一種基於負荷預測的空調系統節能優化方法
2023-05-16 11:45:31
專利名稱：一種基於負荷預測的空調系統節能優化方法
技術領域：
本發明涉及一種空調系統節能優化方法，屬於空調系統的節能優化領域。
背景技術：
隨著我國城市化和工業化進程的發展，建築業發展迅猛，建築能耗不斷增加，建築能耗已經佔據社會總能耗的27%以上，有些地區已接近40%，其中三分之二的能耗為空調系統所消耗。在建築能耗佔整個能源消耗的比例不斷增加的現狀下，建築中的空調系統節能已經成為節能領域中的一個重點和熱點。按照終端節能的概念，加大空調節能的力度對節約能源有著巨大的理論和實際意義。
由於缺乏先進的控制技術手段和裝備，中央空調系統大多仍採用傳統的人工管理方式和簡易的開關控制設備，不能實現空調冷凍水流量跟隨末端負荷的變化而動態調節， 在部分負荷運行時造成能源浪費很大，使我國建築用能效率低下。近年來，隨著樓宇自動化 (BA)系統和變頻調速技術的應用與發展，人們開始採用BA或變頻器對空調系統設備進行控制。一種是通過BA系統對冷水機組、水泵、風機等設備進行遠程啟停控制，實現其「精細化使用」節能；另一種是通過對空調系統管網壓力或溫度的採集，以壓差或溫差作為被控參量，採用PI或PID控制變頻器調節水泵的運轉頻率，使水泵流量跟隨被控參量變化，從而達到水泵節能的目的。但是，中央空調系統是一個具有時滯、時變、非線性和大惰性的複雜系統，其複雜性導致中央空調系統難以用精確地數學模型或方法來描述，並且，PID控制器的工程參數在很大程度上依賴於調試人員的經驗，受人的因素影響很大，一但整定，便不能跟隨負荷與工況的變化而自動調整，不僅節能效果差還容易造成系統震蕩，影響中央空調系統運行的穩定性和空調末端的服務質量。文章「基於負荷預測的空調冷凍水流量動態控制技術」中，作者採用基於負荷預測的方法，利用智能模糊控制技術，根據負荷量和環境溫度， 通過模糊控制規則庫來對控制進行智能決策，該方法在一定程度上達到了節能的最佳控制效果，但是通過模糊控制得到的決策規則的精準性仍需提高。
由於中央空調系統的時變動態特徵，傳統的節能控制策略不能在空調系統運行過程中實時的在線積累和綜合有關的信息，進行即時的修正或調節系統的控制參數，更不能使空調系統始終處於最優或接近最優的工作狀態。另一方面，由於空調系統的大時滯和大惰性，控制系統的輸出總是要經過滯後時間τ以後才能起作用，然而目前空調節能控制領域流行的恆壓差和恆溫差控制模式屬於「跟隨控制」，一般只適用於無時滯的被控對象或過程，用在空調系統中難以取得較好的控制效果。發明內容
針對現有空調系統節能控制方法存在的不足，本發明提出一種基於負荷預測的空調系統節能優化方法。本發明的基本思想是，通過全面的系統參數檢測和歷史數據的分析判斷，推理預測出未來時刻系統的負荷(需冷量)，然後優化空調系統的能耗函數模型，得到該負荷下的最優運行參數，再根據系統的實時滯後時間τ，提前對系統的各參數變量進行控制，以保證系統供冷和負荷用冷在數量上相等，時間上同步，使空調系統始終處於最優或接近最優的工作狀態。
本發明提出的一種基於負荷預測的空調系統節能優化方法的具體實現步驟如下
第一步，收集數據並進行數據預處理，收集的數據包括待測時刻的房間入住率和空調系統負荷，以及室外平均溫度和空調系統負荷的歷史數據，並對樣本數據進行歸一化；
第二步，利用神經網絡對空調系統待測時刻的空調系統負荷進行預測；
第三步，設定空調系統的能耗模型為P=f(Q，T1，T2。，Vl，v2，Fair)，其中P為空調系統的能耗功率，Q為空調系統負荷，T1。為空調系統冷凍水出水溫度，T2。為空調系統冷卻水出水溫度，V1為空調系統的冷凍水泵流量，V2為空調系統的冷卻水泵流量，Fair為空調系統的空氣流量，在通過所述第二步獲得待測時刻的空調系統負荷Q的前提下，利用粒子群算法進行能耗模型的優化，得到待測時刻能耗功率P取最小值時的最優參數組合，即 T10, T20, V1, V2, Fair的最優參數組合。
步驟四根據得到待測時刻的 \。，T20, V1, V2, Fair的最優參數組合，對各參數變量提前進行控制，以保證待測時刻到來時，空調系統處於最優的工作狀態。
圖1為本發明中基於負荷預測的空調系統節能優化的原理圖。
圖2為本發明中神經網絡的網絡模型結構圖。
圖3為本發明中利用粒子群算法進行空調能耗模型優化的流程圖。
具體實施方式
下面以蘇州某五星級酒店為實施例，並結合附圖對本發明的具體實施方式
進行詳細的說明。
參照附圖1，本發明的基於負荷預測的空調系統節能優化的方法主要包括以下幾個步驟
步驟一收集歷史數據並進行數據預處理。
根據影響空調系統能耗的因素分析，本發明收集的歷史數據包括時刻t的入住率和空調系統負荷，時刻t前24，48，72，168小時，即t_24，t_48，t_72，t-168時刻的實測室外平均溫度和空調系統負荷，並把上述數據作為樣本數據。為了減少奇異樣本對神經網絡性能的影響，對樣本數據中的空調系統負荷和室外平均溫度分別進行如下歸一化，使其範圍在
之間。歸一化公式為
權利要求
1.一種基於負荷預測的空調系統節能優化方法，主要包括以下具體步驟 第一步，收集歷史數據，並對數據進行歸一化； 第二步，利用歸一化後的歷史數據，通過神經網絡對空調系統待測時刻的空調系統負荷Q進行預測； 第三步，設定空調系統的能耗模型為P=f (Q，T10, T20, V1, v2, Fair)，其中P為空調系統的能耗功率，Q為空調系統負荷，T1。為空調系統冷凍水出水溫度，T2。為空調系統冷卻水出水溫度，V1為空調系統的冷凍水泵流量，V2為空調系統的冷卻水泵流量，Fair為空調系統的空氣流量，在通過所述第二步獲得待測時刻的空調系統負荷Q的前提下，利用粒子群算法進行能耗模型的優化，得到在待測時刻的能耗功率P取最小值時的最優參數組合，即T10, T20, V1, V2, Fair的最優參數組合。
步驟四根據得到的 \。，T20, V1, V2, Fair的最優參數組合，對各參數變量提前進行控制，以保證待測時刻到來時，空調系統處於最優的工作狀態。
2.如權利要求I所述的空調系統節能優化方法，其中粒子群算法包括以下步驟 第一步，將微粒表示為Xi= (xn，Xi2, xi3, Xi4. Xi5)，其中，XiI對應冷凍水出水溫度T1MXiM應冷卻水出水溫度T2。，Xi3對應冷凍水泵流量V1, Xi4對應冷卻水泵流量v2，Xi5對應著空氣流量Fair，設定微粒群規模為S，進化代數為tmax，對每個微粒Xi (i = I, 2，…，s)進行位置和速度的初始化，即對任意的i，j (j=l, 2，…，5)，均在其變量範圍內服從均勻分布的產生Xij和的初始化值，並對微粒的局部最好位置Pi和全局最好位置Pg進行初始化； 第二步，更新微粒的速度和位置，公式如下表示為
3.如權利要求I所述的空調系統節能優化方法，其中收集的歷史數據包括某一時刻的房間入住率和空調系統負荷，以及所述某一時刻之前的室外平均溫度和空調系統負荷。
全文摘要
本發明利用歷史數據，預測出未來時刻空調系統的負荷，然後利用粒子算法，優化空調系統的能耗模型，得到該負荷條件下的最優運行參數，再根據系統的實時滯後時間，提前對系統的各參數變量進行控制，不但避免了由於空調系統的大時滯和大惰性帶來的控制時間差，而且保證了系統供冷和負荷用冷在數量上相等，時間上同步。另一方面，本發明還可以實時進行空調系統的負荷預測和優化控制，使空調系統始終處於最優或接近最優的工作狀態，從而達到節能優化的目的。
文檔編號F24F11/00GK102980272SQ201210526338
公開日2013年3月20日 申請日期2012年12月8日 優先權日2012年12月8日
發明者牛麗仙, 吳忠宏 申請人:珠海派諾科技股份有限公司