CN112747416B - 空调系统能耗预测方法及装置 - Google Patents
空调系统能耗预测方法及装置 Download PDFInfo
- Publication number
- CN112747416B CN112747416B CN201911053778.8A CN201911053778A CN112747416B CN 112747416 B CN112747416 B CN 112747416B CN 201911053778 A CN201911053778 A CN 201911053778A CN 112747416 B CN112747416 B CN 112747416B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- conditioning system
- air conditioning
- residual error
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 454
- 238000004378 air conditioning Methods 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012937 correction Methods 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 26
- 238000001816 cooling Methods 0.000 claims description 44
- 238000007710 freezing Methods 0.000 claims description 41
- 230000008014 freezing Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000008400 supply water Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000009423 ventilation Methods 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
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
-
- 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
- G06Q50/06—Energy or water supply
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调系统能耗预测方法及装置，获取待预测能耗的空调系统的至少一个耗能设备的环境量；将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗；将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗；将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗。本方案通过针对空调系统的至少一个耗能设备构建能耗预测模型，并引入数据驱动残差修正模型，能够提升空调系统的能耗预测精度。
Description
技术领域
本发明涉及能耗预测技术领域，尤其涉及一种空调系统能耗预测方法及装置。
背景技术
近年来，我国的建筑能耗(即，耗电功率)已经占社会总能耗的30％以上，而大型建筑中，最主要的耗能设备是空调系统，空调系统的能耗占建筑能耗的60％以上。因此，空调系统的节能已经成为节能领域的一个重点。空调系统的节能，需要在保证建筑环境舒适性的前提下，通过优化调整空调系统控制参数，使得空调系统稳定运行在更省电模式下，从而降低空调系统的总能耗。为此，需要对空调系统的能耗进行预测，以便在此基础上实现对空调系统控制参数的优化调整。
因此，如何提供一种空调系统能耗预测方法，成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的空调系统能耗预测方法及装置。具体方案如下：
一种空调系统能耗预测方法，所述方法包括：
获取待预测能耗的空调系统的至少一个耗能设备的环境量；
将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗；
将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗；
将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗。
可选地，所述获取待预测能耗的空调系统的至少一个耗能设备的环境量，包括：
获取楼宇设备自控系统监测的所述至少一个耗能设备的原始数据；
对所述至少一个耗能设备的原始数据进行预处理，得到所述至少一个耗能设备的环境量，所述预处理包括数据整合处理、异常状态过滤处理、稳态数据提取处理中的任意一种或多种。
可选地，所述每个所述耗能设备的能耗预测模型是采用如下方式构建的：
获取所述每个所述耗能设备的能耗预测模型的样本数据，每个样本数据中包括每个所述耗能设备的环境量以及每个所述耗能设备的能耗；
以所述每个所述耗能设备的环境量为所述每个所述耗能设备的能耗预测模型的输入，以所述每个所述耗能设备的能耗为所述每个所述耗能设备的能耗预测模型的目标，对所述每个所述耗能设备的能耗预测模型的控制变量进行训练，构建得到所述每个所述耗能设备的能耗预测模型。
可选地，所述将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗，包括：
将所述待预测能耗的空调系统的至少一个耗能设备的开关状态量输入预先构建的数据驱动残差模型得到所述空调系统的初始预测能耗与所述空调系统的最终预测能耗之间的残差；
根据所述残差对所述空调系统的初始预测能耗进行修正，得到所述空调系统的最终预测能耗。
可选地，所述数据驱动残差模型是采用如下方式构建的：
获取所述数据驱动残差模型的样本数据，每个样本数据包括空调系统的至少一个耗能设备的开关状态量，以及，所述空调系统的至少一个耗能设备的预测耗能与所述空调系统的至少一个耗能设备的实际耗能之间的残差；
以所述空调系统的至少一个耗能设备的开关状态量为所述数据驱动残差模型的输入，以所述空调系统的至少一个耗能设备的预测耗能与所述空调系统的至少一个耗能设备的实际耗能之间的残差为目标，对所述数据驱动残差模型的控制变量进行训练，构建得到所述数据驱动残差模型。
可选地，所述根据所述残差对所述空调系统的初始预测能耗进行修正，得到所述空调系统的最终预测能耗，包括：
将所述残差与所述空调系统的初始预测能耗进行加和，得到所述空调系统的最终预测能耗；
或者，将所述残差与所述空调系统的初始预测能耗进行相乘，得到所述空调系统的最终预测能耗。
可选地，所述获取待预测能耗的空调系统的至少一个耗能设备的环境量，包括：
获取所述空调系统的冷却塔、冷却泵、冷冻一次泵、冷冻二次泵、冷水机组、精密空调中至少一个耗能设备的环境量。
一种空调系统能耗预测装置，所述装置包括：
获取单元，用于获取待预测能耗的空调系统的至少一个耗能设备的环境量；
预测单元，用于将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗；
加和单元，用于将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗；
修正单元，用于将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗。
一种存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如上所述的空调系统能耗预测方法。
一种设备，所述设备包括至少一个处理器、至少一个存储器、以及总线；
其中，所述处理器、存储器通过总线完成相互间的通信；
所述处理器用于调用所述存储器中的程序指令，以实现如上所述的空调系统能耗预测方法。
借由上述技术方案，本发明提供的空调系统能耗预测方法及装置，获取待预测能耗的空调系统的至少一个耗能设备的环境量；将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗；将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗；将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗。本方案通过针对空调系统的至少一个耗能设备构建能耗预测模型，并引入数据驱动残差修正模型，能够提升空调系统的能耗预测精度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的一种空调系统能耗预测方法的流程示意图；
图2为本发明实施例提供的又一种空调系统能耗预测方法的流程示意图；
图3为本发明实施例提供的一种空调系统能耗预测装置的结构示意图；
图4为本发明实施例提供的一种设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
目前，主要依据物理建模、数据驱动建模、机理建模构建空调系统能耗预测模型实现对空调系统能耗的预测。其中：
物理建模依赖于搜集多方面信息数据，如建筑平面图等建筑信息、暖通空调系统参数信息、光照强度等气象信息、室内耗电设备情况等室内信息，基于空气动力学、流体力学等物理原理，利用建筑模拟软件如EnergyPlus、DOE-2等，构建物理模型作为空调系统能耗预测模型，对整个建筑空调系统进行模拟，从而计算空调系统的能耗。
但是，依据物理建模构建空调系统能耗预测模型实现对空调系统能耗的预测的方式存在如下缺点：
建筑模拟软件只能对实际建筑进行简化模拟，且利用建筑模拟软件构建的物理模型的输入输出关系相对确定，无法随其他不确定的影响因素(如气象参数)变化而变化，而且，利用建筑模拟软件构建的物理模型时，一般需要输入较多的参数，而在实际情况中，有些参数往往难以获取。另外，对于一般工程设计和管理人员来说，由于未经过专业的培训，会导致对建筑模拟软件的操作相对困难，
数据驱动建模是基于历史数据的变化规律，利用机器学习模型拟合历史运行情况下，各控制参数与空调系统能耗的映射关系，从而实现在一定控制参数下对空调系统能耗进行预测。这种方法一般不需要额外获取建筑信息、物理信息等，主要依赖于系统运行过程数据，以及室外温度、湿度等基本环境数据，实现较为简单方便，且对历史训练数据的学习能力很强，对于相似数据能得到高精度的预测结果。
但是，依据数据驱动建模构建空调系统能耗预测模型实现对空调系统能耗的预测的方式存在如下缺点：
数据驱动建模依赖于历史训练数据的完备性，而对未知数据的泛化能力不足，对于训练数据中未覆盖的运行状态下，空调系统能耗情况，其预测误差往往很大。而且，由于数据驱动模型有很多类似于黑箱模型，所以预测结果的可解释性较弱，直观来看，模型的输出结果与输入特征的相关关系不明显。
相比于物理建模和数据驱动模型，机理建模具有结构相对简单、全局泛化能力更强等优点。它通过结合相应的业务知识，给出含有若干待定参数的模型公式，再利用历史数据拟合待定参数，从而建立起机理预测模型。
但是目前依据机理建模构建空调系统能耗预测模型，结构较为简单、对于复杂的空调系统(如，包含多个控制参数的空调系统)能耗的预测，误差较大。
综上所述，现有技术中依据物理建模、数据驱动建模、机理建模构建空调系统能耗预测模型实现对空调系统能耗的预测，会由于种种原因导致预测精度较差。
为克服以上不足，本发明针对空调系统的主要耗能设备：冷却塔、冷却泵、冷冻一次泵、冷冻二次泵、冷水机组、精密空调，分别依据机理建模预先构建了空调系统的主要耗能设备的能耗预测模型，并且，预先构建了数据驱动残差修正模型。当需要对空调系统的能耗进行预测时，将空调系统中各个耗能设备的环境量输入预先构建的空调系统的各个耗能设备的能耗预测模型，即可得到空调系统中各个耗能设备的初始预测能耗，将空调系统中各个耗能设备的初始预测能耗进行加和，得到空调系统的初始预测能耗。然后，将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到空调系统的最终预测能耗。
下面通过以下实施例对本发明的方案进行详细说明。
请参阅附图1，图1为本发明实施例提供的一种空调系统能耗预测方法的流程示意图，该方法包括如下步骤：
S101：获取待预测能耗的空调系统的至少一个耗能设备的环境量。
在本实施例中，待预测能耗的空调系统的至少一个耗能设备包括冷却塔、冷却泵、冷冻一次泵、冷冻二次泵、冷水机组、精密空调等设备中的至少一个。每个耗能设备的环境量不同，具体地，冷却塔的环境量至少包括冷却塔的风机频率和风机启停状态；冷却泵的环境量至少包括冷却泵频率和冷却泵启停状态；冷冻一次泵的环境量至少包括冷冻一次泵频率和冷冻一次泵启停状态；冷冻二次泵的环境量至少包括冷冻二次泵频率和冷冻二次泵启停状态；冷水机组的环境量至少包括主机启停状态，冷却水进水温度，冷冻水供水温度，冷冻水换热量，冷却泵频率，冷冻一次泵频率；精密空调的环境量至少包括冷冻水供水温度，冷冻二次泵频率，冷冻水换热量。
S102：将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗。
在本实施例中，分别针对空调系统的至少一个耗能设备，构建了每个耗能设备的能耗预测模型。步骤S102实际上是将每个耗能设备的环境量输入到该能耗设备对应的能耗预测模型中。具体的，构建每个耗能设备的能耗预测模型即建立如下映射关系“每个耗能设备的能耗＝f(环境量，控制变量)”，其中，环境量即为上述步骤S101中确定的每个耗能设备的能耗，控制变量即为各个环境量对应的系数，在一些情况下，控制变量还包括常数项。预先构建的每个耗能设备的能耗预测模型中，控制变量是训练好的，因此，将每个耗能设备的环境量输入相应的能耗预测模型，就能够得到每个所述耗能设备的初始预测能耗。
经过本步骤，可以得到至少一个耗能设备的初始预测能耗。
S103：将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗。
在本实施例中，将至少一个耗能设备的初始预测能耗进行加和，即可得到所述空调系统的初始预测能耗。
S104：将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗。
空调系统的初始预测能耗的精度可能不够，为了实现对空调系统的初始预测能耗进行修正及微调，在本实施例中，还构建了数据驱动残差修正模型，将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗。
本实施例提供的空调系统能耗预测方法，获取待预测能耗的空调系统的至少一个耗能设备的环境量；将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗；将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗；将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗。本方法通过针对空调系统的至少一个耗能设备构建能耗预测模型，并引入数据驱动残差修正模型，能够提升空调系统的能耗预测精度。
请参阅附图2，图2为本发明实施例提供的又一种空调系统能耗预测方法的流程示意图，该方法包括如下步骤：
S201：获取楼宇设备自控系统监测的所述至少一个耗能设备的原始数据。
本实施例中，可从BA系统(Building Automation System-RTU，楼宇设备自控系统)实时监测的冷源系统、电监系统、动环系统的数据中获取至少一个耗能设备的原始数据。在本实施例中，可获取所述空调系统的冷却塔、冷却泵、冷冻一次泵、冷冻二次泵、冷水机组、精密空调中至少一个耗能设备的原始数据。
S202：对所述至少一个耗能设备的原始数据进行预处理，得到所述至少一个耗能设备的环境量。
本实施例中，所述预处理包括数据整合处理、异常状态过滤处理、稳态数据提取处理中的任意一种或多种。作为一种可实施方式，可先对原始数据进行数据整合处理，再进行异常状态过滤处理，再进行稳态数据提取处理得到至少一个耗能设备的环境量，具体如下：
第一，数据整合处理
在本实施例中，对至少一个耗能设备的原始数据进行数据整合处理，包括：将至少一个耗能设备的原始数据的生成时间分辨率进行统一；对生成时间相同的原始数据进行过滤，使每个生成时间对应一个原始数据；按照生成时间对原始数据进行升序排序。
具体地，每个原始数据格式大都由三元组构成，即设备ID、时间、数值；而不同的原始数据，其时间分辨率存在一定差异，因此，在进行数据整合过程中，需要将至少一个耗能设备的原始数据的生成时间分辨率进行统一，比如，对时间轴进行对分取整操作，并采用一定规则逻辑对空缺的时间点进行填充，将各个原始数据的生成时间分辨率转换为1分钟。经过以上处理，可能导致部分数据的生成时间重复，针对生成时间相同的原始数据进行过滤(比如，对生成时间相同的多个原始数据取平均值，作为该生成时间对应的一个原始数据)，使每个生成时间对应一个原始数据。然后按照生成时间对原始数据进行升序排序。
第二，异常状态过滤处理
在本实施例中，对至少一个耗能设备的原始数据进行异常状态过滤处理包括：
采用不同的方式判断每个耗能设备在各个时间点的开关状态，得到多个判断结果；当多个判断结果不一致时，确定所述时间点对应的数据异常；将所述时间点对应的数据剔除。
具体地，设备的开关状态可以根据冷源数据观测值、电监数据观测值以及设备开关状态记录表等来确定，比如冷却塔，可以根据冷源系统中的冷却塔频率测量值判断冷却塔状态，当冷却塔频率较高时，可认定该冷却塔处于开启状态，反之则处于关闭状态；同理，可以依据电监数据中的冷却塔实际功率大小来判断冷却塔的状态。此外，可以根据设备状态记录表中的冷却塔相关记录信息，确定其开关状态。分别使用以上三种方式，判断不同时刻各设备的开关状态，并对三种方式的判断结果进行相互校验。当以上三者判断的设备开关状态结果不一致时，即可判断此处的状态信息异常，认为该处的数据无效，进行剔除。基于以上操作，即可过滤各设备的异常状态，获取有效数据。
第三，稳态数据提取处理
在本实施例中，对至少一个耗能设备的原始数据进行稳态数据提取处理包括：
从所述至少一个耗能设备的原始数据中确定非稳态数据；剔除非稳态数据，得到稳态数据。
具体地，经过异常状态过滤处理之后，可以得到可靠的设备启停状态。考虑到设备发生启停切换时，物理系统需要一定的反应时间来达到新的稳态，而在系统由旧稳态达到新稳态之前，即为系统的非稳态过程。由于系统的非稳态过程受随机扰动影响大且难以直接建模反映其规律，所以在此对非稳态数据进行过滤，仅提取稳态数据进行预测模型的训练。非稳态数据的确定方法，采用设置时间阈值的方法，将发生设备启停状态切换前后的一定时间阈值范围内的数据看作非稳态数据，而该时间阈值则通过观察系统历史运行数据得出。
在本实施例中，经过上述处理，可获取所述空调系统的冷却塔、冷却泵、冷冻一次泵、冷冻二次泵、冷水机组、精密空调中至少一个耗能设备的环境量。
S203：将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗。
在本实施例中，可预先构建的冷却塔的能耗预测模型、冷却泵的能耗预测模型、冷冻一次泵的能耗预测模型、冷冻二次泵的能耗预测模型、冷水机组的能耗预测模型、精密空调的能耗预测模型。
其中，所述每个所述耗能设备的能耗预测模型是采用如下方式构建的：
获取所述每个所述耗能设备的能耗预测模型的样本数据，每个样本数据中包括每个所述耗能设备的环境量以及每个所述耗能设备的能耗；
以所述每个所述耗能设备的环境量为所述每个所述耗能设备的能耗预测模型的输入，以所述每个所述耗能设备的能耗为所述每个所述耗能设备的能耗预测模型的目标，对所述每个所述耗能设备的能耗预测模型的控制变量进行训练，构建得到所述每个所述耗能设备的能耗预测模型。
具体地，从业务和数据的角度，可以获知冷却塔频率和功率的相关性较高，为此构建冷却塔能耗预测模型结构如下所示：
冷却塔有功功率＝f(冷却塔风机频率，风机启停状态)
泵设备(冷却泵、冷冻一次泵、冷冻二次泵)能耗预测模型的建模思路与冷却塔相似，从业务和数据的角度，可以获知泵设备频率和功率的相关性较高，为此构建冷却泵、冷冻一次泵、冷冻二次能耗预测模型结构分别如下所示：
冷却泵有功功率＝f(冷却泵频率，冷却泵启停状态)；
冷冻一次泵有功功率＝f(冷冻一次泵频率，冷冻一次泵启停状态)；
冷冻二次泵有功功率＝f(冷冻二次泵频率，冷冻二次泵启停状态)。
在空调系统的各类耗能设备中，冷水机组的能耗预测时最为复杂的一个，因为冷水机组在冷却端及冷冻端都存在热交换，所以在建模过程中需要考虑的参数量也较多。更为关键的是，冷水机组的换热过程很难通过显示的物理公式来描述。目前已有的冷水机组能耗预测机理模型多样，没有统一的标准结构，但这些机理模型都不够全面，只包括冷却进/出水温度、冷冻进/出水温度、制冷量等部分参数，不能将冷却侧和冷冻侧的全部参数考虑进来，为此构建冷水机组能耗预测模型结构如下所示：
冷水机组有功功率＝f(主机启停状态，冷却水进水温度，冷冻水供水温度，冷冻水换热量，冷却泵频率，冷冻一次泵频率)。
精密空调是空调风系统的主要组成部分，它主要与冷冻端存在热交换，所以在建模过程中，主要考虑的相关参数为冷冻水供水温度、冷冻二次泵频率以及冷冻水换热量，为此构建精密空调能耗预测模型结构如下所示：
精密空调有功功率＝f(冷冻水供水温度，冷冻二次泵频率，冷冻水换热量)。
需要说明的是，可基于上述模型结构建立关系式，采用曲线拟合的方法，基于样本数据对关系式中的控制变量进行训练，得到最终的关系式记为构建好的各个耗能设备的能耗预测模型。
S204：将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗。
S205：将所述待预测能耗的空调系统的至少一个耗能设备的开关状态量输入预先构建的数据驱动残差模型得到所述空调系统的初始预测能耗与所述空调系统的最终预测能耗之间的残差。
需要说明的是，数据驱动残差修正模型的主要目的，是通过对初始预测结果进行修正及微调，以进一步提高预测精度。本实施例中，构建数据驱动残差修正模型主要包括构建数据驱动残差模型及残差修正模型两部分，通过数据驱动残差模型，可以拟合出述空调系统的初始预测能耗与空调系统的最终预测能耗之间的残差，将该残差输入值残差修正模型，即可得到空调系统的最终预测能耗，空调系统的最终预测能耗的精度大于空调系统的初始预测能耗。
基于以上，本实施例中，所述数据驱动残差模型是采用如下方式构建的：
获取所述数据驱动残差模型的样本数据，每个样本数据包括空调系统的至少一个耗能设备的开关状态量，以及，所述空调系统的至少一个耗能设备的预测耗能与所述空调系统的至少一个耗能设备的实际耗能之间的残差；
以所述空调系统的至少一个耗能设备的开关状态量为所述数据驱动残差模型的输入，以所述空调系统的至少一个耗能设备的预测耗能与所述空调系统的至少一个耗能设备的实际耗能之间的残差为目标，对所述数据驱动残差模型的控制变量进行训练，构建得到所述数据驱动残差模型。
需要说明的是，所述数据驱动残差模型的样本数据是至少一个耗能设备的能耗预测模型的样本数据中的部分数据。
S206：根据所述残差对所述空调系统的初始预测能耗进行修正，得到所述空调系统的最终预测能耗。
本实施例中，残差视情况可按加性或乘性定义，因此，可以将所述残差与所述空调系统的初始预测能耗进行加和，得到所述空调系统的最终预测能耗；也可以将所述残差与所述空调系统的初始预测能耗进行相乘，得到所述空调系统的最终预测能耗。
请参阅附图3，图3为本发明实施例提供的一种空调系统能耗预测装置的结构示意图，所述装置包括：
获取单元31，用于获取待预测能耗的空调系统的至少一个耗能设备的环境量；
预测单元32，用于将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗；
加和单元33，用于将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗；
修正单元34，用于将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗。
上述各个单元的具体实现已在方法实施例中详细说明，本实施例不再赘述。
所述空调系统能耗预测装置包括处理器和存储器，上述获取单元、预测单元、加和单元和修正单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对空调系统的能耗预测。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述空调系统能耗预测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述空调系统能耗预测方法。
如图4所示，本发明实施例提供了一种设备40，设备40包括至少一个处理器401、至少一个存储器502、以及总线503；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的空调系统能耗预测方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取待预测能耗的空调系统的至少一个耗能设备的环境量；
将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗；
将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗；
将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗。
可选地，所述获取待预测能耗的空调系统的至少一个耗能设备的环境量，包括：
获取楼宇设备自控系统监测的所述至少一个耗能设备的原始数据；
对所述至少一个耗能设备的原始数据进行预处理，得到所述至少一个耗能设备的环境量，所述预处理包括数据整合处理、异常状态过滤处理、稳态数据提取处理中的任意一种或多种。
可选地，所述每个所述耗能设备的能耗预测模型是采用如下方式构建的：
获取所述每个所述耗能设备的能耗预测模型的样本数据，每个样本数据中包括每个所述耗能设备的环境量以及每个所述耗能设备的能耗；
以所述每个所述耗能设备的环境量为所述每个所述耗能设备的能耗预测模型的输入，以所述每个所述耗能设备的能耗为所述每个所述耗能设备的能耗预测模型的目标，对所述每个所述耗能设备的能耗预测模型的控制变量进行训练，构建得到所述每个所述耗能设备的能耗预测模型。
可选地，所述将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗，包括：
将所述待预测能耗的空调系统的至少一个耗能设备的开关状态量输入预先构建的数据驱动残差模型得到所述空调系统的初始预测能耗与所述空调系统的最终预测能耗之间的残差；
根据所述残差对所述空调系统的初始预测能耗进行修正，得到所述空调系统的最终预测能耗。
可选地，所述数据驱动残差模型是采用如下方式构建的：
获取所述数据驱动残差模型的样本数据，每个样本数据包括空调系统的至少一个耗能设备的开关状态量，以及，所述空调系统的至少一个耗能设备的预测耗能与所述空调系统的至少一个耗能设备的实际耗能之间的残差；
以所述空调系统的至少一个耗能设备的开关状态量为所述数据驱动残差模型的输入，以所述空调系统的至少一个耗能设备的预测耗能与所述空调系统的至少一个耗能设备的实际耗能之间的残差为目标，对所述数据驱动残差模型的控制变量进行训练，构建得到所述数据驱动残差模型。
可选地，所述根据所述残差对所述空调系统的初始预测能耗进行修正，得到所述空调系统的最终预测能耗，包括：
将所述残差与所述空调系统的初始预测能耗进行加和，得到所述空调系统的最终预测能耗；
或者，将所述残差与所述空调系统的初始预测能耗进行相乘，得到所述空调系统的最终预测能耗。
可选地，所述获取待预测能耗的空调系统的至少一个耗能设备的环境量，包括：
获取所述空调系统的冷却塔、冷却泵、冷冻一次泵、冷冻二次泵、冷水机组、精密空调中至少一个耗能设备的环境量。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种空调系统能耗预测方法，其特征在于，所述方法包括：
获取待预测能耗的空调系统的至少一个耗能设备的环境量；
将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗；
将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗；
将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗；
其中，所述将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗，包括：
将所述待预测能耗的空调系统的至少一个耗能设备的开关状态量输入预先构建的数据驱动残差模型得到所述空调系统的初始预测能耗与所述空调系统的最终预测能耗之间的残差；
根据所述残差对所述空调系统的初始预测能耗进行修正，得到所述空调系统的最终预测能耗。
2.根据权利要求1所述的方法，其特征在于，所述获取待预测能耗的空调系统的至少一个耗能设备的环境量，包括：
获取楼宇设备自控系统监测的所述至少一个耗能设备的原始数据；
对所述至少一个耗能设备的原始数据进行预处理，得到所述至少一个耗能设备的环境量，所述预处理包括数据整合处理、异常状态过滤处理、稳态数据提取处理中的任意一种或多种。
3.根据权利要求1所述的方法，其特征在于，所述每个所述耗能设备的能耗预测模型是采用如下方式构建的：
获取所述每个所述耗能设备的能耗预测模型的样本数据，每个样本数据中包括每个所述耗能设备的环境量以及每个所述耗能设备的能耗；
以所述每个所述耗能设备的环境量为所述每个所述耗能设备的能耗预测模型的输入，以所述每个所述耗能设备的能耗为所述每个所述耗能设备的能耗预测模型的目标，对所述每个所述耗能设备的能耗预测模型的控制变量进行训练，构建得到所述每个所述耗能设备的能耗预测模型。
4.根据权利要求1所述的方法，其特征在于，所述数据驱动残差模型是采用如下方式构建的：
获取所述数据驱动残差模型的样本数据，每个样本数据包括空调系统的至少一个耗能设备的开关状态量，以及，所述空调系统的至少一个耗能设备的预测耗能与所述空调系统的至少一个耗能设备的实际耗能之间的残差；
以所述空调系统的至少一个耗能设备的开关状态量为所述数据驱动残差模型的输入，以所述空调系统的至少一个耗能设备的预测耗能与所述空调系统的至少一个耗能设备的实际耗能之间的残差为目标，对所述数据驱动残差模型的控制变量进行训练，构建得到所述数据驱动残差模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述残差对所述空调系统的初始预测能耗进行修正，得到所述空调系统的最终预测能耗，包括：
将所述残差与所述空调系统的初始预测能耗进行加和，得到所述空调系统的最终预测能耗；
或者，将所述残差与所述空调系统的初始预测能耗进行相乘，得到所述空调系统的最终预测能耗。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述获取待预测能耗的空调系统的至少一个耗能设备的环境量，包括：
获取所述空调系统的冷却塔、冷却泵、冷冻一次泵、冷冻二次泵、冷水机组、精密空调中至少一个耗能设备的环境量。
7.一种空调系统能耗预测装置，其特征在于，所述装置包括：
获取单元，用于获取待预测能耗的空调系统的至少一个耗能设备的环境量；
预测单元，用于将每个所述耗能设备的环境量输入预先构建的每个所述耗能设备的能耗预测模型，得到每个所述耗能设备的初始预测能耗；
加和单元，用于将所述每个所述耗能设备的初始预测能耗进行加和，得到所述空调系统的初始预测能耗；
修正单元，用于将所述空调系统的初始预测能耗输入预先构建的数据驱动残差修正模型得到所述空调系统的最终预测能耗；
其中，所述修正单元，具体用于将所述待预测能耗的空调系统的至少一个耗能设备的开关状态量输入预先构建的数据驱动残差模型得到所述空调系统的初始预测能耗与所述空调系统的最终预测能耗之间的残差；根据所述残差对所述空调系统的初始预测能耗进行修正，得到所述空调系统的最终预测能耗。
8.一种存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现权利要求1至6任一项所述的空调系统能耗预测方法。
9.一种设备，其特征在于，所述设备包括至少一个处理器、至少一个存储器、以及总线；
其中，所述处理器、存储器通过总线完成相互间的通信；
所述处理器用于调用所述存储器中的程序指令，以实现权利要求1至6任一项所述的空调系统能耗预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911053778.8A CN112747416B (zh) | 2019-10-31 | 2019-10-31 | 空调系统能耗预测方法及装置 |
| PCT/CN2020/097659 WO2021082478A1 (zh) | 2019-10-31 | 2020-06-23 | 空调系统能耗预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911053778.8A CN112747416B (zh) | 2019-10-31 | 2019-10-31 | 空调系统能耗预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112747416A CN112747416A (zh) | 2021-05-04 |
| CN112747416B true CN112747416B (zh) | 2022-04-05 |
Family
ID=75645602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911053778.8A Active CN112747416B (zh) | 2019-10-31 | 2019-10-31 | 空调系统能耗预测方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112747416B (zh) |
| WO (1) | WO2021082478A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112577161B (zh) * | 2019-09-30 | 2022-05-27 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
| CN113825356B (zh) * | 2021-07-28 | 2023-11-28 | 腾讯科技（深圳）有限公司 | 冷源系统的节能控制方法、装置、电子设备和存储介质 |
| CN114326987B (zh) * | 2021-10-08 | 2023-10-20 | 腾讯科技（深圳）有限公司 | 制冷系统控制及模型训练方法、装置、设备及存储介质 |
| CN114881374B (zh) * | 2022-07-11 | 2022-10-04 | 广东电网有限责任公司佛山供电局 | 用于建筑能耗预测的多元异构能耗数据融合方法和系统 |
| CN116294089B (zh) * | 2023-05-23 | 2023-08-18 | 浙江之科云创数字科技有限公司 | 一种空调系统控制方法、装置、存储介质及电子设备 |
| CN116754828B (zh) * | 2023-08-21 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI441407B (zh) * | 2005-06-06 | 2014-06-11 | 格點股份有限公司 | 用以分配電能之方法及裝置以及電腦可讀取媒體 |
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN104534617A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的冷源集中数字控制方法 |
| CN106201849A (zh) * | 2016-07-01 | 2016-12-07 | 南京航空航天大学 | 一种有限数据驱动的长寿命部件余寿预测方法 |
| CN108009667A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 一种能源需求总量及结构预测系统 |
| CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
| CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
| CN109032178A (zh) * | 2018-08-06 | 2018-12-18 | 江苏科技大学 | 全驱动auv回收控制系统及自主回收方法 |
| CN109657878A (zh) * | 2019-01-04 | 2019-04-19 | 新奥能源动力科技（上海）有限公司 | 一种空调负荷预测方法及装置 |
| CN110188932A (zh) * | 2019-05-20 | 2019-08-30 | 国核电力规划设计研究院有限公司 | 基于评价优化的数据中心能耗预测方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100595494C (zh) * | 2008-04-03 | 2010-03-24 | 上海交通大学 | 基于模型的集中空调系统全局优化节能控制方法及装置 |
| CN101363653A (zh) * | 2008-08-22 | 2009-02-11 | 日滔贸易（上海）有限公司 | 中央空调制冷系统的能耗控制方法及装置 |
| CN101968250B (zh) * | 2010-10-13 | 2012-12-05 | 濠信节能科技(上海)有限公司 | 一种冷冻机房节能优化控制系统及方法 |
| JP5793359B2 (ja) * | 2011-07-11 | 2015-10-14 | アズビル株式会社 | 空調制御システムおよび空調制御方法 |
| CN103024761B (zh) * | 2011-09-26 | 2016-03-02 | 艾默生网络能源有限公司 | 基站能耗模型建立方法、能耗预测方法及装置 |
| US10332026B2 (en) * | 2014-11-26 | 2019-06-25 | International Business Machines Corporation | Building thermal control techniques |
| CN104613602B (zh) * | 2015-02-02 | 2017-09-26 | 河海大学 | 一种中央空调精细化控制方法 |
| CN105627504B (zh) * | 2015-05-28 | 2018-09-18 | 重庆大学 | 基于支持向量机的变风量中央空调系统冷水机组能耗估计方法 |
| CN105678403A (zh) * | 2015-12-30 | 2016-06-15 | 国网浙江省电力公司经济技术研究院 | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 |
| CN109130767B (zh) * | 2017-06-28 | 2020-08-11 | 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 |
| CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM（1,1）模型和灰色Verhulst模型的城市用电量预测方法 |
| CN108489012A (zh) * | 2018-01-30 | 2018-09-04 | 深圳市新环能科技有限公司 | 基于负荷预测与条件约束的空调冷源能效模型控制方法 |
| CN108427840B (zh) * | 2018-03-09 | 2022-04-12 | 捷通智慧科技股份有限公司 | 基于基准能效预测的数据中心空调系统节能量计算方法 |
| CN108879692B (zh) * | 2018-06-26 | 2020-09-25 | 湘潭大学 | 一种区域综合能源系统能流分布预测方法及系统 |
| CN109708258B (zh) * | 2018-12-20 | 2021-01-12 | 南京达实能源技术有限公司 | 一种基于负荷动态变化的冷库温度前馈-模糊控制系统及控制方法 |
-
2019
- 2019-10-31 CN CN201911053778.8A patent/CN112747416B/zh active Active
-
2020
- 2020-06-23 WO PCT/CN2020/097659 patent/WO2021082478A1/zh active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI441407B (zh) * | 2005-06-06 | 2014-06-11 | 格點股份有限公司 | 用以分配電能之方法及裝置以及電腦可讀取媒體 |
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN104534617A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的冷源集中数字控制方法 |
| CN106201849A (zh) * | 2016-07-01 | 2016-12-07 | 南京航空航天大学 | 一种有限数据驱动的长寿命部件余寿预测方法 |
| CN108009667A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 一种能源需求总量及结构预测系统 |
| CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
| CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
| CN109032178A (zh) * | 2018-08-06 | 2018-12-18 | 江苏科技大学 | 全驱动auv回收控制系统及自主回收方法 |
| CN109657878A (zh) * | 2019-01-04 | 2019-04-19 | 新奥能源动力科技（上海）有限公司 | 一种空调负荷预测方法及装置 |
| CN110188932A (zh) * | 2019-05-20 | 2019-08-30 | 国核电力规划设计研究院有限公司 | 基于评价优化的数据中心能耗预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于数据驱动链路估计的传感器网络实时路由协议;游绍辉等;《计算机科学》;20101015(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021082478A1 (zh) | 2021-05-06 |
| CN112747416A (zh) | 2021-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112747416B (zh) | 空调系统能耗预测方法及装置 | |
| CN112577161B (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
| CN111765604B (zh) | 空调的控制方法和装置 | |
| CN112032929B (zh) | 空调化霜控制方法及装置 | |
| CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| CN117272212B (zh) | 基于实时数据对制冷系统进行最优运行参数选择的方法 | |
| CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
| CN116193819B (zh) | 一种数据中心机房节能控制方法、系统、装置及电子设备 | |
| CN110837933A (zh) | 基于神经网络的漏损识别方法、装置、设备及存储介质 | |
| US9645563B2 (en) | Tuning model structures of dynamic systems | |
| CN116839173A (zh) | 一种能耗优化方法、装置、存储介质和电子设备 | |
| Biemann et al. | Data Center HVAC Control Harnessing Flexibility Potential via Real-Time Pricing Cost Optimization Using Reinforcement Learning | |
| CN112747413B (zh) | 空调系统负荷预测方法及装置 | |
| Stock et al. | HVAC performance evaluation and optimization algorithms development for large buildings | |
| CN116928984A (zh) | 一种恒温恒湿冷库内外双循环温湿调控系统及调控方法 | |
| CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 | |
| US20160357208A1 (en) | Energy consumption modeling | |
| CN115654684A (zh) | 空气处理机组控制、模型构建方法、装置及设备和介质 | |
| CN112365103B (zh) | 运行阶段建筑短期负荷预测方法、装置、设备和介质 | |
| CN111473494A (zh) | 基于机器学习的空调控制方法、装置和设备 | |
| CN117592386B (zh) | 新能源ba标准化实施质量评估方法及系统 | |
| CN115877714B (zh) | 一种制冷系统控制方法、装置、电子设备及存储介质 | |
| CN114094570B (zh) | 燃气机组的发电气耗的预测方法及装置 | |
| CN118446384B (zh) | 基于lstm的楼宇暖通系统节能优化方法、系统和装置 | |
| CN109944740B (zh) | 风电场场群控制方法和设备 |
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 |