CN112365103A - 运行阶段建筑短期负荷预测方法、装置、设备和介质 - Google Patents
运行阶段建筑短期负荷预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112365103A CN112365103A CN202011436856.5A CN202011436856A CN112365103A CN 112365103 A CN112365103 A CN 112365103A CN 202011436856 A CN202011436856 A CN 202011436856A CN 112365103 A CN112365103 A CN 112365103A
- Authority
- CN
- China
- Prior art keywords
- model
- input data
- heat
- load
- 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 41
- 230000005855 radiation Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000004378 air conditioning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012821 model calculation 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及一种运行阶段建筑短期负荷预测方法、装置、设备和介质。所述方法包括:获取当前运行阶段的模型输入数据,所述模型输入数据至少包括根据当前天气状态计算得到的太阳辐射;将所述模型输入数据输入至预先训练得到的模型中,以通过所述模型对所述模型输入数据进行预测处理得到对应的当前建筑短期负荷。采用本方法能够提高建筑短期负荷的预测的可操作性。
Description
技术领域
本申请涉及建筑暖通空调技术领域,特别是涉及一种运行阶段建筑短期负荷预测方法、装置、设备和介质。
背景技术
目前建筑暖通空调系统(HVAC)有非常大的能耗,通过对冷负荷的准确预测,可帮助运行维护人员提前了解建筑用能需求,可以指导机组调控与运行,以达到经济效益最优运行的目的。
传统的对于建筑暖通空调系统的短期负荷预测通常是针对BP神经网络的算法的优化,并未考虑到实际运行阶段的问题,从而使得通过优化后的算法的可操作性不强。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高建筑短期负荷的预测的可操作性的运行阶段建筑短期负荷预测方法、装置、设备和介质。
一种运行阶段建筑短期负荷预测方法,所述方法包括:
获取当前运行阶段的模型输入数据,所述模型输入数据至少包括根据当前天气状态计算得到的太阳辐射;
将所述模型输入数据输入至预先训练得到的模型中,以通过所述模型对所述模型输入数据进行预测处理得到对应的当前建筑短期负荷。
在其中一个实施例中,所述太阳辐射的计算方式包括:
根据以下公式计算得到太阳辐射:
Q=1-0.0065×C2
其中,Q为太阳辐射,C为天气系数,不同的天气状态对应不同的天气系数。
在其中一个实施例中,所述模型输入数据还包括历史负荷、室外温度、室内热扰中的至少一种。
在其中一个实施例中,所述室内热扰的计算方式包括:
分别计算照明热量、设备热量和人员热量;
根据所述照明热量、设备热量和人员热量计算得到室内热扰。
在其中一个实施例中,所述分别计算照明热量、设备热量和人员热量,包括:
获取当前时间对应的当前模式,所述当前模式包括工作日模式和节假日模式;
根据所述当前模式分别计算照明热量、设备热量和人员热量。
在其中一个实施例中,所述历史负荷的计算方式包括:
获取原始负荷数据,对所述原始负荷数据进行清洗;
根据模型输出数据从清洗后的原始负荷数据中提取历史负荷。
在其中一个实施例中,所述模型的训练方式包括:
确定模型输入参数,并获取各个模型输入参数对应的样本模型输入数据,所述样本模型输入数据至少包括样本太阳辐射;
确定模型结构;
将所述样本模型输入数据输入至确定了模型结构的模型中得到模型输出数据;
根据所述样本模型输入数据对应的样本输出数据以及所述模型输出数据计算得到模型训练评价参数;
根据所述模型训练参数对所述样本模型输入数据和/或所述模型结构进行调整,直至所述模型训练评价参数满足预设条件。
在其中一个实施例中,所述确定模型结构,包括:
确定模型的隐含层的层数以及神经元节点的数量;
根据模型的输入参数、模型的隐含层以及模型的输出参数确定模型结构。
一种运行阶段建筑短期负荷预测装置,所述装置包括:
输入数据确定模块,用于获取当前运行阶段的模型输入数据,所述模型输入数据至少包括根据当前天气状态计算得到的太阳辐射;
预测模块,用于将所述模型输入数据输入至预先训练得到的模型中,以通过所述模型对所述模型输入数据进行预测处理得到对应的当前建筑短期负荷。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意一个实施例中的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一个实施例中的方法的步骤。
上述运行阶段建筑短期负荷预测方法、装置、设备和介质,通过天气状态来获取到太阳辐射,使得能够准确地获取到实际运行阶段的太阳的辐射,从而使得模型更具有可操作性。
附图说明
图1为一个实施例中运行阶段建筑短期负荷预测方法的应用环境图;
图2为一个实施例中运行阶段建筑短期负荷预测方法的流程示意图;
图3为一个实施例中模型的结构示意图;
图4为一个实施例中模型训练方式的流程示意图;
图5为一个实施例中运行阶段建筑短期负荷预测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的运行阶段建筑短期负荷预测方法,可以应用于如图1所示的应用环境中。其中,服务器102通过网络与空调系统104、温度采集系统106、热扰采集系统108以及天气状态采集系统110中的至少一个相连接,其中图1中为了方便,将服务器102与空调系统104、温度采集系统106、热扰采集系统108以及天气状态采集系统110均连接示出。其中空调系统104、温度采集系统106、热扰采集系统108以及天气状态采集系统110用于采集当前运行阶段的模型输入数据,并将模型输入数据发送给服务器102,其中服务器102获取到天气状态采集系统110所采集的天气状态,并根据天气状态计算得到了太阳辐射,从而服务器102将模型输入数据输入至预先训练得到的模型中,以通过模型对模型输入数据进行预测处理得到对应的当前建筑短期负荷。其中,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种运行阶段建筑短期负荷预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:获取当前运行阶段的模型输入数据,模型输入数据至少包括根据当前天气状态计算得到的太阳辐射。
具体地,模型输入数据包括太阳辐射、历史负荷、室外温度、室内热扰中的至少一种,在本实施例中,为了保证提高预测的可操作性,太阳辐射是根据预测时间段的天气状态(晴、多云、阴等)计算得到的,预测时间段的天气状态通过天气预报得到,这样能够更容易地获取到实际运行阶段的太阳的辐射。
历史负荷是指空调系统在运行时所实际采集到的负荷信息。室外温度则是通过传感器所采集到的与历史负荷对应的实时温度,室内热扰可以是根据调查所确定,也可以是通过物联网的方式确定的,具体可以参见下文。
S204:将模型输入数据输入至预先训练得到的模型中,以通过模型对模型输入数据进行预测处理得到对应的当前建筑短期负荷。
具体地,模型是预先训练得到的,该模型的训练的数据是历史数据,且该些历史数据也是包括根据天气状态所计算得到的太阳辐射的,这样保证了模型训练过程中的数据和模型处理过程中的数据的一致性,且通过天气类型简化了太阳辐射的数据获取,为建筑实际负荷预测提高可行性及可操作性。
具体地,模型的结构可以参见图3所示,其中包括输入层、隐含层和输出层,其中输入层则是至上述模型输入数据,隐含层则是计算层,输出层则是最后输出的当前建筑短期负荷,从而便于空调系统进行调节,以节省能源。
上述运行阶段建筑短期负荷预测方法,通过天气状态来获取到太阳辐射,使得能够准确地获取到实际运行阶段的太阳的辐射,从而使得模型更具有可操作性。
在其中一个实施例中,太阳辐射的计算方式包括:根据以下公式计算得到太阳辐射:
Q=1-0.0065×C2
其中,Q为太阳辐射,C为天气系数,不同的天气状态对应不同的天气系数。
具体地,为了实现对太阳辐射的计算,本实施例中根据不同的天气状态预设了天气系数,例如天气情况可以按照晴、少云、多云、阴天、雨、雪,对应的云量系数分别为0、3、6、8、9、10,从而可以计算出不同天气情况下的太阳辐射。
上述实施例中,通过天气状态简化了太阳辐射的计算方法,从而能够准确地获取到实际运行阶段的太阳的辐射,从而使得模型计算所得到的建筑短期负荷更为准确。
在其中一个实施例中,室内热扰的计算方式包括:分别计算照明热量、设备热量和人员热量;根据照明热量、设备热量和人员热量计算得到室内热扰。
