CN115654668A - 一种空调系统及空调系统的负荷预测方法 - Google Patents
一种空调系统及空调系统的负荷预测方法 Download PDFInfo
- Publication number
- CN115654668A CN115654668A CN202211319843.9A CN202211319843A CN115654668A CN 115654668 A CN115654668 A CN 115654668A CN 202211319843 A CN202211319843 A CN 202211319843A CN 115654668 A CN115654668 A CN 115654668A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- load
- cooling
- heating
- 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
Links
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本申请提供了一种空调系统及空调系统的负荷预测方法，涉及家用电器技术领域，用于对获取的供冷/热量数据进行平滑数据预处理，提高建立预测目标负荷的时间序列模型的准确性。该空调系统包括：控制器，控制器被配置为：获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据；利用傅里叶变换对多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据；基于目标供冷/热量数据和负荷影响因素对应的数据建立随机森林模型，选取目标负荷影响因素；基于目标供冷/热量数据和目标负荷影响因素，建立预测目标负荷的时间序列模型。
Description
技术领域
本申请涉及家用电器技术领域，尤其涉及一种空调系统及空调系统的负荷预测方法。
背景技术
超短期空调负荷预测可以是指对空调系统未来1小时或者几小时内的负荷的预测，通过超短期空调负荷预测，对空调系统在短时间内可能出现的较大负荷提前进行预测，可以提高空调系统运行的舒适性和安全性。
在超短期负荷预测中，目前最普遍的模型是时间序列模型。时间序列模型以历史时间段中近期的负荷数据(供冷/热量数据)为样本数据，对待待预测点的负荷进行预测。其中，历史时间段的负荷的时序动态规律是时间序列模型预测未来时间点的负荷的基础。但由于空调系统本身存在的一些控制特性，实际的目标房间内的温度一直围绕着设定温度波动，对应获取到的空调系统的供冷/热量数据整体呈现不规则的振荡。即在较小的时间尺度下，空调系统的供冷/热量往往并不等于设定温度下的目标房间内的负荷，无法准确反映负荷的时序动态规律，因此无法保证根据空调系统的供冷/热量建立的时间序列模型，预测未来时刻的负荷的准确性。
发明内容
本申请实施例提供一种空调系统及空调系统的负荷预测方法，通过对获取的供冷/热量数据进行平滑数据预处理获得目标供冷/热量数据，从而基于目标供冷/热量数据和目标负荷影响因素，建立预测目标负荷的时间序列模型，并提高时间序列模型预测的准确性。
第一方面，本申请提供一种空调系统，该系统包括：
控制器，控制器被配置为：
获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据；
利用傅里叶变换对多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据；
基于多个目标供冷/热量数据和至少一种负荷影响因素对应的数据建立随机森林模型，并根据随机森林模型选取至少一个目标负荷影响因素；
基于多个目标供冷/热量数据和目标负荷影响因素，建立预测目标负荷的时间序列模型。
本申请提供的技术方案至少带来以下有益效果：通过利用傅里叶变换对获取的初始供冷/热量数据进行平滑处理，使得供冷/热量数据的不规则的振荡得到抑制，获取规则的振荡的目标供冷/热量数据。利用随机森林模型选取较为重要的负荷影响因素作为目标负荷影响因素，并且基于目标供冷/热量数据和目标负荷影响因素，可以建立更为准确的预测空调系统的目标负荷的时间序列模型，从而提高获取空调系统的目标负荷的准确度，提高空调系统运行的舒适性和安全性。
在一些实施例中，上述负荷影响因素对应的数据包括室外温度值、室内温度值、太阳直射辐射量和太阳散射辐射量。本实施例中，针对预测目标负荷，往往有多个负荷影响因素。可以通过设置温度传感器来获取实时的室内温度值，设置无线通信模块(例如WIFI模块)来获取实时的室外温度值、太阳直射辐射量和太阳散射辐射量。
在一些实施例中，空调系统的控制器，被配置为利用傅里叶变换对多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据，包括：利用傅里叶变换获取多个初始供冷/热量数据对应的多个第一频域数据，初始供冷/热量数据为时域数据；将多个第一频域数据中大于预设频域值的频域数据设置为零，获取设置后的多个第一频域数据对应的多个第二频域数据；利用傅里叶变换获取多个第二频域数据对应的目标供冷/热量数据，目标供冷/热量数据为时域数据。本实施例中，通过利用傅里叶变换获取多个初始供冷/热量数据对应的多个第一频域数据，再将多个第一频域数据中大于预设频域值的频域数据设置为零，即去除第一频域数据中大于预设频域值的频域数据，再获取设置后的多个第一频域数据对应的多个第二频域数据，最后利用傅里叶反变换获取多个第二频域数据对应的时域数据的目标供冷/热量数据。该方法利用傅里叶变换完成了将初始供冷/热量数据进行数据平滑处理的过程，从而原本呈现不规则的振荡的初始供冷/热量数据变成有规则振荡的目标供冷/热量数据，从而可以提高预测目标负荷的预测精度。
在一些实施例中，空调系统的控制器，被配置为基于多个目标供冷/热量数据和至少一种负荷影响因素对应的数据建立随机森林模型，并根据随机森林模型选取至少一个目标负荷影响因素，包括：建立多个目标供冷/热量数据和至少一种负荷影响因素对应的数据的样本集，样本集中包括多个时间点采集的样本，以及样本中的目标供冷/热量数据对应的时间点和负荷影响因素对应的数据对应的时间点一致；从样本集中随机抽取多个时间点采集的样本建立随机森林模型；将随机抽取的多个时间点以外的其他时间点采集的样本输入随机森林模型；获取随机森林模型输出的任一个负荷影响因素对于空调系统的负荷预测的影响程度，随机森林模型输出的影响程度包括一个或多个，每个负荷影响因素对应一个影响程度；选择至少一个大于预设阈值的影响程度对应的负荷影响因素作为目标负荷影响因素。本实施例中，通过建立随机森林模型得到至少一个负荷影响因素对应的影响程度，即得到负荷影响因素对于空调系统的负荷预测的影响程度。将影响程度较大的负荷影响因素作为目标负荷影响因素，而其他影响程度较小的负荷影响因素在获取目标负荷的过程中可以忽略不计。该方法提高预测目标负荷的精度。
在一些实施例中，空调系统的控制器，被配置为基于多个目标供冷/热量数据和目标负荷影响因素，建立预测目标负荷的时间序列模型，包括：获取目标负荷影响因素在待预测时间点对应的数据，待预测时间点在预设历史时间段之后；根据目标供冷/热量数据，以及目标负荷影响因素在待预测时间点对应的数据建立初始时间序列模型，初始时间序列模型以多元一次方程的形式表示；利用最小二乘法对初始时间序列模型进行回归系数求导，获得多个目标回归系数，并根据多个目标回归系数建立目标时间序列模型，目标时间序列模型用于预测目标负荷。本实施例中，根据目标供冷/热量数据，以及待预测时间点的目标负荷影响因素对应的数据可以建立准确的有源自回归模型。准确的有源自回归模型可以深刻、集中地表达空调系统的运行规律，从而可以准确预测未来时刻的目标负荷，进而提高空调系统运行的舒适性和安全性。
在一些实施例中，空调系统的控制器，被配置获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据，包括：根据预设时间间隔，获取目标房间的空调系统在预设历史时间段内的多个时间点对应的初始供冷/热量数据和至少一种负荷影响因素对应的数据，多个时间点之间具有预设时间间隔。本实施例中，根据预设时间间隔，获取目标房间的空调系统在预设历史时间段内的多个时间点对应的初始供冷/热量数据和至少一种负荷影响因素对应的数据，使得获取的数据时间线统一，从而提高预测空调系统在未来时刻的目标负荷的准确性。
在一些实施例中，空调系统的控制器，被配置为获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据，还包括：针对获取的初始供冷/热量数据和负荷影响因素对应的数据中的异常数据，采用线性插值法进行替代；针对获取的初始供冷/热量数据和负荷影响因素对应的数据中的缺失数据，采用线性插值法进行补齐。本实施例中，针对异常数据，采用线性插值法进行替代，针对缺失数据，采用线性插值法进行补齐，从而使获取的初始供冷/热量数据和负荷影响因素对应的数据更加准确，从而提高预测空调系统在未来时刻的目标负荷的准确性。
第二方面，本申请提高了一种空调系统的空调系统的负荷预测方法，该方法应用于第一方面的空调系统中。该方法包括：获取目标房间的空调系统在预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据；利用傅里叶变换对多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据；基于多个目标供冷/热量数据和至少一种负荷影响因素对应的数据建立随机森林模型，并根据随机森林模型选取至少一个目标负荷影响因素；基于多个目标供冷/热量数据和目标负荷影响因素，建立预测空调系统的目标负荷的时间序列模型。
第三方面，本申请提供一种控制器，包括：一个或多个处理器；一个或多个存储器；其中，一个或多个存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，当一个或多个处理器执行计算机指令时，控制器执行第二方面以及可能的实现方式中所提供的空调系统的空调系统的负荷预测方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行第二方面以及可能的实现方式中提供的空调系统的空调系统的负荷预测方法。
第五方面，本发明实施例提供一种计算机程序产品，该计算机程序产品可直接加载到存储器中，并含有软件代码，该计算机程序产品经由计算机载入并执行后能够实现如第二方面以及可能的实现方式中提供的空调系统的空调系统的负荷预测方法。
需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与控制器的处理器封装在一起的，也可以与控制器的处理器单独封装，本申请对此不作限定。
本申请中第二方面至第五方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
附图说明
图1为本申请实施例提供的一种空调系统位于目标房间内的示意图；
图2为本申请实施例提供的一种空调系统的硬件配置图；
图3为本申请实施例提供的一种空调系统的空调系统的负荷预测方法的流程示意图；
图4为本申请实施例提供的又一种空调系统的空调系统的负荷预测方法的流程示意图；
图5为本申请实施例提供的又一种空调系统的空调系统的负荷预测方法的流程示意图；
图6为本申请实施例提供的又一种空调系统的空调系统的负荷预测方法的流程示意图；
图7为本申请实施例提供的一种初始供冷量与目标供冷量的对比图；
图8为本申请实施例提供的一种实际房间负荷与目标供冷量的对比图；
图9为本申请实施例提供的多个负荷影响因素的影响程度的排序示意图；
图10为本申请实施例提供的一周的预测负荷结果示意图；
图11为本申请实施例提供的一种控制器的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
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。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。另外，在对管线进行描述时，本申请中所用“相连”、“连接”则具有进行导通的意义。具体意义需结合上下文进行理解。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
超短期空调负荷预测可以是指对空调系统未来1小时或者几小时内的负荷的预测，对空调系统在短时间内可能出现的较大负荷提前进行预测，可以提高空调系统运行的舒适性和安全性。
在超短期负荷预测中，目前最普遍的模型是时间序列模型。时间序列模型以历史时间段中近期的负荷数据(供冷/热量数据)为样本数据，对待待预测点的负荷进行预测。其中，历史时间段的负荷的时序动态规律是时间序列模型预测未来时间点的负荷的基础。但由于空调系统本身存在的一些控制特性，实际的目标房间内的温度一直围绕着设定温度波动，对应获取到的空调系统的供冷/热量数据整体呈现不规则的振荡。即在较小的时间尺度下，空调系统的供冷/热量往往并不等于设定温度下的目标房间内的负荷，无法准确反映负荷的时序动态规律，因此无法保证根据空调系统的供冷/热量建立的时间序列模型，预测未来时刻的负荷的准确性。
基于上述内容，本申请实施例提供了一种空调系统及空调系统的负荷预测方法，该空调系统可以通过利用傅里叶变换对获取的初始供冷/热量数据进行平滑处理，使得供冷/热量数据的不规则的振荡得到抑制，获取规则的振荡的目标供冷/热量数据。利用随机森林模型选取较为重要的负荷影响因素作为目标负荷影响因素，并且基于目标供冷/热量数据和目标负荷影响因素，可以建立更为准确的预测空调系统的目标负荷的时间序列模型，从而提高获取空调系统的目标负荷的准确度，提高空调系统运行的舒适性和安全性。
图1为本申请提供的空调系统11位于目标房间内的示意图。
在一些实施例中，目标房间可以是办公房间，住宅房间，大型商业建筑房间，本实施例不作具体限制。
如图2所示，空调系统11还包括：控制器101、传感器模块102、通信模块103和供电电源104中。其中，传感器模块102、通信模块103、供电电源104均与控制器101连接。
在一些实施例中，控制器101可以根据指令操作码和时序信号，产生操作控制信号，指示空调系统执行控制指令。
在一些实施例中，控制器101可以获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据；利用傅里叶变换对多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据；基于多个目标供冷/热量数据和至少一种负荷影响因素对应的数据建立随机森林模型，并根据随机森林模型选取至少一个目标负荷影响因素；基于多个目标供冷/热量数据和目标负荷影响因素，建立预测目标负荷的时间序列模型。
在一些实施例中，控制器101可以利用傅里叶变换获取多个初始供冷/热量数据对应的多个第一频域数据，初始供冷/热量数据为时域数据；将多个第一频域数据中大于预设频域值的频域数据设置为零，获取设置后的多个第一频域数据对应的多个第二频域数据；利用傅里叶变换获取多个第二频域数据对应的目标供冷/热量数据，目标供冷/热量数据为时域数据。
在一些实施例中，控制器101可以建立多个目标供冷/热量数据和至少一种负荷影响因素对应的数据的样本集，样本集中包括多个时间点采集的样本，以及样本中的目标供冷/热量数据对应的时间点和负荷影响因素对应的数据对应的时间点一致；从样本集中随机抽取多个时间点采集的样本建立随机森林模型；将随机抽取的多个时间点以外的其他时间点采集的样本输入随机森林模型；获取随机森林模型输出的任一个负荷影响因素对于空调系统的负荷预测的影响程度，随机森林模型输出的影响程度包括一个或多个，每个负荷影响因素对应一个影响程度；选择至少一个大于预设阈值的影响程度对应的负荷影响因素作为目标负荷影响因素。
在一些实施例中，控制器101可以获取目标负荷影响因素在待预测时间点对应的数据，待预测时间点在预设历史时间段之后；根据目标供冷/热量数据，以及目标负荷影响因素在待预测时间点对应的数据建立初始时间序列模型，初始时间序列模型以多元一次方程的形式表示；利用最小二乘法对初始时间序列模型进行回归系数求导，获得多个目标回归系数，并根据多个目标回归系数建立目标时间序列模型，目标时间序列模型用于预测目标负荷。
在一些实施例中，控制器101可以根据预设时间间隔，获取在预设历史时间段内的多个时间点对应的初始供冷/热量数据和至少一种负荷影响因素对应的数据，多个时间点之间具有预设时间间隔。
在一些实施例中，控制器101可以针对获取的初始供冷/热量数据和负荷影响因素对应的数据中的异常数据，采用线性插值法进行替代；针对获取的初始供冷/热量数据和负荷影响因素对应的数据中的缺失数据，采用线性插值法进行补齐。
在一些实施例中，控制器101可以控制传感器模块102获取预设历史时间段内的多个初始供冷/热量数据。
在一些实施例中，控制器101可以控制传感器模块102获取目标房间内的室内温度值。
在一些实施例中，通信模块103是用于根据各种通信协议类型与外部设备或服务器进行通信的组件。例如：通信模块103可以包括无线通信模块(WiFi模块)，蓝牙模块，有线以太网模块和近距离无线通信技术(near field communication，NFC)模块等其他网络通信协议芯片或近场通信协议芯片，以及红外接收器中的至少一种。通信模块103可以用于与其他设备或通信网络通信(如以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local area networks，WLAN)等)。
在一些实施例中，控制器101可以控制通信模块103从服务器获取实时的室外温度值、太阳直射辐射量和太阳散射辐射量。
在一些实施例中，供电电源104，用于在控制器101的控制下为空调系统11的各电器元件提供运行电力支持。供电电源104可以包括电池及相关控制电路。
基于上述空调系统，如图3所示，本申请实施例提供一种空调系统的空调系统的负荷预测方法，该方法可以包括以下步骤：
S101、获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据。
在一些实施例中，可以获取目标房间的空调系统在预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据。
在一些实施例中，负荷影响因素对应的数据可以包括室内温度值、室外温度值、太阳直射辐射量和太阳散射辐射量等。
在一些实施例中，可以通过设置温度传感器来获取实时的目标房间内的室内温度值，设置无线通信模块(例如WIFI模块)来获取实时的室外温度值、太阳直射辐射量和太阳散射辐射量。
在一些实施例中，可以根据预设时间间隔，获取目标房间的空调系统在预设历史时间段内的多个时间点对应的初始供冷/热量数据和至少一种负荷影响因素对应的数据，其中多个时间点之间具有预设时间间隔。示例性的，示例性的，温度传感器每隔2min获取一次目标房间的室内温度值，WIFI模块每隔2min获取一次目标房间所在的地的室外温度值、太阳直射辐射量和太阳散射辐射量等。该方法将所有数据间的时间间隔统一为相同的时间差，提高获取空调系统的目标负荷的准确度。
在一些实施例中，针对获取的初始供冷/热量数据和负荷影响因素对应的数据中的异常数据，采用线性插值法进行替代；针对获取的初始供冷/热量数据和负荷影响因素对应的数据中的缺失数据，采用线性插值法进行补齐。其中，线性插值法可以利用公式(1)：
A(t)＝average(A(t-2),A(t-1),A(t+1),A(t+2)) (1)
其中，A(t)表示t时刻的数据；A(t-2)表示t-2时刻的数据；A(t-1)为t-1时刻的数据；A(t+1)为t+1时刻的数据；A(t+2)为t+2时刻的数据。该公式取异常数据或缺失数据前两个时刻和后两个时刻的平均值作为异常数据的替换值或缺失数据的填补值。示例性的，若2022年4月2日8点30分存在缺失数据，则通过获取与8点30分最接近的前两个时刻的数据和后两个时刻的数据，计算四个数据的平均值作为8点30分的数据。
S102、利用傅里叶变换对多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据。
其中，初始供冷/热量数据为时域数据。
在一些实施例中，可以对全部的初始供冷/热量数据进行离散快速傅里叶变换算法，将时域数据转变为频域数据，再对转换后的部分频域数据进行平滑处理，最后将全部的频域数据进行傅里叶反变换算法，将频域数据转换为时域数据。
S103、基于多个目标供冷/热量数据和至少一种负荷影响因素对应的数据建立随机森林模型，并根据随机森林模型选取至少一个目标负荷影响因素。
S104、基于多个目标供冷/热量数据和目标负荷影响因素，建立预测目标负荷的时间序列模型。
在一些实施例中，获取待预测时间点的目标负荷影响因素对应的数据，将目标供冷/热量数据和待预测时间点的目标负荷影响因素对应的数据进行时间序列模型训练与测试。其中，时间序列模型以预设历史时间段内中近时间段的空调系统的负荷数据(即初始供冷/热量数据)为样本数据，对待预测时刻的目标负荷进行趋势延伸性预测，常见的时间序列模型有自回归模型(Autoregressive model，AR模型)、有源自回归(Auto-Regressivewith Extra Inputs，ARX模型)、滑动平均模型(moving average model，MA模型)、自回归滑动平均模型(Auto-Regressive and Moving Average Model，ARMA模型)等。
前述实施例至少包括以下有益效果：
(1)直接获取的空调系统在预设历史时间段内初始供冷/热量数据一般会呈现出不规则的振荡，无法准确反映空调负荷的时序动态规律。通过利用傅里叶变换对获取的初始供冷/热量数据进行平滑处理，从而可以获得不规则的振荡得到抑制的目标供冷/热量数据，进而可以利用目标供冷/热量数据预测较为准确的目标负荷。
(2)针对获取空调系统的目标负荷，往往有多个负荷影响因素，不同的负荷影响因素对于获取空调系统的目标负荷的影响不同，因此可以利用随机森林模型选取目标负荷影响因素。并且基于目标供冷/热量数据和目标负荷影响因素，可以建立预测空调系统的目标负荷的时间序列模型，从而提高预测目标负荷的准确度。
在一些实施例中，如图4所示，S102可以具体执行为以下步骤S201至S203。
S201、利用傅里叶变换获取多个初始供冷/热量数据对应的多个第一频域数据。
其中，初始供冷/热量数据为时域数据。
在一些实施例中，利用公式(2)可以将n个时域数据转变为频域数据：
其中，Xk和xj表示空调供冷/热量数据中的第k个时域数据和第j个频域数据，n为转换的数据数量，n为大于或者等于0的整数。
S202、将多个第一频域数据中大于预设频域值的频域数据设置为零，获取设置后的多个第一频域数据对应的多个第二频域数据。
其中，将多个第一频域数据中大于预设频域值的频域数据设置为零，即相当于去除第一频域数据中大于预设频域值的频域数据。
在一些实施例中，在获取多个初始供冷/热量数据对应的多个第一频域数据后，可以生成第一频域数据对应的频谱图。
S203、利用傅里叶变换获取多个第二频域数据对应的目标供冷/热量数据。
其中，多个目标供冷/热量数据为时域数据。
在一些实施例中，利用公式(3)可以将n个频域数据转变为时域数据：
其中，X′k和x′j表示房间负荷数据集的第k个时域数据和第j个频域数据。
前述实施例至少包括以下有益效果：通过利用傅里叶变换获取多个初始供冷/热量数据对应的多个第一频域数据，再将多个第一频域数据中大于预设频域值的频域数据设置为零，即去除第一频域数据中大于预设频域值的频域数据，再获取设置后的多个第一频域数据对应的多个第二频域数据，最后利用傅里叶反变换获取多个第二频域数据对应的时域数据的目标供冷/热量数据。该方法利用傅里叶变换完成了将初始供冷/热量数据进行数据平滑处理的过程，从而原本呈现不规则的振荡的初始供冷/热量数据变成有规则振荡的目标供冷/热量数据，从而可以提高预测目标负荷的预测精度。
在一些实施例中，如图5所示，S103可以具体执行为以下步骤S301至S305。
S301、建立多个目标供冷/热量数据和至少一种负荷影响因素对应的数据的样本集。
其中，样本集中包括多个时间点采集的样本，以及每个样本中的目标供冷/热量数据对应的时间点和负荷影响因素对应的数据对应的时间点一致。
S302、从样本集中随机抽取多个时间点采集的样本建立随机森林模型。
在一些实施例中，可以从样本集中随机抽取多个时间点采集的样本作为第一训练集，利用第一训练集建立随机森林模型。
S303、将随机抽取的多个时间点以外的其他时间点采集的样本输入随机森林模型。
在一些实施例中，可以将第一训练集之外的多个时间点的样本作为第一测试集，输入已建立的随机森林模型。
S304、获取随机森林模型输出的任一个负荷影响因素对于空调系统的负荷预测的影响程度。
其中，影响程度为其他时间点采集的样本中的任一个负荷影响因素对于空调系统的负荷预测的影响程度，该步骤可以获取每个负荷影响因素对应的影响程度。
在一些实施例中，获取任一个负荷影响因素对应的影响程度可以包括以下步骤：
(1)将第一测试集输入随机森林模型(例如随机森林模型中包括N棵树)中，获取每个棵树输出的第一测试集相对于第一训练集的N个第一预测误差，将第一预测误差记为err1；
(2)随机改变第一测试集中的任一个负荷影响因素对应的数据(即对任一个负荷影响因素对应的数据加入噪声干扰)；
(3)将改变之后的第一测试集输入已建立的随机森林模型中，获取每个棵树输出的改变之后的第一测试集相对于第一训练集的N个第二预测误差，将第二预测误差记为err2；
(4)计算该负荷影响因素在随机森林模型的N棵树中的第一预测误差与第二预测误差之间差值的平均值，平均值表示该负荷影响因素的影响程度，计算式为：∑(err2-err1)/N。
S305、选择至少一个大于预设阈值的影响程度对应的负荷影响因素作为目标负荷影响因素。
其中，目标负荷影响因素包括一个或多个。
在一些实施例中，可以对获取到的负荷影响因素对应的影响程度进行排序，选取影响程度较大的负荷影响因素作为目标负荷影响因素；其中，影响程度较大的负荷影响因素为影响程度大于预设阈值对应的负荷影响因素。
前述实施例至少包括以下有益效果：通过建立随机森林模型得到至少一个负荷影响因素对应的影响程度，即得到负荷影响因素对于空调系统的负荷预测的影响程度。将影响程度较大的负荷影响因素作为目标负荷影响因素，而其他影响程度较小的负荷影响因素在获取目标房间的空调系统目标负荷的过程中可以忽略不计。该方法提高预测目标房间的空调系统目标负荷的功效，并且保证获取的目标负荷的精度较高。
在一些实施例中，如图6所示，S104可以具体执行为以下步骤S401至S403。
S401、获取目标负荷影响因素在待预测时间点对应的数据。
其中，待预测时间点在预设历史时间段之后，即获取预设历史时间段之后的目标负荷影响因素对应的数据。
S402、根据多个目标供冷/热量数据，以及目标负荷影响因素在待预测时间点对应的数据建立初始时间序列模型。
其中，初始时间序列模型以多元一次方程的形式表示。
在一些实施例中，初始时间序列模型可以是初始ARX模型。ARX模型是基于时间序列的分析方法，其模型参数可以包括空调系统在运行状态时的重要信息，准确的ARX模型能深刻、集中地表达空调系统的运行规律。
在一些实施例中，可以利用公式(4)建立初始ARX模型：
其中，yt为t时刻(即待预测时间点对应时刻)的目标负荷，单位为千瓦(kW)；yt-1、…、yt-p为t-1、…、t-p时刻的空调历史负荷(即目标供冷/热量数据)，单位为千瓦(kW)；
为yt-1、…、yt-p对应的目标回归系数；at为白噪声值；
为模型第m个目标负荷影响因素在t时刻的数据值，m为大于或者等于0的整数；εm为
对应的目标回归系数。
在一些实施例中，t-1、…、t-p时刻之间的时间间隔相等，时间间隔可以为2min、3min、5min等，本实施例不作具体限制。
在一些实施例中，可以获取时间长度为1h、2h、3h的数据，即获取连续1h、2h、3h的空调历史负荷数据进行预测，本实施例对时间长度的大小不作具体限制。示例性，获取时间长度为1h、间隔为2min的目标供冷量，即在1h的时间内，每隔2min获取一个目标供冷量，共获取30个目标供冷量。
S403、利用最小二乘法对初始时间序列模型进行回归系数求导，获得多个目标回归系数，并根据多个目标回归系数建立目标时间序列模型。
其中，目标时间序列模型用于预测目标负荷。
在一些实施例中，目标时间序列模型为目标ARX模型。目标ARX模型可以使用普通最小二乘法进行回归系数求解，即以残差的平方和公式进行回归系数求解。其中，残差的平方和公式可以利用公式(5)：
其中，L表示实际目标负荷和预测目标负荷之间的距离，yt表示实际目标负荷，
表示预测目标负荷。
在一些实施例中，可以对每个目标回归系数求导。根据偏导数为0处存在极值的原理，利用公式(5)构造求解方程式，可以求出各个目标回归系数。其中，对每个目标回归系数求导方程组如下：
前述实施例至少包括以下有益效果：根据目标供冷/热量数据，以及待预测时间点的目标负荷影响因素对应的数据可以建立准确的有源自回归模型。准确的有源自回归模型可以深刻、集中地表达空调系统的运行规律，从而可以准确预测空调系统在未来时刻的目标负荷，进而提高空调系统运行的舒适性和安全性。
基于上述空调系统，本实施例针对天津地区某典型办公房间为目标房间，以气象典型年7月1日～8月31日为预设历史时间段，建立预测空调系统的目标负荷的时间序列模型，可以执行以下步骤：
1、获取历史数据。
获取气象典型年7月1日～8月31日的空调系统实际运行的初始供冷量和负荷影响因素对应的数据，其中负荷影响因素包括室内温度数据、室外温度值、太阳直射辐射量和太阳散射辐射量。
2、统一历史数据的时间尺度。
本实施例统一数据的时间尺度具体做法为：将所有数据间的时间间隔统一为相同的时间差，取2min的时间间隔。对于时间间隔小于2min的数据，取这段时间中的第一个值作为这段时间的数据值；对于时间间隔大于2min的数据，采用线性插值的方法将数据填补完整。采用上述方法对获取的初始供冷量和负荷影响因素对应的数据进行时间尺度统一，效果见表1：
表1时间尺度统一结果
3、采用傅里叶变换对初始供冷量进行数据平滑处理，获得目标供冷量。
(1)利用傅里叶变换获取多个初始供冷量对应的多个第一频域数据，初始供冷/热量数据为时域数据。
(2)生成频谱图，将高频的对应的第一频域数据设置为0，相当于去除数据中高频的波动部分，得到设置后的多个第一频域数据对应的多个第二频域数据。
(3)利用傅里叶变换获取多个第二频域数据对应的目标供冷量数据。
其中，空调系统的原供冷量数据与经过平滑处理供冷量数据的对比图(即初始供冷量与目标供冷量的对比)如图7所示；目标房间负荷的提取效果(即设定温度下的实际房间负荷与目标供冷量的对比)如图8所示，设定温度下的房间负荷与目标供冷量之间的平均绝对百分比误差(MAPE)为8.5％。
4、计算负荷影响因素的影响程度，并根据影响程度选择出目标负荷影响因素。
建立目标供冷量数据和至少一种负荷影响因素对应的数据的样本集，从样本集中随机抽取多个时间点采集的样本建立随机森林模型；将随机抽取的多个时间点以外的其他时间点采集的样本输入随机森林模型；
获取随机森林模型输出的任一个负荷影响因素对于空调系统的负荷预测的影响程度，随机森林模型输出的影响程度包括一个或多个，每个负荷影响因素对应一个影响程度；将影响程度进行排序，选取影响程度较大的负荷影响因素作为目标负荷影响因素。
其中，影响程度的排序结果如图9所示，选择太阳直射辐射量和室外温度作为目标负荷影响因素。
5、基于目标供冷量和目标负荷影响因素，建立预测空调系统的目标负荷的时间序列模型，并进行预测。
(1)选取训练集，建立时间序列模型。
以7月1日至7月7日的目标供冷量和目标负荷影响因素对应的数据作为训练集输入，输出变量为待预测时间点对应的负荷，预测周期10min，步长2min。
构建ARX模型，数学表达如下：
CLt＝σ1CLt-1+σ2CLt-2+…+σ30CLt-30+σ31Tt+σ32Directt+σ33
其中，CLt表示预测负荷，单位是kW；t为待预测时间节点；CLt-1、CLt-2…CLt-30表示时间长度为1h、间隔为2min的目标供冷量，单位是kW；σ33为白噪声值；σ1、σ2…σ30表示目标供冷量对应的系数；Tt表示待预测时间点的室外温度值，单位是摄氏度(℃)；σ31表示待预测时间点的室外温度值对应的系数；Directt为待预测时间点的室外太阳直射辐射量，单位是瓦每平方米(W/m2)；σ32表示待预测时间点的室外太阳直射辐射量对应的系数。
(2)使用普通最小二乘法对时间序列模型进行回归系数求解。
以残差的平方和公式进行回归系数求解：
之后可以对每个目标回归系数求导。根据偏导数为0处存在极值的原理，构造求解方程式，可以求出各个目标回归系数。其中，对每个目标回归系数求导方程组如下：
目标回归系数求导结果如表2所示：
表2目标回归系数求导结果
(3)在模型中输入测试集完成超短期空调负荷预测。
以7月8日至8月31日的目标供冷量和目标负荷影响因素对应的数据作为训练集输入，输出变量为待预测时间点对应的负荷。预测周期为10min，步长2min。如图10所示，以一周的预测负荷结果为例进行了展示。将输出的预测负荷与EnergyPlus软件模拟的模拟负荷进行对比，采用平均绝对百分比误差(MAPE)以及变异系数(CV)作为评价指标分析预测效果。结果见表3。
表3目标房间负荷预测的评价指标结果
前述实施例至少包括以下有益效果：
(1)利用傅里叶变换完成了将初始供冷量数据进行数据平滑处理的过程，从而原本呈现不规则的振荡的初始供冷热量数据变成有规则振荡的目标供冷量数据，从而可以提高获取目标房间的空调系统目标负荷的预测精度。
(2)将影响程度较大的太阳直射辐射量和室外温度作为目标负荷影响因素，而其他影响程度较小的负荷影响因素在获取目标房间的空调系统目标负荷的过程中可以忽略不计。该方法提高获取目标房间的空调系统目标负荷的功效，并且保证获取的目标负荷的精度较高。
(3)由表3的评价指标计算结果来看，基于目标供冷/热量数据和目标负荷影响因素，可以建立更为准确的预测空调系统的目标负荷的时间序列模型，从而提高获取空调系统的目标负荷的准确度，提高空调系统运行的舒适性和安全性。
可以看出，上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，本申请实施例提供了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本申请实施例可以根据上述方法示例对控制器进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
本申请实施例还提供一种控制器的硬件结构示意图，如图11所示，该控制器101包括处理器105，可选的，还包括与处理器105连接的存储器106和通信接口107。处理器105、存储器106和通信接口107通过总线108连接。
处理器105可以是中央处理器(central processing unit，CPU)，通用处理器网络处理器(network processor，NP)、数字信号处理器(digital signal processing，DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device，PLD)或它们的任意组合。处理器105还可以是其它任意具有处理功能的装置，例如电路、器件或软件模块。处理器105也可以包括多个CPU，并且处理器105可以是一个单核(single-CPU)处理器，也可以是多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。
存储器106可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，本申请实施例对此不作任何限制。存储器106可以是独立存在，也可以和处理器105集成在一起。其中，存储器106中可以包含计算机程序代码。处理器105用于执行存储器106中存储的计算机程序代码，从而实现本申请实施例提供的空调系统的负荷预测方法。
通信接口107可以用于与其他设备或通信网络通信(如以太网，无线接入网(radioaccess network，RAN)，无线局域网(wireless local area networks，WLAN)等。通信接口107可以是模块、电路、收发器或者任何能够实现通信的装置。
总线108可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线108可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供了一种计算机可读存储介质，包括计算机执行指令，当其在计算机上运行时，使得计算机执行上述实施例提供的任意一种空调系统的负荷预测方法。
本申请实施例还提供了一种包含计算机执行指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的任意一种空调系统的负荷预测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机执行指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机执行指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机执行指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种空调系统，其特征在于，包括：
控制器，所述控制器被配置为：
获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据；
利用傅里叶变换对所述多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据；
基于所述多个目标供冷/热量数据和至少一种所述负荷影响因素对应的数据建立随机森林模型，并根据所述随机森林模型选取至少一个目标负荷影响因素；
基于多个所述目标供冷/热量数据和所述目标负荷影响因素，建立预测目标负荷的时间序列模型。
2.根据权利要求1所述的空调系统，其特征在于，还包括：
所述负荷影响因素对应的数据包括室外温度值、室内温度值、太阳直射辐射量和太阳散射辐射量。
3.根据权利要求1或2所述的空调系统，其特征在于，所述控制器，被配置为利用傅里叶变换对所述多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据，包括：
利用所述傅里叶变换获取多个所述初始供冷/热量数据对应的多个第一频域数据，所述初始供冷/热量数据为时域数据；
将所述多个第一频域数据中大于预设频域值的频域数据设置为零，获取设置后的所述多个第一频域数据对应的多个第二频域数据；
利用所述傅里叶变换获取所述多个第二频域数据对应的目标供冷/热量数据，所述目标供冷/热量数据为时域数据。
4.根据权利要求1或2所述的空调系统，其特征在于，所述控制器，被配置为基于所述多个目标供冷/热量数据和至少一种所述负荷影响因素对应的数据建立随机森林模型，并根据所述随机森林模型选取至少一个目标负荷影响因素，包括：
建立多个所述目标供冷/热量数据和至少一种所述负荷影响因素对应的数据的样本集，所述样本集中包括多个时间点采集的样本，以及所述样本中的所述目标供冷/热量数据对应的时间点和负荷影响因素对应的数据对应的时间点一致；
从所述样本集中随机抽取多个时间点采集的样本建立随机森林模型；
将随机抽取的多个时间点以外的其他时间点采集的样本输入所述随机森林模型；
获取所述随机森林模型输出的任一个所述负荷影响因素对于所述空调系统的负荷预测的影响程度，所述随机森林模型输出的所述影响程度包括一个或多个，每个所述负荷影响因素对应一个所述影响程度；
选择至少一个大于预设阈值的所述影响程度对应的所述负荷影响因素作为所述目标负荷影响因素。
5.根据权利要求1或2所述的空调系统，其特征在于，所述控制器，被配置为基于多个所述目标供冷/热量数据和所述目标负荷影响因素，建立预测目标负荷的时间序列模型，包括：
获取所述目标负荷影响因素在待预测时间点对应的数据，所述待预测时间点在所述预设历史时间段之后；
根据所述多个目标供冷/热量数据，以及所述目标负荷影响因素在待预测时间点对应的数据建立初始时间序列模型，所述初始时间序列模型以多元一次方程的形式表示；
利用最小二乘法对所述初始时间序列模型进行回归系数求导，获得多个目标回归系数，并根据所述多个目标回归系数建立目标时间序列模型，所述目标时间序列模型用于预测目标负荷。
6.根据权利要求1或2所述的空调系统，其特征在于，所述控制器，被配置为获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据，包括：
根据预设时间间隔，获取预设历史时间段内的多个时间点对应的初始供冷/热量数据和至少一种所述负荷影响因素对应的数据，所述多个时间点之间具有预设时间间隔。
7.根据权利要求1或2所述的空调系统，其特征在于，所述控制器，被配置为获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据，还包括：
针对获取的所述初始供冷/热量数据和所述负荷影响因素对应的数据中的异常数据，采用线性插值法进行替代；
针对获取的所述初始供冷/热量数据和所述负荷影响因素对应的数据中的缺失数据，采用线性插值法进行补齐。
8.一种空调系统的负荷预测方法，其特征在于，包括：
获取预设历史时间段内的多个初始供冷/热量数据和至少一种负荷影响因素对应的数据；
利用傅里叶变换对所述多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据；
基于所述多个目标供冷/热量数据和至少一种所述负荷影响因素对应的数据建立随机森林模型，并根据所述随机森林模型选取至少一个目标负荷影响因素；
基于多个所述目标供冷/热量数据和所述目标负荷影响因素，建立预测目标负荷的时间序列模型。
9.根据权利要求8所述的方法，其特征在于，所述利用傅里叶变换对所述多个初始供冷/热量数据进行平滑处理，获得多个目标供冷/热量数据，包括：
利用所述傅里叶变换获取多个所述初始供冷/热量数据对应的多个第一频域数据，所述初始供冷/热量数据为时域数据；
将多个所述第一频域数据中大于预设频域值的频域数据设置为零，获取设置后的多个所述第一频域数据对应的多个第二频域数据；
利用所述傅里叶变换获取多个所述第二频域数据对应的多个所述目标供冷/热量数据，所述目标供冷/热量数据为时域数据。
10.根据权利要9所述的方法，其特征在于，上述基于所述多个目标供冷/热量数据和至少一种所述负荷影响因素对应的数据建立随机森林模型，并根据所述随机森林模型选取目标负荷影响因素，包括：
建立所述目标供冷/热量数据和至少一种所述负荷影响因素对应的数据的样本集，所述样本集中包括多个时间点采集的样本，以及所述样本中的所述目标供冷/热量数据对应的时间点和负荷影响因素对应的数据对应的时间点一致；
从所述样本集中随机抽取多个时间点采集的样本建立随机森林模型；
将随机抽取的多个时间点以外的其他时间点采集的样本输入所述随机森林模型；
获取所述随机森林模型输出的任一个所述负荷影响因素对于所述空调系统的负荷预测的影响程度，所述随机森林模型输出的所述影响程度包括一个或多个，每个所述负荷影响因素对应一个所述影响程度；
选择至少一个大于预设阈值的所述影响程度作为所述目标负荷影响因素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211319843.9A CN115654668A (zh) | 2022-10-26 | 2022-10-26 | 一种空调系统及空调系统的负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211319843.9A CN115654668A (zh) | 2022-10-26 | 2022-10-26 | 一种空调系统及空调系统的负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115654668A true CN115654668A (zh) | 2023-01-31 |
Family
ID=84991830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211319843.9A Pending CN115654668A (zh) | 2022-10-26 | 2022-10-26 | 一种空调系统及空调系统的负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115654668A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117366810A (zh) * | 2023-10-26 | 2024-01-09 | 中国建筑科学研究院有限公司 | 一种空调系统控制方法和装置 |
-
2022
- 2022-10-26 CN CN202211319843.9A patent/CN115654668A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117366810A (zh) * | 2023-10-26 | 2024-01-09 | 中国建筑科学研究院有限公司 | 一种空调系统控制方法和装置 |
| CN117366810B (zh) * | 2023-10-26 | 2024-06-07 | 中国建筑科学研究院有限公司 | 一种空调系统控制方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9639642B2 (en) | Time series forecasting ensemble | |
| CN107464023B (zh) | 生命周期预测模型的在线学习方法和设备 | |
| CN111950225B (zh) | 一种芯片布局方法、装置、存储介质和电子设备 | |
| CN109586954B (zh) | 一种网络流量预测方法、装置及电子设备 | |
| JP6175871B2 (ja) | 計画策定装置、計画策定システム、計画策定方法および計画策定プログラム | |
| WO2021180056A1 (zh) | 一种资源迁移的方法、系统及设备 | |
| CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
| CN115578023A (zh) | 一种装配车间调度方法、装置、设备和存储介质 | |
| CN115654668A (zh) | 一种空调系统及空调系统的负荷预测方法 | |
| CN111125931B (zh) | 冷却塔自动寻优选型方法、装置 | |
| US9645563B2 (en) | Tuning model structures of dynamic systems | |
| CN114140034B (zh) | 基于工况的质量监控方法及相关装置 | |
| CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| Bo et al. | Efficient estimation of critical load levels using variable substitution method | |
| WO2018065980A1 (en) | System and method for management of an electricity distribution grid | |
| Gupta et al. | Modeling and evaluation of product quality at conceptual design stage | |
| US10598708B2 (en) | Identifying and prioritizing errors in connectivity models of distribution networks for efficient field inspections | |
| CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
| CN115525394A (zh) | 容器数量的调整方法及装置 | |
| CN114154780A (zh) | 评价方法、装置、电子设备及相关产品 | |
| Chanpiwat et al. | Using cluster analysis and dynamic programming for demand response applied to electricity load in residential homes | |
| Ling et al. | A thermal load forecasting algorithm based on trajectory tracking | |
| CN110851943B (zh) | 一种电池充电性能的建模方法和装置 | |
| JP2022532091A (ja) | 動的予測、集約、および妥当性確認のための機器および方法 | |
| CN110781540A (zh) | 设计方案的分析方法、装置、存储介质及计算机设备 |
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 |