一种空调负荷预测方法，装置及空调制造方法及图纸

本发明专利技术适用于空调技术领域，提供了一种空调负荷预测方法，装置及空调，所述方法包括：获取影响空调系统负荷的参数量；将所述参数输入预先训练的空调负荷预测神经网络模型；从而获得空调负荷的预测值，实现准确预测空调系统逐时负荷，保证制冷量跟随空调负荷的变化而变化，避免能源浪费，且为冷水机组运行调节提供依据，确保冷水机组处于最佳能效状态下运行。

【技术实现步骤摘要】

本专利技术属于空调
，尤其涉及一种空调负荷预测方法，装置及空调。
技术介绍
传统空调系统的运行方式，主要是通过直接比较房间温度与设定温度的偏差，从而调节空气处理单元的供冷量，其中，在空调系统调节过程中仅将空调负荷作为干扰量被包围在闭环控制回路中，而没有考虑空调负荷的动态变化情况。由于没有考虑空调负荷的动态变化情况，经常导致制冷量与空调负荷的变化不一致的情况，例如，可能出现制冷量无法满足空调负荷所需的冷量，或者制冷量大于空调负荷所需的冷量的情况，特别是，当制冷量大于空调负荷所需的冷量时，白白浪费掉大量的能量，达不到节能的效果。另外，由于冷水机组的制冷量处于被动调节状态，无法获知下一时刻的制冷量，从而无法确保冷水机组，冷却、冷冻水泵处于最佳能效状态下运行。综上，现有技术的空调系统调节过程没有考虑空调负荷的动态变化情况，可能导致制冷量与空调负荷的变化不一致，且空调系统设备无法在最佳能效状态下运行。
技术实现思路
本专利技术实施例的目的在于提供一种空调负荷预测方法，旨在解决现有技术的空调系统调节过程没有考虑空调负荷的动态变化情况，可能导致制冷量与空调负荷的变化不一致，且空调系统设备无法在最佳能效状态下运行的问题。为了实现上述目的，本专利技术实施例提供如下技术方案本专利技术实施例是这样实现的，一种空调负荷预测方法，所述方法包括获取影响空调系统负荷的参数量；将所述参数量输入预先训练的空调负荷预测神经网络模型，其中，所述空调负荷预测神经网络模型包括输入层、中间层、反馈层及输出层；获取所述空调负荷预测神经网络模型输出的空调负荷的预测值。本专利技术实施例还提供了一种空调负荷预测系统，所述系统包括参数量获取单元，用于获取影响空调系统负荷的参数量；参数量输入单元，用于将所述参数量输入预先训练的空调负荷预测神经网络模型，其中，所述空调负荷预测神经网络模型包括输入层、中间层、反馈层及输出层；预测值获取单元，用于获取所述空调负荷预测神经网络模型输出的空调负荷的预测值。本专利技术实施例与现有技术相比，有益效果在于获取影响空调系统负荷的参数量，并将所述参数输入预先训练的空调负荷预测神经网络模型，从而获得空调负荷的预测值，实现准确预测空调系统逐时负荷，保证制冷量与空调负荷的变化一致，避免能源浪费，且为冷水机组运行调节提供依据，确保冷水机组处于最佳能效状态下运行。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例一提供的空调负荷预测方法的实现的流程图；图2是本专利技术实施例一提供的空调负荷预测神经网络模型的示意图；图3是本专利技术实施例一提供的预先训练所述空调负荷预测神经网络模型方法的实现的流程图；图4是本专利技术实施例二提供的空调负荷预测系统的结构图；图5是本专利技术实施例二提供的训练单元的结构图。具体实施例方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例提供了一种空调负荷预测方法，所述方法包括获取影响空调系统负荷的参数量；将所述参数量输入预先训练的空调负荷预测神经网络模型，其中，所述空调负荷预测神经网络模型包括输入层、中间层、反馈层及输出层；获取所述空调负荷预测神经网络模型输出的空调负荷的预测值。本专利技术实施例还提供了一种空调负荷预测系统，所述系统包括参数量获取单元，用于获取影响空调系统负荷的参数量；参数量输入单元，用于将所述参数量输入预先训练的空调负荷预测神经网络模型，其中，所述空调负荷预测神经网络模型包括输入层、中间层、反馈层及输出层；预测值获取单元，用于获取所述空调负荷预测神经网络模型输出的空调负荷的预测值。以下结合具体实施例对本专利技术的实现进行详细描述实施例一图1示出了本专利技术实施例一提供的空调负荷预测方法的实现的流程图，详述如下在SlOl中，初始化空调负荷预测神经网络模型对应的权值和阈值；本实施例中，初始化的权值和阈值可以为任意值。在S102中，获取影响空调系统负荷的参数量；本实施例中，参数量可以包括室内温度、室外温度、室内湿度、室外湿度、空调冷冻水系统供回水温度和流量等参数，具体可以根据实际情况对参数进行调整。在S103中，将所述参数量输入预先训练的空调负荷预测神经网络模型，其中，所述空调负荷预测神经网络模型包括输入层、中间层、反馈层及输出层；在S104中，获取所述空调负荷预测神经网络模型输出的空调负荷的预测值。为了便于理解，以下给出给出一个空调负荷预测神经网络模型的示意图，如图2所示，但不以此空调负荷预测神经网络模型的实现方式为限本实现示例中，所述空调负荷预测神经网络模型包括输入层、中间层、反馈层及输出层，具体为所述输入层接收输入参数Xi (η)；所述中间层对输入参数进行处理权利要求1.一种空调负荷预测方法，其特征在于，所述方法包括获取影响空调系统负荷的参数量；将所述参数量输入预先训练的空调负荷预测神经网络模型，其中，所述空调负荷预测神经网络模型包括输入层、中间层、反馈层及输出层；获取所述空调负荷预测神经网络模型输出的空调负荷的预测值。2.如权利要求1所述的方法，其特征在于，所述获取影响空调系统负荷的参数量之前， 所述方法包括初始化空调负荷预测神经网络模型对应的权值和阈值。3.如权利要求1所述的方法，其特征在于，所述方法还包括预先训练所述空调负荷预测神经网络模型，具体为al、将训练样本输入预先建立的空调负荷预测神经网络模型，并获取所述训练样本对应的输出值；a2、判断所述输出值与标准输出值的误差是否小于预设误差值； a3、若是，则当前空调负荷预测神经网络模型对应的权值和阈值为训练后的神经网络对应的权值和阈值；a4、若否，则重新计算当前空调负荷预测神经网络模型对应的权值和阈值，并将重新计算的权值和阈值带入所述预先建立的空调负荷预测神经网络模型，并执行al。4.如权利要求3所述的方法，其特征在于，所述输入层接收输入参数Xi (η);所述中间层对输入参数进行处理5.如权利要求4所述的方法，其特征在于，所述预先训练所述空调负荷预测神经网络模型为(1)输入训练值，通过所述空调负荷预测神经网络模型的输出值为Ay2··· yp，所述输出值的教师值为t1，t2-tp ；(2)判断6.一种空调负荷预测系统，其特征在于，所述系统包括参数量获取单元，用于获取影响空调系统负荷的参数量；参数量输入单元，用于将所述参数量输入预先训练的空调负荷预测神经网络模型，其中，所述空调负荷预测神经网络模型包括输入层、中间层、反馈层及输出层；预测值获取单元，用于获取所述空调负荷预测神经网络模型输出的空调负荷的预测值。7.如权利要求6所述的系统，其特征在于，所述系统还包括训练单元用于预先训练所述空调负荷预测神经网络模型，所述训练单元具体包括样本输入单元，用于将训练样本输入预先建立的空调负荷预测神经网络模型，并获取所述训练样本对应的输出值；判断单元，用于判断所述输出值与标准输出值的误差是否小于预设误差值，若是，则当前空调负荷预测神经网络模型对应的权值和本文档来自技高网...

【技术保护点】
一种空调负荷预测方法，其特征在于，所述方法包括：获取影响空调系统负荷的参数量；将所述参数量输入预先训练的空调负荷预测神经网络模型，其中，所述空调负荷预测神经网络模型包括：输入层、中间层、反馈层及输出层；获取所述空调负荷预测神经网络模型输出的空调负荷的预测值。

【技术特征摘要】

【专利技术属性】
技术研发人员：李建维，覃宝，曾江华，曾江游，
申请(专利权)人：深圳市奥宇控制系统有限公司，
类型：发明
国别省市：