一种短时间间隔大气环境温度预测方法

摘要

本发明公开了一种短时间间隔大气环境温度预测方法，首先，在大气环境中定义一个截面积为1平方米的球形控制体作为研究对象，然后每隔设定时间步长，测量控制体的太阳辐射能、大气温度等参数，当采样记录持续时间大于12小时时，开始执行大气环境温度预测程序，且每经过一个预测时长时间间隔执行一次；在执行中，对于第k个预测时间段，根据当前采样获得的大气温度等参数，计算确定C

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 temperature and moisture，with inclusion of a layer of vegetation，Journal of Geophysical Research，83(1978)：1889-1903.

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

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

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

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

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

[7]B.A.Smith，R.W.McClendon，G.Hoogenboom，Improving air temperature prediction with artificial neural networks，Int.J.Computational Intelligence，3(2006)：179-186.

[8]R.F.Chevalier，G.Hoogenboom，R.W.McClendon，J.A.Paz，Support vector regression with reduced training sets for air temperature prediction：a comparison with artificial neural networks，Neural Comput.&Applic.，20 (2011)：151-159.

[9]A.L.Labajo，J.L.Labajo，Analysis of temporal behavior of climate variables using artificial neural networks：an application to mean monthly maximum temperatures on the Spanish Central Plateau，Atmosfera，24 (2011)：267-285.

[10]M.Afzali，A.Afzali，G.Zahedi，The potential of artificial neural network technique in daily and monthly ambient air temperature prediction， Int.J.Environmental Science and Development，3(2012)：33-38.

[11]G.A.F.Seber，C.J.Wild，Nonlinear Regression，John Wiley＆Sons， Inc.，1989，p.254

发明内容

为解决上述现有技术中存在的问题，本发明的目的在于提供一种短时 间间隔大气环境温度预测方法，本发明方法适用于任何地点和任何天气类 型的情况，精度高，计算量小，实际应用中可在线实时执行。

本发明方法的设计思想为：

首先，在大气环境中定义一个截面积为1平方米的球形控制体作为研究 对象，该控制体温度的变化即代表了大气环境温度变化。控制体温度变化 主要依赖于空气热容及接收到的热量，其中空气热容的变化和空气湿度和 温度有关，控制体与控制体之外的热量交换主要通过辐射和对流实现的， 考虑到预测时间间隔较短，可以假设控制体和周围空气在预测时段内温度 相同，因此可以忽略控制体与外界的对流换热。辐射热有多个组成部分， 包括来自于（1）太阳的直接辐射热；（2）云层和地面反射；（3）云层和地 面辐射热。其中（1）和（2）直接依赖于当地太阳辐射能，而（3）和云层、 地面温度有关，与太阳辐射能有间接依赖关系，其变化与太阳辐射能在时 间上有一个滞后效应。因此大气环境温度的变化可以归结为只和当地太阳 辐射能相关，本发明的重点内容是提出了一种新方法来确定大气环境温度 与太阳辐射能之间的依赖关系。

为达到上述目的，本发明所采用的技术方案是：

一种短时间间隔大气环境温度预测方法，包括如下步骤：

步骤1：首先，在大气环境中定义一个截面积为1平方米的球形控制体 作为研究对象，设定控制体环境变量的采样时间步长，设定预测时长；

步骤2：每隔一个设定的时间步长，测量太阳辐射能、大气温度、压强 和相对湿度，当采样记录持续的时间长度大于12小时时，则开始执行大气 环境温度预测程序，且每经过一个预测时长的时间间隔执行一次大气环境 温度预测；

步骤3：在大气环境温度预测执行过程中，对于第k个预测时间段，首 先根据当前采样获得的大气温度、压强和相对湿度，通过方程（1）～（5） 计算确定C_th值，若k等于1，则在区间[0.001，0.01]范围内为空气辐射热 吸收系数f设定一个值（如0.0025），若预测时间段索引k大于等于2，采 用方程（6）更新空气辐射热吸收系数f的值：

$\ln \left(p_s\right)=$

$54.842763-\frac{6763.22}{T}-4.21\ln \left(T\right)+0.000367T+\tanh \left[0.0415(T-218.8)\right][53.878-$

$\frac{1331.22}{T}-9.44523\ln \left(T\right)+0.014025T]---\left(2\right)$

$\rho =\frac{p(1-x)}{287.058T}+\frac{\mathrm{px}}{461.495T}---\left(3\right)$

$C_{\mathrm{th}}=\frac{3}{4\mathrm{\pi \rho }{c}_p{r}^3}---\left(5\right)$

$f=\frac{A(T_0^k-T_0^{k-1})}{C_{\mathrm{th}}^k[{\int }_{t_0^k-12}^{t_0^k}{f}_{\mathrm{bl}}\left(t\right){\stackrel{·}{q}}_{\mathrm{rad}}\left(t\right)\mathrm{dt}-{\int }_{t_0^{k-1}-12}^{t_0^{k-1}}{f}_{\mathrm{bl}}\left(t\right){\stackrel{·}{q}}_{\mathrm{rad}}\left(t\right)\mathrm{dt}]}---\left(6\right)$

式中：——空气绝对湿度，

x——空气相对湿度，

p——空气压强，

p_s——空气中水蒸气饱和压力，

T——控制体温度，

ρ——控制体空气密度，

c_p——控制体空气比热，

r——控制体半径

f——控制体辐射热的吸收系数，

T₀——当前温度，

t₀——当前时刻，单位：小时

f_bi(t)——Box Lucas函数，表达式为：式 中参数a₁,a₂默认值可取为0.5和3.8，对于不同地区这两个参数值可以做一 定的调整。

A——Box Lucas函数在区间[0，12]的积分，表达式为： $A={\int }_0^{12}{f}_{\mathrm{bl}}\left(t\right)\mathrm{dt}$

区间[t₀-12,t₀]的q_rad——过去12小时的太阳辐射能；

步骤4：利用太阳辐射能预测模块预测未来一个预测时长内太阳辐射能 分布，从而根据方程（10）获得未来一个预测时长内温度分布，之后程序 等待直至下一个预测时刻，具体如下：

控制体的热平衡方程为（7）：

$\frac{4}{3}{\mathrm{\pi \rho c}}_p{r}^3\frac{\mathrm{dT}}{\mathrm{dt}}=f\stackrel{·}{q}---\left(7\right)$

对该方程两边进行积分得方程（8）：

（8）

式中：T是控制体温度，ρ为空气密度，c_p为空气比热，r为控制体半 径，为总辐射热强度，f为控制体辐射热的吸收系数；

与太阳直接辐射和反射相比，云层及地球表面本身产生的热辐射在时 间上具有一定的滞后性，考虑到云层和地球表面本身热辐射是太阳辐射能 在时间上的滞后效应，方程（7）中的辐射热的计算可以看作是过去一段 时间太阳辐射能热效应的累积，设太阳辐射的热效应时间滞后时长为12 小时，并且太阳辐射能热效应的时间滞后特征遵循Box Lucas模型[11]， 并定义为方程（9）：

$f_{\mathrm{decay}}\left(t\right)=\frac{f_{\mathrm{bl}}\left(t\right)}{A}---\left(9\right)$

式中：$f_{\mathrm{bl}}\left(t\right)=\frac{a_1(e^{-a_{2}t}-e^{-a_{1}t})}{a_1-a_2},$$A={\int }_0^{12}{f}_{\mathrm{bl}}\left(t\right)\mathrm{dt}$

由方程（5）、（8）和（9）得到t_p时刻大气环境温度的预测表达式（10）。

$T_p=T_0+\frac{C_{\mathrm{th}}f}{A}[{\int }_{t_p-12}^{t_p}{f}_{\mathrm{bl}}\left(t\right){\stackrel{·}{q}}_{\mathrm{rad}}\left(t\right)\mathrm{dt}-{\int }_{t_0-12}^{t_0}{f}_{\mathrm{bl}}\left(t\right){\stackrel{·}{q}}_{\mathrm{rad}}\left(t\right)\mathrm{dt}]---\left(10\right)$

所述预测时长小于1小时。

所述采样时间步长为1～5分钟。

本发明方法适用于任何地点和任何天气类型的情况，精度高，计算量小， 实际应用中可在线实时执行。在预测时长小于1小时的情况下，预测值和 实际观测值符合良好，其中当预测时长为30分钟时绝对误差小于1K，当预 测时长为1小时时绝对误差小于3K。

附图说明

图1为基于Box Lucas模型的太阳辐射能热效应时间滞后特征曲线。

图2为对新加坡2012年4月1日-8日期间的大气环境温度的预测值与 观测值比较。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明。

本实施例通过对新加坡2012年4月1日-8日期间的大气环境温度进行 预测，来说明本发明一种短时间间隔大气环境温度预测方法，包括如下步 骤：

步骤1：首先，在大气环境中定义一个截面积为1平方米的球形控制体 作为研究对象，设定控制体环境变量的采样时间步长为3分钟；

步骤2：每隔一个设定的时间步长，测量控制体的太阳辐射能、大气温 度、压强和相对湿度，当采样记录持续的时间长度大于12小时时，则开始 执行大气环境温度预测程序，且每经过一个预测时长的时间间隔执行一次 大气环境温度预测；

步骤3：在大气环境温度预测执行过程中，对于第k个预测时间段，首 先根据当前采样获得的大气温度、压强、相对湿度、空气密度和空气比热， 通过方程（1）～（5）计算确定C_th值，当k等于1时，设f值为0.0025， 若预测时间段索引k大于等于2，采用方程（6）更新空气辐射热吸收系数 f的值；

$\ln \left(p_s\right)=$

$54.842763-\frac{6763.22}{T}-4.21\ln \left(T\right)+0.000367T+\tanh \left[0.0415(T-218.8)\right][53.878-$

$\frac{1331.22}{T}-9.44523\ln \left(T\right)+0.014025T]---\left(2\right)$

$\rho =\frac{p(1-x)}{287.058T}+\frac{\mathrm{px}}{461.495T}---\left(3\right)$

$C_{\mathrm{th}}=\frac{3}{4\mathrm{\pi \rho }{c}_p{r}^3}---\left(5\right)$

$f=\frac{A(T_0^k-T_0^{k-1})}{C_{\mathrm{th}}^k[{\int }_{t_0^k-12}^{t_0^k}{f}_{\mathrm{bl}}\left(t\right){\stackrel{·}{q}}_{\mathrm{rad}}\left(t\right)\mathrm{dt}-{\int }_{t_0^{k-1}-12}^{t_0^{k-1}}{f}_{\mathrm{bl}}\left(t\right){\stackrel{·}{q}}_{\mathrm{rad}}\left(t\right)\mathrm{dt}]}---\left(6\right)$

式中：——空气绝对湿度，

x——空气相对湿度，

p——空气压强，

p_s——空气中水蒸气饱和压力，

T——控制体温度，

ρ——控制体空气密度，

c_p——控制体空气比热，

r——控制体半径

f——控制体辐射热的吸收系数，

T₀——当前温度，

t₀——当前时刻，单位：小时

f_bi(t)——Box Lucas函数，表达式为：式 中参数a₁,a₂默认值可取为0.5和3.8，对于不同地区这两个参数值可以做一 定的调整。

A——Box Lucas函数在区间[0，12]的积分，表达式为： $A={\int }_0^{12}{f}_{\mathrm{bl}}\left(t\right)\mathrm{dt}$

区间[t₀-12,t₀]的q_rad——过去12小时的太阳辐射能；

步骤4：利用太阳辐射能预测模块预测未来一个预测时长内太阳辐射能 分布，从而根据方程（10）获得未来一个预测时长内温度分布，之后程序 等待直至下一个预测时刻；具体如下：

控制体的热平衡方程为（7）：

$\frac{4}{3}{\mathrm{\pi \rho c}}_p{r}^3\frac{\mathrm{dT}}{\mathrm{dt}}=f\stackrel{·}{q}---\left(7\right)$

对该方程两边进行积分得方程（8）：

$T={\int C}_{\mathrm{th}}\left(t\right)f\stackrel{·}{q}\left(t\right)\mathrm{dt}---\left(8\right)$

式中：T是控制体温度，ρ为空气密度，c_p为空气比热，r为控制体半 径，为总辐射热强度，f为控制体辐射热的吸收系数；

与太阳直接辐射和反射相比，云层及地球表面本身产生的热辐射在时 间上具有一定的滞后性，考虑到云层和地球表面本身热辐射是太阳辐射能 在时间上的滞后效应，方程（7）中的辐射热的计算可以看作是过去一段 时间太阳辐射能热效应的累积，设太阳辐射的热效应时间滞后时长为12 小时，并且太阳辐射能热效应的时间滞后特征遵循Box Lucas模型[11]， 并定义为方程（9）：

$f_{\mathrm{decay}}\left(t\right)=\frac{f_{\mathrm{bl}}\left(t\right)}{A}---\left(9\right)$

式中：$f_{\mathrm{bl}}\left(t\right)=\frac{a_1(e^{-a_{2}t}-e^{-a_{1}t})}{a_1-a_2},$$A={\int }_0^{12}{f}_{\mathrm{bl}}\left(t\right)\mathrm{dt}$

由方程（5）、（8）和（9）得到t_p时刻大气环境温度的预测表达式（10）。

$T_p=T_0+\frac{C_{\mathrm{th}}f}{A}[{\int }_{t_p-12}^{t_p}{f}_{\mathrm{bl}}\left(t\right){\stackrel{·}{q}}_{\mathrm{rad}}\left(t\right)\mathrm{dt}-{\int }_{t_0-12}^{t_0}{f}_{\mathrm{bl}}\left(t\right){\stackrel{·}{q}}_{\mathrm{rad}}\left(t\right)\mathrm{dt}]---\left(10\right)$

如图1所示，为基于Box Lucas模型的太阳辐射能热效应时间滞后特 征曲线，从图中可以看出，太阳辐射能热效应在1小时左右达到峰值，之 后热效应逐渐减小，在12小时之后其热效应接近于0，几乎可以忽略不计。

如图2所示，为采用本发明方法对对新加坡2012年4月1日-8日期 间的大气环境温度的预测值与观测值比较，可以看出，在预测时长小于1 小时的情况下，预测值和实际观测值符合良好，其中当预测时长为30分钟 时绝对误差小于1K，当预测时长为1小时时绝对误差小于3K。