一种基于机理和数据混合驱动的HVACs优化调控方法

摘要

本发明提供一种基于机理和数据混合驱动的HVACs优化调控方法，涉及电力技术领域，该方法包括：建立HVACs各个子系统的物理机理模型；采用神经网络对HVACs各个子系统进行数学建模；将神经网络表达式显化，建立HVACs优化调度模型。通过显化神经网络，并将非线性激活函数线性化，将复杂的优化问题简化为混合整数线性规划问题，极大的降低了HVACs的优化调控难度，具有极大的推广价值。

说明书

技术领域

本发明涉及一种基于机理和数据混合驱动的HVACs优化调控方法，属于电力设备节能技术领域。

背景技术

近年来，国内对于温控设备的需求越来越大，而HVACs作为最主要的大型商业建筑温控负荷之一，负荷占比日益增加，在一些大城市如上海等地，HVACs在城市建筑的用电负荷占比能达到40％以上，因此基于节能需求HVACs的优化调控有着较大的需求，而HVACs的精准模型构建作为其优化调控的先决条件，显得尤为重要。

现有研究，针对HVACs优化调控的方法，主要是基于复杂的物理模型建立优化调控模型，所见优化模型往往是非凸的，求解起来十分困难。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于机理和数据混合驱动的HVACs优化调控方法，通过显化神经网络，并将非线性激活函数线性化，将复杂的优化问题简化为混合整数线性规划问题，极大的降低了HVACs的优化调控难度，具有极大的推广价值。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

提供了一种基于机理和数据混合驱动的HVACs优化调控方法，包括：

建立HVACs各个子系统的物理机理模型；

采用神经网络对HVACs各个子系统进行数学建模；

将神经网络表达式显化，建立HVACs优化调度模型。

优选的，所述制冷系统建模具体包括：

每个HVACs中有若干台制冷机，每台制冷机产生的冷量为：

其中，

所述冷冻水的出水温度为：

其中：T

所述冷冻水的进水温度为：

其中：

所述制冷系统中位移的电功率消耗部件为制冷压缩机，所述制冷压缩机电功率计算公式为：

EER

其中：

优选的，所述冷冻水系统由制冷机、冷冻水泵、分水器、集水器、冷水管道、冷水阀以及风机盘管组成；

所述冷冻水系统建模具体包括：

所述冷冻水系统中的质流量守恒为：

其中：i为制冷机与一级泵编号，j为二级泵编号，l为用户区域与风机盘管编号；

供水管道入口处水温为：

其中：T

回水管道入口处水温：

其中：T

所述冷冻水泵模型为：

流经冷冻水泵的冷冻水质流量及水泵水头关系如下：

其中：

冷冻水泵消耗的电功率如下：

其中：g为重力加速度，η

优选的，所述冷却水系统的耗能元件为冷凝水泵与冷却塔；

所述冷却塔消耗的电功率为：

优选的，所述数学建模包括MLP神经网络建模和中央空调各个子系统数据建模。

优选的，所述中央空调各个子系统数据建模包括制冷系统建模、冷却系统建模和冷冻系统建模。

优选的，所述HVACs优化调度模型的建立包括优化调控模型构建、调控模型处理。

(三)有益效果

本发明提供了一种基于机理和数据混合驱动的HVACs优化调控方法，所提出的方法通过显化神经网络，并将非线性激活函数线性化，将复杂的优化问题简化为混合整数线性规划问题，极大的降低了HVACs的优化调控难度，具有极大的推广价值。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明总流程图。

具体实施方式

下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

如图1所示，一种基于机理和数据混合驱动的HVACs优化调控方法，包括如下步骤：

步骤一：建立HVACs各个子系统的物理机理模型。

(1-1)制冷系统建模

一个HVACs中通常有多台制冷机，每台制冷机产生的冷量如下式。

式中：

冷冻水出水温度

式中：

式中：

制冷压缩机是制冷系统中唯一的电功率消耗部件，其电功率计算如下式。

EER

式中：

(1-2)冷冻水系统建模

冷冻水通过在冷水管道中循环流动，将冷量从制冷机传递到用户侧。冷冻水系统由制冷机、冷冻水泵、分水器、集水器、冷水管道、冷水阀以及风机盘管组成。

从不同制冷机流出的冷冻水先在供水管道中汇合，接下来在二级泵的动力作用下在冷水系统中进行运输，最后通过分水器分送到各风机盘管处对室内空气制冷。

冷冻水循环系统中的质流量守恒：

式中：i为制冷机与一级泵编号，j为二级泵编号，l为用户区域与风机盘管编号；

供水管道入口处水温：

式中：T

回水管道入口处水温：

式中：T

冷冻水泵模型：

流经冷冻水泵的冷冻水质流量及水泵水头关系如下：

式中：

冷冻水泵消耗的电功率如下：

式中：g为重力加速度，m/s2；η

(1-3)冷却水系统建模

冷却水系统的耗能元件主要是冷凝水泵与冷却塔，冷凝水泵的物理建模与冷冻水泵类似，在此就不赘述，而冷却塔的主要能耗由风机运行数量决定，故而，冷却塔消耗的电功率如下：

步骤二：基于已有物理模型的先验知识，采用神经网络对HVACs各个子系统进行数学建模。

(2-1)MLP神经网络模型原理

常规的MLP网络主要可分为输入层、隐藏层、输出层，隐藏层可由多层神经网络组成，其数学模型如下式所示：

A＝f(W

g(x)＝f(W

式中，W1，W2分别为不同层神经元的权重，b1，b2为偏重系数，f(·)为激活函数，一般为ReLU函数或Sigmoid函数，本专利选取ReLU函数，如式(16)所示。

X、A为每一层神经元的输入变量，将原始数据输入神经网络，通过式(14-15)计算后可得预测量g(x)，定义损失函数如下所示：

其中，ym为实际量测值，m为样本量数量，通过求式(17)的最小化可得最优神经网络以拟合目标模型。

关于求解最小化式(17)的优化问题，一般来说，可使用梯度下降的方法，通过更新神经网络中的权重W1，W2，b1，b2等参数，使得损失函数趋于最小值。

(2-2)中央空调各个子系统数据建模

制冷系统建模

由上述物理建模分析可知，用户区域的冷量主要来源于制冷机中的冷凝器与冷却器，与流入、流出制冷机的热交换介质的温度以及流速相关，故冷量的数学模型结构为：

Q

其中，M

制冷机的功率主要与冷量以及流入、流出制冷机的热交换介质温度有关，故制冷机的物理模型结构为：

P

此外，水介质与冷凝介质的流速取决于冷水泵与冷凝水泵的转速与开关状态，则制冷机的数学模型结构为：

P

其中n

冷却系统建模

冷却系统的耗能单元主要是冷凝水泵与冷却塔，由上述物理建模分析可知，冷凝水泵的功率取决于冷凝介质的流速，而冷凝介质的流速则是由冷凝水泵的转速决定的，故而冷凝水泵的数学模型结构为：

P

冷却塔功率取决于冷却塔风扇的数量与转速，由此可得冷却塔的数学模型结构为：

P

其中N

冷冻系统建模

冷冻系统中的耗能元件为冷水泵，其功率输出取决于冷水泵转速与其工作的台数，故而冷水泵的数学模型为：

P

基于上述的数学模型，采用神经网络对各个子系统进行回归拟合。

步骤三：将神经网络表达式显化，建立HVACs优化调度模型。

(3-1)优化调控模型构建

基于上述所建立的HVACs系统的数学模型，对其进行能耗优化调控。考虑到在能耗优化的过程中，用户侧的冷量输出取决于用户的舒适度，因此在调控过程中，基于不干涉用户自主温度调控的原则，认为冷冻系统与冷却系统中的进出介质温度不可调，即为给定的固定参数。控制变量为冷水泵、冷凝水泵、冷却塔转速及工作状态，其目标函数为：

其中，n

(3-2)调控模型处理

由于基于神经网络的HVACs的数学模型为“黑盒子”，在优化调控的过程中，仅能获取网络输入输出信息，无法将其作为目标函数进行优化，故而本文将神经网络显化，基于MLP神经网络的结构对其数学原理进行分析。

本专利激活函数采用ReLU函数，即：

A＝max{(W

此处引入辅助变量R，则上式可写成：

其中，M为接近于无穷大的正实数，Γ为布尔变量矩阵。

本文的MLP神经网络采用一层隐层网络，故式(24)具体可写为式(27-28)：

此时，HVACs系统的能耗优化模型为：

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。