人工智能技术在空调负荷计算中的应用初探

引言

在空调工程领域,空调负荷的计算是一项非常重要的工作,从某种角度来说,合理的空调负荷直接影响一个项目的顺利推进。正因为该项工作很重要,因此有必要探讨如何高效准确地计算空调负荷。在工程实践中,空调负荷的计算常采用两类方法:一是详细计算法,通常采用冷负荷系数法和谐波反应法,按每一个围护结构进行计算,并考虑人体、照明、设备等产生的负荷,对于夏季冷负荷,还需要逐时计算,工作量非常大;还有一个是估算法,通常利用面积指标进行估算。这两种方法各有优缺点,前者较准确,但效率不高;后者比较快捷,但面积指标往往没能考虑地域的影响,在一定程度上会影响精度。鉴于此,有必要探讨一种兼顾效率和精度的计算方法。

针对上述分析,本文尝试用人工智能技术建立了该问题的算法模型。由于空调负荷计算是一个实践性很强的工作,工程实践中有大量的既有数据可供参考,因此,可以发挥人工智能技术的学习功能,只要用于学习的初始数据足够多,学习模型和学习时间合理,是能够得到较理想的计算模型的。本文以成熟的BP人工神经网络为基础,利用一定数量的工程数据,对算法模型进行了学习训练,最终得到了较为合理的网络计算模型,并对该模型进行了仿真验证,结果表明,该模型对现有数据具有较高的拟合度,可以用来估算相关空调工程负荷。

1人工智能模型

人工智能技术是近几年发展起来的一种机器学习技术,其利用足够的原始数据,对机器进行反复训练,让机器具有一定的智能。这里以经典的BP人工神经网络为基础,建立算法模型。

1.1人工神经网络

人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学的基础上提出的,试图通过模拟大脑的工作方式进行信息处理。BP神经网络模型拓扑结构包括输入层、隐层和输出层,中间层可以是单层或多层。图1为一个典型的BP人工神经网络拓扑结构图,通过将已有数据代入该结构中进行学习训练,可得到满足一定精度要求的神经网络模型。训练完成后的人工神经网络可以用来拟合已知输入和输出的关系,也可以预测新数据的输出值。

针对空调负荷计算的特点,这里的输入层参数取3个,分别为热工分区、建筑类型和建筑面积,隐层取1层,输出层参数取1个,为空调最大冷负荷(热负荷的计算原理与此相同)。

1.2样本数据

本文选用了一些来自工程实践的数据作为网络训练原始数据,对相关数据做如下说明:

(1)热工分区:按照《民用建筑热工设计规范》(GB50176一2016),我国各类建筑按热工特性分为5个区,这里分别用数字代替,1对应严寒地区,2对应寒冷地区,3对应夏热冬冷地区,4对应夏热冬暖地区,5对应温和地区。

(2)建筑类型:用不同数字表示建筑类型,如1对应普通住宅,2对应办公楼,3对应医院病房,4对应教学楼等。

(3)建筑面积:可以是单体建筑,也可以是整个建筑群,用来反映项目的规模。

部分样本数据如表1所示。

1.3训练学习

BP人工神经网络的训练学习效果和隐层的确定有一定的关系,隐层的个数及每个隐层节点的个数往往通过反复试训练确定。本文经过试训练,确定了隐层数为1个,隐层节点选4个。

图2~图4为训练学习的效果图。

从图2~图4可以看出,随着训练次数的增多,神经网络的误差越来越小。本文以网络训练2000次的网络结构数据作为最终计算模型。该模型的基本参数如表2所示。

1.4仿真验证

以表1中的样本数据为对象进行仿真验证,为了体现出仿真效果,仿真计算长度及误差的数据均精确到小数点后四位,结果如表3所示。

从表3可以看出,经充分训练学习的神经网络计算模型具有较高的精确度,可以用来计算空调系统的最大冷负荷。

2工程应用

上述人工神经网络模型可以用来快速准确计算空调工程最大冷负荷,该模型还可以用在空调建设工程的许多环节。比如在项目前期,拟在某二线城市建设一个综合楼,已知该地区位于夏热冬暖地区,建筑性质为办公楼,拟实施的建筑面积为15000m2,要求对项目的空调冷负荷进行预测,以便于估算空调造价。这是一个典型的空调负荷计算问题,可以利用前面介绍的训练好的人工神经网络模型得到预测结果,如表4所示。

3结语

空调负荷的计算,直接影响项目进度和建设效果。由于工程实践中影响空调负荷的因素有很多,很难找到一个通用简洁的数学公式。本文介绍的人工神经网络模型,可以针对已有的样本数据进行训练学习,能够得到较高的仿真及预测精度,可以广泛应用在相关工程实践中。