李益德,侍克斌
(1.新疆大学建筑工程学院,新疆 乌鲁木齐 830000;2.新疆农业大学 水利与土木工程学院,新疆 乌鲁木齐 830052)
经调查发现,全球大部分建筑的实际能耗高于LEED认证的运行能耗标准,对我国建筑能耗数据进行分析发现,绿色建筑的实际能耗低于办公建筑的实际能耗,但两者均高于理念设计能耗[1]。根据上述分析可知,目前建筑能耗无法满足绿色建筑的设计理念[2],因此,对绿色建筑HVAC系统的实时运行能耗进行预测具有一定的现实意义。
赵柏扬[3]等人构建了HVAC系统在运行状态下的非线性优化模型,采用动态规划方法对模型进行求解,获得HVAC系统的负荷预测数据和光伏发电预测数据,结合以上两类数据完成HVAC系统运行能耗的预测,该方法没有对HVAC系统的冷负荷进行分析,导致该方法无法在制冷季中准确地完成系统运行能耗预测。蒋阳升[4]等人通过传感器数据获取HVAC系统的运行状态,根据获取的状态数据构建热能传导环境模型和控制单元模型,对影响运行能耗的因素进行分析,结合贝叶斯岭回归、深度神经网络、岭回归、支持向量机回归、线性回归和决策树回归方法完成运行能耗的预测,该方法没有对HVAC系统的热负荷进行分析,导致采暖季的能耗预测精度较低。李壮举[5]等人在小波神经网络的基础上构建能耗预测模型,采用启发式动态规划方法对预测模型中存在的参数进行优化,利用优化后的参数对预测模型进行校正处理,完成HVAC系统运行能耗的预测,该方法无法准确地预测HVAC系统的耗电量,存在预测性能差的问题。
为了解决上述方法中存在的问题,提出绿色建筑HVAC系统实时运行能耗预测方法。该方法的主要创新点如下:
1)将HVAC系统作为可控负荷,分析负荷产生的外部因素和内部因素,建立绿色建筑HVAC系统负荷模型,以满足绿色建筑HVAC系统实时运行能耗预测准确度的要求。
2)由于输入参数具有不确定性,因此,在采用人工神经网络构建HVAC系统实时运行能耗预测模型的过程中,通过异常数据剔除处理提升预测结果的准确性。
绿色建筑HVAC系统实时运行能耗预测方法将HVAC系统作为可控负荷,对其进行负荷分析。存在较多外部因素会对房间的冷负荷产生影响,冷负荷预测结果的准确率与输入变量之间成正比,输入变量越多,冷负荷预测结果越准确。但存在一些变量在实际HVAC系统实时运行能耗预测过程中无法测量,还有一些变量对HVAC系统冷负荷产生的影响较小可忽略不计。
绿色建筑HVAC系统实时运行能耗预测方法采用多变量线性回归模型[6-7]分析该时刻HVAC系统冷负荷受散射、总辐射和室外温度的影响:
VZt=s1Yt+s2TYt+s3TDt+s4
(1)
式中,VZt描述的是HVAC系统t时刻在绿色建筑中产生的冷负荷;s1、s2、s3均代表的是多变量线性回归模型中存在的变量;TYt代表的是t时刻HVAC系统产生的总辐射;TDt代表的是t时刻HVAC系统对应的散射值;s4代表的是线性回归方程中的误差项。
HVAC系统包括两种典型动作,分别是关闭压缩机动作和开启压缩机动作,分别用数字0和数字1表示。
(2)
(3)
(4)
(5)
式中,EER(i)代表的是能效比。
(6)
式中,c(i)代表的是电价。
当前时刻冷负荷受历史冷负荷产生的影响即为内部因素[8-9]:
VZt=n1VZt-1+n2VZt-2+…+nnVZt-n+nn+1
(7)
式中,n1、n2、nn均代表的是历史冷负荷系数;nn+1描述的是误差项;VZt-1代表的是t-1时刻HVAC系统产生的冷负荷;VZt-2代表的是t-2时刻HVAC系统产生的冷负荷;VZt-n代表的是t-n时刻HVAC系统产生的冷负荷。
系数n的取值直接影响着负荷模型的精度,经验证发现,当系数n的值为5时,满足绿色建筑HVAC系统实时运行能耗预测准确度的要求,因此可将上式转变为下式:
VZt=n1VZt-1+n2VZt-2+…+n5VZt-n+n6
(8)
结合外部因素模型和内部因素模型,构建绿色建筑HVAC系统的负荷模型:
VZt=w1Yt+w2TYt+w3TDt+w4VZt-1+
w5VZt-2+w6VZt-3+w7VZt-4+w8VZt-5+w9
(9)
式中,w9描述的是误差项;w1、w2、w3、w4、w5、w6、w7、w8均代表的是输入变量。
绿色建筑HVAC系统实时运行能耗预测方法采用人工神经网络法[10-11]构建HVAC系统实时运行能耗预测模型,将第2节构建的绿色建筑HVAC系统负荷模型的输入变量作为人工神经网络的输入变量,完成绿色建筑HVAC系统实时运行能耗的预测,具体步骤如下:
1)初始化处理
首先对人工神经网络的更新数量进行定义,令输入变量w的数量对应输出层数量,z对应隐含层数量,q对应输入层数量;令输入层与隐含层的权重为wij,与输出层的权重为wjk,假设隐含层自身阈值为S,输出层的阈值为N,同时计算出网络中固定的学习速率以及激励函数。
2)数据预处理
①异常数据处理
