CN106705381A - 基于空调的能耗预测方法及预测装置 - Google Patents
基于空调的能耗预测方法及预测装置 Download PDFInfo
- Publication number
- CN106705381A CN106705381A CN201710038633.5A CN201710038633A CN106705381A CN 106705381 A CN106705381 A CN 106705381A CN 201710038633 A CN201710038633 A CN 201710038633A CN 106705381 A CN106705381 A CN 106705381A
- Authority
- CN
- China
- Prior art keywords
- air
- conditioning
- energy consumption
- average
- predicted time
- 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.)
- Granted
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
- 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
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- 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
-
- 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
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于空调的能耗预测方法及预测装置。所述方法包括:针对预测区域,获取在空调使用季节、预测时间之前的统计时间段内所述预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0;获取所述预测时间内的室外平均温度Tav和室外最低温度Tlow;根据下述回归模型预测所述预测时间内的在线智能空调数量N:N=a1*Tav+a2*Tlow+b;根据下述公式预测所述预测时间内的空调总能耗值Pk:Pk=c*P0*N/N0;c为已知的系数,且所述c至少包括根据所述预测区域内总空调数量与智能空调数量的比值,所述总空调包括所述智能空调和非智能空调。应用本发明,能实现对空调能耗的提前、准确预测。
Description
技术领域
本发明属于电数据处理技术领域,具体地说,是涉及一种基于空调的能耗预测方法及预测装置。
背景技术
受经济社会发展、百姓生活水平提高、极端天气日益增多等因素影响,空调使用数量和空调使用时间不断增加,空调能耗也不断增加。空调作为家电设备中能耗较大的耗电设备,其能耗在所有家电设备中占比较大。而且,空调负荷规模和能耗的不断增加,在用电高峰时段占总负荷比重较大。在夏季或冬季空调使用季节,激增的空调负荷导致负荷峰谷差显著拉大,空调负荷激增严重威胁电网设备的安全运行,常导致已经处于高温恶劣运行环境的线路及变压器满载、过载,失去对事故的抵御能力。
因此,如能对空调能耗进行提前预测,则可以在一定程度上提前做好电网电力的分配,避免因空调能耗大而引起的满载或过载问题,降低电网故障发生率。
发明内容
本发明的目的在于提供一种基于空调的能耗预测方法及预测装置,实现对空调能耗的提前预测。
为实现上述发明目的,本发明提供的能耗预测方法采用下述技术方案予以实现:
一种基于空调的能耗预测方法,所述方法包括:
针对预测区域,获取在空调使用季节、预测时间之前的统计时间段内所述预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0;
获取所述预测时间内的室外平均温度Tav和室外最低温度Tlow;
根据下述回归模型预测所述预测时间内的在线智能空调数量N:
N=a1*Tav+a2*Tlow+b;a1、a2和b均为常数;
根据下述公式预测所述预测时间内的空调总能耗值Pk:
Pk=c*P0*N/N0;c为已知的系数,且所述c至少包括根据所述预测区域内总空调数量与智能空调数量的比值,所述总空调包括所述智能空调和非智能空调。
如上所述的方法,所述在线智能空调为指定品牌的智能空调,所述系数c还包括根据所述预测区域内所有品牌的总空调数量与所述指定品牌的所有空调数量的比值;所述所有品牌的总空调数量包括所有品牌的智能空调与非智能空调,所述指定品牌的所有空调包括所述指定品牌的智能空调与非智能空调。
