CN112052997B - 一种变风量空调***事件触发预测控制方法 - Google Patents
一种变风量空调***事件触发预测控制方法 Download PDFInfo
- Publication number
- CN112052997B CN112052997B CN202010929875.5A CN202010929875A CN112052997B CN 112052997 B CN112052997 B CN 112052997B CN 202010929875 A CN202010929875 A CN 202010929875A CN 112052997 B CN112052997 B CN 112052997B
- Authority
- CN
- China
- Prior art keywords
- air conditioning
- prediction algorithm
- conditioning system
- control
- slope
- 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
- 238000004378 air conditioning Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000004134 energy conservation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Fluid Mechanics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Geometry (AREA)
- Combustion & Propulsion (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种变风量空调***事件触发预测控制方法,包括以下步骤:1)基于状态空间构建变风量空调***模型;2)构建变风量空调***模型的预测算法,再通过变风量空调***模型与该预测算法共同构成闭环控制,然后根据预测算法进行预测;3)计算最大输出斜率和最大输入斜率,将最大输出斜率和最大输入斜率与设定值相比较,并根据比较结果判断是否对预测算法在线进行更新,当需要对预测算法进行更新时,则对预测算法进行在线更新,当不需要对预测算法进行更新时,则采用上一时刻的预测算法,该***能够满足空调***的节能目的。
Description
技术领域
本发明涉及一种触发预测控制方法,具体涉及一种变风量空调***事件触发预测控制方法。
背景技术
新时代,随着物联网,云计算,大数据,移动互联网,人工智能,IPv6等新技术的广泛使用,人们不仅要求建筑环境是智能的,而且是节能,环保,生态和健康的。智能建筑是信息时代的必然产物,随着科学技术的发展,建筑智能的水平正在逐步提高。随着智能建筑行业的飞速发展,自动化建筑***将逐步建立起更加科学,经济,合理的控制管理体系,不仅提高了建筑的功能水平,而且还达到了节约建筑的目的。
变风量(VAV)空调***的节能率、灵活性要远优于其他类型中央空调***,已渐渐成为中央空调设计者的主流研究方向。变风量空调***的各个输入输出之间具有很强的耦合性,多个回路之间会相互产生影响,整个***有着较差可靠性,导致各控制器件处于不断调节中甚至不能正常地运行。不仅增加了无效能耗,还增加执行器磨损导致其使用寿命下降,加大了使用成本与管理难度。模型预测控制是解决多变量耦合***的有效方法之一,由此采用模型预测控制的方法。
智能建筑中的节能是智能建筑的目标,通过节能管理降低运营和建筑物管理成本是高效节能以及智能建筑的高盈利能力的具体体现。通常,建筑物的节能内容和目标包括建筑设计,空调***,照明和设备。对于智能建筑节能,不只是使用传统建筑中的节能方法,更重要的是,用高科技手段从而实现更精确的调节和控制。当人们在享受着空调技术给生产和生活带来方便和舒适的同时,也在思考如何减少空调***所需消耗的能量。目前,建筑物都开始装备中央空调***,在改善人们生活、工作环境的同时也消耗了巨大的能源。我国民用建筑中,暖通空调***能耗占建筑总能耗50%左右。随着人们工作生活水平的不断提高,建筑物的能耗也越来越大。一般办公楼的能耗分布为,空调占整个办公楼能耗的50%,其中冷热源使用能量40%,输送***占60%。因此,智能建筑的节能首先考虑的是空调***的节能。从节电和提高用户舒适度的角度来看,智能空调的研究程度非常重要。
综上,亟需对变风量空调***预测控制进行算法设计,以达到节能目的。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种变风量空调***事件触发预测控制方法,该***能够满足空调***的节能目的。
为达到上述目的,本发明所述的变风量空调***事件触发预测控制方法包括以下步骤:
1)基于状态空间构建变风量空调***模型;
2)构建变风量空调***模型的预测算法,再通过变风量空调***模型与该预测算法共同构成闭环控制,然后根据预测算法进行预测;
3)计算最大输出斜率和最大输入斜率,将最大输出斜率和最大输入斜率与设定值相比较,并根据比较结果判断是否对预测算法在线进行更新,当需要对预测算法进行更新时,则对预测算法进行在线更新,当不需要对预测算法进行更新时,则采用上一时刻的预测算法。
变风量空调***模型的预测算法具体为:
变风量空调***模型为:
y(s)=G(s)u(s);
其中,y(s)为模型的输出,u(s)为模型的输入,G(s)为模型的传递函数;
***状态空间为:
Δx(k+1)=AΔx(k)+BuΔu(k)+BdΔd(k)
yc(k)=CcΔx(k)+yc(k-1)
则预测控制优化问题为:
Δx(k+i+1)=AΔx(k+i|k)+BuΔu(k+i|k)+BdΔd(k+i)
Δx(k|k)=Δx(k)
yc(k+i|k)=CcΔx(k+i|k)+yc(k+i|k)
yc(k|k)=yc(k),i=0,1,…,p
其中,(k+i|k)表示当前k时刻对k+i时刻的预测值,umin(k)为***控制量的最小值,umax(k)为***控制量的最大值,Δumin(k)为***控制增量的最小值,Δumax(k)为***控制增量的最大值,ymin(k)***输出的最小值,ymax(k)为***输出的最大值;
将通过求解优化问题所获得的将控制量u(k)=u(k-1)+Δu(k)作用于***;
在下一个采样时刻,利用新的测量值更新QP问题,然后求解QP函数。
步骤3)中最大输出斜率的数学表达式为:
最大输入斜率的数学表达式为:
最大输出斜率变化率的数学表达式为:
最大输入斜率变化率的数学表达式为:
本发明具有以下有益效果:
本发明所述的变风量空调***事件触发预测控制方法在具体操作时,在变风量控制***和预测控制器构成的闭环控制中加入事件触发机制,在每个采样时刻通过最新得到的测量值刷新优化问题并求解刷新后的优化问题,使其并不是在每个采样时刻都进行优化问题的求解,从而有效降低预测控制在线求解优化问题的次数,大幅度地降低能耗,在实际应用中,能够有效地降低空调***的能耗,设计简单,易于操作。
附图说明
图1为基于最大输出斜率/变化率的闭环控制***流程图;
图2为基于最大输入斜率/变化率的闭环控制***流程图;
图3为空调***闭环示意图;
图4为触发机制示意图;
图5为触发示意图;
图6为输出性能对比图;
图7为基于最大输出斜率的触发效果图;
图8为基于最大输出斜率变化率的触发效果图;
图9为输入特性对比图;
图10为基于最大输入斜率的触发效果图;
图11为基于最大输入斜率变化率的触发效果图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参考图1及图2,本发明所述的变风量空调***事件触发预测控制方法包括以下步骤:
1)基于状态空间构建变风量空调***模型;
2)构建变风量空调***模型的预测算法,再通过变风量空调***模型与该预测算法共同构成闭环控制,然后根据预测算法进行预测;
3)计算最大输出斜率和最大输入斜率,将最大输出斜率和最大输入斜率与设定值相比较,并根据比较结果判断是否对预测算法在线进行更新,当需要对预测算法进行更新时,则对预测算法进行在线更新,当不需要对预测算法进行更新时,则采用上一时刻的预测算法。
变风量空调***模型的预测算法具体为:
变风量空调***模型为:
y(s)=G(s)u(s);
其中,y(s)为模型的输出,u(s)为模型的输入,G(s)为模型的传递函数;
***状态空间为:
Δx(k+1)=AΔx(k)+BuΔu(k)+BdΔd(k)
yc(k)=CcΔx(k)+yc(k-1)
则预测控制优化问题为:
Δx(k+i+1)=AΔx(k+i|k)+BuΔu(k+i|k)+BdΔd(k+i)
Δx(k|k)=Δx(k)
yc(k+i|k)=CcΔx(k+i|k)+yc(k+i|k)
yc(k|k)=yc(k),i=0,1,…,p
其中,(k+i|k)表示当前k时刻对k+i时刻的预测值,umin(k)为***控制量的最小值,umax(k)为***控制量的最大值,Δumin(k)为***控制增量的最小值,Δumax(k)为***控制增量的最大值,ymin(k)***输出的最小值,ymax(k)为***输出的最大值;
将通过求解优化问题所获得的将控制量u(k)=u(k-1)+Δu(k)作用于***;
在下一个采样时刻,利用新的测量值更新QP问题,然后求解QP函数。
步骤3)中最大输出斜率的数学表达式为:
最大输入斜率的数学表达式为:
最大输出斜率变化率的数学表达式为:
最大输入斜率变化率的数学表达式为:
通过计算最大输出斜率/最大输入斜率以及最大输出斜率变化率/最大输入斜率变化率,将其与设定值相比较,判断控制器是否在线进行求解优化问题,不仅可以减少预测控制器求解优化问题的次数,而且可以在满足空调***性能的前提下,大大降低能源的消耗。
实施例一
变风量空调数学建模
根据***的机理和输入输出变量之间的阶跃确定***的内部模型及***的约束,以确定***的控制模型,考虑到***的动力学特征和执行器的动力学行为,建立初步模型为:
变风量空调***参考轨迹
