CN116164389A - 一种系统优化方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种系统优化方法、装置、设备及计算机可读存储介质，包括：获取环境参数、训练好的空间特性预测模型和系统性能预测模型；利用所述训练好的空间特性预测模型和所述环境参数对空间特性进行预测，得到预测负荷、预测露点温度；利用所述系统性能预测模型、所述预测负荷和所述环境参数对系统性能进行预测处理，得到预测系统能耗；基于所述预测露点温度和所述预测系统能耗对当前系统参数进行优化处理，得到目标系统参数；控制系统基于所述目标系统参数运行。

Description

一种系统优化方法、装置、设备及计算机可读存储介质

技术领域

本申请涉及控制技术领域，涉及但不限于一种系统优化方法、装置、设备及计算机可读存储介质。

背景技术

辐射空调系统起源于20世纪50年代，经过几十年的研究和发展，逐步在世界各地区得到推广和应用。常规风机盘管通过空气对流方式实现室内温度调节，难以适应室内热湿比变化，有强烈的吹风感。而辐射空调系统主要通过辐射方式供冷，室内温度分布均匀，无温度死角，室内无吹风感，是国际上公认使室内舒适程度最高的空调末端系统。

为改善室内空气品质，辐射系统常常与新风机组配合。辐射系统加独立新风系统为温湿度独立控制系统，辐射系统只承担室内部分或全部显热负荷，新风机组承担室内全部潜热负荷、其余部分显热负荷以及新风负荷。尽管目前很多地区设计并使用了辐射系统加独立新风系统，但应用中存在以下问题，使得辐射系统难以充分发挥其优势：

问题1，辐射空调系统与新风系统是完全独立的系统，交互很弱，匹配比较差，导致辐射空调系统存在结露的风险；

问题2，辐射空调系统与新风机组都可能运行在低能效区，能耗高。

发明内容

有鉴于此，本申请实施例提供一种系统优化方法、装置、设备及计算机可读存储介质。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种系统优化方法，所述方法包括：

获取环境参数、训练好的空间特性预测模型和系统性能预测模型；

利用所述训练好的空间特性预测模型和所述环境参数对空间特性进行预测，得到预测负荷、预测露点温度；

利用所述系统性能预测模型、所述预测负荷和所述环境参数对系统性能进行预测处理，得到预测系统能耗；

基于所述预测露点温度和所述预测系统能耗对当前系统参数进行优化处理，得到目标系统参数；

控制系统基于所述目标系统参数运行。

本申请实施例提供一种系统优化装置，所述系统优化装置包括：

获取模块，用于获取环境参数、训练好的空间特性预测模型和系统性能预测模型；

第一预测模块，用于利用所述训练好的空间特性预测模型和所述环境参数对空间特性进行预测，得到预测负荷、预测露点温度；

第二预测模块，用于利用所述系统性能预测模型、所述预测负荷和所述环境参数对系统性能进行预测处理，得到预测系统能耗；

优化模块，用于基于所述预测露点温度和所述预测系统能耗对当前系统参数进行优化处理，得到目标系统参数；

控制模块，用于控制系统基于所述目标系统参数运行。

本申请实施例提供一种系统优化设备，所述系统优化设备包括：

处理器；以及

存储器，用于存储可在所述处理器上运行的计算机程序；

其中，所述计算机程序被处理器执行时实现上述系统优化方法。

本申请实施例提供一种计算机可读存储介质，所述计算机存储介质中存储有计算机可执行指令，该计算机可执行指令配置为执行上述系统优化方法。

本申请实施例提供一种系统优化方法、装置、设备及计算机可读存储介质，该系统优化方法包括：先获取环境参数、训练好的空间特性预测模型和系统性能预测模型；接着，将环境参数输入至训练好的空间特性预测模型，以利用训练好的空间特性预测模型对空间特性进行预测，得到预测负荷和预测露点温度；还将预测负荷和环境参数输入至系统性能预测模型，以利用系统性能预测模型对系统性能进行预测，得到预测系统能耗；然后，还基于预测露点温度和预测系统能耗对当前系统参数进行优化处理，以使得在系统辐射板表面温度高于预测露点温度的前提下，最优化预测系统能耗，预测出最优预测系统能耗下系统的目标参数；最后控制系统基于目标系统参数运行，从而使得系统整体运行在高能效区，降低整体能耗，同时避免出现结露的风险。

附图说明

在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。

图1为本申请实施例提供的系统优化方法的一种实现流程示意图；

图2为本申请实施例提供的得到预测系统能耗的一种实现流程示意图；

图3为本申请实施例提供的得到预测辐射系统能耗的一种实现流程示意图；

图4为本申请实施例提供的构建辐射系统预测子模型和新风系统预测子模型的一种实现流程示意图；

图5为本申请实施例提供的通过训练得到训练好的空间特性预测模型的一种实现流程示意图；

图6为本申请实施例提供的系统优化过程原理框图；

图7为本申请实施例提供的辐射空调系统的性能预测模型框图示意图；

图8为本申请实施例提供的新风系统的性能预测模型框图示意图；

图9为本申请实施例提供的系统优化装置的组成结构示意图；

图10为本申请实施例提供的系统优化设备的组成结构示意图。

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，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

基于相关技术所存在的问题，本申请实施例提供一种系统优化方法，本申请实施例提供的方法可以通过计算机程序来实现，该计算机程序在执行的时候，完成本申请实施例提供的系统优化方法。在一些实施例中，该计算机程序可以在系统优化设备中的处理器执行。图1为本申请实施例提供的系统优化方法的一种实现流程，如图1所示，该系统优化方法包括：

步骤S101，获取环境参数、训练好的空间特性预测模型和系统性能预测模型。

这里，环境参数是指系统所处环境的参数，其中，该环境参数可以包括用户参数、外部环境参数、室内环境参数和围护结构参数，用户参数是指用户的个数、设备的类型及个数等；外部环境参数是指外部温度、外部湿度、外部相对湿度等；室内环境参数是指室内温度、室内湿度、室内相对湿度等；围护结构是指建筑构造、墙体厚度、墙体保温性能等。

在本申请实施例中，训练好的空间特性预测模型用于预测下一时刻的空间特性，例如用于预测下一时刻的负荷、温度等。系统性能预测模型用于预测下一时刻的系统性能，例如用于预测下一时刻的系统能耗。

在一些实施例中，训练好的空间特性预测模型可以为基于人工智能算法的预测模型，同样的，系统性能预测模型也可以为基于人工智能算法的预测模型。

步骤S102，利用训练好的空间特性预测模型和环境参数对空间特性进行预测，得到预测负荷、预测露点温度。

这里，可将环境参数输入至训练好的空间特性预测模型，以利用训练好的空间特性预测模型对空间特性进行预测，也即对负荷、露点温度进行预测，从而得到预测负荷和预测露点温度。

在实际实现的时候，训练好的空间特性预测模型可以包括负荷预测子模型和露点温度预测子模型，其中，负荷预测子模型用于预测下一时刻的负荷，露点温度预测子模型用于预测下一时刻的露点温度。也即，可通过负荷预测子模型预测出下一时刻的负荷(相当于预测负荷)，可通过温度预测子模型预测出下一时刻的露点温度(相当于预测露点温度)。

步骤S103，利用系统性能预测模型、预测负荷和环境参数对系统性能进行预测处理，得到预测系统能耗。

这里，可将预测负荷、环境参数输入至系统性能预测模型，以利用系统性能预测模型对系统性能进行预测，也即，对系统的能耗进行预测，从而得到预测系统能耗。

在实际实现的时候，系统可由辐射系统和新风系统组成，基于此，系统性能预测模型可以包括辐射系统预测子模型和新风系统预测子模型，其中，辐射系统预测子模型用于预测下一时刻辐射系统的能耗，新风系统预测子模型用于预测下一时刻新风系统的能耗。

在一些实施例中，可将环境参数输入至辐射系统预测子模型，以通过辐射系统预测子模型预测出辐射系统下一时刻的能耗，也即预测得到预测辐射系统能耗。可将预测辐射系统能耗和预负荷输入至新风系统预测子模型，以通过新风系统预测子模型预测出新风系统下一时刻的能耗，也即预测得到预测新风系统能耗。

步骤S104，基于预测露点温度和预测系统能耗对当前系统参数进行优化处理，得到目标系统参数。

这里，为确保系统处于安全、节能的运行状态下，在对当前系统参数进行优化处理的时候，是在系统辐射板表面温度高于预测露点温度的前提下，也即确保系统安全的前提下，对预测系统能耗进行最优化求解，得到目标系统参数。

在一些实施例中，可构建出系统参数和系统能耗之间的约束条件，可对系统能耗进行最优化求解，得到最优系统能耗对应的目标系统参数，相当于得到最小系统能耗对应的目标系统参数。

步骤S105，控制系统基于目标系统参数运行。

这里，可将当前系统参数调整为目标系统参数，以控制系统基于目标系统参数运行，如此，一方面确保系统的辐射板表面温度高于预测露点温度，也即确保系统能够安全运行，另一方面使得系统能耗为最低能耗。

在本申请实施例中，由于目标系统参数是对系统能耗进行最优化处理得到的，因此，通过控制系统按照目标系统参数运行，便能够达到最优系统能耗，也即达到最小系统能耗。

本申请实施例提供一种系统优化方法，该系统优化方法包括：先获取环境参数、训练好的空间特性预测模型和系统性能预测模型；接着，将环境参数输入至训练好的空间特性预测模型，以利用训练好的空间特性预测模型对空间特性进行预测，得到预测负荷和预测露点温度；还将预测负荷和环境参数输入至系统性能预测模型，以利用系统性能预测模型对系统性能进行预测，得到预测系统能耗；然后，还基于预测露点温度和预测系统能耗对当前系统参数进行优化处理，以使得在系统辐射板表面温度高于预测露点温度的前提下，最优化预测系统能耗，预测出最优预测系统能耗下系统的目标参数；最后控制系统基于目标系统参数运行，从而使得系统整体运行在高能效区，降低整体能耗，同时避免出现结露的风险。

在一些实施例中，系统包括辐射系统和新风系统，相应地，系统性能预测模型包括辐射系统预测子模型和新风系统预测子模型，基于此，如图2所示，上述步骤S103“利用系统性能预测模型、预测负荷和环境参数对系统性能进行预测处理，得到预测系统能耗”可通过以下步骤S1031至步骤S1033来实现：

步骤S1031，利用辐射系统预测子模型和环境参数对所述辐射系统进行预测处理，得到预测辐射系统能耗。

在实际实现的时候，如图3所示，步骤S1031可通过以下步骤S311至步骤S314来实现：

步骤S311，基于环境参数确定辐射系统的辐射板表面温度。

这里，辐射板表面温度与空气温度(也即室内温度)之间满足第一耦合关系式，因此，基于空气温度和第一耦合关系式能够确定出辐射板表面温度。其中，空气温度属于一种环境参数，也即，可通过环境参数和第一耦合关系式来确定辐射板表面温度。

步骤S312，基于辐射板表面温度确定辐射系统的总热流密度。

这里，辐射系统的总热流密度与辐射板表面温度之间满足第二耦合关系式，因此，可基于辐射板表面温度和第二耦合关系式来确定出辐射系统的总热流密度。

步骤S313，基于总热流密度确定辐射系统制备能量。

这里，辐射系统制备能量与总热流密度之间满足第三耦合关系式，因此，可通过总热流密度和第三耦合关系式确定出辐射系统制备能量。

步骤S314，基于第一性能参数和辐射系统制备能量确定预测辐射系统能耗。

这里，第一性能参数是辐射系统对应的性能参数，该第一性能参数用于表征辐射系统的换热能力。

在实际的辐射系统中，预测辐射系统能耗与辐射系统制备能量、第一性能参数之间满足第四耦合关系式，因此，基于辐射系统制备能量、第一性能参数和第四耦合关系式便能够确定出预测辐射系统能耗。示例性的，可将辐射系统制备能量与第一性能参数的商值确定为预测辐射系统能耗。

步骤S1032，利用新风系统预测子模型、预测辐射系统能耗和预测负荷对新风系统进行预测处理，得到预测新风系统能耗。

在实际实现的时候，步骤S1032可通过以下步骤S321至步骤S322来实现：

步骤S321，基于预测辐射系统能耗和预测负荷，确定新风系统制备能量。

这里，可将预测负荷和预测辐射系统之间的差值确定为新风系统制备能量。在实际实现的时候，可先去确定预测负荷和预测辐射系统之间的差值，再将该差值确定为新风系统制备能量。其中，新风系统制备能量是指通过新风系统需要制备的能量，该能量可以为制热量，也可为制冷量。

步骤S322，基于新风系统制备能量和第二性能参数，确定预测新风系统能耗。

这里，第二性能参数是新风系统对应的性能参数，该第二性能参数用于表征新风系统的换热能力。

在本申请实施例中，预测新风系统能耗与新风系统制备能量、第二性能参数之间满足第五耦合关系式，因此，基于新风系统制备能量、第二性能参数和第五耦合关系式便能够确定出预测新风系统能耗。示例性的，可将新风系统制备能量与第二性能参数的商值确定为预测新风系统能耗。

步骤S1033，将预测辐射系统能耗和预测新风系统能耗的能耗之和确定为预测系统能耗。

这里，预测辐射系统能耗和预测新风统能耗之和为系统的综合能效，其中，系统的综合能效相当于预测系统能耗。因此，可先确定预测辐射系统能耗和预测新风系统能耗的能耗之和，再将能耗之和确定为预测系统能耗。

在本申请实施例中，通过上述步骤S1031至步骤S1033，可先将环境参数输入至辐射系统预测子模型，得到预测辐射系统能耗；再将辐射系统能耗和预测负荷输入至新风系统预测子模型，从而得到预测新风系统能耗，由于是将辐射系统预测子模型的输出量(预测辐射系统能耗)输入至新风系统预测子模型，如此能够增强辐射系统和新风系统之间的交互性；最后将预测辐射系统能耗与预测新风系统能耗之和确定为预测系统能够，如此为系统优化提供待优化变量，最终使得系统运行在高能效区，节约系统能耗。

在一些实施例中，在执行上述步骤S101“获取环境参数、训练好的空间特性预测模型和系统性能预测模型”之前，需要构建好系统性能预测模型，也即构建好辐射系统预测子模型和新风系统预测子模型，如图4所示，可通过以下步骤S001至步骤S004来构建辐射系统预测子模型和新风系统预测子模型：

步骤S001，获取辐射系统对应的第一结构参数和辐射系统对应的第一性能参数。

这里，第一结构参数用于表征辐射系统中管路的构造；第一性能参数是辐射系统对应的性能参数，该第一性能参数用于表征辐射系统的换热能力。

在本申请实施例中，第一性能参数随着辐射系统材质的确定而确定，示例性地，在辐射系统的材质为导热性较佳的材质时，第一性能参数则表征较强的换热能力。此外，在辐射系统建设成功之后，第一结构参数便随之确定。

步骤S002，获取新风系统对应的第二结构参数和新风系统对应的第二性能参数。

这里，步骤S002的实现过程与上述步骤S001的实现过程相类似，因此，步骤S002的实现过程可参考上述步骤S001的实现过程。

步骤S003，基于第一结构参数和第一性能参数，构建辐射系统预测子模型。

这里，可基于第一结构参数拟合出其他系统参数，再基于第一结构参数、其他系统参数和第一性能参数构建出辐射系统预测子模型。其中，其他系统参数表征无法直接得到的结构参数。

步骤S004，基于第二结构参数和第二性能参数，构建新风系统预测子模型。

这里，步骤S004的实现过程与上述步骤S003的实现过程相类似，因此，步骤S004的实现过程可参考上述步骤S003的实现过程。

在本申请实施例中，通过上述步骤S001至步骤S004，可通过辐射系统对应的第一结构参数和第一性能参数，来构建辐射系统预测子模型；还通过新风系统对应的第二结构参数和第二性能参数，来构建新风系统预测子模型。从而使得辐射系统预测子模型能够更加接近实际的辐射系统，提升对辐射系统能耗预测的准确度；同样的，也能够使得新风系统预测子模型更加接近实际的新风系统，提升对新风系统能耗预测的准确度。

在一些实施例中，训练好的空间特性预测模型包括负荷预测子模型和温度预测子模型，空间特性包括负荷和露点温度，基于此，上述步骤S102“利用训练好的空间特性预测模型和环境参数对空间特性进行预测，得到预测负荷、预测露点温度”可通过以下步骤S1021和步骤S1022来实现：

步骤S1021，利用负荷预测子模型和环境参数对负荷进行预测，得到预测负荷。

这里，可将环境参数输入至负荷预测子模型，以利用负荷预测子模型对负荷进行预测，基于此，负荷预测子模型则会输出预测负荷。

在本申请实施例中，输入负荷预测子模型的环境参数可包括用户参数、外部环境参数、室内环境参数和围护结构参数。

步骤S1022，利用温度预测子模型和环境参数对露点温度进行预测，得到预测露点温度。

这里，可将环境参数输入至温度预测子模型，以利用温度预测子模型对露点温度进行预测，基于此，温度预测子模型则会输出预测露点温度。

在本申请实施例中，输入温度预测子模型的环境参数可以为室内环境参数，该室内环境参数包括室内温度、室内湿度、室内相对湿度等。

在一些实施例中，可先执行上述步骤S1021，也可先执行上述步骤S1022，此外，还可同时执行上述步骤S1021和上述步骤S1022，本申请实施例对两者执行的先后顺序并不做限定。

在本申请实施例中，通过上述步骤S1021和步骤S1022，在对空间特性进行预测的时候，是将环境参数输入至负荷预测子模型，以通过负荷预测子模型对负荷进行预测，得到预测负荷；还将环境参数输入至温度预测子模型，以通过温度预测子模型对露点温度进行预测，得到预测露点温度，为保证系统安全运行提供辐射板表面温度的参考值，也为后续系统优化提供基础。

在一些实施例中，在执行步骤S101“获取环境参数、训练好的空间特性预测模型和系统性能预测模型”之前，需要通过训练得到训练好的空间特性预测模型，也即通过训练得到负荷预测子模型和温度预测子模型，因此，如图5所示，在上述步骤S101之前还可以执行以下步骤S001’至步骤S007’：

步骤S001’，获取预设负荷预测子模型、预设温度预测子模型和样本环境参数。

这里，样本环境参数包括训练环境参数和测试环境参数，其中，训练环境参数用于训练预设负荷预测子模型和预设的温度预测子模型，得到初步训练好的负荷预测子模型和初步训练好的温度预测子模型；测试环境参数用于对所得到的初步训练好的负荷预测子模型和初步训练好的温度预测子模型进行测试，从而判断出是否满足训练终止条件。

步骤S002’，利用训练环境参数分别对预设负荷预测子模型和预设温度预测子模型进行训练，得到初步训练好的负荷预测子模型和初步训练好的温度预测子模型。

这里，还会获取训练样本环境参数对应的第一目标样本负荷和第一目标样本露点温度。

在本申请实施例中，在利用训练环境参数对预设负荷预测子模型进行训练的时候，可先将训练环境参数输入至预设负荷预测子模型，得到训练负荷；再确定训练负荷与第一目标样本负荷之间的第一误差信息；最后，基于第一误差信息和第一预设误差阈值对预设负荷预测子模型进行反向传播训练，得到初步训练好的负荷预测子模型。

相类似地，在利用训练环境参数对预设温度预测子模型进行训练的时候，可先将训练环境参数输入至预设温度预测子模型，得到训练露点温度；再确定训练露点温度与第一目标样本露点之间的第二误差信息；最后，基于第二误差信息和第二预设误差阈值对预设温度预测子模型进行反向传播训练，得到初步训练好的温度预测子模型。

步骤S003’，利用测试环境参数分别对初步训练好的负荷预测子模型和初步训练好的温度预测子模型进行评估，得到评估指标值。

这里，还会获取测试环境参数对应的第二目标样本负荷和第二目标样本露点温度。

在本申请实施例中，评估指标值可以为准确率、精确率、召回率等。在实际实现的时候，是将测试环境参数输入至初步训练好的负荷预测子模型，得到测试负荷，再基于测试负荷和第二目标样本负荷，确定负荷预测子模型对应的第一评估指标值。相类似地，还将测试环境参数输入至初步训练好的温度预测子模型，得到测试露点温度，再基于测试露点温度和第二目标样本露点温度，确定温度预测子模型对应的第二评估指标值。

步骤S004’，判断评估指标值是否小于预设的指标阈值。

这里，预设的指标阈值可以包括准确率阈值、精确率阈值、召回率阈值等。示例性地，准确率阈值可以为85％、90％、92％等。

在实际实现的时候，会比较上述第一评估指标值和预设的指标阈值之间的大小关系，如果第一评估指标值小于预设的指标阈值，则认为初步训练好的负荷预测子模型无法精确地进行负荷预测，还需继续进行训练，进入步骤S005’；而如果第一评估指标值大于或者等于预设的指标阈值，则认为初步训练好的负荷预测子模型能够精确地进行负荷预测，则进入步骤S007’。

相类似地，还会比较上述第二评估指标值和预设的指标阈值之间的大小关系，如果第二评估指标值小于预设的指标阈值，则认为初步训练好的温度预测子模型无法精确地进行露点温度预测，还需继续进行训练，进入步骤S005’；而如果第二评估指标值大于或者等于预设的指标阈值，则认为初步训练好的温度预测子模型能够精确地进行露点温度预测，则进入步骤S007’。

在一些实施例中，初步训练好的负荷预测子模型和初步训练好的温度预测子模型相互独立，存在同时训练成功的情况；也存在其中一个训练成功而另一个还需继续训练的情况。

步骤S005’，再次获取训练环境参数。

这里，为了扩大样本参数的多样性，获取的是不同于上述步骤S002’中训练环境参数的参数。

步骤S006’，利用再次获取到的训练环境参数继续对初步训练好的负荷预测子模型和初步训练好的温度预测子模型进行训练，直至评估指标值达到指标阈值，得到训练好的负荷预测子模型和训练好的温度预测子模型。

这里，是继续利用再次获取到的训练环境参数对初步训练好的负荷预测子模型和初步训练好的温度预测子模型进行训练，训练过程可参考上述步骤S002’。此外，还会还会对训练得到的模型进行测试，直至测试结果表征评估指标值达到指标阈值，如此，得到训练好的负荷预测子模型和训练好的温度预测子模型。

步骤S007’，初步训练好的负荷预测子模型和初步训练好的温度预测子模型确定为训练好的负荷预测子模型和训练好的温度预测子模型。

此时，评估指标值大于或者等于预设的指标阈值，也即，第一评估指标值大于或者等于预设的指标阈值，并且第二评估指标值也大于或者等于预设的指标阈值，基于此，初步训练好的负荷预测子模型能够精确地进行负荷预测，初步训练好的温度预测子模型能够精确地进行露点温度预测，则将初步训练好的负荷预测子模型和初步训练好的温度预测子模型确定为训练好的负荷预测子模型和训练好的温度预测子模型。

在本申请实施例中，通过上述步骤S001’至步骤S007’，会通过训练环境参数对预设负荷预测子模型和预设温度预测子模型进行训练，得到初步训练好的负荷预测子模型和初步训练好的温度预测子模型；接着，还会通过测试环境参数来对初步训练好的负荷预测子模型和初步训练好的温度预测子模型进行评估、测试，得到评估指标值；最后在评估指标值大于或者等于预设指标阈值的情况下，认为得到训练好的负荷预测子模型和训练好的温度预测子模型，如此，能够利用训练好的负荷预测子模型实现对负荷的精准预测，还能够利用训练好的温度预测子模型实现对露点温度的精准预测。

基于上述实施例，本申请实施例再提供一种系统优化方法，该系统优化方法应用于辐射空调系统和新风系统组成的系统，本申请实施例提出的系统优化(也可称为优化控制)方法的总体逻辑是基于当前系统和空间的运行参数，通过改变控制参数，预测下一时间步长(分钟级)的系统和环境空间运行特性，以确定最优的控制参数改变方向和大小。其中，系统包括辐射空调系统和新风机组。系统和环境空间的运行特性由系统性能预测模型以及空间特性预测模型表征。控制参数包括用于调节辐射空调系统和新风机组性能的参数，如压缩机转速，膨胀阀开度，风机转速等。

图6为本申请实施例提供的一种系统优化过程原理框图，如图6所示，数据采集和处理系统601用于采集、处理和储存一些列参数，包括用户的参数、外部环境参数、室内环境参数、围护结构参数以及辐射空调系统和新风机组的运行参数。与环境空间相关的参数按一定的比例分为训练数据集602和测试数据集603。训练数据集602用于训练空间特性预测模块604，以生成负荷预测模型6041以及温度预测模型6042(包括环境温度和露点温度等)，测试数据集603主要用于测试模型的准确性并协助修正模块605的生成。

另一端，与系统相关的参数则用于辐射系统参数模块606和新风机组参数模块607，它们分别用于生成或更新辐射系统拟合参数和新风机组拟合参数。这些参数用于系统性能预测模块608，分别用于辐射系统性能预测简化模型6081和新风机组性能预测简化模型6082。性能预测简化模型还需要产品的性能特性参数609，一般可由厂家提供。空间特性预测模块604和系统性能预测模块608的输出会输入至优化计算模块610，以优化计算最佳的控制调节参数，并输出布署至辐射系统和新风机组中，获取新的反馈并继续推进至下一时间步长，从而持续不断地对辐射空调加新风系统进行优化控制。其中，优化计算模块可以有不同的形式，如构建代价函数的方式，基于经典的遗传算法等。其中的约束条件至少包括辐射表面温度不低于空间的露点温度。

其中，训练数据集602相当于上述实施例中的训练环境参数，测试数据集603相当于上述实施例中的测试环境参数，空间特性预测模块604相当于上述实施例中的空间特性预测模型，负荷预测模型6041相当于上述实施例中的负荷预测子模型，温度预测模型6042相当于上述实施例中的温度预测子模型，系统性能预测模块608相当于上述实施例中的系统性能预测模型，辐射系统性能预测简化模型6081相当于上述实施例中的辐射系统预测子模型，新风机组性能预测简化模型6082相当于上述实施例中的新风系统预测子模型。

在一些实施例中，辐射空调系统的性能预测模型如图7所示，参考图7可知，可基于产品性能特性参数确定出辐射板表面温度701，再基于辐射板表面温度701确定出通用总热流密度简化模型702，还基于通用总热流密度简化模型702确定出辐射系统制冷量703，最后，基于辐射系统制冷量703和辐射系统的能量与热量之间的转换率(Coefficient OfPerformance，COP)704确定出辐射系统能耗705。其中，辐射系统COP_RAD可由产品性能参数确定出来。

在图7中，T_op为操作温度，T_w为供水温度，T_s为辐射板表面温度，T_ai为空气温度，T_mr为平均辐射温度。上述温度的单位为开尔文(Kelvins，K)。

基于此，辐射板表面温度T_s可由公式(1)表示：

T_s＝a*T_a ^m+b*T_w ⁿ (1)；

其中，a、b、m、n为常数，T_a是指环境温度，该环境温度T_a包括上述空气温度T_ai和供水温度T_w。

辐射系统总热流密度q可由公式(2)表示：

q＝c*(T_op-T_w)^d (2)；

其中，c、d为常数，该表达式表征可先通过T_op和T_w得到辐射板表面温度T_s，再基于辐射板表面温度T_s、操作温度T_op以及供水温度T_w确定出总热流密度q。

辐射系统制冷量Q_RAD可由公式(3)表示：

Q_RAD＝q*A (3)；

其中，A为辐射板面积。

辐射系统的能量与热量之间的转换率COP_RAD可由公式(4)表示：

COP_RAD＝Q_RAD/W_RAD (4)；

其中，W_RAD是指辐射系统能耗。

在本申请实施例中，如上述公式(2)所示，可由辐射板表面温度(可通过T_op和T_w来获得)与室内环境参数(T_op和T_w)的耦合关系式可知辐射系统的总热流密度，进一步算得辐射空调系统的冷量；为了免去热阻计算的复杂性和不便性，可以将辐射板表面温度的计算过程简化为公式(1)所示的环境温度与供水温度的关联式，具体的关联式系数a、b、m、n可由产品性能特性参数确定或由实时测量参数辨识；已经获得了辐射系统机组所需提供的制冷量，并确定出辐射系统COP_RAD后求取其能耗。其中，辐射空调系统的冷量相当于上述实施例中的辐射系统制备能量，辐射系统COP_RAD相当于上述实施例中的第一性能参数，能耗相当于上述实施例中的预测辐射系统能耗。

在一些实施例中，新风系统的性能预测模型如图8所示，新风机组需要提供的冷量801理论上为负荷减去辐射空调系统提供的冷量，其中负荷由负荷预测模块输出；已经获得了新风机组的冷量需求后，并确定出新风机组的COP_OAP802，再求取能耗803；在计算新风机组COP_OAP 802时需要机组的特性参数，可通过产品性能特性参数确定或由实时测量参数辨识(更新)。其中，新风机组需要提供的冷量801相当于上述实施例中的新风系统制备能量，新风机组的COP_OAP 802相当于上述实施例中的第二性能参数，能耗803相当于上述实施例中的预测新风系统能耗。

参考图8，新风机组制冷量Q_OAP可由公式(5)表示：

Q_OAP＝Load-Q_RAD (5)；

其中，Load为负荷，Q_RAD为辐射系统制冷量。

新风机组的能量与热量之间的转换率COP_OAP可由公式(6)表示：

COP_OAP＝Q_OAP/W_OAP (6)；

其中，W_OAP是指新风机组系统能耗。

在本申请实施例中，利用本本申请实施例提出的系统优化方法，可以提高辐射空调与新风系统综合能效从而使系统的能耗降低；本申请实施例利用了实时最优化的方法，充分考虑了系统中两部分的特性，确保系统能长期运行在高能效区，消除了两部分各自为政，匹配不佳的问题；因为在优化的过程中已经将辐射系统不结露作为约束条件，系统将不会出现结露的现象，提升用户体验及设备安全；充分利用了新风机组的潜能，在过渡季节甚至可能仅通过新风机组来处理室内的所有负荷，无需开启辐射空调制冷机组，从而实现更佳的室内空气品质及更好的节能效果；提出的系统优化方法也可以用于供热模式，此模式下去除结露风险的约束即可，方法通用性较好。

基于前述的实施例，本申请实施例提供一种系统优化装置，该装置包括的各模块、以及各模块包括的各单元，可以通过计算机设备中的处理器来实现；当然也可通过相应的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central Processing Unit，CPU)、微处理器(Microprocessor Unit，MPU)、数字信号处理器(Digital SignalProcessing，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。

本申请实施例再提供一种系统优化装置，图9为本申请实施例提供的系统优化装置的组成结构示意图，如图9所示，所述系统优化装置900包括：

获取模块901，用于获取环境参数、训练好的空间特性预测模型和系统性能预测模型；

第一预测模块902，用于利用所述训练好的空间特性预测模型和所述环境参数对空间特性进行预测，得到预测负荷、预测露点温度；

第二预测模块903，用于利用所述系统性能预测模型、所述预测负荷和所述环境参数对系统性能进行预测处理，得到预测系统能耗；

优化模块904，用于基于所述预测露点温度和所述预测系统能耗对当前系统参数进行优化处理，得到目标系统参数；

控制模块905，用于控制系统基于所述目标系统参数运行。

在一些实施例中，所述系统包括辐射系统和新风系统，所述系统性能预测模型包括辐射系统预测子模型和新风系统预测子模型，所述第二预测模块903包括：

第一预测子模块，用于利用所述辐射系统预测子模型和所述环境参数对所述辐射系统进行预测处理，得到预测辐射系统能耗；

第二预测子模块，用于利用所述新风系统预测子模型、所述预测辐射系统能耗和所述预测负荷对所述新风系统进行预测处理，得到预测新风系统能耗；

第一确定子模块，用于将所述预测辐射系统能耗和所述预测新风系统能耗的能耗之和确定为所述预测系统能耗。

在一些实施例中，所述获取模块901，还用于获取所述辐射系统对应的第一结构参数和所述辐射系统对应的第一性能参数；获取所述新风系统对应的第二结构参数和所述新风系统对应的第二性能参数；

所述系统优化装置900还包括：

第一构建模块，用于基于所述第一结构参数和所述第一性能参数，构建所述辐射系统预测子模型；

第二构建模块，用于基于所述第二结构参数和所述第二性能参数，构建所述新风系统预测子模型。

在一些实施例中，所述第一预测子模块包括：

第一确定单元，用于基于所述环境参数确定所述辐射系统的辐射板表面温度；

第二确定单元，用于基于所述辐射板表面温度确定所述辐射系统的总热流密度；

第三确定单元，用于基于所述总热流密度确定辐射系统制备能量；

第四确定单元，用于基于所述第一性能参数和所述辐射系统制备能量确定所述预测辐射系统能耗。

在一些实施例中，所述第二预测子模块包括：

第五确定单元，用于基于所述预测辐射系统能耗和所述预测负荷，确定新风系统制备能量；

第六确定单元，用于基于所述新风系统制备能量和所述第二性能参数，确定所述预测新风系统能耗。

在一些实施例中，所述训练好的空间特性预测模型包括负荷预测子模型和温度预测子模型，所述空间特性包括负荷和露点温度，所述第一预测模块902包括：

第三预测子模块，用于利用所述负荷预测子模型和所述环境参数对负荷进行预测，得到所述预测负荷；

第四预测子模块，用于利用所述温度预测子模型和所述环境参数对露点温度进行预测，得到所述预测露点温度。

在一些实施例中，所述获取模块901还用于获取预设负荷预测子模型、预设温度预测子模型和样本环境参数，其中，所述样本环境参数包括训练环境参数和测试环境参数；如果所述评估指标值小于预设的指标阈值，再次获取训练环境参数；

所述系统优化装置900还包括：

第一训练模块，用于利用所述训练环境参数分别对所述预设负荷预测子模型和所述预设温度预测子模型进行训练，得到初步训练好的负荷预测子模型和初步训练好的温度预测子模型；

测试模块，利用所述测试环境参数分别对所述初步训练好的负荷预测子模型和所述初步训练好的温度预测子模型进行评估，得到评估指标值；

第二训练模块，用于利用再次获取到的训练环境参数继续对所述初步训练好的负荷预测子模型和所述初步训练好的温度预测子模型进行训练，直至评估指标值达到所述指标阈值，得到训练好的负荷预测子模型和训练好的温度预测子模型。

需要说明的是，本申请实施例系统优化装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的系统优化方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

相应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的系统优化方法。

本申请实施例提供一种系统优化设备，图10为本申请实施例提供的系统优化设备的组成结构示意图，如图10所示，所述系统优化设备1000包括：一个处理器1001、至少一个通信总线1002、用户接口1003、至少一个外部通信接口1004和存储器1005。其中，通信总线1002配置为实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏，外部通信接口1004可以包括标准的有线接口和无线接口。其中，所述处理器1001配置为执行存储器中存储的系统优化方法的程序，以实现以上述实施例提供的系统优化方法。

以上系统优化设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请系统优化设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

这里需要指出的是：以上存储介质和系统优化设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和系统优化设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本申请实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台AC执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种系统优化方法，其特征在于，所述方法包括：

获取环境参数、训练好的空间特性预测模型和系统性能预测模型；

利用所述训练好的空间特性预测模型和所述环境参数对空间特性进行预测，得到预测负荷、预测露点温度；

利用所述系统性能预测模型、所述预测负荷和所述环境参数对系统性能进行预测处理，得到预测系统能耗；

基于所述预测露点温度和所述预测系统能耗对当前系统参数进行优化处理，得到目标系统参数；

控制系统基于所述目标系统参数运行。

2.根据权利要求1中所述的方法，其特征在于，所述系统包括辐射系统和新风系统，所述系统性能预测模型包括辐射系统预测子模型和新风系统预测子模型，所述利用所述系统性能预测模型、所述预测负荷和所述环境参数对系统性能进行预测处理，得到预测系统能耗，包括：

利用所述辐射系统预测子模型和所述环境参数对所述辐射系统进行预测处理，得到预测辐射系统能耗；

利用所述新风系统预测子模型、所述预测辐射系统能耗和所述预测负荷对所述新风系统进行预测处理，得到预测新风系统能耗；

将所述预测辐射系统能耗和所述预测新风系统能耗的能耗之和确定为所述预测系统能耗。

3.根据权利要求2中所述的方法，其特征在于，所述方法还包括：

获取所述辐射系统对应的第一结构参数和所述辐射系统对应的第一性能参数；

获取所述新风系统对应的第二结构参数和所述新风系统对应的第二性能参数；

基于所述第一结构参数和所述第一性能参数，构建所述辐射系统预测子模型；

基于所述第二结构参数和所述第二性能参数，构建所述新风系统预测子模型。

4.根据权利要求3中所述的方法，其特征在于，所述利用所述辐射系统预测子模型和所述环境参数对所述辐射系统进行预测处理，得到预测辐射系统能耗，包括：

基于所述环境参数确定所述辐射系统的辐射板表面温度；

基于所述辐射板表面温度确定所述辐射系统的总热流密度；

基于所述总热流密度确定辐射系统制备能量；

基于所述第一性能参数和所述辐射系统制备能量确定所述预测辐射系统能耗。

5.根据权利要求3中所述的方法，其特征在于，所述利用所述新风系统预测子模型、所述预测辐射系统能耗和所述预测负荷对所述新风系统进行预测处理，得到预测新风系统能耗，包括：

基于所述预测辐射系统能耗和所述预测负荷，确定新风系统制备能量；

基于所述新风系统制备能量和所述第二性能参数，确定所述预测新风系统能耗。

6.根据权利要求1中所述的方法，其特征在于，所述训练好的空间特性预测模型包括负荷预测子模型和温度预测子模型，所述空间特性包括负荷和露点温度，所述利用所述训练好的空间特性预测模型和所述环境参数对空间特性进行预测，得到预测负荷、预测露点温度，包括：

利用所述负荷预测子模型和所述环境参数对负荷进行预测，得到所述预测负荷；

利用所述温度预测子模型和所述环境参数对露点温度进行预测，得到所述预测露点温度。

7.根据权利要求6中所述的方法，其特征在于，所述方法还包括：

获取预设负荷预测子模型、预设温度预测子模型和样本环境参数，其中，所述样本环境参数包括训练环境参数和测试环境参数；

利用所述训练环境参数分别对所述预设负荷预测子模型和所述预设温度预测子模型进行训练，得到初步训练好的负荷预测子模型和初步训练好的温度预测子模型；

利用所述测试环境参数分别对所述初步训练好的负荷预测子模型和所述初步训练好的温度预测子模型进行评估，得到评估指标值；

如果所述评估指标值小于预设的指标阈值，再次获取训练环境参数；

利用再次获取到的训练环境参数继续对所述初步训练好的负荷预测子模型和所述初步训练好的温度预测子模型进行训练，直至评估指标值达到所述指标阈值，得到训练好的负荷预测子模型和训练好的温度预测子模型。

8.一种系统优化装置，其特征在于，所述系统优化装置包括：

获取模块，用于获取环境参数、训练好的空间特性预测模型和系统性能预测模型；

第一预测模块，用于利用所述训练好的空间特性预测模型和所述环境参数对空间特性进行预测，得到预测负荷、预测露点温度；

第二预测模块，用于利用所述系统性能预测模型、所述预测负荷和所述环境参数对系统性能进行预测处理，得到预测系统能耗；

优化模块，用于基于所述预测露点温度和所述预测系统能耗对当前系统参数进行优化处理，得到目标系统参数；

控制模块，用于控制系统基于所述目标系统参数运行。

9.一种系统优化设备，其特征在于，所述系统优化设备包括：

处理器；以及

存储器，用于存储可在所述处理器上运行的计算机程序；

其中，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的系统优化方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令配置为执行上述权利要求1至7任一项所述的系统优化方法。

Images