CN117366810B - 一种空调系统控制方法和装置 - Google Patents
一种空调系统控制方法和装置 Download PDFInfo
- Publication number
- CN117366810B CN117366810B CN202311406674.7A CN202311406674A CN117366810B CN 117366810 B CN117366810 B CN 117366810B CN 202311406674 A CN202311406674 A CN 202311406674A CN 117366810 B CN117366810 B CN 117366810B
- Authority
- CN
- China
- Prior art keywords
- load
- air conditioning
- conditioning system
- parameters
- target
- 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
- 238000004378 air conditioning Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 claims abstract description 70
- 238000012216 screening Methods 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 16
- 230000006978 adaptation Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 24
- 230000008569 process Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 238000001816 cooling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000005057 refrigeration Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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
- F24F11/62—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
- F24F11/89—Arrangement or mounting of control or safety devices
-
- 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
- F24F2140/50—Load
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种空调系统控制的方法和装置，涉及数据管理技术领域。该方法包括：从空调系统的多维负荷影响参数中筛选出用于负荷预测的多个目标负荷影响参数，基于目标负荷影响参数的历史数据集，获得目标负荷预测模型，基于目标负荷预测模型和当前运行周期的目标负荷影响参数，获得空调系统下一运行周期的预测负荷，获取空调系统下一运行周期的期望负荷，并基于预测负荷和期望负荷的差值，确定空调系统下一运行周期的运行参数，基于空调系统下一运行周期的运行参数和多个子系统的优化目标，对多个子系统的运行配置参数进行动态调整。解决了无法对复杂应用场景和多任务场景下的空调系统进行自动精准控制的问题。
Description
技术领域
本申请涉及控制领域，尤其涉及一种空调系统控制方法和装置。
背景技术
空调系统是一种用于维持室内舒适温度、湿度和空气质量的设备，通常用于调节建筑物内部环境条件。在住宅、商业建筑、工业设施、汽车等各种应用中广泛使用，而空调系统的控制是指管理和调节空调系统的运行，以确保室内环境在舒适温度和湿度范围内，并实现能源效率。而由于空调系统设备繁多，是大滞后与非线性系统，且各回路之间存在耦合现象，因此采用机理建模方法十分困难。
相关技术中，对于复杂应用场景和多任务场景下的空调系统控制，将整个空调系统作为优化主体，虽然能够获得整体上最优的控制效果，但是忽略了子系统之间作用和影响，即有的子系统可能处在非常恶劣的状态下，而空调系统具有的木桶效应，即当处在非常恶劣的状态下子系统出现异常时，会影响整个空调系统的运行稳定性。
发明内容
本申请提供了一种空调系统控制方法和装置，旨在保证各个空调子系统具有最佳控制工况，进而提高空调系统的运行稳定性。
第一方面，本申请实施例提供了一种空调系统控制方法，该方法包括：
从空调系统的多维负荷影响参数中筛选出用于负荷预测的多个目标负荷影响参数；
基于目标负荷影响参数的历史数据集，获得目标负荷预测模型；
基于目标负荷预测模型和当前运行周期的目标负荷影响参数，获得空调系统下一运行周期的预测负荷；
获取空调系统下一运行周期的期望负荷，并基于预测负荷和期望负荷的差值，确定空调系统下一运行周期的运行参数；
基于空调系统下一运行周期的运行参数和多个子系统的优化目标，对多个子系统的运行配置参数进行动态调整。
在一些实施例中，从空调系统的多维负荷影响参数中筛选出用于负荷预测的至少一个目标负荷影响参数，包括：
对每个维度的负荷影响参数进行降维处理，并计算降维处理后的每个维度的负荷参数对应的信息量；
根据信息量的大小，对多维负荷影响参数进行筛选，以获得目标负荷影响参数。
在一些实施例中，基于目标负荷影响参数的历史数据集，获得目标负荷预测模型，包括：
任意组合至少两个目标负荷影响参数，以获得多个组合结果，其中，每个组合结果对应一个历史数据集，历史数据集包括第一数据集和第二数据集；
基于第一数据集，对预设模型进行训练，以获得初始负荷预测模型；
基于第二数据集，对初始负荷预测模型进行准确度校验，以获得中间负荷预测模型；
对中间负荷预测模型进行模型融合，以获得目标负荷预测模型。
在一些实施例中，基于第二数据集，对初始负荷预测模型进行准确度校验，以获得目标负荷预测模型，包括：
基于初始负荷预测模型，获得负荷预测序列；
