外文翻译-一个开放的办公室通过线性和非线性自回归神经网络模型预测空间温度和相对湿度.doc

一个开放的办公室通过线性和非线性自回归神经网络模型预测空间温度和相对湿度摘要:这项研究是一个有关于在现代建筑中的开放式办公室基于线性参数自回归模型与外部输入(ARX)和非线性自回归模型与外部输入(NNARX)的神经网络对温度和湿度的预测,用记录了3个月的内部和外部气候数据来构建模型和预测空间温度和相对湿度（对不同时间尺度要提前30分钟到3h）。为了比较不同，进一步的准确预测，要采用不同性能的条件,如拟合优度、均方误差、平均绝对错误并且要确定系数预测模型的输出量与实际测量量,并进行计算。NNARX模型,测试后的最优网络结构,随后是通过修剪使用最优外部采集策略的完全连接网络。结果证明，这两个模型都提供了相当好的预测但非线性NNARX模型优于线性ARX模型。这些模型都可以通过在暖通空调的植物改善室内空气质量来打造智能控制器,特别是自动化控制系统。关键词:黑盒自回归线性和非线性神经网络模型 建筑管理系统 房间温度和相对湿度 预测 最优的脑外科医生修剪算法PDF英文原件，下载后双击图标即可打开另存1 引言估计能源消耗室内环境质量和能量辐射可以解决使用两种不同类型的造型技术:物理或白盒造型,和数据驱动的黑盒模型。物理模型是基于使用能量和质量平衡积分微分方程,获得准确的模型与这种方法很好很有必要知道建筑的物理性质。这些知识属性可以影响暖通空调的设计和控制植物,当室内空气质量不佳,能源消耗增加。而另一方面,黑箱建模方法(没有知识物理系统的内部结构需要在这些模型是一种信息的数据挖掘技术提取的模型。数据挖掘的结果是黑色的箱数学模型,如线性和非线性模型可以近似系统之间的复杂关系输入(在本例中气象参数和致动器的延时操作的变量)和输出,如室温和相对的湿度。黑盒模型完全取决于实验数据,因此只能开发当数据是可用的。包括所有重要的变量是很重要的,影响建筑物的热行为和省略或无关紧要信息。太多的无关信息会增加网络培训,增加网络学习的负担。与物理模型、黑箱模型适应能力,通过改变它们的参数作为实际的函数性能,模型表现出1 - 4。由于缺乏知识,关于建筑的物理特性检查在这个研究中,黑箱数学模型为构建其热行为。有不同类型的黑盒线性和非线性模型。然而,在这个我们工作有兴趣只在黑盒线性参数自回归模型与外部输入(ARX)和神经网络非线性自回归模型与外部输入(NNARX)。许多研究人员应用黑盒(5 - 8)线性ARX等参数结构,自回归移动平均线与外部输入(ARMAX)、Box-Jenkins(BJ)和输出误差(OE)模型来预测房间温度和相对湿度不同的办公大楼,与天气条件和内部气候相关的数据收集特定时间(分别7天,36天,9个月和一年)。许多研究工作已经使用各种类型的黑盒人工神经网络(ANNs)预测室温和相对的湿度。例如,福斯特和彼得9使用一年的数据和一个NNARX模型来预测在办公室室温建筑,而卢和维尔加宁10记录30天在测试构建和使用一个室温NNARX模型来预测11日- 16日和相对湿度。过去研究4发现非线性模型(例如NNARX,FFBP和RBF)通常表现的更好比线性模型(例如ARX和ARMAX)在预测建筑的室温。线性参数模型相比,哪个可以用来估计物理模型的热参数17,这与非线性神经网络模型是不可能的。然而,神经网络非线性模型可以使用在模型开发验证和删除不重要的输入准备物理建模15。尽管过去的努力工作,在解决这些问题，还有造型问题没有分析。首先,过去的大多数研究工作主要处理室温预测。只有几个过去的研究是预测两个房间工作温度和相对湿度,如卢和维尔加宁10唯一一个非线性NNARX模型。基于以上研究,目前处理ARX的性能和NNARX工作模型在预测房间温度和相对湿度,他们也提出了比较分析。第二,比较获得的参数的数量最好的ARX和NNARX模型提出了,以前的研究工作没有。第三,长时间的数据采集(三个月的数据收集从一个真正的办公大楼),大多数过去的研究只使用短时间内的数据从实验大楼条件可以收集操纵。第四,二氧化碳浓度用于入住率的模型视为开放的办公室,而没有过去的研究工作(4-16)考虑到这个输入。相反,他们中的许多人在一天(工作或非工作天)中不同的时间使用建筑物的信息类型未被考虑占用(5 - 8)。这项研究的主要目的在本文报道探索发展的潜在模型离线空间温度和相对湿度的预测从获得的数据现有的建筑管理系统(BMS),因此,避免额外的仪器。在输入和输出数据收集之后,著名的模型识别包等系统识别工具箱线性参数模型和系统识别的神经网络工具箱(NNSYSID)中使用模式的发展。这些包以前使用的其他研究人员(9-19)在建筑领域的热行为预测。预测ARX的房间温度和相对湿度和NNARX模型可以利用在控制策略计算控制信号,如建筑物的温度和相对湿度,是基于预测控制变量的未来值。使用预测模型是常见的许多应用程序和这些被称为模型预测控制控制12。以往的研究工作,如托马斯和穆赫辛尼12,经常建议模型应该有良好的预测能力至少提前15 - 30分钟(所需的最小时间尺度所选模型用于空调系统的控制策略)。因此,如果新开发的模型具有良好的预测领先一步预测的能力值大于30分钟(例如,在卢和维尔加宁10,托马斯和穆赫辛尼经常和古德儿等人之前的时间规模分别8 h,1 h,45分钟和2 h ,提前3.5小时的获得目前的研究),这意味着这些模型的预测设备-密度比那些模型具有良好的预测质量时间尺度30分钟。因此,发展预测模型(基于建筑和真正的热行为HVAC植物)高阶预测之前,会导致建筑准确的自适应控制器,可能,反过来,导致大量的节约能源,改善室内环境质量和减少碳排放(3、4)。本文的组织结构如下:第二节介绍了签证构建和数据收集的BMS的过程。第三节专注于线性参数和ARX模型技术非线性神经网络NNARX模型,而第四节讨论步骤确定适当的ARX和NNARX模型,第五节介绍了模型的结果与讨论这些,第六节未来的工作提供一个结论和地址。2 签证的过程构建和数据的描述集合本研究主要探讨开放式办公室(房间)的位置签证的七楼建筑,位于伦敦(见图1)。办公室的设计包括三个4米长， 2米高的窗户在东南方面,和三个相同的西北一侧。其他双方(面向东北和西南)宽侧墙由14厘米， 39厘米长空心砖、他们不包含任何窗户。窗户/墙的关系每一方(东南部和西北部)是24/54 = 0.4。建设的取向是西北。总的来说,有三种空气处理单元(摘要)放置在建筑物的屋顶。大厦8层,打开办公室分析维度260平方米， 2.7米的身高和定位在7楼。空气处理单元(摘要)供应条件第六、第七和第八层和给空气流经下面的治疗:首先,来自不同的回风混合层来自外面的新鲜空气。这种混合的比例在内部和外部条件和由百时美施贵宝;其次,这种混合后,空气预热时通过通过加热线圈;第三,然后当它冷却下来通过冷却线圈。此外,作为的函数外面的价值相对湿度和房间的相对湿度置位点,空气在这个阶段可以加湿和除湿;第四,最后穿过的空气加热线圈可以加热的温度,取决于房间吗温度设定点。从摘要的空气内管的主要是通过二级管水平放置在天花板上每层楼,那里的空气穿过风机盘管机组(FCU)。那儿的总共三十个机组分布于整个7楼空间,每个FCU覆盖大约9平方米。通过这些足够对整个房间的空气加热或冷却 4摄氏度，来自摘要AHU。它们之间的距离和定位在7号楼是有限的,因为只有一层屋顶和7楼之间导管很孤立。因此,T的值和RH(TA和HA)相关的空气的摘要保持几乎不变的二级管放置在天花板上的7楼(因为能量的损失空气从摘要和的路上可以忽略不计)。最后,应该注意,热水和冷水分别通过加热和冷却线圈安装在摘要和相同加热和冷却的锅炉和冷水机组放置在这栋大楼的屋顶。这三个传感器,测量室温度、相对湿度和碳二氧化碳浓度定位,如图1所示。在一般情况下,室内空气质量的水平被控制的需求通风策略,利用二氧化碳浓度作为指标持续监测内入住率水平房间。图1 打开办公室的布局7楼确定模型的参数描述真正的建筑、房间温度和相对湿度的时间序列收集相关数据为2005年的夏季。收集的数据被划分成周,然后分析天(星期一-星期五)和周末。因为空调工厂关闭在星期六,星期天和在假日的时候。在工作日,晚上,空调系统与挫折,和摘要,锅炉和制冷机关闭,晚上挫折通常是BMS预定,这晚七点开始,终止于次日07:00。夜间是考虑的模型,这可以清楚的看到吗从图3和4在第五节,室温的价值高于其价值白天工作时间。所有输入输出然后预处理为零均值和方差。一般造型练习,采样周期由系统的反应速度(或时间常数)。过去研究人员如扬和安德伍德发达的以下步骤来确定采样频率:首先,适用每个输入信号的阶跃响应18。其次,找到主导时间常数(代表所花费的时间明显的阶跃响应总体变化达到63.21%3)。第三,采样频率必须的十分之一主导时间常数,这些步骤应用到每个输入信号,在目前的研究中发现主导时间常数订单的90分钟。因此,理论采样频率应该是十分之一的90分钟,对应9分钟。而这项研究,实际的采样频率是固定在5分钟。过去的研究人员(10、12、15、16),它是认识到模型的泛化预测的空间温度和相对的湿度在建筑需要许多输入信号以获得所需的精度。最重要的变量的影响室内气候直接连接到室外气候室外温度、太阳辐射、室外湿度,墙上温度和风力。