CN115220351A - 一种基于云边端的建筑空调系统智能节能优化控制方法 - Google Patents

Abstract

本发明提出了一种基于云边端的建筑空调系统智能节能优化控制方法，其步骤为：首先，建立基于云边端的建筑空调数字孪生系统运行架构；然后利用数据感知模块采集人、设备、建筑和环境的实时数据，系统边缘设备统一处理后上传到云端；其次，在计算优化引擎中，采用实时控制和提前控制两种算法策略，考虑人流量、建筑空调设备运行状态、建筑设计信息、室内外环境、计划等多源数据的融合和相互耦合，在保证建筑内所有用户舒适度的同时，使建筑空调系统的整体能耗最低，将经过算法计算出的实时控制策略或提前控制策略及时发送到系统边缘设备中；最后，系统边缘设备中的控制模块根据控制策略，设定舒适的温度、湿度，调整各设备的功率或启停。

Description

一种基于云边端的建筑空调系统智能节能优化控制方法

技术领域

本公开涉及中央空调系统智能节能领域，尤其涉及一种基于云边端架构的保证用户舒适度的多参数智能优化节能与控制方法和数字孪生系统。

背景技术

建筑能耗占全国整体能源消耗的比例不断上升，而通常建筑能耗中占比最高的为建筑空调系统，空调系统的运行目标是为了保证建筑内人体舒适度在合适范围。但是当前建筑空调系统普遍存在运行反馈迟滞的问题，因而不能保证室内环境符合人体舒适度，而且由于人类个体差异，每个人的舒适度感受也是有差异的，同时因为以上原因，建筑空调系统存在很大的能源浪费问题。因此，建筑空调系统需要根据人、机、环境的多种影响因素进行实时的节能优化控制；更重要的是，根据建筑物的不同房间使用计划、未来天气状况等因素预测建筑空调系统的未来运行状态，进行空调系统的预先控制，在人员使用房间时保证其最佳人体舒适度的同时达到最大节能的目的。

数字孪生技术是实现上述目标的有效途径之一。数字孪生体强调对物理实体进行快速、全面和精准的感知，能够综合使用虚拟空间的数字化模型、系统实时运行数据和智能算法等对建筑空调系统进行状态分析和预测，及时的对空调系统进行干预控制，对于建筑空调系统反馈迟滞、未来状态难以预测和提前优化控制困难的问题可以很好的解决，从而在保证室内人体舒适度的前提下，可以有效的降低整体建筑能耗。云边端架构适用于空调数字孪生系统的部署和运行，边缘计算是云计算的延伸，边缘计算不同于云计算的把握全局，边缘计算侧重于局部，能够更好地在小规模、实时的智能分析中发挥作用，如满足局部建筑的实时需求，使用云边端协同一体化架构，可以降低云端服务器压力，降低系统故障，提高系统运行效率。

发明内容

针对当前建筑空调系统调整的滞后性，对于能源的大量浪费，以及当前建筑空调系统对于人体舒适度的欠考量，为此，本发明提出了一种基于云边端的建筑空调系统智能节能优化控制方法，通过建立基于云边端的建筑空调数字孪生系统运行架构，能够进行实时的节能优化控制，预测建筑空调系统的未来运行状态，实现空调系统的预先控制，最终在保证室内人体舒适度在舒适范围内的情况下，有效降低将建筑空调系统的能耗。

一种基于云边端的建筑空调系统智能节能优化控制方法，包括如下步骤：

S1，建立基于云边端协同的建筑空调数字孪生系统运行架构；

S2，利用数据感知模块采集人、建筑、设备和环境的实时数据，经系统边缘设备统一处理后上传到云端，实时感知的数据有室内外实时环境数据、人员流动数据、各终端设备自身的运行数据；

S3，建立基于深度学习的人体舒适度预测算法，根据实时采集的人流数据、室内外环境数据，以及建筑空调数字孪生系统中建筑物房间的设计数据、地理位置、房间中每个人的特征参数，经过人体舒适度预测算法的计算，计算出不同人的当前舒适度动态变化，并根据数据变化预测下一时刻不同人的舒适度变化；

