暖通空调冷量预测方法、系统及相关设备

本发明涉及空调领域，尤其涉及一种暖通空调冷量预测方法、系统及相关设备。

背景技术：

1、世界碳排放主要来源于三大不同的产业，分别对应是工业、交通业以及建筑业。从联合国政府有关的气候变化评估报告进行分析，建筑业消耗的能源在全球整体能源消耗中的占比达到了三分之一，并排放了大约全球25％的温室气体；为了给人们创造一个舒适的工作和生活环境，暖通空调得到广泛的应用，而在建筑的全年能源消耗中，空调系统能耗所占比例最大，约占到全年总能耗的40-50％，甚至某些地区空调系统能耗可以占全年总能耗的70％以上。

2、现有空调系统中存在耗能高的问题，而降低公共建筑空调系统能耗是降低整个建筑能耗的重要途径，同时也具有重要现实意义。

3、因此，有必要研究出一种能准确和快速冷负荷预测的暖通空调冷量预测方法、系统及相关设备。

技术实现思路

1、本发明实施例提供了一种暖通空调冷量预测方法、系统及相关设备，旨在提供一种能准确和快速冷负荷预测的暖通空调冷量预测方法及系统。

2、第一方面，本发明提供一种暖通空调冷量预测方法，包括以下步骤：

3、s1、通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个所述本征模态组成本征模态函数；

4、s2、使用皮尔逊相关系数将所述本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态；

5、s3、对所述第二本征模态通过小波软阈值降噪法进行分解，得到第三本征模态；

6、s4、将所述第一本征模态和所述第三本征模态进行重构，得到降噪数据；

7、s5、将所述降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据所述冷量预测模型用于对暖通空调冷量进行预测，得到所述暖通空调冷量的预测结果。

8、优选的，所述步骤s1中，将所述原始信号分解包括以下步骤：

9、s11、获得所述原始信号的极小值点和极大值点，再使用三次样条包络线对所述极小值点和所述极大值点进行拟合，获取所述原始信号的上包络线和下包络线，然后根据所述上包络线和所述下包络线计算得到均值包络线；

10、s12、计算所述原始信号与所述均值包络线之间的差值函数，定义第一条件为所述原始信号的极值点个数与零点个数之差为0或1，定义第二条件为所述上包络线与所述下包络线关于时间轴对称，且信号域任意一点所述均值包络线为0；判断所述差值函数是否同时满足所述第一条件和所述第二条件：若是，则输出一阶本征模态函数；若否，则重复步骤s11-s12，直至所述差值函数同时满足所述第一条件和所述第二条件；

11、s13、计算所述原始信号与所述一阶本征模态函数之间的差值；

12、s14、重复上述步骤s11-s13，得到对应的所述本征模态函数以及分解的所述原始信号。

13、优选的，所述步骤s1中，所述原始信号满足下列关系式：

14、

15、其中，imfn表示第n阶本征模态信号，residual表示分解后的残差，k表示分解阶数，x(t)表示所述原始信号。

16、优选的，所述步骤s2中，所述皮尔逊相关系数r满足下列关系式：

17、

18、其中，表示所述原始信号的均值，sx表示所述原始信号的方差，imfi表示第i阶本征模态，表示所述本征模态的均值，simf表示所述本征模态函数的标准差。

19、优选的，所述步骤s3中，所述降噪算法基于ceemadn算法。

20、优选的，所述步骤s3中，对所述第二本征模态通过小波软阈值降噪法进行分解，具体包括以下子步骤：

21、将所述原始信号进行小波包分解，采用三或四层小波分解层数进行分解，将所述原始信号分解为高频系数以及低频系数；

22、设置阈值准则，将所述高频系数放入软阈值函数进行降噪处理；

23、进行小波逆转换，将经过处理的所述高频系数进行重构，得到所述第三本征模态。

24、优选的，所述预设神经网络包括时间卷积网络、双向长短期记忆神经网络以及稀疏概率自注意力机制网络，其中：

25、所述时间卷积网络用于对所述降噪数据进行特征提取，得到第一特征；

26、所述双向长短期记忆神经网络用于对所述第一特征的时间序列中时间特征、周期性模式和周期性变化进行处理，得到第二特征；

27、所述稀疏概率自注意力机制网络用于对所述第二特征的时间序列中长时依赖关系进行捕捉处理，得到第三特征，将所述第三特征作为所述预测结果。

28、第二方面，本发明还提供一种暖通空调冷量预测系统，包括以下模块：

29、信号分解模块、通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个所述本征模态组成本征模态函数；

30、分类模块、使用皮尔逊相关系数将所述本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态；

31、小波软阈值分解模块、对所述第二本征模态通过小波软阈值降噪法进行分解，得到第三本征模态；

32、重构模块、将所述第一本征模态和所述第三本征模态进行重构，得到降噪数据；

33、预设神经网络模块、将所述降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据所述冷量预测模型用于对暖通空调冷量进行预测，得到所述暖通空调冷量的预测结果。

34、第三方面，本发明还提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的暖通空调冷量预测方法中的步骤。

35、第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中任意一项所述的暖通空调冷量预测方法中的步骤。

36、与现有技术相比，本发明提供的一种暖通空调冷量预测方法、系统以及相关设备提供了一种混合降噪算法可以在保留原始信号有效信号的基础上最大程度的去除噪声；同时提供了一种冷量预测模型，解决了预测过程中存在非线性、耦合性和长时依赖问题，提高了预测模型的快速性和准确性；并且能够在利用更少硬件资源的情况下实现自适应数据降噪的高精度预测，以得到下一时刻更高精度的预测冷量，为后续冷水机组优化策略、故障诊断和需求侧管理提供一个准确的参考，从而在满足室内人员舒适性的情况下提高暖通空调运行效率、降低能源消耗以及碳排放量。

技术特征：

1.一种暖通空调冷量预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的暖通空调冷量预测方法，其特征在于，所述步骤s1中，将所述原始信号分解包括以下步骤：

3.如权利要求2所述的暖通空调冷量预测方法，其特征在于，所述步骤s1中，所述原始信号满足下列关系式：

4.如权利要求3所述的暖通空调冷量预测方法，其特征在于，所述步骤s2中，所述皮尔逊相关系数r满足下列关系式：

5.如权利要求1所述的暖通空调冷量预测方法，其特征在于，所述降噪算法基于ceemadn算法。

6.如权利要求1所述的暖通空调冷量预测方法，其特征在于，所述步骤s3中，对所述第二本征模态通过小波软阈值降噪法进行分解，具体包括以下子步骤：

7.如权利要求1所述的暖通空调冷量预测方法，其特征在于，所述预设神经网络包括时间卷积网络、双向长短期记忆神经网络以及稀疏概率自注意力机制网络，其中：

8.一种暖通空调冷量预测系统，其特征在于，包括以下模块：

9.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的暖通空调冷量预测程序，所述处理器执行所述暖通空调冷量预测程序时实现如权利要求1至7中任意一项所述的暖通空调冷量预测方法中的步骤。

10.一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上存储有暖通空调冷量预测程序，所述暖通空调冷量预测程序被处理器执行时实现如权利要求1至7中任意一项所述的暖通空调冷量预测方法中的步骤。

技术总结
一种暖通空调冷量预测方法、系统及相关设备。方法包括通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个本征模态组成本征模态函数；使用皮尔逊相关系数将本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态；对第二本征模态通过小波软阈值降噪法进行分解，得到第三本征模态；将第一本征模态和第三本征模态进行重构，最终得到降噪数据；将降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据冷量预测模型用于对暖通空调冷量进行预测，得到暖通空调冷量的预测结果。相对于现有技术，本发明解决了冷量预测过程中存在非线性、耦合性和长时依赖问题，提高了冷量预测模型的快速性和准确性。

技术研发人员：杨海东,宋才荣,徐康康,孟献兵,赖添城,朱俊文,许潇
受保护的技术使用者：广东工业大学
技术研发日：
技术公布日：2024/1/14