制冷站系统负荷和能效比改进T-S模糊模型构建

制冷站具有非线性、强耦合等特点,导致传统机理的建模面临困难。为实现系统节能优化控制,并改善模型在线修正和移植性能,提出一种基于改进Takagi-Sugeno(T-S)模糊模型的制冷站负荷和能效比动态建模方法,前件结构辨识设计改进天牛须搜索算法,以改善模糊C-均值聚类方法对初值敏感和易陷入局部最优的问题;为实现非线性模型辨识,并降低现场测试数据噪声的影响,设计自适应扩展卡尔曼滤波算法实现模型后件参数辨识和在线修正。实验结果表明,所建立的负荷和能效比预测模型在广州某建筑上运行时,相对误差分别为0.63%和1.49%;使用广州市另一座建筑的数据进行模型可移植性验证,经过500步在线训练,新模型成功收敛,证明所构建模型具备良好的可移植性和适应性。

基于负荷预测的冷冻站系统非线性预测控制

我国建筑能耗约占社会总能耗的30%,其中集中式暖通空调系统能耗约占一半以上.为提高节能效率,本文提出基于负荷预测的空调冷冻站系统神经网络预测控制策略.本文采用神经网络作为优化反馈控制器,将满足负荷需求和系统能效比需求作为优化目标,将变分法和随机梯度下降法相结合,对神经网络权值进行滚动优化,既能解决传统变分法由开环控制引发的对随机干扰和不确定性敏感的问题,又可避免基于动态规划的非线性优化算法的"维数灾"问题.本文以北京某国企科研楼的空调系统为研究对象,实验结果表明,本文所提出的神经网络预测控制策略与PID控制算法相比,系统总能耗节省约8.57%,并且在控制过程中能够克服各种变化和不确定性因素的影响,具有更好的动态和稳态性能,且该算法占用存储空间适中、计算量小,易于工程实现.

基于扩展卡尔曼滤波的T⁃S模糊模型建模方法

冷冻站系统设备和回路众多,且具有非线性、强耦合、大滞后等特点,机理建模困难。为满足冷冻站系统智能控制需要,提出基于扩展卡尔曼滤波的Takagi⁃Sugeno(T⁃S)模糊模型建模方法,构建了系统负荷预测模型和能效比预测模型。首先采用模糊C⁃均值聚类算法得到样本的聚类中心和聚类半径,进而计算出模糊规则的隶属度函数,完成结构辨识;为解决模型参数辨识中传统方法效率较低的问题,采用扩展卡尔曼滤波算法进行模糊模型后件参数修正,以辨识系统非线性动态特性,同时提升建模效率,为后期模型参数在线修正打下基础。文中采用上述方法对北京市某公共建筑冷冻站系统建模,实验结果表明,所建立的负荷预测模型和能效比预测模型精度较高,相对误差分别是2.75%和2.25%,满足工业控制模型精度要求。

基于强化学习的地铁站空调系统节能控制

地铁站空调系统能源消耗较大,传统控制方法无法兼顾舒适性和节能问题,控制效果不佳,且目前地铁站空调控制系统均是对风系统和水系统单独控制,无法保证整个系统的节能效果.鉴于此,提出基于强化学习的空调系统节能控制策略.首先,采用神经网络建立空调系统模型,作为离线训练智能体的模拟环境,以解决无模型强化学习方法在线训练收敛时间长的问题;然后,为了提升算法效率,同时针对地铁站空调系统多维连续动作空间的特点,提出基于多步预测的深度确定性策略梯度算法,设计智能体框架,将其用于与环境模型进行交互训练;此外,为了确定最佳的训练次数,设置了智能体训练终止条件,进一步提升了算法效率;最后,基于武汉某地铁站的实测运行数据进行仿真实验,结果表明,所提出控制策略具有较好的温度跟踪性能,能够保证站台舒适性,且与目前实际系统相比能源节省约17.908%.