基于BP神经网络的建筑空调负荷预测

张峰，李苏泷

（南京理工大学能源与动力工程学院）

1 引言

作为当今世界最大的发展中国家，世界上第二大经济体的我国，对于能源的年消耗总量仅次于美国，在建筑总能耗中，采暖空调用能占50%以上且保持增长。随着计算机科学技术的发展，以及储存成本的降低、储存容量的提升，为获取、储存数据存提供了诸多便利，通过传感器、人员记录、问卷调查等方式获取的空调系统数据不再只储存于空间有限的数据库中，此前难以获得的实际空调系统运行数据，现在获取变得更加方便，数据也更加全面。一方面我国建筑空调能耗与日剧增，另一方面是大数据时代背景下，面临对空调系统数据分析的困难。

人工神经网络（Artificial Neural Network，ANN）凭借其强拟合能力与运算速度优势已经逐渐成为广泛应用的技术之一，现在人工神经网络技术已经应用到暖通空调领域的空调负荷预测方面[1]。陈锐彬等人对BP神经网络的构成、算法设置及BP模型的预测步骤进行介绍,并以深圳某一大型公共建筑为例进行了负荷模拟,将BP神经网络模型应用到冷负荷预测活动中,数值模拟结果表明BP神经网络模型对负荷与各输入变量有很好的映射能力[2]。墨蒙等人将PSO算法与BP神经网络相结合，提出了PSO-BP神经网络模型，对某大型商场的空调样本数据进行冷负荷预测实验分析，该算法的预测精度高，运行速度快[3]。

2 BP神经网络预测模型

2.1 BP神经网络

人工神经网络由一个输入层，一个或多个隐藏层以及一个输出层组成，任意相邻的两个层面上，节点相互连接，连接线表示两个节点所代表的元素之间关联的程度，称之为联接权值。

2.2 负荷预测流程

本次实验目的是对建筑空调负荷进行逐时预测。基于BP神经网络技术对建筑空调负荷预测的方法主要是利用空调系统运行的历史数据，构成多个学习样本，以预测输出值与目标输出值之间的误差作为神经网络联接权值调整基础，对神经网络中的联接权值进行调整，完成训练神经网络后利用SPSS预测输入变量，带入神经网络计算得到预测日的空调负荷。

根据前面的分析，应用BP神经网络技术对建筑空调负荷进行预测具体步骤如下：

1）采用SPSS软件通过时序性分析的方法计算得到预测当日的输入变量值。

2）为了避免程序上次运行的结果对本次预测的影响，在训练前初始化神经网网络，对联接权值与阈值赋予初值。

3）调用对应的学习样本数据库，利用BP算法对神经网络训练，直到满足精度要求。

4）将此前SPSS计算出的输入值输入神经网络，得到逐时预测空调负荷值。

5）输出预测结果与相关图表。

6）更新学习样本数据库。

BP神经网络空调能耗预测流程如图1所示。

2.3 实验建筑概况

本实验以南京市某综合办公楼为例对其夏季空调系统负荷进行预测。该建筑是位于南京的综合办公楼，建筑空调采用冰蓄冷与土壤源热泵耦合系统，其中承担的空调面积为14000m2，包括地下1层员工餐厅，1层物业用房、大堂，2层营业性餐厅及16～19层办公用房。实验建筑采用冰蓄冷与地源热泵耦合空调系统，系统由土壤源冷却循环、热泵机组循环、冰蓄冰循环和建筑冷冻水循环四个系统组成。

3 预测模型建立

3.1 负荷预测的输入与输出变量

3.1.1 输入变量的确定

室外空气温度，室外相对湿度与太阳辐射强度与空调负荷之间具有强相关性，所以选取上述三者作为神经网络预测的输入变量。作为神经网络输入值的三种变量，室外相对湿度是值小于1的变量，夏季室外温度的往往是25℃到45℃之间，太阳辐射总量数值更大，这样的数据大小相差多大的输入数据增加了神经网络收敛的难度，。

图1 BP神经网络预测流程

以太阳辐射总量为例，根据式（3.1）用线性函数归一化法对太阳总辐射量进行化简：取为实验研究时间范围内太阳辐射总量中的最大值与最小值，则对于样本中某一时刻的实际太阳辐射总量的太阳辐射指数：

3.1.2 输出变量的确定

以夏季制冷工况为例，建筑的空调负荷包括两部分：

1）热泵机组制冷量

2）蓄冰设备融冰释冷量。针对两者冷冻循环水的流量、温度等参数进行实时的监控与采集，结合公式（3.2）对建筑空调负荷进行求解。

输入数据进行预处理后，结合预测基本思想，可以得到神经网络的输入与输出变量，其中根据来源与作用的不同，气象参数分为两类：一类是历史数据，与空调负荷的历史数据一起作为神经网络的训练样本；另一类是预测数据，作为负荷预测值的输入信息。

3.1.3 样本时域的确定

当预测日为工作日时，选取前10个工作日的相关数据作为训练样本；以7月16日（工作日）为预测日，选取的学习样本来自于7月2日到7月6日、7月9日到7月13日的相关数据。

3.2 神经网络模型的确定

一个合理的神经网络模型，可以使网络具有较好的收敛速度。神经网络模型的设计包括神经层数、神经元数、激励函数、期望误差、联接权值与阈值的初值等因素。

本次实验采用包括1个输入层、1个隐藏层与1个输出层的三层神经网络模型，这样的网络结构已经足够满足实验精度的要求。输入变量共3个：室外气温指数、室外相对湿度、太阳辐射指数，因此输入层的节点数为3。网络的输出即为预测日建筑空调负荷值，为单值输出，因此设置输出层节点数为1。隐层节点数与求解的问题、输入、输出节点数有关，经过计算，确定隐层节点数为8。激励函数采用单极性的Sigmoid函数。选择0.001作为期望误差值。联接权值与阈值初始值是取值在（1-,1）之间的随机数。

4 预测结果与分析

BP神经网络训练完成后，利用神经网络得到当日空调负荷逐时预测值与实际真值进行对比，计算分析两者的误差值与产生误差的原因。对7月16日（工作日）建筑空调负荷预测结果进行分析，将预测负荷与实际负荷进行对比，得到变化曲线图如图2示。

图2 7月16日（工作日）负荷预测结果曲线图

从图2可以看出对于7月16日的预测结果，整体曲线大致符合全天建筑空调负荷的变化规律，相对误差保持在8%以内，满足工程需要。

5 结语

以南京市某办公建筑为例，提出了样本以工作日与非工作日分类，样本时域选择在预测日前一月内等预测要求，并进行空调负荷逐时预测。采用SPSS与BP人工神经网络结合的预测方式，相对误差保持在8%以内，满足工程需要。