CN109945420B

CN109945420B - 基于负荷预测的空调控制方法、装置及计算机存储介质

Info

Publication number: CN109945420B
Application number: CN201910232200.2A
Authority: CN
Inventors: 杨玉; 牛洪海; 陈霈; 管晓晨; 李兵; 耿欣; 余帆
Original assignee: NR Electric Co Ltd; NR Engineering Co Ltd
Current assignee: NR Electric Co Ltd; NR Engineering Co Ltd
Priority date: 2019-03-26
Filing date: 2019-03-26
Publication date: 2020-11-17
Anticipated expiration: 2039-03-26
Also published as: CN109945420A

Abstract

本发明提供了基于负荷预测的空调控制方法、装置以及计算机存储介质，其中所述方法包括：确定待预测周期对应的特征集；基于权重系数对所述特征集内的所述运行特征进行计算得到负荷量基础值，根据所述负荷量基础值和差异系数得到所述待预测周期的预测负荷量，其中，所述权重系数由对历史周期对应的所述特征集及负荷量进行非线性回归估计得到，所述差异系数为根据所述历史周期的负荷量与所述历史周期对应的所述负荷量基础值得到；确定所述预测负荷量对应的控制策略，按照所述控制策略进行控制。

Description

基于负荷预测的空调控制方法、装置及计算机存储介质

技术领域

本发明属于空调技术领域，尤其涉及基于负荷预测的空调控制方法、装置及计算机存储介质。

背景技术

空调系统作为常见的部署在各类建筑物中的温度控制系统，其能耗一般可达到建筑用能的50％以上，并且，空调系统中的冷冻水系统具有大惯性、非线性及纯滞后等特点，故为了减少能耗，通常做法是引入优化控制策略，通过预测未来时刻的负荷量，提前对空调模式进行控制，如更改制冷机组的运行模式或参数，修改冷冻水的温度及流量等，从而克服大惯性的影响，在满足负荷量需求的同时降低能耗。

在现有技术中，通常使用线性预测和神经网络预测两种方式预测负荷量，从而进行空调控制。对于线性预测方式来说，由于空调的负荷量与较多外界因素存在关联，其关联关系为非线性关系，而线性预测方式很难甚至无法处理非线性关系，导致负荷量预测的精度低；对于神经网络预测方式，由于神经网络需要输入大量参数进行训练，而空调在运行过程中通常仅能记录有限的运行数据，导致并不能通过神经网络达到良好的训练效果。综上，现有技术中对空调负荷量进行预测的准确性低，导致控制策略选取不准确，无法使空调达到供需平衡。

发明内容

有鉴于此，本发明的主要目的在于提供一种空调控制方法、装置以及计算机存储介质，以解决现有技术中因负荷量预测不准确导致的空调供需不平衡的问题。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例的第一方面提供了一种基于负荷预测的空调控制方法，包括：

确定待预测周期对应的特征集，所述特征集包括空调在所述待预测周期及与所述待预测周期相关的参考周期的运行特征；

基于权重系数对所述特征集内的所述运行特征进行计算得到负荷量基础值，根据所述负荷量基础值和差异系数得到所述待预测周期的预测负荷量，其中，所述权重系数由对历史周期对应的所述特征集及负荷量进行非线性回归估计得到，所述差异系数为根据所述历史周期的负荷量与所述历史周期对应的所述负荷量基础值得到；

确定所述预测负荷量对应的控制策略，按照所述控制策略进行控制。

本发明实施例的第二方面提供了一种基于负荷预测的空调控制装置，包括：

确定单元，用于确定待预测周期对应的特征集，所述特征集包括空调在所述待预测周期及与所述待预测周期相关的参考周期的运行特征；

计算单元，用于基于权重系数对所述特征集内的所述运行特征进行计算得到负荷量基础值，根据所述负荷量基础值和差异系数得到所述待预测周期的预测负荷量，其中，所述权重系数由对历史周期对应的所述特征集及负荷量进行非线性回归估计得到，所述差异系数为根据所述历史周期的负荷量与所述历史周期对应的所述负荷量基础值得到；

控制单元，用于确定所述预测负荷量对应的控制策略，按照所述控制策略进行控制。

本发明实施例的第三方面提供了一种基于负荷预测的空调控制装置，该空调控制装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如下步骤：

本发明实施例的第四方面提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序被处理器执行时实现如下步骤：

本发明实施例与现有技术相比存在的有益效果是：

在本发明实施例中，确定待预测周期对应的特征集，根据权重系数、差异系数以及特征集计算待预测周期的预测负荷量，按照预测负荷量对应的控制策略进行控制，本发明实施例中的权重系数基于非线性回归估计得到，从而实现了对待预测周期的预测负荷量的准确预测，相比现有技术的情况下提升了负荷量预测的准确性，进而能够以合适的控制策略对空调进行控制，使空调能够在待预测周期达到供需平衡。

附图说明

图1是本发明实施例提供的基于负荷预测的空调控制方法的实现流程图；

图2是本发明实施例提供的确定权重系数及差异系数的实现流程图；

图3是本发明实施例提供的将聚类分析得到的聚类中心和对应的样本输出向量组合为训练样本的实现流程图；

图4是本发明实施例提供的根据校正系数更新预测负荷量的实现流程图；

图5是本发明实施例提供的根据校正周期确定校正系数的实现流程图；

图6是本发明实施例提供的确定待预测周期对应的特征集的实现流程图；

图7是本发明实施例提供的基于负荷预测的空调控制装置的结构框图；

图8是本发明实施例提供的基于负荷预测的空调控制装置的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明实施例提供的基于负荷预测的空调控制方法的实现流程，详述如下：

在S101中，确定待预测周期对应的特征集，所述特征集包括空调在所述待预测周期及与所述待预测周期相关的参考周期的运行特征。

负荷量是指空调向其作用区域，如安装有空调的建筑物内供应的冷量或热量，具体地，冷负荷是指空调向作用区域供应的冷量，热负荷是指空调向作用区域供应的热量，冷负荷和热负荷的概念相对。以下以负荷量为冷负荷的情况为例，对本申请的具体实现过程进行详细描述。基于热负荷的实现过程基本相同，因此不再赘述。在空调的运行过程中，在不同的环境因素下可能会产生不同的负荷量需求，如夏天下午的冷负荷需求通常高于上午，故空调产生的负荷量通常会因环境因素的不同影响而发生变化。为了实现对负荷量的预测，根据预测出的负荷量进行空调控制，在本发明实施例中执行划分周期的操作，并确定待预测周期对应的特征集。具体地，本发明实施例对周期的划分方式不做限定，可根据实际应用场景进行确定，如可将一分钟作为一个周期，或者将一个小时作为一个周期等。对于划分出的周期，确定出其中待进行负荷量预测的待预测周期，具体在进入一个周期后，将下一个周期确定为待预测周期。由于空调的负荷量存在变化规律，故进一步确定与待预测周期相关的参考周期，将待预测周期的运行特征以及参考周期的运行特征组合为特征集，根据该特征集进行负荷量预测，其中，运行特征包括但不限于室外温度和/或室外湿度等对负荷量存在间接影响或直接影响的因素，具体在后文进行阐述。

在S102中，基于权重系数对所述特征集内的所述运行特征进行计算得到负荷量基础值，根据所述负荷量基础值和差异系数得到所述待预测周期的预测负荷量，其中，所述权重系数由对历史周期对应的所述特征集及负荷量进行非线性回归估计得到，所述差异系数为根据所述历史周期的负荷量与所述历史周期对应的所述负荷量基础值得到。

由于空调的负荷量与运行特征之间为非线性关系，故对历史周期对应的特征集及负荷量进行非线性回归估计，将特征集内的运行特征作为自变量，将历史周期的负荷量作为因变量，得到与特征集内的运行特征对应的权重系数，再基于权重系数对历史周期的特征集内的运行特征进行加权求和得到负荷量基础值，根据该历史周期的负荷量与历史周期对应的负荷量基础值得到差异系数，具体将历史周期的负荷量与负荷量基础值之间的差值(即历史周期的负荷量减去负荷量基础值得到的结果)确定为差异系数。在得到权重系数和差异系数的基础上，在本步骤中，基于权重系数对待预测周期对应的特征集内的运行特征进行加权求和得到负荷量基础值，再对得到的负荷量基础值与差异系数进行求和运算得到待预测周期的预测负荷量。

在S103中，确定所述预测负荷量对应的控制策略，按照所述控制策略进行控制。

求出的预测负荷量即是预测出的待预测周期的负荷量，在本发明实施例中，可设定与不同的负荷量存在对应关系的不同控制策略，在确定出预测负荷量后，确定与预测负荷量存在对应关系的控制策略，按照该控制策略进行控制，具体可在待预测周期内进行控制。值得说明的是，本发明实施例中的控制策略所指的是用于调整空调出力的策略，对控制策略的具体内容并不做限定。

可选地，若控制策略包括启停参数，则按照预测负荷量对应的启停参数调整空调的冷水机组的启停状态。在一种应用场景中，可设置控制策略内包括启停参数，并在求出待预测周期的预测负荷量后，根据该预测负荷量对应的启停参数控制冷水机组启停。举例来说，在本发明实施例中以负荷量为冷负荷的情况进行说明，假设数值位于[0，Q₁]区间的负荷量对应的启停参数为P₁，该启停参数P₁用于指示控制冷水机组停止运行，假设数值大于Q₁的负荷量对应的启停参数为P₂，该启停参数P₂用于指示开启冷水机组，其中，Q₁＞0，若计算出的待预测周期的预测负荷量位于0至Q₁之间，则得到预测负荷量对应的启停参数为P₁，在按照该启停参数对空调进行制冷控制时，将空调的冷水机组调整为停止状态。值得一提的是，冷水机组是空调中用于制冷的组件。通过上述方法可在计算出的预测负荷量较小(包括为零)时，将冷水机组调整为停止状态，降低了能耗。

可选地，若控制策略包括冷冻水参数，则按照预测负荷量对应的冷冻水参数调整空调的冷冻水状态。在另一种应用场景中，可设置控制策略内包括冷冻水参数，在得到待预测周期的预测负荷量，且进行制冷控制时，按照预测负荷量对应的冷冻水参数调整空调的冷冻水状态，冷冻水状态包括但不限于冷冻水供水温度和冷冻水流量举例来说，假设数值位于[Q₂，Q₃]区间的负荷量对应的冷冻水参数P₃用于指示将冷冻水状态调整为Status₁，冷冻水状态Status₁包括数值为tg₁的冷冻水供水温度及数值为q₁的冷冻水流量，位于[Q₃，Q₄]区间的负荷量对应的冷冻水参数P₄用于指示将冷冻水状态调整为Status₂，冷冻水状态Status₂包括数值为tg₂的冷冻水供水温度及数值为q₂的冷冻水流量，若计算出的待预测周期的预测负荷量位于[Q₂，Q₃]区间，则得到预测负荷量对应的冷冻水参数为P₃，在按照该冷冻水参数对空调进行制冷控制时，将空调的冷冻水状态调整为Status₁，具体将空调的冷冻水供水温度和冷冻水流量分别设置为tg₁和q₁。通过上述方法使得调整后的冷冻水状态与预测负荷量相匹配，提升了制冷控制的精确性。

通过图1所示实施例可知，在本发明实施例中，通过确定待预测周期对应的特征集，根据权重系数、差异系数以及该特征集预测待预测周期的预测负荷量，根据该预测负荷量进行制冷控制，本发明实施例提升了负荷量预测的准确性，从而能够以合适的控制策略进行空调控制，使空调达到供需平衡。

图2所示，是本发明实施例提供的确定权重系数及差异系数的实现流程图，如图2所示，可以包括以下步骤：

在S201中，基于所述历史周期对应的所述特征集构建样本输入向量，基于所述历史周期的负荷量构建样本输出向量。

为了确定权重系数以及差异系数，在本发明实施例中，确定历史周期，基于空调在历史周期及与该历史周期相关的参考周期的运行特征得到特征集，再基于该特征集构建样本输入向量，基于历史周期的负荷量构建样本输出向量，其中，历史周期是空调已经历过的周期，历史周期的负荷量可通过对获取到的历史周期内的数据进行计算得到。另外，为了保证权重系数以及差异系数的计算效果，限定不同样本输入向量内运行特征的排列顺序一致，比如在运行特征包括F₁、F₂及F₃的情况下，可限定样本输入向量为(F₂，F₁，F₃)。

在S202中，将所述样本输入向量和所述样本输出向量组合为训练样本，分析与至少两个所述训练样本之间的损失最小的拟合函数，根据所述拟合函数确定所述权重系数及所述差异系数。

由于运行特征与空调的负荷量之间为非线性关系，故将构建的样本输入向量映射到高维空间，在该高维空间中进行线性回归，从而取得在原空间中进行非线性回归的效果。具体地，将样本输入向量和样本输出向量组合为训练样本，分析与所有的训练样本之间的损失最小的拟合函数，根据该拟合函数确定权重系数及差异系数。

为了便于理解，本发明实施例以基于核函数的非线性回归方式对本步骤进行说明。假设训练样本为(x_i,y_i),i＝1,...,n，n为大于1的整数，x_i指第i个历史周期对应的样本输入向量，y_i指第i个历史周期对应的样本输出向量，假设拟合函数的形式为f(x)＝ωx+b，并假设拟合函数与y之间最多有ε的偏差，即当f(x)与y之间的差值的绝对值大于ε时才计算损失，于是，对拟合函数的分析问题可化为下列公式：

在公式(1)中，||…||为范数计算，C为惩罚参数，指示对误差的宽容程度，取值区间通常为[10^-2,10²]，C的值越大，代表对误差的宽容程度越小，C的具体数值可根据实际应用场景进行设置，l_ε为损失函数，用于计算拟合函数与训练样本之间的损失，其公式如下：

在公式(2)中，z仅用于指示损失函数的自变量，并不存在实际含义。

为了防止对训练样本过拟合，引入松弛变量ξ_i和

将公式(1)重写为下列公式：

为了计算公式(3)，引入拉格朗日乘子

得到公式(3)对应的拉格朗日函数：

令拉格朗日函数

对ω、b、ξ_i和

的偏导为零可得到：

C＝α_i+μ_i (7)

根据公式(5)～(8)，可得到拟合函数的对偶问题：

根据公式(9)便可求出拉格朗日乘子α_i和

的最优解。

由于本例中是利用核函数将样本输入向量映射到高维空间，故假设φ(x)为将x映射到高维空间后得到的向量，公式(5)可以更新为：

根据公式(10)以及得到的拉格朗日乘子α_i和

的最优解可得到拟合函数中的ω，该ω为向量，相当于权重向量。由于在构建样本输入向量时，限定了不同样本输入向量内运行特征的排列顺序一致，故可对向量格式的ω进行拆分，得到ω中与各运行特征对应的权重系数。

在得到ω后，可计算出拟合函数内的另一个参数b，公式如下：

公式(11)中的<，>为内积运算。在计算参数b时，可选取任一个满足0＜α_i＜C的训练样本，并通过公式(11)求得参数b，也可选取至少两个满足0＜α_i＜C的训练样本，通过公式(11)求得参数b，再对求得的各参数b求和后进行均值运算得到最终的参数b。计算完成后，将最终的参数b确定为差异系数。

公式(11)中的K(x,x_i)即为核函数，在本例中核函数选取高斯径向基核函数，表达式为：

公式(12)中的σ为核函数宽度参数，σ影响将向量映射到高维空间后的分布情况，σ越小，则高斯分布越窄，高斯径向基函数的拟合性能越高，但同时也会导致泛化能力变差。σ的取值区间通常为

具体数值可根据实际应用场景进行设置。值得说明的是，基于权重系数、差异系数以及特征集计算待预测周期的预测负荷量的过程，相当于基于特征集内的运行特征构建与样本输入向量形式相同的向量，再将该向量输入本步骤中最终确定的拟合函数，将拟合函数的输出结果确定为预测负荷量。

可选地，将至少两个训练样本划分为初始样本集及验证样本集，对至少两个样本惩罚参数和至少两个样本核函数宽度参数进行两两组合得到拟合参数集，基于拟合参数集分析得到拟合函数，该拟合函数与初始样本集之间的损失最小，根据验证样本集确定拟合函数的准确率，应用准确率最高的拟合函数所对应的拟合参数集进行非线性回归。为了选取适用于本发明实施例中的训练样本的惩罚参数和核函数宽度参数，可挑选出至少两个训练样本(也可为全部的训练样本)，并将挑选出的训练样本划分为初始样本集及验证样本集，优选地，初始样本集内训练样本的数量大于验证样本集内训练样本的数量，如可将80％的训练样本划分至初始样本集中，将20％的训练样本划分至验证样本集中。对设定的至少两个样本惩罚参数和至少两个样本核函数宽度参数进行两两组合，如样本惩罚参数包括C₁和C₂，样本核函数宽度参数包括σ₁和σ₂，则组合出的拟合参数集包括(C₁,σ₁)、(C₁,σ₂)、(C₂,σ₁)以及(C₂,σ₂)。对于每个拟合参数集，将其中的样本惩罚参数和样本核函数宽度参数应用在非线性回归过程中，得到与初始样本集对应的拟合函数，再将验证样本集内训练样本的样本输入向量输入拟合函数，根据拟合函数的输出结果和验证样本集内训练样本的样本输出向量计算拟合函数的准确率，在验证样本集内包括至少两个训练样本的情况下，可将所有训练样本对应的准确率的均值确定为最终的拟合函数的准确率。最终，应用准确率最高的拟合函数所对应的拟合参数集进行本发明实施例中的非线性回归，即是将拟合参数集中的样本惩罚参数确定为惩罚参数，将拟合参数集中的样本核函数宽度参数确定为核函数宽度参数。通过上述方法，可选取出适于训练样本的惩罚参数和核函数宽度参数，提升了参数选取的准确性。

通过图2所示实施例可知，在本发明实施例中，基于历史周期对应的特征集构建训练样本，基于至少两个训练样本分析出拟合函数，根据拟合函数确定权重系数和差异系数，本发明实施例通过非线性回归的方式对历史周期的训练样本进行训练，提升了确定出的权重系数和差异系数的准确性。

图3所示，是本发明实施例提供的将聚类分析得到的聚类中心和对应的样本输出向量组合为训练样本的实现流程图。如图3所示，可以包括以下步骤：

在S301中，确定聚类个数，选取一个所述样本输入向量作为聚类中心。

在实际应用场景中，可能选取了较多的历史周期，导致组合出的训练样本的数量较多，在分析拟合函数时加大了分析难度。故在本发明实施例中，可在至少两个样本输入向量中选取出聚类中心，后续仅根据聚类中心进行拟合函数的分析。具体地，确定聚类个数，选取一个样本输入向量作为聚类中心，聚类个数指示最终的聚类中心的个数，可根据实际的非线性回归要求进行设置，另外，在选取第一个聚类中心时，可随机选取，或指定一个样本输入向量作为聚类中心。为了便于理解，假设聚类个数为m，m≥0，样本输入向量构成的输入向量集为{x₁,...,x_n}，n为大于1的整数，选取输入向量集中的一个样本输入向量作为第一个聚类中心η_i。

在S302中，将所述聚类中心之外的各样本输入向量确定为候选向量，计算各候选向量与已有的所述聚类中心之间的欧式距离，将最短的欧式距离确定为衡量距离，在至少一个所述衡量距离中将最长的衡量距离所对应的所述候选向量确定为下一个所述聚类中心，直到所述聚类中心的数量达到所述聚类个数为止。

为了便于区分，将聚类中心之外的各样本输入向量确定为候选向量，计算各候选向量与已有的聚类中心之间的欧式距离，将最短的欧式距离确定为衡量距离，其中，在聚类中心仅有一个的情况下，直接将候选向量与聚类中心之间的欧式距离作为该候选向量对应的衡量距离。计算完成后，每个候选向量均对应一个衡量距离，将其中最长的衡量距离所对应的候选向量确定为下一个聚类中心，然后再计算更新后的各候选向量与已有的聚类中心之间的欧式距离，并选取下一个聚类中心，直到聚类中心的个数达到聚类个数为止，最终的形成的聚类中心的集合为{η₁,...,η_m}。

在S303中，计算候选向量与聚类中心之间的欧式距离，将最短的欧式距离所对应的候选向量和聚类中心组成聚类，直到不存在未组成所述聚类的所述候选向量为止。

完成聚类中心的选定后，对剩余的候选向量进行归类，对于每个候选向量，计算该候选向量与各聚类中心之间的欧式距离，将最短的欧式距离所对应的候选向量和聚类中心组成聚类，直到不存在未组成聚类的候选向量为止。

在S304中，计算所述聚类的质心。

对于生成的聚类，计算每个聚类的质心，质心即为该聚类内的所有向量的平均向量，如某个聚类包括向量(example₁,example₂)和(example₃,example₄)，则该聚类的质心为

在S305中，当所述质心满足设定条件时，将所述质心设置为所述聚类的新的所述聚类中心，重新计算候选向量与聚类中心之间的欧式距离，将最短的欧式距离所对应的候选向量和聚类中心组成聚类，直到聚类的聚类中心不再变化为止。

当计算出的质心满足设定条件时，将质心设置为对应聚类的新的聚类中心。假设聚类中原有的聚类中心为η_λ，该聚类的质心为η_λ′，1≤λ≤m，则设定条件可为η_λ′≠η_λ,且|η_λ′-η_λ|＞δ，δ的值可根据实际应用场景进行设置，如可设置为0.1。在更新了聚类中心后，重新计算候选向量与各聚类中心之间的欧式距离，将最短的欧式距离所对应的候选向量与聚类中心组成聚类，即基于聚类中心进行重新聚类，聚类完成后再计算聚类的质心，判断质心是否满足设定条件，直到聚类的聚类中心不再变化为止。

在S306中，当所述质心不满足所述设定条件时，维持所述聚类原有的所述聚类中心。

当质心不满足设定条件时，则维持聚类原有的聚类中心不变。

在S307中，将所述聚类中心和对应的所述样本输出向量组合为所述训练样本。

聚类中心即为聚类的具有代表性的向量，可反映出该聚类的数据特性，故将聚类中心和对应的样本输出向量组合为训练样本。值得说明的是，若更新后的聚类中心仍是原有的样本输入向量中的一个，则直接选取聚类中心对应的样本输出向量，从而组合训练样本；若更新后的聚类中心与原有的所有样本输入向量均不相同，则计算所在聚类内的所有向量对应的样本输出向量的平均向量，将该平均向量作为聚类中心对应的样本输出向量，从而组合训练样本。

通过图3所示实施例可知，在本发明实施例中，确定聚类个数，对样本输入向量进行聚类分析，得到数量为聚类个数的聚类中心，在将剩余的候选向量与聚类中心组成聚类后，计算聚类的质心，并根据质心是否满足设定条件来判断是否将质心设置为新的聚类中心，最终将聚类中心和对应的样本输出向量组合为训练样本，本发明实施例通过聚类分析的方式选取出具有代表性的聚类中心，从而组合出训练样本，减少了训练样本的数量，降低了后续分析的计算量。

图4所示，是本发明实施例提供的根据校正系数更新预测负荷量的实现流程图。如图4所示，可以包括以下步骤：

在S401中，将满足设定的校正条件的所述历史周期确定为校正周期，根据所述校正周期确定校正系数，所述校正系数表征满足所述校正条件的周期的预测负荷量与历史实际负荷量之间的数值关系。

空调的负荷量在某些场景下会出现异常增长或异常降低的情况，如在负荷量为冷负荷的情况下，在空调开启后的一段时间内，负荷量需求较高，会出现负荷量突增的情况，为了提升对上述情况进行负荷量预测的准确性，在本发明实施例中，将满足校正条件的历史周期确定为校正周期，该校正条件可设定为出现负荷量异常情况的周期，如可将校正条件设定为空调开启后的第一个周期或第二个周期。根据校正周期确定校正系数，该校正系数表征满足校正条件的周期的预测负荷量与历史实际负荷量之间的数值关系，校正系数可自定义设置，也可对校正周期相关的数据进行计算得到。

在S402中，若所述待预测周期满足所述校正条件，则根据所述待预测周期的预测负荷量及所述校正系数得到更新后的所述预测负荷量。

若待预测周期与校正条件相符，如在校正条件为空调开启后的第一个周期的情况下，待预测周期也为空调开启后的第一个周期，则根据待预测周期的预测负荷量与校正系数得到更新后的预测负荷量。根据校正系数的数值形式不同，对预测负荷量的更新方式也不同，假如校正系数表征满足校正条件的周期的历史实际负荷量与预测负荷量之间的比值关系，则在本步骤中，将待预测周期的预测负荷量与校正系数进行乘积运算，得到更新后的预测负荷量。在后续步骤中，选取更新后的预测负荷量对应的控制策略进行控制。

通过图4所示实施例可知，在本发明实施例中，将满足设定的校正条件的历史周期确定为校正周期，根据校正周期确定校正系数，若待预测周期满足校正条件，则根据待预测周期的预测负荷量及校正系数得到更新后的预测负荷量，本发明实施例根据确定出的校正系数对预测负荷量进行更新，进一步提升了预测负荷量的准确性。

图5所示，是本发明实施例提供的根据校正周期确定校正系数的实现流程图。如图5所示，可以包括以下步骤：

在S501中，根据所述权重系数、所述差异系数及所述校正周期对应的所述特征集计算所述校正周期的预测负荷量，将所述校正周期的预测负荷量确定为校正负荷量。

为了确定校正系数，在本发明实施例中，确定校正周期对应的特征集，根据权重系数、差异系数及校正周期对应的特征集计算校正周期的预测负荷量，为了便于区分，将计算出的校正周期的预测负荷量命名为校正负荷量。

在S502中，确定所述空调在所述校正周期的历史实际负荷量。

由于校正周期为满足校正条件的历史周期，故可根据空调已有的校正周期的运行特征确定出校正周期的历史实际负荷量。

在S503中，根据所述校正负荷量与所述历史实际负荷量得到校正系数。

根据校正周期对应的校正负荷量与历史实际负荷量得到校正系数，具体可将历史实际负荷量与校正负荷量之间的比值作为校正系数，但这并不构成对本发明实施例的限定，即校正系数还存在其他计算方式。值得说明的是，在校正周期的数量为至少两个的情况下，本发明实施例提供了两种计算校正系数的方式，一种是单独计算每个校正周期对应的校正系数，再求取所有校正系数的均值作为最终的校正系数；另一种是计算所有校正周期对应的历史实际负荷量之和以及校正负荷量之和，将历史实际负荷量之和与校正负荷量之和之间的比值作为校正系数。上述的校正系数的整定可离线进行，在确定出校正系数后，根据校正系数在线进行待预测周期的预测负荷量的更新，

通过图5所示实施例可知，在本发明实施例中，根据权重系数、差异系数及校正周期对应的特征集计算校正周期的预测负荷量，将校正周期的预测负荷量确定为校正负荷量，确定空调在校正周期的历史实际负荷量，根据校正负荷量与历史实际负荷量得到校正系数，本发明实施例基于具体的校正负荷量和历史实际负荷量计算校正系数，提升了校正系数的准确性，使得校正系数适用于对预测负荷量进行更新。

图6所示，是本发明实施例提供的确定待预测周期对应的特征集的实现流程图，如图6所示，可以包括以下步骤：

在S601中，确定循环时长，将所述待预测周期所在的所述循环时长确定为待测时长，其中，所述循环时长包括至少一个周期，所述周期、所述待预测周期及所述历史周期的时长相同。

空调在运行过程中存在一定的运行规律，在本发明实施例中，可基于空调的运行规律确定空调在运行过程中的循环时长，循环时长内包括至少一个划分出的周期，其中，周期、待预测周期与历史周期的时长相同。举例来说，可确定循环时长为一天，并以一个小时作为一个周期，则一天内包括二十四个周期。为了便于区分，将待预测周期所在的循环时长确定为待测时长。

在S602中，将所述待预测周期确定为待预测周期k，将所述待测时长内的所述待预测周期k的第一缺量特征、历史时长内的周期k的第二缺量特征、所述待测时长内的周期k-a至周期k-1的全量特征以及所述历史时长内的周期k-a至周期k-1的所述全量特征组合为所述特征集，其中，k＞0，1≤a＜k，所述历史时长为所述待测时长之前的所述循环时长，所述历史时长内的周期k、所述待测时长内的周期k-a至周期k-1以及所述历史时长内的周期k-a至周期k-1均为所述待预测周期k相关的所述参考周期。

将待预测周期确定为待预测周期k，即假设待预测周期为所在的待测时长的第k个周期，则将历史时长内的周期k、待测时长内的周期k-a至周期k-1以及历史时长内的周期k-a至周期k-1确定为待预测周期k相关的参考周期，其中，k为大于零的整数，1≤a＜k，历史时长是位于待测时长之前的循环时长，历史时长的数量为至少一个。在本发明实施例中，在待预测周期k和参考周期获取的运行特征不同，具体将待测时长内的待预测周期k的第一缺量特征、历史时长内的周期k的第二缺量特征、待测时长内的周期k-a至周期k-1的全量特征以及历史时长内的周期k-a至周期k-1的全量特征组合为特征集，其中，第一缺量特征包括室外温度、室外湿度和周期值k，第二缺量特征包括室外温度、室外湿度和负荷量，全量特征包括负荷量、室外温度、室外湿度、冷冻水供水温度和冷冻水回水温度，当然，上述的第一缺量特征、第二缺量特征以及全量特征均是指运行特征，命名不同只是为了区分不同的内容，此外，上述的第一缺量特征、第二缺量特征以及全量特征的内容仅为示例，可根据实际应用场景更改特征集的形式，使特征集包含更多或更少的运行特征。

为了便于理解，假设循环时长为一天，待预测周期的周期值k为3，待测时长为1月2日，历史时长为待测时长之前的1月1日，a的取值为1，则确定出的特征集为{(1月2日的第三个周期(即待预测周期k)的室外温度、室外湿度和周期值3)，(1月1日的第三个周期的室外温度、室外湿度和负荷量)，(1月2日的第二个周期的负荷量、室外温度、室外湿度、冷冻水供水温度和冷冻水回水温度)，(1月1日的第二个周期的负荷量、室外温度、室外湿度、冷冻水供水温度和冷冻水回水温度)}。

上述部分运行特征可直接由空调采集得到，如室外温度及室外湿度等，但另一部分运行特征需要进行计算得到，如负荷量，在负荷量为冷负荷的情况下，空调在某一时刻的负荷量的计算公式如下：

在公式(13)中，Q是瞬时冷负荷，单位为冷吨；c是水的比热容，为4.2kJ/(kg·℃)；q是该时刻的冷冻水流量，单位为m³/h；Δt是该时刻的冷冻水温差，具体为该时刻的冷冻水回水温度减去该时刻的冷冻水供水温度，单位为℃；3.6和3.517均为用于进行单位转换的系数。

可选地，对周期内的时刻进行坏点剔除，并根据坏点剔除后的时刻对应的运行特征得到周期对应的运行特征。由于空调本身具有设定的数据采集频率，如每隔15秒采集一次当前时刻对应的运行特征，故本发明实施例中设定的周期内包括至少一个时刻，针对该情况，首先对周期内的时刻进行坏点剔除，剔除掉数据明显异常的时刻，具体可为不同的运行特征单独设置取值范围，剔除掉不位于取值范围内的运行特征所对应的时刻及该时刻对应的所有运行特征。然后，根据周期内坏点剔除后剩余的时刻对应的运行特征得到周期对应的运行特征，具体可对周期内剩余的时刻对应的运行特征进行均值处理，将得到的结果作为周期对应的运行特征。除此之外，还可对周期对应的运行特征进行归一化处理，去除运行特征的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的运行特征能够进行计算和比较，便于后续分析，本发明实施例对归一化处理的具体方式不做限定，如可通过Sigmoid函数将运行特征映射至0到1之间的区间。通过上述方法提升了周期对应的运行特征的有效性和平稳性，避免了异常的运行特征对后续计算过程的影响。

通过图6所示实施例可知，在本发明实施例中，确定循环时长，根据循环时长和待预测周期确定参考周期，将待预测周期和参考周期的运行特征组合为特征集，本发明实施例结合空调的运行规律确定特征集，提升了确定出的特征集的合理性和可靠性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的基于负荷预测的空调控制方法，图7示出了本发明实施例提供的基于负荷预测的空调控制装置的结构框图，参照图7，该空调控制装置包括：

确定单元71，用于确定待预测周期对应的特征集，所述特征集包括空调在所述待预测周期及与所述待预测周期相关的参考周期的运行特征；

计算单元72，用于基于权重系数对所述特征集内的所述运行特征进行计算得到负荷量基础值，根据所述负荷量基础值和差异系数得到所述待预测周期的预测负荷量，其中，所述权重系数由对历史周期对应的所述特征集及负荷量进行非线性回归估计得到，所述差异系数为根据所述历史周期的负荷量与所述历史周期对应的所述负荷量基础值得到；

控制单元73，用于确定所述预测负荷量对应的控制策略，按照所述控制策略进行控制。

可选地，计算单元72还包括：

构建单元，用于基于所述历史周期对应的所述特征集构建样本输入向量，基于所述历史周期的负荷量构建样本输出向量；

分析单元，用于将所述样本输入向量和所述样本输出向量组合为训练样本，分析与至少两个所述训练样本之间的损失最小的拟合函数，根据所述拟合函数确定所述权重系数及所述差异系数。

可选地，分析单元包括：

个数确定单元，用于确定聚类个数，选取一个所述样本输入向量作为聚类中心；

中心确定单元，用于将所述聚类中心之外的各样本输入向量确定为候选向量，计算各候选向量与已有的所述聚类中心之间的欧式距离，将最短的欧式距离确定为衡量距离，在至少一个所述衡量距离中将最长的衡量距离所对应的所述候选向量确定为下一个所述聚类中心，直到所述聚类中心的数量达到所述聚类个数为止；

归类单元，用于计算候选向量与聚类中心之间的欧式距离，将最短的欧式距离所对应的候选向量和聚类中心组成聚类，直到不存在未组成所述聚类的所述候选向量为止；

质心计算单元，用于计算所述聚类的质心；

中心更新单元，用于当所述质心满足设定条件时，将所述质心设置为所述聚类的新的所述聚类中心，重新计算候选向量与聚类中心之间的欧式距离，将最短的欧式距离所对应的候选向量和聚类中心组成聚类，直到聚类的聚类中心不再变化为止；

中心维持单元，用于当所述质心不满足所述设定条件时，维持所述聚类原有的所述聚类中心；

组合单元，用于将所述聚类中心和对应的所述样本输出向量组合为所述训练样本。

可选地，计算单元72包括：

系数确定单元，用于将满足设定的校正条件的所述历史周期确定为校正周期，根据所述校正周期确定校正系数，所述校正系数表征满足所述校正条件的周期的预测负荷量与历史实际负荷量之间的数值关系；

负荷量更新单元，用于若所述待预测周期满足所述校正条件，则根据所述待预测周期的预测负荷量及所述校正系数得到更新后的所述预测负荷量。

可选地，系数确定单元包括：

校正负荷量确定单元，用于根据所述权重系数、所述差异系数及所述校正周期对应的所述特征集计算所述校正周期的预测负荷量，将所述校正周期的预测负荷量确定为校正负荷量；

实际负荷量确定单元，用于确定所述空调在所述校正周期的历史实际负荷量；

系数确定子单元，用于根据所述校正负荷量与所述历史实际负荷量得到校正系数。

可选地，确定单元71包括：

循环时长确定单元，用于确定循环时长，将所述待预测周期所在的所述循环时长确定为待测时长，其中，所述循环时长包括至少一个周期，所述周期、所述待预测周期及所述历史周期的时长相同；

特征集确定单元，用于将所述待预测周期确定为待预测周期k，将所述待测时长内的所述待预测周期k的第一缺量特征、历史时长内的周期k的第二缺量特征、所述待测时长内的周期k-a至周期k-1的全量特征以及所述历史时长内的周期k-a至周期k-1的所述全量特征组合为所述特征集，其中，k＞0，1≤a＜k，所述历史时长为所述待测时长之前的所述循环时长，所述历史时长内的周期k、所述待测时长内的周期k-a至周期k-1以及所述历史时长内的周期k-a至周期k-1均为所述待预测周期k相关的所述参考周期。

可选地，控制策略包括启停参数，控制单元73包括：

启停控制单元，用于按照所述启停参数调整所述空调的冷水机组的启停状态。

可选地，控制策略包括冷冻水参数，控制单元73包括：

冷冻水控制单元，用于按照所述冷冻水参数调整所述空调的冷冻水状态。

因此，本发明实施例提供的基于负荷预测的空调控制装置根据非线性回归得到的参数进行待预测周期的负荷量预测，提升了负荷量预测的准确性，按照预测负荷量进行空调控制，能够使空调达到供需平衡。

图8是本发明实施例提供的基于负荷预测的空调控制装置的示意图。如图8所示，该实施例的基于负荷预测的空调控制装置8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82，例如基于负荷预测的空调控制程序。所述处理器80执行所述计算机程序82时实现上述各个基于负荷预测的空调控制方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器80执行所述计算机程序82时实现上述各基于负荷预测的空调控制装置实施例中各单元的功能，例如图7所示单元71至73的功能。

示例性的，所述计算机程序82可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器81中，并由所述处理器80执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述基于负荷预测的空调控制装置8中的执行过程。例如，所述计算机程序82可以被分割成确定单元、计算单元以及控制单元，各单元具体功能如下：

所述基于负荷预测的空调控制装置8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于负荷预测的空调控制装置可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是基于负荷预测的空调控制装置8的示例，并不构成对基于负荷预测的空调控制装置8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于负荷预测的空调控制装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器81可以是所述基于负荷预测的空调控制装置8的内部存储单元，例如基于负荷预测的空调控制装置8的硬盘或内存。所述存储器81也可以是所述基于负荷预测的空调控制装置8的外部存储设备，例如所述基于负荷预测的空调控制装置8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述基于负荷预测的空调控制装置8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述空调控制装置所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将所述空调控制装置的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。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。另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的空调控制装置和方法，可以通过其它的方式实现。例如，以上所描述的空调控制装置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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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，作为单元显示的部件可以是或者也可以不是物理单元，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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims

1.一种基于负荷预测的空调控制方法，其特征在于，包括：

确定所述预测负荷量对应的控制策略，按照所述控制策略进行控制；

其中，所述基于权重系数对所述特征集内的所述运行特征进行计算得到负荷量基础值之前，还包括：

基于所述历史周期对应的所述特征集构建样本输入向量，基于所述历史周期的负荷量构建样本输出向量；

将所述样本输入向量和所述样本输出向量组合为训练样本，分析与至少两个所述训练样本之间的损失最小的拟合函数，根据所述拟合函数确定所述权重系数及所述差异系数。

2.如权利要求1所述的空调控制方法，其特征在于，所述将所述样本输入向量和所述样本输出向量组合为训练样本，包括：

确定聚类个数，选取一个所述样本输入向量作为聚类中心；

将所述聚类中心之外的各样本输入向量确定为候选向量，计算各候选向量与已有的所述聚类中心之间的欧式距离，将最短的欧式距离确定为衡量距离，在至少一个所述衡量距离中将最长的衡量距离所对应的所述候选向量确定为下一个所述聚类中心，直到所述聚类中心的数量达到所述聚类个数为止；

计算候选向量与聚类中心之间的欧式距离，将最短的欧式距离所对应的候选向量和聚类中心组成聚类，直到不存在未组成所述聚类的所述候选向量为止；

计算所述聚类的质心；

当所述质心满足设定条件时，将所述质心设置为所述聚类的新的所述聚类中心，重新计算候选向量与聚类中心之间的欧式距离，将最短的欧式距离所对应的候选向量和聚类中心组成聚类，直到聚类的聚类中心不再变化为止；

当所述质心不满足所述设定条件时，维持所述聚类原有的所述聚类中心；

将所述聚类中心和对应的所述样本输出向量组合为所述训练样本。

3.如权利要求1所述的空调控制方法，其特征在于，所述根据所述负荷量基础值和差异系数得到所述待预测周期的预测负荷量，包括：

将满足设定的校正条件的所述历史周期确定为校正周期，根据所述校正周期确定校正系数，所述校正系数表征满足所述校正条件的周期的预测负荷量与历史实际负荷量之间的数值关系；

若所述待预测周期满足所述校正条件，则根据所述待预测周期的预测负荷量及所述校正系数得到更新后的所述预测负荷量。

4.如权利要求3所述的空调控制方法，其特征在于，所述根据所述校正周期确定校正系数，包括：

根据所述权重系数、所述差异系数及所述校正周期对应的所述特征集计算所述校正周期的预测负荷量，将所述校正周期的预测负荷量确定为校正负荷量；

确定所述空调在所述校正周期的历史实际负荷量；

根据所述校正负荷量与所述历史实际负荷量得到校正系数。

5.如权利要求1所述的空调控制方法，其特征在于，所述确定待预测周期对应的特征集，包括：

确定循环时长，将所述待预测周期所在的所述循环时长确定为待测时长，其中，所述循环时长包括至少一个周期，所述周期、所述待预测周期及所述历史周期的时长相同；

将所述待预测周期确定为待预测周期k，将所述待测时长内的所述待预测周期k的第一缺量特征、历史时长内的周期k的第二缺量特征、所述待测时长内的周期k-a至周期k-1的全量特征以及所述历史时长内的周期k-a至周期k-1的所述全量特征组合为所述特征集，其中，k＞0，1≤a＜k，所述历史时长为所述待测时长之前的所述循环时长，所述历史时长内的周期k、所述待测时长内的周期k-a至周期k-1以及所述历史时长内的周期k-a至周期k-1均为所述待预测周期k相关的所述参考周期。

6.如权利要求1所述的空调控制方法，其特征在于，所述控制策略包括启停参数，所述按照所述控制策略进行制冷控制，包括：

按照所述启停参数调整所述空调的冷水机组的启停状态。

7.如权利要求1所述的空调控制方法，其特征在于，所述控制策略包括冷冻水参数，所述按照所述控制策略进行制冷控制，包括：

按照所述冷冻水参数调整所述空调的冷冻水状态。

8.一种基于负荷预测的空调控制装置，其特征在于，包括：

控制单元，用于确定所述预测负荷量对应的控制策略，按照所述控制策略进行控制；

其中，计算单元还包括：

9.一种基于负荷预测的空调控制装置，其特征在于，所述空调控制装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：

10.一种计算机存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述空调控制方法的步骤。