基于改进算法的空调冷负荷组合预测研究

摘要

针对单一的预测方法难以综合描述冷负荷变化的规律性问题,本文以初投入使用的青岛市某自习室空调系统为研究对象,对基于改进算法的空调冷负荷组合预测进行研究.为获得动态负荷数据,搭建了TRNSYS模拟仿真平台,对扰动因子经平均影响值(mean impact value,MIV)和Spearman相关性分析及特征变量筛选后,对预测算法进行优化.通过引入随机粒子和混沌算法,建立基于标准粒子群算法的组合粒子群算法(combined particle swarm optimization,CPSO),得到组合粒子群优化后向传播网络(back propagation,BP)负荷预测模型CPSO-BP,并引布谷鸟搜索(cuckoo search,CS),确立布谷鸟搜索支持向量回归(support vector regression,SVR)负荷预测模型CS-SVR,建立基于遗传寻优的灰色预测模型GA-GM(1,N).同时,将各模型的负荷预测值带入模糊系统中,建立实时模糊组合预测模型(fuzzy combination,FC),并采用Markov(M)对组合误差进行修正.结果 表明,基于Markov的模糊组合预测算法FC-M优于CPSO-BP、CS-SVR和FC,组合精度与3个优化模型相比分别提高了26.32％,62.16％,94.68％,说明基于马尔可夫的模糊组合预测算法FC-M可以弥补各算法的不足,降低了预测误差,提高了预测准确率.该研究为空调节能运行策略的制定提供了理论参考.