CN106468467B - 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 - Google Patents

一种应用于嵌入式控制系统的空调冷负荷实时预测算法 Download PDF

Info

Publication number
CN106468467B
CN106468467B CN201510501949.4A CN201510501949A CN106468467B CN 106468467 B CN106468467 B CN 106468467B CN 201510501949 A CN201510501949 A CN 201510501949A CN 106468467 B CN106468467 B CN 106468467B
Authority
CN
China
Prior art keywords
load
day
hourly
prediction
predicted
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
Application number
CN201510501949.4A
Other languages
English (en)
Other versions
CN106468467A (zh
Inventor
赵庆珠
赵晓宇
姚雅妮
于长雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongfang Taide International Technology Beijing Co Ltd
Original Assignee
Tongfang Taide International Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongfang Taide International Technology Beijing Co Ltd filed Critical Tongfang Taide International Technology Beijing Co Ltd
Priority to CN201510501949.4A priority Critical patent/CN106468467B/zh
Publication of CN106468467A publication Critical patent/CN106468467A/zh
Application granted granted Critical
Publication of CN106468467B publication Critical patent/CN106468467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Air Conditioning Control Device (AREA)

Abstract

一种应用于嵌入式控制系统的空调冷负荷实时预测算法，涉及中央空调系统控制领域。本发明包括如下步骤：1）获取预测日室外环境预报的气象参数；2）选取空调系统稳定运行代表日作为参照日，并计算得参照日逐时负荷分配系数；3）计算预测日最大小时冷负荷；4）计算预测日负荷分布情况；5）对当前运行日预测负荷进行在线修正；6）将预测日实际各小时冷负荷数据与预测各小时冷负荷数据进行对比，根据偏差情况对参照日负荷分配系数进行修正。本发明算法根据基础日的负荷分配系数和室外预报气象参数预测得到预测日最大小时负荷，计算得到预测日全天的负荷分布；具有数据需求量小、计算简便、预测结果准确且通用性好的特点。

Description

一种应用于嵌入式控制系统的空调冷负荷实时预测算法
技术领域
本发明涉及中央空调系统控制领域，特别是应用于嵌入式中央空
调控制系统中的空调冷负荷实时预测算法。
背景技术
采用合理的运行调节方法是提高中央空调系统能源利用效率的主要途径之一，实行冷负荷预测是空气调节系统优化运行的有效依据，也是蓄能空调系统高效经济运行发挥其优势的关键所在。空调冷负荷预测的作用在于能确保空调参数的稳定达标，实现合理调配不同品种冷源设备，达到高效安全运行，同时，采用合理的节能控制策略，达到节能、节钱或充分利用余热等不同运行目标。
现有技术中，使用较多的空调冷负荷预测方法有三种：线性回归法、指数平滑法以及神经网络法。
线性回归方法是最为常见的一种数据处理方式，将回归分析方法应用于负荷预测领域，建立一种解释性模型。但建筑负荷是高度非线性的，采用线性回归方法精度较差，且线性回归模型的建立依托于大量的历史数据，模型通用性差，因此线性回归方法应用于工程中的难度高。
指数平滑法是根据预测对象本身的历史数据来进行预测的，属于时间序列预测技术范畴。时间指数平滑法不需要很多的历史数据作为建模依据，且建立模型具有通用性，但正由于其模型的简化性，指数平滑法的预测精度较差，且不能随着工程实施进一步提升。
神经网络分析法是目前研究最多的负荷预测方法。神经网络分析法预测精度高，但存在建模复杂，数据需求量大的缺点。此外，神经网络分析法在建模上不能实现自动化，在选择网络结构和训练网络时相当一部分工作需要借助于人的分析，存在大量的试算过程，增大了建模的难度。此外，神经网络分析法建立的负荷预测系统要应用到另一栋建筑物上，需要重新训练网络，因此，不具有通用性，工程上的应用可行性较差。
发明内容
针对上述现有技术中存在的不足，本发明提出一种应用于嵌入式控制系统的空调冷负荷实时预测算法。它利用建筑物在一段时间内正常投入运行的空调系统其逐时负荷变化曲线相对稳定的特点，根据基础日的负荷分配系数和室外预报气象参数预测得到预测日最大小时负荷，计算得到预测日全天的负荷分布；具有数据需求量小、计算简便、预测结果准确且通用性好的特点。
为了达到上述发明目的，本发明的技术方案以如下方式实现：
一种应用于嵌入式控制系统的空调冷负荷实时预测算法，它包括如下步骤：
1）获取预测日室外环境预报的气象参数，包括室外温度、湿度以及辐射；
2）选取空调系统稳定运行代表日作为参照日，并计算得参照日逐时负荷分配系数，逐时负荷分配系数计算方法：
Figure DEST_PATH_IMAGE001
其中，是第i小时的负荷分配系数，
Figure DEST_PATH_IMAGE003
是参照日第i小时内的冷负荷，是参照日最大小时负荷；
3）根据日最大小时负荷预测公式计算预测日最大小时负荷，最大小时负荷预测公式为：
Figure DEST_PATH_IMAGE005
其中，x是内外扰分布系数，
Figure 744252DEST_PATH_IMAGE006
是预测日建筑最大小时负荷，
Figure 344998DEST_PATH_IMAGE004
是参照日建筑最大小时负荷，
Figure DEST_PATH_IMAGE007
是内扰预测修正函数，
Figure 962668DEST_PATH_IMAGE008
是
外扰预测修正函数；
4）根据预测日最大小时负荷和参照日负荷分配系数计算预测日负荷分布情况，预测日逐小时负荷计算公式为：
Figure 572641DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为预测日第i小时预测冷负荷；
5）实际运行时，根据系统运行情况，对当前运行日预测负荷进行在线修正，修正方法为：当连续存在两个小时的当前逐时预测负荷与实测负荷的绝对误差同方向超过预测负荷的平均值的15%时，对后续逐时预测负荷进行修正，公式为：
Figure 398514DEST_PATH_IMAGE012
其中，为后续第i小时的修正后冷负荷，
Figure DEST_PATH_IMAGE015
为第i小时原预测冷负荷，
Figure 232478DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
为出现超过15%偏差的连续两个小时的绝对偏差，
Figure 746898DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
为出现超过15%偏差的连续两个小时的原预测冷负荷；
6）当预测日运行完毕，将预测日实际各小时冷负荷数据与预测各小时冷负荷数据进行对比，根据偏差情况对参照日负荷分配系数进行修正，具体修正方法为：若实际预测日全天有两个小时的实际运行绝对误差超过全天平均预测负荷的15%，则用当前实际运行数据重新计算负荷分配系数，后续预测采用重新计算的逐时负荷分配系数。
本发明由于采用了上述方法，利用逐时负荷系数分配法来进行空调冷负荷实施预测。逐时负荷系数分配法是根据已检测到的建筑负荷及预测得到的当天室外温度，对当日最大小时负荷进行预测，并根据建筑物内形成的负荷曲线分配计算逐时负荷的空调冷负荷预测方法。此外，逐时负荷系数分配法还会根据逐时检测的实时冷负荷，对后续预测冷负荷进行实时修正，提高负荷预测的准确度。该方法跟现有技术中已有的冷负荷预测方法相比最主要的区别就是更具有工程应用可行性。本发明方法建模简单，不需要依赖建筑负荷历史数据，只需在运行过程中，监测实时负荷即可不断修正预测的负荷值，提高负荷预测精度。此外，逐时负荷系数分配法数据需求量小，且模型具有通用性，不需根据不同建筑重新建模，简化了负荷预测的难度，提高了其工程应用的可行性。尤其在中央空调嵌入式控制系统中，现有较为复杂的负荷预测方法基本难以在现场控制器中运算实现，而逐时负荷系数分配法在基本保证了预测精度的情况下，大大简化了预测建模过程，完全可以在嵌入式控制系统中应用实现。通过实际数据验证，采用了本发明提供的冷负荷预测算法后，当根据建筑物特性，取得合适的内外扰修正函数时，可以将绝大部分预测负荷误差控制在10%以内，且数据需求量小，模型具有通用性，简化了空调冷负荷预测的难度。
下面结合附图和具体实施方式对本发明作进一步说明。
附图说明
图1为本发明预测算法的流程图。
具体实施方式
参看图1，本发明的一种优选实施方法，其中内外扰分布系数取0.4，内扰预测修正函数取1（对于酒店，商业综合体等内扰会出现变动的建筑，内扰修正系数应根据入住率等变化因素取值），外扰预测修正函数取
Figure 691720DEST_PATH_IMAGE020
（其中，
Figure DEST_PATH_IMAGE021
为预测日预报最高室外温度，
Figure 106521DEST_PATH_IMAGE022
为参照日最高室外温度），方法步骤为：
1）获取预测日室外环境预报的气象参数，包括室外温度、湿度以及辐射；
2）选取空调系统稳定运行代表日作为参照日，并计算得参照日逐时负荷分配系数。逐时负荷分配系数计算方法：
Figure 580228DEST_PATH_IMAGE001
其中，
Figure 549321DEST_PATH_IMAGE002
是第i小时的负荷分配系数，
Figure 235517DEST_PATH_IMAGE003
是参照日第i小时内的冷负荷，
Figure 26797DEST_PATH_IMAGE004
是参照日最大小时负荷。
3）根据日最大小时负荷预测公式计算预测日最大小时负荷。
最大小时负荷预测公式为：
Figure DEST_PATH_IMAGE023
其中，x是内外扰分布系数，
Figure 405826DEST_PATH_IMAGE006
为预测日建筑最大小时负荷，
Figure 862215DEST_PATH_IMAGE004
为参照日建筑最大小时负荷。
4）根据基础日负荷分配系数确定预测日逐小时预测冷负荷。预测日逐小时预测冷负荷计算方法：
Figure 679998DEST_PATH_IMAGE024
其中，为预测日第i小时预测负荷，
Figure 538233DEST_PATH_IMAGE006
是预测日建筑最大小时负荷，
Figure 353742DEST_PATH_IMAGE002
是第i小时的负荷分配系数。
5）实际运行时，根据系统实际运行情况，对当前运行日预测负荷进行在线修正。修正方法为：
当连续存在两个小时的当前逐时预测负荷与实测负荷的绝对误差同方向超过预测负荷的平均值的15%时，对后续逐时预测负荷进行修正。
Figure DEST_PATH_IMAGE025
其中，
Figure 798892DEST_PATH_IMAGE013
为后续第i小时的修正后冷负荷，
Figure 92470DEST_PATH_IMAGE015
为第i小时原预测冷负荷，
Figure 539632DEST_PATH_IMAGE016
和
Figure 260464DEST_PATH_IMAGE017
为出现超过15%偏差的连续两个小时的绝对偏差，
Figure 691445DEST_PATH_IMAGE018
和
Figure 523135DEST_PATH_IMAGE019
为出现超过15%偏差的连续两个小时的原预测冷负荷。
6）当预测日运行完毕，将预测日实际各小时冷负荷数据与预测各小时冷负荷数据进行对比，根据偏差情况对参照日负荷分配系数进行修正。具体修正方法为：
若实际预测日全天有两个小时的实际运行绝对误差超过全天平均预测负荷的15%，则用当前实际运行数据根据2中所述逐时负荷分配系数计算方法重新计算负荷分配系数，后续预测采用重新计算的逐时负荷分配系数。

Claims (1)

1.一种应用于嵌入式控制系统的空调冷负荷实时预测算法，它包括如下步骤：
1)获取预测日室外环境预报的气象参数，包括室外温度、湿度以及辐射；
2)选取空调系统稳定运行代表日作为参照日，并计算得参照日逐时负荷分配系数，逐时负荷分配系数计算方法：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
是第i小时的负荷分配系数，
Figure DEST_PATH_IMAGE006
是参照日第i小时内的冷负荷，
Figure DEST_PATH_IMAGE008
是参照日最大小时负荷；
3)根据日最大小时负荷预测公式计算预测日最大小时负荷，最大小时负荷预测公式为：
Figure DEST_PATH_IMAGE010
其中，x是内外扰分布系数，
Figure DEST_PATH_IMAGE012
是预测日建筑最大小时负荷，是参照日建筑最大小时负荷，
Figure DEST_PATH_IMAGE014
是内扰预测修正函数，
Figure DEST_PATH_IMAGE016
是外扰预测修正函数；
4)根据预测日最大小时负荷和参照日负荷分配系数计算预测日负荷分布情况，预测日逐小时负荷计算公式为：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
为预测日第i小时预测冷负荷；
5)实际运行时，根据系统运行情况，对当前运行日预测负荷进行在线修正，修正方法为：当连续存在两个小时的当前逐时预测负荷与实测负荷的绝对误差同方向超过预测负荷的平均值的15%时，对后续逐时预测负荷进行修正，公式为：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为后续第i小时的修正后冷负荷，为第i小时原预测冷负荷，
Figure DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE030
为出现超过15%偏差的连续两个小时的绝对偏差，
Figure DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE034
为出现超过15%偏差的连续两个小时的原预测冷负荷；
6)当预测日运行完毕，将预测日实际各小时冷负荷数据与预测各小时冷负荷数据进行对比，根据偏差情况对参照日负荷分配系数进行修正，具体修正方法为：若实际预测日全天有两个小时的实际运行绝对误差超过全天平均预测负荷的15%，则用当前实际运行数据重新计算负荷分配系数，后续预测采用重新计算的逐时负荷分配系数。
CN201510501949.4A 2015-08-17 2015-08-17 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 Active CN106468467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510501949.4A CN106468467B (zh) 2015-08-17 2015-08-17 一种应用于嵌入式控制系统的空调冷负荷实时预测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510501949.4A CN106468467B (zh) 2015-08-17 2015-08-17 一种应用于嵌入式控制系统的空调冷负荷实时预测算法

Publications (2)

Publication Number Publication Date
CN106468467A CN106468467A (zh) 2017-03-01
CN106468467B true CN106468467B (zh) 2020-01-07

Family

ID=58213761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510501949.4A Active CN106468467B (zh) 2015-08-17 2015-08-17 一种应用于嵌入式控制系统的空调冷负荷实时预测算法

Country Status (1)

Country Link
CN (1) CN106468467B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107781948B (zh) * 2017-10-30 2019-11-05 四川长虹电器股份有限公司 基于时间、温度与空调参数的空调负荷预测方法
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
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
CN112113316B (zh) * 2020-09-18 2022-03-11 国网辽宁省电力有限公司电力科学研究院 一种空调负荷提取的方法
CN112682936B (zh) * 2020-12-29 2022-04-26 华润智慧能源有限公司 一种空调冷站系统控制方法、系统、装置及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930356A (zh) * 2012-11-16 2013-02-13 广东电网公司电力调度控制中心 基于气象因素敏感度的短期负荷预测方法
CN103606015A (zh) * 2013-11-26 2014-02-26 国网安徽省电力公司 基于逐时综合气象指数的短期负荷预测方法
CN104318073A (zh) * 2014-10-08 2015-01-28 中国建筑设计院有限公司 单栋居住建筑的电气能耗模拟及节能的方法
CN104318332A (zh) * 2014-10-29 2015-01-28 国家电网公司 一种电力负荷预测方法和装置
CN104778503A (zh) * 2015-03-16 2015-07-15 国家电网公司 一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002022239A (ja) * 2000-07-11 2002-01-23 Mitsubishi Heavy Ind Ltd 負荷予測装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930356A (zh) * 2012-11-16 2013-02-13 广东电网公司电力调度控制中心 基于气象因素敏感度的短期负荷预测方法
CN103606015A (zh) * 2013-11-26 2014-02-26 国网安徽省电力公司 基于逐时综合气象指数的短期负荷预测方法
CN104318073A (zh) * 2014-10-08 2015-01-28 中国建筑设计院有限公司 单栋居住建筑的电气能耗模拟及节能的方法
CN104318332A (zh) * 2014-10-29 2015-01-28 国家电网公司 一种电力负荷预测方法和装置
CN104778503A (zh) * 2015-03-16 2015-07-15 国家电网公司 一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
间歇性空调设计日负荷和全年负荷的比较分析;袁赟,刘刚;《建筑热能通风空调》;20121030(第31卷第5期);第22-24页 *

Also Published As

Publication number Publication date
CN106468467A (zh) 2017-03-01

Similar Documents

Publication Publication Date Title
CN106468467B (zh) 一种应用于嵌入式控制系统的空调冷负荷实时预测算法
EP3483517B1 (en) System and method for predicting load of and controlling subway heating, ventilation, and air conditioning system
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
WO2018032241A1 (en) Controller for hvac unit
CN107726442B (zh) 一种热网平衡调控方法
CN110264080B (zh) 一种绿色建筑运行性能评价方法、装置、设备及存储介质
CN112013521B (zh) 一种基于天气预报的空调系统调节方法和系统
CN103513632B (zh) 能源管理系统
CN108105844B (zh) 一种基于室内和室外温度联合补偿的智能换热站控制方法
CN108709287B (zh) 一种空调系统冷负荷预测方法及冷水机组群控的策略
CN108197404B (zh) 一种基于时间遗传特性的建筑负荷预测方法
CN105320184B (zh) 建筑室内环境智能监控系统
CN109948824B (zh) 一种利用模式识别技术对热力站热负荷进行预测的方法
CN105091209B (zh) 一种基于空调负荷预测的控制系统及方法
JP2011214794A (ja) 空調システム制御装置
Nikovski et al. A method for computing optimal set-point schedules for HVAC systems
US9920945B2 (en) Air-conditioning control apparatus, air-conditioning control system, and air-conditioning control method
CN111144654A (zh) 一种基于物联网的园区能源管理配置方法及装置
CN107247407B (zh) 一种基于云架构的大数据自我学习修正控制系统及方法
CN107633316A (zh) 自适应局部非线性回归偏差补偿的电网短期负荷预测方法
CN104613597A (zh) 高效节能空调机组控制方法和控制装置、空调机组
Ku et al. Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining
CN111043731A (zh) 一种基于天气预报的空调系统调节方法
CN103514486A (zh) 基于因素分析的高炉煤气受入流量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant