CN117515802A - 计及空调运行状态的定频中央空调日前负荷预测方法 - Google Patents
计及空调运行状态的定频中央空调日前负荷预测方法 Download PDFInfo
- Publication number
- CN117515802A CN117515802A CN202311552798.6A CN202311552798A CN117515802A CN 117515802 A CN117515802 A CN 117515802A CN 202311552798 A CN202311552798 A CN 202311552798A CN 117515802 A CN117515802 A CN 117515802A
- Authority
- CN
- China
- Prior art keywords
- central air
- air conditioner
- air conditioning
- period
- conditioning system
- 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 33
- 238000004378 air conditioning Methods 0.000 claims abstract description 83
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000010219 correlation analysis Methods 0.000 claims abstract description 15
- 230000033228 biological regulation Effects 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000002068 genetic effect Effects 0.000 claims description 26
- 230000014759 maintenance of location Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 7
- 230000000644 propagated effect Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000036316 preload Effects 0.000 claims 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
- F24F11/47—Responding to energy costs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种计及空调运行状态的定频中央空调日前负荷预测方法,通过获取历史时段的n组监测数据;对监测数据进行归一化处理得出无量纲的新数据,并将影响中央空调冷量需求因素的新数据分别进行与中央空调***负荷率的相关性分析,根据相关性分析结果分配权重,得到贡献值历史数据序列;建立EPGA‑BPNN模型;得到预测时段前设定时段的的贡献值数据序列;输入训练后的EPGA‑BPNN模型,得到预测时段的中央空调***负荷率;判定预测时段的中央空调***的运行状态,制定预测时段相应的调控策略;该方法能够提高中央空调日前负荷预测的准确性,能够实现对中央空调的精准调控,适用于空调负荷和运行阶段预测。
Description
技术领域
本发明涉及一种计及空调运行状态的定频中央空调日前负荷预测方法,属于中央空调负荷预测技术领域。
背景技术
随着中国经济高速化发展,城市中建筑规模不断扩大,中央空调***作为建筑主要耗能设备之一,其用电在城市用电中占很大比例。对中央空调负荷预测及调控策略研究,可以大大降低其自身能耗,能很好地实现降低空调运行费用、节能减排的目的。
中央空调负荷预测一般利用数学模型和算法来预测未来一段时间内中央空调***的负荷情况。中央空调负荷预测通常涉及到多个影响空调状态的因素,包括室内外温湿度、风速、人流量、建筑物本身情况等。通过收集和分析这些数据,可以建立预测模型。建立预测模型方法包括机理建模、数据驱动建模等。机理建模又称为白箱建模,是根据被研究对象的内部结构原理、各传热介质变化、各外部相关因素建立模型。基于机理建立的模型非常繁琐,在设计控制器时需要计算大量的微分方程,因此在工程应用中会有很大的局限性。数据驱动建模又称为黑箱模型,数据驱动模型是利用***实验数据进行建模,不需要大量的理论知识,只需对实验数据进行分析并通过输入输出之间的关系来建立模型结构。
目前,中央空调负荷预测模型及调控策略研究还处于初步阶段,中央空调负荷资源采集精准度不高,调控精细化水平不足,亟待挖掘中央空调负荷更精准的预测方法。因此,研究一种计及空调运行状态的定频中央空调日前负荷预测方法,有利于中央空调负荷精准调控,实现与电网调度的灵活互动。
上述问题是在计及空调运行状态的定频中央空调日前负荷预测过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种计及空调运行状态的定频中央空调日前负荷预测方法解决现有技术中存在的中央空调日前负荷预测的准确性有待提高的问题。
本发明的技术解决方案是:
一种计及空调运行状态的定频中央空调日前负荷预测方法,包括以下步骤,
S1、获取历史时段的n组监测数据,每组监测数据包括影响中央空调冷量需求的因素和中央空调***运行总功率;
S2、对监测数据进行归一化处理得出无量纲的新数据,并将影响中央空调冷量需求因素的新数据分别进行与中央空调***负荷率的相关性分析,根据相关性分析结果分配权重,得到各无量纲的新数据对中央空调***负荷率的贡献值历史数据序列;
S3、建立基于精英保留策略遗传算法EPGA改进的反向传播神经网络模型即EPGA-BPNN模型,将贡献值历史数据序列作为输入数据,结合历史时段的中央空调***负荷率,对EPGA-BPNN模型进行训练后,得到训练后的EPGA-BPNN模型;
S4、获取预测时段前设定时段的的监测数据,并得到预测时段前设定时段的的贡献值数据序列;
S5、将预测时段前设定时段的贡献值数据序列输入训练后的EPGA-BPNN模型,得到预测时段的中央空调***负荷率;
S6、根据步骤S5得到的预测时段的中央空调***负荷率,判定预测时段的中央空调***的运行状态,根据运行状态制定预测时段相应的调控策略。
进一步地,步骤S1中,获取历史时段的n组监测数据,每组监测数据包括影响中央空调冷量需求的因素和中央空调***运行总功率,具体为,采集n组影响中央空调冷量需求的因素包括室内温度Tin、室内湿度Hin、室外温度Tout、室外湿度Hout和冷冻水温度Tcw;并采集对应的中央空调***运行总功率为Pair;得到n组监测数据{Tin,Hin,Tout,Hout,Tcw,Pair}。
进一步地,步骤S2中,对监测数据进行归一化处理得出无量纲的新数据,具体为,归一化处理监测数据:
其中,序列x1,x2,x3,x4,x5分别表示输入变量室内温度Tin、室内湿度Hin、室外温度Tout、室外湿度Hout、冷冻水温度Tcw,序列x6为中央空调***运行总功率为Pair的数据序列,即{x1=Tin,x2=Hin,x3=Tout,x4=Hout,x5=Tcw,x6=Pair},进行变换后获得输出量y1,y2,y3,y4,y5,y6∈[0,1],该输出量为无量纲的新数据。
进一步地,步骤S2中,将影响中央空调冷量需求因素的新数据分别进行与中央空调***负荷率的相关性分析:
其中,i=1,2,...,6,k=1,2,...,n,LR(k)为中央空调***负荷率序列,为母序列;yi(k)为第i个标准化输出序列,为子序列;f(LR(k),yi(k))表示第i个子序列与母序列对应维度上的关联性,取值范围在0~1之间,0表示不相关,1表示强关联性,数字越大,代表关联性越强;ρ为分辨系数;p、q分别为两级最小差和两级最大差:
进一步地,步骤S2中,根据相关性分析结果分配权重,得到各无量纲的新数据对中央空调***负荷率的贡献值历史数据序列,具体为,根据相关性分析结果分配权重A1,A2,A3,A4,A5,A6,将经过归一化处理的数据序列y1,y2,y3,y4,y5,y6乘以分配的权重值,得到对负荷率的贡献值历史数据序列:ycvi(k)=yi·Ai,其中,i=1,2,...,6,k=1,2,...,n。
进一步地,步骤S3中,基于精英保留策略遗传算法EPGA改进的反向传播神经网络模型即EPGA-BPNN模型包括反向传播神经网络模型即BPNN模型和参数优化模块,
BPNN模型:将历史时段中w-v时刻至w时刻的贡献值历史数据序列作为输入数据,进行前向传播,并得到w+1时刻至w+u时刻的预测负荷率;将得到的预测负荷率和历史时段的对应的中央空调***运行总功率之间的误差进行反向传播;
参数优化模块:采用精英保留策略遗传算法EPGA对BPNN模型的网络参数进行迭代优化,得到优化后的BPNN模型的网络参数。
进一步地,步骤S3中,将贡献值历史数据序列作为输入数据,结合历史时段的中央空调***负荷率,对EPGA-BPNN模型进行训练后,得到训练后的EPGA-BPNN模型,具体为,
S31、将历史时段中w-v时刻至w时刻的贡献值历史数据序列,输入EPGA-BPNN模型的BPNN模型,输出w+1时刻至w+u时刻的中央空调***负荷率预测值序列;
S32、由中央空调***负荷率预测值序列和历史时段的中央空调***运行总功率,计算预测误差的损失函数Loss;
S33、对BPNN模型的网络参数进行初始化,将初始化后的网络参数作为初始的参数种群;
S34、在预测误差的损失函数Loss反向传播时,使用精英保留策略遗传算法EPGA对参数种群迭代更新,重复步骤S31-S34直至损失函数小于设定值或达到设定次数后,求解得到最优网络参数值;
S35、赋值最优网络参数值给BPNN模型,得到训练后的EPGA-BPNN模型。
进一步地,步骤S34中,在预测误差的损失函数Loss反向传播时,使用精英保留策略遗传算法EPGA对参数种群迭代更新,具体为,
S341、精英保留策略遗传算法EPGA的参数种群记为其中,x代表种群个体,k代表种群代数;
S342、在每次迭代时,将损失函数Loss作为个体的适应度函数值,将种群中表现最佳的个体即适应度函数值最高的个体直接复制到下一代中;
S343、旧种群在保持整体规模不变的前提下,将旧种群/>的其他个体通过遗传算子操作生成的新个体以及种群中表现最佳的个体一同组成新种群/>对新/>再次进化时重新计算个体的适应度函数值;将种群中表现最佳的个体作为最优网络参数值。
进一步地,步骤S6中,预测时段的中央空调***的运行状态包括启动阶段、运行阶段和停止阶段。
进一步地,步骤S6中,根据步骤S5得到的预测时段的中央空调***负荷率,判定预测时段的中央空调***的运行状态,具体为,
在预测时段的负荷率中,有以下三种情况中任一种判定为启动阶段:
情况一:负荷率呈现持续上升,且起始时刻的负荷率与终止时刻的负荷率上升变化速率在第一设定区间;
情况二:预测时段中存在时段的负荷率达到第二设定区间内;
情况三:负荷率呈现持续下降,且起始时刻的负荷率与终止时刻的负荷率下降变化速率在第三设定区间内;
在预测时段的负荷率保持在设定范围内时,负荷率变化速率在第四设定区间内时,判定为运行阶段;
起始时刻的负荷率与终止时刻的负荷率下降变化速率在第五设定区间内,且负荷率下降至0,判定为停止阶段。
本发明的有益效果是:该种计及空调运行状态的定频中央空调日前负荷预测方法,针对定频中央空调日前负荷预测,考虑空调运行状态,采用EPGA-BPNN模型对空调负荷率进行预测,根据负荷率判断预测时段的空调运行阶段,能够提高中央空调日前负荷预测的准确性,能够实现对中央空调的精准调控,适用于空调负荷和运行阶段预测。
附图说明
图1是本发明实施例计及空调运行状态的定频中央空调日前负荷预测方法的流程示意图;
图2是实施例中使用精英保留策略遗传算法EPGA对参数种群迭代更新的说明示意图;
图3是实施例中中央空调***的运行状态对应的负荷率变化趋势的示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种计及空调运行状态的定频中央空调日前负荷预测方法,如图1,包括以下步骤,
S1、获取历史时段的n组监测数据,每组监测数据包括影响中央空调冷量需求的因素和中央空调***运行总功率。
步骤S1中,获取历史时段的n组监测数据,每组监测数据包括影响中央空调冷量需求的因素和中央空调***运行总功率,具体为,采集n组影响中央空调冷量需求的因素包括室内温度Tin、室内湿度Hin、室外温度Tout、室外湿度Hout和冷冻水温度Tcw,通过温湿度传感器采集;并采集对应的中央空调***运行总功率为Pair;得到n组监测数据{Tin,Hin,Tout,Hout,Tcw,Pair}。
S2、对监测数据进行归一化处理得出无量纲的新数据,并将影响中央空调冷量需求因素的新数据分别进行与中央空调***负荷率的相关性分析,根据相关性分析结果分配权重,得到各无量纲的新数据对中央空调***负荷率的贡献值历史数据序列。
步骤S2中,对监测数据进行归一化处理得出无量纲的新数据,具体为,归一化处理监测数据:
其中,序列x1,x2,x3,x4,x5分别表示输入变量室内温度Tin、室内湿度Hin、室外温度Tout、室外湿度Hout、冷冻水温度Tcw,序列x6为中央空调***运行总功率为Pair的数据序列,即{x1=Tin,x2=Hin,x3=Tout,x4=Hout,x5=Tcw,x6=Pair},进行变换后获得输出量y1,y2,y3,y4,y5,y6∈[0,1],该输出量为无量纲的新数据。
步骤S2中,将影响中央空调冷量需求因素的新数据分别进行与中央空调***负荷率的相关性分析:
其中,i=1,2,...,6,k=1,2,...,n,LR(k)为中央空调***负荷率序列,为母序列;yi(k)为第i个标准化输出序列,为子序列;f(LR(k),yi(k))表示第i个子序列与母序列对应维度上的关联性,取值范围在0~1之间,0表示不相关,1表示强关联性,数字越大,代表关联性越强;ρ为分辨系数;p、q分别为两级最小差和两级最大差:
步骤S2中,根据相关性分析结果分配权重,得到各无量纲的新数据对中央空调***负荷率的贡献值历史数据序列,具体为,根据相关性分析结果分配权重A1,A2,A3,A4,A5,A6,将经过归一化处理的数据序列y1,y2,y3,y4,y5,y6乘以分配的权重值,得到对负荷率的贡献值历史数据序列:ycvi(k)=yi·Ai,其中,i=1,2,...,6,k=1,2,...,n。
S3、建立基于精英保留策略遗传算法EPGA改进的反向传播神经网络模型即EPGA-BPNN模型,将贡献值历史数据序列作为输入数据,结合历史时段的中央空调***负荷率,对EPGA-BPNN模型进行训练后,得到训练后的EPGA-BPNN模型。
步骤S3中,基于精英保留策略遗传算法EPGA改进的反向传播神经网络模型即EPGA-BPNN模型包括反向传播神经网络模型即BPNN模型和参数优化模块,
BPNN模型:将历史时段中w-v时刻至w时刻的贡献值历史数据序列作为输入数据,进行前向传播,并得到w+1时刻至w+u时刻的预测负荷率;将得到的预测负荷率和历史时段的对应的中央空调***运行总功率之间的误差进行反向传播;
参数优化模块:采用精英保留策略遗传算法EPGA对BPNN模型的网络参数进行迭代优化,得到优化后的BPNN模型的网络参数。
步骤S3中,将贡献值历史数据序列作为输入数据,结合历史时段的中央空调***负荷率,对EPGA-BPNN模型进行训练后,得到训练后的EPGA-BPNN模型,具体为,
S31、将历史时段中w-v时刻至w时刻的贡献值历史数据序列,输入EPGA-BPNN模型的BPNN模型,输出w+1时刻至w+u时刻的中央空调***负荷率预测值序列;
S32、由中央空调***负荷率预测值序列和历史时段的中央空调***运行总功率,计算预测误差的损失函数Loss;
S33、对BPNN模型的网络参数进行初始化,将初始化后的网络参数作为初始的参数种群;
S34、在预测误差的损失函数Loss反向传播时,使用精英保留策略遗传算法EPGA对参数种群迭代更新,重复步骤S31-S34直至损失函数小于设定值或达到设定次数后,求解得到最优网络参数值;
步骤S34中,在预测误差的损失函数Loss反向传播时,使用精英保留策略遗传算法EPGA对参数种群迭代更新,具体为,如图2:
S341、精英保留策略遗传算法EPGA的参数种群记为其中,x代表种群个体,k代表种群代数;
S342、在每次迭代时,将损失函数Loss作为个体的适应度函数值,将种群中表现最佳的个体即适应度函数值最高的个体直接复制到下一代中;
S343、旧种群在保持整体规模不变的前提下,将旧种群/>的其他个体通过遗传算子操作生成的新个体以及种群中表现最佳的个体一同组成新种群/>对新/>再次进化时重新计算个体的适应度函数值;将种群中表现最佳的个体作为最优网络参数值。
S35、赋值最优网络参数值给BPNN模型,得到训练后的EPGA-BPNN模型。
步骤S3中,参数优化模块采用精英保留策略遗传算法EPGA对BPNN模型求解最优网络参数。EPGA算法种群中每个个体代表BPNN模型的一组网络参数,包含BPNN模型全部的权重和阈值,精英保留策略遗传算法EPGA迭代时将BPNN输出值和真实值的均方误差函数Loss作为评价个体表现的适应度函数。
步骤S3中,精英保留策略遗传算法EPGA的种群记为(其中x代表种群个体,k代表种群代数),EPGA采用/>迭代更新的方式寻找最优个体,在每次迭代时将种群中表现最佳的个体直接复制到下一代中;旧种群/>在保持整体规模不变的前提下,根据Loss函数计算结果保留/>中表现最佳的一组网络参数,与其他个体通过遗传算子操作生成的新个体一同组成新种群/>在/>再次进化的时候重新计算个体的适应度函数值。
S4、获取预测时段前设定时段的的监测数据,并得到预测时段前设定时段的的贡献值数据序列。
步骤S4中,对获取预测时段前设定时段的的监测数据,采用与步骤S2相同方法得到预测时段前设定时段的的贡献值数据序列。
S5、将预测时段前设定时段的贡献值数据序列输入训练后的EPGA-BPNN模型,得到预测时段的中央空调***负荷率。
步骤S5中,使用T-n时刻至T时刻的贡献值数据序列输入训练后的EPGA-BPNN模型,预测出预测时段即T+1时刻至T+m时刻的空调负荷率LRfv(j),其中,j=1,2,...,m。
步骤S5中,中央空调***负荷率=中央空调***负荷量/中央空调***各设备额定功率总和。中央空调***各设备额定功率总和为定值,所以对中央空调***负荷率进行预测也称为中央空调负荷预测。
S6、根据步骤S5得到的预测时段的中央空调***负荷率,判定预测时段的中央空调***的运行状态,根据运行状态制定预测时段相应的调控策略。
步骤S6中,预测时段的中央空调***的运行状态包括启动阶段、运行阶段和停止阶段。
步骤S6中,根据步骤S5得到的预测时段的中央空调***负荷率,判定预测时段的中央空调***的运行状态,具体为,
在预测时段的负荷率中,有以下三种情况中任一种判定为启动阶段:
情况一:负荷率呈现持续上升,且起始时刻的负荷率与终止时刻的负荷率上升变化速率在第一设定区间如[180,570],区间单位为%/1h;
情况二:预测时段中存在时段的负荷率达到第二设定区间如[80,100]内,区间单位为%;
情况三:负荷率呈现持续下降,且起始时刻的负荷率与终止时刻的负荷率下降变化速率在第三设定区间如[20,34]内,区间单位为%;
在预测时段的负荷率保持在设定范围如50%至80%内时,负荷率变化速率在第四设定区间如[0,14]内时,区间单位为%/1h,判定为运行阶段;
起始时刻的负荷率与终止时刻的负荷率下降变化速率在第五设定区间[300,420]内,区间单位为%/1h,且负荷率下降至0,判定为停止阶段。
该种计及空调运行状态的定频中央空调日前负荷预测方法,针对定频中央空调日前负荷预测,考虑空调运行状态,采用EPGA-BPNN模型对空调负荷率进行预测,根据负荷率判断预测时段的空调运行阶段,能够提高中央空调日前负荷预测的准确性,能够实现对中央空调的精准调控,适用于空调负荷和运行阶段预测。
以上仅为本发明的较佳实施例,但并不限制本发明的专利范围,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (10)
1.一种计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:包括以下步骤,
S1、获取历史时段的n组监测数据,每组监测数据包括影响中央空调冷量需求的因素和中央空调***运行总功率;
S2、对监测数据进行归一化处理得出无量纲的新数据,并将影响中央空调冷量需求因素的新数据分别进行与中央空调***负荷率的相关性分析,根据相关性分析结果分配权重,得到各无量纲的新数据对中央空调***负荷率的贡献值历史数据序列;
S3、建立基于精英保留策略遗传算法EPGA改进的反向传播神经网络模型即EPGA-BPNN模型,将贡献值历史数据序列作为输入数据,结合历史时段的中央空调***负荷率,对EPGA-BPNN模型进行训练后,得到训练后的EPGA-BPNN模型;
S4、获取预测时段前设定时段的的监测数据,并得到预测时段前设定时段的的贡献值数据序列;
S5、将预测时段前设定时段的贡献值数据序列输入训练后的EPGA-BPNN模型,得到预测时段的中央空调***负荷率;
S6、根据步骤S5得到的预测时段的中央空调***负荷率,判定预测时段的中央空调***的运行状态,根据运行状态制定预测时段相应的调控策略。
2.如权利要求1所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S1中,获取历史时段的n组监测数据,每组监测数据包括影响中央空调冷量需求的因素和中央空调***运行总功率,具体为,采集n组影响中央空调冷量需求的因素包括室内温度Tin、室内湿度Hin、室外温度Tout、室外湿度Hout和冷冻水温度Tcw;并采集对应的中央空调***运行总功率为Pair;得到n组监测数据{Tin,Hin,Tout,Hout,Tcw,Pair}。
3.如权利要求1所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S2中,对监测数据进行归一化处理得出无量纲的新数据,具体为,归一化处理监测数据:
其中,序列x1,x2,x3,x4,x5分别表示输入变量室内温度Tin、室内湿度Hin、室外温度Tout、室外湿度Hout、冷冻水温度Tcw,序列x6为中央空调***运行总功率为Pair的数据序列,即{x1=Tin,x2=Hin,x3=Tout,x4=Hout,x5=Tcw,x6=Pair},进行变换后获得输出量y1,y2,y3,y4,y5,y6∈[0,1],该输出量为无量纲的新数据。
4.如权利要求1-3任一项所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S2中,将影响中央空调冷量需求因素的新数据分别进行与中央空调***负荷率的相关性分析:
其中,i=1,2,...,6,k=1,2,...,n,LR(k)为中央空调***负荷率序列,为母序列;yi(k)为第i个标准化输出序列,为子序列;f(LR(k),yi(k))表示第i个子序列与母序列对应维度上的关联性,取值范围在0~1之间,0表示不相关,1表示强关联性,数字越大,代表关联性越强;ρ为分辨系数;p、q分别为两级最小差和两级最大差:
5.如权利要求1-3任一项所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S2中,根据相关性分析结果分配权重,得到各无量纲的新数据对中央空调***负荷率的贡献值历史数据序列,具体为,根据相关性分析结果分配权重A1,A2,A3,A4,A5,A6,将经过归一化处理的数据序列y1,y2,y3,y4,y5,y6乘以分配的权重值,得到对负荷率的贡献值历史数据序列:ycvi(k)=yi·Ai,其中,i=1,2,...,6,k=1,2,...,n。
6.如权利要求1-3任一项所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S3中,基于精英保留策略遗传算法EPGA改进的反向传播神经网络模型即EPGA-BPNN模型包括反向传播神经网络模型即BPNN模型和参数优化模块,
BPNN模型:将历史时段中w-v时刻至w时刻的贡献值历史数据序列作为输入数据,进行前向传播,并得到w+1时刻至w+u时刻的预测负荷率;将得到的预测负荷率和历史时段的对应的中央空调***运行总功率之间的误差进行反向传播;
参数优化模块:采用精英保留策略遗传算法EPGA对BPNN模型的网络参数进行迭代优化,得到优化后的BPNN模型的网络参数。
7.如权利要求1-3任一项所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S3中,将贡献值历史数据序列作为输入数据,结合历史时段的中央空调***负荷率,对EPGA-BPNN模型进行训练后,得到训练后的EPGA-BPNN模型,具体为,
S31、将历史时段中w-v时刻至w时刻的贡献值历史数据序列,输入EPGA-BPNN模型的BPNN模型,输出w+1时刻至w+u时刻的中央空调***负荷率预测值序列;
S32、由中央空调***负荷率预测值序列和历史时段的中央空调***运行总功率,计算预测误差的损失函数Loss;
S33、对BPNN模型的网络参数进行初始化,将初始化后的网络参数作为初始的参数种群;
S34、在预测误差的损失函数Loss反向传播时,使用精英保留策略遗传算法EPGA对参数种群迭代更新,重复步骤S31-S34直至损失函数小于设定值或达到设定次数后,求解得到最优网络参数值;
S35、赋值最优网络参数值给BPNN模型,得到训练后的EPGA-BPNN模型。
8.如权利要求7所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S34中,在预测误差的损失函数Loss反向传播时,使用精英保留策略遗传算法EPGA对参数种群迭代更新,具体为,
S341、精英保留策略遗传算法EPGA的参数种群记为其中,x代表种群个体,k代表种群代数;
S342、在每次迭代时,将损失函数Loss作为个体的适应度函数值,将种群中表现最佳的个体即适应度函数值最高的个体直接复制到下一代中;
S343、旧种群在保持整体规模不变的前提下,将旧种群/>的其他个体通过遗传算子操作生成的新个体以及种群中表现最佳的个体一同组成新种群/>对新/>再次进化时重新计算个体的适应度函数值;将种群中表现最佳的个体作为最优网络参数值。
9.如权利要求1-3任一项所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S6中,预测时段的中央空调***的运行状态包括启动阶段、运行阶段和停止阶段。
10.如权利要求9所述的计及空调运行状态的定频中央空调日前负荷预测方法,其特征在于:步骤S6中,根据步骤S5得到的预测时段的中央空调***负荷率,判定预测时段的中央空调***的运行状态,具体为,
在预测时段的负荷率中,有以下三种情况中任一种判定为启动阶段:
情况一:负荷率呈现持续上升,且起始时刻的负荷率与终止时刻的负荷率上升变化速率在第一设定区间;
情况二:预测时段中存在时段的负荷率达到第二设定区间内;
情况三:负荷率呈现持续下降,且起始时刻的负荷率与终止时刻的负荷率下降变化速率在第三设定区间内;
在预测时段的负荷率保持在设定范围内时,负荷率变化速率在第四设定区间内时,判定为运行阶段;
起始时刻的负荷率与终止时刻的负荷率下降变化速率在第五设定区间内,且负荷率下降至0,判定为停止阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311552798.6A CN117515802A (zh) | 2023-11-20 | 2023-11-20 | 计及空调运行状态的定频中央空调日前负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311552798.6A CN117515802A (zh) | 2023-11-20 | 2023-11-20 | 计及空调运行状态的定频中央空调日前负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117515802A true CN117515802A (zh) | 2024-02-06 |
Family
ID=89762288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311552798.6A Pending CN117515802A (zh) | 2023-11-20 | 2023-11-20 | 计及空调运行状态的定频中央空调日前负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117515802A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117968208A (zh) * | 2024-03-29 | 2024-05-03 | 中建安装集团有限公司 | 一种环境***控制方法及控制*** |
-
2023
- 2023-11-20 CN CN202311552798.6A patent/CN117515802A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117968208A (zh) * | 2024-03-29 | 2024-05-03 | 中建安装集团有限公司 | 一种环境***控制方法及控制*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jallal et al. | A hybrid neuro-fuzzy inference system-based algorithm for time series forecasting applied to energy consumption prediction | |
CN111695793B (zh) | 一种综合能源***用能灵活性评价方法及*** | |
Yao et al. | Hourly cooling load prediction by a combined forecasting model based on analytic hierarchy process | |
Moradzadeh et al. | Heating and cooling loads forecasting for residential buildings based on hybrid machine learning applications: A comprehensive review and comparative analysis | |
CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
Ma et al. | Reducing the consumption of household systems using hybrid deep learning techniques | |
CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN114623569B (zh) | 一种基于深度强化学习的集群空调负荷差异化调控方法 | |
CN117354171B (zh) | 基于物联网平台的平台健康状况预警方法及*** | |
CN113344192A (zh) | 企业级电机***节能优化自动控制方法及*** | |
CN113048807A (zh) | 一种空冷机组背压异常检测方法 | |
CN115983430A (zh) | 一种综合能源***管理优化的方法及*** | |
CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
Godahewa et al. | Simulation and optimisation of air conditioning systems using machine learning | |
CN108108837A (zh) | 一种地区新能源电源结构优化预测方法和*** | |
CN117313351A (zh) | 一种安全的数据中心优化冷量预测方法与*** | |
CN117515802A (zh) | 计及空调运行状态的定频中央空调日前负荷预测方法 | |
CN116717839A (zh) | 供热控制方法、控制装置和供热*** | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及*** | |
Kaligambe et al. | Indoor Room Temperature and Relative Humidity Estimation in a Commercial Building Using the XGBoost Machine Learning Algorithm | |
CN114091767A (zh) | 数据驱动的综合能源***鲁棒随机规划的方法及*** | |
CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
Du et al. | Prediction of HVAC Energy Consumption Using PSO Optimized Deep Neural Network |
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 |