CN110906571A - 基于机器学习的太阳能热泵热水系统控制策略优化方法 - Google Patents

基于机器学习的太阳能热泵热水系统控制策略优化方法 Download PDF

Info

Publication number
CN110906571A
CN110906571A CN201911208952.1A CN201911208952A CN110906571A CN 110906571 A CN110906571 A CN 110906571A CN 201911208952 A CN201911208952 A CN 201911208952A CN 110906571 A CN110906571 A CN 110906571A
Authority
CN
China
Prior art keywords
water
heat pump
temperature
solar
hot water
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
CN201911208952.1A
Other languages
English (en)
Other versions
CN110906571B (zh
Inventor
刘雪峰
路坦
蒋航航
王家绪
郑宇蓝
陈琰
叶灿滔
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201911208952.1A priority Critical patent/CN110906571B/zh
Publication of CN110906571A publication Critical patent/CN110906571A/zh
Application granted granted Critical
Publication of CN110906571B publication Critical patent/CN110906571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
    • F24S20/00—Solar heat collectors specially adapted for particular uses or environments
    • F24S20/40—Solar heat collectors combined with other heat sources, e.g. using electrical heating or heat from ambient air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H4/00—Fluid heaters characterised by the use of heat pumps
    • F24H4/02—Water heaters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H9/00—Details
    • F24H9/20—Arrangement or mounting of control or safety devices
    • F24H9/2007—Arrangement or mounting of control or safety devices for water heaters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
    • F24S50/00—Arrangements for controlling solar heat collectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/40—Solar thermal energy, e.g. solar towers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Economics (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Thermal Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Sustainable Energy (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Heat-Pump Type And Storage Water Heaters (AREA)

Abstract

本发明公开了基于机器学习的太阳能热泵热水系统控制策略优化方法。所述方法包括：空气源热泵热力模型及太阳能集热器热力模型构建；采集相关数据；热水系统模型构建；负荷预测；策略优化。本发明对系统进行了热力学模型构建，建立空气源热泵以及太阳能集热器集热过程的输入输出关系，并运用机器学习中的KNN(K‑Nearest Neighbor)监督学习算法，实现热水负荷的逐时预测，以此预测值作为需求负荷值，利用所建立的热力模型分析系统的优化控制策略和节能率，从而为工程人员提供了理论基础，确保热水系统更稳定、更节能地运行。

Description

基于机器学习的太阳能热泵热水系统控制策略优化方法
技术领域
本发明涉及太阳能-空气源热耦合热水系统的控制技术领域，具体涉及基于机器学习的太阳能热泵热水系统控制策略优化方法。
背景技术
据统计，目前建筑能耗占全国总能耗的30％左右。热水能耗是我国的能源消耗的一个重要方面。目前，我国商业建筑热水能耗占建筑总能耗的20-40％，民用建筑热水能耗占建筑总能耗的15-20％。生活热水的使用已经成为衡量社会文明程度和人民生活水平的重要标志。因此，开发和推广生活热水的节能降耗技术对实现建筑节能、保护环境有重要意义。
对于空气源热泵耦合太阳能热水系统而言，如何确定热水负荷预测与热水系统加热量的耦合关系对系统的节能运行至关重要，利用机器学习的方法建立负荷时序变化的函数关系，可以实现更准确地预测下一时间节点的负荷从而更为有效地利用供给侧的热量。此外，热水系统节能控制策略和用户侧负荷预测有待进一步优化。系统的节能很大程度上取决于其控制策略，目前大多数工程中采用定温控制或定时控制，不能使太阳能得到最大化的利用，缺乏科学性，仍存在很大的节能空间。
目前的太阳能热泵热水系统虽然应用广泛，但仍然存在无法充分利用太阳能、热泵实际运行性能系数偏低以及用水品质难以保证等诸多问题，实际制热和需求用热的耦合匹配成为了热水系统节能研究中亟待解决的关键问题；然而，近几年已有的研究中，众多学者对热水系统用户行为和负荷预测进行了大量的研究(Spur.R,Fiala.D,Nevrala.D,Probert.D.Influence of the domestic hot-water daily draw-off profile on theperformance of a hot-water store[J].Applied Energy.2006,83(7):749-73.郭俊杰.空气源热泵热水装置优化分析与运行策略研究[D].上海交通大学,2013.Helena F,Naspolini,Ricardo Ruther.The effect of measurement time resolution on thepeak time power demand reduction potential of domestic solar hot watersystems[J].Renewable Energy 88(2016):325-332.Alexandre Bertrand,AlessioMastrucci,Nils Schüler,Riad Aggoune,
Figure BDA0002297615800000011
Maréchal.Characterisation ofdomestic hot water end-uses for integrated urban thermal energy assessmentand optimization[J].Applied Energy,2016(2):2-15.)，但是其中多是针对24小时供应热水的系统，热水负荷强烈依赖于用户行为和习惯，对不同的系统和用户群体而言，热水负荷的时变性和随机性大，因此负荷预测的难度大且结果适用范围不够广。然而，学生宿舍热水系统一般为定时供水系统，具有用水流量大、时段相对集中的特点，相比全天候供应热水的系统，学生宿舍热水系统负荷对用户行为的依赖性相对较小，更容易用机器学习的方法进行预测且适应性强。部分学者(黄文洪.太阳能-空气源热泵热水系统运行特性及优化研究[D].集美大学,2017.楼静.并联式太阳能热泵热水机组智能控制系统研究[D].中南大学,2009.陈庆杰.太阳能热泵制热量预测模型及控制策略研究[D].中南大学,2012.)只针对静态用水工况对系统的控制策略进行分析和优化，并没有采用负荷的动态预测方法和考虑用热加热的耦合匹配问题，也没有把用于实验台的控制策略在实际的供水系统中加以验证，因此存在局限性。
发明内容
本发明对系统进行了热力学模型构建，尽可能精确地建立热泵以及太阳能集热器的输入输出关系，并运用机器学习中的KNN(K-Nearest Neighbor)监督学习算法，实现热水负荷的逐时预测，以此预测值作为需求负荷值，并通过热水系统热力学模型的构建对系统的节能潜力进行挖掘，利用所建立的数学模型寻找和分析系统的优化控制策略。
本发明的目的至少通过以下技术方案之一实现。
基于机器学习的太阳能热泵热水系统控制策略优化方法，包括以下步骤：
S1、空气源热泵热力模型及太阳能集热器热力模型构建；
S2、采集相关数据；
S3、热水系统模型构建；
S4、负荷预测；
S5、策略优化。
进一步地，步骤S1中，空气源热泵热力模型的构建根据已有的热泵结构参数，通过迭代计算得出热泵在一定输入条件(环境参数、冷凝器侧水流量等)下的蒸发温度、冷凝温度以及空气通过蒸发器后的出口温度，从而确定热泵的具体循环状态点，得到热泵的运行性能系数COP；具体包括以下步骤：
S1.1.1、确定空气源热泵的结构参数；
S1.1.2、以热泵进水温度、环境干球温度、湿球温度、当天大气压、冷凝器侧水流量、蒸发器侧空气流量作为输入条件；
S1.1.3、根据空气源热泵的压缩机、冷凝器、蒸发器、节流阀四个模块建立耦合热平衡方程；
S1.1.4、通过迭代计算确定制冷剂循环的具体状态点，从而得到不同工况下空气源热泵的运行性能系数COP。
具体地，空气源热泵热力模型的构建的具体流程如下：
A1：输入参数：热泵进水温度、环境干球温度、湿球温度、当天大气压、冷凝器侧水流量、蒸发器侧空气流量；
A2：假设冷凝温度tc；
A3：假设蒸发温度te；
A4：假设空气出口温度to；
A5：用蒸发器已有结构参数进行直接蒸发式空气冷却器热湿平衡计算，得出计算出口空气含湿量d0，计算出口空气温度to'；
A6：若计算出口空气温度to'与假设空气出口温度to偏差大于0.1℃，则反复迭代进行步骤A4、A5，否则继续进行下一步；
A7：根据蒸发温度te以及制冷剂的压焓图确定制冷剂流经蒸发器出口的温度，从而计算出压缩机进口温度，若压缩过程为理想绝热压缩，则可以求出压缩机出口温度，再根据压缩机指示效率ηi、机械效率ηm、电动机效率ηe、摩擦效率ηs、等熵效率ηv求出实际压缩过程的压缩机出口温度。
A8：计算蒸发器侧传热系数Kair，蒸发器侧对数平均温差Δte；
A9：根据蒸发器侧对数平均温差Δte计算实际蒸发温度te,act；
A10：用冷凝器已有结构参数计算冷凝器对数温差Δtc；
A11：计算此工况下的热泵功耗和COP，输出参数。
蒸发器内能量平衡方程如下：
Figure BDA0002297615800000031
Figure BDA0002297615800000041
Figure BDA0002297615800000042
式中，ha为空气侧对流换热系数，hae为当量换热系数，hb为制冷剂侧换热系数，C1、C2、n1、m是空气横掠肋片管外对流换热所确定的四个无量纲数；ta表示环境干球温度，to表示出口空气温度，ηf表示肋片效率，Af是肋管的肋片表面积、Ap是肋片间基管外表面积，λ表示冷凝器套管的导热系数，Rf、τ表示污垢热阻和肋化系数，Qin为肋管内表面热流密度，vm为制冷剂流速，di为肋片管内径，A为蒸发器总换热面积，Kair为蒸发器总传热系数，te,act表示实际蒸发温度，de表示肋片外侧空气通道的当量直径，cp表示空气的定压比热容，hair_in、hair_out表示空气进口焓值、空气出口焓值，L为气流方向的肋片长度，Reeva为肋片外侧空气的雷诺数，Δte为蒸发器侧对数平均温差。
蒸发器侧总的函数关系式为：
Figure BDA0002297615800000043
其中
Figure BDA0002297615800000044
为进口空气相对湿度，出口空气温度to迭代计算方法如下：
Figure BDA0002297615800000045
式中，dQ、dF是把蒸发器划分为Y个微元段后的微元换热量和微元面积，所求管段编号为i，对应管段内制冷剂的焓值为hi，管段外空气的温度为ti，i＝1,2,…,Y，Y为划分的管段数量，ξ表示析湿系数，Ga、Go表示蒸发器侧空气流量、制冷剂流量，tsi表示第i段管外空气的绝热饱和温度，可以由ti求出，ε表示接触系数，a表示肋通系数，N是肋管排数，Ki为空气侧的传热系数，其计算方法与Kair相同；ρ、v分别表示空气的密度和比体积。
迭代求得的第Y段的空气温度tY即为步骤A5中的计算出口空气温度to'，同理，第Y段的空气含湿量dY即为步骤A5中计算的出口空气含湿量do。
冷凝器内能量平衡方程如下：
Figure BDA0002297615800000051
式中，Nuo、Nuin分别表示冷凝器套管内外侧的努赛尔数，hout、hin分别表示冷凝器套管内外侧的换热系数，Reo、Rein分别表示冷凝器套管内外侧的雷诺数，Pr表示普朗特数，din、do、deq、dm分别表示冷凝器套管内径、套管外径、套管的当量直径、套管的平均直径，Qw表示冷凝器的总换热量，μ、μw分别表示套管内外流体黏度，δ、λ分别表示冷凝器套管壁厚和导热系数，tw_in表示冷凝器的进水温度，tw_out表示冷凝器的出水温度，Gw表示冷凝器侧水流量，Kc表示冷凝器总换热系数，Ac表示冷凝器的套管总表面积。
冷凝器侧总的函数关系式为：tc＝f(Qw,tw_in,Reo,Rein)
压缩机的实际压缩耗功Pact和理想压缩耗功Pts之间的关系为：
Pts＝qmo(hcon_in-heva_out)
Figure BDA0002297615800000052
其中，qmo表示制冷剂流量，hcon_in、heva_out分别表示冷凝器进口和蒸发器出口制冷剂焓值，ηi、ηm、ηe、ηs、ηv分别表示压缩机的指示效率、机械效率、电动机效率、摩擦效率、等熵效率。
进一步地，步骤S1中，太阳能集热器热力模型的构建根据已知的太阳能平板集热器结构参数，利用平板集热器瞬时效率方程法，计算实际运行过程中不同辐照条件下的集热器瞬时有效集热量；具体包括以下步骤：
S1.2.1、确定平板太阳能集热器的结构参数；
S1.2.2、以太阳辐照量、环境干球温度、集热器进口温度、工质流量作为输入条件；
S1.2.3、用平板太阳能集热器瞬时效率方程法计算集热器瞬时有效集热量。
具体地，太阳能集热器热力模型构建的具体流程如下：
B1：分三部分计算总损失系数UL：顶部损失Ut、底部损失Ub、侧面损失Ue，顶部损失与结构参数、环境温度、集热器温度有关，底部损失、侧面损失只与集热器的结构有关；对平板型太阳能集热器，其结构参数包括：排管内外径、集管尺寸、管中心距、总管数、底板和侧板厚度、保温层厚度、吸热体面积；
B2：由集热器工质当前的流动状态参数及结构参数算出F'——效率因子、FR——热迁移因子和F”——流动因子，公式如下：
Figure BDA0002297615800000061
其中，UL为总损失系数，W为集热器排管中心距，D为排管外径，Di为排管内径，hf,i为传热工质的换热系数，F为翅片效率，计算公式如下：
Figure BDA0002297615800000062
Figure BDA0002297615800000063
其中，tanh表示双曲正切函数，λ1、δ1分别表示翅片的导热系数和厚度。流动因子F”的计算方法如下：
Figure BDA0002297615800000064
其中，qm为翅片效率，cp,l为集热器流动工质的定压比热容，e表示自然对数的底数，Ac,s为集热器面积，热迁移因子FR、流动因子F”和效率因子F'三者之间的关系如下：
FR＝F'F”；
B3：根据当前输入的辐照量G计算出归一化温差Ti，
Figure BDA0002297615800000065
其中tin表示集热器进口温度，ta表示环境干球温度；
B4：用归一化温差来表示平板集热器的瞬时效率如下：
Figure BDA0002297615800000071
其中，(τα)表示集热器透过率和吸收率的乘积，G表示当前辐照量；
B5：计算出平板集热器的瞬时有效集热量QU。
B6：试算不同辐照度下的具体工况，以验证瞬时效率方程的合理性。
进一步地，步骤S2中，采集的相关数据包括：系统运行过程中的逐时水位、水箱温度、供水阀和补水阀启闭状态、太阳能集热器温度、用户用水量等参数。
步骤S3中，热水系统模型的构建根据数据库实时监测数据读取静态水箱温度和太阳能集热器温度值，建立系统静态能量损失和环境干球温度、水位之间的函数关系；根据已建立的热泵和太阳能集热器热力模型，结合工程上已有的热泵、水位和太阳能的逻辑控制策略以及补水策略进行系统建模，模拟一天中热水系统逐分钟各水箱温度ti、系统当前累计耗电量Etotal、系统当前累计补水量Wtotal、当前太阳能累计加热量Qsolar等参数的变化情况；具体包括以下步骤：
S3.1、将已建立的太阳能和空气源热泵模型进行耦合，对于整个太阳能热泵热水系统，根据热力学第一定律建立热平衡方程，即系统起始时刻的总能量、补入系统的冷水的能量以及热源提供的能量三部分之和，等于系统终止时刻的总能量、用户得到的能量以及损失的能量三部分之和，其中热源提供的能量包括太阳能和空气源热泵两部分的加热量；
S3.2、根据数据平台实时监测数据读取静态水箱温度和太阳能集热器温度变化，静态指系统未供水、未补水、未开启热泵和太阳能的情况下所测得的数据，利用多元线性回归法建立静态能量损失和环境干球温度、水位之间的函数关系；
S3.3、以每分钟作为一个模拟单元，计算一天中逐分钟热水系统各水箱温度ti、系统当前累计耗电量Etotal、系统当前累计补水量Wtotal、当前太阳能累计加热量Qsolar。
步骤S4中，负荷预测充分利用KNN算法对异常特征值不敏感的特性，针对热水系统多变量影响下的负荷非线性变化特性，实现了K近邻监督学习算法对用水量的逐时预测，经验证，预测精度也可以控制在较为合理的范围之内。具体包括以下步骤：
S4.1、首先对训练集中晚供水时段用水量进行区间划分，每小时作为一个预测单元；
S4.2、其次选取环境干球温度、相对湿度作为KNN算法中的特征值，将测试集的每个特征值与训练集中数据对应的特征值进行比较；
S4.3、KNN算法中的K值取小于10的整数，在10以内的范围变化K值，对比预测逐时误差与总误差的变化规律，选取使预测误差最小的即最合理的K值，达到对负荷逐时预测的目的。
具体地，负荷预测运用机器学习中的KNN(K-Nearest Neighbor)监督学习算法，实现热水负荷的逐时预测；所述基于KNN监督学习算法的负荷预测包括以下流程：
E1：整理所需数据即晚供水时段的逐时用水量，由于整个热水系统的用水量是每10min记录一次，并且是用水表进行总流量记录，首先将异常数据进行剔除，然后以小时为节点作差，算出逐时用水量；
E2：从气象数据网站下载当地逐时气象数据以获取逐时环境干球温度、相对湿度；
E3：以环境干球温度、相对湿度作为KNN算法的特征值，以晚供水时段的逐时用水量以及历史气象数据作为训练集，分析高峰时段热水系统逐时用水量与干球温度、相对湿度的关系；
E4：根据每个时段的用水量范围划分区间，对每个区间赋予标签；
E5：计算测试集数据即需要验证的天数的实际逐时用水量与各个训练集数据即历史逐时用水量之间的欧式距离，并按照距离的递增关系进行排序，选取距离最小的K个点，确定前K个点所在类别的出现频率，返回频率最高的类别对应的标签作为测试集数据的预测分类。
E6：根据流程E5中返回的预测分类标签，得到各时段负荷的初步预测结果；
E7：根据周末与工作日的平均水量的比值得到修正系数，对上一步的预测结果进行修正；
E8：选取几个已知逐时用水量和逐时温湿度的天数进行预测效果检验，对比预测值和实际值的偏差，并改变K值对比偏差的变化，从而选取最佳K值。
