馮逸夫，徐以洋，薛喬勻，張 吉

(1.中科華躍能源互聯(lián)網研究院， 北京 100084； 2.中國電建集團 華東勘測設計研究院有限公司， 杭州 311100； 3.北京建筑大學 環(huán)境與能源工程學院 北京節(jié)能減排與城鄉(xiāng)可持續(xù)發(fā)展省部共建國家協(xié)同創(chuàng)新中心， 北京 100044； 4.清華大學建筑節(jié)能研究中心， 北京 100084)

我國正處于城鎮(zhèn)化迅速發(fā)展的進程當中，越來越多的建筑以區(qū)域形式建設并且配備有集中供能系統(tǒng)。相比于單體建筑，區(qū)域建筑群體包含的建筑物類型和功能復雜繁多，其供冷供熱系統(tǒng)比單體建筑的系統(tǒng)更為復雜、投資更大、能耗更高。目前國內外關于單體建筑負荷的預測方法比較成熟，但是區(qū)域能源計算難度大，準確性難以保證。

區(qū)域能源資源、電力負荷和冷熱負荷的預測對區(qū)域建筑規(guī)劃以及運行有重要的支撐作用。其中，能源資源預測可以掌握區(qū)域內建筑可利用資源的儲量及分布，提高本地資源利用率；電力負荷預測在電力系統(tǒng)建設、電力設備及電力系統(tǒng)配置和運行中有重要作用；冷熱負荷預測則直接影響區(qū)域供冷供熱系統(tǒng)的設計與設備選型、運行和調控。

本文對區(qū)域建筑規(guī)劃設計以及運行調控所需要的能源資源、電力負荷、冷熱負荷預測方法研究現(xiàn)狀進行綜述，通過對比分析各類型預測方法，探討其適用性。

1 區(qū)域建筑能源資源預測方法

區(qū)域建筑能源資源可分為以電網電力、可再生能源等傳統(tǒng)能源為主的供應側資源以及通過采取節(jié)能措施、電網削峰填谷得到的虛擬能源為主的需求側資源[1]。傳統(tǒng)的方法基本是僅考慮供應側資源而忽略了需求側資源，隨著城市化進程的加深以及碳達峰碳中和目標的提出，規(guī)劃需求側能源資源的必要性逐步凸顯。

1.1 供應側能源資源預測

1.1.1 能源資源模型法

能源資源模型法是規(guī)劃階段常用的預測區(qū)域供應側能源資源的常用方法。該方法將區(qū)域內能源資源分為常規(guī)能源、可再生能源和未利用能源3類資源，并建立相應的計算模型對能源潛力進行統(tǒng)計[2]。常規(guī)能源模型主要包括天然氣和電力等模型；可再生和未利用能源模型包括太陽能、生物質能和風能、淺層深層地熱能、地表水及污水能、工業(yè)余熱等模型。

這些方法旨在建立不同能源的模型后統(tǒng)計得到區(qū)域內的能源資源。對于不同的資源，許多學者已經進行了歸納總結并得到了簡便的計算公式，以天然氣和太陽能為例[3]，計算式分別如式(1)、式(2)所示：

Sn=qSq=q(Sp+Sc+Sf)

(1)

式中：Sn為天然氣儲能量，單位為J；q為天然氣熱值，單位為J/m3；Sq為天然氣儲量，單位為m3；Sp為已探明的天然氣儲量，單位為m3；Sc為已控制的天然氣儲量，單位為m3；Sf為預測的天然氣儲量，單位為m3。

(2)

式中：Rsth為太陽能熱水儲能量，單位為kJ；Is為太陽能年輻射量，單位為kJ/(m2·a)；v為容積率；n為建筑平均層數(shù)；λs為屋頂面積可使用率；γsth為太陽能熱水器集熱面積與水平面的面積之比；ηsth為太陽能熱水器光熱效率；As為建筑用地面積，單位為m2。

