【技术实现步骤摘要】
一种结合建筑热过程和子空间辨识模型的热负荷预测方法
[0001]本专利技术属于热负荷预测领域,具体涉及一种结合建筑热过程和子空间辨识模型的建筑热负荷预测方法,本方法也适用于预测承担多栋建筑的区域换热站热负荷的预测。
技术介绍
[0002]供热系统在我国实现碳减排的目标中承担着重要的减碳任务。一方面,供热能源结构中可再生能源的比例逐渐扩大,提高了供热的不稳定性;另一方面,热用户自主调节的设备逐渐完善,自主调节的需求不断提升,增加了需求侧的灵活性。为节约能源,供热智慧化的目标之一即是缓和热量的供给侧不稳定和需求侧灵活性高的矛盾,实现供需的动态平衡。由于热用户、供热管网和热源各环节的热惰性,为达到供需动态平衡之目标,供热调节控制系统必须依靠对未来热负荷的预测,提前调节供热量,从而降低热惰性对供需平衡的影响。因此,热负荷预测是供需平衡的前提目标,也是实现供热系统减碳的基础任务之一。
[0003]现有建筑热负荷预测方法的模型可分为机理模型和数据驱动模型两类。其中基于机理模型的预测结果依赖于模型参数的准确度,而模型参数的理论取值往往与实际偏差较大,导致预测结果失真度较高;而数据驱动模型的预测结果依赖于历史数据的完整性,如果出现未曾经历的激励和干扰,预测结果会呈现错误导向。机理模型和数据驱动模型的思路相结合,可以取长补短。目前的综合方法存在机理模型结构复杂,参数辨识过程繁琐,而辨识过程相对简洁的子空间辨识算法仅预测输出变量而状态变量不具有物理意义等缺点。
技术实现思路
[0004]本专利技术针对供热系统存在 ...
【技术保护点】
【技术特征摘要】
1.一种结合建筑热过程和子空间辨识模型的热负荷预测方法,其特征在于:所述方法为:步骤一:基于建筑热过程的状态空间模型构建采用单质点的集总参数法描述供暖建筑的热过程,建筑质点内能的增量等于净得热量,如下式:其中,I为建筑群热容,包括室内空气、围护结构和家居设备的热容,J/K;t
in
为建筑群室内平均温度,℃;τ为时间,s;Q为建筑群单位时间供热量,W;W为室内外单位温差下建筑群的单位时间净失热量,包括围护结构传热量、冷风渗透耗热量和太阳辐射得热量,W;t
out
为室外温度,℃;建筑热负荷计算模型为:H=h(t
in
‑
t
out
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中,H为建筑群热负荷,W;h为室内外单位温差下的建筑群热负荷,W/K;令t
in
为状态变量x,[Q t
out
]
T
为输入变量u,H为输出变量y,上述室内温度变化方程和建筑热负荷方程写成状态空间模型的形式为:其中,是状态变量x关于时间的微分,C0=h、D0=[0
ꢀ‑
h]为系数矩阵,其中W、I以及h均可通过上述系数矩阵得到;步骤二:状态空间模型离散在参数辨识前将上述连续的状态空间模型离散化为:其中,A=E+TA0,B=TB0,C=C0,D=D0;T为采样周期;E为单位矩阵;k为当前时刻,(k+1)为预测的未来时刻;预测时长t=T;步骤三:子空间辨识模型不同状态变量之间用非奇异线性变换进行转换,根据这一特性与状态空间模型(4),将输入u、输出y的历史时序数据作为已知量,进行当量建筑热过程和建筑传热的系数矩阵辨识的表征,已知量包括:建筑群单位时间供热量Q、室外温度t
out
、建筑群热负荷H;;步骤四:热负荷预测将辨识结果代入状态空间模型(4)即为热负荷预测模型;根据当前状态变量x(2M+N
‑
2)和输入u(2M+N
‑
2),通过状态方程预测出下一周期的室内平均温度x(2M+N
‑
1),再通过输出方程预测下一周期的建筑群热负荷y(2M+N
‑
1),如此循环迭代得到未来i个周期的建筑群室内平均温度和热负荷。
2.根据权利要求1所述的一种结合建筑热过程和子空间辨识模型的热负荷预测方法,其特征在于:步骤三中,表征当量建筑热过程和建筑传热的系数矩阵辨识步骤为:(1)状态空间模型重构以式(4)为基础状态空间模型,其中,x即为模型指定的状态变量,物理意义为建筑室内平均温度,设状态变量x
′
为重构模型的辨识状态变量,系统输出y
′
为建筑群室内平均温度和热负荷,即y
′
=[x y]
T
,如下式:其中,A1、B1、C1、D1为新的状态空间模型(5)的系数矩阵;辨识状态变量x与模型指定的状态变量x
′
通过非奇异线性变换相互转换,即x
′
=Px
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中,P为转换矩阵;(2)矩阵的定义将室外温度、瞬时供热量以及建筑内可观测房间的室内温度作为历史数据,对状态空间(5)中的系数矩阵进行辨识;根据状态空间模型的系数矩阵A1和C1之间的关系能够得到广义可观测矩阵Γ
′
M
,并定义下三角Toeplitz矩阵H
′
M
如下,其中Γ
′
M
和H
′
M
的右下标M为矩阵方程的行数;根据输入u和输出y
′
,分别构造M
×
N维的Hankel矩阵Y
′
p
、U
p
和Y
′
f
、U
f
,其中M要至少大于系统的阶数,N根据训练样本容量确定,如下式:系统的阶数,N根据训练样本容量确定,如下式:其中,U
p
和Y
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。