CN110210525B - 基于K-Means聚类的设计日气象要素逐时变化特征提取方法 - Google Patents

基于K-Means聚类的设计日气象要素逐时变化特征提取方法 Download PDF

Info

Publication number
CN110210525B
CN110210525B CN201910396116.4A CN201910396116A CN110210525B CN 110210525 B CN110210525 B CN 110210525B CN 201910396116 A CN201910396116 A CN 201910396116A CN 110210525 B CN110210525 B CN 110210525B
Authority
CN
China
Prior art keywords
time
class
meteorological
day
varying
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.)
Active
Application number
CN201910396116.4A
Other languages
English (en)
Other versions
CN110210525A (zh
Inventor
田喆
田成志
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 CN201910396116.4A priority Critical patent/CN110210525B/zh
Publication of CN110210525A publication Critical patent/CN110210525A/zh
Application granted granted Critical
Publication of CN110210525B publication Critical patent/CN110210525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开一种基于K‑Means聚类的设计日气象要素逐时变化特征提取方法，包括以下步骤:S1、基于日极值、日较差及逐时值确定逐时变化趋势；S2、构建极端月系数矩阵M；S3、基于大数据理论运用K‑Means聚类的方法对系数矩阵M聚类分析，以提取各气象参数日变化特征和趋势；S4、选择聚类中权重占比最高的一类室外气象参数变化趋势，确定设计日各气象参数逐时变化系数。本发明不仅准确反映地域气候差异性，且考虑了室外干球温度、湿球温度和太阳辐射三气象要素间变化趋势的耦合关系，为常规舒适性空调系统及蓄能系统的精细化设计奠定数据基础，同时也为缺少30年实际气象数据城市设计日的构造奠定数据基础。

Description

基于K-Means聚类的设计日气象要素逐时变化特征提取方法
技术领域
本发明属于暖通空调室外气象参数研究领域，涉及一种暖通空调室外气象参数确定方法，具体涉及设计日室外气象要素逐时变化特征提取方法。
背景技术
暖通空调室外计算参数是暖通空调系统设计的数据基础，随着社会经济的发展和科技的进步，空调系统的精细化设计越来越受到重视，而设计日气象参数是实现空调负荷动态计算的前提。准确合理的设计日构造一方面需要反映近极端气象特征的室外计算参数；另一方面需要反映气象参数24小时逐时变化特征的逐时化系数。
我国现有的设计日生成方法是二十世纪七十年代提出的，其中干球温度设计日基于夏季空调室外计算温度、日平均计算温度和通用温度变化系数生成得到；湿球温度设计日以计算湿球温度作为恒定值。但是，现行设计日生成方法存在以下不足：1)各地区气象参数逐时变化特征趋于一致，全国取均值的方法忽略地域气候差异性；2)忽略湿球温度逐时变化特征。我国设计日构造中湿球温度保持定值，未考虑参数间变化趋势的耦合关系，因此出现空气相对湿度超过100％的不合理状态点。因此，针对上述现有技术在设计日气象要素逐时变化特征研究存在的缺陷和不足，实有必要进行研究，以提供一种基于K-Means聚类的设计日气象要素逐时变化特征提取法，为常规舒适性空调系统及蓄能系统的精细化设计奠定数据基础。
发明内容
本发明针对现有技术在设计日气象要素逐时变化特征研究存在的缺陷和不足，提出一种基于K-Means聚类的设计日气象要素逐时变化特征提取方法。
本发明的目的是通过以下技术方案实现的：
一种基于K-Means聚类的设计日气象要素逐时变化特征提取方法，包括以下步骤:
S1、基于日极值、日较差及逐时值确定逐时变化特征；
S2、构建极端月系数矩阵M；
S3、基于大数据理论运用K-Means聚类的方法对系数矩阵M聚类分析，以提取各气象参数日变化特征和趋势；
S4、选择聚类中权重占比最高的一类室外气象参数变化趋势，确定设计日各气象参数逐时变化系数。
进一步的，步骤S1中所述的逐时变化特征数学描述为：
Figure GDA0004181774620000021
其中：βs、βw分别表示夏季、冬季各气象参数逐时变化系数；X代表气象参数：夏季代表干球温度(db)、湿球温度(Wb)和太阳辐射(s)，冬季代表干球温度(db)和相对湿度
Figure GDA0004181774620000025
进一步的，步骤S2中极端月系数矩阵M的构造方法如下：
构建m×n的系数矩阵，该矩阵中m为极端月1月或7月真实日样本数目；n为气象参数数目，其中夏季包括干、湿球温度和太阳辐射3×24h的逐时变化系数，冬季包括干球温度和相对湿度2×24h的逐时变化系数，极端月系数矩阵M如下所示：
Figure GDA0004181774620000022
进一步的，步骤S3具体包括以下分步骤：
S31、选取k个初始类质心Zj(I)，j＝1，2…k；Z(I)为第I次选择的类质心，k为聚类数；采用Ward(离差平方和)方法，通过计算类间距离测度随聚类数目的变化关系，从而确定最佳聚类数目；
S32、计算每一个数据样本与类质心距离D(βi，Zj(I))，i＝1，2…m，j＝1，2…k；如果满足D(βi，Zk(I))＝min{D(βi，Zj(I))}，则βi∈第j类；
其中，βi为第i个数据样本β，m为样本总数。
S33、进行误差平方和准则函数Jc计算，该公式为：
Figure GDA0004181774620000023
其中：Jc为误差平方和准则函数，k为聚类总数，mj为第j(j＝1)类聚类结果中真实日样本数目，j为聚类数目；
Figure GDA0004181774620000024
为第j(j＝1)类中各气象参数实际逐时变化系数，1；i＝1，2……mj；τ为发生时刻；Zj，τ为第j(j＝1)类中各气象参数逐时类质心，1；
S34、收敛判断：如果||Jc(I)-Jc(I-1)||＜ε，则表示算法结束，否则I＝I+1，重新计算k个新的聚类中心，并返回S32；类质心计算公式如下：
Figure GDA0004181774620000031
进一步的，步骤S4具体包括以下分步骤：
S41、基于加权等效的基本原理，根据步骤S33确定类质心；
S42、逐时计算各气象参数相对于类质心的标准差，并进行加权求和；
S43、选择δ最小的曲线，即为最典型的实际气象参数变化趋势线；计算式如下：
Figure GDA0004181774620000032
Figure GDA0004181774620000033
其中：δs，δw分别代表夏季、冬季实际观测气象参数逐时化系数相对于类质心的标准差，1；mj为第j(j＝1)类聚类结果中真实日样本数目，j为聚类数目；ω表示各气象参数权重系数，1；
Figure GDA0004181774620000034
为第j(j＝1)类中各气象参数实际逐时变化系数，1；i＝1，2……mj；τ为发生时刻；Zj，τ为第j(j＝1)类中各气象参数逐时类质心，1。
进一步的，步骤S43中的各气象参数权重系数的确定方法参考TypicalMeteorological Year Data(TMY2)权重选取，分别采用相对湿度和太阳辐射表征冬、夏季空气湿度；经整理后的冬夏季空调室外计算参数权重分别为：夏季干球温度2/9、湿球温度2/9、太阳辐射照度5/9；冬季干球温度1/2、相对湿度1/2。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明确定了各气象要素设计日逐时变化特征，步骤S2构建极端月系数矩阵M时，根据不同地域的气候数据可以得出准确反映当地气候特性的逐时化系数，从而为空调系统设计中设备容量选择提供更为精确的依据，进而减少设备容量选择过大或者过小造成的资源和能源浪费。同时，系数矩阵的构建考虑了室外干球温度、湿球温度和太阳辐射三气象要素间变化趋势的耦合关系，设计者在选择计算参数时，能够对同时发生的其他气象参数较好的知晓，在设计时做出更为合理的设备容量的选择，为常规舒适性空调系统及蓄能系统的精细化设计奠定数据基础，同时也为缺少30年实际气象数据城市设计日的构造奠定数据基础。
附图说明
图1为本发明方法的流程示意图。
图2为哈尔滨夏季聚类数目随距离测度变化关系。
图3为典型城市气象要素逐时变化特征聚类结果。
图4为五座典型城市夏、冬季聚类结果占比。
图5-1和图5-2为各典型城市气象参数基于本发明方法确定的逐时化系数。
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。
参照图1，以我国5个气候热工分区典型代表城市哈尔滨、天津、上海、广州和昆明作为研究对象，进行室外气象参数要素变化特征的提取，基于K-Means聚类的设计日气象要素逐时变化特征提取法步骤如下：
S1、基于日极值、日较差及逐时值确定逐时变化系数；
Figure GDA0004181774620000041
S2、构建极端月系数矩阵M：研究构建如下m×n的系数矩阵，该矩阵中m为极端月1月或7月真实日样本数目；n为气象参数数目，其中夏季包括干、湿球温度和太阳辐射3×24h的逐时变化系数，冬季包括干球温度和相对湿度2×24h的逐时变化系数，极端月系数矩阵M如下所示。
Figure GDA0004181774620000042
S3、基于大数据理论运用K-Means聚类的方法对系数矩阵M聚类分析，以提取各气象参数日变化特征和趋势；
S31、首先选取k个初始类质心Zj(I)，j＝1，2…k；采用Ward(离差平方和)方法，通过计算类间距离测度随聚类数目的变化关系，进而确定最佳聚类数目。以哈尔滨为例，如图2所示，当聚类数目达到4类之后，最小类间距变化幅度突然增大，说明类间差异性较大，聚类数目不应再继续减少。因此，将距离测度发生突变处对应的聚类数目定为最佳聚类数目
S32、计算聚类中心与每一个数据样本距离D(βi，Zj(I))，i＝1，2…m，j＝1，2…k；如果满足D(βi，Zk(I))＝min{D(βi，Zj(I))}，则βi∈第j类。
S33、进行误差平方和准则函数Jc计算，该公式为：
Figure GDA0004181774620000051
S34、收敛判断：如果||Jc(I)-Jc(I-1)||＜ε，则表示算法结束，否则I＝I+1，重新计算k个新的聚类中心，并返回S32。类质心计算公式如下：
Figure GDA0004181774620000052
以哈尔滨为例，室外气象参数变化特征聚类结果如图3所示。聚类结果表明哈尔滨夏季室外气象条件至少存在4类变化趋势，其中第4类干、湿球温度均不存在任何变化规律，不予考虑。在每一类趋势中由于因子矩阵M以日为单位同时考虑三气象参数，因此每一类中干球温度、湿球温度和太阳辐射均发生在同一天，三参数变化趋势相互耦合对应，具有同时发生性。其余城市存在类似规律，各代表城市极端月实际气象参数变化特征均至少需要1～3类变化趋势进行描述，各类权重占比如图4所示，五座典型城市夏、冬季聚类结果占比中第一类最大，分别为夏季46％、48％、36％、42％、54％和冬季57％、42％、69％、100％、100％。
S4、选择聚类中权重占比最高的一类室外气象参数变化趋势，确定设计日各气象参数逐时变化系数。步骤如下：
S41、基于加权等效的基本原理，首先根据步骤S33确定类质心；
S42、在此基础上逐时计算各气象参数相对于类质心的标准差，并进行加权求和；
S43、最后选择δ最小的曲线，即为最典型的实际气象参数变化趋势线。计算式如下：
Figure GDA0004181774620000053
Figure GDA0004181774620000054
其中：δs，δw分别代表夏季、冬季实际观测气象参数逐时化系数相对于类质心的标准差，1；mj为第j(j＝1)类聚类结果中真实日样本数目，j为聚类数目；ω表示各气象参数权重系数，1；
Figure GDA0004181774620000055
为第j(j＝1)类中各气象参数实际逐时变化系数，1；i＝1，2……mj；τ为发生时刻；Zj，τ为第j(j＝1)类中各气象参数逐时类质心，1。
冬夏季空调室外计算参数权重分别为：夏季干球温度2/9、湿球温度2/9、太阳辐射照度5/9；冬季干球温度1/2、相对湿度1/2。
各典型城市气象参数基于K-Means聚类的设计日气象要素逐时变化特征提取法所确定的逐时化系数如图5-1和图5-2所示.
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 (5)

1.一种基于K-Means聚类的设计日气象要素逐时变化特征提取方法，其特征在于，包括以下步骤:
S1、基于日极值、日较差及逐时值确定逐时变化特征；
S2、构建极端月系数矩阵M；
S3、基于大数据理论运用K-Means聚类的方法对系数矩阵M聚类分析，以提取各气象参数日变化特征和趋势；包括：
S31、选取k个初始类质心Zj(I)，j＝1，2…k；Z(I)为第I次选择的类质心，j为聚类数目；采用Ward离差平方和方法，通过计算类间距离测度随聚类数目的变化关系，确定最佳聚类数目；
S32、计算每一个数据样本与类质心距离D(βi，Zj(I))，i＝1，2…m，j＝1，2…k；如果满足D(βi，Zk(I))＝min{D(βi，Zi(I))}，则βi∈第j类；其中,βi为第i个真实日样本β,m为真实日样本总数；
S33、进行误差平方和准则函数Jc计算，公式为：
Figure FDA0004043385130000011
其中：Jc为误差平方和准则函数，k为聚类总数，mj为第j类聚类结果中真实日样本数目，j为聚类数目；
Figure FDA0004043385130000012
为第j类聚类结果中各气象参数实际逐时变化系数；i＝1，2……mj；τ为发生时刻；Zj，τ为第j类聚类结果中各气象参数逐时类质心；
S34、收敛判断：如果‖Jc(I)-Jc(I-1)‖＜ε，则表示算法结束，否则I＝I+1，重新计算k个新的聚类中心，并返回S32；类质心计算公式如下：
Figure FDA0004043385130000013
S4、选择聚类中权重占比最高的一类室外气象参数变化趋势，确定设计日各气象参数逐时变化系数。
2.根据权利要求1所述的基于K-Means聚类的设计日气象要素逐时变化特征提取方法，其特征在于，步骤S1中所述的逐时变化特征数学描述为：
Figure FDA0004043385130000014
其中：βs、βw分别表示夏季、冬季各气象参数逐时变化系数；X代表气象参数:夏季代表干球温度(db)、湿球温度(wb)和太阳辐射(s),冬季代表干球温度(db)和相对湿度
Figure FDA0004043385130000025
3.根据权利要求1所述的基于K-Means聚类的设计日气象要素逐时变化特征提取方法，其特征在于，步骤S2中极端月系数矩阵M的构造方法如下：
构建m×n的系数矩阵，该矩阵中m为极端月1月或7月真实日样本数目；n为气象参数数目，其中夏季包括干、湿球温度和太阳辐射3×24h的逐时变化系数，冬季包括干球温度和相对湿度2×24h的逐时变化系数，极端月系数矩阵M如下所示：
Figure FDA0004043385130000021
4.根据权利要求1所述的基于K-Means聚类的设计日气象要素逐时变化特征提取方法，其特征在于，步骤S4具体包括以下分步骤：
S41、基于加权等效的基本原理，根据步骤S33确定类质心；
S42、逐时计算各气象参数相对于类质心的标准差，并进行加权求和；
S43、选择δ最小的曲线，即为最典型的实际气象参数变化趋势线；计算式如下：
Figure FDA0004043385130000022
Figure FDA0004043385130000023
其中:δs,δw分别代表夏季、冬季实际观测气象参数逐时化系数相对于类质心的标准差；mj为第j类聚类结果中真实日样本数目，j为聚类数目；ω表示各气象参数权重系数；
Figure FDA0004043385130000024
为第j类聚类结果中各气象参数实际逐时变化系数，i＝1，2……mj；τ为发生时刻；Zj，τ为第j类聚类结果中各气象参数逐时类质心。
5.根据权利要求4所述的基于K-Means聚类的设计日气象要素逐时变化特征提取方法，其特征在于，步骤S43中的各气象参数权重系数的确定方法参考Typical MeteorologicalYear Data(TMY2)权重选取，分别采用相对湿度和太阳辐射表征冬、夏季空气湿度；经整理后的冬夏季空调室外计算参数权重分别为：夏季干球温度2/9、湿球温度2/9、太阳辐射照度5/9；冬季干球温度1/2、相对湿度1/2。
CN201910396116.4A 2019-05-14 2019-05-14 基于K-Means聚类的设计日气象要素逐时变化特征提取方法 Active CN110210525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910396116.4A CN110210525B (zh) 2019-05-14 2019-05-14 基于K-Means聚类的设计日气象要素逐时变化特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910396116.4A CN110210525B (zh) 2019-05-14 2019-05-14 基于K-Means聚类的设计日气象要素逐时变化特征提取方法

Publications (2)

Publication Number Publication Date
CN110210525A CN110210525A (zh) 2019-09-06
CN110210525B true CN110210525B (zh) 2023-07-04

Family

ID=67785817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910396116.4A Active CN110210525B (zh) 2019-05-14 2019-05-14 基于K-Means聚类的设计日气象要素逐时变化特征提取方法

Country Status (1)

Country Link
CN (1) CN110210525B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898191B (zh) * 2020-08-03 2024-02-06 西安建筑科技大学 一种建筑遮阳设计室外计算参数确定方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107766298A (zh) * 2017-10-10 2018-03-06 河海大学 一种生成全年逐日太阳辐射和风速数据的方法
CN107991721A (zh) * 2017-11-21 2018-05-04 上海电力学院 一种基于天文和气象环境因子的逐时散射比预测方法
CN109086928A (zh) * 2018-07-27 2018-12-25 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN109447107A (zh) * 2018-09-14 2019-03-08 华南理工大学 基于信息熵的办公建筑空调日用能模式异常在线检测方法
CN109670670A (zh) * 2018-11-13 2019-04-23 上海电器科学研究所（集团）有限公司 一种划分季节属性的电力负荷拆分方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100830095B1 (ko) * 2007-11-12 2008-05-20 충남대학교산학협력단 냉방부하 예측방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107766298A (zh) * 2017-10-10 2018-03-06 河海大学 一种生成全年逐日太阳辐射和风速数据的方法
CN107991721A (zh) * 2017-11-21 2018-05-04 上海电力学院 一种基于天文和气象环境因子的逐时散射比预测方法
CN109086928A (zh) * 2018-07-27 2018-12-25 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN109447107A (zh) * 2018-09-14 2019-03-08 华南理工大学 基于信息熵的办公建筑空调日用能模式异常在线检测方法
CN109670670A (zh) * 2018-11-13 2019-04-23 上海电器科学研究所（集团）有限公司 一种划分季节属性的电力负荷拆分方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"AN EVALUATION OF THERMAL COMFORT CONDITIONS IN AN URBAN ENTERTAINMENT CENTRE IN HOT-DRY CLIMATE OF NIGERIA ";Malgwi Mohammed Esther等;《International Journal of Energy and Environmental Research》;20140331;第2卷(第1期);第55-74页 *
"关于夏季空气调节室外空气计算参数的讨论";赵康等;《暖通空调》;20111231;第41卷(第1期);第9-13页 *
夏季空调室外计算逐时温度生成方法研究;崔莹等;《暖通空调》;20170315(第03期);第16-22页 *
夏热冬暖地区墙体内外保温方式对隔热性能的影响研究;胡达明等;《暖通空调》;20131015;第288-290页 *

Also Published As

Publication number Publication date
CN110210525A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
Kalamees et al. Estonian test reference year for energy calculations
CN107730031B (zh) 一种超短期高峰负荷预测方法及其系统
CN112926795B (zh) 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统
Mazzaferro et al. Do we need building performance data to propose a climatic zoning for building energy efficiency regulations?
CN110264002B (zh) 基于聚类分析的风电场微观选址方案评价方法
CN110781458B (zh) 一种基于混合回归模型预测地表太阳辐照度的方法
CN104778365B (zh) 一种绿色建筑群室外风环境质量的综合指数评价方法
CN110674864B (zh) 一种含同步相量量测装置的风电异常数据辨识方法
CN109242174A (zh) 一种基于决策树的季节性负荷自适应划分方法
CN111310257A (zh) 一种bim环境下的区域建筑能耗预测方法
CN110210525B (zh) 基于K-Means聚类的设计日气象要素逐时变化特征提取方法
CN106570729A (zh) 基于空调可靠性影响因素的区域聚类方法
Lam et al. An analysis of climatic influences on chiller plant electricity consumption
Bhatnagar et al. Climate zone classification of India using new base temperature
CN111159802A (zh) 轻型屋盖雪荷载设计值的分析计算方法
Qi et al. Regional similarity of shape coefficient of rural residences—Taking Hangzhou rural region as a case
CN113378357A (zh) 基于气候适应性的自然通风参数化设计与动态分析方法
CN116976622A (zh) 基于边跨境季节-产业的负荷耦合协调修正方法及系统
CN117200223A (zh) 日前电力负荷预测方法和装置
CN113065190A (zh) 一种基于不确定性的居住建筑供热量计算方法
Bhatnagar et al. Development of a method for selection of representative city in a climate zone
CN110188964A (zh) 一种基于相关性的光伏出力预测方法
CN109961181A (zh) 用于建筑能源逐时负荷预测的方法及系统
CN115660338A (zh) 一种西南边跨境区域的典型建筑冷热电负荷模型构建方法
Brøgger et al. Quantifying Uncertainties in an Archetype-Based Building Stock Energy Model by Use of Individual Building Models

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