CN116882265A - 空调负荷模型的构建方法、装置及空调控制系统 - Google Patents

空调负荷模型的构建方法、装置及空调控制系统 Download PDF

Info

Publication number
CN116882265A
CN116882265A CN202310698911.5A CN202310698911A CN116882265A CN 116882265 A CN116882265 A CN 116882265A CN 202310698911 A CN202310698911 A CN 202310698911A CN 116882265 A CN116882265 A CN 116882265A
Authority
CN
China
Prior art keywords
load model
model
data
operation data
air conditioner
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
Application number
CN202310698911.5A
Other languages
English (en)
Inventor
陈云菲
苏阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sunshine Hui Carbon Technology Co ltd
Original Assignee
Sunshine Hui Carbon Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sunshine Hui Carbon Technology Co ltd filed Critical Sunshine Hui Carbon Technology Co ltd
Priority to CN202310698911.5A priority Critical patent/CN116882265A/zh
Publication of CN116882265A publication Critical patent/CN116882265A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • F24F11/62—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请公开了一种空调负荷模型的构建方法、装置及空调控制系统，属于空调技术领域。该方法包括获取所述空调系统的历史运行数据和实时运行数据；基于所述历史运行数据，建立第一负荷模型；基于所述实时运行数据和所述第一负荷模型，确定当前室温误差；在所述当前室温误差在目标误差范围外的情况下，根据所述历史运行数据，对所述第一负荷模型进行参数辨识，重新确定所述当前室温误差，直至所述当前室温误差在所述目标误差范围内，得到所述空调负荷模型。该方法可以提高负荷模型的准确性和可靠性。