S4，构建实时优化节能控制算法；

S5，根据S4计算后的结果，将需要设定的温度、湿度，各设备需要调整的功率等信息及时发送到系统边缘设备中；

S6，系统边缘设备中的控制模块根据实时优化控制策略，设定舒适的温度、湿度，以及控制各设备调整到需要的功率；

S7，建立对中央空调系统的提前预测优化控制算法；

S8，根据S7的提前预测优化控制算法的预测结果，将提前控制策略及时的发送到对应建筑的系统边缘设备中；

S9，系统边缘设备中的控制模块根据节能优化提前预测控制策略，提前控制指定空调设备进行启停操作、调整功率等，使得指定房间内温度在计划时间开始时，即满足能耗最低，也达到所有人的综合最佳舒适度。

进一步地，步骤S1具体为：

S1.1，建立数字孪生数字化模型，并将数字孪生数字化模型上传到云端；

通过Revit软件把建筑信息模型转换为数字孪生数字化模型，模型中包含建筑本身的设计信息和实际物理信息，包括但不限于建筑隔热、窗户面积、楼层数、使用面积等基本物理信息；

S1.2，从转换后的数字孪生数字化模型中提取中央空调系统相关数据信息，包含建筑内空调系统的布局信息，并将这些数据上传到云端系统孪生数据库中；

S1.3，同步建筑环境信息到云端数字孪生数字化模型中；根据建筑所处地理环境信息，实时同步天气环境信息到数字孪生数字化模型中，建筑空调系统数字孪生系统根据建筑信息模拟室外天气环境对室内的影响；

S1.4，数据感知模块采集建筑内实时人员流动信息、人员分布、人员体型分布信息，并上传至建筑空调系统数字孪生系统中系统孪生数据库中；

S1.5，管理员上传建筑内房间的使用计划表到系统孪生数据库中，计划表中包含计划使用时间、房间位置、计划到场人员，建筑空调系统数字孪生系统后续将根据计划内容选择对应的控制策略；

进一步地，步骤S1中，云边端包括云端、边缘侧、终端设备；其中，云端包括虚拟空间与物理空间对应的人、机、建筑、环境的数字化模型，多源异构数据智能节能优化算法模块和系统孪生数据库；边缘侧包括将数据感知模块采集的多源数据提取整合到云端的上传模块，和从虚拟空间到物理空间的反馈控制模块；终端设备包括从物理空间到边缘设备的数据感知模块，智能控制模块和中央空调各终端设备；

系统孪生数据库包括：建筑本身的设计信息和物理信息、建筑中央空调系统的布局信息和设备信息、建筑环境信息、数据感知模块采集的建筑内实时信息、使用计划表。

进一步地，步骤S1.3中，所述建筑空调系统数字孪生系统包括：云端的由数字孪生数字化模型、系统孪生数据库和由实时优化节能控制算法、提前预测优化控制算法、功率计算等功能组成的计算优化引擎；

建筑空调系统数字孪生系统会根据数据感知模块采集的数据和系统孪生数据库中的建筑信息，经过实时优化节能控制算法或提前预测优化控制算法计算出在保证人体舒适度的前提下，使得建筑中央空调系统能耗达到最低的控制策略并经过边缘设备中的反馈控制模块对相应的中央空调设备。

进一步地，步骤S2具体为：

S2.1，使用人流量感知模块，采集室内人流数据、室内人员特征参数；

S2.2，使用室内环境感知模块，采集室内环境数据，在本公开实例系统中，包括但不限于室内温湿度、室内空气流速等数据；

S2.3，使用室外环境感知模块，采集室内天气环境数据，在本公开实例系统中，包括但不限于室外温湿度、风速、天气状态等数据；

S2.4，各终端设备自身的运行数据，由各终端自身或终端设备运行状态感知模块，实时上传到边缘设备中，所述终端设备包括中央空调相关设备，包括但不限于制冷主机、冷却塔、冷冻水泵、冷却水泵、末端设备；

S2.5，各数据感知模块将采集的数据实时上传到系统边缘设备中，根据建筑规模，将每个建筑或楼层划分为一个系统边缘层，建筑规模较小的将每个建筑划分为一个系统边缘，建筑规模较大的将每个楼层划分为一个系统边缘，系统边缘设备将下属所有数据感知模块采集来的数据处理后发送到云端服务器中系统孪生数据库中。

进一步地，步骤S2中，所述数据感知模块包括：室内温湿度采集模块、主机数据采集模块、冷却塔数据采集模块、水泵数据采集模块、人流量数据采集模块、末端数据采集模块、室外实时环境信息数据采集模块；

所述系统边缘设备包括：多源异构数据整合上传模块、历史数据存储模块、简单决策模块、虚拟空间到物理空间的反馈控制模块；

进一步地，步骤S3具体为：

S3.1，构建基于深度学习的人体舒适度预测模型，以本运行架构中对热舒适度起主导作用的六个因素作为模型的输入，分别为室内温湿度、建筑内人流量、室内人员体型特征、室内使用面积、室外温度、室外天气。以人体舒适度指数Tsi作为模型的输出，其中Tsi＝0 时表示舒适状态，当Tsi>0时，则表示热不适，当Tsi<0时，则表示冷不适；

S3.2，选择神经网络隐藏层中神经元个数；

S3.3，舒适度算法模型在载入系统之前，脱机使用大量建筑空调系统运行数据进行训练，当达到要求的运算标准以后，将算法载入到系统中；

S3.4，舒适度算法模型根据S3.2中输入的参数，结合系统运行历史数据，根据数据变化计算下一时刻不同人的舒适度变化。

进一步地，步骤S4具体为：

S4.1，建立优化节能设计算法的理论，

S4.2，构建基于深度学习的节能优化模型，

S4.3，优化节能算法分析最优的空调系统实时优化控制策略，

S4.4，将算法计算出的设定舒适温度、各设备需要调整的功率作为算法的输出。

进一步地，步骤S6具体为：

S6.1，边缘设备根据实时优化控制策略分别对制冷主机、冷却塔、冷却水泵、冷冻水泵、末端等终端设备中需要调整设备的发出控制指令；

S6.2，终端设备根据收到的功率调整指令对设备功率做出调整。

进一步地，步骤S7具体为：

S7.1,建立提前优化控制深度学习算法，从建筑空调数字孪生系统运行架构孪生数据库中读取管理员同步的建筑内房间的使用计划表，根据计划表中的计划时间、房间位置、计划到场人员，以及建筑空调数字孪生系统中建筑物房间的设计数据、地理位置信息，预测最优控制策略，在房间计划使用前，提前打开空调系统的相应设备或者调整功率；

S7.2，在房间实际使用和空调系统运行时，经S4、S5和S6对设备功率进行实时调整，使得指定房间内温度在计划时间开始时达到最佳舒适度温度；

S7.3，同时于计划结束时间监测室内人流量变化，关闭或调整指定房间空调设备，以达到节能的目的。

进一步地，步骤S9具体为：

S9.1，边缘设备根据提前预测控制策略分别对制冷主机、冷却塔、冷却水泵、冷冻水泵、末端等终端设备中需要调整或开启的设备发出控制指令；

S9.2，制冷主机、冷却塔、冷却水泵、冷冻水泵、末端等终端设备根据收到的控制指令开机或调整功率。

与现有技术相比，本发明的有益效果是：

与现有技术相对，本发明结合数字孪生技术和云边端架构，快速、全面、精准的感知物理世界的实时数据，准确预测建筑空调系统运行状态和室内环境变化，在实时优化控制和提前预测控制两种策略下，可以稳定、高效的解决建筑空调系统反馈迟滞、未来状态难以预测和提前优化控制困难的问题，从而在保证室内人体舒适度的同时，最大程度的降低整体建筑的能耗。

附图说明

图1为本发明的总体流程图；

图2为本发明的系统运行总体架构图；

图3为深度学习舒适度算法模型；

图4为深度学习节能优化算法模型；

图5为系统状态预测与提前控制策略图。

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，所描述的实施例仅仅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付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。

本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1示例性地示出一种基于云边端的建筑空调系统智能节能优化控制方法的流程示意图，如图1、图2所示，所述方法包括：

S1，建立基于云边端协同的建筑空调数字孪生系统运行架构；

云边端包括云端、边缘侧、终端设备；其中，云端包括虚拟空间与物理空间对应的人、机、建筑、环境的数字化模型，多源异构数据智能节能优化算法模块和系统孪生数据库；边缘侧包括将数据感知模块采集的多源数据提取整合到云端的上传模块，和从虚拟空间到物理空间的反馈控制模块；终端设备包括从物理空间到边缘设备的数据感知模块，智能控制模块和中央空调各终端设备；

系统孪生数据库包括：建筑本身的设计信息和物理信息、建筑中央空调系统的布局信息和设备信息、建筑环境信息、数据感知模块采集的建筑内实时信息、使用计划表；

S1.1，本公开实例中，建立数字孪生数字化模型，并将数字孪生数字化模型上传到云端

通过Revit软件把建筑信息模型转换为数字孪生数字化模型，模型中包含建筑本身的设计信息和实际物理信息，包括但不限于建筑隔热、窗户面积、楼层数、使用面积等基本物理信息；

S1.2，从转换后的数字孪生数字化模型中提取中央空调系统相关数据信息，包含建筑内空调系统的布局信息，如空调主机、水泵、冷却塔、末端、管道在建筑内的位置布局等信息，同时包含现场各设备数量、型号、运行参数、性能等信息，并将这些数据上传到云端系统孪生数据库中；

S1.3，同步建筑环境信息到云端数字孪生数字化模型中；根据建筑所处地理环境信息，实时同步天气环境信息到数字孪生数字化模型中，建筑空调系统数字孪生系统根据建筑信息模拟室外天气环境对室内的影响；

所述建筑空调系统数字孪生系统包括：云端的由数字孪生数字化模型、系统孪生数据库和由实时优化节能控制算法、提前预测优化控制算法、功率计算等功能组成的计算优化引擎；

建筑空调系统数字孪生系统会根据数据感知模块采集的数据和系统孪生数据库中的建筑信息，经过实时优化节能控制算法或提前预测优化控制算法计算出在保证人体舒适度的前提下，使得建筑中央空调系统能耗达到最低的控制策略并经过边缘设备中的反馈控制模块对相应的中央空调设备；

S1.4，数据感知模块采集建筑内实时人员流动信息、人员分布、人员体型分布信息，并上传至建筑空调系统数字孪生系统中系统孪生数据库中；

S1.5，管理员上传建筑内房间的使用计划表到系统孪生数据库中，计划表中包含计划使用时间、房间位置、计划到场人员，建筑空调系统数字孪生系统后续将根据计划内容选择对应的控制策略；

S2，利用数据感知模块采集人、建筑、设备和环境的实时数据，经系统边缘设备统一处理后上传到云端，实时感知的数据有室内外实时环境数据、人员流动数据、各终端设备自身的运行数据；

所述数据感知模块包括：室内温湿度采集模块、主机数据采集模块、冷却塔数据采集模块、水泵数据采集模块、人流量数据采集模块、末端数据采集模块、室外实时环境信息数据采集模块；

所述系统边缘设备包括：多源异构数据整合上传模块、历史数据存储模块、简单决策模块、虚拟空间到物理空间的反馈控制模块；

S2.1，使用人流量感知模块，采集室内人流数据、室内人员特征参数；

S2.2，使用室内环境感知模块，采集室内环境数据，在本公开实例系统中，包括但不限于室内温湿度、室内空气流速等数据；

S2.3，使用室外环境感知模块，采集室内天气环境数据，在本公开实例系统中，包括但不限于室外温湿度、风速、天气状态等数据；

S2.4，各终端设备自身的运行数据，由各终端自身或终端设备运行状态感知模块，实时上传到边缘设备中，在本公开实例系统中，中央空调相关设备也属于终端设备，包括但不限于制冷主机、冷却塔、冷冻水泵、冷却水泵、末端等设备；

所述终端设备包括中央空调相关设备，包括但不限于制冷主机、冷却塔、冷冻水泵、冷却水泵、末端设备。

S2.5，各数据感知模块将采集的数据实时上传到系统边缘设备中，根据建筑规模，将每个建筑或楼层划分为一个系统边缘层，建筑规模较小的将每个建筑划分为一个系统边缘，建筑规模较大的将每个楼层划分为一个系统边缘，系统边缘设备将下属所有数据感知模块采集来的数据处理后发送到云端服务器中系统孪生数据库中；

