CN117628659A - 一种面向暖通空调多系统协同运行的预测调控方法 - Google Patents
一种面向暖通空调多系统协同运行的预测调控方法 Download PDFInfo
- Publication number
- CN117628659A CN117628659A CN202311434727.6A CN202311434727A CN117628659A CN 117628659 A CN117628659 A CN 117628659A CN 202311434727 A CN202311434727 A CN 202311434727A CN 117628659 A CN117628659 A CN 117628659A
- Authority
- CN
- China
- Prior art keywords
- air conditioning
- parameters
- regulation
- energy consumption
- thermal comfort
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000033228 biological regulation Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010438 heat treatment Methods 0.000 title claims abstract description 38
- 238000009423 ventilation Methods 0.000 title claims abstract description 35
- 238000005265 energy consumption Methods 0.000 claims abstract description 46
- 238000004378 air conditioning Methods 0.000 claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 25
- 230000008878 coupling Effects 0.000 claims description 14
- 238000010168 coupling process Methods 0.000 claims description 14
- 238000005859 coupling reaction Methods 0.000 claims description 14
- 238000001816 cooling Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 230000001105 regulatory effect Effects 0.000 abstract description 4
- 229910052799 carbon Inorganic materials 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 2
- 230000007423 decrease Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000005399 mechanical ventilation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明申请涉及一种面向暖通空调多系统协同运行的预测调控方法,旨在解决现有暖通系统难以实时地在满足用户热需求的前提下实现节能减碳的问题。本申请通过气候自适应系统切换和运行参数设置两级调控实现室内热湿环境的优化控制,其中:一级调控通过历史气象参数和人员参数数据库构建以室外气象参数等为输入的热舒适性和能耗的数据驱动预测模型,然后采用能耗‑热舒适性综合指标获得各系统运行效果的评价热力图,以此确定实时切换目标;二级调控由历史运行参数数据库构建各系统与运行参数相关联的负荷及热舒适性预测模型,来提取满足热舒适性前提下负荷最小的运行参数,从而在一级系统切换的基础上进一步调整运行参数,实现精细化的按需功能。
Description
技术领域
本发明申请涉及暖通空调技术领域,具体涉及一种面向暖通空调多系统协同运行的预测调控方法。
背景技术
