CN107220514A - 基于大数据的空调负荷预测方法及系统 - Google Patents

Abstract

本发明公开一种基于大数据的空调负荷预测方法，包括以下步骤：1)获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；2)基于预定预测步长s及室外温度t，得到温度区间[t‑s，t+s]，s的单位为℃；3)从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据；4)基于所筛选出的数据，计算得到拟预测时刻的负荷最终值。它基于逐渐积累的、空调运行于稳定条件下的大量实际空调供冷供热量的历史数据，对计算拟预测时刻的冷或热负荷的模型不断优化，随着时间推移，建立的模型越准确。本发明还公开基于大数据的空调负荷预测系统。

Description

基于大数据的空调负荷预测方法及系统

技术领域

本发明涉及空调负荷预测技术，具体涉及基于大数据的空调负荷预测方法及系统。

背景技术

随着城市建设的飞速发展，建筑能耗量也在高速增长。空调运行能耗占建筑尤其大型公共建筑运行能耗比重很大，因此降低空调系统的运行能耗一直是建筑节能的重点。采用合理的运行调节方法是提高空调系统能源利用效率的主要技术途径之一，而该途径的实现则需要依赖于是否能够准确的对空调负荷进行预测，可见预测空调负荷的方法显得尤其重要。

目前主要采用时间序列及神经网络等方法建立空调逐时负荷预测模型。空调负荷的时间序列预测模型的特点是采用具有外部输入的自回归移动平均时序模型进行逐时冷负荷的预测，其存在的不足是对原始时间序列的平稳性要求高、而实际空调负荷一般均不满足平稳性的要求，因此预测精度不高；神经网络法就是构造合适的神经网络结构，然后选取过去一段时间的负荷作为训练样本，用某种训练算法对网络进行训练使其满足精度要求之后，用ANN作空调负荷预测，其存在的不足是随着神经网络在空调逐时负荷预测研究的深入，出现了神经网络易于陷入局部极小点、网络推广能力差、预测精度在实际应用中不够理想等新问题。而空调系统在实际运行调节时最常用的是温差和压差控制方式，这两种控制方式分别通过采集空调冷冻水/热水的供回水温差和压差信号来预测空调负荷变化，但这两种控制方式存在不足有：由于采样点位置离负荷实时变化的位置有一定距离，会造成温度/压力变化的信号传递具有很大的延迟性，此外，信号检测点的位置较难准确定位，易造成部分末端供冷/供热不足。

为此，期望寻求一种技术方案，以至少减轻上述问题。

发明内容

本发明要解决的技术问题是，提供一种空调负荷预测精度更高的基于大数据的空调负荷预测方法及系统。

为解决上述技术问题，本发明采用下述技术方案。

一种基于大数据的空调负荷预测方法，包括以下步骤：

1)获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；

2)基于预定预测步长s及所述室外温度t，得到温度区间[t-s，t+s]，s的单位为℃；

3)从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为t_i，其中，i为正整数；

4)基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：

Q_n'＝ε+(α₁Δt+α₂Δt²+…+α_nΔtⁿ)+β₁E+r₁P+δ₁A+MΔh (1)

式(1)中，ε＝β₀+r₀+δ₀+α₀，为常数；Q_n'表示该空调拟预测时刻的冷或热负荷，单位为kw；β₀、β₁表示照明和设备总功率引起的冷或热负荷逐时变化的相关系数；E表示照明和设备总功率，单位为kw；r₀、r₁表示室内人数引起的冷或热负荷变化逐时变化的相关系数；P表示室内人数；δ₀、δ₁表示敞开水表面积引起的冷或热负荷变化逐时变化的相关系数；A表示敞开水表面积，单位为㎡；M表示新风量，单位为kg/s；Δh表示室内外空气焓差的绝对值，单位为kj/kg；α₀、α₁……α_n表示室内外温差引起的冷或热负荷逐时变化的相关系数；Δt表示室内外温差的绝对值，单位为℃；n为正整数；

首先取n＝1，在所筛选出的数据中按照接近原则抽取n+5＝6个数据组，该n+5＝6个数据组中，与该室外温度t最接近的t_i所对应的那个数据组作为最接近数据组，其余的n+4＝5个数据组的数据代入式(1)进行回归计算得到α₁、β₁、r₁、δ₁、ε，共计n+4＝5个参数，再将该5个参数代回式(1)，此时该式(1)的变量为Δt、E、P、A、M、Δh，然后将最接近数据组的数据代入此时的式(1)，计算得到Q₁’,若Q₁’不满足精度条件，则依次取n＝2、3、…，继续按前述方式迭代计算,直至满足精度条件为止，其中，精度条件为|Q_n'-q_n|/q_n<T₁,q_n为当取n＝1、2、…时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值,该精度条件中的Q_n'为当取n＝1、2、…时对应迭代计算得到的拟预测时刻的冷或热负荷过程值,T₁表示第一预定阈值；

迭代计算完毕后，将满足精度条件的回归计算所得到的α₁、α₂、…α_n、β₁、r₁、δ₁、ε及满足精度条件时所取的n代入式(1)，再将拟预测时刻实际监测所得的Δt、E、P、A、M、Δh值代入此时的式(1)计算出拟预测时刻的冷或热负荷最终值。

所述稳定条件包括：用户侧供水温度恒定，波动小于T₂；用户侧回水温度恒定，波动小于T₃；机组输入功率恒定，波动小于T₄；用户侧冷冻水泵输入功率恒定，波动小于T₅；以及稳定持续时间不低于T₆；其中，T₂表示第二预定阈值，单位为℃；T₃表示第三预定阈值，单位为℃；T₄表示第四预定阈值，为百分数；T₅表示第五预定阈值，为百分数；T₆表示第六预定阈值，单位为h。

所述步骤4)中，在所筛选出的数据中按照接近原则抽取n+5个数据组的方法为：从i个数据组中将满足|t_i-t|结果最小的t_i所对应的n+5个数据组抽取出来。

所述T₁的取值范围为小于或等于12.5％。

所述T₂和T₃的取值范围均为小于或等于0.2℃；所述T₄和T₅的取值范围均为小于或等于1.5％；所述T₆的取值范围为大于或等于1h。

一种基于大数据的空调负荷预测系统，包括：

室外温度获取单元，其用于获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；

温度区间计算单元，其用于基于预定预测步长s及所述室外温度t，得到温度区间[t-s，t+s]，s的单位为℃；

筛选单元，其用于从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为t_i，其中，i为正整数；

负荷计算单元，其用于基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：

Q_n'＝ε+(α₁Δt+α₂Δt²+…+α_nΔtⁿ)+β₁E+r₁P+δ₁A+MΔh (1)

式(1)中，ε＝β₀+r₀+δ₀+α₀，为常数；Q_n'表示该空调拟预测时刻的冷或热负荷，单位为kw；β₀、β₁表示照明和设备总功率引起的冷或热负荷逐时变化的相关系数；E表示照明和设备总功率，单位为kw；r₀、r₁表示室内人数引起的冷或热负荷变化逐时变化的相关系数；P表示室内人数；δ₀、δ₁表示敞开水表面积引起的冷或热负荷变化逐时变化的相关系数；A表示敞开水表面积，单位为㎡；M表示新风量，单位为kg/s；Δh表示室内外空气焓差的绝对值，单位为kj/kg；α₀、α₁……α_n表示室内外温差引起的冷或热负荷逐时变化的相关系数；Δt表示室内外温差的绝对值，单位为℃；n为正整数；

首先取n＝1，在所筛选出的数据中按照接近原则抽取n+5＝6个数据组，该n+5＝6个数据组中，与该室外温度t最接近的t_i所对应的那个数据组作为最接近数据组，其余的n+4＝5个数据组的数据代入式(1)进行回归计算得到α₁、β₁、r₁、δ₁、ε，共计n+4＝5个参数，再将该5个参数代回式(1)，此时该式(1)的变量为Δt、E、P、A、M、Δh，然后将最接近数据组的数据代入此时的式(1)，计算得到Q₁’,若Q₁’不满足精度条件，则依次取n＝2、3、…，继续按前述方式迭代计算,直至满足精度条件为止，其中，精度条件为|Q_n'-q_n|/q_n<T₁,q_n为当取n＝1、2、…时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值,该精度条件中的Q_n'为当取n＝1、2、…时对应迭代计算得到的拟预测时刻的冷或热负荷过程值,T₁表示第一预定阈值；

迭代计算完毕后，将满足精度条件的回归计算所得到的α₁、α₂、…α_n、β₁、r₁、δ₁、ε及满足精度条件时所取的n代入式(1)，再将拟预测时刻实际监测所得的Δt、E、P、A、M、Δh值代入此时的式(1)计算出拟预测时刻的冷或热负荷最终值。

所述稳定条件包括：用户侧供水温度恒定，波动小于T₂；用户侧回水温度恒定，波动小于T₃；机组输入功率恒定，波动小于T₄；用户侧冷冻水泵输入功率恒定，波动小于T₅；以及稳定持续时间不低于T₆；其中，T₂表示第二预定阈值，单位为℃；T₃表示第三预定阈值，单位为℃；T₄表示第四预定阈值，为百分数；T₅表示第五预定阈值，为百分数；T₆表示第六预定阈值，单位为h。

所述负荷计算单元中，在所筛选出的数据中按照接近原则抽取n+5个数据组的方法为：从i个数据组中将满足|t_i-t|结果最小的t_i所对应的n+5个数据组抽取出来。

所述T₁的取值范围为小于或等于12.5％。

所述T₂和T₃的取值范围均为小于或等于0.2℃；所述T₄和T₅的取值范围均为小于或等于1.5％；所述T₆的取值范围为大于或等于1h。

本发明基于逐渐积累的、空调运行于稳定条件下的大量实际空调供冷供热量的历史数据，结合回归预测算法，对计算拟预测时刻的冷或热负荷的模型不断优化，随着时间推移，预测结果越准确。与现有空调负荷预测方法或系统相比，本发明所预测结果更准确、过程更严密、计算速度更快，更好地处理了精度与速度之间的关系。本发明方法步骤少、化繁为简、预测精度高。

附图说明

图1示意性示出本发明的系统的结构图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。

本发明的一种基于大数据的空调负荷预测方法，包括以下步骤：

1)获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；

2)基于预定预测步长s及所述室外温度t，得到温度区间[t-s，t+s]，s的单位为℃；

3)从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为t_i，其中，i为正整数；

4)基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：

Q_n'＝ε+(α₁Δt+α₂Δt²+…+α_nΔtⁿ)+β₁E+r₁P+δ₁A+MΔh (1)

式(1)中，ε＝β₀+r₀+δ₀+α₀，为常数；Q_n'表示该空调拟预测时刻的冷或热负荷，单位为kw；β₀、β₁表示照明和设备总功率引起的冷或热负荷逐时变化的相关系数；E表示照明和设备总功率，单位为kw；r₀、r₁表示室内人数引起的冷或热负荷变化逐时变化的相关系数；P表示室内人数；δ₀、δ₁表示敞开水表面积引起的冷或热负荷变化逐时变化的相关系数；A表示敞开水表面积，单位为㎡；M表示新风量，单位为kg/s；Δh表示室内外空气焓差的绝对值，单位为kj/kg；α₀、α₁……α_n表示室内外温差引起的冷或热负荷逐时变化的相关系数；Δt表示室内外温差的绝对值，单位为℃；n为正整数；

首先取n＝1，在所筛选出的数据中按照接近原则抽取n+5＝6个数据组，该n+5＝6个数据组中，与该室外温度t最接近的t_i所对应的那个数据组作为最接近数据组，其余的n+4＝5个数据组的数据代入式(1)进行回归计算得到α₁、β₁、r₁、δ₁、ε，共计n+4＝5个参数，再将该5个参数代回式(1)，此时该式(1)的变量为Δt、E、P、A、M、Δh，然后将最接近数据组的数据代入此时的式(1)，计算得到Q₁’,若Q₁’不满足精度条件，则依次取n＝2、3、…，继续按前述方式迭代计算,直至满足精度条件为止，其中，精度条件为|Q_n'-q_n|/q_n<T₁,q_n为当取n＝1、2、…时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值,该精度条件中的Q_n'为当取n＝1、2、…时对应迭代计算得到的拟预测时刻的冷或热负荷过程值,T₁表示第一预定阈值；

迭代计算完毕后，将满足精度条件的回归计算所得到的α₁、α₂、…α_n、β₁、r₁、δ₁、ε及满足精度条件时所取的n代入式(1)，再将拟预测时刻实际监测所得的Δt、E、P、A、M、Δh值代入此时的式(1)计算出拟预测时刻的冷或热负荷最终值。

后文对如何得到上述式(1)进行介绍。

Q_n'＝Q₁+Q₂+Q₃+Q₄+Q₅ (2)

式(2)中，Q₁表示设备照明引起冷或热负荷，单位为kw；Q₂表示人体引起冷或热负荷，单位为kw；Q₃表示敞开水表面散湿量引起的冷或热负荷，单位为kw；Q₄表示新风引起冷或热负荷，单位为kw；Q₅表示围护结构引起冷或热负荷，单位为kw。

Q₁＝β₀+β₁E (3)

Q₂＝r₀+r₁P (4)

Q₃＝δ₀+δ₁A (5)

Q₄＝MΔh (6)

Q₅＝α₀+α₁Δt+α₂Δt²+…+α_nΔtⁿ (7)

根据式(2)-(7)并设β₀+r₀+δ₀+α₀＝ε，得到式(1)。

在一些实施例中，比如，可以通过温度传感器测量，获取空调所在现场拟预测时刻的室外温度，这里，室外温度为空调所在现场的实测温度。比如，室外温度还可以为空调所在现场的气象温度。

在一些实施例中，预定预测步长s根据实际需要选取。比如，s在0.5-1℃之间选取，或者选取其他适当的值。

在本发明的实施例中，历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差等大数据，可以是通过对历史积累的该空调运行于稳定条件下的空调供冷或热量、照明和设备总功率、室内人数、敞开水表面积、新风量、室内外空气焓差等大数据进行处理得到的，也可以是现有的已存储于存储介质中的，比如存储在数据库中的，或者以其他可能的形式存储的。

在本发明的实施例中，每个数据组至少包括冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差等数据。每个数据组中包含的室外温度t_i与相应数据组相对应。比如，某个数据组包括室外温度t₂₁，那么该数据组所对应的室外温度为t₂₁。

在一些实施例中，在所筛选出的数据中按照接近原则抽取n+5个数据组的方法为：从i个数据组中将满足|t_i-t|结果最小的t_i所对应的n+5个数据组抽取出来。比如，所筛选出的数据有10个数据组(空调所在现场拟预测时刻的室外温度t＝30℃，预定预测步长s＝1℃，则温度区间为[29℃，31℃])，依次记为1组、2组……、10组，该10个数据组所对应的室外温度依为t₁、t₂……、t₁₀。比如，t₁＝29.8℃，t₂＝29.9℃，t₃＝30.3℃，t₄＝30.5℃，t₅＝29.5℃，t₆＝30.2℃，t₇＝30℃，t₈＝29.6℃，t₉＝30.5℃，t₁₀＝30.4℃，空调所在现场拟预测时刻的室外温度t＝30℃，比如，取n＝2，应抽取n+5＝7个数据组，|t_i-t|结果最小的t_i为t₁、t₂、t₃、t₆、t₇、t₈和t₁₀，那么抽取出来的7个数据组分别为1组、2组、3组、6组、7组、8组和10组。其中，t₇与室外温度t最接近，故7组为最接近数据组。比如，基于前述，7组为最接近数据组，其所包括的冷或热负荷实测值为q₂，即q₂为当取n＝2时的最接近数据组所对应的冷或热负荷实测值。

在本发明的实施例中，精度条件为|Q_n'-q_n|/q_n<T₁,q_n为当取n＝1、2、…时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值，该精度条件中的Q_n'为当取n＝1、2、…时对应迭代计算得到的拟预测时刻的冷或热负荷过程值。比如，当取n＝1时，精度条件为|Q₁'-q₁|/q₁<T₁,此时，该精度条件中的Q₁'为当取n＝1时迭代计算得到的该空调拟预测时刻的冷或热负荷过程值，单位为kw；q₁为当取n＝1时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值。比如，当取n＝2时，精度条件为|Q₂'-q₂|/q₂<T₁,此时，该精度条件中的Q₂'为当取n＝2时迭代计算得到的该空调拟预测时刻的冷或热负荷过程值，单位为kw；q₂为当取n＝2时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值。n取其他值以此类推。

比如，当取n＝k时，迭代计算得到Q_k'满足精度条件|Q_k'-q_k|/q_k<T₁,则迭代计算完毕后，将满足精度条件的回归计算所得到的α₁、α₂、…α_k、β₁、r₁、δ₁、ε及满足精度条件时所取的k代入式(1)，再将拟预测时刻实际监测所得的Δt、E、P、A、M、Δh值代入此时的式(1)计算出拟预测时刻的冷或热负荷最终值，其中，该精度条件中的q_k为当取n＝k时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值，该精度条件中的Q_k'为当取n＝k时对应迭代计算得到的拟预测时刻的冷或热负荷过程值。

在一些实施例中，稳定条件包括：用户侧供水温度恒定，波动小于T₂；用户侧回水温度恒定，波动小于T₃；机组输入功率恒定，波动小于T₄；用户侧冷冻水泵输入功率恒定，波动小于T₅；稳定持续时间，不得低于T₆。其中，T₂表示第二预定阈值，单位为℃；T₃表示第三预定阈值，单位为℃；T₄表示第四预定阈值，为百分数；T₅表示第五预定阈值，为百分数；T₆表示第六预定阈值，单位为h。

在一些实施例中，T₁的取值范围为小于或等于12.5％，这样既能使避免上述步骤4)计算量过大，又能使所得到的拟预测时刻的空调负荷精度更高。

在一些实施例中，T₂和T₃的取值范围均为小于或等于0.2℃；T₄和T₅的取值范围均为小于或等于1.5％；T₆的取值范围为大于或等于1h，以便得到适当数量的精度更高的空调运行于稳定条件下的室内负荷的历史数据，为后续计算得到精度更高的拟预测时刻的空调负荷提供保障。

图1示意性示出本发明的众多实施例中的一种基于大数据的空调负荷预测系统的结构图。该基于大数据的空调负荷预测系统包括室外温度获取单元1、温度区间计算单元2、筛选单元3、负荷计算单元4、存储单元5及控制单元6。本实施例中，室外温度获取单元1、温度区间计算单元2、筛选单元3、负荷计算单元4、存储单元5通过数据总线与控制单元6电气连接。

室外温度获取单元1用于获取空调所在现场拟预测时刻的室外温度t，t的单位为℃。

温度区间计算单元2用于基于预定预测步长s及所述室外温度t，得到温度区间[t-s，t+s]，s的单位为℃。

筛选单元3用于从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为t_i，其中，i为正整数；

负荷计算单元4用于基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：

Q_n'＝ε+(α₁Δt+α₂Δt²+…+α_nΔtⁿ)+β₁E+r₁P+δ₁A+MΔh (1)

式(1)中，ε＝β₀+r₀+δ₀+α₀，为常数；Q_n'表示该空调拟预测时刻的冷或热负荷，单位为kw；β₀、β₁表示照明和设备总功率引起的冷或热负荷逐时变化的相关系数；E表示照明和设备总功率，单位为kw；r₀、r₁表示室内人数引起的冷或热负荷变化逐时变化的相关系数；P表示室内人数；δ₀、δ₁表示敞开水表面积引起的冷或热负荷变化逐时变化的相关系数；A表示敞开水表面积，单位为㎡；M表示新风量，单位为kg/s；Δh表示室内外空气焓差的绝对值，单位为kj/kg；α₀、α₁……α_n表示室内外温差引起的冷或热负荷逐时变化的相关系数；Δt表示室内外温差的绝对值，单位为℃；n为正整数；

首先取n＝1，在所筛选出的数据中按照接近原则抽取n+5＝6个数据组，该n+5＝6个数据组中，与该室外温度t最接近的t_i所对应的那个数据组作为最接近数据组，其余的n+4＝5个数据组的数据代入式(1)进行回归计算得到α₁、β₁、r₁、δ₁、ε，共计n+4＝5个参数，再将该5个参数代回式(1)，此时该式(1)的变量为Δt、E、P、A、M、Δh，然后将最接近数据组的数据代入此时的式(1)，计算得到Q₁’,若Q₁’不满足精度条件，则依次取n＝2、3、…，继续按前述方式迭代计算,直至满足精度条件为止，其中，精度条件为|Q_n'-q_n|/q_n<T₁,q_n为当取n＝1、2、…时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值,该精度条件中的Q_n'为当取n＝1、2、…时对应迭代计算得到的拟预测时刻的冷或热负荷过程值,T₁表示第一预定阈值；

迭代计算完毕后，将满足精度条件的回归计算所得到的α₁、α₂、…α_n、β₁、r₁、δ₁、ε及满足精度条件时所取的n代入式(1)，再将拟预测时刻实际监测所得的Δt、E、P、A、M、Δh值代入此时的式(1)计算出拟预测时刻的冷或热负荷最终值。

存储单元5用于存储室外温度获取单元1、温度区间计算单元2、筛选单元3、负荷计算单元4所输出的数据。例如，将上述历史数据存入数据库形成历史数据库，以便管理、查询及利用。

控制单元6用于控制室外温度获取单元1、温度区间计算单元2、筛选单元3、负荷计算单元4、存储单元5工作及彼此协调配合工作。

该基于大数据的空调负荷预测系统可以用于执行本发明的方法，因此关于该基于大数据的空调负荷预测系统中各功能单元所能够实现的功能，可参考本发明方法的实施例中的相应描述，不多赘述。

在本发明所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质/单元包括：通用串行总线闪存盘(Universal Serial Bus flash disk)、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于大数据的空调负荷预测方法，其特征在于，包括以下步骤：

1)获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；

2)基于预定预测步长s及所述室外温度t，得到温度区间[t-s，t+s]，s的单位为℃；

3)从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为t_i，其中，i为正整数；

4)基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：

Q_n'＝ε+(α₁Δt+α₂Δt²+…+α_nΔtⁿ)+β₁E+r₁P+δ₁A+MΔh (1)

式(1)中，ε＝β₀+r₀+δ₀+α₀，为常数；Q_n'表示该空调拟预测时刻的冷或热负荷，单位为kw；β₀、β₁表示照明和设备总功率引起的冷或热负荷逐时变化的相关系数；E表示照明和设备总功率，单位为kw；r₀、r₁表示室内人数引起的冷或热负荷变化逐时变化的相关系数；P表示室内人数；δ₀、δ₁表示敞开水表面积引起的冷或热负荷变化逐时变化的相关系数；A表示敞开水表面积，单位为㎡；M表示新风量，单位为kg/s；Δh表示室内外空气焓差的绝对值，单位为kj/kg；α₀、α₁……α_n表示室内外温差引起的冷或热负荷逐时变化的相关系数；Δt表示室内外温差的绝对值，单位为℃；n为正整数；

首先取n＝1，在所筛选出的数据中按照接近原则抽取n+5＝6个数据组，该n+5＝6个数据组中，与该室外温度t最接近的t_i所对应的那个数据组作为最接近数据组，其余的n+4＝5个数据组的数据代入式(1)进行回归计算得到α₁、β₁、r₁、δ₁、ε，共计n+4＝5个参数，再将该5个参数代回式(1)，此时该式(1)的变量为Δt、E、P、A、M、Δh，然后将最接近数据组的数据代入此时的式(1)，计算得到Q₁’,若Q₁’不满足精度条件，则依次取n＝2、3、…，继续按前述方式迭代计算,直至满足精度条件为止，其中，精度条件为|Q_n'-q_n|/q_n<T₁,q_n为当取n＝1、2、…时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值,该精度条件中的Q_n'为当取n＝1、2、…时对应迭代计算得到的拟预测时刻的冷或热负荷过程值，T₁表示第一预定阈值；

迭代计算完毕后，将满足精度条件的回归计算所得到的α₁、α₂、…α_n、β₁、r₁、δ₁、ε及满足精度条件时所取的n代入式(1)，再将拟预测时刻实际监测所得的Δt、E、P、A、M、Δh值代入此时的式(1)计算出拟预测时刻的冷或热负荷最终值。

2.根据权利要求1所述的基于大数据的空调负荷预测方法，其特征在于，所述稳定条件包括：用户侧供水温度恒定，波动小于T₂；用户侧回水温度恒定，波动小于T₃；机组输入功率恒定，波动小于T₄；用户侧冷冻水泵输入功率恒定，波动小于T₅；以及稳定持续时间不低于T₆；其中，T₂表示第二预定阈值，单位为℃；T₃表示第三预定阈值，单位为℃；T₄表示第四预定阈值，为百分数；T₅表示第五预定阈值，为百分数；T₆表示第六预定阈值，单位为h。

3.根据权利要求1所述的基于大数据的空调负荷预测方法，其特征在于，所述步骤4)中，在所筛选出的数据中按照接近原则抽取n+5个数据组的方法为：从i个数据组中将满足|t_i-t|结果最小的t_i所对应的n+5个数据组抽取出来。

4.根据权利要求1所述的基于大数据的空调负荷预测方法，其特征在于，所述T₁的取值范围为小于或等于12.5％。

5.根据权利要求2所述的基于大数据的空调负荷预测方法，其特征在于，所述T₂和T₃的取值范围均为小于或等于0.2℃；所述T₄和T₅的取值范围均为小于或等于1.5％；所述T₆的取值范围为大于或等于1h。

6.一种基于大数据的空调负荷预测系统，其特征在于，包括：

室外温度获取单元，其用于获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；

温度区间计算单元，其用于基于预定预测步长s及所述室外温度t，得到温度区间[t-s，t+s]，s的单位为℃；

筛选单元，其用于从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为t_i，其中，i为正整数；

负荷计算单元，其用于基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：

Q_n'＝ε+(α₁Δt+α₂Δt²+…+α_nΔtⁿ)+β₁E+r₁P+δ₁A+MΔh (1)

式(1)中，ε＝β₀+r₀+δ₀+α₀，为常数；Q_n'表示该空调拟预测时刻的冷或热负荷，单位为kw；β₀、β₁表示照明和设备总功率引起的冷或热负荷逐时变化的相关系数；E表示照明和设备总功率，单位为kw；r₀、r₁表示室内人数引起的冷或热负荷变化逐时变化的相关系数；P表示室内人数；δ₀、δ₁表示敞开水表面积引起的冷或热负荷变化逐时变化的相关系数；A表示敞开水表面积，单位为㎡；M表示新风量，单位为kg/s；Δh表示室内外空气焓差的绝对值，单位为kj/kg；α₀、α₁……α_n表示室内外温差引起的冷或热负荷逐时变化的相关系数；Δt表示室内外温差的绝对值，单位为℃；n为正整数；

首先取n＝1，在所筛选出的数据中按照接近原则抽取n+5＝6个数据组，该n+5＝6个数据组中，与该室外温度t最接近的t_i所对应的那个数据组作为最接近数据组，其余的n+4＝5个数据组的数据代入式(1)进行回归计算得到α₁、β₁、r₁、δ₁、ε，共计n+4＝5个参数，再将该5个参数代回式(1)，此时该式(1)的变量为Δt、E、P、A、M、Δh，然后将最接近数据组的数据代入此时的式(1)，计算得到Q₁’,若Q₁’不满足精度条件，则依次取n＝2、3、…，继续按前述方式迭代计算,直至满足精度条件为止，其中，精度条件为|Q_n'-q_n|/q_n<T₁,q_n为当取n＝1、2、…时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值,该精度条件中的Q_n'为当取n＝1、2、…时对应迭代计算得到的拟预测时刻的冷或热负荷过程值，T₁表示第一预定阈值；

迭代计算完毕后，将满足精度条件的回归计算所得到的α₁、α₂、…α_n、β₁、r₁、δ₁、ε及满足精度条件时所取的n代入式(1)，再将拟预测时刻实际监测所得的Δt、E、P、A、M、Δh值代入此时的式(1)计算出拟预测时刻的冷或热负荷最终值。

7.根据权利要求6所述的基于大数据的空调负荷预测系统，其特征在于，所述稳定条件包括：用户侧供水温度恒定，波动小于T₂；用户侧回水温度恒定，波动小于T₃；机组输入功率恒定，波动小于T₄；用户侧冷冻水泵输入功率恒定，波动小于T₅；以及稳定持续时间不低于T₆；其中，T₂表示第二预定阈值，单位为℃；T₃表示第三预定阈值，单位为℃；T₄表示第四预定阈值，为百分数；T₅表示第五预定阈值，为百分数；T₆表示第六预定阈值，单位为h。

8.根据权利要求6所述的基于大数据的空调负荷预测系统，其特征在于，所述负荷计算单元中，在所筛选出的数据中按照接近原则抽取n+5个数据组的方法为：从i个数据组中将满足|t_i-t|结果最小的t_i所对应的n+5个数据组抽取出来。

9.根据权利要求6所述的基于大数据的空调负荷预测系统，其特征在于，所述T₁的取值范围为小于或等于12.5％。

10.根据权利要求7所述的基于大数据的空调负荷预测系统，其特征在于，所述T₂和T₃的取值范围均为小于或等于0.2℃；所述T₄和T₅的取值范围均为小于或等于1.5％；所述T₆的取值范围为大于或等于1h。