CN109343461A - 一种楼宇自动化控制系统的节能控制方法 - Google Patents
一种楼宇自动化控制系统的节能控制方法 Download PDFInfo
- Publication number
- CN109343461A CN109343461A CN201811427281.3A CN201811427281A CN109343461A CN 109343461 A CN109343461 A CN 109343461A CN 201811427281 A CN201811427281 A CN 201811427281A CN 109343461 A CN109343461 A CN 109343461A
- Authority
- CN
- China
- Prior art keywords
- formula
- control
- room temperature
- particle
- building
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/10—Plc systems
- G05B2219/11—Plc I-O input output
- G05B2219/1103—Special, intelligent I-O processor, also plc can only access via processor
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种楼宇自动化控制系统的节能控制方法,楼宇自动化控制系统的楼控主机用于监测室内温度以及对空调主机的控制,楼宇自动化控制系统的优化控制服务器的作用包括:接收楼控主机监测的室内温度信息;从天气预报网站获取24小时的温度预测信息;录入楼宇温度期望值及算法相关参数值;在以上数据基础上利用微粒群算法分析获得最优室内温度控制序列Tin*;微粒群算法分析获得最优室内温度控制序列Tin*的原则是,低电价时段降低室内温度,对室内进行预冷;高电价时段在容许的范围内提高室内温度;下发温度控制序列Tin*给楼控主机。本发明的节能控制方法自动化程度高、节能效果好。
Description
[技术领域]
本发明涉及楼宇自动化控制系统,尤其涉及一种楼宇自动化控制系统的节能控制方法。
[背景技术]
楼宇自动化控制是指将楼宇中如电梯、水泵、风机、空调等的电力设备进行在线监控,通过设置楼宇自控DDC、变频器、继电器、相应的传感器、行程开关、光电控制等,对设备的工作状态进行控制和检测,并通过线路返回控制机房的中心电脑,由电脑得出分析结果,再返回到设备终端进行调解。
专利号为CN201720976002.3的实用新型公开了一种楼宇自动化控制系统,包括控制柜本体,所述控制柜本体的一侧设置有格栅,所述格栅于控制柜本体内的一侧设置有散热风扇,所述散热风扇的一侧设置有点动开关,所述点动开关的一侧设有驱动散热风扇启闭的驱动机构;所述驱动机构包括可对点动开关进行按压的动力组件以及对控制柜本体内部温度进行检测的无线测温探头,所述动力组件与无线测温探头之间连接有接受温度信号并控制动力组件按压点动开关的PLC组件。这种楼宇自动化控制系统能根据控制柜本体内的温度情况实时进行排热作业,降低控制系统的使用风险,提高安全性能。
现有楼宇自动化控制系统在建设过程中需要工程师根据可能的应用场景设计控制策略,并手工编写代码实现这些策略。由于建造过程中,工程师无法确定建筑物的用途和使用特点,能够考虑的应用场景只是一个粗糙的设想,不能为各种设备故障备足预案。这导致大楼投用后需要根据不断出现的新情况反复修改控制程序,而手工修改常常造成补丁上打补丁、按下葫芦浮起瓢的窘境。许多项目在花费了大量调试成本后达不到用户期望,最后还是采用人工控制的方式。
据统计,各系统不正确的运行方式和设备故障是造成建筑能效低下的主要原因。如照明系统区域灯光全开、全关管理方式具有很大节能空间;中央空调系统冷冻主机可以根据负载变化随之加载或减载,冷冻水泵和冷却水泵却不能随负载变化做出相应调节,存在很大的浪费。目前建筑节能应用中,解决方案大多只实现了现场数据的数据收集、数据存储、数据统计和数据展现,不具有真正意义上的节能应用。依靠人员经验的运行管理方式,往往受限于管理人员经验水平,运行方式的调整也会使得建筑物管理决策者陷入运行能效与人力成本之间的矛盾。
[发明内容]
本发明要解决的技术问题是提供一种自动化程度高、节能效果好的楼宇自动化控制系统的节能控制方法。
为了解决上述技术问题,本发明采用的技术方案是,一种楼宇自动化控制系统的节能控制方法,楼宇自动化控制系统包括楼控主机和优化控制服务器,楼控主机用于监测室内温度以及对空调主机的控制,优化控制服务器作用包括:
101)接收楼控主机监测的室内温度信息;
102)从天气预报网站获取24小时的温度预测信息;
103)录入楼宇温度期望值及算法相关参数值;
104)在以上数据基础上利用微粒群算法分析获得最优室内温度控制序列 Tin*;微粒群算法分析获得最优室内温度控制序列Tin*的原则是,低电价时段降低室内温度,对室内进行预冷;高电价时段在容许的范围内提高室内温度;
105)下发温度控制序列Tin*给楼控主机。
以上所述的节能控制方法,步骤104)微粒群算法分析获得最优室内温度控制序列Tin*时,以最小化目标函数式(6)和电费用指标优化目标函数式(9)为目标,式(12)用来计算微粒群中粒子的适应度值:
式(6):
在式(6)中,Deg为舒适度指标,dt为室内温度与目标温度的差值,t为时隙序号,t=1,2...,n,n为优化控制区间内的总时隙数;式(6):
式(9):在式(9)中,代表情景数据,pt表示时隙t内的电价,表示情景i中空调系统在第t个时隙内的电能消耗量,Pi sce表示情景i实现的概率;
式(12):φ(Tin)=f(Tin)+vol(Tin);
在式(12)中,φ(Tin)为带约束优化函数,f(Tin)为无约束优化函数;vol(Tin) 为约束条件项:
其中,M是一个足够大的正常数。
以上所述的节能控制方法,步骤104)微粒群算法分析获得最优室内温度控制序列Tin*包括以下步骤:
301)读取时段电价pe=[p1,p2,...pn],室外温度预测值
302)设置PSO算法参数,即种族规模Np、算法最大迭代次数kmax和算法学习因子c1和c2;
303)根据室外温度预测值及预测误差概率分布,采用蒙特卡洛仿真法生成一组室外温度预测随机情景,并通过情景消减技术对生成的情景进行消减,得到个情景;
304)用户输入偏好因子α、温度上下限值及上限下温差ΔT1、ΔT2;
305)初始化微粒群,随机生成各粒子的位置向量、速度向量,根据式(12) 计算所述的适应度值,初始化每个粒子个体最优位置全局最优位置pg,清零各粒子计数器及算法迭代计数器k;
306)更新粒子速度矢量Vi,更新位置矢量Xi,更新个体最优位置更新计数器种群中的每个粒子都完成上述的更新后,更新全局最优位置 pg;
307)建立集合Λ(k),选择最坏粒子,用一个随机生成的粒子替换该粒子,并更新该粒子的个体最优位置,清零该粒子的计数器;
308)算法迭代次数加1,即k=k+1;
309)若k<kmax,转步骤306),否则转步骤3010);
3010)pg为算法运行最优结果,即最优室内温度控制序列Tin*,计算空调系统在各种随机情景下的能耗序列,根据式(6)和式(9)计算舒适度指标和用电费用指标;室内温度控制序列Tin*代表各时隙的室内温度目标值序列,相应能耗序列根据Tin*利用能量消耗模型计算;
3011)用户判断用电费用指标、舒适度指标是否满足要求,若满足,Tin*即为控制系统运行时的最优室内温度控制序列,按照Tin*对空调的运行进行控制;否则,转步骤304)。
以上所述的节能控制方法,在步骤306)中,包括以下步骤:
根据式(13)更新粒子速度矢量Vi,根据式(14)更新位置矢量Xi,根据式 (15)更新个体最优位置更新计数器种群中的每个粒子都完成上述的更新后,根据式(16)更新全局最优位置pg;
式(13):vij(k+1)=w(k)vij(k)+c1r1[pij-xxj(k)]+c2r2[pgj-xxj(k)];
式(13)中,c1和c2为学习因子,为PSO算法的控制参数;r1和r2是区间[0,1] 上均匀分布的随机数;
式(14):xij(k+1)=xij(k)+vij(k+1);
式(15):
式(15)中,fit()为适应度函数;
式(16):
以上所述的节能控制方法,在步骤3010)中,根据式(1)计算空调系统在各种随机情景下的能耗序列:
式(1):
式(1)中:t为时隙序号,t=1,2...,n,n为优化控制区间内的总时隙数;Tt in为时隙t内的室内温度、、Tt out为时隙t内的室外温度;qt为时隙t内空调系统的耗电量;ε、A和η分别为系统惯量、热传导系数和空调系统效率系数;当空调运行在制冷模式下,式(1)中的“±”号取“-”,当空调运行在加热模式下,式(1)中的“±”号取“+”。
本发明楼宇自动化控制系统节能控制方法人为干预少、自动化程度高、节能效果好。
[附图说明]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例楼宇自动化控制系统的组成框图。
[具体实施方式]
楼宇中主要能耗项为空调系统和照明系统,一般占比为60%-80%。空调系统耗能量最大,节能空间也最大。同时,房屋具有储能特征,可以在满足用户需求的前提下,在一定范围内对空调系统的运行进行调度,从高电价时段移到低电价时段来减小用电费用。降低电力负荷“峰谷比”,提高电力资产利用率,是增强电力系统运行安全性的有效手段。
本发明在用户设定的温度范围内,综合考虑电价高低、可再生能源出力状况、室外温度等多种因素对空调系统的运行进行优化控制,同时最小化用户用电费用和最大化楼宇舒适度,建立空调系统的多目标优化模型。
本系统采用能量消耗模型如式(1)所示。
式中:t为时隙序号,t=1,2...,n,n为优化控制区间内的总时隙数;Tt in、Tt out分别为时隙t内的室内温度、室外温度;qt为时隙t内空调系统的耗电量;ε、A、η分别为系统惯量、热传导系数和空调系统效率系数,它们是与楼宇和空调系统自身特征相关参数,根据实际情况确定。当空调运行在制冷模式下,式(1)中的“±”号取“-”,当空调运行在加热模式下,式(1)中的“±”取“+”。
本系统多目标优化控制算法根据未来24h内的室外温度预测值和电价对未来1d内空调系统的运行进行优化控制,以同时最小化用户用电费用和最大化用户的温度舒适度指标为目标。优化控制区间时长24h,分为n个时隙,单个时隙时长为τ,即nτ=24h。在不考虑室外温度预测误差的情况下,优化区间内空调系统总用电费用可表示为
式中:Cac表示空调系统总用电费用,pt表示时隙t内的电价,单位为元/kW.h,由系统管理人员设置。qt的含义同式(1),其表示时隙t内空调系统的耗电量,单位为kW.h。为了定量化地表示用户温度舒适度的高低,本系统引入舒适度指标,该指标的定义如式(3)所示:
式中Deg表示舒适度指标,dt表示室内温度与目标温度的差值,其中dt由式 (4)确定:
式(4)中Tset表示空调系统运行时用户设定的室内温度期望值(系统认为该温度舒适度最高)。考虑到室内温度在用户设定值范围内进行小范围内的波动不影响用户的温度舒适度,引入了上限温差ΔT1和下限温差ΔT2,上限温差ΔT1和下限温差ΔT2的值由用户根据运营需求设定。定室内温度大于Tset+ΔT1时,室内温度过高,用户舒适度降低,dt增大;当室内温度Tt in小于Tset-ΔT2时,室内温度过低,同样降低用户的舒适度,dt增大。由于用户将空调运行在制冷模式下,降低室内温度时,用户更偏好温度低些,此时,ΔT2>ΔT1>0;相反用户将空调运行在制热模式下,用户更偏好温度高些,此时,ΔT1>ΔT2>0。由舒适度指标定义的含义可知,Deg越小,用户舒适度越高。
空调系统运行的多目标优化控制模型如式(5)-(8)所示。
0≤qt≤qmax (8)
式中:分别表示用户能够容忍的室内温度的下限值和上限值,由用户设定;qmax表示在一个时隙内空调系统的最大容许电耗消耗量,根据空调系统的铭牌数据确定。式(7)(8)分别表示由用户容忍温度范围和空调系统功率对优化过程施加的约束条件。式(5)和式(6)分布是式(2)和式(3)优化求解表达式。
在该模型中,空调系统运行过程中的室内温度作为决策变量,式(5)和式(6)是目标函数,式(7)和式(8)是约束条件。
为了处理室外温度预测带来的不确定性,本系统从天气预报网站获取的调度时段内室外温度的预测值本系统认为室外温度预测误差符合均值为0且方差为0.5的正态分布,根据室外温度预测误差的概率分布和室外温度预测值Tout采用蒙特卡洛仿真法产生一组室外温度预测随机情景,产生随机情景为个(本系统为10个),第i个随机情景记为其中j=1,2,...,n表示第i情景下第j个时隙的室外温度预测值,记第i个随机情景实现的概率为Pi sce,个情景下的实现概率之和等于1。随机情景代表室外温度预测值的所有情景。
考虑了室外温度预测误差不确定性的空调系统用电费用指标优化目标函数如(9)所示。
式中代表情景数据(系统使用数据为10),表示情景i中空调系统在第t个时隙内的电能消耗量,Pi sce表示情景i实现的概率。式(6)-(9)构成了考虑室外温度预测误差的空调系统多目标模型。式(9)是考虑了室外温度预测误差不确定性对式(5)升级求解表达式。
利用用户偏好因子,通过式(10)采用加权方法将上述建立的多目标优化模型转化为单目标优化模型来求解:
f(Tin)=αCac+(1-α)Deg (10)
式中左项为多目标函数,右项为分解的加权值单目标函数,α称为用户偏好因子,0≤α≤1,α取值越小,表名用户越重视舒适度指标,α取值越大表名用户越重视经济指标(用电费用)。α的值由用户设定,若用户对给定α下控制结果不满意,可以重新设定新值,允许用户和算法的交互。
上述多目标优化模型中约束条件的处理是另一个关键,本系统约束处理方法采用罚函数法,定义罚函数项如式(11)所示:
上式为约束条件函数,其中M是一个足够大的正常数(系统采用 100000000)。
最后通过式(12)将空调系统多目标约束优化控制模型转换为单目标无约束优化模型处理。
φ(Tin)=f(Tin)+vol(Tin) (12)
式中左项φ(Tin)为带约束优化函数,右侧f(Tin)为无约束优化函数,vol(Tin)为约束条件项。
系统采用PSO算法基本步骤为:
a)依照初始化过程,对微粒群的随机位置和速度进行初始化设定。
b)计算每个微粒的适应值。
c)对于每个微粒,将其适应值与所经历过的最好位置的适应值进行比较,若较好,则将其作为当前的最好位置。
d)对每个微粒,将其适应值与全局所经历的最好位置适应值进行比较,如较好,则将其作为当前的全局最好位置。
e)根据迭代公式更新微粒的速度和位置。
f)如未达到结束条件通常为足够好的适应值或达到一个预设的最大迭代数,则返回步骤b)。
本系统提出的空调系统多目标优化控制算法以最小化目标函数式(6)(9)为目的,选择式(12)来计算和评价微粒群中粒子适应度值的高低,取值越小表明对应粒子适应度值越高。算法具体步骤如下:
1)算法读取电价pe=[p1,p2,...pn],室外温度预测值
2)设置PSO算法参数,即种族规模Np、算法最大迭代次数kmax、算法学习因子c1和c2。
3)根据室外温度预测值及预测误差概率分布,采用蒙特卡洛仿真法生成一组室外温度预测随机情景,并通过情景消减技术对生成的情景进行消减,最终得到个情景。
4)用户输入偏好因子α、温度上下限值及上限下温差ΔT1、ΔT2。
5)初始化微粒群。随机生成各粒子的位置向量、速度向量,根据式(12)计算适应度值,初始化每个粒子个体最优位置全局最优位置pg,清零各粒子计数器及算法迭代计数器k。
6)据式(13)更新粒子速度矢量Vi,据式(14)更新位置矢量Xi,据式(15) 更新个体最优位置更新计数器种群中的每个粒子都完成上述的更新后,据式(16)更新全局最优位置pg。
vij(k+1)=w(k)vij(k)+c1r1[pij-xxj(k)]+c2r2[pgj-xxj(k)] (13)
式中c1和c2为学习因子,是PSO算法的控制参数;r1和r2是区间[0,1]上均匀分布的随机数。
xij(k+1)=xij(k)+vij(k+1) (14)
式中fit()表示适应度函数。
7)建立集合Λ(k),选择最坏粒子,用一个随机生成的粒子替换该粒子,并更新该粒子的个体最优位置,清零该粒子的计数器。
8)算法迭代次数加1,即k=k+1。
9)若k<kmax,转步骤6),否则转步骤10)。
10)pg为本次算法运行最优结果,即最优室内温度控制序列Tin*,据式(1) 计算空调系统在各种随机情景下的能耗序列,据式(6)(9)计算舒适度指标、用电费用指标。室内温度控制序列Tin*代表各时隙的室内温度目标值序列,如 [24,23,23...],相应能耗序列是根据Tin*利用能量消耗模型计算的结果。
11)用户判断用电费用指标、舒适度指标是否满足要求,若满足,Tin*即为控制系统运行时的最优室内温度控制序列,按照它对空调的运行进行控制;否则,算法转步骤4)。
本系统参数默认为Np、kmax、c1、c2的取值分别为30、2000、2、2; Tset、ΔT1、ΔT2取值分别为24、25、26、0.3和0.8,单位为摄氏度。用户偏好参数α根据需求在0≤α≤1内设定。
本系统提出的空调系统多目标优化控制算法综合考虑了室外温度预测值、电价高低和用户需求,同时优化用户的舒适度指标和用电费用指标。用户偏好因子的引入为用户在经济性和舒适度之间灵活控制提供了手段。算法考虑了室外温度预测误差带来的不确定性,增加了算法的实用价值。
系统在算法的优化下在电价较低的时段降低室内温度,对房间起到预冷的作用,而在高电价时段在用户容许范围增高室内温度,以减少高电价时段的用电量。
为了更好的理解本发明的技术方案,下面结合附图详细描述本发明提供的实施方法。
如图1所示,基于微粒群算法的动态规划最优控制节能系统包括:楼控主机和优化控制服务器两部分。
楼控主机用于监测室内温度以及对空调主机的控制。
优化控制服务器作用包括:
1)接收到楼控主机监测的室内温度信息;
2)从天气预报网站获取24h温度预测信息;
3)录入楼宇温度期望值及算法相关参数值;
4)在以上数据基础上利用微粒群算法分析获得最优室内温度控制序列Tin*;
5)下发温度控制序列Tin*给楼控主机。
优化控制系统内置BacNet协议对接模块,通过服务地址的配置即可对接楼控系统,实现对楼控设备的状态监测可控制。
本系统适用于电力资费分时段计价的城市楼宇管理,例如深圳:07时-11时电费1.08元/度;11时-19时电费0.72元/度;19时-23时电费1.08元/度;23 时-07时电费0.28元/度。系统在算法的优化下在7点前(谷时用电,电价低) 时段降低室内温度,对房间起到预冷的作用,而在高电价时段在用户容许范围增高室内温度,大大减少高电价时段的用电量,在满足楼宇舒适度的条件下降低能耗费用。系统根据天气预报获取未来24h室外温度趋势,自动分析生成最优室内温度控制序列Tin*,结合楼控系统实现最大化舒适度的自动运行,大大降低人力成本。
Claims (5)
1.一种楼宇自动化控制系统的节能控制方法,楼宇自动化控制系统包括楼控主机和优化控制服务器,其特征在于,楼控主机用于监测室内温度以及对空调主机的控制,优化控制服务器的作用包括:
101)接收楼控主机监测的室内温度信息;
102)从天气预报网站获取24小时的温度预测信息;
103)录入楼宇温度期望值及算法相关参数值;
104)在以上数据基础上利用微粒群算法分析获得最优室内温度控制序列Tin*;微粒群算法分析获得最优室内温度控制序列Tin*的原则是,低电价时段降低室内温度,对室内进行预冷;高电价时段在容许的范围内提高室内温度;
105)下发温度控制序列Tin*给楼控主机。
2.根据权利要求1所述的节能控制方法,其特征在于,步骤104)微粒群算法分析获得最优室内温度控制序列Tin*时,以最小化目标函数式(6)和电费用指标优化目标函数式(9)为目标,式(12)用来计算微粒群中粒子的适应度值:
式(6):
在式(6)中,Deg为舒适度指标,dt为室内温度与目标温度的差值,t为时隙序号,t=1,2...,n,n为优化控制区间内的总时隙数;式(6):
式(9):
在式(9)中,代表情景数据,pt表示时隙t内的电价,表示情景i中空调系统在第t个时隙内的电能消耗量,Pi sce表示情景i实现的概率;
式(12):φ(Tin)=f(Tin)+vol(Tin);
在式(12)中,φ(Tin)为带约束优化函数,f(Tin)为无约束优化函数;vol(Tin)为约束条件项:
其中,M是一个足够大的正常数。
3.根据权利要求2所述的节能控制方法,其特征在于,步骤104)微粒群算法分析获得最优室内温度控制序列Tin*包括以下步骤:
301)读取时段电价pe=[p1,p2,...pn],室外温度预测值
302)设置PSO算法参数,即种族规模Np、算法最大迭代次数kmax和算法学习因子c1和c2;
303)根据室外温度预测值及预测误差概率分布,采用蒙特卡洛仿真法生成一组室外温度预测随机情景,并通过情景消减技术对生成的情景进行消减,得到个情景;
304)用户输入偏好因子α、温度上下限值及上限下温差ΔT1、ΔT2;
305)初始化微粒群,随机生成各粒子的位置向量、速度向量,根据式(12)计算所述的适应度值,初始化每个粒子个体最优位置全局最优位置pg,清零各粒子计数器及算法迭代计数器k;
306)更新粒子速度矢量Vi,更新位置矢量Xi,更新个体最优位置更新计数器种群中的每个粒子都完成上述的更新后,更新全局最优位置pg;
307)建立集合Λ(k),选择最坏粒子,用一个随机生成的粒子替换该粒子,并更新该粒子的个体最优位置,清零该粒子的计数器;
308)算法迭代次数加1,即k=k+1;
309)若k<kmax,转步骤306),否则转步骤3010);
3010)pg为算法运行最优结果,即最优室内温度控制序列Tin*,计算空调系统在各种随机情景下的能耗序列,根据式(6)和式(9)计算舒适度指标和用电费用指标;室内温度控制序列Tin*代表各时隙的室内温度目标值序列,相应能耗序列根据Tin*利用能量消耗模型计算;
3011)用户判断用电费用指标、舒适度指标是否满足要求,若满足,Tin*即为控制系统运行时的最优室内温度控制序列,按照Tin*对空调的运行进行控制;否则,转步骤304)。
4.根据权利要求3所述的节能控制方法,其特征在于,在步骤306)中,包括以下步骤:
根据式(13)更新粒子速度矢量Vi,根据式(14)更新位置矢量Xi,根据式(15)更新个体最优位置更新计数器种群中的每个粒子都完成上述的更新后,根据式(16)更新全局最优位置pg;
式(13):vij(k+1)=w(k)vij(k)+c1r1[pij-xxj(k)]+c2r2[pgj-xxj(k)];
式(13)中,c1和c2为学习因子,为PSO算法的控制参数;r1和r2是区间[0,1]上均匀分布的随机数;
式(14):xij(k+1)=xij(k)+vij(k+1);
式(15):
式(15)中,fit()为适应度函数;
式(16):
5.根据权利要求3所述的节能控制方法,其特征在于,在步骤3010)中,根据式(1)计算空调系统在各种随机情景下的能耗序列:
式(1):
式(1)中:t为时隙序号,t=1,2...,n,n为优化控制区间内的总时隙数;为时隙t内的室内温度、、Tt out为时隙t内的室外温度;qt为时隙t内空调系统的耗电量;ε、A和η分别为系统惯量、热传导系数和空调系统效率系数;当空调运行在制冷模式下,式(1)中的“±”号取“-”,当空调运行在加热模式下,式(1)中的“±”号取“+”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811427281.3A CN109343461A (zh) | 2018-11-27 | 2018-11-27 | 一种楼宇自动化控制系统的节能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811427281.3A CN109343461A (zh) | 2018-11-27 | 2018-11-27 | 一种楼宇自动化控制系统的节能控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109343461A true CN109343461A (zh) | 2019-02-15 |
Family
ID=65318454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811427281.3A Pending CN109343461A (zh) | 2018-11-27 | 2018-11-27 | 一种楼宇自动化控制系统的节能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109343461A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908283A (zh) * | 2019-12-05 | 2020-03-24 | 国网冀北电力有限公司承德供电公司 | 电采暖设备控制方法、装置及系统 |
CN110989717A (zh) * | 2019-12-18 | 2020-04-10 | 山东大学 | 一种温度控制系统调控时刻的决策方法及系统 |
CN117073147A (zh) * | 2023-10-12 | 2023-11-17 | 方恒通风设备(江苏)有限公司 | 一种用于楼宇自动控制的智能空调控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202304091U (zh) * | 2011-10-09 | 2012-07-04 | 华北电力大学 | 适应峰谷阶梯电价的住宅空调系统 |
CN104019524A (zh) * | 2014-06-23 | 2014-09-03 | 珠海格力电器股份有限公司 | 空调器的调控方法、装置 |
CN104778631A (zh) * | 2015-03-11 | 2015-07-15 | 国家电网公司 | 一种面向需求响应的居民用户用电模式优化方法 |
CN106022548A (zh) * | 2016-07-11 | 2016-10-12 | 东南大学 | 一种针对聚合空调的变时段尖峰电价优化方法 |
CN107676925A (zh) * | 2017-11-27 | 2018-02-09 | 中山路得斯空调有限公司 | 一种计算中央空调系统储冷设备的用电量的方法 |
-
2018
- 2018-11-27 CN CN201811427281.3A patent/CN109343461A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202304091U (zh) * | 2011-10-09 | 2012-07-04 | 华北电力大学 | 适应峰谷阶梯电价的住宅空调系统 |
CN104019524A (zh) * | 2014-06-23 | 2014-09-03 | 珠海格力电器股份有限公司 | 空调器的调控方法、装置 |
CN104778631A (zh) * | 2015-03-11 | 2015-07-15 | 国家电网公司 | 一种面向需求响应的居民用户用电模式优化方法 |
CN106022548A (zh) * | 2016-07-11 | 2016-10-12 | 东南大学 | 一种针对聚合空调的变时段尖峰电价优化方法 |
CN107676925A (zh) * | 2017-11-27 | 2018-02-09 | 中山路得斯空调有限公司 | 一种计算中央空调系统储冷设备的用电量的方法 |
Non-Patent Citations (1)
Title |
---|
张延宇 等: "智能电网环境下空调系统多目标优化控制算法", 《电网技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908283A (zh) * | 2019-12-05 | 2020-03-24 | 国网冀北电力有限公司承德供电公司 | 电采暖设备控制方法、装置及系统 |
CN110989717A (zh) * | 2019-12-18 | 2020-04-10 | 山东大学 | 一种温度控制系统调控时刻的决策方法及系统 |
CN117073147A (zh) * | 2023-10-12 | 2023-11-17 | 方恒通风设备(江苏)有限公司 | 一种用于楼宇自动控制的智能空调控制方法及系统 |
CN117073147B (zh) * | 2023-10-12 | 2023-12-22 | 方恒通风设备(江苏)有限公司 | 一种用于楼宇自动控制的智能空调控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866641B (zh) | 计及源储荷协同的多能互补系统两级优化调度方法及系统 | |
JP6976976B2 (ja) | マルチレベルモデル予測制御のシステムと方法 | |
CN105320118B (zh) | 基于云平台的空调系统电力需求响应控制方法 | |
US9310792B2 (en) | Scheduling and modeling the operation of controllable and non-controllable electronic devices | |
US11971185B2 (en) | Method for improving the performance of the energy management in a nearly zero energy building | |
CN107906675B (zh) | 一种基于用户需求的中央空调集群优化控制方法 | |
Abdulaal et al. | Two-stage discrete-continuous multi-objective load optimization: An industrial consumer utility approach to demand response | |
CN110322056A (zh) | 一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法 | |
CN109343461A (zh) | 一种楼宇自动化控制系统的节能控制方法 | |
CN110474370B (zh) | 一种空调可控负荷、光伏储能系统的协同控制系统及方法 | |
Soares et al. | Using reinforcement learning for maximizing residential self-consumption–Results from a field test | |
Zhou et al. | A dynamic water-filling method for real-time HVAC load control based on model predictive control | |
Zhang et al. | Fair energy resource allocation by minority game algorithm for smart buildings | |
Zhu et al. | Real-time pricing considering different type of smart home appliances based on Markov decision process | |
JP2013047597A (ja) | ヒートポンプシステム、その制御方法及びプログラム | |
Yelisetti et al. | Energy consumption cost benefits through smart home energy management in residential buildings: An indian case study | |
Forouzandehmehr et al. | A satisfaction game for heating, ventilation and air conditioning control of smart buildings | |
CN116247682B (zh) | 蓄热式电采暖参与配电网负荷调控方法、装置及存储介质 | |
CN112288161A (zh) | 一种居民错峰用电优化方法和装置 | |
CN116488223A (zh) | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 | |
CN111523697A (zh) | 一种综合能源服务成本分摊与定价计算方法 | |
CN114936529A (zh) | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 | |
CN113673830A (zh) | 基于非侵入式负荷监测技术的自适应家庭能量管理方法 | |
Shen et al. | Multi-objective optimal scheduling considering low-carbon operation of air conditioner load with dynamic carbon emission factors | |
Pan et al. | Home energy management strategy to schedule multiple types of loads and energy storage device with consideration of user comfort: a deep reinforcement learning based approach |
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: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |