CN110610275A - 一种基于acqpso-elm的变风量空调负荷预测方法及系统 - Google Patents
一种基于acqpso-elm的变风量空调负荷预测方法及系统 Download PDFInfo
- Publication number
- CN110610275A CN110610275A CN201910883706.XA CN201910883706A CN110610275A CN 110610275 A CN110610275 A CN 110610275A CN 201910883706 A CN201910883706 A CN 201910883706A CN 110610275 A CN110610275 A CN 110610275A
- Authority
- CN
- China
- Prior art keywords
- elm
- acqpso
- air conditioner
- model
- sample data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005265 energy consumption Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000004378 air conditioning Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于ACQPSO‑ELM的变风量空调负荷预测方法及系统,首先对空调能耗样本数据进行归一化处理;然后建立ELM模型并利用ACQPSO算法优化ELM的隐含层节点个数,利用归一化后的样本数据训练优化后的ELM模型;然后采用优化后的ELM模型对新的样本数据进行预测;最后对预测的结果进行反归一化处理,得到最终的空调负荷预测结果。本发明可有效的应用于空调负荷预测,具有良好的预测精度和鲁棒性能。
Description
技术领域
本发明涉及空调负荷预测领域,特别是一种基于ACQPSO-ELM的变风量空调负荷预测方法及系统。
背景技术
建筑能耗在我国能源消耗中的比重日益增大,而在建筑能耗中,空调能耗占有了一部分比例,建筑的空调节能已经迫在眉睫。建筑的空调负荷的准确预测不仅是实现建筑能耗分析和节能评估的前提条件,也是进行建筑空调节能优化设计的重要依据之一。
建筑的空调能耗系统作为一个典型的具有多变量、强耦合和不确定特性的复杂动态系统,建立其精确的预测模型仍然面临很大的困难。一方面,由于建筑室内人员变动或设备启停等情况的存在,使得用于建模的能耗数据样本中不可避免包含异常值,这势必影响模型预测结果的可靠性。另一方面,由于空调能耗和环境温度、气象条件、建筑围护结构以及建筑节能参数等多种影响因素之间存在着复杂的非线性关系,而且各因素之间存在很强的相关性,在建模过程中会降低建模精度,增加计算复杂度。
发明内容
有鉴于此,本发明的目的是提出一种基于ACQPSO-ELM的变风量空调负荷预测方法及系统,可有效的应用于空调负荷预测,具有良好的预测精度和鲁棒性能。
本发明采用以下方案实现:一种基于ACQPSO-ELM的变风量空调负荷预测方法,具体包括以下步骤:
对空调能耗样本数据进行归一化处理;
建立ELM模型并利用ACQPSO算法优化ELM的隐含层节点个数,利用归一化后的样本数据训练优化后的ELM模型;
采用优化后的ELM模型对新的样本数据进行预测;
对预测的结果进行反归一化处理,得到最终的空调负荷预测结果。
进一步地,所述空调能耗样本数据xt包括五个输入变量:
xt=[ct,ch,ort,yt-1,yt-2];
式中,ct为t时刻室外干球温度,ch为时间的余弦函数,ort为t时刻的开房数;yt-1为前一小时的空调能耗;yt-2前两小时的空调能耗。
进一步地,所述建立ELM模型并利用ACQPSO算法优化ELM的隐含层节点个数,利用归一化后的样本数据训练优化后的ELM模型具体为:
步骤S11:建立ELM模型,令ELM模型的输入为t时刻室外干球温度ct、时间余弦函数、t时刻开房数、前一个小时的空调能耗yt-1以及前两个小时的空调能耗yt-2,令ELM模型的输出为t时刻的空调负荷预测值yt *
构造ACQPSO算法的适应度函数,即确定优化目标函数:
式中,yi为第i个归一化空调负荷实际值,yi *为第i个通过ELM模型预测的归一化空调负荷预测值,设定约束条件:h∈hmin,hmax),h为ELM的隐含层节点个数,hmin与hmax分别为设置的隐含层节点个数阈值;
步骤S12:初始化云自适应量子粒子群优化算法ACQPSO;
步骤S13:运行云自适应量子粒子群优化算法ACQPSO;
步骤S14:通过ACQPSO算法优化ELM模型的隐含层节点数h;
步骤S15:采用归一化后的样本数据训练ELM模型并对比模型训练结果;
步骤S16:当满足目标函数或者达到迭代次数时输出隐含层节点数h的最优值,否则返回步骤S13。
本发明还提供了一种基于ACQPSO-ELM的变风量空调负荷预测系统,包括存储器、处理器以及存在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器在执行所述计算机程序时,实现如上文所述方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述方法的步骤。
与现有技术相比,本发明有以下有益效果:本发明的方法训练集拟合效果明显优于传统算法,提高了训练集数据点的利用率,有利于提高模型预测精度,并且利用ACQPSO-ELM算法优化了ELM算法中隐含层节点数,避免了主观经验选取隐含层节点数的盲目性,在此基础上建立的变风量空调负荷预测模型比起ELM预测模型,具有更强的学习能力,并且减小了建模结果的随机性,提高了建模精度和可靠性。
附图说明
图1为本发明实施例的方法示意图。
图2为本发明实施例的三种模型训练结果对比图。
图3为本发明实施例的VAV空调负荷预测结果对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于ACQPSO-ELM的变风量空调负荷预测方法,具体包括以下步骤:
对空调能耗样本数据进行归一化处理;
建立ELM模型并利用ACQPSO算法优化ELM的隐含层节点个数,利用归一化后的样本数据训练优化后的ELM模型;
采用优化后的ELM模型对新的样本数据进行预测;
对预测的结果进行反归一化处理,得到最终的空调负荷预测结果。
一般而言,对变风量空调负荷影响最大的是室外温度和相对湿度,考虑到实验地相对湿度对空调负荷的影响不大,因此在选择天气因素中,本实施例只考虑室外温度的影响。此外,由于变风量空调的特性,建筑物中空调负荷与房间开放数密切相关,所以将开房数目也作为输入参数。则根据与变风量空调负荷的相关度,本实施例将所述空调能耗样本数据xt包括五个输入变量:
xt=[ct,ch,ort,yt-1,yt-2];
式中,ct为t时刻室外干球温度,ch为时间的余弦函数,ort为t时刻的开房数;yt-1为前一小时的空调能耗;yt-2前两小时的空调能耗。而模型的输出参数为对应时刻的空调负荷yt。
较佳的,样本数据归一化处理。为了规避出现计算饱和现象以及减少变量差异较大对模型性能的影响,充分发挥预测模型的功能,提高其预测精度,需对训练样本数根据下式进行归一化处理:
式中,T为目标数据;Tmax为目标数据的最大值;Tmin目标数据的最小值;Xmax为样本数据中最大值;Xmin样本数据中最小值;X为原始样本数据。
在本实施例中,所述建立ELM模型并利用ACQPSO算法优化ELM的隐含层节点个数,利用归一化后的样本数据训练优化后的ELM模型具体为:
步骤S11:建立ELM模型,令ELM模型的输入为t时刻室外干球温度ct、时间余弦函数、t时刻开房数、前一个小时的空调能耗yt-1以及前两个小时的空调能耗yt-2,令ELM模型的输出为t时刻的空调负荷预测值yt *
构造ACQPSO算法的适应度函数,即确定优化目标函数:
式中,yi为第i个归一化空调负荷实际值,yi *为第i个通过ELM模型预测的归一化空调负荷预测值,设定约束条件:h∈(hmin,hmax),h为ELM的隐含层节点个数,hmin与hmax分别为设置的隐含层节点个数阈值;
步骤S12:初始化云自适应量子粒子群优化算法ACQPSO;
步骤S13:运行云自适应量子粒子群优化算法ACQPSO;
步骤S14:通过ACQPSO算法优化ELM模型的隐含层节点数h;
步骤S15:采用归一化后的样本数据训练ELM模型并对比模型训练结果;
步骤S16:当满足目标函数或者达到迭代次数时输出隐含层节点数h的最优值,否则返回步骤S13。
较佳的,在本实施例中,对模型归一化空调负荷预测结果yi *根据下式进行反归一化处理:
本实施例还提供了一种基于ACQPSO-ELM的变风量空调负荷预测系统,包括存储器、处理器以及存在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器在执行所述计算机程序时,实现如上文所述方法的步骤。
本实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述方法的步骤。
特别的,为了更一步验证本实施例所建立的ACQPSO-ELM空调负荷预测模型,选取东南沿海地区的某高校图书馆进行实例分析。该图书馆呈正方形,主楼地上为五层,馆舍总建筑面积39452平方米,拥有八个大阅览室和两个大报告厅,四层书库以及辅助书库和办公室若干,并有4936个阅览座位。空调每天运行时间从8:00至22:00,共计十四个小时。
首先构造样本集。通过该高校建立的节约型校园能耗监测平台获得该高校图书馆的空调负荷样本。该节约型校园能耗监测平台由计量装置、数据采集传输终端、数据中心组成,完成对各大楼内暖通空调系统、插座系统、照明系统和特殊用电等的分项计量。本实施例的原始建筑空调负荷数据是从该能耗监测平台获取,选取了2019年5月23日至7月4日逐时空调系统冷负荷共515组数据,其中298组作为训练样本,217组作为测试样本。
由于极限学习机的学习性能和泛化性能受到隐含层节点数h的重要影响,为避免主观经验选取的盲目性,本实施例采用ACQPSO算法对ELM的参数进行寻优,其中参数h∈(2,50),种群个数取40,迭代次数取350,优化后的参数为h=26,满足预测模型对精度和稳定性的要求。
为了更加直观地分析模型的预测结果,除了建立基于ACQPSO-ELM变风量空调负荷预测模型,还同时建立了传统的BP-ANN模型和ELM模型对变风量空调负荷进行预测,将变风量空调负荷训练样本分别带入BP-ANN模型、ELM模型和ACQPSO-ELM模型,可得三种预测模型训练拟合结果对比图如图2所示;再基于三种模型训练结果,将变风量空调负荷预测样本输入三种预测模型,可得三种模型预测结果如图3所示。
从图2可以看出,这三种模型的预测结果大致都能反映变风量空调负荷的变化趋势,这体现了基于神经网络理论的BP神经网络和极限学习机对于非线性系统建模的可行性。但从2和图3能够看出,BP-ANN的训练精度虽然较高,但用于空调负荷预测时,模型的跟踪效果不佳,并且与本实施例的ACQPSO-ELM模型相比而言,BP-ANN和ELM模型中有个别样本点的预测值偏差较大,为了进一步从整体上评价上述三种预测模型的预测精度与抗干扰能力,本实施例采用三个性能指标对三个预测模型的性能进行了评估,分别是平均绝对误差(MAE),均方根误差(RMSE)以及平均相对误差(MRE),性能指标定义如下式:
式中,N为样本数量,yi为实际值,yi *为预测值,四个性能指标计算结果如下表所示。
从上表的性能指标计算结果可以看出,本实施例提出的ACQPSO-ELM模型预测的平均绝对误差(MAE),均方根误差(RMSE)和平均相对误差(MRE)与传统的BP-ANN变风量空调负荷预测模型预测结果相比,分别降低了46.61%,46.65%和36.62%;比起ELM变风量空调负荷预测模型预测结果,分别降低了35.16%,35.18%和23.15%;从三种模型的四个性能指标计算结果分析可知,本实施例提出的ACQPSO-ELM模型的三个性能指标均比其余两个模型明显下降,表明了本实施例方法有效地提高了模型抗干扰能力,消除了预测的随机性,缩小了预测值的偏差,大大改善了预测的可靠性。综上所述,本实施例基于ACQPSO-ELM变风量空调负荷模型具有更高的预测精度和预测稳定性,泛化性能也得到了显著提高,更适合应用于变风量空调负荷预测之中。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种基于ACQPSO-ELM的变风量空调负荷预测方法,其特征在于,包括以下步骤:
对空调能耗样本数据进行归一化处理;
建立ELM模型并利用ACQPSO算法优化ELM的隐含层节点个数,利用归一化后的样本数据训练优化后的ELM模型;
采用优化后的ELM模型对新的样本数据进行预测;
对预测的结果进行反归一化处理,得到最终的空调负荷预测结果。
2.根据权利要求1所述的一种基于ACQPSO-ELM的变风量空调负荷预测方法,其特征在于,所述空调能耗样本数据xt包括五个输入变量:
xt=[ct,ch,ort,yt-1,yt-2];
式中,ct为t时刻室外干球温度,ch为时间的余弦函数,ort为t时刻的开房数;yt-1为前一小时的空调能耗;yt-2前两小时的空调能耗。
3.根据权利要求1所述的一种基于ACQPSO-ELM的变风量空调负荷预测方法,其特征在于,所述建立ELM模型并利用ACQPSO算法优化ELM的隐含层节点个数,利用归一化后的样本数据训练优化后的ELM模型具体为:
步骤S11:建立ELM模型,令ELM模型的输入为t时刻室外干球温度ct、时间余弦函数、t时刻开房数、前一个小时的空调能耗yt-1以及前两个小时的空调能耗yt-2,令ELM模型的输出为t时刻的空调负荷预测值yt *
构造ACQPSO算法的适应度函数,即确定优化目标函数:
式中,yi为第i个归一化空调负荷实际值,yi *为第i个通过ELM模型预测的归一化空调负荷预测值,设定约束条件:h∈(hmin,hmax),h为ELM的隐含层节点个数,hmin与hmax分别为设置的隐含层节点个数阈值;
步骤S12:初始化云自适应量子粒子群优化算法ACQPSO;
步骤S13:运行云自适应量子粒子群优化算法ACQPSO;
步骤S14:通过ACQPSO算法优化ELM模型的隐含层节点数h;
步骤S15:采用归一化后的样本数据训练ELM模型并对比模型训练结果;
步骤S16:当满足目标函数或者达到迭代次数时输出隐含层节点数h的最优值,否则返回步骤S13。
4.一种基于ACQPSO-ELM的变风量空调负荷预测系统,包括存储器、处理器以及存在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器在执行所述计算机程序时,实现如权利要求1-3任一项所述方法的步骤。
5.一种计算机可读存储介质,所述计算机可读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1-3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883706.XA CN110610275B (zh) | 2019-09-18 | 2019-09-18 | 一种基于acqpso-elm的变风量空调负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883706.XA CN110610275B (zh) | 2019-09-18 | 2019-09-18 | 一种基于acqpso-elm的变风量空调负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610275A true CN110610275A (zh) | 2019-12-24 |
CN110610275B CN110610275B (zh) | 2022-05-13 |
Family
ID=68891740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910883706.XA Active CN110610275B (zh) | 2019-09-18 | 2019-09-18 | 一种基于acqpso-elm的变风量空调负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610275B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111649457A (zh) * | 2020-05-13 | 2020-09-11 | 中国科学院广州能源研究所 | 一种动态预测性机器学习型空调节能控制方法 |
CN111722174A (zh) * | 2020-05-31 | 2020-09-29 | 宁夏隆基宁光仪表股份有限公司 | 一种应用量子粒子群算法实现电能表异常诊断系统及方法 |
CN113254857A (zh) * | 2021-04-27 | 2021-08-13 | 安徽理工大学 | 一种基于ssa-elm的短期电力负荷预测方法 |
CN113268913A (zh) * | 2021-06-24 | 2021-08-17 | 广州鼎泰智慧能源科技有限公司 | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 |
CN114065646A (zh) * | 2021-11-25 | 2022-02-18 | 无锡同方人工环境有限公司 | 基于混合优化算法的能耗预测方法、云计算平台及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256958A1 (en) * | 2007-11-12 | 2010-10-07 | The Industry & Academic Cooperation In Chungnam National University | Method for predicting cooling load |
CN109740787A (zh) * | 2018-11-20 | 2019-05-10 | 第四范式(北京)技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
-
2019
- 2019-09-18 CN CN201910883706.XA patent/CN110610275B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256958A1 (en) * | 2007-11-12 | 2010-10-07 | The Industry & Academic Cooperation In Chungnam National University | Method for predicting cooling load |
CN109740787A (zh) * | 2018-11-20 | 2019-05-10 | 第四范式(北京)技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
Non-Patent Citations (1)
Title |
---|
赵超,王斌,王延峰: "基于ACQPSO-ELM 的变风量空调负荷预测", 《第30届中国过程控制会议摘要集 会议论文集》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111649457A (zh) * | 2020-05-13 | 2020-09-11 | 中国科学院广州能源研究所 | 一种动态预测性机器学习型空调节能控制方法 |
CN111722174A (zh) * | 2020-05-31 | 2020-09-29 | 宁夏隆基宁光仪表股份有限公司 | 一种应用量子粒子群算法实现电能表异常诊断系统及方法 |
CN113254857A (zh) * | 2021-04-27 | 2021-08-13 | 安徽理工大学 | 一种基于ssa-elm的短期电力负荷预测方法 |
CN113268913A (zh) * | 2021-06-24 | 2021-08-17 | 广州鼎泰智慧能源科技有限公司 | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 |
CN114065646A (zh) * | 2021-11-25 | 2022-02-18 | 无锡同方人工环境有限公司 | 基于混合优化算法的能耗预测方法、云计算平台及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110610275B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610275B (zh) | 一种基于acqpso-elm的变风量空调负荷预测方法及系统 | |
Zhang et al. | A systematic feature selection procedure for short-term data-driven building energy forecasting model development | |
CN110285532B (zh) | 基于人工智能的机房空调控制方法、装置及系统 | |
Li et al. | Developing a whole building cooling energy forecasting model for on-line operation optimization using proactive system identification | |
Nassif | Modeling and optimization of HVAC systems using artificial neural network and genetic algorithm | |
US10544951B2 (en) | Optimized precooling of structures | |
CN111365828A (zh) | 结合机器学习实现数据中心节能温控的模型预测控制方法 | |
CN112434787B (zh) | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 | |
Delcroix et al. | Autoregressive neural networks with exogenous variables for indoor temperature prediction in buildings | |
KR102170522B1 (ko) | 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템 | |
Paul et al. | IoT and machine learning based prediction of smart building indoor temperature | |
CN117421618B (zh) | 一种建筑能耗监测方法及系统 | |
Vanus et al. | New method for accurate prediction of CO2 in the Smart Home | |
Li et al. | A generic approach to calibrate building energy models under uncertainty using bayesian inference | |
JP2023510530A (ja) | ビル設備エネルギー管理制御システム及びその制御方法 | |
CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
CN110873446B (zh) | 控制空调的方法及装置、存储介质、处理器 | |
CN111288610A (zh) | 一种变风量空调系统变静压自适应模糊控制方法 | |
Abdo-Allah et al. | Modeling, analysis, and state feedback control design of a multizone HVAC system | |
US20150127164A1 (en) | Performance management system, method and non-transitory computer readable storage medium thereof | |
Peng et al. | Energy consumption optimization for heating, ventilation and air conditioning systems based on deep reinforcement learning | |
CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN114909707A (zh) | 一种基于智能平衡装置和强化学习的供热二级网调控方法 | |
Song et al. | Model predictive control applied toward the building indoor climate | |
CN110781538A (zh) | 基于实地监测的开窗仿真算法 |
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 |