进一步地，步骤S5中，策略优化指在满足用户动态用水需求的前提下，控制系统可以根据步骤S4中的预测值对机组的运行状态和补水策略提前响应，做到控制用热量和实际需求量的匹配。其次，为节约能源，应有效利用太阳能资源，尽量减少热泵机组的开启时间，减少电能的消耗。最后，对于定时供水系统的水温波动应控制在一定范围之内以满足用水品质要求。策略优化过程采用的优化目标包括：太阳能保证率fs、系统耗电量Etotal、供水时段平均水温taverage，计算公式如下：
Figure BDA0002297615800000081
Figure BDA0002297615800000091
Figure BDA0002297615800000092
式中，Qsolar、Qtotal分别表示太阳能集热器有效加热量和系统总加热量；Etotal、Epump、Ehp、Esolar分别表示当前时刻累计总耗电量、补水泵和循环水泵耗电量、空气源热泵耗电量、太阳能循环泵耗电量；τ表示一天中供水开启的时刻；τ-(τ+nrun)表示供水循环泵开启的时段，n为总水箱个数，nrun表示供水的时长，Ti表示第i个水箱的温度。
策略优化具体包括如下步骤：
S5.1：导入日逐时辐照量数据，利用步骤S1中构建的太阳能集热模块和步骤S3中热水系统模型以每分钟为一个计算单元计算出有效集热量；
S5.2：改变初始水位，分析初始水位对太阳能利用率、空气源热泵平均COP以及总补水量的影响，以期提高日太阳能利用率和空气源热泵平均COP；
S5.3：对于多水箱的定时供水系统，通过热水系统模型模拟计算得到不同初始水位下出水管水温和各水箱平均水温的时变曲线，结合热泵平均COP变化规律找出最佳初始水位的范围；
S5.4：若热水系统供水时段平均水温仍无法达到工程要求，则改变补水策略和热泵控制策略。
进一步地，步骤S5.4中，所述补水策略如下：
结合步骤S4中的预测结果和实际最大补水量之间的关系判断当前时刻是否需要补水以及是否需要提前补水，若水位太低或水箱平均温度过高，则需要补水；补水策略要结合当前水位、当前供水温度值以及预测用水量进行联合控制，而不是独立判断。
例如，目前大多数热水系统实际运行过程中对负荷的预测采用的是静态预测方法。比如根据设计手册相关内容和要求——以日生活热水用水定额为计算依据，并用热水使用小时变化系数来修正。利用不同热水定额得出系统小时耗热量，再根据所需加热量确定系统的加热策略。但是，这种方法容易造成用热的浪费，不符合节能环保的优化理念。
若通过改变补水策略优化后发现水温的波动有所减小，但是平均供水温度仍无法达到工程要求，说明只改变初始水位和补水策略是不够的，则还需要空气源热泵控制策略的优化；
与现有多数实际工程上采取的热泵控制策略不同的是，所述空气源热泵控制策略即对空气源热泵的优化控制应分时段进行，并且要结合步骤S4的负荷动态预测对需求用热量和控制加热量进行耦合匹配，从而在满足用户需求的前提下确定最佳的热泵启闭时间。
与现有技术相比，本发明的优点在于：
通过对热水系统历史用水记录和气象数据之间关系的充分挖掘达到系统负荷预测的目的，并能将预测的逐时误差以及总误差控制在一定范围之内。从而对系统的补水、加热策略提前做出响应，避免了用热的浪费或供热不足的问题。另外，对空气源热泵的优化控制策略采用了分时段动态优化，较好地对需求用热量和控制加热量进行耦合匹配；在补水策略上，结合当前水位、当前供水温度值以及预测用水量进行联合控制，而不是独立判断。根据负荷的预测结果和实际最大补水量之间的关系判断当前时刻是否需要补水以及是否需要提前补水，若水位太低或水箱平均温度过高，则需要补水。
附图说明
图1是本发明实施例中的空气源热泵热力模型构建步骤的流程图；
图2是本发明实施例中利用Origin部分工况下平板集热器的瞬时效率和归一化温差的关系拟合曲线图；
图3是本发明实施例中的KNN算法核心部分预测函数的代码示意图；
图4是本发明实施例中的日用水总量预测值和实际值的偏差与K值的关系示意图；
图5a、图5b、图5c、图5d是本发明实施例中的逐时用水量预测值和实际值的对比图；
图6a、图6b是本发明实施例中的实际运行时全天热泵启闭状态图；
图7a、图7b、图7c、图7d是本发明实施例中采用新策略后的优化效果和原策略对比图；
图8是本发明实施例中一种基于机器学习的太阳能热泵热水系统控制策略优化方法的步骤流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图并举实施例，对本发明的具体实施进行详细说明。
实施例：
取广东省东莞市中山大学新华学院学生宿舍为研究对象，搭建好的太阳能热泵热水系统已经投入运行一段时间。在已有的热水系统装置的基础上，搭建了热水系统数据交互平台，实时将数据上传至云平台数据库中。该校区学生宿舍楼的热水系统为并联式太阳能热泵热水系统，为满足较大的热水需求量，采用多水箱串联的形式布置，热泵与水箱的连接方式为并联。取其中一栋学生宿舍，该学生宿舍楼共13层，每层50个宿舍房间，其中两个单人间，其余均为四人间，每天供水时间分为早中晚三个时段，分别为早上7:00——9:00，中午11:30——13:30，晚上17:00——24:00，三个时段目标水温分别为35℃、40℃、50℃。热水系统水箱、加热装置和管路位于宿舍楼顶层，共有7个储水箱，其中5个较大的水箱并联有热泵，每台热泵可以做到独立远程控制，启闭时间可以精确到分钟。另外2个水箱连接有总面积为240平方米的平板太阳能集热器组。
一种基于机器学习的太阳能热泵热水系统控制策略优化方法，如图8所示，包括以下步骤：
S1、空气源热泵热力模型及太阳能集热器热力模型构建；
步骤S1中，空气源热泵热力模型的构建根据已有的热泵结构参数，通过迭代计算得出热泵在一定输入条件(环境参数、热水流量等)下的蒸发温度、冷凝温度以及空气通过蒸发器后的出口温度，从而确定热泵的具体循环状态点，得到热泵的运行性能系数COP；具体包括以下步骤：
S1.1.1、确定空气源热泵的结构参数；
S1.1.2、以热泵进水温度、环境干球温度、湿球温度、当天大气压、冷凝器侧水流量、蒸发器侧空气流量作为输入条件；
S1.1.3、根据空气源热泵的压缩机、冷凝器、蒸发器、节流阀四个模块建立耦合热平衡方程；
S1.1.4、通过迭代计算确定制冷剂循环的具体状态点，从而得到不同工况下空气源热泵的运行性能系数COP。
具体地，如图1所示，空气源热泵热力模型构建的具体流程如下：
A1：输入参数：热泵进水温度、环境干球温度、湿球温度、当天大气压、冷凝器侧水流量、蒸发器侧空气流量；
A2：假设冷凝温度tc；
A3：假设蒸发温度te；
A4：假设空气出口温度to；
A5：用蒸发器已有结构参数进行直接蒸发式空气冷却器热湿平衡计算，得出计算出口空气含湿量d0，计算出口空气温度to'；
A6：若计算出口空气温度to'与假设空气出口温度to偏差大于0.1℃，则反复迭代进行步骤A4、A5，否则继续进行下一步；
A7：根据蒸发温度te以及制冷剂的压焓图确定制冷剂流经蒸发器出口的温度，从而计算出压缩机进口温度，若压缩过程为理想绝热压缩，则可以求出压缩机出口温度，再根据压缩机指示效率ηi、机械效率ηm、电动机效率ηe、摩擦效率ηs、等熵效率ηv求出实际压缩过程的压缩机出口温度。
A8：计算蒸发器侧传热系数Kair，蒸发器侧对数平均温差Δte；
A9：根据蒸发器侧对数平均温差Δte计算实际蒸发温度te,act；
A10：用冷凝器已有结构参数计算冷凝器对数温差Δtc；
A11：计算此工况下的热泵功耗和COP，输出参数。
蒸发器内能量平衡方程如下：
Figure BDA0002297615800000121
式中，ha为空气侧对流换热系数，hae为当量换热系数，hb为制冷剂侧换热系数，C1、C2、n1、m是空气横掠平肋片管外对流换热所确定的四个无量纲数；ta表示环境干球温度，to表示出口空气温度，ηf表示肋片效率，Af是肋管的肋片表面积、Ap是肋片间基管外表面积，λ表示冷凝器套管的导热系数，Rf、τ表示污垢热阻和肋化系数，Qin为肋管内表面热流密度，vm为制冷剂流速，di为肋片管内径，A为蒸发器总换热面积，Kair为蒸发器总传热系数，te,act表示实际蒸发温度，de肋片外侧空气通道的当量直径，cp表示空气的定压比热容，hair_in、hair_out表示空气进口焓值、空气出口焓值，L为气流方向的肋片长度，Reeva为肋管外空气的雷诺数，Δte为蒸发器侧对数平均温差。
蒸发器侧总的函数关系式为：
Figure BDA0002297615800000131
其中
Figure BDA0002297615800000134
为进口空气相对湿度，出口空气温度to迭代计算方法如下：
Figure BDA0002297615800000132
式中，dQ、dF是把蒸发器划分为Y个微元段后的微元换热量和微元面积，所求管段编号为i，对应管段内制冷剂的焓值为hi，管段外空气的温度为ti，i＝1,2,…,Y，Y为划分的管段数量，ξ表示析湿系数，Ga、Go表示空气流量、制冷剂流量，tsi表示第i段管外空气的绝热饱和温度，可以由ti求出，ε表示接触系数，a表示肋通系数，N是肋管排数，Ki为空气侧的传热系数，与上文Kair的计算方法相同，ρ、v分别表示空气的密度和比体积。
迭代求得的第Y段的空气温度tY即为步骤A5中的计算出口空气温度to'，同理，第Y段的空气含湿量dY即为步骤A5中的计算出口空气含湿量do。
冷凝器内能量平衡方程如下：
Figure BDA0002297615800000133
式中，Nuo、Nuin分别表示冷凝器套管内外侧的努赛尔数，hout、hin分别表示冷凝器套管内外侧的换热系数，Reo、Rein分别表示冷凝器套管内外侧的雷诺数，Pr表示普朗特数，din、do、deq、dm分别表示冷凝器套管内径、套管外径、套管的当量直径、套管的平均直径，Qw表示冷凝器的总换热量，μ、μw分别表示套管内外流体黏度，δ、λ分别表示冷凝器套管壁厚和导热系数，tw_in表示冷凝器的进水温度，tw_out表示冷凝器的出水温度，Gw表示冷凝器侧水流量，Kc表示冷凝器总换热系数，Ac表示冷凝器的套管总表面积。
冷凝器侧总的函数关系式为：tc＝f(Qw,tw_in,Reo,Rein)。
压缩机的实际压缩耗功Pact和理想压缩耗功Pts之间的关系为：
Pts＝qmo(hcon_in-heva_out)
Figure BDA0002297615800000141
其中，qmo表示制冷剂流量，hcon_in、heva_out分别表示冷凝器进口和蒸发器出口制冷剂焓值，ηi、ηm、ηe、ηs、ηv分别表示压缩机的指示效率、机械效率、电动机效率、摩擦效率、等熵效率。
进一步地，步骤S1中，太阳能集热器热力模型的构建根据已知的太阳能平板集热器结构参数，利用平板集热器瞬时效率方程法，计算实际运行过程中不同辐照条件下的集热器瞬时有效集热量；具体包括以下步骤：
S1.2.1、确定平板太阳能集热器的结构参数；
S1.2.2、以太阳辐照量、环境干球温度、集热器进口温度、工质流量作为输入条件；
S1.2.3、用平板太阳能集热器瞬时效率方程法计算集热器瞬时有效集热量。
具体地，太阳能集热器热力模型构建的具体流程如下：
B1：分三部分计算总损失系数UL：顶部损失Ut、底部损失Ub、侧面损失Ue，顶部损失与结构参数、环境温度、集热器温度有关，底部损失、侧面损失只与集热器的结构有关；对平板型太阳能集热器，其结构参数包括：排管内外径、集管尺寸、管中心距、总管数、底板和侧板厚度、保温层厚度、吸热体面积；
B2：由集热器工质当前的流动状态参数及结构参数算出F'——效率因子、FR——热迁移因子和F”——流动因子，公式如下：
Figure BDA0002297615800000142
其中，UL为总损失系数，W为集热器排管中心距，D为排管外径，Di为排管内径，hf,i为传热工质的换热系数，F为翅片效率，计算公式如下：
Figure BDA0002297615800000151
Figure BDA0002297615800000152
其中，tanh表示双曲正切函数，λ1、δ1分别表示翅片的导热系数和厚度。流动因子F”的计算方法如下：
Figure BDA0002297615800000153
其中，qm为翅片效率，cp,l为集热器流动工质的定压比热容，e表示自然对数的底数，Ac,s为集热器面积，热迁移因子FR、流动因子F”和效率因子F'三者之间的关系如下：
FR＝F'F”；
B3：根据当前输入的辐照量G计算出归一化温差Ti，
Figure BDA0002297615800000154
其中tin表示集热器进口温度，ta表示环境干球温度；
B4：用归一化温差来表示平板集热器的瞬时效率如下：
Figure BDA0002297615800000155
其中，(τα)表示集热器透过率和吸收率的乘积，G表示当前辐照量；
B5：计算出平板集热器的瞬时有效集热量QU。
B6：试算不同辐照度下的具体工况，以验证瞬时效率方程的合理性。在Origin2018中拟合，得到如图2所示的曲线，发现相关系数为0.95095，证明平板集热器的瞬时效率和归一化温差的相关度很高，因此所用方法是合理的。
S2、采集相关数据；
进一步地，步骤S2中，现场PLC数据采集系统会将实时采集的数据会上传到热水系统数据交互云平台上，数据形式以MySQL数据库文件呈现，通过分析每天不同时间和对应点位信息筛选出所需要的数据，导出为Excel格式并用Python中的xlrd模块读取并处理，启闭逻辑类型的数据整理为元组形式，数值型数据整理为列表形式，以便于热水系统模型的构建；采集的相关数据包括，采集的相关数据包括：系统运行过程中的逐时水位、水箱温度、供水阀和补水阀启闭状态、太阳能集热温度、用户用水量等参数。
S3、热水系统模型构建；
步骤S3中，热水系统模型的构建根据数据库实时监测数据读取静态水箱温度和太阳能集热器温度值，建立系统静态能量损失和环境干球温度、水位之间的函数关系；根据已建立的热泵和太阳能集热器热力模型，结合工程上已有的热泵、水位和太阳能的逻辑控制策略以及补水策略进行系统建模，模拟一天中热水系统逐分钟各水箱温度ti、系统当前累计耗电量Etotal、系统当前累计补水量Wtotal、当前太阳能累计加热量Qsolar等参数的变化情况；具体包括以下步骤：
S3.1、将已建立的太阳能和空气源热泵模型进行耦合，对于整个太阳能热泵热水系统，根据热力学第一定律建立热平衡方程，即系统起始时刻的总能量、补入系统的冷水的能量以及热源提供的能量三部分之和，等于系统终止时刻的总能量、用户得到的能量以及损失的能量三部分之和，其中热源提供的能量包括太阳能和空气源热泵两部分的加热量；
S3.2、根据数据平台实时监测数据读取静态水箱温度和太阳能集热器温度变化，静态指系统未供水、未补水、未开启热泵和太阳能的情况下所测得的数据，利用Origin软件中的多元线性回归法建立静态能量损失和环境干球温度、水位之间的函数关系；
S3.3、以每分钟作为一个模拟单元，计算一天中逐分钟热水系统各水箱温度ti、系统当前累计耗电量Etotal、系统当前累计补水量Wtotal、当前太阳能累计加热量Qsolar。
S4、负荷预测；
步骤S4中，负荷预测充分利用KNN算法对异常特征值不敏感的特性，针对热水系统多变量影响下的负荷非线性变化特性，实现了K近邻监督学习算法对用水量的逐时预测，经验证，预测精度也可以控制在较为合理的范围之内。具体包括以下步骤：
S4.1、首先对训练集中晚供水时段用水量进行区间划分，每小时作为一个预测单元；
S4.2、其次选取环境干球温度、相对湿度作为KNN算法中的特征值，将测试集的每个特征值与训练集中数据对应的特征值进行比较；
