专利名称：办公建筑中央空调逐时冷负荷在线预测方法及系统的制作方法
技术领域：
本发明涉及中央空调冷负荷的预测方法及系统，特别涉及ー种基于室内温湿度參数的办公建筑中央空调逐时冷负荷在线预测方法及系统。
背景技术：
空调系统是建筑物中的能耗大户，空调冷负荷是引起夏季电カ缺ロ的主要因素之一。现有的空调预测方法绝大多数用于设计阶段空调设备的选型，常用的方法是利用建筑负荷模拟计算软件，如清华大学的Dest软件，对空调冷负荷进行估算或采用典型气象年数据计算空调系统的逐时负荷，但是由于空调冷负荷受外界气象參数、室内温湿度參数、空调末端设备开启情况等因素影响较大，该方法难以用于空调系统的动态优化控制与节能运行。此外，由于缺乏空调系统冷负荷、室内环境參数、室外环境參数等參数的在线检测·手段，目前的空调冷负荷预测方法大多采用基于历史数据的离线预测，且历史数据较少，空调冷负荷预测精度不高，难以满足中央空调系统实时控制的应用需求。近年来多元回归分析法、时间序列分析法、人工神经网络法、支持向量机等非线性机器学习算法的出现为空调冷负荷在线预测奠定了基础。支持向量机在解决小样本、非线性及高维模式识别中表现出许多特有的优势。现有空调负荷大多采用普通离线支持向量机模型进行预测，普通离线支持向量回归模型(Support Vector Regression,简称SVR)训练是选取数据样本进行模型训练，利用训练出的模型再进行预测，新增样本时需要重新批量训练模型。但是，由于空调负荷预测样本随时间不断増加，模型训练时间随着样本数量増加而增加，难以满足预测的实时性要求。在线支持向量回归模型(Online Support VectorRegression,简称Online SVR)是随着在线数据的更新而不断进行训练、不断优化的过程，应用较多的在线训练算法就是增量训练算法和減量训练算法。Online SVR算法流程主要包括Online SVR初始化训练、新增样本的增量训练、筛减样本的減量训练以及Online SVR预测输出四个步骤，Online SVR初始化训练包括数据预处理、Online SVR參数选择、确定初始化训练样本长度以及Online SVR模型初始化建模；新增样本的増量训练主要是当新加样本加入到当前训练集时，通过增量训练算法使得所有样本均满足KKT(Karush-Kuhn-Tucker)条件,从而实现各支持向量集、错误样本集及保留样本集的更新；筛减样本的减量训练是从训练样本中“遗忘”或者“舍弃”历史样本以控制数据集规模；0nline SVR预测输出是利用增量减量训练后更新的模型和预测时刻的输入，预测输出值。
发明内容
为了克服现有技术的缺点与不足，本发明的目的在于提供ー种办公建筑中央空调冷负荷在线预测方法，有效地实现了空调冷负荷的动态预测和准确预测，该方法可用于单栋办公建筑的水冷式中央空调冷负荷预测，也可用于大型办公建筑群的水冷式中央空调冷负荷预測。本发明的另一目的在于提供实现上述方法的办公建筑中央空调冷负荷在线预测系统。本发明的目的通过以下技术方案实现办公建筑中央空调逐时冷负荷在线预测方法，包括以下步骤(I)数据初始化手动录入建筑空调房间面积、各空调房间内空调末端设备数量、功率和供冷面积，用于计算空调运行输入參数；为每个空调末端设备智能节点装置设置唯ー编号；将输入參数预测值与实际值之间的残差初值置零，将输出參数的实际值与预测值残差初值置零；采集天数P的初值置零；所述输入參数由室外气象參数及空调运行输入參数组成；所述室外气象參数由室外环境平均干球温度、室外环境平均相対湿度、室外环境平均太阳总辐射组成；所述空调运 行输入參数由室内平均温度、平均相対湿度、空调末端设备开启率组成；所述输出參数为空调冷负荷；(2)令采集天数P=P+1，判断采集天数P是否满足P彡m，其中m由用户自行设定；若否，进行第P天的输入參数的采集、处理与存储后，重复步骤(2)；若是，判断采集天数P是否满足p>m，若不满足，进行步骤(3)，若满足，则进行步骤
(4)；(3)进行以下步骤(3-1)令采集小时数n=l，在第I小时内进行输入參数、输出參数的采集、处理与存储，同时进行以下步骤(3-1-1)以第fm-1天的输入參数的实际值为输入，以第天的空调冷负荷的实际值为输出，进行空调负荷Online SVR模型初始化建模；(3-1-2)利用第fm-1天的输入參数的实际值进行输入參数时间序列Online SVR模型初始化建模，逐时预测第m天24小时的输入參数；(3-1-3)利用步骤(3-1-1)及步骤(3-1-2)的结果，逐时预测第m天24小时的空调冷负荷；(3-2)令采集小时数n=n+l ;在第η小时内进行输入參数、输出參数的采集、处理与存储；(3-3)判断η是否满足η=24，若否，重复步骤(3-2) (3_3);若是，进行步骤(5);(4)进行以下步骤(4-1)令采集小时数η=1，在第I小时内进行输入參数、输出參数的采集、处理与存储，同时进行以下步骤(4-1-1)利用第p-Ι天的输入參数的实际值、输出參数的实际值对当前的空调负荷Online SVR模型进行增量训练，利用第p-m+1天的输入參数的实际值、输出參数对当前的空调负荷Online SVR模型进行减量训练，得到更新后的空调负荷Online SVR模型；(4-1-2)计算第p-Ι天六个输入參数的预测值与实际值之间的残差；(4-1-3)利用第p-Ι天24小时的输入參数的实际值对当前的输入參数Online SVR模型进行增量训练，利用第P-m+1天的输入參数的实际值对输入參数Online SVR模型进行减量训练，更新输入參数Online SVR模型；
(4-1-4)利用步骤(4-1-3)更新后的输入參数Online SVR模型逐时预测第p天的24小时输入參数；(4-1-5)计算第p-Ι天的空调冷负荷的预测值与实际值之间的残差；(4-1-6)利用步骤(4-1-4)的结果及空调冷负荷Online SVR预测模型，逐时预测第P天的24小时的空调冷负荷；(4-2)令采集小时数n=n+l ;进行第η小时的输入參数、输出參数的采集、处理与存储；(4-3)判断η是否满足η=24，若否，重复步骤(4-2) (4_3);若是，进行步骤(5);(5)检测是否有预测结束信号，若无，重复步骤(2) (4);若有，结束预測。步骤(3-1-1)所述的以第fm-1天的输入參数的实际值为输入，以第天的 空调冷负荷的实际值为输出，进行空调负荷Online SVR模型初始化建模，具体如下设Onl ine SVR初始化模型为Y=fQnlineSVK [X]，则输入为
权利要求
1.办公建筑中央空调逐时冷负荷在线预测方法，其特征在于，包括以下步骤 (1)数据初始化手动录入建筑空调房间面积、各空调房间内空调末端设备数量、功率和供冷面积，用于计算空调运行输入參数；为每个空调末端设备智能节点装置设置唯一编号；将输入參数预测值与实际值之间的残差初值置零，将输出參数的实际值与预测值残差初值置零；采集天数P的初值置零； 所述输入參数由室外气象參数及空调运行输入參数组成；所述室外气象參数由室外环境平均干球温度、室外环境平均相対湿度、室外环境平均太阳总辐射组成；所述空调运行输入參数由室内平均温度、平均相対湿度、空调末端设备开启率组成；所述输出參数为空调冷负荷； (2)令采集天数p=p+l，判断采集天数P是否满足P彡m，其中m由用户自行设定； 若否，进行第P天的输入參数的采集、处理与存储后，重复步骤(2 ); 若是，判断采集天数P是否满足P>m，若不满足，进行步骤(3)，若满足，则进行步骤(4); (3)进行以下步骤 (3-1)令采集小时数n=l，在第I小时内进行输入參数、输出參数的采集、处理与存储，同时进行以下步骤 (3-1-1)以第fm-1天的输入參数的实际值为输入，以第fm-1天的空调冷负荷的实际值为输出，进行空调负荷Online SVR模型初始化建模； (3-1-2)利用第Γπι-l天的输入參数的实际值进行输入參数时间序列Online SVR模型初始化建摸，逐时预测第m天24小时的输入參数； (3-1-3)利用步骤(3-1-1)及步骤(3-1-2)的结果，逐时预测第m天24小时的空调冷负荷； (3-2)令采集小时数n=n+l ;在第η小时内进行输入參数、输出參数的采集、处理与存储； (3-3)判断η是否满足η=24，若否，重复步骤(3-2) (3-3);若是，进行步骤(5)； (4)进行以下步骤 (4-1)令采集小时数η=1，在第I小时内进行输入參数、输出參数的采集、处理与存储，同时进行以下步骤 (4-1-1)利用第p-Ι天的输入參数的实际值、输出參数的实际值对当前的空调负荷Online SVR模型进行增量训练，利用第p-m+1天的输入參数的实际值、输出參数对当前的空调负荷Online SVR模型进行减量训练，得到更新后的空调负荷Online SVR模型；(4-1-2)计算第p-Ι天六个输入參数的预测值与实际值之间的残差； (4-1-3)利用第p-Ι天24小时的输入參数的实际值对当前的输入參数Online SVR模型进行增量训练，利用第P-m+1天的输入參数的实际值对输入參数Online SVR模型进行减量训练，更新输入參数Online SVR模型； (4-1-4)利用步骤(4-1-3)更新后的输入參数Online SVR模型逐时预测第p天的24小时输入參数； (4-1-5)计算第p-Ι天的空调冷负荷的预测值与实际值之间的残差； (4-1-6)利用步骤(4-1-4)的结果及空调冷负荷Online SVR预测模型,逐时预测第p天的24小时的空调冷负荷；(4-2)令采集小时数n=n+l ;进行第η小时的输入參数、输出參数的采集、处理与存储； (4-3)判断η是否满足η=24，若否，重复步骤(4_2) (4_3);若是，进行步骤(5); (5)检测是否有预测结束信号，若无，重复步骤(2) (4);若有，结束预測。
2.根据权利要求I所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在干，步骤(3-1-2)所述利用第Γπι-l天的输入參数的实际值进行输入參数时间序列Online SVR模型初始化建摸，逐时预测第m天24小时的输入參数，具体包括以下步骤 (3-1-2-1)利用第fm-1天的输入參数的实际值构造各输入參数的Online SVR时间序列； (3-1-2-2)对步骤(3-1-2-1)得到的各输入參数的Online SVR时间序列进行重构，具体如下 设定输入參数时间序列Online SVR模型的输入样本嵌入维数为D,其中D〈24,则输入样本表不为
3.根据权利要求2所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在干，步骤(3-1-3)所述利用步骤(3-1-1)及步骤(3-1-2)的结果，逐时预测第m天24小时的空调冷负荷，具体为 设空调冷负荷Online SVR初始化预测模型Y=fmlineSVK[X]，则 输入为第m天24小时各输入參数预测值
4.根据权利要求3所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在干，步骤(4-1-3)所述利用第p-Ι天24小时的输入參数的实际值对当前的输入參数Online SVR模型进行增量训练，具体为 设输入參数Online SVR模型为fmlineSVKInput，d，fTrain函数为增量训练函数，利用下式对IonlineSVEInput, d 更新 ionlineSVEInput, d -^Train (foniineSVEinput, d NewSampleX, NewSampIeY) 其中，
5.根据权利要求4所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在干，步骤(4-1-3)所述利用第p-m+1天的输入參数的实际值对输入參数Online SVR模型进行减量训练，具体为 筛选第p-m+1天的24小时各输入參数室外环境平均干球温度Xp^1(I)、室外环境平均相対湿度xp_m+1，2(l)、室外环境平均太阳总辐射Xp_m+1，3(l)、建筑室内平均干球温度xp-ffl+1,4(l)、建筑室内平均相対湿度xp-m+1，5(l)、空调末端设备开启率xp-m+1,6(l)进行重构，组成減量训练样本； 设输入參数Online SVR模型为fmlineSVKInput，d，fForget函数为减量训练函数，利用下式对I onlineSVEInput, d 更新 1 onlineSVEInput, d_IForget げonlineSVEInput, d，SaiTlp丄ΘSIndeXeSノ 其中，SamplesIndexes为减量训练样本的下标值，SamplesIndexes=Ij 2，…，24 ；输入为未减量训练前的输入参数Online SVR模型f^^i^ut pSamplesIndexes，输出为减量训练后的输入参数Online SVR模型f onlineSVEInput, d °
6.根据权利要求5所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在干，步骤(4-1-4)所述利用步骤(4-1-3)更新后的输入參数Online SVR模型逐时预测第p天的24小时输入參数,具体为 (4-1-4-1)利用下式计算输入參数的预测值
7.根据权利要求6所述的办公建筑中央空调逐时冷负荷在线预测方法，其特征在干，步骤(4-1-6)所述利用步骤(4-1-4)的结果及空调冷负荷Online SVR预测模型，逐时预测第P天的24小时的空调冷负荷,具体为 (4-1-6-1)利用空调冷负荷Online SVR预测模型Y=fmlineSVK[X]，逐时预测第P天的第I小时的空调冷负荷值，其中I = 1、2、3…24
8.实现权利要求f7所述办公建筑中央空调逐时冷负荷在线预测方法的办公建筑中央空调逐时冷负荷在线预测系统，其特征在于，包括 冷源数据采集系统，用于采集中央空调冷负荷值；包括冷源数据采集器、供水管温度传感器、回水管温度传感器、冷冻水流量计和冷源数据通讯模块，所述供水管温度传感器、回水管温度传感器、冷冻水流量计分别与冷源数据采集器连接；所述冷源数据采集器与冷源数据通讯模块连接； 空调末端设备智能节点装置，用于采集空调运行输入參数； 室外气象数据采集装置，用于采集室外气象參数；包括室外数据采集器、室外数据通讯模块、室外环境温度传感器、室外环境相对湿度传感器、太阳总福射传感器，所述室外环境温度传感器、室外环境相対湿度传感器、太阳总辐射传感器与分别与室外数据采集器连接，所述室外数据采集器与室外数据通讯模块连接； 数据中转服务器，用于接收、存储及上传冷源数据采集系统、空调末端设备智能节点装置、室外气象数据采集装置的在线监测数据，并接收来自空调负荷预测服务器的逐时空调冷负荷预测值；空调冷负荷预测数据服务器，接收来自数据中转服务器上传的实时数据，对数据进行预处理，并预测空调冷负荷。
9.根据权利要求8所述的办公建筑中央空调逐时冷负荷在线预测系统，其特征在干，所述空调末端设备智能节点装置包括风机盘管智能节点装置和空调机组智能节点装置； 所述风机盘管智能节点装置包括风机盘管控制器、风机盘管温度传感器、风机盘管湿度传感、风机盘管采集器、风机盘管数据通讯模块；所述风机盘管控制器、风机盘管温度传感器、风机盘管湿度传感分别与风机盘管采集器连接；所述风机盘管采集器与风机盘管数据通讯模块连接； 所述空调末端设备智能节点装置为空调机组智能节点装置，包括空调机组数据采集器、空调机组控制器、回风ロ温度传感器、回风ロ湿度传感器及空调机组数据通讯模块，所述空调机组控制器、空调机组温度传感器、空调机组湿度传感器分别与空调机组数据采集器连接；所述空调机组数据采集器与空调机组数据通讯模块连接。
全文摘要
本发明公开了一种基于室内温湿度参数的办公建筑中央空调逐时冷负荷在线预测方法，冷负荷预测过程中对室外气象参数、空调运行输入参数进行了时间序列预测，并利用上述数据建立空调冷负荷Online SVR动态预测模型，提前预测得到当日24小时的空调冷负荷，并利用前一日24小时的空调负荷实测值与预测值的残差序列进行补偿。本发明建立的空调冷负荷预测模型预测数据可靠性高，可用于预测单栋建筑或大区域范围内的办公建筑中央空调系统逐时冷负荷、中央空调系统的节能控制、空调能耗预测以及区域内的电力削峰等场合。
文档编号F24F11/00GK102705957SQ20121018733
公开日2012年10月3日 申请日期2012年6月7日 优先权日2012年6月7日
发明者周璇, 杨建成, 闫军威 申请人:华南理工大学