CN112628956B - 基于边云协同框架的冷水机组负荷预测控制方法和系统 - Google Patents
基于边云协同框架的冷水机组负荷预测控制方法和系统 Download PDFInfo
- Publication number
- CN112628956B CN112628956B CN202011548554.7A CN202011548554A CN112628956B CN 112628956 B CN112628956 B CN 112628956B CN 202011548554 A CN202011548554 A CN 202011548554A CN 112628956 B CN112628956 B CN 112628956B
- Authority
- CN
- China
- Prior art keywords
- load
- chilling unit
- control
- water
- water chilling
- 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
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
-
- 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
Abstract
本发明公开了基于边云协同框架的冷水机组负荷预测控制方法和系统,属于优化控制领域。本发明提出利用边缘计算和云计算融合的冷水机组分层优化控制。在边缘端进行负荷实时预测与划分及数据预处理,不同负荷率下控制参数矩阵,云端进行负荷预测模型及能耗拟合模型的练及更新、冷水机组控制参数寻优,利用相应模型通过智能优化算法寻求自适应函数下最小值时的输入,从而得到最优控制参数组合。本发明充分利用边缘端资源进行数据预处理和控制参数矩阵的存储与控制参数传输,降低云端计算压力并减少数据传输延迟带来的影响,从而达到快速实时更新优化控制的效果,能够较好地拟合实际运行数据,在满足基本负荷的情况下,显著降低整个系统的能耗。
Description
技术领域
本发明属于建筑空调系统优化控制领域,更具体地,涉及基于边云协同框架的冷水机组负荷预测控制方法和系统。
背景技术
建筑行业在中国节能和减缓气候变化中发挥着重要作用。根据清华大学建筑能源研究中心(BERC)的数据,2018年建筑行业的一次能源消耗为1123百万吨煤当量(Mtce),与建筑能耗相关的碳排放总量约为22亿吨二氧化碳,且中国的建筑业耗能在未来几年将继续增长。供热通风与空气调节(Heating,Ventilation and Air Conditioning,HVAC)系统的持续能耗占建筑能耗累积最终使用的很大一部分。建筑物能源消耗中约有40%归因于HVAC。为了提高能源效率,冷水机组通常具有最大的改进潜力,因为它们通常是HVAC系统中的最大耗能者,尤其是在商业建筑中,它们可以占建筑总能耗的35%–40%。影响冷水机组运行能耗的主要原因之一是其控制方法,为了提高其运行效率和节约能耗,需要优化冷水机组的运行控制,实现保持多台冷水机组联合运行的系统稳定性和合理性以及减少由于开关动作频繁造成设备损耗。
专利CN111256314A公开一种中央空调的控制系统,包括冷却塔组、冷却水泵组、冷冻水泵组及冷水机组的控制系统。其主要思想为:通过对制冷系统中各个元件采用少量传感器监测、调节各个元件的运行频率,从而达到对中央过空调制冷系统进行全局优化控制目的。然而,该方法存在以下的缺陷或不足:所述控制模型冷水机组整体优化逻辑复杂,寻优计算繁琐,不便于优化策略的扩展。
专利CN110486896A公开一种基于冷水机组能耗模型的串级空调系统优化控制方法,其主要思想为:采集数据,能耗模型建模;计算实际的机组运行数量,实现机组群控;参数寻优,在满足当前负荷及边界条件的同时,使运行费用最低。然而,该方法存在以下缺陷:多重控制系统过于复杂,加重了设备计算负担,增加了设备压力,在系统的实时性上也不能满足需求。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了基于边云协同框架的冷水机组负荷预测控制方法和系统,其目的在于预测冷水机组时序性负荷需求,并寻求冷水机组在相应负荷下实现最低能耗的控制参数设定组合,同时保证响应快、延迟低。
为实现上述目的,按照本发明的第一方面,提供了一种基于边云协同框架的冷水机组负荷预测控制方法,该方法包括以下步骤:
训练阶段:
S1.边缘端对采集到的冷水机组历史运行数据进行特征提取,得到第一特征集和第二特征集,并传递给云端;
S2.云端采用第一特征集训练基于深度学习的风侧负荷预测模型,训练样本为(t-A)至(t-1)时刻的第一特征集数据,标签为t时刻的实际负荷值,并将训练好的风侧负荷预测模型同步到边缘端,A为设定时间间隔;
S3.云端采用第二特征集训练基于深度学习的冷水机组数据驱动仿真模型,训练样本为t时刻的第二特征集数据,标签为t时刻的实际功耗值;
控制阶段:
T1.边缘端使用实时采集到的冷水机组运行数据初始化控制参数矩阵;
T2.边缘端将实时采集到的t时刻冷水机组运行数据进行特征提取,将得到的第一特征输入至训练好的风侧负荷预测模型,得到t+1时刻负荷需求;
T3.边缘端将t+1时刻负荷需求输入至控制参数矩阵,得到此时最优的控制参数组合,反馈到冷水机组进行调控;
在控制过程中,云端将训练好的DBN冷水机组数据驱动仿真模型作为优化对象,以最小功耗为优化目标,进行控制参数寻优并传递给边缘端,边缘端定期根据最优控制参数组合更新控制参数矩阵,云端根据最新运行数据定期训练并更新风侧负荷预测模型和冷水机组数据驱动仿真模型。
有益效果:本发明通过定期模型云端更新方式,能够对冷水机组的实际运行情况进行较高精度的拟合,并具有自学习自适应性能。
优选地,所述冷水机组运行数据通过在冷水机组设备端部署多个无线传感器采集得到。
有益效果:本发明通过在冷水机组系统上直接部署传感器,采集关键运行参数,具有良好的适用性和扩展性。
优选地,在特征提取之前进行归一化处理,具体如下:
归一化的输入为冷水机组系统运行过程的n个变量,构成的变量集合为S*={X1 *,X2 *,...,Xn *},归一化公式如下:
有益效果:本发明在边缘端中对数据进行归一化处理,满足该限定时,如果第i个特征的Ximax,Ximin值发生改变,那么归一化函数将会更新,之前的所有数据将会重新归一化,并全部上传至云端参与之后的模型更新,从而实现降低了云端运算复杂度,消除了数据量纲带来的影响,有助于后续模型的快速训练。
优选地,第一特征包括:室外干球温度、室外湿度和负荷;第二特征包括:负荷、冷却水供水温度、冷却水回水温度、冷冻水供水温度、冷却水泵频率、冷冻水泵频率。
有益效果:本发明选取了常见的室外环境参数和机组运行及控制参数,能够有效保证建模所需的基本特征,并建立起控制参数和能耗之间的相关关系。
优选地,所述风侧负荷预测模型采用LSTM,所述冷水机组数据驱动仿真模型采用DBN。
有益效果:本发明通过深度学习中的长短期记忆神经网络实现了时序性负荷预测,并且采用深度信念网络进行冷水机组系统建模。LSTM模型根据RNN模型改进而来,通过多序列输入和自身的记忆门、遗忘门,能够有效的记录多序列输入和输出的相关关系,实现良好的序列预测效果。DBN网络基于RBF网络层,相较于传统前馈网络,RBF网络能够进行双向传递,拟合精度更高。
优选地,在控制优化逻辑中将寻优问题划分为独立的两个部分:室内负荷侧和供冷水侧;室内负荷侧,以室内负荷Qload独立整体,作为系统整体寻优参数,以约束对供冷水侧冷水机组系统的优化控制求解;
室内负荷计算由冷冻水回路侧参数进行初步计算,具体如下:
Qload=qchw(Tchwr-Tchws)
其中,Qload是负荷,qchw是冷冻水流量,Tchws和Tchwr分别是冷冻水供水温度和冷冻水回水温度。
优选地,步骤T1中,所述控制参数为冷却水供水温度Tcws、冷却水回水温度Tcwr、冷冻水供水温度Tchws、冷却水泵频率Fcp、冷冻水泵频率Fchp;
(1)根据计算得到的冷水机组负荷水平Qload和冷水机组设定最大负荷Qrated,得到冷水机组负荷率:
(2)将冷水机组负荷率在[0,1]内线性划分为L个水平,并对每个水平下的控制参数进行初始化,得到初始化的控制参数矩阵。
有益效果:本发明通过对室内负荷端和冷水机组系统端进行分离,将优化过程分为风侧和水测。其中,风侧将作为负荷需求端,通过冷冻水供回水温差计算并预测其值。水侧根据所得到的风侧负荷值,在满足负荷的条件下,对控制参数寻优,使得能耗最低。同过风侧水侧解耦,实现了对室内复杂条件的简化和统筹,得到了室内负荷计算的简单方式,具有良好的实用性
优选地,在云端进行控制参数寻优采用粒子群算法,粒子位置为控制参数。
有益效果:本发明采用粒子群智能优化算法,通过模拟多个粒子寻找最优解的过程,更新粒子位置和速度,能够较好的寻求最优解。
优选地,在边缘端更新控制参数矩阵具体如下:
有益效果:本发明通过在边缘端设置控制参数矩阵,能够不依赖云端直接对系统进行控制,避免网络传输不稳定时带来控制的不稳定性,降低了控制反馈延迟,增强了系统的可靠性。同时,通过云端对控制参数矩阵进行定期更新,保证了控制参数组合不断优化。
为实现上述目的,按照本发明的第二方面,提供了一种基于边云协同框架的冷水机组负荷预测控制系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行第一方面所述的基于边云协同框架的冷水机组负荷预测控制方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
本发明提出利用边缘计算和云计算融合技术的冷水机组分层优化控制。在边缘端进行负荷实时预测与划分及数据预处理,不同负荷率下控制参数矩阵,云端进行负荷预测模型及能耗拟合模型的训练及更新、冷水机组控制参数寻优,利用相应模型通过智能优化算法寻求自适应函数下最小值时的输入,从而得到最优控制参数组合。本发明充分利用了边缘端资源进行数据预处理和控制参数矩阵的存储与控制参数传输,降低了云端计算压力并减少了数据传输延迟带来的影响,从而达到快速简便实时更新优化控制的效果,能够较好地拟合实际运行数据,并可在满足基本负荷的情况下,显著降低整个系统的能耗。
附图说明
图1为本发明提供的冷水机组系统结构示意图;
图2为本发明提供的一种基于边云协同框架的冷水机组负荷预测控制方法流程图;
图3为本发明提供的LSTM网络结构示意图;
图4为本发明提供的DBN网络结构示意图;
图5为本发明提供的粒子算法优化流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
首先,对图1所示的冷水机组系统,通过在冷却水回路侧和冷冻水回路侧分别部署温湿度传感器(SI_TH-40125C001)、频率传感器、流量传感器及万用表,读取频率设置为1分钟,所有传感器采用自带TCP/IP协议,可以实时将数据传输到边缘端和云端。
本发明在控制优化逻辑中将寻优问题划分为独立的两个部分:室内负荷侧和供冷水侧;室内负荷侧,以室内负荷Qload独立整体,作为系统整体寻优参数,以约束对供冷水侧冷水机组系统的优化控制求解。其中,风侧包括:室内负荷端,包括风机盘管等,由室内人员自己设置;水侧是指冷水机组端,包括冷冻水回路、冷机、冷却水回路等,是满足室内负荷的主要部分,也是优化的主要部分。
本实施例中,基于物联网的冷水机组运行数据采集模块针对冷水机组系统实际运行数据,分别在冷却塔、冷却水回路、冷冻机、冷冻水回路侧布置温度、振动、流量传感器和功率测量仪,所有传感器采用自带TCP/IP协议,可以实时将数据传输到边缘端和云端,采集的运行参数包括:室外干球温度Tenv、室外环境湿度RH、风机频率ffan、冷却水供水温度Tcws、冷却水回水温度Tcwr、冷冻水供水温度Tchws、冷冻水回水温度Tchwr、冷冻水流量Qchw、冷却水泵频率Fcp、冷冻水泵频率Fchp、风机功耗Pfan、冷冻机功耗Pchiller、冷却水泵功耗Pcp、冷冻水泵功耗Pchp。通过时间序列汇总实际数据,并通过TCP/IP协议将实时运行数据传入边缘服务器。
在此系统中,冷却水供水温度Tcws、冷却水回水温度Tcwr、冷冻水供水温度Tchws、冷却水泵频率Fcp、冷冻水泵频率Fchp作为系统控制参数,可以对其进行优化,从而提高整个机组的性能。
冷水机组系统分层控制过程如图2所示,冷水机组设备端数据由传感器上传边缘端。边缘端中完成负荷需求预测和划分与控制参数矩阵的建立,此外,边缘端中有从云端同步的负荷预测LSTM模型,可以进行未来短期负荷预测。此外,边缘端还承担数据预处理功能。云端通过接收边缘端预处理后的一段时间的运行数据,对负荷预测模型和能耗拟合模型进行训练和更新,并通过粒子群算法,对不同负荷下的控制参数进行寻优,并更新边缘端控制参数矩阵,之后,将相应的控制参数组合反馈至设备端进行调控。
接下来,在边缘端进行负荷、负荷率的计算与划分,并初始化控制参数矩阵。
Qload=qchw(Tchwr-Tchws)
其中,Qload是负荷,qchw是冷冻水流量,Tchws和Tchwr分别是冷冻水供水温度和冷冻水回水温度。
根据计算得到的负荷水平Qload和机组设定最大负荷Qrated,得到机组负荷率:
根据计算所得的负荷率水平、系统控制参数与能耗水平,初始化控制参数矩阵形式如表1所示:
表1
接下来,在边缘端将运行数据归一化并上传至云端:
设置滑动时间窗口大小k=1440,即每过24小时,所收集到的[trt-1440,trt]内的机组运行数据作为一组训练训练数据,在边缘端中经过归一化处理。归一化的输入为冷水机组系统运行过程的n(n=5+2)个变量,包括冷负荷,能耗水平和所有控制参数,构成的变量集合为S*={X1 *,X2 *,...,Xn *},由于各个特征间量纲存在差异,通过数据归一化消除这种影响,具体公式如下:
其中,Ximax,Ximin表示第i个特征的最大最小值,表示输入变量的值,下标i表示第i个特征,j表示第j个时刻数据,Xij表示标准化后输入变量的值作为输入数据。归一化后的数据集为S={X1,X2,...,Xn}。
值得一提的是,如果第i个特征的Ximax,Ximin值发生了改变,那么归一化函数将会更新,之前的所有数据将会重新归一化,并全部上传至云端参与之后的模型更新。
接下来,在云端训练和更新如图3所示的LSTM负荷预测模型并同步到边缘端:
(1)从边缘端上传的数据中选取室外干球温度Tenv、室外湿度RH和负荷Qload时间序列数据作为训练数据,设置训练集和测试集比例为3∶1,timestep设置为9。得到(3,9,1080)的训练集数据和(3,1,360)测试集数据;
(2)定义LSTM网络的迭代次数为1000和学习率为0.1,初始化模型层数Nlayer=4与各层Nodeslayer,i节点数为(3,72,20,1)。输入训练集和测试集数据,并通过梯度下降和误差反向传播算法,得到预训练模型权重ω与偏置β等参数;
(3)实际运行中,每过1440时间间隔,将连续收集冷水机组一段时间内[trt-1440,trt]的实时运行数据作为训练集对负荷预测LSTM模型的权值ω和偏置β进行更新。每次更新后,负荷预测LSTM模型被同步到边缘端。
接下来,在云端训练和更新如图4所示的DBN能耗拟合模型,并将能耗拟合模型作为粒子群优化的自适应函数:
(1)从边缘端上传的数据中选取负荷Qload、冷却水供水温度Tcws、冷却水回水温度Tcwr、冷冻水供水温度Tchws、冷却水泵频率Fcp、冷冻水泵频率Fchwp,系统的实际总能耗Pall作为训练数据,设置训练集和测试集比例为3∶1;
(2)初始化DBN网络层数、隐藏层单位矩阵h、可见层单位矩阵x、隐藏层的偏差矩阵c、隐藏层和可见层之间的连接权重W;
(3)使用对比散度(CD)方法来调整参数。参数调整规则如下:
其中,ε是训练RBM时的学习率,Q(h|x)是用于推导和训练的近似后验模型;
(4)实际运行中,通过设置模型更新时间滑动窗口长度为1440,将连续收集冷水机组一段时间内[trt-1440,trt]的实时运行数据作为训练集对能耗拟合DBN模型进行更新;
(5)最终得到的DBN能耗拟合模型将作为自适应函数参与后续控制参数优化过程。
接下来,在云端进行控制参数寻优,具体过程如图5所示:
(1)针对5个控制参数,包括冷却水供水温度Tcws、冷却水回水温度Tcwr、冷冻水供水温度Tchws、冷却水泵频率Fcp、冷冻水泵频率Fchwp;设置每个参数的粒子群数目为M=20。第i个参数的第j个粒子记为Particleij;随机初始化每个粒子的速度vij,位置xij,学习因子c1,c2等参数;
(2)将粒子位置组合x1j,x2j,x3j,...,xNj作为控制参数值,控制参数组合Xcon={x1j,x2j,x3j,...,xNj}与预测的冷负荷Qload,rt合并,作为DBN能耗拟合模型的输入,输出为不同粒子组合下的能耗水平Pall,rt。其自适应函数形式为:
Pall,rt=fDBN(Xcon,Qload,rt);
(3)评估每个粒子Pall,rt是否达到最小值(处于全局最优),若达到,则判断此时负荷水平Qload>Qload,rt,若未达到,则继续进行更新
Qload=qchw(Tchwr-Tchws);
(4)参数更新方法如下。速度更新根据初始速度和位置参数,以及学习因子c1和c2计算更新后的速度,公式为:
vij=vij+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xij)
位置更新根据初始位置信息与初始速度计算得到:
xij=xij+vij
其中,rand()为[0,1]均匀分布的随机数且相互独立。更新后评估每个粒子的函数适应值,更新每个粒子的历史最优位置和全局最优解;
(5)再次判断全局最优解是否满足条件,若不满足,重复参数更新过程。若满足条件,结束迭代过程,输出最优控制参数组合Xcon={x1j,x2j,x3j,...,xNj}和对应最小能耗Pall,rt。
接下来,对边缘端控制参数矩阵进行更新:
(3)将此时负荷下的控制参数组合反馈至设备端,由设备端自身控制逻辑进行调控。
接下来,在冷水机组实际运行时,通过边缘端负荷预测和控制参数选取,对设备端进行调控:
与现有的控制方法相比,本发明提供了一种可靠、易实现的冷水机组系统分层预测控制方法,所提出的方法能够较好地拟合实际运行数据,并可在满足基本负荷的情况下,显著降低整个系统的能耗。此外,对不同负荷逻辑进行分层分离控制策略,具有较好地可操作性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于边云协同框架的冷水机组负荷预测控制方法,其特征在于,该方法包括以下步骤:
训练阶段:
S1.边缘端对采集到的冷水机组历史运行数据进行特征提取,得到第一特征集和第二特征集,并传递给云端,第一特征包括:室外干球温度、室外湿度和室内负荷;第二特征包括:室内负荷、冷却水供水温度、冷却水回水温度、冷冻水供水温度、冷却水泵频率和冷冻水泵频率;
S2.云端以第一特征集中每个时长为A的(x-A)至(x-1)时刻的第一特征序列作为训练样本,以x时刻的实际室内负荷值作为对应标签,得到第一训练集,采用第一训练集训练基于深度学习的室内负荷预测模型,并将训练好的室内负荷预测模型同步到边缘端,A为设定时间间隔;
S3.云端以第二特征集中每个y时刻的第二特征作为训练样本,以y时刻的实际冷水机组功耗值作为对应标签,得到第二训练集,采用第二训练集训练基于深度学习的冷水机组数据驱动仿真模型;
控制阶段:
T1.边缘端使用实时采集到的冷水机组运行数据初始化控制参数矩阵;
T2.边缘端将实时采集到的t时刻冷水机组运行数据进行特征提取,将得到的第一特征输入至训练好的室内负荷预测模型,得到t+1时刻负荷需求;
T3.边缘端将t+1时刻负荷需求输入至控制参数矩阵,得到此时最优的控制参数组合,反馈到冷水机组进行调控;
在控制过程中,云端将训练好的冷水机组数据驱动仿真模型作为优化对象,以最小功耗为优化目标,进行控制参数寻优并传递给边缘端,边缘端定期根据最优控制参数组合更新控制参数矩阵,云端根据最新运行数据定期训练并更新室内负荷预测模型和冷水机组数据驱动仿真模型。
2.如权利要求1所述的方法,其特征在于,所述冷水机组运行数据通过在冷水机组设备端部署多个无线传感器采集得到。
4.如权利要求1至3任一项所述的方法,其特征在于,所述室内负荷预测模型采用LSTM,所述冷水机组数据驱动仿真模型采用DBN。
5.如权利要求1至3任一项所述的方法,其特征在于,在控制优化逻辑中将寻优问题划分为独立的两个部分:室内负荷侧和供冷水侧;室内负荷侧,以室内负荷Qload独立整体,作为系统整体寻优参数,以约束对供冷水侧冷水机组系统的优化控制求解;
室内负荷计算由冷冻水回路侧参数进行初步计算,具体如下:
Qload=qchw(Tchwr-Tchws)
其中,Qload是负荷,qchw是冷冻水流量,Tchws和Tchwr分别是冷冻水供水温度和冷冻水回水温度。
7.如权利要求6所述的方法,其特征在于,在云端进行控制参数寻优采用粒子群算法,粒子位置为控制参数。
9.一种基于边云协同框架的冷水机组负荷预测控制系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至8任一项所述的基于边云协同框架的冷水机组负荷预测控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548554.7A CN112628956B (zh) | 2020-12-24 | 2020-12-24 | 基于边云协同框架的冷水机组负荷预测控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548554.7A CN112628956B (zh) | 2020-12-24 | 2020-12-24 | 基于边云协同框架的冷水机组负荷预测控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112628956A CN112628956A (zh) | 2021-04-09 |
CN112628956B true CN112628956B (zh) | 2022-02-15 |
Family
ID=75324655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011548554.7A Active CN112628956B (zh) | 2020-12-24 | 2020-12-24 | 基于边云协同框架的冷水机组负荷预测控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112628956B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113757852B (zh) * | 2021-08-27 | 2022-10-14 | 华中科技大学 | 基于数字孪生技术的多联机空调机组控制方法及控制系统 |
CN113835344B (zh) * | 2021-11-25 | 2022-04-12 | 阿里云计算有限公司 | 设备的控制优化方法、展示平台、云服务器及存储介质 |
CN114413439A (zh) * | 2021-12-31 | 2022-04-29 | 深圳达实智能股份有限公司 | 基于自学习的中央空调运行专家库管理方法和系统 |
CN114992772B (zh) * | 2022-06-20 | 2023-07-28 | 华北电力科学研究院有限责任公司 | 空调温控负荷集群可调节潜力评估方法、装置及存储介质 |
CN117146382B (zh) * | 2023-10-31 | 2024-01-19 | 西华大学 | 一种智能化调适系统优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101875489B1 (ko) * | 2018-03-23 | 2018-08-02 | 윤홍익 | 냉방 시스템을 자동으로 제어하는 장치 및 방법 |
CN109063255A (zh) * | 2018-06-29 | 2018-12-21 | 广州能迪能源科技股份有限公司 | 一种节能控制方法、电子设备、存储介质、装置及系统 |
CN109539457A (zh) * | 2018-10-29 | 2019-03-29 | 花静霞 | 一种基于深度学习的冷水机房控制方法 |
CN110195927A (zh) * | 2019-06-04 | 2019-09-03 | 上海润风智能科技有限公司 | 一种分布式集中空调的冷水系统控制方法与装置 |
CN110410942A (zh) * | 2019-07-30 | 2019-11-05 | 上海朗绿建筑科技股份有限公司 | 一种冷热源机房节能优化控制方法及系统 |
KR102155820B1 (ko) * | 2020-04-03 | 2020-09-14 | 하민호 | 딥 러닝 기반의 외기온도 연동형 자동댐퍼가 구비된 공랭식 냉각시스템 |
CN111678246A (zh) * | 2020-06-16 | 2020-09-18 | 广东美的暖通设备有限公司 | 空调设备、控制方法、诊断方法、控制装置和存储介质 |
CN111735178A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 基于精英主义和svr回归算法的空调节能系统及优化方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002156126A (ja) * | 2000-11-17 | 2002-05-31 | Chofu Seisakusho Co Ltd | 温水暖房機の湯温調節制御装置 |
KR20100136575A (ko) * | 2009-06-19 | 2010-12-29 | 이재평 | 각방제어시스템의 환수온도제어 방법 |
CN101608812A (zh) * | 2009-07-24 | 2009-12-23 | 李凯 | 一种控制热力站二次侧温度的新方法 |
CN102519083B (zh) * | 2011-12-19 | 2014-06-18 | 威海米特智能仪表有限公司 | 一种集中供暖控制系统及方法 |
CN103017253A (zh) * | 2012-12-06 | 2013-04-03 | 鞍山市海汇自动化有限公司 | 一种集中供热全网热平衡控制方法 |
US11436492B2 (en) * | 2019-05-07 | 2022-09-06 | Johnson Controls Tyco IP Holdings LLP | Transfer learning of deep neural network for HVAC heat transfer dynamics |
-
2020
- 2020-12-24 CN CN202011548554.7A patent/CN112628956B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101875489B1 (ko) * | 2018-03-23 | 2018-08-02 | 윤홍익 | 냉방 시스템을 자동으로 제어하는 장치 및 방법 |
CN109063255A (zh) * | 2018-06-29 | 2018-12-21 | 广州能迪能源科技股份有限公司 | 一种节能控制方法、电子设备、存储介质、装置及系统 |
CN109539457A (zh) * | 2018-10-29 | 2019-03-29 | 花静霞 | 一种基于深度学习的冷水机房控制方法 |
CN110195927A (zh) * | 2019-06-04 | 2019-09-03 | 上海润风智能科技有限公司 | 一种分布式集中空调的冷水系统控制方法与装置 |
CN110410942A (zh) * | 2019-07-30 | 2019-11-05 | 上海朗绿建筑科技股份有限公司 | 一种冷热源机房节能优化控制方法及系统 |
KR102155820B1 (ko) * | 2020-04-03 | 2020-09-14 | 하민호 | 딥 러닝 기반의 외기온도 연동형 자동댐퍼가 구비된 공랭식 냉각시스템 |
CN111678246A (zh) * | 2020-06-16 | 2020-09-18 | 广东美的暖通设备有限公司 | 空调设备、控制方法、诊断方法、控制装置和存储介质 |
CN111735178A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 基于精英主义和svr回归算法的空调节能系统及优化方法 |
Non-Patent Citations (2)
Title |
---|
Model predictive control with adaptive machine-learning-based model for;Shiyu Yang等;《Applied Energy》;20200801;1-14 * |
基于深度学习的建筑能耗短期预测方法研究;廖文强等;《2019年中国家用电器技术大会论文集》;20191021;1173-1177 * |
Also Published As
Publication number | Publication date |
---|---|
CN112628956A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112628956B (zh) | 基于边云协同框架的冷水机组负荷预测控制方法和系统 | |
CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
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 | |
CN110856134B (zh) | 一种基于无人机的大规模无线传感器网络数据收集方法 | |
CN108990383B (zh) | 一种数据中心空调系统预测控制方法 | |
CN104019526B (zh) | 改进pso算法模糊自适应pid温湿度控制系统及方法 | |
CN108413567B (zh) | 基于物联网的中央空调节费优化方法与系统 | |
CN113283156B (zh) | 一种基于深度强化学习的地铁站空调系统节能控制方法 | |
CN105320118B (zh) | 基于云平台的空调系统电力需求响应控制方法 | |
CN109945402A (zh) | 一种中央空调水系统节能方法 | |
CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
CN111351180A (zh) | 一种运用人工智能实现数据中心节能温控的系统及方法 | |
CN108895618B (zh) | 基于神经网络的空调控制方法 | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
CN115220351B (zh) | 一种基于云边端的建筑空调系统智能节能优化控制方法 | |
CN113902582A (zh) | 一种楼宇综合能源负荷预测方法及系统 | |
CN114383299A (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
CN114154677A (zh) | 空调运行负荷模型构建和预测方法、装置、设备和介质 | |
CN116384700A (zh) | 一种基于数据挖掘的中央空调系统能源效率优化方法 | |
CN116266253A (zh) | 空调参数的优化控制方法、系统和计算机可读存储介质 | |
CN113268913B (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 | |
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 | |
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 | |
CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 |
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 |