CN113028610A - 中央空调动态负荷全局优化与节能控制的方法和装置 - Google Patents

Abstract

本公开涉及一种中央空调动态负荷全局优化与节能控制的方法和装置；其中，该方法包括：根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值；根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值；设置初始负荷比例系数，并根据初始负荷比例系数、第一负荷预测值、第二负荷预测值，确定目标空调的目标负荷预测值；根据目标负荷预测值对空调系统进行优化处理，确定空调系统的优化信息；根据优化信息对空调系统进行节能控制。本公开实施例能够根据空调的预测负荷预先判断空调负荷，在空调负荷超限时，及时进行预防控制措施，有效提升节能效率。

Description

中央空调动态负荷全局优化与节能控制的方法和装置

技术领域

本公开涉及空调技术领域，尤其涉及一种中央空调动态负荷全局优化与节能控制的方法和装置。

背景技术

中央空调制冷系统控制的目标是在满足末端负荷需求的前提下，使得其整体能耗最优。当末端负荷发生变化时，需要及时调整制冷主机、冷冻泵、冷却泵和冷却塔工作台数以及水流量、温度、温差、泵的工作频率和冷却风机频率等运行参数，使得冷量达到供需平衡。由于目前绝大多数制冷系统采用液体水作为传热媒介，导致热量传输和转移的速度较为缓慢，且从操作参数开始调整至温度、压力等状态参数发生改变往往要经历十几分钟甚至几十分钟的时间，控制系统的响应滞后较大；目前常用的空调预测方法为神经网络法，采用历史数据建立神经网络模型进行下一时刻的负荷预测。

现有方案的缺陷在于：空调系统的非线性以及数据大滞后的特性导致历史数据与未来数据不一定具有固定比例，从而导致负荷预测的误差较大。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种中央空调动态负荷全局优化与节能控制的方法和装置。

第一方面，本公开提供了一种中央空调动态负荷全局优化与节能控制的方法，所述方法包括：

根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值；

根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值；

设置初始负荷比例系数，并根据所述初始负荷比例系数、所述第一负荷预测值、所述第二负荷预测值，确定所述目标空调的目标负荷预测值；

根据目标负荷预测值对空调系统进行优化处理，确定所述空调系统的优化信息；根据所述优化信息对所述空调系统进行节能控制。

可选的，在所述根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测之前，所述方法还包括：

确定网络模型训练数据；其中，所述网络模型训练数据包括：干球温度数据、湿度数据、太阳辐射强度数据、二氧化碳数据、室内温度数据和历史空调负荷数据中的至少一种；

根据所述网络模型训练数据进行模型训练，得到网络模型参数；

根据所述网络模型参数构建递归神经网络模型。

可选的，所述确定网络模型训练数据，包括：

获取空调当日运行模式；其中，所述空调当日运行模式包括工作日、周末或节假日；

基于所述空调当日运行模式，选择与第一特征数据误差低于预设误差阈值的历史特征数据作为网络模型训练数据；

其中，所述第一特征数据包括：当前时刻的干球温度数据、当前时刻的湿度数据、当前时刻的太阳辐射强度数据、当前时刻的二氧化碳数据、当前时刻的室内温度数据和当前空调负荷数据中的至少一种。

可选的，所述根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值，包括：

根据第二特征数据建立三维特征曲线和二维特征曲线；其中，所述第二特征数据包括历史干球温度数据、历史湿度数据和历史空调负荷数据中的至少一种；

计算当前特征数据与所述三维特征曲线的第一误差，计算当前特征数据与所述二维特征曲线的第二误差；

根据所述第一误差和所述第二误差之和，从相似曲线数据库中确定相似三维曲线；

将所述相似三维曲线中待预测时刻对应的运行负荷值作为第二负荷预测值。

可选的，所述计算当前特征数据与所述三维特征曲线的第一误差，包括：

获取当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据；

将所述当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据，与所述三维特征曲线进行匹配，得到第一误差。

可选的，所述计算当前特征数据与所述二维特征曲线的第二误差，包括：

确定当日未运行时刻的干球温度数据和湿度数据；

将所述当日未运行时刻的干球温度数据和湿度数据，与所述二维特征曲线进行匹配，得到第二误差。

可选的，在所述确定所述目标空调的目标负荷预测值之后，所述方法还包括：

获取所述目标空调的实际负荷值；

计算所述第一负荷预测值与所述实际负荷值的误差；计算所述第二负荷预测值与所述实际负荷值的误差；

根据所述第一负荷预测值与所述实际负荷值的误差，与所述第二负荷预测值与所述实际负荷值的误差，对所述初始负荷比例系数进行修正，得到目标负荷比例系数；

在检测到空调负荷值预测事件之后，根据所述目标负荷比例系数、所述空调负荷值预测事件中的第三负荷预测值，以及所述空调负荷值预测事件中的第四负荷预测值，对所述目标空调目标时刻下的运行负荷进行预测；

其中，所述第三负荷预测值根据所述递归神经网络模型对待预测空调的运行负荷进行预测确定；所述第四负荷预测值根据所述环境数据曲线对待预测空调的运行负荷进行预测确定。

可选的，所述根据目标负荷预测值对空调系统进行优化处理，确定所述空调系统的优化信息，包括：

根据所述目标负荷预测值确定优化目标函数；

基于所述目标函数，利用遗传算法对所述空调系统进行优化处理，得到所述空调系统中处于运行状态的空调的数量、所述空调的工作频率和系统运行参数。

可选的，所述根据所述优化信息对所述空调系统进行节能控制，包括：

根据所述优化信息确定所述空调系统中冷冻水的出水温度、冷冻水供回水温差、冷冻水供回水压差、冷却水供回水流量和冷却塔出水温度，以对所述空调系统进行节能控制。

第二方面，本公开还提供了一种中央空调动态负荷全局优化与节能控制的装置，包括：

第一负荷预测值确定模块，用于根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值；

第二负荷预测值确定模块，用于根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值；

目标负荷预测值确定模块，用于设置初始负荷比例系数，并根据所述初始负荷比例系数、所述第一负荷预测值、所述第二负荷预测值，确定所述目标空调的目标负荷预测值；

优化和节能控制模块，用于根据目标负荷预测值对空调系统进行优化处理，确定所述空调系统的优化信息；根据所述优化信息对所述空调系统进行节能控制。

可选的，还包括：

数据确定模块，用于确定网络模型训练数据；其中，所述网络模型训练数据包括：干球温度数据、湿度数据、太阳辐射强度数据、二氧化碳数据、室内温度数据和历史空调负荷数据中的至少一种；

参数确定模块，用于根据所述网络模型训练数据进行模型训练，得到网络模型参数；

模型构建模块，用于根据所述网络模型参数构建递归神经网络模型。

可选的，数据确定模块，具体用于：

获取空调当日运行模式；其中，所述空调当日运行模式包括工作日、周末或节假日；

基于所述空调当日运行模式，选择与第一特征数据误差低于预设误差阈值的历史特征数据作为网络模型训练数据；

其中，所述第一特征数据包括：当前时刻的干球温度数据、当前时刻的湿度数据、当前时刻的太阳辐射强度数据、当前时刻的二氧化碳数据、当前时刻的室内温度数据和当前空调负荷数据中的至少一种。

可选的，第二负荷预测值确定模块，包括：特征曲线确定单元、误差计算单元、相似三维曲线确定单元和第二负荷预测值确定单元；

特征曲线确定单元，用于根据第二特征数据建立三维特征曲线和二维特征曲线；其中，所述第二特征数据包括历史干球温度数据、历史湿度数据和历史空调负荷数据中的至少一种；

误差计算单元，用于计算当前特征数据与所述三维特征曲线的第一误差，计算当前特征数据与所述二维特征曲线的第二误差；

相似三维曲线确定单元，用于根据所述第一误差和所述第二误差之和，从相似曲线数据库中确定相似三维曲线；

第二负荷预测值确定单元，用于将所述相似三维曲线中待预测时刻对应的运行负荷值作为第二负荷预测值。

可选的，误差计算单元，具体用于：

获取当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据；

将所述当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据，与所述三维特征曲线进行匹配，得到第一误差。

可选的，误差计算单元，具体用于：

确定当日未运行时刻的干球温度数据和湿度数据；

将所述当日未运行时刻的干球温度数据和湿度数据，与所述二维特征曲线进行匹配，得到第二误差。

可选的，还包括：

负荷值获取模块，用于获取所述目标空调的实际负荷值；

误差计算模块，用于计算所述第一负荷预测值与所述实际负荷值的误差；计算所述第二负荷预测值与所述实际负荷值的误差；

系数确定模块，用于根据所述第一负荷预测值与所述实际负荷值的误差，与所述第二负荷预测值与所述实际负荷值的误差，对所述初始负荷比例系数进行修正，得到目标负荷比例系数；

负荷预测模块，用于在检测到空调负荷值预测事件之后，根据所述目标负荷比例系数、所述空调负荷值预测事件中的第三负荷预测值，以及所述空调负荷值预测事件中的第四负荷预测值，对所述目标空调目标时刻下的运行负荷进行预测；