基于第二数据集和负荷预测序列的差值结果，确定初始负荷预测模型的预测准确率；
在初始负荷预测模型的预测准确率大于预设阈值的情况下，将初始负荷预测模型确定为目标负荷预测模型。
在一些实施例中，基于目标负荷预测模型和当前运行周期的目标负荷影响参数，获得空调系统下一运行周期的预测负荷，包括：
基于当前运行周期的目标负荷影响参数，构建输入特征序列；
将输入特征序列输入目标负荷预测模型，以获得空调系统下一运行周期的预测负荷。
在一些实施例中，基于预测负荷和期望负荷的差值，确定空调系统下一运行周期的运行参数，包括：
根据预测负荷和期望负荷的差值，确定空调系统下一运行周期的修正目标和修正方向；
基于修正目标和修正方向，对空调系统当前运行周期的运行参数进行调整，以确定空调系统下一运行周期的运行参数。
在一些实施例中，基于空调系统下一运行周期的运行参数和多个子系统的优化目标，对多个子系统的运行配置参数进行动态调整，包括：
基于多个子系统的优化目标，构建目标优化函数和多种配置方案，其中，每种配置方案对应一组多个子系统的运行配置参数；
基于目标优化函数，对每种配置方案进行适配度评估；
确定适配度评估结果相互之间的帕累托支配关系，剔除具有被支配关系的适配度评估结果对应的配置方案，以获得目标配置方案；
根据目标配置方案，对多个子系统的运行配置参数进行动态调整。
第二方面，本发明实施例提供了一种空调系统控制装置，装置包括：
筛选模块，用于从空调系统的多维负荷影响参数中筛选出用于负荷预测的多个目标负荷影响参数；
模型构建模块，用于基于目标负荷影响参数的历史数据集，获得目标负荷预测模型；
预测模块，用于基于目标负荷预测模型和当前运行周期的目标负荷影响参数，获得空调系统下一运行周期的预测负荷；
确定模块，用于获取空调系统下一运行周期的期望负荷，并基于预测负荷和期望负荷的差值，确定空调系统下一运行周期的运行参数；
调整模块，用于基于空调系统下一运行周期的运行参数和多个子系统的优化目标，对多个子系统的运行配置参数进行动态调整。
在一种可选的实现方式中，筛选模块包括：
计算子模块，用于对每个维度的负荷影响参数进行降维处理，并计算降维处理后的每个维度的负荷参数对应的信息量；
筛选子模块，用于根据信息量的大小，对多维负荷影响参数进行筛选，以获得目标负荷影响参数。
在一种可选的实现方式中，模型构建模块，包括：
组合子模块，用于任意组合至少两个目标负荷影响参数，以获得多个组合结果，其中，每个组合结果对应一个历史数据集，历史数据集包括第一数据集和第二数据集；
训练子模块，用于基于第一数据集，对预设模型进行训练，以获得初始负荷预测模型；
校验子模块，用于基于第二数据集，对初始负荷预测模型进行准确度校验，以获得中间负荷预测模型；
融合子模块，用于对中间负荷预测模型进行模型融合，以获得目标负荷预测模型。
在一种可选的实现方式中，校验子模块包括：
序列生成单元，用于基于初始负荷预测模型，获得负荷预测序列；
校验单元，用于基于第二数据集和负荷预测序列的差值结果，确定初始负荷预测模型的预测准确率；
判断单元，用于在初始负荷预测模型的预测准确率大于预设阈值的情况下，将初始负荷预测模型确定为目标负荷预测模型。
在一种可选的实现方式中，预测模块包括：
特征构建子模块，用于基于当前运行周期的目标负荷影响参数，构建输入特征序列；
预测结果输出子模块，用于将输入特征序列输入目标负荷预测模型，以获得空调系统下一运行周期的预测负荷。
在一种可选的实现方式中，确定模块，包括：
修正目标确定子模块，用于根据预测负荷和期望负荷的差值，确定空调系统下一运行周期的修正目标和修正方向；
修正子模块，用于基于修正目标和修正方向，对空调系统当前运行周期的运行参数进行调整，以确定空调系统下一运行周期的运行参数。
在一种可选的实现方式中，调整模块包括：
构建子模块，用于基于多个子系统的优化目标，构建目标优化函数和多种配置方案，其中，每种配置方案对应一组多个子系统的运行配置参数；
评估子模块，用于基于目标优化函数，对每种配置方案进行适配度评估；
配置方案确定子模块，用于确定适配度评估结果相互之间的帕累托支配关系，剔除具有被支配关系的适配度评估结果对应的配置方案，以获得目标配置方案；
调整子模块，用于根据目标配置方案，对多个子系统的运行配置参数进行动态调整。
在一种可选的实现方式中，评估子模块包括；
第一评估单元，用于将能耗损失率最低确定为第一目标函数的优化方向；
第二评估单元，用于将运行费用最低确定为第二目标函数的优化方向；
第三评估单元，用于根据第一目标函数和第二目标函数，对每种配置方案进行适配度评估。
本发明实施例第三方面提出一种电子设备，电子设备包括：
至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本发明实施例第一方面提出方法。
本发明实施例第四方面提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例第一方面提出方法。
本发明具有以下有益效果：
在本发明的方案中，首先，在负荷预测的过程中，通过从空调系统的多维负荷影响参数中筛选出多个目标负荷影响参数，精确地捕捉了与负荷变化相关的关键因素。这个筛选过程有助于提高预测模型的准确性，因为只关注了最重要的参数，避免了不必要的复杂性。
接下来，获取了空调系统下一运行周期的期望负荷，这是希望系统在下一个周期内实现的目标。通过比较预测负荷与期望负荷之间的差异，可以确定出需要调整的运行参数，以便系统能够更好地满足期望。
最后，基于确定的运行参数和多个子系统的优化目标，对每个子系统的运行配置参数进行了动态调整。通过将空调系统的优化分解为每个子系统的参数动态调整有助于更全面地考虑子系统之间的相互作用，维护整个系统的稳定性，并提高系统的适应性。进而克服空调系统的木桶效应，确保不会有子系统处于恶劣的工作状态，进而使得整个空调系统能保持高效的运行和性能。
附图说明
图1为本发明实施例涉及的硬件运行环境的电子设备结构示意图；
图2是本发明实施例提供的一种空调系统控制的方法的步骤流程图；
图3是本发明实施例提供的一种空调系统控制装置的功能模块示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明的方案进一步说明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储系统。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，电子设备通过处理器1001调用存储器1005中存储的空调系统控制装置，并执行本发明实施例提供的空调系统控制的方法。
相关技术中，空调系统作为一个多变量复杂系统，在能耗控制方面面临一系列挑战。首先，它很难建立精确的数学模型来描述系统的动态行为，因为空调系统的运行涉及到多种因素和相互关联的变量，如室内温度、湿度、外部温度、风速、制冷剂压力等，而这些因素之间的相互作用复杂而不断变化。此外，空调系统的结构、参数和环境条件都具有不确定性，可能随着时间而变化，使得模型的建立和维护更加困难。其次，由于空调系统中的压缩机、风扇、传感器等组件的非线性特性以及环境条件的变化，空调系统的响应不容易用简单的线性模型来表示。进一步的，空调系统通常存在严重的延迟问题。由于空气冷却或加热不是瞬时完成的，改变控制参数后，需要一定时间才能在室内感觉到温度变化。
基于此，发明人提出了本申请的发明构思：首先，对空调系统的能耗进行精准预测。然后，采用前馈控制方法，将预测结果融入整个空调系统的控制流程中，以实现空调系统在追求最高能效率和运行功率较优的同时，空调系统的整体优化也达到最优值。
参照图2，本发明的实施例提供了一种空调系统控制的方法，具体可以包括以下步骤：
S201：从空调系统的多维负荷影响参数中筛选出用于负荷预测的多个目标负荷影响参数。
在本实施方式中，对空调系统负荷存在影响能力的参数有很多，如果将所有具有影响能力的参数都用来作为预测参数，可能会导致多维、高维度的问题，从而引发计算和运行时间的巨大开销，并对预测精度产生不必要的干扰。因此，需要进行负荷影响参数的筛选。参数筛选的目标是找到对负荷预测最具信息量的参数，以保持模型的简洁性和预测的准确性。在进行参数筛选时，需要注意平衡模型的简化和预测的准确性。
其具体的步骤包括：
S2011：对每个维度的负荷影响参数进行降维处理，并计算降维处理后的每个维度的负荷参数对应的信息量。
在本实施方式中，首先，负荷影响参数通常是一个多维的数据集，每个维度代表了一个不同的参数或特征，例如温度、湿度、风速、太阳辐射、新风量、围护结构热工性能、机组COP、人数等，这些参数可以对负荷产生影响。然而，在实际应用中，不是所有的参数都对负荷预测或控制同样重要，一些参数可能包含了冗余信息或对负荷影响较小。因此，需要对这些参数进行降维处理。降维是将高维数据转换为低维数据的过程，同时尽量保留数据的重要信息。在负荷影响参数的情境下，这些参数可能包括多个维度，如时间、温度、湿度等。通过降维，试图找到一个更简洁的表达方式，以更好地理解和分析负荷数据。信息量度量了降维后每个维度所包含的有关原始数据的信息。通常使用信息熵或基尼系数等指标来衡量信息量。信息熵越低，表示数据越有序，信息量越大。
S2012：根据信息量的大小，对多维负荷影响参数进行筛选，以获得目标负荷影响参数。
在本实施方式中，在完成对负荷影响参数的降维处理后，实现了相关变量至不相关变量的转化，然后根据计算出的信息量，对多维负荷影响参数进行排序，从高到低。具有较高信息量的参数可能对目标负荷影响更大，因此可以按照信息量从高到低的次序，筛选出目标负荷影响参数。
S202：基于目标负荷影响参数的历史数据集，获得目标负荷预测模型。
在本实施方式中，在确定目标负荷影响参数之后，需要根据筛选出来的目标负荷影响参数的历史数据以及空调系统的历史负荷数据，构建用于预测未来负荷的目标负荷预测模型，需要说明的是，由于目标负荷影响参数的历史数据和空调系统的历史负荷数据是通过测量装置采集得到的，各种因素可能影响数据的准确性，导致数据出现非真实或异常波动的情况，因此在获取到目标负荷影响参数的历史数据和空调系统的历史负荷数据之后，需要进行相应的预处理操作，以保证数据满足后续的处理需求。而获得目标负荷预测模型具体的步骤包括：
S2021：任意组合至少两个目标负荷影响参数，以获得多个组合结果。
在本实施方式中，空调系统的性能受多个目标负荷影响参数的影响。这些目标负荷影响之间可能存在复杂的相互作用，而单一的预测模型无法涵盖所有可能的情况和变化，因为这些目标负荷影响参数之间的关系可能是非线性的、时变的或具有交互效应。通过根据每种组合结果来单独训练模型，可以更好地捕捉这些复杂性，使模型更全面，能够更好地应对不同的情况通过组合多个参数，可以更好地捕捉这种复杂性和多维性。这有助于提高模型的预测精度。因此每个组合结果对应一个历史数据集，历史数据集包括第一数据集和第二数据集，第一数据集用于对模型进行训练，第二数据集用于对模型进行校验。
S2022：基于第一数据集，对预设模型进行训练，以获得初始负荷预测模型。
S2023：基于第二数据集，对初始负荷预测模型进行准确度校验，以获得中间负荷预测模型。
S2024：对中间负荷预测模型进行模型融合，以获得目标负荷预测模型。
在S2022至S2024的实施方式中，第一数据包含了历史的负荷数据以及与负荷相关的特征或参数。首先，使用第一数据集，对一个预设模型进行训练。预设模型可以是各种预测方法，如时间序列分析、机器学习模型(如神经网络、支持向量机等)或其他预测技术。模型的目标是通过学习历史数据中的模式和关联性来进行负荷预测。然后，使用第二数据集，它可能包含了不同于第一数据集的历史负荷数据，用于对初始负荷预测模型的准确性进行校验和验证。中间负荷预测模型是在初始模型的基础上进行改进的，通过比较模型对第二数据集的预测结果与实际数据之间的差异，对模型进行校正和调整，以提高其准确性和可靠性。最后，通过将多个中间负荷预测模型进行融合，构建出一个更为强大和准确的目标负荷预测模型。模型融合可以采用各种技术，如加权平均、集成学习(如随机森林、梯度提升等)、神经网络融合等，以综合不同模型的优势，提高整体的预测性能。
而在一种可行的实施方式中，对初始负荷预测模型进行准确度校验的具体步骤包括：
S20231：基于初始负荷预测模型，获得负荷预测序列；
S20232：基于第二数据集和负荷预测序列的差值结果，确定初始负荷预测模型的预测准确率；
S20233：在初始负荷预测模型的预测准确率大于预设阈值的情况下，将初始负荷预测模型确定为目标负荷预测模型。
在S20231至S20233的实施方式中，首先使用初始负荷预测模型来生成一个负荷预测序列。这个序列是模型根据历史负荷数据生成的，用于预测未来一段时间内的负荷水平。这个序列可以包括不同时间点的负荷预测值，通常是未来若干小时或天的预测。然后，将负荷预测序列与第二数据集中的实际负荷数据进行比较，计算它们之间的差值或误差。这些差值代表了模型的预测与实际负荷之间的偏差。通过对这些差值进行统计和分析，可以确定初始负荷预测模型的预测准确率。通常，可以使用不同的指标来评估准确率，例如均方根误差(RMSE)、平均绝对误差(MAE)等。最后，将初始负荷预测模型的预测准确率与预先设定的阈值进行比较。如果初始模型的预测准确率满足或超过了预设阈值，那么这个初始模型将被确认为目标负荷预测模型。如果没有达到，可能需要进一步改进模型或采用其他方法来提高预测准确率。
S203：基于目标负荷预测模型和当前运行周期的目标负荷影响参数，获得空调系统下一运行周期的预测负荷。
在本实施方式中，在构建完成目标负荷预测模型之后，通常采集当前周期的目标负荷影响参数，并进行相应特征处理，然后将目标负荷影响参数输入到预测模型中，从而获得下一个运行周期的预测结果。需要说明的是，这个过程需要不断地更新目标负荷影响参数和模型，以适应不断变化的环境条件，以确保负荷预测的准确性和可靠性。
其具体的实现步骤包括：
S2031：基于当前运行周期的目标负荷影响参数，构建输入特征序列；
S2032：将输入特征序列输入目标负荷预测模型，以获得空调系统下一运行周期的预测负荷。
在S2031至S2032的实施方式中，首先，基于当前运行周期的一系列目标负荷影响参数创建一个输入特征序列，该序列用于描述当前空调系统的运行状态以及可能影响目标负荷的各种因素。通过采集和整理这些参数，将它们组成一个特征序列，为后续的负荷预测提供了基础。这个步骤的关键在于选择和提取与负荷预测相关的特征，并将它们合理地表示成一个序列。
接下来，使用先前构建的输入特征序列来输入目标负荷预测模型。该模型已经在训练阶段学习了历史负荷数据和输入特征之间的关系。当输入特征序列被传递给该模型时，模型会根据这些特征的组合和模式，预测出下一个运行周期内的目标负荷。
S204：获取空调系统下一运行周期的期望负荷，并基于预测负荷和期望负荷的差值，确定空调系统下一运行周期的运行参数。
在本实施方式中，空调系统使用前馈控制回路获取下一个运行周期的期望负荷。这个期望负荷是基于当前环境条件和历史数据等信息计算得出的，用于指导空调系统在下一个运行周期中需要达到的负荷水平。接下来，将期望负荷与先前预测的负荷进行比较，以计算它们之间的差值。这个差值反映了当前负荷预测与期望负荷之间的偏差，即系统在当前运行周期中实际需要的额外或减少的负荷量。然后，根据这个差值，系统调整空调系统的运行参数。这些运行参数可能包括冷水机组的台数、制冷剂的流量、水泵的供水压力、供回水温度设定、风机转速等，这些参数的调整将使得系统更加高效地满足实际负荷需求，从而降低能源消耗。这是通过控制逻辑结合控制各环节的工作状态来实现的。
需要说明的是，上述过程是持续的，通过不断地采样和反复预测，系统能够不断地根据实时反馈信息来修正预测模型，以适应参数时变和环境变化等不确定性因素。这提高了系统的鲁棒性，使其能够更好地适应不断变化的条件，保持高效运行。
在一种可行的实施方式中，上述修正过程具体包括：
S2041：根据预测负荷和期望负荷的差值，确定空调系统下一运行周期的修正目标和修正方向；
S2042：基于修正目标和修正方向，对空调系统当前运行周期的运行参数进行调整，以确定空调系统下一运行周期的运行参数。
在S2041至S2042的实施方式中，根据预测负荷和期望负荷之间的差值，来确定下一个运行周期的修正目标和修正方向。差值表示了当前预测的负荷与期望负荷之间的偏差，这个偏差可以是正数(表示当前负荷预测高于期望负荷)或负数(表示当前负荷预测低于期望负荷)。如果差值为正数，系统可能需要提高负荷以满足期望负荷。修正目标可能是增加制冷系统的制冷量，例如增加冷水机组台数或调高供回水温差设定值。如果差值为负数，系统可能需要降低负荷以与期望负荷保持一致。修正目标可能是降低制冷系统的制冷量，例如减少冷水机组台数或降低供回水温差设定值。
修正方向指示了在实际操作中应采取的步骤，以实现修正目标。这可能涉及到改变空调系统的控制策略，例如增加/减少风机转度、改变冷冻/却循环的参数或修改温度控制设定值等。修正方向的选择取决于具体的系统架构和设计。
一旦确定了修正目标和修正方向，空调系统会根据修正目标和修正方向来更新当前运行周期的运行参数，以确保下一个运行周期能够更好地满足期望负荷。这个调整过程是动态的，通常需要实时监测和反馈机制，以确保系统在整个运行周期内能够保持在期望的负荷水平上。
S205：基于空调系统下一运行周期的运行参数和多个子系统的优化目标，对多个子系统的运行配置参数进行动态调整。
在本实施方式中，在一个空调系统中，通常有多个子系统或组件，例如冷水机组、冷冻水泵、冷却水泵、冷却塔、空调末端等，而不同的子系统的优化目标是不同的，因此需要以能效效率最高，运行功率较优为主要目的来调节各个子系统的运行配置参数。在这个过程中，系统会根据下一个运行周期的运行参数和各个子系统的优化目标，实时地动态调整每个子系统的运行配置参数。这个过程旨在通过实时优化来确保空调系统在每个运行周期中以最佳方式运行。它考虑了多个子系统的不同需求和运行参数，以实现能效最高、性能最佳、舒适度最佳的整体运行状态。
其具体的步骤包括：
S2051：基于多个子系统的优化目标，构建目标优化函数和多种配置方案，其中，每种配置方案对应一组多个子系统的运行配置参数；
S2052：基于目标优化函数，对每种配置方案进行适配度评估；
S2053：确定适配度评估结果相互之间的帕累托支配关系，剔除具有被支配关系的适配度评估结果对应的配置方案，以获得目标配置方案；
S2054：根据目标配置方案，对多个子系统的运行配置参数进行动态调整。
在S2051至S2054实施方式中，首先需要明确多个子系统的优化目标。然后，为了达到这些优化目标，需要构建一个目标优化函数，该函数可以根据各个子系统的运行配置参数来计算一个综合的性能指标或优化目标值。然后，需要生成多种不同的配置方案，每个配置方案都包含一组不同的子系统运行配置参数。因此确定目标配置方案的过程其实是对空调系统的多个子系统进行多目标优化的过程。
