[发明专利]办公建筑中央空调逐时冷负荷在线预测方法及系统

摘要

本发明公开了一种基于室内温湿度参数的办公建筑中央空调逐时冷负荷在线预测方法，冷负荷预测过程中对室外气象参数、空调运行输入参数进行了时间序列预测，并利用上述数据建立空调冷负荷Online SVR动态预测模型，提前预测得到当日24小时的空调冷负荷，并利用前一日24小时的空调负荷实测值与预测值的残差序列进行补偿。本发明建立的空调冷负荷预测模型预测数据可靠性高，可用于预测单栋建筑或大区域范围内的办公建筑中央空调系统逐时冷负荷、中央空调系统的节能控制、空调能耗预测以及区域内的电力削峰等场合。

主权项

办公建筑中央空调逐时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；将输入参数预测值与实际值之间的残差初值置零，将输出参数的实际值与预测值残差初值置零；采集天数p的初值置零；所述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、室外环境平均相对湿度、室外环境平均太阳总辐射组成；所述空调运行输入参数由室内平均温度、平均相对湿度、空调末端设备开启率组成；所述输出参数为空调冷负荷；（2）令采集天数p=p+1，判断采集天数p是否满足p≥m，其中m由用户自行设定；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p是否满足p>m，若不满足，进行步骤（3），若满足，则进行步骤（4）；（3）进行以下步骤：（3‑1）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：（3‑1‑1）以第1~m‑1天的输入参数的实际值为输入，以第1~m‑1天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；（3‑1‑2）利用第1~m‑1天的输入参数的实际值进行输入参数时间序列Online SVR模型初始化建模，逐时预测第m天24小时的输入参数；（3‑1‑3）利用步骤（3‑1‑1）及步骤（3‑1‑2）的结果，逐时预测第m天24小时的空调冷负荷；（3‑2）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；（3‑3）判断n是否满足n=24，若否，重复步骤（3‑2）~（3‑3）；若是，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）利用第p‑1天的输入参数的实际值、输出参数的实际值对当前的空调负荷Online SVR模型进行增量训练，利用第p‑m+1天的输入参数的实际值、输出参数对当前的空调负荷Online SVR模型进行减量训练，得到更新后的空调负荷Online SVR模型；（4‑1‑2）计算第p‑1天六个输入参数的预测值与实际值之间的残差；（4‑1‑3）利用第p‑1天24小时的输入参数的实际值对当前的输入参数Online SVR模型进行增量训练，利用第p‑m+1天的输入参数的实际值对输入参数Online SVR模型进行减量训练，更新输入参数Online SVR模型；（4‑1‑4）利用步骤（4‑1‑3）更新后的输入参数Online SVR模型逐时预测第p天的24小时输入参数；（4‑1‑5）计算第p‑1天的空调冷负荷的预测值与实际值之间的残差；（4‑1‑6）利用步骤（4‑1‑4）的结果及空调冷负荷Online SVR预测模型，逐时预测第p天的24小时的空调冷负荷；（4‑2）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；（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（5）；（5）检测是否有预测结束信号，若无，重复步骤（2）~（4）；若有，结束预测。