基于BP神经网络的多联机实时能耗预测模型研究

熊 钧, 徐永凯

(珠海派诺科技股份有限公司, 广东 珠海 150090)

0 引 言

目前,我国建筑能耗约占社会总能耗的30%,而建筑能耗中有50%来自空调系统,因此,准确预测未来一段时间内的制冷/热需求(能耗),有助于自动控制系统或运维人员调节空调的运行,确保空调服务质量(对舒适性空调而言要确保用户的舒适度,对生产过程而言,要确保工艺对温/湿度的要求),降低空调的能耗水平。在空调领域中应用较多的预测方法有时间序列预测[1]和回归预测[2],近年来一些研究人员引入了人工神经网络等预测方法[3-5],这些预测模型均取得了较好效果。多联机也称为变制冷剂流量(Variable Refrigerant Flow,VRF),其管道布置较少,易于安装,方便调节控制,同时满足多种不同的热舒适性需求,在中小型办公及商业建筑中得到广泛应用。本文应用BP神经网络对多联机在办公建筑中的能耗做预测分析。

1 基于BP神经网络的VRF能耗模型

空调能耗的影响因素是多方面的,且从影响因素到空调能耗的映射关系是非线性的。人工神经网络,特别是多层BP神经网络作为通用的多输入/多输出非线性函数逼近器,在非线性问题处理方面具有很强的优越性,能够自行学习研究对象的变化规律,从而无限逼近对象的各个状态,在科学与工程技术的很多领域都获得了应用。

BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,其是一种按照误差逆向传播算法训练的多层前馈神经网络,基本思想利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差最小。据统计,有80%～90%的神经网络模型都采用BP网络或者其变形。

本文选用三层BP神经网络结构,阈值采用自适应梯度下降法进行修改,网络的训练过程如下。

(1) 数据预处理,考虑到数据范围不一,为了提高神经网络的自适应性及效率,因此在训练神经网络前一般需要对数据进行预处理,本文采用归一化处理,即将输入参数映射到[0,1]的区间。

(2) 初始化,网络的权值、阈值赋以(0,1)上的初始值。

(3) 按一定比例(例如7∶3)从样本集中选定训练集和测试集。

(4) 设网络的输入有n个单元,x=(x1,x2,…,xh)T;隐含层有h个单元,传递函数为f,输出为y=(y1,y2,…,ym)T;输出层有m个单元,输入层与隐藏层权值wij;阈值θ,输出层传递函数为线性函数g,隐含层第j个神经元的输出为

(1)

其中w0j=θ,x0=-1。

网络输出为

(2)

此时网络输出zk与目标输出tk的误差为

(3)

(5) 修改网络权值、阈值,按自适应梯度下降法修改过程中的各权值、阈值调整量。

(6) 重复步骤(4)、步骤(5),直到误差小于预先设定的训练精度为止。

2 多联机逐时能耗预测模型

影响空调能耗的因素很多,一般建筑热物性参数、室外气象条件以及室内用户行为等对能耗均构成影响,同时由于建筑热惯性的影响,历史时刻的能耗也对当前能耗有一定影响。考虑到建筑及空调系统是既定的,可认为影响恒定。因此,选取室内温度、空调设置温度、室外干球温度、室外湿球温度、t-1、t-2、t-3时刻的空调能耗等主要因素为输入层,输出层为当前时刻空调能耗。

以珠海某公司数据机房3台多联机9天(2021年10月15日～2021年10月23日)的空调逐时能耗数据序列(共845组数据)为样本集进行分析。考虑到空调能耗随室外天气、建筑物蓄热等因素的影响,在样本集中按照不同天气、不同时段随机抽取80%的样本作为训练集,20%的样本作为测试集(由于样本量不大,将训练集和测试集划为8∶2)。以测试集对建立的BP网络进行离线训练,并用训练好的网络对训练集进行预测。隐层和输出层传递函数分别采用双曲正切S型函数tansig和线性函数purelin,输入层为8个,隐层节点数为20个,输出层为1个,取动量因子为0.9,学习率为0.1,训练误差为0.005,最大训练步数设为10 000。BP训练与测试结果如表1所示。测试集预测结果如图1所示。

表1 BP训练与测试结果

图1 测试集预测结果

3 结 语

本文建立了基于BP神经网络的数据机房多联机能耗预测模型,该测试方法可得到较满意的预测结果,满足对多联机系统进行控制及运行策略研究的需要。