CN116776295A - 空调负荷预测模型生成方法、空调负荷预测方法及装置 - Google Patents
空调负荷预测模型生成方法、空调负荷预测方法及装置 Download PDFInfo
- Publication number
- CN116776295A CN116776295A CN202310762502.7A CN202310762502A CN116776295A CN 116776295 A CN116776295 A CN 116776295A CN 202310762502 A CN202310762502 A CN 202310762502A CN 116776295 A CN116776295 A CN 116776295A
- Authority
- CN
- China
- Prior art keywords
- load
- item
- air conditioning
- prediction model
- coefficient
- 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 76
- 238000004378 air conditioning Methods 0.000 claims abstract description 125
- 230000033228 biological regulation Effects 0.000 claims abstract description 38
- 238000010438 heat treatment Methods 0.000 claims description 33
- 238000010276 construction Methods 0.000 claims description 20
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003204 osmotic effect Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000008595 infiltration Effects 0.000 description 5
- 238000001764 infiltration Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本申请提供一种空调负荷预测模型生成方法、空调负荷预测方法及装置，涉及计算机技术领域。该方法包括：构建预设场所内空调设备的初始预测模型，初始预测模型包括：空调设备的热量调节项和多个维度的负荷项之间的关联关系；其中，负荷项为空调设备进行热量调节的影响因素；获取空调设备在预设连续的多个历史时间段内的热量调节数据和每个历史时间段的多个维度的负荷数据；根据热量调节数据和多个维度的负荷数据，对关联关系中多个维度的负荷项对应的系数进行求解，得到多个维度的系数；根据初始预测模型和多个维度的系数，得到空调设备的目标预测模型。本申请可以提供具有通用性的空调负荷预测模型，实现对各种场所内空调设备的热量进行预测。
Description
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种空调负荷预测模型生成方法、空调负荷预测方法及装置。
背景技术
随着轨道交通行业的快速发展，如何降低运营能耗问题逐渐成为了轨道交通运营单位研究的热点。
轨道交通的能耗基数大，其中，站内的空调系统的能耗占比非常大，超过40％的电量是由轨道交通站内的空调系统消耗的，因此，减少轨道交通站内空调系统的能源消耗是十分重要的。
现有技术主要是采用神经网络模型作为空调负荷预测的主要技术，由于神经网络模型属于黑箱模型，一方面针对不同场所需要针对性的训练模型，模型不具备通用性，另一方面技术人员难以知道其内部结构，无法根据热量调节需求对模型进行调整优化。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种空调负荷预测模型生成方法、空调负荷预测方法及装置，以便提供具有通用性的空调负荷预测模型，实现对各种场所内空调设备的热量进行预测。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种空调负荷预测模型生成方法，所述方法包括：
构建预设场所内空调设备的初始预测模型，所述初始预测模型包括：所述空调设备的热量调节项和多个维度的负荷项之间的关联关系；其中，所述负荷项为所述空调设备进行热量调节的影响因素；
获取所述空调设备在预设连续的多个历史时间段内的热量调节数据和每个历史时间段的所述多个维度的负荷数据；
根据所述热量调节数据和所述多个维度的负荷数据，对所述关联关系中所述多个维度的负荷项对应的系数进行求解，得到所述多个维度的系数；
根据所述初始预测模型和所述多个维度的系数，得到所述空调设备的目标预测模型。
可选的，所述构建预设场所内空调设备的初始预测模型，包括：
根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项；
根据所述空调设备的工作参数项，构建所述热量调节项；
根据所述多个维度的负荷项以及所述热量调节项，构建所述初始预测模型。
可选的，所述多个维度的负荷项包括：空气焓差负荷项，所述空气焓差负荷项的系数为空气质量系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述空气质量系数、相邻时刻的室内空气焓值参数项以及所述相邻时刻的时间差，构建所述空气焓差负荷项。
可选的，所述多个维度的负荷项还包括：人员负荷项，所述人员负荷项的系数为平均发热功率系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述平均发热功率系数以及人员流量参数项，构建所述人员负荷项。
可选的，所述多个维度的负荷项还包括：设备负荷项，所述设备负荷项的系数为设备发热功率系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述设备发热功率系数，构建所述设备负荷项。
可选的，所述多个维度的负荷项还包括：渗透风负荷项，所述渗透风负荷项的系数为空气渗透速率系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述空气渗透速率系数、所述预设场所的室内空气焓值参数项以及所述预设场所的室外空气焓值参数项，构建所述渗透风负荷项。
可选的，所述多个维度的负荷项还包括：风机负荷项，所述风机负荷项的系数为单位送风量系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述单位送风量系数、所述预设场所的室内空气焓值参数项、所述预设场所的室外空气焓值参数项、所述空调设备的风机工作参数项，构建确定所述风机负荷项。
第二方面，本申请实施例还提供一种空调负荷预测方法，所述方法包括：
获取预设场所内空调设备在当前时刻的多个维度的负荷数据；
根据所述多个维度的负荷数据，采用所述空调设备的目标预测模型，计算预设未来时刻的热量调节参数，以根据所述热量调节参数调节所述空调设备的热量搬运能力，其中，所述目标预测模型是采用如上述第一方面任一项所述的空调负荷预测模型生成方法得到的。
第三方面，本申请实施例还提供一种空调负荷预测模型生成装置，所述装置包括：
初始模型构建模块，用于构建预设场所内空调设备的初始预测模型，所述初始预测模型包括：所述空调设备的热量调节项和多个维度的负荷项之间的关联关系；其中，所述负荷项为所述空调设备进行热量调节的影响因素；
历史数据获取模块，用于获取所述空调设备在预设连续的多个历史时间段内的热量调节数据和每个历史时间段的所述多个维度的负荷数据；
系数计算模块，用于根据所述热量调节数据和所述多个维度的负荷数据，对所述关联关系中所述多个维度的负荷项对应的系数进行求解，得到所述多个维度的系数；
目标模型生成模块，用于根据所述初始预测模型和所述多个维度的系数，得到所述空调设备的目标预测模型。
可选的，所述初始模型构建模块，包括：
负荷项构建单元，用于根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项；
热量调节项构建单元，用于根据所述空调设备的工作参数项，构建所述热量调节项；
初始模型构建单元，用于根据所述多个维度的负荷项以及所述热量调节项，构建所述初始预测模型。
可选的，所述多个维度的负荷项包括：空气焓差负荷项，所述空气焓差负荷项的系数为空气质量系数；所述负荷项构建单元，具体用于根据所述空气质量系数、相邻时刻的室内空气焓值参数项以及所述相邻时刻的时间差，构建所述空气焓差负荷项。
可选的，所述多个维度的负荷项还包括：人员负荷项，所述人员负荷项的系数为平均发热功率系数；所述负荷项构建单元，具体用于根据所述平均发热功率系数以及人员流量参数项，构建所述人员负荷项。
可选的，所述多个维度的负荷项还包括：设备负荷项，所述设备负荷项的系数为设备发热功率系数；所述负荷项构建单元，具体用于根据所述设备发热功率系数，构建所述设备负荷项。
可选的，所述多个维度的负荷项还包括：渗透风负荷项，所述渗透风负荷项的系数为空气渗透速率系数；所述负荷项构建单元，具体用于根据所述空气渗透速率系数、所述预设场所的室内空气焓值参数项以及所述预设场所的室外空气焓值参数项，构建所述渗透风负荷项。
可选的，所述多个维度的负荷项还包括：风机负荷项，所述风机负荷项的系数为单位送风量系数；所述负荷项构建单元，具体用于根据所述单位送风量系数、所述预设场所的室内空气焓值参数项、所述预设场所的室外空气焓值参数项、所述空调设备的风机工作参数项，构建确定所述风机负荷项。
第四方面，本申请实施例还提供一种空调负荷预测装置，所述装置包括：
数据获取模块，用于获取预设场所内空调设备在当前时刻的多个维度的负荷数据；
热量计算模块，用于根据所述多个维度的负荷数据，采用所述空调设备的目标预测模型，计算预设未来时刻的热量调节参数，以根据所述热量调节参数调节所述空调设备的热量搬运能力，其中，所述目标预测模型是采用如上述第一方面任一项所述的空调负荷预测模型生成方法得到的。
第五方面，本申请实施例还提供一种计算机设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行如第一方面任一所述的空调负荷预测模型生成方法的步骤，或者如第二方面所述的空调负荷预测方法的步骤。
第六方面，本申请实施例还提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的空调负荷预测模型生成方法的步骤，或者如第二方面所述的空调负荷预测方法的步骤。
本申请的有益效果是：
本申请提供的空调负荷预测模型生成方法、空调负荷预测方法及装置，根据目标预测模型对空调设备在预设未来时刻的热量调节数据进行预测，一方面可以为空调设备的提前调控提供依据，避免系统对空调设备控制反应的滞后性，在保证预设场所内部温度舒适的前提下节省能源消耗；另一方面由于各个场所内的空调设备的负荷项基本一致，因此该目标预测模型更具有通用性；且利用各个维度的负荷项与热量调节项之间的关联关系构建的预测模型，更便于技术人员理解预测模型各个输入项的含义和对预测热量的影响程度，便于基于不同的场所对预测模型的结构优化和参数调整。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的空调负荷预测系统的架构图；
图2为本申请实施例提供的空调负荷预测模型生成方法的流程示意图一；
图3为本申请实施例提供的空调负荷预测模型生成方法的流程示意图二；
图4为本申请实施例提供的空调负荷预测方法的流程示意图；
图5为本申请实施例提供的空调负荷预测模型生成装置的结构示意图；
图6为本申请实施例提供的空调负荷预测装置的结构示意图；
图7本申请实施例提供的计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
在本申请的描述中，需要说明的是，若出现术语“上”、“下”、等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
在对本申请所提供的空调负荷预测模型生成方法、空调负荷预测方法及装置进行介绍之前，先对本申请所应用的场景进行说明。
本申请所提供的空调负荷预测模型生成方法、空调负荷预测方法及装置，所应用的预设场所可以为轨道交通的车站，例如为地铁车站，当然也可以应用于其他需要通过空调设备进行热量调节的场所，例如商场、医院、办公楼等，本申请对此不做限制。
请参考图1，为本申请实施例提供的空调负荷预测系统的架构图，如图1所示，该空调负荷预测系统包括：空调设备、室内温度传感器、室内湿度传感器、室外温度传感器、室外湿度传感器、图像传感器(或者红外传感器)、空调回水温度传感器、空调出水温度传感器、流速传感器及计算机设备，其中，计算机设备与空调设备和各个传感器通信连接，以获取空调设备的工作数据和各个传感器的检测数据。
其中，室内温度传感器和室内湿度传感器安装在预设场所的室内预设位置，用于获取预设场所的室内温度数据和室内湿度数据，以使得计算机设备根据室内温度数据和室内湿度数据，计算预设场所的室内空气焓值数据。
室外温度传感器和室外湿度传感器安装在预设场所的室外预设位置，用于获取预设场所的室外温度数据和室外湿度数据，以使得计算机设备根据室外温度数据和室外湿度数据，计算预设场所的室外空气焓值数据。
图像传感器(或者红外传感器)安装在预设场所的室内预设位置，用于获取预设场所内的图像或红外数据，以使得计算机设备根据图像或红外数据分析预设场所内的人员流量数据。
空调回水温度传感器设置在空调设备的进水口，用于获取空调设备的回水温度数据，空调出水温度传感器设置在空调设备的出水口，用于获取空调设备的出水温度数据，流速传感器设置在空调设备的水管内部，用于获取空调设备水管内的水流量数据，以使得计算机设备根据回水温度数据、出水温度数据和水流量数据计算空调设备的热量调节数据。
另外，预设场所内还包括多种室内发热设备，室内发热设备为预设场所的内部存在的各种在工作状态下发热的设备，例如照明设备、自动扶梯、垂直升降机、自动检售票机、广告灯箱等，不同场所内的发热设备的种类不同，可以根据实际需要确定，由于发热设备的发热量一般为稳态发热，在全天各个工作时刻的变化不大。
需要说明的是，上述文字部分虽然说室内温度传感器、室内湿度传感器、图像传感器(或者红外传感器)都安装在预设场所的室内预设位置，但不表示这些传感器都安装在室内相同的位置，具体的安装位置和安装数量可以根据需求设置；同样地，室外温度传感器和室外湿度传感器也不一定是安装在室外相同的位置，具体的安装位置和安装数量可以根据需求设置，本申请对此不做过多的限制。
请参考图2，为本申请实施例提供的空调负荷预测模型生成方法的流程示意图一，如图2所示，该方法可以包括：
S10：构建预设场所内空调设备的初始预测模型。
初始预测模型包括：空调设备的热量调节项和多个维度的负荷项之间的关联关系；其中，负荷项为空调设备进行热量调节的影响因素。
本实施例中，空调设备的热量调节项用于指示空调设备的热量搬运能力，其中，若空调设备用于制冷，则热量搬运能力为空调设备从预设场所内去除热量的总和；若空调设备用于制热，则热量搬运能力为空调设备在预设场所内提供热量的总和。
多个维度的负荷项用于指示预设场所内引起热量变化或者存在热量的负荷，负荷是指搬运热量的时间变化率，即搬运热量的功率，负荷项作为影响空调设备进行热量调节的因素，负荷项的数量越多，对空调设备的热量调节影响越大；或者负荷项的热量越大、引起的热量变化越大，对空调设备的热量调节影响越大。
多个维度的负荷项可以为影响空调设备进行热量调节的多个影响因素，例如可以包括：空气焓值维度、设备热量维度、人员热量维度等。
空调设备的热量调节项与每个维度的负荷项之间的关联关系用于指示每个维度的负荷项对空调设备的热量调节的影响程度，根据多个维度的负荷项对空调设备的热量调节的影响程度，构建初始预测模型，其中，初始预测模型中每个维度的负荷项对空调设备的热量调节的影响程度为未知系数。
S20：获取空调设备在预设连续的多个历史时间段内的热量调节数据和每个历史时间段的多个维度的负荷数据。
本实施中，为了确定初始预测模型中每个维度的负荷项对空调设备的热量调节的影响程度，需要根据历史热量调节数据和多个维度的历史负荷数据进行计算，为此，需要获取空调设备在预设连续的多个历史时间段内的热量调节数据，以及每个历史时间段的热量调节数据对应的多个维度的负荷数据。
其中，热量调节数据和多个维度的负荷数据可以通过如图1所示的空调负荷预测系统中的各个传感器获得。
S30：根据热量调节数据和多个维度的负荷数据，对关联关系中多个维度的负荷项对应的系数进行求解，得到多个维度的系数。
本实施例中，将多个历史时间段内的热量调节数据和每个历史时间段的热量调节数据对应的多个维度的负荷数据分别代入至初始预测模型中的热量调节项和多个维度的负荷项，对初始预测模型中多个维度的负荷项对应的未知系数进行求解，得到多个维度的系数，每个维度的系数用于表示每个维度的负荷项对空调设备的热量调节的影响程度。
在一些实施例中，由于预测模型是为了对未来时刻的空调设备的热量调节数据进行预测，因此，在对多个维度的负荷项对应的系数进行求解时，需要求解的是上一时刻的多个维度的负荷数据对当前时刻的热量调节数据的影响程度，或者当前时刻的多个维度的负荷数据对下一时刻的热量调节数据的影响程度，在此情况下，根据热量调节数据和多个维度的负荷数据，对关联关系中多个维度的负荷项对应的系数进行求解的方式可以为：
将上一时刻的多个维度的负荷数据和当前时刻的热量调节数据代入初始预测模型，将当前时刻的多个维度的负荷数据和下一时刻的热量调节数据的影响程度也代入初始预测模型，得到初始预测模型对应的多个求解方程，通过对多个求解方程进行求解，得到多个维度的系数，其中，对多个求解方程进行求解的求解方式例如可以为线性回归拟合。
S40：根据初始预测模型和多个维度的系数，得到空调设备的目标预测模型。
本实施例中，根据求解得到的多个维度的系数的取值，对初始预测模型中多个维度的未知系数进行赋值，得到空调设备的目标预测模型，目标预测模型是根据预设场所内影响室内热量的诸多因素确定预设未来时刻的空调设备搬运热量的功率；目标预测模型可以根据当前时刻的多个维度的负荷数据得到预设未来时刻的预测热量调节数据，以使得空调设备在预设未来时刻根据预测热量调节数据对预设场所进行热量调节。
上述实施例提供的空调负荷预测模型生成方法，根据目标预测模型对空调设备在预设未来时刻的热量调节数据进行预测，一方面可以为空调设备的提前调控提供依据，避免系统对空调设备控制反应的滞后性，在保证预设场所内部温度舒适的前提下节省能源消耗；另一方面由于各个场所内的空调设备的负荷项基本一致，因此该目标预测模型更具有通用性；且利用各个维度的负荷项与热量调节项之间的关联关系构建的预测模型，更便于技术人员理解预测模型各个输入项的含义和对预测热量的影响程度，便于基于不同的场所对预测模型的结构优化和参数调整。
以下结合实施例对上述构建初始预测模型的一种可能的实现方式进行说明。
请参考图3，为本申请实施例提供的空调负荷预测模型生成方法的流程示意图二，如图3所示，上述S10构建预设场所内空调设备的初始预测模型的过程，可以包括：
S11：根据每个维度的参数项以及每个维度的系数，构建每个维度的负荷项。
本实施例中，每个维度的负荷项包括每个维度的至少一个参数项，每个参数项用于指示引起每个维度的负荷项的热量变化的影响因素，每个维度的系数用于指示每个维度的负荷项对热量调节项的影响程度，根据每个维度的至少一个参数项与每个维度的负荷项之间的关联关系，以及每个维度的系数，构建每个维度的负荷项。
S12：根据空调设备的工作参数项，构建热量调节项。
本实施例中，空调设备的工作参数项用于指示空调设备用于影响热量调节的参数项，根据空调设备的工作参数项与热量调节项之间的关联关系，可以构建热量调节项。
在一些实施例中，空调设备的热量调节项为空调设备对预设场所的热量调节功率，本实施例以空调设备对预设场所进行制冷为例进行说明。
空调设备的热量调节项为空调设备对预设场所的制冷功率Q冷(kw)，空调设备的工作参数项可以包括：空调设备的冷冻水出水温度t出(℃)、空调设备的冷冻水回水温度t回(℃)、冷冻水流量V(m3/h)，根据空调设备的工作参数项构建的热量调节项可以表示为：Q冷＝k*(t回-t出)*V，其中，k＝1.163(kJ·h/m3·℃·3600s)。
S13：根据多个维度的负荷项以及热量调节项，构建初始预测模型。
本实施例中，根据热量调节项和多个维度的负荷项之间的关联关系，构建初始预测模型。
在一种可能的实现方式中，多个维度的负荷项包括：空气焓差负荷项，空气焓差负荷项的系数为空气质量系数；上述S11根据每个维度的参数项以及每个维度的系数，构建每个维度的负荷项的过程，包括：
根据空气质量系数、相邻时刻的室内空气焓值参数项以及相邻时刻的时间差，构建空气焓差负荷项。
本实施例中，空气焓差用于指示空气在预设时间段内热量的增加或减少，通常以两个时刻的空气焓值之差表示空气焓差，空气焓差负荷项Q焓差用于指示预设场所的室内空气焓差散热功率，相邻时刻的室内空气焓值参数项包括：当前时刻的室内空气焓值参数项Hin(kJ/kg)和下一时刻的室内空气焓值参数项H’in(kJ/kg)，当前时刻和下一时刻的时刻差为Δt(s)，则空气焓差负荷项Q焓差可以表示为：Q焓差＝ω1*(Hin-H’in)/Δt，其中，ω1(kg)为空气质量系数，用于指示预设场所的室内空气质量。
在一种可能的实现方式中，多个维度的负荷项还包括：人员负荷项，人员负荷项的系数为平均发热功率系数；上述S11根据每个维度的参数项以及每个维度的系数，构建每个维度的负荷项的过程，包括：
根据平均发热功率系数以及人员流量参数项，构建人员负荷项。
本实施例中，人员负荷项Q人用于指示预设场所的活动的人员所产生的热量、湿度负荷，指示人员在预设场所内活动所产生的发热功率，人员负荷项为动态负荷项，其大小受到预设场所内人员数量和人员在预设场所内的停留时间确定，人员数量和人员在预设场所内的停留时间以人员流量参数项q(千人)表示，则人员负荷项Q人可以表示为：Q人＝ω2*q，ω2(W)为每个人的平均发热功率系数。
在一种可能的实现方式中，多个维度的负荷项还包括：设备负荷项，设备负荷项的系数为设备发热功率系数；上述S11根据每个维度的参数项以及每个维度的系数，构建每个维度的负荷项的过程，包括：
根据设备发热功率系数，构建设备负荷项。
本实施例中，设备负荷项Q设备用于指示预设场所内的固定设备所产生的热量负荷，指示固定设备在预设场所内工作所产生的发热功率，设备负荷项为稳态负荷项，一般情况下，其在全天各个时刻的变化较小，因此可以采用设备发热功率系数表示设备负荷项，即设备负荷项Q设备可以表示为Q设备＝C3，C3(kW)为设备发热功率系数。
在一些实施例中，固定设备在不同使用频率下的发热功率不同，例如检售票机、闸机、自动扶梯、垂直升降机在早高峰、晚高峰时间段的使用频率明显高于其他时间段，因此，可以将空调设备的初始预测模型按照时间段划分为高峰时间段的初始预测模型和非高峰时间段的初始预测模型，不同时间段的初始预测模型经过求解得到的设备发热功率系数的取值不同。其中，高峰时间段和非高峰时间段的划分可以根据需求认为设定，在此不做限制。
在一种可能的实现方式中，多个维度的负荷项还包括：渗透风负荷项，渗透风负荷项的系数为空气渗透速率系数；上述S11根据每个维度的参数项以及每个维度的系数，构建每个维度的负荷项的过程，包括：
根据空气渗透速率系数、预设场所的室内空气焓值参数项以及预设场所的室外空气焓值参数项，构建渗透风负荷项。
本实施例中，渗透风负荷项Q渗透用于指示土壤对预设场所的围护结构的热量传递以及室外在预设场所的出入口处的热量传递，该热量传递与预设场所的室内空气焓值参数项Hin(kJ/kg)以及室外空气焓值参数项Hout(kJ/kg)存在关联关系，则渗透风负荷项Q渗透可以表示为：Q渗透＝ω4*(Hout-Hin)，其中，ω4(kg/s)为空气渗透速率系数。
在一些实施例中，以空调设备对预设场所进行制冷为例，土壤对预设场所的围护结构的热量传递非常小，可以忽略不接，室外在预设场所的出入口处的热空气渗入为预设场所带来更多的热量，该热量与室内空气焓值参数项Hin以及室外空气焓值参数项Hout存在关联关系，ω4为出入口风渗透速率系数。
在一种可能的实现方式中，多个维度的负荷项还包括：风机负荷项，风机负荷项的系数为单位送风量系数；上述S11根据每个维度的参数项以及每个维度的系数，构建每个维度的负荷项的过程，包括：
根据单位送风量系数、预设场所的室内空气焓值参数项、预设场所的室外空气焓值参数项、空调设备的风机工作参数项，构建确定风机负荷项。
本实施例中，空调设备的空气处理系统(例如新风系统)在工作的过程中，空调设备的风机从预设场所的外部引进风量时会带入热量，风机负荷项Q风量用于指示风机从预设场所的外部引进风量时会带入热量，该热量与预设场所的室内空气焓值参数项Hin(kJ/kg)、室外空气焓值参数项Hout(kJ/kg)、空气处理系统中风机的工作频率fi(HZ)、所打开的混合风阀占所有混合风阀的比例σ(0-1)存在关联关系，则风机负荷项Q风量可以表示为：Q风量＝ω5*(Hout*∑fi*(1-σ)-Hin*∑fi*σ)，其中，ω5(kg/s·HZ)为单位送风量系数，用于指示风机单位运行频率下的送风量。
基于上述各个维度的负荷项以及热量调节项的表达式，确定初始预测模型可以表示为：Q冷＝Q焓差+Q人+Q设备+Q渗透+Q渗透，则可以确定：k*(t回-t出)*V＝ω1*(Hin-H’in)/Δt+ω2*q+C3+ω4*(Hout-Hin)+ω5*(Hout*∑fi*(1-σ)-Hin*∑fi*σ)，在根据热量调节数据和多个维度的负荷数据，对关联关系中多个维度的负荷项对应的系数进行求解，得到多个维度的系数时，等式左侧的热量调节数据为当前时刻t对应的热量调节数据，等式右侧的多个维度的负荷数据为上一时刻t-1对应的负荷数据，以便通过线性回归拟合，求解多个维度的系数ω1、ω2、C3、ω4、ω5，则目标预测模型可以表示为：Q冷＝ω1*(Hin-Hset)/Δt+ω2*q+C3+ω4*(Hout-Hin)+ω5*(Hout*∑fi*(1-σ)-Hin*∑fi*σ)，其中，Hset为室内固定焓值，Δt为预设未来时刻和当前时刻的时刻差。
上述实施例提供的空调负荷预测模型生成方法，根据影响空调设备进行热量调节的多个负荷项和空调设备的热量调节项之间的关联关系构建目标预测模型，可以准确地为空调设备预测未来时刻的控制数据，避免系统对空调设备控制反应的滞后性，在保证预设场所内部温度舒适的前提下节省能源消耗。
基于上述空调负荷预测模型生成方法，本申请实施例还提供一种应用上述目标预测模型的空调负荷预测方法。请参考图4，为本申请实施例提供的空调负荷预测方法的流程示意图，如图4所示，该方法可以包括：
S50：获取预设场所内空调设备在当前时刻的多个维度的负荷数据。
S60：根据多个维度的负荷数据，采用空调设备的目标预测模型，计算预设未来时刻的热量调节参数，以根据热量调节参数调节空调设备的热量搬运能力。
其中，目标预测模型是采用如上述实施例中空调负荷预测模型生成方法得到的。
本实施例中，采用如图1所示的多个传感器获取当前时刻多个维度的负荷数据，将多个维度的负荷数据输入至目标预测模型，目标预测模型根据多个维度的负荷数据，以及多个维度的系数，计算得到预设未来时刻的热量调节参数，空调设备可以根据该热量调节参数控制空调设备在预设未来时刻的热量搬运能力。
上述实施例提供的空调负荷预测方法，根据目标预测模型对空调设备在预设未来时刻的热量调节数据进行预测可以为空调设备的提前调控提供依据，避免系统对空调设备控制反应的滞后性，在保证预设场所内部温度舒适的前提下节省能源消耗。
在上述方法实施例的基础上，本申请实施例还提供一种空调负荷预测模型生成装置。请参考图5，为本申请实施例提供的空调负荷预测模型生成装置的结构示意图，如图5所示，该装置可以包括：
初始模型构建模块10，用于构建预设场所内空调设备的初始预测模型，初始预测模型包括：空调设备的热量调节项和多个维度的负荷项之间的关联关系；其中，负荷项为空调设备进行热量调节的影响因素；
历史数据获取模块20，用于获取空调设备在预设连续的多个历史时间段内的热量调节数据和每个历史时间段的多个维度的负荷数据；
系数计算模块30，用于根据热量调节数据和多个维度的负荷数据，对关联关系中多个维度的负荷项对应的系数进行求解，得到多个维度的系数；
目标模型生成模块40，用于根据初始预测模型和多个维度的系数，得到空调设备的目标预测模型。
可选的，初始模型构建模块10，包括：
负荷项构建单元，用于根据每个维度的参数项以及每个维度的系数，构建每个维度的负荷项；
热量调节项构建单元，用于根据空调设备的工作参数项，构建热量调节项；
初始模型构建单元，用于根据多个维度的负荷项以及热量调节项，构建初始预测模型。
可选的，多个维度的负荷项包括：空气焓差负荷项，空气焓差负荷项的系数为空气质量系数；负荷项构建单元，具体用于根据空气质量系数、相邻时刻的室内空气焓值参数项以及相邻时刻的时间差，构建空气焓差负荷项。
可选的，多个维度的负荷项还包括：人员负荷项，人员负荷项的系数为平均发热功率系数；负荷项构建单元，具体用于根据平均发热功率系数以及人员流量参数项，构建人员负荷项。
可选的，多个维度的负荷项还包括：设备负荷项，设备负荷项的系数为设备发热功率系数；负荷项构建单元，具体用于根据设备发热功率系数，构建设备负荷项。
可选的，多个维度的负荷项还包括：渗透风负荷项，渗透风负荷项的系数为空气渗透速率系数；负荷项构建单元，具体用于根据空气渗透速率系数、预设场所的室内空气焓值参数项以及预设场所的室外空气焓值参数项，构建渗透风负荷项。
可选的，多个维度的负荷项还包括：风机负荷项，风机负荷项的系数为单位送风量系数；负荷项构建单元，具体用于根据单位送风量系数、预设场所的室内空气焓值参数项、预设场所的室外空气焓值参数项、空调设备的风机工作参数项，构建确定风机负荷项。
在上述方法实施例的基础上，本申请实施例还提供一种空调负荷预测装置。请参考图6，为本申请实施例提供的空调负荷预测装置的结构示意图，如图6所示，该装置可以包括：
数据获取模块50，用于获取预设场所内空调设备在当前时刻的多个维度的负荷数据；
热量计算模块60，用于根据多个维度的负荷数据，采用空调设备的目标预测模型，计算预设未来时刻的热量调节参数，以根据热量调节参数调节空调设备的热量搬运能力，其中，目标预测模型是采用如上述实施例任一项的空调负荷预测模型生成方法得到的。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
请参考图7，为本申请实施例提供的计算机设备的示意图，如图7所示，该计算机设备100包括：处理器101、存储介质102和总线。
存储介质102存储有处理器101可执行的程序指令，当计算机设备100运行时，处理器101与存储介质102之间通过总线通信，处理器101执行程序指令，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种计算机可读存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种空调负荷预测模型生成方法，其特征在于，所述方法包括：
构建预设场所内空调设备的初始预测模型，所述初始预测模型包括：所述空调设备的热量调节项和多个维度的负荷项之间的关联关系；其中，所述负荷项为所述空调设备进行热量调节的影响因素；
获取所述空调设备在预设连续的多个历史时间段内的热量调节数据和每个历史时间段的所述多个维度的负荷数据；
根据所述热量调节数据和所述多个维度的负荷数据，对所述关联关系中所述多个维度的负荷项对应的系数进行求解，得到所述多个维度的系数；
根据所述初始预测模型和所述多个维度的系数，得到所述空调设备的目标预测模型。
2.如权利要求1所述的方法，其特征在于，所述构建预设场所内空调设备的初始预测模型，包括：
根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项；
根据所述空调设备的工作参数项，构建所述热量调节项；
根据所述多个维度的负荷项以及所述热量调节项，构建所述初始预测模型。
3.如权利要求2所述的方法，其特征在于，所述多个维度的负荷项包括：空气焓差负荷项，所述空气焓差负荷项的系数为空气质量系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述空气质量系数、相邻时刻的室内空气焓值参数项以及所述相邻时刻的时间差，构建所述空气焓差负荷项。
4.如权利要求2所述的方法，其特征在于，所述多个维度的负荷项还包括：人员负荷项，所述人员负荷项的系数为平均发热功率系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述平均发热功率系数以及人员流量参数项，构建所述人员负荷项。
5.如权利要求2所述的方法，其特征在于，所述多个维度的负荷项还包括：设备负荷项，所述设备负荷项的系数为设备发热功率系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述设备发热功率系数，构建所述设备负荷项。
6.如权利要求2所述的方法，其特征在于，所述多个维度的负荷项还包括：渗透风负荷项，所述渗透风负荷项的系数为空气渗透速率系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述空气渗透速率系数、所述预设场所的室内空气焓值参数项以及所述预设场所的室外空气焓值参数项，构建所述渗透风负荷项。
7.如权利要求2所述的方法，其特征在于，所述多个维度的负荷项还包括：风机负荷项，所述风机负荷项的系数为单位送风量系数；所述根据每个维度的参数项以及所述每个维度的系数，构建所述每个维度的负荷项，包括：
根据所述单位送风量系数、所述预设场所的室内空气焓值参数项、所述预设场所的室外空气焓值参数项、所述空调设备的风机工作参数项，构建确定所述风机负荷项。
8.一种空调负荷预测方法，其特征在于，所述方法包括：
获取预设场所内空调设备在当前时刻的多个维度的负荷数据；
根据所述多个维度的负荷数据，采用所述空调设备的目标预测模型，计算预设未来时刻的热量调节参数，以根据所述热量调节参数调节所述空调设备的热量搬运能力，其中，所述目标预测模型是采用如上述权利要求1-7任一项所述的空调负荷预测模型生成方法得到的。
9.一种空调负荷预测模型生成装置，其特征在于，所述装置包括：
初始模型构建模块，用于构建预设场所内空调设备的初始预测模型，所述初始预测模型包括：所述空调设备的热量调节项和多个维度的负荷项之间的关联关系；其中，所述负荷项为所述空调设备进行热量调节的影响因素；
历史数据获取模块，用于获取所述空调设备在预设连续的多个历史时间段内的热量调节数据和每个历史时间段的所述多个维度的负荷数据；
系数计算模块，用于根据所述热量调节数据和所述多个维度的负荷数据，对所述关联关系中所述多个维度的负荷项对应的系数进行求解，得到所述多个维度的系数；
目标模型生成模块，用于根据所述初始预测模型和所述多个维度的系数，得到所述空调设备的目标预测模型。
10.一种空调负荷预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取预设场所内空调设备在当前时刻的多个维度的负荷数据；
热量计算模块，用于根据所述多个维度的负荷数据，采用所述空调设备的目标预测模型，计算预设未来时刻的热量调节参数，以根据所述热量调节参数调节所述空调设备的热量搬运能力，其中，所述目标预测模型是采用如上述权利要求1-7任一项所述的空调负荷预测模型生成方法得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310762502.7A CN116776295A (zh) | 2023-06-26 | 2023-06-26 | 空调负荷预测模型生成方法、空调负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310762502.7A CN116776295A (zh) | 2023-06-26 | 2023-06-26 | 空调负荷预测模型生成方法、空调负荷预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116776295A true CN116776295A (zh) | 2023-09-19 |
Family
ID=88011263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310762502.7A Pending CN116776295A (zh) | 2023-06-26 | 2023-06-26 | 空调负荷预测模型生成方法、空调负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776295A (zh) |
-
2023
- 2023-06-26 CN CN202310762502.7A patent/CN116776295A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Practical implementation and evaluation of deep reinforcement learning control for a radiant heating system | |
| Joe et al. | A model predictive control strategy to optimize the performance of radiant floor heating and cooling systems in office buildings | |
| US11002457B2 (en) | Variable refrigerant flow, room air conditioner, and packaged air conditioner control systems with cost target optimization | |
| Goyal et al. | Experimental study of occupancy-based control of HVAC zones | |
| Yun et al. | Building hourly thermal load prediction using an indexed ARX model | |
| Stavrakakis et al. | Optimization of window-openings design for thermal comfort in naturally ventilated buildings | |
| Afram et al. | Gray-box modeling and validation of residential HVAC system for control system design | |
| Ferreira et al. | Neural networks based predictive control for thermal comfort and energy savings in public buildings | |
| Moon et al. | Development of a thermal control algorithm using artificial neural network models for improved thermal comfort and energy efficiency in accommodation buildings | |
| Kusiak et al. | Minimization of energy consumption in HVAC systems with data-driven models and an interior-point method | |
| Zhang et al. | Review of underfloor air distribution technology | |
| Lee et al. | A simulation–optimization approach for energy efficiency of chilled water system | |
| CN109416524A (zh) | 具有多级模型预测控制的变制冷剂流量系统 | |
| Athienitis et al. | A methodology for building thermal dynamics studies and control applications | |
| Garnier et al. | Low computational cost technique for predictive management of thermal comfort in non-residential buildings | |
| CN105091202A (zh) | 控制多个空调设备的方法和系统 | |
| US11236917B2 (en) | Building control system with zone grouping based on predictive models | |
| Nikovski et al. | A method for computing optimal set-point schedules for HVAC systems | |
| CN108197404A (zh) | 一种基于时间遗传特性的建筑负荷预测方法 | |
| US11953871B2 (en) | Building control system with automatic control problem formulation using building information model | |
| Mahbod et al. | Energy saving evaluation of an energy efficient data center using a model-free reinforcement learning approach | |
| JP2953317B2 (ja) | 空調熱負荷予測システム | |
| Li et al. | Predicting HVAC energy consumption in commercial buildings using multiagent systems | |
| Biyik et al. | Cloud-based model predictive building thermostatic controls of commercial buildings: Algorithm and implementation | |
| Dovrtel et al. | Multi-objective optimization of a building free cooling system, based on weather prediction |
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 |