CN116085953A - 基于动态空调运行数据的节能控制方法、系统及介质 - Google Patents
基于动态空调运行数据的节能控制方法、系统及介质 Download PDFInfo
- Publication number
- CN116085953A CN116085953A CN202310232656.5A CN202310232656A CN116085953A CN 116085953 A CN116085953 A CN 116085953A CN 202310232656 A CN202310232656 A CN 202310232656A CN 116085953 A CN116085953 A CN 116085953A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- model
- energy
- matrix
- operation 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.)
- Pending
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
- F24F11/30—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
- F24F11/62—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
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种基于动态空调运行数据的节能控制方法、系统及介质,包括:采集空调历史运行数据作为训练样本,利用神经网络算法建立空调负荷预测模型和空调系统仿真模型;然后,以系统最小能耗为优化目标,采用分支定界法,在保证安全的前提下对系统运行状态进行动态寻优。本方法通过采用分支定界法对空调系统中各可控设备进行全局寻优,解决了传统中央空调控制系统割裂整个系统仅对单台或单组设备采用PID、单因素调节的方式进行独立控制而造成无法找到全局最优点的问题,尽最大可能挖掘空调系统节能潜力。
Description
技术领域
本发明涉及空调控制算法的技术领域,具体地,涉及一种基于动态空调运行数据的节能控制方法、系统及介质。
背景技术
目前,医疗卫生建筑的空调系统大都仍采用人工操作的方式运行。少数在使用的空调群控系统多采用传统PID控制,但由于空调系统的强耦合、大延迟、大惯性特点,控制效果不佳。冷机群控的动态优化为典型混合整数规划(MINLP)问题,该问题不仅涉及设备启停这类整形变量的优化,还涉及设备运行参数这类连续性变量的优化。上述特性导致难以对该类系统建立精确的数学模型。因此,建立一套用于空调系统的动态优化控制策略尤为关键。
目前,在用于空调系统的动态控制的智能化算法中,利用物理模型,以全局总能耗为目标函数寻优,每一次迭代淘汰“坏解”,重生“新解”,并对高维优化模型进行求解,以获取有效的优化控制参数,该方法获得的“最优解”总能耗较低,但未能充分考虑优化后末端舒适性要求。例如在公开号为CN114543273A的中国专利文献中,公开了一种集中空调供冷系统自适应深度学习优化节能控制算法,该算法获得的最优解并未充分考虑优化后的末端舒适性要求。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于动态空调运行数据的节能控制方法、系统及介质。
根据本发明提供的一种基于动态空调运行数据的节能控制方法,包括:
步骤S1:采集空调历史运行数据作为训练样本,利用神经网络算法建立空调负荷预测模型和空调系统仿真模型;
步骤S2:记录当前空调系统各设备状态的控制参数,基于控制参数生成初始设备状态矩阵STn×1;
步骤S3:以STn×1矩阵所示各设备状态输出参数作为搜索起始位置,采用分支定界法生成可运行方案矩阵BDn×m;
步骤S4:将BDn×m矩阵逐行赋值给设备状态矩阵STn×1,利用空调系统仿真模型判断当前设备状态矩阵对应的运行方案是否存在危险,若存在,则选取BDn×m矩阵中下一组数据进行赋值;若不存在,进入步骤S5;
步骤S5:利用空调系统仿真模型计算当前运行方案的能耗Fec,利用空调负荷预测模型计算当前运行方案的室内舒适度Fco,将能耗Fec和室内舒适度Fco指标进行加权计算,从所有可行方案中选择最优方案ST′best下发给现场设备执行。
优选地,还包括:
步骤S6:当执行最优方案ST′best经过设定时间后,进入步骤S1进行下一轮优化。
优选地,所述空调负荷预测模型的建立方法包括:
步骤S1.1:对现场设备运行的历史数据和室外环境数据进行样本采集、滤波处理以及归一化处理;
步骤S1.2:采用神经网络算法建立空调负荷预测模型f,所述空调负荷预测模型用于描述各环境影响因子与室内平均温度变化量的统计学关系;
步骤S1.3:求解空调负荷预测模型f的逆函数f-1,根据逆函数f-1以及已知环境影响因子求解所需的制冷量。
优选地,所述环境影响因子包括室外温湿度、时间段、供回水温度和流量以及制冷量。
优选地,所述空调系统仿真模型基于神经网络算法建立,建立环境影响因子与目标量的统计学模型,所述空调系统仿真模型包括回水温度模型,室温变化率模型,冷机制冷量、能耗、效率模型,水泵流量、能耗模型,冷却塔出水速度、能耗模型。
优选地,所述当前运行方案的能耗Fec计算方法包括:
Fec=∑Fwcu+∑Fldp+∑Flqp+∑Fct
式中,Fwcu为各台冷组能耗,Fldp为各台冷冻水泵能耗,Flqp为各台冷却水泵能耗,Fct为各台冷却塔能耗;
Fwcu=f-1(Tsw,dsw,Ths,qhs,Tgs-set,qlq,Tlq)
式中,Tsw为室外温度,dsw为室外湿度,Ths为回水温度,qhs为回水流量,Tgs-set为供水温度设定值,qlq为冷却水流量,Tlq为冷却水温度;
Fldp=f-1(fld-pl,Ifm-sta,fother-ldpl)
式中,fld-pl为冷冻水泵频率,Ifm-sta为阀门状态,fother-ldpl为其他冷冻水泵状态;
Flqp=f-1(flq-pl,Ifm-sta,fother-lqpl)
式中,flq-pl为冷却水泵频率,Ifm-sta为阀门状态,fother-lqpl为其他冷却水泵状态;
Fct=f-1(Tsw,dsw,Ths,qhs,Ifj-sta)
式中,Tsw为室外温度,dsw为室外湿度,Ths为回水温度,qhs为回水流量,Ifj-set为风机状态设定。
优选地,所述当前方案的室内舒适度Fco计算方法包括:
步骤S5.1:利用空调负荷预测模型计算得到预设时间内所需制冷量Qyc;
步骤S5.2:利用空调系统仿真模型中的冷机制冷量模型,模拟计算设备按状态矩阵STn×1运行预设时间后冷机的总制冷量Qmn;
步骤S5.3:将负荷预测制冷量Qyc与冷机制冷量模型模拟的总制冷量Qmn进行对比,计算室内舒适度指标Fco:
根据本发明提供的一种基于动态空调运行数据的节能控制系统,包括:
模块M1:采集空调历史运行数据作为训练样本,利用神经网络算法建立空调负荷预测模型和空调系统仿真模型;
模块M2:记录当前空调系统各设备状态的控制参数,基于控制参数生成初始设备状态矩阵STn×1;
模块M3:以STn×1矩阵所示各设备状态输出参数作为搜索起始位置,采用分支定界法生成可运行方案矩阵BDn×m;
模块M4:将BDn×m矩阵逐行赋值给设备状态矩阵STn×1,利用空调系统仿真模型判断当前设备状态矩阵对应的运行方案是否存在危险,若存在,则选取BDn×m矩阵中下一组数据进行赋值;若不存在,进入模块M5;
模块M5:利用空调系统仿真模型计算当前运行方案的能耗Fec,利用空调负荷预测模型计算当前运行方案的室内舒适度Fco,将能耗Fec和室内舒适度Fco指标进行加权计算,从所有可行方案中选择最优方案ST′best下发给现场设备执行。
优选地,还包括:
模块M6:当执行最优方案ST′best经过设定时间后,进入模块M1进行下一轮优化。根据本发明提供的一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现基于动态空调运行数据的节能控制方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
1、该算法通过采用分支定界法对空调系统中各可控设备进行全局寻优,解决了传统中央空调控制系统割裂整个系统仅对单台或单组设备采用PID、单因素调节的方式进行独立控制而造成无法找到全局最优点的问题,尽最大可能挖掘空调系统节能潜力。
2、通过直接将实时采集的室内温湿度参数用于对空调系统的控制,解决了传统PID控制存在的滞后、控制效果不佳等问题,在提高了空调末端舒适度的同时,还降低了空调能耗,避免了过冷或过热的产生。
3、通过不断收集空调系统新运行数据样本以替代旧的样本,并利用空暇时间对神经网络模型进行训练,解决了模型会随时间推移逐渐偏离现场实际的问题,使模型具备了极强的自适应能力,增强了算法的鲁棒性。
本发明的其他有益效果,将在具体实施方式中通过具体技术特征和技术方案的介绍来阐述,本领域技术人员通过这些技术特征和技术方案的介绍,应能理解所述技术特征和技术方案带来的有益技术效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明中基于动态空调运行数据的节能控制方法流程图;
图2为本发明中空调系统预测模型图;
图3为本发明中PMV在25℃下随时间变化示意图;
图4为本发明中PMV在26℃下随时间变化示意图;
图5为本发明中PMV在27℃下随时间变化示意图;
图6为本发明中PMV在28℃下随时间变化示意图;
图7为本发明中PMV在29℃下随时间变化示意图;
图8为本发明实施例中模拟当天的室外温度图;
图9为本发明节能算法模型迭代次数与效果示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明公开了一种基于动态空调运行数据的节能控制方法,本方法首先利用空调系统历史运行数据,并基于神经网络算法建立空调负荷预测模型及空调系统仿真模型。然后,以系统最小能耗为优化目标,采用分支定界法,在保证安全的前提下对系统运行状态进行动态寻优。
具体的,参照图1所示,基于动态空调运行数据的节能控制方法包括:
步骤S1:采集空调历史运行数据作为训练样本,利用神经网络算法建立空调负荷预测模型和空调系统仿真模型。
步骤S2:记录当前空调系统各设备状态的控制参数,基于控制参数生成初始设备状态矩阵STn×1;所述控制参数包括各冷机开关机状态、供水设定温度;各水泵开关状态、水泵频率;各冷却塔开关状态、冷却塔风机频率等。
步骤S3:以STn×1矩阵所示各设备状态输出参数作为搜索起始位置,采用分支定界法生成可运行方案矩阵BDn×m;
步骤S4:将BDn×m矩阵逐行赋值给设备状态矩阵STn×1,利用空调系统仿真模型判断当前设备状态矩阵对应的运行方案是否存在危险(例如:造成冷水机流量低于厂家设定值等),若存在,则选取BDn×m矩阵中下一组数据进行赋值;若不存在,进入步骤S5;
步骤S5:利用空调系统仿真模型计算当前运行方案的能耗Fec,利用空调负荷预测模型计算当前运行方案的室内舒适度Fco,将能耗Fec和室内舒适度Fco指标进行加权计算,从所有可行方案中选择最优方案ST′best下发给现场设备执行。
在一种优选的实施方式中,还包括步骤S6:当执行最优方案ST′best经过设定时间后,进入步骤S1进行下一轮优化。
所述空调负荷预测模型的建立方法包括:
步骤S1.1:对现场设备运行的历史数据和室外环境数据进行样本采集、滤波处理以及归一化等操作处理;
步骤S1.2:采用神经网络算法建立空调负荷预测模型f,所述空调负荷预测模型用于描述各环境影响因子与室内平均温度变化量的统计学关系;所述环境影响因子包括室外温湿度、时间段、供回水温度和流量以及制冷量。参照图2所述,其中x1为室外温湿度,x2为时间段,x3为制冷量,x4为供回水温度、流量,y为室内平均温度变化量。
步骤S1.3:求解空调负荷预测模型f的逆函数f-1,根据逆函数f-1即可在已知室外温湿度、时间段及要求的室内平均温度变化量的条件下求解未来一个时间窗口内所需的制冷量。
所述空调系统仿真模型基于神经网络算法建立,建立环境影响因子与目标量的统计学模型,参照步骤S1.1-步骤S1.3方法建立模型。所述空调系统仿真模型包括回水温度模型,室温变化率模型,冷机制冷量、能耗、效率模型,水泵流量、能耗模型,冷却塔出水速度、能耗模型。各模型神经网络输入/输出层如下表:
表1
当前运行方案的能耗Fec详细计算过程如下:
Fec=∑Fwcu+∑Fldp+∑Flqp+∑Fct
上式中,Fwcu为各台冷组能耗;Fldp为各台冷冻水泵能耗;Flqp为各台冷却水泵能耗;Fct为各台冷却塔能耗;
其中,Fwcu=f-1(Tsw,dsw,Ths,qhs,Tgs-set,qlq,Tlq)
式中,Tsw为室外温度;dsw为室外湿度;Ths为回水温度;qhs为回水流量;Tgs-set为供水温度设定值;qlq为冷却水流量;Tlq为冷却水温度。
采用神经网络算法建立冷机能耗模型f(模型输入层为:室外温湿度、回水温度、回水流量、供水温度设定、冷却水流量、冷却水温度;输出层为:冷机能耗)。通过对该模型求逆即可求得各台冷机能耗。
同理,采用神经网络算法分别构建冷冻水泵能耗模型、冷却水泵能耗模型、冷却塔能耗模型,输入、输出层见表1。并对上述模型求逆,可得:
Fldp=f-1(fld-pl,Ifm-sta,fother-ldpl)
式中,fld-pl为冷冻水泵频率;Ifm-sta为阀门状态;fother-ldpl为其他冷冻水泵状态。
Flqp=f-1(flq-pl,Ifm-sta,fother-lqpl)
式中,flq-pl为冷却水泵频率;Ifm-sta为阀门状态;fother-lqpl为其他冷却水泵状态。
Fct=f-1(Tsw,dsw,Ths,qhs,Ifj-sta)
式中,Tsw为室外温度;dsw为室外湿度;Ths为回水温度;qhs为回水流量;Ifj-set为风机状态设定。
当前方案的室内舒适度Fco详细计算过程如下:
步骤5.1:利用空调负荷预测模型计算得到一段时间内所需制冷量Qyc;
步骤5.2:利用空调系统仿真模型中的冷机制冷量模型(模型输入、输出层见表-1),模拟计算设备按状态矩阵STn×1运行一段时间后冷机的总制冷量Qmn;
步骤5.3:将负荷预测制冷量Qyc与冷机制冷量模型模拟的总制冷量Qmn进行对比,并按下式计算室内舒适度指标Fco:
下面对本发明中的空调节能算法做进一步说明。
1、建立功耗模型
建立空调能耗与室内外温度变化的函数关系。第的能量与当前室内温度、室内温度在最后一个时间点和当前室外环境温度如下。
假设第1小时空调消耗的能量为一定值,则第中所有空调消耗的总能量如下:
将全天所有空调的总能耗函数设置为二次函数(3),其中c是一个常数,其值与电价和能源消耗有关。对于第i台空调,一天消耗的总能量如下:
Ci=c[E1E2…En][Pi,1Pi,2…Pi,n]′ (4)
Ci=c(E1Pi,1+E2Pi,2+…+EnPi,n) (5)
空调一天消耗的能量总值会随着空调设定的温度值而增加或减少根据公式(5),空调一天消耗的能量总值仅与自身和其他空调的能耗有关,因此,其功能也可以表示为:
变换得到:
根据等式(1)和(4),第i台空调一天消耗的能量总值可以表示为当前温度值的导数:
组合方程(6)和(7)可得:
基于公式(1)可得:
组合方程(8),(9),和(10)并将它们替换为(7),可以获得:
根据(12),可得第i台空调一天消耗的能量总值会随着空调设定的温度值而变化。
2、选择热舒适度指数
热舒适控制是以人体在热环境中感受到的热舒适指数为控制目标,控制空调的方法。PMV作为人体热感的主观评价标准,根据不同程度将人体热感分为七个等级,采用热舒适度指数作为室内舒适度Fco的评价指标。根据空调设定温度对PMV值的影响可知,温度值对热舒适性影响很大。例如,参照图3-7所示,对于室内设定温度在25℃至29℃范围内,当室内温度设置为25℃时,PMV在一天内的值范围为-0.2至0.5。当室内温度设定为29℃时,PMV在一天内的值范围从1.0增加到2.5。另一方面,即使在相同的设定温度和不同的时间点,室内热舒适度也波动很大。
3、基于遗传算法的空调节能模型优化
初始化总体
在上述设定的温度范围内,随机产生一定数量的染色体,并消除不符合条件的染色体。初始人口的规模应根据问题的实际情况确定。由于空调功耗模型的整数解范围是设定温度范围,即5,因此一天中仅控制12小时,所需范围的大小为512。因此,100以内的初始种群大小可以满足优化条件,效率高。
健身功能设计
由于目标函数是最小值问题的解,函数值范围[10.036,17.751]是固定区间的正数,即能耗值分别从空调解集中的最高和最低温度得到。此外,还必须考虑室内舒适条件,即通过测试获得的PMV值。由于PMV的值范围为[-3,3],为了尽可能保证舒适的室内环境,室内PMV值必须在[-1,1]以内。
4、优化模型的MATLAB仿真
在模拟实验中,选取该地区夏季7月气象资料作为参数条件,包括该地区夏季温度、湿度、风速、平均热辐射温度、人类活动、服装等[21].模拟当天的室外温度如图8所示,相对湿度为93%。风速很平缓。紫外线辐射温度很强。人体能量代谢设定为58W/m。2.衣服的热阻为0.5clo。模拟设置条件如下。系统内空调数量m=200(下面分析仅一台空调的仿真,其他空调的设定温度值是随机生成的值),一天内空调的服役时间为12小时,对应一天中7:00到19:00的每小时值。温度的值范围设置为[25℃,29℃]中的整数值。在空调功耗模型中,常数值为α=0.9,β=-10,c=0.6。
由于确定了参数m和n的值范围,即0°≤°m≤17和0°<°n≤17,因此两个值之间存在一定的关系。当m值增大时,节能效果对算法的影响减小,热舒适指数对算法的影响增大。当n上升时,也发生了同样的结果。
首先,初始种群规模对收敛代数有很大影响。总体代数越大,收敛越快。然而,在适当范围内,交叉概率Pc、突变概率Pa和最大进化代数的变化对算法的优化效果影响不大。因此,研究中遗传算法的参数设置为种群大小为100,交叉概率Pc为0.5,突变概率Pm为0.01,最大进化代数为100代。
