CN115031363A - 预测空调性能的方法和装置 - Google Patents
预测空调性能的方法和装置 Download PDFInfo
- Publication number
- CN115031363A CN115031363A CN202210592428.4A CN202210592428A CN115031363A CN 115031363 A CN115031363 A CN 115031363A CN 202210592428 A CN202210592428 A CN 202210592428A CN 115031363 A CN115031363 A CN 115031363A
- Authority
- CN
- China
- Prior art keywords
- data
- parameters
- air conditioning
- test
- evaporator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012360 testing method Methods 0.000 claims abstract description 286
- 238000004378 air conditioning Methods 0.000 claims abstract description 234
- 238000012549 training Methods 0.000 claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 195
- 230000008859 change Effects 0.000 claims description 37
- 230000003190 augmentative effect Effects 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 4
- 230000003872 anastomosis Effects 0.000 claims 3
- 230000001276 controlling effect Effects 0.000 claims 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 31
- 238000012216 screening Methods 0.000 abstract description 10
- 230000002829 reductive effect Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 56
- 230000008569 process Effects 0.000 description 27
- 238000001816 cooling Methods 0.000 description 24
- 238000010438 heat treatment Methods 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000005057 refrigeration Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 229920001169 thermoplastic Polymers 0.000 description 1
- 239000004416 thermosoftening plastic Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 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
- F24F11/62—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Combustion & Propulsion (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了预测空调性能的方法,其包括试验设计,试验以获取试验数据,对试验数据进行筛选,对经筛选的数据进行数据增强,对经增强的数据进行训练得到确定的空调性能预测模型,使用确定的空调性能预测模型来预测空调系统的性能。本发明对试验数据进行数据增强,使得能够在所获取的试验数据较少的情况下得到所需的大量的数据,从而进行有效的数据训练以得到精确的空调性能预测模型。本发明通过分层式疏密设计使得能够用尽可能少的试验获取空调性能空间的数据分布特征,从而减少试验成本且减少对预测精度的影响。本发明还在获取试验数据时减少获取试验数据的等待时间、缩短各个试验点之间的试验数据获取时间间隔,从而加快试验数据获取的速度。
Description
技术领域
本发明涉及空调系统,特别的涉及预测空调系统的性能。
背景技术
在空调领域,获取空调系统在不同工况下的性能具有广泛的需求。例如,空调厂家需要获取空调设备在不同工况下的性能来确保其设计生产的空调设备的性能能够符合国家标准或符合预设性能要求。空调用户也要求知晓空调设备在不同工况下的性能,以使得某种空调设备能够得到合适的应用,例如在合适的环境下使用。
发明内容
从空调设备设计制造商的角度,设计空调时首先设定一个目标,比如名义制冷量600kW、COP 3.5、IPLV4.5,名义制热量580kW、COP 3.3等。然后根据这个目标进行零部件选型,包括压缩机、蒸发器、冷凝器、风机、膨胀阀等,最终在经济性的约束下以最小的成本达成预设性能要求。所以,空调厂家更多关注名义制冷、名义制热以及IPLV部分负荷下的性能,并以试验的方式确保这些性能的偏差符合国家标准。其中,COP表示在规定的试验工况条件和在机组特定的运行状态下,以相同单位表示的制冷(热)量与机组总输入功率的比值。IPLV是用一个单一数值表示的空调机组的部分负荷效率指标。基于规定的IPLV工况下机组部分负荷的性能系数值,按机组在特定负荷下运行时间的加权系数,通过以下公式计算得出IPLV:
IPLV=2.3%×A+41.5%×B+46.1%×C+10.1%×D。
在上述公式中,A表示机组100%负荷时的COPc-100%(kW/kW);B表示机组75%负荷时的COPc-75%(kW/kW);C表示机组50%负荷时的COPc-50%(kW/kW);D表示机组25%负荷时的COPc-25%(kW/kW)。
从空调用户的角度,他们有自己的具体需求,并且空调用户的工况大多数不是空调厂家验证过的名义工况或IPLV工况。空调用户可能想要知晓空调所有可运行工况的性能,这时需要空调厂家能够提供可以预测或计算空调所有可运行工况性能的方法。
基于客户的需求,如果空调厂家在试验室上对所生产的空调系统进行大量试验来验证客户所需的空调性能会导致浪费水电资源和人力成本增加,并且该验证方法的时间过长。因此,通常使用空调性能预测模型来预测空调系统在不同工况下的性能,该方法不会造成水电资源浪费和人力成本增加,且能较快地得到预测结果。
在获得空调性能预测模型时,通过试验来获取试验数据,并对这些试验数据进行处理和计算以获得与这些试验数据接近的拟合逼近函数,即获得空调性能预测模型。在现有技术中,在获得空调性能预测模型时,要么获取的试验数据太多,获取的时间太长,导致数据处理成本和时间成本太高,要么获取的试验数据太少,导致获得的空调性能预测模型不精确,从而使得预测数据与实测数据的偏差较大,例如超过5%。
为了解决以上问题,本发明提供了一种预测空调性能的方法和装置,其使用空调性能预测模型来预测空调系统的性能。在获得空调性能预测模型时,本发明对获取的试验数据进行数据增强以得到较大数据量的数据,从而能够进行有效的数据训练以得到精确的空调性能预测模型。本发明还通过试验设计来使得进行的试验较少,从而获取的试验数据较少,并且使得获取该较少的试验数据所花费的人力和时间成本较少。进一步地,本发明还在获取试验数据时减少等待时间以使得获取所有试验数据所花费的时间较少。
根据本发明的第一个方面,本发明提供了一种预测空调性能的方法,包括如下步骤:(1)基于已设计的空调系统选择多个参数,(2)基于所选择的多个参数进行试验以获取该多个参数的数据,(3)对获取的数据进行筛选,(4)对经筛选的数据进行数据增强以获得增加的数据,(5)使用该增加的数据进行训练,以得到确定的空调性能预测模型,以及(6)使用该确定的空调性能预测模型来预测已设计的空调系统的性能。
根据本发明的第一个方面,本发明对获取的试验数据进行数据增强以得到较大数据量的数据,因此通过数据增强使得能够在所获取的试验数据较少的情况下得到所需的大量的数据,从而进行有效的数据训练以得到精确的空调性能预测模型。
根据上述第一个方面,步骤(4)包括:(4-1)针对数个待确定的数据增强模型中的每个,基于经筛选的数据来得到对应的确定的数据增强模型,(4-2)针对每个确定的数据增强模型,生成各自的增加的模型生成数据,(4-3)从该各自的增加的模型生成数据中选择与经筛选的数据的分布吻合度最高的增加的模型生成数据,以得到增加的吻合数据,以及(4-4)将该增加的吻合数据和经筛选的数据进行合并以获得增加的数据。
根据上述第一个方面,步骤(4-4)包括:从增加的吻合数据中去除与经筛选的数据影响区有重叠的区域的数据,以及将经筛选的数据添加至该增加的吻合数据中。
根据上述第一个方面,经筛选的数据影响区为偏离经筛选的数据的空间位置预定距离范围内的数据区域。
根据上述第一个方面,多个数据增强模型包括多元线性回归、多元多项式回归、决策树回归、随机森回归以及支持向量机回归。
根据上述第一个方面,多个参数包括数个主动调节的参数和被动调节的参数,该被动调节的参数响应于该主动调节的参数而被确定。
根据本发明的第二个方面,本发明的上述第一个方面中的步骤(1)包括:试验点去除步骤,该试验点去除步骤包括:基于多个参数中的数个主动调节的参数中的一个或更多个参数将试验分成稠密层和稀疏层,其中针对该稠密层进行较多次试验以获取较多的多个参数的数据,针对该稀疏层进行较少次试验以获取较少的多个参数的数据。
根据本发明的第二个方面,本发明在试验设计时通过分层式疏密设计使得能够用尽可能少的试验获取空调性能空间的数据分布特征,从而减少试验成本且减少对预测精度的影响。
根据上述第二个方面,试验点去除步骤包括基于蒸发器的水流量或风机转速将试验分成稠密层和稀疏层。
根据上述第二个方面,上述步骤(1)还包括:(1-1)选择待进行试验的多个参数,(1-2)选择该待进行试验的多个参数中的数个参数作为主动调节的参数,(1-3)选择该主动调节的参数中的每个参数的数值范围,以及(1-4)在该数值范围内选择数个离散的数值作为该主动调节的参数中的每个参数的数个档位。
根据上述第二个方面,进行试验来针对每个参数的数个档位中的每个档位获取每个参数的数据。
根据上述第二个方面,主动调节的参数包括蒸发器的水流量、环境温度、蒸发器的出水温度和压缩机频率。
根据上述第二个方面,蒸发器的水流量设有如下3个档位:额定水流量的50%、额定水流量的100%、额定水流量的150%;环境温度设有如下5个档位:-6.5℃、6.5℃、19℃、31.5℃、44.5℃;蒸发器的出水温度设有如下5个档位:4℃、7℃、9.5℃、12.5℃、15℃;以及压缩机频率设有如下3个档位:100%频率、65%频率和30%频率。
根据上述第二个方面,蒸发器的水流量的100%档位为稠密层,蒸发器的水流量的50%档位和150%档位为稀疏层。
根据本发明的第三个方面,本发明的上述第一个方面中的步骤(2)包括:数据获取加速步骤,该数据获取加速步骤包括:(2-1)基于多个参数中的主动调节的参数控制已设计的空调系统在一个试验点的相应工况下运行,(2-2)实时采集该已设计的空调系统的多个参数的数据,并存储所采集的这多个参数的数据,(2-3)当该多个参数在同一时间段内缓慢变化时,控制已设计的空调系统在下一个试验点的相应工况下运行,并且重复上述步骤(2-1)、(2-2)和(2-3)。
根据本发明的第三个方面,本发明使用缓稳态试验方法,当试验的多个参数在某一时间段处于可接受的缓变之中时,将该时间段所采集的参数数据作为试验数据,使得在获取试验数据时减少获取试验数据的等待时间、缩短各个试验点之间的试验数据获取时间间隔,从而加快试验数据获取的速度。
根据上述第三个方面,上述步骤(2-3)包括:当多个参数在上述同一时间段内在预定速率变化范围内或在预定幅度范围内变化时,控制已设计的空调系统在下一个试验点的相应工况下运行。
根据上述第三个方面,当在上述同一时间段内环境温度的变化速率小于0.05K/min和蒸发器的出水温度的变化速率小于0.05K/min时,获取该同一时间段内所采集的多个参数的数据,其中蒸发器的水流量设置为额定水流量的100%。
本发明的上述第一个方面中的步骤(5)包括:(5-1)基于上述增加的数据来产生待确定的空调性能预测模型的输入变量的增加的数据和输出变量的增加的数据,以及(5-2)对该输入变量的增加的数据和该输出变量的增加的数据进行训练以得到确定的空调性能预测模型。
本发明的上述第一个方面中的步骤(6)包括:使用上述确定的空调性能预测模型和用户输入的参数来预测已设计的空调系统的运行功率和压缩机频率。
附图说明
图1示出了根据本发明的预测空调性能的装置的一个实施例的结构框图;
图2示出了根据本发明的预测空调性能的方法的一个实施例的流程框图;
图3A示出了图2的流程框图中的步骤202的一个实施例的详细流程框图;
图3B示出了图3A中的步骤305的分层式疏密设计中的稠密层的一个实施例的示意图;
图3C示出了图3A中的步骤305的分层式疏密设计中的稀疏层的一个实施例的示意图;
图4A示出了图2的流程框图中的步骤203的一个实施例的详细流程框图;
图4B示出了图4A的一个实施例中的蒸发器的出水温度的变化曲线图;
图4C示出了图4A的一个实施例中的环境温度的变化曲线图;
图4D示出了图4A的一个实施例中的膨胀阀的开度的变化曲线图;
图5示出了图2的流程框图中的步骤204的一个实施例的详细流程框图;
图6A示出了图2的流程框图中的步骤205的一个实施例的详细流程框图;
图6B示出了图6A的步骤601中所读入的经筛选的数据(实测的试验数据)的一个实施例的示意分布图;
图6C示出了图6A中的步骤605所获得的增加的数据(数据增强后的数据)的一个实施例的示意分布图;
图7示出了执行图2的流程框图中的步骤206的一个实施例的结构示意图;
图8A示出了制冷模式下的空调性能预测模型预测的COP与实测值的对比的示意图;
图8B示出了制冷模式下的空调性能预测模型预测的压缩机频率与实测值的对比的示意图;
图8C示出了制冷模式下的空调性能预测模型的COP预测偏差比的示意图;
图8D示出了制冷模式下的空调性能预测模型的压缩机频率预测偏差比的示意图;
图8E示出了制热模式下的空调性能预测模型预测的COP与实测值的对比的示意图;
图8F示出了制热模式下的空调性能预测模型预测的压缩机频率与实测值的对比的示意图;
图8G示出了制热模式下的空调性能预测模型的COP预测偏差比的示意图;
图8H示出了制热模式下的空调性能预测模型的压缩机频率预测偏差比的示意图;
图9示出了根据图1所示的控制器106的结构框图;以及
图10示出了根据图1所示的控制系统139的结构框图。
具体实施方式
下面将参考构成本说明书一部分的附图对本发明的各种具体实施方式进行描述。应该理解的是,在可能的情况下,本发明中使用的相同或者相类似的附图标记指的是相同的部件。
图1示出了根据本发明的预测空调性能的装置的一个实施例的结构框图。如图1所示,预测空调性能的装置包括空调系统101、传感器107、108、109、110、111、112、113、电源130、控制系统139、显示装置140、温度控制装置126和水泵系统127。空调系统101包括冷凝器102、压缩机103、膨胀阀104和蒸发器105,其依次连接以提供冷热循环回路来输出冷量和热量。图1示出了制冷模式下的循环回路。本申请下文所列举的实施例基本是以空调系统在制冷模式下举例说明。在其他实施例中,空调系统101还可以在制热模式下工作,其空调性能预测的装置和方法以合适的、类似于制冷模式下的空调性能预测的装置和方法的方式实施。空调系统101包括内置的传感器107、108、109、110、111和内置的控制器106。在其他实施例中,可以包括其他布置的合适的传感器。
如图1所示,控制器106通过连接线120与压缩机103相连,用于控制压缩机103的运行。控制器106还通过连接线121与蒸发器105相连,用于控制蒸发器105的运行。温度控制装置126通过连接线128与空调系统101相连,用于控制空调系统101的运行。水泵系统127通过连接线129与空调系统101相连,用于控制空调系统101的运行。控制器106、温度控制装置126和水泵系统127控制空调系统101在所需(所设计)的各个工况下运行。在其他实施例中,控制器106还与空调系统101的其他合适的部件相连,用于控制这些部件的运行。预测空调性能的装置还包括与空调系统101相连的其他合适的控制装置,用于控制空调系统101在其他合适的工况下运行。
传感器107通过连接线114与冷凝器102相连,用于检测风冷冷凝器的空气温度(环境温度)。传感器108通过连接线115与压缩机103相连,用于检测压缩机频率。传感器112、109和110分别通过连接线116、117、118与蒸发器105相连,用于分别检测蒸发器的水流量、蒸发器的进水温度和蒸发器的出水温度。传感器111通过连接线119与膨胀阀104相连,用于检测膨胀阀的开度。电源130用于向空调系统101提供电力,传感器113连接在电源130与空调系统101之间,用于检测空调系统101的运行功率。这些传感器107-113用于检测空调系统101在各个工况下的运行参数。在其他实施例中,其他合适的传感器和布置可用于检测所需的空调系统运行参数。
控制系统139通过连接线131、132、133、134、135、136、137分别与传感器107、108、112、109、110、111、113相连,用于分别接收这些传感器所检测的环境温度、压缩机频率、蒸发器的水流量、蒸发器的进水温度、蒸发器的出水温度、膨胀阀的开度和空调系统的运行功率。控制系统139还用于对所接收的环境温度、压缩机频率、蒸发器的水流量、蒸发器的进水温度、蒸发器的出水温度、膨胀阀的开度和空调系统的运行功率进行处理以得到确定的空调性能预测模型。控制系统139还通过连接线138接收用户输入的预测模型的输入变量,根据确定的空调性能预测模型和所接收的预测模型的输入变量进行计算以获得预测的空调系统的各项性能,例如预测的空调系统的运行功率、预测的压缩机频率。显示装置140通过连接线141、142与控制系统139相连,用于分别从控制系统139接收预测的空调系统的运行功率、预测的压缩机频率,以进行显示。在其他实施例中,控制系统139可以对其他合适的参数进行处理来得到合适的空调性能预测模型,并基于空调性能预测模型预测合适的空调系统性能。
本发明基于已设计的空调系统进行试验设计以选择试验所需测量的多个参数,基于所选择的多个参数进行试验以获取(例如测量)这多个参数的数据,对所获取的数据进行处理(例如,数据筛选、数据增强、数据训练)以得到确定的空调性能预测模型,基于该确定的空调性能预测模型可以预测已设计的空调系统的性能(见图2)。
本发明通过图1示出的装置来实施上述预测已设计的空调系统的性能的操作。具体地,在试验设计阶段,用户针对已设计的空调系统101选好试验所需测量的多个参数,例如,环境温度、压缩机频率、蒸发器的水流量、蒸发器的进水温度、蒸发器的出水温度、膨胀阀的开度和空调系统的运行功率,以获得所设计的各个试验点。在试验设计后开始试验阶段,如图1所示,此时用户通过连接线122将所设计的试验点中的压缩机频率输入至控制器106,控制器106对所接收的压缩机频率进行处理以输出压缩机频率控制信号,并通过连接线120将压缩机频率控制信号输出至与压缩机103,以控制压缩机103在所需的频率下运行。用户通过连接线123将所设计的试验点中的蒸发器的出水温度输入至控制器106,控制器106对所接收的出水温度进行处理以输出出水温度控制信号,并通过连接线121将出水温度控制信号输出至蒸发器105,用于控制蒸发器105在所需的出水温度下运行。用户通过连接线124将所设计的试验点中的环境温度输入至温度控制装置126,温度控制装置126根据所接收的环境温度运行,以控制空调系统101在所需的环境温度下运行,例如,风冷冷凝器102在所需的空气温度(环境温度)下运行。用户通过连接线125将所设计的试验点中的蒸发器的水流量输入至水泵系统127,水泵系统127根据所接收的水流量运行,以控制空调系统101的蒸发器105在所需的水流量下运行。
当输入上述所设计的压缩机频率、蒸发器的进水温度、环境温度和蒸发器的水流量以控制空调系统101在这些参数下运行时,空调系统101的蒸发器的进水温度、膨胀阀的开度和空调系统的运行功率响应于上述参数具有相应的数值。蒸发器的进水温度、膨胀阀的开度和空调系统的运行功率响应于所输入的压缩机频率、蒸发器的进水温度、环境温度和蒸发器的水流量的变化而变化,无需另外输入蒸发器的进水温度、膨胀阀的开度和空调系统的运行功率的控制以使空调系统101在这些参数下运行。在该实施例中,压缩机频率、蒸发器的进水温度、环境温度、蒸发器的水流量可称为主动调节的参数,用户输入该主动调节的参数以控制空调系统101的运行;蒸发器的进水温度、膨胀阀的开度和空调系统的运行功率可称为被动调节的参数,该参数无需另外进行控制输入以控制空调系统的运行,其响应于主动调节的参数而被确定,是基于主动调节的参数而被动响应的。在其他实施例中,可以设计其他合适的主动调节的参数和被动调节的参数。
在空调系统101在所设计的上述各个参数下运行时,传感器107、108、109、110、111、112、113分别实时检测环境温度、压缩机频率、蒸发器的水流量、蒸发器的进水温度、蒸发器的出水温度、膨胀阀的开度和空调系统的运行功率,并将所检测的这些参数的数据(实测的试验数据)输入至控制系统139。控制系统139包括存储器,用于存储所检测的这些参数数据。控制系统139用于对所接收的这些实测的参数数据进行处理,例如进行数据筛选、数据增强、数据训练,从而得到确定的空调性能预测模型。在得到确定的空调性能预测模型后可以进行空调性能的预测,此时用户可以通过连接线138向控制系统139输入预测模型的输入变量,控制系统139根据确定的空调性能预测模型和所接收的预测模型的输入变量进行计算以获得预测的空调系统的性能(预测模型的输出变量)。在一个实施例中,预测模型的输入变量包括制冷量、环境温度、蒸发器的出水温度和蒸发器的进水温度,预测模型的输出变量包括空调系统的运行功率和压缩机频率。如图1所示,控制系统139分别通过连接线141、142将预测的空调系统的运行功率和预测的压缩机频率输出至显示装置140进行显示,以供用户查看。基于显示装置140所显示的空调系统的预测性能,空调设备设计制造商可以以试验的方式确保空调性能模型的预测偏差符合国家标准,空调用户可以选择所需的空调系统,还可以基于所选择的空调系统将其用于合适的使用环境中。
