模型和数据驱动的暖通空调最优设定温度获取方法及设备技术

本发明专利技术涉及一种模型和数据驱动的暖通空调最优设定温度获取方法及设备，包括以下步骤：结合楼宇物理仿真模型和基于ANN的数据驱动，构建楼宇HVAC动态特性模型；以所述楼宇HVAC动态特性模型作为约束，构建考虑能耗和人员舒适度的设定温度优化模型，采用群体智能算法求解获得暖通空调最优设定温度。与现有技术相比，本发明专利技术具有准确度高、方便可靠等优点。方便可靠等优点。方便可靠等优点。

【技术实现步骤摘要】
模型和数据驱动的暖通空调最优设定温度获取方法及设备


[0001]本专利技术属于电力系统需求响应和智能用电
，涉及一种暖通空调温度设定控制方法，尤其是涉及一种模型和数据驱动的暖通空调最优设定温度获取方法及设备。

技术介绍

[0002]现有电网使用中，电网的季节性尖峰负荷、时段性高峰负荷矛盾日益突出。其中空调负荷对峰值负荷的贡献越来越大，已占夏季高峰负荷的30％～50％。现代楼宇具有良好的蓄热能力，能在基本不影响用户舒适度的前提下提前或推迟用电行为，因而可作为重要的需求侧资源，向电网提供削峰、填谷等服务。
[0003]为对楼宇空调系统进行协调控制，一项基础性工作是建立其动态模型。现有研究中广泛采用等效热参数(equivalent thermal parameter，ETP)模型，即将楼宇热工模型等值为低阶RC模型。但该方法仅适应于居民住宅等小型楼宇，不适应具有复杂热动态特性的大中型楼宇和具有复杂结构的暖通空调系统(heating ventilation and air conditioning，HVAC)。针对商业楼宇HVAC，有文献提出了数据驱动的建模方案，该方案无需关注楼宇及HVAC的物理结构，属于黑箱建模。但现有技术重点在于分析HVAC的节能潜力，不能用于分析其响应能力。对需求响应潜力评估问题，数据驱动机制的主要困难在于，影响楼宇响应能力的外部环境和内部热负荷场景众多，实际中很难获得足够的历史样本。
[0004]另外，现有文献一般仅考虑了楼宇的用电成本，没有考虑楼宇参与需求响应会影响工作效率的隐性成本，该缺陷会对用户参与需求响应的意愿做出过于乐观的误判，也不利于制定合理的需求响应机制。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种准确度高、方便的模型和数据驱动的暖通空调最优设定温度获取方法及设备。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种模型和数据驱动的暖通空调最优设定温度获取方法，包括以下步骤：
[0008]结合楼宇物理仿真模型和基于ANN的数据驱动，构建楼宇HVAC动态特性模型；
[0009]以所述楼宇HVAC动态特性模型作为约束，构建考虑能耗和人员舒适度的设定温度优化模型，采用群体智能算法求解获得暖通空调最优设定温度。
[0010]进一步地，所述构建楼宇HVAC动态特性模型具体为：
[0011]基于BIM建立楼宇HVAC的物理模型；
[0012]对所述物理模型进行仿真，生成训练数据集；
[0013]基于所述训练数据集训练获得一ANN模型，获得构建楼宇HVAC动态特性模型，表示为：
[0014]ΔP
t
＝f
net
(T
set,t
,T
set,t
‑1,T
OA,t
,t)
[0015]其中，ΔP
t
表示HVAC在t时段内的平均功率变化值，T
set,t
、T
set,t
‑1分别表示t时段和
t
‑
1时段的温度设定值，T
OA,t
表示t时段的室外温度。
[0016]进一步地，所述楼宇HVAC采用全局温度调整控制方法。
[0017]进一步地，所述T
set,t
、T
set,t
‑1满足T
set,t
‑
T
set,t
‑1≤3℃。
[0018]进一步地，所述设定温度优化模型的目标函数为：
[0019][0020]其中，T
set
和P皆为定义在工作时段Γ上的向量，分别代表温度设定值序列和HVAC功率序列，C
E
(P)为HVAC用电成本，C
W
(T
set
)为楼宇内人员工作效率损失；
[0021]所述设定温度优化模型的约束条件包括HVAC动态方程约束、温度设定值范围约束和温度设定值变化量约束。
[0022]进一步地，所述C
W
