CN112180733A - 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 - Google Patents
一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 Download PDFInfo
- Publication number
- CN112180733A CN112180733A CN202011099045.0A CN202011099045A CN112180733A CN 112180733 A CN112180733 A CN 112180733A CN 202011099045 A CN202011099045 A CN 202011099045A CN 112180733 A CN112180733 A CN 112180733A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- fuzzy
- building energy
- consumption system
- parameter
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32021—Energy management, balance and limit power to tools
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
Description
技术领域
本发明涉及一种建筑能耗系统预测控制参数整定方法,涉及一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法。
背景技术
在经济全球化的时代背景下,现代人类生活水平正在不断提高,随之而来的是全球的能源消耗量逐年上升,能源缺乏、能量资源分布不均、能源供需不同步等问题正被世界各国迫切关注。建筑能耗约占我国总能耗的三分之一,而其中四分之一的能耗可以在建筑用能系统的运行中得到有效控制,因此,必须要从整个能耗系统方面进行调控,提高能耗利用率,从而达到节能的目的。本发明以针对空调等现代建筑的主要能耗系统,使用先进控制算法对其进行节能控制。
模型预测控制(Model Predictive Control,MPC),是一种以优化理论为基础的多变量控制策略,其主要特点是能处理多变量系统的耦合问题、能显式地考虑系统输入输出量的物理约束。然而,当此算法被应用到一些复杂的工业生产中时存在一定的局限性,因为所有种类的最小方差控制器必须要求目标的时间延迟是确定的,否则整个系统的控制精确度会变得很差。在这样的背景下,学者们在在线辨识、输出预测和最小方差控制的基础上,吸收了动态矩阵控制和模型算法控制中滚动优化的策略,提出了广义预测控制算法(Generalized Predictive Control,GPC)。此控制算法是目前最具前景的先进控制策略之一,在建筑能耗系统中有着广泛的应用。
然而,大多数的建筑能耗系统都具有多变量、强滞后性和强非线性的特点,这导致GPC代价函数设计参数的数量繁多,往往由于参数设置不合适造成系统控制品质不佳,严重的影响了建筑耗能系统的控制性能。
综上,亟需一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法,该方法能够有效的提高建筑耗能系统的控制性能。
为达到上述目的,本发明所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法包括以下步骤:
1)构建被控建筑能耗系统,再对建筑能耗系统进行广义预测控制,并初始化广义预测控制器的被调参数λ;
2)采集控制过程中被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)、设定值yr(t)及预测输出值然后将被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)与设定值yr(t)及预测输出值作为模糊目标参数;
3)对步骤2)中的模糊目标参数构建隶属度函数,然后使用粒子群算法对模糊隶属度函数的参数进行最优选定,得各模糊目标参数的隶属度函数参数并确定隶属度函数;
4)对所得模糊目标参数的隶属度进行模糊推理运算,并利用模糊推理运算结果对被调参数λ进行整定,完成基于模糊逻辑的建筑能耗系统预测控制参数整定。
将整定后的被调参数λ代入到下一循环周期的目标函数中,以改善一下循环周期的被控建筑能耗系统的性能。
步骤1)中,被控建筑能耗系统为变风量空调系统,被控建筑能耗系统的动态模型过程传递函数为一阶时滞模型,即:
其中,y为送风管道静压;u为风机输入频率;K为过程增益;T为时间常数;τ为延时时间。
其中,tend为预测控制过程的循环次数,N为预测时域,d为被控系统模型中的纯延迟。
步骤2)中,
基于所采集的被控建筑能耗系统输出斜率yk(t),将被控建筑能耗系统的输出斜率yk(t)作为第一个模糊目标参数:
基于采集的实际输出y(t)与设定值yr(t),将实际输出y(t)与设定值yr(t)的绝对偏差e(t)作为第二个模糊目标参数:
e(t)=y(t)-yr(t)(0≤e(t)≤emax) (3)
获取绝对偏差e(t)的变化率的输出达到设定值的时间ts(t),将ts(t)作为第三个模糊目标参数:
其中,i=1,2,…,N。
步骤3)中,各模糊目标参数的隶属度函数参数为vmin、vmax、p1、p2,其中,vmin、vmax为模糊目标参数的最小值及最大值,p1和p2称为模糊宽度。
步骤4)中采用Mamdani模糊推理法对隶属度进行模糊推理运算。
所述目标函数为:
其中,N1为最小预测时域长度,当已知系统时延d时,N1=d,N2为最大预测时域长度,Nu为控制时域长度,λ(j)为大于零的控制加权系数矩阵,λ(j)=λ。
本发明具有以下有益效果:
本发明所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法在具体操作时,以建筑能耗系统为控制对象,采用模糊逻辑对于广义预测控制的参数进行整定优化,并且使用粒子群算法自动寻找最优的模糊隶属度参数,确定隶属度函数,最后根据所得隶属度采用模糊推理运算的方式对被调参数λ进行整定,使系统获得较好的动态性能和较强的鲁棒性,克服建筑能耗系统中预测控制参数整定困难的缺陷,继而提高建筑耗能系统的控制性能。
附图说明
图1为本发发明的流程图;
图2为粒子群算法的流程图;
图3为本发明中模糊隶属参数表的示意图;
图4为本发明中模糊隶属度函数的示意图;
图5为本发明中系统仿真输出曲线的对比图;
图6为本发明中被调参数的变化曲线图。
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,本发明所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法包括以下步骤:
1)构建被控建筑能耗系统,再对建筑能耗系统进行广义预测控制,并初始化广义预测控制器的被调参数λ;
步骤1)中,被控建筑能耗系统为变风量空调系统,被控建筑能耗系统的动态模型过程传递函数为一阶时滞模型,即:
其中,y为送风管道静压;u为风机输入频率;K为过程增益;T为时间常数;τ为延时时间。
其中,tend为预测控制过程的循环次数,N为预测时域,d为被控系统模型中的纯延迟。
2)采集控制过程中被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)、设定值yr(t)及预测输出值然后将被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)与设定值yr(t)及预测输出值作为模糊目标参数;
步骤2)中,
基于所采集的被控建筑能耗系统输出斜率yk(t),将被控建筑能耗系统的输出斜率yk(t)作为第一个模糊目标参数:
基于采集的实际输出y(t)与设定值yr(t),将实际输出y(t)与设定值yr(t)的绝对偏差e(t)作为第二个模糊目标参数:
e(t)=y(t)-yr(t)(0≤e(t)≤emax) (3)
获取绝对偏差e(t)的变化率的输出达到设定值的时间ts(t),将ts(t)作为第三个模糊目标参数:
其中,i=1,2,…,N。
3)对步骤2)中的模糊目标参数构建隶属度函数,然后使用粒子群算法对模糊隶属度函数的参数进行最优选定,得各模糊目标参数的隶属度函数参数,确定出隶属度函数;
步骤3)中,各模糊目标参数的隶属度函数参数为vmin、vmax、p1、p2,其中,vmin、vmax为模糊目标参数的最小值及最大值,p1和p2称为模糊宽度。
参考图3,步骤3)的具体过程为:
31)设置粒子群中粒子数量,初始化所有粒子的速度和位置,并设置最大速度区间,每个粒子的位置信息都包括所寻的16个隶属度函数参数,即:
32)计算每个粒子的适应度函数,找到各粒子的当前个体极值,并从这些个体历史最优解中找到一个全局最优解,并与历史最优解比较,选出最佳的作为当前的历史最优解。
33)更新每个粒子的速度和位置信息,其更新公式为:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (5)
Xid=Xid+Vid (6)
其中,ω为惯性因子,ω为非负,Vid为粒子速度,Xid为粒子当前位置,由四组隶属度函数参数组成的4维矩阵,Pid为粒子的历史最优位置,Pgd为群体的全局最优位置,C1、C2为学习因子,通常取0-4,random(0,1)为区间[0,1]上的随机数。
34)检测更新后的粒子是否满足终止循环条件,若否,则继续循环,若是,则输出最优解作为模糊隶属度函数的参数,并建立隶属度函数得到所需隶属度,本发明所建立的隶属度函数分别为:
其中,i=1,2,…,N。
4)对隶属度进行模糊推理运算,并利用模糊推理运算结果对被调参数λ进行整定,完成基于模糊逻辑的建筑能耗系统预测控制参数整定。
步骤4)中采用Mamdani模糊推理法对隶属度进行模糊推理运算,具体为:
41)采取最常用的Mamdani模糊推理法,将所得隶属度进行笛卡尔积运算,即:
其中,指标yk(t)为输出曲线的斜率,直接关系到每一时刻输出曲线的增减性,将此指标作为模糊目标参数来对系统输出进行调节,可以直接对输出曲线的趋势产生影响;指标ts(t)中包含对系统上升时间的预测量;指标e(t)和描述了当前的和预测的系统输出与设定值之间的差值。
42)根据步骤31)中得到的μmin值,在λmin与λmax之间按一定指数规律调整λ,改变控制量的加权,其代数式为:
λ=λmax×exp(μmin×lg(λmin/λmax)) (12)
其中,λmax>λmin>0。
其中,N1为最小预测时域长度,当已知系统时延d时,N1=d,N2为最大预测时域长度,Nu为控制时域长度,λ(j)为大于零的控制加权系数矩阵,λ(j)=λ。
实施例一
变风量空调系统中将集中空调送风静压控制回路中的风管静压为被控对象,以静压预测模型的输出能够快速、准确地跟随静压设定值为目标,由系统辨识得到的风机频率—静压模型,如下式所示:
本发明具体包括以下步骤:
1)对建筑能耗系统建模并进行广义预测控制,并初始化被调参数λ;
其中,tend取200;N为预测时域,取5;d为被控系统模型中的纯延迟,为4。
2)采集控制过程中系统有:输出的斜率yk(t)、实际输出y(t)与设定值yr(t)、预测输出值基于所采集的系统的输出斜率yk(t),将其作为第一个模糊目标参数,并对其施以约束,0≤yk(t)≤0.4:
其中,t为采样次序数,共200次;T为采样时间间隔,取1s;y(t)为预测控制过程中采样时刻的实际输出;y(t-1)为预测控制过程中上一时刻的实际输出。
基于所采集的实际输出y(t)与设定值yr(t),将二者的绝对偏差作为一个模糊目标参数:
e(t)=y(t)-yr(t)(0≤e(t)≤0.3) (12)
基于绝对偏差e(t)的变化率的输出达到设定值的时间ts(t);
其中,i=1,2,…,N。
3)对采集的4个模糊目标参数进行构建隶属度函数,本发明使用粒子群算法对模糊隶属度函数的参数进行最优选定,使每个模糊目标参数都得到4个隶属度函数参数,即:vmin、vmax、p1、p2
其中,vmin、vmax为模糊目标参数的最小值和最大值;p1和p2称为模糊宽度。
步骤3)的具体操作过程为:
31)设置粒子群中粒子数量为50个,初始化所有粒子的速度和位置,并设置最大速度区间,每个粒子的位置信息都包括所寻的16个隶属度函数参数,即:
32)计算每个粒子的适应度函数,找到各粒子的当前个体极值,并从这些个体历史最优解中找到一个全局最优解,并与历史最优解比较,选出最佳的作为当前的历史最优解。
33)更新每个粒子的速度和位置信息,其更新公式为:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
(14)
Xid=Xid+Vid (15)
其中,ω为惯性因子,ω的值为0.85,Vid为粒子速度,Xid为粒子当前位置,由四组隶属度函数参数组成的4维矩阵,Pid为粒子的历史最优位置,Pgd为群体的全局最优位置,C1、C2为学习因子,其值为0.5,random(0,1)为区间[0,1]上的随机数。
34)检测更新后的粒子是否满足终止循环条件,若否,则继续循环,若是,则输出最优解作为模糊隶属度函数的参数,得到如图3所示参数,并建立如图4所示隶属度函数得到所需隶属度,本发明所建立的隶属度函数分别为:
其中,i=1,2,…,N。
4)对模糊目标参数的隶属度进行模糊推理运算,并根据模糊推理运算结果对被调参数λ进行整定。
步骤4)的具体过程为:
41)采取Mamdani模糊推理法,将所得隶属度进行笛卡尔积运算,即:
其中,yk(t)为输出曲线的斜率,直接关系到每一时刻输出曲线的增减性,将此指标作为模糊目标参数来对系统输出进行调节,可以直接对输出曲线的趋势产生影响;指标ts(t)中包含了对系统上升时间的预测量;指标e(t)和则描述了当前的和预测的系统输出与设定值之间的差值。
42)根据μmin值,在λmin和λmax之间按一定指数规律调整λ,改变控制量的加权,其代数式为:
λ=λmax×exp(μmin×lg(λmin/λmax)) (21)
其中,λmax=3;λmin=0.001。
5)将整定好的加权系数λ再次代入到下次循环的目标函数中,其目标函数为:
其中,N1为最小预测时域长度,选为1,若已知系统时延d时,N1=d=4;N2为最大预测时域长度,取5;Nu为控制时域长度,取2。
基于本发明对变风量空调系统进行预测控制并进行了仿真,结果如图5所示,可以看出,变风量空调系统的快速性和稳定性得到了明显的提升,此结果说明了本发明的有效性。
此外,如附图6所示,与图5对照可以看出,随λ值从大到小变化,对应系统的响应速度加快,控制作用增强,使系统更快达到所设定的稳定状态,反向印证了控制器加权系数λ对于控制过程具有直接的影响作用。
本发明相对于现有技术具有以下优势:
将广义预测控制过程中没有得到充分利用的输出斜率、预测输出等包含这许多系统特性的信息应用到模糊逻辑算法中对控制系统参数进行整定,提高了控制系统的利用率;
通过构建模糊隶属度函数,将对系统中上升时间和超调量等性能指标的约束转化成了对四个模糊控制目标的约束,大大降低了参数整定过程中的计算量;
仅将控制量的加权系数λ作为可调参数,其余控制参数如柔化系数、控制时域等均为固定量,使控制系统在快速性和稳定性相矛盾的问题上,得到最有效地解决;
通过将每一时刻的系统输出斜率和基于当前绝对误差变化率的输出达到设定值的时间应用到参数整定中,可以有效缩短了系统的调节时间;
将实际输出与设定输出的绝对偏差和预测输出应用到模糊逻辑算法中对系统参数进行整定,使系统的超调量更小,鲁棒性更强;
通过使用粒子群算法,更加准确地找到模糊隶属度函数的参数,使本发明的普适性更强。
Claims (8)
1.一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法,其特征在于,包括以下步骤:
1)构建被控建筑能耗系统,再对建筑能耗系统进行广义预测控制,并初始化广义预测控制器的被调参数λ;
2)采集控制过程中被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)、设定值yr(t)及预测输出值然后将被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)与设定值yr(t)及预测输出值作为模糊目标参数;
3)对步骤2)中的模糊目标参数构建隶属度函数,然后使用粒子群算法对模糊隶属度函数的参数进行最优选定,得各模糊目标参数的隶属度函数参数,从而确定隶属度函数;
4)对得到的模糊目标参数的隶属度进行模糊推理运算,并利用模糊推理运算结果对被调参数λ进行整定,完成基于模糊逻辑的建筑能耗系统预测控制参数整定。
2.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法,其特征在于,将整定后的被调参数λ代入到下一循环周期的目标函数中,以改善一下循环周期的被控建筑能耗系统的性能。
5.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法,其特征在于,步骤2)中,
基于所采集的被控建筑能耗系统输出斜率yk(t),将被控建筑能耗系统的输出斜率yk(t)作为第一个模糊目标参数:
基于采集的实际输出y(t)与设定值yr(t),将实际输出y(t)与设定值yr(t)的绝对偏差e(t)作为第二个模糊目标参数:
e(t)=y(t)-yr(t)(0≤e(t)≤emax) (3)
获取绝对偏差e(t)的变化率的输出达到设定值的时间ts(t),将ts(t)作为第三个模糊目标参数:
其中,i=1,2,…,N。
6.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法,其特征在于,步骤3)中,各模糊目标参数的隶属度函数参数为vmin、vmax、p1、p2,其中,vmin、vmax为模糊目标参数的最小值及最大值,p1和p2称为模糊宽度。
7.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法,其特征在于,步骤4)中采用Mamdani模糊推理法对隶属度进行模糊推理运算。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011099045.0A CN112180733B (zh) | 2020-10-14 | 2020-10-14 | 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 |
US17/235,640 US11977992B2 (en) | 2020-10-14 | 2021-04-20 | Method for tuning predictive control parameters of building energy consumption system based on fuzzy logic |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011099045.0A CN112180733B (zh) | 2020-10-14 | 2020-10-14 | 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112180733A true CN112180733A (zh) | 2021-01-05 |
CN112180733B CN112180733B (zh) | 2021-12-28 |
Family
ID=73950123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011099045.0A Active CN112180733B (zh) | 2020-10-14 | 2020-10-14 | 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11977992B2 (zh) |
CN (1) | CN112180733B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906654B (zh) * | 2022-12-14 | 2023-07-28 | 南京信息工程大学 | 一种用于EVs无线充电的基于模糊粒子群算法的控制方法 |
CN116697567A (zh) * | 2023-07-07 | 2023-09-05 | 广东技术师范大学 | 一种中央空调水系统节能优化控制方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012162332A1 (en) * | 2011-05-23 | 2012-11-29 | Siemens Corporation | Control-oriented models for building control and energy management |
CN104298191A (zh) * | 2014-08-21 | 2015-01-21 | 上海交通大学 | 智能建筑中基于热量预测管理的能耗控制方法 |
CN106707999A (zh) * | 2017-02-09 | 2017-05-24 | 苏州科技大学 | 基于自适应控制器的建筑物节能系统、控制方法及仿真 |
CN110276393A (zh) * | 2019-06-19 | 2019-09-24 | 西安建筑科技大学 | 一种绿色建筑能耗复合预测方法 |
CN111080002A (zh) * | 2019-12-10 | 2020-04-28 | 华南理工大学 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
CN111340305A (zh) * | 2020-03-10 | 2020-06-26 | 西安建筑科技大学 | 一种建筑运行能耗预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111224434B (zh) * | 2020-03-12 | 2021-08-06 | 安徽工程大学 | 光火储混合发电系统的负荷频率协调优化控制方法 |
EP4214450A1 (en) * | 2020-09-16 | 2023-07-26 | Johnson Controls Tyco IP Holdings LLP | Systems and methods to mitigate infection risk using air purification |
-
2020
- 2020-10-14 CN CN202011099045.0A patent/CN112180733B/zh active Active
-
2021
- 2021-04-20 US US17/235,640 patent/US11977992B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012162332A1 (en) * | 2011-05-23 | 2012-11-29 | Siemens Corporation | Control-oriented models for building control and energy management |
CN104298191A (zh) * | 2014-08-21 | 2015-01-21 | 上海交通大学 | 智能建筑中基于热量预测管理的能耗控制方法 |
CN106707999A (zh) * | 2017-02-09 | 2017-05-24 | 苏州科技大学 | 基于自适应控制器的建筑物节能系统、控制方法及仿真 |
CN110276393A (zh) * | 2019-06-19 | 2019-09-24 | 西安建筑科技大学 | 一种绿色建筑能耗复合预测方法 |
CN111080002A (zh) * | 2019-12-10 | 2020-04-28 | 华南理工大学 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
CN111340305A (zh) * | 2020-03-10 | 2020-06-26 | 西安建筑科技大学 | 一种建筑运行能耗预测方法 |
Non-Patent Citations (1)
Title |
---|
林凯威 等: "基于建筑能耗模型的中央空调预测控制研究", 《建筑热能通风空调》 * |
Also Published As
Publication number | Publication date |
---|---|
US11977992B2 (en) | 2024-05-07 |
US20220114465A1 (en) | 2022-04-14 |
CN112180733B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Homod et al. | Gradient auto-tuned Takagi–Sugeno Fuzzy Forward control of a HVAC system using predicted mean vote index | |
CN101498534A (zh) | 制冷空调热泵系统电子膨胀阀多目标智能控制方法 | |
CN104776446B (zh) | 一种锅炉燃烧优化控制方法 | |
Li et al. | Dynamic modeling and control of a direct expansion air conditioning system using artificial neural network | |
CN104019520B (zh) | 基于spsa的制冷系统最小能耗的数据驱动控制方法 | |
CN112180733B (zh) | 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 | |
Pal et al. | Self-tuning fuzzy PI controller and its application to HVAC systems | |
CN100585303C (zh) | 涡旋压缩机模块化风冷热泵机组的能量控制方法 | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
CN113552797A (zh) | 一种基于改进粒子群优化的加热炉炉温控制方法和系统 | |
CN109960149B (zh) | 用于pH中和过程的自抗扰控制参数整定方法 | |
CN108444201A (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 | |
CN113253779A (zh) | 一种基于粒子群模糊pid算法的热泵温度控制系统 | |
CN114216256A (zh) | 离线预训练-在线学习的通风系统风量控制方法 | |
CN110531614A (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
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 | |
CN115099138A (zh) | 一种基于rbf神经网络的精馏塔塔顶温度控制方法 | |
CN109974360B (zh) | 一种基于果蝇算法的制冷系统温度优化控制方法 | |
CN111336828A (zh) | 一种基于fcm模糊时间序列的加热炉炉温控制器 | |
CN113625557A (zh) | 一种在线优化模型的hvac系统模型预测控制方法 | |
Xing et al. | Self-tuning fuzzy PID controller for temperature control in variable air volume air conditioning systems | |
CN114488811A (zh) | 一种基于二阶沃尔泰拉模型预测的温室环境节能控制方法 | |
CN112327628A (zh) | 一种数据驱动的时滞系统改进自适应广义预测控制方法 | |
CN113110061A (zh) | 基于改进粒子群算法优化的智能灌溉模糊控制方法及系统 | |
CN113110034A (zh) | 一种基于dcs的引风机模糊pid控制系统 |
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 |