然后，对每个配置方案都使用目标优化函数进行评估。这意味着将每个配置方案的运行参数应用于多个子系统，并使用目标优化函数来计算其性能或优化目标的值。这个值通常表示了该配置方案相对于优化目标的优劣程度。找出在不同配置方案之间的帕累托支配关系。帕累托支配关系指的是一种情况，其中一个配置方案在某些优化目标上明显优于其他配置方案。通过比较不同配置方案之间的性能指标，可以确定哪些配置方案在某些方面具有优势，并且哪些配置方案可能被其他配置方案所支配(即性能更差)。被支配的配置方案将被剔除，留下具有帕累托优势的配置方案，这些配置方案构成了最终的目标配置方案集合。
最后，基于确定的目标配置方案，将相应的运行配置参数应用于多个子系统，以实现系统的动态调整。这些参数的调整可能包括改变设备的设置、调整系统的运行策略或控制算法等，以满足优化目标并提高整个系统的性能和效率。
作为示例的，对于各个子系统，其对应的优化目标可以分别为：
冷水机组：优化目标是实现空调系统的整体最佳能效。这包括不断预测和推算冷水机组在当前环境条件下的最佳运行时所需负荷，以及计算冷水机组的需求台数和加减载情况。对于定流量系统，优化目标是最大化运行的冷水机组的COP值总和。对于变流量系统，优化目标是最大化系统能效。
冷冻水泵：优化目标是保持水泵在高效区运行，其中高效区可定义为水泵效率大于等于水泵设计工况最高效率的85％。此外，优化目标还包括通过减少水泵的运行台数来确保系统所需水量与水泵输出的匹配，以减少不必要的水泵运行。
冷却水泵：优化目标是调整冷却水泵的运行方式，使其在总设计流量的60％处切换运行台数，以保持在水泵高效区运行。这可以通过台数控制来实现。
冷却塔：优化目标是根据实际曲线控制冷却塔风机的加减机策略，以实现最大能效点在部分负荷下的节能效果。当风机水泵转速都在经济运行范围内时，通过PID控制来调节冷却塔进风量和水泵流量，以控制冷却塔出水温度和进出口温差。
空调末端设备：优化目标是根据实际房间环境数据，预测和实现空调末端设备的最佳能效，并根据空调末端设备的负荷选择总能耗最优的风量和水量的匹配组合。这有助于调节室内温度、热负荷和湿度，以实现最大的节能效益。
在一些可行的实施方式中，基于目标优化函数，对每种配置方案进行适配度评估的具体过程包括：
S20521：将能耗损失率最低确定为第一目标函数的优化方向；
S20522：将运行费用最低确定为第二目标函数的优化方向；
S20523：根据第一目标函数和第二目标函数，对每种配置方案进行适配度评估。
在S20521至S20523的实施方式中，目标优化函数包括第一目标函数和第二目标函数，
在多目标优化中，首先需要明确每个目标函数的优化方向。在这一步骤中，对于蓄冷空调系统，最大化利用夜间电价制冷能极大地减少运行费用，但制冷过程包含多层物态转化和散热等，必然造成更多的能源浪费。要实现空调运行过程中能耗损失最少的目标，就要减少夜间制冷量，减少夜间低谷电价的利用，但同时运行费用就会相应的增加，可能无法满足用户经济性要求。故为了在最大化减少用户空调运行成本的情况下同时减少能源的浪费量，因此本申请确定了运行费用和能耗损失率两个优化目标。
空调系统将能耗损失率，作为优化的首要方向。这意味着系统将致力于最小化能耗损失率，将其降至最低可能水平。空调系统将运行费用，作为优化的次要方向。这表示系统不仅要考虑节能，还要将运行费用最小化，以确保经济上的可持续性。在多目标优化中，每个可能的配置方案都会根据两个目标函数进行评估。这一步骤涉及将系统的不同配置方案进行适配度评估，以确定它们在两个目标函数方面的性能。通过比较不同配置方案的性能，可以找到那些在能耗损失率和运行费用两个方面都表现良好的配置方案。
本发明实施例还提供了一种空调系统控制方法，首先，在负荷预测的过程中，通过从空调系统的多维负荷影响参数中筛选出多个目标负荷影响参数，精确地捕捉了与负荷变化相关的关键因素。这个筛选过程有助于提高预测模型的准确性，因为只关注了最重要的参数，避免了不必要的复杂性。接下来，获取了空调系统下一运行周期的期望负荷，这是希望系统在下一个周期内实现的目标。通过比较预测负荷与期望负荷之间的差异，可以确定出需要调整的运行参数，以便系统能够更好地满足期望。最后，基于确定的运行参数和多个子系统的优化目标，对每个子系统的运行配置参数进行了动态调整。这意味着空调系统在下一运行周期内能够根据实际需求智能地调整自身，以同时实现能源效率、经济性和性能的最佳平衡。这一综合性的优点使得空调系统能够在不断变化的条件下保持高效、可持续和鲁棒。
本发明实施例还提供了一种空调系统控制装置，参照图3，示出了本发明一种空调系统控制装置的功能模块图，该系统可以包括以下模块：
筛选模块301，用于从空调系统的多维负荷影响参数中筛选出用于负荷预测的多个目标负荷影响参数；
模型构建模块302，用于基于目标负荷影响参数的历史数据集，获得目标负荷预测模型；
预测模块303，用于基于目标负荷预测模型和当前运行周期的目标负荷影响参数，获得空调系统下一运行周期的预测负荷；
确定模块304，用于获取空调系统下一运行周期的期望负荷，并基于预测负荷和期望负荷的差值，确定空调系统下一运行周期的运行参数；
调整模块305，用于基于空调系统下一运行周期的运行参数和多个子系统的优化目标，对多个子系统的运行配置参数进行动态调整。
在一种可选的实现方式中，筛选模块包括：
计算子模块，用于对每个维度的负荷影响参数进行降维处理，并计算降维处理后的每个维度的负荷参数对应的信息量；
筛选子模块，用于根据信息量的大小，对多维负荷影响参数进行筛选，以获得目标负荷影响参数。
在一种可选的实现方式中，模型构建模块，包括：
组合子模块，用于任意组合至少两个目标负荷影响参数，以获得多个组合结果，其中，每个组合结果对应一个历史数据集，历史数据集包括第一数据集和第二数据集；
训练子模块，用于基于第一数据集，对预设模型进行训练，以获得初始负荷预测模型；
校验子模块，用于基于第二数据集，对初始负荷预测模型进行准确度校验，以获得中间负荷预测模型；
融合子模块，用于对中间负荷预测模型进行模型融合，以获得目标负荷预测模型。
在一种可选的实现方式中，校验子模块包括：
序列生成单元，用于基于初始负荷预测模型，获得负荷预测序列；
校验单元，用于基于第二数据集和负荷预测序列的差值结果，确定初始负荷预测模型的预测准确率；
判断单元，用于在初始负荷预测模型的预测准确率大于预设阈值的情况下，将初始负荷预测模型确定为目标负荷预测模型。
在一种可选的实现方式中，预测模块包括：
特征构建子模块，用于基于当前运行周期的目标负荷影响参数，构建输入特征序列；
预测结果输出子模块，用于将输入特征序列输入目标负荷预测模型，以获得空调系统下一运行周期的预测负荷。
在一种可选的实现方式中，确定模块，包括：
修正目标确定子模块，用于根据预测负荷和期望负荷的差值，确定空调系统下一运行周期的修正目标和修正方向；
修正子模块，用于基于修正目标和修正方向，对空调系统当前运行周期的运行参数进行调整，以确定空调系统下一运行周期的运行参数。
在一种可选的实现方式中，调整模块包括：
构建子模块，用于基于多个子系统的优化目标，构建目标优化函数和多种配置方案，其中，每种配置方案对应一组多个子系统的运行配置参数；
评估子模块，用于基于目标优化函数，对每种配置方案进行适配度评估；
配置方案确定子模块，用于确定适配度评估结果相互之间的帕累托支配关系，剔除具有被支配关系的适配度评估结果对应的配置方案，以获得目标配置方案；
调整子模块，用于根据目标配置方案，对多个子系统的运行配置参数进行动态调整。
在一种可选的实现方式中，评估子模块包括；
第一评估单元，用于将能耗损失率最低确定为第一目标函数的优化方向；
第二评估单元，用于将运行费用最低确定为第二目标函数的优化方向；
第三评估单元，用于根据第一目标函数和第二目标函数，对每种配置方案进行适配度评估。
基于同一发明构思，本发明另一实施例提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现本发明的空调系统控制的方法。
上述终端提到的通信总线可以是外设部件互联标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述终端与其他设备之间的通信。存储器可以包括随机存取存储器(Random AccessMemory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储系统。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
此外，为实现上述目的，本发明的实施例还提出了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现本发明实施例的空调系统控制的方法。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例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，本发明实施例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(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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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系统。
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终端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系统的制造品，该指令系统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终端设备上，使得在计算机或其他可编程终端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终端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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。“”和/或“”表示可以选择两者之中的任意一个，也可以两者都选择。而且，术语“”包括“”“”包含“”或者其任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“”包括一个……“”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种空调系统控制方法，其特征在于，所述空调系统包括多个子系统，所述方法包括：
从所述空调系统的多维负荷影响参数中筛选出用于负荷预测的多个目标负荷影响参数；
基于所述目标负荷影响参数的历史数据集，获得目标负荷预测模型；
基于所述目标负荷预测模型和当前运行周期的所述目标负荷影响参数，获得所述空调系统下一运行周期的预测负荷；
获取空调系统下一运行周期的期望负荷，并基于所述预测负荷和所述期望负荷的差值，确定所述空调系统下一运行周期的运行参数；
基于所述空调系统下一运行周期的运行参数和所述多个子系统的优化目标，对所述多个子系统的运行配置参数进行动态调整；
所述基于所述目标负荷影响参数的历史数据集，获得目标负荷预测模型，包括：
任意组合至少两个所述目标负荷影响参数，以获得多个组合结果，其中，每个所述组合结果对应一个历史数据集，所述历史数据集包括第一数据集和第二数据集；
基于所述第一数据集，对预设模型进行训练，以获得初始负荷预测模型；
基于所述第二数据集，对所述初始负荷预测模型进行准确度校验，以获得中间负荷预测模型；
对所述中间负荷预测模型进行模型融合，以获得所述目标负荷预测模型；
基于所述第二数据集，对所述初始负荷预测模型进行准确度校验，以获得中间负荷预测模型，包括：
基于所述初始负荷预测模型，获得负荷预测序列；
基于所述第二数据集和所述负荷预测序列的差值结果，确定所述初始负荷预测模型的预测准确率；
在所述初始负荷预测模型的预测准确率大于预设阈值的情况下，将所述初始负荷预测模型确定为所述中间负荷预测模型。
2.根据权利要求1所述的空调系统控制方法，其特征在于，所述从所述空调系统的多维负荷影响参数中筛选出用于负荷预测的至少一个目标负荷影响参数，包括：
对每个维度的负荷影响参数进行降维处理，并计算降维处理后的所述每个维度的负荷参数对应的信息量；
根据所述信息量的大小，对所述多维负荷影响参数进行筛选，以获得所述目标负荷影响参数。
3.根据权利要求1所述的空调系统控制方法，其特征在于，所述基于所述目标负荷预测模型和当前运行周期的所述目标负荷影响参数，获得所述空调系统下一运行周期的预测负荷，包括：
基于所述当前运行周期的所述目标负荷影响参数，构建输入特征序列；
将所述输入特征序列输入所述目标负荷预测模型，以获得所述空调系统下一运行周期的预测负荷。
4.根据权利要求1所述的空调系统控制方法，其特征在于，所述基于所述预测负荷和所述期望负荷的差值，确定所述空调系统下一运行周期的运行参数，包括：
根据所述预测负荷和所述期望负荷的差值，确定所述空调系统下一运行周期的修正目标和修正方向；
基于所述修正目标和修正方向，对所述空调系统当前运行周期的运行参数进行调整，以确定所述空调系统下一运行周期的运行参数。
5.根据权利要求1所述的空调系统控制方法，其特征在于，基于所述空调系统下一运行周期的运行参数和所述多个子系统的优化目标，对所述多个子系统的运行配置参数进行动态调整，包括：
基于所述多个子系统的优化目标，构建目标优化函数和多种配置方案，其中，每种所述配置方案对应一组所述多个子系统的运行配置参数；
基于目标优化函数，对每种所述配置方案进行适配度评估；
确定所述适配度评估结果相互之间的帕累托支配关系，剔除具有被支配关系的适配度评估结果对应的配置方案，以获得目标配置方案；
根据所述目标配置方案，对所述多个子系统的运行配置参数进行动态调整。
6.根据权利要求5所述的空调系统控制方法，其特征在于，所述目标优化函数包括第一目标函数和第二目标函数，所述基于目标优化函数，对每种所述配置方案进行适配度评估，包括：
将能耗损失率最低确定为所述第一目标函数的优化方向；
将运行费用最低确定为所述第二目标函数的优化方向；
根据所述第一目标函数和所述第二目标函数，对每种所述配置方案进行适配度评估。
7.一种空调系统控制装置，该空调系统控制装置用于执行权利要求1-6任一所述空调系统控制方法，其特征在于，所述装置包括：
筛选模块，用于从所述空调系统的多维负荷影响参数中筛选出用于负荷预测的多个目标负荷影响参数；
模型构建模块，用于基于所述目标负荷影响参数的历史数据集，获得目标负荷预测模型；
预测模块，用于基于所述目标负荷预测模型和当前运行周期的所述目标负荷影响参数，获得所述空调系统下一运行周期的预测负荷；
确定模块，用于获取空调系统下一运行周期的期望负荷，并基于所述预测负荷和所述期望负荷的差值，确定所述空调系统下一运行周期的运行参数；
调整模块，用于基于所述空调系统下一运行周期的运行参数和多个子系统的优化目标，对所述多个子系统的运行配置参数进行动态调整。
8.根据权利要求7所述的空调系统控制装置，其特征在于，所述筛选模块包括：
计算子模块，用于对每个维度的负荷影响参数进行降维处理，并计算降维处理后的所述每个维度的负荷参数对应的信息量；
筛选子模块，用于根据所述信息量的大小，对所述多维负荷影响参数进行筛选，以获得所述目标负荷影响参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406674.7A CN117366810B (zh) | 2023-10-26 | 2023-10-26 | 一种空调系统控制方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406674.7A CN117366810B (zh) | 2023-10-26 | 2023-10-26 | 一种空调系统控制方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117366810A CN117366810A (zh) | 2024-01-09 |
| CN117366810B true CN117366810B (zh) | 2024-06-07 |
Family
ID=89390775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311406674.7A Active CN117366810B (zh) | 2023-10-26 | 2023-10-26 | 一种空调系统控制方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117366810B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011214794A (ja) * | 2010-04-01 | 2011-10-27 | Mitsubishi Electric Corp | 空調システム制御装置 |
| CN108489013A (zh) * | 2018-01-30 | 2018-09-04 | 深圳市新环能科技有限公司 | 基于遗传算法和负荷在线修正的中央空调控制方法及装置 |
| CN110425685A (zh) * | 2019-08-16 | 2019-11-08 | 珠海格力电器股份有限公司 | 空调系统控制方法、装置及空调系统 |
| CN111536671A (zh) * | 2020-06-04 | 2020-08-14 | 中国工商银行股份有限公司 | 空调系统运行控制方法和装置、电子设备和存储介质 |
| CN113028610A (zh) * | 2021-04-12 | 2021-06-25 | 北京信息科技大学 | 中央空调动态负荷全局优化与节能控制的方法和装置 |
| CN113177673A (zh) * | 2021-05-28 | 2021-07-27 | 西安建筑科技大学 | 一种空调冷负荷预测优化方法、系统及设备 |
| CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
| CN115435385A (zh) * | 2021-06-03 | 2022-12-06 | 美的集团(上海)有限公司 | 多联机的空调系统及其控制方法、存储介质 |
| CN115654668A (zh) * | 2022-10-26 | 2023-01-31 | 青岛海信日立空调系统有限公司 | 一种空调系统及空调系统的负荷预测方法 |
| CN116822672A (zh) * | 2022-03-17 | 2023-09-29 | 济中能源技术服务(上海)有限公司 | 一种空调冷负荷预测优化方法、系统 |
-
2023
- 2023-10-26 CN CN202311406674.7A patent/CN117366810B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011214794A (ja) * | 2010-04-01 | 2011-10-27 | Mitsubishi Electric Corp | 空調システム制御装置 |
| CN108489013A (zh) * | 2018-01-30 | 2018-09-04 | 深圳市新环能科技有限公司 | 基于遗传算法和负荷在线修正的中央空调控制方法及装置 |
| CN110425685A (zh) * | 2019-08-16 | 2019-11-08 | 珠海格力电器股份有限公司 | 空调系统控制方法、装置及空调系统 |
| CN111536671A (zh) * | 2020-06-04 | 2020-08-14 | 中国工商银行股份有限公司 | 空调系统运行控制方法和装置、电子设备和存储介质 |
| CN113028610A (zh) * | 2021-04-12 | 2021-06-25 | 北京信息科技大学 | 中央空调动态负荷全局优化与节能控制的方法和装置 |
| CN113177673A (zh) * | 2021-05-28 | 2021-07-27 | 西安建筑科技大学 | 一种空调冷负荷预测优化方法、系统及设备 |
| CN115435385A (zh) * | 2021-06-03 | 2022-12-06 | 美的集团(上海)有限公司 | 多联机的空调系统及其控制方法、存储介质 |
| CN116822672A (zh) * | 2022-03-17 | 2023-09-29 | 济中能源技术服务(上海)有限公司 | 一种空调冷负荷预测优化方法、系统 |
| CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
| CN115654668A (zh) * | 2022-10-26 | 2023-01-31 | 青岛海信日立空调系统有限公司 | 一种空调系统及空调系统的负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117366810A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
| CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
| CN113251670B (zh) | 热风炉控制、训练方法、装置、设备、热风炉系统及介质 | |
| Shoukourian et al. | Using machine learning for data center cooling infrastructure efficiency prediction | |
| CN115095907A (zh) | 基于深度学习的智慧供热节能调控方法、系统及存储介质 | |
| CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
| CN113825356A (zh) | 冷源系统的节能控制方法、装置、电子设备和存储介质 | |
| CN114841410A (zh) | 一种基于组合策略的换热站负荷预测方法和系统 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| Yang et al. | Developing data-driven models to predict BEMS energy consumption for demand response systems | |
| CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN117366810B (zh) | 一种空调系统控制方法和装置 | |
| CN112465215A (zh) | 一种分布式能源用户侧冷热电短期负荷预测方法及系统 | |
| CN117091242A (zh) | 空调温控负荷集群的评估方法、温度设定方法及系统 | |
| CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 | |
| Chen et al. | The predictive management in campus heating system based on deep reinforcement learning and probabilistic heat demands forecasting | |
| CN115495862A (zh) | 考虑可再生能源极端场景的输电网扩展规划方法及系统 | |
| Guo et al. | Improving the out-of-sample generalization ability of data-driven chiller performance models using physics-guided neural network | |
| KR20220025511A (ko) | 스마트 팩토리 에너지 관리 방법 및 장치 | |
| CN110942195A (zh) | 一种用电负荷预测方法及装置 | |
| 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 | |
| CN118210233A (zh) | 建筑制冷机房智慧控制方法及系统 | |
| CN117646935A (zh) | 一种多功能型空气源热泵控制方法及系统 | |
| CN117545257A (zh) | 一种机房空调节能控制方法、系统、设备及介质 |
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 |