CN112577161A - 空调能耗模型训练方法与空调系统控制方法 - Google Patents

空调能耗模型训练方法与空调系统控制方法 Download PDF

Info

Publication number
CN112577161A
CN112577161A CN201910941341.1A CN201910941341A CN112577161A CN 112577161 A CN112577161 A CN 112577161A CN 201910941341 A CN201910941341 A CN 201910941341A CN 112577161 A CN112577161 A CN 112577161A
Authority
CN
China
Prior art keywords
conditioning system
energy consumption
air conditioning
model
control
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
Application number
CN201910941341.1A
Other languages
English (en)
Other versions
CN112577161B (zh
Inventor
汤潮
郭琦
袁德玉
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.)
Beijing Gridsum Technology Co Ltd
Original Assignee
Beijing Gridsum 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 Beijing Gridsum Technology Co Ltd filed Critical Beijing Gridsum Technology Co Ltd
Priority to CN201910941341.1A priority Critical patent/CN112577161B/zh
Priority to PCT/CN2020/097223 priority patent/WO2021063033A1/zh
Publication of CN112577161A publication Critical patent/CN112577161A/zh
Application granted granted Critical
Publication of CN112577161B publication Critical patent/CN112577161B/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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
    • 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
    • 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
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/77—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 by controlling the speed of ventilators
    • 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
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
    • F24F11/85—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using variable-flow pumps
    • 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
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • 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
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/20—Heat-exchange fluid temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/50—Load
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Abstract

本申请涉及一种空调系统能耗模型训练方法以及空调系统控制方法、装置、计算机设备与存储介质，其中，方法包括：根据空调系统的输入参数和输出参数分别构建各组成设备的能耗机理模型，基于历史运行数据对能耗机理模型进行训练，分别构建各组成设备的能耗模型，确定空调系统的控制量约束以及状态量约束，在控制量的合理区间内通过遗传算法和梯度优化算法求解能耗模型中最优变量，得到空调系统控制优化策略。整个过程中，在环境量约束和控制量约束的有效边界范围内、对空调系统中组成设备的能耗模型分别进行基于遗传算法和梯度优化算法的最优变量求解，能够准确得到当前环境下能耗最小的空调系统控制策略，实现空调系统良好的节能效果。

Description

空调能耗模型训练方法与空调系统控制方法
技术领域
本申请涉及空调系统技术领域，特别是涉及一种空调能耗模型训练方法以及空调系统控制方法、装置、计算机设备和存储介质。
背景技术
空调系统目前应用广泛，公用建筑、商用楼宇、数据中心等场景大都有采用该系统来实现温控除湿等功能。大规模的应用也带来了巨额的能耗，以数据中心为例，截止2019年，数据中心能耗占到全球能源使用量的1.3％以上，其中空调系统能耗占40％以上，而商用楼宇、公用建筑，其能耗占比更高。
为降低空调系统能耗，实现节能效果，目前已有多种空调系统节能控制方法。以针对中央空调系统的节能控制方法为例，目前BA系统(Building Automation System)已经得到普及，以PID(closed-loop control system，闭环控制)为主的控制方式也被广泛应用，系统可通过设定冷冻水进出水温差来控制冷冻泵频率，设定冷却水进水温差与室外湿球温度的温差来控制冷却塔频率，一定程度上能够根据环境来自适应的调节设备运行参数。
然而，上述控制过程中温差具体设定多少、冷冻水出水温度设定多少，这些设定值，其实还是根据人工经验来定的，并不能根据室内外环境来自适应的调节。对于建筑系统，其环境量无疑是会改变的，温度、湿度、负载等都是随时间变化的，人工给定的固定值无法根据环境量的感知而变化，也就无法实现对空调系统较佳的节能控制。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现良好能耗预测的空调能耗模型训练方法以及能够实现良好节能效果的空调系统控制方法、装置、计算机设备和存储介质。
一种空调能耗模型训练方法，所述方法包括：
确定空调系统中组成设备的输入参数和输出参数；
根据所述输入参数和所述输出参数，得到所述空调系统中组成设备对应的能耗机理模型；
获取所述空调系统的历史运行数据，根据所述历史运行数据对所述能耗机理模型进行训练，得到所述空调系统中组成设备的能耗模型。
在其中一个实施例中，所述根据所述输入参数和所述输出参数，得到所述空调系统中组成设备对应的能耗机理模型包括：
根据所述输入参数和所述输出参数，确定所述空调系统中组成设备输入参数与输出参数之间的映射关系；
根据所述映射关系，得到所述空调系统中组成设备的能耗机理模型关系式，构建所述空调系统中组成设备的能耗机理模型。
在其中一个实施例中，所述获取所述空调系统的历史运行数据，根据所述历史运行数据对所述能耗机理模型进行训练，得到所述空调系统中组成设备的能耗模型包括：
获取所述空调系统的历史运行数据；
将所述历史运行数据随机划分为训练集部分和测试集部分；
通过所述训练集部分对所述能耗机理模型进行训练，更新所述能耗机理模型关系式中待定参数值，得到训练后的能耗机理模型；
通过所述测试集部分对所述训练后的能耗机理模型进行测试，当测试通过时，得到所述空调系统中组成设备的能耗模型。
在其中一个实施例中，所述获取所述空调系统的历史运行数据包括：
将所述空调系统中组成设备的原始历史运行数据进行数据整合填充处理；
基于所述空调系统中组成设备之间运行数据的关联性，对数据整合填充处理后的数据进行异常数据剔除；
从异常数据剔除处理后的数据中提取所述空调系统在稳定运行状态下的历史运行数据。
另外，本申请还提供一种空调能耗模型训练装置，所述装置包括：
参数确定模块，用于确定空调系统中组成设备的输入参数和输出参数；
能耗机理模型构建模块，用于根据所述输入参数和所述输出参数，得到所述空调系统中组成设备对应的能耗机理模型；
能耗模型构建模块，用于获取所述空调系统的历史运行数据，根据所述历史运行数据对所述能耗机理模型进行训练，得到所述空调系统中组成设备的能耗模型
上述空调能耗模型训练方法与装置，根据空调系统的输入参数和输出参数分别构建各组成设备的能耗机理模型，基于历史运行数据对能耗机理模型进行训练，分别构建各组成设备的能耗模型。整个过程中，一方面采用机理模型的方式构建能耗模型，充分发挥机理模型全局泛化能力；另一方面，对整个空调系统中组成设备分别构建能耗模型，更贴近空调系统真实能耗变化情况，构建的能耗模型可以准确实现对空调系统的能耗预测。
一种空调系统控制方法，所述方法包括：
获取所述空调系统中组成设备的控制量约束和状态量约束，根据所述控制量约束和状态量约束，确定所述空调系统中组成设备控制量的合理区间；
以最小能耗为目标，通过遗传算法和梯度优化算法对能耗模型进行变量寻优，在所述合理区间内求解所述空调系统最优控制量组合，得到空调系统控制优化策略，其中，所述能耗模型为由上述空调能耗模型训练方法训练得到的能耗模型。
在其中一个实施例中，所述通过遗传算法和梯度优化算法对所述能耗模型进行变量寻优包括：
针对所述能耗模型中浮点变量，通过遗传算法或梯度优化算法进行变量寻优；
针对所述能耗模型中整型变量，获取整型变量组合数，当所述整型变量组合数小于预设值可遍历时，通过梯度优化算法进行变量寻优，当所述整型变量组合数大于预设值可遍历时，通过遗传算法进行变量寻优。
在其中一个实施例中，获取所述空调系统中组成设备的控制量约束和状态量约束，根据所述控制量约束和状态量约束，确定所述空调系统中组成设备控制量的合理区间包括：
获取所述空调系统的环境量约束值和状态量约束以及所述空调系统的当前环境值；
若所述当前环境值超出所述环境量约束值时，根据所述当前环境值超出所述环境量约束值的超出程度，生成因子；
根据所述当前环境值以及所述因子，设置所述空调系统中组成设备的控制量第一范围；
根据所述状态量约束，获取所述空调系统中组成设备状态量的合理运行范围；
根据所述状态量的合理运行范围，计算所述空调系统中组成设备控制量第二范围；
获取所述控制量第一范围与所述控制量第二范围的交集，得到所述空调系统中组成设备控制量的合理区间。
在其中一个实施例中，所述以最小能耗为目标，通过遗传算法和梯度优化算法对所述能耗模型进行变量寻优，在所述合理区间内求解所述空调系统最优控制量组合，得到空调系统控制优化策略之后，还包括：
获取空调系统控制参数的个数以及参数偏移量可选值；
根据所述个数以及所述参数偏移量可选值，建立正交表；
在所述正交表中无回放抽取偏移量至所述空调系统控制优化策略对应的控制量上，迭代更新所述能耗模型。
另外，本申请还提供一种空调系统控制装置，所述装置包括：
区间确定模块，用于获取所述空调系统中组成设备的控制量约束和状态量约束，根据所述控制量约束和状态量约束，确定所述空调系统中组成设备控制量的合理区间；
控制优化模块，用于以最小能耗为目标，通过遗传算法和梯度优化算法对所述能耗模型进行变量寻优，在所述合理区间内求解所述空调系统最优控制量组合，得到空调系统控制优化策略，其中，所述能耗模型为由上述空调能耗模型训练装置训练得到的能耗模型。
一种计算机设备，包括至少一个处理器、至少一个存储器、以及总线；其中，所述处理器与所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，执行上述方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述空调系统控制方法、装置、计算机设备和存储介质，根据空调系统的输入参数和输出参数分别构建各组成设备的能耗机理模型，基于历史运行数据对能耗机理模型进行训练，分别构建各组成设备的能耗模型，确定空调系统的控制量约束以及状态量约束，在控制量的合理区间内通过遗传算法和梯度优化算法求解能耗模型中最优变量，得到空调系统控制优化策略。整个过程中，在环境量约束和控制量约束的有效边界范围内、对空调系统中组成设备的能耗模型分别进行基于遗传算法和梯度优化算法的最优变量求解，能够准确得到当前环境下能耗最小的空调系统控制策略，实现空调系统良好的节能效果。
附图说明
图1为一个实施例中空调系统控制方法的应用环境图；
图2为一个实施例中空调能耗模型训练方法的流程示意图；
图3为另一个实施例中空调能耗模型训练方法的流程示意图；
图4为一个实施例中空调系统控制方法的流程示意图；
图5为优化算法决策树示意图；
图6为另一个实施例中空调系统控制方法的流程示意图；
图7为边界条件处理方法处理流程框架示意图；
图8为一个实施例中空调能耗模型训练装置的结构示意图；
图9为一个实施例中空调系统控制装置的结构示意图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的空调系统控制方法，可以应用于如图1所示的应用环境中。在其中一个应用实例中，空调系统102通过网络与主控服务器104通过网络进行通信。主控服务器104确定空调系统中组成设备的输入参数和输出参数，根据输入参数和输出参数，得到空调系统中组成设备对应的能耗机理模型，获取空调系统的历史运行数据，根据历史运行数据对能耗机理模型进行训练，得到空调系统中组成设备的能耗模型。主控服务器104可以基于准确构建的能耗模型对空调系统102进行进一步的处理。
