CN113757852A - 基于数字孪生技术的多联机空调机组控制方法及控制系统 - Google Patents
基于数字孪生技术的多联机空调机组控制方法及控制系统 Download PDFInfo
- Publication number
- CN113757852A CN113757852A CN202110991761.8A CN202110991761A CN113757852A CN 113757852 A CN113757852 A CN 113757852A CN 202110991761 A CN202110991761 A CN 202110991761A CN 113757852 A CN113757852 A CN 113757852A
- Authority
- CN
- China
- Prior art keywords
- heat flow
- moment
- predicted
- indoor
- conditioning unit
- 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.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
- F24F5/0007—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning
- F24F5/0017—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning using cold storage bodies, e.g. ice
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
- F24F5/0046—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater using natural energy, e.g. solar energy, energy from the ground
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
- F24F5/0046—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater using natural energy, e.g. solar energy, energy from the ground
- F24F2005/0064—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater using natural energy, e.g. solar energy, energy from the ground using solar energy
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/14—Thermal energy storage
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Sustainable Development (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Sustainable Energy (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于数字孪生技术的多联机空调机组控制方法及控制系统,属于暖通空调领域,包括:获取给定时刻的室内测量数据并利用功能区的阻容模型计算实际热流量;计算给定时刻之前n‑1个时刻实际热流量并输入时序预测模型,得到第一预测热流量;分别获取给定时刻之前n‑1个时刻室内测量数据,分别输入至三个时序预测模型,得到室内测量数据预测值,并利用阻容模型计算第二预测热流量;对于给定时刻及其前的n‑1个时刻,根据两个预测热流量线性拟合实际热流量,得到拟合函数;根据目标时刻的两个预测热流量及前一时刻拟合函数计算热流量预测值,并依此对功能区内的空调机组进行控制。本发明能够提高多联机空调机组控制的实时性、准确性和适用性。
Description
技术领域
本发明属于暖通空调领域,更具体地,涉及一种基于数字孪生技术的多联机空调机组控制方法及控制系统。
背景技术
当前的制冷空调系统是通过对空间整体进行冷却或升温实现区域温度调节,从而起到满足室内人员舒适性需求的效果。但这种温度调节逻辑通常是由设定温湿度和传感器探测的室内温室度之间的差异触发的反馈调节来实现的。然而,这种控制逻辑存在两点不足:
(1)这种控制逻辑是滞后控制逻辑,换句话说,空调系统的调节行动总是落后于环境条件变化的,只有当室内热环境已经引起了室内人员不舒适感,温度调控逻辑才会进行;
(2)这种控制逻辑的调控只将温湿度变化作为响应变量,因此为了在短时间内快速将室内温湿度调节至设定值,往往是忽略了用能成本的;当建筑结构存在多个不同功能区,且每个功能区存在不同的最佳温湿度需求时,对每个空间的通风量、制冷剂流量的调控会更加复杂。因此,这种控制逻辑是无法同时实现能耗最小化的要求的。
建筑行业在中国节能和减缓气候变化中发挥着重要作用。根据清华大学建筑能源研究中心(BERC)的数据,2018年建筑行业的一次能源消耗为1123百万吨煤当量(Mtce),与建筑能耗相关的碳排放总量约为22亿吨二氧化碳,且中国的建筑业耗能在未来几年将继续增长。供热通风与空气调节(Heating,Ventilation and Air Conditioning,HVAC)系统的持续能耗占建筑能耗累积最终使用的很大一部分。建筑物能源消耗中约有40%归因于HVAC。影响机组运行能耗的主要原因之一是其控制方法,为了提高其运行效率和节约能耗,需要优化多联机空调机组的运行控制,在实现预先或同步调节室内温湿度的同时,保证其能耗最小化。通过采用更平滑、平稳的温湿度调控策略,减少能耗峰值的产生对设备的损耗。
在申请公布号为CN112128922A的专利申请文件中,公开了一种多联机空调系统的温控方法及装置。其主要思想为:采集数据,建立空调内机风机转速与水阀开度计算模型,计算水阀开度或风机转速调节矩阵,实现机组温度群控,提高温度控制效果。然而,该方法存在以下缺陷:温度调节逻辑仅基于设备端建立,缺乏与建筑热环境的动态对应和联系,在温度调控的实时性上不能满足需求。
在授权公告号为CN212362370U的专利申请文件中,公开了一种多联机温控系统及多联机设备。该系统包括:多个采集装置,设置在室内不同位置处,用于采集室内温度;远程监控装置,通过网关连接室内所有内机,用于根据室外环境温度以及所述室内温度,对室内的内机进行温度控制,以形成温度渐变的温度场,或者,智能分区的温度场。然而,该系统存在以下缺陷:温场分布控制过于复杂,易受室内人员活动影响,加重了设备计算负担,增加了设备压力和成本,且在民用别墅多联机空调温度调控上适用性不高。
总的来说,现有的针对多联机空调机组的控制方法,实时性、准确性和适用性有待进一步提高。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于数字孪生技术的多联机空调机组控制方法及控制系统,其目的在于,提高多联机空调机组控制的实时性、准确性和适用性。
为实现上述目的,按照本发明的一个方面,提供了一种基于数字孪生技术的多联机空调机组控制方法,以功能区为单位进行控制,且对于每一个功能区的控制包括:
热流量计算步骤:获取给定时刻的室内测量数据,并利用功能区的阻容模型计算对应时刻的室内空气热流量,记为实际热流量;室内测量数据包括墙体温度、室内空气温度和室内蓄热体温度;
第一预测步骤:分别计算给定时刻之前n-1个时刻中各时刻的实际热流量,得到热流量时序序列,并输入至已训练好的时序预测模型,得到给定时刻的室内空气热流量预测值,记为第一预测热流量;
第二预测步骤:分别获取给定时刻之前n-1个时刻中各时刻的室内测量数据,得到三个温度时序序列,分别输入至已训练好的三个时序预测模型,得到给定时刻的室内测量数据中各温度的预测值,并利用阻容模型计算给定时刻的室内空气热流量预测值,记为第二预测热流量;
线性拟合步骤:分别计算给定时刻及其前的n-1个时刻中各时刻的实际热流量、第一预测热流量和第二预测热流量,通过线性拟合得到根据同一时刻的第一预测热流量和第二预测热流量拟合对应时刻的实际热流量的拟合函数;
预测控制步骤:对于每一个待预测的目标时刻,获得前一时刻的拟合函数,并分别计算目标时刻的第一预测热流量和第二预测热流量,代入拟合函数,得到目标时刻的室内空气热流量预测值,并依据预测结果对功能区内的空调机组进行控制。
在一些可选的实施例中,第一预测步骤中,使用的时序预测模型为LSTM模型。
在一些可选的实施例中,第二预测步骤中,使用的时序预测模型均为LSTM模型。
进一步地,阻容模型的计算公式为:
其中,Qgen表示室内空气热流量;Tout和Tw分别表示室外温度和墙体温度,Rwin表示窗户热阻,Rw1墙体与室外环境间传热热阻,Rw2表示墙体与室内空气间传热热阻,Cw表示墙体热容,Qsolar,w表示墙体吸收的来自太阳辐照的热流量;Tin表示室内空气温度,Cin表示室内空气的热容,Qsolar,in表示室内空气所吸收的来自太阳辐照的热流量,Qhvac表示空调产生的热流,Qin表示室内其他热源产生的热流;Tim表示室内蓄热体温度,Rim表示室内蓄热体的热阻,Cin表示室内蓄热体的热容,Qsolar,im表示室内蓄热体吸收的来自太阳辐照的热流量。
进一步地,预测控制步骤中,依据预测结果对功能区内的空调机组进行控制,包括:
其中,th表示预设的阈值,th>0。
进一步地,工作模式为自定义模式和自动模式,并且,
若工作模式为自定义模式,则对空调机组的制冷剂流量进行控制,具体是指对空调机组的制冷剂流量进行控制,使得在目标时刻,室内空气温度位于用户自定义的温度范围内;
若工作模式为自动模式,则对空调机组的制冷剂流量进行控制,具体是指使制冷剂流量在Δt的时间间隔内匀速增长或匀速减少,使得在目标时刻,室内空气温度位于预设的温度范围内;
其中,Δt表示相邻两个时刻之间的时间间隔。
进一步地,Δt=5~10min。
按照本发明的另一个方面,提供了一种基于数字孪生技术的多联机空调机组控制系统,包括:用户层和设备层;
用户层包括:热流量计算模块、第一预测模块、第二预测模块、线性拟合模块以及目标预测模块;
热流量计算模块,用于获取给定时刻的室内测量数据,并利用功能区的阻容模型计算对应时刻的室内空气热流量,记为实际热流量;室内测量数据包括墙体温度、室内空气温度和室内蓄热体温度;
第一预测模块,用于分别计算给定时刻之前n-1个时刻中各时刻的实际热流量,得到热流量时序序列,并输入至已训练好的时序预测模型,得到给定时刻的室内空气热流量预测值,记为第一预测热流量;
第二预测模块,用于分别获取给定时刻之前n-1个时刻中各时刻的室内测量数据,得到三个温度时序序列,分别输入至已训练好的三个时序预测模型,得到给定时刻的室内测量数据中各温度的预测值,并利用阻容模型计算给定时刻的室内空气热流量预测值,记为第二预测热流量;
线性拟合模块,用于分别计算给定时刻及其前的n-1个时刻中各时刻的实际热流量、第一预测热流量和第二预测热流量,通过线性拟合得到根据同一时刻的第一预测热流量和第二预测热流量拟合对应时刻的实际热流量的拟合函数;
目标预测模块,用于对于每一个待预测的目标时刻,获得前一时刻的拟合函数,并分别计算目标时刻的第一预测热流量和第二预测热流量,代入拟合函数,得到目标时刻的室内空气热流量预测值并按照计算目标时刻的室内空气热流量变化值发送至设备层;t表示目标时刻,表示t-1时刻的实际热流量;
进一步地,设备层包括调控模块,用于根据空调机组的工作模式对其制冷剂流量进行控制;
其中,th表示预设的阈值,th>0。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明运用数字孪生技术,对建筑内的不同功能区分别进行控制,能够将热源分区分块处理,简化了建筑的数据物理模型更新时的计算量,能够提高求解效率,从而提高控制的实时性;在对特定时刻进行控制时,先利用前一时刻的拟合函数预测该时刻的室内空气总热流量,该拟合函数中,其中一项为利用阻容模型计算历史时刻的室内空气热流量,以得到的热流量时序序列为时序预测模型的输入,得到的室内空气热流量预测值,另一项为以历史时刻的室内测量数据序列为时序预测模型的输入,得到室内测量数据的预测值后,再利用阻容模型计算的室内空气热流量预测值,因此,该拟合函数综合了时序预测模型的预测结果和阻容模型的计算结果,能够有效提高对于热流量的预测精度;本发明对于每一个时刻,都会重新进行拟合,达到了实时更新的效果,因此,最终用于热流量预测的拟合函数对对现实情况的契合度将会随着时间推进不断提高,预测精度也得到了提高;本发明在对空调机组进行控制的过程中通过模型改进实现控制精度和实时性的提高,无需更改硬件设备,因此,能够避免增加设备压力和控制成本,提高了适用性。总体而言,本发明有效提高了对多联机空调机组的控制精度、实时性和适用性。
(2)本发明仅在预测的冷量需求变化率高于一定的阈值时,才会对空调机组的制冷剂流量进行控制,能够有效减少不必要的控制操作,在保证控制效果的基础上进一步减少控制计算量,提高控制的实时性。
(3)本发明所提供的控制系统,采用分层控制的逻辑,将整个控制系统分为用户层和设备层,用户层只需执行相应的预测步骤,得到目标时刻的室内空气总热流量预测值,并确定是否需要触发设备层;最终具体的冷量平衡由则是由底层的空调设备端通过调节风量以及制冷剂流量自行完成优化过程。
附图说明
图1为现有的阻容模型示意图;
图2为本发明实施例提供的基于数字孪生技术的多联机空调机组控制方法示意图;
图3为本发明实施例提供的基于数字孪生技术的多联机空调机组控制系统示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
为了提高对多联机空调机组的控制准确性、实时性和适用性,本发明提供了一种基于数字孪生技术的多联机空调机组控制方法及控制系统,其整体思路在于:(1)运用时序预测算法,基于建筑历史能耗信息和环境参数变量,对短期室内温度变化进行预测,从而提前获得环境变化信息,实现同步或预先调节空调制冷或制热量;(2)除室内外温湿度变化外,电器开关状态、光照强度、室内送风量、回风量、室内人员数目等参数都将被实时采集,并用于仿真软件建立动态建筑仿真模型;通过仿真模型计算出建筑内各不同功能区的热负荷;将预测得到的Δt时刻后的室内外温湿度数值输入动态仿真模型,即可预先获得Δt时刻后室内各功能区的热负荷,与当前时刻室内热负荷进行比较即可得到所需要的调节的制冷量或制热量,并进行相应的调控。
本发明提供的基于数字孪生技术的多联机空调机组控制方法及控制系统,可适用于民用别墅等各类中小型建筑。在详细解释本发明的技术方案之前,先对相关的技术术语作出如下解释:
功能区是指建筑内为满足人日常起居生活中多种事物的各种建筑空间,如厨房、客厅、卫生间、书房、卧室等;建筑内的功能区在建筑设计完成后即自然存在。
数字孪生技术,是指通过不断的更新现实世界实时物理参数数据,输入到数据世界中对应的建筑物理模型中,从而达到实时更新建筑数字模型的效果,并通过数据世界的模型用能优化结果,对现实世界的建筑空调运行给出调控指令达到目标室内舒适度的过程;为了实时保证建筑热舒适性,本发明中,这个过程在每次传感器采样后就会进行一次。
阻容模型可用来对建筑室内热动态变化进行模拟;对于单一功能区,建筑物仿真采用阻容模型的建模策略来模拟室内热动态变化,对于任意单一功能区,其建筑阻容模型均可按图1所示的形式进行表达,该模型由三大部分组成。第一个部分是建筑围护结构,其中Tout和Tw分别表示室外温度和墙体温度,Rwin表示窗户热阻,Rw1墙体与室外环境间传热热阻,Rw2表示墙体与室内空气间传热热阻,Cw表示墙体热容,Qsolar,w表示墙体吸收的来自太阳辐照的热流量,热容Cw表征了墙体在太阳辐照热流量Qsolar,w下的储热能力;第二部分为室内空气,Tin表示室内空气温度,Cin表示室内空气的热容,Qsolar,in表示室内空气所吸收的来自太阳辐照的热流量,Qhvac表示空调产生的热流,Qin表示室内人员、电器、照明等室内其他热源产生的热流,在空调产生的热流Qhvac和室内人员、电器、照明等产生的热流Qin以及太阳辐射所带来的热流Qsolar,in的综合影响下,室内空气温度Tin也会随之变化,而调控的目的,即是使室内空气温度Tin保持在热舒适范围内波动,热容Cin同样表征的是室内空气的储热能力;第三部分是室内蓄热体,Tim表示室内蓄热体温度,Rim表示室内蓄热体的热阻,Cin表示室内蓄热体的热容,太阳辐射的热流不仅会被室内空气吸收储存,同样也会被室内受辐射蓄热单元吸收储存,Qsolar,im即表示室内蓄热体吸收的来自太阳辐照的热流量。
通过传感器可以实现对墙体温度Tw、室内空气温度Tin、室内蓄热体温度Tim的实时测量,建筑围护结或蓄热体构的热容热阻也都可以事先通过测量得到,为固定参数,因此热区内各温度节点的热流总量的实时大小也可以通过如下公式计算得到:
其中,对室内温度调控有直接影响的单位时间室内空气总热流量Qgen是阻容模型模拟关注的重点,本发明所使用的阻容模型,即由上述公式表示。
本发明基于上述阻容模型,结合预测算法,事先预知室内热流的动态变化,能够及时做出响应,达到了提前调控的效果。以下为实施例。
实施例1:
一种基于数字孪生技术的多联机空调机组控制方法,以功能区为单位进行控制,且对于每一个功能区的控制包括:
热流量计算步骤:获取给定时刻的室内测量数据,并利用功能区的阻容模型计算对应时刻的室内空气热流量,记为实际热流量;室内测量数据包括墙体温度、室内空气温度和室内蓄热体温度;
第一预测步骤:分别计算给定时刻之前n-1个时刻中各时刻的实际热流量,得到热流量时序序列,并输入至已训练好的时序预测模型,得到给定时刻的室内空气热流量预测值,记为第一预测热流量;
第二预测步骤:分别获取给定时刻之前n-1个时刻中各时刻的室内测量数据,得到三个温度时序序列,即墙体温度时序序列、室内空气温度时序序列和室内蓄热体温度时序序列,分别输入至已训练好的三个时序预测模型,得到给定时刻的室内测量数据中各温度的预测值,并利用阻容模型计算给定时刻的室内空气热流量预测值,记为第二预测热流量;
线性拟合步骤:分别计算给定时刻及其前的n-1个时刻中各时刻的实际热流量、第一预测热流量和第二预测热流量,通过线性拟合得到根据同一时刻的第一预测热流量和第二预测热流量拟合对应时刻的实际热流量的拟合函数;
预测控制步骤:对于每一个待预测的目标时刻,获得前一时刻的拟合函数,并分别计算目标时刻的第一预测热流量和第二预测热流量,代入拟合函数,得到目标时刻的室内空气热流量预测值,并依据预测结果对功能区内的空调机组进行控制;
可选地,本实施例的第一预测步骤和第二预测步骤中,使用的时序预测模型均为LSTM(Long Short-Term Memory,长短期记忆)模型;应当说明的是,LSTM模型仅为本发明一种可选的时序预测模型,不应理解为对本发明的唯一限定,在本发明其他的一些实施例中,也可以使用ARMA模型等其他预测模型。
本实施例中,n为预设的正整数,可根据建筑实际的负荷情况相应设定。
为了对本发明的方法步骤做更为详细的解释,以下以一个特定的目标时刻,即t时刻的热流量预测为例进行说明。如图2所示,对于t时刻,室内空气热流量的预测具体包括如下步骤:
S1.传感器采集得到(t-n)至(t-1)时刻的室内测量数据,包括室内墙体温度Tw、室内空气温度Tin、室内蓄热体温度Tim,以及环境测量数据,如室外温度Tout、室外湿度Hout、室外压强Pout;
S2.首先运用(t-n)至(t-2)时刻室内外各参数数据,根据阻容模型计算得到(t-n)至(t-2)时刻的室内空气总热流量以计算得到的热流量时序序列为数据基础,训练得到LSTM室内空气总热流量预测模型,并输出(t-1)时刻的室内空气热流量预测值
S3.运用(t-n)至(t-2)时刻室内外各参数数据,训练得到墙体温度、室内空气温度、室内蓄热体温度的LSTM预测模型,并输出(t-1)时刻的上述三种温度预测值,根据预测得到的(t-1)时刻的墙体温度、室内空气温度、室内蓄热体温度,通过阻容模型计算得到(t-1)时刻的室内空气热流量值
后续每一时刻即为上述过程的重复滚动过程,在重复滚动的过程中,每个时刻的拟合函数都会得到更新,达到了实时更新的效果;上述步骤S1~S5拟合得到的拟合函数综合了时序预测模型的预测结果和阻容模型的计算结果,能够有效提高对于热流量的预测精度,因此,步骤S7中预测得到的目标时刻(即t时刻)的室内空气热流量具有较高的精度。
基于对室内空气热流量实时、精确的预测结果,本实施例可实现对各功能区的空调机组实时、精确的控制;
本实施例的预测控制步骤中,依据预测结果对功能区内的空调机组进行控制,包括:
其中,th表示预设的阈值,th>0;在实际应用中,阈值th可根据空调机组的工作模式和相应的控制要求设置;
根据用户使用习惯的不同,空调机组的工作模式可分为两种不同的模式:自定义模式和自动模式;
自定义模式下,各功能区的最舒适温度值由用户自行设定,这种模式下控制的核心是将室内温度稳定控制在用户的设定值附近,能耗是否最低则不是控制中心关注的主要问题;为了将室内空气温度精准控制在设定值附近,要求热负荷变化率的变化阈值较小,例如5%;若工作模式为自定义模式,则对空调机组的制冷剂流量进行控制,具体是指对空调机组的制冷剂流量进行控制,使得在目标时刻,室内空气温度位于用户自定义的温度范围内;自定义模式下的响应在平稳控制的前提下会更追求响应速度,可采用响应速度较快的指数变化来更快达到计算得到的制冷剂流量峰值;
在自动模式下,则是在总能耗最低的前提下,将室内温度控制在相关研究给出的人体最舒适温度区间内,这种工作模式下,热负荷变化率的变化率阈值可设置较大,例如10%;若工作模式为自动模式,则对空调机组的制冷剂流量进行控制,具体是指使制冷剂流量在Δt的时间间隔内匀速增长或匀速减少,使得在目标时刻,室内空气温度位于预设的温度范围内;由于室内热负荷的变化同样也是基于时间的累计效应的结果,这种匀速增长或减少的制冷剂流量控制模式可以使得室内空气温度变化更平稳;同时在室内热负荷形式复杂多变或者外界环境迅速变化的情况下,能使室内机组的运行控制更平滑,在能耗曲线上的表现则是减少用能瞬时高峰的出现频率;
其中,Δt表示相邻两个时刻之间的时间间隔,为了保证控制的实时性,可选地,本实施例中,Δt=5~10min。
实施例2:
一种基于数字孪生技术的多联机空调机组控制系统,如图3所示,包括:用户层和设备层;
用户层包括:热流量计算模块、第一预测模块、第二预测模块、线性拟合模块以及目标预测模块;
热流量计算模块,用于获取给定时刻的室内测量数据,并利用功能区的阻容模型计算对应时刻的室内空气热流量,记为实际热流量;室内测量数据包括墙体温度、室内空气温度和室内蓄热体温度;
第一预测模块,用于分别计算给定时刻之前n-1个时刻中各时刻的实际热流量,得到热流量时序序列,并输入至已训练好的时序预测模型,得到给定时刻的室内空气热流量预测值,记为第一预测热流量;
第二预测模块,用于分别获取给定时刻之前n-1个时刻中各时刻的室内测量数据,得到三个温度时序序列,分别输入至已训练好的三个时序预测模型,得到给定时刻的室内测量数据中各温度的预测值,并利用阻容模型计算给定时刻的室内空气热流量预测值,记为第二预测热流量;
线性拟合模块,用于分别计算给定时刻及其前的n-1个时刻中各时刻的实际热流量、第一预测热流量和第二预测热流量,通过线性拟合得到根据同一时刻的第一预测热流量和第二预测热流量拟合对应时刻的实际热流量的拟合函数;
目标预测模块,用于对于每一个待预测的目标时刻,获得前一时刻的拟合函数,并分别计算目标时刻的第一预测热流量和第二预测热流量,代入拟合函数,得到目标时刻的室内空气热流量预测值并按照计算目标时刻的室内空气热流量变化值发送至设备层;t表示目标时刻,表示t-1时刻的实际热流量;
设备层包括:
进一步地,调控模块,用于根据空调机组的工作模式对其制冷剂流量进行控制;
其中,th表示预设的阈值,th>0;
图3中的TS模型即为时序预测模型,可选地,本是实施例中,该时序模型具体为LSTM模型;
本实施例中,各模块的具体实施方式可参考上述方法实施例中的描述,在此将不作复述。
如图3所示,本实施例具体的实现策略分为两大部分:一是用户层的建筑物理模型和室内温湿度预测模型的构建;二是设备层根据输入信息进行相应的多联机空调机组运行参数优化调控。本实施例采用这种分层控制的逻辑,将整个控制系统分为用户层和设备层,用户层只需执行相应的预测步骤,得到目标时刻的室内空气总热流量预测值,并确定是否需要触发设备层;最终具体的冷量平衡由则是由底层的空调设备端通过调节风量以及制冷剂流量自行完成优化过程。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于数字孪生技术的多联机空调机组控制方法,其特征在于,以功能区为单位进行控制,且对于每一个功能区的控制包括:
热流量计算步骤:获取给定时刻的室内测量数据,并利用功能区的阻容模型计算对应时刻的室内空气热流量,记为实际热流量;所述室内测量数据包括墙体温度、室内空气温度和室内蓄热体温度;
第一预测步骤:分别计算给定时刻之前n-1个时刻中各时刻的实际热流量,得到热流量时序序列,并输入至已训练好的时序预测模型,得到给定时刻的室内空气热流量预测值,记为第一预测热流量;
第二预测步骤:分别获取给定时刻之前n-1个时刻中各时刻的室内测量数据,得到三个温度时序序列,分别输入至已训练好的三个时序预测模型,得到给定时刻的室内测量数据中各温度的预测值,并利用所述阻容模型计算给定时刻的室内空气热流量预测值,记为第二预测热流量;
线性拟合步骤:分别计算给定时刻及其前的n-1个时刻中各时刻的实际热流量、第一预测热流量和第二预测热流量,通过线性拟合得到根据同一时刻的第一预测热流量和第二预测热流量拟合对应时刻的实际热流量的拟合函数;
预测控制步骤:对于每一个待预测的目标时刻,获得前一时刻的拟合函数,并分别计算目标时刻的第一预测热流量和第二预测热流量,代入拟合函数,得到目标时刻的室内空气热流量预测值,并依据预测结果对功能区内的空调机组进行控制。
2.如权利要求1所述的基于数字孪生技术的多联机空调机组控制方法,其特征在于,所述第一预测步骤中,使用的时序预测模型为LSTM模型。
3.如权利要求2所述的基于数字孪生技术的多联机空调机组控制方法,其特征在于,所述第二预测步骤中,使用的时序预测模型均为LSTM模型。
4.如权利要求1~3任一项所述的基于数字孪生技术的多联机空调机组控制方法,其特征在于,所述阻容模型的计算公式为:
其中,Qgen表示室内空气热流量;Tout和Tw分别表示室外温度和墙体温度,Rwin表示窗户热阻,Rw1墙体与室外环境间传热热阻,Rw2表示墙体与室内空气间传热热阻,Cw表示墙体热容,Qsolar,w表示墙体吸收的来自太阳辐照的热流量;Tin表示室内空气温度,Cin表示室内空气的热容,Qsolar,in表示室内空气所吸收的来自太阳辐照的热流量,Qhvac表示空调产生的热流,Qin表示室内其他热源产生的热流;Tim表示室内蓄热体温度,Rim表示室内蓄热体的热阻,Cin表示室内蓄热体的热容,Qsolar,im表示室内蓄热体吸收的来自太阳辐照的热流量。
6.如权利要求5所述的基于数字孪生技术的多联机空调机组控制方法,其特征在于,所述工作模式为自定义模式和自动模式,并且,
若所述工作模式为自定义模式,则对空调机组的制冷剂流量进行控制,具体是指对空调机组的制冷剂流量进行控制,使得在目标时刻,室内空气温度位于用户自定义的温度范围内;
若所述工作模式为自动模式,则对空调机组的制冷剂流量进行控制,具体是指使制冷剂流量在Δt的时间间隔内匀速增长或匀速减少,使得在目标时刻,室内空气温度位于预设的温度范围内;
其中,Δt表示相邻两个时刻之间的时间间隔。
7.如权利要求6所述的基于数字孪生技术的多联机空调机组控制方法,其特征在于,Δt=5~10min。
8.一种基于数字孪生技术的多联机空调机组控制系统,其特征在于,包括:用户层和设备层;
所述用户层包括:热流量计算模块、第一预测模块、第二预测模块、线性拟合模块以及目标预测模块;
所述热流量计算模块,用于获取给定时刻的室内测量数据,并利用功能区的阻容模型计算对应时刻的室内空气热流量,记为实际热流量;所述室内测量数据包括墙体温度、室内空气温度和室内蓄热体温度;
所述第一预测模块,用于分别计算给定时刻之前n-1个时刻中各时刻的实际热流量,得到热流量时序序列,并输入至已训练好的时序预测模型,得到给定时刻的室内空气热流量预测值,记为第一预测热流量;
所述第二预测模块,用于分别获取给定时刻之前n-1个时刻中各时刻的室内测量数据,得到三个温度时序序列,分别输入至已训练好的三个时序预测模型,得到给定时刻的室内测量数据中各温度的预测值,并利用所述阻容模型计算给定时刻的室内空气热流量预测值,记为第二预测热流量;
所述线性拟合模块,用于分别计算给定时刻及其前的n-1个时刻中各时刻的实际热流量、第一预测热流量和第二预测热流量,通过线性拟合得到根据同一时刻的第一预测热流量和第二预测热流量拟合对应时刻的实际热流量的拟合函数;
所述目标预测模块,用于对于每一个待预测的目标时刻,获得前一时刻的拟合函数,并分别计算目标时刻的第一预测热流量和第二预测热流量,代入拟合函数,得到目标时刻的室内空气热流量预测值并按照计算目标时刻的室内空气热流量变化值发送至所述设备层;t表示目标时刻,表示t-1时刻的实际热流量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991761.8A CN113757852B (zh) | 2021-08-27 | 2021-08-27 | 基于数字孪生技术的多联机空调机组控制方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991761.8A CN113757852B (zh) | 2021-08-27 | 2021-08-27 | 基于数字孪生技术的多联机空调机组控制方法及控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113757852A true CN113757852A (zh) | 2021-12-07 |
CN113757852B CN113757852B (zh) | 2022-10-14 |
Family
ID=78791444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110991761.8A Active CN113757852B (zh) | 2021-08-27 | 2021-08-27 | 基于数字孪生技术的多联机空调机组控制方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113757852B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2798530C1 (ru) * | 2022-05-04 | 2023-06-23 | федеральное государственное автономное образовательное учреждение высшего образования "Пермский национальный исследовательский политехнический университет" | Система управления технологическим процессом на подземном горнодобывающем предприятии в зависимости от спроса на электроэнергию |
CN117515808A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市博久科技工程有限公司 | 一种中央空调冷热源节能智控系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190032944A1 (en) * | 2017-07-28 | 2019-01-31 | Johnson Controls Technology Company | Dynamic central plant control based on load prediction |
CN110068110A (zh) * | 2019-04-02 | 2019-07-30 | 深圳市海源节能科技有限公司 | 一种中央空调负荷预测方法、智能终端及存储介质 |
CN111520883A (zh) * | 2020-04-29 | 2020-08-11 | 宁波溪棠信息科技有限公司 | 一种基于目标房间负荷预测的空调控制方法及系统 |
CN111598224A (zh) * | 2020-05-15 | 2020-08-28 | 西安建筑科技大学 | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 |
CN112628956A (zh) * | 2020-12-24 | 2021-04-09 | 华中科技大学 | 基于边云协同框架的冷水机组负荷预测控制方法和系统 |
US20210191343A1 (en) * | 2019-12-23 | 2021-06-24 | Johnson Controls Technology Company | Adaptively learning surrogate model for predicting building system dynamics from simulation model |
US20210190360A1 (en) * | 2019-04-23 | 2021-06-24 | Lg Electronics Inc. | Artificial intelligence device |
US20210222904A1 (en) * | 2020-01-17 | 2021-07-22 | Samsung Electronics Co., Ltd. | Method and apparatus for predicting time-series data |
CN113203187A (zh) * | 2021-04-28 | 2021-08-03 | 清华大学 | 基于部分线性模型的建筑暖通空调负荷优化控制方法 |
-
2021
- 2021-08-27 CN CN202110991761.8A patent/CN113757852B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190032944A1 (en) * | 2017-07-28 | 2019-01-31 | Johnson Controls Technology Company | Dynamic central plant control based on load prediction |
CN110068110A (zh) * | 2019-04-02 | 2019-07-30 | 深圳市海源节能科技有限公司 | 一种中央空调负荷预测方法、智能终端及存储介质 |
US20210190360A1 (en) * | 2019-04-23 | 2021-06-24 | Lg Electronics Inc. | Artificial intelligence device |
US20210191343A1 (en) * | 2019-12-23 | 2021-06-24 | Johnson Controls Technology Company | Adaptively learning surrogate model for predicting building system dynamics from simulation model |
US20210222904A1 (en) * | 2020-01-17 | 2021-07-22 | Samsung Electronics Co., Ltd. | Method and apparatus for predicting time-series data |
CN111520883A (zh) * | 2020-04-29 | 2020-08-11 | 宁波溪棠信息科技有限公司 | 一种基于目标房间负荷预测的空调控制方法及系统 |
CN111598224A (zh) * | 2020-05-15 | 2020-08-28 | 西安建筑科技大学 | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 |
CN112628956A (zh) * | 2020-12-24 | 2021-04-09 | 华中科技大学 | 基于边云协同框架的冷水机组负荷预测控制方法和系统 |
CN113203187A (zh) * | 2021-04-28 | 2021-08-03 | 清华大学 | 基于部分线性模型的建筑暖通空调负荷优化控制方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2798530C1 (ru) * | 2022-05-04 | 2023-06-23 | федеральное государственное автономное образовательное учреждение высшего образования "Пермский национальный исследовательский политехнический университет" | Система управления технологическим процессом на подземном горнодобывающем предприятии в зависимости от спроса на электроэнергию |
CN117515808A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市博久科技工程有限公司 | 一种中央空调冷热源节能智控系统 |
CN117515808B (zh) * | 2024-01-05 | 2024-06-04 | 深圳市博久科技工程有限公司 | 一种中央空调冷热源节能智控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113757852B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108413567B (zh) | 基于物联网的中央空调节费优化方法与系统 | |
Moon | Performance of ANN-based predictive and adaptive thermal-control methods for disturbances in and around residential buildings | |
Moon et al. | Comparative study of artificial intelligence-based building thermal control methods–Application of fuzzy, adaptive neuro-fuzzy inference system, and artificial neural network | |
CN101782261B (zh) | 暖通空调系统的非线性自适应节能控制方法 | |
Karunakaran et al. | Energy efficient fuzzy based combined variable refrigerant volume and variable air volume air conditioning system for buildings | |
Yang et al. | Optimal control strategy for HVAC system in building energy management | |
CN105864983A (zh) | 一种空调控制方法 | |
US20100006662A1 (en) | Air conditioning control system, supply air switching controller for use in the air conditioning control system, and air conditioning control method | |
CN109297140A (zh) | 一种基于人工智能的空调控制方法 | |
CN101655272A (zh) | 一种网络中央空调节能控制管理系统及其方法 | |
CN113339941B (zh) | 一种变频空调器控制方法 | |
CN106765898A (zh) | 控制空调器的方法 | |
CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
Dong | Non-linear optimal controller design for building HVAC systems | |
CN113757852B (zh) | 基于数字孪生技术的多联机空调机组控制方法及控制系统 | |
CN114738958B (zh) | 变频空调负荷优化调控方法和系统 | |
CN116294085A (zh) | 一种数据中心空调系统运行方法 | |
CN117515808B (zh) | 一种中央空调冷热源节能智控系统 | |
CN111649464A (zh) | 智能制冷系统的控制方法、系统、服务器以及计算机存储介质 | |
CN113239617B (zh) | 一种室内用电活动的经济低碳型电采暖优化调控方法 | |
CN106839257A (zh) | 一种控制空调器的方法 | |
TWI746087B (zh) | 空調系統控制方法 | |
CN109343461A (zh) | 一种楼宇自动化控制系统的节能控制方法 | |
CN112484250A (zh) | 一种基于室内热源信息的hvac在线监控系统及控制方法 | |
CN106765900A (zh) | 壁挂式空调器的控制方法 |
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 |