CN108197404A - 一种基于时间遗传特性的建筑负荷预测方法 - Google Patents
一种基于时间遗传特性的建筑负荷预测方法 Download PDFInfo
- Publication number
- CN108197404A CN108197404A CN201810060156.7A CN201810060156A CN108197404A CN 108197404 A CN108197404 A CN 108197404A CN 201810060156 A CN201810060156 A CN 201810060156A CN 108197404 A CN108197404 A CN 108197404A
- Authority
- CN
- China
- Prior art keywords
- load
- building
- time
- temperature
- model
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时间遗传特性的建筑负荷预测方法,该方法包括步骤:建立建筑模型;基于建筑模型得到建筑负荷的时间遗传期m;建立负荷预测模型,以室外温度以及前m天的历史负荷作为自变量预测未来负荷。与现有预测方法相比,本发明大大减少现有预测方法中众多的参数,大大提高了预测的精确度。同时可适用于各大热力公司的热负荷预测,减少了传统预测模型的繁冗度,运行速度快,更加方便快捷。
Description
技术领域
本发明涉及一种负荷预测方法,具体讲来说涉及一种基于时间遗传特性的建筑负荷预测方法。该方法以建筑历史冷/热负荷和室外空气温度为自变量进行建筑负荷预测。
背景技术
近些年来,随着国民经济的迅速发展,国家采取了一系列关于环境保护和能源节约的政策措施。在全国能耗总量中建筑能耗所占比例越来越高,降低其空调/采暖能耗是建筑节能的主要措施之一。要实现供热节能,热源必须能够根据用户的需求来逐时调节热负荷。因此,负荷预测成为夏季中央空调系统以及集中供热系统节能的关键环节。
目前行业中负荷预测的方法众多,但存在一定的弊端:一方面是预测所采用参数较多,最常见的参数有室内外空气温度、太阳辐射能、风速及供水温度等。由于供热系统的局限性,许多供热公司无法对数据进行较全面的采集。另一方面是许多预测方法缺乏通用性和实用性,常见的预测方法可以分为时间序列法、回归分析法、灰色预测法和神经网络法,但这些预测的方法都存在一定的局限性。与此同时现在大多数的负荷预测方法都需要通过编写程序来嵌入到智慧热网中,过于复杂繁琐的程序会大大降低运算速度。
负荷预测是供热系统调控中重要的前期工作,有效精确的预测方法可以合理的指导供热,提髙供热品质,从而减少能源浪费,因此结合我国实际运行情况,用现有的历史数据采用简单可行的理论方法进行负荷准确预测是目前智慧供热系统实现按需供热的关键。
发明内容
为了克服上述现有技术的不足,本发明提出一种基于时间遗传特性的建筑负荷预测方法。该方法基于时间遗传特性、以建筑历史负荷和当下室外空气温度为自变量进行预测,适用于建筑负荷预测,并为空调/供热系统的优化运行提供可靠的参考。
为实现本发明的目的所采用的技术方案是:
一种基于时间遗传特性的建筑负荷预测方法,该方法包括以下步骤:
步骤1:基于建筑模拟软件建立建筑模型;
步骤2:依据上述建筑模型,以建筑模型所在地区典型气象年的室外空气温度和二次网供水温度作为输入参数,得到建筑逐时室内温度;
步骤3:将步骤2中得到的建筑逐时室内温度与实际室内温度进行数据校核,如不满足数据误差要求,则进行建筑模型修正;
步骤4:利用修正后的建筑模型,在建筑模拟软件中模拟得到建筑的自然室温,然后再模拟建筑由供暖室温下降至自然室温或空调室温上升至自然室温的所需时间,该所需时间即为建筑负荷的时间遗传期m;
步骤5:以当下室外空气温度以及前m天的历史负荷作为自变量预测未来负荷,按照预测拟合公式(1)建立负荷预测模型,
Q=a0tw+a1Q1+…+amQm (1)
式中:Q为预测负荷;a0、a1…am为常数项;tw为当下室外空气温度;Q1、Q2…Qm为前m天每天所需建筑历史负荷。
与现有技术相比,本发明的有益效果是:
本发明突出的实质性特点是:
本发明方法预测负荷精度在5%之内,精度较高。本发明采用参数少,当真正运用到实际热力公司负荷预测时,其参数少的优点就大大减少了其计算的复杂度。因为热力公司不仅需要负荷预测的精确度,更需要其运行简便。如果参数多,计算方法复杂,即使精度再高,但是预测出来负荷量所需时间久,这样即使预测出来负荷量,但是前期投入成本也就太高,那样反而得不偿失。本发明就弥补了此项不足。
本申请时间遗传期的得出是不用编写程序的,直接用现在通用的能耗模拟软件DeST便可得出。至于负荷预测时已知用室外温度和前m天的热负荷,用MATLAB软件通过公式拟合得到,方法简单。
本发明的显著进步是:
1)预测精度高。利用建筑时间遗传期作为预测参数大大提高了预测的精确度。
2)模型简单。利用建筑时间遗传期和室外空气温度作为自变量进行预测,采用的是传统的最小二乘法,大大的减少了传统预测模型的繁冗度,更加方便快捷。
3)运行操作方便,实用性强。本发明可适用于各大热力公司的负荷预测,运行速度快,操作简便。
附图说明
图1是使用本发明预测方法对某个时间段进行负荷预测的流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明,但本发明的保护范围并不局限于此。
本发明基于时间遗传特性的建筑负荷预测方法,该方法包括以下步骤:
步骤1:基于建筑模拟软件建立建筑模型;
步骤2:依据上述建筑模型,以建筑模型所在地区典型气象年的室外空气温度和二次网供水温度作为输入参数,得到建筑逐时室内温度;
步骤3:将步骤2中得到的建筑逐时室内温度与实际室内温度进行数据校核,如不满足数据误差要求,则进行建筑模型修正;
步骤4:利用修正后的建筑模型,在建筑模拟软件中模拟得到建筑的自然室温,然后再模拟建筑由供暖室温下降至自然室温或空调室温上升至自然室温的所需时间,该所需时间即为建筑负荷的时间遗传期m,该方法能对冷负荷和热负荷都进行预测,建筑物在没有采取任何空调和供暖等设施的情况下,室内温度以及湿度等室内参数会跟随建筑周边室外气象条件的变化而发生变化,这种没有采取任何空调和供暖等措施手段的室内温度称之为自然室温。供暖室温是指冬季供暖时室内的温度,空调室温为夏季制冷时室内的温度;
步骤5:以当下室外空气温度以及前m天的历史负荷作为自变量预测未来负荷,按照预测拟合公式(1)建立负荷预测模型,
Q=a0tw+a1Q1+…+amQm (1)
式中:Q为预测负荷;a0、a1…am为常数项;tw为当下室外空气温度;Q1、Q2…Qm为前m天每天所需建筑历史负荷,m为步骤4模拟得到的时间遗传期,后边的拟合公式Q的下角标是1至m。
本发明所述步骤1的建筑模型,该模型的相关参数至少包括建筑围护结构、室内用电设备、建筑运营时间、人员信息、通风次数,二次网供水温度、有无太阳辐射等,在建立模型的时候,需要输入建筑所在城市以及其朝向,建筑地点及其朝向就确定了该建筑的室外温度及其太阳辐射。该建筑模型的建立过程为现有技术。
本发明中步骤4根据不同建筑的热工性能、室内温度波动、有无太阳辐射以及不同供暖时期得到不同的建筑时间遗传期,确定时间遗传期后就可以准确得到在时间遗传期内的历史负荷进行建筑负荷预测是更准确、更合适的。
本发明预测方法具有以下特点:
1)不同地区建筑围护结构的不同,室外温度不同,导致具有不同的时间遗传期。
2)根据室外温度的变化,整个供暖/冷阶段可以划分为供暖/冷初期、供暖/冷中期和供暖/冷末期,不同时期的时间遗传期也不相同。
3)对于同一建筑,对于其南北向,因为其接受的太阳辐射不同,太阳辐射是建筑物热环境的一项重要的外部干扰,功能相同但朝向不同的建筑时间遗传期也不相同。
4)一般建筑供暖室温波动范围为18-22℃,这个范围的波动主要是因为供热公司提供的供水温度的高低,决定了房间的温度,也就是在步骤2中建立模型时所说的“二次网供水温度”。当同一建筑室内温度不同时,其时间遗传期也是不同的。
实施例1
本实施例以石家庄某建筑热负荷为预测对象,采集该建筑的某年整个供暖季的全部热工特性、供暖时期热负荷数据以及热用户室内温度,并对数据进行预处理,设置预测时间段为3月1日~3月7日,需要预测的天数为7天。然后应用下述本实施例的预测方法进行建筑负荷预测。
本实施例基于时间遗传特性的建筑负荷预测方法包括以下步骤:
步骤1:基于建筑模拟软件建立建筑模型。该建筑模型的相关参数至少包括建筑围护结构、室内用电设备、建筑运营时间、人员信息、通风次数。
步骤2:依据上述建筑模型,以建筑模型所在地区典型气象年的室外空气温度和供水温度作为输入参数,得到整个建筑的逐时室内温度。
步骤3:将步骤2模拟得到的逐时室内温度与实际室内温度进行数据校核,如不满足数据误差要求(误差在5%之内就符合要求),则进行建筑模型修正。
步骤4:利用修正后的建筑模型,在建筑模拟软件中模拟得到建筑的自然室温,然后再模拟建筑由供暖室温下降至自然室温所需时间,该所需时间即为建筑负荷的时间遗传期m。
步骤5:以3月1日的室外空气温度以及前m天的历史热负荷作为自变量预测未来负荷,按照预测拟合公式(1)建立负荷预测模型,
Q=a0tw+a1Q1+…+amQm (1)
式中:Q为预测负荷;a0、a1…am为常数项,通过MATLAB软件模拟得到;tw为当下室外空气温度;Q1、Q2…Qm为前m天每天所需建筑历史负荷,m为步骤4模拟得到的时间遗传期,后边的拟合公式Q的下角标是1至m。得到3月1日的预测热负荷。
将得到的3月1日热负荷预测值带入到拟合公式(1)中,以3月2日为时间节点,此时n=1,即采用3月1日前m-1天建筑历史热负荷以及所预测的3月1日热负荷进行预测,得到3月2日的预测热负荷。依次类推,将3月1日以及3月2日的预测值带入到拟合公式(1)中,此时n=2,即采用3月1日前m-2天建筑历史热负荷以及所预测的3月1日和2日热负荷进行预测。如此该模型进行滚动计算,直到预测到3月7日的热负荷,则该预测模型停止计算,输出预测结果。
石家庄某建筑热负荷预测结果及误差如下表所示:
表1石家庄某建筑热负荷预测值
由误差分析结果可以得出,该预测模型具有较高的精确度,对实际工程具有很高的应用价值。
本发明未述及之处适用于现有技术。
Claims (2)
1.一种基于时间遗传特性的建筑负荷预测方法,该方法包括以下步骤:
步骤1:基于建筑模拟软件建立建筑模型;
步骤2:依据上述建筑模型,以建筑模型所在地区典型气象年的室外空气温度和二次网供水温度作为输入参数,得到建筑逐时室内温度;
步骤3:将步骤2中得到的建筑逐时室内温度与实际室内温度进行数据校核,如不满足数据误差要求,则进行建筑模型修正;
步骤4:利用修正后的建筑模型,在建筑模拟软件中模拟得到建筑的自然室温,然后再模拟建筑由供暖室温下降至自然室温或空调室温上升至自然室温的所需时间,该所需时间即为建筑负荷的时间遗传期m;
步骤5:以当下室外空气温度以及前m天的历史负荷作为自变量预测未来负荷,按照预测拟合公式(1)建立负荷预测模型,
Q=a0tw+a1Q1+…+amQm (1)
式中:Q为预测负荷;a0、a1…am为常数项;tw为当下室外空气温度;Q1、Q2…Qm为前m天每天所需建筑历史负荷。
2.根据权利要求1所述的基于时间遗传特性的建筑负荷预测方法,其特征在于所述步骤1的建筑模型,该模型的相关参数包括建筑围护结构、室内用电设备、建筑运营时间、人员信息、通风次数,二次网供水温度、有无太阳辐射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810060156.7A CN108197404B (zh) | 2018-01-22 | 2018-01-22 | 一种基于时间遗传特性的建筑负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810060156.7A CN108197404B (zh) | 2018-01-22 | 2018-01-22 | 一种基于时间遗传特性的建筑负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108197404A true CN108197404A (zh) | 2018-06-22 |
CN108197404B CN108197404B (zh) | 2021-03-16 |
Family
ID=62590220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810060156.7A Active CN108197404B (zh) | 2018-01-22 | 2018-01-22 | 一种基于时间遗传特性的建筑负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197404B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405057A (zh) * | 2018-10-25 | 2019-03-01 | 中冶华天包头设计研究总院有限公司 | 供热热指标的获取方法和调节热负荷的方法 |
CN109933850A (zh) * | 2019-02-02 | 2019-06-25 | 天津大学 | 一种居住建筑热负荷模型分步校准方法 |
CN110738380A (zh) * | 2018-07-18 | 2020-01-31 | 浙江盾安节能科技有限公司 | 热负荷控制方法、装置及系统 |
CN110851762A (zh) * | 2019-08-30 | 2020-02-28 | 北京中环合创环保能源科技有限公司 | 一种太阳能集中供热系统的建筑动态仿真模型建立方法 |
CN111476439A (zh) * | 2020-05-18 | 2020-07-31 | 瑞纳智能设备股份有限公司 | 基于灰色时间序列的供暖户阀调节方法、系统及设备 |
CN112268350A (zh) * | 2020-10-22 | 2021-01-26 | 天津大学 | 一种基于系统延迟性的空调侧负荷预测方法 |
CN114048928A (zh) * | 2022-01-12 | 2022-02-15 | 汉谷云智(武汉)科技有限公司 | 一种具备高度可迁移能力的建筑短期负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463344A (zh) * | 2014-10-29 | 2015-03-25 | 广东电网有限责任公司电力调度控制中心 | 电网短期负荷预测方法和系统 |
CN104573851A (zh) * | 2014-12-19 | 2015-04-29 | 天津大学 | 一种基于气象温度预报的建筑逐时负荷预测方法 |
CN206073252U (zh) * | 2016-09-08 | 2017-04-05 | 江苏卫川物联科技有限公司 | 一种城市热网系统 |
CN107025334A (zh) * | 2017-03-10 | 2017-08-08 | 国网吉林省电力有限公司 | 集中供热系统热用户整体动态模型建立方法和装置 |
CN107062383A (zh) * | 2017-04-27 | 2017-08-18 | 华电电力科学研究院 | 一种考虑建筑物热惰性及太阳辐射影响的实时负荷计算方法 |
-
2018
- 2018-01-22 CN CN201810060156.7A patent/CN108197404B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463344A (zh) * | 2014-10-29 | 2015-03-25 | 广东电网有限责任公司电力调度控制中心 | 电网短期负荷预测方法和系统 |
CN104573851A (zh) * | 2014-12-19 | 2015-04-29 | 天津大学 | 一种基于气象温度预报的建筑逐时负荷预测方法 |
CN206073252U (zh) * | 2016-09-08 | 2017-04-05 | 江苏卫川物联科技有限公司 | 一种城市热网系统 |
CN107025334A (zh) * | 2017-03-10 | 2017-08-08 | 国网吉林省电力有限公司 | 集中供热系统热用户整体动态模型建立方法和装置 |
CN107062383A (zh) * | 2017-04-27 | 2017-08-18 | 华电电力科学研究院 | 一种考虑建筑物热惰性及太阳辐射影响的实时负荷计算方法 |
Non-Patent Citations (1)
Title |
---|
龙恩深: "建筑能耗基因理论研究", 《中国优秀博硕士学位论文全文数据库 (博士) 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738380A (zh) * | 2018-07-18 | 2020-01-31 | 浙江盾安节能科技有限公司 | 热负荷控制方法、装置及系统 |
CN110738380B (zh) * | 2018-07-18 | 2023-11-07 | 浙江盾安节能科技有限公司 | 热负荷控制方法、装置及系统 |
CN109405057A (zh) * | 2018-10-25 | 2019-03-01 | 中冶华天包头设计研究总院有限公司 | 供热热指标的获取方法和调节热负荷的方法 |
CN109405057B (zh) * | 2018-10-25 | 2020-06-26 | 中冶西北工程技术有限公司 | 供热热指标的获取方法和调节热负荷的方法 |
CN109933850A (zh) * | 2019-02-02 | 2019-06-25 | 天津大学 | 一种居住建筑热负荷模型分步校准方法 |
CN110851762A (zh) * | 2019-08-30 | 2020-02-28 | 北京中环合创环保能源科技有限公司 | 一种太阳能集中供热系统的建筑动态仿真模型建立方法 |
CN111476439A (zh) * | 2020-05-18 | 2020-07-31 | 瑞纳智能设备股份有限公司 | 基于灰色时间序列的供暖户阀调节方法、系统及设备 |
CN111476439B (zh) * | 2020-05-18 | 2023-08-04 | 瑞纳智能设备股份有限公司 | 基于灰色时间序列的供暖户阀调节方法、系统及设备 |
CN112268350A (zh) * | 2020-10-22 | 2021-01-26 | 天津大学 | 一种基于系统延迟性的空调侧负荷预测方法 |
CN114048928A (zh) * | 2022-01-12 | 2022-02-15 | 汉谷云智(武汉)科技有限公司 | 一种具备高度可迁移能力的建筑短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108197404B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197404A (zh) | 一种基于时间遗传特性的建筑负荷预测方法 | |
Shin et al. | Evaluation of the energy performance of a net zero energy building in a hot and humid climate | |
Baldi et al. | Model-based and model-free “plug-and-play” building energy efficient control | |
Ferrara et al. | A simulation-based optimization method for cost-optimal analysis of nearly Zero Energy Buildings | |
Bilous et al. | Parametric analysis of external and internal factors influence on building energy performance using non-linear multivariate regression models | |
Li et al. | Fast bidirectional building performance optimization at the early design stage | |
CN104573851B (zh) | 一种基于气象温度预报的建筑逐时负荷预测方法 | |
Ferrara et al. | Energy systems in cost-optimized design of nearly zero-energy buildings | |
Zhang et al. | DeST—An integrated building simulation toolkit Part II: Applications | |
Ma et al. | Building energy research in Hong Kong: a review | |
Michalak | The simple hourly method of EN ISO 13790 standard in Matlab/Simulink: A comparative study for the climatic conditions of Poland | |
Ciulla et al. | Evaluation of building heating loads with dimensional analysis: Application of the Buckingham π theorem | |
Kwak et al. | Feasibility study on a novel methodology for short-term real-time energy demand prediction using weather forecasting data | |
CN108426354A (zh) | 基于辐射时间序列方法的空调负荷预测系统 | |
Abdul-Zahra et al. | Potential evaluation and analysis of near-to-net zero energy building in hot and dry climate | |
CN102238763B (zh) | 基站能耗计算系统及方法 | |
CN104866702A (zh) | 一种利用主元解耦计算夏热冬冷地区建筑负荷的方法 | |
Brun et al. | Behavioural comparison of some predictive tools used in a low-energy building | |
Lee et al. | Simulation and optimization of energy efficient operation of HVAC system as demand response with distributed energy resources | |
Ahn et al. | Energy cost analysis of an intelligent building network adopting heat trading concept in a district heating model | |
Yuan et al. | Analysis of influencing factors on heat consumption of large residential buildings with different occupancy rates-Tianjin case study | |
Wang et al. | Uncertainty modeling method of weather elements based on deep learning for robust solar energy generation of building | |
Sreshthaputra et al. | Improving building design and operation of a Thai Buddhist temple | |
Gartland | Modeling the effects of reflective roofing | |
Kumar et al. | Estimation of total energy load of building using artificial neural network |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210414 Address after: 050000 unit 6, building 9, Runjiang headquarters international, 319 Changjiang Avenue, high tech Zone, Shijiazhuang, Hebei Province Patentee after: HEBEI GONGDA GREEN ENERGY TECHNOLOGY Corp.,Ltd. Address before: 300130 No. 8, Hebei University of Technology, Tianjin, Hongqiao No. 330 Patentee before: Hebei University of Technology |