CN111735177A - 一种基于svr算法的中央空调系统冷负荷预测方法 - Google Patents
一种基于svr算法的中央空调系统冷负荷预测方法 Download PDFInfo
- Publication number
- CN111735177A CN111735177A CN202010673629.8A CN202010673629A CN111735177A CN 111735177 A CN111735177 A CN 111735177A CN 202010673629 A CN202010673629 A CN 202010673629A CN 111735177 A CN111735177 A CN 111735177A
- Authority
- CN
- China
- Prior art keywords
- cold load
- conditioning system
- prediction
- air conditioning
- tau
- 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
- 238000004378 air conditioning Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 238000001816 cooling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- F24F11/62—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于SVR算法的中央空调系统冷负荷预测方法，包括冷负荷预测周期τ、建立以室外气象参数及室内空调系统相关参数历史数据和构建冷负荷预测训练数据集，还包括构建输入数据集、训练集和生成预测模型并保存。本发明根据室外气象参数和室内中央空调运行参数实时数据，进行预测未来时刻室内冷负荷需求，本发明采用基于RBF核的SVR回归算法进行空调冷负荷预测，并且采用PCA主成分分析的方法优选训练数据集，实现基于小批量训练数据、模型训练简单的方法较高准确度的预测未来时刻室内对空调冷负荷的需求。
Description
技术领域
本发明涉及中央空调能耗控制技术领域，具体涉及一种基于SVR算法的中央空调系统冷负荷预测方法。
背景技术
随着社会经济的发展，建筑的能耗逐年增加，已经占到全球能源需求的40％左右。就我国而言，建筑能耗占全社会能耗高达30％之高，同时，空调和供暖系统约占建筑总能耗的一半，并且近些年来所占比例不断增加，而公共建筑节能达标率不足10％，因此充分挖掘中央空调系统节能空间，空调系统节能是建筑节能的重点任务。
目前，中央空调系统的设计多根据设计空调负荷来进行选型设计，建筑的中央空调系统的设计容量一般是按照较大的空调负荷需求进行选择，然而系统大部分时间是处于部分负荷情况下运行，不仅设备可能在低负荷工况出现不利的运行工况，而且整个中央空调系统的自身能耗也会增加，从而造成了大量能源浪费。
理想的方法是未来时刻建筑需要的准是等要求进行预测，以预测的负荷分布为基础，结合各运行设备的能耗模型，采用全局优化控制算法确定该预测条件下各系统设备的最优或者接近最优的运行参数并加以控制，从而达到节能优化的目的，而该途径的实现则需要准确的对空调系统运行过程中的冷负荷进行预测。
传统的空调系统冷水机组运行控制策略主要是通过监测回水温度来决定冷水机组的群控,由于空调冷冻水系统庞大，温度的变化具有较大的滞后性，不能准确反映空调运行过程中负荷动态变化的情况，造成冷水机组控制策略的失效。
现今传统的中央空调系统针对冷水机组、冷冻/却泵机组、冷却塔等设备分别进行控制，控制手段单一，无法保证空调组的整体能效降低，甚至可能导致某一设备节能的同时,整个空调系统的能耗出现大幅增加。
SVR回归机使训练数据通过核函数非线性映射到某一低维数组中，以结构风险最小化为优化准则，即是利用优化准则减少支持向量的个数并使其最小化。实际工程应用及理论研究表明SVR可以生成大边际决策回归器，并能够具有较好的泛化性能和学习能力。
CV方法，指交叉验证，是用来验证分类器的性能一种统计分析方法，将原始数据随机分为训练集和验证集，利用训练集训练分类器，然后利用验证集验证模型,记录最后的分类准确率为分类器的性能指标。
RBF(Radial Basis Function)，指径向基函数，是某种沿径向对称的标量函数。最常用的径向基函数是高斯核函数，它能够实现非线性映射。基于RBF的SVR负荷预测模型有更强的泛化能力和更高的精度及更快的计算速度。
此外，现有的基于预测模型的中央空调节能控制方法及系统，神经网络等模型，普遍存在预测复杂、训练过程难度较大、训练数据集量大等问题，对于应用于工业生产中实现成本较大。
为实现基于简单模型、小批量数据集的中央空调冷负荷预测方法，中国专利CN108709287A公开了一种空调系统冷负荷预测方法及冷水机组群控的策略，包括计算t和t+τ时刻冷负荷增量，建立模型并采集t-τ、t、t+τ的气象参数，代入得到上述时刻的冷负荷理论计算值，再计算两个时段的冷负荷理论计算值增量和t时刻修正系数γ，最近计算得到t+τ的冷负荷预测值。
虽然上述专利通过回归模型方法并加入修正系数，模型简单、容易训练。但是，具体而言，该专利方法针对历史数据进行冷负荷预测和准确性验证试验，其方法中预测t+τ时刻冷负荷值所需t+τ时刻的室外温度、湿度均无法准确获取，无法应用于实践生产当中。
发明内容
有鉴于此，本发明要解决的问题是针对现有技术中存在的模型复杂、不易实现应用等问题，而提供一种基于SVR算法的中央空调系统冷负荷预测方法。
为解决上述技术问题，本发明采用的技术方案是：一种基于SVR算法的中央空调系统冷负荷预测方法，包括冷负荷预测周期τ、建立以室外气象参数及室内空调系统相关参数历史数据和构建冷负荷预测训练数据集，还包括构建输入数据集、训练集和生成预测模型并保存，所述输入数据集的特征参数采用PCA主成分分析法获得。
一种基于SVR算法的中央空调系统冷负荷预测方法，包括以下：
步骤1)确定冷负荷预测周期τ；
步骤2)建立以室外气象参数及室内空调系统相关参数历史数据作为冷负荷预测计算模型的数据集；
步骤3)扩展数据集并获取空调冷负荷预测数据集主成分特征，构建冷负荷预测训练数据集；
步骤4)根据冷负荷预测周期τ，采集空调系统预测时刻t+τ冷负荷数据集；
步骤5)基于空调系统主成分输入数据集与冷负荷预测数据集构建训练集，进行回归算法预测训练，生成预测模型并保存；
步骤6)调用步骤5)中保存的预测模型，基于当前时刻t冷负荷预测相关参数作为输入数据，预测下一时刻t+τ的冷负荷预测值Qpred(t+τ)。
与现有技术相比，本发明的有益效果是：
本发明根据室外气象参数和室内中央空调运行参数实时数据，进行预测未来时刻室内冷负荷需求，本系统采用基于RBF核的SVR回归算法进行空调冷负荷预测，并且采用PCA主成分分析的方法优选训练数据集特征参数，实现基于小批量训练数据、模型训练简单的方法较高准确度的预测未来时刻室内对空调冷负荷的需求。本发明由于采用上述结构，本预测方法的结构简单，测量的成本低，集成化程度高，可方便地对应用于空调节能控制中，有广泛的应用价值和市场前景。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1所示为本发明的一种基于SVR算法的中央空调系统冷负荷预测方法的流程图；
图2所示为中央空调系统冷负荷预测方法预测模型训练实现流程图；
图3所示为冷负荷预测模型测试与调用示意图；
图4所示为冷负荷预测方法模型预测准确率示意图。
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。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
本发明提供的一种基于SVR算法的中央空调系统冷负荷预测方法,其流程图如图1所示，包括以下步骤：
步骤1)确定冷负荷预测周期τ。
本发明中冷负荷预测周期τ为30分钟。
对于本发明而言，在具体应用时，可根据实际场景要求调整数据采集时间段和冷负荷预测周期τ。
步骤2)建立以室外气象参数及室内空调系统相关参数历史数据作为冷负荷预测计算模型的数据集。
具体来说，采集的室外气象参数和室内中央空调运行参数数据时间段为每日空调系统开机运行时间段，采集数据参数包括T(t)、H(t)、Td、Q(t)。其中，T(t)为室外温度，H(t)室外湿度，Td为空调系统湿球温度，Q(t)为空调系统冷负荷值。
优选地，训练所采集的数据集为每日早上9点30分至下午18点整，采集时间间隔为τ。应当理解，采集时间间隔τ亦为冷负荷预测周期τ。所述采集数据时间段避免工作时间内空调系统刚开机不稳定噪声数据，给预测模型建立带来不确定性。
所述不稳定噪声数据，是由于空调系统刚开机运行时，运行状态不稳定等因素，即在诸如外界气象参数差异较大时，空调系统运行数据亦可能相同。
所述不稳定噪声数据的去除，不会对实际应用和预测模型的建立产生过大的偏差，即所述采集时间段数据亦能保证实际的冷负荷预测需求，大大提高了产品性能和施工的统一性，并且能够增强系统的鲁棒性。
步骤3)扩展数据集并获取空调冷负荷预测数据集主成分特征，构建冷负荷预测训练数集。
由步骤2)中采集数据集T(t)、H(t)、Td、Q(t)，并根据时间间隔τ，通过按时间间隔τ在时间序列上前后平移，得到T(t-τ)、H(t-τ)、Q(t-τ)。
其中，T(t-τ)为上一时刻t-τ的室外温度，H(t-τ)为上一时刻t-τ的室外湿度，Q(t-τ)为上一时刻t-τ空调系统冷负荷值。
表1所述扩展后数据集示例
所述获取空调冷负荷预测数据集主成分特征，本发明采用了PCA主成分分析方法，从诸多特征数据中获取与空调冷负荷预测相关性最高的4个特征参数，构建冷负荷预测训练数据集。
PCA主成分分析法是一种重要的无监督降维方法，其基本思想是：找出原始数据里最主要的方面代替原始数据，使得在损失少部分原始信息的基础上极大地降低原始数据的维度。广泛应用在机器学习领域中，其可便捷减小训练数据数据量级，实现本发明构建冷负荷预测训练集特征之目的。
具体来说，所述的与空调冷负荷预测相关性最高的4个特征参数包括当前时刻t室外温度T(t)、当前时刻t室外湿度H(t)、当前时刻t空调系统冷负荷Q(t)、上一时刻t-τ空调系统冷负荷Q(t-τ)，构成最终训练数据集X。
表2所述最终训练数据集X示例:
步骤4)根据冷负荷预测周期τ，采集空调系统预测时刻t+τ冷负荷数据集。
所述的采集空调系统预测时刻t+τ冷负荷数据集，根据冷负荷预测周期τ以及t时刻冷负荷数据Q(t)向后扩展得到，具体如当前时刻t为早上10点，则所预测值为t+τ时刻冷负荷数据集Q(t+τ)，即早上10点30分空调系统冷负荷值遍历获取所有冷负荷数据，构造样本预测集y。
表3所述最终样本预测集y示例:
优选地，本发明中每日采集工作时间段为早上9点整至下午18点整，其中下午18点整为空调系统关闭运行时刻，无需再进行预测下一时刻，即下午18点30分的冷负荷值。
本发明中训练数据集X采样时间范围为每日早上9点30分至下午17点30分的数据，采样时间间隔为τ；样本预测集y采样时间范围为每日早上10点整至下午18点整的数据，采样时间间隔为τ，具体值如上，不再展开叙述。
步骤5)基于空调系统主成分输入数据集与冷负荷预测数据集构建训练集，进行回归算法预测训练，生成预测模型并保存。
根据数据集X，Y按照80％比例划分训练集和测试集进行CV交叉验证训练，具体地，本发明中采用5折交叉验证，即CV＝5。
所述的冷负荷预测方法是一种基于RBF核SVR算法，优选地，采用RBF核中的高斯核。所述的SVR算法为本领域公知方法，在此不一一赘述。
具体地，采用网格搜索的方法寻找最优算法超参数，本发明中所使用算的超参数为正则化参数C和核函数系数γ。其中，正则化参数CD的网格搜索取值集合为：[0.1,1,10,100,1000]；核函数参数γ的网格搜索取值集合为：[0.01,0.03,0.08,0.22,0.60,1.67,4.64,1.30,35.9,100]。
最后，对训练得到的预测模型进行保存,所述预测模型训练方法流程如图3所示。
步骤6)调用步骤5)中保存的预测模型，基于当前时刻t冷负荷预测相关参数作为输入数据，预测下一时刻t+τ的冷负荷预测值Qpred(t+τ)。
输入当前时刻t室外温度T(t)、当前时刻t室外湿度H(t)、当前时刻t空调系统冷负荷Q(t)、上一时刻t-τ空调系统冷负荷Q(t-τ)，调用保存的预测模型，预测下一时刻t+τ的冷负荷值Qpred(t+τ)。具体实现如图3预测示例图所示。
实施例二
为验证所述的测试方法，采用测试数据集对保存的预测模型进行空调冷负荷预测测试。本发明冷负荷预测值与冷负荷真实值对比实例情况如图4空调冷负荷预测方法预测准确率图。结果表明：预测准确率高达93.28％，R2值为0.933。该测试方法可应用于中央空调系统冷负荷预测与分析，其操作简便、精度高、成本低、测试范围广、定位准确、易于实现，为开发方便、快捷的为中央空调节能优化提供了理论支撑。
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。
Claims (10)
1.一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，包括以下步骤：
步骤1)确定冷负荷预测周期τ；
步骤2)建立以室外气象参数及室内空调系统相关参数历史数据作为冷负荷预测计算模型的数据集；
步骤3)扩展数据集并获取空调冷负荷预测数据集中的主成分特征，构建冷负荷预测训练数据集X；
步骤4)根据冷负荷预测周期τ，采集空调系统预测时刻t+τ冷负荷数据构造预测集Y；
步骤5)基于空调系统主成分特征作为输入数据集，结合冷负荷预测训练数据集构建训练集，采取回归算法策略预测训练，生成并保存预测模型；
步骤6)调用步骤5)保存的预测模型，将当前时刻t冷负荷预测相关参数作为输入数据，预测下一时刻t+τ的冷负荷预测值Qpred(t+τ)。
2.如权利要求1所述的一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，所述步骤1)中冷负荷预测周期τ设置为30分钟。
3.如权利要求1所述的一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，所述步骤2)中室外气象参数包括T(t)、T(t-τ)、H(t)、H(t-τ)，室内空调系统相关参数包括Td、Q(t)、Q(t-τ)；
T(t)为当前时刻t室外温度，H(t)为当前时刻t室外湿度，T(t-τ)为上一时刻t-τ室外温度，H(t-τ)为上一时刻t-τ室外湿度，Td为空调系统当前时刻t湿球温度，Q(t)为当前时刻t空调系统冷负荷值、Q(t-τ)为上一时刻t-τ空调系统冷负荷值。
4.如权利要求1所述的一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，所述步骤3)中采用PCA主成分分析法获取空调冷负荷预测数据集主成分特征，并构建冷负荷预测训练数据集。
5.如权利要求1所述的一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，所述步骤4)中，根据冷负荷预测周期τ，采集空调系统预测时刻t+τ冷负荷数据集，采t+τ时刻冷负荷值进行预测训练。
6.如权利要求1所述的一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，所述步骤5)中所述回归算法策略具体过程是先将数据集X和预测集Y按比例划分进行CV交叉验证训练，定义正则化参数C和核函数系数γ，采用网格搜索法确定网格搜索取值集合。
7.如权利要求1所述的一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，所述步骤5)中空调系统主成分特征作为输入数据集具体包括当前时刻t室外温度T(t)、当前时刻t室外湿度H(t)、当前时刻t空调系统冷负荷Q(t)和上一时刻t-τ空调系统冷负荷Q(t-τ)。
8.如权利要求1所述的一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，所述步骤6)中输入数据包括当前时刻t室外温度T(t)、当前时刻t室外湿度H(t)、当前时刻t空调系统冷负荷Q(t)、上一时刻t-τ空调系统冷负荷Q(t-τ)。
9.如权利要求1所述的一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，所述步骤6)中预测下一时刻t+τ的冷负荷值Qpred(t+τ)的具体方法为：调用步骤5)中所保存的预测模型，输入步骤6)中所要求的相关参数，预测下一时刻t+τ的冷负荷值Qpred(t+τ)。
10.如权利要求6所述的一种基于SVR算法的中央空调系统冷负荷预测方法，其特征在于，所述所述步骤5)中CV交叉验证训练过程采用的是5折交叉验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010673629.8A CN111735177B (zh) | 2020-07-15 | 2020-07-15 | 一种基于svr算法的中央空调系统冷负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010673629.8A CN111735177B (zh) | 2020-07-15 | 2020-07-15 | 一种基于svr算法的中央空调系统冷负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111735177A true CN111735177A (zh) | 2020-10-02 |
| CN111735177B CN111735177B (zh) | 2024-06-18 |
Family
ID=72655937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010673629.8A Active CN111735177B (zh) | 2020-07-15 | 2020-07-15 | 一种基于svr算法的中央空调系统冷负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111735177B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112268350A (zh) * | 2020-10-22 | 2021-01-26 | 天津大学 | 一种基于系统延迟性的空调侧负荷预测方法 |
| CN112966446A (zh) * | 2021-03-24 | 2021-06-15 | 青岛洪锦智慧能源技术有限公司 | 一种中央空调制冷系统中冷却水循环能耗的预测方法 |
| EP4119861A1 (en) * | 2021-07-12 | 2023-01-18 | Robert Bosch GmbH | Heating, ventilation, and air-conditioning system and method of controlling a heating, ventilation, and air-conditioning system |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719028A (zh) * | 2016-03-08 | 2016-06-29 | 北京工业大学 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
| US20180356775A1 (en) * | 2017-06-12 | 2018-12-13 | PassiveLogic, Inc. | Heuristic method of automated and learning control, and building automation systems thereof |
| CN109871987A (zh) * | 2019-01-28 | 2019-06-11 | 中建八局第三建设有限公司 | 一种智能建筑暖通设备综合节能控制方法 |
| CN110222398A (zh) * | 2019-05-29 | 2019-09-10 | 广州汇电云联互联网科技有限公司 | 冷水机组人工智能控制方法、装置、存储介质及终端设备 |
-
2020
- 2020-07-15 CN CN202010673629.8A patent/CN111735177B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719028A (zh) * | 2016-03-08 | 2016-06-29 | 北京工业大学 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
| US20180356775A1 (en) * | 2017-06-12 | 2018-12-13 | PassiveLogic, Inc. | Heuristic method of automated and learning control, and building automation systems thereof |
| CN109871987A (zh) * | 2019-01-28 | 2019-06-11 | 中建八局第三建设有限公司 | 一种智能建筑暖通设备综合节能控制方法 |
| CN110222398A (zh) * | 2019-05-29 | 2019-09-10 | 广州汇电云联互联网科技有限公司 | 冷水机组人工智能控制方法、装置、存储介质及终端设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112268350A (zh) * | 2020-10-22 | 2021-01-26 | 天津大学 | 一种基于系统延迟性的空调侧负荷预测方法 |
| CN112966446A (zh) * | 2021-03-24 | 2021-06-15 | 青岛洪锦智慧能源技术有限公司 | 一种中央空调制冷系统中冷却水循环能耗的预测方法 |
| CN112966446B (zh) * | 2021-03-24 | 2022-09-02 | 青岛洪锦智慧能源技术有限公司 | 一种中央空调制冷系统中冷却水循环能耗的预测方法 |
| EP4119861A1 (en) * | 2021-07-12 | 2023-01-18 | Robert Bosch GmbH | Heating, ventilation, and air-conditioning system and method of controlling a heating, ventilation, and air-conditioning system |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111735177B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111735177A (zh) | 一种基于svr算法的中央空调系统冷负荷预测方法 | |
| CN113326651B (zh) | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 | |
| Yan et al. | A simplified prediction model for energy use of air conditioner in residential buildings based on monitoring data from the cloud platform | |
| CN112001439A (zh) | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 | |
| CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
| CN111612273B (zh) | 一种区域级综合能源系统分区设计方法及系统 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| CN113048807B (zh) | 一种空冷机组背压异常检测方法 | |
| CN115983430B (zh) | 一种综合能源系统管理优化的方法及系统 | |
| CN111754037A (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
| CN116402483B (zh) | 一种园区碳排放量在线监测方法及系统 | |
| CN116204779B (zh) | 一种判断储能盐穴运行状态的方法、系统及可读存储介质 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| Jin et al. | Wind and photovoltaic power time series data aggregation method based on an ensemble clustering and Markov chain | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN112257964B (zh) | 一种负荷密集型城市智慧园区需求聚合建模方法 | |
| Shabbir et al. | Machine learning and deep learning techniques for residential load forecasting: A comparative analysis | |
| CN117993611A (zh) | 一种基于场景时序的灵活热源新能源消纳能力评估方法 | |
| CN117273077A (zh) | 一种基于cnn-lstm的中央空调需求响应测试方法及系统 | |
| CN117332288A (zh) | 一种建筑节能技术评估系统及方法 | |
| CN117277377A (zh) | 基于电力负荷预测的新型电力系统储能方法及系统 | |
| CN113449909B (zh) | 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 | |
| Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
| Wang et al. | Regional wind power forecasting based on hierarchical clustering and upscaling method | |
| CN113449466A (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 |
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 |