(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111618565.2 (22)申请日 2021.12.2 9 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 丁研　黄宸　刘魁星　李沛霖　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/10(2019.01) F24F 11/46(2018.01) F24F 5/00(2006.01) (54)发明名称 一种基于负荷预测的冰蓄冷空调优化调度 方法 (57)摘要 本发明公开了一种基于负荷预测的冰蓄冷 空调优化调度方法， 包括以下步骤： 采用相关性 系数方法， 选取负荷预测特征变量； 使用温度温 差分级确定历史相似日， 将训练日数据输入神经 网络， 根据历史相似日数据修正网络， 建立负荷 预测模型， 并于日前对建筑逐时负荷进行预测； 根据实测数据， 对双工况制冷机建立线性模型， 对水泵与冷却塔 建立支持向量机回归模型； 固定 运行参数， 使用对蓄冰槽逐时释冷量与冷机制冷 量进行优化； 根据制冷量、 逐时负荷、 天气条件， 对双工况冷机乙二醇出水温度、 冷水循环泵频 率、 冷却塔频率进行优化。 本发明可预测当日逐 时负荷， 在保证负荷需求的前提下， 降低冰蓄冷 空调系统运行能耗、 减少用电费用。 权利要求书1页 说明书3页 附图3页 CN 114282729 A 2022.04.05 CN 114282729 A 1.一种基于负荷预测的冰蓄冷空调优化调度方法， 其特 征在于， 包括以下步骤： 步骤1)： 结合预测日特性， 采用相关性分析， 确定负荷预测模型输入特征， 包括历史日 负荷、 气象参数、 建筑内部参数； 步骤2)： 选用温度温差分级， 根据预测日与历史日特性， 将数据集划分为历史相似日与 训练日， 使用训练日数据作为训练集对神经网络进行训练， 根据历史相似日数据修正神经 网络模型， 将训练完备的预测模型用于负荷预测， 得 出负荷预测值 Qpre， t； 步骤3)： 采 集双工况冷机制冷量QL、 电功率P、 乙二 醇出水温度Tchw、 冷却水进水 温度Tcow， 建立双工况冷机cop模 型； 采集冷水循环泵流量Mchw、 频率nchw数据， 建立冷水循环泵 频率‑流 量支持向量机 回归(SVR)模型； 采集冷却塔进水温度Tin、 出水温度Tout、 室外干球温度Tg、 相 对湿度RH、 室外风速V、 冷却塔风机频率ntower， 建立ntower关于Tin、 Tout、 Tg、 RH、 V的冷却塔SVR 模型； 步骤4)： 获取步骤2)中负荷预测值Qpre， t、 逐时电价λt， 固定冷机乙二醇出水温度Tchw、 冷 却水进水温度Tcow， 采用粒子群优化算法计算逐时蓄冰槽释冷量Qice， t与双工况冷机制冷量 Qchiller， t， 在满足约束条件下， 使一日内总用电费用最小； 步骤5)： 由步骤4)获取逐时释冷量Qice， t与制冷量Qchiller， t， 结合步骤2)逐时负荷预测值 Qpre， t， 引入步骤 3)所建立双工况 冷机cop模型、 冷水循环 泵SVR模型、 冷却塔SVR模型， 并采用 粒子群算法优化， 获得逐时最优的乙二醇出水温度Tchw、 冷却水进水温度Tcow、 冷水循环泵 频 率nchw、 冷却塔风机频率 ntower， 使各小时用电费用最小， 完成对空调系统各主 要设备控制。 2.根据权利要求1所述的一种基于负荷预测的冰蓄冷空调优化调度方法， 其特征在于， 所述步骤1)与步骤2)中， 需对星期、 天气、 日期、 温度进 行量化， 并采用夹角余弦法计算预测 日与历史日相关性， 选取前一个月内相关性最大 的历史日的负荷作为输入特征之一； 计算 斯皮尔曼(Spearman)相关系数， 确定所选取的气象参数、 建筑内部参数特征； 计算一日中温 度变化值与 平均温度， 确定温度温差分级， 根据分级确定历史相似日与训练日； 首先使用训 练日训练神经网络， 其次历史相似日数据修改神经网络最后2层参数与连接 权重。 3.根据权利要求1所述的一种基于负荷预测的冰蓄冷空调优化调度方法， 其特征在于， 所述步骤4)与步骤5)中， 采用多目标分层 优化方式， 即由调度层 优化冷负荷分配， 保证一日 内用电费用最小， 由控制层 优化空调系统运行参数， 保证系统逐时能耗最小， 其目标表达式 为式(1)， 使J1、 J2同时满足最小： 式(1)中， copt表示双工况冷机逐时制冷系数， coprate表示额定制冷系数， Qice表示蓄冰 槽总蓄冰量， λv表示低谷电价， Wchiller， t表示逐时冷机能耗， Wchw， t表示冷水循环 泵能耗， Wcow， t 表示冷却水循环泵能耗， Wtower， t表示冷却塔能耗。权　利　要　求　书 1/1 页 2 CN 114282729 A 2一种基于负荷预测的冰蓄冷空调优化调度方 法 技术领域 [0001]本发明属于建筑能量管理与人工智能交叉领域， 具体涉及一种基于负荷预测的冰 蓄冷空调优化调度方法。 背景技术 [0002]建筑运行能耗为我国能源消耗重要方面， 而建筑运行中， 空调能耗占较大比重。 冰 蓄冷系统作为一种蓄能类型， 以乙二醇溶液作为载冷剂， 通过在低电价时段制冰、 高电价时 段融冰， 节省用户用电费用， 同时降低电网峰值负荷。 [0003]冰蓄冷空调常采取蓄冰槽融冰工况与双工况冷机制冷工况联合运行， 现阶段控制 策略多为融冰优先或冷机对冷负荷进 行分配， 使蓄冰槽 蓄冰提前用尽 且冷机处于低 负荷率 工况， 增加用电费用与设备能耗。 不能达到节约费用、 降低电网峰值负荷的目的， 反而因初 投资的加大而降低冰蓄冷空调系统的经济性。 发明内容 [0004]有鉴于此， 本发明提供一种基于负荷预测的冰蓄冷空调优化调度方法， 预测逐时 冷负荷， 并采取粒子群算法对运行策略进行优化， 对冰蓄冷空调系统蓄冰槽、 双工况冷机、 冷水循环泵、 冷却塔风机进行控制， 以同时达到一日内空调系统总用电费用最少与逐时各 设备总能耗 最小两运行目标。 [0005]为实现上述目的， 本发明提出了一种基于负荷预测的冰蓄冷空调优化调度方法， 其技术路线如图1所示， 包括以下步骤： [0006]步骤1： 结合预测日特性， 采用相关性分析， 确定负荷预测模型输入特征， 包括历史 日负荷、 气象参数、 建筑内部参数。 其中， 历史日负荷 采取夹角余弦法计算相关性确定， 气象 参数与建筑内部参数采取计算 斯皮尔曼相关系数确定； [0007]步骤2： 选用温度温差分级， 根据预测日与历史日特性， 将数据集划分为历史相似 日与训练日， 使用训练日数据作为训练集对神经网络进行训练， 根据历史相似 日数据修正 神经网络最后两层参数与权重， 将训练完备的预测模型用于负荷预测， 得出负荷预测值 Qpre， t； [0008]步骤3： 采集双工况冷机制冷量QL、 电功率P、 乙二醇出水温度Tchw、 冷却水进水温度 Tcow， 建立双工况冷机cop模型； 采集冷水循环泵流量Mchw、 频率nchw数据， 建立冷水循环泵频 率‑流量支持向量机回归(SVR)模型； 采集冷却塔进水温度Tin、 出水温度Tout、 室外干球温度 Tg、 相对湿度RH、 室外风速V、 冷却塔 风机频率ntower， 建立ntower关于Tin、 Tout、 Tg、 RH、 V的冷却塔 SVR模型； [0009]步骤4： 获取步骤2)中负荷预测值Qpre， t、 逐时电价λt， 固定冷机乙二醇出水温度 Tchw、 冷却水进水温度Tcow， 采用粒子群优化算法计算逐时蓄冰槽释冷量Qice， t与双工况冷机 制冷量Qchiller， t， 在满足约束条件下， 使一日内总用电费用最小； [0010]步骤5： 由步骤4获取逐时释冷量Qice， t与制冷量Qchiller， t， 结合步骤2逐时负荷预测说　明　书 1/3 页 3 CN 114282729 A 3