基于机器学习的太阳能热泵热水系统控制策略优化方法技术方案

本发明专利技术公开了基于机器学习的太阳能热泵热水系统控制策略优化方法。所述方法包括：空气源热泵热力模型及太阳能集热器热力模型构建；采集相关数据；热水系统模型构建；负荷预测；策略优化。本发明专利技术对系统进行了热力学模型构建，建立空气源热泵以及太阳能集热器集热过程的输入输出关系，并运用机器学习中的KNN(K‑Nearest Neighbor)监督学习算法，实现热水负荷的逐时预测，以此预测值作为需求负荷值，利用所建立的热力模型分析系统的优化控制策略和节能率，从而为工程人员提供了理论基础，确保热水系统更稳定、更节能地运行。

Control strategy optimization method of solar heat pump hot water system based on machine learning

【技术实现步骤摘要】
基于机器学习的太阳能热泵热水系统控制策略优化方法
本专利技术涉及太阳能-空气源热耦合热水系统的控制
，具体涉及基于机器学习的太阳能热泵热水系统控制策略优化方法。
技术介绍
据统计，目前建筑能耗占全国总能耗的30％左右。热水能耗是我国的能源消耗的一个重要方面。目前，我国商业建筑热水能耗占建筑总能耗的20-40％，民用建筑热水能耗占建筑总能耗的15-20％。生活热水的使用已经成为衡量社会文明程度和人民生活水平的重要标志。因此，开发和推广生活热水的节能降耗技术对实现建筑节能、保护环境有重要意义。对于空气源热泵耦合太阳能热水系统而言，如何确定热水负荷预测与热水系统加热量的耦合关系对系统的节能运行至关重要，利用机器学习的方法建立负荷时序变化的函数关系，可以实现更准确地预测下一时间节点的负荷从而更为有效地利用供给侧的热量。此外，热水系统节能控制策略和用户侧负荷预测有待进一步优化。系统的节能很大程度上取决于其控制策略，目前大多数工程中采用定温控制或定时控制，不能使太阳能得到最大化的利用，缺乏科学性，仍存在很大的节能空间。目前的太阳能热泵热水系统虽然应用广泛，但仍然存在无法充分利用太阳能、热泵实际运行性能系数偏低以及用水品质难以保证等诸多问题，实际制热和需求用热的耦合匹配成为了热水系统节能研究中亟待解决的关键问题；然而，近几年已有的研究中，众多学者对热水系统用户行为和负荷预测进行了大量的研究(Spur.R,Fiala.D,Nevrala.D,Probert.D.Influenceofthedomestichot-waterdailydraw-offprofileontheperformanceofahot-waterstore[J].AppliedEnergy.2006,83(7):749-73.郭俊杰.空气源热泵热水装置优化分析与运行策略研究[D].上海交通大学,2013.HelenaF,Naspolini,RicardoRuther.Theeffectofmeasurementtimeresolutiononthepeaktimepowerdemandreductionpotentialofdomesticsolarhotwatersystems[J].RenewableEnergy88(2016):325-332.AlexandreBertrand,AlessioMastrucci,NilsSchüler,RiadAggoune,Maréchal.Characterisationofdomestichotwaterend-usesforintegratedurbanthermalenergyassessmentandoptimization[J].AppliedEnergy,2016(2):2-15.)，但是其中多是针对24小时供应热水的系统，热水负荷强烈依赖于用户行为和习惯，对不同的系统和用户群体而言，热水负荷的时变性和随机性大，因此负荷预测的难度大且结果适用范围不够广。然而，学生宿舍热水系统一般为定时供水系统，具有用水流量大、时段相对集中的特点，相比全天候供应热水的系统，学生宿舍热水系统负荷对用户行为的依赖性相对较小，更容易用机器学习的方法进行预测且适应性强。部分学者(黄文洪.太阳能-空气源热泵热水系统运行特性及优化研究[D].集美大学,2017.楼静.并联式太阳能热泵热水机组智能控制系统研究[D].中南大学,2009.陈庆杰.太阳能热泵制热量预测模型及控制策略研究[D].中南大学,2012.)只针对静态用水工况对系统的控制策略进行分析和优化，并没有采用负荷的动态预测方法和考虑用热加热的耦合匹配问题，也没有把用于实验台的控制策略在实际的供水系统中加以验证，因此存在局限性。
技术实现思路
本专利技术对系统进行了热力学模型构建，尽可能精确地建立热泵以及太阳能集热器的输入输出关系，并运用机器学习中的KNN(K-NearestNeighbor)监督学习算法，实现热水负荷的逐时预测，以此预测值作为需求负荷值，并通过热水系统热力学模型的构建对系统的节能潜力进行挖掘，利用所建立的数学模型寻找和分析系统的优化控制策略。本专利技术的目的至少通过以下技术方案之一实现。基于机器学习的太阳能热泵热水系统控制策略优化方法，包括以下步骤：S1、空气源热泵热力模型及太阳能集热器热力模型构建；S2、采集相关数据；S3、热水系统模型构建；S4、负荷预测；S5、策略优化。进一步地，步骤S1中，空气源热泵热力模型的构建根据已有的热泵结构参数，通过迭代计算得出热泵在一定输入条件(环境参数、冷凝器侧水流量等)下的蒸发温度、冷凝温度以及空气通过蒸发器后的出口温度，从而确定热泵的具体循环状态点，得到热泵的运行性能系数COP；具体包括以下步骤：S1.1.1、确定空气源热泵的结构参数；S1.1.2、以热泵进水温度、环境干球温度、湿球温度、当天大气压、冷凝器侧水流量、蒸发器侧空气流量作为输入条件；S1.1.3、根据空气源热泵的压缩机、冷凝器、蒸发器、节流阀四个模块建立耦合热平衡方程；S1.1.4、通过迭代计算确定制冷剂循环的具体状态点，从而得到不同工况下空气源热泵的运行性能系数COP。具体地，空气源热泵热力模型的构建的具体流程如下：A1：输入参数：热泵进水温度、环境干球温度、湿球温度、当天大气压、冷凝器侧水流量、蒸发器侧空气流量；A2：假设冷凝温度tc；A3：假设蒸发温度te；A4：假设空气出口温度to；A5：用蒸发器已有结构参数进行直接蒸发式空气冷却器热湿平衡计算，得出计算出口空气含湿量d0，计算出口空气温度to'；A6：若计算出口空气温度to'与假设空气出口温度to偏差大于0.1℃，则反复迭代进行步骤A4、A5，否则继续进行下一步；A7：根据蒸发温度te以及制冷剂的压焓图确定制冷剂流经蒸发器出口的温度，从而计算出压缩机进口温度，若压缩过程为理想绝热压缩，则可以求出压缩机出口温度，再根据压缩机指示效率ηi、机械效率ηm、电动机效率ηe、摩擦效率ηs、等熵效率ηv求出实际压缩过程的压缩机出口温度。A8：计算蒸发器侧传热系数Kair，蒸发器侧对数平均温差Δte；A9：根据蒸发器侧对数平均温差Δte计算实际蒸发温度te,act；A10：用冷凝器已有结构参数计算冷凝器对数温差Δtc；A11：计算此工况下的热泵功耗和COP，输出参数。蒸发器内能量平衡方程如下：式中，ha为空气侧对流换热系数，hae为当量换热系数，hb为制冷剂侧换热系数，C1、C2、n1、m是空气横掠肋片管外对流换热所确定的四个无量纲数；ta表示环境干球温度，to表示出口空气温度，ηf表示肋片效率，Af是肋管的肋片表面积、Ap是肋片间基管外表面积，λ表示冷凝器套管的导热系数，Rf、τ表示污垢热阻和肋化系数，Qin为肋管内表面热流密度，vm为制冷剂流速，di为肋片管内径，A为蒸发器总换本文档来自技高网...

【技术保护点】
1.基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，包括以下步骤：/nS1、空气源热泵热力模型及太阳能集热器热力模型构建；/nS2、采集相关数据；/nS3、热水系统模型构建；/nS4、负荷预测；/nS5、策略优化。/n

【技术特征摘要】
1.基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，包括以下步骤：
S1、空气源热泵热力模型及太阳能集热器热力模型构建；
S2、采集相关数据；
S3、热水系统模型构建；
S4、负荷预测；
S5、策略优化。


2.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S1中，空气源热泵热力模型的构建过程包括以下步骤：
S1.1.1、确定空气源热泵的结构参数；
S1.1.2、以热泵进水温度、环境干球温度、湿球温度、当天大气压、冷凝器侧水流量、蒸发器侧空气流量作为输入条件；
S1.1.3、根据空气源热泵的压缩机、冷凝器、蒸发器、节流阀四个模块建立耦合热平衡方程；
S1.1.4、通过迭代计算确定制冷剂循环的具体状态点，从而得到不同工况下空气源热泵的运行性能系数COP。


3.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S1中，太阳能集热器热力模型的构建包括以下步骤：
S1.2.1、确定平板太阳能集热器的结构参数；
S1.2.2、以太阳辐照量、环境干球温度、集热器进口温度、工质流量作为输入条件；
S1.2.3、用平板太阳能集热器瞬时效率方程法计算集热器瞬时有效集热量。


4.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S2中，采集的相关数据包括：系统运行过程中的逐时水位、水箱温度、供水阀和补水阀启闭状态、太阳能集热温度、用户用水量、热泵的冷凝温度。


5.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S3中，热水系统模型的构建包括以下步骤：
S3.1、将已建立的太阳能和空气源热泵模型进行耦合，对于整个太阳能热泵热水系统，根据热力学第一定律建立热平衡方程，即系统起始时刻的总能量、补入系统的冷水的能量以及热源提供的能量三部分之和，等于系统终止时刻的总能量、用户得到的能量以及损失的能量三部分之和，其中热源提供的能量包括太阳能和空气源热泵两部分的加热量；
S3.2、根据数据平台实时监测数据读取静态水箱温度和太阳能集热器温度变化，静态指系统未供水、未补水、未开启热泵和太阳能的情况下所测得的数据，利用多元线性回归法建立静态能量损失和环境干球温度、水位之间的函数关系；
S3.3、以每分钟作为一个模拟单元，计算一天中逐分钟热水系统各水箱温度ti、系统当前累计耗电量Etotal、系统当前累计补水量Wtotal、当前太阳能累计加热量Qsolar。


6.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S4中，负荷预测步骤包括以下步骤：
S4.1、首先对训练集中晚供水时段用水量进行区间划分，每小时作为一个预测单元；
S4.2、其次选取环境干球温度、相对湿度作为KNN算法中的特征值，将测试集的每个特征值与训练集中数据对应的特征值进行比较；
S4.3、KNN算法中的K值取小于10的整数，在10以内的范围变化K值，对比预测逐时误差与总误差的变化规律，选取使预测误差最小的即最合理的K值，达到对负荷逐时预测的目的。


7.根据权利要求1所述的基于机器学习的太阳能热泵热水系统控制策略优化方法，其特征在于，步骤S4中，负荷预测运用机器学习中的KNN(K-NearestNeighbor)监督学习算法，实现热水负荷的逐时预测；
所述基于KNN监督学习算法的负荷预测包括以下...

【专利技术属性】
技术研发人员：刘雪峰，路坦，蒋航航，王家绪，郑宇蓝，陈琰，叶灿滔，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44