CN109084415A - 基于神经网络和遗传算法的中央空调运行参数寻优方法 - Google Patents
基于神经网络和遗传算法的中央空调运行参数寻优方法 Download PDFInfo
- Publication number
- CN109084415A CN109084415A CN201810838915.8A CN201810838915A CN109084415A CN 109084415 A CN109084415 A CN 109084415A CN 201810838915 A CN201810838915 A CN 201810838915A CN 109084415 A CN109084415 A CN 109084415A
- Authority
- CN
- China
- Prior art keywords
- central air
- conditioning
- node
- value
- neural 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.)
- Granted
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
- F24F11/62—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及中央空调运行节能增效,旨在提供基于神经网络和遗传算法的中央空调运行参数寻优方法。该种基于神经网络和遗传算法的中央空调运行参数寻优方法包括步骤:获取数据;BP神经网络建模;遗传算法调用神经网络,进行中央空调运行参数的寻优,最后输出控制变量并设置为中央空调的运行参数。本发明可以在满足中央空调系统运行工艺要求的前提下,通过给定的空调系统运行中系统的负荷率、环境的干球温度和相对湿度,得出在综合能效最大的情况下的5大空调系统运行工作参数:冷冻水出水温度teo,冷冻水回水温度tei、冷冻水供回水压差△P、冷却水出水温度tci,冷却水回水温度tco,符合实际的工况。
Description
技术领域
本发明是关于中央空调运行节能增效领域,特别涉及基于神经网络和遗传算法的中央空调运行参数寻优方法。
背景技术
中央空调系统能耗占公共建筑整体能耗的比例约为40%~60%,所以空调系统节能是建筑节能的关键,通过中央空调系统能耗的控制,可明确的实现建筑节能工作目标。
但由于中央空调运行系统的主要受控参数(温度、流量、压差),受季节变化、使用时间、环境变化、人流量变化等多种原因综合因素影响,其过程要素之间存在着严重的非线性、大滞后及强耦合关系,因此这是一个随机的、时变性的、非线性、多变量、复杂的系统。一般难以用精确的数学模型或方法进行描述。对这样的系统,基于精确数学模型的传统控制,无论是经典的PID控制,还是现代控制理论的各种算法,都很难实现较好的节能控制效果。
发明内容
本发明的主要目的在于克服现有技术中的不足,提供一种基于神经网络和遗传算法的中央空调运行参数寻优算法。为解决上述技术问题,本发明的解决方案是:
提供一种基于神经网络和遗传算法的中央空调运行参数寻优方法,具体包括下述步骤:
步骤一:获取数据:
(利用上位机远程监控软件)获取N组中央空调的下述数据:中央空调系统负荷率、环境中干球温度、环境中相对湿度、冷冻水出水温度、冷冻水回水温度、冷冻水供回水压差、冷却水进水温度、冷却水回水温度、中央空调综合能效;
其中,N是大于0的自然数;
步骤二:BP神经网络建模:
(21)定义BP神经网络的输入参数和输出参数;
输入参数:
s:中央空调系统负荷率;
ta:环境中干球温度;
rh:环境中相对湿度;
teo:系统冷冻水出水温度;
tei:系统冷冻水回水温度;
ΔP:系统冷冻水供回水压差;
tci:系统冷却水进水温度;
tco:系统冷却水回水温度;
输出参数:
SCOP:中央空调综合能效;
(22)确定该BP神经网络的下述参数:输入层节点数目为8,输出层节点数目为1,隐含层有1个,且每个隐含层的节点数为26个,网络学习率为0.46,动量系数为0.75;
BP神经网络的计算过程由正向计算过程和反向计算过程组成;
正向计算过程:输入模式从输入层经隐含层再转向输出层,逐层处理(一共有三层,即输入层、隐含层、输出层),每一层神经元的状态只影响下一层神经元的状态;
设节点i和节点j之间的权值为Wij,节点j的阈值为bj,每个节点的输出值为Sj(输入层节点无阈值),得到:
其中,所述m是指输出层的节点数;所述x是指网络输入的变量值;e是指自然常数2.71828,是指激励函数;
如果正向计算过程在输出层的输出,不是期望的输出,则转入反向计算;所述期望的输出是指全局误差阈值小于0.05;
反向计算过程:将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得到的中央空调系统运行综合能效SCOP的误差最小,形成网络模型;
设输出层所有结果为dj,E(W,b)为误差函数,得到:
根据权值和阈值的梯度下降法得到:
其中,所述n是指输入层的节点个数;所述yj是指输出层数据;所述j是指第j个神经元(即前述节点j),δij是指隐含层阈值bj的梯度;
设Wki是输入层第k个节点和隐含层第i个节点之间的权值,所以得到:
最后根据梯度下降法得到:
隐含层:
Wij=Wij-η1×δij×xi+α×ΔWij 公式(5)
bj=bj-η2×δij 公式(6)
输入层:
Wki=Wki-η1×δki×xk 公式(7)
bi=历-η2×δki 公式(8)
其中,所述η1是指输入层第k个节点和隐含层第i个节点之间误差梯度步长;所述η2是指隐含层阈值bj的梯度步长;所述δki是指输入层第k个节点和隐含层第i个节点之间误差梯度;所述xk是指输入层第k个节点的值,xi是指输入层第i个节点的值;所述bi是指隐含层第i个节点的阈值;所述Wij是指第j个节点到第i个节点的权值;所述α是指动量系数,α的值即前述设定的动量系数为0.75;所述ΔWij是指第j个节点到第i个节点的权值误差;
(23)把步骤一采集的N组中央空调的数据,即N组中央空调的s、ta、rh、teo、tei、ΔP、tco、tci和SCOP,代入BP神经网络(即由上述所有公式建立的模型)训练网络,直到满足下述两个条件,得到训练后的BP神经网络,即得到中央空调系统8个运行参数与综合能效之间的一个映射关系网络模型:
条件1)误差阈值E(W,b)小于0.05;
条件2)循环代入迭代N次;
步骤三:遗传算法调用神经网络,进行中央空调运行参数的寻优:
(31)变量参数设定:
选定变量:s、ta、rh;
控制变量:teo、tei、tco、tci、ΔP;
输出变量:SCOP;
求解精度:保留3位小数;
(32)将控制变量编码成二进制数,所有控制变量串联成一条染色体:
teo[6,12]使用13位二进制数表示teo的基因长度(因为:teo的取值范围为[6,12],长度为6,由于要精确到3位小数,所以将区分为6×10^3等份,又因为2^12<6×10^3<2^13,所以使用13位二进制数表示teo的基因长度);
tei[8,16]使用13位二进制数表示tei的基因长度(同teo原因);
ΔP[12,45]使用16位二进制数表示ΔP的基因长度(同teo原因);
tco[20,42]使用15位二进制数表示tco的基因长度(同teo原因);
tci[20,39]使用15位二进制数表示tci的基因长度(同teo原因);
所以,单个染色体需要:13+13+16+15+15=72个基因组成;
(33)当输入一组选定变量的值,即s、ta、rh变量值(实际工程中需要设定的值)时,进行控制变量(teo、tei、ΔP、tco、tci)的二进制编码,得到所有可能的控制变量的值,并从所有可能的控制变量的值中随机选取M组s、ta、rh、teo、tei、ΔP、tco、tci的值;M是大于0的自然数;设置SCOP为适应度值,即每一组的控制变量都对应一个适应度值;
调用步骤二得到的训练后的BP神经网络,把s、ta、rh、teo、tei、tco、tci、ΔP代入(s、ta、rh为界面输入值,teo、tei、tco、tci、ΔP为根据编码得到的每一组可能解),得到SCOP;
进行M次代入,得到M组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据;
利用遗传算法,在得到的M组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据中,选出适应度值最大的一组控制变量的值,具体方法如下:
I)染色体的选择:
采用轮盘赌选择法,设Pi为个体i被选择的概率,Fi为个体i的适应度值,则有即个体被选择的概率与个体的适应度值有关;
其中,所述个体i是指一组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据;所述j是值第j个个体;所述n是指第n个个体;
II)染色体的交叉:
把两个父代控制变量染色体部分结构进行替换重组形成新的个体,交叉算子根据交叉率将种群中的两个个体随机的交换某些基因,能够产生新的基因;
本遗传算法选用交叉概率为0.6,平均为60%的染色体进行交pos位点前后二进制进行交叉;
III)染色体变异:
根据变异概率选择变异位点,将二进制位改变;
本遗传算法对1%基因进行变异(即随机个数基因进行0和1之间的变异转换);
IV)重复进行I)至III)的选择、交叉、变异,直到达到迭代次数M,即对M组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据(即M组未设定的值)进行选择、交叉、变异,实现通过遗传算法随机选出使中央空调系统SCOP最大的一组控制变量进行输出;
步骤四:将步骤三最后输出的控制变量teo、tei、tco、tci和ΔP,设置为中央空调的运行参数,使该中央空调的综合能效最大,达到节能效果。
在本发明中,所述步骤一中,采集的中央空调数据是1000组,即N取1000。
在本发明中,所述步骤三的(33)中,从所有可能的控制变量的值中,随机选取10000组s、ta、rh、teo、tei、ΔP、tco、tci的值,即M取10000(这里不限定10000组的话,实际可得到2^72次方的值)。
与现有技术相比,本发明的有益效果是:
本发明通过建立神经网络模型,解决了实际工况复杂的外景环境因素对综合能效控制的影响,且精确度高;本发明利用遗传算法寻优,其受达尔文生物进化论启发而产生,其过程主要包括:选择、交叉、变异、重组四个过程,以及编码的强随机性,可使算法避免陷入局部最优值,整个遗传算法思想简单,结果精度高。
本发明可以在满足中央空调系统运行工艺要求的前提下,通过给定的空调系统运行中系统的负荷率、环境的干球温度和相对湿度,得出在综合能效最大的情况下的5大空调系统运行工作参数:冷冻水出水温度teo,冷冻水回水温度tei、冷冻水供回水压差ΔP、冷却水出水温度tci,冷却水回水温度tco,符合实际的工况。
附图说明
图1为本发明的基本流程图。
图2为本发明的基本流程图。
图3为神经网络误差的曲线图。
图4为遗传算法寻优的测试数据表示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
如图1、图2所示的一种基于神经网络和遗传算法的中央空调运行参数寻优方法,具体步骤如下:
步骤一:获取数据:
利用上位机远程监控软件,获取1000组中央空调的下述数据:中央空调系统负荷率、环境中干球温度、环境中相对湿度、冷冻水出水温度、冷冻水回水温度、冷冻水供回水压差、冷却水进水温度、冷却水回水温度、中央空调综合能。
步骤二:如图1,进行BP神经网络建模:
(21)定义BP神经网络的输入参数和输出参数。
输入参数:
s:中央空调系统负荷率;
ta:环境中干球温度;
rh:环境中相对湿度;
teo:系统冷冻水出水温度;
tei:系统冷冻水回水温度;
ΔP:系统冷冻水供回水压差;
tci:系统冷却水进水温度;
tco:系统冷却水回水温度。
输出参数:
SCOP:中央空调综合能。
BP神经网络具有很强的非线性映射能力和柔性的网络结构,利用BP神经网络训练数据,得到s、ta、rh、teo、tei、tco、tci、ΔP到SCOP的一个非线性映射关系。
(22)确定该BP神经网络的下述参数:输入层节点数目为8,输出层节点数目为1,隐含层有1个,且每个隐含层的节点数为26个,网络学习率为0.46,动量系数为0.75。
(23)通过正向传递过程和反向传递过程权值的调整和计算,然后把现场采集的1000组输入输出数据代入训练网络,知道达到给定的误差权值的阈值和迭代次数,结束算法,得到中央空调系统8个运行参数与综合能效之间的一个映射关系网络模型。
步骤三:如图2所示,遗传算法调用神经网络,进行中央空调运行参数的寻优:
(31)变量参数设定:
选定变量:s,ta,rh;
控制变量:teo,tei,tco,tci,ΔP;
输出变量:SCOP;
求解精度:保留3位小数。
(32)将控制变量编码成二进制数,所有控制变量串联成一条染色体。
teo的取值范围为[6,12],长度为6,由于要精确到3位小数,所以将区分为6×10^3等份,又因为2^12<6×10^3<2^13,所以使用13位二进制数表示teo的基因长度。
故,teo[6,12]使用13位二进制数表示teo的基因长度
同理tei[8,16]使用13位二进制数表示tei的基因长度;
同理ΔP[12,45]使用16位二进制数表示ΔP的基因长度;
同理tco[20,42]使用15位二进制数表示tco的基因长度;
同理tci[20,39]使用15位二进制数表示tci的基因长度;
所以,单个染色体需要:13+13+16+15+15=72个基因组成。
(33)当系统输入s、ta、rh变量时,进行控制变量的二进制编码;设置SCOP为适应度值,在范围内每一组的控制变量都对应一个适应度值。
调用步骤二得到的BP神经网络,把s、ta、rh、teo、tei、tco、tci、ΔP代入,得到SCOP。
进行10000次代入,得到10000组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据。
利用遗传算法,在得到的10000组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据中,选出适应度值最大的一组控制变量的值,具体方法如下:
i)染色体的选择:
采用轮盘赌选择法,设Pi为个体i被选择的概率,Fi为个体的适应度值,则有即个体被选择的概率与个体的适应度值有关。
其中,所述个体i是指指一组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据。
ii)染色体的交叉:
把两个父代控制变量染色体部分结构进行替换重组形成新的个体,交叉算子根据交叉率将种群中的两个个体随机的交换某些基因,能够产生新的基因。
本遗传算法选用交叉概率为0.6,平均为60%的染色体进行交pos位点前后二进制进行交叉。
iii)染色体变异:
根据变异概率选择变异位点,将二进制位改变。
本遗传算法对1%基因进行变异,即随机个数基因进行0和1之间的变异转换。
iiii)重复进行i)至iii)的选择、交叉、变异,直到达到迭代次数10000,实现通过遗传算法随机选出使中央空调系统SCOP最大的一组控制变量进行输出。
步骤四:将步骤三最后输出的控制变量teo,tei,tco,tci,ΔP,设置为中央空调的运行参数,使该中央空调的综合能效最大,达到节能效果。
选取一组数据,利用上述步骤,得到输出结果,具体为:当输入的s、ta、rh分别为0.71、25、93时,得到所有组合中最大SCOP为7.78,其teo、tei、ΔP、tco、tci组合分别为:11.28、12.54、0.395、28.60、26.51,并把得到的数据进行控制界面的设置,提高中央空调的运行效率。
为了验证本方法的准确性,选取相应的测试数据代入神经网络进行误差分析,并选取对应的数据进行遗传算法寻优测试,经现场数据的分析,符合实际工况下的参数设置,体现了本算法较强的优势。
图3为神经网络测试数据误差曲线图,图4为遗传算法寻优的测试数据表。
最后,需要注意的是,以上列举的仅是本发明的具体实施例。显然,本发明不限于以上实施例,还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (3)
1.一种基于神经网络和遗传算法的中央空调运行参数寻优方法,其特征在于,具体包括下述步骤:
步骤一:获取数据:
获取N组中央空调的下述数据:中央空调系统负荷率、环境中干球温度、环境中相对湿度、冷冻水出水温度、冷冻水回水温度、冷冻水供回水压差、冷却水进水温度、冷却水回水温度、中央空调综合能效;
其中,N是大于0的自然数;
步骤二:BP神经网络建模:
(21)定义BP神经网络的输入参数和输出参数;
输入参数:
s:中央空调系统负荷率;
ta:环境中干球温度;
rh:环境中相对湿度;
teo:系统冷冻水出水温度;
tei:系统冷冻水回水温度;
ΔP:系统冷冻水供回水压差;
tci:系统冷却水进水温度;
tco:系统冷却水回水温度;
输出参数:
SCOP:中央空调综合能效;
(22)确定该BP神经网络的下述参数:输入层节点数目为8,输出层节点数目为1,隐含层有1个,且每个隐含层的节点数为26个,网络学习率为0.46,动量系数为0.75;
BP神经网络的计算过程由正向计算过程和反向计算过程组成;
正向计算过程:输入模式从输入层经隐含层再转向输出层,逐层处理,每一层神经元的状态只影响下一层神经元的状态;
设节点i和节点j之间的权值为Wij,节点j的阈值为bj,每个节点的输出值为Sj,得到:
其中,所述m是指输出层的节点数;所述x是指网络输入的变量值;e是指自然常数2.71828,是指激励函数;
如果正向计算过程在输出层的输出,不是期望的输出,则转入反向计算;所述期望的输出是指全局误差阈值小于0.05;
反向计算过程:将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得到的中央空调系统运行综合能效SCOP的误差最小,形成网络模型;
设输出层所有结果为dj,E(W,b)为误差函数,得到:
根据权值和阈值的梯度下降法得到:
其中,所述n是指输入层的节点个数;所述yj是指输出层数据;所述j是指第j个神经元,δj是指隐含层阈值bj的梯度;
设Wki是输入层第k个节点和隐含层第i个节点之间的权值,所以得到:
最后根据梯度下降法得到:
隐含层:
Wij=Wij-η1×δij×xi+α×ΔWij 公式(5)
bj=bj-η2×δij 公式(6)
输入层:
Wki=Wki-η1×δki×xk 公式(7)
bi=bi-η2×δki 公式(8)
其中,所述η1是指输入层第k个节点和隐含层第i个节点之间误差梯度步长;所述η2是指隐含层阈值bj的梯度步长;所述δki是指输入层第k个节点和隐含层第i个节点之间误差梯度;所述xk是指输入层第k个节点的值,xi是指输入层第i个节点的值;所述bi是指隐含层第i个节点的阈值;所述Wij是指第j个节点到第i个节点的权值;所述α是指动量系数,α的值即前述设定的动量系数为0.75;所述ΔWii是指第j个节点到第i个节点的权值误差;
(23)把步骤一采集的N组中央空调的数据,即N组中央空调的s、ta、rh、teo、tei、ΔP、tco、tci和SCOP,代入BP神经网络训练网络,直到满足下述两个条件,得到训练后的BP神经网络,即得到中央空调系统8个运行参数与综合能效之间的一个映射关系网络模型:
条件1)误差阈值E(W,b)小于0.05;
条件2)循环代入迭代N次;
步骤三:遗传算法调用神经网络,进行中央空调运行参数的寻优:
(31)变量参数设定:
选定变量:s、ta、rh;
控制变量:teo、tei、tco、tci、ΔP;
输出变量:SCOP;
求解精度:保留3位小数;
(32)将控制变量编码成二进制数,所有控制变量串联成一条染色体:
teo[6,12]使用13位二进制数表示teo的基因长度;
tei[8,16]使用13位二进制数表示tei的基因长度;
ΔP[12,45]使用16位二进制数表示ΔP的基因长度;
tco[20,42]使用15位二进制数表示tco的基因长度;
tci[20,39]使用15位二进制数表示tci的基因长度;
所以,单个染色体需要:13+13+16+15+15=72个基因组成;
(33)当输入一组选定变量的值,即s、ta、rh变量值时,进行控制变量的二进制编码,得到所有可能的控制变量的值,并从所有可能的控制变量的值中随机选取M组s、ta、rh、teo、tei、ΔP、tco、tci的值;M是大于0的自然数;设置SCOP为适应度值,即每一组的控制变量都对应一个适应度值;
调用步骤二得到的训练后的BP神经网络,把s、ta、rh、teo、tei、tco、tci、ΔP代入,得到SCOP;
进行M次代入,得到M组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据;
利用遗传算法,在得到的M组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据中,选出适应度值最大的一组控制变量的值,具体方法如下:
I)染色体的选择:
采用轮盘赌选择法,设Pi为个体i被选择的概率,Fi为个体i的适应度值,则有即个体被选择的概率与个体的适应度值有关;
其中,所述个体i是指一组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据;所述j是值第j个个体;所述n是指第n个个体;
II)染色体的交叉:
把两个父代控制变量染色体部分结构进行替换重组形成新的个体,交叉算子根据交叉率将种群中的两个个体随机的交换某些基因,能够产生新的基因;
本遗传算法选用交叉概率为0.6,平均为60%的染色体进行交pos位点前后二进制进行交叉;
III)染色体变异:
根据变异概率选择变异位点,将二进制位改变;
本遗传算法对1%基因进行变异;
IV)重复进行I)至III)的选择、交叉、变异,直到达到迭代次数M,即对M组s、ta、rh、teo、tei、tco、tci、ΔP、SCOP数据进行选择、交叉、变异,实现通过遗传算法随机选出使中央空调系统SCOP最大的一组控制变量进行输出;
步骤四:将步骤三最后输出的控制变量teo、tei、tco、tci和ΔP,设置为中央空调的运行参数,使该中央空调的综合能效最大,达到节能效果。
2.根据权利要求1所述的一种基于神经网络和遗传算法的中央空调运行参数寻优方法,其特征在于,所述步骤一中,采集的中央空调数据是1000组,即N取1000。
3.根据权利要求1所述的一种基于神经网络和遗传算法的中央空调运行参数寻优方法,其特征在于,所述步骤三的(33)中,从所有可能的控制变量的值中,随机选取10000组s、ta、rh、teo、tei、ΔP、tco、tci的值,即M取10000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810838915.8A CN109084415B (zh) | 2018-07-26 | 2018-07-26 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810838915.8A CN109084415B (zh) | 2018-07-26 | 2018-07-26 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109084415A true CN109084415A (zh) | 2018-12-25 |
CN109084415B CN109084415B (zh) | 2021-04-02 |
Family
ID=64830943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810838915.8A Active CN109084415B (zh) | 2018-07-26 | 2018-07-26 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109084415B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109631238A (zh) * | 2019-01-28 | 2019-04-16 | 宁波溪棠信息科技有限公司 | 一种提高空调系统运行能效的控制系统和控制方法 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
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 |
CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源(天津)科技有限公司 | 中央空调系统节能控制方法 |
CN111076369A (zh) * | 2020-01-17 | 2020-04-28 | 南京天加环境科技有限公司 | 用于中央空调系统主机的动态寻优控制方法 |
CN111475988A (zh) * | 2020-04-03 | 2020-07-31 | 浙江工业大学之江学院 | 基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 |
CN112329338A (zh) * | 2020-10-26 | 2021-02-05 | 中国移动通信集团内蒙古有限公司 | 基于鱼群优化bp神经网络的冷源系统控制方法及装置 |
CN112443943A (zh) * | 2019-08-30 | 2021-03-05 | 珠海格力电器股份有限公司 | 一种基于少量标记数据的模型训练方法、控制系统及空调机 |
CN112577161A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
CN112883642A (zh) * | 2021-02-08 | 2021-06-01 | 上海叠腾网络科技有限公司 | 能源站区域供冷设备系统参数优化方法、系统及介质 |
CN112996090A (zh) * | 2021-01-21 | 2021-06-18 | 西藏先锋绿能环保科技股份有限公司 | 一种节能管理系统及方法 |
CN116182342A (zh) * | 2023-03-10 | 2023-05-30 | 南京昊江科技有限公司 | 一种空调控制系统及控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003141499A (ja) * | 2001-11-05 | 2003-05-16 | Denso Corp | ニューラルネットワーク学習方法 |
CN102721156A (zh) * | 2012-06-30 | 2012-10-10 | 李钢 | 中央空调自寻优智能模糊控制装置及其控制方法 |
CN107044710A (zh) * | 2016-12-26 | 2017-08-15 | 深圳达实智能股份有限公司 | 基于联合智能算法的中央空调节能控制方法及系统 |
CN108224632A (zh) * | 2017-12-27 | 2018-06-29 | 广东中新节能环保有限公司 | 酒店建筑中央空调机房冷冻水系统综合能效提升控制方法 |
-
2018
- 2018-07-26 CN CN201810838915.8A patent/CN109084415B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003141499A (ja) * | 2001-11-05 | 2003-05-16 | Denso Corp | ニューラルネットワーク学習方法 |
CN102721156A (zh) * | 2012-06-30 | 2012-10-10 | 李钢 | 中央空调自寻优智能模糊控制装置及其控制方法 |
CN107044710A (zh) * | 2016-12-26 | 2017-08-15 | 深圳达实智能股份有限公司 | 基于联合智能算法的中央空调节能控制方法及系统 |
CN108224632A (zh) * | 2017-12-27 | 2018-06-29 | 广东中新节能环保有限公司 | 酒店建筑中央空调机房冷冻水系统综合能效提升控制方法 |
Non-Patent Citations (2)
Title |
---|
佟春生: "《系统工程的理论与方法概论》", 31 August 2005, 国防工业出版社 * |
姜金贵: "《管理建模与仿真》", 31 October 2015, 哈尔滨工程大学出版社 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109631238A (zh) * | 2019-01-28 | 2019-04-16 | 宁波溪棠信息科技有限公司 | 一种提高空调系统运行能效的控制系统和控制方法 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
CN112443943A (zh) * | 2019-08-30 | 2021-03-05 | 珠海格力电器股份有限公司 | 一种基于少量标记数据的模型训练方法、控制系统及空调机 |
CN112577161A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
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 |
CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源(天津)科技有限公司 | 中央空调系统节能控制方法 |
CN111076369A (zh) * | 2020-01-17 | 2020-04-28 | 南京天加环境科技有限公司 | 用于中央空调系统主机的动态寻优控制方法 |
CN111076369B (zh) * | 2020-01-17 | 2021-05-25 | 南京天加环境科技有限公司 | 用于中央空调系统主机的动态寻优控制方法 |
CN111475988A (zh) * | 2020-04-03 | 2020-07-31 | 浙江工业大学之江学院 | 基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 |
CN111475988B (zh) * | 2020-04-03 | 2024-02-23 | 浙江工业大学之江学院 | 基于梯度提升决策树和遗传算法的印染定型机能耗优化方法 |
CN112329338A (zh) * | 2020-10-26 | 2021-02-05 | 中国移动通信集团内蒙古有限公司 | 基于鱼群优化bp神经网络的冷源系统控制方法及装置 |
CN112996090A (zh) * | 2021-01-21 | 2021-06-18 | 西藏先锋绿能环保科技股份有限公司 | 一种节能管理系统及方法 |
CN112996090B (zh) * | 2021-01-21 | 2022-08-23 | 西藏先锋绿能环保科技股份有限公司 | 一种节能管理系统及方法 |
CN112883642A (zh) * | 2021-02-08 | 2021-06-01 | 上海叠腾网络科技有限公司 | 能源站区域供冷设备系统参数优化方法、系统及介质 |
CN112883642B (zh) * | 2021-02-08 | 2023-10-31 | 上海叠腾网络科技有限公司 | 能源站区域供冷设备系统参数优化方法、系统及介质 |
CN116182342A (zh) * | 2023-03-10 | 2023-05-30 | 南京昊江科技有限公司 | 一种空调控制系统及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109084415B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109084415A (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 | |
Feng et al. | Multi-objective quantum-behaved particle swarm optimization for economic environmental hydrothermal energy system scheduling | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
CN109634121A (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN111881505B (zh) | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 | |
CN110458443A (zh) | 一种基于深度强化学习的智慧家庭能量管理方法及系统 | |
CN109858093A (zh) | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 | |
CN110386768B (zh) | 水泥烧成过程中能耗动态实时控制方法 | |
CN112906292B (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 | |
CN105608295B (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN107044710A (zh) | 基于联合智能算法的中央空调节能控制方法及系统 | |
CN109886448A (zh) | 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法 | |
CN113191086A (zh) | 一种基于遗传算法的电采暖热负荷需求优化方法及系统 | |
CN114742268A (zh) | 考虑设备变工况特性的综合能源系统优化及规划方法 | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN103761385A (zh) | 一种多热源环状管网的优化设计方法 | |
CN117031950A (zh) | 深度调峰火电机组控制系统建模的方法及装置 | |
CN106292296B (zh) | 基于ga‑svm的水岛加药在线控制方法和装置 | |
CN108303898B (zh) | 新型太阳能-空气能耦合冷热联供系统的智能调度方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN113654143B (zh) | 一种基于神经网络的空调水系统泵阀联动控制方法 | |
CN105511270B (zh) | 一种基于协同进化的pid控制器参数优化方法和系统 | |
Yang et al. | A novel exhaust gas temperature prediction method of hot blast stove |
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 |