CN109798646A - 一种基于大数据平台的变风量空调控制***和方法 - Google Patents
一种基于大数据平台的变风量空调控制***和方法 Download PDFInfo
- Publication number
- CN109798646A CN109798646A CN201910095274.6A CN201910095274A CN109798646A CN 109798646 A CN109798646 A CN 109798646A CN 201910095274 A CN201910095274 A CN 201910095274A CN 109798646 A CN109798646 A CN 109798646A
- Authority
- CN
- China
- Prior art keywords
- control
- data platform
- data
- communication interface
- actuator
- 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.)
- Granted
Links
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于大数据平台的变风量空调控制***和方法,涉及空调控制技术领域。所述控制***包含控制主机、执行器、传感器和服务器数据平台。所述控制主机透传所述执行器和所述传感器的运行状态数据给所述服务器数据平台;所述服务器数据平台集合多个所述控制主机的数据,运行神经网络智能学习程序整定非线性预测模型的参数,并回传至所述控制主机。控制主机装载所述非线性模型参数,依照控制模式,基于非线性预测模型,执行控制程序使用优化算法求解优化函数,计算执行器优化值,完成对空调温度的控制。本发明容易在实际工程中实施,能同时满足舒适性空调***和有很高精度控制要求的工业级空调***的控制需求。
Description
技术领域
本发明涉及空调控制技术领域,尤其涉及一种基于大数据平台的变风量空调控制***和方法。
背景技术
集中空调***是建筑设备中的一个重要部分,随着城市现代化的发展,建筑能耗也大幅度增加。因此,集中空调***的优化节能控制是一种必然趋势。由于当前集中空调***的设计理念的缺陷,我国大部分建筑空调***的设计容量均明显超过建筑的实际负荷需求,为了减少这部分的能源浪费,集中空调***的优化节能运行控制是非常有必要的。
现有技术中一种具有远程操作功能的VAV控制***,控制模块连接有通讯模块且与客户控制端连接。但这种技术只是在维修和调试时能体现优势,对于实际的控制方法并没有改进。
另外一个现有技术,公开了一种VAV变风量***中变静压与总风量双重控制的策略,该发明将变静压的显著节能与总风量的先进直观相结合,通过变静压法来不断修正总风量法的设计转速,使其获得更好的节能效果。但这种优化节能控制装置仍然属于反馈闭环控制。由于建筑***都具有很强的热惯性,在大扰量情况下,这种简单的反馈***很容易出现不稳定、超调、滞后等问题。
现有的一种基于神经网络的VAV变风量空调***预测控制方法,主要建立了各个模块的神经网络预测模型,包括:空调区域温度预测模型、末端风阀预测模型、空调机组主风道管道静压预测模型、主风道风量预测模型、送风温度预测模型、新风风阀预测模型及空气质量预测模型结构。在训练的过程中,为了获得训练数据,需要布置很多传感器,这势必大大增加了***的建造和运行成本。在这些模型的基础上,利用优化算法,分别计算出这些模型所对应的优化控制变量,这是典型的多个单目标优化,导致多个优化器同时在线运行,计算量超大,而且,在大扰量情况下,任何一环的计算误差都将会影响到其他优化器的运行,因此,很难在实际工程中实施。
现有的控制方法主要是用于舒适性空调***,对于工业级空调,有很高的精度控制要求,这就需要更先进的***控制方法。
因此,本领域的技术人员致力于开发一种基于大数据平台的变风量空调控制***和方法,该控制***的控制主机内置基于NARX(Dynamic neural network time seriesprediction)神经网络预测模型的室内温度预测优化控制程序,NARX神经网络预测模型通过服务器大数据平台训练得到。该控制***不仅能满足舒适性空调***的控制需求,也能满足有很高的精度控制要求的工业级空调的控制需求的先进控制***。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何设计一种容易在实际工程中实施,不仅能满足舒适性空调***的需要,也能满足有很高的精度控制要求的工业级空调的控制需求的先进控制***和方法。
为实现上述目的,本发明提供了一种基于大数据平台的变风量空调控制***。
所述控制***包含控制主机、执行器、传感器和服务器数据平台,依据控制模式调节温度;
所述控制主机包含CPU运算器、存储器、I/O数据接口、RS485通讯接口、4G通讯接口、WAN通讯接口和电源;所述存储器保存有基于非线性预测模型的室内温度预测优化控制程序,所述控制程序使用优化算法求解优化函数,用于计算所述执行器的优化值;
所述服务器数据平台安装有基于大数据的神经网络智能学习程序,用于整定所述非线性预测模型的参数;
所述控制主机和所述执行器通过所述I/O数据接口或者所述RS485通讯接口连接;
所述控制主机和所述传感器通过所述I/O数据接口连接;
所述控制主机通过所述4G通讯接口以无线网络的方式和所述服务器数据平台相连,或者通过所述WAN通讯接口以有线网络的方式和所述服务器数据平台相连;
所述控制主机有透传功能,将所述执行器和所述传感器的运行状态数据通过所述4G通讯接口或所述WAN通讯接口传送至所述服务器数据平台。
进一步地,所述非线性预测模型是NARX神经网络预测模型;所述NARX神经网络预测模型的参数包含输入向量权系数和神经元偏置系数;所述优化算法为粒子群算法、遗传算法、差分进化算法、免疫算法、蚁群算法、模拟退火算法、禁忌搜索算法和随机搜索算法中的一种;
所述优化函数是:
F3=ffan(k) (4)
yr(k+i)=αiy(k)+(1-αi)S,i=1,...,P (5)
式(1)至式(5)中,n是房间号,y(k)是实际***输出,即房间回风温度(摄氏度);是房间回风温度预测值(摄氏度);yr(k+i)是参考轨迹;D是阀门开度,D∈[0,100];(百分制);ffan是风机频率,ffan∈[fmin,fmax],(Hz);P为预测步数;w1,w2和w3是权值系数;式5给出了参考轨迹,其中,S是房间温度设定值,α是柔化系数(0<α<1)。
进一步地,所述执行器包括集成在VAV box内的电动风阀执行器和风机变频控制器,所述传感器包括多个温度传感器;
所述电动风阀执行器通过所述I/O数据接口与所述控制主机连接;
所述风机变频控制器通过所述RS485通讯接口与所述控制主机连接;
所述温度传感器通过所述I/O数据接口与所述控制主机连接;
一个所述温度传感器设置于送风口,其余所述温度传感器置于各房间区域。
进一步地,所述控制***提供两种预测控制模式,分别是高精度控制模式和节能控制模式。
进一步地,所述I/O数据接口支持的电流范围是4mA到20mA,支持的电压范围包括0V到10V,以及0V到5V。
进一步地,所述RS485接口支持modbusRTU、modbusASCII和PPI串口协议。
进一步地,所述服务器数据平台接受一个或者多个所述控制主机的数据,完成大数据平台的部署。
本发明还提供了一种基于大数据平台的变风量空调控制方法,应用于所述基于大数据平台的变风量空调控制***,包括以下步骤:
步骤一、确定所述控制主机中的所述优化函数的权值,设置所述控制模式;
步骤二、所述控制主机通过所述I/O数据接口或所述RS485通讯接口获得所述执行器数据,通过所述I/O数据接口读取所述传感器数据;
步骤三、所述控制主机将所述执行器数据和所述传感器数据,通过所述4G通讯接口或所述WAN通讯接口传输至所述服务器数据平台中;
步骤四、在所述服务器数据平台上,利用所述主机上传的所述传感器数据和所述执行器数据,运行所述基于大数据的神经网络智能学习程序,对所述非线性预测模型进行训练,获得训练好的所述非线性预测模型的参数;
步骤五、从所述服务器数据平台向所述控制主机回传训练好的所述非线性预测模型的参数;
步骤六、所述控制主机利用训练好的所述非线性预测模型的参数完成所述非线性预测模型的配置,然后基于所述非线性预测模型,使用所述优化算法求解所述优化函数,计算得到下一时刻所述执行器的优化值;
步骤七,所述控制主机通过所述RS-485通讯接口和所述I/O数据接口,调整所述执行器的动作,完成下一时刻的优化控制。
进一步地,每隔一个模型训练周期重复所述步骤二至步骤五;每隔一个控制周期重复步骤六和步骤七。
进一步地,所述模型训练周期至少是1个月;所述控制周期是5分钟到20分钟。
在本发明的较佳实施方式中,提出了一种基于大数据平台的变风量空调控制***和方法,该控制***的控制主机内置基于NARX(Dynamic neural network time seriesprediction)神经网络预测模型的室内温度预测优化控制程序,NARX神经网络预测模型通过服务器大数据平台训练得到。控制***能根据实际情况需要提供两种预测控制模式,即以温度控制精度为目标的高精度控制模式和以能耗最小为目标的节能控制模式。应用所述控制方法于所述控制***上,就可以依据预测控制模式实现温度的控制。
与现有技术方案相比,本发明的有益技术效果在于:利用本发明的基于大数据平台的变风量空调控制***和方法,可方便实现变风量空调***的云端大数据平台部署,为建立高精度NARX神经网络预测模型奠定了大数据基础。另外,本发明的基于大数据平台的变风量空调控制***,可根据优化目标实现变风量空调***高精度室内温度控制和优化节能控制,适用于舒适性变风量空调***和工业用变风量空调***的优化控制。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明装置实施例的结构示意图。
其中,1-控制主机,2-CPU运算器,3-存储器,4-I/O数据端口,5-RS485通讯接口,6-4G通讯接口,7-WAN通讯接口,8-电源,9-服务器数据平台,10-电动风阀执行器,11-温度传感器,12-风机变频控制器。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
如图1所示,本发明装置实施例包括控制主机1,CPU运算器2,存储器3,I/O数据端口4,RS485通讯接口5,4G通讯接口6,WAN通讯接口7,电源8,服务器数据平台9,电动风阀执行器10,温度传感器11和风机变频控制器12。
其中,CPU运算器2,存储器3,I/O数据接口4,RS485通讯接口5,4G通讯接口6,WAN通讯接口7和电源8置于控制主机1中。若干电动风阀执行器10集成在VAV box内用于采集和控制各风阀开度,并和I/O数据端口4的输入、输出端相连。若干温度传感器11(1个温度传感器置于送风口用于测量送风温度,其他温度传感器置于各房间区域用于测量室内温度)和I/O数据端口4的输入端相连。风机变频控制器12和RS485接口5相连。4G通讯接口6通过无线网络和服务器数据平台9相连,WAN通讯接口7通过有线网络和服务器数据平台9相连。控制主机1中的I/O数据接口4支持4~20mA和0~10V/0~5V等物理信号,可接入各种传感器和执行器等设备,RS485接口5支持modbusRTU,modbusASCII,PPI等串口协议,WAN接口和4G接口分别通过有线和无线方式与服务器数据平台9进行通讯,从而实现设备层的运行状态数据透传至服务器数据平台9进行存储。存储器3内置一个基于NARX神经网络预测模型的室内温度预测优化控制程序。服务器数据平台9安装有基于大数据的神经网络智能学习程序,用于整定存储器3内的NARX神经网络预测模型的输入向量权系数和神经元的偏置系数。
电动风阀执行器10获得的VAV box风阀开度信号数据和温度传感器11获得的各温度信号数据通过I/O数据端口4的输入端传入控制主机1中,风机变频控制器12中的风机频率信号数据通过RS485接口5传入控制主机1中,这些信号数据均通过控制主机1的4G通讯接口6或WAN通讯接口7传输至服务器数据平台9中,当数据量达到一定要求后,服务器数据平台9中的神经网络智能学习程序根据获得的数据进行在线学习,整定NARX神经网络预测模型的输入向量权系数和神经元的偏置系数,然后将整定好的系数通过4G通讯接口6或WAN通讯接口7回传给存储器3中的NARX神经网络预测模型,存储器3中的基于NARX神经网络预测模型的室内温度预测优化控制程序开始启动工作,根据送风温度、回风温度、风机频率和各风阀开度的最近历史时刻值,利用优化算法(如粒子群算法PSO等)预测下一时刻风机频率和风阀开度的最优值。
本实施例中,在控制***设计时,优化函数由以下方程得到:
所述优化函数是:
F3=ffan(k) (4)
yr(k+i)=αiy(k)+(1-αi)S,i=1,...,P (5)
式(1)至式(5)中,n是房间号。y(k)是实际***输出,即房间回风温度(摄氏度);是房间回风温度预测值(摄氏度);yr(k+i)是参考轨迹;D是阀门开度,D∈[0,100];(百分制);ffan是风机频率,ffan∈[fmin,fmax],(Hz);P为预测步数;w1,w2和w3是权值系数;式5给出了参考轨迹,其中,S是房间温度设定值,α是柔化系数(0<α<1)。
本实施例的控制***能根据实际情况需要提供两种预测控制模式,即以温度控制精度为目标的高精度控制模式和以能耗最小为目标的节能控制模式。当w1=1,w2=0,w3=0时,控制***处于高精度优化控制模式,即以高精度的温度控制为优化目标;当w1=0.5,w2=0.25,w3=0.25时,控制***处于节能优化控制模式,即以***总能耗最小为优化目标。
本实施例利用如下控制方法进行控制,该控制方法包括以下步骤:
步骤一、确定所述控制主机中的所述优化函数的权值,设置所述控制模式;
步骤二、所述控制主机通过所述I/O数据接口或所述RS485通讯接口获得所述执行器数据,通过所述I/O数据接口读取所述传感器数据;
步骤三、所述控制主机将所述执行器数据和所述传感器数据,通过所述4G通讯接口或所述WAN通讯接口传输至所述服务器数据平台中;
步骤四、在所述服务器数据平台上,利用所述主机上传的所述传感器数据和所述执行器数据,运行所述基于大数据的神经网络智能学习程序,对所述非线性预测模型进行训练,获得训练好的所述非线性预测模型的参数;
步骤五、从所述服务器数据平台向所述控制主机回传训练好的所述非线性预测模型的参数;
步骤六、所述控制主机利用训练好的所述非线性预测模型的参数完成所述非线性预测模型的配置,然后基于所述非线性预测模型,使用所述优化算法求解所述优化函数,计算得到下一时刻所述执行器的优化值;
步骤七,所述控制主机通过所述RS-485通讯接口和所述I/O数据接口,调整所述执行器的动作,完成下一时刻的优化控制。
每隔一个模型训练周期(至少1个月)重复第二步和第三步,每隔一个控制周期(5-20分钟)重复第四步和第五步。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于大数据平台的变风量空调控制***,其特征在于,所述控制***包含控制主机、执行器、传感器和服务器数据平台,依据控制模式调节温度;
所述控制主机包含CPU运算器、存储器、I/O数据接口、RS485通讯接口、4G通讯接口、WAN通讯接口和电源;所述存储器保存有基于非线性预测模型的室内温度预测优化控制程序,所述控制程序使用优化算法求解优化函数,用于计算所述执行器的优化值;
所述服务器数据平台安装有基于大数据的神经网络智能学习程序,用于整定所述非线性预测模型的参数;
所述控制主机和所述执行器通过所述I/O数据接口或者所述RS485通讯接口连接;
所述控制主机和所述传感器通过所述I/O数据接口连接;
