CN111240197A - 一种公共建筑机电系统的能效纠偏控制方法和装置 - Google Patents
一种公共建筑机电系统的能效纠偏控制方法和装置 Download PDFInfo
- Publication number
- CN111240197A CN111240197A CN202010028148.1A CN202010028148A CN111240197A CN 111240197 A CN111240197 A CN 111240197A CN 202010028148 A CN202010028148 A CN 202010028148A CN 111240197 A CN111240197 A CN 111240197A
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- control
- electromechanical system
- preset
- data
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 64
- 238000011217 control strategy Methods 0.000 claims abstract description 51
- 238000013486 operation strategy Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000008676 import Effects 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002513 implantation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 description 22
- 238000004378 air conditioning Methods 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000005057 refrigeration Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000007943 implant Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000004566 building material Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- -1 electricity Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
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)
Abstract
本发明公开了一种适用于公共建筑机电系统的能效纠偏控制方法和装置，包括：对目标机电系统的预设时间段的历史负荷数据进行格式处理，得到预设导入数据；对预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果；通过网络将能效预测结果植入目标机电系统的控制回路，通过预测控制得到目标机电系统的控制策略；基于多目标粒子群算法对控制策略进行优化，以控制输出目标机电系统的最优运行策略。该能效纠偏控制方法和装置通过自动采集系统历史运行数据，自动识别既有机电系统高能效运行区间，并通过“能效设定‑阈值偏离‑实时纠控‑自动寻优”的控制逻辑，实现既有建筑机电系统的长期高效、稳定运行。
Description
技术领域
本发明涉及公共建筑机电系统的控制领域，具体涉及一种适用于公共建筑机电系统的能效纠偏控制方法和装置。
背景技术
在我国，建筑围护结构的冷热损耗和通风空调系统设备能耗占50％以上，照明和动力系统能耗占30％以上，可见建筑能耗中主要能耗是空调和照明，而这恰恰又是体现舒适度的两项，人们为了保证一个良好的舒适环境，通常会多牺牲这部分能耗来满足人体需求。目前我国既有公共建筑由于建造标准与年代的不同，部分建筑的机电自动控制系统各设备运行调节的控制效果并不理想，或是采用不恰当的控制策略，使得集中空调系统的实际运行效果偏离设计工况，或是相关控制策略并没有关注整个系统中各个设备的实际运行特性。既有公共建筑机电系统在常年运行过程中存在着大量的历史运行数据，这些数据并没有得到充分利用，以指导系统长期保持最优化运行。此外，国内外以往均局限在单机设备(电机、水泵、风机、空调器、制冷机组、锅炉等)的能效等级分类以及不同功能建筑类型能耗限值的研究与制定上，尚未延伸至机电系统能效及高能效阈值的研究层面，进而使得“单机设备节能高效-机电系统能效提升-建筑终端能耗目标限额”的改造实施模式出现了中间关键过程的脱节和滞后。
在大力推广节能减排的初期阶段，要达到最快、最明显的节能效果，不单单是使用安装节能灯具、运用空调变频技术等手段，还需要人们从主观上增强节能的意识，更重要的就是需要有一套自动化计量管理系统为实施能源节能管理，需要有量化能耗数据、掌握能耗动态信息、找出节能降耗着手点、对比节能效果差异、建立一套完整的节能考核机制的能力；在大力宣传节能的同时，通过能耗计量数据完善考评机制、增强主动节能的意识，达到管理节能的目的，完成节能减排、政府先行的目标。
空调系统运行控制经历了手动调节、电气组合仪表调节、计算机控制管理三个阶段。目前针对空调系统的节能措施在国内外现有的节能措施主要表现在以下四个方面：(1)群控策略；(2)对水泵进行变频控制；(3)改变冷机出水温度控制；(4)同时进行水泵变频和改变冷机出水温度控制。关于空调系统最优化方法方面的研究最早出现在二十世纪七十年代中期，其核心就是通过建立数学模型，并结合相关计算条件得出最佳值。通过对现有文献的分析研究发现，传统方法是系统参数辨识与寻优计算优化方法分开研究。先建立起某个空调系统的模型，根据系统实测数据去的各种参数，再利用优化方法求解相应的最佳控制变量。然而在系统的实际运行中，真正的系统参数是呈动态趋势不断变化的，必须采用参数辨识这种动态方法进行在线的实时优化控制。
专利申请号为201210526338.1的发明专利“一种基于负荷预测的空调系统节能优化方法”基于负荷预测和只能模糊控制技术对控制进行智能决策，但决策规则的精准性有待提高。专利申请号为201811569243.1的发明专利“空调系统的控制策略优化方法、装置和计算机设备”根据空调实际运行环境获得实际能效比和仿真能效比，并以此提出了一种基于大数据下的空调控制策略，并加以储存分析，但其没考虑到单个影响建筑能耗因素如何控制，无法进行能源汇总分析、能耗指标综合考评等操作。
为了解决现有技术参数识别度不高、优化方法与参数识别分化、控制精度不够、调节作用滞后等缺点，提出本发明。
发明内容
本发明实施例提供一种适用于公共建筑机电系统的能效纠偏控制方法和装置，以至少部分解决现有技术参数识别度不高、优化方法与参数识别分化、控制精度不够、调节作用滞后等缺点所带来的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
本发明提供一种适用于公共建筑机电系统的能效纠偏控制方法，包括：对目标机电系统的预设时间段的历史负荷数据进行格式处理，得到预设导入数据；对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果；通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略；基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略。
进一步地，所述对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果包括：
将所述预设导入数据划分为训练样本和测试样本；
基于所述训练样本与测试样本构建网络模型及确定所述网络模型的目标函数及参数；
基于所述目标函数与所述参数对所述导入数据进行训练求解，得到所述能效预测结果。
进一步地，所述通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略包括：
将所述能效预测结果作为设定值输入控制回路的第一参考轨迹；
根据所述能效预测结果对所述第一参考轨迹进行在线校正，输出第二参考轨迹，将所述第二参考轨迹反馈至所述在线校正进行再次校正，得出实时控制策略作为所述目标机电系统的所述控制策略。
进一步地，所述基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略包括：
定义影响控制策略的变量为随机初始粒子，时间t为0；
计算所述随机初始粒子的适应度及初始约束条件；
根据支配关系，适应度，约束条件对粒子位置和速度进行更新；
根据更新后的粒子位置和速度对所述初始约束条件进行调整，并对t+1时刻进行预设条件判断，在所述预设条件达到预设所述最优运行策略时，将所述粒子位置和速度作为所述最优运行策略输出。
进一步地，所述基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略还包括：
对t+1时刻进行预设条件判断，在所述预设条件未达到预设所述最优运行策略时，返回执行根据更新后的粒子位置和速度对所述初始约束条件进行调整。
根据本发明的另外一个方面，提供一种适用于公共建筑机电系统的能效纠偏控制装置，并采用如下技术方案，该方案包括：
格式处理模块，用于对目标机电系统的预设时间段的历史负荷数据进行格式处理，得到预设导入数据；负荷预测模块，用于对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果；植入模块，用于通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略；优化模块，用于基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略。
进一步地，所述负荷预测模块包括：
划分模块，用于将所述预设导入数据划分为训练样本和测试样本；
构建模块，用于基于所述训练样本与测试样本构建网络模型及确定所述网络模型的目标函数及参数；
