基于Sine-SSA-BP算法的建筑物制冷量预测

建筑物制冷量的准确预测,是提高建筑能源利用效率的基础。BP神经网络被广泛应用于建筑物的冷量预测,针对BP神经网络易陷入局部最优,导致预测精度低的问题,提出一种基于麻雀搜索算法(SSA)优化BP神经网络(SSA-BP)的预测模型。以预测结果均方误差最小为优化目标,使用SSA优化BP的权值和阈值。针对SSA存在种群分布不均,影响搜索性能的问题,提出一种使用Sine混沌映射初始化种群的改进方法,构建Sine-SSA-BP预测模型。实验结果表明,与PSO-BP、GA-BP、SSA-BP相比,上述模型具有更好的预测精度。

基于灰色理论的建筑需求冷量预测研究

建筑需求冷量预测能够帮助建筑运行人员提前了解建筑的需求冷量,制定最优的空调系统运行策略,以实现系统安全节能运行。针对某综合大楼的间歇制冷空调系统,基于其历史运行数据,应用灰色预测对该系统早晨的需求冷量进行了研究。建立了多个等维度新陈代谢灰色模型,预测了不同工作日的早晨需求冷量。对比分析了仅以历史冷量建模的GM(1,1)模型和考虑室外气温对冷量影响的GM(1,2)模型的预测准确性。结果表明,GM(1,2)模型较GM(1,1)模型预测精度更高,即考虑到室外气温对冷量的影响时,能够更准确地预测建筑需求冷量。灰色预测模型简单、计算量小,易于集成到建筑设备管理系统中,预测得到的需求冷量可以为空调系统运行优化提供参考。

基于冷量预测的商业综合体冰蓄冷系统控制方法研究

冰蓄冷系统使得大型商业综合体的用冷需求具备一定的柔性,通过适宜的能源系统管理,在分时电价的引导下,可以降低能源需求与能源供给的不匹配程度。基于数据驱动的冷负荷预测可以挖掘冷负荷与气象等复杂因素的联系,实现冷负荷的准确预测,进而辅助冰蓄冷系统运行控制。本研究利用商业综合体能源大数据,采用机器学习方法进行冷负荷预测,并对冷负荷预测形式、输入参数组合、训练集历史样本量进行优化。根据预测冷负荷,本研究综合考虑分时电价、冷站设备性能,设计了基于规则的冰蓄冷系统预测控制方法。研究以北京某大型商业综合体为例,基于数据驱动的冷量预测模型平均绝对误差变异系数为13.0%,基于预测冷负荷的冰蓄冷系统运行控制方法可以使冷站节约23.9%的能源费用,使冷站电力需求与电网电力供给的匹配程度提高。

相变蓄冷装置冷量实时辨识方法及实验验证

相变蓄冷装置在热能形式的可再生能源应用领域受到广泛关注,蓄冷装置的冷量输配控制对于相关热力系统的运行具有重要影响。本文提出了一种相变蓄冷装置实时冷量辨识方法,该方法通过ε-NTU和热阻分析方法建立了模拟模型,方法由参数输入、模型校正及冷量实时计算三部分组成,能够适应多种形式的相变蓄冷装置。该方法通过嵌入热管的蓄冷装置实验对辨识准确性进行了验证。结果表明,能够针对实验实现准确的传热流体出口侧温度动态计算,计算所得到的出口侧温度与实验测量值差值在设置的±0.2℃阈值范围内。基于出口侧温度计算得到的实时冷量预测值与测量值误差在0.76%~10.55%范围内,说明该方法具有较高的辨识精度。

基于大数据分析的制冷站运行预测及节能优化

通过对深圳地区某研究基地建筑群空调能耗的分析,利用大数据预测分析手段,结合专家规则库,开发了适用的能效管理平台。给出了制冷机房一天内的节能运行策略,在满足末端需求的基础上有效降低了系统运行电耗,提升了制冷站的能效水平,减少了人工干预的不利影响。