CN112801408A - 一种制冷机房的负荷预测方法和预测系统 - Google Patents
一种制冷机房的负荷预测方法和预测系统 Download PDFInfo
- Publication number
- CN112801408A CN112801408A CN202110214353.1A CN202110214353A CN112801408A CN 112801408 A CN112801408 A CN 112801408A CN 202110214353 A CN202110214353 A CN 202110214353A CN 112801408 A CN112801408 A CN 112801408A
- Authority
- CN
- China
- Prior art keywords
- information
- machine room
- refrigeration machine
- load
- temperature
- 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
- 238000005057 refrigeration Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000013531 bayesian neural network Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 238000001816 cooling Methods 0.000 claims description 8
- 238000007710 freezing Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 239000008400 supply water Substances 0.000 claims 4
- 238000003062 neural network model Methods 0.000 abstract 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种制冷机房的负荷预测方法和预测系统，所述负荷预测方法包括步骤：控制装置每隔一定时间获取一次制冷机房的环境信息、冷负荷信息和实时用电功率信息，并获取天气状态和温度信息；控制装置将冷负荷信息输入贝叶斯神经网络模型的直接输入单元、将天气状态和温度信息输入贝叶斯神经网络模型的全连接神经网络输入单元并将实时用电功率信息和环境信息输入贝叶斯神经网络模型的一维卷积神经网络输入单元，贝叶斯神经网络模型对数据进行整合处理以获得制冷机房的负荷分布；本发明公开的负荷预测方法，采用贝叶斯神经网络模型对制冷机房的工作信息、环境信息和天气数据等多种信息进行整合处理，提高了检测结果的准确性和可靠性。
Description
技术领域
本发明涉及制冷机房负荷预测技术领域，特别涉及一种制冷机房的负荷预测方法和预测系统。
背景技术
中央空调属于建筑物的能耗大户，而为中央空调提供冷源的制冷机房，由于包含了制冷主机、水泵、冷却塔等主要用电设备，制冷机房的能耗一般为中央空调系统的总能耗的50％以上。
若能提前进行负荷预测，使制冷机房按所需负荷调节各设备的工作状态，可避免能源浪费，实现节能运行；目前制冷机房对各设备的调节方式一般是反馈式的，即根据实时测量的负荷对各设备进行调整，该方法由于不能提前预知冷负荷，可能会出现滞后调节的情况，造成一定的能源浪费。
现有技术中，也存在部分预测方法可提前预测制冷机房的负荷，但现有的负荷预测方法一般是以历史负荷数据为支撑，比较适合以日为单位的预测，当需要判断短时间的负荷波动情况时，如判断1小时后的负荷值时，由于天气、室内环境工况等因素的影响，往往容易出现预测值与实际值偏差较大的情况，即现有的负荷预测方法的预测效果不理想。
可见，现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种制冷机房的负荷预测方法，采用贝叶斯神经网络模型对制冷机房的工作信息、环境信息和天气数据等多种信息进行整合处理，提高了检测结果的准确性和可靠性。
为了达到上述目的，本发明采取了以下技术方案：
一种制冷机房的负荷预测方法，包括步骤：
控制装置每隔一定时间获取一次制冷机房的环境信息和工作信息，所述工作信息包括制冷机房的冷负荷信息和制冷机房的实时用电功率信息；
控制装置获取天气数据，所述天气数据包括天气状态和温度信息；
控制装置将环境信息、工作信息和天气数据输入贝叶斯神经网络模型，所述贝叶斯神经网络模型的输入单元包括直接输入单元、全连接神经网络输入单元和一维卷积神经网络输入单元；
控制装置将冷负荷信息输入直接输入单元、将天气状态和温度信息输入全连接神经网络输入单元并将实时用电功率信息和环境信息输入一维卷积神经网络输入单元，贝叶斯神经网络模型对数据进行整合处理以获得制冷机房的负荷分布。
所述的制冷机房的负荷预测方法中，所述工作信息包括制冷机房冷冻水总管的供水温度、回水温度和供水流量，所述控制装置根据供水温度、回水温度和供水流量获取机房的冷负荷信息。
所述的制冷机房的负荷预测方法中，所述冷负荷＝比热×密度×供水流量/3600，所述比热＝4.1868kJ/(kg·℃)，所述密度＝1000kg/m3。
所述的制冷机房的负荷预测方法中，所述控制装置将冷负荷信息输入直接输入单元，具体包括步骤：
控制装置获取预测点之前、一定时间段内的冷负荷信息，并将该时间段内的冷负荷信息输入直接输入单元。
所述的制冷机房的负荷预测方法中，所述天气状态包括阴天、晴天、雨天三种状态；所述温度信息包括预测点当天的平均温度信息和预测点下一小时的温度信息。
所述的制冷机房的负荷预测方法中，所述环境信息包括环境温度信息、环境湿度信息和太阳辐照度信息。
本发明还相应地提供了一种制冷机房的预测系统，包括控制装置和数据采集机构，所述数据采集机构用于采集制冷机房的环境信息和工作信息；所述控制装置包括处理单元、存储单元和通讯单元，所述存储单元存储有计算机程序，所述计算机程序能够被执行以实现如上任一所述的制冷机房的负荷预测方法；所述通讯单元与外部机构通讯连接，用于获取天气数据；所述通讯单元、存储单元和数据采集机构分别与所述处理单元电性连接。
所述的制冷机房的预测系统中，所述数据采集机构包括用于检测制冷机房环境温度的第一温度检测装置、用于检测制冷机房环境湿度的湿度检测装置、用于检测太阳辐照度的辐照度检测仪、用于检测冰冻水总管的供水温度的第二温度检测装置、用于检测冰冻水总管的回水温度的第三温度检测装置、用于检测冰冻水总管的供水流量的流量计以及用于获取制冷机房实时用电功率的电能检测装置。
有益效果：
本发明提供了一种制冷机房的负荷预测方法，通过贝叶斯神经网络模型对制冷机房的工作信息和环境信息以及天气数据等多种信息整合处理，以得到制冷机房的负荷分布，即在负荷预测过程中，综合考虑了多种因素对负荷值的影响，以提高检测结果的准确性和可靠性。
附图说明
图1为本发明提供的负荷预测方法的逻辑控制图；
图2为本发明提供的步骤S400的一个实施例的逻辑控制图；
图3为本发明提供的负荷预测系统的系统结构图。
主要元件符号说明：1-控制装置、11-处理单元、12-存储单元、13-通讯单元、2-数据采集机构、21-第一温度检测装置、22-湿度检测装置、23-辐照度检测仪、24-第二温度检测装置、25-第三温度检测装置、26-流量计、27-电能检测装置。
具体实施方式
本发明提供了一种制冷机房的负荷预测方法和预测系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明作进一步详细说明。
在本发明的描述中，需要理解的是，术语“安装”、“连接”等应做广义理解，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1和图2，本发明提供了一种制冷机房的负荷预测方法，包括步骤：
S100、控制装置每隔一定时间获取一次制冷机房的环境信息和工作信息，所述工作信息包括制冷机房的冷负荷信息和制冷机房的实时用电功率信息；在一个实施例中，所述一定时间为15分钟，工作人员可根据制冷机房的实际工作情况调整环境信息和工作信息的获取时间间隔；当环境信息和工作信息的变动较大时，可缩短环境信息和工作信息的获取时间间隔，以提高负荷预测的准确性。
在一个实施例中，所述环境信息包括环境信息包括制冷机房的环境温度信息、制冷机房的环境湿度信息和预测点的太阳辐照度信息，所述预测点是指控制装置获取信息的时刻；所述制冷机房的冷负荷信息根据制冷机房水系统的冷冻水总管的供水温度、回水温度和供水流量三个数据计算得出，具体的，冷负荷＝比热×密度×供水流量/3600，其中比热为4.1868kJ/(kg·℃)，密度为1000kg/m3，回水温度和供水温度的温差单位为℃，供水流量的单位为m3/h。
S200、控制装置获取天气数据，所述天气数据包括天气状态和温度信息；在实际工作中，控制装置可通过通讯单元13从网络获取天气预报中的天气状态和温度信息。
在一个实施例中，所述天气状态包括阴天、晴天、雨天三种状态，由于天气状态在预测方法中的权值不重，在对天气状态分类时，可将天气状态粗略地分为阴天、晴天和雨天三种；举例说明，从网络获取的天气预报的天气状态包括晴、阴、晴转多云、雾、雨夹雪、雷阵雨、小雨、大雨、中雨、暴雨、大雪、小雪、中雪、雨、冰雹和多云等；当预报数据中的天气状态为阴、晴转多云、雾、多云中的任意一种时，表明天气状态为阴天；当预报数据中的天气状态为雨夹雪、雷阵雨、小雨、大雨、中雨、暴雨、大雪、小雪、中雪、雨、冰雹中的任意一种时，表明天气状态为雨天；当预报数据中的天气状态为晴时，表明天气状态为晴天。
在一个实施例中，所述温度信息包括预测点当天的平均温度信息，所述预测点是指控制装置获取信息的时刻，所述当天的平均温度为24小时中，各小时的温度数据的累计总和再除以24；所述温度信息还包括预测点下一小时的温度信息，举例说明，控制装置在8点15分获取温度信息，则温度信息包括9点的预测温度值。
S300、控制装置将环境信息、工作信息和天气数据输入贝叶斯神经网络模型，所述贝叶斯神经网络模型的输入单元包括直接输入单元、全连接神经网络输入单元和一维卷积神经网络输入单元。
S400、控制装置将冷负荷信息输入直接输入单元，将天气状态和温度信息输入全连接神经网络输入单元并将实时用电功率信息和环境信息输入一维卷积神经网络输入单元，贝叶斯神经网络模型对数据进行整合处理以获得制冷机房的负荷分布；不同的输入单元代表输入的数据在贝叶斯神经网络模型中的权重不同，通过采用不同的输入单元输入数据，可提高预测结果的准确性和可靠性。
本申请公开的制冷机房的负荷预测方法，通过贝叶斯神经网络模型对制冷机房的工作信息和环境信息以及天气数据等多种信息整合处理，以得到制冷机房的负荷分布，即在负荷预测过程中，综合考虑了多种因素对负荷值的影响，以提高检测结果的准确性和可靠性。
进一步地，请参阅图2，所述控制装置将冷负荷信息输入直接输入单元，具体包括步骤：
S410、控制装置获取预测点之前、一定时间段内的冷负荷信息，并将该时间段内的冷负荷信息输入直接输入单元；在一个实施例中，所述一定时间段为3天，工作人员可根据制冷机房的实际工作情况调整历史冷负荷信息的获取量；当冷负荷信息在一定时间段内的变动较大时，控制装置可增大历史冷负荷数据的获取量，以提高负荷预测的准确性。
请参阅图3，本发明还相应地提供了一种制冷机房的预测系统，包括控制装置1和数据采集机构2，所述数据采集机构2用于采集制冷机房的环境信息和工作信息；所述控制装置1包括处理单元11、存储单元12和通讯单元13，所述存储单元12存储有计算机程序，所述计算机程序能够被执行以实现如上任一所述的制冷机房的负荷预测方法；所述通讯单元13与外部机构通讯连接，用于获取天气数据；所述通讯单元13、存储单元12和数据采集机构2分别与所述处理单元11电性连接；在一个实施例中，所述控制装置1可以为控制电路板，所述控制电路板上设置有多种控制芯片，所述控制芯片可包括STM32系列的控制芯片；所述通讯单元13可以是设置在控制电路板上的WIFI芯片或WLAN芯片；所述存储单元12可以是与所述控制电路板连接的存储器。
进一步地，请参阅图3，所述数据采集机构2包括用于检测制冷机房环境温度的第一温度检测装置21、用于检测制冷机房环境湿度的湿度检测装置22、用于检测太阳辐照度的辐照度检测仪23、用于检测冰冻水总管的供水温度的第二温度检测装置24、用于检测冰冻水总管的回水温度的第三温度检测装置25、用于检测冰冻水总管的供水流量的流量计26以及用于获取制冷机房实时用电功率的电能检测装置27；在一个实施例中，所述第一温度检测装置21、第二温度检测装置24和第三温度检测装置25为温度传感器，所述湿度检测装置22为湿度传感器，所述电能检测装置27为功率计。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明的保护范围。
Claims (8)
1.一种制冷机房的负荷预测方法，其特征在于，包括步骤：
控制装置每隔一定时间获取一次制冷机房的环境信息和工作信息，所述工作信息包括制冷机房的冷负荷信息和制冷机房的实时用电功率信息；
控制装置获取天气数据，所述天气数据包括天气状态和温度信息；
控制装置将环境信息、工作信息和天气数据输入贝叶斯神经网络模型，所述贝叶斯神经网络模型的输入单元包括直接输入单元、全连接神经网络输入单元和一维卷积神经网络输入单元；
控制装置将冷负荷信息输入直接输入单元、将天气状态和温度信息输入全连接神经网络输入单元并将实时用电功率信息和环境信息输入一维卷积神经网络输入单元，贝叶斯神经网络模型对数据进行整合处理以获得制冷机房的负荷分布。
2.根据权利要求1所述的一种制冷机房的负荷预测方法，其特征在于，所述工作信息包括制冷机房冷冻水总管的供水温度、回水温度和供水流量，所述控制装置根据供水温度、回水温度和供水流量获取机房的冷负荷信息。
3.根据权利要求2所述的一种制冷机房的负荷预测方法，其特征在于，所述冷负荷＝比热×密度×供水流量/3600，所述比热＝4.1868kJ/(kg·℃)，所述密度＝1000kg/m3。
4.根据权利要求3所述的一种制冷机房的负荷预测方法，其特征在于，所述控制装置将冷负荷信息输入直接输入单元，具体包括步骤：
控制装置获取预测点之前、一定时间段内的冷负荷信息，并将该时间段内的冷负荷信息输入直接输入单元。
5.根据权利要求1所述的一种制冷机房的负荷预测方法，其特征在于，所述天气状态包括阴天、晴天、雨天三种状态；所述温度信息包括预测点当天的平均温度信息和预测点下一小时的温度信息。
6.根据权利要求1所述的一种制冷机房的负荷预测方法，其特征在于，所述环境信息包括环境温度信息、环境湿度信息和太阳辐照度信息。
7.一种制冷机房的预测系统，其特征在于，包括控制装置和数据采集机构，所述数据采集机构用于采集制冷机房的环境信息和工作信息；所述控制装置包括处理单元、存储单元和通讯单元，所述存储单元存储有计算机程序，所述计算机程序能够被执行以实现如权利要求1-6任一项所述的制冷机房的负荷预测方法；所述通讯单元与外部机构通讯连接，用于获取天气数据；所述通讯单元、存储单元和数据采集机构分别与所述处理单元电性连接。
8.根据权利要求7所述的一种制冷机房的预测系统，其特征在于，所述数据采集机构包括用于检测制冷机房环境温度的第一温度检测装置、用于检测制冷机房环境湿度的湿度检测装置、用于检测太阳辐照度的辐照度检测仪、用于检测冰冻水总管的供水温度的第二温度检测装置、用于检测冰冻水总管的回水温度的第三温度检测装置、用于检测冰冻水总管的供水流量的流量计以及用于获取制冷机房实时用电功率的电能检测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110214353.1A CN112801408A (zh) | 2021-02-26 | 2021-02-26 | 一种制冷机房的负荷预测方法和预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110214353.1A CN112801408A (zh) | 2021-02-26 | 2021-02-26 | 一种制冷机房的负荷预测方法和预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801408A true CN112801408A (zh) | 2021-05-14 |
Family
ID=75815909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110214353.1A Pending CN112801408A (zh) | 2021-02-26 | 2021-02-26 | 一种制冷机房的负荷预测方法和预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801408A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406984A (zh) * | 2021-06-03 | 2021-09-17 | 施都凯仪器设备(上海)有限公司 | 一种制冷恒温恒湿控制方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740787A (zh) * | 2018-11-20 | 2019-05-10 | 第四范式（北京）技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
-
2021
- 2021-02-26 CN CN202110214353.1A patent/CN112801408A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740787A (zh) * | 2018-11-20 | 2019-05-10 | 第四范式（北京）技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113406984A (zh) * | 2021-06-03 | 2021-09-17 | 施都凯仪器设备(上海)有限公司 | 一种制冷恒温恒湿控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102705957B (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及系统 | |
| CN107860102B (zh) | 一种控制中央空调的方法及装置 | |
| Shi et al. | Prediction of indoor temperature and relative humidity based on cloud database by using an improved BP neural network in Chongqing | |
| CN107797581B (zh) | 一种暖通大数据节能系统 | |
| AU2014256585B2 (en) | Monitoring system | |
| CN102305451B (zh) | 基于健康评估技术的混合式地源热泵监控系统及方法 | |
| JP2019522954A (ja) | 予想制御を有する可変冷媒流システム | |
| CN105627506A (zh) | 一种空调冷机的建筑冷负荷预测方法及装置 | |
| CN102043907A (zh) | 空调房间实时冷负荷确定方法 | |
| TW201507309A (zh) | 電力負載監控及預測系統及其方法 | |
| US10823446B2 (en) | System of adjusting load of air conditioning and method of adjusting the same | |
| CN111076378A (zh) | 一种基于负荷预测的地铁车站通风空调节能系统及方法 | |
| CN103499136A (zh) | 一种具有次日能耗模拟功能的冰蓄冷控制系统 | |
| US20210408967A1 (en) | Solar panel performance modeling and monitoring | |
| CN1920427B (zh) | 一种空调机组室温pid控制方法 | |
| US20200304058A1 (en) | Smart shingles | |
| CN112801408A (zh) | 一种制冷机房的负荷预测方法和预测系统 | |
| Perera et al. | Prediction of space heating energy consumption in cabins based on multivariate regression modelling | |
| 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 | |
| CN111664560B (zh) | 中央空调主机智慧节能控制方法 | |
| CN116045461B (zh) | 一种基于给回水温度调节的风冷空调节能控制方法及装置 | |
| CN117195527A (zh) | 一种数据机房温度的模型预测控制方法、系统及介质 | |
| CN217154396U (zh) | 一种蓄冰装置的自动采集模块 | |
| CN117927431B (zh) | 一种风电机组功率控制方法及系统 | |
| CN106679123A (zh) | 适用于空调的监控系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |
|
| RJ01 | Rejection of invention patent application after publication |