其中，所述第三负荷预测值根据所述递归神经网络模型对待预测空调的运行负荷进行预测确定；所述第四负荷预测值根据所述环境数据曲线对待预测空调的运行负荷进行预测确定。

可选的，优化和节能控制模块，具体用于：

根据所述目标负荷预测值确定优化目标函数；

基于所述目标函数，利用遗传算法对所述空调系统进行优化处理，得到所述空调系统中处于运行状态的空调的数量、所述空调的工作频率和系统运行参数。

可选的，优化和节能控制模块，具体用于：

根据所述优化信息确定所述空调系统中冷冻水的出水温度、冷冻水供回水温差、冷冻水供回水压差、冷却水供回水流量和冷却塔出水温度，以对所述空调系统进行节能控制。

本公开实施例提供的技术方案与现有技术相比具有如下优点：能够根据空调的预测负荷预先判断空调负荷，在空调负荷超限时，及时进行预防控制措施，有效提升节能效率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本公开实施例提供的一种中央空调动态负荷全局优化与节能控制的方法的流程示意图；

图2是本公开实施例提供的另一种中央空调动态负荷全局优化与节能控制的方法的流程示意图；

图3是本公开实施例提供的递归神经网络模型示意图；

图4是本公开实施例提供的又一种中央空调动态负荷全局优化与节能控制的方法的流程示意图；

图5是本公开实施例提供的三维特征曲线的示意图；

图6是本公开实施例提供的二维特征曲线的示意图；

图7是三维特征曲线与二维特征曲线的匹配示意图；

图8是本公开实施例提供的相似三维曲线的示意图；

图9是中央空调动态负荷预测、全局优化和节能控制的组成框图；

图10是本公开实施例提供的一种中央空调动态负荷全局优化与节能控制的装置的结构示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

图1是本公开实施例提供的一种中央空调动态负荷全局优化与节能控制的方法的流程示意图。本实施例可适用于对中央空调制冷机的运行负荷进行预测的情况。本实施例方法可由中央空调动态负荷全局优化与节能控制的装置来执行。可实现本申请任意实施例所述的中央空调动态负荷全局优化与节能控制的方法。如图1所示，该方法具体包括如下：

S110、根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值。

在本实施例中，递归神经网络模型为一种局部回归网络，其主要结构可包括输入层、隐含层、输出层以及承接层，其中，每一个隐含层的节点均与承接层连接，其作用是通过承接记忆将上一个时刻的隐含层状态连同当前时刻的网络输入一起作为隐含层的输入，相当于状态反馈，因此，递归神经网络模型具有较高的自检能力。本实施例中的递归神经网络模型可包括Elman神经网络模型。

根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值，可包括：确定当前时刻的特征数据；其中，该特征数据包括干球温度、干球温度的变化率、湿度、湿度的变化率、太阳辐射强度、太阳辐射强度的变化率、二氧化碳浓度、二氧化碳浓度的变化率、室内温度和室内温度的变化率；将该特征数据输入预先建立的递归神经网络模型中，并根据该预先建立的递归神经网络模型的输出确定待预测时刻的运行负荷值，作为第一负荷预测值。

需要说明的是，本实施例中的变化率的单位可自定义设置，例如十分钟；特征数据可以特征向量的形式展现；待预测时刻可为当前时刻的下一时刻，或者未来时刻。

S120、根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值。

在本实施例中，环境数据曲线为根据目标空调的历史运行数据建立的，可包括二维特征曲线和三维特征曲线；具体的，历史运行数据可提前进行采集并存储在历史数据库中，以便后续使用时可直接获取得到，避免现场采集影响数据处理效率的问题；其中，历史运行数据可包括干球温度、湿度和负荷。

本实施例中的数据均可通过设置相关传感器进行采集得到，例如通过在目标空调所在的室内设置湿度传感器，以采集目标空调所在的室内的湿度数据。

S130、设置初始负荷比例系数，并根据初始负荷比例系数、第一负荷预测值、第二负荷预测值，确定目标空调的目标负荷预测值。

在本实施例中，由于采用的是两种负荷预测方法的结合，则需要对其进行权重分配，以确定出目标空调最终的负荷预测值；在首次进行负荷预测时，可将初始负荷比例系数设置为0.5，即得到第一负荷预测值的权重系数为0.5，第二负荷预测值的权重系数为0.5。

根据初始负荷比例系数、第一负荷预测值、第二负荷预测值，确定目标空调的目标负荷预测值，可参见如下公式(1)。

LD_real(t)＝αLD₁(t)+(1-α)LD₂(t) (1)

公式(1)中，LD_real(t)为目标空调的目标负荷预测值；LD₁(t)为第一负荷预测值；LD₂(t)为第二负荷预测值；α为初始负荷比例系数，且α＝0.5。

S140、根据目标负荷预测值对空调系统进行优化处理，确定空调系统的优化信息；根据优化信息对空调系统进行节能控制。

在本实施例中，空调系统中管理着多台中央空调的运行；其中，空调系统的优化信息可包括处于运行状态的空调的数量、空调的工作频率和系统运行参数。

为了使空调系统的整体能耗最优，则需要对空调系统的各个设备(即中央空调)的工作台数、制冷主机制冷剂的循环、冷冻水循环和冷却水循环进行整体优化，从而实现空调系统的节能控制。

本公开实施例根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值；根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值；设置初始负荷比例系数，并根据初始负荷比例系数、第一负荷预测值、第二负荷预测值，确定目标空调的目标负荷预测值；根据目标负荷预测值对空调系统进行优化处理，确定空调系统的优化信息；根据优化信息对空调系统进行节能控制。本公开实施例能够根据空调的预测负荷预先判断空调负荷，在空调负荷超限时，及时进行预防控制措施，有效提升节能效率。

图2是本公开实施例提供的另一种中央空调动态负荷全局优化与节能控制的方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化，并可与上述技术方案中任意可选方案组合。如图2所示，该方法包括：

S210、确定网络模型训练数据；其中，网络模型训练数据包括：干球温度数据、湿度数据、太阳辐射强度数据、二氧化碳数据、室内温度数据和历史空调负荷数据中的至少一种。

在本实施例中，历史数据库中已经对预先采集的各种数据进行存储，则可在历史数据库中获取所需的网络模型训练数据；其中，干球温度数据包括干球温度和干球温度的变化率；湿度数据包括湿度和湿度的变化率；太阳辐射强度数据包括太阳辐射强度和太阳辐射强度的变化率；二氧化碳数据包括二氧化碳和二氧化碳的变化率；室内温度数据包括室内温度和室内温度的变化率；具体的，干球温度为根据干球传感器采集的室外温度。

在本实施例中，可选的，确定网络模型训练数据，包括：

获取空调当日运行模式；其中，空调当日运行模式包括工作日、周末或节假日；

基于空调当日运行模式，选择与第一特征数据误差低于预设误差阈值的历史特征数据作为网络模型训练数据；

其中，第一特征数据包括：当前时刻的干球温度数据、当前时刻的湿度数据、当前时刻的太阳辐射强度数据、当前时刻的二氧化碳数据、当前时刻的室内温度数据和当前空调负荷数据中的至少一种。

在本实施例中，空调当日运行模式为目标空调当天的工作模式；历史特征数据为当日之前某一日运行的特征数据；第一特征数据与历史特征数据的误差计算可参见公式(2)。

公式(2)中，x(i)为第一特征数据的向量表示；x_h(i)为历史特征数据的向量表示；i为特征数据的个数。

本实施例在确定网络模型训练数据时，能够通过设置误差阈值以对特征数据进行择优挑选，从而使得确定出的网络模型训练数据具有较高的适用度，从而能够提高递归神经网络模型的训练精度。

在根据网络模型训练数据进行模型训练之前，本实施例还可包括：对确定出的网络模型训练数据进行归一化处理；其中，归一化处理操作的实现过程可参见公式(3)。

公式(3)中，x_g为归一化处理后得到的网络模型训练数据。

本实施例中，网络模型训练数据进行归一化处理之后，还可包括，对归一化处理后的数据进行奇异点去除，从而保证数据的完整性。

S220、根据网络模型训练数据进行模型训练，得到网络模型参数。

在本实施例中，建立递归神经网络模型框架，具体可参见图3，图3是递归神经网络模型示意图；模型的输入层为10个节点，节点数据分别为干球温度、干球温度的变化率、相对湿度、相对湿度的变化率、太阳辐射强度、太阳辐射强度的变化率、二氧化碳浓度、二氧化碳浓度的变化率、室内温度、室内温度的变化率；隐含层为一层，节点数可分别预取7、9、11、13、15，并分别根据五个节点数进行网络模型的训练，并基于五个网络模型的训练精度选取精度最高的网络模型对应的节点数作为递归神经网络模型的节点数；输出层为一个节点，即该节点输出的是负荷预测值。

其中，网络模型参数为输入层到隐含层、隐含层到输出层以及隐含层到承接层之间的参数。

具体的，可根据遗传算法的选择、交叉、以及变异等操作获得递归神经网络最优的初始参数，然后利用信赖域(Levenberg–Marquardt，LM)训练方法训练递归神经网络；误差函数可参见公式(4)。

公式(4)中，N为样本数；y(k)为实际输出；d(k)为期望输出。

S230、根据网络模型参数构建递归神经网络模型。

在本实施例中，根据网络模型参数设置每个神经网络层之间的权重，以得到构建完成的递归神经网络模型。

S240、根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值。

S250、根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值。

S260、设置初始负荷比例系数，并根据初始负荷比例系数、第一负荷预测值、第二负荷预测值，确定目标空调的目标负荷预测值。

图4是本公开实施例提供的又一种中央空调动态负荷全局优化与节能控制的方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化，并可与上述技术方案中任意可选方案组合。如图4所示，该方法包括：

S410、根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值。

S420、根据第二特征数据建立三维特征曲线和二维特征曲线；其中，第二特征数据包括历史干球温度数据、历史湿度数据和历史空调负荷数据中的至少一种。

在本实施例中，根据第二特征数据建立三维特征曲线和二维特征曲线，可包括：建立历史干球温度数据、历史湿度数据和历史空调负荷数据的曲线作为三维特征曲线；建立历史干球温度数据和历史湿度数据的曲线作为二维特征曲线。图5是三维特征曲线的示意图；图6是二维特征曲线的示意图。

S430、计算当前特征数据与三维特征曲线的第一误差，计算当前特征数据与二维特征曲线的第二误差。

在本实施例中，第一误差为当前时刻的三维特征数据与当前时刻之前的多个历史三维特征数据之间的误差；第二误差为当前时刻的二维特征数据与当前时刻之前的多个历史二维特征数据之间的误差；其中，三维特征数据包括干球温度、湿度和空调负荷；二维特征数据包括干球温度和湿度。

在本实施例中，可选的，计算当前特征数据与二维特征曲线的第二误差，包括：

确定当日未运行时刻的干球温度数据和湿度数据；

将当日未运行时刻的干球温度数据和湿度数据，与二维特征曲线进行匹配，得到第二误差。

其中，第二误差可参见公式(5)得出。

公式(5)中，m为数据的采样时刻；T_p(t_m)和T_h(t_m)分别为当日未运行时刻的干球温度和历史时刻的干球温度；RH_p(t_m)和RH_h(t_m)分别为当日未运行时刻的湿度和历史时刻的湿度。其中，当日未运行时刻的数据可通过天气预报等预测方式得出。

本实施例通过将二维数据与二维特征曲线进行数据匹配，能够有效检测出二维数据与二维特征曲线中数据的误差。

在本实施例中，可选的，计算当前特征数据与三维特征曲线的第一误差，包括：

获取当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据；

将当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据，与三维特征曲线进行匹配，得到第一误差。

其中，当前空调负荷数据可根据负荷传感器采集当前采样时刻的空调负荷得出；相应的，干球温度数据可根据温度传感器采集当前采样时刻以及当日已运行的其他采样时刻的温度得出；湿度数据可根据湿度传感器采集当前采样时刻以及当日已运行的其他采样时刻的湿度得出。

根据干球温度数据、湿度数据和当前空调负荷数据，与三维特征曲线进行匹配，以得出第一误差。

第一误差可参见公式(6)得出。

本实施例通过将三维数据与三维特征曲线进行数据匹配，能够有效检测出三维数据与三维特征曲线中数据的误差。

如图7所示，图7为三维特征曲线与二维特征曲线的匹配示意图；其中包括中央空调在运行过程中实时的干球温度、湿度和对应负荷曲线与历史数据中的干球温度、湿度和对应负荷曲线的匹配示意图，和，当天剩余时间预报干球温度和湿度曲线与历史数据中干球温度和湿度曲线的匹配示意图。

S440、根据第一误差和第二误差之和，从相似曲线数据库中确定相似三维曲线；将相似三维曲线中待预测时刻对应的运行负荷值作为第二负荷预测值。

在本实施例中，图8是相似三维曲线的示意图；相似曲线数据库中存储的三维特征曲线是根据历史运行数据建立得出，其三维数据间具有一定的规律，则根据相似三维曲线能够准确的得出待预测时刻目标空调的运行负荷值。

S450、设置初始负荷比例系数，并根据初始负荷比例系数、第一负荷预测值、第二负荷预测值，确定目标空调的目标负荷预测值。

在本实施例中，可选的，在确定目标空调的目标负荷预测值之后，本实施例方法还包括：

获取目标空调的实际负荷值；

计算第一负荷预测值与实际负荷值的误差；计算第二负荷预测值与实际负荷值的误差；

根据第一负荷预测值与实际负荷值的误差，与第二负荷预测值与实际负荷值的误差，对初始负荷比例系数进行修正，得到目标负荷比例系数；

在检测到空调负荷值预测事件之后，根据目标负荷比例系数、空调负荷值预测事件中的第三负荷预测值，以及空调负荷值预测事件中的第四负荷预测值，对目标空调目标时刻下的运行负荷进行预测；

其中，第三负荷预测值根据递归神经网络模型对待预测空调的运行负荷进行预测确定；第四负荷预测值根据环境数据曲线对待预测空调的运行负荷进行预测确定。

在本实施例中，由于第一负荷预测值和第二负荷预测值的单一确定中会存在误差，则其初始给定的负荷比例系数需要进行调整，以减少误差较大的预测值对目标空调最终的预测值带来的影响，从而有效提高负荷预测的准确性。

初始负荷比例系数的修正可参见公式(7)。

公式(7)中，LD_real(t)为实际负荷值；LD₁(t)为第一负荷预测值；LD₂(t)为第二负荷预测值。

需要说明的是，本实施例中的空调负荷值预测事件为根据已经预测出的两个预测值确定最终预测值的事件，不代表其预测第三负荷预测值或者第四负荷预测值的事件。

在本实施例中，可选的，根据目标负荷预测值对空调系统进行优化处理，确定空调系统的优化信息，包括：

根据目标负荷预测值确定优化目标函数；

基于目标函数，利用遗传算法对空调系统进行优化处理，得到空调系统中处于运行状态的空调的数量、空调的工作频率和系统运行参数。

其中，目标负荷预测值结合预先建立的设备运行模型和系统运行约束条件，建立全局能耗的性能系数(coefficient of performance，COP)目标函数，并针对冷水机组的全局优化和系统稳定性需求，利用遗传算法(Genetic Algorithm，GA)实现COP全局优化，以精准确定出运行的设备台数、工作频率、和系统优化运行参数。

具体的，设备运行模型是基于最新历史数据通过带指数遗忘因子的递推最小二乘算法(RLS-EF)对模型系数进行优化和更新得出；建立冷水机组、冷冻水泵、冷却水泵、冷却塔、通风系统和盘管系统等设备精确模型是实现精确控制的前提条件。

系统运行约束条件可为根据空调系统的制冷数据中心提供的历史数据或实时数据确定系统参数全局优化需要的约束条件；例如系统运行约束条件主要包括设备台数、选择次序以及运行参数的上下限。

在本实施例中，可选的，根据优化信息对空调系统进行节能控制，包括：

根据优化信息确定空调系统中冷冻水的出水温度、冷冻水供回水温差、冷冻水供回水压差、冷却水供回水流量和冷却塔出水温度，以对空调系统进行节能控制。

其中，空调系统中的控制模块可根据优化信息对空调系统进行节能控制；具体的，控制模块可包括制冷主机控制模块、冷冻水泵控制模块、冷却水泵控制模块和冷却塔控制模块；制冷主机控制模块控制冷冻水出水温度，冷冻水泵控制模块控制冷冻水供回水温差和冷冻水供回水压差，冷却水泵控制模块控制冷却水供回水流量，冷却塔控制模块控制冷却塔出水温度；从而使得空调系统达到更好的节能效果。

如图9所示，图9为中央空调动态负荷预测、全局优化和节能控制的组成框图。

其中，中央空调制冷系统数据中心提供运行的历史数据和实时数据，包括控制数据、外部环境数据、中央空调系统传感器采集数据、中央空调系统设备额定参数、中央空调系统设备极限工作参数和设备运行记录参数等，其作用是为其它模块提供历史数据或实时数据。设备建模单元基于最新历史数据通过带指数遗忘因子的递推最小二乘算法对模型系数进行优化和更新，并将最新模型参数发送给运行参数全局优化单元。动态负荷单元预测的负荷用于运行参数全局优化单元和控制模块单元。系统运行约束条件单元根据中央空调制冷系统数据中心提供的历史数据或实时数据确定系统参数全局优化需要的约束条件，并提供给运行参数全局优化单元。运行参数全局优化单元确定出运行的设备台数、工作频率、和系统优化运行参数，并发送到控制模块，实现节能控制。

图10是本公开实施例提供的一种中央空调动态负荷全局优化与节能控制的装置的结构示意图，可实现本申请任意实施例所述的中央空调动态负荷全局优化与节能控制的方法。该装置具体包括如下：

第一负荷预测值确定模块1010，用于根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值；

第二负荷预测值确定模块1020，用于根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值；

目标负荷预测值确定模块1030，用于设置初始负荷比例系数，并根据所述初始负荷比例系数、所述第一负荷预测值、所述第二负荷预测值，确定所述目标空调的目标负荷预测值；

优化和节能控制模块1040，用于根据目标负荷预测值对空调系统进行优化处理，确定所述空调系统的优化信息；根据所述优化信息对所述空调系统进行节能控制。

在本实施例中，可选的，本实施例装置还包括：

数据确定模块，用于确定网络模型训练数据；其中，所述网络模型训练数据包括：干球温度数据、湿度数据、太阳辐射强度数据、二氧化碳数据、室内温度数据和历史空调负荷数据中的至少一种；

参数确定模块，用于根据所述网络模型训练数据进行模型训练，得到网络模型参数；

模型构建模块，用于根据所述网络模型参数构建递归神经网络模型。

在本实施例中，可选的，数据确定模块，具体用于：

获取空调当日运行模式；其中，所述空调当日运行模式包括工作日、周末或节假日；

基于所述空调当日运行模式，选择与第一特征数据误差低于预设误差阈值的历史特征数据作为网络模型训练数据；

其中，所述第一特征数据包括：当前时刻的干球温度数据、当前时刻的湿度数据、当前时刻的太阳辐射强度数据、当前时刻的二氧化碳数据、当前时刻的室内温度数据和当前空调负荷数据中的至少一种。

在本实施例中，可选的，第二负荷预测值确定模块1020，包括：特征曲线确定单元、误差计算单元、相似三维曲线确定单元和第二负荷预测值确定单元；

特征曲线确定单元，用于根据第二特征数据建立三维特征曲线和二维特征曲线；其中，所述第二特征数据包括历史干球温度数据、历史湿度数据和历史空调负荷数据中的至少一种；

误差计算单元，用于计算当前特征数据与所述三维特征曲线的第一误差，计算当前特征数据与所述二维特征曲线的第二误差；

相似三维曲线确定单元，用于根据所述第一误差和所述第二误差之和，从相似曲线数据库中确定相似三维曲线；

第二负荷预测值确定单元，用于将所述相似三维曲线中待预测时刻对应的运行负荷值作为第二负荷预测值。

在本实施例中，可选的，误差计算单元，具体用于：

获取当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据；

将所述当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据，与所述三维特征曲线进行匹配，得到第一误差。

在本实施例中，可选的，误差计算单元，具体用于：

确定当日未运行时刻的干球温度数据和湿度数据；

将所述当日未运行时刻的干球温度数据和湿度数据，与所述二维特征曲线进行匹配，得到第二误差。

在本实施例中，可选的，本实施例装置还包括：

负荷值获取模块，用于获取所述目标空调的实际负荷值；

误差计算模块，用于计算所述第一负荷预测值与所述实际负荷值的误差；计算所述第二负荷预测值与所述实际负荷值的误差；

系数确定模块，用于根据所述第一负荷预测值与所述实际负荷值的误差，与所述第二负荷预测值与所述实际负荷值的误差，对所述初始负荷比例系数进行修正，得到目标负荷比例系数；

负荷预测模块，用于在检测到空调负荷值预测事件之后，根据所述目标负荷比例系数、所述空调负荷值预测事件中的第三负荷预测值，以及所述空调负荷值预测事件中的第四负荷预测值，对所述目标空调目标时刻下的运行负荷进行预测；

其中，所述第三负荷预测值根据所述递归神经网络模型对待预测空调的运行负荷进行预测确定；所述第四负荷预测值根据所述环境数据曲线对待预测空调的运行负荷进行预测确定。

在本实施例中，可选的，优化和节能控制模块1040，具体用于：

根据所述目标负荷预测值确定优化目标函数；

基于所述目标函数，利用遗传算法对所述空调系统进行优化处理，得到所述空调系统中处于运行状态的空调的数量、所述空调的工作频率和系统运行参数。

在本实施例中，可选的，优化和节能控制模块1040，具体用于：

根据所述优化信息确定所述空调系统中冷冻水的出水温度、冷冻水供回水温差、冷冻水供回水压差、冷却水供回水流量和冷却塔出水温度，以对所述空调系统进行节能控制。

通过本发明实施例的中央空调动态负荷全局优化与节能控制的装置，能够根据空调的预测负荷预先判断空调负荷，在空调负荷超限时，及时进行预防控制措施，有效提升节能效率。

本发明实施例所提供的中央空调动态负荷全局优化与节能控制的装置可执行本发明任意实施例所提供的中央空调动态负荷全局优化与节能控制的方法，具备执行方法相应的功能模块和有益效果。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种中央空调动态负荷全局优化与节能控制的方法，其特征在于，所述方法包括：

根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值；

根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值；

设置初始负荷比例系数，并根据所述初始负荷比例系数、所述第一负荷预测值、所述第二负荷预测值，确定所述目标空调的目标负荷预测值；

根据目标负荷预测值对空调系统进行优化处理，确定所述空调系统的优化信息；根据所述优化信息对所述空调系统进行节能控制。

2.根据权利要求1所述的方法，其特征在于，在所述根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测之前，所述方法还包括：

确定网络模型训练数据；其中，所述网络模型训练数据包括：干球温度数据、湿度数据、太阳辐射强度数据、二氧化碳数据、室内温度数据和历史空调负荷数据中的至少一种；

根据所述网络模型训练数据进行模型训练，得到网络模型参数；

根据所述网络模型参数构建递归神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述确定网络模型训练数据，包括：

获取空调当日运行模式；其中，所述空调当日运行模式包括工作日、周末或节假日；

基于所述空调当日运行模式，选择与第一特征数据误差低于预设误差阈值的历史特征数据作为网络模型训练数据；

其中，所述第一特征数据包括：当前时刻的干球温度数据、当前时刻的湿度数据、当前时刻的太阳辐射强度数据、当前时刻的二氧化碳数据、当前时刻的室内温度数据和当前空调负荷数据中的至少一种。

4.根据权利要求1所述的方法，其特征在于，所述根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值，包括：

根据第二特征数据建立三维特征曲线和二维特征曲线；其中，所述第二特征数据包括历史干球温度数据、历史湿度数据和历史空调负荷数据中的至少一种；

计算当前特征数据与所述三维特征曲线的第一误差，计算当前特征数据与所述二维特征曲线的第二误差；

根据所述第一误差和所述第二误差之和，从相似曲线数据库中确定相似三维曲线；

将所述相似三维曲线中待预测时刻对应的运行负荷值作为第二负荷预测值。

5.根据权利要求4所述的方法，其特征在于，所述计算当前特征数据与所述三维特征曲线的第一误差，包括：

获取当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据；

将所述当日已运行时刻的干球温度数据、湿度数据和当前空调负荷数据，与所述三维特征曲线进行匹配，得到第一误差。

6.根据权利要求4所述的方法，其特征在于，所述计算当前特征数据与所述二维特征曲线的第二误差，包括：

确定当日未运行时刻的干球温度数据和湿度数据；

将所述当日未运行时刻的干球温度数据和湿度数据，与所述二维特征曲线进行匹配，得到第二误差。

7.根据权利要求1所述的方法，其特征在于，在所述确定所述目标空调的目标负荷预测值之后，所述方法还包括：

获取所述目标空调的实际负荷值；

计算所述第一负荷预测值与所述实际负荷值的误差；计算所述第二负荷预测值与所述实际负荷值的误差；

根据所述第一负荷预测值与所述实际负荷值的误差，与所述第二负荷预测值与所述实际负荷值的误差，对所述初始负荷比例系数进行修正，得到目标负荷比例系数；

在检测到空调负荷值预测事件之后，根据所述目标负荷比例系数、所述空调负荷值预测事件中的第三负荷预测值，以及所述空调负荷值预测事件中的第四负荷预测值，对所述目标空调目标时刻下的运行负荷进行预测；

其中，所述第三负荷预测值根据所述递归神经网络模型对待预测空调的运行负荷进行预测确定；所述第四负荷预测值根据所述环境数据曲线对待预测空调的运行负荷进行预测确定。

8.根据权利要求1所述的方法，其特征在于，所述根据目标负荷预测值对空调系统进行优化处理，确定所述空调系统的优化信息，包括：

根据所述目标负荷预测值确定优化目标函数；

基于所述目标函数，利用遗传算法对所述空调系统进行优化处理，得到所述空调系统中处于运行状态的空调的数量、所述空调的工作频率和系统运行参数。

9.根据权利要求1所述的方法，其特征在于，所述根据所述优化信息对所述空调系统进行节能控制，包括：

根据所述优化信息确定所述空调系统中冷冻水的出水温度、冷冻水供回水温差、冷冻水供回水压差、冷却水供回水流量和冷却塔出水温度，以对所述空调系统进行节能控制。

10.一种中央空调动态负荷全局优化与节能控制的装置，其特征在于，所述装置包括：

第一负荷预测值确定模块，用于根据预先建立的递归神经网络模型对目标空调的运行负荷进行预测，得到第一负荷预测值；

第二负荷预测值确定模块，用于根据环境数据曲线对目标空调的运行负荷进行预测，得到第二负荷预测值；

目标负荷预测值确定模块，用于设置初始负荷比例系数，并根据所述初始负荷比例系数、所述第一负荷预测值、所述第二负荷预测值，确定所述目标空调的目标负荷预测值；

优化和节能控制模块，用于根据目标负荷预测值对空调系统进行优化处理，确定所述空调系统的优化信息；根据所述优化信息对所述空调系统进行节能控制。

Images