闫秀英,李忆言,杜伊帆,闫秀联

(西安建筑科技大学建筑设备科学与工程学院,陕西省 西安市 710055)

0 引言

“碳达峰、碳中和”目标下,建筑领域节能减排任务艰巨。据国家能源局发布的统计数据,2021年全国发电装机容量约23.8亿kW,同比增长7.9%[1]。空调负荷的高峰期与电力负荷高峰期呈现正相关关系,尤其在夏季高峰时期,陕西省空调最大制冷负荷占总负荷的比值高达35.9%[2],因此也成为了一种潜力很大的需求响应资源,对其采取能耗削减措施可以进一步推动建筑“碳达峰、碳中和”[3]。空调系统需求响应的峰值负荷预测可以为系统优化控制策略提供理论依据,提前制定最佳运行策略,提高系统的需求响应潜力[4]。因此,研究空调系统需求响应时段负荷的特点以及影响因素,构建负荷预测模型,进行准确的峰值负荷预测是空调系统需求响应控制策略是否节能和稳定运行的关键。

负荷预测方法通常分线性方法和非线性方法。线性方法如参数回归分析[5]、相似工况预测[6]、时间序列[7]、指数平滑法[8]等。其中,多元线性回归法需要充分考虑各个影响因素的特点,分析影响因素对空调能耗的影响程度,且对历史数据依赖性较强,需大量时间进行数据修正。相似工况预测构建的模型依赖于历史数据,如果未来预测日和历史日相似度比较低,预测结果将会产生较大的偏差。时间序列法只适合中短期预测,当外界因素发生变化时,预测结果有时不符合实际规律。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,而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。……