CN102682191B - 一种冷水机组的控制及诊断方法 - Google Patents

Abstract

本发明公开了一种冷水机组的控制及诊断方法，包括步骤：直接和间接测量空调负荷之后采集测量数据；当直接测量数据为奇异值，移除所述直接测量数据，使用间接测量数据进行数据融合；否则通过移动平均的方法移除所述采集的数据中的测量噪音后，将所述移除测量噪音后的数据进行数据融合，当直接测量数据存在系统误差，校正所述间接测量数据，进行数据融合；最后计算融合值的可信度。本发明的方案中，将直接测量数据与间接测量数据进行融合，移除奇异值、测量噪音及系统误差的影响，有效地提高空调负荷的测量数据的准确度，提高融合值的可信度，进而有效地提高冷水机组控制的可靠性。

Description

一种冷水机组的控制及诊断方法

技术领域

本发明涉及一种冷水机组的控制及诊断方法，尤其涉及一种根据建筑的空调负荷测量数据的融合方法而进行冷水机组的控制及诊断的方法。

背景技术

基于数据融合技术的建筑空调负荷测量属于环境工程与设备领域。该技术通过数据融合来提高空调负荷测量精度及可靠性，致力于解决实际应用中建筑负荷测量不准和(或)可靠性差及由此引发的冷水机组自动控制不可靠等问题。

数据融合是通过对来自于两组独立的信息源的负荷测量，即负荷直接测量与基于制冷机模型的“间接测量进行”，合成使得最终的结果更为准确、完整及可靠。当可靠的数据处理成为有效过程评估、操作和控制的基础时，数据融合显得尤为重要。随机误差和奇异值或者系统误差通常降低测量数据的准确性。数据融合的主要目的是通过数据融合消除它们的负面影响。数据融合及融合值可信度的确定分为以下几步：a)描述和估计各自数据源的不确定性；b)建立合适的融合机理获得融合结果；c)评估最终结果的可信度。

建筑负荷精确测量是实现冷水机组可靠控制的必要条件。常规获取系统冷负荷的方法基于冷冻水的进出口温度及其流量的“直接测量”。这种方法易受传感器的不确定度的影响，因此测量时常产生较大的偏差。此外由于空调系统冷冻水进出口温差一般较小(3～5℃或更低)，很小的温度测量误差也可能会导致较大的冷负荷测量偏差。例如在冷冻水入口及出口温度各偏离其真实值0.5℃，即使流量测量完全准确，冷负荷的直接测量值也有20％左右的偏差。因而基于建筑负荷直接的冷水机组自动控制不可靠，而且存在系统能耗浪费和建筑室内热舒适性不达标等问题。另外，间接测量是通过制冷机模型来进行的，它受冷凝压力、蒸发压力及冷机功耗等影响，由于冷凝压力、蒸发压力及冷机功耗的测量也不一定很准确。因此，间接测量的数据的总和会与实际数据有较大的偏差。

发明内容

本发明要解决的技术问题在于，现有技术中，由于空调负荷的测量数据的精确度不够高，导致冷水机组自动控制的可靠性不够高，针对现有技术的上述缺陷，提供一种冷水机组的控制及诊断方法。

本发明解决其技术问题所采用的技术方案是：

一种冷水机组的控制及诊断方法，包括如下步骤：

S1、对建筑空调负荷测量数据融合过程所需的参数赋值，测量空调负荷，所述测量包括直接测量和间接测量；

S2、采集所测量的数据，所述测量的数据包括直接测量数据和间接测量数据；

S3、判断所述直接测量数据是否为奇异值，如判断为是，则转向步骤S4、否则转向步骤S5，所述奇异值用于判断是否采用所述直接测量数据来融合数据；

S4、从所采集的数据中移除直接测量数据，基于前一次采集测量数据时所计算的融合值，使用所述间接测量数据的增量进行数据融合，得到第一融合值，转向步骤S9，所述增量是当前所采集的间接测量数据与前一次所采集的间接测量数据之间的差值；

S5、将所述采集的数据存储在长度为N的移动窗口中，通过移动平均的方法移除所述采集的数据中的测量噪音后，将所述移除测量噪音后的数据进行数据融合，得到第二融合值，所述N为自然数；

S6、判断所述直接测量数据是否存在系统误差，如果判断为是，则转向步骤S7，否则转向步骤S8；

S7、校正所述间接测量数据，进行数据融合，得到第三融合值；

S8、计算所得到的融合值的可信度；

S9、输出所计算的可信度及与其相对应的融合值；

S10、根据所述可信度及与其相对应的融合值，进行冷水机组的控制及诊断。

优选地，所述步骤S8之后还包括：

判断所述可信度是否低于预置临界值；

如果判断为否，则转向步骤S9，或

如果判断为是，发出关于提醒检测测量系统是否发生异常的警告。

优选地，所述步骤S3具体包括：根据第三公式，计算所述直接测量数据

的增量与所述间接测量数据的增量的差值；

判断所述差值是否大于所述预置常数，当判断为是，则所述直接测量数据是奇异值，转向步骤S4、否则所述直接测量数据为非奇异值，转向步骤S5；

其中，所述第三公式为：d_k＝|ΔCL_im,k-ΔCL_dm,k|，所述ΔCL_dm,k是当前所采集的直接测量数据与前一次所采集的直接测量数据的之间的增量，所述ΔCL_im，k是当前所采集的间接测量数据与前一次所采集的间接测量数据之间的增量，所述d_k为所述直接测量数据的增量与间接测量数据的增量之间的差值。

优选地，所述步骤S4具体包括：

从所采集的数据中移除所述直接测量数据；

根据第四公式修正所述间接测量数据，进行数据融合，得到第一融合值，所述第四公式为：CL_f,k＝CL_f,k-1+ΔCL_im,k；

其中，所述C_Lf,k-1，C_Lf,k分别表示与当前所采集的及前一次采集的空调负荷测量数据所对应的第一融合值。

优选地，所述步骤S5具体包括：

将N次所采集的直接测量数据及间接测量数据存储在长度为N的移动窗口中；

计算存储在所述移动窗口中的相邻次数所采集的直接测量数据之间的增量总和，以及计算存储在所述移动窗口中的相邻次数所采集的间接测量数据之间的增量总和；

根据第五公式，使用所采集的空调负荷测量数据进行数据融合，得到第二融合值，所述第五公式为：其中，S_dm,k是移动窗口中所述直接测量数据的增量总和，是相邻次数所采集的间接测量数据之间的增量，A^t＝[N-1,…,1]，所述N及t均为自然数。

优选地，所述步骤S6具体包括：

根据第六公式计算影响变量，所述影响变量表示系统误差的大小；

判断所述影响变量是否在预置范围内，如果是，则表示不存在系统误差，转向步骤S7,否则表示存在系统误差，转向步骤S8；

所述第六公式为：E_f,k＝CL_im,k-CL_f,k其中，E_f,k表示所述影响变量，CL_im,k表示所述间接测量数据，CL_f,k为所述第二融合值。

优选地，所述步骤S7具体为：

根据第七公式，校正所述间接测量数据，进行数据融合，得到第三融合值，所述第七公式为：其中，所述是所述影响变量在预置正常工作时间内未受到系统误差影响的平均值。

优选地，所述步骤S8具体为：根据第八公式计算融合值可信度，所述第八公式为：γ_k＝β₁ζ_k-1；其中，所述γ_k表示可信度，所述β₁是常数，所述ζ_k-1表示在存储在移动窗口中的除去当前所采集的间接测量数据的增量之外的间接测量数据增量的总和与存储在所述移动窗口中的除去当前所采集的直接测量数据增量之外的直接测量数据增量的总和之间的差值的校正平均值。

优选地，所述步骤S8具体为：根据第九公式计算融合值可信度，所述第九公式为：γ_k＝1-(1-β₁)ζ_k，其中，所述γ_k表示可信度，所述β₁是常数，所述ζ_k表示存储在移动窗口中的间接测量数据增量的总和与存储在所述移动窗口中的直接测量数据增量的总和之间的差值的校正平均值，所述k表示采集所述空调负荷测量数据的次数。

