CN109460873A - 空调系统运行优化方法和装置 - Google Patents
空调系统运行优化方法和装置 Download PDFInfo
- Publication number
- CN109460873A CN109460873A CN201811355779.3A CN201811355779A CN109460873A CN 109460873 A CN109460873 A CN 109460873A CN 201811355779 A CN201811355779 A CN 201811355779A CN 109460873 A CN109460873 A CN 109460873A
- Authority
- CN
- China
- Prior art keywords
- data
- air
- conditioning system
- system operation
- mining analysis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000004378 air conditioning Methods 0.000 title claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000007418 data mining Methods 0.000 claims abstract description 28
- 238000005065 mining Methods 0.000 claims abstract description 15
- 238000003672 processing method Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 33
- 238000010606 normalization Methods 0.000 claims description 18
- 238000005201 scrubbing Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 3
- 238000009833 condensation Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005422 blasting Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 14
- 238000005457 optimization Methods 0.000 abstract description 10
- 238000011022 operating instruction Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000000498 cooling water Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- F24F11/89—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种空调系统运行优化方法和装置。本申请的技术方案通过从建筑运行数据库采集空调系统运行数据；对所述空调系统运行数据进行预处理；利用大数据处理方法对所述经预处理后的空调系统运行数据进行挖掘分析；结合数据挖掘分析结果，根据专家算法数据库和先验知识库知识给出运行优化建议。该方法能够诊断空调系统运行故障、给出空调系统的预测性控制指令、优化运行指令等，改善运行，节省能耗。
Description
技术领域
本申请涉及建筑运行优化节能技术领域，具体而言，涉及一种基于大数据技术对空调系统的运行进行诊断、优化、控制的方法。
背景技术
围绕服务支撑全国科创中心建设，未来科学城在城市建设过程中充分运用物联网、云计算、大数据、智慧能源、智能建筑、智能交通等科技手段，打造绿色生态的智能城市试验区。大数据技术是最近数年备受关注、被认为是极具应用价值的科学技术，基于大数据技术的建筑运行优化，是未来科学城智能城市试验区建设中重点关注和应用的重大共性技术之一。建筑在运行过程中，积累了大量的数据，如果对这些海量数据进行深入挖掘分析，将对改善与优化建筑运行、节省建筑能耗具有重大作用。
发明内容
有鉴于此，本申请提供了一种空调系统运行优化方法，通过对建筑运行数据进行挖掘分析，诊断空调系统运行故障、给出空调系统的预测性控制指令、优化运行指令等，改善运行，节省能耗。
第一方面，提供了一种空调系统运行优化方法，所述方法包括：
从建筑运行数据库采集空调系统运行数据；
对所述空调系统运行数据进行预处理；
利用大数据处理方法对所述经预处理后的空调系统运行数据进行挖掘分析；
结合数据挖掘分析结果，根据专家算法数据库和先验知识库知识给出运行优化建议。
优选地，对所述空调系统运行数据进行预处理包括数据清理、数据标准化和异常值检测。
优选地，所述数据清理采用的方法包括滑动平均法、填充法和推理法中的至少一种。
优选地，所述数据标准化采用的方法包括最大-最小值归一法、Z零点归一法和小数点归一化法中的至少一种。
优选地，所述异常值检测采用的方法包括图形法、模型法和混合方法中的至少一种。
优选地，所述大数据处理方法包括假设检验、显著性分析、数据聚类、数据关联和数据融合处理中的至少一种。
优选地，所述方法还包括结合数据挖掘分析结果，根据先验知识对所述数据挖掘分析结果进行知识解释和表达。
优选地，所述空调系统运行数据包括室内温度、室内湿度、室内CO2浓度、室外温度、室外湿度、室外CO2浓度、风机压头、风机耗电功率、过滤器阻力、送风量、送风温度、送风湿度、水泵扬程、水泵耗电功率、水流量、冷机/热泵出水温度、冷机/热泵进水温度、冷机/热泵耗电功率、冷机/热泵蒸发器阻力、冷机/热泵冷凝器阻力、冷机/热泵蒸发温度、冷机/热泵冷凝温度、换热器进水温度、换热器出水温度、换热器阻力、锅炉进水温度、锅炉出水温度、锅炉水阻力、锅炉排烟温度、锅炉燃料消耗量。
第二方面，提供了一种空调系统运行优化装置，所述装置包括：
采集模块，用于从建筑运行数据库采集空调系统运行数据；
预处理模块，用于对所述空调系统运行数据进行预处理；
挖掘分析模块，用于利用大数据处理方法对所述经预处理后的空调系统运行数据进行挖掘分析；
运行优化模块，用于结合数据挖掘分析结果，根据专家算法数据库和先验知识库知识给出运行优化建议。
所述装置还包括挖掘结果释义模块，用于结合数据挖掘分析结果，根据先验知识对所述数据挖掘分析结果进行知识解释和表达。
本申请通过从建筑运行数据库采集空调系统运行数据；对所述空调系统运行数据进行预处理；利用大数据处理方法对所述经预处理后的空调系统运行数据进行挖掘分析；结合数据挖掘分析结果，根据专家算法数据库和先验知识库知识给出运行优化建议。该方法能够诊断空调系统运行故障、给出空调系统的预测性控制指令、优化运行指令等，改善运行，节省能耗。
附图说明
通过以下参照附图对本申请实施例的描述，本申请的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本申请实施例空调系统优化运行方法流程示意图；
图2是本申请一个实施例对空调冷水机组的运行数据进行数据分析的示意图；
图3是本申请另一个实施例对室内环境数据与单位时间室内平均人数进行关联数据分析的示意图；
图4是本申请另一个实施例对视频数据和二氧化碳浓度数据进行数据分析的示意图；
图5是图4实施例挖掘分析的结果示意图；
图6是本申请实施例空调系统优化运行装置结构示意图。
具体实施方式
以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
本申请可以各种形式呈现，以下将描述其中一些示例。
图1是本申请实施例空调系统运行优化方法流程示意图。该方法基于大数据技术对空调系统运行进行优化。如图1所示，该方法包括如下步骤：
在步骤S110，从建筑运行数据库采集空调系统运行数据。
在本实施例中，通过BACNet(智能建筑的通信协议)、OPC(OLE for ProcessControl,用于过程控制的OLE)、API(Application Programming Interface,应用程序编程接口)、GBXML(一种中间数据)等数据接口协议，从建筑运行数据库(楼宇自控系统BAS、建筑能耗管理系统BEMS等)采集空调系统运行数据。所述空调系统运行数据包括室内温度、室内湿度、室内CO2浓度、室外温度、室外湿度、室外CO2浓度、风机压头、风机耗电功率、过滤器阻力、送风量、送风温度、送风湿度、水泵扬程、水泵耗电功率、水流量、冷机/热泵出水温度、冷机/热泵进水温度、冷机/热泵耗电功率、冷机/热泵蒸发器阻力、冷机/热泵冷凝器阻力、冷机/热泵蒸发温度、冷机/热泵冷凝温度、换热器进水温度、换热器出水温度、换热器阻力、锅炉进水温度、锅炉出水温度、锅炉水阻力、锅炉排烟温度、锅炉燃料消耗量等。
楼宇自控系统BAS与能源管理系统BEMS功能不同，通常是独立分开的，数据也是分开存储，为了保证采集到的运行数据包括空调系统运行的全部数据，需要从建筑运行数据库中(楼宇自控系统BAS、建筑能耗管理系统BEMS等)采集数据。
在步骤S120，对所述空调系统运行数据进行预处理。
在本实施例中，数据预处理包括数据清理、数据标准化和异常值检测步骤，目的是获得符合下一步数据挖掘需要的高质量的数据。
所述数据清理是指发现并纠正数据文件中可识别的错误的一道程序，包括检查数据一致性，处理无效值和缺失值等，主要用于解决数据质量问题。数据清理采用的方法包括但不限于滑动平均法、填充法和推理法。
滑动平均法(moving average)又称移动平均法。在简单平均数法基础上，通过顺序逐期增减新旧数据求算移动平均值，借以消除偶然变动因素，找出事物发展趋势，并据此进行预测的方法。
一般来说，动态测试数据由确定性成分和随机性成分组成，且前者为所需的测量结果或有效信号，后者即随机起伏的测试误差或噪声，经离散化采样后，可相应地将动态测试数据写成：
yj＝fj+ej j＝1，2，…，N (1)
为了更精确地表示测量结果，抑制随机误差{ej}的影响，常对动态测试数据(yj}作平滑和滤波处理。具体地说，就是对非平稳的数据{yj}，在适当的小区间上视为接近平稳的，而作某种局部平均，以减小{ej}所造成的随机起伏。这样沿全长N个数据逐一小区间上进行不断的局部平均，即可得出较平滑的测量结果{fj}，而滤掉频繁起伏的随机误差。
填充法可以根据同一字段的数据填充，例如均值、中位数、众数等；根据其他字段的数据填充；设定一个全局变量，例如缺失值用“unknown”等填充；直接剔除，避免缺失值过多影响结果；建模法，可以用回归、使用贝叶斯形式化方法的基于推理的工具或决策树归纳确定。
推理法也是找出数据存在的规律，并据此进行预测的方法。
除以上列举的集中数据清理方法外，还可以包括其他可以用与数据清理的方法，例如简单的规则库等检查数据，或使用不同属性间的约束、外部的数据来检测和清理数据。对于数据清理的方法本发明并不做具体限定，可以根据实际需要选择合适的数据清理方法。无论采用哪一种方法处理，目的是保证数据的高质量。
为了统一比较的标准，保证结果的可靠性，我们在分析数据之前，还需要对所述进行清理后的数据进行一定的处理。数据标准化用于解决不同数据源的数据度量单位不同的问题，保证数据的一致性。
数据的标准化，是通过一定的数学变换方式，将原始数据按照一定的比例进行转换，使之落入到一个小的特定区间内，例如0～1或-1～1的区间内，消除不同变量之间性质、量纲、数量级等特征属性的差异，将其转化为一个无量纲的相对数值，也就是标准化数值，使各指标的数值都处于同一个数量级别上，从而便于不同单位或数量级的指标能够进行综合分析和比较。数据标准化采用的方法包括但不限于最大-最小值归一化法、Z零点归一法和小数点归一化法。
最大-最小值归一化法是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过Min-max归一化映射成在区间【0，1】中的值，其公式为：
新数据＝(原数据-极小值)/(极大值-极小值)
Z零点归一法基于原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。将A的原始值x使用z-score标准化到x’。Z零点归一法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
新数据＝(原数据-均值)/标准差
小数点归一化法通过移动数据的小数点位置来进行标准化。小数点移动多少位取决于属性A的取值中的最大绝对值。将属性A的原始值x使用decimal scaling标准化到x’的计算方法是
x’＝x/(10*j),j是满足条件的最小整数。
除上面提到的数据标准化以外，还有对数Logistic模式、模糊量化模式等等。对于标准化的方法本发明并不做限定。经过上述标准化处理，原始数据转换为无量纲话指标测评值，即个指标值都处于同一个数量级别上，可以进行综合测评分析。异常值检测用于发现异常运行数据，剔除异常数据，保证数据的准确性。异常值检测包括但不限于图形法(如正态概率图的分析)、模型法(如统计模型校验)和混合方法(如象形图校验)等。
在步骤S130，利用大数据处理方法对所述经预处理后的空调系统运行数据进行挖掘分析。
本实施例中，针对步骤S120预处理后的空调系统运行数据进行深度挖掘。大数据处理方法包括假设检验、显著性分析、数据聚类、数据关联和数据融合中的至少一种。通过数据挖掘分析，一种方法，可以挖掘到一种结论，对于同一组大数据，可以用不同的方法，挖掘到不同的结论，结合挖掘结果，可以诊断故障、发现规律，为运行优化提供依据。
在步骤S140，结合数据挖掘分析结果，根据专家算法数据库和先验知识库知识给出运行优化建议。
本实施例中，专家算法数据库是将具有可参考性的在处理某一问题或者某类问题的思想和动作算法化，形成的一套完备的针对各类分析结果给出处理建议的处理逻辑的集合，可以是利用计算机算法(如神经网络算法等)得出的可参考性结论。先验知识库是在先经过验证的相关知识的数据集合。专家算法数据库和先验知识数据库可以是二维或者多维度数据表，针对不同数据挖掘结果，通过查询即可得到相应的处理优化建议，包括故障诊断、预测控制、优化运行指令等。
其中，结合数据挖掘得到的结果，还能够根据先验知识库知识等对数据挖掘结果进行知识解释和表达。
本申请结合数据挖掘得到的结果，根据专家算法数据库和先验知识库知识等给出故障诊断结果、预测性控制指令、优化运行指令等，改善运行，节省能耗。
以下通过举例说明采用本优化方法对空调冷水机组的运行数据进行数据挖掘的结果。
图2为本发明一个实施例采用数据聚类方法对空调冷水机组的运行数据进行数据挖掘的结果。在本实施例中，图2的横轴表示冷却水进出水温差，纵轴表示冷冻水的进出水温差。从聚类结果可以看出，冷机运行数据分为很明显的两类，两个聚类的中心坐标分别是A(1.47,0.86)和B(4.81,4.57)，两个聚类的数据点数量分别为480和2680。根据专家算法数据库和先验知识库知识，中心坐标为(1.47,0.86)的聚类点A，说明冷冻水、冷却水的供回水温差都较低，远远低于额定的5℃温差，说明水泵流量过大，可以通过降低水泵水量，节省水泵能耗，存在较大的节能空间。按照水泵能耗E_pump＝GΔp＝sG^3进行粗略估算，如果冷冻水、冷却水的供回水温差的聚类中心点由A(1.47,0.86)变为B(4.81,4.57)，那么水泵流量G将变为原来的1/3,水泵能耗将变为原来的3.7％，节省水泵能耗96.3％。因此，结合数据挖掘分析的结果，根据专家算法库和先验知识库知识，给出的运行建议为将冷冻水、冷却水的供回水温差的聚类中心点调整到B点。
图3为本发明的另一个实施例采用数据关联方法对空调开度(AC)、室内温度(in_temp)、室外温度(out_temp)、室内湿度(in_humi)、室外湿度(out_humi)、照明灯具的开关状态(lights＝OFF)、耗电功率(Power)、二氧化碳浓度(co2)、时间(time)九种室内环境数据为输入，与单位时间室内平均人数(human_num)进行了关联分析进行数据挖掘分析，得到数据挖掘例如图3所示。
在本实施例中，图3中的圆圈面积大小表示该种输入-关联组合在总数据中出现的比例的大小，圆圈面积越大，该组合在总数据集中所占比例越大。颜色浓淡表示关联度的大小，颜色越浓，关联度越大。根据专家算法数据库和先验知识库知识，从图3可以看出，数据占比最大、关联度也最大的工况是时间(time)0:00-8:00、二氧化碳浓度(co2)<500、单位时间室内平均人数(human_num)<0.5的工况，这是夜间工况，说明夜间数据非常稳定，可以实现较高精确度的室内人数识别、渗透风换气参数辨识等。因此，结合数据挖掘分析的结果，根据专家算法库和先验知识库知识，得出夜间工况时，能够实现较高精确度的室内人数识别、渗透风换气参数辨识等。
图4本发明的另一个实施例采用数据融合方法对视频数据和二氧化碳浓度数据进行数据分析，用于提高室内人数的识别精度。本实施例中视频数据和二氧化碳浓度数据的融合方法如图4所示，照度低于50lux或者人数变化少的时段0:00-7:00采用人数识别精度高的二氧化碳浓度方法进行人数识别，照度高于50lux或者人数变化多的时段7:00-24:00采用人数识别精度高的视频识别方法进行人数识别。两种数据融合的识别例如图5所示。图5中的粗线表示真实的室内人数的随时间的变化曲线，细线表示基于二氧化碳浓度识别的室内人数的随时间的变化曲线，中空线表示基于视频数据识别的室内人数的随时间的变化曲线。根据专家算法数据库和先验知识库知识，从图中可以看出，室内人数识别结果与实际室内人数吻合较好，识别精度达到了91％。
除上面提到的几种数据分析方法以外，还包括假设检验、显著性分析等等，对于大数据处理的方法本发明并不做限定。通过数据挖掘分析，一种方法，可以挖掘到一种结论，对于同一组大数据，可以用不同的方法，挖掘到不同的结论，结合挖掘结果，可以诊断故障、发现规律，为运行优化提供依据。
本实施例的方法通过从建筑运行数据库采集空调系统运行数据；对所述空调系统运行数据进行预处理；利用大数据处理方法对所述经预处理后的空调系统运行数据进行挖掘分析；结合数据挖掘分析结果，根据专家算法数据库和先验知识库知识给出运行优化建议。该方法能够诊断空调系统运行故障、给出空调系统的预测性控制指令、优化运行指令等，改善运行，节省能耗。
图6是本申请实施例空调系统运行优化装置示意图。该装置基于大数据技术对空调系统运行进行优化。如图6所示，该装置包括：采集模块601，用于从建筑运行数据库采集空调系统运行数据；预处理模块602，用于对所述空调系统运行数据进行预处理；挖掘分析模块603，用于利用大数据处理方法对所述经预处理后的空调系统运行数据进行挖掘分析；运行优化模块604，用于结合数据挖掘分析结果，根据专家算法数据库和先验知识库知识给出运行优化建议。
其中，采集模块601通过BACNet、OPC、API、GBXML等数据接口协议，从建筑运行数据库(楼宇自控系统BAS、建筑能耗管理系统BEMS等)采集空调系统运行数据。
预处理模块602对所述空调系统运行数据进行预处理包括但不限于数据清理、数据标准化和异常值检测。
挖掘分析模块603对所述经预处理后的空调系统运行数据进行挖掘分析的处理方法包括但不限于假设检验、显著性分析、数据聚类、数据关联和数据融合处理。
所述装置还包括挖掘结果释义模块605，用于结合数据挖掘分析结果，根据先验知识对所述数据挖掘分析结果进行知识解释和表达。
本申请通过采用假设检验、显著性分析、数据聚类、数据关联、数据融合等大数据处理技术，对空调系统运行数据进行挖掘分析，根据专家算法数据库和先验知识库知识诊断空调系统运行故障、给出空调系统的预测性控制指令、优化运行指令等，改善运行，节省能耗，显著提高了空调系统运行优化的效率。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域技术人员而言，本申请可以有各种改动和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种空调系统运行优化方法，其特征在于，所述方法包括：
从建筑运行数据库采集空调系统运行数据；
对所述空调系统运行数据进行预处理；
利用大数据处理方法对所述经预处理后的空调系统运行数据进行挖掘分析；
结合数据挖掘分析结果，根据专家算法数据库和先验知识库知识给出运行优化建议。
2.根据权利要求1所述的方法，其特征在于，对所述空调系统运行数据进行预处理步骤包括数据清理、数据标准化和异常值检测。
3.根据权利要求2所述的方法，其特征在于，所述数据清理采用的方法包括滑动平均法、填充法和推理法中的至少一种。
4.根据权利要求2所述的方法，其特征在于，所述数据标准化采用的方法包括最大-最小值归一法、Z零点归一法和小数点归一化法中的至少一种。
5.根据权利要求2所述的方法，其特征在于，所述异常值检测采用的方法包括图形法、模型法和混合方法中的至少一种。
6.根据权利要求1所述的方法，其特征在于，所述大数据处理方法包括假设检验、显著性分析、数据聚类、数据关联和数据融合处理中的至少一种。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括结合数据挖掘分析结果，根据先验知识库对所述数据挖掘分析结果进行知识解释和表达。
8.根据权利要求1所述的方法，其特征在于，所述空调系统运行数据包括室内温度、室内湿度、室内CO2浓度、室外温度、室外湿度、室外CO2浓度、风机压头、风机耗电功率、过滤器阻力、送风量、送风温度、送风湿度、水泵扬程、水泵耗电功率、水流量、冷机/热泵出水温度、冷机/热泵进水温度、冷机/热泵耗电功率、冷机/热泵蒸发器阻力、冷机/热泵冷凝器阻力、冷机/热泵蒸发温度、冷机/热泵冷凝温度、换热器进水温度、换热器出水温度、换热器阻力、锅炉进水温度、锅炉出水温度、锅炉水阻力、锅炉排烟温度、锅炉燃料消耗量中的至少一种。
9.一种空调系统运行优化装置，其特征在于，所述装置包括：
采集模块，用于从建筑运行数据库采集空调系统运行数据；
预处理模块，用于对所述空调系统运行数据进行预处理；
挖掘分析模块，用于利用大数据处理方法对所述经预处理后的空调系统运行数据进行挖掘分析；
运行优化模块，用于结合数据挖掘分析结果，根据专家算法数据库、先验知识库知识给出运行优化建议。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括挖掘结果释义模块，用于结合数据挖掘分析结果，根据先验知识对所述数据挖掘分析结果进行知识解释和表达。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811355779.3A CN109460873A (zh) | 2018-11-14 | 2018-11-14 | 空调系统运行优化方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811355779.3A CN109460873A (zh) | 2018-11-14 | 2018-11-14 | 空调系统运行优化方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109460873A true CN109460873A (zh) | 2019-03-12 |
Family
ID=65610496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811355779.3A Pending CN109460873A (zh) | 2018-11-14 | 2018-11-14 | 空调系统运行优化方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109460873A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110594954A (zh) * | 2019-08-14 | 2019-12-20 | 安徽美博智能科技有限公司 | 一种空调故障检测方法以及检测装置 |
| CN110823291A (zh) * | 2019-11-27 | 2020-02-21 | 山东建筑大学 | 基于K-means聚类算法的建筑物室内温湿度环境监测方法与系统 |
| CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
| CN111412579A (zh) * | 2020-03-26 | 2020-07-14 | 上海建工四建集团有限公司 | 一种基于大数据的空调机组故障类型诊断方法和系统 |
| CN111753262A (zh) * | 2020-07-01 | 2020-10-09 | 南京工业大学 | 一种基于概率分析的空调冷却水系统设计方法 |
| CN111831871A (zh) * | 2020-07-07 | 2020-10-27 | 海尔(深圳)研发有限责任公司 | 用于空调工作模式推荐的方法及装置、设备 |
| CN112283876A (zh) * | 2020-10-30 | 2021-01-29 | 青岛海尔空调电子有限公司 | 空调故障预测方法及空调 |
| CN112365029A (zh) * | 2019-09-03 | 2021-02-12 | 深圳市得益节能科技股份有限公司 | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 |
| CN113157768A (zh) * | 2021-04-09 | 2021-07-23 | 天津大学 | 一种暖通空调运行数据关联属性挖掘方法和系统 |
| CN113310171A (zh) * | 2021-05-24 | 2021-08-27 | 浙江大学 | 基于贝叶斯网络单元的中央空调系统故障检测与诊断方法 |
| CN114322634A (zh) * | 2021-12-29 | 2022-04-12 | 博锐尚格科技股份有限公司 | 一种制冷系统策略模型的数据筛选方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091042A (zh) * | 2014-06-15 | 2014-10-08 | 西南交通大学 | 一种基于运行数据对中央空调系统节能诊断及节能潜力分析的方法 |
| US9429960B2 (en) * | 2012-09-05 | 2016-08-30 | Carnegie Mellon University | Integrated information framework for automated performance analysis of heating, ventilation, and air conditioning (HVAC) systems |
| CN106547858A (zh) * | 2016-10-21 | 2017-03-29 | 珠海格力电器股份有限公司 | 一种空调机组大数据分析方法及空调机组 |
| CN207422558U (zh) * | 2017-11-13 | 2018-05-29 | 深圳市云能科技有限公司 | 基于云平台大数据群控节能控制系统 |
| 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 |
-
2018
- 2018-11-14 CN CN201811355779.3A patent/CN109460873A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9429960B2 (en) * | 2012-09-05 | 2016-08-30 | Carnegie Mellon University | Integrated information framework for automated performance analysis of heating, ventilation, and air conditioning (HVAC) systems |
| CN104091042A (zh) * | 2014-06-15 | 2014-10-08 | 西南交通大学 | 一种基于运行数据对中央空调系统节能诊断及节能潜力分析的方法 |
| CN106547858A (zh) * | 2016-10-21 | 2017-03-29 | 珠海格力电器股份有限公司 | 一种空调机组大数据分析方法及空调机组 |
| CN207422558U (zh) * | 2017-11-13 | 2018-05-29 | 深圳市云能科技有限公司 | 基于云平台大数据群控节能控制系统 |
| 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 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110594954A (zh) * | 2019-08-14 | 2019-12-20 | 安徽美博智能科技有限公司 | 一种空调故障检测方法以及检测装置 |
| CN112365029B (zh) * | 2019-09-03 | 2021-08-17 | 深圳市得益节能科技股份有限公司 | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 |
| CN112365029A (zh) * | 2019-09-03 | 2021-02-12 | 深圳市得益节能科技股份有限公司 | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 |
| CN110823291A (zh) * | 2019-11-27 | 2020-02-21 | 山东建筑大学 | 基于K-means聚类算法的建筑物室内温湿度环境监测方法与系统 |
| CN111322716B (zh) * | 2020-02-24 | 2021-08-03 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
| CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
| CN111412579A (zh) * | 2020-03-26 | 2020-07-14 | 上海建工四建集团有限公司 | 一种基于大数据的空调机组故障类型诊断方法和系统 |
| CN111412579B (zh) * | 2020-03-26 | 2022-03-08 | 上海建工四建集团有限公司 | 一种基于大数据的空调机组故障类型诊断方法和系统 |
| CN111753262A (zh) * | 2020-07-01 | 2020-10-09 | 南京工业大学 | 一种基于概率分析的空调冷却水系统设计方法 |
| CN111753262B (zh) * | 2020-07-01 | 2023-07-07 | 南京工业大学 | 一种基于概率分析的空调冷却水系统设计方法 |
| CN111831871A (zh) * | 2020-07-07 | 2020-10-27 | 海尔(深圳)研发有限责任公司 | 用于空调工作模式推荐的方法及装置、设备 |
| CN111831871B (zh) * | 2020-07-07 | 2023-10-24 | 海尔(深圳)研发有限责任公司 | 用于空调工作模式推荐的方法及装置、设备 |
| CN112283876A (zh) * | 2020-10-30 | 2021-01-29 | 青岛海尔空调电子有限公司 | 空调故障预测方法及空调 |
| CN113157768A (zh) * | 2021-04-09 | 2021-07-23 | 天津大学 | 一种暖通空调运行数据关联属性挖掘方法和系统 |
| CN113310171A (zh) * | 2021-05-24 | 2021-08-27 | 浙江大学 | 基于贝叶斯网络单元的中央空调系统故障检测与诊断方法 |
| CN114322634A (zh) * | 2021-12-29 | 2022-04-12 | 博锐尚格科技股份有限公司 | 一种制冷系统策略模型的数据筛选方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460873A (zh) | 空调系统运行优化方法和装置 | |
| Zhao et al. | Artificial intelligence-based fault detection and diagnosis methods for building energy systems: Advantages, challenges and the future | |
| Liu et al. | A data mining-based framework for the identification of daily electricity usage patterns and anomaly detection in building electricity consumption data | |
| Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
| Fan et al. | Temporal knowledge discovery in big BAS data for building energy management | |
| Khan et al. | Fault detection analysis of building energy consumption using data mining techniques | |
| CN109213127A (zh) | 一种基于深度学习的hvac系统渐变故障诊断方法 | |
| Zhu et al. | Fault diagnosis based operation risk evaluation for air conditioning systems in data centers | |
| Yalcintas | An energy benchmarking model based on artificial neural network method with a case example for tropical climates | |
| Hobson et al. | Clustering and motif identification for occupancy-centric control of an air handling unit | |
| CN110500709B (zh) | 空调器运行状态在线判别方法 | |
| CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
| Li et al. | Diagnosis for multiple faults of chiller using ELM-KNN model enhanced by multi-label learning and specific feature combinations | |
| Wang et al. | Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest | |
| CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
| CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
| CN114332540A (zh) | 一种基于大数据的楼宇自动化系统数据标记方法及系统 | |
| Zhang et al. | Graph neural network-based spatio-temporal indoor environment prediction and optimal control for central air-conditioning systems | |
| Salami et al. | Building energy loads prediction using bayesian-based metaheuristic optimized-explainable tree-based model | |
| Shi et al. | A preliminary study on text mining operator logbooks to develop a fault-frequency model | |
| Su et al. | Operating optimization of air-conditioning water system in a subway station using data mining and dynamic system models | |
| CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
| CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
| Yu | Mining hidden knowledge from measured data for improving building energy performance | |
| CN114636212A (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room A102, No. 1 East Road, Future Science City, North Qijia Town, Changping District, Beijing Applicant after: BEIJING FUTURE SCIENCE PARK TECHNOLOGY DEVELOPMENT Co.,Ltd. Applicant after: TSINGHUA University Applicant after: Borui Shangge Technology Co., Ltd Address before: Room A102, No. 1 East Road, Future Science City, North Qijia Town, Changping District, Beijing Applicant before: BEIJING FUTURE SCIENCE PARK TECHNOLOGY DEVELOPMENT Co.,Ltd. Applicant before: TSINGHUA University Applicant before: BEIJING PERSAGY ENERGY SAVING TECHNOLOGY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190312 |