CN102779228B - 商场建筑中央空调冷负荷在线预测方法及系统 - Google Patents
商场建筑中央空调冷负荷在线预测方法及系统 Download PDFInfo
- Publication number
- CN102779228B CN102779228B CN201210187275.1A CN201210187275A CN102779228B CN 102779228 B CN102779228 B CN 102779228B CN 201210187275 A CN201210187275 A CN 201210187275A CN 102779228 B CN102779228 B CN 102779228B
- Authority
- CN
- China
- Prior art keywords
- parameter
- air conditioner
- air
- input parameter
- out door
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种商场建筑中央空调冷负荷在线预测方法,通过不断采集各类参数,当数据采集量满足需求时,利用Online SVR法,分别建立空调冷负荷与各输入参数工作日、周末及节假日三种类型的预测模型,然后根据室外气象参数、空调运行输入参数的历史数据预测当日24小时的输入参数值,最后利用相应日期类型的空调负荷预测模型,以当日24小时内各输入参数的预测值为输入,预测当日24小时内的空调冷负荷,并用相应日期类型前一天空调冷负荷实际值与预测值的残差序列进行补偿,同时随着在线新样本的加入动态修正空调冷负荷的预测模型。本发明有效地实现了空调冷负荷的动态预测和准确预测。
Description
技术领域
本发明涉及一种在线的中央空调冷负荷预测方法,特别涉及具体涉及一种基于客流量在线监测的商场建筑中央空调冷负荷动态预测方法及系统。
背景技术
中央空调系统是商场建筑的能耗大户,部分高能耗大中型商场建筑中央空调能耗占建筑总能耗比例高达70%,空调能耗费用直接影响了商场建筑的运行成本。且中央空调系统具有非线性、大时滞、大惯性等特点,常规的控制技术容易造成商业建筑空调区域内温度波动较大,影响人体舒适性的现象,难以满足大中型商场建筑对空调舒适性的较高要求。空调系统的在线负荷预测为解决上述问题提供了新的思路。现有的建筑负荷计算软件,如清华大学的Dest软件,大多采用典型气象年数据计算空调系统的逐时负荷,常用于空调设计阶段的负荷估算。但是由于商场建筑空调冷负荷受到外界气象参数、商场内人数(客流量)、日期类型(工作日、周末或节假日)、室内环境温湿度、空调末端设备开启情况等多个因素的影响,常规的计算软件难以满足空调冷负荷的在线负荷预测需求。
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商场建筑中央空调冷负荷动态预测方法,有效地实现了空调冷负荷的动态预测和准确预测,既可用于单栋商场建筑的水冷式中央空调冷负荷预测,也可用于大型商业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商场建筑中央空调冷负荷动态预测系统。
本发明的目的通过以下技术方案实现:
商场建筑中央空调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,用于计算各空调运行输入参数;为每个空调末端设备智能节点装置设置唯一编号;
将采集日期分为工作日、周末、节假日三类,f=1,2,3分别对应工作日、周末、节假日三种类型,将各类日期的输入参数的实际值与预测值之间的残差初值置零;第f类日期的采集天数sf的初值置零;第f类日期的输出参数的实际值与预测值之间的残差初值置零;
其中的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、室外环境相对湿度、室外环境太阳总辐射组成;所述空调运行输入参数由建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数组成;输出参数为空调冷负荷;
(2)令p=p+1,对第p天进行类型判断,若属于第f类,则sf=sf+1;
(3)判断采集天数sf是否满足sf≥mf,其中mf为由用户自行设定的各类日期空调负荷预测数据需要采集的天数;
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sf是否满足sf>mf,若不满足,进行步骤(4),若满足,则进行步骤(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)以前mf-1天第f类日期的输入参数的实际值为输入,以前mf-1天第f类日期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
(4-1-2)对于空调运行输入参数,利用前mf-1天第f类日期的空调运行输入参数的实际值进行空调运行输入参数时间序列Online SVR模型初始化建模,逐时预测第mf天第f类日期的24小时的空调运行输入参数;
对于室外气象参数,室外气象参数的预测与日期类型无关,当室外气象参数的实际值与预测值之间的残差为零,则利用前p1-1天的室外气象参数的实际值进行Online SVR时间序列预测模型初始化建模,逐时预测第p天24小时的室外气象参数数据,p1=min(mf);当室外气象参数的实际值与预测值之间的残差不为零,则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练,逐时预测第p天24小时的室外气象参数数据并修正;
(4-1-3)利用步骤(4-1-1)及步骤(4-1-2)的结果,逐时预测第mf天第f类日期24小时的空调冷负荷;
(4-2)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;
(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(6);
(5)进行以下步骤:
(5-1)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:
(5-1-1)利用第sf-1天第f类日期采集计算得到的输入参数、输出参数对当前的空调负荷Online SVR模型进行增量训练,利用第sf-mf+1天第f类日期采集计算得到的输入参数、输出参数对第f类日期当前的空调负荷Online SVR模型进行减量训练,得到更新后的空调负荷Online SVR模型;
(5-1-2)计算第sf-1天第f类日期的输入参数、输出参数的预测值与实际值之间的残差;
(5-1-3)对当前的输入参数Online SVR模型进行增量训练和减量训练,更新输入参数Online SVR模型;
(5-1-4)利用步骤(5-1-3)更新后的输入参数Online SVR模型逐时预测第sf天第f类日期的24小时输入参数;
(5-1-5)计算第sf-1天第f类日期的空调冷负荷的预测值与实际值之间的残差;对室外气象参数预测值赋值:d=1,2,3;l=1,2,3…24;
(5-1-6)利用步骤(5-1-4)的结果及空调冷负荷Online SVR预测模型,逐时预测第sf天第f类日期的24小时的空调冷负荷;
(5-2)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;
(5-3)判断n是否满足n=24,若否,重复步骤(5-2)~(5-3);若是,进行步骤(6);
(6)检测是否有预测结束信号,若无,重复步骤(2)~(5);若有,结束预测。
步骤(4-1-2)所述对于空调运行输入参数,利用前mf-1天第f类日期的空调运行输入参数的实际值进行空调运行输入参数时间序列Online SVR模型初始化建模,逐时预测第mf天第f类日期的24小时的空调运行输入参数,具体为:
(4-1-2-1a)利用前mf-1天第f类日期的空调运行输入参数的实际值构造空调运行输入参数的Online SVR时间序列;
(4-1-2-2a)对步骤(4-1-2-1a)得到的空调运行输入参数的Online SVR时间序列进行重构,具体如下:
设定空调运行输入参数时间序列Online SVR模型的输入样本嵌入维数为其中则输入样本表示为:
输出样本表示为:
其中,第k天第f类日期的第l小时的第d个空调运行输入参数的实际值;其中d的取值4、5、6、7分别对应空调运行输入参数:建筑空调开启区域平均干球温度、建筑室内平均相对湿度、空调末端设备开启率、商场内人数;l=1、2、3…24;k=1、2、3…mf;
(4-1-2-3a)利用步骤(4-1-2-2a)重构的空调运行输入参数的Online SVR时间序列,对空调运行输入参数时间序列Online SVR模型进行初始化训练;
(4-1-2-4a)预测第mf天第f类日期的第d个空调运行输入参数24小时的逐时值:
利用步骤(4-1-2-3a)得到的空调运行输入参数的Online SVR时间序列初始化模型预测第mf天第f类日期的第d个空调运行输入参数24小时的逐时值,具体如下:
其中表示第mf天第f类日期的第l小时的第d个空调运行输入参数的预测值,l=1、2、3…24;d=4,5,6,7。
步骤(4-1-2)所述对于室外气象参数,室外气象参数的预测与日期类型无关,当室外气象参数的实际值与预测值之间的残差为零,则利用前p1-1天的室外气象参数的实际值进行Online SVR时间序列预测模型初始化建模,逐时预测第p天24小时的室外气象参数数据,此时p=p1=min(mf);当室外气象参数的实际值与预测值之间的残差不为零,则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练,逐时预测第p天24小时的室外气象参数数据并修正,具体为:
(i)当室外气象参数的实际值与预测值之间的残差为零,采用以下方法进行室外气象参数时间序列Online SVR模型初始化建模,逐时预测第p天24小时的室外气象参数:
(4-1-2-1b)利用前p1-1天的室外气象参数的实际值构造室外气象参数的Online SVR时间序列;
(4-1-2-2b)利用步骤(4-1-2-1b)得到的室外气象参数的Online SVR时间序列进行重构,具体如下:
设定室外气象参数的Online SVR时间序列模型的输入样本嵌入维数为D1,其中D1<24,则输入样本表示为:
输出样本表示为:
其中,xk,d(l)表示第k天的第l小时的第d个室外气象参数的实际值;其中d的取值1、2、3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;l=1、2、3…24;k=1、2、3…p1-1;此时p=p1;
(4-1-2-3b)利用步骤(4-1-2-2b)重构的室外气象参数的Online SVR时间序列,对室外气象输入参数时间序列Online SVR模型fonlineSVRWeather,d进行初始化训练;
(4-1-2-4b)预测第p天室外气象参数24小时的逐时值:
利用步骤(4-1-2-3b)得到的室外气象参数的Online SVR时间序列初始化模型fonlineSVRWeather,d预测第p天室外气象参数24小时的逐时值,具体如下:
其中表示第p天的第l小时的第d个室外气象输入参数的预测值,此时p=p1,d=1,2,3;
(ii)当室外气象参数的实际值与预测值之间的残差不为零,则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练,逐时预测第p天24小时的室外气象参数数据并修正:
采用以下方法进行增量训练:
利用下式对室外气象参数时间序列Online SVR预测模型fonlineSVRWeather,d进行更新:
fonlineSVRWeather,d=fTrain(fonlineSVRWeather,d,NewSampleX,NewSampleY)
其中,
输入为未增量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、室外气象参数新样本输入变量NewSampleX以及室外气象参数新样本输出变量NewSampleY,输出为增量训练后的室外气象参数Online SVR模型fonlineSVRWeather,d;
采用以下方法进行减量训练:
筛选第p-p1+1天24小时室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射进行重构,组成室外气象参数减量训练样本;
利用下式对fonlineSVRWeather,d进行更新:
fonlineSVRWeather,d=fForget(fonlineSVRWeather,d,SamplesIndexes1)
其中,SamplesIndexes1为室外气象参数减量训练样本的下标值,SamplesIndexes1=1,2,…,24;fForget函数为减量训练函数,输入为未减量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、SamplesIndexes1,输出为减量训练后的外气象参数Online SVR模型fonlineSVRWeather,d;
步骤(4-1-3)所述利用步骤(4-1-1)及步骤(4-1-2)的结果,逐时预测第mf天第f类日期24小时的空调冷负荷,具体为:
设第f类日期的空调冷负荷Online SVR初始化预测模型则
输入为第mf天第f类日期24小时的输入参数的预测值,
输出为第mf天第f类日期的第l小时的空调冷负荷的预测值
步骤(5-1-3)对当前的输入参数Online SVR模型进行增量训练,具体为:
对室外气象参数Online SVR模型fonlineSVRWeather,d,采用以下方法进行增量训练:
利用下式对fonlineSVRWeather,d进行更新:
fonlineSVRWeather,d=fTrain(fonlineSVRWeather,d,NewSampleX,NewSampleY)
其中,
输入为未增量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、室外气象参数新样本输入变量NewSampleX以及室外气象参数新样本输出变量NewSampleY,输出为增量训练后的室外气象参数Online SVR模型fonlineSVRWeather,d;
对于第f类日期的空调运行输入参数Online SVR模型采用以下方法进行增量训练:
利用下式对进行更新:
其中,
输入为未增量训练前的空调运行输入参数Online SVR模型新样本输入变量NewSampleXf以及新样本输出变量NewSampleYf,输出为增量训练后的空调运行输入参数Online SVR模型表示第sf-1天第f类日期的第l小时的第d个空调运行输入参数的实际值。
步骤(5-1-3)所述对输入参数Online SVR模型进行减量训练具体为:
对室外气象参数Online SVR模型fonlineSVRWeather,d,采用以下方法进行减量训练:
筛选第p-p1+1天24小时室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射进行重构,组成室外气象参数减量训练样本;
利用下式对fonlineSVRWeather,d进行更新:
fonlineSVRACWeather,d=fForget(fonlineSVRACWeather,d,SamplesIndexes1)
其中,SamplesIndexes1为室外气象参数减量训练样本的下标值,SamplesIndexes=1,2,…,24;fForget函数为减量训练函数,输入为未减量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、SamplesIndexes1,输出为减量训练后的外气象参数Online SVR模型fonlineSVRWeather,d;
对空调运行输入参数模型采用以下方法进行减量训练:
筛选第sf-mf+1天第f类日期的24小时的建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数进行重构,组成空调运行输入参数减量训练样本;
利用下式对空调运行输入参数进行更新:
其中,SamplesIndexes2f为空调运行输入参数减量训练样本的下标值,SamplesIndexes2f=1,2,…,24;fForget函数为减量训练函数,输入为未减量训练前的空调运行输入Online SVR模型以及SamplesIndexes2f,输出为减量训练后的空调运行输入参数Online SVR模型
(5-1-4)所述利用步骤(5-1-3)更新后的输入参数Online SVR模型逐时预测第sf天第f类日期的24小时输入参数,具体为:
对于室外气象参数,利用以下方法进行逐时预测:
(5-1-4-1a)利用下式计算输入参数的预测值:
(5-1-4-2a)利用下式修正步骤(5-1-4-1)得到的预测值:
其中,fonlineSVRWeather,d为步骤(5-1-3)更新后的室外气象参数Online SVR模型;Errorxd(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分别对应室外气象参数:室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射;
对于空调运行输入参数,利用以下方法进行逐时预测:
(5-1-4-1b)利用下式计算空调运行输入参数的预测值:
(5-1-4-2b)利用下式修正步骤(5-1-4-1)得到的预测值:
其中,为步骤(5-1-3)更新后的空调运行输入参数Online SVR模型;为第sf天第f类日期的空调运行输入参数的预测值;为第sf天第f类日期的空调运行输入参数的预测值与实际值之间的残差;其中d的取值4、5、6、7分别对应空调运行输入参数:空调运行输入参数由建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数组成。
步骤(5-1-6)所述利用步骤(5-1-5)的结果及空调冷负荷Online SVR预测模型,逐时预测第sf天第f类日期的24小时的空调冷负荷,具体为:
(5-1-6-1)利用空调冷负荷Online SVR预测模型及逐时预测第sf天第f类日期的第l小时的空调冷负荷值其中l=1、2、3…24;
输入为:
输出为:
(5-1-6-2)利用下式修正步骤(5-1-6-1)得到的预测值:
其中为第sf-1天第f类日期的空调冷负荷预测值与实际值之间的残差;其中l=1、2、3…24。
实现上述的商场建筑中央空调逐时冷负荷在线预测方法的商场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,用于采集建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率;
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、太阳总辐射传感器与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;
客流量计数装置,用于采集进入商场的人数和离开商场的人数;包括依次连接的客流量红外计数传感器、客流量计数统计装置、和客流量数据通讯模块。
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、客流量计数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、空调机组智能节点装置和新风机组智能节点装置;
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;
所述空调机组智能节点装置,包括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、空调机组温度传感器、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;
所述新风机组智能节点装置,包括依次连接的新风机组控制器、新风机组数据采集器、新风机组数据通讯模块。
与现有技术相比,本发明具有以下优点和技术效果:
1、本发明考虑了室外环境参数、日期类型、室内环境参数、商场内人数、末端设备开启状态等影响商场建筑空调冷负荷的重要因素,对空调冷负荷预测精度有了极大的提高。
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、优化,极大的提高了预测精度。
3、本发明可以提前24小时在线预测当日的商场建筑空调冷负荷,并对24小时的空调冷负荷预测值进行了补偿修正。
4、本发明同时提供了商场建筑中央空调逐时冷负荷在线预测系统,既可用于单栋商场建筑的水冷式中央空调冷负荷预测,也可用于大型商业建筑群的水冷式中央空调冷负荷预测。
附图说明
图1为本发明的实施例的商场建筑中央空调冷负荷在线预测系统的组成框图。
图2为本发明的实施例的冷源数据采集系统的结构图。
图3为本发明的实施例的风机盘管智能节点装置的结构示意图。
图4为本发明的实施例的空调机组智能节点装置的结构示意图。
图5为本发明的实施例的新风机组智能节点装置的结构示意图。
图6为本发明的实施例的客流量计数装置的结构示意图。
图7为本发明的实施例的室外气象数据采集装置的结构示意图。
图8为本发明的实施例的商场建筑中央空调逐时冷负荷在线预测预测方法中的第f类日期的冷负荷在线预测预测流程图。
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,本实施例的商场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、空调末端设备智能节点装置2、客流量计数装置3、室外气象数据采集装置4、数据中转服务器5、空调冷负荷预测数据服务器6;空调末端设备智能节点装置,用于采集建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率;空调末端设备智能节点装置包括风机盘管智能节点装置、空调机组智能节点装置和新风机组智能节点装置。
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;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,风机盘管控制器包括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、空调机组温度传感器、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;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区域内温度、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、空调机组温度传感器、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;空调机组控制器设有AI端口、AO端口、DO端口和数据端口,空调机组控制器通过2个AI端口(AI-1、AI-2)分别与温度传感器、湿度传感器连接,通过1个AO端口与电动调节阀连接,通过1个DO端口与1个继电器线圈(P5)连接,继电器辅助触点(P5)与风机三相交流接触器线圈连接,空调机组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。通过空调机组智能节点装置可以实时采集区域内温度、湿度及空调机组的开关状态。所述的空调机组的开关状态由以下过程进行判断:当检测到风机的三相交流接触器闭合时,认为空调机组开启。
如图5所示,新风机组智能节点装置包括依次连接的新风机组控制器、新风机组数据采集器、新风机组数据通讯模块;新风机组控制器设有AO、DO端口和数据端口,新风机组控制器通过1个AO端口与电动调节阀连接,通过1个DO端口与1个继电器线圈(P5)连接,继电器辅助触点(P5)与风机三相交流接触器线圈连接,新风机组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。通过新风机组智能节点装置可以实时采集区域内新风机组的开关状态。所述的新风机组的开关状态由以下过程进行判断:当检测到风机的三相交流接触器闭合时,认为新风机组开启。
如图6所示,客流量计数装置,用于采集进入商场的人数和离开商场的人数;包括依次连接的客流量红外计数传感器、客流量计数统计装置、和客流量数据通讯模块。客流量计数装置设置在各个出入口,设有客流量红外计数传感器,将进入商场人数和离开商场人数的数据送入客流量计数统计装置,客流量计数统计装置为一单片机,可实现客流量的实时计算功能。客流量数据通讯模块一端与客流量计数统计装置的数据端口连接,另一端外接数据传输线路。通过客流量计数装置3可以远程实时采集当前时刻的商场客流量。
如图7所示,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、太阳总辐射传感器与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,通过数据采集器的输出端连接数据通讯模块,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,用于接收、存储及上传冷源数据采集系统、末端设备智能节点装置、室外气象数据采集装置、客流量计数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。
如图8所示,商场建筑中央空调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,用于计算各空调运行输入参数;为每个空调末端设备智能节点装置设置唯一编号;
将采集日期分为工作日、周末、节假日三类,f=1,2,3分别对应工作日、周末、节假日三种类型,将各类日期的输入参数的实际值与预测值之间的残差初值置零;第f类日期的采集天数sf的初值置零;第f类日期的输出参数的实际值与预测值之间的残差初值置零;
其中的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、室外环境相对湿度、室外环境太阳总辐射组成;所述空调运行输入参数由建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数组成;输出参数为空调冷负荷;
(2)令p=p+1,对第p天进行类型判断,若属于第f类,则sf=sf+1;
(3)判断采集天数sf是否满足sf≥mf,其中mf为由用户自行设定的各类日期空调负荷预测数据需要采集的天数;
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sf是否满足sf>mf,若不满足,进行步骤(4),若满足,则进行步骤(5)
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;
数据处理过程为:计算各个小时的空调冷负荷、客流量、建筑物内空调开启区域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、室外环境相对湿度及室外环境太阳总辐射;将空调冷负荷、客流量、建筑物建筑空调开启区域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、室外环境相对湿度、室外环境太阳总辐射等数据进行归一化处理;将归一化的室外气象参数数据按照时间先后顺序存储,将归一化的空调运行参数按日期类型数据分类存储。具体计算方法如下:(a)计算第f类日期的第sf天第l小时建筑中央空调系统的平均冷负荷
式中,Cw:水的定压比热,kJ/kg·℃;
qw(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;
tc1(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,℃;
tc2(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f类日期的第sf天第l小时室外环境平均干球温度
Td(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f类日期的第sf天第l小时室外环境平均相对湿度
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f类日期的第sf天第l小时室外环境平均太阳总辐射
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f类日期的第sf天第l小时的建筑空调开启区域的建筑空调开启区域平均干球温度
式中:i:安装有空调机组或风机盘管的建筑区域序号;
l:安装有空调机组或风机盘管的建筑区域总数,个;
j:建筑区域内空调机组或风机盘管的序号;
ni:第i个区域内空调机组或风机盘管的总数,个;
Aij:第i个区域第j个空调机组或风机盘管的供冷面积,m2;
Sij(s):第k小时内第s个采样周期内第i个区域第j个空调机组或风机盘管的开关状态,1为开启状态,0为关闭状态;
tij(s):第k小时内第s个采样周期第i个区域第j个空调机组智能节点装置或风机盘管智能节点装置检测的温度,℃;
(f)计算第f类日期的第sf天第l小时建筑空调开启区域的室内平均相对湿度
式中:Uij(s):第l小时内第s个采样周期第i个区域第j个空调机组智能节点装置或风机盘管智能节点装置检测的室内相对湿度,%;
(g)计算第f类日期的第sf天第l小时建筑空调末端设备平均加权开启率
式中,Sij(s):第l小时内第s个采样周期第i个区域第j个空调机组、风机盘管或新风机组的开关状态,1为开启状态,0为关闭状态;
Pij:第i个区域第j个空调末端设备的功率。
(h)计算第f类日期的第sf天第l小时的商场内人数
式中:为第f类日期的第sf天第l小时第s个采样周期商场内人数,人。
Ri(s)为当前采样周期第i个入口人数计数装置进入商场的人数,人。
Ci(s)为当前采样周期第i个出口人数计数装置出商场的人数,人。
(i)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]:
式中x:数据属性向量中的数据属性值;
xmin:数据属性向量中的最小值;
xmax:数据属性向量中的最大值;
y:归一化处理后的数据属性值。
(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)以前mf-1天第f类日期的输入参数的实际值为输入,以前mf-1天第f类日期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
(4-1-2)对于空调运行输入参数,利用前mf-1天第f类日期的空调运行输入参数的实际值进行空调运行输入参数时间序列Online SVR模型初始化建模,逐时预测第mf天第f类日期的24小时的空调运行输入参数,具体为:
(4-1-2-1a)利用前mf-1天第f类日期的空调运行输入参数的实际值构造空调运行输入参数的Online SVR时间序列;
(4-1-2-2a)对步骤(4-1-2-1a)得到的空调运行输入参数的Online SVR时间序列进行重构,具体如下:
设定空调运行输入参数时间序列Online SVR模型的输入样本嵌入维数为其中则输入样本表示为:
输出样本表示为:
其中,第k天第f类日期的第l小时的第d个空调运行输入参数的实际值;其中d的取值4、5、6、7分别对应空调运行输入参数:建筑空调开启区域平均干球温度、建筑室内平均相对湿度、空调末端设备开启率、商场内人数;l=1、2、3…24;k=1、2、3…mf;
(4-1-2-3a)利用步骤(4-1-2-2a)重构的空调运行输入参数的Online SVR时间序列,对空调运行输入参数时间序列Online SVR模型进行初始化训练;
(4-1-2-4a)预测第mf天第f类日期的第d个空调运行输入参数24小时的逐时值:
利用步骤(4-1-2-3a)得到的空调运行输入参数的Online SVR时间序列初始化模型预测第mf天第f类日期的第d个空调运行输入参数24小时的逐时值,具体如下:
其中表示第mf天第f类日期的第l小时的第d个空调运行输入参数的预测值,l=1、2、3…24;d=4,5,6,7。
对于室外气象参数,室外气象参数的预测与日期类型无关,当室外气象参数的实际值与预测值之间的残差为零,则利用前p1-1天的室外气象参数的实际值进行Online SVR时间序列预测模型初始化建模,逐时预测第p天24小时的室外气象参数数据,此时p=p1=min(mf);当室外气象参数的实际值与预测值之间的残差不为零,则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练,逐时预测第p天24小时的室外气象参数数据并修正,具体为:
(i)当室外气象参数的实际值与预测值之间的残差为零,采用以下方法进行室外气象参数时间序列Online SVR模型初始化建模,逐时预测第p天24小时的室外气象参数:
(4-1-2-1b)利用前p1-1天的室外气象参数的实际值构造室外气象参数的Online SVR时间序列;
(4-1-2-2b)利用步骤(4-1-2-1b)得到的室外气象参数的Online SVR时间序列进行重构,具体如下:
设定室外气象参数的Online SVR时间序列模型的输入样本嵌入维数为D1,其中D1<24,则输入样本表示为:
输出样本表示为:
其中,xk,d(l)表示第k天的第l小时的第d个室外气象参数的实际值;其中d的取值1、2、3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;l=1、2、3…24;k=1、2、3…p1-1;此时p=p1;
(4-1-2-3b)利用步骤(4-1-2-2b)重构的室外气象参数的Online SVR时间序列,对室外气象输入参数时间序列Online SVR模型fonlineSVRWeather,d进行初始化训练;
(4-1-2-4b)预测第p天室外气象参数24小时的逐时值:
利用步骤(4-1-2-3b)得到的室外气象参数的Online SVR时间序列初始化模型fonlineSVRWeather,d预测第p天室外气象参数24小时的逐时值,具体如下:
其中表示第p天的第l小时的第d个室外气象输入参数的预测值,此时p=p1,d=1,2,3;
(ii)当室外气象参数的实际值与预测值之间的残差不为零,则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练,逐时预测第p天24小时的室外气象参数数据并修正:
采用以下方法进行增量训练:
利用下式对室外气象参数时间序列Online SVR预测模型fonlineSVRWeather,d进行更新:
fonlineSVRWeather,d=fTrain(fonlineSVRWeather,d,NewSampleX,NewSampleY)
其中,
输入为未增量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、室外气象参数新样本输入变量NewSampleX以及室外气象参数新样本输出变量NewSampleY,输出为增量训练后的室外气象参数Online SVR模型fonlineSVRWeather,d;
采用以下方法进行减量训练:
筛选第p-p1+1天24小时室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射进行重构,组成室外气象参数减量训练样本;
利用下式对fonlineSVRWeather,d进行更新:
fonlineSVRWeather,d=fForget(fonlineSVRWeather,d,SamplesIndexes1)
其中,SamplesIndexes1为室外气象参数减量训练样本的下标值,SamplesIndexes1=1,2,…,24;fForget函数为减量训练函数,输入为未减量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、SamplesIndexes1,输出为减量训练后的外气象参数Online SVR模型fonlineSVRWeather,d;
(4-1-3)利用步骤(4-1-1)及步骤(4-1-2)的结果,逐时预测第mf天第f类日期24小时的空调冷负荷,具体为:
设第f类日期的空调冷负荷Online SVR初始化预测模型则输入为第mf天第f类日期24小时的输入参数的预测值,
输出为第mf天第f类日期的第l小时的空调冷负荷的预测值
(4-2)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;
(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(6);
(5)进行以下步骤:
(5-1)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:
(5-1-1)利用第sf-1天第f类日期采集计算得到的输入参数、输出参数对当前的空调负荷Online SVR模型进行增量训练,利用第sf-mf+1天第f类日期采集计算得到的输入参数、输出参数对第f类日期当前的空调负荷Online SVR模型进行减量训练,得到更新后的空调负荷Online SVR模型,具体为:
(5-1-1-1)在原有的样本中加入第sf-1天第f类日期采集计算得到的第l小时的数据作为增量训练样本,l=1,2,…24;以为输入,为输出进行增量训练,更新空调负荷Online SVR模型具体为:
利用下式更新
其中:
其中fTrain函数为增量训练函数,输入为未增量训练前的Online SVR模型新样本输入变量NewSampleX以及新样本输出变量NewSampleY,输出为增量训练后的Online SVR模型
(5-1-1-2)筛选第sf-mf+1天第f类日期的数据作为减量训练样本,以为输入,实时冷负荷为输出,进行减量训练,并更新Online SVR模型
按下式对进行更新:
其中fForget函数为减量训练函数,输入为未减量训练前的Online SVR模型减量样本的下标值SamplesIndexes,SamplesIndexes=1,2,…,24,输出为减量训练后的Online SVR模型
(5-1-2)计算第sf-1天第f类日期的输入参数、输出参数的预测值与实际值之间的残差;
(5-1-3)对当前的输入参数Online SVR模型进行增量训练和减量训练,更新输入参数Online SVR模型,具体为:
对室外气象参数Online SVR模型fonlineSVRWeather,d,采用以下方法进行增量训练:
利用下式对fonlineSVRWeather,d进行更新:
fonlineSVRWeather,d=fTrain(fonlineSVRWeather,d,NewSampleX,NewSampleY)
其中,
输入为未增量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、室外气象参数新样本输入变量NewSampleX以及室外气象参数新样本输出变量NewSampleY,输出为增量训练后的室外气象参数Online SVR模型fonlineSVRWeather,d;
对于第f类日期的空调运行输入参数Online SVR模型采用以下方法进行增量训练:
利用下式对进行更新:
其中,
输入为未增量训练前的空调运行输入参数Online SVR模型新样本输入变量NewSampleX1以及新样本输出变量NewSampleY1,输出为增量训练后的空调运行输入参数Online SVR模型表示第sf-1天第f类日期的第l小时的第d个空调运行输入参数的实际值;
对室外气象参数Online SVR模型fonlineSVRWeather,d,采用以下方法进行减量训练:
筛选第p-p1+1天24小时室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射进行重构,组成室外气象参数减量训练样本;
利用下式对fonlineSVRWeather,d进行更新:
fonlineSVRACWeather,d=fForget(fonlineSVRACWeather,d,SamplesIndexes1)
其中,SamplesIndexes1为室外气象参数减量训练样本的下标值,SamplesIndexes=1,2,…,24;fForget函数为减量训练函数,输入为未减量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、SamplesIndexes1,输出为减量训练后的外气象参数Online SVR模型fonlineSVRWeather,d;
对空调运行输入参数模型采用以下方法进行减量训练:
筛选第sf-mf+1天第f类日期的24小时的建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数进行重构,组成空调运行输入参数减量训练样本;
利用下式对空调运行输入参数进行更新:
其中,SamplesIndexes2f为空调运行输入参数减量训练样本的下标值,SamplesIndexes2f=1,2,…,24;fForget函数为减量训练函数,输入为未减量训练前的空调运行输入Online SVR模型SamplesIndexes2f,输出为减量训练后的空调运行输入参数Online SVR模型
(5-1-4)利用步骤(5-1-3)更新后的输入参数Online SVR模型逐时预测第sf天第f类日期的24小时输入参数,具体为:
对于室外气象参数,利用以下方法进行逐时预测:
(5-1-4-1a)利用下式计算输入参数的预测值:
(5-1-4-2a)利用下式修正步骤(5-1-4-1)得到的预测值:
其中,fonlineSVRWeather,d为步骤(5-1-3)更新后的室外气象参数Online SVR模型;Errorxd(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分别对应室外气象参数:室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射;
对于空调运行输入参数,利用以下方法进行逐时预测:
(5-1-4-1b)利用下式计算空调运行输入参数的预测值:
(5-1-4-2b)利用下式修正步骤(5-1-4-1)得到的预测值:
其中,为步骤(5-1-3)更新后的空调运行输入参数Online SVR模型;为第sf天第f类日期的空调运行输入参数的预测值;为第sf天第f类日期的空调运行输入参数的预测值与实际值之间的残差;其中d的取值4、5、6、7分别对应空调运行输入参数:空调运行输入参数由建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数组成。
(5-1-5)计算第sf-1天第f类日期的空调冷负荷的预测值与实际值之间的残差;
步骤(5-1-6)所述利用步骤(5-1-5)的结果及空调冷负荷Online SVR预测模型,逐时预测第sf天第f类日期的24小时的空调冷负荷,具体为:
(5-1-6-1)利用空调冷负荷Online SVR预测模型及逐时预测第sf天第f类日期的第l小时的空调冷负荷值其中l=1,2,3…24;
输入为:
输出为:
(5-1-6-2)利用下式修正步骤(5-1-6-1)得到的预测值:
其中为第sf-1天第f类日期的空调冷负荷预测值与实际值之间的残差;其中l=1,2,3…24。
(5-2)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;
(5-3)判断n是否满足n=24,若否,重复步骤(5-2)~(5-3);若是,进行步骤(6);
(6)检测是否有预测结束信号,若无,重复步骤(2)~(5);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 (10)
1.商场建筑中央空调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,用于计算各空调运行输入参数;为每个空调末端设备智能节点装置设置唯一编号;
将采集日期分为工作日、周末、节日三类,f=1,2,3分别对应工作日、周末、节日三种类型,将各类日期的输入参数的实际值与预测值之间的残差初值置零;第f类日期的采集天数sf的初值置零;第f类日期的输出参数的实际值与预测值之间的残差初值置零;
其中的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、室外环境相对湿度、室外环境太阳总辐射组成;所述空调运行输入参数由建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数组成;所述输出参数为空调冷负荷;
(2)令p=p+1,对第p天进行类型判断,若属于第f类,则sf=sf+1;
(3)判断采集天数sf是否满足sf≥mf,其中mf为由用户自行设定的各类日期空调负荷预测数据需要采集的天数;
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sf是否满足sf>mf,若不满足,进行步骤(4),若满足,则进行步骤(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)以前mf-1天第f类日期的输入参数的实际值为输入,以前mf-1天第f类日期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
其中,表示第1天第f类日期的第1个输入参数的第1、2…24小时的实际值,表示第2天第f类日期的第1个输入参数的第1、2…24小时的实际值…表示第mf-1天第f类日期的第1个输入参数的第1、2…24小时的实际值…..,表示第mf-1天第f类日期的第7个输入参数的第1、2…24小时的实际值;
表示第1天第f类日期的第1、2…24小时的空调冷负荷的实际值表示第mf-1天第f类日期的第1、2…24小时的空调冷负荷的实际值;
(4-1-2)对于空调运行输入参数,利用前mf-1天第f类日期的空调运行输入参数的实际值进行空调运行输入参数时间序列Online SVR模型初始化建模,逐时预测第mf天第f类日期的24小时的空调运行输入参数;
对于室外气象参数,室外气象参数的预测与日期类型无关,当室外气象参数的实际值与预测值之间的残差为零,则利用前p1-1天的室外气象参数的实际值进行Online SVR时间序列预测模型初始化建模,逐时预测第p天24小时的室外气象参数数据,p1=min(mf);当室外气象参数的实际值与预测值之间的残差不为零,则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练,逐时预测第p天24小时的室外气象参数数据并修正;
(4-1-3)利用步骤(4-1-1)及步骤(4-1-2)的结果,逐时预测第mf天第f类日期24小时的空调冷负荷;
(4-2)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;
(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(6);
(5)进行以下步骤:
(5-1)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:
(5-1-1)利用第sf-1天第f类日期采集计算得到的输入参数、输出参数对当前的空调负荷Online SVR模型进行增量训练,利用第sf-mf+1天第f类日期采集计算得到的输入参数、输出参数对第f类日期当前的空调负荷Online SVR模型进行减量训练,得到更新后的空调负荷Online SVR模型;
(5-1-2)计算第sf-1天第f类日期的输入参数、输出参数的预测值与实际值之间的残差;
(5-1-3)对当前的输入参数Online SVR模型进行增量训练和减量训练,更新输入参数Online SVR模型;
(5-1-4)利用步骤(5-1-3)更新后的输入参数Online SVR模型逐时预测第sf天第f类日期的24小时输入参数;
(5-1-5)计算第sf-1天第f类日期的空调冷负荷的预测值与实际值之间的残差;对室外气象参数预测值赋值:d=1,2,3;l=1,2,3…24;其中表示第p天的第l小时的第d个室外气象输入参数的预测值;为第sf天第f类日期的第l小时的第d个室外气象输入参数的预测值;
(5-1-6)利用步骤(5-1-4)的结果及空调冷负荷Online SVR预测模型,逐时预测第sf天第f类日期的24小时的空调冷负荷;
(5-2)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;
(5-3)判断n是否满足n=24,若否,重复步骤(5-2)~(5-3);若是,进行步骤(6);
(6)检测是否有预测结束信号,若无,重复步骤(2)~(5);若有,结束预测。
2.根据权利要求1所述的商场建筑中央空调冷负荷在线预测方法,其特征在于,步骤(4-1-2)所述对于空调运行输入参数,利用前mf-1天第f类日期的空调运行输入参数的实际值进行空调运行输入参数时间序列Online SVR模型初始化建模,逐时预测第mf天第f类日期的24小时的空调运行输入参数,具体为:
(4-1-2-1a)利用前mf-1天第f类日期的空调运行输入参数的实际值构造空调运行输入参数的Online SVR时间序列;
(4-1-2-2a)对步骤(4-1-2-1a)得到的空调运行输入参数的Online SVR时间序列进行重构,具体如下:
设定空调运行输入参数时间序列Online SVR模型的输入样本嵌入维数为其中则输入样本表示为:
输出样本表示为:
其中,第k天第f类日期的第l小时的第d个空调运行输入参数的实际值;其中d的取值4、5、6、7分别对应空调运行输入参数:建筑空调开启区域平均干球温度、建筑室内平均相对湿度、空调末端设备开启率、商场内人数;l=1、2、3…24;k=1、2、3…mf;
(4-1-2-3a)利用步骤(4-1-2-2a)重构的空调运行输入参数的Online SVR时间序列,对空调运行输入参数时间序列Online SVR模型进行初始化训练;
(4-1-2-4a)预测第mf天第f类日期的第d个空调运行输入参数24小时的逐时值:
利用步骤(4-1-2-3a)得到的空调运行输入参数的Online SVR时间序列初始化模型预测第mf天第f类日期的第d个空调运行输入参数24小时的逐时值,具体如下:
其中表示第mf天第f类日期的第l小时的第d个空调运行输入参数的预测值,l=1、2、3…24;d=4,5,6,7。
3.根据权利要求2所述的商场建筑中央空调冷负荷在线预测方法,其特征在于,步骤(4-1-2)所述对于室外气象参数,室外气象参数的预测与日期类型无关,当室外气象参数的实际值与预测值之间的残差为零,则利用前p1-1天的室外气象参数的实际值进行Online SVR时间序列预测模型初始化建模,逐时预测第p天24小时的室外气象参数数据,此时p=p1=min(mf);当室外气象参数的实际值与预测值之间的残差不为零,则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练,逐时预测第p天24小时的室外气象参数数据并修正,具体为:
(i)当室外气象参数的实际值与预测值之间的残差为零,采用以下方法进行室外气象参数时间序列Online SVR模型初始化建模,逐时预测第p天24小时的室外气象参数:
(4-1-2-1b)利用前p1-1天的室外气象参数的实际值构造室外气象参数的Online SVR时间序列;
(4-1-2-2b)利用步骤(4-1-2-1b)得到的室外气象参数的Online SVR时间序列进行重构,具体如下:
设定室外气象参数的Online SVR时间序列模型的输入样本嵌入维数为D1,其中D1<24,则输入样本表示为:
输出样本表示为:
其中,xk,d(l)表示第k天的第l小时的第d个室外气象参数的实际值;其中d的取值1、2、3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;l=1、2、3…24;k=1、2、3…p1-1;此时p=p1;
(4-1-2-3b)利用步骤(4-1-2-2b)重构的室外气象参数的Online SVR时间序列,对室外气象输入参数时间序列Online SVR模型fonlineSVRWeather,d进行初始化训练;
(4-1-2-4b)预测第p天室外气象参数24小时的逐时值:
利用步骤(4-1-2-3b)得到的室外气象参数的Online SVR时间序列初始化模型fonlineSVRWeather,d预测第p天室外气象参数24小时的逐时值,具体如下:
其中表示第p天的第l小时的第d个室外气象输入参数的预测值,此时p=p1,d=1,2,3;
(ii)当室外气象参数的实际值与预测值之间的残差不为零,则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练,逐时预测第p天24小时的室外气象参数数据并修正:
采用以下方法进行增量训练:
利用下式对室外气象参数时间序列Online SVR预测模型fonlineSVRWeather,d进行更新:
fonlineSVRWeather,d=fTrain(fonlineSVRWeather,d,NewSampleX,NewSampleY)
其中,
输入为未增量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、室外气象参数新样本输入变量NewSampleX以及室外气象参数新样本输出变量NewSampleY,输出为增量训练后的室外气象参数Online SVR模型fonlineSVRWeather,d;
采用以下方法进行减量训练:
筛选第p-p1+1天24小时室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射进行重构,组成室外气象参数减量训练样本;
利用下式对fonlineSVRWeather,d进行更新:
fonlineSVRWeather,d=fForget(fonlineSVRWeather,d,SamplesIndexes1)
其中,SamplesIndexes1为室外气象参数减量训练样本的下标值,SamplesIndexes1=1,2,…,24;fForget函数为减量训练函数,输入为未减量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、SamplesIndexes1,输出为减量训练后的外气象参数Online SVR模型fonlineSVRWeather,d。
4.根据权利要求3所述的商场建筑中央空调冷负荷在线预测方法,其特征在于,步骤(4-1-3)所述利用步骤(4-1-1)及步骤(4-1-2)的结果,逐时预测第mf天第f类日期24小时的空调冷负荷,具体为:
设第f类日期的空调冷负荷Online SVR初始化预测模型则输入为第mf天第f类日期24小时的输入参数的预测值,
输出为第mf天第f类日期的第l小时的空调冷负荷的预测值
为第mf天第f类日期的第1、2…24小时的空调冷负荷的预测值。
5.根据权利要求4所述的商场建筑中央空调冷负荷在线预测方法,其特征在于,步骤(5-1-3)对当前的输入参数Online SVR模型进行增量训练,具体为:
对室外气象参数Online SVR模型fonlineSVRWeather,d,采用以下方法进行增量训练:
利用下式对fonlineSVRWeather,d进行更新:
fonlineSVRWeather,d=fTrain(fonlineSVRWeather,d,NewSampleX,NewSampleY)
其中,
输入为未增量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、室外气象参数新样本输入变量NewSampleX以及室外气象参数新样本输出变量NewSampleY,输出为增量训练后的室外气象参数Online SVR模型fonlineSVRWeather,d;
对于第f类日期的空调运行输入参数Online SVR模型采用以下方法进行增量训练:
利用下式对进行更新:
其中,
输入为未增量训练前的空调运行输入参数Online SVR模型新样本输入变量NewSampleXf以及新样本输出变量NewSampleYf,输出为增量训练后的空调运行输入参数Online SVR模型表示第sf-1天第f类日期的第l小时的第d个空调运行输入参数的实际值。
6.根据权利要求5所述的商场建筑中央空调冷负荷在线预测方法,其特征在于,步骤(5-1-3)中对当前的输入参数Online SVR模型进行减量训练具体为:
对室外气象参数Online SVR模型fonlineSVRWeather,d,采用以下方法进行减量训练:
筛选第p-p1+1天24小时室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射进行重构,组成室外气象参数减量训练样本;
利用下式对fonlineSVRWeather,d进行更新:
fonlineSVRACWeather,d=fForget(fonlineSVRACWeather,d,SamplesIndexes1)
其中,SamplesIndexes1为室外气象参数减量训练样本的下标值,SamplesIndexes=1,2,…,24;fForget函数为减量训练函数,输入为未减量训练前的室外气象参数Online SVR模型fonlineSVRWeather,d、SamplesIndexes1,输出为减量训练后的外气象参数Online SVR模型fonlineSVRWeather,d;
对空调运行输入参数模型采用以下方法进行减量训练:
筛选第sf-mf+1天第f类日期的24小时的建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数进行重构,组成空调运行输入参数减量训练样本;
利用下式对空调运行输入参数进行更新:
其中,SamplesIndexes2f为空调运行输入参数减量训练样本的下标值,SamplesIndexes2f=1,2,…,24;fForget函数为减量训练函数,输入为未减量训练前的空调运行输入Online SVR模型以及SamplesIndexes2f,输出为减量训练后的空调运行输入参数Online SVR模型
7.根据权利要求6所述的商场建筑中央空调冷负荷在线预测方法,其特征在于,(5-1-4)所述利用步骤(5-1-3)更新后的输入参数Online SVR模型逐时预测第sf天第f类日期的24小时输入参数,具体为:
对于室外气象参数,利用以下方法进行逐时预测:
(5-1-4-1a)利用下式计算输入参数的预测值:
(5-1-4-2a)利用下式修正步骤(5-1-4-1)得到的预测值:
其中,fonlineSVRWeather,d为步骤(5-1-3)更新后的室外气象参数Online SVR模型;Errorxd(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分别对应室外气象参数:室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射;
对于空调运行输入参数,利用以下方法进行逐时预测:
(5-1-4-1b)利用下式计算空调运行输入参数的预测值:
(5-1-4-2b)利用下式修正步骤(5-1-4-1)得到的预测值:
其中,为步骤(5-1-3)更新后的空调运行输入参数Online SVR模型;为第sf天第f类日期的空调运行输入参数的预测值;为第sf天第f类日期的空调运行输入参数的预测值与实际值之间的残差;其中d的取值4、5、6、7分别对应空调运行输入参数:空调运行输入参数由建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数组成。
8.根据权利要求7所述的商场建筑中央空调冷负荷在线预测方法,其特征在于,步骤(5-1-6)所述利用步骤(5-1-5)的结果及空调冷负荷Online SVR预测模型,逐时预测第sf天第f类日期的24小时的空调冷负荷,具体为:
(5-1-6-1)利用空调冷负荷Online SVR预测模型及逐时预测第sf天第f类日期的第l小时的空调冷负荷值其中l=1、2、3…24;
输入为:
输出为:
(5-1-6-2)利用下式修正步骤(5-1-6-1)得到的预测值:
其中为第sf-1天第f类日期的空调冷负荷预测值与实际值之间的残差;其中l=1、2、3…24。
9.实现权利要求1~8任一项所述的商场建筑中央空调冷负荷在线预测方法的商场建筑中央空调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,用于采集建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率;
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;
客流量计数装置,用于采集进入商场的人数和离开商场的人数;包括依次连接的客流量红外计数传感器、客流量计数统计装置、和客流量数据通讯模块;
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、客流量计数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,并根据如权利要求1~8任一项所述的商场建筑中央空调冷负荷在线预测方法预测空调冷负荷。
10.根据权利要求9所述的商场建筑中央空调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、空调机组智能节点装置和新风机组智能节点装置;
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;
所述空调机组智能节点装置,包括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、空调机组温度传感器、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;
所述新风机组智能节点装置,包括依次连接的新风机组控制器、新风机组数据采集器、新风机组数据通讯模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210187275.1A CN102779228B (zh) | 2012-06-07 | 2012-06-07 | 商场建筑中央空调冷负荷在线预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210187275.1A CN102779228B (zh) | 2012-06-07 | 2012-06-07 | 商场建筑中央空调冷负荷在线预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102779228A CN102779228A (zh) | 2012-11-14 |
CN102779228B true CN102779228B (zh) | 2015-06-03 |
Family
ID=47124138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210187275.1A Active CN102779228B (zh) | 2012-06-07 | 2012-06-07 | 商场建筑中央空调冷负荷在线预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102779228B (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699771B (zh) * | 2013-09-27 | 2016-09-21 | 广东工业大学 | 一种冷负荷预测的情景-聚类方法 |
CN103868624B (zh) * | 2014-03-06 | 2016-06-15 | 南京师范大学 | 一种房间空调器制冷量采集误差修正方法 |
CN104019924A (zh) * | 2014-06-10 | 2014-09-03 | 上海大学 | 一种空调房间内温度场温度的软测量方法 |
CN104111679A (zh) * | 2014-07-01 | 2014-10-22 | 河南本易信息工程有限公司 | 一种温室设备用智能控制器 |
CN104537228B (zh) * | 2014-12-23 | 2017-08-11 | 清华大学 | 基于残差熵和分层双支持向量机的玻璃窑炉温度预报方法 |
US10067038B2 (en) * | 2015-03-24 | 2018-09-04 | Accenture Global Services Limited | Analyzing equipment degradation for maintaining equipment |
CN104864560B (zh) * | 2015-05-06 | 2017-08-25 | 上海申瑞继保电气有限公司 | 办公建筑空调用电预估方法 |
CN105004015B (zh) * | 2015-08-25 | 2017-07-28 | 东南大学 | 一种基于需求响应的中央空调控制方法 |
CN105631539A (zh) * | 2015-12-25 | 2016-06-01 | 上海建坤信息技术有限责任公司 | 基于支持向量机的智能楼宇能耗预测方法 |
JP6655427B2 (ja) * | 2016-02-29 | 2020-02-26 | 東芝テック株式会社 | 情報処理装置及びプログラム |
CN105841300B (zh) * | 2016-03-31 | 2018-08-10 | 东南大学 | 一种计及新风系统的中央空调建模及调控策略 |
CN106403166B (zh) * | 2016-08-31 | 2019-05-10 | 成都中装能源科技有限公司 | 一种冷负荷预测控制方法及装置 |
CN106338127B (zh) * | 2016-09-20 | 2018-06-22 | 珠海格力电器股份有限公司 | 用于地铁暖通空调系统的负荷预测和控制系统及其方法 |
CN106705353B (zh) * | 2016-11-28 | 2020-03-24 | 青岛海尔空调电子有限公司 | 一种多联机空调控制方法 |
CN106910144B (zh) * | 2017-01-11 | 2020-04-28 | 华南理工大学 | 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法 |
CN106958917B (zh) * | 2017-03-22 | 2019-12-17 | 柳州博泽科技股份有限公司 | 一种自动调节大型商场空气的换气系统 |
CN107143970A (zh) * | 2017-04-18 | 2017-09-08 | 珠海格力电器股份有限公司 | 空调选型方法和装置 |
CN107192097A (zh) * | 2017-06-06 | 2017-09-22 | 珠海格力电器股份有限公司 | 空调冷冻水系统的控制方法和装置 |
CN109130767B (zh) * | 2017-06-28 | 2020-08-11 | 北京交通大学 | 基于客流的轨道交通车站通风空调系统的智能控制方法 |
CN107576015B (zh) * | 2017-09-21 | 2020-06-23 | 新智能源系统控制有限责任公司 | 一种实现需求侧响应的建筑空调模型预测控制方法和装置 |
CN108709287B (zh) * | 2018-04-03 | 2020-09-01 | 广东迪奥技术有限公司 | 一种空调系统冷负荷预测方法及冷水机组群控的策略 |
CN108644980B (zh) * | 2018-05-03 | 2021-01-29 | 广东工业大学 | 地铁车站通风空调系统的功耗计算方法、系统及存储介质 |
CN109341010B (zh) * | 2018-09-19 | 2021-04-30 | 新智能源系统控制有限责任公司 | 一种电制冷机空调系统用供能一体化的控制方法和装置 |
CN109740787B (zh) * | 2018-11-20 | 2021-07-13 | 第四范式(北京)技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
CN109634329B (zh) * | 2018-12-29 | 2021-07-27 | 河源春沐源旅游文化有限公司 | 封闭空间环境参数的控制方法、系统及存储介质 |
CN109974218B (zh) * | 2019-03-27 | 2020-09-08 | 福建工程学院 | 一种基于预测的多联机空调系统调控方法 |
CN110222398B (zh) * | 2019-05-29 | 2023-01-13 | 广州汇电云联互联网科技有限公司 | 冷水机组人工智能控制方法、装置、存储介质及终端设备 |
CN110276480A (zh) * | 2019-05-31 | 2019-09-24 | 武汉烽火富华电气有限责任公司 | 一种用于建筑能耗管理的分析预测方法及系统 |
CN110264004A (zh) * | 2019-06-20 | 2019-09-20 | 西安建筑科技大学 | 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法 |
CN110471380A (zh) * | 2019-08-15 | 2019-11-19 | 四川长虹电器股份有限公司 | 一种用于智能家居系统的空调故障监控及预警方法 |
CN112365029B (zh) * | 2019-09-03 | 2021-08-17 | 深圳市得益节能科技股份有限公司 | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 |
CN110895029A (zh) * | 2019-11-27 | 2020-03-20 | 南京亚派软件技术有限公司 | 一种基于冷冻水的温度的建筑负荷预测方法 |
CN111476422A (zh) * | 2020-04-10 | 2020-07-31 | 北京石油化工学院 | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 |
CN112531679A (zh) * | 2020-11-04 | 2021-03-19 | 国网湖南综合能源服务有限公司 | 一种测负荷特征大数据监测设备及监测方法 |
CN112365103B (zh) * | 2020-12-11 | 2023-10-13 | 同济大学建筑设计研究院(集团)有限公司 | 运行阶段建筑短期负荷预测方法、装置、设备和介质 |
CN113033016B (zh) * | 2021-04-12 | 2021-10-22 | 北京信息科技大学 | 基于混合式的中央空调负荷预测方法和装置 |
CN113776164B (zh) * | 2021-09-09 | 2022-08-30 | 广州珠江新城能源有限公司 | 用于集中供冷系统的自控方法及控制系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598424A (zh) * | 2004-07-20 | 2005-03-23 | 贵州华城楼宇科技有限公司 | 分布式高效中央空调节能装置 |
CN1598426A (zh) * | 2004-07-20 | 2005-03-23 | 贵州华城楼宇科技有限公司 | 中央空调冷却水节能装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100529907B1 (ko) * | 2003-06-19 | 2005-11-22 | 엘지전자 주식회사 | 에어컨의 중앙제어 시스템 및 그 동작방법 |
-
2012
- 2012-06-07 CN CN201210187275.1A patent/CN102779228B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598424A (zh) * | 2004-07-20 | 2005-03-23 | 贵州华城楼宇科技有限公司 | 分布式高效中央空调节能装置 |
CN1598426A (zh) * | 2004-07-20 | 2005-03-23 | 贵州华城楼宇科技有限公司 | 中央空调冷却水节能装置 |
Non-Patent Citations (1)
Title |
---|
刘大同.基于Online SVR的在线时间序列预测方法及其应用研究.《中国博士学位论文全文数据库(电子期刊)》.2011,(第4期),第1-96页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102779228A (zh) | 2012-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102779228B (zh) | 商场建筑中央空调冷负荷在线预测方法及系统 | |
CN102705957B (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及系统 | |
CN102354206B (zh) | 物联网环境下基于数据融合的空调故障诊断系统及方法 | |
CN104279715B (zh) | 一种楼宇空调设备负荷预测方法 | |
CN107726546B (zh) | 无人运营的中央空调智能系统及其控制方法 | |
CN110298487A (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
CN115249094B (zh) | 一种基于大数据的建筑能效管理和优化方法 | |
CN104122819A (zh) | 基于用户习惯的家庭智能用电方法及其系统 | |
CN112434787B (zh) | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN115220351B (zh) | 一种基于云边端的建筑空调系统智能节能优化控制方法 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN109974218A (zh) | 一种基于预测的多联机空调系统调控方法 | |
CN111830350B (zh) | 能耗计量方法、装置及电器 | |
CN106910144A (zh) | 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法 | |
CN101644588B (zh) | 空调末端设备冷负荷实时监测及冷量计量方法与系统 | |
CN115104515A (zh) | 一种基于降雨利用最大化的灌溉决策云计算方法、云计算平台和灌溉终端 | |
Han et al. | Physical-data fusion modeling method for energy consumption analysis of smart building | |
CN115758680A (zh) | 永磁直驱低速大风扇与中央空调系统联动调控方法及系统 | |
CN111158413A (zh) | 一种针对建筑室内外空气环境的整合监测系统 | |
CN110594928A (zh) | 一种地铁新风系统控制方法及控制装置 | |
CN115408930A (zh) | 一种地铁通风空调系统负荷预测方法 | |
CN109543235B (zh) | 一种基于参数库构建的分散式电采暖负荷建模系统及其建模方法 | |
CN113449909A (zh) | 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |