CN114386268B - 基于气象日序数的空调设计同时发生设计日选取方法 - Google Patents

基于气象日序数的空调设计同时发生设计日选取方法 Download PDF

Info

Publication number
CN114386268B
CN114386268B CN202210012931.8A CN202210012931A CN114386268B CN 114386268 B CN114386268 B CN 114386268B CN 202210012931 A CN202210012931 A CN 202210012931A CN 114386268 B CN114386268 B CN 114386268B
Authority
CN
China
Prior art keywords
weather
days
design
parameters
day
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
Application number
CN202210012931.8A
Other languages
English (en)
Other versions
CN114386268A (zh
Inventor
陈友明
曹明皓
方政诚
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202210012931.8A priority Critical patent/CN114386268B/zh
Publication of CN114386268A publication Critical patent/CN114386268A/zh
Application granted granted Critical
Publication of CN114386268B publication Critical patent/CN114386268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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

本发明公开了一种基于气象日序数的空调设计同时发生设计日选取方法，适用于空调设计室外计算参数的同时发生设计日挑选，本发明挑选的同时发生设计日数量少且准确性高，为基于室内热环境风险水平的同时发生设计日应用于空调工程设计创造了条件，便于工程精准计算空调系统的设计负荷，促进建筑空调系统投资经济性和运行能效性能的改善。

Description

基于气象日序数的空调设计同时发生设计日选取方法
技术领域
本发明涉及气象参数、空调设计、负荷计算、建筑节能领域，特别是一种基于气象日序数的空调设计同时发生设计日选取方法。
背景技术
空调设计室外计算参数是建筑空调系统负荷计算的基础，空调系统设计负荷的大小直接影响空调系统的初投资经济性和运行能效。选取了过于保守的室外计算参数，会导致不必要的额外投资和较低的运行效率，造成成本和能源浪费；选取了低估设计负荷的室外计算参数，炎热季节不能满足室内热环境的舒适性要求。因此挑选合适的室外计算参数是至关重要的。
目前常用的空调设计室外计算参数由干球温度、湿球温度、太阳辐射三个气象要素组成。ASHRAE基础手册和《民用建筑供暖与空气调节设计规范》推荐了“构造方法”，用于构造空调设计室外计算参数设计日，即：根据室外干球温度不保证小时数或不保证率挑选出设计干球温度，用逐时化系数构造设计日逐时干球温度；采用设计的干球温度对应的所有时刻湿球温度的平均值作为设计日各时刻湿球温度，湿球温度为恒定值；用7月21日太阳辐射照度逐时计算值作为设计日的太阳辐射逐时值。显然，这种构造方法忽略各气象参数之间同时发生性的问题，导致用这种传统设计日计算出的空调系统设计冷负荷过高或者过低。因此需要从室外气象参数各要素的同时发生性出发，从历史实测气象数据中挑选出能真实反映室内热环境风险水平的同时发生室外计算参数。基于室内热环境风险水平挑选同时发生室外计算参数的首要任务就是挑选同时发生设计日。
室内热环境风险水平(不保证率)可以由房间负荷的历年不保证时长或不保证率表示。房间负荷同时受房间特征参数和室外气象参数的影响。构建房间特征参数与室外气象参数(三参数)的映射关系极为复杂。用其他方法挑选同时发生设计日时，需要对房间特征参数进行分区。直接对房间特征参数进行分区会导致最终挑选出的同时发生设计日的数量特别多，不便于工程应用。基于K-mean的室外气象参数特征提取方法，不是根据室内热环境风险水平选择室外计算参数，也不是直接选取实测的同时发生设计日，而是用提取的室外气象参数特征构造设计日，未考虑建筑或房间的特征参数的影响，其构造的设计日接近传统方法构造的设计日，不能适用于所有建筑或房间的特征参数组合，也就是说，用构造的设计日不能准确计算大多数建筑的空调设计负荷。因此需要一种基于室内热环境风险水平的同时发生设计日选取方法，获得设计负荷、特征参数组合、气象日序数三者间的映射关系，从气象日序数中挑选出同时发生设计日，从而免去对特征参数组合的分区与降维处理，减少同时发生设计日数据量，提供准确的、便于工程应用的空调系统设计室外计算参数。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种基于气象日序数的空调设计同时发生设计日选取方法，从多维多参数的复杂通用气象日序数集准确挑选出有代表性的同时发生设计日；在减小空调设计同时发生设计日数据量的前提下，提高计算准确性。
为解决上述技术问题，本发明所采用的技术方案是：一种基于气象日序数的空调设计同时发生设计日选取方法，包括以下步骤：
S1、基于室内热环境风险水平获取通用日序数集，归一化所述通用日序数集中各气象日三类气象参数(干球温度、湿球温度、壁面太阳辐射)的24h逐时值；
S2、计算通用气象日i和通用气象日j之间第k类气象参数的欧式距离Dk(i,j)(k＝1，2，3，分别表示干球温度、湿球温度、壁面太阳辐射)，并设置三类气象参数的初始权重系数，对三类气象参数的距离Dk(i,j)(k＝1，2，3)进行加权求和，得到各通用气象日间的气象参数合成距离Qi,j；
S3、由通用气象日间的合成距离Qi,j对通用气象日进行层次聚类(Hierarchicalclustering)，获取通用气象日的聚类主簇，利用公式迭代计算三类气象参数的权重系数wk(k＝1，2，3)，直至权重系数收敛；其中，σk为聚类主簇中通用气象日各类气象参数距离的标准差；m0为聚类主簇中通用气象日个数；为聚类主簇中通用气象日第k类气象参数距离的平均值；N0为聚类主簇中通用气象日第k类气象参数间的距离总个数，k＝1，2，3；
S4、计算聚类主簇中三类气象参数的24h逐时值的平均值，作为气象参数聚类主簇的聚类中心，计算所有通用气象日的三类气象参数(干球温度、湿球温度、壁面太阳辐射)与各自聚类中心的距离，用迭代收敛得到的三类气象参数权重系数计算所有通用气象日与主簇的聚类中心之间的合成距离，距主簇聚类中心的合成距离最小的通用气象日则被选取为当前地区当前朝向最具代表性的、也是最终的空调系统设计同时发生设计日。
现有技术的层次聚类(Hierarchical clustering)方法只适合于对多维或多参数的对象进行聚类和分类。本发明遇到了多维多参数(24维3参数)对象，提出了加权合成方法，将3个气象参数24个逐时值的对象合成为一个24维对像。但3个气象参数在选取同时发生设计日时的权重是不同，即主次不同。本发明提出用迭代方法确定各参数的权重，从而提出多维多参数层次聚类方法，本发明既克服了层次聚类方法不能对多维多参数对象聚类的缺陷，又通过迭代准确地确定了不同参数的权重，能从多维多参数的复杂通用气象日序数集准确挑选出有代表性的同时发生设计日。
步骤S1中，基于室内热环境风险水平获取通用日序数集的具体实现过程包括：
1)按自然日的时间顺序对某地区长年历史实测气象数据中每天的数据进行编号，将该编号定义为气象日序数；抽取某朝向的单面外墙房间特性参数组合样本N；
2)对于第i个特征参数组合房间，由室内热环境风险水平(负荷历年平均不保证时长或不保证率)和逐时负荷，得到该房间的设计负荷Qd；统计第j个气象日的日峰值负荷Qp(j)，挑选出日峰值负荷Qp(j)与设计负荷Qd之间的相对偏差在e％之内的所有气象日序数n，由挑选出的气象日序数n组成第i个特征参数组合房间的待选日序数集Mi；
3)重复步骤2)，挑选出N个特征参数组合房间的待选日序数集，整合待选日序数集M1、M2、...、Mi、...、MN，得到室内热环境风险水平下该地区朝向N个单面外墙的待选日序数总集M，统计总集M中每个日序数n出现的频数Ns；
4)选择总集M中出现频次Ns大于房间样本数N的x％的日序数nx，选出的日序数nx构成的集合为室内热环境风险水平下该地区该朝向的通用日序数集。
本发明首次定义气象日序数的概念，用实测逐时气象数据和动态负荷计算模型计算不同特性参数组合的房间逐时负荷，统计出各组合的房间日峰值负荷满足设计精度要求的气象日序数，由适用于某一百分率下特征参数组合的气象日序数组成通用气象日序数集。用一个参数——气象日序数来表征同时发生的三参数的24小时逐时值(干球温度、湿球温度和太阳辐射)，降低了特征参数组合、空调负荷与气象参数之间映射维度，免去了特征参数的降维分区，极大地降低了计算量，提高了计算效率。
步骤2)中，所述房间特征参数包括非数值型参数和数值型参数；所述非数值型参数包括房间朝向、外墙墙体代号、房间类型；所述数值型参数包括太阳得热系数比、窗户传热系数、直射太阳得热系数、围护结构外表面吸收率、内遮阳系数、辐射占比、窗墙比、新风系数。
本发明考虑了室内空调负荷与室外气象参数之间有关联的全部特征参数，使选取的室外计算参数(设计日)适用于全部的建筑，满足设计负荷计算准确性要求。
步骤2)中，抽取特征参数组合样本数N≥20000。由于特征参数的数量多和范围大，N越大，其结果越具有普适性。
为了保证设计负荷计算精度，步骤3)中，气象日峰值负荷与设计负荷之间的相对偏差e取值为1％、2％或3％。
为了保证设计负荷计算精度，步骤4)中，待选日序数总集M中出现频次Ns大于房间特征参数组合样本数N的x％的所有日序数，x取值为98或99。
本发明还提供了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序，以实现本发明所述分析方法的步骤。
本发明还提供了一种计算机程序产品，包括计算机程序/指令；该计算机程序/指令被处理器执行时实现本发明所述分析方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序/指令；所述计算机程序/指令被处理器执行时实现本发明所述分析的步骤。
与现有技术相比，本发明所具有的有益效果为：本发明适用于基于室内热环境风险水平的空调设计室外计算参同时发生设计日的挑选，在极大地减少了室外计算参数数据量的前提下，可以得到准确的空调设计室外计算参数，从而可以准确计算空调系统设计负荷。本发明挑选的同时发生设计日数量少且准确性高，为基于室内环境风险水平的同时发生设计日应用于空调工程设计创造了条件，便于工程精准计算空调系统的设计负荷，促进建筑空调系统投资经济性和运行能效性能的改善。
附图说明
图1为本发明实施例基于气象日序数集的同时发生设计日选取方法流程图；
图2为本发明实施例某地区南朝向同时发生设计日与传统设计日的对比图。
具体实施方式
本发明实施例基于室内热环境风险水平的通用气象日序数集挑选方法如图1所示。
为了使基于室内热环境风险水平的同时发生室外计算参数适合于工程设计应用，需要挑选出具有通用性(即适合于各种特征参数组合房间)且数量尽量少的同时发生设计日。基于室内热环境风险水平的通用气象日序数的挑选步骤如下：
1)按自然日的时间顺序对某地区长年历史实测气象数据中每天的数据进行编号，这个编号定义为气象日序数。
2)用抽样方法抽取某朝向的单面外墙房间特性参数组合样本N(N≥20000)。房间特征参数种类及其取值范围见表1。
3)用动态负荷计算模型和该地区长年历史实测气象数据，计算该地区该朝向N个单面外墙特征参数组合房间全部气象日的逐时负荷。对于第i个特征参数组合房间(i＝1,2,...，N)，由室内热环境历年平均不保证时长(比如50小时)或风险水平(比如0.4％)和逐时负荷，得到该房间的设计负荷Qd(见：Zhengcheng Fang,Youming Chen,Applicabilityof the transfer function method and periodic response factors method incoincident design weather data generation.Energy and Buildings 250(2021).https://doi.org/10.1016/j.enbuild.2021.111254.)；统计第j个气象日的日峰值负荷Qp(j)。挑选出日峰值负荷Qp(j)与设计负荷Qd之间的相对偏差在e％(e取值1、2或3)之内的所有气象日序数n。由挑选出的气象日序数n组成第i个特征参数组合房间的待选日序数集Mi。
4)重复3)的过程，挑选出N个特征参数组合房间的待选日序数集，整合待选日序数集M1、M2、...、Mi、...、MN，得到室内热环境历年平均不保证水平下该地区该朝向的待选日序数总集M。统计总集M中每个日序数n出现的频数Ns。
5)选出总集M中出现频次Ns大于房间样本数N的x％(x取值98或99)的日序数nx。选出的这些日序数nx构成的集合称为室内热环境历年平均不保证水平下该地区该朝向的通用日序数集。
表1单面外墙房间特征参数取值表
通用气象日序数集中每个气象日包含三个参数：干球温度、湿球温度和太阳辐射。每个参数有24个逐时值(即24维)。本发明提出的多维多参数层次聚类算法，用加权系数将三个参数组合为一个合成参数，再对通用气象日序数集进行聚类，得到选定的空调设计同时发生设计日。多参数多维聚类分析的具体步骤如下：
1)用式(1)归一化处理通用日序数集中各气象日的24h逐时气象参数：干球温度(℃)、湿球温度(℃)、壁面太阳辐射(W/m2)。
式中，为通用气象日序数集中第i个通用气象日的第k类(k＝1,2,3分别表示干球温度、湿球温度和壁面太阳辐射)气象参数的24h逐时归一化数据。
2)用式(2)计算通用气象日i和通用气象日j之间各类气象参数的欧式距离Dk(i,j)。并设置各类气象参数的初始权重系数wk,用式(3)对三类气象参数的距离Dk(i,j)进行加权求和，得到各通用气象日间的气象参数合成距离Qi,j。
式中，为第i个通用气象日的第k类气象参数在m(m＝1，2，...，24)时刻的归一化值。
3)由通用气象日间的合成距离Qi,j对通用气象日进行层次聚类分析，找到通用气象日的聚类主簇。用式(4)迭代计算各类气象参数的权重系数wk，重复以上步骤，直到各权重系数变化小于0.01迭代结束。
式中σk为主簇中通用气象日各类气象参数距离的标准差，由式(5)计算得到。
式中，m0为主簇中通用气象日个数；为聚类主簇中通用气象日第k类气象参数距离的平均值；N0为主簇中通用气象日第k气象参数间的距离总数，由式(6)计算得到。
4)计算聚类主簇中各气象参数逐时值的平均值，作为气象参数主簇的聚类中心，计算所有通用气象日的干球温度、湿球温度、壁面太阳辐射与各自主簇聚类中心的距离。由迭代收敛得到的气象参数权重wk计算这些气象日与主簇聚类中心之间的合成距离。距主簇聚类中心的合成距离最小的通用气象日则为该地区该朝向最终的空调系统设计同时发生设计日。
以室内热环境历年平均不保证50h的某地区南朝向的特征参数组合房间为例，挑选某地区南朝向房间的同时发生设计日。某地区地区长年实测气象数据来自某地区天文台(北纬22°18′，东经114°10′)1979年至2003年25年观测的历史逐时气象数据。房间特征参数种类及其取值范围见表1。按照《公共建筑节能设计标准》中甲类公共建筑围护结构热工性能要求，对除朝向外的10个特征参数进行抽样。抽样过程以均匀分布概率密度描述各输入参数的不确定性，然后抽取南朝向20000个单面外墙特征参数组合房间作为样本，用于挑选室内热环境历年平均不保证50h的某地区南朝向同时发生设计日。
经本发明基于气象日序数的同时发生设计日选取方法挑选，室内热环境历年平均不保证50h的某地区南朝向房间的空调设计同时发生设计日为实测气象数据中的1982年7月20日的气象日。该同时发生设计日与《民用建筑供暖与空气调节设计规范》提供的传统方法构造的设计日气象参数对比，见图2。图中，tdb-DON、twb-DON和IDON分别为日序数方法给出的设计日干球温度、湿球温度和壁面太阳辐射照度；tdb-TR、twb-TR和ITR分别为传统方法给出的设计日干球温度、湿球温度日序和壁面太阳辐射照度。两种方法给出某地区南朝向设计日干球温度在08：00-12：00差别较大，最大可达1.5℃，设计日峰值干球温度相差0.5℃。本发明基于气象日序数的同时发生设计日选取方法给出的设计日湿球温度是逐时化的，传统方法给出的设计日湿球温度是定值，设计日的峰值湿球温度差别不大。两种方法给出的壁面太阳辐射照度峰值有较大差别，本发明基于气象日序数的同时发生设计日选取方法给出的设计日壁面太阳辐射照度峰值高出66W/m2。对比表明，本发明基于气象日序数的同时发生设计日选取方法给出的设计日各气象参数是从实测数据中选取出来的，是真实发生和存在的，参数的日分布更趋于合理和符合实际。

Claims (9)

1.一种基于气象日序数的空调设计同时发生设计日选取方法，其特征在于，包括以下步骤：
S1、基于室内热环境风险水平获取通用日序数集，归一化所述通用日序数集中各气象日三类气象参数的24h逐时值；
S2、计算通用气象日i和通用气象日j之间第k类气象参数的欧式距离Dk(i,j)，并设置三类气象参数的初始权重系数，对三类气象参数的距离Dk(i,j)进行加权求和，得到各通用气象日间的气象参数合成距离Qi,j；k＝1，2，3，分别表示干球温度、湿球温度、壁面太阳辐射；
S3、由通用气象日间的合成距离Qi,j对通用气象日进行层次聚类，获取通用气象日的聚类主簇，利用公式迭代计算三类气象参数的权重系数wk，直至权重系数收敛；其中，σk为聚类主簇中通用气象日各类气象参数距离的标准差；m0为聚类主簇中通用气象日个数；为聚类主簇中通用气象日第k类气象参数距离的平均值；N0为聚类主簇中通用气象日第k类气象参数之间的距离总个数，
S4、计算聚类主簇中三类气象参数的24h逐时值的平均值，作为气象参数聚类主簇的聚类中心，计算所有通用气象日的三类气象参数与各自聚类中心的距离，用迭代收敛得到的三类气象参数权重系数计算所有通用气象日与聚类主簇的聚类中心之间的合成距离，距聚类主簇的聚类中心的合成距离最小的通用气象日则被选取为当前地区当前朝向的空调系统设计同时发生设计日。
2.根据权利要求1所述的基于气象日序数的空调设计同时发生设计日选取方法，其特征在于，步骤S1中，基于室内热环境风险水平获取通用日序数集的具体实现过程包括：
1)按自然日的时间顺序对某地区长年历史实测气象数据中每天的数据进行编号，将该编号定义为气象日序数；抽取某朝向的单面外墙房间特性参数组合样本N；
2)对于第i个特征参数组合房间，由室内热环境风险水平和长年逐时负荷，得到该房间的设计负荷Qd；统计第j个气象日的日峰值负荷Qp(j)，挑选出日峰值负荷Qp(j)与设计负荷Qd之间的相对偏差在e％之内的所有气象日序数n，由挑选出的气象日序数n组成第i个特征参数组合房间的待选日序数集Mi；
3)重复步骤2)，挑选出N个特征参数组合房间的待选日序数集，整合待选日序数集M1、M2、...、Mi、...、MN，得到室内热环境风险水平下该地区该朝向N个单面外墙的待选日序数总集M，统计总集M中每个日序数n出现的频数Ns；
4)选择总集M中出现频次Ns大于房间特征参数组合样本数N的x％的日序数nx，选出的日序数nx构成的集合为该室内热环境风险水平下该地区该朝向的通用日序数集。
3.根据权利要求2所述的基于气象日序数的空调设计同时发生设计日选取方法，其特征在于，步骤2)中，所述房间特征参数包括非数值型参数和数值型参数；所述非数值型参数包括房间朝向、外墙墙体代号、房间类型；所述数值型参数包括太阳得热系数比、窗户传热系数、直射太阳得热系数、围护结构外表面吸收率、内遮阳系数、辐射占比、窗墙比、新风系数。
4.根据权利要求2所述的基于气象日序数的空调设计同时发生设计日选取方法，其特征在于，步骤3)中，抽取特征参数组合样本数N≥20000。
5.根据权利要求2所述的基于气象日序数的空调设计同时发生设计日选取方法，其特征在于，步骤3)中，气象日峰值负荷与设计负荷之间的相对偏差e取值为1％、2％或3％。
6.根据权利要求2所述的基于气象日序数的空调设计同时发生设计日选取方法，其特征在于，步骤4)中，待选日序数总集M中出现频次Ns大于房间特征参数组合样本数N的x％的所有日序数，x取值为98或99。
7.一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序；其特征在于，所述处理器执行所述计算机程序，以实现权利要求1～6之一所述方法的步骤。
8.一种计算机程序产品，包括计算机程序/指令；其特征在于，该计算机程序/指令被处理器执行时实现权利要求1～6之一所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序/指令；其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1～6之一所述方法的步骤。
CN202210012931.8A 2022-01-06 2022-01-06 基于气象日序数的空调设计同时发生设计日选取方法 Active CN114386268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210012931.8A CN114386268B (zh) 2022-01-06 2022-01-06 基于气象日序数的空调设计同时发生设计日选取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210012931.8A CN114386268B (zh) 2022-01-06 2022-01-06 基于气象日序数的空调设计同时发生设计日选取方法

Publications (2)

Publication Number Publication Date
CN114386268A CN114386268A (zh) 2022-04-22
CN114386268B true CN114386268B (zh) 2024-07-19

Family

ID=81198969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210012931.8A Active CN114386268B (zh) 2022-01-06 2022-01-06 基于气象日序数的空调设计同时发生设计日选取方法

Country Status (1)

Country Link
CN (1) CN114386268B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210525A (zh) * 2019-05-14 2019-09-06 天津大学 基于K-Means聚类的设计日气象要素逐时变化特征提取方法
CN113283056A (zh) * 2021-04-28 2021-08-20 长安大学 蒸发冷却空调技术在不同地区适应度计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170185057A1 (en) * 2011-04-14 2017-06-29 Suntracker Technologies Ltd. System and method for the optimization of radiance modelling and controls in predictive daylight harvesting

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210525A (zh) * 2019-05-14 2019-09-06 天津大学 基于K-Means聚类的设计日气象要素逐时变化特征提取方法
CN113283056A (zh) * 2021-04-28 2021-08-20 长安大学 蒸发冷却空调技术在不同地区适应度计算方法

Also Published As

Publication number Publication date
CN114386268A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN110264080B (zh) 一种绿色建筑运行性能评价方法、装置、设备及存储介质
CN112926795B (zh) 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统
CN109948281B (zh) 基于天气类型有效识别和组合预测的直散分离建模方法
CN112288164A (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN111561733B (zh) 基于gbdt的供暖户阀调节方法、系统及设备
US20230274053A1 (en) Method for dynamically simulating thermal response of building by integrating a ratio of convection heat to radiation heat of heating terminal
CN106845080B (zh) 基于差异修正的景区旅游气象灾害智能预测方法
CN113437938B (zh) 考虑因地域差异的现场特征的光伏阵列输出功率计算方法
CN111815021A (zh) 一种基于太阳辐射气候特征识别的光伏功率预测方法
Xie et al. A backpropagation neural network improved by a genetic algorithm for predicting the mean radiant temperature around buildings within the long-term period of the near future
CN116796141A (zh) 一种基于gbdt回归模型的办公建筑能耗预测方法
CN111476439B (zh) 基于灰色时间序列的供暖户阀调节方法、系统及设备
CN110781458A (zh) 一种基于混合回归模型预测地表太阳辐照度的方法
CN113378357A (zh) 基于气候适应性的自然通风参数化设计与动态分析方法
CN113991711B (zh) 一种光伏电站储能系统容量配置方法
Qi et al. Regional similarity of shape coefficient of rural residences—Taking Hangzhou rural region as a case
CN114386268B (zh) 基于气象日序数的空调设计同时发生设计日选取方法
CN113486514A (zh) 一种基于自动校准的建筑耗热量预测建模方法
CN112365176A (zh) 一种节能分析气象年计算方法、系统、装置和存储介质
CN113920349A (zh) 基于密度峰值-fcm的含气象数据的风光典型场景构造方法
CN116861248B (zh) 一种结合多窗口融合方法和聚焦框架模型的建筑能耗预测方法及系统
CN110210525B (zh) 基于K-Means聚类的设计日气象要素逐时变化特征提取方法
CN116956414A (zh) 基于室内外温差的超静定空间结构温度作用确定方法
CN114462684B (zh) 耦合数值天气预报与实测数据的风速多点同步预测方法
Brøgger et al. Quantifying Uncertainties in an Archetype-Based Building Stock Energy Model by Use of Individual Building Models

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