CN105627506A - 一种空调冷机的建筑冷负荷预测方法及装置 - Google Patents

Abstract

本发明公开了一种空调冷机的建筑冷负荷预测方法及装置，该方法包括：采集建筑外部多个位置的气象参数，计算建筑外部得热量；统计所述建筑内部热量参数，计算建筑内部得热量；依据所述建筑外部得热量及建筑内部得热量建立建筑热物理模型；采集预设时间内空调冷机系统的运行数据，依据遗传算法对所述建筑热物理模型进行训练，建立灰箱模型并预测建筑冷负荷。该发明的有益效果为：具有快速而高准确性，做预测型和反馈型优化控制的有机整合，可实现中央空调系统精细而准确的控制，进而达到有效的节能效果。

Description

一种空调冷机的建筑冷负荷预测方法及装置

技术领域

本发明涉及空调控制技术领域，更具体地说，涉及一种空调冷机的建筑冷负荷预测方法及装置。

背景技术

中央空调能耗占建筑总能耗65％，其中制冷站能耗占空调系统能耗70％左右；在南方地区的供冷时期，中央空调系统的能效管理和控制必须以建筑冷负荷预测为前提，才能实现有效管理和显著节能。只有当建筑冷负荷预测较为准确的时候，以建筑预测负荷为依据的中央空调系统调度安排及运行才能有据可依，从而实现中央空调的高效运行与节能。

传统的建筑负荷预测通常是基于复杂物理模型(即白箱模型)或是历史运行数据(黑箱模型)进行。“白箱模型”虽然预测准确性高，但建模需大量时间和人力。“黑箱模型”虽然无需对建筑进行物理建模，操作相对简单，但需要大量运行数据做分析，预测准确性不高。

发明内容

本发明要解决的技术问题在于，针对现有技术中白箱模型建模需大量时间人力，黑箱模型预测准确性不高的缺陷，提供一种空调冷机的建筑冷负荷预测方法及装置。

本发明解决其技术问题所采用的技术方案是：

构造一种空调冷机的建筑冷负荷预测方法，包括：

采集建筑外部多个位置的气象参数，计算建筑外部得热量；

统计所述建筑内部热量参数，计算建筑内部得热量；

依据所述建筑外部得热量及建筑内部得热量建立建筑热物理模型；

采集预设时间内空调冷机系统的运行数据，依据遗传算法对所述建筑热物理模型进行训练，建立灰箱模型并预测建筑冷负荷。

在本发明所述的建筑冷负荷预测方法中，所述采集建筑外部多个点的气象参数，计算建筑外部得热量的步骤包括：

采集建筑外部多个位置的气象参数，所述气象参数包括：室内空气温度T_in(t)、室外空气温度T_out(t)、屋顶第一节点等效热阻R_rf，1、屋顶第二节点温度T_rf，2(t)、屋顶第二节点等效热容C_rf，2、屋顶第三节点等效热阻R_rf，2、屋顶第四节点温度T_rf，4(t)、屋顶第四节点等效热容C_rf，4、屋顶第五节点等效热阻R_rf，5、外墙第一节点等效热阻R_ew，1、外墙第二节点温度T_ew，2(t)、外墙第二节点等效热容C_ew，2、外墙第三节点等效热阻R_ew，3、外墙第四节点温度T_ew，4(t)、外墙第四节点等效热容C_ew，4、外墙第五节点等效热阻R_ew，5、内部建筑材料第一节点温度T_im，1(t)、内部建筑材料第一节点等效热容C_im，1、内部建筑材料第一节点等效热阻R_im，1、内部建筑材料第二节点温度T_im，2(t)、内部建筑材料第二节点等效热容C_im，2、内部建筑材料第二节点等效热阻R_im，2、屋顶面积A_rf、外墙面积A_ew、内部建筑材料面积A_im；

计算建筑外部得热量，所述外部得热量包括屋顶得热量Q_rad，rf、外墙得热量Q_rad，ew及内部材料得热量Q_rad，im：

$C_{rf,2}\frac{{\mathrm{dT}}_{rf,2}\left(t\right)}{dt}=(\frac{T_{out}\left(t\right)-T_{rf,2}\left(t\right)}{R_{rf,1}}-\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}})A_{rf}+Q_{rad,rf}$

$C_{rf,4}\frac{{\mathrm{dT}}_{rf,4}\left(t\right)}{dt}=\left(\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}}-\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}\right)A_{rf}$

$C_{ew,2}\frac{{\mathrm{dT}}_{ew,2}\left(t\right)}{dt}=\left(\frac{T_{out}\left(t\right)-T_{ew,2}\left(t\right)}{R_{ew,1}}-\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}\right)A_{ew}+Q_{rad,ew}$

$C_{ew,4}\frac{{\mathrm{dT}}_{ew,4}\left(t\right)}{dt}=(\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}-\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}})A_{ew}$

$C_{im,1}\frac{{\mathrm{dT}}_{im,1}\left(t\right)}{dt}=\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}{A}_{im}$

$C_{im,2}\frac{{\mathrm{dT}}_{im,2}\left(t\right)}{dt}=\left(\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}-\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}\right)A_{im}+Q_{rad,im}.$

在本发明所述的建筑冷负荷预测方法中，所述统计所述建筑内部热量参数，计算建筑内部得热量的步骤包括：

统计所述建筑内部热量参数：建筑内部的对流换热量Q_conv、建筑内部的新风显热量Q_fr及建筑内部的潜热量Q_la；

计算所述建筑内部得热量Q_in：

Q_in＝Q_conv+Q_fr+Q_la。

在本发明所述的建筑冷负荷预测方法中，所述依据所述建筑外部得热量及建筑内部得热量建立建筑热物理模型的步骤包括：

获取所述建筑的热物理模型参数，所述热物理模型参数包括窗户等效热阻R_win及室内空气等效热容C_in；

建立建筑热物理模型。

在本发明所述的建筑冷负荷预测方法中，所述采集预设时间内空调冷机系统的运行数据，依据遗传算法对所述建筑热物理模型进行训练，建立灰箱模型并预测建筑冷负荷的步骤包括：

采集预设时间内空调冷机系统的运行数据以获取建筑实际冷负荷；

依据遗传算法及所述建筑实际冷负荷对所述建筑热物理模型进行训练；

建立灰箱模型：

$\begin{array}{c}{Q}_{est}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\[\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}}{A}_{ew}\]+\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}{A}_{rf}+\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}{A}_{im}\\ +\frac{T_{out}\left(t\right)-T_{in}\left(t\right)}{R_{win}}{A}_{win}-C_{in}\frac{{\mathrm{dT}}_{in}\left(t\right)}{dt}{A}_{in}+\left(Q_{conw}+Q_{fr}+Q_{la}\right)\end{array};$

从而预测所述建筑冷负荷Q_est。

另一方面，提供一种空调冷机的建筑冷负荷预测装置，包括：

外部得热量计算模块，用于采集建筑外部多个位置的气象参数，计算建筑外部得热量；

内部得热量计算模块，用于统计所述建筑内部热量参数，计算建筑内部得热量；

物理模型建立模块，用于依据所述建筑外部得热量及建筑内部得热量建立建筑热物理模型；

冷负荷预测模块，用于采集预设时间内空调冷机系统的运行数据，依据遗传算法对所述建筑热物理模型进行训练，建立灰箱模型并预测建筑冷负荷。

在本发明所述的建筑冷负荷预测装置中，所述外部得热量计算模块包括：

气象参数采集子模块，用于采集建筑外部多个位置的气象参数，所述气象参数包括：室内空气温度T_in(t)、室外空气温度T_out(t)、屋顶第一节点等效热阻R_rf，1、屋顶第二节点温度T_rf，2(t)、屋顶第二节点等效热容C_rf，2、屋顶第三节点等效热阻R_rf，3、屋顶第四节点温度T_rf，4(t)、屋顶第四节点等效热容C_rf，4、屋顶第五节点等效热阻R_rf，5、外墙第一节点等效热阻R_ew，1、外墙第二节点温度T_ew，2(t)、外墙第二节点等效热容C_ew，2、外墙第三节点等效热阻R_ew，3、外墙第四节点温度T_ew，4(t)、外墙第四节点等效热容C_ew，4、外墙第五节点等效热阻R_ew，5、内部建筑材料第一节点温度T_im，1(t)、内部建筑材料第一节点等效热容C_im，1、内部建筑材料第一节点等效热阻R_im，1、内部建筑材料第二节点温度T_im，2(t)、内部建筑材料第二节点等效热容C_im，2、内部建筑材料第二节点等效热阻R_im，2、屋顶面积A_rf、外墙面积A_ew、内部建筑材料面积A_im；

外部得热量计算子模块，用于计算建筑外部得热量，所述外部得热量包括屋顶得热量Q_rad，rf、外墙得热量Q_rad，ew及内部材料得热量Q_rad，im：

$C_{rf,2}\frac{{\mathrm{dT}}_{rf,2}\left(t\right)}{dt}=\left(\frac{T_{out}\left(t\right)-T_{rf,2}\left(t\right)}{R_{rf,1}}-\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}}\right)A_{rf}+Q_{rad,rf}$

$C_{rf,4}\frac{{\mathrm{dT}}_{rf,4}\left(t\right)}{dt}=\left(\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}}-\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}\right)A_{rf}$

$C_{ew,2}\frac{{\mathrm{dT}}_{ew,2}\left(t\right)}{dt}=\left(\frac{T_{out}\left(t\right)-T_{ew,2}\left(t\right)}{R_{ew,1}}-\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}\right)A_{ew}+Q_{rad,ew}$

$C_{ew,4}\frac{{\mathrm{dT}}_{ew,4}\left(t\right)}{dt}=(\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}-\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}})A_{ew}$

$C_{im,1}\frac{{\mathrm{dT}}_{im,1}\left(t\right)}{dt}=\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}{A}_{im}$

$C_{im,2}\frac{{\mathrm{dT}}_{im,2}\left(t\right)}{dt}=\left(\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}-\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}\right)A_{im}+Q_{rad,im}.$

在本发明所述的建筑冷负荷预测装置中，所述内部得热量计算模块包括：

统计子模块，用于统计所述建筑内部热量参数：建筑内部的对流换热量Q_conv、建筑内部的新风显热量Q_fr及建筑内部的潜热量Q_la；

内部得热量计算子模块，用于计算所述建筑内部得热量Q_in：

Q_in＝Q_conv+Q_fr+Q_la。

在本发明所述的建筑冷负荷预测装置中，所述物理模型建立模块包括：

模型参数获取子模块，用于获取所述建筑的热物理模型参数，所述热物理模型参数包括窗户等效热阻R_win及室内空气等效热容C_in；

建立子模块，用于建立建筑热物理模型。

在本发明所述的建筑冷负荷预测装置中，所述冷负荷预测模块包括：

运行数据采集子模块，用于采集预设时间内空调冷机系统的运行数据以获取建筑实际冷负荷；

训练子模块，用于依据遗传算法及所述建筑实际冷负荷对所述建筑热物理模型进行训练；

灰箱模型建立子模块，用于建立灰箱模型：

$\begin{array}{c}{Q}_{est}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\[\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}}{A}_{ew}\]+\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}{A}_{rf}+\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}{A}_{im}\\ +\frac{T_{out}\left(t\right)-T_{in}\left(t\right)}{R_{win}}{A}_{win}-C_{in}\frac{{\mathrm{dT}}_{in}\left(t\right)}{dt}{A}_{in}+\left(Q_{conw}+Q_{fr}+Q_{la}\right)\end{array};$

从而预测所述建筑冷负荷Q_est。

上述公开的一种空调冷机的建筑冷负荷预测方法及装置具有以下有益效果：具有快速而高准确性，做预测型和反馈型优化控制的有机整合，可实现中央空调系统精细而准确的控制，进而达到有效的节能效果。

附图说明

图1为本发明提供的一种空调冷机的建筑冷负荷预测方法的流程图；

图2为本发明提供的热物理模型的结构示意图；

图3为本发明提供的一种空调冷机的建筑冷负荷预测装置的框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供一种空调冷机的建筑冷负荷预测方法及装置，其目的在于，以动态负荷预测为依据，充分考虑建筑外部气象数据、中央空调系统历史运行数据、以及空调末端实时数据，采用经典的简化热物理模型，实现快速而准确性高的负荷预测和系统实时动态响应控制。实现中央空调系统由传统的反馈型节能控制升级到创新的预测型节能控制，最终达到提升中央空调系统运行能效水平。

