空调运行负荷模型构建和预测方法、装置、设备和介质与流程

1.本发明涉及空调自动控制领域，更具体地，涉及空调运行负荷模型构建和预测方法、装置、设备和介质。


背景技术：

2.近年来，公共建筑的能耗逐年增加，空调能耗是公共建筑的主要组成部分，据数据统计，约占建筑总能耗的65％左右，如何提高中央空调控制系统的性能，降低空调系统的能耗，促进建筑的智能发展，具有意义和值得重点研究的方向。
3.中央空调系统是一套复杂的机械系统，由于空调冷冻水管道环路较长，循环周期时间长，水热容量大、惰性大，温度反应慢，当负荷发生突变的时候，也要等到温度缓慢地反映出来后才能产生相应的调节动作，存在较大的控制时间滞后，影响了控制的及时性。当系统的热负荷的发生突然变化时，由于滞后性的影响，传统的闭环与开环控制模式均不能很好的解决存在的问题；如：大滞后性系统存在的制冷输出不精确，制冷输出不及时，无法做到按需制冷的问题，带来不必要的能耗的损失。
4.在地铁车站场车站公共区域通风空调系统能耗随早晚高峰客流、列车运行间隔、季节变化，呈现较为明显的峰谷差异，传统的水冷冷水主机是根据冷冻水供水温度来判断是否加载能力的，通过变频水泵的变流量控制来满足末端的负荷需求，这种反馈调节对水量与能力的调节，既存在温度传递滞后，又存在供冷容量滞后，负荷的变化与制冷能力响应速度是不匹配的，容易出现地铁站台温度随着人流突然增大、突然降低，温度忽高忽低，系统运行波动大，机组设备启停加减载频繁，系统运行不节能。
5.这种由滞后性引发的问题，热负荷变化越大，问题越突出，在地铁场景下，人工提前控制可以较好的克服系统滞后的不利影响，运营人员往往会提前加载冷水机组的负载；在遇到节假日、特殊时期时，又会根据历史客流情况进行灵活调节。针对此类问题，可通过计算机技术和现代控制技术，对未来时刻空调系统的运行所需要的冷热量，进行短期预测，通过对短期负荷量的精准预测，可以准确优化空调控制服务，提前调整设定最优的运行工况或设定值，保证空调舒适的同时，实现按需制冷，以最高效的方式运行，减少系统波动，实现节能效果。然而，现有技术中的负荷预测方法尚未成熟，如何减少数据处理量、提高预测速度和精准度等问题亟待解决。


技术实现要素：

6.本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供空调运行负荷模型构建和预测方法、装置、设备和介质，用于减少空调负荷预测的数据处理量，提高预测速度和保证预测准确度。
7.本发明采取的技术方案包括一种空调运行负荷模型构建方法，该方法包括步骤：采集或读取n项预测日当天的预设采集时刻t1～tn的运行负荷，形成预测日子集；读取m个历史数据集；所述m个历史数据集按日期划分，每个所述历史数据集包括所述预测日之前的一
个历史日的运行负荷，每个所述历史数据集中采集时刻为t1～tn的运行负荷为对应每个所述历史数据集的片段子集；将m个片段子集分别与预测日子集进行比对，选取运行负荷分布与预测日子集最接近的片段子集，以其所属的历史数据集作为相似日数据集；根据所述相似日数据集，以及所述相似日数据集的片段子集与预测日子集的总体偏差，建立以采集时刻为特征因子的运行负荷模型q(t)；其中，n和m为预设值。
8.对于地铁、商场等空调应用场景，由于各个时段的人流量变化较大，运行负荷与采集时刻具有明显的相关性，并且每日的运行负荷分布情况非常相似，在预测日当天先收集一部分时刻的运行负荷(即预测日子集)，比对历史日中该部分时刻的运行负荷(即片段子集)，找出运行负荷分布最为相似的一天作为相似日，其中所述运行负荷分布包括数值大小以及变化趋势，利用预测日和相似日的整体运行负荷差异修正相似日的个别时刻的运行负荷，转换为预测日的运行负荷。如此，以采集时刻作为特征因子，参考历史日的实际运行负荷，免除了对气温、人流量、新风量等各种影响运行负荷的各种因素的具体分析，减少数据分析量的同时保证预测精度。
9.进一步，所述采集或读取n项预测日当天的预设采集时刻t1～tn的运行负荷，具体包括：确定预测日子集的运行负荷的采集时刻的跨度tw；确定预测日子集的相邻两个预设采集时刻之间的时间间隔tk；采集或读取n项预测日当天的预设采集时刻t1～tn的运行负荷，n＝tw/tk。
10.t1～tn中每两项相邻的采集时刻的时间间隔相同，n是每个片段子集包含的元素个数，也是预测日子集包含的元素个数，通过改变n的大小可控制数据分析量的大小。
11.进一步，所述读取m个历史数据集，具体包括：读取预测日前m天的运行数据，或，读取前m年与预测日同期的运行数据，或，读取去年与预测日同期的前m1天的运行数据和后m2天的运行数据，m1 m2＝m。以此选取尽可能覆盖与预测日相同气候条件、相同节假日、相同人流量等的运行负荷数据。
12.进一步，所述根据所述相似日数据集，以及所述相似日数据集的片段子集与预测日子集的总体偏差，建立以采集时刻为特征因子的运行负荷模型q(t)，具体包括：计算所述相似日数据集的片段子集和预测日子集的总体标准偏差值xa；根据所述相似日数据集和总体标准偏差值建立运行负荷模型q(t)：
13.q(t)＝ga(t)-xaꢀꢀ
(1)
14.其中，ga(t)表示相似日数据集中采集时刻为t的运行负荷。
15.t即为采集时刻，作为运行负荷模型中的变量，总体标准偏差值xa表征预测日子集和片段子集的总体偏差，预测日与相似日的总体偏差主要由两日气温的不同造成，运行负荷模型 q(t)引入总体标准偏差值xa，修正相似日与预测日的气温水平差异。
16.基于上述空调运行负荷模型构建方法，本发明取的技术方案还包括一种空调运行负荷预测方法，包括步骤：根据如上所述的空调运行负荷模型构建方法构建运行负荷模型q(t)，根据所述运行负荷模型q(t)计算待预测时刻t
pred
的运行负荷预测值q
pred
。
17.进一步，所述选取待预测时刻t
pred
，具体包括：读取水系统循环周期值tc；根据预设采集时刻t1～tn和水系统循环周期值tc确定待预测时刻t
pred
：所述待预测时刻t
pred
大于或等于 tb ktc；其中，tb为预设时刻t1～tn中采集时刻最晚的一项，k为可选值，7≥k≥3。
18.运行负荷需要水系统完成周期循环制得，由此具有滞后性，为了保证运行负荷预
测值的参考价值，需考虑水系统的循环周期，避免发生预留的时间间隔太短，水系统按照预测值经历循环周期制冷后，已错过原本设定的待预测时刻t
pred
的状况。
19.进一步，根据所述运行负荷模型q(t)计算待预测时刻t
pred
的运行负荷预测值q
pred
，具体包括：输入所述待预测时刻t
pred
至运行负荷模型q(t)，得到初步预测值q1；根据所述相似日数据集与预测日子集的均方根误差值rmsea修正初步预测值q1，得到运行负荷预测值 q
pred
。
20.运行负荷模型q(t)输出的初步预测值q1测初步修正了相似日与预测日的整体差异，为了进一步提高预测精度，考虑人流量等在不同时段对运行负荷造成不同影响程度的因素，通过相似日数据集与预测日子集的均方根误差值rmsea修正运行负荷模型q(t)输出的初步预测值q1。
21.基于上述空调运行负荷预测方法，本发明还包括一种空调运行负荷预测装置、计算机设备和计算机可读介质：
22.所述空调运行负荷预测装置包括：读取模块，采集或读取n项预测日当天的预设采集时刻t1～tn的运行负荷，形成预测日子集；还用于读取m个历史数据集；所述m个历史数据集按日期划分，每个所述历史数据集包括所述预测日之前的一个历史日的运行负荷，每个所述历史数据集中采集时刻为t1～tn的运行负荷为对应每个所述历史数据集的片段子集；其中，n 和m为预设值；
23.处理模块，用于将m个片段子集分别与预测日子集进行比对，并选取运行负荷分布与预测日子集最接近的片段子集，以其所属的历史数据集作为相似日数据集；还用于根据所述相似日数据集，以及所述相似日数据集的片段子集与预测日子集的总体偏差，建立以采集时刻为特征因子的运行负荷模型q(t)；还用于根据所述运行负荷模型q(t)计算待预测时刻t
pred
的运行负荷预测值q
pred
。
24.所述计算机设备，包括存储器和处理器，所述存储器存储有计算机程序；其特征在于，所述处理器执行所述计算机程序时实现如上所述的空调运行负荷预测方法。
25.所述计算机可读介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如上所述的空调运行负荷预测方法。
26.与现有技术相比，本发明的有益效果为：
27.(1)以采集时刻作为运行负荷的变化因子，免除各种影响运行负荷的各种因素的具体分析，大大减小数据处理量。
28.(2)预测日和相似日的分析在预设的时间跨度中，减小数据对比；可进行短期预测，并在短期预测中具有高准确度。
29.(3)历史数据集的选取范围最大程度覆盖相同气候条件、相同节假日的场景数据，保证预测精度。
附图说明
30.图1为本发明的实施例1的步骤流程图一。
31.图2为本发明的实施例1的步骤流程图二。
32.图3为本发明的实施例1的运行负荷模型示意图一。
33.图4为本发明的实施例1的运行负荷模型示意图二。
34.图5为本发明的实施例1的运行负荷模型示意图三。
具体实施方式
35.实施例1
36.如图1和2所示，本实施例提供一种空调运行负荷预测方法，包括步骤：
37.s1：采集或读取n项预测日当天的预设采集时刻t1～tn的运行负荷形成预测日子集f(t)， t＝t1～tn；
38.其中，步骤s1具体包括：
39.s11：确定预测日子集的运行负荷的采集时刻的跨度tw；
40.s12：确定预测日子集的相邻两个预设采集时刻之间的时间间隔tk；
41.s13：采集或读取n项预测日当天的预设采集时刻t1～tn的运行负荷，n＝tw/tk；
42.为了保证预测精度，n通常不应该小于10。
43.s2：读取m个历史数据集；所述m个历史数据集按日期划分，分别包括m个历史日的运行负荷，每个历史数据集中采集时刻为t1～tn的运行负荷为该历史数据集的片段子集；历史数据集的表达式为gm(t)，表示第m天内t时刻的运行负荷，同理片段子集的表达式为g
m (t)，t＝t1～tn；
44.其中，所述m个历史数据集为预测日前m天的运行数据，或，为前m年与预测日同期的运行数据，或，为去年与预测日同期的前m1天的运行数据和后m2天的运行数据，m1 m2＝m
45.需要说明的是，步骤s1和s2的可以根据实际情况调换执行顺序，历史数据集并非限定为包含历史日完整一天的运行负荷的集合，若历史数据集不包含预设采集时刻t1～tn的运行负荷，可通过其他时刻的运行负荷进行拟合，从而计算得出预设采集时刻的运行负荷。
46.s3：将m个片段子集分别与预测日子集进行比对，选取运行负荷分布与预测日子集最接近的片段子集，以其所属的历史数据集作为相似日数据集ga(t)，m天中第a天为相似日；
47.其中，步骤s3具体为：
48.按公式(2)计算每个片段子集与预测日子集的均方根误差值：
[0049][0050]
xm为第m个历史数据集的片段子集与预测日子集的总体标准偏差值，计算方法如公式 (3)：
[0051][0052]
比对每个片段子集与预测日子集的均方根误差值rmsem，比对找出最小的均方根误差值 rmse
min
，均方根误差值最小的片段子集ga(t)，t＝t1～tn，该片段子集所属的历史数据集g
a (t)为相似日数据集，rmse
min
＝rmsea。本实施例利用均方根误差值评估预测日子集和片段子集的接近/近似程度，在其他实施方式中，可根据实际情况选用方差、均方差等评估预测日子集和片段子集的接近/近似程度。
[0053]
s4：以所述相似日数据集作为基础，结合其片段子集与预测日子集的总体偏差建
立以采集时刻为特征因子的运行负荷模型q(t)；
[0054]
其中，步骤s4具体包括：
[0055]
s41：计算相似日数据集ga(t)的片段子集和预测日子集f(t)的总体标准偏差值xa； xa可以在步骤s3计算均方根误差值rmsem的过程中获取，也可以在确立了相似日后重新计算。
[0056]
s42：结合所述相似日数据集和总体标准偏差值建立运行负荷模型q(t)：
[0057]
q(t)＝ga(t)-xaꢀꢀ
(1)
[0058]
s5：选取待预测时刻t
pred
；根据运行负荷模型q(t)计算待预测时刻t
pred
的运行负荷预测值q
pred
；
[0059]
其中，步骤s5具体包括：
[0060]
s51：输入待预测时刻t
pred
至运行负荷模型q(t)，输出初步预测值q1；
[0061]
s52：根据相似日数据集与预测日子集的均方根误差值rmsea修正初步预测值q1，得到运行负荷预测值q
pred
：
[0062][0063]
考虑水系统循环带来的滞后性，为了保证q
pred
的参考价值，t
pred
以公式(5)确定：
[0064]
t
pred
≥tb ktcꢀꢀ
(5)
[0065]
其中，tc为当前的水系统循环一个周期所需的时间，tb为预设时刻t1～tn中采集时刻最晚的一项，k为可选值，3≥k≥7。
[0066]
图3～5为所述运行负荷模型q(t)的形成过程的示意图。一天内的负荷大小可能根据环境温度不同，负荷大小而不同，也跟客流人数的不同，在不同时刻，负荷的大小也不同；如图5所示，2条负荷曲线是根据应用场景的实际运行负荷绘制出来的，在不同环境温度和其它因素影响下的负荷的大小是不同的，预测日的环境温度高于相似日的环境温度；为了消除环境温度等因素带来的影响，计算2条曲线的总体标准偏差xa，再对历史数据集的偏差值总体均值的偏移，得到如图4所示的新数据集g’a
(t)曲线图，g’a
(t)＝ga(t)-xa；消除整体均值差后，展示出的2条负荷曲线间的差异主要由人流波动、节假日、工作日等因素的造成，再如图5所示，通过均方根误差值rmsea进行修正，q(t)＝ga(t)-xa rmsea。
[0067]
由于负荷变化的无常性，为了保证预测的准确性，本实施例的方法每隔一定时刻重新启动计算，动态查找计算最精准的负荷预测值，随时调整负荷预测值；
[0068]
另外，本实施例中增加评估模型，对预测值与实现值会进行误差计算，并求得一天内的平均误差值，根据平均误差值可以评价当前的算法模型的精准度，及时调整算法参数，以逐步迭代达到最佳状态。同理，在其他实施方式中，可在运行负荷模型q(t)中引入其他修正项进一步提高预测精度。
[0069]
基于上述空调运行负荷模型构建方法和空调运行负荷预测方法，本实施例还提供一种计算机设备和计算机可读介质。所述计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行所述计算机程序时实现上述的空调运行负荷预测方法。所述计算机可读介质存有计算机程序，计算机程序被处理器执行时实现上述空调运行负荷的预测方
法。
[0070]
实施例2
[0071]
本实施例提供一种实现实施例1的空调运行负荷预测方法的装置和系统。
[0072]
所述空调运行负荷预测装置包括：读取模块，用于采集或读取n项预测日当天的预设采集时刻t1～tn的运行负荷形成预测日子集；还用于读取m个历史数据集；所述m个历史数据集按日期划分，分别包括m个历史日的运行负荷，每个历史数据集中采集时刻为t1～tn的运行负荷为该历史数据集的片段子集；其中，n和m为预设值；处理模块，用于比对m个片段子集与预测日子集的变化趋势，选取变化趋势最接近的片段子集对应的历史数据集作为相似日数据集；还用于根据所述相似日数据集和预测日子集建立以采集时刻为特征因子的运行负荷模型q(t)；还用于根据所述运行负荷模型q(t)计算待预测时刻t
pred
的运行负荷预测值 q
pred
。
[0073]
所述空调运行负荷预测系统包括：如上所述的空调运行负荷预测装置；数据库，用于记录历史日的各个采集时刻的运行负荷，和/或，根据部分采集时刻建立运行负荷的变化函数 gm(t)；所述空调运行负荷预测装置从数据库读取所述历史数据集。需要说明的是，历史数据集的划分可以由数据库执行，也可以由读取模块从数据库读取运行数据后进行划分。其中，在历史数据集不包含完整一天的运行负荷时，可通过拟合已有运行负荷得到gm(t)，从而计算其他时刻的运行负荷，gm(t)表示第m天中t时刻的运行负荷。预测日当天的运行负荷可由读取模块连接测量设备进行读取，或，以数据库作为中介传输至读取模块。
[0074]
所述一种计算机可读介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的空调运行负荷的预测方法。
[0075]
基于所述空调运行负荷预测系统，本实施例还提供一种应用上述空调运行负荷预测系统的制冷系统，包括监控服务器模块、控制采集单元、空调系统模块、信号传感器组模块组成；
[0076]
监控服务器模块由空调运行负荷预测装置、数据库、监控组态界面，负责通讯读取控制采集单元的运行数据，存储在本地数据库保存，并在内置的监控组态软件界面做显示，同时，将定时运行负荷预测算法程序，通过查询数据库内的运行数据，计算出未来时刻t
pred
时刻空调运行负荷的大小；
[0077]
控制采集单元由控制器控制，通讯模块，信号采集模块组成，控制器首先采集空调系统的传感器信号，通过内置的控制逻辑策略，控制空调系统的冷源设备，传输设备，末端系统的运行，同时，接收监控服务器的指令，包括负荷预测的结果，输出的优化参数的优化控制指令，及时调整空调系统的状态，保证以最优的节能的工况运行；
[0078]
空调系统由冷源系统和输送系统、末端系统组成，冷源系统有冷水主机、冷却塔、冷却泵组成，输送系统由冷冻泵和管道组成，末端系统主要有风柜、组合式空调、风机盘管设备组成，通过预测的负荷，可以提前调节供水温度设定值，改变主机工作投入，水泵的运行频率，来提前匹配负荷的变化；
[0079]
信号传感器组主要包括了制冷系统内各种水温传感器、压力传感器、流量传感器、室外温湿度传感器等，控制核心单元可根据冷冻水供水温度t
供
与回水温度t
回
的差值，以及流量 l，计算出空调运行负荷大小，然后把检测到的传感器值，计算出的空调运行负荷，能耗值，统一上传到监控服务器内，存储和计算。
[0080]
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。