CN113033016A - 基于混合式的中央空调负荷预测方法和装置 - Google Patents
基于混合式的中央空调负荷预测方法和装置 Download PDFInfo
- Publication number
- CN113033016A CN113033016A CN202110390783.9A CN202110390783A CN113033016A CN 113033016 A CN113033016 A CN 113033016A CN 202110390783 A CN202110390783 A CN 202110390783A CN 113033016 A CN113033016 A CN 113033016A
- Authority
- CN
- China
- Prior art keywords
- load
- value
- air conditioner
- data
- determining
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开涉及一种基于混合式的中央空调负荷预测方法和装置;其中,该方法包括:根据环境影响数据和空调的历史负荷数据确定空调的第一负荷预测值;其中,环境影响数据包括室外温度、湿度和风力中的至少一项;根据空调的历史负荷数据确定空调的第二负荷预测值;根据预设权重系数、第一负荷预测值和第二负荷预测值,确定空调的目标负荷值。本公开实施例能够结合两种负荷预测方法对空调负荷进行预测,提高了空调负荷的预测精度。
Description
技术领域
本公开涉及空调技术领域,尤其涉及一种基于混合式的中央空调负荷预测方法和装置。
背景技术
中央空调制冷系统控制的目标是在满足末端负荷需求的前提下,使得其整体能耗最优。当末端负荷发生变化时,需要及时调整制冷主机、冷冻泵、冷却泵和冷却塔工作台数以及水流量、温度、温差、泵的工作频率和冷却风机频率等运行参数,使得冷量达到供需平衡。由于目前绝大多数制冷系统采用液体水作为传热媒介,导致热量传输和转移的速度较为缓慢,且从操作参数开始调整至温度、压力等状态参数发生改变往往要经历十几分钟甚至几十分钟的时间,控制系统的响应滞后较大;目前常用的空调预测方法为神经网络法,采用历史数据建立神经网络模型进行下一时刻的负荷预测。
现有方案的缺陷在于:空调系统的非线性以及数据大滞后的特性导致历史数据与未来数据不一定具有固定比例,从而导致负荷预测的误差较大。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种基于混合式的中央空调负荷预测方法和装置。
第一方面,本公开提供了一种基于混合式的中央空调负荷预测方法,所述方法包括:
根据环境影响数据和空调的历史负荷数据确定所述空调的第一负荷预测值;其中,所述环境影响数据包括室外温度、湿度和风力中的至少一项;
根据空调的历史负荷数据确定所述空调的第二负荷预测值;
根据预设权重系数、所述第一负荷预测值和所述第二负荷预测值,确定所述空调的目标负荷值。
可选的,所述根据环境影响数据和空调的历史负荷数据确定所述空调的第一负荷预测值,包括:
确定历史采样时刻的环境影响数据与历史采样时刻的负荷数据的环境相关系数;
根据负荷采样时刻,从所述历史负荷数据中获取当前采样时刻的负荷值和前一采样时刻的负荷值,并确定所述当前采样时刻的负荷值与所述前一采样时刻的负荷值的负荷相关系数;
获取目标环境影响数据;并确定所述目标环境影响数据与所述历史采样时刻的环境影响数据的环境匹配误差;以及,获取当前采样时刻的负荷值,并确定所述当前采样时刻的负荷值与所述历史采样时刻的负荷值的负荷匹配误差;其中,所述环境影响数据包括当前采样时刻的环境影响数据和下一采样时刻的预测数据;
根据所述环境相关系数、所述负荷相关系数、所述环境匹配误差和所述负荷匹配误差,确定所述空调的第一负荷预测值。
可选的,所述环境相关系数包括温度相关系数、湿度相关系数和风力相关系数。
可选的,所述确定所述目标环境影响数据与所述历史采样时刻的环境影响数据的环境匹配误差,包括:
确定所述目标环境影响数据中室外温度与历史采样时刻的室外温度的温度匹配误差;
确定所述目标环境影响数据中湿度与历史采样时刻的湿度的湿度匹配误差;
确定所述目标环境影响数据中风力与历史采样时刻的风力的风力匹配误差。
可选的,所述根据所述环境相关系数、所述负荷相关系数、所述环境匹配误差和所述负荷匹配误差,确定所述空调的第一负荷预测值,包括;
计算所述温度相关系数与所述温度匹配误差的乘积,得到温度绝对值;计算所述湿度相关系数与所述湿度匹配误差的乘积,得到湿度绝对值;计算所述风力相关系数与所述风力匹配误差的乘积,得到风力绝对值;计算所述负荷相关系数与所述负荷匹配误差的乘积,得到负荷绝对值;
将所述温度绝对值、所述湿度绝对值、所述风力绝对值和所述负荷绝对值进行求和,得到总匹配误差集合;