具体地,室内热扰考虑照明、设备、人员三种因素,其都与建筑运行特性有关,根据建筑实际运行状况确定。
室内热扰可以根据以下公式计算得到:
DIS=El+Ee+Ep
其中:DIS为总热扰,W/m2;El为照明得热量,W/m2;Ee为设备得热量,W/m2;Ep为人员得热量,W/m2。
照明热量计算公式如下:
El=fl×LPD
其中,fl为照明开关百分比,%,根据建筑运行情况确定;LPD为照明功率密度值,W/m2根据建筑设计情况确定。
设备热量计算公式如下:
Ee=fe×Ei
其中,fe为设备使用率,%,根据建筑运行情况确定;Ei为设备功率,W/m2,根据建筑设计情况确定。
人员得热量计算公式如下:
Ep=fp×Ej
Ej=ρ×Nj
其中,fp为人员在室率,%,根据建筑运行情况确定;Ej为单位面积人员得热,W/m2;ρ为人员密度,人/m2,根据建筑运行情况确定,Nj为人员散热,W/人,根据人员的活动强度确定。
其中,上述照明开关百分比、设备使用率以及人员在室率可以是根据事先调查得到的,即通过采样的方式在一持续时间段内进行采样从而确定了与历史负荷时间段内,以及预测负荷时间段内的照明开关百分比、设备使用率以及人员在室率,这样在使用的时候可以直接获取到。
在其他实施例中,还可以通过物联网的方式,即照明装置和设备均进行物联网,从而照明系统可以获取到当前在用的照明装置的数量,进而可以通过当前在用的照明装置的数量与照明装置的总数量进行计算以实时获取到照明开关百分比。同样地,对于设备使用率也是可以通过热扰采集系统中的设备监测系统来实时获取到在用设备,从而根据在用设备的数量与设备总数量计算得到设备使用率。而对于人员在室率则可以通过门禁卡系统进行统计,即计算打卡的数量,从而确定在室内的人员的数量,进而根据建筑物的面积计算得到人员在室率。
上述实施例中,根据建筑运行情况确定了实际的室内热扰,从而保证了后续计算的准确性。
在其中一个实施例中,分别计算照明热量、设备热量和人员热量,包括:获取当前时间对应的当前模式,当前模式包括工作日模式和节假日模式;根据当前模式分别计算照明热量、设备热量和人员热量。
具体地,服务器可以通过比较建筑工作日与节假日的上述指标的差异,若相差较大,则总热扰也可相应划分为工作日模式与节假日模式,即通过划分模型保证上述照明热量、设备热量和人员热量的计算的准确性。
上述划分模式主要是应用于事先调查的方案中,即事先调查时,通过将上述照明热量、设备热量和人员热量划分为工作日与节假日进行计算,然后比较指标之间的差异,例如直接求取差值,通过多个周的差值的平均值的绝对值与预设阈值比较,以判断差异的大小,即若是大于预设阈值,则差异大,从而划分工作日模式与节假日模式,进而将上述照明热量、设备热量和人员热量进行工作日模式与节假日模式的存储,从而在每次计算建筑短期负荷时,服务器获取当前时间,并根据当前时间确定当前模式,进而根据当前模式读取照明热量、设备热量和人员热量中的必要参数,从而进行计算。
上述实施例中,通过划分工作模式,保证了室内热扰计算的准确性。
在其中一个实施例中,历史负荷的计算方式包括:获取原始负荷数据,对原始负荷数据进行清洗;根据模型输出数据从清洗后的原始负荷数据中提取历史负荷。
其中,清洗是为了获取数据的准确性,一般来说可以处理为逐时值。然后标注出负荷数据为负值、长时间连续不变、缺失、过大等明显错误的数据。根据原始数据的优劣判断是否进行数据平滑处理。平滑处理后再剔除标出的错误数据。
此外,根据模型输出数据确定历史负荷的提取范围,例如历史数据的选取需要根据预测结果制定,如需预测下一小时t的负荷,则历史数据可以选取t-1的负荷,若需预测下一天d的逐时负荷,则历史数据选取d-1的逐时负荷,当热扰区分节假日与工作日时,历史数据还可选取d-7的逐时负荷,以此类推。
上述实施例中,通过清洗的方式保证了历史负荷的准确性,剔除了不准确的数据,且通过模型输出数据确定历史负荷的提取区间,保证了输入和输出的对应。
在其中一个实施例中,参见图4所示,图4为一个实施例中的模型的训练方式的流程图,该模型训练方式包括:
S402:确定模型输入参数,并获取各个模型输入参数对应的样本模型输入数据,样本模型输入数据至少包括样本太阳辐射。
具体地,模型输入参数包括太阳辐射、历史负荷、室外温度、室内热扰中的至少一种。样本太阳辐射的计算方式可以参见上文,在此不再赘述。
对于历史负荷,为了保证历史负荷的准确性,服务器对于原始数据的处理主要是依据预测结果的需求,一般来说可以处理为逐时值。然后标注出制冷量为负值、长时间连续不变、缺失、过大等明显错误的数据。根据原始数据的优劣判断是否进行数据平滑处理。平滑处理后再剔除标出的错误数据,从而得到历史负荷。
S404:确定模型结构。
可选地,确定模型的隐含层的层数以及神经元节点的数量;根据模型的输入参数、模型的隐含层以及模型的输出参数确定模型结构。
具体地,模型结构可以参见图3所示,其中先确定输入层,输入层参数为影响空调冷负荷和热负荷的主要因素,需要综合考虑到内扰和外扰,并选取影响负荷的主要因素,一般可选取历史负荷、室外温度、太阳辐射、室内热扰四种,频率与预测结果一致,采用逐时值。再确定隐含层,隐含层选取一层即可满足空调负荷预测的需求,隐含层神经元的数量可选取1~2倍输入层神经元节点的数量,最后输出层即模型输出数据。
S406:将样本模型输入数据输入至确定了模型结构的模型中得到模型输出数据。
S408:根据样本模型输入数据对应的样本输出数据以及模型输出数据计算得到模型训练评价参数。
S410:根据模型训练参数对样本模型输入数据和/或模型结构进行调整,直至模型训练评价参数满足预设条件。
具体地,通过历史数据对模型进行训练,该模型可以是BP神经网络,并测试预测的结果,其中,评价参数可以参见下列公式:
具体地,若MRE及CV(RMSE)未满足要求(10%,15%)则可进一步细化历史数据的处理过程,即采用其他平滑方式等,或重新确定上述模型输入参数,包括太阳辐射、历史负荷、室外温度、室内热扰中的至少一种。
上述实施例中,根据天气类型计算太阳辐射,解决了负荷预测过程中太阳辐射预测值及历史值获取难度较大的问题。提高在BP神经网络应用于实际建筑中的可行性及可操作性。
应该理解的是,虽然图2和图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2和图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种运行阶段建筑短期负荷预测装置,包括:输入数据确定模块100和预测模块200,其中:
输入数据确定模块100,用于获取当前运行阶段的模型输入数据,模型输入数据至少包括根据当前天气状态计算得到的太阳辐射;
预测模块200,用于将模型输入数据输入至预先训练得到的模型中,以通过模型对模型输入数据进行预测处理得到对应的当前建筑短期负荷。
在其中一个实施例中,上述输入数据确定模块100还用于根据以下公式计算得到太阳辐射:
Q=1-0.0065×C2
其中,Q为太阳辐射,C为天气系数,不同的天气状态对应不同的天气系数。
在其中一个实施例中,模型输入数据还包括历史负荷、室外温度、室内热扰中的至少一种。
在其中一个实施例中,上述输入数据确定模块100还包括:
第一计算单元,用于分别计算照明热量、设备热量和人员热量;
第二计算单元,用于根据照明热量、设备热量和人员热量计算得到室内热扰。
在其中一个实施例中,上述第一计算单元包括:
模式获取子单元,用于获取当前时间对应的当前模式,当前模式包括工作日模式和节假日模式;
计算子单元,用于根据当前模式分别计算照明热量、设备热量和人员热量。
在其中一个实施例中,上述输入数据确定模块100还包括:
清洗单元,用于获取原始负荷数据,对原始负荷数据进行清洗;
提取单元用于根据模型输出数据从清洗后的原始负荷数据中提取历史负荷。
在其中一个实施例中,运行阶段建筑短期负荷预测装置还包括:
样本确定模块,用于确定模型输入参数,并获取各个模型输入参数对应的样本模型输入数据,样本模型输入数据至少包括样本太阳辐射;
结构确定模块,用于确定模型结构;
模型输出确定模块,用于将样本模型输入数据输入至确定了模型结构的模型中得到模型输出数据;
评价参数生成模块,用于根据样本模型输入数据对应的样本输出数据以及模型输出数据计算得到模型训练评价参数;
模型调整模块,用于根据模型训练参数对样本模型输入数据和/或模型结构进行调整,直至模型训练评价参数满足预设条件。
在其中一个实施例中,上述结构确定模块还包括:
隐含层确定单元,用于确定模型的隐含层的层数以及神经元节点的数量;
模型结构确定单元,用于根据模型的输入参数、模型的隐含层以及模型的输出参数确定模型结构。
关于运行阶段建筑短期负荷预测装置的具体限定可以参见上文中对于运行阶段建筑短期负荷预测方法的限定,在此不再赘述。上述运行阶段建筑短期负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储模型输入数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种运行阶段建筑短期负荷预测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取当前运行阶段的模型输入数据,模型输入数据至少包括根据当前天气状态计算得到的太阳辐射;将模型输入数据输入至预先训练得到的模型中,以通过模型对模型输入数据进行预测处理得到对应的当前建筑短期负荷。
在一个实施例中,处理器执行计算机程序时所实现的太阳辐射的计算方式包括:根据以下公式计算得到太阳辐射:
Q=1-0.0065×C2
其中,Q为太阳辐射,C为天气系数,不同的天气状态对应不同的天气系数。
在一个实施例中,处理器执行计算机程序时所涉及的模型输入数据还包括历史负荷、室外温度、室内热扰中的至少一种。
在一个实施例中,处理器执行计算机程序时所实现的室内热扰的计算方式包括:分别计算照明热量、设备热量和人员热量;根据照明热量、设备热量和人员热量计算得到室内热扰。
在一个实施例中,处理器执行计算机程序时所实现的分别计算照明热量、设备热量和人员热量,包括:获取当前时间对应的当前模式,当前模式包括工作日模式和节假日模式;根据当前模式分别计算照明热量、设备热量和人员热量。
在一个实施例中,处理器执行计算机程序时所实现的历史负荷的计算方式包括:获取原始负荷数据,对原始负荷数据进行清洗;根据模型输出数据从清洗后的原始负荷数据中提取历史负荷。
在一个实施例中,处理器执行计算机程序时所实现的模型的训练方式包括:确定模型输入参数,并获取各个模型输入参数对应的样本模型输入数据,样本模型输入数据至少包括样本太阳辐射;确定模型结构;将样本模型输入数据输入至确定了模型结构的模型中得到模型输出数据;根据样本模型输入数据对应的样本输出数据以及模型输出数据计算得到模型训练评价参数;根据模型训练参数对样本模型输入数据和/或模型结构进行调整,直至模型训练评价参数满足预设条件。
在一个实施例中,处理器执行计算机程序时所实现的确定模型结构,包括:确定模型的隐含层的层数以及神经元节点的数量;根据模型的输入参数、模型的隐含层以及模型的输出参数确定模型结构。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取当前运行阶段的模型输入数据,模型输入数据至少包括根据当前天气状态计算得到的太阳辐射;将模型输入数据输入至预先训练得到的模型中,以通过模型对模型输入数据进行预测处理得到对应的当前建筑短期负荷。
在一个实施例中,计算机程序被处理器执行时所实现的太阳辐射的计算方式包括:根据以下公式计算得到太阳辐射:
Q=1-0.0065×C2
其中,Q为太阳辐射,C为天气系数,不同的天气状态对应不同的天气系数。
在一个实施例中,计算机程序被处理器执行时所涉及的模型输入数据还包括历史负荷、室外温度、室内热扰中的至少一种。
在一个实施例中,计算机程序被处理器执行时所实现的室内热扰的计算方式包括:分别计算照明热量、设备热量和人员热量;根据照明热量、设备热量和人员热量计算得到室内热扰。
在一个实施例中,计算机程序被处理器执行时所实现的分别计算照明热量、设备热量和人员热量,包括:获取当前时间对应的当前模式,当前模式包括工作日模式和节假日模式;根据当前模式分别计算照明热量、设备热量和人员热量。
在一个实施例中,计算机程序被处理器执行时所实现的历史负荷的计算方式包括:获取原始负荷数据,对原始负荷数据进行清洗;根据模型输出数据从清洗后的原始负荷数据中提取历史负荷。
在一个实施例中,计算机程序被处理器执行时所实现的模型的训练方式包括:确定模型输入参数,并获取各个模型输入参数对应的样本模型输入数据,样本模型输入数据至少包括样本太阳辐射;确定模型结构;将样本模型输入数据输入至确定了模型结构的模型中得到模型输出数据;根据样本模型输入数据对应的样本输出数据以及模型输出数据计算得到模型训练评价参数;根据模型训练参数对样本模型输入数据和/或模型结构进行调整,直至模型训练评价参数满足预设条件。
在一个实施例中,计算机程序被处理器执行时所实现的确定模型结构,包括:确定模型的隐含层的层数以及神经元节点的数量;根据模型的输入参数、模型的隐含层以及模型的输出参数确定模型结构。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种运行阶段建筑短期负荷预测方法,其特征在于,所述方法包括:
获取当前运行阶段的模型输入数据,所述模型输入数据至少包括根据当前天气状态计算得到的太阳辐射;
将所述模型输入数据输入至预先训练得到的模型中,以通过所述模型对所述模型输入数据进行预测处理得到对应的当前建筑短期负荷。
2.根据权利要求1所述的方法,其特征在于,所述太阳辐射的计算方式包括:
根据以下公式计算得到太阳辐射:
Q=1-0.0065×C2
其中,Q为太阳辐射,C为天气系数,不同的天气状态对应不同的天气系数。
3.根据权利要求1所述的方法,其特征在于,所述模型输入数据还包括历史负荷、室外温度、室内热扰中的至少一种。
4.根据权利要求3所述的方法,其特征在于,所述室内热扰的计算方式包括:
分别计算照明热量、设备热量和人员热量;
根据所述照明热量、设备热量和人员热量计算得到室内热扰。
5.根据权利要求4所述的方法,其特征在于,所述分别计算照明热量、设备热量和人员热量,包括:
获取当前时间对应的当前模式,所述当前模式包括工作日模式和节假日模式;
根据所述当前模式分别计算照明热量、设备热量和人员热量。
6.根据权利要求3所述的方法,其特征在于,所述历史负荷的计算方式包括:
获取原始负荷数据,对所述原始负荷数据进行清洗;
根据模型输出数据从清洗后的原始负荷数据中提取历史负荷。
7.根据权利要求1所述的方法,其特征在于,所述模型的训练方式包括:
确定模型输入参数,并获取各个模型输入参数对应的样本模型输入数据,所述样本模型输入数据至少包括样本太阳辐射;
确定模型结构;
将所述样本模型输入数据输入至确定了模型结构的模型中得到模型输出数据;
根据所述样本模型输入数据对应的样本输出数据以及所述模型输出数据计算得到模型训练评价参数;
根据所述模型训练参数对所述样本模型输入数据和/或所述模型结构进行调整,直至所述模型训练评价参数满足预设条件。
8.根据权利要求7所述的方法,其特征在于,所述确定模型结构,包括:
确定模型的隐含层的层数以及神经元节点的数量;
根据模型的输入参数、模型的隐含层以及模型的输出参数确定模型结构。
9.一种运行阶段建筑短期负荷预测装置,其特征在于,所述装置包括:
输入数据确定模块,用于获取当前运行阶段的模型输入数据,所述模型输入数据至少包括根据当前天气状态计算得到的太阳辐射;
预测模块,用于将所述模型输入数据输入至预先训练得到的模型中,以通过所述模型对所述模型输入数据进行预测处理得到对应的当前建筑短期负荷。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436856.5A CN112365103B (zh) | 2020-12-11 | 2020-12-11 | 运行阶段建筑短期负荷预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436856.5A CN112365103B (zh) | 2020-12-11 | 2020-12-11 | 运行阶段建筑短期负荷预测方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365103A true CN112365103A (zh) | 2021-02-12 |
CN112365103B CN112365103B (zh) | 2023-10-13 |
Family
ID=74536296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011436856.5A Active CN112365103B (zh) | 2020-12-11 | 2020-12-11 | 运行阶段建筑短期负荷预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365103B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
CN110332647A (zh) * | 2019-07-11 | 2019-10-15 | 四川聚智精创轨道交通科技有限公司 | 地铁地下车站空调系统负荷预测方法及空调系统 |
CN110443404A (zh) * | 2019-06-28 | 2019-11-12 | 天津大学 | 一种基于热量组分解析的建筑空调负荷预测方法 |
CN110570090A (zh) * | 2019-08-12 | 2019-12-13 | 国网上海市电力公司 | 一种基于贝叶斯分类法的基线负荷模型的负荷辨识方法 |
CN111623497A (zh) * | 2020-02-20 | 2020-09-04 | 上海朗绿建筑科技股份有限公司 | 一种辐射空调预冷预热方法、系统、存储介质及辐射空调 |
CN111881496A (zh) * | 2020-06-28 | 2020-11-03 | 江苏大学 | 一种拟建社区人体舒适度及建筑能耗的预评估方法 |
-
2020
- 2020-12-11 CN CN202011436856.5A patent/CN112365103B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
CN110443404A (zh) * | 2019-06-28 | 2019-11-12 | 天津大学 | 一种基于热量组分解析的建筑空调负荷预测方法 |
CN110332647A (zh) * | 2019-07-11 | 2019-10-15 | 四川聚智精创轨道交通科技有限公司 | 地铁地下车站空调系统负荷预测方法及空调系统 |
CN110570090A (zh) * | 2019-08-12 | 2019-12-13 | 国网上海市电力公司 | 一种基于贝叶斯分类法的基线负荷模型的负荷辨识方法 |
CN111623497A (zh) * | 2020-02-20 | 2020-09-04 | 上海朗绿建筑科技股份有限公司 | 一种辐射空调预冷预热方法、系统、存储介质及辐射空调 |
CN111881496A (zh) * | 2020-06-28 | 2020-11-03 | 江苏大学 | 一种拟建社区人体舒适度及建筑能耗的预评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112365103B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vu et al. | A variance inflation factor and backward elimination based robust regression model for forecasting monthly electricity demand using climatic variables | |
US20190155967A1 (en) | System for obtaining and classifying energy characteristics | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
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 | |
CN103853106A (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
CN105719028A (zh) | 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 | |
CN107220514A (zh) | 基于大数据的空调负荷预测方法及系统 | |
CN110826784B (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
Alamin et al. | An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN116205508A (zh) | 一种分布式光伏发电异常诊断方法和系统 | |
Park et al. | Stacking deep transfer learning for short-term cross building energy prediction with different seasonality and occupant schedule | |
Yang et al. | Developing data-driven models to predict BEMS energy consumption for demand response systems | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
KR20170106686A (ko) | 가정의 에너지 사용량 예측 방법 및 장치 | |
Jiang et al. | Adaptive gaussian process for short-term wind speed forecasting | |
Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
CN113757922B (zh) | 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质 | |
Crispim et al. | Prediction of the solar radiation evolution using computational intelligence techniques and cloudiness indices | |
CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 |
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 |