关键词： 冰蓄冷 气象参数 形状系数 人工神经网络

    1 前言

    对北京市冬夏季典型日电力负荷构成情况的调查表明：民用建筑用电是构成电力峰荷的主要因素［１］。目前，我国城市建筑夏季的空调用电量占其总用电量的40％以上。解决电力不足的途径有很多种，根据有关资料，在采用电能储存解决电力峰谷差的成熟技术中，冰蓄冷的转换效率最高［２］。在建筑物空调中应用冰蓄冷技术是改善电力供需矛盾最有效措施之一。

    冰蓄冷空调系统的设计前提是设计日的负荷分布，系统主要设备的容量都是按设计日进行的。然而，100％的设计冷负荷出现时间仅占总运行时间的o％［3］。同时，由于分时电价或实时电价（RTP）的引入，建筑物中各种设备的运行控制更为复杂，运行决策必须以天、甚至小时为基础[4].1993年，ASHRAE研究项目RP776对美国蓄冷（水蓄冷、优态盐。冰蓄冷）系统的调查显承；冰蓄冷系统约占近对m个蓄冰系统总数的86.7％。从设计到运行、维护，控制及控制相关问题是蓄冷系统的首要问题。在蓄冷系统满意程度的调查中，冰蓄冷系统满意率最低，仅有50％的冰蓄冷用户认为达到了预期的设计目的人正确地运用优化和控制技术至关重要[5]

    一些研究报告指出，某些蓄冷系统在降低电力峰值需求的同时，显著地增加了总的年电力消耗。因此，将最终导致发电量增加，自然资源浪费和环境污空失这些批评导致了对蓄冷系统及相关研究项目资助的减少[６].1994年，Brady根据实测数据证明，上述消极影响可以通过充分的利用蓄冰系统的优点来消除。蓄冰系统可以降低年能量消耗、峰值电力需求、年运行费用[7] [8]和系统对环境的影响[6]［9］。1993年，Fiorino对Dallas某（水）蓄冷进行了改造，使蓄冷系统不但减少了运行费用，而且节约了用电量［10］［11］。冰蓄冷空调也是如此［12］［13］。

    随着《中华人民共和国节约能源法》的公布施行，冰蓄冷系统节能问题受到更加广泛的重视。冰蓄冷系统优化和控制的目的是在满足建筑物供冷要求的同时，使系统空调期运行费用最小。准确的预测是蓄体系统优化和控制的基础和前提，主要包括下列内容。

    2 室外逐时气象参数的预测

    2.l 室外逐时温度

    许多研究结果表明：室外温度直接影响负荷大小、能量消耗和高峰期用电量。以往温度预测算法大多建立在室外温度按正弦曲线变化的假设上。Chen通过对蒙特利尔最近十年气象数据的分析，得出了室外温度波的三种模式：近正弦波模式、降温模式、升温模式。他发现该市1月和12月份每日温度最高温度孵出现在午夜12：00.将温度波简单地假设为正弦曲线不能反映室外温度实际变化的趋势［14］。全球“温室效应”和城市的“热岛”效应的影响，需要对室外温度变化做进一步的分析和研究。况且，我们所指的室外温度是针对某个实际建筑而言的，而气象预报是一个大区域内的整体平均，二者存在着差异，因此。需要一个有针对性的预测手段。

    预测中通常采用的模型包括回归模型（线性回归、多元回归等）、时间序列模型（ARIMA、ARMA、AR、MA等）、Kalman滤波模型、模糊集模型、人工神经网络模型等。

    1985年Rawlingr指出对蓄冰系统，为了防止冰在热天提前耗尽，一种预测热天的办法是观察当天早晨的气温（主观预测法）。例如，在新泽西地区，如果上午8：00的温度为29℃，统计数据表明当天很可能接近“设计日”[15]

    用于客观天气预测的模型输出统计（Model output statistics）可以给出精确的未来天气撒尼“然而，这种方法需要大量的气象数据和超级计算机；而不适于在线控制。实时控测。气象参数和负荷预测的方法大多数基于最小M乘回归分析。1989年MacA－rthur[16]等利用以前测量的环境温度和当地气预报的最高、最低温度来预测未来温度曲线。 1995年Kawashima等采用预报的最高，最低温度和ASHRAE建议的形状系数预测环境逐时温度[17].因为利用了更有效的信息，他们的方法优于仅采用过去测量气象数据的方法。Chen对天气预报的最高、最低温度作了更详尽的修正。由数据采集系统实测室外温度，并根据算法是未来几个小时的逐时温度；同时将室外温度变化分为上升阶段和下降阶段，分别计算各时刻的形状系数；二者共同用于室外温度的预测，取得了较好的效果。

    2.2 逐时太阳辐射的预测

    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。

    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。