CN117970986B - 一种冷热***的温湿度控制方法、装置及介质 - Google Patents
一种冷热***的温湿度控制方法、装置及介质 Download PDFInfo
- Publication number
- CN117970986B CN117970986B CN202410381866.5A CN202410381866A CN117970986B CN 117970986 B CN117970986 B CN 117970986B CN 202410381866 A CN202410381866 A CN 202410381866A CN 117970986 B CN117970986 B CN 117970986B
- Authority
- CN
- China
- Prior art keywords
- temperature
- humidity
- cold
- sequence data
- time sequence
- 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 83
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000010438 heat treatment Methods 0.000 claims description 65
- 238000001816 cooling Methods 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 55
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 238000002485 combustion reaction Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种冷热***的温湿度控制方法、装置及介质。其中,方法包括:将采集的预测时间段之前预设时间长度的目标特征时序数据输入至训练生成的冷热***温湿度预测模型中,确定预测时间段内的预测温湿度时序数据;根据预测温湿度时序数据确定预测时间段内的控制参数时序数据;对控制参数时序数据进行寻优,确定预测时间段内的最优控制参数,并根据最优控制参数,确定预测时间段内的目标温湿度时序数据;根据预测温湿度时序数据和目标温湿度时序数据,计算优化目标,迭代将目标温湿度时序数据输入至冷热***温湿度预测模型中,直至优化目标满足预设的约束条件,输出最优控制参数;根据最优控制参数在预测时间段内对冷热***进行温湿度控制。
Description
技术领域
本发明涉及冷热***控制技术领域,并且更具体地,涉及一种冷热***的温湿度控制方法、装置及介质。
背景技术
冷热***常见于工业、民用等诸多领域,类似空调***、烘干***、冷冻***等。在诸多冷热***运行中,通常需要控制***来控制冷热***的工作温度或目标温度,如空调***中可以通过调节给回水温度来实现温度控制,暖气***中可以通过调节燃气供应速度来实现温度控制等。
但是由于物理***中冷热传输的强非线性和多影响因素导致的***复杂性,想要精准控制***的目标温度通常非常困难。目前冷热***普遍存在“大马拉小车”的现象,造成较大的能源浪费。
大型冷库、汽车生产工厂等诸多领域都存在冷热控制***。不同类型和厂家的空调主机的控制参数不同。
在中央空调制冷(制热)物理***中,主机的冷热负荷与诸多因素相关,比如室外温度、湿度、建筑内人员散热、设备散热等。主机的冷热负荷也会随着这些因素变化而波动。在那些需要需要精准控制环境温湿度的应用场景中(如医院、半导体车间、汽车涂装车间、通信基站等),温湿度的波动通常会对***运行造成较大的不利影响。
目前许多建筑中的中央空调***主要依赖于人工手动调节主机的工作状态,人工手动可以调节的物理量包括:压缩机蒸发压力和冷凝压力、蒸发温度和冷凝温度、主机进水温度和出水温度(以下称给回水温度,也即给水回水的温差)。大多数时候,无法随着室外气象条件、室内人员(会散热)数量、设备(会散热)数量等动态变化而实时调节主机负荷。另一方面,为了满足极限条件下物理***的冷热负荷,一般主机的负载都会设置在接近极限值(通常为最大值,满足最大供热量或最大供冷量),这样会造成“大马拉小车”的现象,造成较大的能源浪费。
在其他领域也存在类似的情况。在不同环境和应用场景中,控制***的调节和校准通常需要消耗较多的资源。由于控制模型的缺失,很多场景都是依赖于技术人员的经验,且控制效果也较为一般。
中国发明专利CN104359195A提出了一种基于动态响应末端总负荷变化的中央空调冷冻水控制方法,通过实时计算末端设备的负荷,根据当前冷冻水和冷却水的温度实现供冷量的智能控制从而达到动态响应实时调控的目的。具体地,该基于动态响应末端总负荷变化的中央空调冷冻水控制方法,采用被动控制的方式进行控制,其原理是基于消费端的反馈,计算末端设备的负荷来调节供应端的供应,这样的控制方法在面对时滞小、反馈快的***时具有较好的效果,但是对于大型建筑,实时的反馈调整通常需要一段时间才能影响到末端***,控制目标和真实目标通常会存在差距。
中国发明申请CN111043731A提供了一种基于天气预报的空调***调节方法,此专利将气象预测信息使用置信度判断的方法,在判断室外气象预测数据可用时,再计算之后一段时间内的空调***的冷负荷,进而根据负荷和机组的整体功率调节控制策略,并生成针对空调***的控制时间进程表用以控制机组运行从而达到节能目标。该基于天气预报的空调***调节方法,属于基于预测的控制,但是存在两个问题。第一是没有考虑到冷热***的复杂性。在一些复杂场景中,冷热***的负荷会受到气象、设备、供应端效率、设备匹配程度等诸多因素影响,而建立这样一个复杂***的控制模型是传统的时间序列方法无法完成的。第二是没有考虑到预测***失稳时控制***的鲁棒性,一旦预测***出现偏差,控制***没有自我调节的能力便会出现较大的控制偏差。
为此,急需提供新的技术方案,实现供冷量或供热量的智能控制,达到动态响应实时调控的目的。
发明内容
针对现有技术的不足,本发明提供一种冷热***的温湿度控制方法、装置及介质。
根据本发明的一个方面,提供了一种冷热***的温湿度控制方法,包括:
基于神经网络对采集冷热***预定历史时间周期内的多个目标特征数据进行训练,生成冷热***温湿度预测模型;
将采集的预测时间段之前预设时间长度的目标特征时序数据输入至冷热***温湿度预测模型中,确定预测时间段内的预测温湿度时序数据;
根据预测温湿度时序数据,确定预测时间段内的控制参数时序数据,其中控制参数时序数据包括:表冷阀门的开度时序数据、燃烧阀门的开度时序数据、加热阀门的开度时序数据、加湿阀门的开度时序数据;
利用预设的优化算法对控制参数时序数据进行寻优,确定预测时间段内的最优控制参数,并根据最优控制参数,确定预测时间段内的目标温湿度时序数据;
根据预测温湿度时序数据和目标温湿度时序数据,计算优化目标,迭代将目标温湿度时序数据输入至冷热***温湿度预测模型中,直至优化目标满足预设的约束条件,输出最优控制参数;
根据最优控制参数在预测时间段内对冷热***进行温湿度控制。
可选地,基于神经网络对采集冷热***预定历史时间周期内的多个目标特征数据进行训练,生成冷热***温湿度预测模型,包括:
采集冷热***预定历史时间周期内的多个目标特征数据,其中目标特征数据包括:室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、末端风机工作频率、室内温度以及室内湿度;
将多个目标特征数据与室内温度和室内湿度进行皮尔逊相关性分析,确定冷热***温湿度预测模型所需的输入目标特征数据,其中输入目标特征数据包括:室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、室内温度以及室内湿度;
将输入目标特征数据进行标准化处理,确定输入标准化特征数据;
基于神经网络对输入标准化特征数据、室内温度和室内湿度进行训练,生成冷热***温湿度预测模型。
可选地,采集冷热***预定历史时间周期内的多个目标特征数据,包括:
根据预设的采集密度函数,采集冷热***预定历史时间周期内的多个目标特征数据,其中采集密度函数满足相邻两次采集点各自对应的目标特征之间的变化幅度小于其特征极差的1%,公式如下:
上式中,T为目标特征数据,i和i+1用于指示相邻的两个采集点对应的时刻,N为采集点的总数量,为特征极差。
可选地,基于神经网络对输入标准化特征数据、室内温度和室内湿度进行训练,生成冷热***温湿度预测模型,包括:
根据冷热***的热传导公式,确定冷热***的温湿度变化的滞后时间;
根据滞后时间对输入标准化特征数据、室内温度和室内湿度进行划分,确定训化样本集;
基于神经网络对训化样本集进行训练,生成冷热***温湿度预测模型。
可选地,优化目标为预测温湿度时序数据与目标温湿度时序数据的差的平方和。
根据本发明的另一个方面,提供了一种冷热***的温湿度控制装置,包括:
训练模块,用于基于神经网络对采集冷热***预定历史时间周期内的多个目标特征数据进行训练,生成冷热***温湿度预测模型;
第一确定模块,用于将采集的预测时间段之前预设时间长度的目标特征时序数据输入至冷热***温湿度预测模型中,确定预测时间段内的预测温湿度时序数据;
第二确定模块,用于根据预测温湿度时序数据,确定预测时间段内的控制参数时序数据,其中控制参数时序数据包括:表冷阀门的开度时序数据、燃烧阀门的开度时序数据、加热阀门的开度时序数据、加湿阀门的开度时序数据;
寻优模块,用于利用预设的优化算法对控制参数时序数据进行寻优,确定预测时间段内的最优控制参数,并根据最优控制参数,确定预测时间段内的目标温湿度时序数据;
迭代模块,用于根据预测温湿度时序数据和目标温湿度时序数据,计算优化目标,迭代将目标温湿度时序数据输入至冷热***温湿度预测模型中,直至优化目标满足预设的约束条件,输出最优控制参数;
控制模块,用于根据最优控制参数在预测时间段内对冷热***进行温湿度控制。
根据本发明的又一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本发明上述任一方面所述的方法。
从而,本申请基于神经网络进行冷热***温湿度预测模型的训练和和建立基于数据驱动,降低了建立复杂模型的难度。基于得到的冷热***温湿度预测模型建立基于冷热***的控制***,旨在在有限时间内寻找一个开环优化问题的最优解,其结合神经网络模型能够有较好的鲁棒性,可以有效降低神经网络模型的不稳定性给控制***带来的影响。可以实现在复杂冷热***的温湿度精准控制。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1是本发明一示例性实施例提供的冷热***的温湿度控制方法的流程示意图;
图2是本发明一示例性实施例提供的影响室内温度的主要特征因素示意图;
图3是本发明一示例性实施例提供的神经网络单元结构示意图;
图4是本发明一示例性实施例提供的冷热***的温湿度控制示意图;
图5是本发明一示例性实施例提供的冷热***的湿度预测值和真实值对比示意图;
图6是本发明一示例性实施例提供的冷热***的温度预测值和真实值对比示意图;
图7是本发明一示例性实施例提供的冷热***的温度阀门开度标准化后的控制结果示意图;
图8是本发明一示例性实施例提供的冷热***的湿度阀门开度标准化后的控制结果示意图;
图9是本发明一示例性实施例提供的冷热***的温湿度控制装置的结构示意图;
图10是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面,将参考附图详细地描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解,本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本发明实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本发明实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本发明中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本发明中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本发明对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机***、服务器等电子设备,其可与众多其它通用或专用计算***环境或配置一起操作。适于与终端设备、计算机***、服务器等电子设备一起使用的众所周知的终端设备、计算***、环境和/或配置的例子包括但不限于:个人计算机***、服务器计算机***、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的***、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机***﹑大型计算机***和包括上述任何***的分布式云计算技术环境,等等。
终端设备、计算机***、服务器等电子设备可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机***/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算***存储介质上。
示例性方法
图1是本发明一示例性实施例提供的冷热***的温湿度控制方法的流程示意图。本实施例可应用在电子设备上,如图1所示,冷热***的温湿度控制方法100包括以下步骤:
步骤101,基于神经网络对采集冷热***预定历史时间周期内的多个目标特征数据进行训练,生成冷热***温湿度预测模型;
步骤102,将采集的预测时间段之前预设时间长度的目标特征时序数据输入至冷热***温湿度预测模型中,确定预测时间段内的预测温湿度时序数据;
步骤103,根据预测温湿度时序数据,确定预测时间段内的控制参数时序数据,其中控制参数时序数据包括:表冷阀门的开度时序数据、燃烧阀门的开度时序数据、加热阀门的开度时序数据、加湿阀门的开度时序数据;
步骤104,利用预设的优化算法对控制参数时序数据进行寻优,确定预测时间段内的最优控制参数,并根据最优控制参数,确定预测时间段内的目标温湿度时序数据;
步骤105,根据预测温湿度时序数据和目标温湿度时序数据,计算优化目标,迭代将目标温湿度时序数据输入至冷热***温湿度预测模型中,直至优化目标满足预设的约束条件,输出最优控制参数;
步骤106,根据最优控制参数在预测时间段内对冷热***进行温湿度控制。
具体地,本发明基于LSTM神经网络的冷热***的温湿度控制方法可以针对复杂冷热***,实现温湿度精准控制,有利于降低控制目标波动给冷热***带来的额外能耗,有利于复杂冷热***平稳且节能运行。
通常,车间的冷热***包括:空调主机***(包含控制阀门)、末端风机、水泵***和温湿度传感器。通常,数字化车间设置有多种多样的传感器,如设置在室内的温湿度传感器、设置在室外的气象传感器及温湿度传感器,以及主机***自带的主机温度和控制参数传感器。
以下以实现某生产车间(为后述的冷热***)的温湿度精准控制为例,具体说明本发明提供的基于LSTM神经网络的冷热***的温湿度控制方法,参见以下步骤一至步骤五。
步骤一、收集冷热***建模及控制场景需求的特征数据。
具体地,针对所述生产车间这一冷热***,收集可能会影响到冷热***控制目标的数据,包括室外气象条件(如温度、天气(如晴、阴、有风、有雨、有雪、有雾等),通常室外气象条件具有周期性)、室内温湿度、末端风机(如工作频率)、阀门(如开度、流量)等会影响到最终温湿度这一控制目标的多个物理量,以作为驯化针对所述生产车间建立的基于神经网络的冷热***模型的特征数据。如图2所示,其中,末端风机工作频率、阀门(如开度、流量)等属于这一冷热***的供应端控制参数,室内温湿度属于这一冷热***的控制目标。其中,图2中的其他因素中,车间是否工作包括车间是否处于生产状态,产线是否在运转;工作人员数量,也即车间内人员数量,也即前述的可能会散热的人员的数量。
应该理解为,可以根据待建立的模型的复杂程度,灵活调节收集数据的时间范围。一般而言,需要包含一个自然年内的数据。以及,针对控制***对气象条件的依赖性,其气象数据必须包含控制***所有控制模式依赖的时间段在内,举例来说控制***对夏季和冬季的数据有明显的控制上的区别,其气象数据则必须包含冬季和夏季的数据。可以收集时间范围更长的数据来训化模型,以保证模型的稳定和有效。
步骤二、收集训练神经网络需要的特征。
在生产车间温湿度精准控制的场景下,生产车间的冷热负荷和湿负荷受到室外温度、室外湿度、太阳照度,空调***的加热阀门、加湿阀门、表冷器(包括表冷阀门)等可变因素及墙体材料、厂房朝向等不可变因素的影响。
由于生产车间启动连续生产后,通常不可变因素的影响是相对固定的,因此重点收集可变因素。具体地,收集的可变因素包括:车间内温度、湿度数据,室外气象数据,如温度、湿度、太阳照度;***或主机工作状态数据,如图2所示,表冷阀门开度、加湿阀门开度、加热阀门开度、末端风机工作频率、主机给回水温度等。
在收集以上数据的过程中,如果车间范围较大,通常会在不同区域分别设置温湿度传感器,通常靠近空调出风口的温湿度传感器与室内进出口的温湿度传感器采集的数据会有较大的区别。为此,选择相关性分析的方法,即在来自多个传感器的数据中,选择与空调***及室外气象数据的相关性都较好的温湿度传感器作为用于实时指示控制目标的温湿度传感器。如此,能够使得选择的温湿度传感器对室外气象条件的变化及空调***的变化都相对敏感。
进一步地,还可以对选择的多个温湿度传感器的特征值做平均,作为整个车间该特征的数值。如,针对相同时刻采集的多个温湿度传感器的特征值做代数平均或几何平均,并用平均值替代多个温湿度传感器的特征值,如此,有利于对数据降维,减少数据量,并有利于增加特征值针对车间内整体温湿度状态的代表性。
如此,可以保证作为控制目标的特征数据能够对作为输入的影响室内温湿度的其他特征数据作出较好的反馈,有利于模型的快速收敛和训化。
步骤四、确定冷热***整体的滞后时间。
具体地,对步骤一至步骤三获取的持续预设时间(如一年或半年)历史特征数据进行多因素分析,并确定冷热供应端工作(如执行前述的供应端控制参数,进而调节室内的温湿度)引起的控制目标变化并使控制目标趋于平稳的平均时间,即***整体的滞后时间。如此,利用与冷热***的特性一致的滞后时间作为冷热***模型的参数之一,能够保证基于LSTM神经网络的冷热***模型的有效性。
利用历史特征数据进行多因素分析,并确定冷热供应端工作引起的控制目标变化并使控制目标趋于平稳的平均时间。通过观察历史数据中控制策略刚开始实施时的数据,观察控制阀门开启之后控制目标经过多久发生明显变化的时间作为***的之后时间。例如***在空调未开启时为30度,控制目标为26度,空调***开启之后6~7分钟观察到***明显开始降温,那么之后时间即为6~7分钟。可以多次观察取平均值。
相应地,在LSTM神经网络(长短期记忆神经网络)训化过程中,需要设置***预测的最短时间(如预测周期)不低于该滞后时间,保证MPC控制过程中调节供应端控制参数之后,末端能够收到控制端的反馈。
步骤五、按照前述步骤四得到的滞后时间确认LSTM神经网络的预测未来的时间长度。
将划分好数据集且标准化之后的特征数据输入基于LSTM神经网络的冷热***模型,驯化LSTM神经网络,直到得到预测精度满足要求的冷热***模型。
具体地,根据特征数据的复杂程度和冷热***的特性调节模型的复杂程度,如增加神经网络的层数和/或记忆单元的个数增加模型的复杂程度;如使用各类优化算法来自动训化模型,优化模型的超参数,使得模型在数据集上的表现最好。
以上,如图3所示,采用LSTM神经网络处理时间序列问题可以具有较好的性能,如相比于RNN,LSTM可以处理长期记忆遗忘问题,针对冷热***的时滞性具有较好的针对性。
以上,LSTM神经网络处理时间序列问题时,基于数据驱动建立和训化模型,有利于降低建立复杂模型的难度。
步骤六、构建MPC控制模型。
根据应用场景的目的和要求,合理规划MPC优化过程中的损失函数,包括控制目标损失。
选择合适的寻优方法来寻找MPC控制模型的最优控制参数。具体地,该步骤使用的优化方法不局限于某一种或几种,需要根据上一步骤得到的模型的特性来适应性地匹配最好的方法。MPC控制模型的优化方法,也就是对于一个未知函数寻找最优值的算法,普遍的包括梯度下降、鲍威尔算法、随机梯度算法、牛顿法、多边形法等等等等。具体选择哪个方法决定于LSTM模型训练的结果是否稳定,当控制目标很负责或者模型比较 不稳定、其函数曲线不光滑的时候就不能使用依赖梯度的算法。本说明中的实例使用的是鲍威尔算法。约束条件包括控制的范围,比如模型的输出阀门开度不能大于100,或者根据设备的实际情况,控制阀门的变化每次不能大于10%等等这些约束条件。优化的目标函数为:(实际控制温度-目标控制温度)的平方 +(实际控制湿度-目标控制湿度)的平方。
参考图4所示,在生产车间温湿度精准控制过程中,采用步骤五中方法(包括确定预测周期、确定超参数)搭建基于LSTM神经网络的冷热***模型。所述冷热***模型以室外气象站获取的温度、湿度及太阳照度,空调***的表冷阀门的开度、加湿阀门的开度及加热阀门的开度,空调主机的给回水温度以及室内的温湿度数据作为模型的输入,将前述滞后时间之后的室内温湿度作为模型的输出,训化基于LSTM神经网络的冷热***模型。
之后,采用步骤六中的方法构建MPC控制模型(如图4所示的MPC控制器),将需要控制的表冷阀门的开度、加湿阀门的开度、加热阀门的开度作为MPC控制的输入参数。也即前述的供应端控制参数;同时在MPC控制模型的损失函数,从而在选择使实际控制指标尽量接近真实指标
以上,利用驯化后的基于LSTM神经网络的冷热***模型,建立基于MPC的冷热控制***。如图4所示,MPC控制器能够在有限时间内(参考后述说明,如20分钟内)寻找开环优化问题的最优解;其利用驯化后的基于LSTM神经网络的冷热***模型作为状态估计器,具有较好的鲁棒性,可以有效降低神经网络模型的不稳定性给控制***带来的不利影响。
步骤七、测试模型的性能,迭代优化模型。
对模型进行微调。由于MPC控制的精度基于神经网络模型的预测准确度,为了保证控制的精准,模型需要不断更新,多次训化,不断提高神经网络的稳定性。
对于特征的选择过程也可以基于时间的积累不断更新。在神经网络模型稳定性不断增加的同时,可以不断尝试新的MPC控制优化方法,根据模型的特性寻找更快速和准确的MPC优化方法。
应该理解为,本发明提供的基于LSTM神经网络的冷热***MPC控制方法不局限于某一种制冷或制热***,而是可适用于所有冷热***的控制过程中,通常***越复杂,该控制方法的效果相比于普通的方法越好,越能体现出LSTM神经网络模型的优势。
如此,相比于反馈式调节***,本发明提供的MPC控制方法充分考虑到了冷热***的时滞现象;采用预测控制的方法,在控制效果上比传统PID控制方法更加先进和稳定,降低了控制目标的波动。
如此,本发明使用MPC控制,比其他单纯使用LSTM或其他神经网络进行控制的方法,鲁棒性更强。由于MPC控制的特性是在于在有限个时间步长内(参考后述说明,如20分钟内)寻找模型的最优解,即使出现模型短暂失效的现象也不会影响到最终的控制效果,相比而言,有利于进一步降低训化模型的困难程度,提高应用上的稳定性。
以下以实现某汽车喷涂车间的温湿度精准控制为例,进一步地说明本发明提供的基于LSTM神经网络的冷热***MPC控制方法。
步骤A1、获取多个特征数据。
具体地,采集一个自然年中(可根据实际冷热***中制冷或制热模式的工作时间来调整,全国各地因季节、气候条件不同而各异)的室外气象数据。室外气象数据包括室外温度、室外湿度、太阳照度。
在确定气象数据的采集密度时,需要满足相邻两次采集点各自对应的目标特征之间的变化幅度小于该特征极差的1%,如下式所示:
上式中,T为目标特征(如室外温度、室外湿度、太阳照度中任一个),i和i+1用于指示相邻的两个采集点对应的时刻,N为采集点的总数量,/> 为特征极差。
以温度特征为例,如前一个采集点对应的温度为32度,则与其相邻的下一个采集点对应的温度的变化量需要不大于32度的1%。
如此,通过控制室外气象数据的采集密度,可以防止模型训化时因特征不足而导致模型欠拟合现象。
通常车间的温湿度会受到室外气象条件和主机工作状态的共同影响,故除了采集室外气象数据,还采集了用于控制车间内温湿度的各类供应端控制设备的运行参数。运行参数包括空调设备的表冷阀门的开度、加湿阀门的开度、加热阀门的开度和燃烧阀门的开度,空调主机的进水或回水温度、末端风机工作频率。
应该理解为,以上运行参数的采集密度与前述室外气象数据的采集密度相同。
具体地,采集一个自然年中的室内温湿度数据。
应该理解为,以上室内温湿度数据的采集密度与前述室外气象数据的采集密度相同。
步骤A2、将前述特征数据与室内温湿度这一控制目标做皮尔逊相关性分析,计算皮尔逊相关性系数,以选择与控制目标相关性较大的特征作为基于LSTM神经网络的冷热***模型的输入。
利用下式计算皮尔逊相关性系数:
其中,为方差,/>为方差,/>为期望值,/>为期望值,E为取期望运算。x为控制目标,控制目标为室内温度或室内湿度,y为目标特征数据。
计算得到的皮尔逊相关系数的绝对值越大,则表示两者之间的相关性越强;其中,皮尔逊相关性系数为正,则表示两者之间正相关,反之则表示两者之间负相关。
将得到的特征数据,去除异常值,并做Max-Min标准化操作,以便后续进行时间序列预测。具体地,利用下式做Max-Min标准化操作:
上式中,分别为原始输入目标特征数据、原始输入目标特征数据中的最大值、最小值;/>为经标准化之后的特征值。
参考下述表1,经标准化之后的特征值的取值范围为小于1且大于负1,而上式中,得到的标准化之后的特征值的取值范围为大于0小于1。
标准化的目的是为了使各个特征在模型中具有同样的权重,即不同尺度的特征值经标准化处理之后,都将处于-1至1之间。
参考前述说明,模型的输入,也就是历史特征数据的时间长度、待预测的时间长度(如预测周期)决定于目标建筑的特性及建筑内冷热循环的滞后时间。
步骤A3、由于冷热***的非线性,***工作和控制目标之一的温度变化均存在一定的滞后时间。
在固定建筑这一物理***中,热阻可以视为不变,因此热量传导的速度Q与温差存在正比例关系,可以根据下述热传导公式估计***的滞后时间Q:
其中,为热量传导的温差,R为热阻。
通常冷热***制冷时,由空调***及表冷器对车间的空气进行降温;冷热***升温时,由燃烧器加热车间的空气。这时,空气流速是影响冷热***滞后时间的最大因素。
对历史数据进行分析,发现其末端风机转速最小时,***的滞后时间是10分钟;其末端风机转速最大时,***的滞后时间为大约8分钟,可以看出,这两者差距不大。
为了保证控制目标一定能受到控制参数的影响,选择***的滞后时间为10分钟,即基于LSTM神经网络的冷热***模型预测控制目标的时间长度(如预测周期)为10分钟。LSTM神经网络训化的目标是基于LSTM神经网络的冷热***模型能够基于历史上一段时间的数据准确预测10分钟之后该***的温湿度控制目标。
步骤A4、建立神经网络模型。使用持续时间为30分钟(为前述的滞后时间的3倍)的历史数据为模型的输入,以10分钟之后的温湿度控制目标为模型的预测输出构建为一个训化样本。
其中,基于LSTM神经网络的冷热***模型的输入包括:室外气象数据、室内温湿度数据、控制参数在内的共10个特征数据,如室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、空调主机的给回水温度(进水或回水温度作为一个特征,用于指示给回水温差)、室内温度、室内湿度。
使用持续时间为1年的历史数据,构建训化样本集。利用构建的训化样本集,可以训化得到较为准确的预测模型。
利用训化得到的模型的预测效果如图5、图6所示,其中,横坐标为采集点的序号或对应的时刻序号,纵坐标分别为标准化后的室内湿度(图5)及室内温度(图6)。
在训化前述模型的过程中,由于模型的输入和输出中存在相同的特征数据,并且时间间隔较短,导致直接使用原始的室内温湿度数据作为模型的输入时,模型的预测输出会与模型的输入非常接近而出现基于LSTM神经网络的模型常见的“平移不变性”。
针对前述情况,优选地,选择差分的方法,即各采集点的预测输出不是原始的温湿度数值,而是使用差分方法,预测下一采样点的温湿度特征数据与输入的温湿度特征数据中最后一个采集点对应的特征数据的差值,如此可较好地消除基于LSTM神经网络的模型对输入的特征数据的依赖。对预测的目标进行差分,假设模型原本需要预测未来的温度,现在则变成预测未来温度相对于当前时刻温度的变化值(升高了多少或者降低了多少)这样就会剔除预测结果对输入模型的依赖。
步骤5、基于前述得到的基于LSTM神经网络的冷热***模型,结合MPC控制模型,将表冷阀门的开度、燃烧阀门的开度、加热阀门的开度、加湿阀门的开度等四个特征作为MPC控制中预测模型的输入变量,将每个控制步骤中预测模型的预测输出值与控制目标值的差的平方和作为优化目标。
如此,所述优化目标能够使得控制结果在有限步内和控制目标差值最小(控制时间段的长度例如20分钟)。
另外,为了保证***稳定运行,在MPC控制过程中还可以限制了本次控制步骤与上次控制步骤之间各控制参数的最大步幅(如阀门开度的最大步幅可以是10%的误差内,前一个控制步骤中生成的阀门开度为0.9,则下一个控制步骤中生成的阀门开度应该在0.8与1.0之间),避免由于模型的不稳定导致针对冷热***生成过大的调整。
鉴于得到的基于LSTM神经网络的冷热***模型预测的输出值的稳定性欠佳的特性,进一步地,可以使用Powell优化算法来对损失函数寻优。
如此,本申请提供的基于LSTM神经网络的冷热***MPC控制模型能够在有限个时间步长内(如20分钟,为前述的滞后时间的2倍)寻找到最优的控制参数,且采用该控制参数后,在预测周期内(如10分钟,为前述的滞后时间)控制目标能够稳定地靠近控制目标。
以某时刻的温湿度控制为例。假设某时刻起,需要在10分钟内控制车间内的温度降低且湿度升高。初始时刻及之后连续迭代5次(这里的“次”,是指前述的控制步骤)使用MPC控制生成的控制参数中记载的阀门开度如表1所示。表1中各控制参数的数值是MPC在每个控制步骤中生成的。其中,阀门开度为标准化之后的数值,在-1至1之间;阀门开度的值越大,表示开度越大,其中,-1表示反方向最大开度,1则表示正方向最大开度。
表1 MPC控制过程中生成的控制参数
阀门 | 加湿阀门 | 表冷阀门 | 燃烧阀门 | 加热阀门 |
初始 | -1.00 | -0.36 | -1.00 | -0.49 |
第1次 | -0.94 | -0.31 | -0.94 | -0.59 |
第2次 | -0.93 | -0.30 | -0.97 | -0.59 |
第3次 | -0.91 | -0.28 | -0.94 | -0.57 |
第4次 | -0.93 | -0.31 | -0.96 | -0.59 |
第5次 | -0.92 | -0.29 | -0.96 | -0.58 |
可以看到,自初始状态开始,每个控制步骤中,表冷阀门的开度明显增加,加热阀门的开度明显降低,加湿阀门的开度增加,说明MPC控制有效。
使用前述模型在历史数据上进行假设性检验,得到***的温湿度曲线如图7(湿度控制结果)、图8(温度控制结果)所示。其中,黄色为采用MPC控制之后的图像,蓝色为原始数据,可以看到使用MPC控制之后***的整体更加平稳,证明了MPC控制的有效性。
在生成车间部署基于LSTM神经网络的冷热***MPC控制***后,使用部署在生产车间的服务器,部署前述训化好的基于LSTM神经网络的冷热***模型和MPC控制模型,例如可以使用Python脚本来控制模型的输入和输出参数,将获取的传感器数据使用Modbus/TCP协议进行数据传输和数据采集,并将采集的数据存储到关系型数据库,方便后期对模型进行更新和迭代。
MPC算法,也即MPC控制模型执行时,从数据库中读取实时采集的数据。基于MPC控制模型的控制逻辑,将获取的数据标准化后,输入基于LSTM神经网络的冷热***模型,不断预测使用不同控制参数时,下一个采集点或控制周期内MPC控制模型生成的温湿度控制目标值,并寻找最优的控制参数,从而达到实时控制优化的目的。
从而,本申请基于神经网络进行冷热***温湿度预测模型的训练和和建立基于数据驱动,降低了建立复杂模型的难度。基于得到的冷热***温湿度预测模型建立基于冷热***的控制***,旨在在有限时间内寻找一个开环优化问题的最优解,其结合神经网络模型能够有较好的鲁棒性,可以有效降低神经网络模型的不稳定性给控制***带来的影响。可以实现在复杂冷热***的温湿度精准控制。
示例性装置
图9是本发明一示例性实施例提供的冷热***的温湿度控制装置的结构示意图。如图9所示,装置900包括:
训练模块910,用于基于神经网络对采集冷热***预定历史时间周期内的多个目标特征数据进行训练,生成冷热***温湿度预测模型;
第一确定模块920,用于将采集的预测时间段之前预设时间长度的目标特征时序数据输入至冷热***温湿度预测模型中,确定预测时间段内的预测温湿度时序数据;
第二确定模块930,用于根据预测温湿度时序数据,确定预测时间段内的控制参数时序数据,其中控制参数时序数据包括:表冷阀门的开度时序数据、燃烧阀门的开度时序数据、加热阀门的开度时序数据、加湿阀门的开度时序数据;
寻优模块940,用于利用预设的优化算法对控制参数时序数据进行寻优,确定预测时间段内的最优控制参数,并根据最优控制参数,确定预测时间段内的目标温湿度时序数据;
迭代模块950,用于根据预测温湿度时序数据和目标温湿度时序数据,计算优化目标,迭代将目标温湿度时序数据输入至冷热***温湿度预测模型中,直至优化目标满足预设的约束条件,输出最优控制参数;
控制模块960,用于根据最优控制参数在预测时间段内对冷热***进行温湿度控制。
可选地,训练模块910,包括:
采集子模块,用于采集冷热***预定历史时间周期内的多个目标特征数据,其中目标特征数据包括:室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、末端风机工作频率、室内温度以及室内湿度;
分析子模块,用于将多个目标特征数据与室内温度和室内湿度进行皮尔逊相关性分析,确定冷热***温湿度预测模型所需的输入目标特征数据,其中输入目标特征数据包括:室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、室内温度以及室内湿度;
标准化子模块,用于将输入目标特征数据进行标准化处理,确定输入标准化特征数据;
生成子模块,用于基于神经网络对输入标准化特征数据、室内温度和室内湿度进行训练,生成冷热***温湿度预测模型。
可选地,采集冷热***预定历史时间周期内的多个目标特征数据,包括:
根据预设的采集密度函数,采集冷热***预定历史时间周期内的多个目标特征数据,其中采集密度函数满足相邻两次采集点各自对应的目标特征之间的变化幅度小于其特征极差的1%,公式如下:
上式中,T为目标特征数据,i和i+1用于指示相邻的两个采集点对应的时刻,N为采集点的总数量,为特征极差。
可选地,生成子模块,包括:
确定单元,用于根据冷热***的热传导公式,确定冷热***的温湿度变化的滞后时间;
划分单元,用于根据滞后时间对输入标准化特征数据、室内温度和室内湿度进行划分,确定训化样本集;
生成单元,用于基于神经网络对训化样本集进行训练,生成冷热***温湿度预测模型。
可选地,优化目标为预测温湿度时序数据与目标温湿度时序数据的差的平方和。
示例性电子设备
图10是本发明一示例性实施例提供的电子设备的结构。如图10所示,电子设备100包括一个或多个处理器101和存储器102。
处理器101可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器102可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器101可以运行所述程序指令,以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中,电子设备还可以包括:输入装置103和输出装置104,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
此外,该输入装置103还可以包括例如键盘、鼠标等等。
该输出装置104可以向外部输出各种信息。该输出装置104可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图10中仅示出了该电子设备中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,在本发明中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于***实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、***、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、***、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本发明的方法和***。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和***。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是,在本发明的***、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此,本发明不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了示例和描述的目的已经给出了以上描述。此外,此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种冷热***的温湿度控制方法,其特征在于,包括:
基于神经网络对采集冷热***预定历史时间周期内的多个目标特征数据进行训练,生成冷热***温湿度预测模型;
将采集的预测时间段之前预设时间长度的目标特征时序数据输入至所述冷热***温湿度预测模型中,确定所述预测时间段内的预测温湿度时序数据;
根据所述预测温湿度时序数据,确定所述预测时间段内的控制参数时序数据,其中所述控制参数时序数据包括:表冷阀门的开度时序数据、燃烧阀门的开度时序数据、加热阀门的开度时序数据、加湿阀门的开度时序数据;
利用预设的优化算法对所述控制参数时序数据进行寻优,确定所述预测时间段内的最优控制参数,并根据所述最优控制参数,确定所述预测时间段内的目标温湿度时序数据;
根据所述预测温湿度时序数据和所述目标温湿度时序数据,计算优化目标,迭代将所述目标温湿度时序数据输入至所述冷热***温湿度预测模型中,直至所述优化目标满足预设的约束条件,输出所述最优控制参数;
根据所述最优控制参数在所述预测时间段内对所述冷热***进行温湿度控制;其中
基于神经网络对采集冷热***预定历史时间周期内的多个目标特征数据进行训练,生成冷热***温湿度预测模型,包括:
采集冷热***预定历史时间周期内的多个目标特征数据,其中所述目标特征数据包括:室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、末端风机工作频率、室内温度以及室内湿度;
将所述多个目标特征数据与所述室内温度和所述室内湿度进行皮尔逊相关性分析,确定所述冷热***温湿度预测模型所需的输入目标特征数据,其中所述输入目标特征数据包括:室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、室内温度以及室内湿度;
将所述输入目标特征数据进行标准化处理,确定输入标准化特征数据;
基于神经网络对所述输入标准化特征数据、所述室内温度和所述室内湿度进行训练,生成所述冷热***温湿度预测模型;
基于神经网络对所述输入标准化特征数据、所述室内温度和所述室内湿度进行训练,生成所述冷热***温湿度预测模型,包括:
根据所述冷热***的热传导公式,确定所述冷热***的温湿度变化的滞后时间;
根据所述滞后时间对所述输入标准化特征数据、所述室内温度和所述室内湿度进行划分,确定训化样本集;
基于所述神经网络对所述训化样本集进行训练,生成所述冷热***温湿度预测模型。
2.根据权利要求1所述的方法,其特征在于,采集冷热***预定历史时间周期内的多个目标特征数据,包括:
根据预设的采集密度函数,采集所述冷热***预定历史时间周期内的多个目标特征数据,其中所述采集密度函数满足相邻两次采集点各自对应的目标特征之间的变化幅度小于其特征极差的1%,公式如下:
,0<i<N,
上式中,T为目标特征数据,i和i+1用于指示相邻的两个采集点对应的时刻,N为采集点的总数量,为特征极差。
3.根据权利要求1所述的方法,其特征在于,所述优化目标为所述预测温湿度时序数据与所述目标温湿度时序数据的差的平方和。
4.一种冷热***的温湿度控制装置,其特征在于,包括:
训练模块,用于基于神经网络对采集冷热***预定历史时间周期内的多个目标特征数据进行训练,生成冷热***温湿度预测模型;
第一确定模块,用于将采集的预测时间段之前预设时间长度的目标特征时序数据输入至所述冷热***温湿度预测模型中,确定所述预测时间段内的预测温湿度时序数据;
第二确定模块,用于根据所述预测温湿度时序数据,确定所述预测时间段内的控制参数时序数据,其中所述控制参数时序数据包括:表冷阀门的开度时序数据、燃烧阀门的开度时序数据、加热阀门的开度时序数据、加湿阀门的开度时序数据;
寻优模块,用于利用预设的优化算法对所述控制参数时序数据进行寻优,确定所述预测时间段内的最优控制参数,并根据所述最优控制参数,确定所述预测时间段内的目标温湿度时序数据;
迭代模块,用于根据所述预测温湿度时序数据和所述目标温湿度时序数据,计算优化目标,迭代将所述目标温湿度时序数据输入至所述冷热***温湿度预测模型中,直至所述优化目标满足预设的约束条件,输出所述最优控制参数;
控制模块,用于根据所述最优控制参数在所述预测时间段内对所述冷热***进行温湿度控制;其中
训练模块,包括:
采集子模块,用于采集冷热***预定历史时间周期内的多个目标特征数据,其中所述目标特征数据包括室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、末端风机工作频率、室内温度以及室内湿度;
分析子模块,用于将所述多个目标特征数据与所述室内温度和所述室内湿度进行皮尔逊相关性分析,确定所述冷热***温湿度预测模型所需的输入目标特征数据,其中所述输入目标特征数据包括:室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、室内温度以及室内湿度;
标准化子模块,用于将所述输入目标特征数据进行标准化处理,确定输入标准化特征数据;
生成子模块,用于基于神经网络对所述输入标准化特征数据、所述室内温度和所述室内湿度进行训练,生成所述冷热***温湿度预测模型;
生成子模块,包括:
确定单元,用于根据所述冷热***的热传导公式,确定所述冷热***的温湿度变化的滞后时间;
划分单元,用于根据所述滞后时间对所述输入标准化特征数据、所述室内温度和所述室内湿度进行划分,确定训化样本集;
生成单元,用于基于所述神经网络对所述训化样本集进行训练,生成所述冷热***温湿度预测模型。
5.根据权利要求4所述的装置,其特征在于,采集子模块,包括:
采集单元,用于根据预设的采集密度函数,采集所述冷热***预定历史时间周期内的多个目标特征数据,其中所述采集密度函数满足相邻两次采集点各自对应的目标特征之间的变化幅度小于其特征极差的1%,公式如下:
,0<i<N,
上式中,T为目标特征数据,i和i+1用于指示相邻的两个采集点对应的时刻,N为采集点的总数量,为特征极差。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-3任一所述的方法。
7.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-3任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410381866.5A CN117970986B (zh) | 2024-04-01 | 2024-04-01 | 一种冷热***的温湿度控制方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410381866.5A CN117970986B (zh) | 2024-04-01 | 2024-04-01 | 一种冷热***的温湿度控制方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117970986A CN117970986A (zh) | 2024-05-03 |
CN117970986B true CN117970986B (zh) | 2024-06-14 |
Family
ID=90864942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410381866.5A Active CN117970986B (zh) | 2024-04-01 | 2024-04-01 | 一种冷热***的温湿度控制方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117970986B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382773A (zh) * | 2008-10-17 | 2009-03-11 | 东华大学 | 抗时滞伪比例积分控制***和方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0852507A (ja) * | 1994-08-15 | 1996-02-27 | Sumitomo Light Metal Ind Ltd | 熱間圧延機における被圧延材の温度制御方法および温度制御装置 |
CN102353119B (zh) * | 2011-08-09 | 2013-04-24 | 北京建筑工程学院 | 一种vav变风量空调***控制方法 |
CN104729024B (zh) * | 2015-04-08 | 2017-06-27 | 南京优助智能科技有限公司 | 基于室内平均温度的空调负荷预测方法 |
CN110288164B (zh) * | 2019-07-02 | 2022-12-02 | 广州市特沃能源管理有限公司 | 一种建筑空调制冷站***预测控制方法 |
CN113776171B (zh) * | 2020-06-10 | 2024-02-13 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
CN111928429A (zh) * | 2020-08-25 | 2020-11-13 | 北京大学深圳研究生院 | 数据中心制冷***的节能控制方法与装置 |
CN112817354B (zh) * | 2021-02-08 | 2023-06-30 | 中国农业大学 | 一种畜禽舍养殖环境温度预测控制***及其调控方法 |
CN116266253A (zh) * | 2021-12-17 | 2023-06-20 | 中国电信股份有限公司 | 空调参数的优化控制方法、***和计算机可读存储介质 |
CN115486328B (zh) * | 2022-11-22 | 2023-03-03 | 吉林农业大学 | 智能食药用菌育种箱、其控制方法和计算机可读存储介质 |
CN117031950A (zh) * | 2023-08-08 | 2023-11-10 | 国网河北能源技术服务有限公司 | 深度调峰火电机组控制***建模的方法及装置 |
-
2024
- 2024-04-01 CN CN202410381866.5A patent/CN117970986B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382773A (zh) * | 2008-10-17 | 2009-03-11 | 东华大学 | 抗时滞伪比例积分控制***和方法 |
Non-Patent Citations (1)
Title |
---|
基于CNN-GRU的菇房多点温湿度预测方法研究;赵全明等;农业机械学报;20201231(第09期);第301-310页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117970986A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112128841B (zh) | 一种基于负荷预测和室温反馈修正的全网平衡调节方法 | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调***能耗预测方法 | |
CN110410942B (zh) | 一种冷热源机房节能优化控制方法及*** | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
CN106133462A (zh) | 用于控制蒸气压缩***的极值寻找控制器和方法 | |
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 | |
CN114383299B (zh) | 基于大数据与动态仿真的中央空调***运行策略优化方法 | |
US11236917B2 (en) | Building control system with zone grouping based on predictive models | |
US20200371482A1 (en) | Building control system with heat load estimation using deterministic and stochastic models | |
US11460822B2 (en) | Self perturbing extremum-seeking control system | |
US11215375B2 (en) | Building control system with heat disturbance estimation and prediction | |
CN114046593A (zh) | 一种动态预测性机器学习型空调节能控制方法及*** | |
CN114065994A (zh) | 空调***能耗优化方法、装置、设备及计算机存储介质 | |
CN116266253A (zh) | 空调参数的优化控制方法、***和计算机可读存储介质 | |
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 | |
CN116045461B (zh) | 一种基于给回水温度调节的风冷空调节能控制方法及装置 | |
CN117970986B (zh) | 一种冷热***的温湿度控制方法、装置及介质 | |
CN116954329A (zh) | 制冷***的状态调节方法、装置、设备、介质及程序产品 | |
CN111105090A (zh) | 一种基于智能算法的分布式能源***优化调度方法及装置 | |
CN117355710A (zh) | 一种用于控制制冷设备的方法和装置 | |
CN113625557A (zh) | 一种在线优化模型的hvac***模型预测控制方法 | |
US20210192469A1 (en) | Building control system with peer analysis for predictive models | |
CN113959071A (zh) | 基于机器学习辅助的集中式冷水机组空调***运行控制优化方法 | |
Ma et al. | Fuzzy Control of Cold Storage Refrigeration System with Dynamic Coupling Compensation | |
Noh et al. | Development of a DNN model using calibrated simulation for the optimal control of HVAC 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 | ||
GR01 | Patent grant |