CN109711049B - 一种混合式的地铁空调冷水机组能效估计方法 - Google Patents
一种混合式的地铁空调冷水机组能效估计方法 Download PDFInfo
- Publication number
- CN109711049B CN109711049B CN201811601180.3A CN201811601180A CN109711049B CN 109711049 B CN109711049 B CN 109711049B CN 201811601180 A CN201811601180 A CN 201811601180A CN 109711049 B CN109711049 B CN 109711049B
- Authority
- CN
- China
- Prior art keywords
- model
- energy efficiency
- water
- formula
- semi
- 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
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种混合式的地铁站冷水机组能效估计方法,属于暖通空调领域,主要应用于地铁空调节能优化、地铁站空调故障诊断。包括以下步骤:通过机理分析建立冷水机组能效估计半经验模型,使用该模型估计冷水机组能耗,并获取模型残差值;筛选出对半经验模型残差影响较大且易于获取的独立运行参量;利用支持向量回归机建立半经验模型残差修正模型;结合半经验模型与修正模型的输出,可得到地铁站冷水机组能效估计值。本发明的特点如下:半经验模型估计冷水机组能效具有很高的稳定性但具有一定非线性误差,利用支持向量回归机处理非线性问题的优势对半经验模型误差进行补偿,使混合式模型具有稳定性高、精度高的特点。
Description
技术领域
本发明涉及到暖通空调领域,针对常用的地铁站冷水机组能效估计方法存在非线性误差,导致估计精度较低的问题,提出了一种混合式的地铁空调冷水机组能效估计方法。具体是通过支持向量回归机对估计误差的历史数据进行训练得到误差修正模型,然后结合传统模型与修正模型的输出值得到最终能效估计值。
背景技术
地铁已经成为城市中必不可少的交通方式,同时也是城市交通中的能耗大户。
其中,地铁运营耗能较大,通风空调系统的用电量相当于整个地铁运营总能耗30%-40%。而空调系统水泵能耗约占整个空调系统能耗的15%-20%。空调系统一般是以最大负荷选型,而实际运行中,空调系统大部分时间运行在部分负荷状态下。此时空调水泵也应该在部分负荷状态下运行,但是当前地铁站空调水泵仍普遍采用定频的运行方式,造成了巨大的能源浪费。因此对空调系统变流量优化运行的研究具有较大的节能意义。
而冷水机组变流量能效建模作为变流量优化运行研究中的关键环节,其准确性以及稳定性决定了变流量优化运行的效果。
近十年来,冷水机组变流量能效建模的研究大多围绕对冷水机组热散失等误差做出了一定修正,但是由于一般的半经验模型模型误差具有非线性,模型并不能很好地表征模型误差。同时,在空调系统运行过程中,由于室内负荷等外界条件变化相对缓慢,间隔较短的时间点采集到的数据过于相近。获取大量具有区分度的样本,时间成本较高。为解决这些问题,本发明采用适用于小样本非线性回归的支持向量回归机作为修正器,补偿半经验模型存在的非线性误差。
发明内容
本发明针对常用的地铁站冷水机组能效估计方法存在非线性误差,导致精度较低的问题,提出了基于半经验模型与支持向量机的混合式地铁空调冷水机组能效估计方法。该方法发挥了支持向量机在解决非线性问题上的优势,在保证估计值具有稳定性的前提下很好地修正了传统方法存在的非线性误差,显著提高了传统方法能效估计的精度。
本发明的技术方案为:一种混合式的地铁空调冷水机组能效估计方法,方法包括如下具体步骤:
(1)获取空调运行参数历史数据,主要包括:室外环境温度、室内环境温度、室内湿度、送风温度、回风温度、冷冻水进出水温度、冷冻水流量、冷却水进出水温度、冷却水流量,计算冷负荷、冷水机组能效比,并加入历史数据;
(2)建立蒸发温度模型、冷凝温度模型,利用历史数据对模型参数进行辨识;
(3)利用历史数据以及完成辨识的蒸发温度模型与冷凝温度模型,对冷水机组能效半经验模型参数进行辨识;
(4)重新获取空调运行参数历史数据以及各对应时刻能效半经验模型输出值与误差值,利用灰色关联度分析获得各参数与误差的关联度序列,并选取关联度较高的8个参数作为支持向量回归机的输入参数。
(5)建立基于支持向量机的修正模型,模型输出为能效半经验模型的误差值;
(6)结合能效半经验模型与修正模型获得冷水机组能效估计值。
附图说明
图1是是混合式冷水机组能效估计方法流程示意图;
图2通风空调系统结构示意图;
图3是半经验模型估计效果图;
图4是灰色关联度分析示意图;
图5是修正模型对误差估计效果图;
图6是混合式能效估计方法与半经验方法估计对比图。
具体实施方式
为了使本发明的目的、技术方案以及特点更加清楚明晰,以下示例将结合附图对本发明的技术方案做进一步的说明。所描述的示例只是本发明的一个应用,并不代表全部。
本发明在实施过程中,数据的采集都来源于北京某地铁实训平台的空调机组实际运行数据。从2017/6/1至2017/6/15。采样间隔为5分钟,每天有100个样品,总共有1500个样品。由训练数据集的数据样本从2017/6/1至2017/6/13收集。其余数据样本构成测试数据集,包含200个样本。通过本发明与传统方法估计结果对比分析,来评判所采用的能效估计方法的有效性。使用本方法来对地铁冷水机组能效估计,可以有效的提高估计的精度。混合式冷水机组能效估计方法流程示意图如说明书附图1所示。
北京某地铁实训平台通风空调系统结构示意图如说明书附图2所示。其中冷却塔、冷却水泵以及冷水机组组成冷却水循环系统;冷水机组、冷冻水泵、分集水器组成冷冻水循环系统;空气处理机以及风机盘管分别对应着地铁内的通风系统中的大系统以及小系统。
(1)通过温度传感器、超声波流量计获取空调运行参数历史数据,包括:室外环境温度、室内环境温度、室内湿度、送风温度、回风温度、冷冻水进出水温度、冷冻水流量、冷却水进出水温度、冷却水流量。冷负荷、冷水机组能效比可通过以下公式计算:
冷负荷:
Qe=C·Me·Δt1
式中:Qe为系统的实际冷负荷;C为冷冻水的定压比热;Me为冷冻水的流量;Δt1为冷冻水的进出水温差。
能效比:
式中:COP为能效比;Qe为冷负荷;Pin为压缩机功率。
(2)建立蒸发温度模型、冷凝温度模型,利用Matlab的“xlsread”函数导入历史数据并通过“lsqcurvefit”函数分别对传热系数、传热效率、蒸发温度以及冷凝温度模型参数进行辨识。历史数据中选择导入的变量为:冷冻水进出水温度、冷冻水流量、冷却水进出水温度、冷却水流量。各模型形式以及参数辨识过程如下:
i.对蒸发器传热系数公式进行拟合并计算蒸发器传热效率,具体公式如下:
式中:UAe为蒸发器传热系数;Me为冷冻水流量;Qe为冷负荷;b1、b2、b3分别为蒸发器水侧、制冷剂侧、管路换热热阻,通过最小二乘法参数辨识获得;εe为蒸发器传热效率;cp为水的比热容。
ii.对蒸发温度模型进行拟合,公式如下:
式中:Te为蒸发温度;Tei为蒸发器进水温度;te为冷凝温度补偿系数,通过最小二乘法参数辨识获得。
iii.对冷凝器传热系数公式进行拟合并计算冷凝器传热效率,具体公式如下:
式中:UAc为冷凝器传热系数;Mc为冷却水流量;Pin为压缩机输入功率;b4、b5、b6分别为冷凝器水侧、制冷剂侧、管路换热热阻,通过最小二乘法参数辨识获得;εc为冷凝器传热效率。
iv.对下述冷凝温度模型进行拟合,公式如下:
式中:Tc为冷凝温度;Tco冷凝器出水温度;Δt2为冷却水进出水温差;tc为冷凝温度补偿系数,通过最小二乘法参数辨识获得。
(3)利用Matlab的“xlsread”函数导入历史数据并通过“lsqcurvefit”函数对冷水机组能效半经验模型参数进行辨识。历史数据中选择导入的变量为:冷冻水进出水温度、冷冻水流量、冷却水进出水温度、冷却水流量、冷负荷、冷水机组能效比。具体公式如下:
式中:qc为冷凝器换热损失;qe为蒸发器换热损失,可通过最小二乘法参数辨识获得。
经过拟合后求得qc、qe。半经验模型估计效果图如说明书附图3所示,在COP值较高时,误差较大。平均相对误差为:4.04*10-2,均方误差为9.63*10-2。
(4)重新获取空调运行参数历史数据以及各对应时刻能效半经验模型输出值与误差值。利用Matlab导入数据,将参数室外环境温度、室内环境温度、室内湿度、送风温度、回风温度、冷冻水进出水温度、冷冻水流量、冷却水进出水温度、冷却水流量、冷负荷、实际冷水机组能效比作为被评价序列,半经验模型误差值作为参考序列。通过灰色关联度公式计算各参数与误差的关联度序列,并选取关联度较高的8个参数作为支持向量回归机的输入参数。关联度计算步骤如下:
i.数据无量纲化
式中:xi(k)为第i个无量纲化的被评价序列的第k个数;x’i(k)为第i个原被评价序列的第k个数;x’i(1)为原被评价序列首位。
ii.计算评价序列与参考序列对应元素的相关系数
iii.计算关联度序列
式中:ri为第i个序列的关联度;s为被参考序列数量。
(5)Matlab中导入冷冻水进出水温度、冷冻水流量、冷却水进出水温度、冷却水流量、冷负荷、实际冷水机组能效比作为模型输入参数,导入半经验模型误差值作为模型输出参数。使用“mapminmax”函数对导入参数做归一化处理。然后利用“trainsvm”函数训练基于支持向量机的修正模型。通过“simsvm”函数获取模型输出值,使用“reshape”函数对模型输出反归一化,模型输出为半经验模型的误差值。修正模型对误差估计效果如说明书附图5所示,平均相对误差为:7.13*10-1,均方误差为:4.73*10-2。尽管在某些区段还存在一点偏差,但支持向量机误差修正模型能够较为准确地修正COP0的误差,预测模型对实际值变化趋势的反映也很准确;
(6)结合半经验模型与修正模型获得冷水机组能效估计值。混合式地铁空调冷水机组能效估计方法公式为:
COPr=COP0+etol
式中:COPr为混合式模型输出;COP0为半经验模型输出;etol为误差修正模型输出。
混合式能效估计方法与半经验方法估计对比如说明书附图6所示。本发明平均相对误差为:6.69*10-11,均方误差为3.15*10-2。半经验模型平均相对误差为:4.04*10-2,均方误差为9.63*10-2。可见本发明能显著提高估计精度,同时减小误差波动。
本发明的一种混合式的地铁空调冷水机组能效估计方法不局限于上述示例所属的具体技术方案,凡采用等同替换形成的技术方案均为本发明要求的保护范围。
Claims (4)
1.一种混合式的地铁空调冷水机组能效估计方法,其特征包括以下步骤:
步骤一:获取空调运行参数历史数据,包括:室外环境温度、室内环境温度、室内湿度、送风温度、回风温度、冷冻水进出水温度、冷冻水流量、冷却水进出水温度、冷却水流量,计算冷负荷、冷水机组能效比并加入历史数据;
步骤二:建立蒸发温度模型、冷凝温度模型,利用历史数据对模型参数进行辨识;
步骤三:利用历史数据以及完成辨识的蒸发温度模型与冷凝温度模型,对冷水机组能效半经验模型参数进行辨识;
步骤四:重新获取空调运行参数历史数据以及各对应时刻能效半经验模型输出值与误差值,利用灰色关联度分析获得各参数与误差的关联度序列,并选取关联度最高的8个参数作为支持向量回归机的输入参数;
步骤五:建立基于支持向量机的修正模型,模型输出为能效半经验模型的误差值etol;
步骤六:结合能效半经验模型与修正模型获得冷水机组能效估计值;
所述步骤二中蒸发温度模型、冷凝温度模型如下:
蒸发温度模型:
UAe=(b1Me -0.8+b2Qe -0.745+b3)-1
式中:UAe为蒸发器传热系数;Me为冷冻水流量;Qe为冷负荷;b1、b2、b3分别为蒸发器水侧、制冷剂侧、管路换热热阻,通过最小二乘法参数辨识获得;
式中:εe为蒸发器传热效率;cp为水的比热容;
式中:Te为蒸发温度;Tei为蒸发器进水温度;te为冷凝温度补偿系数,通过最小二乘法参数辨识获得;
冷凝温度模型:
对冷却水侧分析得
式中:UAc为冷凝器传热系数;Mc为冷却水流量;Pin为压缩机输入功率;b4、b5、b6分别为冷凝器水侧、制冷剂侧、管路换热热阻,通过最小二乘法参数辨识获得;
式中:εc为冷凝器传热效率;
式中:Tc为冷凝温度;Tco冷凝器出水温度;Δt2为冷却水进出水温差;tc为冷凝温度补偿系数,通过最小二乘法参数辨识获得;
所述步骤三中冷水机组能效半经验模型如下:
式中:qc为冷凝器换热损失;qe为蒸发器换热损失,通过最小二乘法参数辨识获得;
所述步骤四,灰色关联度分析方法步骤如下:
(1)数据无量纲化
采用的方法为除一法即参数序列各位置都除以本序列第一个数,公式如下:
式中:xi(k)为第i个无量纲化的被评价序列的第k个数;xi'(k)为第i个原被评价序列的第k个数;xi'(1)为原被评价序列首位;
(2)计算评价序列与参考序列对应元素的相关系数
(3)计算关联度序列
式中:ri为第i个序列的关联度;s为被参考序列数量。
3.根据权利要求1所述的一种混合式的地铁空调冷水机组能效估计方法,其特征在于所述步骤五建立基于支持向量机的修正模型,建模步骤如下:
(1)参数归一化
参数归一化处理即将每一项参数中的各位与对应项的最小值作差取绝对值后除以对应项的最大值与最小值之差;
(2)支持向量机模型训练
根据归一化后的数据,采用trainsvm函数对基于支持向量机的修正模型进行训练,得到修正模型输出为etol。
4.根据权利要求1所述的一种混合式的地铁空调冷水机组能效估计方法,其特征在于所述步骤六中,冷水机组能效预测模型和支持向量机修正模型结合方式如下:
COPr=COP0+etol
式中:COPr为混合式模型输出,COP0为半经验模型输出,etol为误差修正模型输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601180.3A CN109711049B (zh) | 2018-12-26 | 2018-12-26 | 一种混合式的地铁空调冷水机组能效估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601180.3A CN109711049B (zh) | 2018-12-26 | 2018-12-26 | 一种混合式的地铁空调冷水机组能效估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711049A CN109711049A (zh) | 2019-05-03 |
CN109711049B true CN109711049B (zh) | 2023-04-18 |
Family
ID=66258256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811601180.3A Active CN109711049B (zh) | 2018-12-26 | 2018-12-26 | 一种混合式的地铁空调冷水机组能效估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711049B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507580B (zh) * | 2020-03-26 | 2023-04-18 | 广西电网有限责任公司电力科学研究院 | 城轨供电系统能效提升评估指标体系和评价的方法 |
CN111651846B (zh) * | 2020-06-02 | 2023-02-03 | 四川长虹空调有限公司 | 一种制冷设备管路设计自动优化方法 |
CN112728737A (zh) * | 2021-01-05 | 2021-04-30 | 青岛海信日立空调系统有限公司 | 一种空调器及云服务器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105627504A (zh) * | 2015-05-28 | 2016-06-01 | 重庆大学 | 基于支持向量机的变风量中央空调系统冷水机组能耗估计方法 |
CN106529021A (zh) * | 2016-11-09 | 2017-03-22 | 东南大学 | 一种基于特征识别的空调系统仿真模拟方法 |
CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
CN108490904A (zh) * | 2018-05-10 | 2018-09-04 | 东北大学 | 一种基于设备多工况运行的能源系统优化调度方法 |
-
2018
- 2018-12-26 CN CN201811601180.3A patent/CN109711049B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105627504A (zh) * | 2015-05-28 | 2016-06-01 | 重庆大学 | 基于支持向量机的变风量中央空调系统冷水机组能耗估计方法 |
CN106529021A (zh) * | 2016-11-09 | 2017-03-22 | 东南大学 | 一种基于特征识别的空调系统仿真模拟方法 |
CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
CN108490904A (zh) * | 2018-05-10 | 2018-09-04 | 东北大学 | 一种基于设备多工况运行的能源系统优化调度方法 |
Non-Patent Citations (1)
Title |
---|
A supervisory control strategy for building cooling water systems for practical and real time applications;Ma Zhenjun等;《Energy Conversion and Management》;20080831;第2324-2336页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109711049A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711049B (zh) | 一种混合式的地铁空调冷水机组能效估计方法 | |
Chen et al. | A fault detection technique for air-source heat pump water chiller/heaters | |
Yoon et al. | Impacts of HVACR temperature sensor offsets on building energy performance and occupant thermal comfort | |
Yao et al. | Global optimization of a central air-conditioning system using decomposition–coordination method | |
CN114484731B (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
CN111486552B (zh) | 基于分项计量数据的空调冷冻水供水温度策略识别方法 | |
US11561019B2 (en) | Performance diagnosis device and performance diagnosis method for air conditioner | |
CN115115143B (zh) | 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法 | |
CN103759961A (zh) | 一种电制冷冷水机组中央空调系统能效评估方法 | |
Qian et al. | Power consumption and energy efficiency of VRF system based on large scale monitoring virtual sensors | |
CN102095927A (zh) | 用于通信基站的节能计量方法 | |
CN111723533B (zh) | 一种地源热泵系统变频水泵节能计算方法 | |
JP6972468B2 (ja) | 空調装置の評価装置および評価方法 | |
CN113432247B (zh) | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 | |
CN113822359B (zh) | 基于残差数据缩放策略的热泵系统自适应故障诊断方法 | |
CN111898814A (zh) | 一种中央空调能耗预测方法及装置 | |
Zhu et al. | A novel multivariate linear prediction model for the marine rotary desiccant air-conditioning by adding a dynamic correction factor | |
WO2018163402A1 (ja) | 空気調和機の性能診断装置及び性能診断方法 | |
CN112149309B (zh) | 一种考虑温度-负荷相关性的调温负荷曲线拟合方法 | |
Yu et al. | Enhanced LSTM framework for water-cooled chiller COP forecasting | |
CN108224548B (zh) | 一种供能天数计算方法 | |
Chen et al. | Application of just-in-time-learning CCA to the health monitoring of a real cold source system | |
CN111076372A (zh) | 一种一次回风空调系统中传感器误差的在线识别与修复方法 | |
CN110929909B (zh) | 一种空气源热泵用户电负荷预测方法 | |
KR100466433B1 (ko) | 터보 냉동기의 성능분석방법 및 장치 |
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 |