CN107044710A - 基于联合智能算法的中央空调节能控制方法及系统 - Google Patents
基于联合智能算法的中央空调节能控制方法及系统 Download PDFInfo
- Publication number
- CN107044710A CN107044710A CN201611216796.XA CN201611216796A CN107044710A CN 107044710 A CN107044710 A CN 107044710A CN 201611216796 A CN201611216796 A CN 201611216796A CN 107044710 A CN107044710 A CN 107044710A
- Authority
- CN
- China
- Prior art keywords
- central air
- data
- conditioning
- operational factor
- energy consumption
- 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
- F24F2110/00—Control inputs relating to air properties
-
- 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
- F24F11/46—Improving electric energy efficiency or saving
Abstract
本发明公开一种基于联合智能算法的中央空调节能控制方法及系统,方法包括步骤:S1、获取中央空调在预设时间段内的运行参数的第一数据;S2、利用BP神经网络算法根据第一数据建立中央空调的设备的BP神经网络训练模型,通过中央空调的设备的BP神经网络训练模型进行计算获得中央空调的设备能耗与运行参数的对应关系式;S3、基于中央空调的设备能耗与运行参数的对应关系式,获得中央空调的总能耗的数学模型,并通过遗传算法对中央空调的总能耗的数学模型进行优化处理,输出运行参数的优化数据;S4、调用运行参数的优化数据,将优化数据输入至中央空调中以调整中央空调的运行参数控制中央空调运行。本发明通过结合多种智能算法来实现对中央空调的自寻优控制,从而达到节约能耗的目的。
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,涉及一种基于联合智能算法的中央空调节能控制方法及系统。
背景技术
当前,传统的中央空调控制系统采用的是简单的PID控制,例如:在冷水侧供回水管路预设压差,当供回水压差大于预设值时,提高冷水泵的频率,增大功率;当供回水温差小于预设值时,则降低冷水泵频率,减小功率。但此种方法属于凭借经验设定压差,并没有规范依据,其准确度有待商榷,而且,即使凭借经验设定的压差,往往也是通过全网最不利环路设定,在大部分实际运行情况中水泵都是超过实际应用功率运行,这导致能耗增加,能源的极大浪费;或者使用回水温度控制法,即预设冷水回水温度,当回水温度高于预设值时,提高冷水泵的频度,增大功率;当回水温度低于预设值时,降低冷水泵频率,减小功率。此种方法也是凭借经验设定,每个项目的温差设定值各有差别。
这些方法只是单纯的根据经验来调节中央空调系统冷水侧的物理参数,并没有充分考虑到建筑内部的冷需量,也就是整个中央空调系统的冷负荷。由于中央空调系统时滞性、大惰性等缺陷,当系统冷负荷发生变化时,传统 的调节系统不能快速有效的响应,会造成能源不必要的浪费或者室内舒适度的降低。同时,传统的中央空调节能控制方法在冷水或冷却水侧一味的追求泵的频率降低,能耗最低,却忽略了中央空调系统的整体能耗情况。由于制冷主机的能耗在整个中央空调系统占有很大比重,有时虽然冷冻泵功率降低了,但制冷主机的能耗却增加了,相应地,中央空调整体能耗也在增加,导致能耗的浪费。
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,提供一种基于联合智能算法的中央空调节能控制方法及系统。
本发明解决其技术问题所采用的技术方案是:构造一种基于联合智能算法的中央空调节能控制方法,包括以下步骤:
S1、获取中央空调在预设时间段内的运行参数的第一数据;
S2、利用BP神经网络算法根据所述第一数据建立所述中央空调的设备的BP神经网络训练模型,通过所述中央空调的设备的BP神经网络训练模型进行计算获得所述中央空调的设备能耗与所述运行参数的对应关系式;
S3、基于所述中央空调的设备能耗与所述运行参数的对应关系式,获得所述中央空调的总能耗与所述运行参数的数学模型,并根据所述中央空调的总能耗与所述运行参数的数学模型通过遗传算法对所述运行参数进行优化处理,输出所述运行参数的优化数据;
S4、调用所述运行参数的优化数据,将所述优化数据输入至所述中央空调中以调整所述中央空调的运行参数控制所述中央空调运行。
在本发明所述的基于联合智能算法的中央空调节能控制方法中,优选地,所述步骤S1包括:
S11、在预设时间段内,采集所述中央空调的运行参数的第二数据;
S12、对所述第二数据进行处理,剔除所述第二数据中不合理的或无效的数据获得所述第一数据;所述不合理的或无效的数据为超出预设值的数据;
S13、对所述第一数据进行归一化处理;
S14、按预设比例对所述已进行归一化处理的第一数据进行划分,获得第一比例数据、第二比例数据和第三比例数据;所述第一比例数据用于代入所述BP神经网络训练模型中进行训练,所述第二比例数据用于代入所述BP神经网络训练模型中进行验证,所述第三比例数据用于代入所述BP神经网络训练模型中进行测试。
在本发明所述的基于联合智能算法的中央空调节能控制方法中,优选地,步骤S2中包括:对所述BP神经网络训练模型的训练参数进行设置。
在本发明所述的基于联合智能算法的中央空调节能控制方法中,优选地,在步骤S2中,所述中央空调的设备能耗与所述运行参数的对应关系式包括:第一对应关系式、第二对应关系式、第三对应关系以及第四对应关系式;
所述第一对应关系式为:
所述第二对应关系式为:
所述第三对应关系式为:
所述第四对应关系式为:
其中,
Wchiller:为中央空调制冷主机能耗;Wch,p:为冷冻泵能耗;Wc,p:为冷却泵能耗;Wc,t:为冷却塔能耗;为冷冻水质量流量,单位:kg/s;Tch,sup:为冷冻水供水温度,单位:℃;Tch,re:为冷冻水回水温度,单位:℃;为冷却水质量流量,单位:kg/s;Tc,sup:为冷却水供水温度,单位:℃;Tc,re: 为冷却水回水温度,单位:℃;Tout:为室外温度,单位:℃;HR:为室外相对湿度,单位:%;Q:为空调冷负荷,单位:kW。
在本发明所述的基于联合智能算法的中央空调节能控制方法中,优选地,在步骤S3中,所述中央空调的总能耗与所述运行参数的数学模型为:
Wtot=Wchiller+Wch,p+Wc,p+Wc,t;
或,
其中,Wtot为中央空调的总能耗。
在本发明所述的基于联合智能算法的中央空调节能控制方法中,优选地,所述步骤S3包括:
S31、基于所述中央空调的总能耗与所述运行参数的数学模型建立遗传算法模型;
S32、根据所述遗传算法模型对所述中央空调的所述运行参数进行优化处理,输出所述运行参数的优化数据。
在本发明所述的基于联合智能算法的中央空调节能控制方法中,优选地,所述步骤S32包括以下步骤:
A、基于所述中央空调的总能耗与所述运行参数的数学模型设置适应函数,所述适应函数的数学式为:
fitness=Wtot,其中,fitness为适应函数;
B、判断是否已设置限制条件,若是,则在所述中央空调的运行参数的第一数据中随机选取N组数据,根据所述适应函数的数学式计算所述N组数据对应的适应函数值,获得对应的N个适应函数值;若否,则对所述适应函数进行限制条件设置;N为大于0的整数;
C、对所述N组数据对应的N个适应函数值进行优化处理,输出所述运行 参数的优化数据。
在本发明所述的基于联合智能算法的中央空调节能控制方法中,优选地,所述步骤C包括:
C1、对所述N个适应函数值按由小到大的顺序依次排列,并编号为1、2、3、……、N;
C2、从所述运行参数的第一数据组选择M组数据替换所述已编号的N个适应函数值对应的N组数据中的M组数据,获得N′组数据,其中,M为大于0且小于N的整数;N′=N;
C3、根据所述N′组数据依次进行交叉和变异计算,获得变异的N′组数据;
C4、在步骤C3结束后循环执行步骤C1至步骤C3,其中,执行一次步骤C1至步骤C3为一代。
在本发明所述的基于联合智能算法的中央空调节能控制方法中,优选地,在所述步骤C4之后还包括下述步骤:
判断所述变异的N′组数据中的数据的变化率是否达到预设变化率,若是则停止执行步骤C4,输出所述运行参数的优化数据,若否,则执行步骤C1;
或,判断所述步骤C4中的代数是否达到预设代数,若是则停止执行步骤C4,输出所述运行参数的优化数据,若否,则执行步骤C1。
本发明还提供了一种基于联合智能算法的中央空调节能控制系统,包括:
数据采集模块,用于获取中央空调在预设时间段内的运行参数的第一数据;
BP神经网络计算模块,用于利用BP神经网络算法根据所述第一数据建立所述中央空调的设备的BP神经网络训练模型,通过所述中央空调的设备的BP神经网络训练模型进行计算,获得所述中央空调的设备能耗与所述运行参数的对应关系式;
遗传算法模块,用于基于所述中央空调的设备能耗与所述运行参数的对应关系式,获得所述中央空调的总能耗与所述运行参数的数学模型,并根据所述中央空调的总能耗与所述运行参数的数学模型通过遗传算法对所述运行参数进行优化处理,输出所述运行参数的优化数据;
控制模块,调用所述运行参数的优化数据,将所述优化数据输入至所述中央空调中以调整所述中央空调的运行参数控制所述中央空调运行。
实施本发明的基于联合智能算法的中央空调节能控制方法,具有以下有益效果:该方法包括步骤:S1、获取中央空调在预设时间段内的运行参数的第一数据;S2、利用BP神经网络算法根据第一数据建立中央空调的设备的BP神经网络训练模型,通过中央空调的设备的BP神经网络训练模型进行计算获得中央空调的设备能耗与运行参数的对应关系式;S3、基于中央空调的设备能耗与运行参数的对应关系式,获得中央空调的总能耗的数学模型,并通过遗传算法对中央空调的总能耗的数学模型进行优化处理,输出运行参数的优化数据;S4、调用运行参数的优化数据,将优化数据输入至中央空调中以调整中央空调的运行参数控制中央空调运行。本发明通过使用BP神经网络对中央空调的设备进行建模,在去处过程中充分考虑外在因素对设备用电情况的影响,获取设备的能耗与运行参数的关系,设备的能耗与运行参数的关系通过遗传算法对中央空调的设备的总能耗进行优化,避免了单纯的消耗降频节能所带来的总能耗增加的情况,使整个中央空调系统的能耗达到最低,且通过结合两种智能算法,使其互为补充、互相促进,提高了这两种算法在中央空调节能领域的使用效果,进而获得最优的运行参数的优化数据以控制中央空调的运行,在保证室内舒适性前提下达到了节约能耗的目的。
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是本发明基于联合智能算法的中央空调节能控制方法的流程示意图;
图2是本发明基于联合智能算法的中央空调节能控制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是本发明基于联合智能算法的中央空调节能控制方法的第二优选实施例的流程示意图;
图5是本发明基于联合智能算法的中央空调节能控制方法的第三优选实施例的流程示意图;
图6本发明基于联合智能算法的中央空调节能控制方法的第四优选实施例的流程示意图。
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。
本发明相较于传统的冷冻水侧定压差、定温差等PID控制方法提出了一种通过系统冷负荷对中央空调各运行参数控制的运行的方法,该方法不再依赖于人为经验,而是充分考虑用户端冷需量,实现中央空调系统按需供冷。具体地,本发明通过使用BP神经网络算法对中央空调各耗电设备进行建模,在BP神经网络训练过程中充分考虑外在因素对耗电设备用电情况的影响,快速准确地获得各耗电设备与对应的运行参数之间的对应关系,进一步得到中央空调的总能耗与中央空调各运行参数之间的关系,进而借用遗传算法对中央空调总能耗进行优化,输出运行参数的优化数据,并调用通过遗传算法优化得到的优化数据对中央空调的运行参数进行相应的调整以控制中央空调的运行,避免了单纯的水泵降频所带来的总能耗增加的情况,使整个系统达到最低的能耗的运行状态,实现了在保护室内热舒适性的前提下节约系统能耗。
如图1所示,在本发明的基于联合智能算法的中央空调节能控制方法的流程示意图,该方法包括以下步骤:
步骤S1、获取中央空调在预设时间段内的运行参数的第一数据。
可以理解地,在本发明的实施例中,预设时间段的范围可以为中央空调的历史数据,比如在此之前的某年1~5月,即相当于中央空调之前运行时的运行参数的数据,具体选取哪个时间段的数据可根据实际应用进行确定。
具体地,在本实施例中,中央空调的运行参数的历史数据包括多组数据,每一组数据都包括各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,对于中央空调的运行参数的历史数据均可用于本发明的实施例。换句话说,在本发明的实施例中,中央空调的各个运行参数的第一数据包括多组数据,即每一个运行参数的第一数据包含多个,每一组数据对应多个运行参数,因此,第一数据为多组数据。
优选地,在本实施例中,中央空调的运行参数可为冷冻水质量流量、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、空调冷负荷、室外温度及室外相对湿度。
参考图2,优选地,图2是本发明基于联合智能算法的中央空调节能控制方法一较佳实施例。为了使在后续的BP神经网络训练模型中的训练速率更快,本实施例在步骤S1中对中央空调的运行参数的数据进行处理。具体地,包括:
S11、在预设时间段内,采集中央空调的运行参数的第二数据。
S12、对第二数据进行处理,剔除第二数据中不合理的或无效的数据获得第一数据;不合理的或无效的数据为超出预设值的数据。
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。如中央空调冷负荷,如果采集到的第二数据中某一中央空调冷负荷的数据大于中央空调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。
S13、对第一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。
S14、按预设比例对已进行归一化处理的第一数据进行划分,获得第一比例数据、第二比例数据和第三比例数据;第一比例数据用于代入BP神经网络训练模型中进行训练,第二比例数据用于代入BP神经网络训练模型中进行验证,第三比例数据用于代入BP神经网络训练模型中进行测试。
具体地,在本发明的实施例中,第一比例数据、第二比例数据和第三比例数据可为将所有第一数据按不同的比例进行划分,即第一比例数据可为从已进行归一化处理的第一数据中随机抽取的50%作为代入BP神经网络进行训练的数据,相应地,第二比例数据为从余下的50%的已进行归一化处理的第一数据中随机抽取30%作为代入BP神经网络中进行验证的数据,则第三比例数据为余下的20%的已进行归一化处理的第一数据。优选地,在本发明的实施例中,从已进行归一化处理的第一数据中随机抽取70%作为第一比例数据,随机抽取已进行归一化处理的15%作为第二比例数据,随机抽取已进行归一化处理的15%作为第三比例数据。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的运行参数与设备能耗的对应关系。
步骤S2、利用BP神经网络算法根据第一数据建立中央空调的设备的BP神经网络训练模型,通过中央空调的设备的BP神经网络训练模型进行计算获得中央空调的设备能耗与运行参数的对应关系式。
进一步地,在步骤S2中,当通过中央空调的设备的BP神经网络训练模型进行计算时可先获得BP神经网络训练模型中的输出参数与输入参数之间的对应关系式,进而对输出参数与输入参数之间的对应关系式进行反归一化处理,最终可获得中央空调的设备能耗与运行参数的对应关系式。
优选地,在步骤S2中,中央空调的设备能耗与运行参数的对应关系式包括:第一对应关系式、第二对应关系式、第三对应关系以及第四对应关系式。具体地,第一对应关系式为:
第二对应关系式为:
第三对应关系式为:
第四对应关系式为:
其中,Wchiller:为中央空调制冷主机能耗;Wch,p:为冷冻泵能耗;Wc,p:为冷却泵能耗;Wc,t:为冷却塔能耗;为冷冻水质量流量,单位:kg/s;Tch,sup:为冷冻水供水温度,单位:℃;Tch,re:为冷冻水回水温度,单位:℃; 为冷却水质量流量,单位:kg/s;Tc,sup:为冷却水供水温度,单位:℃;Tc,re:为冷却水回水温度,单位:℃;Tout:为室外温度,单位:℃;HR:为室外相对湿度,单位:%;Q:为空调冷负荷,单位:kW。进一步地,在本发明的实施例中,空调冷负荷Q为中央空调冷冻水侧各支路的冷负荷,即Q为中央空调的总冷负荷:
其中:
i:为中央空调冷冻水侧各支路编号;n:为中央空调冷冻水侧支路数量;
Qi:为中央空调冷冻水侧各支路的冷负荷。
结合图3,在本实施例中,BP神经网络训练模型如图3所示,X1、X2……X7为中央空调的运行参数,Y为中央空调的设备能耗。例如,在第一对应关系式中,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对应为中央空调冷负荷,Y对应为中央空调的制冷主机能耗。即分别将每一组冷冻水质量流量的第一数据代入X1中、每一组冷冻水供水温度的第一数据代入X2中,每一组冷冻水回水温度的第一数据代入X3中、每一组冷却水质量流量的第一数据代入X4中、每一组冷却水供水温度的第一数据代入X5中,每一组冷却水回水温度的第一数据代入X6中,每一组中央空调冷负荷的第一数据代入X7中;再分别对每一组X1、X2、X3、X4、X5、X6、X7进行训练,进而获得中央空调制冷主机的能耗Y,从而通过将中央空调的运行参数的已进行归一化处理的第一数据代入设置好的BP神经网络训练模型中进行训练,获得BP神经网络训练模型中输出参数与输入参数之间的对应关系式,再对输出参数与输入参数之间的对应关系式进行反归一化处理获得中央空调的运行参数与制冷主机的能效比的对应关系式。
优选地,在步骤S2中包括对所述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,对于中央空调的制冷主机的BP神经网络训练模型,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的制冷主机的能耗。
对于中央空调的冷冻泵的BP神经网络训练模型,BP神经网络训练模型的输入层可包括1个输入参数,即冷冻水质量流量。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的冷冻泵的能耗)。
对于中央空调的冷却泵的BP神经网络训练模型,BP神经网络训练模型的输入层可包括1个输入参数,即冷却水质量流量。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的制冷主机的能耗(相当于冷却泵工作时所引发的能耗)。
对于中央空调的冷却塔的BP神经网络训练模型,BP神经网络训练模型的输入层可包括3个输入参数,即冷却水质量流量、室外温度、室外相对湿度。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的制冷主机的能耗(相当于冷却塔工作时所引发的能耗)。
在本实施例中,BP神经网络训练模型中的激活函数均可采用Sigmoid函数,BP神经网络训练模型中的训练算法均可采用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,实现了快速获得BP神经网络训练模型中输出参数与输入参数之间的对应关系式,再通过反归一化处理,最 终获得中央空调的设备能耗与运行参数之间的对应关系式,即本实施例中的第一对应关系式、第二对应关系式、第三对应关系式、第四对应关系式。
S3、基于中央空调的设备能耗与运行参数的对应关系式,获得中央空调的总能耗与运行参数的数学模型,并根据所述中央空调的总能耗与所述运行参数的数学模型通过遗传算法对所述运行参数进行优化处理,输出所述运行参数的优化数据。
具体地,中央空调的总能耗与运行参数的数学模型为:
Wtot=Wchiller+Wch,p+Wc,p+Wc,t;
或,
其中,Wtot为中央空调的总能耗。
如图4所示,优选地,步骤S3包括:
S31、基于中央空调的总能耗与运行参数的数学模型建立遗传算法模型;
S32、根据遗传算法模型对中央空调的运行参数进行优化处理,输出运行参数的优化数据。
进一步地,如图5所示,在本发明的实施例中,步骤S32包括以下步骤:
A、基于中央空调的总能耗与运行参数的数学模型设置适应函数,适应函数的数学式为:
fitness=Wtot,其中,fitness为适应函数;
B、判断是否已设置限制条件,若是,则在中央空调的运行参数的第一数据中随机选取N组数据,根据适应函数的数学式计算N组数据对应的适应函数值,获得对应的N个适应函数值;若否,则对适应函数进行限制条件设置;N为大于0的整数;可以理解地,中央空调的运行参数的第一数据为步骤S12所获得的第一数据,即未进行归一化处理。
C、对N组数据对应的N个适应函数值进行优化处理,输出运行参数的优 化数据。
优选地,如图6所示,在本发明的实施例中,步骤C包括以下步骤:
C1、对N个适应函数值按由小到大的顺序依次排列,并编号为1、2、3、……、N;
C2、从运行参数的第一数据中选择M组数据组替换已编号的N组数据中的M组数据,获得N′组数据,其中,M为大于0且小于N的整数;N′=N;
C3、根据N′组数据依次进行交叉和变异计算,获得变异的N′组数据;
C4、在步骤C3结束后循环执行步骤C1至步骤C3,其中,执行一次步骤C1至步骤C3为一代。
进一步地,在步骤C4之后还包括步骤:判断变异的N′组数据中的数据的变化率是否达到预设变化率,若是则停止执行步骤C4,输出运行参数的优化数据,若否,则执行步骤C1。可以理解地,在本发明的实施例中,预设变化率可设为5%。例如,对于100代之内,数据的变化率小于5%则可停止执行步骤C4,即遗传算法中相当于停止对运行参数的第一数据的优化。
或,判断步骤C4的代数是否达到预设代数,若是则停止执行步骤C4,输出运行参数的优化数据,若否,则执行步骤C1。可以理解地,在本发明的实施例中,代数相当于循环执行步骤C1至步骤C3的循环次数,循环执行一次为一代,循环执行二次为二代。优选地,预设代数为最大代数,例如,最大代数可设为100代。当循环执行步骤C1至步骤C3的循环次数达到100次时,即100代即停止。然后输出停止优化时的运行参数的数据,即相当于通过遗传算法算出最优的运行参数的数值。
在具体的实施例中,例如,在获得中央空调的总能耗与运行参数的数学模型后,通过遗传算法对中央空调的运行参数进行优化处理,输出运行参数的优化数据。具体地,在获得中央空调的总能耗的数学模型后,先判断是否已设置适应函数,若是则判断是否已设置限制条件,若是则随机选取N组数
(1)冷负荷、室外温度、室外湿度保持不变;
(2)冷水供水温度在7摄氏度到13摄氏度之间,即:Tch,sup∈[7℃ 13℃];
(3)冷水回水温度与供水温度之间温差在3摄氏度到7摄氏度之间,即:
Tch,re-Tch,sup∈[3℃ 7℃];
(4)在保证冷负荷不变的情况下,冷水质量流量由公式求得,即:
(5)冷却水回水温度在30摄氏度到35摄氏度之间,即:
Tc,re∈[30℃ 35℃];
(6)冷却水供水温度与回水温度之间温差在0摄氏度到7摄氏度:
Tc,sup-Tc,er∈[0℃ 7℃];
(7)冷却水体积流量在0m3/s到0.2m3/s之间,即:
从运行参数的第一数据中随机选取10组数据作为遗传算法运算的个体,每组数据包括Tch,sup、Tch,re、Tc,sup、Tc,re、Q、Tout、HR。
计算适应函数值:
将所选取的10组中央空调的运行参数的数据代入到适应函数式中求值,获得10个对应的适应函数值,即一组运行参数对应一个适应函数值。可以理解地,在本发明的实施例中,适应函数值相当于中央空调的总能耗的数值。
例如,10组中央空调的运行参数的数据分别设为G1、G2、G3、G4、G5、G6、G7、G8、G9、G10,其中G1中包括:Tch,sup、Tch,re、Tc,sup、Tc,re、Q、Tout、HR,依此类推,G2、G3、G4、G5、G6、G7、G8、G9、G10中 也包括:Tch,sup、Tch,re、Tc,sup、Tc,re、Q、Tout、HR。10个对应的函数值分别为W1、W2、W3、W4、W5、W6、W7、W8、W9、W10。
对所获得的10个适应函数值进行排列运算:
具体地,将10个适应函数值按照从小到大的顺序排列,并进行从1到10的编号。例如依次为:W1、W2、W3、W4、W5、W6、W7、W8、W9、W10。
选择与替换运算:
具体地,根据已编号的1至10号的10组数据,以50%为进行划分选择和替换。例如,选择从1到5数据组作为选择的数据组,从6到10号的数据组作为替换的数据组,同时从中央空调的运行参数的第一数据中随机选取5组数据组来替换从6到10号的数据,即编号为6到10号的数据组已被替换。例如,保留G1、G2、G3、G4、G5,在中央空调的运行参数的第一数据中再随机选择5组数据,假设为G6′、G7′、G8′、G9′、G10′替换掉G6、G7、G8、G9、G10。
替换完成后获得新的10组数据,即G1、G2、G3、G4、G5、G6′、G7′、G8′、G9′、G10′。
交叉和变异:
从已完成替换的新的10组数据中以30%作为交叉的概率,即从G1、G2、G3、G4、G5、G6′、G7′、G8′、G9′、G10′中随机选取3组数据与1号数据与进行交叉。即随机选取3组数据与G1的数据进行交叉,例如,随机选出三组数据分别为G3、G5、G8′,再将G3的数据与G1的数据交叉,G5的数据与G1的数据交叉,G8′的数据与G1的数据交叉。
其中,交叉的具体算法为,以编号为3的数据组(即G3的数据组)中的冷水供水温度为例:
T′ch,sup(i)=r×Tch,sup(1)+(1-r)×Tch,sup(i)
其中,T′ch,sup(i):为第i组数据组交叉后的冷却水供水温度;r:为0到1之间的随机数值;Tch,sup(1):为一号数据的冷却水供水温度;Tch,sup(i):为第i号数据组交叉前的冷却水供水温度。
可以理解地,选取交叉的概率可根据实际的运算进行确定,本发明中所举的只是作为代表实施例,但不限于本实施例所举的具体数值。
在交叉步骤完成后,再对已完成交叉的10组数据进行变异计算。
具体地,同样以30%作为变异的概率,即从与编号为1到10的10组运行参数的数据中随机选取3组数据进行变异计算。如前所述,相当于从已完成交叉的G1、G2、G3、G4、G5、G6′、G7′、G8′、G9′、G10′随机选取3组数据进行变异计算。
其中变异的具体算法为:以编号3数据组(即G3的数据)中冷却水回水温度为例:
其中:T′c,re(i):为第i组数据组变异后的冷却水回水温度;r:为0到1之间的随机数值;Tc,re(i):为第i组数据组变异前的冷却水回水温度;为在冷却水回水温度限制条件内随机选取的一个温度。
可以理解地,选取变异的概率可根据实际的运算进行确定,本发明中所举的只是作为代表实施例,但不限于本实施例所举的具体数值。
当完成变异计算后,先判断经变异后的运行参数的数据的变化率是否达到预设变化率,若是,则停止优化处理,并输出此时的运行参数的数据(即最优的运行参数的数值);若否,则在获得的当代(假设为t代)的已完成变异的10组数据由计算适应函数值开始至交叉和变异结束,继续进行优化获得t+1 代的10组数据,一直进行循环计算,直到数据的变化率达到预设变化率时停止优化处理,并输出此时的运行参数的数据(即最优的运行参数的数值)。
或者,在循环的过程中数据的变化率一直达不到预设变化率,但已达到预设的代数,则此时可停止优化处理,输出此时的运行参数的优化的数据。
优选地,输出的运行参数的优化数据包括:Tch,sup、Tch,re、Tc,sup、Tc,re、Q、Tout、HR。
进一步地,在获得运行参数的优化数据后调用运行参数的优化数据,具体地,在本实施例中,调用的运行参数包括::Tch,sup、Tc,sup,并且将Tch,sup、Tc,sup的优化数据输入到中央空调对应的设备中,进而调整中央空调的Tch,sup、Tc,sup的参数,控制中央空调根据优化数据运行,从而达到节约能耗的目的。
本发明的基于联合智能算法的中央空调节能控制方法不再依赖于人为经验而是充分考虑用户端冷需量,实现了中央空调按需供冷,同时通过使用BP神经网络算法进行运算对中央空调各耗电设备(即制冷主机、冷冻泵、冷却泵及冷却塔)进行建模,在运算过程中充分考虑外在因素对各耗电设备用电情况的影响,且计算迅速、计算结果准确、精度高。另外本发明还在使用BP神经网络算法的基础上,使用遗传算法与BP神经网络算法相结合对中央空调的总能耗进行优化,避免了单纯的水泵降频所带来的总能耗增加的情况,使整个中央空调系统达到能耗最低。通过将两种智能算法结合到一起对中央空调总能耗进行优化,互为补充、互相促进,进一步提高了运算的精度,获得最优的运行参数的数据以控制中央空调的运行,实现了在保证室内空气舒适度的条件下,达到了节约能耗的目的。另外,本发明不需要增加额外的硬件设备,操作简单,运算速率高、精度高、实用性强。
本发明还提供了一种基于联合智能算法的中央空调节能控制系统,包括数据采集模块100、BP神经网络计算模块200、遗传算法模块300、控制模块400。
数据采集模块100,用于获取中央空调在预设时间段内的运行参数的第一数据。
BP神经网络计算模块200,用于利用BP神经网络算法根据第一数据建立中央空调的设备的BP神经网络训练模型,通过中央空调的设备的BP神经网络训练模型进行计算,获得中央空调的设备能耗与运行参数的对应关系式;
遗传算法模块300,用于基于中央空调的设备能耗与运行参数的对应关系式,获得中央空调的总能耗与运行参数的数学模型,并根据中央空调的总能耗与运行参数的数学模型通过遗传算法对运行参数进行优化处理,输出运行参数的优化数据;
控制模块400,调用运行参数的优化数据,将优化数据输入至中央空调中以调整中央空调的运行参数控制中央空调运行。
优选地,本发明的基于联合智能算法的中央空调节能控制方法可通过该基于联合智能算法的中央空调节能控制系统实现。
综上所述,本发明的基于联合智能算法的中央空调节能控制方法及系统可实现快速有效地获得中央空调运行参数的最优数据,并根据所获得的最优数据对中央空调进行控制,达到节约能耗的目的,并延长了中央空调的使用寿命,且不需额外添加硬件设备,操作简便易行、效率高,并能保证室内舒适度。
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。
Claims (10)
1.一种基于联合智能算法的中央空调节能控制方法,其特征在于,包括以下步骤:
S1、获取中央空调在预设时间段内的运行参数的第一数据;
S2、利用BP神经网络算法根据所述第一数据建立所述中央空调的设备的BP神经网络训练模型,通过所述中央空调的设备的BP神经网络训练模型进行计算获得所述中央空调的设备能耗与所述运行参数的对应关系式;
S3、基于所述中央空调的设备能耗与所述运行参数的对应关系式,获得所述中央空调的总能耗与所述运行参数的数学模型,并根据所述中央空调的总能耗与所述运行参数的数学模型通过遗传算法对所述运行参数进行优化处理,输出所述运行参数的优化数据;
S4、调用所述运行参数的优化数据,将所述优化数据输入至所述中央空调中以调整所述中央空调的运行参数控制所述中央空调运行。
2.根据权利要求1所述的基于联合智能算法的中央空调节能控制方法,其特征在于,所述步骤S1包括:
S11、在预设时间段内,采集所述中央空调的运行参数的第二数据;
S12、对所述第二数据进行处理,剔除所述第二数据中不合理的或无效的数据获得所述第一数据;所述不合理的或无效的数据为超出预设值的数据;
S13、对所述第一数据进行归一化处理;
S14、按预设比例对所述已进行归一化处理的第一数据进行划分,获得第一比例数据、第二比例数据和第三比例数据;所述第一比例数据用于代入所述BP神经网络训练模型中进行训练,所述第二比例数据用于代入所述BP神经网络训练模型中进行验证,所述第三比例数据用于代入所述BP神经网络训练模型中进行测试。
3.根据权利要求1所述的基于联合智能算法的中央空调节能控制方法,其特征在于,步骤S2中包括:对所述BP神经网络训练模型的训练参数进行设置。
4.根据权利要求1所述的基于联合智能算法的中央空调节能控制方法,其特征在于,在步骤S2中,所述中央空调的设备能耗与所述运行参数的对应关系式包括:第一对应关系式、第二对应关系式、第三对应关系以及第四对应关系式;
所述第一对应关系式为:
所述第二对应关系式为:
所述第三对应关系式为:
所述第四对应关系式为:
其中,
Wchiller:为中央空调制冷主机能耗;Wch,p:为冷冻泵能耗;Wc,p:为冷却泵能耗;Wc,t:为冷却塔能耗;为冷冻水质量流量,单位:kg/s;Tch,sup:为冷冻水供水温度,单位:℃;Tch,re:为冷冻水回水温度,单位:℃;为冷却水质量流量,单位:kg/s;Tc,sup:为冷却水供水温度,单位:℃;Tc,re:为冷却水回水温度,单位:℃;Tout:为室外温度,单位:℃;HR:为室外相对湿度,单位:%;Q:为空调冷负荷,单位:kW。
5.根据权利要求1所述的基于联合智能算法的中央空调节能控制方法,其特征在于,在步骤S3中,所述中央空调的总能耗与所述运行参数的数学模型为:
Wtot=Wchiller+Wch,p+Wc,p+Wc,t;
或,
其中,Wtot为中央空调的总能耗。
6.根据权利要求5所述的基于联合智能算法的中央空调节能控制方法,其特征在于,所述步骤S3包括:
S31、基于所述中央空调的总能耗与所述运行参数的数学模型建立遗传算法模型;
S32、根据所述遗传算法模型对所述中央空调的所述运行参数进行优化处理,输出所述运行参数的优化数据。
7.根据权利要求6所述的基于联合智能算法的中央空调节能控制方法,其特征在于,所述步骤S32包括以下步骤:
A、基于所述中央空调的总能耗与所述运行参数的数学模型设置适应函数,所述适应函数的数学式为:fitness=Wtot,其中,fitness为适应函数;
B、判断是否已设置限制条件,若是,则在所述中央空调的所述运行参数的第一数据中随机选取N组数据,根据所述适应函数的数学式计算所述N组数据对应的适应函数值,获得对应的N个适应函数值;若否,则对所述适应函数进行限制条件设置;N为大于0的整数;
C、对所述N组数据对应的N个适应函数值进行优化处理,输出所述运行参数的优化数据。
8.根据权利要求7所述的基于联合智能算法的中央空调节能控制方法,其特征在于,所述步骤C包括:
C1、对所述N个适应函数值按由小到大的顺序依次排列,并编号为1、2、3、……、N;
C2、从所述运行参数的第一数据中选择M组数据替换所述已编号的N个适应函数值对应的N组数据中的M组数据,获得N′组数据,其中,M为大于0且小于N的整数;N′=N;
C3、根据所述N′组数据依次进行交叉和变异计算,获得变异的N′组数据;
C4、在步骤C3结束后循环执行步骤C1至步骤C3,其中,执行一次步骤C1至步骤C3为一代。
9.根据权利要求8所述的基于联合智能算法的中央空调节能控制方法,其特征在于,在所述步骤C4之后还包括下述步骤:
判断所述变异的N′组数据中的数据的变化率是否达到预设变化率,若是则停止执行步骤C4,输出所述运行参数的优化数据,若否,则执行步骤C1;
或,判断所述步骤C4中的代数是否达到预设代数,若是则停止执行步骤C4,输出所述运行参数的优化数据,若否,则执行步骤C1。
10.一种基于联合智能算法的中央空调节能控制系统,其特征在于,包括:
数据采集模块,用于获取中央空调在预设时间段内的运行参数的第一数据;
BP神经网络计算模块,用于利用BP神经网络算法根据所述第一数据建立所述中央空调的设备的BP神经网络训练模型,通过所述中央空调的设备的BP神经网络训练模型进行计算,获得所述中央空调的设备能耗与所述运行参数的对应关系式;
遗传算法模块,用于基于所述中央空调的设备能耗与所述运行参数的对应关系式,获得所述中央空调的总能耗与所述运行参数的数学模型,并根据所述中央空调的总能耗与所述运行参数的数学模型通过遗传算法对所述运行参数进行优化处理,输出所述运行参数的优化数据;
控制模块,调用所述运行参数的优化数据,将所述优化数据输入至所述中央空调中以调整所述中央空调的运行参数控制所述中央空调运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611216796.XA CN107044710A (zh) | 2016-12-26 | 2016-12-26 | 基于联合智能算法的中央空调节能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611216796.XA CN107044710A (zh) | 2016-12-26 | 2016-12-26 | 基于联合智能算法的中央空调节能控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107044710A true CN107044710A (zh) | 2017-08-15 |
Family
ID=59543583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611216796.XA Pending CN107044710A (zh) | 2016-12-26 | 2016-12-26 | 基于联合智能算法的中央空调节能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107044710A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109084415A (zh) * | 2018-07-26 | 2018-12-25 | 杭州哲达节能科技有限公司 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
CN109902826A (zh) * | 2019-03-11 | 2019-06-18 | 珠海格力电器股份有限公司 | 基于遗传算法的家电节能模型构建方法、控制方法、家电 |
CN109973355A (zh) * | 2019-03-29 | 2019-07-05 | 江苏极熵物联科技有限公司 | 一种面向空气压缩机的节能降耗方法 |
CN110332671A (zh) * | 2019-07-22 | 2019-10-15 | 珠海格力电器股份有限公司 | 室内机的控制方法、装置、设备和空调系统 |
CN110726220A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调的控制方法和装置 |
CN111271854A (zh) * | 2020-03-06 | 2020-06-12 | 刘磊 | 用于机房内数据中心供冷的节能精密空调系统及调节方法 |
CN111397262A (zh) * | 2020-03-20 | 2020-07-10 | 浙江中控技术股份有限公司 | 一种制冷系统的控制方法及装置 |
CN111487875A (zh) * | 2019-01-28 | 2020-08-04 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
CN111854063A (zh) * | 2020-07-06 | 2020-10-30 | 浙江大学 | 一种变频空调器控制方法 |
CN112578679A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 控制系统及方法、存储介质及电子设备 |
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 |
CN112648715A (zh) * | 2020-12-09 | 2021-04-13 | 航天银山电气有限公司 | 基于智能变电站的空调控制系统及装置 |
CN112749810A (zh) * | 2019-10-31 | 2021-05-04 | 北京国双科技有限公司 | 模型训练方法、控制参数确定方法及装置 |
CN114811840A (zh) * | 2022-05-16 | 2022-07-29 | 武汉市惊叹号科技有限公司 | 一种基于物联网的智慧空调远程运行及故障预警控制方法 |
CN115755628A (zh) * | 2022-12-19 | 2023-03-07 | 成都迅宏自控设备有限公司 | 基于遗传算法的中央空调节能控制方法 |
EP4073438A4 (en) * | 2019-12-11 | 2023-12-20 | Baltimore Aircoil Company, Inc. | MACHINE LEARNING OPTIMIZED HEAT EXCHANGER SYSTEM |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1912616A (zh) * | 2006-08-28 | 2007-02-14 | 哈尔滨工业大学 | 水体化学需氧量在线虚拟监测方法 |
WO2008100241A2 (en) * | 2005-06-30 | 2008-08-21 | Sloup Charles J | Real-time global optimization of building setpoints and sequence of operation |
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 |
CN104534627A (zh) * | 2015-01-14 | 2015-04-22 | 江苏联宏自动化系统工程有限公司 | 中央空调冷却水系统综合能效控制方法 |
CN104713197A (zh) * | 2015-02-15 | 2015-06-17 | 广东省城乡规划设计研究院 | 一种基于数学模型的中央空调系统优化方法及系统 |
CN204423100U (zh) * | 2014-09-19 | 2015-06-24 | 杭州宏成节能科技有限公司 | 一种金针菇选拔菌株生长环境控制系统 |
CN104914717A (zh) * | 2015-04-13 | 2015-09-16 | 珠海格力电器股份有限公司 | 基于人工智能算法的自动寻优控制方法 |
US9423172B2 (en) * | 2010-10-13 | 2016-08-23 | Weldtech Technology (Shanghai) Co., Ltd. | Energy-saving optimized control system and method for refrigeration plant room |
CN106765959A (zh) * | 2016-12-27 | 2017-05-31 | 武汉虹信技术服务有限责任公司 | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 |
-
2016
- 2016-12-26 CN CN201611216796.XA patent/CN107044710A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008100241A2 (en) * | 2005-06-30 | 2008-08-21 | Sloup Charles J | Real-time global optimization of building setpoints and sequence of operation |
CN1912616A (zh) * | 2006-08-28 | 2007-02-14 | 哈尔滨工业大学 | 水体化学需氧量在线虚拟监测方法 |
US9423172B2 (en) * | 2010-10-13 | 2016-08-23 | Weldtech Technology (Shanghai) Co., Ltd. | Energy-saving optimized control system and method for refrigeration plant room |
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 |
CN204423100U (zh) * | 2014-09-19 | 2015-06-24 | 杭州宏成节能科技有限公司 | 一种金针菇选拔菌株生长环境控制系统 |
CN104534627A (zh) * | 2015-01-14 | 2015-04-22 | 江苏联宏自动化系统工程有限公司 | 中央空调冷却水系统综合能效控制方法 |
CN104713197A (zh) * | 2015-02-15 | 2015-06-17 | 广东省城乡规划设计研究院 | 一种基于数学模型的中央空调系统优化方法及系统 |
CN104914717A (zh) * | 2015-04-13 | 2015-09-16 | 珠海格力电器股份有限公司 | 基于人工智能算法的自动寻优控制方法 |
CN106765959A (zh) * | 2016-12-27 | 2017-05-31 | 武汉虹信技术服务有限责任公司 | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109084415A (zh) * | 2018-07-26 | 2018-12-25 | 杭州哲达节能科技有限公司 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
CN111487875A (zh) * | 2019-01-28 | 2020-08-04 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
CN109902826A (zh) * | 2019-03-11 | 2019-06-18 | 珠海格力电器股份有限公司 | 基于遗传算法的家电节能模型构建方法、控制方法、家电 |
CN109973355A (zh) * | 2019-03-29 | 2019-07-05 | 江苏极熵物联科技有限公司 | 一种面向空气压缩机的节能降耗方法 |
CN109973355B (zh) * | 2019-03-29 | 2020-05-19 | 江苏极熵物联科技有限公司 | 一种面向空气压缩机的节能降耗方法 |
CN110332671B (zh) * | 2019-07-22 | 2021-01-15 | 珠海格力电器股份有限公司 | 室内机的控制方法、装置、设备和空调系统 |
CN110332671A (zh) * | 2019-07-22 | 2019-10-15 | 珠海格力电器股份有限公司 | 室内机的控制方法、装置、设备和空调系统 |
CN112578679B (zh) * | 2019-09-30 | 2024-02-13 | 北京国双科技有限公司 | 控制系统及方法、存储介质及电子设备 |
CN112578679A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 控制系统及方法、存储介质及电子设备 |
CN110726220A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调的控制方法和装置 |
CN112749810B (zh) * | 2019-10-31 | 2023-08-29 | 北京国双科技有限公司 | 模型训练方法、控制参数确定方法及装置 |
CN112749810A (zh) * | 2019-10-31 | 2021-05-04 | 北京国双科技有限公司 | 模型训练方法、控制参数确定方法及装置 |
WO2021082511A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京国双科技有限公司 | 模型训练方法、控制参数确定方法及装置 |
EP4073438A4 (en) * | 2019-12-11 | 2023-12-20 | Baltimore Aircoil Company, Inc. | MACHINE LEARNING OPTIMIZED HEAT EXCHANGER SYSTEM |
CN111271854A (zh) * | 2020-03-06 | 2020-06-12 | 刘磊 | 用于机房内数据中心供冷的节能精密空调系统及调节方法 |
CN111397262A (zh) * | 2020-03-20 | 2020-07-10 | 浙江中控技术股份有限公司 | 一种制冷系统的控制方法及装置 |
CN113339941A (zh) * | 2020-07-06 | 2021-09-03 | 浙江大学 | 一种变频空调器控制方法 |
CN111854063A (zh) * | 2020-07-06 | 2020-10-30 | 浙江大学 | 一种变频空调器控制方法 |
CN112648715A (zh) * | 2020-12-09 | 2021-04-13 | 航天银山电气有限公司 | 基于智能变电站的空调控制系统及装置 |
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 |
CN114811840A (zh) * | 2022-05-16 | 2022-07-29 | 武汉市惊叹号科技有限公司 | 一种基于物联网的智慧空调远程运行及故障预警控制方法 |
CN114811840B (zh) * | 2022-05-16 | 2024-02-27 | 武汉市惊叹号科技有限公司 | 一种基于物联网的智慧空调远程运行及故障预警控制方法 |
CN115755628A (zh) * | 2022-12-19 | 2023-03-07 | 成都迅宏自控设备有限公司 | 基于遗传算法的中央空调节能控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107044710A (zh) | 基于联合智能算法的中央空调节能控制方法及系统 | |
CN106765932A (zh) | 中央空调系统制冷主机的能效比预测方法及装置 | |
CN103676881B (zh) | 一种半导体生产线动态瓶颈分析方法 | |
CN108694467B (zh) | 一种对配电网线损率进行预测的方法及系统 | |
CN104534627B (zh) | 中央空调冷却水系统综合能效控制方法 | |
CN105138847B (zh) | 变频空调负荷参与需求响应的节电潜力评估方法 | |
CN102980272B (zh) | 一种基于负荷预测的空调系统节能优化方法 | |
CN104833154B (zh) | 基于模糊pid与神经内模的冷冻水回路控制方法 | |
CN109084415B (zh) | 基于神经网络和遗传算法的中央空调运行参数寻优方法 | |
CN108805268A (zh) | 基于进化算法的深度强化学习策略网络训练方法 | |
CN102734890B (zh) | 中央空调冷冻水的模糊控制方法、装置及中央空调系统 | |
CN106026084B (zh) | 一种基于虚拟发电部落的agc功率动态分配方法 | |
CN104573383B (zh) | 一种适用于楼宇设备综合优化模型的分布式演化方法 | |
CN109765862A (zh) | 基于自适应遗传算法的混合流水车间可持续调度控制方法 | |
CN109164707A (zh) | 一种基于人工神经网络算法的室内环境负反馈调节系统 | |
CN109882996A (zh) | 一种控制的方法及设备 | |
CN106499656B (zh) | 一种风扇风速智能控制方法 | |
CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
CN104537178A (zh) | 一种基于Matlab和Netlogo的电力系统联合仿真建模方法 | |
CN112906292A (zh) | 热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质 | |
CN113110057A (zh) | 一种基于人工智能的热力站节能控制方法及智能决策系统 | |
CN114216256A (zh) | 离线预训练-在线学习的通风系统风量控制方法 | |
CN116955963B (zh) | 基于历史数据分析的暖通节能阶梯寻优控制方法 | |
CN106230002A (zh) | 一种基于指数移动平均的空调负荷需求响应方法 | |
CN111415036A (zh) | 一种中央空调系统并联冷机负荷优化分配方法 |
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 |
Application publication date: 20170815 |
|
RJ01 | Rejection of invention patent application after publication |