华中科技大学 徐新华中国建筑科学研究院有限公司 李 骥华中科技大学 冯宇欣 刚文杰

0 引言

建筑的需求冷量预测对系统的监控有重要意义，特别是制冷机系统的开机与序列控制。建筑的需求冷量预测模型可分为物理模型、数据驱动模型和半物理模型。基于EnergyPlus、DOE-2和DeST等软件进行能耗模拟采用的就是典型的物理模型，一般用于系统设计或系统性能评估。动态数据驱动模型通常需要大量、长时间不同条件下的数据来训练模型。近年来，大数据与数据挖掘发展迅速。徐宏林通过贝叶斯正则化法改变BP神经网络的误差函数，获得改进后的BP神经网络模型，对办公建筑的集中空调冷负荷进行了预测[1]。李慧等人针对大型商场建筑冷负荷的预测问题，提出自适应模糊聚类AFC-HCMAC神经网络算法用于预测，结果表明该算法适用于高阶非线性系统，模型泛化能力较好[2]。严良文等人探讨了基于支持向量回归机的集中空调负荷预测模型，与BP神经网络模型相比有更好的预测精度[3]。周璇等人建立了SVR滚动算法，不断更新训练模型，预测性能更加优越[4]。郭虹等人从不同的角度对比了多元线性回归、多元非线性回归、季节性指数平滑法、灰色预测及神经网络5种预测方法[5]。张佼等人在利用支持向量回归机进行供热负荷预测的模型中，引入遗传算法进行参数寻优，结果证明该改进模型具有较好的性能[6]。虽然基于神经网络的建筑需求冷量或空调冷负荷预测有很多研究，但是公开文献没有关于神经网络复合预测用于实际建筑能源管理系统或空调系统控制的报道。……