CN112052997B - 一种变风量空调系统事件触发预测控制方法 - Google Patents

一种变风量空调系统事件触发预测控制方法 Download PDF

Info

Publication number
CN112052997B
CN112052997B CN202010929875.5A CN202010929875A CN112052997B CN 112052997 B CN112052997 B CN 112052997B CN 202010929875 A CN202010929875 A CN 202010929875A CN 112052997 B CN112052997 B CN 112052997B
Authority
CN
China
Prior art keywords
air conditioning
prediction algorithm
conditioning system
control
slope
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
CN202010929875.5A
Other languages
English (en)
Other versions
CN112052997A (zh
Inventor
贺宁
陈青青
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202010929875.5A priority Critical patent/CN112052997B/zh
Publication of CN112052997A publication Critical patent/CN112052997A/zh
Application granted granted Critical
Publication of CN112052997B publication Critical patent/CN112052997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Combustion & Propulsion (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种变风量空调系统事件触发预测控制方法，包括以下步骤：1)基于状态空间构建变风量空调系统模型；2)构建变风量空调系统模型的预测算法，再通过变风量空调系统模型与该预测算法共同构成闭环控制，然后根据预测算法进行预测；3)计算最大输出斜率和最大输入斜率，将最大输出斜率和最大输入斜率与设定值相比较，并根据比较结果判断是否对预测算法在线进行更新，当需要对预测算法进行更新时，则对预测算法进行在线更新，当不需要对预测算法进行更新时，则采用上一时刻的预测算法，该系统能够满足空调系统的节能目的。

Description

一种变风量空调系统事件触发预测控制方法
技术领域
本发明涉及一种触发预测控制方法，具体涉及一种变风量空调系统事件触发预测控制方法。
背景技术
新时代，随着物联网，云计算，大数据，移动互联网，人工智能，IPv6等新技术的广泛使用，人们不仅要求建筑环境是智能的，而且是节能，环保，生态和健康的。智能建筑是信息时代的必然产物，随着科学技术的发展，建筑智能的水平正在逐步提高。随着智能建筑行业的飞速发展，自动化建筑系统将逐步建立起更加科学，经济，合理的控制管理体系，不仅提高了建筑的功能水平，而且还达到了节约建筑的目的。
变风量(VAV)空调系统的节能率、灵活性要远优于其他类型中央空调系统，已渐渐成为中央空调设计者的主流研究方向。变风量空调系统的各个输入输出之间具有很强的耦合性，多个回路之间会相互产生影响，整个系统有着较差可靠性，导致各控制器件处于不断调节中甚至不能正常地运行。不仅增加了无效能耗，还增加执行器磨损导致其使用寿命下降，加大了使用成本与管理难度。模型预测控制是解决多变量耦合系统的有效方法之一，由此采用模型预测控制的方法。
智能建筑中的节能是智能建筑的目标，通过节能管理降低运营和建筑物管理成本是高效节能以及智能建筑的高盈利能力的具体体现。通常，建筑物的节能内容和目标包括建筑设计，空调系统，照明和设备。对于智能建筑节能，不只是使用传统建筑中的节能方法，更重要的是，用高科技手段从而实现更精确的调节和控制。当人们在享受着空调技术给生产和生活带来方便和舒适的同时，也在思考如何减少空调系统所需消耗的能量。目前，建筑物都开始装备中央空调系统，在改善人们生活、工作环境的同时也消耗了巨大的能源。我国民用建筑中，暖通空调系统能耗占建筑总能耗50％左右。随着人们工作生活水平的不断提高，建筑物的能耗也越来越大。一般办公楼的能耗分布为，空调占整个办公楼能耗的50％，其中冷热源使用能量40％，输送系统占60％。因此，智能建筑的节能首先考虑的是空调系统的节能。从节电和提高用户舒适度的角度来看，智能空调的研究程度非常重要。
综上，亟需对变风量空调系统预测控制进行算法设计，以达到节能目的。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种变风量空调系统事件触发预测控制方法，该系统能够满足空调系统的节能目的。
为达到上述目的，本发明所述的变风量空调系统事件触发预测控制方法包括以下步骤：
1)基于状态空间构建变风量空调系统模型；
2)构建变风量空调系统模型的预测算法，再通过变风量空调系统模型与该预测算法共同构成闭环控制，然后根据预测算法进行预测；
3)计算最大输出斜率和最大输入斜率，将最大输出斜率和最大输入斜率与设定值相比较，并根据比较结果判断是否对预测算法在线进行更新，当需要对预测算法进行更新时，则对预测算法进行在线更新，当不需要对预测算法进行更新时，则采用上一时刻的预测算法。
变风量空调系统模型的预测算法具体为：
变风量空调系统模型为：
y(s)＝G(s)u(s)；
其中，y(s)为模型的输出，u(s)为模型的输入，G(s)为模型的传递函数；
系统状态空间为：
Δx(k+1)＝AΔx(k)+BuΔu(k)+BdΔd(k)
yc(k)＝CcΔx(k)+yc(k-1)
其中，
Figure BDA0002669848520000031
为状态增量，
Figure BDA0002669848520000032
为控制输入增量，
Figure BDA0002669848520000033
为可以测量的外部干扰增量，
Figure BDA0002669848520000034
为被控输出量，
Figure BDA0002669848520000035
为约束输出量；A，Bu，Bd，Cc和Cb为相应维数的系统矩阵；
则预测控制优化问题为：
Figure BDA0002669848520000036
Δx(k+i+1)＝AΔx(k+i|k)+BuΔu(k+i|k)+BdΔd(k+i)
Δx(k|k)＝Δx(k)
yc(k+i|k)＝CcΔx(k+i|k)+yc(k+i|k)
yc(k|k)＝yc(k)，i＝0，1，…，p
Figure BDA0002669848520000037
Figure BDA0002669848520000038
Figure BDA0002669848520000039
其中，(k+i|k)表示当前k时刻对k+i时刻的预测值，umin(k)为系统控制量的最小值，umax(k)为系统控制量的最大值，Δumin(k)为系统控制增量的最小值，Δumax(k)为系统控制增量的最大值，ymin(k)系统输出的最小值，ymax(k)为系统输出的最大值；
将预测控制优化问题转化为QP问题进行描述，根据预测控制的基本原理，作用于被控系统的数据是得到控制序列的第一步，即
Figure BDA0002669848520000041
Figure BDA0002669848520000042
将通过求解优化问题所获得的将控制量u(k)＝u(k-1)+Δu(k)作用于系统；
在下一个采样时刻，利用新的测量值更新QP问题，然后求解QP函数。
步骤3)中最大输出斜率的数学表达式为：
Figure BDA0002669848520000043
最大输入斜率的数学表达式为：
Figure BDA0002669848520000044
最大输出斜率变化率的数学表达式为：
Figure BDA0002669848520000045
最大输入斜率变化率的数学表达式为：
Figure BDA0002669848520000046
本发明具有以下有益效果：
本发明所述的变风量空调系统事件触发预测控制方法在具体操作时，在变风量控制系统和预测控制器构成的闭环控制中加入事件触发机制，在每个采样时刻通过最新得到的测量值刷新优化问题并求解刷新后的优化问题，使其并不是在每个采样时刻都进行优化问题的求解，从而有效降低预测控制在线求解优化问题的次数，大幅度地降低能耗，在实际应用中，能够有效地降低空调系统的能耗，设计简单，易于操作。
附图说明
图1为基于最大输出斜率/变化率的闭环控制系统流程图；
图2为基于最大输入斜率/变化率的闭环控制系统流程图；
图3为空调系统闭环示意图；
图4为触发机制示意图；
图5为触发示意图；
图6为输出性能对比图；
图7为基于最大输出斜率的触发效果图；
图8为基于最大输出斜率变化率的触发效果图；
图9为输入特性对比图；
图10为基于最大输入斜率的触发效果图；
图11为基于最大输入斜率变化率的触发效果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1及图2，本发明所述的变风量空调系统事件触发预测控制方法包括以下步骤：
1)基于状态空间构建变风量空调系统模型；
2)构建变风量空调系统模型的预测算法，再通过变风量空调系统模型与该预测算法共同构成闭环控制，然后根据预测算法进行预测；
3)计算最大输出斜率和最大输入斜率，将最大输出斜率和最大输入斜率与设定值相比较，并根据比较结果判断是否对预测算法在线进行更新，当需要对预测算法进行更新时，则对预测算法进行在线更新，当不需要对预测算法进行更新时，则采用上一时刻的预测算法。
变风量空调系统模型的预测算法具体为：
变风量空调系统模型为：
y(s)＝G(s)u(s)；
其中，y(s)为模型的输出，u(s)为模型的输入，G(s)为模型的传递函数；
系统状态空间为：
Δx(k+1)＝AΔx(k)+BuΔu(k)+BdΔd(k)
yc(k)＝CcΔx(k)+yc(k-1)
其中，
Figure BDA0002669848520000061
为状态增量，
Figure BDA0002669848520000062
为控制输入增量，
Figure BDA0002669848520000063
为可以测量的外部干扰增量，
Figure BDA0002669848520000064
为被控输出量，
Figure BDA0002669848520000065
为约束输出量；A，Bu，Bd，Cc和Cb为相应维数的系统矩阵；
则预测控制优化问题为：
Figure BDA0002669848520000066
Δx(k+i+1)＝AΔx(k+i|k)+BuΔu(k+i|k)+BdΔd(k+i)
Δx(k|k)＝Δx(k)
yc(k+i|k)＝CcΔx(k+i|k)+yc(k+i|k)
yc(k|k)＝yc(k)，i＝0，1，…，p
Figure BDA0002669848520000071
Figure BDA0002669848520000072
Figure BDA0002669848520000073
其中，(k+i|k)表示当前k时刻对k+i时刻的预测值，umin(k)为系统控制量的最小值，umax(k)为系统控制量的最大值，Δumin(k)为系统控制增量的最小值，Δumax(k)为系统控制增量的最大值，ymin(k)系统输出的最小值，ymax(k)为系统输出的最大值；
将预测控制优化问题转化为QP问题进行描述，根据预测控制的基本原理，作用于被控系统的数据是得到控制序列的第一步，即
Figure BDA0002669848520000074
Figure BDA0002669848520000075
将通过求解优化问题所获得的将控制量u(k)＝u(k-1)+Δu(k)作用于系统；
在下一个采样时刻，利用新的测量值更新QP问题，然后求解QP函数。
步骤3)中最大输出斜率的数学表达式为：
Figure BDA0002669848520000076
最大输入斜率的数学表达式为：
Figure BDA0002669848520000077
最大输出斜率变化率的数学表达式为：
Figure BDA0002669848520000078
最大输入斜率变化率的数学表达式为：
Figure BDA0002669848520000079
通过计算最大输出斜率/最大输入斜率以及最大输出斜率变化率/最大输入斜率变化率，将其与设定值相比较，判断控制器是否在线进行求解优化问题，不仅可以减少预测控制器求解优化问题的次数，而且可以在满足空调系统性能的前提下，大大降低能源的消耗。
实施例一
变风量空调数学建模
根据系统的机理和输入输出变量之间的阶跃确定系统的内部模型及系统的约束，以确定系统的控制模型，考虑到系统的动力学特征和执行器的动力学行为，建立初步模型为：
Figure BDA0002669848520000081
变风量空调系统参考轨迹
预测控制的目就是让系统的输出变量沿着一条事先规定的曲线逐渐到达设定的值，在变风量空调系统中选取了一个2×2的模型，输出为：供风温度及静压点静压；输入为：房间送风量及新风量。对于变风量空调系统来说，夏季风口的供风温度一般为14～16℃，而静压工作点的静压为585Pa左右，根据上述选定参考轨迹为：
yref＝[15 585]
变风量空调系统二次型性能指标的加权矩阵
输出与参考轨迹误差的处罚是由W加权矩阵设置的，W越大，则表示可以使输出的值与其参考值的误差越小。在实际应用中，空调系统的静压点静压比送风温度的控制要求要低，因此可以将加权矩阵设置为：
Figure BDA0002669848520000091
加权矩阵Q设置了MPC控制器控制效果的处罚，Q越大，则可以使输出与参考轨迹与输出误差变的越缓慢。考虑到W与Q的大小有着相对应的意义，同时变风量空调系统的能耗主要来自冷冻水流量和风机转速，所以对他们的使用应该加大处罚，则加权矩阵设置为：
Figure BDA0002669848520000092
加权矩阵R设置了输入与参考轨迹误差的处罚，R越大，可以使输入与其参考值的误差越小，则加权矩阵R为：
Figure BDA0002669848520000093
变风量空调系统的预测步长与控制步长
采样周期TS、控制时域m及预测时域p能够保证在每个采样间隔内有充足的时间来求解最优化问题，在本次设计中取Ts＝10s，n＝15，控制时域m＝3，预测时域m＝15。
在变风量空调系统中，当输出y的变化值不大时，则意味着系统趋于稳定，相对应的u的变化也不大，这时就可以不用重新求解QP函数。当y的变化量一旦大于给定的值时，则说明原求解的值已经不满足要求了，必须重新求解，以达到节能的目的。
分别采用基于最大输出/输入斜率以及基于最大输出/输入斜率变化率的触发机制。
基于最大输出斜率的数学表达式为：
Figure BDA0002669848520000101
基于最大输入斜率的数学表达式为：
Figure BDA0002669848520000102
基于最大输出斜率变化率的数学表达式为：
Figure BDA0002669848520000103
基于最大输入斜率变化率的数学表达式为：
Figure BDA0002669848520000104
如图6所示实线表示基于最大输出斜率的触发方式，虚线表示基于最大输出斜率变化率触发方式，点画线是不加触发条件即每个采样时刻都在线求解QP问题。
图7及图8为触发效果图，显然在加入事件触发机制后，预测控制器求解优化问题的次数大幅减少。图7表示的是采用基于最大输出斜率的触发方式，其原先触发次数为150次，再加入事件触发机制后触发次数减少到了15次，降低了90％。图8表示的是基于最大输出斜率的触发方式，其原先触发次数为150次，再加入时间触发机制后触发次数减少到了69次，降低了54％。
如图9所示实线表示基于最大输入斜率的触发方式，虚线表示基于最大输入斜率变化率触发方式，点画线是不加触发条件即每个采样时刻都在线求解QP问题。
图10表示的是基于最大输入斜率变化率的触发方式，其原先触发次数为150次，再加入时间触发机制后触发次数减少到了14，降低了91％。图11表示的是基于最大输入斜率变化率的触发方式，其原先触发次数为150次，再加入时间触发机制后触发次数减少到了87，降低了42％。在实际生活中，空调系统的耗能大幅下降，实现节能减排的目的。
从上述仿真结果图中显然可以看出，再加入事件触发机制后，明显减少了预测控制器求解优化问题的次数，并且变风量空调系统依旧可以达到性能要求。对比以上两种触发方式。在实际应用中，这两种触发方式对多变量空调系统而言，可以达到节能环保效果。

Claims (1)

1.一种变风量空调系统事件触发预测控制方法，其特征在于，包括以下步骤：
1)基于状态空间构建变风量空调系统模型；
2)构建变风量空调系统模型的预测算法，再通过变风量空调系统模型与该预测算法共同构成闭环控制，然后根据预测算法进行预测；
3)计算最大输出斜率和最大输入斜率，将最大输出斜率和最大输入斜率与设定值相比较，并根据比较结果判断是否对预测算法在线进行更新，当需要对预测算法进行更新时，则对预测算法进行在线更新，当不需要对预测算法进行更新时，则采用上一时刻的预测算法；
变风量空调系统模型的预测算法具体为：
变风量空调系统模型为：
y(s)＝G(s)u(s)；
其中，y(s)为模型的输出，u(s)为模型的输入，G(s)为模型的传递函数；
系统状态空间为：
Δx(k+1)＝AΔx(k)+BuΔu(k)+BdΔd(k)
yc(k)＝CcΔx(k)+yc(k-1)
其中，
Figure FDA0003117966370000011
为状态增量，
Figure FDA0003117966370000012
为控制输入增量，
Figure FDA0003117966370000013
Figure FDA0003117966370000014
为可以测量的外部干扰增量，
Figure FDA0003117966370000015
为被控输出量，
Figure FDA0003117966370000016
为约束输出量；A,Bu,Bd,Cc和Cb为相应维数的系统矩阵；
则预测控制优化问题为：
Figure FDA0003117966370000017
Δx(k+i+1)＝AΔx(k+i|k)+B6Δu(k+i|k)+BdΔd(k+i)
Δx(k|k)＝Δx(k)
yc(k+i|k)＝CcΔx(k+i|k)+yc(k+i|k)
yc(k|k)＝yc(k),i＝0,1,…,p
Figure FDA0003117966370000021
Figure FDA0003117966370000022
Figure FDA0003117966370000023
其中，(k+i|k)表示当前k时刻对k+i时刻的预测值，umin(k)为系统控制量的最小值，umax(k)为系统控制量的最大值，Δumin(k)为系统控制增量的最小值，Δumax(k)为系统控制增量的最大值，ymin(k)系统输出的最小值，ymax(k)为系统输出的最大值；
将预测控制优化问题转化为QP问题进行描述，根据预测控制的基本原理，作用于被控系统的数据是得到控制序列的第一步，即
Figure FDA0003117966370000024
Figure FDA0003117966370000025
将通过求解优化问题所获得的将控制量u(k)＝u(k-1)+Δu(k)作用于系统；
在下一个采样时刻，利用新的测量值更新QP问题，然后求解QP函数；
步骤3)中最大输出斜率的数学表达式为：
Figure FDA0003117966370000026
最大输入斜率的数学表达式为：
Figure FDA0003117966370000027
最大输出斜率变化率的数学表达式为：
Figure FDA0003117966370000028
最大输入斜率变化率的数学表达式为：
Figure FDA0003117966370000031
CN202010929875.5A 2020-09-07 2020-09-07 一种变风量空调系统事件触发预测控制方法 Active CN112052997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010929875.5A CN112052997B (zh) 2020-09-07 2020-09-07 一种变风量空调系统事件触发预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010929875.5A CN112052997B (zh) 2020-09-07 2020-09-07 一种变风量空调系统事件触发预测控制方法

Publications (2)

Publication Number Publication Date
CN112052997A CN112052997A (zh) 2020-12-08
CN112052997B true CN112052997B (zh) 2021-09-03

Family

ID=73609849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010929875.5A Active CN112052997B (zh) 2020-09-07 2020-09-07 一种变风量空调系统事件触发预测控制方法

Country Status (1)

Country Link
CN (1) CN112052997B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353119A (zh) * 2011-08-09 2012-02-15 北京建筑工程学院 一种vav变风量空调系统控制方法
CN103322648A (zh) * 2013-06-13 2013-09-25 浙江工业大学 一种中央空调的室内温度动态矩阵预测控制方法
CN104154635A (zh) * 2014-08-14 2014-11-19 河海大学常州校区 基于模糊pid与预测控制算法的变风量室温控制方法
CN106777711A (zh) * 2016-12-22 2017-05-31 石家庄国祥运输设备有限公司 建立车载变风量空调系统风量预测模型的方法
CN108981097A (zh) * 2018-06-19 2018-12-11 广东美的暖通设备有限公司 空调系统及其能需调整方法与装置
CN111336669A (zh) * 2020-03-12 2020-06-26 苏州大学 基于模型预测控制的室内空调通风系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106481507A (zh) * 2016-10-28 2017-03-08 华北电力大学 考虑风湍流的风电机组模型预测控制器与控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353119A (zh) * 2011-08-09 2012-02-15 北京建筑工程学院 一种vav变风量空调系统控制方法
CN103322648A (zh) * 2013-06-13 2013-09-25 浙江工业大学 一种中央空调的室内温度动态矩阵预测控制方法
CN104154635A (zh) * 2014-08-14 2014-11-19 河海大学常州校区 基于模糊pid与预测控制算法的变风量室温控制方法
CN106777711A (zh) * 2016-12-22 2017-05-31 石家庄国祥运输设备有限公司 建立车载变风量空调系统风量预测模型的方法
CN108981097A (zh) * 2018-06-19 2018-12-11 广东美的暖通设备有限公司 空调系统及其能需调整方法与装置
CN111336669A (zh) * 2020-03-12 2020-06-26 苏州大学 基于模型预测控制的室内空调通风系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Model Predictive Control(MPC) for Enhancing Building and HVAC System Energy Efficiency: Problem Formulation, Applications and Opportunities;Gianluca Serale 等;《Energies》;20180312;第1-35页 *
变风量空调系统的模糊神经网络预测控制;郭晓岩;《沈阳工业大学学报》;20130131;第99-103页 *
多变量分数阶滞后系统预测控制参数解析调优;贺利乐 等;《信息与控制》;20191231;第687-693页 *

Also Published As

Publication number Publication date
CN112052997A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN111795484B (zh) 一种智慧空调控制方法和系统
Moon Performance of ANN-based predictive and adaptive thermal-control methods for disturbances in and around residential buildings
CN109708258A (zh) 一种基于负荷动态变化的冷库温度前馈-模糊控制系统及控制方法
CN102043907B (zh) 空调房间实时冷负荷确定方法
Li et al. Rule-based fuzzy control method for static pressure reset using improved Mamdani model in VAV systems
Li et al. Reinforcement learning of room temperature set-point of thermal storage air-conditioning system with demand response
CN111649457B (zh) 一种动态预测性机器学习型空调节能控制方法
CN112415924A (zh) 一种空调系统节能优化方法及系统
CN101782261A (zh) 暖通空调系统的非线性自适应节能控制方法
Afram et al. Effects of dead-band and set-point settings of on/off controllers on the energy consumption and equipment switching frequency of a residential HVAC system
CN115630434B (zh) 一种基于多智能体模拟的建筑碳排放预测方法和装置
CN113757789A (zh) 一种面向智慧校园建设的供热节能预测控制方法
CN109612055A (zh) 一种空调水系统的前馈模糊控制方法
Lei et al. Predictive control of multi-zone variable air volume air-conditioning system based on radial basis function neural network
Wang et al. A zoned group control of indoor temperature based on MPC for a space heating building
Zhao RETRACTED ARTICLE: Research on Energy Saving Design of Intelligent Building Based on Genetic Algorithm
CN112052997B (zh) 一种变风量空调系统事件触发预测控制方法
Zhou et al. Time-delay characteristics of air-conditioning system for subway trains
Wang et al. Research on intelligent regulation of air conditioning energy saving based on human thermal comfort
Zhang et al. Optimization of daylighting, ventilation, and cooling load performance of apartment in tropical ocean area based on parametric design
CN112560160A (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
Yang et al. Independent control of temperature and humidity in air conditioners by using fuzzy sliding mode approach
CN117057021A (zh) 一种基于多目标动态权重的建筑改造方案优化方法
Chi et al. Building exterior wall thermal energy saving model based on green energy-saving nanomaterials
Pi et al. Load Prediction and Control of Capillary Ceiling Radiation Cooling Panel Air Conditioning System Based on BP Neural Network

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