[發明專利]中央空調動態負荷全局優化與節能控制的方法和裝置

有效

• 申請號: 202110390696.3
• 申請日: 2021-04-12
• 公開（公告）號: CN113028610B
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 劉國忠;李松;孔全存;喬嗣勛
• 申請（專利權）人: 北京信息科技大學;金捷利工程技術（北京）有限公司
• 主分類號: F24F11/64
• 分類號: F24F11/64;F24F11/58
• 代理公司: 北京開陽星知識產權代理有限公司 11710
• 代理人: 祝樂芳

1.一種中央空調動態負荷全局優化與節能控制的方法，其特征在于，所述方法包括：

根據預先建立的遞歸神經網絡模型對目標空調的運行負荷進行預測，得到第一負荷預測值；

根據環境數據曲線對目標空調的運行負荷進行預測，得到第二負荷預測值；其中，根據環境數據曲線對目標空調的運行負荷進行預測，得到第二負荷預測值，包括：根據第二特征數據建立三維特征曲線和二維特征曲線；其中，所述第二特征數據包括歷史干球溫度數據、歷史濕度數據和歷史空調負荷數據中的至少一種；計算當前特征數據與所述三維特征曲線的第一誤差，計算當前特征數據與所述二維特征曲線的第二誤差；根據所述第一誤差和所述第二誤差之和，從相似曲線數據庫中確定相似三維曲線；將所述相似三維曲線中待預測時刻對應的運行負荷值作為第二負荷預測值；

設置初始負荷比例系數，并根據所述初始負荷比例系數、所述第一負荷預測值、所述第二負荷預測值，確定所述目標空調的目標負荷預測值；

根據目標負荷預測值對空調系統進行優化處理，確定所述空調系統的優化信息；根據所述優化信息對所述空調系統進行節能控制。

2.根據權利要求1所述的方法，其特征在于，在所述根據預先建立的遞歸神經網絡模型對目標空調的運行負荷進行預測之前，所述方法還包括：

確定網絡模型訓練數據；其中，所述網絡模型訓練數據包括：干球溫度數據、濕度數據、太陽輻射強度數據、二氧化碳數據、室內溫度數據和歷史空調負荷數據中的至少一種；

根據所述網絡模型訓練數據進行模型訓練，得到網絡模型參數；

根據所述網絡模型參數構建遞歸神經網絡模型。

3.根據權利要求2所述的方法，其特征在于，所述確定網絡模型訓練數據，包括：

獲取空調當日運行模式；其中，所述空調當日運行模式包括工作日、周末或節假日；

基于所述空調當日運行模式，選擇與第一特征數據誤差低于預設誤差閾值的歷史特征數據作為網絡模型訓練數據；

其中，所述第一特征數據包括：當前時刻的干球溫度數據、當前時刻的濕度數據、當前時刻的太陽輻射強度數據、當前時刻的二氧化碳數據、當前時刻的室內溫度數據和當前空調負荷數據中的至少一種。

4.根據權利要求1所述的方法，其特征在于，所述計算當前特征數據與所述三維特征曲線的第一誤差，包括：

獲取當日已運行時刻的干球溫度數據、濕度數據和當前空調負荷數據；

將所述當日已運行時刻的干球溫度數據、濕度數據和當前空調負荷數據，與所述三維特征曲線進行匹配，得到第一誤差。

5.根據權利要求1所述的方法，其特征在于，所述計算當前特征數據與所述二維特征曲線的第二誤差，包括：

確定當日未運行時刻的干球溫度數據和濕度數據；

將所述當日未運行時刻的干球溫度數據和濕度數據，與所述二維特征曲線進行匹配，得到第二誤差。

6.根據權利要求1所述的方法，其特征在于，在所述確定所述目標空調的目標負荷預測值之后，所述方法還包括：

獲取所述目標空調的實際負荷值；

計算所述第一負荷預測值與所述實際負荷值的誤差；計算所述第二負荷預測值與所述實際負荷值的誤差；

根據所述第一負荷預測值與所述實際負荷值的誤差，與所述第二負荷預測值與所述實際負荷值的誤差，對所述初始負荷比例系數進行修正，得到目標負荷比例系數；

在檢測到空調負荷值預測事件之后，根據所述目標負荷比例系數、所述空調負荷值預測事件中的第三負荷預測值，以及所述空調負荷值預測事件中的第四負荷預測值，對所述目標空調目標時刻下的運行負荷進行預測；

其中，所述第三負荷預測值根據所述遞歸神經網絡模型對待預測空調的運行負荷進行預測確定；所述第四負荷預測值根據所述環境數據曲線對待預測空調的運行負荷進行預測確定。