CN116379576B - 基于大数据自学习的供热空调***节能底线的寻优方法 - Google Patents
基于大数据自学习的供热空调***节能底线的寻优方法 Download PDFInfo
- Publication number
- CN116379576B CN116379576B CN202310555811.7A CN202310555811A CN116379576B CN 116379576 B CN116379576 B CN 116379576B CN 202310555811 A CN202310555811 A CN 202310555811A CN 116379576 B CN116379576 B CN 116379576B
- Authority
- CN
- China
- Prior art keywords
- value
- turning
- temperature
- current
- circulating pump
- 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
- 238000000034 method Methods 0.000 title claims abstract description 142
- 238000010438 heat treatment Methods 0.000 title claims abstract description 48
- 238000004378 air conditioning Methods 0.000 title claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 140
- 238000005265 energy consumption Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000004873 anchoring Methods 0.000 claims abstract description 11
- 230000007812 deficiency Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 48
- 230000002349 favourable effect Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 230000002411 adverse Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002898 library design Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000003827 upregulation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/85—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using variable-flow pumps
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及供热空调***节能方法技术领域,特别涉及基于大数据自学习的供热空调***节能底线的寻优方法,包括:步骤一:根据设定规则,建立循环泵频率最不利底线方法;步骤二:根据初始化特征模型和步骤一参照结果,建立供热量体验不足智能监测方法,以作为锚定当前供热需量的依据;能够根据人为干预完善自我特征学习;步骤三:在不同温度区间,学习迭代寻找热水出水最优温度;步骤四:在不同温度区间,学习迭代寻找热水出水温度、循环泵频率的最优组合,使得满足当前供需条件下的循环泵能耗最低。本发明的目的主要通过将供给侧、需求侧和环境数据的融合,建立大数据自学习逻辑,实现热源空调***节能底线寻优方法的自控。
Description
技术领域
本发明涉及供热空调***节能方法技术领域,特别涉及基于大数据自学习的供热空调***节能底线的寻优方法。
背景技术
一般建筑供热空调***需求负荷小于设计负荷,同时依据制热季不同温湿度环境等因素影响,空调***在多数时间应该处于部分负荷下运行。因此,根据气象条件和末端空调负荷的变化,确定合理的热水供水温度,分区间分边界变水温运行,即在不同的环境条件段采用不同的锅炉热水出水温度,可以降低运行能耗,达到节能运行的目的。
目前典型的供热空调***主要由供给侧主机机房、供回传输管道和需求侧风机盘管等几部分组成,其中主机机房***主要由热源***、热水循环***等组成,主要包括锅炉100、循环泵200、集水器300、分水器400、调节阀、开关阀等设备部件。典型的主机机房结构如图1所示。
整个供热空调***的能耗主要包括主机侧的锅炉用气、循环泵用电以及末端风机盘管内部风机的用电等,其中主机侧用气占主要部分,因此对主机侧用气数据的调节治理是供热空调***节能控制的关键。
目前,市面上不论是空调***厂商还是第三方节能改造服务商,对主机侧的控制方式可以归纳为两类:
第一类是模糊匹配控制法,在现场自控***上实现模糊匹配计算方法并运行,主要根据***内供回水温差、压差、流量等关键参数,调整锅炉热水出水温度、循环泵开启数、运行频率等,实现***在标准工况边界内的自适应调整运行。
第二类是人工经验控制法,人为根据季节、环境、管理实际等因素设定一些分时段循环泵开启数和运行频率以及锅炉开启数和出水温度,实现***在人工经验设定内的自适应调整运行。
以上两类方式都可实现一定程度的节能控制,但都有一些不足和局限性。
我们知道整个供热空调***本质上是能量的供给和使用,原理上遵循能量守恒,控制的手段是对循环泵的开启和调频以及锅炉的开启和调温,核心是锚定末端底线需量,以此迭代寻找控制组合的最佳知识模型并建立控制计算方法。因此在不同环境下的供能日,如何主动式量化锚定末端需量,动态协同控制末端侧和主机侧处于最优平衡工况,并在这一基础上在主机侧寻找控制最优设定组合,使得***总能耗最低,是评价控制逻辑的关键。
第一类方式是基于回水的温差、压差、流量等,我们知道温差、压差等是末端能量使用叠加环境变化的反馈变量,是控制很核心的参照因素,但它有明显的滞后性,一般传递到主机侧都有半个小时甚至一个小时以上的延迟,当主机侧捕获到这些变化因素后再触发控制动作,末端的状态可能已经发生了变化,这时候的控制显然无法保证主机侧和末端侧处于最优节能的运行工况,同时由于该方式无法量化末端需求,只能是相对反馈量方式下的平衡控制;
第二类方式是人为设置策略控制,比前第一类控制方式简单,粒度较粗,无法根据不通环境条件动态调节控制,控制精细化效果不如第一类,更无法保证主机侧和末端侧处于最优节能的运行工况。
以上两种方式都没有捕捉采集末端数据,也无法量化定义末端侧用能需求,因此无法达到供需协同,以实现用能底线自动化控制目的。
那么,我们是否可以基于跨界思维从大数据融合的角度,建立数据融合平台,首先打通两侧数据,在此基础上寻找在不同温湿度环境,以单个供能日为单位,基于末端侧需求变化来锚定最大需量,对应的建立与主机侧的最优控制组合设定知识模型,辅以强化学习逻辑,以“试错”的方式进行自我学习,即基于大数据自学习的供热空调***节能底线寻优方法自控的实现。
发明内容
本发明主要解决现有热源空调***模糊匹配控制法和人工经验控制法的不足和局限性,即由于供需两侧、环境数据流没有互通共享,仅靠自身滞后反馈数据建立规则或经验识别人工配置规则,导致控制颗粒度较粗,造成每个供能日看总体供能量偏冗余充足,使得热源***总能耗有较大的浪费。本发明的目的主要通过将供给侧、需求侧和环境数据的融合,建立大数据自学习逻辑,实现热源空调***节能底线寻优方法的自控。
为解决上述技术问题,本发明提供了基于大数据自学习的供热空调***节能底线的寻优方法,包括如下步骤:
步骤一:根据设定规则,建立循环泵频率最不利底线方法,该方法的计算结果作为循环泵最底频率,并维护循环泵频率控制模型;人工能够补充空间条件以优化方法的计算结果;
最不利底线方法包括如下步骤:
开始;
S101:判断中央空调主机是否开机,若开则转S102,否则转S301;
S102:判断知识库①状态=0的记录是否满足5条,若是则将5条记录循环泵频率的最高数值更新到模型库②的<满足最不利空间最低频率>字段,转S301,否则转S103;
S103:判断当日最低温度值对应记录在知识库①中是否存在,若存在则转S301,否则转S104;
S104:判断采样库②是否存在人工录入的数据记录,若有则转S106,否则转S105;
S105:判断当前室内空调开机率大于等于80%,若是则转S106,否则转S301;
S106:记忆当前热水出水温度和循环泵频率,将热水出水温度设为控制上限值,同时将循环泵频率设为最高值,转S107;
S107:调用最不利空间接口,判断结果若=0则转S108,若=1则记录最优频率值=当期频率值+1Hz转S201,否则转S301;
S108:将当前数据更新到知识库①,同时将状态字段置为-1,转S109;
S109:判断循环泵频率-1是否大于等于控制下限值,若是则将当前循环泵频率设定-1Hz,转S107,否则记录最优频率值=控制下限值转S201;
S201:将当前数据和最优频率值更新到知识库①,将本条记录状态字段置为1,同时将上一条记录状态字段由-1置为0,还原记忆当前热水出水温度和循环泵频率,转S301;
S301:结束;
步骤二:根据初始化特征模型和步骤一参照结果,建立供热量体验不足智能监测方法,以作为锚定当前供热需量的依据;能够根据人为干预完善自我特征学习;
供热量体验不足智能监测方法包括如下步骤:
开始;
S101:判断循环泵运行频率是否大于等于<循环泵频率最不利底线方法>得到的底线值,若开则转S102,否则输出-1,转S301;
S102:判断采样库④是否有状态=0的未处理记录,若有则转S103,否则转S201;
S103:判断未处理记录中的所有房间空调设定温度是否大于20℃,若是则转S105,否则转S104;
S104:将房间空调设定温度小于20℃的统一设定为26℃,15分钟后转S105;
S105:判断所有房间空调室内温度是否大于等于20℃,若是则输出10,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为10,转S301;否则输出11,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为11,转S301;
S201:判断当前设定温度大于20℃且室内温度小于20℃的空调数量占全部数量的比例,若大于1%,则将当前运行参数数据更新到采样库⑤,转S202,否则输出20,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为20,转S301;
S202:判断当前平均室内设定温度是否小于20℃,若是则将当前运行参数数据更新到采样库⑥,转S203,否则输出20,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为20,转S301;
S203:判断最近30分钟人为上调空调设定温度的数量占全部数量的比例,若大于1%,则将当前运行参数数据更新到采样库⑦,转S204,否则输出20,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为20,转S301;
S204:将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为21,输出21,转S301;
S301:结束;
步骤三:在不同温度区间,学习迭代寻找热水出水最优温度,使得满足当前供需条件下的出水温度最低,并维护知识库和最优模型;在控制运行阶段,此方法随供热量体验不足智能监测方法联动调整;
热水出水温度底线智能寻优方法包括如下步骤:
开始;
S101:判断中央空调***主机是否开启,若开则转S102,否则转S201;
S102:判断当前最低温度在知识库③是否有匹配的记录,若无记录则转S1021,若有记录但无状态=0的记录则转S1022,否则转S201;
S1021:判断小于当前最低温度在知识库③是否有匹配的记录,若无则当前热水出水温度值初始为控制上限值,若有则当前热水出水温度值初始为最接近的温度值对应的知识记录参数值,转S103;
S1022:取最近的一条知识记录,判断对应的热水温度字段值-0.5℃是否小于等于控制下限值,若是则当前热水出水温度值初始为控制下限值,若否则当前热水出水温度值初始为热水温度字段值-0.5℃,转S103;
S103:将循环泵频率值设为控制上限值,30分钟后转S104;
S104:调用 <供热量体验不足监测方法>,若结果等于11或21则转S1041,若结果等于10或20则转S1042;
S1041:将当前运行参数数据更新到知识库③,当前记录<状态>字段值为1,将上一条临近记录<状态>字段值更新为0,同时将<状态>字段更新为0对应的记录同步更新到模型库①,对应<热水最优出水温度>字段更新为对应出水温度值,<状态>字段值更新为1,转S201;
S1042:间隔30分钟,判断中央空调***主机是否关机,若是则转S105,否则转S104;
S105:将当前运行参数数据更新到知识库③,当前记录<状态>字段值为-1,转S201;
S201:结束;
步骤四:基于步骤三的知识库和模型,建立循环泵能耗底线智能寻优方法,在不同温度区间,学习迭代寻找热水出水温度、循环泵频率的最优组合,使得满足当前供需条件下的循环泵能耗最低,此方法随热水出水温度底线智能寻优方法联动调整;
循环泵能耗底线智能寻优方法包括如下步骤:
开始;
S101:判断中央空调***主机是否开启,若开则转S102,否则转S201;
S102:判断当前最低温度在知识库④是否有匹配的记录,若无记录则转S1021,若有记录但无状态=0的记录则转S1022,否则转S201;
S1021:判断小于当前最低温度在知识库④是否有匹配的记录,若无则当前循环泵频率值初始为控制上限值,若有则当前循环泵频率值初始为最接近的温度值对应的知识记录参数值,转S103;
S1022:取最近的一条知识记录,判断对应的循环泵频率字段值-2Hz是否小于等于控制下限值,若是则当前循环泵频率值初始为控制下限值,若否则当前循环泵频率值初始为对应记录循环泵频率字段值-2Hz,转S103;
S103:取模型库①当前最低温度对应<热水最优出水温度>字段对应出水温度值,将热水出水温度值设为对应出水温度值,转S104;
S104:调用 <供热量体验不足监测方法>,若结果等于11或21则转S1041,若结果等于10或20则转S1042;
S1041:将当前运行参数数据更新到采样库①,同时更新知识库④,对应当前记录<供热量体验计算结果>字段值为S104对应的11或21,当前记录<状态>字段值为1,将上一条临近记录<状态>字段值更新为0,转S201;
S1042:将当前运行参数数据更新到采样库①,间隔30分钟,判断中央空调***主机是否关机,若是计算当日能耗值,同时将当前运行参数数据更新知识库④,当前记录<供热量体验计算结果>字段值为S104对应的10或20,转S105,否则转S104;
S105:取知识库④上一条临近记录,获得对应<循环泵日能耗>字段值,若比S1042对应计算当日能耗值大,则更新知识库④当前记录<状态>字段值为-1,否则更新知识库④当前记录<状态>字段值为1,将上一条临近记录<状态>字段值更新为0,转S201;
S201:结束。
优选的,在所述循环泵频率最不利底线方法中,还包括如下设计原理:
循环泵运转频率越低,供回水流速越小压力越低,楼栋最不利供热点容易供热不足而引起投诉,能够通过如下任一种识别接口规则进行投诉可能性的量化识别,以此锚定循环泵最不利频率底线值;
人工识别接口:人工输入建立最不利空间池,***监控识别这些空间是否能够达到20℃室温条件判断;
自动识别接口:能够通过在一定开机率>=80%条件下保证最不利的空间开机概率,通过采样室温<20℃且设温>20℃门限绝对量>1%判断;
以上两种接口需要采样获得5个温度条件下的知识记录,以最高频率作为底线频率值。
优选的,还包括如下过程:
有人工输入数据前提下,以人工识别接口为准,必须全部满足人工输入空间室温达标;若没有人工输入数据,则按自动识别接口至触发不利边界,回退上一个有利结果,采集5个不同温度条件下的记录。
优选的,最不利空间接口的计算步骤如下:
开始;
S101:判断采样库②是否存在人工录入的数据记录,若有则转S201,否则S102;
S102:判断当前室内空调开机率大于等于80%,若是则转S103,否则转S301;
S103:判断当前热水出水温度达到控制上限值,若是则转S104,否则转S301;
S104:识别当前室内空调室温小于等于20℃且设定温度大于等于20℃的空间,持续等待30分钟,再次识别当前室内空调室温小于等于20℃且设定温度大于等于20℃的空间,若最近两次识别的空间数据一致,将最新空间数据更新到采样库③转S105,否则继续S104循环识别判断;
S105:判断S104识别的空调数量占总数量的比例,若小于等于1%,则输出0,否则输出1,转S401;
S201:判断当前热水出水温度达到控制上限值,若是则转S202,否则转S301;
S202:将人工录入的所有空间的空调设定温度统一设定为26℃,持续等待30分钟后,若室内温度均大于等于20℃,则输出0,否则输出1,转S401;
S301:输出-1,转S401;
S401:结束。
优选的,在所述供热量体验不足监测方法中,还包括如下设计原理:
在一个供能日,为避免供热量不足,即需要保障一天当中温度焓值最低点的供热量需要,在确保锅炉运行安全的前提下,能够通过如下人工和自动两种接口规则识别:
人工识别接口:人工更新的供热量不足空间的达标情况,全部室温>=20℃且设温>=20℃;
自动识别接口:按如下几个维度特征数据进行综合识别:
结果数据一:室温<20℃且设温>20℃空间的数据,其初始化特征规则=绝对量>1%;
结果数据二:平均室温、最高室温和最低室温数据,其初始化特征规则=平均室温<20℃;
行为数据一:人为触控上调设定温度信号数据,其初始化特征规则=绝对量>1%。
优选的,在所述热水出水温度底线智能寻优方法中,还包括如下设计原理:
在一个中央空调开启和关闭供能日周期,温度范围是明确的,焓值在一定区间内变化,要保证当日在焓值变化过程中的供能量,只需保证在焓值最低点的最低供能量即可,从而找出热水出水温度底线值。
在一个供能日区间,最高点的制热需量一定的情况下,我们要保证用户用能体验(不能引起用户投诉),只需要通过供热量体验不足监测进行锚定,学习迭代寻找出热水出温度找到底线值。
优选的,还包括如下过程:
以日为周期执行,判断识别当日最低温度匹配的知识记录状态为1不利值停止执行,若为-1有利值继续学习,对应出水温度按以下规则调整:
若当日最低温度在知识库③有小于温度值的知识记录时,则初始值参照最接近的温度值对应的知识记录参数值,若无则初始值为热水控制上限温度。
出水温度以初始值或当前知识值-0.5℃为幅度进行调整,直至为可控制下限温度值;
当供热量体验不足方法的计算结果=11或21时更新知识库当前记录状态为1,上一记录状态为0底线值,否则维护知识库记录状态为-1有利值。
优选的,在所述循环泵能耗底线智能寻优方法中,还包括如下设计原理:
首先,已经固定循环泵频率在最大值,寻找锚定出热水出水温度的最低值;
其次,固定热水出水温度底线值,继续微调迭代频率,通过供热量体验不足和循环泵能耗变化综合监测进行锚定,学习迭代出在保证供热的前提下循环泵能耗最低值对应的频率值;
最终,迭代寻找出某一低温值对应日焓值最低的条件下,热水出水温度最低值,循环泵频率的最小值,得出热水出水温度和循环泵频率的最优组合值。
优选的,还包括如下过程:
以日为周期执行,当日最低温度间匹配的知识记录状态为1不利值时停止执行,若为-1有利值时则继续学习,直至状态更新为0底线值时,对应循环泵频率按以下规则调整:
若当日最低温度在知识库④有小于温度值的知识记录时,则初始值参照最接近的温度值对应的知识记录参数值,若无则初始值为循环泵频率最高。
循环泵频率以初始值或当前知识值-2Hz为幅度进行调整,直至为循环泵可控制下限值;
整个寻优过程以供热量体验不足监测结果和能耗值变化量为学习奖赏依据,探底循环泵频率边界,直至触发供热量体验不足边界或能耗变化量边界。
本发明具有以下有益效果:
本发明热源空调***基于用能底线实现按需供能、供需协同是最优的节能方式,本发明突破传统的热源空调***滞后性模糊匹配的节能控制或人工经验控制方式,以求在不同温湿度变化下的供能日锚定需侧用能底线,以此寻找主机侧能耗最优的设定知识模型,建立强化自学习方法,以挖掘既有管理控制方式下的节能空间,实现用能体验和节能效益的相统一,助力建筑节能减排和降碳达峰的实现。
附图说明
图1是本发明的典型的主机机房结构图。
图2是本发明的方法结构图。
图中:100-锅炉、200-循环泵、300-集水器、400-分水器。
实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明实施例包括如下几部分:
一、方法目标:
面向供热空调***场景,以供能日为单位,通过建立控制参量与用户底线、安全底线和能耗底线相统一的知识库,辅以调整-反馈-分析的强化学习方法,以期形成***节能底线最优知识模型,实现供热空调***最佳底线节能AI控制。
方法结构(参见图2所示)。
方法定义:
①方法组成:
整个自控方案涉及的主要方法:
1)循环泵频率最不利底线方法(一次计算方法);
2)供热量体验不足智能监测方法(自学习方法、锚点方法);
3)热水出水温度底线智能寻优方法(自学习方法);
4)循环泵能耗底线智能寻优方法(自学习方法)。
说明如下:
一次计算方法:独立计算方法,可以单独启动运行。在寻优阶段,只需要单次执行按确定的规则得出结果,支持人为干预状态触发执行。
自学习方法:独立计算方法,可以单独启动运行。在寻优阶段,需要循环“探底”自学习执行,直到触发规则边界或出现不利结果。
锚点方法:在寻优阶段,可以被其他方法调用,作为寻优锚点参照,支持人为干预状态触发执行。
②组合步骤:
第一步:根据设定规则,建立循环泵频率最不利底线方法,该方法的计算结果作为循环泵最底频率,并维护循环泵频率控制模型。人工可补充空间条件以优化方法结果。
第二步:根据初始化特征模型和步骤一参照结果,建立供热量体验不足智能监测方法,以作为锚定当前供热需量的依据。可以根据人为干预完善自我特征学习。
第三步:在不同温度区间,学习迭代寻找热水出水最优温度,使得满足当前供需条件下的出水温度最低。并维护知识库和最优模型。在控制运行阶段,此方法随供热量体验不足智能监测方法联动调整。
第四步:基于步骤三的知识库和模型,建立循环泵能耗底线智能寻优方法,在不同温度区间,学习迭代寻找热水出水温度、循环泵频率的最优组合,使得满足当前供需条件下的循环泵能耗最低。此方法随热水出水温度底线智能寻优方法联动调整。
知识库设计:
①循环泵频率知识库(简称知识库①):
包含项目、温度、更新时间、开机率、热水出水温度、循环泵频率、识别方式(1:人工,2:自动)、状态(-1:有利值,0:底线值,1:不利值)等参数。
②供热量体验不足特征库(简称知识库②):
包含项目、室温<20℃且设温>20℃(绝对变化量、相对变化量)、平均室温(绝对变化量、相对变化量)、人为触控上调温度信号(绝对变化量、相对变化量)等参数。
③热水温度知识库(简称知识库③):
包含项目、(日)最低温度、对应日期、实时温度、更新时间、热水温度、循环泵频率、供热量体验计算结果(11或21:不足,10或20:充足)、状态(-1:有利值 0:底线值1:不利值)等参数。
④循环泵能耗知识库(简称知识库④):
包含项目、(日)最低温度、更新时间、热水温度、循环泵频率、循环泵(日)能耗、供热量、体验计算结果(11或21:不足,10或20:充足)、状态(-1:有利值0:底线值1:不利值)等参数。
采样库设计:
①***运行工况采样库(简称采样库①):
包含项目、实时温度、采样时间、循环泵频率、热水出回水温度等参数。
②最不利空间人工采样库(简称采样库②):
包含项目、发生时间、(空间)设备编号、(空间)设备名称、操作日期、操作人员等参数。
③最不利空间指标采样库(简称采样库③):
包含项目、采样时间、(空间)设备编号、(空间)设备名称、室内温度、设定温度等参数。
④供热量体验不足空间人工采样库(简称采样库④):
包含项目、日最低温、发生时间、(空间)设备编号、(空间)设备名称、室内温度、设定温度、操作日期、操作人员、状态(0:待处理 1:已处理)等参数。
⑤供热量体验(室温<20℃且设温>20℃)指标采样库(简称采样库⑤):
包含项目、日最低温、采样时间、(空间)设备编号、(空间)设备名称、室内温度、设定温度等参数。
⑥供热量体验(平均、最高、最低室温)指标采样库(简称采样库⑥):
包含项目、日最低温、采样时间、平均室温、最高室温、最低室温等参数。
⑦供热量体验(人为触控上调设定温度信号)指标采样库(简称采样库⑦):
包含项目、日最低温、采样时间、(空间)设备编号、(空间)设备名称、室内温度、设定温度等参数。
⑧供热量体验采样计算库(简称采样库⑧):
包含日最低温、实时温度、对应日期、循环泵频率、热水出水温度、热水回水温度、室温<20℃且设温>20℃(绝对变化量、相对变化量)、平均室温(绝对量、相对变化量)、人为触控上调温度信号(绝对变化量、相对变化量)、特征规则计算结果 (11或21:不足,10或20:充足)等参数。
模型库设计:
①***最优模型库(简称模型库①):
包含项目、日最低温度、热水最优出水温度、循环泵最优频率、更新时间、状态(1:有效,0:无效)等参数。
②泵变频控制模型库(简称模型库②):
包含项目、控制下限频率、控制上限频率、满足最不利空间最低频率等参数。
方法实现:
1、循环泵频率最不利底线方法:
①概念:最不利即在热水出水温度符合要求的前提下,由于循环泵频率不足导致水循环压力不够,室内空间温度无法达到设定要求的情况。频率底线即在供热量合理的前提下,为保证最不利空间的供热要求对应的循环泵的最低设定频率值。
②原理:循环泵运转频率越低,供回水流速越小压力越低,楼栋最不利供热点容易供热不足而引起投诉,可以通过如下两种识别接口规则任一个进行投诉可能性的量化识别,以此锚定循环泵最不利频率底线值。
人工识别接口:人工输入建立最不利空间池,***监控识别这些空间是否可达到20℃室温条件判断。
自动识别接口:可通过在一定开机率(>=80%)条件下(保证最不利的空间开机概率),通过采样室温<20℃且设温>20℃门限绝对量>1%判断。
以上两种接口需要采样获得5个温度条件下的知识记录,以最高频率作为底线频率值。
③实现过程:
动作:频率;
状态:最不利空间接口计算结果;
循环体:有人工输入数据前提下,以人工识别接口为准,必须全部满足人工输入空间室温达标,若没有人工输入数据,则按自动识别接口至触发不利边界,回退上一个有利结果,采集5个不同温度条件下的记录。
④流程步骤:
1)最不利空间接口的计算:流程步骤如下:
开始;
S101:判断采样库②是否存在人工录入的数据记录,若有则转S201,否则S102;
S102:判断当前室内空调开机率大于等于80%,若是则转S103,否则转S301;
S103:判断当前热水出水温度达到控制上限值,若是则转S104,否则转S301;
S104:识别当前室内空调室温小于等于20℃且设定温度大于等于20℃的空间,持续等待30分钟,再次识别当前室内空调室温小于等于20℃且设定温度大于等于20℃的空间,若最近两次识别的空间数据一致,将最新空间数据更新到采样库③转S105,否则继续S104循环识别判断;
S105:判断S104识别的空调数量占总数量的比例,若小于等于1%,则输出0,否则输出1,转S401;
S201:判断当前热水出水温度达到控制上限值,若是则转S202,否则转S301;
S202:将人工录入的所有空间的空调设定温度统一设定为26℃,持续等待30分钟后,若室内温度均大于等于20℃,则输出0,否则输出1,转S401;
S301:输出-1,转S401;
S401:结束。
2)本循环泵频率最不利底线方法:流程步骤如下:
开始;
S101:判断中央空调主机是否开机,若开则转S102,否则转S301;
S102:判断知识库①状态=0的记录是否满足5条,若是则将5条记录循环泵频率的最高频率值更新到模型库②的<满足最不利空间最低频率>字段,转S301,否则转S103;
S103:判断当日最低温度值对应记录在知识库①中是否存在,若存在则转S301,否则转S104;
S104:判断采样库②是否存在人工录入的数据记录,若有则转S106,否则转S105;
S105:判断当前室内空调开机率大于等于80%,若是则转S106,否则转S301;
S106:记忆当前热水出水温度和循环泵频率,将热水出水温度设为控制上限值,同时将循环泵频率设为最高值,转S107;
S107:调用最不利空间接口,判断结果若=0则转S108,若=1则记录最优频率值=当期频率值+1Hz转S201,否则转S301;
S108:将当前数据更新到知识库①,同时将状态字段置为-1,转S109;
S109:判断循环泵频率-1是否大于等于控制下限值,若是则将当前循环泵频率设定-1Hz,转S107,否则记录最优频率值=控制下限值转S201;
S201:将当前数据和最优频率值更新到知识库①,将本条记录状态字段置为1,同时将上一条记录状态字段由-1置为0,还原记忆当前热水出水温度和循环泵频率,转S301;
S301:结束。
2、供热量体验不足监测方法:
①概念:以一个供能日为单位,循环泵频率在底线及之上的前提下,由于热水出水温度不足导致供热量不够,室内空间温度无法达到设定要求而影响用户体验的情况。
②原理:在一个供能日,为避免供热量不足,即需要保障一天当中温度(焓值)最低点的供热量需要,在确保锅炉运行安全的前提下,可通过人工和自动两种规则接口识别:
人工识别接口:人工更新的供热量不足空间的达标情况(全部室温>=20℃且设温>=20℃);
自动识别接口:按几个维度特征数据进行综合识别:
(结果数据一)室温<20℃且设温>20℃空间的数据(初始化特征规则=绝对量>1%);
(结果数据二)平均室温、最高室温、最低室温数据(初始化特征规则=平均室温<20℃);
(行为数据一)人为触控上调设定温度信号数据(初始化特征规则=绝对量>1%)。
③实现过程:
环境:日最低温度;
参数:热水出水温度;
输出:几个特征指标计算结果,若是有人工输入数据的情形,判断不足输出11,充足输出10;否则按自动识别情形,判断不足输出21,充足输出20,无法计算输出-1。
智能体:不管是寻优阶段还是运行阶段,当有人工更新采样数据时,识别发生时的特征计算结果,并更新维护特征规则模型。
④本供热量体验不足监测方法:流程步骤如下:
开始;
S101:判断循环泵运行频率是否大于等于<循环泵频率最不利底线方法>得到的底线值,若开则转S102,否则输出-1,转S301;
S102:判断采样库④是否有状态=0的未处理记录,若有则转S103,否则转S201;
S103:判断未处理记录中的所有房间空调设定温度是否大于20℃,若是则转S105,否则转S104;
S104:将房间空调设定温度小于20℃的统一设定为26℃,15分钟后转S105;
S105:判断所有房间空调室内温度是否大于等于20℃,若是则输出10,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为10,转S301;否则输出11,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为11,转S301;
S201:判断当前设定温度大于20℃且室内温度小于20℃的空调数量占全部数量的比例,若大于1%,则将当前运行参数数据更新到采样库⑤,转S202,否则输出20,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为20,转S301;
S202:判断当前平均室内设定温度是否小于20℃,若是则将当前运行参数数据更新到采样库⑥,转S203,否则输出20,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为20,转S301;
S203:判断最近30分钟人为上调空调设定温度的数量占全部数量的比例,若大于1%,则将当前运行参数数据更新到采样库⑦,转S204,否则输出20,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为20,转S301;
S204:将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为21,输出21,转S301;
S301:结束。
3、热水出水温度底线智能寻优方法:
①概念:在不同的温度条件下,以一个供能日为周期,为保障一天当中温度(焓值)最低点的供热量需要,循环泵频率在底线及之上的前提下,热水出水需要的最低温度。
②原理:在一个中央空调开启和关闭供能日周期,温度范围是明确的,焓值在一定区间内变化,要保证当日在焓值变化过程中的供能量,只需保证在焓值最低点的最低供能量即可,从而找出热水出水温度底线值。在一个供能日区间,最高点的制热需量一定的情况下,我们要保证用户用能体验(不能引起用户投诉),只需要通过供热量体验不足监测进行锚定,学习迭代寻找出热水出温度找到底线值。
③实现过程:
环境:日最低温度;
动作:热水出水温度;
状态:供热量体验不足监测结果 ;
智能体:以日为周期执行,判断识别当日最低温度匹配的知识记录状态为1(不利值)停止执行,若为-1(有利值)继续学习,对应出水温度按以下规则调整:
若当日最低温度在知识库③有小于温度值的知识记录时,则初始值参照最接近的温度值对应的知识记录参数值,若无则初始值为热水控制上限温度。
出水温度以初始值或当前知识值-0.5℃为幅度进行调整,直至为可控制下限温度值。
当供热量体验不足方法的计算结果=11或21时更新知识库当前记录状态为1,上一记录状态为0(底线值),否则维护知识库记录状态为-1(有利值)。
④本热水出水温度底线智能寻优方法:流程步骤如下:
开始;
S101:判断中央空调***主机是否开启,若开则转S102,否则转S201;
S102:判断当前最低温度在知识库③是否有匹配的记录,若无记录则转S1021,若有记录但无状态=0的记录则转S1022,否则转S201;
S1021:判断小于当前最低温度在知识库③是否有匹配的记录,若无则当前热水出水温度值初始为控制上限值,若有则当前热水出水温度值初始为最接近的温度值对应的知识记录参数值,转S103;
S1022:取最近的一条知识记录,判断对应的热水温度字段值-0.5℃是否小于等于控制下限值,若是则当前热水出水温度值初始为控制下限值,若否则当前热水出水温度值初始为热水温度字段值-0.5℃,转S103;
S103:将循环泵频率值设为控制上限值,30分钟后转S104;
S104:调用 <供热量体验不足监测方法>,若结果等于11或21则转S1041,若结果等于10或20则转S1042;
S1041:将当前运行参数数据更新到知识库③,当前记录<状态>字段值为1,将上一条临近记录<状态>字段值更新为0,同时将<状态>字段更新为0对应的记录同步更新到模型库①,对应<热水最优出水温度>字段更新为对应出水温度值,<状态>字段值更新为1,转S201;
S1042:间隔30分钟,判断中央空调***主机是否关机,若是则转S105,否则转S104;
S105:将当前运行参数数据更新到知识库③,当前记录<状态>字段值为-1,转S201;
S201:结束。
4、循环泵能耗底线智能寻优方法:
①概念:在不同的温度条件下,以一个供能日为周期,为保障一天当中温度(焓值)最低点的供热量需要,循环泵频率在底线及之上的前提下,热水出水温度已经寻找出最优值,迭代寻找循环泵频率的最优组合,使得在安全护栏边界之内,循环泵的能耗最低。
②原理:
首先,我们已经固定循环泵频率在最大值,寻找锚定出热水出水温度的最低值。
其次,我们固定热水出水温度底线值,继续微调迭代频率,通过供热量体验不足和循环泵能耗变化综合监测进行锚定,学习迭代出在保证供热的前提下循环泵能耗最低值对应的频率值。
最终,我们迭代寻找出某一低温值对应日焓值最低的条件下,热水出水温度最低值,循环泵频率的最小值,得出(热水出水温度,循环泵频率)最优组合值。
③实现过程:
环境:日最低温度、热水出水温度;
动作:循环泵频率;
状态:供热量体验不足监测结果;
智能体:以日为周期执行,当日最低温度间匹配的知识记录状态为1(不利值)停止执行,若为-1(有利值)则继续学习,直至状态更新为0(底线值),对应循环泵频率按以下规则调整:
若当日最低温度在知识库④有小于温度值的知识记录时,则初始值参照最接近的温度值对应的知识记录参数值,若无则初始值为循环泵频率最高。
循环泵频率以初始值或当前知识值-2Hz为幅度进行调整,直至为循环泵可控制下限值。
3、整个寻优过程以供热量体验不足监测结果和能耗值变化量为学习奖赏依据,探底循环泵频率边界,直至触发供热量体验不足边界或能耗变化量边界。
④循环泵能耗底线智能寻优方法:流程步骤如下:
开始;
S101:判断中央空调***主机是否开启,若开则转S102,否则转S201;
S102:判断当前最低温度在知识库④是否有匹配的记录,若无记录则转S1021,若有记录但无状态=0的记录则转S1022,否则转S201;
S1021:判断小于当前最低温度在知识库④是否有匹配的记录,若无则当前循环泵频率值初始为控制上限值,若有则当前循环泵频率值初始为最接近的温度值对应的知识记录参数值,转S103;
S1022:取最近的一条知识记录,判断对应的循环泵频率字段值-2Hz是否小于等于控制下限值,若是则当前循环泵频率值初始为控制下限值,若否则当前循环泵频率值初始为对应记录循环泵频率字段值-2Hz,转S103;
S103:取模型库①当前最低温度对应<热水最优出水温度>字段对应出水温度值,将热水出水温度值设为对应出水温度值,转S104;
S104:调用 <供热量体验不足监测方法>,若结果等于11或21则转S1041,若结果等于10或20则转S1042;
S1041:将当前运行参数数据更新到采样库①,同时更新知识库④,对应当前记录<供热量体验计算结果>字段值为S104对应的11或21,当前记录<状态>字段值为1,将上一条临近记录<状态>字段值更新为0,转S201;
S1042:将当前运行参数数据更新到采样库①,间隔30分钟,判断中央空调***主机是否关机,若是计算当日能耗值,同时将当前运行参数数据更新知识库④,当前记录<供热量体验计算结果>字段值为S104对应的10或20,转S105,否则转S104;
S105:取知识库④上一条临近记录,获得对应<循环泵日能耗>字段值,若比S1042对应计算当日能耗值大,则更新知识库④当前记录<状态>字段值为-1,否则更新知识库④当前记录<状态>字段值为1,将上一条临近记录<状态>字段值更新为0,转S201;
S201:结束。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (9)
1.基于大数据自学习的供热空调***节能底线的寻优方法,其特征在于,包括如下步骤:
步骤一:根据设定规则,建立循环泵频率最不利底线方法,该方法的计算结果作为循环泵最底频率,并维护循环泵频率控制模型;人工能够补充不利空间条件以优化计算结果;
最不利底线方法包括如下步骤:
开始;
S101:判断中央空调主机是否开机,若开则转S102,否则转S301;
S102:判断知识库①状态=0的记录是否满足5条,若是则将5条记录循环泵频率平均数值更新到模型库②的<满足最不利空间最低频率>字段,转S301,否则转S103;
S103:判断当日最低温度值对应记录在知识库①中是否存在,若存在则转S301,否则转S104;
S104:判断采样库②是否存在人工录入的数据记录,若有则转S106,否则转S105;
S105:判断当前室内空调开机率大于等于80%,若是则转S106,否则转S301;
S106:记忆当前热水出水温度和循环泵频率,将热水出水温度设为控制上限值,同时将循环泵频率设为最高值,转S107;
S107:调用最不利空间接口,判断结果若=0则转S108,若=1则记录最优频率值=当期频率值+1Hz转S201,否则转S301;
S108:将当前数据更新到知识库①,同时将状态字段置为-1,转S109;
S109:判断循环泵频率-1是否大于等于控制下限值,若是则将当前循环泵频率设定-1Hz,转S107,否则记录最优频率值=控制下限值转S201;
S201:将当前数据和最优频率值更新到知识库①,将本条记录状态字段置为1,同时将上一条记录状态字段由-1置为0,还原记忆当前热水出水温度和循环泵频率,转S301;
S301:结束;
步骤二:根据初始化特征模型和步骤一参照结果,建立供热量体验不足智能监测方法,以作为锚定当前供热需量的依据;能够根据人为干预完善自我特征学习;
供热量体验不足智能监测方法包括如下步骤:
开始;
S101:判断循环泵运行频率是否大于等于<循环泵频率最不利底线方法>得到的底线值,若开则转S102,否则输出-1,转S301;
S102:判断采样库④是否有状态=0的未处理记录,若有则转S103,否则转S201;
S103:判断未处理记录中的所有房间空调设定温度是否大于20℃,若是则转S105,否则转S104;
S104:将房间空调设定温度小于20℃的统一设定为26℃,15分钟后转S105;
S105:判断所有房间空调室内温度是否大于等于20℃,若是则输出10,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为10,转S301;否则输出11,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为11,转S301;
S201:判断当前设定温度大于20℃且室内温度小于20℃的空调数量占全部数量的比例,若大于1%,则将当前运行参数数据更新到采样库⑤,转S202,否则输出20,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为20,转S301;
S202:判断当前平均室内设定温度是否小于20℃,若是则将当前运行参数数据更新到采样库⑥,转S203,否则输出20,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为20,转S301;
S203:判断最近30分钟人为上调空调设定温度的数量占全部数量的比例,若大于1%,则将当前运行参数数据更新到采样库⑦,转S204,否则输出20,将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为20,转S301;
S204:将当前运行参数数据更新到采样库⑧,<特征规则计算结果>字段状态为21,输出21,转S301;
S301:结束;
步骤三:在不同温度区间,学习迭代寻找热水出水最优温度,使得满足当前供需条件下的出水温度最低,并维护知识库和最优模型;在控制运行阶段,此方法随供热量体验不足智能监测方法联动调整;
热水出水温度底线智能寻优方法包括如下步骤:
开始;
S101:判断中央空调***主机是否开启,若开则转S102,否则转S201;
S102:判断当前最低温度在知识库③是否有匹配的记录,若无记录则转S1021,若有记录但无状态=0的记录则转S1022,否则转S201;
S1021:判断小于当前最低温度在知识库③是否有匹配的记录,若无则当前热水出水温度值初始为控制上限值,若有则当前热水出水温度值初始为最接近的温度值对应的知识记录参数值,转S103;
S1022:取最近的一条知识记录,判断对应的热水温度字段值-0.5℃是否小于等于控制下限值,若是则当前热水出水温度值初始为控制下限值,若否则当前热水出水温度值初始为热水温度字段值-0.5℃,转S103;
S103:将循环泵频率值设为控制上限值,30分钟后转S104;
S104:调用 <供热量体验不足监测方法>,若结果等于11或21则转S1041,若结果等于10或20则转S1042;
S1041:将当前运行参数数据更新到知识库③,当前记录<状态>字段值为1,将上一条临近记录<状态>字段值更新为0,同时将<状态>字段更新为0对应的记录同步更新到模型库①,对应<热水最优出水温度>字段更新为对应出水温度值,<状态>字段值更新为1,转S201;
S1042:间隔30分钟,判断中央空调***主机是否关机,若是则转S105,否则转S104;
S105:将当前运行参数数据更新到知识库③,当前记录<状态>字段值为-1,转S201;
S201:结束;
步骤四:基于步骤三的知识库和模型,建立循环泵能耗底线智能寻优方法,在不同温度区间,学习迭代寻找热水出水温度、循环泵频率的最优组合,使得满足当前供需条件下的循环泵能耗最低,此方法随热水出水温度底线智能寻优方法联动调整;
循环泵能耗底线智能寻优方法包括如下步骤:
开始;
S101:判断中央空调***主机是否开启,若开则转S102,否则转S201;
S102:判断当前最低温度在知识库④是否有匹配的记录,若无记录则转S1021,若有记录但无状态=0的记录则转S1022,否则转S201;
S1021:判断小于当前最低温度在知识库④是否有匹配的记录,若无则当前循环泵频率值初始为控制上限值,若有则当前循环泵频率值初始为最接近的温度值对应的知识记录参数值,转S103;
S1022:取最近的一条知识记录,判断对应的循环泵频率字段值-2Hz是否小于等于控制下限值,若是则当前循环泵频率值初始为控制下限值,若否则当前循环泵频率值初始为对应记录循环泵频率字段值-2Hz,转S103;
S103:取模型库①当前最低温度对应<热水最优出水温度>字段对应出水温度值,将热水出水温度值设为对应出水温度值,转S104;
S104:调用 <供热量体验不足监测方法>,若结果等于11或21则转S1041,若结果等于10或20则转S1042;
S1041:将当前运行参数数据更新到采样库①,同时更新知识库④,对应当前记录<供热量体验计算结果>字段值为S104对应的11或21,当前记录<状态>字段值为1,将上一条临近记录<状态>字段值更新为0,转S201;
S1042:将当前运行参数数据更新到采样库①,间隔30分钟,判断中央空调***主机是否关机,若是计算当日能耗值,同时将当前运行参数数据更新知识库④,当前记录<供热量体验计算结果>字段值为S104对应的10或20,转S105,否则转S104;
S105:取知识库④上一条临近记录,获得对应<循环泵日能耗>字段值,若比S1042对应计算当日能耗值大,则更新知识库④当前记录<状态>字段值为-1,否则更新知识库④当前记录<状态>字段值为1,将上一条临近记录<状态>字段值更新为0,转S201;
S201:结束。
2.如权利要求1所述的基于大数据自学习的供热空调***节能底线的寻优方法,其特征在于,在所述循环泵频率最不利底线方法中,还包括如下设计原理:
循环泵运转频率越低,供回水流速越小压力越低,楼栋最不利供热点容易供热不足而引起投诉,能够通过如下任一种识别接口规则进行投诉可能性的量化识别,以此锚定循环泵最不利频率底线值;
人工识别接口:人工输入建立最不利空间池,***监控识别这些空间是否能够达到20℃室温条件判断;
自动识别接口:能够通过在一定开机率>=80%条件下保证最不利的空间开机概率,通过采样室温<20℃且设温>20℃门限绝对量>1%判断;
以上两种接口需要采样获得5个温度条件下的知识记录,以最高频率作为底线频率值。
3.如权利要求2所述的基于大数据自学习的供热空调***节能底线的寻优方法,其特征在于,还包括如下过程:
有人工输入数据前提下,以人工识别接口为准,必须全部满足人工输入空间室温达标;若没有人工输入数据,则按自动识别接口至触发不利边界,回退上一个有利结果,采集5个不同温度条件下的记录。
4.如权利要求1~3任一项所述的基于大数据自学习的供热空调***节能底线的寻优方法,其特征在于,最不利空间接口的计算步骤如下:
开始;
S101:判断采样库②是否存在人工录入的数据记录,若有则转S201,否则S102;
S102:判断当前室内空调开机率大于等于80%,若是则转S103,否则转S301;
S103:判断当前热水出水温度达到控制上限值,若是则转S104,否则转S301;
S104:识别当前室内空调室温小于等于20℃且设定温度大于等于20℃的空间,持续等待30分钟,再次识别当前室内空调室温小于等于20℃且设定温度大于等于20℃的空间,若最近两次识别的空间数据一致,将最新空间数据更新到采样库③转S105,否则继续S104循环识别判断;
S105:判断S104识别的空调数量占总数量的比例,若小于等于1%,则输出0,否则输出1,转S401;
S201:判断当前热水出水温度达到控制上限值,若是则转S202,否则转S301;
S202:将人工录入的所有空间的空调设定温度统一设定为26℃,持续等待30分钟后,若室内温度均大于等于20℃,则输出0,否则输出1,转S401;
S301:输出-1,转S401;
S401:结束。
5.如权利要求1所述的基于大数据自学习的供热空调***节能底线的寻优方法,其特征在于,在所述供热量体验不足监测方法中,还包括如下设计原理:
在一个供能日,为避免供热量不足,即需要保障一天当中温度焓值最低点的供热量需要,在确保锅炉运行安全的前提下,能够通过如下人工和自动两种接口规则识别:
人工识别接口:人工更新的供热量不足空间的达标情况,全部室温>=20℃且设温>=20℃;
自动识别接口:按如下几个维度特征数据进行综合识别:
结果数据一:室温<20℃且设温>20℃空间的数据,其初始化特征规则=绝对量>1%;
结果数据二:平均室温、最高室温和最低室温数据,其初始化特征规则=平均室温<20℃;
行为数据一:人为触控上调设定温度信号数据,其初始化特征规则=绝对量>1%。
6.如权利要求1所述的基于大数据自学习的供热空调***节能底线的寻优方法,其特征在于,在所述热水出水温度底线智能寻优方法中,还包括如下设计原理:
在一个中央空调开启和关闭供能日周期,温度范围是明确的,焓值在一定区间内变化,要保证当日在焓值变化过程中的供能量,只需保证在焓值最低点的最底线供能量即可,从而找出热水出水温度底线值;
在一个供能日区间,最高点的制热需量一定的情况下,我们要保证用户用能体验,只需要通过供热量体验不足监测进行锚定,学习迭代寻找出热水出温度找到底线值。
7.如权利要求6所述的基于大数据自学习的供热空调***节能底线的寻优方法,其特征在于,还包括如下过程:
以日为周期执行,判断识别当日最低温度匹配的知识记录状态为1不利值停止执行,若为-1有利值继续学习,对应出水温度按以下规则调整:
若当日最低温度在知识库③有小于温度值的知识记录时,则初始值参照最接近的温度值对应的知识记录参数值,若无则初始值为热水控制上限温度;
出水温度以初始值或当前知识值-0.5℃为幅度进行调整,直至为可控制下限温度值;
当供热量体验不足方法的计算结果=11或21时更新知识库当前记录状态为1,上一记录状态为0底线值,否则维护知识库记录状态为-1有利值。
8.如权利要求1所述的基于大数据自学习的供热空调***节能底线的寻优方法,其特征在于,在所述循环泵能耗底线智能寻优方法中,还包括如下设计原理:
首先,已经固定循环泵频率在最大值,寻找锚定出热水出水温度的最低值;
其次,固定热水出水温度底线值,继续微调迭代频率,通过供热量体验不足和循环泵能耗变化综合监测进行锚定,学习迭代出在保证供热的前提下循环泵能耗最低值对应的频率值;
最终,迭代寻找出某一低温值对应日焓值最低的条件下,热水出水温度最低值,循环泵频率的最小值,得出热水出水温度和循环泵频率的最优组合值。
9.如权利要求8所述的基于大数据自学习的供热空调***节能底线的寻优方法,其特征在于,还包括如下过程:
以日为周期执行,当日最低温度间匹配的知识记录状态为1不利值时停止执行,若为-1有利值时则继续学习,直至状态更新为0底线值时,对应循环泵频率按以下规则调整:
若当日最低温度在知识库④有小于温度值的知识记录时,则初始值参照最接近的温度值对应的知识记录参数值,若无则初始值为循环泵频率最高;
循环泵频率以初始值或当前知识值-2Hz为幅度进行调整,直至为循环泵可控制下限值;
整个寻优过程以供热量体验不足监测结果和能耗值变化量为学习奖赏依据,探底循环泵频率边界,直至触发供热量体验不足边界或能耗变化量边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555811.7A CN116379576B (zh) | 2023-05-17 | 2023-05-17 | 基于大数据自学习的供热空调***节能底线的寻优方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555811.7A CN116379576B (zh) | 2023-05-17 | 2023-05-17 | 基于大数据自学习的供热空调***节能底线的寻优方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116379576A CN116379576A (zh) | 2023-07-04 |
CN116379576B true CN116379576B (zh) | 2023-10-17 |
Family
ID=86963590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310555811.7A Active CN116379576B (zh) | 2023-05-17 | 2023-05-17 | 基于大数据自学习的供热空调***节能底线的寻优方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116379576B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104315673A (zh) * | 2014-09-16 | 2015-01-28 | 珠海格力电器股份有限公司 | 中央空调模糊控制***及其控制方法 |
CN107192003A (zh) * | 2017-05-24 | 2017-09-22 | 青岛海尔空调器有限总公司 | 用于供暖调节的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107166504A (zh) * | 2017-04-18 | 2017-09-15 | 青岛海尔空调器有限总公司 | 供暖调节方法及装置 |
-
2023
- 2023-05-17 CN CN202310555811.7A patent/CN116379576B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104315673A (zh) * | 2014-09-16 | 2015-01-28 | 珠海格力电器股份有限公司 | 中央空调模糊控制***及其控制方法 |
CN107192003A (zh) * | 2017-05-24 | 2017-09-22 | 青岛海尔空调器有限总公司 | 用于供暖调节的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116379576A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108386971B (zh) | 中央空调节能自控*** | |
CN109890176B (zh) | 一种基于人工智能优化机房能耗效率的装置 | |
WO2014153552A1 (en) | Building power management systems | |
Hagras et al. | An intelligent agent based approach for energy management in commercial buildings | |
CN111520812B (zh) | 一种供热住户室温估测方法及*** | |
CN114963414B (zh) | 基于ai数据分析的空调***智能调控装置 | |
CN105674487B (zh) | 一种中央空调***动态水力平衡调节方法 | |
CN109059195A (zh) | 用于削减电网负荷峰值的中央空调的控制方法及控制*** | |
CN114322208B (zh) | 基于深度强化学习的智能园区空调负荷调控方法和*** | |
CN116085936A (zh) | 一种中央空调能源站智慧能源管理***、设备及介质 | |
Petrie et al. | Energy efficient control methods of HVAC systems for smart campus | |
US20140379139A1 (en) | Systems and methods for balancing an electrical grid with networked buildings | |
CN115682324A (zh) | 中央空调***节能优化控制方法、装置、设备和存储介质 | |
CN115081220A (zh) | 一种高能效中央空调***调节方法及其*** | |
CN116379576B (zh) | 基于大数据自学习的供热空调***节能底线的寻优方法 | |
CN114706315A (zh) | 智能设备控制***、方法及存储介质 | |
CN114234289A (zh) | 一种多工况用末端空调***、控制方法及控制装置 | |
CN116817424B (zh) | 一种基于人工智能的空调节能控制***及方法 | |
CN116963461A (zh) | 一种机房空调的节能方法和装置 | |
Korolev et al. | Development of the temperature prediction algorithm for smart thermostat | |
JPH02187554A (ja) | ビル監視制御装置による空調制御方式 | |
CN115451550B (zh) | 基于供需最佳平衡的中央空调***总能耗底线寻优的算法 | |
CN117329665B (zh) | 一种基于智能ai算法的空调室内联动控制方法及*** | |
CN112665159B (zh) | 基于需求响应的负荷反弹量优化、负荷调节方法及*** | |
CN117346295B (zh) | 多机组的耦合控制方法、装置、设备及计算机可读介质 |
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 |