CN110440396B - 云边端协同的中央空调全局优化节能控制方法和系统 - Google Patents
云边端协同的中央空调全局优化节能控制方法和系统 Download PDFInfo
- Publication number
- CN110440396B CN110440396B CN201910624285.9A CN201910624285A CN110440396B CN 110440396 B CN110440396 B CN 110440396B CN 201910624285 A CN201910624285 A CN 201910624285A CN 110440396 B CN110440396 B CN 110440396B
- Authority
- CN
- China
- Prior art keywords
- data
- central air
- air conditioner
- module
- load
- 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
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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/85—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using variable-flow pumps
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/87—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling absorption or discharge of heat in outdoor units
- F24F11/871—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling absorption or discharge of heat in outdoor units by controlling outdoor fans
-
- 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
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
-
- 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
- F24F2110/20—Humidity
- F24F2110/22—Humidity of the outside air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/20—Heat-exchange fluid temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/50—Load
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Thermal Sciences (AREA)
- Human Computer Interaction (AREA)
- Fluid Mechanics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及云边端协同的中央空调全局优化节能控制方法和系统,包括:通过检测装置获取环境信息和中央空调的运行信息;边缘节点单元对环境信息和运行信息进行预处理获得预处理后的数据;将预处理后的数据中的第一部分数据进行存储并上传至云端服务器;云端服务器对第一部分数据进行训练和验证获得中央空调的负荷预测模型;边缘节点单元基于负荷预测模型和预处理后的数据中的第二部分数据和第三部分数据,获得中央空调的修正的负荷预测值;根据预处理后的数据中的第四部分数据获得中央空调的能耗模型;边缘节点单元根据修正的负荷预测值和能耗模型获得末端设备的优化控制参数以调整末端设备的当前运行参数。本发明能耗低、效率和稳定性高。
Description
技术领域
本发明涉及中央空调控制领域,更具体地说,涉及一种云边端协同的中央空调全局优化节能控制方法和系统。
背景技术
建筑的中央空调系统的设计容量一般是按照较大的空调负荷需求进行选择,然而系统大部分时间是处于部分负荷情况下运行,从而造成了大量能源浪费。理想的方法是未来时刻建筑需要的准是等要求进行预测,以预测的负荷分布为基础,结合各运行设备的能耗模型,采用全局优化控制算法确定该预测条件下各系统设备的最优或者接近最优的运行参数并加以控制,从而达到节能优化的目的。
采用上述方法所涉及的优化参数变量多且复杂,常需要复杂的深度学习负荷预测算法以及人工智能全局优化控制算法的支持,导致计算量非常巨大,传统的本地控制器无法满足计算的需求,因此在实际应用中,绝大多数的中央空调系统无法实现上述的全局的节能优化控制,节能潜力无法得到进一步的挖掘。
目前提出的较为可行的技术方案是:通过“云+端”控制计算体系实现全局的节能优化控制,即将负荷预测及优化控制放置于算力较强的云平台,云平台计算出的优化控制参数下发到端侧,采用该技术方案主要存在以下几个关键的问题,导致预测、优化及控制结果不理想,甚至出现末端设备失控和能耗增大的情况:
1)负荷预测同全局优化控制算法均布局于云端会加大云平台的任务,导致云平台承担的负荷较大,降低了云平台的计算效率。
2)由于需要控制的设备种类和数量较多,而控制类数据和实时数据对传输能力要求较高,造成传输带宽负荷较大,导致较高的网络延迟,影响设备的高效稳定运行。
3)末端设备与云平台的频繁通讯,增加对云平台服务器的压力,而二者之间的距离往往较大,上传下载控制数据所需求的电能巨大,导致较高通讯能耗,甚至总能耗不如未配置全局优化控制策略的系统。
4)该方式极端依赖于云平台的运行计算,云与端之间的通讯需要时刻保持,但是由于云端所依赖的网络的稳定性并不能完全保证,一旦云平台同端侧的通讯失效或者云平台出现异常情况,末端设备即无法获得云平台下发的优化控制参数,云平台也无法获取端侧的运行情况,直接导致基于负荷预测的全局优化控制机制失效,引起中央空调系统的不稳定或高能耗运行。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种云边端协同的中央空调全局优化节能控制方法和系统。
本发明解决其技术问题所采用的技术方案是:提供一种云边端协同的中央空调全局优化节能控制方法,应用于云边端协同的中央空调全局优化节能控制系统,所述云边端协同的中央空调全局优化节能控制系统包括:云端服务器、边缘节点单元、以及末端设备,所述节能控制方法包括:
通过检测装置获取环境信息和中央空调的运行信息,并将所述环境信息和所述运行信息上传至所述边缘节点单元;
所述边缘节点单元对所述环境信息和所述运行信息进行预处理,获得预处理后的数据;
将所述预处理后的数据中的第一部分数据进行存储并上传至所述云端服务器;
所述云端服务器对所述第一部分数据进行训练和验证,获得所述中央空调的负荷预测模型,并将所述负荷预测模型发送给所述边缘节点单元;
所述边缘节点单元基于所述负荷预测模型和所述预处理后的数据中的第二部分数据和第三部分数据,获得所述中央空调的修正的负荷预测值;以及根据所述预处理后的数据中的第四部分数据,获得所述中央空调的能耗模型;
所述边缘节点单元根据所述修正的负荷预测值和所述能耗模型,获得所述末端设备的优化控制参数;
所述末端设备根据所述优化控制参数调整自身的当前运行参数。
在一个实施例中,所述边缘节点单元对所述环境信息和所述运行信息进行预处理包括:
所述边缘节点单元对所述环境信息和所述运行信息进行过滤、清洗、聚合以及质量优化。
在一个实施例中,所述边缘节点单元对所述环境信息和所述运行信息进行预处理之后还包括:
基于所述预处理后的数据计算出所述中央空调的总负荷值和总能耗值。
在一个实施例中,所述将所述预处理后的数据中的第一部分数据上传至所述云端服务器之前包括:
判断所述云端服务器是否正常运行;
若是,将所述第一部分数据上传至所述云端服务器;
若否,继续存储所述第一部分数据直至达到阈值。
在一个实施例中,所述云端服务器对所述第一部分数据进行训练和验证,获得所述中央空调的负荷预测模型包括:
将所述第一部分数据划分为训练数据和验证数据;
根据所述训练数据中的组合数据,进行负荷模型的组合学习,获得组合学习负荷模型;
采用所述验证数据对所述组合学习负荷模型进行评估验证,以获得所述中央空调的负荷预测模型。
在一个实施例中,所述边缘节点单元基于所述负荷预测模型和所述预处理后的数据中的第二部分数据和第三部分数据,获得所述中央空调的修正的负荷预测值包括:
基于所述负荷预测模型和所述第二部分数据,获得所述中央空调的计算的负荷预测值;
采用所述第三部分数据对所述计算的负荷预测值进行修正,获得所述中央空调的修正的负荷预测值。
在一个实施例中,所述根据所述预处理后的数据中的第四部分数据,获得所述中央空调的能耗模型之前包括:
获取中央空调的物理参数。
本发明还提供一种云边端协同的中央空调全局优化节能控制系统,包括:云端服务器、边缘节点单元、检测装置以及末端设备;
所述检测装置,用于获取环境信息和中央空调的运行信息,并将所述环境信息和所述运行信息上传至所述边缘节点单元;
所述边缘节点单元,用于对所述环境信息和所述运行信息进行预处理,获得预处理后的数据,并将所述预处理后的数据中的第一部分数据进行存储和上传至所述云端服务器;所述边缘节点单元还用于根据所述云端服务器提供的负荷预测模型和所述预处理后的数据中的第二部分数据和第三部分数据,获得所述中央空调的修正的负荷预测值;以及根据所述预处理后的数据中的第四部分数据,获得所述中央空调的能耗模型,并根据所述修正的负荷预测值和所述能耗模型,获得所述末端设备的优化控制参数;
所述云端服务器,用于对所述第一部分数据进行训练和验证,获得所述负荷预测模型,并将所述负荷预测模型发送给所述边缘节点单元;
所述末端设备,用于根据所述优化控制参数调整自身的当前运行参数。
在一个实施例中,所述边缘节点单元包括:与所述检测装置进行数据通信的数据处理模块,与所述数据处理模块连接的边缘存储模块、负荷预测模型模块和负荷修正模块;
所述数据处理模块,用于对所述环境信息和所述运行信息进行预处理,获得所述预处理后的数据;
所述边缘存储模块,用于存储所述第一部分数据并将所述第一部分数据上传至所述云端服务器;
所述负荷预测模型模块,用于根据所述云端服务器提供的负荷预测模型和所述数据处理模块提供的第二部分数据,获得所述中央空调的计算的负荷预测值;
所述负荷修正模块,用于根据所述数据处理模块提供的第三部分数据对所述计算的负荷预测值进行修正,获得所述中央空调的修正的负荷预测值。
在一个实施例中,所述边缘节点单元还包括:与所述数据处理模块连接的能耗模型模块、与所述负荷修正模块连接的优化算法模块以及与所述优化算法模块连接的控制算法模块;
所述能耗模型模块,用于根据所述第四部分数据,获得所述中央空调的能耗模型,并将所述能耗模型发送给所述优化算法模块;
所述优化算法模块,用于根据所述修正的负荷预测值和所述能耗模型,计算出所述末端设备的优化设定值,并将所述优化设定值发送给所述控制算法模块;
所述控制算法模块,用于根据所述优化设定值,计算出所述末端设备的优化控制参数,并将所述优化控制参数发送给所述末端设备。
在一个实施例中,所述能耗模型模块包括:机理模型模块和参数训练模块;
所述机理模型模块,用于获取所述中央空调的物理参数,并将所述物理参数发送给所述参数训练模块;
所述参数训练模块,用于根据所述第四部分数据,结合所述物理参数进行训练,获得所述能耗模型。
在一个实施例中,所述边缘节点单元还包括:与所述边缘存储模块连接的云端状态判断模块;
所述云端状态判断模块,用于判断所述云端服务器是否正常运行,若是,将所述边缘存储模块输出的第一部分数据上传给所述云端服务器,若否,将所述边缘存储模块输出的第一部分数据返回给所述边缘存储模块。
在一个实施例中,所述云端服务器包括:历史数据库、与所述历史数据库连接的负荷预测模块;
所述历史数据库,用于接收所述第一部分数据并所述第一部分数据划分为训练数据和验证数据;
所述负荷预测模块,用于对所述训练数据进行训练,获得组合学习负荷模型。
在一个实施例中,所述云端服务器还包括:与所述历史数据库连接的验证模块;
所述验证模块,用于采用所述验证数据对所述组合学习负荷模块进行评估验证,以获得所述中央空调的负荷预测模型。
