CN114580254A - 一种基于模型预测控制的建筑室内温度调控方法和*** - Google Patents

一种基于模型预测控制的建筑室内温度调控方法和*** Download PDF

Info

Publication number
CN114580254A
CN114580254A CN202011375964.6A CN202011375964A CN114580254A CN 114580254 A CN114580254 A CN 114580254A CN 202011375964 A CN202011375964 A CN 202011375964A CN 114580254 A CN114580254 A CN 114580254A
Authority
CN
China
Prior art keywords
indoor temperature
control
building
temperature
cooling capacity
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
Application number
CN202011375964.6A
Other languages
English (en)
Inventor
赵靖
刘光谱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202011375964.6A priority Critical patent/CN114580254A/zh
Publication of CN114580254A publication Critical patent/CN114580254A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Genetics & Genomics (AREA)
  • Fuzzy Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开一种基于模型预测控制的建筑室内温度调控方法和***，涉及到室内环境控制领域。首先建立室内温度预测模型，用于预测室温。在此基础上建立代价函数，该函数在保证室内温度的同时，优化空调***供冷量以降低***能耗。利用粒子群算法对函数滚动寻优，使预测时域内值最小，生成供冷量的控制序列。当前时刻根据序列第一个值对各设备进行控制，在控制时域内最大程度减少超调量和保证室内温度。在下一时刻反馈室内温度纠正预测模型的偏差，保证预测准确性，重复滚动优化，增强***稳定性。本发明区别目前的基于***温差或压差的反馈控制室内温度方法，在改善室内热舒适性前提下降低空调***能耗，对室内温度和供冷量都具有良好的调控品质。

Description

一种基于模型预测控制的建筑室内温度调控方法和***
技术领域
本发明涉及室内环境控制领域，更具体地，涉及一种基于模型预测控制的建筑室内温度 调控方法和***。
背景技术
据能源机构的统计，建筑能源消耗占总能源消耗的40％，而在建筑能耗占比中，空调系 统的能耗是建筑能耗的主要部分，约占建筑总能耗50％。随着人们对建筑舒适度以及节能的 要求日益提高，如何调控空调***在实现热舒适度的情况下，实现尽可能的节约能耗，越来 越有重要意义。
传统PID反馈控制策略存在超调量大、调节速度慢和稳定性差等缺点，并且不能平衡舒 适性和能耗。在保证未来一段时间内的人体舒适度的前提下，所需要的供冷/热量、控制策略 也是变化的，通过对控制变量滚动优化是可以实现在满足舒适度的前提下减少能耗的目的。
发明内容
本发明提出的一种基于模型预测控制的建筑室内温度调控方法和***从理论上区别于目 前普遍应用的PID反馈控制方法，实现在满足室内热舒适条件下空调供/冷热量和建筑负荷的 动态匹配，取得最大限度的***节能效果，实现了空调***设备的优化控制。
本发明提出的一种基于模型预测控制的建筑室内温度调控方法和***具体实现步骤如 下：
步骤1、根据空调***历史数据建立起建筑室内温度预测模型，计算在不同供冷量和气 象预报数据条件下未来时刻的室内温度预测值。
y*(k+1)＝a×u(k)+b×Q(k)+c×y(k)
其中，y*(k+1)为k+1时刻的室内温度预测值，a，b，c为待辨识参数，u(k)为k时刻的供冷量，Q(k)为k时刻的气象数据下的建筑负荷，y(k)为k时刻的室内温度。
步骤2、在室内温度预测模型基础上，收集空调***设备性能参数的基础上建立起代价 函数J(k)，该函数在保证室内温度的同时，尽可能优化空调***的供冷量以降低***能耗。
Figure BSA0000226182860000021
其中，N为预测时域可自行设置，q为温度误差权重系数，yset为室内温度温度设定值。
右侧第一项代表温度输出误差的代价，该项迫使空调***输出尽可能接近室内温度设定 值；右侧第二项表示供冷量控制变量变化的代价，尽可能平滑控制变量，减少***能耗。
步骤3、在每个控制周期内，利用粒子群算法对室内温度进行预测和代价函数滚动优化， 使预测时域N内目标函数J(k)最小，在设备性能参数约束条件下，生成供冷量设定值的控制 序列，输出第一个u值执行。
步骤4、现场控制器根据该设定值对空调***各设备进行优化控制，调节空调***供冷 量至设定值，保证在该控制时域内最大程度减少超调量和调节室内温度。
步骤5、实时采集建筑室内温度进行反馈校正，纠正预测模型的偏差，保证预测结果准 确性和增强控制***稳定性。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，对建筑室内温度进行了 模型预测控制，相对于定供水温度和定压差控制能够直接对室内温度进行控制，与传统PID 反馈控制相比，室内温度模型预测控制具有前馈控制特性超调量小，无稳态误差，适用于大 延迟复杂空调***，有良好的温度和能耗调控品质，具有明显的优势。
附图说明
图1是本发明一种基于模型预测控制的建筑室内温度调控方法和***流程图。
图2是本发明实施例***图。
图3是本发明实施例与PID室内温度仿真调控效果对比图
图4是本发明实施例与PID室内温度实验调控效果对比图
图5是本发明实施例与PID能耗仿真效果图
图6是本发明实施例与PID能耗实验效果图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发 明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于 限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间 未构成冲突就可以相互组合。
参照附图1，本发明的一种基于模型预测控制的建筑室内温度调控方法和***主要包括 如下步骤：
(1)收集空调***历史数据，包括供回水温度、流量、室内温度、建筑结构参数、历史 室外干球温度和相对湿度数据。用供回水温度和流量计算不同时刻的供冷量，室外干球温度、 相对湿度和太阳辐射照度和建筑结构参数计算不同时刻建筑冷负荷，最终与对应时刻室内温 度形成训练样本数据，用遗传算法训练以下公式。
y*(k+1)＝a×u(k)+b×Q(k)+c×y(k)
其中，y*(k+1)为k+1时刻的室内温度预测值，a，b，c为待辨识参数，u(k)为k时刻的供冷量，Q(k)为k时刻的气象数据下的建筑负荷，y(k)为k时刻的室内温度。
最终该实施例训练后的预测模型如下。
Figure BSA0000226182860000031
其中，Cp，V，ρ代表建筑比热容、体积和密度，Q代表冷负荷，ΔT控制步长为1小时，y*代表室内温度预测值，y代表实时室内温度。
(2)在室内温度预测模型基础上，收集空调***设备性能参数，主要是各冷水机组的制 冷量。建立起带有约束的代价函数J(k)，该函数在保证室内温度的同时，尽可能优化空调*** 的供冷量以降低***能耗。
代价函数为：
Figure BSA0000226182860000032
其中，空调运行时间为8点至19点，预测时域N＝12，室内温度yset＝25℃ q＝[10，10，10，10，10，10，10，10，10，10，10，2]。
约束为：umin≤u(k+i)≤umax，i＝0，1，…，N-1
其中umin和umax为分别空调***最小和最大制冷量，本例为0kW和40kW。
(3)在每个控制周期内，采用粒子群算法对室内温度进行预测和代价函数滚动优化，使 预测时域N内代价函数J(k)最小，生成供冷量设定值的控制序列U，输出第一个值u(k)执行。 本实施例粒子群算法滚动优化的目标函数为：
Figure BSA0000226182860000041
(4)空调***根据该设定值对各机组进行优化控制，首先按照u(k)决定冷水机组开启台 数，其次以能耗为目标采用粒子群算法计算在该供冷量下的最优供回水温度和流量，最后现 场控制器启停机组、设定冷冻水供回水温度和控制电动调节阀和水泵调节***流量，保证在 该控制时域内最大程度减少超调量和满足室内温度。
(5)当下一时刻开始时，采集建筑室内温度进行反馈校正，纠正预测模型的偏差，再次 滚动优化，如此循环往复，保证了预测结果准确性和增强控制***稳定性。
e(k+1)＝y(k+1)-y*(k+1)
其中，y(k+1)为k+1时刻室内温度真实值，y*为k+1时刻的预测值。此偏差e用来修正 对未来时刻的预测。
Y*(k+1)＝y*(k+1)+e(k+1)
其中，Y*(k+1)为k+1时刻室内预测温度纠正值。
仿真结果对比如图3和图5所示，MPC室内温度比PID提前1小时达到25℃设定点；MPC几乎不存在超调现象，PID存在很大超调量，并且稳定性差于MPC。经计算MPC和PID 平均室内温度分别为25.1℃和25.3℃，MPC比PID冷却塔节能15％，水泵节能16％，冷水机 组节能13.9％，最后总能耗节能14.8％。实验结果对比如图4和图6所示，MPC室内温度比 PID提前1个半小时左右达到25℃设定点，MPC几乎不存在超调现象，PID存在24.2℃的过 冷超调现象，MPC相比PID控制策略下冷却塔节能8.9％，水泵节能7.3％，冷水机组节能8.6％， 总能耗降低8.1％。因此通过仿真和实验均表明MPC室内温度和能耗调控效果均优于传统PID策略。
为让本领域的技术人员更易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在 本发明的保护范围之内。

Claims (9)

1.一种基于模型预测控制的建筑室内温度调控方法和***，其特征在于包括如下步骤：
步骤(1)、根据空调***历史数据建立起建筑室内温度预测模型，计算在不同供冷量和气象预报数据条件下未来时刻的室内温度预测值；
步骤(2)、在室内温度预测模型和空调***设备性能参数的基础上建立起代价函数J(k)，该函数在保证室内温度的同时，尽可能优化空调***的供冷量以降低***能耗；
步骤(3)、在每个控制周期内，利用智能算法对室内温度进行预测和代价函数滚动优化，使预测时域内目标函数J(k)最小，在设备性能参数约束条件下，生成供冷量设定值的控制序列，输出第一个值执行；
步骤(4)、现场控制器根据该设定值对空调***各设备进行优化控制，调节空调***供冷量至设定值，保证在该控制时域内最大程度减少超调量和调节室内温度；
步骤(5)、实时采集建筑室内温度进行反馈校正，纠正预测模型的偏差，保证预测结果准确性和增强控制***稳定性。
2.如权利要求1所述的一种基于模型预测控制的建筑室内温度调控方法和***，其特征在于，所述空调***历史数据包括供回水温度、流量、室内温度、建筑结构参数、室外干球温度、相对湿度数据和太阳辐射照度。
3.如权利要求1所述的一种基于模型预测控制的建筑室内温度调控方法和***，其特征在于，所述气象预报数据包括室外干球温度、相对湿度和太阳辐射照度。
4.如权利要求1所述的一种基于模型预测控制的建筑室内温度调控方法和***，其特征在于，所述反馈校正包括实时建筑室内温度、室外干球温度、相对湿度和太阳总辐射照度。
5.如权利要求1所述的一种基于模型预测控制的建筑室内温度调控方法和***，其特征在于，所述的室内温度预测模型采用机理方法建立，利用遗传算法和空调***历史数据辨识模型参数a、b、c，预测模型的准确性在±10％以内。公式如下：
y*(k+1)＝a×u(k)+b×Q(k)+c×y(k)
其中，y*(k+1)为k+1时刻的室内温度预测值，u(k)为k时刻的供冷量，Q(k)为k时刻的气象数据下的建筑负荷，y(k)为k时刻的室内温度。
6.如权利要求1所述的一种基于模型预测控制的建筑室内温度调控方法和***，其特征在于，所述设备参数包括冷热源机组的制冷/热量、定/变频和输入功率、各水泵扬程、流量和输入功率。
7.如权利要求1所述的一种基于模型预测控制的建筑室内温度调控方法和***，其特征在于，所述代价函数J(k)建立如下
Figure FSA0000226182850000021
其中，N为预测时域可自行设置，q为温度误差权重系数，yset为室内温度温度设定值。
右侧第一项代表温度输出误差的代价，该项迫使空调***输出尽可能接近室内温度设定值；右侧第二项表示供冷量控制变量变化的代价，尽可能平滑控制变量，减少***能耗。
8.如权利要求1所述的一种基于模型预测控制的建筑室内温度调控方法和***，其特征在于，所述步骤(3)的具体实现方式为：
在k时刻采用粒子群算法对代价函数J(k)进行未来N时刻全局寻优，计算J(k)最小值，在J(k)中寻优变量为供冷量u，得到u序列输出第一个u(k)给k时刻执行。
9.如权利要求1所述的一种基于模型预测控制的建筑室内温度调控方法和***，其特征在于，所述步骤(4)的具体实现方式为：
根据供冷量设定值u(k)对当前空调***运行参数进行优化，主要以能耗为目标决定在此供冷量设定值下冷水机组开启台数，采用粒子群算法优化供回水温度设定值和冷冻水流量，保证运行能耗最低。依据优化参数现场执行器执行主要包括启停机组和设定机组供水或回水温度，DDC控制器通过控制电动调节阀旁通流量和水泵频率来调节供冷量。
CN202011375964.6A 2020-12-01 2020-12-01 一种基于模型预测控制的建筑室内温度调控方法和*** Pending CN114580254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011375964.6A CN114580254A (zh) 2020-12-01 2020-12-01 一种基于模型预测控制的建筑室内温度调控方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011375964.6A CN114580254A (zh) 2020-12-01 2020-12-01 一种基于模型预测控制的建筑室内温度调控方法和***

Publications (1)

Publication Number Publication Date
CN114580254A true CN114580254A (zh) 2022-06-03

Family

ID=81768715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011375964.6A Pending CN114580254A (zh) 2020-12-01 2020-12-01 一种基于模型预测控制的建筑室内温度调控方法和***

Country Status (1)

Country Link
CN (1) CN114580254A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115220351A (zh) * 2022-08-06 2022-10-21 郑州轻工业大学 一种基于云边端的建筑空调***智能节能优化控制方法
CN117146369A (zh) * 2023-10-17 2023-12-01 北京君腾达制冷技术有限公司 一种多联机空调器的换热调节***
CN117387172A (zh) * 2023-12-11 2024-01-12 江苏中江数字建设技术有限公司 基于精准推荐设备控制参数的末端空调节能方法和***
CN117469774A (zh) * 2023-12-28 2024-01-30 北京市农林科学院智能装备技术研究中心 空调***调控方法、装置、电子设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115220351A (zh) * 2022-08-06 2022-10-21 郑州轻工业大学 一种基于云边端的建筑空调***智能节能优化控制方法
CN117146369A (zh) * 2023-10-17 2023-12-01 北京君腾达制冷技术有限公司 一种多联机空调器的换热调节***
CN117387172A (zh) * 2023-12-11 2024-01-12 江苏中江数字建设技术有限公司 基于精准推荐设备控制参数的末端空调节能方法和***
CN117387172B (zh) * 2023-12-11 2024-05-17 江苏中江数字建设技术有限公司 基于精准推荐设备控制参数的末端空调节能方法和***
CN117469774A (zh) * 2023-12-28 2024-01-30 北京市农林科学院智能装备技术研究中心 空调***调控方法、装置、电子设备及存储介质
CN117469774B (zh) * 2023-12-28 2024-04-02 北京市农林科学院智能装备技术研究中心 空调***调控方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN114580254A (zh) 一种基于模型预测控制的建筑室内温度调控方法和***
Mei et al. Energy-efficient predictive control of indoor thermal comfort and air quality in a direct expansion air conditioning system
CN108375175B (zh) 空调***控制方法及装置
CN110410960B (zh) 一种风机盘管预测控制方法
CN110107989A (zh) 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法
CN106979641B (zh) 基于改进mfac的制冷***数据驱动节能控制***及方法
CN106871351B (zh) 一种空调***的变频送风控制方法
CN108168031B (zh) 一种基于风阀位置重设定静压值的微调响应通风空调控制方法
CN109612047B (zh) 变风量空调***的送风温度控制方法
CN111121150A (zh) 一种智能热负荷预测调控方法、***及存储介质
CN115654665B (zh) 空调及其控制方法、存储介质
CN114811714A (zh) 一种基于模型预测控制的供暖房间室温控制方法
CN114440409A (zh) 一种中央空调***自适应节能控制方法
CN115081220A (zh) 一种高能效中央空调***调节方法及其***
CN110686350A (zh) 一种基于bp神经网络实时预测自调节温度的控制方法、计算机可读存储介质及空调
CN112628958B (zh) 空调器控制方法和空调器
CN117515857A (zh) 一种快速制暖并恒温的控制方法
CN115344070B (zh) 一种基于温度设定值和主电源开关联合控制的空调用能优化方法
Zhuang et al. Cascade control for supply air temperature in a variable air volume system
CN116149401A (zh) 一种压缩空气储能电站换热器出口温度控制***及方法
CN111023255B (zh) 一种采暖智能温控阀超调量的预期控制方法
CN108019880B (zh) 新风量控制方法及***
CN115143602B (zh) 一种基于迭代学习机制的有限冷量条件下的分配控制方法
CN116105223B (zh) 一种基于预测的智能供热控制***及方法
CN114234370B (zh) 一种多联机空调控制方法、装置及多联机空调

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