CN110426979A - 一种基于深度学习和模糊控制的复合热源多空调优化制冷方法 - Google Patents

一种基于深度学习和模糊控制的复合热源多空调优化制冷方法 Download PDF

Info

Publication number
CN110426979A
CN110426979A CN201910796529.1A CN201910796529A CN110426979A CN 110426979 A CN110426979 A CN 110426979A CN 201910796529 A CN201910796529 A CN 201910796529A CN 110426979 A CN110426979 A CN 110426979A
Authority
CN
China
Prior art keywords
air
conditioning
heat source
fuzzy control
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
CN201910796529.1A
Other languages
English (en)
Other versions
CN110426979B (zh
Inventor
初宁
宋俊朝
侯耀春
张黎雯
杨广胜
魏鹏锦
王宇轩
邵奇
吴大转
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910796529.1A priority Critical patent/CN110426979B/zh
Publication of CN110426979A publication Critical patent/CN110426979A/zh
Application granted granted Critical
Publication of CN110426979B publication Critical patent/CN110426979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2638—Airconditioning

Abstract

本发明公开了一种基于深度学习和模糊控制的复合热源多空调优化制冷方法，包括：(1)对复合热源多空调降温过程进行简化；(2)将各热源至各空调的距离参数增加到输入语言变量，构建各单热源单空调模糊控制的输入输出语言变量及其隶属函数；(3)确定单热源单空调模糊控制规则；(4)根据单热源单空调模糊控制模型运算，得到多种单热源、多空调降温方案；(5)使用COMSOL Multiphysics仿真对各种方案进行多热源多空调降温模拟分析；(6)将各热源初始降温需求、各空调降温方案及其对应的仿真过程数据和降温效果指标输入深度生成模型，推断输出优化后各个空调的降温方案。本发明适用于真实多热源多空调降温情况，能给出较优的调控方案。

Description

一种基于深度学习和模糊控制的复合热源多空调优化制冷 方法
技术领域
本发明属于空调能效优化控制策略方法领域，尤其是涉及一种基于深度学习和模糊控制的复合热源多空调优化制冷方法。
背景技术
目前随着轨道交通的飞速发展，其里程数和站点也在逐年增加，目前其车站设备房普遍存在空调盲目制冷对设备进行降温导致的大量的能源浪费现象，并且过度制冷也带来安全隐患等问题，因此给出合理且优化的复杂空间下多热源多空调降温方案显得至关重要。
当前，为解决这类设备房空调盲目降温而带来的能耗浪费巨大等问题，通常有以下方法：
(1)针对空调制冷的优化，采用变频调节或简单模糊控制的方式，但考虑到实际设备房热源分布的复杂性以及电气设备降温需求各异，此方法的节能空间相当局限，节能效果一般；(2)通过测试设备房各部分热源的发热情况，然后对空调制冷机组进行改造和优化布设，以实现节约能耗、高效降温，但采用此技术的成本较高，并且改造后的能效情况尚有待观察和考量。
对于多空调对复杂空间多热源进行降温的情况，由于不同热源初始温度不同，发热功率不同导致温度变化速率不同，安全温度阈值也不同等导致的各热源降温需求不同，和各空调距离不等导致的降温效果影响，因此需要考虑多种情况，如果仅用简单模糊控制方法，会出现不同设备房输入量数量、输出量数量不同，难以设置输入语言变量、输出语言变量，控制方案难以普及的问题；并且由于数量很多，控制规则的数量随输入量数量程指数型变化，会出现控制规则庞大、复杂的问题；且不同设备房实际情况不同，会出现难以设置较优的控制规则的问题。
发明内容
为解决现有技术过的上述问题，本发明提供了一种基于深度学习和模糊控制的复合热源多空调优化制冷方法，可以解决现有的复合热源多空调降温难以合理控制的问题。
本发明的技术方案如下：
一种基于深度学习和模糊控制的复合热源多空调优化制冷方法，包括：
(1)对复合热源多空调降温过程进行简化，得到各单热源单空调模糊控制模型；
(2)将各热源至各空调的距离参数增加到输入语言变量，构建各单热源单空调模糊控制的输入语言变量、输出语言变量及其隶属函数；
(3)确定单热源单空调模糊控制规则；
(4)根据单热源单空调模糊控制模型运算，得到多种单热源多空调降温方案；
(5)使用COMSOL Multiphysics仿真分别对上步得到的各种方案进行多热源多空调降温模拟分析，得到每个方案对应的降温效果和降温能耗指标；
(6)将各热源初始降温需求、各空调降温方案及其对应的仿真过程数据和降温效果指标输入深度生成模型，经过深度生成模型的推断，输出优化后各个空调的降温方案。
本发明能在不对设备房进行大幅改造的基础上，通过化简多热源多空调降温过程，建立合理的模糊控制模型，然后结合现代化有限元模拟仿真工具进行降温策略模拟和分析，最后基于深度生成模型综合考虑各热源初始降温需求(需求降温温度和降温速度)、各空调降温方案及其对应的仿真过程数据和降温效果指标等因素，最终推理得到优化后的各空调制冷方案。
步骤(1)中，由于实际机房中机柜内热源分布不均匀，空调出风到热源路径上可能存在其他热源阻挡等问题，因此在进行模糊控制模型建立的过程中对复杂空间下复合热源多空调降温情况进行简化。对复合热源多空调降温过程进行简化时，假设同一热源的安全温度相同，发热量相同且均匀，并且不考虑空调出风被阻挡的问题。
步骤(2)中，并且由于空调与热源距离不同时，降温效果也不同，降温效果随距离的增加而衰减。因此，将空调与热源距离也作为输入量，对距离这一参数进行模糊化处理，对不同的取值建立不同的模糊控制规则，使其在距离较远时提高空调出风风速，降低空调出风温度，以建立更合理的模糊控制模型。
步骤(2)中，设置三个输入语言变量与两个输出语言变量，其中输入语言变量分别为热源最高温度与设备安全运行温度差值，记为E/℃；热源最高温度在10s内的变化量，记为dE/℃；热源与空调距离，记为d/m。输出语言变量分别为空调出风温度，记为T/℃；以及空调出风风速，记为V/(m/s)。
模糊集合是用隶属度函数描述的。在经典集合中，特征函数只能取0和1两个值，而在模糊集合中，其特征函数的取值范围从两个元素的集合扩大到[0，1]区间连续取值。为了把两者区分开来，就把模糊集合的特征函数称作隶属度函数。由于模糊集研究的对象具有“模糊性”和经验性，因此找到一种统一的隶属度计算方法是不现实的。隶属度函数实质上反映的是事物的渐变性，因此，它应该遵守如下基本原则:①表示隶属度函数的模糊集合必须是凸模糊集合；②隶属度函数通常是对称和平衡的；③隶属度函数要符合人们的语义顺序，避免不恰当的重叠；④论域中的每个点应该至少属于一个隶属度函数的区域，同时它一般应该属于至多不超过两个隶属度函数的区域；⑤对同一输入没有两个隶属度函数会同时有最大隶属度；⑥当两个隶属度函数重叠时，重叠部分对两个隶属度函数的最大隶属度不应该有交叉。
步骤(3)中，在语言变量的基础上，确定模糊子集和模糊控制规则，各模糊子集以隶属函数表明基本论域上的精确值属于该模糊子集的程度；在建立模糊控制规则时，将基本论域上的精确值依据隶属函数归并到各模糊子集中，从而用语言变量值代替精确值。
设计模糊控制器的第二步是引入模糊推断逻辑实现控制决策推断。模糊控制规则是模糊控制器中知识库的一部分，模糊控制规则建立在语言变量的基础上。各模糊子集以隶属函数表明基本论域上的精确值属于该模糊子集的程度。因此，为建立模糊控制规则，需要将基本论域上的精确值依据隶属函数归并到各模糊子集中，从而用语言变量值代替精确值。这个过程代表了人在控制过程中对观察到的变量和控制量的模糊划分。同一个模糊控制规则库，对基本论域的模糊划分不同，控制效果也不同，推断逻辑是由一组IF-THEN的控制规则所组成的。本发明中模糊控制规则通过控制经验给出。
步骤(4)中，对每个单热源单空调模糊控制模型运算和求解时采用相同的解模糊方法，即在降温方案的生成过程上无差别化。
得到的降温方案数量由热源数量决定，每个热源对应一个降温方案。假设共有m个热源，n个空调，对其中一个热源来说，其较优降温方案应为每个空调都按上述单热源单空调降温方案进行降温，因此可得对单个热源，各个空调的优化降温方案。所以，对于同一个设备房m个热源，可得m组降温方案。
步骤(6)中，所使用的深度生成模型为包含一层可观察变量(包含最终各空调的制冷温度Ti和送风风速vi，表示为v)和单层潜变量(类似于多层感知机中的隐藏单元，表示为h)的受限玻尔兹曼机(RBM)，是基于能量的深度生成模型，其能量函数由下给出：
E(v，h)＝-bTv-cTh-vTWh
式中，b和c是偏置向量，W是模型参数的权重矩阵。由上式则可以指定受限玻尔兹曼机的联合概率分布：
式中，Z是配分函数的归一化常数，通过以块吉布斯采样的形式获得。推断过程基于最大似然梯度，以闭解形式计算P(h|v)，高效计算的估计和微分。
与现有技术相比，本发明具有以下有益效果：
本发明在经典简单模糊控制方法的基础上，结合深度生成模型推断共同给出更合理的的轨道交通电气设备房空调降温制冷方案，适用于真实多热源多空调降温情况。这在很大程度上优化了设备房各空调的制冷能效分配，对实现轨道交通车站设备房能效优化和智能运维具有重要意义。
附图说明
图1为本发明一种基于深度学习和模糊控制的复合热源多空调优化制冷方法的流程示意图；
图2为本发明实施例中要进行制冷优化的设备房示意图；
图3为本发明实施例的输入语言变量中设备最高温度与安全温度偏差的隶属函数；
图4为本发明实施例的输入语言变量中设备最高温10s内变化的隶属函数；
图5为本发明实施例的输入语言变量中设备与降温空调最短直线距离与最长直线距离平均值；
图6为本发明实施例的输出语言变量中空调出风温度的隶属函数；
图7为本发明实施例的输出语言变量中空调出风风速的隶属函数；
图8为设备与空调距离为近时，输出语言变量中空调出风温度T的模糊控制规则表；
图9为设备与空调距离为近时，输出语言变量中空调出风风速V的控制规则表；
图10为设备与空调距离为中时，输出语言变量中空调出风温度T的模糊控制规则表；
图11为设备与空调距离为中时，输出语言变量中空调出风风速V的控制规则表；
图12为设备与空调距离为远时，输出语言变量中空调出风温度T的模糊控制规则表；
图13为设备与空调距离为远时，输出语言变量中空调出风风速V的控制规则表。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
本实施例对某实际设备房进行制冷优化，设备房中包含六个设备热源和两个降温空调。
如图1所示，一种基于深度学习和模糊控制的复合热源多空调优化制冷方法，具体过程为：
S01，将复杂空间下复合热源多空调降温情况进行简化，并将各热源至各空调的距离对降温效果因素的影响纳入考量。
对某实际设备房进行建模，如图2所示，图中存在六个设备热源、两个降温空调以及两个出风口。具体为：第一热源1、第二热源2、第三热源3、第四热源4、第五热源5、第六热源6、第一空调7、第二空调8、第一出风口9、第二出风口10。
在建立模糊控制模型过程中，由于实际机房中机柜内热源分布不均匀，空调出风到热源路径上可能存在其他热源阻挡等问题，因此对其进行简化，假设同一机柜安全温度相同，发热量相同且均匀，并且不考虑空调出风被阻挡的问题。
并且由于空调与热源距离不同时，降温效果也不同，降温效果随距离的增加而衰减。因此，将空调与热源距离也作为输入量，对距离这一参数进行模糊化处理，对不同的取值建立不同的模糊控制规则，使其在距离较远时提高空调出风风速，降低空调出风温度，以建立更合理的模糊控制模型。
S02，构建单热源单空调模糊控制输入输出语言变量及其隶属函数。
各个语言变量的隶属函数如下：
1.输入语言变量之一，设备最高温度与安全温度偏差，记为E/℃，输入语言变量E取值{负大，负中,负小,零,正小,正中,正大}，表示符号{NB、NM、NS、Z、PS、PM、PB}。语言值的隶属函数选择三角形和梯形，如图3所示。
2.输入语言变量之二，设备最高温10s内变化，记为dE/℃，输入语言变量dE取值{负大,负中,负小,零,正小,正中,正大}，表示符号{NB、NM、NS、Z、PS、PM、PB}。语言值的隶属函数选择三角形和梯形，如图4所示。
3.输入语言变量之三，设备与降温空调最短直线距离与最长直线距离平均值，记为d/m，输入语言变量d取值{近，中，远}，表示符号{N、Z、P}。语言值的隶属函数选择三角形和梯形，如图5所示。
4.输出语言变量之一，空调出风温度，记为T/℃，输出语言变量T取值{低温，较低，偏低，适中，偏高，较高，高温}，表示符号{MC、MN、MT、AP、QT、QN、QC}。语言值的隶属函数选择三角形，如图6所示。
5.输出语言变量之二，空调出风风速，记为V/(m/s)，输出语言变量V取值{低速，较低，偏低，适中，偏高，较高，高速}，表示符号{MC、MN、MT、AP、QT、QN、QC}。语言值的隶属函数选择三角形，如图7所示。
S03，确定模糊控制规则。
设计模糊控制器的第二步是引入模糊推断逻辑实现控制决策推断。而推断逻辑是由一组IF-THEN的控制规则所组成的。本发明中模糊控制规则通过专家经验给出，其中当设备与空调距离近时，输出语言变量空调出风温度T的模糊控制规则表如图8所示，输出语言变量空调出风风速V控制规则表如图9所示；当设备与空调距离适中时，输出语言变量空调出风温度T的模糊控制规则表如图10所示，输出语言变量空调出风风速V控制规则表如图11所示；当设备与空调距离远时，输出语言变量空调出风温度T的模糊控制规则表如图12所示，输出语言变量空调出风风速V控制规则表如图13所示。
S04，根据单热源单空调模糊控制模型运算，得到多种单热源，多空调降温方案。
所建模型中共有6个热源，2个空调。对其中一个热源来说，其较优降温方案应为每个空调都按上述单热源单空调降温方案进行降温，因此可得对单个热源，多个空调的优化降温方案。所以，对于同一个设备房不同热源，可得6组降温方案。
S05，使用COMSOL Multiphysics仿真分别对上步得到的6种方案进行多热源多空调降温模拟分析，得到6种降温效果。
对步骤S04中得到的6种降温方案，分别进行多热源多空调设备房降温模拟，可得不同方案各自降温过程数据以及降温时间、降温耗能等降温效果指标，为接下来的深度学习提供分析数据支撑。各方案及仿真结果如下表1所示。
表1
S06，将各热源降温需求(需求降温温度和降温速度)、各空调降温方案及其对应的仿真过程数据和降温效果指标输入深度生成模型，经推断得到优化后的各空调降温方案。
将上述热源降温需求、空调初步降温方案和仿真分析数据输入深度生成模型，即本实施例所采用的受限玻尔兹曼机进行训练和推断，最终得到优化后的各空调制冷方案，如下表2所示。
表2
设备名 降温风速V：m/s 出风温度T：℃
空调1 3.0 17
空调2 3.1 16
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于深度学习和模糊控制的复合热源多空调优化制冷方法，其特征在于，包括：
(1)对复合热源多空调降温过程进行简化，得到各单热源单空调模糊控制模型；
(2)将各热源至各空调的距离参数增加到输入语言变量，构建各单热源单空调模糊控制的输入语言变量、输出语言变量及其隶属函数；
(3)确定单热源单空调模糊控制规则；
(4)根据单热源单空调模糊控制模型的运算和求解，得到多种单热源多空调降温方案；
(5)使用COMSOL Multiphysics仿真分别对上步得到的各种方案进行多热源多空调降温模拟分析，得到每个方案对应的降温效果和降温能耗指标；
(6)将各热源初始降温需求、各空调降温方案及其对应的仿真过程数据和降温效果指标输入深度生成模型，经过深度生成模型的推断，输出优化后各个空调的降温方案。
2.根据权利要求1所述的基于深度学习和模糊控制的复合热源多空调优化制冷方法，其特征在于，步骤(1)中，对复合热源多空调降温过程进行简化时，假设同一热源的安全温度相同，发热量相同且均匀，并且不考虑空调出风被阻挡的问题。
3.根据权利要求1所述的基于深度学习和模糊控制的复合热源多空调优化制冷方法，其特征在于，步骤(2)中，所述的输入语言变量为设备最高温度与设备安全运行温度的差值、设备最高温度在10s内的变化量，以及设备与空调距离；所述的输出语言变量为空调出风温度以及空调出风风速。
4.根据权利要求1所述的基于深度学习和模糊控制的复合热源多空调优化制冷方法，其特征在于，步骤(3)中，在语言变量的基础上，确定模糊子集和模糊控制规则，各模糊子集以隶属函数表明基本论域上的精确值属于该模糊子集的程度；在建立模糊控制规则时，将基本论域上的精确值依据隶属函数归并到各模糊子集中，从而用语言变量值代替精确值。
5.根据权利要求1所述的基于深度学习和模糊控制的复合热源多空调优化制冷方法，其特征在于，步骤(4)中，对每个单热源单空调模糊控制模型的运算和求解时采用相同的解模糊方法。
6.根据权利要求5所述的基于深度学习和模糊控制的复合热源多空调优化制冷方法，其特征在于，步骤(4)中，得到的降温方案数量由热源数量决定，每个热源对应一套各空调降温方案。
7.根据权利要求1所述的基于深度学习和模糊控制的复合热源多空调优化制冷方法，其特征在于，步骤(6)中，所使用的深度生成模型为包含一层可观察变量v和单层潜变量h的受限玻尔兹曼机RBM，是基于能量的深度生成模型，其能量函数为：
E(v,h)＝-bTv-cTh-vTWh
式中，b和c是偏置向量，W是模型参数的权重矩阵，由上式可以指定受限玻尔兹曼机的联合概率分布：
式中，Z是配分函数的归一化常数，通过以块吉布斯采样的形式获得；推断过程基于最大似然梯度，以闭解形式计算P(h|v)，高效计算的估计和微分。
CN201910796529.1A 2019-08-27 2019-08-27 基于深度学习和模糊控制的复合热源多空调优化制冷方法 Active CN110426979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910796529.1A CN110426979B (zh) 2019-08-27 2019-08-27 基于深度学习和模糊控制的复合热源多空调优化制冷方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910796529.1A CN110426979B (zh) 2019-08-27 2019-08-27 基于深度学习和模糊控制的复合热源多空调优化制冷方法

Publications (2)

Publication Number Publication Date
CN110426979A true CN110426979A (zh) 2019-11-08
CN110426979B CN110426979B (zh) 2020-08-04

Family

ID=68416227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910796529.1A Active CN110426979B (zh) 2019-08-27 2019-08-27 基于深度学习和模糊控制的复合热源多空调优化制冷方法

Country Status (1)

Country Link
CN (1) CN110426979B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6145751A (en) * 1999-01-12 2000-11-14 Siemens Building Technologies, Inc. Method and apparatus for determining a thermal setpoint in a HVAC system
JP2006162236A (ja) * 2004-12-06 2006-06-22 Samsung Electronics Co Ltd 空気調和機の冷媒量検出装置およびその方法
CN101586865A (zh) * 2009-07-10 2009-11-25 天津大学 一种空调的模糊控制方法及其系统
CN102213475A (zh) * 2011-03-22 2011-10-12 曙光信息产业(北京)有限公司 一种数据中心功耗自适应管理方法
CN108361927A (zh) * 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器
CN109977621A (zh) * 2019-04-30 2019-07-05 西南石油大学 一种基于深度学习的空调故障预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6145751A (en) * 1999-01-12 2000-11-14 Siemens Building Technologies, Inc. Method and apparatus for determining a thermal setpoint in a HVAC system
JP2006162236A (ja) * 2004-12-06 2006-06-22 Samsung Electronics Co Ltd 空気調和機の冷媒量検出装置およびその方法
CN101586865A (zh) * 2009-07-10 2009-11-25 天津大学 一种空调的模糊控制方法及其系统
CN102213475A (zh) * 2011-03-22 2011-10-12 曙光信息产业(北京)有限公司 一种数据中心功耗自适应管理方法
CN108361927A (zh) * 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器
CN109977621A (zh) * 2019-04-30 2019-07-05 西南石油大学 一种基于深度学习的空调故障预测方法

Also Published As

Publication number Publication date
CN110426979B (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
Hao et al. Ancillary service to the grid through control of fans in commercial building HVAC systems
Soyguder et al. An expert system for the humidity and temperature control in HVAC systems using ANFIS and optimization with Fuzzy Modeling Approach
CN104019520B (zh) 基于spsa的制冷系统最小能耗的数据驱动控制方法
Soyguder et al. Predicting of fan speed for energy saving in HVAC system based on adaptive network based fuzzy inference system
Jahedi et al. Genetic algorithm-based fuzzy-PID control methodologies for enhancement of energy efficiency of a dynamic energy system
WO2022127652A1 (zh) 一种空调聚合控制方法、系统和调控装置
Lo et al. Economic dispatch of chiller plant by improved ripple bee swarm optimization algorithm for saving energy
CN109945402A (zh) 一种中央空调水系统节能方法
Lu et al. Bi-population based discrete bat algorithm for the low-carbon job shop scheduling problem
WO2011006344A1 (zh) 砂尘环境试验系统的温度调节装置及智能温度控制方法
Gao et al. Optimal chiller loading by improved parallel particle swarm optimization algorithm for reducing energy consumption
Ahamed et al. Fuzzy logic controller design for intelligent air-conditioning system
Sanjeevikumar et al. Machine learning-based hybrid demand-side controller for renewable energy management
Du et al. Multi-regional building energy efficiency intelligent regulation strategy based on multi-objective optimization and model predictive control
Tian et al. Generalized predictive PID control for main steam temperature based on improved PSO algorithm
Wu et al. Management and control of load clusters for ancillary services using internet of electric loads based on cloud–edge–end distributed computing
CN110376896A (zh) 一种基于深度学习和模糊控制的单热源空调优化制冷方法
Wang et al. Multi-objective optimal scheduling of laminar cooling water supply system for hot rolling mills driven by digital twin for energy-saving
CN110426979A (zh) 一种基于深度学习和模糊控制的复合热源多空调优化制冷方法
Li et al. Fuzzy goal programming with multiple priorities via generalized varying-domain optimization method
Yan et al. Static pressure set-point reset smoothing scheme based-on improved iterative learning control and variable trajectory for air-conditioning system
Zhu et al. Operation optimization research of circulating cooling water system based on superstructure and domain knowledge
Abdalla et al. Model behaviour of cooling plant using subtractive clustering ANFIS at university buildings
Wan et al. SafeCool: safe and energy-efficient cooling management in data centers with model-based reinforcement learning
Chen et al. Optimal power dispatch for district cooling system considering cooling water transport delay

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