[發明專利]基于大數據的空調負荷預測方法及系統

有效

• 申請號: 201710445946.2
• 申請日: 2017-06-14
• 公開（公告）號: CN107220514B
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 喬振勇;盧軍;張紅;黃渝蘭;于忠;高波;巫朝敏
• 申請（專利權）人: 四川省建筑科學研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 成都領航高智知識產權代理有限公司 51285
• 代理人: 王斌

本發明公開一種基于大數據的空調負荷預測方法，包括以下步驟：1)獲取空調所在現場擬預測時刻的室外溫度t，t的單位為℃；2)基于預定預測步長s及室外溫度t，得到溫度區間[t?s，t+s]，s的單位為℃；3)從歷史積累的該空調運行于穩定條件下的冷或熱負荷實測值、照明和設備總功率、室內人數、敞開水表面積、室內外空氣焓差、室內外溫度差大數據中篩選出在所述溫度區間內的數據；4)基于所篩選出的數據，計算得到擬預測時刻的負荷最終值。它基于逐漸積累的、空調運行于穩定條件下的大量實際空調供冷供熱量的歷史數據，對計算擬預測時刻的冷或熱負荷的模型不斷優化，隨著時間推移，建立的模型越準確。本發明還公開基于大數據的空調負荷預測系統。

技術領域

本發明涉及空調負荷預測技術，具體涉及基于大數據的空調負荷預測方法及系統。

背景技術

隨著城市建設的飛速發展，建筑能耗量也在高速增長。空調運行能耗占建筑尤其大型公共建筑運行能耗比重很大，因此降低空調系統的運行能耗一直是建筑節能的重點。采用合理的運行調節方法是提高空調系統能源利用效率的主要技術途徑之一，而該途徑的實現則需要依賴于是否能夠準確的對空調負荷進行預測，可見預測空調負荷的方法顯得尤其重要。

目前主要采用時間序列及神經網絡等方法建立空調逐時負荷預測模型。空調負荷的時間序列預測模型的特點是采用具有外部輸入的自回歸移動平均時序模型進行逐時冷負荷的預測，其存在的不足是對原始時間序列的平穩性要求高、而實際空調負荷一般均不滿足平穩性的要求，因此預測精度不高；神經網絡法就是構造合適的神經網絡結構，然后選取過去一段時間的負荷作為訓練樣本，用某種訓練算法對網絡進行訓練使其滿足精度要求之后，用ANN作空調負荷預測，其存在的不足是隨著神經網絡在空調逐時負荷預測研究的深入，出現了神經網絡易于陷入局部極小點、網絡推廣能力差、預測精度在實際應用中不夠理想等新問題。而空調系統在實際運行調節時最常用的是溫差和壓差控制方式，這兩種控制方式分別通過采集空調冷凍水/熱水的供回水溫差和壓差信號來預測空調負荷變化，但這兩種控制方式存在不足有：由于采樣點位置離負荷實時變化的位置有一定距離，會造成溫度/壓力變化的信號傳遞具有很大的延遲性，此外，信號檢測點的位置較難準確定位，易造成部分末端供冷/供熱不足。

為此，期望尋求一種技術方案，以至少減輕上述問題。

發明內容

本發明要解決的技術問題是，提供一種空調負荷預測精度更高的基于大數據的空調負荷預測方法及系統。

為解決上述技術問題，本發明采用下述技術方案。

一種基于大數據的空調負荷預測方法，包括以下步驟：

1)獲取空調所在現場擬預測時刻的室外溫度t，t的單位為℃；

2)基于預定預測步長s及所述室外溫度t，得到溫度區間[t-s，t+s]，s的單位為℃；

3)從歷史積累的該空調運行于穩定條件下的冷或熱負荷實測值、照明和設備總功率、室內人數、敞開水表面積、室內外空氣焓差、室內外溫度差大數據中篩選出在所述溫度區間內的數據，所篩選出的數據包括i個數據組，每個數據組所對應的室外溫度為t_i，其中，i為正整數；

4)基于所篩選出的數據，計算得到擬預測時刻的冷或熱負荷最終值，計算方法如下：

Q_n'＝ε+(α₁Δt+α₂Δt²+…+α_nΔtⁿ)+β₁E+r₁P+δ₁A+MΔh (1)