CN117469774B - 空调系统调控方法、装置、电子设备及存储介质 - Google Patents
空调系统调控方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117469774B CN117469774B CN202311824646.7A CN202311824646A CN117469774B CN 117469774 B CN117469774 B CN 117469774B CN 202311824646 A CN202311824646 A CN 202311824646A CN 117469774 B CN117469774 B CN 117469774B
- Authority
- CN
- China
- Prior art keywords
- temperature
- indoor
- air conditioning
- air conditioner
- conditioning system
- 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 117
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 64
- 238000005096 rolling process Methods 0.000 claims abstract description 23
- 238000005265 energy consumption Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 46
- 230000009471 action Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 abstract description 13
- 230000008859 change Effects 0.000 abstract description 9
- 238000001816 cooling Methods 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000001105 regulatory effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 14
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 235000000332 black box Nutrition 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- ASOKPJOREAFHNY-UHFFFAOYSA-N 1-Hydroxybenzotriazole Chemical compound C1=CC=C2N(O)N=NC2=C1 ASOKPJOREAFHNY-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction 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
- F24F11/30—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
- F24F11/89—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Geometry (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种空调系统调控方法、装置、电子设备及存储介质,属于自动化控制领域,包括:获取从当前决策周期开始前的检测数据;将检测数据输入至温度预测模型,获取由温度预测模型输出的下一决策周期的室内预测温度;利用下一决策周期的室内设定温度对室内预测温度进行滚动优化,获取空调开启决策量;将其输入至比例积分微分控制器,输出空调开启动作量以控制空调系统动作。本发明利用网络模型对于检测数据的特征提取能力,充分考虑室内外气候等不确定因素对温室内温度的影响,能够根据未来气候因素的变化对空调系统的开启量提前做出调整,以确保每个时刻的供冷量与室内冷负荷相匹配,相较于机理模型抗干扰能力更强、调整精度更高,且能耗更低。
Description
技术领域
本发明涉及自动化控制领域,尤其涉及一种空调系统调控方法、装置、电子设备及存储介质。
背景技术
模型预测控制(Model predictive control,MPC)方法作为一种先进的控制策略,已有大量研究表明其在空调系统控制方面具有跟踪能力强、节能降耗等优点。MPC三要素为预测模型、滚动优化、反馈较正,三者结合实现了预测控制的闭环,其中预测模型是实现MPC的前提。
目前,常用的预测模型是以热平衡方程为代表的白箱模型,例如机理模型。但白箱模型往往需要精准建模,但由于模型本身具有大量参数,如各个子部件的热电容和导热系数等,导致很难实现精准建模,尤其是针对人工温室环境。以人工菇房为例,菌棒热参数等相关参数不能忽视且难以精确获取。
有鉴于此,亟需提供一种抗干扰能力更强、调整精度更可靠、能耗更低的、便于快速普及的空调系统调控方法。
发明内容
本发明提供一种空调系统调控方法、装置、电子设备及存储介质,用以解决现有技术中依靠以热平衡方程为代表的白箱模型进行MPC模型搭建,以解决空调系统调控多存在的建模难度大、调控精度不高的缺陷。
第一方面,本发明提供一种空调系统调控方法,包括:
获取从当前决策周期开始前预设时间步长内所采集到的目标温室的检测数据;
将所述检测数据输入至预先训练好的温度预测模型,获取由所述温度预测模型输出的下一决策周期的室内预测温度;
利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量;
将所述空调开启决策量输入至比例积分微分控制器,输出空调开启动作量;
利用所述空调开启动作量控制空调系统动作;
所述检测数据至少包括室内测量温度、室外测量温度和空调开启时长。
根据本发明提供的一种空调系统调控方法,所述温度预测模型为长短期记忆网络模型、门控循环单元模型、双向长短期记忆网络模型或者卷积神经网络门控循环单元注意力模型中的一种。
根据本发明提供的一种空调系统调控方法,所述卷积神经网络门控循环单元注意力模型至少包括串联的输入层、卷积神经网络单元、门控循环单元、注意力单元和输出层;所述卷积神经网络单元包括第一卷积层、池化层、第二卷积层和压缩层;所述输出层包括扁平化层和全连接层;
所述输入层用于根据所述检测数据构建二维特征向量,所述二维特征向量的数据维度为[n,m];
将所述二维特征向量进输入至所述第一卷积层进行特征提取,生成维度为[n,m,k]的第一中间特征向量;将所述第一中间特征向量输入至所述池化层进行池化降维处理,生成维度为[n,2,k]的第二中间特征向量;将所述第二中间特征向量输入至所述第二卷积层进行特征提取,生成维度为[n,2,1]的第三中间特征向量;将所述第三中间特征向量输入至所述压缩层进行维度压缩处理层,生成维度为[n,2]的第四中间特征向量;
将所述第四中间特征向量输入至所述门控循环单元进行输出预测,生成维度为[n,t]的第五中间特征向量;
将所述第五中间特征向量输入至所述注意力单元进行注意力加权处理,生成维度为[n,t]的第六中间特征向量;
将所述第六中间特征向量输入至所述扁平化层进行降维处理,获取第七中间特征向量,所述第七中间特征向量是数据量为nt的一维全局向量;将所述一维全局向量输入至所述全连接层进行调整组合映射,生成所述室内预测温度;
其中,n为所述预设时间步长、m为检测数据的类别量,k为所述第一卷积层的卷积核数量,t为所述门控循环单元的神经元数量。
根据本发明提供的一种空调系统调控方法,所述温度预测模型是采用以下方式训练得到的:
利用历史检测数据集中的多个带有室内温度标签的检测数据样本,对所述温度预测模型进行迭代训练,以对所述温度预测模型的目标超参数进行优化;
所述目标超参数是基于非支配排序遗传算法确定的。
根据本发明提供的一种空调系统调控方法,所述利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量,包括:
以所述室内预测温度与所述室内设定温度之间的温度误差最小为目标,构建第一目标函数;
以所述空调系统的能耗最低为目标,构建第二目标函数,所述空调系统的能耗与所述空调开启决策量成正比;
基于非支配排序遗传算法,求解出所述第一目标函数和所述第二目标函数的Pareto解集,并对所述Pareto解集进行归一化处理;
基于熵权法,确定归一化处理后的所述Pareto解集中的最优解,以确定所述空调开启决策量。
根据本发明提供的一种空调系统调控方法,所述第一目标函数的表达式为:
;
所述第二目标函数的表达式为:
;
其中,为第一目标函数的目标值;/>为第二目标函数的目标值;为第k+i个时段的室内预测温度;/>为第k+i个时段的室内设定温度;N为控制时域内的时段总数;/>为第k+i个时段内空调开启决策量。
根据本发明提供的一种空调系统调控方法,对所述Pareto解集进行归一化处理的归一化公式为:
;
其中,为所述Pareto解集中的第p项优化指标中的第l个样本对应的归一化解;p=1或2;l=1,…,q,q为每项指标中的样本数,/>为所述Pareto解集中的第p项优化指标中的第l个样本的目标值。
根据本发明提供的一种空调系统调控方法,所述基于熵权法,确定归一化处理后的所述Pareto解集中的最优解,以确定所述空调开启决策量,包括:
计算各优化指标下每个样本所占比重;
根据所述比重,确定各优化指标的熵;
根据各优化指标的熵,确定各项优化指标的权重;
根据各项优化指标的权重,计算各样本的得分;
将得分最高的样本作为所述Pareto解集中的最优解,以将所述得分最高的样本所对应的空调开启量确定为所述空调开启决策量;
每个所述样本是由一组预设的第一目标函数的目标值和预设的第二目标函数的目标值组成的。
根据本发明提供的一种空调系统调控方法,将所述决策周期划分为多个控制周期;
在任一控制周期内,利用所述比例积分微分控制器对所述空调开启决策量进行调控,输出所述空调开启动作量。
根据本发明提供的一种空调系统调控方法,在利用所述空调开启动作量控制空调系统动作之后,还包括:
获取所述下一决策周期内的室内测量温度,以计算所述下一决策周期内的室内测量温度与所述下一决策周期的室内预测温度的预测误差;
所述预测误差用于对所述温度预测模型在下一次输出的室内预测温度进行修正。
第二方面,本发明还提供一种空调系统调控装置,包括数据采集单元、模型预测控制器、PID控制器、空调系统控制器,所述模型预测控制器包括预测模型单元和滚动优化单元;
所述数据采集单元,用于获取从当前决策周期开始前预设时间步长内所采集到的目标温室的检测数据;
所述预测模型单元,用于接收所述检测数据,以输出下一决策周期的室内预测温度;
所述滚动优化单元,用于利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量;
所述PID控制器,用于接收所述空调开启决策量,以输出空调开启动作量;
所述空调系统控制器,用于利用所述空调开启动作量控制空调系统动作;
所述检测数据至少包括室内测量温度、室外测量温度和空调开启时长。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述空调系统调控方法。
第四方面,本发明还提供一种非暂态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如上述任一种所述空调系统调控方法。
本发明提供的空调系统调控方法、装置、电子设备及存储介质,利用网络模型对于检测数据的特征提取能力,充分考虑室内外气候等不确定因素对温室内温度的影响,能够根据未来气候因素的变化对空调系统的开启量提前做出调整,以确保每个时刻的供冷量与室内冷负荷相匹配,相较于机理模型抗干扰能力更强、调整精度更高,且能耗更低。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的空调系统调控方法的流程示意图之一;
图2是本发明提供的检测数据采集装置的安装布置示意图;
图3是本发明提供的空调系统调控方法的流程示意图之二;
图4是本发明提供的空调系统调控的数据处理示意图;
图5是本发明提供的空调系统调控装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。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。
需要说明的是,在本发明实施例的描述中,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、物品或者设备中还存在另外的相同要素。术语“上”、“下”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
针对利用白箱模型作为MPC的预测模型存在白箱模型建模困难的缺陷,一种有效地解决方案就是构建基于数据驱动的黑箱模型,以利用黑箱模型作为MPC的预测模型。仅实验研究发现,对于利用黑箱模型作为预测模型的MPC方法,在进行空调系统调控时的节能效率为8.4%,是高于利用白箱模型作为预测模型的MPC方法进行调控时的7.4%。
但在过去很长一段时间内,黑箱模型因需要大量数据支撑未能广泛地使用。近些年以来,随着物联网技术、监测设备和存储技术的成熟,完全可以匹配基于数据驱动的MPC方法的使用需求。
基于数据驱动的黑箱模型可分为以自回归模型(Auto Regressive,AR)、自回归综合移动平均模型(AutoRegressive Integrated Moving Average,ARIMA)等为代表的统计模型,以支持向量机(Support Vector Machine,SVM)、人工神经网络(Artificial NeuralNetwork,ANN)、随机森林(Random Forest,RF)、支持向量回归(Support VectorRegression,SVR)等为代表的机器学习,以及以长短期记忆网络(Long Short-TermMemory,LSTM)、门控循环单元(Gated Recurrent Unit,GRU)、双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)等为代表的深度学习模型。
下面结合图1-图6描述本发明实施例所提供的基于数据驱动的黑箱模型实施的空调系统调控方法、装置、电子设备及存储介质。
图1是本发明提供的空调系统调控方法的流程示意图之一,如图1所示,包括但不限于以下步骤:
步骤101:获取从当前决策周期开始前预设时间步长内所采集到的目标温室的检测数据。
目标温室是一种人工创建的、封闭的环境,用于种植植物并提供最佳的生长条件,其构建的目的是为了实现特定的温室环境条件而设定的目标温度范围。目标温室的设定可以根据所种植植物的需要、季节和其他因素来确定,可以通过使用温室控制系统来实现,例如自动调节温度、湿度和通风等。其中最重要的调节手段是通过对空调系统的自动化调控实现温度的自动调节。
为便于表述,在后续实施例中,均以目标温室为进行食用菌生产的菇房为例进行说明,其不视为对本发明保护范围的具体限定。
本发明针对采用机理模型的MPC方法的缺陷,提供了一种基于数据驱动的MPC方法的菇房空调系统调控方法,能够有效地解决机理模型难以及时响应天气等不确定干扰,导致无法精准预测菇房温度的问题。
图2是本发明提供的检测数据采集装置的安装布置示意图,如图2所示,菇房可以采用定频空调系统制冷,及空调系统的能耗大小与其开启时间(也称作开启量)成正比关系。空调系统主要由压缩机、冷凝器、蒸发器、室内的新风机、空调外机等部件组成,并且在菇房的部分区域设置有排风口以便于必要时候的通风控制。
在本发明提供的空调系统调控方法中,所采集的检测数据至少包括室内测量温度、室外测量温度和空调开启时长,还可以包括目标温室内外的CO2浓度、光辐射强度等。
因此,可以通过在目标温室外的室外监测点装设温湿度传感器、光辐射强度传感器、CO2浓度传感器、温度计等,同时在目标温室内也装设温湿度传感器、光辐射强度传感器、CO2浓度传感器、温度计等,另外,还需要装设电流表,将电流表连接至控制器,以通过测量新风机以及空调外机的工作电流,确定空调工作时长。
当然,图2仅仅示意了用于检测数据采集的各装置的一种布设情况,可以根据所需的检测数据的种类以及分布情况,做适应性调整。
本发明将室内测量温度、室外测量温度和空调开启时长几个要素作为温度预测模型的输入,其中室内测量温度可以通过均匀分布在目标温室内的多台HOBO温度传感器检测得到,室外温度数据通过HOBO温度传感器检测得到。
其中,室内测量温度、室外测量温度的采样周期可以是每1分钟采集一次,用于确定空调工作时长的工作电流数据可以每10秒采集一次。
由于本发明所采集到的各个传感器的采样周期不同,可以将所有检测数据的采样周期统一为10分钟,空调开启时长为10分钟内的实际开启时长的总计,比如在一个采样周期10分钟内空调总计开启时长为3分钟,则空调开启时长为3分钟。
为避免采集到的检测数据存在不同量纲和数量级的差别,故可以对其进行归一化处理,即将所有检测数据全部归于[0,1]之间。
本发明可采用Max-Min法进行检测数据的归一化处理,其对应的计算公式为:
;
其中,x表示采集到的原始数据,表示归一化后的检测数据,/>表示原始数据中的最大值,/>表示原始数据中的最小值。
当前决策周期指的是对空调系统进行决策和调整的当前时间段。当前决策周期的时长是预先设定,如在本发明中由于菇房的门、排风口等结构气密性原因导致室外热量传入室内,影响多个温度传感器所采集温度的最小延迟时间大于12min。为准确反映此过程室内温度变化过程,故不宜超过12min。如果大于此范围,则无法准确地对室外环境变化做出及时响应。
在后续实施例中,统一以当前决策周期设置为10min为例进行说明,且每个决策周期的时长设置为一致,其不视为对本发明保护范围的具体限定。
步骤102:将所述检测数据输入至预先训练好的温度预测模型,获取由所述温度预测模型输出的下一决策周期的室内预测温度。
首先,本发明会根据输入的检测数据以及需要预测输出的室内预测温度,并结合预测精度等需求,选择一个适合的黑箱模型,例如可以选用LSTM模型、GRU模型、BiLSTM模型等中的一个,并利用历史检测数据集对其进行监督训练,在训练过程中可以使用交叉验证等技术检验模型的性能,如准确度、鲁棒性、召回率等。
将当前决策周期内采集并归一化处理后的检测数据输入至训练好的温度预测模型中,就可以获取到由该温度预测模型,根据提取的数据特征,输出的下一决策周期的室内预测温度。
步骤103:利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量。
图3是本发明提供的空调系统调控方法的流程示意图之二,如图3所示,由温度预测模型和滚动优化构成的Level1是MPC控制器的核心功能。
在MPC控制器的调控过程中,滚动优化是指在每个决策周期上,通过重新计算控制策略来实现最佳控制,即根据预设时间步长内各决策周期的空调系统目标温室的状态,来预测接下来一段时间目标温室内的温度变化情况,并在每个决策周期上计划控制动作,以使室内预测温度与预先确定的室内设定温度之间的温度误差最小,且达到空调系统的能耗最低。
滚动优化通过反复进行优化计算,以实时地更新控制策略即调整空调开启决策量,使其适应系统动态的变化。在每个决策周期上,MPC控制器会使用当前决策周期的目标温室状态和检测数据,基于系统模型进行预测,确定下一决策周期的室内预测温度。并在接下来的每个决策周期再次重复这个过程。
滚动优化的好处是它可以考虑到空调系统调控的时变性和不确定性。由于MPC控制器可以实时地根据最新的检测数据进行优化计算,它可以对目标温室内的动态的变化作出响应,并及时纠正偏差,以实现更好的控制效果,有助于提高预测的性能和稳定性。
以当前决策周期位固定时间窗口10分钟为例,利用固定时间窗口下采集到的目标温室的检测数据,每10分钟预测1次未来10min时段内室内温度,并确定出当前决策周期的空调开启决策量,即在当前决策周期10min内空调开启的建议时长。
步骤104:将所述空调开启决策量输入至比例积分微分控制器(ProportionalIntegral Derivative,PID控制器),输出空调开启动作量。
结合图3所示,Level2是PID控制器,用于对空调开启决策量进行调控,以实时确定最理想的空调开启动作量,具体实施过程可以包括:
首先,确定所需的室内设定温度作为目标值,并计算当前决策周期的室内预测温度与设定温度之间的误差。
根据实际情况和需求,设定比例增益、积分时间和微分时间等控制参数。这些参数会影响控制器的响应速度、稳定性和抗干扰能力。
然后,将误差作为输入,输入到PID控制器中。PID控制器根据设置的控制参数和当前误差,计算出相应的控制输出,具体计算方式如下:
比例项:将误差乘以比例增益,以产生与误差成比例的输出。
积分项:对误差进行积分,将积分结果乘以积分时间,并与已积分的结果累加。积分项可以消除稳态误差,并增强控制器的鲁棒性。
微分项:计算误差的变化率,将其乘以微分增益,以抑制快速变化的误差。
最后,将比例项、积分项和微分项加权求和得到最终的控制输出,即空调开启动作量。
步骤105:利用所述空调开启动作量控制空调系统动作。
将计算得到的空调开启动作量输出给空调控制系统,以实现对空调系统的精确控制。空调控制系统根据该空调开启动作量来调节空调的开关状态和运行参数,使目标温室内的温度趋近于室内设定温度。
本发明提供的空调系统调控方法,利用网络模型对于检测数据的特征提取能力,充分考虑室内外气候等不确定因素对温室内温度的影响,能够根据未来气候因素的变化对空调系统的开启量提前做出调整,以确保每个时刻的供冷量与室内冷负荷相匹配,相较于机理模型抗干扰能力更强、调整精度更高,且能耗更低。
基于上述实施例的内容,作为一种可选实施例,所述温度预测模型为LSTM模型、GRU模型、BiLSTM模型或者卷积神经网络门控循环单元注意力模型(CNN-GRU-Attention)中的一种。
为研究常用几种黑箱模型在菇房内空调系统调控过程中的适用性,分别利用CNN-GRU模型、CNN-LSTM模型、GRU-Attention模型以及CNN-GRU-Attention模型等神经网络模型预测室内温度,再通过评估各个网络模型的性能指标,选出最适合的网络模型。
其中,所有网络模型中的预设时间步长均统一为3,并以非支配排序遗传算法(NSGA-Ⅱ)为优化算法进行超参数优化。训练集、验证集与测试集,分别占总数据的80%、10%、10%。
表1 不同预测模型性能比较
由表1可知,CNN-GRU-Attention模型预测精度最高,其RMSE与GRU模型相比降低了21%,与CNN-GRU、CNN-LSTM、GRU- Attention模型相比降低约15%;CNN-GRU-Attention模型运行时间,与GRU、GRU- Attention模型相比增加了约100%,与CNN-GRU、CNN-LSTM模型相比无明显变化,这是由于CNN层中多重卷积计算复杂度远高于Attention层中的数乘运算,导致含有CNN层的模型运行时间大幅增加。
因控制周期远高于预测模型运行耗时,而预测模型精度会直接影响空调系统的调控效果,故本发明最优选取CNN-GRU-Attention模型为预测模型。
图4是本发明提供的空调系统调控的数据处理示意图,作为一种可选实施例,如图4所示,本发明所采用的CNN-GRU-Attention模型至少主要包括串联的输入层、卷积神经网络单元(即CNN单元)、门控循环单元(即GUR层)、注意力单元(即Attention层)和输出层。
其中,所述CNN单元主要包括第一卷积层、池化层、第二卷积层和压缩层(即squeeze层);所述输出层包括扁平化层(即Flatten层)和全连接层(Fully ConnectedLayer)。
输入层用于根据输入的检测数据构建二维特征向量。
如图4所示,t(k)、t ’ (k)和u(k)分别是指当前决策周期内所采集到的室内测量温度、室外测量温度和空调开启时长。假设检测数据中包括室内测量温度、室外测量温度和空调开启时长在内的检测数据的类别量为m,当前决策周期开始前预设时间步长为n,那么在输入层中会根据输入的检测数据构建数据维度为[n,m]的二维特征向量。
进一步地,将二维特征向量进输入至第一卷积层进行特征提取,生成维度为[n,m,k]的第一中间特征向量。其中,k为所述第一卷积层的卷积核数量,假设该卷积核数量为15,则第一卷积层输出的第一中间特征向量的数据维度为[n,m,15]。
将上述第一中间特征向量输入至池化层进行池化降维处理,就可以生成维度为[n,2,k]的第二中间特征向量,送入至第二卷积层。
第二卷积层对输入的第二中间特征向量进行特征提取,就可以生成维度为[n,2,1]的第三中间特征向量。
可选地,第一卷积层和第二卷积层均使用ReLU为激活函数。
然后,将第三中间特征向量输入至所述squeeze层,以进行维度压缩处理层,就可以获取到维度为[n,2]的第四中间特征向量。
第四中间特征向量被输入至所述GRU层进行输出预测。在GRU层中,会使用L2范式正则化防止模型过拟合,以生成维度为[n,t]的第五中间特征向量。可以将门控循环单元的神经元数量设置为18,那么第五中间特征向量的维度即为[n,18]。
然后,将所述第五中间特征向量输入至所述Attention层,以通过加权的方式提高对重要信息的注意力,处理后生成维度为[n,18]的第六中间特征向量。
最后,将第五中间特征向量通过输出层输出。
在输出层中,首先将第六中间特征向量输入至所述Flatten层进行降维处理,即将Attention层输出的第五中间特征向量转换为全局特征后获取维度为[18n]的一维第七中间特征向量。
最后,在输出层中,通过将得到的第七中间特征向量输入至Fully ConnectedLayer进行调整组合映射,最终输出室内预测温度。
作为一种可选实施例,所述温度预测模型是采用以下方式训练得到的:
利用历史检测数据集中的多个带有室内温度标签的检测数据样本,对所述温度预测模型进行迭代训练,以对所述温度预测模型的目标超参数进行优化。
其中,目标超参数是基于非支配排序遗传算法确定的。
本发明在进行温度预测模型训练时所采用的历史检测数据集包括训练集、验证集与测试集,3个数据集可以按照8:1:1比例划分。
在将本发明所提供的空调系统调控方法运用于菇室温度调控时,进行历史检测数据集的构建时,因工厂海鲜菇实际出菇周期为23天(出菇净库后3天用于消毒,无需空调调节),故以23天为单元,固定历史检测数据集中的总数据集长度为3312条,后续以天为单位动态更新。每天产生144条新检测数据样本后,将其置于测试数据集末端,其余检测数据样本依次向上平移直至完成全部历史检测数据集更新。
在具体训练过程中,作为训练对象的温度预测模型的目标超参数是由NSGA-Ⅱ算法来确定的,在本发明中,优化对象主要为卷积神经网络单元中第一卷积层的卷积核数量、GRU层中神经元个数及模型学习率,其中模型学习率的取值范围为0.1、0.01或0.001。
在预训练过程中通过设置随机种子固定模型训练过程中所产生的随机数,保证训练后的温度预测模型运行结果具有可复现性。经过预训练后得到的温度预测模型中各项目标超参数的设置如表2所示:
表2 温度预测模型中的目标超参数
基于上述实施例的内容,作为一种可选实施例,所述利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取空调开启决策量,具体包括但不限于以下步骤:
以所述室内预测温度与所述室内设定温度之间的温度误差最小为目标,构建第一目标函数;
以所述空调系统的能耗最低为目标,构建第二目标函数,所述空调系统的能耗与所述空调开启决策量成正比;
基于非支配排序遗传算法,求解出所述第一目标函数和所述第二目标函数的Pareto解集,并对所述Pareto解集进行归一化处理;
基于熵权法,确定归一化处理后的所述Pareto解集中的最优解,以确定所述空调开启决策量。
本发明在利用温度预测模型根据当前决策周期开始前预设时间步长内所采集到的检测数据,预测到下一决策周期的室内预测温度的基础上,根据调控目标建立相应的目标函数。其中,调控目标主要包括:保证室内温度调控的精度,以及最大程度的在保证室内温度调控精度的前提下节约能耗。室内温度调控的精度主要体现在室内预测温度与预先设定的室内设定温度之间的差值最小化,节约能耗则表现在空调开启总时长最小化。
本发明以所述室内预测温度与所述室内设定温度之间的温度误差最小为目标,所构建的第一目标函数的表达式可以是:
。
本发明以空调系统的能耗最低为目标,所构建第二目标函数的表达式可以是:
;
其中,为第一目标函数的目标值,可以称作调控精度项的指标;为第二目标函数的目标值,可以称作调控能耗项的指标;/>为第k+i个时段的室内预测温度;/>为第k+i个时段的室内设定温度;N为控制时域内的时段总数;/>为第k+i个时段内空调开启决策量。
在进行目标函数优化的过程中,为了避免控制变量超过额定控制值,应当给控制变量添加约束,本发明将其上限设置为决策周期的最大值/>(如10min),将其下限设置为决策周期的最小值/>(一般为0min),即:
,/>。
进一步地,使用NSGA-Ⅱ求解出和/>的Pareto解集,然后使用熵权法选出Pareto解集中的一组最优解。
第一步,使用NSGA-Ⅱ求解出、/>的Pareto解集,具体包括:
初始化种群,即生成初始候选解的种群,其中每个候选解包含多个决策变量和对应的和/>的目标值。
计算拥挤度距离,通过对种群中的候选解进行非支配排序和计算拥挤度距离,确定候选解的适应度。
选择操作,根据适应度值,在不同的非支配层级上选择候选解,以构建新的父代种群。
交叉操作,使用交叉算子对父代种群进行交叉操作,生成新的子代种群。
变异操作,对子代种群中的个体应用变异算子进行变异操作,引入新的个体和多样性。
合并种群,将父代种群和子代种群合并形成下一代种群。
环境选择,通过非支配排序和拥挤度距离计算,从合并种群中选择合适数量的个体作为下一代种群。
终止条件判断。迭代上述选择操作至环境选择的步骤,直至满足终止条件。其中,终止条件可以是遗传算法的迭代次数达到预设值或者达到一定的收敛条件。
在每次迭代过程中,根据非支配排序和拥挤度距离的计算,NSGA-II算法会不断进行选择、交叉和变异操作,以生成更优的候选解并逐步逼近Pareto解集。
第二步,将Pareto解集进行归一化处理,由于在本发明中和/>两项指标均为负向指标,所以其归一化公式为:/>
;
其中,为所述Pareto解集中的第p项优化指标中的第l个样本对应的归一化解;p=1或2;l=1,…,q,q为每项指标中的样本数,/>为所述Pareto解集中的第p项优化指标中的第l个样本的目标值。
第三步,基于熵权法,确定归一化处理后的所述Pareto解集中的最优解,以确定所述空调开启决策量,包括:
计算各优化指标下每个样本所占比重;
根据所述比重,确定各优化指标的熵;
根据各优化指标的熵,确定各项优化指标的权重;
根据各项优化指标的权重,计算各样本的得分;
将得分最高的样本作为所述Pareto解集中的最优解,以将所述得分最高的样本所对应的空调开启量确定为所述空调开启决策量。
具体地,计算第p个优化指标下每个样本所占比重的计算公式为:
;
根据第p个优化指标下每个样本所占比重,确定第p个优化指标的熵S p 的计算公式为:
;
根据第p个优化指标的熵S p ,确定第p个优化指标的权重的计算公式为:
;
根据第p个项优化指标的权重,计算第p个项优化指标中各个样本的得分/>的计算公式为:
;
最后,根据所有样本中得分最高的一个样本作为所述Pareto解集中的最优解。这样就可以根据这个最优解所采用的空调开启量确定为所述空调开启决策量。
需要说明的是,上述每个样本是由一组预设的第一目标函数的目标值和预设的第二目标函数的目标值组成的,即根据最优解就可以确定出第一目标函数和第二目标函数的最优目标值,第二目标函数的最优目标值就是当前决策时段内的空调开启决策量。
在本发明提供的空调系统调控方法中,在利用MPC控制器确定出当前决策时段内的空调开启决策量之后,可以通过PID控制器对该决策量做进一步调控,以细粒化调控精度,其具体实施步骤可以包括:
将所述决策周期划分为多个控制周期;
在任一控制周期内,利用所述比例积分微分控制器对所述空调开启决策量进行调控,输出所述空调开启动作量。
设决策周期为10min,首先将决策周期划分为多个控制周期比如多个2min,在整个决策周期10min内按照每2min为一个控制周期,利用PID控制器对空调开启决策量进行优化。
假设PID所需的计算机硬件配置如下:Intel(R) Core(TM) i7-11700F,内存为64GB,操作系统为64位,采用Windows 11操作系统。软件框架结构为Keras深度学习工具,以Tensorflow(2.0.0)深度学习框架作为后端支持,编程语言为Python(版本为3.6),集成开发环境(Integrated Development Environment,IDE)为Pycharm。
在本发明设置控制周期为2min,是因为在上述配置下,基于数据驱动的MPC模型决策时间需2min,故在10min的决策周期中第1个2min 优化判断室内温度是否在设定范围内。若高于设定范围上限,则系统通过PID计算开启时长Up_2min,并开启制冷;若室内温度在范围内,则无动作。
另外,结合图3所示,作为一种可选实施例,在利用所述空调开启动作量控制空调系统动作之后,还包括:
假设下一决策周期内的室内测量温度,通过计算所述下一决策周期内的室内测量温度/>与所述下一决策周期的室内预测温度/>的预测误差/>;
所述预测误差用于对所述温度预测模型在下一次(即下一决策周期内的下一个周期)输出的室内预测温度进行修正。
具体来说,因预测误差和外部干扰因素,温度预测模型的预测精度会逐渐劣化,需基于预测误差进行反馈补偿。
在得到k时段的实际温度与预测温度/>后,利用它们之间误差对下一次预测进行调节,预测误差/>如下:
。
此时,可以利用此预测误差对下一次预测中的预测温度进行修正
。
其中,是k+1个决策周期内修正后的预测温度。
另外,补充说明的是,在本发明提供的空调系统调控方法中,由于预设时间步长的取值会一定程度上影响模型预测精度和训练时间。
有鉴于此,本发明分别以时间步长为1~10进行测试。当时间步长为1时,即仅以当前决策周期0-10min时段内的检测数据预测下一决策周期的室内预测温度时,预测误差为0.517℃,R2为0.331。预测效果不佳是由于早晚室内外温差变动大,室外热量通过门和通风窗等传入室内的延迟时间大于12min。故仅以上一个决策周期的检测数据作为温度预测模型的输入数据,不能全面反映未来时段的室内温度变化趋势。
进一步地,当预设时间步长为设置2时,预测误差降低为0.361℃,R2上升为0.8061。此时,预测误差大幅度减少,而R2大幅提升,表明延迟时间多集中于12-20min范围内。
当预设时间步长设置为n≥3时,随着n的继续增长,温度预测模型预测精度和决定系数则趋于稳定。温度预测模型的训练时间与预设时间步长n成正比关系,在每天数据集更新时,需重新训练预测模型1次。
综合考虑下,本发明所提供的空调系统调控方法,预设时间步长设置为3。
图5是本发明提供的空调系统调控装置的结构示意图,如图5所示,主要包括:数据采集单元51、模型预测控制器52、PID控制器53、空调系统控制器54,所述模型预测控制器52包括预测模型单元521和滚动优化单元522。
所述数据采集单元51,用于获取从当前决策周期开始前预设时间步长内所采集到的目标温室的检测数据;
所述预测模型单元521,用于接收所述检测数据,以输出下一决策周期的室内预测温度;
所述滚动优化单元522,用于利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量;
所述PID控制器53,用于接收所述空调开启决策量,以输出空调开启动作量;
所述空调系统控制器54,用于利用所述空调开启动作量控制空调系统动作;
所述检测数据至少包括室内测量温度、室外测量温度和空调开启时长。
需要说明的是,本发明实施例提供的空调系统调控装置,在具体运行时,可以执行上述任一实施例所述的空调系统调控方法,对此本实施例不作赘述。
本发明提供的空调系统调控装置,利用网络模型对于检测数据的特征提取能力,充分考虑室内外气候等不确定因素对温室内温度的影响,能够根据未来气候因素的变化对空调系统的开启量提前做出调整,以确保每个时刻的供冷量与室内冷负荷相匹配,相较于机理模型抗干扰能力更强、调整精度更高,且能耗更低。
图6是本发明提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行空调系统调控方法,该方法包括:获取从当前决策周期开始前预设时间步长内所采集到的目标温室的检测数据;将所述检测数据输入至预先训练好的温度预测模型,获取由所述温度预测模型输出的下一决策周期的室内预测温度;利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量;将所述空调开启决策量输入至比例积分微分控制器,输出空调开启动作量;利用所述空调开启动作量控制空调系统动作;所述检测数据至少包括室内测量温度、室外测量温度和空调开启时长。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的空调系统调控方法,该方法包括:获取从当前决策周期开始前预设时间步长内所采集到的目标温室的检测数据;将所述检测数据输入至预先训练好的温度预测模型,获取由所述温度预测模型输出的下一决策周期的室内预测温度;利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量;将所述空调开启决策量输入至比例积分微分控制器,输出空调开启动作量;利用所述空调开启动作量控制空调系统动作;所述检测数据至少包括室内测量温度、室外测量温度和空调开启时长。
又一方面,本发明还提供一种非暂态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以执行上述各实施例提供的空调系统调控方法,该方法包括:获取从当前决策周期开始前预设时间步长内所采集到的目标温室的检测数据;将所述检测数据输入至预先训练好的温度预测模型,获取由所述温度预测模型输出的下一决策周期的室内预测温度;利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量;将所述空调开启决策量输入至比例积分微分控制器,输出空调开启动作量;利用所述空调开启动作量控制空调系统动作;所述检测数据至少包括室内测量温度、室外测量温度和空调开启时长。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种空调系统调控方法,其特征在于,包括:
获取从当前决策周期开始前预设时间步长内所采集到的目标温室的检测数据;
将所述检测数据输入至预先训练好的温度预测模型,获取由所述温度预测模型输出的下一决策周期的室内预测温度;
利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量;
将所述空调开启决策量输入至比例积分微分控制器,输出空调开启动作量;
利用所述空调开启动作量控制空调系统动作;
所述检测数据至少包括室内测量温度、室外测量温度和空调开启时长;
所述利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量,包括:
以所述室内预测温度与所述室内设定温度之间的温度误差最小为目标,构建第一目标函数;
以所述空调系统的能耗最低为目标,构建第二目标函数,所述空调系统的能耗与所述空调开启决策量成正比;
基于非支配排序遗传算法,求解出所述第一目标函数和所述第二目标函数的Pareto解集,并对所述Pareto解集进行归一化处理;
基于熵权法,确定归一化处理后的所述Pareto解集中的最优解,以确定所述空调开启决策量;
所述第一目标函数的表达式为:
;
所述第二目标函数的表达式为:
;
其中,为第一目标函数的目标值;/>为第二目标函数的目标值;为第k+i个时段的室内预测温度;/>为第k+i个时段的室内设定温度;N为控制时域内的时段总数;/>为第k+i个时段内空调开启决策量;
对所述Pareto解集进行归一化处理的归一化公式为:
;
其中,为所述Pareto解集中的第p项优化指标中的第l个样本对应的归一化解;p=1或2;l=1,…,q,q为每项指标中的样本数,/>为所述Pareto解集中的第p项优化指标中的第l个样本的目标值;
所述基于熵权法,确定归一化处理后的所述Pareto解集中的最优解,以确定所述空调开启决策量,包括:
计算各优化指标下每个样本所占比重,每个所述样本是由一组预设的第一目标函数的目标值和预设的第二目标函数的目标值组成的;
根据所述比重,确定各优化指标的熵;
根据各优化指标的熵,确定各项优化指标的权重;
根据各项优化指标的权重,计算各样本的得分;
将得分最高的样本作为所述Pareto解集中的最优解,以将所述得分最高的样本所对应的空调开启量确定为所述空调开启决策量。
2.根据权利要求1所述的空调系统调控方法,其特征在于,所述温度预测模型为长短期记忆网络模型、门控循环单元模型、双向长短期记忆网络模型或者卷积神经网络门控循环单元注意力模型中的一种。
3.根据权利要求2所述的空调系统调控方法,其特征在于,所述卷积神经网络门控循环单元注意力模型至少包括串联的输入层、卷积神经网络单元、门控循环单元、注意力单元和输出层;所述卷积神经网络单元包括第一卷积层、池化层、第二卷积层和压缩层;所述输出层包括扁平化层和全连接层;
所述输入层用于根据所述检测数据构建二维特征向量,所述二维特征向量的数据维度为[n,m];
将所述二维特征向量输入至所述第一卷积层进行特征提取,生成维度为[n,m,k]的第一中间特征向量;将所述第一中间特征向量输入至所述池化层进行池化降维处理,生成维度为[n,2,k]的第二中间特征向量;将所述第二中间特征向量输入至所述第二卷积层进行特征提取,生成维度为[n,2,1]的第三中间特征向量;将所述第三中间特征向量输入至所述压缩层进行维度压缩处理层,生成维度为[n,2]的第四中间特征向量;
将所述第四中间特征向量输入至所述门控循环单元进行输出预测,生成维度为[n,t]的第五中间特征向量;
将所述第五中间特征向量输入至所述注意力单元进行注意力加权处理,生成维度为[n,t]的第六中间特征向量;
将所述第六中间特征向量输入至所述扁平化层进行降维处理,获取第七中间特征向量,所述第七中间特征向量是数据量为nt的一维全局向量;将所述一维全局向量输入至所述全连接层进行调整组合映射,生成所述室内预测温度;
其中,n为所述预设时间步长,m为检测数据的类别量,k为所述第一卷积层的卷积核数量,t为所述门控循环单元的神经元数量。
4.根据权利要求3所述的空调系统调控方法,其特征在于,所述温度预测模型是采用以下方式训练得到的:
利用历史检测数据集中的多个带有室内温度标签的检测数据样本,对所述温度预测模型进行迭代训练,以对所述温度预测模型的目标超参数进行优化;
所述目标超参数是基于非支配排序遗传算法确定的。
5.根据权利要求1所述的空调系统调控方法,其特征在于,在确定所述空调开启决策量之后,将所述当前决策周期划分为多个控制周期;
在任一控制周期内,利用所述比例积分微分控制器对所述空调开启决策量进行调控,输出所述空调开启动作量。
6.根据权利要求1所述的空调系统调控方法,其特征在于,在利用所述空调开启动作量控制空调系统动作之后,还包括:
获取所述下一决策周期内的室内测量温度,以计算所述下一决策周期内的室内测量温度与所述下一决策周期的室内预测温度的预测误差;
所述预测误差用于对所述温度预测模型在下一次输出的室内预测温度进行修正。
7.一种空调系统调控装置,其特征在于,包括:数据采集单元、模型预测控制器、PID控制器、空调系统控制器,所述模型预测控制器包括预测模型单元和滚动优化单元;
所述数据采集单元,用于获取从当前决策周期开始前预设时间步长内所采集到的目标温室的检测数据;
所述预测模型单元,用于接收所述检测数据,以输出下一决策周期的室内预测温度;
所述滚动优化单元,用于利用所述下一决策周期的室内设定温度对所述室内预测温度进行滚动优化,获取所述当前决策周期的空调开启决策量;
所述PID控制器,用于接收所述空调开启决策量,以输出空调开启动作量;
所述空调系统控制器,用于利用所述空调开启动作量控制空调系统动作;
所述检测数据至少包括室内测量温度、室外测量温度和空调开启时长;
所述滚动优化单元,具体执行以下操作:
以所述室内预测温度与所述室内设定温度之间的温度误差最小为目标,构建第一目标函数;
以所述空调系统的能耗最低为目标,构建第二目标函数,所述空调系统的能耗与所述空调开启决策量成正比;
基于非支配排序遗传算法,求解出所述第一目标函数和所述第二目标函数的Pareto解集,并对所述Pareto解集进行归一化处理;
基于熵权法,确定归一化处理后的所述Pareto解集中的最优解,以确定所述空调开启决策量;
所述第一目标函数的表达式为:
;
所述第二目标函数的表达式为:
;
其中,为第一目标函数的目标值;/>为第二目标函数的目标值;为第k+i个时段的室内预测温度;/>为第k+i个时段的室内设定温度;N为控制时域内的时段总数;/>为第k+i个时段内空调开启决策量;
对所述Pareto解集进行归一化处理的归一化公式为:
;
其中,为所述Pareto解集中的第p项优化指标中的第l个样本对应的归一化解;p=1或2;l=1,…,q,q为每项指标中的样本数,/>为所述Pareto解集中的第p项优化指标中的第l个样本的目标值;
所述基于熵权法,确定归一化处理后的所述Pareto解集中的最优解,以确定所述空调开启决策量,包括:
计算各优化指标下每个样本所占比重,每个所述样本是由一组预设的第一目标函数的目标值和预设的第二目标函数的目标值组成的;
根据所述比重,确定各优化指标的熵;
根据各优化指标的熵,确定各项优化指标的权重;
根据各项优化指标的权重,计算各样本的得分;
将得分最高的样本作为所述Pareto解集中的最优解,以将所述得分最高的样本所对应的空调开启量确定为所述空调开启决策量。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述空调系统调控方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述空调系统调控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311824646.7A CN117469774B (zh) | 2023-12-28 | 2023-12-28 | 空调系统调控方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311824646.7A CN117469774B (zh) | 2023-12-28 | 2023-12-28 | 空调系统调控方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117469774A CN117469774A (zh) | 2024-01-30 |
CN117469774B true CN117469774B (zh) | 2024-04-02 |
Family
ID=89638223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311824646.7A Active CN117469774B (zh) | 2023-12-28 | 2023-12-28 | 空调系统调控方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117469774B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776171A (zh) * | 2020-06-10 | 2021-12-10 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
CN114297907A (zh) * | 2021-11-17 | 2022-04-08 | 北京市农林科学院智能装备技术研究中心 | 温室环境空间分布预测方法及装置 |
CN114580254A (zh) * | 2020-12-01 | 2022-06-03 | 天津大学 | 一种基于模型预测控制的建筑室内温度调控方法和系统 |
CN115729093A (zh) * | 2022-11-08 | 2023-03-03 | 北京市农林科学院智能装备技术研究中心 | 一种菇房空调控制调节方法及系统 |
CN116045443A (zh) * | 2023-02-23 | 2023-05-02 | 中交武汉智行国际工程咨询有限公司 | 基于室内温度最优化控制的建筑空调能耗预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10527304B2 (en) * | 2016-10-09 | 2020-01-07 | Ecoer Inc. | Demand response based air conditioning management systems and method |
CN112393390B (zh) * | 2020-07-15 | 2021-07-06 | 上海有孚智数云创数字科技有限公司 | 云计算数据中心精密空调节能控制方法 |
KR102439453B1 (ko) * | 2021-02-22 | 2022-09-01 | 포항공과대학교 산학협력단 | 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법 |
-
2023
- 2023-12-28 CN CN202311824646.7A patent/CN117469774B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776171A (zh) * | 2020-06-10 | 2021-12-10 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
CN114580254A (zh) * | 2020-12-01 | 2022-06-03 | 天津大学 | 一种基于模型预测控制的建筑室内温度调控方法和系统 |
CN114297907A (zh) * | 2021-11-17 | 2022-04-08 | 北京市农林科学院智能装备技术研究中心 | 温室环境空间分布预测方法及装置 |
CN115729093A (zh) * | 2022-11-08 | 2023-03-03 | 北京市农林科学院智能装备技术研究中心 | 一种菇房空调控制调节方法及系统 |
CN116045443A (zh) * | 2023-02-23 | 2023-05-02 | 中交武汉智行国际工程咨询有限公司 | 基于室内温度最优化控制的建筑空调能耗预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117469774A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11568310B2 (en) | Apparatus for generating temperature prediction model and method for providing simulation environment | |
CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
CN106842914B (zh) | 一种温度控制节能处理方法、装置及系统 | |
CN111353631A (zh) | 基于多层lstm的火电厂凝汽器真空度预测方法 | |
CN112527037B (zh) | 一种具有环境因子预测功能的温室环境调控方法和系统 | |
CN107219759B (zh) | 一种温室环境控制方法及装置 | |
CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
CN113112077A (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
Cardoso et al. | Improve irrigation timing decision for agriculture using real time data and machine learning | |
Tan et al. | Support vector machine algorithm for artificial intelligence optimization | |
US20220268479A1 (en) | Hvac system using interconnected neural networks and online learning and operation method thereof | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN115529987A (zh) | 作物设施的风口调控方法、装置、设备及存储介质 | |
CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN117469774B (zh) | 空调系统调控方法、装置、电子设备及存储介质 | |
CN115907366B (zh) | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 | |
Abbood et al. | An intelligent monitoring model for greenhouse microclimate based on rbf neural network for optimal setpoint detection | |
CN117252292A (zh) | 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 | |
CN116796903A (zh) | 一种烟草烘丝出口水分分批可变设定点的自适应优化方法 | |
Sadaghat et al. | Residential building energy consumption estimation: A novel ensemble and hybrid machine learning approach | |
CN116167508A (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
Avila-Miranda et al. | An optimal and intelligent control strategy to ventilate a greenhouse | |
CN110778266B (zh) | 一种牛舍卷帘智能调控方法及系统 | |
CN113177675A (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
TWI692736B (zh) | 智能作物生長優化系統 |
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 |