一种基于空气焓值的地铁空调负荷预测方法

本发明涉及空调负荷预测方法，特别是一种基于空气焓值的地铁空调负荷预测方法。

背景技术：

1、近年来，人们对出行方式的需求也越来越高，地铁因其交通干扰少，快捷便利，准点可靠，成为人们首选的出行方式，高便利的同时也带来了能源的高消耗，在地铁运行过程中，地铁车站空调系统是车站内能耗的主要来源，而车站空调系统的能耗主要来源于车站大功率空调设备的长时间运行，设备的运行通常与车站的实际负荷有着直接关系，在实际运行中，由于无法精确获取车站的负荷情况，导致空调系统的能耗与实际需要不匹配，从而造成大量的能源浪费。针对这一现象，不少人提出利用负荷预测这一技术，预测出下一时刻的车站负荷用于指导空调设备的启停，从而实现节能的目的。

2、目前应用较为广泛的负荷预测方法有指数平滑法，灰色预测法，线性回归方法，神经网络预测法，指数平滑法是时间序列预测技术中心的一种，根据历史负荷数据进行预测，线性回归法是基于回归分析的一种解释性模型。灰色预测理论是对随机序列实施累加以弱化其随机性从而发现负荷发展的现实规律。指数平滑法建立的空调负荷预测模型结构简单，预测代价小，系统移植性较好，但不能有效利用与建筑物负荷有密切关系的相关因素的资料，较难进一步提升预测精度，灰色预测法在建模之前对原始数据的处理工作难度较大，预测精度受原始数据处理结果的影响。由于多数影响因数与空调负荷之间是非线性关系，故多元线性回归在空调预测中不可取。较为准确的预测方法是利用神经网络进行负荷预测，此方法的准确性依靠输入参数的选取，目前大部分都会选择，室外温度，湿度，人流量，新风量，太阳辐射等作为输入参数，但是这些数据在实际工程中不容易获取，因此，此方法虽然能较准确的预测负荷，但是条件的获取难度系数大，不利于实际工程上的应用。

技术实现思路

1、基于空气焓值的空调负荷预测方法是一种通过分析历史焓值与负荷的关系来预测未来负荷的技术手段，旨在提供一种适用于实际工程的负荷预测方法。针对现有技术不能很好的满足实际工程的精度需求，预测的输入参数难以获取的问题。本发明提出了一种基于焓值空调负荷预测方法，提高了预测精度，其模型r2达到0.989。除此之外，还减少了输入参数的种类，使得条件的获取难度大大降低，更适用于实际工程的应用。

2、以下是本发明的技术方案，一种基于空气焓值的地铁空调负荷预测方法，，包含以下步骤：

3、步骤一：通过负荷模拟软件模拟出地铁空调在空调季的逐时负荷，并与历史实际运行负荷比较以验证模拟数据的准确性。

4、步骤二：通过在负荷模拟软件里搭建平台，该平台可以满足这样的功能，在输出负荷的同时，也输出造成该负荷的逐时新风，室外温度，湿度，人流量，设备散热等相关性较强的因素。

5、步骤三：将模拟出的数据分成训练集，验证集，测试集，且比例为7∶2∶1。

6、步骤四：通过bp神经网络算法训练模拟出的数据得到第一模型，并对训练出的模型加以验证以及测试。

7、步骤五：提取室外温度，室外湿度，第一模型预测出的负荷。重复步骤三，步骤四，所述过程得到第二模型，改变室外温度，室外湿度，利用第二模型预测出负荷，并与第一模型预测出的负荷进行比较，以验证第二模型的准确性。

8、步骤六：利用步骤五中室外温度，室外湿度确定室外的焓值，并构建焓值与第二模型预测出的负荷的散点图。

9、步骤七：通过统计分析软件分析步骤六中的散点图，在线性，对数，二次，三次，复合等10个函数中选择最优的拟合方程，利用最优拟合方程通过焓值预测负荷。

10、进一步地，所述步骤一通过负荷模拟软件模拟出地铁空调在空调季的逐时负荷，并与历史实际运行负荷比较以验证模拟数据的准确性。其具体步骤包括：在建模软件中建立地铁的物理模型，将建好的模型导入能耗仿真软件中用以地铁参数的设置，作为优选，数据的获取步长为1h，随后输出该地铁站空调季逐时负荷，将输出的逐时负荷与当年的实测负荷对比，以验证模拟数据的可靠性。

11、进一步地，所述步骤二通过在负荷模拟软件里搭建平台，该平台可以满足这样的功能，在输出负荷的同时，也输出造成该负荷的逐时新风量，室外温度，湿度，人流量，设备散热等相关性较强的因素。其具体步骤包括：首先从building模块中选择需要输入的参数，即人流量，室外温度，室外湿度，新风量，设备散热，照明散热。然后将选择的输出参数给到中间模块用于格式的统一，最后将统一后的格式传递到输出模块，用于各个参数的直观输出。

12、进一步地，所述步骤三将模拟出的数据分成训练集，验证集，测试集，且比例为7∶2∶1。其具体步骤包括：将模拟出的数据去除掉晚上未开空调的部分余下3600组数据，其中训练集用于训练神经网络模型的数据集，通常占整个数据集的(70％-80％)。其中测试集用于评估模型在未见过的数据上的性能，通常占整个数据集的(10％-20％)。其中验证集用于调整和选择模型超参数通常占整个数据集的(10％-20％)。综上所述，训练集，验证集，测试集的比例为7∶2∶1。

13、进一步地，所述步骤四通过bp神经网络算法训练模拟出的数据得到第一模型，并对训练出的模型加以验证以及测试。其具体步骤包括：首先通过调用matlab中的xlsread函数，从指定的excel文件中提取地铁空调负荷数据，然后对数据进行预处理，为了降低各数据分布变化的影响，需使用归一化处理，将数据分布映射到一个确定的区间，这里使用max-min归一化法将数据全部归一化到[0，1]之间。再然后确定神经网络结构和建立模型，由步骤二确定了神经网络的6个输入参数，因此，神经网络输入层个数为6，输出层为地铁站空调系统负荷的预测结果，因此神经网络的输出层个数为1，神经网络的隐藏层可以通过下式确定。

14、

15、(j-隐含层节点个数i-输入层节点个数k-输出层节点个数a∈[1，10])确定，通过计算得到隐藏层节点个数为3-13个，因此通过设置不同的隐藏层节点个数，对比其误差方式筛选出最佳隐藏层个数为10个。规定模型的迭代次数为1000次，学习速率为0.01，训练最小误差，1×10-5。再然后，训练神经网络，确定好神经网络的结构和模型后利用归一化后的数据训练神经网络得到第一模型。最后，预测和反归一化，利用第一模型对负荷进行预测，将预测出得负荷以及各个输入参数进行反归一化处理，使各组数据恢复到其原始数量级。

16、进一步地，所述步骤五提取室外温度，室外湿度，第一模型预测出的负荷。重复步骤三，步骤四，所述过程得到第二模型，改变室外温度，室外湿度，利用第二模型预测出负荷，并与第一模型预测出的负荷进行比较，以验证第二模型的准确性。其具体步骤包括：利用室外温度，室外湿度，第一模型预测出的负荷，重复步骤三，步骤四过程，得到第二模型。将室外温度，室外湿度作为输入参数，通过第二模型预测出负荷。将第一模型预测出的负荷与第二模型预测出的负荷作比较以验证第一模型与第二模型的拟合程度。

17、进一步地，所述步骤六利用步骤五中室外温度，室外湿度确定室外的焓值，并构建焓值与第二模型预测出的负荷的散点图。具体的，在通过室外温湿度确定焓值时，利用现有程序经过自己修改在编程软件里面实现，该程序可以通过空气参数的任意两个值，确定其余空气参数。这里利用了室外温度，室外湿度确定出室外焓值。利用数值分析软件构建室外焓值与第二模型预测出的负荷的散点图。

18、进一步地，所述步骤七通过数值分析软件分析步骤六中的散点图，在线性，对数，二次，三次，复合等10个函数中选择最优的拟合方程，利用最优拟合方程通过焓值预测负荷。具体的，将步骤六中的散点图分别用线性，对数，二次，三次，复合等10个函数进行拟合，比较10个函数的拟合优度，选择最优的拟合方程。利用最优的拟合方程通过焓值预测负荷。

19、与现有技术相比，本发明的技术方案所带来的有益效果是：通过负荷模拟软件模拟出地铁空调在空调季的逐时负荷，并与历史实际运行负荷比较以验证模拟数据的准确性，在负荷模拟软件里搭建平台，该平台可以满足这样的功能，在输出负荷的同时，也输出造成该负荷的，新风，室外温度，湿度，人流量等影响参数，通过bp神经网络算法训练模拟出的数据得到第一模型，并对训练出的模型加以验证以及测试。提取室外温度，室外湿度，负荷。利用神经网络算法训练提取的数据得到第二模型。利用室外温度，室外湿度，与负荷的关系，构建焓值与负荷之间的关系，将焓值与负荷的关系用散点图表示出来，并用线性，二次，三次，复合等多个函数拟合散点图，选择拟合精度最优的方程。该方程的r2达到0.989，此时焓值与负荷之间的关系几乎能用该方程表示，利用此方程，可以直接通过焓值预测未来负荷。基于该方程预测未来负荷，减少了输入参数的种类，一定程度上解决了原有预测方案的输入参数难以获取的问题。提高了负荷预测在实际工程的适用性。