空调系统负荷分段预测与研究
0 引言
负荷预测的原理是通过收集历史数据来建立科学有效的预测模型,采用有效的算法进行大量试验,并根据某些准则不断修正模型和算法,得到近似真实的负荷变化规律[1]。基本过程有以下三点:数据采集,数据处理和建立预测模型。负荷预测方法可以分为定量预测和定性预测两大类,暖通空调领域的负荷预测常采用定量预测,其中较为常用的方法有指数平滑法,线形回归法,灰色预测法及神经网络法[2]。指数平滑法的前身是移动平均法,其根据平滑次数的不同可分为一次指数平滑法,二次指数平滑法和三次指数平滑法等。虽然分类各有不同,但指数平滑法的基本思想是预测值是以前观测值的加权和,且对不同的数据给予不同的权,新数据给较大的权,旧数据给较小的权[3]。线性回归法所建立的预测模型是一种解释性模型,它是目前应用最广泛一种预测方法。灰色预测法模型又称为GM(M,N)模型,即M阶N个变量的微分方程的灰色预测模型[4]。当灰色预测方法被应用于暖通空调负荷预测时,如果变量选取为干球温度,那么建模后输出的是下一时刻的干球温度,所以仅建立一个GM(1,1)模型是远远不够的。一般的解决办法是建立多个模型得到温度后,再建立日负荷与温度的关系模型。
神经网络法是利用人工神经网络对非线性系统的良好逼近能力,辨识出空调负荷预测等效模型[5]。本文将详细描述神经网络负荷预测建模的原理。文献[6]对以上四种预测方法的累计误差平均值和相对极差做对比,如表1所示。就累计误差平均值S来说,其所得值越小,则相对的预测精度越高。就相对极差R来说,所得极差百分比越低,则相应的稳定性越好。
表1 预测方法对比
![pagenumber_ebook=24,pagenumber_book=21](https://qkk.lw71.com/uploads/image/2018/04/4f0cd1a8a9f8780f52a9498eeb7f341b.png)
?
通过综合比较和查阅文献来看[7],这四种方法各有优势:指数平滑法的建模复杂度低,在负荷预测方面的移植性好,无法联系扰动因素,预测精度较低。线形回归法的建模难度较大,且移植性不佳,预测精度相对较好。灰色预测法在建模前需先处理历史数据,工作量较大,可以得到较精确的参数,预测值的精度也是较高的。神经网络法在学习和训练过程要花费较多时间,稳定性较好,预测精度也最高。因此在本文中,选用神经网络的方法建立负荷预测的模型。
2 预测模型的建立
本文根据空调系统运行的实际情况,设定系统的优化周期为一个小时,即每个小时进行一次负荷预测,预测的是该采样时刻下一个小时内的空调负荷,以此负荷值作为空调系统控制参数优化的依据和约束。利用BP神经网络建立空调负荷预测模型的主要步骤如下[8]:
1)确定预测模型的输入与输出参数
4)进行交叉、变异操作。
2)确定神经网络预测模型结构
根据上一步,可知神经网络模型的输入参数有4个,输出参数为1个,即神经网络的输入节点有4个,输出层节点为1个。
对于隐层层数的选取,根据Kolmogorov定理,设置一个输入层,一个输出层,一个隐层的三层BP神经网络已经可以满足建模要求。本文采用单隐层的BP神经网络。为确定最佳的隐层节点数,本文采用式(1)所表示的经验公式:
![pagenumber_ebook=24,pagenumber_book=21](https://qkk.lw71.com/uploads/image/2018/04/54b95c457ed17a53c1232bfeddce394f.png)
式中:m为隐含层节点数,n为输入层节点数,l为输出层节点数,α通常取1~10之间的常数。
适合作叶面追施的肥料通常称作叶肥、叶面肥或叶面营养液。按成分可以分为氮肥、磷肥、钾肥、磷钾复合肥、氮磷钾复合肥、微肥、稀土微肥以及加入植物生长调节剂的叶面肥料等。蔬菜上常用的叶面肥有尿素、硫酸钾、过磷酸钙、磷酸二氢钾、硼砂、钼酸铵、硫酸锌、米醋、蔗糖、稀土微肥以及草木灰浸出液等。这些肥料具有性质稳定、不损伤叶片等特点。
此处n为4,l为1,因此可以得到m取值为4~13。然后利用试凑法得出隐层节点数目为10。因此如图1所示为BP神经网络模型结构。
![pagenumber_ebook=24,pagenumber_book=21](https://qkk.lw71.com/uploads/image/2018/04/9194a574cd0cd1da906741057bdc9b06.png)
图1 BP神经网络模型结构
本次使用的Sigmoid函数作为隐层神经元激发函数为:
![pagenumber_ebook=24,pagenumber_book=21](https://qkk.lw71.com/uploads/image/2018/04/a16ab44101d7468d6532294fdfc17c5e.png)
输出层激发函数为线性函数purelin:
![pagenumber_ebook=24,pagenumber_book=21](https://qkk.lw71.com/uploads/image/2018/04/2c3c2d193a893b885e7a5763ec0f6b9d.png)
3)训练数据归一化
根据文献[9]所述,对神经网络训练之前,需要对所采集的数值进行归一化处理,即采集后的数据数值需要在区间[0,1]以内。计算方法如式(4):
(教学心得:这样的争论非常有意思,学生的直觉是顶点位置有6个,这可能是受6个面的影响。如果在教学中采用讲解的方法,学生理解会比较抽象,就算是记住了也很容易遗忘。采用实验动手操作的方法,学生一看就明白了,从中心出发,顶点的位置不是6个,而是8个,所以在顶点的方块是8块。这样对空间结构的认知和体会对将来进一步学习立体图形非常有益。)
![pagenumber_ebook=24,pagenumber_book=21](https://qkk.lw71.com/uploads/image/2018/04/36b40f3b2dbfc16c4f2e70ec14ff47f3.png)
式中: 为输入参数转化后的采样值;xi为输入参数原始采样值;x min、x max分别为输入参数采样区间内的最小值和最大值。
隐层激发函数sigmoid的取值范围为(0,1),函数的临界值0和1无法取到,所以不能充分地逼近目标量的极值。在逆变换时就会引起输出与目标量在极值区产生转换误差,造成输出失真,还影响了其收敛速度。式(4)可以使归一化的值得到压缩,消除了逆变换时的失真,也使函数离开了饱和区,避免了训练过程中产生的局部麻痹现象。
设定退火初始温度T0,退火衰减因子k,内循环的迭代计数器len→0,最大迭代次数L(t),退火的最低温度Tend等有关模拟退火参数。
最后利用式(5)把训练后得到预测模型的输出值op转化为实际值:
![pagenumber_ebook=25,pagenumber_book=22](https://qkk.lw71.com/uploads/image/2018/04/387a01105204a4c3786fe81fdaa32524.png)
式中:ypo为输出值转换后得到的实际值;y min、y max分别为输出参数原始目标值中的最小值和最大值。
清华大学老校长梅贻琦说过,“大学之谓,非大楼也”。现在大学房子越盖越豪华,但是教授越来越不像教授,学生越来越不像学生,大学精神不断沦落,大学校园弥漫的学术不端氛围,令人忧虑。高校、科研机构担负着传承文化、弘扬正义的职责。如果为人师表者学术道德失守,不仅有辱学术尊严,还会误导学生、搞坏学术风气。韩愈说,“师者,传道、授业、解惑也”。教师除了教给学生学问外,更有义务教给他们做人的道理、做学问的道德。如果教师自身学术不端,即使道貌岸然给学生讲学术道德,学生也听不进去。
4)神经网络预测模型的训练
本文采用基于梯度下降的BP算法来训练网络,性能函数是均方误差MSE(网络输出和目标输出之间的均方误差),随机初始化权值和阈值,学习速率为0.1,设定准确性校验次数为100。训练时采用批处理方式训练样本,并对权值和阈值进行更新,设定最大训练步数为1000步,训练目标期望误差为0。
今年9月,中非合作论坛北京峰会结束后,以北京冬奥会兴延高速、北京大兴国际机场高速为代表的国家重点建设项目全面铺开。
本文选取了夏季工况下,博物馆开放时间的682组数据作为神经网络训练的样本,并预留了8月22日到8月28日的77组数据作为测试样本,检验其泛化性和准确性。
5)神经网络预测模型效果的检验
将预留的77组测试样本输入训练好的神经网络,经过检验,结果如图4:
![pagenumber_ebook=25,pagenumber_book=22](https://qkk.lw71.com/uploads/image/2018/04/9844015301b5d67ea65f2152c080940b.png)
图2 负荷预测模型的均方误差曲线
![pagenumber_ebook=25,pagenumber_book=22](https://qkk.lw71.com/uploads/image/2018/04/69d7bf14ef2a49c563fd7bc7b32abd91.png)
图3 预测模型输出结果的回归分析
从训练的均方误差曲线来看,此次训练的步数为1000步(训练时间为13秒),最小均方误差为0.00675,出现在第123步,训练结束的依据是达到最大训练步数1000步。从训练得到的结果来看,本次建立的神经网络预测模型的有较好的收敛性,均方误差下降很快。
从预测模型输出数据的回归分析图来看,预测模型输出和目标输出的适应度很高,都在0.95以上,基本可以满足负荷预测的要求。从测试样本的回归分析图来看,大部分数据能比较好的切合目标输出,但还是有一些数据点明显偏离了目标输出,可见预测模型还是有一些误差的。
神经网络的训练结果如图2、图3:
![pagenumber_ebook=25,pagenumber_book=22](https://qkk.lw71.com/uploads/image/2018/04/aa88cb7767bb5c7a77bda8be03a48ca0.png)
图4 预测负荷与实际负荷的对比
根据图4可看出,预测负荷与实际负荷在整体趋势上相同,基本可以拟合建筑物实际的负荷曲线,但在某些样本处,也出现了比较大的偏离。
从预测负荷与实际负荷的误差图(图5)可以方便的看出,预测的负荷值与实际值的偏差大多在±80 kW以内,个别样本的误差接近100 kW,误差率约为5%左右。总体上来看,神经网络负荷预测模型能基本预测出建筑物空调负荷,虽然误差率不是很大,但在某些点的绝对误差却比较大,影响了负荷预测的效果。
![pagenumber_ebook=25,pagenumber_book=22](https://qkk.lw71.com/uploads/image/2018/04/00b992c470be75126b3d51f833ea917d.png)
图5 负荷预测误差图
3 负荷预测模型的改进
为了解决预测精度不高和收敛较慢的问题,本文采取了一种基于退火算法的遗传算法融入BP神经网络算法[10]。并且考虑到博物馆工作日和休息日的人流量有很大不同,五个工作日的人流量应该大体相同,两个休息日的人流量也应大体相同,因此采用分段预测的方法,分别建立工作日和休息日的负荷预测模型,两个模型分开训练,从而尽量消除人流量对负荷的干扰。
基于遗传算法的BP神经网络算法思路如下:
1)以BP神经网络为主,将模拟退火算法融入遗传算法中。主要是通过遗传算法的迭代求解最佳初始阀值和权值,避免陷入局部极小值,以达到较好的准确性。在之前的训练样本输入输出数据归一化操作结束以后开始进行,先对新产生的个体进行其邻域内的局部搜索。这种应用使得个体能够向着全局最优的方向进化,能够更好的控制交叉和变异操作,使算法更加稳定,效果更好。
2)初始化群体,随机产生一个群体并对其进行编码,计算其适应度,然后进行精英选择。不同的是,形成一种改进的精英选择法,让精英并不是直接进入下一代,而是以状态接受概率不进入到下一代。有效避免了精英选择法可能造成的早熟现象,而到了进化后期,状态接受概率较小,此时的精英直接进入下一代的可能变大,既加快了局部搜索的速度,又保证了算法的收敛性。
答案:(1)+3 (2)2NaClO3+SO2+H2SO4==2ClO2+2NaHSO4 (3)NaOH溶液 Na2CO3溶液(4)2∶1O2 (5)1.57
根据以上的思路,可以得到遗传算法的主要流程如下:
1)初始化:
确定种群规模N,交叉概率Pc,变异概率Pm,进化代数G。根据数据情况随机挑选有效个体组成初始化群体P(t),初始化遗传代数计数器t→0。
蓝宝石被喻为秋天的宝石,9月生辰石,也被人形容是神赐的礼物。早在古埃及、古希腊、和古罗马,蓝宝石就被用来装饰清真寺、教堂和寺院,并作为宗教仪式的贡品。旧约《圣经》中,犹太人相信蓝宝石来自造世主耶和华的王座,为了给陷于混沌迷惘中的犹太人民带来一道光明,而被神从王座上剥下,掷于人间以期传达神的心声。
模式预报结果的检验是按照《环境空气质量标准》(GB 3095—2012)中的标准及算法进行的。使用了2016年7月1日~2017年10月31日模式预报数据和环保总站发布的污染物浓度监测数据2015年1月1日~2017年10月31日进行对比分析,使用了相关系数、均方根误差来检验模式预报结果。
2)计算当前种群的个体适应度f(xi),i=1,2,3…N。
3)改进的精英选择操作:
芦笋种植基地应选择在大气无污染、生态环境良好的地区,远离公路、铁路干线,避开工业污染源的影响。选择土层深厚、排灌方便、营养丰富的沙壤土。
5)进行退火过程:
本文选取影响建筑物空调负荷的主要几个因素作为BP神经网络的输入:一是室外的气象参数,包括室外干球温度T out,绝对湿度W out、太阳辐射度S sun;二是室内环境参数,主要是室内温度T in。输出参数为建筑物下一个小时的空调负荷Q load。
对于精英 xbest,如果 exp((favg-f(xbest))/Tk)<random(0,1),则直接进入下一代,否则仍按轮盘赌方式选择。
在变异操作后产生的个体x'i的邻域寻找新个体xi'',计算两者的适应度函数值f(x'i)和f(x''i)。如果满足:min{1,exp((f(xi'')-f(xi'))/Tk)<random(0,1)},则用 x''i代替x'i,并判断是否达到内循环终止条件,是则进入(6),否则重新执行(5)。
6)判断进化终止条件:
突出水生态建设的重点。2013年开始启动水生态文明建设工作试点,逐步编制江西省水生态文明建设规划,构建四级联动水生态文明建设体系,推进南昌、新余、萍乡等全国水生态文明城市试点工作,积极开展水生态文明县、乡(镇)、村建设。2015年,全省用水总量控制在250亿立方米红线内,国家重要水功能区达标率达90%。2016年进一步突出系统治理,实施流域综合管控着力推进“四个统一”,初步实现河畅、水清、岸绿、景美的目标。
根据情况做出判断,如果达到进化代数,则转至步骤7,如果没达到进化代数,则进化代数t=t+1,并且更新温度参数T,转至步骤2。
7)判断退火终止条件:
判断结果是否符合条件,如果是,则转步骤8,如果否,则转步骤5单独进行退火操作。
刘珊珊和李辉从小青梅竹马,两人大学毕业后就结了婚。婚后,李辉开了一家乐器生产厂,刘珊珊则在家里开淘宝网店。刘珊珊是典型的火爆性子,心直口快。那些婚前吸引她的李辉的优雅有度、风度翩翩,在婚后竟慢慢转化成了酸文假醋。刘珊珊对此颇有微词。而李辉呢,觉得妻子生了孩子之后就不讲形象了,总是在家穿着睡衣守淘宝店,也不精心打扮了,有什么重要的应酬需要携夫人一起参加的场合,也不邀约她一起去了。两个人时不时小吵一架,但是很快就好了。
8)计算结束,输出最优结果。
先将原有的训练样本数据分为工作日数据和休息日数据,确定好比较良好的阀值和权值后,然后代入两个BP神经网络分开训练,具体步骤与上一节相同,不再赘述。
将训练完毕的BP神经网络用测试样本分开检验,工作日负荷预测模型训练结果如图6、7所示:
![pagenumber_ebook=26,pagenumber_book=23](https://qkk.lw71.com/uploads/image/2018/04/aae3a9bb9de96981aa0de5df2e2bef70.png)
图6 工作日负荷预测模型均方误差曲线
![pagenumber_ebook=26,pagenumber_book=23](https://qkk.lw71.com/uploads/image/2018/04/4a5874ea734f516d45cd1a659be85a6f.png)
图7 工作日预测模型输出结果的回归分析
由图8工作日可以看出,跟没有改进之前对比,负荷预测模型效果很明显,已经能比较准确地预测出实际负荷值,预测曲线的走势很贴近实际负荷。
成人高校的学生们个性鲜明,他们有着自己的想法和态度,在对他们展开思想政治理论教学时,必须按照他们的实际情况安排相关教学活动,一切要做到以学生为本,这个教育宗旨在任何时候都不能改变。鉴于成人高校大学生的特点,需要适当改变教学方法,激发学生的学习兴趣。翻转课堂教学模式可以顺应这种改变。我认为,要想在成人高校思想政治理论课教学中应用翻转课堂教学模式,可以从以下几点入手:
![pagenumber_ebook=26,pagenumber_book=23](https://qkk.lw71.com/uploads/image/2018/04/aba379473ecda417d1e8c32136882c08.png)
图8 工作日预测负荷与实际负荷对比
从误差曲线图9可以明显看出,负荷误差相对于之前预测的误差,已经减少了很多,大多数误差在±40 kW以内,误差率在3%以内,预测精度已经基本满足负荷预测的要求,可以实现对工作日的负荷预测。
休息日负荷预测模型训练结果如图10、11所示:
![pagenumber_ebook=27,pagenumber_book=24](https://qkk.lw71.com/uploads/image/2018/04/334cbc20462afb37e7d8cc728ee4ff58.png)
图9 工作日负荷预测误差
