CN102705957B - 办公建筑中央空调逐时冷负荷在线预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于室内温湿度参数的办公建筑中央空调逐时冷负荷在线预测方法，冷负荷预测过程中对室外气象参数、空调运行输入参数进行了时间序列预测，并利用上述数据建立空调冷负荷Online SVR动态预测模型，提前预测得到当日24小时的空调冷负荷，并利用前一日24小时的空调负荷实测值与预测值的残差序列进行补偿。本发明建立的空调冷负荷预测模型预测数据可靠性高，可用于预测单栋建筑或大区域范围内的办公建筑中央空调系统逐时冷负荷、中央空调系统的节能控制、空调能耗预测以及区域内的电力削峰等场合。

Description

办公建筑中央空调逐时冷负荷在线预测方法及系统

技术领域

本发明涉及中央空调冷负荷的预测方法及系统，特别涉及一种基于室内温湿度参数的办公建筑中央空调逐时冷负荷在线预测方法及系统。

背景技术

空调系统是建筑物中的能耗大户，空调冷负荷是引起夏季电力缺口的主要因素之一。现有的空调预测方法绝大多数用于设计阶段空调设备的选型，常用的方法是利用建筑负荷模拟计算软件，如清华大学的Dest软件，对空调冷负荷进行估算或采用典型气象年数据计算空调系统的逐时负荷，但是由于空调冷负荷受外界气象参数、室内温湿度参数、空调末端设备开启情况等因素影响较大，该方法难以用于空调系统的动态优化控制与节能运行。

此外，由于缺乏空调系统冷负荷、室内环境参数、室外环境参数等参数的在线检测手段，目前的空调冷负荷预测方法大多采用基于历史数据的离线预测，且历史数据较少，空调冷负荷预测精度不高，难以满足中央空调系统实时控制的应用需求。近年来多元回归分析法、时间序列分析法、人工神经网络法、支持向量机等非线性机器学习算法的出现为空调冷负荷在线预测奠定了基础。支持向量机在解决小样本、非线性及高维模式识别中表现出许多特有的优势。现有空调负荷大多采用普通离线支持向量机模型进行预测，普通离线支持向量回归模型（Support Vector Regression,简称SVR）训练是选取数据样本进行模型训练，利用训练出的模型再进行预测，新增样本时需要重新批量训练模型。

但是，由于空调负荷预测样本随时间不断增加，模型训练时间随着样本数量增加而增加，难以满足预测的实时性要求。在线支持向量回归模型（OnlineSupport Vector Regression,简称Online SVR）是随着在线数据的更新而不断进行训练、不断优化的过程，应用较多的在线训练算法就是增量训练算法和减量训练算法。

Online SVR算法流程主要包括Online SVR初始化训练、新增样本的增量训练、筛减样本的减量训练以及Online SVR预测输出四个步骤，Online SVR初始化训练包括数据预处理、Online SVR参数选择、确定初始化训练样本长度以及Online SVR模型初始化建模；新增样本的增量训练主要是当新加样本加入到当前训练集时，通过增量训练算法使得所有样本均满足KKT(Karush-Kuhn-Tucker)条件，从而实现各支持向量集、错误样本集及保留样本集的更新；筛减样本的减量训练是从训练样本中“遗忘”或者“舍弃”历史样本以控制数据集规模；Online SVR预测输出是利用增量减量训练后更新的模型和预测时刻的输入，预测输出值。

发明内容

为了克服现有技术的缺点与不足，本发明的目的在于提供一种办公建筑中央空调冷负荷在线预测方法，有效地实现了空调冷负荷的动态预测和准确预测，该方法可用于单栋办公建筑的水冷式中央空调冷负荷预测，也可用于大型办公建筑群的水冷式中央空调冷负荷预测。

本发明的另一目的在于提供实现上述方法的办公建筑中央空调冷负荷在线预测系统。

本发明的目的通过以下技术方案实现：

办公建筑中央空调逐时冷负荷在线预测方法，包括以下步骤：

（1）数据初始化：手动录入建筑空调房间面积、各空调房间内空调末端设备数量、功率和供冷面积，用于计算空调运行输入参数；为每个空调末端设备智能节点装置设置唯一编号；将输入参数预测值与实际值之间的残差初值置零，将输出参数的实际值与预测值残差初值置零；采集天数p的初值置零；

所述输入参数由室外气象参数及空调运行输入参数组成；所述室外气象参数由室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射组成；所述空调运行输入参数由室内平均温度、平均相对湿度、空调末端设备开启率组成；所述输出参数为空调冷负荷；

（2）令采集天数p=p+1，判断采集天数p是否满足p≥m，其中m由用户自行设定；

若否，进行第p天的输入参数的采集、处理与存储后，重复步骤（2）；

若是，判断采集天数p是否满足p>m，若不满足，进行步骤（3），若满足，则进行步骤（4）；

（3）进行以下步骤：

（3-1）令采集小时数n=1，在第1小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤：

（3-1-1）以第1～m-1天的输入参数的实际值为输入，以第1～m-1天的空调冷负荷的实际值为输出，进行空调负荷Online SVR模型初始化建模；

（3-1-2）利用第1～m-1天的输入参数的实际值进行输入参数时间序列Online SVR模型初始化建模，逐时预测第m天24小时的输入参数；

（3-1-3）利用步骤（3-1-1）及步骤（3-1-2）的结果，逐时预测第m天24小时的空调冷负荷；

（3-2）令采集小时数n=n+1；在第n小时内进行输入参数、输出参数的采集、处理与存储；

（3-3）判断n是否满足n=24，若否，重复步骤（3-2）～（3-3）；若是，进行步骤（5）；

（4）进行以下步骤：

（4-1）令采集小时数n=1，在第1小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤：

（4-1-1）利用第p-1天的输入参数的实际值、输出参数的实际值对当前的空调负荷Online SVR模型进行增量训练，利用第p-m+1天的输入参数的实际值、输出参数对当前的空调负荷Online SVR模型进行减量训练，得到更新后的空调负荷Online SVR模型；

（4-1-2）计算第p-1天六个输入参数的预测值与实际值之间的残差；

（4-1-3）利用第p-1天24小时的输入参数的实际值对当前的输入参数Online SVR模型进行增量训练，利用第p-m+1天的输入参数的实际值对输入参数Online SVR模型进行减量训练，更新输入参数Online SVR模型；

（4-1-4）利用步骤（4-1-3）更新后的输入参数Online SVR模型逐时预测第p天的24小时输入参数；

（4-1-5）计算第p-1天的空调冷负荷的预测值与实际值之间的残差；

（4-1-6）利用步骤（4-1-4）的结果及空调冷负荷Online SVR预测模型，逐时预测第p天的24小时的空调冷负荷；

（4-2）令采集小时数n=n+1；进行第n小时的输入参数、输出参数的采集、处理与存储；

（4-3）判断n是否满足n=24，若否，重复步骤（4-2）～（4-3）；若是，进行步骤（5）；

（5）检测是否有预测结束信号，若无，重复步骤（2）～（4）；若有，结束预测。

步骤（3-1-1）所述的以第1～m-1天的输入参数的实际值为输入，以第1～m-1天的空调冷负荷的实际值为输出，进行空调负荷Online SVR模型初始化建模，具体如下：

设Online SVR初始化模型为Y=f_onlineSVR[X]，则输入为

$X={\left[\begin{array}{cccc}{x}_{\mathrm{1,1}}\left(1\right)& x_{\mathrm{1,2}}\left(1\right)& ...& x_{\mathrm{1,6}}\left(1\right)\\ x_{\mathrm{1,1}}\left(2\right)& x_{\mathrm{1,2}}\left(2\right)& ...& x_{\mathrm{1,6}}\left(2\right)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_{\mathrm{1,1}}\left(24\right)& x_{\mathrm{1,2}}\left(24\right)& ...& x_{\mathrm{1,6}}\left(24\right)\\ x_{\mathrm{2,1}}\left(1\right)& x_{\mathrm{2,2}}\left(1\right)& ...& x_{\mathrm{2,6}}\left(1\right)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_{m-\mathrm{1,1}}\left(24\right)& x_{m-\mathrm{1,2}}\left(24\right)& ...& x_{m-\mathrm{1,6}}\left(24\right)\end{array}\right]}_{24\×m-24,6}$

输出为：

$Y={\left[\begin{array}{c}{y}_1\left(1\right)\\ y_1\left(2\right)\\ .\\ .\\ .\\ y_1\left(24\right)\\ y_2\left(1\right)\\ .\\ .\\ .\\ y_{m-1}\left(24\right)\end{array}\right]}_{24\×m-\mathrm{24,1}}$

其中，x_k,d(l)表示第k天的第l小时的第d个输入参数的实际值；其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率；l=1、2、3…24；k=1、2、3…m-1；

步骤（3-1-2）所述利用第1～m-1天的输入参数的实际值进行输入参数时间序列Online SVR模型初始化建模，逐时预测第m天24小时的输入参数，具体包括以下步骤：

（3-1-2-1）利用第1～m-1天的输入参数的实际值构造各输入参数的OnlineSVR时间序列；

（3-1-2-2）对步骤（3-1-2-1）得到的各输入参数的Online SVR时间序列进行重构，具体如下：

设定输入参数时间序列Online SVR模型的输入样本嵌入维数为D，其中D<24，则输入样本表示为：

${\left[\begin{array}{cccc}{x}_{1,d}\left(1\right)& x_{1,d}\left(2\right)& ...& x_{1,d}\left(D\right)\\ x_{1,d}\left(2\right)& x_{1,d}\left(3\right)& ...& x_{1,d}(D+1)\\ x_{1,d}\left(3\right)& x_{1,d}\left(4\right)& ...& x_{1,d}(D+2)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_{m-1,d}(22-D)& x_{m-1,d}(23-D)& ...& x_{m-1,d}\left(22\right)\\ x_{m-1,d}(23-D)& x_{m-1,d}(23-D+1)& ...& x_{m-1,d}\left(23\right)\end{array}\right]}_{24\&times;(m-1)-D,D}$

输出样本表示为：

${\left[\begin{array}{c}{x}_{1,d}(D+1)\\ x_{1,d}(D+2)\\ x_{1,d}(D+3)\\ .\\ .\\ .\\ x_{m-1,d}\left(23\right)\\ x_{m-1,d}\left(24\right)\end{array}\right]}_{24\&times;(m-1)-D,1}$

其中，x_k,d(l)表示第k天的第l小时的第d个输入参数的实际值；其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率；l=1、2、3…24；k=1、2、3…m-1；

（3-1-2-3）利用步骤（3-1-2-2）重构的各输入参数的Online SVR时间序列，对输入参数时间序列Online SVR模型f_{onlineSVRInput,d}进行初始化训练；

（3-1-2-4）预测第m天各输入参数24小时的逐时值：

利用步骤（3-1-2-3）得到的各输入参数的Online SVR时间序列初始化模型f_{onlineSVRInput,d}预测第m天各输入参数的24小时的逐时值，具体如下：

$\left[\begin{array}{c}{\hat{x}}_{m,d}\left(1\right)\\ {\hat{x}}_{m,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{m,d}\left(23\right)\\ {\hat{x}}_{m,d}\left(24\right)\end{array}\right]=f_{\mathrm{onlineSVRInput},d}\left({\left[\begin{array}{cccc}{x}_{m-1,d}(23-D)& ...& x_{m-1,d}\left(23\right)& x_{m-1,d}\left(24\right)\\ x_{m-1,d}(22-D)& ...& x_{m-1,d}\left(24\right)& {\hat{x}}_{m,d}\left(1\right)\\ .& & .& .\\ .& ...& .& .\\ .& & .& .\\ {\hat{x}}_{m,d}(22-D-1)& ...& {\hat{x}}_{m,d}\left(21\right)& {\hat{x}}_{m,d}\left(22\right)\\ {\hat{x}}_{m,d}(22-D)& ...& {\hat{x}}_{m,d}\left(22\right)& {\hat{x}}_{m,d}\left(23\right)\end{array}\right]}_{24,D}\right)$

其中

表示第m天的第l小时的第d个输入参数的预测值；其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率。

步骤（3-1-3）所述利用步骤（3-1-1）及步骤（3-1-2）的结果，逐时预测第m天24小时的空调冷负荷，具体为：

设空调冷负荷Online SVR初始化预测模型Y=f_onlineSVR[X]，则

输入为第m天24小时各输入参数预测值：

${\hat{X}}_m{=\begin{array}{c}\left[\begin{array}{cccccc}{\hat{x}}_{m,1}\left(1\right)& {\hat{x}}_{m,2}\left(1\right)& {\hat{x}}_{m,3}\left(1\right)& {\hat{x}}_{m,4}\left(1\right)& {\hat{x}}_{m,5}\left(1\right)& {\hat{x}}_{m,6}\left(1\right)\\ {\hat{x}}_{m,1}\left(2\right)& {\hat{x}}_{m,2}\left(2\right)& {\hat{x}}_{m,3}\left(2\right)& {\hat{x}}_{m,4}\left(2\right)& {\hat{x}}_{m,5}\left(2\right)& {\hat{x}}_{m,6}\left(2\right)\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ {\hat{x}}_{m,1}\left(24\right)& {\hat{x}}_{m,2}\left(24\right)& {\hat{x}}_{m,3}\left(24\right)& {\hat{x}}_{m,4}\left(24\right)& {\hat{x}}_{m,5}\left(24\right)& {\hat{x}}_{m,6}\left(24\right)\end{array}\right]\end{array}}_{\mathrm{24,6}}$

输出为第m天24小时空调冷负荷的预测值：

${\hat{Y}}_m\text{=}{\left[\begin{array}{c}{\hat{y}}_m\left(1\right)\\ {\hat{y}}_m\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_m\left(24\right)\end{array}\right]}_{\mathrm{24,1}}$

其中

为第m天第l小时的空调冷负荷的预测值，其中l=1、2、3…24。

步骤（4-1-3）所述利用第p-1天24小时的输入参数的实际值对当前的输入参数Online SVR模型进行增量训练，具体为：

设输入参数Online SVR模型为f_{onlineSVRInput,d}，f_Train函数为增量训练函数，利用下式对f_{onlineSVRInput,d}更新：

f_{onlineSVRInput,d}=f_Train(f_{onlineSVRInput,d},NewSampleX,NewSampleY)

其中，

$\mathrm{NewSampleX}=\left[\begin{array}{cccc}{x}_{p-2,d}(23-D)& ...& x_{p-2,d}\left(23\right)& x_{p-2,d}\left(24\right)\\ x_{p-2,d}(22-D)& ...& x_{p-2,d}\left(24\right)& x_{p-1,d}\left(1\right)\\ .& & .& .\\ .& ...& .& .\\ .& & .& .\\ x_{p-1,d}(22-D-1)& ...& x_{p-1,d}\left(21\right)& x_{p-1,d}\left(22\right)\\ x_{p-1,d}(22-D)& ...& x_{p-1,d}\left(22\right)& x_{p-1,d}\left(23\right)\end{array}\right]$

$\mathrm{NewSampleY}=\left[\begin{array}{c}{x}_{p-1,d}\left(1\right)\\ x_{p-1,d}\left(2\right)\\ .\\ .\\ .\\ x_{p-1,d}\left(23\right)\\ x_{p-1,d}\left(24\right)\end{array}\right]$

输入为未增量训练前的输入参数Online SVR模型f_{onlineSVRInput,d}、新样本输入变量NewSampleX以及新样本输出变量NewSampleY，输出为增量训练后的输入参数Online SVR模型f_{onlineSVRInput,d}。

步骤（4-1-3）所述利用第p-m+1天的输入参数的实际值对输入参数OnlineSVR模型进行减量训练，具体为：

筛选第p-m+1天的24小时各输入参数室外环境平均干球温度x_p-m+1,1(l)、室外环境平均相对湿度x_p-m+1,2(l)、室外环境平均太阳总辐射x_p-m+1,3(l)、建筑室内平均干球温度x_p-m+1,4(l)、建筑室内平均相对湿度x_p-m+1,5(l)、空调末端设备开启率x_p-m+1,6(l)进行重构，组成减量训练样本；

设输入参数Online SVR模型为f_{onlineSVRInput,d}，f_Forget函数为减量训练函数，利用下式对f_{onlineSVRInput,d}更新：

f_{onlineSVRInput,d}=f_Forget(f_{onlineSVRInput,d},SamplesIndexes)

其中，SamplesIndexes为减量训练样本的下标值，SamplesIndexes=1,2,…,24；

输入为未减量训练前的输入参数Online SVR模型f_{onlineSVRInput,d}、SamplesIndexes，输出为减量训练后的输入参数Online SVR模型f_{onlineSVRInput,d}。

步骤（4-1-4）所述利用步骤（4-1-3）更新后的输入参数Online SVR模型逐时预测第p天的24小时输入参数，具体为：

（4-1-4-1）利用下式计算输入参数的预测值：

$\left[\begin{array}{c}{\hat{x}}_{p,d}\left(1\right)\\ {\hat{x}}_{p,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{p,d}\left(23\right)\\ {\hat{x}}_{p,d}\left(24\right)\end{array}\right]=f_{\mathrm{onlineSVRInput},d}\left({\left[\begin{array}{cccc}{x}_{p-1,d}(23-D)& ...& x_{p-1,d}\left(23\right)& x_{p-1,d}\left(24\right)\\ x_{p-1,d}(22-D)& ...& x_{p-1,d}\left(24\right)& {\hat{x}}_{p,d}\left(1\right)\\ .& & .& .\\ .& ...& .& .\\ .& & .& .\\ {\hat{x}}_{p,d}(22-D-1)& ...& {\hat{x}}_{p,d}\left(21\right)& {\hat{x}}_{p,d}\left(22\right)\\ {\hat{x}}_{p,d}(22-D)& ...& {\hat{x}}_{p,d}\left(22\right)& {\hat{x}}_{p,d}\left(23\right)\end{array}\right]}_{24,D}\right)$

（4-1-4-2）利用下式修正步骤（4-1-4-1）得到的预测值：

$\left[\begin{array}{c}{\hat{x}}_{p,d}\left(1\right)\\ {\hat{x}}_{p,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{p,d}\left(23\right)\\ {\hat{x}}_{p,d}\left(24\right)\end{array}\right]=\begin{array}{c}\left[\begin{array}{c}{\hat{x}}_{p,d}\left(1\right)\\ {\hat{x}}_{p,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{p,d}\left(23\right)\\ {\hat{x}}_{p,d}\left(24\right)\end{array}\right]+\left[\begin{array}{c}{\mathrm{Errorx}}_d\left(1\right)\\ {\mathrm{Errorx}}_d\left(2\right)\\ .\\ .\\ .\\ {\mathrm{Errorx}}_d\left(23\right)\\ \mathrm{Error}{x}_d\left(24\right)\end{array}\right]\end{array}$

其中，f_{onlineSVRInput,d}为步骤（4-1-3）更新后的输入参数Online SVR模型；Errorx_d(l)为第p-1天输入参数的预测值与实际值之间的残差，其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率。

步骤（4-1-6）所述利用步骤（4-1-4）的结果及空调冷负荷Online SVR预测模型，逐时预测第p天的24小时的空调冷负荷，具体为：

（4-1-6-1）利用空调冷负荷Online SVR预测模型Y=f_onlineSVR[X]，逐时预测第p天的第l小时的空调冷负荷值，其中l=1、2、3…24：

${\hat{Y}}_p={\left[\begin{array}{c}{\hat{y}}_p\left(1\right)\\ {\hat{y}}_p\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_p\left(24\right)\end{array}\right]}_{\mathrm{24,1}}{\hat{X}}_p={\left[\begin{array}{cccccc}{\hat{x}}_{p,1}\left(1\right)& {\hat{x}}_{p,2}\left(1\right)& {\hat{x}}_{p,3}\left(1\right)& {\hat{x}}_{p,4}\left(1\right)& {\hat{x}}_{p,5}\left(1\right)& {\hat{x}}_{p,6}\left(1\right)\\ {\hat{x}}_{p,1}\left(2\right)& {\hat{x}}_{p,2}\left(2\right)& {\hat{x}}_{p,3}\left(2\right)& {\hat{x}}_{p,4}\left(2\right)& {\hat{x}}_{p,5}\left(2\right)& {\hat{x}}_{p,6}\left(2\right)\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ {\hat{x}}_{p,1}\left(24\right)& {\hat{x}}_{p,2}\left(24\right)& {\hat{x}}_{p,3}\left(24\right)& {\hat{x}}_{p,4}\left(24\right)& {\hat{x}}_{p,5}\left(24\right)& {\hat{x}}_{p,6}\left(24\right)\end{array}\right]}_{\mathrm{24,6}}$

（4-1-6-2）利用下式修正步骤（4-1-6-1）得到的预测值：

$\left[\begin{array}{c}{\hat{y}}_p\left(1\right)\\ {\hat{y}}_p\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_p\left(23\right)\\ {\hat{y}}_p\left(24\right)\end{array}\right]=\begin{array}{c}\left[\begin{array}{c}{\hat{y}}_p\left(1\right)\\ {\hat{y}}_p\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_p\left(23\right)\\ {\hat{y}}_p\left(24\right)\end{array}\right]+\left[\begin{array}{c}\mathrm{Errory}\left(1\right)\\ \mathrm{Errory}\left(2\right)\\ .\\ .\\ .\\ \mathrm{Errory}\left(23\right)\\ \mathrm{Errory}\left(24\right)\end{array}\right]\end{array}$

其中Errorx(l)为第p-1天空调冷负荷的预测值与实际值之间的残差；表示第p天第l小时的空调冷负荷预测值；其中l=1、2、3…24。

实现上述办公建筑中央空调逐时冷负荷在线预测方法的办公建筑中央空调逐时冷负荷在线预测系统，其特征在于，包括：

冷源数据采集系统，用于采集中央空调冷负荷值；包括冷源数据采集器、供水管温度传感器、回水管温度传感器、冷冻水流量计和冷源数据通讯模块，所述供水管温度传感器、回水管温度传感器、冷冻水流量计分别与冷源数据采集器连接；所述冷源数据采集器与冷源数据通讯模块连接；

空调末端设备智能节点装置，用于采集空调运行输入参数；

室外气象数据采集装置，用于采集室外气象参数；包括室外数据采集器、室外数据通讯模块、室外环境温度传感器、室外环境相对湿度传感器、太阳总辐射传感器，所述室外环境温度传感器、室外环境相对湿度传感器、太阳总辐射传感器分别与室外数据采集器连接，所述室外数据采集器与室外数据通讯模块连接；

数据中转服务器，用于接收、存储及上传冷源数据采集系统、空调末端设备智能节点装置、室外气象数据采集装置的在线监测数据，并接收来自空调负荷预测服务器的逐时空调冷负荷预测值；

空调冷负荷预测数据服务器，接收来自数据中转服务器上传的实时数据，对数据进行预处理，并预测空调冷负荷。

所述空调末端设备智能节点装置包括风机盘管智能节点装置和空调机组智能节点装置；

所述风机盘管智能节点装置包括风机盘管控制器、风机盘管温度传感器、风机盘管湿度传感、风机盘管采集器、风机盘管数据通讯模块；所述风机盘管控制器、风机盘管温度传感器、风机盘管湿度传感分别与风机盘管采集器连接；所述风机盘管采集器与风机盘管数据通讯模块连接；

所述空调末端设备智能节点装置为空调机组智能节点装置，包括空调机组数据采集器、空调机组控制器、回风口温度传感器、回风口湿度传感器及空调机组数据通讯模块，所述空调机组控制器、回风口温度传感器、回风口湿度传感器分别与空调机组数据采集器连接；所述空调机组数据采集器与空调机组数据通讯模块连接。

本发明考虑了室外环境参数、室内环境参数、末端设备开启状态等影响办公建筑空调冷负荷的重要因素：首先不断采集各类参数，对数据进行分析处理；当数据采集量满足负荷预测需求时，利用在线支持向量回归机算法（OnlineSVR），建立空调冷负荷与各输入参数的回归预测模型，然后根据各输入参数的历史数据预测当日24小时的各输入参数值，并利用空调冷负荷的预测模型预测当日24小时的空调冷负荷。同时，预测模型随着在线新样本的加入而不断动态更新。

与现有技术相比，本发明具有以下优点和有益效果：

1、本发明考虑了室外环境参数、室内环境参数、末端设备开启状态等影响办公建筑空调冷负荷的重要因素，极大的提高了负荷预测的精度。

2、本发明采用了Online SVR在线训练算法，模型随着在线数据的更新而不断进行训练、不断优化，提高了预测精度。

3、本发明可提前24小时预测当日的空调冷负荷，并对24小时的空调冷负荷预测值进行了修正补偿。

4、本发明同时提供了办公建筑中央空调逐时冷负荷在线预测系统，可以用于预测办公建筑中央空调系统的实时负荷，也可用于预测中央空调系统运行周期内的逐时负荷、中央空调系统的节能控制、空调能耗预测以及大范围区域电力削峰等场合。

附图说明

图1为办公建筑中央空调逐时冷负荷在线预测系统的整体框架图。

图2为冷源数据采集系统结构原理图。

图3为风机盘管智能节点装置的结构原理图。

图4为空调机组智能节点装置的结构原理图。

图5为室外气象数据采集装置结构原理图。

图6为办公建筑中央空调逐时冷负荷在线预测方法的流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，本实施例的办公建筑中央空调逐时冷负荷在线预测系统，包括冷源数据采集系统1、多个空调末端设备智能节点装置2、室外气象数据采集装置3、数据中转服务器4、空调冷负荷预测数据服务器5和远程客户端6；空调末端设备智能节点装置包括风机盘管智能节点装置和空调机组智能节点装置；

如图2所示，冷源数据采集系统用于采集中央空调冷负荷值；冷源数据采集系统包括冷源数据采集器、供水管温度传感器、回水管温度传感器、冷冻水流量计和冷源数据通讯模块，所述供水管温度传感器、回水管温度传感器、冷冻水流量计分别与冷源数据采集器连接；所述冷源数据采集器与冷源数据通讯模块连接。其中冷源数据采集器上设有AI端口和数据端口，3个AI端口（AI-1、AI-2、AI-3）分别与供水管温度传感器、回水管温度传感器和冷冻水流量计连接；数据通讯模块一端与冷源数据采集器的数据端口连接，另一端外接数据传输线路。通过冷源数据采集系统1可以实时采集当前时刻的冷冻水供水温度、冷冻水回水温度及冷冻水流量。

如图3所示，风机盘管智能节点装置，用于采集空调运行输入参数；风机盘管智能节点装置包括风机盘管控制器、风机盘管温度传感器、风机盘管湿度传感、风机盘管采集器、风机盘管数据通讯模块；所述风机盘管控制器、风机盘管温度传感器、风机盘管湿度传感分别与风机盘管采集器连接；所述风机盘管采集器与风机盘管数据通讯模块连接。其中，风机盘管控制器设有AI端口、DO端口和数据端口，风机盘管控制器通过2个AI端口（AI-1、AI-2）分别与温度传感器及湿度传感器连接，通过4个DO端口（DO-1、DO-2、DO-3、DO-4）分别与4个继电器(P1、P2、P3、P4)线圈相连，4个继电器的辅助触点分别与电磁阀、三速风机的高速、中速、低速档对应的端子连接，风机盘管控制器通过数据端口与数据通讯模块相连，数据通讯模块的另一端与数据传输线路连接。通过风机盘管智能节点装置可以实时采集室内温度、湿度及风机盘管的开关状态。所述的风机盘管的开关状态由以下过程进行判断：当检测到风机盘管的高速、中速或低速继电器中有一个闭合时，认为风机盘管开启。

如图4所示，空调机组智能节点装置，包括空调机组数据采集器、空调机组控制器、回风口温度传感器、回风口湿度传感器及空调机组数据通讯模块，所述空调机组控制器、回风口温度传感器、回风口湿度传感器分别与空调机组数据采集器连接；所述空调机组数据采集器与空调机组数据通讯模块连接。

如图5所示，室外气象数据采集装置包括室外数据采集器、室外数据通讯模块、室外环境温度传感器、室外环境相对湿度传感器、太阳总辐射传感器，所述室外环境温度传感器、室外环境相对湿度传感器、太阳总辐射传感器分别与室外数据采集器连接，所述室外数据采集器与室外数据通讯模块连接。其中，数据采集器设有室外环境温度传感器、室外环境相对湿度传感器及太阳总辐射传感器3个传感器的连接端口，通过数据采集器的RS232输出端连接无线传输模块，无线模块接收到采集器发出的信号后，通过网络连接到空调负荷预测服务器，服务器接收到有效数据后存储到数据库内，再用微机可以实时访问服务器。

数据中转服务器4，用于接收、存储及上传冷源数据采集系统、空调末端设备智能节点装置、室外气象数据采集装置的在线监测数据，并接收来自空调负荷预测服务器的逐时空调冷负荷预测值；为远程监控计算机提供中央空调冷负荷预测数据。

空调冷负荷预测数据服务器5，接收来自数据中转服务器上传的实时数据，对数据进行预处理，并预测空调冷负荷。

远程客户端6，用于实现对本发明的系统的远程操控。

如图6所示，上述系统的办公建筑中央空调逐时冷负荷在线预测方法，包括以下步骤：

（1）数据初始化：手动录入建筑空调房间面积、各空调房间内空调末端设备数量、功率和供冷面积，用于计算空调运行输入参数；为每个空调末端设备智能节点装置设置唯一编号；将六输入参数预测值与实际值之间的残差初值置零，将空调冷负荷实际值与预测值残差初值置零；采集天数p的初值置零；

所述输入参数由室外气象参数及空调运行输入参数组成；所述室外气象参数由室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射组成；所述空调运行输入参数由室内平均温度、平均相对湿度、空调末端设备开启率组成；输出参数为空调冷负荷；

（2）令采集天数p=p+1，判断采集天数p是否满足p≥m，其中m由用户自行设定；

若否，进行第p天的输入参数的采集、处理与存储后，重复步骤（2）；

若是，判断采集天数p是否满足p>m，若不满足，进行步骤（3），若满足，则进行步骤（4）；

输入参数的采集具体为：采集周期为T₁，T₁取值可为3分钟、5分钟、10分钟等参数，60分钟除以T₁为整数，即1小时可采集q次，q=60/T₁。

输入参数的处理、存储过程为：计算各个小时的空调冷负荷、建筑物内空调开启房间的平均干球温度和平均相对湿度、空调末端设备加权开启率、室外环境平均干球温度、室外环境平均相对湿度及室外环境平均太阳总辐射；将空调冷负荷、建筑物室内平均干球温度和平均相对湿度、空调末端设备加权开启率、室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射等数据进行归一化处理；将归一化数据存储到空调冷负荷预测服务器；

设第p天第l小时的空调冷负荷Y_p(l)、室外环境干球温度x_p,1(l)，室外环境相对湿度x_p,2(l)，室外环境太阳总辐射x_p,3(l)，建筑空调开启房间的室内平均干球温度x_p,4(l)及平均相对湿度x_p,5(l)、空调末端设备加权开启率x_p,6(l)，则计算过程具体为：

a）计算第p天第l小时内建筑中央空调系统的平均冷负荷Y_p(l)：

$Y_p\left(l\right)=\frac{\underset{s=1}{\overset{q}{\mathrm{\&Sigma;}}}\left\{\right[C_w\&times;[t_{c2}\left(s\right)-t_{c1}\left(s\right)]{\&times;q}_w\left(s\right)\left]{\&times;T}_1\right\}}{60}---\left(1\right)$

式中，C_w：水的定压比热，kJ/kg·℃；

q_w(s)：第l小时内第s个采样周期冷源数据采集系统采集的冷冻水质量流量，kg/s；

t_c1(s)：第l小时内第s个采样周期冷源数据采集系统采集的冷冻水供水温度，℃；

t_c2(s)：第l小时内第s个采样周期冷源数据采集系统采集的冷冻水回水温度，℃。

（b）计算第p天第l小时内室外环境平均干球温度x_p,1(l)：

$x_{p,1}\left(l\right)=\frac{\underset{s=1}{\overset{q}{\mathrm{\&Sigma;}}}{T}_d\left(s\right)}{q}---\left(2\right)$

T_d(s)：第l小时内第s个采样周期室外气象数据采集装置采集的室外环境干球温度，℃。

（c）计算第p天第l小时内室外环境平均相对湿度x_p,2(l)：

$x_{p,2}\left(l\right)=\frac{\underset{s=1}{\overset{q}{\mathrm{\&Sigma;}}}\mathrm{RH}\left(s\right)}{q}---\left(3\right)$

RH(s)：第l小时内第s个采样周期室外气象数据采集装置采集的室外环境相对湿度，%。

（d）计算第p天第l小时室外环境平均太阳总辐射x_p,3(l)：

$x_{p,3}\left(l\right)=\frac{\underset{s=1}{\overset{q}{\mathrm{\&Sigma;}}}S\left(s\right)}{q}---\left(4\right)$

S(s)：第l小时内第s个采样周期室外气象数据采集装置采集的太阳总辐射，mwh/cm²。

（e）计算第p天第l小时内建筑空调开启房间的室内平均干球温度x_p,4(l)：

$x_{p,4}\left(l\right)=\frac{\underset{s=1}{\overset{q}{\mathrm{\&Sigma;}}}\frac{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n_i}{\mathrm{\&Sigma;}}}{A}_{\mathrm{ij}}{S}_{\mathrm{ij}}\left(s\right)t_{\mathrm{ij}}\left(s\right)}{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n_i}{\mathrm{\&Sigma;}}}{A}_{\mathrm{ij}}{S}_{\mathrm{ij}}\left(s\right)}\&times;T_1}{60}---\left(5\right)$

式中：i：安装有空调末端设备的建筑房间序号；

l:安装有空调末端设备的建筑房间总数，个；

j：建筑房间内空调末端设备的序号；

n_i：第i个房间内空调末端设备的总数，个；

A_ij：第i个房间第j个空调末端设备的供冷面积，m²；

S_ij(s)：第l小时内第s个采样周期采样周期内第i个房间第j个空调末端设备的开关状态，1为开启状态，0为关闭状态；

t_ij(s)：第l小时内第s个采样周期第i个房间第j个空调末端智能控制装置检测的温度，℃；

（f）计算第p天第l小时内建筑空调开启房间的室内平均相对湿度x_p,5(l)：

$x_{p,5}\left(l\right)=\frac{\underset{s=1}{\overset{q}{\mathrm{\&Sigma;}}}\frac{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n_i}{\mathrm{\&Sigma;}}}{A}_{\mathrm{ij}}{S}_{\mathrm{ij}}\left(s\right)U_{\mathrm{ij}}\left(s\right)}{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n_i}{\mathrm{\&Sigma;}}}{A}_{\mathrm{ij}}{S}_{\mathrm{ij}}\left(s\right)}\&times;T_1}{60}---\left(6\right)$

式中：U_ij(s)：第l小时内第s个采样周期第i个房间第j个空调末端设备智能节点装置检测的室内相对湿度，%；

（d）计算第p天第l小时建筑空调末端设备平均加权开启率x_p,6(l)：

$x_{p,6}\left(l\right)=\frac{\underset{s=1}{\overset{q}{\mathrm{\&Sigma;}}}(\frac{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n_i}{\mathrm{\&Sigma;}}}{S}_{\mathrm{ij}}\left(s\right)P_{\mathrm{ij}}}{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n_i}{\mathrm{\&Sigma;}}}{P}_{\mathrm{ij}}}\&times;T_1)}{60}---\left(7\right)$

式中，S_ij(s)：第l小时内第s个采样周期第i个房间第j个空调末端设备的开关状态，1为开启状态，0为关闭状态；

P_ij：第i个房间第j个空调末端设备的功率。

步骤①、②及③所涉及的数据归一化处理方法可采用如下方法将数据处理至[-1,1]：

$y=\frac{2\left({x-x}_{\min }\right)}{(x_{\max }-x_{\min })}-1---\left(8\right)$

式中x：数据属性向量中的数据属性值；

x_min：数据属性向量中的最小值；

x_max：数据属性向量中的最大值；

y：归一化处理后的数据属性值。

（3）进行以下步骤：

（3-1）令采集小时数n=1，在第1小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤：

（3-1-1）以第1～m-1天的输入参数的实际值为输入，以第1～m-1天的空调冷负荷的实际值为输出，进行空调负荷Online SVR模型初始化建模，具体为：

Online SVR模型为Y=f_onlineSVR[X]，输入为

$X={\left[\begin{array}{cccc}{x}_{\mathrm{1,1}}\left(1\right)& x_{\mathrm{1,2}}\left(1\right)& ...& x_{\mathrm{1,6}}\left(1\right)\\ x_{\mathrm{1,1}}\left(2\right)& x_{\mathrm{1,2}}\left(2\right)& ...& x_{\mathrm{1,6}}\left(2\right)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_{\mathrm{1,1}}\left(24\right)& x_{\mathrm{1,2}}\left(24\right)& ...& x_{\mathrm{1,6}}\left(24\right)\\ x_{\mathrm{2,1}}\left(1\right)& x_{\mathrm{2,2}}\left(1\right)& ...& x_{\mathrm{2,6}}\left(1\right)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_{m-\mathrm{1,1}}\left(24\right)& x_{m-\mathrm{1,2}}\left(24\right)& ...& x_{m-\mathrm{1,6}}\left(24\right)\end{array}\right]}_{24\&times;m-24,6}$

输出为：

$Y={\left[\begin{array}{c}{y}_1\left(1\right)\\ y_1\left(2\right)\\ .\\ .\\ .\\ y_1\left(24\right)\\ y_2\left(1\right)\\ .\\ .\\ .\\ y_{m-1}\left(24\right)\end{array}\right]}_{24\&times;m-\mathrm{24,1}}$

其中，x_k,d(l)表示第k天的第l小时的第d个输入参数实际值；其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率；l=1、2、3…24；k=1、2、3…m-1；

（3-1-2）利用第1～m-1天的输入参数的实际值进行输入参数时间序列Online SVR模型初始化建模，逐时预测第m天24小时的输入参数，具体包括以下步骤：

（3-1-2-1）利用第1～m-1天的输入参数的实际值构造各输入参数的OnlineSVR时间序列；

（3-1-2-2）对步骤（3-1-2-1）得到的各输入参数的Online SVR时间序列进行重构，具体如下：

设定输入参数时间序列Online SVR模型的输入样本嵌入维数为D，其中D<24，则输入样本表示为：

${\left[\begin{array}{cccc}{x}_{1,d}\left(1\right)& x_{1,d}\left(2\right)& ...& x_{1,d}\left(D\right)\\ x_{1,d}\left(2\right)& x_{1,d}\left(3\right)& ...& x_{1,d}(D+1)\\ x_{1,d}\left(3\right)& x_{1,d}\left(4\right)& ...& x_{1,d}(D+2)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_{m-1,d}(22-D)& x_{m-1,d}(23-D)& ...& x_{m-1,d}\left(22\right)\\ x_{m-1,d}(23-D)& x_{m-1,d}(23-D+1)& ...& x_{m-1,d}\left(23\right)\end{array}\right]}_{24\&times;(m-1)-D,D}$

输出样本表示为：

${\left[\begin{array}{c}{x}_{1,d}(D+1)\\ x_{1,d}(D+2)\\ x_{1,d}(D+3)\\ .\\ .\\ .\\ x_{m-1,d}\left(23\right)\\ x_{m-1,d}\left(24\right)\end{array}\right]}_{24\&times;(m-1)-D,1}$

其中，x_k,d(l)表示第k天的第l小时的第d个输入参数的实际值；其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率；l=1、2、3…24；k=1、2、3…m-1；

（3-1-2-3）利用步骤（3-1-2-2）重构的各输入参数的Online SVR时间序列，对输入参数时间序列Online SVR模型f_{onlineSVRInput,d}进行初始化训练；

（3-1-2-4）预测第m天各输入参数24小时的逐时值：

利用步骤（3-1-2-3）得到的各输入参数的Online SVR时间序列初始化模型f_{onlineSVRInput,d}预测第m天各输入参数的24小时的逐时值，具体如下：

$\left[\begin{array}{c}{\hat{x}}_{m,d}\left(1\right)\\ {\hat{x}}_{m,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{m,d}\left(23\right)\\ {\hat{x}}_{m,d}\left(24\right)\end{array}\right]=f_{\mathrm{onlineSVRInput},d}\left({\left[\begin{array}{cccc}{x}_{m-1,d}(23-D)& ...& x_{m-1,d}\left(23\right)& x_{m-1,d}\left(24\right)\\ x_{m-1,d}(22-D)& ...& x_{m-1,d}\left(24\right)& {\hat{x}}_{m,d}\left(1\right)\\ .& & .& .\\ .& ...& .& .\\ .& & .& .\\ {\hat{x}}_{m,d}(22-D-1)& ...& {\hat{x}}_{m,d}\left(21\right)& {\hat{x}}_{m,d}\left(22\right)\\ {\hat{x}}_{m,d}(22-D)& ...& {\hat{x}}_{m,d}\left(22\right)& {\hat{x}}_{m,d}\left(23\right)\end{array}\right]}_{24,D}\right)$

其中

表示第m天的第l小时的第d个输入参数的预测值；其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率。

（3-1-3）利用步骤（3-1-1）及步骤（3-1-2）的结果，逐时预测第m天24小时的空调冷负荷，具体为：

设空调冷负荷Online SVR初始化预测模型Y=f_onlineSVR[X]，则

输入为第m天24小时各输入参数预测值：

${\hat{X}}_m{=\begin{array}{c}\left[\begin{array}{cccccc}{\hat{x}}_{m,1}\left(1\right)& {\hat{x}}_{m,2}\left(1\right)& {\hat{x}}_{m,3}\left(1\right)& {\hat{x}}_{m,4}\left(1\right)& {\hat{x}}_{m,5}\left(1\right)& {\hat{x}}_{m,6}\left(1\right)\\ {\hat{x}}_{m,1}\left(2\right)& {\hat{x}}_{m,2}\left(2\right)& {\hat{x}}_{m,3}\left(2\right)& {\hat{x}}_{m,4}\left(2\right)& {\hat{x}}_{m,5}\left(2\right)& {\hat{x}}_{m,6}\left(2\right)\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ {\hat{x}}_{m,1}\left(24\right)& {\hat{x}}_{m,2}\left(24\right)& {\hat{x}}_{m,3}\left(24\right)& {\hat{x}}_{m,4}\left(24\right)& {\hat{x}}_{m,5}\left(24\right)& {\hat{x}}_{m,6}\left(24\right)\end{array}\right]\end{array}}_{\mathrm{24,6}}$

输出为第m天24小时空调冷负荷的预测值：

${\hat{Y}}_m\text{=}{\left[\begin{array}{c}{\hat{y}}_m\left(1\right)\\ {\hat{y}}_m\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_m\left(24\right)\end{array}\right]}_{\mathrm{24,1}}$

其中

为第m天第l小时的空调冷负荷的预测值，其中l=1、2、3…24。

（3-2）令采集小时数n=n+1；在第n小时内进行输入参数、输出参数的采集、处理与存储；

（3-3）判断n是否满足n=24，若否，重复步骤（3-2）～（3-3）；若是，进行步骤（5）；

（4）进行以下步骤：

（4-1）令采集小时数n=1，在第1小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤：

（4-1-1）利用第p-1天的输入参数的实际值、输出参数的实际值对当前的空调负荷Online SVR模型进行增量训练，利用第p-m+1天的输入参数的实际值、输出参数的实际值对当前的空调负荷Online SVR模型进行减量训练，得到更新后的空调负荷Online SVR模型；

（4-1-2）计算第p-1天六个输入参数的预测值与实际值之间的残差；

（4-1-3）利用第p-1天24小时的输入参数的实际值对当前的输入参数Online SVR模型进行增量训练，利用第p-m+1天的输入参数对输入参数OnlineSVR模型进行减量训练，更新输入参数Online SVR模型；

所述利用第p-1天24小时的输入参数的实际值对当前的输入参数OnlineSVR模型进行增量训练，具体为：

设输入参数Online SVR模型为f_{onlineSVRInput,d}，f_Train函数为增量训练函数，利用下式对f_{onlineSVRInput,d}更新：

f_{onlineSVRInput,d}=f_Train(f_{onlineSVRInput,d},NewSampleX,NewSampleY)

其中，

$\mathrm{NewSampleX}=\left[\begin{array}{cccc}{x}_{p-2,d}(23-D)& ...& x_{p-2,d}\left(23\right)& x_{p-2,d}\left(24\right)\\ x_{p-2,d}(22-D)& ...& x_{p-2,d}\left(24\right)& x_{p-1,d}\left(1\right)\\ .& & .& .\\ .& ...& .& .\\ .& & .& .\\ x_{p-1,d}(22-D-1)& ...& x_{p-1,d}\left(21\right)& x_{p-1,d}\left(22\right)\\ x_{p-1,d}(22-D)& ...& x_{p-1,d}\left(22\right)& x_{p-1,d}\left(23\right)\end{array}\right]$

$\mathrm{NewSampleY}=\left[\begin{array}{c}{x}_{p-1,d}\left(1\right)\\ x_{p-1,d}\left(2\right)\\ .\\ .\\ .\\ x_{p-1,d}\left(23\right)\\ x_{p-1,d}\left(24\right)\end{array}\right]$

输入为未增量训练前的输入参数Online SVR模型f_{onlineSVRInput,d}、新样本输入变量NewSampleX以及新样本输出变量NewSampleY，输出为增量训练后的输入参数Online SVR模型f_{onlineSVRInput,d}。

所述利用第p-m+1天的输入参数对输入参数Online SVR模型进行减量训练，具体为：

筛选第p-m+1天的24小时各输入参数室外环境平均干球温度x_p-m+1,1(l)、室外环境平均相对湿度x_p-m+1,2(l)、室外环境平均太阳总辐射x_p-m+1,3(l)、建筑室内平均干球温度x_p-m+1,4(l)、建筑室内平均相对湿度x_p-m+1,5(l)、空调末端设备开启率x_p-m+1,6(l)进行重构，组成减量训练样本；

设输入参数Online SVR模型为f_{onlineSVRInput,d}，f_Forget函数为减量训练函数，利用下式对f_{onlineSVRInput,d}更新：

f_{onlineSVRInput,d}=f_Forget(f_{onlineSVRInput,d},SamplesIndexes)

其中，SamplesIndexes为减量训练样本的下标值，SamplesIndexes=1,2,…,24；

输入为未减量训练前的输入参数Online SVR模型f_{onlineSVRInput,d}、SamplesIndexes，输出为减量训练后的输入参数Online SVR模型f_{onlineSVRInput,d}。

（4-1-4）利用步骤（4-1-3）更新后的输入参数Online SVR模型逐时预测第p天的24小时输入参数，具体为：

（4-1-4-1）利用下式计算输入参数的预测值：

$\left[\begin{array}{c}{\hat{x}}_{p,d}\left(1\right)\\ {\hat{x}}_{p,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{p,d}\left(23\right)\\ {\hat{x}}_{p,d}\left(24\right)\end{array}\right]=f_{\mathrm{onlineSVRInput},d}\left({\left[\begin{array}{cccc}{x}_{p-1,d}(23-D)& ...& x_{p-1,d}\left(23\right)& x_{p-1,d}\left(24\right)\\ x_{p-1,d}(22-D)& ...& x_{p-1,d}\left(24\right)& {\hat{x}}_{p,d}\left(1\right)\\ .& & .& .\\ .& ...& .& .\\ .& & .& .\\ {\hat{x}}_{p,d}(22-D-1)& ...& {\hat{x}}_{p,d}\left(21\right)& {\hat{x}}_{p,d}\left(22\right)\\ {\hat{x}}_{p,d}(22-D)& ...& {\hat{x}}_{p,d}\left(22\right)& {\hat{x}}_{p,d}\left(23\right)\end{array}\right]}_{24,D}\right)$

（4-1-4-2）利用下式修正步骤（4-1-4-1）得到的预测值：

$\left[\begin{array}{c}{\hat{x}}_{p,d}\left(1\right)\\ {\hat{x}}_{p,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{p,d}\left(23\right)\\ {\hat{x}}_{p,d}\left(24\right)\end{array}\right]=\begin{array}{c}\left[\begin{array}{c}{\hat{x}}_{p,d}\left(1\right)\\ {\hat{x}}_{p,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{p,d}\left(23\right)\\ {\hat{x}}_{p,d}\left(24\right)\end{array}\right]+\left[\begin{array}{c}{\mathrm{Errorx}}_d\left(1\right)\\ {\mathrm{Errorx}}_d\left(2\right)\\ .\\ .\\ .\\ {\mathrm{Errorx}}_d\left(23\right)\\ \mathrm{Error}{x}_d\left(24\right)\end{array}\right]\end{array}$

其中，f_{onlineSVRInput,d}为步骤（4-1-3）更新后的输入参数Online SVR模型；Errorx_d(l)为第p-1天输入参数的预测值与实际值之间的残差，其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率。

（4-1-5）计算第p-1天的预测空调冷负荷与实际值之间的残差；

（4-1-6）利用步骤（4-1-4）的结果及空调冷负荷Online SVR预测模型，逐时预测第p天的24小时的空调冷负荷，具体为：

（4-1-6-1）利用空调冷负荷Online SVR预测模型Y=f_onlineSVR[X]，逐时预测第p天的第l小时的空调冷负荷值，其中l=1、2、3…24：

${\hat{Y}}_p={\left[\begin{array}{c}{\hat{y}}_p\left(1\right)\\ {\hat{y}}_p\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_p\left(24\right)\end{array}\right]}_{\mathrm{24,1}}{\hat{X}}_p={\left[\begin{array}{cccccc}{\hat{x}}_{p,1}\left(1\right)& {\hat{x}}_{p,2}\left(1\right)& {\hat{x}}_{p,3}\left(1\right)& {\hat{x}}_{p,4}\left(1\right)& {\hat{x}}_{p,5}\left(1\right)& {\hat{x}}_{p,6}\left(1\right)\\ {\hat{x}}_{p,1}\left(2\right)& {\hat{x}}_{p,2}\left(2\right)& {\hat{x}}_{p,3}\left(2\right)& {\hat{x}}_{p,4}\left(2\right)& {\hat{x}}_{p,5}\left(2\right)& {\hat{x}}_{p,6}\left(2\right)\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ {\hat{x}}_{p,1}\left(24\right)& {\hat{x}}_{p,2}\left(24\right)& {\hat{x}}_{p,3}\left(24\right)& {\hat{x}}_{p,4}\left(24\right)& {\hat{x}}_{p,5}\left(24\right)& {\hat{x}}_{p,6}\left(24\right)\end{array}\right]}_{\mathrm{24,6}}$

（4-1-6-2）利用下式修正步骤（4-1-6-1）得到的预测值：

$\left[\begin{array}{c}{\hat{y}}_p\left(1\right)\\ {\hat{y}}_p\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_p\left(23\right)\\ {\hat{y}}_p\left(24\right)\end{array}\right]=\begin{array}{c}\left[\begin{array}{c}{\hat{y}}_p\left(1\right)\\ {\hat{y}}_p\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_p\left(23\right)\\ {\hat{y}}_p\left(24\right)\end{array}\right]+\left[\begin{array}{c}\mathrm{Errory}\left(1\right)\\ \mathrm{Errory}\left(2\right)\\ .\\ .\\ .\\ \mathrm{Errory}\left(23\right)\\ \mathrm{Errory}\left(24\right)\end{array}\right]\end{array}$

其中Errorx(l)为第p-1天空调冷负荷的预测值与实际值之间的残差；

表示第p天第l小时的空调冷负荷预测值；其中l=1、2、3…24。

（4-2）令采集小时数n=n+1；进行第n小时的输入参数、输出参数的采集、处理与存储；

（4-3）判断n是否满足n=24，若否，重复步骤（4-2）～（4-3）；若是，进行步骤（5）；

（5）检测是否有预测结束信号，若无，重复步骤（2）～（4）；若有，结束预测。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.办公建筑中央空调逐时冷负荷在线预测方法，其特征在于，包括以下步骤：

（1）数据初始化：手动录入建筑空调房间面积、各空调房间内空调末端设备数量、功率和供冷面积，用于计算空调运行输入参数；为每个空调末端设备智能节点装置设置唯一编号；将输入参数预测值与实际值之间的残差初值置零，将输出参数的实际值与预测值残差初值置零；采集天数p的初值置零；

所述输入参数由室外气象参数及空调运行输入参数组成；所述室外气象参数由室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射组成；所述空调运行输入参数由室内平均温度、平均相对湿度、空调末端设备开启率组成；所述输出参数为空调冷负荷；

（2）令采集天数p=p+1，判断采集天数p是否满足p≥m，其中m由用户自行设定；

若否，进行第p天的输入参数的采集、处理与存储后，重复步骤（2）；

若是，判断采集天数p是否满足p>m，若不满足，进行步骤（3），若满足，则进行步骤（4）；

（3）进行以下步骤：

（3-1）令采集小时数n=1，在第1小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤：

（3-1-1）以第1～m-1天的输入参数的实际值为输入，以第1～m-1天的空调冷负荷的实际值为输出，进行空调负荷Online SVR模型初始化建模；

（3-1-2）利用第1～m-1天的输入参数的实际值进行输入参数时间序列Online SVR模型初始化建模，逐时预测第m天24小时的输入参数；

（3-1-3）利用步骤（3-1-1）及步骤（3-1-2）的结果，逐时预测第m天24小时的空调冷负荷；

（3-2）令采集小时数n=n+1；在第n小时内进行输入参数、输出参数的采集、处理与存储；

（3-3）判断n是否满足n=24，若否，重复步骤（3-2）～（3-3）；若是，进行步骤（5）；

（4）进行以下步骤：

（4-1）令采集小时数n=1，在第1小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤：

（4-1-1）利用第p-1天的输入参数的实际值、输出参数的实际值对当前的空调负荷Online SVR模型进行增量训练，利用第p-m+1天的输入参数的实际值、输出参数对当前的空调负荷Online SVR模型进行减量训练，得到更新后的空调负荷Online SVR模型；

（4-1-2）计算第p-1天六个输入参数的预测值与实际值之间的残差；

（4-1-3）利用第p-1天24小时的输入参数的实际值对当前的输入参数Online SVR模型进行增量训练，利用第p-m+1天的输入参数的实际值对输入参数Online SVR模型进行减量训练，更新输入参数Online SVR模型；

（4-1-4）利用步骤（4-1-3）更新后的输入参数Online SVR模型逐时预测第p天的24小时输入参数；

（4-1-5）计算第p-1天的空调冷负荷的预测值与实际值之间的残差；

（4-1-6）利用步骤（4-1-4）的结果及空调冷负荷Online SVR预测模型，逐时预测第p天的24小时的空调冷负荷；

（4-2）令采集小时数n=n+1；进行第n小时的输入参数、输出参数的采集、处理与存储；

（4-3）判断n是否满足n=24，若否，重复步骤（4-2）～（4-3）；若是，进行步骤（5）；

（5）检测是否有预测结束信号，若无，重复步骤（2）～（4）；若有，结束预测。

2.根据权利要求1所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在于，步骤（3-1-2）所述利用第1～m-1天的输入参数的实际值进行输入参数时间序列Online SVR模型初始化建模，逐时预测第m天24小时的输入参数，具体包括以下步骤：

（3-1-2-1）利用第1～m-1天的输入参数的实际值构造各输入参数的OnlineSVR时间序列；

（3-1-2-2）对步骤（3-1-2-1）得到的各输入参数的Online SVR时间序列进行重构，具体如下：

设定输入参数时间序列Online SVR模型的输入样本嵌入维数为D，其中D<24，则输入样本表示为：

${\left[\begin{array}{cccc}{x}_{1,d}\left(1\right)& x_{1,d}\left(2\right)& ...& x_{1,d}\left(D\right)\\ x_{1,d}\left(2\right)& x_{1,d}\left(3\right)& ...& x_{1,d}(D+1)\\ x_{1,d}\left(3\right)& x_{1,d}\left(4\right)& ...& x_{1,d}(D+2)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_{m-1,d}(22-D)& x_{m-1,d}(23-D)& ...& x_{m-1,d}\left(22\right)\\ x_{m-1,d}(23-D)& x_{m-1,d}(23-D+1)& ...& x_{m-1,d}\left(23\right)\end{array}\right]}_{24\&times;(m-1)-D,D}$

输出样本表示为：

${\left[\begin{array}{c}{x}_{1,d}(D+1)\\ x_{1,d}(D+2)\\ x_{1,d}(D+3)\\ .\\ .\\ .\\ x_{m-1,d}\left(23\right)\\ x_{m-1,d}\left(24\right)\end{array}\right]}_{24\&times;(m-1)-D,1}$

其中，x_k,d(l)表示第k天的第l小时的第d个输入参数的实际值；其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率；l=1、2、3…24；k=1、2、3…m-1；

（3-1-2-3）利用步骤（3-1-2-2）重构的各输入参数的Online SVR时间序列，对输入参数时间序列Online SVR模型f_{onlineSVRInput,d}进行初始化训练；

（3-1-2-4）预测第m天各输入参数24小时的逐时值：

利用步骤（3-1-2-3）得到的各输入参数的Online SVR时间序列初始化模型f_{onlineSVRInput,d}预测第m天各输入参数的24小时的逐时值，具体如下：

$\left[\begin{array}{c}{\hat{x}}_{m,d}\left(1\right)\\ {\hat{x}}_{m,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{m,d}\left(23\right)\\ {\hat{x}}_{m,d}\left(24\right)\end{array}\right]=f_{\mathrm{onlineSVRInput},d}\left({\left[\begin{array}{cccc}{x}_{m-1,d}(23-D)& ...& x_{m-1,d}\left(23\right)& x_{m-1,d}\left(24\right)\\ x_{m-1,d}(22-D)& ...& x_{m-1,d}\left(24\right)& {\hat{x}}_{m,d}\left(1\right)\\ .& & .& .\\ .& ...& .& .\\ .& & .& .\\ {\hat{x}}_{m,d}(22-D-1)& ...& {\hat{x}}_{m,d}\left(21\right)& {\hat{x}}_{m,d}\left(22\right)\\ {\hat{x}}_{m,d}(22-D)& ...& {\hat{x}}_{m,d}\left(22\right)& {\hat{x}}_{m,d}\left(23\right)\end{array}\right]}_{24,D}\right)$

其中

表示第m天的第l小时的第d个输入参数的预测值；其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率。

3.根据权利要求2所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在于，步骤（3-1-3）所述利用步骤（3-1-1）及步骤（3-1-2）的结果，逐时预测第m天24小时的空调冷负荷，具体为：

设空调冷负荷Online SVR初始化预测模型Y=f_onlineSVR[X]，则

输入为第m天24小时各输入参数预测值：

${\hat{X}}_m{=\begin{array}{c}\left[\begin{array}{cccccc}{\hat{x}}_{m,1}\left(1\right)& {\hat{x}}_{m,2}\left(1\right)& {\hat{x}}_{m,3}\left(1\right)& {\hat{x}}_{m,4}\left(1\right)& {\hat{x}}_{m,5}\left(1\right)& {\hat{x}}_{m,6}\left(1\right)\\ {\hat{x}}_{m,1}\left(2\right)& {\hat{x}}_{m,2}\left(2\right)& {\hat{x}}_{m,3}\left(2\right)& {\hat{x}}_{m,4}\left(2\right)& {\hat{x}}_{m,5}\left(2\right)& {\hat{x}}_{m,6}\left(2\right)\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ {\hat{x}}_{m,1}\left(24\right)& {\hat{x}}_{m,2}\left(24\right)& {\hat{x}}_{m,3}\left(24\right)& {\hat{x}}_{m,4}\left(24\right)& {\hat{x}}_{m,5}\left(24\right)& {\hat{x}}_{m,6}\left(24\right)\end{array}\right]\end{array}}_{\mathrm{24,6}}$

输出为第m天24小时空调冷负荷的预测值：

${\hat{Y}}_m\text{=}{\left[\begin{array}{c}{\hat{y}}_m\left(1\right)\\ {\hat{y}}_m\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_m\left(24\right)\end{array}\right]}_{\mathrm{24,1}}$

其中

为第m天第l小时的空调冷负荷的预测值，其中l=1、2、3…24。

4.根据权利要求3所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在于，步骤（4-1-3）所述利用第p-1天24小时的输入参数的实际值对当前的输入参数Online SVR模型进行增量训练，具体为：

设输入参数Online SVR模型为f_{onlineSVRInput,d}，f_Train函数为增量训练函数，利用下式对f_{onlineSVRInput,d}更新：

f_{onlineSVRInput,d}=f_Train(f_{onlineSVRInput,d},NewSampleX,NewSampleY)

其中，

$\mathrm{NewSampleX}=\left[\begin{array}{cccc}{x}_{p-2,d}(23-D)& ...& x_{p-2,d}\left(23\right)& x_{p-2,d}\left(24\right)\\ x_{p-2,d}(22-D)& ...& x_{p-2,d}\left(24\right)& x_{p-1,d}\left(1\right)\\ .& & .& .\\ .& ...& .& .\\ .& & .& .\\ x_{p-1,d}(22-D-1)& ...& x_{p-1,d}\left(21\right)& x_{p-1,d}\left(22\right)\\ x_{p-1,d}(22-D)& ...& x_{p-1,d}\left(22\right)& x_{p-1,d}\left(23\right)\end{array}\right]$

$\mathrm{NewSampleY}=\left[\begin{array}{c}{x}_{p-1,d}\left(1\right)\\ x_{p-1,d}\left(2\right)\\ .\\ .\\ .\\ x_{p-1,d}\left(23\right)\\ x_{p-1,d}\left(24\right)\end{array}\right]$

输入为未增量训练前的输入参数Online SVR模型f_{onlineSVRInput,d}、新样本输入变量NewSampleX以及新样本输出变量NewSampleY，输出为增量训练后的输入参数Online SVR模型f_{onlineSVRInput,d}。

5.根据权利要求4所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在于，步骤（4-1-3）所述利用第p-m+1天的输入参数的实际值对输入参数Online SVR模型进行减量训练，具体为：

筛选第p-m+1天的24小时各输入参数室外环境平均干球温度x_p-m+1,1(l)、室外环境平均相对湿度x_p-m+1,2(l)、室外环境平均太阳总辐射x_p-m+1,3(l)、建筑室内平均干球温度x_p-m+1,4(l)、建筑室内平均相对湿度x_p-m+1,5(l)、空调末端设备开启率x_p-m+1,6(l)进行重构，组成减量训练样本；

设输入参数Online SVR模型为f_{onlineSVRInput,d}，f_Forget函数为减量训练函数，利用下式对f_{onlineSVRInput,d}更新：

f_{onlineSVRInput,d}=f_Forget(f_{onlineSVRInput,d},SamplesIndexes)

其中，SamplesIndexes为减量训练样本的下标值，SamplesIndexes=1,2,…,24；

输入为未减量训练前的输入参数Online SVR模型f_{onlineSVRInput,d}、SamplesIndexes，输出为减量训练后的输入参数Online SVR模型f_{onlineSVRInput,d}。

6.根据权利要求5所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在于，步骤（4-1-4）所述利用步骤（4-1-3）更新后的输入参数Online SVR模型逐时预测第p天的24小时输入参数，具体为：

（4-1-4-1）利用下式计算输入参数的预测值：

$\left[\begin{array}{c}{\hat{x}}_{p,d}\left(1\right)\\ {\hat{x}}_{p,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{p,d}\left(23\right)\\ {\hat{x}}_{p,d}\left(24\right)\end{array}\right]=f_{\mathrm{onlineSVRInput},d}\left({\left[\begin{array}{cccc}{x}_{p-1,d}(23-D)& ...& x_{p-1,d}\left(23\right)& x_{p-1,d}\left(24\right)\\ x_{p-1,d}(22-D)& ...& x_{p-1,d}\left(24\right)& {\hat{x}}_{p,d}\left(1\right)\\ .& & .& .\\ .& ...& .& .\\ .& & .& .\\ {\hat{x}}_{p,d}(22-D-1)& ...& {\hat{x}}_{p,d}\left(21\right)& {\hat{x}}_{p,d}\left(22\right)\\ {\hat{x}}_{p,d}(22-D)& ...& {\hat{x}}_{p,d}\left(22\right)& {\hat{x}}_{p,d}\left(23\right)\end{array}\right]}_{24,D}\right)$

（4-1-4-2）利用下式修正步骤（4-1-4-1）得到的预测值：

$\left[\begin{array}{c}{\hat{x}}_{p,d}\left(1\right)\\ {\hat{x}}_{p,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{p,d}\left(23\right)\\ {\hat{x}}_{p,d}\left(24\right)\end{array}\right]=\begin{array}{c}\left[\begin{array}{c}{\hat{x}}_{p,d}\left(1\right)\\ {\hat{x}}_{p,d}\left(2\right)\\ .\\ .\\ .\\ {\hat{x}}_{p,d}\left(23\right)\\ {\hat{x}}_{p,d}\left(24\right)\end{array}\right]+\left[\begin{array}{c}{\mathrm{Errorx}}_d\left(1\right)\\ {\mathrm{Errorx}}_d\left(2\right)\\ .\\ .\\ .\\ {\mathrm{Errorx}}_d\left(23\right)\\ \mathrm{Error}{x}_d\left(24\right)\end{array}\right]\end{array}$

其中，f_{onlineSVRInput,d}为步骤（4-1-3）更新后的输入参数Online SVR模型；Errorx_d(l)为第p-1天输入参数的预测值与实际值之间的残差，其中d的取值1、2、3、4、5、6分别对应输入参数：室外环境平均干球温度、室外环境平均相对湿度、室外环境平均太阳总辐射、建筑室内平均干球温度、建筑室内平均相对湿度、空调末端设备开启率。

7.根据权利要求6所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在于，步骤（4-1-6）所述利用步骤（4-1-4）的结果及空调冷负荷Online SVR预测模型，逐时预测第p天的24小时的空调冷负荷，具体为：

（4-1-6-1）利用空调冷负荷Online SVR预测模型Y=f_onlineSVR[X]，逐时预测第p天的第l小时的空调冷负荷值，其中l=1、2、3…24：

${\hat{Y}}_p={\left[\begin{array}{c}{\hat{y}}_p\left(1\right)\\ {\hat{y}}_p\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_p\left(24\right)\end{array}\right]}_{\mathrm{24,1}}{\hat{X}}_p={\left[\begin{array}{cccccc}{\hat{x}}_{p,1}\left(1\right)& {\hat{x}}_{p,2}\left(1\right)& {\hat{x}}_{p,3}\left(1\right)& {\hat{x}}_{p,4}\left(1\right)& {\hat{x}}_{p,5}\left(1\right)& {\hat{x}}_{p,6}\left(1\right)\\ {\hat{x}}_{p,1}\left(2\right)& {\hat{x}}_{p,2}\left(2\right)& {\hat{x}}_{p,3}\left(2\right)& {\hat{x}}_{p,4}\left(2\right)& {\hat{x}}_{p,5}\left(2\right)& {\hat{x}}_{p,6}\left(2\right)\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ {\hat{x}}_{p,1}\left(24\right)& {\hat{x}}_{p,2}\left(24\right)& {\hat{x}}_{p,3}\left(24\right)& {\hat{x}}_{p,4}\left(24\right)& {\hat{x}}_{p,5}\left(24\right)& {\hat{x}}_{p,6}\left(24\right)\end{array}\right]}_{\mathrm{24,6}}$

（4-1-6-2）利用下式修正步骤（4-1-6-1）得到的预测值：

$\left[\begin{array}{c}{\hat{y}}_p\left(1\right)\\ {\hat{y}}_p\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_p\left(23\right)\\ {\hat{y}}_p\left(24\right)\end{array}\right]=\begin{array}{c}\left[\begin{array}{c}{\hat{y}}_p\left(1\right)\\ {\hat{y}}_p\left(2\right)\\ .\\ .\\ .\\ {\hat{y}}_p\left(23\right)\\ {\hat{y}}_p\left(24\right)\end{array}\right]+\left[\begin{array}{c}\mathrm{Errory}\left(1\right)\\ \mathrm{Errory}\left(2\right)\\ .\\ .\\ .\\ \mathrm{Errory}\left(23\right)\\ \mathrm{Errory}\left(24\right)\end{array}\right]\end{array}$

其中Errorx(l)为第p-1天空调冷负荷的预测值与实际值之间的残差；

表示第p天第l小时的空调冷负荷预测值；其中l=1、2、3…24。

8.实现权利要求1～7任一项所述办公建筑中央空调逐时冷负荷在线预测方法的办公建筑中央空调逐时冷负荷在线预测系统，其特征在于，包括

冷源数据采集系统，用于采集中央空调冷负荷值；包括冷源数据采集器、供水管温度传感器、回水管温度传感器、冷冻水流量计和冷源数据通讯模块，所述供水管温度传感器、回水管温度传感器、冷冻水流量计分别与冷源数据采集器连接；所述冷源数据采集器与冷源数据通讯模块连接；

空调末端设备智能节点装置，用于采集空调运行输入参数；

室外气象数据采集装置，用于采集室外气象参数；包括室外数据采集器、室外数据通讯模块、室外环境温度传感器、室外环境相对湿度传感器、太阳总辐射传感器，所述室外环境温度传感器、室外环境相对湿度传感器、太阳总辐射传感器分别与室外数据采集器连接，所述室外数据采集器与室外数据通讯模块连接；

数据中转服务器，用于接收、存储及上传冷源数据采集系统、空调末端设备智能节点装置、室外气象数据采集装置的在线监测数据，并接收来自空调负荷预测服务器的逐时空调冷负荷预测值；

空调冷负荷预测数据服务器，接收来自数据中转服务器上传的实时数据，对数据进行预处理，并预测空调冷负荷。

9.根据权利要求8所述的办公建筑中央空调逐时冷负荷在线预测系统，其特征在于，所述空调末端设备智能节点装置包括风机盘管智能节点装置和空调机组智能节点装置；

所述风机盘管智能节点装置包括风机盘管控制器、风机盘管温度传感器、风机盘管湿度传感、风机盘管采集器、风机盘管数据通讯模块；所述风机盘管控制器、风机盘管温度传感器、风机盘管湿度传感分别与风机盘管采集器连接；所述风机盘管采集器与风机盘管数据通讯模块连接；

所述空调末端设备智能节点装置为空调机组智能节点装置，包括空调机组数据采集器、空调机组控制器、回风口温度传感器、回风口湿度传感器及空调机组数据通讯模块，所述回风口温度传感器、回风口湿度传感器、空调机组湿度传感器分别与空调机组数据采集器连接；所述空调机组数据采集器与空调机组数据通讯模块连接。

Images