CN118134227A - 一种基于混合模型的短期建筑冷热负荷预测方法及系统 - Google Patents
一种基于混合模型的短期建筑冷热负荷预测方法及系统 Download PDFInfo
- Publication number
- CN118134227A CN118134227A CN202410574465.1A CN202410574465A CN118134227A CN 118134227 A CN118134227 A CN 118134227A CN 202410574465 A CN202410574465 A CN 202410574465A CN 118134227 A CN118134227 A CN 118134227A
- Authority
- CN
- China
- Prior art keywords
- building
- cold
- model
- hot
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004378 air conditioning Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000035515 penetration Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 10
- 238000005265 energy consumption Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种基于混合模型的短期建筑冷热负荷预测方法及系统，包括基于历史气象数据筛选出有代表性典型日；建立项目的精细三维仿真模型，并通过与历史典型日相似的现场运行实测数据对该模型进行校准；利用经过校准后的三维仿真模型生成高质量的建筑冷热负荷数据，进一步训练神经网络模型，最终实现短期建筑冷热负荷的高效预测；本发明通过引入三维仿真模型的校准环节，使得三维仿真模型负荷计算结果与实际建筑冷热负荷的保持高度一致性，提高了建筑三维仿真模型计算结果的准确性，确保了神经网络模型训练数据集的有效性，有效克服了空调系统运行前期由于数据量有限导致神经网络模型训练效果不佳的问题。
Description
技术领域
本发明属于建筑暖通空调控制技术领域，具体涉及一种基于混合模型的短期建筑冷热负荷预测方法及系统。
背景技术
在建筑能源消耗的构成中，空调系统能耗通常占据建筑总能耗的40%以上。因此，实现对短期建筑冷热负荷的精确预测对于优化空调系统的机组及输配系统调度至关重要，这不仅有助于确保空调系统运行能效和经济性的最大化，也有助于提升室内环境的舒适度。
在当前的建筑冷热负荷预测实践中，普遍采用基于大量历史气象数据和负荷数据训练的神经网络模型，尽管它们能够提供快速且相对准确的预测，但在项目初期的应用常受限于数据量以及数据质量。三维仿真模型基于物理法则，通过模拟建筑与环境的热交换过程应用热平衡原理进行负荷计算，但存在以下挑战：简化的模型计算快速但难以全面反映建筑的热特性；高精度模型的负荷计算通常较为耗时，难以满足实时滚动预测的需求；三维仿真模型缺少校准过程，或校准依赖主观经验，缺乏科学的校准方法，这可能会导致其输出与实际负荷存在显著偏差，进而直接影响神经网络模型的预测精度。
发明内容
本发明要解决的技术问题是：提供一种基于混合模型的短期建筑冷热负荷预测方法及系统，用于快速准确地预测建筑冷热负荷。
本发明为解决上述技术问题所采取的技术方案为：一种基于混合模型的短期建筑冷热负荷预测方法，包括以下步骤：
S1：根据历史气象数据筛选历史典型日，收集与历史典型日相似的实际运行日的实测气象数据；
S2：建立用于预测建筑冷热负荷的三维仿真模型，并通过与历史典型日相似的实测气象数据校准三维仿真模型；
S3：将历史气象数据输入校准后的三维仿真模型，计算形成神经网络负荷预测模型的建筑冷热负荷训练数据集；
S4：利用校准后的三维模型计算得到的建筑冷热负荷训练数据集，结合历史气象数据训练神经网络负荷预测模型；
S5：通过训练完成的神经网络负荷预测模型对建筑冷热负荷进行实时滚动预测。
按上述方案，所述的步骤S1中，具体步骤为：
S11：对历史气象数据进行清洗和去噪预处理；
S12：采用聚类分析法分析预处理后的数据，筛选出代表性的历史典型日；
S13：实际运行空调系统，找到与历史典型日具有相似气象条件的实际运行日，并收集实际运行日的实测气象数据。
进一步的，所述的步骤S1中，历史气象数据为包括室外干球温度、露点温度、相对湿度、风速和太阳辐射强度的与建筑冷热负荷相关的气象数据；
所述的步骤S11中，清洗和去噪预处理包括去除异常值、修复缺失值和处理离群点；修复缺失值是使用插值方法填充数据中的缺失值；插值方法包括线性插值、拉格朗日插值或样条插值；
所述的步骤S12中，聚类分析法包括K-means算法、层次聚类算法或MeanShift算法；
所述的步骤S13中收集的数据还包括供冷供热系统的供回水温差与流量数据。
按上述方案，所述的步骤S2中，具体步骤为：
S21：根据原有建筑设计图纸1：1搭建建筑三维仿真模型并设置三维仿真模型的围护结构热工参数；
S22：用与历史典型日相似的实际运行日的实测气象数据替换三维仿真模型中的原始气象数据；
S23：通过相关优化算法校准三维仿真模型中与建筑冷热负荷有关的动态参数，确保三维仿真模型计算的建筑冷热负荷与实测值趋势一致、日内累加值相近。
进一步的，所述的步骤S2中，建筑冷热负荷是指维持室内温度达到设定值时所需要向建筑内部提供的冷量和热量；设c为冷冻水或热水的比热容常数，m为冷冻水或热水的质量流量，Δtj为冷冻水或热水的供回水温差，则j时刻的建筑冷热负荷Qj通过测量供冷供热干管的供回水温差和流量计算得到：
Qj=cmΔtj；
所述的步骤S21中，采用包括energyplus、modelica、trnsys、dest的平台搭建建筑三维仿真模型；围护结构热工参数包括建筑外墙传热系数、建筑屋面传热系数、建筑外窗传热系数、建筑外窗得热系数、建筑外窗可开启面积比例、建筑外门传热系数、建筑内墙传热系数、建筑内窗传热系数、建筑内门传热系数、室内温度设定值和新风机新风量；
所述的步骤S23中，相关优化算法包括通过外部算法调用energyplus或modelica中的三维仿真模型校准、利用trnsys中的trnopt优化工具箱校准；三维仿真模型中与建筑冷热负荷有关的动态参数包括渗透风量、自然通风量、人员在室率和设备热扰。
按上述方案，所述的步骤S4中，具体步骤为：
S41：将建筑冷热负荷训练数据集划分为训练集和测试集，训练集和测试集的输入为建筑冷热负荷相关的气象数据，输出为校准后的三维仿真模型计算得到的冷热负荷数据；
S42：对训练集的数据进行归一化处理，使用训练集的数据训练神经网络负荷预测模型；
S43：通过优化算法不断调整神经网络负荷预测模型的权重和偏移量，直到神经网络负荷预测模型达到收敛状态；
S44：将测试集中与建筑冷热负荷相关的气象数据归一化后输入到步骤S42训练好的神经网络负荷预测模型中进行计算并反向归一化，得到建筑的冷热负荷的预测值；
S45：对比预测值与步骤S32由三维仿真模型计算得到测试集中的冷热负荷数据的真实值，评估神经网络负荷预测模型的训练效果。
进一步的，所述的步骤S41中，神经网络负荷预测模型采用包括全连接神经网络、卷积神经网络或循环神经网络的模型；构建神经网络负荷预测模型的拓扑结构包括隐藏层数量、隐藏单元数量和激活函数的参数；
所述的步骤S44中，评估指标包括R平方、均方误差、平均绝对值误差和平均绝对值百分比误差。
按上述方案，所述的步骤S5中，具体步骤为：将实时的与建筑冷热负荷相关的气象数据输入到训练好的神经网络负荷预测模型中进行预测，将预测的结果反向归一化，得到未来一段时间建筑冷热负荷的预测值。
一种基于混合模型的短期建筑冷热负荷预测系统，包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现一种基于混合模型的短期建筑冷热负荷预测方法的步骤。
一种计算机存储器，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行一种基于混合模型的短期建筑冷热负荷预测方法的步骤。
本发明的有益效果为：
1.本发明的一种基于混合模型的短期建筑冷热负荷预测方法及系统，通过引入模型校准过程，包括典型日聚类方法、校准算法和校准评价过程在内的模型校准过程，确保了三维仿真模型计算结果与实际建筑冷热负荷的高度一致性，提高了负荷预测数据集的输出质量，实现了快速准确地预测建筑冷热负荷的功能。
2.本发明通过能耗模拟软件建立高精度的三维仿真模型并进行校准，生成了高质量的训练数据集，进而训练出更准确的神经网络模型，解决了空调系统运行前期由于数据量有限导致神经网络模型训练效果不佳的问题。
3.本发明不仅提高了预测准确性，还满足了空调系统实时调度的需求；通过结合三维仿真模型的精确性和神经网络模型的快速计算特性，本发明能够在保证的预测准确性的同时，为空调系统的节能运行策略制定提供有效支撑。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例选用的某建筑的实景图。
图3是本发明实施例选用的某建筑四层办公房间空调系统运维平台图。
图4是本发明实施例的基于energyplus的建筑热负荷预测的三维仿真模型图。
图5是本发明实施例的四种场景的真实负荷与校准后的三维仿真模型预测负荷的对比图。
图6是本发明实施例的基于DNN神经网络的建筑热负荷预测模型图。
图7是本发明实施例的测试集数据的预测值与实际值的误差对比图。
图8是本发明实施例的预测的某一天建筑逐小时热负荷结果与测量得到的实际热负荷误差的对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图2所示，本发明的实施例选用某建筑顶层办公房间为对象，用于冬季热负荷的预测。办公房间的空调系统包括一台室外机、一台水泵、集热水箱、末端的阀门、室内新风机、两台回风机组及其他辅助设备，运行数据通过如图3所示的空调系统运维平台采集。参见图1，本实施例包括以下步骤：
根据项目现场的历史气象数据库，收集9.00~18.00空调运行时段的历史逐小时室外干球温度、露点温度、相对湿度、风速和太阳辐射强度数据，剔除异常值，并采用线性插值补充缺失值，典型日的筛选具体步骤如下：
数据收集：本实施例基于某建设项目的现场历史气象数据库，精选了历史上逐小时记录的室外干球温度、露点温度、相对湿度、风速和太阳辐射强度等关键气象数据。
数据预处理：考虑到选取的五种气象数据在数量级上的差异可能对后续分析造成影响，采用归一化处理的方法对数据进行标准化，确保聚类分析的准确性和有效性。
聚类分析：运用SPSS软件的K-means聚类分析功能，对归一化后的数据进行典型日筛选。为了确定最优的聚类数量（k值），本实施例分别尝试了k=3、4、5、6的情况。经过反复比对，当k=4时，得到的聚类结果在数据特征上呈现出较为明显的区分，能够代表不同的典型气象场景。
典型场景分析：对于k=4的聚类结果，通过反向归一化处理获得了具体的典型日气象条件，具体如下：
第一典型日：室外温度5℃~12℃，风速2~5m/s，相对湿度40%~60%，太阳辐射强度131W/㎡~954W/㎡。
第二典型日：室外温度3℃~7℃，风速2~5m/s，相对湿度40%~60%，太阳辐射强度87W/㎡~805W/㎡。
第三典型日：室外温度2℃~5℃，风速3~5m/s，相对湿度75%~85%，太阳辐射强度99W/㎡~586W/㎡。
第四典型日：室外温度0℃~2℃，风速3~5m/s，相对湿度80%~95%，太阳辐射强度57W/㎡~447W/㎡。
通过上述步骤，本实施例成功地从历史气象数据中筛选出具有代表性的典型日场景，为为三维仿真模型的精确校准提供了重要基础。
根据空调运行初期的数据库，筛选出与典型日气象条件相似的运行日，搜集这些运行日全天的逐时室外干球温度、露点温度、相对湿度、风速和太阳辐射强度、供冷供热干管的供回水温差、流量和室内末端温度。室温通过室内末端进行调控，设定温度为25℃，逐时建筑热负荷通过式子Qj=cmΔtj计算得到。
本实施例采用energyplus软件建立如图2所示建筑的办公房间的热负荷计算三维仿真模型，模型如图4所示，在软件中1:1搭建建筑模型，并根据原建筑设计图纸中的围护结构参数设置模型的围扩结构参数，包括建筑外墙传热系数0.62W/㎡·K、建筑屋面传热系数0.33W/㎡·K、建筑外窗传热系数2.00W/㎡·K、建筑外窗得热系数0.40、建筑外窗可开启面积比例40%、建筑外门传热系数2.20W/㎡·K、建筑内墙传热系数1.56W/㎡·K、建筑内门传热系数2.20W/㎡·K，并设定室内温度值为25℃。
将epw文件中的气象数据替换为与历史典型日相似的运行日气象数据。将energyplus中建立的三维仿真模型转化成FMU文件，在python中调用FMU文件，目标函数设定为最大的R平方值和最小日内负荷累加值误差，变量为渗透风量、自然通风量、人员在室率、照明功率密度、设备功率密度，优化目标函数为最大R平方值与最小日内负荷累加值误差，采用遗传算法求解帕累托前沿解，完成三维仿真模型校准。
校准后的实际负荷与三维仿真模型计算得到的负荷结果如图5所示，经过优化后的三维仿真模型计算出的实时建筑冷热负荷，与通过测量供冷供热干管的供回水温差和流量计算得到的实时建筑冷热负荷的R平方值为0.961，趋势一致；日内负荷累加值误差为3.4%，结果接近；完成了三维仿真模型的校准工作流程。
将energyplus软件中的气象数据epw文件中的逐时室外干球温度、露点温度、相对湿度、风速和太阳辐射强度替换为三个供暖季的逐时室外干球温度、露点温度、相对湿度、风速和太阳辐射强度，之后利用校准后的三维仿真模型计算三个供暖季的逐时建筑热负荷，得到神经网络模型所需的数据。
本实施例搭建了如图6所示的DNN神经网络预测模型，构造由前六个时刻的逐时室外干球温度、露点温度、相对湿度、风速、太阳辐射强度预测后一个时刻的建筑热负荷的DNN神经网络负荷预测模型的架构，该架构共有三十个输入特征和一个输出特征。
