CN114688692B - 负荷预测方法、系统及装置 - Google Patents
负荷预测方法、系统及装置 Download PDFInfo
- Publication number
- CN114688692B CN114688692B CN202011613664.7A CN202011613664A CN114688692B CN 114688692 B CN114688692 B CN 114688692B CN 202011613664 A CN202011613664 A CN 202011613664A CN 114688692 B CN114688692 B CN 114688692B
- Authority
- CN
- China
- Prior art keywords
- data
- operation data
- temperature
- attribute data
- load prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000001816 cooling Methods 0.000 claims abstract description 54
- 238000012417 linear regression Methods 0.000 claims abstract description 38
- 238000004378 air conditioning Methods 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 126
- 238000004458 analytical method Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 36
- 230000000007 visual effect Effects 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 16
- 239000008400 supply water Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/20—Heat-exchange fluid temperature
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
公开了一种负荷预测方法、系统及装置。所述负荷预测方法包括：根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理；对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类；分别对分类后的每一类运行数据中的所需冷量和第一属性数据进行线性回归；基于线性回归后的结果对温度控制系统进行负荷预测。通过本公开，解决了现有技术空调系统负荷预测方法复杂以及预测精度低的问题。
Description
技术领域
本公开总体说来涉及制冷技术领域，更具体地讲，涉及负荷预测方法、系统及装置。
背景技术
制冷系统广泛用于为中央空调和众多用冷的生产工艺提供冷量，主要由冷冻水泵、制冷主机、冷却设备(如水冷式制冷系统为冷却水泵和冷却塔)等设备组成。制冷系统的能耗很大，例如中央空调由制冷系统和末端系统组成，制冷系统的能耗可占中央空调总能耗的60％以上，故对制冷系统进行负荷预测和节能控制意义重大。但是，制冷系统具有多变量、强耦合、非线性、时变性、时滞性、干扰因素多等强烈动态特点，这使得对其进行准确和实时的负荷预测和节能控制一直较为困难。
目前，已经开始尝试将机器学习技术(如支持向量机、人工神经网络等)用于进行中央空调的负荷预测，这些技术对中央空调的强烈动态特点的处理有着独特的优势，但是大都不太理想，只单一的使用一种预测方法，无法达到预测的精度。例如单一使用神经网络易进入局部最小值，同时对数据需求量大，导致泛化能力差，建模难度大；单一使用支持向量机、线性回归等方法预测精度又很低。
因此，针对现有技术中负荷预测方法复杂以及预测精度低的问题，尚未有解决方案。
发明内容
本公开的实施例提供一种负荷预测方法、系统及装置，所述负荷预测方法、系统及装置能够有效解决现有技术中负荷预测方法复杂以及预测精度低的问题。
在一个总的方面，提供一种负荷预测方法，包括：根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理；对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类；分别对分类后的每一类运行数据中的所需冷量和第一属性数据进行线性回归；基于线性回归后的结果对温度控制系统进行负荷预测。
可选地，第一属性数据包括供回水温度和。
可选地，对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类包括：采用第一聚类的标签对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行标记；利用监督学习算法对标记后的运行数据进行分类；将分类概率高于第二预定值的运行数据根据其他属性数据循环进行聚类、分类，直至分类准确度达到第三预定值。
可选地，其他属性数据包括室外温度。
可选地，监督学习算法包括：支持向量机算法、神经网络算法、贝叶斯算法、决策树算法。
可选地，在根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理之前，还包括：在预定时间内等间隔获取温度控制系统的运行数据，其中，运行数据包括获取所需冷量和第一属性数据的数据，所需冷量为温度控制系统调节室内温度到预定温度阈值所需要的冷量。
可选地，根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理包括：对运行数据进行相关性分析和可视化分析，获取可视化分析结果；根据可视化分析结果对运行数据进行数据归约；对数据归约后的运行数据获取的第一属性数据进行第一聚类处理。
可选地，在对运行数据进行相关性分析和可视化分析，获取可视化分析结果之前，还包括：根据对温度控制系统的要求对运行数据进行筛选。
可选地，在根据对温度控制系统的要求对运行数据进行筛选之前，还包括：对运行数据进行系统抽样，获取抽样数据；根据对温度控制系统的要求对抽样数据进行筛选。
在另一总的方面，一种负荷预测系统，包括：空调总系统和服务器，空调总系统包括如下单元：建筑内空气调节器系统、板式换热器、水蓄冷容器、回水集水器、供水分水器、制冷机，其中，服务器根据空调总系统的运行数据获取的第一属性数据进行第一聚类处理，其中，运行数据包括建筑内空气调节器系统、板式换热器、水蓄冷容器、回水集水器、供水分水器和制冷机的运行数据，第一属性数据为任一单元的运行数据或至少一个单元的运行数据进行处理后的数据；服务器对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类；服务器分别对分类后的每一类运行数据中的所需冷量和第一属性数据进行线性回归；基于线性回归后的结果对空调总系统进行负荷预测。
可选地，空调总系统还包括用于检测回水集水器内的介质的温度的第一温度传感器、用于检测供水分水器内的介质的温度的第二温度传感器、用于检测制冷机输入侧的介质的温度的第三温度传感器、用于检测制冷机输出侧的介质的温度的第四温度传感器、用于检测建筑内空气调节器系统输入侧的介质的温度的第五温度传感器、用于检测建筑内空气调节器系统输出侧的介质的温度的第六温度传感器；其中，第一属性数据为至少一个单元的运行数据进行处理后的数据时，第一属性数据包括供回水温度和，供回水温度和根据如下任一种方式获取：根据第一温度传感器和第二温度传感器检测的数据获取；根据第三温度传感器和第四温度传感器检测的数据获取；根据第五温度传感器和第六温度传感器检测的数据获取；根据第二温度传感器和第三温度传感器检测的数据获取；根据第一温度传感器和第四温度传感器检测的数据获取。
可选地，服务器对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类包括：服务器采用第一聚类的标签对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行标记；服务器利用监督学习算法对标记后的运行数据进行分类；服务器将分类准确度高于第二预定值的运行数据根据其他属性数据循环进行聚类处理和分类处理，直至分类准确度达到第三预定值，其中，其他属性数据为任一所述单元的运行数据或至少一个所述单元的运行数据进行处理后的数据。
可选地，其他属性数据为至少一个单元的运行数据进行处理后的数据时，第一属性数据包括室外温度，室外温度根据建筑内空气调节器系统的运行数据进行处理后的数据。
可选地，监督学习算法包括：支持向量机算法、神经网络算法、贝叶斯算法、k近邻算法、决策树算法。
可选地，在根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理之前，服务器还用于在预定时间内等间隔获取温度控制系统的运行数据，其中，运行数据包括获取所需冷量和第一属性数据的数据，所需冷量为温度控制系统调节室内温度到预定温度阈值所需要的冷量。
可选地，服务器根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理包括：对运行数据进行相关性分析和可视化分析，获取可视化分析结果；根据可视化分析结果对运行数据进行数据归约；对数据归约后的运行数据获取的第一属性数据进行第一聚类处理。
可选地，在对运行数据进行相关性分析和可视化分析，获取可视化分析结果之前，服务器根据对温度控制系统的要求对运行数据进行筛选。
可选地，在根据对温度控制系统的要求对运行数据进行筛选之前，服务器对运行数据进行系统抽样，获取抽样数据；根据对温度控制系统的要求对抽样数据进行筛选。
在另一总的方面，提供了负荷预测装置，包括：聚类模块，用于根据温度控制系统的运行数据获取的第一属性数据进行第一聚类；分类模块，用于将第一聚类处理后聚类可信度高于第一预定值的第一属性数据对应的运行数据进行分类；线性回归模块，用于分别对分类后的每一类运行数据中的所需冷量和第一属性数据进行线性回归；预测模块，用于基于线性回归后的结果对温度控制系统进行负荷预测。
可选地，第一属性数据包括供回水温度和。
可选地，分类模块还用于采用第一聚类的标签对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行标记；利用监督学习算法对标记后的运行数据进行分类；将分类概率高于第二预定值的运行数据根据其他属性数据循环进行聚类、分类，直至分类准确度达到第三预定值。
可选地，其他属性数据包括室外温度。
可选地，监督学习算法包括：支持向量机算法、神经网络算法、贝叶斯算法、k近邻算法、决策树算法。
可选地，聚类模块，还用于在根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理之前，在预定时间内等间隔获取温度控制系统的运行数据，其中，运行数据包括获取所需冷量和第一属性数据的数据，所需冷量为温度控制系统调节室内温度到预定温度阈值所需要的冷量。
可选地，聚类模块，还用于对运行数据进行相关性分析和可视化分析，获取可视化分析结果；根据可视化分析结果对运行数据进行数据归约；对数据归约后的运行数据获取的第一属性数据进行第一聚类处理。
可选地，聚类模块，还用于在对运行数据进行相关性分析和可视化分析，获取可视化分析结果之前，根据对温度控制系统的要求对运行数据进行筛选。
可选地，聚类模块，用于在根据对温度控制系统的要求对运行数据进行筛选之前，对运行数据进行系统抽样，获取抽样数据；根据对温度控制系统的要求对抽样数据进行筛选。
在另一总的方面，提供了一种存储指令的计算机可读存储介质，其中，当指令被至少一个计算装置运行时，促使至少一个计算装置执行如上述任一负荷预测方法。
在另一总的方面，提供了一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，指令在被至少一个计算装置运行时，促使至少一个计算装置执行如上述任一负荷预测方法。
根据本公开的负荷预测方法、系统及装置，利用温度控制系统的运行数据进行聚类、分类以及线性回归，实现了无监督学习和监督学习相结合进行负荷预测，避免了单一使用一种方式预测负荷，提高了预测精度。因此，通过本公开能够有效解决现有技术中负荷预测方法复杂以及预测精度低的问题。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示出实施例的附图进行的描述，本公开的实施例的上述和其他目的和特点将会变得更加清楚，其中：
图1是示出本公开的实施例的负荷预测方法的流程图；
图2是示出本公开的实施例的负荷预测系统的示意图；
图3是示出本公开的实施例的空调总系统的结构示意图；
图4是示出本公开的实施例的供回水温度和与所需冷量的关系示意图；
图5是示出本公开的实施例的某一天内随时间变化所需冷量的变化趋势图；
图6是示出本公开的实施例的供回水温度和与所需冷量的数据分布图；
图7是示出本公开的实施例的预测方法选择的流程图；
图8是示出本公开的实施例的聚类、分类以及线性回归处理流程图；
图9是示出本公开的实施例的数据相关性分析图；
图10是示出本公开的实施例的聚类后的分析图；
图11是示出本公开的实施例的标签标记后的供回水温度和与室外温度的分布图；
图12是示出本公开的实施例的分类后的数据的分布图；
图13是示出本公开的实施例的第一类数据线性回归图；
图14是示出本公开的实施例的第二类数据线性回归图；
图15是示出本公开的实施例的负荷预测的总流程图；
图16是示出本公开的实施例的负荷预测装置的框图。
具体实施方式
提供下面的具体实施方式以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而，在理解本申请的公开之后，在此描述的方法、设备和/或系统的各种改变、修改和等同物将是清楚的。例如，在此描述的操作的顺序仅是示例，并且不限于在此阐述的那些顺序，而是除了必须以特定的顺序发生的操作之外，可如在理解本申请的公开之后将是清楚的那样被改变。此外，为了更加清楚和简明，本领域已知的特征的描述可被省略。
在此描述的特征可以以不同的形式来实现，而不应被解释为限于在此描述的示例。相反，已提供在此描述的示例，以仅示出实现在此描述的方法、设备和/或系统的许多可行方式中的一些可行方式，所述许多可行方式在理解本申请的公开之后将是清楚的。
如在此使用的，术语“和/或”包括相关联的所列项中的任何一个以及任何两个或更多个的任何组合。
尽管在此可使用诸如“第一”、“第二”和“第三”的术语来描述各种构件、组件、区域、层或部分，但是这些构件、组件、区域、层或部分不应被这些术语所限制。相反，这些术语仅用于将一个构件、组件、区域、层或部分与另一构件、组件、区域、层或部分进行区分。因此，在不脱离示例的教导的情况下，在此描述的示例中所称的第一构件、第一组件、第一区域、第一层或第一部分也可被称为第二构件、第二组件、第二区域、第二层或第二部分。
在说明书中，当元件(诸如，层、区域或基底)被描述为“在”另一元件上、“连接到”或“结合到”另一元件时，该元件可直接“在”另一元件上、直接“连接到”或“结合到”另一元件，或者可存在介于其间的一个或多个其他元件。相反，当元件被描述为“直接在”另一元件上、“直接连接到”或“直接结合到”另一元件时，可不存在介于其间的其他元件。
在此使用的术语仅用于描述各种示例，并不将用于限制公开。除非上下文另外清楚地指示，否则单数形式也意在包括复数形式。术语“包含”、“包括”和“具有”说明存在叙述的特征、数量、操作、构件、元件和/或它们的组合，但不排除存在或添加一个或多个其他特征、数量、操作、构件、元件和/或它们的组合。
除非另有定义，否则在此使用的所有术语(包括技术术语和科学术语)具有与由本公开所属领域的普通技术人员在理解本公开之后通常理解的含义相同的含义。除非在此明确地如此定义，否则术语(诸如，在通用词典中定义的术语)应被解释为具有与它们在相关领域的上下文和本公开中的含义一致的含义，并且不应被理想化或过于形式化地解释。
此外，在示例的描述中，当认为公知的相关结构或功能的详细描述将引起对本公开的模糊解释时，将省略这样的详细描述。
为了方便理解本公开，下面对相关概念进行介绍。
负荷预测是为温度控制系统(如空调系统，后续以空调系统为例进行说明)优化控制服务，以预测的负荷为基础，确定最优的运行工况或设定点，制定最佳的空调运行策略，保证空调房间环境温度的舒适性和空调运行系统的节能型。
空调运行负荷预测是指在建筑运行阶段，对未来时刻空调系统运行所需冷热量进行短期预测。
监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。
无监督学习：现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。很自然地，用户希望计算机能代完成这些工作或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。
支持向量机(Support Vector Machine，简称为SVM，还称为支持矢量网络)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。
传统的反馈控制无法满足系统的运行要求，随着空调系统和新能源技术的发展，冷热电三联工、太阳能空调系统等复杂系统的出现，迫切需要空调运行的精确负荷数值以达到优化控制目的。为了克服中央空调的动态性能差，温度控制大滞后、单一使用机器学习的某一种方法精度差等问题，本公开提出一种更好的预测负荷方法。
本公开通过无监督学习与监督学习方法相结合的方式来实现负荷预测，提高了预测精度，解决了控制偏差滞后大的问题，最终实现了无监督学习的负荷预测。本公开是先通过供回水温度和与需求负荷的关系的可视化，进而根据可视化后的数据分布特点，进行分析和研究，采用组合方法(如聚类(无监督学习)+分类(监督学习)+线性回归)来达到预测精度提高的目的。下面结合附图进行详细说明。
本公开提出了一种负荷预测方法，图1是示出本公开的实施例的负荷预测方法的流程图。如图1所示，该负荷预测方法包括以下步骤：
在步骤S101中，根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理。例如，第一属性数据可以为供回水温度和，本实施例可以根据供回水温度和进行聚类处理，聚类方法可以采用K-means方法。
根据本公开的实施例，第一属性数据可以包括但不限于供回水温度和。第一属性数据还可以是供水温度和建筑内管道内中间水温度的和。
目前空调系统的预测控制一般采用供水温度、回水温度或者供回水温度差来作为预测的参考参数。本实施例采用供回水温度和作为预测参数，供回水温度和可以反映空调系统所需要的冷量对于供需平衡时的温度差绝对值。供冷起始时供回水温度和的值最大，供冷平衡时供回水温度和的值最小，可以直观反映系统的总体所需冷量的趋势。
另外，上述第一属性数据也可以包括供回水温度差或者其他属性数据。但供回水温度差只能反映系统供需平衡时的效果，同时供冷起始时供回水温度差的值为0，供冷平衡时供回水温度差为系统设计温差，比如这个温差为6，它的组合很多(7℃和13℃,6℃和12℃，8℃和14℃等等)，很难直观反映系统总体所需冷量的趋势。例如，上述供回水温度差为6℃的三个组合的供回水温度和分别为20，18，22，由此可见，8℃和14℃的组合，如果想让温度继续下降，需要的冷量可以通过供回水温度和的值直观的反应出来，但是供回水温度差则不能直观的反应所需的冷量。所以通过供回水温度和来做所需冷量的负荷预测比较直观。
根据本公开的实施例，在根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理之前，所述负荷预测方法还包括：在预定时间内等间隔获取温度控制系统的运行数据，其中，运行数据包括获取所需冷量和第一属性数据的数据，所需冷量为温度控制系统调节室内温度到预定温度阈值所需要的冷量。需要说明的是，实际应用中可以采用历史数据中温度控制系统运行过程中提供的总冷量替代所需冷量。
根据本公开的实施例，根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理包括：对运行数据进行相关性分析和可视化分析，获取可视化分析结果；根据可视化分析结果对运行数据进行数据归约；对数据归约后的运行数据获取的第一属性数据进行第一聚类处理。通过本实施例，可以根据可视化后的数据分布特点，进行分析和研究，从而进行数据归约和聚类处理。
根据本公开的实施例，在对运行数据进行相关性分析和可视化分析，获取可视化分析结果之前，所述负荷预测方法还包括：根据对温度控制系统的要求对运行数据进行筛选。例如，可以根据温度控制系统的暖通要求或者用户对温度控制系统的要求对运行数据进行筛选，可以剔除不符合要求的数据，减少需要处理的数据量，提供处理效率。
根据本公开的实施例，在根据对温度控制系统的要求对运行数据进行筛选之前，所述负荷预测方法还包括：对运行数据进行系统抽样，获取抽样数据；根据对温度控制系统的要求对抽样数据进行筛选。例如，上述系统抽样的抽样时间间隔可以为15min，也可以为其它数据间隔，抽样方式也可以为其它数据抽样方式。
在步骤S102中，与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类。例如，第一属性数据可以为供回水温度和，本实施例获取与聚类中心点的距离小于第一预定值的供回水温度和，然后根据获取的供回水温度和获取相对应的运行数据，然后对获取的运行数据进行分类处理。需要说明的是，第一预定值可以为一类数据中所有数据与聚类中心点的距离的平均值。
根据本公开的实施例，对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类包括：采用第一聚类的标签对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行标记；利用监督学习算法对标记后的运行数据进行分类；将分类概率高于第二预定值的运行数据根据其他属性数据循环进行聚类、分类，直至分类准确度达到第三预定值。通过本实施例，聚类算法和分类算法互相促进和学习，最终训练出较高精度的分类器。需要说明的是，上述监督学习算法包括但不限于：支持向量机算法、神经网络算法、贝叶斯算法、k近邻算法、决策树算法。上述第二预定值可以为0.7以上，第三预定值可以为90％以上，具体要根据实际情况进行确定。
具体地，在第一属性数据为供回水温度和的情况下，本实施例在根据供回水温度和进行聚类后，根据聚类结果，将与聚类中心点的距离小于第一预定值的数据通过聚类标签进行标记，然后根据标签和标记的运行数据一起进行分类器训练，也即分类处理，获取分类概率高于0.7的运行数据，根据该运行数据中其他属性数据再次进行聚类处理以及分类处理，直至分类准确度达到90％。本实施例中聚类算法和分类算法互相促进和学习，最终训练出较高精度的分类器。
根据本公开的实施例，其他属性数据包括但不限于室外温度。
在步骤S103中，分别对分类后的每一类运行数据中的所需冷量和第一属性数据进行线性回归。例如，对运行数据分类后获取了两类运行数据，将每一类运行数据进行线性回归处理，需要说明的是，本实施例不对线性回归方法进行限定。
在步骤S104中，基于线性回归后的结果对温度控制系统进行负荷预测。例如，根据两类运行数据线性回归获取函数，输入对应参数，对温度控制系统的所需冷量进行预测。
综上，现在空调负荷预测采用的机器学习的负荷预测，大都是使用单一的监督机器学习方式来实现(单独使用神经网络，支持向量机等)。本公开实施例是根据现实数据的数据分析，可视化数据聚类并分类，即采用无监督学习与监督学习相结合的方式来实现分类，然后采用线性回归来实现负荷预测，提高了预测负荷的预测精度。
本公开还提出了一种负荷预测系统，图2是示出本公开的实施例的负荷预测系统的示意图。如图2所示，该负荷预测系统包括：空调总系统和服务器，空调总系统包括如下单元：建筑内空气调节器系统、板式换热器、水蓄冷容器、回水集水器、供水分水器、制冷机，其中，服务器根据空调总系统的运行数据获取的第一属性数据进行第一聚类处理，其中，运行数据包括建筑内空气调节器系统、板式换热器、水蓄冷容器、回水集水器、供水分水器和制冷机的运行数据，第一属性数据为任一单元的运行数据或至少一个单元的运行数据进行处理后的数据；服务器将与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类；服务器分别对分类后的每一类运行数据中的所需冷量和第一属性数据进行线性回归；基于线性回归后的结果对空调总系统进行负荷预测。
根据本公开的实施例，空调总系统还包括用于检测回水集水器内的介质的温度的第一温度传感器、用于检测供水分水器内的介质的温度的第二温度传感器、用于检测制冷机输入侧的介质的温度的第三温度传感器、用于检测制冷机输出侧的介质的温度的第四温度传感器、用于检测建筑内空气调节器系统输入侧的介质的温度的第五温度传感器、用于检测建筑内空气调节器系统输出侧的介质的温度的第六温度传感器；其中，第一属性数据为至少一个单元的运行数据进行处理后的数据时，第一属性数据包括供回水温度和，供回水温度和根据如下任一种方式获取：根据第一温度传感器和第二温度传感器检测的数据获取；根据第三温度传感器和第四温度传感器检测的数据获取；根据第五温度传感器和第六温度传感器检测的数据获取；根据第二温度传感器和第三温度传感器检测的数据获取；根据第一温度传感器和第四温度传感器检测的数据获取。本实施例通过供回水温度和来做所需冷量的负荷预测比较直观。
根据本公开的实施例，服务器对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类包括：服务器采用第一聚类的标签对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行标记；服务器利用监督学习算法对标记后的运行数据进行分类；服务器将分类准确度高于第二预定值的运行数据根据其他属性数据循环进行聚类处理和分类处理，直至分类准确度达到第三预定值，其中，其他属性数据为任一所述单元的运行数据或至少一个所述单元的运行数据进行处理后的数据。通过本实施例，聚类算法和分类算法互相促进和学习，最终训练出较高精度的分类器。上述监督学习算法包括：支持向量机算法、神经网络算法、贝叶斯算法、k近邻算法、决策树算法。
根据本公开的实施例，其他属性数据为至少一个单元的运行数据进行处理后的数据时，第一属性数据包括室外温度，室外温度根据建筑内空气调节器系统的运行数据进行处理后的数据。
根据本公开的实施例，在根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理之前，服务器还用于在预定时间内等间隔获取温度控制系统的运行数据，其中，运行数据包括获取所需冷量和第一属性数据的数据，所需冷量为温度控制系统调节室内温度到预定温度阈值所需要的冷量。
根据本公开的实施例，服务器根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理包括：对运行数据进行相关性分析和可视化分析，获取可视化分析结果；根据可视化分析结果对运行数据进行数据归约；对数据归约后的运行数据获取的第一属性数据进行第一聚类处理。通过本实施例，可以根据可视化后的数据分布特点，进行分析和研究，从而进行数据归约和聚类处理。
根据本公开的实施例，在对运行数据进行相关性分析和可视化分析，获取可视化分析结果之前，服务器根据对温度控制系统的要求对运行数据进行筛选。例如，可以根据温度控制系统的暖通要求或者用户对温度控制系统的要求对运行数据进行筛选，可以剔除不符合要求的数据，减少需要处理的数据量，提供处理效率。
根据本公开的实施例，在根据对温度控制系统的要求对运行数据进行筛选之前，服务器对运行数据进行系统抽样，获取抽样数据；根据对温度控制系统的要求对抽样数据进行筛选。例如，上述系统抽样的抽样时间间隔可以为15min，也可以为其它数据间隔，抽样方式也可以为其它数据抽样方式。
下面接空调总系统的结构图为例进行详细说明，图3是示出本公开的实施例的空调总系统的结构示意图，如图3所示，该系统包括：建筑物内的空调系统1、板式换热器2、水蓄冷容器3、回水集水器4、供水分水器5、制冷机6、回水温度传感器7、供水温度传感器8、回水集水器温度传感器9、供水分水器温度传感器10、蓄冷系统供水温度传感器11和蓄冷系统回水温度传感器12，其中，
建筑物内的空调系统1：一般为中央空调，通过水泵来实现水介质的循环，将冷水运送到建筑物的各个楼层，以达到冷量运输和释放的目的；
板式换热器2：水蓄冷容器3放冷时，实现冷水与建筑物内的空调系统1内热水的热量交换；
水蓄冷容器3：储存制冷机6制出来的冷水介质，一般冷水介质为水；需要说明的是，供冷介质空调不只是水，可以为其它介质；
回水集水器4：建筑物内的空调系统1各个楼层的回水汇集在一起的容器，实现回水的汇集作用；
供水分水器5：将制冷机6制造出来的冷水分散到建筑物内的空调系统1的各个楼层；
制冷机6：将热水制造成冷水的机器；
回水温度传感器7：检测回水介质的温度；
供水温度传感器8：检测供水介质的温度；
回水集水器温度传感器9：检测回水集水器内的混合水温度；
供水分水器温度传感器10：检测供水分水器内的混合水的温度；
蓄冷系统供水温度传感器11：检测蓄冷系统供冷时的供水温度；
蓄冷系统回水温度传感器12：检测蓄冷系统供冷时的回水温度。
需要说明的是，供回水温度和可以利用如图3所示的回水温度传感器7和供水温度传感器8、回水集水器温度传感器9和供水分水器温度传感器10、蓄冷系统供水温度传感器11和蓄冷系统回水温度传感器12等获取，又或者可以利用建筑物内的空调系统1内部各个楼层的供回水温度平均值的组合获取，还可以利用如图3所示的回水温度传感器7和供水分水器温度传感器10、供水温度传感器8和回水集水器温度传感器9等获取，总而言之，供回水温度和是供水温度和回水温度的一个组合。
下面通过大数据的历史数据可视化分析和经验结合说明控制的基本步骤。图4是示出本公开的实施例的供回水温度和与所需冷量的关系示意图，如图4所示，通过某一天的供回水温度和与所需冷量的关系，可以看出供回水温度和最高的时候是开始的时间(1)，因为管道里面的水放置一晚上之后，温度升高，导致供回水温度和最大。随着供冷的增加，供回水温度和逐渐减小，如图4所示，当到达一定的控制温度后趋于稳定(2)，达到供需平衡。图5是示出本公开的实施例的某一天内随时间变化所需冷量的变化趋势图，如图5所示，开始供冷时刻(1)所需的冷量最大，然后趋于稳定(2)，扰动和误操作的(3)所处的数据可以排除。
图6是示出本公开的实施例的供回水温度和与所需冷量的数据分布图，如图6所示，是跟踪多日的大的数据分布图，数据可以大致分为两类，区域1和区域2。区域1为供冷开始时刻，可以用线性来预测，同样区域2为正常运行期间的情况，也可以线性预测。从图6可以看出供回水温度和与所需冷量是两个线性关系。而两类之间可以通过分类的方法来区分出来，可以根据机器学习方法中的支持向量机将数据分为两类，然后分别进行线性回归进行预测控制。
对于预测方法选择的流程可以图7所示，首先对运行的原始数据进行系统抽样，再对抽样后的数据进行分析清洗也即筛选，然后对筛选后的数据进行相关性分析并对分析结果进行可视化分析，根据可视化分析结果进行数据归约，根据归约后的数据确定适合的预测算法，本公开实施例对数据进行后续的聚类、分类以及线性回归处理，其他算法不进行论述。根据归约后的数据进行聚类、分类以及线性回归处理过程如图8所示。
需要说明的是，原始数据如表1所示，原始数据数量较多，此处只给出了部分数据，其中，空调系统的总冷量＝释冷量+1号机供冷量+2号机供冷量。
总冷量和与室外温度、湿度、供水温度、回水温度、总功率的相关性分析如图9所示。
清洗后的数据如表2所示，此处也只给出了部分数据。
0-1变化后的数据即数据归约后的数据如表3所示。
进行聚类后的分析展示如图10所示，其中聚类方法可以采用K-means。其中，两个黑色的X为聚类的两类数值的中心。
标签标记后的供回水温度和与室外温度的分布如图11所示，X轴为供回水温度和，Y轴为室外温度。
标签标记后的数据如下，1为一类，-1为另一类。第一列为分类标签(1或-1)，第二列为供回水温度和，第三列为室外温度，部分数据表4所示。
标签标记后，进行支持向量机分类训练和预测，处理后数据如图12所示，X轴为供回水温度和，Y轴为室外温度。
表1原始数据
表2清洗后的数据
表3 0-1变换后的数据
表4标签标记后的数据
| 标签 | 供回水温度和 | 室外温度 |
| 1 | 40.5300000000000 | 28.9400000000000 |
| 1 | 37.5700000000000 | 28.9100000000000 |
| 1 | 35.7300000000000 | 28.8900000000000 |
| …… | ||
| -1 | 36.0700000000000 | 32.0300000000000 |
| -1 | 36.5200000000000 | 32 |
| -1 | 36.8300000000000 | 32.2000000000000 |
经过上述训练与预测后，预测错误率为0.1081。在此基础上，对处理后的数据也即分类后的数据分别进行线性回归，第一类数据，线性回归如图13所示，回归结果如下：
Linear model Poly2:
f(x)＝p1*x^2+p2*x+p3
Coefficients(with 95％confidence bounds):
p1＝-0.2551(-0.2945,-0.2157)
p2＝0.5909(0.564,0.6179)
p3＝0.5287(0.5249,0.5325)
Goodness of fit:
SSE:0.02783
R-square:0.9865
Adjusted R-square:0.9864
RMSE:0.009916
第二类数据，线性回归如图14所示，Linear model Poly1:
f(x)＝p1*x+p2
Coefficients(with 95％confidence bounds):
p1＝-0.1296(-0.1398,-0.1193)
p2＝0.2293(0.2249,0.2336)
Goodness of fit:
SSE:0.04031
R-square:0.9841
Adjusted R-square:0.9841
RMSE:0.01226
可以看到两类线性回归的R-square都达到0.98以上，效果非常好。
根据以上分析结果，本实施例的负荷预测方法是可行的，即负荷预测的使用过程如图15所示。
图16是示出本公开的实施例的负荷预测装置的框图，如图16所示，该装置包括：聚类模块160，用于根据温度控制系统的运行数据获取的第一属性数据进行第一聚类；分类模块162，用于将与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类；线性回归模块164，用于分别对分类后的每一类运行数据中的所需冷量和第一属性数据进行线性回归；预测模块166，用于基于线性回归后的结果对温度控制系统进行负荷预测。
根据本公开的实施例，第一属性数据包括供回水温度和。
根据本公开的实施例，分类模块162还用于采用第一聚类的标签对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行标记；利用监督学习算法对标记后的运行数据进行分类；将分类概率高于第二预定值的运行数据根据其他属性数据循环进行聚类、分类，直至分类准确度达到第三预定值。
根据本公开的实施例，其他属性数据包括室外温度。
根据本公开的实施例，监督学习算法包括：支持向量机算法、神经网络算法、贝叶斯算法、k近邻算法、决策树算法。
根据本公开的实施例，聚类模块160还用于在根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理之前，在预定时间内等间隔获取温度控制系统的运行数据，其中，运行数据包括获取所需冷量和第一属性数据的数据，所需冷量为温度控制系统调节室内温度到预定温度阈值所需要的冷量。
根据本公开的实施例，聚类模块160还用于对运行数据进行相关性分析和可视化分析，获取可视化分析结果；根据可视化分析结果对运行数据进行数据归约；对数据归约后的运行数据获取的第一属性数据进行第一聚类处理。
根据本公开的实施例，聚类模块160还用于在对运行数据进行相关性分析和可视化分析，获取可视化分析结果之前，根据对温度控制系统的要求对运行数据进行筛选。
根据本公开的实施例，聚类模块160用于在根据对温度控制系统的要求对运行数据进行筛选之前，对运行数据进行系统抽样，获取抽样数据；根据对温度控制系统的要求对抽样数据进行筛选。
根据本公开的实施例，提供了一种存储指令的计算机可读存储介质，其中，当指令被至少一个计算装置运行时，促使至少一个计算装置执行如上述任一实施例的负荷预测方法、系统及装置。
根据本公开的实施例，提供了一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，指令在被至少一个计算装置运行时，促使至少一个计算装置执行如上述任一实施例的负荷预测方法、系统及装置。
本公开实施例实现了如下效果：
1、对所需冷量实现了预测，达到了监督学习和无监督学习的结合，避免了单一使用一种方法无法达到较高的预测准确度的问题，提高了预测的准确度，给负荷预测提供了新的方法。
2、以预测的负荷为基础，确定最优的运行工况或设定点，指定最佳的空调运行控制策略，降低了空调控制的滞后性，保证空调房间环境温度的舒适性和空调运行系统的节能性。
3、上述实施例不只可以用在空调控制系统以及相关系统(如水蓄冷)，还可以用在温度滞后的控制系统。
虽然已表示和描述了本公开的一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改。
Claims (17)
1.一种负荷预测方法，其特征在于，包括：
根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理，其中，所述第一属性数据包括供回水温度和，所述供回水温度和直观反映温度控制系统所需要的冷量；
对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类；
分别对分类后的每一类运行数据中的所需冷量和第一属性数据进行线性回归；
基于线性回归后的结果对所述温度控制系统进行负荷预测。
2.如权利要求1所述的负荷预测方法，其特征在于，所述对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类包括：
采用第一聚类的标签对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行标记；
利用监督学习算法对标记后的运行数据进行分类；
将分类概率高于第二预定值的运行数据根据其他属性数据循环进行聚类、分类，直至分类准确度达到第三预定值。
3.如权利要求2所述的负荷预测方法，其特征在于，所述其他属性数据包括室外温度。
4.如权利要求2所述的负荷预测方法，其特征在于，所述监督学习算法包括：支持向量机算法、神经网络算法、贝叶斯算法、决策树算法。
5.如权利要求1所述的负荷预测方法，其特征在于，在根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理之前，还包括：
在预定时间内等间隔获取所述温度控制系统的运行数据，其中，所述运行数据包括获取所需冷量和第一属性数据的数据，所需冷量为所述温度控制系统调节室内温度到预定温度阈值所需要的冷量。
6.如权利要求1所述的负荷预测方法，其特征在于，所述根据温度控制系统的运行数据获取的第一属性数据进行第一聚类处理包括：
对运行数据进行相关性分析和可视化分析，获取可视化分析结果；
根据可视化分析结果对运行数据进行数据归约；
对数据归约后的运行数据获取的第一属性数据进行第一聚类处理。
7.如权利要求6所述的负荷预测方法，其特征在于，在对运行数据进行相关性分析和可视化分析，获取可视化分析结果之前，还包括：
根据对所述温度控制系统的要求对运行数据进行筛选。
8.如权利要求7所述的负荷预测方法，其特征在于，在根据对所述温度控制系统的要求对运行数据进行筛选之前，还包括：
对运行数据进行系统抽样，获取抽样数据；
根据对所述温度控制系统的要求对所述抽样数据进行筛选。
9.一种负荷预测系统，其特征在于，包括：空调总系统和服务器，所述空调总系统包括如下单元：建筑内空气调节器系统、板式换热器、水蓄冷容器、回水集水器、供水分水器、制冷机，其中，
所述服务器根据所述空调总系统的运行数据获取的第一属性数据进行第一聚类处理，其中，所述运行数据包括所述建筑内空气调节器系统、所述板式换热器、所述水蓄冷容器、所述回水集水器、所述供水分水器和所述制冷机的运行数据，所述第一属性数据为任一所述单元的运行数据或至少一个所述单元的运行数据进行处理后的数据，所述第一属性数据包括供回水温度和，所述供回水温度和直观反映温度控制系统所需要的冷量；
所述服务器对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类；
所述服务器分别对分类后的每一类运行数据中的所需冷量和第一属性数据进行线性回归；
基于线性回归后的结果对所述空调总系统进行负荷预测。
10.如权利要求9所述的负荷预测系统，其特征在于，所述空调总系统还包括用于检测所述回水集水器内的介质的温度的第一温度传感器、用于检测所述供水分水器内的介质的温度的第二温度传感器、用于检测所述制冷机输入侧的介质的温度的第三温度传感器、用于检测所述制冷机输出侧的介质的温度的第四温度传感器、用于检测所述建筑内空气调节器系统输入侧的介质的温度的第五温度传感器、用于检测所述建筑内空气调节器系统输出侧的介质的温度的第六温度传感器；其中，
所述第一属性数据为至少一个所述单元的运行数据进行处理后的数据时，所述第一属性数据包括供回水温度和，所述供回水温度和根据如下任一种方式获取：
根据所述第一温度传感器和所述第二温度传感器检测的数据获取；
根据所述第三温度传感器和所述第四温度传感器检测的数据获取；
根据所述第五温度传感器和所述第六温度传感器检测的数据获取；
根据所述第二温度传感器和所述第三温度传感器检测的数据获取；
根据所述第一温度传感器和所述第四温度传感器检测的数据获取。
11.如权利要求9所述的负荷预测系统，其特征在于，所述服务器对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类包括：
所述服务器采用第一聚类的标签对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行标记；
所述服务器利用监督学习算法对标记后的运行数据进行分类；
所述服务器将分类准确度高于第二预定值的运行数据根据其他属性数据循环进行聚类处理和分类处理，直至分类准确度达到第三预定值，其中，所述其他属性数据为任一所述单元的运行数据或至少一个所述单元的运行数据进行处理后的数据。
12.如权利要求11所述的负荷预测系统，其特征在于，
所述其他属性数据为至少一个所述单元的运行数据进行处理后的数据时，所述其他属性数据包括室外温度，所述室外温度根据所述建筑内空气调节器系统的运行数据进行处理后的数据。
13.一种负荷预测装置，其特征在于，包括：
聚类模块，用于根据温度控制系统的运行数据获取的第一属性数据进行第一聚类，其中，所述第一属性数据包括供回水温度和，所述供回水温度和直观反映温度控制系统所需要的冷量；
分类模块，用于对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行分类；
线性回归模块，用于分别对分类后的每一类运行数据中的所需冷量和所述第一属性数据进行线性回归；
预测模块，用于基于线性回归后的结果对所述温度控制系统进行负荷预测。
14.如权利要求13所述的负荷预测装置，其特征在于，所述分类模块，还用于采用第一聚类的标签对与聚类中心点的距离小于第一预定值的第一属性数据对应的运行数据进行标记；利用监督学习算法对标记后的运行数据进行分类；将分类概率高于第二预定值的运行数据根据其他属性数据循环进行聚类、分类，直至分类准确度达到第三预定值。
15.如权利要求14所述的负荷预测装置，其特征在于，所述其他属性数据包括室外温度。
16.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至8中的任一权利要求所述的负荷预测方法。
17.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行权利要求1至8中的任一权利要求所述的负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011613664.7A CN114688692B (zh) | 2020-12-30 | 2020-12-30 | 负荷预测方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011613664.7A CN114688692B (zh) | 2020-12-30 | 2020-12-30 | 负荷预测方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114688692A CN114688692A (zh) | 2022-07-01 |
| CN114688692B true CN114688692B (zh) | 2023-10-20 |
Family
ID=82133329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011613664.7A Active CN114688692B (zh) | 2020-12-30 | 2020-12-30 | 负荷预测方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114688692B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115388586B (zh) * | 2022-08-24 | 2023-05-12 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699771A (zh) * | 2013-09-27 | 2014-04-02 | 广东工业大学 | 一种冷负荷预测的情景-聚类方法 |
| CN107192097A (zh) * | 2017-06-06 | 2017-09-22 | 珠海格力电器股份有限公司 | 空调冷冻水系统的控制方法和装置 |
| CN108206521A (zh) * | 2017-12-29 | 2018-06-26 | 北京天诚同创电气有限公司 | 需求响应的控制方法、装置及电力管控平台 |
| KR101883368B1 (ko) * | 2018-03-02 | 2018-08-27 | 주식회사 성지공조기술 | 냉동기 시스템 운전비 절감을 위한 냉방시스템 제어방법 |
| CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
| CN109341010A (zh) * | 2018-09-19 | 2019-02-15 | 新智能源系统控制有限责任公司 | 一种电制冷机空调系统用供能一体化的控制方法和装置 |
| CN110288164A (zh) * | 2019-07-02 | 2019-09-27 | 广州市特沃能源管理有限公司 | 一种建筑空调制冷站系统预测控制方法 |
| CN110458340A (zh) * | 2019-07-25 | 2019-11-15 | 天津大学 | 基于模式分类的建筑空调冷负荷自回归预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4360409B2 (ja) * | 2007-02-13 | 2009-11-11 | 株式会社デンソー | 車両用空調装置、車両用空調装置の制御方法および制御装置 |
| JP4980407B2 (ja) * | 2009-10-21 | 2012-07-18 | 三菱電機株式会社 | 空気調和機の制御装置、冷凍装置の制御装置 |
-
2020
- 2020-12-30 CN CN202011613664.7A patent/CN114688692B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699771A (zh) * | 2013-09-27 | 2014-04-02 | 广东工业大学 | 一种冷负荷预测的情景-聚类方法 |
| CN107192097A (zh) * | 2017-06-06 | 2017-09-22 | 珠海格力电器股份有限公司 | 空调冷冻水系统的控制方法和装置 |
| CN108206521A (zh) * | 2017-12-29 | 2018-06-26 | 北京天诚同创电气有限公司 | 需求响应的控制方法、装置及电力管控平台 |
| KR101883368B1 (ko) * | 2018-03-02 | 2018-08-27 | 주식회사 성지공조기술 | 냉동기 시스템 운전비 절감을 위한 냉방시스템 제어방법 |
| CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
| CN109341010A (zh) * | 2018-09-19 | 2019-02-15 | 新智能源系统控制有限责任公司 | 一种电制冷机空调系统用供能一体化的控制方法和装置 |
| CN110288164A (zh) * | 2019-07-02 | 2019-09-27 | 广州市特沃能源管理有限公司 | 一种建筑空调制冷站系统预测控制方法 |
| CN110458340A (zh) * | 2019-07-25 | 2019-11-15 | 天津大学 | 基于模式分类的建筑空调冷负荷自回归预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 区域供冷系统逐时冷负荷的分析及数值预测;蒋小强;龙惟定;李敏;;中南大学学报(自然科学版)(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114688692A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | A review of data mining technologies in building energy systems: Load prediction, pattern identification, fault detection and diagnosis | |
| US11774923B2 (en) | Augmented deep learning using combined regression and artificial neural network modeling | |
| Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
| CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
| Zheng et al. | Data driven chiller sequencing for reducing HVAC electricity consumption in commercial buildings | |
| 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 | |
| US11188039B2 (en) | Building management system with dynamic energy prediction model updates | |
| US20200393158A1 (en) | Variable refrigerant flow system with zone grouping | |
| Li et al. | Diagnosis for multiple faults of chiller using ELM-KNN model enhanced by multi-label learning and specific feature combinations | |
| Zhang et al. | Fault detection and diagnosis for the screw chillers using multi-region XGBoost model | |
| CN110567101A (zh) | 一种基于支持向量机模型的冷水机组高能效控制方法 | |
| Qin et al. | IIoT-enabled health monitoring for integrated heat pump system using mixture slow feature analysis | |
| US12008070B2 (en) | Method and apparatus for predicting time-series data | |
| Yang et al. | Research on energy-saving optimization of commercial central air-conditioning based on data mining algorithm | |
| CN114688692B (zh) | 负荷预测方法、系统及装置 | |
| Chang et al. | Optimizing the energy efficiency of chiller systems in the semiconductor industry through big data analytics and an empirical study | |
| Li et al. | Distance measures in building informatics: An in-depth assessment through typical tasks in building energy management | |
| Wang et al. | Research on diagnostic strategy for faults in VRF air conditioning system using hybrid data mining methods | |
| CN115774958A (zh) | 一种数据中心制冷系统预测与停机温度设定优化方法 | |
| Liu et al. | Improvement of the energy evaluation methodology of individual office building with dynamic energy grading system | |
| Deng et al. | Optimal control of chilled water system with ensemble learning and cloud edge terminal implementation | |
| CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
| Haq et al. | Classification of electricity load profile data and the prediction of load demand variability | |
| Hassanpour et al. | A hybrid clustering approach integrating first-principles knowledge with data for fault detection in HVAC systems | |
| Fong et al. | Optimization of power usage in a smart nursing home environment |
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 |