CN110097217A - 一种基于等效rc模型的建筑动态室温预测方法 - Google Patents

一种基于等效rc模型的建筑动态室温预测方法 Download PDF

Info

Publication number
CN110097217A
CN110097217A CN201910303093.8A CN201910303093A CN110097217A CN 110097217 A CN110097217 A CN 110097217A CN 201910303093 A CN201910303093 A CN 201910303093A CN 110097217 A CN110097217 A CN 110097217A
Authority
CN
China
Prior art keywords
model
building
parameter
equivalent
room temperature
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
Application number
CN201910303093.8A
Other languages
English (en)
Other versions
CN110097217B (zh
Inventor
田喆
王俊峰
兰博
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201910303093.8A priority Critical patent/CN110097217B/zh
Publication of CN110097217A publication Critical patent/CN110097217A/zh
Application granted granted Critical
Publication of CN110097217B publication Critical patent/CN110097217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于等效RC模型的建筑动态室温预测方法。该方法不考虑建筑内扰和通风的影响，考虑了建筑蓄热体的蓄放热效应，将建筑的蓄放热能力视为热容，以类比电路中的电容元件，将建筑的传热阻力视为热阻，以类比电路中的电阻元件，此外，还将太阳辐射和供热(冷)类比为电路中的电流源。该方法应用系统辨识理论，基于建筑热过程建立单栋建筑的等效RC模型结构，用建筑实际运行过程中几个不同阶段的逐时室温监测数据和相应阶段的逐时供热(冷)量历史数据进行模型分步驱动，输入对应的逐时气象条件以及初始条件，通过遗传算法(GA)进行模型参数的分步辨识，从而获得参数确定的等效RC模型，以此进行建筑动态平均室温的预测。

Description

一种基于等效RC模型的建筑动态室温预测方法
技术领域
本发明涉及建筑动态室温预测技术领域，特别是涉及一种基于等效RC模型参数分步辨识过程的建筑动态室温预测方法。
背景技术
在我国利用可再生能源发电的大背景下，电力在时间维度存在供需不匹配的问题，在用电高峰期电力可能会出现供不应求的现象，而在其他时期电力往往会供大于求。对电力负荷而言，平抑峰荷或削峰填谷是解决此问题的有效方法。
另一方面，建筑作为人们活动的空间需要进行供热或供冷，这对电力的需求巨大。就空调负荷来说，其在夏季高峰期所占电力尖峰负荷的比例已达到30％-40％，并且还在不断攀升。由于建筑材料具有热惰性，通过建筑物自身的蓄热或蓄冷能力存储能量可以在时间维度转移电力负荷，从而实现电力负荷的削峰填谷与能源的有效利用。但是，在利用建筑物进行虚拟储能的同时，不能以牺牲室内的热舒适为代价。
室内空气干球温度是反映建筑空间冷热程度的重要指标，通过简单有效的方法预测建筑动态平均室温十分必要，它可以从热舒适的角度反映出建筑物虚拟储能的效果，从而对供能和用能策略做出指导。
目前，预测建筑室温的方法大致可以分为三类：白箱方法，黑箱方法和灰箱方法。白箱方法需要输入详细的建筑几何信息，具有明确的物理意义，大部分室温模拟软件采用的是此类方法；黑箱方法需要大量的训练数据，物理意义不明确，例如神经网络法、支持向量回归法等属于此类；灰箱方法吸收了前两类方法的优点，只需要粗略的建筑几何信息和少量的训练数据，且具有一定的物理意义，例如等效RC模型等方法属于此类。
这些建筑室温预测方法各有利弊，但是仍存在一些难以解决的问题：
1、方法复杂程度与物理意义可解释性难以协调。现有的方法要么需要输入建筑材料详细的热工参数或基于地区的参数统计结果，用于工程实践中不够便捷，要么无法从传热角度给出合理的解释，缺乏强有力的专业理论依据；
2、现有的室温预测方法适用性不强，难以在多工况下准确预测室温；
3、现有的方法大多没有考虑建筑的蓄热效应，导致忽略了温度波在时间上的延迟效应以及在强度上的衰减效果。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种基于等效RC模型参数分步辨识过程的建筑动态室温预测方法。该方法不考虑建筑内扰和通风的影响，应用热电类比的思想，考虑了建筑蓄热体的蓄放热效应，将建筑的蓄放热能力视为热容，以类比电路中的电容元件，将建筑的传热阻力视为热阻，以类比电路中的电阻元件，此外，还将太阳辐射和供热(冷)类比为电路中的电流源。该方法应用系统辨识理论，基于建筑热过程建立单栋建筑的等效RC模型结构，用建筑实际运行过程中几个不同阶段的逐时室温监测数据和相应阶段的逐时供热(冷)量历史数据进行模型分步驱动，输入对应的逐时气象条件以及初始条件，通过遗传算法(GA)进行模型参数的分步辨识，从而获得参数确定的等效RC模型，以此进行建筑动态平均室温的预测。该方法不需要输入建筑材料详细的热工参数，方便快捷，适用性强，可以得到比较满意的室温预测结果。
本发明的目的是通过以下技术方案实现的：
一种基于等效RC模型的建筑动态室温预测方法，包括以下步骤：
步骤1：根据实际建筑空间选择合适的模型阶数，基于建筑热过程建立单栋建筑的等效RC模型结构，并根据基尔霍夫定律写出模型的数学表达，确定所要辨识的模型参数；
步骤2：采用遗传算法进行模型参数的分步辨识；具体包括以下步骤：
(201)以无太阳辐射、建筑无供热(冷)时间段监测的逐时室温为模型驱动数据，辨识建筑的阻容特性伪参数；
(202)将步骤(201)辨识出的阻容特性伪参数作为已知参数，以有太阳辐射、建筑无供热(冷)时间段监测的逐时室温为模型驱动数据，辨识模型太阳辐射部分的相关伪参数；
(203)将步骤(201)和步骤(202)辨识出的阻容特性伪参数、太阳辐射部分的相关伪参数作为已知参数，以建筑有供热(冷)时间段监测的逐时室温为模型驱动数据，辨识隐含影响因数γ；
隐含影响因数γ定义为辨识得到的伪参数与建筑等效真实参数的比值，即：
由隐含影响因数和辨识得到的伪参数，计算出建筑等效真实参数，包括阻容特性真实参数和太阳辐射部分的相关真实参数；
步骤3：将建筑等效真实参数代入模型，即可得到单栋建筑的等效RC预测模型，基于该模型，输入逐时气象条件(室外空气干球温度、太阳辐射照度)以及初始条件(初始室温)，以预测出相应的建筑平均室温。
与现有技术相比，本发明的技术方案所带来的有益效果是：
1、本发明对所需条件要求低，所用方法方便快捷。基于建筑传热过程建立等效RC模型，仅需要建筑运行历史数据即可得到完整的预测模型，既不是基于某地区单位面积等效热容、热阻参数的统计结果，也不需要输入建筑材料详细的热工参数。此外，本发明用到的数据都是逐时数据，对监测数据的监测频率要求较低，同时相应的气象数据易获取。
2、本发明采用了模型参数分步辨识的方式，得到的预测模型适用性更强。其不仅能预测单一工况的室温，而且在多工况条件下也能得到较满意的预测效果。
3、本发明用等效的热容集中体现建筑的蓄放热能力，充分考虑了建筑本体的蓄放热特性。
附图说明
图1是本发明中实现建筑动态室温预测的流程图。
图2是本发明中所建立的三阶等效RC模型。
图3是本发明中所建立的遗传算法(GA)辨识参数流程图。
图4是实施例中TRNSYS软件模拟的建筑模型空间分布示意图。
图5是实施例中分步辨识过程第一步的流程图。
图6是实施例中分步辨识过程第二步的流程图。
图7是实施例中分步辨识过程第三步的流程图。
图8是实施例中三阶等效RC模型的动态室温预测结果与TRNSYS软件的动态室温模拟结果的对比图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于等效RC模型参数分步辨识过程的建筑动态室温预测方法，该方法的核心在于模型参数的准确辨识过程，该方法实现建筑动态室温预测的关键流程见附图1，其具体实现过程包括以下步骤：
步骤1：根据实际建筑空间和所研究问题的要求，选择合适的模型阶数，基于建筑热过程建立单栋建筑的等效RC模型结构，并根据基尔霍夫定律写出模型的数学表达，确定所要辨识的模型参数。
附图2为建立的三阶等效RC模型结构，主要考虑室外、外围护结构、室内空气、内蓄热体这几部分之间的传热和蓄放热作用，其数学描述为：
Qs1(t)＝(1-α)pI(t) (4)
Qs2(t)＝αpI(t) (5)
式中：To为室外干球温度节点，℃；Twa为外围护结构等效温度节点，℃；Ti为室内空气温度节点，℃；Tm为内蓄热体等效温度节点，℃；Cwa为外围护结构等效热容，J/K；Ci为室内空气等效热容，J/K；Cm为内蓄热体等效热容，J/K；Uwin为外窗的等效传热系数，是热阻的倒数(下同)，W/K；Uwa1、Uwa2为外围护结构的两个等效传热系数，W/K；Hm为室内空气与内蓄热体之间的等效传热系数，W/K；Qg为供热(冷)量，为正(负)值，W；Qs1为太阳辐射通过窗进入室内的部分转化的热量，W；Qs2为太阳辐射作用在外围护结构上的部分转化的热量，W；I为太阳辐射照度，W/m2；α为太阳辐射分配系数，处于0和1之间；p为与建筑表面积、吸收率、反射率等因素有关的系数，m2。
步骤2：采用遗传算法进行模型参数的分步辨识，遗传算法辨识参数的流程见附图3。
第一步，以无太阳辐射、建筑无供热(冷)时间段(例如过渡季的夜晚)监测的逐时室温为模型驱动数据，辨识建筑的阻容特性伪参数；
对于三阶等效RC模型，此步数学描述为：
在三阶等效RC模型中，此步需要辨识的阻容特性伪参数为：Cwa、Ci、Cm、Uwa1、Uwa2、Uwin和Hm。
第二步，将第一步辨识出的阻容特性伪参数作为已知参数，以有太阳辐射、建筑无供热(冷)时间段(例如过渡季的白天)监测的逐时室温为模型驱动数据，辨识模型太阳辐射部分的相关伪参数；
对于三阶等效RC模型，此步数学描述为：
认为分配系数α为真实参数，参数p的辨识过程存伪。那么，在三阶等效RC模型中，此步需要辨识的太阳辐射部分的相关真、伪参数分别为：分配系数α和参数p。
第三步，将第一、二步辨识出的阻容特性伪参数、太阳辐射部分的相关真、伪参数作为已知参数，以建筑有供热(冷)时间段(例如供暖季)监测的逐时室温为模型驱动数据，辨识隐含影响因数γ。
隐含影响因数γ定义为辨识得到的伪参数与建筑等效真实参数的比值，即：
由隐含影响因数和辨识得到的伪参数，计算出建筑等效真实参数，包括阻容特性真实参数和太阳辐射部分的相关真实参数。
对于三阶等效RC模型，此步数学描述为：
若(·)'代表对应的建筑等效真实参数，(·)代表辨识得到的伪参数，则：
根据式(15)，将式(12)、(13)、(14)两侧同乘以隐含影响因数γ，可得：
由辨识得到的伪参数和隐含影响因数，根据式(15)可计算出建筑等效真实参数。
步骤3：将建筑等效真实参数代入模型，即可得到单栋建筑的等效RC预测模型，基于该模型，输入逐时气象条件(室外空气干球温度、太阳辐射照度)以及初始条件(初始室温)，可以预测出相应的建筑平均室温。
本实施例采用TRNSYS软件模拟建筑室温数据作为实际建筑室温监测数据，以三阶等效RC模型为例，设计以下仿真算例。
(1)仿真数据声明：
气象数据包括逐时室外空气干球温度、太阳辐射照度，可以从当地气象监测部门获取。
用TRNSYS软件建立建筑模型，模型空间分布如附图4示意。模型模拟长*宽*高为10m*8m*8m的两层建筑，均分为8个房间，建筑各部分热工参数见表1-表5。四个方向窗墙比都为30％，窗的传热系数为2.83W/(m2·K)。
表1外墙热工性能参数
表2屋面热工性能参数
表3内墙热工性能参数
表4楼板热工性能参数
表5地面热工性能参数
由TRNSYS软件模拟建筑平均室温，以此作为实际建筑室温监测数据在分步辨识中辨识等效RC模型的参数。
(2)本实施例基于等效RC模型参数分步辨识过程的建筑动态室温预测方法包括以下步骤：
步骤1：考虑室外、外围护结构、室内空气、内蓄热体这几部分之间的传热和蓄放热作用，建立附图2所示的三阶等效RC模型，其数学描述见式(1)至式(5)。其中，待辨识参数为：7个阻容特性参数，2个太阳辐射部分的相关参数以及1个隐含影响因数，见表6。
表6三阶等效RC模型待辨识参数
步骤2：采用遗传算法对模型参数进行分步辨识。
第201步，在建筑无供热情况下，输入室外空气干球温度逐时数据，用TRNSYS模拟冬季夜晚18:00至第二天7:00的逐时室温。然后在MATLAB中用遗传算法程序进行参数辨识，辨识流程图见附图5，阻容特性伪参数辨识结果见表7。
表7阻容特性伪参数辨识结果(进化5000代)
伪参数 C<sub>wa</sub>(MJ/K) C<sub>i</sub>(MJ/K) C<sub>m</sub>(MJ/K) U<sub>win</sub>(W/K) U<sub>wa1</sub>(W/K) U<sub>wa2</sub>(W/K) H<sub>m</sub>(W/K)
最优值 2534.1737 23.414 711.5318 925.0204 8029.4181 10163.7576 19663.4822
第202步，将第201步辨识出的阻容特性伪参数作为已知参数，在建筑无供热情况下，输入室外空气干球温度和太阳辐射照度逐时数据，用TRNSYS模拟冬季一周168h的逐时室温。在MATLAB中用遗传算法程序进行参数辨识，辨识流程图见附图6，太阳辐射部分的相关真、伪参数辨识结果见表8。
表8太阳辐射部分的伪参数辨识结果(进化5000代)
真、伪参数 α P(m<sup>2</sup>)
最优值 0.72668 784.2756
认为太阳辐射分配系数α为真实参数，参数p的辨识过程存伪。
第203步，将第201、202步辨识出的阻容特性伪参数、太阳辐射部分的相关真、伪参数作为已知参数，在建筑连续供热5kW的情况下，输入室外空气干球温度和太阳辐射照度逐时数据，用TRNSYS模拟冬季一周168h的逐时室温。在MATLAB中用遗传算法程序进行参数辨识，辨识流程图见附图7，隐含影响因数的参数辨识结果见表9。
表9隐含影响因数的参数辨识结果(进化5000代)
参数 γ
最优值 12.5874
由隐含影响因数和辨识得到的伪参数，计算三阶等效RC模型的建筑等效真实参数，结果见表10。
表10建筑等效真实参数计算结果
步骤3：基于步骤1和2得到的三阶等效RC模型可以进行建筑平均室温预测。
为验证模型的适用性，测试了不同供热工况下的预测结果，其中，预测期的前4天为间歇供热的工况，后3天为连续供热的工况，供热情况见表11。
表11不同供热工况的每日供热时刻表
在MATLAB平台编写的室温预测程序中输入室外空气干球温度和太阳辐射照度逐时数据以及初始室温，来预测一周168h的建筑平均室温的逐时值，并与TRNSYS软件预测的室温结果对比，见附图8。
(3)以TRNSYS软件预测的室温结果为标准，用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)以及均方根误差作为评价指标来分析三阶等效RC模型的预测结果，见表12。
表12室温预测的评价指标结果
由表12的评价指标计算结果可以看出，该预测模型具有较高的精度，对实际工程具有很高的应用价值。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (2)

1.一种基于等效RC模型的建筑动态室温预测方法，其特征在于，包括以下步骤：
步骤1：根据实际建筑空间选择合适的模型阶数，基于建筑热过程建立单栋建筑的等效RC模型结构，并根据基尔霍夫定律写出模型的数学表达，确定所要辨识的模型参数；
步骤2：采用遗传算法进行模型参数的分步辨识；具体包括以下步骤：
(201)以无太阳辐射、建筑无供热(冷)时间段监测的逐时室温为模型驱动数据，辨识建筑的阻容特性伪参数；
(202)将步骤(201)辨识出的阻容特性伪参数作为已知参数，以有太阳辐射、建筑无供热(冷)时间段监测的逐时室温为模型驱动数据，辨识模型太阳辐射部分的相关伪参数；
(203)将步骤(201)和步骤(202)辨识出的阻容特性伪参数、太阳辐射部分的相关伪参数作为已知参数，以建筑有供热(冷)时间段监测的逐时室温为模型驱动数据，辨识隐含影响因数γ；
隐含影响因数γ定义为辨识得到的伪参数与建筑等效真实参数的比值，即：
由隐含影响因数和辨识得到的伪参数，计算出建筑等效真实参数，包括阻容特性真实参数和太阳辐射部分的相关真实参数；
步骤3：将建筑等效真实参数代入模型，即可得到单栋建筑的等效RC预测模型，基于该模型，输入逐时气象条件以及初始条件，以预测出相应的建筑平均室温。
2.一种基于等效RC模型的建筑动态室温预测方法，其特征在于，步骤3中逐时气象条件包括室外空气干球温度和太阳辐射照度，初始条件为初始室温。
CN201910303093.8A 2019-04-16 2019-04-16 一种基于等效rc模型的建筑动态室温预测方法 Active CN110097217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910303093.8A CN110097217B (zh) 2019-04-16 2019-04-16 一种基于等效rc模型的建筑动态室温预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910303093.8A CN110097217B (zh) 2019-04-16 2019-04-16 一种基于等效rc模型的建筑动态室温预测方法

Publications (2)

Publication Number Publication Date
CN110097217A true CN110097217A (zh) 2019-08-06
CN110097217B CN110097217B (zh) 2023-04-07

Family

ID=67445001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910303093.8A Active CN110097217B (zh) 2019-04-16 2019-04-16 一种基于等效rc模型的建筑动态室温预测方法

Country Status (1)

Country Link
CN (1) CN110097217B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110673489A (zh) * 2019-10-25 2020-01-10 国网山东省电力公司电力科学研究院 一种商用建筑房间的热负荷辨识方法
CN113065190A (zh) * 2021-04-15 2021-07-02 天津大学 一种基于不确定性的居住建筑供热量计算方法
CN113094995A (zh) * 2021-04-15 2021-07-09 天津大学 一种基于集总电容模型的建筑热质量用于空调负荷转移评估方法
CN113822569A (zh) * 2021-09-17 2021-12-21 广东电网有限责任公司 一种空调系统负荷计算方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1892205A (zh) * 2005-07-07 2007-01-10 日本油漆株式会社 热量预测方法和系统以及具有热量预测程序的记录介质
CN101390028A (zh) * 2005-10-14 2009-03-18 西门子公司 利用预测式控制器件用于控制建筑物中室温的装置
CN103823976A (zh) * 2014-02-25 2014-05-28 北京农业信息技术研究中心 日光温室光热环境计算方法
CN104657539A (zh) * 2015-01-13 2015-05-27 同济大学 一种基于村镇建筑基准房间热量模型的建筑能耗获取方法
CN106096781A (zh) * 2016-06-07 2016-11-09 哈尔滨工业大学 基于综合温度的供热负荷预报方法
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
CN107169606A (zh) * 2017-05-18 2017-09-15 天津大学 一种办公建筑冷负荷的预测方法
CN108089443A (zh) * 2017-12-17 2018-05-29 北京世纪隆博科技有限责任公司 一种基于混合精英圈养优化的灵敏板温度智能建模方法
CN108321793A (zh) * 2018-01-17 2018-07-24 东北电力大学 集成智能楼宇灵活负荷的主动配电网建模及优化调度方法
CN109270841A (zh) * 2018-10-11 2019-01-25 东北电力大学 一种基于模型预测控制的智能楼宇用能灵活性调控方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1892205A (zh) * 2005-07-07 2007-01-10 日本油漆株式会社 热量预测方法和系统以及具有热量预测程序的记录介质
CN101390028A (zh) * 2005-10-14 2009-03-18 西门子公司 利用预测式控制器件用于控制建筑物中室温的装置
CN103823976A (zh) * 2014-02-25 2014-05-28 北京农业信息技术研究中心 日光温室光热环境计算方法
CN104657539A (zh) * 2015-01-13 2015-05-27 同济大学 一种基于村镇建筑基准房间热量模型的建筑能耗获取方法
CN106096781A (zh) * 2016-06-07 2016-11-09 哈尔滨工业大学 基于综合温度的供热负荷预报方法
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
CN107169606A (zh) * 2017-05-18 2017-09-15 天津大学 一种办公建筑冷负荷的预测方法
CN108089443A (zh) * 2017-12-17 2018-05-29 北京世纪隆博科技有限责任公司 一种基于混合精英圈养优化的灵敏板温度智能建模方法
CN108321793A (zh) * 2018-01-17 2018-07-24 东北电力大学 集成智能楼宇灵活负荷的主动配电网建模及优化调度方法
CN109270841A (zh) * 2018-10-11 2019-01-25 东北电力大学 一种基于模型预测控制的智能楼宇用能灵活性调控方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张琦: "基于电等效模型的建筑冷热负荷预测建模研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
石欣: "RC热网络建筑能耗预测模型综述", 《仪器仪表学报》 *
石欣: "基于RC网络的建筑环境建模与探析", 《仪器仪表学报》 *
闫军威: "基于等效热模型的供冷建筑RLS-KF室温预测方法", 《华南理工大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110673489A (zh) * 2019-10-25 2020-01-10 国网山东省电力公司电力科学研究院 一种商用建筑房间的热负荷辨识方法
CN113065190A (zh) * 2021-04-15 2021-07-02 天津大学 一种基于不确定性的居住建筑供热量计算方法
CN113094995A (zh) * 2021-04-15 2021-07-09 天津大学 一种基于集总电容模型的建筑热质量用于空调负荷转移评估方法
CN113094995B (zh) * 2021-04-15 2022-05-24 天津大学 一种基于集总电容模型的建筑热质量用于空调负荷转移评估方法
CN113065190B (zh) * 2021-04-15 2022-05-27 天津大学 一种基于不确定性的居住建筑供热量计算方法
CN113822569A (zh) * 2021-09-17 2021-12-21 广东电网有限责任公司 一种空调系统负荷计算方法、装置、设备及介质
CN113822569B (zh) * 2021-09-17 2024-05-24 广东电网有限责任公司 一种空调系统负荷计算方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110097217B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110097217A (zh) 一种基于等效rc模型的建筑动态室温预测方法
She et al. Life cycle cost and life cycle energy in zero-energy building by multi-objective optimization
CN103473393B (zh) 一种考虑随机概率的输电裕度控制模型建模方法
Zhu et al. Optimization of zero-energy building by multi-criteria optimization method: A case study
CN104950720B (zh) 基于气象预报将需求响应和舒适度反馈结合的供能系统
Chegari et al. Local energy self-sufficiency for passive buildings: Case study of a typical Moroccan building
CN109861302A (zh) 一种基于主从博弈的能源互联网日前优化控制方法
Liu et al. Optimization of intelligent heating ventilation air conditioning system in urban building based on BIM and artificial intelligence technology
Chen et al. A rapid evaluation method for design strategies of high-rise office buildings achieving nearly zero energy in Guangzhou
CN116205425A (zh) 一种基于典型数据库的低碳园区冷热电气负荷预测方法
CN113222227B (zh) 基于建筑特性和虚拟电厂的建筑综合能源系统调度方法
Yedilkhan et al. Predicting heating time, thermal pump efficiency and solar heat supply system operation unloading using artificial neural networks
Guo et al. A thermal response time ahead energy demand prediction strategy for building heating system using machine learning methods
Zhong et al. A case study of operation optimization on a renewable energy building by E-CPS method: From both sides of supply and demand
CN113435042B (zh) 一种建筑空调系统需求响应的强化学习建模方法
Vergini et al. Advanced state fuzzy cognitive maps applied on nearly zero energy building model
Keyvanmajd et al. Toward the design of zero energy buildings (ZEB) in Iran: Climatic study
Derazgisou et al. Computational optimization of housing complexes forms to enhance energy efficiency
Wang Application of deep learning model in building energy consumption prediction
Fan et al. Energy flexibility of space-heating or cooling in Spain based on Developed Wildebeest Herd Optimization algorithm
Qu et al. Optimal design of building integrated energy systems by combining two-phase optimization and a data-driven model
Wu et al. Coordinated air conditioning resources scheduling with high photovoltaic penetrations
Popescu et al. Renewable energy sources used for a low energy building rehabilitation
Ahmed et al. IOT and AI-based Energy Monitoring and Control System for NZEB
Yechao et al. Integrated Strategy of Green Building Model Optimization Based on BIM Technology

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