CN117146382B - 一种智能化调适系统优化方法 - Google Patents
一种智能化调适系统优化方法 Download PDFInfo
- Publication number
- CN117146382B CN117146382B CN202311423333.0A CN202311423333A CN117146382B CN 117146382 B CN117146382 B CN 117146382B CN 202311423333 A CN202311423333 A CN 202311423333A CN 117146382 B CN117146382 B CN 117146382B
- Authority
- CN
- China
- Prior art keywords
- parameters
- intelligent
- indoor
- running state
- historical
- 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 34
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 title description 4
- 230000006978 adaptation Effects 0.000 claims abstract description 47
- 238000005265 energy consumption Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 208000025174 PANDAS Diseases 0.000 claims description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 3
- 235000016496 Panda oleosa Nutrition 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 240000000220 Panda oleosa Species 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 4
- 240000004718 Panda Species 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research 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
- F24F11/62—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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/85—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using variable-flow pumps
-
- 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
- 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
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- 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
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)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及智能化调适系统优化技术领域,涉及一种智能化调适系统优化方法,包括:获取历史室内外环境监测参数与历史智能化调适系统的运行状态及参数,并通过模拟软件建立初始数据库,将逐时获取的室外环境参数及人流量输入至预设的LSTM模型,以预测室内环境参数及智能化调适系统的运行状态及参数;将预测结果与初始数据库进行比对,确定初始数据库中对应的运行状态及参数,并针对预测的智能化调适系统的运行状态及参数进行能耗核算,判定是否为最优控制方案,若否,则以能耗达到最低对智能化调适系统的运行状态及参数进行优化,将此时的数据作为一组优化数据,并替换之前的未经优化数据,扩充并更新数据库,直至完成智能化调适系统的优化。
Description
技术领域
本发明涉及智能化调适系统优化技术领域,具体而言,涉及一种智能化调适系统优化方法。
背景技术
随着科技技术的不断发展,智能化调适系统如智能空调等新一代智能设备已走进了千家万户。就目前而言,智能化调适系统在运行过程中通常采用各个传感器对室内温度进行检测,从而根据检测结果对室内环境进行调控,其调控方式较为死板,且存在能耗较高的情况。智能化调适系统通常是为了提高人们在室内的舒适感,因此仅通过实时监测的室内环境参数作为调控条件的考量并不恰当,人流量等因素也是智能化调控系统进行调整的关键,现有针对智能化调适系统的研究无法提前做出相应的调整和优化,导致系统的性能和效率低下,且能耗水平较高。基于此,为了解决上述问题,我们设计了一种智能化调适系统优化方法。
发明内容
本发明的目的在于提供一种智能化调适系统优化方法,其通过优化室内外参数、人流量和智能化调适系统的参数之间的关系,能够实现室内环境的舒适性和节能性的提升,减少能耗,降低能源消耗和环境污染。
本发明的实施例通过以下技术方案实现:
一种智能化调适系统优化方法,该方法的步骤包括:
获取历史室内外环境监测参数与历史智能化调适系统的运行状态及参数,并通过模拟软件建立初始数据库,将逐时获取的室外环境参数及人流量输入至预设的LSTM模型,以预测室内环境参数及智能化调适系统的运行状态及参数;
将预测的室内环境参数与初始数据库中的室内环境参数进行比对,确定初始数据库中对应的智能化调适系统的运行状态及参数,根据实测的室内环境参数,并针对预测的智能化调适系统的运行状态及参数进行能耗核算,根据核算获取的能耗水平判定是否为最优控制方案,若否,则对智能化调适系统的运行状态及参数进行优化,使其能耗达到最低,将此时的室外环境参数、室内环境参数以及智能化调适系统的运行状态及参数作为一组优化数据,并替换之前的未经优化数据,扩充并更新数据库,直至完成智能化调适系统的优化。
可选的,所述通过模拟软件建立初始数据库,其具体通过EnergyPlus软件进行建立。
可选的,其中,通过EnergyPlus软件进行建立,其具体过程如下:
将历史室内外环境监测参数和历史智能化调适系统的运行状态及参数导入至EnergyPlus软件,同时引入建筑参数至EnergyPlus软件,以创建初始建筑模型;
初始化初始建筑模型的模拟参数,基于历史室内外环境监测参数和历史智能化调适系统的运行状态及参数设置初始建筑模型的模拟参数,运行EnergyPlus软件执行模拟,并将模拟结果存储至以MySQL或MongoDB创建的数据库中,形成所述初始数据库,并通过pandas库或Tableau进行可视化数据分析。
可选的,所述LSTM模型的构建过程如下:
获取历史室内外环境监测参数及人流量历史数据,对历史室内外环境监测参数及人流量历史数据进行预处理后,划分为训练数据和测试数据;
定义输入为室外环境参数和人流量,输出为室内环境参数和智能化调适系统的运行状态及参数,构建LSTM模型,通过训练数据训练模型,调整LSTM模型的权重以最小化预测误差,并通过测试数据评估LSTM模型的性能,输出完成训练的LSTM模型。
可选的,所述LSTM模型采用堆叠式LSTM模型,其目标函数如下:
其中,L为目标函数,为历史室内外环境监测参数及人流量历史数据经过预处理和划分后得到的训练数据和测试数据的样本个数,/>为室内环境参数和智能化调适系统的运行状态及参数的真实值,/>为室内环境参数和智能化调适系统的运行状态及参数的预测值。
可选的,所述堆叠式LSTM模型采用SGD进行优化,具体计算公式如下:
所述堆叠式LSTM模型采用SGD进行优化,具体计算公式如下:
其中,为更新后的模型参数,/>为模型参数,/>为学习率,/>为目标函数L关于模型参数/>的梯度。
可选的,所述对智能化调适系统的运行状态及参数进行优化,其具体计算方式如下:
其中,为目标函数,/>为能耗,/>、/>、/>、/>、/>、/>、/>、/>分别为各个参数的权重,/>为冷水机组的进水温度,/>为冷水机组的出水温度,/>为冷水机组的流量,为冷水机组的频率,/>为变频水泵的频率,/>为室内温度,/>为设定的室内温度,/>为室内湿度,/>为设定的室内湿度,/>为人流量,/>为智能化调适系统的总能耗,具体过程如下:
确定各个参数的初始值,包括冷水机组的进出水温度、流量、频率、变频水泵的频率、室内温度、设定的室内温度、室内湿度、设定的室内湿度、人流量,根据给定的参数数值,将参数代入公式中,计算出对应的能耗数值,在此过程中,通过调整各个参数的数值,采用梯度下降法对能耗数值进行优化,根据优化结果,更新参数的数值,并重新计算能耗数值,迭代更新直到能耗数值达到最低,求解最优的参数组合,完成智能化调适系统的运行状态及参数的优化。
本发明实施例的技术方案至少具有如下优点和有益效果:
本发明实施例通过获取历史室内外环境监测参数与历史智能化调适系统的运行状态及参数,设立数据库及预测模型,执行后续的数据比对及目标优化,并对数据库进行扩充和更新,不仅能够提高智能化调适系统的性能和效率,还能够实现室内环境的舒适性和节能性的提升,减少能耗,降低能源消耗和环境污染。
附图说明
图1为本发明实施例提供的一种智能化调适系统优化方法的逻辑示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,本发明提供了其中一种实施例:一种智能化调适系统优化方法,该方法的步骤包括:
获取历史室内外环境监测参数与历史智能化调适系统的运行状态及参数,并通过模拟软件建立初始数据库,将逐时获取的室外环境参数及人流量输入至预设的LSTM模型,以预测室内环境参数及智能化调适系统的运行状态及参数;
将预测的室内环境参数与初始数据库中的室内环境参数进行比对,确定初始数据库中对应的智能化调适系统的运行状态及参数,根据实测的室内环境参数,并针对预测的智能化调适系统的运行状态及参数进行能耗核算,根据核算获取的能耗水平判定是否为最优控制方案,若否,则对智能化调适系统的运行状态及参数进行优化,使其能耗达到最低,将此时的室外环境参数、室内环境参数以及智能化调适系统的运行状态及参数作为一组优化数据,并替换之前的未经优化数据,扩充并更新数据库,直至完成智能化调适系统的优化。
在本实施例中,本实施例所指代的智能化调适系统具体为建筑智能空调系统,里面涉及的环境监测参数均为温度、湿度等热工方面参数。基于建筑智能空调系统,本实施例通过获取历史室内外环境监测参数和智能化调适系统的运行状态及参数,并通过特定模拟软件建立初始数据库,能够为进一步优化智能化调适系统提供参考数据,用于后续的预测和优化。本实施例通过构建LSTM模型对逐时获取的室外环境参数和人流量进行预测,预测室内环境参数及智能化调适系统的运行状态及参数,能够帮助智能化调适系统提前做出调整和优化,以提高性能和效率;之后本实施例将预测的室内环境参数与初始数据库中的实际数据进行比对,以确定初始数据库中对应的智能化调适系统的运行状态及参数,并根据实测的室内环境参数和预测的系统参数,进行能耗核算,判断是否为最优控制方案,具体判断过程为能耗水平是否达到预期水平,可以理解的,预期水平具体根据智能化调适系统所处工作环境进行确定,如果达到预期水平,则确定为最优方案,如果未达到预期水平,则确定不是最优方案,则以优化算法对系统的运行状态和参数进行优化,以降低能耗;同时本实施例通过优化后的数据,扩充并更新数据库,能够提供更准确的数据支持,为决策提供参考。
在本实施例中,所述通过模拟软件建立初始数据库,其具体通过EnergyPlus软件进行建立。
在本实施例的具体应用中,其中,通过EnergyPlus软件进行建立,其具体过程如下:
将历史室内外环境监测参数和历史智能化调适系统的运行状态及参数导入至EnergyPlus软件,同时引入建筑参数至EnergyPlus软件,以创建初始建筑模型;
初始化初始建筑模型的模拟参数,基于历史室内外环境监测参数和历史智能化调适系统的运行状态及参数设置初始建筑模型的模拟参数,运行EnergyPlus软件执行模拟,并将模拟结果存储至以MySQL或MongoDB创建的数据库中,形成所述初始数据库,并通过pandas库或Tableau进行可视化数据分析。
更为具体的,本实施例通过EnergyPlus的建筑编辑器或其他建模软件创建建筑模型,并根据智能化调适系统所处环境的各项参数定义建筑的几何形状、材料属性、外部环境条件等,以作为后续步骤的输入数据。依次设置模拟参数,包括时间范围、时间步长等,并根据本实施例输入的历史数据,设置模拟中的室内外环境监测参数,以模拟建筑的室内环境,同时根据输入的历史智能化调适系统的运行状态及参数,设置模拟中的智能化调适系统的参数,以模拟建筑的智能化调适系统的行为,之后通过EnergyPlus执行模拟,生成建筑的能耗和室内环境的模拟结果,并导出模拟结果数据整理并存储到数据库中,以对数据库中的数据进行分析和可视化,可以理解的,此处的数据库建立完毕后仅为初始数据库,其主要依靠历史数据,后续依靠实时数据作为对数据库进行进一步优化。
在本实施例中,所述LSTM模型的构建过程如下:
获取历史室内外环境监测参数及人流量历史数据,对历史室内外环境监测参数及人流量历史数据进行预处理后,划分为训练数据和测试数据;
定义输入为室外环境参数和人流量,输出为室内环境参数和智能化调适系统的运行状态及参数,构建LSTM模型,通过训练数据训练模型,调整LSTM模型的权重以最小化预测误差,并通过测试数据评估LSTM模型的性能,输出完成训练的LSTM模型。
更为具体的,所述LSTM模型采用堆叠式LSTM模型,其目标函数如下:
其中,L为目标函数,为历史室内外环境监测参数及人流量历史数据经过预处理和划分后得到的训练数据和测试数据的样本个数,/>为室内环境参数和智能化调适系统的运行状态及参数的真实值,/>为室内环境参数和智能化调适系统的运行状态及参数的预测值,
在本实施例中,L代表损失函数,用于衡量预测值p与真实值y之间的差异程度。N表示样本数量,即历史室内外环境监测参数和人流量历史数据中的数据点个数,y表示真实值,即实际的室内环境参数和智能化调适系统的运行状态及参数,p表示预测值,即基于输入的室外环境参数和人流量,预测出的室内环境参数和智能化调适系统的运行状态及参数。Σ表示对所有样本的损失进行求和。
更为具体的,所述堆叠式LSTM模型采用SGD进行优化,具体计算公式如下:
其中,为更新后的模型参数,/>为模型参数,/>为学习率,/>为目标函数L关于模型参数/>的梯度。在本实施例中,上述公式具体表述参数更新的过程。上述公式的含义为,通过当前的参数值θ减去学习率η乘以损失函数L关于参数θ的梯度,得到新的参数值,然后用这个新的参数值替换原来的参数值θ。可以理解的,此处的“=”号并非表示等于,而是表示赋值,左边的/>是更新后的参数值,右边的/>是更新参数的规则,即:更新后的参数值/>等于当前的参数值θ减去学习率η乘以损失函数L关于当前参数θ的梯度。
在本实施例中,所述对智能化调适系统的运行状态及参数进行优化,其具体计算方式如下:
其中,为目标函数,/>为能耗,/>、/>、/>、/>、/>、/>、/>、/>分别为各个参数的权重,/>为冷水机组的进水温度,/>为冷水机组的出水温度,/>为冷水机组的流量,为冷水机组的频率,/>为变频水泵的频率,/>为室内温度,/>为设定的室内温度,/>为室内湿度,/>为设定的室内湿度,/>为人流量,/>为智能化调适系统的总能耗。
更为具体的,本实施例通过加权求和的方式将各个参数与能耗进行关联,每个参数的权重表示其对能耗的重要程度。通过调整权重的大小,可以调节各个参数对能耗的影响程度,以达到能耗优化的目标,可以理解的,本实施例将上述目标函数公式划分为如下步骤:确定各个参数的初始值,包括冷水机组的进出水温度、流量、频率、变频水泵的频率、室内温度、设定的室内温度、室内湿度、设定的室内湿度、人流量等。根据给定的参数数值,将参数代入公式中,计算出对应的能耗数值。这个能耗数值反映了当前系统的能耗状况。通过调整各个参数的数值,改变能耗数值,在此过程中使用如梯度下降法、遗传算法等优化算法,求解最优的参数组合,使得能耗数值达到最小值或最大值。根据优化算法的结果,更新参数的数值,并重新计算能耗数值,不断迭代这个过程,直到能耗数值达到最低。本实施例通过此目标函数,能够计算能耗最小化的最优参数组合,通过调整系统的运行状态和参数,来实现对智能化调适系统的优化。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种智能化调适系统优化方法,其特征在于,该方法的步骤包括:
获取历史室内外环境监测参数与历史智能化调适系统的运行状态及参数,并通过模拟软件建立初始数据库,将逐时获取的室外环境参数及人流量输入至预设的LSTM模型,以预测室内环境参数及智能化调适系统的运行状态及参数;
将预测的室内环境参数与初始数据库中的室内环境参数进行比对,确定初始数据库中对应的智能化调适系统的运行状态及参数,根据实测的室内环境参数,并针对预测的智能化调适系统的运行状态及参数进行能耗核算,根据核算获取的能耗水平判定是否为最优控制方案,若否,则对智能化调适系统的运行状态及参数进行优化,使其能耗达到最低,将此时的室外环境参数、室内环境参数以及智能化调适系统的运行状态及参数作为一组优化数据,并替换之前的未经优化数据,扩充并更新数据库,直至完成智能化调适系统的优化;
所述LSTM模型采用堆叠式LSTM模型,其目标函数如下:
其中,L为目标函数,为历史室内外环境监测参数及人流量历史数据经过预处理和划分后得到的训练数据和测试数据的样本个数,/>为室内环境参数和智能化调适系统的运行状态及参数的真实值,/>为室内环境参数和智能化调适系统的运行状态及参数的预测值;
所述堆叠式LSTM模型采用SGD进行优化,具体计算公式如下:
其中,为更新后的模型参数,/>为模型参数,/>为学习率,/>为目标函数L关于模型参数/>的梯度;
所述对智能化调适系统的运行状态及参数进行优化,其具体计算方式如下:
其中,为目标函数,/>为能耗,/>、/>、/>、/>、/>、/>、/>、/>分别为各个参数的权重,/>为冷水机组的进水温度,/>为冷水机组的出水温度,/>为冷水机组的流量,/>为冷水机组的频率,/> 为变频水泵的频率,/>为室内温度,/>为设定的室内温度,/>为室内湿度,/>为设定的室内湿度,/>为人流量,/>为智能化调适系统的总能耗,具体过程如下:
确定各个参数的初始值,包括冷水机组的进出水温度、流量、频率、变频水泵的频率、室内温度、设定的室内温度、室内湿度、设定的室内湿度、人流量,根据给定的参数数值,将参数代入公式中,计算出对应的能耗数值,在此过程中,通过调整各个参数的数值,采用梯度下降法对能耗数值进行优化,根据优化结果,更新参数的数值,并重新计算能耗数值,迭代更新直到能耗数值达到最低,求解最优的参数组合,完成智能化调适系统的运行状态及参数的优化。
2.根据权利要求1所述的智能化调适系统优化方法,其特征在于,所述通过模拟软件建立初始数据库,其具体通过EnergyPlus软件进行建立。
3.根据权利要求2所述的智能化调适系统优化方法,其特征在于,其中,通过EnergyPlus软件进行建立,其具体过程如下:
将历史室内外环境监测参数和历史智能化调适系统的运行状态及参数导入至EnergyPlus软件,同时引入建筑参数至EnergyPlus软件,以创建初始建筑模型;
初始化初始建筑模型的模拟参数,基于历史室内外环境监测参数和历史智能化调适系统的运行状态及参数设置初始建筑模型的模拟参数,运行EnergyPlus软件执行模拟,并将模拟结果存储至以MySQL或MongoDB创建的数据库中,形成所述初始数据库,并通过pandas库或Tableau进行可视化数据分析。
4.根据权利要求1所述的智能化调适系统优化方法,其特征在于,所述LSTM模型的构建过程如下:
获取历史室内外环境监测参数及人流量历史数据,对历史室内外环境监测参数及人流量历史数据进行预处理后,划分为训练数据和测试数据;
定义输入为室外环境参数和人流量,输出为室内环境参数和智能化调适系统的运行状态及参数,构建LSTM模型,通过训练数据训练模型,调整LSTM模型的权重以最小化预测误差,并通过测试数据评估LSTM模型的性能,输出完成训练的LSTM模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423333.0A CN117146382B (zh) | 2023-10-31 | 2023-10-31 | 一种智能化调适系统优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423333.0A CN117146382B (zh) | 2023-10-31 | 2023-10-31 | 一种智能化调适系统优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117146382A CN117146382A (zh) | 2023-12-01 |
CN117146382B true CN117146382B (zh) | 2024-01-19 |
Family
ID=88906557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311423333.0A Active CN117146382B (zh) | 2023-10-31 | 2023-10-31 | 一种智能化调适系统优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117146382B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117989676B (zh) * | 2024-04-07 | 2024-06-25 | 江苏华复保利环保科技有限公司 | 基于大数据的空调能耗数据监管方法及系统 |
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 (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171392A (zh) * | 2017-05-19 | 2018-06-15 | 国网甘肃省电力公司电力科学研究院 | 一种公共建筑综合能耗评估方法 |
CN111735178A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 基于精英主义和svr回归算法的空调节能系统及优化方法 |
CN111998505A (zh) * | 2020-08-10 | 2020-11-27 | 武汉蜗牛智享科技有限公司 | 基于RSM-Kriging-GA算法的泛园区空调系统能耗优化方法及系统 |
CN112628956A (zh) * | 2020-12-24 | 2021-04-09 | 华中科技大学 | 基于边云协同框架的冷水机组负荷预测控制方法和系统 |
AU2021104237A4 (en) * | 2021-07-16 | 2021-09-09 | Zhao, Zihan Mr | BIM software and functional application in construction engineering |
CN113835344A (zh) * | 2021-11-25 | 2021-12-24 | 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 |
CN114963414A (zh) * | 2022-06-08 | 2022-08-30 | 山东润一智能科技有限公司 | 基于ai数据分析的空调系统智能调控装置 |
CN115540252A (zh) * | 2022-10-20 | 2022-12-30 | 长江慧控科技(武汉)有限公司 | 基于机器学习的暖通空调节能控制系统及方法 |
CN115907191A (zh) * | 2022-12-08 | 2023-04-04 | 山东建筑大学 | 一种自适应建筑光伏表皮模型预测控制方法 |
KR20230093678A (ko) * | 2021-12-20 | 2023-06-27 | 주식회사 스피랩 | 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법 |
CN116398994A (zh) * | 2023-06-06 | 2023-07-07 | 南京壹格软件技术有限公司 | 一种基于负荷预测的冷水机组群控优化方法 |
CN116415713A (zh) * | 2023-02-28 | 2023-07-11 | 河北工业大学 | 一种基于e+和人工智能的建筑能耗预测方法 |
CN116579509A (zh) * | 2023-07-14 | 2023-08-11 | 天津福天科技有限公司 | 一种基于虚拟现实的光伏发电预测方法 |
CN116907036A (zh) * | 2023-07-03 | 2023-10-20 | 苏州思萃融合基建技术研究所有限公司 | 一种基于冷负荷预测的深度强化学习冷水机组控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11210750B2 (en) * | 2018-11-29 | 2021-12-28 | Electronics And Telecommunications Research Institute | Method and system for energy improvement verification of buildings |
SG11202104641UA (en) * | 2019-01-11 | 2021-06-29 | Univ Nanyang Tech | Method and control system for controlling building service systems |
US20230280064A1 (en) * | 2022-02-08 | 2023-09-07 | Johnson Controls Tyco IP Holdings LLP | Building management system with clean air and infection reduction features |
-
2023
- 2023-10-31 CN CN202311423333.0A patent/CN117146382B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171392A (zh) * | 2017-05-19 | 2018-06-15 | 国网甘肃省电力公司电力科学研究院 | 一种公共建筑综合能耗评估方法 |
CN111735178A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 基于精英主义和svr回归算法的空调节能系统及优化方法 |
CN111998505A (zh) * | 2020-08-10 | 2020-11-27 | 武汉蜗牛智享科技有限公司 | 基于RSM-Kriging-GA算法的泛园区空调系统能耗优化方法及系统 |
CN112628956A (zh) * | 2020-12-24 | 2021-04-09 | 华中科技大学 | 基于边云协同框架的冷水机组负荷预测控制方法和系统 |
AU2021104237A4 (en) * | 2021-07-16 | 2021-09-09 | Zhao, Zihan Mr | BIM software and functional application in construction engineering |
CN113835344A (zh) * | 2021-11-25 | 2021-12-24 | 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 |
KR20230093678A (ko) * | 2021-12-20 | 2023-06-27 | 주식회사 스피랩 | 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법 |
CN114963414A (zh) * | 2022-06-08 | 2022-08-30 | 山东润一智能科技有限公司 | 基于ai数据分析的空调系统智能调控装置 |
CN115540252A (zh) * | 2022-10-20 | 2022-12-30 | 长江慧控科技(武汉)有限公司 | 基于机器学习的暖通空调节能控制系统及方法 |
CN115907191A (zh) * | 2022-12-08 | 2023-04-04 | 山东建筑大学 | 一种自适应建筑光伏表皮模型预测控制方法 |
CN116415713A (zh) * | 2023-02-28 | 2023-07-11 | 河北工业大学 | 一种基于e+和人工智能的建筑能耗预测方法 |
CN116398994A (zh) * | 2023-06-06 | 2023-07-07 | 南京壹格软件技术有限公司 | 一种基于负荷预测的冷水机组群控优化方法 |
CN116907036A (zh) * | 2023-07-03 | 2023-10-20 | 苏州思萃融合基建技术研究所有限公司 | 一种基于冷负荷预测的深度强化学习冷水机组控制方法 |
CN116579509A (zh) * | 2023-07-14 | 2023-08-11 | 天津福天科技有限公司 | 一种基于虚拟现实的光伏发电预测方法 |
Non-Patent Citations (2)
Title |
---|
基于神经网络的建筑能耗预测;吴烨;《智能计算机与应用》;第13卷(第9期);全文 * |
融合BIM和EnergyPlus技术的装配式建筑节能潜力研究——以夏热冬冷地区为例;过梓琪;《中小企业管理与科技》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117146382A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117146382B (zh) | 一种智能化调适系统优化方法 | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
US10732595B2 (en) | Control parameter automatic-adjustment apparatus, control parameter automatic-adjustment method, and control parameter automatic-adjustment apparatus network | |
CN113835344B (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN108317670B (zh) | 一种基于机器学习的制冷系统节能控制方法及系统 | |
Wang et al. | Data mining approach for improving the optimal control of HVAC systems: An event-driven strategy | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN109446028B (zh) | 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
CN111811016B (zh) | 一种供暖机组单元间水力平衡调节方法及系统 | |
CN113268913B (zh) | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 | |
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 | |
CN111221249B (zh) | 一种用于数据中心系统群控的参数优化的方法 | |
CN114548539B (zh) | 循环水系统压缩机透平能耗预测方法、装置、设备及介质 | |
CN118292926A (zh) | 一种基于风压风量测试的矿井通风系统的优化方法 | |
CN111242266A (zh) | 一种运行数据管理系统 | |
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 | |
CN118363318A (zh) | 基于plm系统的楼宇空调系统半实物仿真控制方法与管理平台 | |
CN114811858A (zh) | 一种空调负荷在线学习方法 | |
Zhu et al. | Application of machine learning and its improvement technology in modeling of total energy consumption of air conditioning water system | |
CN117355710A (zh) | 一种用于控制制冷设备的方法和装置 | |
CN111368408A (zh) | 基于seq2seq的数据中心能效优化连续决策方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |