CN115930376A - 一种空调控制算法评估方法、装置、设备及存储介质 - Google Patents

一种空调控制算法评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115930376A
CN115930376A CN202211379428.2A CN202211379428A CN115930376A CN 115930376 A CN115930376 A CN 115930376A CN 202211379428 A CN202211379428 A CN 202211379428A CN 115930376 A CN115930376 A CN 115930376A
Authority
CN
China
Prior art keywords
time step
simulation
air conditioner
data
air conditioning
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
Application number
CN202211379428.2A
Other languages
English (en)
Other versions
CN115930376B (zh
Inventor
陈峥
韩星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PCI Technology Group Co Ltd
PCI Technology and Service Co Ltd
Original Assignee
PCI Technology Group Co Ltd
PCI Technology and Service Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PCI Technology Group Co Ltd, PCI Technology and Service Co Ltd filed Critical PCI Technology Group Co Ltd
Priority to PCT/CN2022/137863 priority Critical patent/WO2024073937A1/zh
Publication of CN115930376A publication Critical patent/CN115930376A/zh
Application granted granted Critical
Publication of CN115930376B publication Critical patent/CN115930376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F24F2110/22—Humidity of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/64—Airborne particle content
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/20—Sunlight
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请实施例公开了一种空调控制算法评估方法、装置、设备及存储介质在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，第一数据包括当前时间步长的实际空调运行参数、天气信息、室内环境状态、室内人数信息、空调能耗值和空调冷量输出值至少一个；根据预设的多个备选控制算法将第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果；在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标；根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果，能够解决现有空调控制算法评估结果不准确的问题，提升空调控制算法评估结果准确性。

Description

一种空调控制算法评估方法、装置、设备及存储介质
技术领域
本申请实施例涉及空调系统控制技术领域，尤其涉及一种空调控制算法评估方法、装置、设备及存储介质。
背景技术
随着社会经济的发展，建筑的能耗逐年增加，已经占到全球的能源需求的四成左右。就我国而言，建筑能耗占全社会能耗的三成以上，同时，空调和供暖系统约占建筑总能耗的一半，并且，近些年来所占比例不断增加，而公共建筑的节能达标率不足一成，因此如何降低空调系统耗能是建筑节能的首要任务。
一般空调系统是通过采用更加节能的新控制算法和/或模型来控制空调运行，以实现降低空调系统的耗能，但是往往无法准确评估采用的新控制算法和/或模型是否能够达到预期的更加节能的效果。以往，衡量新旧控制算法和/或模型的节能效果的优劣，一般是采用新/旧控制算法和/或模型分别实际运行一段时间后，对新/旧控制算法和/或模型的节能效果进行对比，从而评估出新/旧控制算法和/或模型的节能效果的优劣。
基于新/旧控制算法和/或模型在不同的时间段运行，所以各自运行时间内的运行条件不可能保持一致，因而无法保证对比的公平性。而且，对比时间段覆盖的运行工况有限，对比也不全面。因此，这种根据新/旧控制算法和/或模型的实际运行结果进行节能效果优劣的评估的方式，评估结果并不准确。
发明内容
本申请实施例提供一种空调控制算法评估方法、装置、设备及存储介质，能够解决现有空调控制算法评估结果不准确的问题，提升空调控制算法评估结果准确性。
在第一方面，本申请实施例提供了一种空调控制算法评估方法，包括：
在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，所述第一数据包括当前时间步长的实际空调运行参数、天气信息、室内环境状态、室内人数信息、空调能耗值和空调冷量输出值至少一个；
根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，所述第一仿真结果包括第一仿真室内环境状态、第一仿真空调系统能耗和第一仿真空调冷量输出；
在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期；
根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果。
进一步的，所述多个备选控制算法包括多个基准控制算法；
所述根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，包括：
将当前时间步长的第一数据中的室内环境状态、天气信息、室内人数信息以及上一时间步长的仿真得到的仿真空调运行参数、仿真空调能耗值和仿真空调冷量输出值输入预设的多个基准控制算法中，输出多个当前时间步长的仿真空调运行参数；
将所述多个当前时间步长的仿真空调运行参数和对应的第一数据中的天气信息、室内人数信息以及上一时间步长仿真得到的仿真室内环境状态输入所述系统模型中进行仿真处理，输出多个当前时间步长的仿真结果，所述仿真结果包括仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值。
进一步的，所述多个备选控制算法还包括实际运行算法；
所述根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，包括：
将当前时间步长的第一数据中的实际空调运行参数、室内环境状态、天气信息、室内人数信息输入所述系统模型中进行仿真处理，输出校核结果，所述校核结果包括校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值。
进一步的，所述在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，包括：
在每一周期结束时，根据当前周期累积的所述仿真结果，计算当前当前周期各个基准控制算法对应的第一性能指标，所述第一性能指标为仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值的函数；
在每一周期结束时，根据当前周期累积的所述校核结果，计算当前周期实际运行算法对应的的第二性能指标，所述第二性能指标为校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值的函数；
在每一周期结束时，根据当前周期累计的第一数据，计算当前周期实际运行算法对应的第三性能指标，所述第三性能指标为实际运行获取到的室内环境状态、空调系统能耗值和空调冷量输出值的函数。
进一步的，所述根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果，包括：
将所述第一性能指标与所述第二性能指标、所述第三性能指标比较，得到当前周期各备选控制算法的评估结果。
进一步的，所述系统模型包括空调系统模型和空间传热模型；
所述空调系统的输入包括空调运行参数、天气信息以及上一时间步长的室内环境状态，其中天气信息包括室外温度、室外湿度和太阳辐射强度，所述室内环境状态包括室内温度和室内湿度；
所述空调系统的输出包括空调系统能耗值和空调冷量输出值；
所述空间传热模型的输入包括天气信息、上一时间步长的室内环境状态、室内人数信息和空调冷量输出量；
所述空间传热模型的输出包括室内环境状态。
进一步的，所述空调系统模型表示为：
(P(t),Q(t))＝μθ(u(t),xr(t-1),xa(t))，其中μθ代表神经网络，θ代表所述神经网络的模型参数集，P(t)代表第t个时间步长的空调系统能耗值，Q(t)代表第t个时间步长的空调冷量输出值，u(t)代表第t个时间步长的空调运行参数，xr(t-1)代表第t-1个时间步长的室内环境状态，xa(t)代表第t个时间步长的天气信息。
进一步的，所述空间传热模型表示为：
xr(t)＝H(t)·k(t)，其中xr(t)代表第t个时间步长的各室内区域的室内环境状态依次排列而成的列向量，H(t)代表包含天气信息、空调冷量输出值以及室内人数信息的内容的矩阵，k(t)代表空间传热模型的模型参数，H(t)表示为：
Figure BDA0003927697860000041
Figure BDA0003927697860000042
代表xr(t)的转置，Np(t)代表各室内区域的室内人数信息。
进一步，所述在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，包括：
在每一时间步长结束时，根据对应时间步长的第一数据对所述空间传热模型进行模型参数更新处理，确定第一参数；
在预设周期结束时，根据所述周期内所有时间步长的第一数据对所述空调系统模型进行模型参数更新处理，确定第二参数，多个时间步长组成一个周期；
根据第一参数和/或第二参数确定更新后的系统模型。
在第二方面，本申请实施例提供了一种空调系统控制装置，包括：
参数更新单元，用于在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，所述第一数据包括当前时间步长的实际空调运行参数、天气信息、室内环境状态、室内人数信息、空调能耗值和空调冷量输出值至少一个；
仿真单元，用于根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，所述第一仿真结果包括第一仿真室内环境状态、第一仿真空调系统能耗和第一仿真空调冷量输出；
性能指标计算单元，用于在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期；
评估单元，用于根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果
进一步的，所述多个备选控制算法包括多个基准控制算法；
所述仿真单元，还用于将当前时间步长的第一数据中的室内环境状态、天气信息、室内人数信息以及上一时间步长的仿真得到的仿真空调运行参数、仿真空调能耗值和仿真空调冷量输出值输入预设的多个基准控制算法中，输出多个当前时间步长的仿真空调运行参数；
将所述多个当前时间步长的仿真空调运行参数和对应的第一数据中的天气信息、室内人数信息以及上一时间步长仿真得到的仿真室内环境状态输入所述系统模型中进行仿真处理，输出多个当前时间步长的仿真结果，所述仿真结果包括仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值。
进一步的，所述多个备选控制算法还包括实际运行算法；
所述仿真单元，还用于将当前时间步长的第一数据中的实际空调运行参数、环境状态、天气信息、室内人数信息输入所述系统模型中进行仿真处理，输出校核结果，所述校核结果包括校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值。
进一步的，所述性能指标计算单元，还用于在每一周期结束时，根据当前周期累积的所述仿真结果，计算当前当前周期各个基准控制算法对应的第一性能指标，所述第一性能指标为仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值的函数；
在每一周期结束时，根据当前周期累积的所述校核结果，计算当前周期实际运行算法对应的的第二性能指标，所述第二性能指标为校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值的函数；
在每一周期结束时，根据当前周期累计的第一数据，计算当前周期实际运行算法对应的第三性能指标，所述第三性能指标为实际运行获取到的室内环境状态、空调系统能耗值和空调冷量输出值的函数。
进一步的，所述评估单元，还用于将所述第一性能指标与所述第二性能指标、所述第三性能指标比较，得到当前周期各备选控制算法的评估结果。
进一步的，所述系统模型包括空调系统模型和空间传热模型；
所述空调系统的输入包括空调运行参数、天气信息以及上一时间步长的室内环境状态，其中天气信息包括室外温度、室外湿度和太阳辐射强度，所述室内环境状态包括室内温度和室内湿度；
所述空调系统的输出包括空调系统能耗值和空调冷量输出值；
所述空间传热模型的输入包括天气信息、上一时间步长的室内环境状态、室内人数信息和空调冷量输出值；
所述空间传热模型的输出包括下一时间步长的室内环境状态。
进一步的，所述空调系统模型表示为：
(P(t),Q(t))＝μθ(u(t),xr(t-1),xa(t))，其中μθ代表神经网络，θ代表所述神经网络的模型参数集，P(t)代表第t个时间步长的空调系统能耗值，Q(t)代表第t个时间步长的空调冷量输出值，u(t)代表第t个时间步长的空调运行参数，xr(t-1)代表第t-1个时间步长的室内环境状态，xa(t)代表第t个时间步长的天气信息。
进一步的，所述空间传热模型表示为：
xr(t)＝H(t)·k(t)，其中xr(t)代表第t个时间步长的各室内区域的室内环境状态依次排列而成的列向量，H(t)代表包含天气信息、空调冷量输出值以及室内人数信息的内容的矩阵，k(t)代表空间传热模型的模型参数，H(t)表示为：
Figure BDA0003927697860000061
Figure BDA0003927697860000062
代表xr(t)的转置，Np(t)代表各室内区域的室内人数信息。
进一步的，所述参数更新单元，还用于在每一时间步长结束时，根据对应时间步长的第一数据对所述空间传热模型进行模型参数更新处理，确定第一参数；
在预设周期结束时，根据所述周期内所有时间步长的第一数据对所述空调系统模型进行模型参数更新处理，确定第二参数，多个时间步长组成一个周期；
根据第一参数和/或第二参数确定更新后的系统模型。
在第三方面，本申请实施例提供了一种空调系统控制设备，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的空调控制算法评估方法。
在第四方面，本申请实施例提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的空调控制算法评估方法。
本申请实施例通过在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期；根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果。采用上述技术手段，可以通过对预设的备选控制算法进行仿真处理，计算出当前周期各备选控制算法对应的性能指标，根据性能指标对各备选控制算法进行评估得到评估结果，使得在评估时，各备选控制算法均在相同的运行时间和运行工况下进行，评估更加公平和全面，从而提升空调控制算法评估结果的准确性。此外，通过仿真处理进行空调控制算法的评估，避免待评估的备选控制算法进行实际运行后评估所导致的资源浪费，从而提升空调系统节能效果。
附图说明
图1是本申请实施例提供的一种空调控制算法评估方法的流程图；
图2是本申请实施例提供的一种系统模型结构示意图；
图3是本申请实施例提供的一种性能指标与备选控制算法关系示意图；
图4是本申请实施例提供的一种空调系统控制装置的结构示意图；
图5是本申请实施例提供的一种空调系统控制设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请提供的空调控制算法评估方法、装置、设备及存储介质，旨在进行空调控制算法评估时，通过对预设的备选控制算法进行仿真处理，计算出当前周期各备选控制算法对应的性能指标，根据性能指标对各备选控制算法进行评估得到评估结果，使得在评估时，各备选控制算法均在相同的运行时间和运行工况下进行，评估更加公平和全面，从而提升空调控制算法评估结果的准确性。此外，通过仿真处理进行空调控制算法的评估，避免待评估的备选控制算法进行实际运行后评估所导致的资源浪费，从而提升空调系统节能效果。相对于传统的空调控制算法评估的方式，其通常会将各待评估的控制算法各自运行一段时间后再进行性能评估，这种方式各待评估的控制算法的运行时间不同，且运行时间内的工况也不相同，因此得到评估指标缺乏公平性和全面性，评估结果并不真实可靠，评估结果准确性低。基于此，提供本申请实施例的空调控制算法评估方法，以解决现有空调控制算法评估结果准确性低的问题。
图1给出了本申请实施例提供的一种空调控制算法评估方法的流程图，本实施例中提供的空调控制算法评估方法可以由空调系统控制设备执行，该空调系统控制设备可以通过软件和/或硬件的方式实现，该空调系统控制设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该空调系统控制设备可以是空调系统的上位机，如计算机设备等。
下述以计算机设备为执行空调控制算法评估方法的主体为例，进行描述。
参照图1，该空调控制算法评估方法具体包括：
S101、在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，所述第一数据包括当前时间步长的实际空调运行参数、天气信息、室内环境状态、室内人数信息、空调能耗值和空调冷量输出值至少一个。
在空调控制算法评估的过程中，需要获取对应的空调运行数据以及环境数据等数据，以参考数据为依据进行对应的空调控制算法进行评估。在获取数据时，可以根据时间步长和/或周期进行获取，以便对数据进行阶段性的统计和处理。因此，可以在进行评估之前，预设时间步长，多个时间步长组成一个周期，具体的时间步长设置可以根据实际情况设定，一般将时间步长设置为与控制算法的时间步长保持一致。
按时间步长获取第一数据，第一数据包括空调运行参数、天气信息、室内环境状态、室内人数信息、空调能耗值和空调冷量输出值。其中，空调运行参数的具体内容取决于空调系统的类型和配置，例如以水冷中央空调为例，空调运行参数包括冷机出水温度、冷冻水流量和各风机风量等。可以通过空调系统对应的各设备通信获取对应的上一时间步长内的空调运行参数、空调冷量输出值以及空调能耗值。天气信息包括室外温度、室外湿度和太阳辐射强度等，可以通过室外传感器和/或互联网通信获取当前时间步长内的天气信息。室内环境状态包括室内温度和室内湿度等，可以通过室内的温湿度传感器获取对应的时间步长内的室内温度和室内湿度等室内环境状态。室内人数信息包括室内人的数量信息，可以通过对应门禁、闸机和/或监控系统获取当前时间步长内的室内人数信息。
通过按时间步长获取第一数据，可以将第一数据进行阶段性的区分，有助于第一数据作为参考数据按时间步长进行对应的处理，可以提高数据处理的有序性和数据处理效率。
考虑到空调系统容易受天气、季节更替以及室内人员密集程度等条件的影响，因此，在每一次评估之前都需要对系统模型进行模型参数的更新，以使系统模型根据实际的环境情况和室内人员密集程度情况进行适应性调整。因而，在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，更新完成后才进行后续的评估。通过在每一时间步长结束时，进行模型参数的更新，根据更新后的系统模型进行仿真评估，使得仿真结果更加准确，从而提升最终评估结果的准确性。
图2是本申请实施例提供的一种系统模型结构示意图，参照图2，系统模型包括空调系统模型10和空间传热模型20。空调系统模型10的输入包括空调运行参数、天气信息以及上一时间步长的室内环境状态，其中天气信息包括室外温度、室外湿度和太阳辐射强度，室内环境状态包括室内温度和室内湿度。空调系统模型10的输出包括空调系统能耗值和空调冷量输出值。空间传热模型20的输入包括天气信息、上一时间步长的室内环境状态、室内人数信息和空调冷量输出值。空间传热模型20的输出包括室内环境状态。
在一实施例中，空间系统模型表示为
(P(t),Q(t))＝μθ(u(t),xr(t-1),xa(t))，其中μθ代表神经网络，其网络结构包括层数、每层节点数和激活函数类型等，这些网络结构可以通过人为预设设定。θ代表所述神经网络的模型参数集，P(t)代表第t个时间步长的空调系统能耗值，Q(t)代表第t个时间步长的空调冷量输出值，空调冷量输出值根据控制需求可包括冷机制冷量、各空调出风口的显热冷量输出和潜热冷量输出等。u(t)代表第t个时间步长的空调运行参数，该空调运行参数的具体内容取决于空调系统类型和配置，以水冷中央空调系统为例，u(t)可包括冷机出水温度、冷冻水流量和各风机风量等。xr(t-1)代表第t-1个时间步长的室内环境状态，根据控制需求室内环境状态可包括室内各个区域的室内温度和室内湿度等。xa(t)代表第t个时间步长的天气信息，可包括室外温度、室外湿度和太阳辐射强度等。
需要说明的是，空间系统模型中的初始模型参数θ可以利用仿真数据和/或历史数据训练得到。仿真数据可以通过建立空调系统的仿真模型，在随机工况下运行仿真并记录下每个时间步的空调系统输入输出的方式得到。历史数据的生成则需要记录相同或类似的空调系统实际运行过程中的输入输出来得到。在确定初始模型参数θ后，将空调系统模型在一部分仿真数据集和/或历史数据集上进行训练，通过一定的人工神经网络参数优化方法(例如随机梯度下降法)循环调整θ，直至空调系统模型能够适度拟合仿真数据集和/或历史数据集，即给定任意第t个时间步长的空调系统输入，空调系统模型的输出与仿真数据集和/或历史数据集中第t个时间步长的空调系统的输出的偏差较小。并且，在空调系统运行过程中，在每达到预设周期间隔时，根据对应周期内的第一数据对空调系统模型参数θ进行更新。
针对空调系统模型的模型参数的更新需要多组数据进行重新训练而获得。因此，在预设周期结束时，根据对应周期内所有时间步长的第一数据集对所述空调系统模型进行模型参数更新处理，确定第二参数，所述第二参数即为空调系统模型该周期更新后的模型参数。多个时间步长组成一个周期，可以根据实际情况设定对应一个周期划分的时间步长数量。
在一实施例中，空间传热模型采用一阶线性动力学模型。空间传热模型表示为xr(t)＝H(t)·k(t)，其中xr(t)代表第t个时间步长的各室内区域的室内环境状态依次排列而成的列向量，假设室内区域的个数为md，室内环境状态内容(如室内温度、室内湿度)的个数为mr，则xr(t)的长度为mdmr。H(t)代表包含天气信息、空调冷量输出值以及室内人数信息的内容的矩阵，即H(t)代表mdmr行mdmr(mr+ma+mq+mp+1)列矩阵，其中ma、mq、mp分别代表天气信息、空调冷量输出值、室内人数信息所包含的内容个数。H(t)表示为：
Figure BDA0003927697860000101
Figure BDA0003927697860000102
代表xa(t)的转置，Np(t)代表各室内区域的室内人数信息，可直接为室内各区域对应的室内人数，或者过去一段时间段内进、出人数等间接反映出人数的信息。将(mr+ma+mq+mp+1)记为mh，则H(t)第n行，第((n-1)mh+1)至((n-1)mh+mh)列，
Figure BDA0003927697860000111
为
Figure BDA0003927697860000112
其余元素均为0。k(t)代表空间传热模型的模型参数，为元素个数为mrmh的列向量，空间传热系统模型的模型参数的初始值设置有两种方式，其中一种方式为当可获取对应(如地铁站或相似地铁站)的历史运行数据时，采用最小二乘法确定初始值，使空间传热模型拟合运行数据得到对应的模型参数。另一方式为无法获取历史运行数据时，则令k(t)的第
Figure BDA0003927697860000113
个元素为1，其他元素均为0作为初始值，从而获得对应的模型参数。
在对上述空间传热模型进行模型参数更新时，在每一时间步长结束时，根据对应时间步长的第一数据集对空间传热模型进行模型参数更新处理，确定第一参数，所述第一参数为当前步长更新后的空间传热模型参数。
需要说明的是，在每一时间步长结束时，系统模型中对应的空调系统模型的模型参数不变，对应的空间传热模型的模型参数更新，因此根据第一参数确定更新后的模型参数，得到更新后的系统模型。在每一预设周期结束时，系统模型中对应的空调系统模型和空间传热模型的模型系数均进行了更新，根据第一参数和第二参数确定更新后的系统模型。
在每一时间步长结束时，根据当前时间步长的第一数据对预设模型进行模型参数的更新，得到新的模型参数。通过每一时间步长都进行模型数据的更新，以提高后续通过模型参数更新后的系统模型得到的仿真结果的准确性，从而提高了根据仿真结果进行评估的评估结果的准确性。
在一实施例中，系统模型在每达到预设周期间隔时，根据对应周期内的第一数据进行模型参数的更新。预设的周期间隔可以是每天的最后一个时间步或者每隔一定时间步数。对于空调系统模型的模型参数更新，通过在每一时间步长t将步骤S101获取的xr(t),xa(t),u(t),P(t),Q(t)储存在临时数据集中。该临时数据集设有最大储存容量，若此时已达最大储存容量，则丢弃最早的一行数据，从而容纳最新的数据。在每达到预设周期间隔时进行模型更新。随后将空调系统模型在一部分的临时数据集上进行训练，利用一定的人工神经网络参数优化方法(例如随机梯度下降法)循环调整模型参数θ，直至模型能够适度拟合临时数据集，即给定任意时间步t的空调系统输入，模型的输出与的临时数据集中第t个时间步长的空调系统输出的偏差较小。对于空间传热模型的模型参数更新在每一时间步，根据步骤S101获取的第一数据和临时数据集中已有信息，利用卡尔曼滤波算法对空间传热模型的模型参数进行更新。当采用前文所述的空间传热模型时，卡尔曼滤波算法可采用如下系统状态转移方程和观测方程：
X(t)＝AX(t-1)+w(t-1)，Z(t)＝H(t)X(t)+v(t)，其中：X(t)＝h(t)，Z(t)＝xr(t)，A为与X(t)行数相等的单位方阵；w(t-1)为随机过程噪声，其均值和方差预先设定；v(t)为对室内温湿度的随机测量误差，其均值和方差根据温湿度传感器性能预先设定。
S102、根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，所述第一仿真结果包括第一仿真室内环境状态、第一仿真空调系统能耗和第一仿真空调冷量输出。
在评估时，为了实现评估过程的公平性和全面性，需要使各待评估的备选控制算法在相同的运行时间和运行工况中进行，因此，可以运用仿真的方式进行对应的评估数据的获取。预设多个待评估的备选控制算法，根据预设的多个备选控制算法，将上述获取第一数据中和及上一时间步长的仿真结果输入至上述步骤S101进行模型系数更新后的系统模型中进行仿真处理，得到各个备选控制算法对应的第一仿真结果，第一仿真结果包括第一仿真室内环境状态、第一仿真空调系统能耗值和第一仿真空调冷量输出值。
其中多个备选控制算法可以是多个基准控制算法，但是一般为了与现有实际运行算法进行对比，以根据评估结果筛选出性能更好的控制算法并进行实际运用，因此，可以在多个备选控制算法中增加实际运行算法，以增加评估结果的实用性。所以，预设的多个备选控制算法包括多个基准控制算法和实际运行算法。
在一实施例中，提供给一种根据基准控制算法进行仿真的方法，基于基准控制算法是没有进行实际运行过的，因此是没有现成的空调运行参数的，因而可以通过各基准控制算法进行仿真处理，得到对应的仿真空调运行参数后，再根据仿真得到的空调运行参数与第一数据中其他参数通过系统模型仿真处理得到对应的仿真结果。具体为，将当前时间步长获取到的第一数据中的室内环境状态、天气信息、室内人数信息以及上一时间步长仿真得到的仿真空调运行参数、仿真空调能耗值和仿真空调冷量输出值输入预设的多个基准控制算法中，输出当前时间步长的多个仿真空调运行参数。需要说明的是，每一基准控制算法输出对应的仿真空调运行参数。将多个当前时间步长的仿真空调运行参数和对应的第一数据中的天气信息、室内人数信息以及上一时间步长仿真得到的仿真室内环境状态输入上述步骤S101进行模型参数更新后的系统模型中进行仿真处理，输出多个当前时间步长的仿真结果，所述仿真结果仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值。需要说明的是，每一基准控制算法对应一个仿真结果，每一仿真结果仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值。
在一实施例中，若当前时间步长为t＝0，则将上述步骤S101中获取的当前时间步长的室内环境状态、天气信息、室内人数信息、实际空调运行参数、上一时间步长的空调能耗值、上一时间步长的空调冷量输出值中的部分或全部内容输入至各基准控制算法，得到本时间步各基准控制算法的仿真空调运行参数。若当前时间步长为t≠0，则将步骤S101获取的当前时间步长内的室内环境状态、天气信息、室内人数信息，和上一时间步对应基准控制算法通过系统模型仿真产生的上一时间步长的仿真空调运行参数、上一时间步长的仿真室内环境状态、上一时间步长的仿真空调系统能耗和上一时间步长的仿真空调冷量输出中的部分或全部内容输入至各基准控制算法，得到本时间步各基准控制算法的仿真空调运行参数。
需要说明的是，结合前文所述的系统模型，基准控制算法的输入为当前时间步长的室内环境状态xr(t)、天气信息xa(t)、室内人数信息Np(t)以及空调运行参数u(t)、空调能耗值P(t)和空调冷量输出值Q(t)的部分或全部内容，输出为本时间步长的仿真空调运行参数。
在一实施例中，若当前时间步为t＝0，将上述步骤S101中获取的当前时间步长的室内环境状态、天气信息、室内人数信息、上述根据基准控制算法仿真得到的仿真空调运行参数输入给系统模型中，得到各基准控制算法对应的仿真室内环境状态、仿真空调系统能耗和仿真空调冷量输出。若当前时间步t≠0，将上一时间步长通过系统模型进行仿真得到的仿真室内环境状态、通过上述步骤S101获取到的当前时间步长的天气信息、室内人数信息、以及上述根据基准控制算法仿真得到的仿真空调运行参数输入给系统模型，得到各基准控制算法对应的仿真室内环境状态、仿真空调系统能耗和仿真空调冷量输出。
在一实施例中，提供给一种根据实际运行算法进行仿真的方法，将上述步骤S101获取的当前时间步长的实际空调运行参数、室内环境状态、天气信息、室内人数信息输入至当前系统模型中根据实际运行算法进行仿真处理，输出校核结果，该校核结果包括校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值。通过根据实际运行算法进行仿真处理得到对应的校核结果，以根据校核结果和对应实际运行得到室内环境数据、空调系统能耗值和空调冷量输出值进行比较，判断仿真运行信息是否可信，在仿真运行信息可信的情况才可以进行下一步的评估。若仿真运行信息不可信，在需要更改仿真运行信息后进行重新仿真处理，至于根据校核结果判断仿真运行信息可信后再进行下一步的评估。
在一实施例中，提供一种根据校核结果判断仿真运行信息是否可信的方法，获取过去若干时间步长对应第一数据对应的室内环境状态、空调系统能耗值和空调冷量输出值，获取这些时间步长对应的校核结果，校核结果包括校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值。对比某个时间步长对应的第一数据和其同一时间步长的仿真得到的校核结果。例如第t个时间步长的第一数据和第t个时间步长仿真的得到的校核结果。对比两组数据，判断是否满足相似性要求，若满足，则判定仿真运行信息可信，否则判定仿真运行信息不可信。若仿真运行信息不可信，则需要调整仿真运行信息后，重新进行前文所述的步骤进行重新仿真处理。在具体判断时，可以是每个时间步长之后对对应的时间步长的第一数据进行对应的比较判断；也可以是累积多个时间步长的第一数据之后，对多个第一数据进行对应的比较判断。具体多少时间步长进行一次仿真信息可信判断可以根据实际情况进行设定。
需要说明的是，相似性要求的一种示例为：在过去的若干时间步长内，任意第j个时间步长储存的室内环境状态、空调系统能耗值和空调冷量输出，与对应第j个时间步长储存的校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值之差的绝对值全部分别小于某阈值。具体阈值数值可以根据实际情况进行设定，在本实施例中不作限制。
需要说明的是，基于备选控制算法包括基准控制算法和实际运行控制算法，由前文所述可知根据基准控制算法进行仿真处理得到仿真结果，根据实际运行算法进行仿真处理得到校核结果，因而，根据多个备选控制算法进行仿真处理得到的第一仿真结果包括仿真结果和校核结果。
S103、在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期。
每隔一个预设周期进行一次空调控制算法评估，以筛选出更优的空调控制算法，因而，可以对当前周期累积的第一数据和/或第一仿真结果进行计算当周周期每一备选控制算法对应的性能指标。由前文所述可知，备选控制算法包括基准控制算法和实际运行算法，可以分别获取基准控制算法对应的第一能指标和实际运行算法对应的第二性能指标。对于基准控制算法，在每一周期结束时，根据当前周期累积的所述仿真结果，计算当前当前周期各个基准控制算法对应的第一性能指标，所述第一性能指标为仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值的函数。具体函数形式可以根据实际情况设定，例如设定函数为EPI1＝KP，EPI1代表第一性能指标，P为当前周期累计的仿真空调能耗值，K为函数系数，为固定值，因而根据设定函数可以知道当前周期累计的仿真空调能耗值越小，第一性能指标值越小，第一性能指标值越小节能效果越好。对于实际运行算法，因为实际运行算法存在实际运行得到的室内环境状态、空调系统能耗值和空调冷量输出值等实际数据的，因而可以对仿真得到校核结果和实际运行获取的第一数据计算各自对应的性能指标。针对校核结果，在每一周期结束时，根据当前周期累积的所述校核结果，计算当前周期实际运行算法对应的第二性能指标，所述第二性能指标为校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值的函数。具体函数形式可以根据实际情况设定，在本实施例中不做限制。针对实际运行结果，在每一周期结束时，根据当前周期累计的第一数据，计算当前周期实际运行算法对应的第三性能指标，所述第三性能指标为实际运行获取到的室内环境状态、空调系统能耗值和空调冷量输出值的函数。
通过对当前周期累计仿真结果、校核结果和第一数据进行计算，得到对应的第一性能指标、第二性能指标和第三性能指标，以实现性能的量化，以根据性能指标量化值形成对应的评估结果。通过性能量化，提高评估结果的可信度，同时提高评估的准确性。
S104、根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果。
由前文所述可知，可以得到各基准算法当前周期的第一性能指标，以及实际运行算法当前周期的第二性能指标和第三性能指标。将第一性能指标与第二性能指标、第三性能指标比较，得到当前周期各备选控制算法的评估结果。将第一性能指标与第二性能指标进行比较，或者将第一性能指标和第三性能指标可以得到各基准控制算法与实际运行算法相比，哪种控制算法性能更好。基于第一性能指标和第二性能指标都是通过仿真结果和校核结果计算得到的，将两者进程对比，体现了对比的公平性。基于第三性能指标是实际运行数据计算得到的，将第一性能指标与第三性能指标进行对比，体现了对比的真实性。因而，通过将第一性能指标分别与第二性能指标、第三性能指标对比，得到各基准控制算法与实际运行算法之间的对比结果，从而得到评估基准控制算法是否比实际运行算法的性能好的评估结果，提升了空调控制算法评估结果的准确性。
在一实施例中，根据过去t个时间步长通过步骤S101获取的实际的室内环境状态、空调系统能耗值、空调冷量输出值、室内人数信息等计算实际运行算法的实际运行结果对应的第三性能指标，例如过去第2～第t个时间步长。根据过去t+1个时间步长仿真得到的仿真室内环境状态、仿真空调系统能耗值、仿真空调冷量输出值、室内人数信息等计算各基准控制算法的第一性能指标。根据过去t+1个时间步长仿真得到的校核用室内环境状态、校核用空调系统能耗值、校核用空调冷量输出值、室内人数信息等计算实际运行算法的第二性能指标。其中性能指标的一种示例为累计空调系统能耗值；另一示例为室内温度超过某设定温度的累计时间步数。在筛选目标性能指标时，一种方式是对第三性能指标和第一性能指标进行比较评估，得到各基准控制算法与实际运行算法的性能对比结果，这种对比方式强调数据的真实性。另一种方式是对第一性能指标和第二性能指标进行比较评估，得到各基准控制算法与实际运行算法的性能对比结果，这种对比方式更加强调对比的公平性。
在得到评估结果后，可以根据评估结果，筛选出对应性能指标最优的目标性能指标，其中性能指标最优可以根据对应的函数设定确定性能指标最小或最大的为性能指标最优。例如，如前文所述，假设设定函数为EPI1＝KP，则性能指标最小的为性能指标最优的目标性能指标。
在一实施例中，图3是本申请实施例提供的一种性能指标与备选控制算法关系示意图，参照图3，假设预设基准控制算法A、B和C，以及实际运行算法D组成多个备选控制算法，在当前时间步长，根据基准控制算法A、B、C和实际运行算法D将通过系统模型进行仿真处理，得到基准控制算法A对应的仿真结果A1，基准控制算法B对应的仿真结果B1，基准控制算法C对应的仿真结果C1，以及实际运行算法D对应的仿真结果D1。假设一个周期包括5个时间步长，则得到基准控制算法A对应的当前周期累计仿真结果A的性能指标a，其中仿真结果A包括5个时间步长对应的仿真结果A1、A2、A3、A4和A5，基准控制算法B对应的当前周期累计仿真结果B的性能指标b，其中仿真结果B包括5个时间步长对应的仿真结果B1、B2、B3、B4和B5，基准控制算法C对应的当前周期累计仿真结果C的性能指标c，其中仿真结果C包括5个时间步长对应的仿真结果C1、C2、C3、C4和C5，实际运行算法D对应的当前周期累计仿真结果D的性能指标d，其中仿真结果D包括5个时间步长对应的仿真结果D1、D2、D3、D4和D5，。当前周期累计的性能指标a、b和c均称为第一性能指标，当前周期累计的性能指标d称为第二性能指标。对当前周期累计的性能指标a、b、c和d进行比较，评估哪个性能指标最优，筛选出性能最优的目标性能指标，假设筛选出的目标性能指标是性能指标a。
根据筛选出的目标性能指标确定对应的目标控制算法，该目标控制算法为备选控制算法中的一种。若该目标控制算法为基准控制算法中的一种，则证明存在基准控制算法比实际运行算法性能更优，可以将该基准控制算法运用到实际空调系统的运行控制中，以提高空调系统的实际性能，提升节省效果。若该目标控制算法为实际运行算法，则证明预设的基准控制算法的性能都没有比实际运行算法好，则可以继续运用实际运行算法进行空调系统控制。
性能指标为评判控制算法的优劣的参考指标，因而可以根据评估结果筛选出多个备选控制算法中性能最好的目标控制算法，其中该目标控制算法可以是基准控制算法也可以是实际控制算法，具体看评估结果中显示哪个控制算法的性能指标最好。由于性能指标均有对应的基准控制算法或实际运行算法得到的，因此目标控制算法为备选控制算法其中一种控制算法。根据前文所述，结合图3，根据筛选出的目标性能指标a，可以获得对应的目标控制算法为基准控制算法A。通过仿真并筛选出当前周期的性能指标最高的目标性能指标，代表该目标性能指标对应的目标控制算法相比于其他备选控制算法性能最优。通过仿真对空调控制算法进行优劣筛选，避免了需要实际运行控制算法导致的资源浪费，节省了资源。此外，可以仿真筛选目标控制算法，可以对应的周期及时更换成性能更高的控制算法进行空调系统控制，提升了控制算法替换的速度，从而提升了空调系统的节能效果。
为了使空调控制算法不断更新，以不断提升空调系统的节能效果，可以在预设的周期间隔进行一次上述的目标控制算法的筛选过程。根据上述实施过程筛选出当前周期对应节能效果最好的目标控制算法，则将该目标控制算法替换成实际运行算法，在下一周期通过该目标控制算法对控制系统进行运行控制。通过设置多种备选控制算法，允许多种备选控制算法进行同时对比评估，提升了时间效率，从而缩短空调系统替换成更加节能的目标控制算法进行运行控制的时间，进而提升了空调系统整体时间的节能效果。
需要说明的是，假如筛选得到的目标控制算法为实际运行算法，则不需要进行替换动作，直接继续沿用实际运行算法进行空调系统的运行控制。
本实施例通过在已有实际运行算法进行运行的同时，进行其他基准控制算法的仿真评估，仿真运行条件与真实运行条件保持一致，且仿真的系统模型根据实际运行数据更新校准，保证了仿真数据的逼真度和对比公平性。对比评估是在所有运行时间内进行的，覆盖的运行工况更广，对比更加全面。可以在所有的运行时间内直接采用新控制算法，故不存在启动新算法的收益减少或推迟的情况，从而提升了空调系统的节能效果。
上述，通过在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期；根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果。采用上述技术手段，可以通过对预设的备选控制算法中进行仿真处理，计算出当前周期各备选控制算法对应的性能指标，根据性能指标对各备选控制算法进行评估得到评估结果，使得在评估时，各备选控制算法均在相同的运行时间和运行工况下进行，评估更加公平和全面，从而提升空调控制算法评估结果的准确性。此外，通过仿真处理进行空调控制算法的评估，避免待评估的备选控制算法进行实际运行后评估所导致的资源浪费，从而提升空调系统节能效果。
在上述实施例的基础上，图4为本申请实施例提供的一种空调系统控制装置的结构示意图。参考图4，本实施例提供的空调系统控制装置具体包括：参数更新单元21、仿真单元22、性能指标计算单元23和评估单元24。
其中，参数更新单元21，用于在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，所述第一数据包括当前时间步长的实际空调运行参数、天气信息、室内环境状态、室内人数信息、空调能耗值和空调冷量输出值至少一个；
仿真单元22，用于根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，所述第一仿真结果包括第一仿真室内环境状态、第一仿真空调系统能耗和第一仿真空调冷量输出；
性能指标计算单元23，用于在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期；
评估单元24，用于根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果
进一步的，所述多个备选控制算法包括多个基准控制算法；
所述仿真单元22，还用于将当前时间步长的第一数据中的室内环境状态、天气信息、室内人数信息以及上一时间步长的仿真得到的仿真空调运行参数、仿真空调能耗值和仿真空调冷量输出值输入预设的多个基准控制算法中，输出多个当前时间步长的仿真空调运行参数；
将所述多个当前时间步长的仿真空调运行参数和对应的第一数据中的天气信息、室内人数信息以及上一时间步长仿真得到的仿真室内环境状态输入所述系统模型中进行仿真处理，输出多个当前时间步长的仿真结果，所述仿真结果包括仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值。
进一步的，所述多个备选控制算法还包括实际运行算法；
所述仿真单元22，还用于将当前时间步长的第一数据中的实际空调运行参数、室内环境状态、天气信息、室内人数信息输入所述系统模型中进行仿真处理，输出校核结果，所述校核结果包括校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值。
进一步的，所述性能指标计算单元23，还用于在每一周期结束时，根据当前周期累积的所述仿真结果，计算当前当前周期各个基准控制算法对应的第一性能指标，所述第一性能指标为仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值的函数；
在每一周期结束时，根据当前周期累积的所述校核结果，计算当前周期实际运行算法对应的的第二性能指标，所述第二性能指标为校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值的函数；
在每一周期结束时，根据当前周期累计的第一数据，计算当前周期实际运行算法对应的第三性能指标，所述第三性能指标为实际运行获取到的室内环境状态、空调系统能耗值和空调冷量输出值的函数。
进一步的，所述评估单元24，还用于将所述第一性能指标与所述第二性能指标、所述第三性能指标比较，得到当前周期各备选控制算法的评估结果。
进一步的，所述系统模型包括空调系统模型和空间传热模型；
所述空调系统的输入包括空调运行参数、天气信息以及上一时间步长的室内环境状态，其中天气信息包括室外温度、室外湿度和太阳辐射强度，所述室内环境状态包括室内温度和室内湿度；
所述空调系统的输出包括空调系统能耗值和空调冷量输出值；
所述空间传热模型的输入包括天气信息、上一时间步长的室内环境状态、室内人数信息和空调冷量输出值；
所述空间传热模型的输出包括室内环境状态。
进一步的，所述空调系统模型表示为：
(P(t),Q(t))＝μθ(u(t),xr(t-1),xa(t))，其中μθ代表神经网络，θ代表所述神经网络的模型参数集，P(t)代表第t个时间步长的空调系统能耗值，Q(t)代表第t个时间步长的空调冷量输出值，u(t)代表第t个时间步长的空调运行参数，xr(t-1)代表第t-1个时间步长的室内环境状态，xa(t)代表第t个时间步长的天气信息。
进一步的，所述空间传热模型表示为：
xr(t)＝H(t)·k(t)，其中xr(t)代表第t个时间步长的各室内区域的室内环境状态依次排列而成的列向量，H(t)代表包含天气信息、空调冷量输出值以及室内人数信息的内容的矩阵，k(t)代表空间传热模型的模型参数，H(t)表示为：
Figure BDA0003927697860000201
Figure BDA0003927697860000202
代表xr(t)的转置，Np(t)代表各室内区域的室内人数信息。
进一步的，所述参数更新单元21，还用于在每一时间步长结束时，根据对应时间步长的第一数据对所述空间传热模型进行模型参数更新处理，确定第一参数；
在预设周期结束时，根据所述周期内所有时间步长的第一数据对所述空调系统模型进行模型参数更新处理，确定第二参数，多个时间步长组成一个周期；
根据第一参数和/或第二参数确定更新后的系统模型。
上述，通过在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期；根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果。采用上述技术手段，可以通过对预设的备选控制算法中进行仿真处理，计算出当前周期各备选控制算法对应的性能指标，根据性能指标对各备选控制算法进行评估得到评估结果，使得在评估时，各备选控制算法均在相同的运行时间和运行工况下进行，评估更加公平和全面，从而提升空调控制算法评估结果的准确性。此外，通过仿真处理进行空调控制算法的评估，避免待评估的备选控制算法进行实际运行后评估所导致的资源浪费，从而提升空调系统节能效果。
本申请实施例提供的空调系统控制装置可以用于执行上述实施例提供的空调控制算法评估方法，具备相应的功能和有益效果。
本申请实施例提供了一种空调系统控制设备，参照图5，该空调系统控制设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该空调系统控制设备中处理器的数量可以是一个或者多个，该空调系统控制设备中的存储器的数量可以是一个或者多个。该空调系统控制设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的空调控制算法评估方法对应的程序指令/模块(例如，空调系统控制装置中的参数更新单元、仿真单元、性能指标计算单元和评估单元)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的空调控制算法评估方法。
输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。上述提供的空调系统控制设备可用于执行上述实施例提供的空调控制算法评估方法，具备相应的功能和有益效果。
本申请实施例还提供一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种空调控制算法评估方法，该空调控制算法评估方法包括：在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，所述第一数据包括当前时间步长的实际空调运行参数、天气信息、室内环境状态、室内人数信息、空调能耗值和空调冷量输出值至少一个；根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，所述第一仿真结果包括第一仿真室内环境状态、第一仿真空调系统能耗和第一仿真空调冷量输出；在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期；根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、基准控制算法R RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种存储计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的空调控制算法评估方法，还可以执行本申请任意实施例所提供的空调控制算法评估方法中的相关操作。
上述实施例中提供的空调系统控制装置、存储介质及空调系统控制设备可执行本申请任意实施例所提供的空调控制算法评估方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的空调控制算法评估方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (12)

1.一种空调控制算法评估方法，其特征在于，包括：
在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，所述第一数据包括当前时间步长的实际空调运行参数、天气信息、室内环境状态、室内人数信息、空调能耗值和空调冷量输出值至少一个；
根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，所述第一仿真结果包括第一仿真室内环境状态、第一仿真空调系统能耗和第一仿真空调冷量输出；
在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期；
根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果。
2.根据权利要求1所述的方法，其特征在于，所述多个备选控制算法包括多个基准控制算法；
所述根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，包括：
将当前时间步长的第一数据中的室内环境状态、天气信息、室内人数信息以及上一时间步长仿真得到的仿真空调运行参数、仿真空调能耗值和仿真空调冷量输出值输入预设的多个基准控制算法中，输出多个当前时间步长的仿真空调运行参数；
将所述多个当前时间步长的仿真空调运行参数和对应的第一数据中的天气信息、室内人数信息以及上一时间步长仿真得到的仿真室内环境状态输入所述系统模型中进行仿真处理，输出多个当前时间步长的仿真结果，所述仿真结果包括仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值。
3.根据权利要求2所述的方法，其特征在于，所述多个备选控制算法还包括实际运行算法；
所述根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，包括：
将当前时间步长的第一数据中的实际空调运行参数、室内环境状态、天气信息、室内人数信息输入所述系统模型中进行仿真处理，输出校核结果，所述校核结果包括校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值。
4.根据权利要求1所述的方法，其特征在于，所述在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，包括：
在每一周期结束时，根据当前周期累积的所述仿真结果，计算当前当前周期各个基准控制算法对应的第一性能指标，所述第一性能指标为仿真室内环境状态、仿真空调系统能耗值和仿真空调冷量输出值的函数；
在每一周期结束时，根据当前周期累积的所述校核结果，计算当前周期实际运行算法对应的的第二性能指标，所述第二性能指标为校核室内环境状态、校核空调系统能耗值和校核空调冷量输出值的函数；
在每一周期结束时，根据当前周期累计的第一数据，计算当前周期实际运行算法对应的第三性能指标，所述第三性能指标为实际运行获取到的室内环境状态、空调系统能耗值和空调冷量输出值的函数。
5.根据权利要求4所述的方法，其特征在于，所述根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果，包括：
将所述第一性能指标与所述第二性能指标、所述第三性能指标比较，得到当前周期各备选控制算法的评估结果。
6.根据权利要求1所述的方法，其特征在于，所述系统模型包括空调系统模型和空间传热模型；
所述空调系统的输入包括空调运行参数、天气信息以及上一时间步长的室内环境状态，其中天气信息包括室外温度、室外湿度和太阳辐射强度，所述室内环境状态包括室内温度和室内湿度；
所述空调系统的输出包括空调系统能耗值和空调冷量输出值；
所述空间传热模型的输入包括天气信息、上一时间步长的室内环境状态、室内人数信息和空调冷量输出值；
所述空间传热模型的输出包括室内环境状态。
7.根据权利要求6所述的方法，其特征在于，所述空调系统模型表示为：
(P(t),Q(t))＝μθ(u(t),xr(t-1),xa(t))，其中μθ代表神经网络，θ代表所述神经网络的模型参数集，P(t)代表第t个时间步长的空调系统能耗值，Q(t)代表第t个时间步长的空调冷量输出值，u(t)代表第t个时间步长的空调运行参数，xr(t-1)代表第t-1个时间步长的室内环境状态，xa(t)代表第t个时间步长的天气信息。
8.根据权利要求6所述的方法，其特征在于，所述空间传热模型表示为：
xr(t)＝H(t)·k(t)，其中xr(t)代表第t个时间步长的各室内区域的室内环境状态依次排列而成的列向量，H(t)代表包含天气信息、空调冷量输出值以及室内人数信息的内容的矩阵，k(t)代表空间传热模型的模型参数，H(t)表示为：
Figure FDA0003927697850000031
Figure FDA0003927697850000032
代表xr(t)的转置，Np(t)代表各室内区域的室内人数信息。
9.根据权利要求6所述的方法，其特征在于，所述在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，包括：
在每一时间步长结束时，根据对应时间步长的第一数据对所述空间传热模型进行模型参数更新处理，确定第一参数；
在预设周期结束时，根据所述周期内所有时间步长的第一数据对所述空调系统模型进行模型参数更新处理，确定第二参数，多个时间步长组成一个周期；
根据第一参数和/或第二参数确定更新后的系统模型。
10.一种空调系统控制装置，其特征在于，包括：
参数更新单元，用于在每一时间步长结束时，根据第一数据进行系统模型的模型参数更新，所述第一数据包括当前时间步长的实际空调运行参数、天气信息、室内环境状态、室内人数信息、空调能耗值和空调冷量输出值至少一个；
仿真单元，用于根据预设的多个备选控制算法将所述第一数据和上一时间步长的仿真结果通过系统模型进行仿真处理，得到各个备选控制算法所对应的第一仿真结果，所述第一仿真结果包括第一仿真室内环境状态、第一仿真空调系统能耗和第一仿真空调冷量输出；
性能指标计算单元，用于在每一周期结束时，根据累积的第一数据和/或第一仿真结果计算当前周期的性能指标，多个时间步长组成一个周期；
评估单元，用于根据当前周期累计的性能指标，得到当前周期各备选控制算法的评估结果。
11.一种空调系统控制设备，其特征在于，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9任一所述的方法。
12.一种存储计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由处理器执行时用于执行如权利要求1-9任一所述的方法。
CN202211379428.2A 2022-10-08 2022-11-04 一种空调控制算法评估方法、装置、设备及存储介质 Active CN115930376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/137863 WO2024073937A1 (zh) 2022-10-08 2022-12-09 一种空调控制算法评估方法、装置、设备及存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211223233 2022-10-08
CN2022112232339 2022-10-08

Publications (2)

Publication Number Publication Date
CN115930376A true CN115930376A (zh) 2023-04-07
CN115930376B CN115930376B (zh) 2024-10-11

Family

ID=86655055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211379428.2A Active CN115930376B (zh) 2022-10-08 2022-11-04 一种空调控制算法评估方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN115930376B (zh)
WO (1) WO2024073937A1 (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140129197A1 (en) * 2012-11-06 2014-05-08 Cenergistic Inc. Adjustment simulation method for energy consumption
US20140277769A1 (en) * 2013-03-15 2014-09-18 Nest Labs, Inc. Systems, apparatus and methods for managing demand-response programs and events
CN109373525A (zh) * 2018-11-12 2019-02-22 珠海格力电器股份有限公司 空调系统的控制优化方法、装置、计算机设备和存储介质
CN110940059A (zh) * 2018-09-21 2020-03-31 珠海格力电器股份有限公司 一种空调设备控制方法、装置及设备
CN111555274A (zh) * 2020-05-08 2020-08-18 燕山大学 一种空调负荷需求响应能力动态评估方法
CN111795484A (zh) * 2020-07-24 2020-10-20 北京大学深圳研究生院 一种智慧空调控制方法和系统
WO2020237668A1 (zh) * 2019-05-31 2020-12-03 亿可能源科技（上海）有限公司 空调系统的管理方法、控制方法及存储介质、控制平台
CN112152840A (zh) * 2020-08-27 2020-12-29 西安交通大学 一种基于bim和模拟仿真的传感器部署方法和系统
CN112577161A (zh) * 2019-09-30 2021-03-30 北京国双科技有限公司 空调能耗模型训练方法与空调系统控制方法
CN113757922A (zh) * 2020-06-03 2021-12-07 中国移动通信集团浙江有限公司 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质
KR20220023007A (ko) * 2020-08-20 2022-03-02 삼성전자주식회사 전자 장치 및 그 제어 방법
CN114135984A (zh) * 2021-11-22 2022-03-04 珠海格力电器股份有限公司 空调的仿真控制系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112283889A (zh) * 2020-10-10 2021-01-29 广东美的暖通设备有限公司 空调的预启动时间控制方法、装置、设备及存储介质
CN113835344B (zh) * 2021-11-25 2022-04-12 阿里云计算有限公司 设备的控制优化方法、展示平台、云服务器及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140129197A1 (en) * 2012-11-06 2014-05-08 Cenergistic Inc. Adjustment simulation method for energy consumption
US20140277769A1 (en) * 2013-03-15 2014-09-18 Nest Labs, Inc. Systems, apparatus and methods for managing demand-response programs and events
CN110940059A (zh) * 2018-09-21 2020-03-31 珠海格力电器股份有限公司 一种空调设备控制方法、装置及设备
CN109373525A (zh) * 2018-11-12 2019-02-22 珠海格力电器股份有限公司 空调系统的控制优化方法、装置、计算机设备和存储介质
WO2020237668A1 (zh) * 2019-05-31 2020-12-03 亿可能源科技（上海）有限公司 空调系统的管理方法、控制方法及存储介质、控制平台
CN112577161A (zh) * 2019-09-30 2021-03-30 北京国双科技有限公司 空调能耗模型训练方法与空调系统控制方法
CN111555274A (zh) * 2020-05-08 2020-08-18 燕山大学 一种空调负荷需求响应能力动态评估方法
CN113757922A (zh) * 2020-06-03 2021-12-07 中国移动通信集团浙江有限公司 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质
CN111795484A (zh) * 2020-07-24 2020-10-20 北京大学深圳研究生院 一种智慧空调控制方法和系统
KR20220023007A (ko) * 2020-08-20 2022-03-02 삼성전자주식회사 전자 장치 및 그 제어 방법
CN112152840A (zh) * 2020-08-27 2020-12-29 西安交通大学 一种基于bim和模拟仿真的传感器部署方法和系统
CN114135984A (zh) * 2021-11-22 2022-03-04 珠海格力电器股份有限公司 空调的仿真控制系统

Also Published As

Publication number Publication date
WO2024073937A1 (zh) 2024-04-11
CN115930376B (zh) 2024-10-11

Similar Documents

Publication Publication Date Title
Zhang et al. A systematic feature selection procedure for short-term data-driven building energy forecasting model development
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
KR102170522B1 (ko) 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템
CN104484715A (zh) 一种基于神经网络和微粒群优化算法的建筑能耗预测方法
Hossain et al. Identifying grey-box thermal models with Bayesian neural networks
Ouf et al. A simulation-based method to investigate occupant-centric controls
CN112434787A (zh) 基于楼宇总能耗的末端空间能耗预测方法、介质及设备
CN115310727B (zh) 一种基于迁移学习的建筑冷热电负荷预测方法及系统
CN116045461B (zh) 一种基于给回水温度调节的风冷空调节能控制方法及装置
Lara et al. Modeling and identification of the cooling dynamics of a tropical island hotel
KR102369350B1 (ko) 인공신경망을 이용한 공기조화설비의 에너지 사용량 및 데이터 예측 시스템 및 그 방법
Amasyali et al. Hybrid approach for energy consumption prediction: Coupling data-driven and physical approaches
CN114200839A (zh) 一种耦合环境行为动态监测的办公建筑能耗智能控制模型
CN117121025A (zh) 暖通空调系统的管理方法、系统及存储介质
Mao et al. Towards fast energy performance evaluation: A pilot study for office buildings
Goliatt et al. Modeling heating and cooling loads in buildings using Gaussian processes
Yan et al. Forecasting building energy demand under uncertainty using gaussian process regression: Feature selection, baseline prediction, parametric analysis and a web-based tool
Feng et al. A fully distributed voting strategy for AHU fault detection and diagnosis based on a decentralized structure
CN117760063A (zh) 一种基于空气焓值的地铁空调负荷预测方法
CN115879190B (zh) 模型构建方法及装置、建筑负荷预测方法及装置
CN115930376B (zh) 一种空调控制算法评估方法、装置、设备及存储介质
Saragih et al. Energy efficiency in buildings using multivariate extreme gradient boosting
Hou et al. A protocol for developing and evaluating neural network-based surrogate models and its application to building energy prediction
Ferreira et al. Unsupervised learning of load signatures to estimate energy-related building features using surrogate modelling techniques
Saranya et al. AI buildings: design of artificially intelligent buildings in the energy sector with an autonomous federated learning approach

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