空调自学习最优控制系统技术方案

本发明专利技术涉及冰蓄冷空调技术领域，具体提供了一种空调自学习最优控制系统，旨在解决如何降低用户使用空调的经济成本的技术问题。为此目的，本发明专利技术中的空调自学习最优控制系统适用于冰蓄冷空调，该冰蓄冷空调包括蓄冷设备、空调制冷机和冷量转换器，蓄冷设备和冷量转换器相连；该空调自学习最优控制系统包括用于获取冷负荷需求的冷负荷需求获取装置、用于获取近似最优控制策略的近似最优控制策略获取装置，用于更新最优性能指标值和近似最优控制策略的局部迭代判断装置，以及用于获取最优控制策略和计算用户成本全局迭代判断装置。通过本发明专利技术可以平衡供冷负荷、满足用户的供冷需求、节约用户使用空调的经济成本。

【技术实现步骤摘要】
空调自学习最优控制系统
本专利技术涉及冰蓄冷空调
，具体涉及一种空调自学习最优控制系统。
技术介绍
冰蓄冷空调技术是通过控制空调系统，使其在夜间用电低谷时制冰，白天用电高峰时释放冷量，实现电网的削峰填谷，从而起到开发低谷用电、优化资源配置、保护生态环境的作用。然而目前的冰蓄冷空调技术常用的控制策略因为蓄冰不足、蓄冰过量或制冷机不恰当运行造成了空调使用费用过高的问题。另外，由于控制策略本身的局限导致用户无法在使用空调时达到最高的经济效益。
技术实现思路
为了解决现有技术中的上述问题，即为了解决如何最大程度降低用户使用空调的经济成本的技术问题，本专利技术提供了一种空调自学习最优控制系统。本专利技术中的空调自学习最优控制系统适用于冰蓄冷空调，所述冰蓄冷空调包括蓄冷设备、空调制冷机和冷量转换器；所述蓄冷设备与所述冷量转换器相连，用于满足所述冰蓄冷空调的冷负荷需求；所述系统包括冷负荷需求获取装置、近似最优控制策略获取装置、局部迭代判断装置和全局迭代判断装置；所述冷负荷需求获取装置，配置为利用预设的冷负荷预测模型获取冷负荷需求，并对所获取的冷负荷需求进行归一化处理；所述近似最优控制策略获取装置，配置为依据实时电价、蓄冷设备余冷量、蓄冷设备的供冷/蓄冷量和预设的蓄冷设备控制策略，以及所述冷负荷需求获取装置所获取的冷负荷需求，利用预设的评价网络获取性能指标值，并选取最小的性能指标值所对应的预设的蓄冷设备控制策略作为近似最优控制策略；所述局部迭代判断装置，配置为判断所述预设的评价网络是否完成局部迭代，若是则更新所述近似最优控制策略获取装置所获取的最优性能指标值和近似最优控制策略；所述全局迭代判断装置，配置为判断所述预设的评价网络是否完成全局迭代，若是则依据所述局部迭代判断装置所获取的更新后的近似最优控制策略作为最优控制策略，并计算用户成本。优选地，所述预设的蓄冷设备控制策略包括蓄冷模式、闲置模式和供冷模式；所述蓄冷模式为利用所述空调制冷机制冷并利用所述蓄冷设备蓄冷；所述闲置模式为利用所述空调制冷机制冷并控制所述蓄冷设备保持恒定状态；所述供冷模式为利用所述蓄冷设备制冷。优选地，所述预设的冷负荷预测模型为依据BP神经网络构建的模型，所述预设的冷负荷预测模型包括输入层、隐含层、输出层；所述输入层节点数量为9，所述隐含层节点数量为19，所述输出层节点数量为1。优选地，所述预设的评价网络为神经网络模型，所述预设的评价网络包括输入层、隐含层、输出层；所述输入层的节点数量为4，所述隐含层的节点数量为9，所述输出层的节点数量为1。优选地，所述近似最优控制策略获取装置包括权值修正模块、性能指标函数获取模块和近似最优控制策略获取模块；所述权值修正模块，配置为在预设数据范围内对所述预设的评价网络的权值随机初始化，并利用ADP训练所述预设的评价网络，以及依据下式所示方法修正所获取的初始化后的预设的评价网络的权值：其中，所述Wcj(k)为预设的评价网络的权值，所述c表示所述预设的评价网络，所述j＝1或j＝2，Wc1为预设的评价网络的输入层节点与隐含层节点之间的权值，Wc2为预设的评价网络的隐含层节点与输出层节点之间的权值；所述lc为预设的评价网络的学习率，所述Ec(k)为误差函数，且所述为在k时刻预设的评价网络的实际输出，所述U(k+1)为在k+1时刻的效用函数值，效用函数为在k时刻用电成本与最大成本的比值，所述γ为系统前后阶段之间的折扣因子；所述性能指标值获取模块，配置为依据所述实时电价、所述蓄冷设备余冷量、所述蓄冷设备的供冷/蓄冷量、预设的蓄冷设备控制策略，以及所述冷负荷需求获取装置所获取的冷负荷需求，利用所述权值修正模块所修正后的预设的评价网络，并依据下式所示方法获取性能指标值：其中，所述J[x(k),k]为所述性能指标函数，所述U为效用函数，所述x(i)为所述系统在i时刻的状态向量，所述u(i)为i时刻所述预设的蓄冷设备控制策略，所述i为时间变量，所述x(k)为所述系统在k时刻的状态向量，如下式所示：x(k)＝[C(k),Q(k),qL(k)]T其中，所述C(k)为k时刻的实时电价，所述Q(k)为k时刻的蓄冷设备余冷量，所述qL(k)为k时刻所述冷负荷需求获取装置所获取的冷负荷需求，所述T为矩阵转置符号；所述近似最优控制策略获取模块，配置为选取所述性能指标值获取模块所获取的最小的性能指标值对应的预设的蓄冷设备控制策略作为近似最优控制策略。优选地，所述权值修正模块还包括效用函数值计算单元；所述效用值计算单元配置为依据下式所示方法计算所述系统的效用函数值：U(k)＝αC(k)·[qL(k)+z]/Umax其中，所述U(k)为效用函数，所述α为空调耗电系数且所述α为常数，所述C(k)为k时刻的实时电价，所述qL(k)为k时刻的冷负荷需求，所述z为所述蓄冷设备的供冷/需冷量。优选地，所述系统还包括初始化装置；所述初始化装置配置为对所述实时电价、所述蓄冷设备余冷量、所述蓄冷设备的供冷/蓄冷量和所述冷负荷需求获取装置所获取的冷负荷需求进行初始化处理。优选地，所述局部迭代判断装置，配置为当所述预设的评价网络未完成局部迭代的情况下，在预设数据范围内对所述预设的评价网络的权值随机初始化，并利用ADP训练所述预设的评价网络，依据下式所示方法修正所获取的初始化后的预设的评价网络的权值：其中，所述Wcj(k)为预设的评价网络的权值，所述c表示所述预设的评价网络，所述j＝1或j＝2，Wc1为预设的评价网络的输入层节点与隐含层节点之间的权值，Wc2为预设的评价网络的隐含层节点与输出层节点之间的权值；所述lc为预设的评价网络的学习率，所述Ec(k)为误差函数，且所述为在k时刻预设的评价网络的实际输出，所述U(k+1)为在k+1时刻的效用函数值，效用函数为在k时刻用电成本与最大成本的比值，所述γ为系统前后阶段之间的折扣因子。优选地，所述全局迭代判断装置，配置为当所述预设的评价网络未完成全局迭代的情况下，在预设数据范围内对所述预设的评价网络的权值随机初始化。与最接近的现有技术相比，上述技术方案至少具有以下有益效果：1.本专利技术的空调自学习最优控制系统中，依据实时电价信息和预设的冷负荷预测模型预测的冷负荷需求，利用预设的评价网络，获得了相应时间段内的优化控制策略，降低了空调供冷的峰谷负荷差值，提高了供冷的灵活性和兼容性，同时降低了用户使用空调的经济成本。2.本专利技术的空调自学习最优控制系统中，通过建立预设的冷负荷预测模型可以得到空调较为精准的冷负荷需求，从而为后期获取最优控制策略奠定了较为准确的数据基础。附图说明图1是本专利技术实施例的空调自学习最优控制系统的主要结构示意图；图2是本专利技术实施例的预设的冷负荷预测模型主要结构示意图；图3是本专利技术实施例的空调自学习最优控制系统选择近似最优控制策略过程的主要过程示意图。附图中标记为：1-冷负荷需求获取装置，2-近似最优控制策略获取装置，3-局部迭代判断装置，4-全局迭代判断装置。具体实施方式下面参照附图来描述本专利技术的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本专利技术的技术原理，并非旨在限制本专利技术的保护范围。下面结合附图，对本专利技术实施例中空调自学习最优控制系统进行说明。参阅附图1，图1示例性的示出了空调自学习最优本文档来自技高网...

【技术保护点】
1.一种空调自学习最优控制系统，其特征在于，所述系统适用于冰蓄冷空调，所述冰蓄冷空调包括蓄冷设备、空调制冷机和冷量转换器；所述蓄冷设备与所述冷量转换器相连，用于满足所述冰蓄冷空调的冷负荷需求；所述系统包括冷负荷需求获取装置、近似最优控制策略获取装置、局部迭代判断装置和全局迭代判断装置；所述冷负荷需求获取装置，配置为利用预设的冷负荷预测模型获取冷负荷需求，并对所获取的冷负荷需求进行归一化处理；所述近似最优控制策略获取装置，配置为依据实时电价、蓄冷设备余冷量、蓄冷设备的供冷/蓄冷量和预设的蓄冷设备控制策略，以及所述冷负荷需求获取装置所获取的冷负荷需求，利用预设的评价网络获取性能指标值，并选取最小的性能指标值所对应的预设的蓄冷设备控制策略作为近似最优控制策略；所述局部迭代判断装置，配置为判断所述预设的评价网络是否完成局部迭代，若是则更新所述近似最优控制策略获取装置所获取的最优性能指标值和近似最优控制策略；所述全局迭代判断装置，配置为判断所述预设的评价网络是否完成全局迭代，若是则依据所述局部迭代判断装置所获取的更新后的近似最优控制策略作为最优控制策略，并计算用户成本。

【技术特征摘要】
1.一种空调自学习最优控制系统，其特征在于，所述系统适用于冰蓄冷空调，所述冰蓄冷空调包括蓄冷设备、空调制冷机和冷量转换器；所述蓄冷设备与所述冷量转换器相连，用于满足所述冰蓄冷空调的冷负荷需求；所述系统包括冷负荷需求获取装置、近似最优控制策略获取装置、局部迭代判断装置和全局迭代判断装置；所述冷负荷需求获取装置，配置为利用预设的冷负荷预测模型获取冷负荷需求，并对所获取的冷负荷需求进行归一化处理；所述近似最优控制策略获取装置，配置为依据实时电价、蓄冷设备余冷量、蓄冷设备的供冷/蓄冷量和预设的蓄冷设备控制策略，以及所述冷负荷需求获取装置所获取的冷负荷需求，利用预设的评价网络获取性能指标值，并选取最小的性能指标值所对应的预设的蓄冷设备控制策略作为近似最优控制策略；所述局部迭代判断装置，配置为判断所述预设的评价网络是否完成局部迭代，若是则更新所述近似最优控制策略获取装置所获取的最优性能指标值和近似最优控制策略；所述全局迭代判断装置，配置为判断所述预设的评价网络是否完成全局迭代，若是则依据所述局部迭代判断装置所获取的更新后的近似最优控制策略作为最优控制策略，并计算用户成本。2.根据权利要求1所述的空调自学习最优控制系统，其特征在于，所述预设的蓄冷设备控制策略包括蓄冷模式、闲置模式和供冷模式；所述蓄冷模式为利用所述空调制冷机制冷并利用所述蓄冷设备蓄冷；所述闲置模式为利用所述空调制冷机制冷并控制所述蓄冷设备保持恒定状态；所述供冷模式为利用所述蓄冷设备制冷。3.根据权利要求1所述的空调自学习最优控制系统，其特征在于，所述预设的冷负荷预测模型为依据BP神经网络构建的模型，所述预设的冷负荷预测模型包括输入层、隐含层、输出层；所述输入层节点数量为9，所述隐含层节点数量为19，所述输出层节点数量为1。4.根据权利要求1所述的空调自学习最优控制系统，其特征在于，所述预设的评价网络为神经网络模型，所述预设的评价网络包括输入层、隐含层、输出层；所述输入层的节点数量为4，所述隐含层的节点数量为9，所述输出层的节点数量为1。5.根据权利要求1所述的空调自学习最优控制系统，其特征在于，所述近似最优控制策略获取装置包括权值修正模块、性能指标函数获取模块和近似最优控制策略获取模块；所述权值修正模块，配置为在预设数据范围内对所述预设的评价网络的权值随机初始化，并利用ADP训练所述预设的评价网络，以及依据下式所示方法修正所获取的初始化后的预设的评价网络的权值：其中，所述Wcj(k)为预设的评价网络的权值，所述c表示所述预设的评价网络，所述j＝1或j＝2，Wc1为预设的评价网络的输入层节点与隐含层节点之间的权值，Wc2为预设的评价网络的隐含层节点与输出层节点之间的权值；所述lc为预设的评价网络的学习率，所述Ec(k)为误差函数，且所述为在k时刻预设的评价网络的实际输出，所述U(k+1)为在k+1时刻的效用函数值，效用函数为在k时刻用...

【专利技术属性】
技术研发人员：魏庆来，廖泽华，宋睿卓，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11