[发明专利]一种短时间间隔大气环境温度预测方法

说明书

技术领域

本发明属于供热通风与空调系统节能技术领域，具体涉及一种短时间间隔大气环境温度预测方法。

背景技术

供热通风与空调系统（HVAC）是建筑能耗的主要来源之一，是目前建筑节能技术开发的主要领域之一。目前大多数建筑HVAC系统的运行控制只考虑满负荷工况，而对于运行期间热负荷变化时，多数情况下系统的控制参数并非运行在最优条件下。HVAC能效管理通过提前对热负荷进行计算和预测，并对HVAC系统运行参数（如制冷（热）量、流量、温度等）的控制值进行优化，在满足负荷需求前提下，保证HVAC系统运行在最小能耗状态，从而使HVAC系统的控制参数在运行过程中一直保持在最优工作条件下，达到节能的目的。大气环境温度是影响HVAC热负荷的重要因素之一，因此HVAC能效管理过程中需要对室外大气环境温度进行预测。HVAC能效管理的优化频率一般为10-15分钟，高精度短时间间隔（sub-hourly）大气环境温度预测技术是开发HVAC能效管理的核心技术之一。

目前有关大气环境温度预测方法主要有早期参数化分析模型[1-4]和近些年常用的神经网络模型[5-10]，但是这些不同方法都是针对于特定应用，对于短时间间隔环境温度预测在精度和适用性方面存在着很大的局限性，如文献[1-3]提出的参数化分析模型是针对于农业大棚应用，用于预测近地表空气温度，分析空气与地面土壤之间的热交换关系和影响。影响大气环境温度变化的因素有太阳辐射能、当地地形、大气湿度、云层覆盖情况和风速等[4]，这些因素的变化具有随机性特征，因此参数化分析模型难以应用于短时间间隔的温度预测。而人工神经网络（ANN）适合于对随机变量的特征辨识、分类和预测，并在大气环境温度预测方面受到了广泛研究[5-10]，但ANN方法对于短时间间隔大气环境预测具有一定的局限性，ANN模型建立是基于对历史数据的训练，在预测过程中需要如湿度、风速和太阳辐射能等气候条件作为输入参数[7]，建立的ANN预测模型与特定地点相关，不具备通用性特点，且建立预测模型需要的训练时间长，需要大量历史数据，对于气候变化频繁的地方不一定能获得有效的ANN预测模型。

参考文献：

[1]J.W.Deardorff，Efficient prediction of ground surface temperatureand moisture，with inclusion of a layer of vegetation，Journal of GeophysicalResearch，83(1978)：1889-1903.

[2]C.M.Bhumralkar，Numerical experiments on the computation ofground surface temperature in an atmospheric general circulation model，J.Appl.Meteorol.，14(1975)：1246-1258.

[3]A.K.Blackada，Modeling the nocturnal boundary layer，Proceedingsof the Third Symposium on Atmospheric Turbulence，Diffusion and AirQuality,pp.46-49，American Meteorological Society，Boston，Mass.，1976.

[4]H.Swaid，M.E.Hoffman，Prediction of urban air temperaturevariations using the analytical CTTC model，Energy and Building，14(1990)：313-224.

[5]L.Bodri，V.Cermak，Prediction of surface air temperatures by neuralnetwork，example based on three-year temperature monitoring at Sporilovstation，Stud.Geophys.Geod.，47(2003)：173-184.

[6]A.Jain，RW.McClendon，G.Hoogenboom，Freeze prediction forspecific locations using artificial neural networks，Transactions of the ASABE，49(6)：1955-1962.