一种室内温湿度场快速预测系统及方法与流程

本发明涉及温湿度场预测技术领域，具体是一种室内温湿度场快速预测系统及方法。

背景技术：

温湿度在食品生产，烟草加工，生物制品等行业的生产、存储过程中起着极其重要的作用，如果环境中温湿度变化较大，或者超出标准范围，会使得产品的质量下降，因此，需要对其所处环境的温湿度场进行预测，进而提前控制环境的温湿度。尽管计算流体动力学(cfd)可以预测温湿度分布，但模型计算复杂、运算费时、实时性差，不适合应用于控制器的设计和分析，因此，需要一种能快速建立温湿度场及对其变化进行预测的方法。

目前，预测室内温度场和湿度场的有效方法是使用建筑能量仿真工具，如cfd等。cfd通过划分空间网格，对质量、动量和能量守恒等方程进行求解可以获得准确的室内温湿度场信息。但是，这些模型的建立往往需要专业知识，且计算耗时，不适合应用于控制器。区域模型和多区域模型通过简化cfd模型的计算过程，减少了模型计算的时间，但模型计算精度较差，不能提供准确的室内温湿度场信息。另外，通过输入/输出数据获得的数据驱动模型建模方法虽然简单，易于实现，但这类模型对环境变化的适应能力较差。

因此，如何能快速建立温湿度场及对其变化进行预测，并可以应用于实时的控制器的设计和分析，成为了一个亟待解决的问题。

技术实现要素：

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种室内温湿度场快速预测系统，主要包括电源驱动模块、p+1个温湿度数据采集模块、数据传输模块和上位机。

所述电源驱动模块为温湿度数据采集模块供电。

p个温湿度数据采集模块布置在室内cfd模型中p个pod模式最大绝对值对应的网格位置。

计算cfd模型的pod模式的主要步骤如下：

1)在t1,t2,…,tm个时刻分别记录下m个室内温湿度场θ′t1,θ′t2,…,θ′tm。

2)计算m个室内温湿度场的波动分量θt1,θt2,…,θtm，其中θti＝θ′ti-θavg。

波动分量平均值θavg如下所示：

3)计算pod模式所包含的系统能量λ，即：

ac＝λc。(2)

式中，c为矩阵a特征向量。λ为矩阵a特征值。

矩阵a如下所示：

4)将λ按从大到小的顺序排列λ1,λ2,…,λm，同时得到与λ相对应的排列c1,c2,…,cm，ci＝[ci1…cim]^t。

5)选择截断值p，p≤m，前p个pod模式包含的系统动能er如下所示：

6)温湿度场波动分量的pod模式如下所示：

pod模式系数α如下所示：

确定第n个pod模式最大绝对值对应的网格位置的主要步骤如下：

1)建立第n个pod模式绝对值对应的网格位置集合d＝[d1，d2，d3，…，dj，…，dn]。集合元素的绝对值以降序排列。

2)判断第n个pod模式最大绝对值对应的网格位置，即dj与第l个pod模式最大绝对值对应的网格位置是否重叠，若重叠，则删除元素dj，此时元素dj+1为第i个pod模式最大绝对值对应的网格位置，并进入步骤3。若不重叠，则直接进入步骤3。l＝1。j＝1。

3)令l＝l+1,j＝j+1，重复步骤2，直至l＝n-1。

4)确定第i个pod模式最大绝对值对应的网格位置。

1个温湿度数据采集模块布置在室外。

所述温湿度数据采集模块每隔δt时间采集一次温湿度数据，并通过数据传输模块传输给上位机。

所述温湿度数据包括以下iii种组合方式：

i)室内温度、室外温度和室内相对湿度。

ii)室内外相对湿度和室内温度。

iii)室内温度、室外温度、室内相对湿度和室外相对湿度。

所述上位机写入室内cfd模型。室内cfd模型具有p个pod模式。

所述上位机写入pod模式系数动态模型和pod模式系数最优估计器。上位机写入pod模式系数动态模型的主要步骤如下：

1)计算t时刻pod模式在最大绝对值对应的网格位置处的温湿度波动t(t)，即：

2)建立pod模式在最大绝对值对应的网格位置处的温湿度波动矩阵t′，即：

式中，t(xi,ti)为t时刻第i个pod模式在最大绝对值对应的网格位置处的温(湿)度波动分量。

3)计算pod模式在t时刻的系数即：

式中，b为lse系数。

其中，第i个pod模式的lse系数bi如下所示：

式中，为pod模式系数平均值。

4)计算pod模式系数平均值即：

式中，αi(t)为第i个pod模式在t时刻的系数。

5)建立lse系数矩阵h，即：

h＝(b^tb)^-1b^t。(6)

式中，b为lse系数。

6)建立状态转移矩阵f，即：

7)基于公式1至7，建立pod模式系数动态模型，即：

式中，f为状态转移矩阵。为pod模式在t时刻的系数。为pod模式在t-1时刻的系数。t(t)为t时刻pod模式在最大绝对值对应的网格位置处的温湿度波动。h为lse系数矩阵。

上位机利用bp神经网络对温湿度数据进行训练，从而得到温湿度预测值。

pod系数最优估计器如下所示：

式中，*表示先验。p为协方差矩阵。q和r分别为过程噪声和测量噪声的协方差矩阵。k为卡尔曼增益矩阵。

其中，

上位机将温湿度数据和温湿度预测值输入到pod模式系数动态模型中，计算得到pod模式系数。

上位机将pod模式系数输入到pod模式系数最优估计器中，重建室内温湿度场。

一种使用室内温湿度场快速预测系统的方法，主要包括以下步骤：

1)建立室内房间cfd模型，采用pod模型降阶技术，得到p个pod模式。在每个pod模式最大绝对值对应的网格位置处布置温湿度数据采集模块。在室外布置1个温湿度数据采集模块。

2)所述温湿度数据采集模块每隔δt时间采集一次温湿度数据，并通过数据传输模块传输给上位机。

3)在上位机中写入计算pod模式系数动态模型和pod模式系数最优估计器。

4)以温湿度数据采集模块上传的温湿度数据为训练样本集，利用bp神经网络对未来k*δt时刻的温湿度数据进行预测。其中，预测周期为δt。k为正整数。

利用bp神经网络模型预测未来k*δt时刻温湿度数据的主要步骤如下：

4.1)将训练样本集，即温湿度数据输入到bp神经网络模型中。

4.2)bp神经网络模型输出h*δt时间后的预测的温湿度数据。h＝1。

4.3)令h＝h+1，将预测的室内温度、室外温度和室内外相对湿度更新到训练样本集中，返回步骤2，直至h＝k。

4.4)bp神经网络模型输出未来k*δt时刻的温湿度数据。

5)将温湿度数据采集模块上传的温湿度数据和步骤4中预测的未来k*δt时刻的温湿度数据输入步骤3建立的pod模式系数动态模型中，计算得到pod模式系数。

6)将pod模式系数输入到pod模式系数最优估计器中，建立室内温湿度场

其中，θm为m个时刻室内温湿度场的平均值。为第i个温湿度场波动分量的pod模式。

本发明的技术效果是毋庸置疑的。本发明克服了cfd模型、区域模型及多区域模型建立室内温湿度场的不足，在毫秒级的时间内可以完成室内温湿度场的高精度建立，具有很强的噪声抑制能力，并可以根据需要实现不同时间长度的温湿度场的预测。本发明所提出的一种室内温湿度场实时重建方法具有实时性强，精度高，抗干扰能力强、实现长时间的温湿度场预测的特点，该方法可以应用于控制器的设计和分析。

附图说明

图1为房间温湿度数据采集模块部署；

图2为方法流程图；

图3为bp神经网络预测模型；

图4为预测的温度值误差；

图5为预测的湿度值误差；

图6为实际温度场；

图7为预测重建的温度场；

图8为重建温度场误差。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

参见图1，一种室内温湿度场快速预测系统，主要包括电源驱动模块、p+1个温湿度数据采集模块、数据传输模块和上位机。

所述电源驱动模块为温湿度数据采集模块供电。

p个温湿度数据采集模块布置在室内cfd(计算流体力学)模型中p个pod模式最大绝对值对应的网格位置。

计算cfd模型的pod模式的主要步骤如下：

1)对cfd模型进行动态仿真，对需要控制温湿度以实现热舒适的位置所在的平面，在t1,t2,…,tm个时刻分别记录下m个室内温湿度场θ′t1,θ′t2,…,θ′tm。

2)计算m个室内温湿度场的波动分量θt1,θt2,…,θtm，其中θti＝θ′ti-θavg。

波动分量平均值θavg如下所示：

3)计算pod模式所包含的系统能量λ，即：

ac＝λc。(2)

式中，c为矩阵a特征向量。λ为矩阵a特征值。

矩阵a如下所示：

4)将λ按从大到小的顺序排列λ1,λ2,…,λm，同时得到与λ相对应的排列c1,c2,…,cm，ci＝[ci1…cim]^t。ci1，…，cim为特征值λ1ci1，…，λm对应的特征向量。

5)选择截断值p，p≤m，前p个pod模式包含的系统动能er如下所示：

er≥99％。

6)温湿度场波动分量的pod模式如下所示：

pod模式系数α如下所示：

确定第n个pod模式最大绝对值对应的网格位置的主要步骤如下：

1)建立第n个pod模式绝对值对应的网格位置集合d＝[d1，d2，d3，…，dj，…，dn]。集合元素的绝对值以降序排列。

2)判断第n个pod模式最大绝对值对应的网格位置，即dj与第l个pod模式最大绝对值对应的网格位置是否重叠，若重叠，则删除元素dj，此时元素dj+1为第i个pod模式最大绝对值对应的网格位置，并进入步骤3。若不重叠，则直接进入步骤3。l＝1。j＝1。

3)令l＝l+1,j＝j+1，重复步骤2，直至l＝n-1。

4)确定第i个pod模式最大绝对值对应的网格位置，即更新后的集合a的第一个元素。

1个温湿度数据采集模块布置在室外,且布置地点采集的数据能代表该建筑室外的温湿度情况

所述温湿度数据采集模块每隔δt时间采集一次温湿度数据，并通过数据传输模块传输给上位机。

所述温湿度数据包括以下iii种组合方式：

i)室内温度、室外温度和室内相对湿度。

ii)室内外相对湿度和室内温度。

iii)室内温度、室外温度、室内相对湿度和室外相对湿度。

所述上位机写入室内cfd模型。室内cfd模型具有p个pod模式。

所述上位机写入pod模式系数动态模型和pod模式系数最优估计器。上位机写入pod模式系数动态模型的主要步骤如下：

1)计算t时刻pod模式在最大绝对值对应的网格位置处的温湿度波动t(t)，即：

2)建立pod模式在最大绝对值对应的网格位置处的温湿度波动矩阵t′，即：

式中，t(xi,ti)为t时刻第i个pod模式在最大绝对值对应的网格位置处的温(湿)度波动分量。

3)计算pod模式在t时刻的系数即：

式中，b为lse系数。

其中，第i个pod模式的lse系数bi如下所示：

式中，为pod模式系数平均值。

4)计算pod模式系数平均值即：

式中，αi(t)为第i个pod模式在t时刻的系数。

5)建立lse系数矩阵h，即：

h＝(b^tb)^-1b^t。(6)

式中，b为lse系数。上标t表示转置。

6)建立状态转移矩阵f，即：

7)基于公式1至7，建立pod模式系数动态模型，即：

式中，f为状态转移矩阵。为pod模式在t时刻的系数。为pod模式在t-1时刻的系数。t(t)为t时刻pod模式在最大绝对值对应的网格位置处的温湿度波动。h为lse系数矩阵。

上位机利用bp神经网络对温湿度数据进行训练，从而得到温湿度预测值。

pod系数最优估计器如下所示：

式中，*表示先验。p为协方差矩阵。q和r分别为过程噪声和测量噪声的协方差矩阵。k为卡尔曼增益矩阵。

其中，

e表示能量。

上位机将温湿度数据和温湿度预测值输入到pod模式系数动态模型中，计算得到pod模式系数。

上位机将pod模式系数输入到pod模式系数最优估计器中，重建室内温湿度场。

实施例2：

参见图2至图5，一种使用室内温湿度场快速预测系统的方法，主要包括以下步骤：

1)建立室内房间cfd模型，采用pod模型降阶技术，得到p个pod模式。在每个pod模式最大绝对值对应的网格位置处布置温湿度数据采集模块。在室外布置1个温湿度数据采集模块。

2)所述温湿度数据采集模块每隔δt时间采集一次温湿度数据，并通过数据传输模块传输给上位机。

3)在上位机中写入计算pod模式系数动态模型和pod模式系数最优估计器。

pod系数最优估计器是在建立了pod模式动态模型的基础上，考虑了过程噪声和测量噪声的影响，结合了卡尔曼滤波算法得到的。

4)以温湿度数据采集模块上传的温湿度数据为训练样本集，利用bp神经网络对未来k*δt时刻的温湿度数据进行预测。其中，预测周期为δt。k为正整数。

利用bp神经网络模型预测未来k*δt时刻温湿度数据的主要步骤如下：

4.1)将训练样本集，即温湿度数据输入到bp神经网络模型中。

4.2)bp神经网络模型输出h*δt时间后的预测的温湿度数据。h＝1。

4.3)令h＝h+1，将预测的室内温度、室外温度和室内外相对湿度更新到训练样本集中，返回步骤2，直至h＝k。

4.4)bp神经网络模型输出未来k*δt时刻的温湿度数据。

由于不同气候条件下输入变量的选择将影响预测模型的准确性和复杂性，所述神经网络的输入可以调整为室内外温度和室内相对湿度，或者室内外相对湿度和室内温度，或者室内温度和相对湿度，模型训练的输出变量始终与输入变量一致。

5)将温湿度数据采集模块上传的温湿度数据和步骤4中预测的未来k*δt时刻的温湿度数据输入步骤3建立的pod模式系数动态模型中，计算得到pod模式系数。

6)将pod模式系数输入到pod模式系数最优估计器中，建立室内温湿度场

其中，θm为m个时刻室内温湿度场的平均值。为第i个温湿度场波动分量的pod模式。

图4和图5中，data和fit分别表示真实值和预测值。

图6为空调入风口温度为299k时，室内实际温度场。图7为利用一种室内温湿度场快速预测方法重建的温度场，图8为重建温度场和实际温度场的对比，可以看出，本发明具有实时性强，精度高，抗干扰能力强、实现长时间的温湿度场预测的特点。