1空调负荷预测及预测方法1.1时间序列法时间序列法是依据建筑运行历史数据序列综合预测未来发展趋势的方法，大量收集基础历史数据后，综合研判数据之间的波动变化关系，通过关系法则对未来数据进行预测[1]，也被称为时间序列趋势外推法。可以参照一定时间间隔测量和记录，在运行周期内记录一个有序的时间序列集合，利用负荷时间序列建立数据模型，属于趋势的预测过程。时间序列开发过程中，综合考虑的数据维度较少，尤其在非典型气象内，阶跃变化的历史数据会对记录结果产生较大干扰。因此，时间序列法仅适用于具有系统运行连续并且系统规律性较强、受其他干扰因素较小的系统。1.2回归分析法回归分析法是通过分析影响建筑负荷的变量，明确观察变量之间的变动情况及其相关变量之间的变化规律，以此为数据探究基础共同描述变量之间的回归方程[2]。根据探讨问题的体量，回归分析法可以区分为一元回归分析和多元回归分析。负荷预测多选用多元线性回归，适合描述短期季节性的模型预测，具体表征关系为：p=fx1+x2+x3+…+xn (1)式中：p——所要预测的负荷；x1、x2、x3——影响建筑负荷输出的关联因素；f——各个关联因素之间和预测变量之间的映射关系，其过程可以是线性关系也可以为非线性关系。除了重点探析R2的数据大小，多重共线性结果也是进行模型判别的重要参数，常使用VIF值、皮尔逊相关系数等作相关性分析的验证参数。1.3GredientBoost预测法GredientBoost预测法属于一种人工智能算法的应用，在空调负荷预测中具有良好的适用性。应用过程：定量输入模型参数，确定模型输入类型，对已有的负荷数据进行分类；负荷数据归一化处理，明确函数的基本类型；设定算法迭代计算次数，明确样本容量；开始进行算法迭代，通过不断训练建立负荷预测模型；以MAPE函数为评价函数，综合计算误差率；判定是否满足结束条件，满足结束条件则结束循环，并输出负荷数据及MAPE数值。对于符合预测过程而言，GredientBoost是一种适应中、大样本的轻量化学习方法，适用综合处理数据的过程。相较于传统的回归方法，不需要对数据进行简化处理，结合迭代学习率等即可计算，避免了维数灾难。利用GredientBoost的算法能够剔除冗余的样本数据，以更简单和便捷的方式决定数据的最后值，鲁棒性较好。但GredientBoost方法也存在明显短板，其难以对超小样本数据进行训练，仅适用于变化的季节性负荷预测或典型年负荷数据的预测过程。2PMV指标的建模和优化PMV基本原理较为复杂，其运算过程涵盖高阶计算以及非线性计算等过程。实际的调控过程需要综合计算室内温度、湿度等数值[3]，其计算过程较为耗费时间，导致空调的控制过程出现滞后现象。PMV理论不完全适用所有非稳态环境，在非稳态环境中的应用需要修正[4]。采用神经网络模型对处理非线性数学关系具有良好的拟合效果，只需要有足量的输入和输出数据，就能够实现完整的网络训练和拟合，其应用范畴属于黑箱预测过程。对于外界的突发情况以及各类不确定工况，也能够进行系统性考虑。控制系统通过神经网络法能够促进PMV指标的确立，PMV模型理论为：PMV=0.303×e-0.036M+0.028{(M-W)-3.05×10-35 733-6.99(M-W)-Pa-0.42[(M-W)-58.15]-1.7×10-5M5 867-Pa-0.001 4M34-ta-3.96×10-8fcltcl+2734-ts+2734-fclhctcl-ta (2)式中：W——人体所做机械功，W/s；Pa——人体周围空气水蒸气压力，Pa；ta——人体周围空气温度，℃；fcl——服装的表面系数；M——人体的新陈代谢量，W/s；ts——房间平均辐射温度，℃；tcl——人体外表面的温度，℃；hc——对流换热系数，W/(m2·℃)。通过系统性描述主要影响因素作为模型输入，结合神经网络数据集进行自我学习，在系统内部开展运算，实时不断更新内部权值与阈值，输出最终所需数值。（1）输入、输出神经元个数的选择。PMV值的相关因素输入为6个，输出变量为PMV数值1个。（2）隐层的确定。隐层神经元个数计算如下：K=∑i=0nCNi (3)m≥n+l+α (4)式中：K——神经网络训练输入样本总数；n——输入层神经元的个数；l——输出层神经元的个数；m——隐含层神经元的个数；α——常数。（3）训练样本的建立。训练样本的建立过程是直接决定神经网络计算过程准确度的关键所在，为了防止人为因素对计算结果的影响，可以考虑将输入变量的取值范围确定为一定区间内的随机数来用于模型训练和测试。3中央空调系统优化控制随着新技术和新算法的不断开发，国内外学者都针对空调控制系统的优化控制方法进行优化，参照应用效果可以划分为基于模型的综合控制方法和基于学习的控制方法[4]。从宏观的应用效果分析，模型化的计算方法是通过环境营造的动态建模过程而得出的具体策略，而基于学习的方法是在环境不断交互的过程中进行自我学习后得到的控制策略[5]。这两种方法都需要以环境热力学模型和空调系统内部模型为基础展开深度探究，而强化学习的控制方法能够通过环境的交互作用优化控制策略，降低了建模过程的复杂性。3.1混合算法优化MPC控制常规MPC控制器的控制原理如下：minu0,…,uNp-1,x0,…,xNp∑k=0Np-1xk-xref⊤Qxxk-xref+uk-uref⊤Quuk-uref+Δuk⊤QΔΔuk+xNp-xref⊤QxNpxNp-xrefxk+1=Axk+Buk , umin≤uk≤umaxxmin≤xk≤xmax , Δumin≤Δuk≤Δumaxu-1=u¯ , x0=x¯ (5)式中：xk+1——下一次k+1变量的调整值；A——调整x的比例常数；B——u的控制系数；uk——控制量。总算式通过最小化目标函数，经由期望目标值不断计算并控制u调整x搜索到最优参数组合，完成最终优化控制逻辑。在混合算法的干预下，能够对MPC控制进行优化，依据混合算法的优化性能指标寻找最优参数。混合算法优化MPC的控制原理如图1所示。10.3969/j.issn.1004-7948.2022.07.001.F001图1混合算法优化MPC原理根据参数测试结果，综合估计系统MPC的核心3个参数取值范围xk、uk、Δuk，通过随机算法产生相应的初始种群，并且将种群中的个体依次赋值给控制的xk、uk、t，根据图1的流程反复进行循环迭代判断，直到过程停止，选出最优的、符合系统运行性能参数的MPC参数。3.2模糊神经网络优化MPC控制模糊神经网络优化过程借鉴了传统的MPC和模糊设计控制过程，主要由MPC控制模块以及模糊神经网络优化模块两部分组成，采用两个模块并联优化的思想。在参数优化的过程中，不断训练模数神经网络来在线调节MPC参数，实现被控对象遇到突变边界条件时的自适应调整，使其具有更快的响应能力和控制效果。整体的系统结构原理如图2所示。10.3969/j.issn.1004-7948.2022.07.001.F002图2模糊神经网络优化MPC原理在迭代优化的过程中，通过性能指标函数引导模糊神经网络不断学习，使实际值能够最大限度接近设定值，保证控制结果和控制效果的稳定[6]。迭代优化过程具有以下特点：（1）控制速度快。能够在控制量不断变化的边界条件下快速达到系统设定的状态值。（2）抗干扰性强。在多种因素的干扰下，仍旧具备良好的抗干扰性，保证系统运行不紊乱，提升了整体环境的舒适性。（3）实现了多输入、多输出非线性系统控制。针对具有多重控制变量的强耦合系统，能够在不断滚动优化条件中，得出多个最优值，最终实现了系统整体的全局最优。分析已有的实际案例应用，相较于传统MPC控制过程，基于人工智能优化算法的系统控制在时间变量以及效果变量方面性能表现更好。通过更改实时的目标值，能够大幅度降低响应时间，降低了振荡频率和波幅，在抗干扰能力方面具有良好的应用效果。4负荷预测与智能化控制耦合目前的空调系统联动控制进程，需要综合室内负荷变化、人行为的调控以及室内热环境的需求，进行综合调节[7-8]。在中央空调系统变流量运行的过程中，水系统环路的供回水温差为定值，此时根据负荷预测的参数情况及时调控流量参数，即可保证设备稳定运行。预测下一时刻的负荷值与实际负荷之间的比值情况，综合调整水系统流量，减少了不可抗因素对空调系统的影响。控制原理结构如图3所示。10.3969/j.issn.1004-7948.2022.07.001.F003图3负荷模型耦合热舒适模型控制原理其中，TS是水系统中温差设定的固定参数，TP是水系统中传感器监测的温差实际值。传感器和控制器之间建立相关的联动关系，实时对水流量进行控制，以此达到所需的温差值。冷冻水系统和变送过程建立温度和流量数据的反馈关系，根据上一时刻的监测参数和所需的温差控制参数进行实时分析，得到温差参数ΔdetT。此时可以得到下一时刻的所需的温差参数为：detTt+1=detTt+ΔdetT (6)计算得到下一时刻温差detTt+1后，控制器及时进行参数设定，将耦合信息传递给控制器，使空调系统在下一时刻能够提供合适的冷量，有效应对空调系统受不可抗因素干扰出现的运行工况振荡现象。人工智能算法优化MPC的控制过程显著提升了中央空调系统的鲁棒性和稳定性，最大限度地保证了运行稳定，综合提升了系统运行效率和室内热舒适度，避免了能源浪费。5结语通过对空调负荷和系统控制的人工智能应用方法进行系统性分析和总结，明确了各类方法的应用要点和适用场景。随着人工智能算法研究的不断深入，更高效率的建模技术、更强的自适应能力、更包容的开放环境是未来空调运行负荷预测的发展方向，对实现更高水平的空调节能具有重要意义。