CN104238368A - 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 - Google Patents
一种基于模拟退火粒子群的空调能耗模型参数辨识方法 Download PDFInfo
- Publication number
- CN104238368A CN104238368A CN201410535688.3A CN201410535688A CN104238368A CN 104238368 A CN104238368 A CN 104238368A CN 201410535688 A CN201410535688 A CN 201410535688A CN 104238368 A CN104238368 A CN 104238368A
- Authority
- CN
- China
- Prior art keywords
- prime
- simulated annealing
- energy consumption
- parameter
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明提出一种基于模拟退火粒子群的空调能耗模型参数辨识方法。本发明的实质是:把由机理分析法建立起的整个空调系统的能耗模型函数作为目标函数,利用模拟退火和粒子群相结合的算法对它进行寻优,确定一定负荷下的最优参数组合。本发明把模拟退火的思想引入粒子群算法,使得粒子进化过程中可以自动优选控制参数,使得参数能够自适应的根据算法进行改变,从而在算法现有优点的基础上,增强算法的全局收敛性,提高算法收敛精度,改善收敛过程易停止和易陷入局部最优的不足。
Description
技术领域
本发明涉及一种空调能耗模型参数辨识方法,属于空调系统节能优化领域,具体说涉及一种基于模拟退火粒子群的空调能耗模型的参数辨识方法。
背景技术
随着经济的发展,我国的建筑业发展迅猛,建筑能耗不断增加,其中三分之二的能耗为空调系统所消耗。在建筑能耗占整个能源消耗的比例不断增加的现状下,建筑中的空调系统节能已经成为节能领域中的一个重点和热点。按照终端节能的概念,加大空调节能的力度对节约能源有着巨大的理论和实际意义。
目前,空调系统的节能优化比较注重系统建模和参数辨识,力求提高优化控制的稳定度和精度,并且大量学者对空调系统的建模和参数辨识的方法进行了研究。例如,在文献“制冷系统的节能优化运行”中,作者通过对制冷系统耗能诸多因素的初步分析,采用正交试验、回归计算等手段得出空调系统能耗与主要因素的函数关系,通过优化计算迅速找出最佳运行参数指导操作,从而达到节能的目的,但是在优化过程中,冷冻水流量和冷却水流量都没有变化,而且只是针对个别空调系统进行回归优化,没有普遍适用性。文献“中央空调水系统优化控制策略研究”中,作者利用神经网络建立了空调水系统的能耗模型,然后利用遗传算法对能耗模型进行性能优化,但是神经网络建立需要大量的数据,由于变流量数据较少,使得建立的模型精度不高;另一方面遗传算法优化的精度跟设置的个体初值有很大影响,并且收敛速度较慢。文献“中央空调水系统优化设计与运行研究”中,作者利用机理分析法建立了空调系统各个部分的能耗函数表达式,具有模型精度高,通用性好的优点,但是进行优化时采用的序列二次规划法需要对目标函数进行泰勒展开,实现过程比较复杂,更不能保证目标函数中需求矩阵的正定性。文献“基于粒子群优化算法的过程模型辨识”中,作者提出了一种基于粒子群优化算法的模型参数辨识方法,将过程模型的每个参数作为粒子群体中的一个粒子,利用粒子群体在参数空间进行高效搜索来获得过程模型的最佳参数值,尽管该算法简单易实现,参数设置较小,收敛速度较快,但是也具有收敛精度和收敛效率较低,收敛过程中易于停滞,易陷入局部最优的缺点。
综上,对于空调能耗模型的参数优化主要有以上的方法,其存在的缺点主要是:1、空调系统能耗模型精度不高,通用性不好。2、空调能耗模型的参数优化方法受初值设置的影响很大,精度不高,收敛速度慢,实现过程复杂,不利于优化算法的实现。3、采用的智能寻优算法粒子群,尽管算法简单易实现,参数设置较小,收敛速度较快,但是也具有收敛精度和收敛效率较低,收敛过程中易于停滞,易陷入局部最优解的缺点。
发明内容
针对现有空调能耗模型优化和参数辨识的不足,因此,本发明提出一种基于模拟退火粒子群的空调能耗模型参数辨识方法,把模拟退火的思想引入粒子群算法中,优化粒子群的控制参数,从而提高粒子群算法的收敛精度和收敛效率,帮助粒子群跳出局部极值,找到全局最优解,进而利用最优参数优化空调的能耗模型。本发明的实质是:把由机理分析法建立起的整个空调系统的能耗模型函数作为目标函数,利用模拟退火和粒子群相结合的算法对它进行寻优,确定一定负荷下的最优参数组合。
本发明把模拟退火的思想引入粒子群算法,使得粒子进化过程中可以自动优选控制参数,使得参数能够自适应的根据算法进行改变,从而在算法现有优点的基础上,增强算法的全局收敛性,提高算法收敛精度,改善收敛过程易停止和易陷入局部最优的不足。
本发明为了完成高精度、简便易实现的空调能耗模型的参数优化,提出一种基于模拟退火粒子群的空调能耗模型参数辨识方法,主要包含以下步骤:
步骤一:确定空调系统能耗模型参数优化的目标函数minf(X),其中f(X)=f(Q,T1o,T2o,v1,v2,Fair),Q为空调系统的负荷,T1o为冷冻水出水温度,T2o为冷却水出水温度,v1为冷冻水泵流量,v2为冷却水泵流量,Fair为空气流量;
步骤二:利用模拟退火粒子群算法,进行目标函数的优化,设定负荷Q已知,粒子为Xi=(xi1,xi2,xi3,xi4,xi5),粒子群规模为s,进化代数为tmax,其中,xi1对应参数T1o,xi2对应着参数T2o,xi3对应着参数v1,xi4对应着参数v2,xi5对应着参数Fair,对每个微粒Xi(i=1,2,…,s)进行位置和速度的初始化,且初始化局部最优值Pi(0)为Xi(0),(i=1,2,…s),初始化全局最优值Pg(0)为适应度最小的Pi(0),其中适应度是指当前微粒的目标函数值f(Xi),Xi(0)为第0代粒子;
步骤三:设定初始温度T和退火速率因子α,模拟退火的解集S=(ω,m1,m2),其中ω为粒子群速度公式中的惯性权重,m1和m2为粒子群速度公式中的加速因子;
步骤四:利用第t代模拟退火的解集S(t)=(ωt,m1,t,m2,t),更新第t+1代粒子群速度和位置,得到X′i(t+1),然后,计算所有粒子X′i(t+1)的适应度值f(X′i(t+1)),(i=1,2,…,s),根据适应度值进行局部最优值和全局最优值的更新,得到P′i(t+1)和P′g(t+1),此时,取模拟退火的评价函数C(S)=f(P′g(t+1));
步骤五:生成t+1代模拟退火算法的新解S′(ωt+1,m1,(t+1),m2,(t+1)),并按照新解S′中参数更新粒子的速度和位置,得到X″i(t+1),(i=1,2,…,s);
步骤六:计算适应度f(X″i(t+1)),并进行局部最优值和全局最优值的更新,分别得到P″i(t+1)和P″g(t+1);此时模拟退火的评价函数C(S′)=f(P″g(t+1));
步骤七:令△C=C(S′)-C(S),如果△C<0则接受模拟退火的新解S′并令当前解S=S′,更新局部最优解Pi(t+1)和全局最优解Pg(t+1)分别为P″i(t+1)和P″g(t+1),模拟退火温度T=αT;否则拒绝模拟退火的新解S′,令当前解S=S,更新局部最优解Pi(t+1)和全局最优解Pg(t+1)分别为P′i(t+1)和P′g(t+1);
步骤八:如果f(Pg(t))-f(Pg(t+1))≤ε,则优化结束,其中ε为最大允许误差,否则重复步骤五到七;
步骤九:输出全局最优位置Pg,且其对应的参数Xi=(xi1,xi2,xi3,xi4,xi5)即为特定负荷状态下空调系统能耗最低时各参数的最优解组合。
附图说明
图1为本发明中利用模拟退火粒子群复合算法进行空调能耗目标函数优化的流程图。
具体实施方式
下面结合具体事例,参照附图对本发明的具体实施方式进行详细的说明。
本发明的基于模拟退火粒子群的空调能耗模型参数辨识方法主要包括以下步骤:
步骤一:确定空调系统能耗模型参数优化的目标函数minf(X)。
设定机理分析法建立的整个空调系统的能耗模型为P=f(Q,T1o,T2o,v1,v2,Fair),其中影响能耗功率的因素为,空调系统负荷Q,冷冻水出水温度T1o,冷却水出水温度T2o,冷冻水泵流量v1,冷却水泵流量v2和空气流量Fair。进行空调系统的能耗模型优化即能耗取最小值,因此本发明确定能耗模型参数优化的目标函数为f(X)=f(Q,T1o,T2o,v1,v2,Fair),参数优化的过程实际上是求解minf(X)的过程。
步骤二:利用模拟退火粒子群算法进行目标函数的优化,输出最优参数组合。参照附图1,优化过程详细如下。
(1)粒子群的参数初始化。目标函数中包含六个参数变量:空调系统的负荷Q,冷冻水出水温度T1o,冷却水出水温度T2o,冷冻水泵流量v1,冷却水泵流量v2和空气流量Fair。在一特定负荷状态下,负荷Q已知,即目标函数的一个解为(T1o,T2o,v1,v2,Fair)。在粒子群算法中,一个粒子对应着目标函数的一个解。初始化粒子为Xi=(xi1,xi2,xi3,xi4,xi5),其中,xi1对应参数T1o,xi2对应着参数T2o,xi3对应着参数v1,xi4对应着参数v2,xi5对应着参数Fair。
设定粒子群规模为s,进化代数为tmax,对每个微粒Xi(i=1,2,…,s)进行位置和速度的初始化,即对任意的i,j(j=1,2,…,5),均在变量范围内服从均匀分布产生xij(0)和vij(0)。例如j=1时,xi1(0)在变量范围[T1omin,T1omax]内服从均匀分布产生,为了防止进化过程中粒子离开搜索空间,限定粒子的速度vi1∈[V1min,V1max],其中V1min=0.5T1omin,V1max=0.5T1omax,然后在[V1min,V1max]内服从均匀分布产生vi1(0)。初始化局部最优值Pi(0)为Xi(0),(i=1,2,…s),初始化全局最优值Pg(0)为适应度最小的Pi(0),其中适应度是指当前微粒的目标函数值f(Xi)。。
(2)模拟退火的初始化。
初始化模拟退火算法的初始温度T=2000,退火速率因子α=0.95。设定模拟退火的解集S=(ω,m1,m2),其中ω为粒子群速度公式中的惯性权重,m1和m2为粒子群速度公式中的加速因子。初始化ω0=0.9,m1,0和m2,0分别为(0,2)之间的随机取值,故初始化解集S0=(ω0,m1,0,m2,0)。
(3)对于第t代,求模拟退火的评价函数C(S)。
根据解集S(t)=(ωt,m1,t,m2,t),其中,解集S(t)中的三个元素分别按下式变化,ωt=0.9-0.5t/tmax;m1,t=rand[0,2];m2,t=rand[0,2],其中,tmax为算法的最大进化代数,t为当前代数,rand[0.2]代表在[0,2]之间随机取值。按以下公式(1)进行粒子群速度和位置的更新。
其中,vij(t)和xij(t)分别为微粒第t代时的速度和位置,Pi(t)为微粒i的第t代局部最好位置,Pg(t)为第t代的全局最好位置,pij(t)是向量Pi(t)中的第j维元素,pgj(t)是向量Pg(t)中的第j维元素。然后,计算所有粒子X′i(t+1)的适应度值f(X′i(t+1)),(i=1,2,…,s),根据适应度值按照以下公式(2),(3)进行局部最优值和全局最优值的更新。
群体中的全局最好位置Pg,Pg(t)∈{P0(t),P1(t),…,Ps(t)},并且f(Pg(t))=min{f(P0(t)),f(P1(t)),…,f(Ps(t))}。对于每个微粒,将其适应度值与所经历过的全局最好位置Pg的适应度值进行比较,若较好,则将其作为当前的全局最好位置。即:
此时,取模拟退火的评价函数C(S)=f(P′g(t+1))。
(4)生成模拟退火算法的新解S′(ωt+1,m1,(t+1),m2,(t+1))。
第t代变成第t+1代,新解S′中的三个元素分别按下式变化,ωt+1=0.9-0.5(t+1)/tmax;m1,(t+1)=rand[0,2];m2,(t+1)=rand[0,2],其中,tmax为算法的最大进化代数,t为当前代数,rand[0.2]代表在[0,2]之间随机取值。因此,模拟退火算法的新解为S′(ωt+1,m1,(t+1),m2,(t+1))。
(5)按照新解S′中参数更新粒子的速度和位置,得到微粒群X″i(t+1),(i=1,2,…,s)。其中粒子速度和位置的参照公式(4),公式中的惯性权重和加速因子分别取值为ωt+1,m1,(t+1)和m2,(t+1)。
(6)计算适应度f(X″i(t+1)),根据评价函数判断是否接受模拟退火的新解S′,并更新算法的局部最优解Pi(t+1)和全局最优解Pg(t+1)。
计算适应度值f(X″i(t+1)),根据公式(5)(6)进行局部最优值和全局最优值的更新,分别得到P″i(t+1)和P″g(t+1)。
此时模拟退火的评价函数C(S′)=f(P″g(t+1))。判断是否接受模拟退火的新解S′,按照以下条件进行。
令△C=C(S′)-C(S),如果△C<0则接受模拟退火的新解S′并令当前解S=S′,更新局部最优解Pi(t+1)和全局最优解Pg(t+1)分别为P″i(t+1)和P″g(t+1),模拟退火温度T=αT;或是以概率exp(-△C/T)接受S′作为新的当前解S(如果exp(-△C/T)>rand(0,1),则以这一概率接受,其中rand(0,1)为介于0和1之间的随机数),更新局部最优解Pi(t+1)和全局最优解Pg(t+1)分别为P″i(t+1)和P″g(t+1),模拟退火温度T=αT;否则拒绝模拟退火的新解S′,令当前解S=S,更新局部最优解Pi(t+1)和全局最优解Pg(t+1)分别为P′i(t+1)和P′g(t+1)。
(7)判断结束条件。
如果f(Pg(t))-f(Pg(t+1))≤ε,则优化结束,其中ε为最大允许误差,可令ε=0.001。如果超出最大迭代次数tmax或模拟退火温度T近似为0,亦结束优化。否则重复步骤(4)到(7)。
(8)输出全局最优位置Pg并结束。
输出的最优位置Pg即代表目标函数取最小值时的最优解,即特定负荷状态下空调系统能耗最低时各参数的最优解组合。
本发明的基于模拟退火粒子群的空调能耗模型参数辨识方法,实质是把由机理分析法建立起的整个空调系统的能耗模型函数作为目标函数,利用模拟退火粒子群的复合算法对它进行寻优,确定一定负荷状态下的最优参数组合。本发明采用的能耗模型精度高,通用性好,尤其是把模拟退火的思想引入粒子群,使得该复合优化算法不仅具有收敛速度快、参数设置少,实现简单方便,更重要的是求得解的质量与初始解无关,增强算法的全局收敛性,从而有助于找到全局最优解,较好的解决空调能耗模型参数优化辨识中的不足。
(1)本发明空调能耗模型的优化采用模拟退火粒子群复合算法,在微粒的初始化过程中,位置xi和速度vi不是任意赋初值,而是在各参数的取值范围内取值,有利于减少进化代数,加快微粒群的收敛速度。
(2)为了改善微粒群的收敛性能,本发明引入模拟退火的思想,利用模拟退火算法对粒子群的控制参数进行优化,有助于帮助粒子跳出局部的极值,从而找到全局最优解,增强算法的全局收敛性。
(3)本发明可以根据目标函数P的优化结果,求出在具体负荷Q时,冷冻水出水温度T1o,冷却水出水温度T2o,冷冻水泵流量v1,冷却水泵流量v2和空气流量Fair的最佳取值组合,使空调随着负荷Q的变化实时处于最佳运行状态,达到节能的目的。
Claims (4)
1.一种基于模拟退火粒子群的空调能耗模型参数辨识方法,主要包含以下步骤:
步骤一:确定空调系统能耗模型参数优化的目标函数min f(X),其中f(X)=f(Q,T1o,T2o,v1,v2,Fair),Q为空调系统的负荷,T1o为冷冻水出水温度,T2o为冷却水出水温度,v1为冷冻水泵流量,v2为冷却水泵流量,Fair为空气流量;
步骤二:利用模拟退火粒子群算法,进行目标函数的优化,设定负荷Q已知,粒子为Xi=(xi1,xi2,xi3,xi4,xi5),粒子群规模为s,进化代数为tmax,其中,xi1对应参数T1o,xi2对应着参数T2o,xi3对应着参数v1,xi4对应着参数v2,xi5对应着参数Fair,对每个微粒Xi(i=1,2,…,s)进行位置和速度的初始化,且初始化局部最优值Pi(0)为Xi(0),(i=1,2,…s),初始化全局最优值Pg(0)为适应度最小的Pi(0),其中适应度是指当前微粒的目标函数值f(Xi),Xi(0)为第0代粒子;
步骤三:设定初始温度T和退火速率因子α,模拟退火的解集S=(ω,m1,m2),其中ω为粒子群速度公式中的惯性权重,m1和m2为粒子群速度公式中的加速因子;
步骤四:利用第t代模拟退火的解集S(t)=(ωt,m1,t,m2,t),更新第t+1代粒子群速度和位置,得到X′i(t+1),然后,计算所有粒子X′i(t+1)的适应度值f(X′i(t+1)),(i=1,2,…,s),根据适应度值进行局部最优值和全局最优值的更新,得到Pi′(t+1)和P′g(t+1),此时,取模拟退火的评价函数C(S)=f(P′g(t+1));
步骤五:生成t+1代模拟退火算法的新解S′(ωt+1,m1,(t+1),m2,(t+1)),并按照新解S′中参数更新粒子的速度和位置,得到X″i(t+1),(i=1,2,…,s);
步骤六:计算适应度f(X″i(t+1)),并进行局部最优值和全局最优值的更新,分别得到Pi″(t+1)和P″g(t+1);此时模拟退火的评价函数C(S′)=f(P″g(t+1));
步骤七:令ΔC=C(S′)-C(S),如果ΔC<0则接受模拟退火的新解S′并令当前解S=S′,更新局部最优解Pi(t+1)和全局最优解Pg(t+1)分别为Pi″(t+1)和P″g(t+1),模拟退火温度T=αT;否则拒绝模拟退火的新解S′,令当前解S=S,更新局部最优解Pi(t+1)和全局最优解Pg(t+1)分别为Pi′(t+1)和P′g(t+1);
步骤八:如果f(Pg(t))-f(Pg(t+1))≤ε,则优化结束,其中ε为最大允许误差,否则重复步骤五到七;
步骤九:输出全局最优位置Pg,且其对应的参数Xi=(xi1,xi2,xi3,xi4,xi5)即为特定负荷状态下空调系统能耗最低时各参数的最优解组合。
2.如权利要求1所述的空调能耗模型参数辨识方法,在步骤四中,利用第t代模拟退火的解集S(t)=(ωt,m1,t,m2,t)和公式(1),更新第t+1代粒子群速度和位置,
其中,vij(t)和xij(t)分别为微粒第t代时的速度和位置,Pi(t)为微粒i的第t代局部最好位置,Pg(t)为第t代的全局最好位置,pij(t)是向量Pi(t)中的第j维元素,pgj(t)是向量Pg(t)中的第j维元素,然后,计算所有粒子X′i(t+1)的适应度值f(X′i(t+1)),(i=1,2,…,s),根据适应度值按照以下公式(2)和公式(3)进行局部最优值和全局最优值的更新:
此时,取模拟退火的评价函数C(S)=f(P′g(t+1))。
3.如权利要求1所述的空调能耗模型参数辨识方法,在步骤五中,新解S′中的三个元素分别按下式变化,ωt+1=0.9-0.5(t+1)/tmax;m1,(t+1)=rand[0,2];m2,(t+1)=rand[0,2],其中,tmax为算法的最大进化代数,t为当前代数,rand[0.2]代表在[0,2]之间随机取值,模拟退火算法的新解为S′(ωt+1,m1,(t+1),m2,(t+1)),按照新解S′中参数更新粒子的速度和位置,得到微粒群X″i(t+1),(i=1,2,…,s),其中粒子速度和位置参照公式(4),公式中的惯性权重和加速因子分别取值为ωt+1,m1,(t+1)和m2,(t+1),
4.如权利要求1所述的空调能耗模型参数辨识方法,在步骤六中,计算适应度f(X″i(t+1)),并根据公式(5)和公式(6)进行局部最优值和全局最优值的更新,分别得到Pi″(t+1)和P″g(t+1):
此时模拟退火的评价函数C(S′)=f(P″g(t+1))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535688.3A CN104238368A (zh) | 2014-10-12 | 2014-10-12 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535688.3A CN104238368A (zh) | 2014-10-12 | 2014-10-12 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104238368A true CN104238368A (zh) | 2014-12-24 |
Family
ID=52226688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410535688.3A Pending CN104238368A (zh) | 2014-10-12 | 2014-10-12 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104238368A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159085A (zh) * | 2015-09-09 | 2015-12-16 | 东南大学 | 空调所属建筑物二阶等效热参数模型的实时参数辨识方法 |
CN106502092A (zh) * | 2016-10-21 | 2017-03-15 | 东南大学 | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 |
CN107732945A (zh) * | 2017-11-06 | 2018-02-23 | 沈阳工程学院 | 一种基于模拟退火粒子群算法的储能单元优化方法 |
CN108509700A (zh) * | 2018-03-20 | 2018-09-07 | 南京信息工程大学 | 一种基于模拟退火粒子群算法的moa老化在线监测方法 |
CN108629478A (zh) * | 2018-03-15 | 2018-10-09 | 浙江工业大学 | 一种基于模拟退火粒子群混合算法的服装剪裁分床方法 |
CN106127308B (zh) * | 2016-06-20 | 2018-11-23 | 中国建筑科学研究院 | 一种能耗设备模型的辨识方法以及装置 |
CN111274733A (zh) * | 2020-02-03 | 2020-06-12 | 广东美的暖通设备有限公司 | 数据处理方法、数据处理装置、空调系统和存储介质 |
CN111381495A (zh) * | 2018-12-26 | 2020-07-07 | 富士通株式会社 | 优化装置及优化装置的控制方法 |
CN112488474A (zh) * | 2020-11-19 | 2021-03-12 | 贵州电网有限责任公司 | 一种能源互联网综合能耗模型及参数辨识方法 |
CN112861320A (zh) * | 2021-01-13 | 2021-05-28 | 安徽理工大学 | 一种提升机节能运行的行程控制方法 |
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
CN113361146A (zh) * | 2021-07-21 | 2021-09-07 | 国网江西省电力有限公司供电服务管理中心 | 一种基于改进粒子群算法的锰铜分流器结构参数优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5600960A (en) * | 1995-11-28 | 1997-02-11 | American Standard Inc. | Near optimization of cooling tower condenser water |
CN201129823Y (zh) * | 2007-11-21 | 2008-10-08 | 厦门立思科技有限公司 | 基于人工神经网络技术的中央空调节能控制装置 |
CN101782261A (zh) * | 2010-04-23 | 2010-07-21 | 吕红丽 | 暖通空调系统的非线性自适应节能控制方法 |
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
CN102981410A (zh) * | 2012-12-12 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于人工蜂群的空调能耗模型参数辨识方法 |
-
2014
- 2014-10-12 CN CN201410535688.3A patent/CN104238368A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5600960A (en) * | 1995-11-28 | 1997-02-11 | American Standard Inc. | Near optimization of cooling tower condenser water |
CN201129823Y (zh) * | 2007-11-21 | 2008-10-08 | 厦门立思科技有限公司 | 基于人工神经网络技术的中央空调节能控制装置 |
CN101782261A (zh) * | 2010-04-23 | 2010-07-21 | 吕红丽 | 暖通空调系统的非线性自适应节能控制方法 |
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
CN102981410A (zh) * | 2012-12-12 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于人工蜂群的空调能耗模型参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
刘汉婕: "基于模拟退火的粒子群改进算法的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
吴进华等: "基于模拟退火的粒子群优化算法", 《仪器仪表学报》 * |
高鹰,谢胜利1: "基于模拟退火的粒子群优化算法", 《计算机工程与应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159085A (zh) * | 2015-09-09 | 2015-12-16 | 东南大学 | 空调所属建筑物二阶等效热参数模型的实时参数辨识方法 |
CN106127308B (zh) * | 2016-06-20 | 2018-11-23 | 中国建筑科学研究院 | 一种能耗设备模型的辨识方法以及装置 |
CN106502092B (zh) * | 2016-10-21 | 2019-05-31 | 东南大学 | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 |
CN106502092A (zh) * | 2016-10-21 | 2017-03-15 | 东南大学 | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 |
CN107732945A (zh) * | 2017-11-06 | 2018-02-23 | 沈阳工程学院 | 一种基于模拟退火粒子群算法的储能单元优化方法 |
CN108629478A (zh) * | 2018-03-15 | 2018-10-09 | 浙江工业大学 | 一种基于模拟退火粒子群混合算法的服装剪裁分床方法 |
CN108509700A (zh) * | 2018-03-20 | 2018-09-07 | 南京信息工程大学 | 一种基于模拟退火粒子群算法的moa老化在线监测方法 |
CN111381495A (zh) * | 2018-12-26 | 2020-07-07 | 富士通株式会社 | 优化装置及优化装置的控制方法 |
CN111274733A (zh) * | 2020-02-03 | 2020-06-12 | 广东美的暖通设备有限公司 | 数据处理方法、数据处理装置、空调系统和存储介质 |
CN112488474A (zh) * | 2020-11-19 | 2021-03-12 | 贵州电网有限责任公司 | 一种能源互联网综合能耗模型及参数辨识方法 |
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
CN112861320A (zh) * | 2021-01-13 | 2021-05-28 | 安徽理工大学 | 一种提升机节能运行的行程控制方法 |
CN112861320B (zh) * | 2021-01-13 | 2022-08-12 | 安徽理工大学 | 一种提升机节能运行的行程控制方法 |
CN113361146A (zh) * | 2021-07-21 | 2021-09-07 | 国网江西省电力有限公司供电服务管理中心 | 一种基于改进粒子群算法的锰铜分流器结构参数优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104238368A (zh) | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 | |
CN102980272B (zh) | 一种基于负荷预测的空调系统节能优化方法 | |
CN102997374B (zh) | 一种空调负荷预测方法,装置及空调 | |
CN108489013A (zh) | 基于遗传算法和负荷在线修正的中央空调控制方法及装置 | |
CN107276069A (zh) | 一种地区电网居民温控负荷的近似聚合建模方法及系统 | |
Yang et al. | Computational optimization, modelling and simulation: Recent trends and challenges | |
CN111881505B (zh) | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 | |
CN112413762B (zh) | 一种制冷机房冷却水系统参数优化方法和系统 | |
CN105159085A (zh) | 空调所属建筑物二阶等效热参数模型的实时参数辨识方法 | |
CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
WO2022258079A1 (zh) | 基于深度学习的电传动推土机电池热管理控制方法及系统 | |
CN109976165A (zh) | 面向多变量分数阶系统的模型预测控制参数解析调优方法及系统 | |
CN102981410B (zh) | 一种基于人工蜂群的空调能耗模型参数辨识方法 | |
KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
CN104977505A (zh) | 一种基于综合振荡指标的电网扰动源定位方法 | |
CN105224738A (zh) | Lssvm非高斯脉动风速预测方法 | |
Wen et al. | Forecasting the annual household electricity consumption of Chinese residents using the DPSO-BP prediction model | |
CN106026200A (zh) | 风电场的电力系统无功优化方法 | |
CN115167562A (zh) | 一种机房温度控制方法和装置 | |
CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
CN114046593A (zh) | 一种动态预测性机器学习型空调节能控制方法及系统 | |
Zhang et al. | A universal stability quantification method for grid-connected hydropower plant considering FOPI controller and complex nonlinear characteristics based on improved GWO | |
Sui et al. | AI-assisted maldistribution minimization of membrane-based heat/mass exchangers for compact absorption cooling | |
CN113594513B (zh) | 一种质子交换膜燃料电池模型优化控制方法 | |
Bünning et al. | Comparing Machine Learning based Methods to standard Regression Methods for MPC on a virtual Testbed |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141224 |