一种中央空调系统自适应学习数据模型的控制方法及装置制造方法及图纸

本发明专利技术提供了一种中央空调系统自适应学习数据模型的控制方法及装置

【技术实现步骤摘要】
一种中央空调系统自适应学习数据模型的控制方法及装置


[0001]本专利技术涉及中央空调系统领域，更具体的说是，涉及一种中央空调系统自适应学习数据模型的控制方法及装置
。

技术介绍

[0002]中央空调系统的设计通常按建筑物所在地的极端气候条件来计算其最大冷负荷，并由此确定空调主机的装机容量及其相应冷冻水泵和冷却水泵容量
。
实际上，暖通空调制冷系统每年只有极短时间出现最大冷负荷的情况，在绝大部分时间里都是处在部分负荷
(
远小于其额定容量
)
条件下运行的，这无疑造成了大量的能源白白浪费
。
另一方面，空调负荷又具有变动性
。
由于受季节交替
、
气候变幻
、
昼夜轮回
、
使用变化及生产负荷等各种因素变化的影响，暖通空调制冷系统的负荷具有起伏变化和不恒定的特点，因此该方法可提供中央空调系统有效跟随末端负荷的变化而调节，同时具有提前预测性
。
[0003]目前的中央空调系统在自控方面实现的控制方式大体为
PID
控制，而面对多耦合性系统此控制方式存在以下劣势：
[0004]1、
参数调节困难：
PID
控制算法的性能高度依赖于参数的调节
。
确定合适的
PID
参数需要进行实际系统测试和调试，这可能需要耗费大量的时间和精力
。
[0005]2、
适应性差：
PID
控制算法通常是基于固定的参数来进行控制，对于系统动态性能变化较大的情况，
PID
控制可能无法适应这些变化，导致控制性能下降
。
[0006]3、
响应速度有限：
PID
控制算法对于系统扰动的响应速度相对较慢，特别是在系统存在较大的非线性和时变性时，可能需要更复杂的控制算法来提高响应速度
。
[0007]4、
鲁棒性差：
PID
控制算法对于系统参数的变化和扰动较为敏感，一旦系统参数发生变化，
PID
控制的性能可能会受到影响，需要及时进行参数调整
。
[0008]5、
难以应对复杂系统：对于复杂的中央空调系统，
PID
控制算法可能无法提供足够的控制性能
。
在面对非线性
、
多变量
、
时滞等复杂性的系统时，需要采用更高级的控制算法
。

