CN112781184A - 一种空调系统智能降耗方法和系统 - Google Patents

Abstract

本发明提供一种空调系统智能降耗方法和系统，应用于地铁站、汽车站、高铁站等车站，其中所述方法包括：根据空调管理的舒适度调整目标、能效调整目标，确定舒适度调整模型和能耗调整模型；确定能效最低目标；根据数据监测点的传感器采集数据测试点的环境参数，并根据环境参数以及建筑自动化控制系统的参数进行分析，以确定节能降耗混合策略，使空调系统高效节能稳定运行；通过动态在线学习历史数据，迭代产生操作策略数据表，其中所述操作策略数据表中包括历史环境参数和建筑自动化控制系统的历史参数与调整策略的对应关系；根据当前环境参数以及建筑自动化控制系统的当前参数，查询所述操作策略数据表以确定当前的操作策略。

Description

一种空调系统智能降耗方法和系统

技术领域

本发明实施例涉及数据处理和自动控制技术领域，特别涉及应用于地铁站、车站、高铁站等车站空调系统智能降耗方法和系统。

背景技术

随着我国城市化进程的不断推进，对于空调的依赖也越来越强；在很多公共场所都需要用空调系统来调节环境温度以为人群提供更为舒适的环境。但是在地铁、车站、高铁站等空间巨大且人流密集的区域，其空调运行时间长且覆盖区域广，导致能耗问题非常突出。

对于地铁、车站、高铁下的空调系统，虽然大部分安装了建筑自动化控制系统(Building Automation System，BAS)或环境与设备监控系统(Equipment Monitoring&Control System，EMCS)以实现对空调系统数据采集处理，并进而对空调系统设备统一进行监测和控制，从而实现自动控制以达到节能目的。但传统的BAS系统对空调的控制只能实现简单的点动启停控制与联锁保护，并显示冷却塔、冷却水系统、冷水机组、风机等设备的运行状态及环境温湿度等参数。BAS系统不能根据环境参数对这些设备和系统进行统一的协调与优化控制。

传统的地铁、车站、高铁空调系统，设备系统均按最大热负载条件全负荷运行，同时冷水机组、冷冻水泵、冷却水泵及冷却风机的容量是分局建筑物最大设计热负荷选定的，且留有一定的余量。外界温度随四季昼夜变化以及建筑内工作运营时段与非工作运营时段的热负荷相差较大，使得空调系统的热负荷在绝大部分时间里远比设计符合低，也就是说空调系统大部分时间实际运行在低负荷状态下；这样造成巨大的能源浪费。同时如果想要对现有的BAS系统进行彻底的替换，则会导致成果过高。

发明内容

针对现有技术中存在BAS系统控制不够合理导致空调系统能源浪费的问题，本发明实施例提出了一种空调系统智能降耗方法，以在现有的BAS系统的基础上对空调系统进行更为精确的控制以降低能耗。

一方面，本发明实施例提出了一种空调系统智能降耗方法，包括：

根据空调管理的舒适度调整目标、能效调整目标，确定舒适度调整模型和能效调整模型；

根据数据监测点的传感器采集数据测试点的环境参数，并根据环境参数以及建筑自动化控制系统的参数进行分析，以确定根据CO₂浓度调整空调能耗的节能降耗混合策略；

通过动态在线学习历史数据迭代产生操作策略数据表，其中所述操作策略数据表中包括历史环境参数和建筑自动化控制系统的历史参数与调整策略的对应关系；根据当前环境参数以及建筑自动化控制系统的当前参数，查询所述操作策略数据表以确定当前的操作策略。

在一些实施例中，所述通过动态在线学习历史数据迭代产生操作策略数据表，包括：

将各测点数据的变化范围划分为至少两个范围区间，确定数据所属的范围区间，并在该区间范围内通过机器学习的方式对数据进行学习。

在一些实施例中，所述舒适度调整目标为空气分布特性指标ADPI，即满足预定风速和温度要求的测点数与总测点数之比；所述舒适度调整目标通过以下公式计算：

ΔET＝(t_i-t_n)-7.66(u_i-0.15)

其中，ΔET为有效温度差：t_i和t_i分别为测量区域内的空气温度和作为调整目标的室内设计温度；u_i为测量区域的空气流速；其中-1.7＜ΔET＜1.1的测点数为温度在-1.7＜ΔET＜1.1的测试点数，总测点数为测试点的总数。

