摘要 時刻變化的室內(nèi)外環(huán)境對建筑物的冷負荷有著重要的影響。采用VB編制了人工神經(jīng)網(wǎng)絡(luò)(ANN)的通用BP算法程序。根據(jù)西安市參考年（TRY）氣象參數(shù)，采用動態(tài)模擬程序計算了某辦公樓4～9月逐時冷負荷。應(yīng)用上述數(shù)據(jù)對ANN進行學(xué)習(xí)訓(xùn)練和測試。結(jié)果顯示利用神經(jīng)網(wǎng)絡(luò)的預(yù)測值與計算值相吻合，說明人工神經(jīng)網(wǎng)絡(luò)是一種新穎、可靠的負荷預(yù)測方法。
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 冷負荷 負荷預(yù)測 參考年
1 前言
空調(diào)系統(tǒng)的設(shè)計前提是設(shè)計日的負荷分布，系統(tǒng)主要設(shè)備的容量都是按設(shè)計日確定的。然而，根據(jù)美國制冷協(xié)會標(biāo)準(zhǔn)ARI 880-56提供的數(shù)據(jù)，75%～100%的負荷率僅占空調(diào)全年總運行時間的10%。隨著《中華人民共和國節(jié)約能源法》的公布施行，空調(diào)系統(tǒng)節(jié)能日益受到廣泛重視。人們需要根據(jù)時刻變化的室內(nèi)外環(huán)境，在建筑物冷負荷預(yù)測的基礎(chǔ)上，對空調(diào)系統(tǒng)進行優(yōu)化和控制，以降低空調(diào)能耗。
在運用人工手段模仿人類智能行為的研究上有兩種主導(dǎo)思想，即結(jié)構(gòu)主義和功能主義。功能主義成了傳統(tǒng)人工智能理論的研究基礎(chǔ)。結(jié)構(gòu)主義從分析人腦神經(jīng)網(wǎng)絡(luò)的微觀結(jié)構(gòu)入手，抓住人腦結(jié)構(gòu)的主要特征，即簡單的非線性神經(jīng)元之間復(fù)雜而又靈活的連接關(guān)系，深刻揭示了人腦認識過程，創(chuàng)立了人工神經(jīng)網(wǎng)絡(luò)(ANN)的理論。
ANN的應(yīng)用已滲透到模式識別、圖象處理、非線性優(yōu)化、專家系統(tǒng)的各個領(lǐng)域，并取得了令人矚目的成果。在暖通空調(diào)（HVAC）中已有很多應(yīng)用[1]，如HVAC非線性計算[2]、空調(diào)負荷計算[3]、供暖系統(tǒng)運行的故障診斷等。負荷預(yù)測是冰蓄冷空調(diào)系統(tǒng)優(yōu)化和控制的前提，文獻[4]指出預(yù)測控制運行費用比冷機優(yōu)先減少13.5%。1990年，F(xiàn)errano將ANN負荷預(yù)測與實時專家系統(tǒng)結(jié)合用于邁阿密一幢建筑的冰蓄冷空調(diào)系統(tǒng)的負荷預(yù)測與優(yōu)化控制[5]。Kawashima指出了ANN的建模優(yōu)勢并采用ANN預(yù)測電耗、冷凍水負荷、熱水負荷及太陽輻射（Beam Solar Insolation）[6]。在1993年ASHRAE主辦的首屆建筑物能量預(yù)測競賽中，建筑物負荷預(yù)測方法的主要模型有回歸模型、時序模型（ARIMA、ARMA、AR、MA等）、 Kalman濾波模型、模糊集模型、ANN模型等。在對參賽選手的預(yù)測結(jié)果進行對比后，Kreider指出，為了達到更為精確的預(yù)測效果，傳統(tǒng)的統(tǒng)計方法將讓位于新的預(yù)測方法，如ANN[7] 。1995年，Kawashima在一個美日聯(lián)合項目中，采用相同的原始數(shù)據(jù)對比了7種不同的建筑物負荷預(yù)測模型（ARIMA、EWMA、LR等），結(jié)果顯示ANN模型最精確[8]。另外，由于ANN將相關(guān)信息存儲于神經(jīng)元間的連接權(quán)中，程序具有很好的可移植性。能適應(yīng)系統(tǒng)的變化，同一網(wǎng)絡(luò)幾乎不用修改便可以應(yīng)用于不同的建筑物。
2 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測建筑物空調(diào)負荷
2.1 建筑物描述
用于模擬的建筑物是西安地區(qū)一幢7層辦公樓，長×寬×高為39m×15m×25.2m。層高3.6m，建筑面積4095m2。外窗的寬×高為2.5m×2.0m，窗臺高度為0.8m。主要建筑構(gòu)件參數(shù)如下：
⑴外墻：構(gòu)件名稱為24磚墻_15_6，水泥沙漿（20mm）+重沙漿粘土（24磚墻，240mm）+多孔混凝土（70mm）+石灰沙漿（20mm），傳熱系數(shù)0.9986 W/（m2·K）；⑵內(nèi)墻：構(gòu)件名稱為18磚墻_1，水泥沙漿（20mm）+重沙漿粘土（18磚墻，180mm）+石灰沙漿（20mm）+瀝青礦棉板（50mm），傳熱系數(shù)0.7282W/（m2· K）；⑶屋頂：構(gòu)件名稱為加氣混凝土保溫屋面，水泥沙漿（20mm）+煙灰加氣混凝土（200mm）+鋼筋混凝土（120mm）+水泥沙漿（15mm），傳熱系數(shù)0.5385W/（m2·K）；⑷樓地：構(gòu)件名稱為40mm混凝土樓地，水泥沙漿（20mm）+碎石或卵石（40mm），傳熱系數(shù)3.6232W/（m2·K）；⑸樓板：構(gòu)件名稱為鋼筋混凝土樓板，水泥沙漿（25mm）+鋼筋混凝土（80mm）+水泥沙漿（20mm），傳熱系數(shù)0.7421W/（m2·K）；⑹門：構(gòu)件名稱為單層實體木制外門，門體材料松和云杉，厚度25.3mm，傳熱系數(shù)4.6421W/（m2·K）；⑺外窗：構(gòu)件名稱為單層鋼窗，3mm平板玻璃，無外遮陽和窗簾，透光比率0.8，傳熱系數(shù)6.2727W/（m2·K）。
2.2 動態(tài)負荷計算
動態(tài)負荷計算采用清華大學(xué)開發(fā)的DEST1.0。它是建立在隨機氣象模型、隨機室內(nèi)熱源模型和狀態(tài)空間建筑熱模型等基礎(chǔ)之上的，是經(jīng)過驗證的、可靠的建筑物模擬程序。
房間空調(diào)參數(shù)為溫度22～26℃，相對濕度30%～60%。計算中采用了程序中缺省經(jīng)驗參數(shù)：房間家具系數(shù)為1.0，垂直外表面對流換熱系數(shù)23.3 W/（m2·℃），垂直內(nèi)表面對流換熱系數(shù)3.5 W/（m2·℃）；水平朝上表面對流換熱系數(shù)4 W/（m2·℃）；水平朝下表面對流換熱系數(shù)1 W/（m2·℃）；表面吸收率0.55；表面黑度0.85。
室內(nèi)熱擾設(shè)定為人員密度0.2（人/m2）、照明20（W/ m2）、設(shè)備30（W/ m2），這些擾動根據(jù)建筑物實際情況按百分比逐時設(shè)定
辦公樓每天空調(diào)時間為08:00～17:00，無周末（如郵電、電信、銀行等部門）。其參考年4～9月的空調(diào)冷負荷如圖1。圖中沒有顯示晚上18:00至次日07:00的冷負荷，僅畫出了每日08:00至17:00的連續(xù)冷負荷圖。由于太陽輻射（水平面單位面積的總輻射）與建筑物冷負荷的關(guān)系極不規(guī)律(如圖2)，給采用普通預(yù)測方法造成了一定的困難。建筑熱環(huán)境在本質(zhì)上是個非線性系統(tǒng)，而人工神經(jīng)網(wǎng)絡(luò)的非編程、自適應(yīng)信息處理方式使它可以完成這一復(fù)雜的輸入/輸出映射。
2.3 BP網(wǎng)絡(luò)的輸入/輸出及其數(shù)據(jù)的預(yù)處理
網(wǎng)絡(luò)輸入層為7個，分別為：當(dāng)前時刻τ（08:00-17:00），τ時刻室外干球溫度(℃)，τ-1時刻室外干球溫度(℃)，τ-2時刻室外干球溫度(℃)，含濕量g/kg，τ時刻太陽輻射(W/m2)，τ-1時刻太陽輻射(W/m2)。輸入前1個或2個時刻的氣象參數(shù)是考慮了因物體熱容量而引起的冷負荷的時間延遲。隱含層神經(jīng)元個數(shù)的確定主要是憑經(jīng)驗，Kawashima指出隱含層可按照2n+1個選取（n為輸入層神經(jīng)元數(shù)） [6] ，本文取隱含層為20個。輸出層為1個，即建筑物逐時冷負荷。通過求和可以得到每日、每周的冷負荷預(yù)測值。Kreider指出在負荷預(yù)測中復(fù)雜的ANN拓撲結(jié)構(gòu)是不必要的[11]，因此本文按照BP算法編制了VB程序。
這些輸入?yún)?shù)可以通過逐時室外氣溫預(yù)測和逐時太陽輻射預(yù)測程序獲得。1995年Kawashima等采用天氣預(yù)報的、最低溫度和ASHRAE建議的形狀系數(shù)預(yù)測逐時環(huán)境溫度[4]。MacArthur等利用以前測量的環(huán)境溫度和當(dāng)?shù)貧庀笳绢A(yù)報、最低溫度預(yù)測未來溫度曲線[12]。Chen將預(yù)測環(huán)境溫度的算法分為辯識次日溫度波模式和預(yù)測溫度曲線兩個基本部分。他將太陽輻射強度分為10個級別，并給出了各級別的中值用于太陽輻射的預(yù)測。這些方法可以通過某種方式與建筑物冷負荷預(yù)測程序和優(yōu)化控制程序?qū)崿F(xiàn)集成。本文則直接采用參考年的氣象資料作為ANN的輸入。
在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段，需要對輸入數(shù)據(jù)和對應(yīng)的期望輸出值進行歸一化處理，把它們處理成0～1之間的數(shù)值。神經(jīng)網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)訓(xùn)練后，還要將得到的0～1之間的預(yù)測值還原為實際值。
3 結(jié)果分析和討論
為了提高ANN的預(yù)測精度并考慮到實際應(yīng)用中數(shù)據(jù)庫的擴展和維護，本文利用動態(tài)模擬的計算結(jié)果按月份對神經(jīng)網(wǎng)絡(luò)進行了訓(xùn)練。網(wǎng)絡(luò)采用每個月30（31）d，共2100（2170）個輸入數(shù)據(jù)，300（310）個逐時期望輸出冷負荷值，進行學(xué)習(xí)訓(xùn)練，結(jié)果見表1。其中δ為標(biāo)準(zhǔn)偏差、CV為偏差系數(shù)、EEP為期望偏差百分?jǐn)?shù)
對于網(wǎng)絡(luò)測試，考慮到數(shù)據(jù)的預(yù)處理和網(wǎng)絡(luò)訓(xùn)練集的完備性，本文利用7月份訓(xùn)練后的ANN對6月份全月的逐時負荷進行預(yù)測，以驗證程序的正確性。預(yù)測結(jié)果如下：標(biāo)準(zhǔn)偏差為21707.6W，偏差系數(shù)CV值為 6.11%，期望偏差百分?jǐn)?shù)EEP為4.64%，表明預(yù)測值與計算值十分吻合。
利用8月份訓(xùn)練后的網(wǎng)絡(luò)對6、7月份的預(yù)測也得到了類似的結(jié)論，在國外文獻中，即使對于相同的訓(xùn)練數(shù)據(jù)，各種方法的預(yù)測結(jié)果也差別較大，方法間的優(yōu)劣比較是相對的，尚無關(guān)于預(yù)測結(jié)果絕對指標(biāo)定義。本文預(yù)測結(jié)果的各項指標(biāo)與國外文獻中ANN預(yù)測效果的指標(biāo)基本持平，說明本文的算法正確、結(jié)果可信。文中根據(jù)動態(tài)仿真程序的計算結(jié)果得出了上述結(jié)論，尚需在實際應(yīng)用取得實測數(shù)據(jù)后，進行進一步的驗證和改進。
4 結(jié)束語
采用人工神經(jīng)網(wǎng)絡(luò)可避免復(fù)雜的數(shù)據(jù)分析和建模工作，其非編程、自適應(yīng)的信息處理方式可完成復(fù)雜的輸入/輸出的非線性映射。將人工神經(jīng)網(wǎng)絡(luò)用于建筑物空調(diào)冷負荷預(yù)測，結(jié)果顯示它具有可靠的精度。本文中采用的ANN方法有待于在實際應(yīng)用中進一步的檢驗和改進。該方法對冰蓄冷系統(tǒng)的預(yù)測控制具有積極的意義。
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 冷負荷 負荷預(yù)測 參考年
1 前言
空調(diào)系統(tǒng)的設(shè)計前提是設(shè)計日的負荷分布，系統(tǒng)主要設(shè)備的容量都是按設(shè)計日確定的。然而，根據(jù)美國制冷協(xié)會標(biāo)準(zhǔn)ARI 880-56提供的數(shù)據(jù)，75%～100%的負荷率僅占空調(diào)全年總運行時間的10%。隨著《中華人民共和國節(jié)約能源法》的公布施行，空調(diào)系統(tǒng)節(jié)能日益受到廣泛重視。人們需要根據(jù)時刻變化的室內(nèi)外環(huán)境，在建筑物冷負荷預(yù)測的基礎(chǔ)上，對空調(diào)系統(tǒng)進行優(yōu)化和控制，以降低空調(diào)能耗。
在運用人工手段模仿人類智能行為的研究上有兩種主導(dǎo)思想，即結(jié)構(gòu)主義和功能主義。功能主義成了傳統(tǒng)人工智能理論的研究基礎(chǔ)。結(jié)構(gòu)主義從分析人腦神經(jīng)網(wǎng)絡(luò)的微觀結(jié)構(gòu)入手，抓住人腦結(jié)構(gòu)的主要特征，即簡單的非線性神經(jīng)元之間復(fù)雜而又靈活的連接關(guān)系，深刻揭示了人腦認識過程，創(chuàng)立了人工神經(jīng)網(wǎng)絡(luò)(ANN)的理論。
ANN的應(yīng)用已滲透到模式識別、圖象處理、非線性優(yōu)化、專家系統(tǒng)的各個領(lǐng)域，并取得了令人矚目的成果。在暖通空調(diào)（HVAC）中已有很多應(yīng)用[1]，如HVAC非線性計算[2]、空調(diào)負荷計算[3]、供暖系統(tǒng)運行的故障診斷等。負荷預(yù)測是冰蓄冷空調(diào)系統(tǒng)優(yōu)化和控制的前提，文獻[4]指出預(yù)測控制運行費用比冷機優(yōu)先減少13.5%。1990年，F(xiàn)errano將ANN負荷預(yù)測與實時專家系統(tǒng)結(jié)合用于邁阿密一幢建筑的冰蓄冷空調(diào)系統(tǒng)的負荷預(yù)測與優(yōu)化控制[5]。Kawashima指出了ANN的建模優(yōu)勢并采用ANN預(yù)測電耗、冷凍水負荷、熱水負荷及太陽輻射（Beam Solar Insolation）[6]。在1993年ASHRAE主辦的首屆建筑物能量預(yù)測競賽中，建筑物負荷預(yù)測方法的主要模型有回歸模型、時序模型（ARIMA、ARMA、AR、MA等）、 Kalman濾波模型、模糊集模型、ANN模型等。在對參賽選手的預(yù)測結(jié)果進行對比后，Kreider指出，為了達到更為精確的預(yù)測效果，傳統(tǒng)的統(tǒng)計方法將讓位于新的預(yù)測方法，如ANN[7] 。1995年，Kawashima在一個美日聯(lián)合項目中，采用相同的原始數(shù)據(jù)對比了7種不同的建筑物負荷預(yù)測模型（ARIMA、EWMA、LR等），結(jié)果顯示ANN模型最精確[8]。另外，由于ANN將相關(guān)信息存儲于神經(jīng)元間的連接權(quán)中，程序具有很好的可移植性。能適應(yīng)系統(tǒng)的變化，同一網(wǎng)絡(luò)幾乎不用修改便可以應(yīng)用于不同的建筑物。
2 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測建筑物空調(diào)負荷
2.1 建筑物描述
用于模擬的建筑物是西安地區(qū)一幢7層辦公樓，長×寬×高為39m×15m×25.2m。層高3.6m，建筑面積4095m2。外窗的寬×高為2.5m×2.0m，窗臺高度為0.8m。主要建筑構(gòu)件參數(shù)如下：
⑴外墻：構(gòu)件名稱為24磚墻_15_6，水泥沙漿（20mm）+重沙漿粘土（24磚墻，240mm）+多孔混凝土（70mm）+石灰沙漿（20mm），傳熱系數(shù)0.9986 W/（m2·K）；⑵內(nèi)墻：構(gòu)件名稱為18磚墻_1，水泥沙漿（20mm）+重沙漿粘土（18磚墻，180mm）+石灰沙漿（20mm）+瀝青礦棉板（50mm），傳熱系數(shù)0.7282W/（m2· K）；⑶屋頂：構(gòu)件名稱為加氣混凝土保溫屋面，水泥沙漿（20mm）+煙灰加氣混凝土（200mm）+鋼筋混凝土（120mm）+水泥沙漿（15mm），傳熱系數(shù)0.5385W/（m2·K）；⑷樓地：構(gòu)件名稱為40mm混凝土樓地，水泥沙漿（20mm）+碎石或卵石（40mm），傳熱系數(shù)3.6232W/（m2·K）；⑸樓板：構(gòu)件名稱為鋼筋混凝土樓板，水泥沙漿（25mm）+鋼筋混凝土（80mm）+水泥沙漿（20mm），傳熱系數(shù)0.7421W/（m2·K）；⑹門：構(gòu)件名稱為單層實體木制外門，門體材料松和云杉，厚度25.3mm，傳熱系數(shù)4.6421W/（m2·K）；⑺外窗：構(gòu)件名稱為單層鋼窗，3mm平板玻璃，無外遮陽和窗簾，透光比率0.8，傳熱系數(shù)6.2727W/（m2·K）。
2.2 動態(tài)負荷計算
動態(tài)負荷計算采用清華大學(xué)開發(fā)的DEST1.0。它是建立在隨機氣象模型、隨機室內(nèi)熱源模型和狀態(tài)空間建筑熱模型等基礎(chǔ)之上的，是經(jīng)過驗證的、可靠的建筑物模擬程序。
房間空調(diào)參數(shù)為溫度22～26℃，相對濕度30%～60%。計算中采用了程序中缺省經(jīng)驗參數(shù)：房間家具系數(shù)為1.0，垂直外表面對流換熱系數(shù)23.3 W/（m2·℃），垂直內(nèi)表面對流換熱系數(shù)3.5 W/（m2·℃）；水平朝上表面對流換熱系數(shù)4 W/（m2·℃）；水平朝下表面對流換熱系數(shù)1 W/（m2·℃）；表面吸收率0.55；表面黑度0.85。
室內(nèi)熱擾設(shè)定為人員密度0.2（人/m2）、照明20（W/ m2）、設(shè)備30（W/ m2），這些擾動根據(jù)建筑物實際情況按百分比逐時設(shè)定
辦公樓每天空調(diào)時間為08:00～17:00，無周末（如郵電、電信、銀行等部門）。其參考年4～9月的空調(diào)冷負荷如圖1。圖中沒有顯示晚上18:00至次日07:00的冷負荷，僅畫出了每日08:00至17:00的連續(xù)冷負荷圖。由于太陽輻射（水平面單位面積的總輻射）與建筑物冷負荷的關(guān)系極不規(guī)律(如圖2)，給采用普通預(yù)測方法造成了一定的困難。建筑熱環(huán)境在本質(zhì)上是個非線性系統(tǒng)，而人工神經(jīng)網(wǎng)絡(luò)的非編程、自適應(yīng)信息處理方式使它可以完成這一復(fù)雜的輸入/輸出映射。
2.3 BP網(wǎng)絡(luò)的輸入/輸出及其數(shù)據(jù)的預(yù)處理
網(wǎng)絡(luò)輸入層為7個，分別為：當(dāng)前時刻τ（08:00-17:00），τ時刻室外干球溫度(℃)，τ-1時刻室外干球溫度(℃)，τ-2時刻室外干球溫度(℃)，含濕量g/kg，τ時刻太陽輻射(W/m2)，τ-1時刻太陽輻射(W/m2)。輸入前1個或2個時刻的氣象參數(shù)是考慮了因物體熱容量而引起的冷負荷的時間延遲。隱含層神經(jīng)元個數(shù)的確定主要是憑經(jīng)驗，Kawashima指出隱含層可按照2n+1個選取（n為輸入層神經(jīng)元數(shù)） [6] ，本文取隱含層為20個。輸出層為1個，即建筑物逐時冷負荷。通過求和可以得到每日、每周的冷負荷預(yù)測值。Kreider指出在負荷預(yù)測中復(fù)雜的ANN拓撲結(jié)構(gòu)是不必要的[11]，因此本文按照BP算法編制了VB程序。
這些輸入?yún)?shù)可以通過逐時室外氣溫預(yù)測和逐時太陽輻射預(yù)測程序獲得。1995年Kawashima等采用天氣預(yù)報的、最低溫度和ASHRAE建議的形狀系數(shù)預(yù)測逐時環(huán)境溫度[4]。MacArthur等利用以前測量的環(huán)境溫度和當(dāng)?shù)貧庀笳绢A(yù)報、最低溫度預(yù)測未來溫度曲線[12]。Chen將預(yù)測環(huán)境溫度的算法分為辯識次日溫度波模式和預(yù)測溫度曲線兩個基本部分。他將太陽輻射強度分為10個級別，并給出了各級別的中值用于太陽輻射的預(yù)測。這些方法可以通過某種方式與建筑物冷負荷預(yù)測程序和優(yōu)化控制程序?qū)崿F(xiàn)集成。本文則直接采用參考年的氣象資料作為ANN的輸入。
在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段，需要對輸入數(shù)據(jù)和對應(yīng)的期望輸出值進行歸一化處理，把它們處理成0～1之間的數(shù)值。神經(jīng)網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)訓(xùn)練后，還要將得到的0～1之間的預(yù)測值還原為實際值。
3 結(jié)果分析和討論
為了提高ANN的預(yù)測精度并考慮到實際應(yīng)用中數(shù)據(jù)庫的擴展和維護，本文利用動態(tài)模擬的計算結(jié)果按月份對神經(jīng)網(wǎng)絡(luò)進行了訓(xùn)練。網(wǎng)絡(luò)采用每個月30（31）d，共2100（2170）個輸入數(shù)據(jù)，300（310）個逐時期望輸出冷負荷值，進行學(xué)習(xí)訓(xùn)練，結(jié)果見表1。其中δ為標(biāo)準(zhǔn)偏差、CV為偏差系數(shù)、EEP為期望偏差百分?jǐn)?shù)
對于網(wǎng)絡(luò)測試，考慮到數(shù)據(jù)的預(yù)處理和網(wǎng)絡(luò)訓(xùn)練集的完備性，本文利用7月份訓(xùn)練后的ANN對6月份全月的逐時負荷進行預(yù)測，以驗證程序的正確性。預(yù)測結(jié)果如下：標(biāo)準(zhǔn)偏差為21707.6W，偏差系數(shù)CV值為 6.11%，期望偏差百分?jǐn)?shù)EEP為4.64%，表明預(yù)測值與計算值十分吻合。
利用8月份訓(xùn)練后的網(wǎng)絡(luò)對6、7月份的預(yù)測也得到了類似的結(jié)論，在國外文獻中，即使對于相同的訓(xùn)練數(shù)據(jù)，各種方法的預(yù)測結(jié)果也差別較大，方法間的優(yōu)劣比較是相對的，尚無關(guān)于預(yù)測結(jié)果絕對指標(biāo)定義。本文預(yù)測結(jié)果的各項指標(biāo)與國外文獻中ANN預(yù)測效果的指標(biāo)基本持平，說明本文的算法正確、結(jié)果可信。文中根據(jù)動態(tài)仿真程序的計算結(jié)果得出了上述結(jié)論，尚需在實際應(yīng)用取得實測數(shù)據(jù)后，進行進一步的驗證和改進。
4 結(jié)束語
采用人工神經(jīng)網(wǎng)絡(luò)可避免復(fù)雜的數(shù)據(jù)分析和建模工作，其非編程、自適應(yīng)的信息處理方式可完成復(fù)雜的輸入/輸出的非線性映射。將人工神經(jīng)網(wǎng)絡(luò)用于建筑物空調(diào)冷負荷預(yù)測，結(jié)果顯示它具有可靠的精度。本文中采用的ANN方法有待于在實際應(yīng)用中進一步的檢驗和改進。該方法對冰蓄冷系統(tǒng)的預(yù)測控制具有積極的意義。