参见图1，图1为本发明提供的一种空调冷机的建筑冷负荷预测方法的流程图，该方法包括以下步骤：

S1、采集建筑外部多个位置的气象参数，计算建筑外部得热量；该步骤S1包括以下子步骤：

S11、采集建筑外部多个位置的气象参数，所述气象参数包括：室内空气温度T_in(t)、室外空气温度T_out(t)、屋顶第一节点等效热阻R_rf，1、屋顶第二节点温度T_rf，2(t)、屋顶第二节点等效热容C_rf，2、屋顶第三节点等效热阻R_rf，3、屋顶第四节点温度T_rf，4(t)、屋顶第四节点等效热容C_rf，4、屋顶第五节点等效热阻R_rf，5、外墙第一节点等效热阻R_ew，1、外墙第二节点温度T_ew，2(t)、外墙第二节点等效热容C_ew，2、外墙第三节点等效热阻R_ew，3、外墙第四节点温度T_ew，4(t)、外墙第四节点等效热容C_ew，4、外墙第五节点等效热阻R_ew，5、内部建筑材料第一节点温度T_im，1(t)、内部建筑材料第一节点等效热容C_im，1、内部建筑材料第一节点等效热阻R_im，1、内部建筑材料第二节点温度T_im，2(t)、内部建筑材料第二节点等效热容C_im，2、内部建筑材料第二节点等效热阻R_im，2、屋顶面积A_rf、外墙面积A_ew、内部建筑材料面积A_im；此外，气象参数还包括温度、湿度、光照、风速等。

S12、计算建筑外部得热量，所述外部得热量包括屋顶得热量Q_rad，rf、外墙得热量Q_rad，ew及内部材料得热量Q_rad，_im：

$C_{rf,2}\frac{{\mathrm{dT}}_{rf,2}\left(t\right)}{dt}=(\frac{T_{out}\left(t\right)-T_{rf,2}\left(t\right)}{R_{rf,1}}-\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}})A_{rf}+Q_{rad,rf}$

$C_{rf,4}\frac{{\mathrm{dT}}_{rf,4}\left(t\right)}{dt}=\left(\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}}-\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}\right)A_{rf}$

$C_{ew,2}\frac{{\mathrm{dT}}_{ew,2}\left(t\right)}{dt}=\left(\frac{T_{out}\left(t\right)-T_{ew,2}\left(t\right)}{R_{ew,1}}-\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}\right)A_{ew}+Q_{rad,ew}$

$C_{ew,4}\frac{{\mathrm{dT}}_{ew,4}\left(t\right)}{dt}=(\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}-\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}})A_{ew}$

$C_{im,1}\frac{{\mathrm{dT}}_{im,1}\left(t\right)}{dt}=\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}{A}_{im}$

$C_{im,2}\frac{{\mathrm{dT}}_{im,2}\left(t\right)}{dt}=\left(\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}-\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}\right)A_{im}+Q_{rad,im}.$

S2、统计所述建筑内部热量参数，计算建筑内部得热量；该步骤S2包括以下子步骤：

S21、统计所述建筑内部热量参数：建筑内部的对流换热量Q_conv、建筑内部的新风显热量Q_fr及建筑内部的潜热量Q_la；此外，内部热量参数还包括人员数量/密度，人工采光强度，显热得热，潜热得热等，作息时间，节假日等。

S22、计算所述建筑内部得热量Q_in：

Q_in＝Q_conv+Q_fr+Q_la。

S3、依据所述建筑外部得热量及建筑内部得热量建立建筑热物理模型；该步骤S3包括以下子步骤：

S31、获取所述建筑的热物理模型参数，所述热物理模型参数包括窗户等效热阻R_win及室内空气等效热容C_in；热物理模型参数还包括纬度，朝向，楼层面积，层高，层数，外墙结构，混凝土材料，窗墙面积比，窗户玻璃传热系数等。

S32、建立建筑热物理模型，该建筑热物理模型参见图2。

S4、采集预设时间内空调冷机系统的运行数据，依据遗传算法对所述建筑热物理模型进行训练，建立灰箱模型并预测建筑冷负荷。该步骤S4包括以下子步骤：

S41、采集预设时间内空调冷机系统的运行数据以获取建筑实际冷负荷；采集的数据一般为1至2个星期中央空调系统历史运行数据，包括冷冻水供回水温度，冷冻水流量，室内温度和相对湿度。

S42、依据遗传算法及所述建筑实际冷负荷对所述建筑热物理模型进行训练；该遗传算法可以通过MATLAB实现。MATLAB用于算法开发、数据可视化、数据分析以及数值计算。

S43、建立灰箱模型：

$\begin{array}{c}{Q}_{est}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\[\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}}{A}_{ew}\]+\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}{A}_{rf}+\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}{A}_{im}\\ +\frac{T_{out}\left(t\right)-T_{in}\left(t\right)}{R_{win}}{A}_{win}-C_{in}\frac{{\mathrm{dT}}_{in}\left(t\right)}{dt}{A}_{in}+\left(Q_{conw}+Q_{fr}+Q_{la}\right)\end{array};$

从而预测所述建筑冷负荷Q_est。

参见图3，图3为本发明提供的一种空调冷机的建筑冷负荷预测装置100的框图，该建筑冷负荷预测装置100包括：

外部得热量计算模块1，用于采集建筑外部多个位置的气象参数，计算建筑外部得热量；

内部得热量计算模块2，用于统计所述建筑内部热量参数，计算建筑内部得热量；

物理模型建立模块3，用于依据所述建筑外部得热量及建筑内部得热量建立建筑热物理模型；

冷负荷预测模块4，用于采集预设时间内空调冷机系统的运行数据，依据遗传算法对所述建筑热物理模型进行训练，建立灰箱模型并预测建筑冷负荷。

进一步的，所述外部得热量计算模块1包括：

气象参数采集子模块，用于采集建筑外部多个位置的气象参数，所述气象参数包括：室内空气温度T_in(t)、室外空气温度T_out(t)、屋顶第一节点等效热阻R_rf，1、屋顶第二节点温度T_rf，2(t)、屋顶第二节点等效热容C_rf，2、屋顶第三节点等效热阻R_rf，3、屋顶第四节点温度T_rf，4(t)、屋顶第四节点等效热容C_rf，4、屋顶第五节点等效热阻R_rf，5、外墙第一节点等效热阻R_ew，1、外墙第二节点温度T_ew，2(t)、外墙第二节点等效热容C_ew，2、外墙第三节点等效热阻R_ew，3、外墙第四节点温度T_ew，4(t)、外墙第四节点等效热容C_ew，4、外墙第五节点等效热阻R_we，5、内部建筑材料第一节点温度T_im，1(t)、内部建筑材料第一节点等效热容C_im，1、内部建筑材料第一节点等效热阻R_im，1、内部建筑材料第二节点温度T_im2(t)、内部建筑材料第二节点等效热容C_im，2、内部建筑材料第二节点等效热阻R_im，2、屋顶面积A_rf、外墙面积A_ew、内部建筑材料面积A_in；

外部得热量计算子模块，用于计算建筑外部得热量，所述外部得热量包括屋顶得热量Q_rad，rf、外墙得热量Q_rad，ew及内部材料得热量Q_rad，im：

$C_{rf,2}\frac{{\mathrm{dT}}_{rf,2}\left(t\right)}{dt}=\left(\frac{T_{out}\left(t\right)-T_{rf,2}\left(t\right)}{R_{rf,1}}-\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}}\right)A_{rf}+Q_{rad,rf}$

$C_{rf,4}\frac{{\mathrm{dT}}_{rf,4}\left(t\right)}{dt}=\left(\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}}-\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}\right)A_{rf}$

$C_{ew,2}\frac{{\mathrm{dT}}_{ew,2}\left(t\right)}{dt}=\left(\frac{T_{out}\left(t\right)-T_{ew,2}\left(t\right)}{R_{ew,1}}-\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}\right)A_{ew}+Q_{rad,ew}$

$C_{ew,4}\frac{{\mathrm{dT}}_{ew,4}\left(t\right)}{dt}=(\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}-\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}})A_{ew}$

$C_{im,1}\frac{{\mathrm{dT}}_{im,1}\left(t\right)}{dt}=\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}{A}_{im}$

$C_{im,2}\frac{{\mathrm{dT}}_{im,2}\left(t\right)}{dt}=\left(\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}-\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}\right)A_{im}+Q_{rad,im}.$

进一步的，所述内部得热量计算模块2包括：

统计子模块，用于统计所述建筑内部热量参数：建筑内部的对流换热量Q_conv、建筑内部的新风显热量Q_fr及建筑内部的潜热量Q_la；

内部得热量计算子模块，用于计算所述建筑内部得热量Q_in：

Q_in＝Q_conv+Q_fr+Q_la。

进一步的，所述物理模型建立模块3包括：

模型参数获取子模块，用于获取所述建筑的热物理模型参数，所述热物理模型参数包括窗户等效热阻R_win及室内空气等效热容C_in；

建立子模块，用于建立建筑热物理模型。

进一步的，所述冷负荷预测模块4包括：

运行数据采集子模块，用于采集预设时间内空调冷机系统的运行数据以获取建筑实际冷负荷；

训练子模块，用于依据遗传算法及所述建筑实际冷负荷对所述建筑热物理模型进行训练；

灰箱模型建立子模块，用于建立灰箱模型：

$\begin{array}{c}{Q}_{est}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\[\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}}{A}_{ew}\]+\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}{A}_{rf}+\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}{A}_{im}\\ +\frac{T_{out}\left(t\right)-T_{in}\left(t\right)}{R_{win}}{A}_{win}-C_{in}\frac{{\mathrm{dT}}_{in}\left(t\right)}{dt}{A}_{in}+\left(Q_{conw}+Q_{fr}+Q_{la}\right)\end{array};$

从而预测所述建筑冷负荷Q_est。

本发明相较于传统的建筑负荷预测方法，不仅不需要进行复杂的热物理模型建模，也不需要大量的历史运行数据，具有快速而高准确性(将预测精度由传统预测方法的80％～90％提升至95％)，本发明非常适合现场使用。本发明同时结合系统实时反馈的数据和信息，做预测型和反馈型优化控制的有机整合，可实现中央空调系统精细而准确的控制，进而达到有效的节能效果。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种空调冷机的建筑冷负荷预测方法，其特征在于，包括：

采集建筑外部多个位置的气象参数，计算建筑外部得热量；

统计所述建筑内部热量参数，计算建筑内部得热量；

依据所述建筑外部得热量及建筑内部得热量建立建筑热物理模型；

采集预设时间内空调冷机系统的运行数据，依据遗传算法对所述建筑热物理模型进行训练，建立灰箱模型并预测建筑冷负荷。

2.根据权利要求1所述的建筑冷负荷预测方法，其特征在于，所述采集建筑外部多个点的气象参数，计算建筑外部得热量的步骤包括：

采集建筑外部多个位置的气象参数，所述气象参数包括：室内空气温度T_in(t)、室外空气温度T_out(t)、屋顶第一节点等效热阻R_rf，1、屋顶第二节点温度T_rf，2(t)、屋顶第二节点等效热容c_rf，2、屋顶第三节点等效热阻R_rf，3、屋顶第四节点温度T_rf，4(t)、屋顶第四节点等效热容c_rf，4、屋顶第五节点等效热阻R_rf，5、外墙第一节点等效热阻R_ew，1、外墙第二节点温度T_ew，2(t)、外墙第二节点等效热容C_ew，2、外墙第三节点等效热阻R_ew，3、外墙第四节点温度T_ew，4(t)、外墙第四节点等效热容C_ew，4、外墙第五节点等效热阻R_ew，5、内部建筑材料第一节点温度T_im，1(t)、内部建筑材料第一节点等效热容c_im，1、内部建筑材料第一节点等效热阻R_im，1、内部建筑材料第二节点温度T_im，2(t)、内部建筑材料第二节点等效热容c_im，2、内部建筑材料第二节点等效热阻R_im，2、屋顶面积A_rf、外墙面积A_ew、内部建筑材料面积A_im；

计算建筑外部得热量，所述外部得热量包括屋顶得热量Q_rad，rf、外墙得热量Q_rad，ew及内部材料得热量Q_rad，im：

$C_{rf,2}\frac{{\mathrm{dT}}_{rf,2}\left(t\right)}{dt}=(\frac{T_{out}\left(t\right)-T_{rf,2}\left(t\right)}{R_{rf,1}}-\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}})A_{rf}+Q_{rad,rf}$

$C_{rf,4}\frac{{\mathrm{dT}}_{rf,4}\left(t\right)}{dt}=\left(\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}}-\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}\right)A_{rf}$

$C_{ew,2}\frac{{\mathrm{dT}}_{ew,2}\left(t\right)}{dt}=\left(\frac{T_{out}\left(t\right)-T_{ew,2}\left(t\right)}{R_{ew,1}}-\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}\right)A_{ew}+Q_{rad,ew}$

$C_{ew,4}\frac{{\mathrm{dT}}_{ew,4}\left(t\right)}{dt}=(\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}-\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}})A_{ew}$

$C_{im,1}\frac{{\mathrm{dT}}_{im,1}\left(t\right)}{dt}=\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}{A}_{im}$

$C_{im,2}\frac{{\mathrm{dT}}_{im,2}\left(t\right)}{dt}=\left(\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}-\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}\right)A_{im}+Q_{rad,im}.$

3.根据权利要求2所述的建筑冷负荷预测方法，其特征在于，所述统计所述建筑内部热量参数，计算建筑内部得热量的步骤包括：

统计所述建筑内部热量参数：建筑内部的对流换热量Q_conv、建筑内部的新风显热量Q_fr及建筑内部的潜热量Q_la；

计算所述建筑内部得热量Q_in：

Q_in＝Q_conv+Q_fr+Q_la。

4.根据权利要求3所述的建筑冷负荷预测方法，其特征在于，所述依据所述建筑外部得热量及建筑内部得热量建立建筑热物理模型的步骤包括：

获取所述建筑的热物理模型参数，所述热物理模型参数包括窗户等效热阻R_win及室内空气等效热容c_in；

建立建筑热物理模型。

5.根据权利要求4所述的建筑冷负荷预测方法，其特征在于，所述采集预设时间内空调冷机系统的运行数据，依据遗传算法对所述建筑热物理模型进行训练，建立灰箱模型并预测建筑冷负荷的步骤包括：

采集预设时间内空调冷机系统的运行数据以获取建筑实际冷负荷；

依据遗传算法及所述建筑实际冷负荷对所述建筑热物理模型进行训练；

建立灰箱模型：

$\begin{array}{c}{Q}_{est}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\[\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}}{A}_{ew}\]+\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}{A}_{rf}+\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}{A}_{im}\\ +\frac{T_{out}\left(t\right)-T_{in}\left(t\right)}{R_{win}}{A}_{win}-C_{in}\frac{{\mathrm{dT}}_{in}\left(t\right)}{dt}{A}_{in}+\left(Q_{conw}+Q_{fr}+Q_{la}\right)\end{array};$

从而预测所述建筑冷负荷Q_est。

6.一种空调冷机的建筑冷负荷预测装置，其特征在于，包括：

外部得热量计算模块，用于采集建筑外部多个位置的气象参数，计算建筑外部得热量；

内部得热量计算模块，用于统计所述建筑内部热量参数，计算建筑内部得热量；

物理模型建立模块，用于依据所述建筑外部得热量及建筑内部得热量建立建筑热物理模型；

冷负荷预测模块，用于采集预设时间内空调冷机系统的运行数据，依据遗传算法对所述建筑热物理模型进行训练，建立灰箱模型并预测建筑冷负荷。

7.根据权利要求6所述的建筑冷负荷预测装置，其特征在于，所述外部得热量计算模块包括：

气象参数采集子模块，用于采集建筑外部多个位置的气象参数，所述气象参数包括：室内空气温度T_in(t)、室外空气温度T_out(t)、屋顶第一节点等效热阻R_rf，1、屋顶第二节点温度T_rf，2(t)、屋顶第二节点等效热容c_rf，2、屋顶第三节点等效热阻R_rf，3、屋顶第四节点温度T_rf，4(t)、屋顶第四节点等效热容c_rf，4、屋顶第五节点等效热阻R_rf，5、外墙第一节点等效热阻R_ew，1、外墙第二节点温度T_ew，2(t)、外墙第二节点等效热容C_ew，2、外墙第三节点等效热阻R_ew，3、外墙第四节点温度T_ew，4(t)、外墙第四节点等效热容C_ew，4、外墙第五节点等效热阻R_ew，5、内部建筑材料第一节点温度T_im，1(t)、内部建筑材料第一节点等效热容c_im，1、内部建筑材料第一节点等效热阻R_im，1、内部建筑材料第二节点温度T_im，2(t)、内部建筑材料第二节点等效热容c_im，2、内部建筑材料第二节点等效热阻R_im，2、屋顶面积A_rf、外墙面积A_ew、内部建筑材料面积A_im；