实施本发明的云边端协同的中央空调全局优化节能控制方法,具有以下有益效果:该节能控制方法通过将负荷预测模型训练由云端服务器进行训练获得,并由边缘节点单元与末端设备进行实时的交互、计算和控制,能够高效的分配云端服务器与边缘节点单元的计算压力,节约用于计算及通讯消耗的电能,同时提高中央空调全局优化节能控制方法的效率和稳定性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例提供的云边端协同的中央空调全局优化节能控制方法的流程示意图;
图2是本发明实施例提供的云边端协同的中央空调全局优化节能控制系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
为了减小云端服务器的压力,同时保障中央空调的稳定及高效节能运行,本发明将复杂的、计算量大的模型训练部署在云端服务器并进行相应的学习优化,优化得到的模型定期下发给靠近末端设备的边缘节点单元,边缘节点单元与末端设备进行实时的交互、推理、计算及控制,能够高效的分配云端服务器同边缘端的计算压力,节约用于计算及通讯消耗的电能,同时提高中央空调全局优化节能控制的效率和稳定性。
参考图1,为本发明实施例提供的云边端协同的中央空调全局优化节能控制方法的流程示意图,该云边端协同的中央空调全局优化节能控制方法为基于云边端协同计算体系的云边端协同的中央空调全局优化节能控制方法。
具体的,如图1所示,该节能控制方法包括:步骤S1、步骤S2、步骤S3、步骤S4、步骤S5、步骤S6和步骤S7。
步骤S1、通过检测装置31获取环境信息和中央空调的运行信息,并将环境信息和运行信息上传至边缘节点单元2。
具体的,检测装置31可以包括传感器或者执行器,其中传感器包括但不限于空气温度传感器、空气湿度传感器、黑球温度传感器等。执行器包括但不限于水泵变频器、风机变频器等。
本发明实施例中,环境信息包括:室内人员数量、室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度等;中央空调的运行信息包括:冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度、空气处理机组进风湿度等。
步骤S2、边缘节点单元2对环境信息和运行信息进行预处理,获得预处理后的数据。
具体的,边缘节点单元2对环境信息和运行信息进行预处理包括但不限于过滤、清洗、聚合以及质量优化等。
进一步地,在对环境信息和运行信息进行预处理后,还基于预处理后的数据计算出中央空调的总负荷值和总能耗值。
本发明实施例中,预处理后的数据可以包括:时刻点、总负荷值、总能耗值、室内人员数量、室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度、冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度、空气处理机组进风湿度、室内温度与室内温度设定值的差值、室内湿度与室内湿度设定值的差值、室内温度在一个采集周期内的变化率、室内湿度在一个采集周期内的变化率等。
步骤S3、将预处理后的数据中的第一部分数据进行存储并上传至云端服务器1。
本发明实施例中,预处理后的数据中的第一部分数据可以包括:时刻点、总负荷值、总能耗值、室内人员数量、室外温度、室外湿度、太阳辐射强度等。
进一步地,在将预处理后的数据中的第一部分数据上传至云端服务器1之前先执行以下步骤:
步骤S30-1、判断云端服务器1是否正常运行。
步骤S30-2、若是,将第一部分数据上传至云端服务器1。
步骤S30-3、若否,继续存储第一部分数据直至达到阈值。
可以理解地,当云端服务器1正常运行时,可直接将第一部分数据上传给云端服务器1;当云端服务器1为非正常运行时,则继续存储直到达到阈值,其中阈值为边缘节点单元2可存储的最大存储量,且待云服务器恢复正常运行后,再将第一部分数据同步上传给云端服务器1。
本发明实施例中,边缘节点单元2可以每隔T1周期,并通过以太网将第一部分数据上传给云端服务器1。由云端服务器1对第一部分数据进行存储。
步骤S4、云端服务器1对第一部分数据进行训练和验证,获得中央空调的负荷预测模型,并将负荷预测模型发送给边缘节点单元2。
具体的,云端服务器1对第一部分数据进行训练和验证,获得中央空调的负荷预测模型具体可以通过以下步骤实现:
步骤S401、将第一部分数据划分为训练数据和验证数据。
步骤S402、根据训练数据中的组合数据,进行负荷模型的组合学习,获得组合学习负荷模型。
步骤S403、采用验证数据对组合学习负荷模型进行评估验证,以获得中央空调的负荷预测模型。
具体的,云端服务器1可以将所存储的第一部分数据中的80%划分为训练数据,余下的20%划分为验证数据。其中,80%的训练数据中的组合数据即:时刻点、总负荷、室内人员数量、室外温度、室外湿度以及太阳辐射强度被用于进行负荷模型的组合学习训练,以得到组合学习负荷模型;接着,以20%的验证数据中总负荷对组合学习负荷模型进行评估验证,在验证过程中调整相关参数,以获得最佳的负荷预测模型,即本发明实施例的中央空调的负荷预测模型。
进一步地,本发明实施例中,当云端服务器1获得中央空调的负荷预测模型后,可以T2周期定期下发给边缘节点单元2。
步骤S5、边缘节点单元2基于负荷预测模型和预处理后的数据中的第二部分数据和第三部分数据,获得中央空调的修正的负荷预测值;以及根据预处理后的数据中的第四部分数据,获得中央空调的能耗模型。
具体的,步骤S5可以包括:
步骤S501、基于负荷预测模型和第二部分数据,获得中央空调的计算的负荷预测值。
步骤S502、采用第三部分数据对计算的负荷预测值进行修正,获得中央空调的修正的负荷预测值。
其中,第二部分数据可以包括:室内人员数量、室外温度、室外湿度、太阳辐射强度。第三部分数据可以包括:室内温度与室内温度设定值的差值,室内湿度与室内湿度设定值的差值,室内温度在一个采集周期内的变化率,室内湿度在一个采集周期内的变化率。该采集周期可根据实际操作确定,本发明不作具体限定。
具体的,边缘节点单元2通过室内人员数量、室外温度、室外湿度、太阳辐射强度进行负荷预则,计算出中央空调的计算的负荷预测值。然后,再利用室内温度与室内温度设定值的差值,室内湿度与室内湿度设定值的差值,室内温度在一个采集周期内的变化率,室内湿度在一个采集周期内的变化率对计算的负荷预测值进行修正,最终获得修正后的修正的负荷预测值。
进一步地,在获取中央空调的能耗模型之前,先获取中央空调的物理参数,进而将所获取的中央空调的物理参数与预处理后的数据中的第四部分数据相结合,并进行相应的训练,以获得中央空调的能耗模型。可以理解地,本发明实施例的中央空调的物理参数可以通过空调样本或者现场实测获得。其中,对物理参数和第四部分数据进行训练可采用包括但不限于多元线性回归方法进行。
其中,第四部分数据包括:时刻点、冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度和空气处理机组进风湿度。
步骤S6、边缘节点单元2根据修正的负荷预测值和能耗模型,获得末端设备3的优化控制参数。
具体的,在获得修正的负荷预测值和能耗模型后,利用相应的方法计算出末端设备3的优化控制参数。
本发明实施例中,末端设备3包括:空气处理机组32、冷冻水泵33、冷却水泵34、冷水机组35、冷却塔风机36。
本发明实施例中,可以采用包括但不限于遗传算法、模拟退火算法等人工智能优化算法计算出冷水机组35的运行台数、冷冻机组的出水温度、冷冻水泵33转速、冷却塔开启运行台数、冷却水泵34转速、冷却塔风机36转速的优化设定值,并在算出优化设定值后,实时计算出对应的优化控制参数,并将优化控制参数实时发送给末端设备3。
步骤S7、末端设备3根据优化控制参数调整自身的当前运行参数。
具体的,边缘节点单元2计算出末端设备3的优化控制参数后,实时发送给末端设备3,末端设备3中对应的设备可根据对应的优化控制参数调整自身的当前运行参数,达到优化节能控制的目的。
参考图2,本发明提供了一种云边端协同的中央空调全局优化节能控制系统,该优化节能控制系统为基于云边端协同计算体系的云边端协同的中央空调全局优化节能控制系统,且该控制系统可以应用于本发明实施例所公开的云边端协同的中央空调全局优化节能控制方法。
具体的,如图2所示,该云边端协同的中央空调全局优化节能控制系统可以包括:云端服务器1、边缘节点单元2、检测装置31以及末端设备3。
检测装置31,用于获取环境信息和中央空调的运行信息,并将环境信息和运行信息上传至边缘节点单元2。
进一步地,本发明实施例的检测装置31可以包括但不限于传感器或者执行器,其中传感器包括但不限于空气温度传感器、空气湿度传感器、黑球温度传感器等。执行器包括但不限于水泵变频器、风机变频器等。
本发明实施例中,环境信息包括:室内人员数量、室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度等;中央空调的运行信息包括:冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度、空气处理机组进风湿度等。
边缘节点单元2,用于对环境信息和运行信息进行预处理,获得预处理后的数据,并将预处理后的数据中的第一部分数据进行存储和上传至云端服务器1;边缘节点单元2还用于根据云端服务器1提供的负荷预测模型和预处理后的数据中的第二部分数据和第三部分数据,获得中央空调的修正的负荷预测值;以及根据预处理后的数据中的第四部分数据,获得中央空调的能耗模型,并根据修正的负荷预测值和能耗模型,获得末端设备3的优化控制参数。
进一步地,该边缘节点单元2可以包括:与检测装置31进行数据通信的数据处理模块21,与数据处理模块21连接的边缘存储模块22、负荷预测模型模块24和负荷修正模块25。
数据处理模块21,用于对环境信息和运行信息进行预处理,获得预处理后的数据。具体的,数据处理模块21对环境信息和运行信息进行预处理包括但不限于过滤、清洗、聚合以及质量优化等。进一步地,在在对环境信息和运行信息进行预处理后,数据处理模块21还基于预处理后的数据计算出中央空调的总负荷值和总能耗值。
本发明实施例中,预处理后的数据可以包括:时刻点、总负荷值、总能耗值、室内人员数量、室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度、冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度、空气处理机组进风湿度、室内温度与室内温度设定值的差值、室内湿度与室内湿度设定值的差值、室内温度在一个采集周期内的变化率、室内湿度在一个采集周期内的变化率等。
边缘存储模块22,用于存储第一部分数据并将第一部分数据上传至云端服务器1。
本发明实施例中,预处理后的数据中的第一部分数据可以包括:时刻点、总负荷值、总能耗值、室内人员数量、室外温度、室外湿度、太阳辐射强度等。
本发明实施例中,边缘存储模块22可以每隔T1周期,并通过以太网将第一部分数据上传给云端服务器1。由云端服务器1对第一部分数据进行存储。
负荷预测模型模块24,用于根据云端服务器1提供的负荷预测模型和数据处理模块21提供的第二部分数据,获得中央空调的计算的负荷预测值。
其中,第二部分数据可以包括:室内人员数量、室外温度、室外湿度、太阳辐射强度。
具体的,负荷预测模型模块24通过室内人员数量、室外温度、室外湿度、太阳辐射强度进行负荷预则,计算出中央空调的计算的负荷预测值。
负荷修正模块25,用于根据数据处理模块21提供的第三部分数据对计算的负荷预测值进行修正,获得中央空调的修正的负荷预测值。
第三部分数据可以包括:室内温度与室内温度设定值的差值,室内湿度与室内湿度设定值的差值,室内温度在一个采集周期内的变化率,室内湿度在一个采集周期内的变化率。该采集周期可根据实际操作确定,本发明不作具体限定。
在获得中央空调的计算的负荷预测值后,负荷修正模块25利用室内温度与室内温度设定值的差值,室内湿度与室内湿度设定值的差值,室内温度在一个采集周期内的变化率,室内湿度在一个采集周期内的变化率对计算的负荷预测值进行修正,最终获得修正后的修正的负荷预测值。
进一步地,本发明实施例的边缘节点单元2还包括:与数据处理模块21连接的能耗模型模块27、与负荷修正模块25连接的优化算法模块26以及与优化算法模块26连接的控制算法模块28。
能耗模型模块27,用于根据第四部分数据,获得中央空调的能耗模型,并将能耗模型发送给优化算法模块26。
该能耗模型模块27包括:机理模型模块和参数训练模块。
机理模型模块,用于获取中央空调的物理参数,并将物理参数发送给参数训练模块。
参数训练模块,用于根据第四部分数据,结合物理参数进行训练,获得能耗模型。
具体的,在获取能耗模型训练之前,先由机理模型模块获取中央空调的物理参数,然后将所获取的物理参数发送给参数训练模块,参数训练模块将机理模型模块提供的物理参数和数据处理模块21提供的第四部分数据相应结合,进行相应的训练,以训练出中央空调的能耗模型。可以理解地,本发明实施例的中央空调的物理参数可以通过空调样本或者现场实测获得。其中,对物理参数和第四部分数据进行训练可采用包括但不限于多元线性回归方法进行。
其中,第四部分数据包括:时刻点、冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔朝见湿度、空气处理机组风机转速、空气处理机组进风温度和空气处理机组进风湿度。
优化算法模块26,用于根据修正的负荷预测值和能耗模型,计算出末端设备3的优化设定值,并将优化设定值发送给控制算法模块28。
本发明实施例中,可以采用包括但不限于遗传算法、模拟退火算法等人工智能优化算法计算出末端设备3的优化设定值。
控制算法模块28,用于根据优化设定值,计算出末端设备3的优化控制参数,并将优化控制参数发送给末端设备3。
进一步地,该边缘节点单元2还包括:与边缘存储模块22连接的云端状态判断模块23。
该云端状态判断模块23,用于判断云端服务器1是否正常运行,若是,将边缘存储模块22输出的第一部分数据上传给云端服务器1,若否,将边缘存储模块22输出的第一部分数据返回给边缘存储模块22。
可以理解地,当云端服务器1正常运行时,可直接将第一部分数据上传给云端服务器1;当云端服务器1为非正常运行时,则继续存储直到达到阈值,其中阈值为边缘节点单元2可存储的最大存储量,且待云服务器恢复正常运行后,再将第一部分数据同步上传给云端服务器1。
云端服务器1,用于对第一部分数据进行训练和验证,获得负荷预测模型,并将负荷预测模型发送给边缘节点单元2。
进一步地,本发明实施例的云端服务器1可以包括:历史数据库11、与历史数据库11连接的负荷预测模块12。
历史数据库11,用于接收第一部分数据并第一部分数据划分为训练数据和验证数据。
具体的,历史数据库11可以将所存储的第一部分数据中的80%划分为训练数据,余下的20%划分为验证数据。
负荷预测模块12,用于对训练数据进行训练,获得组合学习负荷模型。
具体的,负荷预测模块12从历史数据库11所存储的80%的训练数据中提取组合数据(即时刻点、总负荷、室内人员数量、室外温度、室外湿度以及太阳辐射强度),用于进行负荷模型的组合学习训练,以得到组合学习负荷模型。
进一步地,本发明实施例的负荷预测模块12包括至少一个负荷预测学习器。图2示出了3个负荷预测学习器的示例。如图2所示,负荷预测学习器L1、负荷预测学习器L2、负荷预测学习器L3分别提取历史数据库11中的训练数据中的时刻点、总负荷、室内人员数据、室外温度、室外湿度以及太阳辐射强度进行负荷模型的组合学习,获得组合学习负荷模型。
进一步地,该云端服务器1还包括:与历史数据库11连接的验证模块13。
验证模块13,用于采用验证数据对组合学习负荷模块进行评估验证,以获得中央空调的负荷预测模型。
具体的,验证模块13从历史数据库11中20%的验证数据中提取总负荷,用以对组合学习模型中的预测负荷进行评估验证,并在验证过程中对相关参数进行相应的调整,以获得最佳的负荷预测模型,即本发明实施例的中央空调的负荷预测模型。
进一步地,验证模块13获得中央空调的负荷预测模型后,可以T2周期定期下发给负荷预测模型模块24。
末端设备3,用于根据优化控制参数调整自身的当前运行参数。
本发明实施例中,末端设备3包括:空气处理机组32、冷冻水泵33、冷却水泵34、冷水机组35、冷却塔风机36。
需要说明的是,本发明实施例的云边端协同的中央空调全局优化节能控制系统中,各模块所采用的具体方法不局限于某一特定方法,可根据实际情况调整,如负荷预测模块12中的负荷预测学习器的数量和具体算法均可做相应调整,优化算法模块26中所采用的算法不局限于遗传算法、模拟退火算法等。
通过采用本发明实施例提供的云边端协同计算体系的中央空调全局优化节能控制方法和系统,可以获得以下有益效果:
1)基于云端服务器1的强大算力,采用了组合学习的方法来进行负荷预测,其准确率和稳定性优于单独采取某一种算法,而各不同学习器算法的学权重可根据预测结果的评估进行滚动更新,极大的提高了负荷预测准确性。
2)由于边缘节点单元2靠近末端设备3,信息交互更加稳定可靠,采用本发明的方法可在云端失效时可以继续保持控制优化策略的继续进行。
3)通过合理部署算法的各个环节实现了高效稳定的计算,极大降低了基于负荷预测的中央空调的全局优化节能算法的计算负载。
4)本发明提出的方法能够实现完整的基于负荷预测的全局优化节能控制策略,并且保证了中央空调系统运行的可靠性和经济性。
采用本发明实施公开的基于云边端部署架构下的云边端协同的中央空调全局优化节能控制方法以及实现该优化算法的各模块的部署方式均应在该专利的保护范围内。
以上实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施,并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰,均应属于本发明权利要求的涵盖范围。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (14)
1.一种云边端协同的中央空调全局优化节能控制方法,应用于云边端协同的中央空调全局优化节能控制系统,所述云边端协同的中央空调全局优化节能控制系统包括:云端服务器、边缘节点单元、以及末端设备,其特征在于,所述节能控制方法包括:
通过检测装置获取环境信息和中央空调的运行信息,并将所述环境信息和所述运行信息上传至所述边缘节点单元;
所述边缘节点单元对所述环境信息和所述运行信息进行预处理,获得预处理后的数据;
将所述预处理后的数据中的第一部分数据进行存储并上传至所述云端服务器;所述第一部分数据包括:时刻点、总负荷值、总能耗值、室内人员数量、室外温度、室外湿度、太阳辐射强度;
所述云端服务器对所述第一部分数据进行训练和验证,获得所述中央空调的负荷预测模型,并将所述负荷预测模型发送给所述边缘节点单元;