在另一个应用实例中，主控服务器104在采用上述方式与空调系统102通信构建上述空调系统的能耗模型之后，主控服务器104还获取空调系统中组成设备的控制量约束和状态量约束，根据控制量约束和状态量约束，确定空调系统中组成设备控制量的合理区间，以最小能耗为目标，通过遗传算法和梯度优化算法对能耗模型进行变量寻优，在合理区间内求解空调系统最优控制量组合，得到空调系统控制优化策略，主控服务器104输出空调系统控制优化策略至空调系统102，空调系统102基于该控制优化策略调整自身运行参数，以实现低能耗运行。其中，终端102可以但不限于是中央空调系统、集成空调系统、独立空调系统等。主控服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种空调能耗模型训练方法，以该方法应用于图1中的主控服务器104为例进行说明，包括以下步骤：
S100：确定空调系统中组成设备的输入参数和输出参数。
空调系统中组成设备包括冷却塔、冷却泵、冷机、冷冻一次泵、冷冻二次泵以及风系统等设备。由于各个设备的能耗与其输入参数以及输出参数相关，在这里先获取这些设备的输入参数和输出参数。
S200：根据输入参数和输出参数，得到空调系统中组成设备对应的能耗机理模型。
在能耗预测领域，目前常规方式是用数据驱动模型来预测，即采用机器学习模型拟合历史运行数据，投入低且测试误差一般也比较低可以接受，但这对能耗优化的目标没有太大意义，因为最终目标不是预测在现有控制策略下的系统能耗，而是预测在改变控制策略后的预期能耗，纯数据驱动的机器学习能耗模型主要问题体现在：1、机器学习模型无法对超出训练样本运行参数空间的参数状态给出正确的能耗预测；2、机器学习模型中，输出量因输入量的改变而产生的变化，可能与业务认知有出入。要处理测试样本特征空间超出训练特征空间的问题，在无法有效扩充训练样本时，最直接的做法是使用具有全局泛化能力的机理/经验模型。能耗机理模型，即结合已有的业务知识或文献调研结果，给出先验性的模型公式，公式中含有若干待定参数，通过历史数据来拟合待定参数，从而建立能耗机理模型；相比于机器学习模型，能耗机理模型通常具备更好的全局泛化能力，即对于过去未出现过的情况，能耗机理模型表现是更优的。
能耗预测部分，实现的是通过环境量与控制变量，预测出系统能耗的功能，也即获取系统能耗＝f(环境量，控制变量)的映射关系。其中，空调系统中组成设备对应的能耗机理模型包含的模型有冷却塔能耗模型、冷却泵能耗模型、冷冻泵能耗模型与主机能耗模型，以及考虑到主机能耗模型中用到了冷却水进水温度，而冷却水进水温度不是直接可控量，故还需要加入冷却水进水温度预测模型；冷冻水换热量、冷却水换热量，主要由受负载及环境量影响，在调节控制量的过程中变化不大，也因此可以由系统测量值计算出的换热量，作为模型的输入。简单来说，上述得到能耗机理模型过程可以理解为寻找各个组成设备输入参数与输出参数之间的映射关系(函数关系)，采用映射关系式的方式表征各组成设备的能耗机理模型。
如图3所示，在其中一个实施例中，步骤S200包括：
S220：根据输入参数和输出参数，确定空调系统中组成设备输入参数与输出参数之间的映射关系。
S240：根据映射关系，得到空调系统中组成设备的能耗机理模型关系式，构建空调系统中组成设备的能耗机理模型。
具体来说，冷却塔能耗机理模型：
冷却塔有功功率＝f(冷却塔风机频率，风机启停状态)
冷却泵能耗机理模型：
冷却泵有功功率＝f(冷却泵频率，泵启停状态)
冷冻一次泵能耗机理模型：
冷冻一次泵有功功率＝f(冷冻一次泵频率，泵启停状态)
主机能耗机理模型：
主机有功＝f(主机启停状态，冷却水进水温度，冷冻水供水温度，
冷冻水换热量，冷却泵频率，冷冻一次泵频率)
冷却水进水温度预测模型：
冷却水进水温度＝f(室外温度，室外湿度，冷却水换热量，
冷却塔风机频率，冷却泵频率，启停状态)
冷冻二次泵能耗机理模型：
冷冻二次泵有功功率＝f(冷冻二次泵频率，泵启停状态)
风系统能耗机理模型：
风系统能耗机理模型＝f(冷冻水供水温度，二次泵频率，冷冻水换热量)
其中冷却塔、冷却泵、冷冻一次泵、冷冻二次泵采用的能耗机理模型关系式：
P＝(a*fb+c)*s
其中，P为功率，f为频率，s为开关状态，a、b、c为待定参数。
主机模型：
p＝p0+k1·Q·(1+k2·(tci-12)n1)·(1-k3·(fcwp-20))·(1-k4·(teo-8)n2)·(1-k5·(fpchwp-20))
其中Q为制冷量，tci为冷却水进水温度，teo为冷冻水出水温度，fcwp为冷却泵频率，fpchwp为冷冻泵频率，其余为待定参数。
冷却水进水温度模型：
Figure BDA0002222984610000081
其中Qc为冷却水的换热量，tw为室外湿球温度，由室外温湿度求取，fct为冷却塔频率，a、b为待定参数。
S300：获取空调系统的历史运行数据，根据历史运行数据对能耗机理模型进行训练，得到空调系统中组成设备的能耗模型。
空调系统的历史运行数据包括历史运行中控制量数据、状态量数据以及对应环境量数据，这些历史数据可以从空调系统的运行日志数据中提取。需要指出的是，该历史运行数据中包含有空调系统中各组成设备的历史运行数据，提取不同组成设备的历史运行数据归集得到空调系统的历史运行数据。以历史运行数据作为训练数据，对能耗机理模型模型进行训练，得到各个组成设备的能耗模型。简单来说，训练的过程可理解为通过训练数据求解上述能耗模型对应关系式中的待定参数或常数数值。进一步来说，可以将历史运行数据分为训练集和测试集两个部分，通过训练集对能耗机理模型进行训练，通过测试集对训练后得到的模型进行测试，在测试通过后确定训练得到的模型为组成设备的能耗模型。
上述空调能耗模型训练方法，根据空调系统的输入参数和输出参数分别构建各组成设备的能耗机理模型，基于历史运行数据对能耗机理模型进行训练，分别构建各组成设备的能耗模型。整个过程中，一方面采用机理模型的方式构建能耗模型，充分发挥机理模型全局泛化能力；另一方面，对整个空调系统中组成设备分别构建能耗模型，更贴近空调系统真实能耗变化情况，构建的能耗模型可以准确实现对空调系统的能耗预测。
如图3所示，在其中一个实施例中，步骤S300包括：
S320：获取空调系统的历史运行数据。
S340：将历史运行数据随机划分为训练集部分和测试集部分。
S360：通过训练集部分对能耗机理模型进行训练，更新能耗机理模型关系式中待定参数值，得到训练后的能耗机理模型。
S380：通过测试集部分对训练后的能耗机理模型进行测试，当测试通过时，得到空调系统中组成设备的能耗模型。
空调的历史运行数据可以从空调系统的运行日志中提取，针对获取到的历史运行数据将其分为训练集和测试集两个部分，其中训练集部分的数据作为训练数据，对生成的能耗机理模型关系式进行训练，这个训练过程可以是循环或携带的直至训练后能耗机理模型关系汇总待定参数值均准确得到，得到训练后的能耗机理模型。以冷却塔、冷却泵、冷冻一次泵、冷冻二次泵采用的能耗机理模型关系式：P＝(a*fb+c)*s为例，其中a、b、c为待定参数，通过训练部分数据对该关系式循环或迭代进行训练最终得到a、b、c的具体数值，得到能耗机理模型准确的关系式，即得到能耗模型可以在后续中直接基于能耗模型进行能耗计算。针对训练后的能耗机理模型再经过测试集测试，以检测得到的能耗机理模型是否正确，对模型效果进行测试，当测试通过时，得到各组成设备的能耗模型。非必要的，确定了模型结构及模型参数，校验模型输出与模型输入之间的关系，是否符合业务认知，如果出现违背业务常识的模型或者模型参数，则需要调整模型结构重新训练。
在其中一个实施例中，获取空调系统的历史运行数据包括：
将空调系统中组成设备的原始历史运行数据进行数据整合填充处理；基于空调系统中组成设备之间运行数据的关联性，对数据整合填充处理后的数据进行异常数据剔除；从异常数据剔除处理后的数据中提取空调系统在稳定运行状态下的历史运行数据。
原始历史运行数据即直接得到未经处理的历史运行数据，该数据可以由空调系统运行日志数据直接导入得到。在该原始数据中携带有来自空调系统不同组成设备的运行数据，针对不同设备的运行数据进行整合填充处理。具体来说，原始历史运行数据中包含有冷源系统、动环系统、电力监测系统，各系统不同点位的时间戳是可能有区别，按照一定的粒度进行取整、聚合等操作，并对聚合后的数据进行空缺值填充。在原始历史运行数据中可能还含有异常数据(错误数据)，这类异常数据可以基于空调系统中组成设备之间运行数据的关联性排除，具体来说，异常数据过滤、排除主要是是对冷源观测值、电力监测数据、设备开关状态三者数据进行校验，对于一个点位，比如冷却塔风机频率，可以根据频率测量值、功率值以及启停状态表来相互校验，三者没有矛盾冲突的情况下，该数据可以被认定为是有效，否则将被剔除。只要空调系统在稳定运行状态下的数据才具有参考意义，因此，在本实施例中，提取空调系统在稳定运行状态下的历史运行数据。具体来说，在进行异常状态过滤之后，可以得到可靠的设备启停状态，考虑到设备发生启停切换时，物理系统需要一定的反应时间来达到新的稳态，目前考虑的状态是以稳态为主，在进行模型训练时，需将认定为暂态的数据进行过滤；设定时间阈值，在发生设备启停状态切换时，将切换后的一定时间的数据过滤掉。
另外，如图4所示，本申请还提供一种空调系统控制方法，包括：
S400：获取空调系统中组成设备的控制量约束和状态量约束，根据控制量约束和状态量约束，确定空调系统中组成设备控制量的合理区间。
控制量约束和状态量约束可以视为在后续能耗模型变量寻优过程中边界条件的量化/数值化。具体来说，空调系统的边界条件主要包括终端环境、设备安全运行和内部状态可达约束。终端环境约束：空调系统最终的业务功能约束，主要包括对空调终端区域的温度、湿度、新风量、气压等参数的约束，做空调系统节能的一大前提，是满足终端对于湿度、湿度等指标的要求。设备安全运行约束：各设备对其运行参数都有安全控制范围，节能首先需要在保障设备安全运行的前提下进行，超出范围可能导致设备故障，如泵频率范围、冷机水流量、水温范围以及一些参数随时间变化速率约束等。内部状态可达约束：这是指保持节能优化系统中各组件和模型都处在正确运行状态下的约束，即每个建模过程中的前提假设在实际运行中都能得到满足，比如在对冷冻水泵调频时，通常会假设制冷量不变通过Q＝cmΔt计算指定冷冻出水温度和冷冻泵频率时的冷冻回水温度，当冷冻出水温度过高或冷冻泵频率过低时系统实际运行的冷冻回水温度受终端换热能力限制根本达不到模型计算结果，从而破坏预期制冷量，必须对预期的冷冻回水温度也加以限制以实现指定的设备吸热量。
S500：以最小能耗为目标，通过遗传算法和梯度优化算法对能耗模型进行变量寻优，在合理区间内求解空调系统最优控制量组合，得到空调系统控制优化策略，能耗模型为由上述空调能耗模型训练方法训练得到的能耗模型。
优化算法有很多，常见的有进化算法、群智能优化算法、模拟退火算法等。简单来说，优化算法是一个与业务逻辑相对独立的数学问题，在建立好能耗模型之后，采用哪类优化算法根据具体待优化参数的情况来定即可。在这里，采用遗传算法和梯度优化算法对能耗模型进行变量寻优，在以能耗最小为目标情况下，求解空调最优控制量组合，得到空调系统控制优化策略。
上述空调系统控制方法，根据空调系统的输入参数和输出参数分别构建各组成设备的能耗机理模型，基于历史运行数据对能耗机理模型进行训练，分别构建各组成设备的能耗模型，确定空调系统的控制量约束以及状态量约束，在控制量的合理区间内通过遗传算法和梯度优化算法求解能耗模型中最优变量，得到空调系统控制优化策略。整个过程中，在环境量约束和控制量约束的有效边界范围内、对空调系统中组成设备的能耗模型分别进行基于遗传算法和梯度优化算法的最优变量求解，能够准确得到当前环境下能耗最小的空调系统控制策略，实现空调系统良好的节能效果。
在其中一个实施例中，通过遗传算法和梯度优化算法对能耗模型进行变量寻优包括：
针对能耗模型中浮点变量，通过遗传算法或梯度优化算法进行变量寻优；针对能耗模型中整型变量，获取整型变量组合数，当整型变量组合数小于预设值可遍历时，通过梯度优化算法进行变量寻优，当整型变量组合数大于预设值可遍历时，通过遗传算法进行变量寻优。
浮点变量可以简单理解为可以带小数点的变量值，其可以包括频率、温度、压力等。整型变量可以简单理解为只能为整数值的变量，其可以包括开关状态、开机台数。预设值是基于经验设定的阈值，其具体可以根据实际需要设定，其具体用于区分“较少”和“较多”即可。具体来说，当待优化变量为浮点变量，如频率、温度、压力时，选择梯度优化算法或遗传算法；当待优化变量包含整型变量，如设备开关状态、开机台数时，需提供对混合整数规划的支持。当整型变量组合数较少可遍历时，可将混合整数规划转化成多个浮点规划问题求解；当整型变量组合数较大遍历负担过重时，可使用遗传算法直接对混合整数规划问题求解；通常大型中央空调总设备数会有几十个，直接遍历开关组合是不可行的，但受联动开关和确定性业务规则限制后，可行设备开关组合空间不会太大，遍历开关组合仍是一种有效途径，使用基于梯度的优化算法，在不可导或者非凸的复杂目标函数下，无法得到最优甚至接近最优的次优解，显著限制能耗模型的选择空间。在优化速度可接受的前提下，优先选用遗传算法优化。对频率、温度、压力等浮点变量，遗传算法中仍可按整数规划来求解，因整数规划搜索空间更小，实测优化效果常常比浮点优化更好。
在实际应用中上述两种算法可以采用下述方式处理：1、优化算法编码，实现了两类优化算法，分别为遗传算法和scipy包中自带的minimize方法；2、建立优化算法选择决策树，该决策树具体如图5所示；3、获取能耗模型和待优化的控制参数；4、判断当前优化问题的控制参数和目标函数的情况，根据相应的情况选用对应的优化算法。
如图6所示，在其中一个实施例中，步骤S400包括：
S410：获取空调系统的环境量约束值和状态量约束以及空调系统的当前环境值。
环境量约束值是预先设定的参数值，在这里可以直接读取。当前环境值可以通过多种传感器直接采集，例如当前环境的温度、湿度等。
S420：若当前环境值超出环境量约束值时，根据当前环境值超出环境量约束值的超出程度，生成因子。
因子可以根据需要生成，其只需要满足“基于超出程度生成”的条件即可，以环境值为温度为例，假定某个设定的温度为20度，当前环境温度为30度，生成的因子可以直接为3/2(30/20)；假定另外一个时刻当前环境温度为25度，则对应的因子可以直接为5/4(25/4)，可以理解该因子仅用于表征超出程度，其为一个相对数值。
S430：根据当前环境值以及因子，设置空调系统中组成设备的控制量第一范围。
以制冷量和冷却水换热量控制量为例，基于当前环境值计算得到制冷量和冷却水换热量，将步骤S520得到因子乘以的制冷量和冷却水换热量上，更新制冷量与冷却水换热量，上述处理表明当前的制冷量不能满足终端环境的需求，需要调整制冷量及冷却水换热量。推广至设备的整体控制量而言，基于当前环境值以及因子，重新设置组成设备的控制量第一范围A。
S440：根据状态量约束，获取空调系统中组成设备状态量的合理运行范围。
获取预先设定的空调系统中组成设备状态的合理运行范围。具体来说，这里主要是需要获取非直接可控的状态量，如冷冻水回水温度以及冷却水进出水温度的合理运行范围。
S450：根据状态量的合理运行范围，计算空调系统中组成设备控制量第二范围。
根据状态量的合理运行范围，计算出各个设备控制量第二范围B。该计算过程可以基于空调系统技术领域常规状态量和控制量的换算方式得到。
S460：获取控制量第一范围与控制量第二范围的交集，得到空调系统中组成设备控制量的合理区间。
计算控制量第一范围和控制量第二范围的交集，得到交集区间，即得到空调系统中组成设备控制量的合理区间。
具体来说，在实际应用中整个基于边界条件得到控制量的合理区间可以参见如图7所示的边界条件处理框图。
在其中一个实施例中，以最小能耗为目标，通过遗传算法和梯度优化算法对能耗模型进行变量寻优，在合理区间内求解空调系统最优控制量组合，得到空调系统控制优化策略之后，还包括：
获取空调系统控制参数的个数以及参数偏移量可选值；根据个数以及参数偏移量可选值，建立正交表；在正交表中无回放抽取偏移量至空调系统控制优化策略对应的控制量上，迭代更新能耗模型。
在本实施例中引入正交表测试，扩充样本空间进一步优化能耗模型，以使能耗模型更加接近真实情况，能够更好进行能耗计算与预测。具体来说，正交表测试指的是在算法给出控制量的基础上，加入一定的偏移量，使得空调系统能够真实的运行在不同状态下。这个的主要目的是在前期，样本空间分布比较集中单一，不利于建立高精度的能耗模型，通过加入偏移，扩充样本空间。偏移量可以随机给出，但考虑到加了偏移量的控制参数要在真实设备上运行，而空调系统切换控制量后，达到稳态是需要一些时间的，高频控制不可行，因此加偏移量的测试是非常耗时的，每次试验都需要一些时间，时间成本很高，这时就需要正交表测试了。正交表测试的作用是，在有限的测试次数下，尽可能的使测试样本分布的相关度降低，样本之间的相关度降低，也即分布更为离散，这样就能更好的探索之前没有出现的情况，有利于后期进行能耗模型的迭代更新。
正交表测试具体包括以下步骤：
1、确定待控制参数的个数n及参数偏移量的可选值ki，i＝1，2，...n；不同控制参数，如冷却塔频率、冷冻水出水温度，可能选用的偏移量的个数是不一样的。
2、根据n和ki，i＝1，2，...n建立正交表。
3、判断是否引入正交表测试，若模型已经很精确或者暂时不想牺牲最优控制量来换取更多的样本空间，可不采用正交表测试，则跳过第(4)(5)步；若引入测试，执行(4)(5)步。
4、在优化算法输出控制组合之后，按照一定的规则，在正交表中无放回的抽取(若已遍历正交表，则全部放回，开始新的一轮)其中一组偏移量，加到算法输出的控制量上。
5、校验加了偏移量后的控制量，是否满足控制量、状态量的约束，如不满足，则加以修正。
应该理解的是，虽然图2、图3以及图4与图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图3以及图4与图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图8所示，本申请还提供一种空调能耗模型训练装置，装置包括：
参数确定模块100，用于确定空调系统中组成设备的输入参数和输出参数；
能耗机理模型构建模块200，用于根据输入参数和输出参数，得到空调系统中组成设备对应的能耗机理模型；
能耗模型构建模块300，用于获取空调系统的历史运行数据，根据历史运行数据对能耗机理模型进行训练，得到空调系统中组成设备的能耗模型。
上述空调能耗模型训练装置，根据空调系统的输入参数和输出参数分别构建各组成设备的能耗机理模型，基于历史运行数据对能耗机理模型进行训练，分别构建各组成设备的能耗模型。整个过程中，一方面采用机理模型的方式构建能耗模型，充分发挥机理模型全局泛化能力；另一方面，对整个空调系统中组成设备分别构建能耗模型，更贴近空调系统真实能耗变化情况，构建的能耗模型可以准确实现对空调系统的能耗预测。
在其中一个实施例中，能耗机理模型构建模块200还用于根据输入参数和输出参数，确定空调系统中组成设备输入参数与输出参数之间的映射关系；根据映射关系，得到空调系统中组成设备的能耗机理模型关系式，构建空调系统中组成设备的能耗机理模型。
在其中一个实施例中，能耗模型构建模块300还用于获取空调系统的历史运行数据；将历史运行数据随机划分为训练集部分和测试集部分；通过训练集部分对能耗机理模型进行训练，更新能耗机理模型关系式中待定参数值，得到训练后的能耗机理模型；通过测试集部分对训练后的能耗机理模型进行测试，当测试通过时，得到空调系统中组成设备的能耗模型。
在其中一个实施例中，能耗模型构建模块300还用于将空调系统中组成设备的原始历史运行数据进行数据整合填充处理；基于空调系统中组成设备之间运行数据的关联性，对数据整合填充处理后的数据进行异常数据剔除；从异常数据剔除处理后的数据中提取空调系统在稳定运行状态下的历史运行数据。
如图9所示，本申请还提供一种空调系统控制装置，装置具体包括：
区间确定模块400，用于获取空调系统中组成设备的控制量约束和状态量约束，根据控制量约束和状态量约束，确定空调系统中组成设备控制量的合理区间；
控制优化模块500，用于以最小能耗为目标，通过遗传算法和梯度优化算法对能耗模型进行变量寻优，在合理区间内求解空调系统最优控制量组合，得到空调系统控制优化策略，其中，能耗模型为由上述空调能耗模型训练装置训练得到的能耗模型。
上述空调系统控制装置，根据空调系统的输入参数和输出参数分别构建各组成设备的能耗机理模型，基于历史运行数据对能耗机理模型进行训练，分别构建各组成设备的能耗模型，确定空调系统的控制量约束以及状态量约束，在控制量的合理区间内通过遗传算法和梯度优化算法求解能耗模型中最优变量，得到空调系统控制优化策略。整个过程中，在环境量约束和控制量约束的有效边界范围内、对空调系统中组成设备的能耗模型分别进行基于遗传算法和梯度优化算法的最优变量求解，能够准确得到当前环境下能耗最小的空调系统控制策略，实现空调系统良好的节能效果。
在其中一个实施例中，控制优化模块500还用于针对能耗模型中浮点变量，通过遗传算法或梯度优化算法进行变量寻优；针对能耗模型中整型变量，获取整型变量组合数，当整型变量组合数小于预设值可遍历时，通过梯度优化算法进行变量寻优，当整型变量组合数大于预设值可遍历时，通过遗传算法进行变量寻优。
在其中一个实施例中，区间确定模块400还用于获取空调系统的环境量约束值和状态量约束以及空调系统的当前环境值；若当前环境值超出环境量约束值时，根据当前环境值超出环境量约束值的超出程度，生成因子；根据当前环境值以及因子，设置空调系统中组成设备的控制量第一范围；根据状态量约束，获取空调系统中组成设备状态量的合理运行范围；根据状态量的合理运行范围，计算空调系统中组成设备控制量第二范围；获取控制量第一范围与控制量第二范围的交集，得到空调系统中组成设备控制量的合理区间。
在其中一个实施例中，上述空调系统控制装置还包括正交表测试模块，用于获取空调系统控制参数的个数以及参数偏移量可选值；根据个数以及参数偏移量可选值，建立正交表；在正交表中无回放抽取偏移量至空调系统控制优化策略对应的控制量上，迭代更新能耗模型。
关于空调系统控制装置的具体限定可以参见上文中对于空调系统控制方法的限定，在此不再赘述。上述空调系统控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储空调系统历史运行等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空调系统控制方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
确定空调系统中组成设备的输入参数和输出参数；
根据输入参数和输出参数，得到空调系统中组成设备对应的能耗机理模型；
获取空调系统的历史运行数据，根据历史运行数据对能耗机理模型进行训练，得到空调系统中组成设备的能耗模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据输入参数和输出参数，确定空调系统中组成设备输入参数与输出参数之间的映射关系；根据映射关系，得到空调系统中组成设备的能耗机理模型关系式，构建空调系统中组成设备的能耗机理模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取空调系统的历史运行数据；将历史运行数据随机划分为训练集部分和测试集部分；通过训练集部分对能耗机理模型进行训练，更新能耗机理模型关系式中待定参数值，得到训练后的能耗机理模型；通过测试集部分对训练后的能耗机理模型进行测试，当测试通过时，得到空调系统中组成设备的能耗模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将空调系统中组成设备的原始历史运行数据进行数据整合填充处理；基于空调系统中组成设备之间运行数据的关联性，对数据整合填充处理后的数据进行异常数据剔除；从异常数据剔除处理后的数据中提取空调系统在稳定运行状态下的历史运行数据。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取空调系统中组成设备的控制量约束和状态量约束，根据控制量约束和状态量约束，确定空调系统中组成设备控制量的合理区间；
以最小能耗为目标，通过遗传算法和梯度优化算法对能耗模型进行变量寻优，在合理区间内求解空调系统最优控制量组合，得到空调系统控制优化策略，其中，能耗模型为基于上述空调能耗模型训练方法训练得到的能耗模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对能耗模型中浮点变量，通过遗传算法或梯度优化算法进行变量寻优；针对能耗模型中整型变量，获取整型变量组合数，当整型变量组合数小于预设值可遍历时，通过梯度优化算法进行变量寻优，当整型变量组合数大于预设值可遍历时，通过遗传算法进行变量寻优。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取空调系统的环境量约束值和状态量约束以及空调系统的当前环境值；若当前环境值超出环境量约束值时，根据当前环境值超出环境量约束值的超出程度，生成因子；根据当前环境值以及因子，设置空调系统中组成设备的控制量第一范围；根据状态量约束，获取空调系统中组成设备状态量的合理运行范围；根据状态量的合理运行范围，计算空调系统中组成设备控制量第二范围；获取控制量第一范围与控制量第二范围的交集，得到空调系统中组成设备控制量的合理区间。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取空调系统控制参数的个数以及参数偏移量可选值；根据个数以及参数偏移量可选值，建立正交表；在正交表中无回放抽取偏移量至空调系统控制优化策略对应的控制量上，迭代更新能耗模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
确定空调系统中组成设备的输入参数和输出参数；
根据输入参数和输出参数，得到空调系统中组成设备对应的能耗机理模型；
获取空调系统的历史运行数据，根据历史运行数据对能耗机理模型进行训练，得到空调系统中组成设备的能耗模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据输入参数和输出参数，确定空调系统中组成设备输入参数与输出参数之间的映射关系；根据映射关系，得到空调系统中组成设备的能耗机理模型关系式，构建空调系统中组成设备的能耗机理模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取空调系统的历史运行数据；将历史运行数据随机划分为训练集部分和测试集部分；通过训练集部分对能耗机理模型进行训练，更新能耗机理模型关系式中待定参数值，得到训练后的能耗机理模型；通过测试集部分对训练后的能耗机理模型进行测试，当测试通过时，得到空调系统中组成设备的能耗模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将空调系统中组成设备的原始历史运行数据进行数据整合填充处理；基于空调系统中组成设备之间运行数据的关联性，对数据整合填充处理后的数据进行异常数据剔除；从异常数据剔除处理后的数据中提取空调系统在稳定运行状态下的历史运行数据。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取空调系统中组成设备的控制量约束和状态量约束，根据控制量约束和状态量约束，确定空调系统中组成设备控制量的合理区间；
以最小能耗为目标，通过遗传算法和梯度优化算法对能耗模型进行变量寻优，在合理区间内求解空调系统最优控制量组合，得到空调系统控制优化策略，其中，能耗模型为基于上述空调能耗模型训练方法训练得到的能耗模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对能耗模型中浮点变量，通过遗传算法或梯度优化算法进行变量寻优；针对能耗模型中整型变量，获取整型变量组合数，当整型变量组合数小于预设值可遍历时，通过梯度优化算法进行变量寻优，当整型变量组合数大于预设值可遍历时，通过遗传算法进行变量寻优。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取空调系统的环境量约束值和状态量约束以及空调系统的当前环境值；若当前环境值超出环境量约束值时，根据当前环境值超出环境量约束值的超出程度，生成因子；根据当前环境值以及因子，设置空调系统中组成设备的控制量第一范围；根据状态量约束，获取空调系统中组成设备状态量的合理运行范围；根据状态量的合理运行范围，计算空调系统中组成设备控制量第二范围；获取控制量第一范围与控制量第二范围的交集，得到空调系统中组成设备控制量的合理区间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取空调系统控制参数的个数以及参数偏移量可选值；根据个数以及参数偏移量可选值，建立正交表；在正交表中无回放抽取偏移量至空调系统控制优化策略对应的控制量上，迭代更新能耗模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种空调能耗模型训练方法，其特征在于，所述方法包括：
确定空调系统中组成设备的输入参数和输出参数；
根据所述输入参数和所述输出参数，得到所述空调系统中组成设备对应的能耗机理模型；
获取所述空调系统的历史运行数据，根据所述历史运行数据对所述能耗机理模型进行训练，构建所述空调系统中组成设备的能耗模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述输入参数和所述输出参数，得到所述空调系统中组成设备对应的能耗机理模型包括：
根据所述输入参数和所述输出参数，确定所述空调系统中组成设备输入参数与输出参数之间的映射关系；
根据所述映射关系，得到所述空调系统中组成设备的能耗机理模型关系式，构建所述空调系统中组成设备的能耗机理模型。
3.根据权利要求2所述的方法，其特征在于，所述获取所述空调系统的历史运行数据，根据所述历史运行数据对所述能耗机理模型进行训练，得到所述空调系统中组成设备的能耗模型包括：
获取所述空调系统的历史运行数据；
将所述历史运行数据随机划分为训练集部分和测试集部分；
通过所述训练集部分对所述能耗机理模型进行训练，更新所述能耗机理模型关系式中待定参数值，得到训练后的能耗机理模型；
通过所述测试集部分对所述训练后的能耗机理模型进行测试，当测试通过时，得到所述空调系统中组成设备的能耗模型。
4.根据权利要求1所述的方法，其特征在于，所述获取所述空调系统的历史运行数据包括：
将所述空调系统中组成设备的原始历史运行数据进行数据整合填充处理；
基于所述空调系统中组成设备之间运行数据的关联性，对数据整合填充处理后的数据进行异常数据剔除；
从异常数据剔除处理后的数据中提取所述空调系统在稳定运行状态下的历史运行数据。
5.一种空调系统控制方法，所述方法包括：
获取所述空调系统中组成设备的控制量约束和状态量约束，根据所述控制量约束和状态量约束，确定所述空调系统中组成设备控制量的合理区间；
以最小能耗为目标，通过遗传算法和梯度优化算法对能耗模型进行变量寻优，在所述合理区间内求解所述空调系统最优控制量组合，得到空调系统控制优化策略，其中，所述能耗模型为由权利要求1-4任一项所述方法训练得到的能耗模型。
6.根据权利要求5所述的方法，其特征在于，所述通过遗传算法和梯度优化算法对所述能耗模型进行变量寻优包括：
针对所述能耗模型中浮点变量，通过遗传算法或梯度优化算法进行变量寻优；
针对所述能耗模型中整型变量，获取整型变量组合数，当所述整型变量组合数小于预设值可遍历时，通过梯度优化算法进行变量寻优，当所述整型变量组合数大于预设值可遍历时，通过遗传算法进行变量寻优。
7.根据权利要求5所述的方法，其特征在于，所述获取所述空调系统中组成设备的控制量约束和状态量约束，根据所述控制量约束和状态量约束，确定所述空调系统中组成设备控制量的合理区间包括：
获取所述空调系统的环境量约束值和状态量约束以及所述空调系统的当前环境值；
若所述当前环境值超出所述环境量约束值时，根据所述当前环境值超出所述环境量约束值的超出程度，生成因子；
根据所述当前环境值以及所述因子，设置所述空调系统中组成设备的控制量第一范围；
根据所述状态量约束，获取所述空调系统中组成设备状态量的合理运行范围；
根据所述状态量的合理运行范围，计算所述空调系统中组成设备控制量第二范围；
获取所述控制量第一范围与所述控制量第二范围的交集，得到所述空调系统中组成设备控制量的合理区间。
8.根据权利要求5所述的方法，其特征在于，所述以最小能耗为目标，通过遗传算法和梯度优化算法对所述能耗模型进行变量寻优，在所述合理区间内求解所述空调系统最优控制量组合，得到空调系统控制优化策略之后，还包括：
获取空调系统控制参数的个数以及参数偏移量可选值；
根据所述个数以及所述参数偏移量可选值，建立正交表；
在所述正交表中无回放抽取偏移量至所述空调系统控制优化策略对应的控制量上，迭代更新所述能耗模型。
9.一种计算机设备，其特征在于，包括至少一个处理器、至少一个存储器、以及总线；其中，所述处理器与所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN201910941341.1A 2019-09-30 2019-09-30 空调能耗模型训练方法与空调系统控制方法 Active CN112577161B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910941341.1A CN112577161B (zh) 2019-09-30 2019-09-30 空调能耗模型训练方法与空调系统控制方法
PCT/CN2020/097223 WO2021063033A1 (zh) 2019-09-30 2020-06-19 空调能耗模型训练方法与空调系统控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910941341.1A CN112577161B (zh) 2019-09-30 2019-09-30 空调能耗模型训练方法与空调系统控制方法

Publications (2)

Publication Number Publication Date
CN112577161A true CN112577161A (zh) 2021-03-30
CN112577161B CN112577161B (zh) 2022-05-27

Family

ID=75116558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910941341.1A Active CN112577161B (zh) 2019-09-30 2019-09-30 空调能耗模型训练方法与空调系统控制方法

Country Status (2)

Country Link
CN (1) CN112577161B (zh)
WO (1) WO2021063033A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343391A (zh) * 2021-07-02 2021-09-03 华电电力科学研究院有限公司 一种刮板取料系统控制方法、装置及设备
CN113983651A (zh) * 2021-11-23 2022-01-28 海信（广东）空调有限公司 空调器及其控制方法
CN114017904A (zh) * 2021-11-04 2022-02-08 广东电网有限责任公司 一种建筑物hvac系统的运行控制方法及装置
CN114216248A (zh) * 2022-02-22 2022-03-22 深圳雪芽创新科技有限公司 一种应用于数据中心机房的智能降温方法
CN114857812A (zh) * 2022-05-26 2022-08-05 深圳市英维克信息技术有限公司 节能控制方法、节能控制装置、电子设备和存储介质
CN115218366A (zh) * 2022-07-22 2022-10-21 中瑞恒（北京）科技有限公司 一种基于控制预测模型的暖通空调的节能方法
WO2022257267A1 (zh) * 2021-06-07 2022-12-15 维谛技术(西安)有限公司 环境参数控制设备集群控制方法、装置、设备及存储介质
CN115930376A (zh) * 2022-10-08 2023-04-07 佳都科技集团股份有限公司 一种空调控制算法评估方法、装置、设备及存储介质
CN116576629A (zh) * 2023-05-29 2023-08-11 北京百度网讯科技有限公司 系统控制方法、系统控制装置、电子设备以及存储介质
CN117557070A (zh) * 2024-01-11 2024-02-13 江西南昌济生制药有限责任公司 能耗优化方法、装置及电子设备

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095951B (zh) * 2021-05-08 2023-09-22 西安科技大学 一种瓦斯抽采智能调控方法、设备、装置及存储介质
CN113511049A (zh) * 2021-05-20 2021-10-19 重庆长安汽车股份有限公司 自适应多段恒转速汽车空调压缩机控制系统及方法
WO2022246627A1 (zh) * 2021-05-25 2022-12-01 罗伯特·博世有限公司 一种用于控制制冷设备的方法和装置
CN113325762B (zh) * 2021-05-25 2023-04-28 西安交通大学 一种智能建筑个性化用能控制方法、系统、装置和设备
CN113570066B (zh) * 2021-07-23 2024-03-29 中国恩菲工程技术有限公司 数据处理方法、系统、电子设备及存储介质
CN113627511B (zh) * 2021-08-04 2024-02-02 中国科学院科技战略咨询研究院 气候变化对交通业的影响模型训练方法及影响监测方法
CN113822473B (zh) * 2021-09-03 2023-12-26 浙江中控信息产业股份有限公司 一种基于多维数据的牵引力能耗合理区间预测方法
CN114114995A (zh) * 2021-11-04 2022-03-01 中通服咨询设计研究院有限公司 一种用于数据中心空调系统的调优系统
CN114034106B (zh) * 2021-11-10 2023-05-12 珠海格力电器股份有限公司 多联机组控制方法、装置和多联机组设备
CN116266319A (zh) * 2021-12-16 2023-06-20 维谛技术有限公司 一种空调机组预测维护方法、装置、设备及介质
CN114520772B (zh) * 2022-01-19 2023-11-14 广州杰赛科技股份有限公司 一种5g切片资源调度方法
CN114489307A (zh) * 2022-02-14 2022-05-13 阿里巴巴（中国）有限公司 针对互联网数据中心的能效优化方法及装置
CN114594812B (zh) * 2022-03-09 2023-04-07 新泰市日进化工科技有限公司 一种动态调整降低能耗的结晶反应釜冷却水恒温系统
CN114543274B (zh) * 2022-03-15 2023-04-11 山东大学 一种建筑中央空调温湿度优化控制方法及系统
CN114636212B (zh) * 2022-04-22 2024-01-30 苏州思萃融合基建技术研究所有限公司 一种基于grnn的多台冷水机组系统运行控制方法
CN115048773B (zh) * 2022-05-24 2024-03-29 西安交通大学 双时间尺度室温控制建模方法
CN114880959B (zh) * 2022-07-11 2022-12-30 广东电网有限责任公司佛山供电局 一种用于建筑能耗混合模型的输入变量获取方法和系统
CN115327930B (zh) * 2022-10-17 2023-01-20 青岛艾德森物联科技有限公司 一种可视化节能管控方法及系统
CN115877714B (zh) * 2022-12-01 2023-12-29 青岛创新奇智科技集团股份有限公司 一种制冷系统控制方法、装置、电子设备及存储介质
CN115755628A (zh) * 2022-12-19 2023-03-07 成都迅宏自控设备有限公司 基于遗传算法的中央空调节能控制方法
CN116359683B (zh) * 2023-02-28 2023-12-26 四川大唐国际甘孜水电开发有限公司 一种基于信息交互的局部放电模式识别方法及系统
CN116116181B (zh) * 2023-04-18 2023-07-18 科扬环境科技有限责任公司 一种基于模型优化的废气废水处理方法及装置
CN116300658B (zh) * 2023-05-17 2023-08-01 瑞麟天下能源产业发展(北京)有限公司 设备节能控制方法、装置、设备及存储介质
CN116579506B (zh) * 2023-07-13 2023-09-19 陕西通信规划设计研究院有限公司 一种基于大数据的建筑能耗数据智能管理方法及系统
CN116990619B (zh) * 2023-09-25 2023-12-26 华夏天信智能物联股份有限公司 一种矿井变频一体机的智能监测方法
CN117234071B (zh) * 2023-11-16 2024-01-26 中控技术股份有限公司 一种基于温压控制的循环水系统节能优化方法与装置
CN117606119B (zh) * 2024-01-23 2024-04-09 江苏大全长江电器股份有限公司 基于环境分析的空气柜智能调参控制方法及系统

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5062066A (en) * 1989-08-17 1991-10-29 Nabisco Brands, Inc. Model referenced control of a food treatment device
US20110251726A1 (en) * 2006-05-03 2011-10-13 Mcnulty Nicholas Method of optimising energy consumption
US20120296480A1 (en) * 2011-05-17 2012-11-22 Honeywell International Inc. System and method to predict optimized energy consumption
CN103049612A (zh) * 2012-12-24 2013-04-17 江苏大学 一种基于模型降阶技术的建筑室内环境优化方法
KR101261198B1 (ko) * 2013-01-10 2013-05-10 동국대학교 산학협력단 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 실내온도 하강 제어방법
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
US20150248118A1 (en) * 2014-02-26 2015-09-03 Board Of Trustees Of The University Of Alabama Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches
CN106817909A (zh) * 2015-10-01 2017-06-09 松下知识产权经营株式会社 空调控制方法、空调控制装置以及空调控制程序
CN107168255A (zh) * 2017-05-16 2017-09-15 浙江工业大学 一种基于集成神经网络的聚丙烯熔融指数混合建模方法
CN109034523A (zh) * 2018-06-11 2018-12-18 湖南工业大学 一种融合最小二乘支持向量机回归与粒子群优化的挥发窑工况操作模式优化方法
CN109084415A (zh) * 2018-07-26 2018-12-25 杭州哲达节能科技有限公司 基于神经网络和遗传算法的中央空调运行参数寻优方法
CN109764481A (zh) * 2018-12-26 2019-05-17 江苏大学 基于网络通信和移动客户端的智能空气净化装置及其调节方法
CN109945402A (zh) * 2019-03-07 2019-06-28 东南大学 一种中央空调水系统节能方法
US20190205750A1 (en) * 2017-12-29 2019-07-04 Alibaba Group Holding Limited Content generation method and apparatus
CN110322933A (zh) * 2019-06-20 2019-10-11 浙江工业大学 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法
EP3691113A1 (en) * 2017-09-26 2020-08-05 Hitachi, Ltd. Apparatus control system
CN111723456A (zh) * 2020-05-08 2020-09-29 华南理工大学 一种基于nsga-ⅱ算法的中央空调系统能效优化方法
CN112413831A (zh) * 2020-11-25 2021-02-26 中国电力科学研究院有限公司 一种中央空调节能控制系统及方法
CN112747416A (zh) * 2019-10-31 2021-05-04 北京国双科技有限公司 空调系统能耗预测方法及装置
CN113051806A (zh) * 2021-03-31 2021-06-29 浙江工业大学 一种基于aqpso-rbf神经网络的水质bod测量方法
CN113188243A (zh) * 2021-04-08 2021-07-30 山东师范大学 一种空调能耗的综合预测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2921441B2 (ja) * 1995-07-18 1999-07-19 ダイキン工業株式会社 空気調和装置
CN104566868B (zh) * 2015-01-27 2017-09-08 杭州宏成节能科技有限公司 一种中央空调控制系统及其控制方法
CN104613602B (zh) * 2015-02-02 2017-09-26 河海大学 一种中央空调精细化控制方法
CN105627506A (zh) * 2015-12-25 2016-06-01 深圳达实智能股份有限公司 一种空调冷机的建筑冷负荷预测方法及装置

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5062066A (en) * 1989-08-17 1991-10-29 Nabisco Brands, Inc. Model referenced control of a food treatment device
US20110251726A1 (en) * 2006-05-03 2011-10-13 Mcnulty Nicholas Method of optimising energy consumption
US20120296480A1 (en) * 2011-05-17 2012-11-22 Honeywell International Inc. System and method to predict optimized energy consumption
CN103049612A (zh) * 2012-12-24 2013-04-17 江苏大学 一种基于模型降阶技术的建筑室内环境优化方法
KR101261198B1 (ko) * 2013-01-10 2013-05-10 동국대학교 산학협력단 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 실내온도 하강 제어방법
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
US20150248118A1 (en) * 2014-02-26 2015-09-03 Board Of Trustees Of The University Of Alabama Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches
CN106817909A (zh) * 2015-10-01 2017-06-09 松下知识产权经营株式会社 空调控制方法、空调控制装置以及空调控制程序
US20180195752A1 (en) * 2015-10-01 2018-07-12 Panasonic Intellectual Property Management Co., Ltd. Air-conditioning control method, air-conditioning control apparatus, and storage medium
CN107168255A (zh) * 2017-05-16 2017-09-15 浙江工业大学 一种基于集成神经网络的聚丙烯熔融指数混合建模方法
EP3691113A1 (en) * 2017-09-26 2020-08-05 Hitachi, Ltd. Apparatus control system
US20190205750A1 (en) * 2017-12-29 2019-07-04 Alibaba Group Holding Limited Content generation method and apparatus
CN109034523A (zh) * 2018-06-11 2018-12-18 湖南工业大学 一种融合最小二乘支持向量机回归与粒子群优化的挥发窑工况操作模式优化方法
CN109084415A (zh) * 2018-07-26 2018-12-25 杭州哲达节能科技有限公司 基于神经网络和遗传算法的中央空调运行参数寻优方法
CN109764481A (zh) * 2018-12-26 2019-05-17 江苏大学 基于网络通信和移动客户端的智能空气净化装置及其调节方法
CN109945402A (zh) * 2019-03-07 2019-06-28 东南大学 一种中央空调水系统节能方法
CN110322933A (zh) * 2019-06-20 2019-10-11 浙江工业大学 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法
CN112747416A (zh) * 2019-10-31 2021-05-04 北京国双科技有限公司 空调系统能耗预测方法及装置
CN111723456A (zh) * 2020-05-08 2020-09-29 华南理工大学 一种基于nsga-ⅱ算法的中央空调系统能效优化方法
CN112413831A (zh) * 2020-11-25 2021-02-26 中国电力科学研究院有限公司 一种中央空调节能控制系统及方法
CN113051806A (zh) * 2021-03-31 2021-06-29 浙江工业大学 一种基于aqpso-rbf神经网络的水质bod测量方法
CN113188243A (zh) * 2021-04-08 2021-07-30 山东师范大学 一种空调能耗的综合预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严中俊: "某酒店中央空调冷源系统节能运行优化研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022257267A1 (zh) * 2021-06-07 2022-12-15 维谛技术(西安)有限公司 环境参数控制设备集群控制方法、装置、设备及存储介质
CN113343391A (zh) * 2021-07-02 2021-09-03 华电电力科学研究院有限公司 一种刮板取料系统控制方法、装置及设备
CN113343391B (zh) * 2021-07-02 2024-01-09 华电电力科学研究院有限公司 一种刮板取料系统控制方法、装置及设备
CN114017904A (zh) * 2021-11-04 2022-02-08 广东电网有限责任公司 一种建筑物hvac系统的运行控制方法及装置
CN114017904B (zh) * 2021-11-04 2023-01-20 广东电网有限责任公司 一种建筑物hvac系统的运行控制方法及装置
CN113983651A (zh) * 2021-11-23 2022-01-28 海信（广东）空调有限公司 空调器及其控制方法
CN114216248A (zh) * 2022-02-22 2022-03-22 深圳雪芽创新科技有限公司 一种应用于数据中心机房的智能降温方法
CN114857812A (zh) * 2022-05-26 2022-08-05 深圳市英维克信息技术有限公司 节能控制方法、节能控制装置、电子设备和存储介质
CN115218366A (zh) * 2022-07-22 2022-10-21 中瑞恒（北京）科技有限公司 一种基于控制预测模型的暖通空调的节能方法
CN115930376A (zh) * 2022-10-08 2023-04-07 佳都科技集团股份有限公司 一种空调控制算法评估方法、装置、设备及存储介质
CN116576629A (zh) * 2023-05-29 2023-08-11 北京百度网讯科技有限公司 系统控制方法、系统控制装置、电子设备以及存储介质
CN116576629B (zh) * 2023-05-29 2024-03-12 北京百度网讯科技有限公司 系统控制方法、系统控制装置、电子设备以及存储介质
CN117557070A (zh) * 2024-01-11 2024-02-13 江西南昌济生制药有限责任公司 能耗优化方法、装置及电子设备
CN117557070B (zh) * 2024-01-11 2024-04-12 江西南昌济生制药有限责任公司 能耗优化方法、装置及电子设备

Also Published As

Publication number Publication date
CN112577161B (zh) 2022-05-27
WO2021063033A1 (zh) 2021-04-08

Similar Documents

Publication Publication Date Title
CN112577161B (zh) 空调能耗模型训练方法与空调系统控制方法
CN109595763B (zh) 空调系统的控制策略优化方法、装置和计算机设备
CN111096094B (zh) 经由智能供应空气温度设定点控制的冷却单元能量优化
US11175062B2 (en) Central plant control system with computation reduction based on graph theory
US11680724B2 (en) Central plant control system with computation reduction based on sensitivity analysis
US11092352B2 (en) Central plant control system with computation reduction based on stranded node analysis
KR101754536B1 (ko) 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치
US11085663B2 (en) Building management system with triggered feedback set-point signal for persistent excitation
US20160187896A1 (en) Intelligent equipment sequencing
US10948884B2 (en) Building control based on uneven load distribution
US11236917B2 (en) Building control system with zone grouping based on predictive models
CN109323414B (zh) 空调器及其控制方法和控制装置及电子设备
CN115682357A (zh) 一种以逼近度为中心的冷却水寻优方法及独立控制系统
KR101727434B1 (ko) 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법
CN115167562A (zh) 一种机房温度控制方法和装置
CN113268913A (zh) 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法
CN109556240B (zh) 空调系统的控制方法、装置、机房空调系统和计算机设备
CN114636212B (zh) 一种基于grnn的多台冷水机组系统运行控制方法
CN111197840B (zh) 组合式风柜的控制方法、装置、计算机设备和存储介质
CN115654684A (zh) 空气处理机组控制、模型构建方法、装置及设备和介质
US11408626B2 (en) Central plant control system with dynamic computation reduction
KR20180138372A (ko) 오프라인/온라인 하이브리드 기계학습 모델을 이용한 냉동기 최적 제어 방법
CN117557070B (zh) 能耗优化方法、装置及电子设备
CN116011346A (zh) 设备模型的建立方法、暖通系统的调优方法和电子设备
CN115877714B (zh) 一种制冷系统控制方法、装置、电子设备及存储介质

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