基于模式分类的建筑空调冷负荷自回归预测方法技术

本发明专利技术公开了一种基于模式分类的建筑空调冷负荷自回归预测方法。可应用于建筑空调系统相关领域的科学研究和工程应用。该方法包括：对所有模型的输入数据进行预处理，获得原始数据集；对空调负荷进行聚类分析，即对负荷模式进行预先分类；确定日前和当日两种时间尺度预测模型的影响因素，明确日前和当日预测模型的输入选择；采用斯皮尔曼相关性系数分析法检查冷负荷与影响因素之间的相关性；确定预测日的负荷模式；最后，建立日前和当日冷负荷预测模型。本预测方法可以提高建筑空调冷负荷预测结果的准确性，加快预测模型的计算速度，指导建筑空调系统的运行调控。

Autoregressive prediction method of building air conditioning cooling load based on pattern classification

The invention discloses an autoregressive prediction method of building air conditioning cooling load based on pattern classification. It can be applied to the scientific research and engineering application in the field of building air conditioning system. This method includes: preprocessing the input data of all models to obtain the original data set; clustering analysis of air conditioning load, i.e. pre classifying the load mode; determining the influencing factors of the two time scale prediction models of day ahead and day ahead, and defining the input selection of the day ahead and day ahead prediction model; checking the cooling load and shadow with the method of Spearman correlation coefficient analysis Finally, the prediction models of the day ahead and the day ahead are established. This prediction method can improve the accuracy of the prediction results of air conditioning cooling load, accelerate the calculation speed of the prediction model, and guide the operation and control of building air conditioning system.

【技术实现步骤摘要】
基于模式分类的建筑空调冷负荷自回归预测方法
本专利技术涉及一种建筑空调冷负荷预测方法，具体涉及一种基于模式分类的建筑空调冷负荷自回归预测方法。
技术介绍
许多研究表明，供暖、通风和空调(HVAC)系统消耗的能量是建筑总能耗的主要组成部分。当前空调系统大多采用传统的反馈控制方法，基于用户侧的回水温度来调整系统。但是由于建筑结构复杂，人员行为多变，反馈控制已经不能满足人们的需求。通过预测未来一段时间的建筑物冷负荷，可以实时的响应室内情况的变化，因此，冷负荷预测是提高空调系统能效的有效途径。冷负荷预测可以提前通知运行人员未来的制冷需求，运行人员可以根据预测的冷负荷对系统进行管理和设置，暖通空调系统的调节由“反馈”模式变为“前馈”模式。用于指导系统管理和运行的预测模型大致可分为日前和当日。日前预测模型用于确定第二天的冷负荷。可指导操作人员提前编制暖通空调系统管理计划，如安排冷水机组、预测日使用的水泵、冷却塔等，并对其他设备进行维护或维修。当日预测模型用于确定未来几个小时预测时间的冷负荷，能准确地预测一段时间内的制冷需求，指导操作人员制定暖通空调系统的运行策略。自回归模型，就是用同一变数之前各期，用历史数据来模拟预测未来数据，并假设它们为线性关系，其中包含了内生变量滞后项。ARX模型为具有外输入的自回归模型，该模型在此自回归模型的基础上增加了外部输入，更加契合冷负荷的数据特点。在之前的研究中，ARX模型常用于直接对建筑冷负荷进行预测，而预测不同时间的冷负荷所需历史数据、相关参数不同，ARX模型计算结果也会有较大误差。<br>因此，采用合理的方法，建立一种基于模式分类的建筑空调冷负荷自回归预测方法，是对系统进行合理管理和设置，减少系统能耗亟待解决的关键问题。
技术实现思路
有鉴于此，本专利技术提供一种基于模式分类的建筑空调冷负荷自回归预测方法，以解决上述问题。基于以往的专利技术，本专利技术进行了以下改进：采用四分位距方法对数据进行预处理，检测建筑原始数据中的异常值，获得原始数据集；采用k-means聚类分析进行负荷模式聚类分析，得到负荷模式典型日；确定影响日前预测与当日预测的因素，采用斯皮尔曼系数分析法对建筑空调冷负荷和影响因素进行相关性分析，剔除相关性较低的变量，得到日前和当日预测模型的模型输入选择；采用k-means聚类分析确定预测日的负荷模式；采用基于模式分类的自回归模型建立日前与当日冷负荷预测模型。本专利技术提出了一种基于模式分类的建筑空调冷负荷自回归预测方法，包括以下步骤：采用四分位距方法对数据进行预处理，检测建筑原始数据中的异常值，获得原始数据集；采用k-means聚类分析对建筑冷负荷进行分类，进行负荷模式聚类分析，得到负荷模式典型日；确定影响日前预测与当日预测的因素，对建筑空调冷负荷和影响因素进行相关性分析，剔除相关性较低的变量，得到日前和当日预测模型的模型输入选择；采用k-means聚类分析确定预测日的负荷模式；采用基于模式分类的自回归模型建立日前与当日冷负荷预测模型；对建筑空调冷负荷预测模型进行评估。进一步的，影响因素包括影响日前冷负荷预测因素及影响当日冷负荷预测因素。进一步的，对所有数据进行预处理，所采用的方法是四分位距方法。进一步的，对建筑冷负荷进行负荷模式聚类分析，所采用的方法是k均值聚类法。首先，随机选取k个对象作为初始的聚类中心；其次，计算每个对象与各个子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；接着，计算新的聚类中心；最后，重复以上两个步骤直到误差平方和局部最小。误差平方和的计算公式是其中：SSE表示误差平方和；Ci表示集群Si的聚类中心；K代表聚类中心的个数；x代表集群Si中的数据点。最接近每个集群聚类中心的负荷日将被视为典型日。进一步的，对建筑空调冷负荷和影响因素进行相关性分析，采用斯皮尔曼系数来计算各类变量相关性的大小和方向。计算斯皮尔曼系数的方法是式中：N表示数据个数；di表示第i条数据中两个变量的排序之差。在选择影响因子时遵循以下选择标准，将影响因子的相关系数与规定的极限值进行比较。当满足极限值时，认为它对预测负荷具有显着影响，然后将其提取为模型输入。没有统一的方法来选择极限值；用户应根据应用合理选择限值。但是，对极限值的一般要求大于0.5，这表明它们之间至少存在关系。表示变量的一个样本；表示变量的一个样本；表示变量和的样本个数。进一步的，采用k-means聚类分析确定预测日的负荷模式。进一步的，采用基于模式分类的自回归模型建立日前与当日冷负荷预测模型。基于模式分类的自回归模型(ARX模型)用于描述预测的冷负荷与各种模型输入之间的关系，所选模型输入为斯皮尔曼系数法得到的与冷负荷相关性最强的参数。有益效果：本预测方法可以提高建筑空调冷负荷预测结果的准确性，加快预测模型的计算速度，指导建筑空调系统的运行调控。附图说明图1为本专利技术的流程图；图2为负荷模式聚类结果。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术作进一步的详细说明。如图1所示，本实施例提供一种基于具有额外输入的自回归模型和人工神经网络模型的冷负荷模型预测方法，包括以下步骤：步骤1：采用四分位距方法对数据进行预处理，检测建筑原始数据中的异常值，获得原始数据集；某建筑空调系统每天24小时运行。该建筑的空调系统由8台相同规格的冷水机组组成。1台冷水机组的额定制冷量为4186千瓦。空调系统中的冷却塔、冷却水泵和一次侧冷冻水泵均与冷水机组一一匹配。二次侧冷冻水泵根据空调终端进行调整。冷冻水出口温度和水量均为额定设计值。该建筑的实际供冷量数据由热量表测量，室外干球温度数据由气象站测量，数据记录间隔均为1小时。以该建筑在2017年和2018年的两个供冷季的供冷量数据记录为基础，详述本专利技术的具体实施方式。步骤2：采用k-means聚类法对建筑冷负荷进行分类，进行负荷模式聚类分析，得到负荷模式典型日；首先，随机选取k个对象作为初始的聚类中心；其次，计算每个对象与各个子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；接着，计算新的聚类中心；最后，重复以上两个步骤直到误差平方和局部最小。误差平方和的计算公式如式(1)所示。其中：SSE表示误差平方和；Ci表示集群Si的聚类中心；K代表聚类中心的个数；x代表集群Si中的数据点；最接近每个集群聚类中心的负荷日将被视为典型日。2017年和2018年的每小时制冷负荷基于K均值聚类方法进行聚类。通过误差平方和判断集群的数量，结果如图2所示，当集群数量增加到5时，SSE的减少减慢。因此，在两年的冷却季节中设定五种负荷模式。步骤3：确定影响日前预测与当日预测的因素，对建筑空调冷负荷和影响因素进行相关性分析本文档来自技高网...

【技术保护点】
1.基于模式分类的建筑空调冷负荷自回归预测方法，其特征在于，包括以下步骤：/n(1)采用四分位距方法对数据进行预处理，检测建筑原始数据中的异常值；/n(2)采用k-means聚类分析对步骤(1)得到的建筑空调冷负荷进行分类，进行负荷模式的聚类分析，得到典型日的负荷模式；/n(3)确定影响日前预测与当日预测的因素，对建筑空调冷负荷和影响因素进行相关性分析，剔除相关性较低的变量，得到日前和当日预测模型的模型输入选择；/n(4)采用k-means聚类分析确定预测日的负荷模式；/n(5)根据步骤(4)得到的负荷模式，采用自回归模型建立日前与当日空调冷负荷的预测模型。/n

【技术特征摘要】
1.基于模式分类的建筑空调冷负荷自回归预测方法，其特征在于，包括以下步骤：
(1)采用四分位距方法对数据进行预处理，检测建筑原始数据中的异常值；
(2)采用k-means聚类分析对步骤(1)得到的建筑空调冷负荷进行分类，进行负荷模式的聚类分析，得到典型日的负荷模式；
(3)确定影响日前预测与当日预测的因素，对建筑空调冷负荷和影响因素进行相关性分析，剔除相关性较低的变量，得到日前和当日预测模型的模型输入选择；
(4)采用k-means聚类分析确定预测日的负荷模式；
(5)根据步骤(4)得到的负荷模式，采用自回归模型建立日前与当日空调冷负荷的预测模型。


2.根据权利要求1所述的基于模式分类的建筑空调冷负荷自回归预测方法，其特征在于，所述影响因素包括影响日前冷负荷预测因素及影响当日冷负荷预测因素。


3.根据权利要求1所述的基于模式分类的建筑空调冷负荷自回归预测方法，其特征在于，所述步骤(1)中对所有数据进行预处理，所采用的方法是四分位距方法。


4.根据权利要求1所述的基于模式分类的建筑空调冷负荷自回归预测方法，其特征在于，所述步骤(2)中对建筑空调负荷进行负...

【专利技术属性】
技术研发人员：丁研，李沛霖，张强，田喆，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12