CN113449766A - 一种短时空调负荷预测方法和装置以及设备 - Google Patents
一种短时空调负荷预测方法和装置以及设备 Download PDFInfo
- Publication number
- CN113449766A CN113449766A CN202110405838.9A CN202110405838A CN113449766A CN 113449766 A CN113449766 A CN 113449766A CN 202110405838 A CN202110405838 A CN 202110405838A CN 113449766 A CN113449766 A CN 113449766A
- Authority
- CN
- China
- Prior art keywords
- load prediction
- fuzzy
- value
- output
- short
- 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
- 238000004378 air conditioning Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种短时空调负荷预测方法,所述方法包括:获取空调系统相关变量的历史数据,并确定负荷预测模型的输入变量和输出变量;定义每一所述输入变量和所述输出变量的论域范围,并在各个所述论域范围内为每一所述输入变量分配隶属度函数;基于所述论域范围和所述隶属度函数定义所述负荷预测模型的模糊规则库;基于所述模糊规则库、乘积推理机和单值模糊器建立所述负荷预测模型的模糊系统;确定所述模糊系统的输出值以及计算回归参数,以得到所述负荷预测模型;将所述输入变量输入至所述负荷预测模型以获得输出结果,对所述输出结果进行中心平均解模糊运算,以得到短时空调负荷预测值。上述方法能够提高空调负荷预测的精度和效率。
Description
技术领域
本发明涉及空调负荷预测技术领域,尤其涉及一种短时空调负荷预测方法和装置以及设备。
背景技术
中央空调系统是建筑领域的能耗大户,其运行管理对系统的运行效率至关重要。而由于室外环境及室内人员引起的空调负荷的动态变化,使常规的运行管理方法具有一定的滞后性。因此实现对中央空调系统精准的预调节,对实现系统的节能降耗有着重大意义。由于室外气象条件变化的瞬态特征,加之建筑物本体的热惰性,使得空调负荷的变化呈现典型的非线性特征,为了使机组出力和室内负荷达到吻合,避免出力过多造成的能源浪费,或者出力不足引起的热舒适度差等问题,亟需一种耗时短、准确率高的负荷预测方法。
为此,提出本申请。
发明内容
有鉴于此,本发明的目的在于提出一种短时空调负荷预测方法和装置以及设备,能够提高空调负荷预测的精度和效率。
为实现上述目的,本发明提供一种短时空调负荷预测方法,所述方法包括:
获取空调系统相关变量的历史数据,并确定负荷预测模型的输入变量和输出变量;
定义每一所述输入变量和所述输出变量的论域范围,并在各个所述论域范围内为每一所述输入变量分配隶属度函数;
基于所述论域范围和所述隶属度函数定义所述负荷预测模型的模糊规则库,其中,所述模糊规则库包括K=np个模糊规则,n表示所述输入变量的所述论域范围内的模糊集数量,p表示所述输入变量的个数;
基于所述模糊规则库、乘积推理机和单值模糊器建立所述负荷预测模型的模糊系统;
确定所述模糊系统的输出值以及计算回归参数,以得到所述负荷预测模型;
将所述输入变量输入至所述负荷预测模型以获得输出结果,对所述输出结果进行中心平均解模糊运算,以得到短时空调负荷预测值。
优选的,所述获取空调系统相关变量的历史数据后,还对所述历史数据中的各变量进行预处理,所述预处理包括归一化处理或模糊化处理。
优选的,所述输入变量包括逐时的室外干球温度x1、室外空气相对湿度 x2、太阳辐射率x3、人员在室率x4、室内设定的温度值x5和室内设定的湿度值x6;所述输出变量为逐时的空调负荷值y。
优选的,在所述将所述输入变量输入至所述负荷预测模型以获得输出结果,对所述输出结果进行中心平均解模糊运算,以得到短时空调负荷预测值之后,还包括:
利用平均相对误差、最大相对误差、均方误差和拟合度对所述负荷预测模型进行模型精度评价;其中,
利用平均相对误差、最大相对误差、均方误差和拟合度对所述负荷预测模型进行模型精度评价;其中,
优选的,所述定义每一所述输入变量和所述输出变量的论域范围,并在各个所述论域范围内为每一所述输入变量分配隶属度函数的步骤包括:
优选的,所述模糊规则库包括K=np=3×3×3×3×3×3=729个模糊规则,其中,第k个所述模糊规则的表达式为:
优选的,所述确定所述模糊系统的输出值以及计算回归参数的步骤包括:
(b)计算回归参数包括:
(b1)根据三角模糊数的乘法运算定义,则所述模糊系统的最小绝对非线性模型为:
(b2)根据最小绝对回归准则,定义目标函数为:
(b3)定义如下变量:
并将所定义的变量带入(b2)的式中,则
其中,j=1,2,…,p,k=1,2,…,K,i=1,2,…,N。
为实现上述目的,本发明还提供一种短时空调负荷预测装置,所述装置包括:
获取单元,用于获取空调系统相关变量的历史数据,并确定负荷预测模型的输入变量和输出变量;
第一定义单元,用于定义每一所述输入变量和所述输出变量的论域范围,并在各个所述论域范围内为每一所述输入变量分配隶属度函数;
第二定义单元,用于基于所述论域范围和所述隶属度函数定义所述负荷预测模型的模糊规则库,其中,所述模糊规则库包括K=np个模糊规则,n表示所述输入变量的所述论域范围内的模糊集数量,p表示所述输入变量的个数;
建立单元,用于基于所述模糊规则库、乘积推理机和单值模糊器建立所述负荷预测模型的模糊系统;
确定单元,用于确定所述模糊系统的输出值以及计算回归参数,以得到所述负荷预测模型;
输出单元,用于将所述输入变量输入至所述负荷预测模型以获得输出结果,对所述输出结果进行中心平均解模糊运算,以得到短时空调负荷预测值。
为实现上述目的,本发明还提供一种短时空调负荷预测设备,包括处理器、存储器以及存储在所述存储器内的计算机程序,所述计算机程序能够被所述处理器执行以实现如上述实施例所述的一种短时空调负荷预测方法。
有益效果:
以上方案,通过引入非线性回归模型,将非线性回归转化为线性回归,再按照线性回归求解。该方法试图将黑箱模型转变为白箱问题进行线性规划求解,具有较为明确的计算逻辑,即通过计算模型参数获取最优线性规划模型,提高了预测结果的准确性和实时性。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种短时空调负荷预测方法的流程示意图。
图2为本发明另一实施例提供的一种短时空调负荷预测方法的流程示意图。
图3为本发明一实施例提供的模型网络拓扑图。
图4为本发明一实施例提供的输入变量隶属度函数示意图。
图5为本发明一实施例提供的一种短时空调负荷预测装置的结构示意图。
图6为本发明另一实施例提供的一种短时空调负荷预测装置的结构示意图。
发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以下结合实施例详细阐述本发明的内容。
参照图1-4所示,本发明一实施例提供的一种短时空调负荷预测方法。
本实施例中,该方法包括:
S11,获取空调系统相关变量的历史数据,并确定负荷预测模型的输入变量和输出变量。
在本实施例中,通过获取建筑物空调系统相关变量的历史数据,并进行归一化和模糊化等预处理,还需定义好负荷预测模型的输入变量和输出变量。其中,输入变量设定为逐时的室外干球温度x1、室外空气相对湿度x2、太阳辐射率x3、人员在室率x4、室内设定的温度值x5和室内设定的湿度值x6,输出变量设定为逐时的空调负荷值y。在本实施例中,通过采集近三天的逐时参数,其中,空调系统负荷值可通过空调冷冻水/热水的进出口温度和流量记录计算获取。对历史数据中各变量值分别进行归一化处理,归一化区间为[0,1],归一化公式如下:
对负荷预测模型的输出变量进行模糊化处理,令列向量为不同时刻的空调负荷值,计算y的方差,记为ystd。将模型的输出值记为三角模糊数:其中yc=y,yl=yr=ystd。根据三角模糊数的定义及运算法则,两个模糊数和之间的绝对值距离为:
S12,定义每一所述输入变量和所述输出变量的论域范围,并在各个所述论域范围内为每一所述输入变量分配隶属度函数。
在本实施例中,对该模型各个输入变量及输出变量的论域进行定义。假设步骤S11采集到的空调系统原始数据为N组“实数输入/模糊输出”的组合,即N个时刻的数据集。可以将其标记为i=1,2,…,N,其中输入变量为多实数参数集,即xi=(xi1,xi2,…,xip)∈Rp,p为输入变量的个数。输出变量为单模糊参数,即令p个输入变量参数的论域范围分别为U1,U2,…,Up,单个模糊输出变量的论域为
S13,基于所述论域范围和所述隶属度函数定义所述负荷预测模型的模糊规则库,其中,所述模糊规则库包括K=np个模糊规则,n表示所述输入变量的所述论域范围内的模糊集数量,p表示所述输入变量的个数。
在本实施例中,定义上述6个输入变量的论域范围分别为U1,U2,U3, U4,U5和U6,1个输出变量的论域范围为并进一步在各个变量的论域范围内为每个输入变量分配三个高斯隶属度函数,则模糊规则库共由以下 K=np=3×3×3×3×3×3=729条模糊规则构成。此处,罗列部分规则,以作示例:
S14,基于所述模糊规则库、乘积推理机和单值模糊器建立所述负荷预测模型的模糊系统。
在本实施例中,建立负荷预测模型所使用的模糊系统由乘积推理机,单值模糊器,以及所定义的模糊规则库组成。由此,该模糊最小绝对非线性模型可以表示为:
S15,确定所述模糊系统的输出值以及计算回归参数,以得到所述负荷预测模型。
(b1)根据三角模糊数的乘法运算定义,则模糊系统的最小绝对非线性模型为:
(b2)根据最小绝对回归准则,即最小化模糊系统输出的估计值与真实值在绝对值距离意义下的误差。由于输入变量均为正值,因此,根据步骤S11定义目标函数为:约束条件为:其中,N为数据集组数,K为规则数,p为变量数。
(b3)为了求解(b2)式中的优化问题,需进一步定义如下变量:
并将所定义的变量带入(b2)的式中,则
其中,j=1,2,…,p,k=1,2,…,K,i=1,2,…,N。
由此,则可满足MATLAB中linprog函数的参数输入要求。
S16,将所述输入变量输入至所述负荷预测模型以获得输出结果,对所述输出结果进行中心平均解模糊运算,以得到短时空调负荷预测值。
在本实施例中,通过上述步骤将目标函数的求解转化为一个线性规划问题进行求解。该线性规划问题可进一步通过调用MATLAB中的linprog函数进行求解,以获取负荷预测模型。进一步将输入变量值输入到该模型中,即可得到相应的模型预测输出结果。对模型输出结果进行中心平均解模糊处理,通过解模糊,将预测出的模糊值转化为实数值,以和实际参数相符。
特别的,在步骤S16之后,还包括:
S17,利用平均相对误差、最大相对误差、均方误差和拟合度对所述负荷预测模型进行模型精度评价。
其中,平均相对误差(MRE)为模型计算值与实验测试值误差的绝对值占实际取值范围比例的平均值,理想值为0,计算公式为:
最大相对误差(MAE)是模型计算值与实验测试值误差的绝对值占实际取值范围比例的最大值,理想值为0,计算公式为:
均方误差(MSE)是模型计算值与实验测试值的绝对值占实际取值范围比例的均方根值,理想值为0,计算公式为:
拟合度(R2)用来描述模型计算结果与实验测试结果的拟合程度,理想值为 1,计算公式为:
在本实施例中,通过改变模糊隶属度函数及模糊规则数量等参数,以步骤S17中模型评价指标为对比值,经多次参数调整,获取最佳负荷预测模型。收集可获取的未来N小时的输入参数值,作为最佳负荷预测模型的输入,运算负荷预测模型,即得出未来N小时的空调系统负荷值。
由于中央空调系统是典型的非线性系统,其动态负荷预测是典型的非线性问题。而非线性问题难以用常规的线性理论公式进行计算,而诸如神经网络等黑箱模型方法应用较多。传统黑箱模型的求解思路为首先定义好输入和输出,然后调用训练函数即可获取预测模型,模型训练参数属随机确定或凭经验确定,此类模型通常稳定性和实时性较差。而线性求解则具有较为明确的计算逻辑,且计算速度可满足系统运行的实时要求。因此,将具有非线性特征的空调负荷预测问题转化为线性规划问题进行求解,可有效提高负荷预测的精度和效率。
参照图5-6所示为本发明一实施例提供的一种短时空调负荷预测装置的结构示意图。
本实施例中,该装置50包括:
获取单元51,用于获取空调系统相关变量的历史数据,并确定负荷预测模型的输入变量和输出变量;
第一定义单元52,用于定义每一所述输入变量和所述输出变量的论域范围,并在各个所述论域范围内为每一所述输入变量分配隶属度函数;
第二定义单元53,用于基于所述论域范围和所述隶属度函数定义所述负荷预测模型的模糊规则库,其中,所述模糊规则库包括K=np个模糊规则,n 表示所述输入变量的所述论域范围内的模糊集数量,p表示所述输入变量的个数;
建立单元54,用于基于所述模糊规则库、乘积推理机和单值模糊器建立所述负荷预测模型的模糊系统;
确定单元55,用于确定所述模糊系统的输出值以及计算回归参数,以得到所述负荷预测模型;
输出单元56,用于将所述输入变量输入至所述负荷预测模型以获得输出结果,对所述输出结果进行中心平均解模糊运算,以得到短时空调负荷预测值。
区别于上一实施例,本实施例的该装置60还包括:
评价单元61,用于利用平均相对误差、最大相对误差、均方误差和拟合度对所述负荷预测模型进行模型精度评价。
该装置50/60的各个单元模块可分别执行上述方法实施例中对应步骤,故在此不对各单元模块进行赘述,详细请参见以上对应步骤的说明。
本发明实施例还提供一种短时空调负荷预测设备,包括处理器、存储器以及存储在所述存储器内的计算机程序,所述计算机程序能够被所述处理器执行以实现如上述实施例所述的短时空调负荷预测方法。
所述短时空调负荷预测设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是短时空调负荷预测设备的示例,并不构成对短时空调负荷预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述短时空调负荷预测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述短时空调负荷预测设备的控制中心,利用各种接口和线路连接整个短时空调负荷预测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述短时空调负荷预测设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述短时空调负荷预测设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例中的实施方案可以进一步组合或者替换,且实施例仅仅是对本发明的优选实施例进行描述,并非对本发明的构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域中专业技术人员对本发明的技术方案作出的各种变化和改进,均属于本发明的保护范围。
Claims (9)
1.一种短时空调负荷预测方法,其特征在于,所述方法包括:
获取空调系统相关变量的历史数据,并确定负荷预测模型的输入变量和输出变量;
定义每一所述输入变量和所述输出变量的论域范围,并在各个所述论域范围内为每一所述输入变量分配隶属度函数;
基于所述论域范围和所述隶属度函数定义所述负荷预测模型的模糊规则库,其中,所述模糊规则库包括K=np个模糊规则,n表示所述输入变量的所述论域范围内的模糊集数量,p表示所述输入变量的个数;
基于所述模糊规则库、乘积推理机和单值模糊器建立所述负荷预测模型的模糊系统;
确定所述模糊系统的输出值以及计算回归参数,以得到所述负荷预测模型;
将所述输入变量输入至所述负荷预测模型以获得输出结果,对所述输出结果进行中心平均解模糊运算,以得到短时空调负荷预测值。
2.根据权利要求1所述的一种短时空调负荷预测方法,其特征在于,所述获取空调系统相关变量的历史数据后,还对所述历史数据中的各变量进行预处理,所述预处理包括归一化处理或模糊化处理。
3.根据权利要求1所述的一种短时空调负荷预测方法,其特征在于,所述输入变量包括逐时的室外干球温度x1、室外空气相对湿度x2、太阳辐射率x3、人员在室率x4、室内设定的温度值x5和室内设定的湿度值x6;所述输出变量为逐时的空调负荷值y。
8.一种短时空调负荷预测装置,其特征在于,所述装置包括:
获取单元,用于获取空调系统相关变量的历史数据,并确定负荷预测模型的输入变量和输出变量;
第一定义单元,用于定义每一所述输入变量和所述输出变量的论域范围,并在各个所述论域范围内为每一所述输入变量分配隶属度函数;
第二定义单元,用于基于所述论域范围和所述隶属度函数定义所述负荷预测模型的模糊规则库,其中,所述模糊规则库包括K=np个模糊规则,n表示所述输入变量的所述论域范围内的模糊集数量,p表示所述输入变量的个数;
建立单元,用于基于所述模糊规则库、乘积推理机和单值模糊器建立所述负荷预测模型的模糊系统;
确定单元,用于确定所述模糊系统的输出值以及计算回归参数,以得到所述负荷预测模型;
输出单元,用于将所述输入变量输入至所述负荷预测模型以获得输出结果,对所述输出结果进行中心平均解模糊运算,以得到短时空调负荷预测值。
9.一种短时空调负荷预测设备,其特征在于,包括处理器、存储器以及存储在所述存储器内的计算机程序,所述计算机程序能够被所述处理器执行以实现如权利要求1至7任意一项所述的一种短时空调负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405838.9A CN113449766B (zh) | 2021-04-15 | 2021-04-15 | 一种短时空调负荷预测方法和装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405838.9A CN113449766B (zh) | 2021-04-15 | 2021-04-15 | 一种短时空调负荷预测方法和装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449766A true CN113449766A (zh) | 2021-09-28 |
CN113449766B CN113449766B (zh) | 2024-06-28 |
Family
ID=77809605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110405838.9A Active CN113449766B (zh) | 2021-04-15 | 2021-04-15 | 一种短时空调负荷预测方法和装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449766B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279235A (zh) * | 2021-12-29 | 2022-04-05 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
CN117329665A (zh) * | 2023-10-16 | 2024-01-02 | 珠海珠江建筑设计院有限公司 | 一种基于智能ai算法的空调室内联动控制方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383023A (zh) * | 2008-10-22 | 2009-03-11 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
CN102867220A (zh) * | 2012-06-25 | 2013-01-09 | 攀钢集团研究院有限公司 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
TW201319833A (zh) * | 2011-11-15 | 2013-05-16 | Univ Kun Shan | 智慧電網之短期負載預測方法 |
CN104978484A (zh) * | 2015-06-11 | 2015-10-14 | 西安电子科技大学 | 基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法 |
CN109934386A (zh) * | 2019-01-30 | 2019-06-25 | 山西河坡发电有限责任公司 | 热电联供系统热负荷预测方法 |
CN110210679A (zh) * | 2019-06-10 | 2019-09-06 | 国家电网有限公司 | 一种应用于县级配电网规划的负荷预测系统 |
CN110443428A (zh) * | 2019-08-12 | 2019-11-12 | 上海宝能信息科技有限公司 | 一种空气压缩机群组负荷预测方法及其控制设备 |
CN112486099A (zh) * | 2020-12-11 | 2021-03-12 | 中国工程物理研究院机械制造工艺研究所 | 基于模糊pid自整定计算的超精密车床运动控制方法 |
-
2021
- 2021-04-15 CN CN202110405838.9A patent/CN113449766B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383023A (zh) * | 2008-10-22 | 2009-03-11 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
TW201319833A (zh) * | 2011-11-15 | 2013-05-16 | Univ Kun Shan | 智慧電網之短期負載預測方法 |
CN102867220A (zh) * | 2012-06-25 | 2013-01-09 | 攀钢集团研究院有限公司 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
CN104978484A (zh) * | 2015-06-11 | 2015-10-14 | 西安电子科技大学 | 基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法 |
CN109934386A (zh) * | 2019-01-30 | 2019-06-25 | 山西河坡发电有限责任公司 | 热电联供系统热负荷预测方法 |
CN110210679A (zh) * | 2019-06-10 | 2019-09-06 | 国家电网有限公司 | 一种应用于县级配电网规划的负荷预测系统 |
CN110443428A (zh) * | 2019-08-12 | 2019-11-12 | 上海宝能信息科技有限公司 | 一种空气压缩机群组负荷预测方法及其控制设备 |
CN112486099A (zh) * | 2020-12-11 | 2021-03-12 | 中国工程物理研究院机械制造工艺研究所 | 基于模糊pid自整定计算的超精密车床运动控制方法 |
Non-Patent Citations (5)
Title |
---|
RAAD Z.HOMODA等: "A novel hybrid modelling structure fabricated by using Takagi-Sugeno fuzzy to forecast HVAC systems energy demand in real-time for Basra city", 《SUSTAINABLE CITIES AND SOCIETY》, vol. 56, 14 February 2020 (2020-02-14), pages 102091 - 1, XP086086032, DOI: 10.1016/j.scs.2020.102091 * |
SOHAIL IQBAL: "User Comfort Enhancement in Home Energy Management Systems using Fuzzy Logic", MASTER OF SCIENCE IN COMPUTER SCIENCE(MS-CE), 30 June 2018 (2018-06-30), pages 1 - 107 * |
李忠彦: "西安某办公建筑中央空调系统负荷预测与优化控制", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2018, 15 February 2018 (2018-02-15), pages 038 - 1539 * |
邰晓红等: "基于模糊控制修正Elman神经网络的电力负荷短期动态预测", 《世界科技研究与发展》, vol. 38, no. 02, 15 April 2016 (2016-04-15), pages 264 - 269 * |
高伟: "某办公建筑复合式地源热泵空调系统优化分析——基于济南地区", 《福建建筑》, no. 01, 1 January 2021 (2021-01-01), pages 81 - 85 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279235A (zh) * | 2021-12-29 | 2022-04-05 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
CN114279235B (zh) * | 2021-12-29 | 2024-05-10 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
CN117329665A (zh) * | 2023-10-16 | 2024-01-02 | 珠海珠江建筑设计院有限公司 | 一种基于智能ai算法的空调室内联动控制方法及系统 |
CN117329665B (zh) * | 2023-10-16 | 2024-04-12 | 珠海珠江建筑设计院有限公司 | 一种基于智能ai算法的空调室内联动控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113449766B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mena et al. | A prediction model based on neural networks for the energy consumption of a bioclimatic building | |
CN113449766A (zh) | 一种短时空调负荷预测方法和装置以及设备 | |
Park et al. | Predictive model for PV power generation using RNN (LSTM) | |
CN111832809B (zh) | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 | |
CN110610275B (zh) | 一种基于acqpso-elm的变风量空调负荷预测方法及系统 | |
Abiyev et al. | Type-2 fuzzy wavelet neural network for estimation energy performance of residential buildings | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
CN110928341B (zh) | 温度控制方法、装置、设备及存储介质 | |
Ruan et al. | Estimating demand flexibility using Siamese LSTM neural networks | |
Yang et al. | Developing data-driven models to predict BEMS energy consumption for demand response systems | |
Papadopoulos et al. | Study of electricity load profiles in university campuses: The case study of Democritus University of Thrace | |
CN114254800A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN116933216B (zh) | 一种基于柔性负荷资源聚合特征分析的管理系统及方法 | |
Hassani et al. | A self-similar local neuro-fuzzy model for short-term demand forecasting | |
CN115358441A (zh) | 基于联邦学习的新能源集群消纳智能调控方法及装置 | |
CN115759422A (zh) | 供暖热负荷预测方法、系统、设备和介质 | |
CN115585541A (zh) | 空调机房系统的控制方法及装置、电子设备及存储介质 | |
CN112365103B (zh) | 运行阶段建筑短期负荷预测方法、装置、设备和介质 | |
CN115654684A (zh) | 空气处理机组控制、模型构建方法、装置及设备和介质 | |
CN113850432A (zh) | 一种电力负荷数据的预测方法、系统、设备和介质 | |
CN116432541B (zh) | 一种基于优化聚类算法的新能源场站建模方法及系统 | |
CN116346847B (zh) | 一种家庭能耗数据的实时采集传输方法及系统 | |
CN113701275B (zh) | 一种基于机器学习的冰蓄冷空调蓄冷量预测方法及装置 | |
CN113294902B (zh) | 空调的节能控制方法、节能控制装置及空调控制终端 | |
CN117350086B (zh) | 风冷机组能效仿真模型的搭建方法、装置及电子设备 |
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 |