研究報(bào)告-冷量模型

制冷量與氣溫、濕度的關(guān)系并建立預(yù)估模型課題研究報(bào)告緒論課題背景1.1.1能源中心介紹虹橋機(jī)場能源中心（供冷、供熱）系統(tǒng)位于上海虹橋機(jī)場西航站樓北側(cè)約300m，主要為虹橋西航站樓、南側(cè)酒店及預(yù)留部分（航站樓北側(cè)指廊、北側(cè)酒店）供冷和供熱。能源中心內(nèi)供冷、供熱系統(tǒng)及配套電氣10KV配電系統(tǒng)、服務(wù)對象的建筑面積共47.3萬平方米，其中本期服務(wù)范圍的總建筑面積為38.8萬平方米，規(guī)劃預(yù)留的服務(wù)范圍的總建筑面積為8.5萬平方米。能源中心總建筑面積10214平方米（包括市政院設(shè)計(jì)的S0135KV中心變電所），最高生產(chǎn)類別為丙或丁類，建筑耐火等級為二級，主體為多層框架結(jié)構(gòu)，基礎(chǔ)建筑安全等級為二級，結(jié)構(gòu)設(shè)計(jì)基準(zhǔn)期為50年，基地內(nèi)項(xiàng)目所設(shè)計(jì)的主體建筑包括冷凍機(jī)房、鍋爐房、蓄冷水罐以及地下儲油罐、地下管線等配套構(gòu)筑物及共同溝管網(wǎng)。能源中心供冷、供熱系統(tǒng)的空調(diào)冷、熱水通過室外共同溝管道接至熱力交換機(jī)房，以滿足西航站樓空調(diào)所需的冷、熱水的溫度及流量。1.1.2供冷系統(tǒng)介紹能源中心供冷系統(tǒng)包括冷凍系統(tǒng)、蓄冷系統(tǒng)、冷卻系統(tǒng)、消防監(jiān)控系統(tǒng)，其中冷凍系統(tǒng)包括8臺約克冷水機(jī)組，8臺ITT冷凍一次泵以及6臺ITT變頻冷凍二次泵；蓄冷系統(tǒng)包括2座蓄冷水罐，5臺ITT蓄冷循環(huán)水泵；冷卻系統(tǒng)包括8臺組裝式兩聯(lián)體BAC冷卻塔，8臺ITT冷卻水泵。能源中心的供冷系統(tǒng)為末端直供系統(tǒng)，擯棄了末端板交，最大程度減少熱損失，整個(gè)冷凍水系統(tǒng)通過一次水泵（工頻）、二次水泵系統(tǒng)（變頻）及三次水泵系統(tǒng)（變頻）構(gòu)成循環(huán)，供冷時(shí)主要通過二次泵的變流量來滿足末端的需求，二次變流量泵的變頻控制由設(shè)在每個(gè)系統(tǒng)環(huán)路最不利處（三處）的壓差值控制。能源中心由于配備了2座蓄冷水罐，具備五種供冷模式，分別是制冷主機(jī)單獨(dú)供冷模式、制冷主機(jī)單獨(dú)蓄冷模式、制冷主機(jī)與蓄冷罐聯(lián)合供冷模式、蓄冷罐單獨(dú)供冷模式以及制冷主機(jī)邊蓄冷邊供冷模式。蓄冷水罐在夜間利用低谷電價(jià)進(jìn)行充冷，在日間高峰電價(jià)時(shí)對末端進(jìn)行供冷，這種削峰填谷的措施能夠大大減少能源中心的運(yùn)行成本。1.1.3現(xiàn)狀由于末端負(fù)荷的預(yù)測受眾多因素影響，包括航班流量，建筑結(jié)構(gòu)，天氣情況等，末端航站樓內(nèi)旅客流量的多少及室外氣溫情況都對用能需求造成直接的影響。對末端負(fù)荷量進(jìn)行預(yù)測，可以使我們對當(dāng)日用能需求做到提前預(yù)判，并根據(jù)當(dāng)前系統(tǒng)冷量制定合理、經(jīng)濟(jì)的運(yùn)行策略。然而在我們尋找同類型研究對象后發(fā)現(xiàn)：國內(nèi)外的能源中心基于采集大量數(shù)據(jù)所需的人員、成本投入,及諸多不確定因素的干擾,此類負(fù)荷預(yù)測模型并沒有深入的實(shí)施過。課題意義意義通過前期數(shù)據(jù)的積累和分析，我們發(fā)現(xiàn)對于一個(gè)大型航站樓的供冷需求來說，正常供冷狀態(tài)下各個(gè)時(shí)段的負(fù)荷量并沒有明顯的波動變化，所以本課題我們不考慮航班量等其他影響制冷量的因素。我們以2010年8月份供冷季運(yùn)行數(shù)據(jù)為例，對33℃、36℃、39℃三種不同平均最高氣溫條件情況下，每日各個(gè)時(shí)間段的平均供冷負(fù)荷百分比、負(fù)荷量進(jìn)行了初步分析。圖18月不同氣溫日平均負(fù)荷量8月份平均最高氣溫≥39℃時(shí)，日均供冷量為193527Rt；平均最高氣溫為36℃時(shí)，日均供冷量為166322Rt；平均最高氣溫為33℃時(shí)，日均供冷量為152049Rt。我們可以看到：39℃與33℃氣溫情況下，日均供冷量相差27%，由此判斷氣溫、濕度的變化可對供冷負(fù)荷量產(chǎn)生直接影響。圖28月不同氣溫各時(shí)段供冷負(fù)荷百分比從上面圖表中可以看出，在不同氣溫條件下每日各個(gè)時(shí)間段供冷負(fù)荷百分比存在著各自的特點(diǎn)。在平均最高氣溫≥39℃時(shí)，其凌晨期間較其他氣溫條件下的負(fù)荷百分比最大，均進(jìn)行了通宵供冷；其他各時(shí)間段負(fù)荷百分比相對平穩(wěn)，波動變化不明顯。圖38月每日不同氣溫（各時(shí)段）供冷負(fù)荷量圖48月每日各時(shí)段（不同氣溫）供冷負(fù)荷量目前虹橋機(jī)場西區(qū)能源中心的供冷系統(tǒng)共有5種供冷模式，由監(jiān)控系統(tǒng)自動控制，可按照時(shí)間點(diǎn)設(shè)置自動切換供冷模式，原先的運(yùn)行情況雖然能夠滿足航站樓的供冷需求，但是對于能耗或者電費(fèi)開支沒有明確的節(jié)能措施，通過蓄冷水罐我們的確實(shí)現(xiàn)了電價(jià)的削峰填谷，并有了可觀的經(jīng)濟(jì)成本的縮減。而本課題研究的意義在于通過模型的建立,能夠根據(jù)當(dāng)天的溫濕度情況,估測當(dāng)日的供冷總量,按照供冷量的需求我們就可以合理安排冷凍機(jī)的開啟臺時(shí)及開機(jī)時(shí)間,充分利用低谷電價(jià)的優(yōu)勢。也就是說模型的建立可以直接指導(dǎo)我們?nèi)粘５纳a(chǎn)運(yùn)行策略，，更加合理的控制冷凍機(jī)的開啟臺時(shí)，充分使用蓄冷水罐內(nèi)的冷量，進(jìn)一步節(jié)能減支。能源中心作為機(jī)場的供冷及供熱保障，基本都是屬于被動的滿足末端負(fù)荷的需求進(jìn)行冷量的供應(yīng)，由于航班、客流量的變化，供冷負(fù)荷量完全受控于末端航站樓的用能需求，而整個(gè)供冷工作自冷量生產(chǎn)到管網(wǎng)輸送至末端需花費(fèi)50分鐘,耗時(shí)較長。因此我們需要對末端用能負(fù)荷進(jìn)行提前預(yù)判，制定合理、經(jīng)濟(jì)的運(yùn)行策略。然而，對于能源中心來說首要任務(wù)應(yīng)該是保證安全及服務(wù)質(zhì)量，節(jié)能研究只能在滿足前者的前提下進(jìn)行。局限性本課題的難點(diǎn)是影響航站樓供冷量的因素有很多，例如建筑結(jié)構(gòu)、旅客流量、室內(nèi)的溫濕度等等，相關(guān)的因素越多，考慮的問題越復(fù)雜，這樣不利于課題的研究，所以我們希望把握一些關(guān)鍵因素。很顯然，影響供冷量最關(guān)鍵的因素應(yīng)該是室內(nèi)的溫濕度，其他諸如建筑結(jié)構(gòu)和旅客流量等因素反應(yīng)到深層面也就是影響到了室內(nèi)的溫濕度，所以我們?nèi)绻軌蚴占胶秸緲莾?nèi)的溫濕度數(shù)據(jù)就能夠比較客觀的反應(yīng)我們供冷量需求的大小。這里我們課題的另一個(gè)問題就是，我們無法采集到航站樓室內(nèi)的溫濕度數(shù)據(jù)，只能以虹橋地區(qū)的溫濕度來替代，這樣導(dǎo)致室內(nèi)的影響因素包括旅客流量等因素?zé)o法反應(yīng)在我們收集的溫濕度數(shù)據(jù)中，也就是說，我們研究的課題有一定的局限性，在建筑結(jié)構(gòu)一定的基礎(chǔ)上，假定旅客流量不會突變的前提下，進(jìn)行的供冷量的模型建立，這也是我們后期數(shù)據(jù)處理中剔除數(shù)據(jù)的依據(jù)。研究方法本課題主要采用以下三種研究方法a.現(xiàn)場實(shí)時(shí)數(shù)據(jù)采集方法收集數(shù)據(jù)包括當(dāng)日制冷量、當(dāng)日平均溫度、當(dāng)日平均濕度。平均溫度和濕度是由每10分鐘采集的數(shù)據(jù)的平均值，能夠較為準(zhǔn)確的代表一天的天氣情況。b.數(shù)據(jù)擬合方法通過數(shù)學(xué)軟件對曲線、曲面進(jìn)行擬合。通過運(yùn)行過程中收集的溫度、濕度及制冷量的數(shù)據(jù)點(diǎn)，在三維空間中尋找一個(gè)曲面，使得收集的離散點(diǎn)到該曲面的殘差平方和達(dá)到最小。c.指導(dǎo)運(yùn)行過程中的驗(yàn)證方法通過擬合的模型指導(dǎo)日常的供冷運(yùn)行,并在實(shí)際運(yùn)行中修正偏差,完善模型。創(chuàng)新點(diǎn)我們尋找同類型研究對象后發(fā)現(xiàn)：國內(nèi)外的能源中心基于采集大量數(shù)據(jù)所需的人員、成本投入,及諸多不確定因素的干擾,此類負(fù)荷預(yù)測模型并沒有深入的實(shí)施過。通過模型建立，配合能源中心蓄冷水罐的使用，能夠建立完善的開停機(jī)策略，通過對負(fù)荷的預(yù)判，合理分配峰平谷不同時(shí)段的冷機(jī)用電，能夠大大節(jié)省運(yùn)行成本?；A(chǔ)數(shù)據(jù)收集和處理數(shù)據(jù)收集確定收集對象溫度：我們所說的溫度，也就是大氣層中氣體的溫度，即氣溫，是氣象學(xué)常用名詞。它直接受日射所影響：日射越多，氣溫越高。濕度：表示大氣干燥程度的物理量。在一定的溫度下在一定體積的空氣里含有的水汽越少，則空氣越干燥；水汽越多，則空氣越潮濕?？諝獾母蓾癯潭冉凶觥皾穸取?。在此意義下，常用絕對濕度、相對濕度、比較濕度、混合比、飽和差以及露點(diǎn)等物理量來表示，我們課題所涉及的溫度，也就是天氣預(yù)報(bào)中，常用到的相對濕度。它反映了降雨、有霧的可能性。在炎熱的天氣之下，高的相對濕度會讓人類（和其他動物）感到更熱，因?yàn)檫@妨礙了汗水的揮發(fā)。人類可以從而制定出酷熱指數(shù)。所以按照課題內(nèi)容，我們確定數(shù)據(jù)收集的對象為虹橋地區(qū)的當(dāng)日溫度、當(dāng)日濕度、當(dāng)日供冷量，其中溫度和濕度為了能夠反映當(dāng)日的整體情況，以上海是氣象站發(fā)布的虹橋地區(qū)的氣象數(shù)據(jù)為主，以能源中心內(nèi)自有的氣象站數(shù)據(jù)為參考，求取各時(shí)段的平均值作為數(shù)據(jù)分析中用到的溫濕度數(shù)據(jù)。供冷量按照能源中心自身安裝的能量計(jì)數(shù)據(jù)為依據(jù)，作為課題中得供冷量值。簡單處理經(jīng)過一段時(shí)間的數(shù)據(jù)收集，發(fā)現(xiàn)每日供冷量數(shù)據(jù)受到航班等影響因素限制，考慮到能源中心供冷模式的特殊性，在夜間低谷時(shí)段會開啟冷水機(jī)組進(jìn)行蓄冷工作，所以在供冷量處理過程中將原先0：00至24:00的數(shù)據(jù)修改成6:00至22:00的日供冷量數(shù)據(jù)，這樣能夠最大限度避免其他干擾因素，對于課題本身來說，6:00-22:00也是常規(guī)的供冷時(shí)間，研究這段時(shí)間段的供冷量符合課題本身的意義，可以在日后指導(dǎo)運(yùn)行。數(shù)據(jù)處理軟件介紹——Matlab、1stopt本課題涉及到數(shù)據(jù)的處理、分析、擬合，主要用到2個(gè)數(shù)學(xué)軟件Matlab以及1stopt。首先對這2個(gè)軟件進(jìn)行簡單的介紹，通過介紹可以大致了解其在課題中得作用。MATLAB是由美國mathworks公司發(fā)布的主要面對科學(xué)計(jì)算、可視化以及交互式程序設(shè)計(jì)的高科技計(jì)算環(huán)境。它將數(shù)值分析、矩陣計(jì)算、科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)大功能集成在一個(gè)易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計(jì)以及必須進(jìn)行有效數(shù)值計(jì)算的眾多科學(xué)領(lǐng)域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計(jì)語言（如C、Fortran）的編輯模式，代表了當(dāng)今國際科學(xué)計(jì)算軟件的先進(jìn)水平。