CN111998505A - 基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法及*** - Google Patents

Abstract

本发明公开一种基于RSM‑Kriging‑GA算法的泛园区空调***能耗优化方法及***，所述方法包括：读取当前课程安排，根据课程安排设置空调的启停；根据当天日期自动选定对应的季节模式，获取对应季节模式下的历史数据；采用RSM交叉模型拟合历史数据中课程人数、环境温度、教室体积与实时制冷当量之间的关系；实时获取当前环境参数，根据所述RSM交叉模型计算实时所需制冷当量；构建约束关系，采用kriging算法建立环境参数与能耗E之间的数学模型；基于GA算法求解最佳参数解，根据所述最佳参数对设定温度、风速、制冷时长进行能耗优化自动调控。本发明基于RSM模型拟合历史大数据，构建约束模型，建立了基于RSM‑Kriging‑GA算法的泛园区空调***能耗优化模型，优化空调能耗，节约资源。

Description

基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法及 ***

技术领域

本发明属于空调***能耗优化技术领域，具体涉及一种基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法及***。

背景技术

极端天气对人们学习、工作和生活的影响巨大，空调的作用与日俱增，人均空调使用时间逐步增加。然而，空调的能耗占泛园区总能耗的比例比较大，是节能减排倡议下的重点关注对象，也是电网电力***过载的重要安全隐患。传统的手动控制空调的启停与温度存在以下痛点：

1.过度使用或不合理使用，使得空调输出功率太大或不足，舒适度差且浪费资源；

2.实时性差，不能根据环境变化实施调控，使用人员发现设备故障后通知维修人员具有一定的滞后性，影响设备的及时维修与正常使用。

发明内容

有鉴于此，本发明提出了一种基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法及***，用于解决泛园区空调***的不合理使用问题，优化泛园区空调***的能耗。

本发明第一方面，公开一种基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法，所述方法包括：

读取当前课程安排，根据课程安排设置空调的启停；

根据当天日期自动选定对应的季节模式，获取对应季节模式下的历史数据，采用RSM交叉模型拟合课程人数、环境温度、教室体积与对应的实时制冷当量之间的关系；

实时获取当前课程人数、环境温度、教室体积，根据所述RSM交叉模型计算实时所需制冷当量；

构建约束关系，采用kriging算法建立温差、风速、制冷时长与能耗E之间的数学模型；

基于遗传算法求解最佳参数解，得到最佳温差、风速、制冷时长；

根据所述最佳温差、风速、制冷时长对设定温度、风速、制冷时长进行能耗优化自动调控。

优选的，所述RSM交叉模型的公式为：

Q₁＝β₁+β₂x₁+β₃x₂+β₄x₃+β₅x₁x₂+β₆x₁x₃+β₇x₂x₃

其中Q₁为实时所需制冷当量，x₁为课程人数、x₂为环境温度、x₃为教室体积；β₁，β₂，β₃，β₄，β₅，β₆，β₇为交叉系数；制暖时Q₁＜0，制冷时Q₁＞0。

优选的，所述构建约束关系具体包括：

建立温差ΔT、风速f、制冷时长t₀与实时所需制冷当量Q₁的约束关系：

|Q₁|≥ΔT*C*ρ*V_体积

|Q₁|＝γ*f*V_体积*t₀

其中，ΔT＝T₀-T₁，其中T₀为环境温度，T₁为设置温度；C是空气比热容；ρ为空气密度；V_体积为教室内部体积；γ为制冷系数；

建立温差ΔT、风速f、制冷时长t₀与人体舒适度准则的约束关系：

ΔT＜T₂，T₂为设定的预防感冒健康温差；

L＝f/V_体积，L为教室空气更新率，L₁＜L＜L₂，L₁、L₂分别为预设的教室空气更新率下限和上限；

t₀＜t₁，t₁为预设的制冷时长上限。

优选的，所述方法还包括：

通过摄像机和传感器实时监控各教室中课程人数和环境温度，判断课程人数或环境温度是否变化，若是，重新计算实时所需制冷当量并进行能耗优化循环调控；否则，保持当前工作状态。

本发明第二方面，公开一种基于RSM-Kriging-GA算法的泛园区空调***能耗优化***，所述***包括：

设置模块：读取当前课程安排，根据课程安排设置空调的启停；

计算模块：根据当天日期自动选定对应的季节模式，获取对应季节模式下的历史数据，拟合课程人数、环境温度、教室体积与制冷当量之间的关系；实时获取当前课程人数、环境温度、教室体积，根据所述RSM交叉模型计算实时所需制冷当量；

约束模块，构建基于实时所需制冷当量与人体舒适度的约束关系；

建模模块：采用kriging算法建立温差、风速、制冷时长与能耗E之间的数学模型；

优化模块：基于遗传算法求解最佳参数解集，得到最佳温差、风速、制冷时长；

调控模块：根据最佳温差、风速、制冷时长对设置温度、风速、制冷时长进行自动调控，优化能耗。

优选的，所述计算模块中，RSM交叉模型的公式为：

Q₁＝β₁+β₂x₁+β₃x₂+β₄x₃+β₅x₁x₂+β₆x₁x₃+β₇x₂x₃

其中Q₁为实时所需制冷当量，x₁为课程人数、x₂为环境温度、x₃为教室体积；β₁，β₂，β₃，β₄，β₅，β₆，β₇为交叉系数；制暖时Q₁＜0，制冷时Q₁＞0。

优选的，所述约束模块具体包括：

第一约束单元：建立温差ΔT、风速f、制冷时长t₀与实时所需制冷当量Q₁的约束关系：

|Q₁|≥ΔT*C*ρ*V_体积

|Q₁|＝γ*f*V_体积*t₀

其中，ΔT＝T₀-T₁，其中T₀为环境温度，T₁为设置温度；C是空气比热容；ρ为空气密度；V_体积为教室内部体积；γ为制冷系数；

第二约束单元：建立温差ΔT、风速f、制冷时长t₀与人体舒适度准则的约束关系：

ΔT＜T₂，T₂为设定的预防感冒健康温差；

L＝f/V_体积，L为教室空气更新率，L₁＜L＜L₂，L₁、L₂分别为预设的教室空气更新率下限和上限；

t₀＜t₁，t₁为预设的制冷时长上限。

优选的，所述***还包括：

循环模块：实时监控各教室的课程人数和环境温度，判断课程人数或环境温度是否变化，若是，返回计算模块重新计算实时所需制冷当量并进行能耗优化循环调控；否则，保持当前工作状态。

本发明的相对于现有技术具有以下有益效果：

1)本发明基于历史大数据，在保证人体舒适的前提下，优化泛园区空调***的能耗。根据课程安排自动化控制空调的启停，基于同一季节模式的历史数据，采用RSM交叉模型拟合实时制冷当量与环境数据的关系；构建基于制冷当量与人体舒适度的条件约束，用kriging算法建立温差、风速、制冷时长等参数与能耗E之间的数学模型，并采用遗传算法寻优，根据寻优结果进行智能调控，优化能耗，节约资源。

2)实时监控各教室内课程人数和环境温度，进行动态调控，合理调节空调温度、风俗、制冷时长，在节约能源的同时满足人体最佳舒适度，符合实际需求。

附图说明

为了更清楚地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地介绍，显而易见地，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他的附图。

图1为本发明的基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法流程示意图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

如图1所示，本发明公开一种基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法，所述方法包括：

S1、读取当前课程安排，根据课程安排设置空调的启停；

S2、根据当天日期自动选定对应的季节模式，所述季节模式分为四个：春、夏、秋、冬，获取对应季节模式下的历史数据，所述历史数据中包括日期、教室的体积、某一时间节点的课程人数、环境温度以及实时制冷当量等。

S3、通过响应曲面法(Response Surface Method，RSM)构建RSM交叉模型，采用RSM交叉模型拟合实时历史数据中课程人数x₁、环境温度x₂、教室体积x₃与对应的实时制冷当量Q₁之间的关系；所述RSM交叉模型的公式为：

Q₁＝β₁+β₂x₁+β₃x₂+β₄x₃+β₅x₁x₂+β₆x₁x₃+β₇x₂x₃

其中β₁，β₂，β₃，β₄，β₅，β₆，β₇为交叉系数；制暖时Q₁＜0，制冷时Q₁＞0。

基于同一季节模式的历史数据，可求出参数β₁，β₂，β₃，β₄，β₅，β₆，β₇，得到对应的RSM交叉模型。

S4、实时获取当前课程人数、环境温度、教室体积，根据对应的RSM交叉模型计算实时所需制冷当量；

作为本发明的另一实施例，也可根据当天日期自动选定对应的季节模式，获取对应季节模式下的历史数据，然后从对应的季节模式下的历史数据中筛选出与当前环境数据(课程人数、环境温度、教室体积)相近的历史数据，采用RSM交叉模型拟合筛选出的数据，得到与当前环境数据相匹配的RSM交叉模型。

S5、建立温差ΔT、风速f、制冷时长t₀与实时所需制冷当量Q₁的约束关系：

|Q₁|≥ΔT*C*ρ*V_体积

|Q₁|＝γ*f*V_体积*t₀

其中，ΔT＝T₀-T₁，其中T₀为环境温度，T₁为设置温度；C是空气比热容；ρ为空气密度；V_体积为教室内部体积；γ为制冷系数；

S6、建立温差ΔT、风速f、制冷时长t₀与人体舒适度准则的约束关系：

ΔT＜T₂，T₂为设定的预防感冒健康温差；

L＝f/V_体积，L为教室空气更新率，L₁＜L＜L₂，L₁、L₂分别为预设的教室空气更新率下限和上限；

t₀＜t₁，t₁为预设的制冷时长上限，t₀时长不能太大，否则影响舒适度。

本发明通过响应曲面法构建RSM交叉模型，并应用于泛园区空调***能耗优化中，可较好地对空调***历史大数据进行数值拟合，充分挖掘历史大数据中制冷当量与环境数据之间的关系，为泛园区空调***能耗优化提供数据支撑。本发明基于不同季节模式的历史大数据，采用RSM模型来拟合历史大数据中制冷当量与环境参数(课程人数x₁、环境温度x₂、教室体积x₃)之间的关系，基于所述历史大数据结合当前环境参数进一步形成关于制冷当量与人体舒适度的条件约束，来进行能耗优化，在保障人体舒适度的前提下进行能耗优化，更符合实际需求，提升使用满意度。

S7、采用kriging算法建立ΔT、风速f、制冷时长t₀与能耗E之间的数学模型；

输入数据X(ΔT，f，t₀)和能耗E的关系可表示为线性模型f(X)与***偏差Z(X)之和：

E(X)＝f(X)+Z(X)

其中，Z(X)为一个服从正太分布的独立项。

Kriging模型可表示为：

其中，f_i(X)为k个已知的回归函数，可表示为：

f(X)＝[f₁(X)，f₂(X)，...，f_k(X)]^T

α_i为对应的系数，可表示为：

α＝[α₁，α₂，...，α_k]^T

Z(X)是随机过程的***偏差，数学期望为0，且协方差

其中X’和X代表2个任意的样本点；

为过程方差；R(X′，X)为空间相关函数，一般取为：

其中，j和d为样本空间维度，θ为根据|X′-X|变化的变化率；p为模型的平滑等级。

S8、基于GA算法求解最佳参数解集，得到最佳温差、风速、制冷时长；

S9、根据最佳温差、风速、制冷时长对空调***的设置温度、风速、制冷时长进行自动调控，优化能耗。

S10、通过摄像机和传感器实时监控各教室课堂人数和环境温度，判断课程人数或环境温度是否变化，若是，执行步骤S11；否则，保持当前工作状态。

S11、返回步骤S4重新计算实时所需制冷当量Q₁，进入下一循环。

本发明在采用RSM模型来拟合历史大数据中制冷当量与环境参数之间的关系的基础上，采用kriging算法建立能耗模型，并通过遗传算法优化所述模型得到最佳控制参数，根据所述最佳控制参数优化泛园区空调***的能耗，自动化程度高、实时性好，在保障人体舒适度的前提下优化能耗。

与所述方法实施例相对应，本发明提供一种基于RSM-Kriging-GA算法的泛园区空调***能耗优化***，所述***包括：

设置模块：读取当前课程安排，根据课程安排设置空调的启停；

计算模块：根据当天日期自动选定对应的季节模式，获取对应季节模式下的历史数据，采用RSM交叉模型拟合课程人数、环境温度、教室体积与制冷当量之间的关系；实时获取课程人数x₁、环境温度x₂、教室体积x₃，根据所述RSM交叉模型计算实时所需制冷当量；RSM交叉模型的公式为：

Q₁＝β₁+β₂x₁+β₃x₂+β₄x₃+β₅x₁x₂+β₆x₁x₃+β₇x₂x₃

其中Q₁为实时所需制冷当量，β₁，β₂，β₃，β₄，β₅，β₆，β₇为交叉系数；制暖时Q₁＜0，制冷时Q₁＞0。

约束模块，构建基于实时所需制冷当量与人体舒适度的约束关系；所述约束模块具体包括：

第一约束单元：建立温差ΔT、风速f、制冷时长t₀与实时所需制冷当量Q₁的约束关系：

|Q₁|≥ΔT*C*ρ*V_体积

|Q₁|＝γ*f*V_体积*t₀

其中，ΔT＝T₀-T₁，其中T₀为环境温度，T₁为设置温度；C是空气比热容；ρ为空气密度；V_体积为教室内部体积；γ为制冷系数；

第二约束单元：建立温差ΔT、风速f、制冷时长t₀与人体舒适度准则的约束关系：

ΔT＜T₂，T₂为设定的预防感冒健康温差；

L＝f/V_体积，L为教室空气更新率，L₁＜L＜L₂，L₁、L₂分别为预设的教室空气更新率下限和上限；

t₀＜t₁，t₁为预设的制冷时长上限。

建模模块：采用kriging算法建立温差、风速、制冷时长与能耗E之间的数学模型；

优化模块：基于GA算法求解最佳参数解，得到最佳温差、风速、制冷时长；

调控模块：根据最佳温差、风速、制冷时长对设置温度、风速、制冷时长进行自动调控，优化能耗。

循环模块：实时监控各教室课程人数和环境温度，判断课程人数或环境温度是否变化，若是，返回计算模块重新计算实时所需制冷当量Q₁并进行能耗优化循环调控；否则，保持当前工作状态。

以华中科技大学某学院为例，共有8层，每层有10间教室，每间教室平均48m²，需要天花机一台(规格为5P，三级能耗，制冷量12KW，制热量12.5KW)。

采用传统的手动控制空调的启停与温度时，空调开启时间为：8:30-12:00；14:00-18:00，每日耗电量：4KW×7.5H×80＝2400度。

采用本发明基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法之后，每天用电约为1536度，每天可节省864度电，每月可节省电量约为19008度。

通过以上数据对比可知本发明提出的方法可有效节省36％的电能耗。

本发明根据课程安排自动化控制空调的启停，可及时发现设备故障；通过RSM交叉模型拟合历史数据，通过Kriging模型建立了能耗模型和约束条件，采用GA算法寻优最佳温度、风速、制冷时长，根据寻优结果进行智能调控。本发明基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法和***在充分考虑实际情况和人体舒适度的前提下优化能耗，节约资源。

所述***实施例与方法实施例是相对应的，***实施例简约之处请参阅方法实施例。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法，其特征在于，所述方法包括：

读取当前课程安排，根据课程安排设置空调的启停；

根据当天日期自动选定对应的季节模式，获取对应季节模式下的历史数据；

通过响应曲面法构建RSM交叉模型，采用所述RSM交叉模型拟合所述历史数据中课程人数、环境温度、教室体积与实时制冷当量之间的关系；

实时获取当前课程人数、环境温度、教室体积，根据所述RSM交叉模型计算实时所需制冷当量；

构建约束关系，采用kriging算法建立温差、风速、制冷时长与能耗E之间的数学模型；

基于遗传算法求解所述数学模型的最佳参数解，得到最佳温差、风速、制冷时长；

根据所述最佳温差、风速、制冷时长来设定空调***的温度、风速、制冷时长，进行能耗优化自动调控。

2.根据权利要求1所述基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法，其特征在于，所述RSM交叉模型的公式为：

Q₁＝β₁+β₂x₁+β₃x₂+β₄x₃+β₅x₁x₂+β₆x₁x₃+β₇x₂x₃

其中Q₁为实时所需制冷当量，x₁为课程人数、x₂为环境温度、x₃为教室体积；β₁，β₂，β₃，β₄，β₅，β₆，β₇为交叉系数；制暖时Q₁＜0，制冷时Q₁＞0。

3.根据权利要求2所述基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法，其特征在于，所述构建约束关系具体包括：

建立温差ΔT、风速f、制冷时长t₀与实时所需制冷当量Q₁的约束关系：

|Q₁|≥ΔT*C*ρ*V_体积

|Q₁|＝γ*f*V_体积*t₀

其中，ΔT＝T₀-T₁，其中T₀为环境温度，T₁为设置温度；C是空气比热容；ρ为空气密度；V_体积为教室内部体积；γ为制冷系数；

建立温差ΔT、风速f、制冷时长t₀与人体舒适度准则的约束关系：

ΔT＜T₂，T₂为设定的预防感冒健康温差；

L＝f/V_体积，L为教室空气更新率，L₁＜L＜L₂，L₁、L₂分别为预设的教室空气更新率下限和上限；

t₀＜t₁，t₁为预设的制冷时长上限。

4.根据权利要求1所述基于RSM-Kriging-GA算法的泛园区空调***能耗优化方法，其特征在于，所述方法还包括：

通过摄像机和传感器实时监控各教室中课程人数和环境温度，判断课程人数或环境温度是否变化，若是，重新计算实时所需制冷当量并进行能耗优化循环调控；否则，保持当前工作状态。

5.一种基于RSM-Kriging-GA算法的泛园区空调***能耗优化***，其特征在于，所述***包括：

设置模块：读取当前课程安排，根据课程安排设置空调的启停；

计算模块：根据当天日期自动选定对应的季节模式，获取对应季节模式下的历史数据，拟合所述历史数据中课程人数、环境温度、教室体积与制冷当量之间的关系；实时获取当前课程人数、环境温度、教室体积，根据所述RSM交叉模型计算实时所需制冷当量；

约束模块，构建基于实时所需制冷当量与人体舒适度的约束关系；

建模模块：采用kriging算法建立温差、风速、制冷时长与能耗E之间的数学模型；

优化模块：基于遗传算法求解最佳参数解，得到最佳温差、风速、制冷时长；

调控模块：根据最佳温差、风速、制冷时长对设置温度、风速、制冷时长进行自动调控，优化能耗。

6.根据权利要求5所述基于RSM-Kriging-GA算法的泛园区空调***能耗优化***，其特征在于，所述计算模块中，RSM交叉模型的公式为：

Q₁＝β₁+β₂x₁+β₃x₂+β₄x₃+β₅x₁x₂+β₆x₁x₃+β₇x₂x₃

其中Q₁为实时所需制冷当量，x₁为课程人数、x₂为环境温度、x₃为教室体积；β₁，β₂，β₃，β₄，β₅，β₆，β₇为交叉系数；制暖时Q₁＜0，制冷时Q₁＞0。

7.根据权利要求6所述基于RSM-Kriging-GA算法的泛园区空调***能耗优化***，其特征在于，所述约束模块具体包括：

第一约束单元：建立温差ΔT、风速f、制冷时长t₀与实时所需制冷当量Q₁的约束关系：

|Q₁|≥ΔT*C*ρ*V_体积

|Q₁|＝γ*f*V_体积*t₀

其中，ΔT＝T₀-T₁，其中T₀为环境温度，T₁为设置温度；C是空气比热容；ρ为空气密度；V_体积为教室内部体积；γ为制冷系数；

第二约束单元：建立温差ΔT、风速f、制冷时长t₀与人体舒适度准则的约束关系：

ΔT＜T₂，T₂为设定的预防感冒健康温差；

L＝f/V_体积，L为教室空气更新率，L₁＜L＜L₂，L₁、L₂分别为预设的教室空气更新率下限和上限；

t₀＜t₁，t₁为预设的制冷时长上限。

8.根据权利要求5所述基于RSM-Kriging-GA算法的泛园区空调***能耗优化***，其特征在于，所述***还包括：

循环模块：实时监控各教室的课程人数和环境温度，判断课程人数或环境温度是否变化，若是，返回计算模块重新计算实时所需制冷当量并进行能耗优化循环调控；否则，保持当前工作状态。

Images