CN108844190B - 空调自学习最优控制系统 - Google Patents
空调自学习最优控制系统 Download PDFInfo
- Publication number
- CN108844190B CN108844190B CN201810639507.XA CN201810639507A CN108844190B CN 108844190 B CN108844190 B CN 108844190B CN 201810639507 A CN201810639507 A CN 201810639507A CN 108844190 B CN108844190 B CN 108844190B
- Authority
- CN
- China
- Prior art keywords
- cold
- preset
- air conditioner
- optimal control
- evaluation network
- 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
- 238000011217 control strategy Methods 0.000 claims abstract description 69
- 238000001816 cooling Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims description 93
- 230000006870 function Effects 0.000 claims description 39
- 238000009825 accumulation Methods 0.000 claims description 38
- 230000005611 electricity Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000005057 refrigeration Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 239000004480 active ingredient Substances 0.000 claims 1
- 230000015654 memory Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004378 air conditioning Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- F24F11/62—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
- F24F11/30—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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
- F24F5/0007—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning
- F24F5/0017—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning using cold storage bodies, e.g. ice
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/14—Thermal energy storage
Abstract
本发明涉及冰蓄冷空调技术领域，具体提供了一种空调自学习最优控制系统，旨在解决如何降低用户使用空调的经济成本的技术问题。为此目的，本发明中的空调自学习最优控制系统适用于冰蓄冷空调，该冰蓄冷空调包括蓄冷设备、空调制冷机和冷量转换器，蓄冷设备和冷量转换器相连；该空调自学习最优控制系统包括用于获取冷负荷需求的冷负荷需求获取装置、用于获取近似最优控制策略的近似最优控制策略获取装置，用于更新最优性能指标值和近似最优控制策略的局部迭代判断装置，以及用于获取最优控制策略和计算用户成本全局迭代判断装置。通过本发明可以平衡供冷负荷、满足用户的供冷需求、节约用户使用空调的经济成本。
Description
技术领域
本发明涉及冰蓄冷空调技术领域，具体涉及一种空调自学习最优控制系统。
背景技术
冰蓄冷空调技术是通过控制空调系统，使其在夜间用电低谷时制冰，白天用电高峰时释放冷量，实现电网的削峰填谷，从而起到开发低谷用电、优化资源配置、保护生态环境的作用。
然而目前的冰蓄冷空调技术常用的控制策略因为蓄冰不足、蓄冰过量或制冷机不恰当运行造成了空调使用费用过高的问题。另外，由于控制策略本身的局限导致用户无法在使用空调时达到最高的经济效益。
发明内容
为了解决现有技术中的上述问题，即为了解决如何最大程度降低用户使用空调的经济成本的技术问题，本发明提供了一种空调自学习最优控制系统。
本发明中的空调自学习最优控制系统适用于冰蓄冷空调，所述冰蓄冷空调包括蓄冷设备、空调制冷机和冷量转换器；所述蓄冷设备与所述冷量转换器相连，用于满足所述冰蓄冷空调的冷负荷需求；所述系统包括冷负荷需求获取装置、近似最优控制策略获取装置、局部迭代判断装置和全局迭代判断装置；
所述冷负荷需求获取装置，配置为利用预设的冷负荷预测模型获取冷负荷需求，并对所获取的冷负荷需求进行归一化处理；
所述近似最优控制策略获取装置，配置为依据实时电价、蓄冷设备余冷量、蓄冷设备的供冷/蓄冷量和预设的蓄冷设备控制策略，以及所述冷负荷需求获取装置所获取的冷负荷需求，利用预设的评价网络获取性能指标值，并选取最小的性能指标值所对应的预设的蓄冷设备控制策略作为近似最优控制策略；
所述局部迭代判断装置，配置为判断所述预设的评价网络是否完成局部迭代，若是则更新所述近似最优控制策略获取装置所获取的最优性能指标值和近似最优控制策略；
所述全局迭代判断装置，配置为判断所述预设的评价网络是否完成全局迭代，若是则依据所述局部迭代判断装置所获取的更新后的近似最优控制策略作为最优控制策略，并计算用户成本。
优选地，所述预设的蓄冷设备控制策略包括蓄冷模式、闲置模式和供冷模式；
所述蓄冷模式为利用所述空调制冷机制冷并利用所述蓄冷设备蓄冷；
所述闲置模式为利用所述空调制冷机制冷并控制所述蓄冷设备保持恒定状态；
所述供冷模式为利用所述蓄冷设备制冷。
优选地，所述预设的冷负荷预测模型为依据BP神经网络构建的模型，所述预设的冷负荷预测模型包括输入层、隐含层、输出层；所述输入层节点数量为9，所述隐含层节点数量为19，所述输出层节点数量为1。
优选地，所述预设的评价网络为神经网络模型，所述预设的评价网络包括输入层、隐含层、输出层；所述输入层的节点数量为4，所述隐含层的节点数量为9，所述输出层的节点数量为1。
优选地，所述近似最优控制策略获取装置包括权值修正模块、性能指标值获取模块和近似最优控制策略获取模块；
所述权值修正模块，配置为在预设数据范围内对所述预设的评价网络的权值随机初始化，并利用ADP训练所述预设的评价网络，以及依据下式所示方法修正所获取的初始化后的预设的评价网络的权值：
其中，所述Wcj(k)为预设的评价网络的权值，所述c表示所述预设的评价网络，所述j＝1或j＝2，Wc1为预设的评价网络的输入层节点与隐含层节点之间的权值，Wc2为预设的评价网络的隐含层节点与输出层节点之间的权值；所述lc为预设的评价网络的学习率，所述Ec(k)为误差函数，且
所述
为在k时刻预设的评价网络的实际输出，所述U(k+1)为在k+1时刻的效用函数值，效用函数为在k时刻用电成本与最大成本的比值，所述γ为系统前后阶段之间的折扣因子；
所述性能指标值获取模块，配置为依据所述实时电价、所述蓄冷设备余冷量、所述蓄冷设备的供冷/蓄冷量、预设的蓄冷设备控制策略，以及所述冷负荷需求获取装置所获取的冷负荷需求，利用所述权值修正模块所修正后的预设的评价网络，并依据下式所示方法获取性能指标值：
其中，所述J[x(k),k]为所述性能指标函数，所述U为效用函数，所述x(i)为所述系统在i时刻的状态向量，所述u(i)为i时刻所述预设的蓄冷设备控制策略，所述i为时间变量，所述x(k)为所述系统在k时刻的状态向量，如下式所示：
x(k)＝[C(k),Q(k),qL(k)]T
其中，所述C(k)为k时刻的实时电价，所述Q(k)为k时刻的蓄冷设备余冷量，所述qL(k)为k时刻所述冷负荷需求获取装置所获取的冷负荷需求，所述T为矩阵转置符号；
所述近似最优控制策略获取模块，配置为选取所述性能指标值获取模块所获取的最小的性能指标值对应的预设的蓄冷设备控制策略作为近似最优控制策略。
优选地，所述权值修正模块还包括效用函数值计算单元；所述效用函数值计算单元配置为依据下式所示方法计算所述系统的效用函数值：
U(k)＝αC(k)·[qL(k)+z]/Umax
其中，所述U(k)为效用函数，所述α为空调耗电系数且所述α为常数，所述C(k)为k时刻的实时电价，所述qL(k)为k时刻的冷负荷需求，所述z为所述蓄冷设备的供冷/需冷量。
优选地，所述系统还包括初始化装置；所述初始化装置配置为对所述实时电价、所述蓄冷设备余冷量、所述蓄冷设备的供冷/蓄冷量和所述冷负荷需求获取装置所获取的冷负荷需求进行初始化处理。
优选地，所述局部迭代判断装置，配置为当所述预设的评价网络未完成局部迭代的情况下，在预设数据范围内对所述预设的评价网络的权值随机初始化，并利用ADP训练所述预设的评价网络，依据下式所示方法修正所获取的初始化后的预设的评价网络的权值：
其中，所述Wcj(k)为预设的评价网络的权值，所述c表示所述预设的评价网络，所述j＝1或j＝2，Wc1为预设的评价网络的输入层节点与隐含层节点之间的权值，Wc2为预设的评价网络的隐含层节点与输出层节点之间的权值；所述lc为预设的评价网络的学习率，所述Ec(k)为误差函数，且
所述为在k时刻预设的评价网络的实际输出，所述U(k+1)为在k+1时刻的效用函数值，效用函数为在k时刻用电成本与最大成本的比值，所述γ为系统前后阶段之间的折扣因子。
优选地，所述全局迭代判断装置，配置为当所述预设的评价网络未完成全局迭代的情况下，在预设数据范围内对所述预设的评价网络的权值随机初始化。
与最接近的现有技术相比，上述技术方案至少具有以下有益效果：
1.本发明的空调自学习最优控制系统中，依据实时电价信息和预设的冷负荷预测模型预测的冷负荷需求，利用预设的评价网络，获得了相应时间段内的优化控制策略，降低了空调供冷的峰谷负荷差值，提高了供冷的灵活性和兼容性，同时降低了用户使用空调的经济成本。
2.本发明的空调自学习最优控制系统中，通过建立预设的冷负荷预测模型可以得到空调较为精准的冷负荷需求，从而为后期获取最优控制策略奠定了较为准确的数据基础。
附图说明
图1是本发明实施例的空调自学习最优控制系统的主要结构示意图；
图2是本发明实施例的预设的冷负荷预测模型主要结构示意图；
图3是本发明实施例的空调自学习最优控制系统选择近似最优控制策略过程的主要过程示意图。
附图中标记为：1-冷负荷需求获取装置，2-近似最优控制策略获取装置，3-局部迭代判断装置，4-全局迭代判断装置。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
下面结合附图，对本发明实施例中空调自学习最优控制系统进行说明。
参阅附图1，图1示例性的示出了空调自学习最优控制系统的主要结构。如图1所示，本实施例中空调自学习最优控制系统适用于冰蓄冷空调，冰蓄冷空调包括蓄冷设备、空调制冷机和冷量转换器；蓄冷设备与冷量转换器相连，用于满足冰蓄冷空调的冷负荷需求。本实施例中空调自学习最优控制系统包括冷负荷需求获取装置1、近似最优控制策略获取装置2、局部迭代判断装置3和全局迭代判断装置4。
冷负荷需求获取装置1可以配置为利用预设的冷负荷预测模型获取冷负荷需求，并对所获取的冷负荷需求进行归一化处理。
具体地，参阅附图2，图2示例性的示出了本发明实施例的预设的冷负荷预测模型主要结构。如图2所示，本实施例中的预设的冷负荷预测模型为依据BP神经网络构建的模型，该模型的网络结构为9-19-1。预设的冷负荷预测模型包括输入层、隐含层、输出层；输入层节点数量为9，隐含层节点数量为19，输出层节点数量为1。
在构建完该预设的冷负荷预测模型之后还需要利用实际建筑空调符合历史数据和相关气象数据对其进行训练。
本发明的实施例中是利用提前训练好的预设的冷负荷预测模型来预测冷负荷需求的。另外本实施例中使用的冷负荷需求都是进行过归一化处理的。
进一步地，本实施例中的空调自学习最优控制系统还可以包括初始化装置；初始化装置可以配置为对实时电价、蓄冷设备余冷量、蓄冷设备的供冷/需冷量和冷负荷需求获取装置1所获取的冷负荷需求进行初始化处理。
具体地，本实施例中的实时电价是采用的峰谷定价方法，即用电高峰时段用电价格高，用电低谷时段用电价格低，以鼓励用户避开高峰用电时段。实时电价信息数据参考我国部分地区的实时电价数据获得，电价每小时改变一次，并对电价数据进行归一化处理。
需要说明的是，在发明中的实际应用过程中，实时电价信息可以通过电力部门发布的实时数据获得，用户的实际冷负荷需求可能与预测值有所出入，可以通过建立更加精确的预测模型进行改进，因此，本发明中的实时电价以及用户冷负荷数据接近实际情况即可。
近似最优控制策略获取装置2可以配置为依据实时电价、蓄冷设备余冷量、蓄冷设备的供冷/蓄冷量、预设的蓄冷设备控制策略，以及冷负荷需求获取装置1所获取的冷负荷需求，利用预设的评价网络获取性能指标值，并选取最小的性能指标值所对应的预设的蓄冷设备控制策略作为近似最优控制策略。
具体地，本实施例中的预设的评价网络为神经网络模型，设置该预设的评价网络的网络结构为4-9-1。预设的评价网络包括输入层、隐含层、输出层；输入层的节点数量为4，隐含层的节点数量为9，输出层的节点数量为1。
进一步地，本实施例中预设的蓄冷设备控制策略包括蓄冷模式、闲置模式和供冷模式；蓄冷模式为利用空调制冷机制冷并利用蓄冷设备蓄冷；闲置模式为利用空调制冷机制冷并控制蓄冷设备保持恒定状态；供冷模式为利用蓄冷设备制冷。
具体地，参阅附图3，如图3所示，图3示例性的示出了本发明实施例的空调自学习最优控制系统选择近似最优控制策略过程的主要过程。本实施例中的预设的蓄冷设备控制策略是有限的，预设的评价网络接收到冷负荷需求预测模块所预测的冷负荷需求时，首先要判断预设的蓄冷设备控制策略在哪种模式下能够使预设的评价网络产生最小的输出，然后选择这个模式作为当前的预设的蓄冷设备控制策略。当预设的蓄冷设备控制策略为在t时刻为蓄冷模式时，u(t)＝-1；当预设的蓄冷设备控制策略为在t时刻为闲置模式时，u(t)＝0；当预设的蓄冷设备控制策略为在t时刻为供冷模式时，u(t)＝1。通过比较预设评价网络的输入值的大小，来选取使预设的评价网络输出值最小时对应的模式作为近似最优控制策略。
进一步地，本实施例中的近似最优控制策略获取装置2包括权值修正模块、性能指标值获取模块和近似最优控制策略获取模块。
其中，权值修正模块可以配置为在预设数据范围内对预设的评价网络的权值随机初始化，并利用ADP训练预设的评价网络，以及依据下式(1)所示方法修正所获取的初始化后的预设的评价网络的权值：
其中，预设的评价网络的权值包括预设的评价网络的输入层节点与隐含层节点之间的权值和预设的评价网络的隐含层节点与输出层节点之间的权值。
其中，Wcj(k)为预设的评价网络的权值，c表示预设的评价网络，j＝1或j＝2，Wc1为预设的评价网络的输入层节点与隐含层节点之间的权值，Wc2为预设的评价网络的隐含层节点与输出层节点之间的权值；lc为预设的评价网络的学习率，Ec(k)为误差函数，其计算方法如下式(2)所示：
其中，ec(k)的计算方法如下式(3)所示：
其中，
为在k时刻预设的评价网络的实际输出，U(k+1)为在k+1时刻的效用函数值，效用函数为在k时刻用电成本与最大成本的比值，γ为系统前后阶段之间的折扣因子。
具体地，本实施例中首先开启预设的评价网络的全局迭代，预设的评价网络的权值初始化在全局迭代之内，这样可以在每次全局迭代开始时重新进行权值的初始化，从而保证网络稳定性与收敛速度的基础上更好地保证预设的评价网络的收敛，以便尽快找到最优控制策略。本实施例中的预设数据范围为(-0.01，0.01)。ADP为自适应动态规划自学习方法(Adaptive Dynamic Programming)。
进一步地，本实施例中的权值修正模块还可以包括效用函数值计算单元；效用函数值计算单元可以配置为依据下式(4)所示方法计算系统的效用函数值：
U(k)＝αC(k)·[qL(k)+z]/Umax (4)
其中，U(k)为效用函数，α为空调耗电系数且α为常数，C(k)为k时刻的实时电价，qL(k)为k时刻冷负荷需求，z为蓄冷设备的供冷/需冷量。
性能指标值获取模块可以配置为依据实时电价、蓄冷设备余冷量、蓄冷设备的供冷/蓄冷量、预设的蓄冷设备控制策略，以及冷负荷需求获取装置1所获取的冷负荷需求，利用权值修正模块所修正后的预设的评价网络，并依据下式(5)中的所示的方法获取性能指标值：
其中，所述J[x(k),k]为性能指标函数，U为效用函数，x(i)为该系统在i时刻的状态向量，u(i)为i时刻预设的蓄冷设备控制策略，i为时间变量，x(k)为该系统在k时刻的状态向量，如下式(6)所示：
x(k)＝[C(k),Q(k),qL(k)]T (6)
其中，C(k)为k时刻的实时电价，Q(k)为k时刻的蓄冷设备余冷量，qL(k)为k时刻冷负荷需求获取装置所获取的冷负荷需求，T为矩阵转置符号。
具体地，本实施例中预设的评价网络的输入值包括归一化的实时电价，归一化的蓄冷设备余冷量，归一化的蓄冷设备的供冷/蓄冷量归一化的空调冷负荷，归一化的预设的蓄冷设备的控制策略，输出值是性能指标函数值。
其中，本实施例中预设的评价网络的权值更新规则基于梯度下降法获得，如下式(7)、(8)和(9)所示：
Wcj(k+1)＝Wcj(k)+ΔWcj(k) (7)
其中，本实施例中的ΔWcj(k)为预设的评价网络的权值变化量。
本实施例中的冰蓄冷系统函数如下式(10)所示：
x(t+1)＝F(x(t),u(t),t) (10)
其中，F是通过给出的在t时刻的控制变量u(t)将当前状态x(t)转变为下一个系统状态x(t+1)的函数。
所以预设的评价网络通过训练在所有t时刻使U和
满足下式(11)：
近似最优控制策略获取模块可以配置为选取性能指标值获取模块所获取的最小的性能指标值对应的预设的蓄冷设备控制策略作为近似最优控制策略。
具体地，本实施例中的目标是最小化其误差函数Ec。当Ec(t)＝0对所有时刻t都成立时，如下式(12)所示：
可以得到
因此，在最小化误差函数后，预设的评价网络的输出就被训练为对动态规划在下一时刻的性能指标函数的值。
局部迭代判断装置3可以配置为判断预设的评价网络是否完成局部迭代，若是则更新近似最优控制策略获取装置2所获取的最优性能指标值和近似最优控制策略。
进一步地，本实施例中的局部迭代判断装置3还可以配置为当预设的评价网络未完成局部迭代的情况下，在预设数据范围内对预设的评价网络的权值随机初始化，并利用ADP训练预设的评价网络，依据公式(1)中的方法修正所获取的初始化后的预设的评价网络的权值。
具体地，本实施例中可以依据预设的局部迭代次数来判断预设的评价网络是否完成局部迭代。
全局迭代判断装置4可以配置为判断预设的评价网络是否完成全局迭代，若是则依据局部迭代判断装置3所获取的更新后的近似最优控制策略作为最优控制策略，并计算用户成本。
进一步地，本实施例中的全局迭代判断装置4可以配置为当预设的评价网络未完成全局迭代的情况下，在预设数据范围内对预设的评价网络的权值随机初始化。
具体地，本实施例中可以依据预设的收敛精度来判断预设的评价网络是否完成了全局迭代。预设收敛精度可以为1.0×10-6。预设数据范围可以为(-0.01，0.01)。
本领域技术人员可以理解，上述基于自适应动态规划的空调自学习最优控制系统还包括一些其他公知结构，例如处理器、控制器、存储器等，其中，存储器包括但不限于随机存储器、闪存、只读存储器、可编程只读存储器、易失性存储器、非易失性存储器、串行存储器、并行存储器或寄存器等，处理器包括但不限于CPLD/FPGA、DSP、ARM处理器、MIPS处理器等，为了不必要地模糊本公开的实施例，这些公知的结构未示出。
本领域技术人员可以理解，可以对实施例中的装置中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个装置中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的服务器、客户端中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，PC程序和PC程序产品)。这样的实现本发明的程序可以存储在PC可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在本发明的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的PC来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种空调自学习最优控制系统，其特征在于，所述系统适用于冰蓄冷空调，所述冰蓄冷空调包括蓄冷设备、空调制冷机和冷量转换器；所述蓄冷设备与所述冷量转换器相连，用于满足所述冰蓄冷空调的冷负荷需求；所述系统包括冷负荷需求获取装置、近似最优控制策略获取装置、局部迭代判断装置和全局迭代判断装置；
所述冷负荷需求获取装置，配置为利用预设的冷负荷预测模型获取冷负荷需求，并对所获取的冷负荷需求进行归一化处理；
所述近似最优控制策略获取装置，配置为依据实时电价、蓄冷设备余冷量、蓄冷设备的供冷/蓄冷量和预设的蓄冷设备控制策略，以及所述冷负荷需求获取装置所获取的冷负荷需求，利用预设的评价网络获取性能指标值，并选取最小的性能指标值所对应的预设的蓄冷设备控制策略作为近似最优控制策略；
所述局部迭代判断装置，配置为判断所述预设的评价网络是否完成局部迭代，若是则更新所述近似最优控制策略获取装置所获取的最优性能指标值和近似最优控制策略；
所述全局迭代判断装置，配置为判断所述预设的评价网络是否完成全局迭代，若是则依据所述局部迭代判断装置所获取的更新后的近似最优控制策略作为最优控制策略，并计算用户成本。
2.根据权利要求1所述的空调自学习最优控制系统，其特征在于，所述预设的蓄冷设备控制策略包括蓄冷模式、闲置模式和供冷模式；
所述蓄冷模式为利用所述空调制冷机制冷并利用所述蓄冷设备蓄冷；
所述闲置模式为利用所述空调制冷机制冷并控制所述蓄冷设备保持恒定状态；
所述供冷模式为利用所述蓄冷设备制冷。
3.根据权利要求1所述的空调自学习最优控制系统，其特征在于，所述预设的冷负荷预测模型为依据BP神经网络构建的模型，所述预设的冷负荷预测模型包括输入层、隐含层、输出层；所述输入层节点数量为9，所述隐含层节点数量为19，所述输出层节点数量为1。
4.根据权利要求1所述的空调自学习最优控制系统，其特征在于，所述预设的评价网络为神经网络模型，所述预设的评价网络包括输入层、隐含层、输出层；所述输入层的节点数量为4，所述隐含层的节点数量为9，所述输出层的节点数量为1。
5.根据权利要求1所述的空调自学习最优控制系统，其特征在于，所述近似最优控制策略获取装置包括权值修正模块、性能指标值获取模块和近似最优控制策略获取模块；
所述权值修正模块，配置为在预设数据范围内对所述预设的评价网络的权值随机初始化，并利用ADP训练所述预设的评价网络，以及依据下式所示方法修正所获取的初始化后的预设的评价网络的权值：
其中，所述Wcj(k)为预设的评价网络的权值，所述c表示所述预设的评价网络，所述j＝1或j＝2，Wc1为预设的评价网络的输入层节点与隐含层节点之间的权值，Wc2为预设的评价网络的隐含层节点与输出层节点之间的权值；所述lc为预设的评价网络的学习率，所述Ec(k)为误差函数，且
所述为在k时刻预设的评价网络的实际输出，所述U(k+1)为在k+1时刻的效用函数值，效用函数为在k时刻用电成本与最大成本的比值，所述γ为系统前后阶段之间的折扣因子；
所述性能指标值获取模块，配置为依据所述实时电价、所述蓄冷设备余冷量、所述蓄冷设备的供冷/蓄冷量、预设的蓄冷设备控制策略，以及所述冷负荷需求获取装置所获取的冷负荷需求，利用所述权值修正模块所修正后的预设的评价网络，并依据下式所示方法获取性能指标值：
其中，所述J[x(k),k]为所述性能指标函数，所述U为效用函数，所述x(i)为所述系统在i时刻的状态向量，所述u(i)为i时刻所述预设的蓄冷设备控制策略，所述i为时间变量，所述x(k)为所述系统在k时刻的状态向量，如下式所示：
x(k)＝[C(k),Q(k),qL(k)]T
其中，所述C(k)为k时刻的实时电价，所述Q(k)为k时刻的蓄冷设备余冷量，所述qL(k)为k时刻所述冷负荷需求获取装置所获取的冷负荷需求，所述T为矩阵转置符号；
所述近似最优控制策略获取模块，配置为选取所述性能指标值获取模块所获取的最小的性能指标值对应的预设的蓄冷设备控制策略作为近似最优控制策略。
6.根据权利要求5所述的空调自学习最优控制系统，其特征在于，所述权值修正模块还包括效用函数值计算单元；所述效用函数值计算单元，配置为依据下式所示方法计算所述系统的效用函数值：
U(k)＝αC(k)·[qL(k)+z]/Umax
其中，所述U(k)为效用函数，所述α为空调耗电系数且所述α为常数，所述C(k)为k时刻的实时电价，所述qL(k)为k时刻的冷负荷需求，所述z为所述蓄冷设备的供冷/需冷量。
7.根据权利要求5所述的空调自学习最优控制系统，其特征在于，所述系统还包括初始化装置；所述初始化装置配置为对所述实时电价、所述蓄冷设备余冷量、所述蓄冷设备的供冷/蓄冷量和所述冷负荷需求获取装置所获取的冷负荷需求进行初始化处理。
8.根据权利要求1-7任意一项所述的空调自学习最优控制系统，其特征在于，所述局部迭代判断装置，配置为当所述预设的评价网络未完成局部迭代的情况下，在预设数据范围内对所述预设的评价网络的权值随机初始化，并利用ADP训练所述预设的评价网络，依据下式所示方法修正所获取的初始化后的预设的评价网络的权值：
其中，所述Wcj(k)为预设的评价网络的权值，所述c表示所述预设的评价网络，所述j＝1或j＝2，Wc1为预设的评价网络的输入层节点与隐含层节点之间的权值，Wc2为预设的评价网络的隐含层节点与输出层节点之间的权值；所述lc为预设的评价网络的学习率，所述Ec(k)为误差函数，且所述
为在k时刻预设的评价网络的实际输出，所述U(k+1)为在k+1时刻的效用函数值，所述效用函数为在k时刻用电成本与最大成本的比值，所述γ为系统前后阶段之间的折扣因子。
9.根据权利要求1-7任意一项所述的空调自学习最优控制系统，其特征在于，所述全局迭代判断装置，配置为当所述预设的评价网络未完成全局迭代的情况下，在预设数据范围内对所述预设的评价网络的权值随机初始化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810639507.XA CN108844190B (zh) | 2018-06-20 | 2018-06-20 | 空调自学习最优控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810639507.XA CN108844190B (zh) | 2018-06-20 | 2018-06-20 | 空调自学习最优控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108844190A CN108844190A (zh) | 2018-11-20 |
| CN108844190B true CN108844190B (zh) | 2020-02-28 |
Family
ID=64202714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810639507.XA Active CN108844190B (zh) | 2018-06-20 | 2018-06-20 | 空调自学习最优控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108844190B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109827292A (zh) * | 2019-01-16 | 2019-05-31 | 珠海格力电器股份有限公司 | 家电自适应节能控制模型的构建方法、控制方法、家电 |
| CN109945370B (zh) * | 2019-04-08 | 2021-01-15 | 四川国锐工程设计有限公司 | 一种冰蓄冷储能系统 |
| CN112032882B (zh) * | 2020-08-07 | 2022-02-18 | 南京南瑞继保电气有限公司 | 一种冰蓄冷空调系统的调度方法 |
| CN114636239B (zh) * | 2020-12-16 | 2024-01-30 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器和计算机可读存储介质 |
| CN113701275B (zh) * | 2021-09-02 | 2022-12-27 | 西安思安云创科技有限公司 | 一种基于机器学习的冰蓄冷空调蓄冷量预测方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103403465A (zh) * | 2012-02-27 | 2013-11-20 | 株式会社东芝 | 蓄电蓄热最佳化装置、最佳化方法及最佳化程序 |
| CN104022503A (zh) * | 2014-06-18 | 2014-09-03 | 中国科学院自动化研究所 | 一种带有储能设备的智能微电网电能优化控制方法 |
| CN104913434A (zh) * | 2015-04-29 | 2015-09-16 | 国家电网公司 | 基于空调分组聚类大规模空调负荷虚拟调峰机组构建方法 |
| CN105843037A (zh) * | 2016-04-11 | 2016-08-10 | 中国科学院自动化研究所 | 基于q学习的智能楼宇温度控制方法 |
| CN106953358A (zh) * | 2017-04-20 | 2017-07-14 | 国网江西省电力公司电力科学研究院 | 一种主动配电网优化调度策略确定方法 |
| CN107482658A (zh) * | 2017-08-17 | 2017-12-15 | 中国电力科学研究院 | 一种微电网储能经济运行控制方法和装置 |
| CN107560034A (zh) * | 2017-08-24 | 2018-01-09 | 浙江万克新能源科技有限公司 | 一种冰蓄冷空调系统的优化调度方法 |
| CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
| CN108092321A (zh) * | 2016-11-22 | 2018-05-29 | 中国电力科学研究院 | 一种考虑不确定性的有源配电网有功无功协调控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11067955B2 (en) * | 2016-06-30 | 2021-07-20 | Johnson Controls Technology Company | HVAC system using model predictive control with distributed low-level airside optimization |
-
2018
- 2018-06-20 CN CN201810639507.XA patent/CN108844190B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103403465A (zh) * | 2012-02-27 | 2013-11-20 | 株式会社东芝 | 蓄电蓄热最佳化装置、最佳化方法及最佳化程序 |
| CN104022503A (zh) * | 2014-06-18 | 2014-09-03 | 中国科学院自动化研究所 | 一种带有储能设备的智能微电网电能优化控制方法 |
| CN104913434A (zh) * | 2015-04-29 | 2015-09-16 | 国家电网公司 | 基于空调分组聚类大规模空调负荷虚拟调峰机组构建方法 |
| CN105843037A (zh) * | 2016-04-11 | 2016-08-10 | 中国科学院自动化研究所 | 基于q学习的智能楼宇温度控制方法 |
| CN108092321A (zh) * | 2016-11-22 | 2018-05-29 | 中国电力科学研究院 | 一种考虑不确定性的有源配电网有功无功协调控制方法 |
| CN106953358A (zh) * | 2017-04-20 | 2017-07-14 | 国网江西省电力公司电力科学研究院 | 一种主动配电网优化调度策略确定方法 |
| CN107482658A (zh) * | 2017-08-17 | 2017-12-15 | 中国电力科学研究院 | 一种微电网储能经济运行控制方法和装置 |
| CN107560034A (zh) * | 2017-08-24 | 2018-01-09 | 浙江万克新能源科技有限公司 | 一种冰蓄冷空调系统的优化调度方法 |
| CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108844190A (zh) | 2018-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108844190B (zh) | 空调自学习最优控制系统 | |
| CN105320118B (zh) | 基于云平台的空调系统电力需求响应控制方法 | |
| Adeoye et al. | Modelling and forecasting hourly electricity demand in West African countries | |
| US11099532B2 (en) | Central plant control system with building energy load estimation | |
| Harb et al. | Development and validation of grey-box models for forecasting the thermal response of occupied buildings | |
| US9429921B2 (en) | Method and system for energy control management | |
| US20230075122A1 (en) | Thermal control of data center | |
| KR100830095B1 (ko) | 냉방부하 예측방법 | |
| US20140332195A1 (en) | Chiller control | |
| Cui et al. | Effectiveness and life-cycle cost-benefit analysis of active cold storages for building demand management for smart grid applications | |
| EP3422516B1 (en) | Power supply and demand prediction system, power supply and demand prediction method and power supply and demand prediction program | |
| CN111765604A (zh) | 空调的控制方法和装置 | |
| CN107401816B (zh) | 空调系统能耗的确定方法和装置 | |
| Tang et al. | A power limiting control strategy based on adaptive utility function for fast demand response of buildings in smart grids | |
| Abdulaal et al. | Two-stage discrete-continuous multi-objective load optimization: An industrial consumer utility approach to demand response | |
| Vandermeulen et al. | Sources of energy flexibility in district heating networks: building thermal inertia versus thermal energy storage in the network pipes | |
| Haves | Model predictive control of HVAC systems: Implementation and testing at the University of California, Merced | |
| CN112602247A (zh) | 用于在平衡条件下控制能量子系统之间的能量交换的方法；控制中心；能量系统；计算机程序和存储介质 | |
| WO2022270496A1 (en) | Acquiring a user consumption pattern of domestic hot water and controlling domestic hot water production based thereon | |
| CN104156891A (zh) | 空调分户分摊电量的校对方法和装置 | |
| CN112413862B (zh) | 能耗系数的确定方法和装置、存储介质、电子装置 | |
| Alahäivälä et al. | An intra-hour control strategy for aggregated electric storage space heating load | |
| CN112902392A (zh) | 自适应调整的空调控制方法、电子设备及存储介质 | |
| Daryanian et al. | Minimum-cost control of HVAC systems under real time prices | |
| JP7375355B2 (ja) | 推定方法、推定装置、コンピュータプログラム及び学習済みモデルの生成方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |