一种基于负荷预测的冰蓄冷空调优化调度方法与流程

1.本发明属于建筑能量管理与人工智能交叉领域，具体涉及一种基于负荷预测的冰蓄冷空调优化调度方法。


背景技术：

2.建筑运行能耗为我国能源消耗重要方面，而建筑运行中，空调能耗占较大比重。冰蓄冷系统作为一种蓄能类型，以乙二醇溶液作为载冷剂，通过在低电价时段制冰、高电价时段融冰，节省用户用电费用，同时降低电网峰值负荷。
3.冰蓄冷空调常采取蓄冰槽融冰工况与双工况冷机制冷工况联合运行，现阶段控制策略多为融冰优先或冷机对冷负荷进行分配，使蓄冰槽蓄冰提前用尽且冷机处于低负荷率工况，增加用电费用与设备能耗。不能达到节约费用、降低电网峰值负荷的目的，反而因初投资的加大而降低冰蓄冷空调系统的经济性。


技术实现要素：

4.有鉴于此，本发明提供一种基于负荷预测的冰蓄冷空调优化调度方法，预测逐时冷负荷，并采取粒子群算法对运行策略进行优化，对冰蓄冷空调系统蓄冰槽、双工况冷机、冷水循环泵、冷却塔风机进行控制，以同时达到一日内空调系统总用电费用最少与逐时各设备总能耗最小两运行目标。
5.为实现上述目的，本发明提出了一种基于负荷预测的冰蓄冷空调优化调度方法，其技术路线如图1所示，包括以下步骤：
6.步骤1：结合预测日特性，采用相关性分析，确定负荷预测模型输入特征，包括历史日负荷、气象参数、建筑内部参数。其中，历史日负荷采取夹角余弦法计算相关性确定，气象参数与建筑内部参数采取计算斯皮尔曼相关系数确定；
7.步骤2：选用温度温差分级，根据预测日与历史日特性，将数据集划分为历史相似日与训练日，使用训练日数据作为训练集对神经网络进行训练，根据历史相似日数据修正神经网络最后两层参数与权重，将训练完备的预测模型用于负荷预测，得出负荷预测值q
pre，t
；
8.步骤3：采集双工况冷机制冷量q
l
、电功率p、乙二醇出水温度t
chw
、冷却水进水温度t
cow
，建立双工况冷机cop模型；采集冷水循环泵流量m
chw
、频率n
chw
数据，建立冷水循环泵频率-流量支持向量机回归(svr)模型；采集冷却塔进水温度t
in
、出水温度t
out
、室外干球温度tg、相对湿度rh、室外风速v、冷却塔风机频率n
tower
，建立n
tower
关于t
in
、t
out
、tg、rh、v的冷却塔svr模型；
9.步骤4：获取步骤2)中负荷预测值q
pre，t
、逐时电价λ
t
，固定冷机乙二醇出水温度t
chw
、冷却水进水温度t
cow
，采用粒子群优化算法计算逐时蓄冰槽释冷量q
ice，t
与双工况冷机制冷量q
chiller，t
，在满足约束条件下，使一日内总用电费用最小；
10.步骤5：由步骤4获取逐时释冷量q
ice，t
与制冷量q
chiller，t
，结合步骤2逐时负荷预测
值q
pre，t
，引入步骤3所建立双工况冷机cop模型、冷水循环泵svr模型、冷却塔svr模型，并采用粒子群算法优化，获得逐时最优的乙二醇出水温度t
chw
、冷却水进水温度t
cow
、冷水循环泵频率n
chw
、冷却塔风机频率n
tower
，使各小时用电费用最小，完成对空调系统各主要设备控制。其中步骤4与步骤5优化目标函数为：
[0011][0012]
有益效果
[0013]
1.本发明基于神经网络技术对建筑负荷进行预测，采用夹角余弦法与斯皮尔曼相关系数确定特征变量，加大预测精度；引入历史相似日，修正预测模型，进一步加大预测精度。
[0014]
2.本发明通过粒子群算法，对建筑冷负荷分配进行优化，降低用电费用，并削减峰值负荷。
[0015]
3.本发明优化冰蓄冷空调设备控制策略，提高各设备能效，降低设备能耗。
附图说明
[0016]
图1为本发明一种基于负荷预测的冰蓄冷空调优化调度方法的技术路线图；
[0017]
图2为本发明一个实施例中预测负荷与实际运行负荷对比图；
[0018]
图3为本发明一个实施例中冷负荷分配结果图；
[0019]
图4为本发明一个实施例中设备能耗优化效果图。
具体实施方式
[0020]
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
[0021]
本发明提供一种基于负荷预测的冰蓄冷空调优化调度方法，其流程图如图1所示，包括以下步骤：
[0022]
步骤1：对星期、天气、日期、温度进行量化，将其组合为历史日特征，采用夹角余弦法计算预测日与历史日相关性，选取前一个月内相关性最大的历史日的负荷作为历史相似日负荷；采用斯皮尔曼(spearman)相关系数，确定所选取的气象参数、建筑内部参数特征。负荷预测模型特征包括：历史日负荷、干球温度、最高温度、最低温度、最低温度、气压、体感温度、体感温度、空调末端用电、通风用电、照明用电；
[0023]
步骤2：计算一日中温度变化值与平均温度，确定温度温差分级，根据分级确定历史相似日与训练日；首先使用训练日训练神经网络，其次历史相似日数据修改神经网络最后2层参数与连接权重。
[0024]
具体地，本实施例中预测负荷与实际运行负荷对比如图2所示。经计算，引入历史相似日修正的负荷预测精度指标cvrmse为5.46％，满足工程中预测误差不大于30％的要求。表明，此模型可以预测建筑负荷。
[0025]
步骤3：采集双工况冷机制冷量q
l
、电功率p、乙二醇出水温度t
chw
、冷却水进水温度t
cow
，建立双工况冷机cop模型；采集冷水循环泵流量m
chw
、频率n
chw
数据，建立冷水循环泵频率-流量支持向量机回归(svr)模型；采集冷却塔进水温度t
in
、出水温度t
out
、室外干球温度
tg、相对湿度rh、室外风速v、冷却塔风机频率n
tower
，建立n
tower
关于t
in
、t
out
、tg、rh、v的冷却塔svr模型；
[0026]
具体地，双工况冷机cop建模为线性模型，表达式为式(3)，冷水泵循环泵与冷却塔建模采用支持向量机回归方法，并采用高斯核函数将低维表达式映射至高维空间，输入与输出变量关系如式(4)、式(5)：
[0027]
cop＝β1·
plr β2·
plr2 β3·
plr
·
t
chw
β4·
t
cow
β5·
plr
·
t
cow
β6(3)
[0028]nchw
＝f1(m
chw
)(4)
[0029]ntower
＝f2(t
in
，t
out
，tg，rh，v)(5)
[0030]
式(3)中，plr为双工况冷机部分负荷率，β为常数，由拟合获得；式(4)、式(5)中，f1(
·
)、f2(
·
)为svr回归模型。
[0031]
步骤4：获取步骤2中负荷预测值q
pre，t
、逐时电价λ
t
，固定冷机乙二醇出水温度t
chw
、冷却水进水温度t
cow
，采用粒子群优化算法计算逐时蓄冰槽释冷量q
ice，t
与双工况冷机制冷量q
chiller，t
，在满足约束条件下，使一日内总用电费用最小。
[0032]
具体的，约束条件为：
[0033][0034][0035]
式(6)中，count{x，y}表示优化时间长度中，x与y事件同时出现的次数，其目的为避免双工况冷机频繁启停的情况发生。
[0036]
本实施例中，采用步骤2预测结果进行优化分配，结果如图3。相比于融冰优先策略，可降低用电费用6.9％。
[0037]
步骤5：由步骤4获取逐时释冷量q
ice，t
与制冷量q
chiller，t
，结合步骤2逐时负荷预测值q
pre，t
，引入步骤3所建立双工况冷机cop模型、冷水循环泵svr模型、冷却塔svr模型，并采用粒子群算法优化，获得逐时最优的乙二醇出水温度t
chw
、冷却水进水温度t
cow
、冷水循环泵频率n
chw
、冷却塔风机频率n
tower
，使各小时用电费用最小，完成对空调系统各主要设备控制。
[0038]
本实施例中，对一日内冷机、水泵、冷却塔进行优化控制，能耗优化效果如图4。与原控制策略相比，经优化的提议策略可降低能耗11.5％。