预测控制的目就是让***的输出变量沿着一条事先规定的曲线逐渐到达设定的值,在变风量空调***中选取了一个2×2的模型,输出为:供风温度及静压点静压;输入为:房间送风量及新风量。对于变风量空调***来说,夏季风口的供风温度一般为14~16℃,而静压工作点的静压为585Pa左右,根据上述选定参考轨迹为:
yref=[15 585]
变风量空调***二次型性能指标的加权矩阵
输出与参考轨迹误差的处罚是由W加权矩阵设置的,W越大,则表示可以使输出的值与其参考值的误差越小。在实际应用中,空调***的静压点静压比送风温度的控制要求要低,因此可以将加权矩阵设置为:
加权矩阵Q设置了MPC控制器控制效果的处罚,Q越大,则可以使输出与参考轨迹与输出误差变的越缓慢。考虑到W与Q的大小有着相对应的意义,同时变风量空调***的能耗主要来自冷冻水流量和风机转速,所以对他们的使用应该加大处罚,则加权矩阵设置为:
加权矩阵R设置了输入与参考轨迹误差的处罚,R越大,可以使输入与其参考值的误差越小,则加权矩阵R为:
变风量空调***的预测步长与控制步长
采样周期TS、控制时域m及预测时域p能够保证在每个采样间隔内有充足的时间来求解最优化问题,在本次设计中取Ts=10s,n=15,控制时域m=3,预测时域m=15。
在变风量空调***中,当输出y的变化值不大时,则意味着***趋于稳定,相对应的u的变化也不大,这时就可以不用重新求解QP函数。当y的变化量一旦大于给定的值时,则说明原求解的值已经不满足要求了,必须重新求解,以达到节能的目的。
分别采用基于最大输出/输入斜率以及基于最大输出/输入斜率变化率的触发机制。
基于最大输出斜率的数学表达式为:
基于最大输入斜率的数学表达式为:
基于最大输出斜率变化率的数学表达式为:
基于最大输入斜率变化率的数学表达式为:
如图6所示实线表示基于最大输出斜率的触发方式,虚线表示基于最大输出斜率变化率触发方式,点画线是不加触发条件即每个采样时刻都在线求解QP问题。
图7及图8为触发效果图,显然在加入事件触发机制后,预测控制器求解优化问题的次数大幅减少。图7表示的是采用基于最大输出斜率的触发方式,其原先触发次数为150次,再加入事件触发机制后触发次数减少到了15次,降低了90%。图8表示的是基于最大输出斜率的触发方式,其原先触发次数为150次,再加入时间触发机制后触发次数减少到了69次,降低了54%。
如图9所示实线表示基于最大输入斜率的触发方式,虚线表示基于最大输入斜率变化率触发方式,点画线是不加触发条件即每个采样时刻都在线求解QP问题。
图10表示的是基于最大输入斜率变化率的触发方式,其原先触发次数为150次,再加入时间触发机制后触发次数减少到了14,降低了91%。图11表示的是基于最大输入斜率变化率的触发方式,其原先触发次数为150次,再加入时间触发机制后触发次数减少到了87,降低了42%。在实际生活中,空调***的耗能大幅下降,实现节能减排的目的。
从上述仿真结果图中显然可以看出,再加入事件触发机制后,明显减少了预测控制器求解优化问题的次数,并且变风量空调***依旧可以达到性能要求。对比以上两种触发方式。在实际应用中,这两种触发方式对多变量空调***而言,可以达到节能环保效果。
Claims (1)
1.一种变风量空调***事件触发预测控制方法,其特征在于,包括以下步骤:
1)基于状态空间构建变风量空调***模型;
2)构建变风量空调***模型的预测算法,再通过变风量空调***模型与该预测算法共同构成闭环控制,然后根据预测算法进行预测;
3)计算最大输出斜率和最大输入斜率,将最大输出斜率和最大输入斜率与设定值相比较,并根据比较结果判断是否对预测算法在线进行更新,当需要对预测算法进行更新时,则对预测算法进行在线更新,当不需要对预测算法进行更新时,则采用上一时刻的预测算法;
变风量空调***模型的预测算法具体为:
变风量空调***模型为:
y(s)=G(s)u(s);
其中,y(s)为模型的输出,u(s)为模型的输入,G(s)为模型的传递函数;
***状态空间为:
Δx(k+1)=AΔx(k)+BuΔu(k)+BdΔd(k)
yc(k)=CcΔx(k)+yc(k-1)
则预测控制优化问题为:
Δx(k+i+1)=AΔx(k+i|k)+B6Δu(k+i|k)+BdΔd(k+i)
Δx(k|k)=Δx(k)
yc(k+i|k)=CcΔx(k+i|k)+yc(k+i|k)
yc(k|k)=yc(k),i=0,1,…,p
其中,(k+i|k)表示当前k时刻对k+i时刻的预测值,umin(k)为***控制量的最小值,umax(k)为***控制量的最大值,Δumin(k)为***控制增量的最小值,Δumax(k)为***控制增量的最大值,ymin(k)***输出的最小值,ymax(k)为***输出的最大值;
将通过求解优化问题所获得的将控制量u(k)=u(k-1)+Δu(k)作用于***;
在下一个采样时刻,利用新的测量值更新QP问题,然后求解QP函数;
步骤3)中最大输出斜率的数学表达式为:
最大输入斜率的数学表达式为:
最大输出斜率变化率的数学表达式为:
最大输入斜率变化率的数学表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010929875.5A CN112052997B (zh) | 2020-09-07 | 2020-09-07 | 一种变风量空调***事件触发预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010929875.5A CN112052997B (zh) | 2020-09-07 | 2020-09-07 | 一种变风量空调***事件触发预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052997A CN112052997A (zh) | 2020-12-08 |
CN112052997B true CN112052997B (zh) | 2021-09-03 |
Family
ID=73609849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010929875.5A Active CN112052997B (zh) | 2020-09-07 | 2020-09-07 | 一种变风量空调***事件触发预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052997B (zh) |
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 |
CN103322648A (zh) * | 2013-06-13 | 2013-09-25 | 浙江工业大学 | 一种中央空调的室内温度动态矩阵预测控制方法 |
CN104154635A (zh) * | 2014-08-14 | 2014-11-19 | 河海大学常州校区 | 基于模糊pid与预测控制算法的变风量室温控制方法 |
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 |
CN108981097A (zh) * | 2018-06-19 | 2018-12-11 | 广东美的暖通设备有限公司 | 空调***及其能需调整方法与装置 |
CN111336669A (zh) * | 2020-03-12 | 2020-06-26 | 苏州大学 | 基于模型预测控制的室内空调通风*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106481507A (zh) * | 2016-10-28 | 2017-03-08 | 华北电力大学 | 考虑风湍流的风电机组模型预测控制器与控制方法 |
-
2020
- 2020-09-07 CN CN202010929875.5A patent/CN112052997B/zh active Active
Patent 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 |
CN103322648A (zh) * | 2013-06-13 | 2013-09-25 | 浙江工业大学 | 一种中央空调的室内温度动态矩阵预测控制方法 |
CN104154635A (zh) * | 2014-08-14 | 2014-11-19 | 河海大学常州校区 | 基于模糊pid与预测控制算法的变风量室温控制方法 |
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 |
CN108981097A (zh) * | 2018-06-19 | 2018-12-11 | 广东美的暖通设备有限公司 | 空调***及其能需调整方法与装置 |
CN111336669A (zh) * | 2020-03-12 | 2020-06-26 | 苏州大学 | 基于模型预测控制的室内空调通风*** |
Non-Patent Citations (3)
Title |
---|
Model Predictive Control(MPC) for Enhancing Building and HVAC System Energy Efficiency: Problem Formulation, Applications and Opportunities;Gianluca Serale 等;《Energies》;20180312;第1-35页 * |
变风量空调***的模糊神经网络预测控制;郭晓岩;《沈阳工业大学学报》;20130131;第99-103页 * |
多变量分数阶滞后***预测控制参数解析调优;贺利乐 等;《信息与控制》;20191231;第687-693页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112052997A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111795484B (zh) | 一种智慧空调控制方法和*** | |
Moon | Performance of ANN-based predictive and adaptive thermal-control methods for disturbances in and around residential buildings | |
CN109708258A (zh) | 一种基于负荷动态变化的冷库温度前馈-模糊控制***及控制方法 | |
Li et al. | Reinforcement learning of room temperature set-point of thermal storage air-conditioning system with demand response | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
Li et al. | Rule-based fuzzy control method for static pressure reset using improved Mamdani model in VAV systems | |
CN102043907A (zh) | 空调房间实时冷负荷确定方法 | |
CN112415924A (zh) | 一种空调***节能优化方法及*** | |
CN113326651A (zh) | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 | |
Afram et al. | Effects of dead-band and set-point settings of on/off controllers on the energy consumption and equipment switching frequency of a residential HVAC system | |
CN111222191A (zh) | 基于bim和rfid的建筑能耗优化控制方法及*** | |
CN109612055A (zh) | 一种空调水***的前馈模糊控制方法 | |
CN113757789A (zh) | 一种面向智慧校园建设的供热节能预测控制方法 | |
CN115630434A (zh) | 一种基于多智能体模拟的建筑碳排放预测方法和装置 | |
Lei et al. | Predictive control of multi-zone variable air volume air-conditioning system based on radial basis function neural network | |
Wang et al. | A zoned group control of indoor temperature based on MPC for a space heating building | |
Zhou et al. | Time-delay characteristics of air-conditioning system for subway trains | |
Zhao | RETRACTED ARTICLE: Research on Energy Saving Design of Intelligent Building Based on Genetic Algorithm | |
CN112052997B (zh) | 一种变风量空调***事件触发预测控制方法 | |
Zhang et al. | Optimization of daylighting, ventilation, and cooling load performance of apartment in tropical ocean area based on parametric design | |
CN111415036A (zh) | 一种中央空调***并联冷机负荷优化分配方法 | |
Li et al. | Dynamic simulation of a VAV system based on dynamic PMV control | |
Wen | Research on an optimisation control method of large-scale buildings energy saving based on particle swarm optimisation | |
Pi et al. | Load Prediction and Control of Capillary Ceiling Radiation Cooling Panel Air Conditioning System Based on BP Neural Network | |
He et al. | A Novel VAV Air Conditioning Control System Based on Swarm Intelligence |
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 |