CN111538233A - 一种基于能耗奖励的中央空调人工智能控制方法 - Google Patents

一种基于能耗奖励的中央空调人工智能控制方法 Download PDF

Info

Publication number
CN111538233A
CN111538233A CN202010373467.6A CN202010373467A CN111538233A CN 111538233 A CN111538233 A CN 111538233A CN 202010373467 A CN202010373467 A CN 202010373467A CN 111538233 A CN111538233 A CN 111538233A
Authority
CN
China
Prior art keywords
debugging
energy consumption
engineering experience
action
equipment
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.)
Pending
Application number
CN202010373467.6A
Other languages
English (en)
Inventor
顾道金
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.)
Shanghai Yanwen Intelligent Technology Co ltd
Original Assignee
Shanghai Yanwen Intelligent Technology Co ltd
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 Shanghai Yanwen Intelligent Technology Co ltd filed Critical Shanghai Yanwen Intelligent Technology Co ltd
Priority to CN202010373467.6A priority Critical patent/CN111538233A/zh
Publication of CN111538233A publication Critical patent/CN111538233A/zh
Pending legal-status Critical Current

Links

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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • F24F11/89—Arrangement or mounting of control or safety devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (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)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供一种基于能耗奖励的中央空调人工智能控制方法，包括如下步骤：S1，初始采样：通过采样记录各设备的相应初始参数；S2，自主进行调试动作：输入相应调试动作指令，进行调试运行；S3，自主进行奖励强化机制并记录工程经验：基于各设备功率计算对比调试前后的总能耗变化，对此进行奖励评分，将此过程结果记录至系统数据库中，作为系统独有的工程经验；S4，自主构建全面的工程经验库：控制系统基于随机算法发出调试动作指令，自动反复执行步骤S2、S3，对所有指令进行全覆盖执行，直至构建一个全面的工程经验库。本发明能够解决中央空调控制系统中，传统人工控制效率低下、自动控制需要建立复杂的模型和算法以及量化系统复杂设备的问题。

Description

一种基于能耗奖励的中央空调人工智能控制方法
技术领域
本发明主要涉及中央空调控制相关技术领域，具体是一种基于能耗奖励的中央空调人工智能控制方法。
背景技术
智能建筑群发展至今，空调机组是能耗量最大的建筑设备，因此，加强中央空调系统的节能控制至关重要。
在传统中央空调控制时，多采用人工调控的方式，人工调控其具有工作效率低下、调控结果难以满足工程实际节能需要的问题。而目前的智能控制方式，一般需要建立复杂的模型和算法，分析特定具体系统里各个复杂设备间难以量化的关系，因此会导致成本的增加以及控制系统的复杂性。
发明内容
为解决目前技术的不足，本发明结合现有技术，从实际应用出发，提供一种基于能耗奖励的中央空调人工智能控制方法，用于调配控制楼宇中央空调节能控制系统。其能够解决中央空调控制系统中，传统人工控制效率低下、自动控制需要建立复杂的模型和算法的问题，本控制方法使得系统通过学习行为，获取优化调试运行的知识经验，通过反复学习并迭代更新数据以逐步构建系统自身独有的工程经验库，不断改善自身的调控性能，达到自主进行自学习控制，就像生物一样能自主学习自适应外界的变化。
本发明的技术方案如下：
一种基于能耗奖励的中央空调人工智能控制方法，所述方法包括如下步骤：
S1，初始采样：控制系统在一个采样运行周期内进行工作采样，记录各设备的相应初始运行参数；
S2，自主进行调试动作：自主发出提高或降低设备频率、提高或降低温度设定以及增加或减少运行设备台数等一系列动作指令，并进行调试运行；
S3，自主进行奖励强化机制并记录工程经验：用于强化满足能耗要求的调试动作行为，即控制系统在上述调试动作经历完一个周期后，达到一个相对稳定的状态时，记录各设备的相应稳态参数，并基于各设备功率计算对比调试前后的总能耗变化，对总能耗变化进行奖励强化机制，若总能耗上升，系统输出结果为正，则评分低，为负向奖励，该调试动作行为被弱化；若总能耗下降，系统输出结果为负，则评分高，为正向奖励，该调试动作行为得到强化；调试动作的强化指数越高，则系统在自主调试时越容易向该调试动作倾斜，将此过程及评分结果记录至系统数据库中，作为系统独有的工程经验。
S4，自主构建全面的工程经验库：控制系统基于随机算法调整设备控制器发出相应不同的调试动作指令，自动反复执行步骤S2以及步骤S3，对工程实际许可范围内的所有调试动作进行全覆盖运算执行，直至构建一个全面的工程经验库；
S5，基于奖励进行自学习控制：控制系统感应外界环境变化时，会自主发出相应的动作指令，将该动作指令对应工程经验库中所记录的相应运行结果进行判断，基于判断结果控制设备运行，若记录结果显示不满足能耗要求，且评分低，说明该调试动作行为之前被弱化了，则存在90％的几率拒绝执行该调试动作指令；但仍存在10％的几率允许执行该调试动作指令，防止如当设备更换或设备老化等情况引起原工程经验库的数据不再适用时，重新执行步骤S1～S5以更新工程经验数据库。
步骤S5中，对工程经验库中所记录的相应运行结果进行判断，若记录结果显示不满足能耗要求，且评分低，说明该调试动作行为之前被弱化了，则存在90％的几率拒绝执行该调试动作指令。
步骤S5中，对工程经验库中所记录的相应运行结果进行判断，若记录结果显示不满足能耗要求，即使评分低，相应调试动作行为之前被弱化了，但仍存在10％的几率允许执行该调试动作指令，防止如当设备更换或设备老化等情况引起原工程经验库的数据不再适用时，重新执行步骤S1～S5以更新工程经验数据库。
所述设备的相应初始运行参数至少包括温度、湿度、压力、频率、能耗以及设备启停台数。
本发明的有益效果：
1、本发明所提供的控制方法，操作全程无需人工干涉，通过系统自学习自适应性能即可完成调控运行，解决了人工调控所带来的工作低效问题和调控结果难以满足工程实际节能需要问题。
2、本发明所提供的控制方法，操作简便，可操作性强，避免了通过建立复杂的模型和算法，分析特定具体系统里各个复杂设备间难以量化的关系。
3、本发明所提供的控制方法具有智能的特点，像生物一样能自学习自适应外界的变化，通过反复学习并迭代更新数据以逐步构建系统自身独有的工程经验库，不断改善自身的调控性能，进行最优控制，进而解决控制规律难以掌握的难题。
4、本发明所提供的控制方法有利于系统达到最优工作状态，节约能源。
附图说明
附图1为本发明的一种基于能耗奖励的中央空调人工智能控制方法流程图；
附图2为本发明的一种基于能耗奖励的中央空调人工智能控制方法原理框图。
具体实施方式
结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
如图1、2所示，为本发明所提供的一种基于能耗奖励的中央空调人工智能控制方法，其应用于中央空调的控制系统。
本发明具体技术方案执行步骤如下：
S1，初始采样：让控制系统在一个足够短的采样周期里进行工作，记录各设备的相应初始参数，其中，设备的初始相应参数至少包括温度、湿度、压力、频率、能耗以及设备启停台数。
S2，自主进行调试动作：自主发出提高或降低设备频率、提高或降低温度设定以及增加或减少运行设备台数等一系列动作指令，并进行调试运行。
S3，自主进行奖励强化机制并记录工程经验：用于强化满足能耗要求的调试动作行为，即控制系统在上述调试动作经历完一个周期后，达到一个相对稳定的状态时，记录各设备的相应稳态参数，并基于各设备功率计算对比调试前后的总能耗变化，对总能耗变化进行奖励强化机制，若总能耗上升，系统输出结果为正，则评分低，为负向奖励，该调试动作行为被弱化；若总能耗下降，系统输出结果为负，则评分高，为正向奖励，该调试动作行为得到强化。调试动作的强化指数越高，则系统在自主调试时越容易向该调试动作倾斜。将此过程及评分结果记录至系统数据库中，作为系统独有的工程经验。具体的，系统可记录具体的动作过程以及时间、输入值、输出值、结果等信息。
S4，自主构建全面的工程经验库：控制系统基于随机算法调整设备控制器发出相应不同的调试动作指令，自动反复执行步骤S2以及步骤S3，对工程实际许可范围内的所有调试动作进行全覆盖运算执行，直至构建一个全面的工程经验库。
S5，基于奖励进行自学习控制(如图2所示)：控制系统感应外界环境变化时，会自主发出相应的动作指令，将该动作指令对应工程经验库中所记录的相应运行结果进行判断，基于判断结果控制设备运行，若记录结果显示不满足能耗要求，且评分低，说明该调试动作行为之前被弱化了，则存在90％的几率拒绝执行该调试动作指令；但仍存在10％的几率允许执行该调试动作指令，防止如当设备更换或设备老化等情况引起原工程经验库的数据不再适用时，重新执行步骤S1～S5以更新工程经验数据库。
本方法中，系统通过学习行为，获取优化调试运行的知识经验，通过反复学习并迭代更新数据以逐步构建系统自身独有的工程经验库，不断改善自身的调控性能，达到自主进行自学习控制，就像生物一样能自主学习自适应外界的变化。

Claims (4)

1.一种基于能耗奖励的中央空调人工智能控制方法，其特征在于，所述方法包括如下步骤：
S1，初始采样：控制系统在一个采样运行周期内进行工作采样，记录各设备的相应初始运行参数；
S2，自主进行调试动作：自主发出提高或降低设备频率、提高或降低温度设定以及增加或减少运行设备台数一系列动作指令，并进行调试运行；
S3，自主进行奖励强化机制并记录工程经验：用于强化满足能耗要求的调试动作行为，即控制系统在上述调试动作经历完一个周期后，达到一个相对稳定的状态时，记录各设备的相应稳态参数，并基于各设备功率计算对比调试前后的总能耗变化，对总能耗变化进行奖励强化机制，若总能耗上升，系统输出结果为正，则评分低，为负向奖励，该调试动作行为被弱化；若总能耗下降，系统输出结果为负，则评分高，为正向奖励，该调试动作行为得到强化；调试动作的强化指数越高，则系统在自主调试时越容易向该调试动作倾斜，将此过程及评分结果记录至系统数据库中，作为系统独有的工程经验；
S4，自主构建全面的工程经验库：控制系统基于随机算法调整设备控制器发出相应不同的调试动作指令，自动反复执行步骤S2以及步骤S3，对工程实际许可范围内的所有调试动作进行全覆盖运算执行，直至构建一个全面的工程经验库；
S5，基于奖励进行自学习控制：控制系统感应外界环境变化时，会自主发出相应的动作指令，将该动作指令对应工程经验库中所记录的相应运行结果进行判断，基于判断结果控制设备运行，若记录结果显示不满足能耗要求，且评分低，说明该调试动作行为之前被弱化了，则存在90％的几率拒绝执行该调试动作指令；但仍存在10％的几率允许执行该调试动作指令，以防止如当设备更换或设备老化等情况引起原工程经验库的数据不再适用时，重新执行步骤S1～S5以更新工程经验数据库。
2.根据权利要求1所述的一种基于能耗奖励的中央空调人工智能控制方法，其特征在于，步骤S5中，对工程经验库中所记录的相应运行结果进行判断，若记录结果显示不满足能耗要求，且评分低，说明该调试动作行为之前被弱化了，则存在90％的几率拒绝执行该调试动作指令。
3.根据权利要求2所述的一种基于能耗奖励的中央空调人工智能控制方法，其特征在于，步骤S5中，对工程经验库中所记录的相应运行结果进行判断，若记录结果显示不满足能耗要求，即使评分低，相应调试动作行为之前被弱化了，但仍存在10％的几率允许执行该调试动作指令，防止如当设备更换或设备老化等情况引起原工程经验库的数据不再适用时，重新执行步骤S1～S5以更新工程经验数据库。
4.根据权利要求3所述的一种基于能耗奖励的中央空调人工智能控制方法，其特征在于，所述设备的相应初始运行参数至少包括温度、湿度、压力、频率、能耗以及设备启停台数。
CN202010373467.6A 2020-05-06 2020-05-06 一种基于能耗奖励的中央空调人工智能控制方法 Pending CN111538233A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010373467.6A CN111538233A (zh) 2020-05-06 2020-05-06 一种基于能耗奖励的中央空调人工智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010373467.6A CN111538233A (zh) 2020-05-06 2020-05-06 一种基于能耗奖励的中央空调人工智能控制方法

Publications (1)

Publication Number Publication Date
CN111538233A true CN111538233A (zh) 2020-08-14

Family

ID=71977466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010373467.6A Pending CN111538233A (zh) 2020-05-06 2020-05-06 一种基于能耗奖励的中央空调人工智能控制方法

Country Status (1)

Country Link
CN (1) CN111538233A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170227950A1 (en) * 2016-02-09 2017-08-10 Fanuc Corporation Production control system and integrated production control system
CN108386971A (zh) * 2018-01-28 2018-08-10 浙江博超节能科技有限公司 中央空调节能自控系统
CN109059170A (zh) * 2018-06-20 2018-12-21 上海安悦节能技术有限公司 基于神经网络算法的中央空调控制系统
CN109631241A (zh) * 2018-12-29 2019-04-16 陈垒 建筑室内舒适环境调节系统
CN109959123A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法
EP3526523A1 (en) * 2016-10-11 2019-08-21 Mitsubishi Electric Corporation Controller for operating air-conditioning system and controlling method of air-conditioning system
US20190346836A1 (en) * 2018-05-14 2019-11-14 Omron Corporation Control system, learning data creation apparatus, learning apparatus, and judgment apparatus
CN110836518A (zh) * 2019-11-12 2020-02-25 上海建科建筑节能技术股份有限公司 基于系统基础知识的自学习空调系统全局优化控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170227950A1 (en) * 2016-02-09 2017-08-10 Fanuc Corporation Production control system and integrated production control system
EP3526523A1 (en) * 2016-10-11 2019-08-21 Mitsubishi Electric Corporation Controller for operating air-conditioning system and controlling method of air-conditioning system
CN108386971A (zh) * 2018-01-28 2018-08-10 浙江博超节能科技有限公司 中央空调节能自控系统
US20190346836A1 (en) * 2018-05-14 2019-11-14 Omron Corporation Control system, learning data creation apparatus, learning apparatus, and judgment apparatus
CN109059170A (zh) * 2018-06-20 2018-12-21 上海安悦节能技术有限公司 基于神经网络算法的中央空调控制系统
CN109631241A (zh) * 2018-12-29 2019-04-16 陈垒 建筑室内舒适环境调节系统
CN109959123A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法
CN110836518A (zh) * 2019-11-12 2020-02-25 上海建科建筑节能技术股份有限公司 基于系统基础知识的自学习空调系统全局优化控制方法

Similar Documents

Publication Publication Date Title
Jia et al. Advanced building control via deep reinforcement learning
US20200379417A1 (en) Techniques for using machine learning for control and predictive maintenance of buildings
CN107966902A (zh) 一种不确定性间歇过程的约束2d跟踪控制方法
CN104019526A (zh) 改进pso算法模糊自适应pid温湿度控制系统及方法
CN111160755B (zh) 一种基于dqn的飞机大修车间实时调度方法
CN114279042A (zh) 一种基于多智能体深度强化学习的中央空调控制方法
MX2023003687A (es) Modelado predictivo hibrido y el control de cultivo celular.
WO2024113585A1 (zh) 一种面向离散制造系统的智能交互式决策方法
CN115235050A (zh) 一种中央空调冷水机组节能策略的模拟方法、装置
CN105937823A (zh) 一种地源热泵控制方法及系统
CN116449779A (zh) 基于Actor-Critic结构的汽车车身喷涂用环境数据分析方法
CN105955921B (zh) 基于自动发现抽象动作的机器人分层强化学习初始化方法
CN111538233A (zh) 一种基于能耗奖励的中央空调人工智能控制方法
CN114384931A (zh) 一种基于策略梯度的无人机多目标最优控制方法和设备
CN116963461A (zh) 一种机房空调的节能方法和装置
CN117234080A (zh) 一种面向大型动环监控场景的室温智能调控方法
CN114781274B (zh) 仿真与决策交替学习的综合能源系统控制优化方法与系统
CN113993343B (zh) 制冷设备的节能控制方法、装置、终端及存储介质
Wang et al. A fast converged voltage control method based on deep reinforcement learning
CN113019594B (zh) 基于多智能体tlbo算法的球磨机制粉优化控制方法
CN115526504A (zh) 泵站供水系统节能调度方法、系统、电子设备及存储介质
Hu et al. A Data-Driven Reinforcement Learning Based Energy Management Strategy via Bridging Offline Initialization and Online Fine-Tuning for a Hybrid Electric Vehicle
CN115200171B (zh) 基于时间序列预测的空调控制方法及系统
CN109240227B (zh) 一种基于分时控制交接控制权的现场控制方法
Zhang Intelligent Optimization Algorithm Based on Reinforcement Learning in the Process of Wax Removal and Prevention of Screw Pump

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200814

RJ01 Rejection of invention patent application after publication