技术实现思路

[0009]本专利技术的目的是提供一种中央空调系统自适应学习数据模型的控制方法及装置
。
[0010]本专利技术要解决的是现有技术中存在的问题
。
[0011]与现有技术相比，本专利技术技术方案及其有益效果如下：
[0012]本专利技术公开的第一方面，提供了一种中央空调系统自适应学习数据模型的控制方法，包括：
S1
，监测并采集中央空调系统中各个关键点的数据；
S2
，对采集的数据进行预处理得到数据集；
S3
，根据任务的复杂性和数据的特点选取并确定神经网络数据模型的结构；
S4
，使用所述数据集对所述神经网络数据模型进行训练，使用优化算法调整神经网络数据模型的权重和偏置，直至预测结果与实际结果之间的误差最小化，得到训练好的神经网络数据模型；
S5
，使用测试集对训练好的神经网络数据模型进行评估，计算评估指标并得到评估结果，判断所述评估结果是否符合要求；
S6
，若所述评估结果不符合要求，则根据所述评
估结果对神经网络数据模型进行优化，并重复
S5
；
S7
，若所述评估结果符合要求，则将所述神经网络数据模型更新并应用至中央空调系统中
。
[0013]本专利技术公开的第二方面，提供了一种中央空调系统自适应学习数据模型的控制装置，包括：采集模块，被配置为监测并采集中央空调系统中各个关键点的数据；预处理模块，被配置为对采集的数据进行预处理得到数据集；训练模块，被配置为根据任务的复杂性和数据的特点选取并确定神经网络数据模型的结构；使用所述数据集对所述神经网络数据模型进行训练，使用优化算法调整神经网络数据模型的权重和偏置，直至预测结果与实际结果之间的误差最小化，得到训练好的神经网络数据模型；评估模块，被配置为使用测试集对训练好的神经网络数据模型进行评估，计算评估指标并得到评估结果，判断所述评估结果是否符合要求；若所述评估结果不符合要求，则根据所述评估结果对神经网络数据模型进行优化；更新模块，被配置为若所述评估结果符合要求，则将所述神经网络数据模型更新并应用至中央空调系统中
。
[0014]本专利技术的有益效果为：
[0015]本专利技术实现了神经网络数据模型的自适应学习，优化中央空调系统的能效，通过学习历史数据和实时环境信息，实现更精确的控制和调节，以最小化能耗并提高能效；通过自适应学习神经网络数据模型，可以更准确地预测和满足用户的舒适需求，确保室内温度
、
湿度等参数在理想范围内，提供更好的舒适性体验
。
附图说明
[0016]图1是本专利技术实施例提供的一种中央空调系统自适应学习数据模型的控制方法示意图
。
[0017]图2是本专利技术实施例提供的一种中央空调系统自适应学习数据模型的控制装置示意图
。
具体实施方式
[0018]为使本专利技术实施方式的目的
、
技术方案和优点更加清楚，下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚
、
完整地描述，显然，所描述的实施方式是本专利技术一部分实施方式，而不是全部的实施方式
。
因此，以下对在附图中提供的本专利技术的实施方式的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施方式
。
基于本专利技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围
。
[0019]在本专利技术的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量
。
由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征
。
在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定
。
[0020]本专利技术优先以能耗数据为控制模型核心指标，同时记录工况环境：温度
、
压力
、
室外温湿度，调节循环水泵运行频率
、
塔风机运行频率
、
制冷主机出水温度设定参数
。
[0021]系统自学习在不同环境条件下的能耗模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种中央空调系统自适应学习数据模型的控制方法，其特征在于，包括：
S1
，监测并采集中央空调系统中各个关键点的数据；
S2
，对采集的数据进行预处理得到数据集；
S3
，根据任务的复杂性和数据的特点选取并确定神经网络数据模型的结构；
S4
，使用所述数据集对所述神经网络数据模型进行训练，使用优化算法调整神经网络数据模型的权重和偏置，直至预测结果与实际结果之间的误差最小化，得到训练好的神经网络数据模型；
S5
，使用测试集对训练好的神经网络数据模型进行评估，计算评估指标并得到评估结果，判断所述评估结果是否符合要求；
S6
，若所述评估结果不符合要求，则根据所述评估结果对神经网络数据模型进行优化，并重复
S5
；
S7
，若所述评估结果符合要求，则将所述神经网络数据模型更新并应用至中央空调系统中
。2.
根据权利要求1所述的一种中央空调系统自适应学习数据模型的控制方法，其特征在于，步骤
S1
中，假定采集温度数据
27℃
，压力数据
2.1bar
，流量数据
1100m3/h
，得到输入向量
x
＝
[27 2.1 1100]。3.
根据权利要求2所述的一种中央空调系统自适应学习数据模型的控制方法，其特征在于，步骤
S2
中，包括：神经网络数据模型的权重矩阵
W
为：偏置向量
b
为：则加权输入
z
为：元点的输出
a
为：其中，
z
是加权输入，
W
是权重矩阵，
x
是输入特征向量，
b
是偏置向量，
g
是
sigmoid
激活函数，
a
是元点的输出
。4.
根据权利要求3所述的一种中央空调系统自适应学习数据模型的控制方法，其特征在于，步骤
S4
中，包括：
定义损失函数：假设神经网络数据模型的预测值为
y_pred
，真实值为
y_true
，均方误差<...

【专利技术属性】
技术研发人员：许泽锋，李维娜，凌靖，
申请(专利权)人：蘑菇物联科技厦门有限公司，
类型：发明
国别省市：