CN110322007A - 一种建筑电气节能监控方法 - Google Patents
一种建筑电气节能监控方法 Download PDFInfo
- Publication number
- CN110322007A CN110322007A CN201910609398.1A CN201910609398A CN110322007A CN 110322007 A CN110322007 A CN 110322007A CN 201910609398 A CN201910609398 A CN 201910609398A CN 110322007 A CN110322007 A CN 110322007A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- air
- pressure fan
- conditioning
- energy saving
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004378 air conditioning Methods 0.000 claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- 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
- F24F11/64—Electronic processing using pre-stored data
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/06—Energy or water supply
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/30—Velocity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/30—Artificial light
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种建筑电气节能监控方法,包括:步骤一、监测目标楼宇的环境信息,计算环境影响因子;步骤二、监测中央空调的运行信息,计算空调的运行能力系数;步骤三、监测中央空调的调节面积和室内温度,将上述监测信息与存储的标准信息进行比较分类后得到代表监测区域的监测状态标识符,根据所监测区域的监测状态标识符,确定所监测区域匹配的运行情况。能够对建筑楼宇的中央空调具体环境信息和运行信息进行监测,并在环境变化时进行调节和报警,提高建筑电气节能和监控效率。
Description
技术领域
本发明涉及一种建筑电气节能监控方法,属于节能领域。
背景技术
能源短缺已成为我国同时也成为世界各国面临的一个重大问题,目前, 我国正处于大量消耗煤、石油和天然气等自然资源、原材料以支撑经济高速 增长的工业化时期,能源短缺对我国经济增长的约束已经日趋明显,在此背 景下,节能已成为我国经济可持续发展的关键,同时,建筑作为我国重要的 耗能源,会消耗大量的电能。
供配电系统是建筑电气的重中之重,关系着终端用电负荷能否安全,可 靠的经济运行。供配电系统中电压等级的确定依据负荷量的统计,提高功率 因数等都是提高供电质量、节约能源的途径。
随着国民经济的发展,建筑电气节能问题变得越来越重要,同时也受到 了各级政府部门的重视。我国在建筑电气节能领域的研究还不够完善,还需 要深入开展建筑电气理论研究和实践应用。
根据大量的调查和实验,空调系统是高层楼宇建筑内部营造舒适宜人环 境的重要保障性系统,是高层楼宇住宅居民供热制冷的核心,因此,空调系 统节能是建筑电气节能研究的重中之重。
发明内容
本发明设计开发了一种建筑电气节能监控方法,能够对建筑楼宇的中央 空调具体环境信息和运行信息进行监测,并在环境变化时进行调节和报警, 提高建筑电气节能和监控效率。
本发明的另一发明目的,通过计算环境影响因子和空调运行能力系数, 实现对空调的运行情况进行判断。
本发明的另一发明目的,通过BP神经网络和模糊控制对中央空调的运 行情况进行进行监控,并在出现异常时进行报警,监控精度高,效果好。
本发明提供的技术方案为:
一种建筑电气节能监控方法,包括:
步骤一、监测目标楼宇的环境信息,计算环境影响因子;
步骤二、监测中央空调的运行信息,计算空调的运行能力系数;
步骤三、监测中央空调的调节面积和室内温度,将上述监测信息与存储 的标准信息进行比较分类后得到代表监测区域的监测状态标识符,根据所监 测区域的监测状态标识符,确定所监测区域匹配的运行情况;
当监测状态标识符不存在时,则根据神经网络模型,给出针对所监测信 号的运行类别,包括:
所监测得到的多个监测信号的编码层构建为神经网络模型,在所述神经 网络中对所监测信号进行解析和输出;
将输出结果输入到模糊控制器中,获得表示调节类别的输出向量群,将 其作为调节答案输出。
优选的是,所述目标楼宇的环境信息包括:环境温度T1、环境湿度wet、 环境光照强度λ以及风力等级α。
优选的是,所述环境影响因子的经验公式为:
其中,为环境温度设定值,为环境湿度设定值,为光照强度。
优选的是,所述空调的运行信息包括:风道温度T2、风道压力P、送风 机转速n以及送风机的功率Pe。
优选的是,所述空调的运行能力系数的经验公式为:
其中,为额定功率,为设定的送风机转速,为设定的风道压力,为设定的风道温度,η1为与空调运行能力系数相关的第一常数,η2为与空调 运行能力系数相关的第二常数。
优选的是,所述步骤三中神经网络模型为三层BP神经网络模型,所述 神经网络具体监测过程包括:
步骤1、按照采样周期,采集监测信息包括:调节面积S、室内温度T、 环境系数χ和空调运行能力系数σ,并进行归一化,确定三层BP神经网络的 输入层向量为x={x1,x2,x3,x4};其中,x1为调节面积系数、x2为室内温度系数、 x3为环境影响因子系数、x4为空调运行能力系数;
步骤2、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym}; m为中间层节点个数;
步骤3、得到输出层向量o={o1,o2,o3};o1为出风量调节系数、o2为送风机 电压调节系数,o3为送风机报警系数。
优选的是,所述中间层节点个数m满足:其中,n为输 入层节点个数,p为输出层节点个数;所述中间层及所述输出层的激励函数 均采用S型函数fj(x)=1/(1+e-x)。
优选的是,所述模糊控制器的工作过程包括:
将所述出风量调节系数与设定的出风量调节系数比较得到出风量调节偏 差信号,将所述送风机电压调节系数与设定的送风机电压调节系数比较得到 送风机电压调节偏差信号,将所述送风机报警系数与预设的报警系数比较得 到报警偏差信号;
将出风量调节偏差信号经过微分计算得到出风量调节偏差变化率信号, 送风机电压调节偏差信号经过微分计算得到送风机电压偏差变化率信号,将 送风机报警信号经过微分计算得到送风机报警偏差信号;
将出风量调节偏差变化率信号、送风机调节偏差变化率信号以及报警偏 差变化率信号共同经过放大后输入模糊控制器中,输出调节等级。
本发明所述的有益效果:本方法通过对建筑楼宇的空调运行情况进行监 测,并在环境变化时进行调节和报警,提高建筑电气节能和监控效率,同时 通过计算环境系数和空调运行能力系数,实现对空调的运行情况进行判断, 通过BP神经网络和模糊控制对中央空调的运行情况进行进行监控,并在出 现异常时进行报警,监控精度高,效果好。
具体实施方式
下面对本发明做进一步的详细说明,以令本领域技术人员参照说明书文 字能够据以实施。
本发明提供一种建筑电气节能监控方法,能够对建筑楼宇的中央空调具 体环境信息和运行信息进行监测,并在环境变化时进行调节和报警,提高建 筑电气节能和监控效率,具体包括如下:
步骤一、监测目标楼宇的环境信息,计算环境系数;
其中,目标楼宇的环境信息包括:环境温度T1、环境湿度wet、环境光照 强度λ以及风力等级α;
在另一实施例中,环境系数的经验公式为:
其中,为环境温度设定值,为环境湿度设定值,为光照强度。
步骤二、监测中央空调的运行信息,计算空调的运行能力系数χ;
其中,空调的运行信息包括:风道温度T2、风道压力P、送风机转速n以 及送风机的功率Pe;
在另一实施例中,空调运行能力系数的经验公式为:
其中,为额定功率,为设定的送风机转速,为设定的风道压力,为设定的风道温度,η1为与空调运行能力系数相关的第一常数,η2为与空调 运行能力系数相关的第二常数,η1=0.15~0.35,η2=0.4~0.55.
步骤三、监测中央空调的调节面积和室内温度,将上述监测信息与存储 的标准信息进行比较分类后得到代表监测区域的监测状态标识符,根据所监 测区域的监测状态标识符,确定所监测区域匹配的运行情况;
当监测状态标识符不存在时,则根据神经网络模型,给出针对所监测信 号的运行类别,包括:
将所监测得到的多个监测信号的编码层构建为神经网络模型,在神经网 络中对所监测信号进行解析和输出;
将输出结果输入到模糊控制器中,获得表示调节类别的输出向量群,将 其作为调节答案输出。
其中,在本发明中,神经网络选用三层BP神经网络,具体包括:
步骤1、建立BP神经网络模型;
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节 点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模 块给出。第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确 定。第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入层向量:x=(x1,x2,…,xn)T
中间层向量:y=(y1,y2,…,ym)T
输出层向量:z=(z1,z2,…,zp)T
本发明中,输入层节点数为n=4,输出层节点数为p=3,隐藏层节点数m 由下式估算得出:
输入信号4个参数分别表示为:x1为调节面积系数、x2为室内温度系数、 x3为环境系数、x4为空调运行能力系数
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在 数据输入人工神经网络之前,需要将数据归一化为0-1之间的数值。
归一化的公式为:
具体而言,对于中央空调的调节面积,进行归一化后,得到调节面积系 数x1;
其中,Smin和Smax分别为调节面积的最小值和最大值;
具体而言,对于室内温度,进行归一化后,得到室内温度系数x2;
其中,T1min和T1max分别室内温度的最小值和最大值;
具体而言,对于环境系数,进行归一化后,得到环境系数x3;
其中,χmin和χmax分别为环境系数最小值和最大值
具体而言,对于中央空调运行能力,进行归一后,得到中央空调运行能 力系数x4;,
其中,σmin和σmax分别为中央空调运行能力系数的最大值和最小值。
输出层向量o={o1,o2,o3}的三个参数分别表示为o1为出风量调节系数、o2为 送风机电压调节系数,o3为送风机报警系数
步骤2、进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产 品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的 连接权值,隐层节点j和输出层节点k之间的连接权值。
训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中 的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理 想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与 实际输出一致;各子网训练时的输入样本如表1所示:
表1
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据 在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。 在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络 性能,各子网训练后的输出样本如表2所示:
步骤3、将得到的样本输出层向量输入到模糊控制器中,获得表示调节 类别的向量群,具体如下:
将出风量调节系数o1与设定的空调调节系数比较得到出风量调节 偏差信号,将送风机的电压调节系数o2与设定的送风机的电压调节系数 比较得到送风机电压调节偏差信号,将送风机报警系数与设定的送风 机报警系数进行比较得到送风机报警系数偏差信号;
将出风量调节偏差信号经过微分计算得到出风量调节偏差变化率信号 e1,将送风机电压调节偏差信号经过微分计算得到送风机电压调节偏差变化 率信号e2,将送风机报警偏差信号经过微分计算得到送风机报警系数偏差变 化率e3。
将出风量调节偏差变化率信号e1、送风机电压调节偏差变化率信号e2以 及送风机报警系数偏差变化率e3共同经过放大后输入模糊控制器,输出调节 等级I={I0,I1,I2,I3},其中,I0为正常运行,I1为一级调节,I2为二级调节,I3为报警信号,需要引起注意,必要的时候进行紧急撤离。
其中,e1、e2、e3的实际变化范围分别为[-1,1],[-1,1],[-1,1];离散论域 均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},I的离散论域为{0,1,2,3},
则e1、e2、e3对应的量化因子k1=6/1,k2=6/1,k3=6/1;
定义模糊子集及隶属函数:
把出风量调节偏差变化率信号分为7个模糊状态:PB(正大),PM(正 中),PS(正小),ZR(零),NS(负小),NM(负中),NB(负大),结合经 验得出空调调节变化率信号e1的隶属度函数表,如表3所示
表3
e<sub>1</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | +1 | +2 | +3 | +4 | +5 | +6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 0.8 | 1.0 |
PM | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 0.5 | 1.0 | 0.5 | 0.1 |
PS | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.4 | 1.0 | 0.8 | 0.7 | 0 | 0 |
ZR | 0 | 0 | 0 | 0 | 0.2 | 0.7 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 |
NB | 0 | 0 | 0.3 | 0.6 | 1.0 | 0.8 | 0.5 | 0 | 0 | 0 | 0 | 0 | 0 |
NM | 0.2 | 0.4 | 1.0 | 0.6 | 0.1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
NS | 1.0 | 0.6 | 0.4 | 0.2 | 0 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 | 0 |
把送风机电压调节偏差变化率信号e2分为7个模糊状态:PB(正大), PM(正中),PS(正小),ZR(零),NS(负小),NM(负中),NB(负大), 结合经验得出送风机电压调节偏差变化率信号e2的隶属度函数表,如表4所 示:
表4
把报警系数偏差变化率e3分为三个模糊状态:PB(正大),ZR(零),NB (负大),结合经验报警系数偏差变化率e3的隶属的函数表,如表5所示
表5
e<sub>3</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | +1 | +2 | +3 | +4 | +5 | +6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.4 | 0.8 | 1.0 |
ZR | 0 | 0 | 0 | 0 | 0.2 | 0.7 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 |
NS | 1.0 | 0.6 | 0.4 | 0.2 | 0 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 | 0 |
模糊推理过程必须执行复杂的矩阵运算,计算量非常大,在线实施推理 很难满足控制系统实时性的要求,本发明采用查表法进行模糊推理运算,模 糊推理决策采用三输入单输出的方式通过经验可以总结出模糊控制器的初步 控制规则,模糊控制器根据得出的模糊值对输出信号进行解模糊化,得到调 节等级I,求模糊控制查询表,由于论域是离散的,模糊控制规则及可以表示 为一个模糊矩阵,采用单点模糊化,得出I控制规则见表5。
表6
通过BP神经网络和模糊控制对中央空调的运行情况进行进行监控,并 在出现异常时进行报警,监控精度高,效果好。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方 式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领 域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范 围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实 施例。
Claims (8)
1.一种建筑电气节能监控方法,其特征在于,包括:
步骤一、监测目标楼宇的环境信息,计算环境影响因子;
步骤二、监测中央空调的运行信息,计算空调的运行能力系数;
步骤三、监测中央空调的调节面积和室内温度,将上述监测信息与存储的标准信息进行比较分类后得到代表监测区域的监测状态标识符,根据所监测区域的监测状态标识符,确定所监测区域匹配的运行情况;
当监测状态标识符不存在时,则根据神经网络模型,给出针对所监测信号的运行类别,包括:
所监测得到的多个监测信号的编码层构建为神经网络模型,在所述神经网络中对所监测信号进行解析和输出;
将输出结果输入到模糊控制器中,获得表示调节类别的输出向量群,将其作为调节答案输出。
2.根据权利要求1所述的建筑电气节能监控方法,其特征在于,所述目标楼宇的环境信息包括:环境温度T1、环境湿度wet、环境光照强度λ以及风力等级α。
3.根据权利要求2所述的建筑电气节能监控方法,其特征在于,所述环境影响因子的经验公式为:
其中,为环境温度设定值,为环境湿度设定值,为光照强度。
4.根据权利要求3所述的建筑电气节能监控方法,其特征在于,所述空调的运行信息包括:风道温度T2、风道压力P、送风机转速n以及送风机的功率Pe。
5.根据权利要求4所述的建筑电气节能监控方法,其特征在于,所述空调的运行能力系数的经验公式为:
其中,为额定功率,为设定的送风机转速,为设定的风道压力,为设定的风道温度,η1为与空调运行能力系数相关的第一常数,η2为与空调运行能力系数相关的第二常数。
6.根据权利要求5所述的建筑电气节能监控方法,其特征在于,所述步骤三中神经网络模型为三层BP神经网络模型,所述神经网络具体监测过程包括:
步骤1、按照采样周期,采集监测信息包括:调节面积S、室内温度T、环境系数χ和空调运行能力系数σ,并进行归一化,确定三层BP神经网络的输入层向量为x={x1,x2,x3,x4};其中,x1为调节面积系数、x2为室内温度系数、x3为环境影响因子系数、x4为空调运行能力系数;
步骤2、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤3、得到输出层向量o={o1,o2,o3};o1为出风量调节系数、o2为送风机电压调节系数,o3为送风机报警系数。
7.根据权利要求6所述的建筑电气节能监控方法,其特征在于,所述中间层节点个数m满足:其中,n为输入层节点个数,p为输出层节点个数;所述中间层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
8.根据权利要求7所述的建筑电气节能监控方法,其特征在于,所述模糊控制器的工作过程包括:
将所述出风量调节系数与设定的出风量调节系数比较得到出风量调节偏差信号,将所述送风机电压调节系数与设定的送风机电压调节系数比较得到送风机电压调节偏差信号,将所述送风机报警系数与预设的报警系数比较得到报警偏差信号;
将出风量调节偏差信号经过微分计算得到出风量调节偏差变化率信号,送风机电压调节偏差信号经过微分计算得到送风机电压偏差变化率信号,将送风机报警信号经过微分计算得到送风机报警偏差信号;
将出风量调节偏差变化率信号、送风机调节偏差变化率信号以及报警偏差变化率信号共同经过放大后输入模糊控制器中,输出调节等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910609398.1A CN110322007B (zh) | 2019-07-08 | 2019-07-08 | 一种建筑电气节能监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910609398.1A CN110322007B (zh) | 2019-07-08 | 2019-07-08 | 一种建筑电气节能监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322007A true CN110322007A (zh) | 2019-10-11 |
CN110322007B CN110322007B (zh) | 2021-07-23 |
Family
ID=68123056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910609398.1A Active CN110322007B (zh) | 2019-07-08 | 2019-07-08 | 一种建筑电气节能监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322007B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191939A (zh) * | 2019-12-31 | 2020-05-22 | 重庆特斯联智慧科技股份有限公司 | 一种基于物联传感的建筑节能方法和系统 |
CN113970169A (zh) * | 2021-11-29 | 2022-01-25 | 中国人民解放军陆军装甲兵学院士官学校 | 一种用于中央空调的电气节能控制方法 |
CN114401295A (zh) * | 2022-01-24 | 2022-04-26 | 吉林建筑大学 | 一种基于物联网的建筑安全监测方法 |
CN114415518A (zh) * | 2022-01-24 | 2022-04-29 | 吉林建筑大学 | 一种绿色建筑节能方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088576A1 (en) * | 2012-05-04 | 2015-03-26 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model |
CN105320184A (zh) * | 2014-11-26 | 2016-02-10 | 华北电力大学 | 建筑室内环境智能监控系统 |
CN105371432A (zh) * | 2015-11-20 | 2016-03-02 | Tcl空调器(中山)有限公司 | 空调器及空调器的控制方法 |
CN107006299A (zh) * | 2017-05-25 | 2017-08-04 | 苏州市林木生态农业发展有限公司 | 一种具有光照装置的作物种植大棚系统 |
CN107166634A (zh) * | 2017-04-25 | 2017-09-15 | 青岛海尔空调器有限总公司 | 一种空调器及其控制方法 |
CN109857177A (zh) * | 2019-03-13 | 2019-06-07 | 吉林建筑大学 | 一种建筑电气节能监测方法 |
CN109932896A (zh) * | 2019-03-22 | 2019-06-25 | 易科智控科技(北京)有限公司 | 一种建筑能耗的控制方法和系统 |
CN109946987A (zh) * | 2019-03-27 | 2019-06-28 | 吉林建筑大学 | 一种基于互联网的老年人生活环境优化监控方法 |
-
2019
- 2019-07-08 CN CN201910609398.1A patent/CN110322007B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088576A1 (en) * | 2012-05-04 | 2015-03-26 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model |
CN105320184A (zh) * | 2014-11-26 | 2016-02-10 | 华北电力大学 | 建筑室内环境智能监控系统 |
CN105371432A (zh) * | 2015-11-20 | 2016-03-02 | Tcl空调器(中山)有限公司 | 空调器及空调器的控制方法 |
CN107166634A (zh) * | 2017-04-25 | 2017-09-15 | 青岛海尔空调器有限总公司 | 一种空调器及其控制方法 |
CN107006299A (zh) * | 2017-05-25 | 2017-08-04 | 苏州市林木生态农业发展有限公司 | 一种具有光照装置的作物种植大棚系统 |
CN109857177A (zh) * | 2019-03-13 | 2019-06-07 | 吉林建筑大学 | 一种建筑电气节能监测方法 |
CN109932896A (zh) * | 2019-03-22 | 2019-06-25 | 易科智控科技(北京)有限公司 | 一种建筑能耗的控制方法和系统 |
CN109946987A (zh) * | 2019-03-27 | 2019-06-28 | 吉林建筑大学 | 一种基于互联网的老年人生活环境优化监控方法 |
Non-Patent Citations (2)
Title |
---|
王文忠: "神经网络在中央空调监控系统中的应用及系统集成研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 * |
黄存柱: "舒适性中央空调的智能控制研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191939A (zh) * | 2019-12-31 | 2020-05-22 | 重庆特斯联智慧科技股份有限公司 | 一种基于物联传感的建筑节能方法和系统 |
CN111191939B (zh) * | 2019-12-31 | 2021-06-15 | 重庆特斯联智慧科技股份有限公司 | 一种基于物联传感的建筑节能方法和系统 |
CN113970169A (zh) * | 2021-11-29 | 2022-01-25 | 中国人民解放军陆军装甲兵学院士官学校 | 一种用于中央空调的电气节能控制方法 |
CN114401295A (zh) * | 2022-01-24 | 2022-04-26 | 吉林建筑大学 | 一种基于物联网的建筑安全监测方法 |
CN114415518A (zh) * | 2022-01-24 | 2022-04-29 | 吉林建筑大学 | 一种绿色建筑节能方法 |
CN114415518B (zh) * | 2022-01-24 | 2023-10-24 | 吉林建筑大学 | 一种绿色建筑节能方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110322007B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322007A (zh) | 一种建筑电气节能监控方法 | |
Liao | Hybrid improved differential evolution and wavelet neural network with load forecasting problem of air conditioning | |
Wang et al. | Ensemble learning for load forecasting | |
CN109946987A (zh) | 一种基于互联网的老年人生活环境优化监控方法 | |
CN105320184B (zh) | 建筑室内环境智能监控系统 | |
Li et al. | Forecasting building energy consumption with hybrid genetic algorithm-hierarchical adaptive network-based fuzzy inference system | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN112524751B (zh) | 一种动态空调系统能耗预测模型构建、预测方法及装置 | |
CN109164707A (zh) | 一种基于人工神经网络算法的室内环境负反馈调节系统 | |
CN106499656B (zh) | 一种风扇风速智能控制方法 | |
CN107370169B (zh) | 基于anfis短期负荷预测的大规模储能电站调峰控制器及方法 | |
CN108415345A (zh) | 一种智能楼宇控制系统 | |
CN106532691A (zh) | 基于自适应动态规划的单区域电力系统频率复合控制方法 | |
Higuera et al. | Hybrid smart lighting and climate control system for buildings | |
CN109857177B (zh) | 一种建筑电气节能监测方法 | |
Jitkongchuen et al. | Prediction Heating and cooling loads of building using evolutionary grey wolf algorithms | |
Jin et al. | Prediction of Indoor Air Temperature Based on Deep Learning. | |
CN114110824B (zh) | 一种恒湿机智能控制方法及装置 | |
Nie et al. | The hybrid intelligent optimization algorithm and multi-objective optimization based on big data | |
CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
Chen et al. | Model Free Adaptive Control for Air-Conditioning System in Office Buildings Based on Improved NSGA-II Algorithm | |
Yu et al. | A Combined Neural and Genetic Algorithm Model for Data Center Temperature Control. | |
CN106447548A (zh) | 一种物业管理系统的调控方法 | |
RU89672U1 (ru) | Система управления климатом внутри здания | |
Liu et al. | Cluster head multi-hop routing algorithm based on improved social group algorithm |
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 |