【技术实现步骤摘要】
基于Modelica与强化学习联合仿真的区域供热优化控制方法
[0001]本专利技术涉及到区域供热系统运行控制领域,尤其涉于基于
Modelica
与强化学习联合仿真的区域供热系统优化控制方法
。
技术介绍
[0002]随着人民生活水平的不断提高,居住环境的舒适性和可控性逐渐成为影响居民幸福感重要因素,对建筑热工设计的需求也从满足最低限度要求逐步转向热舒适
。
在传统的能源控制中,往往会注重于供给端的能源调控,比如在热电联产的末端进行质调节和量调节,然而如果为了节约经济成本,这样往往会忽略用户侧的感受,可能出现供热不足与供热过剩的现象,用户的热舒适不能得到保证
。
[0003]目前国内外供热系统的热负荷控制主要包括两种:一种是基于规则的控制方法,通过提前设定已知的控制策略对供热系统进行调控,如常用的方法有
PID
调节,但该方法具有稳定性差,震荡幅度较大
、
容易受到干扰等缺点;另一种是基于模型预测控制的方法,通过提前输入已知的预测数据,判断供热系统下一时刻的行为,但该方法不仅需要大量的实测数据来确保过程模型的准确性,而且计算量大,在线优化比较困难
。
本文提出了一种新的方法来对热负荷进行控制,即利用人工智能(
AI
)对热负荷进行控制,不仅可以优化复杂目标,而且可以在线学习和优化控制,通过试错学习效果更好的策略
。
技术实现思路
[0004]本专利技术提出了基于
M
【技术保护点】
【技术特征摘要】
1.
基于
Modelica
与强化学习联合仿真的区域供热优化控制方法,其特征在于包括以下步骤:步骤
S1、
建立区域供热系统模型,所述的模型主要包括空气源热泵
、
一次侧给水泵
、
换热器
、
辐射采暖器
、
二次侧给水泵
、
房屋住宅建筑以及室外天气模块,按照系统架构进行连接,对区域供热系统模型进行仿真;步骤
S2、
设置耗电量为优化目标,并在仿真模型中添加与优化相关的输入输出接口,输入接口:设定一次侧给水量,输出接口:热泵的累积耗电量,然后导出功能模拟单元文件;步骤
S3、
在
Python
环境中导入上述的功能模拟单元文件,配置模型输入接口的参数,将接口与导出的功能模拟单元文件相连接;步骤
S4、
构建强化学习的基本框架,主要包括代理与环境,代理即强化学习系统中的主体,负责根据环境状态选择动作,以取得最大化的累积奖励,代理采用
Q_learning
学习算法;环境是指代理生存和行动的外部世界,它会对代理的动作做出反应;环境会给出下一个状态,以及针对代理当前动作的即时奖励;代理是学习主体,环境提供学习场所和反馈信号;步骤
S5、
设置强化学习算法优化所需要的运行参数,包括积极和消极的奖励信号
、
可选行为列表
、
运行代数,并定义房间温度的约束范围,然后通过强化学习代理通过不断探索不同的二次侧给流量,在满足约束的前提下获得最大奖励,最终输出一系列优化后的二次侧给水泵的控制信号
。2.
根据权利要求1所述的基于
Modelica
与强化学习联合仿真的区域供热优化控制方法,其特征在于,所述步骤
S1
中的仿真模型中的各组件均使用
Modelica
的
Buildings
组件库,能够再现区域供热系统的连续稳态运行和瞬态工况变化,使得建立的系统模型能够高保真地反映实际运行情况
。3.
根据权利要求1所述的基于
Modelica
与强化学习联合仿真的区域供热优化控制方法,其特征在于,所述步骤
S1
中的供热系统模型包括但不限于空气源热泵,还包括电站锅炉
、
热电联产的供热设备
。4.
根据权利要求1所述的基于
Modelica<...
【专利技术属性】
技术研发人员:潘利,徐爱国,钱剑杰,陈俊丞,
申请(专利权)人:南京远思智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。