基于概率神經(jīng)網(wǎng)絡(luò)的暖通空調(diào)節(jié)能系統(tǒng)分析

吳海員

(山東省青島市廣播電視臺(tái) 后勤保衛(wèi)部，山東 青島266073)

1 概述

暖通系統(tǒng)是現(xiàn)代城市建筑不可或缺的公用設(shè)施，隨著經(jīng)濟(jì)不斷發(fā)展，人們對(duì)現(xiàn)代樓宇的熱舒適環(huán)境要求不斷提升。21 世紀(jì)以來(lái)，人類環(huán)保意識(shí)逐步提升，綠色節(jié)能可持續(xù)等理念應(yīng)用到現(xiàn)代城市化進(jìn)程之中，暖通空調(diào)在現(xiàn)代樓宇建筑中對(duì)能源的消耗量占據(jù)30%-55%不等或者占比更高，降低暖通空調(diào)能源消耗稱為急需解決的問(wèn)題，青島市目前對(duì)節(jié)能降耗非常重視[1]。

暖通空調(diào)控制由簡(jiǎn)單控制方案、數(shù)字控制方案和邏輯編程控制方案發(fā)展到目前較為流行的基于神經(jīng)網(wǎng)絡(luò)的控制方案。由于傳統(tǒng)的控制方法無(wú)法同時(shí)兼顧非線性數(shù)據(jù)和數(shù)據(jù)時(shí)序性的特點(diǎn)，當(dāng)某項(xiàng)參數(shù)發(fā)生劇烈變化時(shí)，系統(tǒng)對(duì)暖通空調(diào)的控制作用會(huì)降低，一般只適用于小型暖通空調(diào)的節(jié)能控制[2-3]。本文采用了基于概率神經(jīng)網(wǎng)絡(luò)的控制方案，首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，去除異常數(shù)據(jù)和壞值，然后對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，驗(yàn)證神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。當(dāng)測(cè)試集輸出結(jié)果正確率超過(guò)90%時(shí)，證明該網(wǎng)絡(luò)具有較高的實(shí)用性。

2 暖通空調(diào)模型建立

2.1 概率神經(jīng)網(wǎng)絡(luò)理論

概率神經(jīng)網(wǎng)絡(luò)(PNN)有以Parzen 窗的概率密度函數(shù)估計(jì)方法和Bayes 決策理論為理論基礎(chǔ)這兩種，它是從徑向基函數(shù)演變過(guò)來(lái)的，屬于前饋型神經(jīng)網(wǎng)絡(luò)。在實(shí)際工程應(yīng)用中，使用PNN解決數(shù)據(jù)分類問(wèn)題，是利用線性學(xué)習(xí)算法和非線性學(xué)習(xí)算法來(lái)解決問(wèn)題。輸入層、模式層、求和層、輸出層這四個(gè)層次組成了概率神經(jīng)網(wǎng)絡(luò)模型，它比較容易被訓(xùn)練，而且精度還比較高，網(wǎng)絡(luò)基本結(jié)構(gòu)圖如圖1 所示。

圖1 PNN 基本結(jié)構(gòu)圖

輸入層：主要功能為接受訓(xùn)練樣本傳輸來(lái)的數(shù)據(jù)，該層的神經(jīng)元的數(shù)量等于輸入向量的長(zhǎng)度，經(jīng)過(guò)該層訓(xùn)練后，把訓(xùn)練好的各類數(shù)據(jù)傳送到下一個(gè)模式層。

模式層：主要功能為展現(xiàn)出有訓(xùn)練樣本中每個(gè)模和從輸入層傳輸?shù)奶卣飨蛄恐g的對(duì)應(yīng)關(guān)系，該層的神經(jīng)元的數(shù)量等于全部訓(xùn)練樣本的數(shù)量。當(dāng)收到來(lái)自傳輸層的向量x 后，與模式層的第i 類樣本的第j 個(gè)神經(jīng)元相匹配的輸入和輸出關(guān)系是

求和層: 主要功能為運(yùn)算，該層的神經(jīng)元個(gè)數(shù)與樣本層的總數(shù)相同，神經(jīng)元只與模式層相應(yīng)的神經(jīng)元連接，把模式層中同類模式層的神經(jīng)元的輸出進(jìn)行加權(quán)平均，關(guān)系如下：

式中：fi為第i 類的輸出；L 為第i 類的神經(jīng)元個(gè)數(shù)。

輸出側(cè)：主要功能為接收求和層的輸出，該層由競(jìng)爭(zhēng)神經(jīng)元構(gòu)成，具有與求和層相等的神經(jīng)元數(shù)量，每個(gè)神經(jīng)元都有一種模式與其相匹配。它就是為了是接收求和層輸出的結(jié)果，然后在輸出層的全部神經(jīng)元中找一個(gè)神經(jīng)元它的后驗(yàn)概率密度最大，其輸出為1，其余的神經(jīng)元輸出為0。

PNN 模型不論訓(xùn)練數(shù)據(jù)與種類間的關(guān)系有多復(fù)雜，只要訓(xùn)練樣本的數(shù)量有很多，它就能確保收斂到Bayes 分類器，得到貝葉斯準(zhǔn)則下的最優(yōu)解。

2.2 降耗策略

中央空調(diào)系統(tǒng)降低能耗（提高能效比）主要通過(guò)以下措施有：

2.2.1 提高蒸發(fā)溫度（T2），降低冷凝溫度（T1），降低(T1-T2)溫差。經(jīng)驗(yàn)值，每降低1，主機(jī)能效提高3%。

2.2.2 水泵降頻，水泵的能耗與轉(zhuǎn)速的三次方成正比，即水泵降頻運(yùn)行會(huì)大幅節(jié)省水泵能耗。

2.2.3 提前預(yù)測(cè)水系統(tǒng)的滯后性。

2.2.4 動(dòng)態(tài)調(diào)節(jié)各類參數(shù)，在某一特定空間，對(duì)空氣溫度、濕度、空氣流動(dòng)速度及清潔度進(jìn)行人工空氣調(diào)節(jié)，以滿足人體舒適的要求。

圖2 系統(tǒng)訓(xùn)練流程圖

2.3 數(shù)據(jù)處理

為了實(shí)現(xiàn)降耗策略，在本系統(tǒng)中，選取了供水溫度、回水溫度、室外溫度、露點(diǎn)溫度、相對(duì)濕度、風(fēng)速和天氣狀況作為輸入數(shù)據(jù)，如表1 所示。

表1 輸入數(shù)據(jù)

系統(tǒng)輸出為四種運(yùn)行模式：低功率模式、二級(jí)功率模式、三級(jí)功率模式和高功率模式，如表2 所示。

表2 輸出數(shù)據(jù)

2.4 系統(tǒng)模型建立與訓(xùn)練

選取青島市某樓宇空凋運(yùn)行的6000 組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)用于訓(xùn)練模型，再選取100 組測(cè)試數(shù)據(jù)用于檢測(cè)模型輸出正確率，系統(tǒng)訓(xùn)練流程圖如圖2 所示。

按照?qǐng)D2 流程進(jìn)行訓(xùn)練，得出系統(tǒng)運(yùn)行的節(jié)能控制策略。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的控制方案相比，概率神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果和原始數(shù)據(jù)高度擬合，不存在數(shù)據(jù)的漂移現(xiàn)象。通過(guò)分析輸入數(shù)據(jù)，可以看出，在整合數(shù)據(jù)的相關(guān)性和時(shí)序性之后，模型的預(yù)測(cè)沒(méi)有隨著時(shí)間的變化而出現(xiàn)控制精度下降的現(xiàn)象，因此，概率神經(jīng)網(wǎng)絡(luò)具有更加優(yōu)秀的控制能力。

結(jié)束語(yǔ)

針對(duì)暖通空調(diào)系統(tǒng)節(jié)能降耗的問(wèn)題，通過(guò)對(duì)空調(diào)設(shè)備運(yùn)行數(shù)據(jù)的采集分析，結(jié)合深度學(xué)習(xí)控制算法，提出了一種基于概率神經(jīng)網(wǎng)絡(luò)的節(jié)能控制策略，為暖通空調(diào)系統(tǒng)節(jié)能運(yùn)行提供控制方案，具有一定的實(shí)際應(yīng)用價(jià)值。