MATLAB和Mathematica、Maple并稱為三大數(shù)學(xué)軟件。它在數(shù)學(xué)類科技應(yīng)用軟件中在數(shù)值計(jì)算方面首屈一指。MATLAB可以進(jìn)行矩陣運(yùn)算、繪制函數(shù)和數(shù)據(jù)、實(shí)現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語言的程序等，主要應(yīng)用于工程計(jì)算、控制設(shè)計(jì)、信號處理與通訊、圖像處理、信號檢測、金融建模設(shè)計(jì)與分析等領(lǐng)域。MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué)、工程中常用的形式十分相似，故用MATLAB來解算問題要比用C，F(xiàn)ORTRAN等語言完成相同的事情簡捷得多，并且MATLAB也吸收了像Maple等軟件的優(yōu)點(diǎn)，使MATLAB成為一個(gè)強(qiáng)大的數(shù)學(xué)軟件。在新的版本中也加入了對C，F(xiàn)ORTRAN，C++，JAVA的支持。可以直接調(diào)用,用戶也可以將自己編寫的實(shí)用程序?qū)氲組ATLAB函數(shù)庫中方便自己以后調(diào)用，此外許多的MATLAB愛好者都編寫了一些經(jīng)典的程序，用戶可以直接進(jìn)行下載就可以用。1stOpt（FirstOptimization）是七維高科有限公司（7D-SoftHighTechnologyInc.）獨(dú)立開發(fā)，擁有完全自主知識產(chǎn)權(quán)的一套數(shù)學(xué)優(yōu)化分析綜合工具軟件包。在非線性回歸，曲線擬合，非線性復(fù)雜工程模型參數(shù)估算求解等領(lǐng)域傲視群雄，首屈一指，居世界領(lǐng)先地位。除去簡單易用的界面，其計(jì)算核心是基于七維高科有限公司科研人員十?dāng)?shù)年的革命性研究成果【通用全局優(yōu)化算法】(UniversalGlobalOptimization-UGO)，該算法之最大特點(diǎn)是克服了當(dāng)今世界上在優(yōu)化計(jì)算領(lǐng)域中使用迭代法必須給出合適初始值的難題，即用戶勿需給出參數(shù)初始值，而由1stOpt隨機(jī)給出，通過其獨(dú)特的全局優(yōu)化算法，最終找出最優(yōu)解。以非線性回歸為例，目前世界上在該領(lǐng)域最有名的軟件工具包諸如OriginPro，Matlab，SAS，SPSS，DataFit，GraphPad，TableCurve2D，TableCurve3D等，均需用戶提供適當(dāng)?shù)膮?shù)初始值以便計(jì)算能夠收斂并找到最優(yōu)解。如果設(shè)定的參數(shù)初始值不當(dāng)則計(jì)算難以收斂，其結(jié)果是無法求得正確結(jié)果。而在實(shí)際應(yīng)用當(dāng)中，對大多數(shù)用戶來說，給出(猜出)恰當(dāng)?shù)某跏贾凳羌喈?dāng)困難的事，特別是在參數(shù)量較多的情況下，更無異于是場噩夢。而1stOpt憑借其超強(qiáng)的尋優(yōu)，容錯(cuò)能力，在大多數(shù)情況下（大于90%)，從任一隨機(jī)初始值開始，都能求得正確結(jié)果。數(shù)據(jù)收集情況通過本次供冷季的數(shù)據(jù)收集，整合上一個(gè)供冷季時(shí)整理出的部分?jǐn)?shù)據(jù)，我們總共收集到的數(shù)據(jù)包括2010年供冷季8月至2010年10月以及2011年6月至2011年8月,期間每日的日平均氣溫,日平均濕度,日供冷量，共210組原始數(shù)據(jù)。我們可以將經(jīng)過初步處理過的數(shù)據(jù)集中在一個(gè)三維散點(diǎn)圖中，如下：圖5三維散點(diǎn)圖對于一個(gè)曲面來說，雖然收集了2個(gè)供冷季的數(shù)據(jù)，但是點(diǎn)的數(shù)量還是顯得不夠豐富，這樣對于直接曲面擬合來說難度是很大的，我們可以通過插值的方法先得到一個(gè)基于目前收集數(shù)據(jù)的理想三維曲面，如下圖：圖6插值曲面圖7插值曲面可以看到由于有部分毛刺使得插值曲面也不是很光滑，這是由于數(shù)據(jù)變化幅度大，沒有有效的處理方式所導(dǎo)致。上圖的曲面如果需要得到函數(shù)解析式，必然是多個(gè)曲面在不同區(qū)間范圍內(nèi)的累積才能夠形成，解析式過于復(fù)雜也不適應(yīng)后期模型建立后對日常生產(chǎn)運(yùn)行的指導(dǎo)。平均值處理本課題是建立在大量數(shù)據(jù)上的數(shù)學(xué)模型建立，所以數(shù)據(jù)處理是根本。如何對收集到的數(shù)據(jù)進(jìn)行處理也就成了關(guān)鍵問題。一般最簡單的就是平均值的處理方法，確保每個(gè)溫濕度只對應(yīng)一個(gè)供冷量，滿足函數(shù)特性。在1stOpt中，共有13種有化算法，一般而言對于我們非線形回歸，曲面擬合問題，采用其中的麥夸特法Levenberg-Marquardt法(LM)+通用全局優(yōu)化算法(UniversalGlobalOptimization-UGO)，在軟件自帶的928個(gè)函數(shù)解析式庫中，尋找最佳擬合，也就是相關(guān)系數(shù)R最接近1，通過軟件計(jì)算得到函數(shù)解析式：Z=p1*(0.5+atan((x-p2)/p3)/pi)+p4*(0.5+atan((y-p5)/p6)/pi)+p7*(0.5+atan((x-p2)/p3)/pi)*(0.5+atan((y-p5)/p6)/pi)其中p1=375.370387311268;p2=49.2371132439171;p3=6.74695848655198;p4=-182.151525065764;p5=61.0471679478364;p6=13.8786546503806;p7=2577.07306406573;然后我們可以繪出該三維曲面，并和我們收集數(shù)據(jù)的散點(diǎn)進(jìn)行比較，如下：圖8擬合曲面圖圖9擬合曲面圖圖10擬合曲面圖擬合的具體參數(shù)為：擬合方法Algorithms:麥夸特法(Levenberg-Marquardt)+通用全局優(yōu)化法均方根誤差RootofMeanSquareError(RMSE):10.315278723204誤差項(xiàng)平方和SumofSquareError(SSE):12236.5721407993相關(guān)系數(shù)CorrelationCoef.(R):0.960005080824189方差R-Square:0.921609755208259決定系數(shù)DeterminationCoef.(DC):0.921609201481085該函數(shù)解析式是通過全局優(yōu)化法得出的相關(guān)系數(shù)最接近1的，所以被選定為階段性的最佳擬合方程。下圖為計(jì)算Z值與我們數(shù)據(jù)處理后的Z值的殘差圖：圖11殘差圖可以看到部分區(qū)域的殘差偏高，原因應(yīng)當(dāng)是沒有建立有效的異常數(shù)據(jù)篩選方法，僅通過平均值的處理還是不能滿足擬合的需求。下表為供冷量也就是Z值的誤差表，其中供冷量單位為冷噸，并為了方便參數(shù)選定，做了縮小1000倍的處理，并不影響函數(shù)本身的特性：表1誤差表收集計(jì)算誤差收集計(jì)算誤差收集計(jì)算誤差26.29624.6196.81%48.3443.08012.21%106.243104.4491.72%25.49628.110-9.30%36.34247.249-23.08%87.02995.934-9.28%32.88528.21216.57%44.43347.985-7.40%96.26699.778-3.52%33.99728.26820.27%66.75650.79031.43%130.68103.24426.57%28.3629.689-4.48%55.46854.5571.67%104.617104.826-0.20%36.08829.75421.29%64.18157.36811.88%100.069106.308-5.87%10.48629.975-65.02%57.18858.161-1.67%111.48107.6913.52%11.40730.140-62.15%73.0458.78124.26%102.868108.982-5.61%21.56430.316-28.87%55.74843.49128.18%108.642110.183-1.40%39.77930.45330.63%56.15252.6776.60%101.855111.302-8.49%41.00832.44226.41%58.3763.757-8.45%106.917112.342-4.83%28.75533.370-13.83%70.90365.7237.88%128.21113.31113.15%38.26636.2085.68%42.17761.904-31.87%96.444114.213-15.56%41.15436.66812.24%58.02665.931-11.99%106.814115.837-7.79%13.27832.720-59.42%64.29273.016-11.95%101.216108.438-6.66%42.57834.13524.74%95.62873.42830.23%91.35108.438-15.76%42.09235.99416.94%77.95175.3953.39%113.977114.572-0.52%33.77837.905-10.89%65.26264.8820.59%140.825116.38721.00%35.56538.291-7.12%71.07570.2011.25%124.653118.0885.56%38.92439.731-2.03%73.12372.6200.69%144.012119.67620.34%35.20240.052-12.11%78.34683.185-5.82%105.437127.160-17.08%41.93540.9072.51%78.36468.57614.27%115.272106.3928.35%39.70341.389-4.07%73.01870.1654.07%116.208112.0393.72%45.45341.3899.82%76.12982.223-7.41%119.145122.505-2.74%41.59342.332-1.75%79.48783.472-4.77%113.131124.842-9.38%28.34942.756-33.70%83.13286.773-4.20%108.886127.047-14.29%46.49842.9958.15%100.44489.45312.29%107.967131.061-17.62%49.96343.20415.64%79.68291.614-13.02%141.402132.8756.42%25.00843.389-42.36%89.51492.238-2.95%110.619132.880-16.75%54.94343.55326.15%104.5592.81912.64%150.818140.8447.08%56.07443.83027.93%88.77993.362-4.91%110.186105.8054.14%34.50233.1524.07%89.97193.870-4.15%109.942118.710-7.39%41.6340.0373.98%94.9794.7900.19%119.898125.872-4.75%45.94147.050-2.36%94.71695.600-0.92%143.466136.8134.86%47.68648.335-1.34%95.87295.5700.32%168.204143.81616.96%41.92450.464-16.92%105.09396.7678.60%166.737150.31210.93%64.950.93427.42%106.47297.8848.77%127.066134.884-5.80%31.78536.961-14.00%102.11298.9243.22%41.51839.1875.95%111.733103.8167.63%可以看到，擬合得到的函數(shù)解析式計(jì)算的供冷量值同收集得到的供冷量數(shù)據(jù)之間存在一定的誤差,在某些區(qū)間段內(nèi)誤差較大,由于之前數(shù)據(jù)處理時(shí)只是才用平均值的處理方式,并沒有異常值的過濾方式,所以最終的處理值受到異常值的干擾較大。