(T
set
)的计算公式为：
[0023][0024]其中，λ
W
为楼宇内单位人员的基准工作效益，N
op
为楼内工作人员数量，η为用户工作效率函数，Δt为时段步长。
[0025]进一步地，所述采用群体智能算法求解获得暖通空调最优设定温度中，每次获得种群最优值后，根据HVAC温度设定分辨率，将所述种群最优值近似至最靠近的分辨率点，再进入下一次迭代。
[0026]进一步地，所述ANN模型分季节进行训练和更新。
[0027]本专利技术还提供一种暖通空调最优响应用电方法，其特征在于，基于如上所述的模型和数据驱动的暖通空调最优设定温度获取方法确定最优设定温度，以该最优设定温度运行点作为HVAC的基线功率，形成最优响应用电策略。
[0028]本专利技术还提供一种电子设备，包括：
[0029]一个或多个处理器；
[0030]存储器；和
[0031]被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述模型和数据驱动的暖通空调最优设定温度获取方法的指令。
[0032]与现有技术相比，本专利技术具有以下有益效果：
[0033]1、针对大中型楼宇热动态模型和HVAC系统十分复杂、难以建立解析形式的动态方程的问题，将楼宇物理仿真模型和基于ANN的数据驱动方法结合起来，构建楼宇HVAC动态特性模型，可有效解决需求响应实测样本少且分布不均衡以及试验代价高等问题，同时利用楼宇物理模型而非降阶等值模型可保证基础模型的准确性，方便可靠。
[0034]2、本专利技术将ANN形式封装的HVAC动态模型与粒子群优化算法结合起来，考虑了室温变化对内部人员工作效率的影响，求解了HVAC最优温度设定问题，能够获得更精确的最优设计温度，显著降低了楼宇用户的总成本。
附图说明
[0035]图1为本专利技术基于ANN的HVAC动态建模示意图；
[0036]图2为室外温度与功率变化的分段线性关系示意图；
[0037]图3为温度设定值变迁序列示意图；
[0038]图4为HVAC响应成本曲线示意图；
[0039]图5为实施例的训练结果回归分析示意图；
[0040]图6为实施例的误差分析示意图；
[0041]图7为实施例的工作效率与室温的关系示意图；
[0042]图8为实施例的全局最优适应度收敛情况示意图；
[0043]图9为实施例的HVAC响应成本曲线示意图；
[0044]图10为实施例的HVAC投标曲线示意图。
具体实施方式
[0045]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型和数据驱动的暖通空调最优设定温度获取方法，其特征在于，包括以下步骤：结合楼宇物理仿真模型和基于ANN的数据驱动，构建楼宇HVAC动态特性模型；以所述楼宇HVAC动态特性模型作为约束，构建考虑能耗和人员舒适度的设定温度优化模型，采用群体智能算法求解获得暖通空调最优设定温度。2.根据权利要求1所述的模型和数据驱动的暖通空调最优设定温度获取方法，其特征在于，所述构建楼宇HVAC动态特性模型具体为：基于BIM建立楼宇HVAC的物理模型；对所述物理模型进行仿真，生成训练数据集；基于所述训练数据集训练获得一ANN模型，获得构建楼宇HVAC动态特性模型，表示为：ΔP
t
＝f
net
(T
set,t
,T
set,t
‑1,T
OA,t
,t)其中，ΔP
t
表示HVAC在t时段内的平均功率变化值，T
set,t
、T
set,t
‑1分别表示t时段和t
‑
1时段的温度设定值，T
OA,t
表示t时段的室外温度。3.根据权利要求1所述的模型和数据驱动的暖通空调最优设定温度获取方法，其特征在于，所述楼宇HVAC采用全局温度调整控制方法。4.根据权利要求2所述的模型和数据驱动的暖通空调最优设定温度获取方法，其特征在于，所述T
set,t
、T
set,t
‑1满足T
set,t
‑
T
set,t
‑1≤3℃。5.根据权利要求1所述的模型和数据驱动的暖通空调最优设定温度获取方法，其特征在于，所述设定温度优化模型...

【专利技术属性】
技术研发人员：赵建立，赵本源，张沛超，郑庆荣，盛明，高志刚，郭雁，陆颖杰，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：