CN105868487B - 一种基于能耗设备模型的节能专家系统 - Google Patents
一种基于能耗设备模型的节能专家系统 Download PDFInfo
- Publication number
- CN105868487B CN105868487B CN201610221996.8A CN201610221996A CN105868487B CN 105868487 B CN105868487 B CN 105868487B CN 201610221996 A CN201610221996 A CN 201610221996A CN 105868487 B CN105868487 B CN 105868487B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- consumption equipment
- model
- data
- real
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于能耗设备模型的节能专家系统和控制决策方法,所述系统包括:模型模拟模块,用于根据当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,得到若干个模拟结果;成本预测模块,用于根据目标函数,得到每个模拟结果的预测成本;专家建议确定模块,用于根据预测成本,确定当前能耗设备的专家建议。本发明结合了实时测量数据和现有的能耗设备模型来确定具体能耗设备的专家建议,使得能耗设备更加节能和安全,同时使得能源管理系统中的控制设备简单且易于部署和维护,在保证设备可靠性的同时节省了大量成本。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于能耗设备模型的节能专家系统和控制决策方法。
背景技术
现有的能源管理系统在建筑中,主要表现为楼宇自控系统。根据相关调查,国内90%的楼宇控制系统“只测不控”,不能真正实现自动,而少部分真正实现自控的系统能耗反而更高,整个行业的应用情况不佳。这一方面反映出产业整体水平不高的现状,另一方面也反映出现有楼宇自控技术的不足。现有技术几个突出的问题是:控制设备设计、部署、维护工作量大;现有成本约束下设备可靠性低;控制策略依赖运行人员水平,随意性大;对于控制目标的制定没有优化和判断的方法;控制算法缺少对于节能、安全和舒适的综合优化方法。
建筑能源管理系统中,面对单个能耗设备,需要根据既有能耗设备情况进行针对性的优化运行,这就需要得到基于现有能耗设备的相关数据,比如制冷主机的部分负荷效率特性,水泵在不同频率下的流量和扬程等等。大量实测数据表明,厂家提供的样本参数与实际参数差异很大。目前通常是借助专家系统进行决策,然而专家系统的有效性无法验证,专家策略针对性、鲁棒性差,造成大量能源管理系统无法达到预期效果。因此,如何根据能耗设备的实时测量数据,并结合现有的能耗设备模型确定适合具体能耗设备的专家建议,是亟待解决的问题。
发明内容
由于当前的能耗设备未根据能耗设备的实时测量数据,并结合现有的能耗设备模型确定适合具体能耗设备的专家建议,本发明提出一种基于能耗设备模型的节能专家系统和控制决策方法。
第一方面,本发明提出一种基于能耗设备模型确定方法的节能专家系统,包括:
模型模拟模块,用于根据当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,得到若干个模拟结果;
成本预测模块,用于根据目标函数,得到每个模拟结果的预测成本;
专家建议确定模块,用于根据预测成本,确定当前能耗设备的专家建议。
优选地,还包括:
模型验证模块,用于根据历史数据对灰箱模型进行验证,得到若干个能耗设备模型。
优选地,还包括:
数据采集模块,用于采集当前能耗设备的实时测量数据,并获取当前能耗设备的历史数据。
优选地,还包括:
数据清洗模块,用于对所述实时测量数据和所述历史数据进行数据清洗。
优选地,还包括:
专家建议发送模块,用于将所述专家建议发送至能源管理系统,以使所述能源管理系统对所有能耗设备进行统一管理。
第二方面,本发明还提出一种基于能耗设备模型的控制决策方法,包括:
根据当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,得到若干个模拟结果;
根据目标函数,得到每个模拟结果的预测成本;
根据预测成本,确定当前能耗设备的专家建议。
优选地,所述根据当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,得到若干个模拟结果之前,包括:
根据历史数据对灰箱模型进行验证,得到若干个能耗设备模型。
优选地,所述根据历史数据对灰箱模型进行验证,得到若干个当前设备的能耗设备模型之前,包括:
采集当前能耗设备的实时测量数据,并获取当前能耗设备的历史数据。
优选地,所述采集当前能耗设备的实时测量数据,并获取当前能耗设备的历史数据之后,包括:
对所述实时测量数据和所述历史数据进行数据清洗。
优选地,所述根据预测成本,确定当前能耗设备的专家建议之后,包括:
将所述专家建议发送至能源管理系统,以使所述能源管理系统对所有能耗设备进行统一管理。
由上述技术方案可知,本发明基于当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,并根据模拟的预测成本确定当前能耗设备的专家建议。结合了实时测量数据和现有的能耗设备模型来确定具体能耗设备的专家建议,使得能耗设备更加节能和安全,同时使得能源管理系统中的控制设备简单且易于部署和维护,在保证设备可靠性的同时节省了大量成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种基于能耗设备模型的节能专家系统的结构示意图;
图2为本发明一实施例提供的一种基于能耗设备模型的节能专家系统的结构示意图;
图3为本发明一实施例提供的一种基于能耗设备模型的控制决策方法的流程图;
图4为本发明一实施例提供的一种基于能耗设备模型的控制决策方法的流程示意图;
图5为本发明一实施例提供的一种中央空调用能管理系统的结构示意图。
具体实施方式
下面结合附图,对发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的一种基于能耗设备模型的节能专家系统的结构示意图,包括:
模型模拟模块11,用于根据当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,得到若干个模拟结果;
成本预测模块12,用于根据目标函数,得到每个模拟结果的预测成本;
专家建议确定模块13,用于根据预测成本,确定当前能耗设备的专家建议。
本实施例基于当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,并根据模拟的预测成本确定当前能耗设备的专家建议。结合了实时测量数据和现有的能耗设备模型来确定具体能耗设备的专家建议,使得能耗设备更加节能和安全,同时使得能源管理系统中的控制设备简单且易于部署和维护,在保证设备可靠性的同时节省了大量成本。
作为本实施例的可选方案,还包括:
模型验证模块,用于根据历史数据对灰箱模型进行验证,得到若干个能耗设备模型。
通过历史数据对灰箱模型进行验证,能够得到定量模型。定量模型采用具有物理意义的灰箱模型为基础,通过有效数据,进行不断的逼近和修正。定量模型分为能源生产、能源储存、能源输配、能源使用四个大类,对于主要用能设备,尤其是公共机构和公共建筑中的主要用能设备分别进行,主要对象包括制冷机、锅炉、换热器、储能设备、水泵风机、风机盘管、空调处理机组、新风机组等。通过采用具有物理意义的多种灰箱模型进行平行训练,并以历史数据匹配度为评价进行备选模型选取,以随机抽选的验证数据进行模型可靠性和精度验证,并对模型进行性能标签,作为后续模型预测的可靠性计算依据。
进一步地,还包括:
数据采集模块,用于采集当前能耗设备的实时测量数据,并获取当前能耗设备的历史数据。
通过采用现场总线、数据库、文件交换或网络协议等主要数据交换方式获取实时测量数据和历史数据,可靠且高效。获得的数据包括能源消耗数据、设备工艺数据、环境数据、使用数据、价格信息数据等。
进一步地,还包括:
数据清洗模块,用于对所述实时测量数据和所述历史数据进行数据清洗。
由于传感器可靠性、通讯可靠性、软件系统可靠性、数据接口可靠性等各类问题,获取的实时测量数据和历史数据不是完全可用的,根据不同数据来源及其物理意义,通过内置的数据清洗算法,辨识并标记问题数据,自动补全或修正可处理数据,作为后续模型辨识和其他数据处理的基础。通过对数据进行清洗,提高了数据的可靠性。
更进一步地,还包括:
专家建议发送模块,用于将所述专家建议发送至能源管理系统,以使所述能源管理系统对所有能耗设备进行统一管理。
通过将专家建议推送给能源管理系统,可使得能源管理系统能够对所有能耗设备进行统一管理。其中,能源管理系统包括楼宇自控系统或其他自动化控制子系统。可采用现场总线、数据库、文件交换或网络协议等主要数据交换方式。支持轮询、中断等不同级别的控制指令下发机制,同时在数据发送时支持不同权限管理和安全等级管理。
如图2所示,除了模型模拟模块24、成本预测模块25和专家建议确定模块26,还包括:数据采集模块51、数据清洗模块52、模型验证模块53和专家建议发送模块57。
本实施例提供的基于能耗设备模型的节能专家系统通过收集实时或历史能耗设备的用能和工艺信息,通过数据清洗剔除无效数据,提高知识可靠性;通过模型辨识获得若干个能耗设备模型,并设定优化目标得到目标函数,进一步针对设定的优化目标函数,进行基于模型的优化模拟;并根据预测成本生成专家建议;最后将专家建议推送给楼宇自控系统或其他自动化子系统。
图3示出了本发明一实施例提供的一种基于能耗设备模型的控制决策方法的流程示意图,包括:
S101、根据当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,得到若干个模拟结果;
S102、根据目标函数,得到每个模拟结果的预测成本;
S103、根据预测成本,确定当前能耗设备的专家建议。
本实施例应用模型辨识得到的若干个能耗设备模型,结合实时测量数据和预设约束条件,使用优化目标后得到的目标函数,从可用建议集合(包括运行策略、运行模式等)中,进行模拟预测。模拟预测采用显式和隐式方程形式,模拟能耗设备在不同运行建议下的实时和未来输出和运行情况,并结合优化后的目标函数,可生成运行成本预测,从而确定当前能耗设备的专家建议。
其中,目标函数的选择,对于不同应用场合,其具体目标是不一样的,不可能使用固定的专家策略满足多种多样的目标。本实施例可通过设定节能、安全、减碳、舒适、削峰等不同优化倾向,自动生成目标函数。同时可实现针对不同优化目标的动态设定;
通过引入基于实际数据辨识生成的若干个能耗设备模型,可以实现针对性的分析和优化能力。
在具有一定的设备模型后,通过对若干个能耗设备模型进行模拟,应用具体的模型信息和优化目标,通过定量分析,产生专家参考决策和建议,即当前能耗设备的能耗设备模型,同时给出专家建议的定量评价和预测效果,为公共机构、大型公共建筑、复杂能源系统等应用场合进行节能减排和优化管理提供数据支撑。
本实施例基于当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,并根据模拟的预测成本确定当前能耗设备的专家建议。结合了实时测量数据和现有的能耗设备模型来确定具体能耗设备的专家建议,使得能耗设备更加节能和安全,同时使得能源管理系统中的控制设备简单且易于部署和维护,在保证设备可靠性的同时节省了大量成本。
作为本实施例的可选方案,S101之前,包括:
S100、根据历史数据对灰箱模型进行验证,得到若干个能耗设备模型。
通过历史数据对灰箱模型进行验证,能够得到定量模型。定量模型采用具有物理意义的灰箱模型为基础,通过有效数据,进行不断的逼近和修正。定量模型分为能源生产、能源储存、能源输配、能源使用四个大类,对于主要用能设备,尤其是公共机构和公共建筑中的主要用能设备分别进行,主要对象包括制冷机、锅炉、换热器、储能设备、水泵风机、风机盘管、空调处理机组、新风机组等。通过采用具有物理意义的多种灰箱模型进行平行训练,并以历史数据匹配度为评价进行备选模型选取,以随机抽选的验证数据进行模型可靠性和精度验证,并对模型进行性能标签,作为后续模型预测的可靠性计算依据。
进一步地,S100之前,包括:
S008、采集当前能耗设备的实时测量数据,并获取当前能耗设备的历史数据。
通过采用现场总线、数据库、文件交换或网络协议等主要数据交换方式获取实时测量数据和历史数据,可靠且高效。获得的数据包括能源消耗数据、设备工艺数据、环境数据、使用数据、价格信息数据等。
进一步地,S008之后,包括:
S009、对所述实时测量数据和所述历史数据进行数据清洗。
由于传感器可靠性、通讯可靠性、软件系统可靠性、数据接口可靠性等各类问题,获取的实时测量数据和历史数据不是完全可用的,根据不同数据来源及其物理意义,通过内置的数据清洗算法,辨识并标记问题数据,自动补全或修正可处理数据,作为后续模型辨识和其他数据处理的基础。通过对数据进行清洗,提高了数据的可靠性。
更进一步地,S103之后,包括:
S104、将所述专家建议发送至能源管理系统,以使所述能源管理系统对所有能耗设备进行统一管理。
通过将专家建议推送给能源管理系统,可使得能源管理系统能够对所有能耗设备进行统一管理。其中,能源管理系统包括楼宇自控系统或其他自动化控制子系统。可采用现场总线、数据库、文件交换或网络协议等主要数据交换方式。支持轮询、中断等不同级别的控制指令下发机制,同时在数据发送时支持不同权限管理和安全等级管理。
本实施例通过收集实时或历史能耗设备的用能和工艺信息,通过数据清洗剔除无效数据,提高知识可靠性;通过模型辨识获得若干个能耗设备模型,并设定优化目标得到目标函数,进一步针对设定的优化目标函数,进行基于模型的优化模拟;并根据预测成本生成专家建议;最后将专家建议推送给楼宇自控系统或其他自动化子系统。如图2所示为本实施例提供的一种基于能耗设备模型的节能专家系统的结构示意图,通过优化控制器的控制,将室内外环境参数测量、现场设备状态和约束条件输入模型进行模拟,根据优化目标进行成本预测,并将根据成本预测获取的专家建议发送至现场设备。其中,室内外环境参数和现场设备状态均为实时测量数据;通过模型辨识更新模型,仅将符合条件的模型进行预测;现场设备是指现场与能源管理系统相关的设备。
需要说明的是,本实施例将持续观测模型预测的结果和采纳专家建议及不采用专家建议的不同运行策略的最终评价结果,使用评价结果对于模型进行持续学习和矫正,并对能耗设备模型确定方法进行在线学习和修正,实现本方法的持续自动优化,最终实现专家系统的高度人工智能。与现有技术相比,本实施例根据具体项目的实际数据生成模型并进行优化建议,针对性更好,有效提高了能源管理系统的使用效果;由于采用定量模型,不同建议间可进行定量比较,避免非此即彼的错误方式;通过模型的引入,实现不当操作的风险控制,降低能源管理系统中专家系统的应用门槛,减少使用者的顾虑;通过在线优化在线学习的机制,实现持续优化;本实施例提供的方法通用性强,可兼容多种不同能源系统的具体特点,同时,本方法可通过动态改变技术路径,实现灵活应用和升级。
如图4所示为本实施例提供的一种基于能耗设备模型的控制决策方法的流程图,通过优化控制器的控制,将室内外环境参数测量、现场设备状态和约束条件输入模型进行模拟,根据优化目标进行成本预测,并将根据成本预测获取的专家建议发送至现场设备。其中,室内外环境参数和现场设备状态均为实时测量数据;通过模型辨识更新模型,仅将符合条件的模型进行预测;现场设备是指现场与能源管理系统相关的设备。
为了更详细地说明本实施例提供的基于能耗设备模型的控制决策方法,以下结合附图及具体案例,作进一步阐述。如图5所示,为典型建筑中央空调用能管理系统的结构示意图,本实施方式将以此系统为示意展开描述。
A101、采集当前能耗设备的实时测量数据,并获取当前能耗设备的历史数据。
通过常用数据通讯方式,如现场总线、数据库数据共享、网络接口等,与SCADA系统进行数据通讯,获取的数据按照标准格式存入原始数据库,作为后续数据应用的基础。数据库可使用本地数据库、远程数据库或第三方提供的云存储服务。
A102、对所述实时测量数据和所述历史数据进行数据清洗。
在大型能源管理系统中,数据缺陷是不可避免的。数据缺陷的来源包括:楼宇用的低成本传感器(相对工业)的可靠性差、传感器缺乏校准、数据采集点安装错误或受限、数据采集程序错误、数据处理方法错误、数据传输系统的故障率高、在部分时刻运行在特殊工况、数据缺陷分类方式多种多样,比如:按照缺陷来源划分:硬件缺陷、通讯缺陷、软件缺陷;按照处理方式划分:需整改缺陷、需修正缺陷;按照严重等级划分:无数据、数据错误、数据有严重误差、数据有误差。数据清洗单元不与数据采集系统直接通讯,处理对象为数据库中已经打好数据标签的数据,本单元实现和数据库的链接,实现数据库数据的缺失判断,实现不同类型仪表数据的纠错处理。
A103、根据历史数据对灰箱模型进行验证,得到若干个能耗设备模型。
在对原始数据进行数据清洗后,以处理后的数据为依据,参考内置的具有物理意义的灰箱模型,进行模型辨识。以典型能源系统中的典型能耗设备:空调末端为例,介绍模型辨识方法如下:
典型空调末端包括空气处理机组(AHU),风机盘管(Fancoil unit),新风机组(PAU)等。以供冷工况举例,尽管形式不同,其主要是通过用风机推动空气吹过金属换热器表面,通过强制对流换热的方式获得在金属换热器内部通过的冷冻水进行换热,从而冷却空气的设备。尽管近年来辐射方式换热的末端如毛细管、冷辐射吊顶等空调末端逐渐开始应用,但主流的空调末端仍然是采用强制对流换热的方式的设备。在一个大型公共机构中,很可能有着成百上千个空调末端设备,在进行全楼的管理控制时,出于工程实际情况的考虑,不太可能对于每个设备进行模型辨识并基于很多的设备模型进行控制,因此可以将所有末端设备近似为一个集中的末端设备,或者按照末端种类近似为几个末端进行考虑。
以风机盘管为例,其控制方程包括以下三个:
换热过程方程:
Qcc=UAcc LMTDcc (1)
水侧能量平衡方程:
Qcc=mchw cw(Tchwr–Tchws) (2)
空气侧能量平衡方程:
Qcc=mair(hra–hsa) (3)
其中:
Qcc:通过空调末端传入室内的冷量;
U:空调末端平均传热系数;
Acc:空调末端总传热面积;
LMTDcc:空调末端表面平均对流换热系数。
mchw:总冷冻水量;
cw:冷冻水单位质量热容;
Tchws:冷冻水供水温度;
Tchwr:冷冻水回水温度。
mair:空调末端风量;
Hsa:空调末端送风焓值;
Hra:空调末端回风焓值。
辨识参数U和Acc可一起辨识,即将UAcc作为一个参数处理。在得到其他变量的前提下,通过统计方法即可获得相关参数。
A104、根据当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,得到若干个模拟结果;
优化目标可通过良好的人机交互界面进行针对性设定,通过权重和成本函数的设计,实现对不同项目的不同控制优化目标,可选择的因素包括:节能、安全、减碳、舒适、削峰等不同优化倾向。通过优化目标的单一维度转化,可将不同因素转变到同一纬度上进行比较,从而实现基于定量分析的优化决策。在本实施中,优化目标可设定为在保障室内热环境舒适度前提下的能源费用最低。
A105、根据目标函数,得到每个模拟结果的预测成本;
应用模型辨识结果,结合实时测量的数据和约束,使用优化目标交互单元设定的优化目标,从可用建议集合(包括运行策略、运行模式等)中,进行模拟预测。采用显式和隐式方程形式,模拟用能设备在不同运行建议下的实时和未来输出和运行情况,通过结合优化目标函数,可生成运行成本预测,并进行优化建议选择。针对不同系统形式和控制需求,优化模拟可分为离散优化和连续优化两类,在常见应用中,一般推荐离散优化方式。对于需要考虑系统历史特性的场合中,如蓄能应用,需要采用连续策略优化方法,如动态规划或基于模型的预测控制等方法。
A106、根据预测成本,确定当前能耗设备的专家建议。
模拟专家面对问题时的处理方式,实现“观察”-“数据采集”,“检查”-“数据清理”,“归纳”-“模型辨识”,“分析”-“模拟优化”,“建议”-“控制接口”等功能。面对不同场景,触发不同事件,以更通用的方式,实现能源管理系统的专家建议自动生成。
A107、将所述专家建议发送至能源管理系统,以使所述能源管理系统对所有能耗设备进行统一管理。
将专家建议推送给楼宇自控系统或其他自动化控制子系统。可采用现场总线、数据库、文件交换或网络协议等主要数据交换方式。控制接口单元支持轮询、中断等不同级别的控制指令下发机制,可采用权限管理和安全等级管理。数据接口可由第三方提供。在本实施例中,控制系统的接口为能源管理系统与楼宇自控系统(BA)系统,通过OPC方式进行数据交换,进行建筑中暖通空调各类设备的自动控制。
本实施例提供的能耗设备模型确定方法具有以下优势:
1)针对性,根据具体项目的实际数据,生成适用于具体项目具体设备的针对性模型,并以此为基础进行优化分析,针对性更好,解决了传统能源管理系统通用知识应用于特殊项目的根本性问题,带来了更好的系统性能。
2)定量分析,由于采用定量模型,不同建议间可进行定量比较,避免非此即彼的错误方式,从传统的专家定性分析转变为科学的定量分析,其结果和过程有效性可通过测量数据进行校核。
3)风险管理,通过模型的引入,当控制结果有风险时,可通过模型进行预测并加以避免,实现不当操作的风险控制,降低能源管理系统中专家系统的应用门槛,减少使用者的顾虑。
4)持续优化,通过在线优化在线学习的机制,实现持续优化,应用机器学习技术,解放劳动力,也避免了实际项目中高水平技术人员不足的问题。
5)通用性,过程抽象,通用性强,可兼容多种不同能源管理系统的具体特点,可通过动态改变技术路径,实现灵活应用和升级。
本发明的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
Claims (8)
1.一种基于能耗设备模型的节能专家系统,其特征在于,包括:
模型模拟模块,用于根据当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,得到若干个模拟结果;
成本预测模块,用于根据目标函数,得到每个模拟结果的预测成本;
专家建议确定模块,用于根据预测成本,确定当前能耗设备的专家建议;
模型验证模块,用于根据历史数据对灰箱模型进行验证,得到若干个能耗设备模型;
其中,通过历史数据对灰箱模型进行验证能够得到定量模型;定量模型采用具有物理意义的灰箱模型为基础,通过有效数据,进行不断的逼近和修正;
通过采用具有物理意义的多种灰箱模型进行平行训练,并以历史数据匹配度为评价进行备选模型选取,以随机抽选的验证数据进行模型可靠性和精度验证,并对模型进行性能标签,作为后续模型预测的可靠性计算依据。
2.根据权利要求1所述的系统,其特征在于,还包括:
数据采集模块,用于采集当前能耗设备的实时测量数据,并获取当前能耗设备的历史数据。
3.根据权利要求2所述的系统,其特征在于,还包括:
数据清洗模块,用于对所述实时测量数据和所述历史数据进行数据清洗。
4.根据权利要求3所述的系统,其特征在于,还包括:
专家建议发送模块,用于将所述专家建议发送至能源管理系统,以使所述能源管理系统对所有能耗设备进行统一管理。
5.一种基于能耗设备模型的控制决策方法,其特征在于,包括:
根据历史数据对灰箱模型进行验证,得到若干个能耗设备模型;
根据当前能耗设备的实时测量数据和预设约束条件对若干个能耗设备模型进行模拟,得到若干个模拟结果;
根据目标函数,得到每个模拟结果的预测成本;
根据预测成本,确定当前能耗设备的专家建议;
其中,通过历史数据对灰箱模型进行验证能够得到定量模型;定量模型采用具有物理意义的灰箱模型为基础,通过有效数据,进行不断的逼近和修正;
通过采用具有物理意义的多种灰箱模型进行平行训练,并以历史数据匹配度为评价进行备选模型选取,以随机抽选的验证数据进行模型可靠性和精度验证,并对模型进行性能标签,作为后续模型预测的可靠性计算依据。
6.根据权利要求5所述的方法,其特征在于,所述根据历史数据对灰箱模型进行验证,得到若干个当前设备的能耗设备模型之前,包括:
采集当前能耗设备的实时测量数据,并获取当前能耗设备的历史数据。
7.根据权利要求6所述的方法,其特征在于,所述采集当前能耗设备的实时测量数据,并获取当前能耗设备的历史数据之后,包括:
对所述实时测量数据和所述历史数据进行数据清洗。
8.根据权利要求7所述的方法,其特征在于,所述根据预测成本,确定当前能耗设备的专家建议之后,包括:
将所述专家建议发送至能源管理系统,以使所述能源管理系统对所有能耗设备进行统一管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610221996.8A CN105868487B (zh) | 2016-04-11 | 2016-04-11 | 一种基于能耗设备模型的节能专家系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610221996.8A CN105868487B (zh) | 2016-04-11 | 2016-04-11 | 一种基于能耗设备模型的节能专家系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105868487A CN105868487A (zh) | 2016-08-17 |
CN105868487B true CN105868487B (zh) | 2019-04-16 |
Family
ID=56637523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610221996.8A Active CN105868487B (zh) | 2016-04-11 | 2016-04-11 | 一种基于能耗设备模型的节能专家系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868487B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295900A (zh) * | 2016-08-19 | 2017-01-04 | 中节能(常州)城市节能研究院有限公司 | 一种城市智慧能源管理系统 |
CN106780187A (zh) * | 2016-12-09 | 2017-05-31 | 山东建筑大学 | 一种楼宇绿色运行平行管控方法及系统 |
CN111308181A (zh) * | 2018-12-11 | 2020-06-19 | 湖南博弘节能科技有限公司 | 一种实时能耗模拟系统 |
CN110398029B (zh) * | 2019-07-25 | 2021-07-09 | 北京上格云技术有限公司 | 控制方法和计算机可读存储介质 |
CN112528453B (zh) * | 2019-08-29 | 2024-06-28 | 中国石油化工股份有限公司 | 一种基于数据清洗的集输系统能耗计算系统 |
CN111854064A (zh) * | 2020-07-23 | 2020-10-30 | 珠海格力电器股份有限公司 | 能耗计算方法、系统及空调机组 |
CN112417619B (zh) * | 2020-11-23 | 2021-10-08 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
CN112509579A (zh) * | 2020-12-18 | 2021-03-16 | 山东盛帆蓝海电气有限公司 | 楼宇管理人机交互系统 |
CN113225994B (zh) * | 2021-05-08 | 2022-06-24 | 广州远正智能科技股份有限公司 | 一种面向数据中心的智能空调控制方法 |
CN113739389B (zh) * | 2021-08-02 | 2022-09-30 | 广东申菱环境系统股份有限公司 | 一种设定空调场景模式的方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004070526A2 (en) * | 2003-01-30 | 2004-08-19 | Kellogg Brown & Root, Inc. | Real time operations and maintenance of assets |
CN1864156A (zh) * | 2003-01-30 | 2006-11-15 | 凯洛格·布朗及鲁特有限公司 | 支持实时操作和维护的装置、方法和系统 |
CN101619850A (zh) * | 2009-08-06 | 2010-01-06 | 杭州盘古自动化系统有限公司 | 基于热电系统负荷在线预测的调度方法与系统 |
CN104112036A (zh) * | 2014-06-12 | 2014-10-22 | 湖南文理学院 | 混联式混合动力电动汽车的仿真方法 |
CN104463717A (zh) * | 2014-12-09 | 2015-03-25 | 中国水利水电第十四工程局有限公司 | 一个适用于特大地下洞室群的施工专家信息系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336338B2 (en) * | 2012-03-07 | 2016-05-10 | Siemens Aktiengesellschaft | Global solutions of smart building-grid energy management models |
-
2016
- 2016-04-11 CN CN201610221996.8A patent/CN105868487B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004070526A2 (en) * | 2003-01-30 | 2004-08-19 | Kellogg Brown & Root, Inc. | Real time operations and maintenance of assets |
CN1864156A (zh) * | 2003-01-30 | 2006-11-15 | 凯洛格·布朗及鲁特有限公司 | 支持实时操作和维护的装置、方法和系统 |
CN101619850A (zh) * | 2009-08-06 | 2010-01-06 | 杭州盘古自动化系统有限公司 | 基于热电系统负荷在线预测的调度方法与系统 |
CN104112036A (zh) * | 2014-06-12 | 2014-10-22 | 湖南文理学院 | 混联式混合动力电动汽车的仿真方法 |
CN104463717A (zh) * | 2014-12-09 | 2015-03-25 | 中国水利水电第十四工程局有限公司 | 一个适用于特大地下洞室群的施工专家信息系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105868487A (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868487B (zh) | 一种基于能耗设备模型的节能专家系统 | |
Pan et al. | Building energy simulation and its application for building performance optimization: A review of methods, tools, and case studies | |
Harish et al. | A review on modeling and simulation of building energy systems | |
Sha et al. | Overview of computational intelligence for building energy system design | |
CN110736227B (zh) | 具有在线可配置系统标识的建筑物管理系统 | |
CN102460335B (zh) | 用于能源消耗管理的系统和方法 | |
US20140365017A1 (en) | Methods and systems for optimized hvac operation | |
CN103912966A (zh) | 一种地源热泵制冷系统优化控制方法 | |
JP2015515050A (ja) | 環境維持モジュールを制御するための多次元最適化 | |
CN102679505A (zh) | 房间温度控制方法 | |
KR102170522B1 (ko) | 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템 | |
Castaldo et al. | Uses of dynamic simulation to predict thermal‐energy performance of buildings and districts: a review | |
JP2023510530A (ja) | ビル設備エネルギー管理制御システム及びその制御方法 | |
KR101419607B1 (ko) | 건물에 대한 모듈식 에너지 시뮬레이션 모델링 및 검증 방법 | |
Wang et al. | An occupant-centric control strategy for indoor thermal comfort, air quality and energy management | |
Chen et al. | A day-ahead scheduling framework for thermostatically controlled loads with thermal inertia and thermal comfort model | |
EP3550216A2 (en) | Device for evaluating air-conditioner performance based on climate simulation and method thereof | |
CN115614907A (zh) | 一种空调器及其室内温度预测方法和装置 | |
CN117553404A (zh) | 一种提高大型水冷中央空调系统能效的方法及系统 | |
Erfani et al. | In search of optimal building behavior models for model predictive control in the context of flexibility | |
CN204880344U (zh) | 一种基于移动终端的云计算分时分区分温控制装置及系统 | |
Stock et al. | HVAC performance evaluation and optimization algorithms development for large buildings | |
Song et al. | Using a hybrid method to construct a computational efficient cooling coil model for an automated single-duct variable air volume system fault detection and diagnosis | |
KR20200027079A (ko) | 인공신경망을 이용한 공조기 최적 제어 장치 및 방법 | |
KR101771324B1 (ko) | 공개데이터베이스 및 보안데이터베이스를 포함하는 에너지관리시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |