冰蓄冷空调系统负荷预测模型和系统优化控制研究

【摘要】： 冰蓄冷中央空调这一在电力需求侧移峰填谷的重要技术在二十世纪九十年代初因为峰谷电价不同政策而重新崛起。冰蓄冷虽然能够节省运行费用，但是目前实际运行策略以主机优先为主，并没有达到运行费用的最小化。唯有采用优化控制才能真正实现运行费用的最小化，其前提是提前24小时准确地预测冷负荷。本文以建设银行杭州分行大楼的冰蓄冷空调系统作为实例研究对象，主要探索了空调负荷的人工神经网络预测这一新方法，并且对优化控制的运行费用和COP与传统的主机优先控制的运行费用和COP进行了比较和分析。 本文建立了空调负荷日期类型的识别和分类的自组织特征映射(SOM)人工神经网络模型，首次用自组织特征映射理论揭示了空调负荷日期类型的分类关系。 详细介绍了人工神经网络BP算法原理以及对BP算法的各种改进方法。论述了BP神经网络在应用中的问题，包括提高神经网络的泛化能力的两种方法：规则化方法和训练早期停止方法，以及各种数据预处理方法和神经网络的拓扑结构的确定问题等。 建立了温度24小时提前预测的人工神经网络模型，使得24小时提前逐时温度预测平均绝对误差从改进ASHRAE计算方法的0.6663℃降低到了0.4512℃，平均相对误差从2.02％降低到了1.36％。 在研究一个统一的日冷负荷预测模型来预测周一到周日所有日子的日冷负荷的基础上，针对工作日和假日分别建立了日总冷负荷的神经网络预测模型。对工作日负荷预测，其平均预测误差是3.21％；对假日负荷，其平均预测误差是5.96％。 建立了一个统一的空调逐时负荷的24小时提前人工神经网络预测模型，并根据对日冷负荷类型的SOM分类结果，通过在内部一共采用8个子神经网络模型使得逐时负荷预测平均绝对误差降低到了80.64kWh，期望相对误差降低到了3.27％。 建立了空调逐时负荷的24小时提前预测多点输出动态模型，更进一步提高了负荷预测的精度，使得逐时负荷预测平均绝对误差降低到了65.07kWh，期望相对误差降低到了2.60％。文献调研表明，多点输出动态负荷预测模型，迄今还未有见到报导。 建立了优化控制运行费用最小化的数学模型并进行了数值计算。数值计算表 明，在冷负荷小于融冰供冷功率时，优化控制就是融冰优先供冷，也就是融冰单 供冷，与主机优先比较可节约运行费用24%一45%。在冷负荷大于融冰供冷最大功 率时，又分两种情况:总冷负荷小于融冰供冷最大功率加一半的单主机满负荷时， 优化控制是保持主机供冷负荷系数为0.5，通过调节融冰来改变冷负荷，此时与主 机优先比较增加能耗13一20%，节约运行费达9.2一11%;在冷负荷大于融冰供冷 最大功率加一半的单主机满负荷时，优化控制就是融冰优先，通过蓄冰槽满负荷 运行，调节制冷主机来调节冷负荷，此时比主机优先控制仅增加能耗O一13%，但 能节约运行费O一9.2%。