顾春锋, 罗其华, 奚培锋, 张少迪, 胡桐月

[1.国网浦东供电公司临港能源服务中心, 上海 200120;2.上海电力大学 自动化工程学院, 上海 200090;3.上海电器科学研究所(集团)有限公司, 上海市智能电网需求响应重点实验室, 国家能源智能电网用户端电气设备研发(实验)中心, 上海 200063]

0 引 言

全国建筑在寿命周期内能耗总量达到21.47亿吨,占全国能源消费总量的46.5%[1]。在全国建筑能耗中,空调能耗占据了建筑总能耗的一半左右[2],准确的空调负荷预测对建筑空调系统的高效运行和减少能源消耗具有重要意义。

目前,国内外学者对空调负荷预测方法有两类:线性方法和非线性方法。线性方法主要有回归分析[3]、指数平滑法[4]、灰色理论[5]、时间序列[6]。由于空调负荷有很大的随机性和波动性,线性方法不能处理空调负荷与影响因素之间这种非线性关系。近年来,随着人工智能兴起,人工智能算法凭借着强大的非线性映射能力,逐渐被应用于空调负荷预测,提高预测的准确性少了。非线性方法主要包含支持向量机(SVR)、人工神经网络等智能算法。张峰等[7]提出了人工神经网络预测模型,对南京某办公建筑的空调负荷进行逐时预测;墨蒙等[8]采用BP神经网络作为空调负荷预测的主要算法,采用粒子群算法作为BP神经网络初始参数的优化算法,提高了模型的预测精度和速度;张梦成等[9]先利用模糊C均值算法对输入参数进行聚类,然后根据不同的类建立BP神经网络预测模型,最后利用……