CN104729024B - 基于室内平均温度的空调负荷预测方法 - Google Patents
基于室内平均温度的空调负荷预测方法 Download PDFInfo
- Publication number
- CN104729024B CN104729024B CN201510164711.7A CN201510164711A CN104729024B CN 104729024 B CN104729024 B CN 104729024B CN 201510164711 A CN201510164711 A CN 201510164711A CN 104729024 B CN104729024 B CN 104729024B
- Authority
- CN
- China
- Prior art keywords
- temperature
- time
- short
- current
- point
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种基于室内平均温度的空调负荷预测方法,获得训练样本集合:将所述历史数据分成时间长度为L短的若干个片段,获取每一段上的累计制冷/热量、室内温度变化量、段首室内平均温度、段首室内平均湿度、段首供水温度等,并在此基础上获得2种不同的统计模型,与参考压差、温差、以及末端设备阀门开度的负荷预测方法相比,该方法更直接地参考了室内温度,可以较准确地预测出未来较短时段内为了使室内平均温度达到或维持在某个温度设定点所需的制冷/热量,而对于中央空调大时间跨度的负荷预测,针对历史上导致建筑物室内平均温度偏高或偏低的不合理的制冷/热量数据进行了修正,使得建立预测模型的数据更接近真实的负荷需求。
Description
技术领域
本发明涉及中央空调技术领域,尤其涉及一种基于室内平均温度的空调负荷预测方法。
背景技术
中央空调系统采用集中的冷热源(由冷机、锅炉、水泵、冷却塔、换热器等组成)向建筑物提供空调或生产所需的制冷/热量。准确预测未来一段时间内的制冷/热需求(负荷)有助于自动化控制系统或者运行人员调整冷热源的运行,确保空调服务质量(对舒适性空调而言要确保用户的舒适度,对生产过程要言要确保工艺对温湿度的要求),降低冷热源的能耗水平。
大部分的中央空调系统将空调供水和回水总管上的温差或压差当作是预测负荷的基础。以温差为例:认为温差在某个范围内,制冷/热量足够;温差上升,说明当前制冷/热量不够;温差小到一定程度,说明当前制冷/热量过大。以压差为例:认为压差在某个范围内,制冷/热量足够;压差上升,说明当前制冷/热量过大;压差小到一定程度,说明当前制冷/热量不足。此外,人们还将温差与流量的乘积当做负荷水平。
在楼宇自动化系统较完备的大楼中,人们将空调末端设备(空调箱、风机盘管等)的阀门开度作为预测负荷的基础。制冷时当末端的温度超过设定的上限时,这些阀门倾向于最大开度,当低于下限时,这些阀门倾向于最小开度。制热时当末端的温度超过设定的上限时,这些阀门倾向于最小开度,当低于下限时,这些阀门倾向于最大开度。根据末端阀门整体的开度可以估计负荷高于、接近、还是低于当前的制冷/热量。
为了对制冷/热负荷进行长时间跨度的预测,人们采用统计(各种回归分析方法)或者机器学习(例如人工神经元网络)的方法根据历史数据对制冷/热负荷随各种因素变化的规律进行总结和提取,然后根据当前以及近期的各种条件推断出负荷未来的变化情况。
采用温差的负荷预测方法与末端的实际需求脱节,并且只能对极近期的负荷进行大概推测。举个极端的例子,中央空调处在制冷状态,冷冻水供水温度为7℃。室内温度降到了20℃以下。然而由于管路的冷量散失以及末端设备的控制问题回水温度还可能在10℃左右。3℃的供回水温差意味着大楼仍然有制冷要求,而实际上此时的大楼已经过冷了,暂时无需再提供制冷量了。
同样,采用压差的负荷预测方法与末端的实际需求脱节,并且只能对极近期的负荷进行大概推测。与压差测点距离不同的两台空调末端设备,它们的冷冻水阀门发生相同的变化时,对总管压差造成的变化是不同的。因此总管压差与各个末端冷冻水阀门的开度变化之间没有简单的线性叠加关系。负荷不足和负荷过大在空间上不同的分布会产生同样的总管压差。因此压差信息无法准确指示负荷水平。
相比前两种方法,参考空调末端设备的阀门开度进行负荷预测仍然只能对极近期的负荷进行大概推测,但它利用了用户侧的信息。可惜的是阀门开度受到控制策略和设备可靠性的影响很大。不合理的阀门控制策略、失灵的阀门都会导致用户侧信息失真。
上述三种方法都只能推测极近期的负荷水平,不能对1个小时甚至几个小时后的负荷水平进行推测。而且都只能给出定性的负荷水平估计(高于、接近、还是低于当前制冷/热量)。
将温差与流量的乘积(当前制冷/热量)作为量化的负荷水平也不准确,因为该乘积实际上反映的是当前建筑物的冷/热量损失,并不是建筑物真正的负荷需求。
采用统计或者机器学习的方法能够取得量化的较长时间跨度的负荷预测数据,但由于缺乏用户侧直接采集的负荷信息,所获得的负荷数据不能反映用户侧真正的制冷/热需求。这些方法往往将总管上记录到的制冷或制热总量作为实际的负荷,但由于没有从用户侧直接获得负荷信息,无法判断当前制冷/热量是过供应、欠供应、还是正合适,所以采用的“负荷”数据并不能反映当时用户真正的制冷/热需求。错误的数据基础不能保证获得准确的统计结果(根据长期过供应的数据获得的统计结果会推测出一个导致过供应的负荷预测数据)。
此外,多数大时间跨度的预测方法不能很好地反应极近期的负荷变化。实际上近期预测(例如未来半小时内的预测)可以利用更多的已知条件(例如当前时间点供回水温度,当前室外温湿度等)获得更准确的估计,而远期预测使用的许多数据本身也是推测出来的含有较大的不确定性。不区分近期与远期预测,采用“一视同仁”的方法获得整个时段的负荷预测将不可避免地牺牲近期预测的准确性。
发明内容
本发明要解决的技术问题是:针对目前对于中央空调未来一段时间的负荷预测准确性不高,无法反映用户真实的制冷/热的需求,容易造成空调能耗浪费的现状,本发明提供了一种基于室内平均温度的空调负荷预测方法来提高负荷预测的准确性。
本发明解决其技术问题所采用的技术方案是:一种基于室内平均温度的空调负荷预测方法,通过以下步骤预测一个时间段L短(通常15分钟≤L短≤60分钟)内使得室内平均温度变化到给定水平的短期空调负荷P短期(t)(0≤t≤L短):
S1、定义建筑物内中央空调所覆盖范围内的n个温度采样点的温度Ti(i=1、2、3...n),定义所述范围内的加权平均温度为:
其中,θi表示第i个温度采样点的偏置量,wi表示第i个温度采样点的权重,
定义建筑物内中央空调所覆盖范围内的n个湿度采样点的湿度Hi(i=1、2、3...n),定义所述范围内的加权平均湿度为:
其中,μi表示第i个湿度采样点的偏置量,αi表示第i个湿度采样点的权重,
定义时间点t上瞬时制冷/制热功率为:
Pt=k·C·Ft(Tt回-Tt供);
其中,C是循环媒介的比热,Ft是流量,Tt回是回水温度,Tt供是供水温度,k是单位转换的系数;
设定从时间点t0到t1,t1-t0=L短的累计制冷/热量为:
设定从时间点t0到t1,t1-t0=L短的室内温度变化量为:
S2、收集中央空调的历史数据:按一定的频率采集室外温度、室外湿度、总管的供水温度、总管的回水温度、总管的流量、以及建筑物内一个或多个采样点的室内温度和室内湿度;
S3、获得训练样本集合:将所述历史数据分成时间长度为L短的若干个片段,获取每一段上的累计制冷/热量、室内温度变化量、段首室内平均温度、段首室内平均湿度、段首供水温度、段首回水温度、段首室外温度、段首室外湿度、段首时间点的月份、段首时间点为星期几、段首时间点为几点钟和段首时间点以前24小时中使用中央空调的小时数,将一个片段上获得的上述数据作为一个训练样本,所有样本作为训练样本集合;
S4、基于所述训练样本集合,通过统计法或者机器学习法获取模型ΔT≈f(ΔQ,*),其中*表示多种影响因子,包括段首室内平均温度、段首室内平均湿度、段首供水温度、段首回水温度、段首室外温度、段首室外湿度、段首月份、段首为星期几、段首时间点为几点钟和段首时间点以前24小时中使用空调的小时数;
S5、假设当前时间t0=0,要求t1=L短时室内平均温度达到预测未来时间长度L短内的短期空调负荷P短期(t)(0≤t≤L短):将当前室内平均温度当前室内平均湿度当前供水温度Tt0供、当前回水温度Tt0回、当前室外温度、当前室外湿度、当前月份、当前为星期几、当前时间点为几点钟和当前时间点以前24小时中使用空调的小时数代入f(ΔQ,*),从累计制冷/热量一系列可能的取值中选取能够令最小化的ΔQ′;
S6、若当前回水温度Tt0回在规定的供水温度范围内时短期空调负荷,P短期(t)=ΔQ′/L,0≤t≤L短;若当前回水温度Tt0回不在规定的供水温度范围内时短期空调负荷,P短期(t)=ΔQ′/L短+k·C·Fmin(β-Tt0回),0≤t≤L短,其中Fmin为供水流量的下限或当前流量,β为供水温度标准。
进一步地,通过以下步骤预测一个时间段L长(通常L长≥24小时)内使得室内平均温度维持在给定水平的长期空调负荷P长期(t)(0≤t≤L长):
R1、校正训练样本的累计制冷/热量ΔQ:设定室内平均温度标准γ,针对所述步骤S3中获得的每个训练样本,如果该训练样本的段末室内平均温度与室内平均温度标准γ的绝对差别大于预设阀值,则对该训练样本的累计制冷/热量ΔQ进行补偿:从累计制冷/热量一系列可能的取值中选取能够令最小化的ΔQ″,补偿后的累计制冷/热量ΔQ″′=αΔQ+(1-α)ΔQ″(0<α<1);如果绝对差别低于预设阀值则ΔQ″′=ΔQ
R2、将补偿后的累计制冷/热量ΔQ″′转化成时间段L短内的平均制冷/热功率:
将平均制冷/热功率作为新的属性加入训练样本中;
R3、基于校正后的训练样本集合,通过统计法或者机器学习法获取模型其中#包括当前室外温度、当前室外湿度、当前月份、当前为星期几、当前时间点为几点钟和当前时间点以前24小时中使用空调的小时数;
R4、预测长期空调负荷P长期(t)(0≤t≤L长):未来某个时间点t(0≤t≤L长)的长期空调负荷为:
)P长期(t)=g(#)
将时间点t时的室外温度、t时室外湿度、t时月份、t时为星期几、t时时间为几点钟、t时之前24小时中使用空调的小时数代入g(#)中;t时的室外温度和室外湿度采用天气预报数据或者推测的数据;
R5、计算空调总负荷P(t):
当0≤t≤L短时:P(t)=δP短期(t)+(1-δ)P长期(t)(0<δ<1);
当L短<t≤L长时:P(t)=P长期(t)。
本发明的有益效果是,这种基于室内平均温度的空调负荷预测方法与压差、温差、以及参考末端设备阀门开度的负荷预测方法相比,更直接地参考了室内温度,可以较准确地预测出未来较短时段内为了使室内平均温度达到或维持在某个温度设定点所需的制冷/热量,而对于中央空调大时间跨度的负荷预测,针对历史上导致建筑物室内平均温度偏高或偏低的不合理的制冷/热量数据进行了修正,使得建立预测模型的数据更接近真实的负荷需求。采用不同的方法预测近期和远期负荷也便于采用更多的已知信息预测近期的负荷。这些手段提高了负荷预测在近期和远期的准确度。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的基于室内平均温度的空调负荷预测方法所基于的制冷/热量与室内温度变化的关系图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
如图1所示,本发明提供了一种基于室内平均温度的空调负荷预测方法,通过以下步骤预测一个时间段L短(通常15分钟≤L短≤60分钟)内使得室内平均温度变化到给定水平的短期空调负荷P短期(t)(0≤t≤L短):
S1、定义建筑物内中央空调所覆盖范围内的n个温度采样点的温度Ti(i=1、2、3...n),定义范围内的加权平均温度为:
其中,θi表示第i个温度采样点的偏置量(假设某些区域的室内温度要求比其它偏低2℃,可以取θi=2,偏置后的温度可以直接和平均温度的设定点进行比较),wi表示第i个温度采样点的权重,
定义建筑物内中央空调所覆盖范围内的n个湿度采样点的湿度Hi(i=1、2、3...n),定义范围内的加权平均湿度为:
其中,μi表示第i个湿度采样点的偏置量,αi表示第i个湿度采样点的权重,
定义时间点t上瞬时制冷/制热功率为:
Pt=k·C·Ft(Tt回-Tt供);
其中,C是循环媒介的比热,Ft是流量,Tt回是回水温度,Tt供是供水温度,k是单位转换的系数;
设定从时间点t0到t1,t1-t0=L短的累计制冷/热量为:
设定从时间点t0到t1,t1-t0=L短的室内温度变化量为:
S2、收集中央空调的历史数据:按一定的频率采集室外温度、室外湿度、总管的供水温度、总管的回水温度、总管的流量、以及建筑物内一个或多个采样点的室内温度和室内湿度;
S3、获得训练样本集合:将历史数据分成时间长度为L短的若干个片段,获取每一段上的累计制冷/热量、室内温度变化量、段首室内平均温度、段首室内平均湿度、段首供水温度、段首回水温度、段首室外温度、段首室外湿度、段首时间点的月份、段首时间点为星期几、段首时间点为几点钟和段首时间点以前24小时中使用中央空调的小时数,将一个片段上获得的上述数据作为一个训练样本,所有样本作为训练样本集合;
S4、基于训练样本集合,通过统计法(例如多元线性回归或多元非线性回归)或者机器学习法(例如回归树、人工神经元网络、支撑向量机等)获取模型ΔT≈f(ΔQ,*),其中*表示多种影响因子,包括段首室内平均温度、段首室内平均湿度、段首供水温度、段首回水温度、段首室外温度、段首室外湿度、段首月份、段首为星期几、段首时间点为几点钟和段首时间点以前24小时中使用空调的小时数;
S5、假设当前时间t0=0,要求t1=L短时室内平均温度达到预测未来时间长度L短内的短期空调负荷P短期(t)(0≤t≤L短):将当前室内平均温度当前室内平均湿度当前供水温度Tt0供、当前回水温度Tt0回、当前室外温度、当前室外湿度、当前月份、当前为星期几、当前时间点为几点钟和当前时间点以前24小时中使用空调的小时数代入f(ΔQ,*),从累计制冷/热量一系列可能的取值中选取能够令最小化的ΔQ′;
S6、若当前回水温度Tt0回在规定的供水温度范围内时短期空调负荷,P短期(t)=ΔQ′/L,0≤t≤L短;若当前回水温度Tt0回不在规定的供水温度范围内时短期空调负荷,P短期(t)=ΔQ′/L短+k·C·Fmin(β-Tt0回),0≤t≤L短,其中Fmin为供水流量的下限或当前流量,β为供水温度标准。
另外,通过以下步骤预测一个时间段L长(通常L长≥24小时)内使得室内平均温度维持在给定水平的长期空调负荷P长期(t)(0≤t≤L长):
R1、校正训练样本的累计制冷/热量ΔQ:设定室内平均温度标准γ,针对步骤S3中获得的每个训练样本,如果该训练样本的段末室内平均温度与室内平均温度标准γ的绝对差别大于预设阀值,则对该训练样本的累计制冷/热量ΔQ进行补偿:从累计制冷/热量一系列可能的取值中选取能够令 最小化的ΔQ″,补偿后的累计制冷/热量ΔQ″′=αΔQ+(1-α)ΔQ″(0<α<1);如果绝对差别低于预设阀值则ΔQ″′=ΔQ
R2、将补偿后的累计制冷/热量ΔQ″′转化成时间段L短内的平均制冷/热功率:
将平均制冷/热功率作为新的属性加入训练样本中;
R3、基于校正后的训练样本集合,通过统计法(例如多元线性回归或多元非线性回归)或者机器学习法(例如回归树、人工神经元网络、支撑向量机等)获取模型其中#包括当前室外温度、当前室外湿度、当前月份、当前为星期几、当前时间点为几点钟和当前时间点以前24小时中使用空调的小时数;
R4、预测长期空调负荷P长期(t)(0≤t≤L长):未来某个时间点t(0≤t≤L)的长期空调负荷为:
P长期(t)=g(#)
将时间点t时的室外温度、t时(室外湿度、t时月份、t时为星期几、t时时间为几点钟、t时之前24小时中使用空调的小时数代入g(#)中;t时的室外温度和室外湿度采用天气预报数据或者推测的数据;
R5、计算空调总负荷P(t):
当0≤t≤L短时:P(t)=δP短期(t)+(1-δ)P长期(t)(0<δ<1);
当L短<t≤L长时:P(t)=P长期(t)。
本发明中会采用最新的数据不断更新ΔT≈f(ΔQ,*)和这两个模型,保证预测数据的准确性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对所述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (2)
1.一种基于室内平均温度的空调负荷预测方法,其特征在于:通过以下步骤预测一个时间段L短内使得室内平均温度变化到给定水平的短期空调负荷P短期(t),15分钟≤L短≤60分钟,0≤t≤L短:
S1、定义建筑物内中央空调所覆盖范围内的n个温度采样点的温度Ti,i=1、2、3...n,定义所述范围内的加权平均温度为:
其中,θi表示第i个温度采样点的偏置量,wi表示第i个温度采样点的权重,
定义建筑物内中央空调所覆盖范围内的n个湿度采样点的湿度Hi,i=1、2、3...n,定义所述范围内的加权平均湿度为:
其中,μi表示第i个湿度采样点的偏置量,αi表示第i个湿度采样点的权重,
定义时间点t上瞬时制冷/制热功率为:
Pt=k·C·Ft(Tt回-Tt供);
其中,C是循环媒介的比热,Ft是流量,Tt回是回水温度,Tt供是供水温度,k是单位转换的系数;
设定从时间点t0到t1,t1‐t0=L短的累计制冷/热量为:
设定从时间点t0到t1,t1‐t0=L短的室内温度变化量为:
S2、收集中央空调的历史数据:按一定的频率采集室外温度、室外湿度、总管的供水温度、总管的回水温度、总管的流量、以及建筑物内一个或多个采样点的室内温度和室内湿度;
S3、获得训练样本集合:将所述历史数据分成时间长度为L短的若干个片段,获取每一段上的累计制冷/热量、室内温度变化量、段首室内平均温度、段首室内平均湿度、段首供水温度、段首回水温度、段首室外温度、段首室外湿度、段首时间点的月份、段首时间点为星期几、段首时间点为几点钟和段首时间点以前24小时中使用中央空调的小时数,将一个片段上获得的上述数据作为一个训练样本,所有样本作为训练样本集合;