Description

空调负荷模型的构建方法、装置及空调控制系统
技术领域
本申请属于空调技术领域，尤其涉及一种空调负荷模型的构建方法、装置及空调控制系统。
背景技术
随着科技的发展，建筑空调中的各类传感器、智能电表、热表等智能计量设备在居民用户中的逐步普及应用，可以通过智能计量设备获得用户的负荷数据结合空调所属负荷模型对空调进行智能调控。
一般通过对空调等负荷设备进行调研，获取设备数据，建立相应的综合负荷模型及其参数，这种方法工作量大，且利用离线数据建立的负荷模型及其参数常常难以与实际动态变化的工况相匹配，可靠性较差。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种空调负荷模型的构建方法、装置及空调控制系统，可以准确辨识模型参数，提高负荷模型的准确性和可靠性。
第一方面，本申请提供了一种空调负荷模型的构建方法，所述空调负荷模型用于控制空调系统运行，该方法包括：
获取所述空调系统的历史运行数据和实时运行数据；
基于所述历史运行数据，建立第一负荷模型；
基于所述实时运行数据和所述第一负荷模型，确定当前室温误差；
在所述当前室温误差在目标误差范围外的情况下，根据所述历史运行数据，对所述第一负荷模型进行参数辨识，重新确定所述当前室温误差，直至所述当前室温误差在所述目标误差范围内，得到所述空调负荷模型。
根据本申请的空调负荷模型的构建方法，通过获取空调系统的历史运行数据，建立第一负荷模型，根据空调系统的实时运行数据，基于第一负荷模型对当前室温进行预测，与实际室温比较后，确定当前室温误差，根据当前室温误差对第一负荷模型进行参数辨识，构建空调负荷模型，可以准确辨识模型参数，提高负荷模型的准确性和可靠性。
根据本申请的一个实施例，所述对所述第一负荷模型进行参数辨识，包括：
基于所述空调系统的室温误差和功率误差，创建目标函数；
根据粒子群算法优化所述目标函数，对所述第一负荷模型进行参数辨识。
根据本申请的一个实施例，所述基于所述历史运行数据，建立第一负荷模型，包括：
基于所述历史运行数据，对负荷模型库中每个模型结构进行参数辨识，建立所述第一负荷模型，所述第一负荷模型的模型结构为所述负荷模型库中的模型结构。
根据本申请的一个实施例，所述基于所述历史运行数据，对负荷模型库中每个模型结构进行参数辨识，建立所述第一负荷模型，包括：
基于所述历史运行数据，对所述负荷模型库中每个模型结构进行参数辨识，得到所述负荷模型库中每个模型结构的参数辨识结果；
基于所述参数辨识结果，从所述负荷模型库中确定出第一模型结构，并得到与所述第一模型结构对应的第一模型参数；
基于所述第一模型结构和所述第一模型参数，建立所述第一负荷模型。
根据本申请的一个实施例，所述基于所述参数辨识结果，从所述负荷模型库中确定出第一模型结构，包括：
基于所述参数辨识结果，获取所述负荷模型库中每个模型结构对应的误差值和计算时长；
根据所述误差值和所述计算时长，从所述负荷模型库中确定出所述第一模型结构。
根据本申请的一个实施例，在所述获取所述空调系统的历史运行数据和实时运行数据之后，在所述建立第一负荷模型之前，所述方法还包括：
对所述历史运行数据和所述实时运行数据进行数据预处理，所述数据预处理包括异常值处理、缺失项填充和滤波处理中的至少一个。
根据本申请的一个实施例，所述对所述历史运行数据和所述实时运行数据进行数据预处理，包括：
将所述历史运行数据和所述实时运行数据分别输入至数据预处理模型进行数据预处理，所述数据预处理模型的数据预处理算法参数按照第一时间间隔进行更新。
根据本申请的一个实施例，所述方法还包括：
按照所述第一时间间隔，将所述历史运行数据输入至所述数据预处理模型进行数据预处理，获得所述数据预处理模型输出的数据预处理结果；
在所述数据预处理结果的准确率小于第一阈值的情况下，对所述数据预处理模型的数据预处理算法参数进行更新。
根据本申请的一个实施例，在所述确定当前室温误差之后，所述方法还包括：
在所述当前室温误差在所述目标误差范围内的情况下，将所述第一负荷模型作为所述空调负荷模型。
第二方面，本申请提供了一种空调负荷模型的构建装置，所述空调负荷模型用于控制空调系统运行，该装置包括：
获取模块，用于获取所述空调系统的历史运行数据和实时运行数据；
第一处理模块，用于基于所述历史运行数据，建立第一负荷模型；
第二处理模块，用于基于所述实时运行数据和所述第一负荷模型，确定当前室温误差；
第三处理模块，用于在所述当前室温误差在目标误差范围外的情况下，根据所述历史运行数据，对所述第一负荷模型进行参数辨识，重新确定所述当前室温误差，直至所述当前室温误差在所述目标误差范围内，得到所述空调负荷模型。
根据本申请的空调负荷模型的构建装置，通过获取空调系统的历史运行数据，建立第一负荷模型，根据空调系统的实时运行数据，基于第一负荷模型对当前室温进行预测，与实际室温比较后确定当前室温误差，根据当前室温误差对第一负荷模型进行参数辨识，构建空调负荷模型，可以准确辨识模型参数，提高负荷模型的准确性和可靠性。
第三方面，本申请提供了一种空调控制系统，包括：
采集控制模块，所述采集控制模块与空调系统连接，所述采集控制模块用于采集所述空调系统的历史运行数据和实时运行数据；
负荷建模模块，所述负荷建模模块和所述采集控制模块连接，所述负荷建模模块包括参数辨识子模块和模型分析子模块；
所述参数辨识子模块用于基于所述历史运行数据，建立第一负荷模型；
所述模型分析子模块用于基于所述实时运行数据和所述第一负荷模型，确定当前室温误差，在所述当前室温误差在目标误差范围外的情况下，根据所述历史运行数据，对所述第一负荷模型进行参数辨识，重新确定所述当前室温误差，直至所述当前室温误差在所述目标误差范围内，得到空调负荷模型；
所述采集控制模块还用于基于所述空调负荷模型，向所述空调系统发送控制指令，控制所述空调系统运行。
根据本申请的空调控制系统，通过获取空调系统的历史运行数据，建立第一负荷模型，根据空调系统的实时运行数据，基于第一负荷模型对当前室温进行预测，与实际室温比较后，确定当前室温误差，根据当前室温误差对第一负荷模型进行参数辨识，构建空调负荷模型控制空调系统运行，有效提高负荷模型预测准确性，与空调实际动态变化的工况相匹配，可靠性高。
根据本申请的一个实施例，所述负荷建模模块还包括：
数据预处理子模块，所述数据预处理子模块的输入端与所述采集控制模块连接，所述数据预处理子模块的输出端分别与所述参数辨识子模块和所述模型分析子模块连接；
所述数据预处理子模块用于对所述历史运行数据和所述实时运行数据进行数据预处理，所述数据预处理包括异常值处理、缺失项填充和滤波处理中的至少一个。
第四方面，本申请提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的空调负荷模型的构建方法。
第五方面，本申请提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的空调负荷模型的构建方法。
第六方面，本申请提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的调负荷模型的构建方法。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请实施例提供的空调负荷模型的构建方法的流程示意图之一；
图2是本申请实施例提供的粒子群算法执行的流程示意图；
图3是本申请实施例提供的空调负荷模型的构建方法的流程示意图之二；
图4是本申请实施例提供的一阶ETP模型的结构示意图；
图5是本申请实施例提供的二阶ETP模型的结构示意图；
图6是本申请实施例提供的三阶ETP模型的结构示意图；
图7是本申请实施例提供的第一负荷模型的构建方法的流程示意图；
图8是本申请实施例提供的数据预处理的流程示意图；
图9是本申请实施例提供的数据预处理模型调参的流程示意图；
图10是本申请实施例提供的空调负荷模型的构建方法的流程示意图之三；
图11是本申请实施例提供的空调负荷模型的构建装置结构示意图；
图12是本申请实施例提供的电子设备的结构示意图。
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地描述，显然，所描述的实施例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获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不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，以便本申请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，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的空调负荷模型的构建方法、空调负荷模型的构建装置、空调控制系统、电子设备和可读存储介质进行详细地说明。
其中，空调负荷模型的构建方法可应用于终端，具体可由，终端中的硬件或软件执行。
该终端包括但不限于具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话或平板电脑等便携式通信设备。还应当理解的是，在某些实施例中，该终端可以不是便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
以下各个实施例中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和控制杆的一个或多个其它物理用户接口设备。
本申请实施例提供的空调负荷模型的构建方法，该空调负荷模型的构建方法的执行主体可以为电子设备或者电子设备中能够实现该空调负荷模型的构建方法的功能模块或功能实体，本申请实施例提及的电子设备包括但不限于手机、平板电脑、电脑、相机和可穿戴设备等，下面以电子设备作为执行主体为例对本申请实施例提供的空调负荷模型的构建方法进行说明。
如图1所示，该空调负荷模型的构建方法包括：步骤110至步骤140。
空调负荷模型用于控制空调系统运行，空调系统可以包括业务层、数据层及基础设施层等层级结构。
业务层可以执行负荷建模，空调负荷模型可以位于业务层；数据层负责数据采集和发送控制指令控制基础设施层的基础设备，基础设施层包括空调室外机、空调室内机、电表、环境监测仪等基础设备。
步骤110、获取空调系统的历史运行数据和实时运行数据。
在该步骤中，历史运行数据和实时运行数据可以是从空调系统的基础设施层中采集得到的。
其中，运行数据是指空调的状态信息，包括功率信息、室内温度信息、室外温度信息等。
在该实施例中，在空调系统运行的过程中，通过对空调系统的基础设施进行数据采集，获取空调系统的历史运行数据和实时运行数据。
历史运行数据指的是构建空调负荷模型之前空调系统的运行数据；实时运行数据指的是当前时刻实时的空调系统的运行数据。
步骤120、基于历史运行数据，建立第一负荷模型。
在该步骤中，根据空调系统的历史运行数据，构建一个初始的负荷模型，即第一负荷模型。
在实际执行中，可以根据空调系统实际场景需求，选择不同的负荷模型结构，建立空调系统的第一负荷模型。
需要说明的是，第一负荷模型可以用于控制空调系统运行，第一负荷模型可以根据空调系统基础设施层的运行参数，预测空调系统基础设施层的运行参数，控制空调系统运行。
步骤130、基于实时运行数据和第一负荷模型，确定当前室温误差。
当前室温误差是指当前时刻室内空气温度的预测值与室内空气温度的实测值的误差值。
在该步骤中，基于实时运行数据和第一负荷模型，对室内空气温度进行预测，获得预测结果，将预测结果与实际室内空气温度进行比较，确定当前室温误差。
步骤140、在当前室温误差在目标误差范围外的情况下，根据历史运行数据，对第一负荷模型进行参数辨识，重新确定当前室温误差，直至当前室温误差在目标误差范围内，得到空调负荷模型。
目标误差范围是指室温误差允许存在的最大误差值范围。
在该实施例中，在确定当前室温误差后，将当前室温误差与目标误差范围进行比较，判断第一负荷模型的参数是否需要更新。
若当前室温误差在目标误差范围外，根据历史运行数据对第一负荷模型进行参数辨识，更新模型参数，重新确定当前室温误差，直至当前室温误差在目标误差范围内，得到空调负荷模型。
相关技术中，通过离线数据建立的负荷模型，常以预设周期进行参数更新，其辨识的参数常常难以与实际动态变化的工况相匹配，可靠性较差。
本申请实施例中，以当前室温误差是否越界作为第一负荷模型更新辨识参数的判断依据，进行参数辨识，及时更新参数，纠正偏离实际较大的温度计算值，有效减少了辨识次数和计算量，提高辨识准确性，得到的空调负荷模型更加准确，可靠性高。
根据本申请实施例提供的空调负荷模型的构建方法，通过获取空调系统的历史运行数据，建立第一负荷模型，根据空调系统的实时运行数据，基于第一负荷模型对当前室温进行预测，与实际室温比较后，确定当前室温误差，根据当前室温误差对第一负荷模型进行参数辨识，构建空调负荷模型，可以准确辨识模型参数，提高负荷模型的准确性和可靠性。
在一些实施例中，在确定当前室温误差之后，空调负荷模型的构建方法还包括：
在当前室温误差在目标误差范围内的情况下，将第一负荷模型作为空调负荷模型。
在该实施例中，基于数据预处理后的实时运行数据和第一负荷模型，计算室温预测值，与室温实际值比较后得到室温误差，当室温误差在目标误差范围内时，将第一负荷模型作为输出的空调负荷模型。
在一些实施例中，步骤140、对第一负荷模型进行参数辨识，包括：
基于空调系统的室温误差和功率误差，创建目标函数；
根据粒子群算法优化目标函数，对第一负荷模型进行参数辨识。
其中，室温误差是指室内空气温度的预测值与室内空气温度的实测值的误差，功率误差是指空调系统的制冷(热)量的预测值与实测值的误差。
在该实施例中，综合考虑空调系统的室温误差和功率误差，以室温误差和功率误差最小为目标，创建目标函数对第一负荷模型进行参数辨识，更新模型参数，得到空调负荷模型。
在实际执行中，目标函数可以为空调系统的室温误差和功率误差的加权求和的结果，粒子群算法优化的目标为室温误差和功率误差的加权求和最小。
例如，目标函数(Fc)的计算公式如下：
minFc＝aFISE+(1-a)FQ
其中，FISE为室温误差，FQ为功率误差，a为0～1之间的系数。
室温误差Fise计算公式如下：
其中，Ta，est(tk)为tk时刻室内气温预测值，Ta，meas(tk)为tk时刻室内气温实测值。
功率误差FQ计算公式如下：
其中，Qest(tk)为tk时刻功率预测值，Qmest(tk)为tk时刻功率实测值。
粒子群算法是一种进化算法，从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质。
在该实施例中，通过粒子群算法优化目标函数，对第一负荷模型进行参数辨识，得到可以使空调系统的室温误差和功率误差最小的模型参数最优解，进而得到空调负荷模型。
下面介绍粒子群算法寻优的具体流程。
如图2所示，输入近期数据预处理后历史运行数据，通过输入的历史运行数据，设置粒子群算法参数，设置参数动态阈值，在初始化群种后，通过目标函数计算每个粒子的个体适应度，更新个体最优值、种群最优值以及每个粒子的速度和位置，当迭代次数达到上限或最优解满足要求时，结束算法；当得到的最优解不满足要求且迭代次数没有达到上限时，通过更新适应度，更新个体最优值、种群最优值以及每个粒子的速度和位置，直至获取的最优解满足要求或迭代次数达到上限，结束算法。
下面介绍第一负荷模进行参数辨识的具体实施例。
如图3所示，基于实时运行数据和第一负荷模型，计算室温预测值，与室温实际值进行比较后得到当前室温误差，当前室温误差在目标误差范围外时，采用粒子群算法对辨识参数进行更新，基于近期的历史数据，设定参数阈值，生成参数值，得到室内气温预测值和空调功率预测值，创建目标函数，若满足误差要求，采用辨识结果的负荷模型，若不满足误差要求，更新适应度，更新参数值，重新进行仿真后优化目标函数，多次迭代直至满足误差要求，采用辨识结果的负荷模型；当室温误差在目标误差范围内时，输出空调负荷模型，参数辨识更新结束。
在该实施例中，当前室温误差在目标误差范围之外时，基于室温误差和功率误差，创建目标函数，通过粒子群算法优化目标函数，对第一负荷模型进行参数辨识，多次迭代直至满足误差要求，得到空调负荷模型。
在一些实施例中，步骤120、基于历史运行数据，建立第一负荷模型，可以包括：
基于历史运行数据，对负荷模型库中每个模型结构进行参数辨识，建立第一负荷模型，第一负荷模型的模型结构为负荷模型库中的模型结构。
负荷模型库是指包含一系列模拟空调负荷的模型结构的数据库，可根据实际应用场景选择准确最高的模型结构。
参数辨识是一种将理论模型和实验数据结合起来的技术，通过实验数据和建立的模型来确定一组模型的参数值，使得由模型计算得到的数值结果能最好地拟合实验数据，从而可以对未知过程进行预测。
在该实施例中，第一负荷模型是指基于历史运行数据，对负荷模型库中不同的负荷模型结构进行参数辨识，综合评价后得到最准确的负荷模型。
例如，负荷模型库的模型结构可以包括ETP模型，ETP模型是用来描述建筑物室内温度与温控负荷制冷(热)量的时变关系的模型。
在实际应用中，负荷模型库中的模型结构可以包括一阶ETP模型、二阶ETP模型和三阶ETP模型。
下面对一阶ETP模型进行具体介绍。
如图4所示，类比电路理论中的基尔霍夫定律对各个温度节点列的数学描述，创建室内的热平衡方程：
其中，To为室外干球温度节点，单位为℃；Ti为室内空气温度节点，单位为℃；C为整栋建筑的综合等效热容，单位为J/K；R为外围护结构的综合等效热阻，单位为K/W；Q为供热(冷)量，为正(负)值，单位为W。
下面对二阶ETP模型进行具体介绍。
如图5所示，室内气体同时与室内固体和室外气体进行热交换，由傅里叶导热定律可将二阶ETP模型表示为微分方程：
其中，Ta，in(t)为室内气温，Ta，in(t)为室内固体温度，To为室外干球温度节点，单位为℃；Ti为室内空气温度节点，单位为℃；Tm为内蓄热体等效温度节点，单位为℃；Ca为外围护结构和室内空气的综合等效热容，单位为J/K；Cm为内蓄热体等效热容，单位为J/K；Ra为外围护结构的综合等效热阻，单位为K/W；Rm为室内空气与内蓄热体之间的等效热阻；Q为供热(冷)量，为正(负)值，单位为W。
下面对三阶ETP模型进行具体介绍。
如图6所示类比电路理论中的基尔霍夫定律对各个温度节点列的数学描述，建立建筑外围护结构方程如下：
建筑室内空气方程如下：
内蓄热体的热平衡方程如下：
其中，To为室外干球温度节点，单位为℃；Twa为不透明外围结构等效温度节点，单位为℃；Ti为室内空气温度节点，单位为℃；Tm为内蓄热体等效温度节点，单位为℃；Cwa为不透明外围护结构等效热容，单位为J/K；Ci为室内空气的综合等效热容，单位为J/K；Cm为内蓄热体等效热容，单位为J/K；Rwin为透明外围护结构的综合等效热阻，单位为K/W；Rwa1、Rwa2为不透明外围护结构的综合等效热阻，单位为K/W；Rm为室内空气与内蓄热体之间的等效热阻；Q为供热(冷)量，为正(负)值，单位为W。
在该实施例中，基于历史运行数据，对负荷模型库中的每个模型结构进行参数辨识，获得一阶ETP模型、二阶ETP模型和三阶ETP模型的参数辨识结果，综合评价后得到第一负荷模型，第一负荷模型的模型结构可以为一阶ETP模型、二阶ETP模型或三阶ETP模型。
在实际执行中，可以以空调系统的室温误差和功率误差，创建目标函数，通过粒子群算法优化目标函数的参数辨识方式，对负荷模型库中的每个模型结构进行参数辨识，以及对第一负荷模型进行参数辨识。
在一些实施例中，基于历史运行数据，对负荷模型库中每个模型结构进行参数辨识，建立第一负荷模型，包括：
基于历史运行数据，对负荷模型库中每个模型结构进行参数辨识，得到负荷模型库中每个模型结构的参数辨识结果；
基于参数辨识结果，从负荷模型库中确定出第一模型结构，并得到与第一模型结构对应的第一模型参数；
基于第一模型结构和第一模型参数，建立第一负荷模型。
其中，第一模型结构是指对负荷模型库中的模型结构进行参数辨识后，基于参数辨识结果，选择最准确的模型结构。
可以理解的是，第一模型结构为负荷模型库中的模型结构的一种，第一模型参数是指第一模型结构对应的参数辨识结果。
在该实施例中，基于历史运行数据，对负荷模型库中的负荷模型分别进行参数辨识，得到对应的参数辨识结果，基于参数辨识的结果，选择最准确的负荷模型作为第一模型结构，获取第一模型结构的参数辨识结果作为第一模型参数，建立第一负荷模型。
在实际执行中，可以基于历史运行数据，采用粒子群算法，对负荷模型库中的不同负荷模型进行参数辨识，对辨识结果中的误差值和计算时长进行加权计算，确定第一模型结构和第一模型参数。
在一些实施例中，基于参数辨识结果，从负荷模型库中确定出第一模型结构，包括：
基于参数辨识结果，获取负荷模型库中每个模型结构对应的误差值和计算时长；
根据误差值和计算时长，从负荷模型库中确定出第一模型结构。
其中，误差值可以为每个模型结构计算出的室温误差和功率误差的加权求和值。
在实际应用中，通过获取负荷模型的辨识结果中对应的误差值和计算时长，将对应误差值和计算时长进行加权计算，得到综合评价值。
其中，加权计算是指将辨识结果中的误差值和计算时长进行计算，加权计算的结果用作选取第一负荷模型的综合评价值。
在实际执行中，将对应误差值和计算时长进行加权计算，计算公式可以为：0.5*误差值+0.5*计算时长。
其中，综合评价值可以作为选取第一负荷模型的依据，综合评价值越小，对应的负荷模型越准确。
通过比较不同负荷模型结构下对应的综合评价值，选择综合评价值最小的负荷模型结构和对应的参数辨识结果作为第一模型结构和第一模型参数。
在该实施例中，通过分别获取负荷模型库中每个负荷模型的参数辨识结果，得到对应的误差之后计算时长，将误差值和计算时长进行加权计算，得到综合评价值，选择综合评价值最小的负荷模型和辨识参数结果，确定第一负荷模型。
下面介绍第一负荷模型的构建方法的具体流程。
如图7所示，通过获取历史运行数据，将历史运行数据传输给负荷数据库，负荷数据库中的一阶ETP模型、二阶ETP模型和三阶ETP模型基于历史运行数据，采用粒子群算法，进行参数辨识，输出对应参数的辨识结果，将输出辨识结果中的误差值和计算时长进行加权计算，加权计算结果作为综合评价值，输出综合评价值最小的负荷模型及对应参数辨识结果，确定第一负荷模型，第一负荷模型可以为一阶ETP模型、二阶ETP模型或三阶ETP模型。
在一些实施例中，在获取空调系统的历史运行数据和实时运行数据之后，在建立第一负荷模型之前，方法还包括：
对历史运行数据和实时运行数据进行数据预处理，数据预处理包括异常值处理、缺失项填充和滤波处理中的至少一个。
其中，数据预处理是指在进行参数辨识前对数据进行一些处理，可以提高数据采集质量，减小数据误差。
在实际应用中，在进行数据预处理时，包括异常值处理、缺失项填充和滤波处理等步骤，但不代表每次进行数据预处理时都需要运行所有步骤。
例如，当获得的历史运行数据或实时运行数据不存在异常值时，在对该组实时运行数据进行数据预处理的操作，不需要进行异常值处理该步骤。
在该实施例中，在获取空调系统的历史运行数据和实时运行数据之后，通过将采集到的历史运行数据和实时运行数据进行异常值处理、缺失项填充和滤波处理等步骤中的至少一个，输出预处理后的数据，作为参数辨识中的历史运行数据和实时运行数据，提高数据采集质量，避免出现由于坏数据导致误差过大的现象。
下面介绍数据预处理的具体流程。
如图8所示，通过输入采集到的历史运行数据和实时运行数据，对数据进行异常值处理、缺失项填充和滤波处理，输出预处理后的数据。
需要说明的是，在进行数据预处理时，算法的准确性会受到应用场景等因素的影响，需要定期对算法的准确性进行考察，以保输出数据的数据质量。
在一些实施例中，对历史运行数据和实时运行数据进行数据预处理，包括：
将历史运行数据和实时运行数据分别输入至数据预处理模型进行数据预处理，数据预处理模型的数据预处理算法参数按照第一时间间隔进行更新。
其中，第一时间间隔是指定期对数据预处理模型中的数据预处理算法检查更新的时间间隔。
在该实施例中，在将历史运行数据和实时运行数据进行数据预处理时，以第一时间间隔对数据预处理的算法进行检查更新。
以第一时间间隔为240小时为例。
当数据预处理模型进行数据预处理满240小时，对数据预处理模型中的数据预处理算法进行检查，确定数据预处理模型中的数据预处理算法的精准性。
当出现算法的精准性较差的情况，进行算法调参，更新算法参数，重新确定适合数据预处理的算法参数值，提高数据预处理模型的准确性。
需要说明的是，在对算法的准确性进行判断时，可以通过设定阈值，通过阈值判断是否需要对数据预处理的算法进行调参。
在一些实施例中，空调负荷模型的构建方法还包括：
按照第一时间间隔，将历史运行数据输入至数据预处理模型进行数据预处理，获得数据预处理模型输出的数据预处理结果；
在数据预处理结果的准确率小于第一阈值的情况下，对数据预处理模型的数据预处理算法参数进行更新。
其中，第一阈值为判断是否需要对数据预处理的算法进行调参的临界值。
当数据预处理结果的准确率小于第一阈值时，更新算法参数，第一阈值可以需要根据应用场景经验值选定。
在该实施例中，按照第一时间间隔对数据预处理模型进行定期检查，根据应用场景设定第一阈值，通过输入历史运行数据，获得数据预处理模型输出的数据预处理结果，通过比较数据预处理结果的准确率和第一阈值，判断是否需要对数据预处理模型的数据预处理算法参数进行更新。
下面介绍数据预处理模型调参的具体流程。
如图9所示，通过输入近期无缺失的历史运行数据，对历史运行数据进行异常值处理和人工异常值判断，分别获得异常值识别准确率，当异常值识别准确率分别大于第一阈值R1和R2时，不进行算法调参；若不满足异常值识别准确率分别大于第一阈值R1和R2，对数据预处理模型进行算法调参，直至满足异常值识别准确率大于第一阈值R1和R2。
在满足异常值识别准确率分别大于第一阈值R1和R2时，随机删除部分数据，进行缺失项填充，获得缺失项填充准确率，当缺失项填充准确率大于第一阈值R3时，对数据进行滤波处理后结束数据预处理模型调参；若不满足缺失项准确率大于第一阈值R3时，对数据预处理模型进行算法调参，直至缺失项填充准确率满足第一阈值R3。
需要说明的是，在进行数据预处理算法调参时，由于实际的缺失值没有标准值可以参考，需要在已有数据的基础上随机删除部分数据，用于检查缺失项填充算法的准确性，将缺失项填充准确率与第一阈值进行比较，判断是否需要对数据预处理算法参数进行更新，有利于提高数据质量，提升负荷模型预测的准确性。
在该实施例中，基于无缺失的历史运行数据，以第一时间间隔对数据预处理的算法参数进行定期检查，通过更新算法参数，有效提高数据预处理后的数据质量，提升负荷模型的预测准确性。
下面介绍一个具体的实施例。
如图10所示，获取热泵空调的历史运行数据，包括用电功率、室内温度、室外温度数据等数据。
对历史运行数据进行数据预处理，包括异常值识别、缺失项填充、滤波处理等处理。
基于数据预处理的历史运行数据，建立热泵空调所属建筑物的二阶ETP模型，即第一负荷模型。
辨识参数生成与更新，辨识参数包括：Ca、Cm、Ra、Rm、Tm0、Cop，ave等。
其中，Ca为外围护结构和室内空气的综合等效热容，单位为J/K；Cm为内蓄热体等效热容，单位为J/K；Ra为外围护结构的综合等效热阻，单位为K/W；Rm为室内空气与内蓄热体之间的等效热阻；Tm0为固体初始温度，单位K；Cop,ave为空调热电转换效率。
根据室温误差Fise1和功率误差FQ，生成目标函数minFc＝aFise1+(1-a)FQ，进行参数辨识。
判断是否满足误差要求，当不满足误差要求时，更新适应度，更新辨识参数，多次迭代直至满足误差要求。
当满足误差要求时，输出辨识参数结果，包括：Ca、Cm、Ra、Rm、Tm0、Cop，ave等。
其中，Ca为外围护结构和室内空气的综合等效热容，单位为J/K；Cm为内蓄热体等效热容，单位为J/K；Ra为外围护结构的综合等效热阻，单位为K/W；Rm为室内空气与内蓄热体之间的等效热阻；Tm0为固体初始温度，单位K；Cop,ave为空调热电转换效率。
获取实时运行数据，包括用电功率数据。
对实时运行数据进行数据预处理，包括异常值识别、缺失项填充、滤波处理。
获取当前室温误差Fise2。
目标误差范围基于Fise1确定，比较Fise2和Fise1大小，当Fise2大于等于Fise1，当前室温误差在目标误差范围外，根据历史运行数据，对第一负荷模型进行参数辨识，重新确定当前室温误差。
当Fise2小于Fise1时，当前室温误差在目标误差范围内，判断在线参数辨识是否结束，若参数辨识没有结束，重新进行第一负荷模型参数辨识。
在该实施例中，通过数据预处理解决了数据采集的噪声、无关数据、遗漏数据等问题，得到高质量的空调运行数据，以当前室温误差为判断依据的在线动态参数辨识，可以有效提高负荷模型的准确性和可靠性。
本申请实施例提供的空调负荷模型的构建方法，执行主体可以为空调负荷模型的构建装置。本申请实施例中以空调负荷模型的构建装置执行空调负荷模型的构建方法为例，说明本申请实施例提供的空调负荷模型的构建装置。
本申请实施例还提供一种空调负荷模型的构建装置。
如图11所示，该空调负荷模型的构建装置包括：
获取模块1110，用于获取空调系统的历史运行数据和实时运行数据；
第一处理模块1120，用于基于历史运行数据，建立第一负荷模型；
第二处理模块1130，用于基于实时运行数据和第一负荷模型，确定当前室温误差；
第三处理模块1140，用于在当前室温误差在目标误差范围外的情况下，根据历史运行数据，对第一负荷模型进行参数辨识，重新确定当前室温误差，直至当前室温误差在目标误差范围内，得到空调负荷模型。
根据本申请实施例提供的空调负荷模型的构建装置，通过获取空调系统的历史运行数据，建立第一负荷模型，根据空调系统的实时运行数据，基于第一负荷模型对当前室温进行预测，与实际室温比较后确定当前室温误差，根据当前室温误差对第一负荷模型进行参数辨识，构建空调负荷模型，可以准确辨识模型参数，提高负荷模型的准确性和可靠性。
在一些实施例中，第三处理模块1140，用于基于空调系统的室温误差和功率误差，创建目标函数；
根据粒子群算法优化目标函数，对第一负荷模型进行参数辨识。
在一些实施例中，第一处理模块1120，用于基于历史运行数据，对负荷模型库中每个模型结构进行参数辨识，建立第一负荷模型，第一负荷模型的模型结构为负荷模型库中的模型结构。
在一些实施例中，第一处理模块1120，用于基于历史运行数据，对负荷模型库中每个模型结构进行参数辨识，得到负荷模型库中每个模型结构的参数辨识结果；
基于参数辨识结果，从负荷模型库中确定出第一模型结构，并得到与第一模型结构对应的第一模型参数；
基于第一模型结构和第一模型参数，建立第一负荷模型。
在一些实施例中，第一处理模块1120，用于基于参数辨识结果，获取负荷模型库中每个模型结构对应的误差值和计算时长；
根据误差值和计算时长，从负荷模型库中确定出第一模型结构。
在一些实施例中，在获取空调系统的历史运行数据和实时运行数据之后，第一处理模块1120，用于对历史运行数据和实时运行数据进行数据预处理，数据预处理包括异常值处理、缺失项填充和滤波处理中的至少一个。
在一些实施例中，第一处理模块1120还用于将历史运行数据和实时运行数据分别输入至数据预处理模型进行数据预处理，数据预处理模型的数据预处理算法参数按照第一时间间隔进行更新。
在一些实施例中，第一处理模块1120还用于按照第一时间间隔，将历史运行数据输入至数据预处理模型进行数据预处理，获得数据预处理模型输出的数据预处理结果；
在数据预处理结果的准确率小于第一阈值的情况下，对数据预处理模型的数据预处理算法参数进行更新。
在一些实施例中，第三处理模块1140还用于在当前室温误差在目标误差范围内的情况下，将第一负荷模型作为空调负荷模型。
本申请实施例中的空调负荷模型的构建装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobilepersonal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的空调负荷模型的构建装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为IOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的空调负荷模型的构建装置能够实现图1至图10的方法实施例实现的各个过程，为避免重复，这里不再赘述。
本申请实施例还提供一种空调控制系统。
空调控制系统包括：采集控制模块和负荷建模模块。
采集控制模块与空调系统连接，采集控制模块用于采集空调系统的历史运行数据和实时运行数据。
采集控制模块还用于基于空调负荷模型，向空调系统发送控制指令，控制空调系统运行。
空调系统可以包括业务层、数据层及基础设施层等层级结构。
业务层可以执行负荷建模，空调负荷模型可以位于业务层；数据层负责数据采集和发送控制指令控制基础设施层的基础设备，基础设施层包括空调室外机、空调室内机、电表、环境监测仪等基础设备。
在该实施例中，采集控制模块包括采集子模块和控制子模块，采集子模块用于采集空调的运行数据，包括功率、室内温度、室外温度等数据，控制子模块向基础设施层的设备传输控制指令，包括开/关、温度调节等。
负荷建模模块和采集控制模块连接，负荷建模模块包括参数辨识子模块和模型分析子模块。
其中，参数辨识子模块用于基于历史运行数据，建立第一负荷模型。
模型分析子模块用于基于实时运行数据和第一负荷模型，确定当前室温误差，在当前室温误差在目标误差范围外的情况下，根据历史运行数据，对第一负荷模型进行参数辨识，重新确定当前室温误差，直至当前室温误差在目标误差范围内，得到空调负荷模型。
根据本申请实施例提供的空调控制系统，通过获取空调系统的历史运行数据，建立第一负荷模型，根据空调系统的实时运行数据，基于第一负荷模型对当前室温进行预测，与实际室温比较后，确定当前室温误差，根据当前室温误差对第一负荷模型进行参数辨识，构建空调负荷模型控制空调系统运行，有效提高负荷模型预测准确性，与空调实际动态变化的工况相匹配，可靠性高。
在一些实施例中，负荷建模模块还包括数据预处理子模块。
数据预处理子模块的输入端与采集控制模块连接，数据预处理子模块的输出端分别与参数辨识子模块和模型分析子模块连接；
数据预处理子模块用于对历史运行数据和实时运行数据进行数据预处理，数据预处理包括异常值处理、缺失项填充和滤波处理中的至少一个。
在该实施例中，通过数据预处理子模块将采集到的历史运行数据和实时运行数据进行异常值处理、缺失项填充和滤波处理等数据预处理，输出预处理后的数据给参数辨识子模块和模型分析子模块，提高数据采集质量，避免出现由于坏数据导致误差过大的现象。
在一些实施例中，如图12所示，本申请实施例还提供一种电子设备1200，包括处理器1201、存储器1202及存储在存储器1202上并可在处理器1301上运行的计算机程序，该程序被处理器1201执行时实现上述空调负荷模型的构建方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
本申请实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述空调负荷模型的构建方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述空调负荷模型的构建方法。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述空调负荷模型的构建方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。

Claims (15)

1.一种空调负荷模型的构建方法，其特征在于，所述空调负荷模型用于控制空调系统运行，所述方法包括：
获取所述空调系统的历史运行数据和实时运行数据；
基于所述历史运行数据，建立第一负荷模型；
基于所述实时运行数据和所述第一负荷模型，确定当前室温误差；
在所述当前室温误差在目标误差范围外的情况下，根据所述历史运行数据，对所述第一负荷模型进行参数辨识，重新确定所述当前室温误差，直至所述当前室温误差在所述目标误差范围内，得到所述空调负荷模型。
2.根据权利要求1所述的空调负荷模型的构建方法，其特征在于，所述对所述第一负荷模型进行参数辨识，包括：
基于所述空调系统的室温误差和功率误差，创建目标函数；
根据粒子群算法优化所述目标函数，对所述第一负荷模型进行参数辨识。
3.根据权利要求1所述的空调负荷模型的构建方法，其特征在于，所述基于所述历史运行数据，建立第一负荷模型，包括：
基于所述历史运行数据，对负荷模型库中每个模型结构进行参数辨识，建立所述第一负荷模型，所述第一负荷模型的模型结构为所述负荷模型库中的模型结构。
4.根据权利要求3所述的空调负荷模型的构建方法，其特征在于，所述基于所述历史运行数据，对负荷模型库中每个模型结构进行参数辨识，建立所述第一负荷模型，包括：
基于所述历史运行数据，对所述负荷模型库中每个模型结构进行参数辨识，得到所述负荷模型库中每个模型结构的参数辨识结果；
基于所述参数辨识结果，从所述负荷模型库中确定出第一模型结构，并得到与所述第一模型结构对应的第一模型参数；
基于所述第一模型结构和所述第一模型参数，建立所述第一负荷模型。
5.根据权利要求4所述的空调负荷模型的构建方法，其特征在于，所述基于所述参数辨识结果，从所述负荷模型库中确定出第一模型结构，包括：
基于所述参数辨识结果，获取所述负荷模型库中每个模型结构对应的误差值和计算时长；
根据所述误差值和所述计算时长，从所述负荷模型库中确定出所述第一模型结构。
6.根据权利要求1-5任一项所述的空调负荷模型的构建方法，其特征在于，在所述获取所述空调系统的历史运行数据和实时运行数据之后，在所述建立第一负荷模型之前，所述方法还包括：
对所述历史运行数据和所述实时运行数据进行数据预处理，所述数据预处理包括异常值处理、缺失项填充和滤波处理中的至少一个。
7.根据权利要求6所述的空调负荷模型的构建方法，其特征在于，所述对所述历史运行数据和所述实时运行数据进行数据预处理，包括：
将所述历史运行数据和所述实时运行数据分别输入至数据预处理模型进行数据预处理，所述数据预处理模型的数据预处理算法参数按照第一时间间隔进行更新。
8.根据权利要求7所述的空调负荷模型的构建方法，其特征在于，所述方法还包括：
按照所述第一时间间隔，将所述历史运行数据输入至所述数据预处理模型进行数据预处理，获得所述数据预处理模型输出的数据预处理结果；
在所述数据预处理结果的准确率小于第一阈值的情况下，对所述数据预处理模型的数据预处理算法参数进行更新。
9.根据权利要求1-5任一项所述的空调负荷模型的构建方法，其特征在于，在所述确定当前室温误差之后，所述方法还包括：
在所述当前室温误差在所述目标误差范围内的情况下，将所述第一负荷模型作为所述空调负荷模型。
10.一种空调负荷模型的构建装置，其特征在于，所述空调负荷模型用于控制空调系统运行，所述装置包括：
获取模块，用于获取所述空调系统的历史运行数据和实时运行数据；
第一处理模块，用于基于所述历史运行数据，建立第一负荷模型；
第二处理模块，用于基于所述实时运行数据和所述第一负荷模型，确定当前室温误差；
第三处理模块，用于在所述当前室温误差在目标误差范围外的情况下，根据所述历史运行数据，对所述第一负荷模型进行参数辨识，重新确定所述当前室温误差，直至所述当前室温误差在所述目标误差范围内，得到所述空调负荷模型。
11.一种空调控制系统，其特征在于，包括：
采集控制模块，所述采集控制模块与空调系统连接，所述采集控制模块用于采集所述空调系统的历史运行数据和实时运行数据；
负荷建模模块，所述负荷建模模块和所述采集控制模块连接，所述负荷建模模块包括参数辨识子模块和模型分析子模块；
所述参数辨识子模块用于基于所述历史运行数据，建立第一负荷模型；
所述模型分析子模块用于基于所述实时运行数据和所述第一负荷模型，确定当前室温误差，在所述当前室温误差在目标误差范围外的情况下，根据所述历史运行数据，对所述第一负荷模型进行参数辨识，重新确定所述当前室温误差，直至所述当前室温误差在所述目标误差范围内，得到空调负荷模型；
所述采集控制模块还用于基于所述空调负荷模型，向所述空调系统发送控制指令，控制所述空调系统运行。
12.根据权利要求11所述的空调控制系统，其特征在于，所述负荷建模模块还包括：
数据预处理子模块，所述数据预处理子模块的输入端与所述采集控制模块连接，所述数据预处理子模块的输出端分别与所述参数辨识子模块和所述模型分析子模块连接；
所述数据预处理子模块用于对所述历史运行数据和所述实时运行数据进行数据预处理，所述数据预处理包括异常值处理、缺失项填充和滤波处理中的至少一个。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9任一项所述空调负荷模型的构建方法。
14.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-9任一项所述的空调负荷模型的构建方法。
15.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述空调负荷模型的构建方法。
CN202310698911.5A 2023-06-12 2023-06-12 空调负荷模型的构建方法、装置及空调控制系统 Pending CN116882265A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310698911.5A CN116882265A (zh) 2023-06-12 2023-06-12 空调负荷模型的构建方法、装置及空调控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310698911.5A CN116882265A (zh) 2023-06-12 2023-06-12 空调负荷模型的构建方法、装置及空调控制系统

Publications (1)

Publication Number Publication Date
CN116882265A true CN116882265A (zh) 2023-10-13

Family

ID=88267066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310698911.5A Pending CN116882265A (zh) 2023-06-12 2023-06-12 空调负荷模型的构建方法、装置及空调控制系统

Country Status (1)

Country Link
CN (1) CN116882265A (zh)

Similar Documents

Publication Publication Date Title
CN110442936B (zh) 基于数字孪生模型的设备故障诊断方法、装置及系统
JP6292076B2 (ja) 時系列予測アンサンブル
JP6403881B2 (ja) 空調システム、並びに空調システムの動作を制御するためのシステム及び方法
AU2001255994B2 (en) Method of business analysis
Zhao et al. Thermal-sensor-based occupancy detection for smart buildings using machine-learning methods
AU2001255994A1 (en) Method of Business Analysis
JP7231403B2 (ja) 空調制御システム及び方法
CN116882708B (zh) 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备
KR102047850B1 (ko) 컴퓨터의 유체 역학 시스템들 및 그것의 사용 방법들
CN112152840B (zh) 一种基于bim和模拟仿真的传感器部署方法和系统
CN104797990A (zh) 用于表征热瞬态性能的方法和仪器
CN116822967A (zh) 一种工程项目造价风险管理方法及管理系统
Macumber et al. A graphical tool for cloud-based building energy simulation
CN105992954A (zh) 基于传感器的设施能量建模
CN117436318B (zh) 基于物联网的智慧楼宇管理方法及系统
CN112232886B (zh) 一种电价概率预测方法、系统、计算机设备和存储介质
Mao et al. Towards fast energy performance evaluation: A pilot study for office buildings
WO2015127664A1 (zh) 能耗监控方法及装置
CN116882265A (zh) 空调负荷模型的构建方法、装置及空调控制系统
CN113574510A (zh) 用于计算密度效率测量的数据中心管理系统和方法
CN114154780A (zh) 评价方法、装置、电子设备及相关产品
CN114441848A (zh) 功耗确定方法、装置、电子设备和存储介质
Chong et al. A framework for the continuous calibration of building energy models with uncertainty
CN113919449B (zh) 基于精准模糊聚类算法的居民电力数据聚类方法及装置
CN115146790B (zh) 深度学习模型的训练方法、换热数据的确定方法和装置

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