[摘要] 跟着城市建设的迅速开展, 修建节能日益成为社会重视的话题之一, 空调体系能耗作为修建能耗的首要来历之一, 其节能的作用决议了整个修建节能的作用。修建空调负荷猜测能更好的节能。
导言 关于修建空调负荷的准确猜测，有助于智能修建体系更好地进行空调体系操控和电力需求侧呼应。
以夏日为例，修建冷负荷首要由外部气候要素引起的冷负荷 (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。内扰冷负荷首要由修建内部人员和设备要素引起，外扰冷负荷首要为修建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 修建负荷的发生
传统修建中的空调体系操控办法一般为反应操控，即经过实时比较室内设计温度与实践温度的差值，依据运转调理公式，使室内实践温度逐步接近设定温度并安稳[3]，此进程存在时间上滞后性且不利于体系节能。近年来，物联网监测技能、核算机技能、大数据技能等先进技能飞速开展，为依据数据和模型算法的前馈操控技能使用供给了广阔空间，前馈操控克服了反应操控滞后性的特点。关于修建范畴，采用合理的运转调理办法是暖通空调前馈操控的首要途径之一，实行空调负荷猜测是完成前馈操控的基础[4]。近年来针对空调体系负荷猜测的研讨已较为成熟，许多学者将机器学习范畴的算法使用到负荷猜测的研讨中并取得杰出作用[5~8]，但将猜测模型使用到实践工程的研讨较少。经过何种办法将杰出的猜测模型使用到修建自身，如何依据修建的实践数据特点完成主动化负荷猜测进程，这些都是亟待处理的问题。
依据微服务架构的空调负荷猜测
我国建研院环能院研制的“高性能智能修建处理方案”中，依据 Python 语言，开发了一套主动化空调体系负荷猜测的程序，并将该程序独立为一个微服务。微服务架构 (Microservice Architecture) 是一种架构概念，旨在经过将功用分解到各个离散的服务中以完成对处理方案的解耦。新一代互联网使用架构，将复杂巨大的单体使用分解为多个独立运转，独立处理业务的微型使用。单个使用的功用简单专一，独立部署，独立运转。
图 2 微服务架构中的负荷猜测服务
依据微服务架构的空调体系负荷猜测技能完成思路为：
图 3 依据微服务架构的空调体系负荷猜测技能完成思路
依据微服务架构的空调体系负荷猜测技能，处理了以下几个问题
1.1
模型输入参数的选取
近年来，不断完善的修建能耗监测体系为依据大数据的负荷猜测技能供给了杰出的数据基础，修建实践运转数据的获取是负荷猜测完成的必要前提。我国建研院环能院的修建能耗监测平台已完成了对项目实践数据的监测与获取，监测数据同步上传至数据库，首要数据包含：室外气候参数、室内环境参数以及修建能耗体系运转状态参数等。
图 4 数据库中的监测数据
数据库中的首要配置信息包含：项目数据库信息、项目地址信息、修建使用时间、练习数据的时间段等。经过读取数据库的配置信息，负荷猜测程序可完成对不同项目的数据读取。空调体系负荷的影响要素首要包含室外气候参数 (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、设备敞开率等)，修建的外围护结构热工性能对空调体系负荷也有极大的影响。经过上述分析，室外气候参数需求作为模型的输入，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前史数据中，因而前史时间的负荷值需求作为模型的输入参数; 关于不同类型的修建，修建的使用时间也不相同，因而时间参数也需求作为模型的输入参数。读取参数后，程序将主动对各个参数与空调负荷之间进行相关性核算，选取对空调负荷影响较大的参数作为终究的模型输入参数。
1.2
猜测模型的最优挑选
获取修建的实践运转数据后，程序将数据主动输入不同的算法进行模型练习，程序中首要是依据多元非线性回归算法以及支撑向量机算法的猜测模型。依据穿插验证的思维，将输入数据按配置信息中的份额分为练习集与测验集，将经过练习集得到的猜测模型用于测验集，将测验集的猜测值与实践值进行比较核算，评价模型精度。其间，程序在采用不同算法进行练习时，对练习成果的精度比较，选取最优模型为终究的负荷猜测模型。
图 5 程序挑选的最优模型
1.3
数据的读出与写入
在模型练习之前，程序从数据库中读取项目的前史运转数据，对数据进行预处理和挑选后带入练习模型进行练习，将练习后的模型用于原始数据测验集的猜测，经过比较不同模型的猜测精度来决议终究的猜测模型，并将猜测成果回来数据库。回来的参数首要包含：最优模型、最优模型参数、练习数据来历、未来 24h 的猜测负荷等，这些参数回来数据库后，可供展现或调用。
图 6 程序回来数据库的成果
实践使用
在取得较好的负荷猜测模型之后，如何将猜测模型用于工程实践中，也是需求处理的问题，程序将经过前史数据取得的负荷猜测模型用于实践项目未来 24h 空调体系负荷猜测。与模型练习时相同，对某一时间进行负荷猜测，需求知道该时间的相关参数，其间，未来 24h 的时间参数能够由当前时间直接推导出来，前史时间负荷值能够按时间从能耗监测体系中提取，而未来时间的气候参数无法直接获取，需求从气候网站获取未来 24h 的气候参数猜测值。
我国气候网供给了全国各个地区的未来 24h 气候参数预告，如下图所示：
图 7 我国气候网的未来 24h 气候参数
在数据库中配置项目的地址信息，程序将会从我国气候网获取该地区的未来 24h 气候参数预告。获取未来 24h 气候参数后，将该部分参数与数据库中获取的前史时间负荷值按时间对应，即可作为未来 24h 空调负荷猜测的模型输入参数。
图 8 数据库中的项目地址配置信息
以我国建研院近零能耗演示楼的负荷猜测模型为例，将练习后的猜测模型对演示楼 2019 年夏日空调负荷进行猜测，并与实践值比照，核算决议系数 R²，猜测成果如下：
图 9 实践值与猜测值比照
图 10 实践值与猜测值的 R²值
依据结算成果能够看出，有 94% 以上的猜测点的实在值与猜测值的 R²值在 0.8 以上，有 84% 以上猜测点的实在值与猜测值的 R²值在 0.9 以上，标明该模型具有较高精度。
结语
依据微服务架构的空调体系负荷猜测技能经过数据读取、数据处理、模型练习等关键步骤完成了修建未来时间的负荷猜测，猜测负荷可用于展现未来时间的负荷改变趋势以及空调能源体系的前馈操控，在提高室内热舒适性的一起也极大的降低了体系的运转能耗。
我国建研院是修建范畴规模最大的技能研制组织，企业归属于中心直属企业，归纳实力强，诺言可靠，国家相关规范的编制和办理单位。本系列产品来自多年来国家科技支撑和要点研制专项的核心技能成果，具有很多的技能储备，具有未来开展的足够动力! 我国建研院是技能供给方，不是竞争对手，期望经过技能与产品，赋能合作伙伴，携手开展，为新基建做出贡献!
参考文献
[1]彦启森, 赵庆珠. 修建热进程[M] . 北京: 我国修建工业出版社, 1986 :30 -31
[2]陈沛霖, 曹叔维, 郭建雄. 空气调理负荷核算理论与办法[M] . 上海: 同济大学出版社, 1987 :125 -139
[3]李云辉. 暖通空调主动操控体系使用研讨[J]. 住宅产业,2018(10):64-66.
[4]曹勇, 崔治国, 刘辉, 付显涛, 武根峰, 魏景姝. 前馈操控技能在暖通空调范畴的研讨使用综述[J]. 修建节能,2018,46(08):82-85+91.
[5]周璇, 杨建成. 依据支撑向量回归机的空调逐时负荷滚动猜测算法[J]. 中南大学学报(自然科学版),2014,45(03):952-957.
[6]修建空调负荷猜测算法研讨[D]. 北京：北京修建大学,2018.
[7]候鹏. 依据最小二乘支撑向量机的空调负荷猜测使用研讨[D]. 广州：华南理工大学,2015.
[8]石凯. 依据模型猜测操控的修建供冷负荷节能优化战略研讨[D]. 广州：华南理工大学,2019.
以上内容便是“高性能智能修建关键技能之空调体系负荷猜测”的共享，期望对大家的工作和学习有所协助! 修建界修建论文频道共享更多只能修建设计类相关的论文内容给大家。寻找修建之美，探索修建之路，欢迎重视我们~
