冰蓄冷空调系统预测方法的回顾？

    1989 年Boonyatikam等指出采用数学模型预测空调冷负荷的缺陷，包括①详细模型需要内存的增加；②数学方程不容易适应外界条件或运行状况的改变；③计算机处理时间过长；④有精度要求时，对建筑物的输人描述过多等。为了避免这些问题，作者采用基于实际空间响应（负荷）而不是理论模型的预测函数。收集相关变量的历史数据用于分析。将每一个变量，如：室外干球温度、相对温度、人射太阳辐射、风速、风向、负荷等的数值记录到数据文件中，最后采用多元线性回归导出预测方程［29］。

    1989年MacArthur等采用ARMAX时序模型进行负荷预测，预测误差在5％以内[16].

    1989 年Spethmann[7]和1994年Simmonds［3］采用第二天预报的最高、最低温度、历史形状因子曲线，并区分了工作日与周末。首先预测室外温度，然后通过温度曲线和历史形状因子进行负荷预测，并将算法集成于预测优化蓄冷控制器。实际运行时，测量温度和负荷用于对预测值的在线修正。

    1990 年Ferrano采用ANN预测次日总冷负荷，并与实时专家系统结合用于迈阿密一幢建筑冰蓄冷系统控制。根据每天24小时的温度波动情况，分三种温度模式：冷（COld）10℉、暖（warm）14℉下和普通（normal）2.5℉，对神经网络进行训练。神经网络训练完成后，预测值与理想值的偏差为 4％［30］。

    以上研究工作具有各自的特点，然而各预测模型间没有性能对比。1993年，在ASHRAE首届建筑物能量预测竞赛中，在对比多个参赛选手的预测结果后，Kreider指出为了达到更为精确的预测效果，传统方法将让位于新的预测方法，如ANN.1995年Ka- washima采用完全相同的数据集，对包括ANN模型在内的七种预测模型（ARIMA、LR、EWMA）进行比较论证，指出ANN模型预测最精确［17］。

    4 结束语

    准确的预测是冰蓄冷系统优化和控制的基础和前提。根据以上文献，目前冰蓄冷系统中的温度预测通常采用形状因子法；而对于太阳辐射和建筑物冷负荷的预测，人工神经网络是更为有效的方法。

上一页  [1] [2]