摘要：準確的預測是冰蓄冷系統優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，主要包括室外逐時氣象參數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法；而人工神經網絡在太陽輻射預測和建筑物冷負荷預測中優勢顯著。

關鍵詞：冰蓄冷氣象 參數 形狀系數 人工神經網絡

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，根據有關資料，在采用電能儲存解決電力峰谷差的成熟技術中，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行的。然而，100%的設計冷負荷出現時間僅占總運行時間的o%[3]。同時，由于分時電價或實時電價(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、甚至小時為基礎[4].1993年，ASHRAE研究項目RP776對美國蓄冷(水蓄冷、優態鹽。冰蓄冷)系統的調查顯承;冰蓄冷系統約占近對m個蓄冰系統總數的86.7%。從設計到運行、維護，控制及控制相關問題是蓄冷系統的首要問題。在蓄冷系統滿意程度的調查中，冰蓄冷系統滿意率最低，僅有50%的冰蓄冷用戶認為達到了預期的設計目的人正確地運用優化和控制技術至關重要[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，顯著地增加了總的年電力消耗。因此，將最終導致發電量增加，自然資源浪費和環境污空失這些批評導致了對蓄冷系統及相關研究項目資助的減少[6].1994年，Brady根據實測數據證明，上述消極影響可以通過充分的利用蓄冰系統的優點來消除。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]和系統對環境的影響[6][9]。1993年，Fiorino對Dallas某(水)蓄冷進行了改造，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《中華人民共和國節約能源法》的公布施行，冰蓄冷系統節能問題受到更加廣泛的重視。冰蓄冷系統優化和控制的目的是在滿足建筑物供冷要求的同時，使系統空調期運行費用最小。準確的預測是蓄體系統優化和控制的基礎和前提，主要包括下列內容。

2室外逐時氣象參數的預測

2.l室外逐時溫度

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變化的假設上。Chen通過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.將溫度波簡單地假設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域內的整體平均，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、人工神經網絡模型等。

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察當天早晨的氣溫(主觀預測法)。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]

用于客觀天氣預測的模型輸出統計(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據和超級計算機;而不適于在線控制。實時控測。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境溫度和當地氣預報的最高、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建議的形狀系數預測環境逐時溫度[17].因為利用了更有效的信息，他們的方法優于僅采用過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。由數據采集系統實測室外溫度，并根據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;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。首先根據實測數據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，他發現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生準確的冷噸一小時冷負荷曲線，然后建立冷負荷與環境溫度和內部負荷之間的函數關系，用于負荷預測[26].1989年Meredith等在利用BASIC程序進行蓄冷系統模擬時，根據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(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，但遠不能滿足優化和控制的要求。

1989年Boonyatikam等指出采用數學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。收集相關變量的歷史數據用于分析。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、負荷等的數值記錄到數據文件中，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[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℉，對神經網絡進行訓練。神經網絡訓練完成后，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)進行比較論證，指出ANN模型預測最精確[17]。

4結束語

準確的預測是冰蓄冷系統優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;而對于太陽輻射和建筑物冷負荷的預測，人工神經網絡是更為有效的方法。