CN116557992A - 一种预测供冷管网中的冷量需求的方法 - Google Patents
一种预测供冷管网中的冷量需求的方法 Download PDFInfo
- Publication number
- CN116557992A CN116557992A CN202210105548.7A CN202210105548A CN116557992A CN 116557992 A CN116557992 A CN 116557992A CN 202210105548 A CN202210105548 A CN 202210105548A CN 116557992 A CN116557992 A CN 116557992A
- Authority
- CN
- China
- Prior art keywords
- demand
- cooling
- building
- refrigeration
- cold
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001816 cooling Methods 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007619 statistical method Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 45
- 238000005057 refrigeration Methods 0.000 claims description 40
- 238000012546 transfer Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000009423 ventilation Methods 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
- F24F5/0003—Exclusively-fluid systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及预测供冷管网中的冷量需求的方法,包括:‑建立包含建筑热性能数值模型的初始库,每个模型分别对应于供冷管网中的各个建筑并包含有限数量的参数并适于计算相应建筑的冷量需求;‑使用历史测量冷量需求和天气数据作为边界条件,校准参数,从而获参数化数值模型;‑在训练期内对参数化数值模型进行模拟,获得模拟历史冷量需求时间序列;‑获得一组固定权重,历史冷量需求时间序列的加权总和与训练期间内测量到的冷量需求相匹配,其中该组固定权重通过统计方法获得;‑在预测期内对参数化模型进行模拟,以所天气预报数据为边界条件,得到预测冷量需求时间序列;以及‑将固定权重应用于预测冷量需求时间序列,通过预测冷量需求时间序列的加权总和获得冷量需求预测。本发明提高了冷量需求预测精度和效率。
Description
技术领域
本发明涉及区域供冷站优化控制领域,特别涉及区域供冷中冷冻水流量和回水温度的预测,用于优化供冷***运行中的冷冻水生产、运输和分配。
背景技术
在区域供冷项目的运行过程中,制备的冷冻水量是基于用户的冷量需求。根据冷量需求,区域供冷***可以建立控制策略,并由此设置相关设备运行参数。
在区域供冷项目中,核心设备是制冷设备,通常是冷机。通过消耗电力或热量(蒸汽、热水或烟气),制冷设备可以通过制冷循环产生冷冻水。大型制冷***,包括区域制冷***,通常配备有储能装置,有时还利用管网的热惰性作为储能方式。制冷设备的性能和运行成本取决于设备的负荷率、外部条件和能源价格。提前了解用户的冷量需求,可以使工厂的操作人员对每个制冷设备以及储能设备的运行进行最佳安排,以使运行成本最小化。
因此,精确的冷量需求预测对区域制冷站的运行至关重要。同时,冷冻水是通过供冷管网输送的,因此供冷管网的反应总是滞后于运行参数的调整。总而言之,及时和精确的冷量需求预测是区域制冷站运行优化的前提条件。
在现有技术中,主要通过如下方法预测供冷管网中的冷量需求:
1.经验/手动方法
-主要由操作人员使用,其基于经验曲线(室外温度和冷冻水温度之间的关系),这种方法依赖于操作人员的经验,准确性往往不够。
-另一种解决方法是直接重复前一天的需求曲线(或可根据天气条件进行校正),这种“手动”方法也往往不够精确,这降低了制冷生产效率并影响了运营成本。
2.统计/机器学习方法
这是目前绝大多数现有的商业解决方案。这些方法可以根据过去类似条件下的运行数据给出精确的结果,通常一个好的机器学习至少需要一个完整的供冷季的运行数据,而对于新建区域供冷项目通常无法提供这类完整的历史数据。即使对于已经运行3年以上的区域供冷站,由于不断有新客户的连接,冷量需求仍在不断变化,那么机器已经学到的东西就不能应用于新的工况。
3.物理模型方法
该方法目前极少使用,其依靠建筑热性能数值模型来模拟冷量需求。该方法不被普及的主要原因在于其需要有关建筑围护结构、冷量分配设备和使用情况的详细信息,特别是有关制冷使用和用户行为的信息很难获得,而这些信息对冷量需求有很大影响。
因此,现有技术中的冷量需求预测方法和工具不能提供及时和准确的结果。由此导致区域供冷***在缺乏准确预测的情况下不能运行在最佳状态下。
发明内容
值得注意的是,本发明的目的在于克服背景技术中存在的缺陷和问题。
为了这个目的,根据本发明的一个方面,本发明提出一用于预测供冷管网中的冷量需求的方法,其包括:
-建立初始库,所述初始库包括一套建筑热性能数值模型,其包括多个模型,每个模型分别对应于供冷管网中的各个建筑,且每个数值模型包含有限数量的参数并适于计算相应建筑的冷量需求;
-使用相应建筑的历史冷量需求测量值和历史天气数据作为边界条件,校准所述一套建筑热性能数值模型中每个模型中的所述参数,从而获得一套参数化数值模型;
-在预设的训练期内对所述一套参数化数值模型进行模拟,其中,所述训练期截止于当前时间,以获得一组分别与所述一套参数化数值模型中各数值模型相对应的模拟历史冷量需求时间序列;
-获得分别归属于每个所述模拟历史冷量需求时间序列的一组固定权重,以使所述一组模拟历史冷量需求时间序列的加权总和与所述训练期间内测量到的冷量需求相匹配,其中该组固定权重通过统计方法获得;
-在预设的预测期内对所述一套参数化模型进行模拟,其中所述预测期始于所述当前时间,以所述预测期内的天气预报数据为边界条件,从而得到一组分别与所述一套参数化模型中各数值模型相对应的预测冷量需求时间序列;以及
-将获得的所述固定权重应用于该组预测冷量需求时间序列,以便通过该组预测冷量需求时间序列的加权总和,获得所述预测期内的冷量需求预测。
根据本发明的方法结合了物理模型和统计方法。利用建筑物的物理热性能模型,可以在未见的天气条件下推断出冷量需求。此外,由于使用统计方法,还可以捕捉到用户行为的影响。因此,本发明大大减少了统计方法所需的90%以上的训练数据。通过使用根据本发明的新方法,仅凭短暂的历史的运行数据(例如一周)就可以实现良好的冷量需求预测。
可选地,所述冷量需求包括供冷管网的总流量和/或回水温度,以及其他表示冷量需求的物理量。
可选地,每个数值模型包括描述热传递具有所述有限数量参数的线性或非线性微分方程。
可选地,所述有限数量的参数是建筑物的物理参数和/或建筑物使用情景。进一步优选地,所述建筑物的物理参数包括地板面积、墙壁面积、热惰性、玻璃面积、空气处理装置的传热系数、墙壁、窗户和地板的热阻、太阳能透射率,所述建筑物使用场景包括入住率、室内温度设定值、换气次数、照明、设备和人员的内部得热,以及从太阳辐射获得的热量。
可选地,在校准所述一套建筑热性能数值模型的所述参数后,通过修改至少部分所述物理参数和所述建筑使用场景来扩展所述一套参数化数值模型从而得到一套扩展参数化数值模型,其中,利用在以校准参数为中心的定义分布内使用随机选择来修改物理参数。从而得到包含更多模型的模型库,以便涵盖供冷管网中更多建筑物的冷负荷特性,提高预测精度。
可选地,也能基于对连接到供冷管网中的建筑物采取的测量,将所述一套参数化数值模型扩展为一套扩展参数化数值模型。优选地,对连接到所述供冷管网中的建筑物所采取的测量是由安装在建筑物中的一组传感器在规定的时间内获得的,以对参数进行校准。有利地,该组传感器中,至少有一个是测量建筑物从所述供冷管网中获取的流量、供冷管网的供水温度、供冷管网的回水温度、建筑物内选定位置的室内温度、建筑物内选定位置的室内空气湿度以及入住率。
可选地,所述统计方法是线性回归。
可选地,所述训练期为当前时间之前的3至10天。
可选地,所述预测期为当前时间之后的24至48小时。
根据本发明的另一个方面,本发明还提出一种设备,包括被配置为执行存储在计算机可读介质上的指令的处理器,以执行上述方法。
本发明其他方面的特点和优点将在下面具体实施方式中讨论,本领域技术人员基于以下实施例能够清楚地知道本发明的内容,以及所获得的技术效果。
附图说明
应理解的是,在本发明中,除明显矛盾或不兼容的情况外,全部特征、变形方式和/或具体实施例可以根据多种组合相结合。
通过阅读以下作为非限制性说明的具体实施例,并结合附图,本发明的其它特征和优点将显而易见,图中:
-图1是根据本发明的用于预测供冷管网中的冷量需求的方法的一个实施例的示意图。
具体实施方式
以下是根据本发明的示例性实施例。下文中的相关定义近用于描述示例性实施例,而不是为了限制本发明的范围。由于这里描述的实施例是示例性的,它们也能被扩展至涉及本发明功能、目的和/或结构的修改。
图1示出了用于预测供冷管网中的冷量需求的方法的一个实施例。该示例性方法可以包括如下步骤:
-步骤1(图中①)
基于例如描述热(和湿度)传递的线性和非线性微分方程***,创建一个包含一套建筑热性能数值模型M1的初始库。该套模型包括至少一个建筑热性能数值模型,每个模型对应接入供冷管网的一栋(或一类)典型建筑物,例如酒店、办公楼等。这些模型能及时计算其所对应建筑的冷量需求,例如冷冻水流量和回水温度,以及还可以计算建筑物不同位置的室内温度。
这些模型具有有限数量的参数,包括与建筑几何形状、围护结构和冷量分配设备相关的物理参数以及包括和典型天数的有限数量建筑使用场景。物理参数包括例如,地板面积、墙壁面积、热惰性、玻璃面积、空气处理机组的传热系数、墙壁、窗户和地板的热阻,太阳能透射率。建筑物使用场景包括入住率、室内温度设定值、换气次数、照明、设备和人员的内部得热,以及直接或间接从太阳辐射获得的热量。
更具体地,模型包括带有上述参数的方程组,以及求解方程组的求解器,该方程组给定输入(边界条件):室外温度、室外湿度、太阳位置和太阳辐射量、内部得热。方程组的输出是流量和回水温度。
进一步地,模型的方程描述了建筑中的热量和质量(湿度)传递,其中包括来自建筑围护结构的热量传递,换气的热量获得或损失,来自照明、设备和人的内部得热,空气中水的冷凝过程中释放的潜热,以及来自太阳辐射的热量获得,包括从玻璃直接进入的光线和从建筑围护结构的热传递。不同的模型可以有不同的方程组。以下为一个模型示例性的方程组:
Qbuildings=Qenvelop+Qair+Qinternal heat+Qlatent+Qsolar
其中:
Qbuildings为该模型对应(典型)建筑物的冷量需求
Qenvelope为通过建筑围护结构的热传递
Qair为室内外空气流通及通风的换热负荷
Qinternal heat为内部得热,包括建筑物内部人员、照明和设备
Qlatent为空气中水气的汽化潜热
Qsolar为太阳辐射热量
同时,根据冷冻水的流量或回水温度与冷量的典型关系曲线,通过冷量需求计算冷冻水的流量和回水温度。这些典型的关系曲线取决于区域冷却项目的实际运行策略。
-步骤2(图中②)
校准模型中的参数以适应其对应的单个建筑过去的历史测量数据(在本发明没有时间段限制,但最好至少有一个季节(3个月的数据))。其使用相应的历史天气数据(与测量数据相同的时期,数据来自离区域供冷项目最近的气象站)作为模型的边界条件,利用一个基于逐渐逼近模拟的优化器寻找合适的物理参数和使用场景的组合,使模型计算的冷冻水流量和回水温度与实际测量值最匹配。理想情况下,使用的模型和校准参数与要预测的项目的模型和校准数据相近,但不一定来自该项目。换言之,针对一个典型建筑的模型可以被应用于相类似的其他建筑,例如具有类似规模的酒店和办公类。这一步的结果获得一套校准过的参数化模型M2。这套校准的参数化模型M2中的模型数量通常为5到20个,每一个对应于一个(典型建筑)。
此外,作为示例,上述历史数据通过传感器测得(如图1所示)。传感器能获得:
-历史的总冷冻水流量,以及供水和回水温度;
-对部分建筑物的测量,这些建筑物可以其代表了与供冷管网相连的典型建筑物(但不一定实际连接),以便获得这些建筑物中
о必要数据:冷冻水流量,供水和回水温度
о可选数据:室内温度、室内湿度
此外还需要获得以下额外的必要输入数据:
-历史天气数据,包括供冷管网和被测建筑物的时期和位置,包括:
о必要数据:室外干球温度。
о可选数据:云层或太阳辐射,室外空气湿度,风速和风向。
о可选数据:接入建筑物的使用率预测(例如:酒店预订)。
-预测期内的天气预报。
-步骤3(可选的,图中③)
可选地,对于具有大量建筑的供冷管网(区域供冷),还可以通过在以"参数化模型"的参数为中心的定义分布范围内使用随机选择来修改一些物理参数,以及修改建筑使用方案的选择(随机或***地),从而扩展"参数化模型"的集合。
这一步的目的是扩大参数化模型的中的模型数量,以便涵盖区域供冷项目中建筑热性能的更多可能性。对于每个"校准参数化模型",可以根据以参数值为中心的正态分布(如利用正态分布公式)中依照为每个参数预设标准偏差随机选择新的参数值。这样,用新的物理参数就能创建更多的参数数值化模型。同时,使用场景也能被修改,可以类似物理参数一样随机修改,也可以根据建筑运行策略***地修改。
这一步的结果是一套扩展参数化数值模型M3,其也包括步骤2中获得的一套经过校准的参数化数值模型M2。通常,这个大数据库中的参数化模型的数量约是步骤1中选择的典型建筑的10倍。所有这些参数化模型可以用它们的特征来命名并存储在数据库中,后续根据需要,也可以继续添加新的模型。然后,所有这些现有的参数化模型可以在接下来的步骤中从数据库中选择。
当然,需要指出的是,该步骤并非必须,尤其是在供冷管网中(典型)建筑物不多的情况下,校准参数化模型已经能很好地覆盖现有建筑物,而不需要进行扩大模型库规模。
-步骤4(图中④)
在预设的历史时间段内对一套参数化数值模型M2或一套扩展参数化数值模型M3进行模拟,其中该历史时间段以当前时间为终点,称为“训练期”,取决于项目的情况,类如为5天到10天。在步骤3中"参数化模型"的所有物理参数和使用场景都被输入到步骤1的物理模型中。通过将供冷管网所处位置的历史天气数据和历史冷冻水供水温度作为边界条件,在训练期内对所有参数化模型进行模拟。这一步的结果是,在训练期内各个参数化模型所对应模拟的历史冷量需求(流量和回水温度)的时间序列集。
-步骤5(图中⑤)
使用统计方法,为每个时间序列(例如流量时间序列)赋予一个固定的权重,以便所有时间序列的加权总和与训练期中的测量得到的冷量(例如冷冻水流量)相匹配(权重可以是0)。同样地,也可以给其他时间序列(例如每个回水温度)赋予一个固定的权重。这一步的结果例如是一组流量时间序列的权重,和/或一组回水温度时间序列的权重。
举例来说,上述权重可以通过如下示例性的利用回归算法的模型和过程获得。
|Yregression-Ymeasure|→0
Yregression为通过回归算法计算的供冷管网的流量
p为建筑物数量
β为通过回归算法计算出的每个建筑物的固定权重
Yi为第i栋建筑物中冷冻水的流量
C为常数截距
Ymeasure为测量得到的供冷管网的流量
在统计学中,线性回归是对因变量和一个或多个自变量(也被称为输出和输入、响应和特征)之间的关系进行建模的一种线性方法。鉴于响应和特征的历史数据集,线性回归模型假定响应和特征之间的关系是线性的。因此,该模型的算式为:
Y=Xβ+ε
其中
在本实施例中,Y代表“训练期”内测得的流量或回水温度时间序列,X代表“训练期”内针对P栋楼模拟得到的流量或回水温度时间序列,β表示P栋楼的模拟值被赋予的权重,ε表示所有流量或回水温度模拟的加权总和与实测流量或回水温度之间的差值。β^是β的估计值,它是通过最小化“训练期”内Y_预测的预测流量或回水温度时间序列与Y实测流量或回水温度时间序列之差的平方和得出的,即表示为残差平方和(RSS)。最小化过程称为普通最小二乘法(OLS),如下公式所示:
这是一种线性最小二乘法,用于估计线性回归模型中的未知参数。ε测量Y_预测和Y之间的差异。
当然,其他回归模型也能被运用在本发明中,用来获得各个权重。
-步骤6(图中⑥)
在预设的“预测期”内对“参数化模型”进行模拟,其中预测期从当前时间开始起算。该模拟以供冷管网所在位置的预报天气数据为边界条件,其中该天气预报来自最近的气象站。此步骤的结果是对应于“预测期”所模拟的“参数化模型”集的未来冷却需求的时间序列集,即分别与参数化模型中各模型相对应的预测冷量需求时间序列。
据统计,在β^和X_预测的基础上,通过下面的算式得到预测期内P建筑物的模拟数据,其中Y_预测为预测期内预测的冷量需求,即预测冷冻水流量和回水温度。
随着时间的推移,历史数据会发生相应的变化。因此,如果能基于一定频率(例如每个小时)重复上述过程,预测结果能够及时更新(例如每小时)。
此外,为了评估模型的有效性,可以利用均方误差(MSE)和平均绝对误差(MAE),如下所示。这两个指标的值都是用来评估训练期内测量和预测的冷量需求(流量或回水温度)时间序列之间的差异,其误差总是正值,随着误差接近零而减少。
其中,n是训练期内的测量流量或回水温度时间序列的数量,yi和分别是第i个测量和预测的流量或回水温度。
-步骤7(图中⑦)
将步骤5获得的权重集应用于步骤6获得的时间序列集,通过加权总和以计算预测期内的总的冷量需求,例如预测流量和预测回水温度,通过以下算式获得:
其中,Y_预测为供冷管网的预测冷量需求。
通过上述示例性的步骤,根据本发明的方法能准确且及时地预测出供冷管网中未来一定时间内的冷量需求。
此外,在本实施例中,步骤4到7对每个新的预测都是重复的。而步骤1到3可以仅执行一次,或以较低的频率重复,用新的模型完成"参数化模型"的集合,这取决于对应的供冷管网中的建筑和其用冷情况是否有实质性变动,例如增加或减少接入的建筑物或增加或减少用冷(酒店的不同时节入住率)。
优选地,还能在"参数化模型"集中删除不必要的模型,例如:
-用统计方法分析归属于不同模型的权重历史,删除未被充分使用的模型;和/或
-通过分析时间序列的历史,用统计学的方法,删除多余的模型,比如其结果与其他模型过于接近。
如图1所示,根据本发明的方法可以应用于整个区域供冷***中,该***用传感器和区域供冷站的控制平台进行数据监测。如上所述根据本发明方法获得的冷量需求预测被发送到区域供冷站的控制和监控平台,这些预测结果将被转化为控制信号并传输给制冷设备,然后制冷设备的工作负荷将被调整以满足供冷管网中的未来制冷需求。同时,由于安装在供冷管网中的监测传感器,供冷管网的实时运行数据被送回根据本发明的计算模型,这可以保持训练以优化供冷站的工作条件。
以下将给出一个更为具体的实施例以说明根据本法明的方法来预测供冷网络中冷量需求。该实施例涉及一个区域供冷站,其主要用户是办公大楼和部分商业建筑。该区域供冷站生产冷冻水并通过供冷管网供应给用户。
首先,根据建筑的类型,建立物理模型。如上述步骤1所述,这些模型包括一套描述热量和质量(湿度)传递的线性和非线性方程。例如,外墙的传热是基于以下传热方程:
Q=K*A*ΔT
Q为通过外墙传递的热量(W)
K为传热系数(W/(m2*K))
ΔT为室内外温差(℃)
其中,
K=1/(Ri+Rwall+Ro)
R为热阻(内外表面换热热阻,以及外墙导热热阻)(m2*K/W)
因此,Rwall是步骤1中提到的物理参数之一,它将在上述步骤2中被校准。
同时,根据冷却功率与流量或回水温度之间的典型关系曲线,来计算冷量需求。这些典型的关系曲线取决于该区域供冷站的实际运行策略。
接着,在本实施例中选择10个带有测量数据的典型建筑。基于这些测量数据,在步骤2中优化器求解合适的物理参数和使用场景的组合,创建一个带有“校准参数化模型”的数据库。每个“校准参数化模型”都有一个特殊的物理参数和使用场景的值。例如,对于一个被选中的典型建筑,其热阻为4m2*K/W,考虑到该制冷项目所在地区建筑的普遍值,可以把外墙热阻范围定义在2至10m2*K/W内,然后优化器将尝试所有参数和方案的不同组合,以达到最适合的流量或回水温度曲线来适应测量数据。最终,对于其中一个"校准的参数化模型",求解得到5.16m2*K/W的值。
然后,可选地,扩展数据库,以涵盖更多建筑热性能的可能性。例如,将上一步取得的5.16m2*K/W的热阻作为中心参数值,在此基础上建立一个正态分布。然后在±30%的标准偏差下,随机选择一些新的参数值。最后,获得总共获得104个参数化模型。
随后,所有这些“参数化模型”被输入到步骤1中提到的物理模型中,根据从最近的气候站获得的历史气候数据,模拟训练期内的冷冻水流量和回水温度。训练期例如可以被设定为7天。
接着,结合模拟预测结果,每个“参数化模型”通过回归计算给出一个比例(权重),并计算出未来24至48小时小时内的冷量需求(冷冻水流量和回水温度),在本实施例中给出24小时预测的示例。由此,通过“参数化模型”的加权总和得出未来24小时内104个建筑物的总冷量需求预测。在该过程中,β的估计值β^通过如下示例性的算式和统计学方法获得:
使用普通最小二乘法(OLS)方法,通过最小化测量值和预测值(Y和X)之间的差值,就能得到β^。应用公式其中在本实施例中X_预测来自基于"参数化模型"的24小时天气预报,以获得Y_预测。
与简单地将前一天的24小时数据作为下一个24小时的预测的传统方法相比,根据本发明的模型所得到指标值(均方误差和平均绝对误差)较少。在本实施例中,根据本发明的方法的平均偏差约为10.4%,而传统重复前一天需求曲线的方法的平均误差值为12.2%。
最后,可以每隔1小时重复训练和预测(步骤4至7),从而可以不间断地预测未来24小时的冷量需求。
相对于传统的冷量需求预测方法,根据本发明方法,能在使用少量训练数据的情况下提高了预测的精度和效率。
本领域技术人员掌握多种实施例及多种变形及改进。尤其是,需明确的是,除明显矛盾或不兼容的情况外,本发明所记载的特征、变形方式和/或具体实施例可以相互结合。所有这些实施例及变形及改进都属于本发明的保护范围。
Claims (13)
1.一种预测供冷管网中的冷量需求的方法,包括:
-建立初始库,所述初始库包括一套建筑热性能数值模型(M1),其包括多个模型,每个模型分别对应于供冷管网中的各个建筑,且每个模型包含有限数量的参数并适于计算相应建筑的冷量需求;
-使用相应建筑的历史测量冷量需求和历史天气数据作为边界条件,校准所述一套建筑热性能数值模型中每个模型中的所述参数,从而获得一套参数化数值模型(M2);
-在预设的训练期内对所述一套参数化数值模型(M2)进行模拟,其中,所述训练期截止于当前时间,以获得一组分别与所述一套参数化数值模型(M2)中各模型相对应的模拟历史冷量需求时间序列;
-获得分别归属于每个所述模拟历史冷量需求时间序列的一组固定权重,以使所述一组模拟历史冷量需求时间序列的加权总和与所述训练期间内测量到的冷量需求相匹配,其中该组固定权重通过统计方法获得;
-在预设的预测期内对所述一套参数化数值模型(M2)进行模拟,其中所述预测期始于所述当前时间,以所述预测期内的天气预报数据为边界条件,从而得到一组分别与所述一套参数化数值模型(M2)中各模型相对应的预测冷量需求时间序列;以及
-将获得的所述固定权重应用于所述该组预测冷量需求时间序列,以便通过该组预测冷量需求时间序列的加权总和,获得所述预测期内的冷量需求预测。
2.根据权利要求1所述的预测供冷管网中的冷量需求的方法,其特征在于,所述冷量需求包括供冷管网的总流量和/或回水温度。
3.根据权利要求1所述的预测供冷管网中的冷量需求的方法,其特征在于,所述每个模型包括描述热传递具有所述有限数量参数的线性和/或非线性微分方程。
4.根据权利要求1所述的预测供冷管网中的冷量需求的方法,其特征在于,所述有限数量的参数是建筑物的物理参数和/或建筑物使用情景。
5.根据权利要求4所述的预测供冷管网中的冷量需求的方法,其特征在于,所述建筑物的物理参数包括地板面积、墙壁面积、热惰性、玻璃面积、空气处理装置的传热系数、墙壁、窗户和地板的热阻、太阳能透射率,所述建筑物使用场景包括入住率、室内温度设定值、换气次数、照明、设备和人员的内部得热,以及从太阳辐射获得的热量。
6.根据权利要求4所述的预测供冷管网中的冷量需求的方法,其特征在于,通过修改至少部分所述物理参数和修改所述建筑使用场景把所述一套参数化数值模型(M2)扩展成一套扩展参数化数值模型(M3),其中,利用在以参数化数值模型的参数为中心的定义分布内使用随机选择来修改物理参数。
7.根据权利要求1所述的预测供冷管网中的冷量需求的方法,其特征在于,基于对连接到所述供冷管网中的建筑物采取的测量,将所述一套参数化数值模型扩展为一套扩展参数化数值模型。
8.根据权利要求7所述的预测供冷管网中的冷量需求的方法,其特征在于,对连接到所述供冷管网中的建筑物所采取的测量是由安装在建筑物中的一组传感器在规定的时间内获得的,以对参数进行校准。
9.根据权利要求8所述的预测供冷管网中的冷量需求的方法,其特征在于,所述该组传感器中,包括测量建筑物从所述供冷管网中获取的流量、供冷管网的供水温度、供冷管网的回水温度、建筑物内选定位置的室内温度、建筑物内选定位置的室内空气湿度以及入住率。
10.根据权利要求1所述的预测供冷管网中的冷量需求的方法,特征在于,所述统计方法是线性回归。
11.根据权利要求1所述的预测供冷管网中的冷量需求的方法,其特征在于,所述训练期为当前时间之前的3至10天。
12.根据权利要求1所述的预测供冷管网中的冷量需求的方法,其特征在于,所述预测期为当前时间之后的24至48小时。
13.一种设备,包括被配置为执行存储在计算机可读介质上的指令的处理器,以执行根据权利要求1所述的预测供冷管网中的冷量需求的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210105548.7A CN116557992A (zh) | 2022-01-28 | 2022-01-28 | 一种预测供冷管网中的冷量需求的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210105548.7A CN116557992A (zh) | 2022-01-28 | 2022-01-28 | 一种预测供冷管网中的冷量需求的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116557992A true CN116557992A (zh) | 2023-08-08 |
Family
ID=87497034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210105548.7A Pending CN116557992A (zh) | 2022-01-28 | 2022-01-28 | 一种预测供冷管网中的冷量需求的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116557992A (zh) |
-
2022
- 2022-01-28 CN CN202210105548.7A patent/CN116557992A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5572799B2 (ja) | 空調システム制御装置 | |
Fan et al. | Cooling load prediction and optimal operation of HVAC systems using a multiple nonlinear regression model | |
US10354345B2 (en) | Optimizing and controlling the energy consumption of a building | |
CN107120721B (zh) | 一种集中供热动态气候补偿方法 | |
Anđelković et al. | Experimental validation of a EnergyPlus model: Application of a multi-storey naturally ventilated double skin façade | |
US6134511A (en) | Method and apparatus for improving building energy simulations | |
Huang et al. | Simulation-based performance evaluation of model predictive control for building energy systems | |
Nageler et al. | Comparison of dynamic urban building energy models (UBEM): Sigmoid energy signature and physical modelling approach | |
US7200468B2 (en) | System for determining overall heating and cooling system efficienies | |
Chen et al. | Model predictive control optimization for rapid response and energy efficiency based on the state-space model of a radiant floor heating system | |
Jang et al. | Prediction of optimum heating timing based on artificial neural network by utilizing BEMS data | |
Tüysüz et al. | Calibrating the building energy model with the short term monitored data: A case study of a large-scale residential building | |
CN108197404A (zh) | 一种基于时间遗传特性的建筑负荷预测方法 | |
Fang et al. | Identification of the optimal control strategies for the energy-efficient ventilation under the model predictive control | |
Wang et al. | Field test of Model Predictive Control in residential buildings for utility cost savings | |
Wang et al. | Development and validation of a second-order thermal network model for residential buildings | |
JP2023510530A (ja) | ビル設備エネルギー管理制御システム及びその制御方法 | |
Wang et al. | A zoned group control of indoor temperature based on MPC for a space heating building | |
CN113065190B (zh) | 一种基于不确定性的居住建筑供热量计算方法 | |
Djuric et al. | Heating system performance estimation using optimization tool and BEMS data | |
Im et al. | Multiyear Plan for Validation of EnergyPlus Multi-Zone HVAC System Modeling using ORNL's Flexible Research Platform | |
Sun et al. | Development of a variable water temperature control method for air source heat pump based on the supply–demand balance | |
Im et al. | Empirical validation of building energy modeling using flexible research platform | |
CN116557992A (zh) | 一种预测供冷管网中的冷量需求的方法 | |
Weng et al. | RNN-based forecasting of indoor temperature in a naturally ventilated residential building |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |