CN112650061B - 一种基于区间模糊的暖通空调节能预测控制方法 - Google Patents

一种基于区间模糊的暖通空调节能预测控制方法 Download PDF

Info

Publication number
CN112650061B
CN112650061B CN202011562905.XA CN202011562905A CN112650061B CN 112650061 B CN112650061 B CN 112650061B CN 202011562905 A CN202011562905 A CN 202011562905A CN 112650061 B CN112650061 B CN 112650061B
Authority
CN
China
Prior art keywords
prediction
model
optimization
temperature
heating
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
CN202011562905.XA
Other languages
English (en)
Other versions
CN112650061A (zh
Inventor
陈勇
乔振勇
潘成伟
刘越智
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.)
University of Electronic Science and Technology of China
Sichuan Institute of Building Research
Original Assignee
University of Electronic Science and Technology of China
Sichuan Institute of Building Research
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 University of Electronic Science and Technology of China, Sichuan Institute of Building Research filed Critical University of Electronic Science and Technology of China
Priority to CN202011562905.XA priority Critical patent/CN112650061B/zh
Publication of CN112650061A publication Critical patent/CN112650061A/zh
Application granted granted Critical
Publication of CN112650061B publication Critical patent/CN112650061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于区间模糊的暖通空调节能预测控制方法，包括干扰的区间模糊预测、模型预测优化目标的设计、模型预测优化约束条件的分析及优化控制器的求解。本发明针对单个房间的暖通空调系统系统模型，建立了离散化的线性系统状态空间模型。针对其对节能和温度控制的要求，结合系统目标优化的约束条件，设计了一种能量优化和温度控制跟踪优化的模型预测控制方法。本发明能够有效解决单个房间暖通空调系统系统的节能和温度控制问题。

Description

一种基于区间模糊的暖通空调节能预测控制方法
技术领域
本发明属于单个房间暖通空调系统系统的区间模糊预测控制技术领域，更为具体地讲，涉及一种基于区间模糊的暖通空调节能预测控制方法。
背景技术
目前，暖通空调以其温度控制的高效性，低成本，能够与建筑物融为一体等优点，被广泛应用。而世界各大国的建筑物的耗电量占国家总耗电量的比重越来越来大，美国的建筑物耗电占耗电总量的70％，中国占一次能源的35％。而其中暖通空调有占据楼宇耗电的40％。因此，对暖通空调系统的节能优化控制吸引着越来越多学者的关注。暖通空调系统系统是一个复杂的非线性系统模型，且所处的环境多变，使得系统极易受到外界扰动的影响。为了能够实现暖通空调系统系统的节能控制目标，文献[“Optimal Control ofMultiroom暖通空调系统System:An Event-Based Approach”(Zjjiang Wu,Qing-ShanJia,Xiao Guan,IEEE Transactions on Control Systems and Technology,2016,24(2):662-669.)]研究了在复杂暖通空调系统系统模型下，针对节能优化问题的状态和策略空间增长的问题，提出了基于时间的趋近优化策略，大大缩小了状态空间和优化的策略空间，对于暖通空调系统系统的节能优化求解有很好的效果。然而，暖通空调系统系统的不确定性干扰和温度控制问题被忽略。文献[“Energy Optimization of暖通空调系统Systems inCommercial Buildings Considering Indoor Air Quality Management”(Liang Yu,DiXie,Chongxin Huang,Tao Jiang,and Yulong Zou,IEEE Transactions on Smart Grid,2019,10(5):5103-5113]中，作者用最优化理论，针对于暖通空调系统系统的设定温度跟踪和能量都进行了优化探究，并且进行了空气质量的优化探究。然而，对于参数的不确定性和不确定干扰只进行了简单的区间约束，未能精确地得到系统干扰的预测区间，从而影响温度跟踪的精度，且系统输出温度有较大的波动。文献[“暖通空调系统Energy CostOptimization for a Multizone Building via a Decentralized Approach”(Yu Yang,Guoqiang Hu,Costas J Spanos,IEEE Transactions on Automation ence andEngineering,2020,PP(99):1-11.)]研究了分散化的暖通空调系统系统能量优化算法，解决了复杂混合暖通空调系统系统的非线性和非凸问题，然而对于外界扰动温度只做了简单的加权平均估计，从而使得外界扰动温度引起室内温度的高频变化。
发明内容
本发明的目的在于克服现有技术的不足，针对多针对单个房间内暖通空调系统系统的干扰不确定性，提供一种基于区间模糊的暖通空调节能预测控制方法，对其能量和温度控制效果进行预测和控制优化。
为实现上述目的，本发明基于区间模糊的暖通空调节能预测控制方法，其特征在于，包括单个房间的暖通空调系统建模、基于区间模糊的干扰预测和约束条件分析、优化目标函数的建立、优化问题的求解，具体而言，包括以下步骤：
(1)、针对于暖通空调系统系统的单个房间热交换电气关系，建立了暖通空调系统系统的离散线性状态空间模型，并给出了系统的预测模型；
(2)、针对其线性化过程系统干扰不确定性，设计了一种基于区间模糊的干扰预测模型，并基于此干扰预测模型对系统的预测模型约束条件进行分析；
(3)、针对暖通空调系统系统的节能和温度控制问题，设计了能量和温度设定值跟踪的优化目标函数；
(4)、结合预测模型的约束条件确定目标函数优化的可行域，求出最优化的预测控制输入，实现单个房间暖通空调系统系统的节能温度控制目标。
根据单个房间的暖通空调系统系统结构及其热交换关系，基于基本的电气理论，建立单房间的暖通空调电气模型，进一步对此电气模型进行离散化和线性化，建立暖通空调系统的离散化线性状态空间模型xk+1＝Akxk+Bkuk+Dωk。将模型预测的控制量代入到系统状态空间模型中，得到预测模型
Figure BDA0002859855460000021
其中
Figure BDA0002859855460000022
为基于区间模糊的干扰预测值。
考虑到外界扰动的物理量是环境温度和载荷能量，因此干扰具有有界性
Figure BDA0002859855460000023
利用区间模糊预测理论首先给出干扰的预测模型，再基于预测误差的概率分布特性求出外界扰动的模糊预测区间
Figure BDA0002859855460000024
其中fTS为干扰的预测模型，ITS为干扰预测方差。由于系统暖通空调系统模型的状态和输入物理量是有界的温度或者能量，模型存在对状态和输入的约束，即有Guk≤1，Hxk≤1。考虑到系统状态不能直接作为预测优化的约束变量，因此可以考虑预测误差的约束条件Fej|k≤ρk+j，其中ρk+j为相应时刻的最差预测偏差。而这一结果的产生是由于对外界扰动预测的偏差最差引起的，因此可以得到误差约束条件
Figure BDA0002859855460000031
其中
Figure BDA0002859855460000032
且
Figure BDA0002859855460000033
为了实现暖通空调系统系统的节能预测控制目标，针对于温度跟踪优化和能量优化的目的，设计出带有自校正的预测控制目标优化函数为
Figure BDA0002859855460000034
将暖通空调系统状态约束、输入约束、预测误差约束和系统预测模型构成目标优化的可行域，求解如下目标优化问题
Figure BDA0002859855460000035
Figure BDA0002859855460000036
Guj+1|k≤1
Figure BDA0002859855460000037
Figure BDA0002859855460000038
j＝0,…,N-1
Figure BDA0002859855460000039
h0＝Dγk,0ITS(ωk)
Figure BDA00028598554600000310
从而得到针对单个房间的暖通空调系统的预测控制输入。
本发明的目的是这样实现的：
本发明基于区间模糊的暖通空调节能预测控制方法，包括干扰的区间模糊预测、模型预测优化目标的设计、模型预测优化约束条件的分析及优化控制器的求解。本发明针对单个房间的暖通空调系统系统模型，建立了离散化的线性系统状态空间模型。针对其对节能和温度控制的要求，结合系统目标优化的约束条件，设计了一种能量优化和温度控制跟踪优化的模型预测控制方法。本发明能够有效解决单个房间暖通空调系统系统的节能和温度控制问题。
附图说明
图1为本发明涉及的单个房间暖通空调系统系统的控制模块关系图；
图2为本发明控制系统的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
下面以单个房间的暖通空调系统为例，结合附图详细描述本发明的技术方案。
如图2所示，本发明涉及暖通空调系统的建模、模型预测的设计、状态估计器的设计、目标滚动优化的设计和区间模糊逻辑的干扰预测。如图1所示，为了简化系统的模型，考虑由空气处理机组(AHU)和包含多个变风量箱(VAV)组成的风扇来控制热区网络的风力温度和流速的单个房间暖通空调系统模型。假设系统采样时间为Δ，供给房间的空气温度Ts受到由AHU产生的冷却温差ΔTc和VAV控制的加热温差ΔTc的控制，空气再循环率δ为一个常数，空气质量流量表示为
Figure BDA0002859855460000041
根据其电气特性可以建立如下的暖通空调电气模型：
Figure BDA0002859855460000042
则该暖通空调系统系统的单个房间的控制系统状态空间模型为：
xk+1＝Akxk+Bkuk+Dωk (2)
其中
Figure BDA0002859855460000043
注解1：对于(2)式所表示的系统模型，其中状态变量的选取为xk＝[T1,k T2,k]T，
Figure BDA0002859855460000044
外界扰动表示为ωk＝[Ta,k Pd,k]T。其中Ta和Pd为环境温度和内部负载。空调系统供给房间的温度可控制方程可以表示为
Ts＝δT1+(1-δ)Ta-ΔTc+ΔTh (3)
暖通空调系统系统的功率消耗表示为
Figure BDA0002859855460000045
基于区间模糊预测的系统条件约束分析
在本发明中，考虑到系统输入为空气流量和控制温差，受到供给系统的能源限制而存在一定的约束，即有：
Guk≤1 (5)
由于系统状态为环境温度，考虑到人生存环境的温度处在一定的区间内，且也要保证室内温度尽可能的舒适。因此，可以对系统状态有如下约束：
Hxk≤1 (6)
式(2)可以看出，系统外界扰动是由环境温度和内部负载组成，由于温度和能量的约束。因此外界扰动可以有如下约束：
Figure BDA0002859855460000051
由于外界扰动一般情况下是不可测，首先，利用一个模糊模型来对其进行估计：
Figure BDA0002859855460000052
其中，
Figure BDA0002859855460000053
为模糊模型输入矩阵，ηk,l表示模糊模型的隶属度，
Figure BDA0002859855460000054
是预测模型的单个回归函数，
Figure BDA0002859855460000055
为回归向量，θl为预测参数向量。
模型输出值也即是外界扰动的估计方差
Figure BDA0002859855460000056
可以表示为：
Figure BDA0002859855460000057
其中
Figure BDA0002859855460000058
为模糊模型估计的误差协方差，即
Figure BDA0002859855460000059
Φl为具有一定时间序列下的回归向量，定义为Φl＝[ψ1,l ψ1,l … ψM,l]。
从而可以得到外界扰动的模糊预测结果为
Figure BDA00028598554600000510
其中γk,j为校正参数。也即有：
Figure BDA00028598554600000511
预测模型分析
根据(2)式所表示的系统模型，可以得到系统的预测模型为：
Figure BDA00028598554600000512
Figure BDA00028598554600000513
考虑到在预测过程中，系统真实状态值并未直接用于对目标函数的优化中，因此令
Figure BDA0002859855460000061
表示预测误差，对于一个稳定的控制系统，要使得预测误差有界，则令：
Fej|k≤ρk+j (14)
其中ρk+j表示相应时刻预测误差上界，表示当前时刻最坏的预测结果偏差值。由式(5)
Figure BDA0002859855460000062
假设相应时刻的预测偏差最大值表示为hj＝maxej|k，而预测偏差的产生主要来自于系统外界干扰的不确定性变量，因此可以得到最差的预测误差值满足：
Figure BDA0002859855460000063
其中
Figure BDA0002859855460000064
就是由于区间模糊预测过程产生的干扰估计最大误差，即
Figure BDA0002859855460000065
从而可以将约束条件式(15)转换为：
Figure BDA0002859855460000066
模型预测控制算法设计
在本发明中，为了实现对暖通空调系统系统温度的准确控制和节能目标，首先设计预测控制优化目标如下：
Figure BDA0002859855460000067
为了能够实现模型预测过程中的反馈自校正，可以在上述式(18)表示的节能温度控制优化目标的基础上对系统的估计误差进行校正，设计目标函数为：
Figure BDA0002859855460000068
其中λk表示预测误差优化权重，zk表示输出预测与干扰预测矩阵，即
Figure BDA0002859855460000069
综合前述系统变量约束分析和目标函数的讨论，可以得到如下的模型预测优化问题：
Figure BDA0002859855460000071
从而可以得到区间模糊预测控制输入值。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于区间模糊的暖通空调节能预测控制方法，其特征在于，包括单个房间的暖通空调系统建模、基于区间模糊的干扰预测和条件约束分析、优化目标函数的建立、优化问题的求解，具体为：
(1)、单个房间的暖通空调系统建模：考虑由空气处理机组(AHU)和包含多个变风量箱(VAV)组成的风扇来控制热区网络的风力温度和流速的单个房间暖通空调系统模型；设系统采样时间为Δ，供给房间的空气温度Ts受到由AHU产生的冷却温差ΔTc和VAV控制的加热温差ΔT c的控制，空气再循环率δ为一个常数，空气质量流量表示为
Figure FDA0004040430180000011
根据其电气特性可以建立如下的暖通空调电气模型：
Figure FDA0004040430180000012
则该暖通空调系统的单个房间的控制系统状态空间模型为：xk+1＝Akxk+Bkuk+Dωk，其中
Figure FDA0004040430180000013
Figure FDA0004040430180000014
状态变量的选取为xk＝[T1,k T2,k]T，
Figure FDA0004040430180000015
外界扰动表示为ωk＝[Ta,k Pd,k]T，Ta和Pd为环境温度和内部负，空调系统供给房间的温度可控制方程可以表示为：Ts＝δT1+(1-δ)Ta-ΔTc+ΔTh，暖通空调系统系统的功率消耗表示为：
Figure FDA0004040430180000016
(2)、基于区间模糊的干扰预测和条件约束分析：考虑到系统输入为空气流量和控制温差，受到供给系统的能源限制而存在一定的约束，即有uk≤1，由于系统状态为环境温度，考虑到人生存环境的温度处在一定的区间内，且也要保证室内温度尽可能的舒适，存在常数矩阵H，对系统状态有如下约束：Hxk≤1，系统外界扰动是由环境温度和内部负载组成，存在常数矩阵G，由于温度和能量的约束Guk≤1，外界扰动具有上下界
Figure FDA0004040430180000017
其中ω k,
Figure FDA0004040430180000018
分别表示干扰的上界和下界，由于外界扰动一般情况下是不可测，首先，利用一个模糊模型来对其进行估计：
Figure FDA0004040430180000019
其中
Figure FDA00040404301800000110
为模糊模型输入矩阵，ηk,l表示模糊模型的隶属度，
Figure FDA0004040430180000021
是预测模型的单个回归函数，
Figure FDA0004040430180000022
为回归向量，θl为预测参数向量，模型输出值也即是外界扰动的估计方差
Figure FDA0004040430180000023
可以表示为：
Figure FDA0004040430180000024
其中
Figure FDA0004040430180000025
为模糊模型估计的误差协方差，即
Figure FDA0004040430180000026
Φl为具有一定时间序列下的回归向量，定义为Φl＝[ψ1,l ψ1,l…ψM,l]，从而得到外界扰动的模糊预测结果为
Figure FDA0004040430180000027
其中γk,j为校正参数，也即有：
Figure FDA0004040430180000028
(3)由预测模型分析根据系统模型，得到系统的预测模型为：
Figure FDA0004040430180000029
考虑到在预测过程中，系统真实状态值并未直接用于对目标函数的优化中，因此令
Figure FDA00040404301800000210
表示预测误差，对于一个稳定的控制系统，存在常数矩阵F，要使得预测误差有界，则令：Fej|k≤ρk+j，其中ρk+j表示相应时刻预测误差上界，表示当前时刻最坏的预测结果偏差值，则有
Figure FDA00040404301800000211
相应时刻的预测偏差最大值表示为hj＝maxej|k，而预测偏差的产生主要来自于系统外界干扰的不确定性变量，因此可以得到最差的预测误差值满足：
Figure FDA00040404301800000212
其中
Figure FDA00040404301800000213
就是由于区间模糊预测过程产生的干扰估计最大误差，即
Figure FDA00040404301800000214
从而可以将约束条件转换为：
Figure FDA00040404301800000215
为了实现对暖通空调系统系统温度的准确控制和节能目标，首先设计预测控制优化目标如下：
Figure FDA00040404301800000216
为了能够实现模型预测过程中的反馈自校正，可以在上式表示的节能温度控制优化目标的基础上对系统的估计误差进行校正，设计目标函数为：
Figure FDA00040404301800000217
其中λk表示预测误差优化权重，zk表示输出预测与干扰预测矩阵，即
Figure FDA00040404301800000218
综合前述系统变量约束分析和目标函数的讨论，可以得到如下的模型预测优化问题：
Figure FDA00040404301800000219
Figure FDA00040404301800000220
Guj+1|k≤1
Figure FDA00040404301800000221
Figure FDA00040404301800000222
Figure FDA00040404301800000223
h0＝Dγk,0ITS(ωk)
Figure FDA00040404301800000224
从而可以得到区间模糊预测控制输入值。
CN202011562905.XA 2020-12-25 2020-12-25 一种基于区间模糊的暖通空调节能预测控制方法 Active CN112650061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011562905.XA CN112650061B (zh) 2020-12-25 2020-12-25 一种基于区间模糊的暖通空调节能预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011562905.XA CN112650061B (zh) 2020-12-25 2020-12-25 一种基于区间模糊的暖通空调节能预测控制方法

Publications (2)

Publication Number Publication Date
CN112650061A CN112650061A (zh) 2021-04-13
CN112650061B true CN112650061B (zh) 2023-03-10

Family

ID=75363449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011562905.XA Active CN112650061B (zh) 2020-12-25 2020-12-25 一种基于区间模糊的暖通空调节能预测控制方法

Country Status (1)

Country Link
CN (1) CN112650061B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5311421A (en) * 1989-12-08 1994-05-10 Hitachi, Ltd. Process control method and system for performing control of a controlled system by use of a neural network
CN103064285A (zh) * 2012-12-29 2013-04-24 杭州电子科技大学 一种基于模型的热泵供暖多目标优化控制方法
CN106527135A (zh) * 2016-11-21 2017-03-22 云南电网有限责任公司电力科学研究院 一种建筑能量管理系统优化控制方法和装置
CN106815655A (zh) * 2016-12-26 2017-06-09 浙江工业大学 基于模糊规则的光伏出力2d区间预测方法
CN108426351A (zh) * 2018-03-09 2018-08-21 广西大学 变风量空调系统响应电网频率调节的实时最优调度方法
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
CN111898814A (zh) * 2020-07-20 2020-11-06 四川省建筑科学研究院有限公司 一种中央空调能耗预测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10564612B2 (en) * 2016-06-30 2020-02-18 Johnson Controls Technology Company Variable refrigerant flow system with multi-level model predictive control
US11436691B2 (en) * 2017-04-04 2022-09-06 Board Of Regents, The University Of Texas System Systems and methods of managing energy cost of a building
US10705492B2 (en) * 2017-06-12 2020-07-07 PassiveLogic, Inc. Heuristic method of automated and learning control, and building automation systems thereof

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5311421A (en) * 1989-12-08 1994-05-10 Hitachi, Ltd. Process control method and system for performing control of a controlled system by use of a neural network
CN103064285A (zh) * 2012-12-29 2013-04-24 杭州电子科技大学 一种基于模型的热泵供暖多目标优化控制方法
CN106527135A (zh) * 2016-11-21 2017-03-22 云南电网有限责任公司电力科学研究院 一种建筑能量管理系统优化控制方法和装置
CN106815655A (zh) * 2016-12-26 2017-06-09 浙江工业大学 基于模糊规则的光伏出力2d区间预测方法
CN108426351A (zh) * 2018-03-09 2018-08-21 广西大学 变风量空调系统响应电网频率调节的实时最优调度方法
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
CN111898814A (zh) * 2020-07-20 2020-11-06 四川省建筑科学研究院有限公司 一种中央空调能耗预测方法及装置

Also Published As

Publication number Publication date
CN112650061A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Moon Performance of ANN-based predictive and adaptive thermal-control methods for disturbances in and around residential buildings
Liang et al. Thermal comfort control based on neural network for HVAC application
Pfeiffer et al. Control of temperature and energy consumption in buildings-a review.
Yuan et al. Multiple-zone ventilation and temperature control of a single-duct VAV system using model predictive strategy
CN101782261B (zh) 暖通空调系统的非线性自适应节能控制方法
Sun et al. A dynamic control strategy of district heating substations based on online prediction and indoor temperature feedback
CN104019520A (zh) 基于spsa的制冷系统最小能耗的数据驱动控制方法
Goyal et al. Effect of various uncertainties on the performance of occupancy-based optimal control of HVAC zones
CN113203187B (zh) 基于部分线性模型的建筑暖通空调负荷优化控制方法
CN111649457B (zh) 一种动态预测性机器学习型空调节能控制方法
CN108006915B (zh) 空调控制方法及空调器
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
Lei et al. Predictive control of multi-zone variable air volume air-conditioning system based on radial basis function neural network
Petrie et al. Energy efficient control methods of HVAC systems for smart campus
Mei et al. Energy-efficient optimal guaranteed cost intermittent-switch control of a direct expansion air conditioning system
Sha et al. A control strategy of heating system based on adaptive model predictive control
CN112650061B (zh) 一种基于区间模糊的暖通空调节能预测控制方法
Mei et al. Multi-zone building temperature control and energy efficiency using autonomous hierarchical control strategy
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
Martinčević et al. Comfort control in buildings with adherence to the required thermal energy input in zones
CN115935604A (zh) 一种换流站暖通系统节能控制方法及终端
Chang et al. Energy efficient thermal comfort predictive control for household heat metering room
Chen et al. Optimal power dispatch for district cooling system considering cooling water transport delay
Wang et al. Genetic optimization algorithm of PID decoupling control for VAV air-conditioning system
Liu et al. Fuzzy pid controller design of air handling unit for constant temperature and humidity air-conditioning

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