专利名称：一种基于负荷预测的空调系统节能优化方法
技术领域：
本发明涉及一种空调系统节能优化方法，属于空调系统的节能优化领域。
背景技术：
随着我国城市化和工业化进程的发展，建筑业发展迅猛，建筑能耗不断增加，建筑能耗已经占据社会总能耗的27%以上，有些地区已接近40%，其中三分之二的能耗为空调系统所消耗。在建筑能耗占整个能源消耗的比例不断增加的现状下，建筑中的空调系统节能已经成为节能领域中的一个重点和热点。按照终端节能的概念，加大空调节能的力度对节约能源有着巨大的理论和实际意义。
由于缺乏先进的控制技术手段和装备，中央空调系统大多仍采用传统的人工管理方式和简易的开关控制设备，不能实现空调冷冻水流量跟随末端负荷的变化而动态调节， 在部分负荷运行时造成能源浪费很大，使我国建筑用能效率低下。近年来，随着楼宇自动化 (BA)系统和变频调速技术的应用与发展，人们开始采用BA或变频器对空调系统设备进行控制。一种是通过BA系统对冷水机组、水泵、风机等设备进行远程启停控制，实现其“精细化使用”节能；另一种是通过对空调系统管网压力或温度的采集，以压差或温差作为被控参量，采用PI或PID控制变频器调节水泵的运转频率，使水泵流量跟随被控参量变化，从而达到水泵节能的目的。但是，中央空调系统是一个具有时滞、时变、非线性和大惰性的复杂系统，其复杂性导致中央空调系统难以用精确地数学模型或方法来描述，并且，PID控制器的工程参数在很大程度上依赖于调试人员的经验，受人的因素影响很大，一但整定，便不能跟随负荷与工况的变化而自动调整，不仅节能效果差还容易造成系统震荡，影响中央空调系统运行的稳定性和空调末端的服务质量。文章“基于负荷预测的空调冷冻水流量动态控制技术”中，作者采用基于负荷预测的方法，利用智能模糊控制技术，根据负荷量和环境温度， 通过模糊控制规则库来对控制进行智能决策，该方法在一定程度上达到了节能的最佳控制效果，但是通过模糊控制得到的决策规则的精准性仍需提高。
由于中央空调系统的时变动态特征，传统的节能控制策略不能在空调系统运行过程中实时的在线积累和综合有关的信息，进行即时的修正或调节系统的控制参数，更不能使空调系统始终处于最优或接近最优的工作状态。另一方面，由于空调系统的大时滞和大惰性，控制系统的输出总是要经过滞后时间τ以后才能起作用，然而目前空调节能控制领域流行的恒压差和恒温差控制模式属于“跟随控制”，一般只适用于无时滞的被控对象或过程，用在空调系统中难以取得较好的控制效果。发明内容
针对现有空调系统节能控制方法存在的不足，本发明提出一种基于负荷预测的空调系统节能优化方法。本发明的基本思想是，通过全面的系统参数检测和历史数据的分析判断，推理预测出未来时刻系统的负荷(需冷量)，然后优化空调系统的能耗函数模型，得到该负荷下的最优运行参数，再根据系统的实时滞后时间τ，提前对系统的各参数变量进行控制，以保证系统供冷和负荷用冷在数量上相等，时间上同步，使空调系统始终处于最优或接近最优的工作状态。
本发明提出的一种基于负荷预测的空调系统节能优化方法的具体实现步骤如下
第一步，收集数据并进行数据预处理，收集的数据包括待测时刻的房间入住率和空调系统负荷，以及室外平均温度和空调系统负荷的历史数据，并对样本数据进行归一化；
第二步，利用神经网络对空调系统待测时刻的空调系统负荷进行预测；
第三步，设定空调系统的能耗模型为P=f(Q，T1()，T2。，Vl，v2，Fair)，其中P为空调系统的能耗功率，Q为空调系统负荷，T1。为空调系统冷冻水出水温度，T2。为空调系统冷却水出水温度，V1为空调系统的冷冻水泵流量，V2为空调系统的冷却水泵流量，Fair为空调系统的空气流量，在通过所述第二步获得待测时刻的空调系统负荷Q的前提下，利用粒子群算法进行能耗模型的优化，得到待测时刻能耗功率P取最小值时的最优参数组合，即 T10, T20, V1, V2, Fair的最优参数组合。
步骤四根据得到待测时刻的 \。，T20, V1, V2, Fair的最优参数组合，对各参数变量提前进行控制，以保证待测时刻到来时，空调系统处于最优的工作状态。
图1为本发明中基于负荷预测的空调系统节能优化的原理图。
图2为本发明中神经网络的网络模型结构图。
图3为本发明中利用粒子群算法进行空调能耗模型优化的流程图。
具体实施方式
下面以苏州某五星级酒店为实施例，并结合附图对本发明的具体实施方式
进行详细的说明。
参照附图1，本发明的基于负荷预测的空调系统节能优化的方法主要包括以下几个步骤
步骤一收集历史数据并进行数据预处理。
根据影响空调系统能耗的因素分析，本发明收集的历史数据包括时刻t的入住率和空调系统负荷，时刻t前24，48，72，168小时，即t_24，t_48，t_72，t-168时刻的实测室外平均温度和空调系统负荷，并把上述数据作为样本数据。为了减少奇异样本对神经网络性能的影响，对样本数据中的空调系统负荷和室外平均温度分别进行如下归一化，使其范围在
之间。归一化公式为
权利要求
1.一种基于负荷预测的空调系统节能优化方法，主要包括以下具体步骤 第一步，收集历史数据，并对数据进行归一化； 第二步，利用归一化后的历史数据，通过神经网络对空调系统待测时刻的空调系统负荷Q进行预测； 第三步，设定空调系统的能耗模型为P=f (Q，T10, T20, V1, v2, Fair)，其中P为空调系统的能耗功率，Q为空调系统负荷，T1。为空调系统冷冻水出水温度，T2。为空调系统冷却水出水温度，V1为空调系统的冷冻水泵流量，V2为空调系统的冷却水泵流量，Fair为空调系统的空气流量，在通过所述第二步获得待测时刻的空调系统负荷Q的前提下，利用粒子群算法进行能耗模型的优化，得到在待测时刻的能耗功率P取最小值时的最优参数组合，即T10, T20, V1, V2, Fair的最优参数组合。
步骤四根据得到的 \。，T20, V1, V2, Fair的最优参数组合，对各参数变量提前进行控制，以保证待测时刻到来时，空调系统处于最优的工作状态。
2.如权利要求I所述的空调系统节能优化方法，其中粒子群算法包括以下步骤 第一步，将微粒表示为Xi= (xn，Xi2, xi3, Xi4. Xi5)，其中，XiI对应冷冻水出水温度T1MXiM应冷却水出水温度T2。，Xi3对应冷冻水泵流量V1, Xi4对应冷却水泵流量v2，Xi5对应着空气流量Fair，设定微粒群规模为S，进化代数为tmax，对每个微粒Xi (i = I, 2，…，s)进行位置和速度的初始化，即对任意的i，j (j=l, 2，…，5)，均在其变量范围内服从均匀分布的产生Xij和的初始化值，并对微粒的局部最好位置Pi和全局最好位置Pg进行初始化； 第二步，更新微粒的速度和位置，公式如下表示为
3.如权利要求I所述的空调系统节能优化方法，其中收集的历史数据包括某一时刻的房间入住率和空调系统负荷，以及所述某一时刻之前的室外平均温度和空调系统负荷。
全文摘要
本发明利用历史数据，预测出未来时刻空调系统的负荷，然后利用粒子算法，优化空调系统的能耗模型，得到该负荷条件下的最优运行参数，再根据系统的实时滞后时间，提前对系统的各参数变量进行控制，不但避免了由于空调系统的大时滞和大惰性带来的控制时间差，而且保证了系统供冷和负荷用冷在数量上相等，时间上同步。另一方面，本发明还可以实时进行空调系统的负荷预测和优化控制，使空调系统始终处于最优或接近最优的工作状态，从而达到节能优化的目的。
文档编号F24F11/00GK102980272SQ201210526338
公开日2013年3月20日 申请日期2012年12月8日 优先权日2012年12月8日
发明者牛丽仙, 吴忠宏 申请人:珠海派诺科技股份有限公司