一种建筑物空调系统的负荷预测方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种建筑物空调系统的负荷预测方法、装置及电子设备，属于数据处理技术领域。本发明专利技术首先获取目标建筑周围的气象特征以及目标建筑内的热源散热特征，然后对获取的数据进行预处理，最后基于预处理后的数据，利用预设的负荷预测模型，确定目标建筑在未来一段时间内的预测负荷。本发明专利技术根据建筑结构中冷热负荷热传递的物理原理增加了影响冷热负荷的气象因素、人员因素、设备散热特征，使得负荷预测模型更能够准确地确定在未来一段时间内的预测负荷，从而可以结合中央空调系统的制冷机组制冷能力做负荷匹配和按需供给，从而达到节能的目的。进而解决了现有的建筑物空调系统的负荷预测方法的准确性低的技术问题。的负荷预测方法的准确性低的技术问题。的负荷预测方法的准确性低的技术问题。

【技术实现步骤摘要】
一种建筑物空调系统的负荷预测方法、装置及电子设备


[0001]本专利技术涉及数据处理
，并且更具体地，涉及一种建筑物空调系统的负荷预测方法、装置及电子设备。

技术介绍

[0002]中央空调系统主要工作原理是将室内热空气经冷水机组中的制冷剂循环，带走热量达到降低室内温度的效果。此热量交换过程中需要制冷机组满足热交换的制冷量称为制冷机组的冷负荷(制热模式时称为热负荷)。
[0003]在上述物理系统中，冷水主机的冷负荷和室外气象条件、建筑物的建筑特性、时间等诸多因素都有相关性。一般而言当室外温度和湿度变化时，室内外热量交换的速度也会随着增加，那么单位时间内交换的热量不同时为了维持室内适宜的温度冷水主机的冷负荷也会随着变化。目前在许多建筑内其中央空调系统往往还是依赖于人工手动调节蒸发压力和冷凝压力(或蒸发温度和冷凝温度，其表征了冷水主机的工作能耗)，大多数时候是无法随着室外气象条件、时间因素等诸多外界因素变化而调节主机负荷的；一般而言为了满足极限条件下的冷热负荷，都会设置主机的蒸发压力和冷凝压力都会设置在极限值以满足最大负荷需求，这样往往会导致“大马拉小车”的现象，造成较大的能源浪费。如果能够精准的计算出每个时刻的冷热负荷需求就可以精准控制机组能耗达到节能的效果。
[0004]目前较为常见的冷负荷预测方法有时间序列预测方法和基于建筑模型和流体力学模拟方法。时间序列方法把冷热负荷的历史数据输入ARIMA、SARIMA、LSTM神经网络等时间序列模型，寻找其中的周期性规律完成负荷预测。建筑模型方法则是使用专业软件模拟建筑内部冷热对流进行负荷预测，假设区域内所有建筑都是朝向相同或互成90
°
角且具有相同建筑材质的矩形建筑，利用能耗软件进行模拟完成冷负荷预测。
[0005]中国专利CN114298430A提出了一种基于人工智能LSTM神经网络的冷负荷预测方法，其方法使用了日期、建筑使用情况，人流量，室内外空气温湿度、太阳辐射、地面反射和地面辐射、电机设备开启数量等16个参数，使用LSTM神经网络模型拟合上述特征关于冷负荷的多项式方程，完成负荷预测。
[0006]中国专利CN113449909A提出了一种基于改进LSTM神经网络的空调冷负荷预测方法，其选择了气温、降雨等几个气象因素作为模型的输入特征，将数据首先经过CNN卷积层提取输入输出之间的短期依赖，然后使用LSTM模型结合自回归注意力机制增加模型对输入特征的敏感程度从而达到更好的预测精准度。
[0007]中国专利CN115391875A提出了基于Transformer模型的短期建筑冷负荷预测模型的建立方法，其方法中选取建筑冷负荷预测所需的特征变量，包括天气特征变量和时间特征变量；做相关性分析并选取相互线性独立的特征变量作为预测模型的输入数据，完成短期冷负荷预测模型。
[0008]基于气象因素时间序列的冷负荷预测方法将空调负荷视为与只与气象因素相关的周期性变化特征，但是冷负荷的变化往往和气象、人流等其他非周期性因素相关，在这些
因素发生大的变化时预测效果并不理想。
[0009]另外，使用基于RNN、LSTM、Transformer等神经网络黑箱模型在实际训练中总是会出现时滞现象，即模型总是会将上一时刻的目标值作为下一时刻模型的预测值，其根本原因是模型未从历史数据中学习到有用的信息，综合来看对于复杂的神经网络模型需要较多超参数来调整网络结构，训练网络的过程往往也较为费时。
[0010]由此可见，现有的建筑物空调系统的负荷预测方法的准确性低。

技术实现思路

[0011]为了解决现有的建筑物空调系统的负荷预测方法的准确性低的技术问题，本专利技术提供一种建筑物空调系统的负荷预测方法、装置及电子设备。
[0012]根据本专利技术的一个方面，提供了一种建筑物空调系统的负荷预测方法，包括：
[0013]获取目标建筑的地理位置处的气象特征，获取目标建筑内与负荷相关的热源散热特征；
[0014]对气象特征和热源散热特征进行数据预处理；
[0015]基于预处理后的气象特征和热源散热特征，利用预设的负荷预测模型，确定目标建筑在未来一段时间内的预测负荷。
[0016]可选地，所述获取目标建筑内与负荷相关的热源散热特征，包括：
[0017]获取目标建筑内的人员散热特征；
[0018]获取目标建筑内的设备散热特征。
[0019]可选地，所述对气象特征和热源散热特征进行数据预处理，包括：
[0020]对气象特征和热源散热特征进行缺失值补齐；
[0021]对气象特征和热源散热特征进行数据清洗；
[0022]对气象特征和热源散热特征进行归一化处理。
[0023]可选地，所述基于预处理后的气象特征和热源散热特征，利用预设的负荷预测模型，确定目标建筑在未来一段时间内的负荷之前，还包括：
[0024]根据目标建筑特性和制冷制热系统的最大滞后时间，确定负荷预测模型的输入特征的数据长度以及模型预测的时间长度。
[0025]可选地，建筑物空调系统的负荷预测方法还包括通过以下方式训练负荷预测模型：
[0026]采集样本数据集，其中样本数据集包括目标建筑的地理位置处的历史气象特征以及目标建筑内与负荷相关的历史热源散热特征；
[0027]对样本数据集进行预处理，并将预处理后的样本数据集分为训练数据集和测试数据集；
[0028]基于LSTM神经网络、Seq2Seq神经网络以及LuongAttention注意力机制，搭建负荷预测模型；
[0029]利用训练数据集训练负荷预测模型，直至满足精度要求。
[0030]根据本专利技术的又一个方面，提供了一种建筑物空调系统的负荷预测装置，包括：
[0031]特征获取模块，用于获取目标建筑的地理位置处的气象特征，获取目标建筑内与负荷相关的热源散热特征；
[0032]预处理模块，用于对气象特征和热源散热特征进行数据预处理；
[0033]负荷预测模块，用于基于预处理后的气象特征和热源散热特征，利用预设的负荷预测模型，确定目标建筑在未来一段时间内的预测负荷。
[0034]可选地，所述特征获取模块，具体用于：
[0035]获取目标建筑内的人员散热特征；
[0036]获取目标建筑内的设备散热特征。
[0037]根据本专利技术的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本专利技术上述任一方面所述的方法。
[0038]根据本专利技术的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本专利技术上述任一方面所述的方法。
[0039]本专利技术首先获取目标建筑周围的气象特征以及目标建筑内的热源散热特征，然后对获取的数据进行预处理，最后基于预处理后的数据，利用预设的负荷预测模型，确定目标建筑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建筑物空调系统的负荷预测方法，其特征在于，包括：获取目标建筑的地理位置处的气象特征，获取目标建筑内与负荷相关的热源散热特征；对气象特征和热源散热特征进行数据预处理；基于预处理后的气象特征和热源散热特征，利用预设的负荷预测模型，确定目标建筑在未来一段时间内的预测负荷。2.根据权利要求1所述的方法，其特征在于，所述获取目标建筑内与负荷相关的热源散热特征，包括：获取目标建筑内的人员散热特征；获取目标建筑内的设备散热特征。3.根据权利要求1所述的方法，其特征在于，所述对气象特征和热源散热特征进行数据预处理，包括：对气象特征和热源散热特征进行缺失值补齐；对气象特征和热源散热特征进行数据清洗；对气象特征和热源散热特征进行归一化处理。4.根据权利要求1所述的方法，其特征在于，所述基于预处理后的气象特征和热源散热特征，利用预设的负荷预测模型，确定目标建筑在未来一段时间内的负荷之前，还包括：根据目标建筑特性和制冷制热系统的最大滞后时间，确定负荷预测模型的输入特征的数据长度以及模型预测的时间长度。5.根据权利要求1所述的方法，其特征在于，还包括通过以下方式训练负荷预测模型：采集样本数据集，其中样本数据集包括目标建筑的地理位置处的历史气象特征以及目标建筑内与负荷相关的历史热源散热特征；对样本数据集进行预处理，并将预处理后的样本数据集分为训练数据集...

【专利技术属性】
技术研发人员：丁柯豪，张珂鑫，陈峰，刘洪涛，刘江涛，
申请(专利权)人：广东热矩智能科技有限公司，
类型：发明
国别省市：