[发明专利]一种制冷机房的负荷预测方法和预测系统

说明书

本发明公开了一种制冷机房的负荷预测方法和预测系统，所述负荷预测方法包括步骤：控制装置每隔一定时间获取一次制冷机房的环境信息、冷负荷信息和实时用电功率信息，并获取天气状态和温度信息；控制装置将冷负荷信息输入贝叶斯神经网络模型的直接输入单元、将天气状态和温度信息输入贝叶斯神经网络模型的全连接神经网络输入单元并将实时用电功率信息和环境信息输入贝叶斯神经网络模型的一维卷积神经网络输入单元，贝叶斯神经网络模型对数据进行整合处理以获得制冷机房的负荷分布；本发明公开的负荷预测方法，采用贝叶斯神经网络模型对制冷机房的工作信息、环境信息和天气数据等多种信息进行整合处理，提高了检测结果的准确性和可靠性。

技术领域

本发明涉及制冷机房负荷预测技术领域，特别涉及一种制冷机房的负荷预测方法和预测系统。

背景技术

中央空调属于建筑物的能耗大户，而为中央空调提供冷源的制冷机房，由于包含了制冷主机、水泵、冷却塔等主要用电设备，制冷机房的能耗一般为中央空调系统的总能耗的50％以上。

若能提前进行负荷预测，使制冷机房按所需负荷调节各设备的工作状态，可避免能源浪费，实现节能运行；目前制冷机房对各设备的调节方式一般是反馈式的，即根据实时测量的负荷对各设备进行调整，该方法由于不能提前预知冷负荷，可能会出现滞后调节的情况，造成一定的能源浪费。

现有技术中，也存在部分预测方法可提前预测制冷机房的负荷，但现有的负荷预测方法一般是以历史负荷数据为支撑，比较适合以日为单位的预测，当需要判断短时间的负荷波动情况时，如判断1小时后的负荷值时，由于天气、室内环境工况等因素的影响，往往容易出现预测值与实际值偏差较大的情况，即现有的负荷预测方法的预测效果不理想。

可见，现有技术还有待改进和提高。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供一种制冷机房的负荷预测方法，采用贝叶斯神经网络模型对制冷机房的工作信息、环境信息和天气数据等多种信息进行整合处理，提高了检测结果的准确性和可靠性。

为了达到上述目的，本发明采取了以下技术方案：

一种制冷机房的负荷预测方法，包括步骤：

控制装置每隔一定时间获取一次制冷机房的环境信息和工作信息，所述工作信息包括制冷机房的冷负荷信息和制冷机房的实时用电功率信息；

控制装置获取天气数据，所述天气数据包括天气状态和温度信息；

控制装置将环境信息、工作信息和天气数据输入贝叶斯神经网络模型，所述贝叶斯神经网络模型的输入单元包括直接输入单元、全连接神经网络输入单元和一维卷积神经网络输入单元；

控制装置将冷负荷信息输入直接输入单元、将天气状态和温度信息输入全连接神经网络输入单元并将实时用电功率信息和环境信息输入一维卷积神经网络输入单元，贝叶斯神经网络模型对数据进行整合处理以获得制冷机房的负荷分布。

所述的制冷机房的负荷预测方法中，所述工作信息包括制冷机房冷冻水总管的供水温度、回水温度和供水流量，所述控制装置根据供水温度、回水温度和供水流量获取机房的冷负荷信息。

所述的制冷机房的负荷预测方法中，所述冷负荷＝比热×密度×供水流量/3600，所述比热＝4.1868kJ/(kg·℃)，所述密度＝1000kg/m³。

所述的制冷机房的负荷预测方法中，所述控制装置将冷负荷信息输入直接输入单元，具体包括步骤：

控制装置获取预测点之前、一定时间段内的冷负荷信息，并将该时间段内的冷负荷信息输入直接输入单元。

所述的制冷机房的负荷预测方法中，所述天气状态包括阴天、晴天、雨天三种状态；所述温度信息包括预测点当天的平均温度信息和预测点下一小时的温度信息。