在当前现有的暖通系统运行调控方法中,通常会使用传统的控制理论和方法(如PID控制算法等)对暖通空调系统的运行进行调控。这些方法主要依靠设定数学模型和规则,基于系统设备的测量数据和设定值进行调节,然而由于方法本身固有的非线性和滞后性,以及受室外气象参数、人员流通、建筑运行时间等多种因素影响,采用 PID 类线性控制方式,并不能很好的实现对具有高度非线性、大时变性、强耦合性等特性的空调系统中的被控参数的良好控制效果,要做到保证室温舒适的同时实现运行节能十分困难。其次,现有此类方法往往并未充分考虑系统的动态变化和不确定性,因而无法在短期内对系统的运行进行精细化控制和优化。此外,传统空调系统调控方法往往只关注温度、能耗或热舒适性等单一指标,无法综合基于能耗和热舒适性之间的权衡和平衡来进行系统调控。在实际应用中,由于能耗和热舒适性在不同外因内扰下及不同系统运行时的复杂关联关系,暖通系统的运行难以实时地在实现节能减碳的同时满足用户的热舒适性需求。
现有方法存在的主要缺点或不足之处主要包括:①对系统动态变化和不确定性的适应性和自调节能力不强;②难以综合兼顾能耗和热舒适性进行多系统之间的协同运行和调控。
公开于该背景技术部分的信息仅用于加深对本公开的背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
发明内容
鉴于以上技术问题中的至少一项,本公开提供了一种面向暖通空调多系统协同运行的两级预测调控方法,通过气候自适应的系统切换和参数设置两级调控来实现室内热湿环境的优化控制,以实现零碳导向的空调系统优化运行,具有重要的实际应用价值和意义。
根据本公开的一个方面,提供一种基于暖通空调多系统协同运行的预测调控方法(参见图1),包括:
一级调控:
S1)构建一级调控数据库:构建包括历史气象参数和人员参数的数据库;所述历史气象参数包括室外温度、相对湿度,所述人员参数包括人员服装热阻;
S2)构建气候参数关联的数据驱动预测模型:基于所述数据库,构建各暖通空调系统开启时与室外气象参数关联的室内热舒适性和能耗的数据驱动预测模型;
S3)构建综合评价指标:基于热舒适性和能耗构建综合评价指标,该综合评价指标基于能耗和热舒适性的加权综合计算得出,其中舒适性指标和能耗指标的权重基于用户需求而调整;基于此评价指标进行不同室外气象条件下各系统运行效果的可视化热力图绘制,形制如图2所示;
S4)基于综合评价指标热力图的系统切换:用户根据天气预报获取的室外温度和相对湿度参数,查询各暖通空调系统对应的综合评价指标在所述热力图中的色块表现,以综合评价指标值最小的系统方案作为此时最优的系统来运行,从而实现基于室外气象参数进行的暖通空调不同系统的切换;
二级调控:
S5)构建二级调控数据库:建立各暖通空调系统历史运行参数的数据库,所述运行参数包括但不限于室内设置温度、冷冻水供水温度、水泵频率等;
S6)构建运行参数关联的数据驱动预测模型:基于各暖通空调系统历史运行参数的数据库,构建与各系统运行参数关联的数据驱动负荷预测模型和热舒适性预测模型;
S7)基于运行参数关联预测的参数调整:基于所述一级调控实现的系统切换和运行参数关联的预测模型,预测对应系统在不同运行参数下的负荷和热舒适性,在满足热舒适性要求的前提下选择负荷最小的运行参数方案,从而以该参数作为运行参数设置来实现按需供能。
在本公开的一些实施例中,在所述步骤S2)中,选取室外温度、相对湿度、服装热阻作为输入参数,PMV和能耗作为输出参数构建BP神经网络预测模型,神经网络的输入层个数为3,隐含层个数为7,输出层个数为1,激活函数为 sigmoid 函数。
在本公开的一些实施例中,在所述步骤S3)中,先由式①将不同暖通空调系统标签下的 PMV 预测值整体进行Min-Max归一化处理,由式②对不同暖通空调系统标签下的能耗预测值整体进行归一化处理,得到不同系统对应的逐时标准 PMV 值PMV norm 和逐时标准能耗值E norm ,再由式③计算得到各系统的综合评价指标R:
①;
②;
③;
式中,a、b分别为标准能耗和标准化PMV的权重。
在本公开的一些实施例中,在所述步骤S3)中,对所得综合评价指标进行可视化处理:根据各暖通空调系统在不同室外气象条件下计算所得的综合评价指标,绘出以室外温度和相对湿度为横纵坐标、色块冷暖表示综合评价指标值大小的热力图,其中冷色调代表较低的值、暖色调代表较高的值。
在本公开的一些实施例中,所述暖通空调多系统包括独立新风系统、新风+地源热泵系统、新风耦合风机盘管系统中的至少两种。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1. 针对近零能耗等可持续建筑中暖通空调多系统的联合运行现状,本申请提出基于两级调控的数据驱动预测调控方法,一级调控指的是根据室外气象参数进行的系统切换,二级调控指的是在一级调控切换系统基础上进行的运行参数的调整,从而实现可再生能源系统在保证室内热舒适性的前提下充分发挥作用、实现低碳运行。
2. 进一步地,本申请还提出一种直观的、可视化的热力图决策依据,使用户能够直观地了解不同系统的综合效果。热力图采用能耗和舒适性综合指标获得数值评价值,并基于此绘制以室外温度和相对湿度为横纵坐标、用色块冷暖表示综合评价指标值的系统运行热力图。基于热力图,用户可查询获得与预报室外温度和相对湿度参数对应的各系统综合评价指标值,以此为依据进行系统间的切换。
3. 本申请调控方法适用于不同季节和环境条件下各种建筑室内人工环境营造所需的暖通空调系统调控,尤其针对暖通空调多个系统在不同季节条件下的自适应协同运行,可在考虑能耗和舒适度综合最优的前提下实现多系统的协同运行调节与控制。
附图说明
图1为本申请中基于暖通空调多系统协同运行的预测调控流程图。
图2为本申请中基于综合评价指标的系统运行热力图示例。
图3为本申请实施例一中的建筑示意图。
图4为本申请实施例一中的全热回收式新风机组数据采集监测平台系统图。
图5为本申请实施例一中的地源热泵系统数据采集监测平台系统图。
图6为本申请实施例一中的独立新风系统模型图。
图7为本申请实施例一中的新风+地源热泵系统模型图。
图8为本申请实施例一中的新风耦合风机盘管系统模型图。
图9为本申请实施例一中的办公室逐时PMV预测结果(新风耦合风机盘管)。
图10为本申请实施例一中的逐时能耗预测结果(新风耦合风机盘管)。
图11为本申请实施例一中的新风耦合风机盘管系统能耗预测R²检验。
图12为本申请实施例一中的独立新风系统运行综合效果热力图。
图13为本申请实施例一中的新风+地源热泵系统运行综合效果热力图。
图14为本申请实施例一中的新风耦合风机盘管系统运行综合效果热力图。
图15为本申请实施例一中的调控策略流程图。
图16为本申请实施例一中的5月1日-5月7日不同运行策略下的PMV对比。
图17为本申请实施例一中的 6月1日-6月7日不同运行策略下的PMV对比。
图18为本申请实施例一中的 5月1日-5月7日不同运行策略下的能耗对比。
图19为本申请实施例一中的6月1日-6月7日不同运行策略下的能耗对比。
图20为本申请实施例二中的4月10日室内设计温度为24℃、25℃、26℃、27℃、28℃时的热舒适性预测值。
图21为本申请实施例二中的4月10日室内设计温度为24℃、25℃、26℃、27℃、28℃时的负荷预测值。
图22为本申请实施例二中的4月10日采用二级调控方法优化后的PMV值与室内设计温度为24℃、25℃、26℃、27℃、28℃时的热舒适性预测值对比。
图23为本申请实施例二中的4月10日采用二级调控方法优化后的负荷值与室内设计温度为24℃、25℃、26℃、27℃、28℃时的负荷预测值对比。
具体实施方式
为了更好的理解本申请技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
本例为评估本发明方法在实际应用中的性能表现,验证其节能效果和热舒适性改善效果。主要方法步骤包括(参见图1):
1.建筑空调系统建模及数据库构建
本例依托于郑州市一座超低能耗建筑展开研究,如图3所示。该建筑位于河南省郑州市,是集办公、接待、参观学习等功能于一体的公共建筑。通过数据采集监测平台系统(图4、图5),可获取建筑运行相关的历史数据和实时数据,包括室外温度、相对湿度、室内温度、能耗等参数。
该被动式超低能耗建筑利用地源热泵机组作为空调系统的冷热源机组,地源测共有 23 口地热井,其直径为 200mm,井深 100m,每口井都配备有双U 型 PE管,地埋管中的水与土壤进行换热后,经水泵等动力系统输送到机组或者系统末端设备。该建筑中新风机组可以独立运行,也可以由地源热泵机组提供冷源。 基于建筑内的空调系统和过渡季的气候特点,本例拟研究独立新风系统(机械通风)、新风+地源热泵以及新风耦合风机盘管等三种空调系统,示例性探究其在气候条件复杂多变的过渡季节的协同运行策略和方法。
为进一步完善建模所需数据库,采用EnergyPlus构建各系统的模拟仿真模型,并基于此获得大量数据集。各系统模型如下所示。
(1)独立新风系统:该建筑的独立新风系统采用全热回收式新风机组,在此模拟新风机组无制冷情况(机械通风)下的室内热环境情况,该独立新风系统的模型图如图6所示。
(2)新风+地源热泵系统:新风+地源热泵系统中新风的冷量来自于地源热泵机组,其系统结构图如图7所示:该系统由地埋管换热系统、地源热泵机组和新风系统组成。
(3)新风耦合风机盘管系统:该系统在地源热泵驱动新风的基础上添加了室内的末端设备—风机盘管。如图8所示,地源热泵机组向风机盘管输送冷水,提供冷量。室外新风经由新风机组处理后独立送入室内,新风机组只承担新风负荷。
2. 预测模型建立
本例选取室外温度、相对湿度、服装热阻作为输入参数,PMV和能耗作为输出参数构建BP神经网络预测模型,神经网络的输入层个数为3,隐含层个数为7,输出层个数为1。激活函数选用 sigmoid 函数。PMV和能耗的逐时数据驱动预测结果(以新风耦合风机盘管系统为例)如图9和图10所示。
表1展示了新风耦合风机盘管PMV预测模型的校验结果,首先将预测PMV与模拟得到的PMV用标签表示,若PMV值大于等于-0.5且小于等于0.5时,设置其标签为“comfort”;其余情况设置标签为“discomfort”。根据标签评价其准确度,其中预测和实际热舒适性均为舒适的样本数为888,预测舒适而实际不舒适的样本个数为32,计算得到预测正确数占总样本数的百分比为0.9568,表明该预测模型能较为准确的预测过渡季新风耦合风机盘管系统运行热舒适性PMV。
表1 新风耦合风机盘管PMV预测模型校验
。
图11展示了新风耦合风机盘管预测能耗与模拟能耗的线性拟合结果,其R²检验值为0.943,表明该预测模型能较为准确地预测过渡季新风耦合风机盘管系统运行能耗。
3. 构建综合评价指标
本例构建“能耗投入-舒适性产出”综合指标,分析评估不同运行策略的综合效果,在满足室内人体热舒适性的同时兼顾建筑的节能效果。由于能耗与PMV的数量级相差较大,为消除数量级的影响,采用标准化后的值来表示综合指标R,如式①在指标R中标准能耗和标准化PMV各自权重分别为a和b。实施例中假定其权重均为1,其具体计算公式如式①~③:
①;
②;
③;
式①为综合评价指标R的计算公式,根据式①可知,在计算综合评价指标 R 之前需要对预测值进行标准化处理。根据式②将不同系统标签下的 PMV 预测值整体进行Min-Max归一化处理,根据式③将不同系统标签下的能耗预测值整体进行归一化处理,得到不同系统对应的逐时标准 PMV 值(PMV norm )和逐时标准能耗值(E norm )。再根据标准PMV值和标准能耗值计算得到各系统的综合评价指标R,R越小则综合效果越好。
4. 综合评价指标可视化
首先基于过渡季室外气象预报,基于数据驱动预测模型得到不同运行策略下的室内热舒适性指标 PMV 和系统运行能耗,构建独立新风系统、新风+地源热泵系统以及新风耦合风机盘管系统的 PMV 和能耗预测数据集。根据不同系统对应的综合评价指标R,绘制出室外温度和相对湿度对应的系统运行综合效果热力图。图12、13、14分别代表了过渡季节独立新风系统(机械通风)、新风+地源热泵系统以及新风耦合风机盘管系统的综合效果热力图。图中的色块代表了综合指标值 R,随着综合指标的增加,色块颜色逐渐由冷色调变为暖色调。
5. 基于热力图的调控策略提取
用户可根据天气预报参数查询各系统在各自综合效果热力图中的色块表现,对比选择综合指标 R 最小的系统,并将其作为对应时刻的空调系统来进行切换运行。具体流程如图15所示。需要说明的是,本例提取的各系统综合指标热力图是基于指标中舒适性和能耗权重相等时的结果,当权重改变时,相关热力图也会改变。用户可基于本采用的方法,根据不同的需求修改权重,得到适用的综合指标热力图。
6. 调控策略的有益效果验证
基于提出的调控策略,选取2020年5月1日至5月7日以及2020年6月1日至6月7日各一周的天气数据,对于此调控策略进行验证,各时刻根据热力图和天气预报中下一时刻的天气数据切换合适的系统。分别通过对比独立新风系统、新风+地源热泵系统以及新风耦合风机盘管系统与采用调控策略系统下的能耗和PMV,从而分析和验证此调控策略的效益性和可行性。
图16和图17为独立新风系统、新风+地源热泵系统、新风耦合风机盘管系统与采用本预测调控方法进行切换下的PMV进行对比。可以看出,采用该预测调控方法下的PMV绝大部分时间都处于0.5以内或者在0.5附近,能够很好地满足热舒适性要求。结果表明,在采用调控策略系统时的PMV值,整体要比采用独立新风系统、新风+地源热泵系统更低,有更好的舒适性,且大部分时间内可以满足舒适性要求。
图18和图19为独立新风系统、新风+地源热泵系统、新风耦合风机盘管系统与采用预测调控进行系统切换的能耗对比。结果表明,在采用预测调控方法时的能耗明显低于采用新风+地源热泵系统、新风耦合风机盘管系统时的能耗,具有很好的节能性。
综合对比图16-图19可以看出:独立新风系统拥有更好的节能效果,但是对于室内热环境的控制效果较差,不能够很好的满足室内热舒适性;新风耦合风机盘管系统对于室内热舒适性的控制效果良好,但是往往需要消耗过多的能量,节能效果不佳,且在过渡季可能会产生冷感引起热不舒适;新风+地源热泵系统对于室内热舒适性的控制效果不如新风耦合风机盘管系统,且节能效果不显著。
综上,在采用切换调控策略系统时,热舒适性保持整体要比独立新风系统、新风+地源热泵系统更加优越,使得大部分时间热舒适度都处于适中的范围,且相比于新风+地源热泵系统、新风耦合风机盘管系统而言有着很好的节能效益,能够实现在保持室内热舒适性前提下同时提高节能效益的目标。
实施例二
本实施例为评估本发明方法的二级调控方法在实际应用中的性能表现,以室内设置温度这一运行参数为例说明其过程及有益效果。主要方法步骤包括:
1. 二级调控策略提取
本例基于一级调控方法切换后的系统,以新风耦合风机盘管系统为例,选取热区F2_office在过渡季4月10日的运行为研究对象,利用构建的与运行参数(室内设置温度)关联的数据驱动预测模型,可分别预测当室温设置为24℃、25℃、26℃、27℃、28℃时的室内热舒适性及负荷曲线,如图20-21所示。
首先,根据室内热舒适性预测结果可以看出:室内设置温度为26-28℃时,室内设置温度越低,PMV值越小,热舒适性越高,且PMV值先增大后减小,在15点左右达到极值而后减小。室内设置温度为24-25℃时,PMV也是呈先增大后减小的趋势,但是增大的趋势相比26-28℃更为缓慢,在14点左右达到极值而后减小,且总体位于热舒适性范围内。
其次,根据负荷预测结果可知,冷负荷随室内设置温度的减小而增大,且在8:00-15:00之间时,随着室外温度的上升,室内冷负荷逐渐增大,15:00之后随着室外温度的下降,室内冷负荷逐渐减小,18:00进入傍晚之后,室内冷负荷降低的幅度明显增加。
由于该办公建筑夜晚空调设备关闭,作为外区的热区F2_office室内温度逐渐降低,由此白天开启空调时冷负荷较小。因此,如果白天空调开启的初始设置温度较低,PMV值会降到0以下,会产生微弱冷感;而在中午以后,室外温度升高、太阳辐射增强,此时适当降低室内空调设置温度即可达到热舒适性。因此,可通过合理设置空调控制温度,来有效利用超低能耗建筑的热惰性,从而同时满足节能与热舒适性的要求。
综上,根据预测结果,对比逐时热舒适性与冷热负荷,首先保证热舒适性指标PMV值在-0.5~0.5热中性范围内,再选择负荷最小时所对应的设置温度。经过比选,优化之后的室内优化设置温度如表2所示,具体表现为:8:00-12:00室内设置温度为28℃,13:00将室内设置温度调整为27℃,14:00-15:00将室内设置温度调整为26℃,16:00-19:00将室内设置温度调整为27℃。
表2室内优化设置温度
。
2. 二级调控策略验证
将表2所得的逐时设置温度导入Energyplus模型中,可得优化控制下的逐时PMV值和逐时负荷,与未经优化的工况比较如图22-23所示。由图20和图21可知,室内设置温度为24℃、25℃、26℃时,PMV值趋向于0,表明此时的室内热舒适性更接近于热中性,但此设置温度条件下的负荷较大,不利于节能。当采用优化控制方法后,由图22可知,整体热舒适性接近于24℃、26℃的舒适性水平,仍处于-0.5~0.5 的“热中性”范围内。同时,由图23可知,采用优化控制方法后的全天日负荷为12.594 kW,相比较24℃(全天日负荷为44.289kW)、25℃(全天日负荷为38.264 kW)、26℃(全天日负荷为20.035kW)时的负荷更小,有着显著的节能效果。
因此,综合全天运行效果的对比分析,采用二次调控方法优化控制后的热舒适性满足热中性要求,同时室内总负荷降低、节能效果显著。
尽管已描述了本申请的一些优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离其发明的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (5)
1.一种面向暖通空调多系统协同运行的预测调控方法,其特征在于,包括:
一级调控:
S1)构建一级调控数据库:构建包括历史气象参数和人员参数的数据库;所述历史气象参数包括室外温度、相对湿度,所述人员参数包括人员服装热阻;
S2)构建气候参数关联的数据驱动预测模型:基于所述数据库,构建各暖通空调系统开启时与室外气象参数关联的室内热舒适性和能耗的数据驱动预测模型;
S3)构建综合评价指标:基于热舒适性和能耗构建综合评价指标,该综合评价指标基于能耗和热舒适性的加权综合计算得出,其中舒适性指标和能耗指标的权重基于用户需求而调整;基于此评价指标进行不同室外气象条件下各系统运行效果的可视化热力图绘制;
S4)基于综合评价指标热力图的系统切换:用户根据天气预报获取的室外温度和相对湿度参数,查询各暖通空调系统对应的综合评价指标在所述热力图中的色块表现,以综合评价指标值最小的系统方案作为此时最优的系统来运行,从而实现基于室外气象参数进行的暖通空调不同系统的切换;
二级调控:
S5)构建二级调控数据库:建立各暖通空调系统历史运行参数的数据库,所述运行参数包括但室内设置温度、冷冻水供水温度、水泵频率;
S6)构建运行参数关联的数据驱动预测模型:基于各暖通空调系统历史运行参数的数据库,构建与各系统运行参数关联的数据驱动负荷预测模型和热舒适性预测模型;
S7)基于运行参数关联预测的参数调整:基于所述一级调控实现的系统切换和运行参数关联的预测模型,预测对应系统在不同运行参数下的负荷和热舒适性,在满足热舒适性要求的前提下选择负荷最小的运行参数方案,从而以该参数作为运行参数设置来实现按需供能。
2.根据权利要求1所述的面向暖通空调多系统协同运行的预测调控方法,其特征在于,在所述步骤S2)中,选取室外温度、相对湿度、服装热阻作为输入参数,PMV和能耗作为输出参数构建BP神经网络预测模型。
3.根据权利要求1所述的面向暖通空调多系统协同运行的预测调控方法,其特征在于,在所述步骤S3)中,先由式①将不同暖通空调系统标签下的 PMV 预测值整体进行归一化处理,由式②对不同暖通空调系统标签下的能耗预测值整体进行归一化处理,得到不同系统对应的逐时标准室内热舒适性指标 PMV 值PMV norm 和逐时标准能耗值E norm ,再由式③计算得到各系统的综合评价指标R:
①
②
③
式中,a、b分别为标准能耗和标准化PMV的权重。
4.根据权利要求1所述的面向暖通空调多系统协同运行的预测调控方法,其特征在于,在所述步骤S3)中,对所得综合评价指标进行可视化处理:根据各暖通空调系统在不同室外气象条件下计算所得的综合评价指标值,绘出以室外温度和相对湿度为横纵坐标、色块冷暖表示综合评价指标值大小的热力图,其中冷色调代表较低的指标值、暖色调代表较高的指标值。
5.根据权利要求1所述的面向暖通空调多系统协同运行的预测调控方法,其特征在于,所述暖通空调多系统包括独立新风系统、新风+地源热泵系统、新风耦合风机盘管系统中的至少两种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434727.6A CN117628659A (zh) | 2023-11-01 | 2023-11-01 | 一种面向暖通空调多系统协同运行的预测调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434727.6A CN117628659A (zh) | 2023-11-01 | 2023-11-01 | 一种面向暖通空调多系统协同运行的预测调控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117628659A true CN117628659A (zh) | 2024-03-01 |
Family
ID=90017283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311434727.6A Pending CN117628659A (zh) | 2023-11-01 | 2023-11-01 | 一种面向暖通空调多系统协同运行的预测调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117628659A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909928A (zh) * | 2024-03-19 | 2024-04-19 | 国网四川省电力公司成都供电公司 | 基于大数据分析的空调负荷预测方法及系统 |
-
2023
- 2023-11-01 CN CN202311434727.6A patent/CN117628659A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909928A (zh) * | 2024-03-19 | 2024-04-19 | 国网四川省电力公司成都供电公司 | 基于大数据分析的空调负荷预测方法及系统 |
CN117909928B (zh) * | 2024-03-19 | 2024-05-28 | 国网四川省电力公司成都供电公司 | 基于大数据分析的空调负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288164B (zh) | 一种建筑空调制冷站系统预测控制方法 | |
Delgarm et al. | Multi-objective optimization of building energy performance and indoor thermal comfort: A new method using artificial bee colony (ABC) | |
Xue et al. | Multi-objective optimization of building design for life cycle cost and CO2 emissions: A case study of a low-energy residential building in a severe cold climate | |
CN105352108B (zh) | 一种基于空调用电模式的负荷优化控制方法 | |
CN108413567A (zh) | 基于物联网的中央空调节费优化方法与系统 | |
Li et al. | Reinforcement learning of room temperature set-point of thermal storage air-conditioning system with demand response | |
CN113325762B (zh) | 一种智能建筑个性化用能控制方法、系统、装置和设备 | |
CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
Ali et al. | Optimized power control methodology using genetic algorithm | |
CN117628659A (zh) | 一种面向暖通空调多系统协同运行的预测调控方法 | |
CN107576015B (zh) | 一种实现需求侧响应的建筑空调模型预测控制方法和装置 | |
CN102844773A (zh) | 基于交互式学习的建筑物节能化单元和系统 | |
CN115220351B (zh) | 一种基于云边端的建筑空调系统智能节能优化控制方法 | |
CN105180357A (zh) | 壁挂式空调器控制方法 | |
Higuera et al. | Hybrid smart lighting and climate control system for buildings | |
Sun et al. | Energy consumption optimization of building air conditioning system via combining the parallel temporal convolutional neural network and adaptive opposition-learning chimp algorithm | |
Bi et al. | Load forecast and fuzzy control of the air-conditioning systems at the subway stations | |
Zhao et al. | The application of advanced control technologies in air conditioning system–a review | |
CN116989379A (zh) | 一种基于动态室温设定值和模型预测控制的室温控制方法 | |
Zhao et al. | Thermal sensation and occupancy-based cooperative control method for multi-zone VAV air-conditioning systems | |
CN113757852B (zh) | 基于数字孪生技术的多联机空调机组控制方法及控制系统 | |
Chang et al. | Energy efficient thermal comfort predictive control for household heat metering room | |
Yelisetti et al. | Performance analysis of comfort maximization model with five different weather conditions in india | |
Tuchowski et al. | Optimizing the air source heat pump's working time in the context of increasing the energy efficiency ratio | |
CN111043720A (zh) | 负荷不确定性下制冷系统低成本鲁棒性调适策略制定方法 |
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 |