CN114543274B - 一种建筑中央空调温湿度优化控制方法及系统 - Google Patents

一种建筑中央空调温湿度优化控制方法及系统 Download PDF

Info

Publication number
CN114543274B
CN114543274B CN202210253160.1A CN202210253160A CN114543274B CN 114543274 B CN114543274 B CN 114543274B CN 202210253160 A CN202210253160 A CN 202210253160A CN 114543274 B CN114543274 B CN 114543274B
Authority
CN
China
Prior art keywords
air conditioning
conditioning system
optimization
temperature
performance index
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
CN202210253160.1A
Other languages
English (en)
Other versions
CN114543274A (zh
Inventor
王新立
李娜
尹晓红
王雷
段培永
王瑞琪
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202210253160.1A priority Critical patent/CN114543274B/zh
Publication of CN114543274A publication Critical patent/CN114543274A/zh
Application granted granted Critical
Publication of CN114543274B publication Critical patent/CN114543274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • 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
    • 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
    • F24F2110/20—Humidity
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明属于空调系统领域，提供了一种建筑中央空调温湿度优化控制方法及系统。该方法包括，根据指定的空调系统，建立与空调系统温湿度关联的预测模型；根据预测模型，制定空调系统的经济性能指标和空调系统的跟踪性能指标，构建优化目标函数；基于优化目标函数，结合约束条件，构建优化问题；确定优化目标函数的时变权重参数，求解优化问题，将得到的控制输入的第一项作用于空调系统；在未来的每个采样时刻不断更新优化问题中的预测变量值以及时变权重参数，滚动求解优化问题，以实现对空调系统的持续优化控制；其中，所述预测变量值包含未来时刻状态变量和输出变量的预测值，根据所述预测模型得出。

Description

一种建筑中央空调温湿度优化控制方法及系统
技术领域
本发明属于空调系统领域，尤其涉及一种建筑中央空调温湿度优化控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
如今，大多数时间人们都是在室内进行工作和生活，为了营造一个健康舒适的室内环境，空调系统成为了建筑系统不可或缺的组成部分。温度和湿度作为影响室内热环境最主要的两个因素，成为了建筑空调系统热环境控制的一个主要研究问题。值得注意的是，空调系统产生的能耗在建筑能耗总量中占有很大比例，因此选择合适的先进控制方法来实现空调系统的节能优化显得尤为重要，这也是实现可持续发展、落实节能减排的必然选择。
空调系统在对室内空气进行处理时，空气温湿度之间存在严重的耦合关系，而以往的研究主要关注室内空气温度的控制，忽略了对室内空气湿度的控制。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种建筑中央空调温湿度优化控制方法及系统，其在保证系统最终跟踪上温湿度设定值的前提下，提高系统动态调节过程中的系统效能。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种建筑中央空调温湿度优化控制方法。
一种建筑中央空调温湿度优化控制方法，包括：
根据指定的空调系统，建立与空调系统温湿度关联的预测模型；
根据预测模型，制定空调系统的经济性能指标和跟踪性能指标，构建优化目标函数；
基于优化目标函数，结合约束条件，构建优化问题；
确定优化目标函数中的时变权重参数，求解优化问题，将得到的控制输入的第一项作用于空调系统；在未来的每个采样时刻不断更新优化问题中的预测变量值以及时变权重参数，滚动求解优化问题，以实现对空调系统的持续优化控制；其中，所述预测变量值包含未来时刻状态变量和输出变量的预测值，根据所述预测模型得出。
进一步地，所述建立预测模型的具体过程包括：根据指定的空调系统，结合质量和能量守恒原理，建立非线性动态模型；将所述非线性动态模型通过微分方程数值求解的方法离散化，建立所需的预测模型。
更进一步地，所述非线性动态模型包括：蒸发器出口温度一阶微分方程、室内空气温度一阶微分方程、蒸发器中干冷区与湿冷区分界处的空气温度一阶微分方程、蒸发器壁面温度函数和室内空气湿度一阶微分方程。
进一步地，制定空调系统的经济性能指标和跟踪性能指标，构建优化目标函数具体包括：根据预测模型，得到状态变量预测值和输出变量预测值；根据状态变量预测值，结合空调系统的能耗模型，构建空调系统的经济性能指标；根据输出变量预测值，建立与输出变量期望值偏差的二次函数，构建空调系统的跟踪性能指标；确定经济性能指标与跟踪性能指标之间的权重参数，基于空调系统的经济性能指标和跟踪性能指标的加权和，构建优化目标函数。
进一步地，优化目标函数＝Min(所述空调系统的经济性能指标×时变权重参数+空调系统的跟踪性能指标)。
进一步地，定义所述时变权重参数α(k)的选择决定着系统的控制性能，α(k)被选为一组单调递减的离散点，且以采样时刻k'作为临界点，在采样时刻k'之前，α(k)取大于0的数，而在k'时刻之后，α(k)保持为0。
进一步地，所述约束条件包括：
Figure BDA0003547682650000031
Figure BDA0003547682650000032
Figure BDA0003547682650000033
u(t)∈Ωu
其中
Figure BDA0003547682650000034
表示状态变量预测值，u表示输入变量，v表示干扰变量，f,g,d表示关于状态变量的函数，C表示输出矩阵，x(tk)表示在tk时刻空调系统实际的状态值，Ωu表示关于输入变量的约束集。
本发明的第二个方面提供一种建筑中央空调温湿度优化控制系统。
一种建筑中央空调温湿度优化控制系统，包括：
第一模型构建模块，其被配置为：根据指定的空调系统，建立与空调系统温湿度关联的预测模型；
目标函数构建模块，其被配置为：根据预测模型，制定空调系统的经济性能指标和空调系统的跟踪性能指标，构建优化目标函数；
第二模型构建模块，其被配置为：基于优化目标函数，结合约束条件，构建优化问题；
优化控制模块，其被配置为：确定优化目标函数中的时变权重参数，求解优化问题，将得到的控制输入的第一项作用于空调系统；在未来的每个采样时刻不断更新优化问题中的预测变量值以及时变权重参数，滚动求解优化问题，以实现对空调系统的持续优化控制；其中，所述预测变量值包含未来时刻状态变量和输出变量的预测值，根据所述预测模型得出。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的建筑中央空调温湿度优化控制方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的建筑中央空调温湿度优化控制方法中的步骤。
与现有技术相比，本发明的有益效果是：
(1)空调系统在对室内空气进行处理时，空气温湿度之间存在严重的耦合关系，因此，以往的研究主要关注室内空气温度的控制，忽略了对室内空气湿度的控制，本发明利用模型预测控制方法能够直接处理多入多出非线性系统的优势，建立了室内空气温度和湿度同时控制的控制策略，实现了对于室内空气温湿度的同时控制。
(2)为优化空调系统的运行，在保证室内空气温湿度适宜的前提下提高系统能源效率，本发明设计了空调系统温湿度的经济模型预测控制策略。建立了包含系统控制性能和能耗性能的优化目标函数，使用权重参数α来动态调节优化目标函数中能耗性能指标所占的比重。与模型预测控制策略相比，所提出的经济模型预测控制策略在动态调节过程中表现出更优越的经济性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一示出的建筑中央空调温湿度优化控制方法的流程图；
图2是本发明实施例一示出的经济模型预测控制框图；
图3是本发明实施例一示出的空调系统框图；
图4是本发明实施例一示出的状态变量预测流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种建筑中央空调温湿度优化控制方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括：
根据指定的空调系统，建立与空调系统温湿度关联的预测模型；
根据预测模型，制定空调系统的经济性能指标和空调系统的跟踪性能指标，构建优化目标函数；
基于优化目标函数，结合约束条件，构建优化问题；
确定优化目标函数的时变权重参数，求解优化问题，将得到的控制输入的第一项作用于空调系统；在未来的每个采样时刻不断更新优化问题中的预测变量值以及时变权重参数，滚动求解优化问题，以实现对空调系统的持续优化控制；其中，所述预测变量值包含未来时刻状态变量和输出变量的预测值，根据所述预测模型得出。
本实施例技术方案的具体步骤为：
(1)建立空调系统温湿度变化的动态模型。
(2)利用微分方程数值离散化方法—四阶龙格库塔法对动态模型离散化，建立控制算法中所需预测模型，实现对于未来时刻空调系统状态变量与输出变量的预测。
(3)制定空调系统的跟踪性能指标与经济性能指标，基于两个指标建立优化目标函数。
(4)使用试凑法确定优化目标函数里面的时变权重参数α。
(5)使用内点法求解优化目标函数，并将求解得出的控制输入的第一项作用于空调系统。
(6)在以后的每个采样时刻不断更新优化目标函数中的预测变量值以及权重参数，滚动求解优化问题。
对于每一步骤的具体实现过程可参考以下内容实现：
1、经济模型预测控制算法总体框架
经济模型预测控制策略是模型预测控制策略的一种变体，它用一般形式的优化目标函数代替传统模型预测控制策略中的二次优化目标函数，可以直接优化系统的经济性能指标。本实施例设计的经济模型预测控制策略，在建立优化目标函数的时候先是考虑了空调系统的运行效率，在保证室内热舒适性的前提下，合理的使用能源，不断提高能源的利用率。经济模型预测控制结构框图如图2所示。从图中可以看到，经济模型预测控制策略中优化目标函数的建立同时考虑了系统控制性能和能耗性能，有助于实现在保证室内热舒适度的前提下提高系统的能效目标。
2、预测模型的建立
空调系统主要由压缩机、膨胀阀、蒸发器和冷凝器组成，如图3所示。通过分析空调系统中的传热传质过程，基于质量与能量守恒原理，可以建立以下非线性动态模型：
Figure BDA0003547682650000081
其中，
Figure BDA0003547682650000082
c1～c7表示系统动态模型参数，下标a,w,wet,dry分别表示空气、蒸发器壁面、蒸发器湿冷区和蒸发器干冷区，C表示比热容，ρ表示密度，hfg表示水蒸发的潜热，α表示换热系数，kspl表示风机的热增益系数，V表示空间体积，A表示换热面积，Δh表示蒸发器进出口处制冷剂的焓差，Vf表示风机供风的体积流量，Mr表示制冷剂的质量流量，Te表示蒸发器出口温度，Tz表示室内空气温度，Tdry表示蒸发器中干冷区与是湿冷区分界处的空气温度，Tw表示蒸发器壁面温度，Wz表示室内空气湿度，Qs,load表示室内显热负荷，Ql,load表示室内潜热负荷。
以上空调系统非线性模型可以表示成以下简洁形式：
Figure BDA0003547682650000091
其中，状态变量
Figure BDA0003547682650000092
输出变量
Figure BDA0003547682650000093
输入变量
Figure BDA0003547682650000094
干扰变量
Figure BDA0003547682650000095
f(x)，g(x)和d(x)是关于状态变量的函数，
Figure BDA0003547682650000096
所提出的经济模型预测控制方法是基于以上空调系统的非线性动态模型设计的，为了实现对于系统未来状态变量和输出变量的预测，使用了微分方程数值求解的方法——四阶龙格库塔法，对该非线性模型进行了离散化，建立了算法中所需的预测模型。其中，状态变量预测的流程图如下图4。
本实施例直接将空调系统的非线性动态模型离散化，以此建立的算法中所需的预测模型，实现对于未来时刻室内空气温度和湿度的预测，该方式避免了对非线性模型线性化操作造成的预测不准确的问题，提高了预测精度。
3、优化目标函数的建立
针对提出的经济模型预测控制策略中，优化目标函数的建立同时考虑了系统的跟踪性能和运行效率。
定义系统运行经济性能指标为：
Figure BDA0003547682650000097
其中，Np表示预测时域，W表示空调系统能耗，
Figure BDA0003547682650000098
表示状态变量预测值。
本实施例中，只关注了空调系统中压缩机的能耗，具体能耗模型如下：
Figure BDA0003547682650000099
Figure BDA00035476826500000910
其中，c8～c11表示能耗模型参数，Te表示蒸发器出口空气温度，Pe和Pc分别表示蒸发压力和冷凝压力，β表示压缩系数，Mr表示制冷剂的质量流量。
定义系统跟踪性能指标为：
Figure BDA0003547682650000101
其中，
Figure BDA0003547682650000102
表示输出变量预测值，yr表示输出变量的期望值。
综合以上两个目标，EMPC的优化问题可以描述为：
Figure BDA0003547682650000103
Figure BDA0003547682650000104
Figure BDA0003547682650000105
Figure BDA0003547682650000106
u(t)∈Ωu                             (4-5)
在以上优化问题中，S(Ts)表示一个采样时间是Ts的分段常值函数簇，Np表示预测时域，q表示目标函数中施加在输出变量上的权重，yr表示输出变量的期望值，
Figure BDA0003547682650000107
表示状态变量预测值，u表示输入变量，v表示干扰变量，f,g,d表示关于状态变量的函数，C表示输出矩阵，x(tk)表示在tk时刻空调系统实际的状态值，Ωu表示关于输入变量的约束集。
式(4-1)表示优化目标函数，可以看到优化目标函数由系统经济性能指标和跟踪性能指标的加权和构成，本实施例中，定义权重α(k)的选择决定着系统的控制性能，为了协调系统的控制性能与经济性能，α(k)被选为一组单调递减的离散点，且以采样时刻k'作为临界点，在采样时刻k'之前，α(k)取大于0的数，而在k'时刻之后，α(k)保持为0。这样选择α(k)的原因是为了使得经济性能指标在优化目标函数中的比重逐渐减少，以这种方式保证了系统在最后的稳态阶段可以实现无差稳态跟踪性能，起到了协调系统控制性能与经济性能的作用。式(4-2)和(4-3)为优化问题的模型约束，式(4-4)为当前时刻的初始状态条件，式(4-5)为输入幅值约束。
该优化目标函数中既包含了空调系统跟踪性能的指标，又包含了空调系统的经济性能指标，使用一个时变的权重参数α不断调节经济性能指标在优化目标函数中所占的比重，以此来协调系统优化性能与控制性能之间的矛盾关系，在保证系统最终跟踪上温湿度设定值的前提下，提高了系统动态调节过程中的系统效能。
4、优化问题的求解
利用内点法对优化问题进行求解，将求解得出的控制输入的第一项作用于空调系统
Figure BDA0003547682650000111
在下一个采样时刻，更新优化问题并重新求解，实现了优化问题的滚动优化。
实施例二
本实施例提供了一种建筑中央空调温湿度优化控制系统。
一种建筑中央空调温湿度优化控制系统，包括：
第一模型构建模块，其被配置为：根据指定的空调系统，建立与空调系统温湿度关联的预测模型；
目标函数构建模块，其被配置为：根据预测模型，制定空调系统的经济性能指标和空调系统的跟踪性能指标，构建优化目标函数；
第二模型构建模块，其被配置为：基于优化目标函数，结合约束条件，构建优化问题；
优化控制模块，其被配置为：确定优化目标函数的时变权重参数，求解优化问题，将得到的控制输入的第一项作用于空调系统；在未来的每个采样时刻不断更新优化问题中的预测变量值以及时变权重参数，滚动求解优化问题，以实现对空调系统的持续优化控制；其中，所述预测变量值包含未来时刻状态变量和输出变量的预测值，根据所述预测模型得出。
此处需要说明的是，上述第一模型构建模块、目标函数构建模块、第二模型构建模块和优化控制模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的建筑中央空调温湿度优化控制方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的建筑中央空调温湿度优化控制方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种建筑中央空调温湿度优化控制方法，其特征在于，包括：
根据指定的空调系统，建立与空调系统温湿度关联的预测模型；
根据预测模型，制定空调系统的经济性能指标和空调系统的跟踪性能指标，构建优化目标函数；所述建立预测模型的具体过程包括：根据指定的空调系统，结合质量和能量守恒原理，建立非线性动态模型；将所述非线性动态模型通过微分方程数值求解的方法离散化，建立所需的预测模型；具体模型为；
Figure FDA0004074088760000011
Figure FDA0004074088760000012
Figure FDA0004074088760000013
Figure FDA0004074088760000014
Figure FDA0004074088760000015
其中，
Figure FDA0004074088760000016
c1～c7表示系统动态模型参数，下标a,w,wet,dry分别表示空气、蒸发器壁面、蒸发器湿冷区和蒸发器干冷区，C表示比热容，ρ表示密度，hfg表示水蒸发的潜热，α表示换热系数，kspl表示风机的热增益系数，V表示空间体积，A表示换热面积，Δh表示蒸发器进出口处制冷剂的焓差，Vf表示风机供风的体积流量，Mr表示制冷剂的质量流量，Te表示蒸发器出口温度，Tz表示室内空气温度，Tdry表示蒸发器中干冷区与是湿冷区分界处的空气温度，Tw表示蒸发器壁面温度，Wz表示室内空气湿度，Qs,load表示室内显热负荷，Ql,load表示室内潜热负荷；
制定空调系统的经济性能指标和跟踪性能指标，构建优化目标函数具体包括：根据预测模型，得到状态变量预测值和输出变量预测值；根据状态变量预测值，结合空调系统的能耗模型，构建空调系统的经济性能指标；根据输出变量预测值，建立与输出变量期望值偏差的二次函数，构建空调系统的跟踪性能指标；确定经济性能指标与跟踪性能指标之间的权重参数，基于空调系统的经济性能指标和跟踪性能指标的加权和，构建优化目标函数；具体经济性能指标为：
Figure FDA0004074088760000021
其中，Np表示预测时域，W表示空调系统能耗，
Figure FDA0004074088760000022
表示状态变量预测值；具体跟踪性能指标为：
Figure FDA0004074088760000023
其中，
Figure FDA0004074088760000024
表示输出变量预测值，yr表示输出变量的期望值；
基于优化目标函数，结合约束条件，构建优化问题；
确定优化目标函数的时变权重参数，求解优化问题，将得到的控制输入的第一项作用于空调系统；在未来的每个采样时刻不断更新优化问题中的预测变量值以及时变权重参数，滚动求解优化问题，以实现对空调系统的持续优化控制；其中，所述预测变量值包含未来时刻状态变量和输出变量的预测值，根据所述预测模型得出。
2.根据权利要求1所述的建筑中央空调温湿度优化控制方法，其特征在于，所述非线性动态模型包括：蒸发器出口温度一阶微分方程、室内空气温度一阶微分方程、蒸发器中干冷区与湿冷区分界处的空气温度一阶微分方程、蒸发器壁面温度函数和室内空气湿度一阶微分方程。
3.根据权利要求1所述的建筑中央空调温湿度优化控制方法，其特征在于，优化目标函数＝Min(所述空调系统的经济性能指标×时变权重参数+空调系统的跟踪性能指标)。
4.根据权利要求1所述的建筑中央空调温湿度优化控制方法，其特征在于，定义所述时变权重参数α(k)的选择决定着系统的控制性能，α(k)被选为一组单调递减的离散点，且以采样时刻k'作为临界点，在采样时刻k'之前，α(k)取大于0的数，而在k'时刻之后，α(k)保持为0。
5.根据权利要求1所述的建筑中央空调温湿度优化控制方法，其特征在于，所述约束条件包括：
Figure FDA0004074088760000031
Figure FDA0004074088760000032
Figure FDA0004074088760000033
u(t)∈Ωu
其中，
Figure FDA0004074088760000034
表示状态变量预测值，u表示输入变量，v表示干扰变量，f,g,d表示关于状态变量的函数，C表示输出矩阵，x(tk)表示在tk时刻空调系统实际的状态值，Ωu表示关于输入变量的约束集。
6.一种建筑中央空调温湿度优化控制系统，其特征在于，包括：
第一模型构建模块，其被配置为：根据指定的空调系统，建立与空调系统温湿度关联的预测模型；所述建立预测模型的具体过程包括：根据指定的空调系统，结合质量和能量守恒原理，建立非线性动态模型；将所述非线性动态模型通过微分方程数值求解的方法离散化，建立所需的预测模型；具体模型为；
Figure FDA0004074088760000041
Figure FDA0004074088760000042
Figure FDA0004074088760000043
Figure FDA0004074088760000044
Figure FDA0004074088760000045
其中，
Figure FDA0004074088760000046
c1～c7表示系统动态模型参数，下标a,w,wet,dry分别表示空气、蒸发器壁面、蒸发器湿冷区和蒸发器干冷区，C表示比热容，ρ表示密度，hfg表示水蒸发的潜热，α表示换热系数，kspl表示风机的热增益系数，V表示空间体积，A表示换热面积，Δh表示蒸发器进出口处制冷剂的焓差，Vf表示风机供风的体积流量，Mr表示制冷剂的质量流量，Te表示蒸发器出口温度，Tz表示室内空气温度，Tdry表示蒸发器中干冷区与是湿冷区分界处的空气温度，Tw表示蒸发器壁面温度，Wz表示室内空气湿度，Qs,load表示室内显热负荷，Ql,load表示室内潜热负荷；
目标函数构建模块，其被配置为：根据预测模型，制定空调系统的经济性能指标和空调系统的跟踪性能指标，构建优化目标函数；具体包括：根据预测模型，得到状态变量预测值和输出变量预测值；根据状态变量预测值，结合空调系统的能耗模型，构建空调系统的经济性能指标；根据输出变量预测值，建立与输出变量期望值偏差的二次函数，构建空调系统的跟踪性能指标；确定经济性能指标与跟踪性能指标之间的权重参数，基于空调系统的经济性能指标和跟踪性能指标的加权和，构建优化目标函数；具体经济性能指标为：
Figure FDA0004074088760000051
其中，Np表示预测时域，W表示空调系统能耗，
Figure FDA0004074088760000052
表示状态变量预测值；具体跟踪性能指标为：
Figure FDA0004074088760000053
其中，
Figure FDA0004074088760000054
表示输出变量预测值，yr表示输出变量的期望值；
第二模型构建模块，其被配置为：基于优化目标函数，结合约束条件，构建优化问题；
优化控制模块，其被配置为：确定优化目标函数的时变权重参数，求解优化问题，将得到的控制输入的第一项作用于空调系统；在未来的每个采样时刻不断更新优化问题中的预测变量值以及时变权重参数，滚动求解优化问题，以实现对空调系统的持续优化控制；其中，所述预测变量值包含未来时刻状态变量和输出变量的预测值，根据所述预测模型得出。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的建筑中央空调温湿度优化控制方法中的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的建筑中央空调温湿度优化控制方法中的步骤。
CN202210253160.1A 2022-03-15 2022-03-15 一种建筑中央空调温湿度优化控制方法及系统 Active CN114543274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210253160.1A CN114543274B (zh) 2022-03-15 2022-03-15 一种建筑中央空调温湿度优化控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210253160.1A CN114543274B (zh) 2022-03-15 2022-03-15 一种建筑中央空调温湿度优化控制方法及系统

Publications (2)

Publication Number Publication Date
CN114543274A CN114543274A (zh) 2022-05-27
CN114543274B true CN114543274B (zh) 2023-04-11

Family

ID=81664591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210253160.1A Active CN114543274B (zh) 2022-03-15 2022-03-15 一种建筑中央空调温湿度优化控制方法及系统

Country Status (1)

Country Link
CN (1) CN114543274B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114877502B (zh) * 2022-05-31 2023-03-28 山东大学 基于分布式模型的多区域空调系统温湿度控制方法及系统
CN115327929A (zh) * 2022-09-21 2022-11-11 中建材创新科技研究院有限公司 一种纸面石膏板高精度切断的控制优化方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288164B (zh) * 2019-07-02 2022-12-02 广州市特沃能源管理有限公司 一种建筑空调制冷站系统预测控制方法
CN112577161B (zh) * 2019-09-30 2022-05-27 北京国双科技有限公司 空调能耗模型训练方法与空调系统控制方法
CN113028610B (zh) * 2021-04-12 2021-12-07 北京信息科技大学 中央空调动态负荷全局优化与节能控制的方法和装置
CN215724029U (zh) * 2021-08-31 2022-02-01 中铁建工集团有限公司 一种中央空调自适应控制系统
CN113934246A (zh) * 2021-10-19 2022-01-14 西安建筑科技大学 一种建筑热舒适模型预测控制方法及系统
CN114046593A (zh) * 2021-11-29 2022-02-15 中国科学院广州能源研究所 一种动态预测性机器学习型空调节能控制方法及系统

Also Published As

Publication number Publication date
CN114543274A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN114543274B (zh) 一种建筑中央空调温湿度优化控制方法及系统
US20200041966A1 (en) Building hvac system with multi-level model predictive control
CN104698843B (zh) 一种基于模型预测控制的数据中心节能控制方法
CN108489013A (zh) 基于遗传算法和负荷在线修正的中央空调控制方法及装置
CN106979641B (zh) 基于改进mfac的制冷系统数据驱动节能控制系统及方法
CN111649457B (zh) 一种动态预测性机器学习型空调节能控制方法
CN113268913B (zh) 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法
Sun et al. Multiplexed optimization for complex air conditioning systems
CN109140660A (zh) 用于空调的智能控温装置方法及装置、空调、存储介质
CN114046593A (zh) 一种动态预测性机器学习型空调节能控制方法及系统
CN112344522B (zh) 一种中央空调冷机系统负荷分布式优化配置方法
CN114740727B (zh) 室外温度扰动条件下的空气源热泵动态能效优化控制方法
CN114154677A (zh) 空调运行负荷模型构建和预测方法、装置、设备和介质
CN111737857A (zh) 一种基于互动能力曲线的暖通空调集群协调控制方法
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
Dai et al. Multi-agent based distributed cooperative control of air-conditioning systems for building fast demand response
CN113028610B (zh) 中央空调动态负荷全局优化与节能控制的方法和装置
CN111415036B (zh) 一种中央空调系统并联冷机负荷优化分配方法
Li et al. Reinforcement learning-based demand response strategy for thermal energy storage air-conditioning system considering room temperature and humidity setpoints
CN117313396A (zh) 一种计及多主体需求响应的环境温度节能优化方法及系统
Zhang et al. Distributed temperature control via geothermal heat pump systems in energy efficient buildings
WO2020237468A1 (zh) 确定温度设置值的方法、装置、系统、存储介质和处理器
CN114877502B (zh) 基于分布式模型的多区域空调系统温湿度控制方法及系统
Kim et al. Application of artificial neural network model for optimized control of condenser water temperature set-point in a chilled water system
US20220373206A1 (en) Chiller controller for optimized efficiency

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