![pagenumber_ebook=27,pagenumber_book=24](https://qkk.lw71.com/uploads/image/2018/04/bae3516bc811eccb128c1c14a59349a8.png)
图10 休息日负荷预测模型均方误差曲线
![pagenumber_ebook=27,pagenumber_book=24](https://qkk.lw71.com/uploads/image/2018/04/dd9429d4c9207aca3ac940a30357529d.png)
图11 休息日预测模型输出结果的回归分析
从休息日的负荷预测曲线(图12)来看,预测模型的效果相对之前已经有了很大的改善,能较好地拟合实际负荷,但还是有一些误差。
渗水系数应作为常规试验进行检测,渗水系数标准为不大于300 mL/min,检测频率为每车道1点/200m。
![pagenumber_ebook=27,pagenumber_book=24](https://qkk.lw71.com/uploads/image/2018/04/94e315a515baa538604acc622c3afb28.png)
图12 休息日预测负荷与实际负荷对比
从休息日的误差曲线来看,尽管在误差值上,改进后预测的误差要小得多,但大部分的误差都为正数,说明休息日的负荷预测值还是有点偏小。总体而言,根据结果对比,分段后融入遗传算法的BP神经网络预测模型的预测精度得到了明显提升,其具有较好的非线性映射能力,能根据输入的参数预测出建筑物下一个小时的负荷,预测的空调负荷较实际值的跟随性也比较好,能够满足负荷预测的要求。
用在话题延伸处。中学阶段学生学习中,基于同样的学习话题,在引导学生进行拓展延伸时,教师可以引导学生围绕某一话题进行合作学习,通过合作学习完成资料收集、整理,并对资料进行分析归纳比较等,使学生进一步理解同样话题的知识,实现知识的内化。通过话题延伸,还能进一步提升课堂教学探究的广度与深度,促进学生历史思维形成。
![pagenumber_ebook=27,pagenumber_book=24](https://qkk.lw71.com/uploads/image/2018/04/88ac466534340489e6f08af1707533ab.png)
图13 休息日负荷预测误差
4 结束语
本文首先简要介绍了空调常见的基本负荷预测的方法,然后基于BP神经网络算法对博物馆的负荷建立了预测模型,通过对负荷预测的仿真和验证,结果表明预测模型基本可以预测下一个小时的建筑物空调负荷,但仍有一定的误差。分析产生误差的原因后,融入遗传算法采用分段训练的方法,避免陷入局部极小值,然后分段建立神经网络预测模型,再次检验预测效果,发现预测效果有了明显的提高,误差率降为3%左右,满足建筑物空调负荷预测模型的要求。
参考文献
[1] 郑慧凡,阎秀英,范晓伟.建筑物空调负荷计算方法研究进展[J].中原工学院学报,2007,18(5):1-5.
[2] 温权,李敬如,赵静.空调负荷计算方法及应用[J].电力需求侧管理,2005,7(4):16-18.
[3] 赵君有.基于灰色理论的中长期电力负荷的预测[D].沈阳:沈阳工业大学,2007.
[4] 陈娟,吉培荣,卢丰.指数平滑法及其在负荷预测中的应用[J].三峡大学学报(自然科学版),2010,32(3):37-41.
[5] Wang H, ChangWL. Load forecasting for electrical power system based on BP neural network[C]//International Workshop on Education Technology and Computer Science.IEEE,2009:702-705.
[6] 赵波峰,文远高,杨恒.四种空调负荷预测方法分析比较[J].建筑热能通风空调,2012,30(6):65-67.
[7] 康重庆,周安石,王鹏.短期负荷预测中实时气象因素的影响分析及其处理策略[J].电网技术,2006,30(7):5-10.
[8] 郑慧凡,白静,李安桂.BP神经网络在建筑物空调负荷预测中的应用评述[J].计算机应用与软件,2007,24(6):103-105.
[9] 柳小桐.BP神经网络输入层数据归一化研究[J].机械工程与自动化,2010,(3):122-123.
[10]程玉桂,黎明,林明玉.基于遗传算法和BP神经网络的城区中长期电力负荷预测与分析[J].计算机应用,2010,30(1):224-226.
上一篇:大数据中心动态热特性研究