一种冷热系统的温湿度控制方法、装置及介质与流程

本发明涉及冷热系统控制，并且更具体地，涉及一种冷热系统的温湿度控制方法、装置及介质。

背景技术：

1、冷热系统常见于工业、民用等诸多领域，类似空调系统、烘干系统、冷冻系统等。在诸多冷热系统运行中，通常需要控制系统来控制冷热系统的工作温度或目标温度，如空调系统中可以通过调节给回水温度来实现温度控制，暖气系统中可以通过调节燃气供应速度来实现温度控制等。

2、但是由于物理系统中冷热传输的强非线性和多影响因素导致的系统复杂性，想要精准控制系统的目标温度通常非常困难。目前冷热系统普遍存在“大马拉小车”的现象，造成较大的能源浪费。

3、大型冷库、汽车生产工厂等诸多领域都存在冷热控制系统。不同类型和厂家的空调主机的控制参数不同。

4、在中央空调制冷（制热）物理系统中，主机的冷热负荷与诸多因素相关，比如室外温度、湿度、建筑内人员散热、设备散热等。主机的冷热负荷也会随着这些因素变化而波动。在那些需要需要精准控制环境温湿度的应用场景中（如医院、半导体车间、汽车涂装车间、通信基站等），温湿度的波动通?；岫韵低吃诵性斐山洗蟮牟焕跋?。

5、目前许多建筑中的中央空调系统主要依赖于人工手动调节主机的工作状态，人工手动可以调节的物理量包括：压缩机蒸发压力和冷凝压力、蒸发温度和冷凝温度、主机进水温度和出水温度（以下称给回水温度，也即给水回水的温差）。大多数时候，无法随着室外气象条件、室内人员（会散热）数量、设备（会散热）数量等动态变化而实时调节主机负荷。另一方面，为了满足极限条件下物理系统的冷热负荷，一般主机的负载都会设置在接近极限值（通常为最大值，满足最大供热量或最大供冷量），这样会造成“大马拉小车”的现象，造成较大的能源浪费。

6、在其他领域也存在类似的情况。在不同环境和应用场景中，控制系统的调节和校准通常需要消耗较多的资源。由于控制模型的缺失，很多场景都是依赖于技术人员的经验，且控制效果也较为一般。

7、中国发明专利cn104359195a提出了一种基于动态响应末端总负荷变化的中央空调冷冻水控制方法，通过实时计算末端设备的负荷，根据当前冷冻水和冷却水的温度实现供冷量的智能控制从而达到动态响应实时调控的目的。具体地，该基于动态响应末端总负荷变化的中央空调冷冻水控制方法，采用被动控制的方式进行控制，其原理是基于消费端的反馈，计算末端设备的负荷来调节供应端的供应，这样的控制方法在面对时滞小、反馈快的系统时具有较好的效果，但是对于大型建筑，实时的反馈调整通常需要一段时间才能影响到末端系统，控制目标和真实目标通?；岽嬖诓罹?。

8、中国发明申请cn111043731a提供了一种基于天气预报的空调系统调节方法，此专利将气象预测信息使用置信度判断的方法，在判断室外气象预测数据可用时，再计算之后一段时间内的空调系统的冷负荷，进而根据负荷和机组的整体功率调节控制策略，并生成针对空调系统的控制时间进程表用以控制机组运行从而达到节能目标。该基于天气预报的空调系统调节方法，属于基于预测的控制，但是存在两个问题。第一是没有考虑到冷热系统的复杂性。在一些复杂场景中，冷热系统的负荷会受到气象、设备、供应端效率、设备匹配程度等诸多因素影响，而建立这样一个复杂系统的控制模型是传统的时间序列方法无法完成的。第二是没有考虑到预测系统失稳时控制系统的鲁棒性，一旦预测系统出现偏差，控制系统没有自我调节的能力便会出现较大的控制偏差。

9、为此，急需提供新的技术方案，实现供冷量或供热量的智能控制，达到动态响应实时调控的目的。

技术实现思路

1、针对现有技术的不足，本发明提供一种冷热系统的温湿度控制方法、装置及介质。

2、根据本发明的一个方面，提供了一种冷热系统的温湿度控制方法，包括：

3、基于神经网络对采集冷热系统预定历史时间周期内的多个目标特征数据进行训练，生成冷热系统温湿度预测模型；

4、将采集的预测时间段之前预设时间长度的目标特征时序数据输入至冷热系统温湿度预测模型中，确定预测时间段内的预测温湿度时序数据；

5、根据预测温湿度时序数据，确定预测时间段内的控制参数时序数据，其中控制参数时序数据包括：表冷阀门的开度时序数据、燃烧阀门的开度时序数据、加热阀门的开度时序数据、加湿阀门的开度时序数据；

6、利用预设的优化算法对控制参数时序数据进行寻优，确定预测时间段内的最优控制参数，并根据最优控制参数，确定预测时间段内的目标温湿度时序数据；

7、根据预测温湿度时序数据和目标温湿度时序数据，计算优化目标，迭代将目标温湿度时序数据输入至冷热系统温湿度预测模型中，直至优化目标满足预设的约束条件，输出最优控制参数；

8、根据最优控制参数在预测时间段内对冷热系统进行温湿度控制。

9、可选地，基于神经网络对采集冷热系统预定历史时间周期内的多个目标特征数据进行训练，生成冷热系统温湿度预测模型，包括：

10、采集冷热系统预定历史时间周期内的多个目标特征数据，其中目标特征数据包括：室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、末端风机工作频率、室内温度以及室内湿度；

11、将多个目标特征数据与室内温度和室内湿度进行皮尔逊相关性分析，确定冷热系统温湿度预测模型所需的输入目标特征数据，其中输入目标特征数据包括：室外温度、室外湿度、太阳照度、表冷阀门的开度、加湿阀门的开度、加热阀门的开度、燃烧阀门的开度、进水或回水温度、室内温度以及室内湿度；

12、将输入目标特征数据进行标准化处理，确定输入标准化特征数据；

13、基于神经网络对输入标准化特征数据、室内温度和室内湿度进行训练，生成冷热系统温湿度预测模型。

14、可选地，采集冷热系统预定历史时间周期内的多个目标特征数据，包括：

15、根据预设的采集密度函数，采集冷热系统预定历史时间周期内的多个目标特征数据，其中采集密度函数满足相邻两次采集点各自对应的目标特征之间的变化幅度小于其特征极差的1%，公式如下：

16、

17、上式中， t为目标特征数据， i和 i+1用于指示相邻的两个采集点对应的时刻， n为采集点的总数量，为特征极差。

18、可选地，基于神经网络对输入标准化特征数据、室内温度和室内湿度进行训练，生成冷热系统温湿度预测模型，包括：

19、根据冷热系统的热传导公式，确定冷热系统的温湿度变化的滞后时间；

20、根据滞后时间对输入标准化特征数据、室内温度和室内湿度进行划分，确定训化样本集；

21、基于神经网络对训化样本集进行训练，生成冷热系统温湿度预测模型。

22、可选地，优化目标为预测温湿度时序数据与目标温湿度时序数据的差的平方和。

23、根据本发明的另一个方面，提供了一种冷热系统的温湿度控制装置，包括：

24、训练?？?，用于基于神经网络对采集冷热系统预定历史时间周期内的多个目标特征数据进行训练，生成冷热系统温湿度预测模型；

25、第一确定?？?，用于将采集的预测时间段之前预设时间长度的目标特征时序数据输入至冷热系统温湿度预测模型中，确定预测时间段内的预测温湿度时序数据；

26、第二确定?？?，用于根据预测温湿度时序数据，确定预测时间段内的控制参数时序数据，其中控制参数时序数据包括：表冷阀门的开度时序数据、燃烧阀门的开度时序数据、加热阀门的开度时序数据、加湿阀门的开度时序数据；

27、寻优?？?，用于利用预设的优化算法对控制参数时序数据进行寻优，确定预测时间段内的最优控制参数，并根据最优控制参数，确定预测时间段内的目标温湿度时序数据；

28、迭代?？?，用于根据预测温湿度时序数据和目标温湿度时序数据，计算优化目标，迭代将目标温湿度时序数据输入至冷热系统温湿度预测模型中，直至优化目标满足预设的约束条件，输出最优控制参数；

29、控制?？?，用于根据最优控制参数在预测时间段内对冷热系统进行温湿度控制。

30、根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

31、根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

32、从而，本技术基于神经网络进行冷热系统温湿度预测模型的训练和和建立基于数据驱动，降低了建立复杂模型的难度?；诘玫降睦淙认低澄率仍げ饽Ｐ徒⒒诶淙认低车目刂葡低?，旨在在有限时间内寻找一个开环优化问题的最优解，其结合神经网络模型能够有较好的鲁棒性，可以有效降低神经网络模型的不稳定性给控制系统带来的影响?？梢允迪衷诟丛永淙认低车奈率染伎刂?。