CN106765932A - 中央空调系统制冷主机的能效比预测方法及装置 - Google Patents
中央空调系统制冷主机的能效比预测方法及装置 Download PDFInfo
- Publication number
- CN106765932A CN106765932A CN201611153471.1A CN201611153471A CN106765932A CN 106765932 A CN106765932 A CN 106765932A CN 201611153471 A CN201611153471 A CN 201611153471A CN 106765932 A CN106765932 A CN 106765932A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- central air
- conditioner system
- host computer
- energy efficiency
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种中央空调系统制冷主机的能效比预测方法及装置,该方法包括步骤:S1、采集中央空调系统的运行参数的历史数据;S2、对所采集的中央空调系统的运行参数的历史数据进行处理,以获得运行参数的有效历史数据,同时对BP神经网络训练模型的训练参数进行设置;S3、将运行参数的有效历史数据代入已完成设定的BP神经网络训练模型中进行训练,获得中央空调系统的运行参数与制冷主机的能效比的对应关系式;S4、采集T0时刻中央空调系统的运行参数并代入对应关系式中,获得T0时刻中央空调系统制冷主机的能效比。本发明通过对中央空调系统制冷主机的能效比进行提前预测可以有效避免能耗的浪费、延长制冷主机的使用寿命,提高室内热舒适性。
Description
技术领域
本发明涉及建筑大型中央空调领域,更具体地说,涉及一种中央空调系统制冷主机的能效比预测方法及装置。
背景技术
在我国,2014年建筑能耗问题超过12.5亿吨标准煤,占社会总能耗30%。中央空调能耗占建筑总能耗65%,其中空调机房能耗占空调系统能耗70%左右。由此可见,建筑中央空调系统的节能势在必行。当前,中央空调比(COP:Coefficient Of Performance)是可以描述中央空调系统运行能效的一种简单、直观的参数。它被定义为空调系统制冷量与空调系统能耗的比值。传统的中央空调在计算中央空调系统能效比时采用的是通过计算某一时段冷冻水供、回水温度的温差、冷冻水流量以及相关参数的乘积来求中央空调系统的制冷量,并通过与该时段制冷主机能耗做商来求得中央空调系统主机能效比。但该方法只能将中央空调主机的运行能效情况反馈给使用者,并不能实现对主机能效的预测,不能及时改善室内空气品质,降低室内舒适性。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种中央空调系统制冷主机的能效比预测方法及装置。
本发明解决其技术问题所采用的技术方案是:构造一种中央空调系统制冷主机的能效比预测方法及装置,该方法包括以下步骤:
S1、收集中央空调系统的运行参数的历史数据;
S2、对所收集的中央空调系统的运行参数的历史数据进行处理,以获得所述运行参数的有效历史数据,同时对BP神经网络训练模型的训练参数进行设置;
S3、将所述运行参数的有效历史数据代入已完成设置的所述BP神经网络训练模型中进行训练,获得所述中央空调系统的运行参数与制冷主机的能效比的对应关系式;
S4、采集T0时刻所述中央空调系统的运行参数并代入所述对应关系式中,获得T0时刻所述中央空调系统制冷主机的能效比。
在本发明所述的中央空调系统制冷主机的能效比预测方法中,优选地,所述中央空调系统的运行参数包括:
冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷。
在本发明所述的中央空调系统制冷主机的能效比预测方法中,优选地,所述步骤S2包括:
S21、对所收集的中央空调系统的运行参数的历史数据进行筛选处理,剔除不合理的数据或无效的数据,以获得所述运行参数的有效历史数据;所述不合理的数据或无效的数据为超出预设值的数据;
S22、对所述有效历史数据进行归一化处理;
S23、将所述已进行归一化处理的有效历史数据划分为第一历史数据、第二历史数据和第三历史数据;所述第一历史数据用于代入所述BP神经网络中进行训练,所述第二历史数据用于代入所述BP神经网络中进行验证,所述第三历史数据用于代入所述BP神经网络中进行测试。
在本发明所述的中央空调系统制冷主机的能效比预测方法中,优选地,在所述步骤S2中,所述对BP神经网络训练模型的训练参数进行设置包括:
将BP神经网络训练模型设置为输入层、隐含层和输出层;
所述输入层包括M个输入参数,所述隐含层包括N个节点,所述输出层包括1个输出参数;其中,M为大于1的正整数,N为大于1的正整数。
在本发明所述的中央空调系统制冷主机的能效比预测方法中,优选地,所述输入层中的输入参数为所述步骤S1中所述的中央空调系统的运行参数。
在本发明所述的中央空调系统制冷主机的能效比预测方法中,优选地,所述隐含层包括10个节点。
在本发明所述的中央空调系统制冷主机的能效比预测方法中,优选地,所述输出参数为所述中央空调系统制冷主机的能效比。
在本发明所述的中央空调系统制冷主机的能效比预测方法中,优选地,所述步骤S3中包括:
将所述运行参数的有效历史数据代入已完成设置的所述BP神经网络训练模型中进行训练,获得所述输入参数与所述输出参数的对应关系;
对所述输出参数的数据进行反归一化处理,最终获得所述中央空调系统的运行参数与制冷主机的能效比的对应关系式。
在本发明所述的中央空调系统制冷主机的能效比预测方法中,优选地,所述对BP神经网络训练模型的训练参数进行设置还包括:
将所述BP神经网络训练模型的激活函数设置为Sigmoid函数;
将所述BP神经网络训练模型的训练算法设置为Levenberg-Marquardt算法。
本发明还提供了一种中央空调系统制冷主机的能效比预测装置,包括:
收集单元,用于收集中央空调系统的运行参数的历史数据;
处理单元,用于对所收集的中央空调系统的运行参数的历史数据进行处理,以获得所述运行参数的有效历史数据,同时对BP神经网络训练模型的训练参数进行设置;
训练单元,用于将所述运行参数的有效的历史数据代入已完成设定的所述BP神经网络训练模型中进行训练,获得所述中央空调系统的运行参数与制冷主机的能效比的对应关系式;
获取单元,用于采集T0时刻所述中央空调系统的运行参数并代入所述对应关系式中,获得T0时刻中央空调系统制冷主机的能效比。
实施本发明的中央空调系统制冷主机的能效比预测方法及装置,具有以下有益效果:该预测方法包括步骤:S1、采集中央空调系统的运行参数的历史数据;S2、对所采集的中央空调系统的运行参数的历史数据进行处理,以获得运行参数的有效历史数据,同时对BP神经网络训练模型的训练参数进行设置;S3、将运行参数的有效历史数据代入已完成设定的BP神经网络训练模型中进行训练,获得中央空调系统的运行参数与制冷主机的能效比的对应关系式;S4、采集T0时刻中央空调系统的运行参数并代入对应关系式中,获得T0时刻中央空调系统制冷主机的能效比。本发明通过对中央空调系统制冷主机的能效比进行提前预测可以有效避免能耗的浪费、延长制冷主机的使用寿命,提高室内热舒适性。
