摘要：準確的預測是冰蓄冷系統(tǒng)優(yōu)化和控制的基礎(chǔ)和前提。本文介紹了冰蓄冷系統(tǒng)預測的內(nèi)容和方法，主要包括室外逐時氣象參數(shù)的預測和建筑物逐時冷負荷的預測。其中，溫度預測通常采用形狀系數(shù)法；而人工神經(jīng)網(wǎng)絡在太陽輻射預測和建筑物冷負荷預測中優(yōu)勢顯著。

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

1前言

對北京市冬夏季典型日電力負荷構(gòu)成情況的調(diào)查表明：民用建筑用電是構(gòu)成電力峰荷的主要因素［１］。目前，我國城市建筑夏季的空調(diào)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(jù)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(zhuǎn)換效率最高［２］。在建筑物空調(diào)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(diào)系統(tǒng)的設(shè)計前提是設(shè)計日的負荷分布，系統(tǒng)主要設(shè)備的容量都是按設(shè)計日進行的。然而，100％的設(shè)計冷負荷出現(xiàn)時間僅占總運行時間的o％［3］。同時，由于分時電價或?qū)崟r電價（RTP）的引入，建筑物中各種設(shè)備的運行控制更為復雜，運行決策必須以天、甚至小時為基礎(chǔ)[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(tǒng)的調(diào)查顯承；冰蓄冷系統(tǒng)約占近對m個蓄冰系統(tǒng)總數(shù)的86.7％。從設(shè)計到運行、維護，控制及控制相關(guān)問題是蓄冷系統(tǒng)的首要問題。在蓄冷系統(tǒng)滿意程度的調(diào)查中，冰蓄冷系統(tǒng)滿意率最低，僅有50％的冰蓄冷用戶認為達到了預期的設(shè)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(tǒng)在降低電力峰值需求的同時，顯著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(tǒng)及相關(guān)研究項目資助的減少[６].1994年，Brady根據(jù)實測數(shù)據(jù)證明，上述消極影響可以通過充分的利用蓄冰系統(tǒng)的優(yōu)點來消除。蓄冰系統(tǒng)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(tǒng)對環(huán)境的影響[6]［9］。1993年，F(xiàn)iorino對Dallas某（水）蓄冷進行了改造，使蓄冷系統(tǒng)不但減少了運行費用，而且節(jié)約了用電量［10］［11］。冰蓄冷空調(diào)也是如此［12］［13］。

隨著《中華人民共和國節(jié)約能源法》的公布施行，冰蓄冷系統(tǒng)節(jié)能問題受到更加廣泛的重視。冰蓄冷系統(tǒng)優(yōu)化和控制的目的是在滿足建筑物供冷要求的同時，使系統(tǒng)空調(diào)期運行費用最小。準確的預測是蓄體系統(tǒng)優(yōu)化和控制的基礎(chǔ)和前提，主要包括下列內(nèi)容。

2室外逐時氣象參數(shù)的預測

2.l室外逐時溫度

許多研究結(jié)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變化的假設(shè)上。Chen通過對蒙特利爾最近十年氣象數(shù)據(jù)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(xiàn)該市1月和12月份每日溫度最高溫度孵出現(xiàn)在午夜12：00.將溫度波簡單地假設(shè)為正弦曲線不能反映室外溫度實際變化的趨勢［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一步的分析和研究。況且，我們所指的室外溫度是針對某個實際建筑而言的，而氣象預報是一個大區(qū)域內(nèi)的整體平均，二者存在著差異，因此。需要一個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（線性回歸、多元回歸等）、時間序列模型（ARIMA、ARMA、AR、MA等）、Kalman濾波模型、模糊集模型、人工神經(jīng)網(wǎng)絡模型等。

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

用于客觀天氣預測的模型輸出統(tǒng)計（Modeloutputstatistics）可以給出精確的未來天氣撒尼然而，這種方法需要大量的氣象數(shù)據(jù)和超級計算機；而不適于在線控制。實時控測。氣象參數(shù)和負荷預測的方法大多數(shù)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?shù)貧忸A報的最高、最低溫度來預測未來溫度曲線。1995年Kawashima等采用預報的最高，最低溫度和ASHRAE建議的形狀系數(shù)預測環(huán)境逐時溫度[17].因為利用了更有效的信息，他們的方法優(yōu)于僅采用過去測量氣象數(shù)據(jù)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(shù)據(jù)采集系統(tǒng)實測室外溫度，并根據(jù)算法是未來幾個小時的逐時溫度；同時將室外溫度變化分為上升階段和下降階段，分別計算各時刻的形狀系數(shù)；二者共同用于室外溫度的預測，取得了較好的效果。

2.2逐時太陽輻射的預測

1996年，Kawshima將天氣分為晴、陰、多云、雨四種典型情況。首先根據(jù)實測數(shù)據(jù)擬合出用于預測次日太陽輻射總量的多項式，然后乘以逐時的系數(shù)來預測次日的太陽輻射[18].Chen將太陽輻射細分為10個級別，并給出了它們的相對于各時刻歷史最大太陽輻射強度的中值，用于太陽輻射的預測，他發(fā)現(xiàn)對于晴朗小時或天晴間多云（sunnyhourorday）預測效果較好；而對于不確定的天氣狀況，如晴間多云（clearingandclouding）則有一定的偏差[14].在建筑物能耗預測結(jié)果的報告中[19]，前六名分別為英國劍橋卡文迪許實驗室的Mackay［20］、瑞典Lund大學理論物理系的Ohlsson［2］、普林斯頓大學中心研究實驗室汽車研究和發(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的分段線性回歸方法。雖然算法取得了較為滿意的結(jié)果，但是作者指出線性算法的在解決實際非線性問題時，還是有限局性的。

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

3建筑物逐時冷負荷的預測

簡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利用測量儀器，如流量計和溫差傳感器產(chǎn)生準確的冷噸一小時冷負荷曲線，然后建立冷負荷與環(huán)境溫度和內(nèi)部負荷之間的函數(shù)關(guān)系，用于負荷預測[26].1989年Meredith等在利用BASIC程序進行蓄冷系統(tǒng)模擬時，根據(jù)ASHRAE通用負荷曲線（ASHRAE1987），采用四階多項式回歸得到方程來預測模擬日的負荷［27］。

RuChti[28]采用了標準日、最熱日負荷預測器進行負荷預測。這種方法實際上是將一定時期內(nèi)（如一個月）某一特殊的負荷圖樣作為該時期每天的負荷圖樣。此方法簡單、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，但遠不能滿足優(yōu)化和控制的要求。

1989年Boonyatikam等指出采用數(shù)學模型預測空調(diào)冷負荷的缺陷，包括①詳細模型需要內(nèi)存的增加；②數(shù)學方程不容易適應外界條件或運行狀況的改變；③計算機處理時間過長；④有精度要求時，對建筑物的輸人描述過多等。為了避免這些問題，作者采用基于實際空間響應（負荷）而不是理論模型的預測函數(shù)。收集相關(guān)變量的歷史數(shù)據(jù)用于分析。將每一個變量，如：室外干球溫度、相對溫度、人射太陽輻射、風速、風向、負荷等的數(shù)值記錄到數(shù)據(jù)文件中，最后采用多元線性回歸導出預測方程［29］。

1989年MacArthur等采用ARMAX時序模型進行負荷預測，預測誤差在5％以內(nèi)[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，并區(qū)分了工作日與周末。首先預測室外溫度，然后通過溫度曲線和歷史形狀因子進行負荷預測，并將算法集成于預測優(yōu)化蓄冷控制器。實際運行時，測量溫度和負荷用于對預測值的在線修正。

1990年Ferrano采用ANN預測次日總冷負荷，并與實時專家系統(tǒng)結(jié)合用于邁阿密一幢建筑冰蓄冷系統(tǒng)控制。根據(jù)每天24小時的溫度波動情況，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)絡進行訓練。神經(jīng)網(wǎng)絡訓練完成后，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，然而各預測模型間沒有性能對比。1993年，在ASHRAE首屆建筑物能量預測競賽中，在對比多個參賽選手的預測結(jié)果后，Kreider指出為了達到更為精確的預測效果，傳統(tǒng)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(shù)據(jù)集，對包括ANN模型在內(nèi)的七種預測模型（ARIMA、LR、EWMA）進行比較論證，指出ANN模型預測最精確［17］。

4結(jié)束語

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