CN112686442A - 基于运行多样性空调末端能耗预测方法和系统 - Google Patents
基于运行多样性空调末端能耗预测方法和系统 Download PDFInfo
- Publication number
- CN112686442A CN112686442A CN202011593962.4A CN202011593962A CN112686442A CN 112686442 A CN112686442 A CN 112686442A CN 202011593962 A CN202011593962 A CN 202011593962A CN 112686442 A CN112686442 A CN 112686442A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- air conditioner
- year
- building
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Landscapes
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供的一种基于运行多样性空调末端能耗预测方法,包括获取待预测建筑的典型气象年的天气数据;对所述天气数据进行预处理;根据所述待预测建筑的分类,将预处理后的天气数据输入至预先训练的、与所述待预测建筑类型对应的能耗预测模型,得到待预测建筑在典型气象年空调末端的能耗预测值;所述能耗预测模型是在训练过程中针对不同类型建筑训练的模型。本发明采用待预测建筑类型对应的能耗预测模型对典型气象年的能耗进行预测,可以准确预测不同气候区下空调末端的运行规律,具有较高的鲁棒性和准确度。
Description
技术领域
本发明涉及空调末端能耗预测技术领域,具体涉及一种基于运行多样性空调末端能耗预测方法和系统。
背景技术
在节能环保的大环境下,能耗的合理使用尤为重要。在现代公共建筑中,空调末端的运行能耗一般占建筑总能耗的40-60%,因此空调末端具有很大的节能潜力。在公共建筑的能耗管理过程中,既要保证建筑内部环境的舒适度,又要进行合理的节能。公共建筑空调末端运行能耗的提前准确预测,对空调末端运行模式的优化,对建筑空调系统的综合节能运行以及室内环境舒适度的控制具有重要的指导意义。
行业内对空调末端能耗的预测主要特点如下:(1)侧重于单个公共建筑空调系统的能耗预测研究,缺乏完善的系统可以同时对多个公共建筑的空调系统进针对性及自动化预测。对于某些大型企业,同时管理的公共建筑可能达数百甚至数千座。不同建筑空调系统运行模式及数据质量差异较大,很难完全用同一种方法进行准确预测。也不可能对每座建筑分别展开研究,因为这样会耗费大量的时间和人力。因此,急需一套智能化系统可以同时对多座建筑空调系统进行自动化准确预测;
(2)大多数研究采用回归分析方法对建筑空调系统能耗进行预测。该方法假设空调系统能耗与某些因素具有一定的线性关系或非线性关系,然后通过拟合空调系统历史能耗数据得到高阶多项式函数。空调系统能耗受室外温度影响较大。在过渡季期间,温度变化较大,空调末端运行模式会发生改变,空调系统能耗随时间的变化曲线存在明显转折点。该方法难以准确预测过渡季期间空调系统能耗。若通过人工进行转折点的划分,然后采用线性分析的方法进行拟合,虽然可以提高预测精度,但会极大增加人工工作量,使效率降低。
发明内容
为了能够准确和更方便的对空调末端的能耗进行预测,本发明实施例提供一种基于运行多样性空调末端能耗预测方法和系统。该方法可以准确预测空调末端在不同气候区下的运行规律,并可以准确地对不同公共建筑能耗末端能耗数据进行分类,选择不同的算法进行能耗预测,具备同时预测多建筑空调末端能耗的能力。同时,该系统具有较高的鲁棒性和准确度。其具体技术方案如下:
为实现上述目的,本发明实施例提供一种基于运行多样性空调末端能耗预测方法,包括步骤:
获取待预测建筑的典型气象年的天气数据;
对所述天气数据进行预处理;
根据所述待预测建筑的分类,将预处理后的天气数据输入至预先训练的、与所述待预测建筑类型对应的能耗预测模型,得到待预测建筑在典型气象年空调末端的能耗预测值;所述能耗预测模型是在训练过程中针对不同类型建筑训练的模型。
进一步的,所述能耗预测模型的训练包括如下步骤:
获取空调末端历史能耗数据,以及对应历史能耗数据的天气数据和时间数据;
对所述历史能耗数据、时间数据和天气数据进行预处理后,对所述天气数据和时间数据进行特征提取,得到特征向量;
计算所述特征向量与所述历史能耗数据之间的相关系数,按照相关系数和数据量将不同公共建筑空调末端能耗进行分类,根据不同分类采用不同算法对空调末端所述能耗预测模型进行训练;其中,所述天气数据包括最高温度、平均温度、最低温度、采暖度日数、空调度日数。
进一步的,所述根据不同分类采用不同算法对所述能耗预测模型进行训练,包括:
分别统计预处理后不同公共建筑空调末端的历史能耗数据的数据量;
计算平均温度和所述历史能耗数据之间的互信息系数;
若公共建筑的所述数据量不小于预设第一数值,且所述互信息系数不小于预设第二数值,采用预设第一算法对所述模型进行训练;
若公共建筑的所述数据量不小于预设第一数值,且所述互信息系数小于预设第二数值,采用预设第二算法进行训练;
若公共建筑的所述数据量小于预设第一数值,采用预设第三算法对所述模型进行训练。
进一步的,所述数据量为300,所述互信息系数为0.5;所述第一算法为lgbm算法,所述第二算法为滑动平均算法;所述第三算法为同区域lgbm算法。
进一步的,所述对所述历史能耗数据和天气数据进行预处理包括:
判断缺失数据及其邻近数据是否都缺失,若都缺失则删除缺失数据;若无缺失,则采用邻近数据的平均值填充缺失数据;其中,所述邻近数据是指在整个时间轴上所述缺失数据的前时间点、后时间点上的数据;
采用3σ原则过滤异常历史能耗数据和天气数据;
若待处理的历史能耗数据为完整年能耗数据,则以待预测年前一年的历史能耗数据为基准,若所述历史能耗数据大于基准年总能耗的一半,小于基准年总能耗的两倍,保留数据;
计算最高温度和最低温度在线性拟合中占能耗的权重;根据所述权重之间的关系,判定是否保留数据;
采用加权滑动平均法对最高温度、平均温度、最低温度、采暖度日数、空调度日数和能耗数据进行处理。
进一步的,所述计算最高温度和最低温度在线性拟合中占能耗的权重;根据所述权重之间的关系,判定是否保留数据;具体为:
选用多元线性回归算法,输入最高温度、最低温度以及能耗,计算最高温度和最低温度在线性拟合中所占的权重;
选取待预测年前一年的历史能耗数据为训练数据,最高温度和最低温度所占的权重分别为w11,w12;
选取待清洗年的历史能耗数据为训练数据,最高温度和最低温度所占的权重分别为w21,w22;其中,所述清洗年是指除基准年外的其他历史年份;分别做如下判断:
a)w11*w21>0
b)w21*w22>0
c)0.3<w11/w21<2.8
d)0.3<w12/w22<2.8
当上述条件均满足时,保留待清洗年的能耗数据;当上述条件之一不满足时,去除待清洗年的能耗数据。
进一步的,包括:
获取模块,用于获取待预测建筑的典型气象年的天气数据;
预处理模块,用于对所述天气数据进行预处理;
预测模块,用于根据所述待预测建筑的分类,将预处理后的天气数据输入至预先训练的、与所述待预测建筑类型对应的能耗预测模型,得到待预测建筑在典型气象年空调末端的能耗预测值;所述能耗预测模型是在训练过程中针对不同类型建筑训练的模型。
本发明实施例的第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器处理上述所述的基于运行多样性空调末端能耗预测方法的步骤。
本发明的第四方面提供一种电子设备,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述所述基于运行多样性空调末端能耗预测的方法。
本发明实施例提供的一种基于运行多样性空调末端能耗预测方法,包括获取待预测建筑的典型气象年的天气数据;对所述天气数据进行预处理;根据所述待预测建筑的分类,将预处理后的天气数据输入至预先训练的、与所述待预测建筑类型对应的能耗预测模型,得到待预测建筑在典型气象年空调末端的能耗预测值;所述能耗预测模型是在训练过程中针对不同类型建筑训练的模型。该方法可以准确预测空调末端在不同气候区下的运行规律,并可以准确地对不同公共建筑能耗末端能耗数据进行分类,选择不同的算法进行能耗预测,具备同时预测多建筑空调末端能耗的能力。同时,该系统具有较高的鲁棒性和准确度。
附图说明
图1为本发明实施例1提供的一种基于运行多样性空调末端能耗预测的优选实施方式的流程图;
图2为本发明实施例2提供的一种基于运行多样性空调末端能耗预测系统的优选实施方式的结构示意框图;
图3为空调末端能耗与平均温度呈现V型曲线示意图;
图4为空调末端能耗与平均温度呈现线型曲线示意图;
图5为空调末端能耗与平均温度呈现V型曲线情况下的预测结果图;
图6为空调末端能耗与平均温度呈现线型曲线情况下的预测结果图。
具体实施方式
为了使得本发明技术方案能够清楚、详尽的展现出来,以下结合附图对本发明进行说明,但不用来限制本发明的范围。
参见图1为本发明实施例1提供的一种基于运行多样性空调末端能耗预测的优选实施方式的流程图,包括步骤:
S1获取待预测建筑的在典型气象年的天气数据;
S2对所述天气数据进行预处理;
S3根据所述待预测建筑的分类,将预处理后的天气数据输入至预先训练的、与所述待预测建筑类型对应的能耗预测模型,得到待预测建筑在典型气象年空调末端的能耗预测值;所述能耗预测模型是在训练过程中针对不同类型建筑训练的模型。
S1获取待预测建筑的在典型气象年的天气数据。
本发明可适用于不同业态公共建筑的空调末端在不同气候区下运行的能耗预测,对不同业态公共建筑的不同类型的能耗数据采用不同预先训练的模型对空调末端能耗进行预测,且精度较高,鲁棒性强。
由于考虑到空调末端在不同气候区运行时平均温度和能耗呈现的不同关系的特点,比如在严寒地区、寒冷地区、温和地区、夏热冬冷地区,能耗-温度曲线为V型;在夏热冬暖地区,能耗-温度曲线为线型。参见图3-图4,图3为空调末端能耗与温度呈现V型曲线示意图,图4为空调末端能耗与温度呈现线型曲线示意图。本发明需要学习不同业态公共建筑的空调末端在不同气候区下的运行规律,从而做出准确预测。
上述天气数据主要包括最高温度、平均温度、最低温度、采暖度日数、空调度日数。空调末端的能耗跟室外气象因素有很大的关系,尤其是温度因素,正常情况下,室外温度越低或越高往往都会导致空调末端使用能耗增大。
上述待预测建筑可能是公共图书馆管,也有可能是学校,还有可能是工厂等等;上述典型气象年(也可称为是未来时间及天气数据)是指在能耗模拟预测领域中的通用概念,是由12个逐月的典型气象月构成的一个假想年,以近10年的月平均值为依据,从近10年的资料中选取一年各月接近10年的平均值,作为该假想年的天气数据。
上述能耗预测模型是在训练过程中针对不同类型建筑训练的模型。
S2对所述天气数据进行预处理。
在本发明实施例中,上述预处理包括对数据的清洗和筛选等等,与下述模型训练过程中的预处理相同。
S3根据所述待预测建筑的分类,将预处理后的天气数据输入至预先训练的、与所述待预测建筑类型对应的能耗预测模型,得到待预测建筑在典型气象年空调末端的能耗预测值。
在本发明实施例的可选实施方式中,上述预处理(也即数据清洗)包括如下步骤:
判断缺失数据及其邻近数据是否都缺失,若都缺失则删除缺失数据;若无缺失,则采用临近数据的平均值填充缺失数据;其中,所述临近数据是指缺失数据前、后预设时间段的数据;
采用3σ原则过滤异常日能耗数据和环境数据;
为了保证逐年能耗数据的稳定性,若待处理的历史能耗数据为完整年能耗数据,则以待预测年的前一年为基准,若所述数据大于基准年总能耗的一半,小于基准年总能耗的两倍,保留数据;
计算最高温度和最低温度在线性拟合中占能耗的权重;根据所述权重之间的关系,判定是否保留数据;该过程用数学表达如下:
选用多元线性回归算法,输入最高温度、最低温度以及历史能耗数据。计算最高温度和最低温度在线性拟合中所占的权重。第一步,选待预测年前一年的历史能耗数据为训练数据,最高温度和最低温度所占的权重分别为w11,w12;第二步,选取待清洗年的历史能耗数据为训练数据,最高温度和最低温度所占的权重分别为w21,w22。其中,所述清洗年是指除基准年外的其他历史年份;分别做如下判断:
a)w11*w21>0
b)w21*w22>0
c)0.3<w11/w21<2.8
d)0.3<w12/w22<2.8
当上述4个条件均满足时,保留待清洗年的历史能耗数据。当上述条件有其一不满足时,去除待清洗年历史能耗数据。在本发明实施例中,为了计算的需要,将历史能耗数据分为基准年的历史能耗数据和待清洗年的历史能耗数据。
为了减少逐日能耗数据的波动性,采用加权滑动平均法对最高温度、平均温度、最低温度、采暖度日数、空调度日数和历史能耗数据进行处理。
对训练集:最高温度、平均温度、最低温度、采暖度日数、空调度日数及历史能耗数据分别做加权滑动平均处理。
对测试集:最高温度、平均温度、最低温度、采暖度日数、空调度日数分别做加权滑动平均处理。训练集和测试集加权滑动平均处理的方式相同,即当天数据=当天数据*0.5+前一天数据*0.25+前两天数据*0.25。
需要说明的是,模型训练阶段和学习(预测)阶段的预处理过程相同。
在本发明实施例的可选实施方式中,上述根据不同分类采用不同算法对所述能耗预测模型进行训练,包括:
获取空调末端能耗数据,以及对应能耗数据的天气数据和时间数据;
对所述能耗数据、时间数据和天气数据进行预处理后,对所述天气数据和时间进行特征提取,得到特征向量;
计算所述特征向量与所述历史能耗数据之间的相关系数,按照相关系数将不同公共建筑空调末端能耗进行分类,根据不同分类采用不同算法对空调末端所述能耗预测模型进行训练;其中,所述天气数据包括最高温度、平均温度、最低温度、采暖度日数、空调度日数。
相关系数的概念和计算过程属于本领域的常规技术手段,在此不做赘述。
上述按照相关系数和数据量将不同公共建筑空调末端能耗进行分类,根据不同分类采用不同算法对空调末端所述能耗预测模型进行训练,包括:
分别统计预处理后不同公共建筑的空调末端能耗数据的数据量(M);
计算平均温度和能耗数据之间的互信息系数(MIC);
若公共建筑的所述数据量不小于预设第一数值,且所述互信息系数不小于预设第二数值,采用预设第一算法对所述模型进行训练;
若公共建筑的所述数据量不小于预设第一数值,且所述互信息系数小于预设第二数值,采用预设第二算法进行训练;
若公共建筑的所述数据量小于预设第一数值,采用预设第三算法对所述模型进行训练。
优选的,上述数据量为300,所述互信息系数为0.5;所述第一算法为lgbm算法,所述第二算法为滑动平均算法;所述第三算法为同区域lgbm算法。
用数学方式表述为:
1)分别统计不同公共建筑数据预处理后的数据量M;
2)计算平均温度和能耗之间的互信息系数MIC;
3)第1类公共建筑:M>=300&MIC>=0.5,采用lgbm算法;
第2类公共建筑:M>=300&MIC<0.5,滑动平均算法;
第3类公共建筑:M<300,同区域lgbm算法。
参见图5-图6,图5为空调末端能耗与温度呈现V型曲线情况下的预测结果图;图6为空调末端能耗与温度呈现线型曲线情况下的预测结果图。为采用本方法得到的预测结果图,从预测结果可以看出,本发明提供的方法能很好的预测未来年的能耗情况,准确度和鲁棒性较高。
本发明实施例提供的一种基于运行多样性空调末端能耗预测方法,包括获取典型气象年的天气数据;对所述天气数据进行预处理;将预处理后的天气数据输入至预先训练的能耗预测模型,得到典型气象年空调末端的能耗预测值。该方法可以准确预测空调末端在不同气候区下的运行规律,并可以准确的对不同公共建筑能耗末端能耗数据进行分类,选择不同的算法进行能耗预测,具有较高的鲁棒性和准确度。本发明操作简单、预测速度快,具有很好的普适性。
本发明的第二方面提供一种基于运行多样性空调末端能耗预测系统,包括:
获取模块,用于获取待预测建筑的在典型气象年的天气数据;
预处理模块,用于对所述天气数据进行预处理;
预测模块,用于根据所述待预测建筑的分类,将预处理后的天气数据输入至预先训练的、与所述待预测建筑类型对应的能耗预测模型,得到待预测建筑在典型气象年空调末端的能耗预测值;所述能耗预测模型是在训练过程中针对不同类型建筑训练的模型。
本发明实施例的第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器处理上述所述的基于运行多样性空调末端能耗预测方法的步骤。
本发明的第四方面提供一种电子设备,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述所述基于运行多样性空调末端能耗预测的方法。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种基于运行多样性空调末端能耗预测方法,其特征在于,包括步骤:
获取待预测建筑的在典型气象年的天气数据;
对所述天气数据进行预处理;
根据所述待预测建筑的分类,将预处理后的天气数据输入至预先训练的、与所述待预测建筑类型对应的能耗预测模型,得到待预测建筑在典型气象年空调末端的能耗预测值;所述能耗预测模型是在训练过程中针对不同类型建筑训练的模型。
2.根据权利要求1所述的基于运行多样性空调末端能耗预测方法,其特征在于,所述能耗预测模型的训练包括如下步骤:
获取空调末端历史能耗数据,以及对应历史能耗数据的天气数据和时间数据;
对所述历史能耗数据、时间数据和天气数据进行预处理后,对所述天气数据和时间数据进行特征提取,得到特征向量;
计算所述特征向量与所述历史能耗数据之间的相关系数,按照数据量和相关系数将不同公共建筑空调末端能耗进行分类,根据不同分类采用不同算法对空调末端所述能耗预测模型进行训练;其中,所述天气数据包括最高温度、平均温度、最低温度、采暖度日数、空调度日数。
3.根据权利要求2所述的基于运行多样性空调末端能耗预测方法,其特征在于,所述根据不同分类采用不同算法对所述能耗预测模型进行训练,包括:
分别统计预处理后不同公共建筑空调末端的历史能耗数据的数据量;
计算平均温度和所述历史能耗数据之间的互信息系数;
若公共建筑的所述数据量不小于预设第一数值,且所述互信息系数不小于预设第二数值,采用预设第一算法对所述模型进行训练;
若公共建筑的所述数据量不小于预设第一数值,且所述互信息系数小于预设第二数值,采用预设第二算法对所述模型进行训练;
若公共建筑的所述数据量小于预设第一数值,采用预设第三算法对所述模型进行训练。
4.根据权利要求2所述的基于运行多样性空调末端能耗预测方法,其特征在于,所述数据量为300,所述互信息系数为0.5;所述第一算法为lgbm算法,所述第二算法为滑动平均算法,所述第三算法为同区域lgbm算法。
5.根据权利要求2所述的基于运行多样性空调末端能耗预测方法,其特征在于,所述对所述历史能耗数据和天气数据进行预处理包括:
判断缺失数据及其邻近数据是否都缺失,若都缺失则删除缺失数据;若无缺失,则采用邻近数据的平均值填充缺失数据;其中,所述邻近数据是指在整个时间轴上所述缺失数据的前时间点、后时间点上的数据;
采用3σ原则过滤异常历史能耗数据和天气数据;
若待处理的历史能耗数据是完整年数据,则以待预测年前一年的历史能耗数据为基准,若所述历史能耗数据大于基准年总能耗的一半,小于基准年总能耗的两倍,保留数据;
计算最高温度和最低温度在线性拟合中占能耗的权重;根据所述权重之间的关系,判定是否保留数据;
采用加权滑动平均法对最高温度、平均温度、最低温度、采暖度日数、空调度日数和能耗数据进行处理。
6.根据权利要求5所述的基于运行多样性空调末端能耗预测方法,其特征在于,所述计算最高温度和最低温度在线性拟合中占能耗的权重;根据所述权重之间的关系,判定是否保留数据;具体为:
选用多元线性回归算法,输入最高温度、最低温度以及能耗,计算最高温度和最低温度在线性拟合中所占的权重;
选取待预测年前一年的历史能耗数据为训练数据,最高温度和最低温度所占的权重分别为w11,w12;
选取待清洗年的历史能耗数据为训练数据,最高温度和最低温度所占的权重分别为w21,w22;其中,所述清洗年是指除基准年外的其他历史年份;分别做如下判断:
a)w11*w21>0
b)w21*w22>0
c)0.3<w11/w21<2.8
d)0.3<w12/w22<2.8
当上述条件均满足时,保留待清洗年数据;当上述条件之一不满足时,去除待清洗年的数据。
7.一种基于运行多样性空调末端能耗预测系统,其特征在于,包括:
获取模块,用于获取待预测建筑的典型气象年的天气数据;
预处理模块,用于对所述天气数据进行预处理;
预测模块,用于根据所述待预测建筑的分类,将预处理后的天气数据输入至预先训练的、与所述待预测建筑类型对应的能耗预测模型,得到待预测建筑在典型气象年空调末端的能耗预测值;所述能耗预测模型是在训练过程中针对不同类型建筑训练的模型。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器处理上述权利要求1-6任一所述的基于运行多样性空调末端能耗预测方法的步骤。
9.一种电子设备,其特征在于,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述权利要求1-6所述基于运行多样性空调末端能耗预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593962.4A CN112686442A (zh) | 2020-12-29 | 2020-12-29 | 基于运行多样性空调末端能耗预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593962.4A CN112686442A (zh) | 2020-12-29 | 2020-12-29 | 基于运行多样性空调末端能耗预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112686442A true CN112686442A (zh) | 2021-04-20 |
Family
ID=75455070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011593962.4A Pending CN112686442A (zh) | 2020-12-29 | 2020-12-29 | 基于运行多样性空调末端能耗预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686442A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113028596A (zh) * | 2021-03-18 | 2021-06-25 | 清华大学 | 一种空调系统能耗评估诊断方法及系统 |
CN113254876A (zh) * | 2021-04-28 | 2021-08-13 | 智马达汽车有限公司 | 一种空调能耗数据确定方法、装置、设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150148976A1 (en) * | 2011-05-11 | 2015-05-28 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method of Predicting the Energy Consumption of a Building |
US20150331023A1 (en) * | 2014-05-15 | 2015-11-19 | International Business Machines Corporation | Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data |
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
CN109035067A (zh) * | 2018-07-19 | 2018-12-18 | 北京泰豪智能工程有限公司 | 基于rf和arma算法的建筑能耗处理方法及装置 |
KR20190023903A (ko) * | 2017-08-30 | 2019-03-08 | 사단법인 한국벰스협회 | 다형 영향인자를 활용한 원단위 기반 다차원 건물 에너지 부하 예측에 기반한 건물 에너지 관리 시스템 및 방법 |
CN109461091A (zh) * | 2018-05-25 | 2019-03-12 | 中国农业大学 | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 |
CN109543203A (zh) * | 2017-09-22 | 2019-03-29 | 山东建筑大学 | 一种基于随机森林的建筑冷热负荷预测方法 |
CN110009156A (zh) * | 2019-04-08 | 2019-07-12 | 北京博锐尚格节能技术股份有限公司 | 建筑能耗预算管理方法和存储介质 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
KR102028601B1 (ko) * | 2019-03-20 | 2019-10-04 | 영남이공대학교 산학협력단 | 시설물의 에너지 사용량 예측 방법 및 장치 |
CN110332605A (zh) * | 2019-07-16 | 2019-10-15 | 常州英集动力科技有限公司 | 基于bp神经网络的热网能耗指标分析预警方法及系统 |
CN110386768A (zh) * | 2019-08-28 | 2019-10-29 | 燕山大学 | 水泥烧成过程中能耗动态实时控制方法 |
JP2020087276A (ja) * | 2018-11-30 | 2020-06-04 | アズビル株式会社 | エネルギー消費量予測装置及びその方法 |
CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
-
2020
- 2020-12-29 CN CN202011593962.4A patent/CN112686442A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150148976A1 (en) * | 2011-05-11 | 2015-05-28 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method of Predicting the Energy Consumption of a Building |
US20150331023A1 (en) * | 2014-05-15 | 2015-11-19 | International Business Machines Corporation | Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data |
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
KR20190023903A (ko) * | 2017-08-30 | 2019-03-08 | 사단법인 한국벰스협회 | 다형 영향인자를 활용한 원단위 기반 다차원 건물 에너지 부하 예측에 기반한 건물 에너지 관리 시스템 및 방법 |
CN109543203A (zh) * | 2017-09-22 | 2019-03-29 | 山东建筑大学 | 一种基于随机森林的建筑冷热负荷预测方法 |
CN109461091A (zh) * | 2018-05-25 | 2019-03-12 | 中国农业大学 | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 |
CN109035067A (zh) * | 2018-07-19 | 2018-12-18 | 北京泰豪智能工程有限公司 | 基于rf和arma算法的建筑能耗处理方法及装置 |
JP2020087276A (ja) * | 2018-11-30 | 2020-06-04 | アズビル株式会社 | エネルギー消費量予測装置及びその方法 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
KR102028601B1 (ko) * | 2019-03-20 | 2019-10-04 | 영남이공대학교 산학협력단 | 시설물의 에너지 사용량 예측 방법 및 장치 |
CN110009156A (zh) * | 2019-04-08 | 2019-07-12 | 北京博锐尚格节能技术股份有限公司 | 建筑能耗预算管理方法和存储介质 |
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
CN110332605A (zh) * | 2019-07-16 | 2019-10-15 | 常州英集动力科技有限公司 | 基于bp神经网络的热网能耗指标分析预警方法及系统 |
CN110386768A (zh) * | 2019-08-28 | 2019-10-29 | 燕山大学 | 水泥烧成过程中能耗动态实时控制方法 |
CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
HAFEEZ, G: ""A novel accurate and fast converging deep learning-based model for electrical energy consumption forecasting in a smart grid"", 《ENERGIES》, vol. 13, no. 09, 3 May 2020 (2020-05-03), pages 1 - 25 * |
聂子航: ""基于多元线性回归的办公建筑电力能耗评估预测模型的设计"", 《电子设计工程.》, vol. 24, no. 03, 31 March 2016 (2016-03-31), pages 40 - 46 * |
肖明: "《十二五高等学校信息管理与信息系统专业规划教材 信息计量学 铁道版》", 31 August 2014, 中国铁道出版社, pages: 67 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113028596A (zh) * | 2021-03-18 | 2021-06-25 | 清华大学 | 一种空调系统能耗评估诊断方法及系统 |
CN113254876A (zh) * | 2021-04-28 | 2021-08-13 | 智马达汽车有限公司 | 一种空调能耗数据确定方法、装置、设备及存储介质 |
CN113254876B (zh) * | 2021-04-28 | 2024-05-14 | 浙江智马达智能科技有限公司 | 一种空调能耗数据确定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Parhizkar et al. | Evaluation and improvement of energy consumption prediction models using principal component analysis based feature reduction | |
Yalcintas et al. | An energy benchmarking model based on artificial neural network method utilizing US Commercial Buildings Energy Consumption Survey (CBECS) database | |
CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
CN110766222B (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
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 | |
CN113468811B (zh) | 含新能源机组的电网备用容量概率化动态评估方法及系统 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN111080039A (zh) | 一种风机集群故障预测方法及系统 | |
CN111861206A (zh) | 一种基于企业电力大数据的工业行业景气指数获取方法 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN115829235A (zh) | 一种基于大数据分析的用电调度方法 | |
CN114239292B (zh) | 面向低碳经济运行的多能需求园区综合评价方法及系统 | |
CN112232608B (zh) | 一种基于数据驱动的区域建筑空调器短期耗电量预测方法 | |
Papadopoulos et al. | Study of electricity load profiles in university campuses: The case study of Democritus University of Thrace | |
CN108304610B (zh) | 一种大气高污染过程动态追踪方法 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN117010638B (zh) | 酒店设备的智能管理方法及系统 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN117494546A (zh) | 数据驱动的空调设定温度相关性仿真方法、设备和介质 | |
CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 |
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 |