CN111487874B - 一种用于建筑能耗的复合预测方法 - Google Patents
一种用于建筑能耗的复合预测方法 Download PDFInfo
- Publication number
- CN111487874B CN111487874B CN201910072968.8A CN201910072968A CN111487874B CN 111487874 B CN111487874 B CN 111487874B CN 201910072968 A CN201910072968 A CN 201910072968A CN 111487874 B CN111487874 B CN 111487874B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- predicted value
- area
- lighting
- electric energy
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 417
- 238000000034 method Methods 0.000 title claims abstract description 140
- 239000002131 composite material Substances 0.000 title claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 119
- 230000009182 swimming Effects 0.000 claims description 111
- 238000012886 linear function Methods 0.000 claims description 95
- 230000005611 electricity Effects 0.000 claims description 59
- 238000005286 illumination Methods 0.000 claims description 57
- 238000009423 ventilation Methods 0.000 claims description 27
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000005406 washing Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 13
- 238000004378 air conditioning Methods 0.000 description 6
- 238000001816 cooling Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Abstract
本发明涉及一种用于建筑能耗的复合预测方法,该方法包括:获取待测建筑物的建筑类型信息,按照区域功能,将建筑物划分为多个功能区域,将每个功能区域产生的能耗数据作为输入数据,输入至预先建立的建筑能耗预测采集模型,计算该功能区域的建筑能耗的预测值,然后汇总各个功能区域的建筑能耗的预测值,形成整个建筑的总体建筑能耗的预测结果。
Description
技术领域
本发明属于建筑能耗预测技术领域,具体涉及一种用于建筑能耗的复合预测方法。
背景技术
目前,居住建筑能耗是区域能耗的重要组成部分。随着人们对室内舒适度的要求的不断提高,居住建筑的采暖空调能耗也逐年增加。随着气候变暖,国际上对碳排放有更多要求,国家也对节能减排有相关政策和法规,公共建筑作为建筑领域里的能耗大户,单位面积能耗远高于其他类型的建筑。对公共建筑的能源管理已经成为了建筑弱电系统的一个重要组成部分,而建筑的能耗预测是其中最为复杂和重要的部分,能够对建筑能耗进行准确预测是对建筑能耗有效进行能源管理的基础。
现有很多建筑能耗预测这样有两种:一种是基于历史数据的预测方法,但该方法忽略了动态变化数据对于能耗的影响,尤其是天气,人流量等数据对能耗的影响非常大;还有一种是基于神经网络算法,结合数学模型,来预测建筑的能耗,但该方法忽略了建筑不同区域的耗能特点,往往预测结果也不够准确。
发明内容
本发明的目的在于,为解决现有的建筑能耗预测方法存在上述缺陷,本发明提出了一种用于建筑能耗的复合预测方法,解决了现有的预测方法存在的过于复杂、准确度不高的问题;在充分利用现有的预测技术的前提下,能够大幅度提供整体建筑能耗预测的准确性、有效性和可靠性。
为了实现上述目的,本发明提供了一种用于建筑能耗的复合预测方法,该方法具体包括:
获取待测建筑物的建筑类型信息,按照区域功能,将建筑物划分为多个功能区域,将每个功能区域产生的能耗数据作为输入数据,输入至预先建立的建筑能耗预测采集模型,计算该功能区域的建筑能耗的预测值,然后汇总各个功能区域的建筑能耗的预测值,形成整个建筑的总体建筑能耗的预测结果。
作为上述方法的改进之一,预先建立的建筑能耗预测采集模型具体包括:
获取当地的气候历史数据、建筑物能耗历史数据、暖通系统历史信息、室内人员历史数据、耗能设备历史信息,根据时间对上述数据进行分组,并对数据进行归一化处理,建立建筑能耗预测采集模型。其中,所述当地的气候历史数据包括:室内外温度、室内外湿度、供冷季时长和供暖季时长。
所述建筑能耗预测采集模型包括:
照明使用时间与公共照明的电能耗的预测值之间的一次线性函数F1(t1);
空调使用时间、公共区域的人流量、天气与公共空调的电能耗的预测值之间的关系F2(t2,f1,w),即F2(t2,f1,w)=LSTM(t2,f1,w);其中,LSTM(t2,f1,w)为公共空调的电能耗的LSTM模型,该模型的输入单元为:空调使用时间、公共区域的人流量和天气,输出为公共空调的电能耗的预测值;
公共区域的人流量与公共电源的电能耗的预测值之间的一次线性函数F3(f1);
照明使用时间与公共通风的电能耗的预测值之间的一次线性函数F4(t1);
办公使用时间与办公照明的电能耗的预测值之间的一次线性函数F5(t3);
办公使用时间、办公区域的人流量、天气与办公空调的电能耗的预测值之间的函数F6(t3,f2,w),即F6(t3,f2,w)=LSTM(t3,f2,w);其中,LSTM(t3,f2,w)为办公空调的电能耗的LSTM模型,该模型的输入单元为:办公使用时间、办公区域的人流量和天气,输出为办公空调的电能耗的预测值;
卫生间使用时间与卫生间照明的电能耗的预测值之间的一次线性函数F7(t4);
卫生间使用时间、卫生间的人流量与卫生间水能耗的预测值之间的函数F8(t4,f3),即F8(t4,f3)=LSTM(t4,f3);其中,LSTM(t4,f3)为卫生间水能耗的LSTM模型,该模型的输入单元为:卫生间使用时间和卫生间的人流量,输出为卫生间水能耗的预测值;
餐厅厨房使用时间与餐厅厨房照明的电能耗的预测值之间的一次线性函数F9(t5);
餐厅厨房的人流量与餐厅厨房设备用电的电能耗的预测值之间的一次线性函数F10(f4);
餐厅厨房的人流量与餐厅厨房用水能耗的预测值之间的一次线性函数F11(f4);
餐厅厨房的人流量与餐厅厨房用气能耗的预测值之间的一次线性函数F12(f4);
淋浴使用时间与淋浴照明的电能耗的预测值之间的一次线性函数F13(t6);
淋浴的人流量与淋浴用水能耗的预测值之间的一次线性函数F14(f5);
洗衣房使用时间与洗衣房照明的电能耗的预测值之间的一次线性函数F15(t7);
洗衣房的人流量与洗衣房设备用电的电能耗的预测值之间的一次线性函数F16(f6);
洗衣房的人流量与洗衣房用水能耗的预测值之间的一次线性函数F17(f6);
游泳池的使用时间与游泳池照明的电能耗的预测值之间的一次线性函数F18(t8);
游泳池的人流量与游泳池设备用电的电能耗的预测值之间的一次线性函数F19(f7);
游泳池的人流量与游泳池用水能耗的预测值之间的函数一次线性F20(f7);
信息中心的使用时间与信息中心IT的电能耗的预测值之间的一次线性函数F21(t9);
信息中心的使用时间与信息中心IT设备用电的电能耗的预测值之间的一次线性函数F22(t9);
信息中心的使用时间、天气与信息中心照明空调用电的电能耗的预测值之间的函数F23(t9,w),即F23(t9,w)=LSTM(t9,w);其中,LSTM(t9,w)为信息中心照明空调用电的电能耗的LSTM模型,该模型的输入单元为:信息中心的使用时间和天气,输出为信息中心照明空调用电的电能耗的预测值。
作为上述方法的改进之一,所述建筑类型信息包括:办公建筑、商场建筑、宾馆饭店建筑、文化教育建筑、医疗卫生建筑、体育建筑和综合建筑。
作为上述方法的改进之一,所述输入数据包括:暖通系统信息、室内人员数据和耗能设备信息。
作为上述方法的改进之一,所述多个功能区域包括:公共区域、办公区域、卫生间区域、餐厅厨房区域、淋浴间区域、洗衣房区域、游泳池区域和信息中心区域。
作为上述方法的改进之一,所述公共区域的电能耗的预测值包括:公共照明的电能耗的预测值、公共空调的电能耗的预测值、公共电梯的电能耗的预测值和公共通风的电能耗的预测值;其中,照明能耗主要受照明使用时间(t1)影响,公共空调能耗受空调使用时间(t2)、公共区域的人流量(f1)和天气(w)影响,公共电梯能耗受公共区域的人流量(f1)影响,公共通风能耗受使用照明使用时间(t1)影响;
所述公共照明的电能耗的预测值Q公共照明为:
Q公共照明=F1(t1); (1)
其中,t1为照明使用时间;F1(t1)为照明使用时间与公共照明的电能耗的预测值之间的一次线性函数;
所述公共空调的电能耗的预测值Q公共空调为:
Q公共空调=F2(t2,f1,w); (2)
其中,t2为空调使用时间;f1为公共区域的人流量;w为天气;F2(t2,f1,w)=LSTM(t2,f1,w);其中,LSTM(t2,f1,w)为公共空调的电能耗的LSTM模型,该模型的输入单元为:空调使用时间、公共区域的人流量和天气,输出为公共空调的电能耗的预测值;
所述公共电梯的电能耗的预测值Q公共电梯为:
Q公共电梯=F3(f1); (3)
其中,F3(f1)为公共区域的人流量与公共电源的电能耗的预测值之间的一次线性函数;
所述公共通风的电能耗的预测值Q公共通风为:
Q公共通风=F4(t1); (4)
其中,F4(t1)为照明使用时间与公共通风的电能耗的预测值之间的一次线性函数;
所述公共区域的电能耗的预测值Q公共区域为:
Q公共区域=Q公共照明+Q公共空调+Q公共电梯+Q公共通风 (5)
所述办公区域的电能耗的预测值包括:办公照明的电能耗的预测值和办公空调的电能耗的预测值;其中,办公照明能耗主要受办公使用时间(t3)影响,办公空调能耗受办公使用时间(t3)、办公区域的人流量(f2)和天气(w)影响;
所述办公照明的电能耗的预测值Q办公照明为:
Q办公照明=F5(t3); (6)
其中,t3办公使用时间;F5(t3)为办公使用时间与办公照明的电能耗的预测值之间的一次线性函数;
所述办公空调的电能耗的预测值Q办公空调为:
Q办公空调=F6(t3,f2,w); (7)
其中,f2为办公区域的人流量;w为天气;F6(t3,f2,w)=LSTM(t3,f2,w);其中,LSTM(t3,f2,w)为办公空调的电能耗的LSTM模型,该模型的输入单元为:办公使用时间、办公区域的人流量和天气,输出为办公空调的电能耗的预测值;
Q办公区域=Q办公照明+Q办公空调; (8)
所述卫生间区域的能耗的预测值包括:卫生间照明的电能耗的预测值和卫生间水能耗的预测值;其中,卫生间照明能耗主要受卫生间使用时间(t4)影响,卫生间水能耗主要受卫生间使用时间(t4)和卫生间的人流量(f3)影响;
所述卫生间照明的电能耗的预测值Q卫生间照明为:
Q卫生间照明=F7(t4); (9)
其中,t4为卫生间使用时间;F7(t4)为卫生间使用时间与卫生间照明的电能耗的预测值之间的一次线性函数;
所述卫生间水能耗的预测值Q卫生间水为:
Q卫生间水=F8(t4,f3); (10)
其中,f3为卫生间的人流量;F8(t4,f3)=LSTM(t4,f3);其中,LSTM(t4,f3)为卫生间水能耗的LSTM模型,该模型的输入单元为:卫生间使用时间和卫生间的人流量,输出为卫生间水能耗的预测值;
所述卫生间区域的能耗的预测值Q卫生间区域为:
Q卫生间区域=Q办公照明+Q办公空调; (11)
所述餐厅厨房区域的能耗的预测值包括:餐厅厨房照明的电能耗的预测值、餐厅厨房设备用电的电能耗的预测值、餐厅厨房用水能耗的预测值和餐厅厨房用气能耗的预测值;其中,餐厅厨房照明能耗主要受餐厅厨房使用时间(t5)影响,餐厅厨房设备用电能耗主要受餐厅厨房的人流量(f4)影响,餐厅厨房用水能耗受主要受餐厅厨房的人流量(f4)影响,餐厅厨房用气能耗主要受餐厅厨房的人流量(f4)影响;
所述餐厅厨房照明的电能耗的预测值Q厨房照明为:
Q厨房照明=F9(t5); (12)
其中,t5为餐厅厨房使用时间;F9(t5)为餐厅厨房使用时间与餐厅厨房照明的电能耗的预测值之间的一次线性函数;
所述餐厅厨房设备用电的电能耗的预测值Q厨房用电为:
Q厨房用电=F10(f4); (13)
其中,f4为餐厅厨房的人流量;F10(f4)为餐厅厨房的人流量与餐厅厨房设备用电的电能耗的预测值之间的一次线性函数;
所述餐厅厨房用水能耗的预测值Q厨房用水为:
Q厨房用水=F11(f4); (14)
其中,F11(f4)为餐厅厨房的人流量与餐厅厨房用水能耗的预测值之间的一次线性函数;
所述餐厅厨房用气能耗的预测值Q厨房用气为:
Q厨房用气=F12(f4); (15)
其中,F12(f4)为餐厅厨房的人流量与餐厅厨房用气能耗的预测值之间的一次线性函数;
所述餐厅厨房区域的能耗的预测值Q餐厅厨房区域为:
Q餐厅厨房区域=Q厨房照明+Q厨房用电+Q厨房用水+Q厨房用气; (16)
所述淋浴间区域的能耗的预测值包括:淋浴照明的电能耗的预测值和淋浴用水能耗的预测值;其中,淋浴照明的电能耗主要受淋浴使用时间(t6)影响,淋浴用水能耗主要受淋浴的人流量(f5)影响;
所述淋浴照明的电能耗的预测Q淋浴照明为:
Q淋浴照明=F13(t6); (17)
其中,t6为淋浴使用时间;F13(t6)为淋浴使用时间与淋浴照明的电能耗的预测值之间的一次线性函数;
所述淋浴用水能耗的预测值Q淋浴用水为:
Q淋浴用水=F14(f5); (18)
其中,f5为淋浴的人流量;F14(f5)为淋浴的人流量与淋浴用水能耗的预测值之间的一次线性函数;
所述淋浴间区域的能耗的预测值Q淋浴间区域为:
Q淋浴间区域=Q淋浴照明+Q淋浴用水; (19)
所述洗衣房区域的能耗的预测值包括:洗衣房照明的电能耗的预测值、洗衣房设备用电的电能耗的预测值和洗衣房用水能耗的预测值;其中,洗衣房照相的电能耗主要受洗衣房使用时间(t7)影响,洗衣房设备用电的电能耗主要受洗衣房的人流量(f6)影响,洗衣房用水能耗主要受洗衣房的人流量(f6)影响;
所述洗衣房照明的电能耗的预测值Q洗衣房照明为:
Q洗衣房照明=F15(t7); (20)
其中,t7为洗衣房使用时间;F15(t7)为洗衣房使用时间与洗衣房照明的电能耗的预测值之间的一次线性函数;
所述洗衣房设备用电的电能耗的预测值Q洗衣房用电为:
Q洗衣房用电=F16(f6); (21)
其中,f6为洗衣房的人流量;F16(f6)为洗衣房的人流量与洗衣房设备用电的电能耗的预测值之间的一次线性函数;
所述洗衣房用水能耗的预测值Q洗衣房用水为:
Q洗衣房用水=F17(f6); (22)
其中,F17(f6)为洗衣房的人流量与洗衣房用水能耗的预测值之间的一次线性函数;
所述洗衣房区域的能耗的预测值Q洗衣房区域为:
Q洗衣房区域=Q洗衣房照明+Q洗衣房用电+Q洗衣房用水; (23)
所述游泳池区域的能耗的预测值包括:游泳池照明的电能耗的预测值、游泳池设备用电的电能耗的预测值和游泳池用水能耗的预测值;其中,游泳池照明的电能耗主要受游泳池的使用时间(t8)影响,游泳池设备用电的电能耗主要受游泳池的人流量(f7)影响,游泳池用水能耗主要受游泳池的人流量(f7)影响;
所述游泳池照明的电能耗的预测值Q游泳池照明为:
Q游泳池照明=F18(t8); (24)
其中,t8为游泳池的使用时间;F18(t8)为游泳池的使用时间与游泳池照明的电能耗的预测值之间的一次线性函数;
所述游泳池设备用电的电能耗的预测值Q游泳池用电为:
Q游泳池用电=F19(f7); (25)
其中,f7为游泳池的人流量;F19(f7)为游泳池的人流量与游泳池设备用电的电能耗的预测值之间的一次线性函数;
所述游泳池用水能耗的预测值Q游泳池用水为:
Q游泳池用水=F20(f7); (26)
其中,F20(f7)为游泳池的人流量与游泳池用水能耗的预测值之间的函数;
所述游泳池区域的能耗的预测值Q游泳池区域为:
Q游泳池区域=Q游泳池照明+Q游泳池用电+Q游泳池用水; (27)
所述信息中心区域的能耗的预测值包括:信息中心IT的电能耗的预测值、信息中心IT设备用电的电能耗的预测值和信息中心照明空调用电的电能耗的预测值;其中,信息中心IT的电能耗主要受信息中心的使用时间(t9)影响,信息中心IT设备用电的电能耗主要受信息中心的使用时间(t9)影响;信息中心照明空调用电的电能耗主要受使用信息中心的使用时间(t9)和天气(w)影响;
所述信息中心IT的电能耗的预测值Q信息中心照明为:
Q信息中心IT=F21(t9); (28)
其中,t9为信息中心的使用时间;F21(t9)为信息中心的使用时间与信息中心IT的电能耗的预测值之间的一次线性函数;
所述信息中心IT设备用电的电能耗的预测值Q信息中心设备为:
Q信息中心设备=F22(t9); (29)
其中,F22(t9)为信息中心的使用时间与信息中心IT设备用电的电能耗的预测值之间的函数;
所述信息中心照明空调用电的电能耗的预测值Q信息中心空调为:
Q信息中心空调=F23(t9,w); (30)
其中,F23(t9,w)=LSTM(t9,w);其中,LSTM(t9,w)为信息中心照明空调用电的电能耗的LSTM模型,该模型的输入单元为:信息中心的使用时间和天气,输出为信息中心照明空调用电的电能耗的预测值;
所述信息中心区域的能耗的预测值Q信息中心区域为:
Q信息中心区域=Q信息中心IT+Q信息中心设备+Q信息中心空调 (31)。
作为上述方法的改进之一,所述整个建筑的总体建筑能耗的预测结果Q总能耗为:
Q总能耗=Q公共区域+Q办公区域+Q卫生间区域+Q餐厅厨房区域+Q淋浴间区域+Q洗衣房区域+Q游泳池区域+Q信息中心区域 (32)。
本发明的优点在于:
本发明的方法,针对不同功能区域中不同的能耗分类分项的相关性差异情况,有针对性的化整为零,在充分利用现有的预测技术的前提下,能够大幅度提供整体建筑能耗预测的准确性、有效性和可靠性,对公共建筑的能源管理、能耗分析、能耗预测意义重大。
附图说明
图1是本发明的一种用于建筑能耗的复合预测方法的一个具体实施例中的公共区域照明的能源消耗预测图;
图2是本发明的一种用于建筑能耗的复合预测方法的一个具体实施例中的电梯用电的能源消耗预测图;
图3是本发明的一种用于建筑能耗的复合预测方法的一个具体实施例中的卫生间用水的能源消耗预测图;
图4是本发明的一种用于建筑能耗的复合预测方法的一个具体实施例中的空调系统用电的能源消耗预测图;
图5是本发明的一种用于建筑能耗的复合预测方法的一个具体实施例中的餐饮区域用电的能源消耗预测图;
图6是本发明的一种用于建筑能耗的复合预测方法的一个具体实施例中的办公区域的能源消耗预测图;
图7是本发明的一种用于建筑能耗的复合预测方法的一个具体实施例中的分楼层耗冷的能源消耗预测图;
图8是本发明的一种用于建筑能耗的复合预测方法的总能源消耗预测图;
图9是本发明的一种用于建筑能耗的复合预测方法的流程图。
具体实施方式
现结合附图对本发明作进一步的描述。
如图9所示,本发明提供了一种用于建筑能耗的复合预测方法,该方法对建筑物分区域特征划分,采集建筑分类分项历史能耗数据,确定对建筑能耗有影响的相关因素,分析并确定建筑能耗预测采集模型;实现对建筑能耗的复合预测,能够更加准确、有效地预测建筑能耗中的各区域、各分类的能耗。该方法具体包括:
获取待测建筑物的建筑类型信息,按照区域功能,将建筑物划分为多个功能区域,将每个功能区域产生的能耗数据作为输入数据,输入至预先建立的建筑能耗预测采集模型,计算该功能区域的建筑能耗的预测值,然后汇总各个功能区域的建筑能耗的预测值,形成整个建筑的总体建筑能耗的预测结果。
作为上述方法的改进之一,预先建立的建筑能耗预测采集模型具体包括:
获取当地的气候历史数据、建筑物能耗历史数据、暖通系统历史信息、室内人员历史数据、耗能设备历史信息,根据时间对上述数据进行分组,并对数据进行归一化处理,建立建筑能耗预测采集模型。其中,所述当地的气候历史数据包括:室内外温度、室内外湿度、供冷季时长和供暖季时长。
所述建筑能耗预测采集模型包括:
照明使用时间与公共照明的电能耗的预测值之间的一次线性函数F1(t1);
空调使用时间、公共区域的人流量、天气与公共空调的电能耗的预测值之间的关系F2(t2,f1,w),即F2(t2,f1,w)=LSTM(t2,f1,w);其中,LSTM(t2,f1,w)为公共空调的电能耗的LSTM模型,该模型的输入单元为:空调使用时间、公共区域的人流量和天气,输出为公共空调的电能耗的预测值;
公共区域的人流量与公共电源的电能耗的预测值之间的一次线性函数F3(f1);
照明使用时间与公共通风的电能耗的预测值之间的一次线性函数F4(t1);
办公使用时间与办公照明的电能耗的预测值之间的一次线性函数F5(t3);
办公使用时间、办公区域的人流量、天气与办公空调的电能耗的预测值之间的函数F6(t3,f2,w),即F6(t3,f2,w)=LSTM(t3,f2,w);其中,LSTM(t3,f2,w)为办公空调的电能耗的LSTM模型,该模型的输入单元为:办公使用时间、办公区域的人流量和天气,输出为办公空调的电能耗的预测值;
卫生间使用时间与卫生间照明的电能耗的预测值之间的一次线性函数F7(t4);
卫生间使用时间、卫生间的人流量与卫生间水能耗的预测值之间的函数F8(t4,f3),即F8(t4,f3)=LSTM(t4,f3);其中,LSTM(t4,f3)为卫生间水能耗的LSTM模型,该模型的输入单元为:卫生间使用时间和卫生间的人流量,输出为卫生间水能耗的预测值;
餐厅厨房使用时间与餐厅厨房照明的电能耗的预测值之间的一次线性函数F9(t5);
餐厅厨房的人流量与餐厅厨房设备用电的电能耗的预测值之间的一次线性函数F10(f4);
餐厅厨房的人流量与餐厅厨房用水能耗的预测值之间的一次线性函数F11(f4);
餐厅厨房的人流量与餐厅厨房用气能耗的预测值之间的一次线性函数F12(f4);
淋浴使用时间与淋浴照明的电能耗的预测值之间的一次线性函数F13(t6);
淋浴的人流量与淋浴用水能耗的预测值之间的一次线性函数F14(f5);
洗衣房使用时间与洗衣房照明的电能耗的预测值之间的一次线性函数F15(t7);
洗衣房的人流量与洗衣房设备用电的电能耗的预测值之间的一次线性函数F16(f6);
洗衣房的人流量与洗衣房用水能耗的预测值之间的一次线性函数F17(f6);
游泳池的使用时间与游泳池照明的电能耗的预测值之间的一次线性函数F18(t8);
游泳池的人流量与游泳池设备用电的电能耗的预测值之间的一次线性函数F19(f7);
游泳池的人流量与游泳池用水能耗的预测值之间的函数一次线性F20(f7);
信息中心的使用时间与信息中心IT的电能耗的预测值之间的一次线性函数F21(t9);
信息中心的使用时间与信息中心IT设备用电的电能耗的预测值之间的一次线性函数F22(t9);
信息中心的使用时间、天气与信息中心照明空调用电的电能耗的预测值之间的函数F23(t9,w),即F23(t9,w)=LSTM(t9,w);其中,LSTM(t9,w)为信息中心照明空调用电的电能耗的LSTM模型,该模型的输入单元为:信息中心的使用时间和天气,输出为信息中心照明空调用电的电能耗的预测值。其中,在本实施例中涉及的一次线性函数均为本领域公知的现有的一次线性函数。
作为上述方法的改进之一,所述建筑类型信息包括:办公建筑、商场建筑、宾馆饭店建筑、文化教育建筑、医疗卫生建筑、体育建筑和综合建筑。
作为上述方法的改进之一,所述输入数据包括:暖通系统信息、室内人员数据和耗能设备信息。
作为上述方法的改进之一,所述多个功能区域包括:公共区域、办公区域、卫生间区域、餐厅厨房区域、淋浴间区域、洗衣房区域、游泳池区域和信息中心区域。
作为上述方法的改进之一,所述公共区域的电能耗的预测值包括:公共照明的电能耗的预测值、公共空调的电能耗的预测值、公共电梯的电能耗的预测值和公共通风的电能耗的预测值;其中,照明能耗主要受照明使用时间(t1)影响,公共空调能耗受空调使用时间(t2)、公共区域的人流量(f1)和天气(w)影响,公共电梯能耗受公共区域的人流量(f1)影响,公共通风能耗受使用照明使用时间(t1)影响;
所述公共照明的电能耗的预测值Q公共照明为:
Q公共照明=F1(t1); (1)
其中,t1为照明使用时间;F1(t1)为照明使用时间与公共照明的电能耗的预测值之间的一次线性函数;
所述公共空调的电能耗的预测值Q公共空调为:
Q公共空调=F2(t2,f1,w); (2)
其中,t2为空调使用时间;f1为公共区域的人流量;w为天气;F2(t2,f1,w)=LSTM(t2,f1,w);其中,LSTM(t2,f1,w)为公共空调的电能耗的LSTM模型,该模型的输入单元为:空调使用时间、公共区域的人流量和天气,输出为公共空调的电能耗的预测值;
所述公共电梯的电能耗的预测值Q公共电梯为:
Q公共电梯=F3(f1); (3)
其中,F3(f1)为公共区域的人流量与公共电源的电能耗的预测值之间的一次线性函数;
所述公共通风的电能耗的预测值Q公共通风为:
Q公共通风=F4(t1); (4)
其中,F4(t1)为照明使用时间与公共通风的电能耗的预测值之间的一次线性函数;
所述公共区域的电能耗的预测值Q公共区域为:
Q公共区域=Q公共照明+Q公共空调+Q公共电梯+Q公共通风 (5)
所述办公区域的电能耗的预测值包括:办公照明的电能耗的预测值和办公空调的电能耗的预测值;其中,办公照明能耗主要受办公使用时间(t3)影响,办公空调能耗受办公使用时间(t3)、办公区域的人流量(f2)和天气(w)影响;
所述办公照明的电能耗的预测值Q办公照明为:
Q办公照明=F5(t3); (6)
其中,t3办公使用时间;F5(t3)为办公使用时间与办公照明的电能耗的预测值之间的一次线性函数;
所述办公空调的电能耗的预测值Q办公空调为:
Q办公空调=F6(t3,f2,w); (7)
其中,f2为办公区域的人流量;w为天气;F6(t3,f2,w)=LSTM(t3,f2,w);其中,LSTM(t3,f2,w)为办公空调的电能耗的LSTM模型,该模型的输入单元为:办公使用时间、办公区域的人流量和天气,输出为办公空调的电能耗的预测值;
Q办公区域=Q办公照明+Q办公空调; (8)
所述卫生间区域的能耗的预测值包括:卫生间照明的电能耗的预测值和卫生间水能耗的预测值;其中,卫生间照明能耗主要受卫生间使用时间(t4)影响,卫生间水能耗主要受卫生间使用时间(t4)和卫生间的人流量(f3)影响;
所述卫生间照明的电能耗的预测值Q卫生间照明为:
Q卫生间照明=F7(t4); (9)
其中,t4为卫生间使用时间;F7(t4)为卫生间使用时间与卫生间照明的电能耗的预测值之间的一次线性函数;
所述卫生间水能耗的预测值Q卫生间水为:
Q卫生间水=F8(t4,f3); (10)
其中,f3为卫生间的人流量;F8(t4,f3)=LSTM(t4,f3);其中,LSTM(t4,f3)为卫生间水能耗的LSTM模型,该模型的输入单元为:卫生间使用时间和卫生间的人流量,输出为卫生间水能耗的预测值;
所述卫生间区域的能耗的预测值Q卫生间区域为:
Q卫生间区域=Q办公照明+Q办公空调; (11)
所述餐厅厨房区域的能耗的预测值包括:餐厅厨房照明的电能耗的预测值、餐厅厨房设备用电的电能耗的预测值、餐厅厨房用水能耗的预测值和餐厅厨房用气能耗的预测值;其中,餐厅厨房照明能耗主要受餐厅厨房使用时间(t5)影响,餐厅厨房设备用电能耗主要受餐厅厨房的人流量(f4)影响,餐厅厨房用水能耗受主要受餐厅厨房的人流量(f4)影响,餐厅厨房用气能耗主要受餐厅厨房的人流量(f4)影响;
所述餐厅厨房照明的电能耗的预测值Q厨房照明为:
Q厨房照明=F9(t5); (12)
其中,t5为餐厅厨房使用时间;F9(t5)为餐厅厨房使用时间与餐厅厨房照明的电能耗的预测值之间的一次线性函数;
所述餐厅厨房设备用电的电能耗的预测值Q厨房用电为:
Q厨房用电=F10(f4); (13)
其中,f4为餐厅厨房的人流量;F10(f4)为餐厅厨房的人流量与餐厅厨房设备用电的电能耗的预测值之间的一次线性函数;
所述餐厅厨房用水能耗的预测值Q厨房用水为:
Q厨房用水=F11(f4); (14)
其中,F11(f4)为餐厅厨房的人流量与餐厅厨房用水能耗的预测值之间的一次线性函数;
所述餐厅厨房用气能耗的预测值Q厨房用气为:
Q厨房用气=F12(f4); (15)
其中,F12(f4)为餐厅厨房的人流量与餐厅厨房用气能耗的预测值之间的一次线性函数;
所述餐厅厨房区域的能耗的预测值Q餐厅厨房区域为:
Q餐厅厨房区域=Q厨房照明+Q厨房用电+Q厨房用水+Q厨房用气; (16)
所述淋浴间区域的能耗的预测值包括:淋浴照明的电能耗的预测值和淋浴用水能耗的预测值;其中,淋浴照明的电能耗主要受淋浴使用时间(t6)影响,淋浴用水能耗主要受淋浴的人流量(f5)影响;
所述淋浴照明的电能耗的预测Q淋浴照明为:
Q淋浴照明=F13(t6); (17)
其中,t6为淋浴使用时间;F13(t6)为淋浴使用时间与淋浴照明的电能耗的预测值之间的一次线性函数;
所述淋浴用水能耗的预测值Q淋浴用水为:
Q淋浴用水=F14(f5); (18)
其中,f5为淋浴的人流量;F14(f5)为淋浴的人流量与淋浴用水能耗的预测值之间的一次线性函数;
所述淋浴间区域的能耗的预测值Q淋浴间区域为:
Q淋浴间区域=Q淋浴照明+Q淋浴用水; (19)
所述洗衣房区域的能耗的预测值包括:洗衣房照明的电能耗的预测值、洗衣房设备用电的电能耗的预测值和洗衣房用水能耗的预测值;其中,洗衣房照相的电能耗主要受洗衣房使用时间(t7)影响,洗衣房设备用电的电能耗主要受洗衣房的人流量(f6)影响,洗衣房用水能耗主要受洗衣房的人流量(f6)影响;
所述洗衣房照明的电能耗的预测值Q洗衣房照明为:
Q洗衣房照明=F15(t7); (20)
其中,t7为洗衣房使用时间;F15(t7)为洗衣房使用时间与洗衣房照明的电能耗的预测值之间的一次线性函数;
所述洗衣房设备用电的电能耗的预测值Q洗衣房用电为:
Q洗衣房用电=F16(f6); (21)
其中,f6为洗衣房的人流量;F16(f6)为洗衣房的人流量与洗衣房设备用电的电能耗的预测值之间的一次线性函数;
所述洗衣房用水能耗的预测值Q洗衣房用水为:
Q洗衣房用水=F17(f6); (22)
其中,F17(f6)为洗衣房的人流量与洗衣房用水能耗的预测值之间的一次线性函数;
所述洗衣房区域的能耗的预测值Q洗衣房区域为:
Q洗衣房区域=Q洗衣房照明+Q洗衣房用电+Q洗衣房用水; (23)
所述游泳池区域的能耗的预测值包括:游泳池照明的电能耗的预测值、游泳池设备用电的电能耗的预测值和游泳池用水能耗的预测值;其中,游泳池照明的电能耗主要受游泳池的使用时间(t8)影响,游泳池设备用电的电能耗主要受游泳池的人流量(f7)影响,游泳池用水能耗主要受游泳池的人流量(f7)影响;
所述游泳池照明的电能耗的预测值Q游泳池照明为:
Q游泳池照明=F18(t8); (24)
其中,t8为游泳池的使用时间;F18(t8)为游泳池的使用时间与游泳池照明的电能耗的预测值之间的一次线性函数;
所述游泳池设备用电的电能耗的预测值Q游泳池用电为:
Q游泳池用电=F19(f7); (25)
其中,f7为游泳池的人流量;F19(f7)为游泳池的人流量与游泳池设备用电的电能耗的预测值之间的一次线性函数;
所述游泳池用水能耗的预测值Q游泳池用水为:
Q游泳池用水=F20(f7); (26)
其中,F20(f7)为游泳池的人流量与游泳池用水能耗的预测值之间的一次线性函数;
所述游泳池区域的能耗的预测值Q游泳池区域为:
Q游泳池区域=Q游泳池照明+Q游泳池用电+Q游泳池用水; (27)
所述信息中心区域的能耗的预测值包括:信息中心IT的电能耗的预测值、信息中心IT设备用电的电能耗的预测值和信息中心照明空调用电的电能耗的预测值;其中,信息中心IT的电能耗主要受信息中心的使用时间(t9)影响,信息中心IT设备用电的电能耗主要受信息中心的使用时间(t9)影响;信息中心照明空调用电的电能耗主要受使用信息中心的使用时间(t9)和天气(w)影响;
所述信息中心IT的电能耗的预测值Q信息中心照明为:
Q信息中心IT=F21(t9); (28)
其中,t9为信息中心的使用时间;F21(t9)为信息中心的使用时间与信息中心IT的电能耗的预测值之间的一次线性函数;
所述信息中心IT设备用电的电能耗的预测值Q信息中心设备为:
Q信息中心设备=F22(t9); (29)
其中,F22(t9)为信息中心的使用时间与信息中心IT设备用电的电能耗的预测值之间的一次线性函数;
所述信息中心照明空调用电的电能耗的预测值Q信息中心空调为:
Q信息中心空调=F23(t9,w); (30)
其中,F23(t9,w)=LSTM(t9,w);其中,LSTM(t9,w)为信息中心照明空调用电的电能耗的LSTM模型,该模型的输入单元为:信息中心的使用时间和天气,输出为信息中心照明空调用电的电能耗的预测值;
所述信息中心区域的能耗的预测值Q信息中心区域为:
Q信息中心区域=Q信息中心IT+Q信息中心设备+Q信息中心空调 (31)。
作为上述方法的改进之一,所述整个建筑的总体建筑能耗的预测结果Q总能耗为:
Q总能耗=Q公共区域+Q办公区域+Q卫生间区域+Q餐厅厨房区域+Q淋浴间区域+Q洗衣房区域+Q游泳池区域+Q信息中心区域 (32)。
实施例1.
本实例以一个商场建筑作为研究对象,商场建筑分为南北两栋楼。北楼主要提供餐饮服务、服装销售等,南楼涵盖超市、针纺织品销售等,两栋建筑均为7层,高30米左右。商场总建筑面积约为40000平方米,拥有职工3000余人,年人流量140万人次。
按照功能区域和能耗划分可以将商场分为公共区域照明、电梯用电、卫生间用水、空调系统用电、餐饮区域用电、办公区域、分楼层耗冷、楼层风机用电。
重点能耗设备
计量点位
/>
为简化各个维度能耗的预测,采用相似能耗法,对商场建筑能耗进行复合预测。相似能耗法就是采用历史数据中关联因素相似度最高的这部分数据取归一值作为预测值。
如图1所示,公共区域照明在商场建筑中比较稳定,在此实例中所有楼层都不采用自然光照明,商场公共区域照明的电能耗的预测值Q公区照明只与商场营业时间有关。
如图2所示,电梯用电,因为电梯设置的根据负载启停电梯的节能手段,电梯的运行与商场的客流有关系,而客流在实际场景中不方便统计,但客流与时间段是强相关的,所以电梯用电的电能耗的预测值Q电梯用电和时间段相关。
如图3所示,卫生间用水,与楼层,节假日相关,但从整个商场的角度节假日直接影响的是客流量,对于工作日之间,节假日之间,人流在各层的分布相似,卫生间用水的电能耗的预测值Q卫生间与节假日和客流量相关。
如图4所示,空调系统用电,其中,空调系统作为建筑中最复杂的变工况系统关联因素最多,空调系统用电的电能耗的预测值Q空调与室内外温度,室内外湿度,客流量,节假日,天气情况这些因素相关。
如图5所示,餐饮区域用电电能耗的预测值Q餐饮和用水与客流量直接相关。
如图6所示,办公区域用能:办公区域人员相对稳定,能耗的变化也主要是办公设备,办公区域的电能耗的预测值Q办公区域与时间段强相关。
如图7所示,分楼层耗冷:楼层耗冷与楼层功能区划分有关,对于同一楼层耗冷的电能耗的预测值Q楼层耗冷与室外温度,和客流有关系。
楼层风机用电:楼层风机在本实例中为定时开关,每天的楼层风机用电的电能耗的预测值Q风机用电基本稳定。
重点设备中电梯设备已经安装感应式节能控制,其能耗与人流量密切相关。
则如图8所示,所述整个建筑的总体建筑能耗的预测结果Q总能耗为:
Q总能耗=Q公区照明+Q电梯用电+Q卫生间+Q空调+Q餐饮+Q办公区域+Q楼层耗冷+Q风机用电;
下表为实例按月实际总体建筑能耗Q实际和总体建筑能耗的预测的能耗数据Q预测对比,根据此发明方法预测的能耗数据Q预测相对实际总体建筑能耗Q实际的偏差控制在10%左右,即偏差不大,在累计更多的历史数据后可以进一步优化预测结果。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种用于建筑能耗的复合预测方法,其特征在于,该方法包括:
获取待测建筑物的建筑类型信息,按照区域功能,将建筑物划分为多个功能区域,将每个功能区域产生的能耗数据作为输入数据,输入至预先建立的建筑能耗预测采集模型,计算该功能区域的建筑能耗的预测值,然后汇总各个功能区域的建筑能耗的预测值,形成整个建筑的总体建筑能耗的预测结果;
所述多个功能区域包括:公共区域、办公区域、卫生间区域、餐厅厨房区域、淋浴间区域、洗衣房区域、游泳池区域和信息中心区域;
所述公共区域的电能耗的预测值包括:公共照明的电能耗的预测值、公共空调的电能耗的预测值、公共电梯的电能耗的预测值和公共通风的电能耗的预测值;其中,
所述公共照明的电能耗的预测值Q公共照明为:
Q公共照明=F1(t1); (1)
其中,t1为照明使用时间;F1(t1)为照明使用时间与公共照明的电能耗的预测值之间的一次线性函数;
所述公共空调的电能耗的预测值Q公共空调为:
Q公共空调=F2(t2,f1,w); (2)
其中,t2为空调使用时间;f1为公共区域的人流量;w为天气;F2(t2,f1,w)=LSTM(t2,f1,w);其中,LSTM(t2,f1,w)为公共空调的电能耗的LSTM模型,该模型的输入单元为:空调使用时间、公共区域的人流量和天气,输出为公共空调的电能耗的预测值;
所述公共电梯的电能耗的预测值Q公共电梯为:
Q公共电梯=F3(f1); (3)
其中,F3(f1)为公共区域的人流量与公共电源的电能耗的预测值之间的一次线性函数;
所述公共通风的电能耗的预测值Q公共通风为:
Q公共通风=F4(t1); (4)
其中,F4(t1)为照明使用时间与公共通风的电能耗的预测值之间的一次线性函数;
所述公共区域的电能耗的预测值Q公共区域为:
Q公共区域= Q公共照明+ Q公共空调+ Q公共电梯+ Q公共通风 (5)
所述办公区域的电能耗的预测值包括:办公照明的电能耗的预测值和办公空调的电能耗的预测值;其中,
所述办公照明的电能耗的预测值Q办公照明为:
Q办公照明=F5(t3); (6)
其中,t3办公使用时间;F5(t3)为办公使用时间与办公照明的电能耗的预测值之间的一次线性函数;
所述办公空调的电能耗的预测值Q办公空调为:
Q办公空调=F6(t3,f2,w); (7)
其中,f2为办公区域的人流量;w为天气;F6(t3,f2,w)=LSTM(t3,f2,w);其中,LSTM(t3,f2,w)为办公空调的电能耗的LSTM模型,该模型的输入单元为:办公使用时间、办公区域的人流量和天气,输出为办公空调的电能耗的预测值;
Q办公区域= Q办公照明+ Q办公空调; (8)
所述卫生间区域的能耗的预测值包括:卫生间照明的电能耗的预测值和卫生间水能耗的预测值;其中,
所述卫生间照明的电能耗的预测值Q卫生间照明为:
Q卫生间照明=F7(t4); (9)
其中,t4为卫生间使用时间;F7(t4)为卫生间使用时间与卫生间照明的电能耗的预测值之间的一次线性函数;
所述卫生间水能耗的预测值Q卫生间水为:
Q卫生间水=F8(t4,f3); (10)
其中,f3为卫生间的人流量;F8(t4,f3)=LSTM(t4,f3);其中,LSTM(t4,f3)为卫生间水能耗的LSTM模型,该模型的输入单元为:卫生间使用时间和卫生间的人流量,输出为卫生间水能耗的预测值;
所述卫生间区域的能耗的预测值Q卫生间区域为:
Q卫生间区域= Q办公照明+ Q办公空调; (11)
所述餐厅厨房区域的能耗的预测值包括:餐厅厨房照明的电能耗的预测值、餐厅厨房设备用电的电能耗的预测值、餐厅厨房用水能耗的预测值和餐厅厨房用气能耗的预测值;其中,
所述餐厅厨房照明的电能耗的预测值Q厨房照明为:
Q厨房照明=F9(t5); (12)
其中,t5为餐厅厨房使用时间;F9(t5)为餐厅厨房使用时间与餐厅厨房照明的电能耗的预测值之间的一次线性函数;
所述餐厅厨房设备用电的电能耗的预测值Q厨房用电为:
Q厨房用电=F10(f4); (13)
其中,f4为餐厅厨房的人流量;F10(f4)为餐厅厨房的人流量与餐厅厨房设备用电的电能耗的预测值之间的一次线性函数;
所述餐厅厨房用水能耗的预测值Q厨房用水为:
Q厨房用水=F11(f4); (14)
其中,F11(f4)为餐厅厨房的人流量与餐厅厨房用水能耗的预测值之间的一次线性函数;
所述餐厅厨房用气能耗的预测值Q厨房用气为:
Q厨房用气=F12(f4); (15)
其中,F12(f4)为餐厅厨房的人流量与餐厅厨房用气能耗的预测值之间的一次线性函数;
所述餐厅厨房区域的能耗的预测值Q餐厅厨房区域为:
Q餐厅厨房区域= Q厨房照明+ Q厨房用电+ Q厨房用水+ Q厨房用气; (16)
所述淋浴间区域的能耗的预测值包括:淋浴照明的电能耗的预测值和淋浴用水能耗的预测值;其中,
所述淋浴照明的电能耗的预测Q淋浴照明为:
Q淋浴照明=F13(t6); (17)
其中,t6为淋浴使用时间;F13(t6)为淋浴使用时间与淋浴照明的电能耗的预测值之间的一次线性函数;
所述淋浴用水能耗的预测值Q淋浴用水为:
Q淋浴用水=F14(f5); (18)
其中,f5为淋浴的人流量;F14(f5)为淋浴的人流量与淋浴用水能耗的预测值之间的一次线性函数;
所述淋浴间区域的能耗的预测值Q淋浴间区域为:
Q淋浴间区域=Q淋浴照明 + Q淋浴用水; (19)
所述洗衣房区域的能耗的预测值包括:洗衣房照明的电能耗的预测值、洗衣房设备用电的电能耗的预测值和洗衣房用水能耗的预测值;其中,
所述洗衣房照明的电能耗的预测值Q洗衣房照明为:
Q洗衣房照明=F15(t7); (20)
其中,t7为洗衣房使用时间;F15(t7)为洗衣房使用时间与洗衣房照明的电能耗的预测值之间的一次线性函数;
所述洗衣房设备用电的电能耗的预测值Q洗衣房用电为:
Q洗衣房用电=F16(f6); (21)
其中,f6为洗衣房的人流量;F16(f6)为洗衣房的人流量与洗衣房设备用电的电能耗的预测值之间的一次线性函数;
所述洗衣房用水能耗的预测值Q洗衣房用水为:
Q洗衣房用水=F17(f6); (22)
其中,F17(f6)为洗衣房的人流量与洗衣房用水能耗的预测值之间的一次线性函数;
所述洗衣房区域的能耗的预测值Q洗衣房区域为:
Q洗衣房区域= Q洗衣房照明+ Q洗衣房用电+ Q洗衣房用水; (23)
所述游泳池区域的能耗的预测值包括:游泳池照明的电能耗的预测值、游泳池设备用电的电能耗的预测值和游泳池用水能耗的预测值;其中,
所述游泳池照明的电能耗的预测值Q游泳池照明为:
Q游泳池照明=F18(t8); (24)
其中,t8为游泳池的使用时间;F18(t8)为游泳池的使用时间与游泳池照明的电能耗的预测值之间的一次线性函数;
所述游泳池设备用电的电能耗的预测值Q游泳池用电为:
Q游泳池用电=F19(f7); (25)
其中,f7为游泳池的人流量;F19(f7)为游泳池的人流量与游泳池设备用电的电能耗的预测值之间的一次线性函数;
所述游泳池用水能耗的预测值Q游泳池用水为:
Q游泳池用水=F20(f7); (26)
其中,F20(f7)为游泳池的人流量与游泳池用水能耗的预测值之间的一次线性函数;
所述游泳池区域的能耗的预测值Q游泳池区域为:
Q游泳池区域= Q游泳池照明+ Q游泳池用电+ Q游泳池用水; (27)
所述信息中心区域的能耗的预测值包括:信息中心IT的电能耗的预测值、信息中心IT设备用电的电能耗的预测值和信息中心照明空调用电的电能耗的预测值;其中,
所述信息中心IT的电能耗的预测值Q信息中心照明为:
Q信息中心IT=F21(t9); (28)
其中,t9为信息中心的使用时间;F21(t9)为信息中心的使用时间与信息中心IT的电能耗的预测值之间的一次线性函数;
所述信息中心IT设备用电的电能耗的预测值Q信息中心设备为:
Q信息中心设备=F22(t9); (29)
其中,F22(t9)为信息中心的使用时间与信息中心IT设备用电的电能耗的预测值之间的一次线性函数;
所述信息中心照明空调用电的电能耗的预测值Q信息中心空调为:
Q信息中心空调=F23(t9,w); (30)
其中,F23(t9,w)=LSTM(t9,w);其中,LSTM(t9,w)为信息中心照明空调用电的电能耗的LSTM模型,该模型的输入单元为:信息中心的使用时间和天气,输出为信息中心照明空调用电的电能耗的预测值;
所述信息中心区域的能耗的预测值Q信息中心区域为:
Q信息中心区域= Q信息中心IT+ Q信息中心设备+ Q信息中心空调 (31)。
2.根据权利要求1所述的用于建筑能耗的复合预测方法,其特征在于,所述建筑类型信息包括:办公建筑、商场建筑、宾馆饭店建筑、文化教育建筑、医疗卫生建筑、体育建筑和综合建筑。
3.根据权利要求1所述的用于建筑能耗的复合预测方法,其特征在于,所述输入数据包括:暖通系统信息、室内人员数据和耗能设备信息。
4.根据权利要求1所述的用于建筑能耗的复合预测方法,其特征在于,所述整个建筑的总体建筑能耗的预测结果Q总能耗为:
Q总能耗=Q公共区域+Q办公区域+Q卫生间区域+Q餐厅厨房区域+Q淋浴间区域+Q洗衣房区域+Q游泳池区域+Q信息
中心区域(32)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910072968.8A CN111487874B (zh) | 2019-01-25 | 2019-01-25 | 一种用于建筑能耗的复合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910072968.8A CN111487874B (zh) | 2019-01-25 | 2019-01-25 | 一种用于建筑能耗的复合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111487874A CN111487874A (zh) | 2020-08-04 |
CN111487874B true CN111487874B (zh) | 2023-09-12 |
Family
ID=71791302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910072968.8A Active CN111487874B (zh) | 2019-01-25 | 2019-01-25 | 一种用于建筑能耗的复合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111487874B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407525A (zh) * | 2018-07-26 | 2019-03-01 | 昆山智汇无界信息技术有限公司 | 基于人工智能的楼宇节能自动控制系统及方法 |
CN112434787B (zh) * | 2020-10-28 | 2024-04-05 | 西安交通大学 | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 |
CN114400784A (zh) * | 2022-01-24 | 2022-04-26 | 北京广元科技有限公司 | 一种用电设备监控终端 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393451A (zh) * | 2007-09-19 | 2009-03-25 | 谭雄 | 一种建筑节能控制方法及系统 |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
CN102419585A (zh) * | 2011-12-08 | 2012-04-18 | 安徽泰格电气科技股份有限公司 | 建筑能耗监测系统 |
CA2774261A1 (en) * | 2011-04-14 | 2012-10-14 | Suntracker Technologies Ltd. | Predictive daylight harvesting system |
CN103294036A (zh) * | 2013-06-03 | 2013-09-11 | 天津至勤投资咨询有限公司 | 大型建筑的能耗管理系统及方法 |
CN103577894A (zh) * | 2013-11-07 | 2014-02-12 | 重庆大学 | 一种基于云计算的建筑物能耗预测分析系统 |
CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
CN104598765A (zh) * | 2015-02-16 | 2015-05-06 | 常州瑞信电子科技有限公司 | 一种基于弹性自适应神经网络的建筑物能耗预测方法 |
CN105205566A (zh) * | 2015-10-08 | 2015-12-30 | 中国南方电网有限责任公司电网技术研究中心 | 能源消耗量预测方法和系统 |
CN105373971A (zh) * | 2015-12-02 | 2016-03-02 | 国家电网公司 | 基于大数据的建筑能效管理的方法 |
CN105717792A (zh) * | 2015-12-23 | 2016-06-29 | 武汉烽火富华电气有限责任公司 | 一种基于物联网的建筑能耗管理系统及方法 |
CN106524295A (zh) * | 2016-11-21 | 2017-03-22 | 北京建筑技术发展有限责任公司 | 一种区域建筑能耗预测方法 |
CN107505891A (zh) * | 2017-09-21 | 2017-12-22 | 四川长虹电器股份有限公司 | 建筑能源管理系统 |
-
2019
- 2019-01-25 CN CN201910072968.8A patent/CN111487874B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393451A (zh) * | 2007-09-19 | 2009-03-25 | 谭雄 | 一种建筑节能控制方法及系统 |
CA2774261A1 (en) * | 2011-04-14 | 2012-10-14 | Suntracker Technologies Ltd. | Predictive daylight harvesting system |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
CN102419585A (zh) * | 2011-12-08 | 2012-04-18 | 安徽泰格电气科技股份有限公司 | 建筑能耗监测系统 |
CN103294036A (zh) * | 2013-06-03 | 2013-09-11 | 天津至勤投资咨询有限公司 | 大型建筑的能耗管理系统及方法 |
CN103577894A (zh) * | 2013-11-07 | 2014-02-12 | 重庆大学 | 一种基于云计算的建筑物能耗预测分析系统 |
CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
CN104598765A (zh) * | 2015-02-16 | 2015-05-06 | 常州瑞信电子科技有限公司 | 一种基于弹性自适应神经网络的建筑物能耗预测方法 |
CN105205566A (zh) * | 2015-10-08 | 2015-12-30 | 中国南方电网有限责任公司电网技术研究中心 | 能源消耗量预测方法和系统 |
CN105373971A (zh) * | 2015-12-02 | 2016-03-02 | 国家电网公司 | 基于大数据的建筑能效管理的方法 |
CN105717792A (zh) * | 2015-12-23 | 2016-06-29 | 武汉烽火富华电气有限责任公司 | 一种基于物联网的建筑能耗管理系统及方法 |
CN106524295A (zh) * | 2016-11-21 | 2017-03-22 | 北京建筑技术发展有限责任公司 | 一种区域建筑能耗预测方法 |
CN107505891A (zh) * | 2017-09-21 | 2017-12-22 | 四川长虹电器股份有限公司 | 建筑能源管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111487874A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111487874B (zh) | 一种用于建筑能耗的复合预测方法 | |
Sheng et al. | Energy consumption model and energy benchmarks of five-star hotels in China | |
CN106681964B (zh) | 公共建筑能耗审计统计拆分方法 | |
Chiesa et al. | A 3-field earth-heat-exchange system for a school building in Imola, Italy: Monitoring results | |
Li et al. | A novel operation approach for the energy efficiency improvement of the HVAC system in office spaces through real-time big data analytics | |
CN104318073A (zh) | 单栋居住建筑的电气能耗模拟及节能的方法 | |
CN100460771C (zh) | 中央空调负载温度控制优化系统、方法和采用的温控器 | |
KR101762543B1 (ko) | 건축물의 용도별 에너지사용량 추정 시스템 및 방법 | |
CN104101050A (zh) | 一种中央空调节能管理系统 | |
Jin et al. | Measurement and normalization methods to provide detailed information on energy consumption by usage in apartment buildings | |
Mikola et al. | The impact of the technical requirements of the renovation grant on the ventilation and indoor air quality in apartment buildings | |
Pang et al. | Quantifying the nationwide HVAC energy savings in large hotels: the role of occupant-centric controls | |
Hussin et al. | Air conditioning energy profile and intensity index for retrofitted mosque building: a case study In Malaysia | |
Garzia et al. | Co-benefits of building automation and control systems: an analysis of smart office buildings | |
Papantoniou et al. | Adaptive lighting controllers using smart sensors | |
Heerwagen et al. | Green building benefits: Differences in perceptions and experiences across manufacturing shifts | |
Stensson | Energy efficiency in shopping malls: some aspects based on a case study | |
Gruber et al. | Estimation and sensitivity analysis of building energy demand | |
Ferrari et al. | Internal heat loads profiles for buildings’ energy modelling: comparison of different standards | |
Zhou et al. | Energy performance assessment on central air-conditioning system of commercial building: A case study in China | |
CN111429040A (zh) | 一种建筑能耗检测系统计量设备优化部署方法 | |
Orynycz et al. | Total Productive Maintenance Approach to an Increase of the Energy Efficiency of a Hotel Facility and Mitigation of Water Consumption. Energies 2021, 14, 1706. h ps | |
CN110942262A (zh) | 一种面向增量配电园区内空调需求响应的分区域调控方法 | |
Bouffaron | Revealing occupancy diversity factors in buildings using sensor data | |
Alam | The Impact of Integrating Building Energy Management System (BEMS) and Energy Audit: A Review |
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 |