图1中所示出的参数控制输入、控制装置、传感器、传感器所检测的参数、预测模型的输入变量、预测的空调系统性能(预测模型的输出变量)仅是用于说明本发明的一个具体实施例,而本发明不限于该实施例。在其他实施例中,可以设计其他合适的待试验的参数进行试验,使用其他合适的控制装置控制空调系统在所设计的试验工况下运行,使用其他合适的传感器检测合适的参数。在其他实施例中,还可以设计其他合适的预测模型的输入变量和输出变量,并获取其他合适的空调性能预测模型,并且基于该空调性能预测模型来预测其他合适的空调系统的性能(预测模型的输出变量)。对于空调用户的不同性能需求,空调厂家可以设计所需的参数进行试验,选择所需的空调性能预测模型的输入变量和输出变量,得到所需的空调性能预测模型,从而预测空调系统的各项性能。
需要说明的是,图1中的连接线包括物理和/或电子意义上的连接线,也可以包括连接的示意表示,例如物理和/或电子意义上的靠近、相邻或关联。
图2示出了根据本发明的预测空调性能的方法的一个实施例的流程框图。如图2所示,在步骤201处,预测空调性能的方法开始执行。
由步骤201转到步骤202,在步骤202处,基于已设计的空调系统选择多个参数。具体地,基于已设计的空调系统进行试验设计以选择试验所需测量的多个参数,这些参数构成所设计的各个试验点。在设计各个试验点时,例如选择部分参数的范围、档位、基于参数进行疏密层设计(见图3A-C)。
由步骤202转到步骤203,在步骤203处,基于所选择的多个参数进行试验以获取多个参数的数据。具体地,基于步骤202的试验设计中所选择的多个参数,控制空调系统101在所设计的这些参数的相应工况下运行来进行试验,并通过传感器来获取(例如测量)这些参数的数据。上述试验是指为获取已设计的空调系统的性能预测模型,获取该已设计的空调系统在实际运行的各个工况下的大量实测数据,这些实测数据是试验过程中获取的试验数据。通过控制系统对这些实测数据(试验数据)进行处理可以获取已设计的空调系统的性能预测模型,进而能够通过该预测模型预测空调系统在各个工况下的性能。空调系统的工况是指空调系统在某一时刻的运行状况,可以用空调系统的各个参数表示。
由步骤203转到步骤204,在步骤204处,对获取的数据进行筛选。具体地,对步骤203处所获取的传感器测量的参数数据进行筛选,例如去除突变的数据。
由步骤204转到步骤205,在步骤205处,对经筛选的数据进行数据增强以获得增加的数据。具体地,对步骤204处获得的经筛选的数据进行数据增强以使得数据的数据量大大增加,从而获得增加的数据。
由步骤205转到步骤206,在步骤206处,使用增加的数据进行训练,以得到确定的空调性能预测模型。该训练包括对增加的数据进行机器学习训练,例如神经网络训练。
由步骤206转到步骤207,在步骤207处,使用确定的空调性能预测模型来预测已设计的空调系统的性能。用户可以输入预测模型的输入变量至控制系统139,控制系统139基于确定的空调性能预测模型和所接收的预测模型的输入变量进行计算处理以得到空调系统的预测的性能(即,预测模型的输出变量),例如空调系统的运行功率,压缩机频率,等等。
由步骤207转到步骤208,在步骤208处,预测空调性能的方法结束执行。
如步骤205所记载的,本发明将数据增强技术用在空调性能试验的数据处理中。因为如果设计的试验点太多,则所需获取的试验数据太多,导致数据获取的时间成本太高,数据处理成本太高。而如果设计的试验点较少,则获取的试验数据较少,然而较少的试验数据会导致获得的空调性能预测模型不精确,从而得到不精确的预测结果。为了克服上述问题,本发明在所设计的试验点较少、所获取的试验数据较少的情况下,对该较少的试验数据进行数据增强,以使得数据的数据量大大增加,满足数据训练所需的大量的数据,从而能够获得精确的空调性能预测模型,进而获得精确的空调性能预测结果(详见图6A-C)。
图3A示出了图2的流程框图中的步骤202的一个实施例的详细流程框图。如图2所示,在步骤202处,基于已设计的空调系统进行试验设计以选择试验所需测量的多个参数。图3A示出步骤202中的试验设计的详细过程的示意图,步骤202包括步骤301、302、303、304、305。
本发明涉及一种基于数据驱动获取空调性能的方法,即需要从空调的性能空间获取一定数量的试验数据,并从试验数据中学习到与性能空间试验数据最为接近的拟合逼近函数。在一个实施例中,本发明选择深度神经网络作为拟合逼近函数,即采用深度学习的方法获得空调性能预测模型。试验设计的目的是为了获取空调系统在不同工况下的实测性能,即获取试验数据。设计合理的试验对获取试验数据(样本数据)非常重要,因为试验数据过多意味着大量的时间和能耗,试验数据过少预示着模型的预测性能不会太好。本发明通过分层式疏密设计(见步骤305)使得能够用尽可能少的试验获取空调性能空间的数据分布特征,从而减少试验成本且减少对预测精度的影响。
如图3A所示,由步骤201(预测空调性能的方法开始执行)转到步骤301,在步骤301处,选择待进行试验的多个参数。在一个实施例中,空调系统为风冷冷凝器、水冷蒸发器型空调,本发明选择如下待进行试验的参数:风冷冷凝器的空气温度(环境温度)、压缩机频率、蒸发器的水流量、蒸发器的进水温度、蒸发器的出水温度、膨胀阀的开度和空调系统的运行功率。在一个实施例中,上述环境温度是指环境干球温度。在其他实施例中,可以选择其他合适的待进行试验的参数。
由步骤301转到步骤302,在步骤302处,选择待进行试验的多个参数中的数个参数作为主动调节的参数。在步骤301的上述实施例中,在所选择的上述参数(风冷冷凝器的空气温度(环境温度)、压缩机频率、蒸发器的水流量、蒸发器的进水温度、蒸发器的出水温度、膨胀阀的开度和空调系统的运行功率)中,选择风冷冷凝器的空气温度(环境温度)、压缩机频率、蒸发器的水流量和蒸发器的出水温度作为主动调节的参数,选择蒸发器的进水温度、膨胀阀的开度和空调系统的运行功率作为被动调节的参数。该主动调节的参数是所设计的在试验中可主动调节的参数,例如,用户主动输入参数控制至控制装置以控制空调系统在所需的参数下运行。被动调节的参数是不可主动调节的,其响应于主动调节的参数而被确定。以下试验设计基于该主动调节的参数进行,例如选择主动调节的参数的范围、档位以及进行基于参数的档位进行分层式疏密设计。在其他实施例中,可以选择试验中其他合适的主动调节的参数和被动调节的参数。在一些实施例中,所选择的待进行试验的多个参数可以仅包括主动调节的参数,不包括被动调节的参数。
由步骤302转到步骤303,在步骤303处,选择主动调节的参数中的每个参数的数值范围。基于步骤302的上述实施例中所选择的主动调节的参数,选择如下参数范围:蒸发器的水流量范围:额定水流量的50%-150%;制冷模式下的环境温度范围:-10-48℃;制冷模式下的蒸发器的出水温度范围:4-15℃;压缩机频率范围:30%-100%频率。在其他实施例中,可以选择其他合适的参数范围,例如,选择制热模式下的环境温度范围:-15-45℃,制热模式下的蒸发器的出水温度范围:35-60℃。
由步骤303转到步骤304,在步骤304处,在步骤303中所选择的参数范围内选择数个离散的数值作为主动调节的参数的每个参数的数个档位。步骤303中所选择的参数范围包括连续的数值范围,例如,额定水流量的50%-150%,-10-48℃,4-15℃,30%-100%频率。上述选择的待试验的参数是空调系统的工况下的参数。连续的数值范围的这些参数构成无数个工况组合,而获取无数个工况组合是不可行的。因此,本发明在各个参数的上述连续的数值范围内按一定的间隔采样以获得离散的数值,以作为参数的各个档位。在某些试验设计中也称作水平,水平的高低与档位类似。待进行试验的某个参数的档位越多,说明试验数据对这个参数的影响刻画的越细致。如果每个待进行试验的参数的档位都很多,那么试验数量会显著增加。档位的多少取决于最终性能模型的期望预测能力。档位越多,预测能力越好。从试验成本和预测精确度的角度考虑,需要设置合适的参数档位。在本发明的一个实施例中,环境温度设定为5档,分别是-6.5℃、6.5℃、19℃、31.5℃、44.5℃;蒸发器的出水温度设定为5档,分别是4℃、7℃、9.5℃、12.5℃、15℃;蒸发器的水流量设定为3档,分别是额定水流量的50%、100%、150%;压缩机频率设置为3档,分别是100%、65%和30%频率。空调系统的变频机组的制冷量或制热量大体与压缩机的频率呈线性相关趋势,因此压缩机100%频率为空调系统当前工况的满负荷,压缩机65%频率为空调系统临近满负荷的65%,压缩机30%频率为空调系统临近满负荷的30%。在其他的实施例中,可以设置其他合适的参数档位。
由步骤304转到步骤305,在步骤305处,基于主动调节的参数中的一个或更多个参数将试验分成稠密层和稀疏层(即进行基于参数的分层式疏密设计),与稠密层相比,在稀疏层中去除部分试验点。步骤304中所选择的主动调节的参数的各个档位的组合构成试验过程中的各个试验点,在上述实施例中,例如,一个试验点包括:环境温度为-6.5℃,蒸发器的出水温度为4℃,蒸发器的水流量为额定水流量的100%,压缩机频率为100%频率。根据步骤304中所选择的主动调节的参数中的一个或更多个参数的各个档位,将试验分成稠密层和稀疏层。针对稠密层进行较多次试验以获取较多的参数数据,即获取数量较多的试验点的数据,针对稀疏层进行较少次试验以获取较少的参数数据,即获取数量较少的试验点的数据。
在操作中,对于用户经常使用的参数的档位,将其试验归为稠密层。对于参数的其他档位,将其试验归为稀疏层。与稠密层相比,在稀疏层中去除部分试验点(例如交错去除)而不获取该去除的试验点的数据。这样,能够用尽可能少的试验获取空调性能试验空间的数据分布特性,并且对空调性能的预测精度产生的负面影响较小。因为对于用户经常使用的参数数据,通常期望空调性能预测模型预测的结果更准确。在稠密层中获取较多的试验数据,而在稀疏层去除部分试验点而获取较少的试验数据,能够通过进行尽量少的试验、获取尽量少的试验数据来获得相对可靠的数据分布,从而减少试验成本。虽然在稀疏层去除部分试验点可能会使其预测结果产生偏差,但是该偏差在实际使用中的占比较小,因此整体上对空调性能预测的精度造成的负面影响较小。
在一个实施例中,基于蒸发器的水流量将试验分成稠密层和稀疏层,具体的,将蒸发器的水流量为额定水流量的100%层设置为稠密层(见图3B),将蒸发器的水流量为额定水流量的50%和150%层设置为稀疏层(见图3C)。
步骤305的分层式疏密设计完成(即试验设计完成)后转到图4A的步骤401开始进行试验,即在已设计好所有待进行试验的试验点后进入试验阶段。
图3B示出了图3A中的步骤305的分层式疏密设计中的稠密层的一个实施例的示意图,图3C示出了图3A中的步骤305的分层式疏密设计中的稀疏层的一个实施例的示意图。
如前所述,在一个实施例中,基于蒸发器的水流量将试验分成稠密层和稀疏层。本发明根据蒸发器的水流量来进行上述分层,能够用尽可能少的试验获得相对可靠的试验数据分布。因为蒸发器的水流量与待预测的空调系统的运行功率之间的关系简单,例如偏线性,因此蒸发器的水流量的波动对预测的空调系统的运行功率结果影响较小,将蒸发器的水流量进行较少数量的分层(例如分为3层)就能获得相对可靠的试验数据分布。所设计的试验点在试验空间的分布不均匀或不恰当会导致所获取试验数据的分布不不均匀或不恰当,从而无法基于有限的资源获取合理有效的试验数据,进而影响获取的空调性能预测模型的精确性。在其他实施例中,本发明可以基于合适的更多个(多于一个)参数将试验分成稠密层和稀疏层。
本发明基于制冷模式下蒸发器的水流量设计了三层式疏密试验,每层的工况试验点的疏密不同。对于用户常用的蒸发器的水流量为额定水流量的100%层设置最多的试验,即稠密层(见图3B)。对于用户不常用的蒸发器的水流量为额定水流量的50%和150%层设置较少的试验,即稀疏层(见图3C)。每层中环境温度设有5档,分别是-6.5℃、6.5℃、19℃、31.5℃、44.5℃,蒸发器的出水温度设有5档,分别是4℃、7℃、9.5℃、12.5℃、15℃,压缩机频率设有3档,分别是100%、65%和30%频率。
如图3B所示,在蒸发器的水流量为额定水流量的100%下进行最多的工况试验,在稠密层对大部分试验点进行试验。图3B示出的表格中的顶部区域410示出了蒸发器的水流量(WFR)及其档位,即额定水流量的100%。顶部区域410下方的区域示出了其他参数及其各自的各个档位,上方区域411、下方区域412示出了蒸发器的出水温度(LWT)及其5个档位,这些档位分别是4℃、7℃、9.5℃、12.5℃、15℃。左侧区域413、右侧区域414示出了环境温度(EDB)及其5个档位,这些档位分别是-6.5℃、6.5℃、19℃、31.5℃、44.5℃。中间区域415示出各个参数的各个档位的组合构成的所有试验点。上方区域411和下方区域412示出相同的参数和档位以方便查看,且左侧区域413和右侧区域414示出相同的参数和档位以方便查看。
蒸发器的出水温度(LWT)的各个档位与环境温度(EDB)的各个档位交叉的区域416表示在该交叉区域对应的蒸发器的出水温度(LWT)的一个档位、环境温度(EDB)的一个档位和交叉区域所示出的压缩机频率的一个档位下的试验点。图3B中所指示的区域416是环境温度为-6.5℃、蒸发器的出水温度为4℃、压缩机频率为100%频率的试验点。由于实际操作中很难获取部分试验点的数据,如图3B所示,右下角区域的部分试验点被去除,所去除的这些试验点包括环境温度为6.5℃、蒸发器的出水温度为15℃、压缩机的100%、65%和30%频率下的工况试验点,以及环境温度为-6.5℃、蒸发器的出水温度为12.5℃和15℃、压缩机的100%、65%和30%频率下的工况试验点。
图3C示出了所设计的蒸发器的水流量为额定水流量的50%和150%层(稀疏层)下的各个试验点,其与图3B中的各个试验点的示图表示形式大致相同。与图3B示出的稠密层相比,在图3C示出的稀疏层中,部分试验点被交错状去除。该交错去除是基于试验空间的数据均匀性分布考虑,以使得在去除部分试验数据的情况下仍然获得相对可靠的试验数据分布。如图3C所示,在蒸发器的水流量为额定水流量的50%和150%层(稀疏层)中,环境温度为44.5℃、蒸发器的出水温度为7℃和12.5℃、压缩机的100%、65%和30%频率下的工况试验点被全部去除;环境温度为31.5℃、蒸发器的出水温度为4℃、9.5℃和15℃、压缩机的100%、65%和30%频率下的工况试验点被全部去除;环境温度为19℃、蒸发器的出水温度为7℃和12.5℃、压缩机的100%、65%和30%频率下的工况试验点被全部去除;环境温度为6.5℃、蒸发器的出水温度为4℃、9.5℃和15℃、压缩机的100%、65%和30%频率下的工况试验点被全部去除;环境温度为-6.5℃、蒸发器的出水温度为7℃、12.5℃和15℃、压缩机的100%、65%和30%频率下的工况试验点被全部去除。与图3B相同,图3C中的右下角区域的部分试验点被去除。因此,图3C中的稀疏层的试验点布置成交错状。在其他实施例中,可以以其他方式在稀疏层中去除其他合适的试验点。
在其他实施例中,对于家用或商用的冷媒直冷空调,如分体式壁挂空调,可以根据风机转速的各个档位将试验分成若干稠密层和稀疏层。对于用户常用的风机转速层设置较多的试验(较多的试验点),即稠密层。对于用户不常用的风机转速层设置较少的试验(较少的试验点),即稀疏层。在其他实施例中,还可以根据其他合适的一个或更多个参数将试验分成稠密层和稀疏层,稠密层和稀疏层的层数可以是任何合适的数量。
图4A示出了图2的流程框图中的步骤203的一个实施例的详细流程框图。如图2所示,在步骤203处,基于试验设计中所选择的多个参数进行试验以获取这些参数的数据。图4A示出步骤203中的数据获取的详细过程的示意图,步骤203包括步骤401、402、403、404。
如图4A所示,由图3A的分层式疏密设计的步骤305(即试验设计完成)转到图4A的步骤401,即在已设计好所有待进行试验的试验点(即试验设计完成)后进入试验阶段。在步骤401处,基于前述所设计的多个参数中的主动调节的参数控制已设计的空调系统在一个试验点的相应工况下运行。在操作中,先进行一个试验点(第一试验点)的试验,控制空调系统在该试验点的工况下运行(步骤401),完成该试验点的数据获取(包括以下步骤402、403、404)后,再进行下一试验点(第二试验点)的试验,控制空调系统在该下一试验点的工况下运行,再进行该试验点的数据获取。如此循环,逐个试验点进行试验来获取试验数据。在进行一个试验点的试验时,如前所述,在一个实施例中,用户将该试验点的相应参数中的主动调节的参数压缩机频率和蒸发器的出水温度分别输入至控制器106,并将主动调节的参数环境温度和蒸发器的水流量分别输入至温度控制装置126和水泵系统127,由控制器106、温度控制装置126和水泵系统127控制空调系统101在这些参数的相应工况下运行。对于试验点的参数中的被动调节的参数,蒸发器的进水温度、膨胀阀的开度和空调系统的运行功率,其响应于主动调节的参数压缩机频率、蒸发器的出水温度、环境温度和蒸发器的水流量而被相应地确定,即空调系统101基于主动调节的参数相应地在被动调节的参数下运行。
由步骤401转到步骤402,在步骤402处,实时采集已设计的空调系统的多个参数的数据,并存储所采集的这多个参数的数据。在空调系统开始运行时就开始实时采集当前工况下的所需测量的各个参数的数据。针对每个参数连续地采集数据以获得采集的数个连续的数据。举例来说,在空调系统101运行时,传感器107、108、112、109、110、111、113分别实时检测环境温度、压缩机频率、蒸发器的水流量、蒸发器的进水温度、蒸发器的出水温度、膨胀阀的开度和空调系统的运行功率,并将所检测的这些参数的数据输入至控制系统139进行存储和处理,并输出至显示装置进行显示以供用户查看。空调系统的工况是指空调系统在某一时刻的运行状况,因此采集某一工况下的各个参数的数据是指在同一时刻采集各个参数的数据。传感器实时检测的参数数据存储在存储器中以供后续处理,见如下步骤。
由步骤402转到步骤403,在步骤403处,判断多个参数是否在同一时间段内缓慢变化。如果用户观察到试验的多个参数在某一时间段内缓慢变化,则转到步骤404,判断试验是否完成,即判断所设计的所有试验点的试验是否都完成。如果未完成所有试验点的试验,则由步骤404转到步骤401,控制已设计的空调系统在下一个试验点的工况下运行。如果已完成所有试验点的试验,则由步骤404转到图5中的步骤501开始对试验数据进行筛选,即在试验阶段完成(已获取试验数据)后进入数据筛选阶段。如果在步骤403中,经过预定的时间段后仍未观察到试验的多个参数在同一时间段内缓慢变化,则转到步骤405,对试验点下的对应参数进行调整。
然后,由步骤405转到步骤401,使空调系统在经调整的参数下进行该试验点的试验,即控制空调系统在经调整的参数下运行。例如,当空调系统在第一试验点的工况下运行预定的时间段后,操作员仍未观察到试验的多个参数在同一时间段内缓慢变化,则表明输入的控制空调系统在第一试验点的工况下运行的参数不恰当,需要对该参数进行调整。然后在该第一试验点的试验中,控制空调系统在该调整后的参数下运行,继续采集参数的数据并观察这些参数数据的缓慢变化(即,步骤402、403)。
对于在试验中采集数据,国标GB/T 18430.1给出了试验时温度和流量的读数允差,同时国标GB/T 10870-2014 4.2试验要求中规定数据的测量应在试验工况稳定1h后进行,并且稳态试验时,每5min取一组数据,每一个数据点的采集周期不应超过10s,至少采集7组数据作为试验报告的原始记录。显然,如果完全按照上述规范的方法进行大量试验、获取大量试验数据是非常耗时的,并且成本开销十分惊人。
不同于上述规范要求的稳态试验,本发明采用缓稳态试验方法来采集数据,即,在空调系统的某一工况下的各个参数处于缓变之中时,控制空调系统在下一个试验点的工况下运行以进行下一试验点的试验。在步骤403处,当试验所采集的多个参数的数据在某一时间段内速率变化在可接受的速率变化范围内或幅度变化在可接受的幅度范围内,则认定这些参数处于相对稳定状态,空调系统在该工况下相对稳定地运行,因此该试验点下的试验已完成,该已获取试验点下的所需的试验数据,可以进行下一试验点的试验、数据获取。通过该试验数据获取方法,本发明能够减少获取试验数据的等待时间、缩短各个试验点之间的试验数据获取时间间隔,从而加快试验数据获取的速度,因为当试验所采集的参数数据的缓变的幅度或斜率在可接受范围内即可获取试验数据,而无需如上述规范要求那样在试验工况稳定1h后才进行数据获取。
在一个优选的实施例中,当参数在某一时间段内处于以下缓变范围内时可从存储器中获取该时间段内所采集的这些参数的数据:蒸发器的出水温度10min内温度的变化小于0.5K,即变化速率<0.05K/min;环境温度速率10min内的变化小于0.5K,即变化速率<0.05K/min;以及膨胀阀10min内的波动<2%。膨胀阀的波动用于指示空调系统在当前工况下的整体稳定度。空调系统被控制在相应的蒸发器的水流量(WFR)和压缩机频率下运行时,该蒸发器的水流量(WFR)和压缩机频率通常是相对稳定的,可认为其均处于可接受的变化范围内,因此可以不观测其速率变化或幅度变化。当上述参数处于可接受的缓变范围内时,可认为被动调节的参数蒸发器的进水温度和空调系统的运行功率也处于可接受的缓变范围内,因为其是响应于主动调节的参数压缩机频率、蒸发器的出水温度、环境温度和蒸发器的水流量而被相应确定的。如前所述,当蒸发器的水流量为额定水流量的100%时,蒸发器的出水温度的变化速率设定为小于0.05K/min,而当蒸发器的水流量为额定水流量的150%时,蒸发器的出水温度的变化速率克设定为小于比0.05K/min更小的阈值;当蒸发器的水流量为额定水流量的50%时,蒸发器的出水温度的变化速率可设定为小于比0.05K/min更大的阈值。蒸发器的出水温度的变化速率的设定取决于蒸发器的水流量的设置。
图4B-D示出了在同一试验中从时刻9:30:14到时刻9:44:38(见横坐标)检测到的各个参数的变化曲线图。图4B示出了蒸发器的出水温度的变化曲线图,图4C示出了环境温度的变化曲线图,图4D示出了膨胀阀的开度的变化曲线图。
如图4B-D所示,从时刻9:34:38到时刻9:44:38(10min内),蒸发器的出水温度、环境温度和膨胀阀的开度都处于可接受的缓变范围内,可认定这些参数都处于稳定状态,则表明已获取对应试验点下的试验数据。图4B-D示出的是缓稳态状态下的如下试验点的数据:蒸发器的出水温度为7℃、环境温度为31.5℃。在该试验点下的膨胀阀的开度大约为78%,表明空调系统在当前工况下的整体稳定度较好。与所设计的试验点的档位相比,实际采集的试验数据会有点偏差,这是允许的。
图5示出了图2的流程框图中的步骤204的一个实施例的详细流程框图。如图2所示,在步骤204处,对所获取的试验数据进行筛选。图5示出步骤204中的数据筛选的详细过程的示意图,步骤204包括步骤501、502、503、504。
