商場建築中央空調冷負荷在線預測方法及系統的製作方法

2023-10-25 05:58:57

專利名稱：商場建築中央空調冷負荷在線預測方法及系統的製作方法
技術領域：
本發明涉及一種在線的中央空調冷負荷預測方法，特別涉及具體涉及一種基於客流量在線監測的商場建築中央空調冷負荷動態預測方法及系統。
背景技術：
中央空調系統是商場建築的能耗大戶，部分高能耗大中型商場建築中央空調能耗佔建築總能耗比例高達70%，空調能耗費用直接影響了商場建築的運行成本。且中央空調系統具有非線性、大時滯、大慣性等特點，常規的控制技術容易造成商業建築空調區域內溫度波動較大，影響人體舒適性的現象，難以滿足大中型商場建築對空調舒適性的較高要求。空調系統的在線負荷預測為解決上述問題提供了新的思路。現有的建築負荷計算軟體，如清 華大學的Dest軟體，大多採用典型氣象年數據計算空調系統的逐時負荷，常用於空調設計階段的負荷估算。但是由於商場建築空調冷負荷受到外界氣象參數、商場內人數(客流量)、日期類型(工作日、周末或節假日)、室內環境溫溼度、空調末端設備開啟情況等多個因素的影響，常規的計算軟體難以滿足空調冷負荷的在線負荷預測需求。近年來多元回歸分析法、時間序列分析法、人工神經網絡法、支持向量機等非線性機器學習算法的出現為空調冷負荷在線預測奠定了基礎。支持向量機在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢。現有空調負荷大多採用普通離線支持向量機模型進行預測，普通離線支持向量回歸模型(Support Vector Regression,簡稱SVRHjlR^是選取數據樣本進行模型訓練，利用訓練出的模型再進行預測，新增樣本時需要重新批量訓練模型。但是，由於空調負荷預測樣本隨時間不斷增加，模型訓練時間隨著樣本數量增加而增加，難以滿足預測的實時性要求。在線支持向量回歸模型(Online Support VectorRegression,簡稱Online SVR)是隨著在線數據的更新而不斷進行訓練、不斷優化的過程，應用較多的在線訓練算法就是增量訓練算法和減量訓練算法。Online SVR算法流程主要包括Online SVR初始化訓練、新增樣本的增量訓練、篩減樣本的減量訓練以及Online SVR預測輸出四個步驟，Online SVR初始化訓練包括數據預處理、Online SVR參數選擇、確定初始化訓練樣本長度以及Online SVR模型初始化建模；新增樣本的增量訓練主要是當新加樣本加入到當前訓練集時，通過增量訓練算法使得所有樣本均滿足KKT(Karush-Kuhn-Tucker)條件,從而實現各支持向量集、錯誤樣本集及保留樣本集的更新；篩減樣本的減量訓練是從訓練樣本中「遺忘」或者「捨棄」歷史樣本以控制數據集規模；0nline SVR預測輸出是利用增量減量訓練後更新的模型和預測時刻的輸入，預測輸出值。

發明內容
為了克服現有技術的缺點與不足，本發明的目的在於提供一種商場建築中央空調冷負荷動態預測方法，有效地實現了空調冷負荷的動態預測和準確預測，既可用於單棟商場建築的水冷式中央空調冷負荷預測，也可用於大型商業建築群的水冷式中央空調冷負荷預測。本發明的另一目的在於提供實現上述方法的商場建築中央空調冷負荷動態預測系統。本發明的目的通過以下技術方案實現商場建築中央空調冷負荷在線預測方法，包括以下步驟(I)數據初始化手動錄入建築空調房間面積、各空調房間內空 調末端設備數量、功率和供冷麵積，用於計算各空調運行輸入參數；為每個空調末端設備智能節點裝置設置唯一編號；將採集日期分為工作日、周末、節假日三類，f=l，2，3分別對應工作日、周末、節假日三種類型，將各類日期的輸入參數的實際值與預測值之間的殘差初值置零；第f類日期的採集天數Sf的初值置零；第f 類日期的輸出參數的實際值與預測值之間的殘差初值置零；其中的輸入參數由室外氣象參數及空調運行輸入參數組成；所述室外氣象參數由室外環境平均幹球溫度、室外環境相對溼度、室外環境太陽總輻射組成；所述空調運行輸入參數由建築空調開啟區域平均幹球溫度、建築空調開啟區域平均相對溼度、空調末端設備加權開啟率、商場內人數組成；輸出參數為空調冷負荷；(2)令p=p+l,對第p天進行類型判斷，若屬於第f類，則sf=sf+l ；(3)判斷採集天數Sf是否滿足Sf≥mf，其中mf為由用戶自行設定的各類日期空調負荷預測數據需要採集的天數；若否，進行第p天的輸入參數的採集、處理與存儲後，重複步驟(2)；若是，判斷採集天數Sf是否滿足sf>mf，若不滿足，進行步驟(4)，若滿足，則進行步驟(5)；(4)進行以下步驟(4-1)令採集小時數n=l，在第I小時內進行輸入參數、輸出參數的採集、處理與存儲，同時進行以下步驟(4-1-1)以前mf-l天第f 類日期的輸入參數的實際值為輸入，以前mf-l天第f類日期的空調冷負荷的實際值為輸出，進行空調負荷Online SVR模型初始化建模
權利要求
1.商場建築中央空調冷負荷在線預測方法，其特徵在於，包括以下步驟 (1)數據初始化手動錄入建築空調房間面積、各空調房間內空調末端設備數量、功率和供冷麵積，用於計算各空調運行輸入參數；為每個空調末端設備智能節點裝置設置唯一編號; 將採集日期分為工作日、周末、節假日三類，f=l,2, 3分別對應工作日、周末、節假日三種類型，將各類日期的輸入參數的實際值與預測值之間的殘差初值置零；第f 類日期的採集天數sf的初值置零；第f 類日期的輸出參數的實際值與預測值之間的殘差初值置零； 其中的輸入參數由室外氣象參數及空調運行輸入參數組成；所述室外氣象參數由室外環境平均幹球溫度、室外環境相對溼度、室外環境太陽總輻射組成；所述空調運行輸入參數由建築空調開啟區域平均幹球溫度、建築空調開啟區域平均相對溼度、空調末端設備加權開啟率、商場內人數組成；所述輸出參數為空調冷負荷； (2)令p=p+l,對第p天進行類型判斷，若屬於第f類，則sf=sf+l； (3)判斷採集天數Sf是否滿足Sf> mf，其中mf為由用戶自行設定的各類日期空調負荷預測數據需要採集的天數； 若否，進行第P天的輸入參數的採集、處理與存儲後，重複步驟(2 ); 若是，判斷採集天數sf是否滿足sf>mf，若不滿足，進行步驟(4)，若滿足，則進行步驟(5)； (4)進行以下步驟 (4-1)令採集小時數n=l，在第I小時內進行輸入參數、輸出參數的採集、處理與存儲，同時進行以下步驟 (4-1-1)以前mf-l天第f類日期的輸入參數的實際值為輸入，以前mf-l天第f類日期的空調冷負荷的實際值為輸出，進行空調負荷Online SVR模型初始化建模
2.根據權利要求I所述的商場建築中央空調冷負荷在線預測方法，其特徵在於，步驟(4-1-2)所述對於空調運行輸入參數，利用前mf-l天第f類日期的空調運行輸入參數的實際值進行空調運行輸入參數時間序列Online SVR模型初始化建模，逐時預測第mf天第f類日期的24小時的空調運行輸入參數，具體為 (4-1-2-la)利用前mf-l天第f 類日期的空調運行輸入參數的實際值構造空調運行輸入參數的Online SVR時間序列； (4-l-2-2a)對步驟(4-1-2-la)得到的空調運行輸入參數的Online SVR時間序列進行重構，具體如下 設定空調運行輸入參數時間序列Online SVR模型的輸入樣本嵌入維數為ZT其中D{ <24，則輸入樣本表不為
3.根據權利要求2所述的商場建築中央空調冷負荷在線預測方法，其特徵在於，步驟(4-1-2)所述對於室外氣象參數，室外氣象參數的預測與日期類型無關，當室外氣象參數的實際值與預測值之間的殘差為零，則利用前P1-I天的室外氣象參數的實際值進行OnlineSVR時間序列預測模型初始化建模，逐時預測第p天24小時的室外氣象參數數據，此時P=P1=Hiin(Hif);當室外氣象參數的實際值與預測值之間的殘差不為零，則對室外氣象參數時間序列Online SVR預測模型進行增量和減量訓練，逐時預測第P天24小時的室外氣象參數數據並修正，具體為 (i)當室外氣象參數的實際值與預測值之間的殘差為零，採用以下方法進行室外氣象參數時間序列Online SVR模型初始化建模,逐時預測第p天24小時的室外氣象參數 (4-1-2-lb)利用前P1-I天的室外氣象參數的實際值構造室外氣象參數的Online SVR時間序列； (4-l-2-2b)利用步驟(4-1-2-lb)得到的室外氣象參數的Online SVR時間序列進行重構，具體如下 設定室外氣象參數的Online SVR時間序列模型的輸入樣本嵌入維數為D1，其中D1Ul則輸入樣本表不為
4.根據權利要求3所述的商場建築中央空調冷負荷在線預測方法，其特徵在於，步驟(4-1-3)所述利用步驟(4-1-1)及步驟(4-1-2)的結果，逐時預測第mf天第f類日期24小時的空調冷負荷，具體為 設第f類日期的空調冷負荷Online SVR初始化預測模型Fy = f0ilimSVR[Xf]，則輸入為第mf天第f類日期24小時的輸入參數的預測值，
5.根據權利要求4所述的商場建築中央空調冷負荷在線預測方法，其特徵在於，步驟(5-1-3)對當前的輸入參數Online SVR模型進行增量訓練，具體為 對室外氣象參數Online SVR模型fmlineSVKWeathOT, d，採用以下方法進行增量訓練 利用下式對 -FoniineSVEWeather, d 進行更新 foniineSVEWeather, d -^Train (foniineSVEWeather, d. NewSampleX, NewSampleY) 其中，
6.根據權利要求5所述的商場建築中央空調冷負荷在線預測方法，其特徵在於，步驟(5-1-3)所述對輸入參數Online SVR模型進行減量訓練具體為 對室外氣象參數Online SVR模型fmlineSVKWeathOT, d，採用以下方法進行減量訓練 篩選第PUl天24小時室外環境平均幹球溫度、室外環境相對溼度、室外環境太陽總輻射進行重構，組成室外氣象參數減量訓練樣本； 利用下式對 -FoniineSVEWeather, d 進行更新 f onlineSVEACWeather，d -^Forget (fonlineSVEACWeather, d，Samp I e S IndeXe S I) 其中，SamplesIndexesl為室外氣象參數減量訓練樣本的下標值，SamplesIndexes=I, 2，…，24 ；fForget函數為減量訓練函數，輸入為未減量訓練前的室外氣象參數Online SVR模型fmlineSVKWeathOT,d、Sampleslndexesl，輸出為減量訓練後的外氣象參數Online SVR I旲型 foniineSVEWeather, d ; 對空調運行輸入參數模型，採用以下方法進行減量訓練 篩選第sf-mf+l天第f類日期的24小時的建築空調開啟區域平均幹球溫度、建築空調開啟區域平均相對溼度、空調末端設備加權開啟率、商場內人數進行重構，組成空調運行輸入參數減量訓練樣本； 利用下式對空調運行輸入參數進行更新 fInlineSVRAC,d ~ fForget ^fInlineSVMCJ = Sampleslndexesl^ 其中，Sampleslndexes2f為空調運行輸入參數減量訓練樣本的下標值，Sampleslndexes2f=l, 2，…，24 ；fForget函數為減量訓練函數，輸入為未減量訓練前的空調運行輸入Online SVR模型f0i, 艦iC以及SamplesIndeXes2f，輸出為減量訓練後的空調運行輸入參數Online SVR模型Hsrat4e。
7.根據權利要求6所述的商場建築中央空調逐時冷負荷在線預測方法，其特徵在於，(5-1-4)所述利用步驟(5-1-3)更新後的輸入參數Online SVR模型逐時預測第sf天第f 類日期的24小時輸入參數，具體為 對於室外氣象參數，利用以下方法進行逐時預測 (5-1-4-la)利用下式計算輸入參數的預測值
8.根據權利要求7所述的商場建築中央空調逐時冷負荷在線預測方法，其特徵在於，步驟(5-1-6)所述利用步驟(5-1-5)的結果及空調冷負荷Online SVR預測模型，逐時預測第sf天第f類日期的24小時的空調冷負荷，具體為 (5-1-6-1)利用空調冷負荷Online SVR預測模型
9.實現權利要求f8所述的商場建築中央空調逐時冷負荷在線預測方法的商場建築中央空調逐時冷負荷在線預測系統，其特徵在於，包括 冷源數據採集系統，用於採集中央空調冷負荷值；包括冷源數據採集器、供水管溫度傳感器、回水管溫度傳感器、冷凍水流量計和冷源數據通訊模塊，所述供水管溫度傳感器、回水管溫度傳感器、冷凍水流量計分別與冷源數據採集器連接；所述冷源數據採集器與冷源數據通訊模塊連接； 空調末端設備智能節點裝置，用於採集建築空調開啟區域平均幹球溫度、建築空調開啟區域平均相對溼度、空調末端設備加權開啟率； 室外氣象數據採集裝置，用於採集室外氣象參數；包括室外數據採集器、室外數據通訊模塊、室外環境溫度傳感器、室外環境相對溼度傳感器、太陽總福射傳感器，所述室外環境溫度傳感器、室外環境相對溼度傳感器、太陽總輻射傳感器與分別與室外數據採集器連接，所述室外數據採集器與室外數據通訊模塊連接； 客流量計數裝置，用於採集進入商場的人數和離開商場的人數；包括依次連接的客流量紅外計數傳感器、客流量計數統計裝置、和客流量數據通訊模塊。
數據中轉伺服器，用於接收、存儲及上傳冷源數據採集系統、空調末端設備智能節點裝置、室外氣象數據採集裝置、客流量計數裝置的在線監測數據，並接收來自空調負荷預測伺服器的逐時空調冷負荷預測值； 空調冷負荷預測數據伺服器，接收來自數據中轉伺服器上傳的實時數據，對數據進行預處理，並預測空調冷負荷。
10.根據權利要求9所述的商場建築中央空調逐時冷負荷在線預測系統，其特徵在於，所述空調末端設備智能節點裝置包括風機盤管智能節點裝置、空調機組智能節點裝置和新風機組智能節點裝置； 所述風機盤管智能節點裝置包括風機盤管控制器、風機盤管溫度傳感器、風機盤管溼度傳感、風機盤管採集器、風機盤管數據通訊模塊；所述風機盤管控制器、風機盤管溫度傳感器、風機盤管溼度傳感分別與風機盤管採集器連接；所述風機盤管採集器與風機盤管數據通訊模塊連接； 所述空調機組智能節點裝置，包括空調機組智能節點裝置，包括空調機組數據採集器、空調機組控制器、迴風口溫度傳感器、迴風口溼度傳感器及空調機組數據通訊模塊，所述空調機組控制器、空調機組溫度傳感器、空調機組溼度傳感器分別與空調機組數據採集器連接；所述空調機組數據採集器與空調機組數據通訊模塊連接；所 述新風機組智能節點裝置，包括依次連接的新風機組控制器、新風機組數據採集器、新風機組數據通訊模塊。
全文摘要
本發明公開了一種商場建築中央空調冷負荷在線預測方法，通過不斷採集各類參數，當數據採集量滿足需求時，利用Online SVR法，分別建立空調冷負荷與各輸入參數工作日、周末及節假日三種類型的預測模型，然後根據室外氣象參數、空調運行輸入參數的歷史數據預測當日24小時的輸入參數值，最後利用相應日期類型的空調負荷預測模型，以當日24小時內各輸入參數的預測值為輸入，預測當日24小時內的空調冷負荷，並用相應日期類型前一天空調冷負荷實際值與預測值的殘差序列進行補償，同時隨著在線新樣本的加入動態修正空調冷負荷的預測模型。本發明有效地實現了空調冷負荷的動態預測和準確預測。
文檔編號G06F19/00GK102779228SQ20121018727
公開日2012年11月14日 申請日期2012年6月7日 優先權日2012年6月7日
發明者周璇, 楊建成, 閆軍威 申請人:華南理工大學