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是本发明中央空调系统制冷主机的能效比预测方法的流程示意图;
图2是本发明中央空调系统制冷主机的能效比预测方法一较佳实施例的示意图;
图3是BP神经网络训练模型的示意图;
图4是本发明中央空调系统制冷主机的能效比预测装置的结构示意图;
图5是应用本发明对中央空调系统制冷主机的能效比进行预测的能效比与实际能效比的对比图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
与传统的“反馈型”中央空调系统控制理论相比,本发明提出了一种较为优化的“预测型”的中央空调系统的控制方法。具体为,本发明利用中央空调系统运行参数既有的历史数据(如果是新建项目则需先积累一段时间运行参数的历史数据)对中央空调系统制冷主机的能效比进行预测,通过预测中央空调系统制冷主机的能效比,可以指导操作人员提前做好相应的控制,或指导控制系统提前转换中央空调系统的控制策略,如可指导中央空调系统操作人员根据预测的中央空调系统制冷主机的能效比进行提前开机时间的设定,避免能耗的浪费,延长制冷主机的使用寿命;同时也可以应用到日常中央空调系统的当中,有效减少因系统冷负荷变化和中央空调系统时滞性、大惰性等缺陷所带来的系统响应时间过慢的问题,可提前改善室内的空气品质,提高室内的热舒适性。另外,本发明无需额外添加硬件设备,只需将引用BP神经网络算法,通过程序对中央空调系统制冷主机进行学习和建模,从而达到对中央空调制冷主机能效比进行预测的目的,操作简单易行。
如图1所示,在本发明的中央空调系统制冷主机能效比预测方法的流程示意图中,该方法包括以下步骤:
步骤S1、收集中央空调系统的运行参数的历史数据。
具体地,在本发明的实施例中,对于改造的项目而言,中央空调系统的运行参数的历史数据可直接收集,这些运行参数的历史数据可从现有已记录的数据获得。而对于新建项目(例如新引入的中央空调),因没有历史数据故需操作人员对中央空调的运行参数进行预设定,再通过在使用过程中运行参数的变化进行数据的收集,以获得所需的历史数据。
优选地,在本实施例中,中央空调系统的运行参数包括冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷。
可以理解地,在本实施例中,中央空调系统的运行参数的历史数据包括多组数据,每一组数据都包括前述的运行参数在某一时刻的对应数值。假设冷冻水质量流量为X1,冷冻水供水温度为X2、冷冻水回水温度为X3,冷却水质量流量为X4,冷却水供水温度为X5,冷却水回水温度为X6、中央空调系统冷负荷为X7,则第一组数据为X10、X20、X30、X40、X50、X60、X70;第二组数据为X11、X21、X31、X41、X51、X61、X71;第三组数据为X12、X22、X32、X42、X52、X62、X72;第四组数据为X13、X23、X33、X43、X53、X63、X73;依此类推。在本实施例中,优选地,每一组数据中各中央空调系统的运行参数均为采集同一时刻的运行参数。例如,在第一组数据中,X10、X20、X30、X40、X50、X60、X70都是在同一时刻采集的。而且,中央空调系统的运行参数的历史数据可以是在中央空调运行过程中每隔5分钟采集一次的数据、每隔10分种采集一次的数据、每隔15分种采集一次的数据、或者是每隔半小时采集一次的数据、每隔1小时采集一次的数据等等。在本发明的实施例中,本发明对此不作具体限定,对于中央空调系统的运行参数的历史数据均可用于本发明的实施例。
在本实施例中,优选地,中央空调系统的运行参数可通过传感器或相应的检测工具对数据进行采集。具体地,对于温度的数据采集可通过温度传感器对温度数据进行采集;对于流量的数据采集可通过流量传感器对流量进行采集;对于冷负荷的数据采集可通过冷负荷表对冷负荷进行采集。具体如何采集、或者何时对中央空调系统的运行参数进行采集本发明对此不作限定,本发明只需将之前所采集的数据进行收集。
步骤S2:对所收集的中央空调系统的运行参数的历史数据进行处理,以获得运行参数的有效历史数据,同时对BP神经网络训练模型的训练参数进行设置。
具体地,本发明的中央空调系统制冷主机能效比的预测方法是基于BP神经网络算法的预测方法,即通过在步骤S1中收集的中央空调系统的运行参数的历史数据,将该历史数据代入BP神经网络训练模型是进行训练以获得中央空调系统的运行参数与制冷主机的能效比的对应关系,从而根据该对应关系实现了对中央空调系统制冷主机的能效比的预测。
进一步地,为了使在BP神经网络训练模型进行训练时精度及效率更高,可对中央空调系统的运行参数的历史数据进行处理。
另外,在步骤S2中,对BP神经网络训练模型的训练参数进行设置的步骤中,具体包括:
将BP神经网络训练模型设置为输入层、隐含层和输出层。优选地,输入层可包括M个输入参数,隐含层可包括N个节点,输出层可包括1个输出参数;其中,M为大于1的正整数,N为大于1的正整数。
在本发明的实施例中,优选地,BP神经网络训练模型的输入层可包括7个输入参数,即冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷。隐含层可包括10个节点。输出层中的1个输出参数为中央空调系统制冷主机的能效比。
在本实施例中,BP神经网络训练模型中的激活函数可为Sigmoid函数,BP神经网络训练模型中的训练算法可为Levenberg-Marquardt算法。可以理解地,在本实施例中,BP神经网络训练模型中的激活函数采用Sigmoid函数可以把实数域光滑的映射到[0,1]空间,可以使运算速率大大提高,还可提高运算的精度。且Sigmoid函数单调递增,连续可导,导数形式非常简单,因此可进一步提高运算速率,简化运算过程。
优选地,参考图2,图2是本发明一种中央空调系统制冷主机的能效比预测方法的另一优选实施例。为了使在后续的BP神经网络训练中的运算更加简化及运算速度更快,本实施例在步骤S2对中央空调系统的运行参数进行优化处理。具体地,包括:
S21、对所采集的中央空调系统的运行参数的历史数据进行筛选处理,剔除不合理的数据或无效的数据,以获得运行参数的有效历史数据。
可以理解地,不合理的数据或无效的数据为超出预设值的数据。例如对于冷冻水质量流量,如果冷冻水质量的某一数据大于中央空调系统所能负载的数值,则该数据为不合理的数据或无效的数据。如中央空调系统冷负荷,如果收集到的历史数据中某一中央空调系统冷负荷的数据大于中央空调系统制冷主机的额定制冷量,则该数据为不合理的数据或无效的数据。
S22、对有效历史数据进行归一化处理。
可以理解地,归一化是一种简化计算的方式,是一种无量纲处理手段,通过归一化可使物理系统数值的绝对值变成某种相对值关系,进而使计算更加简单。
在本发明的实施例中,优选地,对中央空调系统的运行参数的有效历史数据进行归一化处理,将不同数量级的运行参数的数据归一到同一数量级,进一步使数据处理更加简单,提高了数据处理的效率。
S23、将已进行归一化处理的有效历史数据划分为第一历史数据、第二历史数据和第三历史数据;第一历史数据用于代入BP神经网络中进行训练,第二历史数据用于代入BP神经网络中进行验证,第三历史数据用于代入BP神经网络中进行测试。
具体地,在本发明的实施例中,第一历史数据、第二历史数据和第三历史数据可为将所有有效历史数据按不同的比例进行划分,即第一历史数据可为从有效历史数据中随机抽取的50%作为代入BP神经网络进行训练的数据,相应地,第二历史数据为从余下的50%的有效历史数据中随机抽取30%作为代入BP神经网络中进行验证的数据,则第三历史数据为余下的20%的有效历史数据。优选地,在本发明的实施例中,从有效历史数据中随机抽取70%作为第一历史数据,随机抽取15%作为第二历史数据,随机抽取15%作为第三历史数据。通过该抽取70%作为训练数据、15%作为验证数据、15%作为测试数据,在使计算的时间长度、运算速度及运算精度三者达到平衡的前提下,对输出数据作出更加精确的预测,提高预测精度。可以理解地,训练数据即为初步运算数据,根据训练数据在BP神经网络中获得初步训练结果。在获得初步训练结果后,将随机抽取的15%的有效历史数据代入BP神经网络中对训练结果进行验证,以验证训练结果是否正确,根据验证的结果再将随机抽取的15%的有效历史数据代入BP神经网络中作进一步的测试,以获得准确的中央空调系统的运行参数与制冷主机的能效比的对应关系。
步骤S3:将运行参数的有效历史数据代入已完成设置的BP神经网络训练模型中进行训练,获得中央空调系统的运行参数与制冷主机的能效比的对应关系式。
具体地,将冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷代入已完成设置的BP神经网络训练模型的输入层中,在BP神经网络训练模型中进行训练,进而获得输入参数与输出参数的对应关系。
优选地,步骤S3包括:将运行参数的有效历史数据代入已完成设置的BP神经网络模型中进行训练,获得输入参数与输出参数的对应关系后,再对输出参数的数据进行反归一化处理,最终获得中央空调系统的运行参数与制冷主机的能效比的对应关系式。
可以理解地,BP神经网络算法是一种按误差逆传播算法训练的多层前馈网络。通过BP神经网络可以学习和存贮大量的输入-输出模式映射关系,且不需要事先揭示描述这种映射关系的数学方法。因此,本发明通过基于BP神经网络算法将中央空调系统的运行参数作为BP神经网络模型中的输入参数,中央空调系统制冷主机的能效比作为BP神经网络模型中的输出参数,通过训练可快速获得中央空调系统运行参数与制冷主机的能效比的关系。
结合图3,在本实施例中,X1对应为冷冻水质量流量、X2对应为冷冻水供水温度、X3对应为冷冻水回水温度、X4对应为冷却水质量流量、X5对应为冷却水供水温度、X6对应为冷却水回水温度以及X7对应为中央空调系统冷负荷,Y对应为中央空调系统制冷主机的能效比。即分别将每一组冷冻水质量流量的有效历史数据代入X1中、每一组冷冻水供水温度的有效历史数据代入X2中,每一组冷冻水回水温度的有效历史数据代入X3中、每一组冷却水质量流量的有效历史数据代入X4中、每一组冷却水供水温度的有效历史数据代入X5中,每一组冷却水回水温度的有效历史数据代入X6中,每一组中央空调系统冷负荷的有效历史数据代入X7中;再分别对每一组X1、X2、X3、X4、X5、X6、X7进行训练,进而获得中央空调系统制冷主机的能效比Y,从而通过将中央空调系统的运行参数的有效历史数据代入设置好的BP神经网络训练模型中进行训练获得中央空调系统的运行参数与制冷主机的能效比的对应关系式。
步骤S4:采集T0时刻中央空调系统的运行参数并代入对应关系式中,获得T0时刻中央空调系统制冷主机的能效比。
具体地,通过在步骤S3中获得中央空调系统的运行参数与制冷主机的能效比的对应关系式,实时采集中央空调系统的冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷在T0(该T0时刻为中央空调系统在运行过程中的任一时刻)时刻的数据,并将所采集到的数据代入对应关系式中即可获得该T0时刻中央空调系统制冷主机的能效比,即实现了对中央空调系统的能效比的预测。通过所获得的T0时刻中央空调系统制冷主机的能效比,实现了对T0时刻的中央空调系统制冷主机的能效比进行预测。例如,在每天中央空调系统开关机阶段,根据预测的中央空调系统制冷主机的能效比,指导中央空调系统操作人员根据预测结果进行提前开机时间的设定,避免能耗的浪费,延长制冷主机的使用寿命。
本发明的中央空调系统制冷主机的能效比预测方法通过应用中央空调系统的运行参数既有的历史数据并基于BP神经网络算法实现了对中央空调制冷主机能效比的预测,通过该方式以预测中央空调系统制冷主机的能效比,可以指导操作人员提前做好相应的控制,或者指导控制系统提前转换中央空调系统的控制策略,当应用于每天中央空调系统开关机阶段时,可指导中央空调系统操作人员根据预测结果进行提前开机时间的设定,避免能耗的浪费,延长主机的使用寿命;同时在日常中央空调系统的运行维护当中,可有效减少因系统冷负荷变化和中央空调系统的时滞性、在惰性等缺陷所带来的系统响应时间过慢的问题,及时改善室内空气品质,提高室内的热舒适性,且实施本发明不需额外添加硬件设备,操作简单可行。
如图5所示,为利用本发明的中央空调系统制冷主机的能效比预测方法对某建筑中央空调系统制冷主机的能效比进行预测的的能效比与实际能效比的对比图。
在本应用实例中:
预测对象:某建筑中央空调系统制冷主机;
预测时间:某一年的夏天(即6月1日至9月30日);
预测方法:本发明的中央空调系统制冷主机的能效比预测方法。
具体地,根据本发明的预测方法对某建筑中央空调系统制冷主机的能效比进行预测并与制冷主机的实际能效比进行对比,可得图5所示的对比图。在图5中,横坐标为中央空调系统制冷主机的实际能效比,纵坐标为利用本发明预测得到的中央空调系统制冷主机的能效比;中间的实线公式为X=Y,即若预测的能效比与实际的能效比相同,则所有的点在该实线上;两条虚线为5%置信区域,即认为预测结果与实际结果相差±5%,在该误差范围内是可以接受的。由图5显示,通过采用本发明的预测方法对某一年的夏天某建筑中央空调系统制冷主机的能效比进行预测得到的能效比在高达99.22%都落在置信区域之内。由此可知通过本发明的预测方法对中央空调系统制冷主机的能效比的预测精度很高,具有很强的实用性。
如图4所示,为本发明一种中央空调系统制冷主机的能效比预测装置的优选实施例。
具体地,该预测装置包括收集单元100、处理单元200、训练单元300、以及获取单元400。以下分别进行详细说明:
收集单元100,用于收集中央空调系统的运行参数的历史数据。
具体地,在本发明的实施例中,对于改造的项目而言,中央空调系统的运行参数的历史数据可直接收集,这些运行参数的历史数据可从现有已记录的数据获得。而对于新建项目(例如新引入的中央空调),因没有历史数据故需操作人员对中央空调的运行参数进行预设定,再通过在使用过程中运行参数的变化进行数据的收集,以获得所需的历史数据。
优选地,在本实施例中,中央空调系统的运行参数包括冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷。
可以理解地,在本实施例中,中央空调系统的运行参数的历史数据包括多组数据,每一组数据都包括前述的运行参数在某一时刻的对应数值。假设冷冻水质量流量为X1,冷冻水供水温度为X2、冷冻水回水温度为X3,冷却水质量流量为X4,冷却水供水温度为X5,冷却水回水温度为X6、中央空调系统冷负荷为X7,则第一组数据为X10、X20、X30、X40、X50、X60、X70;第二组数据为X11、X21、X31、X41、X51、X61、X71;第三组数据为X12、X22、X32、X42、X52、X62、X72;第四组数据为X13、X23、X33、X43、X53、X63、X73;依此类推。在本实施例中,优选地,每一组数据中各中央空调系统的运行参数均为采集同一时刻的运行参数。例如,在第一组数据中,X10、X20、X30、X40、X50、X60、X70都是在同一时刻采集的。而且,中央空调系统的运行参数的历史数据可以是在中央空调运行过程中每隔5分钟采集一次的数据、每隔10分种采集一次的数据、每隔15分种采集一次的数据、或者是每隔半小时采集一次的数据、每隔1小时采集一次的数据等等。在本发明的实施例中,本发明对此不作具体限定,对于中央空调系统的运行参数的历史数据均可用于本发明的实施例。
在本实施例中,优选地,中央空调系统的运行参数可通过传感器或相应的检测工具对数据进行采集。具体地,对于温度的数据采集可通过温度传感器对温度数据进行采集;对于流量的数据采集可通过流量传感器对流量进行采集;对于冷负荷的数据采集可通过冷负荷表对冷负荷进行采集。具体如何采集、或者何时对中央空调系统的运行参数进行采集本发明对此不作限定,本发明只需将之前所采集的数据进行收集。
处理单元200,用于对所采集的中央空调系统的运行参数的历史数据进行处理,以获得所述运行参数的有效历史数据,同时对BP神经网络训练模型的训练参数进行设置。
具体地,本发明的中央空调系统制冷主机能效比的预测方法是基于BP神经网络算法的预测方法,即通过在收集单元100收集的中央空调系统的运行参数的历史数据,将该历史数据代入BP神经网络训练模型是进行训练以获得中央空调系统的运行参数与制冷主机的能效比的对应关系,从而根据该对应关系实现了对中央空调系统制冷主机的能效比的预测。
进一步地,为了使在BP神经网络训练模型进行训练时精度及效率更高,可对中央空调系统的运行参数的历史数据进行处理。
另外,对BP神经网络训练模型的训练参数进行设置,具体包括:
将BP神经网络训练模型设置为输入层、隐含层和输出层。优选地,输入层可包括M个输入参数,隐含层可包括N个节点,输出层可包括1个输出参数;其中,M为大于1的正整数,N为大于1的正整数。
在本发明的实施例中,优选地,BP神经网络训练模型的输入层可包括7个输入参数,即冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷。隐含层可包括10个节点。输出层中的1个输出参数为中央空调系统制冷主机的能效比。
在本实施例中,BP神经网络训练模型中的激活函数可为Sigmoid函数,BP神经网络训练模型中的训练算法可为Levenberg-Marquardt算法。可以理解地,在本实施例中,BP神经网络训练模型中的激活函数采用Sigmoid函数可以把实数域光滑的映射到[0,1]空间,可以使运算速率大大提高,还可提高运算的精度。且Sigmoid函数单调递增,连续可导,导数形式非常简单,因此可进一步提高运算速率,简化运算过程。
优选地,为了使在后续的BP神经网络训练中的运算更加简化及运算速度更快,本实施例在处理单元200中对中央空调系统的运行参数进行优化处理。具体地,包括:
A、对所采集的中央空调系统的运行参数的历史数据进行筛选处理,剔除不合理的数据或无效的数据,以获得所述运行参数的有效历史数据。
可以理解地,不合理的数据或无效的数据为超出预设值的数据。例如对于冷冻水质量流量,如果冷冻水质量流量的某一数据大于中央空调系统所能负载的数值,则该数据为不合理的数据或无效的数据。如中央空调系统冷负荷,如果收集到的历史数据中某一中央空调系统冷负荷的数据大于中央空调系统制冷主机的额定制冷量,则该数据为不合理的数据或无效的数据。
B、对有效历史数据进行归一化处理。
可以理解地,归一化是一种简化计算的方式,是一种无量纲处理手段,通过归一化可使物理系统数值的绝对值变成某种相对值关系,进而使计算更加简单。
在本发明的实施例中,优选地,对中央空调系统的运行参数的有效历史数据进行归一化处理,将不同数量级的运行参数的数据归一到同一数量级,进一步使数据处理更加简单,提高了数据处理的效率。
C、将已进行归一化处理的有效历史数据划分为第一历史数据、第二历史数据和第三历史数据;第一历史数据用于代入BP神经网络中进行训练,第二历史数据用于代入BP神经网络中进行验证,第三历史数据用于代入BP神经网络中进行测试。
具体地,在本发明的实施例中,第一历史数据、第二历史数据和第三历史数据可为将所有有效历史数据按不同的比例进行划分,即第一历史数据可为从有效历史数据中随机抽取的50%作为代入BP神经网络进行训练的数据,相应地,第二历史数据为从余下的50%的有效历史数据中随机抽取30%作为代入BP神经网络中进行验证的数据,则第三历史数据为余下的20%的有效历史数据。优选地,在本发明的实施例中,从有效历史数据中随机抽取70%作为第一历史数据,随机抽取15%作为第二历史数据,随机抽取15%作为第三历史数据。通过该抽取70%作为训练数据、15%作为验证数据、15%作为测试数据,在使计算的时间长度、运算速度及运算精度三者达到平衡的前提下,对输出数据作出更加精确的预测,提高预测精度。可以理解地,训练数据即为初步运算数据,根据训练数据在BP神经网络中获得初步训练结果。在获得初步训练结果后,将随机抽取的15%的有效历史数据代入BP神经网络中对训练结果进行验证,以验证训练结果是否正确,根据验证的结果再将随机抽取的15%的有效历史数据代入BP神经网络中作进一步的测试,以获得准确的中央空调系统的运行参数与制冷主机的能效比的对应关系。
训练单元300,用于将运行参数的有效的历史数据代入已完成设定的BP神经网络训练模型中进行训练,获得中央空调系统的运行参数与制冷主机的能效比的对应关系式。
具体地,将冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷代入已完成设置的BP神经网络训练模型的输入层中,在BP神经网络训练模型中进行训练,进而获得输入参数与输出参数的对应关系。
优选地,将运行参数的有效历史数据代入已完成设置的BP神经网络模型中进行训练,获得输入参数与输出参数的对应关系后,再对输出参数的数据进行反归一化处理,最终获得中央空调系统的运行参数与制冷主机的能效比的对应关系式。
可以理解地,BP神经网络算法是一种按误差逆传播算法训练的多层前馈网络。通过BP神经网络可以学习和存贮大量的输入-输出模式映射关系,且不需要事先揭示描述这种映射关系的数学方法。因此,本发明通过基于BP神经网络算法将中央空调系统的运行参数作为BP神经网络模型中的输入参数,中央空调系统制冷主机的能效比作为BP神经网络模型中的输出参数,通过训练可快速获得中央空调系统运行参数与制冷主机的能效比的关系。
结合图3,在本实施例中,X1对应为冷冻水质量流量、X2对应为冷冻水供水温度、X3对应为冷冻水回水温度、X4对应为冷却水质量流量、X5对应为冷却水供水温度、X6对应为冷却水回水温度以及X7对应为中央空调系统冷负荷,Y对应为中央空调系统制冷主机的能效比。即分别将每一组冷冻水质量流量的有效历史数据代入X1中、每一组冷冻水供水温度的有效历史数据代入X2中,每一组冷冻水回水温度的有效历史数据代入X3中、每一组冷却水质量流量的有效历史数据代入X4中、每一组冷却水供水温度的有效历史数据代入X5中,每一组冷却水回水温度的有效历史数据代入X6中,每一组中央空调系统冷负荷的有效历史数据代入X7中;再分别对每一组X1、X2、X3、X4、X5、X6、X7进行训练,进而获得中央空调系统制冷主机的能效比Y,从而通过将中央空调系统的运行参数的有效历史数据代入设置好的BP神经网络训练模型中进行训练获得中央空调系统的运行参数与制冷主机的能效比的对应关系式。
获取单元400,用于采集T0时刻所述中央空调系统的运行参数并代入所述对应关系式中,获得T0时刻中央空调系统制冷主机的能效比。
具体地,通过处理单元300获得中央空调系统的运行参数与制冷主机的能效比的对应关系式,实时采集中央空调系统的冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷在T0(该T0时刻为中央空调系统在运行过程中的任一时刻)时刻的数据,并将所采集到的数据代入对应关系式中即可获得该T0时刻中央空调系统制冷主机的能效比,即实现了对中央空调系统的能效比的预测。例如,在每天中央空调系统开关机阶段,根据预测的中央空调系统制冷主机的能效比,指导中央空调系统操作人员根据预测结果进行提前开机时间的设定,避免能耗的浪费,延长制冷主机的使用寿命。
本发明的中央空调系统制冷主机的能效比预测装置通过应用中央空调系统的运行参数既有的历史数据并基于BP神经网络算法实现了对中央空调制冷主机能效比的预测,通过该方式以预测中央空调系统制冷主机的能效比,可以指导操作人员提前做好相应的控制,或者指导控制系统提前转换中央空调系统的控制策略,当应用于每天中央空调系统开关机阶段时,可指导中央空调系统操作人员根据预测结果进行提前开机时间的设定,避免能耗的浪费,延长主机的使用寿命;同时在日常中央空调系统的运行维护当中,可有效减少因系统冷负荷变化和中央空调系统的时滞性、在惰性等缺陷所带来的系统响应时间过慢的问题,及时改善室内空气品质,提高室内的热舒适性,且实施本发明不需额外添加硬件设备,操作简单可行。
如图5所示,为利用本发明的中央空调系统制冷主机的能效比预测方法对某建筑中央空调系统制冷主机的能效比进行预测的的能效比与实际能效比的对比图。
在本应用实例中:
预测对象:某建筑中央空调系统制冷主机;
预测时间:某一年的夏天(即6月1日至9月30日);
预测方法:本发明的中央空调系统制冷主机的能效比预测方法。
具体地,根据本发明的预测方法对某建筑中央空调系统制冷主机的能效比进行预测并与制冷主机的实际能效比进行对比,可得图5所示的对比图。在图5中,横坐标为中央空调系统制冷主机的实际能效比,纵坐标为利用本发明预测得到的中央空调系统制冷主机的能效比;中间的实线公式为X=Y,即若预测的能效比与实际的能效比相同,则所有的点在该实线上;两条虚线为5%置信区域,即认为预测结果与实际结果相差±5%,在该误差范围内是可以接受的。由图5显示,通过采用本发明的预测方法对某一年的夏天某建筑中央空调系统制冷主机的能效比进行预测得到的能效比在高达99.22%都落在置信区域之内。由此可知通过本发明的预测方法对中央空调系统制冷主机的能效比的预测精度很高,具有很强的实用性。
以上实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施,并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰,均应属于本发明权利要求的涵盖范围。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种中央空调系统制冷主机的能效比预测方法,其特征在于,该方法包括以下步骤:
S1、收集中央空调系统的运行参数的历史数据;
S2、对所收集的中央空调系统的运行参数的历史数据进行处理,以获得所述运行参数的有效历史数据,同时对BP神经网络训练模型的训练参数进行设置;
S3、将所述运行参数的有效历史数据代入已完成设置的所述BP神经网络训练模型中进行训练,获得所述中央空调系统的运行参数与制冷主机的能效比的对应关系式;
S4、采集T0时刻所述中央空调系统的运行参数并代入所述对应关系式中,获得T0时刻所述中央空调系统制冷主机的能效比。
2.根据权利要求1所述的中央空调系统制冷主机的能效比预测方法,其特征在于,所述中央空调系统的运行参数包括:
冷冻水质量流量、冷冻水供水温度、冷冻水回水温度、冷却水质量流量、冷却水供水温度、冷却水回水温度以及中央空调系统冷负荷。
3.根据权利要求1所述的中央空调系统制冷主机的能效比预测方法,其特征在于,所述步骤S2包括:
S21、对所收集的中央空调系统的运行参数的历史数据进行筛选处理,剔除不合理的数据或无效的数据,以获得所述运行参数的有效历史数据;所述不合理的数据或无效的数据为超出预设值的数据;
S22、对所述有效历史数据进行归一化处理;
S23、将所述已进行归一化处理的有效历史数据划分为第一历史数据、第二历史数据和第三历史数据;所述第一历史数据用于代入所述BP神经网络中进行训练,所述第二历史数据用于代入所述BP神经网络中进行验证,所述第三历史数据用于代入所述BP神经网络中进行测试。
4.根据权利要求3所述的中央空调系统制冷主机的能效比预测方法,其特征在于,在所述步骤S2中,所述对BP神经网络训练模型的训练参数进行设置包括:
将BP神经网络训练模型设置为输入层、隐含层和输出层;
所述输入层包括M个输入参数,所述隐含层包括N个节点,所述输出层包括1个输出参数;其中,M为大于1的正整数,N为大于1的正整数。
5.根据权利要求4所述中央空调系统制冷主机的能效比预测方法,其特征在于,所述输入层中的输入参数为所述步骤S1中所述的中央空调系统的运行参数。
6.根据权利要求5所述中央空调系统制冷主机的能效比预测方法,其特征在于,所述隐含层包括10个节点。
7.根据权利要求6所述的中央空调系统制冷主机的能效比预测方法,其特征在于,所述输出参数为所述中央空调系统制冷主机的能效比。
8.根据权利要求7所述的中央空调系统制冷主机的能效比预测方法,其特征在于,所述步骤S3中包括:
将所述运行参数的有效历史数据代入已完成设置的所述BP神经网络训练模型中进行训练,获得所述输入参数与所述输出参数的对应关系;
对将所述输出参数的数据进行反归一化处理,最终获得所述中央空调系统的运行参数与制冷主机的能效比的对应关系式。
9.根据权利要求8所述的中央空调系统制冷主机的能效比预测方法,其特征在于,所述对BP神经网络训练模型的训练参数进行设置还包括:
将所述BP神经网络训练模型的激活函数设置为Sigmoid函数;
将所述BP神经网络训练模型的训练算法设置为Levenberg-Marquardt算法。
10.一种中央空调系统制冷主机的能效比预测装置,其特征在于,包括:
收集单元,用于收集中央空调系统的运行参数的历史数据;
处理单元,用于对所收集的中央空调系统的运行参数的历史数据进行处理,以获得所述运行参数的有效历史数据,同时对BP神经网络训练模型的训练参数进行设置;
训练单元,用于将所述运行参数的有效的历史数据代入已完成设定的所述BP神经网络训练模型中进行训练,获得所述中央空调系统的运行参数与制冷主机的能效比的对应关系式;
获取单元,用于采集T0时刻所述中央空调系统的运行参数并代入所述对应关系式中,获得T0时刻中央空调系统制冷主机的能效比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611153471.1A CN106765932A (zh) | 2016-12-14 | 2016-12-14 | 中央空调系统制冷主机的能效比预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611153471.1A CN106765932A (zh) | 2016-12-14 | 2016-12-14 | 中央空调系统制冷主机的能效比预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106765932A true CN106765932A (zh) | 2017-05-31 |
Family
ID=58888623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611153471.1A Pending CN106765932A (zh) | 2016-12-14 | 2016-12-14 | 中央空调系统制冷主机的能效比预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106765932A (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576519A (zh) * | 2017-09-14 | 2018-01-12 | 深圳达实智能股份有限公司 | 一种医院变风量系统自动检测方法及装置 |
CN107606730A (zh) * | 2017-09-29 | 2018-01-19 | 北京百度网讯科技有限公司 | 用于确定对数据中心制冷的冷水机组的方法和装置 |
CN108386971A (zh) * | 2018-01-28 | 2018-08-10 | 浙江博超节能科技有限公司 | 中央空调节能自控系统 |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN109059170A (zh) * | 2018-06-20 | 2018-12-21 | 上海安悦节能技术有限公司 | 基于神经网络算法的中央空调控制系统 |
CN109086447A (zh) * | 2018-08-20 | 2018-12-25 | 珠海格力电器股份有限公司 | 热泵设备的能耗检测方法、装置、计算机设备和存储介质 |
CN109612038A (zh) * | 2018-11-23 | 2019-04-12 | 珠海格力电器股份有限公司 | 空调参数处理方法、装置、计算机设备和存储介质 |
CN109726896A (zh) * | 2018-12-05 | 2019-05-07 | 新奥数能科技有限公司 | 能源能效的计算方法及装置、存储介质、电子装置 |
CN109886544A (zh) * | 2019-01-17 | 2019-06-14 | 新奥数能科技有限公司 | 构建设备能效曲线模型的方法、装置、介质及电子设备 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
CN110542178A (zh) * | 2019-09-02 | 2019-12-06 | 上海德昂科技有限公司 | 具有自学习能力的空调冷冻机房控制方法及系统 |
CN110553353A (zh) * | 2019-09-17 | 2019-12-10 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN110567101A (zh) * | 2019-08-14 | 2019-12-13 | 南京南瑞继保工程技术有限公司 | 一种基于支持向量机模型的冷水机组高能效控制方法 |
CN110762768A (zh) * | 2019-10-30 | 2020-02-07 | 南京亚派软件技术有限公司 | 一种中央空调系统制冷主机的能效比预测方法及装置 |
WO2020098405A1 (zh) * | 2018-11-15 | 2020-05-22 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN111442483A (zh) * | 2020-03-30 | 2020-07-24 | 广东美的制冷设备有限公司 | 空气调节设备及其控制方法、装置、电子设备 |
CN111486573A (zh) * | 2020-04-16 | 2020-08-04 | 南方电网科学研究院有限责任公司 | 一种中央空调集群调控方法、系统以及设备 |
CN111720954A (zh) * | 2020-06-17 | 2020-09-29 | 珠海格力电器股份有限公司 | 产品的节能方法及节能运算系统 |
CN111814389A (zh) * | 2020-06-17 | 2020-10-23 | 新奥数能科技有限公司 | 一种制冷系统制冷系数预测方法及装置 |
CN111895581A (zh) * | 2020-08-05 | 2020-11-06 | 南京天加环境科技有限公司 | 一种中央空调系统主机自主寻优控制方法 |
CN112611141A (zh) * | 2020-12-24 | 2021-04-06 | 上海能誉科技股份有限公司 | 一种制冷主机的节能控制方法、系统和计算机可读存储介质 |
CN112728737A (zh) * | 2021-01-05 | 2021-04-30 | 青岛海信日立空调系统有限公司 | 一种空调器及云服务器 |
CN112747418A (zh) * | 2021-01-05 | 2021-05-04 | 青岛海信日立空调系统有限公司 | 空调器及云服务器 |
CN112944599A (zh) * | 2021-02-08 | 2021-06-11 | 中国建筑科学研究院有限公司 | 空调系统的多参数耦合控制方法及装置 |
CN112966399A (zh) * | 2021-04-15 | 2021-06-15 | 苏州大学张家港工业技术研究院 | 一种基于机器学习的脉管制冷机工况预测方法及系统 |
CN113283646A (zh) * | 2021-05-14 | 2021-08-20 | 青岛海尔科技有限公司 | 控制设备运行的方法、装置、存储介质及电子装置 |
CN113432247A (zh) * | 2021-05-20 | 2021-09-24 | 中南大学 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
CN113780405A (zh) * | 2021-09-07 | 2021-12-10 | 科希曼电器有限公司 | 基于深度神经网络的空调机参数回归优化方法 |
WO2022052547A1 (zh) * | 2020-09-14 | 2022-03-17 | 青岛海信日立空调系统有限公司 | 空调系统能效预测方法及空调系统 |
CN114636212A (zh) * | 2022-04-22 | 2022-06-17 | 苏州思萃融合基建技术研究所有限公司 | 一种基于grnn的多台冷水机组系统运行控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008427A (zh) * | 2014-05-16 | 2014-08-27 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104598765A (zh) * | 2015-02-16 | 2015-05-06 | 常州瑞信电子科技有限公司 | 一种基于弹性自适应神经网络的建筑物能耗预测方法 |
US20150248118A1 (en) * | 2014-02-26 | 2015-09-03 | Board Of Trustees Of The University Of Alabama | Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches |
-
2016
- 2016-12-14 CN CN201611153471.1A patent/CN106765932A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150248118A1 (en) * | 2014-02-26 | 2015-09-03 | Board Of Trustees Of The University Of Alabama | Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches |
CN104008427A (zh) * | 2014-05-16 | 2014-08-27 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104598765A (zh) * | 2015-02-16 | 2015-05-06 | 常州瑞信电子科技有限公司 | 一种基于弹性自适应神经网络的建筑物能耗预测方法 |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576519A (zh) * | 2017-09-14 | 2018-01-12 | 深圳达实智能股份有限公司 | 一种医院变风量系统自动检测方法及装置 |
CN107606730A (zh) * | 2017-09-29 | 2018-01-19 | 北京百度网讯科技有限公司 | 用于确定对数据中心制冷的冷水机组的方法和装置 |
CN107606730B (zh) * | 2017-09-29 | 2020-07-07 | 北京百度网讯科技有限公司 | 用于确定对数据中心制冷的冷水机组的方法和装置 |
CN108386971A (zh) * | 2018-01-28 | 2018-08-10 | 浙江博超节能科技有限公司 | 中央空调节能自控系统 |
CN108592352B (zh) * | 2018-05-09 | 2020-09-11 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
CN109059170A (zh) * | 2018-06-20 | 2018-12-21 | 上海安悦节能技术有限公司 | 基于神经网络算法的中央空调控制系统 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN109086447A (zh) * | 2018-08-20 | 2018-12-25 | 珠海格力电器股份有限公司 | 热泵设备的能耗检测方法、装置、计算机设备和存储介质 |
WO2020098405A1 (zh) * | 2018-11-15 | 2020-05-22 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN109612038A (zh) * | 2018-11-23 | 2019-04-12 | 珠海格力电器股份有限公司 | 空调参数处理方法、装置、计算机设备和存储介质 |
CN109726896A (zh) * | 2018-12-05 | 2019-05-07 | 新奥数能科技有限公司 | 能源能效的计算方法及装置、存储介质、电子装置 |
CN109886544A (zh) * | 2019-01-17 | 2019-06-14 | 新奥数能科技有限公司 | 构建设备能效曲线模型的方法、装置、介质及电子设备 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
CN110059801B (zh) * | 2019-03-20 | 2021-05-25 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
CN110567101A (zh) * | 2019-08-14 | 2019-12-13 | 南京南瑞继保工程技术有限公司 | 一种基于支持向量机模型的冷水机组高能效控制方法 |
CN110542178B (zh) * | 2019-09-02 | 2020-06-02 | 上海德昂科技有限公司 | 具有自学习能力的空调冷冻机房控制方法及系统 |
CN110542178A (zh) * | 2019-09-02 | 2019-12-06 | 上海德昂科技有限公司 | 具有自学习能力的空调冷冻机房控制方法及系统 |
CN110553353A (zh) * | 2019-09-17 | 2019-12-10 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN110762768A (zh) * | 2019-10-30 | 2020-02-07 | 南京亚派软件技术有限公司 | 一种中央空调系统制冷主机的能效比预测方法及装置 |
CN111442483A (zh) * | 2020-03-30 | 2020-07-24 | 广东美的制冷设备有限公司 | 空气调节设备及其控制方法、装置、电子设备 |
CN111486573A (zh) * | 2020-04-16 | 2020-08-04 | 南方电网科学研究院有限责任公司 | 一种中央空调集群调控方法、系统以及设备 |
CN111486573B (zh) * | 2020-04-16 | 2021-09-14 | 南方电网科学研究院有限责任公司 | 一种中央空调集群调控方法、系统以及设备 |
CN111814389A (zh) * | 2020-06-17 | 2020-10-23 | 新奥数能科技有限公司 | 一种制冷系统制冷系数预测方法及装置 |
CN111720954A (zh) * | 2020-06-17 | 2020-09-29 | 珠海格力电器股份有限公司 | 产品的节能方法及节能运算系统 |
CN111895581A (zh) * | 2020-08-05 | 2020-11-06 | 南京天加环境科技有限公司 | 一种中央空调系统主机自主寻优控制方法 |
WO2022052547A1 (zh) * | 2020-09-14 | 2022-03-17 | 青岛海信日立空调系统有限公司 | 空调系统能效预测方法及空调系统 |
CN112611141A (zh) * | 2020-12-24 | 2021-04-06 | 上海能誉科技股份有限公司 | 一种制冷主机的节能控制方法、系统和计算机可读存储介质 |
CN112747418A (zh) * | 2021-01-05 | 2021-05-04 | 青岛海信日立空调系统有限公司 | 空调器及云服务器 |
CN112728737A (zh) * | 2021-01-05 | 2021-04-30 | 青岛海信日立空调系统有限公司 | 一种空调器及云服务器 |
CN112944599A (zh) * | 2021-02-08 | 2021-06-11 | 中国建筑科学研究院有限公司 | 空调系统的多参数耦合控制方法及装置 |
CN112966399A (zh) * | 2021-04-15 | 2021-06-15 | 苏州大学张家港工业技术研究院 | 一种基于机器学习的脉管制冷机工况预测方法及系统 |
CN112966399B (zh) * | 2021-04-15 | 2023-08-22 | 苏州大学张家港工业技术研究院 | 一种基于机器学习的脉管制冷机工况预测方法及系统 |
CN113283646A (zh) * | 2021-05-14 | 2021-08-20 | 青岛海尔科技有限公司 | 控制设备运行的方法、装置、存储介质及电子装置 |
CN113432247A (zh) * | 2021-05-20 | 2021-09-24 | 中南大学 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
CN113432247B (zh) * | 2021-05-20 | 2022-04-26 | 中南大学 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
CN113780405A (zh) * | 2021-09-07 | 2021-12-10 | 科希曼电器有限公司 | 基于深度神经网络的空调机参数回归优化方法 |
CN114636212A (zh) * | 2022-04-22 | 2022-06-17 | 苏州思萃融合基建技术研究所有限公司 | 一种基于grnn的多台冷水机组系统运行控制方法 |
CN114636212B (zh) * | 2022-04-22 | 2024-01-30 | 苏州思萃融合基建技术研究所有限公司 | 一种基于grnn的多台冷水机组系统运行控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106765932A (zh) | 中央空调系统制冷主机的能效比预测方法及装置 | |
CN107044710A (zh) | 基于联合智能算法的中央空调节能控制方法及系统 | |
Ashouri et al. | Systematic approach to provide building occupants with feedback to reduce energy consumption | |
CN110285532A (zh) | 基于人工智能的机房空调控制方法、装置及系统 | |
CN105955148B (zh) | 基于ZigBee的光伏组件在线监测与故障诊断方法 | |
CN110332647A (zh) | 地铁地下车站空调系统负荷预测方法及空调系统 | |
CN105973626A (zh) | 中央空调系统主机运行能效评估及预测方法以及装置 | |
CN109961177A (zh) | 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法 | |
CN103912966A (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN111486552A (zh) | 基于分项计量数据的空调冷冻水供水温度策略识别方法 | |
CN106910144A (zh) | 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法 | |
CN104699991B (zh) | 基于灰色系统理论的城镇供热系统年供热量预测方法 | |
CN109948778A (zh) | 一种制冷设备故障诊断装置及系统 | |
CN107818340A (zh) | 基于k值小波神经网络的二阶段空调负荷预测方法 | |
CN111780332A (zh) | 一种中央空调分户计量方法及装置 | |
CN106951359A (zh) | 一种系统健康度检测分析方法及装置 | |
CN109882996A (zh) | 一种控制的方法及设备 | |
CN107368940A (zh) | 计及响应不确定性温控负荷聚合响应潜力评估方法及系统 | |
CN104618133B (zh) | 一种电网电压质量监测数据采集方法及系统 | |
CN116955963A (zh) | 基于历史数据分析的暖通节能阶梯寻优控制方法 | |
Yang et al. | Short-term load forecasting of microgrid based on grey correlation analysis and neural network optimized by mind evolutionary algorithm | |
CN106780187A (zh) | 一种楼宇绿色运行平行管控方法及系统 | |
CN107451697A (zh) | 一种基于复合数据修复的风功率预测方法 | |
Wei | Occupant's space heating behaviour in a simulation-intervention loop | |
Yang et al. | A forecasting method of air conditioning energy consumption based on extreme learning machine algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |