CN114413439A - 基于自学习的中央空调运行专家库管理方法和*** - Google Patents
基于自学习的中央空调运行专家库管理方法和*** Download PDFInfo
- Publication number
- CN114413439A CN114413439A CN202111675520.9A CN202111675520A CN114413439A CN 114413439 A CN114413439 A CN 114413439A CN 202111675520 A CN202111675520 A CN 202111675520A CN 114413439 A CN114413439 A CN 114413439A
- Authority
- CN
- China
- Prior art keywords
- central air
- data
- rule
- application end
- air conditioner
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 41
- 238000013500 data storage Methods 0.000 claims abstract description 30
- 238000004378 air conditioning Methods 0.000 claims description 113
- 238000001816 cooling Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 16
- 239000000498 cooling water Substances 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 17
- 238000005457 optimization Methods 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000005057 refrigeration Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
-
- 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
- F24F11/89—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
- F24F2110/22—Humidity of the outside air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2120/00—Control inputs relating to users or occupants
- F24F2120/10—Occupancy
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及基于自学***台应用端;平台应用端对项目应用端数据进行预处理存储,基于预设条件将所存储的数据上传至云服务器;云服务器基于平台应用端上传的数据进行自学***台应用端;项目应用端从平台应用端获取中央空调运行规则,根据中央空调运行规则进行执行并输出执行结果。本发明的数据存储都在云平台,执行由项目应用端执行,云服务器负责规则更新,可减小云服务器的压力,且由云服务器更新规则并下发统一存储在平台应用端以形成专家经验,同时项目应用端可根据规则定制化,大大降低项目应用成本。
Description
技术领域
本发明涉及中央空调运行管理的技术领域,更具体地说,涉及一种基于自学习的中央空调运行专家库管理方法和***。
背景技术
建筑的中央空调***是建筑能源消耗的大户,其中能耗居高不下很重要的一部分原因就是中央空调运行管理不善导致的,即由于***设备故障导致低效运行、运行控制策略不合理,没能从运行管理的过程中去节能。传统的中央空调群控控制,需要部署到项目上去控制设备的运行严格按照既定的运行策略来执行,是针对具体项目设计要求来的,中央空调***、供能对象的实际特性千差万别,如何在全生命周期指导运行,一直是困扰中央空调***运行管理人员的难题之一。
理想的方法是提供一个可自学习可拓展的中央空调运行专家库,基于项目全生命周期运行数据或行业历史数据的挖掘分析实现自学习生成规则。要实现专家库自学习可拓展,往往需要复杂的负荷预测、运行策略挖掘等深度学习的人工智能算法支持,数据量大导致计算量非常巨大,传统的本地控制器无法满足计算的需求,如今实际应用中,绝大多数用于控制优化的中央空调群控***已无法满足运行节能的需求,运行过程中的节能潜力无法得到进一步的挖掘。
传统的冷站经过多年的发展演变成的云计算智慧冷站,多是直接部署在项目上,基于云服务器实时计算后直接将预警故障消息和优化控制的参数下发到应用设备端,采用该技术方案主要存在以下几个关键的问题,导致预警、优化控制结果不理想,甚至出现末端设备联动失控和能耗增大的情况:
1)所有计算都在云服务器,项目严重依赖于云服务器;预警故障监测、优化控制等算法均布局于云端会加大云服务器的任务,导致云服务器承担的负荷较大,降低了云服务器的计算效率,同时应用端严重依赖于云服务器执行的结果。
2)数据存储在云服务器器并生成规则,网络延迟影响设备的时效性;由于需要管理的设备种类和数量较多,而预警类数据、控制类数据、实时数据对传输能力要求较高,数据都存储在云服务器,造成传输带宽负荷较大,导致较高的网络延迟,影响设备的高效稳定运行。
3)云服务器承担一个计算且执行的工具,无法积累形成专家经验;该方式控制效果依赖于云服务器的计算结果,没能积累云服务器计算生成的规则经验,更多是计算后直接下发指令传输到应用端。一方面,增加了对云服务器器的计算压力和通讯高能耗;另一方面,无法实现运行规则知识库的有效应用价值,不同的项目需要部署一套云服务器器单独计算,造成资源的浪费;甚至出现部署了一套云服务器器对中央空调***预警诊断和实时优化计算,折算下来总能耗还高于未配置云计算服务器的***。
发明内容
本发明要解决的技术问题在于,针对现有技术的缺陷,提供一种基于自学习的中央空调运行专家库管理方法和***。
本发明解决其技术问题所采用的技术方案是:构造一种基于自学习的中央空调运行专家库管理方法,包括以下步骤:
获取项目应用端的项目应用端数据,并将所述项目应用端数据上传至平台应用端、以供所述平台应用端对所述项目应用端数据进行存储;所述项目应用端数据包括:中央空调***环境数据、中央空调***运行数据和中央空调***能源数据;
所述平台应用端对所述项目应用端数据进行预处理并存储,以及基于预设条件将所存储的数据上传至云服务器;
所述云服务器基于所述平台应用端上传的数据触发训练和验证自学***台应用端,以供所述平台应用端对所述中央空调运行规则进行存储;
所述项目应用端从所述平台应用端获取所述中央空调运行规则,根据所述中央空调运行规则进行执行并输出执行结果。
在本发明所述的基于自学***台应用端对所述项目应用端数据进行存储包括:检测装置;
所述获取项目应用端的项目应用端数据,并将所述项目应用端数据上传至平台应用端包括:
通过所述检测装置获取所述中央空调***环境数据、所述中央空调***运行数据和所述中央空调***能源数据,并将所述中央空调***环境数据、所述中央空调***运行数据和所述中央空调***能源数据发送给所述平台应用端,以供所述平台应用端对所述中央空调***环境数据、所述中央空调***运行数据和所述中央空调***能源数据进行存储。
在本发明所述的基于自学习的中央空调运行专家库管理方法中,所述中央空调***环境数据包括:室内人员数量、室外温度、室外湿度、太阳辐射强度、室内温度以及室内湿度;
所述中央空调***运行数据包括:冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度以及空气处理机组进风湿度;
所述中央空调***能源数据包括:***制冷量、所有制冷主机的制冷量,***实时功率以及***所有设备的实时功率。
在本发明所述的基于自学***台应用端包括:数据存储模块和第一触发判断模块;
所述平台应用端对所述项目应用端数据进行预处理并存储,以及基于预设条件将所存储的数据上传至云服务器包括:
所述数据存储模块接收所述项目应用端数据,并对所述项目应用端数据进行预处理,获得预处理数据;
对所述预处理数据按项目资产和设备类型进行分类后存储;
所述第一触发判断模块判断所述数据存储模块所存储的数据是否满足发送触发条件;
若满足发送触发条件,则将满足发送触发条件的数据发送给所述云服务器。
在本发明所述的基于自学习的中央空调运行专家库管理方法中,所述第一触发判断模块判断所述数据存储模块所存储的数据是否满足发送触发条件包括:
所述第一触发判断模块获取所述云服务器的运行状态;
所述第一触发判断模块根据所述云服务器的运行状态和数据上传触发条件判断所述数据存储模块所存储的数据是否满足发送触发条件。
在本发明所述的基于自学习的中央空调运行专家库管理方法中,所述云服务器包括:自学习模块;
所述云服务器基于所述平台应用端上传的数据触发训练和验证自学***台应用端包括:
所述自学***台应用端上传的数据触发训练和验证自学习,生成中央空调运行规则模型;
基于所述中央空调运行规则模型生成所述中央空调运行规则。
在本发明所述的基于自学***台应用端包括:第一规则存储模块;
所述第一规则存储模块用于接收所述云服务器下发的所述中央空调运行规则并存储。
在本发明所述的基于自学习的中央空调运行专家库管理方法中,所述项目应用端包括:第二规则存储模块、第二触发判断模块和规则执行模块;
所述项目应用端从所述平台应用端获取所述中央空调运行规则,根据所述中央空调运行规则进行执行并输出执行结果包括:
所述第二规则存储模块从所述第一规则存储模块中选择相应的中央空调运行规则,并基于所选择的中央空调运行规则和项目特征确定执行触发条件;
所述第二触发判断模块根据所述执行触发条件判断是否执行所选择的中央空调运行规则;
若是,将所选择的中央空调运行规则发送给所述规则执行模块;
所述规则执行模块根据所接收的中央空调运行规则从所述平台应用端读取输入参数;
所述规则执行模块根据所接收的中央空调运行规则和所述输入参数进行执行,并输出执行结果。
在本发明所述的基于自学习的中央空调运行专家库管理方法中,所述项目应用端还包括:应用显示模块;
所述方法还包括:所述应用显示模块实时读取所述数据存储模块存储的数据并显示。
本发明还提供一种基于自学***台应用端以及项目应用端;
所述项目应用端将项目应用端数据上传至所述平台应用端,以及从所述平台应用端获取所述中央空调运行规则,根据所述中央空调运行规则进行执行并输出执行结果;所述项目应用端数据包括:中央空调***环境数据、中央空调***运行数据和中央空调***能源数据;
所述平台应用端对所述项目应用端数据进行预处理并存储,以及基于预设条件将所存储的数据上传至云服务器,并将所述云服务器下发的所述中央空调运行规则进行存储;
所述云服务器基于所述平台应用端上传的数据触发训练和验证自学***台应用端。
实施本发明的基于自学***台应用端;平台应用端对项目应用端数据进行预处理存储,基于预设条件将所存储的数据上传至云服务器;云服务器基于平台应用端上传的数据进行自学***台应用端;项目应用端从平台应用端获取中央空调运行规则,根据中央空调运行规则进行执行并输出执行结果。本发明的数据存储都在云平台,执行由项目应用端执行,云服务器负责规则更新,可减小云服务器的压力,降低对云服务器的依赖,且可由云服务器更新规则并下发统一存储在平台应用端以形成专家经验,同时项目应用端可根据规则定制化,大大降低项目应用成本。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例提供的基于自学习的中央空调运行专家库管理***的结构示意图;
图2是本发明实施例提供的基于自学习的中央空调运行专家库管理方法的流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参考图1,为本发明提供的基于自学习的中央空调运行专家库管理***一可选实施例的结构示意图。
如图1所示,该基于自学***台应用端20以及项目应用端30。
项目应用端30将项目应用端30数据上传至平台应用端20,以及从平台应用端20获取中央空调运行规则,根据中央空调运行规则进行执行并输出执行结果。
其中,项目应用端30数据包括:中央空调***环境数据、中央空调***运行数据和中央空调***能源数据。
可选的,本发明实施例中,中央空调***环境数据包括但不限于:室内人员数量、室外温度、室外湿度、太阳辐射强度、室内温度以及室内湿度。
中央空调***运行数据包括但不限于:冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度以及空气处理机组进风湿度。
中央空调***能源数据包括但不限于:***制冷量、所有制冷主机的制冷量,***实时功率以及***所有设备的实时功率。
平台应用端20对项目应用端30数据进行预处理并存储,以及基于预设条件将所存储的数据上传至云服务器10,并将云服务器10下发的中央空调运行规则进行存储。
云服务器10基于平台应用端20上传的数据触发训练和验证自学***台应用端20。
具体的,为了减小云端服务器的压力,同时保障中央空调的稳定及高效节能运行,本发明将复杂的、计算量大的模型训练和生成规则方法部署在云服务器10并可自学***台应用端20的规则专家库中,项目应用端30可自主的配置平台的规则专家库,基于所选择的规则进行判断和执行。
另外,本发明将数据和规则存储在平台应用端20,既能减轻去服务器的存储压力,也能减轻项目应用端30的存储压力。而且,云服务器10根据发送触发条件定期对需要更新的规则进行自学***台应用端20的规则专家库和项目应用执行规则的架构,可以大大提高中央空调运行管理的效率,降低运行成本,实现节能。
具体的,如图1所示,该项目应用端30包括:检测装置35和中央空调设备。
可选的,中央空调设备可包括:空气处理机组、冷冻水泵、冷却水泵、冷水机组、冷却塔风机等。
可选的,本发明实施例中,该检测装置35用于获取项目应用端30的项目应用端30数据,并将项目应用端30数据直接上传至平台应用端20。即通过该检测装置35可以获取室内人员数量、室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度、冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度、空气处理机组进风湿度、***制冷量、所有制冷主机的制冷量,***实时功率以及***所有设备的实时功率等。
进一步地,如图1所示,该项目应用端30还包括:第二规则存储模块31、第二触发判断模块32和规则执行模块33。
可选的,本发明实施例中,第二规则存储模块31从第一规则存储模块23中选择相应的中央空调运行规则,并基于所选择的中央空调运行规则和项目特征确定执行触发条件。其中,执行触发条件可以为定时或者事件触发。
可选的,本发明实施例中,第二触发判断模块32根据执行触发条件判断是否执行所选择的中央空调运行规则;若是,将所选择的中央空调运行规则发送给规则执行模块33。
可选的,本发明实施例中,规则执行模块33根据所接收的中央空调运行规则从平台应用端20读取输入参数,并根据所接收的中央空调运行规则和输入参数进行执行,并输出执行结果。
具体的,根据执行触发条件判断是否执行所选择的规则,若执行,则将相应的规则发送给规则执行模块33,规则执行模块33接收到所选择的规则后,根据所选择的规则从平台应用端20中获取相应的输入参数,并基于所获取的输入参数和所接收的规则进行执行,并输出相应的执行结果。其中,所输出的执行结果可包括但不限于:指标计算类数据、控制输出类数据/信号、文本消息类数据等。其中,所输出的执行结果可以直接写入平台应用端20,也可以直接下发给末端设备的执行控制器34,或者,也可以同时写入平台应用端20和下发给末端设备的执行控制器34。例如,对于控制输出类数据/信号可以同时写入平台应用端20和下发给末端设备的执行控制器34。
进一步地,本发明实施例中,如图1所示,该项目应用端30还包括:应用显示模块36。其中,该应用显示模块36与平台应用端20连接,用于实时读取平台应用端20存储的数据并显示。
可选的,本发明实施例中,应用显示模块36可用于存储并显示但不限于:消息中心、空调指标监测、实时控制监测、负荷预测监测预警诊断事件等。
如图1所示,本发明实施例中,平台应用端20包括:数据存储模块21。该数据存储模块21分别与项目应用端30的检测装置35、规则执行模块33以及应用显示模块36进行数据通信,用于接收检测装置35获取的项目应用端30数据并对项目应用端30数据进行预处理,获得预处理数据;以及对预处理数据按项目资产和设备类型进行分类后存储。
可选的,本发明实施例中,数据存储模块21对项目应用端30数据进行预处理可包括:对项目应用端30数据进行预处理可包括但不限于去除空缺值处理、去除重复值处理等。
同时,该数据存储模块21所存储的数据还可以被规则执行模块33和应用显示模块36读取。
如图1所示,本发明实施例中,平台应用端20还包括:第一触发判断模块22。
其中,该第一触发判断模块22用于判断数据存储模块21所存储的数据是否满足发送触发条件;若满足发送触发条件,则将满足发送触发条件的数据发送给云服务器10。
进一步地,如图1所示,本发明实施例中,平台应用端20还包括:第一规则存储模块23。其中,该第一规则存储模块23用于接收云服务器10下发的中央空调运行规则并存储。
可选的,本发明实施例中,第一规则存储模块23可以对云服务器10下发的中央空调运行规则进行存储。可选的,本发明实施例中,云服务器10下发的中央空调运行规则可包括但不限于负荷预测规则、控制优化规则、基于运行策略制定的预警诊断规则。其中,第一规则存储模块23所存储的规则集成专家经验库。
可选的,本发明实施例中,如图1所示,云服务器10包括:历史数据库11,该历史数据库11用于接收平台应用端20上传的数据。
可选的,本发明实施例中,如图1所示,该云服务器10还包括:自学***台应用端20上传的数据触发训练和验证自学习,生成中央空调运行规则模型;并基于中央空调运行规则模型生成中央空调运行规则。或者,在其他一些实施例中,云服务器10也可以直接对历史数据库11所接收的数据进行分析生成中央空调运行规则。
可选的,本发明实施例中,自学习模块12可包括但不限于负荷预测学习器、控制优化学习器、运行规则学习器、以及其他大数据应用学习器,通过这些学习器可对数据进行训练和验证。其中,在进行自学习时,可根据实际上传的数据选择相应的学习器进行自学习。
例如,若数据存储模块21所上传的数据是预测负荷的,则采用负荷预测学习器,由负荷预测学习器基于历史数据(如室外温度、冷量),预测未来冷量。如可以采用时序LSTM算法训练和验证,生成负荷预测模型,同时,在生成负荷预测模型后,基于所生成的负荷预测模型生成运行规则。即基于所生成的负荷预测模型监测室外温度和历史冷量即可预测未来冷量。其中,运行规则为:输入室外温度和历史冷量数据,输出预测冷量数据。
或者,若数据存储模块21所上传的数据是进行控制优化的,则可以采用控制优化学习器,由控制优化学习器基于历史数据(冷水机组、冷冻泵、冷却泵、冷却塔设备的历史运行数据和功率数据),基于功率计算表达式最小二乘回归得到设备的功率模型,即规则模型。并基于规则模型生成运行规则。其中,运行规则为:输入生成的功率模型,选中优化算法,以及输入室外温度和预测冷量,计算出冷站总功率最小的样本点,输出各设备的运行参数。
又或者,若数据存储模块21所上传的数据是运行变化的,则可以采用运行规则学习器,由运行规则学习器基于各设备的日历史耗电量曲线,基于聚类算法得到多个聚类簇,再基于室外温度和时间属性关联聚类簇,得到聚类簇的预测模型,即规则模型,再基于所生成的规则模型生成运行规则。其中,运行规则为:输入的室外温度和时间属性(星期、月份等属性)以及簇预测模型,得到运行聚类簇,基于聚类簇(即最大值最小值),监测是否用能异常,即预警诊断。
具体的,本发明实施例中,云服务器10根据第一触发判断模块22上传的数据触发自学***台应用端20中的第一规则存储模块23,以更新第一规则存储模块23中所存储的规则(即覆盖原规则)。
具体的,本发明实施例中,通过该基于自学习的中央空调运行专家库管理***可以实现对中央空调***进行管理。
具体的管理方法可参考图2。
具体的,如图2所示,该基于自学习的中央空调运行专家库管理方法包括以下步骤:
步骤S201、获取项目应用端30的项目应用端30数据,并将项目应用端30数据上传至平台应用端20。项目应用端30数据包括:中央空调***环境数据、中央空调***运行数据和中央空调***能源数据。
一些实施例中,获取项目应用端30的项目应用端30数据,并将项目应用端30数据上传至平台应用端20包括:通过检测装置35获取中央空调***环境数据、中央空调***运行数据和中央空调***能源数据。
可选的,本发明实施例中,可选的,本发明实施例中,中央空调***环境数据包括但不限于:室内人员数量、室外温度、室外湿度、太阳辐射强度、室内温度以及室内湿度。
中央空调***运行数据包括但不限于:冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度以及空气处理机组进风湿度。
中央空调***能源数据包括但不限于:***制冷量、所有制冷主机的制冷量,***实时功率以及***所有设备的实时功率。
步骤S202、平台应用端20对项目应用端30数据进行预处理并存储,以及基于预设条件将所存储的数据上传至云服务器10。
一些实施例中,平台应用端20对项目应用端30数据进行预处理并存储,以及基于预设条件将所存储的数据上传至云服务器10包括:数据存储模块21接收项目应用端30数据,并对项目应用端30数据进行预处理,获得预处理数据;对预处理数据按项目资产和设备类型进行分类后存储;第一触发判断模块22判断数据存储模块21所存储的数据是否满足发送触发条件;若满足发送触发条件,则将满足发送触发条件的数据发送给云服务器10。
一些实施例中,第一触发判断模块22判断数据存储模块21所存储的数据是否满足发送触发条件包括:第一触发判断模块22获取云服务器10的运行状态;第一触发判断模块22根据云服务器10的运行状态和数据上传触发条件判断数据存储模块21所存储的数据是否满足发送触发条件。
具体的,第一触发判断模块22根据云服务器10的运行状态和数据上传触发条件判断是否满足发送触发条件,若满足,即上传数据至云服务器10中的历史数据库11,以触发驱动云服务器10更新数据并基于更新数据更新自学***台事件或者定时条件),即当云服务器10处于运行状态,且满足平台事件或者定时条件时,即可上传数据至云服务器10的历史数据库11。
其中,当满足发送触发条件后,第一触发判断模块22可按数据周期上传数据到云服务器10的历史数据库11。例如,每隔1个月获取近半年的数据,即每隔1个月上传近半年的数据至云服务器10的历史数据库11进行自学习。
步骤S203、云服务器10基于平台应用端20上传的数据触发训练和验证自学***台应用端20。
一些实施例中,云服务器10基于平台应用端20上传的数据触发训练和验证自学***台应用端20包括:自学***台应用端20上传的数据触发训练和验证自学习,生成中央空调运行规则模型;基于中央空调运行规则模型生成中央空调运行规则。
具体的,自学***台应用端20上传的数据进行训练自学***台应用端20中的第一规则存储模块23,以不断地更新最新的规则专家库,并由第一规则存储模块23进行存储。
可选的,本发明实施例中,自学习模块12可包括但不限于负荷预测学习器、控制优化学习器、运行规则学习器、以及其他大数据应用学习器,通过这些学习器可对数据进行训练和验证。其中,在进行自学习时,可根据实际上传的数据选择相应的学习器进行自学习。
可选的,本发明实施例中,自学习模块12可包括但不限于负荷预测学习器、控制优化学习器、运行规则学习器、以及其他大数据应用学习器,通过这些学习器可对数据进行训练和验证。其中,在进行自学习时,可根据实际上传的数据选择相应的学习器进行自学习。
例如,若数据存储模块21所上传的数据是预测负荷的,则采用负荷预测学习器,由负荷预测学习器基于历史数据(如室外温度、冷量),预测未来冷量。如可以采用时序LSTM算法训练和验证,生成负荷预测模型,同时,在生成负荷预测模型后,基于所生成的负荷预测模型生成运行规则。即基于所生成的负荷预测模型监测室外温度和历史冷量即可预测未来冷量。其中,运行规则为:输入室外温度和历史冷量数据,输出预测冷量数据。
或者,若数据存储模块21所上传的数据是进行控制优化的,则可以采用控制优化学习器,由控制优化学习器基于历史数据(冷水机组、冷冻泵、冷却泵、冷却塔设备的历史运行数据和功率数据),基于功率计算表达式最小二乘回归得到设备的功率模型,即规则模型。并基于规则模型生成运行规则。其中,运行规则为:输入生成的功率模型,选中优化算法,以及输入室外温度和预测冷量,计算出冷站总功率最小的样本点,输出各设备的运行参数。
又或者,若数据存储模块21所上传的数据是运行变化的,则可以采用运行规则学习器,由运行规则学习器基于各设备的日历史耗电量曲线,基于聚类算法得到多个聚类簇,再基于室外温度和时间属性关联聚类簇,得到聚类簇的预测模型,即规则模型,再基于所生成的规则模型生成运行规则。其中,运行规则为:输入的室外温度和时间属性(星期、月份等属性)以及簇预测模型,得到运行聚类簇,基于聚类簇(即最大值最小值),监测是否用能异常,即预警诊断。
步骤S204、项目应用端30从平台应用端20获取中央空调运行规则,根据中央空调运行规则进行执行并输出执行结果。
一些实施例中,项目应用端30从平台应用端20获取中央空调运行规则,根据中央空调运行规则进行执行并输出执行结果包括:第二规则存储模块31从第一规则存储模块23中选择相应的中央空调运行规则,并基于所选择的中央空调运行规则和项目特征确定执行触发条件;第二触发判断模块32根据执行触发条件判断是否执行所选择的中央空调运行规则;若是,将所选择的中央空调运行规则发送给规则执行模块33;规则执行模块33根据所接收的中央空调运行规则从平台应用端20读取输入参数;规则执行模块33根据所接收的中央空调运行规则和输入参数进行执行,并输出执行结果。
其中,所输出的执行结果可包括但不限于:指标计算类数据、控制输出类数据/信号、文本消息类数据等。其中,所输出的执行结果可以直接写入平台应用端20,也可以直接下发给末端设备的执行控制器34,或者,也可以同时写入平台应用端20和下发给末端设备的执行控制器34。例如,对于控制输出类数据/信号可以同时写入平台应用端20和下发给末端设备的执行控制器34。
进一步地,一些实施例中,该基于自学习的中央空调运行专家库管理方法还包括:应用显示模块36实时读取数据存储模块21存储的数据并显示。
本发明实施例基于自学***台应用端20触发驱动云服务器10自学***台事件或者定时触发条件触发自学***台应用端20以更新专家库。
另外,通过平台应用端20提供一个专家库来集成云计算和人工经验快速沉淀的经验供项目应用使用,解决现有项目定制化业务规则的需求,提高项目的工作效率,减少开发成本,同时能够给用户呈现积累的沉淀业务经验。
本发明所提供的专家库管理方法并不局限于中央空调运行,也适用于建筑智能照明、给水排水、电梯等不同***运行管理领域,可基于本发明的方法制定不同***的运行专家库。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施,并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰,均应属于本发明权利要求的涵盖范围。
Claims (10)
1.一种基于自学习的中央空调运行专家库管理方法,其特征在于,包括以下步骤:
获取项目应用端的项目应用端数据,并将所述项目应用端数据上传至平台应用端、以供所述平台应用端对所述项目应用端数据进行存储;所述项目应用端数据包括:中央空调***环境数据、中央空调***运行数据和中央空调***能源数据;
所述平台应用端对所述项目应用端数据进行预处理并存储,以及基于预设条件将所存储的数据上传至云服务器;
所述云服务器基于所述平台应用端上传的数据触发训练和验证自学***台应用端,以供所述平台应用端对所述中央空调运行规则进行存储;
所述项目应用端从所述平台应用端获取所述中央空调运行规则,根据所述中央空调运行规则进行执行并输出执行结果。
2.根据权利要求1所述的基于自学习的中央空调运行专家库管理方法,其特征在于,所述项目应用端包括:检测装置;
所述获取项目应用端的项目应用端数据,并将所述项目应用端数据上传至平台应用端,以供所述平台应用端对所述项目应用端数据进行存储包括:
通过所述检测装置获取所述中央空调***环境数据、所述中央空调***运行数据和所述中央空调***能源数据,并将所述中央空调***环境数据、所述中央空调***运行数据和所述中央空调***能源数据发送给所述平台应用端,以供所述平台应用端对所述中央空调***环境数据、所述中央空调***运行数据和所述中央空调***能源数据进行存储。
3.根据权利要求2所述的基于自学习的中央空调运行专家库管理方法,其特征在于,所述中央空调***环境数据包括:室内人员数量、室外温度、室外湿度、太阳辐射强度、室内温度以及室内湿度;
所述中央空调***运行数据包括:冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度、冷冻水流量、冷却水流量、冷却塔风机转速、冷却塔进风温度、冷却塔进风湿度、空气处理机组风机转速、空气处理机组进风温度以及空气处理机组进风湿度;
所述中央空调***能源数据包括:***制冷量、所有制冷主机的制冷量,***实时功率以及***所有设备的实时功率。
4.根据权利要求1所述的基于自学***台应用端包括:数据存储模块和第一触发判断模块;
所述平台应用端对所述项目应用端数据进行预处理并存储,以及基于预设条件将所存储的数据上传至云服务器包括:
所述数据存储模块接收所述项目应用端数据,并对所述项目应用端数据进行预处理,获得预处理数据;
对所述预处理数据按项目资产和设备类型进行分类后存储;
所述第一触发判断模块判断所述数据存储模块所存储的数据是否满足发送触发条件;
若满足发送触发条件,则将满足发送触发条件的数据发送给所述云服务器。
5.根据权利要求4所述的基于自学习的中央空调运行专家库管理方法,其特征在于,所述第一触发判断模块判断所述数据存储模块所存储的数据是否满足发送触发条件包括:
所述第一触发判断模块获取所述云服务器的运行状态;
所述第一触发判断模块根据所述云服务器的运行状态和数据上传触发条件判断所述数据存储模块所存储的数据是否满足发送触发条件。
6.根据权利要求1所述的基于自学习的中央空调运行专家库管理方法,其特征在于,所述云服务器包括:自学习模块;
所述云服务器基于所述平台应用端上传的数据触发训练和验证自学***台应用端包括:
所述自学***台应用端上传的数据触发训练和验证自学习,生成中央空调运行规则模型;
基于所述中央空调运行规则模型生成所述中央空调运行规则。
7.根据权利要求1所述的基于自学***台应用端包括:第一规则存储模块;
所述第一规则存储模块用于接收所述云服务器下发的所述中央空调运行规则并存储。
8.根据权利要求7所述的基于自学习的中央空调运行专家库管理方法,其特征在于,所述项目应用端包括:第二规则存储模块、第二触发判断模块和规则执行模块;
所述项目应用端从所述平台应用端获取所述中央空调运行规则,根据所述中央空调运行规则进行执行并输出执行结果包括:
所述第二规则存储模块从所述第一规则存储模块中选择相应的中央空调运行规则,并基于所选择的中央空调运行规则和项目特征确定执行触发条件;
所述第二触发判断模块根据所述执行触发条件判断是否执行所选择的中央空调运行规则;
若是,将所选择的中央空调运行规则发送给所述规则执行模块;
所述规则执行模块根据所接收的中央空调运行规则从所述平台应用端读取输入参数;
所述规则执行模块根据所接收的中央空调运行规则和所述输入参数进行执行,并输出执行结果。
9.根据权利要求4所述的基于自学习的中央空调运行专家库管理方法,其特征在于,所述项目应用端还包括:应用显示模块;
所述方法还包括:所述应用显示模块实时读取所述数据存储模块存储的数据并显示。
10.一种基于自学***台应用端以及项目应用端;
所述项目应用端将项目应用端数据上传至所述平台应用端,以及从所述平台应用端获取所述中央空调运行规则,根据所述中央空调运行规则进行执行并输出执行结果;所述项目应用端数据包括:中央空调***环境数据、中央空调***运行数据和中央空调***能源数据;
所述平台应用端对所述项目应用端数据进行预处理并存储,以及基于预设条件将所存储的数据上传至云服务器,并将所述云服务器下发的所述中央空调运行规则进行存储;
所述云服务器基于所述平台应用端上传的数据触发训练和验证自学***台应用端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111675520.9A CN114413439A (zh) | 2021-12-31 | 2021-12-31 | 基于自学习的中央空调运行专家库管理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111675520.9A CN114413439A (zh) | 2021-12-31 | 2021-12-31 | 基于自学习的中央空调运行专家库管理方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114413439A true CN114413439A (zh) | 2022-04-29 |
Family
ID=81272374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111675520.9A Pending CN114413439A (zh) | 2021-12-31 | 2021-12-31 | 基于自学习的中央空调运行专家库管理方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114413439A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108139854A (zh) * | 2015-08-26 | 2018-06-08 | 谷歌有限责任公司 | 智能恒温器的集成天线***及相关组件管理 |
CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和*** |
CN112628956A (zh) * | 2020-12-24 | 2021-04-09 | 华中科技大学 | 基于边云协同框架的冷水机组负荷预测控制方法和*** |
US20210180819A1 (en) * | 2019-05-20 | 2021-06-17 | Honeywell International Inc. | Cloud and edge integrated energy optimizer |
CN113739371A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 一种基于云端协同的中央空调***及其控制方法 |
EP3919992A1 (en) * | 2020-06-06 | 2021-12-08 | Honeywell International Inc. | Method and system for managing virtual controllers in a building management system |
-
2021
- 2021-12-31 CN CN202111675520.9A patent/CN114413439A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108139854A (zh) * | 2015-08-26 | 2018-06-08 | 谷歌有限责任公司 | 智能恒温器的集成天线***及相关组件管理 |
US20210180819A1 (en) * | 2019-05-20 | 2021-06-17 | Honeywell International Inc. | Cloud and edge integrated energy optimizer |
CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和*** |
EP3919992A1 (en) * | 2020-06-06 | 2021-12-08 | Honeywell International Inc. | Method and system for managing virtual controllers in a building management system |
CN112628956A (zh) * | 2020-12-24 | 2021-04-09 | 华中科技大学 | 基于边云协同框架的冷水机组负荷预测控制方法和*** |
CN113739371A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 一种基于云端协同的中央空调***及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11513480B2 (en) | Method and device for automatically diagnosing and controlling apparatus in intelligent building | |
CN113835344B (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
CN107330056B (zh) | 基于大数据云计算平台的风电场scada***及其运行方法 | |
CN112346351B (zh) | 一种基于bim的物联网设备一体化智能集控*** | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、***及存储介质 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和*** | |
CN111191851B (zh) | 一种基于知识图谱的数据中心能效优化方法 | |
US11188039B2 (en) | Building management system with dynamic energy prediction model updates | |
CN114489307A (zh) | 针对互联网数据中心的能效优化方法及装置 | |
US11762349B2 (en) | Control system for building equipment with equipment model adaptation | |
CN111780384A (zh) | 一种中央空调控制*** | |
CN109901442B (zh) | 非侵入式能耗检测方法及*** | |
CN114358555A (zh) | 一种轨道交通智慧能源管理*** | |
CN112728723A (zh) | 一种智能化群控***监测分析制冷机房运行能效的方法 | |
CN111339641A (zh) | 制冷***管理方法、装置、云平台及存储介质 | |
WO2019227273A1 (en) | Hierarchical concept based neural network model for data center power usage effectiveness prediction | |
CN113790516A (zh) | 中央空调制冷站全局优化节能控制方法、***和电子设备 | |
CN115327930B (zh) | 一种可视化节能管控方法及*** | |
CN114413439A (zh) | 基于自学习的中央空调运行专家库管理方法和*** | |
CN114996979B (zh) | 能碳数据的管理方法、***、电子设备及存储介质 | |
CN116089086A (zh) | 一种轨道交通节能方法、装置、设备及存储介质 | |
CN116470638A (zh) | 一种智能机房管控*** | |
CN115437876A (zh) | 一种数据中心的管理方法、装置、电子设备和存储介质 | |
CN115099479A (zh) | 一种建筑能源设备能耗预算的管控方法、设备、存储介质 | |
CN107133710A (zh) | 数据中心场地设施监控管理***以及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220429 |