一種空調負荷預測方法，裝置及空調制造方法及圖紙

本發明專利技術適用于空調技術領域，提供了一種空調負荷預測方法，裝置及空調，所述方法包括：獲取影響空調系統負荷的參數量；將所述參數輸入預先訓練的空調負荷預測神經網絡模型；從而獲得空調負荷的預測值，實現準確預測空調系統逐時負荷，保證制冷量跟隨空調負荷的變化而變化，避免能源浪費，且為冷水機組運行調節提供依據，確保冷水機組處于最佳能效狀態下運行。

【技術實現步驟摘要】

本專利技術屬于空調
，尤其涉及一種空調負荷預測方法，裝置及空調。
技術介紹
傳統空調系統的運行方式，主要是通過直接比較房間溫度與設定溫度的偏差，從而調節空氣處理單元的供冷量，其中，在空調系統調節過程中僅將空調負荷作為干擾量被包圍在閉環控制回路中，而沒有考慮空調負荷的動態變化情況。由于沒有考慮空調負荷的動態變化情況，經常導致制冷量與空調負荷的變化不一致的情況，例如，可能出現制冷量無法滿足空調負荷所需的冷量，或者制冷量大于空調負荷所需的冷量的情況，特別是，當制冷量大于空調負荷所需的冷量時，白白浪費掉大量的能量，達不到節能的效果。另外，由于冷水機組的制冷量處于被動調節狀態，無法獲知下一時刻的制冷量，從而無法確保冷水機組，冷卻、冷凍水泵處于最佳能效狀態下運行。綜上，現有技術的空調系統調節過程沒有考慮空調負荷的動態變化情況，可能導致制冷量與空調負荷的變化不一致，且空調系統設備無法在最佳能效狀態下運行。
技術實現思路
本專利技術實施例的目的在于提供一種空調負荷預測方法，旨在解決現有技術的空調系統調節過程沒有考慮空調負荷的動態變化情況，可能導致制冷量與空調負荷的變化不一致，且空調系統設備無法在最佳能效狀態下運行的問題。為了實現上述目的，本專利技術實施例提供如下技術方案本專利技術實施例是這樣實現的，一種空調負荷預測方法，所述方法包括獲取影響空調系統負荷的參數量；將所述參數量輸入預先訓練的空調負荷預測神經網絡模型，其中，所述空調負荷預測神經網絡模型包括輸入層、中間層、反饋層及輸出層；獲取所述空調負荷預測神經網絡模型輸出的空調負荷的預測值。本專利技術實施例還提供了一種空調負荷預測系統，所述系統包括參數量獲取單元，用于獲取影響空調系統負荷的參數量；參數量輸入單元，用于將所述參數量輸入預先訓練的空調負荷預測神經網絡模型，其中，所述空調負荷預測神經網絡模型包括輸入層、中間層、反饋層及輸出層；預測值獲取單元，用于獲取所述空調負荷預測神經網絡模型輸出的空調負荷的預測值。本專利技術實施例與現有技術相比，有益效果在于獲取影響空調系統負荷的參數量，并將所述參數輸入預先訓練的空調負荷預測神經網絡模型，從而獲得空調負荷的預測值，實現準確預測空調系統逐時負荷，保證制冷量與空調負荷的變化一致，避免能源浪費，且為冷水機組運行調節提供依據，確保冷水機組處于最佳能效狀態下運行。附圖說明為了更清楚地說明本專利技術實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1是本專利技術實施例一提供的空調負荷預測方法的實現的流程圖；圖2是本專利技術實施例一提供的空調負荷預測神經網絡模型的示意圖；圖3是本專利技術實施例一提供的預先訓練所述空調負荷預測神經網絡模型方法的實現的流程圖；圖4是本專利技術實施例二提供的空調負荷預測系統的結構圖；圖5是本專利技術實施例二提供的訓練單元的結構圖。具體實施例方式為了使本專利技術的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本專利技術進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本專利技術，并不用于限定本專利技術。本專利技術實施例提供了一種空調負荷預測方法，所述方法包括獲取影響空調系統負荷的參數量；將所述參數量輸入預先訓練的空調負荷預測神經網絡模型，其中，所述空調負荷預測神經網絡模型包括輸入層、中間層、反饋層及輸出層；獲取所述空調負荷預測神經網絡模型輸出的空調負荷的預測值。本專利技術實施例還提供了一種空調負荷預測系統，所述系統包括參數量獲取單元，用于獲取影響空調系統負荷的參數量；參數量輸入單元，用于將所述參數量輸入預先訓練的空調負荷預測神經網絡模型，其中，所述空調負荷預測神經網絡模型包括輸入層、中間層、反饋層及輸出層；預測值獲取單元，用于獲取所述空調負荷預測神經網絡模型輸出的空調負荷的預測值。以下結合具體實施例對本專利技術的實現進行詳細描述實施例一圖1示出了本專利技術實施例一提供的空調負荷預測方法的實現的流程圖，詳述如下在SlOl中，初始化空調負荷預測神經網絡模型對應的權值和閾值；本實施例中，初始化的權值和閾值可以為任意值。在S102中，獲取影響空調系統負荷的參數量；本實施例中，參數量可以包括室內溫度、室外溫度、室內濕度、室外濕度、空調冷凍水系統供回水溫度和流量等參數，具體可以根據實際情況對參數進行調整。在S103中，將所述參數量輸入預先訓練的空調負荷預測神經網絡模型，其中，所述空調負荷預測神經網絡模型包括輸入層、中間層、反饋層及輸出層；在S104中，獲取所述空調負荷預測神經網絡模型輸出的空調負荷的預測值。為了便于理解，以下給出給出一個空調負荷預測神經網絡模型的示意圖，如圖2所示，但不以此空調負荷預測神經網絡模型的實現方式為限本實現示例中，所述空調負荷預測神經網絡模型包括輸入層、中間層、反饋層及輸出層，具體為所述輸入層接收輸入參數Xi (η)；所述中間層對輸入參數進行處理權利要求1.一種空調負荷預測方法，其特征在于，所述方法包括獲取影響空調系統負荷的參數量；將所述參數量輸入預先訓練的空調負荷預測神經網絡模型，其中，所述空調負荷預測神經網絡模型包括輸入層、中間層、反饋層及輸出層；獲取所述空調負荷預測神經網絡模型輸出的空調負荷的預測值。2.如權利要求1所述的方法，其特征在于，所述獲取影響空調系統負荷的參數量之前， 所述方法包括初始化空調負荷預測神經網絡模型對應的權值和閾值。3.如權利要求1所述的方法，其特征在于，所述方法還包括預先訓練所述空調負荷預測神經網絡模型，具體為al、將訓練樣本輸入預先建立的空調負荷預測神經網絡模型，并獲取所述訓練樣本對應的輸出值；a2、判斷所述輸出值與標準輸出值的誤差是否小于預設誤差值； a3、若是，則當前空調負荷預測神經網絡模型對應的權值和閾值為訓練后的神經網絡對應的權值和閾值；a4、若否，則重新計算當前空調負荷預測神經網絡模型對應的權值和閾值，并將重新計算的權值和閾值帶入所述預先建立的空調負荷預測神經網絡模型，并執行al。4.如權利要求3所述的方法，其特征在于，所述輸入層接收輸入參數Xi (η);所述中間層對輸入參數進行處理5.如權利要求4所述的方法，其特征在于，所述預先訓練所述空調負荷預測神經網絡模型為(1)輸入訓練值，通過所述空調負荷預測神經網絡模型的輸出值為Ay2··· yp，所述輸出值的教師值為t1，t2-tp ；(2)判斷6.一種空調負荷預測系統，其特征在于，所述系統包括參數量獲取單元，用于獲取影響空調系統負荷的參數量；參數量輸入單元，用于將所述參數量輸入預先訓練的空調負荷預測神經網絡模型，其中，所述空調負荷預測神經網絡模型包括輸入層、中間層、反饋層及輸出層；預測值獲取單元，用于獲取所述空調負荷預測神經網絡模型輸出的空調負荷的預測值。7.如權利要求6所述的系統，其特征在于，所述系統還包括訓練單元用于預先訓練所述空調負荷預測神經網絡模型，所述訓練單元具體包括樣本輸入單元，用于將訓練樣本輸入預先建立的空調負荷預測神經網絡模型，并獲取所述訓練樣本對應的輸出值；判斷單元，用于判斷所述輸出值與標準輸出值的誤差是否小于預設誤差值，若是，則當前空調負荷預測神經網絡模型對應的權值和本文檔來自技高網...

【技術保護點】
一種空調負荷預測方法，其特征在于，所述方法包括：獲取影響空調系統負荷的參數量；將所述參數量輸入預先訓練的空調負荷預測神經網絡模型，其中，所述空調負荷預測神經網絡模型包括：輸入層、中間層、反饋層及輸出層；獲取所述空調負荷預測神經網絡模型輸出的空調負荷的預測值。

【技術特征摘要】

【專利技術屬性】
技術研發人員：李建維，覃寶，曾江華，曾江游，
申請(專利權)人：深圳市奧宇控制系統有限公司，
類型：發明
國別省市：