CN116817415B - 一种空调负荷管理调节方法、计算设备及存储介质 - Google Patents
一种空调负荷管理调节方法、计算设备及存储介质 Download PDFInfo
- Publication number
- CN116817415B CN116817415B CN202311084802.0A CN202311084802A CN116817415B CN 116817415 B CN116817415 B CN 116817415B CN 202311084802 A CN202311084802 A CN 202311084802A CN 116817415 B CN116817415 B CN 116817415B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- sub
- historical
- time period
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004378 air conditioning Methods 0.000 claims abstract description 98
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 37
- 230000008859 change Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 8
- 230000005611 electricity Effects 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
- F24F11/56—Remote control
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种空调负荷管理调节方法、计算设备及存储介质，涉及供电管理技术领域，该方法包括：获取公共建筑在预设时间段内的历史空调负荷数据和历史负荷影响数据；根据历史负荷影响数据的特征，对历史负荷影响数据进行划分，以得到多个子时间段的历史负荷影响子数据；在预设时间段内的历史空调负荷数据中，确定各子时间段的历史空调负荷子数据；根据各子时间段的历史负荷影响子数据调整对应的子时间段的历史空调负荷子数据，得到各子时间段的历史空调负荷基础数据；根据各子时间段的历史空调负荷基础数据对公共建筑进行空调负荷管理。本发明的有益效果：能够提高公共建筑空调负荷管理的精准度。
Description
技术领域
本发明涉及供电管理技术领域，具体而言，涉及一种空调负荷管理调节方法、计算设备及存储介质。
背景技术
目前，对于城市公共建筑，例如商业综合体、酒店宾馆、写字楼、公共机构等，通过进行数据全接入，可以进行公共建筑的空调负荷的监测，进而对后续企业、政府部门和供电公司共同协作调节空调负荷提供了数据支撑，以便于实现更好地供电分配。
在空调负荷的管理调节中，可以考虑相关的影响因素对未来进行预估，例如考虑到天气温度的影响、公共建筑中相关企业的作业计划以及商超的人员密度变化等，结合相应的数学模型，进而对不同公共建筑在未来时间段的空调负荷进行预估，实现分配管理。然而在实际情况中，对一整栋或者一个片区的公共建筑中空调负荷造成影响的因素是多方面的，上述提到的天气温度、作业计划以及人员密度等与空调负荷的关系十分直接，并且，天气温度能够实现较为精准的预测统计得到，相关企业的作业计划和人员密度等能够提前调研或预估得到，而对于空调负荷的影响还存在些其它因素，例如企业、人员季节性的增减变化，设备逐渐增大的故障率和老旧情况造成的空调负荷变化等等，这些因素与空调负荷有着直接或间接的关系，且存在一定规律和趋势，但不便于统计，而目前的空调负荷管理中，通常只是笼统地考虑未来的天气变化或作业计划等容易统计的影响因素，进行空调负荷的预测分析，而完全忽略了其它因素的影响，以此造成负荷的预测存在较大的误差，最终使得空调负荷管理的调节不够精准有效。
发明内容
本发明解决的问题是如何提高公共建筑空调负荷管理的精准度。
为解决上述问题，本发明提供了一种空调负荷管理调节方法，包括步骤：
获取公共建筑在预设时间段内的历史空调负荷数据和历史负荷影响数据，其中，所述历史负荷影响数据包括所述预设时间段内的历史天气数据；
根据所述历史负荷影响数据的特征，对所述历史负荷影响数据进行划分，以得到多个子时间段的历史负荷影响子数据；
在所述预设时间段内的所述历史空调负荷数据中，确定各所述子时间段的历史空调负荷子数据；
根据各所述子时间段的所述历史负荷影响子数据调整对应的所述子时间段的所述历史空调负荷子数据，得到各所述子时间段的历史空调负荷基础数据；
根据各所述子时间段的所述历史空调负荷基础数据对所述公共建筑进行空调负荷管理。
本发明中的空调负荷管理调节方法，在获取历史负荷影响数据后，基于其特征，以划分得到多个子时间段的历史负荷影响子数据，在这些时间段内，这些负荷影响因素对空调负荷的影响相近似，进而，在实际获取的子时间段的历史负荷影响子数据中，对所产生的负荷影响进行排除，最终即得到了各子时间段的历史空调负荷基础数据，在后续进行公共建筑的空调负荷管理中，可以分析这些子时间段的历史空调负荷基础数据的变化情况，以此先分析难以统计的影响因素造成的空调负荷影响，在此基础上，再去考虑未来时刻其它能够统计并采集的影响因素，实现未来的空调负荷精准管理。由此，通过对历史空调负荷数据进行精准筛选后用于空调负荷管理，相较于现有的采取回归算法等以历史负荷数据为基础并直接考虑未来的天气情况等影响因素对未来空调负荷进行预估的方式，降低了预估的误差，能够使得空调负荷的预估更加精准，进而使得空调负荷管理更加精准有效。
进一步地，所述根据各所述子时间段的所述历史空调负荷基础数据对所述公共建筑进行空调负荷管理包括步骤：
根据各所述子时间段的所述历史空调负荷基础数据确定未来时间段的第一空调负荷预测数据；
获取所述未来时间段的负荷影响统计数据，其中，所述负荷影响统计数据包括天气预测数据；
根据所述负荷影响统计数据对所述第一空调负荷预测数据进行修正，以得到第二空调负荷预测数据；
根据所述第二空调负荷预测数据对所述公共建筑进行所述空调负荷管理。
进一步地，所述负荷影响统计数据还包括人流量预估数据和人员密度预估数据；所述根据各所述子时间段的所述历史空调负荷基础数据对所述公共建筑进行空调负荷管理还包括步骤：
确定所有的所述公共建筑的所述人流量预估数据的流量平均值和所述人员密度预估数据的密度平均值；
根据各所述公共建筑的所述人流量预估数据与所述流量平均值的对比情况以及各所述公共建筑的所述人员密度预估数据与所述密度平均值的对比情况，确定各所述公共建筑的供电优先级；
根据所述供电优先级和所述第二空调负荷预测数据对所述公共建筑进行所述空调负荷管理。
进一步地，根据各所述子时间段的所述历史空调负荷基础数据确定未来时间段的第一空调负荷预测数据包括步骤：
根据各所述子时间段以及各所述子时间段的历史空调负荷基础数据，建立趋势模型和/或回归模型；
根据所述趋势模型和/或所述回归模型确定所述未来时间段的所述第一空调负荷预测数据。
进一步地，所述根据各所述子时间段的所述历史负荷影响子数据调整对应的所述子时间段的所述历史空调负荷子数据，得到各所述子时间段的历史空调负荷基础数据包括步骤：
根据各所述子时间段的所述历史负荷影响子数据和预设神经网络模型确定各所述子时间段的负荷调整预估值；
根据所述负荷调整预估值对所述历史空调负荷子数据进行调整以得到所述历史空调负荷基础数据。
进一步地，所述预设神经网络模型的训练过程包括步骤：
获取至少两个连续的预设子时间段的负荷影响子数据以及空调负荷实际数据；
确定相邻的所述预设子时间段的所述负荷影响子数据的差值，作为第一差值数据，以及确定相邻的所述预设子时间段的所述空调负荷实际数据的差值，作为第二差值数据；
根据所述第一差值数据和所述第二差值数据构建训练数据集，以根据所述训练数据集对初始的神经网络模型进行训练，以得到所述预设神经网络模型。
进一步地，所述根据各所述子时间段的所述历史负荷影响子数据和预设神经网络模型确定各所述子时间段的负荷调整预估值包括步骤：
确定各所述子时间段的所述历史负荷影响子数据与标定负荷影响数据的差值，作为第三差值数据；
将各所述子时间段的所述第三差值数据输入所述预设神经网络模型，以得到各所述子时间段的所述负荷调整预估值。
进一步地，所述获取公共建筑在预设时间段内的历史空调负荷数据和历史负荷影响数据包括步骤：
根据所述公共建筑的类型和/或所述历史空调负荷数据确定所述公共建筑在所述预设时间段内的主要作业时间段；
确定所述公共建筑在所述主要作业时间段内的所述历史空调负荷数据和所述历史负荷影响数据。
本发明还提出了一种计算设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的空调负荷管理调节方法。
本发明中的计算设备具有与上述空调负荷管理调节方法相近似的技术效果，在此不再进行赘述。
本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的空调负荷管理调节方法。
本发明中的计算机可读存储介质具有与上述空调负荷管理调节方法相近似的技术效果，在此不再进行赘述。
附图说明
图1为本发明实施例所述的空调负荷管理调节方法的流程图一；
图2为本发明实施例所述的空调负荷管理调节方法的流程图二；
图3为本发明实施例所述的空调负荷管理调节方法的流程图三。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种行驶来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
参照图1所示，本发明实施例提出了一种空调负荷管理调节方法，包括步骤：
获取公共建筑在预设时间段内的历史空调负荷数据和历史负荷影响数据，其中，所述历史负荷影响数据包括所述预设时间段内的历史天气数据。
其中，公共建筑可以包括商业综合体、酒店宾馆、写字楼以及公共机构等，预设时间段可以根据实际情况进行设定，例如获取一个季度内的公开建筑的历史空调负荷数据以及历史负荷影响数据，其中，历史负荷影响数据为便于统计或预测的数据，本发明实施例包括历史天气数据，例如与一个季度内的历史空调负荷数据对应的一个季度的历史天气数据，在其它实施例中，历史负荷影响数据可还包括有停电计划以及会对空调负荷变化造成影响的人员活动安排或者区域使用安排等等。
对于这些预设时间段内的历史负荷影响数据，可以根据历史空调负荷数据和/或公共建筑的类型进行初步筛选。具体地，根据所述公共建筑的类型和/或所述历史空调负荷数据确定所述公共建筑在所述预设时间段内的主要作业时间段；确定所述公共建筑在所述主要作业时间段内的所述历史空调负荷数据和所述历史负荷影响数据。
例如某些公共建筑，其具有较为突出的用电属性，如写字楼等，通常集中在早8点至晚10点左右用电，以及周一至周五左右，对于商场则集中在下午5点至商场结业，以及周末或节假时间，而对于其它时间的用电情况，则相对零散，空调负荷相对不高，进而对整体供电影响略小，不需要过于考虑空调负荷的管理和调度。因此，对于这些历史负荷影响数据，可以先进行筛选，筛除掉部分不会特别影响公共建筑的空调负荷的数据，例如，针对不同的公共建筑，以天为单位，保留当天中主要时间段的历史负荷影响数据和历史空调负荷数据。
根据所述历史负荷影响数据的特征，对所述历史负荷影响数据进行划分，以得到多个子时间段的历史负荷影响子数据。
以历史负荷影响数据为历史天气数据为例，在预设时间段内，存在多种天气情况，例如一个季度中，某一个周为连续最高白天平均温度为35℃的白天，然后连接着2天左右存在雨水造成平均温度为25℃的雨天或阴雨天等，这些天气情况对空调负荷造成直接的影响，但相近似的天气特征对空调负荷造成的影响相近似，因此，最终，通过结合这些历史负荷影响数据的特征进行时间段的划分，以得到多个连续的子时间段，同一时间段内负荷影响数据相近似，以此均对空调的整体负荷造成相近似的影响，相邻的子时间段中出现了比较明显的负荷影响数据的变化，最终，两个子时间段对应的历史空调负荷数据则可能存在不同。
在所述预设时间段内的所述历史空调负荷数据中，确定各所述子时间段的历史空调负荷子数据。
基于上述确定的多个子时间段，其对应有多个子时间段中的历史空调负荷子数据，可以在预设时间段的所述历史空调负荷数据中进行查表确定。
根据各所述子时间段的所述历史负荷影响子数据调整对应的所述子时间段的所述历史空调负荷子数据，得到各所述子时间段的历史空调负荷基础数据；
根据各所述子时间段的所述历史空调负荷基础数据对所述公共建筑进行空调负荷管理。
各子时间段的历史负荷影响子数据直接对对应子时间段的空调负荷造成影响，例如，子时间段的天气突变，造成该子时间段中的空调负荷的显著增大，因此，对于所确定的历史负荷影响子数据，可以进一步确定其对空调负荷的影响值，例如对于天气数据，可以采用相关的天气对空调负荷影响的模型，以确定不同天气情况下对负荷的增减影响量，进而对实际检测的历史空调负荷子数据进行调整，以此得到排除了上述天气影响的负荷数据。通过对所有可精确采集或预估的历史负荷影响数据对负荷的影响的排除，最终即得到了各所述子时间段的历史空调负荷基础数据，在后续进行公共建筑的空调负荷管理中，可以分析这些子时间段的历史空调负荷基础数据的变化情况，以此先分析难以统计的影响因素造成的空调负荷影响，在此基础上，再去考虑未来时刻其它能够统计并采集的影响数据，实现未来的空调负荷精准管理。由此，通过对历史空调负荷数据进行精准筛选后用于空调负荷管理，相较于现有的采取回归算法等以历史负荷数据为基础并直接考虑未来的天气情况等影响因素对未来空调负荷进行预估的方式，降低了预估的误差，能够使得空调负荷的预估更加精准，进而使得空调负荷管理更加精准有效。
参照图2所示，在本发明的一个可选的实施例中，所述根据各所述子时间段的所述历史空调负荷基础数据对所述公共建筑进行空调负荷管理包括：
根据各所述子时间段的所述历史空调负荷基础数据确定未来时间段的第一空调负荷预测数据。
根据各子时间段的历史空调负荷基础数据，可以进行趋势分析或预测，例如，根据各所述子时间段以及各所述子时间段的历史空调负荷基础数据，建立趋势模型和/或回归模型。
根据所述趋势模型和/或所述回归模型确定所述未来时间段的所述第一空调负荷预测数据。
例如，采用移动平均法的趋势模型，通过计算各子时间段的历史空调负荷基础数据的平均值，并假设未来负荷将继续沿着相似的趋势变化，选择不同长度的移动窗口（例如7天、30天）来预测未来某一段时间的负荷（第一空调负荷预测数据）。或者，可以采用基于自回归积分滑动平均的趋势模型，考虑数据中的自回归、差分和滑动平均部分，进而分析历史负荷的模式，并进行未来负荷的预测。抑或者，可以采用基于线性回归的回归模型，考虑各子时间段中的日期和时间等，使用线性回归模型来建立与负荷之间的关系，通过拟合一个线性函数，进行第一空调负荷预测数据的确定。同时，也可以通过引入多项式回归等方法来考虑特征之间的非线性关系。在可选的实施例中，可以结合实际情况，对趋势模型和回归模型进行印证和调整，也可以结合两者进行上述第一空调负荷预测数据的预测。
获取所述未来时间段的负荷影响统计数据，其中，所述负荷影响统计数据包括天气预测数据；
根据所述负荷影响统计数据对所述第一空调负荷预测数据进行修正，以得到第二空调负荷预测数据；
根据所述第二空调负荷预测数据对所述公共建筑进行所述空调负荷管理。
上述得到的第一空调负荷预测数据仅考虑了难以直接统计或预估的影响因素所对负荷造成的影响，在对未来的预测中，同样存在天气、作业计划等负荷影响统计数据对实际空调负荷造成的进一步影响，因此，结合所要进行空调负荷管理的未来时间段的负荷影响统计数据的确定，进一步对第一空调负荷预测数据进行修正，最终得到与实际需求更贴合的第二空调负荷预测数据，以此，基于第二空调负荷预测数据，进行空调负荷管理，以达到精准有效的管理需求。
在本发明的一个可选的实施例中，所述负荷影响统计数据还包括人流量预估数据和人员密度预估数据；所述根据各所述子时间段的所述历史空调负荷基础数据对所述公共建筑进行空调负荷管理还包括步骤：
确定所有的所述公共建筑的所述人流量预估数据的流量平均值和所述人员密度预估数据的密度平均值；
根据各所述公共建筑的所述人流量预估数据与所述流量平均值的对比情况以及各所述公共建筑的所述人员密度预估数据与所述密度平均值的对比情况，确定各所述公共建筑的供电优先级；
根据所述供电优先级和所述第二空调负荷预测数据对所述公共建筑进行所述空调负荷管理。
对可统计或预估的负荷影响统计数据和历史负荷影响数据，除上述提到的天气预测数据外，人员活动情况也是一个直接的影响因素，例如公共建筑在时间段的人数，对于商场等公共建筑的人员密度和流量等，这些除了影响空调负荷外，对于人员较多的地区，还需要保证供电的优先级，因此，在本发明实施例中，在对于所管理的公共建筑，通过获取各公共建筑的人流量预估数据和人员密度预估数据，例如对于未来时间段的这些数据进行预估，求取平均值，即分别得到流量平均值和密度平均值，进而结合这些平均值进行所有公共建筑的供电优先级排序，例如，对于人流量和密度均大于平均值的公共建筑，可以设定该公共建筑为较高的供电优先级，后续根据供电优先级和所确定的第二空调负荷预测数据，对公共建筑进行空调负荷管理，以此确保精准以及稳定的供电管理。
参照图3所示，在本发明的一个可选的实施例中，所述根据各所述子时间段的所述历史负荷影响子数据调整对应的所述子时间段的所述历史空调负荷子数据，得到各所述子时间段的历史空调负荷基础数据包括步骤：
根据各所述子时间段的所述历史负荷影响子数据和预设神经网络模型确定各所述子时间段的负荷调整预估值；
根据所述负荷调整预估值对所述历史空调负荷子数据进行调整以得到所述历史空调负荷基础数据。
在本发明实施例中，可以通过构建并训练得到预设神经网络模型进行负荷数据的预估，具体地，不同历史负荷影响子数据均会对空调负荷造成较为相近的影响，如以一默认的平均温度25℃晴天为标准，在平均温度为30°的晴天的历史天气数据，其对空调负荷存在特定范围的增量，因此，在确定各所述子时间段的历史负荷影响子数据时，可以结合预设神经网络模型进行各子时间段的负荷调整预估值的预测，以使得预测更加精确，后续该负荷调整预估值与历史空调负荷子数据的差值，即为各子时间段的历史空调负荷基础数据，以此，供后续空调负荷管理。
在本发明的一个可选的实施例中，所述预设神经网络模型的训练过程包括步骤：
获取至少两个连续的预设子时间段的负荷影响子数据以及空调负荷实际数据；
确定相邻的所述预设子时间段的所述负荷影响子数据的差值，作为第一差值数据，以及确定相邻的所述预设子时间段的所述空调负荷实际数据的差值，作为第二差值数据；
根据所述第一差值数据和所述第二差值数据构建训练数据集，以根据所述训练数据集对初始的神经网络模型进行训练，以得到所述预设神经网络模型。
通过构建训练数据，输入预设神经网络模型的初始的神经网络模型中得到模型输出，进一步确定神经网络模型的损失函数值，以对初始的神经网络模型的参数进行调整，直至满足收敛条件，以此完成神经网络模型的训练，后续，通过输入相应的数据值，以实现预测。
神经网络模型的训练数据基于历史的空调负荷数据和对应的历史负荷影响数据，而对于较长的时间跨度，存在其它难以统计的影响因素对空调负荷造成影响，因此直接采取空调负荷数据和对应的负荷影响数据进行模型的训练无法保证更高地准确率，因此，本发明实施例中，以两个连续的预设子时间段的负荷影响子数据以及对应的空调负荷实际数据作为基础进行训练是数据集的构建，例如，发生明显天气变化的天气变化日与天前变化日的前一日的数据，或者是产生人员活动安排的当日与前一日的数据。在这种情况下，所采集的空调负荷实际数据受其它影响因素的影响更小，也即，该预设子时间段的负荷影响子数据直接对空调负荷实际数据造成影响。
基于获取的预设子时间段的负荷有影响子数据和空调负荷实际数据，确定相邻的所述预设子时间段的所述负荷影响子数据的差值，作为第一差值数据，以及确定相邻的所述预设子时间段的所述空调负荷实际数据的差值，作为第二差值数据，以此来构建模型的训练集，此时对于神经网络模型的训练，使得模型能够学习在出现不同的负荷影响因素的变化情况时，最终能够产生的负荷变化，最终，在确定未来时间段的负荷影响因素的变化时，既可以用于预测可能产生的负荷变化。
其中，相邻的所述预设子时间段的所述负荷影响子数据的差值，可以根据负荷影响子数据的类型来计算向量差或者是数值差，如对于影响空调负荷的天气温度，可以为温度差，商场等的人流量等产生的流量变化差等等。第二差值数据即两个预设子时间段的空调负荷值的差值。
其中，初始的神经网络模型的具体架构可以根据实际情况进行具体设定，例如考虑天气因素设置天气影响空调负荷的神经网络模型，可考虑以人员活动，计划用电调度等因素设置的神经网络模型。
基于此，对于上述训练得到的预设神经网络模型，所述根据各所述子时间段的所述历史负荷影响子数据和预设神经网络模型确定各所述子时间段的负荷调整预估值包括步骤：
确定各所述子时间段的所述历史负荷影响子数据与标定负荷影响数据的差值，作为第三差值数据；
将各所述子时间段的所述第三差值数据输入所述预设神经网络模型，以得到各所述子时间段的所述负荷调整预估值。
其中，标定负荷影响数据差值可以根据实际情况进行设定，以作为一个参考值，并不对方案进行限定，确定各所述子时间段的所述历史负荷影响子数据与标定负荷影响数据的差值，作为第三差值数据即表示历史负荷影响子数据对当前的子时间段的历史空调负荷基础数据产生的影响。针对所产生的影响，输入上述训练得到的预设神经网络模型，最终预设神经网络模型的输出即对应该影响所造成的空调负荷变化，即作为各子时间段的负荷调整预估值，以供后续对历史空调负荷子数据进行调整，得到各所述子时间段的历史空调负荷基础数据。
本发明还提出了一种计算设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的空调负荷管理调节方法。
本发明中的计算设备具有与上述空调负荷管理调节方法相近似的技术效果，在此不再进行赘述。
本发明另一实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的空调负荷管理调节方法。
本发明中的计算机可读存储介质具有与上述空调负荷管理调节方法相近似的技术效果，在此不再进行赘述。
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、C#，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术操作工在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (7)
1.一种空调负荷管理调节方法，其特征在于，包括：
获取公共建筑在预设时间段内的历史空调负荷数据和历史负荷影响数据，其中，所述历史负荷影响数据包括所述预设时间段内的历史天气数据；
根据所述历史负荷影响数据的特征，对所述历史负荷影响数据进行划分，以得到多个子时间段的历史负荷影响子数据；
在所述预设时间段内的所述历史空调负荷数据中，确定各所述子时间段的历史空调负荷子数据；
根据各所述子时间段的所述历史负荷影响子数据调整对应的所述子时间段的所述历史空调负荷子数据，得到各所述子时间段的历史空调负荷基础数据，包括：根据各所述子时间段的所述历史负荷影响子数据和预设神经网络模型确定各所述子时间段的负荷调整预估值；根据所述负荷调整预估值对所述历史空调负荷子数据进行调整以得到所述历史空调负荷基础数据；
根据各所述子时间段的所述历史空调负荷基础数据对所述公共建筑进行空调负荷管理；
所述根据各所述子时间段的所述历史负荷影响子数据和预设神经网络模型确定各所述子时间段的负荷调整预估值包括：
确定各所述子时间段的所述历史负荷影响子数据与标定负荷影响数据的差值，作为第三差值数据；
将各所述子时间段的所述第三差值数据输入所述预设神经网络模型，以得到各所述子时间段的所述负荷调整预估值；
所述预设神经网络模型的训练过程包括：
获取至少两个连续的预设子时间段的负荷影响子数据以及空调负荷实际数据；
确定相邻的所述预设子时间段的所述负荷影响子数据的差值，作为第一差值数据，以及确定相邻的所述预设子时间段的所述空调负荷实际数据的差值，作为第二差值数据；
根据所述第一差值数据和所述第二差值数据构建训练数据集，以根据所述训练数据集对初始的神经网络模型进行训练，以得到所述预设神经网络模型。
2.根据权利要求1所述的空调负荷管理调节方法，其特征在于，所述根据各所述子时间段的所述历史空调负荷基础数据对所述公共建筑进行空调负荷管理包括：
根据各所述子时间段的所述历史空调负荷基础数据确定未来时间段的第一空调负荷预测数据；
获取所述未来时间段的负荷影响统计数据，其中，所述负荷影响统计数据包括天气预测数据；
根据所述负荷影响统计数据对所述第一空调负荷预测数据进行修正，以得到第二空调负荷预测数据；
根据所述第二空调负荷预测数据对所述公共建筑进行所述空调负荷管理。
3.根据权利要求2所述的空调负荷管理调节方法，其特征在于，所述负荷影响统计数据还包括人流量预估数据和人员密度预估数据；所述根据各所述子时间段的所述历史空调负荷基础数据对所述公共建筑进行空调负荷管理还包括：
确定所有的所述公共建筑的所述人流量预估数据的流量平均值和所述人员密度预估数据的密度平均值；
根据各所述公共建筑的所述人流量预估数据与所述流量平均值的对比情况以及各所述公共建筑的所述人员密度预估数据与所述密度平均值的对比情况，确定各所述公共建筑的供电优先级；
根据所述供电优先级和所述第二空调负荷预测数据对所述公共建筑进行所述空调负荷管理。
4.根据权利要求2所述的空调负荷管理调节方法，其特征在于，所述根据各所述子时间段的所述历史空调负荷基础数据确定未来时间段的第一空调负荷预测数据包括：
根据各所述子时间段以及各所述子时间段的历史空调负荷基础数据，建立趋势模型和/或回归模型；
根据所述趋势模型和/或所述回归模型确定所述未来时间段的所述第一空调负荷预测数据。
5.根据权利要求1-4任一项所述的空调负荷管理调节方法，其特征在于，所述获取公共建筑在预设时间段内的历史空调负荷数据和历史负荷影响数据包括：
根据所述公共建筑的类型和/或所述历史空调负荷数据确定所述公共建筑在所述预设时间段内的主要作业时间段；
确定所述公共建筑在所述主要作业时间段内的所述历史空调负荷数据和所述历史负荷影响数据。
6.一种计算设备，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1-5中任一项所述的空调负荷管理调节方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-5中任一项所述的空调负荷管理调节方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311084802.0A CN116817415B (zh) | 2023-08-28 | 2023-08-28 | 一种空调负荷管理调节方法、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311084802.0A CN116817415B (zh) | 2023-08-28 | 2023-08-28 | 一种空调负荷管理调节方法、计算设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116817415A CN116817415A (zh) | 2023-09-29 |
| CN116817415B true CN116817415B (zh) | 2024-01-12 |
Family
ID=88141357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311084802.0A Active CN116817415B (zh) | 2023-08-28 | 2023-08-28 | 一种空调负荷管理调节方法、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116817415B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111181151A (zh) * | 2019-10-18 | 2020-05-19 | 浙江海洋大学 | 一种预估用电负荷并进行控制的智能电网控制方法 |
| CN112865093A (zh) * | 2021-03-01 | 2021-05-28 | 同济大学 | 一种短时电力负荷组合式预测方法 |
| CN113657936A (zh) * | 2021-08-17 | 2021-11-16 | 国网河北省电力有限公司邢台供电分公司 | 电力负荷预测方法及终端 |
| CN113850432A (zh) * | 2021-09-24 | 2021-12-28 | 广东电网有限责任公司 | 一种电力负荷数据的预测方法、***、设备和介质 |
| EP3968247A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Power load data prediction method and device, and storage medium |
| CN115392690A (zh) * | 2022-08-23 | 2022-11-25 | 中如信息科技有限公司 | 一种智慧园区运维管理*** |
| CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
| CN116307215A (zh) * | 2023-03-24 | 2023-06-23 | 广东电网有限责任公司广州供电局 | 一种电力***的负荷预测方法、装置、设备及存储介质 |
| CN116468138A (zh) * | 2022-12-06 | 2023-07-21 | 国网(北京)综合能源规划设计研究院有限公司 | 空调负荷预测方法、***、电子设备及计算机存储介质 |
-
2023
- 2023-08-28 CN CN202311084802.0A patent/CN116817415B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3968247A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Power load data prediction method and device, and storage medium |
| CN111181151A (zh) * | 2019-10-18 | 2020-05-19 | 浙江海洋大学 | 一种预估用电负荷并进行控制的智能电网控制方法 |
| CN112865093A (zh) * | 2021-03-01 | 2021-05-28 | 同济大学 | 一种短时电力负荷组合式预测方法 |
| CN113657936A (zh) * | 2021-08-17 | 2021-11-16 | 国网河北省电力有限公司邢台供电分公司 | 电力负荷预测方法及终端 |
| CN113850432A (zh) * | 2021-09-24 | 2021-12-28 | 广东电网有限责任公司 | 一种电力负荷数据的预测方法、***、设备和介质 |
| CN115392690A (zh) * | 2022-08-23 | 2022-11-25 | 中如信息科技有限公司 | 一种智慧园区运维管理*** |
| CN116468138A (zh) * | 2022-12-06 | 2023-07-21 | 国网(北京)综合能源规划设计研究院有限公司 | 空调负荷预测方法、***、电子设备及计算机存储介质 |
| CN116307215A (zh) * | 2023-03-24 | 2023-06-23 | 广东电网有限责任公司广州供电局 | 一种电力***的负荷预测方法、装置、设备及存储介质 |
| CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116817415A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cancelo et al. | Forecasting the electricity load from one day to one week ahead for the Spanish system operator | |
| US20060167591A1 (en) | Energy and cost savings calculation system | |
| JP5743881B2 (ja) | 電力管理システム、電力管理方法、需要家端末及び電力管理装置 | |
| US20140222232A1 (en) | Energy search engine methods and systems | |
| US11720134B2 (en) | Method and system for predicting potential future energy consumption of built environment | |
| US20150331023A1 (en) | Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data | |
| Inderfurth | How to protect against demand and yield risks in MRP systems | |
| US9658263B2 (en) | Methods and systems for measurement and verification weighting with temperature distribution | |
| US20190086878A1 (en) | Systems and methods for determining baseline consumption | |
| Touretzky et al. | Building-level power demand forecasting framework using building specific inputs: Development and applications | |
| US20180248370A1 (en) | Methods and systems for energy use normalization and forecasting | |
| KR20190103661A (ko) | 실내 데이터와 실외 데이터를 모두 반영한 실내 미세먼지 예측방법 | |
| Li et al. | System identification and data fusion for on-line adaptive energy forecasting in virtual and real commercial buildings | |
| JP6705716B2 (ja) | 電力需要予測方法および電力需要予測プログラム | |
| KR20060083791A (ko) | 시설물 관리 시스템 | |
| KR101865924B1 (ko) | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 | |
| CN113743667A (zh) | 一种台区用电量预测方法、装置、设备及存储介质 | |
| CN116817415B (zh) | 一种空调负荷管理调节方法、计算设备及存储介质 | |
| TWI503780B (zh) | 契約容量最佳化系統及最佳化方法 | |
| US20230367033A1 (en) | Automated system and method for managing weather related energy use | |
| Janjic et al. | Designing an electricity distribution reward-penalty scheme based on spatial reliability statistics | |
| CN116485445A (zh) | 基于数据自动采集处理的新能源电力现货交易辅助*** | |
| WO2022162798A1 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
| JP6086561B1 (ja) | 部分供給制御装置、部分供給方法および部分供給用プログラム | |
| Bozorgi et al. | Improving energy retrofit decisions by including uncertainty in the energy modelling process |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |