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。< ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。