基于室内平均温度的空调负荷预测方法

摘要

本发明提供了一种基于室内平均温度的空调负荷预测方法，获得训练样本集合：将所述历史数据分成时间长度为L_短的若干个片段，获取每一段上的累计制冷/热量、室内温度变化量、段首室内平均温度、段首室内平均湿度、段首供水温度等，并在此基础上获得2种不同的统计模型，与参考压差、温差、以及末端设备阀门开度的负荷预测方法相比，该方法更直接地参考了室内温度，可以较准确地预测出未来较短时段内为了使室内平均温度达到或维持在某个温度设定点所需的制冷/热量，而对于空调大时间跨度的负荷预测，针对历史上导致建筑物室内平均温度偏高或偏低的不合理的制冷/热量数据进行了修正，使得建立预测模型的数据更接近真实的负荷需求。

主权项

一种基于室内平均温度的空调负荷预测方法，其特征在于：通过以下步骤预测一个时间段L_短(通常15分钟≤L_短≤60分钟)内使得室内平均温度变化到给定水平的短期空调负荷P_短期(t)(0≤t≤L_短)：S1、定义建筑物内中央空调所覆盖范围内的n个温度采样点的温度T_i(i＝1、2、3...n)，定义所述范围内的加权平均温度为：$\bar{T}=\underset{i=1}{\overset{n}{\Sigma }}{w}_i(T_i+{\theta }_i)$其中，θ_i表示第i个温度采样点的偏置量，w_i表示第i个温度采样点的权重，${\Sigma }_{i=1}^n{w}_i=1;$定义建筑物内中央空调所覆盖范围内的n个湿度采样点的湿度H_i(i＝1、2、3...n)，定义所述范围内的加权平均湿度为：$\bar{H}=\underset{i=1}{\overset{m}{\Sigma }}{\alpha }_i(H_i+{\mu }_i)$其中，μ_i表示第i个湿度采样点的偏置量，α_i表示第i个湿度采样点的权重，${\Sigma }_{i=1}^m{\alpha }_i=1;$定义时间点t上瞬时制冷/制热功率为：P_t＝k·C·F_t(T_t回‑T_t供)；其中，C是循环媒介的比热，F_t是流量，T_t回是回水温度，T_t供是供水温度，k是单位转换的系数；设定从时间点t₀到t₁，t₁‑t₀＝L_短的累计制冷/热量为：$\mathrm{\Delta Q}={\int }_{t0}^{t1}{P}_t\mathrm{dt};$设定从时间点t₀到t₁，t₁‑t₀＝L_短的室内温度变化量为：$\mathrm{\Delta T}={\bar{T}}_{t1}-{\bar{T}}_{t0};$S2、收集中央空调的历史数据：按一定的频率采集室外温度、室外湿度、总管的供水温度、总管的回水温度、总管的流量、以及建筑物内一个或多个采样点的室内温度和室内湿度；S3、获得训练样本集合：将所述历史数据分成时间长度为L_短的若干个片段，获取每一段上的累计制冷/热量、室内温度变化量、段首室内平均温度、段首室内平均湿度、段首供水温度、段首回水温度、段首室外温度、段首室外湿度、段首时间点的月份、段首时间点为星期几、段首时间点为几点钟和段首时间点以前24小时中使用中央空调的小时数，将一个片段上获得的上述数据作为一个训练样本，所有样本作为训练样本集合；S4、基于所述训练样本集合，通过统计法或者机器学习法获取模型ΔT≈f(ΔQ，*)，其中*表示多种影响因子，包括段首室内平均温度、段首室内平均湿度、段首供水温度、段首回水温度、段首室外温度、段首室外湿度、段首月份、段首为星期几、段首时间点为几点钟和段首时间点以前24小时中使用空调的小时数；S5、假设当前时间t₀＝0，要求t₁＝L_短时室内平均温度达到预测未来时间长度L_短内的短期空调负荷P_短期(t)(0≤t≤L_短)：将当前室内平均温度当前室内平均湿度当前供水温度T_t0供、当前回水温度T_t0回、当前室外温度、当前室外湿度、当前月份、当前为星期几、当前时间点为几点钟和当前时间点以前24小时中使用空调的小时数代入f(ΔQ，*)，从累计制冷/热量一系列可能的取值中选取能够令最小化的ΔQ′；S6、若当前回水温度T_t0回在规定的供水温度范围内时短期空调负荷P_短期(t)＝ΔQ′/L，0≤t≤L_短；若当前回水温度T_t0回不在规定的供水温度范围内时短期空调负荷P_短期(t)＝ΔQ′/L_短+k·C·F_min(β‑T_t0回)，0≤t≤L_短，其中F_min为供水流量的下限或当前流量，β为供水温度标准。