水蓄冷空调系统负荷预测方法的研究.docx

水蓄冷空调系统负荷预测方法的研究
水蓄冷空调系统负荷预测方法的研究
摘要：
空调系统是现代化建筑中不可或缺的组成部分，其中水蓄冷空调系统不仅能够提高能源利用率，还能够提高舒适度。负荷预测是优化水蓄冷系统运行的关键因素。本文主要介绍了水蓄冷空调系统负荷预测方法的研究，包括常用的预测方法和实际应用中遇到的问题及其解决方案。并且提出了多元回归模型作为一种新的负荷预测方法。实测数据表明，多元回归模型在水蓄冷系统负荷预测中有着较高的精度和可靠性。
关键词：水蓄冷空调系统，负荷预测，回归模型
引言：
随着现代化建筑的发展，安全舒适的室内环境对人们的生活越来越重要。而空调系统就是实现这个目标的一个重要组成部分。传统的空调系统普遍存在能源利用效率低、制冷负荷峰值过高等问题。因此，水蓄冷空调系统应运而生，水蓄冷空调系统利用夜间的低峰谷电来制冷，通过冷水蓄冷系统将冷量储存起来，在白天高峰期供给制冷负荷。
然而，水蓄冷空调系统在实际应用中也遇到了一些问题，其中一个重要的问题就是负荷预测准确性不高。不准确的负荷预测会导致系统运行效率低下，影响能源利用率和舒适度。为了解决这个问题，本文梳理了水蓄冷空调系统负荷预测的相关研究，并提出了多元回归模型作为一种新的负荷预测方法。
1.常用的负荷预测方法
1.1统计方法
统计方法是估计未来负荷的常用方法之一。常见的统计方法包括时间序列分析、ARIMA模型、灰色模型等。时间序列分析是适用于具有趋势和季节性的数据。ARIMA模型是建立在时间序列分析的基础上，用于预测未来趋势。灰色模型是一种建立在少量数据基础上的预测模型。统计方法的优点是可以快速构建模型，但是需要满足数据平稳条件，而这在实际应用中并不总是可以满足的。
1.2人工神经网络模型
人工神经网络模型是近年来应用较广泛的一种负荷预测方法，其优点在于可以不受数据平稳条件的限制，并且能够自适应地学习和预测非线性关系。常见的人工神经网络模型包括BP神经网络、RBF神经网络等。缺点是模型复杂度较高，需要较大的样本量。
1.3物理模型方法
物理模型方法通常采用能量平衡原理构建模型，如基于影响室内热负荷的因素，包括室内外温度、湿度、人员活动等，来预测空调负荷。这种方法是一种基于机理的模型，因此具有可解释性和预测准确性高的特点。但是，需要采集较多的实测数据和准确的室内外环境参数，所以采集成本较高。
2.实际应用中遇到的问题及其解决方案
与其他空调系统相比，水蓄冷空调系统的负荷预测存在一些独特的问题。例如，在水蓄冷系统中，负荷的变化不仅与室内外环境参数有关，还与冷水蓄冷系统的储冷容量和实时运行状态有关。此外，水蓄冷系统对实时工况的敏感程度较高，对负荷预测的时效性要求也较高。
针对这些问题，通常采用以下解决方案：
2.1实测数据采集
实测数据是提高负荷预测准确性的关键。在实测数据采集过程中，需要采集尽可能多的室内外环境参数，同时还需要获取冷水蓄冷系统的运行参数，如储冷量、水温等。同时需要关注数据采集的时效性，保证数据采集的频率和实时性。
2.2基于数据挖掘的负荷预测模型
在实际应用中，基于数据挖掘的负荷预测模型广泛应用。如文献[1]提出了一种基于决策树的负荷预测模型，该模型采用了低成本的传感器并结合了历史数据，准确预测了未来24小时的空调负荷。文献[2]提出了一种基于朴素贝叶斯预测的水蓄冷空调系统负荷预测方法，该模型具有较高的预测准确度和较低的计算成本。不同的模型适用于不同的场景，可以根据实际情况灵活选用。
2.3多元回归模型
多元回归模型通过建立室内外环境参数与负荷之间的数学模型，预测未来空调负荷。该模型采用多元线性回归分析方法。常见的多元回归模型包括K-Means聚类多元回归模型、神经回归模型、支持向量机回归模型等。该方法需要相对较少的数据和计算时间，而且在一定程度上解决了水蓄冷系统的非线性问题。同时，该方法可根据实际情况适当选择自变量，提高模型的准确性。
3.结论
负荷预测是保证水蓄冷空调系统运行效率和舒适度的重要因素，而选择合适的负荷预测方法是提高预测准确性的关键。本文介绍了常见的负荷预测方法，分析了水蓄冷空调系统负荷预测的实际问题及其解决方案。通过实测数据的采集和分析，建立了多元回归模型作为新的负荷预测方法，并得到了较高的精度和可靠性。预计该方法在未来空调系统负荷预测方法中会有广泛的应用前景。
参考文献：
[1]MaK,JiangF,XiaoH.Airconditioningloadpredictionbasedondecisiontreealgorithm[J].EnergyConversionandManagement,2016,120:42-52.
[2]ChenD,JinX,ZhangH,etal.ANaiveBayespredictionmodelforthe