基于多源传感阈值报警与负荷预测的空调节能控制方法与流程

摘要: 本发明涉及空气调节控制,具体涉及基于多源传感阈值报警与负荷预测的空调节能控制方法。背景技术:1、大型商业综合体、医院、数据中心等公共建筑的空调系统能耗在建筑总能...
基于多源传感阈值报警与负荷预测的空调节能控制方法与流程

本发明涉及空气调节控制,具体涉及基于多源传感阈值报警与负荷预测的空调节能控制方法。

背景技术:

1、大型商业综合体、医院、数据中心等公共建筑的空调系统能耗在建筑总能耗中占比较高,其冷源通常由多台冷水机组、冷冻泵、冷却泵、冷却塔及末端空气处理设备组成。现有空调系统节能控制多采用定温差比例积分调节与固定阈值报警相结合的方式,存在以下不足。

2、其一,固定阈值报警在部分负荷下频繁误报。传统方案以冷冻水出水温度大于某一固定值即触发报警,未能随负荷率变化调整阈值,低负荷工况下因温度自然偏高而频繁误报,高负荷工况下又可能因阈值偏松而漏报,报警处置常引起不必要的设备启停,造成额外能耗与运维干扰。

3、其二,负荷预测难以感知建筑蓄放热动态。现有预测多采用统计回归或单一数据驱动模型,输入特征以室外气象与历史负荷为主,未将建筑围护结构的热惯性状态纳入预测输入,在负荷突变或过渡季工况下预测误差增大,难以为按需供能与提前调控提供准确依据。

4、其三,感知、预测、报警与控制各环节相互割裂。传感数据采集、负荷预测、报警判定与设备控制通常分别独立运行,缺乏以预测驱动孪生预演、以预演校验报警、以报警兜底控制的协同机制,供需不匹配与误报警问题难以从源头协同治理。

技术实现思路

1、针对现有技术中固定阈值报警在部分负荷下误报频繁、负荷预测难以感知建筑热惯性动态、以及感知预测报警控制相互割裂的问题,本发明提供基于多源传感阈值报警与负荷预测的空调节能控制方法,将在线辨识的建筑热惯性参数反馈至负荷预测,以预测驱动数字孪生体预演并整定随负荷率变化的动态报警阈值,进而以预测、孪生、报警三级融合判定输出节能控制指令。

2、一方面,本发明提供基于多源传感阈值报警与负荷预测的空调节能控制方法,包括以下步骤:

3、步骤s1:采集空调系统的多源传感数据;

4、步骤s2:以非稳态rc热网络模型对所述多源传感数据进行带遗忘因子的在线递推辨识,得到建筑热惯性参数;

5、步骤s3:将所述建筑热惯性参数作为输入特征之一置入负荷预测模型,对未来时段冷负荷进行预测,得到冷负荷预测曲线;

6、步骤s4:以所述冷负荷预测曲线驱动预先构建的空调系统数字孪生体进行工况预演,并以误报率、漏报率与报警处置能耗的加权之和最小化为目标对报警阈值进行多目标整定,得到随负荷率变化的动态报警阈值;

7、步骤s5:依据所述冷负荷预测曲线、所述数字孪生体的预演结果与所述动态报警阈值执行预测、孪生与报警三级融合判定,并据此向空调设备输出节能控制指令。

8、进一步地,所述步骤s2中,所述非稳态rc热网络模型为二阶热网络模型,以室外空气温度、室内空气温度与墙体虚拟温度为状态量,以热阻与热容为待辨识参数;所述带遗忘因子的在线递推辨识采用带遗忘因子的递推最小二乘算法,辨识周期为10至20分钟,输出的所述建筑热惯性参数为室内热容。

9、进一步地,所述步骤s3中,所述负荷预测模型包括机理引擎与数据驱动引擎;所述机理引擎以所述非稳态rc热网络模型为内核,结合未来时段气象预报、人员预测与当前建筑热状态输出机理负荷曲线;所述数据驱动引擎以过去若干时段的室外干球温度、相对湿度、太阳辐照度、室内温度、客流量、历史逐时冷负荷与所述建筑热惯性参数共七维时序为输入特征,经卷积神经网络提取特征后由梯度提升树预测器输出数据驱动负荷曲线。

10、进一步地,所述步骤s3还包括对所述机理负荷曲线与所述数据驱动负荷曲线进行动态加权融合得到融合负荷曲线,融合权值以贝叶斯优化周期性更新;并每隔设定步长比较实际负荷与预测负荷,当连续若干个比较点偏差超过设定百分比时,以最新实际值重新初始化所述非稳态rc热网络模型并触发一次快速预测。

11、进一步地,所述步骤s4中,所述数字孪生体采用机理建模语言建立包含冷水机组性能曲线、水泵与风机变频特性、管路阻力及冷却塔热湿交换的空调水系统与风系统动态模型,并以实测运行数据驱动其实时仿真;每隔设定步长将实测关键变量与孪生体仿真值比对,采用累计偏差带判断模型是否失配,当累计偏差带超过控制限时触发孪生体重校准。

12、进一步地,所述步骤s4中,以误报率、漏报率与报警处置能耗的加权之和为目标函数,采用nsga-ii多目标进化算法对不同报警阈值组合下的统计指标进行仿真寻优得到帕累托前沿,再依据运维偏好从帕累托前沿选取阈值曲线,使所述动态报警阈值随负荷率自高负荷端的较低值向低负荷端的较高值单调变化。

13、进一步地,所述步骤s5中,预测、孪生与报警三级融合判定包括:当负荷预测指示未来设定时段负荷骤增、且数字孪生体预演指示维持当前设备组合将导致室温超出设定范围时,发出预警并提前调整空调设备;当数字孪生体与实测的偏差超限且物理传感实测值超出所述动态报警阈值时,触发报警并进入应急控制。

14、进一步地,所述方法还包括冷源群智能全局优化步骤:以鲸鱼优化算法对冷水机组启停状态与负荷率、冷冻泵与冷却泵频率、冷却塔风机开启台数进行寻优,以系统总功率最小为目标,并在供回水温度限值、冷量供需平衡与室内温度区间约束下求解,将优化结果作为所述节能控制指令下发。

15、进一步地,所述方法还包括末端预测控制步骤:以送风温度与室内温度为状态量构建线性时变预测控制器,其代价函数为室温偏离设定值的平方与风机功率按能耗权重加权求和,所述能耗权重由深度确定性策略梯度强化学习智能体依据当前室内温度偏差、偏差变化率、室外温度、时段与人员密度动态调整;所述强化学习智能体在所述数字孪生体提供的仿真环境中预训练后投入运行并持续在线微调。

16、进一步地,所述方法还包括边云协同的增量自学习步骤:边缘侧负荷预测模型每日利用前一日新增样本进行增量训练,云端周期性利用累积样本对模型进行全量微调并以空中下载方式更新边缘模型参数;强化学习智能体利用实际运行数据持续回放训练并周期性更新策略网络参数。

17、与现有技术相比,本发明的有益效果如下:

18、首先,热惯性反馈提升预测精度:将边缘在线辨识的建筑热惯性参数作为负荷预测输入特征,使预测模型能够感知建筑蓄放热状态变化,在负荷突变与过渡季工况下显著降低预测误差,融合预测相对误差cv-rmse可达3.8%,优于单一数据驱动模型。

19、其次,动态阈值抑制误报:以误报率、漏报率与报警处置能耗加权最小化为目标对报警阈值进行多目标整定,使阈值随负荷率动态变化,从源头降低部分负荷下的误报与不必要停机,日均报警次数可由52次降至8次,因报警引起的不必要停机时间显著减少。

20、再者,三级融合实现按需供能:以预测驱动孪生预演、以预演校验报警、以报警兜底控制,在负荷骤增前提前调整设备,在异常时及时应急,兼顾舒适性与节能性,供冷季综合能耗下降约26.8%,系统综合能效比由3.2提升至4.36。

21、最后,边云协同自学习保证长期精度:边缘增量训练与云端周期微调相结合,模型随运行数据持续进化,维持长期在线预测与控制精度。