摘要： 準確的預測是冰蓄冷系統優(yōu)化和控制的基礎和前提。本文介紹了冰蓄冷系統預測的內容和方法，主要包括室外逐時(shí)氣象參數的預測和建筑物逐時(shí)冷負荷的預測。其中，溫度預測通常采用形狀系數法；而人工神經(jīng)網(wǎng)絡(luò )在太陽(yáng)輻射預測和建筑物冷負荷預測中優(yōu)勢顯著(zhù)。

    關(guān)鍵詞： 冰蓄冷 氣象參數 形狀系數 人工神經(jīng)網(wǎng)絡(luò )

    1 前言

    對北京市冬夏季典型日電力負荷構成情況的調查表明：民用建筑用電是構成電力峰荷的主要因素［１］。目前，我國城市建筑夏季的空調用電量占其總用電量的40％以上。解決電力不足的途徑有很多種，根據有關(guān)資料，在采用電能儲存解決電力峰谷差的成熟技術(shù)中，冰蓄冷的轉換效率最高［２］。在建筑物空調中應用冰蓄冷技術(shù)是改善電力供需矛盾最有效措施之一。

    冰蓄冷空調系統的設計前提是設計日的負荷分布，系統主要設備的容量都是按設計日進(jìn)行的。然而，100％的設計冷負荷出現時(shí)間僅占總運行時(shí)間的o％［3］。同時(shí)，由于分時(shí)電價(jià)或實(shí)時(shí)電價(jià)（RTP）的引入，建筑物中各種設備的運行控制更為復雜，運行決策必須以天、甚至小時(shí)為基礎[4].1993年，ASHRAE研究項目RP776對美國蓄冷（水蓄冷、優(yōu)態(tài)鹽。冰蓄冷）系統的調查顯承；冰蓄冷系統約占近對m個(gè)蓄冰系統總數的86.7％。從設計到運行、維護，控制及控制相關(guān)問(wèn)題是蓄冷系統的首要問(wèn)題。在蓄冷系統滿(mǎn)意程度的調查中，冰蓄冷系統滿(mǎn)意率最低，僅有50％的冰蓄冷用戶(hù)認為達到了預期的設計目的人正確地運用優(yōu)化和控制技術(shù)至關(guān)重要[5]

    一些研究報告指出，某些蓄冷系統在降低電力峰值需求的同時(shí)，顯著(zhù)地增加了總的年電力消耗。因此，將最終導致發(fā)電量增加，自然資源浪費和環(huán)境污空失這些批評導致了對蓄冷系統及相關(guān)研究項目資助的減少[６].1994年，Brady根據實(shí)測數據證明，上述消極影響可以通過(guò)充分的利用蓄冰系統的優(yōu)點(diǎn)來(lái)消除。蓄冰系統可以降低年能量消耗、峰值電力需求、年運行費用[7] [8]和系統對環(huán)境的影響[6]［9］。1993年，Fiorino對Dallas某（水）蓄冷進(jìn)行了改造，使蓄冷系統不但減少了運行費用，而且節約了用電量［10］［11］。冰蓄冷空調也是如此［12］［13］。

    隨著(zhù)《中華人民共和國節約能源法》的公布施行，冰蓄冷系統節能問(wèn)題受到更加廣泛的重視。冰蓄冷系統優(yōu)化和控制的目的是在滿(mǎn)足建筑物供冷要求的同時(shí)，使系統空調期運行費用最小。準確的預測是蓄體系統優(yōu)化和控制的基礎和前提，主要包括下列內容。

    2 室外逐時(shí)氣象參數的預測

    2.l 室外逐時(shí)溫度

    許多研究結果表明：室外溫度直接影響負荷大小、能量消耗和高峰期用電量。以往溫度預測算法大多建立在室外溫度按正弦曲線(xiàn)變化的假設上。Chen通過(guò)對蒙特利爾最近十年氣象數據的分析，得出了室外溫度波的三種模式：近正弦波模式、降溫模式、升溫模式。他發(fā)現該市1月和12月份每日溫度最高溫度孵出現在午夜12：00.將溫度波簡(jiǎn)單地假設為正弦曲線(xiàn)不能反映室外溫度實(shí)際變化的趨勢［14］。全球“溫室效應”和城市的“熱島”效應的影響，需要對室外溫度變化做進(jìn)一步的分析和研究。況且，我們所指的室外溫度是針對某個(gè)實(shí)際建筑而言的，而氣象預報是一個(gè)大區域內的整體平均，二者存在著(zhù)差異，因此。需要一個(gè)有針對性的預測手段。

    預測中通常采用的模型包括回歸模型（線(xiàn)性回歸、多元回歸等）、時(shí)間序列模型（ARIMA、ARMA、AR、MA等）、Kalman濾波模型、模糊集模型、人工神經(jīng)網(wǎng)絡(luò )模型等。

    1985年Rawlingr指出對蓄冰系統，為了防止冰在熱天提前耗盡，一種預測熱天的辦法是觀(guān)察當天早晨的氣溫（主觀(guān)預測法）。例如，在新澤西地區，如果上午8：00的溫度為29℃，統計數據表明當天很可能接近“設計日”[15]

    用于客觀(guān)天氣預測的模型輸出統計（Model output statistics）可以給出精確的未來(lái)天氣撒尼“然而，這種方法需要大量的氣象數據和超級計算機；而不適于在線(xiàn)控制。實(shí)時(shí)控測。氣象參數和負荷預測的方法大多數基于最小M乘回歸分析。1989年MacA－rthur[16]等利用以前測量的環(huán)境溫度和當地氣預報的最高、最低溫度來(lái)預測未來(lái)溫度曲線(xiàn)。 1995年Kawashima等采用預報的最高，最低溫度和ASHRAE建議的形狀系數預測環(huán)境逐時(shí)溫度[17].因為利用了更有效的信息，他們的方法優(yōu)于僅采用過(guò)去測量氣象數據的方法。Chen對天氣預報的最高、最低溫度作了更詳盡的修正。由數據采集系統實(shí)測室外溫度，并根據算法是未來(lái)幾個(gè)小時(shí)的逐時(shí)溫度；同時(shí)將室外溫度變化分為上升階段和下降階段，分別計算各時(shí)刻的形狀系數；二者共同用于室外溫度的預測，取得了較好的效果。

    2.2 逐時(shí)太陽(yáng)輻射的預測

    1996 年，Kawshima將天氣分為晴、陰、多云、雨四種典型情況。首先根據實(shí)測數據擬合出用于預測次日太陽(yáng)輻射總量的多項式，然后乘以逐時(shí)的系數來(lái)預測次日的太陽(yáng)輻射[18].Chen將太陽(yáng)輻射細分為10個(gè)級別，并給出了它們的相對于各時(shí)刻歷史最大太陽(yáng)輻射強度的中值，用于太陽(yáng)輻射的預測，他發(fā)現對于晴朗小時(shí)或天晴間多云（sunny hour or day）預測效果較好；而對于不確定的天氣狀況，如晴間多云（clearing and clouding）則有一定的偏差[14].在建筑物能耗預測結果的報告中[19]，前六名分別為英國劍橋卡文迪許實(shí)驗室的Mackay［20］、瑞典 Lund大學(xué)理論物理系的Ohlsson［2］、普林斯頓大學(xué)中心研究實(shí)驗室汽車(chē)研究和發(fā)展公司的Feuston[22]，南非的Stevenson [23]、日本東京電氣工程部的Iijima[24]、日本東京技術(shù)大學(xué)的Kawashima[25].他們分別在各自的文章中介紹了自己的模型和預測方法。其中，只有Iijima采用了非ANN的分段線(xiàn)性回歸方法。雖然算法取得了較為滿(mǎn)意的結果，但是作者指出線(xiàn)性算法的在解決實(shí)際非線(xiàn)性問(wèn)題時(shí)，還是有限局性的。

    溫度和太陽(yáng)輻射是影響建筑物冷負荷的主要因素，其他參數的預測，如相對濕度等，本文不再贅述。

    3 建筑物逐時(shí)冷負荷的預測

    簡(jiǎn)單的負荷預測方法是將當天的負荷作為第二天冷負荷的預測值。1985年Tamblyn利用測量?jì)x器，如流量計和溫差傳感器產(chǎn)生準確的冷噸一小時(shí)冷負荷曲線(xiàn)，然后建立冷負荷與環(huán)境溫度和內部負荷之間的函數關(guān)系，用于負荷預測[26].1989年Meredith等在利用BASIC程序進(jìn)行蓄冷系統模擬時(shí)，根據ASHRAE通用負荷曲線(xiàn)（ASHRAE 1987），采用四階多項式回歸得到方程來(lái)預測模擬日的負荷［27］。

    RuChti[28]采用了標準日、最熱日負荷預測器進(jìn)行負荷預測。這種方法實(shí)際上是將一定時(shí)期內（如一個(gè)月）某一特殊的負荷圖樣作為該時(shí)期每天的負荷圖樣。此方法簡(jiǎn)單、計算量小、比較適合于一般的工程應用，對運行管理水平要求不高，但遠不能滿(mǎn)足優(yōu)化和控制的要求。

    1989 年Boonyatikam等指出采用數學(xué)模型預測空調冷負荷的缺陷，包括①詳細模型需要內存的增加；②數學(xué)方程不容易適應外界條件或運行狀況的改變；③計算機處理時(shí)間過(guò)長(cháng)；④有精度要求時(shí)，對建筑物的輸人描述過(guò)多等。為了避免這些問(wèn)題，作者采用基于實(shí)際空間響應（負荷）而不是理論模型的預測函數。收集相關(guān)變量的歷史數據用于分析。將每一個(gè)變量，如：室外干球溫度、相對溫度、人射太陽(yáng)輻射、風(fēng)速、風(fēng)向、負荷等的數值記錄到數據文件中，最后采用多元線(xiàn)性回歸導出預測方程［29］。

    1989年MacArthur等采用ARMAX時(shí)序模型進(jìn)行負荷預測，預測誤差在5％以?xún)萚16].

    1989 年Spethmann[7]和1994年Simmonds［3］采用第二天預報的最高、最低溫度、歷史形狀因子曲線(xiàn)，并區分了工作日與周末。首先預測室外溫度，然后通過(guò)溫度曲線(xiàn)和歷史形狀因子進(jìn)行負荷預測，并將算法集成于預測優(yōu)化蓄冷控制器。實(shí)際運行時(shí)，測量溫度和負荷用于對預測值的在線(xiàn)修正。

    1990 年Ferrano采用ANN預測次日總冷負荷，并與實(shí)時(shí)專(zhuān)家系統結合用于邁阿密一幢建筑冰蓄冷系統控制。根據每天24小時(shí)的溫度波動(dòng)情況，分三種溫度模式：冷（COld）10℉、暖（warm）14℉下和普通（normal）2.5℉，對神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練。神經(jīng)網(wǎng)絡(luò )訓練完成后，預測值與理想值的偏差為 4％［30］。

    以上研究工作具有各自的特點(diǎn)，然而各預測模型間沒(méi)有性能對比。1993年，在A(yíng)SHRAE首屆建筑物能量預測競賽中，在對比多個(gè)參賽選手的預測結果后，Kreider指出為了達到更為精確的預測效果，傳統方法將讓位于新的預測方法，如ANN.1995年Ka- washima采用完全相同的數據集，對包括ANN模型在內的七種預測模型（ARIMA、LR、EWMA）進(jìn)行比較論證，指出ANN模型預測最精確［17］。

    4 結束語(yǔ)

    準確的預測是冰蓄冷系統優(yōu)化和控制的基礎和前提。根據以上文獻，目前冰蓄冷系統中的溫度預測通常采用形狀因子法；而對于太陽(yáng)輻射和建筑物冷負荷的預測，人工神經(jīng)網(wǎng)絡(luò )是更為有效的方法。