引言随着人口数量的增长，建筑能耗也随之增长。在建筑能耗中，空调方面的能耗占据2/3以上[1]。为了应对能源挑战，许多国家提出了自己的碳中和计划[2]。露点蒸发冷却空调不含压缩机和制冷剂，可以显著地降低建筑能耗，减少对环境的负面影响[3]。蒸发冷却空调分为直接蒸发冷却和间接蒸发冷却两种形式[4-5]。直接蒸发冷却空调中空气与水分直接接触，空调送风在降低温度的同时，还增加了湿度。间接蒸发冷却空调具有干湿两种通道，一次空气经过干通道等湿降温后送入室内。空调机组不能根据空调的设计参数预测实际运行效果，空调的制冷COP、送风温度等性能参数受多个变量的共同影响，传统实验测试受到很多因素限制，同时会增加能源消耗，因此需要更高效准确的方法预测空调性能。机器学习是一种有效方法[6]。ESRAFILIAN-NAJAFABADI[7]等通过机器学习对住宅建筑中的供暖通风和空调控制系统性能进行了预测。CHO[8]等通过机器学习对室内的综合环境进行了预测，根据室内温度、室内人口数量变化等因素预测环境中的CO2、PM2.5浓度等。NGOC-TRI[9]等使用机器学习方法对建筑物能耗进行了预测，并对机器学习模型进行了优化。ZHU[10]等采用多种机器学习方法对楼宇的负荷进行了预测。WANG[11]等总结分析了机器学习在建筑蓄能方面的应用。文中基于BP神经网络、随机森林两种方法，对露点蒸发冷却空调的性能参数进行学习预测，通过机器学习准确预测空调的性能。1机器学习方法1.1BP神经网络BP神经网络是按照误差逆向传播算法训练的神经网络，训练样本从输入层输入，经过隐藏层传到输出层，通过信号转换输出结果。若输出结果未能达到误差标准，则反向传播，通过修正各层连接中权重和阈值调节最终输出结果。整个BP神经网络训练中，不断重复上述过程，直至最终输出结果达到期望要求，或达到最大迭代次数[12]。BP神经网络的拓扑结构如图1所示。10.3969/j.issn.1004-7948.2024.01.016.F001图1BP神经网络拓扑结构文中研究露点蒸发冷却空调的性能预测，BP神经网络每层均采用Tansig函数，其表达式为：f(z)=tansig(z)=exp(z)-exp(-z)exp(z)+exp(-z) (1)1.2随机森林随机森林是一种集成学习算法，由决策树发展而来，其内部包含多棵决策树[13]。算法根据每棵决策树的分类进行投票或取平均后输出结果，具有更好的分类和回归性能。随机森林将决策树模型进行优化，可清晰地看到整个分裂过程，有效地解决了决策树的过拟合问题，更适合处理高维数据[14]。与其他机器学习方法相比，随机森林的学习速度更快。2机器学习设置与结果基于BP神经网络和随机森林方法对蒸发露点冷却空调的性能进行机器学习与预测，数据来自以前的研究工作[15]。将环境温度、相对湿度、空调回风速度、工作空气占比、干湿通道高度、干湿通道数量、换热器高度等7个参数作为输入变量，选取5种环境温度下的输入变量各1 000个数据作为原始数据，共5 000个，机器学习输入样本部分数据如表1所示。输出变量包括空调制冷量、制冷COP、露点效率、湿球效率。将4 900个数据作为训练集进行机器学习，100个数据作为测试集，不参与机器学习，使用学习后的模型对这100个数据进行预测，对比实际值和预测值，检验机器学习效果。10.3969/j.issn.1004-7948.2024.01.016.T001表1机器学习输入样本部分数据参数取值范围环境温度/℃25~40相对湿度0.1~0.8空调回风速度/(m/s)0.30~1.05工作空气占比0.1~0.9干湿通道高度/m0.004~0.008干湿通道数量/个100~200换热器高度/m0.8~3.02.1BP神经网络设置与结果BP神经网络将数据集分为训练集、验证集、测试集共3个部分：训练集为机器学习提供原始数据，在经过几次迭代的学习过程后，模型会使用验证集数据自我检测学习效果，可以在学习模型准确率不增长或增长缓慢的情况下进行参数调整，避免学习结束后才发现此类问题，属于机器学习的自我测试；测试集的数据不在机器学习的数据范围内，是用其来检验机器学习的最终效果。训练过程中需要对隐藏层的层数、隐藏节点数、学习率、动量因子等参数进行设置，并根据每一次训练结果进行调参。BP神经网络程序逻辑如图2所示。10.3969/j.issn.1004-7948.2024.01.016.F002图2BP神经网络程序逻辑将数据的70%作为训练集，15%作为验证集，15%作为测试集，设置2层隐藏层，每层的神经单元数为60，采用Tansig函数作为激活函数，并采用MSE进行误差分析。将100个测试集数据代入学习完成后的神经网络，进行预测。BP神经网络预测结果如图3所示。制冷量和制冷COP的预测值与实际值吻合良好，变化趋势与实际值趋于一致。露点效率和湿球效率的预测误差在环境温度较高时略大，但总体误差均小于2%，并未出现欠拟合和过拟合的问题，说明BP神经网络具有良好的预测能力，可以准确地预测空调性能。图3BP神经网络预测结果10.3969/j.issn.1004-7948.2024.01.016.F3a1（a）COP值10.3969/j.issn.1004-7948.2024.01.016.F3a2（b）制冷量10.3969/j.issn.1004-7948.2024.01.016.F3a3（c）湿球效率10.3969/j.issn.1004-7948.2024.01.016.F3a4（d）露点效率2.2随机森林设置与结果随机森林使用Matlab自带的TreeBagger算法，将算法的分类集成修改为回归算法进行机器学习，实现露点冷却空调的性能学习预测，随机森林程序逻辑如图4所示。10.3969/j.issn.1004-7948.2024.01.016.F004图4随机森林程序逻辑制冷量和制冷COP的数据变化幅度大导致机器学习结果误差偏大，需要对数据进行预处理；湿球效率和露点效率变化范围在0~1之间，变化幅度小，无须预处理，且训练速度更快。采取归一化方法进行数据预处理，将制冷量等数据映射为无量纲数据，范围在0~1之间，机器学习完成后，再将输出数据反归一化。随机森林预测结果如图5所示。湿球效率和露点效率的预测值与实际值基本一致，大部分误差在5%以内。在制冷量和制冷COP方面，几个数据点的误差略大，因为实际值随着工况变化有较大的浮动，虽然提前对数据进行了归一化处理，但仍无法适应数据中较大的数值变化，最大误差不超过10%。随机森林的机器学习达到了预期的效果。图5随机森林预测结果10.3969/j.issn.1004-7948.2024.01.016.F5a1（a）COP值10.3969/j.issn.1004-7948.2024.01.016.F5a2（b）制冷量10.3969/j.issn.1004-7948.2024.01.016.F5a3（c）湿球效率10.3969/j.issn.1004-7948.2024.01.016.F5a4（d）露点效率3机器学习结果讨论两种不同机器学习方法的效果在误差上有一定的差异，但总体拟合效果都基本满足性能预测要求，说明机器学习在露点蒸发冷却空调的性能预测上是可行的。3.1BP神经网络的机器学习分析BP神经网络训练具有正向传播和反向传播过程，正向传播计算完成后，若输出值不符合预期，则转入反向传播，将误差信号从连接神经元返回修改权值，不断重复达到误差预期。因此，BP神经网络经过不断调参最终都可以达到机器学习的预测效果，其隐藏层和每一层的神经节点数可任意设定，导致其结构复杂，学习速度较慢。随着数据集的增大，经过上千次的迭代才能达到预期效果。3.2随机森林机器学习分析随机森林由多棵决策树集合而成，采取分类的方式进行机器学习，最终将所有决策树的分类结果进行整合，投票输出学习结果。随机森林在大数据特别是高维数据的训练过程中，训练速度极快，泛化能力强，调参较为简单。随机森林采取有放回的抽样，有效地解决了决策树容易过拟合的问题，但有时会出现明显的错误分类，这时候需要人为干预进行剪枝操作[14]，将明显干扰机器学习的数据剔除。与BP神经网络相比，随机森林模型的复杂程度降低，但数据需要进行人为调整。相较于BP神经网络，随机森林预测效果略差。4结语将BP神经网络和随机森林用于建筑用露点蒸发冷却空调性能的机器学习，得出以下结论：神经网络的学习模型很复杂，需要长时间训练。与BP神经网络相比，随机森林的学习模型更简单，学习速度更快。BP神经网络的预测值与实际值的误差大多在2%以内，随机森林预测值和实际值的偏差大多在5%以内，但也有少数数据误差较大。随机森林对大幅度的数据变化处理能力还有待加强，而BP神经网络根据容差进行反向传播，通过训练结果的误差调整训练过程中的参数。因此，BP神经网络的训练可以达到更佳的预测效果，为露点蒸发冷却空调优化提供帮助，从而减少能源消耗。