CN117928052B - 一种中央空调节能控制方法及*** - Google Patents
一种中央空调节能控制方法及*** Download PDFInfo
- Publication number
- CN117928052B CN117928052B CN202410340263.0A CN202410340263A CN117928052B CN 117928052 B CN117928052 B CN 117928052B CN 202410340263 A CN202410340263 A CN 202410340263A CN 117928052 B CN117928052 B CN 117928052B
- Authority
- CN
- China
- Prior art keywords
- central air
- air conditioner
- value
- influence factor
- energy
- 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 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 238000004378 air conditioning Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 19
- 238000005265 energy consumption Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000003507 refrigerant Substances 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 241000668842 Lepidosaphes gloverii Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000002699 waste material Substances 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
- F24F11/30—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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
- F24F11/70—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
-
- 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
- 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
- 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
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/20—Sunlight
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)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及空调***自动控制技术领域,尤其是涉及一种中央空调节能控制方法及***,本发明在中央空调节能控制时,通过对影响中央空调冷水机组冷量的影响因素的值进行预测,然后将预测值输入冷量预测模型中,可提前确定中央空调节能控制方案;避免了节能***时刻保持运算的情况,使得中央空调节能效果更为优良;同时,本发明在预测影响中央空调冷水机组冷量的影响因素的值时,对预测的影响因素的值进行运算,对于波动较大的影响因素,选择预测较小范围的影响因素的值,对于波动较小的影响因素,选择预测较大的影响因素的值,通过上述步骤,可提高影响因素预测结果的准确度,进而提高后续中央空调节能控制的准确性。
Description
技术领域
本发明涉及空调***自动控制技术领域,尤其是涉及一种中央空调节能控制方法及***。
背景技术
中央空调,又称家庭中央空调,承担着若干个房间或整个建筑区域的空气调节的作用。随着生活水平的提高,中央空调有成为住宅建筑和小微公司空气调节设备未来方向的趋势,其使用数量将越来越多。如何提高户式中央空调的舒适性和运行能效,是中央空调领域值得研究的一个热点课题。
现有技术中,在中央空调节能控制时,一般将影响因素输入至中央空调冷负荷预测模型中,对空调需求的冷负荷预测,根据预测的冷负荷从而实现中央空调的调节,进而实现节能的目的,然而,上述的方案在对中央空调的调节过程中,在冷负荷预测过程中,一般需要输入实时的室外温度、室外湿度以及日光辐射强度,这无疑需要***时刻保持运算,进而实现空调节能的效果,实际上,一般采用复杂模型比如深度学习模型等,其运算过程本身也消耗较多能源,时刻保持运行深度学习模型也是一项较多的功率消耗;因此,对于整个中央空调***来说,节能效果不佳。
发明内容
为解决上述技术问题,本发明提出一种中央空调节能控制方法,通过对影响中央空调冷水机组冷量的影响因素的值进行预测,然后将预测值输入冷量预测模型中,可提前确定中央空调节能控制方案,并提高中央空调节能效果。
为了实现上述目的,提供一种中央空调节能控制方法,所述方法包括以下步骤:
S1:获取影响中央空调冷水机组冷量的影响因素;
S2:对所述S1获取的影响因素的值进行预测,得到未来m个时刻的影响因素的值;所述S2具体为:
S2.1:建立用于对中央空调冷水机组能耗的影响因素进行预测的预测模型;
S2.2:获取用于对所述预测模型训练的训练集;
S2.3:采用所述训练集对所述预测模型训练,使所述预测模型收敛;
S2.4:对所述未来m小时的影响因素的值进行预测;
S3: 将所述S2预测得到的m个时刻的影响因素的值输入至中央空调冷水机组冷量预测模型中,预测得到m个时刻的中央空调冷水机组的冷量;
S4:根据所述S3预测得到的m个时刻的中央空调冷水机组的冷量对所述中央空调进行控制。
优选地,所述S1中,获取的影响中央空调冷水机组冷量的影响因素为:室外温度、室外湿度以及日光辐射强度。
优选地,所述S2.1中,采用长短期记忆网络模型作为用于对中央空调冷水机组冷量的影响因素进行预测的预测模型。
优选地,所述S2.2中,所述训练集为预测地区的过去1年的每小时的室外温度数据、室外湿度数据以及日光辐射强度数据以6小时为一个数据集,生成训练集。
优选地,所述S2.3中,通过均方根误差和平均绝对误差作为所述预测模型收敛的评价指标;当所述预测模型的预测值与实际值的均方根误差和平均绝对误差在(-0.1,0.1)范围内时,所述预测模型收敛。
优选地,所述S2.4具体为:将待预测时刻t前6小时的影响因素值输入至所述S2.3训练好的预测中,输出t时刻的影响因素的值,然后将t+1时刻前6小时的影响因素值输入至所述S2.3训练好的预测中,输出t+1时刻的影响因素的值;直至预测得到m个时刻的影响因素的值。
优选地,根据预测结果确定m值的大小,所述根据预测结果确定m值的大小确定m值的大小具体为:计算预测的前12个影响因素的值的变化率,若所述存在某一影响因素的变化率<0.5,则m值为24,否则,m值为12。
优选地,所述变化率R的计算公式为:
式中,Fi+1为第i+1时刻的某影响因素的值,Fi为第i时刻的某影响因素的值。
优选地,所述中央空调冷水机组冷量预测模型为BP神经网络模型;所述BP神经网络模型的输入为待预测时刻的影响因素的值,输出为待预测时刻的中央空调冷水机组的冷量。
根据本发明的另一方面,提供一种中央空调节能控制***,所述***采用上述的中央空调节能控制方法,其中,所述***还包括:
影响因素获取模块,用于获取影响中央空调冷水机组能耗的影响因素;
影响因素值预测模块,与所述影响因素获取模块连接,用于得到未来m个时刻的影响因素的值;
冷量预测模块,与所述影响因素值预测模块连接,用于预测得到m个时刻的中央空调冷水机组的冷量;
中央空调控制模块,与所述冷量预测模块连接,用于根据所述冷量预测模块预测得到的m个时刻的中央空调冷水机组的冷量对所述中央空调进行控制。
本发明的优点和有益效果为:
本发明在中央空调节能控制时,通过对影响中央空调冷水机组冷量的影响因素的值进行预测,然后将预测值输入至冷量预测模型中,可提前确定中央空调节能控制方案;避免了节能***时刻保持运算的情况,使得中央空调节能效果更为优良。
本发明在预测影响中央空调冷水机组冷量的影响因素的值时,对预测的影响因素的值进行运算,对于波动较大的影响因素,选择预测较小范围的影响因素的值,对于波动较小的影响因素,选择预测较大的影响因素的值,通过上述步骤,可提高影响因素预测结果的准确度,进而提高后续中央空调节能控制的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对本发明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,下面描述中的附图是本发明的一些实施方式,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为中央空调冷水机组的示意图;
图2为本发明实施例提供的中央空调节能控制方法的流程图;
图3为本发明实施例提供的预测得到未来m个时刻的影响因素的值的流程图;
图4为本发明实施例提供的长短期记忆网络模型的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
中央空调***主要用来控制室内环境的温度,中央空调***由空气处理***、冷水机组和控制***组成。其中,空气处理***与各个房间连通,用于与室内的空气进行交换,用于输送冷风以达到降温的目的;冷水机组主要通过制冷用于与室内空气进行热量交换,如附图1所示,冷水机组包括冷凝器,压缩机、蒸发器以及节流阀,冷水机组中的蒸发器通过制冷剂吸收冷却物体的热量,吸热汽化成低温低压的蒸汽。压缩器吸入低温低压的蒸汽,压缩成高温高压的蒸汽。冷凝器收入压缩器中排出的气体。冷凝器中的制冷剂向冷却介质例如如水或空气放热,放热冷凝为高压液体。然后经过节流阀节流,制冷剂成为低温低压的状态,再次进入蒸发器,吸收热量并汽化,达到循环制冷的目的。
其中,冷水机组的能耗在中央空调的整体能耗中占比最高,且占比50%以上,因此,对冷水机组进行能耗调节是实现重要空调节能控制的重要途径。
如附图2所示,一种中央空调节能控制方法,所述方法包括以下步骤:
S1:获取影响中央空调冷水机组冷量的影响因素;
实际上,影响中央空调冷水机组冷量的影响因素众多,主要可分为两类,一类为室内影响因素,比如说房间多少,行人多少以及每个房间设定的温度;另外一类为室外影响因素,比如说室外温度,室外湿度以及日光的辐射强度等,比如说,室外温度和室外湿度可影响冷水机组的热交换效率,进而影响到中央空调的能耗,而日光的辐射强度会影响阳面房间内温度的波动大小幅度,进而影响中央空调冷水机组的冷量;
一般地,通过对室内影响因素进行调节可起到较好的节能效果,比如说,夏季将每个房间的设定温度规定为24℃,在房间里没人时关闭房间的空调开关,甚至是控制每个房间的空调启停时间以及运行时长,然而,这些因素虽然具有较好的节能效果,但是在实际运行过程中,实现上述影响因素的控制显得较为困难,而,对于室外温度、室外湿度以及日光的辐射强度等对冷水机组能耗的影响可通过科学的方法进行预测并反馈给中央空调的调节***,从而调节中央空调的冷水机组的冷功率,进而实现中央空调节能的效果。
因此,在本实施例中,获取的影响中央空调冷水机组冷量的影响因素为:室外温度、室外湿度以及日光辐射强度;
S2:对所述S1获取的影响因素的值进行预测,得到未来m个时刻的影响因素的值;
实际上,中央空调冷水机组的冷负荷受室外温度、室外湿度以及日光辐射强度等影响因素的影响较大,上述影响因素的波动也会导致需求的冷负荷波动,进而导致中央空调的功率波动;现有技术中,一般将上述影响因素中输入至中央空调冷负荷预测模型中,对空调需求的冷负荷预测,根据预测的冷负荷从而实现中央空调的调节,进而实现节能的目的,然而,上述的方案在对中央空调的调节过程中,在冷负荷预测过程中,一般需要输入实时的室外温度、室外湿度以及日光辐射强度,这无疑需要***时刻保持运算,进而实现空调节能的效果,实际上,一般采用复杂模型比如深度学习模型等,其运算过程本身也消耗较多能源,时刻保持运行深度学习模型也是一项较多的功率消耗;
因此,本实施例中,首先对中央空调的影响因素进行预测,然后根据预测的影响因素的预测值输入至冷负荷预测模型中,从而可提前确定中央空调节能方案。
具体地,如附图3所示,所述S2具体为:
S2.1:建立用于对中央空调冷水机组能耗的影响因素进行预测的预测模型;
长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络模型,是为了解决一般的RNN(循环神经网络)存在的在处理时序数据时的梯度消失问题而开发出来的模型,其在时序数据预测中具有了较好的预测准确度,因此,本实施例采用长短期记忆网络模型作为用于对中央空调冷水机组能耗的影响因素进行预测的预测模型;
其中,如附图4所示,所述长短期记忆网络模型有三个门控单元,分别为遗忘门、输入门和输出门;其中每个门控单元将当前输入xt和前一状态输入ht-1作为输入,输出一个0~1的值作为权重,其中,遗忘门ft决定了对t时刻神经元状态Ct的信息保留或者丢弃多少,输入门It的作用是更新信息,输出门用于输出特征向量;
其中,Ct-1为上时刻神经元状态,ht为当前状态的输入,tanh为激活函数。
S2.2:获取用于对所述预测模型训练的训练集;
实际上,在中央空调节能控制领域,存在不同的时间尺度对中央空调进行节能控制,比如说,长尺度为以年为单位对中央空调节能进行控制,一般用于对中央空调是否报废进行预测从而实现节能控制,短尺度以小时为单位对中央空调节能进行控制,主要用于调节中央空调运行时的能耗,从而实现节能目的。在本实施例中,选择以小时为单位对中央空调节能进行控制,因此,预测模型的输入数据以及训练集均是以小时为单位的数据;
具体地,所述训练集为预测地区的过去1年的每小时的室外温度数据、室外湿度数据以及日光辐射强度数据,以连续6小时的三种所述数据为一个数据集,生成多组数据集作为训练集;
示例性地,以某一日1~6点的数据作为一个数据集,2~7点的数据作为一个训练集,3~8点的数据作为一个数据集,以此类推,从而形成训练集;
S2.3:采用所述训练集对所述预测模型训练,使所述预测模型收敛;
通过均方根误差(RMSE)和平均绝对误差(MAE)作为所述预测模型收敛的评价指标;
其中,当所述预测模型的预测值与实际值的均方根误差和平均绝对误差在(-0.1,0.1)范围内时,所述预测模型收敛。
S2.4:对所述未来m小时的影响因素的值进行预测;
所述S2.4具体为:将待预测时刻t前6小时的影响因素值输入至所述S2.3训练好的预测模型中,输出t时刻的影响因素的值,然后将t+1时刻前6小时的影响因素值输入至所述S2.3训练好的预测模型中,输出t+1时刻的影响因素的值;直至预测得到m个时刻的影响因素的值;
更近一步地,为了进一步提高预测准确度,根据预测结果确定m值的大小;
具体地,所述根据预测结果确定m值的大小具体为:计算预测的前12个影响因素的值的变化率,若存在某一影响因素的变化率<0.5,则m值为24,否则,m值为12;
其中,所述变化率R的计算公式为:
式中,Fi+1为第i+1时刻的某影响因素的值,Fi为第i时刻的某影响因素的值;
对于波动较大的影响因素,选择预测较小范围的影响因素的值,对于波动较小的影响因素,选择预测较大的影响因素的值,通过上述步骤,可提高影响因素预测结果的准确度,进而提高后续中央空调节能控制的准确性。
S3: 将所述S2预测得到的m个时刻的影响因素的值输入至中央空调冷水机组冷量预测模型中,预测得到m个时刻的中央空调冷水机组的冷量;
其中,所述中央空调冷水机组冷量预测模型为BP神经网络模型;
其中,所述BP神经网络模型的输入为待预测时刻的影响因素的值,输出为待预测时刻的中央空调冷水机组的冷量;
S4:根据所述S3预测得到的m个时刻的中央空调冷水机组的冷量对所述中央空调进行控制;
通过上述的步骤,可预测得到未来m个时刻的冷水机组的冷量,也就是中央空调需求的冷量,根据中央空调需求的冷量以及制冷功率从而对中央空调的冷水机组进行控制,避免冷量浪费的情况出现,从而实现节能。
实施例二,本实施例还包括一种中央空调节能控制***,所述***采用实施例一的中央空调节能控制方法,其中,所述***还包括:
影响因素获取模块,用于获取影响中央空调冷水机组能耗的影响因素;
影响因素值预测模块,与所述影响因素获取模块连接,用于得到未来m个时刻的影响因素的值;
冷量预测模块,与所述影响因素值预测模块连接,用于预测得到m个时刻的中央空调冷水机组的冷量;
中央空调控制模块,与所述冷量预测模块连接,用于根据所述冷量预测模块预测得到的m个时刻的中央空调冷水机组的冷量对所述中央空调进行控制。
实施例三,本实施例包括一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,数据处理程序被处理器执行实施例一的一种中央空调节能控制方法。
本领域技术人员应明白,本文的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的实施例及/或实施方式,仅是用以说明实现本发明技术的较佳实施例及/或实施方式,并非对本发明技术的实施方式作任何形式上的限制,任何本领域技术人员,在不脱离本发明内容所公开的技术手段的范围,当可作些许的更动或修改为其它等效的实施例,但仍应视为与本发明实质相同的技术或实施例。注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (3)
1.一种中央空调节能控制方法,其特征在于,所述方法包括以下步骤:
S1:获取影响中央空调冷水机组冷量的影响因素;所述S1中,获取的影响中央空调冷水机组冷量的影响因素为:室外温度、室外湿度以及日光辐射强度;
S2:对所述S1获取的影响因素的值进行预测,得到未来m个时刻的影响因素的值;所述S2具体为:
S2.1:建立用于对中央空调冷水机组能耗的影响因素进行预测的预测模型;所述S2.1中,采用长短期记忆网络模型作为用于对中央空调冷水机组冷量的影响因素进行预测的预测模型;
S2.2:获取用于对所述预测模型训练的训练集;
S2.3:采用所述训练集对所述预测模型训练,使所述预测模型收敛;所述S2.3中,通过均方根误差和平均绝对误差作为所述预测模型收敛的评价指标;当所述预测模型的预测值与实际值的均方根误差和平均绝对误差均在(-0.1,0.1)范围内时,所述预测模型收敛;
S2.4:对所述未来m个时刻的影响因素的值进行预测;
所述S2.4具体为:将待预测时刻t前6小时的影响因素值输入至所述S2.3训练好的预测中,输出t时刻的影响因素的值,然后将t+1时刻前6小时的影响因素值输入至所述S2.3训练好的预测中,输出t+1时刻的影响因素的值;直至预测得到m个时刻的影响因素的值;根据预测结果确定m值的大小;
所述根据预测结果确定m值的大小具体为:计算预测的前12个影响因素的值的变化率,若存在某一影响因素的变化率<0.5,则m值为24,否则,m值为12;
所述变化率R的计算公式为:
,
式中,Fi+1为第i+1时刻的某影响因素的值,Fi为第i时刻的某影响因素的值;
S3: 将所述S2预测得到的m个时刻的影响因素的值输入至中央空调冷水机组冷量预测模型中,预测得到m个时刻的中央空调冷水机组的冷量;
S4:根据所述S3预测得到的m个时刻的中央空调冷水机组的冷量对所述中央空调进行控制。
2.根据权利要求1所述的中央空调节能控制方法,其特征在于,所述中央空调冷水机组冷量预测模型为BP神经网络模型;所述BP神经网络模型的输入为待预测时刻的影响因素的值,输出为待预测时刻的中央空调冷水机组的冷量。
3.一种中央空调节能控制***,所述***采用权利要求1-2任一项所述的中央空调节能控制方法,其特征在于,所述***包括:
影响因素获取模块,用于获取影响中央空调冷水机组能耗的影响因素;
影响因素值预测模块,与所述影响因素获取模块连接,用于得到未来m个时刻的影响因素的值;
冷量预测模块,与所述影响因素值预测模块连接,用于预测得到m个时刻的中央空调冷水机组的冷量;
中央空调控制模块,与所述冷量预测模块连接,用于根据所述冷量预测模块预测得到的m个时刻的中央空调冷水机组的冷量对所述中央空调进行控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410340263.0A CN117928052B (zh) | 2024-03-25 | 2024-03-25 | 一种中央空调节能控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410340263.0A CN117928052B (zh) | 2024-03-25 | 2024-03-25 | 一种中央空调节能控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117928052A CN117928052A (zh) | 2024-04-26 |
CN117928052B true CN117928052B (zh) | 2024-06-07 |
Family
ID=90765051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410340263.0A Active CN117928052B (zh) | 2024-03-25 | 2024-03-25 | 一种中央空调节能控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117928052B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0814627A (ja) * | 1994-06-28 | 1996-01-19 | Nec Eng Ltd | 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 |
JP2006029607A (ja) * | 2004-07-12 | 2006-02-02 | Mitsubishi Electric Corp | 空調熱源設備の熱負荷予測装置および方法 |
CN101929721A (zh) * | 2010-09-25 | 2010-12-29 | 上海建坤信息技术有限责任公司 | 中央空调节能控制ar模型负荷预测***的预测方法 |
CN112415924A (zh) * | 2020-10-30 | 2021-02-26 | 南京华盾电力信息安全测评有限公司 | 一种空调***节能优化方法及*** |
CN113887801A (zh) * | 2021-09-29 | 2022-01-04 | 西安建筑科技大学 | 建筑冷负荷预测方法、***、设备及可读存储介质 |
CN114580722A (zh) * | 2022-02-24 | 2022-06-03 | 广东职业技术学院 | 一种建筑物冷负荷需求预测方法、***、设备及存储介质 |
CN116907036A (zh) * | 2023-07-03 | 2023-10-20 | 苏州思萃融合基建技术研究所有限公司 | 一种基于冷负荷预测的深度强化学习冷水机组控制方法 |
-
2024
- 2024-03-25 CN CN202410340263.0A patent/CN117928052B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0814627A (ja) * | 1994-06-28 | 1996-01-19 | Nec Eng Ltd | 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 |
JP2006029607A (ja) * | 2004-07-12 | 2006-02-02 | Mitsubishi Electric Corp | 空調熱源設備の熱負荷予測装置および方法 |
CN101929721A (zh) * | 2010-09-25 | 2010-12-29 | 上海建坤信息技术有限责任公司 | 中央空调节能控制ar模型负荷预测***的预测方法 |
CN112415924A (zh) * | 2020-10-30 | 2021-02-26 | 南京华盾电力信息安全测评有限公司 | 一种空调***节能优化方法及*** |
CN113887801A (zh) * | 2021-09-29 | 2022-01-04 | 西安建筑科技大学 | 建筑冷负荷预测方法、***、设备及可读存储介质 |
CN114580722A (zh) * | 2022-02-24 | 2022-06-03 | 广东职业技术学院 | 一种建筑物冷负荷需求预测方法、***、设备及存储介质 |
CN116907036A (zh) * | 2023-07-03 | 2023-10-20 | 苏州思萃融合基建技术研究所有限公司 | 一种基于冷负荷预测的深度强化学习冷水机组控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117928052A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288164B (zh) | 一种建筑空调制冷站***预测控制方法 | |
CN103912966B (zh) | 一种地源热泵制冷***优化控制方法 | |
CN106979641B (zh) | 基于改进mfac的制冷***数据驱动节能控制***及方法 | |
CN102283283B (zh) | 智能化浅层地能低温储粮*** | |
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 | |
CN109871987A (zh) | 一种智能建筑暖通设备综合节能控制方法 | |
CN106766450A (zh) | 制冷热泵***最小能耗优化控制装置及控制方法 | |
CN113739365A (zh) | 中央空调冷站群控节能控制方法、装置、设备及存储介质 | |
CN112628956A (zh) | 基于边云协同框架的冷水机组负荷预测控制方法和*** | |
CN108895618A (zh) | 基于神经网络的空调控制方法 | |
CN114154677A (zh) | 空调运行负荷模型构建和预测方法、装置、设备和介质 | |
CN110895029A (zh) | 一种基于冷冻水的温度的建筑负荷预测方法 | |
CN110486896B (zh) | 一种基于冷水机组能耗模型的串级空调***优化控制方法 | |
CN114326987B (zh) | 制冷***控制及模型训练方法、装置、设备及存储介质 | |
CN114543274A (zh) | 一种建筑中央空调温湿度优化控制方法及*** | |
CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
CN117928052B (zh) | 一种中央空调节能控制方法及*** | |
CN104949274B (zh) | 一种变风量空调冷水机组双回路控制方法 | |
CN113757852B (zh) | 基于数字孪生技术的多联机空调机组控制方法及控制*** | |
CN115307377A (zh) | 调温***控制方法、装置、电子设备和可读存储介质 | |
CN112902392A (zh) | 自适应调整的空调控制方法、电子设备及存储介质 | |
CN114206071A (zh) | 基于双曲线冷却塔的数据中心冷却*** | |
CN113821902B (zh) | 一种用于中央空调制冷站静态优化的自抗扰控制*** | |
CN115877714B (zh) | 一种制冷***控制方法、装置、电子设备及存储介质 | |
Yin et al. | Energy-saving-oriented control strategy for vapor compression refrigeration cycle systems |
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 |