CN110410960A - 一种风机盘管预测控制方法 - Google Patents

一种风机盘管预测控制方法 Download PDF

Info

Publication number
CN110410960A
CN110410960A CN201910710651.2A CN201910710651A CN110410960A CN 110410960 A CN110410960 A CN 110410960A CN 201910710651 A CN201910710651 A CN 201910710651A CN 110410960 A CN110410960 A CN 110410960A
Authority
CN
China
Prior art keywords
room temperature
control amount
fan
valve
temperature
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
Application number
CN201910710651.2A
Other languages
English (en)
Other versions
CN110410960B (zh
Inventor
魏东
何友全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou City Special Energy Management Co Ltd
Original Assignee
Guangzhou City Special Energy Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou City Special Energy Management Co Ltd filed Critical Guangzhou City Special Energy Management Co Ltd
Priority to CN201910710651.2A priority Critical patent/CN110410960B/zh
Publication of CN110410960A publication Critical patent/CN110410960A/zh
Application granted granted Critical
Publication of CN110410960B publication Critical patent/CN110410960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种风机盘管预测控制方法，其包括：S1、建立预测模型，使用预测模型对室内温度动态过程进行建模、预测；S2、预测控制器采用三层前馈神经网络实现，将当前时刻的室内温度值、以及下一时刻室内温度设定值作为神经网络控制器的输入；神经网络控制器的输出量为能够调节室内温度的控制量；采用变分法对神经网络控制器进行在线滚动优化，寻优目标为使优化目标函数最佳，从而得出最佳控制量；S3、根据寻优后获得的最佳控制量的值，调节室内温度。本发明通过预测控制滚动优化得出最佳控制量来调节室内温度；由于优化目标函数综合考虑了温度误差和能耗两部分的因素，使得系统在使室内温度跟上设定值的同时，还具有节能的效果。

Description

一种风机盘管预测控制方法
技术领域
本发明涉及一种风机盘管控制技术领域，尤其涉及一种风机盘管系统的预测控制方法。
背景技术
风机盘管是空调系统的末端产品，由小型风机、直流无刷电机和空气换热器等组成，其工作原理是机组内不断的再循环所在房间的空气，使空气通过冷水(热水)盘管后被冷却(加热)，以保持房间温度的恒定。风机盘管由设置在室内的控制器控制，现有的控制方法均采用PID控制，其室内温度难以达到恒温的效果，使得用户在使用的时候，难以体验到舒适、恒温的室内空气环境。
因此，如何提供一种能够维持室内温度或湿度在一定范围之内，创造出适合人体舒适感的室内空气环境的风机盘管控制方法成为了业界需要解决的问题。
发明内容
针对现有技术的缺点，本发明的目的是提供一种风机盘管预测控制方法，其通过预测控制滚动优化得出最佳控制量，从而实时调节控制量，使得室内温度跟上室内温度设定值，使用户体验到舒适、恒温的室内空气环境。
为了实现上述目的，本发明提供了一种风机盘管预测控制方法，其包括以下步骤：
S1、建立预测模型，使用预测模型对室内温度动态过程进行建模、预测；
S2、预测控制器采用三层前馈神经网络实现，将当前时刻的室内温度值、以及下一时刻室内温度设定值作为神经网络控制器的输入；神经网络控制器的输出量为能够调节室内温度的控制量；采用变分法对神经网络控制器进行在线滚动优化寻优，寻优目标为使优化目标函数最佳，从而得出最佳控制量；
S3、根据寻优后获得的最佳控制量的值，调节室内温度。
本发明，通过预测模型动态模拟室内的温度值，将当前时刻的温度值与下一时刻室内温度设定值通过神经网络控制器进行在线滚动优化，得出最佳控制量值，通过最佳控制量值实时调节控制量，调节温度误差，使得室内温度跟上室内温度设定值，使用户体验到舒适、恒温的室内空气环境。
根据本发明另一具体实施方式，步骤S1的预测模型采用BP神经网络预测模型；输入参数包括：室外太阳辐射强度X1(k)、室外温度X2(k)、送风温度X3(k)、室内温度X4(k)、送风机控制量Ufan、阀门控制量Uvalve；输出参数为下一时刻的室内温度X4(k+1)；其中k为当前时刻，k+1表示下一时刻。
根据本发明又一具体实施方式，步骤S1还包括参数在线修正步骤，参数在线修正步骤采用递推最小二乘法进行修正，步骤如下：
S11、H为输入列向量，Z为输出列向量，θ为权值矩阵，L表示有L组数据，令
ZL＝[z(1)，z(2)，...，z(L)]T，
θ＝[w1，w2，w3，...]T
根据最小二乘法，参数估计值为：
S12、对第L+1组数据计算修正值为：
其中，
PL+1＝PL[I-h(L+1)hT(L+1)PL(hT(L+1)PLh(L+1))-1]
。
根据本发明再一具体实施方式，步骤S2中的优化目标函数为：
其中r1、r2和r3为权值；Ufan为送风机的控制量；Uvalve为阀门的控制量；T为室内温度，Tset为室内温度的设定值。
根据本发明再一具体实施方式，步骤S2中，根据以下公式进行滚动优化，得出使优化目标函数最佳的神经网络控制器权值，从而得出最佳控制量：
W＝W+ΔW
其中，x[k]为k时刻风机盘管系统的相关状态变量参数，即k时刻的室室外太阳辐射强度、室外温度、送风温度、室内温度；
为k+1时刻预测模型输出值，即下一时刻的室内温度；
x*[k+1]为下一时刻室内温度的设定值；
u[k]为神经网络预测控制器寻优结束后k时刻的最优控制量，即寻优后的送风机控制量和阀门控制量；
u’[k+i-l]为滚动优化过程中，上一时刻预测控制器权重推算出的控制量；
f(·)表示表示被控对象的预测模型，即所构建的风机盘管系统神经网络预测模型；；
g(·)表示神经网络控制器模型；
L[k]表示每个时刻的优化性能指标；
λ[k]和γ[k]表示拉格朗日乘子向量；
每个采样周期重复上述操作，分别计算出以后各个时刻控制量的值，直至控制过程结束。
根据本发明再一具体实施方式，步骤S3中，神经网络控制器的输入状态变量包括：室外太阳辐射强度X1(k)、室外温度X2(k)、送风温度X3(k)、室内温度X4(k)、室内温度的目标值Tset；输出控制量包括：送风机控制量Ufan、阀门控制量Uvalve。
根据本发明再一具体实施方式，步骤S3中，根据寻优后所得的送风机控制量Ufan调节送风机送风机的转速或者频率，从而控制送风风量；根据寻优后所得的阀门控制量Uvalve调节冷冻水阀的阀门开度，从而控制送风温度；以调节室内温度跟上室内温度设定值Tset。
与现有技术相比，本发明具备如下有益效果：
1、本发明的预测模型、以及神经网络控制器的模型均采用BP神经网络；其对模型要求不高、建模简单。
2、本发明通过预测模型来预测系统未来输出值并调节其与设定值之间的误差，该策略简单、直接，并具有较好的调节效果；其调节方式采用神经网络控制器进行在线滚动式优化、得出最佳控制量；通过最佳控制量来调节和控制系统变量的输入，以达到调节室内温度的目的；本方案是综合神经网络、最优控制和预测控制的优点，提出了一种智能控制方法。
3、本发明以变分法为基础，利用预测滚动优化思想训练多层前馈神经网络，然后将其作为优化反馈控制器来求解时变多输入多输出非线性系统的优化反馈解，可以在计算量和占用存储区容量适中的情况下解决非线性系统的优化控制问题；能处理约束、耦合和滞后问题。
4、本发明针对风机盘管控制系统，构建室内温度的预测模型，优化目标函数综合考虑了温度误差和能耗两部分的因素，使得在控制实现恒温效果的同时，还具有节能的效果。
下面结合附图对本发明作进一步的详细说明。
附图说明
图1是实施例1的风机盘管预测控制方法的流程示意图；
图2是实施例1的风机盘管预测控制方法的预测模型图；
图3是实施例1的风机盘管预测控制方法的神经网络控制器结构图；
图4是实施例1的风机盘管预测控制方法的神经网络模型图。
具体实施方式
实施例1
本实施例提供了一种风机盘管预测控制方法，如图1-4所示，其包括以下步骤：
S1、建立预测模型，使用预测模型对室内温度动态过程进行建模、预测；本实施例的预测模型采用BP神经网络预测模型，参见图2，其输入参数包括：室外太阳辐射强度X1(k)、室外温度X2(k)、送风温度X3(k)、室内温度X4(k)、送风机控制量Ufan、阀门控制量Uvalve；输出参数为下一时刻的室内温度X4(k+1)；其中k为当前时刻，k+1表示下一时刻；通过预测模型对下一时刻(即未来输出值)进行预测，获得风机盘管系统在现时刻控制状态下、将会获得的室内温度值，用于与室内温度设定值进行比较、并调节。
为了获得更准确的预测室内温度值，本实施例还包括参数在线修正步骤，在线修正步骤采用递推最小二乘法进行修正，步骤如下：
S11、H为输入列向量，Z为输出列向量，θ为权值矩阵，L表示有L组数据，令
ZL＝[z(1)，z(2)，...，z(L)]T，
θ＝[w1，w2，w3，...]T
根据最小二乘法，参数估计值为：
S12、对第L+1组数据计算修正值为：
其中，
PL+1＝PL[I-h(L+1)hT(L+1)PL(hT(L+1)PLh(L+1))-1]
。
通过参数在线修正，以便对下一时刻的室内温度进行准确的预测，从而对预测值与室内温度设定值之间的误差进行准确的调节，确保调整后的值跟上室内温度设定值。
S2、预测控制器采用三层前馈神经网络实现，将当前时刻的室内温度值、以及下一时刻室内温度设定值作为神经网络控制器的输入；所述神经网络控制器的输出量为能够调节室内温度的控制量；采用变分法对神经网络控制器进行在线滚动优化寻优，寻优目标为使优化目标函数最佳，从而得出最佳控制量；本实施例的优化目标函数采用如下公式：
其中r1、r2和r3为权值；Ufan为送风机的控制量；Uvalve为阀门的控制量；T为室内温度，Tset为室内温度的设定值；其综合考虑温度误差和能耗两部分的因素，使得在控制实现恒温效果的同时，还具有节能的效果。
本实施例根据以下公式进行滚动优化，得出使优化目标函数最佳的神经网络控制器权值，从而得出最佳控制量：
W＝W+ΔW
每个采样周期重复上述操作，分别计算出以后各个时刻控制量的值，直至控制过程结束；
其中，x(k)为k时刻风机盘管系统的相关状态变量参数，即k时刻的室室外太阳辐射强度、室外温度、送风温度、室内温度；
为k+1时刻预测模型输出值，即下一时刻的室内温度；
x*[k+1]为下一时刻室内温度的设定值；
u[k]为神经网络预测控制器寻优结束后k时刻的最优控制量，即寻优后的送风机控制量和冷冻水阀控制量；
u’[k+i-1]为滚动优化过程中，上一时刻预测控制器权重推算出的控制量；
f(·)表示表示被控对象的预测模型，即所构建的风机盘管系统神经网络预测模型；；
g(·)表示神经网络控制器模型；
L[k]表示k时刻的优化性能指标；
λ[k]和γ[k]表示拉格朗日乘子向量。
本实施例以变分法为基础，利用预测滚动优化思想训练多层前馈神经网络，然后将其作为优化反馈控制器来求解时变多输入多输出非线性系统的优化反馈解，可以在计算量和占用存储区容量适中的情况下解决非线性系统的优化控制问题。
S3、根据寻优后获得的最佳控制量的值，对风机盘管进行调节。
参见图4，神经网络控制器的输入状态变量包括：室外太阳辐射强度X1(k)、室外温度X2(k)、送风温度X3(k)、室内温度X4(k)、室内温度的目标值Tset；输出控制量包括：送风机控制量Ufan、阀门控制量Uvalve；根据寻优后所得的送风机控制量Ufan调节送风机送风机的转速或者频率，从而控制送风风量；根据寻优后所得的阀门控制量Uvalve调节冷冻水阀的阀门开度，从而控制送风温度；以调节室内温度跟上室内温度设定值Tset。
本实施例，通过预测模型动态模拟室内的温度值，将当前时刻的温度值与下一时刻室内温度设定值通过神经网络控制器进行在线滚动优化，得出最佳控制量值，通过最佳控制量值实时调节控制量，调节温度误差，使得室内温度跟上室内温度设定值，使用户体验到舒适、恒温的室内空气环境。本方案是综合神经网络、最优控制和预测控制的优点，提出了一种智能控制方法。
虽然本发明以较佳实施例揭露如上，但并非用以限定本发明实施的范围。任何本领域的普通技术人员，在不脱离本发明的发明范围内，当可作些许的改进，即凡是依照本发明所做的同等改进，应为本发明的范围所涵盖。

Claims (7)

1.一种风机盘管预测控制方法，其特征在于，所述控制方法包括以下步骤：
S1、建立预测模型，使用预测模型对室内温度动态过程进行建模、预测；
S2、预测控制器采用三层前馈神经网络实现，将当前时刻的室内温度值、以及下一时刻室内温度设定值作为神经网络控制器的输入；所述神经网络控制器的输出量为能够调节室内温度的控制量；采用变分法对神经网络控制器进行在线滚动优化寻优，寻优目标为使优化目标函数最佳，从而得出最佳控制量；
S3、根据寻优后获得的最佳控制量的值，调节室内温度。
2.如权利要求1所述的风机盘管预测控制方法，其特征在于，所述步骤S1的预测模型采用BP神经网络预测模型；输入参数包括：室外太阳辐射强度X1(k)、室外温度X2(k)、送风温度X3(k)、室内温度X4(k)、送风机控制量Ufan、阀门控制量Uvalve；输出参数为下一时刻的室内温度X4(k+1)；其中k为当前时刻，k+1表示下一时刻。
3.如权利要求2所述的风机盘管预测控制方法，其特征在于，所述步骤S1还包括参数在线修正步骤，所述参数在线修正步骤采用递推最小二乘法进行修正，步骤如下：
S11、H为输入列向量，Z为输出列向量，θ为权值矩阵，L表示有L组数据，令
ZL＝[z(1)，z(2)，...，z(L)]T，
θ＝[w1，w2，w3，…]T
根据最小二乘法，参数估计值为：
S12、对第L+1组数据计算修正值为：
其中，
PL+1＝PL[I-h(L+1)hT(L+1)PL(hT(L+1)PLh(L+1))-1]
。
4.如权利要求3所述的风机盘管预测控制方法，其特征在于，所述步骤S2中的优化目标函数为：
其中r1、r2和r3为权值；Ufan为送风机的控制量；Uvalve为阀门的控制量；厂为室内温度，Tset为室内温度的设定值。
5.如权利要求4所述的风机盘管预测控制方法，其特征在于，所述步骤S2中，根据以下公式进行滚动优化，得出使优化目标函数最佳的神经网络控制器权值，从而得出最佳控制量：
W＝W+ΔW
其中，x[k]为k时刻风机盘管系统的相关状态变量参数，即k时刻的室室外太阳辐射强度、室外温度、送风温度、室内温度；
为k+1时刻预测模型输出值，即下一时刻的室内温度；
x*[k+1]为下一时刻室内温度的设定值；
u[k]为神经网络预测控制器寻优结束后k时刻的最优控制量，即寻优后的送风机控制量和冷冻水阀控制量；
u’[k+i-1]为滚动优化过程中，上一时刻预测控制器权重推算出的控制量；
f(·)表示表示被控对象的预测模型，即所构建的风机盘管系统神经网络预测模型；；
g(·)表示神经网络控制器模型；
L[k]表示每个时刻的优化性能指标；
λ[k]和γ[k]表示拉格朗日乘子向量；
每个采样周期重复上述操作，分别计算出以后各个时刻控制量的值，直至控制过程结束。
6.如权利要求5所述的风机盘管预测控制方法，其特征在于，所述步骤S3中，所述神经网络控制器的输入状态变量包括：室外太阳辐射强度X1(k)、室外温度X2(k)、送风温度X3(k)、室内温度X4(k)、室内温度的目标值Tset；输出控制量包括：送风机控制量Ufan、阀门控制量Uvalve。
7.如权利要求6所述的风机盘管预测控制方法，其特征在于，所述步骤S3中，根据寻优后所得的送风机控制量Ufan调节送风机送风机的转速或者频率，从而控制送风风量；根据寻优后所得的阀门控制量Uvalve调节冷冻水阀的阀门开度，从而控制送风温度；以调节室内温度跟上室内温度设定值Tset。
CN201910710651.2A 2019-07-31 2019-07-31 一种风机盘管预测控制方法 Active CN110410960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910710651.2A CN110410960B (zh) 2019-07-31 2019-07-31 一种风机盘管预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910710651.2A CN110410960B (zh) 2019-07-31 2019-07-31 一种风机盘管预测控制方法

Publications (2)

Publication Number Publication Date
CN110410960A true CN110410960A (zh) 2019-11-05
CN110410960B CN110410960B (zh) 2021-05-07

Family

ID=68365443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910710651.2A Active CN110410960B (zh) 2019-07-31 2019-07-31 一种风机盘管预测控制方法

Country Status (1)

Country Link
CN (1) CN110410960B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110779173A (zh) * 2019-11-13 2020-02-11 垚控科技(上海)有限公司 一种基于强化学习的冷水机组无模型优化运行控制方法
CN110986249A (zh) * 2019-11-07 2020-04-10 珠海格力电器股份有限公司 空调的自调节控制方法、系统及空调器
CN111928423A (zh) * 2020-06-30 2020-11-13 青岛海尔空调电子有限公司 用于空调机组的除霜控制方法
CN112128922A (zh) * 2020-09-23 2020-12-25 创新奇智(青岛)科技有限公司 多联机空调系统的温控方法及装置
CN112728739A (zh) * 2020-12-28 2021-04-30 博锐尚格科技股份有限公司 基于算法预测的空调箱送风温度设定值确定方法和装置
CN113834161A (zh) * 2020-06-23 2021-12-24 中国石油化工股份有限公司 一种变风量实验室温度控制系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353119A (zh) * 2011-08-09 2012-02-15 北京建筑工程学院 一种vav变风量空调系统控制方法
CN102705957A (zh) * 2012-06-07 2012-10-03 华南理工大学 办公建筑中央空调逐时冷负荷在线预测方法及系统
CN108413567A (zh) * 2018-03-14 2018-08-17 山东建筑大学 基于物联网的中央空调节费优化方法与系统
US20190179269A1 (en) * 2017-12-12 2019-06-13 Distech Controls Inc. Environment controller and method for inferring via a neural network one or more commands for controlling an appliance

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353119A (zh) * 2011-08-09 2012-02-15 北京建筑工程学院 一种vav变风量空调系统控制方法
CN102705957A (zh) * 2012-06-07 2012-10-03 华南理工大学 办公建筑中央空调逐时冷负荷在线预测方法及系统
US20190179269A1 (en) * 2017-12-12 2019-06-13 Distech Controls Inc. Environment controller and method for inferring via a neural network one or more commands for controlling an appliance
CN108413567A (zh) * 2018-03-14 2018-08-17 山东建筑大学 基于物联网的中央空调节费优化方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱为明: "基于神经网络的变风量空调智能控制系统研究", 《工程科技II辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110986249A (zh) * 2019-11-07 2020-04-10 珠海格力电器股份有限公司 空调的自调节控制方法、系统及空调器
CN110779173A (zh) * 2019-11-13 2020-02-11 垚控科技(上海)有限公司 一种基于强化学习的冷水机组无模型优化运行控制方法
CN113834161A (zh) * 2020-06-23 2021-12-24 中国石油化工股份有限公司 一种变风量实验室温度控制系统及方法
CN113834161B (zh) * 2020-06-23 2023-08-15 中国石油化工股份有限公司 一种变风量实验室温度控制系统及方法
CN111928423A (zh) * 2020-06-30 2020-11-13 青岛海尔空调电子有限公司 用于空调机组的除霜控制方法
CN111928423B (zh) * 2020-06-30 2023-05-26 青岛海尔空调电子有限公司 用于空调机组的除霜控制方法
CN112128922A (zh) * 2020-09-23 2020-12-25 创新奇智(青岛)科技有限公司 多联机空调系统的温控方法及装置
CN112128922B (zh) * 2020-09-23 2021-12-24 创新奇智(青岛)科技有限公司 多联机空调系统的温控方法及装置
CN112728739A (zh) * 2020-12-28 2021-04-30 博锐尚格科技股份有限公司 基于算法预测的空调箱送风温度设定值确定方法和装置

Also Published As

Publication number Publication date
CN110410960B (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN110410960A (zh) 一种风机盘管预测控制方法
CN106196423B (zh) 一种基于模型预测的室内环境品质控制优化方法
CN107203239B (zh) 一种密闭畜禽养殖环境解耦模糊调控方法
CN108151253B (zh) 一种变风量空调送风温度自动补偿方法
CN108662735A (zh) 一种中央空调系统末端设备节能优化控制系统及方法
CN108105844B (zh) 一种基于室内和室外温度联合补偿的智能换热站控制方法
CN109373530A (zh) 空调器的控制方法
CN107421029B (zh) 一种末端冷量均衡控制方法
CN106196474B (zh) 空调智能控制方法
CN108168031B (zh) 一种基于风阀位置重设定静压值的微调响应通风空调控制方法
CN104019526A (zh) 改进pso算法模糊自适应pid温湿度控制系统及方法
CN109612047B (zh) 变风量空调系统的送风温度控制方法
CN114580254A (zh) 一种基于模型预测控制的建筑室内温度调控方法和系统
CN108489027A (zh) 一种对流和辐射自适应供给暖通系统的控制方法
CN104613597B (zh) 高效节能空调机组控制方法和控制装置、空调机组
CN109212965A (zh) 基于粒子群优化算法的地暖温度控制系统及方法
CN110986249B (zh) 空调的自调节控制方法、系统及空调器
CN116436033A (zh) 一种基于用户满意度和强化学习的温控负荷频率响应控制方法
CN115686095A (zh) 一种智能楼宇节能综合控制方法和装置
CN110686350A (zh) 一种基于bp神经网络实时预测自调节温度的控制方法、计算机可读存储介质及空调
KR102593997B1 (ko) 건물 관리 시스템의 제어를 위한 전자 디바이스 및 방법
CN109695943A (zh) 基于大数据深度学习的涂装空调的温湿度控制系统
CN108895532A (zh) 基于随机分布控制算法的区域供热节能控制方法
CN111381494A (zh) 一种基于极点配置的空调温控系统及其控制方法
CN115839536B (zh) 基于电力调节的分体空调和冷水机组远端响应及控制方法

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
GR01 Patent grant
GR01 Patent grant