CN114857743A - 一种基于商场分区负荷预测的末端阀门优化控制方法及系统 - Google Patents
一种基于商场分区负荷预测的末端阀门优化控制方法及系统 Download PDFInfo
- Publication number
- CN114857743A CN114857743A CN202210087232.XA CN202210087232A CN114857743A CN 114857743 A CN114857743 A CN 114857743A CN 202210087232 A CN202210087232 A CN 202210087232A CN 114857743 A CN114857743 A CN 114857743A
- Authority
- CN
- China
- Prior art keywords
- pressure difference
- cold
- functional area
- load
- pipe network
- 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 49
- 238000005192 partition Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 91
- 230000001105 regulatory effect Effects 0.000 claims abstract description 51
- 238000001816 cooling Methods 0.000 claims abstract description 35
- 238000004378 air conditioning Methods 0.000 claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims abstract description 18
- 230000001276 controlling effect Effects 0.000 claims abstract description 7
- 238000004134 energy conservation Methods 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 19
- 238000009826 distribution Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 239000012530 fluid Substances 0.000 description 10
- PDEDQSAFHNADLV-UHFFFAOYSA-M potassium;disodium;dinitrate;nitrite Chemical compound [Na+].[Na+].[K+].[O-]N=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O PDEDQSAFHNADLV-UHFFFAOYSA-M 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000010949 copper Substances 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- BDEDPKFUFGCVCJ-UHFFFAOYSA-N 3,6-dihydroxy-8,8-dimethyl-1-oxo-3,4,7,9-tetrahydrocyclopenta[h]isochromene-5-carbaldehyde Chemical compound O=C1OC(O)CC(C(C=O)=C2O)=C1C1=C2CC(C)(C)C1 BDEDPKFUFGCVCJ-UHFFFAOYSA-N 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- F24F11/63—Electronic processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供的一种基于商场分区负荷预测的末端阀门优化控制方法及系统，包括以下步骤：步骤1，将目标商场划分为多个功能区；步骤2，预测各功能区的冷负荷，求解各功能区所需的冷冻水流量；步骤3，建立管网水力模型，并求出各个调节阀所属供回水管路需要的最小压差，确定最不利末端的压差作为系统的最小供回水压差；步骤4，计算求解各空调箱调节阀的开度，实现冷量供需平衡并使得供冷系统能耗最低；本发明能够对商场末端建筑所需的冷冻水流量进行了全面而精确的控制，以减小能耗浪费。
Description
技术领域
本发明属于输配管网末端阀门优化控制领域，具体涉及一种基于商场分区负荷预测的 末端阀门优化控制方法及系统。
背景技术
大型商场复杂的建筑结构和各功能区电器设备不均匀的特点，导致商场建筑室内环境 状况复杂。导致传统供冷系统普遍存在水力失衡和冷热不均问题，造成了输送过程中能源的 浪费。
发明内容
本发明的目的在于提供一种基于商场分区负荷预测的末端阀门优化控制方法及系统， 解决了现有技术中存在的上述不足。
为了达到上述目的，本发明采用的技术方案是：
本发明提供的一种基于商场分区负荷预测的末端阀门优化控制方法，包括以下步骤：
步骤1，将目标商场划分为多个功能区；
步骤2，预测各功能区的冷负荷，求解各功能区所需的冷冻水流量；
步骤3，建立管网水力模型，并求出各个调节阀所属供回水管路需要的最小压差，确定 最不利末端的压差作为系统的最小供回水压差；
步骤4，计算求解各空调箱调节阀的开度，实现冷量供需平衡并使得供冷系统能耗最低。
优选地，步骤1中，将目标商场划分为多个功能区，具体方法是：
根据目标商场的内部功能性、业态布局和空间位置将目标商场划分为多个功能区。
优选地，步骤2中，预测各功能区的冷负荷，具体方法是：
获取目标商场的数据，所述数据包括室外温度、相对湿度、太阳辐射量、风速以及每 个功能区的历史冷负荷数据、电器设备功率密度、照明功率密度和人员密度；
对得到的数据进行归一化处理，得到预处理数据；
利用双重注意力机制-LSTM网络冷负荷预测模型预测每个功能区的冷负荷。
优选地，利用双重注意力机制-LSTM网络冷负荷预测模型预测每个功能区的冷负荷，具 体方法是：
利用灰色关联度分析每个影响因素与空调冷负荷之间的关系，得到每个功能区每个影 响因素与空调冷负荷之间的关联度系数；
根据得到的每个功能区每个影响因素与空调冷负荷之间的关联度系数计算得到每个功 能区每个影响因素与空调冷负荷之间的关联度；
根据每个功能区对应的关联度进行排序；
将最大关联度值对应的影响因素作为该每个功能区对应的关键影响因素；
将得到的关键影响因素结合双重注意力机制-LSTM网络冷负荷预测模型预测得到每个 功能区对应的冷负荷。
优选地，步骤2中，利用能量守恒定律，结合下式求解各功能区所需的冷冻水流量：
其中，yre为每个功能区对应的冷负荷；c为水的比热容；Δt为供回水温差；ρ冷冻水密度，G为冷冻水流量。
优选地，步骤3中，建立管网水力模型，并求出各个调节阀所属供回水管路需要的最 小压差，确定最不利末端的压差作为系统的最小供回水压差，具体方法是：
根据冷冻水系统建立管网水力模型；
根据管网水力模型结合图论的基本原理、基尔霍夫流量定律和基尔霍夫压降定律得到 管网水力模型对应的数学模型；
设定管网水力模型中各个支路阀门全开，结合迭代贪婪交替搜索算法和基尔霍夫流量 定律，求出各个调节阀所属供回水管路之间的最小压差，确定最不利末端的压差作为该管网 水力模型的最小供回水压差。
优选地，步骤4中，计算各空调箱调节阀的开度，实现冷量供需平衡并使得供冷系统 能耗最低，具体方法是：
利用得到的该管网水力模型的最小供回水压差，结合基尔霍夫压降定律，计算得到各 个空调箱调节阀的开度。
一种基于商场分区负荷预测的末端阀门优化控制系统，其特征在于，该系统能够运行 所述的方法，包括：
划分单元，用于将目标商场划分为多个功能区；
预测单元，用于预测各功能区的冷负荷，求解各功能区所需的冷冻水流量；
模型构建单元，用于建立管网水力模型，并求出各个调节阀所属供回水管路需要的最 小压差，确定最不利末端的压差作为系统的最小供回水压差；
阀门开度确定单元，用于计算求解各空调箱调节阀的开度，实现冷量供需平衡并使得 供冷系统能耗最低。
与现有技术相比，本发明的有益效果是：
本发明提供的一种基于商场分区负荷预测的末端阀门优化控制方法，通过“面向对象” 的建模方法，基于分区负荷预测的末端阀门优化控制方法，在满足水力平衡的前提下，通过 对空调箱调节阀开度进行调节，实现冷量的按需调控，使得供冷系统达到能耗最低；本发明 能够对商场末端建筑所需的冷冻水流量进行了全面而精确的控制，以减小能耗浪费。
附图说明
图1为ASHRAE区域划分原理图；
图2为LSTM体系结构图；
图3为特征注意力机制；
图4为时序注意力机制结构；
图5为双重注意力机制LSTM预测逻辑图；
图6为区域空调供冷拓扑图；
图7为服装区域冷冻水管网系统图；
图8为服装区域冷冻水管网有向回路图；
图9为9时各功能区流量与阀门开度；
图10为16时各功能区流量与阀门开度。
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做出创造性劳动前提下所获得的所有其他实施例，都属 于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、 元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不 意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地 指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关 联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的， 其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种 区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差 或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大 小、相对位置的区域/层。
本发明提供了一种基于商场分区负荷预测的末端阀门优化控制方法，对商场末端建筑所 需的冷冻水流量进行了全面而精确的控制，以减小能耗浪费。本方法基于“面向对象”的建 模，通过对各功能分区进行全面而精确的冷负荷预测，实现商场各区域末端阀门按需供冷的 调控，具体地：
首先是根据商场内部功能性、业态布局和空间位置划分为不同的功能分区；
然后利用双重注意力机制-LSTM网络冷负荷预测模型完成各功能区冷负荷的预测，通过 能量守恒求解各功能区所需的冷冻水流量；
其次建立管网水力模型，将复杂的管网结构解析成各类元件对象的集合，进行水力工况 分析；使用迭代贪婪交替搜索算法在假设各支路阀门全开状态下，根据基尔霍夫流量定律， 求出各个调节阀所属供回水管路需要的最小压差，确定最不利末端的压差作为系统的最小供 回水压差；
最后根据基尔霍夫流量定律，依此求解各空调箱调节阀的开度，实现冷量供需平衡并使 得供冷系统能耗最低。
本文提出基于商场分区负荷预测的末端阀门优化控制的方法，一、解决了传统反馈控制 方法水力工况不稳定问题；二、解决了冷冻水输配送时区域供冷负荷不明确造成的能源浪费； 三、解决可空间上冷热不均问题保障了室内热舒适度。
本发明一种基于商场分区负荷预测的末端阀门优化控制方法，包括以下步骤：
S1、结合商场建筑空间结构、业态分布和人员等因素，分析商场用能的特点，完成目标 建筑功能分区的划分，根据功能分区完成数据收集与处理。
请参阅图1，根据《商业设施》规范和ASHRAE区域划分，结合商场建筑内部的业态分配， 围护结构，提出商场功能分区的划分原则，完成目标商场建筑的供冷区域的划分。
ASHRAE区域划分法通过朝向将建筑划分为周边区域和核心区域，其核心区域可根据建筑 窗墙结构细分。参照建筑设计平面图，结合建筑自身承重和维护结构，承重结构向高度方向 发展构成基本的空间网格单元，在此基础可采用增加、减少等操作，达到功能区划分要求。
功能分区划分原则如下：
建筑承重结构和围护结构作为边界进行初步划分；
营业区，辅助区以及停车场进行单独划分；
购物空间、娱乐空间、餐饮空间需要为单独划分；
电梯作为一种特殊的空间单元，应单独进行划分；
防火分区优先级应高于各类设备功能的分区，应保证不跨越防火分区。
原始数据收集与预处理原则如下：
原始数据包括室外温度、相对湿度、太阳辐射量和风速，以及各区域历史冷负荷数据、 电器设备功率密度、照明功率密度和人员密度。
针对输入数据各个参数的数量级不相同，采用离差标准化对输入数据归一化处理如下：
其中，xi为样本原始值；xmin为原始样本最小值；xmax为原始样本最大值；xi′为归一化处 理值。
S2、基于双重注意力机制-LSTM网络冷负荷预测模型完成步骤S1中各功能区层面的冷负 荷预测，根据能量守恒定律，求解各区域输配管网所需的流量；
S201、使用灰色关联度分析影响因素与空调冷负荷之间的关系，每个功能区不同影响因 素(包括室外温度、相对湿度、太阳辐射量、风速以及每个功能区的电器设备功率密度、照 明功率密度和人员密度)与空调冷负荷之间的关联度系数ξi(k)计算如下：
其中，ri为关联度；n为冷负荷数据总量；y(k)为归一化负荷序列；xi(k)为归一化的影 响因素序列；ρ为分辨系数，一般取0.5；k为影响因素的维度；i为影响因素个数。
根据关联度大小ri判断空调冷负荷与多变量因素相关性强弱。
计算各功能区影响因素与空调冷负荷的关联度，用关联度系数来确定它们之间相关性强 弱。将各功能区关联度系数较大的影响因素作为关键影响因素。
S202、使用双重注意力机制-LSTM冷负荷模型预测得到各区域冷负荷值。
请参阅图2，LSTM网络包含记忆单元、输入门、输出门和遗忘门，通过控制三个门的输 入状态，可以减少由于存储长度的增加而引起的梯度爆炸和梯度消失的影响。
请参阅图3，为特征注意力结构图，将变量的时间序列，前一时刻LSTM网络的隐藏状态 ht-1和当前时刻输入特征
作为特征注意力机制的输入，具体通过以下公式对当前时刻各变 量进行注意权重计算，然后进行归一化处理，最后将当前时刻的权重与对应特征变量相乘得 到特征注意力输出Xt。
其中，
为各特征变量注意力权重，
为各特征变量注意力权重归一化，:Ve、We、U、Be为 待训练参数。
请参阅图4时序注意力结构图。时序注意力机制通过概率分配的方式对LSTM网络历史时 刻进行重要性分析，分析各历史时刻的负荷对于预测时刻负荷的重要程度，从而提高预测精 度。其中，xt表示LSTM网络的输入，ht对应LSTM模型隐含层输出，αt为attention机制对 LSTM隐含层输出的注意力概率分布值，y为引入attention机制LSTM网络的输出值。
请参阅图5，Attention-LSTM预测模型图。模型主要由输入向量、特征注意力层、LSTM 网络层、时序注意力机制层和输出层组成。输入向量结合前一时刻LSTM网络的隐藏状态ht-1， 通过特征注意力机制层计算得到各特征变量当前时刻的权重并与对应特征变量相乘得到特 征注意力输入Xt，特征变量输入Xt经过LSTM网络学习特征，然后通过时序注意力机制层计 算各历史时刻输出冷负荷信息的影响权重并得到改进后的当前时刻隐含层状态输出，最后输 入到全连接层得到最终预测结果。
模型输出值反归一化处理，得到实际预测值，具体为：
yre＝ymin+ypre(ymax+ymin)
其中，ymax为原始样本最大输出值；ymin为原始样本最小输出值；ypre为模型输出的预测 值；yre为模型输出还原值。
S203、使用均方根误差RMSE衡量负荷预测模型的精确程度；
其中n为负荷数据总数，j为数据在时间上的指数，CLa,为实际冷负荷，CLp,为预测冷负 荷，CLa,为实际冷负荷数据的平均值，CLa,为实际冷负荷数据的最大值。
S204、根据能量守恒定律，将冷负荷数值转化为相应的冷冻水流量，该流量为步骤S3 中各区域管网所需的冷冻水流量，具体如下：
其中：yre为每个功能区对应的冷负荷；c为水的比热容；Δt为供回水温差；ρ冷冻水密 度，G为冷冻水流量。
S3、将冷冻水系统抽象为由空调箱调节阀、表冷器、管道、水泵等设备组成的简化模型， 建立空调箱冷冻水管网系统模型，并推导出设备阻抗特性模型；
在变流量系统中变化而成比例变化，用户末端盘管采用二通阀调节，整个系统循环流量 随负荷变化而成比例变化。
调节阀典型的流量特性有直线流量特性，等百分比流量特性，快开流量特性和抛物线流 量特性等四种类型。
表冷器主要原理是让冷冻水流过金属管道内腔，而要处理的空气流过金属管道外壁进行 热交换来达到冷却空气的目的。
管道是空调系统冷冻水传输的媒介，由于流体流动时具有惯性、粘滞性，当水管中有流 体介质流动时，管道内就会产生沿程阻力和局部阻力，从而产生一定的压降损失；另外，流 体在水管中流动，同时也存在一定的热量损失。
S4、基于图论的基本原理和基尔霍夫流量定律和基尔霍夫压降定律完成供冷管网水力工 况的数学模型；
图论中将各管段的交汇点称为节点，各交汇点的管段称为分支，由节点和分支构成的集 合称为图。在管网图中，每个分支ei按流动方向标有方向，且方向由始点指向末点。一个给 定的有向图可以表示一个网络的结构与其拓扑性质，通过+1，0，-1的矩阵表示，有向图的 表示对计算机进行网络分析和设计有着及其重要的意义。
增广关联矩阵Aa反映节点和支路的关联关系，通过增广关联矩阵可以唯一的确定一个网 络的拓扑结构。有向图的增广关联矩阵Aa＝aij定义如下：
基本回路矩阵Bf反映的是支路同回路之间的关联关系，基本回路Bf＝bkj定义如下：
S5、利用迭代贪婪交替搜索算法，假设各支路阀门全开状态下，根据S4步骤基尔霍夫流 量定律，求出各个调节阀所属供回水管路需要的最小压差，确定最不利末端的压差作为系统 的最小供回水压差；
精确算法理论上虽然可以求得最优解，很难在较短时间内给出满足工业实际需求的合理 解决方案。根据智能优化方法在解决组合优化问题方面的优势，基于交替迭代框架，通过集 成构造启发式、群体搜素、邻域搜素以及破坏-构造机制，提出一种迭代贪婪交替搜素算法， 首先根据启发式规则构造初始解，即最远端空调箱阀门开度全开状态初始化系统压差，通过 迭代贪婪算法进行邻域搜素，不断优化迭代流量和迭代压差，求解管网系统的最小供回水压 差。
S6、利用步骤S5得到的系统最小供回水压差，根据步骤S4基尔霍夫压降定律，求出各 区域空调箱调节阀的开度。
利用迭代贪婪交替搜素算法交替优化确定系统的最小供回水压差，根据回路的基尔霍夫 压降定律，可求出各个空调箱调节阀的开度。
本发明按照整个建筑各功能区的冷负荷预测结果，根据能量守恒定律可完成末端冷冻水 流量的分配，根据末端需求建立区域空调冷冻水系统输配管网模型，从改变管网动力分布角 度，在保证水力平衡的前提下，使得系统所需的压差最小，从而实现冷冻水的按需供应，达 到节能经济效益。
提前规划制冷机组冷机开启台数和冷机的部分负荷率，保证在满足末端需求的条件下， 使制冷机组工作在最优工况，降低制冷机组能耗，因此基于负荷预测的末端阀门开度优化控 制相比于传统的反馈控制方法更稳定，节能效果更佳。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明 一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组 件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的 详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例，都属于本发明保护的范围。
以某大型商场建筑为例，利用一种基于商场分区负荷预测的末端阀门优化调节方法，包 括以下步骤：
1、结合商场建筑空间结构、业态分布和人员等因素，分析商场用能的特点，构建目标 建筑功能分区，完成区域输配网络系统拓扑结构，区域供冷拓扑图如图6所示。根据功能分 区完成数据收集与处理。
标准数据集采集原则：影响空调冷负荷的重要因素的数据，主要包括建筑空间标准数据、 室外气象标准数据和空调标准历史冷负荷数据集以及建筑空间人流量，照明功率密度，设备 功率密度。部分标准数据集如表1所示：
表1标准数据集(部分)
2、基于双重注意力机制-LSTM网络冷负荷预测模型完成步骤S1中各功能区层面的冷负 荷预测，根据能量守恒定律，求解各区域输配管网所需的流量；
S201、根据需求确定各个区域模型的输入变量，关联系数和关联度计算公式如下所示：
其中：y(k)为归一化负荷序列；xi(k)为归一化的影响因素序列；ρ∈(0,∞)，为分辨系数， 通常取ρ＝0.5。
根据关联度ri大小判判断空调冷负荷与多变量因素相关性强弱。
S202、建立的冷负荷预测模型为Attention-LSTM，LSTM网络可以自动学习和记忆复杂非 线性时间序列数据的历史高级特征信息，时序注意力机制分析历史冷负荷对预测时刻负荷的 重要程度，突出关键时刻的比重。
LSTM神经网络包含记忆单元、输入门、输出门和遗忘门，通过控制三个门的输入状态， 可以减少由于存储长度的增加而引起的梯度爆炸和梯度消失的影响。
(1)遗忘门。遗忘门用来决定从神经单元状态中丢弃的那些信息，通过读取ht-1和Xt的 值，由σ输出一个0到1之间的数值，数值越大，保留的信息越多。
ft＝σ(Wf*[ht-1，Xt]+bf)
(2)输入门。输入门在神经单元中加入哪些新的信息，由σ来确定哪些信息需要得到更 新，由tanh来确定备选更新值。
it＝σ(Wi*[ht-1，xt]+bi)
C′t＝tanh(Wc*[ht-1，xt]+bc)
Ct＝ft*Ct-1+it*C′t
式中：Wi为输入门权重矩阵；bi为输入门偏置项；C′t为备选更新结果；bc为备选偏置项。
(3)根据神经单元的状态来确定输出的值。
Ot＝σ(Wo*[ht-1，xt]+bo)
ht＝Ot*tanh(Ct)
其中，bo为输出门偏置项；
商场各功能分区冷负荷影响的因素有很多且受历史状态影响较大，为了研究每一历史时 刻状态信息对当前预测结果的影响程度，对LSTM网络输出结果引入双重注意力机制。利用 特征变量的关联性和时序信息的依赖性提高冷负荷预测的准确性。
特征注意力机制结构如图4所示，将变量的时间序列，前一时刻LSTM网络的隐藏状态ht-1和当前时刻输入特征
作为特征注意力机制的输入，通过下式对当前时刻各变量进行注意权 重计算和归一化处理。最后将当前时刻的权重与对应特征变量相乘得到特征注意力输出Xt。
其中，
为各特征变量注意力权重，
为各特征变量注意力权重归一化，Ve、We、Ue、be为待 训练参数。
时序注意力机制通过概率分配的方式对LSTM网络历史时刻进行重要性分析，分析各历史 时刻的负荷对于预测时刻负荷的重要程度，从而提高预测精度。
时序注意力机制结构如图5所示。其中，xt表示LSTM网络的输入，ht对应LSTM模型隐含 层输出，αt为attention机制对LSTM隐含层输出的注意力概率分布值，y为引入attention 机制LSTM输出值。
时序注意力机制中注意力权重矩阵α和特征向量表示v计算公式如下：
et＝ustanh(wsht+bs)
其中：et指为归一化权重矩阵，αt为LSTM隐含层输出的注意力概率分布值；v为当前时 刻隐含层状态值；ws、bs和us分别为随机初始化的注意力机制权重矩阵、偏置量和时间序列 矩阵。
将采集的数据进行灰色关联度分析法分析之后，对输入变量的数据进行数据的预处理， 使用滑动时间窗方法对数据集进行改造。将处理之后的输入变量输入到Attention-LSTM预 测模型，预测各功能分区的冷负荷，通过能量守恒定律根据预测冷负荷值求得各区域所需流 量。
yre＝ymin+ypre(ymax+ymin)
其中，ymax为原始样本最大输出值；ymin为原始样本最小输出值；ypre为模型输出的预测 值；yre为模型输出还原值。
S203、使用均方根误差RMSE衡量负荷预测模型的精确程度；
其中n为负荷数据总数，j为数据在时间上的指数，CLa，j为实际冷负荷，CLp，j为预测冷负 荷，CLa，mean为实际冷负荷数据的平均值，CLa，max为实际冷负荷数据的最大值。
S204、根据能量守恒定律，求解各区域管网所需的冷冻水流量，具体如下：
其中：yre模型预测冷负荷值，c为水的比热容，Δt供回水温差，ρ冷冻水密度，g为冷冻水流量。
3、建立冷冻水管网系统模型
本发明将冷冻水系统抽象空调箱调节阀、表冷器、管道、水泵等设备组成的简化模型， 建立空调箱冷冻水管网系统模型，并推导出设备阻抗特性模型。
在变流量系统中变化而成比例变化，用户末端盘管采用二通阀调节，整个系统循环流量 随负荷变化而成比例变化。调节阀模型主要是根据调节阀的开度参数，结合管道的流量特性， 计算得出调节阀的实时阻抗值。
调节阀典型的流量特性有直线流量特性，等百分比流量特性，快开流量特性和抛物线流 量特性等四种类型。本发明采用等百分比特性的调节阀门。等百分比特性的调节阀的流量特 性是指单位相对行程变化所引起的相对流量的变化与该点的相对流量成正比关系，即调节阀 的放大系数随相对流量的增加而增大。为了便于计算调节阀的实际流量，调节阀的阻抗变化 计算公式如下：
其中：S_valvei为调节阀在开度为I下的阻抗；S_valve0为调节阀全开是的阻抗；I表示调 节阀某一开度时阀芯的行程；lmax表示调节阀全开时阀芯的行程；R表示可调比，即调节阀 所能控制的最大流量与最小流量之比。
表冷器主要原理是让冷冻水流过金属管道内腔，而要处理的空气流过金属管道外壁进行 热交换来达到冷却空气的目的。本发明选用的水冷式表面冷却器，参数如下：
水冷式表面冷却器
水冷式表面冷却器技术性能、尺寸表
根据样本数据，表冷器阻抗数学模型如下：
fw＝Ls·N1·fc
di＝d0-2δ
其中：vW为流体流速；ρW为密度；W为管内流体流量；fW为表冷器通流截面积；Ls为回路形式；N1孔数；fC为单根铜管横截面积；di为铜管内径；d0为铜管外径；δ为铜管壁厚。
管道是空调系统冷冻水传输的媒介，由于流体流动时具有惯性、粘滞性，当水管中有流 体介质流动时，管道内就会产生沿程阻力和局部阻力，从而产生一定的压降损失；另外，流 体在水管中流动，同时也存在一定的热量损失。管道阻抗模型如下：
其中：Spipe表示管路摩擦阻抗kg/m7，l表示管路长度，m；表示管路直径，m；λ表示管路摩擦阻力系数，d表示管路直径，m。
4、建立管网水力工况的数学模型
从图论的角度建立管网矩阵模型，完成管网系统中各支路的流体流量和压降的计算，对 水力稳定与热力稳定进行分析。模型需要输入的参数有管网内各段的管道阻抗，各调节阀的 阻抗以及各空调箱表冷器的阻抗，这些参数由管网模型计算得出。
以图7所示的冷冻水管网系统为例，做出图8所示的冷冻水管网的有向回路图。
由于管网图G，可以选出若干个基本回路，而流体输配管网G是一个有向连通图，包含M 个节点，N个支路，基本回路矩阵C(G)中的元素为：
增广关联矩阵Aa反映节点和支路的关系，增广关联矩阵Aa＝aij定义如下，
基本回路矩阵Bf反映的是支路同回路之间的关联关系，基本回路Bf＝bkj定义如下：
管网的增广关联矩阵Aa可以表示为：
管网的基本回路矩阵Bf可以表示为：
基尔霍夫流量定律：在集总网络中与位置无关任何时刻对任一节点所有流出或流入节点 的支路流量的代数和恒等于零。
AG＝Q
其中：A为基本关联矩阵；G表示各条支路的流量；Q表示节点的净流出量。
基尔霍夫压降定律：在集总网络中与位置无关任何时刻沿任一回路所有支路压降的代数 和恒等于零。
BfΔH＝0
其中，Bf表示为基本回路矩阵，ΔH表示各支路的压降。
5、求解系统最小供回水压差
根据末端各空调箱的冷冻水需求，对空调冷冻水管网系统动态水力平衡优化进行研究， 以系统最小供回水压差最小为目标，使得供冷系统达到能耗最低。
精确算法理论上虽然可以求得最优解，很难在较短时间内给出满足工业实际需求的合理 解决方案。根据智能优化方法在解决组合优化问题方面的优势，基于交替迭代框架，通过集 成构造启发式、群体搜素、邻域搜素以及破坏-构造机制，提出一种迭代贪婪交替搜素算法， 首先根据启发式规则构造初始解，即最远端空调箱阀门开度全开状态初始化系统压差，通过 迭代贪婪算法进行邻域搜素，不断优化迭代流量和迭代压差，求解管网系统的最小供回水压 差。
针对该问题，迭代贪婪交替搜素算法首先假定空调箱调节阀全开，根据基尔霍夫流量定 律，求出各个调节阀所属供回水管路需要的最小压差，并以其最大值作为管网系统的最小供 回水压差。具体步骤为：
Setp1：输入管网结构以及各支路流量需求
Setp2：假定空调箱调节阀开度l＝100％，结合最远端空调箱流量需求，计算最远端支路 压降；
其中：H-AHUi表示支路i的压降；S-valvei为空调箱调节阀阻抗，S-AHU-Li为阀门左侧 阻抗；S-AHU-Ri为阀门右侧阻抗；Qi为支路i所需流量。
Setp3：求得初始化迭代流量Qiter1、迭代压差Hiter1。
其中：S-pipe-Li为管道左侧阻抗，S-pipe-Ri为管道右侧阻抗。
Setp4：计算较为邻域支路压降H-AHUi，并判断H-AHUi是否大于Hiter1，若大于则令Hiter1＝H-AHUi，否则Hiter1＝Hiter1。
Setp5：更新迭代流量Qiter1、迭代压差Hiter1变量。
Setp6：判断该支路时候是该最后一段。若为最后一段，保存迭代压差Hiter1变量。
通过以上方法，在迭代优化过程中，在保证管网系统在水力平衡条件下，能够根据空调 箱流量需求，得到系统的供回水最小压差。
6、求解各空调箱调节阀开度
基于最不利环路条件下得到的系统最小供回水压差，根据基尔霍夫压降定律，求出各个 空调箱调节阀的开度。
固定系统最小供回水压差为Hiter1，同时令Hiter2＝Hiter1，Qiter2＝Qiter1。根据一下公式 更新迭代压差Hiter2，迭代流量Qiter2变量。
根据迭代压降和迭代流量求解调节阀i优化后的阻抗S-valvei，以及调节阀开度li，公式 如下：
该反向传递过程，基于最不利环路条件下得到的系统最小供回水压差，能够保持最不利 末端的空调箱调节阀开度值保持在100％，使得空调箱调节阀的控制策略使得管网总阻抗最小， 从而实现能耗最优。
该为西安某大型商场，该建筑物高20.3m，地下2层，地上4层，总建筑面积12.5万㎡， 商业面积10万㎡，建筑空调面积9.38万㎡。将商场供冷系统划分包括超市区、珠宝区、服 饰区、餐饮区和娱乐区。
本研究选取运行工况比较稳定高温期8月份进行研究，分别选取2021年8月30日9时、 12时的运行工况具体分析。阀门开度如图9-图10所示。
图8可知，在上午9时，最不利末端位于娱乐区，娱乐区阀门开度达到100％，因为在这 个阶段商场刚开始营业，热设备刚开启阶段，处于最高层的区域受室外温度影响最大，所需 要的冷负荷最多；图10可知中午时刻最不利末端位于餐饮区，餐饮区某一阀门开度达到100％， 这是由于此时餐饮区散热量以及人员所需的舒适度需求温度较低，造就冷负荷需求量变大； 通过以上分析此现象，该方法对所有空调箱调节阀开度进行判断，使最不利末端的阀门开度 保持最大开度100％，最大程度实现节约能耗且降低系统的水力失调。
综上所述，本文提出了一种基于商场分区负荷预测的末端阀门优化调节方法，通过负荷 预测，可在满足商场冷负荷的需求上，实现对空调箱调节阀阀门及开度的控制，降低了空调 系统的水力失调，很好的改善了供冷量分配不均的现状，提高了商场的热舒适度。
Claims (8)
1.一种基于商场分区负荷预测的末端阀门优化控制方法，其特征在于，包括以下步骤：
步骤1，将目标商场划分为多个功能区；
步骤2，预测各功能区的冷负荷，求解各功能区所需的冷冻水流量；
步骤3，建立管网水力模型，并求出各个调节阀所属供回水管路需要的最小压差，确定最不利末端的压差作为系统的最小供回水压差；
步骤4，计算求解各空调箱调节阀的开度，实现冷量供需平衡并使得供冷系统能耗最低。
2.根据权利要求1所述的一种基于商场分区负荷预测的末端阀门优化控制方法，其特征在于，步骤1中，将目标商场划分为多个功能区，具体方法是：
根据目标商场的内部功能性、业态布局和空间位置将目标商场划分为多个功能区。
3.根据权利要求1所述的一种基于商场分区负荷预测的末端阀门优化控制方法，其特征在于，步骤2中，预测各功能区的冷负荷，具体方法是：
获取目标商场的数据，所述数据包括室外温度、相对湿度、太阳辐射量、风速以及每个功能区的历史冷负荷数据、电器设备功率密度、照明功率密度和人员密度；
对得到的数据进行归一化处理，得到预处理数据；
利用双重注意力机制-LSTM网络冷负荷预测模型预测每个功能区的冷负荷。
4.根据权利要求3所述的一种基于商场分区负荷预测的末端阀门优化控制方法，其特征在于，利用双重注意力机制-LSTM网络冷负荷预测模型预测每个功能区的冷负荷，具体方法是：
利用灰色关联度分析每个影响因素与空调冷负荷之间的关系，得到每个功能区每个影响因素与空调冷负荷之间的关联度系数；
根据得到的每个功能区每个影响因素与空调冷负荷之间的关联度系数计算得到每个功能区每个影响因素与空调冷负荷之间的关联度；
根据每个功能区对应的关联度进行排序；
将最大关联度值对应的影响因素作为该每个功能区对应的关键影响因素；
将得到的关键影响因素结合双重注意力机制-LSTM网络冷负荷预测模型预测得到每个功能区对应的冷负荷。
5.根据权利要求1所述的一种基于商场分区负荷预测的末端阀门优化控制方法，其特征在于，步骤2中，利用能量守恒定律，结合下式求解各功能区所需的冷冻水流量：
其中，yre为每个功能区对应的冷负荷；c为水的比热容；Δt为供回水温差；ρ冷冻水密度，G为冷冻水流量。
6.根据权利要求1所述的一种基于商场分区负荷预测的末端阀门优化控制方法，其特征在于，步骤3中，建立管网水力模型，并求出各个调节阀所属供回水管路需要的最小压差，确定最不利末端的压差作为系统的最小供回水压差，具体方法是：
根据冷冻水系统建立管网水力模型；
根据管网水力模型结合图论的基本原理、基尔霍夫流量定律和基尔霍夫压降定律得到管网水力模型对应的数学模型；
设定管网水力模型中各个支路阀门全开，结合迭代贪婪交替搜索算法和基尔霍夫流量定律，求出各个调节阀所属供回水管路之间的最小压差，确定最不利末端的压差作为该管网水力模型的最小供回水压差。
7.根据权利要求1所述的一种基于商场分区负荷预测的末端阀门优化控制方法，其特征在于，步骤4中，计算各空调箱调节阀的开度，实现冷量供需平衡并使得供冷系统能耗最低，具体方法是：
利用得到的该管网水力模型的最小供回水压差，结合基尔霍夫压降定律，计算得到各个空调箱调节阀的开度。
8.一种基于商场分区负荷预测的末端阀门优化控制系统，其特征在于，该系统能够运行权利要求1-7中任一项所述的方法，包括：
划分单元，用于将目标商场划分为多个功能区；
预测单元，用于预测各功能区的冷负荷，求解各功能区所需的冷冻水流量；
模型构建单元，用于建立管网水力模型，并求出各个调节阀所属供回水管路需要的最小压差，确定最不利末端的压差作为系统的最小供回水压差；
阀门开度确定单元，用于计算求解各空调箱调节阀的开度，实现冷量供需平衡并使得供冷系统能耗最低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087232.XA CN114857743A (zh) | 2022-01-25 | 2022-01-25 | 一种基于商场分区负荷预测的末端阀门优化控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087232.XA CN114857743A (zh) | 2022-01-25 | 2022-01-25 | 一种基于商场分区负荷预测的末端阀门优化控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114857743A true CN114857743A (zh) | 2022-08-05 |
Family
ID=82627241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210087232.XA Pending CN114857743A (zh) | 2022-01-25 | 2022-01-25 | 一种基于商场分区负荷预测的末端阀门优化控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114857743A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238532A (zh) * | 2022-09-23 | 2022-10-25 | 天津大学 | 一种适用于商业综合体的冬季温度场预测系统及方法 |
| CN116227741A (zh) * | 2023-05-05 | 2023-06-06 | 深圳市万物云科技有限公司 | 基于自适应算法的冷水机组节能方法、装置及相关介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
| CN111412584A (zh) * | 2020-04-03 | 2020-07-14 | 西安建筑科技大学 | 一种中央空调冷冻水管网动态水力平衡的群智能优化方法 |
| CN112417662A (zh) * | 2020-11-13 | 2021-02-26 | 天津大学 | 一种实现集中供热管网系统动态水力优化的方法 |
| CN112556098A (zh) * | 2020-12-01 | 2021-03-26 | 浙江浙大中控信息技术有限公司 | 一种动态水力平衡控制方法 |
| US20210123625A1 (en) * | 2018-11-29 | 2021-04-29 | Tianjin University | Low-cost commissioning method for the air-conditioning systems in existing large public buildings |
| CN113435665A (zh) * | 2021-07-19 | 2021-09-24 | 西安建筑科技大学 | 一种面向功能分区的商场冷负荷预测方法及系统 |
-
2022
- 2022-01-25 CN CN202210087232.XA patent/CN114857743A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210123625A1 (en) * | 2018-11-29 | 2021-04-29 | Tianjin University | Low-cost commissioning method for the air-conditioning systems in existing large public buildings |
| CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
| CN111412584A (zh) * | 2020-04-03 | 2020-07-14 | 西安建筑科技大学 | 一种中央空调冷冻水管网动态水力平衡的群智能优化方法 |
| CN112417662A (zh) * | 2020-11-13 | 2021-02-26 | 天津大学 | 一种实现集中供热管网系统动态水力优化的方法 |
| CN112556098A (zh) * | 2020-12-01 | 2021-03-26 | 浙江浙大中控信息技术有限公司 | 一种动态水力平衡控制方法 |
| CN113435665A (zh) * | 2021-07-19 | 2021-09-24 | 西安建筑科技大学 | 一种面向功能分区的商场冷负荷预测方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238532A (zh) * | 2022-09-23 | 2022-10-25 | 天津大学 | 一种适用于商业综合体的冬季温度场预测系统及方法 |
| CN116227741A (zh) * | 2023-05-05 | 2023-06-06 | 深圳市万物云科技有限公司 | 基于自适应算法的冷水机组节能方法、装置及相关介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114857743A (zh) | 一种基于商场分区负荷预测的末端阀门优化控制方法及系统 | |
| Zhang et al. | A parametric approach for performance optimization of residential building design in Beijing | |
| Lu et al. | Global optimization for overall HVAC systems––Part II problem solution and simulations | |
| Tian et al. | Predictive model of energy consumption for office building by using improved GWO-BP | |
| CN105719028B (zh) | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 | |
| Li et al. | Reinforcement learning of room temperature set-point of thermal storage air-conditioning system with demand response | |
| Xu et al. | An intermittent heating strategy by predicting warm-up time for office buildings in Beijing | |
| Wang et al. | Collaborative optimization between passive design measures and active heating systems for building heating in Qinghai-Tibet plateau of China | |
| She et al. | Life cycle cost and life cycle energy in zero-energy building by multi-objective optimization | |
| CN113435665A (zh) | 一种面向功能分区的商场冷负荷预测方法及系统 | |
| CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
| Yang et al. | Research on frequency conversion technology of metro station's ventilation and air-conditioning system | |
| CN111125938A (zh) | 基于次优算法的大型中央空调冷冻水管网优化设计方法 | |
| Moon et al. | Prediction models and control algorithms for predictive applications of setback temperature in cooling systems | |
| Yu et al. | A distributed optimization algorithm for the dynamic hydraulic balance of chilled water pipe network in air-conditioning system | |
| Kim et al. | Performance evaluation of artificial neural network-based variable control logic for double skin enveloped buildings during the heating season | |
| CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
| Ono et al. | Optimal operation of heat source and air conditioning system with thermal storage tank using nonlinear programming | |
| Xie et al. | Development of a group control strategy based on multi-step load forecasting and its application in hybrid ground source heat pump | |
| Chen et al. | Impacts of large chilled water temperature difference on thermal comfort, equipment sizes, and energy saving potential | |
| Li et al. | Study of distributed model predictive control for radiant floor heating systems with hydraulic coupling | |
| Zhao et al. | The application of advanced control technologies in air conditioning system–a review | |
| Wu et al. | Developing an equipotential line method for the optimal design of an energy station location in a district heating system | |
| CN117628659A (zh) | 一种面向暖通空调多系统协同运行的预测调控方法 | |
| Yuan et al. | Study on waste heat recoveries and energy saving in combined energy system of ice and swimming halls in Finland |
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 |