CN112966707B - 通用暖通空调设备模型自动化辨识方法及系统 - Google Patents

通用暖通空调设备模型自动化辨识方法及系统 Download PDF

Info

Publication number
CN112966707B
CN112966707B CN202011533872.6A CN202011533872A CN112966707B CN 112966707 B CN112966707 B CN 112966707B CN 202011533872 A CN202011533872 A CN 202011533872A CN 112966707 B CN112966707 B CN 112966707B
Authority
CN
China
Prior art keywords
model
data
automatically
precision
equipment
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
CN202011533872.6A
Other languages
English (en)
Other versions
CN112966707A (zh
Inventor
孙强
陈杰军
潘杭萍
李怀
刘伟
黄巍
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.)
State Grid Suzhou Urban Energy Research Institute Co ltd
China Academy of Building Research CABR
Original Assignee
State Grid Suzhou Urban Energy Research Institute Co ltd
China Academy of Building Research CABR
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 State Grid Suzhou Urban Energy Research Institute Co ltd, China Academy of Building Research CABR filed Critical State Grid Suzhou Urban Energy Research Institute Co ltd
Priority to CN202011533872.6A priority Critical patent/CN112966707B/zh
Publication of CN112966707A publication Critical patent/CN112966707A/zh
Application granted granted Critical
Publication of CN112966707B publication Critical patent/CN112966707B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及一种通用暖通空调设备模型自动化辨识方法及系统,包括：读取设备上的数据，自动对各个输入参数与输出参数进行相关性计算，将相关性较高的参数作为模型的输入参数；自动对上述数据进行异常值识别计算，并删除识别后的异常值；利用上述数据自动进行模型建立，并自动计算不同模型的精度指标；根据计算出的精度指标选出精度最高的模型，将所述精度最高的模型作为该数据集下的最优设备模型，并输出所述精度最高的模型。本发明可靠性好，精度高。

Description

通用暖通空调设备模型自动化辨识方法及系统
技术领域
本发明涉及暖通空调系统优化控制的技术领域，尤其是指一种通用暖通空调设备模型自动化辨识方法及系统。
背景技术
据统计，建筑业消耗了全球能源的32％，从建筑的全生命周期角度进行能耗分析，发现运行与维护阶段的能耗可以占到建筑总生命周期能源消耗的80％-90％，而暖通空调系统运行能耗占到建筑能耗的50％-60％。如要实现暖通空调系统节能，可以通过对其实施能源管理与控制，确定能量管理、优化控制与节能运行三大方面的措施，而其中的核心之一就是对核心耗能设备进行合理的优化控制，尽可能减少“耗能大户”的能源消耗。空调系统节能核心之一就是对耗能设备的优化控制，其必要前提是精准、合理的设备模型。
在一般的空调系统中，空调冷源系统的能耗在空调系统能耗中居于核心的地位。根据相关统计，在典型的集中空调系统中，空调冷源系统，即制冷机组、冷冻水泵、冷却水泵、冷却塔等设备，在夏季供冷季的能耗可以占据到整个空调系统的60％-80％，因而空调冷源系统节能是开发空调系统节能潜力的重中之重。
模型辨识就是在输入输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。模型辨识有三个要素——数据、模型和准则，辨识就是按照一个准则在一组模型类中选择一个与数据拟合得最好的模型。暖通空调系统中涉及的种类繁多，常见的系统能源设备包括冷水机组、地源热泵机组、吸收式机组、热水锅炉等，动力设备包括水泵、风机等，末端设备包括风机盘管、新风一体机、换热盘管等。因不同设备的换热机理，传质、传热的过程不同，其运行阶段涉及参数也不相同，因此其模型对应的输入、输出参数也不相同。以冷水机组为例，冷水机组通过制冷剂循环，液态制冷剂在蒸发器中等温吸收变为气态制冷剂，带走冷冻水中多余的热量，将冷冻水冷却至设定温度；气态制冷剂在冷凝器中定压放热，将多余的热量传递给冷却水，通过冷却塔将热量释放至大气，如图1所示。因此，影响冷水机组运行特性的主要因素有冷冻水的进出水温度、冷冻水流量、冷却水的进出水温度、冷却水流量、冷水机组承担的冷负荷等。因此，在对冷水机组进行模型辨识时，输入参数可以是冷冻水的进出水温度、冷冻水流量、冷却水的进出水温度、冷却水流量、冷水机组承担的冷负荷，输出参数是冷水机组的运行能耗。
泵是把原动机的机械能转换成液体能量的机器。水泵用来增加液体的位能、压能、动能。原动机通过泵轴带动叶轮旋转，对液体作功，使其能量增加，从而使需要数量的液体，由吸水处经泵的过流部件输送到高处或要求压力的地方。因此，影响水泵运行特性的主要因素有泵的输送流量、泵的扬程等。因此，在对水泵进行模型辨识时，输入参数可以是输送流量、扬程等，输出参数是水泵的运行功率。
通过以上分析可以看出，在进行设备模型辨识研究时，由于设备运行机理不同，设备模型输入参数的维度各不相同。运行机理较复杂的设备可能有较大维度的模型输入参数，运行机理较简单的设备可能有较小维度的模型输入参数。
而空调系统类型复杂、设备种类繁多，对不同设备建立针对性的模型这一过程耗时耗力，且不能保证模型精度最优，这给基于模型的优化控制方法带来了极大的不稳定性。因此，如何建立一种针对不同类型设备的通用辨识方法是现阶段研究重点。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中模型精度不高，人为工作量大的问题，从而提供一种减少人为工作量的同时且能有效保证较高精度的通用暖通空调设备模型自动化辨识方法及系统。
为解决上述技术问题，本发明的一种通用暖通空调设备模型自动化辨识方法，包括：步骤S1：读取设备上的数据，自动对各个输入参数与输出参数进行相关性计算，将相关性较高的参数作为模型的输入参数；步骤S2：自动对上述数据进行异常值识别计算，并删除识别后的异常值；步骤S3：利用上述数据自动进行模型建立，并自动计算不同模型的精度指标；步骤S4：根据计算出的精度指标选出精度最高的模型，将所述精度最高的模型作为该数据集下的最优设备模型，并输出所述精度最高的模型。
在本发明的一个实施例中，自动对各个输入参数与输出参数进行相关性计算的方法为：保留相关性较大的参数，删除相关性较小的参数。
在本发明的一个实施例中，相关性计算的公式为：
其中，X为输入参数、Y为输出参数、N表示变量取值的个数、ρX，Y为X和Y的相关性系数。
在本发明的一个实施例中，自动对上述数据进行异常值识别计算的方法为：通过K-Means聚类分析算法识别异常数据。
在本发明的一个实施例中，利用上述数据自动进行模型建立时，对同一设备的历史运行数据建立不同设备模型，通过不同模型对数据进行拟合，得到各个模型的结果。
在本发明的一个实施例中，所述不同模型包括多项式模型、支持向量回归模型、神经网络模型。
在本发明的一个实施例中，自动计算不同模型的精度指标的方法为：通过评价指标计算拟合精度。
在本发明的一个实施例中，所述的评价指标是决定系数R2、平均绝对误差MAE、平均绝对百分比误差MAPE。
在本发明的一个实施例中，根据计算出的精度指标选出精度最高的模型的方法为：根据计算出的精度指标，通过对比评价指标，选出精度最高的模型。
本发明还提供了一种通用暖通空调设备模型自动化辨识系统，包括：计算模块，用于读取设备上的数据，自动对各个输入参数与输出参数进行相关性计算，将相关性较高的参数作为模型的输入参数；识别模块，用于自动对上述数据进行异常值识别计算，并删除识别后的异常值；模型建立模块，用于利用上述数据自动进行模型建立，并自动计算不同模型的精度指标；选择输出模块，用于根据计算出的精度指标选出精度最高的模型，将所述精度最高的模型作为该数据集下的最优设备模型，并输出所述精度最高的模型。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的通用暖通空调设备模型自动化辨识方法及系统，通过对实际设备的运行数据自动进行读取、相关性计算、异常值识别、模型建立、模型择优，最终实现了基于历史数据的设备模型辨识，输出结果为在该数据集下的最优模型。本发明针对不同设备均可实现以上过程，具有极大的通用型，且以上步骤均能自动实现，减少人为工作量的同时极大地提高了辨识精度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是制冷循环的原理示意图；
图2本发明通用暖通空调设备模型自动化辨识方法流程图；
图3是本发明神经网络原理图；
图4是本发明多项式模型下的部分模型输出值与实际值对比示意图；
图5是本发明支持向量机模型下的部分模型输出值与实际值对比示意图；
图6是本发明神经网络模型下的部分模型输出值与实际值对比示意图。
具体实施方式
实施例一
如图2所示，本实施例提供一种通用暖通空调设备模型自动化辨识方法，包括：步骤S1：读取设备上的数据，自动对各个输入参数与输出参数进行相关性计算，将相关性较高的参数作为模型的输入参数；步骤S2：自动对上述数据进行异常值识别计算，并删除识别后的异常值；步骤S3：利用上述数据自动进行模型建立，并自动计算不同模型的精度指标；步骤S4：根据计算出的精度指标选出精度最高的模型，将所述精度最高的模型作为该数据集下的最优设备模型，并输出所述精度最高的模型。
本实施例所述通用暖通空调设备模型自动化辨识方法，所述步骤S1中，读取设备上的数据，自动对各个输入参数与输出参数进行相关性计算，从而有利于对数据进行列处理，将相关性较高的参数作为模型的输入参数，实现数据降维；所述步骤S2中，相关性计算完成后，自动对上述数据进行异常值识别计算，并删除识别后的异常值，有利于提高模型精度与缩短模型训练时间，从而提高数据质量；所述步骤S3中，利用上述数据自动进行模型建立，并自动计算不同设备模型的精度指标，有利于决策出针对该数据集的最优模型；所述步骤S4中，根据计算出的精度指标选出精度最高的模型，将所述精度最高的模型作为该数据集下的最优设备模型，并输出所述精度最高的模型，本发明整个过程不需要人为操作，不但方法简单，而且稳定性强，精度高。
所述步骤S1中，自动对各个输入参数与输出参数进行相关性计算的方法为：保留相关性较大的参数，删除相关性较小的参数，从而有利于对数据进行列处理，实现数据降维。
相关性计算的公式为：
其中，X为输入参数、Y为输出参数、N表示变量取值的个数、ρX，Y为X和Y的相关性系数。
另外，对不同设备的输入参数与输出参数自动进行相关性计算，如某一设备输出参数与输入参数对应关系为：ρX，Y＝f(x1，x2，x3，x4，x5，Y)，通过相关性分析自动计算后，参数关系对应变为：ρX，Y＝f(x1，x3，x4，Y)，则表明在此过程中，输入参数x2、x5与输出参数Y之间相关性较小，因此在此过程中被删除。此过程由算法自动实现，由于不需要人为的判断参数之间的相关程度，因此省时省力。
所述步骤S2中，自动对上述数据进行异常值识别计算的方法为：通过K-Means聚类分析算法识别异常数据。
K-Means算法原理为：K-Means聚类算法即K-均值聚类，该算法使用Ci的形心ci代表该簇，以欧氏距离dist(p,ci)定义对象p∈Ci与该簇的代表ci的距离(即相似性的度量)；以簇内变差度量E定义Ci所有对象和形心ci之间的误差的平方和(即聚类质量的度量)。其公式如下：
所述步骤S3中，利用上述数据自动进行模型建立时，对同一设备的历史运行数据建立不同设备模型，通过不同模型对数据进行拟合，得到各个模型的结果。
所述不同模型包括多项式模型(Polynomial Model)、支持向量回归模型(SupportVector Regression Model)、神经网络模型(Neural Network Model)。
其中多项式回归的最大优点就是可以通过增加x的高次项对实测点进行逼近，直至满意为止。事实上，多项式回归可以处理相当一类非线性问题，它在回归分析中占有重要的地位，因为任一函数都可以多项式来逼近。因此在本发明中，为保证多项式能够最接近真实模型，建立了多个多项式模型，并且在各个模型中，模型参数的权重各不相同。
假设当模型输入参数有3个时，各多项式模型表达式为：
在对数据进行拟合后，本发明方法会自动对各个多项式模型进行拟合结果对比，通过计算拟合结果的评价指标选出精度最优的模型作为最终的多项式模型。
支持向量回归为支持向量机的一个分支，支持向量机(Support Vector Machine,SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)，支持向量回归由支持向量机演化而来，支持向量机算法在个空调系统负荷预测、建筑能耗预测、模型辨识等方面表现出良好的应用能力。对于支持向量机算法，合适的基变换是影响算法准确性的因素之一，同时也直接影响到算法运行的速度与效率。支持向量机算法的使用中，有以下几种常用的基变化，称之为核函数，常用的核函数见下表。
神经网络回归模型是一种非参数非线性方法，结合了神经网络和回归两方面的优势，具有强大的功能，不仅可以揭示响应变量的整个条件分布，还可以模拟金融系统的非线性特征。所谓神经网络算法，就是人为的模拟人类神经元的认知功能，如下图3所示，将人类的认知特性融入到算法当中去，人为的在算法中构建类似于人类神经元的算法结构。
自动计算不同模型的精度指标的方法为：通过评价指标计算拟合精度。
所述的评价指标是决定系数R2(Coefficient Of Determination)、平均绝对误差MAE(Mean Absolute Error)、平均绝对百分比误差MAPE(Mean Absolute PercentageError)。
所述步骤S4中，根据计算出的精度指标选出精度最高的模型的方法为：根据计算出的精度指标，通过对比评价指标，选出精度最高的模型。
下面结合实际工程中的历史数据，对上述方法进行详细完整的说明。案例数据来源于北京市某近零能耗办公楼，模型辨识对象为该办公楼空调系统中的一台地源热泵机组。
以夏季为例，地源热泵机组通过冷却水泵循环，将冷却水与地源侧进行换热，机组多余的热量释放于地下土壤或地下水中，实现冷却水释热降温；通过冷冻水泵循环将冷量输送至末端设备，消除室内冷负荷。因此，通过对地源热泵机组的运行特性分析可以确定影响机组运行能耗的因素主要包括冷却水进出水温度、冷冻水进出水温度、水流量、以及机组承担负荷等。因此对地源热泵机组的设备建模特征选定为：机组能耗(P)、冷却水进水温度(t2)、冷冻水出水温度(t1)、机组负荷(Q)。其中机组能耗(P)为模型输出参数；冷却水进水温度(t2)、冷冻水出水温度(t1)、机组负荷(Q)为模型输入参数。
所述步骤S1中，读取数据，并进行相关性计算。该实例共有2960组数据，部分数据如下图所示，其中参数t1，t2，Q为输入参数，P为输出参数。
用本发明所提出的方法对以上地源热泵机组进行模型辨识研究时，读取数据后首先计算各个输入参数与输出参数之间的相关性。在此实例中，模型输入参数有3个，输出参数有1个。输入参数与输出参数之间的相关性计算结果如下表所示：
结算结果表明该三个输入参数与输出参数之间具均有较好的相关性，因此三个参数都将作为模型的输入参数。
所述步骤S2中，相关性计算结束后，将对各组数据进行异常值检测分析，将获得的2960组数据输入算法进行异常值识别，计算结果如下表所示。
算法识别的异常数据为160组，占所有数据的5.67％，剩余2800组数据。
所述步骤S3中，对实际数据预处理结束后，接下来需要对数据进行模型建立。基于以上叙述的各个模型的建立方法，以下给出上述各个模型的建模以及模型输出结果，如图4、图5和图6。
各个模型的评价指标计算结果如下表：
所述步骤S4中，由计算结果可以看出此时精度最高的模型为多项式模型，因此该方法在此数据集下最终输出的模型为多项式模型。
实施例二
基于同一发明构思，本实施例提供了一种通用暖通空调设备模型自动化辨识系统，其解决问题的原理与所述通用暖通空调设备模型自动化辨识方法类似，重复之处不再赘述。
本实施例提供一种通用暖通空调设备模型自动化辨识系统，包括：
计算模块，用于读取设备上的数据，自动对各个输入参数与输出参数进行相关性计算，将相关性较高的参数作为模型的输入参数；
识别模块，用于自动对上述数据进行异常值识别计算，并删除识别后的异常值；
模型建立模块，用于利用上述数据自动进行模型建立，并自动计算不同模型的精度指标；
选择输出模块，用于根据计算出的精度指标选出精度最高的模型，将所述精度最高的模型作为该数据集下的最优设备模型，并输出所述精度最高的模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (6)

1.一种通用暖通空调设备模型自动化辨识方法，其特征在于，包括如下步骤：
步骤S1：读取设备上的数据，自动对各个输入参数与输出参数进行相关性计算，将相关性高的参数作为模型的输入参数；
步骤S2：自动对上述数据进行异常值识别计算，并删除识别后的异常值；
步骤S3：利用上述数据自动进行模型建立，并自动计算不同模型的精度指标；
步骤S4：根据计算出的精度指标选出精度最高的模型，将所述精度最高的模型作为对应数据集下的最优设备模型，并输出所述精度最高的模型；
其中自动对各个输入参数与输出参数进行相关性计算的方法为：保留相关性的参数，删除没有相关性的参数；相关性计算的公式为：其中，X为输入参数、Y为输出参数、N表示变量取值的个数、ρX，Y为X和Y的相关性系数；自动对上述数据进行异常值识别计算的方法为：通过K-Means聚类分析算法识别异常数据；利用上述数据自动进行模型建立时，对同一设备的历史运行数据建立不同设备模型，通过不同模型对数据进行拟合，得到各个模型的结果。
2.根据权利要求1所述的通用暖通空调设备模型自动化辨识方法，其特征在于：所述不同模型包括多项式模型、支持向量回归模型、神经网络模型。
3.根据权利要求1所述的通用暖通空调设备模型自动化辨识方法，其特征在于：自动计算不同模型的精度指标的方法为：通过评价指标计算拟合精度。
4.根据权利要求3所述的通用暖通空调设备模型自动化辨识方法，其特征在于：所述的评价指标是决定系数R2、平均绝对误差MAE、平均绝对百分比误差MAPE。
5.根据权利要求1所述的通用暖通空调设备模型自动化辨识方法，其特征在于：根据计算出的精度指标选出精度最高的模型的方法为：根据计算出的精度指标，通过对比评价指标，选出精度最高的模型。
6.一种通用暖通空调设备模型自动化辨识系统，其特征在于，包括：
计算模块，用于读取设备上的数据，自动对各个输入参数与输出参数进行相关性计算，将相关性高的参数作为模型的输入参数；
识别模块，用于自动对上述数据进行异常值识别计算，并删除识别后的异常值；
模型建立模块，用于利用上述数据自动进行模型建立，并自动计算不同模型的精度指标；
选择输出模块，用于根据计算出的精度指标选出精度最高的模型，将所述精度最高的模型作为对应数据集下的最优设备模型，并输出所述精度最高的模型；
其中自动对各个输入参数与输出参数进行相关性计算时：保留相关性的参数，删除没有相关性的参数；相关性计算的公式为：其中，X为输入参数、Y为输出参数、N表示变量取值的个数、ρX，Y为X和Y的相关性系数；自动对上述数据进行异常值识别计算的方法为：通过K-Means聚类分析算法识别异常数据；利用上述数据自动进行模型建立时，对同一设备的历史运行数据建立不同设备模型，通过不同模型对数据进行拟合，得到各个模型的结果。
CN202011533872.6A 2020-12-21 2020-12-21 通用暖通空调设备模型自动化辨识方法及系统 Active CN112966707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011533872.6A CN112966707B (zh) 2020-12-21 2020-12-21 通用暖通空调设备模型自动化辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011533872.6A CN112966707B (zh) 2020-12-21 2020-12-21 通用暖通空调设备模型自动化辨识方法及系统

Publications (2)

Publication Number Publication Date
CN112966707A CN112966707A (zh) 2021-06-15
CN112966707B true CN112966707B (zh) 2023-12-19

Family

ID=76271486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011533872.6A Active CN112966707B (zh) 2020-12-21 2020-12-21 通用暖通空调设备模型自动化辨识方法及系统

Country Status (1)

Country Link
CN (1) CN112966707B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101459498A (zh) * 2007-12-11 2009-06-17 华为技术有限公司 一种分离器的检测方法、装置和系统
CN106484971A (zh) * 2016-09-23 2017-03-08 北京清控人居环境研究院有限公司 一种排水管网监测点的自动识别方法
CN111178621A (zh) * 2019-12-25 2020-05-19 国网河北省电力有限公司 一种电采暖负荷预测支持向量回归机模型的参数优化方法
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
CN111931360A (zh) * 2020-07-23 2020-11-13 国家电网公司华东分部 一种励磁系统参数在线辨识方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101459498A (zh) * 2007-12-11 2009-06-17 华为技术有限公司 一种分离器的检测方法、装置和系统
CN106484971A (zh) * 2016-09-23 2017-03-08 北京清控人居环境研究院有限公司 一种排水管网监测点的自动识别方法
CN111178621A (zh) * 2019-12-25 2020-05-19 国网河北省电力有限公司 一种电采暖负荷预测支持向量回归机模型的参数优化方法
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
CN111931360A (zh) * 2020-07-23 2020-11-13 国家电网公司华东分部 一种励磁系统参数在线辨识方法和装置

Also Published As

Publication number Publication date
CN112966707A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
Li et al. Transforming cooling optimization for green data center via deep reinforcement learning
CN112577161B (zh) 空调能耗模型训练方法与空调系统控制方法
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
CN109855238B (zh) 一种中央空调建模与能效优化方法及装置
CN103912966A (zh) 一种地源热泵制冷系统优化控制方法
CN114383299B (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
CN107735735A (zh) 设备特性模型学习装置、设备特性模型学习方法及存储介质
CN113739365A (zh) 中央空调冷站群控节能控制方法、装置、设备及存储介质
CN115115143B (zh) 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法
CN115776795A (zh) 数据中心空调系统诊断方法及装置
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
CN112884012A (zh) 基于支持向量机原理的建筑能耗预测方法
CN112966707B (zh) 通用暖通空调设备模型自动化辨识方法及系统
CN117706927A (zh) 基于样本库管理复合模型的能源系统节能控制方法及系统
Ma et al. Test and evaluation of energy saving potentials in a complex building central chilling system using genetic algorithm
CN115654684A (zh) 空气处理机组控制、模型构建方法、装置及设备和介质
CN111787764B (zh) 多联机制冷机组的能耗优化方法及装置、电子设备、存储介质
CN114636212A (zh) 一种基于grnn的多台冷水机组系统运行控制方法
CN115577828A (zh) 一种基于数据驱动建模和优化的空调冷冻站系统群控方法
CN114002949B (zh) 基于人工智能的控制方法与控制装置
CN114206071A (zh) 基于双曲线冷却塔的数据中心冷却系统
CN113970170A (zh) 中央空调系统能耗预测方法、装置及计算设备
CN114543273B (zh) 一种集中空调供冷系统自适应深度学习优化节能控制算法
CN115877714B (zh) 一种制冷系统控制方法、装置、电子设备及存储介质
Zhou et al. Optimization of Metro Central Air Conditioning Cold Source System Based on PCA-ANN Data Model

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