CN113219930A - 一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法 - Google Patents
一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法 Download PDFInfo
- Publication number
- CN113219930A CN113219930A CN202110559781.8A CN202110559781A CN113219930A CN 113219930 A CN113219930 A CN 113219930A CN 202110559781 A CN202110559781 A CN 202110559781A CN 113219930 A CN113219930 A CN 113219930A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- order
- model
- particle swarm
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000002245 particle Substances 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 9
- 239000007787 solid Substances 0.000 claims description 16
- 239000007789 gas Substances 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004870 electrical engineering Methods 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及电气工程及其自动化技术领域，具体提出了一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，包括以下步骤：建立变频空调二阶ETP模型，并对其离散化处理；建立智能用电网络，实时采集电环境及用电负荷数据；对二阶ETP模型参数进行在线辨识；本发明针对ETP模型参数容易受到各种因素干扰的问题，对二阶模型参数进行在线辨识，基于实时数据对参数变化动态做出响应，提升参数识别准确性；所采用的粒子群算法收敛速度快，识别精度高，适合在线辨识；数据基于智能用电网络获取，网络结构简单、易于实现，且数据准确性高；在线辨识基于实时数据及部分历史数据，提升参数识别准确性。
Description
技术领域
本发明涉及电气工程及其自动化技术领域，具体涉及一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法。
背景技术
现有的基于空调等效热参数模型(equivalent thermal parameters,ETP)的研究大多基于典型值，因为实际模型参数难以测量；但典型值范围大，实际不同场景下等效热参数模型的参数值范围较大。文献(包宇庆，成丽珉.空调负荷二阶等效热参数模型参数辨识方法[J/OL].电力系统自动化)通过构建传感网络，对实际场景下定频空调的二阶ETP模型的参数进行辨识，采用24小时数据、基于遗传算法进行识别，得到了较为准确的参数值。但这是一种离线辨识的方法，而实际等效热参数模型的参数受到诸多因素的影响，如太阳辐照度、人员流动、门窗开闭等，离线辨识的数据无法对实际参数的变化做出纠正，从而导致较大误差。
发明内容
本发明的目的在于提供一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，实现对变频空调二阶ETP模型参数的在线辨识，针对外部环境变化导致的模型参数变化，动态辨识，修正模型参数。为空调负荷的集群调度，开展需求响应调峰、参与虚拟电厂运行等提供支撑。
为实现上述目的，本发明提供如下技术方案，一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，包括以下步骤：
S1、建立变频空调二阶ETP模型，并对其离散化处理；
S2、建立智能用电网络，实时采集电环境及用电负荷数据；
S3、对二阶ETP模型参数进行在线辨识。
步骤S1中，所述二阶ETP模型的一阶微分方程组如下：
其中，Ra、Ca和Rm、Cm分别为室内气体和固体的热容及热阻，Ta,in(t)和Tm,in(t)为室内气体和固体的温度，Tout(t)表示室外温度；
变频空调压缩机功率Pacc与频率f近似为一次线性关系，制热/冷量Qacc与频率f近似为二次关系；空调制热/冷量与气功率的比值为空调能效比，即cop，与定频空调不同，变频空调压缩机的cop不是固定值，随功率Pacc增大而减小，以下为cop的计算表达式：
对二阶ETP模型进行离散化处理，得到结果如下：
Q(ti)＝Cop(P(ti))P(ti) (4)
式中，Δt为时间步长，要保证模型计算的准确性，步长不宜过长，选取Δt为5s。
步骤S2中，所述智能用电网络能效终端包括智能插座、智能红外、智能人体红外感应及温湿度传感器；
所述智能插座负责采集空调运行参数、控制电器开关，其采用突变上传机制，实现100ms级别的监测；
