[发明专利]一种空调负荷预测方法及装置

说明书

本发明涉及时间序列分析领域，公开了一种空调负荷预测方法及装置，该预测方法包括：采集多个样本形成训练集，并对该训练集中样本进行处理，得到数据序列；采用该数据序列训练ARMA(p、q)模型；根据ARMA模型阶数p，依次以数据序列中的负荷值作为ARMA模型输入，输出与输入的负荷值相对应下一时刻的负荷值的估计值；根据数据序列中负荷值以及负荷值与对应估计值的差值训练SVR模型；根据ARMA模型阶数p，以当前时间段内负荷值作为ARMA模型的输入，输出与当前时间段相邻待预测时刻的初始预测值；以当前时间段内的负荷值作为SVR模型的输入，输出初始预测值校正值，初始预测值与校正值的差值为待预测时刻的实际预测值。

技术领域

本发明涉及时间序列分析领域，尤其涉及一种空调负荷预测方法及装置。

背景技术

随着城市建设的飞速发展，建筑能耗量也在高速增长。空调运行能耗占建筑尤其大型公共建筑运行能耗比重很大，因此降低空调系统的运行能耗一直是建筑节能的重点。采用合理的运行调节方法是提高空调系统能源利用率的主要技术途径之一，而该途径的实现则需要依赖于是否能够准确的对空调负荷进行预测，可见预测空调负荷的方法显得尤其重要。

空调负荷预测是指在建筑运行阶段，对未来时刻空调系统运行所需要的冷热量进行短期预测，其目的是为空调系统优化控制服务，以预测的负荷分布为基础，确定最优的运行工况或设定点，指定最佳的空调运行策略，保证空调房间的舒适性和空调系统运行的节能型。

空调负荷数据可看作是一种时间序列，线性自相关性较强，同时又受到多种外部随机因素的影响，如太阳辐射热(天气)、室外空气温度、新风、建筑环境内机电设备的使用数量等。除此之外，空调负荷量同其生产和工作状态有关，以天为单位进行周而复始地运转，即具有日周期性的特点。因此，传统的时间序列模型对具有上述特点的数据进行回归拟合和预测时会受到局限，预测结果往往不太理想。

发明内容

本发明提供一种空调负荷预测方法及装置，用以提高预测精度。

本发明实施例提供了一种空调负荷预测方法，该预测方法包括：

以空调系统在一天内的负荷值为一个样本，采集多个样本形成训练集；

针对所述训练集中的每一个样本，每隔设定的时间采集一次负荷值，多个所述样本中的负荷值组合形成数据序列；

采用所述数据序列训练ARMA(p、q)模型；

根据所述ARMA模型的阶数p，依次以所述数据序列中的负荷值作为所述ARMA模型的输入，输出与输入的负荷值相对应的下一时刻的负荷值的估计值；根据所述数据序列中的负荷值以及负荷值与对应的估计值的差值训练SVR模型；

根据所述ARMA模型的阶数p，以当前时间段内的负荷值作为所述ARMA模型的输入，输出与所述当前时间段相邻的待预测时刻的初始预测值；以所述当前时间段内的负荷值作为SVR模型的输入，输出所述初始预测值的校正值，所述初始预测值与所述校正值的差值为所述待预测时刻的实际预测值。

上述实施例中，通过训练ARMA模型，对数据序列的线性部分进行拟合，并以上述数据序列作为ARMA模型的输入，输出与输入的负荷值相对应的下一时刻的负荷值的估计值，再将该数据序列中的负荷值以及负荷值与对应的估计值的差值训练SVR模型，对数据序列的非线性部分进行拟合；在进行预测时，以SVR模型的输出结果作为校正值，用于修正ARMA模型的预测结果，这两个模型相结合的算法提高了单一模型的准确率，即提高了预测精度。

可选的，所述训练集具体通过以下方式获得：

采集多个样本形成采样集；

对所述采样集进行多次随机采样，得到多个所述训练集；

还包括：