空调系统响应于环境变化和目标参数的改变而具有不同的工况,每个时刻的工况具有不同的多个运行参数的数据。空调系统的空调机组响应于环境变化和目标参数的改变而具有不同的工况,每个时刻的工况具有不同的多个工况参数的数据。当环境发生变化或者目标参数发生改变,空调机组会改变其工况从而进行调整。具体地,在环境发生变化或者目标参数发生改变前,空调机组会处于第一工况,其具有第一工况参数。在环境发生变化或者目标参数发生改变后,空调机组会处于第二工况,其具有第二工况参数。然而,在每次环境发生变化或者目标参数发生改变后,空调机组并不会立刻调整到第二工况,而是从第一工况产生变化并再次稳定到第二工况。在其变化过程中,工况参数的波动较大,这些工况参数可能影响判断空调机组性能的各项指标。因而,需要对空调机组的工况参数的数据进行处理以筛选出空调机组处于稳态的工况参数,减少或消除空调机组在工况变化过程中引起的数据偏差。
本发明基于数据稳定度从所获取的试验数据中去除空调机组处于突变状态下的试验数据(包括如下步骤501、502、503、504),以筛选获得空调机组处于稳态的工况参数的数据,从而减少或消除试验数据的偏差。因此,基于该处于稳态的工况参数来获取空调性能预测模型,能够使得所获取的空调性能预测模型更加准确。
如图5所示,由图4A的获取试验数据的步骤404转到步骤501。在步骤501中,对从步骤404中获取的试验数据进行处理。如前所述,在步骤404中,从存储器中获取同一段时间内在步骤402中所采集的多个参数的数据作为试验数据。如步骤402所记载的,针对每个参数连续地采集数据以获得采集的数个连续的数据。因此,步骤404中获取的试验数据是同一段时间内针对每个参数所采集的数个连续的数据。在步骤501中,针对每个参数,将其数个连续的数据构成数据序列,其中,数据序列中的每个数据对应(上述同一段时间内的)一个时间点。
由步骤501转到步骤502,在步骤502中,判断每个参数为外部参数还是内部参数。作为一个示例,在本发明中,将压缩机频率和膨胀阀的开度作为内部参数,并且将环境温度、蒸发器的出水温度、制冷量、蒸发器的水流量和COP作为外部参数。其中,如以下所示出的,制冷量=蒸发器的进出水温差×水流量×水的比热,其中“×”表示相乘。
因此,制冷量和COP可以由处理器通过以上公式进一步计算来得到。
由步骤502转到步骤503,在步骤503中,针对每个参数的数据,计算至少部分时间点对应的数据的稳定度。
由步骤503转到步骤504,在步骤504中,基于计算的外部参数的数据稳定度和/或内部参数的数据稳定度筛选需要被去除的数据。随后,由步骤504转到图6A的步骤601对经筛选的试验数据进行数据增强处理。
本发明的上述数据筛选处理可以使用申请号为202111078331.3、申请日为2021年9月15日、发明名称为“空调机组的运行参数的数据的处理方法”的发明专利申请中所记载的方法来具体实施。
图6A示出了图2的流程框图中的步骤205的一个实施例的详细流程框图。如图2所示,在步骤205处,对经筛选的试验数据进行数据增强以获得增加的数据。图6A示出步骤205中的数据增强的详细过程的示意图,步骤205包括步骤601、602.1……N、603.1……N、604和605。
空调系统是一个延时性很强的系统,任何输入端状态参数的波动都要一定的时间传导至输出端。即使本发明采用缓稳态试验法,一般空调机组的单个试验点仍需要约30min-60min的时间,例如,两百个试验点的耗时接近5天。两百个试验点相对于空调系统的整个性能空间而言仍然是非常稀少的,无法满足机器学习训练(如神经网络训练)所需的数据量。本发明采用数据增强技术以生成数据量增加的数据以提高神经网络的性能,从而获得精确的空调性能预测模型,进而精确地预测空调系统的性能。
如图6A所示,由图5的数据筛选的步骤504转到步骤601,在步骤601处,读入步骤504中获得的经筛选的数据。然后由步骤601转到步骤602.1……N。
在步骤602.1处,针对待确定的数据增强模型1,对所读入的经筛选的数据进行处理以搜索待确定的数据增强模型1的最佳模型参数,从而得到确定的数据增强模型1。在步骤602.2处,针对待确定的数据增强模型2,对所读入的经筛选的数据进行处理以搜索待确定的数据增强模型2的最佳模型参数,从而得到确定的数据增强模型2。类似地,在步骤602.N处,针对待确定的数据增强模型N,对所读入的经筛选的数据进行处理以搜索待确定的数据增强模型N的最佳模型参数,从而得到确定的数据增强模型N。
数据增强模型1……N包括任意的回归模型,例如多元线性回归、多元多项式回归、决策树回归、随机森回归,以及支持向量机回归。本发明优选的数据增强模型包括多元多项式回归和支持向量机回归。在其他实施例中,数据增强模型包括其他合适的模型。对于多元多项式回归,需要搜索确定的模型参数为拟合阶次。而对于支持向量机回归,需要搜索确定的模型参数为惩罚因子C和支持向量的数量Nu。
在一个实施例中,在本发明中,以制冷工况为例,多元多项式回归的参数搜索列表(表1)如下:
1storder、2ndorder……5thorder表示多元多项式回归模型中的输入变量的最高阶。例如,1storder表示多元多项式回归模型中的输入变量(例如,X1,X2……Xn,即n元多项式)的最高阶是一阶,如X1,X2……Xn。2ndorder表示多元多项式回归模型中的输入变量(例如,X1,X2……Xn,即n元多项式)的最高阶是二阶,如X1 2,X2 2,X1X2,X3 2,X1X3,X2X3,等等。
支持向量机回归的参数搜索列表(表2)如下:
C | 1.0 | 1.0 | 1.0 | 1.2 | 1.2 | 1.2 |
Nu | 0.5 | 0.75 | 1.0 | 0.5 | 0.75 | 1.0 |
MAE | 0.1276 | 0.1250 | 0.1247 | 0.1261 | 0.1232 | 0.1233 |
MSE | 0.0568 | 0.0573 | 0.0575 | 0.0565 | 0.0566 | 0.0570 |
R2 | 0.8535 | 0.8522 | 0.8516 | 0.8542 | 0.8540 | 0.8529 |
在上述两个表中,MAE表示平均绝对误差,其计算公式如下:
MSE表示均方误差,其计算公式如下:
R2表示拟合优度,其计算公式如下:
并且,其中C表示惩罚因子,Nu表示支持向量数量的控制参数。
由步骤602.1转到步骤603.1,在步骤603.1处,针对确定的数据增强模型1,生成增加的模型生成数据1。由步骤602.2转到步骤603.2,在步骤603.2处,针对确定的数据增强模型2,生成增加的模型生成数据2。类似地,由步骤602.N转到步骤603.N,在步骤603.N处,针对确定的数据增强模型N,生成增加的模型生成数据N。根据确定的数据增强模型1……N和所读入的经筛选的数据来计算得出增加的模型生成数据1……N,其中该增加的模型生成数据1……N的数量相比于所读入的经筛选的数据的数量大大增加了,例如,增加了数十倍,甚至数百倍。
在其他实施例中,可以以其他合适的方式执行步骤602.1……N和步骤603.1……N,例如,由步骤601转到步骤602.1,然后由步骤602.1转到步骤602.2……最后转到步骤602.N,即步骤602.1……N依次执行。在步骤602.1……N之后,接着类似地,步骤603.1……N依次执行。
在一个实施例中,使用多元多项式回归模型,将制冷量、环境温度、蒸发器的出水温度和进水温度作为该模型的4个输入变量,将运行功率和压缩机频率作为该模型的2个输出变量。使用所采集且经筛选的输入变量的数据和输出变量的数据来获得确定的多元多项式回归模型。基于该确定的多元多项式回归模型,将所采集的数据和通过模型预测的数据进行比较以得到平均绝对误差(MAE)、均方误差(MSE)和拟合优度(R2),从而得到上述表1。观察上述表1中的MAE、MSE和R2,可以选择四元(输入变量的个数)三阶(3rdorder)多项式回归模型。在进行数据增强过程中,针对该确定的四元三阶多项式回归模型,从各个输入变量的范围内选择更多档位的数据。例如,对于制热模式下的环境温度范围:-15-45℃,选择-15℃,-14℃,-13℃……43℃,44℃,45℃(每个档位间隔1℃),而如前所述,该环境温度在试验时选择5个档位,即数据增强时所选择的变量(参数)档位明显多于试验所选择的参数档位。类似的,模型的其他输入变量也选择更多的档位。基于所选择的这些输入变量的更多档位,并且根据所确定的上述四元三阶多项式回归模型,可以获得更多的模型输出变量,因此针对确定的模型可以获得更多的输入变量和输出变量的数据,将其作为增加的模型生成数据。
在其他实施例中,可以选择其他合适的输入变量和输出变量,在数据增强时选择其他合适数量的变量(参数)档位。在其他实施例中,可以针对支持向量机回归模型进行以上类似的操作来进行数据增强。
由步骤603.1……N转到步骤604,在步骤604处,从增加的模型生成数据1……N中选择与所读入的经筛选的数据的分布吻合度最高的增加的模型生成数据M,以得到增加的吻合数据。该分布吻合度最高的增加的模型生成数据M作为增加的吻合数据。与所读入的经筛选的数据的分布吻合度最高的增加的模型生成数据M能够最佳且完整呈现所读入的经筛选的数据(实测的试验数据)的分布特性。
由步骤604转到步骤605,在步骤605处,将步骤604处所得到的增加的吻合数据和步骤601处读入的经筛选的数据进行合并以获得增加的数据。随后,该增加的数据可用于进行训练以得到确定的空调性能预测模型(见图2的步骤206)。由于在空调系统的整个性能空间上生成增加的模型生成数据,因此该增加的模型生成数据中的部分数据会覆盖原有的经筛选的试验数据。为了减小与原有试验数据的偏差,本发明将增加的模型生成数据中覆盖原有试验数据的部分数据及其相关数据去除,用原有试验数据进行替换。具体地,在步骤605处,数据合并包括从步骤604处得到的增加的吻合数据(即,与所读入的经筛选的数据的分布吻合度最高的增加的模型生成数据M)中去除与经筛选的数据影响区有重叠的区域的数据,以及将经筛选的数据添加至增加的吻合数据中。经筛选的数据影响区为偏离经筛选的数据的空间位置预定距离范围内的数据区域。
欧式距离可用来表示上述偏离的距离。欧式距离也称欧几里得距离,其衡量的是多维空间中两个点间的绝对距离,也可以理解为:m维空间中两个点之间的真实距离,或者向量的长度。欧式距离的计算式如下:
其中,n表示空间的维度,xi,yi分别表示第i维坐标下的两个点的数值。对于m维空间,上述计算式中的n=m。
本发明对欧式距离公式进行调整,最终用到的距离计算式为:
上述示例的公式是分别从增加的模型生成数据和实测的试验数据(经筛选的数据)中各选出一组参数,计算二者之间的偏离距离。其中EDBi′是从增加的模型生成数据中选出的,归一化后的一个环境干球温度,EDB0′是试验测得的一个归一化后的环境干球温度。WFRi′是从增加的模型生成数据中选出的,归一化后的一个水流量,WFR0′是试验测得的一个归一化后水流量。LWTi′是从增加的模型生成数据中选出的,归一化后的一个出水温度,LWT0′是试验测得的一个归一化后的出水温度。EWTi′是从增加的模型生成数据中选出的,归一化后的一个进水温度,EWT0′是试验测得的一个归一化后的进水温度。上述新距离的好处是可以直观反应增加的模型生成数据中每个参数与实测的试验数据的偏离程度,便于理解。归一化的上述参数可以方便系统的计算,例如减少计算误差,减少计算成本。
然后由步骤605转到步骤206处以对经数据增强的数据进行训练,从而获得确定的空调性能预测模型。
图6B示出了图6A的步骤601中所读入的经筛选的数据(实测的试验数据)的一个实施例的示意分布图。图6C示出了图6A中的步骤605所获得的增加的数据(数据增强后的数据)的一个实施例的示意分布图。图6B示出在蒸发器的水流量为50.56m3/h和蒸发器的出水温度为12℃±0.1℃下的三维空间的试验数据的分布图,图6C示出在蒸发器的水流量为50.56m3/h和蒸发器的出水温度为12℃±0.1℃下的数据增强后的数据的分布图,其中投影方向为蒸发器的出水温度。该三维空间为COP、环境温度(EDB)和蒸发器的出水温度这三个参数构成的三维空间。相比于图6B中的试验数据,图6C中的数据增强后的数据的数量明显增加。
图7示出了执行图2的流程框图中的步骤206的一个实施例的结构示意图。如图2所示,在步骤206处,使用增加的数据进行训练以得到确定的空调性能预测模型。在一个实施例中,本发明使用深度神经网络进行数据训练以获得确定的空调性能预测模型。在其他实施例中,可以使用其他合适的机器学习的训练方法来对数据进行训练。
如图7所示,神经网络包括输入变量和输出变量,其中输入变量包括制冷量、环境温度、蒸发器的出水温度和蒸发器的进水温度,输出变量包括空调系统的运行功率和压缩机频率。将试验数据中的环境温度、蒸发器的出水温度和蒸发器的进水温度作为神经网络的输入变量。使用试验数据中的蒸发器的出水温度、进水温度和水流量进行计算得到制冷量以作为神经网络的输入变量,计算公式如下:制冷量=进出水温差×水流量×水的比热,其中“×”表示相乘。
将试验数据中的空调系统的运行功率和压缩机频率作为神经网络的输出变量。将这些输入变量和输出变量的试验数据输入至控制系统中的处理器,处理器使用深度神经网络对这些试验数据进行训练,从而获得确定的空调性能预测模型。
神经网络中间设置若干个隐藏层。在进行数据训练时需要搜索优化神经网络的超参数,例如使用层数、每层的节点数和防止过拟合的方法(如drop-out,L1和L2正则化)进行搜索。搜索得到优化的超参数后即得到确定的神经网络模型,即确定的空调性能预测模型。然后,用户可以向处理器输入确定的空调性能预测模型的输入变量,例如制冷量、环境温度、蒸发器的出水温度和蒸发器的进水温度,然后处理器根据该确定的空调性能预测模型和用户输入的模型输入变量的数据进行计算处理,以输出预测模型的输出变量,即预测的空调性能,例如预测的空调系统的运行功率和预测的压缩机频率。
在其他的实施例中,可以设置其他合适的预测模型的输入变量和输出变量。
本发明的上述预测空调性能的方法,不论是用于空调系统的制冷模式还是制热模式,都能在所有验证数据集上对空调系统的COP和压缩机频率实现偏差e<5%的预测。对于空调系统在制热模式下的性能预测,其可以通过类似于上述空调系统在制热模式下的性能预测方法来实施。由于国家标准对空调厂家发布的COP性能有误差要求,所以预测模型的性能可以通过COP来评估。预测的COP可以根据预测的运行功率和输入的制冷量计算得到,公式如下:
预测数据与试验数据的偏差e的计算公式如下:
其中,ypredict表示预测数据,ytest表示试验数据。
在验证空调性能预测模型的预测偏差时,可以将验证数据输入至预测模型得到预测的数据,并将使用预测模型预测的数据与实测的对应试验数据进行比较并计算偏差。例如,将预测的COP和压缩机频率和实测的运行功率和压缩机频率进行比较并计算偏差,从而对预测模型的预测性能进行评估。
图8A-H示出了经验证的空调性能预测模型的预测偏差的示意图。图8A示出了制冷模式下的空调性能预测模型预测的COP与实测值的对比的示意图,图8B示出了制冷模式下的空调性能预测模型预测的压缩机频率与实测值的对比的示意图,图8C示出了制冷模式下的空调性能预测模型的COP预测偏差比的示意图,图8D示出了制冷模式下的空调性能预测模型的压缩机频率预测偏差比的示意图。图8E示出了制热模式下的空调性能预测模型预测的COP与实测值的对比的示意图,图8F示出了制热模式下的空调性能预测模型预测的压缩机频率与实测值的对比的示意图,图8G示出了制热模式下的空调性能预测模型的COP预测偏差比的示意图,图8H示出了制热模式下的空调性能预测模型的压缩机频率预测偏差比的示意图。图8A-B和图8E-F中上下包络的一对曲线是实测值+5%和-5%的偏置曲线,预测数据完全落入偏差带中。图8C-D和图8G-H中的上虚线和下虚线分别是预测偏差比+5%和-5%。
图9示出了根据图1所示的控制器106的结构框图。如图9所示,控制器106包括总线901、处理器902、存储器903、输入接口904和输出接口905。处理器902、存储器903、输入接口904和输出接口905连接到总线901。处理器902可以从存储器903中读出程序(或指令),并执行该程序(或指令)以对数据进行处理以及对空调系统101进行控制;处理器902还可以将数据或程序(或指令)写入存储器903中。存储器903可以存储程序(指令)或数据。通过执行存储器903中的指令,处理器902可以控制存储器903、输入接口904和输出接口905。
输入接口904配置为通过连接线122接收用户输入的压缩机频率控制输入,并将该输入转换成处理器902可识别的信号。处理器902配置为从输入接口904接收信号后进行处理,并发出控制信号至输出接口905。输出接口905配置为从处理器902接收控制信号,将控制信号转换为适合空调系统101的压缩机频率控制信号,并通过连接线120向空调系统101的压缩机103发送该压缩机频率控制信号,以控制空调系统101的压缩机103在所需的压缩机频率下运行(空调系统进行相应工况下的试验)。
输入接口904配置为通过连接线123接收用户输入的蒸发器的出水温度控制输入,并将该输入转换成处理器902可识别的信号。处理器902配置为从输入接口904接收信号后进行处理,并发出控制信号至输出接口905。输出接口905配置为从处理器902接收控制信号,将控制信号转换为适合空调系统101的出水温度控制信号,并通过连接线120向空调系统101的蒸发器105发送该出水温度控制信号,以控制空调系统101的蒸发器105在所需的出水温度下运行(空调系统进行相应工况下的试验)。
图10示出了根据图1所示的控制系统139的结构框图。如图10所示,控制系统139包括总线1001、处理器1002、存储器1003、输入接口1004和输出接口1005。处理器1002、存储器1003、输入接口1004和输出接口1005连接到总线1001。处理器1002可以从存储器1003中读出程序(或指令),并执行该程序(或指令)以对数据进行处理;处理器1002还可以将数据或程序(或指令)写入存储器1003中。存储器1003可以存储程序(指令)或数据。通过执行存储器1003中的指令,处理器1002可以控制存储器1003、输入接口1004和输出接口1005。
在试验阶段,当空调系统101在所设计的各个试验点的相应工况下运行时,传感器107、108、112、109、110、111、113分别实时检测环境温度、压缩机频率、蒸发器的水流量、蒸发器的进水温度、蒸发器的出水温度、膨胀阀的开度、空调系统的运行功率。在试验中,先进行一个试验点的试验,完成后再进行下一个试验点的试验。
输入接口1004配置为通过连接线131、132、133、134、135、136、137分别接收来自传感器107的环境温度、来自传感器108的压缩机频率、来自传感器112的蒸发器的水流量、来自传感器109的蒸发器的进水温度、来自传感器110的蒸发器的出水温度、来自传感器111的膨胀阀的开度、来自传感器113的空调系统的运行功率,并且将这些参数的数据(试验数据)转换成处理器1002可识别的信号并存储在存储器1003中。并且,所接收的这些参数(环境温度、压缩机频率、蒸发器的水流量、蒸发器的进水温度、蒸发器的出水温度、膨胀阀的开度、空调系统的运行功率)的数据可以输出至显示装置140进行显示,以供用户观察。在一个试验点的试验中,当用户观察到上述多个参数在同一时间段内处于可接受的缓变变化之中时,则停止该试验点下的试验,开始进行下一试验点的试验,此时用户输入该下一试验点的各个参数的控制输入(见图9和图1)以控制空调系统在该下一试验点的相应工况下运行,然后进行试验数据的获取和存储,重复上述操作。所有试验点的试验完成后,操作员控制处理器1002对存储器1003中所存储的在试验阶段所获取的试验数据进行处理(例如,数据筛选、数据增强、数据训练)以得到确定的空调性能预测模型。然后可使用该确定的空调性能预测模型来预测空调系统的运行功率和压缩机频率。
在预测空调性能时,输入接口1004还配置为通过连接线138接收用户输入的预测模型的输入变量(制冷量、环境温度、出水温度和进水温度),并将该预测模型的输入变量转换成处理器1002可识别的信号。处理器1002配置为根据确定的空调性能预测模型和所接收的预测模型的输入变量进行处理(例如计算)以获得预测模型的输出变量(预测的运行功率和预测的压缩机频率),即预测的空调系统的性能,并发出性能预测信号(运行功率预测信号和压缩机频率预测信号)至输出接口1005。
输出接口1005配置为从处理器1002接收运行功率预测信号和压缩机频率预测信号,将该预测信号转换为适合显示装置140的运行功率显示信号和压缩机频率显示信号,并分别通过连接线141、142将运行功率显示信号和压缩机频率显示信号输出至显示装置140进行显示,以供用户查看预测的运行功率和压缩机频率结果。当要显示预测的COP时,处理器1002还对预测的运行功率和输入的制冷量进行计算以得到预测的COP,并发出信号至输出接口1005,输出接口1005将所接收的信号转换为适合显示装置140的输出显示信号,并将输出显示信号(对应于预测的COP)输出至显示装置140进行显示。
尽管已经结合以上概述的实施例的实例描述了本公开,但是对于本领域中至少具有普通技术的人员而言,各种替代方案、修改、变化、改进和/或基本等同方案,无论是已知的或是现在或可以不久预见的,都可能是显而易见的。另外,本说明书中所描述的技术效果和/或技术问题是示例性而不是限制性的;所以本说明书中的披露可能用于解决其他技术问题和具有其他技术效果和/或可以解决其他技术问题。因此,如上陈述的本公开的实施例的实例旨在是说明性而不是限制性的。在不背离本公开的精神或范围的情况下,可以进行各种改变。因此,本公开旨在包括所有已知或较早开发的替代方案、修改、变化、改进和/或基本等同方案。
Claims (18)
1.一种预测空调性能的方法,包括如下步骤:
(1)基于已设计的空调系统选择多个参数,
(2)基于所选择的多个参数进行试验以获取所述多个参数的数据,
(3)对获取的数据进行筛选,
(4)对经筛选的数据进行数据增强以获得增加的数据,
(5)使用所述增加的数据进行训练,以得到确定的空调性能预测模型,以及
(6)使用所述确定的空调性能预测模型来预测所述已设计的空调系统的性能。
2.根据权利要求1所述的方法,其特征在于,所述步骤(4)包括:
(4-1)针对数个待确定的数据增强模型中的每个,基于所述经筛选的数据来得到对应的确定的数据增强模型,
(4-2)针对每个确定的数据增强模型,生成各自的增加的模型生成数据,
(4-3)从所述各自的增加的模型生成数据中选择与所述经筛选的数据的分布吻合度最高的增加的模型生成数据,以得到增加的吻合数据,以及
(4-4)将所述增加的吻合数据和所述经筛选的数据进行合并以获得所述增加的数据。
3.根据权利要求2所述的方法,其特征在于,所述步骤(4-4)包括:
从所述增加的吻合数据中去除与经筛选的数据影响区有重叠的区域的数据,以及
将所述经筛选的数据添加至所述增加的吻合数据中。
4.根据权利要求3所述的方法,其特征在于,所述经筛选的数据影响区为偏离所述经筛选的数据的空间位置预定距离范围内的数据区域。
5.根据权利要求2所述的方法,其特征在于,所述多个数据增强模型包括多元线性回归、多元多项式回归、决策树回归、随机森回归以及支持向量机回归。
6.根据权利要求1所述的方法,其特征在于,所述多个参数包括数个主动调节的参数和被动调节的参数,所述被动调节的参数响应于所述主动调节的参数而被确定。
7.根据权利要求6所述的方法,其特征在于,所述步骤(1)包括:
试验点去除步骤,所述试验点去除步骤包括:
基于所述多个参数中的所述数个主动调节的参数中的一个或更多个参数将试验分成稠密层和稀疏层,其中针对所述稠密层进行较多次试验以获取较多的所述多个参数的数据,针对所述稀疏层进行较少次试验以获取较少的所述多个参数的数据。
8.根据权利要求7所述的方法,其特征在于,所述试验点去除步骤包括:
基于蒸发器的水流量或风机转速将试验分成稠密层和稀疏层。
9.根据权利要求7所述的方法,其特征在于,所述步骤(1)还包括:
(1-1)选择待进行试验的多个参数,
(1-2)选择所述待进行试验的多个参数中的数个参数作为所述主动调节的参数,
(1-3)选择所述主动调节的参数中的每个参数的数值范围,以及
(1-4)在所述数值范围内选择数个离散的数值作为所述主动调节的参数中的所述每个参数的数个档位。
10.根据权利要求9所述的方法,其特征在于,进行试验来针对所述每个参数的数个档位中的每个档位获取所述每个参数的数据。
11.根据权利要求9所述的方法,其特征在于,所述主动调节的参数包括蒸发器的水流量、环境温度、蒸发器的出水温度和压缩机频率。
12.根据权利要求11所述的方法,其特征在于,
所述蒸发器的水流量设有如下3个档位:额定水流量的50%、额定水流量的100%、额定水流量的150%;
所述环境温度设有如下5个档位:-6.5℃、6.5℃、19℃、31.5℃、44.5℃;
所述蒸发器的出水温度设有如下5个档位:4℃、7℃、9.5℃、12.5℃、15℃;以及
所述压缩机频率设有如下3个档位:100%频率、65%频率和30%频率。
13.根据权利要求12所述的方法,其特征在于,所述蒸发器的水流量的100%档位为所述稠密层,所述蒸发器的水流量的50%档位和150%档位为所述稀疏层。
14.根据权利要求6所述的方法,其特征在于,所述步骤(2)包括:
数据获取加速步骤,所述数据获取加速步骤包括:
(2-1)基于所述多个参数中的所述主动调节的参数控制所述已设计的空调系统在一个试验点的相应工况下运行,
(2-2)实时采集所述已设计的空调系统的所述多个参数的数据,并存储所采集的所述多个参数的数据,
(2-3)当所述多个参数在同一时间段内缓慢变化时,控制所述已设计的空调系统在下一个试验点的相应工况下运行,并且重复所述步骤(2-1)、(2-2)和(2-3)。
15.根据权利要求14所述的方法,其特征在于,所述步骤(2-3)包括:
当所述多个参数在所述同一时间段内在预定速率变化范围内或在预定幅度范围内变化时,控制所述已设计的空调系统在下一个试验点的相应工况下运行。
16.根据权利要求15所述的方法,其特征在于,当在所述同一时间段内环境温度的变化速率小于0.05K/min和蒸发器的出水温度的变化速率小于0.05K/min时,获取所述同一时间段内所采集的所述多个参数的数据,其中蒸发器的水流量设置为额定水流量的100%。
17.根据权利要求1所述的方法,其特征在于,所述步骤(5)包括:
(5-1)基于所述增加的数据来产生待确定的空调性能预测模型的输入变量的增加的数据和输出变量的增加的数据,以及
(5-2)对所述输入变量的增加的数据和所述输出变量的增加的数据进行训练以得到所述确定的空调性能预测模型。
18.根据权利要求1所述的方法,其特征在于,所述步骤(6)包括:
使用所述确定的空调性能预测模型和用户输入的参数来预测所述已设计的空调系统的运行功率和压缩机频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592428.4A CN115031363B (zh) | 2022-05-27 | 2022-05-27 | 预测空调性能的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592428.4A CN115031363B (zh) | 2022-05-27 | 2022-05-27 | 预测空调性能的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115031363A true CN115031363A (zh) | 2022-09-09 |
CN115031363B CN115031363B (zh) | 2023-11-28 |
Family
ID=83120295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210592428.4A Active CN115031363B (zh) | 2022-05-27 | 2022-05-27 | 预测空调性能的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115031363B (zh) |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5583964A (en) * | 1994-05-02 | 1996-12-10 | Motorola, Inc. | Computer utilizing neural network and method of using same |
CN105115100A (zh) * | 2015-07-22 | 2015-12-02 | 李振宇 | 基于智能优化的中央空调设备控制系统及方法 |
CN105890109A (zh) * | 2016-03-31 | 2016-08-24 | 华南理工大学 | 一种房间空调器在线长效性能检测及优化运行方法 |
CN107807794A (zh) * | 2017-10-31 | 2018-03-16 | 新华三技术有限公司 | 一种数据存储方法和装置 |
CN108981097A (zh) * | 2018-06-19 | 2018-12-11 | 广东美的暖通设备有限公司 | 空调系统及其能需调整方法与装置 |
KR20190098098A (ko) * | 2019-04-02 | 2019-08-21 | 엘지전자 주식회사 | 공기 조화기 |
US20190354895A1 (en) * | 2018-05-18 | 2019-11-21 | Google Llc | Learning data augmentation policies |
CN111027768A (zh) * | 2019-12-10 | 2020-04-17 | 内蒙古工业大学 | 数据处理方法、装置和应用平台 |
CN111079648A (zh) * | 2019-12-16 | 2020-04-28 | 北京旷视科技有限公司 | 数据集清洗方法、装置和电子系统 |
CN111126605A (zh) * | 2020-02-13 | 2020-05-08 | 创新奇智(重庆)科技有限公司 | 一种基于强化学习算法的数据中心机房控制方法及装置 |
CN111561772A (zh) * | 2020-07-15 | 2020-08-21 | 上海有孚智数云创数字科技有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
CN111598863A (zh) * | 2020-05-13 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 缺陷检测方法、装置、设备及可读存储介质 |
US20200364494A1 (en) * | 2019-05-17 | 2020-11-19 | Drvision Technologies Llc | Deep model matching methods for image transformation |
CN112460768A (zh) * | 2019-09-09 | 2021-03-09 | 约克广州空调冷冻设备有限公司 | 用于控制空调系统的方法及使用其的空调系统 |
CN112651430A (zh) * | 2020-12-10 | 2021-04-13 | 浙江工业大学 | 一种面向网络分类模型的数据增强方法 |
CN112862145A (zh) * | 2019-11-12 | 2021-05-28 | 罗伯特·博世有限公司 | 使用体形信息的居用者热舒适度推断 |
CN113239199A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 一种基于多方数据集的信用分类方法 |
US20210284184A1 (en) * | 2020-03-05 | 2021-09-16 | Waymo Llc | Learning point cloud augmentation policies |
US20210333039A1 (en) * | 2020-04-27 | 2021-10-28 | Lg Electronics Inc. | Air conditioner system and method for operating an air conditioner |
CN113641600A (zh) * | 2021-07-26 | 2021-11-12 | 珠海格力电器股份有限公司 | 数据请求优化方法、装置及应答模式通信系统 |
CN113705720A (zh) * | 2021-09-08 | 2021-11-26 | 中国科学院国家天文台 | 机器学习中应用权重修正来减低加权训练偏差的方法 |
CN113901913A (zh) * | 2021-09-30 | 2022-01-07 | 佛山市南海区广工大数控装备协同创新研究院 | 一种用于古籍文档图像二值化的卷积网络 |
WO2022033024A1 (zh) * | 2020-08-12 | 2022-02-17 | 中国银联股份有限公司 | 深度学习模型的分布式训练方法以及装置 |
CN114359700A (zh) * | 2020-10-12 | 2022-04-15 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114492788A (zh) * | 2021-12-31 | 2022-05-13 | 深存科技(无锡)有限公司 | 训练深度学习模型的方法和装置、电子设备及存储介质 |
CN114490786A (zh) * | 2021-12-28 | 2022-05-13 | 马上消费金融股份有限公司 | 数据排序方法及装置 |
-
2022
- 2022-05-27 CN CN202210592428.4A patent/CN115031363B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5583964A (en) * | 1994-05-02 | 1996-12-10 | Motorola, Inc. | Computer utilizing neural network and method of using same |
CN105115100A (zh) * | 2015-07-22 | 2015-12-02 | 李振宇 | 基于智能优化的中央空调设备控制系统及方法 |
CN105890109A (zh) * | 2016-03-31 | 2016-08-24 | 华南理工大学 | 一种房间空调器在线长效性能检测及优化运行方法 |
CN107807794A (zh) * | 2017-10-31 | 2018-03-16 | 新华三技术有限公司 | 一种数据存储方法和装置 |
US20190354895A1 (en) * | 2018-05-18 | 2019-11-21 | Google Llc | Learning data augmentation policies |
CN108981097A (zh) * | 2018-06-19 | 2018-12-11 | 广东美的暖通设备有限公司 | 空调系统及其能需调整方法与装置 |
KR20190098098A (ko) * | 2019-04-02 | 2019-08-21 | 엘지전자 주식회사 | 공기 조화기 |
US20200364494A1 (en) * | 2019-05-17 | 2020-11-19 | Drvision Technologies Llc | Deep model matching methods for image transformation |
CN112460768A (zh) * | 2019-09-09 | 2021-03-09 | 约克广州空调冷冻设备有限公司 | 用于控制空调系统的方法及使用其的空调系统 |
CN112862145A (zh) * | 2019-11-12 | 2021-05-28 | 罗伯特·博世有限公司 | 使用体形信息的居用者热舒适度推断 |
CN111027768A (zh) * | 2019-12-10 | 2020-04-17 | 内蒙古工业大学 | 数据处理方法、装置和应用平台 |
CN111079648A (zh) * | 2019-12-16 | 2020-04-28 | 北京旷视科技有限公司 | 数据集清洗方法、装置和电子系统 |
CN111126605A (zh) * | 2020-02-13 | 2020-05-08 | 创新奇智(重庆)科技有限公司 | 一种基于强化学习算法的数据中心机房控制方法及装置 |
US20210284184A1 (en) * | 2020-03-05 | 2021-09-16 | Waymo Llc | Learning point cloud augmentation policies |
US20210333039A1 (en) * | 2020-04-27 | 2021-10-28 | Lg Electronics Inc. | Air conditioner system and method for operating an air conditioner |
CN111598863A (zh) * | 2020-05-13 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 缺陷检测方法、装置、设备及可读存储介质 |
CN111561772A (zh) * | 2020-07-15 | 2020-08-21 | 上海有孚智数云创数字科技有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
WO2022033024A1 (zh) * | 2020-08-12 | 2022-02-17 | 中国银联股份有限公司 | 深度学习模型的分布式训练方法以及装置 |
CN114359700A (zh) * | 2020-10-12 | 2022-04-15 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112651430A (zh) * | 2020-12-10 | 2021-04-13 | 浙江工业大学 | 一种面向网络分类模型的数据增强方法 |
CN113239199A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 一种基于多方数据集的信用分类方法 |
CN113641600A (zh) * | 2021-07-26 | 2021-11-12 | 珠海格力电器股份有限公司 | 数据请求优化方法、装置及应答模式通信系统 |
CN113705720A (zh) * | 2021-09-08 | 2021-11-26 | 中国科学院国家天文台 | 机器学习中应用权重修正来减低加权训练偏差的方法 |
CN113901913A (zh) * | 2021-09-30 | 2022-01-07 | 佛山市南海区广工大数控装备协同创新研究院 | 一种用于古籍文档图像二值化的卷积网络 |
CN114490786A (zh) * | 2021-12-28 | 2022-05-13 | 马上消费金融股份有限公司 | 数据排序方法及装置 |
CN114492788A (zh) * | 2021-12-31 | 2022-05-13 | 深存科技(无锡)有限公司 | 训练深度学习模型的方法和装置、电子设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
HOU SHU-JUAN等: "Joint AMC-HARQ Algorithm for TEDS System", TRANSACTIONS OF BEIJING INSTITUTE OF TECHNOLOGY, vol. 34, no. 2, pages 197 - 200 * |
丁志梁;潘毅群;谢建彤;王尉同;黄治钟;: "强化学习算法在空调系统运行优化中的应用研究", 建筑节能, no. 07 * |
查鲁·C.阿加沃尔: "《神经网络与深度学习》", vol. 1, 机械工业出版社, pages: 259 * |
谭光鸿;侯进;韩雁鹏;罗朔;: "基于卷积神经网络的低参数量实时图像分割算法", 激光与光电子学进展, no. 09 * |
邵明明;刘友波;陈婧婷;王潇笛;左坤雨;刘俊勇;: "分散式储能自趋优经济运行的强化学习算法", 电网技术, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN115031363B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | A novel efficient SVM-based fault diagnosis method for multi-split air conditioning system’s refrigerant charge fault amount | |
US10684598B1 (en) | Building management system with efficient model generation for system identification | |
Li et al. | An improved decision tree-based fault diagnosis method for practical variable refrigerant flow system using virtual sensor-based fault indicators | |
He et al. | Fault detection and diagnosis of chiller using Bayesian network classifier with probabilistic boundary | |
Hu et al. | A machine learning bayesian network for refrigerant charge faults of variable refrigerant flow air conditioning system | |
Swider et al. | Modelling of vapour-compression liquid chillers with neural networks | |
JP3165676B2 (ja) | 冷媒充てん量を監視する方法 | |
US9097447B2 (en) | Methods and controllers for providing a surge map for the monitoring and control of chillers | |
Li et al. | Review on fault detection and diagnosis feature engineering in building heating, ventilation, air conditioning and refrigeration systems | |
KR101754536B1 (ko) | 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치 | |
CN115264771A (zh) | 一种空调系统及其控制方法 | |
CN109140660A (zh) | 用于空调的智能控温装置方法及装置、空调、存储介质 | |
CN112749810B (zh) | 模型训练方法、控制参数确定方法及装置 | |
Li et al. | Machine learning based diagnosis strategy for refrigerant charge amount malfunction of variable refrigerant flow system | |
Lei et al. | Machine learning based refrigerant leak diagnosis for a vehicle heat pump system | |
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 | |
CN105914752B (zh) | 基于快速搜索与密度峰值聚类的主导节点选择方法 | |
CN115031363B (zh) | 预测空调性能的方法和装置 | |
CN105896547B (zh) | 一种风电接入下的大电网分级电压控制方法 | |
CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
CN116757354A (zh) | 一种基于多层感知机的烟叶复烤段关键参数筛选方法 | |
Lu et al. | A feature importance ranking based fault diagnosis method for variable-speed screw chiller | |
CN111157896B (zh) | 基于恒转矩控制的测试方法 | |
CN117704880B (zh) | 一种蒸发器的节能温度监测方法及系统 | |
Sohani et al. | Application of Machine Learning and Artificial Intelligence in Design, Optimization, and Control of VRF Systems |
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 |