将三季供暖期的相关气象及负荷数据进行了归一化，并随机化样本顺序以排除顺序偏差。数据集划分为训练集与测试集，比例为7:3，设置随机因子，保证计算结果的可复现性。DNN模型包含三个隐含层，每个隐含层设置15个神经元，设置激活函数为ReLU函数，损失函数为MSELoss函数，设置学习率为0.01，利用反向传播方法迭代，以优化模型参数并最小化预测误差。利用测试集数据对模型预测性能进行评价，结果如图7所示。经计算，R平方为0.9952，MAPE为1.54%，表明模型预测效果优异。
在后续的运行时段，将每个时刻的前六个小时的室外干球温度、露点温度、相对湿度、风速、太阳辐射强度进行归一化后，输入到训练好的神经网络模型中，将预测的结果进行反向归一化，得到后一个小时的建筑热负荷预测值，完成建筑热负荷的实时滚动预测。
本实施例在某日进行负荷预测，测试本实施例的可行性，图8为本发明方法预测的逐小时热负荷结果与测量得到的实际热负荷误差的对比结果，平均误差为3.94%，预测效果相对较好。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (10)
1.一种基于混合模型的短期建筑冷热负荷预测方法，其特征在于：包括以下步骤：
S1：根据历史气象数据筛选历史典型日，收集与历史典型日相似的实际运行日的实测气象数据；
S2：建立用于预测建筑冷热负荷的三维仿真模型，并通过与历史典型日相似的实测气象数据校准三维仿真模型；
S3：将历史气象数据输入校准后的三维仿真模型，计算形成神经网络负荷预测模型的建筑冷热负荷训练数据集；
S4：利用校准后的三维模型计算得到的建筑冷热负荷训练数据集，结合历史气象数据训练神经网络负荷预测模型；
S5：通过训练完成的神经网络负荷预测模型对建筑冷热负荷进行实时滚动预测。
2.根据权利要求1所述的一种基于混合模型的短期建筑冷热负荷预测方法，其特征在于：所述的步骤S1中，具体步骤为：
S11：对历史气象数据进行清洗和去噪预处理；
S12：采用聚类分析法分析预处理后的数据，筛选出代表性的历史典型日；
S13：实际运行空调系统，找到与历史典型日具有相似气象条件的实际运行日，并收集实际运行日的实测气象数据。
3.根据权利要求2所述的一种基于混合模型的短期建筑冷热负荷预测方法，其特征在于：所述的步骤S1中，历史气象数据为包括室外干球温度、露点温度、相对湿度、风速和太阳辐射强度的与建筑冷热负荷相关的气象数据；
所述的步骤S11中，清洗和去噪预处理包括去除异常值、修复缺失值和处理离群点；修复缺失值是使用插值方法填充数据中的缺失值；插值方法包括线性插值、拉格朗日插值或样条插值；
所述的步骤S12中，聚类分析法包括K-means算法、层次聚类算法或MeanShift算法；
所述的步骤S13中收集的数据还包括供冷供热系统的供回水温差与流量数据。
4.根据权利要求1所述的一种基于混合模型的短期建筑冷热负荷预测方法，其特征在于：所述的步骤S2中，具体步骤为：
S21：根据原有建筑设计图纸1：1搭建建筑三维仿真模型并设置三维仿真模型的围护结构热工参数；
S22：用与历史典型日相似的实际运行日的实测气象数据替换三维仿真模型中的原始气象数据；
S23：通过相关优化算法校准三维仿真模型中与建筑冷热负荷有关的动态参数，确保三维仿真模型计算的建筑冷热负荷与实测值趋势一致、日内累加值相近。
5.根据权利要求4所述的一种基于混合模型的短期建筑冷热负荷预测方法，其特征在于：所述的步骤S2中，建筑冷热负荷是指维持室内温度达到设定值时所需要向建筑内部提供的冷量和热量；设c为冷冻水或热水的比热容常数，m为冷冻水或热水的质量流量，Δtj为冷冻水或热水的供回水温差，则j时刻的建筑冷热负荷Qj通过测量供冷供热干管的供回水温差和流量计算得到：
Qj=cmΔtj；
所述的步骤S21中，采用包括energyplus、modelica、trnsys、dest的平台搭建建筑三维仿真模型；围护结构热工参数包括建筑外墙传热系数、建筑屋面传热系数、建筑外窗传热系数、建筑外窗得热系数、建筑外窗可开启面积比例、建筑外门传热系数、建筑内墙传热系数、建筑内窗传热系数、建筑内门传热系数、室内温度设定值和新风机新风量；
所述的步骤S23中，相关优化算法包括通过外部算法调用energyplus或modelica中的三维仿真模型校准、利用trnsys中的trnopt优化工具箱校准；三维仿真模型中与建筑冷热负荷有关的动态参数包括渗透风量、自然通风量、人员在室率和设备热扰。
6.根据权利要求1所述的一种基于混合模型的短期建筑冷热负荷预测方法，其特征在于：所述的步骤S4中，具体步骤为：
S41：将建筑冷热负荷训练数据集划分为训练集和测试集，训练集和测试集的输入为建筑冷热负荷相关的气象数据，输出为校准后的三维仿真模型计算得到的冷热负荷数据；
S42：对训练集的数据进行归一化处理，使用训练集的数据训练神经网络负荷预测模型；
S43：通过优化算法不断调整神经网络负荷预测模型的权重和偏移量，直到神经网络负荷预测模型达到收敛状态；
S44：将测试集中与建筑冷热负荷相关的气象数据归一化后输入到步骤S42训练好的神经网络负荷预测模型中进行计算并反向归一化，得到建筑的冷热负荷的预测值；
S45：对比预测值与步骤S41由三维仿真模型计算得到测试集中的冷热负荷数据的真实值，评估神经网络负荷预测模型的训练效果。
7.根据权利要求6所述的一种基于混合模型的短期建筑冷热负荷预测方法，其特征在于：所述的步骤S41中，神经网络负荷预测模型采用包括全连接神经网络、卷积神经网络或循环神经网络的模型；构建神经网络负荷预测模型的拓扑结构包括隐藏层数量、隐藏单元数量和激活函数的参数；
所述的步骤S44中，评估指标包括R平方、均方误差、平均绝对值误差和平均绝对值百分比误差。
8.根据权利要求1所述的一种基于混合模型的短期建筑冷热负荷预测方法，其特征在于：所述的步骤S5中，具体步骤为：将实时的与建筑冷热负荷相关的气象数据输入到训练好的神经网络负荷预测模型中进行预测，将预测的结果反向归一化，得到未来一段时间建筑冷热负荷的预测值。
9.一种基于混合模型的短期建筑冷热负荷预测系统，包括处理器和存储器，其特征在于：所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如权利要求1至权利要求8中任意一项所述的一种基于混合模型的短期建筑冷热负荷预测方法的步骤。
10.一种计算机存储器，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求8中任意一项所述的一种基于混合模型的短期建筑冷热负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410574465.1A CN118134227B (zh) | 2024-05-10 | 2024-05-10 | 一种基于混合模型的短期建筑冷热负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410574465.1A CN118134227B (zh) | 2024-05-10 | 2024-05-10 | 一种基于混合模型的短期建筑冷热负荷预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118134227A true CN118134227A (zh) | 2024-06-04 |
| CN118134227B CN118134227B (zh) | 2024-09-10 |
Family
ID=91232197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410574465.1A Active CN118134227B (zh) | 2024-05-10 | 2024-05-10 | 一种基于混合模型的短期建筑冷热负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118134227B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626115A (zh) * | 2020-12-11 | 2022-06-14 | 天津大学 | 一种基于迁移学习的建筑逐时热负荷预测建模方法 |
| WO2023093820A1 (zh) * | 2021-11-25 | 2023-06-01 | 阿里云计算有限公司 | 设备的控制优化方法、展示平台、云服务器及存储介质 |
| CN116227342A (zh) * | 2023-01-12 | 2023-06-06 | 南京工业大学 | 一种基于模拟仿真和冷负荷预测模型的区域供冷系统冷站优化算法 |
| WO2024078530A1 (zh) * | 2022-10-11 | 2024-04-18 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
-
2024
- 2024-05-10 CN CN202410574465.1A patent/CN118134227B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626115A (zh) * | 2020-12-11 | 2022-06-14 | 天津大学 | 一种基于迁移学习的建筑逐时热负荷预测建模方法 |
| WO2023093820A1 (zh) * | 2021-11-25 | 2023-06-01 | 阿里云计算有限公司 | 设备的控制优化方法、展示平台、云服务器及存储介质 |
| WO2024078530A1 (zh) * | 2022-10-11 | 2024-04-18 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
| CN116227342A (zh) * | 2023-01-12 | 2023-06-06 | 南京工业大学 | 一种基于模拟仿真和冷负荷预测模型的区域供冷系统冷站优化算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118134227B (zh) | 2024-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | A multi-objective optimization model for energy-efficiency building envelope retrofitting plan with rooftop PV system installation and maintenance | |
| Wang et al. | Parameter estimation of internal thermal mass of building dynamic models using genetic algorithm | |
| CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
| CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
| CN114484557B (zh) | 一种基于目标能耗管控的建筑群供热负荷调控方法 | |
| 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 | |
| CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN114200839B (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 | |
| CN109858700A (zh) | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 | |
| CN112926795A (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 | |
| CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
| Lin et al. | Evaluating energy retrofits of historic buildings in a university campus using an urban building energy model that considers uncertainties | |
| CN114565167B (zh) | 一种热力入口负荷动态预测及调控方法 | |
| Lei et al. | Prediction method of energy consumption for high building based on LMBP neural network | |
| Song et al. | Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings | |
| Shen et al. | Exploring potential for residential energy saving in New York using developed lightweight prototypical building models based on survey data in the past decades | |
| CN117760063A (zh) | 一种基于空气焓值的地铁空调负荷预测方法 | |
| CN118134227B (zh) | 一种基于混合模型的短期建筑冷热负荷预测方法及系统 | |
| CN117332971A (zh) | 一种计及城市形态的区域综合能源规划方法及系统 | |
| CN115879190B (zh) | 模型构建方法及装置、建筑负荷预测方法及装置 | |
| Lorenzati et al. | Social housing in Italy: Energy audit and dynamic simulation towards a nZEB policy | |
| CN113486422B (zh) | 建筑能耗模型参数校准方法、装置、设备及存储介质 | |
| CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |