CN115628526B - 一种基于空调机组数据处理的干湿负荷调控方法及系统 - Google Patents

Abstract

本申请涉及空调智能调控技术领域，提供了一种基于空调机组数据处理的干湿负荷调控方法及系统，所述方法包括：采集室内状态参数和室外状态参数进行负荷分析，生成潜热负荷与显热负荷；匹配潜热特征值和显热特征值；获取潜热控制参数和潜热控制目标温度；获取显热控制参数和显热控制目标温度；对潜热控制参数进行优化；对显热控制参数进行优化；根据潜热控制参数优化结果控制空调机组进行除湿满足条件后，根据显热控制参数优化结果控制空调机组进行降温。采用本方法能够解决空调机组在处理过程中由于工况的复杂性以及影响因素的多样性，主观设定的控制参数无法保障准确性，参考价值较低，导致存在干湿负荷调控智能化程度较低的技术问题。

Description

一种基于空调机组数据处理的干湿负荷调控方法及系统

技术领域

本申请涉及空调智能调控技术领域，具体涉及一种基于空调机组数据处理的干湿负荷调控方法及系统。

背景技术

近年来随着我国经济的快速发展，人民生活水平不断改善，对空调的需求也大大提高，带动空调行业的市场规模不断增加。

空调的空气处理过程主要是两部分负荷，一部分是降低空气温度所需要处理的显热负荷，一部分是减低空气湿度所需要处理的潜热负荷，一般情况下，潜热负荷比显热负荷大得多，传统的空调在处理时大多数情况下是将这两者混在一起处理，只有少部分会分开处理，且目前存在将二者分开处理的技术方案中，调控过程主要通过专家设定各项参数进行工作，从而造成空调工作效率较低且能耗较高。

综上所述，现有技术中存在空调机组在处理过程中由于工况的复杂性以及影响因素的多样性，主观设定的控制参数无法保障准确性，参考价值较低，导致存在干湿负荷调控智能化程度较低的技术问题。

发明内容

基于此，有必要针对上述技术问题，提供一种基于空调机组数据处理的干湿负荷调控方法及系统。

一种基于空调机组数据处理的干湿负荷调控方法，所述方法应用于干湿负荷调控系统，包括：采集室内状态参数和室外状态参数进行负荷分析，生成潜热负荷与显热负荷；将所述潜热负荷和所述显热负荷输入能量标定表，匹配潜热特征值和显热特征值；根据空调机组除湿控制模块，获取潜热控制参数和潜热控制目标温度；根据空调机组降温控制模块，获取显热控制参数和显热控制目标温度；根据所述潜热特征值、初始室内温度和所述潜热控制目标温度对所述潜热控制参数进行优化，生成潜热控制参数优化结果；根据所述显热特征值、所述潜热控制目标温度和所述显热控制目标温度对所述显热控制参数进行优化，生成显热控制参数优化结果；根据所述潜热控制参数优化结果控制空调机组进行除湿，满足第一预设条件后，根据所述显热控制参数优化结果控制所述空调机组进行降温。

在一个实施例中，所述采集室内状态参数和室外状态参数进行负荷分析，生成潜热负荷与显热负荷，还包括：所述室内状态参数包括围护结构参数、人员数量参数、敞开水池几何参数和地面积水几何参数；所述室外状态参数包括室外温度参数和室外风速参数；根据所述室外风速参数、所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数进行室内湿度评估，生成相对湿度参数；根据所述相对湿度参数和目标相对湿度参数，计算所述潜热负荷；根据所述围护结构参数、所述室外温度参数和所述室外风速参数进行室内温度评估，生成室内温度参数；根据所述室内温度参数和目标温度参数，计算所述显热负荷。

在一个实施例中，所述根据所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数进行室内湿度评估，生成相对湿度参数，还包括：采集湿度检测记录数据，其中，所述湿度检测记录数据包括室外风速记录数据、围护结构记录数据、人员数量记录数据、敞开水池几何记录数据、地面积水几何记录数据和多位置相对湿度检测结果；对所述多位置相对湿度检测结果进行集中分布，生成集中评价相对湿度值；将所述室外风速记录数据、所述围护结构记录数据、所述人员数量记录数据、所述敞开水池几何记录数据和所述地面积水几何记录数据作为输入数据，将所述集中评价相对湿度值作为输出偏差评价数据，训练室内湿度评估模型；将所述室外风速参数、所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数输入所述室内湿度评估模型，输出所述相对湿度参数。

在一个实施例中，所述对所述多位置相对湿度检测结果进行集中分布，生成集中评价相对湿度值，还包括：根据所述多位置相对湿度检测结果，获取第k位置相对湿度检测结果和第k+1位置相对湿度检测结果，计算第k相对湿度偏差，其中，第k位置和第k+1位置相邻；当所述第k相对湿度偏差小于或等于相对湿度偏差阈值，将所述第k位置相对湿度检测结果和所述第k位置湿度检测结果添加进相对湿度第k聚类结果，根据湿度特征值评估公式对所述相对湿度第k聚类结果进行特征值更新，其中，所述湿度特征值评估公式为：

其中，

为相对湿度第k聚类结果更新后的相对湿度特征值，

表征相对湿度第k聚类结果为添加第k+1位置湿度检测结果之前已聚类的检测结果总数量，

表征第k+1位置湿度检测结果，

表征第k位置相对湿度检测结果，

表征第k+1位置湿度检测结果对应的聚类的检测结果总数量；重复聚类，生成相邻区域相对湿度偏差大于所述相对湿度偏差阈值的多个相对湿度聚类结果；获取集中值评价公式：

其中，RH为集中评价相对湿度值，I表征聚类总数量，

表征第i个聚类中检测结果总数量，

表征第i个聚类相对湿度特征值；根据所述集中值评价公式对所述多个相对湿度聚类结果进行集中评价，生成所述集中评价相对湿度值。

在一个实施例中，所述根据所述围护结构参数、所述室外温度参数和所述室外风速参数进行室内温度评估，生成室内温度参数，还包括：采集温度检测记录数据，其中，所述温度检测记录数据包括围护结构记录数据、室外温度记录数据、室外风速记录数据和多位置室内温度检测结果；对所述多位置室内温度检测结果进行集中分布，生成室内集中评价温度值；将所述围护结构记录数据、所述室外温度记录数据和所述室外风速记录数据作为输入数据，将所述室内集中评价温度值作为输出偏差评价数据，训练室内温度评估模型；将所述围护结构参数、所述室外温度参数和所述室外风速参数输入所述室内温度评估模型，输出所述室内温度参数。

在一个实施例中，所述根据所述潜热特征值、初始室内温度和所述潜热控制目标温度对所述潜热控制参数进行优化，生成潜热控制参数优化结果，还包括：根据所述潜热特征值、所述初始室内温度和所述潜热控制目标温度，基于大数据采集第一时间粒度内的控制参数粒子群，其中，任意一个粒子对应于一组控制参数，且任意一个粒子包括频率特征值和除湿时长特征值；根据期望除湿时长区间和期望选用频率区间，遍历所述频率特征值和所述除湿时长特征值，对所述控制参数粒子群进行筛选，构建粒子群优化空间；基于所述粒子群优化空间对所述潜热控制参数进行优化，生成所述潜热控制参数优化结果。

在一个实施例中，所述根据所述潜热控制参数优化结果控制空调机组进行除湿满足第一预设条件后，根据所述显热控制参数优化结果控制所述空调机组进行降温，还包括：当所述潜热控制参数优化结果控制空调机组进行除湿满足所述潜热控制目标温度时，开始计时，生成除湿计时结果；当所述除湿计时结果满足除湿预设时长，根据所述显热控制参数优化结果控制所述空调机组进行降温。

一种基于空调机组数据处理的干湿负荷调控系统，包括：

负荷分析模块，所述负荷分析模块用于采集室内状态参数和室外状态参数进行负荷分析，生成潜热负荷与显热负荷；

特征值匹配模块，所述特征值匹配模块用于将所述潜热负荷和所述显热负荷输入能量标定表，匹配潜热特征值和显热特征值；

潜热信息获取模块，所述潜热信息获取模块用于根据空调机组除湿控制模块，获取潜热控制参数和潜热控制目标温度；

显热信息获取模块，所述显热信息获取模块用于根据空调机组降温控制模块，获取显热控制参数和显热控制目标温度；

潜热参数优化模块，所述潜热参数优化模块用于根据所述潜热特征值、初始室内温度和所述潜热控制目标温度对所述潜热控制参数进行优化，生成潜热控制参数优化结果；

显热参数优化模块，所述显热参数优化模块用于根据所述显热特征值、所述潜热控制目标温度和所述显热控制目标温度对所述显热控制参数进行优化，生成显热控制参数优化结果；

空调控制模块，所述空调控制模块用于根据所述潜热控制参数优化结果控制空调机组进行除湿，满足第一预设条件后，根据所述显热控制参数优化结果控制所述空调机组进行降温。

上述一种基于空调机组数据处理的干湿负荷调控方法及系统，解决现有技术中空调机组在处理过程中由于工况的复杂性以及影响因素的多样性，主观设定的控制参数无法保障准确性，参考价值较低，导致存在干湿负荷调控智能化程度较低的技术问题。通过对潜热控制参数和显热控制参数进行优化，得到潜热控制参数优化结果和显热控制参数优化结果。根据所述潜热控制参数优化结果控制空调机组进行除湿，满足预设条件后再根据所述显热控制参数优化结果控制所述空调机组进行降温，可以提高干湿负荷调控的智能化水平，从而提高空调的工作效率，降低能耗。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请提供了一种基于空调机组数据处理的干湿负荷调控方法的流程示意图；

图2为本申请提供了一种基于空调机组数据处理的干湿负荷调控方法中生成潜热负荷与显热负荷的流程示意图；

图3为本申请提供了一种基于空调机组数据处理的干湿负荷调控系统的结构示意图。

附图标记说明：负荷分析模块1、特征值匹配模块2、潜热信息获取模块3、显热信息获取模块4、潜热参数优化模块5、显热参数优化模块6、空调控制模块7。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

如图1所示，本申请提供了一种基于空调机组数据处理的干湿负荷调控方法，所述方法应用于干湿负荷调控系统，包括：

步骤S100：采集室内状态参数和室外状态参数进行负荷分析，生成潜热负荷与显热负荷；

在一个实施例中，如图2所示，本申请步骤S100还包括：

步骤S110：所述室内状态参数包括围护结构参数、人员数量参数、敞开水池几何参数和地面积水几何参数；

步骤S120：所述室外状态参数包括室外温度参数和室外风速参数；

步骤S130：根据所述室外风速参数、所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数进行室内湿度评估，生成相对湿度参数；

在一个实施例中，本申请步骤S130还包括：

步骤S131：采集湿度检测记录数据，其中，所述湿度检测记录数据包括室外风速记录数据、围护结构记录数据、人员数量记录数据、敞开水池几何记录数据、地面积水几何记录数据和多位置相对湿度检测结果；

步骤S132：对所述多位置相对湿度检测结果进行集中分布，生成集中评价相对湿度值；

在一个实施例中，本申请步骤S132还包括：

步骤S1321：根据所述多位置相对湿度检测结果，获取第k位置相对湿度检测结果和第k+1位置湿度检测结果，计算第k相对湿度偏差，其中，第k位置和第k+1位置相邻；

步骤S1322：当所述第k相对湿度偏差小于或等于相对湿度偏差阈值，将所述第k位置相对湿度检测结果和所述第k位置湿度检测结果添加进相对湿度第k聚类结果，根据湿度特征值评估公式对所述相对湿度第k聚类结果进行特征值更新，其中，所述湿度特征值评估公式为：

其中，

为相对湿度第k聚类结果更新后的相对湿度特征值，

表征相对湿度第k聚类结果为添加第k+1位置湿度检测结果之前已聚类的检测结果总数量，

表征第k+1位置湿度检测结果，

表征第k位置相对湿度检测结果，

表征第k+1位置湿度检测结果对应的聚类的检测结果总数量；

步骤S1323：重复聚类，生成相邻区域相对湿度偏差大于所述相对湿度偏差阈值的多个相对湿度聚类结果；

步骤S1324：获取集中值评价公式：

其中，RH为集中评价相对湿度值，I表征聚类总数量，

表征第i个聚类中检测结果总数量，

表征第i个聚类相对湿度特征值；

步骤S1325：根据所述集中值评价公式对所述多个相对湿度聚类结果进行集中评价，生成所述集中评价相对湿度值。

具体而言，根据多位置相对湿度检测结果，得到K位置的相对湿度偏差和K+1位置的相对湿度检测结果，所述K位置为随机位置，K位置与K+1位置为相邻关系，获得相对湿度偏差阈值，所述相对湿度偏差阈值用来衡量相对湿度偏差结果以便对相同特征值的数据进行聚类，当K位置的相对湿度偏差小于或等于相对湿度偏差阈值时，将第K位置相对湿度检测结果和湿度检测结果添加进相对湿度第k聚类结果，通过湿度特征值评估公式

对所述相对湿度第k聚类结果进行特征值更新，其中，

为相对湿度第k聚类结果更新后的相对湿度特征值，

表征相对湿度第k聚类结果为添加第k+1位置湿度检测结果之前已聚类的检测结果总数量，

表征第k+1位置湿度检测结果，

表征第k位置相对湿度检测结果，

表征第k+1位置湿度检测结果对应的聚类的检测结果总数量。通过重复聚类的方式，可以得到相邻区域相对湿度偏差大于相对湿度偏差阈值的多个相对湿度聚类结果，然后通过集中值评价公式

对所述多个相对湿度聚类结果进行集中评价，其中，RH为集中评价相对湿度值，I表征聚类总数量，

表征第i个聚类中检测结果总数量，

表征第i个聚类相对湿度特征值，生成集中评价相对湿度值。通过对多个位置相对湿度检测结果进行聚类分析，可以对数据进行压缩，同时保留包含不同特征值的聚类结果，通过对多个相对湿度聚类结果进行集中评价，可以更加整体、平均的获得室内相对湿度值。

步骤S133：将所述室外风速记录数据、所述围护结构记录数据、所述人员数量记录数据、所述敞开水池几何记录数据和所述地面积水几何记录数据作为输入数据，将所述集中评价相对湿度值作为输出偏差评价数据，训练室内湿度评估模型；

步骤S134：将所述室外风速参数、所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数输入所述室内湿度评估模型，输出所述相对湿度参数。

具体而言，通过测量仪器采集湿度检测记录数据，所述湿度检测记录数据包括室外风速记录数据、围护结构记录数据、室内人员数量、敞开水池水量体积、地面积水记录数据和多位置相对湿度检测结果，其中，所述围护结构记录数据包括室内门窗及通风口的数量、位置、面积等，所述地面积水记录数据由于地面积水厚度较低，故只测量地面积水的表面积。将所述多位置相对湿度检测结果进行聚类，获得聚类结果，然后通过集中值评价公式对所述多个聚类结果进行集中评价，获得集中评价相对湿度值。构建室内湿度评估模型，所述室内湿度评估模型为机器学习中可以不断进行自我迭代优化的神经网络模型，通过训练数据集和监督训练数据获得，其中，每组训练集合中训练数据均包括室外风速记录数据、围护结构记录数据、人员数量记录数据、敞开水池体积记录数据和地面积水面积记录数据，将训练数据集中每一组训练数据输入所述室内湿度评估模型，将所述集中评价相对湿度值作为监督数据进行室内湿度评估模型输出相对湿度参数的输出监督调整，所述室内湿度评估模型训练好之后，将室外风速参数、围护结构参数、人员数量参数、敞开水池体积参数和地面积水面积参数输入所述室内湿度评估模型，输出相对湿度参数。由于影响室内湿度因素较多，需要通过对多个位置进行检测，效率很低，通过构建室内湿度评估模型，可以不用检测直接获取相对湿度参数，很大程度上提高了室内平均湿度检测的效率。

步骤S140：根据所述相对湿度参数和目标相对湿度参数，计算所述潜热负荷；

步骤S150：根据所述围护结构参数、所述室外温度参数和所述室外风速参数进行室内温度评估，生成室内温度参数；

在一个实施例中，本申请步骤S150还包括：

步骤S151：采集温度检测记录数据，其中，所述温度检测记录数据包括围护结构记录数据、室外温度记录数据、室外风速记录数据和多位置室内温度检测结果；

步骤S152：对所述多位置室内温度检测结果进行集中分布，生成室内集中评价温度值；

步骤S153：将所述围护结构记录数据、所述室外温度记录数据和所述室外风速记录数据作为输入数据，将所述室内集中评价温度值作为输出偏差评价数据，训练室内温度评估模型；

步骤S154：将所述围护结构参数、所述室外温度参数和所述室外风速参数输入所述室内温度评估模型，输出所述室内温度参数。

具体而言，通过测量仪器采集温度检测记录数据，所述温度检测记录数据包括围护结构记录数据、室外温度记录数据、室外风速记录数据和多位置室内温度检测结果，所述围护结构记录数据包括室内门窗及通风口的数量、位置、面积等。将所述多位置室内温度检测结果进行聚类，获得聚类结果，然后通过集中值评价公式对所述多个聚类结果进行集中评价，获得室内集中评价温度值。构建室内温度评估模型，所述室内温度评估模型为机器学习中可以不断进行自我迭代优化的神经网络模型，通过训练数据集和监督训练数据获得，其中，每组训练集合中训练数据均包括围护结构记录数据、室外温度记录数据和室外风速记录数据，将训练数据集中每一组训练数据输入所述室内温度评估模型，将所述室内集中评价温度值作为监督数据进行室内温度评估模型输出室内温度参数的输出监督调整。所述室内温度评估模型训练好之后，将围护结构参数、室外温度参数和室外风速参数输入所述室内温度评估模型，输出室内温度参数。通过构建室内温度评估模型，可以不用检测直接获取室内温度参数提高了室内平均温度检测的效率。

步骤S160：根据所述室内温度参数和目标温度参数，计算所述显热负荷。

具体而言，所述显热负荷是指降低空气温度所需要处理的负荷，所述潜热负荷是指降低空气湿度所需要处理的负荷。所述围护参数包括室内门窗及通风口的数量、面积、位置等，所述敞开水池几何参数是指所述敞开水池内水的体积，所述地面积水几何参数是指地面积水的表面积。构建室内湿度评估模型，将室外风速参数、围护结构参数、人员数量参数、敞开水池几何参数和地面积水几何参数输入所述室内湿度评估模型进行评估，生成相对湿度参数，所述相对湿度参数是指室内空气中水蒸气的平均含量。获得目标相对湿度参数，通过计算所述相对湿度参数与所述目标相对湿度参数之间的差值，得到潜热负荷即相对湿度差值。构建室内温度评估模型，将述围护结构参数、室外温度参数和室外风速参数输入所述室内温度评估模型进行评估，生成室内温度参数，所述室内温度参数是指室内的平均温度。获得目标温度参数，通过计算所述室内温度参数与所述目标温度参数之间的差值，得到显热负荷即温度差值。通过生成潜热负荷与显热负荷，为下一步通过能量表定标匹配特征值提供了数据支持。

步骤S200：将所述潜热负荷和所述显热负荷输入能量标定表，匹配潜热特征值和显热特征值；

具体而言，建立能量标定表，所述能量标定表是指基于大数据构建的，采集多家空调控制研究企业的数据，包括负荷-能量这样的多组数据周期性更新标定表，实现特征值标定。将所述潜热负荷和所述显热负荷输入能量标定表，匹配相对应的潜热特征值和显热特征值。所述潜热特征值是指处理潜热负荷所需要的能量，所述显热特征值是指处理显热负荷所需要的能量。通过建立能量标定表匹配潜热特征值和显热特征值，为后续对控制参数进行优化提供了支持。

步骤S300：根据空调机组除湿控制模块，获取潜热控制参数和潜热控制目标温度；

具体而言，所述潜热控制参数包括冷冻水温度、冷冻水流量时序数据、空调风机转速、转轮除湿、溶液除湿参数。获得室内露点温度，所述室内露点温度是指室内空气中的水蒸气结露时的温度，当空调室内机出风口表面温度低于附近空气露点温度时，就会出现内机出风口漏水问题，空调系统主要是通过控制露点温度的方法来控制室内的相对湿度，所述潜热控制目标温度小于露点温度。通过获得潜热控制参数和潜热控制目标温度，为后续对潜热控制参数进行优化提供了数据支持。

步骤S400：根据空调机组降温控制模块，获取显热控制参数和显热控制目标温度；

具体而言，所述显热控制参数包括冷冻水温度、冷冻水流量时序数据、空调风机转速。所述显热控制目标温度是指通过空调处理需要调节到的室内目标温度。通过获得显热控制参数和显热控制目标温度，为后续对显热控制参数进行优化提供了数据支持。

步骤S500：根据所述潜热特征值、初始室内温度和所述潜热控制目标温度对所述潜热控制参数进行优化，生成潜热控制参数优化结果；

在一个实施例中，本申请步骤S500还包括：

步骤S510：根据所述潜热特征值、所述初始室内温度和所述潜热控制目标温度，基于大数据采集第一时间粒度内的控制参数粒子群，其中，任意一个粒子对应于一组控制参数，且任意一个粒子包括频率特征值和除湿时长特征值；

步骤S520：根据期望除湿时长区间和期望选用频率区间，遍历所述频率特征值和所述除湿时长特征值，对所述控制参数粒子群进行筛选，构建粒子群优化空间；

步骤S530：基于所述粒子群优化空间对所述潜热控制参数进行优化，生成所述潜热控制参数优化结果。

具体而言，根据潜热特征值、初始室内温度和潜热控制目标温度，以大数据为依据采集第一时间单位中的控制参数粒子群，即影响较大的控制参数粒子，其中，任意一个粒子对应一组控制参数，且每一个粒子都包含频率特征值和除湿时长特征值。设置期望除湿时长区间和期望选用频率区间，通过遍历所述控制参数粒子的频率特征值和除湿时长特征值，对所述控制参数粒子群进行筛选，选取同时符合期望除湿时长区间和期望选用频率区间的控制参数粒子构建粒子群优化空间，同时构建特征融合公式：

，其中，

表示第j个控制参数粒子适应度，

表示第j个控制参数粒子，

表示第j个控制参数粒子的频率特征值，

表示第j个控制参数粒子的除湿时长特征值，

表示频率特征值的权重参数，

表示除湿时长的权重参数，j-1第j-1个控制参数粒子，比较

与

的大小，选择适应度大的结果进行保留，直到j大于或等于预设迭代次数，收敛，输出优化结果，作为潜热控制参数优化结果。通过构建特征融合公式，相比构建神经网络模型而言，可以减少模型训练时长，快速达到收敛状态，提高优化效率。

步骤S600：根据所述显热特征值、所述潜热控制目标温度和所述显热控制目标温度对所述显热控制参数进行优化，生成显热控制参数优化结果；

具体而言，首先，基于潜热控制目标温度和显热目标温度对显热负荷进行调整，将调整之后的显热负荷输入能量标定表匹配显热特征值，然后再对所述显热控制参数进行优化，优化过程和潜热的控制参数优化完全相同。

步骤S700：根据所述潜热控制参数优化结果控制空调机组进行除湿，满足第一预设条件后，根据所述显热控制参数优化结果控制所述空调机组进行降温。

在一个实施例中，本申请步骤S700还包括：

步骤S710：当所述潜热控制参数优化结果控制空调机组进行除湿满足所述潜热控制目标温度时，开始计时，生成除湿计时结果；

步骤S720：当所述除湿计时结果满足除湿预设时长，根据所述显热控制参数优化结果控制所述空调机组进行降温。

具体而言，首先，根据潜热控制参数优化结果控制空调机组进行除湿，当室内温度满足所述潜热控制目标温度时，开始计时，生成除湿计时结果。获得除湿预设时长，所述除湿预设时长是指空调处理潜热负荷所需要的时间，当所述除湿计时结果满足除湿预设时长时，再根据所述显热控制参数优化结果控制所述空调机组进行降温。通过控制空调机组进行先除湿，再降温，可以提高空调的工作效率，降低能耗。

在一个实施例中，如图3所示提供了一种基于空调机组数据处理的干湿负荷调控系统，包括：负荷分析模块1、特征值匹配模块2、潜热信息获取模块3、显热信息获取模块4、潜热参数优化模块5、显热参数优化模块6、空调控制模块7，其中：

负荷分析模块1，所述负荷分析模块1用于采集室内状态参数和室外状态参数进行负荷分析，生成潜热负荷与显热负荷；

特征值匹配模块2，所述特征值匹配模块2用于将所述潜热负荷和所述显热负荷输入能量标定表，匹配潜热特征值和显热特征值；

潜热信息获取模块3，所述潜热信息获取模块3用于根据空调机组除湿控制模块，获取潜热控制参数和潜热控制目标温度；

显热信息获取模块4，所述显热信息获取模块4用于根据空调机组降温控制模块，获取显热控制参数和显热控制目标温度；

潜热参数优化模块5，所述潜热参数优化模块5用于根据所述潜热特征值、初始室内温度和所述潜热控制目标温度对所述潜热控制参数进行优化，生成潜热控制参数优化结果；

显热参数优化模块6，所述显热参数优化模块6用于根据所述显热特征值、所述潜热控制目标温度和所述显热控制目标温度对所述显热控制参数进行优化，生成显热控制参数优化结果；

空调控制模块7，所述空调控制模块7用于根据所述潜热控制参数优化结果控制空调机组进行除湿，满足第一预设条件后，根据所述显热控制参数优化结果控制所述空调机组进行降温。

在一个实施例中，所述系统还包括：

室内状态参数模块，所述室内装状态参数模块是指所述室内状态参数包括围护结构参数、人员数量参数、敞开水池几何参数和地面积水几何参数；

室外状态参数模块，所述室外状态参数模块是指所述室外状态参数包括室外温度参数和室外风速参数；

室内湿度评估模块，所述室内湿度评估模块用于根据所述室外风速参数、所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数进行室内湿度评估，生成相对湿度参数；

潜热负荷计算模块，所述潜热负荷计算模块用于根据所述相对湿度参数和目标相对湿度参数，计算所述潜热负荷；

室内温度评估模块，所述室内温度评估模块用于根据所述围护结构参数、所述室外温度参数和所述室外风速参数进行室内温度评估，生成室内温度参数；

显热负荷计算模块，所述显热负荷计算模块用于根据所述室内温度参数和目标温度参数，计算所述显热负荷。

在一个实施例中，所述系统还包括：

湿度检测数据采集模块，所述湿度检测数据采集模块用于采集湿度检测记录数据，其中，所述湿度检测记录数据包括室外风速记录数据、围护结构记录数据、人员数量记录数据、敞开水池几何记录数据、地面积水几何记录数据和多位置相对湿度检测结果；

集中分布模块，所述集中分布模块用于对所述多位置相对湿度检测结果进行集中分布，生成集中评价相对湿度值；

室内湿度评估模型训练模块，所述室内湿度评估模型训练模块用于将所述室外风速记录数据、所述围护结构记录数据、所述人员数量记录数据、所述敞开水池几何记录数据和所述地面积水几何记录数据作为输入数据，将所述集中评价相对湿度值作为输出偏差评价数据，训练室内湿度评估模型；

相对湿度参数输出模块，所述相对湿度参数输出模块用于将所述室外风速参数、所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数输入所述室内湿度评估模型，输出所述相对湿度参数。

在一个实施例中，所述系统还包括：

相对湿度偏差计算模块，所述相对湿度偏差计算模块用于根据所述多位置相对湿度检测结果，获取第k位置相对湿度检测结果和第k+1位置相对湿度检测结果，计算第k相对湿度偏差，其中，第k位置和第k+1位置相邻；

特征值更新模块，所述特征值更新模块用于当所述第k相对湿度偏差小于或等于相对湿度偏差阈值，将所述第k位置相对湿度检测结果和所述第k位置湿度检测结果添加进相对湿度第k聚类结果，根据湿度特征值评估公式对所述相对湿度第k聚类结果进行特征值更新，其中，所述湿度特征值评估公式为：

其中，

为相对湿度第k聚类结果更新后的相对湿度特征值，

表征相对湿度第k聚类结果为添加第k+1位置湿度检测结果之前已聚类的检测结果总数量，

表征第k+1位置湿度检测结果，

表征第k位置相对湿度检测结果，

表征第k+1位置湿度检测结果对应的聚类的检测结果总数量；

重复聚类模块，所述重复聚类模块用于重复聚类，生成相邻区域相对湿度偏差大于所述相对湿度偏差阈值的多个相对湿度聚类结果；

集中评价公式获取模块，所述集中评价公式获取模块用于获取集中值评价公式：

，其中，RH为集中评价相对湿度值，I表征聚类总数量，

表征第i个聚类中检测结果总数量，

表征第i个聚类相对湿度特征值；

集中评价模块，所述集中评价模块用于根据所述集中值评价公式对所述多个相对湿度聚类结果进行集中评价，生成所述集中评价相对湿度值。

在一个实施例中，所述系统还包括：

温度检测数据采集模块，所述温度检测数据采集模块用于采集温度检测记录数据，其中，所述温度检测记录数据包括围护结构记录数据、室外温度记录数据、室外风速记录数据和多位置室内温度检测结果；

室内集中评价温度值生成模块，所述室内集中评价温度值生成模块用于对所述多位置室内温度检测结果进行集中分布，生成室内集中评价温度值；

室内温度评估模型训练模块，所述室内温度评估模型训练模块用于将所述围护结构记录数据、所述室外温度记录数据和所述室外风速记录数据作为输入数据，将所述室内集中评价温度值作为输出偏差评价数据，训练室内温度评估模型；

室内温度参数输出模块，所述室内温度参数输出模块用于将所述围护结构参数、所述室外温度参数和所述室外风速参数输入所述室内温度评估模型，输出所述室内温度参数。

在一个实施例中，所述系统还包括：

粒子群采集模块，所述粒子群采集模块用于根据所述潜热特征值、所述初始室内温度和所述潜热控制目标温度，基于大数据采集第一时间粒度内的控制参数粒子群，其中，任意一个粒子对应于一组控制参数，且任意一个粒子包括频率特征值和除湿时长特征值；

粒子群筛选模块，所述粒子群筛选模块用于根据期望除湿时长区间和期望选用频率区间，遍历所述频率特征值和所述除湿时长特征值，对所述控制参数粒子群进行筛选，构建粒子群优化空间；

潜热控制参数优化模块，所述潜热控制参数优化模块用于基于所述粒子群优化空间对所述潜热控制参数进行优化，生成所述潜热控制参数优化结果。

在一个实施例中，所述系统还包括：

除湿计时结果生成模块，所述除湿计时结果生成模块用于当所述潜热控制参数优化结果控制空调机组进行除湿满足所述潜热控制目标温度时，开始计时，生成除湿计时结果；

空调降温模块，所述空调降温模块用于当所述除湿计时结果满足除湿预设时长，根据所述显热控制参数优化结果控制所述空调机组进行降温。

综上所述，本申请提供了一种不锈钢链条产品质量检验方法及系统，具有以下技术效果：

1.通过对潜热控制参数和显热控制参数进行优化，同时生成预设除湿时长，根据潜热控制参数优化结果控制空调机组进行除湿，满足预设除湿时长后再根据显热控制参数优化结果控制所述空调机组进行降温，可以提高干湿负荷调控的智能化水平，从而提高空调的工作效率，降低能耗。

2.通过构建室内湿度评估模型和室内温度评估模型，可以不用检测直接获取相对湿度参数和室内温度参数，很大程度上提高了室内平均湿度和室内平均温度检测的效率。

3.通过对多个位置相对湿度检测结果和室内温度检测结果进行聚类分析，可以对数据进行压缩，同时保留包含不同特征值的聚类结果，通过对多个相对湿度聚类结果进行集中评价，可以更加整体、平均的获得室内相对湿度值和室内平均温度。

4.通过构建特征融合公式，相比构建神经网络模型而言，可以减少模型训练时长，快速达到收敛状态，提高优化效率。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于空调机组数据处理的干湿负荷调控方法，其特征在于，应用于干湿负荷调控系统，包括：

采集室内状态参数和室外状态参数进行负荷分析，生成潜热负荷与显热负荷；

将所述潜热负荷和所述显热负荷输入能量标定表，匹配潜热特征值和显热特征值；

根据空调机组除湿控制模块，获取潜热控制参数和潜热控制目标温度；

根据空调机组降温控制模块，获取显热控制参数和显热控制目标温度；

根据所述潜热特征值、初始室内温度和所述潜热控制目标温度对所述潜热控制参数进行优化，生成潜热控制参数优化结果；

根据所述显热特征值、所述潜热控制目标温度和所述显热控制目标温度对所述显热控制参数进行优化，生成显热控制参数优化结果；

根据所述潜热控制参数优化结果控制空调机组进行除湿，满足第一预设条件后，根据所述显热控制参数优化结果控制所述空调机组进行降温；

其中，所述根据所述潜热特征值、初始室内温度和所述潜热控制目标温度对所述潜热控制参数进行优化，生成潜热控制参数优化结果，包括：

根据所述潜热特征值、所述初始室内温度和所述潜热控制目标温度，基于大数据采集第一时间粒度内的控制参数粒子群，其中，任意一个粒子对应于一组控制参数，且任意一个粒子包括频率特征值和除湿时长特征值；

根据期望除湿时长区间和期望选用频率区间，遍历所述频率特征值和所述除湿时长特征值，对所述控制参数粒子群进行筛选，构建粒子群优化空间；

基于所述粒子群优化空间对所述潜热控制参数进行优化，生成所述潜热控制参数优化结果。

2.如权利要求1所述的一种基于空调机组数据处理的干湿负荷调控方法，其特征在于，所述采集室内状态参数和室外状态参数进行负荷分析，生成潜热负荷与显热负荷，包括：

所述室内状态参数包括围护结构参数、人员数量参数、敞开水池几何参数和地面积水几何参数；

所述室外状态参数包括室外温度参数和室外风速参数；

根据所述室外风速参数、所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数进行室内湿度评估，生成相对湿度参数；

根据所述相对湿度参数和目标相对湿度参数，计算所述潜热负荷；

根据所述围护结构参数、所述室外温度参数和所述室外风速参数进行室内温度评估，生成室内温度参数；

根据所述室内温度参数和目标温度参数，计算所述显热负荷。

3.如权利要求2所述的一种基于空调机组数据处理的干湿负荷调控方法，其特征在于，所述根据所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数进行室内湿度评估，生成相对湿度参数，包括：

采集湿度检测记录数据，其中，所述湿度检测记录数据包括室外风速记录数据、围护结构记录数据、人员数量记录数据、敞开水池几何记录数据、地面积水几何记录数据和多位置相对湿度检测结果；

对所述多位置相对湿度检测结果进行集中分布，生成集中评价相对湿度值；

将所述室外风速记录数据、所述围护结构记录数据、所述人员数量记录数据、所述敞开水池几何记录数据和所述地面积水几何记录数据作为输入数据，将所述集中评价相对湿度值作为输出偏差评价数据，训练室内湿度评估模型；

将所述室外风速参数、所述围护结构参数、所述人员数量参数、所述敞开水池几何参数和所述地面积水几何参数输入所述室内湿度评估模型，输出所述相对湿度参数。

4.如权利要求3所述的一种基于空调机组数据处理的干湿负荷调控方法，其特征在于，所述对所述多位置相对湿度检测结果进行集中分布，生成集中评价相对湿度值，包括：

根据所述多位置相对湿度检测结果，获取第k位置相对湿度检测结果和第k+1位置相对湿度检测结果，计算第k相对湿度偏差，其中，第k位置和第k+1位置相邻；

当所述第k相对湿度偏差小于或等于相对湿度偏差阈值，将所述第k位置相对湿度检测结果和所述第k位置湿度检测结果添加进相对湿度第k聚类结果，根据湿度特征值评估公式对所述相对湿度第k聚类结果进行特征值更新，其中，所述湿度特征值评估公式为：

，

其中，

为相对湿度第k聚类结果更新后的相对湿度特征值，

表征相对湿度第k聚类结果为添加第k+1位置湿度检测结果之前已聚类的检测结果总数量，

表征第k+1位置湿度检测结果，

表征第k位置相对湿度检测结果，

表征第k+1位置湿度检测结果对应的聚类的检测结果总数量；

重复聚类，生成相邻区域相对湿度偏差大于所述相对湿度偏差阈值的多个相对湿度聚类结果；

获取集中值评价公式：

，

其中，RH为集中评价相对湿度值，I表征聚类总数量，

表征第i个聚类中检测结果总数量，

表征第i个聚类相对湿度特征值；

根据所述集中值评价公式对所述多个相对湿度聚类结果进行集中评价，生成所述集中评价相对湿度值。

5.如权利要求2所述的一种基于空调机组数据处理的干湿负荷调控方法，其特征在于，所述根据所述围护结构参数、所述室外温度参数和所述室外风速参数进行室内温度评估，生成室内温度参数，包括：

采集温度检测记录数据，其中，所述温度检测记录数据包括围护结构记录数据、室外温度记录数据、室外风速记录数据和多位置室内温度检测结果；

对所述多位置室内温度检测结果进行集中分布，生成室内集中评价温度值；

将所述围护结构记录数据、所述室外温度记录数据和所述室外风速记录数据作为输入数据，将所述室内集中评价温度值作为输出偏差评价数据，训练室内温度评估模型；

将所述围护结构参数、所述室外温度参数和所述室外风速参数输入所述室内温度评估模型，输出所述室内温度参数。

6.如权利要求1所述的一种基于空调机组数据处理的干湿负荷调控方法，其特征在于，所述根据所述潜热控制参数优化结果控制空调机组进行除湿满足第一预设条件后，根据所述显热控制参数优化结果控制所述空调机组进行降温，包括：

当所述潜热控制参数优化结果控制空调机组进行除湿满足所述潜热控制目标温度时，开始计时，生成除湿计时结果；

当所述除湿计时结果满足除湿预设时长，根据所述显热控制参数优化结果控制所述空调机组进行降温。

7.一种基于空调机组数据处理的干湿负荷调控系统，其特征在于，包括：

负荷分析模块，所述负荷分析模块用于采集室内状态参数和室外状态参数进行负荷分析，生成潜热负荷与显热负荷；

特征值匹配模块，所述特征值匹配模块用于将所述潜热负荷和所述显热负荷输入能量标定表，匹配潜热特征值和显热特征值；

潜热信息获取模块，所述潜热信息获取模块用于根据空调机组除湿控制模块，获取潜热控制参数和潜热控制目标温度；

显热信息获取模块，所述显热信息获取模块用于根据空调机组降温控制模块，获取显热控制参数和显热控制目标温度；

潜热参数优化模块，所述潜热参数优化模块用于根据所述潜热特征值、初始室内温度和所述潜热控制目标温度对所述潜热控制参数进行优化，生成潜热控制参数优化结果；

显热参数优化模块，所述显热参数优化模块用于根据所述显热特征值、所述潜热控制目标温度和所述显热控制目标温度对所述显热控制参数进行优化，生成显热控制参数优化结果；

空调控制模块，所述空调控制模块用于根据所述潜热控制参数优化结果控制空调机组进行除湿，满足第一预设条件后，根据所述显热控制参数优化结果控制所述空调机组进行降温；

粒子群采集模块，所述粒子群采集模块用于根据所述潜热特征值、所述初始室内温度和所述潜热控制目标温度，基于大数据采集第一时间粒度内的控制参数粒子群，其中，任意一个粒子对应于一组控制参数，且任意一个粒子包括频率特征值和除湿时长特征值；

粒子群筛选模块，所述粒子群筛选模块用于根据期望除湿时长区间和期望选用频率区间，遍历所述频率特征值和所述除湿时长特征值，对所述控制参数粒子群进行筛选，构建粒子群优化空间；

潜热控制参数优化模块，所述潜热控制参数优化模块用于基于所述粒子群优化空间对所述潜热控制参数进行优化，生成所述潜热控制参数优化结果。

Images