一种基于ISODATA算法的暖通群控方法及系统

本发明涉及暖通系统，尤其涉及一种基于isodata算法的暖通群控方法及系统。

背景技术：

1、随着目前全球气候不断变暖和空调制冷技术的进步，国家对于节能管控要求越来越高，“据相关调查资料显示，建筑中央空调系统的电力消耗约占整个建筑总电力消耗的35％-40％”。随着建筑智能程度的不断提高和进步，暖通空调能耗的自动化管理越来越成为节能减排领域重点关注的问题。中央空调暖通群控系统已然成为中央空调系统中不可或缺的核心组成部分，对中央空调水系统的正常运行起着关键性的作用。

2、目前国内外知名自动化技术解决方案品牌厂商的研究方向基本集中在及系统的集成性和开放性，而对自控系统本质的空气调节关注少之又少。很多自动控制项目只是单纯的对中央空调水系统进行链控和集中控制，但中央空调水系统中冷源群控和末端送排风的风量控制是一个非常复杂和繁琐的系统工程，需要考虑的更加完善才能达到整体节能效果。

3、当前国内暖通群控系统基本都完成自动化的初步建设，目前满足单一时间段单一模式的应用，模式的切换基本都是人工根据经验来执行，常常导致模式切换不合理，造成能源的浪费或者设备运行在不合适的空调环境下。

4、同时，业界暖通群控系统基本都以楼宇自动化控制系统ddc设备进行控制为主体，调控方式都偏向传统，即通过简单的信号采集进行ddc的应用控制，通过在云端服务器上部署控制算法和控制策略，直接对暖通设备实现调控。

5、但是这样的控制策略，未根据实际暖通设备对象进行建模控制，导致了实现控制精准度差、控制偏差失调等问题；只能满足首次系统调节，当暖通系统结构变化或者更换暖通设备后整体节能策略失效，需要再进行重新调试和部署；由于云端控制，会产生时效性差、网络故障时现场失效的问题。

6、因此，传统暖通设备调节仅通过ddc系统进行简单程序控制，存在可靠性差、系统节能效果不明显、无法实现最优化控制的技术问题。

技术实现思路

1、本发明目的在于针对现有技术的不足，提出一种基于isodata算法的暖通群控方法及系统。

2、本发明的目的是通过以下技术方案来实现的：一种基于isodata算法的暖通群控方法，该方法包括如下步骤：

3、s1、根据暖通系统总体情况，获得暖通系统的拓扑结构和暖通传感数据集；

4、s2、通过暖通系统的拓扑结构建立暖通空调整体系统模型和暖通控制设备的目标模型库；

5、s3、获取当前时刻的暖通传感数据和暖通控制设备数据并进行数据清洗；

6、s4、基于isodata算法，对暖通传感数据集进行聚类分析，并根据聚类结果为每个样本打上类别标签；

7、s5、利用bp神经网络回归预测，输入为当前时刻样本的暖通传感数据与聚类的类别结果，输出为下一时刻的冷负荷；

8、s6、根据预测数据，基于粒子群算法对暖通空调整体系统模型和暖通控制设备目标模型进行控制策略的调节，得到最佳能源工作参数并改变暖通控制设备运行参数。

9、进一步地，所述暖通传感数据集具体为hvac＝{hvac1，hvac2，……，hvacn}，其中每个样本对应s个特征hvaci＝(xi1,xi2,...,xis)。

10、进一步地，所述建立暖通空调整体系统模型具体为：获取暖通空调系统设备及其组件信息，通过暖通系统的拓扑结构来构建暖通空调系统设备信息模型，根据暖通空调系统设备信息模型，构建暖通空调系统设备的模型并实例化，并建立暖通空调系统设备多个组件之间的关系，完成对暖通空调整体系统模型的构建。

11、进一步地，当前时刻的暖通传感数据具体为：在当前时刻t下采集到的暖通控制设备传感数据向量hvact表示为hvact＝[dbtt,wbtt,ht,srt,lt,pt,clt]，其中dbtt，wbtt，ht分别表示该建筑体当前时刻下的环境干球温度，环境湿球温度和环境湿度；srt表示室外此时的太阳辐射情况，lt，pt分别表示该建筑体此时的照明温度和人员人流情况，clt则表示上一时刻的建筑冷负荷需求。

12、进一步地，所述数据清洗具体为采用3sigma法则进行数据清洗。

13、进一步地，所述s4具体步骤为：

14、s4.1、从暖通传感数据集中随机选取某点作为原始聚类中心c1；

15、s4.2、将所有样本与原始聚类中心c1的欧式距离d(hvac)从小到大进行排序，来获取第二个聚类中心c2，距离越远，被选中为聚类中心的概率越高，各点被选为聚类中心的概率为其中di(hvac)表示为第i个样本与原始聚类中心的欧氏距离；重复该步骤，直至出现k个聚类中心；

16、s4.3、计算每个样本hvaci到各聚类中心的欧式距离，并分到距离最短的聚类中心簇内；

17、s4.4、判断是否进行分裂运算，以下三种情况需进行分裂处理：当最终聚类数nc≤k/2时；同时不满足迭代运算次数是偶数次和nc≥2k时；一个聚类中样本的欧式距离标准差向量最大值大于预先设定的样本欧式距离标准差阈值；

18、s4.5、判断合并运算，计算各类样本中心之间的距离，若小于预先设定的样本中心距离阈值，或某类中样本个数小于规定数θn，则进行合并操作；

19、s4.6、针对每个聚类中心簇，更新其聚类中心，

20、

21、其中count(cn)为该聚类中心簇内的数据数量，表示被选择为聚类中心的样本；重复回到s4.3进行迭代，达到最大迭代次数后终止，获取更新后的聚类中心。

22、进一步地，所述bp神经网络至少包含3个隐藏层，采用relu激活函数。

23、根据说明书的另一方面，还提供了一种基于isodata算法的暖通群控系统，该系统包括采集装置、云端节能优化平台装置、边缘端主控制器装置和控制装置；各个装置之间通过进行通讯连接和信息交互；

24、所述采集装置用于采集传感数据，获得暖通传感数据集并传输至边缘端主控制器装置；

25、所述边缘端主控制器装置包括离线仿真模型库、设备级算法策略库和通讯模块；所述离线仿真模型库用于建立暖通空调整体系统模型；所述设备级算法策略库用于对当前时刻的暖通传感数据和暖通控制设备数据进行数据清洗，根据isodata算法对数据进行聚类分析，利用bp神经网络回归预测计算获得下一时刻冷负荷得到控制策略，基于粒子群算法对暖通控制设备和暖通空调系统进行控制策略的调节；所述通讯模块用于与采集装置和云端节能优化平台装置进行通讯；

26、所述云端节能优化平台装置包括在线仿真模型库、系统级算法策略库、数据库、系统监控模块；所述在线仿真模型库用于对暖通空调整体系统模型进行实时仿真并更新；所述系统级算法策略库用于提供暖通空调系统的控制策略至边缘端主控制器进行调节；所述数据库用于存储采集数据和控制参数；所述系统监控模块用于统一总览控制情况并进行分类分项统计；

27、所述控制装置用于对暖通控制设备进行群控。

28、进一步地，所述采集装置中还包括现场传感器，用于将暖通系统中设备的相关信息进行数字化转换。

29、进一步地，所述边缘端主控制器装置、采集装置和控制装置均采用中大型可编程逻辑控制器plc架构，均可支持冗余方式，包括装置冗余、网络冗余。

30、本发明的有益效果：

31、1.解决现有暖通群控系统仅通过io信号点控制，导致节能控制策略失调的问题；本发明通过对现场设备(如机组、冷却塔、水泵)进行建模的方式，构建节能优化平台，使得设备现场和软件仿真能够一一匹配，从而使得节能效果更为明显；

32、2.解决现有暖通群控系统中主要控制策略和算法基本采用云端部署，导致时效性差、网络故障时系统失效的问题；本发明通过将设备基本模型下装到边缘设备中，云端只保存系统级的群控算法，边缘侧实现设备级的控制策略；实现系统的分类分级控制，提高系统安全性；

33、3.解决现有暖通系统基本采用楼宇自动化控制系统ddc设备，无法实现io点和系统的冗余功能，也无法实现复杂的逻辑控制功能；本发明通过将冗余的可编程逻辑控制系统作为暖通群控系统，增加其边缘功能，使得暖通群控系统在plc边缘侧即可实现复杂控制逻辑，提高系统的可靠性；

34、4.解决现有暖通系统支持的场景模式基本依靠人工经验判断，实现不同气候条件、不同负荷情况下的模式切换问题；本发明通过采用isodata算法，对各项因子进行聚类分析，统计分析出相应的场景特征，通过优化调度算法实现模式的自动切换；

35、5.原有暖通系统基本采用485通讯连接，针对大点数、实时性要求高的暖通应用场所，无法实现真正有效的节能；本发明采用工业以太网结构，很好的提高这方面的能力。因此，本发明具有可靠性相对更好、系统节能效果相对更明显、能实现最优化控制的优点。