冰蓄冷空调系统预测方法的回(2)
2013-08-17 01:11
导读：1996 年，Kawshima将天气分为晴、阴、多云、雨四种典型情况。首先根据实测数据拟合出用于预测次日太阳辐射总量的多项式，然后乘以逐时的系数来预测次
1996 年，Kawshima将天气分为晴、阴、多云、雨四种典型情况。首先根据实测数据拟合出用于预测次日太阳辐射总量的多项式，然后乘以逐时的系数来预测次日的太阳辐射[18].Chen将太阳辐射细分为10个级别，并给出了它们的相对于各时刻历史最大太阳辐射强度的中值，用于太阳辐射的预测，他发现对于晴朗小时或天晴间多云（sunny hour or day）预测效果较好；而对于不确定的天气状况，如晴间多云（clearing and clouding）则有一定的偏差[14].在建筑物能耗预测结果的报告中[19]，前六名分别为英国剑桥卡文迪许实验室的Mackay［20］、瑞典 Lund大学
理论物理系的Ohlsson［2］、普林斯顿大学中心研究实验室汽车研究和发展公司的Feuston[22]，南非的Stevenson [23]、日本东京
电气工程部的Iijima[24]、日本东京技术大学的Kawashima[25].他们分别在各自的文章中介绍了自己的模型和预测方法。其中，只有Iijima采用了非ANN的分段线性回归方法。虽然算法取得了较为满意的结果，但是作者指出线性算法的在解决实际非线性问题时，还是有限局性的。 温度和太阳辐射是影响建筑物冷负荷的主要因素，其他参数的预测，如相对湿度等，本文不再赘述。 3 建筑物逐时冷负荷的预测 简单的负荷预测方法是将当天的负荷作为第二天冷负荷的预测值。1985年Tamblyn利用测量仪器，如流量计和温差传感器产生准确的冷吨一小时冷负荷曲线，然后建立冷负荷与环境温度和内部负荷之间的函数关系，用于负荷预测[26].1989年Meredith等在利用BASIC程序进行蓄冷系统模拟时，根据ASHRAE通用负荷曲线（ASHRAE 1987），采用四阶多项式回归得到方程来预测模拟日的负荷［27］。 RuChti[28]采用了标准日、最热日负荷预测器进行负荷预测。这种方法实际上是将一定时期内（如一个月）某一特殊的负荷图样作为该时期每天的负荷图样。此方法简单、计算量小、比较适合于一般的工程应用，对运行管理水平要求不高，但远不能满足优化和控制的要求。 1989 年Boonyatikam等指出采用
数学模型预测空调冷负荷的缺陷，包括①详细模型需要内存的增加；②数学方程不容易适应外界条件或运行状况的改变；③计算机处理时间过长；④有精度要求时，对建筑物的输人描述过多等。为了避免这些问题，作者采用基于实际空间响应（负荷）而不是理论模型的预测函数。收集相关变量的历史数据用于分析。将每一个变量，如：室外干球温度、相对温度、人射太阳辐射、风速、风向、负荷等的数值记录到数据文件中，最后采用多元线性回归导出预测方程［29］。 1989年MacArthur等采用ARMAX时序模型进行负荷预测，预测误差在5％以内[16]. 1989 年Spethmann[7]和1994年Simmonds［3］采用第二天预报的最高、最低温度、历史形状因子曲线，并区分了工作日与周末。首先预测室外温度，然后通过温度曲线和历史形状因子进行负荷预测，并将算法集成于预测优化蓄冷控制器。实际运行时，测量温度和负荷用于对预测值的在线修正。
（科教范文网 fw.nseac.com编辑发布）
1990 年Ferrano采用ANN预测次日总冷负荷，并与实时专家系统结合用于迈阿密一幢建筑冰蓄冷系统控制。根据每天24小时的温度波动情况，分三种温度模式：冷（COld）10℉、暖（warm）14℉下和普通（normal）2.5℉，对神经网络进行训练。神经网络训练完成后，预测值与理想值的偏差为 4％［30］。 以上研究工作具有各自的特点，然而各预测模型间没有性能对比。1993年，在ASHRAE首届建筑物能量预测竞赛中，在对比多个参赛选手的预测结果后，Kreider指出为了达到更为精确的预测效果，传统方法将让位于新的预测方法，如ANN.1995年Ka- washima采用完全相同的数据集，对包括ANN模型在内的七种预测模型（ARIMA、LR、EWMA）进行比较论证，指出ANN模型预测最精确［17］。 4 结束语 准确的预测是冰蓄冷系统优化和控制的基础和前提。根据以上文献，目前冰蓄冷系统中的温度预测通常采用形状因子法；而对于太阳辐射和建筑物冷负荷的预测，人工神经网络是更为有效的方法。
