CN113111419A - 办公建筑内空调负荷预测模型建立、预测方法及系统 - Google Patents

办公建筑内空调负荷预测模型建立、预测方法及系统 Download PDF

Info

Publication number
CN113111419A
CN113111419A CN202110412887.5A CN202110412887A CN113111419A CN 113111419 A CN113111419 A CN 113111419A CN 202110412887 A CN202110412887 A CN 202110412887A CN 113111419 A CN113111419 A CN 113111419A
Authority
CN
China
Prior art keywords
network
air
value
predicted
residual
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
Application number
CN202110412887.5A
Other languages
English (en)
Inventor
冯增喜
崔巍
何鑫
张茂强
杨芸芸
赵锦彤
李诗妍
陈海越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202110412887.5A priority Critical patent/CN113111419A/zh
Publication of CN113111419A publication Critical patent/CN113111419A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明属于智慧城市及建筑节能领域，公开了一种办公建筑内空调负荷预测模型建立、预测方法及系统。方法包括如下步骤：步骤1：采集历史环境数据和测量日负荷数据；步骤2：建立RBF神经网络和残差网络，所述的残差网络包括多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型。本发明针对不同时间段，根据各种单项预测模型的相对预测误差的大小，动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差，并将动态组合残差修正的预测方法用于中央空调负荷预测，进一步提高了预测精度。

Description

办公建筑内空调负荷预测模型建立、预测方法及系统
技术领域
本发明属于智慧城市及建筑节能领域，具体涉及一种办公建筑内空调负荷 预测模型建立、预测方法及系统。
背景技术
中国的能源消耗呈现稳步增长，其中建筑能耗约占全国总能耗的三分之 一，其中公共建筑能耗是建筑能耗的主要组成部分，故针对公共建筑的节能设 计及负荷预测研究成为智能建筑的领域的主要问题之一，而建筑负荷预测是实 现建筑设备节能需要解决的首要问题。现有技术中缺乏灵活地对建筑任意区域 进行预测的系统。这是因为现有用于进行研究的数据通常是通过人工对数据进 行收集，而用于设备自动控制的数据大多来自于系统中安装的固定传感设备， 所以在建筑设备运行时，极易出现建筑物整体能耗预测看似准确或数据测试区 域能耗看似准确，但是较多局部区域环境预测不佳(过热、过冷、过凉、过暗) 而导致能耗过大且环境不舒适的情况，并且想要通过人工对设备进行调控时也 会由于建筑内各区域能耗预测数据不足而增大其难度。
如何提高预测精度一直是预测方法中的热点问题，至今已有多篇预测模型 的研究成果.其中，自回归积分滑动平均模型(autoregressive integrated moving average，ARIMA)、多元线性回归模型(multiple linear regression，MLR)、灰 色预测模型(greymodel，GM)以及人工神经网络模型(artificial neural network， ANN)等几种模型是主要的模型.利用灰色预测模型进行预测，无需考虑系 统结构，直接利用原始数据的累加来寻找系统的规律并构建指数模型.根据原 始数据的特点，可构造出不同的灰色预测模型，灰色预测模型主要用于长期预 测.利用多元线性回归模型进行预测，主要是借助于回归分析法找出预测对象 及其影响因素之间的关系，构建回归模型.故该方法一般用于中期预测或仅用 于趋势预测利用自回归积分滑动平均模型进行预测，方法简单、数据单一，仅 能预测出下一周期的值，该方法适合短期预测，利用人工神经网络预测，主要 有BRF、BP、ELMAN三种.虽然神经网络的适应性和学习能力很强，但由 于其训练样本庞大、最优的网络结构难以寻找，故其预测的准确性还有待提高， 神经网络较多地应用于短期预测实际中由于各种单项预测方法特点不同以及 影响系统的部分因素具有随机性和不确定性，导致单项预测方法表现出预测精 度“时好时坏”的现象。
根据组合预测的理论可知，2种或2种以上无偏的单项预测方法组合后预 测结果优于每个单项的预测结果，有效提高预测精度。但对于同一对象进行组 合预测，若考虑角度不同，构成的单项预测方法有异，预测结果的准确程度也 不尽相同。
发明内容
本发明的目的在于提供一种办公建筑内空调负荷预测模型建立、预测方法 及系统，用以解决现有技术中对于某一区域负荷预测的周期长、预测难度大、 资源占用程度大及预测精度不够的问题。
为了实现上述任务，本发明采用以下技术方案：
一种办公建筑内空调负荷预测模型建立方法，包括如下步骤：
步骤1：采集历史环境数据和测量日负荷数据，所述历史环境数据包括测 量日前K天中每个时刻的室外空气温度、室外空气湿度、太阳辐射强度、室 内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和 渗透率，所述测量日负荷数据包括测量日每个时刻测量到的实际空调负荷值， 其中，K为正整数；
步骤2：建立RBF神经网络和残差网络，所述的残差网络包括多个子网 络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练 RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型；
其中，每次训练迭代包括如下子步骤：
步骤2.1：所述的RBF神经网络输出预测空调负荷值，根据预测空调负荷 值获取残差值，所述的残差值为预测空调负荷值和实际空调负荷值之差；所述 的残差网络中的每个子网络分别输出各自的预测空调负荷值，获取每个子网络 残差值，每个子网络残差值为每个子网络输出的预测空调负荷值和实际空调负 荷值之差；
步骤2.2：选择最小的两个子网络残差值通过最小二乘法进行权重分配， 获得修正残差值；
步骤2.3：将修正残差值替换RBF神经网络的的残差值后，进行下一次训 练迭代。
进一步的，所述的RBF神经网络包括输入层、隐含层和输出层，各层之 间全连接，隐含层与输出层之间有权值连接。
进一步的，所述残差网络的子网络包括：ARIMA网络、ELMAN网络、 MLR网络和GM网络。
一种办公建筑内空调负荷预测方法，包括如下步骤：
步骤一：获取待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度 室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比 和渗透率；
步骤二：将待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度室 内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和 渗透率输入任一种办公建筑内空调负荷预测模型建立方法得到的空调负荷预 测模型，获得待预测时刻的预测空调负荷值。
一种办公建筑内空调负荷预测系统，包括数据采集模块、核心运算模块和 输出显示模块；
