一种中央空调节能控制系统及方法与流程

[0001]
本发明属于空调系统节能技术领域，具体涉及一种中央空调节能控制系统及方法。


背景技术：

[0002]
绿色发展是以效率、和谐、持续为目标的经济增长和社会发展方式，已成为当今世界的趋势，节约能源是绿色发展的重要一环。在社会总能耗中，建筑能耗占比很高，达到了30%左右，而暖通空调是建筑能耗的主要组成，占比达到了65%左右。而大型公共建筑空调系统的能耗占比通常在50%～80%之间。目前，建筑领域空调系统的能耗过高，节能潜力巨大，亟需进行全面的节能优化。
[0003]
近年来，公共建筑领域的空调系统普遍部署了本地楼宇自控系统，现有中央空调的自动控制系统的智能化程度和控制精准度不高，通常采用传统的pid控制、模糊数学等控制方法，如江森、西门子、霍尼韦尔等，同时靠人工经验进行调控，运行效果与节能效果不佳。现有的中央空调控制系统存在以下问题：1.中央空调自有系统原有的设备模型通常基于物理机理建模形成，在出厂时已经预先设定，其模型算法固定模型经常是固化的，不能随使用时间的增加、外界因素的变化而做出相应的变化，不能真正反映出空调系统现有的运行状态与特征；2.中央空调空调节能控制策略制定时没有考虑各子系统之间的关联性、耦合性，只能实现单一设备或子系统的节能，但是空调系统总体并不节能；3.中央空调系统具有非线性、多变量、大滞后等特性，在实际现场运维人员通常会根据系统监测的信息，凭借经验做出温度设定与机组启停，不能真正精确地进行调控，也错过了最佳的调控时机。因此，如何解决上述问题是本领域技术人员亟待解决的问题。


技术实现要素：

[0004]
为克服上述现有技术的不足，本发明提供了一种中央空调节能控制系统，包括：能效终端，用于进行数据采集；所述数据包括：中央空调所处的环境参数数据和各子系统对应的设备参数数据；智慧能源控制器，用于基于所述数据对预先构建的设备模型进行修正，并将修正后的设备模型以及所述数据上传至云平台；还用于基于从云平台接收的节能控制策略对中央空调各子系统的设备进行节能控制；云平台，用于基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行优化调控时将所述节能控制策略下发至所述智慧能源控制器。
[0005]
优选的，智慧能源控制器，包括：设备模型模块，用于基于所述的数据对预先构建的设备模型进行修正；通讯接口模块，用于将修正后的设备模型以及所述数据上传至云平台；策略执行模块，用于基于从云平台制定的节能控制策略对中央空调各子系统的设备进行节能控制；
所述设备模型模块基于最小二乘法的参数自辨识动态建模方法构建。
[0006]
优选的，设备模型模块包括：冷水主机模型、冷却塔模型、水泵模型、末端系统模型和环境模型；所述冷水主机模型基于冷水主机的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述冷水主机模型进行动态更新；所述冷却塔模型基于冷却塔的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述冷却塔模型进行动态更新；所述水泵模型基于水泵的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述水泵模型进行动态更新；所述末端系统模型基于末端系统的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述末端系统进行动态更新；所述环境模型基于环境的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述环境模型进行动态更新。
[0007]
优选的，智慧能源控制器，还包括：数据处理模块，用于对所述的数据进行处理并将处理后的数据输入所述的设备模型模块用于对设备模型进行更新。
[0008]
优选的，云平台，包括：能耗预侧模块，用于基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行调控时将所述节能控制策略下发至策略管理模块；策略管理模块，用于接收所述节能控制策略，并将所述节能控制策略下发至所述智慧能源控制器；所述节能控制策略考虑各子系统的之间的耦合性和关联性，以整个系统能耗最优为目标函数制定。
[0009]
优选的，能耗预侧模块具体用于：基于所述数据和修正后的设备模型计算各子系统的实际能耗；基于所述数据和修正后的设备模型采用机器学习算法计算各子系统的最优总能耗；基于所述各子系统的最优总能耗制定节能控制策略；基于所述的实际能耗和最优总能耗确定是否需要对中央空调进行优化调控，当中央空调需要进行优化调控时将所述节能控制策略下发至所述策略管理模块。
[0010]
优选的，云平台还包括：能效分析模块，用于基于能效终端采集的所述数据对各子系统的运行效率和能耗进行分析，并将所述分析结果反馈设备监测模块；设备监测模块，用于基于能效终端采集的所述数据以及能效分析模块的分析结果对中央空调系统的运行状态进行监测。
[0011]
基于同一构思，本发明还提供了一种中央空调节能控制方法，包括：通过能效终端进行数据采集；所述数据包括：中央空调所处的环境参数数据和各子系统对应的设备参数数据；智慧能源控制器基于能效终端采集的所述数据对预先构建的设备模型进行修正，并将修正后的设备模型以及所述数据上传至云平台；
云平台基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行优化调控时将所述节能控制策略下发至所述智慧能源控制器；所述智慧能源控制器基于从云平台接收的节能控制策略对中央空调各子系统的设备进行节能控制。
[0012]
优选的，智慧能源控制器基于能效终端采集的所述数据对预先构建的设备模型进行修正，并将修正后的设备模型以及所述数据上传至云平台，包括：智慧能源控制器的设备模型模块基于所述的数据对预先构建的设备模型进行修正；智慧能源控制器的通讯接口模块将修正后的设备模型以及所述数据上传至云平台；所述设备模型模块基于最小二乘法的参数自辨识动态建模方法构建。
[0013]
优选的，在能效终端采集数据之后，且在设备模型模块基于所述的数据对预先构建的设备模型进行修正之前，还包括对所述的数据进行处理。
[0014]
优选的，云平台基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行优化调控时将所述节能控制策略下发至所述智慧能源控制器，包括：云平台的能耗预侧模块基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行调控时将所述节能控制策略下发至云平台的策略管理模块；云平台的策略管理模块接收所述节能控制策略，并将所述节能控制策略下发至所述智慧能源控制器；所述节能控制策略考虑各子系统的之间的耦合性和关联性，以整个系统能耗最优为目标函数制定。
[0015]
优选的，云平台的能耗预侧模块基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行调控时将所述节能控制策略下发至云平台的策略管理模块，包括：云平台的能耗预侧模块基于所述数据和修正后的设备模型计算各子系统的实际能耗；基于所述数据和修正后的设备模型采用机器学习算法计算各子系统的最优总能耗；基于所述各子系统的最优总能耗制定节能控制策略；基于所述的实际能耗和最优总能耗确定是否需要对中央空调进行优化调控，当中央空调需要进行优化调控时将所述节能控制策略下发至所述策略管理模块。
[0016]
与最接近的现有技术相比，本发明具有的有益效果如下：本发明提供了一种中央空调节能控制系统和方法，包括：能效终端，用于进行数据采集；所述数据包括：中央空调所处的环境参数数据和各子系统对应的设备参数数据；智慧能源控制器，用于基于所述数据对预先构建的设备模型进行修正，并将修正后的设备模型以及所述数据上传至云平台；还用于基于从云平台接收的节能控制策略对中央空调各子系统的设备进行节能控制；云平台，用于基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行优化调控时将所述节能控制策略下发至所述智慧能源控制器，本发明基于实时获取的数据更新设备模型，使得设备模型能够准确反映空调各子系统的运行状态与特征，然后基于更新后的设备模型以及各子系统之间耦合关系和关联关系，以整个系统能耗最优为目标制定节能控制策略，最后通过智慧能源控制器实现对
中央空调各子系统的及时精准的控制，实现了中央空调系统的自趋优控制，从而实现了系统的整体节能。
附图说明
[0017]
图1为本发明提供的一种中央空调节能控制系统示意图；图2为本发明提供的一种中央空调节能控制方法示意图；图3为本发明实施例中提供的一种中央空调节能控制系统示的架构图；图4为本发明实施例中提供的一种中央空调节能控制方法的流程示意图。
具体实施方式
[0018]
下面结合附图对本发明的具体实施方式做进一步的详细说明。
[0019]
实施例1：本实施例提供了一种中央空调节能控制系统，如图1所示，包括：能效终端，用于进行数据采集；所述数据包括：中央空调所处的环境参数数据和各子系统对应的设备参数数据；智慧能源控制器，用于基于所述数据对预先构建的设备模型进行修正，并将修正后的设备模型以及所述数据上传至云平台；还用于基于从云平台接收的节能控制策略对中央空调各子系统的设备进行节能控制；云平台，用于基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行优化调控时将所述节能控制策略下发至所述智慧能源控制器。
[0020]
进一步的，智慧能源控制器，包括：设备模型模块，用于基于所述的数据对预先构建的设备模型进行修正；通讯接口模块，用于将修正后的设备模型以及所述数据上传至云平台；策略执行模块，用于基于从云平台制定的节能控制策略对中央空调各子系统的设备进行节能控制；所述设备模型模块基于最小二乘法的参数自辨识动态建模方法构建。
[0021]
进一步的，设备模型模块包括：冷水主机模型、冷却塔模型、水泵模型、末端系统模型和环境模型；所述冷水主机模型基于冷水主机的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述冷水主机模型进行动态更新；所述冷却塔模型基于冷却塔的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述冷却塔模型进行动态更新；所述水泵模型基于水泵的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述水泵模型进行动态更新；所述末端系统模型基于末端系统的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述末端系统进行动态更新；所述环境模型基于环境的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述环境模型进行动态更新。
[0022]
进一步的，智慧能源控制器，还包括：
数据处理模块，用于对所述的数据进行处理并将处理后的数据输入所述的设备模型模块用于对设备模型进行更新。
[0023]
进一步的，云平台，包括：能耗预侧模块，用于基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行调控时将所述节能控制策略下发至策略管理模块；策略管理模块，用于接收所述节能控制策略，并将所述节能控制策略下发至所述智慧能源控制器；所述节能控制策略考虑各子系统的之间的耦合性和关联性，以整个系统能耗最优为目标函数制定。
[0024]
进一步的，能耗预侧模块具体用于：基于所述数据和修正后的设备模型计算各子系统的实际能耗；基于所述数据和修正后的设备模型采用机器学习算法计算各子系统的最优总能耗；基于所述各子系统的最优总能耗制定节能控制策略；基于所述的实际能耗和最优总能耗确定是否需要对中央空调进行优化调控，当中央空调需要进行优化调控时将所述节能控制策略下发至所述策略管理模块。
[0025]
进一步的，云平台还包括：能效分析模块，用于基于能效终端采集的所述数据对各子系统的运行效率和能耗进行分析，并将所述分析结果反馈设备监测模块；设备监测模块，用于基于能效终端采集的所述数据以及能效分析模块的分析结果对中央空调系统的运行状态进行监测。
[0026]
实施例2：本实施例提供了一种建立在“端-边-云”的总体架构上的中央空调节能控制系统，具体如图3所示：1.端侧端侧指的是能效终端，本系统包括多个能效终端，主要负责中央空调各个子系统设备参数数据和环境参数数据的采集工作；中央空调系统下面由不同的子系统组成，包括冷水主机系统、水泵系统、冷却塔系统、末端系统等；设备参数数据采集中涉及了多元能源数据，包括：冷水主机功率、冷冻水出水温度、冷冻水回水温度、冷冻水水泵流量、冷却水出水温度、冷却水回水温度、冷却水水泵流量、末端系统的风机盘管风机风量、冷却塔风机风量等参数；此外，空调系统的运行状况与外界环境有很大的关系，所以还需考虑外界环境的温度、湿度、热辐射等因素，并通过能效终端对环境参数进行采集；能效终端可通过plc、lora、zigbee、ble（蓝牙）、wifi等多种通信方式与空调的不同子系统以及外界环境建立连接，实时采集多种能源数据，在数据采集完成后，可利用plc、lora、zigbee、ble（蓝牙）、wifi等通信方式将数据上传到边侧的智慧能源控制器中。
[0027]
2.边侧边侧指的是支持边缘计算的智慧能源控制器，其部署在设备现场的近端，具有低时延、扩展强的特点。智慧能源控制器由不同的功能模块组成，包括：数据处理模块、通信接口模块、策略执行模块、核心计算模块、设备模型模块，具体的：
数据处理模块，负责对来自能效终端的数据进行数据筛选、清洗、归一化处理等工作，并将处理后的数据输入设备模型模块；设备模型模块，是智慧能源控制器内嵌的系统动态模型，包括：冷水主机模型、水泵模型、冷却塔模型、末端系统模型以及环境模型；设备模型的构建其抛弃了传统基于物理机理的静态建模方法，根据空调系统的能量平衡与不同设备的耦合关系，利用获取的历史数据拟合建立各设备的数学表达式，然后根据能效终端最新采集的数据，采用基于递推最小二乘法的参数自辨识动态建模方法，更新各设备模型数学表达式中的描述参数，完成动态设备模型的构建与更新；通信接口模块，负责管理与外界的通信交互，负责将修正更新后的设备模型以及数据模块处理后的数据上传至云平台；策略执行模块，负责接收云平台下发的节能控制策略内容，并发出具体的指令到中央空调系统的冷水主机、水泵系统、末端系统、冷却塔系统的各类设备，实现中央空调整体节能策略的执行功能；核心计算模块，是智慧能源控制器的cpu处理单元，负责内部程序的处理与计算工作，内部的数据处理模块、通信接口模块、策略执行模块和设备模型模块的数据接收、处理、下发等环节通过二进制编码的形式在cpu中进行处理与计算；智慧能源控制器会利用上述基于递推最小二乘法的参数自辨识动态建模方法，根据实时采集的数据对设备模型模块中内嵌的设备模型进行在线修正，拟合出各个模型最新的数学表达式，确保模型的准确性，并将输出最新的设备模型和能效终端采集的数据一起上传到云平台，为后续云平台的协同优化奠定了良好的基础。
[0028]
3.云侧云侧指的是云平台，是整体调控架构的大脑，负责从系统级层面生成最优的调控策略。云平台与智慧能源控制器通过lte/nb-iot的通信方式建立连接，云平台包括：设备监测模块、能效分析模块、能耗预测模块和策略管理模块，具体的各模块的功能如下：设备监测模块，负责实时监测空调系统运行的状态，其数据来源于能效终端实时采集上传的数据，包括功率、压力、温度、流量以及环境温度、湿度等实时数据和能耗分析模块的分析结果，在必要时启动故障报警；能效分析模块，负责基于能效终端实时采集的数据分析空调各个子系统的运行效率和能耗的情况，包括：主机cop、水泵效率、风机效率和环境温度、湿度等参数，并通过设备监测模块实时显示子系统的运行数据，便于运维管理人员全面把握系统运行的情况；能耗预测模块，负责基于当前时刻冷水主机、水泵系统、风机系统等功率、压力、温度、流量以及环境温度、湿度等数据，结合系统实时更新的设备模型，计算各子系统的实际能耗，对系统的未来运行趋势进行模拟；并基于采集的数据和实时更新的设备模型利用机器学习算法计算当前系统的最优总能耗；考虑各子系统的之间的耦合性和关联性，以全局能耗最优为目标的机器学习损失函数，在云端实现最优节能控制策略的集成学习，输出最终的节能调控策略；当实际能耗大于最优总能耗时，需要对中央空调进行调控，此时将制定的总能耗最低的节能控制策略下发至策略管理模块；策略管理模块，负责当接收到节能控制策略时，将接收到的节能控制策略下发至智慧能源控制器中。
[0029]
实施例3：本实施例提供了一种中央空调节能控制方法如图2所示，包括：s1通过能效终端进行数据采集；所述数据包括：中央空调所处的环境参数数据和各子系统对应的设备参数数据；s2智慧能源控制器基于能效终端采集的所述数据对预先构建的设备模型进行修正，并将修正后的设备模型以及所述数据上传至云平台；s3云平台基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行优化调控时将所述节能控制策略下发至所述智慧能源控制器；s4所述智慧能源控制器基于从云平台接收的节能控制策略对中央空调各子系统的设备进行节能控制。
[0030]
智慧能源控制器基于能效终端采集的所述数据对预先构建的设备模型进行修正，并将修正后的设备模型以及所述数据上传至云平台，包括：智慧能源控制器的设备模型模块基于所述的数据对预先构建的设备模型进行修正；智慧能源控制器的通讯接口模块将修正后的设备模型以及所述数据上传至云平台；所述设备模型模块基于最小二乘法的参数自辨识动态建模方法构建。
[0031]
设备模型模块包括：冷水主机模型、冷却塔模型、水泵模型、末端系统模型和环境模型；其中，冷水主机模型基于冷水主机的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述冷水主机模型进行动态更新；冷却塔模型基于冷却塔的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述冷却塔模型进行动态更新；水泵模型基于水泵的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述水泵模型进行动态更新；末端系统模型基于末端系统的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述末端系统进行动态更新；环境模型基于环境的历史参数数据拟合构建，并采用最小二乘法的参数自辨识动态建模方法对所述环境模型进行动态更新。
[0032]
在能效终端采集数据之后，且在设备模型模块基于所述的数据对预先构建的设备模型进行修正之前，还包括对所述的数据进行处理。
[0033]
云平台基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行优化调控时将所述节能控制策略下发至所述智慧能源控制器，包括：云平台的能耗预侧模块基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行调控时将所述节能控制策略下发至云平台的策略管理模块；云平台的策略管理模块接收所述节能控制策略，并将所述节能控制策略下发至所述智慧能源控制器；所述节能控制策略考虑各子系统的之间的耦合性和关联性，以整个系统能耗最优为目标函数制定。
[0034]
云平台的能耗预侧模块基于所述数据和修正后的设备模型计算最优总能耗并制定节能控制策略，当中央空调需要进行调控时将所述节能控制策略下发至云平台的策略管理模块，包括：云平台的能耗预侧模块基于所述数据和修正后的设备模型计算各子系统的实际能耗；
基于所述数据和修正后的设备模型采用机器学习算法计算各子系统的最优总能耗；基于所述各子系统的最优总能耗制定节能控制策略；基于所述的实际能耗和最优总能耗确定是否需要对中央空调进行优化调控，当中央空调需要进行优化调控时将所述节能控制策略下发至所述策略管理模块。
[0035]
实施例4：本实施例提供了一种中央空调节能控制方法，控制方法的具体流程图如图4所示：步骤1：能效终端实时采集空调子系统的各种数据以及环境参数，其中，空调子系统的各种数据，包括：冷水主机功率、冷冻水出水温度、冷冻水回水温度、冷冻水水泵流量、冷却水出水温度、冷却水回水温度、冷却水水泵流量、末端系统的风机盘管风机风量、冷却塔风机风量等参数；环境参数包括：环境温度、湿度等参数。
[0036]
步骤2：利用plc、lora、zigbee、ble（蓝牙）、wifi等通信方式将数据上传到智慧能源控制器中。
[0037]
步骤3：当智慧能源控制器接收数据后，首先在数据处理模块对数据进行进一步地筛选、清洗等操作，确保数据的整体准确性和可靠性后，将数据输入到设备模型模块中。
[0038]
步骤4：设备模型模块根据递推最小二乘法的参数自辨识动态建模方法，将现有的设备模型进行修正，通过当前输出的参数递推估计值，修改各子系统的数学表达式描述参数，生成新的设备模型。
[0039]
步骤5：将动态模型与处理后的实时数据利用plc、lora、zigbee、ble（蓝牙）、wifi等通信方式上传到云平台的能耗预测模块中，云平台设备监测和能效分析模块提取动态模型与处理后的实时数据，完成相应的功能。
[0040]
步骤6：云平台的能耗预测模块接收动态模型与处理后的实时数据，以全局能耗最优为目标，利用机器学习算法，基于空调系统历史设备运行数据以及及环境温度、湿度等环境参数数据，计算当前冷水主机、水泵系统、末端系统、冷却塔系统的最优总能耗；具体的，基于当前时刻冷水主机、水泵系统、风机系统等功率、压力、温度、流量以及环境温度、湿度等数据，结合系统实时更新的设备模型，计算各子系统的实际能耗；基于采集的数据和实时更新的设备模型，利用机器学习算法计算当前系统的最优总能耗；考虑各子系统的之间的耦合性和关联性，以全局能耗最优为目标的机器学习损失函数，在云端实现最优节能控制策略的集成学习，输出最终的节能调控策略；当实际能耗大于最优总能耗时，需要对中央空调进行调控，此时将制定的总能耗最低的节能控制策略下发至策略管理模块；结合天气预报未来时刻的外界环境温度、湿度以及人流量的变化情况，对模型进行在线训练，预测下一时段系统总能耗的变化情况，预估空调系统的运行趋势。
[0041]
步骤7：云平台根据能耗预测的情况，通过目前系统实际的总能耗与能耗预测模块计算的最优总能耗进行对比，判断系统是否处于最佳运行状态，如果系统实际能耗≤最优总能耗，说明系统已处于最佳运行状态，那么流程结束，按上一时刻的调控策略进行。
[0042]
步骤8：如果系统未处于最佳运行状态，即实际能耗＞最优总能耗，那么云平台的能耗预测模块将最优的调控策略输入到策略管理模块中，策略管理模块通过plc、lora、zigbee、ble（蓝牙）、wifi等通信方式将调控策略下发到智慧能源控制器的策略执行模块
中。
[0043]
步骤9：智慧能源控制器的策略执行模块在接收到云平台发送的最优策略后，向空调各子系统发出调控指令。
[0044]
步骤10：各子系统接收指令，执行策略，调控流程结束。
[0045]
进一步的，步骤4中最小二乘法的计算表达式如下：其中，x为系统输入矩阵，y为系统的输出量，θ为新的参数估计值，k(k)为增益向量，表示基于k-1时刻的历史数据对y(k)的预报值，k为第k次采集，i为n维单位矩阵，上标t表示转置矩阵，λ为遗忘因子，由相应的准侧函数确定，可取0到1之间的数；递推最小二乘法是在前一时刻模型的基础上，利用当前实时采集的输入数据对前一时刻的模型参数进行修正，得到当前新的设备模型。其计算流程如下：1、确定被辨识系统模型的结构，即冷水主机模型、水泵模型、冷却塔模型、末端系统模型数学表达式的描述参数；2、设定递推参数初值θ0和p0；3、利用实时采集数据，即冷水主机模型、水泵模型、冷却塔模型、末端系统模型的功率、压力、温度、流量以及环境温度、湿度等数据，组成数据向量x；4、用上式（1）（2）（3）计算当前参数递推估计值θ
k
，即为优化后冷水主机模型、水泵模型、冷却塔模型、末端系统模型数学表达式的优化描述参数，由此可得最新的设备模型；5、采样次数k加1，转回第3步继续循环。
[0046]
进一步的，步骤6中采用bp神经网络算法对空调系统的全局最优能耗进行计算。bp算法是一种最有效的多层神经网络学习方法，其主要特点是信号前向传递，而误差后向传播，通过不断调节网络权重值，使得网络的最终输出与期望输出尽可能接近，以达到训练的目的。采用三层神经网络进行计算，包括输入层、一层隐含层和输出层。输入层由m个神经元节点组成，其输入x
i
即为当前时刻冷水主机、水泵系统、风机系统等功率、压力、温度、流量以及环境温度、湿度等数据，输入层的输出等于该层的输入x
i
，隐含层的每个神经元的输入、输出分别如下式所示：式(4)、(5)中，w
ij
为输入层的神经元与对应的隐含层神经元的权重，b
i
为输入层第i个神经元的偏置，x
i
为当前时刻冷水主机、水泵系统、风机系统等功率、压力、温度、流量以及环境温度、湿度等数据。f（）为隐含层神经元的激活函数；输出层每个神经元的输入和输出分别下式所示：
式(6)、(7)中，u
lj
为隐含层的神经元与对应的输出层神经元的权重，c
l
为隐含层第l个神经元的偏置，g（）为隐含层神经元的激活函数；神经网络算法的实现是以梯度下降法为基础，通过对权值和阈值的调整，使模型输出的均方误差最小化，使bp神经网络的预测输出不断逼近期望输出，使用均方差函数作为损失函数，当l(y，)即：式中，y是样本的真实类标，即为目前系统根据当前功率、压力、温度、流量以及环境温度、湿度等数据预测计算的能耗，为系统期望的能耗值；当l(y，)的值最小时，此时便得到系统能耗最优值，云平台将最优控制策略输入到能源控制器的策略执行模块中，能源控制器对各个子系统发送调控指令进行执行。
[0047]
本发明中，设备模型模块可根据实测数据实现对空调系统模型的在线修正，是本发明的核心思想，云平台通过机器学习算法生成最优调控策略，实现空调各子系统的协同增效，进而实现中央空调系统级的节能；本发明可解决传统调控局部节能整体耗能、设备模型固化而导致与实际工况不一致以及人工经验控制效果不佳等问题，可大大减轻运维人员的工作量，实现空调系统的智能化运行以及系统级节能。
[0048]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
[0049]
本申请是参照根据本申请实施例的方法、设备（系统）、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。
[0050]
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。
[0051]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供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步骤。
[0052]
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除