所述智能红外用于空调的遥控；
所述智能人体红外感应用于监测房间内是否有人，有人无人情况变化时发出告警，每次监测间隔为5min；
所述温湿度传感器在室内外分别安装一台，室内的安装在分体式变频空调的右侧等高墙壁处。
其中，所述智能插座、智能红外、智能人体红外感应均采用Zigbee无线通信，内置德州仪器的CC2530芯片，所述Zigbee终端烧录路由程序，所述温湿度传感器采用RS-485通信，通过RS-485转USB工具接入能量信息网关，网关内置德州仪器(TI)的CC2538芯片，通过Wi-Fi与云端服务器通信，用户通过客户端从云端获取数据，也可以远程对能效终端进行控制。
步骤S3中，在线辨识的步骤流程如下：
S30、开始；
S31、根据历史6h数据辨识得到ETP模型参数Ra、Ca、Rm、Cm、Tm0以及误差Fise1；
S32、根据ETP模型参数计算6h小时内第一个5min末的固体温度Tm(5min)；
S33、接收最新5min数据，更新Tm0＝Tm(5min)，更新6h历史数据；
S34、根据模型参数及实际数据计算5min内误差Fise2；
S35、判断是否满足Fise2≥Fise1/30，若否，则直接更新误差Fise1；若是，则根据历史6h数据，在Tm0不变的基础上重写辨识ETP模型参数，更新Ra、Ca、Rm、Cm，然后再更新误差Fise1；
S36、判断在线辨识是否结束，若是，则辨识过程直接结束；若否，则返回步骤S32重新开始前述步骤。
其中，在步骤S3中，采用粒子群算法对对二阶模型参数进行在线辨识。
与现有技术相比，本发明的有益效果是：本发明针对ETP模型参数容易受到各种因素干扰的问题，对二阶模型参数进行在线辨识，基于实时数据对参数变化动态做出响应，提升参数识别准确性；所采用的粒子群算法收敛速度快，识别精度高，适合在线辨识；数据基于智能用电网络获取，网络结构简单、易于实现，且数据准确性高；在线辨识基于实时数据及部分历史数据，提升参数识别准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明智能用电网络架构示意图；
图2为本发明空调-建筑二阶等效热参数模型；
图3为本发明粒子群算法流程图；
图4为本发明变频空调等效热参数模型二阶参数在线辨识流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
参见图1-4，本发明提供一种技术方案：一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，包括以下步骤：
S1、建立变频空调二阶ETP模型(空调—建筑系统热力学模型常采用ETP模型，二阶ETP模型在一阶基础上，增加考虑了室内固体的影响，如图2所示，室内固体通过与气体交换热量影响整个模型)，并对其离散化处理；
S2、建立智能用电网络，实时采集电环境及用电负荷数据；
S3、对二阶ETP模型参数进行在线辨识。
步骤S1中，所述二阶ETP模型的一阶微分方程组如下：
其中，Ra、Ca和Rm、Cm分别为室内气体和固体的热容及热阻，Ta,in(t)和Tm,in(t)为室内气体和固体的温度，Tout(t)表示室外温度；
变频空调压缩机功率Pacc与频率f近似为一次线性关系，制热/冷量Qacc与频率f近似为二次关系；空调制热/冷量与气功率的比值为空调能效比，即cop，与定频空调不同，变频空调压缩机的cop不是固定值，随功率Pacc增大而减小，以下为cop的计算表达式：
对二阶ETP模型进行离散化处理，得到结果如下：
Q(ti)＝Cop(P(ti))P(ti) (4)
式中，Δt为时间步长，要保证模型计算的准确性，步长不宜过长，选取Δt为5s。
步骤S2中，所述智能用电网络能效终端包括智能插座、智能红外、智能人体红外感应及温湿度传感器；
所述智能插座负责采集空调运行参数(功率、电压、电流)、控制电器开关，其采用突变上传机制，实现100ms级别的监测；
所述智能红外用于空调的遥控；
所述智能人体红外感应用于监测房间内是否有人，有人无人情况变化时发出告警，每次监测间隔为5min；
所述温湿度传感器在室内外分别安装一台，室内的安装在分体式变频空调的右侧等高墙壁处。
其中，所述智能插座、智能红外、智能人体红外感应均采用Zigbee无线通信，内置德州仪器的CC2530芯片，所述Zigbee终端烧录路由程序，所述温湿度传感器采用RS-485通信，通过RS-485转USB工具接入能量信息网关，网关内置德州仪器(TI)的CC2538芯片，通过Wi-Fi与云端服务器通信，用户通过客户端从云端获取数据，也可以远程对能效终端进行控制。
步骤S3中，在线辨识的步骤流程如下：
S30、开始；
S31、根据历史6h数据辨识得到ETP模型参数Ra、Ca、Rm、Cm、Tm0以及误差Fise1；
S32、根据ETP模型参数计算6h小时内第一个5min末的固体温度Tm(5min)；
S33、接收最新5min数据，更新Tm0＝Tm(5min)，更新6h历史数据；
S34、根据模型参数及实际数据计算5min内误差Fise2；
S35、判断是否满足Fise2≥Fise1/30，若否，则直接更新误差Fise1；若是，则根据历史6h数据，在Tm0不变的基础上重写辨识ETP模型参数，更新Ra、Ca、Rm、Cm，然后再更新误差Fise1；
S36、判断在线辨识是否结束，若是，则辨识过程直接结束；若否，则返回步骤S32重新开始前述步骤。
其中，在步骤S3中，采用粒子群算法对对二阶模型参数进行在线辨识，粒子群算法(pso)流程如图3所示，它是模仿鸟群觅食的一种优化算法，对于多目标优化问题具有收敛速度快、实现简单等优势，和遗传(GA)算法一样，都基于迭代。粒子群算法需要辨识的二阶ETP模型参数包括：Ra、Ca、Rm、Cm以及室内固体温度Tm0。这是因为在二阶ETP模型中，固体只能与气体进行热交换，这个过程可能会比较缓慢，若简单假设初始室内气体温度与固体一致，可能导致较大的误差。针对粒子群算法容易陷入局部最优解的问题，采用的较大的种群规模，并对种群范围进行合理的设置。
二阶ETP模型参数有五个，但是其中实时变化的不应考虑Tm0。从物理意义上来说，后一段数据的初始的固体温度就是前一段的数据的末尾值；从参数识别角度来说，各个参数间存在较强的耦合关系，若对初始固体温度进行重新识别，则淡化了先前模型参数的参考价值，对较短期数据的识别也容易存在过拟合问题。数据长度方面，过长的数据会导致识别结果的较大误差，这是因为参数一直在变化，要满足较长时间尺度内的误差最小，就不得不使得一些参数极大偏离实际值；而过短的数据容易导致过拟合问题。实际测试发现，当所识别的历史数据长度约为4-8h时，能较好地避免上述问题。同时，所提出的在线参数识别方法，以大量历史数据进行离线训练，得到参数大致范围，在线识别时可以保证较高的准确度。
步骤S3中，数据采样间隔为5s，基于大量历史数据的离线辨识，设置参数的大致范围；对最近历史6h的数据，进行参数识别，误差为Fise1；每30min进行一次准确度校验，若这个时段内的360个数据点误差Fise2超过Fise1/30，则根据最新的6h内历史数据及上次的参数计算出的Tm0进行识别，更新参数。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，其特征在于，包括以下步骤：
S1、建立变频空调二阶ETP模型，并对其离散化处理；
S2、建立智能用电网络，实时采集电环境及用电负荷数据；
S3、对二阶ETP模型参数进行在线辨识。
2.根据权利要求1所述的一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，其特征在于，步骤S1中，所述二阶ETP模型的一阶微分方程组如下：
其中，Ra、Ca和Rm、Cm分别为室内气体和固体的热容及热阻，Ta,in(t)和Tm,in(t)为室内气体和固体的温度，Tout(t)表示室外温度。
3.根据权利要求2所述的一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，其特征在于：变频空调压缩机功率Pacc与频率f近似为一次线性关系，制热/冷量Qacc与频率f近似为二次关系；空调制热/冷量与气功率的比值为空调能效比，即cop，与定频空调不同，变频空调压缩机的cop不是固定值，随功率Pacc增大而减小，以下为cop的计算表达式：
4.根据权利要求3所述的一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，其特征在于，对二阶ETP模型进行离散化处理，得到结果如下：
Q(ti)＝Cop(P(ti))P(ti) (4)
式中，Δt为时间步长。
5.根据权利要求4所述的一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，其特征在于：所述时间步长Δt取值为5s。
6.根据权利要求1所述的一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，其特征在于，步骤S2中，所述智能用电网络能效终端包括智能插座、智能红外、智能人体红外感应及温湿度传感器；
所述智能插座负责采集空调运行参数、控制电器开关，其采用突变上传机制，实现100ms级别的监测；
所述智能红外用于空调的遥控；
所述智能人体红外感应用于监测房间内是否有人，有人无人情况变化时发出告警，每次监测间隔为5min；
所述温湿度传感器在室内外分别安装一台，室内的安装在分体式变频空调的右侧等高墙壁处。
7.根据权利要求6所述的一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，其特征在于：所述智能插座、智能红外、智能人体红外感应均采用Zigbee无线通信，内置德州仪器的CC2530芯片，所述Zigbee终端烧录路由程序，所述温湿度传感器采用RS-485通信，通过RS-485转USB工具接入能量信息网关，网关内置德州仪器的CC2538芯片，通过Wi-Fi与云端服务器通信，用户通过客户端从云端获取数据，也可以远程对能效终端进行控制。
8.根据权利要求5所述的一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，其特征在于，步骤S3中，在线辨识的步骤流程如下：
S30、开始；
S31、根据历史6h数据辨识得到ETP模型参数Ra、Ca、Rm、Cm、Tm0以及误差Fise1；
S32、根据ETP模型参数计算6h小时内第一个5min末的固体温度Tm(5min)；
S33、接收最新5min数据，更新Tm0＝Tm(5min)，更新6h历史数据；
S34、根据模型参数及实际数据计算5min内误差Fise2；
S35、判断是否满足Fise2≥Fise1/30，若否，则直接更新误差Fise1；若是，则根据历史6h数据，在Tm0不变的基础上重写辨识ETP模型参数，更新Ra、Ca、Rm、Cm，然后再更新误差Fise1；
S36、判断在线辨识是否结束，若是，则辨识过程直接结束；若否，则返回步骤S32重新开始前述步骤。
9.根据权利要求1所述的一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法，其特征在于，步骤S3中，采用粒子群算法对对二阶模型参数进行在线辨识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110559781.8A CN113219930A (zh) | 2021-05-21 | 2021-05-21 | 一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110559781.8A CN113219930A (zh) | 2021-05-21 | 2021-05-21 | 一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113219930A true CN113219930A (zh) | 2021-08-06 |
Family
ID=77098038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110559781.8A Pending CN113219930A (zh) | 2021-05-21 | 2021-05-21 | 一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113219930A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114440428A (zh) * | 2021-12-30 | 2022-05-06 | 深圳供电局有限公司 | 变频空调等效热参数的在线辨识方法、装置、设备和介质 |
| CN114593505A (zh) * | 2022-03-29 | 2022-06-07 | 海南省电力学校(海南省电力技工学校) | 一种基于二阶等效热参数模型的变频空调负荷虚拟储能建模方法 |
| CN114738958A (zh) * | 2022-04-06 | 2022-07-12 | 合肥工业大学 | 变频空调负荷优化调控方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105159085A (zh) * | 2015-09-09 | 2015-12-16 | 东南大学 | 空调所属建筑物二阶等效热参数模型的实时参数辨识方法 |
| CN105204334A (zh) * | 2015-09-09 | 2015-12-30 | 东南大学 | 基于递推最小二乘法的空调所属建筑物一阶模型实时参数辨识方法 |
| CN106487011A (zh) * | 2016-11-28 | 2017-03-08 | 东南大学 | 一种基于q学习的户用微电网能量优化方法 |
| CN107101324A (zh) * | 2017-04-14 | 2017-08-29 | 东南大学 | 一种变频空调负荷群的一致性控制方法 |
| CN110686380A (zh) * | 2019-10-15 | 2020-01-14 | 华北电力科学研究院有限责任公司 | 空调负荷集群的调控方法及装置 |
| CN111555274A (zh) * | 2020-05-08 | 2020-08-18 | 燕山大学 | 一种空调负荷需求响应能力动态评估方法 |
| US20200302561A1 (en) * | 2017-10-09 | 2020-09-24 | Total Solar International | Decoupled modeling methods and systems |
-
2021
- 2021-05-21 CN CN202110559781.8A patent/CN113219930A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105159085A (zh) * | 2015-09-09 | 2015-12-16 | 东南大学 | 空调所属建筑物二阶等效热参数模型的实时参数辨识方法 |
| CN105204334A (zh) * | 2015-09-09 | 2015-12-30 | 东南大学 | 基于递推最小二乘法的空调所属建筑物一阶模型实时参数辨识方法 |
| CN106487011A (zh) * | 2016-11-28 | 2017-03-08 | 东南大学 | 一种基于q学习的户用微电网能量优化方法 |
| CN107101324A (zh) * | 2017-04-14 | 2017-08-29 | 东南大学 | 一种变频空调负荷群的一致性控制方法 |