优选地，所述步骤S8具体为：根据第十公式计算融合值可信度，所述第十公式为：γ_k＝β₂ζ_k-1；其中，所述γ_k表示可信度，所述β₂是常数，所述ζ_k-1表示存储在移动窗口中的除去当前的间接测量数据的增量之外的间接测量数据增量的总和与存储在所述移动窗口中的除去当前直接测量数据增量之外的直接测量数据增量的总和之间的差值的校正平均值，所述k表示采集所述空调负荷测量数据的次数。

使用本发明的技术方案，具有以下有益效果：本发明中，将直接测量数据与间接测量数据进行融合，移除奇异值、测量噪音及系统误差的影响，有效地提高空调负荷的测量数据的准确度，提高融合值的可信度，进而有效地提高冷水机组运行的可靠性。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1-1是本发明实施例的建筑空调负荷测量数据的融合过程的融合测量与直接测量值比较示意图；

图1-2是本发明实施例的建筑空调负荷测量数据的融合过程的融合测量值与间接测量值比较示意图；

图2是本发明实施例的一种冷水机组的控制及诊断方法的现场应用示意图；

图3是本发明一实施例的建筑空调负荷测量数据的融合过程的流程图；

图4是本发明一实施例的建筑空调负荷测量数据的融合过程及故障检测的流程图；

图5是本发明实施例的建筑空调负荷测量数据的融合过程的可信度示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的技术，可应用于建筑管理系统(BMS)，对建筑负荷测量(空调负荷)测量时进行实时融合计算。其中，融合计算中所涉及的参数包括冷冻水温度、流量、冷凝压力、蒸发压力机冷机功耗等。上述的参数可通过建筑管理系统获得。

如图2所示，是本发明实施例的一种冷水机组的控制及诊断方法的现场应用示意图，而图3是本发明一实施例的一种建筑的空调负荷测量数据的融合过程的流程图。在步骤101中，对融合过程所需的参数赋值，测量空调负荷。所述参数包括冷冻水温度、流量，冷机功耗、冷凝压力、蒸发压力等，用于协助数据融合。相对应地，该测量数据包括直接测量数据及间接测量数据，其中，该数据是冷水机组的时序控制及诊断的依据。如图3所示，直接测量(见图1-1)是基于冷冻水进出口温差及冷冻水流量而进行的。根据公式CL_dm＝c×m×(T_in-T_out)而获得直接测量数据，其中，CLdm是直接测量数据，CLim是间接测量数据，c、m是常数，Tin、Tout分别是冷冻水回水温度及冷冻水供水温度。此外，间接测量(件图1-2)是通过建立制冷机模型而获得，如图3所示，具体地，该间接测量数据是根据公式CL_im＝f(P_com,P_ev,P_cd)而获得，其中，Pcom是制冷机的测量功耗，Pcd是与冷凝温度Tcd对应的压力，Pev是与蒸发温度Tev相对应的压力。接着在步骤102中，采集空调负荷的测量数据，其中，该测量数据包括直接测量数据和间接测量数据。接着转到步骤103。

在步骤103中，判断直接测量数据是否为奇异值。其中，该奇异值用于判断是否采用所述直接测量数据来进行融合数据。此时，根据公式d_k＝|ΔCL_im,k-ΔCL_dm,k|可知，d_k为直接测量数据的增量与间接测量数据的增量之间的差值，当所述d_k满足公式d_k＞E_m时，判断所述直接测量数据为奇异值，转向步骤105，所述E_m是用户所定义的预置常数。如果不满足公式d_k＞E_m，则转向步骤104。

在步骤104中，移除直接测量数据，使用间接测量数据进行融合数据，得到第一融合值。具体地，根据公式：CL_f,k＝CL_f,k-1+ΔCL_im,k，基于前一次采集所述空调负荷测量数据时所计算的融合值CL_f,k-1，使用所述间接测量数据的增量ΔCL_im，k进行数据融合，得到第一融合值CL_f,k，接着转到步骤109。

在步骤109中，计算所述第一融合值的可信度。其中，可信度是表示融合数据质量的重要参数。它提供的有效信息帮助BMS更好的利用融合值或者在直接测量值的品质很低的时候给出警告。可信度的范围为[0,1]，越高表明融合后的数据越准确可靠。由于直接测量容易受到噪音、奇异值和系统误差的影响，因此需要计算可信度。根据公式γ_k＝β₁ζ_k-1来计算可信度。其中，所述γ_k表示可信度，所述β₁是常数，该ζ_k的计算公式为：所述ζ_k-1表示在存储在移动窗口中的除去当前所采集的间接测量数据的增量之外的间接测量数据增量的总和与存储在所述移动窗口中的除去当前所采集的直接测量数据增量之外的直接测量数据增量的总和之间的差值的校正平均值，如下面公式 ${\mathrm{\ΔS}}_{\mathrm{im},k}=\left|{\mathrm{\ΔCL}}_{\mathrm{im},2}^k\right|+...+\left|{\mathrm{\ΔCL}}_{\mathrm{im},N-1}^k\right|+\left|{\mathrm{\ΔCL}}_{\mathrm{im},k}\right|,{\mathrm{\ΔS}}_{\mathrm{dm},k}=\left|{\mathrm{\ΔCL}}_{\mathrm{dm},2}^k\right|+...+\left|{\mathrm{\ΔCL}}_{\mathrm{dm},N-1}^k\right|+\left|{\mathrm{\ΔCL}}_{\mathrm{dm},k}\right|,$ 即可计算ζ_k的值，所述E_m是用户设置的预置常数，所述N为自然数，计算好第一融合值的可信度之后，转到步骤110。

在步骤105中，通过移动平均的方法移除所述采集的数据中的测量噪音，将所述移除测量噪音后的数据进行数据融合，得到第二融合值。其中，根据公式：用移动平均的方法消除测量噪音。具体地，首先将N次采集的直接测量数据及间接测量数据存储在长度为N的移动窗口中，根据公式：计算存储在所述移动窗口中的相邻次数所采集的直接测量数据之间的增量总和，以及根据公式： ${\stackrel{\→}{Q}}_k^t=[{\mathrm{CL}}_{\mathrm{im},N}^k-{\mathrm{CL}}_{\mathrm{im},N-1}^k,{\mathrm{CL}}_{\mathrm{im},N-2}^k-{\mathrm{CL}}_{\mathrm{im},N-3}^k,...{\mathrm{CL}}_{\mathrm{im},2}^k-{\mathrm{CL}}_{\mathrm{im},1}^k]$ 计算存储在所述移动窗口中的相邻次数所采集的间接测量数据之间的增量总和，其中，A^t＝[N-1,…,1]，N为自然数。接着转到步骤106。

在步骤106中，判断直接测量是否存在系统误差。在实际应用中，由于直接测量时有可能会出现系统误差，进而导致直接测量数据不够准确，因此需要判断是否存在系统误差。与奇异值不同，系统误差可能持续很长时间。基于系统误差本身的特性即其变化相对平缓，所以消除奇异值的方法不再有效。我们通过融合后的数据(即第二融合值)与直接测量值之间的比较来确定系统误差是否存在。此时定义一个表示系统误差大小的影响变量E_f,k，具体地，根据公式E_f,k＝CL_im,k-CL_f,k计算影响变量，其中，E_f,k表示所述影响变量，C_Lim,k表示所述间接测量数据，C_Lf,k为所述第二融合值。当所述影响变量E_f,k在预置范围内，即时，表示不存在系统误差，转到步骤108，否则转向步骤107，其中，这里是E_f,k在一段正常工作时间里未受到系统误差影响的平均值。

在步骤107中，校正间接测量数据，进行数据融合，得到第三融合值。具体地，根据公式：来计算该融合值。接着转到步骤111。

在步骤111中，计算所述第三融合值的可信度。具体地，根据公式：γ_k＝β₂ζ_k-1来计算可信度。其中，所述γ_k表示可信度，所述β₂是常数，所述ζ_k-1表示存储在移动窗口中的除去当前的间接测量数据的增量之外的间接测量数据增量的总和与存储在所述移动窗口中的除去当前直接测量数据增量之外的直接测量数据增量的总和之间的差值的校正平均值，所述k表示采集所述空调负荷测量数据的次数。当计算好可信度后，转到步骤110中。在步骤108中，计算第二融合值的可信度。其中，可信度是表示融合数据质量的重要参数。它提供的有效信息帮助BMS更好的利用融合值或者在直接测量值的品质很低的时候给出警告。可信度的范围为[0,1]，越高表明融合后的数据越准确可靠。由于直接测量容易受到噪音、奇异值和系统误差的影响，因此需要计算可信度。根据公式：γ_k＝1-(1-β₁)ζ_k来计算可信度。其中，所述γ_k表示可信度，所述β₁是常数，所述ζ_k表示存储在移动窗口中的间接测量数据增量的总和与存储在所述移动窗口中的直接测量数据增量的总和之间的差值的校正平均值，所述k表示采集所述空调负荷测量数据的次数。当计算好可信度后，转到步骤110。

在步骤110中，输出可信度及与所述可信度相对应的融合值。

本实施例中，将直接测量数据与间接测量数据进行融合，并且移除了影响所述直接测量数据的测量噪音、奇异值及系统误差，提高了测量数据的精确度，提高融合值的可信度，进而有效地提高冷水机组运行的可靠性。

如图2所示，是本发明实施例的一种冷水机组的控制及诊断方法的现场应用示意图。本发明的技术，可应用于建筑管理系统(BMS)，对建筑负荷测量(空调负荷)测量时进行实时融合计算。其中，融合计算中所涉及的参数包括冷冻水温度、流量、冷凝压力、蒸发压力机冷机功耗等。上述的参数可通过建筑管理系统获得。

如图4所示，是本发明实施例的建筑空调负荷测量数据的融合过程的空调负荷的测量过程图，在步骤201中，对融合过程所需的参数赋值，测量空调负荷。所述参数包括冷冻水温度、流量，冷机功耗、冷凝压力、蒸发压力等，用于协助数据融合。该测量数据包括直接测量数据及间接测量数据。如图3所示，直接测量(件图1-1)是基于冷冻水进出口温差及冷冻水流量而进行的。根据公式CL_dm＝c×m×(T_in-T_out)而获得直接测量数据，其中，CL_dm是直接测量数据，CL_im是间接测量数据，c、m是常数，T_in、T_out分别是冷冻水回水温度及冷冻水供水温度。此外，间接测量(件图1-2)是通过建立制冷机模型而获得，如图4所示，具体地，该间接测量数据是根据公式CL_im＝f(P_com,P_ev,P_cd)而获得，其中，P_com是制冷机的测量功耗，P_cd是与冷凝温度T_cd对应的压力，P_ev是与蒸发温度T_ev相对应的压力。接着在步骤202中，采集空调负荷的测量数据，其中，该测量数据包括直接测量数据和间接测量数据。接着转到步骤203。

在步骤203中，判断直接测量数据是否为奇异值。其中，该奇异值用于判断是否采用所述直接测量数据来进行融合数据。此时，根据公式d_k＝|ΔCL_im,k-ΔCL_dm,k|可知，d_k为直接测量数据的增量与间接测量数据的增量之间的差值，当所述d_k满足公式d_k＞E_m时，判断所述直接测量数据为奇异值，转向步骤206，所述E_m是用户所定义的预置常数。如果不满足公式d_k＞E_m，则转向步骤204。

在步骤204中，移除直接测量数据，使用间接测量数据进行融合数据，得到第一融合值。具体地，根据公式：CL_f,k＝CL_f,k-1+ΔCL_im,k，基于前一次采集所述空调负荷测量数据时所计算的融合值CL_f,k-1，使用所述间接测量数据的增量ΔCL_im，k进行数据融合，得到第一融合值CL_f,k，接着转到步骤205。

在步骤205中，计算所述第一融合值的可信度。具体地，，根据公式γ_k＝β₁ζ_k-1来计算可信度。其中，所述γ_k表示可信度，所述β₁是常数，该ζ_k的计算公式为：所述ζ_k-1表示在存储在移动窗口中的除去当前所采集的间接测量数据的增量之外的间接测量数据增量的总和ΔS_im，k与存储在所述移动窗口中的除去当前所采集的直接测量数据增量之外的直接测量数据增量的总和ΔS_dm，k之间的差值的校正平均值，如下面公式 ${\mathrm{\ΔS}}_{\mathrm{im},k}=\left|{\mathrm{\ΔCL}}_{\mathrm{im},2}^k\right|+...+\left|{\mathrm{\ΔCL}}_{\mathrm{im},N-1}^k\right|+\left|{\mathrm{\ΔCL}}_{\mathrm{im},k}\right|,{\mathrm{\ΔS}}_{\mathrm{dm},k}=\left|{\mathrm{\ΔCL}}_{\mathrm{dm},2}^k\right|+...+\left|{\mathrm{\ΔCL}}_{\mathrm{dm},N-1}^k\right|+\left|{\mathrm{\ΔCL}}_{\mathrm{dm},k}\right|,$ 即可计算ζ_k的值，所述E_m是用户设置的预置常数，所述N为自然数。当计算好所述可信度，转到步骤211。

在步骤206中，通过移动平均的方法移除所述采集的数据中的测量噪音，将所述移除测量噪音后的数据进行数据融合，得到第二融合值。其中，根据公式：用移动平均的方法消除测量噪音。具体地，首先将N次采集的直接测量数据及间接测量数据存储在长度为N的移动窗口中，根据公式：计算存储在所述移动窗口中的相邻次数所采集的直接测量数据之间的增量总和，以及根据公式： ${\stackrel{\→}{Q}}_k^t=[{\mathrm{CL}}_{\mathrm{im},N}^k-{\mathrm{CL}}_{\mathrm{im},N-1}^k,{\mathrm{CL}}_{\mathrm{im},N-2}^k-{\mathrm{CL}}_{\mathrm{im},N-3}^k,...{\mathrm{CL}}_{\mathrm{im},2}^k-{\mathrm{CL}}_{\mathrm{im},1}^k]$ 计算存储在所述移动窗口中的相邻次数所采集的间接测量数据之间的增量总和，其中，A^t＝[N-1,…,1]，N为自然数。接着转到步骤207。

在步骤207中，判断直接测量是否存在系统误差。在实际应用中，由于直接测量时有可能会出现系统误差，进而导致直接测量数据不够准确，因此需要判断是否存在系统误差。与奇异值不同，系统误差可能持续很长时间。基于系统误差本身的特性即其变化相对平缓，所以消除奇异值的方法不再有效。我们通过融合后的数据(即第二融合值)与直接测量值之间的比较来确定系统误差是否存在。此时定义一个表示系统误差大小的影响变量E_f,k，具体地，根据公式E_f,k＝CL_im,k-CL_f,k计算影响变量，其中，E_f,k表示所述影响变量，C_Lim,k表示所述间接测量数据，C_Lf,k为所述第二融合值。当所述影响变量E_f,k在预置范围内，即时，表示不存在系统误差，转到步骤208，否则转向步骤209，其中，这里是E_f,k在一段正常工作时间里未受到系统误差影响的平均值。

在步骤208中，计算所述第二融合值的可信度。具体地，据公式：γ_k＝1-(1-β₁)ζ_k来计算可信度。其中，所述γ_k表示可信度，所述β₁是常数，所述ζ_k表示存储在移动窗口中的间接测量数据增量的总和ΔS_im，k与存储在所述移动窗口中的直接测量数据增量的总和ΔS_dm，k之间的差值的校正平均值，所述k表示采集所述空调负荷测量数据的次数。如下面公式：即可计算ζ_k的值，所述E_m是用户设置的预置常数，所述N为自然数。

在步骤209中，校正间接测量数据，进行数据融合，得到第三融合值。具体地，根据公式：来计算该融合值。接着转到步骤210。

在步骤210中，计算融合值的可信度。其中，可信度是表示融合数据质量的重要参数。它提供的有效信息帮助BMS更好的利用融合值或者在直接测量值的品质很低的时候给出警告。由于直接测量容易受到噪音、奇异值和系统误差的影响，因此需要计算可信度。,据公式γ_k＝β₂ζ_k-1来计算可信度。其中，所述γ_k表示可信度，所述β₂是常数，该ζ_k的计算公式为：所述ζ_k-1在存储在移动窗口中的除去当前所采集的间接测量数据的增量之外的间接测量数据增量的总和ΔS_im，k-1储在所述移动窗口中的除去当前所采集的直接测量数据增量之外的直接测量数据增量的总和ΔS_d，k-1之间的差值的校正平均值，如下面公式 ${\mathrm{\ΔS}}_{\mathrm{im},k}=\left|{\mathrm{\ΔCL}}_{\mathrm{im},2}^k\right|+...+\left|{\mathrm{\ΔCL}}_{\mathrm{im},N-1}^k\right|+\left|{\mathrm{\ΔCL}}_{\mathrm{im},k}\right|,{\mathrm{\ΔS}}_{\mathrm{dm},k}=\left|{\mathrm{\ΔCL}}_{\mathrm{dm},2}^k\right|+...+\left|{\mathrm{\ΔCL}}_{\mathrm{dm},N-1}^k\right|+\left|{\mathrm{\ΔCL}}_{\mathrm{dm},k}\right|,$ 即可计算ζ_k-1，所述E_m是用户设置的预置常数，所述k表示采集所述空调负荷测量数据的次数。当计算好可信度后，转到步骤211，判断所述可信度是否低于预置临界值，可信度的范围为[0,1]，如图5所示，越高表明融合后的数据越准确可靠，此时用户定义一个预置临界值ε，当可信度持续低于用户定义的临界值ε，系统将会给出一个警告给操作人员去检查测量系统是否发生异常。判断为否，则转向步骤212，否则转向步骤213。

在步骤212中，输出可信度及与其相对应的融合值。

在步骤213中，发出警告。具体地，发出关于提醒检测测量系统是否发生异常的警告。本实施例中，在输出可信度及与其相对应的融合值之前先判断所述可信度是否在预置范围内，可进一步检测融合值的精确性，在一定程度上确保保证测量数据的可靠性。

本实施例中，将直接测量数据与间接测量数据进行融合，并且移除了影响所述直接测量数据的测量噪音、奇异值及系统误差，提高了测量数据的精确度，提高融合值的可信度，进而有效地提高冷水机组控制的可靠性。

Claims (10)

1.一种冷水机组的控制及诊断方法，其特征在于，包括如下步骤：

S1、对建筑空调负荷测量数据融合过程所需的参数赋值，测量空调负荷，所述测量包括直接测量和间接测量；

S2、采集所测量的数据，所述测量的数据包括直接测量数据和间接测量数据；

S3、判断所述直接测量数据是否为奇异值，如判断为是，则转向步骤S4、否则转向步骤S5，所述奇异值用于判断是否采用所述直接测量数据来融合数据；

S4、从所采集的数据中移除直接测量数据，基于前一次采集测量数据时所计算的融合值，使用所述间接测量数据的增量进行数据融合，得到第一融合值，转向步骤S9，所述增量是当前所采集的间接测量数据与前一次所采集的间接测量数据之间的差值；

S5、将所述采集的数据存储在长度为N的移动窗口中，通过移动平均的方法移除所述采集的数据中的测量噪音后，将所述移除测量噪音后的数据进行数据融合，得到第二融合值，所述N为自然数；

S6、判断所述直接测量数据是否存在系统误差，如果判断为是，则转向步骤S7，否则转向步骤S8；

S7、校正所述间接测量数据，进行数据融合，得到第三融合值；

S8、计算所得到的融合值的可信度；

S9、输出所计算的可信度及与其相对应的融合值；

S10、根据所述可信度及与其相对应的融合值，进行冷水机组的控制及诊断。

2.根据权利要求1所述的控制及诊断方法，其特征在于，所述步骤S8之后还包括：

判断所述可信度是否低于预置临界值；

如果判断为否，则转向步骤S9，或

如果判断为是，发出关于提醒检测测量系统是否发生异常的警告。

3.根据权利要求1所述的控制及诊断方法，其特征在于，所述步骤S3具体包括：

根据第三公式，计算所述直接测量数据的增量与所述间接测量数据的增量的差值；

判断所述差值是否大于所述预置常数，当判断为是，则所述直接测量数据是奇异值，转向步骤S4、否则所述直接测量数据为非奇异值，转向步骤S5；

其中，所述第三公式为：d_k＝|ΔCL_im,k-ΔCL_dm,k|，所述ΔCL_dm,k是当前所采集的直接测量数据与前一次所采集的直接测量数据的之间的增量，所述ΔCL_im，k是当前所采集的间接测量数据与前一次所采集的间接测量数据之间的增量，所述d_k为所述直接测量数据的增量与间接测量数据的增量之间的差值。

4.根据权利要求3所述的控制及诊断方法，其特征在于，所述步骤S4具体包括：从所采集的数据中移除所述直接测量数据；

根据第四公式修正所述间接测量数据，进行数据融合，得到第一融合值，所述第四公式为：CL_f,k＝CL_f,k-1+ΔCL_im,k；

其中，所述C_Lf,k-1，C_Lf,k分别表示与当前所采集的及前一次采集的空调负荷测量数据所对应的第一融合值。

5.根据权利要求1所述的控制及诊断方法，其特征在于，所述步骤S5具体包括：将N次所采集的直接测量数据及间接测量数据存储在长度为N的移动窗口中；

计算存储在所述移动窗口中的相邻次数所采集的直接测量数据之间的增量总和，以及计算存储在所述移动窗口中的相邻次数所采集的间接测量数据之间的增量总和；

根据第五公式，使用所采集的空调负荷测量数据进行数据融合，得到第二融合值，所述第五公式为：其中，S_dm,k是移动窗口中所述直接测量数据的增量总和，是相邻次数所采集的间接测量数据之间的增量A^t＝[N-1,…,1]，所述N及t均为自然数。

6.根据权利要求1所述的控制及诊断方法，其特征在于，所述步骤S6具体包括：

根据第六公式计算影响变量，所述影响变量表示系统误差的大小；

判断所述影响变量是否在预置范围内，如果是，则表示不存在系统误差，转向步骤S7,否则表示存在系统误差，转向步骤S8；

所述第六公式为：E_f,k＝CL_im,k-CL_f,k其中，E_f,k表示所述影响变量，CL_im,k表示所述间接测量数据，CL_f,k为所述第二融合值。

7.根据权利要求6所述的控制及诊断方法，其特征在于，所述步骤S7具体为：

根据第七公式，校正所述间接测量数据，进行数据融合，得到第三融合值，所述第七公式为：其中，所述是所述影响变量在预置正常工作时间内未受到系统误差影响的平均值。

8.根据权利要求4所述的控制及诊断方法，其特征在于，所述步骤S8具体为：根据第八公式计算融合值可信度，所述第八公式为：γ_k＝β₁ζ_k-1；其中，所述γ_k表示可信度，所述β₁是常数，所述ζ_k-1表示在存储在移动窗口中的除去当前所采集的间接测量数据的增量之外的间接测量数据增量的总和与存储在所述移动窗口中的除去当前所采集的直接测量数据增量之外的直接测量数据增量的总和之间的差值的校正平均值。

9.根据权利要求5所述的控制及诊断方法，其特征在于，所述步骤S8具体为：根据第九公式计算融合值可信度，所述第九公式为：γ_k＝1-(1-β₁)ζ_k，其中，所述γ_k表示可信度，所述β₁是常数，所述ζ_k表示存储在移动窗口中的间接测量数据增量的总和与存储在所述移动窗口中的直接测量数据增量的总和之间的差值的校正平均值，所述k表示采集所述空调负荷测量数据的次数。

10.根据权利要求7所述的控制及诊断方法，其特征在于，所述步骤S8具体为：根据第十公式计算融合值可信度，所述第十公式为：γ_k＝β₂ζ_k-1；其中，所述γ_k表示可信度，所述β₂是常数，所述ζ_k-1表示存储在移动窗口中的除去当前的间接测量数据的增量之外的间接测量数据增量的总和与存储在所述移动窗口中的除去当前直接测量数据增量之外的直接测量数据增量的总和之间的差值的校正平均值，所述k表示采集所述空调负荷测量数据的次数。