CN110412871A - 建筑区域辅助设备能耗预测处理方法及系统 - Google Patents
建筑区域辅助设备能耗预测处理方法及系统 Download PDFInfo
- Publication number
- CN110412871A CN110412871A CN201910619474.7A CN201910619474A CN110412871A CN 110412871 A CN110412871 A CN 110412871A CN 201910619474 A CN201910619474 A CN 201910619474A CN 110412871 A CN110412871 A CN 110412871A
- Authority
- CN
- China
- Prior art keywords
- ancillary equipment
- energy consumption
- model
- parameter
- construction area
- 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
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种建筑区域辅助设备能耗预测处理方法,其特征在于,所述方法包括:利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数;根据所述辅助设备的运行参数预测辅助设备能耗。利用本发明,可以提高预测结果的准确性。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种建筑区域辅助设备能耗预测处理方法及系统。
背景技术
目前,大多数建筑区域都存在有以下问题:粗放的能源利用模式和过度的能源消耗,比如,某车间需通过辅助设备(空调机组、新风系统等)使车间环境温湿度处于恒定值,而车间温湿度的不稳定性,自动控制程序及人工启停程序繁琐等问题致使车间辅助设备需要处于常开状态,当车间某段时间无生产计划或生产排程较低时,辅助设备的冗余运行导致能源利用率降低。这种问题严重制约了企业的可持续发展。因此针对建筑区域辅助设备的能耗预测和优化十分必要。
现有的能源设备能耗预测和优化通常局限于纯数据驱动或纯机理驱动方式,但这两种方式均存在一定的问题。其中,建筑区域辅助设备所采集到的数据面临所覆盖的运行工况不全、数据量不足等问题,导致纯数据驱动算法所训练出的模型具有局限性;同时,为保证建筑区域参数需求,辅助设备运行状态和时间均为冗余供应,历史数据中不存在能耗最优时的运行参数,数据不具有参考性;因此,预测结果的准确性较低。纯机理驱动方式由于是通过仿真模型进行预测,预测结果同样不理想。
发明内容
本发明实施例提供一种建筑区域辅助设备能耗预测处理方法及系统,以提高预测结果的准确性。
为此,本发明提供如下技术方案:
一种建筑区域辅助设备能耗预测处理方法,所述方法包括:
利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数;
根据所述辅助设备的运行参数预测辅助设备能耗。
可选地,所述利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数包括:
当历史数据量少于设定数量时,通过机理驱动的方式建立辅助设备及其环境的物理模型,并基于所述物理模型确定对应所述环境的空气非稳态对流换热的控制模型的参数,利用所述控制模型确定辅助设备的运行参数;
在历史数据积累到设定数量后,通过数据驱动的方式,根据所述历史数据建立辅助设备运行模型,并利用所述辅助设备运行模型确定辅助设备的运行参数。
可选地,所述通过机理驱动的方式建立辅助设备及其环境的物理模型包括:
以建筑区域相关参数作为输入自变量,以环境参数、辅助设备数量及类型作为边界条件建立辅助设备及其环境的物理模型;
所述历史数据包括:辅助设备数量及类型、建筑区域相关参数、环境参数。
可选地,所述方法还包括:
计算辅助设备总能耗;
根据所述辅助设备总能耗和历史能耗数据对能耗计算公式中的参数进行修正。
可选地,所述方法还包括:
以辅助设备总能耗最低为目标建立决策优化模型;
利用所述决策优化模型优化所述辅助设备的启停时间和顺序。
一种建筑区域辅助设备能耗预测处理系统,所述系统包括:
运行参数确定模块,用于利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数
能耗预测模块,用于根据所述辅助设备的运行参数预测辅助设备能耗。
可选地,所述运行参数确定模块包括:
机理驱动模块,用于当历史数据量少于设定数量时,通过机理驱动的方式建立辅助设备及其环境的物理模型,并基于所述物理模型确定对应所述环境的空气非稳态对流换热的控制模型的参数,利用所述控制模型确定辅助设备的运行参数;
数据驱动模块,用于在历史数据积累到设定数量后,通过数据驱动的方式,根据所述历史数据建立辅助设备运行模型,并利用所述辅助设备运行模型确定辅助设备的运行参数。
可选地,所述机理驱动模块以建筑区域相关参数作为输入自变量,以环境参数、辅助设备数量及类型作为边界条件建立辅助设备及其环境的物理模型;
所述历史数据包括:辅助设备数量及类型、建筑区域相关参数、环境参数。
可选地,所述系统还包括:
总能耗计算模块,用于计算辅助设备总能耗;
参数修正模块,用于根据所述辅助设备总能耗和历史能耗数据对能耗计算公式中的参数进行修正。
可选地,所述系统还包括:
决策优化模型建立模块,用于以辅助设备总能耗最低为目标建立决策优化模型;
决策优化模块,用于利用所述决策优化模型优化所述辅助设备的启停时间和顺序。
一种电子设备,包括:一个或多个处理器、存储器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现前面所述的方法。
一种可读存储介质,其上存储有指令,所述指令被执行以实现前面所述的方法。
本发明实施例提供的建筑区域辅助设备能耗预测处理方法及系统,利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数;然后根据所述辅助设备的运行参数预测辅助设备能耗,从而弥补了纯数据驱动或纯机理驱动方式进行能源设备能耗预测的不足,有效地提高了预测结果的准确性。
进一步地,在确定辅助设备的运行参数时,不仅考虑了辅助设备本身特性,即运行参数,而且还考虑了建筑区域相关参数和环境参数,使能耗预测结果具有更高的可靠性。
进一步地,还可以根据辅助设备总能耗和历史能耗数据对能耗计算公式中的参数进行修正,使得能耗计算结果更准确。
进一步地,还可以根据预测得到的辅助设备能耗,确定是否有辅助设备工作出现异常,另外在出现高能耗时还可进行提醒并追溯到具体引起高能耗的辅助设备,进而指导生产端用能和设备检修。
进一步地,本发明实施例提供的能耗预测处理方法及系统,还可以辅助设备总能耗最低为目标建立决策优化模型,利用所述决策优化模型优化辅助设备的启停时间和顺序,从而可以有效降低能耗,达到节能的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例建筑区域辅助设备能耗预测处理方法的一种流程图;
图2是本发明实施例建筑区域辅助设备能耗预测处理方法的另一种流程图;
图3是本发明实施例中卷烟车间及设备的简化物理模型示意图;
图4是本发明实施例中卷烟车间内空调设备运行示意图;
图5是本发明实施例中利用遗传算法对空调设备开机的组合和时间进行优化的流程图;
图6是本发明实施例建筑区域辅助设备能耗预测处理系统的一种结构示意图;
图7是本发明实施例建筑区域辅助设备能耗预测处理系统的另一种结构示意图;
图8是本发明实施例建筑区域辅助设备能耗预测处理系统的另一种结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
本发明实施例提供一种建筑区域辅助设备能耗预测处理方法及系统,利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数,根据所述辅助设备的运行参数预测辅助设备能耗,使预测得到的设备能耗更准确。
如图1所示,是本发明实施例建筑区域辅助设备能耗预测处理方法的一种流程图,包括以下步骤:
步骤101,利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数。
具体地,当历史数据量少于设定数量时,通过机理驱动的方式建立辅助设备及其环境的物理模型,并基于所述物理模型确定对应所述环境的空气非稳态对流换热的控制模型的参数,利用所述控制模型确定辅助设备的运行参数;在历史数据积累到设定数量后,通过数据驱动的方式,根据所述历史数据建立辅助设备运行模型,并利用所述辅助设备运行模型确定辅助设备的运行参数。
所述运行参数可以包括但不限于以下参数:设备开关时间、设备功率、设备尺寸、设备进出口温度和压力,设备转速等。
在建立所述物理模型时,可以将建筑区域相关参数(比如,建筑区域温度、湿度、设备布局等)作为输入自变量,以环境参数、辅助设备数量及类型等作为边界条件。
需要说明的是,所述辅助设备可以是设置在工艺生产车间内的辅助设备,也可以是设置在楼宇内的辅助设备,比如写字楼内的空调机组等。相应地,在建立辅助设备及其环境的物理模型时,针对在车间环境中的应用,还需要考虑车间内的生产设备。所述生产设备是指直接服务于产品的设备;比如,信息产业中,生产设备通常有:服务器、存储设备、网络设备等,再比如,金属加工制造业中,生产设备通常有:切削车床、冲压机、抛光机等;不同的车间,其中的生产设备及数量也会有所不同。相应地,设置在车间内的辅助设备是指为保证生产设备正常运行及生产工艺要求而设置的设备,比如空调机、除湿机等。相应地,在建立辅助设备及其环境的物理模型时,可以对整个车间及各设备进行网格划分,采用网格数值模拟方法求解对应所述环境的空气非稳态对流换热控制模型的参数,使得到的控制模型参数更准确。
所述空气非稳态对流换热控制模型可以包括但不限于以下控制方程:质量守恒、动量守恒、能量守恒和湍动能守恒方程。
利用所述控制方程,可以得到在满足建筑区域需求参数(比如环境温湿度等)的条件下,辅助设备的运行参数等一系列仿真数据。
进一步地,还可以根据实际数据及上述仿真数据,对上述物理模型及控制模型中的参数进行修正,以使这些参数更准确。需要说明的是,参数修正可以是动态进行的,比如可以根据每次仿真数据与实际数据的误差来决定是否进行修正处理。
在历史数据积累到设定数量后,可以通过数据驱动的方式确定辅助设备的运行参数。其中,所述历史数据可以包括但不限于以下数据:辅助设备数量及类型、建筑区域相关参数、环境参数。
具体地,可以利用所述历史数据建立辅助设备运行模型,利用该辅助设备运行模型可以得到在满足建筑区域需求参数的条件下辅助设备的运行参数。所述辅助设备运行模型可以采用神经网络模型,输入为从辅助设备数量及类型、建筑区域相关参数、环境参数等数据中提取的特征,输出为需要拟合的目标值,比如包括辅助设备负荷等。
所述辅助设备运行模型具体可以采用神经网络、随机森林、支持向量机、贝叶斯网络等,其训练过程与现有的相应模型的训练过程类似,对此本发明实施例不做限定。
步骤102,根据所述辅助设备的运行参数预测辅助设备能耗。
对于不同类型的辅助设备,其涉及的能耗及相应的计算公式会有所不同。因此,在预测辅助设备的能耗时,需要根据每个辅助设备的类型,确定对应该类型的辅助设备的能耗计算公式,然后利用所述能耗计算公式及前面步骤101中确定的该辅助设备未来一段时间的运行参数,分别计算不同情况下的辅助设备能耗。
利用在线预测得到的不同情况下的辅助设备能耗,可以帮助判断未来一段时间内辅助设备的运行是否正常。比如,预测到未来将有较高能耗时,可以确定是否有辅助设备工作出现异常,此时可以进行提醒并确定异常原因,比如追溯到具体引起高能耗的辅助设备,进而指导生产端用能和设备检修。
需要说明的是,在实际应用中,每个建筑区域内的辅助设备可以有一种或多种类型,对于每个辅助设备,需要分别预测其能耗。
相应地,可以根据各辅助设备的能耗计算得到辅助设备总能耗。进一步地,还可以结合历史能耗数据,对能耗公式中的参数进行修正,从而使修正后的参数更准确,进而使在线运行能耗预测结果更准确。
本发明实施例提供的建筑区域辅助设备能耗预测处理方法,利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数;然后根据所述辅助设备的运行参数预测辅助设备能耗,从而弥补了纯数据驱动或纯机理驱动方式进行能源设备能耗预测的不足,有效地提高了预测结果的准确性。
进一步地,在确定辅助设备的运行参数时,不仅考虑了辅助设备本身特性,即运行参数,而且还考虑了建筑区域相关参数和环境参数,使最终得到的能耗预测结果具有更高的可靠性。
进一步地,还可以根据不同情况下的辅助设备能耗,确定是否有辅助设备工作出现异常,另外在出现高能耗时还可进行提醒并追溯到具体引起高能耗的辅助设备,进而指导生产端用能和设备检修。
进一步地,还可以根据辅助设备总能耗和历史能耗数据对能耗计算公式中的参数进行修正,使得能耗计算结果更准确。
如图2所示,是本发明实施例建筑区域辅助设备能耗预测处理方法的另一种流程图,包括以下步骤:
步骤201,利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数。
步骤202,根据所述辅助设备的运行参数预测辅助设备能耗。
步骤203,计算辅助设备总能耗。
需要说明的是,每个建筑区域内的辅助设备可以有一种或多种类型,在上述步骤202中,需要对每个辅助设备,分别预测其能耗。相应地,将各辅助设备的能耗相加即可得到辅助设备总能耗。
步骤204,以所述辅助设备总能耗最低为目标建立决策优化模型。
为使能源设备在一个良好的能效水平上运转,需要建立辅助设备启停时间序列,目标是整体辅助设备在满足环境需求设定值的前提下,尽量减少能耗。
为此,在本发明实施例中,以所述辅助设备总能耗最低为目标建立决策优化模型。其中,决策变量为未来一段时间内辅助设备的启停序列,即每个时刻下,每台辅助设备的开启状态;优化目标为辅助设备总能耗最小化。
比如用xi,t={0,1}表示每个时刻每个辅助设备的开启状态,其中,t为离散化时间,i为空调机组编号,0表示关机,1表示开机。相应地,辅助设备的启停序列示例如下:
所述决策优化模型的约束条件有:
(1)各建筑区域环境需求设定值达到工艺要求;
(2)避免频繁启停,开机与关机之间保证安全持续时长;
(3)辅助设备维修或故障时不可开启。
步骤205,利用所述决策优化模型优化所述辅助设备的启停时间和顺序。
决策优化模型就是要在满足上述约束条件的情况下,找到最佳的一组决策变量,使得目标函数即辅助设备总能耗最小。
对上述决策优化模型可以采用非线性函数表示,具体可以采用启发式算法,如遗传算法(GA),粒子群算法(PSO)、或模拟退火(SA)等对其进行求解,对此本发明实施例不做限定。
利用本发明实施例提供的建筑区域辅助设备能耗预测处理方法,不仅可以提高能源设备能耗预测的准确性和可靠性,而且,还可以辅助设备总能耗最低为目标建立决策优化模型,利用所述决策优化模型优化辅助设备的启停时间和顺序,从而可以有效降低能耗,达到节能的目的。
下面以某卷烟生产车间为例,进一步说明本发明方案。
假设卷烟车间工艺要求生产设备环境温湿度控制在26℃和60%左右,其中,生产设备共42台,顺次排列;空调系统共8台。通过控制空调的启停时间序列,在保证生产计划和工艺要求的前提下,使空调系统的总能耗最低。
1.确定辅助设备的运行参数
在历史数据较少时,从机理驱动角度对车间设备的运行参数进行模拟仿真。
如图3为卷烟车间及设备的简化物理模型。由于车间内设备不规则外形及布置,流动换热过程为典型的多尺度复杂湍流传热过程。由于湍流发展及其不规律,导致其换热特性在理论方面有很大欠缺,并且难以求得精确解析解,因此在解决实际问题中,为了使结果更加准确,可以采取划分网格的数值模拟方法,求解空气非稳态对流换热控制模型中各控制方程的参数。所述控制方程包括:基于质量守恒、动量守恒、能量守恒和湍动能守恒、湍动能耗散率守恒方程。
所述控制方程可统一用下述形式表示:
其中,各参数含义如下:
ρ——密度;
νj——xj方向的速度分量;
——通用变量;
——扩散系数;
——源项;
上述参数在不同控制方程中的具体意义由表1所示。
表1
在数值模拟中,可以采用以下任意一种模型求解上述控制方程:可实现(Realizable)k-ε湍流模型、标准k-ε模型、RNG k-ε模型。与标准k-ε模型和RNG k-ε模型相比,Realizable k-ε模型能够保证雷诺应力的数学约束,与车间内部的真实湍流特性一致,同时引入了与旋转和曲率相关的新的湍流黏度表达式,能够真实预测强对流逆压力梯度下的旋转及边界层流动,计算结果更符合真实情况。
为保证上述空气非稳态对流换热控制模型的有效性,还可利用实际数据对模型进行验证。比如,在满足以下建筑区域需求参数的情况下:环境温度为20℃、生产计划要求运行32台生产设备、生产设备运行时间为8:00-18:00、车间内温度为26℃、湿度为60%,利用上述控制模型得到的空调系统冷负荷为2011KW,而实际数据中空调负荷为2108KW,误差在合理范围内,同时车间内温湿度波动在设定值要求范围。如果误差超过一定值,还可利用实际数据及根据所述控制模型得到的数据的差值对上述物理模型的参数及控制模型的参数进行修正,使修正后的参数更准确。
在历史数据达到一定数量后,通过数据驱动的方式,根据所述历史数据建立辅助设备运行模型,并利用所述辅助设备运行模型确定辅助设备的运行参数。所述辅助设备运行模型可以采用神经网络模型,其输入为从辅助设备数量及类型、建筑区域相关参数、环境参数等数据中提取的特征,输出为需要拟合的目标值,即空调负荷。在辅助设备运行模型训练过程中可以使用梯度下降法来减小输出值和目标值的差异并更新神经元之间的权重和偏置,最终实现精确拟合。
2.预测辅助设备能耗
卷烟生产车间辅助设备为多台空调设备协同运行,其中空调设备示意图如图4所示。
其中,空调运行过程能耗包括:空调送风机、回风机电机能耗,微雾加湿系统用高压喷雾泵的能耗,制冷系统供冷能耗,锅炉系统提供加湿或再热蒸汽能耗。
车间内冷负荷通过送风量和送、回风焓差计算如下:
Qcl=ms(hs-hn);
其中,Qcl为空调制冷量,ms是送风质量流量;hs是送风比焓;hn是回风比焓。
车间内湿负荷通过送风量和送、回风湿量差计算如下:
Gd=ms(ds-dn);
其中,Gd为空调除湿量,ds是送风绝对焓湿量;dn是回风绝对焓湿量。
表冷器耗冷量计算如下:
Qal=ms(hm-hl);
其中,Qal为表冷器供冷量,hm为表冷器前空气比焓,hl为表冷器后空气比焓。
再热负荷计算如下:
Qzr=ms(hol-hl);
其中,Qzr为空气经过再热器吸收的热量,hol为再热器后空气比焓。
微雾加湿量计算如下:
Gw=ms(da-dm);
其中,Gw为高压微雾加湿量,da为高压微雾加湿后空气绝对含湿量;dm为高压微雾加湿前空气绝对含湿量。
为使能耗计算方便,将上述各部分参量折合为耗电量,可以计算得到空调设备总耗能为:
Wz=Ps+Ph+Wal+Wzr+Ww;
其中:Ps为送风机能耗,Ph为回风机能耗;Wal为冷冻水折算能耗;Wzr为再热消耗蒸汽折算能耗;Ww为高压微雾加湿量折算能耗。
通过上述能耗公式,可计算得到不同运行参数下空调设备的能耗。
3.决策优化
以空调设备总能耗最低为目标建立决策优化模型,决策变量为未来一段时间内空调设备的启停序列,优化目标为空调设备总体能耗最小化。
假设采用遗传算法对空调设备开机的组合和时间进行优化,遗传算法的流程如图5所示。
首先对空调机组的开机状态进行编码,一个空调机组的启停时间序列即为一条染色体,采用二进制编码,开启为1,关闭为0。然后初始化种群,随机生成一定数量的染色体,组成初始种群。初始化时,可根据实际物理意义调整随机概率并加入一些实际运转数据以提高算法收敛速度。其次计算适应度函数,即为所有空调机组整体能耗,并加上约束惩罚项,约束惩罚项是指当约束条件不满足时设置一个较大的值作为惩罚。按照计算出的适应度高低,决定被选择的概率,以“轮盘赌”规则选择进行交叉的染色体。采用“多点交叉”策略交叉两条染色体,并视情况设置变异概率,允许染色体变异。最终,当种群最佳适应度在连续多个迭代中不再变化,或达到迭代次数上限时,停止算法并输出结果,得到最优的空调机组启停时间序列。
相应地,本发明实施例还提供一种建筑区域辅助设备能耗预测处理系统,如图6所示,是该系统的一种结构示意图。
在该实施例中,所述系统包括以下各模块:
运行参数确定模块601,用于利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数;
能耗预测模块602,用于根据所述辅助设备的运行参数预测辅助设备能耗。
进一步,所述运行参数确定模块601具体可以包括机理驱动模块611和数据驱动模块621。其中:
机理驱动模块611,用于当历史数据量少于设定数量时,通过机理驱动的方式建立辅助设备及其环境的物理模型,并基于所述物理模型确定对应所述环境的空气非稳态对流换热的控制模型的参数,利用所述控制模型确定辅助设备的运行参数;
数据驱动模块612,用于在历史数据积累到设定数量后,通过数据驱动的方式,根据所述历史数据建立辅助设备运行模型,并利用所述辅助设备运行模型确定辅助设备的运行参数。
所述机理驱动模块611在建立辅助设备及其环境的物理模型时,可以以建筑区域相关参数(比如,建筑区域温度、湿度、设备布局等)作为输入自变量,以环境参数、辅助设备数量及类型作为边界条件。另外,可以对整个建筑区域及各设备进行网格划分,采用网格数值模拟方法求解对应所述环境的空气非稳态对流换热的控制模型的参数,使得到的模型参数更准确。所述空气非稳态对流换热的控制模型可以包括但不限于以下控制方程:质量守恒、动量守恒、能量守恒、湍动能守恒和湍动能耗散率守恒方程。相应地,利用所述控制方程,可以得到在满足建筑区域需求参数(比如环境温湿度等)的条件下,辅助设备的运行参数等一系列仿真数据。
在本发明实施例中,所述历史数据可以包括但不限于:辅助设备数量及类型、建筑区域相关参数和环境参数。所述辅助设备运行模型具体可以采用神经网络、随机森林、支持向量机、贝叶斯网络等,其训练过程与现有的相应模型的训练过程类似,对此本发明实施例不做限定。
上述能耗预测模块602需要根据每个辅助设备的类型,确定对应该类型的辅助设备的能耗计算公式,然后利用所述能耗计算公式及所述运行参数确定模块601确定的该辅助设备未来一段时间的运行参数,分别计算不同情况下的辅助设备能耗。
本发明实施例提供的建筑区域辅助设备能耗预测处理系统,利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数;然后根据所述辅助设备的运行参数预测辅助设备能耗,从而弥补了纯数据驱动或纯机理驱动方式进行能源设备能耗预测的不足,有效地提高了预测结果的准确性。
进一步地,在确定辅助设备的运行参数时,不仅考虑了辅助设备本身特性,即运行参数,而且还考虑了建筑区域相关参数和环境参数,使最终得到的能耗预测结果具有更高的可靠性。
在本发明建筑区域辅助设备能耗预测处理系统另一实施例中,所述系统还可包括:异常检测模块(未图示),用于根据不同情况下的辅助设备能耗,确定是否有辅助设备工作出现异常。另外还可进一步包括提醒模块(未图示),用于在出现高能耗时进行提醒。另外还可追溯到具体引起高能耗的辅助设备,进而指导生产端用能和设备检修。
进一步地,在本发明建筑区域辅助设备能耗预测处理系统另一实施例中,如图7所示,所述系统还可包括:总能耗计算模块701和参数修正模块702。其中:
所述总能耗计算模块701用于计算辅助设备总能耗,具体地,可以根据各辅助设备的能耗计算得到辅助设备总能耗;
所述参数修正模块702,用于根据所述辅助设备总能耗和历史能耗数据对能耗计算公式中的参数进行修正。
利用本发明实施例提供的建筑区域辅助设备能耗预测处理系统,可以得到更准确的能耗计算结果。
如图8所示,是本发明实施例建筑区域辅助设备能耗预测处理系统的另一种结构示意图。
与图6所示实施例不同的是,在该实施例中,所述系统还包括:总能耗计算模块701、决策优化模型建立模块801和决策优化模块802。其中:
总能耗计算模块701,用于计算辅助设备总能耗,具体地,可以根据各辅助设备的能耗计算得到辅助设备总能耗;
决策优化模型建立模块801,用于以辅助设备总能耗最低为目标建立决策优化模型;
决策优化模块802,用于利用所述决策优化模型优化所述辅助设备的启停时间和顺序。
所述决策优化模型中,决策变量为未来一段时间内辅助设备的启停序列,优化目标为辅助设备总体能耗最小化。
所述决策优化模型的约束条件有:
(1)各建筑区域环境需求设定值达到工艺要求;
(2)避免频繁启停,开机与关机之间保证安全持续时长;
(3)辅助设备维修或故障时不可开启。
所述决策优化模块802具体利用决策优化模型,找到最佳的一组决策变量,使得目标函数即辅助设备总能耗最小。对所述决策优化模型可以采用非线性函数表示,具体可以采用启发式算法,如遗传算法(GA),粒子群算法(PSO)、或模拟退火(SA)等对其进行求解,对此本发明实施例不做限定。
利用本发明实施例提供的建筑区域辅助设备能耗预测处理系统,不仅可以提高能源设备能耗预测的准确性和可靠性,而且,还可以辅助设备总能耗最低为目标建立决策优化模型,利用所述决策优化模型优化辅助设备的启停时间和顺序,从而可以有效降低能耗,达到节能的目的。
需要说明的是,对于上述建筑区域辅助设备能耗预测处理系统各实施例而言,由于各模块、单元的功能实现与相应的方法中类似,因此对所述对话生成装置各实施例描述得比较简单,相关之处可参见方法实施例的相应部分说明。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。而且,以上所描述的系统实施例仅仅是示意性的,其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的,即可以位于一个网络单元上,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称的存储介质,如:ROM/RAM、磁碟、光盘等。
相应地,本发明实施例还提供一种用于建筑区域辅助设备能耗预测处理方法的装置,该装置是一种电子设备,比如,可以是移动终端、计算机、平板设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器;其中,所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现前面各实施例所述的方法。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及装置,其仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围,本说明书内容不应理解为对本发明的限制。因此,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种建筑区域辅助设备能耗预测处理方法,其特征在于,所述方法包括:
利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数;
根据所述辅助设备的运行参数预测辅助设备能耗。
2.根据权利要求1所述的方法,其特征在于,所述利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数包括:
当历史数据量少于设定数量时,通过机理驱动的方式建立辅助设备及其环境的物理模型,并基于所述物理模型确定对应所述环境的空气非稳态对流换热的控制模型的参数,利用所述控制模型确定辅助设备的运行参数;
在历史数据积累到设定数量后,通过数据驱动的方式,根据所述历史数据建立辅助设备运行模型,并利用所述辅助设备运行模型确定辅助设备的运行参数。
3.根据权利要求2所述的方法,其特征在于,
所述通过机理驱动的方式建立辅助设备及其环境的物理模型包括:
以建筑区域相关参数作为输入自变量,以环境参数、辅助设备数量及类型作为边界条件建立辅助设备及其环境的物理模型;
所述历史数据包括:辅助设备数量及类型、建筑区域相关参数、环境参数。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
计算辅助设备总能耗;
根据所述辅助设备总能耗和历史能耗数据对能耗计算公式中的参数进行修正。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
以辅助设备总能耗最低为目标建立决策优化模型;
利用所述决策优化模型优化所述辅助设备的启停时间和顺序。
6.一种建筑区域辅助设备能耗预测处理系统,其特征在于,所述系统包括:
运行参数确定模块,用于利用机理驱动和数据驱动相结合的方式确定建筑区域辅助设备的运行参数
能耗预测模块,用于根据所述辅助设备的运行参数预测辅助设备能耗。
7.根据权利要求6所述的系统,其特征在于,所述运行参数确定模块包括:
机理驱动模块,用于当历史数据量少于设定数量时,通过机理驱动的方式建立辅助设备及其环境的物理模型,并基于所述物理模型确定对应所述环境的空气非稳态对流换热的控制模型的参数,利用所述控制模型确定辅助设备的运行参数;
数据驱动模块,用于在历史数据积累到设定数量后,通过数据驱动的方式,根据所述历史数据建立辅助设备运行模型,并利用所述辅助设备运行模型确定辅助设备的运行参数。
8.根据权利要求7所述的系统,其特征在于,
所述机理驱动模块以建筑区域相关参数作为输入自变量,以环境参数、辅助设备数量及类型作为边界条件建立辅助设备及其环境的物理模型;
所述历史数据包括:辅助设备数量及类型、建筑区域相关参数、环境参数。
9.根据权利要求6所述的系统,其特征在于,所述系统还包括:
总能耗计算模块,用于计算辅助设备总能耗;
参数修正模块,用于根据所述辅助设备总能耗和历史能耗数据对能耗计算公式中的参数进行修正。
10.根据权利要求9所述的方法,其特征在于,所述系统还包括:
决策优化模型建立模块,用于以辅助设备总能耗最低为目标建立决策优化模型;
决策优化模块,用于利用所述决策优化模型优化所述辅助设备的启停时间和顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910619474.7A CN110412871B (zh) | 2019-07-10 | 2019-07-10 | 建筑区域内的辅助设备能耗预测处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910619474.7A CN110412871B (zh) | 2019-07-10 | 2019-07-10 | 建筑区域内的辅助设备能耗预测处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110412871A true CN110412871A (zh) | 2019-11-05 |
CN110412871B CN110412871B (zh) | 2020-07-03 |
Family
ID=68360928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910619474.7A Active CN110412871B (zh) | 2019-07-10 | 2019-07-10 | 建筑区域内的辅助设备能耗预测处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110412871B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626484A (zh) * | 2020-05-11 | 2020-09-04 | 新智数字科技有限公司 | 基于区域建筑能源系统参数修正的负荷预测系统及方法 |
CN112116140A (zh) * | 2020-09-10 | 2020-12-22 | 同济大学 | 一种基于孪生模型的建筑能耗预测方法 |
CN115169252A (zh) * | 2022-09-07 | 2022-10-11 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种结构化仿真数据生成系统及生成方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477367A (zh) * | 2009-01-23 | 2009-07-08 | 广东工业大学 | 面向节能降耗的工艺过程效能优化控制方法及其应用 |
CN102360181A (zh) * | 2011-09-07 | 2012-02-22 | 上海优华系统集成技术有限公司 | 基于ga-sqp混合优化策略的低温热实时优化系统 |
CN102809928A (zh) * | 2012-08-10 | 2012-12-05 | 南京南瑞继保电气有限公司 | 一种工业企业热力设备能耗的控制优化方法 |
CN103289725A (zh) * | 2012-03-05 | 2013-09-11 | 中国石油天然气股份有限公司 | 乙烯裂解炉的节能优化控制方法 |
US8682635B2 (en) * | 2010-05-28 | 2014-03-25 | Rockwell Automation Technologies, Inc. | Optimal self-maintained energy management system and use |
US20150134122A1 (en) * | 2012-09-30 | 2015-05-14 | Google Inc. | Radiant heating controls and methods for an environmental control system |
WO2016042585A1 (en) * | 2014-09-16 | 2016-03-24 | Azienda Agricola Eredi Poccianti | Thermal shell, in particular for a building |
CN106228270A (zh) * | 2016-07-27 | 2016-12-14 | 广东工业大学 | 一种大数据驱动的挤压设备的能耗预测方法及其系统 |
US20170174821A1 (en) * | 2015-12-21 | 2017-06-22 | Covestro Llc | Methods for designing polyisocyanurate foam-forming compositions, related polyisocyanurate foam-forming compositions, and foams produced thereby |
CN108830932A (zh) * | 2018-06-15 | 2018-11-16 | 郑州大学 | 一种基于EnergyPlus与CFD耦合的大空间建筑能耗预测方法 |
CN108960487A (zh) * | 2018-06-13 | 2018-12-07 | 北京天泽智云科技有限公司 | 基于大数据分析的空压机集群系统能耗优化方法和装置 |
CN109754490A (zh) * | 2019-01-15 | 2019-05-14 | 中车株洲电力机车有限公司 | 电力机车制动系统的健康管理方法、装置、介质及设备 |
-
2019
- 2019-07-10 CN CN201910619474.7A patent/CN110412871B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477367A (zh) * | 2009-01-23 | 2009-07-08 | 广东工业大学 | 面向节能降耗的工艺过程效能优化控制方法及其应用 |
US8682635B2 (en) * | 2010-05-28 | 2014-03-25 | Rockwell Automation Technologies, Inc. | Optimal self-maintained energy management system and use |
CN102360181A (zh) * | 2011-09-07 | 2012-02-22 | 上海优华系统集成技术有限公司 | 基于ga-sqp混合优化策略的低温热实时优化系统 |
CN103289725A (zh) * | 2012-03-05 | 2013-09-11 | 中国石油天然气股份有限公司 | 乙烯裂解炉的节能优化控制方法 |
CN102809928A (zh) * | 2012-08-10 | 2012-12-05 | 南京南瑞继保电气有限公司 | 一种工业企业热力设备能耗的控制优化方法 |
US20150134122A1 (en) * | 2012-09-30 | 2015-05-14 | Google Inc. | Radiant heating controls and methods for an environmental control system |
WO2016042585A1 (en) * | 2014-09-16 | 2016-03-24 | Azienda Agricola Eredi Poccianti | Thermal shell, in particular for a building |
US20170174821A1 (en) * | 2015-12-21 | 2017-06-22 | Covestro Llc | Methods for designing polyisocyanurate foam-forming compositions, related polyisocyanurate foam-forming compositions, and foams produced thereby |
CN106228270A (zh) * | 2016-07-27 | 2016-12-14 | 广东工业大学 | 一种大数据驱动的挤压设备的能耗预测方法及其系统 |
CN108960487A (zh) * | 2018-06-13 | 2018-12-07 | 北京天泽智云科技有限公司 | 基于大数据分析的空压机集群系统能耗优化方法和装置 |
CN108830932A (zh) * | 2018-06-15 | 2018-11-16 | 郑州大学 | 一种基于EnergyPlus与CFD耦合的大空间建筑能耗预测方法 |
CN109754490A (zh) * | 2019-01-15 | 2019-05-14 | 中车株洲电力机车有限公司 | 电力机车制动系统的健康管理方法、装置、介质及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626484A (zh) * | 2020-05-11 | 2020-09-04 | 新智数字科技有限公司 | 基于区域建筑能源系统参数修正的负荷预测系统及方法 |
CN112116140A (zh) * | 2020-09-10 | 2020-12-22 | 同济大学 | 一种基于孪生模型的建筑能耗预测方法 |
CN115169252A (zh) * | 2022-09-07 | 2022-10-11 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种结构化仿真数据生成系统及生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110412871B (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106786807B (zh) | 一种基于模型预测控制的风电场有功功率控制方法 | |
CN110412871A (zh) | 建筑区域辅助设备能耗预测处理方法及系统 | |
CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
CN101667013B (zh) | 微型燃气轮机冷电联供分布式供能系统优化运行控制方法 | |
CN101782261B (zh) | 暖通空调系统的非线性自适应节能控制方法 | |
US10180261B1 (en) | Model based cooling control system | |
CN104713197A (zh) | 一种基于数学模型的中央空调系统优化方法及系统 | |
CN107276069A (zh) | 一种地区电网居民温控负荷的近似聚合建模方法及系统 | |
CN112906292B (zh) | 热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质 | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
CN112413762B (zh) | 一种制冷机房冷却水系统参数优化方法和系统 | |
CN115776795A (zh) | 数据中心空调系统诊断方法及装置 | |
Waheed et al. | Fuzzy logic controller for classroom air conditioner | |
CN116266253A (zh) | 空调参数的优化控制方法、系统和计算机可读存储介质 | |
Djukanovic et al. | Neural-net based coordinated stabilizing control for the exciter and governor loops of low head hydropower plants | |
Wang et al. | A machine learning-based control strategy for improved performance of HVAC systems in providing large capacity of frequency regulation service | |
Wang et al. | A decentralized swarm intelligence algorithm for global optimization of HVAC system | |
Yu et al. | A distributed optimization algorithm for the dynamic hydraulic balance of chilled water pipe network in air-conditioning system | |
Li | Comparison of the characteristics of the control strategies based on artificial neural network and genetic algorithm for air conditioning systems | |
Hanumaiah et al. | Distributed multi-agent deep reinforcement learning framework for whole-building hvac control | |
Yang et al. | A GUI-based simulation platform for energy and comfort management in Zero-Energy Buildings | |
Zhao | RETRACTED ARTICLE: Research on Energy Saving Design of Intelligent Building Based on Genetic Algorithm | |
CN106779321A (zh) | 一种基于供能系统的供能控制方法及装置 | |
Ghazaani et al. | An intelligent power control design for a wind turbine in different wind zones using FAST simulator | |
CN112686425B (zh) | 一种基于合作博弈的能源互联网优化调度方法及系统 |
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 |