CN101021914A - 暖通空调负荷预测方法和*** - Google Patents
暖通空调负荷预测方法和*** Download PDFInfo
- Publication number
- CN101021914A CN101021914A CNA2006100346289A CN200610034628A CN101021914A CN 101021914 A CN101021914 A CN 101021914A CN A2006100346289 A CNA2006100346289 A CN A2006100346289A CN 200610034628 A CN200610034628 A CN 200610034628A CN 101021914 A CN101021914 A CN 101021914A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- prediction
- heating
- ventilating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种暖通空调负荷预测方法,包括:整合建筑物历史记录数据和预见信息,通过建立建筑物能耗模拟的机理模型,得到基于预见信息的指定区域暖通空调的仿真负荷逐时预测信息,并结合补偿暖通空调仿真负荷与实际负荷差值的补偿器模型的输出结果,得到未来负荷预测时间范围内的指定区域暖通空调负荷逐时预测数据。现有技术相比较,本发明具有以下技术效果:(1)兼顾整个***运行机理和历史数据的拟合,负荷预测数据可信度高。(2)应用范围广泛。本发明可广泛应用于基于负荷预测、面向工程应用、实用有效的暖通空调节能优化控制策略及实施流程。
Description
技术领域 本发明涉及集中供暖气/冷气的方法和***,特别是涉及节能优化控制的集中供暖气/冷气的方法和***。
背景技术 暖通空调***是建筑物中的耗能大户,其***节能优化控制策略开发的关键在于冷热负荷的计算,准确地计算冷热负荷是一个优良暖通空调***节能工程设计和优化运行的基础,是决定暖通空调***设计和节能优化控制策略合理与否的最根本因素。经过多年的探索与研究,工程界普遍认为,基于次日逐时空调负荷预测的优化控制是解决暖通空调***节能运行问题的理想途径。
但是,暖通空调***负荷受多种因素的影响,与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系,且这种关系具有动态性,因而传统方法的预测精度不高。目前,暖通空调领域定量负荷预测的主要技术有回归分析、时间序列分析以及近年发展起来的基于人工神经网络的负荷预测方法。这些负荷预测技术采用数学、概率论和数理统计的方法对历史数据进行处理,虽然能拟合历史数据,但并不能很好地描述整个***机理,因而其实际工程应用结果并不理想。
发明内容 本发明解决所述技术问题可以通过采用以下技术方案来实现:
提出一种暖通空调负荷预测方法,整合建筑物历史记录数据和预见信息,通过建立建筑物能耗模拟的机理模型,得到基于预见信息的指定区域暖通空调的仿真负荷逐时预测信息,并结合补偿暖通空调仿真负荷与实际负荷差值的补偿器模型的输出结果,得到未来负荷预测时间范围内的指定区域暖通空调负荷逐时预测数据。
所述补偿器模型的关键参数通过基于历史记录数据的参数辨识算法获得。
所述的暖通空调负荷预测方法,具体包括以下步骤,
①采集历史记录数据和预见信息,所述历史记录数据包括气象数据、管理数据和***运行数据,所述预见信息包括天气预报信息和管理信息;
②负荷预测处理装置根据所述历史记录数据中的气象数据和管理数据计算出该记录时间段的每个预先规定的时间间隔内的仿真负荷;
③所述负荷预测处理装置根据所述历史记录数据中的***运行数据,计算出每个预先规定的时间间隔内的实际负荷,并将该实际负荷与步骤②中得到的所述仿真负荷的差值,作为补偿器模型辨识的历史数据;
④所述负荷预测处理装置根据步骤③中得到补偿器模型辨识的历史数据计算补偿器模型参数;
⑤所述负荷预测处理装置根据预见信息中的未来负荷预测时间范围内的天气预报信息和管理信息,计算适合该预测时间段的每个预先规定的时间间隔内的仿真预测负荷,并选择补偿器模型参数及历史数据计算预测负荷差值;
⑥所述负荷预测处理装置将所述预测时段的每个预先规定的时间间隔内的仿真预测负荷和补偿器输出的预测负荷差值相加,得到未来负荷预测时间范围内的指定区域暖通空调负荷逐时预测数据,按照使用者的要求输出。
本发明解决所述技术问题可以通过采用以下技术方案来实现:
设计一种暖通空调负荷预测***,包括气象数据采集处理装置和暖通空调***运行参数采集处理装置,还包括管理数据及预见信息采集处理装置、***输入/输出通讯接口和负荷预测处理装置;所述管理数据及预见信息采集处理装置与负荷预测处理装置通讯连接,所述气象数据采集处理装置和暖通空调***运行参数采集处理装置通过***输入/输出通讯接口分别与负荷预测处理装置通讯连接。
本发明以建筑物动态能耗模拟模型为基础,结合基于历史数据的补偿器模型及算法,给出适合建筑物暖通空调负荷预测数据。与现有技术相比较,本发明具有以下技术效果:
(1)兼顾整个***运行机理和历史数据的拟合,负荷预测数据可信度高。首先,通过建立机理模型-建筑物动态能耗模拟模型,模拟暖通空调***复杂的工程应用环境(如,气象、建筑围护结构、用能设备以及人员等可变负荷的变化等)对负荷的动态、多变量、强耦合及严重非线性的影响。然后,通过合适的补偿器模型及基于历史数据的模型辨识算法,使负荷预测数据逐步接近实际数据;
(2)应用范围广泛。本发明可广泛应用于基于负荷预测、面向工程应用、实用有效的暖通空调节能优化控制策略及实施流程。例如,冰(水)蓄冷空调***的优化控制、中央空调***冷水机组的群控、泵的最佳工作频点设定等。
附图说明
图1是本发明暖通空调负荷预测***基本方框图;
图2是本发明暖通空调负荷预测方法之数据采集及预处理示意图;
图3是本发明暖通空调负荷预测方法之数据整合及气象文件生成示意图;
图4是本发明暖通空调负荷预测方法之补偿器模型辨识示意图;
图5是本发明暖通空调负荷预测方法之指定区域暖通空调负荷预测及输出示意图;
图6是本发明暖通空调负荷预测方法之生成适合历史记录数据的气象文件示意图;
图7是本发明暖通空调负荷预测方法之生成适合天气预报信息的气象文件示意图。
具体实施方式 以下结合附图所示之最佳实施例作进一步详述。
本发明暖通空调负荷预测***,如图1所示,包括气象数据采集处理装置2和暖通空调***运行参数采集处理装置3,还包括管理数据及预见信息采集处理装置1、***输入/输出通讯接口4和负荷预测处理装置5。该负荷预测处理装置5包括***管理及调度计算机51、数据接口处理机52、负荷预测处理机53、数据库54和以太网交换机55;所述***管理及调度计算机51、数据接口处理机52、负荷预测处理机53和数据库54分别与以太网交换机55通讯连接。所述管理数据及预见信息采集处理装置1与负荷预测处理装置5的以太网交换机55通讯连接,所述气象数据采集处理装置2和暖通空调***运行参数采集处理装置3通过***输入/输出通讯接口4分别与负荷预测处理装置5的以太网交换机55通讯连接。另外,还包括不间断电源6,该不间断电源6给负荷预测处理装置5提供电源保障。各装置的实现具体如下:
管理数据及预见信息采集处理装置1由一台工作站计算机构成,采用英特尔P4处理器,频率1.7GHz,内存256MB,硬盘60GB,10/100M网卡。通过能效建筑管理及控制操作平台软件,实现将管理数据及预见信息等输入、预处理并存储到数据库54中,并可与***管理及调度计算机51通讯,启动负荷预测处理装置5,从数据库54中读取暖通空调负荷预测结果。采用明基6511-VA型键盘和明基FP767型显示器。
气象数据采集处理装置2中的气象数据采集器及控制计算机是已有技术,其特点是通过各种类型的传感器将室外温度、湿度、风速、辐射、气压、风向、降水、感雨、地温、日照、蒸发等气象要素转换成电量变化,并由控制计算机整理后,通过RS232通讯接口与***输入/输出通讯接口4通讯。
暖通空调***运行参数采集处理装置3中的***运行参数采样处理及控制器装置为已有技术,其特点是通过各种类型的传感器将指定区域的暖通空调冷冻水总出水温度、回水温度和流量等要素转换成电量变化,并由控制器整理后,通过RS485通讯接口与***输入/输出通讯接口4通讯。
***输入/输出通讯接口4的核心由MC68HC908SR12构成,另外配有LED显示电路、拨位开关电路、电源滤波保护电路、以太网接口电路、多路转换电路(EPF10K10)和RS485/232接口电路等,提供1个10M以太网接口、2个RS485和2个RS232接口,完成由RS485/232接口到以太网的通信协议转换功能,并按照预先规定的通讯格式与数据接口处理机52通讯。MC68HC908SR12周边电路主要是复位电路和32.768KHz晶体和24LC256等。以太网接口电路部分,主要是RTL8019AS、耦合变压器、RJ45插座、20MHz晶体。电源部分,由7805等器件提供稳定的直流电压。
不间断电源6采用在线式不间断电源,额定容量2KVA以上。蓄电池组可采用铅酸蓄电池。不间断电源6给***管理及调度计算机51、数据库54、数据接口处理机52、负荷预测处理机53和以太网交换机55提供电源保障,保证***在输入电源异常的情况下,能在保护现场之后,自动关闭计算机。在输入电源正常后,***能恢复现场,继续运行。不间断电源6通过通讯接口和转换器与***管理及调度计算机51的接口连接,并将不间断电源6的信息传给***管理及调度计算机51。
负荷预测处理装置5由***管理及调度计算机51、数据接口处理机52、负荷预测处理机53和数据库54通过以太网交换机55组成。其中,***管理及调度计算机51采用英特尔P4处理器,频率2.0GHz,内存516MB,硬盘60GB,10/100M网卡,具有RS232通讯接口,采用明基6511-VA型键盘,明基FP767型显示器。通过***管理平台软件,实现整个***的运行维护配置(包括省级地区信息定义、市级地区信息定义、修改个人密码、公司信息定义、用户信息定义、组和权限定义、数据库连接参数配置、***运行管理等);气象数据及建筑物能耗模拟模型等基本信息表的录入功能;调度***管理,主要是指整个***中的各个计算机或服务器的通讯接口和运行配置信息的管理;负责响应管理数据及预见信息采集处理装置1、数据接口处理机52和负荷预测处理机53的服务要求和合理分配各种资源,并且做到有序的服务。对于每一个服务请求,***管理及调度计算机51都会相应的创建一个服务线程,当多个服务线程要求访问数据库54或负荷预测处理机53时,此服务操作及其相关的数据被作为临界资源,并得到有效的保护。***管理及调度计算机51的RS232通讯接口与RS485/232转换器连接,RS485/232转换器可将不间断电源6的通讯接口卡RS485信号转换成计算机可接收的RS232信号,不间断电源6的通讯接口卡可采集不间断电源6的运行信息。通过预先规定的与不间断电源6通讯的通讯协议,***管理及调度计算机51一旦发现不间断电源6的220V输入电源异常时,发出电源异常消息,保护现场并通知数据库54、数据接口处理机52和负荷预测处理机53,然后自动关闭。
数据接口处理机52采用HP ML350型服务器,Xeon 2.4GHz处理器,内存516MB,硬盘72GB,10/100M网卡。数据接口处理机52与***输入/输出接口4通讯,并按照***管理及调度计算机51的命令,一方面将气象数据采集处理装置2采集的气象实时数据和暖通空调***运行参数采集处理装置3采集的***运行参数数据进行量化和归一化后,存入数据库54;另一方面,在收到不间断电源6输入电源异常消息后,保护现场并自动关闭。
负荷预测处理机53采用HP ML350型服务器,Xeon 2.4GHz处理器,内存516MB,硬盘72GB,10/100M网卡。负荷预测处理机53是整个暖通空调负荷预测***的核心,其上安装的负荷预测计算控制程序根据数据库中已存储的各种管理数据及预见信息、气象数据和暖通空调***运行参数计算指定区域的暖通空调未来一段时间的逐时负荷。在收到不间断电源6输入电源异常消息后,保护现场并自动关闭。
数据库54采用HP ML350型服务器,Xeon 2.4GHz处理器,内存516MB,硬盘72GB,10/100M网卡。通过SQL Server 2000及建立的基本信息表A、历史记录数据表B、预见信息表C、预测算法输入信息表D、补偿器模型信息表E和预测算法输出信息表F等,实现***的各种静态和动态数据的录入、删除、修改和查寻等功能。在收到不间断电源6输入电源异常消息后,保护现场并自动关闭数据库服务器。
本发明暖通空调负荷预测方法,包括:整合建筑物历史记录数据和预见信息;通过建立建筑物能耗模拟的机理模型,得到基于预见信息的指定区域暖通空调的仿真负荷逐时预测信息;并结合补偿暖通空调仿真负荷与实际负荷差值的补偿器模型的输出结果,得到未来负荷预测时间范围内的指定区域暖通空调负荷逐时预测数据。所述补偿器模型的关键参数通过基于历史记录数据的参数辨识算法获得。如图1所示,具体包括以下内容,
①采集历史记录数据和预见信息,所述历史记录数据包括气象数据、管理数据和***运行数据,所述预见信息包括天气预报信息和管理信息;所述历史记录数据中的气象数据包括室外温度、室外湿度、风速、辐射、风向、气压、降水、感雨、地温、日照、和/或蒸发数据;所述历史记录数据中的管理数据包括用能设备启/停状态历史数据和/或人员出/入状态历史数据;所述历史记录数据中的***运行数据包括指定区域暖通空调冷冻水的当前流量、当前回水温度和/或当前出水温度;所述预见信息中的管理信息包括用能设备启/停状态预测数据和/或人员出/入状态预测数据;
②负荷预测处理装置5根据所述历史记录数据中的气象数据和管理数据计算出该记录时间段的每个预先规定的时间间隔内的仿真负荷;
③所述负荷预测处理装置5根据所述历史记录数据中的***运行数据,计算出每个预先规定的时间间隔内的实际负荷,并将该实际负荷与步骤②中得到的所述仿真负荷的差值,作为补偿器模型辨识的历史数据;
④所述负荷预测处理装置5根据步骤③中得到补偿器模型辨识的历史数据计算补偿器模型参数;
⑤所述负荷预测处理装置5根据预见信息中的未来负荷预测时间范围内的天气预报信息和管理信息,计算适合该预测时间段的每个预先规定的时间间隔内的仿真预测负荷,并选择补偿器模型参数及历史数据计算预测负荷差值;
⑥所述负荷预测处理装置5将所述预测时段的每个预先规定的时间间隔内的仿真预测负荷和补偿器输出的预测负荷差值相加,得到未来负荷预测时间范围内的指定区域暖通空调负荷逐时预测数据,按照使用者的要求输出。
暖通空调负荷预测方法的实现原理是应用先进的计算机仿真、网络和模型辨识等技术,整合建筑物***运行数据、气象数据、管理数据及天气预报等预见信息,建立暖通空调***复杂的工程应用环境(如气象、建筑围护结构、用能设备以及人员等可变负荷的变化等)对负荷的动态、多变量、强耦合及严重非线性的输入、输出模型,并通过合适的补偿器模型及基于历史数据的模型辨识算法,使负荷预测数据逐步接近实际数据。其基本思想是兼顾整个***运行机理和历史数据的拟合,从而既能弥补现有暖通空调定量负荷预测技术(如基于回归分析、时间序列分析以及人工神经网络的负荷预测方法)不能很好地描述整个***机理的缺陷,又能采用数学、概率论和数理统计的方法对历史数据进行处理,通过数据补偿和模型辨识的方法,弥补机理建模存在的模型误差。暖通空调负荷预测方法经过基本数据存储、数据采集及预处理、数据整合及气象文件生成、补偿器模型辨识、指定区域暖通空调负荷预测及结果输出六个步骤:
(一)基本数据存储
将建筑物能耗模拟模型描述文件、建筑物所在地历史气象数据文件、数据整合时间间隔、负荷预测设置信息(起始时间、时间间隔、步长)、补偿器模型及辨识算法初始化信息及其他***配置信息通过***管理及调度计算机51存入数据库54的基本信息表A。
(二)数据采集及预处理
在数据采集及预处理阶段,如图1、图2所示,暖通空调负荷预测***
(a)对***运行数据(包括指定区域暖通空调冷冻水的当前流量、当前回水温度、当前出水温度)通过***运行参数采集处理装置3进行采集,经***输入/输出通讯接口4传给数据接口处理机52,见步骤102,再经数据接口处理机52量化处理后,存入数据库54的历史记录数据表B,见步骤105;
(b)对气象数据(包括室外温度、室外湿度、风速、辐射、风向、气压、降水、感雨、地温、日照、蒸发)通过气象数据采集处理装置2进行采集,经***输入/输出通讯接口4传给数据接口处理机52,见步骤101,再经数据接口处理机52量化处理,存入数据库54的历史记录数据表B,见步骤105;
(c)对管理数据(包括用能设备启/停状态历史数据、人员出/入状态历史数据、其他可变负荷的历史信息)通过管理数据及预见信息采集处理装置1进行采集,见步骤103,经量化处理后,存入数据库54的历史记录数据表B,见步骤106;
(d)对预见信息(包括未来负荷预测时间范围内的天气预报信息、用能设备启/停状态预测信息、人员出/入状态预测信息、其他可变负荷的预测信息)通过管理数据及预见信息采集处理装置1进行采集,见步骤104,经量化处理后,存入数据库54的预见信息表C,见步骤107。
(三)数据整合及气象文件生成
在数据整合及气象文件生成阶段,如图1、图3所示,负荷预测处理机53提取数据库54中没有进行如下处理的历史记录数据(包括气象数据、***运行数据和管理数据,见步骤202)、预见信息(包括未来负荷预测时间范围内的天气预报信息、用能设备启/停状态预测信息、人员出/入状态预测信息、其他可变负荷的预测信息,见步骤207)、建筑物能耗模拟模型描述文件、建筑物所在地典型历史气象数据文件等(见步骤201、209),进行如下操作:
(a)从数据库54基本信息表A的典型历史气象文件中,提取与历史记录的气象数据的那天具有相同日照条件的气象数据,见步骤201,将提取的气象数据进行如下修改:首先,利用历史记录的逐时室外温度和室外湿度计算出露点温度、水蒸气分压力和饱和水蒸气压力等关联数据;然后,将历史记录的逐时室外温度、室外湿度、风速、辐射、风向、气压、降水、感雨、地温、日照、蒸发以及其关联数据替换已提取的气象数据中的相关数据,从而得到适合历史记录数据的气象文件并存储到数据库54中,见步骤203。具体如图6所示,图中,R代表数据整合时间间隔,m代表气象数据历史记录步长,W(t)=[t时刻室外温度,t时刻室外湿度,t时刻风速,t时刻辐射,t时刻风向,t时刻气压,t时刻降水,t时刻感雨,t时刻地温,t时刻日照,t时刻蒸发];
(b)将历史记录的管理数据(包括用能设备启/停状态历史数据、人员出/入状态历史数据、其他可变负荷的历史信息)与建筑物能耗模拟模型描述文件整合,生成适合该时间段的用于建筑物能耗模拟计算引擎的建筑物能耗模拟模型描述文件,并将结果存入数据库54,见步骤203;
(c)将由(a)和(b)生成的气象文件与适合该时间段的用于建筑物能耗模拟计算引擎的建筑物能耗模拟模型描述文件,输入安装在负荷预测处理机53上的建筑物能耗模拟计算引擎,见步骤204,将模拟计算结果按照负荷计算公式,计算出该时间段(从t0到t0+mR)的每个数据整合时间间隔R内的仿真平均负荷S(t0),S(t0+R),S(t0+2R),......,S(t0+mR),见步骤205,并将结果存入数据库54中的历史记录数据表B,见步骤206;
(d)将历史记录的***运行数据(包括指定区域暖通空调冷冻水的当前流量、当前回水温度、当前出水温度)按照负荷计算公式,计算出每个数据整合时间间隔R内的实际平均负荷h(t0),h(t0+R),h(t0+2R),......,h(t0+mR),并将结果存入数据库54,见步骤203。同时,将每个数据整合时间间隔R内的实际平均负荷与(c)得到的仿真平均负荷的差值c(t)=h(t)-S(t)(t=t0,t0+R,......,t0+mR),作为补偿器模型辨识的历史数据存入数据库54的历史记录数据表B,见步骤203;
(e)从数据库54基本信息表A的典型历史气象文件中,提取与预见信息中的天气预报信息的那天具有相同日照条件的气象数据,见步骤209,从数据库54历史记录数据表B中提取天气预报信息初始数据,见步骤210,将提取的气象数据进行如下修改:首先,利用天气预报信息(如最高干球温度及预测发生时间、最低干球温度及预测发生时间、最高相对湿度及预测发生时间、最低相对湿度及预测发生时间、最大风速及预测发生时间、最低风速及预测发生时间、风向及预测发生时间、气压、阴晴指数等),按照数据拟合函数计算程序计算出的逐时室外温度、室外湿度、风速等曲线;根据逐时室外温度和室外湿度计算出露点温度、水蒸气分压力和饱和水蒸气压力等关联数据;然后,将逐时室外温度、室外湿度、风速、风向、气压以及其关联数据替换已提取的气象数据中的相关数据,从而得到适合天气预报信息的气象文件并存储到数据库54的预测算法输入信息表D,见步骤208,具体如图7所示。所述数据拟合函数F(x)计算方法是根据相应参数的最大值Xmax及发生时间tmax、最小值Xmin及发生时间tmin、初始值X0及初始时间t0确定的,使得F(tmax)=Xmax,F(tmin)=Xmin,F(t0)=X0。 F(x)的选择方法很多,例如可选F(x)=ax4+bx3+cx2+dx+e,a,b,c,d,e可以计算如下:
(f)提取数据库54预见信息表C中的管理信息(包括未来负荷预测时间范围内的用能设备启/停状态预测信息、人员出/入状态预测信息、其他可变负荷的预测信息),见步骤207,以及数据库54基本信息表A中的建筑物能耗模拟模型描述文件等信息,见步骤209,将两者整合生成适合该时间段的用于建筑物能耗模拟计算引擎的建筑物能耗模拟模型描述文件,并将结果存入数据库54的预测算法输入信息表D,见步骤208;
(四)补偿器模型辨识
补偿器模型是用于补偿基于建筑物能耗模拟模型描述文件和气象文件的仿真计算的逐时负荷结果,根据历史记录数据的模型辨识可使本发明的负荷预测数据逐步逼近实际数据。数据库54中的补偿器模型信息表E的存储内容是按照预先规定的分类原则,存储对应每类的补偿器模型参数矩阵和用于辨识的历史数据,如下表所示:
补偿器模型信息 | 0≤‖Lv‖<S0 | S0≤‖Lv‖<S1 | …… | Sp-1≤‖Lv‖≤Lwmax |
0≤‖Lw‖<ε0 | H00·Q00 | H01·Q01 | …… | H0p·Q0p |
ε0≤‖Lw‖<ε1 | H10·Q10 | H11·Q11 | …… | H1p·Q1p |
…… | …… | …… | …… | …… |
εq-1≤‖Lw‖≤Lwmax | Hq0·Qq0 | Hq1·Qq1 | …… | Hqp·Qqp |
其中,预先规定的分类原则是根据管理运行负荷Lv的范数和天气影响向量Lw的范数划分的不相交区域,每个区域对应唯一的补偿器模型参数矩阵Hij和长度为r+1、由第(三)步(d)计算出的按照时间顺序排列的补偿器模型辨识的历史数据[Lv(t)Lw(t)c(t)]组成的先入先出队列Qij,i=0,1,...,q,j=0,1,...,p。在补偿器模型辨识阶段,如图1和图4所示,负荷预测处理机53提取数据库54中已经过第(三)步(d)处理的补偿器模型辨识的历史数据(步骤301)和原补偿器模型信息(步骤302),在每个数据整合时间间隔R内,进行如下操作:
(a)按照预先规定的原则,根据可变负荷及气象数据,提取数据库54中原补偿器模型信息及补偿器模型辨识历史数据。具体叙述如下:
对于每个t(t=t0,t0+R,t0+2R,...,t0+mR),根据t时刻的用能设备启/停历史信息、人员出入历史信息和其他可变负荷历史信息(如餐饮***等记录的负荷统计信息),再根据预先存储的负荷对照标准可计算出t时刻的管理运行负荷,经归一化处理后得到t时刻管理运行负荷Lv(t)。由历史气象文件提取t时刻的室外温度、室外湿度、风速和辐射,经归一化处理后得到天气影响向量Lw(t),其中
根据Lv(t)和Lw(t),查找补偿器模型信息表E可得对应的补偿器模型参数矩阵Hij和补偿器模型辨识的历史数据队列Qij,将新的补偿器模型辨识数据[Lv(t)Lw(t)c(t)]加入队列Qij,得到的新队列也记为Qij;
(b)应用数据拟合的数学计算方法(如最小二乘法等),计算补偿器模型的参数,使得补偿器模型输出结果逼近补偿器模型辨识历史数据,并将结果存入数据库54,见步骤303。具体叙述如下:
将上一步得到的所有新队列Qij进行如下运算:如记得到的新队列Qij由下列三元组组成[Lv(0)Lw(0)c(0)],[Lv(1)Lw(1)c(1)],......,[Lv(r)Lw(r)c(r)],则辨识后的补偿器模型参数矩阵Hij可利用最小二乘法计算如下,
Hij=YXT(XXT)-,
其中,Y=[c(r)-c(r-1)···c(2)-c(1)c(1)-c(0)],
XT为X的转置矩阵,(XXT)-为矩阵XXT的伪逆矩阵;
(五)指定区域暖通空调负荷预测
在指定区域暖通空调负荷预测阶段,如图1、图5所示,记未来负荷预测起始时间为tp,时间间隔R,步长为n,则负荷预测处理机53进行如下操作:
(a)提取数据库54中已经过第(三)步(e)处理的适合天气预报信息的气象文件,以及经过第(三)步(f)处理的该时间段的用于建筑物能耗模拟计算引擎的建筑物能耗模拟模型描述文件,见步骤401;
(b)将(a)得到的数据输入安装在负荷预测处理机53上的建筑物能耗模拟计算引擎,见步骤402,将模拟计算结果按照负荷计算公式,计算出该时间段(tp,tp+R,tp+2R,......,tp+nR)的每个数据整合时间间隔R内的仿真预测平均负荷S(tp),S(tp+R),S(tp+2R),......,S(tp+nR),见步骤403;
(c)按照预先规定的原则,根据预见信息中的未来负荷预测时间范围内的天气预报信息及可变负荷,见步骤405,在每个数据整合时间间隔R内,选择数据库54中补偿器模型信息及补偿器模型辨识历史数据,见步骤406,并计算补偿器输出的预测负荷差值Δ(t)(t=tp,tp+R,tp+2R,......,tp+nR),见步骤407。具体叙述如下:
对于每个t(t=tp,tp+R,tp+2R,......,tp+nR),根据t时刻的用能设备启/停预测信息、人员出入预测信息和其他可变负荷预测信息(如餐饮***等预测的负荷信息),再根据预先存储的负荷对照标准可计算出t时刻的预见管理运行负荷,经归一化处理后得到t时刻预见管理运行负荷Lv(t)。由预测气象文件提取t时刻的室外温度、室外湿度、风速和辐射,经归一化处理后得到天气影响向量Lw(t),其中
根据Lv(t)和Lw(t),查找补偿器模型信息表E可得对应的补偿器模型参数矩阵Hij和补偿器模型辨识的历史数据队列Qij。记[Lv(r)Lw(r)c(r)]为Qij中时间最近的三元组,则补偿器输出的预测负荷差值Δ(t)可计算如下:
(d)将(b)与(c)的结果进行数学运算(步骤404,408),得到未来负荷预测时间范围内的指定区域暖通空调负荷预测数据Lp(t)=S(t)+Δ(t),(t=tp,tp+R,tp+2R,......,tp+nR),并将结果存入数据库(10)中的预测算法输出信息表F,见步骤409;
(六)负荷预测结果输出
在负荷预测结果输出阶段,如图1、图5中步骤501所示,指定区域暖通空调负荷预测数据Lp(t)(t=tp,tp+R,tp+2R,......,tp+nR),可按照使用者的要求,由***管理及调度计算机51控制,直接从数据库54中读取,或者经数据接口处理机52和***输入/输出接口4,以预先规定的通讯协议,从RS485或RS232接口输出。
本发明提供的负荷预测能准确反应实际暖通空调***的机理,并能根据检测数据自动识别相关参数。由于负荷预测是暖通空调***优化运行策略的基础,而暖通空调***的运行能耗通常占整个建筑物能耗40%左右,因此本发明结合运行优化控制将产生显著的经济效益和社会效益。
Claims (10)
1.一种暖通空调负荷预测方法,其特征在于:整合建筑物历史记录数据和预见信息,通过建立建筑物能耗模拟的机理模型,得到基于预见信息的指定区域暖通空调的仿真负荷逐时预测信息,并结合补偿暖通空调仿真负荷与实际负荷差值的补偿器模型的输出结果,得到未来负荷预测时间范围内的指定区域暖通空调负荷逐时预测数据。
2.如权利要求1所述的暖通空调负荷预测方法,其特征在于:所述补偿器模型的关键参数通过基于历史记录数据的参数辨识算法获得。
3.如权利要求1所述的暖通空调负荷预测方法,其特征在于:具体包括以下步骤,
①采集历史记录数据和预见信息,所述历史记录数据包括气象数据、管理数据和***运行数据,所述预见信息包括天气预报信息和管理信息;
②负荷预测处理装置(5)根据所述历史记录数据中的气象数据和管理数据计算出该记录时间段的每个预先规定的时间间隔内的仿真负荷;
③所述负荷预测处理装置(5)根据所述历史记录数据中的***运行数据,计算出每个预先规定的时间间隔内的实际负荷,并将该实际负荷与步骤②中得到的所述仿真负荷的差值,作为补偿器模型辨识的历史数据;
④所述负荷预测处理装置(5)根据步骤③中得到补偿器模型辨识的历史数据计算补偿器模型参数;
⑤所述负荷预测处理装置(5)根据预见信息中的未来负荷预测时间范围内的天气预报信息和管理信息,计算适合该预测时间段的每个预先规定的时间间隔内的仿真预测负荷,并选择补偿器模型参数及历史数据计算预测负荷差值;
⑥所述负荷预测处理装置(5)将所述预测时段的每个预先规定的时间间隔内的仿真预测负荷和补偿器输出的预测负荷差值相加,得到未来负荷预测时间范围内的指定区域暖通空调负荷逐时预测数据,按照使用者的要求输出。
4.如权利要求3所述的暖通空调负荷预测方法,其特征在于:所述采集的历史记录数据中的气象数据包括室外温度、室外湿度、风速、辐射、风向、气压、降水、感雨、地温、日照、和/或蒸发数据。
5.如权利要求3所述的暖通空调负荷预测方法,其特征在于:所述采集的历史记录数据中的管理数据包括用能设备启/停状态历史数据和/或人员出/入状态历史数据。
6.如权利要求3所述的暖通空调负荷预测方法,其特征在于:所述采集的历史记录数据中的***运行数据包括指定区域暖通空调冷冻水的当前流量、当前回水温度和/或当前出水温度。
7.如权利要求3所述的暖通空调负荷预测方法,其特征在于:所述预见信息中的管理信息包括用能设备启/停状态预测数据和/或人员出/入状态预测数据。
8.一种暖通空调负荷预测***,包括气象数据采集处理装置(2)和暖通空调***运行参数采集处理装置(3),其特征在于:还包括管理数据及预见信息采集处理装置(1)、***输入/输出通讯接口(4)和负荷预测处理装置(5);所述管理数据及预见信息采集处理装置(1)与负荷预测处理装置(5)通讯连接,所述气象数据采集处理装置(2)和暖通空调***运行参数采集处理装置(3)通过***输入/输出通讯接口(4)分别与负荷预测处理装置(5)通讯连接。
9.如权利要求8所述的暖通空调负荷预测***,其特征在于:所述负荷预测处理装置(5)包括***管理及调度计算机(51)、数据接口处理机(52)、负荷预测处理机(53)、数据库(54)和以太网交换机(55);所述***管理及调度计算机(51)、数据接口处理机(52)、负荷预测处理机(53)和数据库(54)分别与以太网交换机(55)通讯连接。
10.如权利要求8所述的暖通空调负荷预测***,其特征在于:还包括与所述负荷预测处理装置(5)电连接的不间断电源(6)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100346289A CN101021914A (zh) | 2006-03-22 | 2006-03-22 | 暖通空调负荷预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100346289A CN101021914A (zh) | 2006-03-22 | 2006-03-22 | 暖通空调负荷预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101021914A true CN101021914A (zh) | 2007-08-22 |
Family
ID=38709673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006100346289A Pending CN101021914A (zh) | 2006-03-22 | 2006-03-22 | 暖通空调负荷预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101021914A (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011106916A1 (zh) * | 2010-03-05 | 2011-09-09 | 朗德华信(北京)自控技术有限公司 | 基于云计算的建筑物能耗预测分析***及方法 |
CN102374603A (zh) * | 2010-08-09 | 2012-03-14 | 上海朗诗建筑科技有限公司 | 一种智能化采暖空调控制方法和*** |
CN102625942A (zh) * | 2009-09-09 | 2012-08-01 | 拉筹伯大学 | 用于能量管理的方法和*** |
CN102736589A (zh) * | 2012-05-28 | 2012-10-17 | 深圳市科陆电子科技股份有限公司 | 一种智能楼宇控制*** |
CN102938092A (zh) * | 2012-10-08 | 2013-02-20 | 珠海派诺科技股份有限公司 | 一种基于神经网络的建筑节假日能耗预测方法 |
CN101393570B (zh) * | 2007-09-19 | 2013-05-29 | 深圳达实智能股份有限公司 | 中央空调运行仿真*** |
CN104111606A (zh) * | 2014-06-09 | 2014-10-22 | 河海大学常州校区 | 变风量空调***室温控制的梯度校正辨识算法 |
CN104534556A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的供热控制方法 |
CN104534617A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的冷源集中数字控制方法 |
CN104636987A (zh) * | 2015-02-06 | 2015-05-20 | 东南大学 | 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 |
CN104713193A (zh) * | 2013-12-12 | 2015-06-17 | 财团法人工业技术研究院 | 用于暖通空调***的控制装置及其方法 |
CN104793594A (zh) * | 2015-04-08 | 2015-07-22 | 南京优助智能科技有限公司 | 能源站群控***预报控制指令的方法 |
CN105319967A (zh) * | 2014-08-04 | 2016-02-10 | 广东美的暖通设备有限公司 | 空调器的控制方法、服务器和空调*** |
CN105570866A (zh) * | 2015-12-29 | 2016-05-11 | 北京市燃气集团有限责任公司 | 一种供热用燃气锅炉负荷参数的调节方法及*** |
CN105570867A (zh) * | 2015-12-29 | 2016-05-11 | 北京市燃气集团有限责任公司 | 直接供热燃气锅炉负荷参数的调节方法及*** |
CN106208101A (zh) * | 2016-08-17 | 2016-12-07 | 上海格蒂能源科技有限公司 | 智能随动电能矫正装置及示功分析方法 |
CN106403207A (zh) * | 2016-10-24 | 2017-02-15 | 珠海格力电器股份有限公司 | 用于暖通空调***的基于负荷预测的控制***和控制方法 |
CN106461251A (zh) * | 2015-01-16 | 2017-02-22 | 株式会社架桥科技 | 利用预测日射量的室内冷热负荷预测方法 |
CN106765956A (zh) * | 2016-12-23 | 2017-05-31 | 新智能源***控制有限责任公司 | 基于空调负荷率的供水变温度控制*** |
CN106779179A (zh) * | 2016-11-28 | 2017-05-31 | 新奥泛能网络科技股份有限公司 | 一种空调机组的负荷预测方法及设备 |
CN106844773A (zh) * | 2017-02-28 | 2017-06-13 | 广东工业大学 | 一种水火弯板工艺知识分层式数据存储方法及装置 |
CN107797581A (zh) * | 2017-09-04 | 2018-03-13 | 任升莲 | 一种暖通大数据节能*** |
CN107842908A (zh) * | 2017-09-26 | 2018-03-27 | 国网浙江省电力公司杭州供电公司 | 一种基于环境参数补偿的实时供热负荷控制方法 |
WO2018054055A1 (zh) * | 2016-09-20 | 2018-03-29 | 珠海格力电器股份有限公司 | 用于地铁暖通空调***的负荷预测和控制***及其方法 |
CN108154258A (zh) * | 2017-11-27 | 2018-06-12 | 国网北京市电力公司 | 空气源热泵负荷的预测方法、装置、存储介质和处理器 |
CN108332346A (zh) * | 2017-08-23 | 2018-07-27 | 南京南瑞继保电气有限公司 | 一种基于负荷预测和模糊控制的中央空调优化控制方法 |
CN108413567A (zh) * | 2018-03-14 | 2018-08-17 | 山东建筑大学 | 基于物联网的中央空调节费优化方法与*** |
CN109695976A (zh) * | 2017-10-23 | 2019-04-30 | 深圳市爱能森科技有限公司 | 一种供能设备管理的方法、***及终端设备 |
CN109917646A (zh) * | 2019-02-27 | 2019-06-21 | 武汉中电节能有限公司 | 一种区域供冷供热设备优化运行***及方法 |
CN109932896A (zh) * | 2019-03-22 | 2019-06-25 | 易科智控科技(北京)有限公司 | 一种建筑能耗的控制方法和*** |
CN109974218A (zh) * | 2019-03-27 | 2019-07-05 | 福建工程学院 | 一种基于预测的多联机空调***调控方法 |
CN110007613A (zh) * | 2019-04-10 | 2019-07-12 | 北方工业大学 | 用于储热式电暖器的用暖预测方法、***及存储介质 |
CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
CN112628948A (zh) * | 2020-12-17 | 2021-04-09 | 西安交通大学 | 一种空调负荷估算分析方法、***、装置及存储介质 |
CN112902392A (zh) * | 2020-12-03 | 2021-06-04 | 珠海格力电器股份有限公司 | 自适应调整的空调控制方法、电子设备及存储介质 |
CN114877398A (zh) * | 2022-04-26 | 2022-08-09 | 东北石油大学 | 太阳能空气源热泵供暖*** |
-
2006
- 2006-03-22 CN CNA2006100346289A patent/CN101021914A/zh active Pending
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393570B (zh) * | 2007-09-19 | 2013-05-29 | 深圳达实智能股份有限公司 | 中央空调运行仿真*** |
CN102625942A (zh) * | 2009-09-09 | 2012-08-01 | 拉筹伯大学 | 用于能量管理的方法和*** |
CN102194018A (zh) * | 2010-03-05 | 2011-09-21 | 朗德华信(北京)自控技术有限公司 | 基于云计算的建筑物能耗预测分析***及方法 |
CN102194018B (zh) * | 2010-03-05 | 2014-03-12 | 朗德华信(北京)自控技术有限公司 | 基于云计算的建筑物能耗预测分析***及方法 |
WO2011106916A1 (zh) * | 2010-03-05 | 2011-09-09 | 朗德华信(北京)自控技术有限公司 | 基于云计算的建筑物能耗预测分析***及方法 |
CN102374603A (zh) * | 2010-08-09 | 2012-03-14 | 上海朗诗建筑科技有限公司 | 一种智能化采暖空调控制方法和*** |
CN102736589A (zh) * | 2012-05-28 | 2012-10-17 | 深圳市科陆电子科技股份有限公司 | 一种智能楼宇控制*** |
CN102938092A (zh) * | 2012-10-08 | 2013-02-20 | 珠海派诺科技股份有限公司 | 一种基于神经网络的建筑节假日能耗预测方法 |
US9891636B2 (en) | 2013-12-12 | 2018-02-13 | Industrial Technology Research Institute | Controlling device and method for HVAC system |
CN104713193B (zh) * | 2013-12-12 | 2017-12-01 | 财团法人工业技术研究院 | 用于暖通空调***的控制装置及其方法 |
CN104713193A (zh) * | 2013-12-12 | 2015-06-17 | 财团法人工业技术研究院 | 用于暖通空调***的控制装置及其方法 |
CN104111606A (zh) * | 2014-06-09 | 2014-10-22 | 河海大学常州校区 | 变风量空调***室温控制的梯度校正辨识算法 |
CN105319967A (zh) * | 2014-08-04 | 2016-02-10 | 广东美的暖通设备有限公司 | 空调器的控制方法、服务器和空调*** |
CN104534556A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的供热控制方法 |
CN104534556B (zh) * | 2014-12-08 | 2017-09-15 | 北京方胜有成科技股份有限公司 | 一种基于能耗监测的供热控制方法 |
CN104534617A (zh) * | 2014-12-08 | 2015-04-22 | 北京华电方胜技术发展有限公司 | 一种基于能耗监测的冷源集中数字控制方法 |
CN104534617B (zh) * | 2014-12-08 | 2017-04-26 | 北京方胜有成科技股份有限公司 | 一种基于能耗监测的冷源集中数字控制方法 |
CN106461251B (zh) * | 2015-01-16 | 2019-05-10 | 株式会社架桥科技 | 利用预测日射量的室内冷热负荷预测方法 |
CN106461251A (zh) * | 2015-01-16 | 2017-02-22 | 株式会社架桥科技 | 利用预测日射量的室内冷热负荷预测方法 |
CN104636987B (zh) * | 2015-02-06 | 2018-05-01 | 东南大学 | 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 |
CN104636987A (zh) * | 2015-02-06 | 2015-05-20 | 东南大学 | 一种公共楼宇空调负荷广泛参与的电网负荷调度方法 |
CN104793594B (zh) * | 2015-04-08 | 2017-05-17 | 南京优助智能科技有限公司 | 能源站群控***预报控制指令的方法 |
CN104793594A (zh) * | 2015-04-08 | 2015-07-22 | 南京优助智能科技有限公司 | 能源站群控***预报控制指令的方法 |
CN105570866A (zh) * | 2015-12-29 | 2016-05-11 | 北京市燃气集团有限责任公司 | 一种供热用燃气锅炉负荷参数的调节方法及*** |
CN105570867A (zh) * | 2015-12-29 | 2016-05-11 | 北京市燃气集团有限责任公司 | 直接供热燃气锅炉负荷参数的调节方法及*** |
CN106208101A (zh) * | 2016-08-17 | 2016-12-07 | 上海格蒂能源科技有限公司 | 智能随动电能矫正装置及示功分析方法 |
WO2018054055A1 (zh) * | 2016-09-20 | 2018-03-29 | 珠海格力电器股份有限公司 | 用于地铁暖通空调***的负荷预测和控制***及其方法 |
US10983542B2 (en) | 2016-09-20 | 2021-04-20 | Gree Electric Appliances, Inc. Of Zhuhai | Load-predicting and control system and method for subway heating, ventilation and air conditioning system |
CN106403207A (zh) * | 2016-10-24 | 2017-02-15 | 珠海格力电器股份有限公司 | 用于暖通空调***的基于负荷预测的控制***和控制方法 |
CN106779179B (zh) * | 2016-11-28 | 2018-10-19 | 新奥泛能网络科技有限公司 | 一种空调机组的负荷预测方法及设备 |
CN106779179A (zh) * | 2016-11-28 | 2017-05-31 | 新奥泛能网络科技股份有限公司 | 一种空调机组的负荷预测方法及设备 |
CN106765956A (zh) * | 2016-12-23 | 2017-05-31 | 新智能源***控制有限责任公司 | 基于空调负荷率的供水变温度控制*** |
CN106765956B (zh) * | 2016-12-23 | 2019-06-21 | 新智能源***控制有限责任公司 | 基于空调负荷率的供水变温度控制*** |
CN106844773A (zh) * | 2017-02-28 | 2017-06-13 | 广东工业大学 | 一种水火弯板工艺知识分层式数据存储方法及装置 |
CN106844773B (zh) * | 2017-02-28 | 2021-05-11 | 广东工业大学 | 一种水火弯板工艺知识分层式数据存储方法及装置 |
CN108332346A (zh) * | 2017-08-23 | 2018-07-27 | 南京南瑞继保电气有限公司 | 一种基于负荷预测和模糊控制的中央空调优化控制方法 |
CN107797581A (zh) * | 2017-09-04 | 2018-03-13 | 任升莲 | 一种暖通大数据节能*** |
CN107842908A (zh) * | 2017-09-26 | 2018-03-27 | 国网浙江省电力公司杭州供电公司 | 一种基于环境参数补偿的实时供热负荷控制方法 |
CN107842908B (zh) * | 2017-09-26 | 2020-01-03 | 国网浙江省电力公司杭州供电公司 | 一种基于环境参数补偿的实时供热负荷控制方法 |
CN109695976A (zh) * | 2017-10-23 | 2019-04-30 | 深圳市爱能森科技有限公司 | 一种供能设备管理的方法、***及终端设备 |
CN108154258A (zh) * | 2017-11-27 | 2018-06-12 | 国网北京市电力公司 | 空气源热泵负荷的预测方法、装置、存储介质和处理器 |
CN108154258B (zh) * | 2017-11-27 | 2021-11-05 | 国网北京市电力公司 | 空气源热泵负荷的预测方法、装置、存储介质和处理器 |
CN108413567A (zh) * | 2018-03-14 | 2018-08-17 | 山东建筑大学 | 基于物联网的中央空调节费优化方法与*** |
CN108413567B (zh) * | 2018-03-14 | 2020-05-26 | 山东建筑大学 | 基于物联网的中央空调节费优化方法与*** |
CN109917646A (zh) * | 2019-02-27 | 2019-06-21 | 武汉中电节能有限公司 | 一种区域供冷供热设备优化运行***及方法 |
CN109917646B (zh) * | 2019-02-27 | 2022-04-01 | 武汉中电节能有限公司 | 一种区域供冷供热设备优化运行***及方法 |
CN109932896A (zh) * | 2019-03-22 | 2019-06-25 | 易科智控科技(北京)有限公司 | 一种建筑能耗的控制方法和*** |
CN109974218A (zh) * | 2019-03-27 | 2019-07-05 | 福建工程学院 | 一种基于预测的多联机空调***调控方法 |
CN110007613B (zh) * | 2019-04-10 | 2022-04-29 | 北方工业大学 | 用于储热式电暖器的用暖预测方法、***及存储介质 |
CN110007613A (zh) * | 2019-04-10 | 2019-07-12 | 北方工业大学 | 用于储热式电暖器的用暖预测方法、***及存储介质 |
CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
CN111322716B (zh) * | 2020-02-24 | 2021-08-03 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
CN112902392A (zh) * | 2020-12-03 | 2021-06-04 | 珠海格力电器股份有限公司 | 自适应调整的空调控制方法、电子设备及存储介质 |
CN112628948B (zh) * | 2020-12-17 | 2021-11-19 | 西安交通大学 | 一种空调负荷估算分析方法、***、装置及存储介质 |
CN112628948A (zh) * | 2020-12-17 | 2021-04-09 | 西安交通大学 | 一种空调负荷估算分析方法、***、装置及存储介质 |
CN114877398A (zh) * | 2022-04-26 | 2022-08-09 | 东北石油大学 | 太阳能空气源热泵供暖*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101021914A (zh) | 暖通空调负荷预测方法和*** | |
Li et al. | When weather matters: IoT-based electrical load forecasting for smart grid | |
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及*** | |
CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
CN101667013B (zh) | 微型燃气轮机冷电联供分布式供能***优化运行控制方法 | |
Kawashima et al. | Hourly thermal load prediction for the next 24 hours by ARIMA, EWMA, LR and an artificial neural network | |
KR101168153B1 (ko) | 건물의 에너지 수요 예측 방법 및 그 시스템 | |
CN102283283B (zh) | 智能化浅层地能低温储粮*** | |
Zhang et al. | Development and evaluation of cooling load prediction models for a factory workshop | |
CN110410942A (zh) | 一种冷热源机房节能优化控制方法及*** | |
CN109711614A (zh) | 一种分布式能源站的动态优化运行控制方法及*** | |
Wang et al. | Energy consumption prediction for water-source heat pump system using pattern recognition-based algorithms | |
CN115249094A (zh) | 一种基于大数据的建筑能效管理和优化方法 | |
Zavala et al. | Proactive energy management for next-generation building systems | |
Dai et al. | Multi-objective economic load dispatch method based on data mining technology for large coal-fired power plants | |
CN111754037A (zh) | 区域终端集成供能***长期负荷混合预测方法 | |
CN114358555A (zh) | 一种轨道交通智慧能源管理*** | |
Liu et al. | An energy consumption prediction method for HVAC systems using energy storage based on time series shifting and deep learning | |
Yu et al. | Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models | |
Ma et al. | A synchronous prediction method for hourly energy consumption of abnormal monitoring branch based on the data-driven | |
CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型***及方法 | |
CN115271168A (zh) | 用电负荷响应潜力的预测方法、装置及存储介质 | |
Canova et al. | Exploitation and optimal management of free cooling for industrial refrigeration | |
Li et al. | Office building energy consumption prediction based on LSTM and SVR | |
Li et al. | Gossen’s First Law in the Modeling for Demand Side Management: A First Heat Pump Case Study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20070822 |