S3，如图3所示，建立基于深度学习的人体舒适度预测算法，根据实时采集的人流数据、室内外环境数据，以及建筑空调数字孪生系统中建筑物房间的设计数据、地理位置、房间中每个人的特征参数，经过人体舒适度预测算法的计算，计算出不同人的当前舒适度动态变化，并根据数据变化预测下一时刻不同人的舒适度变化；

S3.1，构建基于深度学习的人体舒适度预测模型，以本运行架构中对热舒适度起主导作用的六个因素作为模型的输入，分别为室内温湿度、建筑内人流量、室内人员体型特征、室内使用面积、室外温度、室外天气。以人体舒适度指数Tsi作为模型的输出，其中Tsi＝0 时表示舒适状态，当Tsi>0时，则表示热不适，当Tsi<0时，则表示冷不适。因此，输入层和输出层的神经元个数分别为6和1；

S3.2，选择神经网络隐藏层中神经元个数，神经网络隐藏层中1个神经元就可以拟合大部分简单数学关系，本公开实例中，选择隐藏层神经元个数9个；

S3.3，舒适度算法模型在载入系统之前，脱机使用大量建筑空调系统运行数据进行训练，当达到要求的运算标准以后，将算法载入到系统中；

S3.4，舒适度算法模型根据S3.2中输入的参数，结合系统运行历史数据，根据数据变化计算下一时刻不同人的舒适度变化；

S4，如图4所示，构建实时优化节能控制算法，

综合考虑每个人的个体舒适度，进行分析出最优的空调系统的实时优化控制策略，建立深度学习算法，根据S1的建筑空调数字孪生系统运行架构孪生数据库中建筑物房间的设计数据和地理位置、S2感知模块采集的空调系统设备运行数据和环境数据、S3预测的房间中每个人的人体舒适度值等，计算出使空调系统整体能耗最小的功率控制策略，传给虚实反馈控制模块；

S4.1，建立优化节能设计算法的理论，

把建筑空调数字孪生系统运行架构孪生数据库中建筑物房间的设计数据和地理位置、感知模块采集的空调系统设备运行数据和环境数据、预测的房间中每个人的人体舒适度值等多源异构数据，作为深度学习舒适度预测算法的输入，设计变量如公式(1)所示，其中，x₁、x₂、x₃、x₄、x₅、x₆和x₇分别表示为预测舒适度、末端设备功率、冷却塔功率、主机功率、冷冻水泵功率、冷却水泵功率、使用面积等参数：

X₁＝[x₁,x₂,x₃,x₄,x₅,x₆,x₇]^T (1)

所述目标函数如公式(2)所示，其中，f为实时优化控制深度学习算法，P为输出的各设备的调整功率，目标为最小的建筑空调系统整体功率：

P＝Minf(x₁,x₂,x₃,x₄,x₅,x₆,x₇) (2)

约束条件如公式(3)所示，其中因为不同型号的设备终端功率不同，而且不同的终端之间的功率也不相同，所以在本公开实例中，各功率值为百分比，M为建筑最大使用面积：

S4.2，构建基于深度学习的节能优化模型，

以本运行架构中以保证舒适度为前提的情况下，对建筑中央空调系统能耗起主导作用的7个因素作为模型的输入，分别为预测舒适度、末端设备功率、冷却塔功率、主机功率、冷冻水泵功率、冷却水泵功率、使用面积。以P作为模型的输出，其中P为各终端设备调整功率值,对不同设备分别调整功率可以做到最大程度的节能；

S4.3，优化节能算法分析最优的空调系统实时优化控制策略，

优化模型根据输入参数，结合系统调控反馈历史，在设定的约束区间内，计算搜索最优节能调控策略，约束区间为设备稳定运行功率区间和舒适度温度范围，如本公开实例中，设定夏季温度舒适度区间为26℃至30℃之间，参考了国务院规定机关、商场等公共建筑夏季室内空调温度设置不得低于26℃；

S4.4，将算法计算出的设定舒适温度、各设备需要调整的功率作为算法的输出。

S5，根据S4计算后的结果，将需要设定的温度、湿度，各设备需要调整的功率等信息及时发送到系统边缘设备中；

S6，系统边缘设备中的控制模块根据实时优化控制策略，设定舒适的温度、湿度，以及控制各设备调整到需要的功率；

S6.1，边缘设备根据实时优化控制策略分别对制冷主机、冷却塔、冷却水泵、冷冻水泵、末端等终端设备中需要调整设备的发出控制指令；

S6.2，终端设备根据收到的功率调整指令对设备功率做出调整。

S7，建立对中央空调系统的提前预测优化控制算法，

在进行中央空调系统的提前预测优化控制时，如图5所示，在S4的基础上，从建筑空调数字孪生系统运行架构孪生数据库中读取管理员同步的建筑内房间的使用计划表，根据计划表中的计划时间、房间位置、计划到场人员，以及建筑空调数字孪生系统中建筑物房间的设计数据、地理位置等，建立深度学习算法，预测最优控制策略，在房间计划使用前，提前打开空调系统的相应设备或者调整功率；

S7.1,建立提前优化控制深度学习算法，从建筑空调数字孪生系统运行架构孪生数据库中读取管理员同步的建筑内房间的使用计划表，根据计划表中的计划时间、房间位置、计划到场人员，以及建筑空调数字孪生系统中建筑物房间的设计数据、地理位置信息，预测最优控制策略，在房间计划使用前，提前打开空调系统的相应设备或者调整功率；

S7.2，在房间实际使用和空调系统运行时，经S4、S5和S6对设备功率进行实时调整，使得指定房间内温度在计划时间开始时达到最佳舒适度温度；

S7.3，同时于计划结束时间监测室内人流量变化，关闭或调整指定房间空调设备，以达到节能的目的。

S8，根据S7的提前预测优化控制算法的预测结果，将提前控制策略及时的发送到对应建筑的系统边缘设备中；

S9，系统边缘设备中的控制模块根据节能优化提前预测控制策略，提前控制指定空调设备进行启停操作、调整功率等，使得指定房间内温度在计划时间开始时，即满足能耗最低，也达到所有人的综合最佳舒适度；

S9.1，边缘设备根据提前预测控制策略分别对制冷主机、冷却塔、冷却水泵、冷冻水泵、末端等终端设备中需要调整或开启的设备发出控制指令；

S9.2，制冷主机、冷却塔、冷却水泵、冷冻水泵、末端等终端设备根据收到的控制指令开机或调整功率。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (1)

1.一种基于云边端的建筑空调系统智能节能优化控制方法，其特征在于，包括如下步骤：

S1，建立基于云边端协同的建筑空调数字孪生系统运行架构；

S2，利用数据感知模块采集人、建筑、设备和环境的实时数据，经系统边缘设备统一处理后上传到云端，实时感知的数据有室内外实时环境数据、人员流动数据、各终端设备自身的运行数据；

S3，建立基于深度学习的人体舒适度预测算法，根据实时采集的人流数据、室内外环境数据，以及建筑空调数字孪生系统中建筑物房间的设计数据、地理位置、房间中每个人的特征参数，经过人体舒适度预测算法的计算，计算出不同人的当前舒适度动态变化，并根据数据变化预测下一时刻不同人的舒适度变化；

S4，构建实时优化节能控制算法；

S5，根据S4计算后的结果，将需要设定的温度、湿度，各设备需要调整的功率等信息及时发送到系统边缘设备中；

S6，系统边缘设备中的控制模块根据实时优化控制策略，设定舒适的温度、湿度，以及控制各设备调整到需要的功率；

S7，建立对中央空调系统的提前预测优化控制算法；

S8，根据S7的提前预测优化控制算法的预测结果，将提前控制策略及时的发送到对应建筑的系统边缘设备中；

S9，系统边缘设备中的控制模块根据节能优化提前预测控制策略，提前控制指定空调设备进行启停操作、调整功率等，使得指定房间内温度在计划时间开始时，即满足能耗最低，也达到所有人的综合最佳舒适度。

Images