S4、基于所述训练样本集合,通过统计法或者机器学习法获取模型ΔT≈f(ΔQ,*),其中*表示多种影响因子,包括段首室内平均温度、段首室内平均湿度、段首供水温度、段首回水温度、段首室外温度、段首室外湿度、段首时间点的月份、段首时间点为星期几、段首时间点为几点钟和段首时间点以前24小时中使用空调的小时数;
S5、假设当前时间t0=0,要求t1=L短时室内平均温度达到预测未来时间长度L短内的短期空调负荷P短期(t),0≤t≤L短:将当前室内平均温度当前室内平均湿度当前供水温度Tt0供、当前回水温度Tt0回、当前室外温度、当前室外湿度、当前时间点的月份、当前时间点为星期几、当前时间点为几点钟和当前时间点以前24小时中使用空调的小时数代入f(ΔQ,*),从累计制冷/热量一系列可能的取值中选取能够令最小化的ΔQ′;
S6、若当前回水温度Tt0回在规定的供水温度范围内时短期空调负荷P短期(t)=ΔQ′/L,0≤t≤L短;若当前回水温度Tt0回不在规定的供水温度范围内时短期空调负荷P短期(t)=ΔQ′/L短+k·C·Fmin(β-Tt0回),0≤t≤L短,其中Fmin为供水流量的下限或当前流量,β为供水温度标准。
2.如权利要求1所述的基于室内平均温度的空调负荷预测方法,其特征在于:通过以下步骤预测一个时间段L长内使得室内平均温度维持在给定水平的长期空调负荷P长期(t),L长≥24小时,0≤t≤L长:
R1、校正训练样本的累计制冷/热量ΔQ:设定室内平均温度标准γ,针对所述步骤S3中获得的每个训练样本,如果该训练样本的段末室内平均温度与室内平均温度标准γ的绝对差别大于预设阀值,则对该训练样本的累计制冷/热量ΔQ进行补偿:从累计制冷/热量一系列可能的取值中选取能够令最小化的ΔQ″,补偿后的累计制冷/热量ΔQ″′=αΔQ+(1-α)ΔQ″,0<α<1;如果绝对差别低于预设阀值则ΔQ″′=ΔQ;
R2、将补偿后的累计制冷/热量ΔQ″′转化成时间段L短内的平均制冷/热功率:
将平均制冷/热功率作为新的属性加入训练样本中;
R3、基于校正后的训练样本集合,通过统计法或者机器学习法获取模型其中#包括当前室外温度、当前室外湿度、当前月份、当前为星期几、当前时间点为几点钟和当前时间点以前24小时中使用空调的小时数;
R4、预测长期空调负荷P长期(t),0≤t≤L长:未来某个时间点t,0≤t≤L长的长期空调负荷为:
P长期(t)=g(#)
将时间点t时的室外温度、t时的室外湿度、t时月份、t时为星期几、t时时间为几点钟、t时之前24小时中使用空调的小时数代入g(#)中;t时的室外温度和室外湿度采用天气预报数据;
R5、计算空调总负荷P(t):
当0≤t≤L短时:P(t)=δP短期(t)+(1-δ)P长期(t),0<δ<1;
当L短<t≤L长时:P(t)=P长期(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510164711.7A CN104729024B (zh) | 2015-04-08 | 2015-04-08 | 基于室内平均温度的空调负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510164711.7A CN104729024B (zh) | 2015-04-08 | 2015-04-08 | 基于室内平均温度的空调负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104729024A CN104729024A (zh) | 2015-06-24 |
CN104729024B true CN104729024B (zh) | 2017-06-27 |
Family
ID=53453172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510164711.7A Active CN104729024B (zh) | 2015-04-08 | 2015-04-08 | 基于室内平均温度的空调负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104729024B (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105135592B (zh) * | 2015-07-06 | 2019-07-09 | Tcl集团股份有限公司 | 一种空调自适应调节方法及系统 |
CN105115097A (zh) * | 2015-07-06 | 2015-12-02 | 沈阳工业大学 | 基于无线传感器网络变风量空调末端智能控制系统及方法 |
US10072865B2 (en) * | 2016-04-14 | 2018-09-11 | Schneider Electric It Corporation | Systems and methods for minimizing compressor use in HVAC systems |
CN106642605B (zh) * | 2016-12-23 | 2019-03-29 | 新智能源系统控制有限责任公司 | 基于负荷率预测的供水变温度控制系统 |
CN106705381B (zh) * | 2017-01-19 | 2019-07-23 | 青岛海尔空调器有限总公司 | 基于空调的能耗预测方法及预测装置 |
CN107023934A (zh) * | 2017-03-07 | 2017-08-08 | 青岛海尔空调器有限总公司 | 空调器、数据服务器及移动终端 |
CN106885326B (zh) * | 2017-04-17 | 2023-04-18 | 南京佳力图机房环境技术股份有限公司 | 一种动力式热管背板空调系统及其控制方法 |
CN107120799B (zh) * | 2017-05-23 | 2020-07-07 | 青岛海尔空调电子有限公司 | 一种水系统多联机控制方法及系统 |
CN107314506B (zh) * | 2017-06-29 | 2019-11-29 | 广东美的制冷设备有限公司 | 空气调节器及其运行控制调节方法以及系统 |
CN107781947B (zh) * | 2017-09-21 | 2020-03-31 | 新智能源系统控制有限责任公司 | 一种建筑空调系统冷热源预测控制方法和装置 |
CN108119990B (zh) * | 2017-12-18 | 2019-02-15 | 珠海格力电器股份有限公司 | 空气源热泵及其控制方法和装置 |
CN108344104B (zh) * | 2017-12-27 | 2019-05-31 | 青岛海尔空调器有限总公司 | 一种用于空调器的室内温度预测方法以及空调器 |
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
CN108386977B (zh) * | 2018-02-12 | 2021-02-09 | 广东中益节能科技有限公司 | 一种基于大数据的空调设备监控分析系统及方法 |
CN108518804B (zh) * | 2018-03-21 | 2021-06-25 | 武汉物联远科技有限公司 | 一种机房温湿度环境预测方法及系统 |
CN109556241B (zh) * | 2018-09-29 | 2021-05-25 | 青岛海尔空调电子有限公司 | 一种水系统空调控制方法 |
US11982469B2 (en) * | 2019-01-10 | 2024-05-14 | Williams Furnace Company | Dynamically adjusting heater |
CN110068110B (zh) * | 2019-04-02 | 2020-12-04 | 深圳市海源节能科技有限公司 | 一种中央空调负荷预测方法、智能终端及存储介质 |
CN110285567B (zh) * | 2019-06-24 | 2021-06-11 | 青岛海尔科技有限公司 | 用于预测出水温度的方法及装置、水体加热装置 |
CN110686377A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 |
CN110686350A (zh) * | 2019-09-20 | 2020-01-14 | 珠海格力电器股份有限公司 | 一种基于bp神经网络实时预测自调节温度的控制方法、计算机可读存储介质及空调 |
CN112747413B (zh) * | 2019-10-31 | 2022-06-21 | 北京国双科技有限公司 | 空调系统负荷预测方法及装置 |
CN111047732B (zh) * | 2019-12-16 | 2022-04-12 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
CN111047117B (zh) * | 2019-12-31 | 2021-02-19 | 中维通(北京)科技有限公司 | 一种基于末端负荷预测的压差旁通阀节能优化方法 |
CN111532397B (zh) * | 2020-04-20 | 2021-05-28 | 中国舰船研究设计中心 | 一种船舶用能量管理监测装置 |
CN111664560B (zh) * | 2020-06-16 | 2021-12-07 | 上海总恒电力信息科技有限公司 | 中央空调主机智慧节能控制方法 |
CN111895583A (zh) * | 2020-08-14 | 2020-11-06 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
CN113551375B (zh) * | 2021-07-23 | 2022-09-06 | 贵州汇通华城股份有限公司 | 一种用于电子工厂的冷负荷预测方法及系统 |
CN113739296B (zh) * | 2021-09-08 | 2022-09-06 | 山东佐耀科技有限公司 | 基于模型预测控制的空气源热泵负荷水温控制方法及系统 |
CN115930373B (zh) * | 2023-01-10 | 2023-07-04 | 灵汇技术股份有限公司 | 一种基于负荷预测的地铁空调节能控制方法及系统 |
CN115962551B (zh) * | 2023-03-16 | 2023-05-26 | 深圳市森辉智能自控技术有限公司 | 用于楼宇自动控制的智能空调控制系统和方法 |
CN116105300B (zh) * | 2023-04-12 | 2023-06-27 | 广州晟能电子科技有限公司 | 一种中央空调节能控制方法 |
CN117970986A (zh) * | 2024-04-01 | 2024-05-03 | 广东热矩智能科技有限公司 | 一种冷热系统的温湿度控制方法、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251291A (zh) * | 2008-04-03 | 2008-08-27 | 上海交通大学 | 基于模型的集中空调系统全局优化节能控制方法及装置 |
CN102168877A (zh) * | 2011-03-01 | 2011-08-31 | 深圳达实智能股份有限公司 | 一种基于负荷预测的中央空调系统群控方法及装置 |
CN102705957A (zh) * | 2012-06-07 | 2012-10-03 | 华南理工大学 | 办公建筑中央空调逐时冷负荷在线预测方法及系统 |
CN102997374A (zh) * | 2012-12-31 | 2013-03-27 | 深圳市奥宇控制系统有限公司 | 一种空调负荷预测方法,装置及空调 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4135766B2 (ja) * | 2006-09-19 | 2008-08-20 | ダイキン工業株式会社 | 空調制御の仲介装置、空調制御システム、空調制御方法および空調制御プログラム |
-
2015
- 2015-04-08 CN CN201510164711.7A patent/CN104729024B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251291A (zh) * | 2008-04-03 | 2008-08-27 | 上海交通大学 | 基于模型的集中空调系统全局优化节能控制方法及装置 |
CN102168877A (zh) * | 2011-03-01 | 2011-08-31 | 深圳达实智能股份有限公司 | 一种基于负荷预测的中央空调系统群控方法及装置 |
CN102705957A (zh) * | 2012-06-07 | 2012-10-03 | 华南理工大学 | 办公建筑中央空调逐时冷负荷在线预测方法及系统 |
CN102997374A (zh) * | 2012-12-31 | 2013-03-27 | 深圳市奥宇控制系统有限公司 | 一种空调负荷预测方法,装置及空调 |
Non-Patent Citations (2)
Title |
---|
基于温度检测和神经网络的空调负荷预测;胡昶;《仪器仪表学报》;20031212;全文 * |
基于运行数据人工神经网络的空调系统逐时负荷预测;李帆;《建筑科学》;20140415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104729024A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104729024B (zh) | 基于室内平均温度的空调负荷预测方法 | |
US20240045459A1 (en) | Controlling the setback and setback recovery of a power-consuming device | |
US10461954B2 (en) | Intelligent equipment sequencing | |
DK2866117T3 (en) | System and method for distributed adaptive and predictive heating control | |
US11585549B1 (en) | Thermal modeling technology | |
US20170179716A1 (en) | Central plant control system with building energy load estimation | |
US20090018705A1 (en) | Demand control device | |
CN112013521B (zh) | 一种基于天气预报的空调系统调节方法和系统 | |
CN104949271A (zh) | 监测温度调节装置的方法及装置 | |
US11578889B2 (en) | Information processing apparatus and air-conditioning system provided with the same | |
CN111047117B (zh) | 一种基于末端负荷预测的压差旁通阀节能优化方法 | |
CN1920427B (zh) | 一种空调机组室温pid控制方法 | |
CN110094834A (zh) | 基于气象预报数据的空调能耗预测方法、空调 | |
CN114234381A (zh) | 基于强化学习的中央空调控制方法和控制系统 | |
EP3263999A1 (en) | Air conditioning management device and air conditioning system using same | |
KR102083583B1 (ko) | 소비전력 관리 기능을 갖춘 공조 시스템 | |
KR20190113065A (ko) | 에너지 절감량을 평가할 수 있는 공기 조화 장치 | |
CN114543303B (zh) | 基于运行大数据的中央空调制冷站运行优化方法和系统 | |
Vakiloroaya et al. | Component-wise optimization for a commercial central cooling plant | |
Yu | Ai chiller: an open IoT cloud based machine learning framework for the energy saving of building HVAC system via big data analytics on the fusion of bms and environmental data | |
CN112728739B (zh) | 基于算法预测的空调箱送风温度设定值确定方法和装置 | |
EP4040063A1 (en) | Remaining value calculation system for air conditioner and assistance system for air conditioner | |
US20230024909A1 (en) | Maintenance assistance system | |
Schalbetter | Input convex neural networks for energy optimization in an occupied apartment | |
Wenzel et al. | Flexibilization of energy supply using the example of industrial hall climatization and cold production |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |