一种动态建筑室内温度求解方法、系统、介质和设备与流程

本发明涉及一种动态建筑室内温度求解方法、系统、介质和设备，属于空调电力负荷控制。

背景技术：

1、随着全球对于可持续发展和能源利用效率要求的不断提高，建筑领域的能耗管理成为日益关注的焦点之一。在建筑中，室内温度控制是决定能源消耗以及居住/工作环境舒适性的重要因素。然而，传统的温度控制方法通常过于简化，无法准确预测和响应动态环境变化，从而导致了能源资源的低效利用。目前常见的建筑室内温度控制方法往往采用线性模型或基于静态数据的控制方案。这些方法通常忽略了时间变化、季节变化、人员活动或其他影响因素的复杂性，造成了对真实室内状况的误判和迟滞反应。同时，在实际应用中，由于地域差异、建筑结构特点等原因，单一模型难以适用于所有场景。

2、本背景技术中公开的信息仅用于理解本发明构思的背景，因此它可以包括不构成现有技术的信息。

技术实现思路

1、针对上述问题或上述问题之一，本发明的目的一在于提供一种机理数据融合的动态建筑室内温度求解方法，通过构建趋势仿真模型、机理非线性模型、温度求解模型，对建筑室内温度进行准确求解，从而能够有效考虑多种负荷变化趋势与机理关联，并且能够灵活应对不同的实际环境场景，因而可以实现更精确的室内温度控制，并使得建筑能源利用更加高效。

2、针对上述问题或上述问题之一，本发明的目的二在于提供一种机理数据融合的动态建筑室内温度求解系统，通过设置趋势仿真模块、机理非线性模块、温度求解模块，对建筑室内温度进行准确求解，从而能够有效考虑多种负荷变化趋势与机理关联，并且能够灵活应对不同的实际环境场景，因而可以实现更精确的室内温度控制，并使得建筑能源利用更加高效。

3、针对上述问题或上述问题之一，本发明的目的三在于提供一种动态建筑室内温度求解方法、系统、介质和设备，通过深入分析负荷变化、机理建模及动态求解，可以针对不同场景自适应调整温度设定，并有效节约能源消耗，改善室内环境舒适性，大幅度提升建筑室内温度控制的精度和效率，减少了对真实室内状况的误判，从而适用于各种场景。

4、为实现上述目的之一，本发明的第一种技术方案为：

5、一种机理数据融合的动态建筑室内温度求解方法，包括如下内容：

6、获取影响空调负荷变化的条件数据；

7、利用预先构建的趋势仿真模型，对条件数据进行处理，得到负荷变化预测结果；

8、通过预先构建的机理非线性模型，根据负荷变化预测结果，计算得到室内温度设定数据；

9、采用预先构建的温度求解模型，基于室内温度设定数据，并运用滑动窗口进行动态求解，得到建筑室内温度，实现基于机理数据融合的动态建筑室内温度求解。

10、本发明经过不断探索以及试验，通过构建趋势仿真模型、机理非线性模型、温度求解模型，对建筑室内温度进行准确求解，从而能够有效考虑多种负荷变化趋势与机理关联，并且能够灵活应对不同的实际环境场景，因而可以实现更精确的室内温度控制，并使得建筑能源利用更加高效。

11、进一步，本发明通过趋势仿真模型描述新风负荷、除湿负荷变化规律，并结合机理非线性模型考虑多种负荷变化趋势与机理关联，再通过温度求解模型运用滑动窗口动态求解建筑室内温度，实现了对室内平均温度的即时精准计算，从而为建筑温度控制带来了崭新的思路和技术支持。

12、更进一步，本发明通过深入分析负荷变化、机理建模及动态求解，可以充分考虑时间变化、季节变化、人员活动或其他影响因素的复杂性，进而可以针对不同场景自适应调整温度设定，并有效节约能源消耗，改善室内环境舒适性，大幅度提升建筑室内温度控制的精度和效率，减少了对真实室内状况的误判，使得本发明的多模型结构，可以适用于各种场景。

13、作为优选技术措施：

14、所述条件数据包括环境条件和条件系数；

15、所述环境条件包括室外温度、湿度和太阳辐射强度；条件系数包括室外温度对负荷量的影响系数、湿度对负荷量的影响系数和太阳辐射强度对负荷量的影响系数；

16、或，所述环境条件包括室外温度、湿度、太阳辐射强度、建筑材料的热特性、窗户的大小和数量和室内热源；条件系数包括室外温度对负荷量的影响系数、湿度对负荷量的影响系数、太阳辐射强度对负荷量的影响系数、建筑材料的热特性对负荷量的影响系数、窗户的大小和数量对负荷量的影响系数以及室内热源对负荷量的影响系数。

17、所述利用预先构建的趋势仿真模型，对条件数据进行处理，得到负荷变化预测结果的方法如下：

18、根据环境条件和条件系数，构建回归分析方程，用于表征负荷变化趋势；

19、回归分析方程的表达式如下所示：

20、qload(t)＝α+β1·condition1(t)+β2·condition2(t)+...+βn·conditionn(t)+∈

21、式中，qload(t)表示特定时刻的负荷量，其包括新风负荷qfresh(t)、除湿负荷qdehum(t)、空调电力负荷qac(t)，α是常数项；β1,β2,...,βn是负荷量与室外温度、湿度、……太阳辐射强度之间的关系系数；系数β反映了每个条件对负荷量的影响程度；condition1(t),condition2(t)...,conditionn(t)分别表示在时间t时的室外温度、湿度……，太阳辐射强度；

22、采用最小二乘法对回归分析方程中的关系系数和常数项进行调整，得到新的关系系数和常数项；

23、将新的关系系数和常数项，代入回归分析方程中，并进行求解，得到更准确的静态环境条件下的负荷变化预测结果；

24、或/和，利用预先构建的趋势仿真模型，对条件数据进行处理，得到负荷变化预测结果的方法如下：

25、根据环境条件和条件系数，考虑负荷随时间的动态关系，构建时间序列公式，其计算公式如下：

26、yt＝f(yt-1,yt-2,…,yt-k+et)

27、式中，yt代表时间为t的负荷测量值；k是模型考虑的历史数据阶数；f(·)表示用于描述时间序列动态关系的函数；et表示模型的误差项；

28、采用最小二乘法对时间序列公式中的误差项进行估计，得到新的误差项；

29、将新的误差项代入时间序列公式中，并进行求解，得到更准确的时间动态环境条件下的负荷变化预测结果。

30、作为优选技术措施：

31、关系系数在回归分析中是通过最小化预测负荷值与实际负荷值之间的误差平方和sse来确定，其使用最小二乘法来完成，包括以下内容：

32、获取负荷数据集，其中包括多个负荷时间点，每个负荷时间点都有对应的负荷量qload(t)和一系列的环境条件condition1(t),condition2(t)...,conditionn(t)；

33、并对关系系数β1,β2,...,βn和常数项α进行初始化，得到关系系数和常数项的初始值；

34、将当前的关系系数值和常数项，代入回归分析方程，计算每个负荷时间点的预测负荷量，其相应的计算公式如下：

35、(qload(t)predicted＝α+β1·condition1(t)+β2·condition2(t)+...+βn·conditionn(t))；

36、计算每个负荷时间点的预测负荷值与实际负荷值之间的误差，得到误差数据，其计算公式如下：

37、e(t)＝qload(t)observed-qload(t)predicted；

38、根据误差数据，建立负荷系数线性方程组，该线性方程组由误差数据对关系系数的偏导数等于零的条件构成；负荷系数线性方程组的表达式如下所示：

39、

40、以最小化误差平方和sse为原则，对负荷系数线性方程组进行求解，得到新的关系系数和常数项；

41、重复步骤232)-步骤235，直到满足某个停止准则，输出最终的关系系数和常数项；停止准则包括达到最大迭代次数或/和系数变化小于某个阈值；

42、或/和，构建时间序列公式的方法如下：

43、通过自回归模型或移动平均模型或自回归移动平均模型，基于数据特性，构建用于描述时间序列动态关系的函数f(·)，得到时间序列公式；

44、在自回归模型中，未来的负荷值yt是过去负荷值yt-1,yt-2,...,yt-k的线性组合加上一个误差项et；其构建的时间序列公式如下：

45、yt＝φ1yt-1+φ2yt-2+…+φkyt-k+et

46、式中，φ1,φ2,...,φk是自回归系数；

47、在移动平均模型中，未来的负荷值yt是过去误差项et-1,et-2,...,et-k的线性组合；其构建的时间序列公式如下：

48、yt＝et+θ1et-1+θ2et-2+…+θket-k

49、式中，θ1,θ2,...,θk是移动平均系数；

50、自回归移动平均模型结合自回归和移动平均的特性；其构建的时间序列公式如下：

51、yt＝φ1yt-1+φ2yt-2+…+φkyt-k+et+θ1et-1+θ2et-2+…+θqet-q

52、其中，k是自回归的阶数，q是移动平均的阶数。

53、作为优选技术措施：

54、通过预先构建的机理非线性模型，根据负荷变化预测结果，计算得到室内温度设定数据的方法如下：

55、获取负荷变化预测结果，其包括新风负荷qfresh(t)、除湿负荷qdehum(t)、空调电力负荷qac(t)；

56、基于新风负荷qfresh(t)、除湿负荷qdehum(t)、空调电力负荷qac(t)，建立非线性机理公式，用于表征建筑室内温度变化过程中包括的热力学原理和建筑物理学；

57、非线性机理公式的计算公式如下：

58、

59、式中，tset(t)表示室内温度设定数据；tout(t)表示外部温度；qfresh(t)表示新风负荷；qdehum(t)表示除湿负荷；qac(t)表示空调电力负荷；γ是空调系统效率的参数，它反映了空调电力负荷qac(t)对室内温度tset(t)的影响程度；δ是新风和除湿负荷对室内温度设置的线性影响系数；ζ是基准温度偏置，反映了剩余未被模型直接包括的因素对室内温度的影响；

60、对非线性机理公式进行求解，得到室内温度设定数据。

61、作为优选技术措施：

62、空调系统效率的参数γ是反映空调电力负荷qac(t)对室内温度设定数据tset(t)影响程度的参数其与空调系统效率、建筑热特性、室内外温差相关；

63、参数γ的取值通过回归分析方法进行计算，并通过最小化预测误差进行优化，其计算公式如下：

64、tset(t)＝α+β·tout(t)+γ·qoc(t)+χ

65、式中，α和β是常数项，表示相关参数，其通过回归分析来估计，α用于调整模型的基线水平；

66、新风和除湿负荷对室内温度设定数据的线性影响系数δ，通过回归分析方法进行计算，并通过最小化预测误差进行优化，其计算公式如下：

67、tset(t)＝α+β·tout(t)+γ·qoc(t)+δ·(qfresh(t)+qdehum(t))+χ*。

68、作为优选技术措施：

69、采用预先构建的温度求解模型，基于室内温度设定数据，并运用滑动窗口进行动态求解，得到建筑室内温度的方法如下：

70、获取室内温度设定数据；

71、基于室内温度设定数据，结合以时序数据为训练数据源的滑动窗口，构建动态预测室内温度公式，其计算公式如下：

72、tavg(tn)＝φ(tset(tn-1),tset(tn-2),...,tset(tn-k))

73、式中，tavg(tn)表示时刻tn的室内平均温度；tset(tn-k)表示前k个时刻的室内温度设定数据；φ(·)表示非线性函数，用于捕捉温度设定值之间的非线性关系，并预测未来的室内温度；k表示滑动窗口的大小，决定了模型考虑历史数据的范围；

74、使用一个多层感知机mlp神经网络作为非线性函数进行求解，得到建筑室内温度；对非线性函数进行求解的方法如下：

75、建立一个包括两个隐藏层的多层感知机，每个隐藏层有h个神经元，并且使用relu作为激活函数，输出层使用线性激活函数；输入层有k个神经元，对应于滑动窗口中的k个历史设定温度值；

76、输入层将滑动窗口中的历史设定温度值传递给隐藏层；

77、对于第一个隐藏层的第i个神经元，i从1到h，其输出的计算公式如下：

78、

79、式中，是输入层第j个神经元到第一个隐藏层第i个神经元的权重，是第一个隐藏层第i个神经元的偏置项；

80、对于第二个隐藏层的第i个神经元，i从1到h，其输出的计算公式如下：

81、

82、

83、式中，是第一个隐藏层第j个神经元到第二个隐藏层第i个神经元的权重，是第二个隐藏层第i个神经元的偏置项；

84、输出层输出预测的室内平均温度tavg(tn)，并将室内平均温度tavg(tn)作为建筑室内温度，其计算公式如下：

85、

86、tavg(tn)＝zavg

87、式中，是第二个隐藏层第j个神经元到输出层的权重，bout是输出层的偏置项。

88、因此本发明具备智能学习能力，能够根据历史温度数据实时调整温度设定，实现更精确的室内温度控制，并使得建筑能源利用更加高效。

89、为实现上述目的之一，本发明的第二种技术方案为：

90、一种机理数据融合的动态建筑室内温度求解系统，包括趋势仿真模块、机理非线性模块和温度求解模块；

91、趋势仿真模块，用于对条件数据进行处理，得到负荷变化预测结果；

92、机理非线性模块，用于根据负荷变化预测结果，计算得到室内温度设定数据；

93、温度求解模块，用于基于室内温度设定数据，并运用滑动窗口进行动态求解，得到建筑室内温度。

94、本发明经过不断探索以及试验，通过设置趋势仿真模块、机理非线性模块、温度求解模块，对建筑室内温度进行准确求解，从而能够有效考虑多种负荷变化趋势与机理关联，并且能够灵活应对不同的实际环境场景，因而可以实现更精确的室内温度控制，并使得建筑能源利用更加高效。

95、进一步，本发明通过详细研究建筑空调系统中的新风负荷、除湿负荷变化规律，结合机理非线性模型，并运用滑动窗口动态求解技术，实现了对室内平均温度的即时精准计算，从而为建筑温度控制带来了崭新的思路和技术支持。

96、作为优选技术措施：

97、趋势仿真模块，用于对条件数据进行处理，得到负荷变化预测结果，其包括以下内容：

98、根据环境条件和条件系数，构建回归分析方程，用于表征负荷变化趋势；

99、回归分析方程的表达式如下所示：

100、qload(t)＝α+β1·condition1(t)+β2·condition2(t)+...+βn·conditionn(t)+∈

101、式中，qload(t)表示特定时刻的负荷量，其包括新风负荷qfresh(t)、除湿负荷qdehum(t)、空调电力负荷qac(t)，α是常数项；β1,β2,...,βn是负荷量与室外温度、湿度、……太阳辐射强度之间的关系系数；系数β反映了每个条件对负荷量的影响程度；condition1(t),condition2(t)...,conditionn(t)分别表示在时间t时的室外温度、湿度……，太阳辐射强度；

102、考虑负荷随时间的动态关系，构建时间序列公式，其计算公式如下：

103、yt＝f(yt-1,yt-2,…,yt-k+et)

104、式中，yt代表时间为t的负荷测量值；k是模型考虑的历史数据阶数；f(·)表示用于描述时间序列动态关系的函数；et表示模型的误差项；

105、采用最小二乘法对回归分析方程中的关系系数和常数项进行调整，得到新的关系系数和常数项；

106、采用最小二乘法对时间序列公式中的误差项进行估计，得到新的误差项；

107、将新的关系系数和常数项，代入回归分析方程中，并进行求解，得到更准确的静态环境条件下的负荷变化预测结果；

108、将新的误差项代入时间序列公式中，并进行求解，得到更准确的时间动态环境条件下的负荷变化预测结果；

109、将静态环境条件下的负荷变化预测结果与动态环境条件下的负荷变化预测结果进行耦合，得到最终的负荷变化预测结果；

110、或/和，机理非线性模块，用于根据负荷变化预测结果，计算得到室内温度设定数据，其包括以下内容：

111、获取负荷变化预测结果，其包括新风负荷qfresh(t)、除湿负荷qdehum(t)、空调电力负荷qac(t)；

112、基于新风负荷qfresh(t)、除湿负荷qdehum(t)、空调电力负荷qac(t)，建立非线性机理公式，用于表征建筑室内温度变化过程中包括的热力学原理和建筑物理学；

113、非线性机理公式的计算公式如下：

114、

115、式中，tset(t)表示室内温度设定数据；tout(t)表示外部温度；qfresh(t)表示新风负荷；qdehum(t)表示除湿负荷；qac(t)表示空调电力负荷；γ是空调系统效率的参数，它反映了空调电力负荷qac(t)对室内温度tset(t)的影响程度；δ是新风和除湿负荷对室内温度设置的线性影响系数；ζ是基准温度偏置，反映了剩余未被模型直接包括的因素对室内温度的影响；

116、对非线性机理公式进行求解，得到室内温度设定数据；

117、或/和，温度求解模块，用于基于室内温度设定数据，并运用滑动窗口进行动态求解，得到建筑室内温度，其包括以下内容：

118、获取室内温度设定数据；

119、基于室内温度设定数据，结合以时序数据为训练数据源的滑动窗口，构建动态预测室内温度公式，其计算公式如下：

120、tavg(tn)＝φ(tset(tn-1),tset(tn-2),...,tset(tn-k))

121、式中，tavg(tn)表示时刻tn的室内平均温度；tset(tn-k)表示前k个时刻的室内温度设定数据；φ(·)表示非线性函数，用于捕捉温度设定值之间的非线性关系，并预测未来的室内温度；k表示滑动窗口的大小，决定了模型考虑历史数据的范围；

122、使用一个多层感知机mlp神经网络作为非线性函数进行求解，得到建筑室内温度。

123、为实现上述目的之一，本发明的第三种技术方案为：

124、一种电子设备，其包括：

125、一个或多个处理器；

126、存储装置，用于存储一个或多个程序；

127、当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种机理数据融合的动态建筑室内温度求解方法。

128、为实现上述目的之一，本发明的第四种技术方案为：

129、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的一种机理数据融合的动态建筑室内温度求解方法。

130、与现有技术方案相比，本发明具有以下有益效果：

131、本发明经过不断探索以及试验，通过构建趋势仿真模型、机理非线性模型、温度求解模型，对建筑室内温度进行准确求解，从而能够有效考虑多种负荷变化趋势与机理关联，并且能够灵活应对不同的实际环境场景，因而可以实现更精确的室内温度控制，并使得建筑能源利用更加高效。

132、进一步，本发明通过趋势仿真模型描述新风负荷、除湿负荷变化规律，并结合机理非线性模型考虑多种负荷变化趋势与机理关联，再通过温度求解模型运用滑动窗口动态求解建筑室内温度，实现了对室内平均温度的即时精准计算，从而为建筑温度控制带来了崭新的思路和技术支持。

133、更进一步，本发明通过深入分析负荷变化、机理建模及动态求解，可以针对不同场景自适应调整温度设定，并有效节约能源消耗，改善室内环境舒适性，大幅度提升建筑室内温度控制的精度和效率。

134、进而，本发明经过不断探索以及试验，通过设置趋势仿真模块、机理非线性模块、温度求解模块，对建筑室内温度进行准确求解，从而能够有效考虑多种负荷变化趋势与机理关联，并且能够灵活应对不同的实际环境场景，因而可以实现更精确的室内温度控制，并使得建筑能源利用更加高效。