本发明属于空调,特别涉及一种空调冷负荷预测优化方法、系统及设备。
背景技术:
1、近年来,随着城市化建设的崛起,伴随着建筑能耗的迅速上升,降低建筑能耗对于缓解电网压力发挥着举足轻重的作用;空调的供热系统和供冷系统的能耗占到建筑能耗的30%-40%;提高空调的能源利用率,减少资源的浪费是响应绿色节能发展的重要环节;由于空调冷负荷预测的研究为优化空调的运行效率提供了有效的数据支撑,因此研究建筑能耗机理和规律,建立准确、有效的空调冷负荷预测模型便具有十分重要的现实意义;负荷预测在学术和实际应用方面有着十分广泛的应用价值,吸引了许多研究人员目光,尤其是中短期负荷预测;空调负荷数据在全生命周期中具有弱平稳序列和线性自相关较强的特征,同时它也是非常敏感的,易受到其他随机因素的影响,如日光辐射、室外空气温度及室外风速等。
2、目前,神经网络预测模型已经能够有效的应用于空调负荷预测中,能够满足实际应用需求;但之前的研究主要是强调室外气相参数对空调负荷的影响,缺乏建筑本体特征、人员流动、用电设备以及历史负荷等对建筑冷负荷的综合影响性分析,导致预测模型输入变量与输出之间相关性差,冗余度高,并不能很好的适用于大型商业建筑冷负荷预测;极限学习机在模型训练时,由于输入层及隐含层的输入权重和隐含层阈值是随机生成的,网络性能会受到影响,从而会使预测模型泛化能力差,预测结果不稳定。
技术实现思路
1、近年来,随着城市化建设的崛起,伴随着建筑能耗的迅速上升,降低建筑能耗对于缓解电网压力发挥着举足轻重的作用;空调的供热系统和供冷系统的能耗占到建筑能耗的30%-40%;提高空调的能源利用率,减少资源的浪费是响应绿色节能发展的重要环节;由于空调冷负荷预测的研究为优化空调的运行效率提供了有效的数据支撑,因此研究建筑能耗机理和规律,建立准确、有效的空调冷负荷预测模型便具有十分重要的现实意义;负荷预测在学术和实际应用方面有着十分广泛的应用价值,吸引了许多研究人员目光,尤其是中短期负荷预测;空调负荷数据在全生命周期中具有弱平稳序列和线性自相关较强的特征,同时它也是非常敏感的,易受到其他随机因素的影响,如日光辐射、室外空气温度及室外风速等。
2、目前,神经网络预测模型已经能够有效的应用于空调负荷预测中,能够满足实际应用需求;但之前的研究主要是强调室外气相参数对空调负荷的影响,缺乏建筑本体特征、人员流动、用电设备以及历史负荷等对建筑冷负荷的综合影响性分析,导致预测模型输入变量与输出之间相关性差,冗余度高,并不能很好的适用于大型商业建筑冷负荷预测;极限学习机在模型训练时,由于输入层及隐含层的输入权重和隐含层阈值是随机生成的,网络性能会受到影响,从而会使预测模型泛化能力差,预测结果不稳定。
1.一种空调冷负荷预测优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种空调冷负荷预测优化方法,其特征在于,空调冷负荷的影响构成要素数据包括建筑物室内温度、co2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速。
3.根据权利要求1所述的一种空调冷负荷预测优化方法,其特征在于,确定空调冷负荷的主要影响指标数据的过程,具体为:采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理,得到空调冷负荷的主要影响指标数据。
4.根据权利要求3所述的一种空调冷负荷预测优化方法,其特征在于,采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理过程,具体如下:采用单变量选择方式,对空调冷负荷的影响构成要素数据进行选取;将每种空调冷负荷的影响构成要素数据分别与空调冷负荷值建立随机森林模型;以决定系数作为随机森林模型的评价指标;其中,决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度;采用5折交叉验证的模型训练方式对随机森林模型进行训练,筛选得到空调冷负荷的主要影响指标数据。
5.根据权利要求1所述的一种空调冷负荷预测优化方法,其特征在于,采用鲸鱼算法对极限学习机的权重参数及阈值参数进行寻优,具体如下:
6.根据权利要求5所述的一种空调冷负荷预测优化方法,其特征在于,极限学习机预测精度参数包括输入权值参数及隐藏层阈值参数;其中,将输入权值参数设置为[-1 ,1]范围内的随机数;隐藏层阈值参数设置为[0 ,1]范围内的随机数。
7.根据权利要求5所述的一种空调冷负荷预测优化方法,其特征在于,鲸鱼优化算法影响参数包括种群规模、最大迭代次数及鲸鱼种群位置的上限与下限;鲸鱼优化算法的适应度函数为均方误差。
8.根据权利要求5所述的一种空调冷负荷预测优化方法,其特征在于,利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制,对个体位置进行迭代更新过程;