如上所述的方法,所述针对预测区域,获取在空调使用季节、预测时间之前的统计时间段内所述预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0,具体包括:
获取已知的在空调使用季节在线智能空调识别数据及其上传的能耗值和能耗值上传时间,从中获取智能空调识别数据属于所述预测区域内的空调识别数据、能耗值上传时间属于所述统计时间段内的所有能耗值,计算出在所述统计时间段内的平均总能耗值,作为所述预测区域内在线智能空调的平均总能耗值P0;
同时,根据能耗值上传时间属于所述统计时间段、且智能空调识别数据属于所述预测区域内的空调识别数据确定出在所述统计时间段内的所有在线空调数量,并计算出在所述统计时间段内的平均在线空调数量,作为所述预测区域内在线智能空调的平均在线空调数量N0。
如上所述的方法,若所述预测时间为当前空调使用季节内的首个预测时间,所述预测时间之前的统计时间段为上一个空调使用季节内的所有天数或指定天数或所有天数中的指定时间或指定天数中的指定时间;若所述预测时间为当前空调使用季节内的非首个预测时间,所述预测时间之前的统计时间段为当前空调使用季节内、所述预测时间之前的所有天数或指定天数或所有天数中的指定时间或指定天数中的指定时间。
如上所述的方法,所述常数a1、a2和b采用下述过程确定:
从已知的大数据中获取在空调使用季节内的建模用在线智能空调数量N’、所述建模用在线智能空调数量N’所对应的建模用室外平均温度T’av和建模用室外最低温度T’low;
用所述建模用在线智能空调数量N’、所述建模用室外平均温度T’av和所述建模用室外最低温度T’low建立回归模型N’=a1*T’av+a2*T’low+b,确定出a1、a2和b。
如上所述的方法,所述方法还包括:
获取在非空调使用季节所述预测区域内的平均能耗基准值P’;
根据所述平均能耗基准值P’和所述空调总能耗值Pk预测所述预测时间内的电网总能耗值Pz:Pz= P’+Pk。
为实现上述发明目的,本发明提供的能耗预测装置采用下述技术方案来实现:
一种基于空调的能耗预测装置,所述装置包括:
平均总能耗值和平均在线空调数量获取模块,用于获取预测区域内在空调使用季节、预测时间之前的统计时间段内所述预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0;
温度获取模块,用于获取所述预测时间内的室外平均温度Tav和室外最低温度Tlow;
在线智能空调数量预测模块,用于根据下述回归模型预测所述预测时间内的在线智能空调数量N:N=a1*Tav+a2*Tlow+b;a1、a2和b均为常数;
空调总能耗值预测模块,用于根据下述公式预测所述预测时间内的空调总能耗值Pk:Pk=c*P0*N/N0;c为已知的系数,且所述c至少包括根据所述预测区域内总空调数量与智能空调数量的比值,所述总空调包括所述智能空调和非智能空调。
如上所述的装置,所述装置还包括:
平均能耗基准值获取模块,用于获取在非空调使用季节所述预测区域内的平均能耗基准值P’;
电网总能耗值预测模块,根据所述平均能耗基准值P’和所述空调总能耗值Pk预测所述预测时间内的电网总能耗值Pz:Pz= P’+Pk。
与现有技术相比,本发明的优点和积极效果是:本发明提供的基于空调的能耗预测方法和预测装置中,根据与室外平均温度和室外最低温度相关的模型预测在线空调数量,根据预测的在线空调数量和已知的在线空调数量及相对应的空调能耗值预测将来预测时间内的空调总能耗值,能够较为准确地提前预测出与实际在线使用空调数量相对应的空调能耗值,能耗预测准确;基于预测的空调能耗值,能够为电网电力分配提供参考依据,便于降低因空调能耗大而引起的满载或过载故障的发生率。
结合附图阅读本发明的具体实施方式后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明基于空调的能耗预测方法一个实施例的流程图;
图2是本发明基于空调的能耗预测方法另一个实施例的流程图;
图3是本发明基于空调的能耗预测装置一个实施例的结构框图;
图4是本发明基于空调的能耗预测装置另一个实施例的结构框图。
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,以下将结合附图和实施例,对本发明作进一步详细说明。
请参见图1,该图所示为本发明基于空调的能耗预测方法一个实施例的流程图。具体而言,是基于空调对预测时间内的空调能耗值进行预测的一个实施例的流程图。
如图1所示意,该实施例实现空调能耗值预测的方法包括下述步骤构成的过程:
步骤11:针对预测区域,获取在空调使用季节、预测时间之前的统计时间段内预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0;获取预测时间内的室外平均温度Tav和室外最低温度Tlow。
空调能耗的预测以区域为预测范围,针对某个地区进行。而且,该实施例是基于该区域内的智能空调实现对区域内所有空调的总能耗值的预测。智能空调,是指能够与云端服务器交互,既可以上传空调静态设备数据、动态运行参数数据、运行能耗数据、环境数据等至云端,同时还能接收云端指令数据的空调。通过空调上传的静态设备数据,譬如设备识别码、设备安装地址、设备IP地址等,能够确定出预测区域内的智能空调。在线智能空调,是指处于运行状态、上传有相关数据的智能空调。空调使用季节包括使用空调进行制热的冬季以及使用空调进行制冷的夏季。预测时间,是指要进行能耗预测的、将来的一个时间。该预测时间可以是将来的某一天,或者是将来某一天的某个时间段。
在进行空调能耗预测时,首先获取在空调使用季节、预测时间之前的统计时间段内该预测区域内在线智能空调上传的能耗值。这些能耗值为上传后在云端服务器中存储、可以方便地获取到的数据。
对于预测时间之前的统计时间段,优选采用下述方式确定:
若预测时间为当前空调使用季节内的首个预测时间,那么,预测时间之前的统计时间段为上一个空调使用季节内的所有天数或指定天数或所有天数中的指定时间或指定天数中的指定时间。上一个空调使用季节为与当前空调使用季节同为制冷季节或制热季节的一个季节。
而若预测时间为当前空调使用季节内的非首个预测时间,那么,预测时间之前的统计时间段为当前空调使用季节内、预测时间之前的所有天数或指定天数或所有天数中的指定时间或指定天数中的指定时间。
举例而言,如果当前空调使用季节为夏季的制冷季节,要预测当前空调使用季节第一天的能耗,预测时间为当前空调使用季节内的首个预测时间。那么,统计时间段可以选择为上一个制冷季节内的所有天数,也可以选择为上一个制冷季节第一天或前几天的天数。再譬如,预测时间为当前空调使用季节中某一天晚上19点到21点,某一天为非当前使用季节的第一天。那么,统计时间段可选为当前空调使用季节某一天之前所有天数中的19点到21点。
获得统计时间段内、预测区域内在线智能空调的所有能耗值之后,计算出平均总能耗值P0。如果预测时间为某天,那么,统计时间段为天数,所以,平均总能耗值P0为日平均总能耗值。如果预测时间为某天的某个时间段,那么,统计时间段为多个时间段,所以,平均总能耗值P0是指所统计的多个时间段内总能耗值相对于统计时间段总数量的平均总能耗值。同时,由于每个能耗值与一台在线智能空调相对应,因此,统计时间段内的在线空调总数量也是已知的。因而,可以按照与平均总能耗值类似的计算方法,计算出平均在线空调数量N0。
同时,还要获取预测时间内的室外平均温度Tav和室外最低温度Tlow。譬如,可以通过气象部门的天气预报获得预测时间内上述这两个温度。
步骤12:根据回归模型预测预测时间内的在线智能空调数量N。
具体而言,是采用下述回归模型预测在线智能空调数量N:
N=a1*Tav+a2*Tlow+b。
该回归模型是已知的一个模型,模型中的a1、a2和b均为已知的常数。
作为优选的实施方式,回归模型的建立、也即常数a1、a2和b的具体数值采用下述过程确定:
从已知的大数据中获取在空调使用季节内的建模用在线智能空调数量N’、建模用在线智能空调数量N’所对应的建模用室外平均温度T’av和建模用室外最低温度T’low。在线智能空调数量N’可以通过记录和统计处于运行状态时上传自身相关数据判定为在线智能空调的方式获取到。同时,在记录智能空调在线的同时还会记录该时刻的室外平均温度和室外最低温度,并记录为一一对应的关系。大量的类似数据的长时间的记录,形成智能空调的大数据,存储在云端。从这些大数据中能够方便地调取到所需要的建模用在线智能空调数量N’、建模用在线智能空调数量N’所对应的建模用室外平均温度T’av和建模用室外最低温度T’low。
然后,用建模用在线智能空调数量N’、建模用室外平均温度T’av和建模用室外最低温度T’low建立回归模型N’=a1*T’av+a2*T’low+b,采用回归分析的方法确定出a1、a2和b。
应当理解的是,所选用的建模用在线智能空调数量N’、建模用室外平均温度T’av和建模用室外最低温度T’low不同,确定出的a1、a2和b的数值可能不尽相同。优选的,回归模型通过更新建模用在线智能空调数量N’、建模用室外平均温度T’av和建模用室外最低温度T’low不断地更新。但对于预测过程来讲,模型是确定的。
步骤13:根据预测的在线智能空调数量预测预测时间内的空调总能耗值Pk。
在步骤12预测出预测时间内的在线智能空调数量N之后,结合步骤11中获取到的平均总能耗值P0和平均在线空调数量N0,根据下述公式预测出预测时间内的空调总能耗值Pk:Pk=c*P0*N/N0。
其中,c为已知的系数。并且,系数c至少包括根据预测区域内总空调数量与智能空调数量的比值,而总空调包括智能空调和非智能空调。这样处理的原因在于,由于只能获取到智能空调的能耗值、在线数量等数据,且步骤12所预测出的也是在线智能空调数量;但是,对于一个预测区域言,既包括智能空调,还包括有非智能空调。为保证空调能耗值预测的准确性,必须要考虑智能空调数量占总空调数量的比值。而且,现有技术存在多种方式去统计一个区域内总空调数量以及智能空调数量。因而,采用现有技术可以获取到预测区域内总空调数量与智能空调数量的比值,将给比值作为系数c的一部分,则可以合理地根据在线智能空调数量预测出区域内所有在线空调的总数量。
采用上述各步骤构成的实施例,基于现有智能空调所形成的大数据,根据与室外平均温度和室外最低温度相关的模型预测在线空调数量,根据预测的在线空调数量和已知的在线空调数量及相对应的空调能耗值预测将来预测时间内的空调总能耗值。由于室外平均温度以及室外最低温度是能直接表征用户在家中使用空调可能性大小的关键因素,因而,基于和这两个温度相关联的模型能够较为准确地提前预测出实际在线空调数量,进而准确地预测出与实际在线使用空调数量相对应的空调能耗值,能耗预测准确、可靠。
为简化数据采集和处理过程,上述实施例中的在线智能空调为预测区域内指定品牌的智能空调,而非预测区域内所有品牌的智能空调。在此情况下,系数c除了包括包括根据预测区域内总空调数量与智能空调数量的比值之外,还包括有根据预测区域内所有品牌的总空调数量与指定品牌的所有空调数量的比值。其中,所有品牌的总空调数量包括所有品牌的智能空调与非智能空调,指定品牌的所有空调包括指定品牌的智能空调与非智能空调。所有品牌的总空调数量与指定品牌的所有空调数量的比值可以通过预测区域内指定品牌的空调的市场占有率来确定。而某个品牌的空调在某个区域内的市场占有率可以通过现有技术获取到。
作为优选的实施方式,上述步骤11中,针对预测区域,获取在空调使用季节、预测时间之前的统计时间段内预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0,具体包括:
获取已知的在空调使用季节在线智能空调识别数据及其上传的能耗值和能耗值上传时间,从中获取智能空调识别数据属于预测区域内的空调识别数据、能耗值上传时间属于统计时间段内的所有能耗值;然后,计算出在所计时间段内的平均总能耗值,作为预测区域内在线智能空调的平均总能耗值P0。
同时,根据能耗值上传时间属于统计时间段、且智能空调识别数据属于预测区域内的空调识别数据确定出在统计时间段内的所有在线空调数量,并计算出在统计时间段内的平均在线空调数量,作为预测区域内在线智能空调的平均在线空调数量N0。
请参见图2,该图所示为本发明基于空调的能耗预测方法另一个实施例的流程图。具体而言,是基于空调对预测时间内的电网总能耗值进行预测的一个实施例的流程图。
如图2所示意,该实施例实现电网总能耗值预测的方法包括下述步骤构成的过程:
步骤21:针对预测区域,获取在空调使用季节、预测时间之前的统计时间段内预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0;获取预测时间内的室外平均温度Tav和室外最低温度Tlow。
步骤22:根据回归模型预测预测时间内的在线智能空调数量N。
步骤23:根据预测的在线智能空调数量预测预测时间内的空调总能耗值Pk。
上述三个步骤的具体实现过程与图1实施例对应步骤类似,可以参考图1实施例的描述。
步骤24:获取非空调使用季节预测区域内的平均能耗基准值P’,根据平均能耗基准值P’和空调总能耗值Pk预测预测时间内的电网总能耗值Pz。具体来说,Pz= P’+Pk。
一般的,在家用电器设备中,空调是季节性较为显著的设备,其他设备为季节性变化不大的设备。因而,非空调使用季节预测区域内的平均能耗基准值P’反映了电网中除空调之外的其他用电设备的能耗。而且,非空调使用季节预测区域内的平均能耗基准值P’可以采用现有技术来获取。譬如,通过电网实际输出电量计算得到。此外,对于平均能耗基准值中的“平均”的含义,与在线智能空调的平均能耗值中的“平均”的含义类似。
采用该实施例的方法,可以较为准确地预测出在空调使用季节电网总能耗值,能够为电网电力分配提供参考依据,便于降低因空调能耗大而引起的满载或过载故障的发生率。
请参见图3,该图所示为本发明基于空调的能耗预测装置一个实施例的结构框图。具体而言,是基于空调对预测时间内的空调能耗值进行预测的一个实施例的结构框图。
如图3所示,该实施例实现空调能耗值预测的装置包括的结构单元、每个结构单元的功能及相互之间的关系如下:
平均总能耗值和平均在线空调数量获取模块31,用于获取预测区域内在空调使用季节、预测时间之前的统计时间段内、预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0。
温度获取模块32,用于获取预测时间内的室外平均温度Tav和室外最低温度Tlow。
在线智能空调数量预测模块33,用于根据温度获取模块32获取的室外平均温度Tav和室外最低温度Tlow以及下述回归模型预测预测时间内的在线智能空调数量N:N=a1*Tav+a2*Tlow+b;a1、a2和b均为常数。
空调总能耗值预测模块34,用于根据平均总能耗值和平均在线空调数量获取模块31获取的在线智能空调的平均总能耗值P0和平均在线空调数量N0、在线智能空调数量预测模块33预测的在线智能空调数量N以及下述公式预测预测时间内的空调总能耗值Pk:Pk=c*P0*N/N0。其中,c为已知的系数,且c至少包括根据预测区域内总空调数量与智能空调数量的比值,而总空调包括智能空调和非智能空调。
该实施例的装置中的各结构单元运行相应的软件程序,按照图1方法实施例的过程实现对空调能耗值的预测。
请参见图4,该图所示为本发明基于空调的能耗预测装置另一个实施例的结构框图。具体而言,是基于空调对预测时间内的电网总能耗值进行预测的一个实施例的结构框图。
如图4所示意,该实施例实现电网总能耗值预测的装置包括的结构单元、每个结构单元的功能及相互之间的关系如下:
平均总能耗值和平均在线空调数量获取模块41,用于获取预测区域内在空调使用季节、预测时间之前的统计时间段内、预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0。
温度获取模块42,用于获取预测时间内的室外平均温度Tav和室外最低温度Tlow。
在线智能空调数量预测模块43,用于根据温度获取模块42获取的室外平均温度Tav和室外最低温度Tlow以及下述回归模型预测预测时间内的在线智能空调数量N:N=a1*Tav+a2*Tlow+b;a1、a2和b均为常数。
空调总能耗值预测模块44,用于根据平均总能耗值和平均在线空调数量获取模块41获取的在线智能空调的平均总能耗值P0和平均在线空调数量N0、在线智能空调数量预测模块43预测的在线智能空调数量N以及下述公式预测预测时间内的空调总能耗值Pk:Pk=c*P0*N/N0。其中,c为已知的系数,且c至少包括根据预测区域内总空调数量与智能空调数量的比值,而总空调包括智能空调和非智能空调。
平均能耗基准值获取模块45,用于获取在非空调使用季节预测区域内的平均能耗基准值P’。
电网总能耗值预测模块46,根据平均能耗基准值获取模块45获取的平均能耗基准值P’和空调总能耗值预测模块44预测出的空调总能耗值Pk预测预测时间内的电网总能耗值Pz:Pz= P’+Pk。
该实施例的装置中的各结构单元运行相应的软件程序,按照图2方法实施例的过程实现对空调能耗值的预测。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (8)
1.一种基于空调的能耗预测方法,其特征在于,所述方法包括:
针对预测区域,获取在空调使用季节、预测时间之前的统计时间段内所述预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0;
获取所述预测时间内的室外平均温度Tav和室外最低温度Tlow;
根据下述回归模型预测所述预测时间内的在线智能空调数量N:
N=a1*Tav+a2*Tlow+b;a1、a2和b均为常数;
根据下述公式预测所述预测时间内的空调总能耗值Pk:
Pk=c*P0*N/N0;c为已知的系数,且所述c至少包括根据所述预测区域内总空调数量与智能空调数量的比值,所述总空调包括所述智能空调和非智能空调。
2.根据权利要求1所述的方法,其特征在于,所述在线智能空调为指定品牌的智能空调,所述系数c还包括根据所述预测区域内所有品牌的总空调数量与所述指定品牌的所有空调数量的比值;所述所有品牌的总空调数量包括所有品牌的智能空调与非智能空调,所述指定品牌的所有空调包括所述指定品牌的智能空调与非智能空调。
3.根据权利要求1所述的方法,其特征在于,所述针对预测区域,获取在空调使用季节、预测时间之前的统计时间段内所述预测区域内在线智能空调的平均总能耗值P0和日平均在线空调数量N0,具体包括:
获取已知的在空调使用季节在线智能空调识别数据及其上传的能耗值和能耗值上传时间,从中获取智能空调识别数据属于所述预测区域内的空调识别数据、能耗值上传时间属于所述统计时间段内的所有能耗值,计算出在所述统计时间段内的平均总能耗值,作为所述预测区域内在线智能空调的平均总能耗值P0;
同时,根据能耗值上传时间属于所述统计时间段、且智能空调识别数据属于所述预测区域内的空调识别数据确定出在所述统计时间段内的所有在线空调数量,并计算出在所述统计时间段内的平均在线空调数量,作为所述预测区域内在线智能空调的平均在线空调数量N0。
4.根据权利要求3所述的方法,其特征在于,若所述预测时间为当前空调使用季节内的首个预测时间,所述预测时间之前的统计时间段为上一个空调使用季节内的所有天数或指定天数或所有天数中的指定时间或指定天数中的指定时间;若所述预测时间为当前空调使用季节内的非首个预测时间,所述预测时间之前的统计时间段为当前空调使用季节内、所述预测时间之前的所有天数或指定天数或所有天数中的指定时间或指定天数中的指定时间。
5.根据权利要求1所述的方法,其特征在于,所述常数a1、a2和b采用下述过程确定:
从已知的大数据中获取在空调使用季节内的建模用在线智能空调数量N’、所述建模用在线智能空调数量N’所对应的建模用室外平均温度T’av和建模用室外最低温度T’low;
用所述建模用在线智能空调数量N’、所述建模用室外平均温度T’av和所述建模用室外最低温度T’low建立回归模型N’=a1*T’av+a2*T’low+b,确定出a1、a2和b。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
获取在非空调使用季节所述预测区域内的平均能耗基准值P’;
根据所述平均能耗基准值P’和所述空调总能耗值Pk预测所述预测时间内的电网总能耗值Pz:Pz= P’+Pk。
7.一种基于空调的能耗预测装置,其特征在于,所述装置包括:
平均总能耗值和平均在线空调数量获取模块,用于获取预测区域内在空调使用季节、预测时间之前的统计时间段内所述预测区域内在线智能空调的平均总能耗值P0和平均在线空调数量N0;
温度获取模块,用于获取所述预测时间内的室外平均温度Tav和室外最低温度Tlow;
在线智能空调数量预测模块,用于根据下述回归模型预测所述预测时间内的在线智能空调数量N:N=a1*Tav+a2*Tlow+b;a1、a2和b均为常数;
空调总能耗值预测模块,用于根据下述公式预测所述预测时间内的空调总能耗值Pk:Pk=c*P0*N/N0;c为已知的系数,且所述c至少包括根据所述预测区域内总空调数量与智能空调数量的比值,所述总空调包括所述智能空调和非智能空调。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
平均能耗基准值获取模块,用于获取在非空调使用季节所述预测区域内的平均能耗基准值P’;
电网总能耗值预测模块,根据所述平均能耗基准值P’和所述空调总能耗值Pk预测所述预测时间内的电网总能耗值Pz:Pz= P’+Pk。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710038633.5A CN106705381B (zh) | 2017-01-19 | 2017-01-19 | 基于空调的能耗预测方法及预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710038633.5A CN106705381B (zh) | 2017-01-19 | 2017-01-19 | 基于空调的能耗预测方法及预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106705381A true CN106705381A (zh) | 2017-05-24 |
CN106705381B CN106705381B (zh) | 2019-07-23 |
Family
ID=58908499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710038633.5A Active CN106705381B (zh) | 2017-01-19 | 2017-01-19 | 基于空调的能耗预测方法及预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106705381B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107606745A (zh) * | 2017-09-27 | 2018-01-19 | 南京中灿科技有限公司 | 地铁空调季逐时环控能耗预测方法 |
CN107958307A (zh) * | 2017-11-28 | 2018-04-24 | 珠海格力电器股份有限公司 | 电费预测方法及装置 |
CN108153222A (zh) * | 2017-11-24 | 2018-06-12 | 北京算云联科科技有限公司 | 一种能源控制方法及装置 |
CN109130767A (zh) * | 2017-06-28 | 2019-01-04 | 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 |
CN111023400A (zh) * | 2019-12-30 | 2020-04-17 | 宁波奥克斯电气股份有限公司 | 一种空调室外环温预测方法、装置及空调器 |
CN112781177A (zh) * | 2021-01-05 | 2021-05-11 | 广东美的暖通设备有限公司 | 预测空调运行功率的方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009204221A (ja) * | 2008-02-27 | 2009-09-10 | Mitsubishi Heavy Ind Ltd | 空調システム及びビル空調設備の消費電力量予測装置 |
CN201463177U (zh) * | 2009-01-16 | 2010-05-12 | 深圳职业技术学院 | 基于负荷预测的中央空调优化节能控制系统 |
CN101782258A (zh) * | 2009-01-19 | 2010-07-21 | 中华电信股份有限公司 | 空调节能方法 |
JP2011179717A (ja) * | 2010-02-26 | 2011-09-15 | Fujitsu General Ltd | 空気調和機 |
CN103853106A (zh) * | 2012-11-28 | 2014-06-11 | 同济大学 | 一种建筑能源供应设备的能耗预测参数优化方法 |
CN104279715A (zh) * | 2014-10-29 | 2015-01-14 | 四川慧盈科技有限责任公司 | 一种楼宇空调设备负荷预测方法 |
CN104729024A (zh) * | 2015-04-08 | 2015-06-24 | 南京优助智能科技有限公司 | 基于室内平均温度的空调负荷预测方法 |
-
2017
- 2017-01-19 CN CN201710038633.5A patent/CN106705381B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009204221A (ja) * | 2008-02-27 | 2009-09-10 | Mitsubishi Heavy Ind Ltd | 空調システム及びビル空調設備の消費電力量予測装置 |
CN201463177U (zh) * | 2009-01-16 | 2010-05-12 | 深圳职业技术学院 | 基于负荷预测的中央空调优化节能控制系统 |
CN101782258A (zh) * | 2009-01-19 | 2010-07-21 | 中华电信股份有限公司 | 空调节能方法 |
JP2011179717A (ja) * | 2010-02-26 | 2011-09-15 | Fujitsu General Ltd | 空気調和機 |
CN103853106A (zh) * | 2012-11-28 | 2014-06-11 | 同济大学 | 一种建筑能源供应设备的能耗预测参数优化方法 |
CN104279715A (zh) * | 2014-10-29 | 2015-01-14 | 四川慧盈科技有限责任公司 | 一种楼宇空调设备负荷预测方法 |
CN104729024A (zh) * | 2015-04-08 | 2015-06-24 | 南京优助智能科技有限公司 | 基于室内平均温度的空调负荷预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109130767A (zh) * | 2017-06-28 | 2019-01-04 | 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 |
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 |
CN107606745A (zh) * | 2017-09-27 | 2018-01-19 | 南京中灿科技有限公司 | 地铁空调季逐时环控能耗预测方法 |
CN107606745B (zh) * | 2017-09-27 | 2019-09-27 | 南京中灿科技有限公司 | 地铁空调季逐时环控能耗预测方法 |
CN108153222A (zh) * | 2017-11-24 | 2018-06-12 | 北京算云联科科技有限公司 | 一种能源控制方法及装置 |
CN107958307A (zh) * | 2017-11-28 | 2018-04-24 | 珠海格力电器股份有限公司 | 电费预测方法及装置 |
CN111023400A (zh) * | 2019-12-30 | 2020-04-17 | 宁波奥克斯电气股份有限公司 | 一种空调室外环温预测方法、装置及空调器 |
CN112781177A (zh) * | 2021-01-05 | 2021-05-11 | 广东美的暖通设备有限公司 | 预测空调运行功率的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106705381B (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106705381A (zh) | 基于空调的能耗预测方法及预测装置 | |
JP5572799B2 (ja) | 空調システム制御装置 | |
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 | |
EP2880501B1 (en) | Optimization of energy use through model-based simulations | |
US20150310461A1 (en) | Operating method and apparatus of smart system for power consumption optimization | |
Zhou et al. | A grey‐box model of next‐day building thermal load prediction for energy‐efficient control | |
Ma et al. | Building energy research in Hong Kong: a review | |
CN108036468B (zh) | 一种空调系统聚合控制方法 | |
Larsen et al. | Comparison of measured and calculated values for the indoor environment in one of the first Danish passive houses | |
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 | |
Reddy et al. | Shaving residential air-conditioner electricity peaks by intelligent use of the building thermal mass | |
CN110543713B (zh) | 考虑用户舒适度与建筑蓄热的热泵-地暖系统控制方法 | |
KR101301123B1 (ko) | 냉난방부하 예측방법 | |
CN111737857A (zh) | 一种基于互动能力曲线的暖通空调集群协调控制方法 | |
Laitinen et al. | Renewable energy production of Finnish heat pumps | |
US20180238572A1 (en) | Modeling and controlling heating, ventilation, and air conditioning systems | |
KR100949044B1 (ko) | 냉방시스템의 최적 운전방법 | |
CN113685996B (zh) | 空调器压缩机的控制方法以及空调器 | |
CN106600026A (zh) | 一种适用于浙东丘陵地区的居住建筑能耗预测方法 | |
Huo et al. | Impact of climate change on outdoor design conditions and implications to peak loads | |
CN112365176A (zh) | 一种节能分析气象年计算方法、系统、装置和存储介质 | |
Luo et al. | Comparative study on thermal environment and energy consumption of urban residential houses in Beijing | |
CN115375104A (zh) | 一种基于电力大数据的建筑节能潜力评估方法及装置 | |
CN113341792A (zh) | 一种基于bim的建筑数据采集方法及系统 | |
Vajjala et al. | Demand response potential in aggregated residential houses using GridLAB-D |
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 |