求解模块，用于基于所述目标函数与所述参数对所述导入数据进行训练求解，得到所述能效预测结果。
进一步地，所述植入模块包括：
输入模块，用于将所述能效预测结果作为设定值输入控制回路的第一参考轨迹；
校正模块，用于根据所述能效预测结果对所述第一参考轨迹进行在线校正，输出第二参考轨迹，将所述第二参考轨迹反馈至所述在线校正进行再次校正，得出实时控制策略作为所述目标机电系统的所述控制策略。
进一步地，所述优化模块包括：
定义模块，用于定义影响控制策略的变量为随机初始粒子，时间t为0；
计算模块，用于计算所述随机初始粒子的适应度及初始约束条件；
更新模块，用于根据支配关系，适应度，约束条件对粒子位置和速度进行更新；
调整模块，用于根据更新后的粒子位置和速度对所述初始约束条件进行调整，并对t+1时刻进行预设条件判断，在所述预设条件达到预设所述最优运行策略时，将所述粒子位置和速度作为所述最优运行策略输出。
进一步地，所述调整模块还包括：用于对t+1时刻进行预设条件判断，在所述预设条件未达到预设所述最优运行策略时，返回执行根据更新后的粒子位置和速度对所述初始约束条件进行调整。
本发明通过新一代信息化技术、物联网和云计算技术相结合，采用自动化、智能化、信息化技术，系统利用计算机技术和现场能耗计量设备组成一个综合的能效监控网络，将耗能设备进行分类或独立计量，对计量数据自动采集，用户对耗能设备可自行定义计量范围、监测区域。各计量点、区域实现能源在线动态监测、能源汇总分析、能耗指标综合考评、故障自动报警、历史数据查询、能耗报表自动生成。可实现对建筑用能设备的水、电、气、热、油等各类能源数据的监测、存储、分析和应用，构造建筑(群落)和区域能源的控制、优化和再分配体系，体现出重点单位节能减排工作的标准化、体系化，树立行业重点单位示范。对为能源合理调配提供根据，为能源偏离自动化管理提供手段，为系统地节能降耗考评提供科学的依据。本发明的能效纠偏控制方法通过自动采集系统历史运行数据，自动识别既有机电系统高能效运行区间，并通过“能效设定-阈值偏离-实时纠控-自动寻优”的控制逻辑，实现既有建筑机电系统的长期高效、稳定运行。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的适用于公共建筑机电系统的能效纠偏控制方法；
图2为通过预测控制得到所述目标机电系统的控制策略的示意图；
图3为模型架构图；
图4为控制过程示意图；
图5为整体控制策略示意图；
图6为仿真输出图。
图7为本发明提供的适用于公共建筑机电系统的能效纠偏控制装置的结构图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
参见图1所示，本发明提供的一种适用于公共建筑机电系统的能效纠偏控制方法，包括：
S101：对目标机电系统的预设时间段的历史负荷数据进行格式处理，得到预设导入数据；
S103:对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果；
S105:通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略；
S107:基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略。
具体而言，如图2所示，在步骤S101中，对目标机电系统的预设时间段的历史负荷数据进行格式处理，得到预设导入数据；首先，选取室外气象参数(室外空气干球温度、室外空气含湿量、风速、风向和太阳辐射照度)、人员、电能消耗、新风量、通风风量等系统外部参数和建筑外形、建筑面积、建筑材料、制冷机本身的性能以及冷冻水的流量和供回水温差等系统内部参数作为负荷预测的基本影响参数。用主成分分析法对各影响因素进行权重分析，得到主要影响空调负荷的因素，并收集足够多的样本数据进行预测。用莱茵达准则、格拉布斯准则和迪克逊准则对获得的样本数据做预处理，剔除异常值。
对负荷数据进行归一化处理将各参数统一到同一数值范围内，避免训练时出现神经元的过饱和现象，从而干扰模型对数据的训练。把训练集与测试集均转化为[0，1]之间的数，可消除数据的量级差达到缩小误差的功效。
其次，S103:对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果；
具体的，用支持向量机模型模拟，选RBF作为向量机的核函数；用粒子群算法(PSO)、遗传算法(GA)或网格搜索法寻找到参数g和惩罚参数C，并作为SVM需要优化的因子。同时限定惩罚参数C和RBF核函数参数g的变化空间、步长大小和初值，以及确定不敏感损失系数ε，训练支持向量机模型,得到支持向量和拉格朗日乘子
对样本参数进行训练、仿真和预测。图3为模型架构图。
S105:通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略；
首先利用支持向量机根据历史数据与冷负荷的估算值，以及当前影响系统工作的外部干扰(例如，室外温度、湿度、流动人口数量、建筑物面积等)预测出当前环境的制冷负荷，算出冷水机组、冷冻水泵、冷却水泵、冷却塔及空调末端设备的近似负荷，并将预测值体现于此时室内的最佳温度设定值(尽量保持在室内温度24-26℃，湿度40％-80％的情况)，经前馈网络将能效预测值加入原有控制中，通过调节冷水机组工作台数、冷冻水泵及冷却水泵工作频率、冷却塔风机工作台数及转速、空调末端设备工作状态以达到对空调能效的整体控制，并通过多目标粒子群优化的方法，不断更新粒子的速度和位置，对系统进行寻优，获得空调系统优化运行最优解。
S107:基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略；
在本步骤中，采用自适应的惩罚函数法处理约束条件，即将约束条件变为惩罚项加入到适应度函数中，将有约束问题变为无约束问题，利用拥挤距离轮盘赌多目标粒子群算法(MOPSO-CDR)对粒子群进行更新。并设置粒子种群规模、迭代次数、外部存档集等基础参数，以控制输出空调系统最优运行策略。
优选地，所述对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果包括：
将所述预设导入数据划分为训练样本和测试样本；基于所述训练样本与测试样本构建网络模型及确定所述网络模型的目标函数(如能耗损失最少，运行费用最低)及参数；基于所述目标函数与所述参数对所述导入数据进行训练求解，得到所述能效预测结果。
所述通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略包括：
将所述能效预测结果作为设定值输入控制回路的第一参考轨迹；
根据所述能效预测结果对所述第一参考轨迹进行在线校正，输出第二参考轨迹，将所述第二参考轨迹反馈至所述在线校正进行再次校正，得出实时控制策略作为所述目标机电系统的所述控制策略。图4为控制过程示意图。
进一步地，如图5所示，所述基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略包括：
定义影响控制策略的变量为随机初始粒子，时间t为0；
计算所述随机初始粒子的适应度及初始约束条件；
根据支配关系，适应度，约束条件对粒子位置和速度进行更新；
根据更新后的粒子位置和速度对所述初始约束条件进行调整，并对t+1时刻进行预设条件判断，在所述预设条件达到预设所述最优运行策略时，将所述粒子位置和速度作为所述最优运行策略输出。
所述基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略还包括：
对t+1时刻进行预设条件判断，在所述预设条件未达到预设所述最优运行策略时，返回执行根据更新后的粒子位置和速度对所述初始约束条件进行调整。
本发明采用模型预测方法识别负荷、能效，能效设定更超前；同时考虑影响系统能效的变量(流量、温度、环境湿度、分时电价等)，偏离纠控更精准；实时监测系统运行参数(设备的启停、温度的设定、阀门的开合等)，自动寻优更及时；自动评判机电系统的整体能效，控制逻辑更科学。
除了上述方法，本发明还提供一种适用于公共建筑机电系统的能效纠偏控制装置，如图7所示，包括：
格式处理模块100，用于对目标机电系统的预设时间段的历史负荷数据进行格式处理，得到预设导入数据；
负荷预测模块200，用于对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果；
植入模块300，用于通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略；
优化模块400，用于基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略。
进一步地，所述负荷预测模块200包括：
划分模块201，用于将所述预设导入数据划分为训练样本和测试样本；
构建模块202，用于基于所述训练样本与测试样本构建网络模型及确定所述网络模型的目标函数及参数；
求解模块203，用于基于所述目标函数与所述参数对所述导入数据进行训练求解，得到所述能效预测结果。
进一步地，所述植入模块300包括：
输入模块301，用于将所述能效预测结果作为设定值输入控制回路的第一参考轨迹；
校正模块302，用于根据所述能效预测结果对所述第一参考轨迹进行在线校正，输出第二参考轨迹，将所述第二参考轨迹反馈至所述在线校正进行再次校正，得出实时控制策略作为所述目标机电系统的所述控制策略。
进一步地，所述优化模块400包括：
定义模块401，用于定义影响控制策略的变量为随机初始粒子，时间t为0；
计算模块402，用于计算所述随机初始粒子的适应度及初始约束条件；
更新模块403，用于根据支配关系，适应度，约束条件对粒子位置和速度进行更新；
调整模块404，用于根据更新后的粒子位置和速度对所述初始约束条件进行调整，并对t+1时刻进行预设条件判断，在所述预设条件达到预设所述最优运行策略时，将所述粒子位置和速度作为所述最优运行策略输出。
进一步地，调整模块还包括：用于对t+1时刻进行预设条件判断，在所述预设条件未达到预设所述最优运行策略时，返回执行根据更新后的粒子位置和速度对所述初始约束条件进行调整。
具体而言，对目标机电系统的预设时间段的历史负荷数据进行格式处理，得到预设导入数据；首先，选取室外气象参数(室外空气干球温度、室外空气含湿量、风速、风向和太阳辐射照度)、人员、电能消耗、新风量、通风风量等系统外部参数和建筑外形、建筑面积、建筑材料、制冷机本身的性能以及冷冻水的流量和供回水温差等系统内部参数作为负荷预测的基本影响参数。用主成分分析法对各影响因素进行权重分析，得到主要影响空调负荷的因素，并收集足够多的样本数据进行预测。
对负荷数据进行归一化处理将各参数统一到同一数值范围内，避免训练时出现神经元的过饱和现象，从而干扰模型对数据的训练。把训练集与测试集均转化为[0，1]之间的数，可消除数据的量级差达到缩小误差的功效。
其次，对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果；
具体的，用支持向量机模型模拟，选RBF作为向量机的核函数；用粒子群算法(PSO)、遗传算法(GA)或网格搜索法寻找到参数g和惩罚参数C，并作为SVM需要优化的因子。同时限定惩罚参数C和RBF核函数参数g的变化空间、步长大小和初值，以及确定不敏感损失系数ε，训练支持向量机模型,得到支持向量和拉格朗日乘子
对样本参数进行训练、仿真和预测。
通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略；
首先利用支持向量机根据历史数据与冷负荷的估算值，以及当前影响系统工作的外部干扰(例如，室外温度、湿度、流动人口数量、建筑物面积等)预测出当前环境的制冷负荷，算出冷水机组、冷冻水泵、冷却水泵、冷却塔及空调末端设备的近似负荷，并将预测值体现于此时室内的最佳温度设定值(尽量保持在室内温度24-26℃，湿度40％-80％的情况)，经前馈网络将能效预测值加入原有控制中，通过调节冷水机组工作台数、冷冻水泵及冷却水泵工作频率、冷却塔风机工作台数及转速、空调末端设备工作状态以达到对空调能效的整体控制，并通过多目标粒子群优化的方法，不断更新粒子的速度和位置，对系统进行寻优，获得空调系统优化运行最优解。
基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略；
在本步骤中，采用自适应的惩罚函数法处理约束条件，即将约束条件变为惩罚项加入到适应度函数中，将有约束问题变为无约束问题，利用拥挤距离轮盘赌多目标粒子群算法(MOPSO-CDR)对粒子群进行更新。并设置粒子种群规模、迭代次数、外部存档集等基础参数，以控制输出空调系统最优运行策略。
优选地，所述对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果包括：
将所述预设导入数据划分为训练样本和测试样本；基于所述训练样本与测试样本构建网络模型及确定所述网络模型的目标函数(如能耗损失最少，运行费用最低)及参数；基于所述目标函数与所述参数对所述导入数据进行训练求解，得到所述能效预测结果。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种适用于公共建筑机电系统的能效纠偏控制方法，其特征在于，包括：
对目标机电系统的预设时间段的历史负荷数据进行格式处理，得到预设导入数据；
对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果；
通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略；
基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略。
2.根据权利要求1所述的能效纠偏控制方法，其特征在于，所述对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果包括：
将所述预设导入数据划分为训练样本和测试样本；
基于所述训练样本与测试样本构建网络模型及确定所述网络模型的目标函数及参数；
基于所述目标函数与所述参数对所述导入数据进行训练求解，得到所述能效预测结果。
3.根据权利要求1所述的能效纠偏控制方法，其特征在于，所述通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略包括：
将所述能效预测结果作为设定值输入控制回路的第一参考轨迹；
根据所述能效预测结果对所述第一参考轨迹进行在线校正，输出第二参考轨迹，将所述第二参考轨迹反馈至所述在线校正进行再次校正，得出实时控制策略作为所述目标机电系统的所述控制策略。
4.根据权利要求1所述的能效纠偏控制方法，其特征在于，所述基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略包括：
定义影响控制策略的变量为随机初始粒子，时间t为0；
计算所述随机初始粒子的适应度及初始约束条件；
根据支配关系，适应度，约束条件对粒子位置和速度进行更新；
根据更新后的粒子位置和速度对所述初始约束条件进行调整，并对t+1时刻进行预设条件判断，在所述预设条件达到预设所述最优运行策略时，将所述粒子位置和速度作为所述最优运行策略输出。
5.根据权利要求4述的能效纠偏控制方法，其特征在于，所述基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略还包括：
对t+1时刻进行预设条件判断，在所述预设条件未达到预设所述最优运行策略时，返回执行根据更新后的粒子位置和速度对所述初始约束条件进行调整。
6.一种适用于公共建筑机电系统的能效纠偏控制装置，其特征在于，包括：
格式处理模块，用于对目标机电系统的预设时间段的历史负荷数据进行格式处理，得到预设导入数据；
负荷预测模块，用于对所述预设导入数据通过预设算法进行负荷预测，并基于仿真数据与测试数据的对比，获取能效预测结果；
植入模块，用于通过网络将所述能效预测结果植入所述目标机电系统的控制回路，通过预测控制得到所述目标机电系统的控制策略；
优化模块，用于基于多目标粒子群算法对所述控制策略进行优化，以控制输出所述目标机电系统的最优运行策略。
7.根据权利要求6所述的能效纠偏控制装置，其特征在于，所述负荷预测模块包括：
划分模块，用于将所述预设导入数据划分为训练样本和测试样本；
构建模块，用于基于所述训练样本与测试样本构建网络模型及确定所述网络模型的目标函数及参数；
求解模块，用于基于所述目标函数与所述参数对所述导入数据进行训练求解，得到所述能效预测结果。
8.根据权利要求6所述的能效纠偏控制装置，其特征在于，所述植入模块包括：
输入模块，用于将所述能效预测结果作为设定值输入控制回路的第一参考轨迹；
校正模块，用于根据所述能效预测结果对所述第一参考轨迹进行在线校正，输出第二参考轨迹，将所述第二参考轨迹反馈至所述在线校正进行再次校正，得出实时控制策略作为所述目标机电系统的所述控制策略。
9.根据权利要求6所述的能效纠偏控制装置，其特征在于，所述优化模块包括：
定义模块，用于定义影响控制策略的变量为随机初始粒子，时间t为0；
计算模块，用于计算所述随机初始粒子的适应度及初始约束条件；
更新模块，用于根据支配关系，适应度，约束条件对粒子位置和速度进行更新；
调整模块，用于根据更新后的粒子位置和速度对所述初始约束条件进行调整，并对t+1时刻进行预设条件判断，在所述预设条件达到预设所述最优运行策略时，将所述粒子位置和速度作为所述最优运行策略输出。
10.根据权利要求9所述的能效纠偏控制装置，其特征在于，所述调整模块还包括：用于对t+1时刻进行预设条件判断，在所述预设条件未达到预设所述最优运行策略时，返回执行根据更新后的粒子位置和速度对所述初始约束条件进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010028148.1A CN111240197A (zh) | 2020-01-10 | 2020-01-10 | 一种公共建筑机电系统的能效纠偏控制方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010028148.1A CN111240197A (zh) | 2020-01-10 | 2020-01-10 | 一种公共建筑机电系统的能效纠偏控制方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111240197A true CN111240197A (zh) | 2020-06-05 |
Family
ID=70874465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010028148.1A Withdrawn CN111240197A (zh) | 2020-01-10 | 2020-01-10 | 一种公共建筑机电系统的能效纠偏控制方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111240197A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158309A (zh) * | 2021-04-09 | 2021-07-23 | 天津大学 | 一种暖通设备运行策略辨识方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331737A (zh) * | 2014-11-21 | 2015-02-04 | 国家电网公司 | 一种基于粒子群神经网络的办公建筑负荷预测方法 |
| CN104503403A (zh) * | 2014-12-12 | 2015-04-08 | 北京百度网讯科技有限公司 | 制冷系统运行能效的管理系统及方法 |
| CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
| CN110288164A (zh) * | 2019-07-02 | 2019-09-27 | 广州市特沃能源管理有限公司 | 一种建筑空调制冷站系统预测控制方法 |
-
2020
- 2020-01-10 CN CN202010028148.1A patent/CN111240197A/zh not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331737A (zh) * | 2014-11-21 | 2015-02-04 | 国家电网公司 | 一种基于粒子群神经网络的办公建筑负荷预测方法 |
| CN104503403A (zh) * | 2014-12-12 | 2015-04-08 | 北京百度网讯科技有限公司 | 制冷系统运行能效的管理系统及方法 |
| CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
| CN110288164A (zh) * | 2019-07-02 | 2019-09-27 | 广州市特沃能源管理有限公司 | 一种建筑空调制冷站系统预测控制方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158309A (zh) * | 2021-04-09 | 2021-07-23 | 天津大学 | 一种暖通设备运行策略辨识方法 |
| CN113158309B (zh) * | 2021-04-09 | 2022-08-19 | 天津大学 | 一种暖通设备运行策略辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
| WO2020107851A1 (zh) | 基于既有大型公共建筑空调系统的低成本调适方法及调适系统 | |
| CN101782258B (zh) | 空调节能方法 | |
| CN101021914A (zh) | 暖通空调负荷预测方法和系统 | |
| CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
| CN109871987A (zh) | 一种智能建筑暖通设备综合节能控制方法 | |
| CN102283283B (zh) | 智能化浅层地能低温储粮系统 | |
| CN113325762B (zh) | 一种智能建筑个性化用能控制方法、系统、装置和设备 | |
| Zhao et al. | An adaptive PID control method to improve the power tracking performance of solar photovoltaic air-conditioning systems | |
| Wang et al. | Energy consumption prediction for water-source heat pump system using pattern recognition-based algorithms | |
| CN111780384A (zh) | 一种中央空调控制系统 | |
| CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
| CN109974218A (zh) | 一种基于预测的多联机空调系统调控方法 | |
| 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 | |
| CN114046593A (zh) | 一种动态预测性机器学习型空调节能控制方法及系统 | |
| CN114383299A (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
| CN110486793A (zh) | 一种基于热网五级监控的智能分析调度方法及系统 | |
| CN114282729A (zh) | 一种基于负荷预测的冰蓄冷空调优化调度方法 | |
| Bai et al. | Flexibility quantification and enhancement of flexible electric energy systems in buildings | |
| Yu et al. | Optimal dispatching method for integrated energy system based on robust economic model predictive control considering source–load power interval prediction | |
| Zhao et al. | A model predictive control regulation model for radiant air conditioning system based on delay time | |
| CN110348634A (zh) | 一种基于入户式能量管理系统的空调负荷调度方法 | |
| CN111240197A (zh) | 一种公共建筑机电系统的能效纠偏控制方法和装置 | |
| CN211526662U (zh) | 一种基于负荷预测的地铁车站通风空调节能系统 | |
| CN113449909B (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 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200605 |
|
| WW01 | Invention patent application withdrawn after publication |