办公建筑内空调负荷预测模型建立、预测方法及系统技术方案

本发明专利技术属于智慧城市及建筑节能领域，公开了一种办公建筑内空调负荷预测模型建立、预测方法及系统。方法包括如下步骤：步骤1：采集历史环境数据和测量日负荷数据；步骤2：建立RBF神经网络和残差网络，所述的残差网络包括多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型。本发明专利技术针对不同时间段，根据各种单项预测模型的相对预测误差的大小，动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差，并将动态组合残差修正的预测方法用于中央空调负荷预测，进一步提高了预测精度。

【技术实现步骤摘要】
办公建筑内空调负荷预测模型建立、预测方法及系统
本专利技术属于智慧城市及建筑节能领域，具体涉及一种办公建筑内空调负荷预测模型建立、预测方法及系统。
技术介绍
中国的能源消耗呈现稳步增长，其中建筑能耗约占全国总能耗的三分之一，其中公共建筑能耗是建筑能耗的主要组成部分，故针对公共建筑的节能设计及负荷预测研究成为智能建筑的领域的主要问题之一，而建筑负荷预测是实现建筑设备节能需要解决的首要问题。现有技术中缺乏灵活地对建筑任意区域进行预测的系统。这是因为现有用于进行研究的数据通常是通过人工对数据进行收集，而用于设备自动控制的数据大多来自于系统中安装的固定传感设备，所以在建筑设备运行时，极易出现建筑物整体能耗预测看似准确或数据测试区域能耗看似准确，但是较多局部区域环境预测不佳(过热、过冷、过凉、过暗)而导致能耗过大且环境不舒适的情况，并且想要通过人工对设备进行调控时也会由于建筑内各区域能耗预测数据不足而增大其难度。如何提高预测精度一直是预测方法中的热点问题，至今已有多篇预测模型的研究成果.其中，自回归积分滑动平均模型(autoregressiveintegratedmovingaverage，ARIMA)、多元线性回归模型(multiplelinearregression，MLR)、灰色预测模型(greymodel，GM)以及人工神经网络模型(artificialneuralnetwork，ANN)等几种模型是主要的模型.利用灰色预测模型进行预测，无需考虑系统结构，直接利用原始数据的累加来寻找系统的规律并构建指数模型.根据原始数据的特点，可构造出不同的灰色预测模型，灰色预测模型主要用于长期预测.利用多元线性回归模型进行预测，主要是借助于回归分析法找出预测对象及其影响因素之间的关系，构建回归模型.故该方法一般用于中期预测或仅用于趋势预测利用自回归积分滑动平均模型进行预测，方法简单、数据单一，仅能预测出下一周期的值，该方法适合短期预测，利用人工神经网络预测，主要有BRF、BP、ELMAN三种.虽然神经网络的适应性和学习能力很强，但由于其训练样本庞大、最优的网络结构难以寻找，故其预测的准确性还有待提高，神经网络较多地应用于短期预测实际中由于各种单项预测方法特点不同以及影响系统的部分因素具有随机性和不确定性，导致单项预测方法表现出预测精度“时好时坏”的现象。根据组合预测的理论可知，2种或2种以上无偏的单项预测方法组合后预测结果优于每个单项的预测结果，有效提高预测精度。但对于同一对象进行组合预测，若考虑角度不同，构成的单项预测方法有异，预测结果的准确程度也不尽相同。
技术实现思路
本专利技术的目的在于提供一种办公建筑内空调负荷预测模型建立、预测方法及系统，用以解决现有技术中对于某一区域负荷预测的周期长、预测难度大、资源占用程度大及预测精度不够的问题。为了实现上述任务，本专利技术采用以下技术方案：一种办公建筑内空调负荷预测模型建立方法，包括如下步骤：步骤1：采集历史环境数据和测量日负荷数据，所述历史环境数据包括测量日前K天中每个时刻的室外空气温度、室外空气湿度、太阳辐射强度、室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率，所述测量日负荷数据包括测量日每个时刻测量到的实际空调负荷值，其中，K为正整数；步骤2：建立RBF神经网络和残差网络，所述的残差网络包括多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型；其中，每次训练迭代包括如下子步骤：步骤2.1：所述的RBF神经网络输出预测空调负荷值，根据预测空调负荷值获取残差值，所述的残差值为预测空调负荷值和实际空调负荷值之差；所述的残差网络中的每个子网络分别输出各自的预测空调负荷值，获取每个子网络残差值，每个子网络残差值为每个子网络输出的预测空调负荷值和实际空调负荷值之差；步骤2.2：选择最小的两个子网络残差值通过最小二乘法进行权重分配，获得修正残差值；步骤2.3：将修正残差值替换RBF神经网络的的残差值后，进行下一次训练迭代。进一步的，所述的RBF神经网络包括输入层、隐含层和输出层，各层之间全连接，隐含层与输出层之间有权值连接。进一步的，所述残差网络的子网络包括：ARIMA网络、ELMAN网络、MLR网络和GM网络。一种办公建筑内空调负荷预测方法，包括如下步骤：步骤一：获取待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率；步骤二：将待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率输入任一种办公建筑内空调负荷预测模型建立方法得到的空调负荷预测模型，获得待预测时刻的预测空调负荷值。一种办公建筑内空调负荷预测系统，包括数据采集模块、核心运算模块和输出显示模块；所述的数据采集模块用于采集历史环境数据、测量日负荷数据和待预测时刻的环境数据，包括检测输入模块和手动输入模块，检测输入模块用于采集测量日前K天中每个时刻的室外空气温度、室外空气湿度和太阳辐射强度，测量日每个时刻的空调负荷值，待预测时刻的室外空气温度、室外空气湿度和太阳辐射强度，所述的手动输入模块用于采集测量日每个时刻以及待预测时刻的室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率，其中，K为正整数；在手动键入部分，需要针对不同的建筑物使用对象，向单片机键入不同的室内人员密度、外墙传热系数、屋顶传热系数、窗墙比、渗透率、室内设定温度、室内设定适度等值来进行负荷预测，可以做到针对不同建筑物的设定不同的参数值，最终更准确的实现负荷预测。核心运算模块用于建立RBF神经网络和残差网络，所述的残差网络包括多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型；其中，每次训练迭代时，所述的RBF神经网络输出预测空调负荷值，根据预测空调负荷值获取残差值，所述的残差值为预测空调负荷值和实际空调负荷值之差；所述的残差网络中的每个子网络分别输出各自的预测空调负荷值，获取每个子网络残差值，每个子网络残差值为每个子网络输出的预测空调负荷值和实际空调负荷值之差；选择最小的两个子网络残差值通过最小二乘法进行权重分配，获得修正残差值；将修正残差值替换RBF神经网络的的残差值后，进行下一次训练迭代；输出显示模块用于获得核心运算模块输出的待预测时刻的预测空调负荷值。进一步的，所述残差网络的子网络包括：ARIMA网络、ELMAN网络、MLR网络和GM网络。进一步的，所述的RBF神经网络包括输入层、隐含层和输出层，各层之间全连接，隐含层与输出层之间有权值连接。进一步的，所述的室内外温湿度传感器型号为HTU21D(F)的数字温湿度传感本文档来自技高网...

【技术保护点】
1.一种办公建筑内空调负荷预测模型建立方法，其特征在于，包括如下步骤：/n步骤1：采集历史环境数据和测量日负荷数据，所述历史环境数据包括测量日前K天中每个时刻的室外空气温度、室外空气湿度、太阳辐射强度、室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率，所述测量日负荷数据包括测量日每个时刻测量到的实际空调负荷值，其中，K为正整数；/n步骤2：建立RBF神经网络和残差网络，所述的残差网络包括多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型；/n其中，每次训练迭代包括如下子步骤：/n步骤2.1：所述的RBF神经网络输出预测空调负荷值，根据预测空调负荷值获取残差值，所述的残差值为预测空调负荷值和实际空调负荷值之差；所述的残差网络中的每个子网络分别输出各自的预测空调负荷值，获取每个子网络残差值，每个子网络残差值为每个子网络输出的预测空调负荷值和实际空调负荷值之差；/n步骤2.2：选择最小的两个子网络残差值通过最小二乘法进行权重分配，获得修正残差值；/n步骤2.3：将修正残差值替换RBF神经网络的的残差值后，进行下一次训练迭代。/n...

【技术特征摘要】
1.一种办公建筑内空调负荷预测模型建立方法，其特征在于，包括如下步骤：
步骤1：采集历史环境数据和测量日负荷数据，所述历史环境数据包括测量日前K天中每个时刻的室外空气温度、室外空气湿度、太阳辐射强度、室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率，所述测量日负荷数据包括测量日每个时刻测量到的实际空调负荷值，其中，K为正整数；
步骤2：建立RBF神经网络和残差网络，所述的残差网络包括多个子网络，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练RBFNN网络和残差网络，将训练好的RBFNN网络作为空调负荷预测模型；
其中，每次训练迭代包括如下子步骤：
步骤2.1：所述的RBF神经网络输出预测空调负荷值，根据预测空调负荷值获取残差值，所述的残差值为预测空调负荷值和实际空调负荷值之差；所述的残差网络中的每个子网络分别输出各自的预测空调负荷值，获取每个子网络残差值，每个子网络残差值为每个子网络输出的预测空调负荷值和实际空调负荷值之差；
步骤2.2：选择最小的两个子网络残差值通过最小二乘法进行权重分配，获得修正残差值；
步骤2.3：将修正残差值替换RBF神经网络的的残差值后，进行下一次训练迭代。


2.如权利要求1所述的办公建筑内空调负荷预测模型建立方法，其特征在于，所述的RBF神经网络包括输入层、隐含层和输出层，各层之间全连接，隐含层与输出层之间有权值连接。


3.如权利要求1所述的办公建筑内空调负荷预测模型建立方法，其特征在于，所述残差网络的子网络包括：ARIMA网络、ELMAN网络、MLR网络和GM网络。


4.一种办公建筑内空调负荷预测方法，其特征在于，包括如下步骤：
步骤一：获取待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率；
步骤二：将待预测时刻的室外空气温度、室外空气湿度、太阳辐射强度室内人员密度、室内温度、室内湿度、外墙窗热系数、屋顶传热系数、窗墙比和渗透率输入如权利要求1-3任一种办公建筑内空调负荷预测模型建立方法得到的空调负荷预测模型，获得待预测时刻的预测空调负荷值。


5.一种办公建筑内空调负荷预测系统，其特征在于，包括数据采集模块、核心运算模块和输出显...

【专利技术属性】
技术研发人员：冯增喜，崔巍，何鑫，张茂强，杨芸芸，赵锦彤，李诗妍，陈海越，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61