办公建筑夏季空调负荷自适应权重PSO预测模型研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇办公建筑夏季空调负荷自适应权重PSO预测模型研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：为提高办公建筑夏季空调负荷预测精度，提出了一种基于自适应权重pso算法的空调负荷预测方法，利用DEST软件模拟西安某办公建筑的逐时空调负荷，采用最小二乘算法建立空调负荷预测模型并进行模型参数估计，采用自适应权重粒子群算法优化参数。用该地区另一办公建筑中某个房间的空调负荷数据进行模型验证，得到了比较理想的预测效果，为实现空调系统的节能运行和优化控制提供理论依据。

关键词：空调负荷；自适应权重；DEST软件；PSO算法；最小二乘

1 模型影响因素分析

空调负荷的影响因素有很多，可以分为内部因素和外界因素，外界因素是指建筑外的一些气象因素，如温湿度、风速风向的变化、室外干球温度、太阳辐射强度等等；内部因素主要包括建筑内温湿度、机器和照明散热量、人员情况等等[1-2]。选取的模型自变量为室外干球温度和辐射强度。

2 空调系统负荷预测模型优化

2.1 多元线性回归模型的建立

空调负荷预测中，假设空调负荷y随着m组影响因素xi（i=1，2，3...n）的变化而变化，可得

根据以上建模方法及空调负荷数据，可以对多元线性回归模型进行回归系数估计、显著性检验和残差的自相关分析等，最终得出空调系统负荷的预测模型。

2.2 模型参数估计

从进化计算的角度看，可以将J作为适应度函数，只不过此时J越小对应适应度越大。由于极小化式（6）是一个在线优化问题，可以采用自适应权重法的粒子群算法求式（6）的极小值及其对应的模型参数。

2.3 基于PSO算法的模型参数优化

为了平衡PSO算法的全局搜索能力和局部改良能力，可以采用非线性的动态惯性权重系数公式，使得惯性权重随着微粒的目标函数的值而自动改变，因此称为自适应权重，其表达是如下：

式中wmax和wmin分别表示w的最大值和最小值，f用来表示粒子当前的目标函数值，favg表示当前所有微粒的平均目标值，fmin用来表示所有微粒的最小目标值。当每个微粒的目标值趋于相同或者趋于局部最优时，将增加惯性权重，而各微粒的目标值比较分散时，将减小惯性权重，同时对于目标函数值优于平均目标值的微粒，其对应的惯性权重因子较小，从而保护了该微粒。

3 工程实例分析

选取夏季西安地区某办公建筑来建立空调负荷预测模型，大楼共21层，层高3.5米，建筑面积为24225平方米，建筑为混凝土剪力墙结构，外墙为外保温式的加气混泥土砌块；窗框材料采用断桥铝合金，玻璃采用普通白玻璃（玻璃和玻璃间层厚度为6mm）。空调工作时间为08：00～18：00，用于建模的空调负荷样本由动态负荷计算软件 DEST-C模拟计算获得。确定自变量为空调负荷，因变量为实测空调瞬时负荷y，室外干球温度x1，总辐射x2。由最小二乘算法回归后的参数代入（4）式，我们就能得到空调负荷预测模型线性回归方程式为：

模型的预测效果是否良好，空调负荷曲线拟合是否精确，为了便于观察，选取该地区另一办公建筑中的某个房间一周的逐时空调负荷与模型预测负荷进行拟合，则有图1所示仿真出预测值和实际值的拟合效果。

从图2可以看出，采用自适应权重PSO算法优化过后模型的残差很小，误差相对于实际的运行数据很好的控制在了8%以下，使得建筑空调系统负荷预测的精度得到了提高。

4 结束语

通过对模型参数的优化，提高了空调负荷预测结果的可靠性。由此表明，该建模方法在空调负荷预测方面具有很高的预测精度和更好的泛化能力，具有较强的可行性和实用性。

参考文献

[1]赵超，戴坤成，黄云云.灰色-支持向量机的空调负荷预测[J].计算机与应用化学，2014.

[2]李玉云 ，王永骥.人工神经网络在暖通空调领域的研究发展[J].暖通空调，2001，31（1）：38-41.