基于概率神经网络的暖通空调节能系统分析

吴海员

(山东省青岛市广播电视台 后勤保卫部，山东 青岛266073)

1 概述

暖通系统是现代城市建筑不可或缺的公用设施，随着经济不断发展，人们对现代楼宇的热舒适环境要求不断提升。21 世纪以来，人类环保意识逐步提升，绿色节能可持续等理念应用到现代城市化进程之中，暖通空调在现代楼宇建筑中对能源的消耗量占据30%-55%不等或者占比更高，降低暖通空调能源消耗称为急需解决的问题，青岛市目前对节能降耗非常重视[1]。

暖通空调控制由简单控制方案、数字控制方案和逻辑编程控制方案发展到目前较为流行的基于神经网络的控制方案。由于传统的控制方法无法同时兼顾非线性数据和数据时序性的特点，当某项参数发生剧烈变化时，系统对暖通空调的控制作用会降低，一般只适用于小型暖通空调的节能控制[2-3]。本文采用了基于概率神经网络的控制方案，首先对数据进行预处理，去除异常数据和坏值，然后对数据进行归一化处理，将数据分为训练集和测试集，验证神经网络的准确性。当测试集输出结果正确率超过90%时，证明该网络具有较高的实用性。

2 暖通空调模型建立

2.1 概率神经网络理论

概率神经网络(PNN)有以Parzen 窗的概率密度函数估计方法和Bayes 决策理论为理论基础这两种，它是从径向基函数演变过来的，属于前馈型神经网络。在实际工程应用中，使用PNN解决数据分类问题，是利用线性学习算法和非线性学习算法来解决问题。输入层、模式层、求和层、输出层这四个层次组成了概率神经网络模型，它比较容易被训练，而且精度还比较高，网络基本结构图如图1 所示。

图1 PNN 基本结构图

输入层：主要功能为接受训练样本传输来的数据，该层的神经元的数量等于输入向量的长度，经过该层训练后，把训练好的各类数据传送到下一个模式层。

模式层：主要功能为展现出有训练样本中每个模和从输入层传输的特征向量之间的对应关系，该层的神经元的数量等于全部训练样本的数量。当收到来自传输层的向量x 后，与模式层的第i 类样本的第j 个神经元相匹配的输入和输出关系是

求和层: 主要功能为运算，该层的神经元个数与样本层的总数相同，神经元只与模式层相应的神经元连接，把模式层中同类模式层的神经元的输出进行加权平均，关系如下：

式中：fi为第i 类的输出；L 为第i 类的神经元个数。

输出侧：主要功能为接收求和层的输出，该层由竞争神经元构成，具有与求和层相等的神经元数量，每个神经元都有一种模式与其相匹配。它就是为了是接收求和层输出的结果，然后在输出层的全部神经元中找一个神经元它的后验概率密度最大，其输出为1，其余的神经元输出为0。

PNN 模型不论训练数据与种类间的关系有多复杂，只要训练样本的数量有很多，它就能确保收敛到Bayes 分类器，得到贝叶斯准则下的最优解。

2.2 降耗策略

中央空调系统降低能耗（提高能效比）主要通过以下措施有：

2.2.1 提高蒸发温度（T2），降低冷凝温度（T1），降低(T1-T2)温差。经验值，每降低1，主机能效提高3%。

2.2.2 水泵降频，水泵的能耗与转速的三次方成正比，即水泵降频运行会大幅节省水泵能耗。

2.2.3 提前预测水系统的滞后性。

2.2.4 动态调节各类参数，在某一特定空间，对空气温度、湿度、空气流动速度及清洁度进行人工空气调节，以满足人体舒适的要求。

图2 系统训练流程图

2.3 数据处理

为了实现降耗策略，在本系统中，选取了供水温度、回水温度、室外温度、露点温度、相对湿度、风速和天气状况作为输入数据，如表1 所示。

表1 输入数据

系统输出为四种运行模式：低功率模式、二级功率模式、三级功率模式和高功率模式，如表2 所示。

表2 输出数据

2.4 系统模型建立与训练

选取青岛市某楼宇空凋运行的6000 组数据作为训练数据用于训练模型，再选取100 组测试数据用于检测模型输出正确率，系统训练流程图如图2 所示。

按照图2 流程进行训练，得出系统运行的节能控制策略。实验结果表明，与传统的控制方案相比，概率神经网络模型预测结果和原始数据高度拟合，不存在数据的漂移现象。通过分析输入数据，可以看出，在整合数据的相关性和时序性之后，模型的预测没有随着时间的变化而出现控制精度下降的现象，因此，概率神经网络具有更加优秀的控制能力。

结束语

针对暖通空调系统节能降耗的问题，通过对空调设备运行数据的采集分析，结合深度学习控制算法，提出了一种基于概率神经网络的节能控制策略，为暖通空调系统节能运行提供控制方案，具有一定的实际应用价值。