CN111062536A - 基于大数据的中央空调负荷预测系统及方法 - Google Patents

基于大数据的中央空调负荷预测系统及方法 Download PDF

Info

Publication number
CN111062536A
CN111062536A CN201911298025.3A CN201911298025A CN111062536A CN 111062536 A CN111062536 A CN 111062536A CN 201911298025 A CN201911298025 A CN 201911298025A CN 111062536 A CN111062536 A CN 111062536A
Authority
CN
China
Prior art keywords
day
passenger flow
value
central air
predicted
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
CN201911298025.3A
Other languages
English (en)
Other versions
CN111062536B (zh
Inventor
朱玲
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.)
SHANGHAI YUANKONG AUTOMATION TECHNOLOGY CO LTD
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201911298025.3A priority Critical patent/CN111062536B/zh
Priority to CN202110091454.4A priority patent/CN112833517B/zh
Publication of CN111062536A publication Critical patent/CN111062536A/zh
Application granted granted Critical
Publication of CN111062536B publication Critical patent/CN111062536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/88—Electrical aspects, e.g. circuits
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • F24F2120/14—Activity of occupants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于大数据的中央空调负荷预测系统及方法，所述预测系统包括预测日输入模块、客流量预测模块和负荷预测模块，所述客流量预测模块用于预测预测日所在那天的客流量，所述负荷预测模块根据客流量预测模块的预测结果预测预测日那天的中央空调负荷量，所述客流量预测模块包括历史客流量信息获取模块和客流量信息计算模块，所述历史客流量信息获取模块包括上一年预测日客流量获取模块、预测日前客流量获取模块和营销活动客流量获取模块，所述预测日客流量获取模块用于获取上一年预测日的预约客流量值和非预约客流量值。

Description

基于大数据的中央空调负荷预测系统及方法
技术领域
本发明涉及大数据领域，具体是一种基于大数据的中央空调负荷预测系统及方法。
背景技术
为了提高用户的用餐体验，餐厅会将中央空调一直处于开启状态，但是中央空调的能耗较大，如果长时间一直将中央空调处于高负荷状态，不仅会缩短中央空调的使用寿命，而且会导致餐厅的成本增加，还很有可能导致能源的浪费。因此，申请人提出一种根据餐厅的客流量预测中央空调负荷预测系统。
发明内容
本发明的目的在于提供一种基于大数据的中央空调负荷预测系统及方法，以解决现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于大数据的中央空调负荷预测系统，所述预测系统包括预测日输入模块、客流量预测模块和负荷预测模块，所述客流量预测模块用于预测预测日所在那天的客流量，所述负荷预测模块根据客流量预测模块的预测结果预测预测日那天的中央空调负荷量。
作为优选方案，所述客流量预测模块包括历史客流量信息获取模块和客流量信息计算模块，所述历史客流量信息获取模块包括上一年预测日客流量获取模块、预测日前客流量获取模块和营销活动客流量获取模块，所述预测日客流量获取模块用于获取上一年预测日的预约客流量值和非预约客流量值，所述预测日前客流量获取模块用于获取预测日前n天的非预约客流量值并获取上一年预测日前n天的非预约客流量值，所述营销活动客流量获取模块用于获取距离预测日最近一次的营销活动日的非预约客流量值以及该营销活动前一天的非预约客流量值，所述客流量信息计算模块包括平均增长率计算模块、营销增长率计算模块和预测日客流量值计算模块，所述平均增长率计算模块根据预测日前n天的非预约客流量值并获取上一年预测日前n天的非预约客流量值，计算预测时间段前n天中每天的平均同比增长率，所述营销增长率计算模块根据距离预测日最近一次的营销活动日的非预约客流量值以及该营销活动前一天的非预约客流量值计算营销增长率，所述预测日客流量值计算模块包括预测日的预约客流量值获取模块、预测日的非预约客流量值计算模块和客流量综合计算模块，所述预测日的预约客流量值获取模块用于获取预测日的预约客流量值，所述预测日的非预约客流量值计算模块根据平均同比增长率、营销增长率和上一年预测日的非预约客流量值计算预测日的非预约客流量值，所述客流量综合计算模块用于计算预测日的预约客流量值与预测日的非预约客流量值之和。
作为优选方案，所述负荷预测模块包括预测日客流量判断模块、基值获取模块和中央空调负荷量计算模块，所述预测日客流量判断模块用于判断预测日的客流量值与客流量阈值之间的关系，当预测日的客流量值小于等于客流量阈值时，直接将从基值获取模块获取的基值作为中央空调负荷量，当预测日的客流量值大于客流量阈值时，中央空调负荷量计算模块计算中央空调负荷量，所述中央空调负荷量计算模块包括候选日选取模块、负荷量加权计算模块、参考日选取模块和预测计算模块，所述候选日选取模块用于选取预测日前n天中与预测日的天气气象数据相近的日子作为候选日，所述负荷量加权计算模块用于计算候选日的中央空调负荷量的加权之和，所述参考日选取模块用于从预测日前n天中选取中央空调负荷量与候选日的中央空调负荷量的加权之和最近的日子作为参考天，将参考天的中央空调负荷量作为中央空调参考负荷量，将参考天的客流量作为客流量参考值，所述预测计算模块根据中央空调参考负荷量、客流量参考值和预测日的客流量值计算预测日的中央空调负荷量。
一种基于大数据的中央空调负荷预测方法，所述预测方法包括以下：
步骤S1：选取预测日并预测餐厅在该预测日的客流量值；
步骤S2：根据预测日的客流量值预测中央空调的负荷。
作为优选方案，所述选取预测日并预测餐厅在该预测日的客流量值包括以下：
获取上一年预测日的客流量信息，所述客流量信息包括预约客流量值和非预约客流量值；
获取预测日前n天的非预约客流量值并获取上一年预测日前n天的非预约客流量值，计算预测时间段前n天中每天的平均同比增长率，则平均同比增长率
Figure 65762DEST_PATH_IMAGE001
，
其中，Pa表示预测时间段第前a天的非预约客流量值，Qa表示上一年同一时间段第前a天的非预约客流量值，
则预测日的非预约客流量值Pb=Qb(1+X),其中，Qb表示上一年预测日的非预约客流量值；
判断在预测日是否开展营销活动，若开展营销活动，则获取距离预测日最近一次的营销活动日的非预约客流量值以及该营销活动前一天的非预约客流量值，计算营销增长率为
Figure 107536DEST_PATH_IMAGE002
，非预约客流量值的Pb’=Pb (1+Y)；
则预测日的客流量值为Ob=Pb’+T，其中T为预测日的预约客流量值。
作为优选方案，所述根据预测日的客流量值预测中央空调的负荷包括以下：
当预测日的客流量值Ob小于等于客流量阈值O时，中央空调负荷量为基值M，
当预测日的客流量值Ob大于客流量阈值O时，中央空调负荷量为M0=ObMs/Os,其中，Ms为中央空调参考负荷量，Os为客流量参考值。
作为优选方案，所述根据预测日的客流量值预测中央空调的负荷进一步包括以下：
从预测日前n天中选取z天，计算这z天的中央空调负荷量的加权之和，所述加权的权值为该天的客流量值占预测日前n天总的客流量值的百分比；
将z天的中央空调负荷量的加权之和与预测日前n天的中央空调负荷量进行比较，选取预测日前n天的中央空调负荷最接近z天的中央空调负荷量的加权之和的那天作为参考天，参考天的中央空调负荷量作为中央空调参考负荷量，参考天的客流量作为客流量参考值。
作为优选方案，所述从预测日前n天中选取z天包括：
获取预测日的天气预报，
获取预测日的天气类型，所述天气类型包括晴天、阴天和雨天；
当预测日的天气类型为晴天时，筛选出预测日前n天中天气类型为晴天的日子作为候选日，并获取候选日每天的最高温度，将候选日的最高温度与预测日的最高温度进行对比，若候选日的最高温度与预测日的最高温度相差小于百分之五，则将该候选日的中央空调负荷量用于计算中央空调参考负荷量；
当预测日的天气类型为阴天或雨天时，筛选出预测日前n天中天气类型为阴天或雨天作为候选日，并获取这些候选日当天的最低温度和平均湿度，分别将候选日的最低温度与预测日的最低温度、候选日的平均湿度与预测日的平均湿度进行对比，若将候选日的最低温度与预测日的最低温度相差小于百分之五且候选日的平均湿度与预测日的平均湿度相差小于百分之二，则将该候选日的中央空调负荷量用于计算中央空调参考负荷量。
与现有技术相比，本发明的有益效果是：本发明根据预测日的预约客流量值计算预测日的中央空调的负荷，根据预测出的中央空调的负荷来控制实际中央空调的负荷，不仅能够降低餐厅的成本，而且能够节约能源。
附图说明
图1为本发明一种基于大数据的中央空调负荷预测系统的模块示意图；
图2为本发明一种基于大数据的中央空调负荷预测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，本发明实施例中，一种基于大数据的中央空调负荷预测系统，所述预测系统包括预测日输入模块、客流量预测模块和负荷预测模块，所述客流量预测模块用于预测预测日所在那天的客流量，所述负荷预测模块根据客流量预测模块的预测结果预测预测日那天的中央空调负荷量。
所述客流量预测模块包括历史客流量信息获取模块和客流量信息计算模块，所述历史客流量信息获取模块包括上一年预测日客流量获取模块、预测日前客流量获取模块和营销活动客流量获取模块，所述预测日客流量获取模块用于获取上一年预测日的预约客流量值和非预约客流量值，所述预测日前客流量获取模块用于获取预测日前n天的非预约客流量值并获取上一年预测日前n天的非预约客流量值，所述营销活动客流量获取模块用于获取距离预测日最近一次的营销活动日的非预约客流量值以及该营销活动前一天的非预约客流量值，所述客流量信息计算模块包括平均增长率计算模块、营销增长率计算模块和预测日客流量值计算模块，所述平均增长率计算模块根据预测日前n天的非预约客流量值并获取上一年预测日前n天的非预约客流量值，计算预测时间段前n天中每天的平均同比增长率，所述营销增长率计算模块根据距离预测日最近一次的营销活动日的非预约客流量值以及该营销活动前一天的非预约客流量值计算营销增长率，所述预测日客流量值计算模块包括预测日的预约客流量值获取模块、预测日的非预约客流量值计算模块和客流量综合计算模块，所述预测日的预约客流量值获取模块用于获取预测日的预约客流量值，所述预测日的非预约客流量值计算模块根据平均同比增长率、营销增长率和上一年预测日的非预约客流量值计算预测日的非预约客流量值，所述客流量综合计算模块用于计算预测日的预约客流量值与预测日的非预约客流量值之和。
所述负荷预测模块包括预测日客流量判断模块、基值获取模块和中央空调负荷量计算模块，所述预测日客流量判断模块用于判断预测日的客流量值与客流量阈值之间的关系，当预测日的客流量值小于等于客流量阈值时，直接将从基值获取模块获取的基值作为中央空调负荷量，当预测日的客流量值大于客流量阈值时，中央空调负荷量计算模块计算中央空调负荷量，所述中央空调负荷量计算模块包括候选日选取模块、负荷量加权计算模块、参考日选取模块和预测计算模块，所述候选日选取模块用于选取预测日前n天中与预测日的天气气象数据相近的日子作为候选日，所述负荷量加权计算模块用于计算候选日的中央空调负荷量的加权之和，所述参考日选取模块用于从预测日前n天中选取中央空调负荷量与候选日的中央空调负荷量的加权之和最近的日子作为参考天，将参考天的中央空调负荷量作为中央空调参考负荷量，将参考天的客流量作为客流量参考值，所述预测计算模块根据中央空调参考负荷量、客流量参考值和预测日的客流量值计算预测日的中央空调负荷量。
一种基于大数据的中央空调负荷预测方法，所述预测方法包括以下：
步骤S1：选取预测日并预测餐厅在该预测日的客流量值；
步骤S2：根据预测日的客流量值预测中央空调的负荷。
所述选取预测日并预测餐厅在该预测日的客流量值包括以下：
获取上一年预测日的客流量信息，所述客流量信息包括预约客流量值和非预约客流量值；
获取预测日前n天的非预约客流量值并获取上一年预测日前n天的非预约客流量值，计算预测时间段前n天中每天的平均同比增长率，则平均同比增长率
Figure 513372DEST_PATH_IMAGE001
，
其中，Pa表示预测时间段第前a天的非预约客流量值，Qa表示上一年同一时间段第前a天的非预约客流量值，
则预测日的非预约客流量值Pb=Qb(1+X),其中，Qb表示上一年预测日的非预约客流量值；
判断在预测日是否开展营销活动，若开展营销活动，则获取距离预测日最近一次的营销活动日的非预约客流量值以及该营销活动前一天的非预约客流量值，计算营销增长率为
Figure 174160DEST_PATH_IMAGE002
，非预约客流量值的Pb’=Pb (1+Y)；
则预测日的客流量值为Ob=Pb’+T，其中T为预测日的预约客流量值。
所述根据预测日的客流量值预测中央空调的负荷包括以下：
当预测日的客流量值Ob小于等于客流量阈值O时，中央空调负荷量为基值M，
当预测日的客流量值Ob大于客流量阈值O时，中央空调负荷量为M0=ObMs/Os,其中，Ms为中央空调参考负荷量，Os为客流量参考值。
所述根据预测日的客流量值预测中央空调的负荷进一步包括以下：
从预测日前n天中选取z天，计算这z天的中央空调负荷量的加权之和，所述加权的权值为该天的客流量值占预测日前n天总的客流量值的百分比；
将z天的中央空调负荷量的加权之和与预测日前n天的中央空调负荷量进行比较，选取预测日前n天的中央空调负荷最接近z天的中央空调负荷量的加权之和的那天作为参考天，参考天的中央空调负荷量作为中央空调参考负荷量，参考天的客流量作为客流量参考值。
所述从预测日前n天中选取z天包括：
获取预测日的天气预报，
获取预测日的天气类型，所述天气类型包括晴天、阴天和雨天；
当预测日的天气类型为晴天时，筛选出预测日前n天中天气类型为晴天的日子作为候选日，并获取候选日每天的最高温度，将候选日的最高温度与预测日的最高温度进行对比，若候选日的最高温度与预测日的最高温度相差小于百分之五，则将该候选日的中央空调负荷量用于计算中央空调参考负荷量；
当预测日的天气类型为阴天或雨天时，筛选出预测日前n天中天气类型为阴天或雨天作为候选日，并获取这些候选日当天的最低温度和平均湿度，分别将候选日的最低温度与预测日的最低温度、候选日的平均湿度与预测日的平均湿度进行对比，若将候选日的最低温度与预测日的最低温度相差小于百分之五且候选日的平均湿度与预测日的平均湿度相差小于百分之二，则将该候选日的中央空调负荷量用于计算中央空调参考负荷量。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

1.一种基于大数据的中央空调负荷预测系统，其特征在于：所述预测系统包括预测日输入模块、客流量预测模块和负荷预测模块，所述客流量预测模块用于预测预测日所在那天的客流量，所述负荷预测模块根据客流量预测模块的预测结果预测预测日那天的中央空调负荷量。
2.根据权利要求1所述的一种基于大数据的中央空调负荷预测系统，其特征在于：所述客流量预测模块包括历史客流量信息获取模块和客流量信息计算模块，所述历史客流量信息获取模块包括上一年预测日客流量获取模块、预测日前客流量获取模块和营销活动客流量获取模块，所述预测日客流量获取模块用于获取上一年预测日的预约客流量值和非预约客流量值，所述预测日前客流量获取模块用于获取预测日前n天的非预约客流量值并获取上一年预测日前n天的非预约客流量值，所述营销活动客流量获取模块用于获取距离预测日最近一次的营销活动日的非预约客流量值以及该营销活动前一天的非预约客流量值，所述客流量信息计算模块包括平均增长率计算模块、营销增长率计算模块和预测日客流量值计算模块，所述平均增长率计算模块根据预测日前n天的非预约客流量值并获取上一年预测日前n天的非预约客流量值，计算预测时间段前n天中每天的平均同比增长率，所述营销增长率计算模块根据距离预测日最近一次的营销活动日的非预约客流量值以及该营销活动前一天的非预约客流量值计算营销增长率，所述预测日客流量值计算模块包括预测日的预约客流量值获取模块、预测日的非预约客流量值计算模块和客流量综合计算模块，所述预测日的预约客流量值获取模块用于获取预测日的预约客流量值，所述预测日的非预约客流量值计算模块根据平均同比增长率、营销增长率和上一年预测日的非预约客流量值计算预测日的非预约客流量值，所述客流量综合计算模块用于计算预测日的预约客流量值与预测日的非预约客流量值之和。
3.根据权利要求2所述的一种基于大数据的中央空调负荷预测系统，其特征在于：所述负荷预测模块包括预测日客流量判断模块、基值获取模块和中央空调负荷量计算模块，所述预测日客流量判断模块用于判断预测日的客流量值与客流量阈值之间的关系，当预测日的客流量值小于等于客流量阈值时，直接将从基值获取模块获取的基值作为中央空调负荷量，当预测日的客流量值大于客流量阈值时，中央空调负荷量计算模块计算中央空调负荷量，所述中央空调负荷量计算模块包括候选日选取模块、负荷量加权计算模块、参考日选取模块和预测计算模块，所述候选日选取模块用于选取预测日前n天中与预测日的天气气象数据相近的日子作为候选日，所述负荷量加权计算模块用于计算候选日的中央空调负荷量的加权之和，所述参考日选取模块用于从预测日前n天中选取中央空调负荷量与候选日的中央空调负荷量的加权之和最近的日子作为参考天，将参考天的中央空调负荷量作为中央空调参考负荷量，将参考天的客流量作为客流量参考值，所述预测计算模块根据中央空调参考负荷量、客流量参考值和预测日的客流量值计算预测日的中央空调负荷量。
4.一种基于大数据的中央空调负荷预测方法，其特征在于：所述预测方法包括以下：
步骤S1：选取预测日并预测餐厅在该预测日的客流量值；
步骤S2：根据预测日的客流量值预测中央空调的负荷。
5.根据权利要求4所述的一种基于大数据的中央空调负荷预测方法，其特征在于：所述选取预测日并预测餐厅在该预测日的客流量值包括以下：
获取上一年预测日的客流量信息，所述客流量信息包括预约客流量值和非预约客流量值；
获取预测日前n天的非预约客流量值并获取上一年预测日前n天的非预约客流量值，计算预测时间段前n天中每天的平均同比增长率，则平均同比增长率
Figure DEST_PATH_IMAGE001
，
其中，Pa表示预测时间段第前a天的非预约客流量值，Qa表示上一年同一时间段第前a天的非预约客流量值，
则预测日的非预约客流量值Pb=Qb(1+X),其中，Qb表示上一年预测日的非预约客流量值；
判断在预测日是否开展营销活动，若开展营销活动，则获取距离预测日最近一次的营销活动日的非预约客流量值以及该营销活动前一天的非预约客流量值，计算营销增长率为
Figure DEST_PATH_IMAGE002
，非预约客流量值的Pb’=Pb(1+Y)；
则预测日的客流量值为Ob=Pb’+T，其中T为预测日的预约客流量值。
6.根据权利要求4所述的一种基于大数据的中央空调负荷预测方法，其特征在于：所述根据预测日的客流量值预测中央空调的负荷包括以下：
当预测日的客流量值Ob小于等于客流量阈值O时，中央空调负荷量为基值M，
当预测日的客流量值Ob大于客流量阈值O时，中央空调负荷量为M0=ObMs/Os,其中，Ms为中央空调参考负荷量，Os为客流量参考值。
7.根据权利要求6所述的一种基于大数据的中央空调负荷预测方法，其特征在于：所述根据预测日的客流量值预测中央空调的负荷进一步包括以下：
从预测日前n天中选取z天，计算这z天的中央空调负荷量的加权之和，所述加权的权值为该天的客流量值占预测日前n天总的客流量值的百分比；
将z天的中央空调负荷量的加权之和与预测日前n天的中央空调负荷量进行比较，选取预测日前n天的中央空调负荷最接近z天的中央空调负荷量的加权之和的那天作为参考天，参考天的中央空调负荷量作为中央空调参考负荷量，参考天的客流量作为客流量参考值。
8.根据权利要求7所述的一种基于大数据的中央空调负荷预测方法，其特征在于：所述从预测日前n天中选取z天包括：
获取预测日的天气预报，
获取预测日的天气类型，所述天气类型包括晴天、阴天和雨天；
当预测日的天气类型为晴天时，筛选出预测日前n天中天气类型为晴天的日子作为候选日，并获取候选日每天的最高温度，将候选日的最高温度与预测日的最高温度进行对比，若候选日的最高温度与预测日的最高温度相差小于百分之五，则将该候选日的中央空调负荷量用于计算中央空调参考负荷量；
当预测日的天气类型为阴天或雨天时，筛选出预测日前n天中天气类型为阴天或雨天作为候选日，并获取这些候选日当天的最低温度和平均湿度，分别将候选日的最低温度与预测日的最低温度、候选日的平均湿度与预测日的平均湿度进行对比，若将候选日的最低温度与预测日的最低温度相差小于百分之五且候选日的平均湿度与预测日的平均湿度相差小于百分之二，则将该候选日的中央空调负荷量用于计算中央空调参考负荷量。
CN201911298025.3A 2019-12-17 2019-12-17 基于大数据的中央空调负荷预测系统及方法 Active CN111062536B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911298025.3A CN111062536B (zh) 2019-12-17 2019-12-17 基于大数据的中央空调负荷预测系统及方法
CN202110091454.4A CN112833517B (zh) 2019-12-17 2019-12-17 一种基于大数据的中央空调负荷预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911298025.3A CN111062536B (zh) 2019-12-17 2019-12-17 基于大数据的中央空调负荷预测系统及方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110091454.4A Division CN112833517B (zh) 2019-12-17 2019-12-17 一种基于大数据的中央空调负荷预测系统

Publications (2)

Publication Number Publication Date
CN111062536A true CN111062536A (zh) 2020-04-24
CN111062536B CN111062536B (zh) 2021-02-19

Family

ID=70301377

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110091454.4A Active CN112833517B (zh) 2019-12-17 2019-12-17 一种基于大数据的中央空调负荷预测系统
CN201911298025.3A Active CN111062536B (zh) 2019-12-17 2019-12-17 基于大数据的中央空调负荷预测系统及方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202110091454.4A Active CN112833517B (zh) 2019-12-17 2019-12-17 一种基于大数据的中央空调负荷预测系统

Country Status (1)

Country Link
CN (2) CN112833517B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676940A (zh) * 2022-05-27 2022-06-28 四川瑞康智慧能源有限公司 商业旅游区购电量预测方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020033252A1 (en) * 2000-09-18 2002-03-21 Keiji Sasao Air-conditioning controlling system
CN101751614A (zh) * 2008-11-27 2010-06-23 财团法人工业技术研究院 顾客流量等级预测方法及应用其的空调温度控制方法
CN109130767A (zh) * 2017-06-28 2019-01-04 北京交通大学 基于客流的轨道交通车站通风空调系统的智能控制方法
CN110276474A (zh) * 2019-05-22 2019-09-24 南京理工大学 一种城市轨道交通车站短时客流预测方法
CN110425685A (zh) * 2019-08-16 2019-11-08 珠海格力电器股份有限公司 空调系统控制方法、装置及空调系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104279692A (zh) * 2013-07-12 2015-01-14 深圳市嘉顺达环保节能科技有限公司 中央空调能耗轨迹节能控制方法及系统
JP6498411B2 (ja) * 2014-10-10 2019-04-10 三菱重工サーマルシステムズ株式会社 熱源システム及びその冷却水制御装置並びに制御方法
CN109409617B (zh) * 2018-11-27 2021-11-26 河海大学 一种公共楼宇环境因素预测不确定性用电鲁棒优化方法
CN110210652B (zh) * 2019-05-15 2021-07-16 北京交通发展研究院 一种轨道交通站点客流控制方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020033252A1 (en) * 2000-09-18 2002-03-21 Keiji Sasao Air-conditioning controlling system
CN101751614A (zh) * 2008-11-27 2010-06-23 财团法人工业技术研究院 顾客流量等级预测方法及应用其的空调温度控制方法
CN109130767A (zh) * 2017-06-28 2019-01-04 北京交通大学 基于客流的轨道交通车站通风空调系统的智能控制方法
CN110276474A (zh) * 2019-05-22 2019-09-24 南京理工大学 一种城市轨道交通车站短时客流预测方法
CN110425685A (zh) * 2019-08-16 2019-11-08 珠海格力电器股份有限公司 空调系统控制方法、装置及空调系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓翔: "大型超市运营管理节能研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676940A (zh) * 2022-05-27 2022-06-28 四川瑞康智慧能源有限公司 商业旅游区购电量预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112833517A (zh) 2021-05-25
CN111062536B (zh) 2021-02-19
CN112833517B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
Lindberg et al. Modelling electric and heat load profiles of non-residential buildings for use in long-term aggregate load forecasts
CN103473620B (zh) 综合客运枢纽多交通方式预测方法及系统
CN110956329B (zh) 基于分布式光伏与电动汽车时空分布的负荷预测方法
WO2006082939A1 (en) Environmental control system
CN108256724B (zh) 一种基于动态行业系数的配电网可开放容量规划方法
Lee et al. Using climate classification to evaluate building energy performance
CN112508306A (zh) 一种电力生产配置的自适应方法及系统
CN111564053A (zh) 车辆调度方法、装置、车辆调度设备和存储介质
KR102478684B1 (ko) 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치
CN110162587A (zh) 面向户外健身运动的气象参考指数生成方法
CN110135649A (zh) 短期建筑能耗区间预测方法、系统、介质及设备
CN111062536B (zh) 基于大数据的中央空调负荷预测系统及方法
CN117649063B (zh) 基于人口大数据的公共服务设施选址规划方法
CN108717642A (zh) 一种基于gis的城市商场选址方法
CN113393109B (zh) 电动汽车充电负荷计算方法
CN114069642A (zh) 一种考虑用户满意度的温控负荷综合调峰方法
CN112669595B (zh) 一种基于深度学习的网约车流量预测方法
CN111429166B (zh) 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法
CN110020799B (zh) 一种基于时空基准的城管网格资源配置
Fujiwara et al. Load forecasting method for Commercial facilities by determination of working time and considering weather information
CN111144628A (zh) 一种分布式供能的冷热电负荷预测模型系统及方法
CN114034114B (zh) 一种节能型多联机空调调度方法及系统
CN116384550A (zh) 一种年度微电网负荷预测方法
CN111415044A (zh) 一种基于大数据的物流配送车辆调度系统及方法
KR101718976B1 (ko) 계절 및 시간에 따른 에너지 부하를 고려한 지능형 에너지 수요 관리 장치 및 그 방법

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
TA01 Transfer of patent application right

Effective date of registration: 20210129

Address after: 325600 No.81, Tantou village, Danxi Town, Yueqing City, Wenzhou City, Zhejiang Province

Applicant after: Qian Xiaoying

Address before: 215000 No. 368 Linquan street, Suzhou Industrial Park, Jiangsu Province

Applicant before: Zhu Ling

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230628

Address after: Room 401, East Floor 4, Building 40, No. 220, Jiugan Road, Sijing Town, Songjiang District, Shanghai, 200000

Patentee after: SHANGHAI YUANKONG AUTOMATION TECHNOLOGY Co.,Ltd.

Address before: 325600 No.81, Tantou village, Danxi Town, Yueqing City, Wenzhou City, Zhejiang Province

Patentee before: Qian Xiaoying

TR01 Transfer of patent right