本发明专利技术公开一种基于多传感器测量值的变风量空调系统传感器原位校准方法，包括以下步骤：变风量空调系统进行综合特性评价，选取进行原位校准的传感器；针对原位校准的传感器，基于其他传感器测量值采用数据驱动的方式建立传感器模型；建立原位校准传感器目标函数，带入贝叶斯定理；采用蒙特卡洛马尔科夫链算法进行随机取样，得到传感器偏差。本发明专利技术采用传感器评价和数据驱动建模的方法，提出一种变风量空调系统中多个不同类型传感器单发或者并发故障的原位校准方法，从而对不同类型传感器进行了校准，经过校准，校准测量值和真实测量值基本相等，减少了传感器在实际测量中的偏差，提高传感器测量值的准确性，保证整个系统稳定运行。稳定运行。稳定运行。
【技术实现步骤摘要】
一种基于多传感器测量值的变风量空调系统传感器原位校准方法
[0001]本专利技术涉及一种基于多传感器测量值的变风量空调系统传感器原位校准方法，是一种变风量空调系统中多个不同类型传感器单发或者并发故障的原位校准方法，属于建筑能耗监测系统底层传感器数据处理
技术介绍
[0002]变风量空调系统作为智能化建筑体系中的重要组成部分，随着智能建筑的发展已经得到广泛的应用并取得快速且显著的发展。现如今，智能建筑中对室内环境质量智能化集成及建筑能源消耗提出了更高的要求，这就促使变风量空调系统传感器网络变得越来越复杂。在愈加庞杂的变风量空调系统传感器网络中，由于自身缺陷、超负荷运行和欠缺运维等原因，各类传感器故障发生的机率会随着时间的推移逐渐增大。而传感器故障的存在，不仅导致能源浪费而且会影响室内环境质量，甚至缩短设备的使用寿命。传感器故障涉及整个变风量空调系统中各个温度、湿度、压力及流量传感器。作为变风量空调系统的“眼睛”，传感器的可靠性对整个系统的控制及运行起到至关重要的作用。系统中的控制系统及监测系统运行状态都必须通过传感器的测量数据进行反馈。因此，各类传感器测量值的正确性是智能建筑实现最优控制及智能管理的关键。然而，传感器故障初期由于程度小且难以被及时发现，往往会对建筑性能造成很大危害及影响。因此传感器需要定期校准从而使设备维护成本降低，同时有效地把控传感器故障对设备运行而造成的危害，使设备用能、优化控制达到最优。在现有的研究中，传感器校准方法主要分为基于统计学方法和基于模型的方法。但这些方法依然面临一些问题：1)现有的变风量空调系统由于其复杂的结构，从而会安装大量的传感器。这些不同类型的传感器将会有不同的价格，施工安装难度和控制参与度。对全部传感器直接进行无差别校准而不进行判断，不仅会使得校准准确性降低，同时也会增加校准所需要的时间。2)由于热损失，噪声和数据传输的不确定性将会使得传感器模型无法依靠物理模型进行构建，这就使得之前传感器校准不能完成。
技术实现思路
[0003]本专利技术针对于上述问题，采用传感器评价和数据驱动建模的方法，提供一种基于多传感器测量值的变风量空调系统传感器原位校准方法。
[0004]本专利技术的技术方案如下：
[0005]一种基于多传感器测量值的变风量空调系统传感器原位校准方法，步骤如下：
[0006]S1、对变风量空调系统传感器进行综合特性评价，选取进行原位校准的传感器，具体步骤如下：
[0007]S1.1、确定变风量空调系统所安装传感器的类型、数目以及安装位置；
[0008]S1.2、确定变风量空调系统参与控制的传感器；以此为依据将整个系统传感器分为控制类型传感器和监测类型传感器；对于监测类型传感器直接进行替换校准而不进行原
位校准；
[0009]S1.3、对于控制类型传感器根据其所在控制回路动作频率的不同，分为低参与度控制类型传感器和高参与度控制类型传感器；
[0010]S1.4、对于低参与度控制类型传感器，发生故障时，根据价格或施工难度选择更换校准或选择原位校准；
[0011]S1.5、对于高参与度控制类型传感器，发生故障时，根据价格和施工难度共同判断选择更换校准或选择原位校准；
[0012]S1.6、根据S1.2
‑
S1.5的传感器综合评价，将需要原位校准的传感器筛选出来；
[0013]S2、针对原位校准的传感器，根据其他传感器测量值采用数据驱动的方法对其建立模型，具体步骤如下：
[0014]S2.1、将变风量空调系统执行机构开度保持一定；
[0015]S2.2、依据冷水机组压缩机开启的不同台数将不同工况的传感器稳态测量值的工况进行划分；
[0016]S2.3、对于压差，在建模过程中基于其他传感器的测量值采用线性回归的方法建立原位校准传感器的模型，如式(1)和(2)所示；
[0017]水侧压差模型Y
b,wDP
＝a1M2/E
w2
+a2M/F
w
+a3F
w2
ꢀꢀꢀ
(1)
[0018]空气侧压差模型Y
b,aDP
＝b1F
a2
+b2F
a
+b3ꢀꢀꢀ
(2)
[0019]其中，Y
b,wDP
为水侧压差，Y
b,aDP
为空气侧压差，M为水流量，F
w
为水泵频率，F
a
为风机频率，a1～a3为拟合系数，b1～b3为拟合系数。
[0020]S2.4、对于温度，在建模过程中基于其他传感器的测量值采用反向传播神经网络的方法建立原位校准传感器的模型，如式(3)所示；
[0021]温度模型Y
b,T
＝BP(M
v1
,M
v2
,
…
,M
vr
)
ꢀꢀꢀ
(3)
[0022]其中，Y
b,T
为温度，M
vr
为第r个其他温度传感器测量值，BP为反向传播神经网络模型。
[0023]S3、建立原位校准传感器的目标函数，然后带入到贝叶斯定理中，具体步骤如下：
[0024]S3.1、根据S2中所基于其他传感器所建立的原位校准传感器的模型和原位校准传感器自身校准测量值，建立原位校准传感器的目标函数，如式(4)和(5)所示。另外在建立目标函数过程中，传感器模型中带入的为传感器校准测量值而不是实际测量值；
[0025]校准测量值Y
c,i
＝M
i
+x
i
ꢀꢀꢀ
(4)
[0026]目标函数
[0027]其中，Y
c,i
为第i个传感器自身校准测量值，M
i
为第i个传感器测量值，x
i
为第i个传感器偏差，Y
b,i
为i个传感器模型，L为目标函数，i为传感器数目。
[0028]S3.2、将S2.2中获得的多组稳态测量值带入到目标函数中，对原位校准传感器偏差进行多次求解；
[0029]S3.3、建立原位校准传感器的先验分布的概率密度函数，且各参数满足正态分布；另外，定义似然函数的概率密度函数，同样各参数满足正态分布；
[0030]S3.4、将目标函数带到似然函数中，然后将先验分布和似然函数带入到贝叶斯定理中，得到原位校准传感器偏差的后验分布概率密度函数，如式(6)所示；
[0031]贝叶斯定理
[0032]其中，p(θ|y)为后验分布，p(y|θ)为似然函数，p(θ)为先验分布，p(y)为归一化常数；
[0033]S4、在求解后验分布概率密度函数过程中，采用传统积分的方式将会增加计算量，因此采用蒙特卡洛马尔科夫链Metropolis
‑
Hastings算法进行随机取样，求解原位校准传本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多传感器测量值的变风量空调系统传感器原位校准方法，其特征在于，步骤如下：S1、对变风量空调系统传感器进行综合特性评价，选取进行原位校准的传感器，具体步骤如下：S1.1、确定变风量空调系统所安装传感器的类型、数目以及安装位置；S1.2、确定变风量空调系统参与控制的传感器；以此为依据将整个系统传感器分为控制类型传感器和监测类型传感器；对于监测类型传感器直接进行替换校准而不进行原位校准；S1.3、对于控制类型传感器根据其所在控制回路动作频率的不同，分为低参与度控制类型传感器和高参与度控制类型传感器；S1.4、对于低参与度控制类型传感器，发生故障时，根据价格或施工难度选择更换校准或选择原位校准；S1.5、对于高参与度控制类型传感器，发生故障时，根据价格和施工难度共同判断选择更换校准或选择原位校准；S1.6、根据S1.2
‑
S1.5的传感器综合评价，将需要原位校准的传感器筛选出来；S2、针对原位校准的传感器，根据其他传感器测量值采用数据驱动的方法对其建立模型，具体步骤如下：S2.1、将变风量空调系统执行机构开度保持一定；S2.2、依据冷水机组压缩机开启的不同台数将不同工况的传感器稳态测量值的工况进行划分；S2.3、对于压差，在建模过程中基于其他传感器的测量值采用线性回归的方法建立原位校准传感器的模型，如式(1)和(2)所示；水侧压差模型Y
b，wDP
＝a1M2/F
w2
+a2M/F
w
+a3F
w2
ꢀꢀ
(1)空气侧压差模型Y
b，aDP
＝b1F
a2
+b2F
a
+b3ꢀꢀ
(2)其中，Y
b，wDP
为水侧压差，Y
b，aDP
为空气侧压差，M为水流量，F
w
为水泵频率，F
a
为风机频率，a1～a3为拟合系数，b1～b3为拟合系数；S2.4、对于温度，在建模过程中基于其他传感器的测量值采用反向传播神经网络的方法建立原位校准传感器的模型，如式(3)所示；温度模型Y
b，T
＝BP(M
v1
，M
v2
，...，M
vr
)
ꢀꢀ
(3)其中，Y
b，T
为温度，M
vr
为第r个其他温度传感器测量值，BP为反向传播神经网络模型；S3、建立原位校准传感器的目标函数，然后带入到贝叶斯定理中，具体步骤如下：...
【专利技术属性】
技术研发人员：赵天怡，李吉腾，王鹏，
申请(专利权)人：大连理工大学，
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。