一种基于气象典型日的暖通空调系统控制策略优化方法

技术领域

本申请涉及暖通空调运行控制技术领域，尤其涉及一种基于气象典型日的暖通空调系统控制策略优化方法。

背景技术

随着人口增加、工业的高速发展以及城镇化进程加速,全球能源消耗迅速增加。空调系统的能耗约占建筑总能耗的40-60％。然而，暖通空调系统运行策略普遍不够灵活，无法实时响应室外气象变化，往往造成能源和资金的浪费。

由于气象条件的变化会影响每日，甚至是每小时的能耗，若全年运行策略按小时计算优化会导致计算复杂度提高。因此，固定的采用全年性或季节性的暖通空调系统控制策略不再合适，探索考虑气象变化(室外温度、相对湿度等)的运行策略优化十分必要。亟需一种合适且灵活的暖通空调系统控制策略。

发明内容

本申请提供了一种基于气象典型日的暖通空调系统控制策略优化方法，其技术目的是气象典型日的暖通空调系统最优控制策略，并将控制策略应用于每个集群下的气象日，实现暖通空调系统运行优化及有效管理。

本申请的上述技术目的是通过以下技术方案得以实现的：

一种基于气象典型日的暖通空调系统控制策略优化方法，包括：

S1：采集气象数据，对气象数据进行预处理，再对预处理后的气象数据的时间序列进行聚类，得到全年气象典型日；

S2：在TRNSYS中建立模拟建筑模型，将气象条件数据、建筑信息、人员照明设备及暖通空调系统输入至该模拟建筑模型，并结合GenOpt中的PSO粒子群优化算法对最小化经济函数和热不适函数进行优化，得到最优条件下的设定点温度；其中，所述气象条件数据包括全年气象典型日数据；

S3：通过最优条件下的设定点温度对暖通空调系统进行控制。

进一步地，所述步骤S1包括：

S11：采用Z-Score标准化方法对气象数据的初始数据集D进行预处理，得到标准化后的数据集

S12：采用k-medians聚类方法进行聚类，得到k个簇，该k个簇的中心点即为全年气象典型日；

其中，Z-Score标准化方法表示为：

进一步地，所述步骤S12包括：

S121：从数据集

S122：对集群中数据项和中心点的欧式距离进行计算，同时对集群的中心点进行更换以使距离总和最小；

S123：重复步骤S122，直至中心点不再改变，最终得到k个簇，并将数据复原至非标准化数据，则该k个簇的中心点即为全年气象典型日。

进一步地，所述步骤S2包括：

S21：启动TRNSYS模拟程序，向模拟建筑模型输入气象条件数据、建筑信息、人员照明设备及暖通空调系统，并设置初始参数及设定点温度，输出文本文件；

S22：调用GenOpt，获取TRNSYS的输出文本文件并为命令文件中已经定义的控制变量分配一组初始值，然后生成一个新的输入文件；其中，新的输入文件包括TRNSYS的初始化文件、命令文件和配置文件；命令文件包括变量名称、初始值、边界、优化算法和优化设置；

S23：GenOpt对优化变量和目标函数进行读取，并在每个模拟周期后对目标函数值进行计算，将计算结果输出至TRNSYS，得到TRNSYS模拟输出文件；

S24：模拟建筑模型基于模拟输出文件生成新的目标函数值；

S25：GenOpt的PSO粒子群优化算法对新的目标函数值是否为最优进行判断，若是则结束优化，获取最优条件下的设定点温度，否则转至步骤S23继续进行优化；

其中，目标函数包括最小化经济函数和热不适函数。

进一步地，所述建筑信息、人员照明设备及暖通空调系统包括建筑不透明围护结构、玻璃建筑材料、暖通空调系统和照明系统的类型和规格以及人员设备的负荷。

进一步地，所述气象数据包括室外逐时气象数据，所述室外逐时气象数据包括室外气温、室外相对湿度、水平面上的总太阳辐射和风速；所述室外逐时气象数据来源于安装在项目建筑暖通空调机房内安装的温度传感器和湿度传感器。

本申请的有益效果在于：本申请通过在气象典型日模拟暖通空调系统运行，优化设定点温度，以最大限度地降低制冷能耗成本，同时保持居住者的热舒适度，实现暖通空调系统每日的最优运行策略。同时，根据聚类气象典型日的每日优化结果计算年度暖通制冷能耗成本，然后将获得的能源成本和热舒适水平与从恒定设定点温度基线获得的能源成本和热舒适水平进行比较，将最优运行策略应用于各个集群下的气象日。本发明提出的方法很容易扩展应用到具体建筑类型、位置和气候的其他案例研究，有较好的实际工程应用前景。

附图说明

图1为本申请所述方法的流程图；

图2为k-medians聚类方法的流程图；

图3为基于GenOpt和TRNSYS的暖通空调系统控制策略优化方法流程图。

具体实施方式

下面将结合附图对本申请技术方案进行详细说明。

如图1所示，本申请所述的基于气象典型日的暖通空调系统控制策略优化方法，包括：

S1：采集气象数据，对气象数据进行预处理，再对预处理后的气象数据的时间序列进行聚类，得到全年气象典型日；

S2：在TRNSYS中建立模拟建筑模型，将气象条件数据、建筑信息、人员照明设备及暖通空调系统输入至该模拟建筑模型，并结合GenOpt中的PSO粒子群优化算法对最小化经济函数和热不适函数进行优化，得到最优条件下的设定点温度；其中，所述气象条件数据包括全年气象典型日数据；

S3：通过最优条件下的设定点温度对暖通空调系统进行控制。

作为具体实施例地，所述步骤S1包括：

S11：采用Z-Score标准化方法对气象数据的初始数据集D进行预处理，得到标准化后的数据集

具体地，Z-Score标准化方法表示为：

S12：采用k-medians聚类方法进行聚类，得到k个簇，该k个簇的中心点即为全年气象典型日。

所述步骤S12如图2所示，包括：

S121：从数据集

S122：对集群中数据项和中心点的欧式距离进行计算，同时对集群的中心点进行更换以使距离总和最小；

S123：重复步骤S122，直至中心点不再改变，最终得到k个簇，并将数据复原至非标准化数据，则该k个簇的中心点即为全年气象典型日。

所述步骤S2如图3所示，包括：

S21：启动TRNSYS模拟程序，向模拟建筑模型输入气象条件数据、建筑信息、人员照明设备及暖通空调系统，并设置初始参数及设定点温度，输出文本文件。

S22：调用GenOpt，获取TRNSYS的输出文本文件并为命令文件中已经定义的控制变量分配一组初始值，然后生成一个新的输入文件；其中，新的输入文件包括TRNSYS的初始化文件、命令文件和配置文件；命令文件包括变量名称、初始值、边界、优化算法和优化设置。

S23：GenOpt对优化变量和目标函数进行读取，并在每个模拟周期后对目标函数值进行计算，将计算结果输出至TRNSYS，得到TRNSYS模拟输出文件。

具体地，所采用的优化方法实现最优控制涉及两个目标：最小化经济函数和热不适函数，分别表示24小时暖通空调系统的运行成本，用EC($)表示；在工作时间内热不满意居住者占据的最大预测百分比，用PPDmax(％)表示。GenOpt从TRNSYS模拟输出文件中识别EC和PPDmax值，选定的优化算法就会更新下一个TRNSYS模拟的控制变量值。迭代地重复整个优化过程，直到满足标准停止。

S24：模拟建筑模型基于模拟输出文件生成新的目标函数值。

S25：GenOpt的PSO粒子群优化算法对新的目标函数值是否为最优进行判断，若是则结束优化，获取最优条件下的设定点温度，否则转至步骤S23继续进行优化。

具体地，在PSO算法中，每个候选解称为一个“粒子”。首先从一些称为“一代”的粒子开始搜索。进一步的，每个粒子都会将其位置更改为另一个点，与之前的迭代相比，该点会产生较低的目标函数值。同时，粒子向其附近最佳位置移动，以达到最优值。

所采用的优化方法通过最小化24小时范围内的EC和PPDmax，约束得到每小时的冷却设定点温度，并生成出暖通空调系统的每日最优运行策略，以实现最小化能耗，对建筑中央空调冷却系统运行进行最佳控制。

最终得到不同气候典型日下暖通空调系统逐时最优控制策略，即每小时温控器设定点温度，将每个代表日的每日制冷操作的最佳策略应用于其相应集群的所有气象日。

本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。