专利名称：商场建筑中央空调冷负荷在线预测方法及系统的制作方法
技术领域：
本发明涉及一种在线的中央空调冷负荷预测方法，特别涉及具体涉及一种基于客流量在线监测的商场建筑中央空调冷负荷动态预测方法及系统。
背景技术：
中央空调系统是商场建筑的能耗大户，部分高能耗大中型商场建筑中央空调能耗占建筑总能耗比例高达70%，空调能耗费用直接影响了商场建筑的运行成本。且中央空调系统具有非线性、大时滞、大惯性等特点，常规的控制技术容易造成商业建筑空调区域内温度波动较大，影响人体舒适性的现象，难以满足大中型商场建筑对空调舒适性的较高要求。空调系统的在线负荷预测为解决上述问题提供了新的思路。现有的建筑负荷计算软件，如清 华大学的Dest软件，大多采用典型气象年数据计算空调系统的逐时负荷，常用于空调设计阶段的负荷估算。但是由于商场建筑空调冷负荷受到外界气象参数、商场内人数(客流量)、日期类型(工作日、周末或节假日)、室内环境温湿度、空调末端设备开启情况等多个因素的影响，常规的计算软件难以满足空调冷负荷的在线负荷预测需求。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SVRHjlR^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增加，模型训练时间随着样本数量增加而增加，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减量训练算法。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、筛减样本的减量训练以及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参数选择、确定初始化训练样本长度以及Online SVR模型初始化建模；新增样本的增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一种商场建筑中央空调冷负荷动态预测方法，有效地实现了空调冷负荷的动态预测和准确预测，既可用于单栋商场建筑的水冷式中央空调冷负荷预测，也可用于大型商业建筑群的水冷式中央空调冷负荷预测。本发明的另一目的在于提供实现上述方法的商场建筑中央空调冷负荷动态预测系统。本发明的目的通过以下技术方案实现商场建筑中央空调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，用于计算各空调运行输入参数；为每个空调末端设备智能节点装置设置唯一编号；将采集日期分为工作日、周末、节假日三类，f=l，2，3分别对应工作日、周末、节假日三种类型，将各类日期的输入参数的实际值与预测值之间的残差初值置零；第f类日期的采集天数Sf的初值置零；第f 类日期的输出参数的实际值与预测值之间的残差初值置零；其中的输入参数由室外气象参数及空调运行输入参数组成；所述室外气象参数由室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射组成；所述空调运行输入参数由建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数组成；输出参数为空调冷负荷；(2)令p=p+l,对第p天进行类型判断，若属于第f类，则sf=sf+l ；(3)判断采集天数Sf是否满足Sf≥mf，其中mf为由用户自行设定的各类日期空调负荷预测数据需要采集的天数；若否，进行第p天的输入参数的采集、处理与存储后，重复步骤(2)；若是，判断采集天数Sf是否满足sf>mf，若不满足，进行步骤(4)，若满足，则进行步骤(5)；(4)进行以下步骤(4-1)令采集小时数n=l，在第I小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤(4-1-1)以前mf-l天第f 类日期的输入参数的实际值为输入，以前mf-l天第f类日期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
权利要求
1.商场建筑中央空调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，用于计算各空调运行输入参数；为每个空调末端设备智能节点装置设置唯一编号; 将采集日期分为工作日、周末、节假日三类，f=l,2, 3分别对应工作日、周末、节假日三种类型，将各类日期的输入参数的实际值与预测值之间的残差初值置零；第f 类日期的采集天数sf的初值置零；第f 类日期的输出参数的实际值与预测值之间的残差初值置零； 其中的输入参数由室外气象参数及空调运行输入参数组成；所述室外气象参数由室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射组成；所述空调运行输入参数由建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数组成；所述输出参数为空调冷负荷； (2)令p=p+l,对第p天进行类型判断，若属于第f类，则sf=sf+l； (3)判断采集天数Sf是否满足Sf> mf，其中mf为由用户自行设定的各类日期空调负荷预测数据需要采集的天数； 若否，进行第P天的输入参数的采集、处理与存储后，重复步骤(2 ); 若是，判断采集天数sf是否满足sf>mf，若不满足，进行步骤(4)，若满足，则进行步骤(5)； (4)进行以下步骤 (4-1)令采集小时数n=l，在第I小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤 (4-1-1)以前mf-l天第f类日期的输入参数的实际值为输入，以前mf-l天第f类日期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
2.根据权利要求I所述的商场建筑中央空调冷负荷在线预测方法，其特征在于，步骤(4-1-2)所述对于空调运行输入参数，利用前mf-l天第f类日期的空调运行输入参数的实际值进行空调运行输入参数时间序列Online SVR模型初始化建模，逐时预测第mf天第f类日期的24小时的空调运行输入参数，具体为 (4-1-2-la)利用前mf-l天第f 类日期的空调运行输入参数的实际值构造空调运行输入参数的Online SVR时间序列； (4-l-2-2a)对步骤(4-1-2-la)得到的空调运行输入参数的Online SVR时间序列进行重构，具体如下 设定空调运行输入参数时间序列Online SVR模型的输入样本嵌入维数为ZT其中D{ <24，则输入样本表不为
3.根据权利要求2所述的商场建筑中央空调冷负荷在线预测方法，其特征在于，步骤(4-1-2)所述对于室外气象参数，室外气象参数的预测与日期类型无关，当室外气象参数的实际值与预测值之间的残差为零，则利用前P1-I天的室外气象参数的实际值进行OnlineSVR时间序列预测模型初始化建模，逐时预测第p天24小时的室外气象参数数据，此时P=P1=Hiin(Hif);当室外气象参数的实际值与预测值之间的残差不为零，则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练，逐时预测第P天24小时的室外气象参数数据并修正，具体为 (i)当室外气象参数的实际值与预测值之间的残差为零，采用以下方法进行室外气象参数时间序列Online SVR模型初始化建模,逐时预测第p天24小时的室外气象参数 (4-1-2-lb)利用前P1-I天的室外气象参数的实际值构造室外气象参数的Online SVR时间序列； (4-l-2-2b)利用步骤(4-1-2-lb)得到的室外气象参数的Online SVR时间序列进行重构，具体如下 设定室外气象参数的Online SVR时间序列模型的输入样本嵌入维数为D1，其中D1Ul则输入样本表不为
4.根据权利要求3所述的商场建筑中央空调冷负荷在线预测方法，其特征在于，步骤(4-1-3)所述利用步骤(4-1-1)及步骤(4-1-2)的结果，逐时预测第mf天第f类日期24小时的空调冷负荷，具体为 设第f类日期的空调冷负荷Online SVR初始化预测模型Fy = f0ilimSVR[Xf]，则输入为第mf天第f类日期24小时的输入参数的预测值，
5.根据权利要求4所述的商场建筑中央空调冷负荷在线预测方法，其特征在于，步骤(5-1-3)对当前的输入参数Online SVR模型进行增量训练，具体为 对室外气象参数Online SVR模型fmlineSVKWeathOT, d，采用以下方法进行增量训练 利用下式对 -FoniineSVEWeather, d 进行更新 foniineSVEWeather, d -^Train (foniineSVEWeather, d. NewSampleX, NewSampleY) 其中，
6.根据权利要求5所述的商场建筑中央空调冷负荷在线预测方法，其特征在于，步骤(5-1-3)所述对输入参数Online SVR模型进行减量训练具体为 对室外气象参数Online SVR模型fmlineSVKWeathOT, d，采用以下方法进行减量训练 筛选第PUl天24小时室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射进行重构，组成室外气象参数减量训练样本； 利用下式对 -FoniineSVEWeather, d 进行更新 f onlineSVEACWeather，d -^Forget (fonlineSVEACWeather, d，Samp I e S IndeXe S I) 其中，SamplesIndexesl为室外气象参数减量训练样本的下标值，SamplesIndexes=I, 2，…，24 ；fForget函数为减量训练函数，输入为未减量训练前的室外气象参数Online SVR模型fmlineSVKWeathOT,d、Sampleslndexesl，输出为减量训练后的外气象参数Online SVR I旲型 foniineSVEWeather, d ; 对空调运行输入参数模型，采用以下方法进行减量训练 筛选第sf-mf+l天第f类日期的24小时的建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数进行重构，组成空调运行输入参数减量训练样本； 利用下式对空调运行输入参数进行更新 fInlineSVRAC,d ~ fForget ^fInlineSVMCJ = Sampleslndexesl^ 其中，Sampleslndexes2f为空调运行输入参数减量训练样本的下标值，Sampleslndexes2f=l, 2，…，24 ；fForget函数为减量训练函数，输入为未减量训练前的空调运行输入Online SVR模型f0i, 舰iC以及SamplesIndeXes2f，输出为减量训练后的空调运行输入参数Online SVR模型Hsrat4e。
7.根据权利要求6所述的商场建筑中央空调逐时冷负荷在线预测方法，其特征在于，(5-1-4)所述利用步骤(5-1-3)更新后的输入参数Online SVR模型逐时预测第sf天第f 类日期的24小时输入参数，具体为 对于室外气象参数，利用以下方法进行逐时预测 (5-1-4-la)利用下式计算输入参数的预测值
8.根据权利要求7所述的商场建筑中央空调逐时冷负荷在线预测方法，其特征在于，步骤(5-1-6)所述利用步骤(5-1-5)的结果及空调冷负荷Online SVR预测模型，逐时预测第sf天第f类日期的24小时的空调冷负荷，具体为 (5-1-6-1)利用空调冷负荷Online SVR预测模型
9.实现权利要求f8所述的商场建筑中央空调逐时冷负荷在线预测方法的商场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，用于采集建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率； 室外气象数据采集装置，用于采集室外气象参数；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、室外环境相对湿度传感器、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； 客流量计数装置，用于采集进入商场的人数和离开商场的人数；包括依次连接的客流量红外计数传感器、客流量计数统计装置、和客流量数据通讯模块。
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、客流量计数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。
10.根据权利要求9所述的商场建筑中央空调逐时冷负荷在线预测系统，其特征在于，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、空调机组智能节点装置和新风机组智能节点装置； 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； 所述空调机组智能节点装置，包括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、回风口温度传感器、回风口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；所 述新风机组智能节点装置，包括依次连接的新风机组控制器、新风机组数据采集器、新风机组数据通讯模块。
全文摘要
本发明公开了一种商场建筑中央空调冷负荷在线预测方法，通过不断采集各类参数，当数据采集量满足需求时，利用Online SVR法，分别建立空调冷负荷与各输入参数工作日、周末及节假日三种类型的预测模型，然后根据室外气象参数、空调运行输入参数的历史数据预测当日24小时的输入参数值，最后利用相应日期类型的空调负荷预测模型，以当日24小时内各输入参数的预测值为输入，预测当日24小时内的空调冷负荷，并用相应日期类型前一天空调冷负荷实际值与预测值的残差序列进行补偿，同时随着在线新样本的加入动态修正空调冷负荷的预测模型。本发明有效地实现了空调冷负荷的动态预测和准确预测。
文档编号G06F19/00GK102779228SQ20121018727
公开日2012年11月14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