其次,当适应度函数公式中的常数参数m和n设置为m=1、n=1或m=4、n=2或m=6、n=3时,虽然能达到较好的能量效果,但室内热舒适指数较差,不能满足用户对舒适度的要求。因此,这三对值不适合使用,相对而言,当常数参数m和n设置为m=8、n=4和m=10、n=4时,虽然节能效果相对较差,但可以为用户提供舒适的室内环境。因此,这两对数值符合研究中空调节能方法的设计目标,可以采用。在研究中,参数m和n设置为m=8和n=4。
其次,在确定节能算法的常数参数值后,根据设定的参数值深入分析了所提算法的节能效果。遗传算法优化的相应时间点的室内温度设定值对应于一天消耗的能量总值(单位:元)C1=12.756。根据人体适宜温度范围的平均值,将室内温度设定为27℃,相当于一天消耗的能量总值(单位:元)C1=13.675。随机生成的室内温度设定值对应于一天消耗的能量总值(单位:元)C1=14.286。优化设定温度的能耗与随机设定温度相比可节省约89%,与人体平均设定温度范围相比可节省约93%,表明室内环境的相对热舒适度更为理想。图9是遗传算法模拟中每一代对应的能耗值的变化曲线。从图中可以看出,该模型在第53代左右收敛,优化效果明显。
本发明还公开了一种基于动态空调运行数据的节能控制系统,包括:
模块M1:采集空调历史运行数据作为训练样本,利用神经网络算法建立空调负荷预测模型和空调系统仿真模型;
模块M2:记录当前空调系统各设备状态的控制参数,基于控制参数生成初始设备状态矩阵STn×1;
模块M3:以STn×1矩阵所示各设备状态输出参数作为搜索起始位置,采用分支定界法生成可运行方案矩阵BDn×m;
模块M4:将BDn×m矩阵逐行赋值给设备状态矩阵STn×1,利用空调系统仿真模型判断当前设备状态矩阵对应的运行方案是否存在危险,若存在,则选取BDn×m矩阵中下一组数据进行赋值;若不存在,进入模块M5;
模块M5:利用空调系统仿真模型计算当前运行方案的能耗Fec,利用空调负荷预测模型计算当前运行方案的室内舒适度Fco,将能耗Fec和室内舒适度Fco指标进行加权计算,从所有可行方案中选择最优方案ST′best下发给现场设备执行。
模块M6:当执行最优方案ST′best经过设定时间后,进入模块M1进行下一轮优化。
在一种优选的实施方式中,所述空调负荷预测模型的建立方法包括:
模块M1.1:对现场设备运行的历史数据和室外环境数据进行样本采集、滤波处理以及归一化处理;
模块M1.2:采用神经网络算法建立空调负荷预测模型f,所述空调负荷预测模型用于描述各环境影响因子与室内平均温度变化量的统计学关系;所述环境影响因子包括室外温湿度、时间段、供回水温度和流量以及制冷量。
模块M1.3:求解空调负荷预测模型f的逆函数f-1,根据逆函数f-1以及已知环境影响因子求解所需的制冷量。
本发明还公开了一种存储有计算机程序的计算机可读存储介质,可以是移动硬盘、U盘等,所述计算机程序被处理器执行时实现基于动态空调运行数据的节能控制方法的步骤。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于动态空调运行数据的节能控制方法,其特征在于,包括:
步骤S1:采集空调历史运行数据作为训练样本,利用神经网络算法建立空调负荷预测模型和空调系统仿真模型;
步骤S2:记录当前空调系统各设备状态的控制参数,基于控制参数生成初始设备状态矩阵STn×1;
步骤S3:以STn×1矩阵所示各设备状态输出参数作为搜索起始位置,采用分支定界法生成可运行方案矩阵BDn×m;
步骤S4:将BDn×m矩阵逐行赋值给设备状态矩阵STn×1,利用空调系统仿真模型判断当前设备状态矩阵对应的运行方案是否存在危险,若存在,则选取BDn×m矩阵中下一组数据进行赋值;若不存在,进入步骤S5;
步骤S5:利用空调系统仿真模型计算当前运行方案的能耗Fec,利用空调负荷预测模型计算当前运行方案的室内舒适度Fco,将能耗Fec和室内舒适度Fco指标进行加权计算,从所有可行方案中选择最优方案ST′best下发给现场设备执行。
2.根据权利要求1所述的基于动态空调运行数据的节能控制方法,其特征在于,还包括:
步骤S6:当执行最优方案ST′best经过设定时间后,进入步骤S1进行下一轮优化。
3.根据权利要求1所述的基于动态空调运行数据的节能控制方法,其特征在于,所述空调负荷预测模型的建立方法包括:
步骤S1.1:对现场设备运行的历史数据和室外环境数据进行样本采集、滤波处理以及归一化处理;
步骤S1.2:采用神经网络算法建立空调负荷预测模型f,所述空调负荷预测模型用于描述各环境影响因子与室内平均温度变化量的统计学关系;
步骤S1.3:求解空调负荷预测模型f的逆函数f-1,根据逆函数f-1以及已知环境影响因子求解所需的制冷量。
4.根据权利要求3所述的基于动态空调运行数据的节能控制方法,其特征在于,所述环境影响因子包括室外温湿度、时间段、供回水温度和流量以及制冷量。
5.根据权利要求1所述的基于动态空调运行数据的节能控制方法,其特征在于,所述空调系统仿真模型基于神经网络算法建立,建立环境影响因子与目标量的统计学模型,所述空调系统仿真模型包括回水温度模型,室温变化率模型,冷机制冷量、能耗、效率模型,水泵流量、能耗模型,冷却塔出水速度、能耗模型。
6.根据权利要求3所述的基于动态空调运行数据的节能控制方法,其特征在于,所述当前运行方案的能耗Fec计算方法包括:
Fec=∑Fwcu+∑Fldp+∑Flqp+∑Fct
式中,Fwcu为各台冷组能耗,Fldp为各台冷冻水泵能耗,Flqp为各台冷却水泵能耗,Fct为各台冷却塔能耗;
Fwcu=f-1(Tsw,dsw,Ths,qhs,Tgs-set,qlq,Tlq)
式中,Tsw为室外温度,dsw为室外湿度,Ths为回水温度,qhs为回水流量,Tgs-set为供水温度设定值,qlq为冷却水流量,Tlq为冷却水温度;
Fldp=f-1(fld-pl,Ifm-sta,fother-ldpl)
式中,fld-pl为冷冻水泵频率,Ifm-sta为阀门状态,fother-ldpl为其他冷冻水泵状态;
Flqp=f-1(flq-pl,Ifm-sta,fother-lqpl)
式中,flq-pl为冷却水泵频率,Ifm-sta为阀门状态,fother-lqpl为其他冷却水泵状态;
Fct=f-1(Tsw,dsw,Ths,qhs,Ifj-sta)
式中,Tsw为室外温度,dsw为室外湿度,Ths为回水温度,qhs为回水流量,Ifj-set为风机状态设定。
8.一种基于动态空调运行数据的节能控制系统,其特征在于,包括:
模块M1:采集空调历史运行数据作为训练样本,利用神经网络算法建立空调负荷预测模型和空调系统仿真模型;
模块M2:记录当前空调系统各设备状态的控制参数,基于控制参数生成初始设备状态矩阵STn×1;
模块M3:以STn×1矩阵所示各设备状态输出参数作为搜索起始位置,采用分支定界法生成可运行方案矩阵BDn×m;
模块M4:将BDn×m矩阵逐行赋值给设备状态矩阵STn×1,利用空调系统仿真模型判断当前设备状态矩阵对应的运行方案是否存在危险,若存在,则选取BDn×m矩阵中下一组数据进行赋值;若不存在,进入模块M5;
模块M5:利用空调系统仿真模型计算当前运行方案的能耗Fec,利用空调负荷预测模型计算当前运行方案的室内舒适度Fco,将能耗Fec和室内舒适度Fco指标进行加权计算,从所有可行方案中选择最优方案ST′best下发给现场设备执行。
9.根据权利要求6所述的基于动态空调运行数据的节能控制系统,其特征在于,还包括:
模块M6:当执行最优方案ST′best经过设定时间后,进入模块M1进行下一轮优化。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的基于动态空调运行数据的节能控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232656.5A CN116085953A (zh) | 2023-03-10 | 2023-03-10 | 基于动态空调运行数据的节能控制方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232656.5A CN116085953A (zh) | 2023-03-10 | 2023-03-10 | 基于动态空调运行数据的节能控制方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116085953A true CN116085953A (zh) | 2023-05-09 |
Family
ID=86200929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310232656.5A Pending CN116085953A (zh) | 2023-03-10 | 2023-03-10 | 基于动态空调运行数据的节能控制方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116085953A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116951690A (zh) * | 2023-07-24 | 2023-10-27 | 中建安装集团有限公司 | 一种地下室微风道防潮系统控制方法、介质及系统 |
CN118391723A (zh) * | 2024-07-01 | 2024-07-26 | 青岛能源设计研究院有限公司 | 一种智能空气源热泵供热系统 |
-
2023
- 2023-03-10 CN CN202310232656.5A patent/CN116085953A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116951690A (zh) * | 2023-07-24 | 2023-10-27 | 中建安装集团有限公司 | 一种地下室微风道防潮系统控制方法、介质及系统 |
CN118391723A (zh) * | 2024-07-01 | 2024-07-26 | 青岛能源设计研究院有限公司 | 一种智能空气源热泵供热系统 |
CN118391723B (zh) * | 2024-07-01 | 2024-09-03 | 青岛能源设计研究院有限公司 | 一种智能空气源热泵供热系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116085953A (zh) | 基于动态空调运行数据的节能控制方法、系统及介质 | |
Wang et al. | Model-based optimal control of VAV air-conditioning system using genetic algorithm | |
Lu et al. | HVAC system optimization—in-building section | |
Spindler et al. | Naturally ventilated and mixed-mode buildings—Part II: Optimal control | |
CN112963946A (zh) | 一种面向共享办公区域的暖通空调系统控制方法及装置 | |
CN114623569B (zh) | 一种基于深度强化学习的集群空调负荷差异化调控方法 | |
CN112540535B (zh) | 一种基于深度强化学习的办公建筑热舒适控制系统及方法 | |
CN112283890A (zh) | 适应建筑暖通设备监控系统的冷热量控制方法及装置 | |
CN111854063A (zh) | 一种变频空调器控制方法 | |
CN115882463A (zh) | 一种商业建筑空调负荷可调度潜力评估方法 | |
CN113028604A (zh) | 基于聚合空调的温度调节控制及调度方法 | |
CN111737857A (zh) | 一种基于互动能力曲线的暖通空调集群协调控制方法 | |
CN113757852B (zh) | 基于数字孪生技术的多联机空调机组控制方法及控制系统 | |
CN113988590A (zh) | 一种电力需求响应调度方法及装置 | |
CN108507126A (zh) | 一种中央空调冷冻水的模糊控制方法、装置及空调 | |
CN116485044A (zh) | 一种电网交互型高效商业建筑智能运行优化方法 | |
CN112902392A (zh) | 自适应调整的空调控制方法、电子设备及存储介质 | |
CN112484250A (zh) | 一种基于室内热源信息的hvac在线监控系统及控制方法 | |
CN111681133A (zh) | 电负荷信息的处理方法和装置 | |
CN114674061B (zh) | 一种智能调节空调的方法 | |
Yang et al. | Hybrid artificial neural network− genetic algorithm technique for condensing temperature control of air-cooled chillers | |
CN114936529A (zh) | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 | |
CN110912163B (zh) | 一种温控负荷能效电厂的频率控制策略的获取方法 | |
CN110543969B (zh) | 一种家庭用电行为优化算法 | |
CN113188239A (zh) | 一种基于深度置信网络的空调负荷集群建模方法 |
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 |