CN118049872A - 一种基于cart决策树的换热器系统及pid控制方法 - Google Patents
一种基于cart决策树的换热器系统及pid控制方法 Download PDFInfo
- Publication number
- CN118049872A CN118049872A CN202311573519.4A CN202311573519A CN118049872A CN 118049872 A CN118049872 A CN 118049872A CN 202311573519 A CN202311573519 A CN 202311573519A CN 118049872 A CN118049872 A CN 118049872A
- Authority
- CN
- China
- Prior art keywords
- heat exchanger
- decision tree
- pid
- data
- plate heat
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011217 control strategy Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000013138 pruning Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及换热器系统技术领域,具体公开了一种基于CART决策树的换热器系统及PID控制方法,其方法包括:控制方法包括:收集板式换热器系统的工作数据和PID参数;根据工作数据和板式换热器系统PID控制要求,构建基于CART决策树的控制模型;输入设定参数至控制模型,控制模型输出PID参数调整板式换热器控制策略。本发明的一种基于CART决策树的换热器系统及PID控制方法,提供专业的板式换热器控制模块,确保调节阀精准控制,提高板式换热器控制效果,减少板式换热器系统能耗,提升板换间自动化运行水平。
Description
技术领域
本发明涉及换热器系统技术领域,尤其涉及一种基于CART决策树的换热器系统及PID控制方法。
背景技术
板式换热器系统是一种高效、节能、紧凑的换热系统,由板式换热器,管网、水泵、阀门、传感器、控制柜等组成。板式换热器系统包括高效节能、紧凑轻巧、易于维护和清洗、可靠性高、适应性广等优点,广泛应用于中央空调领域。
在中央空调板式换热器系统中,板式换热器是核心部件,它由一系列具有一定波纹形状的金属片叠装而成,通过板片进行冷量交换,它具有换热效率高、热损失小、结构紧凑轻巧、占地面积小、安装清洗方便、应用广泛、使用寿命长等特点。
中央空调板式换热器系统控制普遍采用PID控制方式,控制参量包括温度、压力、流量、阀门开度等,PID控制器根据板式换热器设定的目标值与过程值比较,通过比例、积分、微分三种调节作用来控制板式换热系统的运行,调整系统的冷量分配,以达到最优的控制效果。
但是板式换热器系统实际运行水平不高,设备启停切换运行大部分为人工手动调整,板式换热器二次侧供水温度、压差等基本凭人工手动设定,仅实现局部闭环PID调节,在不同季节、气候、需求的前提下,该种运行方式无法实现板换间能耗的自适应动态优化,难以开展智能化的节能自动控制。而且板式换热器系统属于复杂的多参量、长时滞、多干扰的时变非线性系统,PID控制效果较差。
发明内容
针对现有技术中的技术问题,本发明提供一种基于CART决策树的换热器系统及PID控制方法,提供专业的板式换热器控制模块,确保调节阀精准控制,提高板式换热器控制效果,减少板式换热器系统能耗,提升板换间自动化运行水平。
一种基于CART决策树的换热器系统PID控制方法,PID控制方法包括:
S1:收集板式换热器系统的工作数据和PID参数;
S2:根据工作数据和板式换热器系统PID控制要求,构建基于CART决策树的控制模型;
S3:输入设定参数至控制模型,控制模型输出PID参数调整板式换热器控制策略。
进一步的,工作数据包括板式换热器一二次侧温度、压力、流量、阀门开度、末端用户负荷、环境温度、环境湿度、操作记录。
进一步的,控制模型的训练方法包括:
S21:对工作数据和PID参数剔除噪声数据及补充缺失数据信息,形成数据格式标准统一的数据集,对数据集分类为训练集D和测试集;
S22:通过CART决策树算法不断的对训练集D进行分类,对训练集D分类后的子数据集再进行分类,子数据集分类完成后生成CART决策树;
S23:对决策树进行剪枝优化,直至得到最优模型参数;
S24:利用现有的PID寻优参数、专业人员历史操作记录和专业理论知识,对最优模型参数进行修正;
S25:使用测试集的数据对控制模型进行测试,评估模型的预测能力并调整最优模型参数。
进一步的,利用现有的PID寻优参数、专业人员历史操作记录和专业理论知识,对最优模型参数进行修正的方法包括虚拟仿真、知识捕捉、模仿学习、积累决策库。
进一步的,控制模型的训练方法还包括,
S26:在控制模型应用于板式换热器的运行后,通过不断收集板式换热器的采集数据对控制模型进行优化,以适应环境和末端用户负荷的变化。
进一步的,CART决策树算法包括分类树算法与回归树算法,对于离散型变量,采用分类树算法,对于连续型变量,则采用回归树算法。
进一步的,通过CART决策树算法不断的对数据集进行分类,对数据集分类后的子数据集再进行分类的方法包括,
S221:输入训练集D,设定基尼系数阈值、最少样本个数阈值,创建根节点,自根节点开始,使用训练集D建立CART决策树;
S222:对于当前节点的训练集D,如果训练集D的样本个数小于最少样本个数阈值或没有特征,则返回决策子树,当前节点停止递归;
S223:计算当前节点训练集D的基尼系数Gini(D),如果基尼系数Gini(D)小于基尼系数阈值,则返回决策树子树,当前节点停止递归;
S224:计算当前节点现有每个特征下各个属性值的基尼指数Gini(D);
S225:在计算出来的每个特征下各个属性值的基尼系数Gini(D)中,选择基尼系数Gini(D)最小的特征A及其对应的取值a作为最优特征和最优切分点;然后根据最优特征和最优切分点,将本节点的数据集划分成数据集D1和数据集D2,同时生成当前节点的左节点和右节点,左节点的数据集为数据集D1,右节点的数据集为数据集D2;
S226:对左节点和右节点递归调用步骤S221-S224,生成CART决策树。
一种基于CART决策树的换热器系统,系统运用上述基于CART决策树的换热器系统PID控制方法,系统包括,冷冻水管网、主控模块、PID控制器、电动调节阀、板式换热器,电动调节阀串接在冷冻水管网上,冷冻水管网接入板式换热器冷凝端,板式换热器的换热端接入末端用户管网,PID控制器与电动调节阀电性连接,主控模块中存储有控制模型,主控模块用于输入设定参数,将控制模型输出的PID参数下发至PID控制器。
进一步的,还包括云数据库,冷冻水管网上还设置有用于采集工作数据的温度传感器和压力传感器,温度传感器和压力传感器与主控模块通讯连接,主控模块用于上传工作数据至云数据库,云数据库用于提供训练控制模型的工作数据。
(1)本发明的一种基于CART决策树的换热器系统及PID控制方法,通过云数据技术和人工智能算法,建立基于CART决策树的控制模型,并对控制模型进行深度机器学习,提供专业的板式换热器控制模块,确保调节阀精准控制,提高板式换热器控制效果,减少板式换热器系统能耗。
(2)本发明的一种基于CART决策树的换热器系统及PID控制方法,通过CART决策树的控制模型替代利用现场技术人员对板式换热器系统PID值人工调整的方式,构建人工智能智慧板式换热器系统,实现板式换热器系统自适应最优PID控制,提升板换间自动化运行水平。
附图说明
为了更清楚的说明本发明实施例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简单的介绍,显而易见的,下面描述中的附图仅仅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它附图。
图1为本发明一种基于CART决策树的换热器系统PID控制方法的总流程图;
图2为本发明一种基于CART决策树的换热器系统的控制模型训练方法的流程图;
图3为本发明一种基于CART决策树的换热器系统的控制流程图;
图4为本发明一种基于CART决策树的换热器系统的结构示意图。
其中,1、冷冻水管网;2、PID控制器;3、电动调节阀;4、板式换热器;5、末端用户管网;6、温度传感器;7、压力传感器。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,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,本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本发明的保护范围。
如图1至图4所示的一种基于CART决策树的换热器系统PID控制方法,PID控制方法包括:
S1:收集板式换热器系统的工作数据和PID参数;利用云数据库对板式换热器系统的工作数据进行存储;
S2:根据工作数据和板式换热器系统PID控制要求,构建基于CART决策树的控制模型;提供专业的板式换热器控制模块,确保调节阀精准控制,提高板式换热器控制效果,减少板式换热器系统能耗;
S3:输入设定参数至控制模型,控制模型输出PID参数调整板式换热器控制策略;通过CART决策树的控制模型替代利用现场技术人员对板式换热器系统PID值人工调整的方式,构建人工智能智慧板式换热器系统,实现板式换热器系统自适应最优PID控制,提升板换间自动化运行水平。
具体的,工作数据包括板式换热器一二次侧温度、压力、流量、阀门开度、末端用户负荷、环境温度、环境湿度、操作记录。
具体的,控制模型的训练方法包括:
S21:对工作数据和PID参数剔除噪声数据及补充缺失数据信息,通过数据云技术对采集数据和操作记录进行接入、分析和预处理,例如去噪声、填充缺失值、数据标准化等,形成数据格式标准统一的数据集,将板换控制系统分成外部环境因素和内部系统因素两大类,然后分别把外部环境因素和内部系统因素分成温度、湿度、流量、用户负荷、压差等因子,再对数据集分类为训练集D和测试集;
S22:通过CART决策树算法不断的对训练集D进行分类,对训练集D分类后的子数据集再进行分类,子数据集分类完成后生成CART决策树;
S23:对决策树进行剪枝优化,直至得到最优模型参数;
S24:利用现有的PID寻优参数、专业人员历史操作记录和专业理论知识,对最优模型参数进行修正;
S25:使用测试集的数据对控制模型进行测试,评估模型的预测能力并调整最优模型参数。
具体的,利用现有的PID寻优参数、专业人员历史操作记录和专业理论知识,对最优模型参数进行修正的方法包括虚拟仿真、知识捕捉、模仿学习、积累决策库。
具体的,控制模型的训练方法还包括,
S26:在控制模型应用于板式换热器的运行后,通过不断收集板式换热器的采集数据对控制模型进行优化,以适应环境和末端用户负荷的变化;进一步收集板式换热器的工作数据,定时对控制模型进行参数更新,以提高PID参数的控制精确度。
具体的,CART决策树算法包括分类树算法与回归树算法,对于离散型变量,采用分类树算法,对于连续型变量,则采用回归树算法。
具体的,通过CART决策树算法不断的对数据集进行分类,对数据集分类后的子数据集再进行分类的方法包括,
S221:输入训练集D,设定基尼系数阈值、最少样本个数阈值,创建根节点,自根节点开始,使用训练集D建立CART决策树;
S222:对于当前节点的训练集D,如果训练集D的样本个数小于最少样本个数阈值或没有特征,则返回决策子树,当前节点停止递归;
S223:计算当前节点训练集D的基尼系数Gini(D),如果基尼系数Gini(D)小于基尼系数阈值,则返回决策树子树,当前节点停止递归;
S224:计算当前节点现有每个特征下各个属性值的基尼指数Gini(D);
S225:在计算出来的每个特征下各个属性值的基尼系数Gini(D)中,选择基尼系数Gini(D)最小的特征A及其对应的取值a作为最优特征和最优切分点;然后根据最优特征和最优切分点,将本节点的数据集划分成数据集D1和数据集D2,同时生成当前节点的左节点和右节点,左节点的数据集为数据集D1,右节点的数据集为数据集D2;
S226:对左节点和右节点递归调用步骤S221-S224,生成CART决策树。
CART算法由决策树生成以及决策树剪枝两部分组成。决策树的生成就是递归地构建二叉决策树的过程。对回归树用平方差最小化准则,对分类树用基尼指数最小化准则,进行特征选择,生成二叉树。如果目标变量是离散型变量则用分类树,如果目标变量是连续型变量则用回归树。
CART回归树在用于目标变量是连续型变量的情况下,假设X与Y分别为输入和输出变量,并且Y是连续型变量,给定数据即:
D={(x1,y1),(x2,y2)...(xn,yn)}
根据训练数据集D生成决策树。
CART分类树算法使用基尼系数选择特征,基尼系数代表了模型的不纯度,基尼系数越小,不纯度越低,特征越好。
假设有n个类,样本点属于第n类的概率为p(xi),则概率分布的基尼指数定义为:
Gini(D)反映了从数据集D中随机抽取两个样本,其类别标记不一致的概率。因此,Gini(D)越小,则数据集D的纯度越高。
对于训练数据集D,根据特征A是否取某一可能值a,把训练数据集D分成两部分数据集D1和数据集D2,通过CART分类树算法建立二叉树,计算公式如下:
D1=(x,y)∈D∣A(x)=a,D2=D-D1
在属性A的条件下,样本D的基尼系数定义为
对连续特征值,例如m个样本的连续特征A有m个值,从小到大排列为a1,a2,a3,…,am,则CART取相邻两样本值的平均数做划分点,共计有m-1个,其中第i个划分点Ti表示为:
然后分别计算以这m-1个点作为二元分类点时的基尼系数。选择基尼系数最小的点为该连续特征的二元离散分类点。比如取到的基尼系数最小的点为at,则小于at的值为类别1,大于at的值为类别2。
对于离散特征值,CART采用的是不停的二分离散特征,且一个特征会参与多次节点的建立,CART把特征A分成A1和A2,A3、A2,和A1,A3、A3和A1,A2三种情况,找到基尼系数最小的组合,比如A2和A1,A3,然后建立二叉树节点,一个节点是A2对应的样本,另一个节点是对A1,A3对应的样本。
当分类回归树划分得太细时,会对噪声数据产生过拟合,因此需要通过剪枝来解决,具体操作是通过降低时间T来让损失函数Cα(T)最小,具体函数如下:
具体的,对决策树进行剪枝优化的方法包括,
S231:输入为CART决策树T0,输出为最优CART决策树Ta,设k=0,α=+∞,令T=T0,k表示CART决策树的序号,α表示k取值的最大范围;
S232:对CART决策树的内部节点t计算C(Tt),|Tt|以及g(t),其中:
α=min(a,g(t))
Tt表示以t为根节点的子树,C(Tt)表示对训练数据的预测误差,|Tt|表示Tt的叶结点个数,g(t)表示剪枝后整体损失函数减少的程度,α表示剪枝后整体损失函数的减小程度;
S233:对g(t)=α的内部结点t进行剪枝,并对叶节点以多数表决法决定其类,得到决策树T;
S234:设k=k+1,αk=α,Tk=T,如果Tk不是由根节点及两个叶节点构成的树,则回到步骤S232;否则令Tk=Tn,n表示Tn的第n个内部节点;
S235:采用交叉验证法在子树序列{T0,T1,...,Tn}中选取最优子树Tα作为CART决策树存储;通过对CART决策树进行剪枝。
一种基于CART决策树的换热器系统,系统运用上述的基于CART决策树的换热器系统PID控制方法,系统包括,冷冻水管网1、主控模块、PID控制器2、电动调节阀3、板式换热器4,电动调节阀3串接在冷冻水管网1上,冷冻水管网1接入板式换热器4冷凝端,板式换热器4的换热端接入末端用户管网5,PID控制器2与电动调节阀3电性连接,主控模块中存储有控制模型,主控模块用于输入设定参数,将控制模型输出的PID参数下发至PID控制器2;当需要对板式换热器4进行调控时,通过输入设定参数至主控模块的控制模型,控制模型输出最优的PID参数至PID控制器2,通过比例、积分、微分三种调节作用来控制电动调节阀3的运行,进而调整系统的冷量分配,以达到对板式换热器4最优的控制效果。
具体的,还包括云数据库,冷冻水管网1上还设置有用于采集工作数据的温度传感器6和压力传感器7,温度传感器6和压力传感器7与主控模块通讯连接,主控模块用于上传工作数据至云数据库,云数据库用于提供训练控制模型的工作数据;通过云数据和人工智能技术,在不同环境条件和不同末端用户负荷工况下,采集板式换热器系统最优温度、压力、流量、阀门开度值,及其对应的PID控制参数,存储在板式换热器系统的云数据库内,并通过云数据库中存储的工作数据为基础建立CART决策树人工智能算法模型,结合暖通专业知识理论和专业技术人员历史操作记录,通过对模型的不断训练和深度学习,搭建人工智能智慧板式换热器系统,优化板式换热器系统PID控制参数,实现板式换热器系统最优控制策略。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象,而不必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,以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上借助具体实施例对本发明做了进一步描述,但是应该理解的是,这里具体的描述,不应理解为对本发明的实质和范围的限定,本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改,都属于本发明所保护的范围。
Claims (9)
1.一种基于CART决策树的换热器系统PID控制方法,其特征在于,所述PID控制方法包括:
S1:收集板式换热器系统的工作数据和PID参数;
S2:根据所述工作数据和板式换热器系统PID控制要求,构建基于CART决策树的控制模型;
S3:输入设定参数至所述控制模型,所述控制模型输出PID参数调整板式换热器控制策略。
2.根据权利要求1中所述的一种基于CART决策树的换热器系统PID控制方法,其特征在于,所述工作数据包括板式换热器一二次侧温度、压力、流量、阀门开度、末端用户负荷、环境温度、环境湿度、操作记录。
3.根据权利要求1中所述的一种基于CART决策树的换热器系统PID控制方法,其特征在于,所述控制模型的训练方法包括:
S21:对所述工作数据和PID参数剔除噪声数据及补充缺失数据信息,形成数据格式标准统一的数据集,对数据集分类为训练集D和测试集;
S22:通过CART决策树算法不断的对所述训练集D进行分类,对所述训练集D分类后的子数据集再进行分类,所述子数据集分类完成后生成CART决策树;
S23:对所述决策树进行剪枝优化,直至得到最优模型参数;
S24:利用现有的PID寻优参数、专业人员历史操作记录和专业理论知识,对所述最优模型参数进行修正;
S25:使用测试集的数据对所述控制模型进行测试,评估模型的预测能力并调整最优模型参数。
4.根据权利要求3中所述的一种基于CART决策树的换热器系统PID控制方法,其特征在于,所述利用现有的PID寻优参数、专业人员历史操作记录和专业理论知识,对所述最优模型参数进行修正的方法包括虚拟仿真、知识捕捉、模仿学习、积累决策库。
5.根据权利要求3中所述的一种基于CART决策树的换热器系统PID控制方法,其特征在于,所述控制模型的训练方法还包括,
S26:在所述控制模型应用于板式换热器的运行后,通过不断收集所述板式换热器的采集数据对控制模型进行优化,以适应环境和末端用户负荷的变化。
6.根据权利要求3中所述的一种基于CART决策树的换热器系统PID控制方法,其特征在于,所述CART决策树算法包括分类树算法与回归树算法,对于离散型变量,采用分类树算法,对于连续型变量,则采用回归树算法。
7.根据权利要求3中所述的一种基于CART决策树的换热器系统PID控制方法,其特征在于,所述通过CART决策树算法不断的对所述数据集进行分类,对所述数据集分类后的子数据集再进行分类的方法包括,
S221:输入训练集D,设定基尼系数阈值、最少样本个数阈值,创建根节点,自根节点开始,使用训练集D建立CART决策树;
S222:对于当前节点的训练集D,如果训练集D的样本个数小于最少样本个数阈值或没有特征,则返回决策子树,当前节点停止递归;
S223:计算当前节点训练集D的基尼系数Gini(D),如果基尼系数Gini(D)小于基尼系数阈值,则返回决策树子树,当前节点停止递归;
S224:计算当前节点现有每个特征下各个属性值的基尼指数Gini(D);
S225:在计算出来的每个特征下各个属性值的基尼系数Gini(D)中,选择基尼系数Gini(D)最小的特征A及其对应的取值a作为最优特征和最优切分点;然后根据最优特征和最优切分点,将本节点的数据集划分成数据集D1和数据集D2,同时生成当前节点的左节点和右节点,所述左节点的数据集为数据集D1,所述右节点的数据集为数据集D2;
S226:对左节点和右节点递归调用步骤S221-S224,生成CART决策树。
8.一种基于CART决策树的换热器系统,其特征在于,所述系统运用权利要求1-7中任一项所述的基于CART决策树的换热器系统PID控制方法,所述系统包括,冷冻水管网、主控模块、PID控制器、电动调节阀、板式换热器,所述电动调节阀串接在冷冻水管网上,所述冷冻水管网接入板式换热器冷凝端,所述板式换热器的换热端接入末端用户管网,所述PID控制器与电动调节阀电性连接,所述主控模块中存储有控制模型,所述主控模块用于输入设定参数,将所述控制模型输出的PID参数下发至PID控制器。
9.根据权利要求8中所述的一种基于CART决策树的换热器系统,其特征在于,还包括云数据库,所述冷冻水管网上还设置有用于采集所述工作数据的温度传感器和压力传感器,所述温度传感器和压力传感器与主控模块通讯连接,所述主控模块用于上传工作数据至云数据库,所述云数据库用于提供训练控制模型的工作数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573519.4A CN118049872A (zh) | 2023-11-23 | 2023-11-23 | 一种基于cart决策树的换热器系统及pid控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573519.4A CN118049872A (zh) | 2023-11-23 | 2023-11-23 | 一种基于cart决策树的换热器系统及pid控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118049872A true CN118049872A (zh) | 2024-05-17 |
Family
ID=91052886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311573519.4A Pending CN118049872A (zh) | 2023-11-23 | 2023-11-23 | 一种基于cart决策树的换热器系统及pid控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118049872A (zh) |
-
2023
- 2023-11-23 CN CN202311573519.4A patent/CN118049872A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110410942B (zh) | 一种冷热源机房节能优化控制方法及系统 | |
CN107591811B (zh) | 配电网无功优化方法及装置 | |
CN112628956B (zh) | 基于边云协同框架的冷水机组负荷预测控制方法和系统 | |
CN114383299A (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
CN112855513A (zh) | 基于遗传算法的空压机集群控制系统能耗优化方法及系统和装置 | |
CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN114963414A (zh) | 基于ai数据分析的空调系统智能调控装置 | |
CN113446713A (zh) | 基于数字孪生的数据智能优控及节能方法及系统 | |
CN118049872A (zh) | 一种基于cart决策树的换热器系统及pid控制方法 | |
CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
CN116227704A (zh) | 基于边缘计算和云计算的供热能耗诊断及节能调控方法 | |
CN116499023A (zh) | 一种地热耦合太阳能供热站智能控制方法及系统 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
CN114688692B (zh) | 负荷预测方法、系统及装置 | |
CN115186888A (zh) | 一种基于双碳目标的节能降耗方法 | |
CN114936529A (zh) | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 | |
CN111913395B (zh) | 智能建筑节能控制方法及系统 | |
CN114548445A (zh) | 一种基于实时反馈的建筑运维管理系统 | |
CN113959071A (zh) | 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN114543273B (zh) | 一种集中空调供冷系统自适应深度学习优化节能控制算法 | |
CN112257779A (zh) | 一种中央空调自学习工况参数获取方法 | |
CN117250873B (zh) | 一种数据中心液冷系统参数优化方法 | |
Lin et al. | Optimizing for Large Time Delay Systems by BP Neural Network and Evolutionary Algorithm Improving. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |