CN116307153A - 用于制冷制热系统节能的气象预测方法、装置及电子设备 - Google Patents
用于制冷制热系统节能的气象预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116307153A CN116307153A CN202310210095.9A CN202310210095A CN116307153A CN 116307153 A CN116307153 A CN 116307153A CN 202310210095 A CN202310210095 A CN 202310210095A CN 116307153 A CN116307153 A CN 116307153A
- Authority
- CN
- China
- Prior art keywords
- prediction
- weather
- features
- meteorological
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000010438 heat treatment Methods 0.000 title claims abstract description 46
- 238000004134 energy conservation Methods 0.000 title claims abstract description 18
- 238000005057 refrigeration Methods 0.000 title claims description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 18
- 230000006870 function Effects 0.000 description 22
- 239000013598 vector Substances 0.000 description 12
- 238000001816 cooling Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000004378 air conditioning Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000009833 condensation Methods 0.000 description 4
- 230000005494 condensation Effects 0.000 description 4
- 238000001704 evaporation Methods 0.000 description 4
- 230000008020 evaporation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种用于制冷制热系统节能的气象预测方法、装置及电子设备，属于数据处理技术领域。本发明通对建筑物的历史气象数据以及周边地区的气象预报进行预处理和相关性分析，选择与预测目标有较强相关性的特征作为特征预测模型的输入特征，提高了特征预测模型的输出结果的准确性。并且，本发明结合建筑物的历史气象数据以及周边地区的气象预报，使得特征预测模型能够利用气象变化问题的空间连续性，进一步准确地预测某一建筑物外界未来某一段时间内的温度、湿度等气象信息的预测值。从而解决了现有的用于制冷制热系统节能的气象预测方法的准确性低的技术问题。
Description
技术领域
本发明涉及数据处理技术领域，并且更具体地，涉及一种用于制冷制热系统节能的气象预测方法、装置及电子设备。
背景技术
在制冷或制热系统中，主机能耗占比一般超过60%。以制冷机组为例，其主要工作原理是将室内热空气经制冷剂循环，带走热量达到降低室内温度的效果。此热量交换过程中需要制冷机组满足热交换的制冷量称为制冷机组的冷负荷（制热模式时称为热负荷，因为制热和制热原理类似，为方便陈述，如无特殊说明后文中制冷主机均表示可制冷可制热双模机组）。
在上述物理系统中，制冷主机的冷负荷和室外气象条件有非常紧密的关系，当室外温度和湿度变化时，室内外热量交换的速度也会随之增加，那么单位时间内交换的热量不同时为了维持室内目标温度，制冷主机的冷负荷也会随着变化。目前在许多建筑中的中央空调系统（包括冷库中的低温维持系统，计算机房的恒温系统等等）大部分依赖于人工手动调节蒸发压力和冷凝压力（或蒸发温度和冷凝温度，其表征了主机的工作能耗），大多数时候是无法随着室外气象条件变化而调节主机负荷的，而为了满足极限条件下的冷热负荷，一般主机系统的蒸发压力和冷凝压力都会设置在极限值，这样往往会造成“大马拉小车”的现象，造成较大的能源浪费。
中国专利CN111043731A提出一种基于天气预报的空调系统调节方法，其控制策略的调节依赖于室外气象预测的结果，其结果要经过置信度检验来决定是否可用，有可能会出现预测结果不可用的情况；由于气象预报往往表征的是一片区域的平均值，其与特定建筑的实际值会有差距，在气候条件和地理形势较为复杂的位置与平均表征值的差别会更大，那么此时用气象预报的值来调整机组策略就很可能出现能耗不匹配的情况，气象预测准确率低。
中国专利CN115343784A提出的基于历史数据来预测未来一段时间的气温变化算法，其模型使用了深度学习神经网络结构，善于从历史数据中挖掘有效信息用来预测。但是由于气象问题不仅存在时间连续性，也存在空间连续性，由于其模型缺乏空间维度上的信息获取，其模型针对短时间内急剧变化的气象问题其预测能力有欠缺，气象预测准确率低。并且完全基于历史数据的气象模型驯化往往需要大量的历史数据用以训练模型在各种气象条件下的准确率，其对数据量和计算能力的的要求也较高。
由此可见，现有的用于制冷制热系统节能的气象预测方法的准确性低。
发明内容
为了解决现有的用于制冷制热系统节能的气象预测方法的准确性低的技术问题，本发明提供一种用于制冷制热系统节能的气象预测方法、装置及电子设备。
根据本发明的一个方面，提供了一种用于制冷制热系统节能的气象预测方法，包括：
获取目标建筑的地理位置处的历史气象特征，获取距目标建筑预设距离处未来一段时间的气象预报特征；
对历史气象特征和气象预报特征进行数据预处理；
对预处理后的历史气象特征与气象预测目标进行相关性分析，从历史气象特征中确定相关性大于预设阈值的相关气象特征；
基于相关气象特征和预处理后的气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果。
可选地，用于制冷制热系统节能的气象预测方法还包括：
获取未来一段时间的气象真实数据；
将未来一段时间的气象预测结果与气象真实数据进行比对分析；
根据比对分析的结果，判断特征预测模型的预测精准度是否达到要求；
在特征预测模型的预测精准度未达到要求时，对特征预测模型进行优化调整，直至特征预测模型的预测精准度达到要求。
可选地，所述对历史气象特征和气象预报特征进行数据预处理，包括：
对历史气象特征和气象预报特征进行缺失值补齐；
对历史气象特征和气象预报特征进行数据清洗；
对历史气象特征和气象预报特征进行归一化处理。
可选地，所述预设的特征预测模型包括特征预测层、一维卷积神经网络和全连接神经网络，其中特征预测层包括编码器、解码器和注意力机制；并且
所述基于相关气象特征和气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果，包括：
将相关气象特征输入特征预测层，输出气象预测目标的预测特征；
将气象预测目标的预测特征与气象预报特征中对应的预报特征进行叠加，形成特征矩阵；
将特征矩阵输入一维卷积神经网络，并将一维卷积神经网络的输出送入全连接神经网络，确定未来一段时间内的气象预测结果。
可选地，用于制冷制热系统节能的气象预测方法还包括：
所述基于相关气象特征和气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果之前，根据目标建筑特性和制冷制热系统的滞后时间，确定特征预测模型的输入特征的数据长度以及模型预测的时间长度。
可选地，用于制冷制热系统节能的气象预测方法还包括通过以下方式搭建特征预测模型：
以LSTM神经网络单元作为特征预测模型的编码器和解码器；
选择Luong Attention作为特征预测模型的注意力机制；
在注意力机制之后搭建一维卷积神经网络，并在一维卷积神经网络之后搭建全连接神经网络。
根据本发明的又一个方面，提供了一种用于制冷制热系统节能的气象预测装置，包括：
第一获取模块，用于获取目标建筑的地理位置处的历史气象特征，获取距目标建筑预设距离处未来一段时间的气象预报特征；
预处理模块，用于对历史气象特征和气象预报特征进行数据预处理；
第一确定模块，用于对预处理后的历史气象特征与气象预测目标进行相关性分析，从历史气象特征中确定相关性大于预设阈值的相关气象特征；
第二确定模块，用于基于相关气象特征和预处理后的气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果。
可选地，用于制冷制热系统节能的气象预测装置还包括：
第二获取模块，用于获取未来一段时间的气象真实数据；
比对分析模块，用于将未来一段时间的气象预测结果与气象真实数据进行比对分析；
判断模块，用于根据比对分析的结果，判断特征预测模型的预测精准度是否达到要求；
优化调整模块，用于在特征预测模型的预测精准度未达到要求时，对特征预测模型进行优化调整，直至特征预测模型的预测精准度达到要求。根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。
本发明通对建筑物的历史气象数据以及周边地区的气象预报进行预处理和相关性分析，选择与预测目标有较强相关性的特征作为特征预测模型的输入特征，提高了特征预测模型的输出结果的准确性。并且，本发明结合建筑物的历史气象数据以及周边地区的气象预报，使得特征预测模型能够利用气象变化问题的空间连续性，进一步准确地预测某一建筑物外界未来某一段时间内的温度、湿度等气象信息的预测值。从而解决了现有的用于制冷制热系统节能的气象预测方法的准确性低的技术问题。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的用于制冷制热系统节能的气象预测方法的流程示意图；
图2是本发明一示例性实施例提供的模型驯化流程图；
图3是本发明一示例性实施例提供的LSTM单元示意图；
图4是本发明一示例性实施例提供的Seq2Seq with Attention结构图；
图5是本发明一示例性实施例提供的使用一维卷积神经网络结合气象预报数据进行预测的流程图；
图6是本发明一示例性实施例提供的温度预测值与真实值的比较图；
图7是本发明一示例性实施例提供的气温特征连续2500次数据的变化曲线图；
图8是本发明一示例性实施例提供的特征值对应的温度曲线图；
图9是本发明一示例性实施例提供的经平滑处理后的温度曲线图；
图10是本发明一示例性实施例提供的连续5天温度预测值与真实值的对比图；
图11是本发明一示例性实施例提供的用于制冷制热系统节能的气象预测装置的结构示意图；
图12是本发明一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
图1示出了本发明所提供的用于制冷制热系统节能的气象预测方法的流程示意图。如图1所示，用于制冷制热系统节能的气象预测方法，包括：
步骤S101：获取目标建筑的地理位置处的历史气象特征，获取距目标建筑预设距离处未来一段时间的气象预报特征；
在本发明实施例中，可以在目标建筑位置搭建气象站，收集包括温度、湿度和其他气象特征在内的（包括但不仅限于风速、风向、太阳照度等）历史气象特征。例如但不限于通过网络API接口等方法，获取目标建筑附近的气象站气象预报中的气象预报特征，按照预测时间长短的不同尽量选择较多的气气象预报特征。
步骤S102：对历史气象特征和气象预报特征进行数据预处理；
在本发明实施例中，对收集到的数据（包括历史气象特征和气象预报特征）进行缺失值补齐操作和数据清洗操作，去除异常值，对于小范围特征缺失采取插值补齐或丢弃操作。对得到的气象特征数据进行归一化。
步骤S103：对预处理后的历史气象特征与气象预测目标进行相关性分析，从历史气象特征中确定相关性大于预设阈值的相关气象特征；
在本发明实施例中，对获取到的周围的历史气象特征与气象预测目标（例如但不限于为，温度、湿度）做相关性分析，选择与预测目标有较强相关性的特征作为模型的输入特征。
步骤S104：基于相关气象特征和预处理后的气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果。
可选地，用于制冷制热系统节能的气象预测方法还包括通过以下方式搭建特征预测模型：以LSTM神经网络单元作为特征预测模型的编码器和解码器；选择Luong Attention作为特征预测模型的注意力机制；在注意力机制之后搭建一维卷积神经网络，并在一维卷积神经网络之后搭建全连接神经网络。
可选地，用于制冷制热系统节能的气象预测方法还包括：所述基于相关气象特征和气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果之前，根据目标建筑特性和制冷制热系统的滞后时间，确定特征预测模型的输入特征的数据长度以及模型预测的时间长度。
在本发明实施例中，搭建Seq2Seq神经网络编码器和解码器结构并结合一维卷积神经网络，以LSTM神经网络单元（包括但不仅限于GRU、BiLSTM或其他循环神经网络单元）作为编码器和解码器，并选择Luong Attention注意力机制加强模型对历史中重要数据的敏感程度增加模型准确率。
进一步地，基于相关气象特征和预处理后的气象预报特征，利用搭建好的特征预测模型，确定未来一段时间的气象预测结果。具体为，通过Seq2Seq神经网络编码器和解码器，得到基于历史数据的预测特征，然后将得到的预测特征与气象预报中的目标特征叠加形成特征矩阵，将叠加后的特征矩阵做一维卷积处理后得到未来时刻（预测时间长度）的预测结果，实现了使用周边气象站的气象预报信息来修正Seq2Seq的预测结果的目的。
通过使用基于Seq2Seq- Attention结构结合一维卷积神经网络，利用建筑物历史气象数据结合周边地区的气象预报，能够精准预测某一建筑物外界气象未来一段时间内的变化，对于冷热系统对外界气象条件变化相对敏感的建筑结构，准确预测未来一段时间内的气象可以结合建筑特性计算未来一段时间内的精准冷负荷，从而匹配制冷机组的能效曲线达到给用平衡，降低能耗、节能减排。
相比于传统的固定制冷机组蒸发压力和冷凝压力和结合气象预报调节机组负荷的方法，本发明能够使得冷热系统根据建筑特性和未来时刻室外气象条件调节机组负荷，从而满足系统滞后时间内的冷热负荷需求，降低能耗。
相比于使用单一的历史数据来预测未来气象变化的方法，本发明中使用了目标建筑周边的气象预报信息，使得神经网络模型能够利用气象变化问题的空间连续性，在模型中加入了一维卷积方法使得预测结果能够根据气象预报做出适应性调整，相比于传统模型达到更好的预测效果。
可选地，用于制冷制热系统节能的气象预测方法还包括：获取未来一段时间的气象真实数据；将未来一段时间的气象预测结果与气象真实数据进行比对分析；根据比对分析的结果，判断特征预测模型的预测精准度是否达到要求；在特征预测模型的预测精准度未达到要求时，对特征预测模型进行优化调整，直至特征预测模型的预测精准度达到要求。
在本发明实施例中，通过将模型的最终输出与真实值做对比，分析模型的最终输出是否达到预测精准度要求，如果不满足则重新调整模型超参数、隐藏层大小、卷积核的数量、卷积层层数等其他与模型性能相关参数使得模型的损失更低，预测的精准度更好，得到模型的最终输出。
下文以某医院中央空调节能系统为例，详细阐述本发明如何实现某医院中央空调节能系统的外界气象预测，具体步骤如下：
步骤一、采集一个自然年中制热模式下的三个月（可根据实际制冷或制热模式的工作时间来调整，全国各地因季节气候条件不同而各异）的外界气象信息和对应时段周边5个气象站（可根据实际情况调整）天气预报数据。采集的数据密度满足两次采集点之间目标特征的变化幅度小于该特征极差的1%，即
上式中T为特征，i和i+1为不同时刻，N为数据总量，0<i<N。上述做法目的是为了防止模型驯化时因特征不足导致的模型欠拟合现象。
步骤二、从气象站特征选择包括气温、气压、距海平面高度、可见度、日照角度、湿度、风速、风向、太阳照度、当前时间等多个气象特征，对上述特征做皮尔逊相关性分析。选择与实际值相关性较大的气象预测值作为模型特征。皮尔逊相关性系数计算方法为：
皮尔逊相关系数计算的结果绝对值越大，表示两者之间的相关性越强，皮尔逊系数为正表示正相关，反之表示负相关。
经相关性分析后最终选择包括温度、湿度、气压、风速、风向、太阳照度、日照时间在内的7个特征（可根据当时实际情况调整，中央空调节能系统必须包括温度和湿度特征在内）作为模型的输入特征，选取温度特征作为预测目标特征用以调节医院空调机组的运行。将数据去除异常值并做Max-Min归一化操作（或者对数归一化）。具体公式如下：
上式中
、/>
、/>
分别为原始特征值、原始特征中最大值、原始特征中的最小值，/>
为经标准化之后的特征值。归一化的目的是为了使各个特征在模型中具有同样的权重，即不同尺度的特征经归一化处理之后都将处于0～1之间。模型的输入历史数据长度和预测的时间长度决定于目标建筑特性和建筑内冷热循环的滞后时间。
步骤三、由于建筑结构和建筑内传热速度的影响，空调系统工作和室内温度变化存在一定的滞后时间，根据热传导公式：
其中
为温差，R为热阻，在固定建筑中热阻可以视为不变，那么热量传导的速度与温差存在正比例关系，机组给水温度与室内温差越大其传热速度越快。按照国家标准制冷空调以室温维持在18°C，给水温度设置45°C，回水温度40°C的工况下，分析机组给水温度变化后室内温度场趋于平稳的最长时间在100分钟左右，那么为了保证机组在预测的时间间隔内供应的冷热供应能够满足温度调节需求，实例中选择预测的时间长度为100分钟。
步骤四、实例中选择以LSTM神经网络单元作为编码器和解码器，并选择LuongAttention注意力机制加强模型对历史中重要数据的敏感程度。模型训练时的输入模型的特征矩阵维度为[batch-size×in-time-step×feature-size]，本发明中batch-size取值为128，即每次训练模型时输入128组特征数据，每组特征数据的维度为[时间步长×特征的数量]；本发明中选择时间步长为50（对应真实时间长度为500分钟），特征数量为包括气温、气压、湿度、风速、风向、太阳照度、当前时间在内的共7个特征。模型的输出矩阵形状为[out-time-step×1]，即目标时间长度内每一时刻的温度值，本发明时间密度选择10分钟，具体时间密度可根据当地气候特征来调整。时间密度选择应当满足任意两个时刻特征的变化幅度不大于该特征极差的1%，同时也不可过于密集，否则会导致模型驯化速度变慢甚至无法收敛。其中，特征预测模型的驯化流程图如图2所示。
模型训练时的输入模型的特征矩阵维度为[batch-size×input-length×feature-size]，模型的输出矩阵形状为[output-length×1]，即目标时间长度内每一时刻的温度值。
定义
激活函数和/>
激活函数的计算方式如下：
使用激活函数的目的是为了在神经网络传播过程中实现网络非线性化，即使得网络能够拟合复杂的非线性模型。
如图3所示，LSTM神经网络单元包括遗忘门、记忆门、和输出门，其中遗忘门的计算公式如下：
上式中，
为隐藏层与输入特征矩阵的权重向量；/>
为/>
时刻隐藏层矩阵；/>
为/>
时刻的输入特征向量，/>
为偏置；/>
为经/>
激活函数处理之后的遗忘门的输出结果。
记忆门计算公式如下：
上式中，
为隐藏层与输入特征矩阵的权重向量；/>
为时刻隐藏层矩阵；/>
为/>
时刻的输入特征向量，为偏置；/>
为经/>
激活函数处理之后的遗忘门的输出结果。
输出门函数计算表达式为：
上式中
为遗忘门函数处理之后的数据向量，/>
为上一时刻的输出向量，/>
为记忆门函数处理之后的输出结果，/>
为t时刻的输出门输出结果。
在一次预测过程中，模型编码层LSTM单元的输入序列为
其中
为时间步长，每一个/>
向量均为一组特征值，其长度为特征的数量。本发明中采取的注意力机制为Luong Attention注意力机制，其计算公式为：
公式中h为编码层每一个时间步的输出向量，d是解码层每一个时间步的状态，a是将每一个时间步的输出与最后一个时间步匹配的权重， c是计算注意力加权后的向量，和上一个解码层的输出一起用于解码层的下一个时间步的输入。最终将得到的解码层输出向量。
步骤五、本实施例中模型优化器选择Adam优化器对模型的参数进行优化（也可使用其他优化器，包括但不仅限于SGD随机梯度下降、Momentum动量算法等），Adam优化器其计算公式如下：
上式中t为时间步，初始为0，为时间步为t时刻的函数梯度，为要更新的参数，
为参数/>
的随机目标函数，/>
，/>
分别为一阶矩阵和二阶矩阵的指数衰减率，/>
是对梯度的一阶矩阵的估计，是对梯度的二阶矩阵的估计，/>
是对/>
的修正，/>
是对/>
的修正，/>
为学习率，/>
为常数。
本实施例模型损失函数选择MSE损失函数（实际应用中也可选择其他损失函数），MSE损失函数计算公式如下：
上式中，n为模型训练时目标时间的长度，即target-size，
为预测某一时刻的真实值，/>
为此时刻的预测值，则使用损失函数时预测值与真实值之间的误差越大损失函数的结果也就越大，代表预测的精准度越低；反之则表示模型准确率较好。
模型的超参数选择遵循“奥卡姆剃刀”原理，初始驯化时模型的结构应当尽量简单，本模型中设置Adam优化器学习率
，LSTM隐藏层大小为30，层数为1层，Dropout设置为0；time-step超参数设置为1；一维卷积层大小设置为N，卷积层设置为1层。所有参数矩阵初始化方法选择高斯初始化。
步骤六、图4为Seq2Seq- Attention结构的示意图，图5为使用一维卷积神经网络结合气象预报数据进行预测的流程图。如图5所示，基于Seq2Seq结构输出之后再将预测结果与目标建筑附近5个气象站的温度预报值在垂直于时间维度上作拼接，对得到的特征矩阵在垂直于时间维度上作一维卷积后送入全连接神经网络，其中卷积层使用Relu激活函数，全连接层使用Linear线性激活函数，得到最终的预测结果。
步骤七、检验Loss趋于平稳时模型的最终预测效果，当模型预测效果未达到最优时，跳回步骤4-5对模型超参数、时间密度、卷积层大小和层数等进行优化，不断调整模型达到最优预测结果。
图6为使用上述模型结构预测的某地连续5天温度预测值与真实值对比图。从图6可以看出，本发明所提出的模型的气象预测准确率很高。使用本发明提出的气象预测方法，在某医院结合制冷机组性能曲线和具体工艺因素，未来100分钟内温度预测准确率达到97%以上，MSE指标在0.003以下。结合实际机组能耗完成负荷匹配，相比于手动控制机组在同样气候条件下综合节能达到25%以上。
下文以某写字楼中央空调制冷系统为例，详细阐述本发明如何实现写字楼中央空调制冷系统的外界气象预测，具体步骤如下：
步骤一、实例中采集了目标建筑一个自然年中制冷模式下的七个月的外界气象信息和对应时段周边4个气象站天气预报数据。采集的数据密度满足两次采集点之间目标特征的变化幅度小于该特征极差的1%。
由于目标建筑气象站数据采集密度为30秒，受到气流、云层和日照等因素影响，其数据波动幅度较大，如图7所示为截取气温特征连续2500次数据采集（对应1250分钟）的变化曲线。
从图8中可以看到其温度曲线短时间内波动较大，采取抽值的方式，即每隔10分钟取一次特征值得到的温度曲线，如图8所示。
采取每隔10分钟抽值的方式数据仍然不够平滑，这样的数据在神经网络中传播会造成模型不稳定和过拟合的情况发生。本实例中选择采取滑动窗口平均的方法，即将每一时刻的温度值取目标时间前后共20个特征的平均值（即前后10分钟之内的平均值），以此来降低数据中存在的噪声，经平滑处理后的温度曲线如图9所示。相比于原始数据，平滑处理之后的特征数据更加平稳，更有利于模型训练和预测结果的稳定性。
目标建筑附近的气象预报数据时间密度为60分钟，为了对齐输入特征长短，本实例中选择线性插值的方法增加数据密度，即在两个时间点认为温度是线形变化的，假设在
时刻的温度为/>
，/>
时刻的温度为/>
，在两个时刻内温度的变化为均匀的，那么在任意时刻x：
根据上式可以计算得到：
使用上述方法可以将气象站预测数据与输入特征对齐后输入神经网络。
步骤二、经相关性分析之后选择该地区气象站特征选择包括气温、湿度、风速、风向、当前时间在内的5个特征作为模型的输入特征，选取温度特征作为预测目标特征，选择Max-Min归一化方法对数据进行预处理。
步骤三、按照国家标准制冷空调以室温维持在26°C，给水温度在7°C、回水温度12°C的工况下，分析机组给水温度变化后室内温度场趋于平稳的最长时间在130分钟左右（根据建筑物实际建筑结构不同时间也不相同），实例中选择预测的时间长度为130分钟。
步骤四、本实例中batch-size取值为128，即每次训练模型时输入128组特征数据；相比于上述实例，本实例中预测的时间长度更长，所以选择时间步长为60（对应真实时间长度为600分钟），特征数量为包括气温、湿度、风速、风向、当前时间在内的共5个特征。模型的输出矩阵形状为[13 ×1]，即目标时间长度内每一时刻的温度值，本发明时间密度选择10分钟（具体时间密度可根据当地气候特征来调整）。时间密度选择应当满足任意两个时刻特征的变化幅度不大于该特征极差的1%。
步骤五、调整模型超参数，本实例中设置Adam优化器学习率
，，LSTM隐藏层大小为40，层数为1层，Dropout设置为0；time-step超参数设置为1；一维卷积层大小设置为N，卷积层设置为1层。所有参数矩阵初始化方法选择高斯初始化。
步骤六、得到基于Seq2Seq结构输出之后再将预测结果与目标建筑附近4个气象站的温度预报值在垂直于时间维度上作拼接，对得到的特征矩阵在垂直于时间维度上作一维卷积后送入全连接神经网络，其中卷积层使用Relu激活函数，全连接层使用Linear线性激活函数，得到最终的预测结果。
步骤七、检验Loss趋于平稳时模型的最终预测效果，当模型预测效果未达标时，跳回步骤4-5对模型超参数、时间密度等进行优化，不断调整模型达到最优预测结果。图10为连续5天温度预测值与真实值的对比。从图10可以看出，本发明所提出的模型的气象预测准确率很高。
使用本发明提出的气象预测方法，在结合制冷机组性能曲线和具体工艺因素，未来130分钟内温度预测准确率平均在96%以上。结合实际机组制冷能力做能耗和负荷匹配，相比于手动控制机组在同样气候条件下综合节能达到20%。
此外，本发明适用于与外界温度相关性较强的制冷和制热设施，例如中央空调机组（制冷或制热），冷库制冷机组，农业、种植业恒温设备等冷热设施。
从而，本发明所提出的用于制冷制热系统节能的气象预测方法，通对建筑物的历史气象数据以及周边地区的气象预报进行预处理和相关性分析，选择与预测目标有较强相关性的特征作为特征预测模型的输入特征，提高了特征预测模型的输出结果的准确性。并且，本发明结合建筑物的历史气象数据以及周边地区的气象预报，使得特征预测模型能够利用气象变化问题的空间连续性，进一步准确地预测某一建筑物外界未来某一段时间内的温度、湿度等气象信息的预测值。从而解决了现有的用于制冷制热系统节能的气象预测方法的准确性低的技术问题。
示例性装置
图11是本发明一示例性实施例提供的用于制冷制热系统节能的气象预测装置的结构示意图。如图11所示，装置1100包括：
第一获取模块1110，用于获取目标建筑的地理位置处的历史气象特征，获取距目标建筑预设距离处未来一段时间的气象预报特征；
预处理模块1120，用于对历史气象特征和气象预报特征进行数据预处理；
第一确定模块1130，用于对预处理后的历史气象特征与气象预测目标进行相关性分析，从历史气象特征中确定相关性大于预设阈值的相关气象特征；
第二确定模块1140，用于基于相关气象特征和预处理后的气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果。
可选地，用于制冷制热系统节能的气象预测装置还包括：
第二获取模块，用于获取未来一段时间的气象真实数据；
比对分析模块，用于将未来一段时间的气象预测结果与气象真实数据进行比对分析；
判断模块，用于根据比对分析的结果，判断特征预测模型的预测精准度是否达到要求；
优化调整模块，用于在特征预测模型的预测精准度未达到要求时，对特征预测模型进行优化调整，直至特征预测模型的预测精准度达到要求。可选地，所述预处理模块1120，具体用于：
对历史气象特征和气象预报特征进行缺失值补齐；
对历史气象特征和气象预报特征进行数据清洗；
对历史气象特征和气象预报特征进行归一化处理。
可选地，所述预设的特征预测模型包括特征预测层、一维卷积神经网络和全连接神经网络，其中特征预测层包括编码器、解码器和注意力机制；并且
所述第二确定模块1140，具体用于：
将相关气象特征输入特征预测层，输出气象预测目标的预测特征；
将气象预测目标的预测特征与气象预报特征中对应的预报特征进行叠加，形成特征矩阵；
将特征矩阵输入一维卷积神经网络，并将一维卷积神经网络的输出送入全连接神经网络，确定未来一段时间内的气象预测结果。
可选地，用于制冷制热系统节能的气象预测装置还包括长度预测模块，用于根据目标建筑特性和制冷制热系统的滞后时间，确定特征预测模型的输入特征的数据长度以及模型预测的时间长度。
可选地，用于制冷制热系统节能的气象预测装置还包括模型搭建模块，用于通过以下方式搭建特征预测模型：
以LSTM神经网络单元作为特征预测模型的编码器和解码器；
选择Luong Attention作为特征预测模型的注意力机制；
在注意力机制之后搭建一维卷积神经网络，并在一维卷积神经网络之后搭建全连接神经网络。
本发明的实施例的用于制冷制热系统节能的气象预测装置与本发明的另一个实施例的用于制冷制热系统节能的气象预测方法相对应，在此不再赘述。
示例性电子设备
图12是本发明一示例性实施例提供的电子设备的结构。如图12所示，电子设备120包括一个或多个处理器121和存储器122。
处理器121可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器122可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器121可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置123和输出装置124，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
此外，该输入装置123还可以包括例如键盘、鼠标等等。
该输出装置124可以向外部输出各种信息。该输出装置124可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图12中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是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在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种用于制冷制热系统节能的气象预测方法，其特征在于，包括：
获取目标建筑的地理位置处的历史气象特征，获取距目标建筑预设距离处未来一段时间的气象预报特征；
对历史气象特征和气象预报特征进行数据预处理；
对预处理后的历史气象特征与气象预测目标进行相关性分析，从历史气象特征中确定相关性大于预设阈值的相关气象特征；
基于相关气象特征和预处理后的气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取未来一段时间的气象真实数据；
将未来一段时间的气象预测结果与气象真实数据进行比对分析；
根据比对分析的结果，判断特征预测模型的预测精准度是否达到要求；
在特征预测模型的预测精准度未达到要求时，对特征预测模型进行优化调整，直至特征预测模型的预测精准度达到要求。
3.根据权利要求1所述的方法，其特征在于，所述对历史气象特征和气象预报特征进行数据预处理，包括：
对历史气象特征和气象预报特征进行缺失值补齐；
对历史气象特征和气象预报特征进行数据清洗；
对历史气象特征和气象预报特征进行归一化处理。
4.根据权利要求1所述的方法，其特征在于，所述预设的特征预测模型包括特征预测层、一维卷积神经网络和全连接神经网络，其中特征预测层包括编码器、解码器和注意力机制；并且
所述基于相关气象特征和气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果，包括：
将相关气象特征输入特征预测层，输出气象预测目标的预测特征；
将气象预测目标的预测特征与气象预报特征中对应的预报特征进行叠加，形成特征矩阵；
将特征矩阵输入一维卷积神经网络，并将一维卷积神经网络的输出送入全连接神经网络，确定未来一段时间内的气象预测结果。
5.根据权利要求1所述的方法，其特征在于，所述基于相关气象特征和气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果之前，还包括：
根据目标建筑特性和制冷制热系统的滞后时间，确定特征预测模型的输入特征的数据长度以及模型预测的时间长度。
6.根据权利要求1所述的方法，其特征在于，还包括通过以下方式搭建特征预测模型：
以LSTM神经网络单元作为特征预测模型的编码器和解码器；
选择Luong Attention作为特征预测模型的注意力机制；
在注意力机制之后搭建一维卷积神经网络，并在一维卷积神经网络之后搭建全连接神经网络。
7.一种用于制冷制热系统节能的气象预测装置，其特征在于，包括：
第一获取模块，用于获取目标建筑的地理位置处的历史气象特征，获取距目标建筑预设距离处未来一段时间的气象预报特征；
预处理模块，用于对历史气象特征和气象预报特征进行数据预处理；
第一确定模块，用于对预处理后的历史气象特征与气象预测目标进行相关性分析，从历史气象特征中确定相关性大于预设阈值的相关气象特征；
第二确定模块，用于基于相关气象特征和预处理后的气象预报特征，利用预设的特征预测模型，确定未来一段时间的气象预测结果。
8.根据权利要求7所述的气象预测装置，其特征在于，还包括：
第二获取模块，用于获取未来一段时间的气象真实数据；
比对分析模块，用于将未来一段时间的气象预测结果与气象真实数据进行比对分析；
判断模块，用于根据比对分析的结果，判断特征预测模型的预测精准度是否达到要求；
优化调整模块，用于在特征预测模型的预测精准度未达到要求时，对特征预测模型进行优化调整，直至特征预测模型的预测精准度达到要求。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-6任一所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310210095.9A CN116307153A (zh) | 2023-03-07 | 2023-03-07 | 用于制冷制热系统节能的气象预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310210095.9A CN116307153A (zh) | 2023-03-07 | 2023-03-07 | 用于制冷制热系统节能的气象预测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116307153A true CN116307153A (zh) | 2023-06-23 |
Family
ID=86788227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310210095.9A Pending CN116307153A (zh) | 2023-03-07 | 2023-03-07 | 用于制冷制热系统节能的气象预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307153A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109031472A (zh) * | 2017-06-09 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种用于气象预测的数据处理方法及装置 |
| CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
| CN111461444A (zh) * | 2020-04-07 | 2020-07-28 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
| CN112684520A (zh) * | 2020-12-30 | 2021-04-20 | 北京墨迹风云科技股份有限公司 | 一种气象预报的订正方法、装置、计算机设备及存储介质 |
| WO2022053064A1 (zh) * | 2020-09-14 | 2022-03-17 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
| CN115343784A (zh) * | 2022-07-28 | 2022-11-15 | 浙江工商大学 | 一种基于seq2seq-attention模型的局部气温预测方法 |
| CN115508917A (zh) * | 2022-11-22 | 2022-12-23 | 中国民用航空局空中交通管理局航空气象中心 | 机场气象要素预报方法、装置、设备和存储介质 |
| CN115544889A (zh) * | 2022-10-18 | 2022-12-30 | 南京信息工程大学 | 基于深度学习的数值模式降水偏差校正方法 |
-
2023
- 2023-03-07 CN CN202310210095.9A patent/CN116307153A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109031472A (zh) * | 2017-06-09 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种用于气象预测的数据处理方法及装置 |
| CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
| CN111461444A (zh) * | 2020-04-07 | 2020-07-28 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
| WO2022053064A1 (zh) * | 2020-09-14 | 2022-03-17 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
| CN112684520A (zh) * | 2020-12-30 | 2021-04-20 | 北京墨迹风云科技股份有限公司 | 一种气象预报的订正方法、装置、计算机设备及存储介质 |
| CN115343784A (zh) * | 2022-07-28 | 2022-11-15 | 浙江工商大学 | 一种基于seq2seq-attention模型的局部气温预测方法 |
| CN115544889A (zh) * | 2022-10-18 | 2022-12-30 | 南京信息工程大学 | 基于深度学习的数值模式降水偏差校正方法 |
| CN115508917A (zh) * | 2022-11-22 | 2022-12-23 | 中国民用航空局空中交通管理局航空气象中心 | 机场气象要素预报方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
| JP5572799B2 (ja) | 空調システム制御装置 | |
| US20190360711A1 (en) | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature | |
| Xu et al. | A model-based optimal ventilation control strategy of multi-zone VAV air-conditioning systems | |
| US20160327295A1 (en) | Hvac control system and method | |
| CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
| US20230040886A1 (en) | Building equipment energy management control system and control therefor | |
| CN114740727B (zh) | 室外温度扰动条件下的空气源热泵动态能效优化控制方法 | |
| CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
| CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
| Tan et al. | Room thermal load prediction based on analytic hierarchy process and back-propagation neural networks | |
| Souayfane et al. | A weather-clustering and energy-thermal comfort optimization methodology for indoor cooling in subtropical desert climates | |
| CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
| TWI746087B (zh) | 空調系統控制方法 | |
| CN116307153A (zh) | 用于制冷制热系统节能的气象预测方法、装置及电子设备 | |
| Yang | Optimization of operation times of a heating system in office building | |
| CN116045461B (zh) | 一种基于给回水温度调节的风冷空调节能控制方法及装置 | |
| CN116307074A (zh) | 真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法 | |
| CN113449909A (zh) | 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 | |
| CN116227725A (zh) | 一种建筑物空调系统的负荷预测方法、装置及电子设备 | |
| Quang et al. | USING DEEP LEARNING TO OPTIMIZE HVAC SYSTEMS IN RESIDENTIAL BUILDINGS | |
| Kummert et al. | Comparing control strategies using experimental and simulation results: Methodology and application to heating control of passive solar buildings | |
| CN117318049B (zh) | 一种基于系数校正的配电网柔性负荷建模方法及系统 | |
| CN117970986B (zh) | 一种冷热系统的温湿度控制方法、装置及介质 | |
| CN117540938B (zh) | 基于td3强化学习优化的集成式建筑能耗预测方法及系统 |
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 |