1 概述

目前，我國既有公共建筑面積達128×10

m

，占建筑總量的21%。公共建筑的能耗占全國建筑總能耗的33%

，暖通空調(diào)系統(tǒng)的能耗在建筑總能耗中占比通?？蛇_30%～40%

。降低暖通空調(diào)系統(tǒng)能耗是實現(xiàn)建筑節(jié)能的重要措施之一。

(1)樣本溫度計與標準溫度計測溫情況對比；(2)樣本溫度計變溫靈敏度測試；(3)溫度計的使用性能、安全系數(shù)；(4)溫度計的方便程度(由小組學(xué)生指導(dǎo)盲人后親身試驗)。

準確預(yù)測建筑負荷是空調(diào)系統(tǒng)節(jié)能設(shè)計與運行的基礎(chǔ)，較高的預(yù)測精度使人工神經(jīng)網(wǎng)絡(luò)在空調(diào)系統(tǒng)中得到了應(yīng)用。Kusiak等人

采用神經(jīng)網(wǎng)絡(luò)建立能耗預(yù)測模型，并通過多目標尋優(yōu)，確定優(yōu)化控制方案以實現(xiàn)能耗最小。蔣小強等人

通過能耗模擬平臺及數(shù)據(jù)處理得到不同負荷條件下，使制冷機房總能耗最小的冷水流量、冷卻水流量等參數(shù)，結(jié)果表明該控制方法比傳統(tǒng)變流量定溫差控制方法更加節(jié)能。李帆等人

以南京市某地源熱泵空調(diào)系統(tǒng)為實測對象，根據(jù)實際運行數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)負荷預(yù)測模型，預(yù)測相對誤差為5.2%左右。陳銳彬等人

以深圳某大型公共建筑為例，采用BP神經(jīng)網(wǎng)絡(luò)建立負荷預(yù)測模型并進行驗證，結(jié)果顯示：BP神經(jīng)網(wǎng)絡(luò)模型對負荷與各輸入變量有很好的映射能力。

本文采用人工神經(jīng)網(wǎng)絡(luò)建立建筑負荷預(yù)測模型，采用粒子群算法進行空調(diào)系統(tǒng)設(shè)備運行參數(shù)尋優(yōu)。結(jié)合工程實例，對某辦公建筑的負荷進行預(yù)測，對設(shè)備運行參數(shù)進行尋優(yōu)。

2 負荷預(yù)測與設(shè)備運行參數(shù)尋優(yōu)算法

2.1 負荷預(yù)測

人工神經(jīng)網(wǎng)絡(luò)模型具有自學(xué)習、自適應(yīng)能力強和容錯性強等優(yōu)點，通過創(chuàng)建一系列類似于人腦的神經(jīng)元組成神經(jīng)網(wǎng)絡(luò)，使神經(jīng)網(wǎng)絡(luò)模型能夠從大量數(shù)據(jù)中學(xué)習，訓(xùn)練得到預(yù)測模型。為避免傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法收斂慢、效率低的缺點，本文采用經(jīng)Levenberg-Marquardt算法改進的BP神經(jīng)網(wǎng)絡(luò)

。改進后的BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)包括輸入層、隱藏層和輸出層。

酒精雖有一定鎮(zhèn)靜催眠作用，但持續(xù)時間較短，大約3～4個小時睡意便會消失，酒精的催眠效應(yīng)消失后，身體就會出現(xiàn)心跳加快、呼吸急促等交感神經(jīng)興奮的癥狀，這時人們反而容易驚醒，甚至失眠。中國醫(yī)科大學(xué)附屬盛京醫(yī)院睡眠醫(yī)學(xué)中心副主任、教授肖莉表示，喝酒之后導(dǎo)致的睡眠與正常生理性睡眠是不同的，這種睡眠看似睡得熟，實際上大腦皮層還在活動，而且肝臟還要整晚代謝酒中的雜質(zhì)，這會增加肝臟負擔，對人體造成慢性損傷！

建筑負荷受到室外氣象參數(shù)(包括室外溫度、室外相對濕度等)、圍護結(jié)構(gòu)特性、使用功能等因素影響。對于既有辦公類建筑，其圍護結(jié)構(gòu)以及使用人員、設(shè)備等基本固定，因此室外氣象參數(shù)成為影響建筑負荷的主要因素。因此，本文選取室外溫度、室外相對濕度作為輸入層參數(shù)?？紤]到建筑具有熱惰性，分別選取前2 h、前1 h、當前1 h的室外溫度、室外相對濕度作為負荷預(yù)測的影響因素

。即輸入層神經(jīng)元數(shù)量為6個。

采用MATLAB建立負荷預(yù)測模型，輸入層、隱藏層傳遞函數(shù)采用tansig函數(shù)，輸出層傳遞函數(shù)采用purelin函數(shù)，反向傳播的訓(xùn)練采用trainlm函數(shù)

。將數(shù)據(jù)樣本分為訓(xùn)練集、驗證集，通過訓(xùn)練與驗證直至符合精度要求。

隱藏層神經(jīng)元數(shù)量取2

+1

，

為輸入層的神經(jīng)元數(shù)量。即隱藏層神經(jīng)元數(shù)量為13個。本文建立的預(yù)測模型為多輸入-單輸出結(jié)構(gòu)，輸出層神經(jīng)元為當前1 h的建筑負荷。

人，無論生于哪個時代，處于何方地界，都要不同程度的面對人“生”的煩惱和對人“死”的恐懼，從這種精神境界上講，超脫生死便成了人的終極目標，所以才有了對宗教的信仰和研究。對佛教而言，成佛是學(xué)佛的真正目的，既然佛性人本具足，為什么人仍處于“人”的狀態(tài)，而未成佛？為了解釋這一點，首先要了解一下對佛性的不同稱謂。隨著佛教的發(fā)展，“佛性”一詞有了更多的異名，如：中道、涅槃、法性、真如、實際、法界、如來藏……等等。這些不同的稱謂，在不同的語境中所表達的意義并不完全一樣，但都和佛性基本相同或相通。“如來藏”與“佛性”相通，佛教用如來藏理論來說明人未成佛之因。

③ 數(shù)據(jù)歸一化處理

采用極大極小值法，對輸入層、輸出層參數(shù)進行歸一化處理，以避免神經(jīng)網(wǎng)絡(luò)收斂慢、訓(xùn)練時間長等問題

。

④ 負荷預(yù)測模型的建立

粒子群算法在尋優(yōu)過程中，用一個粒子來模擬群集中的個體，每個粒子可視為多維搜索空間中的1個搜索個體，粒子的當前位置即為對應(yīng)優(yōu)化問題的1個候選解，粒子的飛行過程即為該個體的搜索過程。粒子的飛行速度可根據(jù)粒子歷史最優(yōu)位置和群集歷史最優(yōu)位置進行動態(tài)調(diào)整。粒子僅具有2項屬性：速度、位置。每個粒子單獨搜尋的最優(yōu)解稱為個體極值，群集中最優(yōu)的個體極值作為當前全局最優(yōu)解。通過不斷迭代，更新速度和位置，直到得到滿足終止條件的最優(yōu)解。

② 隱藏層、輸出層

2.2 設(shè)備運行參數(shù)尋優(yōu)算法：粒子群算法

警察說，這項制度是警察對遭遇特殊困難的人實施的一項緊急資金救助措施，主要應(yīng)對4種情況：第一，外出時被盜或錢包遺失者的交通費；第二，對于失蹤者實施保護時所需要的應(yīng)急費用；第三，倒在路上的病人的保護費用和對遭遇交通事故等負傷者進行救護時所需要的費用；第四，其他認為有必要實施救助的費用。

① 輸入層

后來，崎嶇的小路延展成了康莊大道，涓涓細流漸漸聚成力量，那朵不被看好的小花依托著泥濘的土地，一步步長成想要的姿態(tài)。

3 實例應(yīng)用與分析

3.1 工程概況

數(shù)據(jù)采集時間為2020年7月1日—31日，包括室外溫度、室外相對濕度、冷水質(zhì)量流量、冷水供水溫度、冷水回水溫度、空調(diào)系統(tǒng)耗電量。數(shù)據(jù)采樣間隔為1 h，共采集得到184組數(shù)據(jù)。將室外溫度、室外相對濕度作為預(yù)測模型輸入，由冷水質(zhì)量流量、供水溫度、回水溫度計算空調(diào)系統(tǒng)供冷量。在室內(nèi)滿足溫度要求的前提下，將計算得到的空調(diào)系統(tǒng)供冷量作為建筑負荷。為保證預(yù)測準確性，采用中位值平均濾波算法對采集數(shù)據(jù)進行處理，去除實際數(shù)據(jù)中的隨機誤差。處理后得到有效數(shù)據(jù)172組。

粒子群算法(PSO)模仿昆蟲、獸群、鳥群和魚群等的群集行為，這些群體按照一種合作方式尋找食物，群體中的每個成員通過學(xué)習自身的經(jīng)驗和其他成員的經(jīng)驗不斷改變搜索模式。

以青島市某辦公樓空調(diào)系統(tǒng)為研究對象。辦公樓空調(diào)面積為4.3×10

m

，空調(diào)系統(tǒng)工作時間為工作日的8:00—16:00?？照{(diào)系統(tǒng)主要設(shè)備額定參數(shù)與配置數(shù)量見表1。

3.2 負荷預(yù)測

采用MATLAB建立負荷預(yù)測模型，隨機將數(shù)據(jù)樣本的70%作為訓(xùn)練集，30%作為驗證集。將驗證集數(shù)據(jù)代入預(yù)測模型，由預(yù)測結(jié)果可知，建筑負荷預(yù)測結(jié)果與實際結(jié)果的平均相對誤差為7.7%。這說明預(yù)測模型具有較好的預(yù)測能力。

3.3 設(shè)備運行參數(shù)尋優(yōu)

粒子群算法通過TRNSYS中TRNOPT模塊外接的GenOpt的JAVA程序?qū)崿F(xiàn)，通過設(shè)置自變量的定義、目標函數(shù)、約束條件、尋優(yōu)算法等，求解最優(yōu)化的自變量。自變量為連續(xù)變量，選擇的優(yōu)化算法為帶慣性權(quán)重的粒子群優(yōu)化算法(Particle Swarm Optimization with inertia weight)。目標函數(shù)為當前負荷下空調(diào)系統(tǒng)的耗電量。

2.4 合理負載，提高葉果比 設(shè)施冬棗畝產(chǎn)量不宜超過1 500 kg，葉果比調(diào)節(jié)到6～8∶1，坐果后可通過降低溫度抑制棗吊生長，棗吊不摘心，提高葉果比。

在尋優(yōu)過程中，為保障空調(diào)系統(tǒng)安全穩(wěn)定運行，保證末端房間制冷、除濕效果，對所優(yōu)化自變量進行約束，即將尋優(yōu)參數(shù)限制在可行范圍內(nèi)。為保證機組蒸發(fā)器、冷凝器流量不小于冷水、冷卻水額定流量的60%

，保證水泵及冷卻塔的電機安全運行，限制水泵、風機最低工作頻率為35 Hz

。根據(jù)GB 50736—2012《民用建筑供暖通風與空氣調(diào)節(jié)設(shè)計規(guī)范》，室內(nèi)溫度范圍限制在24～26 ℃。根據(jù)冷水機組廠家提供的性能曲線，冷水供水溫度范圍限制在7～12 ℃。尋優(yōu)結(jié)果見表2。

采用TRNSYS軟件建立該辦公樓空調(diào)系統(tǒng)仿真模型，按優(yōu)化后的設(shè)備運行參數(shù)，對2020年7月1日—31日空調(diào)系統(tǒng)耗電量進行模擬。仿真結(jié)果為27 619 kW·h，實際耗電量為30 648 kW·h。模擬耗電量比實際耗電量低9.9%。

4 結(jié)論

① 建筑負荷預(yù)測結(jié)果與實際負荷的平均相對誤差為7.7%，預(yù)測模型具有較好的預(yù)測能力。

② 采用TRNSYS軟件建立該辦公樓空調(diào)系統(tǒng)仿真模型，按優(yōu)化后的設(shè)備運行參數(shù)，對空調(diào)系統(tǒng)耗電量進行模擬，模擬耗電量比實際耗電量低9.9%。

[1] 清華大學(xué)建筑節(jié)能研究中心. 2020中國建筑節(jié)能年度發(fā)展研究報告[M]. 北京：中國建筑工業(yè)出版社，2020：5-7.

[2] 孫洪鵬，陳晨，張廣智. 國內(nèi)大型公共建筑空調(diào)系統(tǒng)運行管理現(xiàn)狀調(diào)查研究[J]. 建筑節(jié)能，2020(10)：8-13.

[3] KUSIAK A，XU G，TANG F. Optimization of an HVAC system with a strength multi-objective particle-swarm algorithm[J]. Energy，2011(10)：5935-5943.

[4] 蔣小強，龍惟定，李敏. 制冷機房冷水和冷卻水變流量解耦控制策略[J]. 重慶大學(xué)學(xué)報，2010(6)：6-12.

[5] 李帆，曲世琳，于丹，等. 基于運行數(shù)據(jù)人工神經(jīng)網(wǎng)絡(luò)的空調(diào)系統(tǒng)逐時負荷預(yù)測[J]. 建筑科學(xué)，2014(2)：72-75.

[6] 陳銳彬，李澤奇，黃永益. 基于BP神經(jīng)網(wǎng)絡(luò)模型的大型公共建筑冷負荷預(yù)測[J]. 建設(shè)科技，2019(1)：38-42.

[7] 李中顯. 基于LM-BP神經(jīng)網(wǎng)絡(luò)的采摘機器人智能運動策略研究[J]. 農(nóng)機化研究，2020(7)：224-227，232.

[8] 安建月，鄧仕鈞，鄧翔，等. 基于負荷預(yù)測的中央空調(diào)制冷系統(tǒng)能耗綜合優(yōu)化[J]. 建筑熱能通風空調(diào)，2019(4)：1-5.

[9] 張吉禮. 模糊-神經(jīng)網(wǎng)絡(luò)控制原理與工程應(yīng)用[M]. 哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2004：102-103.

[10] 夏曉靖，高尚，陳虹麗. 基于神經(jīng)網(wǎng)絡(luò)的燃氣日負荷智能預(yù)測方法[J]. 應(yīng)用科技，2020(2)：23-28.

[11] 陳明. MATLAB神經(jīng)網(wǎng)絡(luò)原理與實例精解[M]. 北京：清華大學(xué)出版社，2013：166-176.

[12] 黃建恩，呂恒林，馮偉. 空調(diào)系統(tǒng)冷水循環(huán)水泵變頻運行的變溫差控制[J]. 環(huán)境工程，2011(6)：103-106，131.

[13] 李龍. 空調(diào)冷卻水系統(tǒng)變頻節(jié)能分析[J]. 暖通空調(diào)，2020(8)：65-69.