本发明专利技术公开了一种暖通空调的能耗预测方法和装置。方法包括：获取室外温度、湿度以及暖通空调正累积热量的历史数据，并对获取到的历史数据进行清洗；根据清洗后的历史数据形成训练样本集；将训练样本集输入到预测模型中进行学习训练，得到能耗预测模型；获取天气预报中预测的未来温度和湿度数据，将未来温度和湿度数据输入到能耗预测模型中，预测得到未来的能耗负荷数据。本发明专利技术能够基于训练得到的能耗预测模型，依据室外天气预报的温湿度数据预测出正确的能耗负荷数据，作为实际能耗对照的参考，如果能耗相差巨大，暖通运维人员便可分析能耗异常的原因；能够避免能耗长时间处于较高能耗状态，减少不必要能耗浪费，从而达到节能目的。目的。目的。
【技术实现步骤摘要】
一种暖通空调的能耗预测方法和装置
[0001]本申请涉及暖通空调
，特别是涉及一种暖通空调的能耗预测方法和装置。
技术介绍
[0002]在中国大约有120万个大大小小的园区，其中涉及到的楼宇非常多，建筑能耗的比重占据社会总能耗的20％左右。建筑的能耗主要来源于采暖和制冷，但不同的建筑类型有着不同的衡量标准，但是国家对不同类型建筑能耗的标准没有那么精准或者是没有具体标准。
[0003]如果不同业态的建筑无法衡量标准的能耗就无法做到能耗对标，便无法衡量当下能耗健康度，如果建筑暖通机房出现设备损坏、管道泄露情况而导致的能耗增加便无法排查出，因此，需要能够预测出正确的能耗负荷数据，作为实际能耗对照的参考。
[0004]传统的建筑能耗运维管理中无法正确预知未来的能耗情况，无法预知未来能耗便无法对标实际能耗健康度，如果因为设备搭配不匹配或者管道泄露，比如：制冷主机的频率长时间在高频率运行，但冷冻水泵的个数较少匹配不上制冷主机的制冷效率，便会造成此建筑能耗相对于其他同种类的建筑能耗偏高，但是本建筑暖通运维人员无法知道本建筑类型下能耗应该是多少，所以无法能耗对标便无法得知能耗健康度。
技术实现思路
[0005]基于此，针对上述技术问题，提供一种暖通空调的能耗预测方法和装置，以解决现有技术存在的传统建筑能耗运维管理中无法正确预知未来的能耗情况的技术问题。
[0006]为了实现上述目的，本申请提供如下技术方案：
[0007]第一方面，一种暖通空调的能耗预测方法，包括：
[0008]获取记录的室外温度和湿度的历史数据，以及暖通空调正累积热量的历史数据，并对获取到的历史数据进行清洗；
[0009]根据清洗后的历史数据形成训练样本集；
[0010]将所述训练样本集输入到预测模型中进行学习训练，得到能耗预测模型；
[0011]获取天气预报中预测的未来温度和湿度数据，将所述未来温度和湿度数据输入到所述能耗预测模型中，预测得到未来的能耗负荷数据。
[0012]可选地，所述室外温度和湿度的历史数据具体是通过设置在室外的温湿度传感器记录的，所述暖通空调正累积热量的历史数据具体是通过热量表记录的。
[0013]可选地，所述对获取到的历史数据进行清洗包括：
[0014]分别过滤掉室外温度和湿度的历史数据以及暖通空调正累积热量的历史数据中，周末、节假日、非制冷时段和非工作时段所对应的数据；
[0015]过滤掉暖通空调正累积热量的历史数据中存在异常跳变的数据。
[0016]进一步可选地，所述过滤掉暖通空调正累积热量的历史数据中存在异常跳变的数
据具体是利用3sigma法则。
[0017]可选地，所述根据清洗后的历史数据形成训练样本集包括：
[0018]对齐历史数据中室外温度和湿度，与暖通空调正累积热量的记录时间；
[0019]将记录的每个时间周期内的相应温度序列和湿度序列，以及相应冷量均作为一个初始样本，得到多个初始样本；
[0020]对所述多个初始样本提取有效特征，得到多个训练样本，形成训练样本集。
[0021]进一步可选地，室外温度和湿度的采样间隔为5分钟，所述时间周期为1小时。
[0022]进一步可选地，所述对所述多个初始样本提取有效特征，得到多个训练样本，形成训练样本集包括：
[0023]对于每个初始样本，计算温度序列的均值、温度序列一阶导数的均值、温度序列二阶导数的均值，以及计算湿度序列的均值、湿度序列一阶导数的均值、湿度序列二阶导数的均值；
[0024]将每个初始样本的相应温度序列的均值、温度序列一阶导数的均值、温度序列二阶导数的均值、湿度序列的均值、湿度序列一阶导数的均值、湿度序列二阶导数的均值，以及相应冷量均作为一个训练样本，得到多个训练样本，，形成训练样本集。
[0025]可选地，所述预测模型具体为XGBoost集成学习模型。
[0026]可选地，所述方法还包括：
[0027]在训练过程中，使用贝叶斯超参数优化算法，对超参数进行优化。
[0028]第二方面，一种暖通空调的能耗预测装置，包括：
[0029]历史数据获取模块，用于获取记录的室外温度和湿度的历史数据，以及暖通空调正累积热量的历史数据，并对获取到的历史数据进行清洗；
[0030]数据清洗模块，用于根据清洗后的历史数据形成训练样本集；
[0031]预测模型训练模块，用于将所述训练样本集输入到预测模型中进行学习训练，得到能耗预测模型；
[0032]能耗预测模块，用于获取天气预报中预测的未来温度和湿度数据，将所述未来温度和湿度数据输入到所述能耗预测模型中，预测得到未来的能耗负荷数据。
[0033]本专利技术至少具有以下有益效果：
[0034]本专利技术实施例提供的一种暖通空调的能耗预测方法中，通过获取室外温度、湿度以及暖通空调正累积热量的历史数据，根据清洗后的历史数据形成训练样本集，将训练样本集输入到预测模型中进行学习训练，得到能耗预测模型，将未来温度和湿度数据输入到能耗预测模型中，预测得到未来的能耗负荷数据；能够基于训练得到的能耗预测模型，依据室外天气预报的温湿度数据预测出正确的能耗负荷数据，作为实际能耗对照的参考；将得到的预测数据作为实际能耗的参照物，如果能耗相差巨大，暖通运维人员便可分析能耗异常的原因，是供需关系原因、设备异常还是管道等异常原因；能够避免能耗长时间处于较高能耗状态，减少不必要能耗浪费，从而达到节能目的。
附图说明
[0035]图1为本专利技术一个实施例提供的一种暖通空调的能耗预测方法的流程示意图；
[0036]图2为本专利技术一个实施例中累计热量表原始读数示意图；
[0037]图3为本专利技术一个实施例中热量表过滤后的读数示意图；
[0038]图4为本专利技术一个实施例中冷量采集示意图；
[0039]图5为本专利技术一个实施例中经过处理后的冷量变化曲线示意图；
[0040]图6为本专利技术一个实施例中能耗预测模型的预测效果示意图；
[0041]图7为本专利技术一个实施例提供的一种暖通空调的能耗预测装置的模块架构框图；
[0042]图8为本专利技术一个实施例提供的一种计算机设备的内部结构图。
具体实施方式
[0043]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0044]在一个实施例中，如图1所示，提供了一种暖通空调的能耗预测方法，包括以下步骤：
[0045]S101，获取记录的室外温度和湿度的历史数据，以及暖通空调正累积热量的历史数据，并对获取到的历史数据进行清洗。
[0046]其中，室外温度和湿度的历史数据具体是通过设置在室外的温湿度传感器记录的，暖通空调正累积热量的历史数据具体是通过热量表记录的。
[0047]进一步地本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种暖通空调的能耗预测方法，其特征在于，包括：获取记录的室外温度和湿度的历史数据，以及暖通空调正累积热量的历史数据，并对获取到的历史数据进行清洗；根据清洗后的历史数据形成训练样本集；将所述训练样本集输入到预测模型中进行学习训练，得到能耗预测模型；获取天气预报中预测的未来温度和湿度数据，将所述未来温度和湿度数据输入到所述能耗预测模型中，预测得到未来的能耗负荷数据。2.根据权利要求1所述的暖通空调的能耗预测方法，其特征在于，所述室外温度和湿度的历史数据具体是通过设置在室外的温湿度传感器记录的，所述暖通空调正累积热量的历史数据具体是通过热量表记录的。3.根据权利要求1所述的暖通空调的能耗预测方法，其特征在于，所述对获取到的历史数据进行清洗包括：分别过滤掉室外温度和湿度的历史数据以及暖通空调正累积热量的历史数据中，周末、节假日、非制冷时段和非工作时段所对应的数据；过滤掉暖通空调正累积热量的历史数据中存在异常跳变的数据。4.根据权利要求3所述的暖通空调的能耗预测方法，其特征在于，所述过滤掉暖通空调正累积热量的历史数据中存在异常跳变的数据具体是利用3sigma法则。5.根据权利要求1所述的方法，其特征在于，所述根据清洗后的历史数据形成训练样本集包括：对齐历史数据中室外温度和湿度，与暖通空调正累积热量的记录时间；将记录的每个时间周期内的相应温度序列和湿度序列，以及相应冷量均作为一个初始样本，得到多个初始样本；对所述多个初始样本提取有效特征，得到多个训练样本，形成训练样本集。6.根据权利要求5所述的暖通...
【专利技术属性】
技术研发人员：张胜红，刘龙豹，
申请(专利权)人：中瑞恒北京科技有限公司，
类型：发明
国别省市：
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。