[发明专利]一种基于热量组分解析的建筑空调负荷预测方法

权利要求书

1.一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，包括以下步骤：

S1：模拟获取典型类型建筑空调负荷中具有不同物理意义及形态特征的热量组分数据，包括由外部扰动产生的各类分项负荷组分，与由内部扰动产生的各类分项负荷组分；抽取部分热量组分数据构成各组分字典学习样本矩阵；

S2：对各组分字典学习样本矩阵运用非负K-SVD字典学习算法，获得相应字典矩阵；

S3：对预测对象建筑的历史空调总负荷数据进行整理，构成预测训练样本；结合各字典矩阵，运用非负稀疏表示算法进行解析，获得历史数据中各项负荷组分的估计值；

S4：在实际监测中获取预测训练样本对应时刻的室外气象参数；

S5：对于S3中解析获得的由外部扰动产生的分项负荷组分，创建以室外气象参数及历史分项负荷组分数据为输入变量的黑箱预测模型；

S6：对于S3中解析获得的由内部扰动产生的分项负荷组分，创建自回归预测模型；

S7：建立总预测模型；将S5、S6中各模型的预测结果相加，得到总负荷预测值。

2.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S1中，外部扰动包括室外气象因素；内部扰动包括人员、设备和照明因素。

3.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S1中：抽取形成的各组分字典学习样本矩阵包含M天的分项负荷数据，每天24小时，记为X_i(i＝1，2，…k)。其中X_i行数为24，列数为M，k为负荷组分数目。

4.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S2中非负K-SVD字典学习算法的表达式为：

式中，X_i为已知的字典学习样本矩阵，B_i为24行，N列的字典矩阵，A_i为N行，M列的稀疏系数矩阵，且X_i、B_i和A_i均为非负矩阵；||Y||_F＝(∑_p，qY_pq)^1/2代表F范数，||Y||₀为0范数；a_i为A_i的列向量，||a_i||₀≤L表示A_i的每一列中所包含的非零项个数不能超过L个。

5.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S3中非负稀疏表示算法的表达式为：

式中，X′为预测对象建筑的历史空调总负荷数据，为24行，M′列的矩阵；为所求各组分对应的最优稀疏系数矩阵；λ≥0为稀疏度，反映稀疏系数矩阵稀疏程度；表示中各元素的和。

6.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S3中获得各项负荷组分的估计值的表达式为：

式中，为24行，M′列的矩阵。

7.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S4中室外气象参数包括室外空气干球温度、相对湿度和太阳辐射量。

8.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S5具体包括：建立由外部扰动产生的某项负荷组分黑箱预测模型，输入为τ时刻与该组分相关性较高的室外气象参数和τ时刻以前的该组分历史数值，输出为τ时刻该组分预测值。

9.根据权利要求l所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S6具体包括：建立由内部扰动产生的某项负荷组分的自回归模型，输入为该组分τ时刻以前的历史数据，输出为τ时刻该组分预测值。

10.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S7具体包括：对步骤S5、S6构建的预测模型得到τ时刻的各负荷组分值进行求和，获得建筑空调总负荷τ时刻的预测值。