一种短时间间隔大气环境温度预测方法技术

本发明专利技术公开了一种短时间间隔大气环境温度预测方法，首先，在大气环境中定义一个截面积为1平方米的球形控制体作为研究对象，然后每隔设定时间步长，测量控制体的太阳辐射能、大气温度等参数，当采样记录持续时间大于12小时时，开始执行大气环境温度预测程序，且每经过一个预测时长时间间隔执行一次；在执行中，对于第k个预测时间段，根据当前采样获得的大气温度等参数，计算确定Cth值，若k大于等于2，更新空气辐射热吸收系数f值；最后，利用太阳辐射能预测模块预测未来一个预测时长内太阳辐射能分布，获得预测时长内温度分布，之后程序等待直至下一个预测时刻；本发明专利技术方法适用于任何地点和任何天气类型的情况，精度高，计算量小，实际应用中可在线实时执行。

【技术实现步骤摘要】

本专利技术属于供热通风与空调系统节能
，具体涉及。
技术介绍
供热通风与空调系统(HVAC)是建筑能耗的主要来源之一，是目前建筑节能技术开发的主要领域之一。目前大多数建筑HVAC系统的运行控制只考虑满负荷工况，而对于运行期间热负荷变化时，多数情况下系统的控制参数并非运行在最优条件下。HVAC能效管理通过提前对热负荷进行计算和预测，并对HVAC系统运行参数(如制冷(热)量、流量、温度等)的控制值进行优化，在满足负荷需求前提下，保证HVAC系统运行在最小能耗状态，从而使HVAC系统的控制参数在运行过程中一直保持在最优工作条件下，达到节能的目的。大气环境温度是影响HVAC热负荷的重要因素之一，因此HVAC能效管理过程中需要对室外大气环境温度进行预测。HVAC能效管理的优化频率一般为10-15分钟，高精度短时间间隔(sub-hourly)大气环境温度预测技术是开发HVAC能效管理的核心技术之一。目前有关大气环境温度预测方法主要有早期参数化分析模型[1-4]和近些年常用的神经网络模型[5-10]，但是这些不同方法都是针对于特定应用，对于短时间间隔环境温度预测在精度和适用性方面存在着很大的局限性，如文献[1-3]提出的参数化分析模型是针对于农业大棚应用，用于预测近地表空气温度，分析空气与地面土壤之间的热交换关系和影响。影响大气环境温度变化的因素有太阳辐射能、当地地形、大气湿度、云层覆盖情况和风速等[4]，这些因素的变化具有随机性特征，因此参数化分析模型难以应用于短时间间隔的温度预测。而人工神经网络(ANN)适合于对随机变量的特征辨识、分类和预测，并在大气环境温度预测方面受到了广泛研究[5-10]，但ANN方法对于短时间间隔大气环境预测具有一定的局限性，ANN模型建立是基于对历史数据的训练，在预测过程中需要如湿度、风速和太阳辐射能等气候条件作为输入参数[7]，建立的ANN预测模型与特定地点相关，不具备通用性特点，且建立预测模型需要的训练时间长，需要大量历史数据，对于气候变化频繁的地方不一定能获得有效的ANN预测模型。参考文献[1]J. ff. Deardorff, Efficient prediction of ground surfacetemperatureand moisture， with inclusion of a layer of vegetation, Journal ofGeophysicalResearch,83(1978) 1889-1903.[2]C. M. Bhumralkar, Numerical experiments on the computation ofgroundsurface temperature in an atmospheric general circulation model， J.Appl.Meteorol. ,14(1975) :1246-1258.[3] A. K. Blackada, Modeling the nocturnal boundary layer,Proceedingsof the Third Symposium on Atmospheric Turbulence， Diffusion andAirQualityj pp. 46—49，American Meteorological Society, Boston，Mass.，1976.[4]H. Swaid, M. E. Hoffman, Prediction of urban air temperaturevariationsusing the analytical CTTC model, Energy and Building，14(1990) :313-224.[5]L.Bodri, V.Cermak, Prediction of surface air temperatures byneuralnetwork, example based on three-year temperature monitoring atSporilovstation, Stud. Geophys. Geod. ,47(2003) :173-184.[6] A. Jain, RW. McClendon, G. Hoogenboom, Freeze prediction forspecificlocations using artificial neural networks, Transactions of the ASABE,49(6)1955-1962.[7]B. A. Smith, R. W. McClendon, G. Hoogenboom, Improving airtemperatureprediction with artificial neural networks, Int. J. ComputationalIntelligence,3(2006) :179-186.[8]R. F. Chevalier, G. Hoogenboom，R. W. McClendon, J. A. Paz, Supportvectorregression with reduced training sets for air temperature prediction acomparison with artificial neural networks, Neural Comput. &Applic. ,20(2011)151-159.[9]A. L. Labajo, J. L. Labajo, Analysis of temporal behavior ofcIimatevariabIes using artificial neural networks an application to meanmonthlymaximum temperatures on the Spanish Central Plateau,Atmosfera,24(2011)267-285.[10] M. Afzali, A. Afzal i , G. Zahedi , The potential of artificialneuralnetwork technique in daily and monthly ambient air temperatureprediction, Int.J. Environmental Science and Development,3(2012) :33-38.[11]G. A. F. Seber，C. J. Wild, Nonlinear Regression, John Wiley & Sons，Inc.，1989，p.25
技术实现思路
为解决上述现有技术中存在的问题，本专利技术的目的在于提供，本专利技术方法适用于任何地点和任何天气类型的情况，精度高，计算量小,实际应用中可在线实时执行。本专利技术方法的设计思想为首先，在大气环境中定义一个截面积为I平方米的球形控制体作为研究对象，该控制体温度的变化即代表了大气环境温度变化。控制体温度变化主要依赖于空气热容及接收到的热量本文档来自技高网...

【技术保护点】
一种短时间间隔大气环境温度预测方法，其特征在于：包括如下步骤：步骤1：首先，在大气环境中定义一个截面积为1平方米的球形控制体作为研究对象，设定控制体环境变量的采样时间步长，设定预测时长；步骤2：每隔一个设定的时间步长，测量太阳辐射能、大气温度、压强和相对湿度，当采样记录持续的时间长度大于12小时时，则开始执行大气环境温度预测程序，且每经过一个预测时长的时间间隔执行一次大气环境温度预测；步骤3：在大气环境温度预测执行过程中，对于第k个预测时间段，首先根据当前采样获得的大气温度、压强和相对湿度，通过方程（1）～（5）计算确定Cth值，若k等于1，则在区间[0.001，0.01范围内为空气辐射热吸收系数f设定一个值（如0.0025），若预测时间段索引k大于等于2，采用方程（6）更新空气辐射热吸收系数f的值；ln(ps)=54.842763-6763.22T-4.21ln(T)+0.000367T+tanh[0.0415(T-218.8)][53.878-1331.22T-9.44523ln(T)+0.014025T]---(2)ρ=p(1-x)287.058T+px461.495T---(3)Cth=34πρcpr3---(5)f=A(T0k-T0k-1)Cthk[∫t0k-12t0kfbl(t)q·rad(t)dt-∫t0k-1-12t0k-1fbl(t)q·rad(t)dt]---(6)式中：——空气绝对湿度，x——空气相对湿度，p——空气压强，ps——空气中水蒸气饱和压力，T——控制体温度，ρ——控制体空气密度，cp——控制体空气比热，r——控制体半径f——控制体辐射热的吸收系数，T0——当前温度，t0——当前时刻，单位：小时fbi(t)——Box?Lucas函数，表达式为：式中参数a1,a2默认值可取为0.5和3.8，对于不同地区这两个参数值可以做一定的调整；A——Box?Lucas函数在区间[0，12]的积分，表达式为：A=∫012fbl(t)dt;区间[t0?12,t0]的qrad——过去12小时的太阳辐射能；步骤4：利用太阳辐射能预测模块预测未来一个预测时长内太阳辐射能分布，从而根据方程（10）获得未来一个预测时长内温度分布，之后程序等待直至下一个预测时刻；具体如下：控制体的热平衡方程为（7）：43πρcpr3dTdt=fq·---(7)对该方程两边进行积分得方程（8）：T=∫Cth(t)fq·(t)dt---(8)式中：T是控制体温度，ρ为空气密度，cp为空气比热，r为控制体半径，为总辐射热强度，f为控制体辐射热的吸收系数；与太阳直接辐射和反射相比，云层及地球表面本身产生的热辐射在时间上具有一定的滞后性，考虑到云层和地球表面本身热辐射是太阳辐射能在时间上的滞后效应，方程（7）中的辐射热的计算可以看作是过去一段时间太阳辐射能热效应的累积，设太阳辐射的热效应时间滞后时长为12小时，并且太阳辐射能热效应的时间滞后特征遵循Box?Lucas模型[11]，并定义为方程（9）：fdecay(t)=fbl(t)A---(9)式中：fbl(t)=a1(e-a2t-e-a1t)a1-a2,A=∫012fbl(t)dt由方程（5）、（8）和（9）得到tp时刻大气环境温度的预测表达式（10）。Tp=T0+CthfA[∫tp-12tpfbl(t)q·rad(t)dt-∫t0-12t0fbl(t)q·rad(t)dt]---(10)FDA00002245659300011.jpg,FDA00002245659300016.jpg,FDA00002245659300022.jpg,FDA00002245659300023.jpg,FDA00002245659300033.jpg,FDA00002245659300034.jpg,FDA00002245659300035.jpg...

【技术特征摘要】
1.一种短时间间隔大气环境温度预测方法，其特征在于:包括如下步骤: 步骤1:首先，在大气环境中定义一个截面积为I平方米的球形控制体作为研究对象，设定控制体环境变量的采样时间步长，设定预测时长； 步骤2:每隔一个设定的时间步长，测量太阳辐射能、大气温度、压强和相对湿度，当采样记录持续的时间长度大于12小时时，则开始执行大气环境温度预测程序，且每经过一个预测时长的时间间隔执行一次大气环境温度预测； 步骤3:在大气环境温度预测执行过...

【专利技术属性】
技术研发人员：张兄文，李国君，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：