[发明专利]一种应用于嵌入式控制系统的空调冷负荷实时预测算法

说明书

一种应用于嵌入式控制系统的空调冷负荷实时预测算法，涉及中央空调系统控制领域。本发明包括如下步骤：1）获取预测日室外环境预报的气象参数；2）选取空调系统稳定运行代表日作为参照日，并计算得参照日逐时负荷分配系数；3）计算预测日最大小时冷负荷；4）计算预测日负荷分布情况；5）对当前运行日预测负荷进行在线修正；6）将预测日实际各小时冷负荷数据与预测各小时冷负荷数据进行对比，根据偏差情况对参照日负荷分配系数进行修正。本发明算法根据基础日的负荷分配系数和室外预报气象参数预测得到预测日最大小时负荷，计算得到预测日全天的负荷分布；具有数据需求量小、计算简便、预测结果准确且通用性好的特点。

技术领域

本发明涉及中央空调系统控制领域，特别是应用于嵌入式中央空

调控制系统中的空调冷负荷实时预测算法。

背景技术

采用合理的运行调节方法是提高中央空调系统能源利用效率的主要途径之一，实行冷负荷预测是空气调节系统优化运行的有效依据，也是蓄能空调系统高效经济运行发挥其优势的关键所在。空调冷负荷预测的作用在于能确保空调参数的稳定达标，实现合理调配不同品种冷源设备，达到高效安全运行，同时，采用合理的节能控制策略，达到节能、节钱或充分利用余热等不同运行目标。

现有技术中，使用较多的空调冷负荷预测方法有三种：线性回归法、指数平滑法以及神经网络法。

线性回归方法是最为常见的一种数据处理方式，将回归分析方法应用于负荷预测领域，建立一种解释性模型。但建筑负荷是高度非线性的，采用线性回归方法精度较差，且线性回归模型的建立依托于大量的历史数据，模型通用性差，因此线性回归方法应用于工程中的难度高。

指数平滑法是根据预测对象本身的历史数据来进行预测的，属于时间序列预测技术范畴。时间指数平滑法不需要很多的历史数据作为建模依据，且建立模型具有通用性，但正由于其模型的简化性，指数平滑法的预测精度较差，且不能随着工程实施进一步提升。

神经网络分析法是目前研究最多的负荷预测方法。神经网络分析法预测精度高，但存在建模复杂，数据需求量大的缺点。此外，神经网络分析法在建模上不能实现自动化，在选择网络结构和训练网络时相当一部分工作需要借助于人的分析，存在大量的试算过程，增大了建模的难度。此外，神经网络分析法建立的负荷预测系统要应用到另一栋建筑物上，需要重新训练网络，因此，不具有通用性，工程上的应用可行性较差。

发明内容

针对上述现有技术中存在的不足，本发明提出一种应用于嵌入式控制系统的空调冷负荷实时预测算法。它利用建筑物在一段时间内正常投入运行的空调系统其逐时负荷变化曲线相对稳定的特点，根据基础日的负荷分配系数和室外预报气象参数预测得到预测日最大小时负荷，计算得到预测日全天的负荷分布；具有数据需求量小、计算简便、预测结果准确且通用性好的特点。

为了达到上述发明目的，本发明的技术方案以如下方式实现：

一种应用于嵌入式控制系统的空调冷负荷实时预测算法，它包括如下步骤：

1）获取预测日室外环境预报的气象参数，包括室外温度、湿度以及辐射；

2）选取空调系统稳定运行代表日作为参照日，并计算得参照日逐时负荷分配系数，逐时负荷分配系数计算方法：

其中，是第i小时的负荷分配系数，是参照日第i小时内的冷负荷，是参照日最大小时负荷；

3）根据日最大小时负荷预测公式计算预测日最大小时负荷，最大小时负荷预测公式为：

其中，x是内外扰分布系数，是预测日建筑最大小时负荷，是参照日建筑最大小时负荷，是内扰预测修正函数，是

外扰预测修正函数；