基于大数据的空调负荷预测方法及系统技术方案

本发明专利技术公开一种基于大数据的空调负荷预测方法，包括以下步骤：1)获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；2)基于预定预测步长s及室外温度t，得到温度区间[t‑s，t+s]，s的单位为℃；3)从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据；4)基于所筛选出的数据，计算得到拟预测时刻的负荷最终值。它基于逐渐积累的、空调运行于稳定条件下的大量实际空调供冷供热量的历史数据，对计算拟预测时刻的冷或热负荷的模型不断优化，随着时间推移，建立的模型越准确。本发明专利技术还公开基于大数据的空调负荷预测系统。

【技术实现步骤摘要】
基于大数据的空调负荷预测方法及系统
本专利技术涉及空调负荷预测技术，具体涉及基于大数据的空调负荷预测方法及系统。
技术介绍
随着城市建设的飞速发展，建筑能耗量也在高速增长。空调运行能耗占建筑尤其大型公共建筑运行能耗比重很大，因此降低空调系统的运行能耗一直是建筑节能的重点。采用合理的运行调节方法是提高空调系统能源利用效率的主要技术途径之一，而该途径的实现则需要依赖于是否能够准确的对空调负荷进行预测，可见预测空调负荷的方法显得尤其重要。目前主要采用时间序列及神经网络等方法建立空调逐时负荷预测模型。空调负荷的时间序列预测模型的特点是采用具有外部输入的自回归移动平均时序模型进行逐时冷负荷的预测，其存在的不足是对原始时间序列的平稳性要求高、而实际空调负荷一般均不满足平稳性的要求，因此预测精度不高；神经网络法就是构造合适的神经网络结构，然后选取过去一段时间的负荷作为训练样本，用某种训练算法对网络进行训练使其满足精度要求之后，用ANN作空调负荷预测，其存在的不足是随着神经网络在空调逐时负荷预测研究的深入，出现了神经网络易于陷入局部极小点、网络推广能力差、预测精度在实际应用中不够理想等新问题。而空调系统在实际运行调节时最常用的是温差和压差控制方式，这两种控制方式分别通过采集空调冷冻水/热水的供回水温差和压差信号来预测空调负荷变化，但这两种控制方式存在不足有：由于采样点位置离负荷实时变化的位置有一定距离，会造成温度/压力变化的信号传递具有很大的延迟性，此外，信号检测点的位置较难准确定位，易造成部分末端供冷/供热不足。为此，期望寻求一种技术方案，以至少减轻上述问题。专利技术内容本专利技术要解决的技术问题是，提供一种空调负荷预测精度更高的基于大数据的空调负荷预测方法及系统。为解决上述技术问题，本专利技术采用下述技术方案。一种基于大数据的空调负荷预测方法，包括以下步骤：1)获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；2)基于预定预测步长s及所述室外温度t，得到温度区间[t-s，t+s]，s的单位为℃；3)从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为ti，其中，i为正整数；4)基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：Qn'＝ε+(α1Δt+α2Δt2+…+αnΔtn)+β1E+r1P+δ1A+MΔh(1)式(1)中，ε＝β0+r0+δ0+α0，为常数；Qn'表示该空调拟预测时刻的冷或热负荷，单位为kw；β0、β1表示照明和设备总功率引起的冷或热负荷逐时变化的相关系数；E表示照明和设备总功率，单位为kw；r0、r1表示室内人数引起的冷或热负荷变化逐时变化的相关系数；P表示室内人数；δ0、δ1表示敞开水表面积引起的冷或热负荷变化逐时变化的相关系数；A表示敞开水表面积，单位为㎡；M表示新风量，单位为kg/s；Δh表示室内外空气焓差的绝对值，单位为kj/kg；α0、α1……αn表示室内外温差引起的冷或热负荷逐时变化的相关系数；Δt表示室内外温差的绝对值，单位为℃；n为正整数；首先取n＝1，在所筛选出的数据中按照接近原则抽取n+5＝6个数据组，该n+5＝6个数据组中，与该室外温度t最接近的ti所对应的那个数据组作为最接近数据组，其余的n+4＝5个数据组的数据代入式(1)进行回归计算得到α1、β1、r1、δ1、ε，共计n+4＝5个参数，再将该5个参数代回式(1)，此时该式(1)的变量为Δt、E、P、A、M、Δh，然后将最接近数据组的数据代入此时的式(1)，计算得到Q1’,若Q1’不满足精度条件，则依次取n＝2、3、…，继续按前述方式迭代计算,直至满足精度条件为止，其中，精度条件为|Qn'-qn|/qn<T1,qn为当取n＝1、2、…时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值,该精度条件中的Qn'为当取n＝1、2、…时对应迭代计算得到的拟预测时刻的冷或热负荷过程值,T1表示第一预定阈值；迭代计算完毕后，将满足精度条件的回归计算所得到的α1、α2、…αn、β1、r1、δ1、ε及满足精度条件时所取的n代入式(1)，再将拟预测时刻实际监测所得的Δt、E、P、A、M、Δh值代入此时的式(1)计算出拟预测时刻的冷或热负荷最终值。所述稳定条件包括：用户侧供水温度恒定，波动小于T2；用户侧回水温度恒定，波动小于T3；机组输入功率恒定，波动小于T4；用户侧冷冻水泵输入功率恒定，波动小于T5；以及稳定持续时间不低于T6；其中，T2表示第二预定阈值，单位为℃；T3表示第三预定阈值，单位为℃；T4表示第四预定阈值，为百分数；T5表示第五预定阈值，为百分数；T6表示第六预定阈值，单位为h。所述步骤4)中，在所筛选出的数据中按照接近原则抽取n+5个数据组的方法为：从i个数据组中将满足|ti-t|结果最小的ti所对应的n+5个数据组抽取出来。所述T1的取值范围为小于或等于12.5％。所述T2和T3的取值范围均为小于或等于0.2℃；所述T4和T5的取值范围均为小于或等于1.5％；所述T6的取值范围为大于或等于1h。一种基于大数据的空调负荷预测系统，包括：室外温度获取单元，其用于获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；温度区间计算单元，其用于基于预定预测步长s及所述室外温度t，得到温度区间[t-s，t+s]，s的单位为℃；筛选单元，其用于从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为ti，其中，i为正整数；负荷计算单元，其用于基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：Qn'＝ε+(α1Δt+α2Δt2+…+αnΔtn)+β1E+r1P+δ1A+MΔh(1)式(1)中，ε＝β0+r0+δ0+α0，为常数；Qn'表示该空调拟预测时刻的冷或热负荷，单位为kw；β0、β1表示照明和设备总功率引起的冷或热负荷逐时变化的相关系数；E表示照明和设备总功率，单位为kw；r0、r1表示室内人数引起的冷或热负荷变化逐时变化的相关系数；P表示室内人数；δ0、δ1表示敞开水表面积引起的冷或热负荷变化逐时变化的相关系数；A表示敞开水表面积，单位为㎡；M表示新风量，单位为kg/s；Δh表示室内外空气焓差的绝对值，单位为kj/kg；α0、α1……αn表示室内外温差引起的冷或热负荷逐时变化的相关系数；Δt表示室内外温差的绝对值，单位为℃；n为正整数；首先取n＝1，在所筛选出的数据中按照接近原则抽取n+5＝6个数据组，该n+5＝6个数据组中，与该室外温度t最接近的ti所对应的那个数据组作为最接近数据组，其余的n+4＝5个数据组的数据代入式(1)进行回归计算得到α1、β1、r1、δ1、ε，共计n+4＝5个参数，再将该5个参数代回式(1)，此时该式(1)的变量为Δt、E、P、A、M、Δh，然后将最接近数据组的数据代入此时的式(1)，计算得到Q1’,若Q1’不满足本文档来自技高网...

【技术保护点】
一种基于大数据的空调负荷预测方法，其特征在于，包括以下步骤：1)获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；2)基于预定预测步长s及所述室外温度t，得到温度区间[t‑s，t+s]，s的单位为℃；3)从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为ti，其中，i为正整数；4)基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：Qn'＝ε+(α1Δt+α2Δt

【技术特征摘要】
1.一种基于大数据的空调负荷预测方法，其特征在于，包括以下步骤：1)获取空调所在现场拟预测时刻的室外温度t，t的单位为℃；2)基于预定预测步长s及所述室外温度t，得到温度区间[t-s，t+s]，s的单位为℃；3)从历史积累的该空调运行于稳定条件下的冷或热负荷实测值、照明和设备总功率、室内人数、敞开水表面积、室内外空气焓差、室内外温度差大数据中筛选出在所述温度区间内的数据，所筛选出的数据包括i个数据组，每个数据组所对应的室外温度为ti，其中，i为正整数；4)基于所筛选出的数据，计算得到拟预测时刻的冷或热负荷最终值，计算方法如下：Qn'＝ε+(α1Δt+α2Δt2+…+αnΔtn)+β1E+r1P+δ1A+MΔh(1)式(1)中，ε＝β0+r0+δ0+α0，为常数；Qn'表示该空调拟预测时刻的冷或热负荷，单位为kw；β0、β1表示照明和设备总功率引起的冷或热负荷逐时变化的相关系数；E表示照明和设备总功率，单位为kw；r0、r1表示室内人数引起的冷或热负荷变化逐时变化的相关系数；P表示室内人数；δ0、δ1表示敞开水表面积引起的冷或热负荷变化逐时变化的相关系数；A表示敞开水表面积，单位为㎡；M表示新风量，单位为kg/s；Δh表示室内外空气焓差的绝对值，单位为kj/kg；α0、α1……αn表示室内外温差引起的冷或热负荷逐时变化的相关系数；Δt表示室内外温差的绝对值，单位为℃；n为正整数；首先取n＝1，在所筛选出的数据中按照接近原则抽取n+5＝6个数据组，该n+5＝6个数据组中，与该室外温度t最接近的ti所对应的那个数据组作为最接近数据组，其余的n+4＝5个数据组的数据代入式(1)进行回归计算得到α1、β1、r1、δ1、ε，共计n+4＝5个参数，再将该5个参数代回式(1)，此时该式(1)的变量为Δt、E、P、A、M、Δh，然后将最接近数据组的数据代入此时的式(1)，计算得到Q1’,若Q1’不满足精度条件，则依次取n＝2、3、…，继续按前述方式迭代计算,直至满足精度条件为止，其中，精度条件为|Qn'-qn|/qn<T1,qn为当取n＝1、2、…时所抽取的数据组中最接近数据组所对应的冷或热负荷实测值,该精度条件中的Qn'为当取n＝1、2、…时对应迭代计算得到的拟预测时刻的冷或热负荷过程值，T1表示第一预定阈值；迭代计算完毕后，将满足精度条件的回归计算所得到的α1、α2、…αn、β1、r1、δ1、ε及满足精度条件时所取的n代入式(1)，再将拟预测时刻实际监测所得的Δt、E、P、A、M、Δh值代入此时的式(1)计算出拟预测时刻的冷或热负荷最终值。2.根据权利要求1所述的基于大数据的空调负荷预测方法，其特征在于，所述稳定条件包括：用户侧供水温度恒定，波动小于T2；用户侧回水温度恒定，波动小于T3；机组输入功率恒定，波动小于T4；用户侧冷冻水泵输入功率恒定，波动小于T5；以及稳定持续时间不低于T6；其中，T2表示第二预定阈值，单位为℃；T3表示第三预定阈值，单位为℃；T4表示第四预定阈值，为百分数；T5表示第五预定阈值，为百分数；T6表示第六预定阈值，单位为h。3.根据权利要求1所述的基于大数据的空调负荷预测方法，其特征在于，所述步骤4)中，在所筛选出的数据中按照接近原则抽取n+5个数据组的方法为：从i个数据组中将满足|ti-t|结果最小的ti所对应的n+5个数据组抽取出来。4.根据权利要求1所述的基于大数据的空调负荷预测方法，其特征在于，所述T1的取值范围为小于或等于12.5％。5.根据权利要求2所述的基于大数据的空调负荷预测方法，其特征在于，所述T2和T3的取值范围均为小于或等于0.2℃；所述T4和T5的取值范围均为小于或等于1.5％；所述T6的取值范围为大于或等于1h。6.一种基于大数据的空调负荷预测...

【专利技术属性】
技术研发人员：乔振勇，卢军，张红，黄渝兰，于忠，高波，巫朝敏，
申请(专利权)人：四川省建筑科学研究院，
类型：发明
国别省市：四川,51