所述的数据采集模块用于采集历史环境数据、测量日负荷数据和待预测时 刻的环境数据，包括检测输入模块和手动输入模块，检测输入模块用于采集测 量日前K天中每个时刻的室外空气温度、室外空气湿度和太阳辐射强度，测 量日每个时刻的空调负荷值，待预测时刻的室外空气温度、室外空气湿度和太 阳辐射强度，所述的手动输入模块用于采集测量日每个时刻以及待预测时刻的 室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比 和渗透率，其中，K为正整数；
在手动键入部分，需要针对不同的建筑物使用对象，向单片机键入不同的 室内人员密度、外墙传热系数、屋顶传热系数、窗墙比、渗透率、室内设定温 度、室内设定适度等值来进行负荷预测，可以做到针对不同建筑物的设定不同 的参数值，最终更准确的实现负荷预测。
核心运算模块用于建立RBF神经网络和残差网络，所述的残差网络包括 多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别 训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模 型；
其中，每次训练迭代时，所述的RBF神经网络输出预测空调负荷值，根 据预测空调负荷值获取残差值，所述的残差值为预测空调负荷值和实际空调负 荷值之差；所述的残差网络中的每个子网络分别输出各自的预测空调负荷值， 获取每个子网络残差值，每个子网络残差值为每个子网络输出的预测空调负荷 值和实际空调负荷值之差；选择最小的两个子网络残差值通过最小二乘法进行 权重分配，获得修正残差值；将修正残差值替换RBF神经网络的的残差值后， 进行下一次训练迭代；
输出显示模块用于获得核心运算模块输出的待预测时刻的预测空调负荷 值。
进一步的，所述残差网络的子网络包括：ARIMA网络、ELMAN网络、 MLR网络和GM网络。
进一步的，所述的RBF神经网络包括输入层、隐含层和输出层，各层之 间全连接，隐含层与输出层之间有权值连接。
进一步的，所述的室内外温湿度传感器型号为HTU21D(F)的数字温湿 度传感器，所述的太阳辐射传感器选择型号为S-RA-N01-JT的太阳辐射传感 器，核心运算模块为STM32单片机，输出显示模块为OLED显示器。
本发明与现有技术相比具有以下技术特点：
(1)数据处理部分选用BP神经网络或支持向量机算法建立模型，此类 算法具有较强的非线性映射能力、自学习能力、自适应能力，这确保了解决此 类问题模型建立过程中算法的适用性，同时由于此类算法不会由于局部损伤导 致全局训练结果产生较大的偏差，具有一定的容错能力，从而在一定程度上也 降低了对输入数据准确性的要求，避免由于传感系统工作时采取的个别错误数 据而影响整个模型的建立。
(2)根据组合残差模型修正的RBFNN空调负荷预测的特点，预测准确 性会随数据积累的不断丰富而不断提高，该发明将会随着使用的时间增长而不 断积累数据，使得预测结果越发准确。
(3)相似功能型公共建筑会由于地方政策以及其用途而采用相似的建筑 方法，当处于同一类地区时，根据同种算法建立的预测模型将会具有较高的普 适性，故理论上该发明可适用于同一地区的所有同种类型的建筑。
附图说明
图1是RBFNN空调负荷预测模型的网络结构示意图；
图2是基于组合残差模型修正的RBFNN空调负荷预测模型工作流程示意 图；
图3是系统结构示意图；
图4是预测过程的流程图；
图5是不同方法的空调负荷预测结果示意图；
图6是不同方法的空调负荷预测的绝对误差示意图；
图7是不同组合方法的空调负荷预测的相对误差示意图；
图8是RBF神经网络示意图。
具体实施方式
首先对本发明中出现的技术词汇进行解释：
径向基函数神经网络(RBFNN，Radial Basis Function Neural Networks)： 是一种性能良好的前馈型神经网络，它是基于人脑的神经元细胞对外界反应的 局部性而提出的，是一种比较新颖并且有效的前馈式神经网络，具有较高的运 算速度，特别是它的较强的非线性映射能力，能以任意精度全局逼近一个非线 性函数，所以在模式识别，机器学习等方面具有广泛的应用。
差分整合移动平均自回归模型(ARIMA，Autoregressive Integrated MovingAverage model)：又称整合移动平均自回归模型(移动也可称作滑动)，是时间 序列预测分析方法之一。
ELMAN神经网络：是J.L.Elman于1990年首先针对语音处理问题而提 出来的，ELMAN神经网络是一种典型的动态递归神经网络，它是在BP网络 基本结构的基础上，在隐含层增加一个承接层，作为一步延时算子，达到记忆 的目的，从而使系统具有适应时变特性的能力，增强了网络的全局稳定性，它 比前馈型神经网络具有更强的计算能力，还可以用来解决快速寻优问题。
多元线性回归模型(MLR，multivariable linear regression model)：是一种 用来描述变量y和x之间的随机线性关系的模型，通常用来研究一个应变量依 赖多个自变量的变化关系，如果二者的依赖关系可以用线性形式来刻画，则可 以建立多元线性模型来进行分析。
灰色模型(GM，Grey Model)：简称GM模型，它揭示了系统内部事务连 续发展变化的过程。它是通过少量的、不完全的信息，建立灰色微分预测模型， 对事物发展规律作出模糊性的长期描述(模糊预测领域中理论、方法较为完善 的预测学分支)。如果一个系统具有层次、结构关系的模糊性，动态变化的随 机性，指标数据的不完备或不确定性，则称这些特性为灰色性。具有灰色性的 系统称为灰色系统。
在本实施例中公开了一种办公建筑内空调负荷预测模型建立方法，包括如 下步骤：
步骤1：采集历史环境数据和测量日负荷数据，所述历史环境数据包括测 量日前K天中每个时刻的室外空气温度、室外空气湿度、太阳辐射强度、室 内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和 渗透率，所述测量日负荷数据包括测量日每个时刻测量到的实际空调负荷值， 其中，K为正整数；
步骤2：建立RBF神经网络和残差网络，所述的残差网络包括多个子网 络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练 RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型；
其中，每次训练迭代包括如下子步骤：
步骤2.1：所述的RBF神经网络输出预测空调负荷值，根据预测空调负荷 值获取残差值，所述的残差值为预测空调负荷值和实际空调负荷值之差；所述 的残差网络中的每个子网络分别输出各自的预测空调负荷值，获取每个子网络 残差值，每个子网络残差值为每个子网络输出的预测空调负荷值和实际空调负 荷值之差；
步骤2.2：选择最小的两个子网络残差值通过最小二乘法进行权重分配， 获得修正残差值；
步骤2.3：将修正残差值替换RBF神经网络的的残差值后，进行下一次训 练迭代。
本方法针对不同时间段，根据各种单项预测模型的相对预测误差的大小， 动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测 误差，以进一步提高预测精度，并将本文提出的动态组合残差修正的预测方法 用于中央空调负荷预测，结果表明动态组合残差修正的预测方法可进一步提高 预测精度。
具体的，K的取值为是一周，一个月，一年或一年以上。
具体的，所述的RBF神经网络包括输入层、隐含层和输出层，各层之间 全连接，输入层和隐含层之间没有权值，隐含层与输出层之间有权值连接，是 一种多输入单输出的前馈神经网络，其结构如图8所示，在RBF神经网络中， 隐含层执行的是一种用于特征提取的非线性变换，它将输入空间映射到一个新 的空间，输出层在该新的空间中实现线性组合。整个网络中可调节的参数为针 对输出层的线性组合的权值和控制基函数形状的参数。
具体的，隐含层节点数为3。
具体的，所述残差网络的子网络包括：ARIMA网络、ELMAN网络、MLR 网络和GM网络。
具体的，每某次迭代时，RBF神经网络输出的残差值为Qe，其中， Qe＝QRBF-Qact，Qact为某时刻的实际空调负荷值，QRBF为某时刻的预测空调负荷 值。在实际预测中，对残差Qe进行预测建模主要是为了修正预测的最终结果， 以提高预测精度。
具体的，本实施例某次迭代后，在步骤2.2中，ARIMA网络和ELMAN 网络的子网络残差值最小，故选择ARIMA网络和ELMAN网络的子网络残差 值进行权重分配，获得修正残差值Qe,t,combine，表示为：
Qe,t,combine＝wARIMAQe,ARIMA+wELMANQe,ELMAN
其中，Qe,ARIMA、Qe,ELMAN分别为ARIMA网络和ELMAN网络的子网络残差 值，wARIMA和wELMAN分别为ARIMA网络和ELMAN网络的子网络残差的权重， 且满足：
wARIMA+wELMAN＝1.0,wARIMA≥0,wELMAN≥0
[wARIMA,wELMAN]T＝(H-1e)/(eTH-1e)
其中，H为对角矩阵，e为自然对数。
本实施例还公开了一种办公建筑内空调负荷预测方法，包括如下步骤：
步骤一：获取待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度 室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比 和渗透率；
步骤二：将待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度室 内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和 渗透率输入空调负荷预测模型，获得待预测时刻的预测空调负荷值。
输入数据分为手动输入数据和检测输入数据，手动输入的数据是根据所预 测的建筑物对象，将该建筑物对象的外墙窗热系数、室内的人员密度、室内的 设定温度和湿度、屋顶的传热系数、窗墙比以及渗透率通过手动的方式键入到 CUP当中，检测的输入数据就是通过室内温湿度传感器、室外温湿度传感器 以及太阳辐射强度传感器测量到的实时的数据输入到CPU中。
本实施例还公开了一种办公建筑内空调负荷预测系统，包括数据采集模 块、核心运算模块和输出显示模块；
所述的数据采集模块用于采集历史环境数据、测量日负荷数据和待预测时 刻的环境数据，包括检测输入模块和手动输入模块，检测输入模块用于采集测 量日前K天中每个时刻的室外空气温度、室外空气湿度和太阳辐射强度，测 量日每个时刻的空调负荷值，待预测时刻的室外空气温度、室外空气湿度和太 阳辐射强度，所述的手动输入模块用于采集测量日每个时刻以及待预测时刻的 室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比 和渗透率，其中，K为正整数；
在手动键入部分，需要针对不同的建筑物使用对象，向单片机键入不同的 室内人员密度、外墙传热系数、屋顶传热系数、窗墙比、渗透率、室内设定温 度、室内设定适度等值来进行负荷预测，可以做到针对不同建筑物的设定不同 的参数值，最终更准确的实现负荷预测。
核心运算模块用于建立RBF神经网络和残差网络，所述的残差网络包括 多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别 训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模 型；
其中，每次训练迭代时，所述的RBF神经网络输出预测空调负荷值，根 据预测空调负荷值获取残差值，所述的残差值为预测空调负荷值和实际空调负 荷值之差；所述的残差网络中的每个子网络分别输出各自的预测空调负荷值， 获取每个子网络残差值，每个子网络残差值为每个子网络输出的预测空调负荷 值和实际空调负荷值之差；选择最小的两个子网络残差值通过最小二乘法进行 权重分配，获得修正残差值；将修正残差值替换RBF神经网络的的残差值后， 进行下一次训练迭代；
输出显示模块用于获得核心运算模块输出的待预测时刻的预测空调负荷 值。
实施例1
本实施例公开了一种办公建筑内空调负荷预测模型建立方法，训练数据集 包括一万四千余组数据，用来训练单项空调负荷预测模型，七千余组数据被用 来测试模型，训练集和测试集包括一个月内每天早上8点到晚上20点之间每 个小时的环境数据和空调负荷实际数据，将数据集输入到预测网络当中对模型 进行训练。根据建立好的RBF模型和组合残差修正模型分别对夏季某一日中 白天的12个小时的空调负荷进行预测。各种方法预测的实际值、绝对误差和 平均相对误差如图5、图6、图7所示
针对不同方法对空调负荷预测仿真结果，利用负荷预测中常用的平均相对 误差、均方根误差和平均绝对误差等3个参数进行分析，计算结果如表1所示：
表1不同方法的空调负荷预测结果
Figure BDA0003024622240000111
Figure BDA0003024622240000121
预测结果表明，通过组合残差修正可提高单项预测方法RBF的预测精度， 且组成组合残差的单项预测模型的预测精度越高，则修正后的预测精度越高。
例如经适合中、长期负荷预测的GM和MLR残差组合对RBF修正后的 预测精度的平均相对误差由7.64％改善至4.07％，而经过适合短期负荷预测的 ELMAN和ARIMA残差组合对RNF修正后的预测精度的平均相对误差由 7.64％改善至1.40％。
预测结果还表明：经过动态残差组合修正，RBF的预测精度还可进一步 提高，如本例中的RBF的预测精度的平均相对误差被进一步改善至1.22％。
实施例2
本实施例公开了一种办公建筑内空调负荷预测系统，在上述实施例的基础 上还公开了如下技术特征：
室内外温湿度传感器选取型号为HTU21D(F)的数字温湿度传感器，它 是一个即插即用的温度湿度测量元件，传感器匹配由OEM，使测量更可靠、 更精确，直接使用一个MCU，无需其他的外围电路就可以使温湿度以数字信 号方式输出。它的温度测量范围为：-40～+125℃，湿度测量范围为：0～ 100％RH。因为该发明目前主要针对寒冷地区的办公建筑进行负荷预测，需要 考虑到传感器的测量范围，我国北方一些地区冬季最低温度可达到零下三四十 度，所以需选取参量范围最低在零下40度的传感器，
太阳辐射传感器选择RS-RA-N01-JT太阳辐射传感器，它采用光电原理， 可用来测量光谱范围在0.3～3m的太阳辐射测量范围，它的测量范围是：0～ 1800W/㎡。同时感应元件外安装透光率高达95％的防尘罩，防尘罩采用特殊 处理，减少灰尘吸附，有效防止环境因素对内部元件的干扰，能够较为精准的 测量太阳辐射量。产品采用标准Modbus-RTU 485通信协议，可直接读取当前 太阳辐射值，接线方式简单。
核心运算模块选择STM32单片机实现，由于STM32采用主流的Cortex 内核，故其具有极高的性能，能够承载并完成较为复杂的计算，同时其合理的 接口可为负荷预测机的数据输入提供有力的支撑，并且具有较为丰富的软件包 支持，可为其内部算法的编写提供便利。
输出显示模块是将该设备数据处理运算得出的最终结论及数据输出，使使 用者可直观读取对该区域负荷的预测情况，以便于采取相应的操作降低设备损 耗，从而达到节能的目的。选用OLED显示器(又称为有机电激光显示屏)， OLED同时具备以下特点：自发光，不需要背光源；屏幕像素密度较传统LED 更高；对比度高；屏幕可视视角广；体积小、厚度薄；反应速度快；使用温度 范围广。
该系统在工作时包括以下流程：根据建筑设计概况以手动键入的方式设置 室内人员密度、外墙传热系数、屋顶传热系数、窗墙比、渗透率、室内设定温 度、室内设定适度，通过传感器测量方式输入室内空气温度、室外空气温度、 室内空气湿度、室外空气湿度、太阳辐射强度。
数据输入STM32单片机后，同时进行以下三项工作：
(1)通过单片机程序将数据直接输出，便于使用者可直观检测实时数据， 同时可根据经验监督传感器是否正常工作；
(2)将输入数据进行存储为历史数据，用作设备内通过算法进行机器学 习的经验值
(3)根据已有的历史数据进行学习，并通过算法实现接下来某段时间内 建筑的负荷预测值。
将计算得出的负荷预测值以较为清晰的方式输出至OLED显示屏，最终 显示屏内显示的内容有实时室内外湿度及温度以及未来某段时间的负荷预测 值。

Claims (8)

1.一种办公建筑内空调负荷预测模型建立方法，其特征在于，包括如下步骤：
步骤1：采集历史环境数据和测量日负荷数据，所述历史环境数据包括测量日前K天中每个时刻的室外空气温度、室外空气湿度、太阳辐射强度、室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率，所述测量日负荷数据包括测量日每个时刻测量到的实际空调负荷值，其中，K为正整数；
步骤2：建立RBF神经网络和残差网络，所述的残差网络包括多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型；
其中，每次训练迭代包括如下子步骤：
步骤2.1：所述的RBF神经网络输出预测空调负荷值，根据预测空调负荷值获取残差值，所述的残差值为预测空调负荷值和实际空调负荷值之差；所述的残差网络中的每个子网络分别输出各自的预测空调负荷值，获取每个子网络残差值，每个子网络残差值为每个子网络输出的预测空调负荷值和实际空调负荷值之差；
步骤2.2：选择最小的两个子网络残差值通过最小二乘法进行权重分配，获得修正残差值；
步骤2.3：将修正残差值替换RBF神经网络的的残差值后，进行下一次训练迭代。
2.如权利要求1所述的办公建筑内空调负荷预测模型建立方法，其特征在于，所述的RBF神经网络包括输入层、隐含层和输出层，各层之间全连接，隐含层与输出层之间有权值连接。
3.如权利要求1所述的办公建筑内空调负荷预测模型建立方法，其特征在于，所述残差网络的子网络包括：ARIMA网络、ELMAN网络、MLR网络和GM网络。
4.一种办公建筑内空调负荷预测方法，其特征在于，包括如下步骤：
步骤一：获取待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率；
步骤二：将待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率输入如权利要求1-3任一种办公建筑内空调负荷预测模型建立方法得到的空调负荷预测模型，获得待预测时刻的预测空调负荷值。
5.一种办公建筑内空调负荷预测系统，其特征在于，包括数据采集模块、核心运算模块和输出显示模块；
所述的数据采集模块用于采集历史环境数据、测量日负荷数据和待预测时刻的环境数据，包括检测输入模块和手动输入模块，检测输入模块用于采集测量日前K天中每个时刻的室外空气温度、室外空气湿度和太阳辐射强度，测量日每个时刻的空调负荷值，待预测时刻的室外空气温度、室外空气湿度和太阳辐射强度，所述的手动输入模块用于采集测量日每个时刻以及待预测时刻的室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率，其中，K为正整数；
在手动键入部分，需要针对不同的建筑物使用对象，向单片机键入不同的室内人员密度、外墙传热系数、屋顶传热系数、窗墙比、渗透率、室内设定温度、室内设定适度等值来进行负荷预测，可以做到针对不同建筑物的设定不同的参数值，最终更准确的实现负荷预测。
核心运算模块用于建立RBF神经网络和残差网络，所述的残差网络包括多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型；
其中，每次训练迭代时，所述的RBF神经网络输出预测空调负荷值，根据预测空调负荷值获取残差值，所述的残差值为预测空调负荷值和实际空调负荷值之差；所述的残差网络中的每个子网络分别输出各自的预测空调负荷值，获取每个子网络残差值，每个子网络残差值为每个子网络输出的预测空调负荷值和实际空调负荷值之差；选择最小的两个子网络残差值通过最小二乘法进行权重分配，获得修正残差值；将修正残差值替换RBF神经网络的的残差值后，进行下一次训练迭代；
输出显示模块用于获得核心运算模块输出的待预测时刻的预测空调负荷值。
6.如权利要求5所述的办公建筑内空调负荷预测系统，其特征在于，所述残差网络的子网络包括：ARIMA网络、ELMAN网络、MLR网络和GM网络。
7.如权利要求5所述的办公建筑内空调负荷预测系统，其特征在于，所述的RBF神经网络包括输入层、隐含层和输出层，各层之间全连接，隐含层与输出层之间有权值连接。
8.如权利要求5所述的办公建筑内空调负荷预测系统，其特征在于，所述的室内外温湿度传感器型号为HTU21D(F)的数字温湿度传感器，所述的太阳辐射传感器选择型号为S-RA-N01-JT的太阳辐射传感器，核心运算模块为STM32单片机，输出显示模块为OLED显示器。
CN202110412887.5A 2021-04-16 2021-04-16 办公建筑内空调负荷预测模型建立、预测方法及系统 Pending CN113111419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110412887.5A CN113111419A (zh) 2021-04-16 2021-04-16 办公建筑内空调负荷预测模型建立、预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110412887.5A CN113111419A (zh) 2021-04-16 2021-04-16 办公建筑内空调负荷预测模型建立、预测方法及系统

Publications (1)

Publication Number Publication Date
CN113111419A true CN113111419A (zh) 2021-07-13

Family

ID=76718067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110412887.5A Pending CN113111419A (zh) 2021-04-16 2021-04-16 办公建筑内空调负荷预测模型建立、预测方法及系统

Country Status (1)

Country Link
CN (1) CN113111419A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806939A (zh) * 2021-09-18 2021-12-17 广东电网有限责任公司 一种空调模型的校验方法、装置及系统
CN115183422A (zh) * 2022-05-31 2022-10-14 深圳市浩若思科技有限公司 一种调节智能家居系统的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
侯立强: "商业、办公综合体节能设计参数对能耗的影响分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2017, no. 2, 15 February 2017 (2017-02-15), pages 60 - 61 *
冯增喜: "集中空调系统递阶稳态优化节能控制研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *
冯增喜: "集中空调系统递阶稳态优化节能控制研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, vol. 2017, no. 12, 15 December 2017 (2017-12-15), pages 101 - 102 *
王晓飞 等: "普通高等学校测控技术与仪器专业规划教材 传感器原理及检测技术 第3版", 华中科技大学出版社, pages: 262 - 263 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806939A (zh) * 2021-09-18 2021-12-17 广东电网有限责任公司 一种空调模型的校验方法、装置及系统
CN113806939B (zh) * 2021-09-18 2023-08-22 广东电网有限责任公司 一种空调模型的校验方法、装置及系统
CN115183422A (zh) * 2022-05-31 2022-10-14 深圳市浩若思科技有限公司 一种调节智能家居系统的方法

Similar Documents

Publication Publication Date Title
WO2021213192A1 (zh) 一种基于通用分布的负荷预测方法及负荷预测系统
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
CN111626518A (zh) 基于深度学习神经网络的城市天级需水量在线预测方法
CN110046743A (zh) 基于ga-ann的公共建筑能耗预测方法和系统
CN105069525A (zh) 全天候96点日负荷曲线预测及优化修正系统
CN112465243B (zh) 一种空气质量预报方法及系统
CN104484715A (zh) 一种基于神经网络和微粒群优化算法的建筑能耗预测方法
CN111563610A (zh) 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
CN106910144B (zh) 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法
Delcroix et al. Autoregressive neural networks with exogenous variables for indoor temperature prediction in buildings
CN104820876A (zh) 一种短期负荷预测方法和系统
CN113111419A (zh) 办公建筑内空调负荷预测模型建立、预测方法及系统
CN113205203A (zh) 基于cnn-lstm的建筑能耗预测方法和系统
CN104636800A (zh) 基于最小二乘加权的冷冻站系统神经网络优化单元及其方法
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
CN111594996A (zh) 一种基于深度置信神经网络的变风量空调送风量的预测方法
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
CN113505923A (zh) 一种地区电网短期负荷预测方法及系统
CN116307076A (zh) 一种基于物联网的工业园区能效管控方法
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析系统
CN111723085A (zh) 公共建筑空调用电能耗数据清洗方法及系统
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN110751312A (zh) 一种基于多因子的系统动力学生活需水预测方法和系统
JPH06147598A (ja) 空調負荷予測方法
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质

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