CN107247407B - 一种基于云架构的大数据自我学习修正控制***及方法 - Google Patents
一种基于云架构的大数据自我学习修正控制***及方法 Download PDFInfo
- Publication number
- CN107247407B CN107247407B CN201710561265.2A CN201710561265A CN107247407B CN 107247407 B CN107247407 B CN 107247407B CN 201710561265 A CN201710561265 A CN 201710561265A CN 107247407 B CN107247407 B CN 107247407B
- Authority
- CN
- China
- Prior art keywords
- temperature
- control
- heat supply
- room
- control 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种基于云架构的大数据自我学***台***、供热末端控制***和服务器；供热云平台***集成有大数据分析***，供热云平台***执行：对供热末端控制***所控的若干个房间分别进行房间属性统计；针对选定房间的供水温度、室外温度进行周期性统计；在各个供水温度和室外温度条件下，根据供热末端控制***控制方式的影响因素对供热末端控制***的控制方式进行学习修正；供热末端控制***执行：根据房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正的控制方式对房间温度进行调节控制。实现了不同房型、不同围护结构、不同供水温度及室外温度条件下的自适应控制，以实现室温的有效控制，达到节能效果。
Description
技术领域
本发明涉及一种基于云架构的大数据自我学***台大数据分析应用、供暖末端控制技术等领域，为供暖末端房间温度的有效、节能控制提供了新思路、新方法。
背景技术
目前，供暖***末端室温控制成果中，大部分是采用室温反馈进行不同方式的控制，该控制方法都大同小异，均采用了PID控制算法思想，即根据***的误差，利用比例、积分、微分计算出控制量进行控制，控制效果不理想。同时，也有一些新颖的控制方法，比如有基于模糊神经网络的控制方法，即把神经网络的学习与计算功能融入模糊***来实时调整控制器中可调参数，使之适应房间温度变化并跟踪温度设定值；有通过反映供热环境的变化以及由先前加热所获取的数据的变化到控制中，使温度控制***自身能够与供热环境(热源的发热量、负载的大小、设定温度与室温之间的温差)相适应的控制方法等。
主要相关成果有：(1)水供暖***控制室温的方法和装置(专利号：CN90100353.0)，该发明公开了一种用于水供暖***的控制室温的方法和装置，涉及水供暖技术领域。方法的特征是：用室内温度直接自动控制散热器流量，克服目前楼层及阴阳面之间、区域之间温度相差较大的缺点，实现恒温和节能。装置的特征是：由室温控制和驱动工作，无需其它动力，无特殊工艺和材料，成本低，调整容易，控制散热器的热水流量，最终控制室内温度。本发明可广泛用于水暖***类似的领域。(2)房间温度控制方法(专利号：CN201210195290.0)，该发明公开了房间温度控制方法，主要包括空房模式下的控制方法，进一步，还包括迎宾模式下的控制方式，以人员再次入住后，在设定的时间内获得舒适温度为控制目标，既能兼顾人员刚刚入住时的舒适度及满意度又能实现空房模式下的科学控制室温满足空调***的节能要求，该发明无需室外安装传感器，仅需采集空房模式下的空气温度及平均辐射温度即可监测房间空气得的得热情况及预测开机后室温降至舒适温度的时间，该方法尤其适用于星级酒店客房空房模式下的室温控制，亦可应用于其他居住建筑提前开关机时的空调预测控制。(3)基于模糊神经网络的室温控制算法(专利号：CN201410326973.4)，该发明公开了一种基于模糊神经网络的室温控制算法，设计一个双输入单输出的模糊神经网络控制器，通过实时检测房间温度跟踪输出与温度设定值，结合在线学习机制实时调整控制器中可调参数，使之适应房间温度变化并跟踪温度设定值。该发明把神经网络的学习与计算功能融入模糊***，将模糊***类人的IF-Then规则嵌入神经网络，在保持模糊控制***较强的知识表达能力的同时又提高其自适应能力，并具有自学习能力。
总体来说，以上的这些控制方法对供暖***末端房间室温的控制有一定的指导意义及应用价值，但仍然存在一些不足，主要表现在供热***的实际使用过程中，由于受楼栋房型、房间围护结构、供水温度及室外温度等复杂因素影响，对于现有的离线计算模型控制方法往往存在一定的局限性，不具备适用性。
发明内容
本申请提供一种基于云架构的大数据自我学习修正控制***及方法
根据第一方面，一种实施例中提供一种基于云架构的大数据自我学***台***、供热末端控制***和服务器；
服务器分别与所述供热云平台***和供热末端控制***网络连接，供热云平台***与供热末端控制***网络连接；
供热云平台***集成有大数据分析***，供热云平台***通过大数据分析***执行：
对供热末端控制***所控的若干个房间分别进行房间属性统计；
针对选定房间的供水温度、室外温度进行周期性统计；
在各个供水温度和室外温度条件下，根据供热末端控制***控制方式的影响因素对供热末端控制***的控制方式进行学习修正；
供热末端控制***执行：
根据房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正控制方式对所述房间属性对应的房间温度进行调节控制；
服务器存储房间属性、供水温度、室外温度及供热末端控制***的控制过程数据、控制方式和控制效果。
一种实施例中，房间属性包括围护结构、房型结构和纬度。
一种实施例中，供热云平台***还执行：
将所述房间属性的统计形成房间属性参数统计表；
将所述供水温度、室外温度的统计形成温度统计表；
将所述控制方式的学习修正结果形成学习修正统计表。
一种实施例中，学习修改统计表至少包括控制方式的影响因素、控制处理方式、控制效果、是否修正及相应的修正系数。
一种实施例中，还包括显示器，显示器与服务器网络连接。
根据第二方面，一种实施例中提供一种基于云架构的大数据自我学习修正控制方法，包括步骤：
对供热末端控制***所控的若干个房间分别进行房间属性统计；
针对选定房间的供水温度、室外温度进行周期性统计；
在各个供水温度和室外温度条件下，根据供热末端控制***控制方式的影响因素对供热末端控制***的控制方式进行学习修正；
根据房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正控制方式对房间属性对应的房间温度进行调节控制。
一种实施例中，房间属性包括围护结构、房型结构和纬度。
一种实施例中，针对选定房间的供水温度、室外温度进行周期性统计的过程中，还包括对室温合格率进行统计的步骤。
一种实施例中，根据房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正控制方式，具体为：
根据房间属性、供水温度、室外温度及控制方式的影响因素搜索与控制方式对应条件的修正控制方式和修正系数；
将搜索的修正控制方式和修正系数发送至供热末端控制***的下位机控制器。
依据上述实施例的自修正***，通过大数据分析***对不同房型结构、不同围护结构、不同供水温度、不同室外温度下的供热末端控制方式进行学习修正，待后续应用时，根据房间属性、供水温度、室外温度和控制方式的影响因素即可自动搜索相应控制方式下的修正方案，以修改控制策略，实现了对不同房型、不同围护结构、不同供水温度及室外温度条件下的自适应控制，以实现室温的有效控制，且达到节能效果。
附图说明
图1为自修正***原理图；
图2为实施例三中的电热执行器工作示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
集中供热***是我国冬季采暖主要的供热形式，截至2005年底，我国己经发展集中供热面积近20亿平方米，并且每年都在不断的增加。而集中供热***是以保证末端用户室温作为最终目标，然而现有的末端室温控制方法、***中，基本上是采用离线的计算模型进行相应的控制，这种控制方法往往受到房型结构、围护结构、供水温度、室外温度等影响，使得控制效果不佳，出现忽冷忽热、舒适性差，能耗高等问题，即在实际使用过程中存在一定局限性，不具备适用性。
因此，为了解决供热***中存在着不同房型结构、不同围护结构、不同供水温度、不同室外温度等的影响，在供热云平台下，提出了一种集中供热中供热末端控制的自修正***及方法，即利用大数据动态评价及分析技术对供热末端的各种控制方式进行在线学习修正，实现对外界环境、不同房型及维护结构等的自适应性，达到室温有效的控制。本发明具备两个显著的特征：其一是大数据分析学习，通过大量的学习修正历史经验或模型控制调节方式，记录积累学习，后续对学习进行应用；其二是云应用，大数据分析学习方法基于云架构上，实现了不同地域、不同经纬度等各种条件下的学习及应用。
实施例一：
本例的集中供热中供热末端控制的自修正***原理图如图1所示，包括供热云平台***1、供热末端控制***2和服务器3，服务器3分别与供热云平台***1和供热末端控制***2网络连接，供热云平台***1与供热末端控制***2网络连接。
其中，供热云平台***1集成有大数据分析***，供热云平台***1通过大数据分析***执行：对供热末端控制***所控的若干个房间分别进行房间属性统计，房间属性包括：围护结构、房型结构和纬度，并将房间属性的统计形成房间属性参数统计表存储于服务器3中，房间属性参数统计表如表1所示：
表1房间属性参数统计表
由于供热末端控制***控制多个房间，可以选择某栋楼某个房间进行大数据分析，具体的，供热云平台***1通过大数据分析***针对选定房间的供水温度、室外温度进行周期性统计，如以周为周期进行统计，并统计分析每个阶段的室温合格率，然后将供水温度、室外温度和室温合格率形成温度统计表，温度统计表也存储于服务器3中，温度统计表具体如表2所示：
表2供水温度、室外温度处理统计表
| 时间/周 | 供水温度/℃ | 室外温度/℃ | 室温合格率/℃ |
| Z1 | T12-T11 | t12-t11 | G1 |
| Z2 | T22-T21 | t22-t21 | G2 |
| Z3 | T32-T31 | t32-t31 | G3 |
| … | … | … | … |
在供水温度和室外温度条件下，供热云平台***1根据供热末端控制***2控制方式的影响因素通过大数据分析***对供热末端控制***2的控制方式进行学习修正，并将控制方式的学习修正结果形成学习修正统计表，学习修正统计表也被存储于服务器3，学习修正统计表至少包括控制方式的影响因素、控制处理方式、控制效果、是否修正及相应的修正系数，另外，各种不同条件属性下的各种修正控制方式形成知识库存储于服务器3中，知识库的建立，不仅可以向大数据自我学习提供更多的数据源，还可以根据某一查找条件在知识库中搜索到最佳的控制方式。
供热末端控制***2执行：根据房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正的控制方式对房间属性对应的房间温度进行调节控制；具体的，供热云平台***1根据房间属性、供水温度、室外温度及控制方式的影响因素在服务器3中的知识库中对供热末端控制***2的控制方式进行搜索，以获取与房间属性、供水温度、室外温度及影响因素类同的学***台***1将搜索到的类同的控制处理方式发送至供热末端控制***2，供热末端控制***2根据收到的控制处理方式对室内温度进行调节控制。
服务器3存储房间属性、供水温度、室外温度及供热末端控制***2的控制过程数据、控制方式和控制效果，为供热云平台***1的大数据分析学***台***1提供的学习修正的数据源越多，其修正效果将越来越好。
需要说明的是，供热末端控制***2的下位机控制器为底层硬件控制，主要存在两种类型，一种是时间维度控制阀门开关时间，阀门只有开关功能，典型代表为电热执行器，另一种是时间维度控制阀门开度大小，阀门具备不同开度功能，典型代表为暖气节能控制器，而且，供热末端控制***2通过各种控制策略调节控制供水管道上的阀门开度或开关实现室温的调节。供热云平台***1学***台***1根据大数据分析学习修正规则对供热末端控制***2下达修正指令，实现不同条件下室内的温度控制。
本例的自修正***还包括显示器，显示器与服务器3网络连接，主要用于显示、操作等。
基于上述的自修正***，本例还提供相应的自修正方法，包括步骤：
S1:对供热末端控制***所控的若干个房间分别进行房间属性统计；
S2:针对选定房间的供水温度、室外温度进行周期性统计，对室温合格率进行阶段性统计；
S3:在各个供水温度和室外温度条件下，根据供热末端控制***控制方式的影响因素对供热末端控制***的控制方式进行学习修正；
S4:根据房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正的控制方式对房间属性对应的房间温度进行调节控制。
其中，根据房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正的控制方式，具体为：根据房间属性、供水温度、室外温度及控制方式的影响因素搜索与控制方式对应条件的修正控制方式和修正系数；将搜索的修正控制方式和修正系数发送至供热末端控制***的下位机控制器。
实施例二：
基于实施例一，本例的供热末端控制***2为暖气节能控制器(HESC)、温控面板(TCP)及采用类二分法策略对房间温度调节控制，其中，暖气节能控制器具有不同阀门开度调节功能，温控面板是暖气节能控制器的控制件，温控面板与暖气节能控制器是组合产品，通过无线自组网实现时时通讯，不但具有室温设定、控制暖气节能控制器的功能，而且能监测室内温度，并将监测结果上传至外设的其他设备。
类二分法策略是：先利用温控面板采集的温度(Tn)计算当前室温变化率，再结合当前室温变化率预测下个周期的室温变化量，该值定义为假设变化量(∑t)，通过温控面板的当前温度加上室温变化量(假设变化量)得出下个控制点的温度值。然后，根据预期的下个控制点温度值所属温度控制区间进行相应的阀门开度控制；因此，暖气节能控制器类二分法策略的影响因素为室内温度、假设变化量(加权室温变化率)，并将其作为学习条件。
具体实施过程是：
首先，供热末端控制***2进行房间温度控制调节：暖气节能控制器根据类二分法策略对阀门开度进行控制，每小时检测一次室温、室温设定值、前一小时内室温变化速率，进行判定，对阀门开度进行调节。此过程中，温控面板主要负责温度采集监测，并通过无线自组网发送至暖气节能控制器，以及人为的温度目标值的设定等。然后，将控制过程数据、控制方式、控制效果等信息通过网络传送至服务器3，供热云平台***1根据大数据分析学***台***1把大数据分析学习得出了相应的修正系数下达至相应的暖气节能控制器进行修正控制，实现了对不同房型、不同围护结构、不同供水温度及室外温度等条件下的自适应性，达到室温的有效控制。
具体的大数据分析学***均温度再加正负4℃；3)针对每周供水温度、室外温度条件下，统计相应的室内温度、假设变化量(加权室温变化率)、实际室温变化量(概率最大)、控制方式、控制效果、是否修正及相应的修正系数(α)；其中，Tn表示室内温度，∑t表示假设变化量(加权室温变化率)，ΔT表示出现概率最大的实际室温变化量。而处理方式统计根据实际情况分为四种：其一不改变阀门开度，控制效果理想，不需要修正，即修正系数赋予0；其二不改变阀门开度，控制效果不理想，需要修正，对应修正系数为ΔT-∑t；其三改变阀门开度，控制效果理想，不需要修正，即修正系数赋予0；其四改变阀门开度，控制效果不理想，需要修正，对应修正系数赋予L，L表示特殊的修正情况，修正处理方法可连续进行2次阀门动作或把对应时间的控制周期均分为2，加大控制频率，具体详细的数据统计分析学习表见表3；4)在大量学习后，得出不同围护结构、不同房型结构、不同供水温度及不同室外温度条件下的修正控制方式，待后控制过程，自动搜索对应条件下的最佳控制处理方式，进而实现控制策略的修正。
表3数据统计分析学习
实施例三：
基于实施例一，本例的供热末端控制***2以常规电热执行器(EA)配合时间维度控制阀门开关时间对房间温度调节控制。
采用电热执行器进行室温控制方式为简单的间歇控制，即当室内温度低于设定值，则开启阀门；当室内温度高于设定值，则关闭阀门。显然可见的是这种控制方式效果不理想，易出现忽冷忽热现象，严重影响供暖的舒适性，且浪费能源。分析其控制效果不理想的主要原因是供热的热惰性引起，而为了解决该问题，可以采用提前控制，设定一个标准室温，允许波动正负1℃，使得室温控制在一定合理范围内。而该方法的一个难题就是提前控制时间的确定，由于供热影响因素复杂多变，采用理论分析的方法直接计算出时间是不现实的，有学者也提出了超调量来进行预期控制，但过程复杂、实用性不强。通过实施例一提供的自修正方法就能较好的得出不同环境下的提前控制时间，较好的解决该问题，实施例一的自修正方法应用在本例的自修正过程如下。
1)供热末端控制***2所控的若干个房间分别进行房间属性(即围护结构、房型结构、纬度)统计，并存于服务器3。
2)针对选定房间的供水温度、室外温度进行周期性统计，对室温合格率进行阶段性统计，如，以周为周期，统计分析每个阶段的室温合格率。
3)在供水温度和室外温度条件下，根据供热末端控制***2控制方式的影响因素对供热末端控制***的控制方式进行学习修正，具体详细的数据统计分析学习表如表4所示；
表4数据统计分析学习
其中，本例的供热末端控制***2采用的是电热执行器，而电热执行器为间歇控制应用，对其进行学习修正时，这里提出超调量▽T概念，即启停阀门后室温升高或降低的最大值与启停时刻温度之差。如图2所示，可以得知，要使得温度控制在温度上下限以内，必须在室温为T＝T限-▽T或T＝T限+▽T时刻进行控制。也就是说要确定提前控制时间等价于要确定超调量▽T。因此，需要学习不同影响因素条件下的超调量情况，以启或停控制时刻温度Tn，以控制后温度继续升高或降低至最高值时刻温度为Tm，即得出超调量▽T＝Tm-Tn；考虑到超调量还受室内温度、加权室温变化率(定义类同实施例二)影响，因而电热执行器的影响因素为：加权室温变化率，并将其设为学习条件；需要说明的是，室内温度为实时记录值，为防止室内温度超出设定温度上限，因此，也可以将室内温度作为电热执行器的影响因素。
4)根据房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正的控制方式对房间温度进行调节控制。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换，以及应用于其他领域。
Claims (7)
1.一种基于云架构的大数据自我学***台***、供热末端控制***和服务器；
所述服务器分别与所述供热云平台***和供热末端控制***网络连接，所述供热云平台***与所述供热末端控制***网络连接；
所述供热云平台***集成有大数据分析***，所述供热云平台***通过所述大数据分析***执行：
对所述供热末端控制***所控的若干个房间分别进行房间属性统计；
针对选定房间的供水温度、室外温度进行周期性统计；
在各个所述供水温度和室外温度条件下，根据所述供热末端控制***控制方式的影响因素对所述供热末端控制***的控制方式进行学习修正；
所述供热末端控制***执行：
根据所述房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正的控制方式对房间温度进行调节控制，其中，所述房间属性包括围护结构、房型结构和纬度；
所述供热末端控制***为暖气节能控制器和温控面板，并采用类二分类策略对房间温度进行调节控制，具体的，利用所述温控面板采集的温度计算当前室温变化率，再结合当前室温变化率预测下个周期的室温变化量，通过温控面板的当前温度加上室温变化量得到下个控制点的温度值，根据所述下个控制点的温度值所属温度控制区间进行相应的阀门开度控制；
或，所述供热末端控制***为电热执行器，并配合时间维度控制阀门开关时间对房间温度进行调节控制，其中，所述电热执行器的影响因素包括：超调量、加权室温变化率、室内温度；
所述服务器存储所述房间属性、供水温度、室外温度及所述供热末端控制***的控制过程数据、控制方式和控制效果。
2.如权利要求1所述的大数据自我学***台***还执行：
将所述房间属性的统计形成房间属性参数统计表；
将所述供水温度、室外温度的统计形成温度统计表；
将所述控制方式的学习修正结果形成学习修正统计表。
3.如权利要求2所述的大数据自我学习修正控制***，其特征在于，所述学习修改统计表至少包括控制方式的影响因素、控制处理方式、控制效果、是否修正及相应的修正系数。
4.如权利要求1所述的大数据自我学习修正控制***，其特征在于，还包括显示器，所述显示器与所述服务器网络连接。
5.一种基于云架构的大数据自我学习修正控制方法，其特征在于，包括步骤：
对供热末端控制***所控的若干个房间分别进行房间属性统计，所述房间属性包括围护结构、房型结构和纬度；
针对选定房间的供水温度、室外温度进行周期性统计；
在各个所述供水温度和室外温度条件下，根据所述供热末端控制***控制方式的影响因素对所述供热末端控制***的控制方式进行学习修正；
根据所述房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正的控制方式对房间温度进行调节控制，其中：
所述供热末端控制***为暖气节能控制器和温控面板，并采用类二分类策略对房间温度进行调节控制，具体的，利用所述温控面板采集的温度计算当前室温变化率，再结合当前室温变化率预测下个周期的室温变化量，通过温控面板的当前温度加上室温变化量得到下个控制点的温度值，根据所述下个控制点的温度值所属温度控制区间进行相应的阀门开度控制；
或，所述供热末端控制***为电热执行器，并配合时间维度控制阀门开关时间对房间温度进行调节控制，其中，所述电热执行器的影响因素包括：超调量、加权室温变化率、室内温度。
6.如权利要求5所述的大数据自我学习修正控制方法，其特征在于，所述针对选定房间的供水温度、室外温度进行周期性统计的过程中，还包括对室温合格率进行统计的步骤。
7.如权利要求5所述的大数据自我学习修正控制方法，其特征在于，根据所述房间属性、供水温度、室外温度及控制方式的影响因素选择对应条件下的修正的控制方式，具体为：
根据所述房间属性、供水温度、室外温度及控制方式的影响因素搜索与控制方式对应条件的修正控制方式和修正系数；
将搜索的修正控制方式和修正系数发送至供热末端控制***的下位机控制器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710561265.2A CN107247407B (zh) | 2017-07-11 | 2017-07-11 | 一种基于云架构的大数据自我学习修正控制***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710561265.2A CN107247407B (zh) | 2017-07-11 | 2017-07-11 | 一种基于云架构的大数据自我学习修正控制***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107247407A CN107247407A (zh) | 2017-10-13 |
| CN107247407B true CN107247407B (zh) | 2020-11-10 |
Family
ID=60013951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710561265.2A Active CN107247407B (zh) | 2017-07-11 | 2017-07-11 | 一种基于云架构的大数据自我学习修正控制***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107247407B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111023253B (zh) * | 2019-12-23 | 2021-09-07 | 江苏舒适云信息技术有限公司 | 一种户用采暖***智能温控阀超调量的预期控制方法 |
| CN111023255B (zh) * | 2019-12-23 | 2021-09-07 | 江苏舒适云信息技术有限公司 | 一种采暖智能温控阀超调量的预期控制方法 |
| CN111061223A (zh) * | 2019-12-30 | 2020-04-24 | 重庆大学 | 一种数控机床智能化管理方法 |
| CN113739383B (zh) * | 2021-08-31 | 2022-10-11 | 广州汇电云联互联网科技有限公司 | 一种基于热舒适度模型的冷机控制方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008100241A3 (en) * | 2005-06-30 | 2008-11-06 | Charles J Sloup | Real-time global optimization of building setpoints and sequence of operation |
| EP2790081A1 (en) * | 2013-02-26 | 2014-10-15 | Honeywell International Inc. | Security system with integrated HVAC control |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090013703A1 (en) * | 2007-07-09 | 2009-01-15 | Werner Ronald F | Natural air enery saving temperature assist system for central air conditioning / heating system |
| CN103162346B (zh) * | 2013-03-27 | 2015-12-23 | 新奥能源服务(上海）有限公司 | 基于云服务的集中供暖监控***及集中供暖***调节方法 |
| CN104134100B (zh) * | 2014-07-22 | 2017-06-13 | 香港佳能通节能科技有限公司 | 一种基于云计算的节能管理*** |
| CN105357310A (zh) * | 2015-11-20 | 2016-02-24 | 中国石油天然气股份有限公司华北油田分公司 | 一种能源云平台及基于能源云平台的数据交互方法 |
| CN105509142B (zh) * | 2016-01-20 | 2018-11-09 | 上海千贯节能科技有限公司 | 一种基于云端控制的智能电采暖***及其工作方法 |
| CN205717516U (zh) * | 2016-05-04 | 2016-11-23 | 哈尔滨师范大学 | 一种基于物联网与云平台的大学教室智能供暖装置 |
-
2017
- 2017-07-11 CN CN201710561265.2A patent/CN107247407B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008100241A3 (en) * | 2005-06-30 | 2008-11-06 | Charles J Sloup | Real-time global optimization of building setpoints and sequence of operation |
| EP2790081A1 (en) * | 2013-02-26 | 2014-10-15 | Honeywell International Inc. | Security system with integrated HVAC control |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107247407A (zh) | 2017-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107247407B (zh) | 一种基于云架构的大数据自我学习修正控制***及方法 | |
| EP3483517B1 (en) | System and method for predicting load of and controlling subway heating, ventilation, and air conditioning system | |
| Afram et al. | Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system | |
| CN107726442B (zh) | 一种热网平衡调控方法 | |
| CN113108432B (zh) | 一种基于天气预报的空调***调节方法和*** | |
| CN103162346B (zh) | 基于云服务的集中供暖监控***及集中供暖***调节方法 | |
| Jin et al. | A data-driven model predictive control for lighting system based on historical occupancy in an office building: Methodology development | |
| CN111580382B (zh) | 基于人工智能的单元级供热调节方法及*** | |
| CN109948824A (zh) | 一种利用模式识别技术对热力站热负荷进行预测的方法 | |
| Zhuang et al. | A new simplified modeling method for model predictive control in a medium-sized commercial building: A case study | |
| Hagras et al. | An intelligent agent based approach for energy management in commercial buildings | |
| CN106468467B (zh) | 一种应用于嵌入式控制***的空调冷负荷实时预测算法 | |
| CN110738380A (zh) | 热负荷控制方法、装置及*** | |
| CN114923265B (zh) | 一种基于物联网的中央空调节能控制*** | |
| CN114165825A (zh) | 一种换热站供热调控***及方法 | |
| CN114484556B (zh) | 一种基于目标能耗管控的供水温度调控方法 | |
| Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
| Michailidis et al. | Automated control calibration exploiting exogenous environment energy: An Israeli commercial building case study | |
| Zhao et al. | An optimal control method for discrete variable outdoor air volume setpoint determination in variable air volume systems | |
| CN117450642A (zh) | 一种基于模糊pid的温湿度自适应空调调节***及方法 | |
| CN105955049B (zh) | 一种智能家居控制方法、装置及智能家居 | |
| CN107192098A (zh) | 医院通风调控方法及调控*** | |
| Song et al. | Model predictive control applied toward the building indoor climate | |
| CN115935604A (zh) | 一种换流站暖通***节能控制方法及终端 | |
| CN112484255B (zh) | 一种节能型暖通空调***及楼宇自控方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 1601, area a, building 1, No. 57, jianger Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: ZHEJIANG EXCENERGY TECHNOLOGY Co.,Ltd. Applicant after: ZHEJIANG University Address before: 310052 floor 14, building 1, 307 Liuhe Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: ZHEJIANG EXCENERGY ENERGY-SAVING TECHNOLOGY Co.,Ltd. Applicant before: ZHEJIANG University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |