CN116045461B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116045461B CN116045461B CN202310210093.XA CN202310210093A CN116045461B CN 116045461 B CN116045461 B CN 116045461B CN 202310210093 A CN202310210093 A CN 202310210093A CN 116045461 B CN116045461 B CN 116045461B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- cooled air
- air
- energy consumption
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 238000005265 energy consumption Methods 0.000 claims abstract description 103
- 238000011217 control strategy Methods 0.000 claims abstract description 63
- 238000010219 correlation analysis Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000004134 energy conservation Methods 0.000 claims 1
- 238000004378 air conditioning Methods 0.000 abstract description 24
- 238000004364 calculation method Methods 0.000 abstract description 22
- 230000008569 process Effects 0.000 abstract description 10
- 230000033228 biological regulation Effects 0.000 abstract description 9
- 238000005065 mining Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 239000013598 vector Substances 0.000 description 12
- 238000001816 cooling Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000005057 refrigeration Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 230000017525 heat dissipation Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012932 thermodynamic analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
-
- 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
- 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
-
- 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
-
- 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
- F24F2140/00—Control inputs relating to system states
- F24F2140/20—Heat-exchange fluid temperature
-
- 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)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了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，属于数据处理技术领域。通过对与节能控制相关的历史数据进行相关性分析，挖掘多个供给平衡的控制策略，进一步根据实时采集建筑的外界气象数据和风冷空调能耗数据，确定未来时刻的目标特征的预测值，并根据该预测值从挖掘的多个控制策略中确定相匹配的最优控制策略。本发明使用与节能控制相关的历史数据进行信息挖掘和负荷匹配，不仅免去了复杂的冷负荷计算过程，同时又能根据实际建筑的情况确定相匹配的最优控制策略，有效提高了方案的实用性。解决了现有空调系统节能控制方法的计算复杂、适用性差的问题。
Description
技术领域
本发明涉及数据处理技术领域，并且更具体地，涉及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。
背景技术
我国空调用电在建筑用电总量中占比超过60%，近年来随着经济重心南移和全球变暖趋势加剧该占比还在不断升高。在我国南方地区制冷机组年运行时间较长，并且南方地区湿球温度高，也对水冷机组不利。虽然风冷机组总体COP相比于水冷机组较低，但是同时也有占地面积小，安装和维护简单的优点，应用更为广泛。
在风冷机组中央空调制冷和制热系统中，空调主机的能耗是整个系统占比最大的，其中表征空调主机工作状态最重要的参数是机组的进水温度或出水温度。在中央空调制冷或制热物理系统中，主机的冷热负荷和诸多因素相关，比如室外温度、湿度、建筑内人员散热、设备散热等。主机的冷热负荷也会随着这些因素变化而波动。目前在许多建筑中的中央空调系统依赖于人工手动调节蒸发压力和冷凝压力，大多数时候是无法随着外界气象、人员、设备等变化而调节主机负荷的，而为了满足极限条件下的冷热负荷，一般主机系统的负载都会设置在接近极限值，这样往往会造成较大的能源浪费。
针对上述情况，中国专利CN111043731A提供了一种基于天气预报的空调系统调节方法，此专利将气象预测信息使用置信度判断的方法，判断当室外气象预测数据可用时再计算之后一段时间内的空调系统的冷负荷，进而根据负荷和机组的整体功率调节控制策略，并生成针对空调系统的控制时间进程表用以控制机组运行从而达到节能目标。
中国专利CN104359195A提出了一种基于动态响应末端总负荷变化的中央空调冷冻水控制方法，通过实施计算末端设备的负荷，根据当前冷冻水和冷却水的温度实现供冷量的智能控制从而达到动态响应实时调控的目的。
由于风冷机组安装占地面积小、维护相对容易，在我国许多中小型建筑中应用十分广泛。针对此种类型的风冷空调进行智能控制和节能措施时往往需要考虑诸多条件限制及经济因素，虽然依据冷负荷预测的按需供给方法预测精准度较高，然而在实际建筑的冷负荷计算也牵涉大量建筑模拟的计算过程和较多的变量才可求出相对准确的数值。这样的计算过程在中小型建筑应用时往往力不从心。大多数时候需要严密的数据支持，包括建筑结构、建筑材料、经纬度和全年平均气温、建筑朝向、建筑内设备参数、人员等等。实际计算由于受到测量误差影响，计算结果往往也要经过大量调整和修正才能指导主机工作。
发明内容
为了解决现有空调系统节能控制方法的计算复杂、适用性差的问题，本发明提供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。
根据本发明的一个方面，提供了一种基于给回水温度调节的风冷空调节能控制方法，包括：
采集与节能控制相关的历史数据集，其中历史数据集包括外界气象信息、给回水温度信息、室内平均温度和风冷空调能耗数据；
将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析，从外界气象信息和风冷空调能耗数据中确定相关性大于预设阈值的控制指标；
根据给回水温度信息和室内平均温度，确定风冷空调的滞后时间，其中滞后时间为风冷空调工作引起室内平均温度达到温度要求并使室内平均温度趋于平稳需要的平均时间；
基于控制指标和滞后时间，从历史数据集中获取室内平均温度达到温度要求且平稳的时间段数据，其中时间段数据包括滞后时间内风冷空调的给回水温度、室内平均温度以及各个控制指标的数据；
采用控制变量法，分析各个控制指标与风冷空调的给回水温度的关系，从时间段数据中选取不同外界条件下风冷空调能耗最低的控制策略；
根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值；
从不同外界条件下风冷空调能耗最低的控制策略中确定与目标特征的预测值相匹配的最优控制策略。
可选地，基于给回水温度调节的风冷空调节能控制方法还包括：
获取使用目标控制策略的风冷空调的第一风冷空调能耗数据；
在相同外界条件下，获取未使用目标控制策略的风冷空调的第二风冷空调能耗数据；
对比第一风冷空调能耗数据和第二风冷空调能耗数据，并根据对比的结果确定目标控制策略的有效性和节能率；
基于第一风冷空调能耗数据和第二风冷空调能耗数据，迭代更新已有的历史数据集。
可选地，基于给回水温度调节的风冷空调节能控制方法还包括：所述将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析之前，对采集的历史数据集进行数据清洗和标准化处理。
可选地，所述采集与节能控制相关的历史数据集，包括：
在目标建筑位置搭建气象站和室内温度采集器；
通过气象站和室内温度采集器收集历史数据集中的外界气象信息。
可选地，所述预设的特征预测模型包括特征预测层和全连接神经网络；并且
所述根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值，包括：
将实时采集的外界气象数据和风冷空调能耗数据输入特征预测层，输出目标特征的预测特征；
将预测特征送入全连接神经网络，确定滞后时间内目标特征的预测值。
可选地，基于给回水温度调节的风冷空调节能控制方法还包括：所述根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值之前，根据风冷空调的滞后时间，确实特征预测模型的输入特征的数据长度以及模型预测的时间长度。
根据本发明的又一个方面，提供了一种基于给回水温度调节的风冷空调节能控制装置，包括：
采集模块，用于采集与节能控制相关的历史数据集，其中历史数据集包括外界气象信息、给回水温度信息、室内平均温度和风冷空调能耗数据；
相关性分析模块，用于将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析，从外界气象信息和风冷空调能耗数据中确定相关性大于预设阈值的控制指标；
滞后时间确定模块，用于根据给回水温度信息和室内平均温度，确定风冷空调的滞后时间，其中滞后时间为风冷空调工作引起室内平均温度达到温度要求并使室内平均温度趋于平稳需要的平均时间；
数据选取模块，用于基于控制指标和滞后时间，从历史数据集中获取室内平均温度达到温度要求且平稳的时间段数据，其中时间段数据包括滞后时间内风冷空调的给回水温度、室内平均温度以及各个控制指标的数据；
控制策略选取模块，用于采用控制变量法，分析各个控制指标与风冷空调的给回水温度的关系，从时间段数据中选取不同外界条件下风冷空调能耗最低的控制策略；
预测值预测模块，用于根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值；
策略确定模块，用于从不同外界条件下风冷空调能耗最低的控制策略中确定与目标特征的预测值相匹配的最优控制策略。
可选地，基于给回水温度调节的风冷空调节能控制装置还包括：
第一获取模块，用于获取使用目标控制策略的风冷空调的第一风冷空调能耗数据；
第二获取模块，用于在相同外界条件下，获取未使用目标控制策略的风冷空调的第二风冷空调能耗数据；
对比模块，用于对比第一风冷空调能耗数据和第二风冷空调能耗数据，并根据对比的结果确定目标控制策略的有效性和节能率；
迭代更新模块，用于基于第一风冷空调能耗数据和第二风冷空调能耗数据，迭代更新已有的历史数据集。
根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。
本发明通过对与节能控制相关的历史数据进行相关性分析，挖掘多个供给平衡的控制策略，进一步根据实时采集建筑的外界气象数据和风冷空调能耗数据，确定未来时刻的目标特征的预测值，并根据该预测值从挖掘的多个控制策略中确定相匹配的最优控制策略。本发明使用与节能控制相关的历史数据进行信息挖掘和负荷匹配，不仅免去了复杂的冷负荷计算过程，同时又能根据实际建筑的情况确定相匹配的最优控制策略，有效提高了方案的实用性。解决了现有空调系统节能控制方法的计算复杂、适用性差的问题。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的基于给回水温度调节的风冷空调节能控制方法的流程示意图；
图2是本发明一示例性实施例提供的基于给回水温度调节的风冷空调节能控制方法的整体流程图；
图3是本发明一示例性实施例提供的特征预测模型的驯化流程图；
图4是本发明一示例性实施例提供的LSTM单元结构图；
图5是本发明一示例性实施例提供的温度预测值与真实值的比较图；
图6是本发明一示例性实施例提供的控制策略执行前的给回水温度曲线图；
图7是本发明一示例性实施例提供的控制策略执行后的给回水温度曲线图；
图8是本发明一示例性实施例提供的基于给回水温度调节的风冷空调节能控制装置的结构示意图；
图9是本发明一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
图1示出了本发明所提供的基于给回水温度调节的风冷空调节能控制方法的流程示意图。如图1所示，基于给回水温度调节的风冷空调节能控制方法，包括：
步骤S101：采集与节能控制相关的历史数据集，其中历史数据集包括外界气象信息、给回水温度信息、室内平均温度和风冷空调能耗数据；
可选地，所述采集与节能控制相关的历史数据集，包括：在目标建筑位置搭建气象站和室内温度采集器；通过气象站和室内温度采集器收集历史数据集中的外界气象信息。
在本发明实施例中，可以在目标建筑位置搭建气象站和室内温度采集器，收集包括室外温度、湿度和其他气象特征、室内温度在内的（包括但不仅限于风速、风向、太阳照度等）特征信息。收集目标建筑的风冷空调的给回水温度和主机工作实时能耗数据。此外，还可以根据建筑使用类型不同，依据热力学原理同时收集其他相关特征数据。
步骤S102：将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析，从外界气象信息和风冷空调能耗数据中确定相关性大于预设阈值的控制指标；
可选地，基于给回水温度调节的风冷空调节能控制方法还包括：所述将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析之前，对采集的历史数据集进行数据清洗和标准化处理。
在本发明实施例中，将能耗数据与上述得到的影响主机工作的因素、室内温度波动等数据在时间尺度上对齐。对收集到的数据进行缺失值补齐操作和数据清洗操作，去除异常值，对于小范围特征缺失采取插值补齐或丢弃操作。
进一步地，将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析，即需要对影响风冷空调能耗的特征做相关性分析，寻找影响最大的即相关性最强的几个特征作为控制机组工作状态的控制指标，作为模型的输入特征。
步骤S103：根据给回水温度信息和室内平均温度，确定风冷空调的滞后时间，其中滞后时间为风冷空调工作引起室内平均温度达到温度要求并使室内平均温度趋于平稳需要的平均时间；
在本发明实施例中，对历史数据集进行多因素分析，根据给回水温度信息和室内平均温度，寻找风冷空调工作引起的室内温度变化并使温度场趋于平稳的平均时间，即室内温度变化相比于风冷空调的滞后时间，从而为后续处理提供数据支撑。
步骤S104：基于控制指标和滞后时间，从历史数据集中获取室内平均温度达到温度要求且平稳的时间段数据，其中时间段数据包括滞后时间内风冷空调的给回水温度、室内平均温度以及各个控制指标的数据；
在本发明实施例中，将历史数据集按照滞后时间划分，然后基于控制指标，对划分后的数据进行方差分析寻找室内温度达到温度要求且波动较小的时间段数据。
步骤S105：采用控制变量法，分析各个控制指标与风冷空调的给回水温度的关系，从时间段数据中选取不同外界条件下风冷空调能耗最低的控制策略；
在本发明实施例中，采用控制变量法，对相关性分析得到的对风冷空调的冷冻水和冷却水控制温度影响较大的指标，分别分析其对风冷空调的影响程度，找到时间段数据中相同特征下能耗最低的控制策略。此外，还可以对于风冷空调出现的工作稳定性问题做出调整和修正。
步骤S106：根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值；
可选地，所述预设的特征预测模型包括特征预测层和全连接神经网络；并且所述根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值，包括：将实时采集的外界气象数据和风冷空调能耗数据输入特征预测层，输出目标特征的预测特征；将预测特征送入全连接神经网络，确定滞后时间内目标特征的预测值。
可选地，基于给回水温度调节的风冷空调节能控制方法还包括：所述根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值之前，根据风冷空调的滞后时间，确实特征预测模型的输入特征的数据长度以及模型预测的时间长度。
在本发明实施例中，对相关性分析中得到的控制指标进行基于时间序列的预测，预测的时间覆盖系统的时滞时间，预测的方法包括但不仅限于ARIMA、SARIMA、LSTM、RNN、Seq2Seq等在内的基于时间序列的特征预测模型，要求模型能够对特征因素做出实时预测来指导风冷空调提前调整。
在确定滞后时间内目标特征的预测值之前，还需要根据风冷空调的滞后时间，确实特征预测模型的输入特征的数据长度以及模型预测的时间长度。例如但不限于为，风冷空调的滞后时间为100分钟，则特征预测模型预测的时间长度可以选择为100分钟，模型的输入特征的数据长度为每100分钟内风冷空调的特征数据。
进一步地，特征预测模型包括特征预测层和全连接神经网络。可以先将实时采集的外界气象数据和风冷空调能耗数据输入特征预测层，输出目标特征的预测特征，然后将预测特征送入全连接神经网络，确定滞后时间内目标特征的预测值。通过这种方式，有效保障了特征预测模型输出的预测值的准确性。
步骤S107：从不同外界条件下风冷空调能耗最低的控制策略中确定与目标特征的预测值相匹配的最优控制策略。
在本发明实施例中，如图2所示，基于特征预测模型输出的目标特征的预测值，从不同外界条件下风冷空调能耗最低的控制策略中确定与该目标特征的预测值相匹配的最优控制策略，从而控制风冷空调的冷冻水或冷却水温度。
可选地，基于给回水温度调节的风冷空调节能控制方法还包括：获取使用目标控制策略的风冷空调的第一风冷空调能耗数据；在相同外界条件下，获取未使用目标控制策略的风冷空调的第二风冷空调能耗数据；对比第一风冷空调能耗数据和第二风冷空调能耗数据，并根据对比的结果确定目标控制策略的有效性和节能率；基于第一风冷空调能耗数据和第二风冷空调能耗数据，迭代更新已有的历史数据集。
在本发明实施例中，如图2所示，可以利用使用目标控制策略得到的结果数据集去迭代更新不同外界条件下风冷空调能耗最低的控制策略。具体为，将使用目标控制策略的风冷空调的能耗数据与相同外界条件下的未使用优化模型的情景下的能耗数据进行对比，得到控制策略的有效性验证和节能率，迭代更新已有的历史数据集，同时对试运行出现的各类问题作出调整得到最终的最优控制策略。
下文以某医院中央空调节能系统为例，详细阐述本发明如何实现某医院中央空调节能系统的节能控制，具体步骤如下：
步骤一、采集一个自然年中制冷模式下的六个月（可根据实际制冷或制热模式的工作时间来调整，全国各地因季节气候条件不同而各异）的外界气象信息数据。气象数据采集的密度满足两次采集点之间目标特征的变化幅度小于该特征极差的1%，即
；
上式中T为特征，i和i+1为不同时刻，N为数据总量，0<i<N。上述做法目的是为了防止特征预测模型驯化时因特征不足导致的模型欠拟合现象。
医院的设备运行较为稳定，设备散热和用电设备的多少有紧密关系，故而使用室内除空调设备外的其他设备总用电来表征设备散热。除此之外，室内主要热源来自于人员散热，故而同时通过视频传感器、门禁打卡数据采集到人员数量变量。本实施例中空调主机是通过设定给回水温度来控制机组的运行状态的，故而通过空调主机自带的PLC设备采集到主机的运行参数，基于运行参数得到给回水温度信息。
步骤二、从气象站特征（外界气象信息数据）选择包括气温、气压、湿度、风速、风向、太阳照度等多个气象特征，将上述多个气象特征和人员数量、室内用电总量一起与空调系统的总用电量（空调系统总负荷）做皮尔逊相关性分析。选择与实际值相关性较大的特征作为模型特征。皮尔逊相关性系数计算方法为：
；
皮尔逊相关系数计算的结果绝对值越大，表示两者之间的相关性越强，皮尔逊系数为正表示正相关，反之表示负相关。
经相关性分析后最终选择与空调系统总负荷（总用电量）相关性较大的4个特征包括温度、湿度、太阳照度数据、人员数量在内（可根据当时实际情况调整，中央空调节能系统必须包括温度和湿度特征在内）作为调整机组的主要参考指标。将温度、湿度、太阳照度数据去除异常值并做Max-Min归一化操作以便后续进行时间序列预测。具体公式如下：
；
上式中、/>、/>分别为原始特征值、原始特征中最大值、原始特征中的最小值，/>为经标准化之后的特征值。归一化的目的是为了使各个特征在模型中具有同样的权重，即不同尺度的特征经归一化处理之后都将处于0～1之间。模型的输入历史数据长度和预测的时间长度决定于目标建筑特性和建筑内冷热循环的滞后时间。
步骤三、由于建筑结构和建筑内传热速度的影响，空调系统工作和室内温度变化存在一定的滞后时间，根据热传导公式：
；
其中为温差，R为热阻，在固定建筑中热阻可以视为不变，那么热量传导的速度与温差存在正比例关系，机组给回水温度与室内温差越大其传热速度越快。按照国家标准制冷空调以室温维持在28°C，给水温度设置7°C，回水温度12°C的工况下，分析机组给回水温度变化后室内温度场趋于平稳的最长时间在100分钟左右，那么为了保证机组在预测的时间间隔内供应的冷热供应能够满足温度调节需求。
本实施例中经过对历史数据进行分析，得到在外界条件不发生较大变化的前提下，制冷模式下机组运行状态调整后室内温度场趋于平稳的平均时间在100分钟左右，故而本实施例中空调系统的滞后时间（即时间序列预测未来的时间长度）选择为100分钟。
步骤四、经过对历史数据预处理之后得到每100分钟内机组的设定给回水温度、室内平均温度、外界温度、湿度、太阳照度、人员数量的数据。首先过滤出满足室内温度要求的有效数据，即筛选室内温度低于28摄氏度的数据。采用控制变量法，根据相关性由高到低依次控制其余变量来找到机组设定给回水温度和影响因素的关系。例如当室外温度为38±0.5°C、室外湿度在50%～60%、太阳照度12000±1000Lux、室内人员数量在300±20条件下的所有机组设定给回水温度，根据暖通相关知识，在满足室内需求的前提下，制冷机组给回水温度设定越高越有利于节能，故而找到最高的机组设定给回水温度即为该外界条件下机组的近似最优设定温度。使用类似方法找到每个影响因素与机组设定给回水温度的关系并将得到的不同条件下最优策略储存起来，建立高维空间上的“散点图”。
步骤五、本实施例中选择以LSTM神经网络作为温湿度、太阳照度的特征预测模型，选择时间步长为50（对应真实时间长度为500分钟）。特征预测模型的输出矩阵形状为[out-time-step × 1]，即目标时间长度内每一时刻的温湿度、太阳照度值。本实施例的气象数据时间密度选择10分钟，具体时间密度可根据当地气候特征来调整。时间密度选择应当满足任意两个时刻特征的变化幅度不大于该特征极差的1%，同时也不可过于密集，否则会导致特征预测模型驯化速度变慢甚至无法收敛。其中，特征预测模型的驯化流程图如图3所示。
模型训练时的输入模型的特征矩阵维度为[batch-size×input-length ×feature-size]，模型的输出矩阵形状为[output-length × 1]，即目标时间长度内每一时刻的温度值。
定义激活函数和/>激活函数的计算方式如下：
；
；
使用激活函数的目的是为了在神经网络传播过程中实现网络非线性化，即使得网络能够拟合复杂的非线性模型。
如图4所示，LSTM神经网络单元包括遗忘门、记忆门、和输出门，其中遗忘门的计算公式如下：
；
；
上式中，为隐藏层与输入特征矩阵的权重向量；/>为/>时刻隐藏层矩阵；/>为/>时刻的输入特征向量，/>为偏置；/>为经/>激活函数处理之后的遗忘门的输出结果。
记忆门计算公式如下：
；
；
上式中，为隐藏层与输入特征矩阵的权重向量；/>为/>时刻隐藏层矩阵；/>为/>时刻的输入特征向量，/>为偏置；/>为经/>激活函数处理之后的遗忘门的输出结果。
输出门函数计算表达式为：
；
上式中为遗忘门函数处理之后的数据向量，/>为上一时刻的输出向量，/>为记忆门函数处理之后的输出结果，/>为t时刻的输出门输出结果。
在一次预测过程中，模型编码层LSTM单元的输入序列为
；
其中为时间步长，每一个/>向量均为一组特征值，其长度为特征的数量。本发明中采取的注意力机制为Luong Attention注意力机制，其计算公式为：
；
；
；
公式中h为编码层每一个时间步的输出向量，d是解码层每一个时间步的状态，a是将每一个时间步的输出与最后一个时间步匹配的权重， c是计算注意力加权后的向量，和上一个解码层的输出一起用于解码层的下一个时间步的输入。最终将得到的解码层输出向量。
本实施例中LSTM模型优化器选择Adam优化器对模型的参数进行优化（也可使用其他优化器，包括但不仅限于SGD随机梯度下降、Momentum动量算法等），Adam优化器其计算公式如下：
；
；
；
；
；
；
上式中t为时间步，初始为0，为时间步为t时刻的函数梯度，/>为要更新的参数，为参数/>的随机目标函数，/>，/>分别为一阶矩阵和二阶矩阵的指数衰减率，/>是对梯度的一阶矩阵的估计，/>是对梯度的二阶矩阵的估计，/>是对/>的修正，/>是对/>的修正，为学习率，/>为常数。
本实施例模型损失函数选择MSE损失函数（实际应用中也可选择其他损失函数），MSE损失函数计算公式如下：
；
上式中，n为模型训练时目标时间的长度，即target-size，为预测某一时刻的真实值，/>为此时刻的预测值，则使用损失函数时预测值与真实值之间的误差越大损失函数的结果也就越大，代表预测的精准度越低；反之则表示模型准确率较好。
模型的超参数选择遵循“奥卡姆剃刀”原理，初始驯化时特征预测模型的结构应当尽量简单，本模型中设置Adam优化器学习率，LSTM隐藏层大小为30，层数为1层，Dropout设置为0；time-step超参数设置为1；一维卷积层大小设置为N，卷积层设置为1层。所有参数矩阵初始化方法选择高斯初始化。
步骤六、得到基于LSTM的温湿度以及太阳照度的预测模型后，将实时采集的气象和人员数据使用模型进行预测得到滞后时间内的外界指标预测值，并根据历史数据过滤得到的最优策略，使用KNN算法找到高维特征空间“散点图”中与当前预测的外界指标预测值欧氏距离最近的特征点作为当前的最优化策略执行。
步骤七、试运行最优化策略，运行阶段不断将得到的数据进行迭代，不断填补高维空间中散点的缺失空洞，并不断寻找相同外界条件下的更优设定温度。不断迭代直至最优。
图5为使用上述模型结构预测的某地连续5天温度预测值与真实值的对比图。图6为控制策略执行前的给回水温度曲线图。图7为控制策略执行后的给回水温度曲线图。从图5、图6以及图7可以看出，使用最优控制策略之前，机组设定给回水温度不变，机组一直维持在36°C的给回水温度，能源浪费严重，使用本发明提出的节能策略，根据外界气象和人员因素实时调整机组负荷，在负荷低时减小机组给回水温度，节能效果显著。
实施过程中结合制冷机组性能曲线和具体工艺因素，未来100分钟内温度、湿度和太阳照度预测准确率达到97%以上，MSE指标在0.003以下。结合实际机组能耗完成负荷匹配，相比于手动控制机组在同样气候、人员条件下综合节能达到25%以上。
由于常规建筑的结构和用途在建筑完成后一般不会改变，那么实际建筑的冷热负荷计算中大量的复杂热传递过程和变量可以不计算出实际真实数值，在建筑空调系统运行时即可收集影响因素和主机工作状态的数据，因此依据热力学和数据分析的方法即可建立更为简单直观的空调系统节能控制方法。
本发明使用历史数据中的室外气象、人流、设备等其他影响冷负荷的因素以及机组的给水温度作为历史数据，从历史数据挖掘供给平衡的最优策略，从而根据传感器数据实时预测未来时刻的影响指标。进而调节机组状态进而达到有效的节能目标。
相比于其他使用冷负荷预测进而指导机组调节从而节能的方法，本发明中使用建筑空调系统实际运行的历史数据来进行信息挖掘和负荷匹配，不仅免去了复杂的冷负荷计算过程，同时又能根据实际建筑的情况对影响控制指标的因素适当调整，经济型和实用性都更优秀。
本发明同样适用于与外界温度相关性较强的制冷和制热设施，例如中央空调机组（制冷或制热），冷库制冷机组，农业、种植业恒温设备等冷热设施。
从而，本发明所提出的基于给回水温度调节的风冷空调节能控制方法，通过对与节能控制相关的历史数据进行相关性分析，挖掘多个供给平衡的控制策略，进一步根据实时采集建筑的外界气象数据和风冷空调能耗数据，确定未来时刻的目标特征的预测值，并根据该预测值从挖掘的多个控制策略中确定相匹配的最优控制策略。本发明使用与节能控制相关的历史数据进行信息挖掘和负荷匹配，不仅免去了复杂的冷负荷计算过程，同时又能根据实际建筑的情况确定相匹配的最优控制策略，有效提高了方案的实用性。解决了现有空调系统节能控制方法的计算复杂、适用性差的问题。
图8是本发明一示例性实施例提供的基于给回水温度调节的风冷空调节能控制装置的结构示意图。如图8所示，装置800包括：
采集模块810，用于采集与节能控制相关的历史数据集，其中历史数据集包括外界气象信息、给回水温度信息、室内平均温度和风冷空调能耗数据；
相关性分析模块820，用于将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析，从外界气象信息和风冷空调能耗数据中确定相关性大于预设阈值的控制指标；
滞后时间确定模块830，用于根据给回水温度信息和室内平均温度，确定风冷空调的滞后时间，其中滞后时间为风冷空调工作引起室内平均温度达到温度要求并使室内平均温度趋于平稳需要的平均时间；
数据选取模块840，用于基于控制指标和滞后时间，从历史数据集中获取室内平均温度达到温度要求且平稳的时间段数据，其中时间段数据包括滞后时间内风冷空调的给回水温度、室内平均温度以及各个控制指标的数据；
控制策略选取模块850，用于采用控制变量法，分析各个控制指标与风冷空调的给回水温度的关系，从时间段数据中选取不同外界条件下风冷空调能耗最低的控制策略；
预测值预测模块860，用于根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值；
策略确定模块870，用于从不同外界条件下风冷空调能耗最低的控制策略中确定与目标特征的预测值相匹配的最优控制策略。
可选地，基于给回水温度调节的风冷空调节能控制装置还包括：
第一获取模块，用于获取使用目标控制策略的风冷空调的第一风冷空调能耗数据；
第二获取模块，用于在相同外界条件下，获取未使用目标控制策略的风冷空调的第二风冷空调能耗数据；
对比模块，用于对比第一风冷空调能耗数据和第二风冷空调能耗数据，并根据对比的结果确定目标控制策略的有效性和节能率；
迭代更新模块，用于基于第一风冷空调能耗数据和第二风冷空调能耗数据，迭代更新已有的历史数据集。
可选地，基于给回水温度调节的风冷空调节能控制装置还包括：预处理模块，用于对采集的历史数据集进行数据清洗和标准化处理。
可选地，所述采集模块810，具体用于：
在目标建筑位置搭建气象站和室内温度采集器；
通过气象站和室内温度采集器收集历史数据集中的外界气象信息。
可选地，所述预设的特征预测模型包括特征预测层和全连接神经网络；并且所述滞后时间确定模块830，具体用于：
将实时采集的外界气象数据和风冷空调能耗数据输入特征预测层，输出目标特征的预测特征；
将预测特征送入全连接神经网络，确定滞后时间内目标特征的预测值。
可选地，基于给回水温度调节的风冷空调节能控制装置还包括：特征确定模块，用于根据风冷空调的滞后时间，确实特征预测模型的输入特征的数据长度以及模型预测的时间长度。
本发明的实施例的基于给回水温度调节的风冷空调节能控制装置与本发明的另一个实施例的基于给回水温度调节的风冷空调节能控制方法相对应，在此不再赘述。
示例性电子设备
图9是本发明一示例性实施例提供的电子设备的结构。如图9所示，电子设备90包括一个或多个处理器91和存储器92。
处理器91可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器92可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器91可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置93和输出装置94，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
此外，该输入装置93还可以包括例如键盘、鼠标等等。
该输出装置94可以向外部输出各种信息。该输出装置94可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于给回水温度调节的风冷空调节能控制方法，其特征在于，包括：
采集与节能控制相关的历史数据集，其中历史数据集包括外界气象信息、给回水温度信息、室内平均温度和风冷空调能耗数据；
将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析，从外界气象信息和风冷空调能耗数据中确定相关性大于预设阈值的控制指标；
根据给回水温度信息和室内平均温度，确定风冷空调的滞后时间，其中滞后时间为风冷空调工作引起室内平均温度达到温度要求并使室内平均温度趋于平稳需要的平均时间；
基于控制指标和滞后时间，从历史数据集中获取室内平均温度达到温度要求且平稳的时间段数据，其中时间段数据包括滞后时间内风冷空调的给回水温度、室内平均温度以及各个控制指标的数据；
采用控制变量法，分析各个控制指标与风冷空调的给回水温度的关系，从时间段数据中选取不同外界条件下风冷空调能耗最低的控制策略；
根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值；
从不同外界条件下风冷空调能耗最低的控制策略中确定与目标特征的预测值相匹配的最优控制策略；
所述预设的特征预测模型包括特征预测层和全连接神经网络；并且
所述根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值，包括：
将实时采集的外界气象数据和风冷空调能耗数据输入特征预测层，输出目标特征的预测特征；
将预测特征送入全连接神经网络，确定滞后时间内目标特征的预测值；
所述根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值之前，还包括：
根据风冷空调的滞后时间，确实特征预测模型的输入特征的数据长度以及模型预测的时间长度。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取使用目标控制策略的风冷空调的第一风冷空调能耗数据；
在相同外界条件下，获取未使用目标控制策略的风冷空调的第二风冷空调能耗数据；
对比第一风冷空调能耗数据和第二风冷空调能耗数据，并根据对比的结果确定目标控制策略的有效性和节能率；
基于第一风冷空调能耗数据和第二风冷空调能耗数据，迭代更新已有的历史数据集。
3.根据权利要求1所述的方法，其特征在于，所述将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析之前，还包括：对采集的历史数据集进行数据清洗和标准化处理。
4.根据权利要求1所述的方法，其特征在于，所述采集与节能控制相关的历史数据集，包括：
在目标建筑位置搭建气象站和室内温度采集器；
通过气象站和室内温度采集器收集历史数据集中的外界气象信息。
5.一种基于给回水温度调节的风冷空调节能控制装置，其特征在于，包括：
采集模块，用于采集与节能控制相关的历史数据集，其中历史数据集包括外界气象信息、给回水温度信息、室内平均温度和风冷空调能耗数据；
相关性分析模块，用于将外界气象信息和风冷空调能耗数据与风冷空调的总负荷进行相关性分析，从外界气象信息和风冷空调能耗数据中确定相关性大于预设阈值的控制指标；
滞后时间确定模块，用于根据给回水温度信息和室内平均温度，确定风冷空调的滞后时间，其中滞后时间为风冷空调工作引起室内平均温度达到温度要求并使室内平均温度趋于平稳需要的平均时间；
数据选取模块，用于基于控制指标和滞后时间，从历史数据集中获取室内平均温度达到温度要求且平稳的时间段数据，其中时间段数据包括滞后时间内风冷空调的给回水温度、室内平均温度以及各个控制指标的数据；
控制策略选取模块，用于采用控制变量法，分析各个控制指标与风冷空调的给回水温度的关系，从时间段数据中选取不同外界条件下风冷空调能耗最低的控制策略；
预测值预测模块，用于根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值；
策略确定模块，用于从不同外界条件下风冷空调能耗最低的控制策略中确定与目标特征的预测值相匹配的最优控制策略；
所述预设的特征预测模型包括特征预测层和全连接神经网络；并且
所述根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值，包括：
将实时采集的外界气象数据和风冷空调能耗数据输入特征预测层，输出目标特征的预测特征；
将预测特征送入全连接神经网络，确定滞后时间内目标特征的预测值；
所述根据实时采集的外界气象数据和风冷空调能耗数据，利用预设的特征预测模型，确定滞后时间内目标特征的预测值之前，还包括：
根据风冷空调的滞后时间，确实特征预测模型的输入特征的数据长度以及模型预测的时间长度。
6.根据权利要求5所述的装置，其特征在于，还包括：
第一获取模块，用于获取使用目标控制策略的风冷空调的第一风冷空调能耗数据；
第二获取模块，用于在相同外界条件下，获取未使用目标控制策略的风冷空调的第二风冷空调能耗数据；
对比模块，用于对比第一风冷空调能耗数据和第二风冷空调能耗数据，并根据对比的结果确定目标控制策略的有效性和节能率；
迭代更新模块，用于基于第一风冷空调能耗数据和第二风冷空调能耗数据，迭代更新已有的历史数据集。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-4任一所述的方法。
8.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310210093.XA CN116045461B (zh) | 2023-03-07 | 2023-03-07 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310210093.XA CN116045461B (zh) | 2023-03-07 | 2023-03-07 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116045461A CN116045461A (zh) | 2023-05-02 |
| CN116045461B true CN116045461B (zh) | 2023-10-27 |
Family
ID=86116573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310210093.XA Active CN116045461B (zh) | 2023-03-07 | 2023-03-07 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116045461B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI840215B (zh) * | 2023-05-05 | 2024-04-21 | 緯創資通股份有限公司 | 用電設備設定方法及電子裝置 |
| CN118378547B (zh) * | 2024-06-25 | 2024-10-18 | 苏州首拓信息科技有限公司 | 一种基于人工智能的hvac系统能耗优化方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1194327A (ja) * | 1997-09-18 | 1999-04-09 | Matsushita Seiko Co Ltd | 空気調和機の制御装置 |
| CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
| CN105066341A (zh) * | 2015-07-31 | 2015-11-18 | 新智能源系统控制有限责任公司 | 适用于空调二级泵系统的变水温控制系统 |
| CN105222286A (zh) * | 2015-11-10 | 2016-01-06 | 苏州海而仕信息科技有限公司 | 水冷式中央空调的恒温控制方法 |
| CN110529980A (zh) * | 2019-08-14 | 2019-12-03 | 雄安达实智慧科技有限公司 | 中央空调实际需求供冷负荷的确定方法、系统和电子设备 |
| CN112268350A (zh) * | 2020-10-22 | 2021-01-26 | 天津大学 | 一种基于系统延迟性的空调侧负荷预测方法 |
| CN113418228A (zh) * | 2020-12-14 | 2021-09-21 | 建科环能科技有限公司 | 基于供需匹配的空气源热泵变回差水温控制方法及系统 |
| CN114383299A (zh) * | 2021-12-22 | 2022-04-22 | 武汉理工大学 | 基于大数据与动态仿真的中央空调系统运行策略优化方法 |
-
2023
- 2023-03-07 CN CN202310210093.XA patent/CN116045461B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1194327A (ja) * | 1997-09-18 | 1999-04-09 | Matsushita Seiko Co Ltd | 空気調和機の制御装置 |
| CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
| CN105066341A (zh) * | 2015-07-31 | 2015-11-18 | 新智能源系统控制有限责任公司 | 适用于空调二级泵系统的变水温控制系统 |
| CN105222286A (zh) * | 2015-11-10 | 2016-01-06 | 苏州海而仕信息科技有限公司 | 水冷式中央空调的恒温控制方法 |
| CN110529980A (zh) * | 2019-08-14 | 2019-12-03 | 雄安达实智慧科技有限公司 | 中央空调实际需求供冷负荷的确定方法、系统和电子设备 |
| CN112268350A (zh) * | 2020-10-22 | 2021-01-26 | 天津大学 | 一种基于系统延迟性的空调侧负荷预测方法 |
| CN113418228A (zh) * | 2020-12-14 | 2021-09-21 | 建科环能科技有限公司 | 基于供需匹配的空气源热泵变回差水温控制方法及系统 |
| CN114383299A (zh) * | 2021-12-22 | 2022-04-22 | 武汉理工大学 | 基于大数据与动态仿真的中央空调系统运行策略优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116045461A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Harish et al. | A review on modeling and simulation of building energy systems | |
| JP5572799B2 (ja) | 空調システム制御装置 | |
| CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
| US10107513B2 (en) | Thermodynamic modeling for enclosures | |
| Wang et al. | Model-based optimal control of VAV air-conditioning system using genetic algorithm | |
| Zhao et al. | A review on the prediction of building energy consumption | |
| CN111735178B (zh) | 基于精英主义和svr回归算法的空调节能系统及优化方法 | |
| CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
| CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
| CN111580382B (zh) | 基于人工智能的单元级供热调节方法及系统 | |
| EP4089619A1 (en) | Building equipment energy management control system and control method therefor | |
| CN118423810B (zh) | 空调能耗优化方法、装置、设备、存储介质及程序产品 | |
| CN117970986A (zh) | 一种冷热系统的温湿度控制方法、装置及介质 | |
| CN114740727B (zh) | 室外温度扰动条件下的空气源热泵动态能效优化控制方法 | |
| CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
| Perera et al. | Prediction of space heating energy consumption in cabins based on multivariate regression modelling | |
| Es-Sakali et al. | Building energy efficiency improvement using multi-objective optimization for heating and cooling VRF thermostat setpoints | |
| CN116227725A (zh) | 一种建筑物空调系统的负荷预测方法、装置及电子设备 | |
| Noh et al. | Development of a DNN model using calibrated simulation for the optimal control of HVAC systems | |
| Hou et al. | Development of event-driven optimal control for central air-conditioning systems | |
| CN117013520A (zh) | 一种基于增量学习的柔性负荷可调功率评估方法 | |
| CN115879190A (zh) | 模型构建方法及装置、建筑负荷预测方法及装置 | |
| CN117355710A (zh) | 一种用于控制制冷设备的方法和装置 | |
| CN116307153A (zh) | 用于制冷制热系统节能的气象预测方法、装置及电子设备 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An energy-saving control method and device for air-cooled air conditioning based on temperature regulation of supply and return water Effective date of registration: 20231220 Granted publication date: 20231027 Pledgee: Bank of China Co.,Ltd. Nansha Branch of Guangdong Free Trade Pilot Area Pledgor: Guangdong Heju Intelligent Technology Co.,Ltd. Registration number: Y2023980073009 |