外部得热量计算子模块，用于计算建筑外部得热量，所述外部得热量包括屋顶得热量Q_rad，rf、外墙得热量Q_rad，ew及内部材料得热量Q_rad，im：

$C_{rf,2}\frac{{\mathrm{dT}}_{rf,2}\left(t\right)}{dt}=\left(\frac{T_{out}\left(t\right)-T_{rf,2}\left(t\right)}{R_{rf,1}}-\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}}\right)A_{rf}+Q_{rad,rf}$

$C_{rf,4}\frac{{\mathrm{dT}}_{rf,4}\left(t\right)}{dt}=\left(\frac{T_{rf,2}\left(t\right)-T_{rf,4}\left(t\right)}{R_{rf,3}}-\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}\right)A_{rf}$

$C_{ew,2}\frac{{\mathrm{dT}}_{ew,2}\left(t\right)}{dt}=\left(\frac{T_{out}\left(t\right)-T_{ew,2}\left(t\right)}{R_{ew,1}}-\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}\right)A_{ew}+Q_{rad,ew}$

$C_{ew,4}\frac{{\mathrm{dT}}_{ew,4}\left(t\right)}{dt}=(\frac{T_{ew,2}\left(t\right)-T_{ew,4}\left(t\right)}{R_{ew,3}}-\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}})A_{ew}$

$C_{im,1}\frac{{\mathrm{dT}}_{im,1}\left(t\right)}{dt}=\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}{A}_{im}$

$C_{im,2}\frac{{\mathrm{dT}}_{im,2}\left(t\right)}{dt}=\left(\frac{T_{im,1}\left(t\right)-T_{im,2}\left(t\right)}{R_{im,1}}-\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}\right)A_{im}+Q_{rad,im}.$

8.根据权利要求7所述的建筑冷负荷预测装置，其特征在于，所述内部得热量计算模块包括：

统计子模块，用于统计所述建筑内部热量参数：建筑内部的对流换热量Q_conv、建筑内部的新风显热量Q_fr及建筑内部的潜热量Q_la；

内部得热量计算子模块，用于计算所述建筑内部得热量Q_in：

Q_in＝Q_conv+Q_fr+Q_la。

9.根据权利要求8所述的建筑冷负荷预测装置，其特征在于，所述物理模型建立模块包括：

模型参数获取子模块，用于获取所述建筑的热物理模型参数，所述热物理模型参数包括窗户等效热阻R_win及室内空气等效热容C_in；

建立子模块，用于建立建筑热物理模型。

10.根据权利要求9所述的建筑冷负荷预测装置，其特征在于，所述冷负荷预测模块包括：

运行数据采集子模块，用于采集预设时间内空调冷机系统的运行数据以获取建筑实际冷负荷；

训练子模块，用于依据遗传算法及所述建筑实际冷负荷对所述建筑热物理模型进行训练；

灰箱模型建立子模块，用于建立灰箱模型：

$\begin{array}{c}{Q}_{est}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\[\frac{T_{ew,4}\left(t\right)-T_{in}\left(t\right)}{R_{ew,5}}{A}_{ew}\]+\frac{T_{rf,4}\left(t\right)-T_{in}\left(t\right)}{R_{rf,5}}{A}_{rf}+\frac{T_{im,2}\left(t\right)-T_{in}\left(t\right)}{R_{im,2}}{A}_{im}\\ +\frac{T_{out}\left(t\right)-T_{in}\left(t\right)}{R_{win}}{A}_{win}-C_{in}\frac{{\mathrm{dT}}_{in}\left(t\right)}{dt}{A}_{in}+\left(Q_{conw}+Q_{fr}+Q_{la}\right)\end{array};$

从而预测所述建筑冷负荷Q_est。