所述控制主机通过所述4G通讯接口以无线网络的方式和所述服务器数据平台相连,或者通过所述WAN通讯接口以有线网络的方式和所述服务器数据平台相连;
所述控制主机有透传功能,将所述执行器和所述传感器的运行状态数据通过所述4G通讯接口或所述WAN通讯接口传送至所述服务器数据平台。
2.如权利要求1所述的基于大数据平台的变风量空调控制***,其特征在于,
所述非线性预测模型是NARX神经网络预测模型;
所述NARX神经网络预测模型的参数包含输入向量权系数和神经元偏置系数;
所述优化算法为粒子群算法、遗传算法、差分进化算法、免疫算法、蚁群算法、模拟退火算法、禁忌搜索算法和随机搜索算法中的一种;
所述优化函数是:
F3=ffan(k) (4)
yr(k+i)=αiy(k)+(1-αi)S,i=1,...,P (5)
式(1)至式(5)中,n是房间号,y(k)是实际***输出,即房间回风温度(摄氏度);是房间回风温度预测值(摄氏度);yr(k+i)是参考轨迹;D是阀门开度,D∈[0,100];(百分制);ffan是风机频率,ffan∈[fmin,fmax],(Hz);P为预测步数;w1,w2和w3是权值系数;式5给出了参考轨迹,其中,S是房间温度设定值,α是柔化系数(0<α<1)。
3.如权利要求1或2所述的基于大数据平台的变风量空调控制***,其特征在于,所述执行器包括集成在VAV box内的电动风阀执行器和风机变频控制器,所述传感器包括多个温度传感器;
所述电动风阀执行器通过所述I/O数据接口与所述控制主机连接;
所述风机变频控制器通过所述RS485通讯接口与所述控制主机连接;
所述温度传感器通过所述I/O数据接口与所述控制主机连接;
一个所述温度传感器设置于送风口,其余所述温度传感器置于各房间区域。
4.如权利要求1或2所述的基于大数据平台的变风量空调控制***,其特征在于,所述控制***提供两种预测控制模式,分别是高精度控制模式和节能控制模式。
5.如权利要求1或2所述的基于大数据平台的变风量空调控制***,其特征在于,所述I/O数据接口支持的电流范围是4mA到20mA,支持的电压范围包括0V到10V,以及0V到5V。
6.如权利要求1或2所述的基于大数据平台的变风量空调控制***,其特征在于,所述RS485接口支持modbusRTU、modbusASCII和PPI串口协议。
7.如权利要求1或2所述的基于大数据平台的变风量空调控制***,其特征在于,所述服务器数据平台接受一个或者多个所述控制主机的数据,完成大数据平台的部署。
8.一种基于大数据平台的变风量空调控制方法,其特征在于,应用于如权利要求1或2所述的基于大数据平台的变风量空调控制***,包括以下步骤:
步骤一、确定所述控制主机中的所述优化函数的权值,设置所述控制模式;
步骤二、所述控制主机通过所述I/O数据接口或所述RS485通讯接口获得所述执行器数据,通过所述I/O数据接口读取所述传感器数据;
步骤三、所述控制主机将所述执行器数据和所述传感器数据,通过所述4G通讯接口或所述WAN通讯接口传输至所述服务器数据平台中;
步骤四、在所述服务器数据平台上,利用所述主机上传的所述传感器数据和所述执行器数据,运行所述基于大数据的神经网络智能学习程序,对所述非线性预测模型进行训练,获得训练好的所述非线性预测模型的参数;
步骤五、从所述服务器数据平台向所述控制主机回传训练好的所述非线性预测模型的参数;
步骤六、所述控制主机利用训练好的所述非线性预测模型的参数完成所述非线性预测模型的配置,然后基于所述非线性预测模型,使用所述优化算法求解所述优化函数,计算得到下一时刻所述执行器的优化值;
步骤七,所述控制主机通过所述RS-485通讯接口和所述I/O数据接口,调整所述执行器的动作,完成下一时刻的优化控制。
9.如权利要求8所述的基于大数据平台的变风量空调控制方法,其特征在于,每隔一个模型训练周期重复所述步骤二至步骤五;每隔一个控制周期重复步骤六和步骤七。
10.如权利要求9所述的基于大数据平台的变风量空调控制方法,其特征在于,所述模型训练周期至少是1个月;所述控制周期是5分钟到20分钟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910095274.6A CN109798646B (zh) | 2019-01-31 | 2019-01-31 | 一种基于大数据平台的变风量空调控制***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910095274.6A CN109798646B (zh) | 2019-01-31 | 2019-01-31 | 一种基于大数据平台的变风量空调控制***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109798646A true CN109798646A (zh) | 2019-05-24 |
CN109798646B CN109798646B (zh) | 2021-03-30 |
Family
ID=66559227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910095274.6A Active CN109798646B (zh) | 2019-01-31 | 2019-01-31 | 一种基于大数据平台的变风量空调控制***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109798646B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110220288A (zh) * | 2019-05-27 | 2019-09-10 | 上海真聂思楼宇科技有限公司 | 基于大数据云平台的集中空调***智能优化控制方法及装置 |
CN111365828A (zh) * | 2020-03-06 | 2020-07-03 | 上海外高桥万国数据科技发展有限公司 | 结合机器学习实现数据中心节能温控的模型预测控制方法 |
CN111536662A (zh) * | 2020-04-25 | 2020-08-14 | 南京酷朗电子有限公司 | 基于大数据分析的网络式新风***和调控方法 |
CN111561772A (zh) * | 2020-07-15 | 2020-08-21 | 上海有孚智数云创数字科技有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
CN113932351A (zh) * | 2021-11-05 | 2022-01-14 | 上海理工大学 | 一种基于人工智能算法的非均匀温度场实时调控***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353119A (zh) * | 2011-08-09 | 2012-02-15 | 北京建筑工程学院 | 一种vav变风量空调***控制方法 |
CN103234254A (zh) * | 2013-04-12 | 2013-08-07 | 惠州Tcl家电集团有限公司 | 基于服务器的空调性能参数优化的方法、空调及服务器 |
CN203147984U (zh) * | 2013-02-26 | 2013-08-21 | 上海华电源牌环境工程有限公司 | 一种水蓄冷节能控制*** |
US8996141B1 (en) * | 2010-08-26 | 2015-03-31 | Dunan Microstaq, Inc. | Adaptive predictive functional controller |
CN106777711A (zh) * | 2016-12-22 | 2017-05-31 | 石家庄国祥运输设备有限公司 | 建立车载变风量空调***风量预测模型的方法 |
CN108151253A (zh) * | 2017-12-21 | 2018-06-12 | 中国舰船研究设计中心 | 一种变风量空调送风温度自动补偿方法 |
-
2019
- 2019-01-31 CN CN201910095274.6A patent/CN109798646B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8996141B1 (en) * | 2010-08-26 | 2015-03-31 | Dunan Microstaq, Inc. | Adaptive predictive functional controller |
CN102353119A (zh) * | 2011-08-09 | 2012-02-15 | 北京建筑工程学院 | 一种vav变风量空调***控制方法 |
CN203147984U (zh) * | 2013-02-26 | 2013-08-21 | 上海华电源牌环境工程有限公司 | 一种水蓄冷节能控制*** |
CN103234254A (zh) * | 2013-04-12 | 2013-08-07 | 惠州Tcl家电集团有限公司 | 基于服务器的空调性能参数优化的方法、空调及服务器 |
CN106777711A (zh) * | 2016-12-22 | 2017-05-31 | 石家庄国祥运输设备有限公司 | 建立车载变风量空调***风量预测模型的方法 |
CN108151253A (zh) * | 2017-12-21 | 2018-06-12 | 中国舰船研究设计中心 | 一种变风量空调送风温度自动补偿方法 |
Non-Patent Citations (1)
Title |
---|
ARASH ERFANI等: "《Design and construction of a non-linear model predictive controller for building’s cooling system》", 《BUILDING AND ENVIRONMENT》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110220288A (zh) * | 2019-05-27 | 2019-09-10 | 上海真聂思楼宇科技有限公司 | 基于大数据云平台的集中空调***智能优化控制方法及装置 |
CN111365828A (zh) * | 2020-03-06 | 2020-07-03 | 上海外高桥万国数据科技发展有限公司 | 结合机器学习实现数据中心节能温控的模型预测控制方法 |
CN111536662A (zh) * | 2020-04-25 | 2020-08-14 | 南京酷朗电子有限公司 | 基于大数据分析的网络式新风***和调控方法 |
CN111561772A (zh) * | 2020-07-15 | 2020-08-21 | 上海有孚智数云创数字科技有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
CN111561772B (zh) * | 2020-07-15 | 2020-10-02 | 上海有孚智数云创数字科技有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
CN113932351A (zh) * | 2021-11-05 | 2022-01-14 | 上海理工大学 | 一种基于人工智能算法的非均匀温度场实时调控***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109798646B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109798646A (zh) | 一种基于大数据平台的变风量空调控制***和方法 | |
CN101861552B (zh) | 带有执行器饱和控制的极值搜索控制 | |
Clarke et al. | Simulation-assisted control in building energy management systems | |
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
CN104019526B (zh) | 改进pso算法模糊自适应pid温湿度控制***及方法 | |
CN100501608C (zh) | 后验控制与多传感器融合方法及中央空调节能控制装置 | |
CN106295900A (zh) | 一种城市智慧能源管理*** | |
CN107781947A (zh) | 一种建筑空调***冷热源预测控制方法和装置 | |
CN102003772A (zh) | 一种水源热泵节能优化控制方法 | |
CN109932896A (zh) | 一种建筑能耗的控制方法和*** | |
Gao et al. | Model-based space temperature cascade control for constant air volume air-conditioning system | |
CN114216256B (zh) | 离线预训练-在线学习的通风***风量控制方法 | |
WO2022062339A1 (zh) | 一种变风量布风器风阀的控制***及其控制方法 | |
Navale et al. | Use of genetic algorithms and evolutionary strategies to develop an adaptive fuzzy logic controller for a cooling coil–Comparison of the AFLC with a standard PID controller | |
CN112577159A (zh) | 基于人体热舒适度的空调节能智能控制方法及装置 | |
CN115907191A (zh) | 一种自适应建筑光伏表皮模型预测控制方法 | |
CN201688865U (zh) | 一种体育馆室内环境监测*** | |
CN110779132A (zh) | 一种基于强化学习的空调***的水泵设备运行控制*** | |
CN104102139B (zh) | 一种变风量空调控制***的仿真平台 | |
Li et al. | Reinforcement learning-based demand response strategy for thermal energy storage air-conditioning system considering room temperature and humidity setpoints | |
Zhang et al. | Room temperature and humidity decoupling control of common variable air volume air-conditioning system based on bilinear characteristics | |
Costa et al. | Value of building simulation in sport facilities operation | |
CN117119026A (zh) | 一种基于bim运维平台的高层超低能耗住宅传感器装置 | |
Noorazizi et al. | Black box modelling and simulating the dynamic indoor air temperature of a laboratory using ARMA model | |
CN115935604A (zh) | 一种换流站暖通***节能控制方法及终端 |
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 |