引言对于建筑空调负荷的准确预测，有助于智能建筑系统更好地进行空调系统控制和电力需求侧响应。以夏季为例，建筑冷负荷主要由外部气象因素引起的冷负荷(即外扰冷负荷)和内部得热引起的冷负荷(即内扰冷负荷)，以及新风处理冷负荷组成。内扰冷负荷主要由建筑内部人员和设备因素引起，外扰冷负荷主要为建筑围护结构温差传热形成的冷负荷和太阳辐射得热形成的冷负荷[1,2]。图1建筑负荷的产生传统建筑中的空调系统控制方式一般为反馈控制，即通过实时比较室内设计温度与实际温度的差值，基于运行调节公式，使室内实际温度逐渐接近设定温度并稳定[3]，此过程存在时间上滞后性且不利于系统节能。近年来，物联网监测技术、计算机技术、大数据技术等先进技术飞速发展，为基于数据和模型算法的前馈控制技术应用提供了广阔空间，前馈控制克服了反馈控制滞后性的特点。对于建筑领域，采用合理的运行调节方式是暖通空调前馈控制的主要途径之一，实行空调负荷预测是实现前馈控制的基础[4]。近年来针对空调系统负荷预测的研究已较为成熟，许多学者将机器学习领域的算法应用到负荷预测的研究中并取得良好效果[5~8]，但将预测模型应用到实际工程的研究较少。通过何种方式将良好的预测模型应用到建筑本身，如何根据建筑的实际数据特点实现自动化负荷预测过程，这些都是亟待解决的问题。基于微服务架构的空调负荷预测中国建研院环能院研发的“高性能智能建筑解决方案”中，基于Python语言，开发了一套自动化空调系统负荷预测的程序，并将该程序独立为一个微服务。微服务架构(MicroserviceArchitecture)是一种架构概念，旨在通过将功能分解到各个离散的服务中以实现对解决方案的解耦。新一代互联网应用架构，将复杂庞大的单体应用分解为多个独立运行，独立处理业务的微型应用。单个应用的功能简单专一，独立部署，独立运行。图2微服务架构中的负荷预测服务基于微服务架构的空调系统负荷预测技术实现思路为：图3基于微服务架构的空调系统负荷预测技术实现思路基于微服务架构的空调系统负荷预测技术，解决了以下几个问题1.1模型输入参数的选取近年来，不断完善的建筑能耗监测系统为基于大数据的负荷预测技术提供了良好的数据基础，建筑实际运行数据的获取是负荷预测实现的必要前提。中国建研院环能院的建筑能耗监测平台已实现了对项目实际数据的监测与获取，监测数据同步上传至数据库，主要数据包括：室外气象参数、室内环境参数以及建筑能耗系统运行状态参数等。图4数据库中的监测数据数据库中的主要配置信息包括：项目数据库信息、项目地点信息、建筑使用时间、训练数据的时间段等。通过读取数据库的配置信息，负荷预测程序可实现对不同项目的数据读取。空调系统负荷的影响因素主要包括室外气象参数(室外温度、室外相对湿度、太阳辐照度等)与室内环境参数(人员在室率、设备开启率等)，建筑的外围护结构热工性能对空调系统负荷也有极大的影响。通过上述分析，室外气象参数需要作为模型的输入，此部分数据可从能耗监测平台获取;室内人员、设备及围护结构、温度水平的影响蕴含在历史数据中，因此历史时刻的负荷值需要作为模型的输入参数;对于不同类型的建筑，建筑的使用时间也不相同，因此时间参数也需要作为模型的输入参数。读取参数后，程序将自动对各个参数与空调负荷之间进行相关性计算，选取对空调负荷影响较大的参数作为最终的模型输入参数。1.2预测模型的最优选择获取建筑的实际运行数据后，程序将数据自动输入不同的算法进行模型训练，程序中主要是基于多元非线性回归算法以及支持向量机算法的预测模型。基于交叉验证的思想，将输入数据按配置信息中的比例分为训练集与测试集，将通过训练集得到的预测模型用于测试集，将测试集的预测值与实际值进行比较计算，评价模型精度。其中，程序在采用不同算法进行训练时，对训练结果的精度比较，选取最优模型为最终的负荷预测模型。图5程序选择的最优模型1.3数据的读出与写入在模型训练之前，程序从数据库中读取项目的历史运行数据，对数据进行预处理和筛选后带入训练模型进行训练，将训练后的模型用于原始数据测试集的预测，通过比较不同模型的预测精度来决定最终的预测模型，并将预测结果返回数据库。返回的参数主要包括：最优模型、最优模型参数、训练数据来源、未来24h的预测负荷等，这些参数返回数据库后，可供展示或调用。图6程序返回数据库的结果实际应用在获得较好的负荷预测模型之后，如何将预测模型用于工程实际中，也是需要解决的问题，程序将通过历史数据获得的负荷预测模型用于实际项目未来24h空调系统负荷预测。与模型训练时相同，对某一时刻进行负荷预测，需要知道该时刻的相关参数，其中，未来24h的时间参数可以由当前时刻直接推导出来，历史时刻负荷值可以按时间从能耗监测系统中提取，而未来时刻的气象参数无法直接获取，需要从气象网站获取未来24h的气象参数预测值。中国气象网提供了全国各个地区的未来24h气象参数预报，如下图所示：图7中国气象网的未来24h气象参数在数据库中配置项目的地点信息，程序将会从中国气象网获取该地区的未来24h气象参数预报。获取未来24h气象参数后，将该部分参数与数据库中获取的历史时刻负荷值按时间对应，即可作为未来24h空调负荷预测的模型输入参数。图8数据库中的项目地点配置信息以中国建研院近零能耗示范楼的负荷预测模型为例，将训练后的预测模型对示范楼年夏季空调负荷进行预测，并与实际值对比，计算决定系数R，预测结果如下：图9实际值与预测值对比图10实际值与预测值的R值根据结算结果可以看出，有94%以上的预测点的真实值与预测值的R值在0.8以上，有84%以上预测点的真实值与预测值的R值在0.9以上，表明该模型具有较高精度。结语基于微服务架构的空调系统负荷预测技术通过数据读取、数据处理、模型训练等关键步骤实现了建筑未来时刻的负荷预测，预测负荷可用于展示未来时刻的负荷变化趋势以及空调能源系统的前馈控制，在提高室内热舒适性的同时也极大的降低了系统的运行能耗。中国建研院是建筑领域规模最大的技术研发机构，企业归属于中央直属企业，综合实力强，信誉可靠，国家相关标准的编制和管理单位。本系列产品来自多年来国家科技支撑和重点研发专项的核心技术成果，具有大量的技术储备，具有未来发展的充足动力!中国建研院是技术提供方，不是竞争对手，希望通过技术与产品，赋能合作伙伴，携手发展，为新基建做出贡献!参考文献[1]彦启森,赵庆珠.建筑热过程[M].北京:中国建筑工业出版社,:30-31[2]陈沛霖,曹叔维,郭建雄.空气调节负荷计算理论与方法[M].上海:同济大学出版社,:-[3]李云辉.暖通空调自动控制系统应用研究[J].住宅产业,(10):64-66.[4]曹勇,崔治国,刘辉,付显涛,武根峰,魏景姝.前馈控制技术在暖通空调领域的研究应用综述[J].建筑节能,,46(08):82-85+91.[5]周璇,杨建成.基于支持向量回归机的空调逐时负荷滚动预测算法[J].中南大学学报(自然科学版),,45(03):-.[6]建筑空调负荷预测算法研究[D].北京：北京建筑大学,.[7]候鹏.基于最小二乘支持向量机的空调负荷预测应用研究[D].广州：华南理工大学,.[8]石凯.基于模型预测控制的建筑供冷负荷节能优化策略研究[D].广州：华南理工大学,.以上内容就是“高性能智能建筑关键技术之空调系统负荷预测”的分享，希望对大家的工作和学习有所帮助!建筑界建筑论文频道分享更多只能建筑设计类相关的论文内容给大家。寻找建筑之美，探索建筑之路，欢迎
转载请注明：http://www.0431gb208.com/sjszlfa/6362.html
