xiejisheng

摘要： 基于人工神经网络的通用BP (Back Propagation) 算法编制的程序，实际对一栋采用冰蓄冷空调的商场性质建筑物进行冷负荷预测并加以评价。此程序采用Visual Basic编制，利用通用 BP算法。结果显示利用人工神经网络预测建筑物冷负荷比较可靠。
关键字：人工神经网络 冷负荷 负荷预测

0 前言

近几年，随着国家电力负担越来越大，冰蓄冷空调在我国得到了越来越广泛的应用。但如何有效的利用蓄冰空调，充分发挥其在非峰段蓄冰制冷的作用一直是困扰众多工程技术人员的难题。每天非峰段蓄冰量将是第二天总冷负荷的一部分，在设计日工况下，因为系统是在此负荷条件下设计的，所以运行情况比较简单；但是系统大部分时间都是运行在非设计日工况下，如何去确定蓄冰量就比较困难。这时，人们就非常希望能够预测第二天的冷负荷。于是，近几年在暖通空调领域，预测技术受到越来越多工程技术人员的重视。如果能够准确的预测建筑物的动态冷负荷，不仅可以更准确的帮助设计人员完成设计，更可以使设备控制人员根据预测的冷负荷确定系统的控制时间、方式以及尽早发现系统故障。这一点在蓄冰空调系统中尤为重要，因为每天晚上蓄冰量的多少将直接影响第二天整个系统的工作效率，并且是提高蓄冰空调系统经济效益的重要途径之一。

随着近些年来对人工神经网络（ANN）的研究的进一步加深，人工神经网络已经逐步应用到工程技术的各个领域，如模式识别、自动控制、信号处理、辅助决策、人工智能等等。在暖通空调（HVAC）领域，对空调系统进行冷负荷预测是冰蓄冷系统进行优化控制的重要前提与基础。经过对各种预测方法的结果比较，人们发现人工神经网络预测的结果更接近实际值。于是采用人工神经网络进行建筑物冷负荷预测的研究近几年出现的比较多，其非编程、自适应的信息处理方式非常适合冷负荷预测这种非线性过程。

xiejisheng

1 人工神经网络模型

1.1 人工神经元模型

神经网络系统是由大量的、同时也是很简单的处理单元（或称神经元）广泛的互相连接而形成的复杂网络系统。它反映了人脑功能的许多基本特性：如学习、归纳和分类，但它并不是人脑神经网络系统的真实写照，而只是对其作某种简化、抽象和模拟，这也是现实情况所能做到的，是目前神经网络研究的基本出发点^[1]。神经元是神经网络中最基本的处理单元。从神经元的特性和功能可以知道，神经元是一个多输入单输出的信息处理单元，而且，它对信息的处理是非线性的。根据神经元的特性和功能，可以把神经元抽象为一个简单的数学模型。工程上用的人工神经元模型，见图1。

图1中，x1，x2，……，xn表示神经元的输入（它们是其它神经元的输出），w1，w2，……，wn表示想互联接的神经元之间的联接强度（或权重），θ表示其阀值，y表示经过该神经元处理后的输出值。通常每个神经元的输出值只有一个，但它可以联接到其它多个神经元，作为其它神经元的输入。神经元的这种输入输出关系可表示为：

公式（1）中，f（x）为激活函数，激活函数有多种形式，其中最常见的有阶跃型、线性型和S型（Sigmoid）三种形式，其中S型函数的输出是非线性的，故这种神经元也称为非线性连续型模型，本文将采用S型函数：

xiejisheng

1.2 人工神经网络的基本结构

人工神经网络模型是由人工神经元按照某种模式联接而构成的。通常，人工神经网络模型主要由三个因素决定：神经元特性、网络的拓扑结构以及学习或训练规则。其中，学习是神经网络一种最重要也最令人注目的特点，自从40年代Hebb提出的学习规则以来，人们相继提出了各种各样的学习算法。其中以在1986年Rumelhart等提出的误差反向传播法^[2]，即BP(error BackPropagation)法影响最为广泛。在暖通空调领域，BP网络也得到了广泛的应用。典型的BP网络由三层构成，见图2。

它含有输人层、输出层以及介于输入层与输出层之间的中间层。中间层有单层或多层，由于它们和外界没有直接的联系，故也称为隐含层。在隐含层中的神经元也称隐含单元。隐含层虽然和外界不连接，但是，它们的状态则直接影响输入输出之间的关系。这也是说，改变隐含层的权系数，可以改变整个多层神经网络的性能。各层次的神经元之间形成全互连联接，各层次内的神经元之间没有联接。

xiejisheng

1.3 BP网络的学习规则

BP算法分二步进行，即正向传播和反向传播。正向传播，即输入的样本从输入层经过隐含单元一层一层的进行处理，通过所有的隐含层之后，则传向输出层，在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响，在输出层把实际输出和期望输出进行比较之后，如果实际输出不等于期望输出，则进入反向传播过程；反向传播，即把误差信号按原来正向传播的通路反向传回，并对每个隐含层的各个神经元的权系数进行修正（也就是我们通常所说的记忆训练），最后使得全局误差趋向极小值。具体算法步骤如下：

7) 随机选取下一个学习模式对提供给网络，返回步骤（3），重复计算过程，直至网络全局误差函数E小于预先设定的一个极小值，即网络收敛或学习回数大于预先设定的值，即网络无法收敛；

8) 结束学习。

xiejisheng

2 应用人工神经网络预测建筑物冷负荷

2.1 程序简介

此程序是由作者采用Visual Basic 6.0语言编制，利用通用BP算法，其输入层为7个，分别为当前时刻τ，τ时刻室外干球温度℃，τ-1时刻室外干球温度℃，τ-2时刻室外干球温度℃，τ时刻含湿量g/(kg·dra)，τ时刻太阳辐射w/m²，τ-1时刻太阳辐射w/m²。其中逐时室外干球温度的预测将采用ASHRAE系数法^[3]，逐时太阳辐射的预测将采用标准化 (Chen) 法^[4]，逐时含湿量的预测将采用指数权重移动平均 (EWMA) 法，输出层为1个——建筑物冷负荷。

2.2 建筑物及结果分析

本文用来预测冷负荷的是西安地区一栋五层商场，建筑面积约为50 000 m²，其每天空调工作时间为9：00至20：00，计算5月至8月的逐时空调负荷。某年的气象参数采用上述方法进行计算，包括逐时干球温度、逐时含湿量、逐时太阳辐射，而冷负荷的训练值以及验证冷负荷预测法的用于对比的理论计算值分别由动态负荷计算软件进行计算获得。

网络一共采用每个月30（31）天，共2310（2387）个输入数据，330（341）个逐时期望输出冷负荷值，进行网络训练。训练结果见表1，其中CV为偏差系数、EEP为期望偏差百分数^[5]：

表1 各月训练结果表

月份	最大冷负荷/W	最小冷负荷/W	标准偏差δ/W	CV/ %	EEP/ %
5	1210225.4	290471.2	61183.11	6.88	5.05
6	1392312.9	396323.2	59713.12	5.68	4.28
7	1401322.4	339191.6	60370.78	5.95	5.31
8	1417444.5	304690.2	63772.43	6.03	4.76

xiejisheng

随后，采用已经训练好的神经网络对建筑物冷负荷进行预测，分别对每月的15日进行冷负荷预测，预测结果见下图3 - 6：

如图3–6，说明人工神经网络法预测建筑物冷负荷时比较可靠的。因为商场建筑的冷负荷与建筑物内扰有很大因素，高峰时与低谷时或平时与周末，在人数上存在很大差异，这也使得预测出现了一些偏差，在这方面还有待改进。

xiejisheng

3 结束语

本文叙述了人工神经BP网络的基本原理，并采用BP网络编制的软件对商场建筑物进行冷负荷预测，得到了与负荷计算值比较一致的结果。有了较为准确的预测冷负荷就可以对蓄冰空调系统进行比较精确的优化控制，所以人工神经网络的种种优势对于蓄冰空调的发展有着积极的意义。

参考文献：

[1] 胡守仁等， 神经网络导论[M] 北京：国防科技大学出版社 1993

[2] 王伟， 人工神经网络原理——入门与应用[M] 北京：北京航空航天大学出版社 1995

[3] Kawshima M, Charles E Dorgan, etc. Optimizing system control with load prediction by neural networks for an ice-storage system [J] ASHRAE Trans, 1996,102(1): 1169-1178

[4] Chen Ting-Yao, A K Athienitis Ambient temperature and solar radiation prediction for predictive control of HVAC systems and a methodology for optimal building heating dynamic operation [J] ASHRAE Trans 1995,101(1): 26-36

[5] Kawashima M, C E Dorgan, J.W.Mitchell Hourly thermal load prediction for the next 24 hours by ARIMA, EWA, LR, and an artifical neural network [J] ASHRAE Trans, 1995,101(1): 186-200