能源資源模型法對區(qū)域內每個資源都進行建模，最終疊加得到區(qū)域能源資源。該方法可以全面覆蓋所有資源種類，較為簡單，但是這些公式的準確性不能得到保證，同時模型中一些參數(shù)的獲取也比較困難。

1.1.2 預測分析法

常規(guī)的能源資源模型法可以預測區(qū)域內所蘊含的能源資源，但實際上并不是所有的能源資源都能被完全利用。預測分析法通過對各種能源潛力進行預測，為進一步的能源規(guī)劃提供參考。目前主流的預測分析法包括情景分析法、時間序列法、BP神經網絡模型法和灰色預測法。

情景分析法是假定某種現(xiàn)象或趨勢在未來能夠持續(xù)發(fā)展的前提下，對將要出現(xiàn)的各種不同情景加以描述并在此基礎上進行預測的一種方法[3]。通過分析各種不確定性因素對研究對象的作用和影響，整合出最有可能的結果。應用在能源資源預測時，情景分析法首先設定一些基礎情景條件，如能源規(guī)劃指標、當?shù)厣鐣洕?、政策狀況等，之后對這些參數(shù)在電力設備及規(guī)模、可再生能源利用情況等方面量化，最終進行具體計算分析能源潛力。ZAPPA等[4]就在2種不同的社會經濟和政策條件下，分析了歐洲各地區(qū)未來的氣候變化及風能潛力，對當?shù)仫L力發(fā)電項目規(guī)劃提供了指導意見。

時間序列法通過對按時間順序排列的、隨時間變化且相互關聯(lián)的數(shù)據序列進行分析，根據時間序列所反映出來的事物發(fā)展變化規(guī)律，進行類推或延伸，從而預測下一段時間的水平，是一種回歸預測方法。該方法承認事物發(fā)展的延續(xù)性，同時也充分考慮到由于偶然因素而產生的隨機性[5]。經典的時間序列法模型有自回歸模型(AR)、自回歸滑動平均模型(ARMA)和差分自回歸滑動平均模型(ARIMA)等，可用于太陽能、風能、水能等與時間相關的能源資源預測。孫春順等[6]將單變量小時風速時間序列向量化，建立了向量自回歸模型對小時風速進行了預測，為預測風電出力奠定了基礎。GUPTA等[7]提出了一種ARIMA和Ensemble模型結合的混合方法來預測水庫逐日和逐月入庫流量，對印度3個水庫的流量進行了預測，其結果有相當高的精度，對水力發(fā)電具有參考意義。

由于可實現(xiàn)對信息數(shù)據進行大規(guī)模并行處理、分布式存儲等，以及其自身具有良好的自組織自學習能力，人工神經網絡在信息處理、智能控制及系統(tǒng)建模等領域應用廣泛。人工神經網絡是建立模仿人腦神經元的算法模型來處理數(shù)據信息，其中結果誤差為反向傳播的BP神經網絡(Back Propagation Neural Network)可以逼近任意連續(xù)函數(shù)，具有很強的非線性映射能力，網絡的中間層數(shù)、各層的處理單元數(shù)及網絡的學習系數(shù)等參數(shù)可根據具體情況設定，靈活性大[8]。BP神經網絡法可以根據光伏發(fā)電或風電等的歷史出力數(shù)據進行自學習，使算法不斷分析參數(shù)的真實關系，對未來出力情況進行預測。ASKARZADEH[9]以電流、溫度和輻照度為輸入對可用于區(qū)域建筑所配置光伏組件的電壓進行了預測，證明了單隱含層BPNN預測性能較好。

灰色系統(tǒng)即已知系統(tǒng)的部分信息但不完全知曉。灰色預測法通過識別各類型因素的差異，并分析其相關性，對數(shù)據和系統(tǒng)的變化進行預判分析，從而構建有邏輯性的系統(tǒng)數(shù)據，然后搭建計算數(shù)學模型，通過數(shù)據模擬運算來預測未來的變化規(guī)律?；疑A測法利用規(guī)律的數(shù)據反映預測的一系列數(shù)量值的變化邏輯，從而預測未來固定時間節(jié)點的參數(shù)和量，或達到某一特征量的時間。

1.1.3 因素分析法

因素分析法是一種定量分析指標與其影響因素關系的方法，可以量化各因素對分析指標的影響作用。在能源資源預測中，因素分析法基于社會經濟系統(tǒng)對能源需求進行研究，在宏觀尺度上對能源消耗做出預測判斷。如利用部門分析法，從國家和民眾的經濟現(xiàn)狀出發(fā)，按實際社會中的各個職能部門劃分，并根據原始數(shù)據預測各部門的產值和能耗的發(fā)展趨勢，即可預測能源消費量的發(fā)展趨勢及其節(jié)能潛力。

1.2 需求側能源資源預測

上述預測供應側能源資源的情景分析法也可應用于需求側能源資源預測。應用在需求側能源資源預測方面時，情景分析法可分為3種情況：一是最大技術資源潛力分析，即假定區(qū)域內建筑均為理想節(jié)能建筑，建筑的圍護結構、末端設備均采用最為節(jié)能的技術，將建筑熱特性參數(shù)、設備運行參數(shù)進行量化，計算這種情況下的能耗與實際相比減少的能源資源；二是成本效益資源潛力分析，最節(jié)能的不一定是最經濟的，成本效益資源是將節(jié)能技術與成本收益分析共同考慮后所得到的節(jié)能資源；三是行為節(jié)能資源潛力分析，即假定生活在區(qū)域的人們都遵守一定的節(jié)能規(guī)則，實施良好的節(jié)能行為，然后將人們行為規(guī)律化，建立數(shù)學模型帶入到設備運行計算中，得出與實際相比減少的能源資源[10]。在應用時也可將成本效益與行為節(jié)能資源潛力分析結合，計算區(qū)域需求側的能源資源量。

1.3 小結

能源資源模型法利用已有模型進行計算，涉及各方面能源分析，但模型準確性欠佳；預測分析法需要以大量的歷史數(shù)據為基礎利用數(shù)學方法或計算機手段進行分析，可處理關系復雜的數(shù)據，但對理論知識要求較高，建模過程復雜，且收斂特性易受原始數(shù)據影響；因素分析法是基于社會經濟狀況研究能源需求，適用于大范圍的規(guī)劃，例如城市級尺度甚至國家級能源發(fā)展規(guī)劃的預測；需求側的情景分析法目前僅是較為粗略的估計，需求側能源資源預測法還需進一步發(fā)展。表1為不同方法在不同建筑規(guī)模中的應用性，其中因素分析法主要用于國家、城市級別宏觀分析，能源資源模型法適用于建筑群、園區(qū)的整體能耗分析，而預測分析法則偏重于對單體建筑或單能源種類的分析，在對建筑群、園區(qū)尺度和多能源種類級別的分析中，還處于發(fā)展階段。

表1 不同預測方法的適應分析對象Tab.1 Adaptation analysis objects for different forecasting methods

2 區(qū)域建筑電力負荷預測方法

區(qū)域建筑負荷預測對區(qū)域建筑規(guī)劃設計、運行調控都具有重要的參考意義。目前，針對區(qū)域建筑電力負荷預測的方法已有多種，根據SWAN等[11]的研究，可將其分為2類：自上而下的方法和自下而上的方法。自上而下的方法從區(qū)域的宏觀特征出發(fā)，根據區(qū)域內經濟與能耗的關系外推得出區(qū)域負荷；而自下而上的方法則從單體建筑出發(fā)，通過聚合得到整個區(qū)域的負荷。

2.1 自上而下的方法

2.1.1 人均用電指標法

人均用電指標法[12]是城市規(guī)劃階段常用的一種預測電力負荷的方法，城市用電負荷等于人數(shù)乘以人均用電指標。該指標受規(guī)劃期內城市社會經濟發(fā)展、人口規(guī)模、資源條件、人民物質文化生活水平、電力供應程度等因素的制約，雖然該方法應用簡單快捷，但人均用電指標較難確定，預測結果偏差較大。

2.1.2 電力彈性系數(shù)法

電力彈性系數(shù)是從宏觀角度反映一段時間內電力消耗增長與國民經濟發(fā)展關系的指標，區(qū)域總耗電量等于電力彈性系數(shù)、GDP增長率、前一年耗電量三者的乘積。吳安平[13]將全社會用電分成4部分，分別為第一、第二、第三產業(yè)及居民用電，利用電力彈性系數(shù)法對2000年貴州省的全社會用電進行了計算。隨著社會進步與科技發(fā)展，電力調配技術與社會經濟結構發(fā)生變化，電力彈性系數(shù)難以獲取和預測，所以該法難以準確預測電力需求。

2.1.3 回歸分析法

回歸分析法是對大量統(tǒng)計數(shù)據進行數(shù)學處理，將數(shù)據中自變量與因變量的關系擬合一個相關性較好的回歸方程，在此基礎上外推來預測未來因變量的變化。在自上而下的方法中，回歸分析法將歷史用電負荷、經濟水平、人口數(shù)據等擬合回歸方程來預測負荷。BIANCO等[14]對意大利1970—2007年的歷史用電量、GDP和人口數(shù)據采用了不同的回歸模型，研究了經濟和人口變量對年度電力負荷的長期影響，對意大利未來的電力負荷進行了預測，其結果與官方和社會機構的預測具有一致性。

2.2 自下而上的方法

2.2.1 單位面積指標法

單位面積指標法將預測區(qū)域分成工商業(yè)和住宅等，根據地區(qū)的整體規(guī)劃、經濟條件等，對各類建筑選擇合適的負荷密度指標，推算整片區(qū)域的電力負荷需求。與人均用電指標法一樣，該方法的負荷密度指標需要大量的歷史數(shù)據進行統(tǒng)計分析得出，預測的結果存在偏差。

2.2.2 合成法與能量預報法

合成法與能量預報法以用戶為基本單位，統(tǒng)計每一用戶的用電設備種類及每種設備的平均用電水平，最終將所有用戶的數(shù)據進行匯總統(tǒng)計[15]。能量預報法對區(qū)域內的用電情形分為居民、商業(yè)、工業(yè)等，預測各類用電的年負荷率，年耗電量與負荷率的比值即為負荷峰值，根據各類用電的負荷峰值及其比例因數(shù)即可得系統(tǒng)總峰值。

2.2.3 模擬仿真法

為了保證電力系統(tǒng)安全、可靠、經濟的運行，在電力規(guī)劃、分析和運行時需要確切地考察系統(tǒng)特性，因此可以采用模擬仿真的手段進行分析。根據應用場景與需求的不同可以將實現(xiàn)模擬仿真的軟件分為2類。第一類依托于建筑模擬軟件中的電耗計算部分，許多建筑能耗模擬軟件可以做到電負荷的計算，如DeST、EnergyPlus等，應用這些軟件時通常是先計算單體建筑的電負荷，再通過疊加等得到區(qū)域的電負荷。李瓊[16]就在建筑結構、熱特性參數(shù)、設備參數(shù)等已知的情況下，利用EnergyPlus對一個園區(qū)的電負荷進行了模擬預測，并分析了最經濟的供電形式。第二類為電力數(shù)字系統(tǒng)仿真，如PSASP、PSCAD/EMTDC和PSD-BPA。此類方法主要針對大規(guī)模、時變的復雜系統(tǒng)。通過仿真計算和分析，對提高系統(tǒng)的安全性和穩(wěn)定性提出建議，也可用于區(qū)域建筑電網的規(guī)劃設計。陳鑫[17]利用PSASP建立了陜西某地區(qū)的電網模型，進行潮流計算分析，對該地區(qū)電網的安全穩(wěn)定運行提出了建議。

2.2.4 Benders算法

Benders算法對實際求解目標進行初始數(shù)學描述，將初始問題分解為復雜變量為基礎的主體問題和包括所有其他變量的子問題[18]。應用于區(qū)域能源電力預測時，先分析網絡約束的經濟型問題，最終得以求得初始問題的最優(yōu)解。

2.2.5 蒙特卡羅方法

蒙特卡羅方法是目前電力系統(tǒng)較為常用的模擬仿真方法，主要用于電力系統(tǒng)可靠性評估等方面。然而傳統(tǒng)蒙特卡羅方法需大量抽樣、計算速度較慢，曾鳴等[19]在傳統(tǒng)模擬仿真方法的基礎上，整合了多元線性蒙特卡羅方法，將風電出力、光伏發(fā)電出力及系統(tǒng)負荷進行線性化，并且將其概率密度函數(shù)分割成相互對應的若干區(qū)間，在這些對應的區(qū)間里面進行多次、大量抽樣，最終獲取模擬分析結果。王利珍等[20]則在聚類分析的基礎上，采用蒙特卡羅方法建立了區(qū)域建筑負荷模型，通過隨機預測模型預測了區(qū)域建筑電負荷，并統(tǒng)計分析了區(qū)域建筑峰值電負荷的概率分布和累積概率分布，為區(qū)域能源系統(tǒng)和電力規(guī)劃提供了參考。

2.2.6 數(shù)據驅動方法

數(shù)據驅動方法通過統(tǒng)計分析和機器學習算法建立所測真實數(shù)據與負荷的相關關系模型進行負荷計算。該方法需要大量的歷史數(shù)據對模型進行訓練，不斷修改模型中的參數(shù)使輸出結果誤差降低至所要求的范圍內。隨著電力系統(tǒng)的改進和智能電表的使用，可統(tǒng)計詳細的建筑用電數(shù)據，這極大促進了數(shù)據驅動方法在建筑電力負荷預測方面的應用。目前主流的數(shù)據驅動方法有：人工神經網絡、支持向量機、數(shù)據回歸等算法。LAOUAFI等[21]開發(fā)了一種基于前饋反向傳播神經網絡的方法預測了法國未來1 h的電力需求和風能和太陽能發(fā)電，并用的實際電力的數(shù)據進行了驗證，發(fā)現(xiàn)預測結果具有較高的準確性，對電力負荷、風能和太陽能的預測平均絕對百分比誤差值分別達到了0.765%、6.008%和6.414%。QIAN等[22]采用了優(yōu)化后的支持向量機與遞歸神經網絡結合對某工業(yè)園區(qū)的電力負荷進行了預測，其結果與實際測量誤差較小。數(shù)據驅動方法的精確度高，但需要大量的歷史數(shù)據，且訓練后的模型普適性較差。

2.3 小結

電力預測方法特點各異：人均用電指標法、電力彈性系數(shù)法和單位面積指標法為靜態(tài)估算法，無逐時值，需要歷史數(shù)據進行分析，不足之處在于指標確定工作量大，且會高估區(qū)域負荷，通常適用于城市或國家尺度的長期(季、年)電負荷預測；自上而下的回歸分析方法具有較好的準確性，適合區(qū)域負荷中期(周、月)和長期預測，但需要統(tǒng)計大量的歷史數(shù)據；合成法分析細致但需要數(shù)據過于詳細，僅適用于小面積區(qū)域；能量預報法可以區(qū)分各類建筑不同用電量，計算簡單，不足在于只能得到年用電量峰值；模擬仿真法計算準確性高、能效高，適合中、長期的負荷預測，但是建模的過程中需要明確的邊界條件；Benders算法可在區(qū)域能源規(guī)劃中找到最優(yōu)解，但建模過程比較復雜，需要較高的理論知識；蒙特卡羅方法預測精度高但需要大量樣本數(shù)據。數(shù)據驅動方法的預測精確度高，可對區(qū)域短期(小時、天)和中期電負荷進行預測，但同樣需要大量的歷史數(shù)據，且訓練后的模型普適性較差，每換一個區(qū)域都需要重新訓練。表2總結了不同電力預測方法的適用對象。

表2 電力預測方法分類Tab.2 Classification of power forecasting methods

3 區(qū)域建筑冷熱負荷預測方法

區(qū)域建筑供冷供熱系統(tǒng)龐大復雜，耗能高，準確預測區(qū)域建筑冷熱負荷對區(qū)域供冷供熱系統(tǒng)的設計、運行調控具有重要作用。現(xiàn)階段，建筑冷熱負荷與經濟等宏觀條件相關性較小，主要是受氣象條件與建筑圍護結構熱特性的影響，因此區(qū)域建筑冷熱負荷預測方法大多為自下而上的方法。

3.1 單位面積指標法

單位面積指標法也可應用在區(qū)域建筑冷熱負荷的預測，通過對大量歷史能耗數(shù)據統(tǒng)計分析，得出各類建筑單位面積冷熱指標，根據區(qū)域建筑類型、考慮同時使用系數(shù)后計算得出區(qū)域冷熱負荷。

我國在實際工程初期大多采用這種方法對區(qū)域建筑冷熱負荷進行預測，但面積指標是在多種影響因素同時出現(xiàn)的情況下確定的，而區(qū)域內所有建筑同時出現(xiàn)多個影響因素的概率很小，采用這種靜態(tài)估算方法會高估區(qū)域總負荷[23]。而日本的面積指標法除了提出區(qū)域供冷供熱領域中冷熱負荷、電負荷、生活熱水的設計值，還統(tǒng)計了各類建筑典型日的小時負荷曲線供參考，同時以東京負荷指標為基準，提出了區(qū)域系數(shù)的概念，即以其他地區(qū)的設計負荷為基準值乘以區(qū)域系數(shù)[24]。相比于只能計算靜態(tài)負荷的面積指標法，這種提供負荷動態(tài)變化參考的方法值得推薦。

3.2 模擬仿真法

區(qū)域建筑類型復雜，數(shù)量繁多，通常計算建筑群的負荷過程中計算量較大，現(xiàn)有的模擬軟件難以對區(qū)域中的每棟建筑進行詳細建模計算，目前還沒有針對區(qū)域尺度進行負荷預測的成熟模擬軟件。為了減少工作量并保證計算的準確性，通常利用能耗模擬軟件建立各類能夠反映其建筑類型形態(tài)、規(guī)模、圍護結構構成和內擾情況等的典型建筑模型，計算出不同類型建筑單位面積負荷特性曲線，進一步擴展來得到區(qū)域建筑群體的整體負荷。常用仿真模擬軟件包括DesignBuilder、DeST、EnergyPlus、DOE-2、eQUEST、TRNSYS、Dymola等。如AN等[25]開發(fā)了一種新的隨機建模方法得出了居民的詳細居住行為模型，利用DeST對武漢某住宅小區(qū)內每套公寓的動態(tài)熱負荷進行了模擬，相加后得到了住宅小區(qū)內建筑的綜合熱負荷。PARK等[26]采用TRNSYS的Type56模塊對一住宅建筑進行動態(tài)模擬仿真，預測了區(qū)域供熱負荷，并與穩(wěn)態(tài)模型預測結果進行比較，發(fā)現(xiàn)TRNSYS動態(tài)模型預測結果更為精確。但TRNSYS中建筑的建模過程復雜，很難實現(xiàn)區(qū)域空間包含較多建筑的建模仿真。

3.3 情景分析法

情景分析法是模擬預測法的簡化計算，通過典型參數(shù)代表全時間空間的結果。如預測冷負荷時，可以利用情景選取一些關鍵時刻點，利用模擬軟件計算出各建筑在各點的冷負荷，然后得到一系列冷負荷的離散點，連接這些點就可以得到每日24 h周期內冷負荷的變化趨勢。苑翔等[27]應用情景分析法把室外氣候條件和建筑內負荷強度分別設置若干情景，并列出不同功能建筑的使用時間表，通過分析不同建筑在同一時刻出現(xiàn)的不同情景確定區(qū)域建筑總冷負荷。

3.4 負荷因子法

負荷因子法是一種在城市規(guī)劃階段預測建筑逐時冷負荷的簡單方法。建筑冷負荷被分為內擾負荷和外擾負荷，其中外擾負荷模型被分為圍護結構與新風模型，而內擾負荷包括人員、設備與照明模型。相應的負荷因子為基于溫差的圍護結構負荷因子、基于焓差的新風負荷因子、人員負荷因子以及設備負荷因子[28]。

3.5 外推法

當歷史數(shù)據沒有跳躍式變化、影響負荷發(fā)展的條件變化不大時，未來負荷變化規(guī)律可以根據歷史的負荷變化規(guī)律推算出來。建立外推法負荷預測模型，需要對歷史能耗數(shù)據進行統(tǒng)計分析，得到負荷與其影響因素的關系。外推法主要有回歸分析法、時間序列分析法和人工智能法。

回歸分析法預測是利用回歸分析方法，根據自變量的變化預測與其有相關關系的某隨機變量的未來值；時間序列分析法把負荷數(shù)據看作一個按季節(jié)、月、天或小時等周期性變化的時間序列，分析和處理歷史數(shù)據，擬合出回歸方程進行預測；人工智能法包括人工神經網絡、BP神經網絡、支持向量機等各種算法。其利用歷史數(shù)據對算法進行訓練，使算法不斷逼近輸入與輸出的真實關系，最終通過輸入建筑特性參數(shù)和氣象參數(shù)等計算得到負荷預測值。

目前有許多學者采用外推法對冷熱負荷進行預測研究，LI等[29]采用多元線性回歸(MLR)模型、帶有外因輸入的自回歸滑動平均(ARMAX)模型等對建筑冷負荷進行了預測，結果發(fā)現(xiàn)MLR模型的誤差比ARMAX模型的小。FANG等[30]采用季節(jié)性差分自回歸滑動平均(SARIMA)模型與天氣相關線性回歸模型相結合的方法，利用歷史數(shù)據和室外溫度、風速等外在因素預測了芬蘭某城市區(qū)域供熱負荷，與其他模型對比分析后發(fā)現(xiàn)該模型還需改進。YAN等[31]在考慮詳細的圍護結構性能參數(shù)情況下利用BP神經網絡對7棟建筑的冷熱負荷進行預測，預測結果與利用DeST模擬的數(shù)據吻合度達96%以上，可對建筑設計提供參考。LI等[32]將支持向量機與模糊C均值聚類相結合來預測建筑物的冷負荷，先使用模糊C均值聚類對原始數(shù)據聚類，降低訓練樣本數(shù)量，用這些樣本對支持向量機進行訓練。之后采用該模型對一學校的科研樓進行了冷負荷預測，其結果誤差較小。目前基于外推法的負荷預測還集中在單體建筑，對區(qū)域建筑負荷的預測較少，隨著算法的日益優(yōu)化，外推法在負荷預測中的應用將會越來越廣泛。

3.6 貝葉斯回歸分析法

貝葉斯統(tǒng)計學是基于3種信息和2種分布的統(tǒng)計推斷。3種信息包括總體信息、樣本信息和先驗信息，其中總體信息為總體分布所提供的信息，樣本信息為從總體抽樣的樣本提供的信息，先驗信息是指在抽樣前有關統(tǒng)計問題的一些信息；2種分布包括先驗分布和后驗分布。在預測中，先建立該區(qū)域內各類型建筑的標準單體建筑模型得到逐時負荷，再將事先獲得的各案例樣本區(qū)域統(tǒng)計數(shù)據與已得到的該案例的先驗信息一同代入到模型中進行計算，得到修正負荷值，進而得到新的修正后的逐時負荷預測值。

歐科敏[33]通過建立典型建筑對區(qū)域建筑群冷熱負荷進行模擬，在計算出典型建筑的動態(tài)負荷后，利用貝葉斯回歸模型對區(qū)域負荷預測進行了修正，結果具有良好的精度，其均方根相對誤差為10.01%。SOKOL等[34]提出在建筑信息不完全的情況下用貝葉斯方法來定義和校準建筑模型，將模型描述中的不確定參數(shù)定義為概率分布，然后基于貝葉斯校正對這些分布進行更新，并基于EnergyPlus動態(tài)模擬計算，利用貝葉斯修正方法對劍橋地區(qū)2 000多座建筑進行了負荷預測。

3.7 小結

每一種區(qū)域建筑冷熱負荷的預測方法均存在優(yōu)勢與不足。單位面積指標法計算方便快捷，但由于在單體建筑估算推算到區(qū)域建筑群體中，沒有考慮到冷熱負荷的逐時變化，包括建筑熱惰性、蓄熱、蓄冷等影響因素，所以計算得出的區(qū)域建筑群體負荷通常會偏大，應同時參考建筑典型日逐時動態(tài)負荷；模擬仿真法計算結果更加準確、過程更加快捷，適用于大規(guī)模的區(qū)域建筑群體，但是需要準確的天氣數(shù)據和詳細的建筑及能源設備系統(tǒng)的信息，建模復雜度高；情景分析法需要設定多種不同情景，分析較為復雜，還需要借助能耗模擬軟件，并且建筑內部負荷強度的量化還存在問題，沒有統(tǒng)一的標準；負荷因子法基于假設條件可以估算規(guī)劃階段城區(qū)的建筑冷熱負荷，但是難以準確確定負荷因子，預測精度不高；外推法計算速度快，預測精度較高，但是需要一定的歷史數(shù)據，且建模過程比較復雜，需要掌握復雜的理論知識；貝葉斯回歸分析法綜合了模擬分析與統(tǒng)計分析，在已有大量歷史能耗數(shù)據的基礎上可以較為準確地得到預測負荷，將蒙特卡羅與貝葉斯回歸分析法結合預測結果精確度更高。表3總結了各類預測方法的適用性。

表3 各類預測方法適用性分析Tab.3 Applicability of various forecasting methods

4 結論

本文對區(qū)域能源資源、區(qū)域建筑電力、區(qū)域建筑冷熱負荷預測方法的現(xiàn)有研究成果進行了回顧與介紹，比較分析各種預測方法的優(yōu)缺點，并根據各自的特點探討了其適用的對象。主要結論如下：

1)區(qū)域建筑能源資源預測主要針對集中供冷供熱的建筑群、園區(qū)，或是城市、國家進行。對于我國現(xiàn)階段缺少詳細歷史數(shù)據的情況，可采用簡單的能源資源模型或與社會因素相關的方法進行預測，促進規(guī)劃階段工作的實施，且亟須考慮需求側能源資源的預測及規(guī)劃。

2)區(qū)域建筑電力負荷預測決定了發(fā)電、輸電與配電的合理安排，不同電力負荷需根據用能設備特點分別預測。隨著計算機技術、智能計量設備與交互式調控設備的發(fā)展，未來模擬仿真和數(shù)據驅動等方法將在電力負荷預測方面占據主體地位。

3)區(qū)域建筑冷熱負荷預測是規(guī)劃區(qū)域能源、分析和設計分布式能源系統(tǒng)的重要一環(huán)，直接影響系統(tǒng)是否能合理高效地運行。不同的預測方法精度不同，所需的邊界條件也有所區(qū)別，在實際應用中應有所取舍與選擇：規(guī)劃階段可參考單位面積指標法和負荷因子法的預測結果；在歷史負荷數(shù)據充足的情況下，可以選用外推法進行預測；在建筑熱特性參數(shù)及氣候條件明了的情況下，選擇模擬仿真法和情景分析法效果較好，當有一部分負荷數(shù)據時，可進一步采用貝葉斯回歸分析法進行預測。