CN114383299B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114383299B CN114383299B CN202111583597.3A CN202111583597A CN114383299B CN 114383299 B CN114383299 B CN 114383299B CN 202111583597 A CN202111583597 A CN 202111583597A CN 114383299 B CN114383299 B CN 114383299B
- Authority
- CN
- China
- Prior art keywords
- central air
- data
- conditioning system
- conditioning
- energy consumption
- 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
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
- 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
- F24F11/62—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
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/84—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using valves
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/85—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using variable-flow pumps
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Abstract
本发明公开一种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,该方法针对室外不断变化的天气情况和室内负荷变化情况,通过对运行数据进行挖掘,建立最优控制模型,动态调整系统中的设定值或控制策略,从而在满足被控区域内人员舒适度需求的前提下,尽可能地降低空调系统能耗。本发明对空调系统能耗预测和优化控制进行深入研究,对建筑负荷进行预测,建立多种预测模型,基于强化学习方法,实现全局系统最优节能控制。本发明通过仿真验证控制策略对空调节能的有效性和可靠性,实现温度能够根据负荷需要以及环境变化实时调整,达到节能和降低空调系统能耗。
Description
技术领域
本发明属于大数据、策略优化、智能控制领域,尤其涉及大数据中央空调系统节能运行强化,具体为一种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。
背景技术
能源消耗一直是经久不衰的热门话题,全球每年的建筑能耗正在逐渐升高。数据显示,我国能耗主要分为三个部分:工业能耗、建筑能耗和交通能耗。根据我国的统计数据显示,我国建筑能耗在能源总消费量所占的比例已从上世纪末的10%上升到了近年的30%以上。在大型公共建筑能耗中,中央空调系统的总能耗所占的比例约为40%~60%,在有些夏季炎热地区甚至达到了70%以上。
通过研究发现,中央空调系统的能耗主要分布在冷水机组、水泵和冷却塔上。如今,国家对能源问题的重视程度和对节能工作的要求越来越越高,降低中央空调系统能耗就有着重大的社会意义。
中央空调的负荷、系统分区等问题引发冷热不均,冷冻水系统水力不平衡、冷水机组装机容量偏大等问题,是造成运行能耗大量浪费的原因。中央空调系统现场设备众多,合理的配置、合理的安装及合理的运行控制是机组健康运行的保证。目前国内设计商用空调、中央空调等主要是依据国家标准、行业标准及相关经验数据来进行的,设计出来的机组常常留有较大余量,不利于节能。与此同时,随着计算机技术、互联网技术的高速发展,大数据时代的到来已经势不可挡,数据量的爆炸式增长为各行各业带来了新的机遇和挑战。通过大数据分析则可以针对建筑不同地点、不同室内外环境、建筑的不同功能来设计机组以及其他现场设备(水泵、风机、冷却塔等),计算机可以模拟出设计的空调机组的运行工况,预测系统能耗及能够达到的室内环境品质,这将大大节省新产品研发的时间及成本。
经检索,公开号CN109084415B的中国专利于2021年4月2日公开一种基于神经网络和遗传算法的中央空调运行参数寻优方法,其通过BP神经网络建模、遗传算法优化的方式来寻找中央空调运行参数的最优变量,但其未在BP神经网络模型中引入中央空调关联规则模型,未考虑稳定运行数据中的关联规则对策略优化的影响。
公开号CN108954680A的中国专利于2018年12月7日一种基于运行数据的中央空调能耗预测方法,其公开了采用Boruta特征选择算法和BP神经网络相结合的方法,通过Boruta特征选择算法对运行数据进行能耗特征选择,得到能耗特征子集,且将能耗特征子集作为BP神经网络的输入参数,对中央空调能耗进行预测。但该专利申请同样未考虑稳定运行数据中的关联规则对策略优化的影响。
因此,本发明对于现有的中央空调系统,在神经网络模型的基础上引入关联规则模型构建混合遗传关联算法,通过大数据分析与动态仿真调整运行策略,从而取得良好的节能效果,达到空调系统节能的优化控制。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出一种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,该方法针对室外不断变化的天气情况和室内负荷变化情况,通过对运行数据进行挖掘,建立最优控制模型,动态调整系统中的设定值或控制策略,从而在满足被控区域内人员舒适度需求的前提下,尽可能地降低空调系统能耗。
根据本发明说明书的一方面,提供一种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,所述方法包括:
获取中央空调运行数据并进行数据预处理;
对中央空调运行数据进行能耗分析和能耗特征选择,得到能耗特征子集;
基于能耗特征子集,构建中央空调BP神经网络模型,所述BP神经网络模型以能效比作为模型输出;
基于能耗特征子集,利用中央空调系统稳定运行数据建立中央空调关联规则模型;
基于BP神经网络模型和关联规则模型构建混合遗传关联算法;
利用构建的混合遗传关联算法对机组控制参数寻优;
对混合遗传关联算法的优化数据拟合,得到不同控制变量随负荷率和能效比变化的趋势图,对优化后的中央空调控制系统参数趋势图进行分析。
作为进一步的技术方案,所述中央空调运行数据包括:中央空调主机、水泵、冷却塔、离心机、水冷机组的运行数据。
作为进一步的技术方案,所述方法采用皮尔逊积矩相关系数获取中央空调运行数据中各变量之间的相关性。
作为进一步的技术方案,当系统负荷变化,空调主机及水系统工作状态偏离最佳状态时,根据采集到的水系统运行参数(如系统供回水温度、供回水流量、供回水压差及环境温度等),推导得到系统在当前时刻所需的冷量或热量;依据系统在当前时刻所需的冷量或热量,优化系统的运行参数,并利用变频技术自动控制水泵类动力设备的功率、转速,以调节空调系统的循环流量,对系统运行参数进行动态调整。
作为进一步的技术方案,所述方法进一步包括:获取室外环境数据,并结合所述室外环境数据和中央空调系统运行大数据计算得到系统负荷的需求数据,基于所述需求数据优化系统设备的运行模式。
作为进一步的技术方案,所述方法进一步包括:在人工智能终端基于运行大数据进行系统自学习,并利用人工智能终端控制空调主机及水系统的运行模式。
作为进一步的技术方案,所述方法使用分区动态压差人工智能算法,减少空调总管能量的无端浪费。
作为进一步的技术方案,所述分区动态压差人工智能算法进一步包括:在线采集集水器各区域的最不利点水压差,低负荷或零负荷时间段自动减小或关闭此区域阀门开度,同时自适应旁通增大动态压差平衡阀门开度,在保障主机定水流量工况基础上,调整减小泵的用能投入。
与现有技术相比,本发明针对室外不断变化的天气情况和室内负荷变化情况,通过对运行数据进行挖掘,建立最优控制模型,动态调整系统中的设定值或控制策略,从而在满足被控区域内人员舒适度需求的前提下,尽可能地降低空调系统能耗。本发明对空调系统能耗预测和优化控制进行深入研究,对建筑负荷进行预测,建立多种预测模型,基于强化学习方法,实现全局系统最优节能控制。本发明通过仿真验证控制策略对空调节能的有效性和可靠性,实现温度能够根据负荷需要以及环境变化实时调整,达到节能和降低空调系统能耗。
附图说明
图1是根据本发明实施例的中央空调系统运行策略优化方法流程图。
图2是根据本发明实施例的空气流传图。
图3是根据本发明实施例的冷热控制系统结构图。
图4是根据本发明实施例的模糊控制器基本结构。
图5是根据本发明实施例的中央空调系统温度模糊控制系统。
图6是根据本发明实施例的中央空调负荷图。
图7是根据本发明实施例的中央空调系统原理示意图。
图8是根据本发明实施例的空调系统及室内耦合因素分析示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述,显然,所描述发实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
实施例
本实施例以某商场的中央空调系统为研究对象,针对室外不断变化的天气情况和室内负荷变化情况,利用数据挖掘技术研究中央空调海量的运行数据,目的是为了得到中央空调节能优化策略,为中央空调节能技术提供一条有效的路径。
如图1所示,本实施例具体实施如下:
(1)中央空调数据预处理:将对原始数据进行预处理,包括数据合并、清洗和归一化,剔除故障数据、停运数据和重复数据,最后得到中央空调稳定运行数据。
首先导入数据,先将本发明的数据导入到Matlab R2019b中,Matlab是本发明主要应用的软件,用于执行的操作包括数据预处理、数学建模和优化算法。
然后处理缺失值,造成数据缺失的原因很多,内存或机械故障可能会导致数据存储失败,还有可能数据在被人工记录或传输的过程的因为疏忽等的人工原因导致数据丢失。
常规的缺失值处理方法有直接使用,删除缺失的部分数据和将缺失值补全。直接使用就是不去管缺失值,直接开始使用数据进入下一步。
删除缺失部分以本发明数据来举例通俗来讲就是,本实施例所用数据将近两万行,假如某行的数据不完善,有一项或几项数据没有,可以直接删除该行,对于将近两万条数据的体量来说,直接删除几十行甚至几百行是最快捷有效的方法,可以进行运用。但如果大量数据缺失不完善,此时删除会造成数据不完整、不连续,对数据的浪费,此时不太适用直接删除,而是可以考虑对缺失值的补全。
缺失值的补全常见方法有均值插补、同类均值插补和多重插补。本实施例中采集的数据比较好,经过检验发现缺失值几乎没有,因此使用了直接删除的方法。
接下来针对数据开始初始分析,由于本发明所用的数据采集到了中央空调系统的大量数据,因此要探讨变量之间的相关性,本发明将采用皮尔逊积矩相关系数(PPMCC),此系数广泛用于度量两个变量的相关性,其值的绝对值越靠近1证明越相关,越靠近0证明越不相关。其系数表达式为:
由于数据集的属性非常多,采用上面的系数来对数据进行相关性分析,下表以部分关系为例进行相关性分析,得出结果如下表所示:
上表中的Systotpower是指整个中央空调系统的能耗,Chwp_pc为冷水泵转速,Cwp_pc为冷凝水泵转速,Ct_pc为冷却塔风扇转速,Cwrhdr流出冷凝装置水温,cwshdr为流入冷凝装置水温。根据上面结果显示,这些数据比较相关。
(2)中央空调能耗分析和特征选择:对中央空调稳定数据进行能耗分析与能耗特征选择。旁通阀开度、冷冻水流量、负荷率、冷冻水出水压力、冷冻水回水压力、冷冻水出水温度、冷却水温差、冷冻水回水温度、冷冻水温差、冷却水回水温度、冷却水出水温度、冷却泵频率、冷冻泵频率及系统总功率,能耗分析是对系统能耗状况的一个基本了解。
采用Boruta特征选择算法,以能效比为自变量,在多个能耗变量中选择对能耗影响较大且可控的能耗特征子集,筛选的能耗特征子集将作为数数据挖掘模型和节能策略优化对象。
(3)中央空调BP神经网络模型:利用中央空调系统稳定运行数据建立中央空调BP神经网络预测模型,通过能耗特征选择算法,选择系统能耗特征子集作为模型输入,以能效比作为模型输出,为后期优化算法提供能耗模型基础。
(4)中央空调关联规则模型:基于能耗特征子集,利用中央空调系统稳定运行数据建立中央空调关联规则模型,采用Apriori关联规则算法寻找系统稳定运行数据中不宜发现的关联规则,该规则是保证系统稳定运行的参数之间的耦合关系。
(5)中央空调节能策略优化算法:从中央空调系统负荷分配优化方面,使用遗传算法对中央空调BP神经网络模型进行优化,引入中央空调关联规则模型,提出了一种基于改进遗传算法的优化策略,称为混合遗传关联算法。混合遗传关联算法通过关联规则模型改善遗传操作中染色体的相关性。通过实际数据验证其优化结果的可行性。
(6)中央空调节能策略优化:通过对两种典型负荷率75%和90%下的机组控制参数寻优,从优化结果的迭代次数和节能率的角度出发,分析比较混合遗传关联算法和遗传算法的优化过程。
(7)中央空调节能策略分析:通过对混合遗传关联算法的优化数据拟合,将得到不同控制变量随负荷率和能效比变化的趋势图,对优化后的中央空调控制系统参数趋势图进行分析。
本实施例涉及的各模块及算法优化如下。
随着技术的发展,大型建筑物的各房屋温度调节系统都部署了自动控制功能,除了采用简单的单回路闭环控制以外,现代中央空调根据需求嵌入了比值控制系统、匀速控制系统等,控制的复杂程度也随之上升。
为了方便研究,本实施方式对空调调控的房间面积和控制方式进行重新归类,
以集中控制类型为例,如图2所示。从图中可以看出,户外的新鲜空气,先通过防尘网,再到空调箱与二次回风相结合,去一次加热器、二次加热器等。潮湿与否和温度高低是空气舒适度最为重要的参数,如图3所示为冷热控制系统结构图。
对于冷量传递链模型而言,从冷量传递的角度,空调系统可以表达为换热器与输配系统的集合,如图2所示。其中输配系统是指管路和输配设备的组合。图中方框内的设备为换热器,如蒸发器、冷凝器、冷却塔填料等。带箭头的线条代表输配管路。输配设备在图中以水泵和风机的图例表示,如冷冻水泵、压缩机、风机等。换热器或输配系统均是冷量传递链上相对独立的环节。制冷站共包括3个换热器(蒸发器、冷凝器和冷却塔填料)和4个输配系统(冷冻水输配系统、制冷剂输配系统、冷却水输配系统和冷却塔新风循环系统)。
考虑到诊断方法的简洁,以及冷站操作人员的理解习惯,将上述7个环节合并为4个子系统。这4个子系统是:冷冻水系统、冷机、冷却水系统、冷却塔。冷冻水系统即冷冻水输配系统,包括冷冻水管路和冷冻水泵。冷机包括蒸发器、制冷剂输配系统和冷凝器。冷却水系统即冷却水输配系统,包括冷却水管路和冷却水泵。冷却塔包括冷却塔填料和冷却塔新风循环系统。
冷站设备模型中,冷站采用二次冷冻水系统。冷冻水供、回水管路之间的旁通管上阀门为常开状态。冷站采用淡水冷却塔作为散热设备,冷却塔和冷却水泵均位于屋顶,与冷站中的冷机通过长管路联接。
中央空调的动态仿真属于非线性规划问题,非线性规划问题是指目标函数或约束条件中包含有非线性函数的问题。求解线性规划可采用单纯形法送一通用方法,但是目前还没有适用于各种非线性规划问题的一般算法,各种方法都有其自身的适用范围,因此非线性规划问题的求解要比线性规划问题复杂许多。模糊控制系统是以模糊集合化、模糊语言以及模糊逻辑推理为基础的一种计算机控制系统,是一种非线性控制系统,其控制器的基本结构如图4所示。
中央空调模糊控制器主要由以下四部分组成:
模糊化接口:这部分的作用是将输入的精确量转化成为模糊量,输入量包括外界的参考输入、系统的输出或状态等。
在模糊化的具体过程中,首先对这些输入量进行处理,将其变成模糊控制器要求的输入量,然后再把这些处理过的输入量进行尺度变换,使其变换到各自的论域范围,最后将已经变换到论域范围的输入量进行模糊处理,使精确的输入量变成模糊量,并用相应的模糊集合来表示。
知识库:模糊控制系统中的知识库包含了具体应用领域中的知识和要求的控制目标,它是由数据库和模糊控制规则库两部分构成,其中,数据库主要包含各语言变量的隶属度函数、尺度变换因子以及模糊控制空间的分级数等。规则库则包括了用模糊语言变量表示的一系列控制规则,这些语言控制规则是在语言变量及语言值的基础上将一系列的分离的专家知识归纳而成,是由“if…then”语句构成的推理规则。
模糊推理:模糊推理是模糊控制的核心,它具有模拟人的基于模糊概念的推理能力,该推理过程是在语言控制规则的基础上按照一定的推理方法进行逻辑推理来形成的。
解模糊接口:解模糊接口也称清晰化,它的作用是将模糊推理得到的控制量变换成为可控制的清晰量,然后将其输出,用于实际操作。它包括两部分内容,一是将模糊的控制量经过清晰化,变换成表示在论域范围的清晰量,二是将表示在论域范围的清晰量经尺度变换成为实际的控制量。
为了缩短模糊运算时间,简化系统的仿真过程,本实施例模糊控制器的输入为空调室内温度与设定温度的差值及温差变化率,输出则为风机或水泵转速在原来基础上的变动值,即为增量式模糊控制系统,控制系统如图5所示。
人工智能在中央空调系统的管理与控制方面的应用越来越普遍,例如BP神经网络这是一种反向传递并能修正误差的多层映射网络,具有自学习能力和一定的推广能力,目前被广泛运用于空调负荷预测中。主要解决的问题体现在如下三方面:
(1)建筑负荷的实时预测;
(2)实现全局最优节能运行策略;
(3)实现基于运行大数据与动态仿真相结合的运行策略优化。
空调自动控制技术由二十世纪六十年代传统的双位ON/OFF控制模式发展今,经历了PID控制、自适应控制、最优控制、解耦控制、模糊控制及神经网络控制等控制方法。但大型中央空调系统是典型的多变量、强耦合、多状态、大滞后的系统,很难精确建立数学模型,传统与现代的控制方法在应用过程中因为自动控制效果不理想,需要辅以人工调节,不仅导致了人力资源的浪费,而且会由于控制的不精确而使得系统耗能增加。
对空调历史运行数据进行挖掘,通过计算机对空调系统的历史控制策略进行综合分析,在计算机中建立出最优的控制模型,此后空调系统的控制策略可能不再依赖于模糊控制、神经网络控制等方式,而是通过计算机的大量运算有针对性地发送控制指令。
计算机将根据传感器传递的实时监测数据来对机组进行实时调整,使空调机组一直处于最佳运行状态,保证室内环境的品质的恒定。计算机可以自动记录各个负荷区域的运行状态,不断更新控制模型中机组的运行数据,使控制模型越来越精确,机组就会越用越好用、越用越节能。
建筑空间负荷实时预测计算方法主要可以归纳为三类负荷计算方法:
(1).基于机理建模的计算方法;
(2).基于数据学习的逐时预测方法;
(3).基于软测量的实时预测方法。
基于机理建模的计算方法比较成熟,准确性高,比较适合在建筑空调系统的设计阶段进行模拟分析。
而基于数据学习的逐时预测方法与基于软测量的实时预测方法,适用于空调运行阶段的实时调控,具有较大的发展潜力,其中基于数据学习的逐时预测方法需要加强模型泛化能力及动态实时性方面的研究。
基于软测量的实时预测方法则需要在模型准确性,参数辨识有效性等方向重点关注:
(i)通过强化学习算法,建立各设备的数据驱动模型,建筑负荷实时预测建立数据驱动模型,需要基于大量的历史监测数据,通过数学统计和深度学习的方法,提取数据特征进行能耗数据的分析和预测。
对于建筑中央空调的冷量预测模型,有研究提出应用PENN(ProbabilisticEntropy-basedNeutral Network)算法将逐时室外气象参数、有人房间面积和新风机组功率作为输入参数,训练PENN模型,进行冷负荷的预测。除此之外,基于对现有建筑参数数据的测试和统计,应用基于高斯过程的贝叶斯概率模型,对既有建筑的性能参数进行概率估计,能够有效提升提升给定参数的估计精度。
(ii)基于强化学习算法的全局最优节能运行策略
对于中央空调控制系统,建立其主要设备和其正常运行模型,以及全局节能最优化目标函数,运用相关软件进行“动态规划"求解,从而实现中央空调控制系统运行策略的优化。最后,结合实际工程,与仅考虑冷水机组能耗的运行策略优化进行比较,验证基于全局最优节能运行策略优化节能性更好。
(iii)基于运行大数据与动态仿真相结合的运行策略优化
大数据与动态仿真相结合的中央空调控制运行策略,需要先根据中央空调系统天气、建筑的设计、空调系统的运行维护、还有空调的设计等因素的大数据信息建立神经网络模型,预测推理得到系统该时刻所需的冷量(或热量),然后更新数据,其中输入信息越多,神经网络非线性映射能力越强,预测准确度越高。
以固定的流程仿真出当前时间信息下的优化系统的运行参数,并利用变频技术自动控制水泵等动力设备的功率、转速,以调节空调系统的循环流量,对系统运行参数进行动态调整,确保空调系统在任何负荷条件下,都有一个优化的运行环境,始终处于最佳运行状态,从而保证能效比一直在较高水平,能耗最低,实现节能目的。
本实施例的基本思路是将强化学习算法应用在空调系统运行优化中。建立空调系统运行优化的各类模型,包括冷站各环节的模型以及冷站设备的模型。建立冷站各环节模型包括有空调房间模型与冷量传递链模型,空调房间模型用于模拟各项参数受太阳辐射、室外温度、室内各设备、照明、人员散热量等因素的影响情况;冷量传递链模型主要从冷量传递的角度,将空调系统表达为换热器与输配系统的集合,便于研究人员分析与理解。建立冷站设备模型包括冷机模型,冷却塔模型与冷却水管路模型,用以分析在变风量方式下送风机频率输出量以及变冷水量方式下冷冻水泵的频率输出量。对中央空调系统进行简化仿真,结合隶属度函数与模糊规则推理表,采用模糊控制器对变风量方式下送风机频率以及变冷水量方式下冷冻水泵的频率加以控制,实现对中央空调系统的控制。
中央空调系统包括主制冷系统,水循环系统,空气处理设备,风机盘管和相应的电气系统。制冷主机主要由蒸发器,冷凝器,压缩机等组成。组合空气处理设备是末端大风量送风设备。其主要功能是按一定比例处理室外空气(过滤器),与室内回风混合和热交换。再将新风通过管道送至室内。风机盘管主要是末端空气换热设备,与室内空气直接进行热交换,水循环系统由冷冻水,冷却水循环构成。
中央空调系统原理如图7所示。空调房间内的各项参数受太阳辐射、室外温度、室内各设备、照明、人员散热量等因素的影响,整个空调房间是一个复杂的热力系统,几乎不可能用精确的数学模型来描述并得到准确的系统参数,因此为了研究的简便,在建立空调房间对象的数学模型时,我们把房间看作单容对象,室温按集中参数来处理,由于外界热量通过房屋围护结构传入室内需要很长的延时,所以可不考虑通过围护结构的传热量。
针对一个既有的空调系统,在现有的设备配置、室外动态的气象条件及一定舒适度的要求下,解决空调系统以什么样的设置参数运行才能高效节能这一问题非常重要。由于空调系统是多环路、非线性、强耦合的系统,如图8为空调系统及室内耦合因素分析示意图,局部环路的优化并不能代表整体系统性能最优。必须针对空调系统的整体环节,包括:冷热源系统、输配系统、末端系统等统一考虑,协调运行,才能实现最佳节能。
本实施例的研究重点在于:不拘泥于模型参数的精细化,而是站在“系统”的角度来分析问题。在保证室内一定热舒适度的前提下,以整个空调系统运行能耗最小为优化目标。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案。
Claims (8)
1.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,其特征在于,所述方法包括:
获取中央空调运行数据并进行数据预处理;
对预处理后的中央空调运行数据进行能耗分析和能耗特征选择,得到能耗特征子集;
基于能耗特征子集,构建中央空调BP神经网络模型,所述BP神经网络模型以能效比作为模型输出;
基于能耗特征子集,利用中央空调系统运行数据建立中央空调关联规则模型,采用Apriori关联规则算法寻找系统稳定运行数据中不宜发现的关联规则,该规则是保证系统稳定运行的参数之间的耦合关系;
基于BP神经网络模型和关联规则模型构建混合遗传关联算法,混合遗传关联算法通过关联规则模型改善遗传操作中染色体的相关性;
利用构建的混合遗传关联算法对机组控制参数寻优;
对混合遗传关联算法的优化数据拟合,得到不同控制变量随负荷率和能效比变化的趋势图,对优化后的中央空调控制系统参数趋势图进行分析。
2.根据权利要求1所述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,其特征在于,所述中央空调运行数据包括:中央空调主机和水系统的运行数据,其水系统包括水泵、冷却塔、离心机、水冷机组。
3.根据权利要求2所述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,其特征在于,所述方法采用皮尔逊积矩相关系数获取中央空调运行数据中各变量之间的相关性。
4.根据权利要求2所述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,其特征在于,当系统负荷变化,空调主机及水系统工作状态偏离最佳状态时,根据采集到的水系统运行参数,推导得到系统在当前时刻所需的冷量或热量;依据系统在当前时刻所需的冷量或热量,优化系统的运行参数,并利用变频技术自动控制水泵类动力设备的功率、转速,以调节空调系统的循环流量,对系统运行参数进行动态调整。
5.根据权利要求1所述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,其特征在于,所述方法进一步包括:获取室外环境数据,并结合所述室外环境数据和中央空调系统运行大数据计算得到系统负荷的需求数据,基于所述需求数据优化系统设备的运行模式。
6.根据权利要求4所述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,其特征在于,所述方法进一步包括:在人工智能终端基于运行大数据进行系统自学习,并利用人工智能终端控制空调主机及水系统的运行模式。
7.根据权利要求1所述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,其特征在于,所述方法使用分区动态压差人工智能算法,减少空调总管能量的无端浪费。
8.根据权利要求7所述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,其特征在于,所述分区动态压差人工智能算法进一步包括:在线采集集水器各区域的最不利点水压差,低负荷或零负荷时间段自动减小或关闭此区域阀门开度,同时自适应旁通增大动态压差平衡阀门开度,在保障主机定水流量工况基础上,调整减小泵的用能投入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111583597.3A CN114383299B (zh) | 2021-12-22 | 2021-12-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111583597.3A CN114383299B (zh) | 2021-12-22 | 2021-12-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114383299A CN114383299A (zh) | 2022-04-22 |
CN114383299B true CN114383299B (zh) | 2023-04-07 |
Family
ID=81197791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111583597.3A Active CN114383299B (zh) | 2021-12-22 | 2021-12-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114383299B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115730228A (zh) * | 2022-12-05 | 2023-03-03 | 成都迅宏自控设备有限公司 | 基于bp神经网络的中央空调能耗分析方法 |
CN115755628A (zh) * | 2022-12-19 | 2023-03-07 | 成都迅宏自控设备有限公司 | 基于遗传算法的中央空调节能控制方法 |
CN116045461B (zh) * | 2023-03-07 | 2023-10-27 | 广东热矩智能科技有限公司 | 一种基于给回水温度调节的风冷空调节能控制方法及装置 |
CN116993232B (zh) * | 2023-09-27 | 2023-12-19 | 青岛艾德森物联科技有限公司 | 一种综合能源站的能耗管理优化方法及系统 |
CN117234071B (zh) * | 2023-11-16 | 2024-01-26 | 中控技术股份有限公司 | 一种基于温压控制的循环水系统节能优化方法与装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103912966B (zh) * | 2014-03-31 | 2016-07-06 | 武汉科技大学 | 一种地源热泵制冷系统优化控制方法 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN111720954A (zh) * | 2020-06-17 | 2020-09-29 | 珠海格力电器股份有限公司 | 产品的节能方法及节能运算系统 |
-
2021
- 2021-12-22 CN CN202111583597.3A patent/CN114383299B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114383299A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US11507033B2 (en) | HVAC control system with model driven deep learning | |
US11416739B2 (en) | Optimization control technology for building energy conservation | |
CN102367980B (zh) | 一种中央空调多维度集成优化控制系统及方法 | |
WO2023030522A1 (zh) | 一种数据中心空调系统诊断方法及装置 | |
CN109932896A (zh) | 一种建筑能耗的控制方法和系统 | |
CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
Fang et al. | Evaluation of the design of chilled water system based on the optimal operation performance of equipments | |
US20230067235A1 (en) | Control system for building equipment with equipment model adaptation | |
Chan et al. | Application of artificial neural network and genetic algorithm to the optimization of load distribution for a multiple-type-chiller plant | |
Wang et al. | A decentralized swarm intelligence algorithm for global optimization of HVAC system | |
Fan et al. | Model-based predictive control optimization of chiller plants with water-side economizer system | |
Zhuang et al. | A decentralized method for energy conservation of an HVAC system | |
Ma et al. | Test and evaluation of energy saving potentials in a complex building central chilling system using genetic algorithm | |
US20230085072A1 (en) | Hvac control system with model driven deep learning | |
CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
CN115903712A (zh) | 适用于工业制冷系统的节能优化方法及其优化控制系统 | |
Yang et al. | Hybrid artificial neural network− genetic algorithm technique for condensing temperature control of air-cooled chillers | |
CN113757922B (zh) | 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质 | |
Groumpos et al. | New advanced technology methods for energy efficiency of buildings | |
CN112432269A (zh) | 一种制冷机房冷冻水泵压差设定值优化的方法和系统 | |
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 | |
Wang et al. | A global optimization method for data center air conditioning water systems based on predictive optimization control | |
Zheng | Research on energy-saving control and optimisation of air conditioning system based on genetic algorithm |
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 |