CN117706927A - 基于样本库管理复合模型的能源系统节能控制方法及系统 - Google Patents
基于样本库管理复合模型的能源系统节能控制方法及系统 Download PDFInfo
- Publication number
- CN117706927A CN117706927A CN202311713840.8A CN202311713840A CN117706927A CN 117706927 A CN117706927 A CN 117706927A CN 202311713840 A CN202311713840 A CN 202311713840A CN 117706927 A CN117706927 A CN 117706927A
- Authority
- CN
- China
- Prior art keywords
- parameter
- interval
- data
- model
- energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000002131 composite material Substances 0.000 title claims description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims abstract description 23
- 238000012217 deletion Methods 0.000 claims abstract description 3
- 230000037430 deletion Effects 0.000 claims abstract description 3
- 239000013589 supplement Substances 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000005057 refrigeration Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 8
- 238000009833 condensation Methods 0.000 description 6
- 230000005494 condensation Effects 0.000 description 6
- 238000001704 evaporation Methods 0.000 description 6
- 239000003507 refrigerant Substances 0.000 description 6
- 230000008020 evaporation Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000011555 saturated liquid Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 1
- 108010050014 systemin Proteins 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于样本库管理复合模型的能源系统节能控制方法及系统,方法包括利用现场历史运行数据对能源系统热物理模型进行模型参数拟合与误差校正;根据名义运行区间与历史运行间隔划分各参数的取值点集,形成覆盖全部运行区间的参数网格;将历史运行数据放入参数网格中,对含有多组数据的参数网格进行冗余数据删除,并提取出全部空缺网格;采用校正后的能源系统热物理模型为空缺网格补充数据;结合现场历史运行数据的参数网格和能源系统热物理模型补充数据后的参数网格,形成覆盖能源系统全部运行范围的样本库;利用样本库训练系统仿真数据驱动模型,计算系统能耗最小时各控制参数的设定值与其他参数的运行值。本发明同时保证了控制的精度和计算速度。
Description
技术领域
本发明属于能源系统节能优化控制领域,具体涉及一种基于样本库管理复合模型的能源系统节能控制方法及系统。
背景技术
为了实现能源系统的节能减排,电力、热力、工业制冷和建筑供暖与通风等大型能源系统中,对于运行能耗的准确分析,是评估该系统运行状态、能源效率和节能潜力的关键基础。建立系统仿真模型,可以在实时运行数据的基础上对系统状态变化的内在规律进行深入描述,进而计算并预测能耗的不确定性和非线性变化,实现系统的节能优化控制,提高系统能效。
根据计算原理与方法,现有能源系统仿真模型可以分为基于物理原理的热物理模型、基于机器学习的数据驱动模型和热物理与数据融合的复合双驱动模型。传统热物理模型的建立依靠大量参数和假设,参数的获得需要依靠理想工况下的实验,且实际运行工况通常无法达到假设条件,因此热物理模型通常无法掌握系统的不确定性变化。随着人工智能的发展,完全依靠实际数据建立的数据驱动模型能够更精确的反应系统的真实动态变化,减少了对参数和假设的依赖,提高了真实度与可信度,从而逐渐应用到了能源系统仿真建模领域。然而,数据驱动模型的建立基于有限的样本空间,超出样本参数范围时模型无法提供准确计算结果,并且数据的完整度与误差很大程度上影响着模型的准确性。结合了热物理与数据驱动模型优势的复合双驱动模型应运而生,也被成为数字孪生技术。近年来,一些研究已逐步将数字孪生技术应用于能源系统管理中,例如中国专利“一种融合机器学习和机理模型的二回路设备模型仿真方法”(公开号:CN 116415394A),采用历史运行数据训练数据驱动模型,并将数据驱动模型集成到二回路设备的热物理模型中,提升了二回路设备仿真精度。
目前,热物理模型与数据驱动模型的融合通常为串联或并联方式,其中,串联方式是指将其中一种模型的计算结果作为另一个模型的计算输入条件,并联方式是指每个模型负责系统计算中的一部分,将二者计算结果合并后可得到系统整体仿真结果。因此,会存在以下局限:(1)计算成本高,每次仿真均需通过两个模型的计算后才能得到结果。(2)仍无法避免数据驱动模型受样本空间局限这一问题,数据驱动模型训练仍旧依靠单一的历史数据或仿真数据,样本空间或热物理模型误差对系统仿真精度的影响高。(3)现场数据中存在大量相同运行区间的冗余数据,冗余数据对模型精度的提升微乎其微,反而会造成训练时间过长的问题。(4)用于训练数据驱动模型的历史数据收集周期长,拓宽数据驱动模型计算范围需要大样本空间数据集训练,需要更长的运行时间收集更多的历史数据。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种基于样本库管理复合模型的能源系统节能控制方法及系统,采用热物理模型与数据驱动模型融合的方法建立了具有大样本空间的数据驱动模型训练集,改善双驱动模型中样本库的范围与质量,降低同时使用两个模型带来的计算成本,在拓宽数据驱动模型适用范围的基础上提高了训练速度。
为了实现上述目的,本发明有如下的技术方案:
一种基于样本库管理复合模型的能源系统节能控制方法,包括:
采集能源系统的现场历史运行数据;
利用现场历史运行数据对预先搭建的能源系统热物理模型进行模型参数拟合与误差校正;
根据名义运行区间与历史运行间隔划分各参数的取值点集,通过排列组合全部参数的取值点集,形成覆盖全部运行区间的参数网格;
将现场历史运行数据放入参数网格中,对含有多组数据的参数网格进行冗余数据删除,并提取出全部空缺网格;
采用校正后的能源系统热物理模型为全部空缺网格补充数据;
结合现场历史运行数据的参数网格和能源系统热物理模型补充数据后的参数网格,形成覆盖能源系统全部运行范围的样本库;
利用覆盖能源系统全部运行范围的样本库训练预先建立的系统仿真数据驱动模型,得到基于样本库管理复合模型的能源系统模型;
通过基于样本库管理复合模型的能源系统模型,计算系统能耗最小时各控制参数的设定值与其他参数的运行值,实现能源系统的节能控制。
作为一种优选的方案,在所述采集能源系统的现场历史运行数据之后,对采集到的数据进行预处理和特征提取;
预处理包括数据降噪和异常值去除;
数据降噪:采用小波阈值去噪或经验模态分解消除传感器噪声并重构信号;
异常值去除:采用3sigma准则、LOF或KNN离群值检测方法识别并删除可见异常值,采用四分位数法识别并删除不可见异常值;
特征提取:采用专家经验判断对系统能耗影响最高的几个特征,或者采用主成分分析法、高相关滤波法计算各参数与系统能耗的相关性,提取关键特征。
作为一种优选的方案,所述能源系统包括热力、电力、建筑暖通空调及工业制冷系统中的任意一种或多种的组合;
所述能源系统热物理模型以流体力学、热力学、传热学等原理为基础,遵循能量、质量和动量守恒采用Simulink、EnergyPlus、Ebsilon软件或者自编程模型进行搭建;
利用预处理后的现场历史运行数据对能源系统热物理模型进行模型参数拟合与误差校正。
作为一种优选的方案,在所述根据名义运行区间与历史运行间隔划分各参数的取值点集,通过排列组合全部参数的取值点集,形成覆盖全部运行区间的参数网格的步骤中,将参数名义运行区间定义为对应参数的运行上下限,从现场历史运行数据中获取各参数在运行上下限内的所有运行间隔,按照实际需求确定每个参数的取值间隔,形成各参数的取值点集;
根据n个特征参数的取值点集,建立一个包含各参数取值点全部组合方式的特征参数网格,网格数量Num_total按下式计算:
Num_total=Πi=1~nNum(i)
Num(i)=size[Mesh(i)]
Mesh(i)=linspace(downlinei,uplinei,intervali)
式中,n为特征数据集中包含的特征数;Num(i)为第i个参数取值点集的元素数量;
Mesh(i)为第i个参数的取值点集;downlinei为第i个参数运行区间的下限;uplinei为第i个参数运行区间的上限;intervali为第i个参数的取值间隔。
作为一种优选的方案,在所述从现场历史运行数据中获取各参数在运行上下限内的所有运行间隔,按照实际需求确定每个参数的取值间隔的步骤中,根据各参数对应现场历史运行数据的运行间隔,将每个参数的取值间隔划分为以下四种情况:
每个参数均依据运行间隔的最小值确定取值间隔,此时每个参数的取点量最多,形成的网格称为加密参数网格;
每个参数均依据运行间隔的最大值确定取值间隔,此时每个参数的取点量最少,形成的网格称为稀疏参数网格;
每个参数均依据运行间隔的正态分布平均值确定取值间隔,此时每个参数的取点量适中,形成的网格称为平均参数网格;
对于每个参数运行区间正态分布为0~50%范围内的区间,获取区间各参数运行间隔的最小值,确定对应区间的取值间隔;对于正态分布为50~80%范围内的区间,计算区间各参数运行间隔的正态分布平均值,确定对应区间的取值间隔;对于正态分布为80~100%范围内的区间,获取区间各参数运行间隔的最大值,确定对应区间的取值间隔,形成的网格称为自适应参数网格。
作为一种优选的方案,所述按照实际需求确定每个参数的取值间隔时,按照如下原则进行选择:
加密参数网格中样本点最全,基于加密参数网格形成样本库后训练的模型精度最高,但计算成本最高;
稀疏参数网格形成的样本点最少,模型训练时计算速度提升,但精度下降;
平均参数网格则平衡了模型训练速度和精度;
自适应参数网格在各参数频繁运行区间内加密取点,在不频繁运行区间内分级减少网格数量,在降低模型计算时间的基础上考虑了计算精度,但网格划分时产生额外的计算成本。
作为一种优选的方案,在所述将现场历史运行数据放入参数网格中的步骤之前,判断每个参数网格对应运行参数组合是否符合能源系统运行的物理学逻辑,不符合物理学逻辑的参数网格直接删除。
作为一种优选的方案,在所述利用覆盖能源系统全部运行范围的样本库训练预先建立的系统仿真数据驱动模型的步骤中,采用多种机器学习算法对覆盖能源系统全部运行范围的样本库进行训练,得到多个数据驱动系统仿真模型;模型测试数据集从现场数据中随机选取一组,对比测试集在多个数据驱动系统仿真模型上的计算误差,从而选择精度最高的机器学习方法。
作为一种优选的方案,在所述计算系统能耗最小时各控制参数的设定值与其他参数的运行值的步骤中,通过优化算法计算系统能耗最小时各控制参数的设定值与其他参数的运行值,优化算法的选择方式如下:
判断所约束参数的数量,若为单变量且具有明确的区间约束时,选择matlab函数中的fminbnd,无明确的区间约束选择fminsearch或fminunc,并假设初值X0后开始计算;
当所约束参数为多变量时,若每个参数具有明确的区间约束,选择matlab函数中的fmincon,若并无明确的区间约束,选择fminsearch或fminunc,并假设初值X0后开始计算;
当不考虑变量数量及区间约束时,选择全局优化算法,无给定初始X0,会有计算成本高的问题,选择有约束的局部优化算法时,会陷入局部最优值的问题。
一种基于样本库管理复合模型的能源系统节能控制系统,包括:
数据采集模块,用于采集能源系统的现场历史运行数据;
热物理模型校正模块,用于利用现场历史运行数据对预先搭建的能源系统热物理模型进行模型参数拟合与误差校正;
参数网格建立模块,用于根据名义运行区间与历史运行间隔划分各参数的取值点集,通过排列组合全部参数的取值点集,形成覆盖全部运行区间的参数网格;
参数网格放入模块,用于将现场历史运行数据放入参数网格中,对含有多组数据的参数网格进行冗余数据删除,并提取出全部空缺网格;
空缺网格补充模块,用于采用校正后的能源系统热物理模型为全部空缺网格补充数据;
样本库建立模块,用于结合现场历史运行数据的参数网格和能源系统热物理模型补充数据后的参数网格,形成覆盖能源系统全部运行范围的样本库;
数据驱动模型训练模块,用于利用覆盖能源系统全部运行范围的样本库训练预先建立的系统仿真数据驱动模型,得到基于样本库管理复合模型的能源系统模型;
模型计算模块,用于通过基于样本库管理复合模型的能源系统模型,计算系统能耗最小时各控制参数的设定值与其他参数的运行值,实现能源系统的节能控制。
相较于现有技术,本发明至少具有如下的有益效果:
本发明采用热物理模型与数据驱动模型融合的方法建立了具有大样本空间的数据驱动模型训练集,合理删除了样本库中的冗余数据,在拓宽数据驱动模型适用范围的基础上提高了训练速度。将热物理模型用于系统模型训练前期,优化计算仅依靠数据驱动模型,解决了同时使用两个模型导致的计算成本过高。本发明基于现场真实数据与热物理模型补充数据创建可覆盖系统运行所有可能区间的样本库,拓宽了用于模型训练的样本空间,有效提升了模型的适用性。本发明热物理模型仅用于为模型训练样本库补充数据,实际应用时系统的性能仿真与节能计算仅采用基于全覆盖样本库训练的数据驱动模型进行。与已有串联或并联模型融合方式不同,将热物理模型与数据驱动模型的计算环节彻底分开,解决了同时使用两个模型而造成的计算时间过长的问题。在样本库建立时,通过划分参数网格的方法,检测并删除了每个运行区间内的冗余数据。在不影响模型精度与适用范围的前提下,合理精简了模型训练样本数量,有效提高了模型训练速度。本发明解决了传统数据驱动模型建模时数据收集周期长的弊端,前期通过热物理模型补充缺失数据,快速建立数据驱动模型训练样本库。随着系统运行时间的推移,获取更多的真实数据后可选择更新建立样本库数据并再次训练模型,后续可不断完善并提高数据驱动模型对系统仿真的真实性和准确性,模型适用周期长。
附图说明
为了更加清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作以简单地介绍,应当理解,以下附图仅示出了本发明部分实施例,对于本领域普通技术人员而言,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相关的附图。
图1为本发明实施例基于样本库管理复合模型的能源系统节能控制方法流程图;
图2为本发明实施例样本库中各参数网格具体的划分方法示意图;
图3为本发明实施例用于食品速冻库的NH3-CO2复叠制冷系统工艺流程示意图。
具体实施方式
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,所描述的实施例仅仅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还可以在没有做出创造性劳动的前提下获得其他实施例。
请参阅图1,本发明实施例基于样本库管理复合模型的能源系统节能控制方法包括:
S1、采集热力、电力、建筑暖通或制冷等能源系统的现场历史运行数据,进行数据预处理以及特征提取,建立与系统能耗高度相关的特征数据集,其中包含n个参数。
S2、以热力学原理为基础,遵循能量、质量和动量守恒,搭建能源系统的热物理模型。依据预处理后的历史数据集对热物理模型进行模型参数拟合与误差校正,建立高精度系统仿真热物理模型。
S3、获取特征数据集中n个参数各自的名义运行区间,定为该参数运行的上下限。从历史数据中获取各参数在运行上下限内的所有运行间隔,按照实际需求确定每个参数的取值间隔,形成各参数的取值点集。根据n个特征参数的取值点集,建立一个包含各参数取值点全部组合方式的特征参数网格,全覆盖网格数量Num_total的计算公式如下:
Num_total=Πi=1~nNum(i)
Num(i)=size[Mesh(i)]
Mesh(i)=linspace(downlinei,uplinei,intervali)
式中,n为特征数据集中包含的特征数;Num(i)为第i个参数取值点集的元素数量;Mesh(i)为第i个参数的取值点集;downlinei为第i个参数运行区间的下限;uplinei为第i个参数运行区间的上限;intervali为第i个参数的取值间隔。因此,Mesh(i)实质为在第i个参数运行上下限区间内按规定取值间隔划分的一列数组。
S4、判断每个网格对应运行参数组合是否符合系统运行的物理学逻辑,不符合物理学逻辑的网格直接删除。
S5、将特征数据集中的全部参数放入建立好的全覆盖参数网格中,判断每个参数网格中是否存在历史数据,标记全部空缺数据点。
S6、对于已有历史数据的网格,根据网格内历史数据的数量进行冗余数据删除。若只存在一组历史数据,则直接保留;若存在两组历史数据,随机保留一组;若存在三组及以上冗余数据,进行冗余数据删除后保留一组。确保每个存在历史数据的网格中都有且仅有一组历史数据。
S7、对于空缺历史数据的网格,需要根据步骤S2建立的高精度系统热物理模型补充一组数据。
S8、结合包含真实历史数据的网格与热物理模型补充数据的网格,形成一个可覆盖系统全部运行范围的样本库。
S9、选择合适的机器学习算法与参数网格,利用全覆盖样本库训练高精度系统仿真数据驱动模型,完成基样本库管理复合模型的能源系统建模。
S10、选择合适的优化算法,计算系统能耗最小时各控制参数的设定值与其他参数的运行值,实现能源系统的节能控制。
在一种可能的实施方式中,步骤S1中数据预处理和特征提取应包含至少以下步骤:
数据降噪:采用小波阈值去噪或经验模态分解等常用方法消除传感器噪声并重构信号;
异常值去除:采用3sigma准则、LOF或KNN等常用离群值检测方法识别并删除可见异常值,采用四分位数法识别并删除不可见异常值;
特征提取:采用专家经验判断对系统能耗影响最高的几个特征,或者采用主成分分析(PCA)法、高相关滤波法等常用方法计算各参数与系统能耗的相关性,提取关键特征。
在一种可能的实施方式中,步骤S2中所述的能源系统的热物理模型,可以采用Simulink、EnergyPlus、Ebsilon等商业软件搭建,或者自编程模型搭建,是一种以能源系统物理热物理和真实数据修正为基础的模型。进一步的,所述能源系统的热物理模型的仿真结果中应至少包括特征数据集中包含的所有参数与系统能耗。
如图2所示,在一种可能的实施方式中,步骤S3中全覆盖参数网格的形成方式如下:
首先计算各参数历史数据中的运行间隔,依据历史运行间隔具体可将参数的取值间隔划分为以下四种:
(1)每个参数均依据运行间隔的最小值确定取值间隔,此时每个参数的取点量最多,形成的网格称为加密参数网格。
(2)每个参数均依据运行间隔的最大值确定取值间隔,此时每个参数的取点量最少,形成的网格称为稀疏参数网格。
(3)每个参数均依据运行间隔的正态分布平均值确定取值间隔,此时每个参数的取点量适中,形成的网格称为平均参数网格。
(4)对于每个参数运行区间正态分布为0~50%范围内的区间,获取该区间各参数运行间隔的最小值,确定该区间的取值间隔;对于正态分布为50~80%范围内的区间,再次计算该区间各参数运行间隔的正态分布平均值,确定该区间的取值间隔;对于正态分布为80~100%范围内的区间。获取该区件各参数运行间隔的最大值,确定该区间的取值间隔,形成的网格称为自适应参数网格。
更进一步的,模型训练时四种全覆盖网格的选择方法可以根据网格性质与实际计算需求决定。加密参数网格中样本点最全,基于此网格形成样本库后训练的模型精度最高,但计算成本最高。稀疏参数网格形成的样本点最少,模型训练时计算速度大幅提升,但精度下降。平均参数网格则平衡了模型训练速度和精度。自适应参数网格在各参数频繁运行区间内加密取点,在不频繁运行区间内分级减少网格数量,在降低模型计算时间的基础上考虑了计算精度,但在网格划分时可能产生额外的计算成本。
在一种可能的实施方式中,步骤S4中应符合的物理学逻辑至少包括热力学三大定律。
在一种可能的实施方式中,步骤S6中网格中含有三个及以上历史数据时,冗余数据删除的方法可采用KNN或K-means等常用机器学习算法。
在一种可能的实施方式中,步骤S9中选择合适的机器学习算法具体方法为:
采用3种及以上机器学习算法对全覆盖样本库进行训练,得到多个数据驱动系统仿真模型。模型测试数据集可从现场数据中随机选取一组,对比测试集在多个数据驱动系统仿真模型上的计算误差,从而选择精度最高的机器学习方法。计算误差评估可采用均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、对称平均绝对百分比误差(SMAPE)等常用评价指标。
更进一步的,在数据驱动模型中机器学习算法选择时,应在模型训练前,对样本库进行标准化处理,以消除特征量纲差异对训练精度的影响。
在一种可能的实施方式中,步骤S10中选择合适的优化算法具体方法包括:
判断所约束参数即控制参数的数量,若为单变量且具有明确的区间约束时,可选择matlab函数中的fminbnd,无明确的区间约束可选择fminsearch或fminunc,并假设初值X0后开始计算。
控制参数为多变量时,若每个参数具有明确的区间约束,可选择matlab函数中的fmincon,若并无明确的区间约束,可选择fminsearch或fminunc,并假设初值X0后开始计算。
不考虑变量数量及区间约束时,可以选择模拟退火算法、遗传算法等全局优化算法,无需给定初始X0,但同时可能产生计算成本过高的问题。选择有约束的局部优化算法时,则可能陷入局部最优值的问题。
以图3所示的一种典型的用于食品速冻库的NH3-CO2复叠制冷系统为例,将本发明基于样本库管理复合模型的能源系统节能控制方法应用于该系统。
NH3-CO2复叠制冷系统中高温级采用NH3制冷剂,低温级采用CO2制冷剂,通过中间的冷凝蒸发器将高温级和低温级连接,冷凝蒸发器为高温级的蒸发器和低温级的冷凝器。高温压缩机与低温压缩机为均为变频压缩机,通过改变压缩机转速调整制冷剂流量的流量。高温级设置有NH3贮液器和NH3气液分离器,低温级设置有CO2贮液器和CO2桶泵,因此,可以不考虑冷凝器出口过冷度和蒸发器出口过热度。
评价负叠制冷系统性能通常采用COP,计算公式如下:
式中,Q为系统制冷负荷,W为系统总能耗,具体计算公式如下:
Q=m*(h2-h3)
式中,h2为图3中测点2低温级蒸发温度对应的CO2饱和气体比焓;h3为图3中测点3低温级冷凝温度对应的CO2饱和液体比焓;m为CO2质量流量。
W=WCO2+WNH3+Wpump+Wfan+Wvalve
式中,WCO2和WHN3为CO2和NH3压缩机功耗,Wpump为蒸发器与冷凝器中风机的功耗,Wfan为系统中所有泵的功耗,Wvalve为膨胀阀的功耗。通常,压缩机功耗占系统功耗70%以上,可根据实际计算需求选择是否在计算系统能耗时加入风机、泵、阀门的功耗。本实施例中系统整体能耗仅考虑CO2和NH3压缩机功耗WCO2和WHN3。
综上,针对NH3-CO2复叠制冷系统节能控制的数学描述为在固定的运行参数下,计算COP最高时,对应的控制参数设定值。
根据图1所示的基于样本库管理复合模型的能源系统节能控制方法,具体计算步骤如下:
S1、系统总共采集到的16个传感器数据包括低温级和高温级各自的蒸发温度、冷凝温度、制冷剂流量、压缩机转速、压缩机功耗;速冻库风机转速和流量;蒸发式冷凝器风机和水泵的流量与频率。其中,COP的直接影响因素为中间温度,即低温级冷凝温度,通过调节NH3压缩机和CO2压缩机转速实现;速冻货物决定低温级蒸发温度;环境温度限制高温级冷凝温度。
收集2022年6~8月夏季的全部运行数据,采集间隔设置为1min。采用小波阈值法降噪、3sigma准则与四分位数法去除异常值。根据专家经验从16个传感器特征中筛选出NH3-CO2负叠制冷系统仿真模型的特征数据集应包含的输入参数为以下6个:中间温度、低温级蒸发温度、高温级冷凝温度、CO2压缩机转速、NH3压缩机转速、冷凝蒸发器换热温差。计算的输出结果为COP。
S2、建立NH3和CO2压缩机热物理模型,采用Matlab自编程搭建压缩机的半经验模型。输入参数为吸气压力、排气压力、吸气温度、转速,输出参数为电机功率、轴功率、制冷量。COP可根据模拟结果中低温压缩机制冷量与高温和低温压缩机电机功率之和的比值计算。因此,压缩机热物理模型仿真结果中包含了S1中特征数据集的全部输入和输出参数。根据预处理后历史数据进行模型中经验参数拟合和误差校正。
S3、根据厂家提供的说明书获取特征数据集中各参数的名义运行区间。根据图2所示参数网格的划分方法,分析各参数历史数据中运行间隔的最小值、最大值、正态分布均值,如表1所示。分析各参数运行区间的正态分布,对于每个参数运行区间正态分布为0~50%范围内的区间,获取该区间各参数运行间隔的最小值,确定该区间的取值间隔;对于正态分布为50~80%范围内的区间,再次计算该区间各参数运行间隔的正态分布平均值,确定该区间的取值间隔;对于正态分布为80~100%范围内的区间,获取该区间各参数运行间隔的最大值,确定该区间的取值间隔,如表2所示。
根据图2所示,按照四种运行区间确定取值间隔,建立四种参数全排列网格,网格中各参数的取值点数量与全部网格数按如下公式计算,计算结果如表3所示。由于收集的是6~8月夏季工况下的历史数据,冷凝温度与中间温度均受环境温度限制,压缩机通常处于高负荷状态运行,转速较高,因此历史数据并未覆盖全部名义运行区间。对于无历史数据的运行区间,加密、稀疏、平均、自适应参数网格分别采用历史运行间隔的最小值、最大值、正态分布均值、平均值划分这一区间。
Num_total=∏i=1~nNum(i)
Num(i)=size[Mesh(i)]
Mesh(i)=linspace(downlinei,uplinei,intervali)
式中,n为特征数据集中包含的特征数;Num(i)为第i个参数取值点集的元素数量;Mesh(i)为第i个参数的取值点集;downlinei为第i个参数运行区间的下限;uplinei为第i个参数运行区间的上限;intervali为第i个参数的取值间隔。因此,Mesh(i)实质为在第i个参数运行上下限区间内按规定取值间隔划分的一列数组。
表1
表2
表3
S4、检查参数网格是否符合物理学逻辑。对于复叠制冷系统,需要遵循的基本物理学逻辑为中间温度应高于蒸发温度且小于冷凝温度,冷凝蒸发器高温制冷剂侧入口温度应低于低温制冷剂侧出口温度。所建立的四种全覆盖参数网格中各参数的排列组合均未出现反逻辑问题。
S5、将历史数据放入参数网格中,空缺数据的网格为历史数据未包含的运行区间,标记全部空缺网格。
S6、对于已有历史数据的网格,根据网格内历史数据的数量进行冗余数据删除。若只存在一组历史数据,则直接保留;若存在两组历史数据,随机保留一组;若存在三组及以上冗余数据,采用KNN算法进行冗余数据删除后保留一组。确保每个存在历史数据的网格中都有且仅有一组历史数据。
S7、对于空缺历史数据的网格,每个网格中均需要采用S2建立的高精度压缩机热物理模型补充一组数据。
S8、集合包含真实历史数据的网格与热物理模型补充数据的网格,形成可覆盖系统全部运行范围的样本库。
S9、在本实施例中,综合考虑计算成本与精度要求,选择自适应参数网格建立的样本库进行数据驱动模型训练。该网格可以在系统频繁运行的范围内对样本进行加密,而不频繁运行的范围内适当减少取样点,合理规划样本库空间,提升模型训练速度。在模型训练前,对样本库进行标准化处理,以消除特征量纲差异对训练精度的影响,计算公式如下:
式中,Z是标准化后的数据,X为原始数据,μ为原始数据的均值,σ为原始数据的标准差。
对比了SVM、BPNN、决策树三种机器学习算法训练系统仿真的数据驱动模型,采用平均百分比误差(MAPE)和均方根误差(RMSE)作为误差评估标准,计算公式与精度要求如下:
MAPE≤0.5%,RMSE≤0.5
式中,Yi为模型预测值,Yi’为真实数据,n为样本数量。
经过三个模型的精度对比,最终选择BPNN算法搭建系统仿真的数据驱动模型。
S10、本复叠制冷系统的节能优化问题的数学描述为计算蒸发温度、冷凝温度、冷凝蒸发器换热温差一定时,以COP最大值为优化目标,中间温度和高温和低温级压缩机转速这三个控制参数的设定值,是一个多变量有区间约束的极值求解问题。可以选择fmincon或遗传算法进行求解,为避免局部最优解的问题,最终选择遗传算法进行优化计算,实现了复叠制冷系统的节能控制。
本发明另一实施例还提出一种基于样本库管理复合模型的能源系统节能控制系统,包括:
数据采集模块,用于采集能源系统的现场历史运行数据;
热物理模型校正模块,用于利用现场历史运行数据对预先搭建的能源系统热物理模型进行模型参数拟合与误差校正;
参数网格建立模块,用于根据名义运行区间与历史运行间隔划分各参数的取值点集,通过排列组合全部参数的取值点集,形成覆盖全部运行区间的参数网格;
参数网格放入模块,用于将现场历史运行数据放入参数网格中,对含有多组数据的参数网格进行冗余数据删除,并提取出全部空缺网格;
空缺网格补充模块,用于采用校正后的能源系统热物理模型为全部空缺网格补充数据;
样本库建立模块,用于结合现场历史运行数据的参数网格和能源系统热物理模型补充数据后的参数网格,形成覆盖能源系统全部运行范围的样本库;
数据驱动模型训练模块,用于利用覆盖能源系统全部运行范围的样本库训练预先建立的系统仿真数据驱动模型,得到基于样本库管理复合模型的能源系统模型;
模型计算模块,用于通过基于样本库管理复合模型的能源系统模型,计算系统能耗最小时各控制参数的设定值与其他参数的运行值,实现能源系统的节能控制。
本发明另一实施例还提出一种电子设备,包括存储器,存储至少一个指令;及处理器,执行所述存储器中存储的指令以实现所述基于样本库管理复合模型的能源系统节能控制方法。
本发明另一实施例还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述基于样本库管理复合模型的能源系统节能控制方法。
示例性的,所述存储器中存储的指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在计算机可读存储介质中,并由所述处理器执行,以完成本发明基于样本库管理复合模型的能源系统节能控制方法。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在服务器中的执行过程。
所述电子设备可以是智能手机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述电子设备还可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述服务器的内部存储单元,例如服务器的硬盘或内存。所述存储器也可以是所述服务器的外部存储设备,例如所述服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括所述服务器的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述模块单元之间的信息交互、执行过程等内容,由于与方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化均囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的保护范围。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;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 (10)
1.一种基于样本库管理复合模型的能源系统节能控制方法,其特征在于,包括:
采集能源系统的现场历史运行数据;
利用现场历史运行数据对预先搭建的能源系统热物理模型进行模型参数拟合与误差校正;
根据名义运行区间与历史运行间隔划分各参数的取值点集,通过排列组合全部参数的取值点集,形成覆盖全部运行区间的参数网格;
将现场历史运行数据放入参数网格中,对含有多组数据的参数网格进行冗余数据删除,并提取出全部空缺网格;
采用校正后的能源系统热物理模型为全部空缺网格补充数据;
结合现场历史运行数据的参数网格和能源系统热物理模型补充数据后的参数网格,形成覆盖能源系统全部运行范围的样本库;
利用覆盖能源系统全部运行范围的样本库训练预先建立的系统仿真数据驱动模型,得到基于样本库管理复合模型的能源系统模型;
通过基于样本库管理复合模型的能源系统模型,计算系统能耗最小时各控制参数的设定值与其他参数的运行值,实现能源系统的节能控制。
2.根据权利要求1所述基于样本库管理复合模型的能源系统节能控制方法,其特征在于,在所述采集能源系统的现场历史运行数据之后,对采集到的数据进行预处理和特征提取;
预处理包括数据降噪和异常值去除;
数据降噪:采用小波阈值去噪或经验模态分解消除传感器噪声并重构信号;
异常值去除:采用3sigma准则、LOF或KNN离群值检测方法识别并删除可见异常值,采用四分位数法识别并删除不可见异常值;
特征提取:采用专家经验判断对系统能耗影响最高的几个特征,或者采用主成分分析法、高相关滤波法计算各参数与系统能耗的相关性,提取关键特征。
3.根据权利要求2所述基于样本库管理复合模型的能源系统节能控制方法,其特征在于,所述能源系统包括热力、电力、建筑暖通空调及工业制冷系统中的任意一种或多种的组合;
所述能源系统热物理模型以流体力学、热力学、传热学等原理为基础,遵循能量、质量和动量守恒采用Simulink、EnergyPlus、Ebsilon软件或者自编程模型进行搭建;
利用预处理后的现场历史运行数据对能源系统热物理模型进行模型参数拟合与误差校正。
4.根据权利要求1所述基于样本库管理复合模型的能源系统节能控制方法,其特征在于,在所述根据名义运行区间与历史运行间隔划分各参数的取值点集,通过排列组合全部参数的取值点集,形成覆盖全部运行区间的参数网格的步骤中,将参数名义运行区间定义为对应参数的运行上下限,从现场历史运行数据中获取各参数在运行上下限内的所有运行间隔,按照实际需求确定每个参数的取值间隔,形成各参数的取值点集;根据n个特征参数的取值点集,建立一个包含各参数取值点全部组合方式的特征参数网格,网格数量Num_total按下式计算:
Num_total=Πi=1~nNum(i)
Num(i)=size[Mesh(i)]
Mesh(i)=linspace(downlinei,uplinei,intervali)
式中,n为特征数据集中包含的特征数;Num(i)为第i个参数取值点集的元素数量;
Mesh(i)为第i个参数的取值点集;downlinei为第i个参数运行区间的下限;uplinei为第i个参数运行区间的上限;intervali为第i个参数的取值间隔。
5.根据权利要求4所述基于样本库管理复合模型的能源系统节能控制方法,其特征在于,在所述从现场历史运行数据中获取各参数在运行上下限内的所有运行间隔,按照实际需求确定每个参数的取值间隔的步骤中,根据各参数对应现场历史运行数据的运行间隔,将每个参数的取值间隔划分为以下四种情况:
每个参数均依据运行间隔的最小值确定取值间隔,此时每个参数的取点量最多,形成的网格称为加密参数网格;
每个参数均依据运行间隔的最大值确定取值间隔,此时每个参数的取点量最少,形成的网格称为稀疏参数网格;
每个参数均依据运行间隔的正态分布平均值确定取值间隔,此时每个参数的取点量适中,形成的网格称为平均参数网格;
对于每个参数运行区间正态分布为0~50%范围内的区间,获取区间各参数运行间隔的最小值,确定对应区间的取值间隔;对于正态分布为50~80%范围内的区间,计算区间各参数运行间隔的正态分布平均值,确定对应区间的取值间隔;对于正态分布为80~100%范围内的区间,获取区间各参数运行间隔的最大值,确定对应区间的取值间隔,形成的网格称为自适应参数网格。
6.根据权利要求5所述基于样本库管理复合模型的能源系统节能控制方法,其特征在于,所述按照实际需求确定每个参数的取值间隔时,按照如下原则进行选择:
加密参数网格中样本点最全,基于加密参数网格形成样本库后训练的模型精度最高,但计算成本最高;
稀疏参数网格形成的样本点最少,模型训练时计算速度提升,但精度下降;
平均参数网格则平衡了模型训练速度和精度;
自适应参数网格在各参数频繁运行区间内加密取点,在不频繁运行区间内分级减少网格数量,在降低模型计算时间的基础上考虑了计算精度,但网格划分时产生额外的计算成本。
7.根据权利要求1所述基于样本库管理复合模型的能源系统节能控制方法,其特征在于,在所述将现场历史运行数据放入参数网格中的步骤之前,判断每个参数网格对应运行参数组合是否符合能源系统运行的物理学逻辑,不符合物理学逻辑的参数网格直接删除。
8.根据权利要求1所述基于样本库管理复合模型的能源系统节能控制方法,其特征在于,在所述利用覆盖能源系统全部运行范围的样本库训练预先建立的系统仿真数据驱动模型的步骤中,采用多种机器学习算法对覆盖能源系统全部运行范围的样本库进行训练,得到多个数据驱动系统仿真模型;模型测试数据集从现场数据中随机选取一组,对比测试集在多个数据驱动系统仿真模型上的计算误差,从而选择精度最高的机器学习方法。
9.根据权利要求1所述基于样本库管理复合模型的能源系统节能控制方法,其特征在于,在所述计算系统能耗最小时各控制参数的设定值与其他参数的运行值的步骤中,通过优化算法计算系统能耗最小时各控制参数的设定值与其他参数的运行值,优化算法的选择方式如下:
判断所约束参数的数量,若为单变量且具有明确的区间约束时,选择matlab函数中的fminbnd,无明确的区间约束选择fminsearch或fminunc,并假设初值X0后开始计算;
当所约束参数为多变量时,若每个参数具有明确的区间约束,选择matlab函数中的fmincon,若并无明确的区间约束,选择fminsearch或fminunc,并假设初值X0后开始计算;
当不考虑变量数量及区间约束时,选择全局优化算法,无给定初始X0,会有计算成本高的问题,选择有约束的局部优化算法时,会陷入局部最优值的问题。
10.一种基于样本库管理复合模型的能源系统节能控制系统,其特征在于,包括:
数据采集模块,用于采集能源系统的现场历史运行数据;
热物理模型校正模块,用于利用现场历史运行数据对预先搭建的能源系统热物理模型进行模型参数拟合与误差校正;
参数网格建立模块,用于根据名义运行区间与历史运行间隔划分各参数的取值点集,通过排列组合全部参数的取值点集,形成覆盖全部运行区间的参数网格;
参数网格放入模块,用于将现场历史运行数据放入参数网格中,对含有多组数据的参数网格进行冗余数据删除,并提取出全部空缺网格;
空缺网格补充模块,用于采用校正后的能源系统热物理模型为全部空缺网格补充数据;
样本库建立模块,用于结合现场历史运行数据的参数网格和能源系统热物理模型补充数据后的参数网格,形成覆盖能源系统全部运行范围的样本库;
数据驱动模型训练模块,用于利用覆盖能源系统全部运行范围的样本库训练预先建立的系统仿真数据驱动模型,得到基于样本库管理复合模型的能源系统模型;
模型计算模块,用于通过基于样本库管理复合模型的能源系统模型,计算系统能耗最小时各控制参数的设定值与其他参数的运行值,实现能源系统的节能控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713840.8A CN117706927A (zh) | 2023-12-13 | 2023-12-13 | 基于样本库管理复合模型的能源系统节能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713840.8A CN117706927A (zh) | 2023-12-13 | 2023-12-13 | 基于样本库管理复合模型的能源系统节能控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117706927A true CN117706927A (zh) | 2024-03-15 |
Family
ID=90158328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311713840.8A Pending CN117706927A (zh) | 2023-12-13 | 2023-12-13 | 基于样本库管理复合模型的能源系统节能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117706927A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973236A (zh) * | 2024-04-01 | 2024-05-03 | 北京适创科技有限公司 | 一种对仿真结果的校正方法、系统、设备及存储介质 |
-
2023
- 2023-12-13 CN CN202311713840.8A patent/CN117706927A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973236A (zh) * | 2024-04-01 | 2024-05-03 | 北京适创科技有限公司 | 一种对仿真结果的校正方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10678968B2 (en) | Method of verifying and analyzing energy efficiency ratio EER of a heating ventilation and air conditioning HVAC chiller unit | |
CN110285532A (zh) | 基于人工智能的机房空调控制方法、装置及系统 | |
CN117706927A (zh) | 基于样本库管理复合模型的能源系统节能控制方法及系统 | |
CN114484731B (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
CN104949413A (zh) | 获取电子膨胀阀初始开度的方法和装置 | |
CN110542178B (zh) | 具有自学习能力的空调冷冻机房控制方法及系统 | |
CN112329813B (zh) | 一种能耗预测用特征提取方法及系统 | |
CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
Zeng et al. | A hybrid deep forest approach for outlier detection and fault diagnosis of variable refrigerant flow system | |
CN113446710B (zh) | 用于空调控制的方法、装置及空调 | |
CN113822359B (zh) | 基于残差数据缩放策略的热泵系统自适应故障诊断方法 | |
CN114154689A (zh) | 一种冷水主机单机能耗预测方法、系统及存储介质 | |
CN110702438B (zh) | 一种离心式冷水机组与新风系统联合故障诊断方法 | |
CN112781177B (zh) | 预测空调运行功率的方法、装置、电子设备及存储介质 | |
CN106502346A (zh) | 一种服务器散热的方法及装置 | |
CN114326987A (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
CN111504673A (zh) | 一种冷水机组故障诊断方法、系统及空调器 | |
Du et al. | IoT intelligent agent based cloud management system by integrating machine learning algorithm for HVAC systems | |
CN116205360A (zh) | 一种暖通空调的能耗预测方法和装置 | |
CN115654684A (zh) | 空气处理机组控制、模型构建方法、装置及设备和介质 | |
Zhao et al. | An outlier management framework for building performance data and its application to the power consumption data of building energy systems in non-residential buildings | |
CN114002949B (zh) | 基于人工智能的控制方法与控制装置 | |
WO2022110213A1 (zh) | 生成分析对象的预测模型的方法、装置和存储介质 | |
CN111814389A (zh) | 一种制冷系统制冷系数预测方法及装置 | |
CN113051530A (zh) | 一种基于kde-fa的冷水机组故障特征刻画方法 |
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 |