| US20200302561A1 (en) * | 2017-10-09 | 2020-09-24 | Total Solar International | Decoupled modeling methods and systems |
| CN110686380A (zh) * | 2019-10-15 | 2020-01-14 | 华北电力科学研究院有限责任公司 | 空调负荷集群的调控方法及装置 |
| CN111555274A (zh) * | 2020-05-08 | 2020-08-18 | 燕山大学 | 一种空调负荷需求响应能力动态评估方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114440428A (zh) * | 2021-12-30 | 2022-05-06 | 深圳供电局有限公司 | 变频空调等效热参数的在线辨识方法、装置、设备和介质 |
| CN114593505A (zh) * | 2022-03-29 | 2022-06-07 | 海南省电力学校(海南省电力技工学校) | 一种基于二阶等效热参数模型的变频空调负荷虚拟储能建模方法 |
| CN114593505B (zh) * | 2022-03-29 | 2023-08-29 | 海南省电力学校(海南省电力技工学校) | 一种基于二阶等效热参数模型的变频空调负荷虚拟储能建模方法 |
| CN114738958A (zh) * | 2022-04-06 | 2022-07-12 | 合肥工业大学 | 变频空调负荷优化调控方法和系统 |
| CN114738958B (zh) * | 2022-04-06 | 2024-01-19 | 合肥工业大学 | 变频空调负荷优化调控方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113219930A (zh) | 一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法 | |
| CN102705957B (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及系统 | |
| CN111336669B (zh) | 基于模型预测控制的室内空调通风系统 | |
| CN107991964B (zh) | 一种室内环境智能监测控制方法及实现该方法的系统 | |
| Zong et al. | Application of model predictive control for active load management in a distributed power system with high wind penetration | |
| CN102779228B (zh) | 商场建筑中央空调冷负荷在线预测方法及系统 | |
| CN106196423B (zh) | 一种基于模型预测的室内环境品质控制优化方法 | |
| TWI435038B (zh) | 空調控制裝置與方法 | |
| CN106899468A (zh) | 基于物联网的智能家居系统 | |
| CN109827299A (zh) | 基于物联网空气处理机组调节方法、装置、系统和介质 | |
| CN111555274B (zh) | 一种空调负荷需求响应能力动态评估方法 | |
| CN215724029U (zh) | 一种中央空调自适应控制系统 | |
| CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
| CN115220351A (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 | |
| CN110909904A (zh) | 基于无线互联与数据挖掘技术的终端用户负荷预测系统 | |
| CN110848896A (zh) | 基于神经网络的空调冷却系统智能节能控制系统及方法 | |
| CN115307297A (zh) | 多形式中央空调节能控制系统 | |
| Han et al. | Physical-data fusion modeling method for energy consumption analysis of smart building | |
| CN115047821A (zh) | 一种生猪养殖环境智能监测系统及其评价方法 | |
| CN106502121B (zh) | 一种智能家居控制系统 | |
| CN113535233B (zh) | 用于暖通云边协同的人工智能系统 | |
| CN109857177A (zh) | 一种建筑电气节能监测方法 | |
| CN211177306U (zh) | 基于神经网络的空调冷却系统智能节能控制系统 | |
| CN112378052A (zh) | 室内舒适度调节方法、装置、系统、计算机设备及存储介质 | |
| CN116520718A (zh) | 一种基于物联网技术的智能家居自适应控制方法和装置 |
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 |