[发明专利]商场建筑中央空调冷负荷在线预测方法及系统

摘要

本发明公开了一种商场建筑中央空调冷负荷在线预测方法，通过不断采集各类参数，当数据采集量满足需求时，利用Online SVR法，分别建立空调冷负荷与各输入参数工作日、周末及节假日三种类型的预测模型，然后根据室外气象参数、空调运行输入参数的历史数据预测当日24小时的输入参数值，最后利用相应日期类型的空调负荷预测模型，以当日24小时内各输入参数的预测值为输入，预测当日24小时内的空调冷负荷，并用相应日期类型前一天空调冷负荷实际值与预测值的残差序列进行补偿，同时随着在线新样本的加入动态修正空调冷负荷的预测模型。本发明有效地实现了空调冷负荷的动态预测和准确预测。

主权项

1.商场建筑中央空调冷负荷在线预测方法，其特征在于，包括以下步骤：（1）数据初始化：手动录入建筑空调房间面积、各空调房间内空调末端设备数量、功率和供冷面积，用于计算各空调运行输入参数；为每个空调末端设备智能节点装置设置唯一编号；将采集日期分为工作日、周末、节假日三类，f=1，2，3分别对应工作日、周末、节假日三种类型，将各类日期的输入参数的实际值与预测值之间的残差初值置零；第f类日期的采集天数s_f的初值置零；第f类日期的输出参数的实际值与预测值之间的残差初值置零；其中的输入参数由室外气象参数及空调运行输入参数组成；所述室外气象参数由室外环境平均干球温度、室外环境相对湿度、室外环境太阳总辐射组成；所述空调运行输入参数由建筑空调开启区域平均干球温度、建筑空调开启区域平均相对湿度、空调末端设备加权开启率、商场内人数组成；所述输出参数为空调冷负荷；（2）令p=p+1，对第p天进行类型判断，若属于第f类，则s_f=s_f+1；（3）判断采集天数s_f是否满足s_f≥m_f，其中m_f为由用户自行设定的各类日期空调负荷预测数据需要采集的天数；若否，进行第p天的输入参数的采集、处理与存储后，重复步骤（2）；若是，判断采集天数s_f是否满足s_f>m_f，若不满足，进行步骤（4），若满足，则进行步骤（5）；（4）进行以下步骤：（4-1）令采集小时数n=1，在第1小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤：（4-1-1）以前m_f-1天第f类日期的输入参数的实际值为输入，以前m_f-1天第f类日期的空调冷负荷的实际值为输出，进行空调负荷Online SVR模型初始化建模Yf=fonlineSVRf[Xf];]]>Xf=x1,1f(1)x1,2f(1)...x1,7f(1)x1,1f(2)x1,2f(2)...x1,7f(2)............x1,1f(24)x1,2f(24)...x1,7f(24)x2,1f(1)x2,2f(1)...x2,7f(1)............xmf-1,1f(24)xmf-1,2f(24)...xmf-1,7f(1)24×mf-24,7]]>Yf=y1f(1)y1f(2)...y1f(24)y2f(1)...ymf-1f(24)24×mf-24,1]]>（4-1-2）对于空调运行输入参数，利用前m_f-1天第f类日期的空调运行输入参数的实际值进行空调运行输入参数时间序列Online SVR模型初始化建模，逐时预测第m_f天第f类日期的24小时的空调运行输入参数；对于室外气象参数，室外气象参数的预测与日期类型无关，当室外气象参数的实际值与预测值之间的残差为零，则利用前p₁-1天的室外气象参数的实际值进行Online SVR时间序列预测模型初始化建模，逐时预测第p天24小时的室外气象参数数据，p₁=min(m_f)；当室外气象参数的实际值与预测值之间的残差不为零，则对室外气象参数时间序列Online SVR预测模型进行增量和减量训练，逐时预测第p天24小时的室外气象参数数据并修正；（4-1-3）利用步骤（4-1-1）及步骤（4-1-2）的结果，逐时预测第m_f天第f类日期24小时的空调冷负荷；（4-2）令采集小时数n=n+1；在第n小时内进行输入参数、输出参数的采集、处理与存储；（4-3）判断n是否满足n=24，若否，重复步骤（4-2）~（4-3）；若是，进行步骤（6）；（5）进行以下步骤：（5-1）令采集小时数n=1，在第1小时内进行输入参数、输出参数的采集、处理与存储，同时进行以下步骤：（5-1-1）利用第s_f-1天第f类日期采集计算得到的输入参数、输出参数对当前的空调负荷Online SVR模型进行增量训练，利用第s_f-m_f+1天第f类日期采集计算得到的输入参数、输出参数对第f类日期当前的空调负荷Online SVR模型进行减量训练，得到更新后的空调负荷Online SVR模型；（5-1-2）计算第s_f-1天第f类日期的输入参数、输出参数的预测值与实际值之间的残差；（5-1-3）对当前的输入参数Online SVR模型进行增量训练和减量训练，更新输入参数Online SVR模型；（5-1-4）利用步骤（5-1-3）更新后的输入参数Online SVR模型逐时预测第s_f天第f类日期的24小时输入参数；（5-1-5）计算第s_f-1天第f类日期的空调冷负荷的预测值与实际值之间的残差；对室外气象参数预测值赋值：d=1,2,3；l=1,2,3…24；（5-1-6）利用步骤（5-1-4）的结果及空调冷负荷Online SVR预测模型，逐时预测第s_f天第f类日期的24小时的空调冷负荷；（5-2）令采集小时数n=n+1；进行第n小时的输入参数、输出参数的采集、处理与存储；（5-3）判断n是否满足n=24，若否，重复步骤（5-2）~（5-3）；若是，进行步骤（6）；（6）检测是否有预测结束信号，若无，重复步骤（2）~（5）；若有，结束预测。