(10)
②数据标准化
数据标准化处理通常由数据同趋化处理、数据无量纲化处理和数据归一化处理完成,数据不同性质可通过数据同趋化处理得以解决,数据可比性问题可通过无量纲化处理得以解决,输入数据的量纲单位和量纲都不相同,会对HVAC系统实时运行能耗的预测结果产生影响,数据的量纲及其对应的单位可通过数据归一化得以统一。绿色建筑HVAC系统实时运行能耗预测方法采用最大-最小标准化方法对数据进行线性变化,以此完成数据的标准化处理:
xnorm=(x-MinA)/(MaxA-MinA)
(11)
式中,xnorm代表的是标准化处理后的数据,在区间[0,1]内取值;MinA代表的是属性A对应的最小值;MaxA代表的是属性A对应的最大值。
3)隐含层输出
将预处理后的数据xnorm输入到人工神经网络的隐含层中,获得隐含层输出Jj:
(12)
式中,j=1,2,…,l,f代表的是隐含层中存在的激励函数,绿色建筑HVAC系统实时运行能耗预测方法选取Sigmod函数[14-15]。
4)输出层计算
根据隐含层输出结果Jj,结合权值wjk以及输出层阈值N,获得人工神经网络的输出P:
(13)
5)误差计算
绿色建筑HVAC系统实时运行能耗预测方法采用均方根误差RMSE和平均绝对误差MAE对人工神经网络的误差进行计算:
(14)
6)更新权值
根据上述误差计算结果,对权值wij、wjk进行更新:
(15)
式中,λ代表的是人工神经网络的学习速率。
7)更新阈值
分别采用均方根误差RMSE和平均绝对误差MAE对隐含层阈值S和输出层阈值N进行更新:
(16)
8)终止条件
设置迭代终止条件[16],用公式(17)进行表示:
(17)
满足迭代终止条件时输出人工神经网络的最终值,即绿色建筑HVAC系统实时运行能耗的预测结果。
为了验证绿色建筑HVAC系统实时运行能耗预测方法的整体有效性,需要对绿色建筑HVAC系统实时运行能耗预测方法进行测试。本次测试所用的数据为某绿色建筑2019-2020年的数据,每隔2min采集绿色建筑HVAC系统的监测数据,将数据分为两类,分别是6月1日-8月31日的制冷季数据和11月15日-第二年的3月15日采暖季数据。
分别在制冷季和采暖季中选取一天,采用绿色建筑HVAC系统实时运行能耗预测方法、文献[3]方法和文献[4]方法对HVAC系统的能耗比重进行预测,将实际建筑能耗比重作为参考,测试上述方法的预测精准度,测试结果如表1所示。
表1 建筑能耗比重预测结果
根据表1中的数据可知,绿色建筑HVAC系统实时运行能耗的实际区间为15%-35%。采用所提方法对HVAC系统的采暖季能耗比重进行预测时,获得的能耗比重预测结果与实际能耗比重较为接近,预测结果仅相差0.05%,表明所提方法的预测结果与实际能耗之间的拟合度较高;采用文献[3]方法对HVAC系统采暖季的能耗比重进行预测时,获得的预测结果偏高于实际能耗;采用文献[4]方法对HVAC系统采暖季的能耗比重进行预测时,获得预测结果偏低于实际能耗。采用所提方法对HVAC系统的制冷季能耗进行预测时,获得的能耗比重预测结果与实际能耗比重同样较为接近,预测结果仅相差0.06%;文献[3]方法的预测结果偏低于HVAC系统的实际能耗;文献[4]方法的预测结果偏高于HVAC系统的实际能耗。
根据上述测试结果可知,所提方法在制冷季和采暖季均可准确地完成绿色建筑HVAC系统的运行能耗预测,因为所提方法构建了绿色建筑HVAC系统的负荷模型,对HVAC系统进行负荷分析,以此为依据对运行能耗进行预测,提高了预测结果的精度。
HVAC系统的耗电量预测结果直接影响着运行能耗预测结果的精度,采用所提方法、文献[3]方法和文献[4]方法对HVAC系统在制冷季和采暖季的耗电量进行预测,图1为实际耗电量,图2为预测结果。
图1 采暖季与制冷季实际耗电量
图2 不同方法的耗电量预测结果
分析图2可知,采用所提方法对绿色建筑HVAC系统制冷季和采暖季的耗电量进行预测时,获得的预测结果与实际耗电量的变化趋势和值基本相符,采用文献[3]方法和文献[4]方法对绿色建筑HVAC系统制冷季和采暖季的耗电量进行预测时,获得的预测结果与实际耗电量之间的误差较大,通过上述分析可知,所提方法可准确地完成绿色建筑HVAC系统耗电量的预测,表明所提方法具有良好的预测性能。
公共建筑的数量随着建筑业的发展不断增加,经调查发现写字楼、酒店和大型商场等建筑的大部分能耗都用于HVAC系统,对HVAC系统实时运行能耗进行预测,可以根据预测结果对HVAC系统的运行模型进行优化,以此降低能耗,因此对HVAC系统运能能耗预测方法进行分析和研究具有重要的现实意义和理论指导意义。目前HVAC系统运行能耗预测方法存在预测性能差的问题,提出绿色建筑HVAC系统实时运行能耗预测方法,首先对HVAC系统进行负荷分析,以此为依据采用人工神经网络完成能耗预测,提高了预测结果的精度,为HVAC系统的运行和发展提供了保障。