數(shù)據(jù)分布情況由于數(shù)據(jù)采集本身的誤差，加之我們課題本身的局限性，對于客觀條件的變化無法及時(shí)反映，使得數(shù)據(jù)處理變得較為復(fù)雜，但是我們可以通過天氣情況和供冷量的概率分布情況，大致的看出一些規(guī)律，找到剔除異常數(shù)據(jù)的規(guī)律。圖12濕度概率分布情況圖13溫度概率分布情況圖14供冷量概率分布情況可以看到，溫濕度及供冷量概率密度圖都接近正態(tài)分布，可以從圖中看到，整個(gè)供冷季氣溫主要集中在28℃～32℃，所以供冷量需求也是集中在某段區(qū)間內(nèi)，這對于負(fù)荷預(yù)測是有指導(dǎo)意義的，在數(shù)據(jù)處理時(shí)可以以此為出發(fā)點(diǎn)，剔除異常的數(shù)據(jù)值。當(dāng)然由于目前的數(shù)據(jù)點(diǎn)有限，概率密度圖只是提供了一個(gè)直觀的分布狀態(tài)，隨著數(shù)據(jù)的不斷收集，分布狀況能夠更明顯，我們也能夠通過最優(yōu)化的分布函數(shù)進(jìn)行預(yù)估。通過分布情況來篩選數(shù)據(jù)的過程中，我們發(fā)現(xiàn)無法對特定數(shù)值進(jìn)行剔除，也就是無法找到合理的篩選數(shù)據(jù)的依據(jù)。由于溫濕度的數(shù)據(jù)我們的來源是固定可靠的，供冷量的變化是由于我們假定條件產(chǎn)生變化所引起的，也有部分是能量計(jì)的誤差引起的，但是作為一組[溫度，濕度，供冷量]的數(shù)據(jù)，負(fù)荷現(xiàn)有分布情況，在目前數(shù)據(jù)量不大的前提下，只能作為負(fù)荷預(yù)測的一種方法。趨勢篩選既然課題存在一定的局限性，那么我們就從這點(diǎn)出發(fā)，在假定建筑結(jié)構(gòu)、旅客流量等因素不變的情況下，我們的供冷量與溫濕度一定是存在影響關(guān)系的。對于偏離這種關(guān)系的數(shù)據(jù)點(diǎn)，我們歸為由于客觀條件引起的數(shù)據(jù)變化，直接予以剔除，我們的模型意義就是能夠指導(dǎo)運(yùn)行，所以能夠承受適當(dāng)?shù)恼`差率。我們將所有210組數(shù)據(jù)按照溫度進(jìn)行排列，得到了同一溫度下不同濕度對應(yīng)的不同制冷量，通過計(jì)算這些供冷量的平均值我們發(fā)現(xiàn)，溫度確實(shí)是影響供冷量的首要因素，不同溫度下的平均供冷量變化趨勢如下圖：圖15不同溫度下的平均供冷量趨勢很明顯，隨著溫度的上升，供冷量也隨之增加了。對于同一溫度下，不同濕度所引起的供冷量變化，我們也希望能夠限定范圍，允許在平均供冷量上下浮動，但是對于偏離程度大得值就予以剔除。在溫度一定的情況下，濕度的變化會影響供冷量的變化，通過將同一溫度下的濕度進(jìn)行升序排列，繪出供冷量變化趨勢，如下圖：圖1623℃下濕度升序排列時(shí)的供冷量變化圖1724℃下濕度升序排列時(shí)的供冷量變化圖1827℃下濕度升序排列時(shí)的供冷量變化上面列舉了三種不同溫度下，濕度升序排列時(shí)供冷量的變化趨勢圖，可以看出，在溫度一定的情況下，隨著濕度的上升，供冷量的需求是逐漸增大的。這是由于在一定氣溫下，大氣中相對濕度越小，水汽蒸發(fā)也就越快；反之，大氣中相對濕度越大，水汽蒸發(fā)也就越慢。所以在人們實(shí)際生活中，冬春季會感到空氣干燥，夏季出現(xiàn)天氣悶熱的現(xiàn)象，這都是由于大氣中濕度的變化在起作用。那么在這樣一種供冷需求隨濕度變化的趨勢下，我們可以找到篩選數(shù)據(jù)的依據(jù)，對于明顯偏離上升趨勢的點(diǎn)予以剔除，較為接近的可以仍舊采用平均值處理。這里就要考慮到我們課題的意思，由于供冷量對于溫濕度，特別是我們收集到的室外溫濕度數(shù)據(jù)并沒有真正與之對應(yīng)的一個(gè)數(shù)學(xué)模型，我們的目的是希望能夠找到一個(gè)相對接近，能夠用于指導(dǎo)運(yùn)行的模型，所以具體數(shù)據(jù)處理時(shí)篩選的度可自由掌握，考慮到本課題本身數(shù)據(jù)收集量不多，所以在處理時(shí)，盡可能的保留了數(shù)據(jù)。最終數(shù)據(jù)經(jīng)過數(shù)據(jù)處理之后，原有的210組數(shù)據(jù)變?yōu)?28組數(shù)據(jù)，數(shù)據(jù)量顯得有些不足，所以在之后的很長一段時(shí)間內(nèi)，收集數(shù)據(jù)擴(kuò)充數(shù)據(jù)庫將成為本課題的延續(xù)工作，也只有在滿足數(shù)據(jù)量的基礎(chǔ)上，模型本身才會更加具有指導(dǎo)意義。表2最終數(shù)據(jù)序號溫度濕度供冷量序號溫度濕度供冷量120482549665278178346220503288566285978364320513399767286068987420582254868286876129520692836069286984857.56207036088.57028709108472091397797128728806882145253447228739249292148362567328751004451021584100874287996708112162310737528801045501221803826676288196356132187411547728828997114225142578782883964921522554073079288494970162257420928028851071221722623377881288694716182263355658229691054061922673892483297195872202268352028429721050932122714193585297310462222227339703862974102022232278415938729759632624228346498882977112863252285499638929791048882622895494390298011173327229356074912981106243282328345029230658702929235741630933066973323023655418494306798805.531237145941953068101184322375476869630701061923323896685297307110218534239064900983072111480352439317859930731074563624474151810030741086433724554834010130751063883824613634210230761090513924624443310330771057724024685268410430789644441247355468105308010681442247665152106316610121643248269824.5107316810894044248574928108316911642945249073040109317112465346249281578110317213173447254955748111326111527248255565670112326210983549256156152113326311790750257758370114326411951451258370903115326711914552265768506116326811368453266074726117326911883454266681234118327110888855267479046119327213322556267576032120336611061957267964292121336711275458268096552122336915081859268297058123345411018660268489604124345810994261276165262125346011989862276571075126346314346663276778044.51273465168204642779881741283467166737模型建立曲面解析式經(jīng)過數(shù)據(jù)處理后，總共有128組數(shù)據(jù)可以進(jìn)行擬合，同樣的，我們通過1stOpt來進(jìn)行三維解析式的求取。在1stOpt中，共有13種有化算法，一般而言對于我們非線形回歸，曲面擬合問題，采用其中的麥夸特法Levenberg-Marquardt法(LM)+通用全局優(yōu)化算法(UniversalGlobalOptimization-UGO)，在軟件自帶的928個(gè)函數(shù)解析式庫中，尋找最佳擬合，也就是相關(guān)系數(shù)R最接近1，通過軟件計(jì)算得到函數(shù)解析式：Z=(p1+p2*x+p3*x^2+p4*y+p5*y^2+p6*y^3)/(1+p7*x+p8*x^2+p9*y+p10*y^2+p11*y^3)（Z為供冷量,x為溫度，y為濕度）其中p1=-6005216373.44208p2=418583988.404893p3=-7563803.10419317p4=59670738.8392866p5=-1141897.02333113p6=68087=1852.66392972065p8=-45.9375743083245p9=120.129874755811p10=-6.93481069820878p11=0.0519152758326486三維模型根據(jù)函數(shù)解析式，我們可以得到擬合后的三維曲面與收集到的三維散點(diǎn)之間的關(guān)系。圖19三維曲面圖圖20三維曲面圖可以看到，相比于通過簡單的平均值處理之后得到的曲面圖，現(xiàn)在的三維曲面更加貼合所有的散點(diǎn)。應(yīng)該說在經(jīng)過一定的數(shù)據(jù)處理之后，我們對于擬合的優(yōu)化還是很明顯的，具體的擬合參數(shù)參數(shù)中也能夠反應(yīng)擬合的優(yōu)劣。模型效果評估擬合效果評價(jià)具體的擬合參數(shù)如下：Algorithms:麥夸特法(Levenberg-Marquardt)+通用全局優(yōu)化法RootofMeanSquareError(RMSE):7482.2268891114SumofSquareError(SSE):7165916060.17813CorrelationCoef.(R):0.973447434289781R-Square:0.947599907325358DeterminationCoef.(DC):0.94759989140366從上面數(shù)據(jù)可以看出，相關(guān)系數(shù)R值為0.973，相較第一次擬合的0.960提升相關(guān)性，可以說，擬合也優(yōu)于第一次的數(shù)據(jù)擬合。什么是相關(guān)系數(shù)？樣本相關(guān)系數(shù)用r表示,總體相關(guān)系數(shù)用ρ表示,相關(guān)系數(shù)的取值范圍為[-1,1]。|r|值越大，誤差Q越小，變量之間的線性相關(guān)程度越高；|r|值越接近0，Q越大，變量之間的線性相關(guān)程度越低。相關(guān)系數(shù)又稱皮（爾生）氏積矩相關(guān)系數(shù)，說明兩個(gè)現(xiàn)象之間相關(guān)關(guān)系密切程度的統(tǒng)計(jì)分析指標(biāo)。相關(guān)系數(shù)用希臘字母γ表示，γ值的范圍在-1和+1之間。γ＞0為正相關(guān)，γ＜0為負(fù)相關(guān)。γ＝0表示不相關(guān)；γ的絕對值越大，相關(guān)程度越高。兩個(gè)現(xiàn)象之間的相關(guān)程度，一般劃分為四級：兩者呈正相關(guān)，r呈正值，r=1時(shí)為完全正相關(guān)；如兩者呈負(fù)相關(guān)則r呈負(fù)值，而r=-1時(shí)為完全負(fù)相關(guān)。完全正相關(guān)或負(fù)相關(guān)時(shí)，所有圖點(diǎn)都在直線回歸線上；點(diǎn)子的分布在直線回歸線上下越離散，r的絕對值越小。當(dāng)例數(shù)相等時(shí)，相關(guān)系數(shù)的絕對值越接近1，相關(guān)越密切；越接近于0，相關(guān)越不密切。當(dāng)r=0時(shí)，說明X和Y兩個(gè)變量之間無直線關(guān)系。通常|r|大于0.75時(shí)，認(rèn)為兩個(gè)變量有很強(qiáng)的線性相關(guān)性。所以本課題最終擬合的相關(guān)系數(shù)R為0.973，對于我們目前作為指導(dǎo)運(yùn)行來說，應(yīng)當(dāng)已經(jīng)滿足需求了。要提高相關(guān)系數(shù)，就要提高擬合精度，也就需要提高數(shù)據(jù)處理能力，更重要的還是增加數(shù)據(jù)收集量，所以本課題可以說是為供冷量需求模型驗(yàn)證了可行性，通過后期的不斷投入，真正的供冷負(fù)荷預(yù)測是完全可以實(shí)現(xiàn)的。下圖為擬合后Z值也就是供冷量函數(shù)計(jì)算值與實(shí)際散點(diǎn)之間的關(guān)系，可以看出擬合解析式能夠基本涵蓋我們實(shí)際運(yùn)行時(shí)的散點(diǎn)，絕對的覆蓋也是不現(xiàn)實(shí)的，圖21擬合函數(shù)點(diǎn)-線圖圖22殘差圖評價(jià)擬合好壞最直觀的方法就是參考其殘差圖。殘差圖是指以殘差為縱坐標(biāo)，以任何其他指定的量為橫坐標(biāo)的散點(diǎn)圖。如在分析測試中常用的散點(diǎn)圖是以自變量為橫坐標(biāo)的殘差圖?？捎盟鼇頇z查回歸線的異常點(diǎn)。殘差圖以回歸方程的自變量為橫坐標(biāo)，以殘差為縱坐標(biāo)，將每一個(gè)自變量的殘差描在該平面坐標(biāo)上所形成的圖形。當(dāng)描繪的點(diǎn)圍繞殘差等于0的直線上下隨機(jī)散布，說明回歸圖形對原觀測值的擬合情況良好。否則，說明回歸圖形對原觀測值的擬合不理想。如果殘差圖中各點(diǎn)的值差別比較大，說明回歸曲線方程與實(shí)際值之間差別也比較大。也可以說，殘差圖的波動幅度，反映了回歸方程與實(shí)際值之間的差別程度。誤差分析本課題的研究意義就是希望能夠指導(dǎo)我們的開停機(jī)運(yùn)行，下圖是目前能源中心的開機(jī)策略簡圖：圖23開機(jī)策略上圖中★代表冷機(jī)運(yùn)行的時(shí)段,按照最大制冷量及實(shí)際情況對冷機(jī)的開機(jī)時(shí)段進(jìn)行了劃分,共有以上六種運(yùn)行模式。目前我們的供冷運(yùn)行模式主要是通過谷值電價(jià)進(jìn)行蓄冷，也就是夏季時(shí)段的22:00至次日早晨6:00，通過課題的模型預(yù)估，能夠合理利用平價(jià)電時(shí)段，由于之前缺乏負(fù)荷預(yù)估的機(jī)制，大多靠值班長和調(diào)度運(yùn)行人員的經(jīng)驗(yàn)做出判斷。我們希望能夠通過課題模型研究來完善開停機(jī)策略，主要思路是以谷值蓄冷為主，當(dāng)負(fù)荷增加時(shí)則增加平值時(shí)段增加蓄冷時(shí)長，隨著負(fù)荷不斷增加再配合平值時(shí)段的聯(lián)合供冷模式進(jìn)行供冷。盡可能在保障供冷質(zhì)量的前提下，避免峰值時(shí)段開機(jī)，合理控制運(yùn)行成本，這就是設(shè)定開機(jī)策略的目的?？紤]到模型建立初期，仍有一定的誤差率，但是對于運(yùn)行人員來說，供冷量的誤差概念是模糊的，所以我們覺得應(yīng)當(dāng)以時(shí)間來作為單位，也就是以我們能源中心8臺冷凍機(jī)，每臺每小時(shí)1900RT制冷量為比較對象，模型計(jì)算值與實(shí)際采集數(shù)值之間的絕對誤差，相當(dāng)于8臺冷凍機(jī)運(yùn)行多少時(shí)間作為比較。這樣可以讓運(yùn)行操作人員直觀的了解到按照模型計(jì)算值進(jìn)行提前開停機(jī)大致的時(shí)間誤差范圍是多少。表3誤差分析實(shí)際供冷量計(jì)算供冷量誤差率絕對誤差誤差時(shí)間（分鐘）125496.0023022.90-9.70%-2473.10-10232885.0023179.16-29.51%-9705.84-38333997.0023228.38-31.68%-10768.62-43422548.0023206.232.92%658.233528360.0023458.78-17.28%-4901.22-19636088.5023619.17-34.55%-12469.33-49739779.0039392.34-0.97%-386.66-2825344.0030025.9218.47%4681.9218936256.0030723.16-15.26%-5532.84-221041008.0031999.48-21.97%-9008.52-361131073.0032350.084.11%1277.0851238266.0038320.400.14%54.4001341154.0044545.498.24%3391.49131442578.0038439.33-9.72%-4138.67-161540730.0039328.31-3.44%-1401.69-61642092.0039721.24-5.63%-2370.76-91733778.0040674.6220.42%6896.62271835565.0040877.6114.94%5312.61211938924.0041810.597.42%2886.59112035202.0042086.8619.56%6884.86272141935.0043060.222.68%1125.2242239703.0043854.4910.46%4151.49162341593.0046474.0911.74%4881.09192446498.0050129.787.81%3631.78142549963.0051887.803.85%1924.8082654943.0055856.431.66%913.4342756074.0060298.217.53%4224.21172834502.0031416.71-8.94%-3085.29-122941630.0046806.2912.43%5176.29203054184.0049175.54-9.24%-5008.46-203145941.0051418.1411.92%54770053383.9611.95%5697.96223366852.0064308.92-3.80%-2543.08-103464900.0065304.640.62%404.6423531785.0044557.2140.18%12772.21503641518.0049042.8718.12%7524.87303748340.0052511.998.63%4171.99163836342.0054833.6550.88%18491.65733944433.0055223.4124.28%10790.41434052684.0057734.709.59%5050.70204155468.0060244.728.61%4776.72194265152.0062017.85-4.81%-3134.15-124369824.5066265.39-5.10%-3559.11-144474928.0068730.04-8.27%-6197.96-244573040.0073225.320.25%185.3214681578.0075110.34-7.93%-6467.66-264755748.0055222.81-0.94%-525.19-24865670.0058312.53-11.20%-7357.47-294956152.0061228.879.04%5076.87205058370.0070382.7020.58%12012.70475170903.0074933.355.68%4030.35165268506.0064892.50-5.27%-3613.50-145374726.0066663.93-10.79%-8062.07-325481234.0070302.12-13.46%-10931.88-435579046.0075677.55-4.26%-3368.45-135676032.0076406.780.49%374.7815764292.0079451.5723.58%15159.57605896552.0080241.60-16.89%-16310.40-645997058.0081849.17-15.67%-15208.83-606089604.0083484.06-6.83%-6119.94-246165262.0073033.8111.91%7771.81316271075.0075943.186.85%48685077439.84-0.77%-604.66-26488174.0087118.16-1.20%-1055.84-46578346.0088804.9913.35%10458.99416678364.0076976.08-1.77%-1387.92-56768987.0077826.9412.81%8839.94356876129.0084871.0711.48%8742.07356984857.5085784.941.09%927.4447091084.0086705.62-4.81%-4378.38-177188068.0088564.330.56%496.3327292492.0089500.32-3.23%-2991.68-1273100444.5091378.83-9.03%-9065.67-367496708.0095111.48-1.65%-1596.52-675104550.0096027.10-8.15%-8522.90-347696356.0096930.930.60%574.9327789971.0097820.518.72%7849.51317896492.0098693.352.28%2201.3597994970.0099547.024.82%4577.021880107122.00100379.19-6.29%-6742.81-278194716.00101187.656.83%6471.652682105406.0092944.93-11.82%-12461.07-498395872.0095160.58-0.74%-711.42-384105093.0096271.12-8.39%-8821.88-3585104622.0097380.42-6.92%-7241.58-2986102021.6798485.86-3.47%-3535.81-148796326.0099584.543.38%3258.541388112863.33101748.93-9.85%-11114.41-4489104888.00103846.51-0.99%-1041.49-490111733.00104861.35-6.15%-6871.65-2791106243.00105848.77-0.37%-394.23-29287029.0095478.319.71%8449.31339397332.0096811.97-0.53%-520.03-29498805.5098156.89-0.66%-648.61-395101184.0099511.07-1.65%-1672.93-796106192.00102236.94-3.72%-3955.06-1697102184.67103602.351.39%1417.68698111480.00104964.45-5.84%-6515.55-2699107456.20106318.97-1.06%-1137.23-4100108642.67107661.21-0.90%-981.45-4101106387.50108986.152.44%2598.6510102109051.43110288.441.13%1237.025103105772.00111562.565.47%5790.562310496444.00112802.8316.96%16358.8365105106814.00115159.277.81%8345.2733106101216.00105089.943.83%3873.9415