基于GA-BP神经网络的冷水机组能耗预测_陈文成.pdf

ANZHUANG2023年第2期58技 术 交 流 Technology Exchange陈文成1陈楚夫2陈玉凌2（1.湖南省工业设备安装有限公司 长沙 410000；2.中国电建集团中南勘测设计研究院有限公司 长沙 410000）摘 要：本文以某建筑内的离心式冷水机组为研究对象，使用BP神经网络和遗传算法改进的GA-BP神经网络基于机组的运行数据建立其能耗预测模型。神经网络的输入为机组的冷负荷和冷冻水供回水温度等外部参数，输出为机组的能耗。BP神经网络模型的决定系数为0.47，GA-BP神经网络模型的决定系数为0.91。改进的GA-BP神经网络模型具有更好的准确性和实际应用价值。关键词：冷水机组 神经网络 遗传算法 能耗预测模型中图分类号：TB657 文献标识码：B 文章编号：1002-3607（2023）02-0058-03基于GA-BP神经网络的冷水机组能耗预测空调系统需要大量电力来维持室内热舒适度，而冷水机组作为空调系统中的重要设备，其能耗占空调系统总能耗的50%以上1。为了减少能源消耗和相关温室气体排放，可对冷水机组的运行能耗进行预测，从而发掘其节能的潜力。杨海滨等2通过聚类算法和模糊模型建立了冷水机组的部分负荷性能预测模型，该模型的平均相对误差在6.8%9.3%。沈家沁等3提出了一种可预测冷水机组能耗的数据挖掘算法，研究得出径向基函数神经网络模型的预测性能相较于支持向量机算法和决策树算法是更为实用且可靠的。陈静等4结合特征选择算法，提出了冷水机组的能耗预测模型，该模型的预测精度超过0.9。徐麟等5提出了一种基于LSTM神经网络的冷水机组能耗预测模型，并将其与BP神经网络模型和多元线性回归模型对比，研究发现，LSTM神经网络模型具有更好的预测性能。本文以某建筑内的单台冷水机组为研究对象，基于实际运行过程中的采集数据，使用BP神经网络和改进的GA-BP神经网络建立该冷水机组的能耗预测模型，并将两种神经网络建立的能耗预测模型进行对比分析。1 冷水机组概况以某离心式多冷水机组系统中的一台机组为研究对象，该台机组的额定制冷量为9550kW，额定功率为1550kW。研究所使用的数据由布置于机组上的传感器实时采集或换算得到，共采集了577条数据。采集的参数有冷水机组的能耗、冷冻水供水温度、冷冻水回水温度、冷冻水流量、冷却水进水温度、冷却水出水温度等。2 冷水机组能耗预测模型的建立BP神经网络是一种常用的前馈神经网络，其由输入层、隐藏层和输出层构成。神经网络适用于分类和回归预测等问题，通过调整其内部节点的连接关系处理信息。以冷水机组能耗预测模型为例，将机组冷负荷等参数作为神经网络的输入层数据，机组能耗作为神经网络的输出层数据，通过大量实测数据的训练，可以得到输入参数与输出参数之间的对应关系。该对应关系，即为神经网络建立的冷水机组能耗预测模型。离心式冷水机组的能耗与冷负荷、冷却水进水温度和冷冻水供水温度等参数相关联6。因此，本文以机组冷负荷、冷却水进出口水温度和冷冻水供回水温度为神经网络的输入，冷水机组的能耗为神经网络的输出，建立冷水机组的能耗预测模型。冷水机组能耗预测模型的神经网络结构见图1。遗传算法是模拟生物进化论的一个计算模型，它有选择、交叉和变异三部分过程。选择过程将优化的个体或新个体直接遗传至下一代，交叉过程将优势个体进行随机搭配，变异过程将个体中的染色体以一定概率进行变换。将遗传算法与BP神经网络融合后，遗传算法将为BP神经网络计算提供优化的初始权值和初始阈值，以此避免神经网络的学习收敛速度较慢、结构不确定和无法59INSTALLATION2023.2Technology Exchange 技 术 交 流收敛至全局最小点等问题7。从图2可以看出，在测试集中，BP神经网络能耗预测模型的预测值和真实值的趋势基本相符合，但预测值和真实值的差别较大。从图3可以看出，在测试集中，GA-BP神经网络能耗预测模型的预测值和真实值的趋势相符，且除个别测试组外，预测值和真实值的差别较小。为更直观地对比两种能耗预测模型的预测误差，两种模型的真实值与预测值的相对误差百分比分别见图4和图5。图1冷水机组能耗预测模型的神经网络结构本文GA-BP神经网络的参数设置情况见表1。同时，与改进的GA-BP神经网络对比的普通BP神经网络，除未设置遗传算法所特有的参数外，其他神经网络的参数设置情况相同。表1GA-BP神经网络参数参数名称数值参数名称数值种群规模5网络最大迭代次数20,000交叉概率0.8隐藏层节点数23变异概率0.2初始学习率0.001GA进化代数30训练函数Traingd建立能耗预测模型时，采集的577条数据中，490条数据作为神经网络的训练集，余下87条数据作为神经网络的测试集。3 结果对比与分析BP神经网络和GA-BP神经网络所建立的冷水机组能耗预测模型在相同测试集上的预测结果分别见图2和图3。01020304050607080909501000105011001150120012501300机组能耗/kW组别 真实值 预测值图2BP神经网络能耗预测模型的真实值与预测值对比图机组能耗/kW组别 真实值 预测值01020304050607080909501000105011001150120012501300图3GA-BP神经网络能耗预测模型的真实值与预测值对比图图4BP神经网络能耗预测模型的真实值与预测值的相对误差01020304050607080900481216预测能耗相对误差/%组别预测能耗相对误差/%组别01020304050607080900481216图5GA-BP神经网络能耗预测模型的真实值与预测值的相对误差（下转第72页）ANZHUANG2023年第2期72技 术 交 流 Technology Exchange动态更新数据有效应对了现实工程实施过程中诸多的变更调整优化。通过BIM技术算量提高了效率，也保证了现场同步时效性和准确性，使很多材料进口工作提前进行，无缝对接施工生产，保证施工生产可持续，缩短了工期，避免因缺材料窝工，节约了时间成本和资源投入，经济效益显著。4.2社会效益利用虚拟建造技术，真正实现了模型到生产，建筑信息数据的落地及应用价值。项目最终在进度、质量方面获得集团公司和业界的肯定，多次上央视和海外主流媒体，成为一带一路非洲项目的标杆性工程，并获得2022年中国建筑工程鲁班奖（境外工程）。5 结语 通过论证BIM技术在酒店工程施工各阶段动态流程化算量的基本应用，解决了酒店工程算量工作繁杂、时效性强、精度要求高的问题，节约了时间成本和资源投入，经济效益和社会效益显著，为类似项目提供算量新思路和参考。参考文献：1黄兆荣.BIM技术在建筑工程算量中的发展趋势及应用J.科技创新导报，2015（35）：195-196.表3尼雷尔基金会广场项目分层分施工段结构框架梁柱板混凝土统计表楼层类别混凝土等级施工段备注主楼施工段主楼施工段主楼施工段裙楼施工段裙楼施工段一区/m3二区/m3三区/m3二区/m3一区/m3G层G层梁板 M（C）35 246.48396.52418.52212.63470.83坡道分到裙楼施工段2，可能对裙楼施工段2的量 产 生 影响，但其他区域严格按照施工段分区界限划分裙楼与主楼柱严格按照柱表7层以下为M50，7层以上为M40G层柱头 M（C）5016.0417.8616.656.877.42G-M层柱 M（C）5092.94114.8295.6442.2357.55M层M层梁板 M（C）35 106.21131.58114.31112.28221.26M层柱头 M（C）5012.0917.2412.615.925.66M-P1层柱 M（C）5061.2181.8271.5528.8643.82P1P1层梁板 M（C）35 141.53153.85152.61124.48232.89P1层柱头 M（C）509.8115.9710.574.905.05P1-P2层柱M（C）5056.1777.5265.1926.8334.31P2P2层梁板 M（C）35 132.40146.62143.13123.78228.28P2层柱头 M（C）509.4815.2310.835.174.61P2-P3层柱M（C）5055.2677.6562.0926.8334.64从图4可以看出，BP神经网络能耗预测模型的预测值与真实值的相对误差在4%附近浮动，最大相对误差为8.6%，最小相对误差为0.1%。从图5可以看出，除最后一组测试组外，GA-BP神经网络能耗预测模型的预测值和真实值的相对误差在2%附近浮动，最大相对误差为8.5%，最小相对误差为0.1%。两种神经网络能耗预测模型准确性评价指标见表2。表2两种神经网络能耗预测模型的准确性评价指标模型类型MAEMRERMSER2BP神经网络36.733.44%43.520.47GA-BP神经网络15.771.39%20.190.91的预测值平均误差仅1.39%，满足工程误差允许范围。同时，GA-BP神经网络能耗预测模型的预测性能较BP神经网络能耗预测模型有显著的提升，其决定系数为0.91，具有较高的准确性和实际应用价值。参考文献：1 WangL，LeeE，YuenR，etal.Coolingloadforecasting-basedpredictiveoptimisationforchillerplantsJ.EnergyandBuildings，2019（198）：261-274.2杨海滨，王鹏.中央空调系统冷水机组部分负荷功率预测模型研究J.科技创新导报，2014，11（10）：1-2.3沈家沁，陈焕新，郭亚宾，等.基于数据挖掘的冷水机组能耗预测J.暖通空调，2019，49（2）：92-95.4陈静，陈焕新，徐成良.两阶段特征选择的冷水机组能耗预测方法J.制冷技术，2019，39（5）：22-26.5徐麟，周传辉，胡云鹏，等.基于长短期记忆神经网络的冷水机组能耗预测J.制冷与空调（四川），2020，34（6）：664-669.6CoelhoL，MarianiVC.ImprovedfireflyalgorithmapproachappliedtochillerloadingforenergyconservationJ.EnergyandBuildings，2013（59）：273-278.7陈庆，马瑞，蒋正武，等.基于GA-BP神经网络的UHPC抗压强度预测与配合比设计J.建筑材料学报，2020，23（1）：176-183，191.由表2的准确性评价指标的对比可知，GA-BP神经网络的平均绝对误差、平均相对误差和均方根误差都远低于BP神经网络。同时，GA-BP神经网络的决定系数超过0.9。结果表明，本文建立的GA-BP神经网络能耗预测模型的准确性较高。4 结语通过研究分析可知，GA-BP神经网络能耗预测模型（上接第59页）