其他变量连接到建筑内部的活动,如的人数,他们当前的活动,电力使用和通风流量数据在目前的工作包括:收集外部温度在摄氏度(C或摄氏度);相对湿度Ho在外面百分比(%),室温C;房间相对湿度 %;供应空气相对湿度在HA %(供应空气相对湿度和空气来自摘要和相关流经;送风温度锡箔C(供应空气温度与空气来自摘要和流动);供应空气流率R立方米/秒(立方米/秒)(送风空气流量与来自摘要和流经);冷冻水温度TCC(冷冻水,流在来自冷水机);C *热水温度(内流动的热水来自锅炉);房间二氧化碳浓度在ppm * cco2(比较)百万分。主要的假设模型的发展内部温度和相对湿度是直接影响通过外部温度变化和内部空气。这种假设连接到这一事实动态热响应时间的分钟影响主要由房间的能量平衡的空气3。因此,房间的热响应的织物是忽略其影响在室温的小时。电的影响部分设备考虑NNARX和ARX模型作为一个额外的热量增益之间交换的空气流动房间里和流动的冷却水循环里面冷却线圈放置和摘要。此外,加强上述假设关于内部得热房间入住率等因素,另一个变量称为二氧化碳浓度(一个合理的比例关系之间存在入住率和二氧化碳浓度3)添加到这种分析了室温和造型相对湿度。数据分析表明,正常工作一天有一个相关性入住率和二氧化碳浓度,其价值作为时间的函数总结如下:(1)在夜间的二氧化碳最小值的浓度500 ppm,(2)从上午9点大约11点其价值增加线性值700 ppm(更多的人继续抵达办公室),(3)11点到下午15:30其价值680之间仍然几乎不变和710 ppm(有小变化,但在办公室的人数仍然几乎不变),(4)从下午15:3021:00其价值降低大约线性降至500 ppm(人们继续离开办公室),(5)从晚上九点到上午9点第二天在500 ppm(没有占用它的值保持不变房间)。最后,在设计阶段,太阳辐射建设进行了分析,得出的结论是,获得热量这种来源小。这是因为建筑是在树荫下的时间(这是其他建筑包围的类似的高度),和伦敦的天气是多云的(从日常天气状况的分析发现在设计阶段)相同。房间的温度、相对湿度和二氧化碳浓度传感器放置在1.7米的高度地板上。没有其他传感器可以添加和现有的传感器的位置不能改变,接受,在这项研究中使用现有的传感器的数量有限,因为(1)温度、湿度和二氧化碳浓度不同区域的变化和(2)的一些调查好传感器位置在BMS进行安装可以忽略不计。3 ARX和NNARX模型结构在这项工作中,一个自回归线性参数和ARX模型基于神经网络的非线性自回归NNARX模型*选择(见图2)来预测室温和相对的湿度,因为他们的优势。ARX模型的优势(1、3、17):这是一个简单的结构(低数量的模型参数),很容易处理由于其潜在的连接物理模型参数;和易于使用的控制隐藏的神经元(2、14、19)。在神经网络结构,如NNARX模型中,过去的输入-输出数据输入到网络实现了抽头延迟线(TDL)。在这工作,房间吗温度Tr(t)和相对湿度人力资源(t)是模仿的NNARX模型具有以下一般形式的一个多步超前预测(y(t / NNARX)可以Tr(t)或Hr(t)(14、20、21):而线性ARX模型不能预测变量之间的非线性关系和精度高,不存在这个问题,神经网络等NNARX模型20-22。NNARX模型还有其他优势在复发性神经网络等Elman网络和前馈延时神经网络的反馈回路延迟输出(即神经网络有限脉冲响应)。它不太敏感的问题(长期依赖期望输出值在时间T取决于输入在时间T T),但他们也有很好的学习能力和概括*性能。ARX模型,预测y(t / ARX)(它可以室温Tr(t)或相对湿度Hr(t)(1、7、8)如下:*yt/= (t)ARX (1)(t) = y(t 1), . . . , y(t na), R(t nk1), . . . , R(tnk1 nb1)TA(t nk2), . . . , TA(t nk2 nb2), TC(t nk3), . . . , TC(t nk3 nb3)*HA(t nk4), . . . , HA(t nk4 nb4), HO(t nk5), . . . , HO(t nk5 nb5) (2)TH(t nk6), . . . , TH(t nk6 nb6), TO(t nk7), . . . , TO(t nk7 nb7)CCO2(t nk8), . . . , CCO2(t nk8 nb8), (t nk9), . . . , (t nk9 nb9)TT*ARX= a1, a2, . . . , ana, b1,1, b1,2 , . . . , b9,nb9 (3)*,t表示时间即时,na是相关的订单过去实际测量输出y(t1),y(tna);a1,a2,。,* *和b1、1、b1 2,。bnb9表示未知模型参数的系统;nb1,nb2,nb3, nb4,nb5,nb6,nb7and nb8are* * * *相关的订单输入(R,tc,*和cco2);nb9与输出相关的订单测量,如相对湿度或室温*作为输入信号。特别是,(tnk9)=人力资源管理(tnk9)当室温需要预测:y(t)= tr(t),和(tnk9)= Trm(tnk9)用于预测相对湿度:* y(t)=r(t);nk1,nk2,nk3,nk4,nk5,nk6,nk7,nk8and nk9are从输入到输出延迟(即采样的数量数据之前输入的变化影响输出);和向量(t) and ARX respectively包含的回归量输入模型和可调参数待定。注意开放式办公室的动态响应的影响主要由房间的能量平衡的空气(分钟)的顺序,可以使用线性或非线性时间延迟模型。(t)and ARX respectively包含的回归量输入模型和可调参数待定。注意开放式办公室的动态响应的影响主要由房间的能量平衡的空气(min的顺序乌特),可以使用线性或非线性时间延迟模型。 图2 NNARX神经网络结构模型和线性参数ARX模型预测室温Tr(t)和相对湿度人力资源(t),非线性神经网络NNARX模型用于三个躺人,一层,包括输入信号网络,一个隐藏的层使用双曲正切激活函数,一个-将与线性层激活函数(见图2)层和神经元连接组突触权重。过去的研究工作(10、13、14),以及这项研究的结果,证明了一个三层前馈神经网络任何函数近似只要有足够数量的藏-窝神经元。本文作为起点培训、隐层的最大数量是作为12(没有发现改善模型预测12以上神经元),然后在训练之后,为了避免过度拟合,修剪算法被称为最佳脑外科医生(突发)应用(有关更多信息,请参见第四节奥林匹克广播服务公司)定义的具体数量* g函数实现的神经网络;*数字隐藏的单位量和输入变量的数量;* * Wj,u代表权重向量;*隐藏神经元输出层;Wu,o代表矩阵*包含权重从外部输入;和Wj,o是偏见(解释为一个偏见根据重量输入1)隐藏的单位和夹紧输出层,分别;i(t)是包含向量* * ARX模型的解释变量;NNARX指定参数向量,其中包含所有的可调参数网络(即重量和偏见 Wj,o,Wo,u,Wu,o,Wj,o ),在我们研究中,傅作为双曲正切函数,Fjas线性函数和j = 1,因为只有一个输出预测(Tr(t)或Hr(t)为每个模拟,预测模型在方程式(1)和(4)一个领先一步预测模型,即Tr的值(t)和人力资源(t)在时间t + 1预计时间t,预测是通过使用当前测量在时间t(数据)和存储测量数据之前的时候瞬间(即t1、t2 t3。)。一旦这些人先一步模型使用训练数据训练,模型可用于提供几个领先一步预测。对于任何不可用数据多领先一步预测,先前预测的值是用来代替实际测量（1、2）。（4）4 步骤确定适当的ARX和NNARX模型确定适当的ARX的过程和NNARX模型从观察到的输入输出数据是基于选择最佳的线性ARX模型的性能,其中包括三个基本步骤:(1)输入-输出数据收集从测量(2)模型结构选择(火车与不同的订单和ARX延迟),(3)定义预测误差和模型验证,坐选择ARX模型和延迟的订单不同的值提供最佳的性能在预测室温和相对湿度和测试模型与一个新的数据集这不是在估计阶段使用。选中的订单和延迟ARX模型作为一个起点定义的最佳NNARX模型。从最优值模型订单和延迟线性ARX模型发现,和增加或减少它们的值的试验和错误的方法使用NNSYSID19,NNARX可以找到的最优值。类似于线性ARX模型,非线性NNARX的测试模型是一个新的数据集上执行过程中没有使用估计阶段。最后,重调的ARX和频率NNARX模型是由应用第二和第三步骤在每个工作日(即重调间隔5天)保持下列措施模型的性能(基于过去的研究工作(7、9、13),使用这些标准):(1)高值的拟合优度和确定系数;(2)减少拟合优度的可变性和系数确定从一个工作日到另一个(即关闭问题的拟合优度和确定系数工作日到另一个);(3)模型的性能低于一个预定义的阈值(G = 50%,r2 = 0.78),领先一步预测z值。训练集是一组匹配的输入和输出数据的使用为构建模型,通常是通过合适的适应参数ARX模型和突触权重NNARX(参数)对线性ARX模型。和NNARX模型训练阶段包括选择适合的标准(即基于预测误差方法),和一个迭代搜索找到的模型参数最小化的最终预测误差(消防工程)估计(之和的平方预测错误,见下面的Eq(5),估计* *参数向量(可以arg或NNARX),用于构建NNARX和ARX模型、收敛迷你的价值*麦斯的方差用E2(t),根据Akaike的最后预测误差理论、阻尼高斯牛顿迭代方法是生产全球推荐的基本选择*最小方差的E2(t)。选择的原因高斯牛顿法是它为一步法收敛二次函数(参见Ljung1的理论细节)。（5）在NNARX的发展模型中,参数计算使用反向传播(BP)训练算法,这是一个梯度下降算法。该算法迭代调整参数来减少实际之间的误差和预期的输出网络。它试图改善神经网络的性能,减少总误差,通过改变权重沿其梯度。在这工作,改善梯度下降方法,BP与使用BP算法。一般来说,500时代用于培训学习实验。这个数字被选中,是因为在大量的试验表明,预测结果数据通常不能进一步提高了使用超过500时代(1、2、20)。一旦完成培训NNARX模型的结构获得一个完全连接神经网络过度拟合成为另一个问题。过度拟合是指网络在训练阶段表现良好,但可能的泛化能力。为了避免过度拟合,阶段应用训练后观察修剪算法。这样的目的是为了消除参数在一次给最大的消防工程评估和减少然后调整其余参数。因此它可以被调查每个参数如何影响修剪后消防工程估算。NNARX模型与观察算法,可以省略许多不必要的参数,网络是没有的太复杂,导致过度拟合,最优网络结构的输入信号,参数和数量隐层的神经元获得（2、10、14）。第三步,选择最好的ARX和NNARX模型(模型的订单和预测室温和延迟)相对湿度,是基于两个条件称为预测误差(误差预测输出和实际测量计算),和模型验证。特别是,评估预测误差的均方误差(MSE)和平均绝对错误(MAE)测定(10、12、18)。（6）模型验证性能的措施,例如善良配合使用(G)。另外,不同模型的适用性通过评估确定系数(r2)获得通过线性回归预测结果的测量数据(这个系数衡量成功的适应是在解释数据的变化)(6、8、13、18)。 （7）表1 验证和预测误差为室温 步长Z验证标准预测误差 GR2MSEMAE612182430366121824预测使用NNARX1 1 2849074797173606759625056预测使用ARX 2 1 281846973586650520.98680.99180.95760.96220.92180.95740.90070.93670.84030.91580.780.81140.96410.97590.90650.93060.84140.89050.7840.7910.01620.05590.040.11930.07430.12610.12340.15530.13530.16730.16780.18260.02430.03360.07040.16230.11220.170.19990.40920.08030.10840.12490.17740.17430.21710.219623840.26310.28530.29950.30270.0920.1180.17330.22230.23330.3090.37450.4913表2 验证和预测误差相对湿度 步长Z验证标准预测误差 GR2MSEMAE61218243036612预测使用NNARX1 1 2869082877882757963725459预测使用ARX 2 1 2667150550.97990.98960.96760.98480.9520.97050.93570.95580.8790.91950.8130.8350.87380.94490.780.8150.0110.01640.01580.02640.03170.03850.04710.05030.06150.09590.12150.13410.05210.07380.11270.19340.06350.08060.08060.10920.12180.13460.15120.15710.17760.2450.27540.27890.12150.21770.2070.2931其中N是时间间隔的数量,分别是预测和平均的N对易建联的观察(即测量房间温度和相对湿度)。最好的ARX第五节礼物和NNARX模型预测的空间温度和相对的* * *湿度在夏季获得的MSE和MEA(见表1、2、4和5),输入信号的类型和数量,参数、订单延迟和隐藏的神经元(见表3)。5 结果与讨论尽管只有夏季提出了模拟结果这项研究,造型的秋冬季节也调查,和类似的结果,类似的之前的研究工作(7、10、12)在不同的领先一步被用来确定模型预测输出,这一节介绍了数据分析和模型开发的房间温度和相对湿度和ARX和结果NNARX模型提出了不同的领先一步的预测:z = 6、12、18、24、30和36(即对应于30分钟、1小时,1.5小时,2 h,分别为2.5小时和3 h),分析结果的线性ARX和非线性NNARX模型,揭示了图3 拟合优度和预测之间测量室温图4 拟合优度和预测之间测量相对湿度它们的性能在预测房间温度和相对湿度变化不同领先一步预测。在本研究中,领先一步的预测比z = 36人并不是因为模型的性能的拟合优度和确定系数低于上述预定义的阈值。表3 模型结构对房间的温度和相对湿度*模型 数量: 输入后修剪复合材料 * *输入 隐藏的 参数 神经元 室温*NNARX 1 1 2 9 (9) 4 (12) 14 (120) R(t 2), TA(t 2), HA(t 2), TC(t 2), TO(t 2), HO(t 2), CCO2(t 2), Hrm(t 2), Trm(t 1)ARX 2 1 2 10 10 R(t 2), TA(t 2), HA(t 2), TC(t 2), TO(t 2), HO(t 2), CCO2(t 2), Hrm(t 2), Trm(t 1), Trm(t 2) 相对湿度*NNARX 1 1 29 (9) 4 (12) 18 (120) R(t 2), TA(t 2), HA(t 2), TC(t 2), TO(t 2), HO(t 2), CCO2(t 2), Trm(t 2), Hrm(t 1)ARX 2 1 2 9 9 R(t 2), TA(t 2), HA(t 2), TC(t 2), TO(t 2), HO(t 2), CCO2(t 2), Trm(t 2), Hrm(t 1)表4 验证和预测误差对室温CCO2除外 步长Z验证标准预测误差 GR2MSEMAE61218243061218NNARX1 1 27075636957615155ARX 2 1 2*7379636754600.970.9880.920.96 0.9150.945 0.8360.903 0.7870.810.930.9630.890.9150.8150.8650.0550.0870.0730.1150.1180.1270.1320.1760.1450.1870.0650.0760.08550.1140.1750.2870.0850.1250.1670.2250.2140.2330.23450.27310.2860.3170.1350.210.2050.2850.2650.378 步长Z验证标准预测误差 GR2MSEMAE612182430366NNARX1 1 2*848780847579697459665155ARX 2 1 2*58650.9720.980.9580.9750.940.9550.9150.9320.840.890.7850.7960.840.920.0230.0310.0350.0480.0580.0700.0720.0860.0950.1570.1870.220.0750.100.0850.090.0950.120.1350.1570.170.1870.1960.2550.260.3870.180.28表5 验证和预测误差相对湿度CO2除外表6 比较现在和过去的研究之间结果的工作*现在和过去的研究工作验证标准预测误差 GR2MSEMAE研究现状Frausto and Pieters 9Lu and Viljanen 10Patil et al. 13研究现状Moreno et al. 6Mustafaraj et al. 7Frausto et al. 8Mohseni et al. 11Thomas and Mohseni 12研究现状Lu and Viljanen 10研究现状Mustafaraj et al. 7室温使用NNARX模型预测*509075-室温使用ARX模型预测*508450837089使用NNARX相对湿度的预测模型*5490-使用ARX相对湿度的预测模型*507152770.780.9918-0.870.9730.7840.97590.90560.94570.750.970.9030.9870.8130.9896-0.780.94490.740.950.01620.18260.01620.05330.02430.40920.0080.0570.0650.19970.0180.0710.0110.13410.73311.92420.05210.19340.914.20.08030.30270.08270.14610.0920.49130.070.270.100.25040.0650.110.06350.27890.25680.44450.12150.29310.451.55夏季的分析包括工作日之间2005年6月20日,09年9月,1366抽样数据(114 h,周一01:15周五晚7:00)被用于模型的发展在本赛季的工作日,和1366年抽样数据对于下面的工作日(114 h,01:15周一-周五晚7:00)不是在训练阶段被用于模型验证。经过一个精确的分析应用的基本步骤在第四节,订单和延迟发现在这个研究的范围模型,给予良好的预测性温度和湿度分别为Na= 12、nb1,nb2,nb3,nb4,nb5,nb6、nb7、nb8、nb9 = 1和nk1,nk2,nk3,nk4,nk5,nk6,nk7，nk8和nk9 = 2(即10分钟时间滞后)。订单和延迟ARX和NNARX模型作为ARX(na nb nk)和NNARX(na nb nk)分别为例,来简化他们的表现,他们以nb = 1,表示nk = 2和na = 12。最好的模型在本赛季获得空间温度和相对湿度是总结在表1和2显示的范围G、R2,MAE和MSE获得验证最好的模型在夏季的12个工作日。结果与模型相关性能低于预定义的阈值并不是这些表所示。模型的例子验证了工作日至2005年6月,介绍了无花果3和4， z = 12。ARX模型的结构*输入信号数量和参数如表3所示,而对于NNARX模型,输入信号的数量,隐藏的神经元和参数(括号)之间和之前显示后的应用观察修剪算法。与NNARX模型,奥林匹克广播服务公司修剪算法不是ARX模型和应用因此保持输入信号的数量和参数不变(没有使用括号)。此外,表4和表5房间温度和相对湿度的预测结果。当cco2浓度排除作为输入到最好的模型获得了夏天的季节,在表1和2。分析的结果可以概括整个夏天季节如下:总的来说,整个分析,获得的结果,包括* cco2浓度作为输入,比那些不包括这个输入模型发展(见表1、2、4和5进行比较)。在光突发交换修剪算法应用到NNARX模型相当数量的被移除不必要的参数在整个夏季(即85%)。此外,ARX模型中的参数的数量包括小于包括在NNARX模型(见表3)。比较结果的z = 6、12、18、24、30和36在G r2,MSE和梅揭示他们的恶化领先一步预测z数量增加(参见表1和2)。然而,3 h领先一步的结果仍为好预测的空间温度和相对湿度。不同NNARX模型,相关结果室温是类似于那些获得了相对的湿度、ARX模型与室温有关结果比获得了相对湿度(参见表1和2)。这是由于非线性包括在内在相对湿度扩散方程比非线性扩散方程包含在室温。因此,低质量预测模型当一个线性参数ARX模型用于预测相对湿度。结果说明在整个夏季ARX2 1 2和NNARX1 1 2模型选择预测的房间温度,提供良好的性能- 2 h和3 h一步前分别预测。ARX1 1 2和NNARX1 1 2给了很好的预测模型相对湿度总和碱基对的季节,和良好的性能1 h和3 h领先一步分别预测。最后,造型质量(G,r2,MSE和梅)本研究与其他已发表的研究结果尽管本文中的结果不能直接比较与他们因为不同建筑物使用(先前的研究主要使用实验和被动建筑),和天气条件,收集的数据量和百时美施贵宝在这些安装建筑也不同,获得的结果的比较研究(表1和2)的ARX和NNARX模型一些过去的研究结果,利用相同的模型,总结在表6。这一研究结果为室温预测和ARX NNARX模型相媲美可以在过去,而对相对湿度的预测ARX和NNARX模型获得更好的预测过去的作品（7、10）。6 结论和未来的工作在整个NNARX分析获得的结果模型比用ARX模型。因为房间温度和相对湿度控制通过非线性扩散方程3。因此,非线性神经网络NNARX比线性模型更合适ARX模型预测这两个变量。这是证明当cco2浓度(内部的一个迹象吸热)作为输入,模型的预测精度提高整个分析。在未来的研究中,进一步改进预测精度可以通过发达的模型输入信号包括:(1)“完整”的影响包括电子电气设备消费/功率测量在这些模型;(2)分析所产生的热量和湿度之间的关系占用(蒸腾),入住率的“完整”效应可以考虑。对流的PID控制器是唯一可靠的系统参数不改变太多。不过,作为操作空调系统不断变化的状况,由于很多因素,如天气、水的冷冻温度和入住率水平每天晚上从一季到下一季,系统出现高度非线性和时间变量。因此,即使对于一个空调系统,使用一组常数* PID参数可能不给最好的结果3,为了获得良好的控制性能,对流的PID参数应该调整,这是费时和依赖在工程师的经验。因此,改善控制暖通空调系统,新的控制器基于ARX开发和NNARX模型分别称为适应性和预测,可以被使用。以往的研究工作(2 - 4,12)这些共同发展小钓船主要分离部分的HVAC植物和有限的数据收集(几天)。因此,建议未来的研究工作是构建自适应控制器(也可以使用优化现有PID控制器的参数)和预测控制器是独立的(直接控制空调的植物没有对流的PID控制器的存在)。最后,对流的PID控制器相比,预测的安装和自适应控制器(基于真正的非线性热建筑和暖通空调植物)的行为现有BMS,进一步降低能源消费总量和提高室内空气质量。References1 L. Ljung, System Identication: Theory for User, Prentice-Hall, Upper Saddle,River, 1999.2 M. Norgaard, O. Rawn, N.K. Poulsen, L.K. Hansen, Neural Network for Modelingand Control of Dynamic Systems, Springer-Verlag, 2000.3 C.P. Underwood, HVAC Control Systems Modeling Analysis and Design, Taylor& Francis, 1999.4 A.E. Ruano, E.M. Crispim, E.Z.E. Coincecao, M.M.J.R. Lucio, Predictions of build-ings temperature using neural networks models, Energy and Buildings 38(2006) 682694.5 B.J. Boaventura Cunha, C. Couto, A.E. Ruano, Real time parameter estimationof dynamic temperature models for greenhouse environment control, ControlEngineering Practice 5 (10) (1997) 14731481.6 G.J. Moreno, M.T. Perea, R.C. Miranda, V.M. Guzm醤, G.H. Ruiz, Modellingtemperature in intelligent buildings by means of autoregressive models,Automation in Construction 16 (5) (2007) 713722.7 G. Mustafaraj, J. Chen, G. Lowry, Development of room temperature and relativehumidity linear parametric models for an open ofce using BMS data, Energyand Buildings 42 (2010) 348356.8 H.U. Frausto, J.G. Pieters, J.M. Deltour, Modelling greenhouse temperatureby means of auto regressive models, Biosystems Engineering 84 (2) (2003)147157.9 H.U. Frausto, J.G. Pieters, Modelling greenhouse temperature using systemidentication by means of neural networks, Neurocomputing 56 (2004)423428.10 T. Lu, M. Viljanen, Prediction of indoor temperature and relative humidity usingneural network models: model comparison, Neural Computing & Applications18 (2009) 345357.11 M.S. Mohseni, B. Thomas, P. Fahlen, Estimation of operative temperature inbuildings using articial neural networks, Energy and Buildings 38 (2006)635640.12 B. Thomas, M.S. Mohseni, Articial neural network models for indoor tem-perature prediction