本技术涉及空调，尤其是涉及一种空调机组运行能效测试方法、测试仪及存储介质。
背景技术：
1、在当今社会，随着城市化进程的加速和气候变化的挑战日益严峻，建筑物能源管理，尤其是空调机组的能效优化，成为了至关重要的议题。空调机组作为调节室内环境温度的关键设备，在商业、工业和住宅建筑物中得到广泛应用，它们通过提供冷却或加热，确保了室内空间的热舒适性和空气质量，其运行效能直接影响着能源利用的经济性和环境的可持续性。
2、目前，常见的空调能效测试技术往往缺乏对建筑物内复杂环境变化和使用情况的深入分析，无法精确预测和实时评估空调机组在不同环境条件下的运行能效变化，难以及时发现空调机组运行效率低下或供能不足问题，导致能源使用效率较低，且建筑物内环境舒适度难以保证。
技术实现思路
1、为了在提高能源使用效率的同时，保证建筑物内环境舒适度，本技术提供了一种空调机组运行能效测试方法、测试仪及存储介质。
2、第一方面，本技术提供一种空调机组运行能效测试方法，采用如下的技术方案：
3、一种空调机组运行能效测试方法，所述方法包括：
4、获取空调机组所在建筑物的当前时段的环境监测数据和使用情况数据；
5、基于机器学习算法，根据所述环境监测数据和使用情况数据预测所述建筑物的冷热负荷需求；
6、获取所述空调机组当前时段的机组供热量/机组供冷量和实时功率；
7、判断所述机组供热量/机组供冷量是否满足所述冷热负荷需求，若否，则根据所述空调机组的实时功率以及机组供热量/机组供冷量，计算得到所述空调机组的供热性能系数/供冷能效比；
8、判断所述供热性能系数/供冷能效比是否满足预设标准值；
9、若是，则发送启动控制信号至备用空调机组；
10、若否，则发送配置调整提示信号至管理终端。
11、通过采用上述技术方案，采集空调机组所在建筑物内的环境监测数据和使用情况数据，基于机器学习算法预测冷热负荷需求，实时获取空调机组的供热量/供冷量和实时功率，直接与预测的冷热负荷需求对比，当发现供需不匹配时，立即进入能效评估流程，通过计算cop或eer来评估机组的运行效率，根据评估结果自动触发启动备用机组或发送配置调整提示，实现了系统的智能性和自动化水平，不仅提高了空调机组的运行效率，减少了能源消耗，还提升了建筑物的舒适度和环境可持续性。
12、可选的，基于机器学习算法，根据所述环境监测数据和使用情况数据预测所述建筑物的冷热负荷需求的步骤包括：
13、将所述环境监测数据和使用情况数据输入至冷热负荷需求预测模型中，得到所述建筑物的冷热负荷需求预测结果；其中，所述冷热负荷需求预测模型根据所述建筑物的历史环境监测数据、历史使用情况数据以及对应的冷热负荷需求标签预先训练得到。
14、通过采用上述技术方案，利用历史数据训练机器学习模型，建立环境监测数据和使用情况数据与冷热负荷需求之间的关系，应用该模型对当前数据进行分析，预测建筑物的即时冷热负荷需求，便于提前了解未来时段的冷热需求，为调整空调机组运行策略提供科学依据，减少能源浪费，提升整体能效。
15、可选的，获取所述空调机组当前时段的机组供热量的步骤包括：
16、采集所述空调机组当前时段的机组用户侧流量g、热水密度ρ1、热水的定压比热c1、机组供水温度tg和机组回水温度th，得到所述机组供热量qr= g×ρ1×c1×(tg-th )/3600；
17、获取所述空调机组当前时段的机组供冷量的步骤包括：
18、采集所述空调机组当前时段的机组用户侧流量g、冷水密度ρ2、冷水的定压比热c2、机组供水温度tg和机组回水温度th，得到所述机组供冷量q1= g×ρ2×c2×(th-tg )/3600。
19、通过采用上述技术方案，能够精确计算出在给定时间段内空调机组提供的热能/冷能总量，为评估系统在供冷模式下的能效和性能提供了关键数据。
20、可选的，计算得到所述空调机组的供热性能系数cop /供冷能效比eer的公式分别为：cop=qr/n，eer=q1/n；其中，qr为机组供热量，q1为机组供冷量，n为空调机组的实时功率。
21、通过采用上述技术方案，基于公式的精确计算，提供了一个量化指标，用于评估空调机组在供冷/供热模式下的能源利用效率。
22、可选的，所述测试方法还包括所述冷热负荷需求预测模型的训练步骤，所述训练步骤包括：
23、获取样本数据集并进行数据预处理：所述样本数据集包括所述建筑物的历史环境监测数据、历史使用情况数据以及对应的冷热负荷需求标签；
24、对预处理后的样本数据集进行特征提取；
25、将特征提取后的样本数据集划分为训练集、验证集和测试集；
26、基于所述训练集对预先构建的神经网络模型进行初训练，并基于所述验证集和所述测试集对初训练后的神经网络模型进行验证和模型参数优化调整，得到训练完成的所述冷热负荷需求预测模型。
27、通过采用上述技术方案，建立了具有精确预测能力的冷热负荷需求预测模型，确保了模型的泛化性能和实际应用价值，为建筑物能源管理提供了强大的技术支持。
28、可选的，基于所述训练集对预先构建的神经网络模型进行初训练，并基于所述验证集和所述测试集对初训练后的神经网络模型进行验证和模型参数优化调整的步骤包括：
29、将所述训练集输入至预先构建的神经网络模型进行训练，对模型参数进行优化并计算神经网络模型的损失函数，直到损失函数满足预设条件或模型迭代次数达到预设次数，得到训练后的所述冷热负荷需求预测模型；
30、基于所述验证集对所述冷热负荷需求预测模型进行验证，评估所述冷热负荷需求预测模型的性能并调整模型的超参数；
31、基于所述测试集对调整后的冷热负荷需求预测模型的预测能力进行测试。
32、通过采用上述技术方案，利用训练集对模型进行训练，通过验证集进行模型选择和超参数微调，监控损失函数和预测误差，避免过拟合；使用测试集对最终模型进行评估，分析预测误差，根据误差类型调整模型或特征，从而进一步提高模型的泛化能力。
33、可选的，在判断所述机组供热量/机组供冷量是否满足所述冷热负荷需求的步骤之后还包括：
34、若所述机组供热量/机组供冷量满足所述冷热负荷需求，则根据所述机组供热量/机组供冷量和所述冷热负荷需求得到机组过供量；
35、根据所述机组过供量和所述冷热负荷需求的比值，确定过供百分比；
36、判断所述过供百分比是否高于预设阈值，若是，则根据所述过供百分比确定对应的过供等级；
37、基于预设策略库，根据所述过供等级匹配对应的节能策略并发送至管理终端。
38、通过采用上述技术方案，精确量化过供量并进行分级管理，根据过供的严重程度采取不同程度的节能措施，通过及时调整机组运行状态，在确保建筑物舒适度的同时，避免了不必要的能源消耗。
39、可选的，在发送配置调整提示信号至管理终端的步骤之后还包括：
40、监测所述空调机组的供热/供冷性能，获取所述空调机组在预设时长后供热性能系数/供冷能效比的变化量；
41、判断所述变化量是否满足预设变化阈值；
42、若是，则获取所述管理终端的配置调整策略并存储至预设配置策略库；
43、若否，则根据所述变化量发送故障提示信号至管理终端。
44、通过采用上述技术方案，实时跟踪和量化调整措施带来的能效改善，通过设定阈值进行能效改善判断，确保了只有当调整效果显著偏离预期时才触发进一步行动，避免了不必要的频繁干预；同时，在能效改善显著时，存储有效配置调整策略，从而为长期性能优化积累数据资产。
45、第二方面，本技术提供一种空调机组运行能效测试仪，采用如下的技术方案：
46、一种空调机组运行能效测试仪，所述测试仪包括：
47、环境数据获取模块，用于获取空调机组所在建筑物的当前时段的环境监测数据和使用情况数据；
48、冷热负荷需求预测模块，用于基于机器学习算法，根据所述环境监测数据和使用情况数据预测所述建筑物的冷热负荷需求；
49、空调数据获取模块，用于获取所述空调机组当前时段的机组供热量/机组供冷量和实时功率；
50、第一判断模块，用于判断所述机组供热量/机组供冷量是否满足所述冷热负荷需求，若否，则输出第一判断结果；
51、计算模块，用于响应于所述第一判断结果，根据所述空调机组的实时功率以及机组供热量/机组供冷量，计算得到所述空调机组的供热性能系数/供冷能效比；
52、第二判断结果，用于判断所述供热性能系数/供冷能效比是否满足预设标准值；若是，则输出第二判断结果；若否，则输出第三判断结果；
53、备用机组控制模块，用于响应于所述第二判断结果，则发送启动控制信号至备用空调机组；
54、配置调整提示模块，用于响应于所述第三判断结果，发送配置调整提示信号至管理终端。
55、第三方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：
56、一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一种方法的计算机程序。
57、综上所述，本技术包括以下至少一种有益技术效果：
58、1.通过集成环境感知、数据预测、实时监控、能效评估与智能控制等多个环节，形成了一套闭环的能效管理系统，相较于单一功能的现有技术，创造性地实现了全面的能效优化与管理。
59、2.利用机器学习进行负荷预测，结合实时数据分析进行智能决策，显著提高了系统的智能化水平，减少了人工干预，这是对传统hvac系统管理方式的重大创新。
60、3.根据能效评估结果采取不同的应对措施，如启动备用机组或调整配置，这种灵活的策略设计，显示了对复杂场景的深入思考和应对，体现了系统的智能性和自动化水平，具有较高的创新价值。
1.一种空调机组运行能效测试方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种空调机组运行能效测试方法，其特征在于，基于机器学习算法，根据所述环境监测数据和使用情况数据预测所述建筑物的冷热负荷需求的步骤包括：
3.根据权利要求1所述的一种空调机组运行能效测试方法，其特征在于，获取所述空调机组当前时段的机组供热量的步骤包括：
4.根据权利要求3所述的一种空调机组运行能效测试方法，其特征在于，计算得到所述空调机组的供热性能系数cop /供冷能效比eer的公式分别为：cop=qr/n，eer=q1/n；其中，qr为机组供热量，q1为机组供冷量，n为空调机组的实时功率。
5.根据权利要求2所述的一种空调机组运行能效测试方法，其特征在于，所述测试方法还包括所述冷热负荷需求预测模型的训练步骤，所述训练步骤包括：
6.根据权利要求5所述的一种空调机组运行能效测试方法，其特征在于，基于所述训练集对预先构建的神经网络模型进行初训练，并基于所述验证集和所述测试集对初训练后的神经网络模型进行验证和模型参数优化调整的步骤包括：
7.根据权利要求1到6任一所述的一种空调机组运行能效测试方法，其特征在于，在判断所述机组供热量/机组供冷量是否满足所述冷热负荷需求的步骤之后还包括：
8.根据权利要求1所述的一种空调机组运行能效测试方法，其特征在于，在发送配置调整提示信号至管理终端的步骤之后还包括：
9.一种空调机组运行能效测试仪，其特征在于，所述测试仪包括：
10.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1到8任一种所述方法的计算机程序。