在一些实施例中，所述舒适度调整目标为空气分布特性指标ADPI>80％。

在一些实施例中，所述能效调整目标包括：制冷能效比和制热能效比；

制冷能效比EER通过以下公式计算：

其中Qc指单位时间内的名义制冷量；W表示单位时间内空调器所消耗的功率；

制热能效比COP通过以下公式计算：

其中Q_h指单位时间内的名义制热量；W表示单位时间内空调器所消耗的功率。

在一些实施例中，当相同或相似的环境条件下，选择能耗最低的一种设备运行状态。

另一方面，本发明实施例提出了一种空调系统智能降耗系统，包括：

确定模块，用于根据空调管理的舒适度调整目标、能效调整目标，确定舒适度调整模型和能效调整模型；

分析模块，用于根据数据监测点的传感器采集数据测试点的环境参数，并根据环境参数以及建筑自动化控制系统的参数进行分析，以确定根据CO₂浓度调整空调能耗的节能降耗混合策略；

调整模块，用于通过动态在线学习历史数据迭代产生操作策略数据表，其中所述操作策略数据表中包括历史环境参数和建筑自动化控制系统的历史参数与调整策略的对应关系；根据当前环境参数以及建筑自动化控制系统的当前参数，查询所述操作策略数据表以确定当前的操作策略。

在一些实施例中，所述调整模块，用于执行以下操作：

将各测点数据的变化范围划分为至少两个范围区间，确定数据所属的范围区间，并在该区间范围内通过机器学习的方式对数据进行学习。

在一些实施例中，所述舒适度调整目标为空气分布特性指标ADPI，即满足预定风速和温度要求的测点数与总测点数之比；所述舒适度调整目标通过以下公式计算：

ΔET＝(t_i-t_n)-7.66(u_i-0.15)

其中，ΔET为有效温度差：t_i和t_i分别为测量区域内的空气温度和作为调整目标的室内设计温度；u_i为测量区域的空气流速；其中-1.7＜ΔET＜1.1的测点数为温度在-1.7＜ΔET＜1.1的测试点数，总测点数为测试点的总数。

在一些实施例中，所述能效调整目标包括：制冷能效比和制热能效比；

制冷能效比EER通过以下公式计算：

其中Qc指单位时间内的名义制冷量；W表示单位时间内空调器所消耗的功率；

制热能效比COP通过以下公式计算：

其中Q_h指单位时间内的名义制热量；W表示单位时间内空调器所消耗的功率。

本发明的上述技术方案的有益效果如下：本发明实施例提出了一种空调系统智能降耗方法和系统，应用于地铁、车站、高铁等开放型空间，以对空调系统进行智能降耗。上述实施例利用现有的BAS系统，并额外增加数据采集所需的价格并不昂贵的多种类型传感器，通过机器学习、在线学习的方法，结合空调系统的运行特点，自动化、智能化控制，实现地铁、车站、高铁空调系统的智能降耗。

附图说明

图1为本发明实施例的方法流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明实施例的技术方案是从可持续发展出发，提出一种空调系统智能降耗方法和系统，可以广泛的应用于地铁、车站、高铁车站等空间巨大且人流密集的区域。本发明实施例的技术方案利用现有的BAS系统，并额外增加数据采集所需的价格并不昂贵的多种类型传感器，通过机器学习、在线学习的方法，结合空调系统的运行特点，实现自动化和智能化控制，实现地铁、车站、高铁空调系统的智能降耗。

如图1所示为本发明实施例的空调系统智能降耗方法和系统

提出基于三个目标的智能降耗模型，具体三个目标如下：

目标一：舒适度指标ADPI>80％

利用现有的空气分布特性指标(ADPI)作为舒适度评价指标之一。ADPI定义为满足规定风速和温度要求的测点数与总测点数之比。ADPI的值越大，说明感到舒适的人群比例越大。一般来说，应使当前环境舒适度指标ADPI>80％。

其计算公式为：

ΔET＝(t_i-t_n)-7.66(u_i-0.15)

其中：ΔET为有效温度差，单位为℃；t_i和t_i分别为测量区域的空气温度和作为调整目标的室内设计温度，单位为℃；u_i为测量区域的空气流速，单位为m/s。

目标二：能效比最好

能效比是能源转换效率之比。能效比越大，表明当前中央空调运行时能源转换效率越高，那么节省的电能就越多。

空调的能效比也分制冷能效比和制热能效比两种；制冷能效比EER是空调器的制冷性能系数，称为制冷能效比，表示空调器单位功率下的制冷量；其计算公式如下：

其中Qc指单位时间内的名义制冷量，单位为kW；W表示单位时间内空调器所消耗的功率，单位kW；

制热能效比COP是空调器的制热性能系数，称为制热能效比，表示空调器单位功率下的制热量；其计算公式如下：

其中Q_h指单位时间内的名义制热量，单位为kW；W表示单位时间内空调器所消耗的功率，单位kW。

目标三：能耗最低

在相同或相似的环境条件下，不同的设备运行状况会带来不同的能耗，此时我们需要选择能耗最低的一种设备运行状态。

针对于上述的三个目标，本发明实施例提出了一种空调系统智能降耗方法，如图1所示的包括：

多维稳态节能降耗的混合策略。针对空调系统添加安装一定数量的数据监测点传感器，例如：温度传感器、风速传感器、湿度传感器、PM2.5测试传感器、CO₂浓度传感器，等。这些传感器的成本并不高。在环境条件下，围绕前述的三个目标作为三个维度，对这些大量的传感器数据以及BAS系统的数据进行充分有效的分析，给出最优的节能降耗混合策略，使空调系统高效节能稳定运行。

基于数据编码的动态演变学习策略：通过动态在线学习历史数据，迭代产生最优操作策略数据表的形成；这样就无需再从所有数据计算最优策略，只需判断当前环境条件所处的数据编码，再从存储的最优操作策略数据表中快速高效的提取相应的操作策略。

自适应的编码策略：通过机器学习的方式对数据本身进行学习，通过数据本身各维度的变化范围精度形成变量的等级编码来表示策略信息。

本发明实施例提出了一种空调系统智能降耗方法，包括：

根据空调管理的舒适度调整目标、能效调整目标，确定舒适度调整模型和能效调整模型；

根据数据监测点的传感器采集数据测试点的环境参数，并根据环境参数以及建筑自动化控制系统的参数进行分析，以确定根据CO2浓度调整空调能耗的节能降耗混合策略；

通过动态在线学习历史数据迭代产生操作策略数据表，其中所述操作策略数据表中包括历史环境参数和建筑自动化控制系统的历史参数与调整策略的对应关系；根据当前环境参数以及建筑自动化控制系统的当前参数，查询所述操作策略数据表以确定当前的操作策略。

在一些实施例中，所述通过动态在线学习历史数据迭代产生操作策略数据表，包括：

将各测点数据的变化范围划分为至少两个范围区间，确定数据所属的范围区间，并在该区间范围内通过机器学习的方式对数据进行学习。

在一些实施例中，所述舒适度调整目标为空气分布特性指标ADPI，即满足预定风速和温度要求的测点数与总测点数之比；所述舒适度调整目标通过以下公式计算：

ΔET＝(t_i-t_n)-7.66(u_i-0.15)

其中，ΔET为有效温度差：t_i和t_i分别为测量区域内的空气温度和作为调整目标的室内设计温度；u_i为测量区域的空气流速；其中-1.7＜ΔET＜1.1的测点数为温度在-1.7＜ΔET＜1.1的测试点数，也就是位于舒适区间的测试点的数字。舒适区间即温度在-1.7＜ΔET＜1.1这一区间。总测点数为测试点的总数。

在一些实施例中，所述舒适度调整目标为空气分布特性指标ADPI>80％。

在一些实施例中，所述能效调整目标包括：制冷能效比和制热能效比；

制冷能效比EER通过以下公式计算：

其中Qc指单位时间内的名义制冷量；W表示单位时间内空调器所消耗的功率；

制热能效比COP通过以下公式计算：

其中Q_h指单位时间内的名义制热量；W表示单位时间内空调器所消耗的功率。

在一些实施例中，当相同或相似的环境条件下，选择能耗最低的一种设备运行状态。

另一方面，本发明实施例提出了一种空调系统智能降耗系统，包括：

确定模块，用于根据空调管理的舒适度调整目标、能效调整目标，确定舒适度调整模型和能效调整模型；

分析模块，用于根据数据监测点的传感器采集数据测试点的环境参数，并根据环境参数以及建筑自动化控制系统的参数进行分析，以确定根据CO₂浓度调整空调能耗的节能降耗混合策略；

调整模块，用于通过动态在线学习历史数据迭代产生操作策略数据表，其中所述操作策略数据表中包括历史环境参数和建筑自动化控制系统的历史参数与调整策略的对应关系；根据当前环境参数以及建筑自动化控制系统的当前参数，查询所述操作策略数据表以确定当前的操作策略。

在一些实施例中，所述调整模块，用于执行以下操作：

将各测点数据的变化范围划分为至少两个范围区间，确定数据所属的范围区间，并在该区间范围内通过机器学习的方式对数据进行学习。

在一些实施例中，所述舒适度调整目标为空气分布特性指标ADPI，即满足预定风速和温度要求的测点数与总测点数之比；所述舒适度调整目标通过以下公式计算：

ΔET＝(t_i-t_n)-7.66(u_i-0.15)

其中，ΔET为有效温度差：t_i和t_i分别为测量区域内的空气温度和作为调整目标的室内设计温度；u_i为测量区域的空气流速；其中-1.7＜ΔET＜1.1的测点数为温度在-1.7＜ΔET＜1.1的测试点数，总测点数为测试点的总数。

在一些实施例中，所述能效调整目标包括：制冷能效比和制热能效比；

制冷能效比EER通过以下公式计算：

其中Qc指单位时间内的名义制冷量；W表示单位时间内空调器所消耗的功率；

制热能效比COP通过以下公式计算：

其中Q_h指单位时间内的名义制热量；W表示单位时间内空调器所消耗的功率。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种空调系统智能降耗方法，其特征在于，包括：

根据空调管理的舒适度调整目标、能效调整目标，确定舒适度调整模型和能效调整模型；

根据数据监测点的传感器采集数据测试点的环境参数，并根据环境参数以及建筑自动化控制系统的参数进行分析，以确定根据CO₂浓度调整空调能耗的节能降耗混合策略；

通过动态在线学习历史数据迭代产生操作策略数据表，其中所述操作策略数据表中包括历史环境参数和建筑自动化控制系统的历史参数与调整策略的对应关系；根据当前环境参数以及建筑自动化控制系统的当前参数，查询所述操作策略数据表以确定当前的操作策略。

2.根据权利要求1所述的空调系统智能降耗方法，其特征在于，所述通过动态在线学习历史数据迭代产生操作策略数据表，包括：

将各测点数据的变化范围划分为至少两个范围区间，确定数据所属的范围区间，并在该区间范围内通过机器学习的方式对数据进行学习。

3.根据权利要求1所述的空调系统智能降耗方法，其特征在于，所述舒适度调整目标为空气分布特性指标ADPI，即满足预定风速和温度要求的测点数与总测点数之比；所述舒适度调整目标通过以下公式计算：

ΔET＝(t_i-t_n)-7.66(u_i-0.15)

其中，ΔET为有效温度差：t_i和t_i分别为测量区域内的空气温度和作为调整目标的室内设计温度；u_i为测量区域的空气流速；其中-1.7＜ΔET＜1.1的测点数为温度在-1.7＜ΔET＜1.1的测试点数，总测点数为测试点的总数。

4.根据权利要求3所述的空调系统智能降耗方法，其特征在于，所述舒适度调整目标为空气分布特性指标ADPI>80％。

5.根据权利要求1所述的空调系统智能降耗方法，其特征在于，所述能效调整目标包括：制冷能效比和制热能效比；

制冷能效比EER通过以下公式计算：

其中Qc指单位时间内的名义制冷量；W表示单位时间内空调器所消耗的功率；

制热能效比COP通过以下公式计算：

其中Q_h指单位时间内的名义制热量；W表示单位时间内空调器所消耗的功率。

6.根据权利要求1所述的空调系统智能降耗方法，其特征在于，当相同或相似的环境条件下，选择能耗最低的一种设备运行状态。

7.一种空调系统智能降耗系统，其特征在于，包括：

确定模块，用于根据空调管理的舒适度调整目标、能效调整目标，确定舒适度调整模型和能效调整模型；

分析模块，用于根据数据监测点的传感器采集数据测试点的环境参数，并根据环境参数以及建筑自动化控制系统的参数进行分析，以确定根据CO₂浓度调整空调能耗的节能降耗混合策略；

调整模块，用于通过动态在线学习历史数据迭代产生操作策略数据表，其中所述操作策略数据表中包括历史环境参数和建筑自动化控制系统的历史参数与调整策略的对应关系；根据当前环境参数以及建筑自动化控制系统的当前参数，查询所述操作策略数据表以确定当前的操作策略。

8.根据权利要求7所述的空调系统智能降耗系统，其特征在于，所述调整模块，用于执行以下操作：

将各测点数据的变化范围划分为至少两个范围区间，确定数据所属的范围区间，并在该区间范围内通过机器学习的方式对数据进行学习。

9.根据权利要求7所述的空调系统智能降耗系统，其特征在于，所述舒适度调整目标为空气分布特性指标ADPI，即满足预定风速和温度要求的测点数与总测点数之比；所述舒适度调整目标通过以下公式计算：

ΔET＝(t_i-t_n)-7.66(u_i-0.15)

其中，ΔET为有效温度差：t_i和t_i分别为测量区域内的空气温度和作为调整目标的室内设计温度；u_i为测量区域的空气流速；其中-1.7＜ΔET＜1.1的测点数为温度在-1.7＜ΔET＜1.1的测试点数，总测点数为测试点的总数。

10.根据权利要求7所述的空调系统智能降耗系统，其特征在于，所述能效调整目标包括：制冷能效比和制热能效比；

制冷能效比EER通过以下公式计算：

其中Qc指单位时间内的名义制冷量；W表示单位时间内空调器所消耗的功率；

制热能效比COP通过以下公式计算：

其中Q_h指单位时间内的名义制热量；W表示单位时间内空调器所消耗的功率。

Images