CN116147128A - 一种暖通空调节能控制方法及系统 - Google Patents
一种暖通空调节能控制方法及系统 Download PDFInfo
- Publication number
- CN116147128A CN116147128A CN202211705221.XA CN202211705221A CN116147128A CN 116147128 A CN116147128 A CN 116147128A CN 202211705221 A CN202211705221 A CN 202211705221A CN 116147128 A CN116147128 A CN 116147128A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- training
- 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.)
- 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
-
- 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
- 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
-
- 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
Abstract
本发明公开了一种暖通空调节能控制方法及系统,包括采集系统特征数据,进行预处理后与天气预报数据及历史系统特征数据输入负荷预测模型,进行负荷预测,根据负荷预测的结果,生成优化控制策略,然后将优化控制策略和基础控制策略结合,得到最终控制参数用于控制暖通空调运行状态。
Description
技术领域
本发明涉及一种暖通空调节能控制方法及系统,属于空调节能控制技术领域。
背景技术
暖通空调节能控制主要包括反馈控制及前馈控制,其中反馈控制通过采集末端温湿度和循环水回水温度等信息,基于PID或模糊控制等算法,控制暖通空调主机及附属设备负荷;前馈控制基于各种影响空调负荷的因素,预测未来的负荷需求,并根据未来负荷需求提前控制暖通空调主机及附属设备负荷,实现能源效率的提升。
现有技术中的反馈控制会有较大的控制延迟,导致系统效率的降低和能源的浪费。通过在控制方法中引入负荷预测,可以改善控制的延迟,实现暖通空调系统的优化运行。负荷预测的方法有很多,按照建模原理可以分为参数回归法、时间序列预测法、人工神经网络法等,现有技术中公开的各种预测方法针对暖通空调负荷预测,存在突发负荷变化响应延迟大,预测准确度差,季节性等时间特点与影响负荷环境参数未融合处理等问题,亟需进行更优的控制完善。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种暖通空调节能控制方法及系统,改善控制延迟,优化暖通空调系统运行。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供一种暖通空调节能控制方法,所述方法包括:
采集系统特征数据,并进行预处理;
将预处理后的系统特征数据,与天气预报数据及历史系统特征数据输入负荷预测模型,进行负荷预测;
根据负荷预测的结果,生成优化控制策略;
将优化控制策略和基础控制策略结合,得到最终控制参数用于控制暖通空调运行状态,保障系统安全稳定运行的前提下,采用预测负荷,兼顾了安全性和效率。
进一步的,所述负荷预测模型采用二次指数平滑算法与神经网络模型相结合的组合预测算法,使预测模型即符合暖通空调负荷随时间变化的特性,又利用了影响暖通空调负荷的特征因素,实现实时高精度空调负荷预测。
将预处理后的系统特征数据,与天气预报数据及历史系统特征数据分别输入二次指数平滑模型和神经网络模型,获得二次指数平滑预测的下一时刻暖通空调系统的负荷需求和神经网络预测的下一时刻暖通空调系统的负荷需求;
将二次指数平滑预测的下一时刻暖通空调系统的负荷需求和神经网络预测的下一时刻暖通空调系统的负荷需求通过加权平均算法,得到负荷预测结果。
进一步的,所述神经网络模型的构建方法包括:
获取数据集信息进行预处理,随机分配为训练数据和测试数据;
建立神经网络模型初始结构和初始权值,分别使用训练数据进行训练,测试数据进行测试;
基于训练时间和测试误差,调整神经网络模型宽度和神经网络模型深度至优化值后,保存调整后的神经网络模型结构和权值。
进一步的,所述获取数据集信息进行预处理包括对数据集信息进行窗口切片算法处理,滤除异常、抖动的数据,计算窗口切片数据对应的时间顺序信息,对窗口切片后数据进行滤波处理,解决暖通空调中数据采样数据丢失、异常数据的问题,保证数据集信息更有效的应用于负荷预测过程。
进一步的,所述滤波处理的算法采用巴特沃斯滤波器,滤波处理的截止频率和滤波器阶数基于数据集信息的频谱数据分析选取。
进一步的,所述预处理以配置时间间隔采集数据切片,每个切片内各项数据集信息取平均值做为该切片的数据。
进一步的,使用数据集信息对神经网络进行实时强化训练,持续调整神经网络模型的权值。
进一步的,所述神经网络模型的构建方法具体包括如下步骤:
根据预处理后数据集信息的维度创建数据输入层;创建数据隐藏层,数据隐藏层初始宽度数为10,初始层数为1;创建输出层,输出层维度数为1,得到神经网络模型初始结构;
对神经网络模型初始结构使用训练数据训练,记录训练时间t1,使用测试数据进行测试,记录预测均方差mse1;
若训练时间t1小于设定训练时间限制,或预测均方差mse1大于上一循环中预测均方差加上设定的均方差容差,则数据隐藏层深度加一,重新训练和测试数据隐藏层深度加一后的神经网络模型;否则保存此时的神经网络模型结构和权值;
将保存的神经网络模型结构隐藏层宽度加一后,使用训练数据训练,记录训练时间t2;使用测试数据进行测试,记录预测均方差mse2;
若训练时间t2小于设定训练时间限制,或预测均方差mse2大于上一循环中预测均方差加上设定的均方差容差,则数据隐藏层宽度加一,重新训练和测试数据隐藏层宽度加一后的神经网络模型;否则保存此时的神经网络模型结构和权值,即为构建的神经网络模型。
进一步的,所述神经网络模型的输入层、隐藏层、输出层之间通过线性整流函数连接。
第二方面,本发明提供一种暖通空调节能控制系统,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述任一所述一种暖通空调节能控制方法的步骤。
与现有技术相比,本发明所达到的有益效果包括:
本发明提供的一种暖通空调节能控制方法及系统,通过负荷预测降低了负荷输出响应负荷变化的延时,从而提升了暖通空调系统运行效率;
通过采集数据切片和使用巴特沃斯滤波器,解决暖通空调中数据采样数据丢失、异常数据等问题,使采集数据可以更有效的应用于负荷预测过程;
采用组合预测算法,使预测模型即符合暖通空调负荷随时间变化的特性,又利用了影响暖通空调负荷的特征因素,实现了实时高精度空调负荷预测;
将负荷预测控制策略与基础控制策略结合,保障系统安全稳定运行的前提下,采用预测负荷,兼顾了安全性和效率。
附图说明
图1是本发明实施例提供一种暖通空调节能控制方法的流程图;
图2是本发明实施例提供神经网络模型构建方法的流程图;
图3是本发明实施例提供负荷预测模型的结构。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供的一种暖通空调节能控制方法及系统,适用于建筑暖通空调节能控制,包括单制冷空调、单供暖空调和冷暖空调系统。
实施例一
如图1所示,为本发明实施例提供的一种暖通空调节能控制方法的流程图,
主要步骤包括:
采集室外气象参数、室内环境参数、系统运行参数等系统特征数据,并对数据进行预处理;
根据采集的系统特征数据、天气预报、历史系统特征数据,进行负荷预测;
根据负荷预测结果,生成优化控制策略;
优化控制策略和基础控制策略结合,控制暖通空调运行状态。
其中历史系统特征数据包括历史系统特征数据的时序信息数据。
系统影响暖通空调负荷的因素包括室外温湿度、光照等气象参数,室内温湿度参数,建筑结构参数,建筑内人员活动参数,建筑电器设备使用情况,暖通空调设计参数和运行参数等众多因素。
本发明基于对相关因素的采集成本、与负荷的相关性分析结果等综合考虑,选用室外气象参数、室内环境参数、系统运行参数作为系统特征数据,具体包括冷冻总管供水温度,冷冻总管回水温度,冷却总管供水温度,冷却总管回水温度,室内监测点温度,室内监测点湿度,室外监测点温度,室外监测点湿度,室外监测点光照度,系统总功率,系统负荷等。
在条件允许情况下,本发明也可使用其他影响因素采集数据,进一步优化控制效果。
本发明以配置时间间隔将采集数据进行窗口切片,每个切片内的各项数据取平均值,做为该切片的数据。由于暖通空调的分级输出控制和自动停机,会出现系统负荷等采集数据波动较频繁的情况。当配置时间间隔大于实际采样间隔时,本预处理操作可以减少单次采样误差对数据正确性的影响。
本发明对采集数据进行巴特沃斯滤波器,滤波器截止频率和滤波器阶数基于采集数据的频谱数据分析选取。
本发明中对比了一次、二次、三次指数平滑算法综合考虑拟合精度和运算效率,针对暖通空调应用特点选择二次指数平滑算法。
二次指数平滑一般应用于直线型,但是效果优于一次指数平滑,同时其计算消耗低于三次指数平滑算法。
本发明对神经网络模型结构参数进行了分析和对比试验,从试验结果来看,神经网络深度即使只有1个隐藏层也能达到较好的训练效果,当有5个隐藏层时训练效果进一步改善,而继续增加隐藏层不仅增加训练时间,同时训练效果也变差,本发明设置神经网络深度取1到5之间。
神经网络宽度越大训练效果越好,而相应训练时间也越长。
本发明设置神经网络模型层与层之间连接使用线性整流函数。
为达到更好的负荷预测效果,本发明首先建立神经网络模型初始结构和权值,使用训练数据进行训练,及使用测试数据进行测试;
然后基于数据训练时间和测试误差调整神经网络模型初始的结构,待神经网络模型宽度和神经网络模型深度调整至优化值,保存神经网络模型结构和权值。
具体步骤如下:
根据预处理后数据集维度创建数据输入层;
创建数据隐藏层,并采用线性整流函数连接到数据输入层,数据隐藏层初始宽度数为10,初始层数为1;
创建输出层,并采用线性整流函数连接到数据隐藏层,输出层维度数为1,得到神经网络模型M1;
使用训练数据训练神经网络模型M1,记录训练时间t1;使用测试数据对神经网络模型M1进行测试,记录预测均方差mse1;
若训练时间t1小于设定训练时间限制tlimit,或mse1大于上一循环中预测均方差加上设定的均方差容差msee,则数据隐藏层深度加一,重新训练和测试神经网络模型M1;否则保存神经网络模型M1结构和权值;
将保存的神经网络模型M1结构隐藏层宽度加一得到神经网络模型M2;
使用训练数据训练神经网络模型M2,记录训练时间t2;使用测试数据对神经网络模型M2进行测试,记录预测均方差mse2;
若训练时间t2小于设定训练时间限制tlimit,或mse2大于上一循环中预测均方差加上设定的均方差容差msee,则数据隐藏层宽度加一,重新训练和测试神经网络模型M2;否则保存神经网络模型M2结构和权值。
神经网络模型的权值在此基础上,随着节能控制方法的实时运行过程,使用新采集数据对神经网络进行强化训练,从而实现了神经网络模型权值的实时调整,更好的适应了暖通空调的应用场景。
为了充分利用负荷的时序特征和影响因素,本发明负荷预测采用上述二次指数平滑算法与神经网络相结合组合预测算法。该组合预测算法采用两种预测结果加权平均,预测结果计算公式为:
y预测=(1-b)*y指数平滑预测+b*y神经网络预
其中,b为神经网络模型预测结果的权值,y神经网络模型为神经网络模型预测结果;y指数平滑预测为二次指数平滑算法预测结果。
本发明通过对各种预测算法的对比和试验,提出了组合预测方法的具体实现方式,并通过试验得出结论:在暖通空调的短期负荷预测场景中,组合预测算法结果明显优于指数平滑预测算法,优于单独神经网络预测算法,可以达到不错的预测效果。
基于神经网络训练框架,本发明实现了实时的神经网络训练和预测,比对离线分析预测更能适应暖通空调节能控制的场景。
本发明优化控制策略根据预测的负荷需求,计算最优的暖通空调主设备(制冷机组、锅炉、热泵等)开启组合及各设备的负荷值Nm、循环泵开启组合及各设备的负荷值Nl、冷却泵开启组合及各设备的负荷值Nc、冷却塔开启组合及各设备的负荷值Nt、出水温度设定值TN等优化参数。
其中Nm、Nl、Nc、Nt为负荷向量:
基础控制策略基于反馈参数、联锁条件控制暖通空调系统运行,计算最优的暖通空调主设备(制冷机组、锅炉、热泵等)开启组合及各设备的负荷值Mm、循环泵开启组合及各设备的负荷值Ml、冷却泵开启组合及各设备的负荷值Mc、冷却塔开启组合及各设备的负荷值Mt、出水温度设定值TM等优化参数。
其中Mm、Ml、Mc、Mt为负荷向量:
本发明将优化控制策略输出与控制策略输出相结合,在基础控制策略保障系统安全运行的基础上,叠加优化参数,实现优化后的控制策略,并最终控制暖通空调系统节能运行。
具体来说,系统设置有各参数的允许范围和基础控制偏差允许范围,暖通空调主设备(制冷机组、锅炉、热泵等)Mmlimit和ΔMmlimit、循环泵Mllimit和ΔMllimit、冷却泵Mclimit和ΔMclimit、冷却塔Mt和ΔMtlimit、出水温度设定值Tlimit和ΔTlimit。
优化后的控制策略:暖通空调主设备(制冷机组、锅炉、热泵等)开启组合及各设备的负荷值Lm、循环泵开启组合及各设备的负荷值Ll、冷却泵开启组合及各设备的负荷值Lc、冷却塔开启组合及各设备的负荷值Lt、出水温度设定值TL。
其中:
本发明通过以上节能控制方法将负荷预测算法和基于专家运行经验制定基础控制方法进行了融合,实现理论和实践的有机结合。
实施例二
本发明还提供一种暖通空调节能控制系统,控制系统包括处理器及存储介质,其中存储介质用于存储指令,处理器用于根据指令进行操作以执行一种暖通空调节能控制方法的步骤。
实施例三
计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现一种暖通空调节能控制方法,实现故障导向安全策略。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、系统、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种暖通空调节能控制方法,其特征在于,所述方法包括:
采集系统特征数据,并进行预处理;
将预处理后的系统特征数据,与天气预报数据及历史系统特征数据输入负荷预测模型,进行负荷预测;
根据负荷预测的结果,生成优化控制策略;
将优化控制策略和基础控制策略结合,得到最终控制参数用于控制暖通空调运行状态。
2.根据权利要求1所述的一种暖通空调节能控制方法,其特征在于,所述负荷预测模型采用二次指数平滑算法与神经网络模型相结合的组合预测算法,
将预处理后的系统特征数据,与天气预报数据及历史系统特征数据分别输入二次指数平滑模型和神经网络模型,获得二次指数平滑预测的下一时刻暖通空调系统的负荷需求和神经网络预测的下一时刻暖通空调系统的负荷需求;
将二次指数平滑预测的下一时刻暖通空调系统的负荷需求和神经网络预测的下一时刻暖通空调系统的负荷需求通过加权平均算法,得到负荷预测结果。
3.根据权利要求2所述的一种暖通空调节能控制方法,其特征在于,所述神经网络模型的构建方法包括:
获取数据集信息进行预处理,随机分配为训练数据和测试数据;
建立神经网络模型初始结构和初始权值,分别使用训练数据进行训练,测试数据进行测试;
基于训练时间和测试误差,调整神经网络模型宽度和神经网络模型深度至优化值后,保存调整后的神经网络模型结构和权值。
4.根据权利要求3所述的一种暖通空调节能控制方法,其特征在于,所述获取数据集信息进行预处理包括对数据集信息进行窗口切片算法,滤除异常、抖动的数据,计算窗口切片数据对应的时间顺序信息,对窗口切片后数据进行滤波处理。
5.根据权利要求4所述的一种暖通空调节能控制方法,其特征在于,所述滤波处理的算法采用巴特沃斯滤波器,滤波处理的截止频率和滤波器阶数基于数据集信息的频谱数据分析选取。
6.根据权利要求3所述的一种暖通空调节能控制方法,其特征在于,所述预处理以配置时间间隔采集数据切片,每个切片内各项数据集信息取平均值做为该切片的数据。
7.根据权利要求3所述的一种暖通空调节能控制方法,其特征在于,使用数据集信息对神经网络进行实时强化训练,持续调整神经网络模型的权值。
8.根据权利要求3所述的一种暖通空调节能控制方法,其特征在于,所述神经网络模型的构建方法具体包括如下步骤:
根据预处理后数据集信息的维度创建数据输入层;创建数据隐藏层,数据隐藏层初始宽度数为10,初始层数为1;创建输出层,输出层维度数为1,得到神经网络模型初始结构;
对神经网络模型初始结构使用训练数据训练,记录训练时间t1,使用测试数据进行测试,记录预测均方差mse1;
若训练时间t1小于设定训练时间限制,或预测均方差mse1大于上一循环中预测均方差加上设定的均方差容差,则数据隐藏层深度加一,重新训练和测试数据隐藏层深度加一后的神经网络模型;否则保存此时的神经网络模型结构和权值;
将保存的神经网络模型结构隐藏层宽度加一后,使用训练数据训练,记录训练时间t2;使用测试数据进行测试,记录预测均方差mse2;
若训练时间t2小于设定训练时间限制,或预测均方差mse2大于上一循环中预测均方差加上设定的均方差容差,则数据隐藏层宽度加一,重新训练和测试数据隐藏层宽度加一后的神经网络模型;否则保存此时的神经网络模型结构和权值,即为构建的神经网络模型。
9.根据权利要求8所述的一种暖通空调节能控制方法,其特征在于,所述神经网络模型的输入层、隐藏层、输出层之间通过线性整流函数连接。
10.一种暖通空调节能控制系统,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211705221.XA CN116147128A (zh) | 2022-12-29 | 2022-12-29 | 一种暖通空调节能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211705221.XA CN116147128A (zh) | 2022-12-29 | 2022-12-29 | 一种暖通空调节能控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116147128A true CN116147128A (zh) | 2023-05-23 |
Family
ID=86350095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211705221.XA Pending CN116147128A (zh) | 2022-12-29 | 2022-12-29 | 一种暖通空调节能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116147128A (zh) |
-
2022
- 2022-12-29 CN CN202211705221.XA patent/CN116147128A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288164B (zh) | 一种建筑空调制冷站系统预测控制方法 | |
US20240044541A1 (en) | Systems and methods of optimizing hvac control in a building or network of buildings | |
CN104134100B (zh) | 一种基于云计算的节能管理系统 | |
CN109028481A (zh) | 一种空调系统的无人值守机房控制系统及方法 | |
Pfeiffer et al. | Control of temperature and energy consumption in buildings-a review. | |
US11221597B2 (en) | Systems and methods for balancing an electrical grid with networked buildings | |
Dai et al. | A decentralized algorithm for optimal distribution in HVAC systems | |
CN102980272A (zh) | 一种基于负荷预测的空调系统节能优化方法 | |
CN114383299B (zh) | 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 | |
CN109976419B (zh) | 区域供冷供热蒸汽减温减压自动控制系统及方法 | |
CN107143981B (zh) | 一种中央空调节能控制系统和方法 | |
CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
CN109974218A (zh) | 一种基于预测的多联机空调系统调控方法 | |
CN113778215A (zh) | 基于大数据实现数据中心pue预测以及降耗策略的方法 | |
CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
CN114264045A (zh) | 一种中央空调的能效调控系统及方法 | |
US20140379139A1 (en) | Systems and methods for balancing an electrical grid with networked buildings | |
CN111664550A (zh) | 基于预测模型和最优化算法的能效优化方法及系统 | |
CN113110057A (zh) | 一种基于人工智能的热力站节能控制方法及智能决策系统 | |
Petrie et al. | Energy efficient control methods of HVAC systems for smart campus | |
CN115220351A (zh) | 一种基于云边端的建筑空调系统智能节能优化控制方法 | |
CN113110056B (zh) | 一种基于人工智能的供热智能决策方法及智能决策机 | |
CN116147128A (zh) | 一种暖通空调节能控制方法及系统 | |
CN116907036A (zh) | 一种基于冷负荷预测的深度强化学习冷水机组控制方法 | |
Ma et al. | Web based chiller plant optimal control-A case study |
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 |