(diào)負荷的RBF及BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練學(xué)習(xí)過程、預(yù)測輸出過程及誤差曲線如圖3所示.由于兩種模型的訓(xùn)練樣本輸出和實測值幾乎完全一致,所以圖3中“o”和“+”基本重疊在基準線上.用7月份訓(xùn)練后的RBF神經(jīng)網(wǎng)絡(luò)模型和BP網(wǎng)絡(luò)模型對5月全月的逐時負荷進行預(yù)測,以驗證模型的正確性,其檢驗過程與誤差曲線如圖4所示.同樣,用7月份訓(xùn)練后的RBF和BP網(wǎng)絡(luò)模型對6月、8月與10月份的逐時負荷進行預(yù)測,以進一步驗證模型的正確性,其檢驗過程與誤差曲線如圖5～7所示.訓(xùn)練樣本和檢驗樣本預(yù)測輸出的均方根誤差ΔRMSE和平均相對誤差ΔMRE見表1.由以上結(jié)果可知,訓(xùn)練過程輸出誤差均很小,說明均獲得了正確的輸入-輸出行為,建立了可表示建筑物空調(diào)負荷和相關(guān)運行參數(shù)關(guān)系的BP和RBF神經(jīng)網(wǎng)絡(luò)模型.在驗證模型正確性的過程中,RBF模型的預(yù)測誤差均比BP網(wǎng)絡(luò)方法的小.對于5、6、8、10共4個月的檢驗樣本集,RBF模型預(yù)測的均方根誤差ΔRMSE分別是BP網(wǎng)絡(luò)方法的63.47%、63.60%、64.28%和63.72%,平均相對誤差ΔMRE分別是BP網(wǎng)絡(luò)方法的63.60%、63.58%、64.10%和63.98%.這一結(jié)果表明用RBF方法來預(yù)測建筑物空調(diào)負荷,其數(shù)據(jù)吻合程度明顯優(yōu)于BP網(wǎng)絡(luò)方法,均方根誤差ΔRMSE和平均相對誤差ΔMRE都僅為BP網(wǎng)絡(luò)方法預(yù)測結(jié)果的64%左右,精度能夠滿足實際使用的需要.這主要是因為RBF網(wǎng)絡(luò)采用局部激勵函數(shù),具有良好的泛化能力,容易適應(yīng)新數(shù)據(jù),學(xué)習(xí)速度快,其隱層節(jié)點的數(shù)目也在訓(xùn)練過程中確定,保證其收斂性.2.2示例22.2.1空調(diào)運行時間及主要建筑構(gòu)件參數(shù)為了進一步驗證已建立的預(yù)測模型,作者進一步將模型應(yīng)用于廣州一棟長約57m、寬約15m、高26.2m的圖書館(如圖8所示).該圖書館共7層,底層層高4.6m,二層以上樓層層高3.6m.采用中央空調(diào),建筑空調(diào)面積3936m2,每天空調(diào)運行時間為8:00～18:00,總計每天運行10h.主要建筑構(gòu)件參數(shù)如下:外墻:水泥砂漿+24磚墻+石灰砂漿,熱阻0.3409m2·K/W;內(nèi)墻:水泥砂漿+陶?；炷?水泥砂漿,熱阻0.430m2·K/W;屋頂:種植屋面,熱阻1.146m2·K/W;地面:水泥砂漿+混凝土+水泥砂漿,熱阻0.026m2·K/W;樓板:水泥砂漿+鋼筋混凝土+水泥砂漿,熱阻0.0975m2·K/W;門:圖書館一層外門為厚度為18mm的玻璃外門,熱阻0.031m2·K/W,二層以上外門及內(nèi)門均為單層實體木制門,熱阻0.372m2·K/W;外窗:普通單層玻璃+淺色窗簾,無外遮陽,熱阻0.156m2·K/W.2.2.2rbf模型預(yù)測的均方根誤差提升取6月份(共30天)的數(shù)據(jù)作為訓(xùn)練樣本,分別取5月份(共31天)、7月份(共31天)、8月份(共31天)和10月份(共31天)的數(shù)據(jù)作為檢驗樣本,構(gòu)成模型樣本空間.與實例1相同,采用均方根誤差和平均相對誤差兩個統(tǒng)計量來評價模型的擬合程度和預(yù)測效果.限于篇幅,文中僅給出訓(xùn)練樣本和檢驗樣本預(yù)測輸出的均方根誤差ΔRMSE和平均相對誤差ΔMRE,見表2.由表2可見,對于5、7、8、10月份的檢驗樣本集,RBF模型預(yù)測的均方根誤差ΔRMSE分別為BP網(wǎng)絡(luò)方法的63.99%、63.86%、64.02%和64.54%,平均相對誤差ΔMRE分別為BP網(wǎng)絡(luò)方法的63.75%、63.46%、64.18%和64.46%.這一結(jié)果進一步表明RBF方法可更為有效地預(yù)測建筑物空調(diào)負荷,精度能夠滿足實際使用的需要.3空調(diào)負荷預(yù)測系統(tǒng)的組成為了使建筑物空調(diào)負荷智能預(yù)測模型能夠在現(xiàn)實中得到應(yīng)用,筆者構(gòu)建了一套智能預(yù)測軟件構(gòu)架.目前,由于時間以及技術(shù)條件等限制,預(yù)期的現(xiàn)場預(yù)測系統(tǒng)還沒有完全建立起來,只能根據(jù)目前的研究結(jié)果對建筑物空調(diào)負荷預(yù)測系統(tǒng)做一個大致的構(gòu)建.該系統(tǒng)由室外氣象參數(shù)、建筑物參數(shù)設(shè)置、空調(diào)運行時間設(shè)置、智能預(yù)測模型選擇和計算及結(jié)果顯示5個模塊構(gòu)成,如圖9所示.其中,顯示逐時空調(diào)負荷的預(yù)測曲線的界面如圖10所示.4空調(diào)負荷預(yù)測由于RBF神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度快、精度高、全局最優(yōu)及泛化性好等特點,將其應(yīng)用于建筑物空調(diào)負荷的預(yù)測中,建立基于RBF神經(jīng)網(wǎng)絡(luò)的空調(diào)負荷預(yù)測模型,可將建筑物空調(diào)負荷特性與各個相關(guān)參數(shù)之間的復(fù)雜關(guān)系及參數(shù)之間的耦合關(guān)系簡單地表示出來,準確有效地對空調(diào)負荷進行預(yù)測.將RBF建筑物空調(diào)負荷預(yù)測方法應(yīng)用于廣州地區(qū)一棟辦公樓和一棟圖書館的空調(diào)負荷預(yù)測中,RBF模型預(yù)測的均方根誤差ΔRMSE和平均相對誤差ΔMRE都僅是BP網(wǎng)絡(luò)方法的64%左右,表