所述边缘节点单元基于所述负荷预测模型和所述预处理后的数据中的第二部分数据和第三部分数据,获得所述中央空调的修正的负荷预测值;以及根据所述预处理后的数据中的第四部分数据,获得所述中央空调的能耗模型;所述第二部分数据包括:室内人员数量、室外温度、室外湿度、太阳辐射强度;所述第三部分数据包括:室内温度与室内温度设定值的差值,室内湿度与室内湿度设定值的差值,室内温度在一个采集周期内的变化率,室内湿度在一个采集周期内的变化率;所述第四部分数据包括:时刻点、冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度和空气处理机组进风湿度;
所述边缘节点单元根据所述修正的负荷预测值和所述能耗模型,获得所述末端设备的优化控制参数;
所述末端设备根据所述优化控制参数调整自身的当前运行参数。
2.根据权利要求1所述的云边端协同的中央空调全局优化节能控制方法,其特征在于,所述边缘节点单元对所述环境信息和所述运行信息进行预处理包括:
所述边缘节点单元对所述环境信息和所述运行信息进行过滤、清洗、聚合以及质量优化。
3.根据权利要求1所述的云边端协同的中央空调全局优化节能控制方法,其特征在于,所述边缘节点单元对所述环境信息和所述运行信息进行预处理之后还包括:
基于所述预处理后的数据计算出所述中央空调的总负荷值和总能耗值。
4.根据权利要求1所述的云边端协同的中央空调全局优化节能控制方法,其特征在于,所述将所述预处理后的数据中的第一部分数据上传至所述云端服务器之前包括:
判断所述云端服务器是否正常运行;
若是,将所述第一部分数据上传至所述云端服务器;
若否,继续存储所述第一部分数据直至达到阈值。
5.根据权利要求1所述的云边端协同的中央空调全局优化节能控制方法,其特征在于,所述云端服务器对所述第一部分数据进行训练和验证,获得所述中央空调的负荷预测模型包括:
将所述第一部分数据划分为训练数据和验证数据;
根据所述训练数据中的组合数据,进行负荷模型的组合学习,获得组合学习负荷模型;
采用所述验证数据对所述组合学习负荷模型进行评估验证,以获得所述中央空调的负荷预测模型。
6.根据权利要求1所述的云边端协同的中央空调全局优化节能控制方法,其特征在于,所述边缘节点单元基于所述负荷预测模型和所述预处理后的数据中的第二部分数据和第三部分数据,获得所述中央空调的修正的负荷预测值包括:
基于所述负荷预测模型和所述第二部分数据,获得所述中央空调的计算的负荷预测值;
采用所述第三部分数据对所述计算的负荷预测值进行修正,获得所述中央空调的修正的负荷预测值。
7.根据权利要求1所述的云边端协同的中央空调全局优化节能控制方法,其特征在于,所述根据所述预处理后的数据中的第四部分数据,获得所述中央空调的能耗模型之前包括:
获取中央空调的物理参数。
8.一种云边端协同的中央空调全局优化节能控制系统,其特征在于,包括:云端服务器、边缘节点单元、检测装置以及末端设备;
所述检测装置,用于获取环境信息和中央空调的运行信息,并将所述环境信息和所述运行信息上传至所述边缘节点单元;
所述边缘节点单元,用于对所述环境信息和所述运行信息进行预处理,获得预处理后的数据,并将所述预处理后的数据中的第一部分数据进行存储和上传至所述云端服务器;所述边缘节点单元还用于根据所述云端服务器提供的负荷预测模型和所述预处理后的数据中的第二部分数据和第三部分数据,获得所述中央空调的修正的负荷预测值;以及根据所述预处理后的数据中的第四部分数据,获得所述中央空调的能耗模型,并根据所述修正的负荷预测值和所述能耗模型,获得所述末端设备的优化控制参数;所述第一部分数据包括:时刻点、总负荷值、总能耗值、室内人员数量、室外温度、室外湿度、太阳辐射强度;所述第二部分数据包括:室内人员数量、室外温度、室外湿度、太阳辐射强度;所述第三部分数据包括:室内温度与室内温度设定值的差值,室内湿度与室内湿度设定值的差值,室内温度在一个采集周期内的变化率,室内湿度在一个采集周期内的变化率;所述第四部分数据包括:时刻点、冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度和空气处理机组进风湿度;
所述云端服务器,用于对所述第一部分数据进行训练和验证,获得所述负荷预测模型,并将所述负荷预测模型发送给所述边缘节点单元;
所述末端设备,用于根据所述优化控制参数调整自身的当前运行参数。
9.根据权利要求8所述的云边端协同的中央空调全局优化节能控制系统,其特征在于,所述边缘节点单元包括:与所述检测装置进行数据通信的数据处理模块,与所述数据处理模块连接的边缘存储模块、负荷预测模型模块和负荷修正模块;
所述数据处理模块,用于对所述环境信息和所述运行信息进行预处理,获得所述预处理后的数据;
所述边缘存储模块,用于存储所述第一部分数据并将所述第一部分数据上传至所述云端服务器;
所述负荷预测模型模块,用于根据所述云端服务器提供的负荷预测模型和所述数据处理模块提供的第二部分数据,获得所述中央空调的计算的负荷预测值;
所述负荷修正模块,用于根据所述数据处理模块提供的第三部分数据对所述计算的负荷预测值进行修正,获得所述中央空调的修正的负荷预测值。
10.根据权利要求9所述的云边端协同的中央空调全局优化节能控制系统,其特征在于,所述边缘节点单元还包括:与所述数据处理模块连接的能耗模型模块、与所述负荷修正模块连接的优化算法模块以及与所述优化算法模块连接的控制算法模块;
所述能耗模型模块,用于根据所述第四部分数据,获得所述中央空调的能耗模型,并将所述能耗模型发送给所述优化算法模块;
所述优化算法模块,用于根据所述修正的负荷预测值和所述能耗模型,计算出所述末端设备的优化设定值,并将所述优化设定值发送给所述控制算法模块;
所述控制算法模块,用于根据所述优化设定值,计算出所述末端设备的优化控制参数,并将所述优化控制参数发送给所述末端设备。
11.根据权利要求10所述的云边端协同的中央空调全局优化节能控制系统,其特征在于,所述能耗模型模块包括:机理模型模块和参数训练模块;
所述机理模型模块,用于获取所述中央空调的物理参数,并将所述物理参数发送给所述参数训练模块;
所述参数训练模块,用于根据所述第四部分数据,结合所述物理参数进行训练,获得所述能耗模型。
12.根据权利要求8所述的云边端协同的中央空调全局优化节能控制系统,其特征在于,所述边缘节点单元还包括:与所述边缘存储模块连接的云端状态判断模块;
所述云端状态判断模块,用于判断所述云端服务器是否正常运行,若是,将所述边缘存储模块输出的第一部分数据上传给所述云端服务器,若否,将所述边缘存储模块输出的第一部分数据返回给所述边缘存储模块。
13.根据权利要求8所述的云边端协同的中央空调全局优化节能控制系统,其特征在于,所述云端服务器包括:历史数据库、与所述历史数据库连接的负荷预测模块;
所述历史数据库,用于接收所述第一部分数据并所述第一部分数据划分为训练数据和验证数据;
所述负荷预测模块,用于对所述训练数据进行训练,获得组合学习负荷模型。
14.根据权利要求13所述的云边端协同的中央空调全局优化节能控制系统,其特征在于,所述云端服务器还包括:与所述历史数据库连接的验证模块;
所述验证模块,用于采用所述验证数据对所述组合学习负荷模块进行评估验证,以获得所述中央空调的负荷预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624285.9A CN110440396B (zh) | 2019-07-11 | 2019-07-11 | 云边端协同的中央空调全局优化节能控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624285.9A CN110440396B (zh) | 2019-07-11 | 2019-07-11 | 云边端协同的中央空调全局优化节能控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110440396A CN110440396A (zh) | 2019-11-12 |
CN110440396B true CN110440396B (zh) | 2021-04-06 |
Family
ID=68430164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624285.9A Active CN110440396B (zh) | 2019-07-11 | 2019-07-11 | 云边端协同的中央空调全局优化节能控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110440396B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110887173A (zh) * | 2019-11-27 | 2020-03-17 | 国网冀北电力有限公司 | 一种对中央空调系统进行远程控制的方法和装置 |
CN111417178B (zh) * | 2020-03-17 | 2021-12-31 | 重庆大学 | 基于机器学习与边缘计算的工业互联网节能系统及方法 |
CN113411366A (zh) * | 2020-03-17 | 2021-09-17 | 中移(上海)信息通信科技有限公司 | 基于边缘计算的物联网数据联动方法、装置、设备及介质 |
CN111563612B (zh) * | 2020-04-13 | 2024-03-22 | 深圳达实智能股份有限公司 | 一种地铁站空调预测性运维管理方法及系统 |
CN111735178A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 基于精英主义和svr回归算法的空调节能系统及优化方法 |
CN112032972A (zh) * | 2020-10-21 | 2020-12-04 | 陕西大唐高科机电科技有限公司 | 基于云计算的物联网中央空调自寻优控制系统及方法 |
CN112415924A (zh) * | 2020-10-30 | 2021-02-26 | 南京华盾电力信息安全测评有限公司 | 一种空调系统节能优化方法及系统 |
CN112413831A (zh) * | 2020-11-25 | 2021-02-26 | 中国电力科学研究院有限公司 | 一种中央空调节能控制系统及方法 |
CN112747419B (zh) * | 2021-01-21 | 2022-05-24 | 长江慧控科技(武汉)有限公司 | 中央空调风水联动控制方法、装置、设备及存储介质 |
CN112950001B (zh) * | 2021-02-05 | 2023-02-03 | 山东大学 | 基于云边端闭环架构的智慧能量管控系统及方法 |
CN113074450A (zh) * | 2021-03-24 | 2021-07-06 | 佳源科技股份有限公司 | 一种基于5g通信的中央空调末端群智能控制系统及方法 |
CN113095506A (zh) * | 2021-03-25 | 2021-07-09 | 北京大学 | 基于端、边及云协同的机器学习方法、系统及介质 |
CN113033016B (zh) * | 2021-04-12 | 2021-10-22 | 北京信息科技大学 | 基于混合式的中央空调负荷预测方法和装置 |
CN113220455A (zh) * | 2021-05-21 | 2021-08-06 | 润联软件系统(深圳)有限公司 | 一种基于云边协同的数据预处理方法和系统 |
CN113536660B (zh) * | 2021-06-12 | 2023-05-23 | 武汉所为科技有限公司 | 用于暖通云边协同的智能系统训练方法、模型及存储介质 |
CN113535232B (zh) * | 2021-06-12 | 2023-03-17 | 武汉所为科技有限公司 | 暖通云边协同系统 |
CN113535233B (zh) * | 2021-06-12 | 2023-03-14 | 武汉所为科技有限公司 | 用于暖通云边协同的人工智能系统 |
CN113569364B (zh) * | 2021-06-12 | 2024-01-23 | 武汉所为科技有限公司 | 用于暖通云边协同智能系统的仿真训练模型 |
CN113535234B (zh) * | 2021-06-12 | 2022-08-02 | 武汉所为科技有限公司 | 暖通云边协同控制方法、系统和存储介质 |
CN113641491B (zh) * | 2021-08-10 | 2022-06-17 | 微喂苍穹(上海)健康科技有限公司 | 一种5g空气消毒边缘计算方法和系统 |
CN113835344B (zh) * | 2021-11-25 | 2022-04-12 | 阿里云计算有限公司 | 设备的控制优化方法、展示平台、云服务器及存储介质 |
CN114413439A (zh) * | 2021-12-31 | 2022-04-29 | 深圳达实智能股份有限公司 | 基于自学习的中央空调运行专家库管理方法和系统 |
CN114543863A (zh) * | 2022-02-10 | 2022-05-27 | 德闻仪器仪表(上海)有限公司 | 一种超声波换能器零点漂移的修正方法 |
CN114963414B (zh) * | 2022-06-08 | 2023-11-24 | 山东润一智能科技有限公司 | 基于ai数据分析的空调系统智能调控装置 |
CN115297035B (zh) * | 2022-08-04 | 2024-06-18 | 杭州杰牌传动科技有限公司 | 一种边云协同智能运维系统 |
CN115220351B (zh) * | 2022-08-06 | 2023-07-21 | 郑州轻工业大学 | 一种基于云边端的建筑空调系统智能节能优化控制方法 |
CN115560430B (zh) * | 2022-09-08 | 2023-05-12 | 金捷利工程技术(北京)有限公司 | 一种基于云边计算的空调模型优化方法及系统 |
CN117193624B (zh) * | 2023-11-06 | 2024-02-27 | 深圳市海星信力德智能系统工程有限公司 | 一种智慧建筑的能源数据采集方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9483315B2 (en) * | 2015-02-03 | 2016-11-01 | International Business Machines Corporation | Autonomous dynamic optimization of platform resources |
JP7052218B2 (ja) * | 2017-05-19 | 2022-04-12 | コニカミノルタ株式会社 | エッジコンピューティングシステム、通信制御方法及び通信制御プログラム |
CN109684075B (zh) * | 2018-11-28 | 2023-04-07 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
CN109784532A (zh) * | 2018-12-12 | 2019-05-21 | 中山大学 | 一种基于深度学习的厂区能耗预测方法及系统 |
CN109946967A (zh) * | 2019-03-25 | 2019-06-28 | 北京快电科技有限公司 | 一种融合边缘智能的建筑能源互联网信息交换机 |
-
2019
- 2019-07-11 CN CN201910624285.9A patent/CN110440396B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110440396A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110440396B (zh) | 云边端协同的中央空调全局优化节能控制方法和系统 | |
CN114498641B (zh) | 一种分布式灵活资源聚合控制装置及控制方法 | |
CN113657031B (zh) | 基于数字孪生的供热调度自动化实现方法、系统及平台 | |
CN110332647B (zh) | 地铁地下车站空调系统负荷预测方法及空调系统 | |
CN112013521B (zh) | 一种基于天气预报的空调系统调节方法和系统 | |
CN100501608C (zh) | 后验控制与多传感器融合方法及中央空调节能控制装置 | |
CN115013861B (zh) | 一种基于供热系统的室内温度控制方法及装置 | |
CN104374052A (zh) | 基于神经网络的中央空调节能控制方法及系统 | |
CN109932896A (zh) | 一种建筑能耗的控制方法和系统 | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN107869420B (zh) | 风力涡轮机发电场的风力涡轮机偏航控制方法及系统 | |
CN104239597A (zh) | 基于rbf神经网络的冷却塔建模方法 | |
CN111076378A (zh) | 一种基于负荷预测的地铁车站通风空调节能系统及方法 | |
CN111144654A (zh) | 一种基于物联网的园区能源管理配置方法及装置 | |
CN112696798A (zh) | 空调的参数设置方法、空调设备以及计算机可读存储介质 | |
CN107247407B (zh) | 一种基于云架构的大数据自我学习修正控制系统及方法 | |
KR20210026447A (ko) | 심층 신경망 기반 전력 수요 예측 장치 및 방법 | |
CN116225102B (zh) | 一种移动式的储能通信温升自动监控系统及装置 | |
CN211526662U (zh) | 一种基于负荷预测的地铁车站通风空调节能系统 | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
CN116592464A (zh) | 基于多传感的风机盘管末端故障诊断与调控系统与方法 | |
CN116227704A (zh) | 基于边缘计算和云计算的供热能耗诊断及节能调控方法 | |
CN116307024A (zh) | 一种区域供热热负荷预测方法 | |
CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
KR20230093678A (ko) | 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법 |
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 |