确定所述总匹配误差集合中的最小总匹配误差对应的采样时刻,并选取所述采样时刻的下一个采样时刻的负荷值作为所述空调的第一负荷预测值。
可选的,所述根据空调的历史负荷数据确定所述空调的第二负荷预测值,包括:
根据空调的历史负荷数据确定所述空调的负荷序列模型;
根据所述负荷序列模型预测所述空调的负荷值作为所述空调的第二负荷预测值。
可选的,在所述确定所述空调的目标负荷值之后,所述方法还包括:
获取所述空调的实际负荷值;
计算所述第一负荷预测值与所述实际负荷值的误差;计算所述第二负荷预测值与所述实际负荷值的误差;
根据所述第一负荷预测值与所述实际负荷值的误差,和所述第二负荷预测值与所述实际负荷值的误差,对所述预设权重系数进行修正,得到修正后的预设权重系数,用于预测所述空调在目标采样时刻的负荷值。
第二方面,本公开还提供了一种基于混合式的中央空调负荷预测装置,包括:
第一预测模块,用于根据环境影响数据和空调的历史负荷数据确定所述空调的第一负荷预测值;其中,所述环境影响数据包括室外温度、湿度和风力中的至少一项;
第二预测模块,用于根据空调的历史负荷数据确定所述空调的第二负荷预测值;
负荷确定模块,用于根据预设权重系数、所述第一负荷预测值和所述第二负荷预测值,确定所述空调的目标负荷值。
可选的,第一预测模块,包括:系数确定单元、误差确定单元和第一预测单元;
系数确定单元,用于确定历史采样时刻的环境影响数据与历史采样时刻的负荷数据的环境相关系数;
系数确定单元,还用于根据负荷采样时刻,从所述历史负荷数据中获取当前采样时刻的负荷值和前一采样时刻的负荷值,并确定所述当前采样时刻的负荷值与所述前一采样时刻的负荷值的负荷相关系数;
误差确定单元,用于获取目标环境影响数据;并确定所述目标环境影响数据与所述历史采样时刻的环境影响数据的环境匹配误差;以及,获取当前采样时刻的负荷值,并确定所述当前采样时刻的负荷值与所述历史采样时刻的负荷值的负荷匹配误差;其中,所述环境影响数据包括当前采样时刻的环境影响数据和下一采样时刻的预测数据;
第一预测单元,用于根据所述环境相关系数、所述负荷相关系数、所述环境匹配误差和所述负荷匹配误差,确定所述空调的第一负荷预测值。
可选的,所述环境相关系数包括温度相关系数、湿度相关系数和风力相关系数。
可选的,误差确定单元,具体用于:
确定所述目标环境影响数据中室外温度与历史采样时刻的室外温度的温度匹配误差;
确定所述目标环境影响数据中湿度与历史采样时刻的湿度的湿度匹配误差;
确定所述目标环境影响数据中风力与历史采样时刻的风力的风力匹配误差。
可选的,第一预测单元,具体用于:
计算所述温度相关系数与所述温度匹配误差的乘积,得到温度绝对值;计算所述湿度相关系数与所述湿度匹配误差的乘积,得到湿度绝对值;计算所述风力相关系数与所述风力匹配误差的乘积,得到风力绝对值;计算所述负荷相关系数与所述负荷匹配误差的乘积,得到负荷绝对值;
将所述温度绝对值、所述湿度绝对值、所述风力绝对值和所述负荷绝对值进行求和,得到总匹配误差集合;
确定所述总匹配误差集合中的最小总匹配误差对应的采样时刻,并选取所述采样时刻的下一个采样时刻的负荷值作为所述空调的第一负荷预测值。
可选的,第二预测模块,具体用于:
根据空调的历史负荷数据确定所述空调的负荷序列模型;
根据所述负荷序列模型预测所述空调的负荷值作为所述空调的第二负荷预测值。
可选的,还包括:负荷获取模块、误差计算模块和系数修正模块;
负荷获取模块,用于获取所述空调的实际负荷值;
误差计算模块,用于计算所述第一负荷预测值与所述实际负荷值的误差;计算所述第二负荷预测值与所述实际负荷值的误差;
系数修正模块,用于根据所述第一负荷预测值与所述实际负荷值的误差,和所述第二负荷预测值与所述实际负荷值的误差,对所述预设权重系数进行修正,得到修正后的预设权重系数,用于预测所述空调在目标采样时刻的负荷值。
本公开实施例提供的技术方案与现有技术相比具有如下优点:能够结合两种负荷预测方法对空调负荷进行预测,提高了空调负荷的预测精度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种基于混合式的中央空调负荷预测方法的流程示意图;
图2是本公开实施例提供的另一种基于混合式的中央空调负荷预测方法的流程示意图;
图3是本公开实施例提供的室外温度的预测数据示意图;
图4是本公开实施例提供的湿度的预测数据示意图;
图5是本公开实施例提供的风力的预测数据示意图;
图6是本公开实施例提供的4倍插值示意图;
图7是本公开实施例提供的又一种基于混合式的中央空调负荷预测方法的流程示意图;
图8是本公开实施例提供的一种基于混合式的中央空调负荷预测装置的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
图1是本公开实施例提供的一种基于混合式的中央空调负荷预测方法的流程示意图。本实施例可适用于对中央空调制冷机的运行负荷进行预测的情况。本实施例方法可由基于混合式的中央空调负荷预测装置来执行,该装置可采用硬件/或软件的方式来实现,并可配置于电子设备中。可实现本申请任意实施例所述的基于混合式的中央空调负荷预测方法。如图1所示,该方法具体包括如下:
S110、根据环境影响数据和空调的历史负荷数据确定空调的第一负荷预测值;其中,环境影响数据包括室外温度、湿度和风力中的至少一项。
空调在正常的运行过程中,会受到室外的环境因素的影响,导致其运行负荷产生一定变化。本实施例中,环境影响数据为对空调制冷系统的运行负荷造成一定影响的环境参数,可包括当前采样时刻下的环境影响数据、当前采样时刻的前采样时刻的环境影响数据和当前采样时刻后的下一个采样时刻的预测出的环境影响数据;历史负荷数据为该空调在历史采样时刻的运行过程中实际生成的负荷值。
其中,室外温度为干球温度,其可通过干球温度表进行空调外部的温度得出;湿度和风力可根据相应传感器进行采集得到;历史负荷数据可通过负荷传感器进行采集得到。
在获取到各个环境影响数据和历史负荷数据之后,由于每个建筑的结构、面积、用途以及负荷变化特征不同,因此,在处理多个运行负荷预测时,需要为每个建筑物中空调建立独立的历史数据库,用于独立存储不同建筑物中空调的历史数据。
S120、根据空调的历史负荷数据确定空调的第二负荷预测值。
空调的运行负荷的变化具有一定的连续性,在一定时间规律下的变化率也能够准确反映出该空调的变化趋势,以对其下一采样时刻的运行负荷进行有效预测。
需要说明的是,本实施例中给定的是一种实施方法,第一负荷预测值的预测步骤与第二负荷预测值的预测步骤无顺序关系,可同时进行。
S130、根据预设权重系数、第一负荷预测值和第二负荷预测值,确定空调的目标负荷值。
在本实施例中,采用的是两种负荷预测方法的结合确定空调最终的负荷值,则需要对两种方法进行权重分配,以确定出目标空调最终的负荷预测值。预设权重系数的初始值可设置为0.5,即第一负荷预测值的权重为0.5,第二负荷预测值的权重为0.5。
本公开实施例根据环境影响数据和空调的历史负荷数据确定空调的第一负荷预测值;其中,环境影响数据包括室外温度、湿度和风力中的至少一项;根据空调的历史负荷数据确定空调的第二负荷预测值;根据预设权重系数、第一负荷预测值和第二负荷预测值,确定空调的目标负荷值。本公开实施例能够结合两种负荷预测方法对空调负荷进行预测,提高了空调负荷的预测精度。
图2本公开实施例提供的另一种基于混合式的中央空调负荷预测方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化,并可与上述技术方案中任意可选方案组合。如图2所示,该方法包括:
S210、确定历史采样时刻的环境影响数据与历史采样时刻的负荷数据的环境相关系数;根据负荷采样时刻,从历史负荷数据中获取当前采样时刻的负荷值和前一采样时刻的负荷值,并确定当前采样时刻的负荷值与前一采样时刻的负荷值的负荷相关系数。
在本实施例中,从空调的历史数据库中采集历史采样时刻的环境影响数据和负荷数据;负荷采样时刻为中央空调中设定的采集运行负荷的采样点,其与环境影响数据的采样时刻相同,以确保各数据的采集时间统一。
具体的,环境相关系数和负荷相关系数的计算可参见如下公式(1)。
公式(1)中,t为当前采样时刻;若x为室外温度,则γ为温度相关系数(γT);若x为湿度,则γ为湿度相关系数(γRH);若x为风力,则γ为风力相关系数(γW);yt为当前采样时刻的实际负荷值。
在本实施例中,可选的,环境相关系数包括温度相关系数、湿度相关系数和风力相关系数。本实施例通过根据多个环境影响数据对中央空调的运行负荷进行预测,以提供多个预测因素,从而使得负荷预测值更加精确。
S220、获取目标环境影响数据;并确定目标环境影响数据与历史采样时刻的环境影响数据的环境匹配误差;以及,获取当前采样时刻的负荷值,并确定当前采样时刻的负荷值与历史采样时刻的负荷值的负荷匹配误差;其中,环境影响数据包括当前采样时刻的环境影响数据和下一采样时刻的预测数据。
在本实施例中,匹配误差能够有效反映出匹配者之间的相似关系,从而能够直观反映出匹配数据的差异。
下一采样时刻的预测数据可由天气预报预测得出,具体可包括室外温度、湿度以及风力。
其中,当前采样时刻的下一采样时刻的预测数据可参见图3-5;图3是采集的25个采样时刻下室外温度的数据示意图;图4是采集的25个采样时刻下湿度的数据示意图;图5是采集的25个采样时刻下风力的数据示意图。
在本实施例中,确定当前采样时刻的环境影响数据与历史采样时刻的环境影响数据的环境匹配误差,包括:
确定目标环境影响数据中室外温度与历史采样时刻的室外温度的温度匹配误差;
确定目标环境影响数据中湿度与历史采样时刻的湿度的湿度匹配误差;
确定目标环境影响数据中风力与历史采样时刻的风力的风力匹配误差。
其中,温度匹配误差的计算可参见如下公式(2)。
公式(2)中,当前采样时刻及前N个采样时刻室外干球温度;为根据天气预报得到的下一个采样时刻的干球温度;t0为历史数据中某一时刻;为历史数据中从t0采样时刻及其前N个采样时刻的室外干球温度;为历史数据中从t0开始后1个采样时刻的室外温度。
湿度匹配误差的计算可参见如下公式(3)。
公式(3)中,当前采样时刻及前N个采样时刻的湿度;为根据天气预报得到的下一个采样时刻的湿度;t0为历史数据中某一时刻;为历史数据中从t0采样时刻及其前N个采样时刻的湿度;为历史数据中从t0开始后1个采样时刻的湿度。
风力匹配误差的计算可参见如下公式(4)。
公式(4)中,当前采样时刻及前N个采样时刻的风力;为根据天气预报得到的下一个采样时刻的风力;t0为历史数据中某一时刻;为历史数据中从t0采样时刻及其前N个采样时刻的风力;为历史数据中从t0开始后1个采样时刻的风力。
其中,根据对天气预报预先播报的未来时刻的环境影响数据值进行插值处理,得到下一个采样时刻的室外温度、湿度和风力的预报值;具体的,中央空调系统是大滞后系统,采样控制时间周期随中央空调系统滞后时间而调节,一般可以取滞后时间的1/3或1/4,天气预报时间间隔一般为1小时,求天气预报时间间隔与采样控制时间周期之比q值;对天气预报室外温度、湿度和风力数据值分别进行q倍线性插值;插值结果可参见图6,图6是本实施例提供的4倍插值示意图。
本实施例通过预测当前采样时刻的后一个采样时刻的数据,来对各采样时刻的环境影响数据之间进行匹配误差的预测,能够有效提高误差的预测效率。
参考上述误差匹配公式,则可得出,负荷匹配误差的计算可参见如下公式(5)。
S230、根据环境相关系数、负荷相关系数、环境匹配误差和负荷匹配误差,确定空调的第一负荷预测值。
本实施例通过确定出相关系数以及匹配误差,并结合相关系数与匹配误差对空调的运行负荷进行确定,从而有效提高中央空调运行负荷的预测准确度。
在本实施例中,可选的,根据环境相关系数、负荷相关系数、环境匹配误差和负荷匹配误差,确定空调的第一负荷预测值,包括;
计算温度相关系数与温度匹配误差的乘积,得到温度绝对值;计算湿度相关系数与湿度匹配误差的乘积,得到湿度绝对值;计算风力相关系数与风力匹配误差的乘积,得到风力绝对值;计算负荷相关系数与负荷匹配误差的乘积,得到负荷绝对值;
将温度绝对值、湿度绝对值、风力绝对值和负荷绝对值进行求和,得到总匹配误差集合;
确定总匹配误差集合中的最小总匹配误差对应的采样时刻,并选取采样时刻的下一个采样时刻的负荷值作为空调的第一负荷预测值。
其中,温度绝对值为温度相关系数与温度匹配误差乘积得到的不为负的正值;湿度绝对值为湿度相关系数与湿度匹配误差乘积得到的不为负的正值;风力绝对值为风力相关系数与风力匹配误差乘积得到的不为负的正值;负荷绝对值为负荷相关系数与负荷匹配误差乘积得到的不为负的正值。由于计算出的相关系数可能为负值,则需要对其进行数据正值统一化,以确保求出的总匹配误差的准确性。
总匹配误差集合为不同采样时刻下的相关系数与匹配误差之间的乘积之和得到的各个不同的匹配误差值;可参见如下公式(6)。
ERROR=|γT|ERRORT+|γRH|ERRORRH+|γW|ERRORW+|γLD|ERRORLD (6)
由于在总匹配误差集合中总匹配误差最小的采样时刻与当前采样时刻的误差最小,则可认为两个时刻相似度最高,则将其后一个采样时刻(历史采样时刻中)对应的实际负荷值作为空调待预测时刻(当前采样时刻的下一个采样时刻)的负荷值,从而能够准确有效的确定出空调的第一负荷预测值
S240、根据空调的历史负荷数据确定空调的负荷序列模型;根据负荷序列模型预测空调的负荷值作为空调的第二负荷预测值。
在本实施例中,负荷序列模型为根据空调的多个历史负荷数据建立的能够表示负荷数据变化规律的模型;具体可包括:获取包含当前采样时刻之前的左右采样时刻的负荷测量数据集合并根据该负荷测量数据集合建立负荷序列模型。
根据负荷序列模型预测空调的负荷值作为空调的第二负荷预测值,可包括:根据负荷序列模型预测当前采样时刻前的所有采样时刻,得到负荷预测集合根据负荷测量数据集合和历史采样时刻(t-N时刻)负荷预测值并基于时间序列指数预测法预测当前采样时刻的下一个采样时刻的负荷值具体可参见如下公式(7)。
需要说明的是,预测空调的负荷值指的是预测空调在当前采样时刻的下一个采样时刻的负荷值。
本实施例根据负荷序列模型的规律原则预测出当前采样时刻的下一个采样时刻的负荷值,快速准确的对中央空调的运行负荷进行预测。
S250、根据预设权重系数、第一负荷预测值和第二负荷预测值,确定空调的目标负荷值。
其中,目标负荷值的确定可参见如下公式(8)。
公式(8)中,首次预测时,α可取0.5。
图7是本公开实施例提供的又一种基于混合式的中央空调负荷预测方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化,并可与上述技术方案中任意可选方案组合。如图7所示,该方法包括:
S710、根据环境影响数据和空调的历史负荷数据确定空调的第一负荷预测值;其中,环境影响数据包括室外温度、湿度和风力中的至少一项。
S720、根据空调的历史负荷数据确定空调的第二负荷预测值。
S730、根据预设权重系数、第一负荷预测值和第二负荷预测值,确定空调的目标负荷值。
S740、获取空调的实际负荷值;计算第一负荷预测值与实际负荷值的误差;计算第二负荷预测值与实际负荷值的误差。
S750、根据第一负荷预测值与实际负荷值的误差,和第二负荷预测值与实际负荷值的误差,对预设权重系数进行修正,得到修正后的预设权重系数,用于预测空调在待采样时刻的目标采样时刻的负荷值。
在本实施例中,由于第一负荷预测值和第二负荷预测值的单一确定中会存在误差,则其初始给定的预设权重系数需要进行实时调整,以减少误差较大的预测值对目标空调最终的预测值带来的影响,从而有效提高负荷预测的准确性。
修正后的预设权重系数的确定可参见如下公式(9)。
需要说明的是,本实施例中所指的目标采样时刻为上一个预测采样时刻后的采样时刻;示例性的,以初始预测时,预设权重系数为0.5,预测的是当前采样时刻的下一个采样时刻的负荷值;在首次预测结束时,对预设权重系数进行修正,得到新的预设权重系数,再根据新的预设权重系数对该当前采样时刻的下一个采样时刻后的下一个采样时刻的负荷值进行预测。
图8是本公开实施例提供的一种基于混合式的中央空调负荷预测装置的结构示意图;该装置配置于电子设备中,可实现本申请任意实施例所述的基于混合式的中央空调负荷预测方法。该装置具体包括如下:
第一预测模块810,用于根据环境影响数据和空调的历史负荷数据确定所述空调的第一负荷预测值;其中,所述环境影响数据包括室外温度、湿度和风力中的至少一项;
第二预测模块820,用于根据空调的历史负荷数据确定所述空调的第二负荷预测值;
负荷确定模块830,用于根据预设权重系数、所述第一负荷预测值和所述第二负荷预测值,确定所述空调的目标负荷值。
在本实施例中,可选的,第一预测模块810,包括:系数确定单元、误差确定单元和第一预测单元;
系数确定单元,用于确定历史采样时刻的环境影响数据与历史采样时刻的负荷数据的环境相关系数;
系数确定单元,还用于根据负荷采样时刻,从所述历史负荷数据中获取当前采样时刻的负荷值和前一采样时刻的负荷值,并确定所述当前采样时刻的负荷值与所述前一采样时刻的负荷值的负荷相关系数;
误差确定单元,用于获取目标环境影响数据;并确定所述目标环境影响数据与所述历史采样时刻的环境影响数据的环境匹配误差;以及,获取当前采样时刻的负荷值,并确定所述当前采样时刻的负荷值与所述历史采样时刻的负荷值的负荷匹配误差;其中,所述环境影响数据包括当前采样时刻的环境影响数据和下一采样时刻的预测数据;
第一预测单元,用于根据所述环境相关系数、所述负荷相关系数、所述环境匹配误差和所述负荷匹配误差,确定所述空调的第一负荷预测值。
在本实施例中,可选的,所述环境相关系数包括温度相关系数、湿度相关系数和风力相关系数。
在本实施例中,可选的,误差确定单元,具体用于:
确定所述目标环境影响数据中室外温度与历史采样时刻的室外温度的温度匹配误差;
确定所述目标环境影响数据中湿度与历史采样时刻的湿度的湿度匹配误差;
确定所述目标环境影响数据中风力与历史采样时刻的风力的风力匹配误差。
在本实施例中,可选的,第一预测单元,具体用于:
计算所述温度相关系数与所述温度匹配误差的乘积,得到温度绝对值;计算所述湿度相关系数与所述湿度匹配误差的乘积,得到湿度绝对值;计算所述风力相关系数与所述风力匹配误差的乘积,得到风力绝对值;计算所述负荷相关系数与所述负荷匹配误差的乘积,得到负荷绝对值;
将所述温度绝对值、所述湿度绝对值、所述风力绝对值和所述负荷绝对值进行求和,得到总匹配误差集合;
确定所述总匹配误差集合中的最小总匹配误差对应的采样时刻,并选取所述采样时刻的下一个采样时刻的负荷值作为所述空调的第一负荷预测值。
在本实施例中,可选的,第二预测模块820,具体用于:
根据空调的历史负荷数据确定所述空调的负荷序列模型;
根据所述负荷序列模型预测所述空调的负荷值作为所述空调的第二负荷预测值。
在本实施例中,可选的,本实施例装置还包括:负荷获取模块、误差计算模块和系数修正模块;
负荷获取模块,用于获取所述空调的实际负荷值;
误差计算模块,用于计算所述第一负荷预测值与所述实际负荷值的误差;计算所述第二负荷预测值与所述实际负荷值的误差;
系数修正模块,用于根据所述第一负荷预测值与所述实际负荷值的误差,和所述第二负荷预测值与所述实际负荷值的误差,对所述预设权重系数进行修正,得到修正后的预设权重系数,用于预测所述空调在目标采样时刻的负荷值。
通过本发明实施例的基于混合式的中央空调负荷预测装置,能够结合两种负荷预测方法对空调负荷进行预测,提高了空调负荷的预测精度。
本发明实施例所提供的基于混合式的中央空调负荷预测装置可执行本发明任意实施例所提供的基于混合式的中央空调负荷预测方法,具备执行方法相应的功能模块和有益效果。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于混合式的中央空调负荷预测方法,其特征在于,所述方法包括:
根据环境影响数据和空调的历史负荷数据确定所述空调的第一负荷预测值;其中,所述环境影响数据包括室外温度、湿度和风力中的至少一项;
根据空调的历史负荷数据确定所述空调的第二负荷预测值;
根据预设权重系数、所述第一负荷预测值和所述第二负荷预测值,确定所述空调的目标负荷值。
2.根据权利要求1所述的方法,其特征在于,所述根据环境影响数据和空调的历史负荷数据确定所述空调的第一负荷预测值,包括:
确定历史采样时刻的环境影响数据与历史采样时刻的负荷数据的环境相关系数;
根据负荷采样时刻,从所述历史负荷数据中获取当前采样时刻的负荷值和前一采样时刻的负荷值,并确定所述当前采样时刻的负荷值与所述前一采样时刻的负荷值的负荷相关系数;
获取目标环境影响数据;并确定所述目标环境影响数据与所述历史采样时刻的环境影响数据的环境匹配误差;以及,获取当前采样时刻的负荷值,并确定所述当前采样时刻的负荷值与所述历史采样时刻的负荷值的负荷匹配误差;其中,所述环境影响数据包括当前采样时刻的环境影响数据和下一采样时刻的预测数据;
根据所述环境相关系数、所述负荷相关系数、所述环境匹配误差和所述负荷匹配误差,确定所述空调的第一负荷预测值。
3.根据权利要求2所述的方法,其特征在于,所述环境相关系数包括温度相关系数、湿度相关系数和风力相关系数。
4.根据权利要求3所述的方法,其特征在于,所述确定所述目标环境影响数据与所述历史采样时刻的环境影响数据的环境匹配误差,包括:
确定所述目标环境影响数据中室外温度与历史采样时刻的室外温度的温度匹配误差;
确定所述目标环境影响数据中湿度与历史采样时刻的湿度的湿度匹配误差;
确定所述目标环境影响数据中风力与历史采样时刻的风力的风力匹配误差。
5.根据权利要求4所述的方法,其特征在于,所述根据所述环境相关系数、所述负荷相关系数、所述环境匹配误差和所述负荷匹配误差,确定所述空调的第一负荷预测值,包括;
计算所述温度相关系数与所述温度匹配误差的乘积,得到温度绝对值;计算所述湿度相关系数与所述湿度匹配误差的乘积,得到湿度绝对值;计算所述风力相关系数与所述风力匹配误差的乘积,得到风力绝对值;计算所述负荷相关系数与所述负荷匹配误差的乘积,得到负荷绝对值;
将所述温度绝对值、所述湿度绝对值、所述风力绝对值和所述负荷绝对值进行求和,得到总匹配误差集合;
确定所述总匹配误差集合中的最小总匹配误差对应的采样时刻,并选取所述采样时刻的下一个采样时刻的负荷值作为所述空调的第一负荷预测值。
6.根据权利要求1所述的方法,其特征在于,所述根据空调的历史负荷数据确定所述空调的第二负荷预测值,包括:
根据空调的历史负荷数据确定所述空调的负荷序列模型;
根据所述负荷序列模型预测所述空调的负荷值作为所述空调的第二负荷预测值。
7.根据权利要求1所述的方法,其特征在于,在所述确定所述空调的目标负荷值之后,所述方法还包括:
获取所述空调的实际负荷值;
计算所述第一负荷预测值与所述实际负荷值的误差;计算所述第二负荷预测值与所述实际负荷值的误差;
根据所述第一负荷预测值与所述实际负荷值的误差,和所述第二负荷预测值与所述实际负荷值的误差,对所述预设权重系数进行修正,得到修正后的预设权重系数,用于预测所述空调在目标采样时刻的负荷值。
8.一种基于混合式的中央空调负荷预测装置,其特征在于,所述装置包括:
第一预测模块,用于根据环境影响数据和空调的历史负荷数据确定所述空调的第一负荷预测值;其中,所述环境影响数据包括室外温度、湿度和风力中的至少一项;
第二预测模块,用于根据空调的历史负荷数据确定所述空调的第二负荷预测值;
负荷确定模块,用于根据预设权重系数、所述第一负荷预测值和所述第二负荷预测值,确定所述空调的目标负荷值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390783.9A CN113033016B (zh) | 2021-04-12 | 2021-04-12 | 基于混合式的中央空调负荷预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390783.9A CN113033016B (zh) | 2021-04-12 | 2021-04-12 | 基于混合式的中央空调负荷预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033016A true CN113033016A (zh) | 2021-06-25 |
CN113033016B CN113033016B (zh) | 2021-10-22 |
Family
ID=76456384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110390783.9A Active CN113033016B (zh) | 2021-04-12 | 2021-04-12 | 基于混合式的中央空调负荷预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033016B (zh) |
Citations (13)
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 |
CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
US20140365128A1 (en) * | 2011-12-29 | 2014-12-11 | Gagyotech Co., Ltd. | Method for predicting hourly climatic data to estimate cooling/heating load |
CN107220514A (zh) * | 2017-06-14 | 2017-09-29 | 四川省建筑科学研究院 | 基于大数据的空调负荷预测方法及系统 |
US20180195752A1 (en) * | 2015-10-01 | 2018-07-12 | Panasonic Intellectual Property Management Co., Ltd. | Air-conditioning control method, air-conditioning control apparatus, and storage medium |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和系统 |
CN110529980A (zh) * | 2019-08-14 | 2019-12-03 | 雄安达实智慧科技有限公司 | 中央空调实际需求供冷负荷的确定方法、系统和电子设备 |
CN110688620A (zh) * | 2019-09-11 | 2020-01-14 | 新奥数能科技有限公司 | 一种短期负荷预测方法及装置 |
CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
CN112036595A (zh) * | 2019-12-10 | 2020-12-04 | 北京信息科技大学 | 基于多位置数值天气预报短期风电功率预测方法和系统 |
CN112415924A (zh) * | 2020-10-30 | 2021-02-26 | 南京华盾电力信息安全测评有限公司 | 一种空调系统节能优化方法及系统 |
-
2021
- 2021-04-12 CN CN202110390783.9A patent/CN113033016B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140365128A1 (en) * | 2011-12-29 | 2014-12-11 | Gagyotech Co., Ltd. | Method for predicting hourly climatic data to estimate cooling/heating load |
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 |
CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
US20180195752A1 (en) * | 2015-10-01 | 2018-07-12 | Panasonic Intellectual Property Management Co., Ltd. | Air-conditioning control method, air-conditioning control apparatus, and storage medium |
CN107220514A (zh) * | 2017-06-14 | 2017-09-29 | 四川省建筑科学研究院 | 基于大数据的空调负荷预测方法及系统 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和系统 |
CN110529980A (zh) * | 2019-08-14 | 2019-12-03 | 雄安达实智慧科技有限公司 | 中央空调实际需求供冷负荷的确定方法、系统和电子设备 |
CN110688620A (zh) * | 2019-09-11 | 2020-01-14 | 新奥数能科技有限公司 | 一种短期负荷预测方法及装置 |
CN112036595A (zh) * | 2019-12-10 | 2020-12-04 | 北京信息科技大学 | 基于多位置数值天气预报短期风电功率预测方法和系统 |
CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
CN112415924A (zh) * | 2020-10-30 | 2021-02-26 | 南京华盾电力信息安全测评有限公司 | 一种空调系统节能优化方法及系统 |
Non-Patent Citations (1)
Title |
---|
张贝贝 等: "基于组合残差修正的预测方法及实证", 《统计与决策》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113033016B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5572799B2 (ja) | 空調システム制御装置 | |
Zhou et al. | A grey‐box model of next‐day building thermal load prediction for energy‐efficient control | |
CN110715401B (zh) | 空调设备的化霜控制方法、装置、介质及空调设备 | |
CN112696798B (zh) | 空调的参数设置方法、空调设备以及计算机可读存储介质 | |
US11561019B2 (en) | Performance diagnosis device and performance diagnosis method for air conditioner | |
JPH0835706A (ja) | 空調熱負荷予測システム | |
CN113240184A (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 | |
CN115115143A (zh) | 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法 | |
CN114046593A (zh) | 一种动态预测性机器学习型空调节能控制方法及系统 | |
CN115614907A (zh) | 一种空调器及其室内温度预测方法和装置 | |
CN116147154A (zh) | 机房空调温度调节方法、装置,及电子设备 | |
CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
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 | |
CN115127192A (zh) | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 | |
CN113033016B (zh) | 基于混合式的中央空调负荷预测方法和装置 | |
CN112781177B (zh) | 预测空调运行功率的方法、装置、电子设备及存储介质 | |
CN112268350B (zh) | 一种基于系统延迟性的空调侧负荷预测方法 | |
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 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN116704716A (zh) | 实验室恒温恒湿异常报警方法、装置及计算机设备 | |
CN113435031A (zh) | 一种空调所属房屋一阶etp模型的参数辨识方法和系统 | |
CN112365103B (zh) | 运行阶段建筑短期负荷预测方法、装置、设备和介质 | |
JP2020139705A (ja) | 運転制御方法、運転制御プログラムおよび運転制御装置 | |
CN117387172B (zh) | 基于精准推荐设备控制参数的末端空调节能方法和系统 | |
Chin-Chi et al. | Artificial intelligence assisted heating ventilation and air conditioning control and the unmet demand for sensors: Part 2. Prior information notice (PIN) sensor design and simulation results |
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 |