S4.3、KNN算法中的K值取小于10的整数，在10以内的范围变化K值，对比预测逐时误差与总误差的变化规律，选取使预测误差最小的即最合理的K值，达到对负荷逐时预测的目的。具体地，负荷预测运用机器学习中的KNN(K-Nearest Neighbor)监督学习算法，实现热水负荷的逐时预测；所述基于KNN监督学习算法的负荷预测包括以下流程：
E1：整理所需数据即晚供水时段的逐时用水量，由于系统的用水量是每10min记录一次，并且是水表的总流量记录，首先将异常数据进行剔除，然后以小时为节点作差，算出逐时用水量(单位：吨/小时)；
E2：从气象数据网站下载当地逐时气象数据以获取逐时环境干球温度、相对湿度；
E3：以环境干球温度、相对湿度作为KNN算法的特征值，以晚供水时段的逐时用水量以及历史气象数据作为训练集，在Python中编写代码，分析高峰时段热水系统逐时负荷与环境干球温度、相对湿度的关系；
E4：根据每个时段的用水量范围划分区间，对每个区间赋予标签；
E5：计算测试集数据即需要验证的天数的实际逐时用水量与各个训练集数据即历史逐时用水量之间的欧式距离，并按照距离的递增关系进行排序，选取距离最小的K个点，确定前K个点所在类别的出现频率，返回频率最高的类别对应的标签作为测试集数据的预测分类。KNN算法核心部分预测函数的代码如图3所示。
E6：根据流程E5中返回的预测分类标签，得到各时段负荷的初步预测结果；
E7：根据周末与工作日的平均水量的比值得到修正系数，从而对上一步的预测结果进行修正；
E8：选取几个已知逐时用水量和逐时温湿度的天数进行预测效果检验，对比预测值和实际值的偏差，并改变K值对比偏差的变化，从而选取最佳K值。应用于广东省东莞市中山大学新华学院20栋学生宿舍，得到的最佳K值应取6，如图4所示；
根据现场采集的数据，利用KNN算法对逐时用水量进行预测，预测值和实际值的对比图如图5a、图5b、图5c、图5d所示。发现预测结果中，日总用水量与实际值的偏差在2m3之内，逐时用水量与实际值的偏差也在2m3之内，说明了预测方法和K值选取的合理性。
S5、策略优化。
步骤S5中，策略优化指在满足用户动态用水需求的前提下，控制系统可以根据步骤S4中的预测值对机组的运行状态和补水策略提前响应，做到控制用热量和实际需求量的匹配。其次，为节约能源，应有效利用太阳能资源，尽量减少热泵机组的开启时间，减少电能的消耗。最后，对于定时供水系统的水温波动应控制在一定范围之内以满足用水品质要求。策略优化过程采用的优化目标包括：太阳能保证率fs、系统耗电量Etotal、供水时段平均水温taverage，计算公式如下：
Figure BDA0002297615800000181
Figure BDA0002297615800000182
Figure BDA0002297615800000183
式中，Qsolar、Qtotal分别表示太阳能集热器有效加热量和系统总加热量；Etotal、Epump、Ehp、Esolar分别表示当前时刻累计总耗电量、补水泵和循环水泵耗电量、空气源热泵耗电量、太阳能循环泵耗电量；τ表示一天中供水开启的时刻；τ-(τ+nrun)表示供水循环泵开启的时段，n为总水箱个数，nrun表示供水的时长，Ti表示第i个水箱的温度。
策略优化具体包括如下步骤：
S5.1：导入日逐时辐照量数据，利用步骤S1中构建的太阳能集热模块和步骤S3中热水系统模型以每分钟为一个计算单元计算出有效集热量；
S5.2：改变初始水位，分析初始水位对太阳能利用率、空气源热泵平均COP以及总补水量的影响，以期提高日太阳能利用率和空气源热泵平均COP；
S5.3：对于多水箱的定时供水系统，通过热水系统模型模拟计算得到不同初始水位下出水管水温和各水箱平均水温的时变曲线，结合热泵平均COP变化规律找出最佳初始水位的范围；结合具体案例(当天初始水位为满水位的17.8％)，得出各变量随初始水位的变化如表1所示；
表1 各变量随初始水位的变化
Figure BDA0002297615800000184
S5.4：本实施例中，若热水系统供水时段平均水温仍无法达到工程要求，则改变补水策略和热泵控制策略。
进一步地，步骤S5.4中，所述补水策略如下：
结合步骤S4中的预测结果和实际最大补水量之间的关系确定是否需要补水以及是否需要提前补水，若水位太低或水箱平均温度过高，则需要补水；补水策略要结合当前水位、当前供水温度值以及预测用水量进行联合控制，而不是独立判断。
例如，目前大多数热水系统实际运行过程中对负荷的预测采用的是静态预测方法。比如根据设计手册相关内容和要求——以日生活热水用水定额为计算依据，并用热水使用小时变化系数来修正。利用不同热水定额得出系统小时耗热量，再根据所需加热量确定系统的加热策略。但是，这种方法容易造成用热的浪费，不符合节能环保的优化理念。
调整后的分时段优化的补水策略如下：若W<Wmax(14:00-19:00)：H<80％，开始补水；H>95％，停止补水。若W>Wmax(19:00-22:00)：H<60％且T>52℃，开始补水；H>95％或T<48℃，停止补水。22:00后：H<40％且T>49℃，开始补水；H>60％或T<48℃，停止补水。W是下一时段预测用水量，Wmax是最大补水量，H是当前水位，T是当前供水温度。
改变补水策略后发现水温的波动有所减小，如表2所示：
表2 新策略优化效果(热泵控制策略未改变)
Figure BDA0002297615800000191
若通过改变补水策略优化后发现水温的波动有所减小，但是平均供水温度仍无法达到工程要求，说明只改变初始水位和补水策略是不够的，则还需要空气源热泵控制策略的优化；
对高校学生宿舍类定时供水系统，晚供水时段(17:00—24:00)用水量约占日总用水量的比值77.1％，且每个供水时段工程人员所要求的目标水温不同；因此，与现有多数实际工程上采取的热泵控制策略不同的是，所述空气源热泵控制策略即对空气源热泵的优化控制应分时段进行，并且要结合步骤S4的负荷动态预测对需求用热量和控制加热量进行耦合匹配，从而在满足用户需求的前提下确定最佳的热泵启闭时间，
对于实际运行过程中热泵实际开启时间，如图6a、图6b所示，发现在晚供水时段(17:00——24:00)，该系统在3月12日热泵有41.7％的时间未开启，在3月24日热泵有19.4％的时间未开启，说明现有策略下(开启时段一：10:00——15:00；开启时段二：17:00——23:00，热泵温差上下限分别为：52℃，45℃)，热泵加热量未能充分利用。
调整后的热泵的优化控制策略分时段进行，并且结合KNN算法得到的水量预测结果对用热量和加热量进行匹配，具体如下：
1.午供水阶段(13:00前)，T1＝42℃，T2＝40℃；
2.预备用热阶段(13:00-19:00)Q<1.1Qmax或H>60％，开启热泵。T1＝52℃，T2＝48℃；
3.用水高峰阶段(19:00-22:00)，补水开启时，保持热泵开启，T1＝54℃；
4.最后阶段(22:00之后)，保持原策略不变，即T1＝50℃，T2＝45℃。
Q为当前时刻开启热泵能提供的热量，Qmax为当前时段加热至目标水温所需总热量，H为当前水位，T1为温差上限，T2为温差下限。
初始水位优化以及补水+热泵策略改变后的优化效果如表3所示，效果图如图7a、图7b、图7c、图7d所示：
表3 优化效果
Figure BDA0002297615800000201
新策略下平均供水温度的波动减小，改善了用户的用水体验；新策略对实际用热和控制用热进行了合理的耦合匹配，平均节能率为4.15％，且显著改善了用水品质，使晚用水时段平均供水温度提高，因此具有较好的实际推广价值。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。

Claims (10)

1.基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，包括以下步骤：
S1、空气源热泵热力模型及太阳能集热器热力模型构建；
S2、采集相关数据；
S3、热水系统模型构建；
S4、负荷预测；
S5、策略优化。
2.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S1中，空气源热泵热力模型的构建过程包括以下步骤：
S1.1.1、确定空气源热泵的结构参数；
S1.1.2、以热泵进水温度、环境干球温度、湿球温度、当天大气压、冷凝器侧水流量、蒸发器侧空气流量作为输入条件；
S1.1.3、根据空气源热泵的压缩机、冷凝器、蒸发器、节流阀四个模块建立耦合热平衡方程；
S1.1.4、通过迭代计算确定制冷剂循环的具体状态点，从而得到不同工况下空气源热泵的运行性能系数COP。
3.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S1中，太阳能集热器热力模型的构建包括以下步骤：
S1.2.1、确定平板太阳能集热器的结构参数；
S1.2.2、以太阳辐照量、环境干球温度、集热器进口温度、工质流量作为输入条件；
S1.2.3、用平板太阳能集热器瞬时效率方程法计算集热器瞬时有效集热量。
4.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S2中，采集的相关数据包括：系统运行过程中的逐时水位、水箱温度、供水阀和补水阀启闭状态、太阳能集热温度、用户用水量、热泵的冷凝温度。
5.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S3中，热水系统模型的构建包括以下步骤：
S3.1、将已建立的太阳能和空气源热泵模型进行耦合，对于整个太阳能热泵热水系统，根据热力学第一定律建立热平衡方程，即系统起始时刻的总能量、补入系统的冷水的能量以及热源提供的能量三部分之和，等于系统终止时刻的总能量、用户得到的能量以及损失的能量三部分之和，其中热源提供的能量包括太阳能和空气源热泵两部分的加热量；
S3.2、根据数据平台实时监测数据读取静态水箱温度和太阳能集热器温度变化，静态指系统未供水、未补水、未开启热泵和太阳能的情况下所测得的数据，利用多元线性回归法建立静态能量损失和环境干球温度、水位之间的函数关系；
S3.3、以每分钟作为一个模拟单元，计算一天中逐分钟热水系统各水箱温度ti、系统当前累计耗电量Etotal、系统当前累计补水量Wtotal、当前太阳能累计加热量Qsolar。
6.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S4中，负荷预测步骤包括以下步骤：
S4.1、首先对训练集中晚供水时段用水量进行区间划分，每小时作为一个预测单元；
S4.2、其次选取环境干球温度、相对湿度作为KNN算法中的特征值，将测试集的每个特征值与训练集中数据对应的特征值进行比较；
S4.3、KNN算法中的K值取小于10的整数，在10以内的范围变化K值，对比预测逐时误差与总误差的变化规律，选取使预测误差最小的即最合理的K值，达到对负荷逐时预测的目的。
7.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S4中，负荷预测运用机器学习中的KNN(K-Nearest Neighbor)监督学习算法，实现热水负荷的逐时预测；
所述基于KNN监督学习算法的负荷预测包括以下流程：
流程1：整理所需数据即晚供水时段的逐时用水量，由于系统的用水量是每10min记录一次，并且是水表的总流量记录，首先将异常数据进行剔除，然后以小时为节点作差，算出逐时用水量；
流程2：从气象数据网站下载当地逐时气象数据获取逐时环境干球温度、相对湿度；
流程3：以环境干球温度、相对湿度作为KNN算法的特征值，以晚供水时段的逐时用水量以及历史气象数据作为训练集，分析高峰时段热水系统逐时用水量与干球温度、相对湿度的关系；
流程4：根据每个时段的用水量范围划分区间，对每个区间赋予标签；
流程5：计算测试集数据即需要验证的天数的实际逐时用水量与各个训练集数据即历史逐时用水量之间的欧式距离，并按照距离的递增关系进行排序，选取距离最小的K个点，确定前K个点所在类别的出现频率，返回频率最高的类别对应的标签作为测试集数据的预测分类。
流程6：根据流程5中返回的预测分类标签，得到各时段负荷的初步预测结果；
流程7：根据周末与工作日的平均水量的比值得到修正系数，对上一步的预测结果进行修正；
流程8：选取几个已知逐时用水量和逐时温湿度的天数进行预测效果检验，对比预测值和实际值的偏差，并改变K值对比偏差的变化，从而选取最佳K值。
8.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S5中，策略优化过程采用的优化目标包括：太阳能保证率fs、系统耗电量Etotal、供水时段平均水温taverage，计算公式如下：
Figure FDA0002297615790000031
Figure FDA0002297615790000032
Figure FDA0002297615790000033
式中，Qsolar、Qtotal分别表示太阳能集热器有效加热量和系统总加热量；Etotal、Epump、Ehp、Esolar分别表示当前时刻累计总耗电量、补水泵和循环水泵耗电量、空气源热泵耗电量、太阳能循环泵耗电量；τ表示一天中供水开启的时刻；τ-(τ+nrun)表示供水循环泵开启的时段，n为总水箱个数，nrun表示供水的时长，Ti表示第i个水箱的温度。
9.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S5中，策略优化包括以下步骤：
S5.1：导入日逐时辐照量数据，利用步骤S1中构建的太阳能集热模块和步骤S3中热水系统模型以每分钟为一个计算单元计算出有效集热量；
S5.2：改变初始水位，分析初始水位对太阳能利用率、空气源热泵平均COP以及总补水量的影响，以期提高日太阳能利用率和空气源热泵平均COP；
S5.3：对于多水箱的定时供水系统，通过热水系统模型模拟计算得到不同初始水位下出水管水温和各水箱平均水温的时变曲线，结合热泵平均COP变化规律找出最佳初始水位的范围；
S5.4：若热水系统供水时段平均水温仍无法达到工程要求，则改变补水策略和空气源热泵控制策略。
10.根据权利要求9所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S5.4中，所述补水策略如下：
结合步骤S4中的用水量预测结果和补水泵所能提供的最大补水量之间的关系确定是否需要补水以及是否需要提前补水，若当前水位过低或水箱平均温度过高，则需要补水；
若通过改变补水策略优化后发现水温的波动有所减小，但是平均供水温度仍无法达到工程要求，说明只改变初始水位和补水策略是不够的，则还需要空气源热泵控制策略的优化；
所述空气源热泵控制策略即对空气源热泵的优化控制应分时段进行，并且要结合步骤S4的负荷动态预测对需求用热量和控制加热量进行耦合匹配，从而在满足用户需求的前提下确定最佳的热泵启闭时间。
CN201911208952.1A 2019-11-30 2019-11-30 基于机器学习的太阳能热泵热水系统控制策略优化方法 Active CN110906571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911208952.1A CN110906571B (zh) 2019-11-30 2019-11-30 基于机器学习的太阳能热泵热水系统控制策略优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911208952.1A CN110906571B (zh) 2019-11-30 2019-11-30 基于机器学习的太阳能热泵热水系统控制策略优化方法

Publications (2)

Publication Number Publication Date
CN110906571A true CN110906571A (zh) 2020-03-24
CN110906571B CN110906571B (zh) 2021-06-08

Family

ID=69821321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911208952.1A Active CN110906571B (zh) 2019-11-30 2019-11-30 基于机器学习的太阳能热泵热水系统控制策略优化方法

Country Status (1)

Country Link
CN (1) CN110906571B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112594937A (zh) * 2020-12-16 2021-04-02 珠海格力电器股份有限公司 热水器的控制方法、装置、电子设备及存储介质
CN112944698A (zh) * 2021-02-07 2021-06-11 中国科学院重庆绿色智能技术研究院 一种太阳能热电联供组件的瞬态热电输出计算方法及系统
CN113203117A (zh) * 2021-03-29 2021-08-03 东南大学 一种基于bp神经网络的复合供暖控制方法
CN113218092A (zh) * 2021-05-11 2021-08-06 沈阳建筑大学 一种基于温度预测的太阳能集热器耦合系统运行方法
CN113282124A (zh) * 2021-07-20 2021-08-20 深圳市佳运通电子有限公司 一种加热炉燃气流量的控制方法、温度托管方法及系统
CN113654242A (zh) * 2021-08-12 2021-11-16 湖南精朗能源科技有限公司 一种基于室外环境温度的空气能热水机组控制系统
CN113825356A (zh) * 2021-07-28 2021-12-21 腾讯科技（深圳）有限公司 冷源系统的节能控制方法、装置、电子设备和存储介质
CN114136021A (zh) * 2021-11-30 2022-03-04 中国电力工程顾问集团西北电力设计院有限公司 结合资源预测的太阳能-地源热泵系统控制方法及系统
CN114165834A (zh) * 2021-11-30 2022-03-11 青岛海信日立空调系统有限公司 一种热泵热水系统
CN114264096A (zh) * 2021-12-30 2022-04-01 西安建筑科技大学 一种基于尖点突变模型的除霜控制方法
CN114815925A (zh) * 2022-04-29 2022-07-29 佛山市顺德区美的饮水机制造有限公司 即热饮水机及其出水曲线校正方法与装置、存储介质
CN115270521A (zh) * 2022-09-26 2022-11-01 中国建筑西南设计研究院有限公司 一种空气密度对空气源热泵供热系统性能影响的仿真方法
CN115660325A (zh) * 2022-10-08 2023-01-31 国网山东省电力公司威海供电公司 一种电网调峰能力量化方法及系统
CN116182428A (zh) * 2023-04-25 2023-05-30 广东力王科技股份有限公司 一种用于太阳能热泵的优化控制方法及系统
CN116661354A (zh) * 2023-06-12 2023-08-29 广州宝能能源管理股份有限公司 无菌热水系统的远程监控管理方法及系统
CN117436294A (zh) * 2023-12-21 2024-01-23 中国建筑第六工程局有限公司 一种基于热平衡的状态分析方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8095245B1 (en) * 2009-07-29 2012-01-10 Lockheed Martin Corporation Thermal energy dispatch system
WO2013153184A1 (fr) * 2012-04-12 2013-10-17 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede et systeme de pilotage d'une installation de gestion de l'energie
KR20150006666A (ko) * 2013-07-09 2015-01-19 한국에너지기술연구원 태양열 시스템의 성능분석방법
US20190195525A1 (en) * 2017-12-21 2019-06-27 At&T Intellectual Property I, L.P. Method and apparatus for operating heating and cooling equipment via a network
CN110007595A (zh) * 2019-03-29 2019-07-12 常州英集动力科技有限公司 供热系统负荷实时优化调度方法、机组模型、机组及系统
CN110009122A (zh) * 2018-12-27 2019-07-12 国网北京市电力公司 户用多能互补综合能源利用系统能量优化调度方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8095245B1 (en) * 2009-07-29 2012-01-10 Lockheed Martin Corporation Thermal energy dispatch system
WO2013153184A1 (fr) * 2012-04-12 2013-10-17 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede et systeme de pilotage d'une installation de gestion de l'energie
KR20150006666A (ko) * 2013-07-09 2015-01-19 한국에너지기술연구원 태양열 시스템의 성능분석방법
US20190195525A1 (en) * 2017-12-21 2019-06-27 At&T Intellectual Property I, L.P. Method and apparatus for operating heating and cooling equipment via a network
CN110009122A (zh) * 2018-12-27 2019-07-12 国网北京市电力公司 户用多能互补综合能源利用系统能量优化调度方法及系统
CN110007595A (zh) * 2019-03-29 2019-07-12 常州英集动力科技有限公司 供热系统负荷实时优化调度方法、机组模型、机组及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘雪峰: "某文体中心太阳能集中热水系统设计的探讨 ", 《广东科技》 *
夏洪涛: "高原机场太阳能与水源热泵联合供暖系统设计应用分析 ", 《暖通空调》 *
李素芬等: "基于不同动态负荷的太阳能辅助地源热泵系统供暖特性研究", 《大连理工大学学报》 *
李素芬等: "基于动态热负荷的太阳能―地源热泵运行模式研究", 《热科学与技术》 *
江乐新等: "多功能太阳能空调制热兼制热水模式负荷平衡控制策略的研究 ", 《热科学与技术》 *
王晓丹等: "太阳能与空气源热泵联合供热水系统控制策略的研究", 《太阳能》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112594937B (zh) * 2020-12-16 2022-03-18 珠海格力电器股份有限公司 热水器的控制方法、装置、电子设备及存储介质
CN112594937A (zh) * 2020-12-16 2021-04-02 珠海格力电器股份有限公司 热水器的控制方法、装置、电子设备及存储介质
CN112944698A (zh) * 2021-02-07 2021-06-11 中国科学院重庆绿色智能技术研究院 一种太阳能热电联供组件的瞬态热电输出计算方法及系统
CN113203117A (zh) * 2021-03-29 2021-08-03 东南大学 一种基于bp神经网络的复合供暖控制方法
CN113218092A (zh) * 2021-05-11 2021-08-06 沈阳建筑大学 一种基于温度预测的太阳能集热器耦合系统运行方法
CN113282124A (zh) * 2021-07-20 2021-08-20 深圳市佳运通电子有限公司 一种加热炉燃气流量的控制方法、温度托管方法及系统
CN113282124B (zh) * 2021-07-20 2021-09-21 深圳市佳运通电子有限公司 一种加热炉燃气流量的控制方法、温度托管方法及系统
CN113825356A (zh) * 2021-07-28 2021-12-21 腾讯科技（深圳）有限公司 冷源系统的节能控制方法、装置、电子设备和存储介质
CN113825356B (zh) * 2021-07-28 2023-11-28 腾讯科技（深圳）有限公司 冷源系统的节能控制方法、装置、电子设备和存储介质
CN113654242A (zh) * 2021-08-12 2021-11-16 湖南精朗能源科技有限公司 一种基于室外环境温度的空气能热水机组控制系统
CN114136021A (zh) * 2021-11-30 2022-03-04 中国电力工程顾问集团西北电力设计院有限公司 结合资源预测的太阳能-地源热泵系统控制方法及系统
CN114165834A (zh) * 2021-11-30 2022-03-11 青岛海信日立空调系统有限公司 一种热泵热水系统
CN114136021B (zh) * 2021-11-30 2023-08-22 中国电力工程顾问集团西北电力设计院有限公司 结合资源预测的太阳能-地源热泵系统控制方法及系统
CN114165834B (zh) * 2021-11-30 2023-01-13 青岛海信日立空调系统有限公司 一种热泵热水系统
CN114264096A (zh) * 2021-12-30 2022-04-01 西安建筑科技大学 一种基于尖点突变模型的除霜控制方法
CN114264096B (zh) * 2021-12-30 2024-03-12 西安建筑科技大学 一种基于尖点突变模型的除霜控制方法
CN114815925A (zh) * 2022-04-29 2022-07-29 佛山市顺德区美的饮水机制造有限公司 即热饮水机及其出水曲线校正方法与装置、存储介质
CN114815925B (zh) * 2022-04-29 2024-01-26 佛山市顺德区美的饮水机制造有限公司 即热饮水机及其出水曲线校正方法与装置、存储介质
CN115270521B (zh) * 2022-09-26 2022-12-13 中国建筑西南设计研究院有限公司 一种空气密度对空气源热泵供热系统性能影响的仿真方法
CN115270521A (zh) * 2022-09-26 2022-11-01 中国建筑西南设计研究院有限公司 一种空气密度对空气源热泵供热系统性能影响的仿真方法
CN115660325A (zh) * 2022-10-08 2023-01-31 国网山东省电力公司威海供电公司 一种电网调峰能力量化方法及系统
CN116182428A (zh) * 2023-04-25 2023-05-30 广东力王科技股份有限公司 一种用于太阳能热泵的优化控制方法及系统
CN116182428B (zh) * 2023-04-25 2023-08-08 广东力王科技股份有限公司 一种用于太阳能热泵的优化控制方法及系统
CN116661354A (zh) * 2023-06-12 2023-08-29 广州宝能能源管理股份有限公司 无菌热水系统的远程监控管理方法及系统
CN116661354B (zh) * 2023-06-12 2023-12-01 广州宝能能源管理股份有限公司 无菌热水系统的远程监控管理方法及系统
CN117436294A (zh) * 2023-12-21 2024-01-23 中国建筑第六工程局有限公司 一种基于热平衡的状态分析方法及装置
CN117436294B (zh) * 2023-12-21 2024-03-19 中国建筑第六工程局有限公司 一种基于热平衡的状态分析方法及装置

Also Published As

Publication number Publication date
CN110906571B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN110906571B (zh) 基于机器学习的太阳能热泵热水系统控制策略优化方法
Wang et al. A three-stage optimization methodology for envelope design of passive house considering energy demand, thermal comfort and cost
CN105910169B (zh) 基于机理模型预测控制的城市供热系统热网调节方法及系统
Braun Methodologies for the design and control of central cooling plants
CN107120721A (zh) 一种集中供热动态气候补偿方法
Olabi et al. Application of artificial intelligence for prediction, optimization, and control of thermal energy storage systems
CN111125938B (zh) 基于次优算法的大型中央空调冷冻水管网优化设计方法
Mathioulakis et al. Artificial neural networks for the performance prediction of heat pump hot water heaters
CN108985544A (zh) 一种供热系统能效分析输出方法及装置
Esmaeilzadeh et al. The comparison of some advanced control methods for energy optimization and comfort management in buildings
Kavian et al. Transient simulation and multi-objective optimization of a VSD ground source heat pump in various usage
CN110797917A (zh) 一种电热联合系统的调度模型
Huang et al. An open-source virtual testbed for a real Net-Zero Energy Community
Yedilkhan et al. Predicting heating time, thermal pump efficiency and solar heat supply system operation unloading using artificial neural networks
CN111898856A (zh) 基于极限学习机的物理-数据融合楼宇的分析方法
Arabzadeh et al. A cost-optimal solar thermal system for apartment buildings with district heating in a cold climate
CN112560160B (zh) 模型和数据驱动的暖通空调最优设定温度获取方法及设备
CN114254890A (zh) 一种基于供需节点调整的区域能源网络资源再分配方法
Cho et al. Simulation modeling of ground source heat pump systems for the performance analysis of residential buildings
Bagheri et al. Coupling building thermal network and control system, the first step to smart buildings
Sun et al. Research and Evaluation of Energy-Saving Reconstruction of Intelligent Community Heating System Based on the Internet of Things.
Wang Application of deep learning model in building energy consumption prediction
Hua et al. District heating load patterns and short-term forecasting for buildings and city level
CN113449909A (zh) 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法
CN111222230A (zh) 热泵类电采暖设备的建模处理方法及装置

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