CN111649457B - 一种动态预测性机器学习型空调节能控制方法 - Google Patents

一种动态预测性机器学习型空调节能控制方法 Download PDF

Info

Publication number
CN111649457B
CN111649457B CN202010401620.1A CN202010401620A CN111649457B CN 111649457 B CN111649457 B CN 111649457B CN 202010401620 A CN202010401620 A CN 202010401620A CN 111649457 B CN111649457 B CN 111649457B
Authority
CN
China
Prior art keywords
time
recording
air
particle
population
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
Application number
CN202010401620.1A
Other languages
English (en)
Other versions
CN111649457A (zh
Inventor
叶灿滔
龚宇烈
陆振能
王显龙
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.)
Guangzhou Institute of Energy Conversion of CAS
Original Assignee
Guangzhou Institute of Energy Conversion of CAS
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 Guangzhou Institute of Energy Conversion of CAS filed Critical Guangzhou Institute of Energy Conversion of CAS
Priority to CN202010401620.1A priority Critical patent/CN111649457B/zh
Publication of CN111649457A publication Critical patent/CN111649457A/zh
Application granted granted Critical
Publication of CN111649457B publication Critical patent/CN111649457B/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
    • 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
    • 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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种动态预测性机器学习型空调节能控制方法，通过获取环境参数、用户习惯和节假日规律等多特征变量，通过双种群粒子群训练集优化支持向量机中央空调负荷预测模型，提高了预测精确度和参数寻优性能；以空调系统运行能耗最小化为目标，构建全局参数寻优模型。本发明的有益效果是：既满足了中央空调系统综合能耗最优化，又能实现动态预测性智能化管理和稳定性运行。

Description

一种动态预测性机器学习型空调节能控制方法
技术领域
本发明涉及中央空调系统控制领域，尤其涉及一种动态预测性机器学习型空调节能控制方法。
背景技术
随着全球气候变暖的趋势，我国城镇化和工业化加速发展的进程，目前建筑能耗占我国社会总能耗的30％以上，中央空调系统能耗占建筑能耗的60％以上，建筑中央空调系统节能已经成为国民经济节能领域中的重点和热点问题。
据统计，我国公共建筑节能达标率不足10％；中央空调的运行调节主要集中在冷冻水泵的定温差(一般设定为5℃)变流量(变频)调节上，且依赖于技术操作人员的经验，节能调节策略单一、局限性较为明显。这些调节模式一般只关注冷冻水泵自身的运行状态，而忽略了冷却水泵、制冷机组、冷却塔等系统主要能耗设备所构成的系统综合能耗最优化问题。
另外，自动化控制理论及技术作为节能控制技术手段，在中央空调系统控制中越来越重要，传统的自动化控制理论中的PID(比例、积分、微分)控制算法适用于单变量线性系统，不太适应多变量、非线性、大滞后和时变性的中央空调系统；反馈式控制方式应用于中央空调系统的节能控制运行稳定性较差，节能效果和稳定性有待进一步提高。当空调系统负荷发生变化时，若仅采用压差控制，则不能够准确表述系统负荷的变化，从而可能导致控制系统失效；若仅采用温差控制，则当负荷发生较大变化时，控制系统往往会滞后一段时间后对空调水系统进行调节，从而影响了控制的及时性和快速性。目前，中央空调节能控制领域流行的恒压差和恒温差控制模式属于“跟随控制”，一般只适用于无时滞的被控对象或过程，用在负荷动态性波动的中央空调系统中难以取得较好的稳定节能控制效果。
鉴于上述情况，亟待一种既能满足中央空调系统综合能耗最优化，又能实现动态预测性智能化管理和稳定性运行为目的的中央空调节能控制方法。
发明内容
针对上述问题，本发明提出一种动态预测性机器学习型空调节能控制方法，旨在满足中央空调系统综合能耗最优化的同时，又能实现动态预测性智能化管理和稳定性运行。
为解决上述技术问题，本发明的技术方案如下：
一种动态预测性机器学习型空调节能控制方法，包括以下步骤：
S1，采集逐时环境参数：包括干球温度、相对湿度以及水平面太阳总辐射；记录建筑逐时使用参数：包括入住率、小时标签以及日期标签；记录中央空调系统逐时运行参数：包括空调负荷、制冷机组的蒸发温度、冷凝温度、电流以及电压，冷冻水泵的供回水温度、流量、电流以及电压，冷却水泵的供回水温度、流量、电流以及电压，冷却塔风量、电流、电压、小时标签以及日期标签；
S2，定义历史Ti时刻干球温度、Ti时刻相对湿度、Ti时刻水平面太阳总辐射、Ti时刻入住率、(Ti-1)时刻入住率、(Ti-24)时刻入住率、(Ti-1)时刻空调负荷以及(Ti-24)时刻空调负荷为样本空间记录特征矩阵
Figure BDA0002489682270000021
定义Ti时刻空调负荷为输出变量
Figure BDA0002489682270000022
组成样本空间记录向量
Figure BDA0002489682270000023
对样本空间记录特征矩阵
Figure BDA0002489682270000024
进行归一化处理；
S3，根据归一化处理后的样本空间记录特征矩阵
Figure BDA0002489682270000025
建立双种群粒子群训练集
Figure BDA0002489682270000026
通过双种群粒子群训练集
Figure BDA0002489682270000027
优化支持向量机中央空调负荷预测模型，双种群粒子群采用具有局部寻优和全局寻优的双种群粒子群优化算法，以及采用双种群协同进化策略和反正切调整策略动态调整加速因子，用于提高算法的寻优性能，计算得到支持向量机中央空调负荷预测模型的最佳性能参数组合粒子；
S4，定义当前Tm时刻干球温度、Tm时刻相对湿度、Tm时刻水平面太阳总辐射、Tm时刻入住率、(Tm-1)时刻入住率、(Tm-24)时刻入住率、(Tm-1)时刻空调负荷以及(Tm-24)时刻空调负荷为输入向量
Figure BDA0002489682270000028
利用最佳性能参数组合粒子优化后的支持向量机中央空调负荷预测模型预测输出变量
Figure BDA0002489682270000029
S5，以中央空调系统Tm时刻能耗Es为最优化目标，以Tm时刻干球温度、Tm时刻相对湿度以及Tm时刻空调负荷
Figure BDA00024896822700000210
作为求解条件，求解得到空调系统实时能耗最小值min(Es)以及对应的全局优化系统运行工况参数组合，根据全局优化系统运行工况参数组合调节中央空调系统运行参数。
本发明的有益效果为：本发明基于大数据挖掘环境参数、用户习惯和节假日规律等多特征变量，通过双种群粒子群训练集优化支持向量机中央空调负荷预测模型，提高了预测精确度和参数寻优性能；以空调系统运行能耗最小化为目标，构建全局参数寻优模型，实现系统多参数快速寻优，保证系统运行的稳定性；利用机器学习智能算法，预测当前Tm时刻空调系统逐时负荷，消除了常规“跟随控制”系统中出现的负荷变化反馈时滞和水温变化惯性，实现了控制的及时性和快速性，满足了中央空调系统综合能耗最优化，又能实现动态预测性智能化管理和稳定性运行。
附图说明
图1为本发明实施例提供的一种动态预测性机器学习型空调节能控制方法的流程图；
图2为本发明实施例提供的双种群粒子群训练集优化支持向量机中央空调负荷预测模型参数优化流程图；
图3为本发明实施例提供的中央空调系统运行工况全局参数寻优流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，下面结合附图和具体实施方式对本发明的内容做进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
如图1所示，本实施例提出了一种动态预测性机器学习型空调节能控制方法，包括以下步骤S1-S5：
S1，采集逐时环境参数：包括干球温度、相对湿度以及水平面太阳总辐射；记录建筑逐时使用参数：包括入住率、小时标签以及日期标签；记录中央空调系统逐时运行参数：包括空调负荷、制冷机组的蒸发温度、冷凝温度、电流以及电压，冷冻水泵的供回水温度、流量、电流以及电压，冷却水泵的供回水温度、流量、电流以及电压，冷却塔风量、电流、电压、小时标签以及日期标签；S1所所获取的参数来自楼宇自动化系统，楼宇自动化系统(BAS)是集成了物联网技术，控制技术、网络技术等技术的系统，大量的中央空调运行及环境数据，如：温度、湿度、流量、功率等，都被记录在数据库中，如建筑逐时使用参数和中央空调系统逐时运行参数，能够从其客观存在的参数当中提炼出用户习惯和节假日规律。但是这些数据很少有效的被用在空调负荷分析、数据挖掘、优化控制当中。通过大量数据对空调系统进行分析、建模、优化，能更好地实现负荷动态预测性智能化管理和能耗最优化运行，同时降低对技术操作人员的节能控制经验依赖和劳动强度。
S2的步骤如图2所示，定义历史Ti时刻干球温度、Ti时刻相对湿度、Ti时刻水平面太阳总辐射、Ti时刻入住率、(Ti-1)时刻入住率、(Ti-24)时刻入住率、(Ti-1)时刻空调负荷以及(Ti-24)时刻空调负荷为样本空间记录特征矩阵
Figure BDA0002489682270000031
定义Ti时刻空调负荷为输出变量
Figure BDA0002489682270000032
组成样本空间记录向量
Figure BDA0002489682270000033
对样本空间记录特征矩阵
Figure BDA0002489682270000034
进行归一化处理；
更进一步的，S2中的样本空间记录特征矩阵进行归一化处理的具体方式为：对各维度特征变量分别进行线性变换，令各维度特征值被映射到[0，1]之间，转换函数如下：
Figure BDA0002489682270000041
式中，
Figure BDA0002489682270000042
为归一化后样本空间记录特征矩阵第i条样本空间记录的第n个特征变量值；
Figure BDA0002489682270000043
为样本空间记录特征矩阵第i条样本空间记录的第n个特征变量特征值；max(Xn)为样本空间记录特征矩阵第n个特征变量的最大值；min(Xn)为样本空间记录特征矩阵第n个特征变量的最小值。
S3，根据归一化处理后的样本空间记录特征矩阵
Figure BDA0002489682270000044
建立双种群粒子群训练集
Figure BDA0002489682270000045
通过双种群粒子群训练集
Figure BDA0002489682270000046
优化支持向量机中央空调负荷预测模型，双种群粒子群采用具有局部寻优和全局寻优的双种群粒子群优化算法，以及采用双种群协同进化策略和反正切调整策略动态调整加速因子，用于提高算法的寻优性能，计算得到支持向量机中央空调负荷预测模型的最佳性能参数组合粒子；
更进一步的，S3的支持向量机中央空调负荷预测模型的最佳性能参数组合粒子具体计算方法如下：
S31，初始化性能参数组合粒子(C，σ，ε)，其中，C为惩罚参数，σ为核函数参数，ε为损失函数参数；初始化惯性权重ω、加速因子、种群数量以及最大迭代次数；
S32，使用支持向量机对归一化处理后的双种群粒子群训练集
Figure BDA0002489682270000047
进行回归训练，得到每个粒子的适应度值，记录粒子的个体最优位置和全局最优位置；
S33，根据双种群协同进化策略和反正切动态调整策略对位置和速度进行更新；
S34，再次使用支持向量机对归一化处理后的样本空间记录特征矩阵
Figure BDA0002489682270000048
进行回归训练，得出每个粒子的适应度值，将每个粒子的当前位置及种群中所有粒子所经历的最好位置进行比较，若每个粒子的当前位置相对于经历的最好位置更优，则将其设置为当前最优位置值，否则保持原有最优位置值；
S35，返回S33，当当前最优位置值满足最大迭代次数或达到预设的误差范围，输出当前支持向量机的最佳性能参数组合粒子(C*，σ*，ε*)。
S33双种群协同进化策略和反正切动态调整策略对位置和速度进行更新的方法如下：
定义性能参数组合粒子由i个粒子组成，分为：负责局部寻优群体Q1和负责全局寻优群体Q2，
负责局部寻优群体Q1采用快速收敛进化方程：
Q1：vij(t+1)＝ω×vij(t)+c1×rand()×[pij(t)-xij(t)]+c2×rand()×[pgj(t)-xij(t)](2)
式中：vij(t)为粒子在搜索空间的速度；ω为惯性权重，取0.3；c1和c2为加速因子；rand()为区间[0，1]中分布均匀的任意数；pij(t)为当前粒子本身飞行过的最优位置；pgj(t)为粒子所对应的整个种群的最优位置；xij(t)为粒子在搜索空间的位置；t，当前迭代次数；i，第i个粒子；j，第j个维度；
负责全局寻优群体Q2采用全局搜索进化方程：
Figure BDA0002489682270000051
式中：tmax为最大迭代次数；
利用反正切函数动态调整c1和c2的策略，更好平衡全局和局部搜索，分别为：
Figure BDA0002489682270000052
式中：c1s为c1初始值；c1e为c1终值；c2s为c2初始值；c2e为c2终值；e为调节系数，取0～10。S4，定义当前Tm时刻干球温度、Tm时刻相对湿度、Tm时刻水平面太阳总辐射、Tm时刻入住率、(Tm-1)时刻入住率、(Tm-24)时刻入住率、(Tm-1)时刻空调负荷以及(Tm-24)时刻空调负荷为输入向量
Figure BDA0002489682270000053
利用最佳性能参数组合粒子优化后的支持向量机中央空调负荷预测模型预测输出变量
Figure BDA0002489682270000054
中央空调系统Tm时刻能耗Es与
Figure BDA0002489682270000055
为强相关非线性关系，Es的最小值的求解过程是：Es对
Figure BDA0002489682270000056
求偏导，并令其值为0，代入边界条件求解得到最小值Es的参数组合；最后把组合代入原Es方程组，即可得到最小Es值。
更进一步的，S4中的空调负荷
Figure BDA0002489682270000057
预测前对Tm时刻新样本空间记录向量进行实时动态重新归一化处理，方法如下：
S41，当Tm时刻有新样本加入时，动态地判断新的样本空间记录特征矩阵
Figure BDA0002489682270000061
中各维度特征变量Xn的最大值max(Xn)和最小值min(Xn)；
S42，重新进行归一化处理得到Tm时刻的归一化样本空间记录特征矩阵
Figure BDA0002489682270000062
S43，把归一化样本空间记录特征矩阵
Figure BDA0002489682270000063
的最新1条向量记录作为输入量
Figure BDA0002489682270000064
(i＝Tm)，利用支持向量机中央空调负荷预测模型，预测Tm时刻的输出变量
Figure BDA0002489682270000065
(i＝Tm)。
S5的步骤如图3所示，，以中央空调系统Tm时刻能耗Es为最优化目标，以Tm时刻干球温度、Tm时刻相对湿度以及Tm时刻空调负荷
Figure BDA0002489682270000066
作为求解条件，求解得到空调系统实时能耗最小值min(Es)以及对应的全局优化系统运行工况参数组合，根据全局优化系统运行工况参数组合调节中央空调系统运行参数，结合常规中央空调可编程控制器(PLC)实现系统能最优化运行，目的是为PLC可编程控制器提供“能耗最优化的系统运行策略”：控制冷水机组制实时冷量输出、循环水泵实时运转频率(控制流量)、冷却塔风机实时运转频率(控制风量)。
更进一步的，S5中的中央空调系统Tm时刻能耗Es的求解步骤如下：
S51，建立中央空调系统关键部件能量模型，中央空调系统关键部件能量模型的特征变量包括制冷机组、冷冻水泵、风机以及冷却塔换热；
S52，设定制冷机组的蒸发温度和冷凝温度、冷冻水泵的最大流量和最小流量、冷却水泵的最大流量和最小流量，以及冷却塔的最大风量和最小风量的边界条件和保护值；
S53，构造拉格朗日函数：
g(te，Gep，Gcp，Gta，λ，η)＝f(te，Gep，Gcp，Gta)+λ(te，Gep，Gcp，Gta，λ，η) (5)
式中：g(te，Gep，Gcp，Gta，λ，η)为拉格朗日量；λ为拉格朗日乘子；η为松弛变量；
S54，对拉格朗日函数中的变量：te，Gep，Gcp，Gta，λ，η，分别求偏导数，并令偏导函数的结果为0，得到一个方程组；
S55，求解方程组得到Tm时刻空调系统实时能耗最小值min(Es)，及其对应的全局优化系统运行工况参数组合(te，Gep，Gcp，Gta)，其中，te为制冷机组蒸发温度，Gep为冷冻水泵流量，Gcp为冷却水泵流量，Gta为冷却塔风机风量。
本发明基于大数据挖掘环境参数、用户习惯和节假日规律等多特征变量，通过双种群粒子群训练集优化支持向量机中央空调负荷预测模型，提高了预测精确度和参数寻优性能；以空调系统运行能耗最小化为目标，构建全局参数寻优模型，实现系统多参数快速寻优，保证系统运行的稳定性；利用机器学习智能算法，预测当前Tm时刻空调系统逐时负荷，消除了常规“跟随控制”系统中出现的负荷变化反馈时滞和水温变化惯性，实现了控制的及时性和快速性，满足了中央空调系统综合能耗最优化，又能实现动态预测性智能化管理和稳定性运行。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (5)

1.一种动态预测性机器学习型空调节能控制方法，其特征在于，包括以下步骤：
S1，采集逐时环境参数：包括干球温度、相对湿度以及水平面太阳总辐射；记录建筑逐时使用参数：包括入住率、小时标签以及日期标签；记录中央空调系统逐时运行参数：包括空调负荷、制冷机组的蒸发温度、冷凝温度、电流以及电压，冷冻水泵的供回水温度、流量、电流以及电压，冷却水泵的供回水温度、流量、电流以及电压，冷却塔风量、电流、电压、小时标签以及日期标签；
S2，定义历史Ti时刻干球温度、Ti时刻相对湿度、Ti时刻水平面太阳总辐射、Ti时刻入住率、(Ti-1)时刻入住率、(Ti-24)时刻入住率、(Ti-1)时刻空调负荷以及(Ti-24)时刻空调负荷为样本空间记录特征矩阵
Figure FDA0003005373140000011
定义Ti时刻空调负荷为输出变量
Figure FDA0003005373140000012
组成样本空间记录向量
Figure FDA0003005373140000013
对所述样本空间记录特征矩阵
Figure FDA0003005373140000014
进行归一化处理；
S3，根据所述归一化处理后的所述样本空间记录特征矩阵
Figure FDA0003005373140000015
建立双种群粒子群训练集
Figure FDA0003005373140000016
通过所述双种群粒子群训练集
Figure FDA0003005373140000017
优化支持向量机中央空调负荷预测模型，所述双种群粒子群采用具有局部寻优和全局寻优的双种群粒子群优化算法，以及采用双种群协同进化策略和反正切调整策略动态调整加速因子，用于提高算法的寻优性能，计算得到所述支持向量机中央空调负荷预测模型的最佳性能参数组合粒子；
S4，定义当前Tm时刻干球温度、Tm时刻相对湿度、Tm时刻水平面太阳总辐射、Tm时刻入住率、(Tm-1)时刻入住率、(Tm-24)时刻入住率、(Tm-1)时刻空调负荷以及(Tm-24)时刻空调负荷为输入向量
Figure FDA0003005373140000018
利用所述最佳性能参数组合粒子优化后的支持向量机中央空调负荷预测模型预测所述输出变量
Figure FDA0003005373140000019
S5，以中央空调系统Tm时刻能耗Es为最优化目标，以Tm时刻干球温度、Tm时刻相对湿度以及Tm时刻空调负荷
Figure FDA00030053731400000110
作为求解条件，求解得到空调系统实时能耗最小值min(Es)以及对应的全局优化系统运行工况参数组合；
S3所述的支持向量机中央空调负荷预测模型的最佳性能参数组合粒子具体计算方法如下：
S31，初始化性能参数组合粒子(C，σ，ε)，其中，C为惩罚参数，σ为核函数参数，ε为损失函数参数；初始化惯性权重ω、加速因子、种群数量以及最大迭代次数；
S32，使用支持向量机对所述归一化处理后的所述双种群粒子群训练集
Figure FDA00030053731400000111
进行回归训练，得到每个粒子的适应度值，记录粒子的个体最优位置和全局最优位置；
S33，根据所述双种群协同进化策略和反正切动态调整策略对位置和速度进行更新；
S34，再次使用支持向量机对所述归一化处理后的所述样本空间记录特征矩阵
Figure FDA0003005373140000023
进行回归训练，得出每个粒子的适应度值，将每个粒子的当前位置及种群中所有粒子所经历的最好位置进行比较，若每个所述粒子的当前位置相对于所述经历的最好位置更优，则将其设置为当前最优位置值，否则保持原有最优位置值；
S35，返回S33，当所述当前最优位置值满足所述最大迭代次数或达到预设的误差范围，输出当前所述支持向量机的最佳性能参数组合粒子(C*，σ*，ε*)；
S33所述双种群协同进化策略和反正切动态调整策略对位置和速度进行更新的方法如下：
定义性能参数组合粒子由i个粒子组成，分为：负责局部寻优群体Q1和负责全局寻优群体Q2，
所述负责局部寻优群体Q1采用快速收敛进化方程：Q1：vij(t+1)＝ω×vij(t)+c1×rand()×[pij(t)-xij(t)]+c2×rand()×[pgj(t)-xij(t)] (2)
式中：vij(t)为粒子在搜索空间的速度；ω为惯性权重，取0.3；c1和c2为加速因子；rand()为区间[0，1]中分布均匀的任意数；pij(t)为当前粒子本身飞行过的最优位置；pgj(t)为粒子所对应的整个种群的最优位置；xij(t)为粒子在搜索空间的位置；t，当前迭代次数；i，第i个粒子；j，第i个维度；
所述负责全局寻优群体Q2采用全局搜索进化方程：
Figure FDA0003005373140000021
式中：tmax为最大迭代次数；
利用反正切函数动态调整c1和c2的策略，更好平衡全局和局部搜索，分别为：
Figure FDA0003005373140000022
式中：c1s为c1初始值；c1e为c1终值；c2s为c2初始值；c2e为c2终值；e为调节系数，取0～10。
2.根据权利要求1所述的动态预测性机器学习型空调节能控制方法，其特征在于，S2中所述的样本空间记录特征矩阵进行归一化处理的具体方式为：对各维度特征变量分别进行线性变换，令各维度特征值被映射到[0，1]之间，转换函数如下：
Figure FDA0003005373140000031
式中，
Figure FDA0003005373140000032
为归一化后样本空间记录特征矩阵第i条样本空间记录的第n个特征变量值；
Figure FDA0003005373140000033
为样本空间记录特征矩阵第i条样本空间记录的第n个特征变量特征值；max(Xn)为样本空间记录特征矩阵第n个特征变量的最大值；min(Xn)为样本空间记录特征矩阵第n个特征变量的最小值。
3.根据权利要求1所述的动态预测性机器学习型空调节能控制方法，其特征在于，S4中所述的空调负荷
Figure FDA0003005373140000034
预测前对Tm时刻新样本空间记录向量进行实时动态重新归一化处理，方法如下：
S41，当Tm时刻有新样本加入时，动态地判断新的样本空间记录特征矩阵
Figure FDA0003005373140000035
中各维度特征变量Xn的最大值max(Xn)和最小值min(Xn)；
S42，重新进行归一化处理得到Tm时刻的归一化样本空间记录特征矩阵
Figure FDA0003005373140000036
S43，把所述归一化样本空间记录特征矩阵
Figure FDA0003005373140000037
的最新1条向量记录作为输入量
Figure FDA0003005373140000038
Figure FDA0003005373140000039
利用所述支持向量机中央空调负荷预测模型，预测Tm时刻的输出变量
Figure FDA00030053731400000310
Figure FDA00030053731400000311
4.根据权利要求3所述的动态预测性机器学习型空调节能控制方法，其特征在于，S5中所述的中央空调系统Tm时刻能耗Es的求解步骤如下：
S51，建立中央空调系统关键部件能量模型，所述中央空调系统关键部件能量模型的特征变量包括制冷机组、冷冻水泵、风机以及冷却塔换热；
S52，设定制冷机组的蒸发温度和冷凝温度、冷冻水泵的最大流量和最小流量、冷却水泵的最大流量和最小流量，以及冷却塔的最大风量和最小风量的边界条件和保护值；
S53，构造拉格朗日函数：
g(te，Gep，Gcp，Gta，λ，η)＝f(te，Gep，Gcp，Gta)+λ(te，Gep，Gcp，Gta，λ，η) (5)
式中：g(te，Gep，Gcp，Gta，λ，η)为拉格朗日量；λ为拉格朗日乘子；η为松弛变量；
S54，对拉格朗日函数中的变量：te，Gep，Gcp，Gta，λ，η，分别求偏导数，并令偏导函数的结果为0，得到一个方程组；
S55，求解所述方程组得到Tm时刻空调系统实时能耗最小值min(Es)，及其对应的全局优化系统运行工况参数组合(te，Gep，Gcp，Gta)，其中，te为制冷机组蒸发温度，Gep为冷冻水泵流量，Gcp为冷却水泵流量，Gta为冷却塔风机风量。
5.根据权利要求1所述的动态预测性机器学习型空调节能控制方法，其特征在于，根据所述全局优化系统运行工况参数组合调节中央空调系统运行参数。
CN202010401620.1A 2020-05-13 2020-05-13 一种动态预测性机器学习型空调节能控制方法 Active CN111649457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010401620.1A CN111649457B (zh) 2020-05-13 2020-05-13 一种动态预测性机器学习型空调节能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010401620.1A CN111649457B (zh) 2020-05-13 2020-05-13 一种动态预测性机器学习型空调节能控制方法

Publications (2)

Publication Number Publication Date
CN111649457A CN111649457A (zh) 2020-09-11
CN111649457B true CN111649457B (zh) 2021-06-22

Family

ID=72342932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010401620.1A Active CN111649457B (zh) 2020-05-13 2020-05-13 一种动态预测性机器学习型空调节能控制方法

Country Status (1)

Country Link
CN (1) CN111649457B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112524751B (zh) * 2020-12-01 2022-04-19 西安建筑科技大学 一种动态空调系统能耗预测模型构建、预测方法及装置
CN112503746B (zh) * 2020-12-09 2022-06-24 上海安悦节能技术有限公司 基于机器学习与粒子群算法的动力站房冷源系统的控制方法
CN113091217B (zh) * 2021-03-22 2022-04-12 珠海格力电器股份有限公司 空调系统能力输出的寻优控制方法、装置、系统和空调
CN113739359B (zh) * 2021-08-31 2022-09-02 广州汇电云联互联网科技有限公司 中央空调系统节能控制方法、装置及中央空调系统
CN114595851B (zh) * 2022-02-20 2022-09-30 特斯联科技集团有限公司 利用神经网络的空调机房消耗功率分析装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920006A (zh) * 2017-02-23 2017-07-04 北京工业大学 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09273795A (ja) * 1996-04-01 1997-10-21 Tokyo Electric Power Co Inc:The 熱負荷予測装置
CN102705957B (zh) * 2012-06-07 2014-06-11 华南理工大学 办公建筑中央空调逐时冷负荷在线预测方法及系统
CN102980272B (zh) * 2012-12-08 2014-12-03 珠海派诺科技股份有限公司 一种基于负荷预测的空调系统节能优化方法
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
CN104778631B (zh) * 2015-03-11 2017-12-01 国家电网公司 一种面向需求响应的居民用户用电模式优化方法
CN107464008A (zh) * 2016-06-02 2017-12-12 南京理工大学 一种大型楼宇冷热电联供系统的优化调度方法
CN106444956A (zh) * 2016-10-31 2017-02-22 北京信息科技大学 一种基于粒子群优化的光伏最大功率点跟踪的控制方法及装置
US10359206B1 (en) * 2016-11-03 2019-07-23 Clean Power Research, L.L.C. System and method for forecasting seasonal fuel consumption for indoor thermal conditioning with the aid of a digital computer
CN106682764A (zh) * 2016-12-02 2017-05-17 河海大学 一种基于并行预测策略的公共楼宇日前空调负荷预测方法
CN106952183A (zh) * 2017-04-24 2017-07-14 武汉大学 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法
CN107990487B (zh) * 2017-11-29 2020-05-05 广东美的制冷设备有限公司 空调器和空调器功耗的预测方法、装置
CN110264004A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法
CN110610275B (zh) * 2019-09-18 2022-05-13 福州大学 一种基于acqpso-elm的变风量空调负荷预测方法及系统
CN110794856A (zh) * 2019-10-21 2020-02-14 上海海事大学 一种基于改进粒子群优化算法的波浪补偿平台控制方法
CN110805997A (zh) * 2019-11-14 2020-02-18 中金新源（天津）科技有限公司 中央空调系统节能控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920006A (zh) * 2017-02-23 2017-07-04 北京工业大学 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法

Also Published As

Publication number Publication date
CN111649457A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111649457B (zh) 一种动态预测性机器学习型空调节能控制方法
CN111237989B (zh) 一种基于负荷预测的楼宇通风空调控制方法及装置
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
Afram et al. Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system
CN111795484B (zh) 一种智慧空调控制方法和系统
Pfeiffer et al. Control of temperature and energy consumption in buildings-a review.
Yuan et al. Study on the application of reinforcement learning in the operation optimization of HVAC system
CN113326651B (zh) 基于t-s模糊模型的制冷站负荷和能效比动态建模方法
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
CN112415924A (zh) 一种空调系统节能优化方法及系统
CN109932896A (zh) 一种建筑能耗的控制方法和系统
CN112070262B (zh) 一种基于支持向量机的空调负荷预测方法
Killian et al. Hierachical fuzzy MPC concept for building heating control
CN116989442A (zh) 一种中央空调负荷预测方法及系统
Qin et al. Energy-efficient heating control for nearly zero energy residential buildings with deep reinforcement learning
CN116436033A (zh) 一种基于用户满意度和强化学习的温控负荷频率响应控制方法
Naug et al. Data driven methods for energy reduction in large buildings
CN113222231A (zh) 一种基于物联网技术的智慧供热系统
Deng et al. Optimal control of chilled water system with ensemble learning and cloud edge terminal implementation
Xudong et al. Prediction of building heating and cooling load based on IPSO-LSTM neural network
CN113028610B (zh) 中央空调动态负荷全局优化与节能控制的方法和装置
CN114740727A (zh) 室外温度扰动条件下的空气源热泵动态能效优化控制方法
Gauthier-Clerc et al. Operating data of a specific Aquatic Center as a Benchmark for dynamic model learning: search for a valid prediction model over an 8-hour horizon
CN113625557A (zh) 一种在线优化模型的hvac系统模型预测控制方法
CN111240197A (zh) 一种公共建筑机电系统的能效纠偏控制方法和装置

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