基于大数据云平台的集中空调系统智能优化控制方法及装置与流程

本发明涉及空调技术领域，尤其涉及一种基于大数据云平台的集中空调系统智能优化控制方法及装置。

背景技术：

根据《中国建筑能耗研究报告(2018年)》，2016年，中国建筑能源消费总量为8.99亿吨标准煤，占全国能源消费总量的20.6％；其中大型公共建筑的年能耗水平是普通公共建筑的1–3倍，居住建筑的3–4倍。而大型公共建筑中很大部分能耗源于集中空调系统，因此，如何降低公共建筑中的空调能耗是我国节能减排工作的重要内容。在空调系统的设计中，通常根据设计的最大冷、热负荷来确定空调主机、水泵的选型，这导致空调系统大部分时间处于部分负荷工况下运行，这无疑造成大量的能量浪费。因此，很有必要对集中空调系统进行实时优化控制，解决“大马拉小车”的能量浪费问题。

经对现有技术的文献检索发现，中国专利(申请)号为201610017501，名称为“一种集中空调节能控制系统及其控制策略”的发明专利，该发明所述的控制策略根据房间负荷变化直接指导系统调控，根据房间温度的变化计算房间负荷波动，转化为实时风量调节量、实时冷冻水流量调节量、实时冷却水流量调节量，供回水温差控制模式为维护系统正常运行的监控手段。该发明基于负荷的系统反馈控制，无法实现系统的优化节能控制。中国专利(申请)号为03249625，名称为“中央空调系统节能控制装置”的发明专利，该发明主要通过变频器根据用户端需求实时调节冷却水泵、冷冻水泵和冷却塔风机的运行工况，以实现集中空调系统的节能控制。但这种优化节能控制装置忽略了制冷机组运行工况对整个系统的能耗影响，只以系统的局部节能为目标，无法实现集中空调系统全局性节能目标，这势必降低其节能控制效果。中国专利(申请)号为200810035560.5，名称为“基于模型的集中空调系统全局优化节能控制方法及装置”的发明专利，该发明以制冷机组、水泵和风机的能耗模型以及arma空调负荷预测模型为基础，根据计算模型计算得到各能耗设备的优化节能运行工况，使整个系统在最节能的状况下运行。但该发明专利并没有考虑风系统能耗，因此，严格意义上讲，并不能称为全局优化节能控制。另外，系统优化节能运行工况是基于能耗部件的特定物理模型，而物理模型和实际系统存在较大误差，从而导致系统优化节能控制模型失效。

因此，本领域的技术人员致力于开发一种基于大数据云平台的集中空调系统智能优化控制方法及装置，目的在于克服已有技术的不足和缺陷，提供一种基于大数据云平台的集中空调系统智能优化控制方法及装置，利用当前高速发展的网络资源共享技术和大数据技术实现多个不同集中空调系统关键部件模型智能学习和远程在线优化节能控制，不仅节约系统管理的人力资源，而且还能有效提高现有集中空调系统的运行能效。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何克服已有技术的不足和缺陷，提供一种基于大数据云平台的集中空调系统智能优化控制方法及装置，利用当前高速发展的网络资源共享技术和大数据技术实现多个不同集中空调系统关键部件模型智能学习和远程在线优化节能控制，既节约系统管理的人力资源，又有效提高现有集中空调系统的运行能效。

为实现上述目的，本发明提供了一种基于大数据云平台的集中空调系统智能优化控制装置，包括数据传输模块、服务器数据平台、空气温湿度传感器、空调箱水阀开度传感器、水温度传感器、水流量/水流速传感器、电功率传感器、空调箱水阀控制器、变频控制器、制冷机组供水温度控制器，所述数据传输模块包括数据滤波模块、数据i/o接口输入端、数据i/o接口输出端、rs485通讯接口、4g/5g通讯接口、wan通讯接口、电源、数据连接端口，所述数据滤波模块的输出端口与所述数据i/o接口输入端相连，所述数据i/o接口输入端、数据i/o接口输出端、rs485通讯接口分别通过所述数据连接端口和所述4g/5g通讯接口及所述wan通讯接口相连，所述数据滤波模块的输入端口和所述空气温湿度传感器、空调箱水阀开度传感器、水温度传感器、水流量/水流速传感器、电功率传感器的输出信号线分别相连，所述数据i/o接口输出端和所述空调箱水阀控制器的输入端相连，所述rs485通讯接口和所述变频控制器、制冷机组供水温度控制器相连，所述4g/5g通讯接口通过无线网络和所述服务器数据平台相连，所述wan通讯接口通过有线网络和所述服务器数据平台相连。

进一步地，所述空气温湿度传感器包括环境空气温湿度传感器、空调箱换热器进风空气温湿度传感器、空调箱换热器出风空气温湿度传感器、空调箱换热器回风空气温湿度传感器，所述环境空气温湿度传感器安装在室外，用于监测环境空气温湿度，所述空调箱换热器进风空气温湿度传感器安装在空调箱换热器进风处，所述空调箱换热器出风空气温湿度传感器安装在空调箱换热器出风处，所述空调箱换热器回风空气温湿度传感器安装在空调箱换热器回风管道上，所述空调箱换热器进风空气温湿度传感器、空调箱换热器出风空气温湿度传感器、空调箱换热器回风空气温湿度传感器的数量与空调箱数量一致。

进一步地，所述水温度传感器包括制冷机组冷凝器进水温度传感器、制冷机组冷凝器出水温度传感器、制冷机组蒸发器进水温度传感器、制冷机组蒸发器出水温度传感器、空调箱进水温度传感器、空调箱出水温度传感器，所述制冷机组冷凝器进水温度传感器和制冷机组冷凝器出水温度传感器分别安装在制冷机冷凝器进水管道和出水管道上，所述制冷机组蒸发器进水温度传感器和制冷机组蒸发器出水温度传感器分别安装在制冷机蒸发器进水管道和出水管道上，所述空调箱进水温度传感器和空调箱出水温度传感器分别安装在空调箱换热器进水管道和出水管道上，所述制冷机组冷凝器进水温度传感器、制冷机组冷凝器出水温度传感器、制冷机组蒸发器进水温度传感器、制冷机组蒸发器出水温度传感器的数量与制冷机组数量一致，所述空调箱进水温度传感器、空调箱出水温度传感器的数量与空调箱数量一致。

进一步地，所述水流量/水流速传感器包括冷冻水泵水流量/水流速传感器、空调箱水流量/水流速传感器，所述冷冻水泵水流量/水流速传感器安装在冷冻水泵出水管道上，所述空调箱水流量/水流速传感器安装在空调箱换热器进水管道上，所述冷冻水泵水流量/水流速传感器的数量与冷冻水泵数量一致，所述空调箱水流量/水流速传感器的数量与空调箱数量一致。

进一步地，所述电功率传感器包括冷却塔风机电功率传感器、冷却水泵电功率传感器、制冷机组电功率传感器、冷冻水泵电功率传感器、空调箱风机电功率传感器，所述冷却塔风机电功率传感器、冷却水泵电功率传感器、制冷机组电功率传感器、冷冻水泵电功率传感器、空调箱风机电功率传感器分别安装在冷却塔风机、冷却水泵、制冷机组、冷冻水泵、空调箱风机的供电线路上，所述冷却塔风机电功率传感器、冷却水泵电功率传感器、制冷机组电功率传感器、冷冻水泵电功率传感器、空调箱风机电功率传感器的数量分别与冷却塔、冷却水泵、制冷机组、冷冻水泵、空调箱数量一致。

本发明还提供了一种基于大数据云平台的集中空调系统智能优化控制装置的控制方法，所述方法包括以下步骤：

步骤1、由空气温湿度传感器、空调箱水阀开度传感器、水温度传感器、水流量/水流速传感器、电功率传感器获得相应数据，经过数据滤波模块进行硬件滤波处理后，依次通过数据i/o接口输入端、数据连接端口，经4g/5g通讯接口或wan通讯接口，送入至服务器数据平台中；

步骤2、服务器数据平台中装有数据预处理程序，该程序采用滤波方法和数据规约方法对采集的数据进行预处理；

步骤3、基于预处理后的数据，利用支持向量学习机对系统所有动力设备进行能耗性能模型辨识，所述能耗性能模型辨识包括制冷机组性能系数模型、冷却水泵功率模型、冷冻水泵功率模型、冷却塔风机功率模型和空调箱风机功率模型、空调箱换热器换热模型；

步骤4、以步骤3所建模型为基础，建立以空调系统总体能耗最低为优化目标并保证用户端用冷需求的全局优化模型，利用生物进化算法对优化模型进行求解；

步骤5、根据制冷机组冷冻水进、出水温度和冷冻水流量的历史数据，利用自回归滑动平均空调负荷预测模型获得未来时刻用户端空调冷量需求，然后根据步骤4所建的集中空调系统全局优化模型和基于生物进化算法的优化模型求解器，获得系统优化节能运行工况，所述系统优化节能运行工况包括冷却塔风机运行频率、冷却水泵运行频率、制冷机组蒸发器出水设定温度、各空调箱换热器进水阀门开度、各空调箱风机运行频率；

步骤6、各空调箱换热器进水阀门开度的优化值依次通过4g/5g通讯接口或wan通讯接口，经数据连接端口、数据i/o接口输出端送入至各空调箱水阀控制器中，同时，各空调箱风机运行频率、冷却塔风机运行频率、冷却水泵运行频率、制冷机组蒸发器出水设定温度的优化参数值，分别依次通过4g/5g通讯接口或wan通讯接口，经数据连接端口和rs485通讯接口送入至空调箱风机变频控制器、冷却塔风机变频控制器、冷却水泵变频控制器、冷冻水泵变频控制器和制冷机组供水温度控制器中，实现集中空调系统全局优化节能运行控制。

进一步地，所述步骤3中能耗性能模型辨识的具体描述为：

制冷机组性能系数copchiller表示成：

copchiller＝f(tenv,a,φenv,a,ftower,fan,fcooling,wpump,tchilledw,sup,tchilledw,return,gchilledw)

式中，tenv,a为室外环境空气温度，φenv,a为室外环境空气湿度，ftower,fan为冷却塔风机频率，fcooling,wpump为冷却水泵频率，tchilledw,sup为蒸发器出水温度，tchilledw,return为蒸发器回水温度，gchilledw为蒸发器水流量；

冷却塔风机功率ntower,fan表示成冷却塔风机频率ftower,fan的函数，即：

ntower,fan＝f(ftower,fan)

冷却水泵功率ncooling,wpump表示成冷却水泵频率fcooling,wpump的函数，即：

ncooling,wpump＝f(fcooling,wpump)

在定压设定工况下，冷冻水泵功率nchilled,wpump表示成冷冻水泵流量gchilled,wpump的函数，即：

nchilled,wpump＝f(gchilled,wpump)

在定压设定工况下，冷冻水泵的运行频率表示成冷冻水泵流量gchilled,wpump的函数，即：

fchilled,wpump＝f(gchilled,wpump)

空调箱风机功率nahu,fan表示成空调箱风机频率fahu,fan的函数，即：

nahu,fan＝f(fahu,fan)

空调箱换热器换热量qahu表示成空调箱换热器进风温度tahu,in,air、空调箱换热器进风湿度φahu,in,air、空调箱风机频率fahu,fan、空调箱换热器进水温度tahu,in,water和空调箱换热器水流量gahu,water的函数：

qahu＝f(tahu,in,air,φahu,in,air,fahu,fan,tahu,in,water,gahu,water)

由于冷冻水系统的供水压力保持稳定，空调箱换热器水阀开度kahu,valve表示成空调箱换热器水流量gahu,water的函数：

kahu,valve＝f(gahu,water)。

进一步地，所述步骤4中的优化模型具体描述为：

假设集中空调系统有m台制冷机组、p台冷却水泵、k台冷冻水泵、j台冷却塔和r台空调箱运行，则：

其中，

ncooling,wpump,p＝f(fcooling,wpump,p)p∈[1,p]

nchilled,wpump,k＝f(gchilled,wpump,k)k∈[1,k]

ntower,fan,j＝f(ftower,fan,j)j∈[1,j]

nahu,fan,r＝f(fahu,fan,r)r∈[1,r]

约束关联式：

fcooling,wpump,min≤fcooling,wpump,p≤fcooling,wpump,maxp∈[1,p]

fchilled,wpump,min≤fchilled,wpump,k≤fchilled,wpump,maxk∈[1,k]

fahu,fan,min≤fahu,fan,r≤fahu,fan,maxr∈[1,r]

gahu,water.min≤gahu,water.r≤gahu,water.maxr∈[1,r]

tchilledw,sup,min≤tchilledw,sup,m≤tchilledw,sup,maxm∈[1,m]

qahu＝f(tahu,in,air,φahu,in,air,fahu,fan,tahu,in,water,gahu,water)≥qahu，demand

式中，下标“min”为优化参数的下限值，下标“max”为优化参数的上限值，qo,demand为空调总负荷需求，根据制冷机组冷冻水进、出水温度和冷冻水流量的历史数据，利用自回归滑动平均空调负荷预测模型获得；qahu,demand为各空调箱局部负荷需求，根据各空调箱冷冻水进、出水温度和冷冻水流量的历史数据，利用自回归滑动平均空调负荷预测模型获得。

进一步地，所述步骤4中的所述生物进化算法包括优化算法为粒子群算法、遗传算法、差分进化算法、免疫算法、蚁群算法、模拟退火算法、禁忌搜索算法和随机搜索算法。

进一步地，由所述优化模型计算得到的各空调箱换热器优化水流量利用空调箱换热器水阀开度kahu,valve和空调箱换热器水流量gahu,water之间的关系式kahu,valve＝f(gahu,water)，映射得到各空调箱水阀优化开度kahu,valve；同时，利用和fchilled,wpump＝f(gchilled,wpump)，映射得到冷冻水泵的优化运行频率fchilled,wpump。

本发明的有益技术效果为：

本发明全面考虑了集中空调系统各动力设备(包括制冷机组、冷却塔、冷却水泵、冷冻水泵和各空调箱(ahu))的运行工况对整个系统能耗的影响，以“全局优化节能”替代当前的“局部优化节能”，进一步提升集中空调系统优化节能效果。采用大数据平台和人工智能算法，大大提高了系统动力设备的能耗模型或性能模型的精度，从而使优化模型更加精准有效，同时，采用生物进化算法对高维优化模型进行求解，有效提高了优化计算效率，为实现大型集中空调系统的在线优化提供了必要条件。采用当前成熟的网络技术，实现数据的云端存储和远程传输，将有效提高集中空调系统的管理效率，节约大量的空调系统管理人力资源，从而为空调系统管理部门节约运维成本。

附图说明

图1是本发明的一个较佳实施例的方法流程图；

图2是本发明的一个较佳实施例的装置结构示意图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

如图1所示，本发明由数据采集、数据预处理、基于智能学习算法的动力设备能耗模型辨识、基于生物进化算法的优化节能工况计算和优化计算工况反馈五个过程组成，各过程的主要技术方案论述如下。

一、数据采集：

采用专门用于将串口数据转换为ip数据或将ip数据转换为串口数据，并通过无线通信网络传送的无线终端设备(datatransferunit，dtu)进行的，即数据平台通过dtu模块获取集中空调系统运行时的相关参数，这些参数均由无线传感器测量得到，主要包括冷却塔风机风量传感器、冷却塔风机电能传感器、冷却水泵电能传感器、冷却水泵流量传感器、制冷机组冷凝器进水温度、制冷机组冷凝器出水温度、制冷机组电量传感器、制冷机组蒸发器出水温度传感器、制冷机组蒸发器回水温度传感器、冷冻水泵电能传感器、冷冻水泵流量传感器、ahu进水流量传感器、ahu进水温度传感器、ahu出水温度传感器、ahu进风温-湿度传感器、ahu送风温-湿度传感器和ahu回风温-湿度传感器。

二、数据预处理：

采用数据滤波方法(即去除异常数据)和数据规约方法(即通过如聚集、删除冗余特征或聚类来降低数据的规模)对采集的数据进行预处理，以提高数据有效性，保证高质量的后续大数据学习效果。

三、基于智能学习算法的动力设备能耗模型辨识：

集中空调系统各动力设备的能耗模型或性能模型是实现系统优化控制的基础，为获得高精度动力设备能耗模型或性能模型，需采用大数据智能辨识技术。目前，常用的智能辨识技术主要有神经网络和支持向量学习机。神经网络是基于传统统计学的基础上的，而传统统计学研究的内容是样本无穷大时的渐进理论，即当样本数据趋于无穷多时的统计性质，而实际问题中样本数据往往是有限的。与神经网络相比，支持向量机方法具有更坚实的数学理论基础，可以有效地解决有限样本条件下的高维数据模型构建问题，并具有泛化能力强、收敛到全局最优、维数不敏感等优点。因此，本发明专利采用支持向量学习机(svr)对集中空调系统各动力设备的能耗模型进行在线辨识，为保证模型的精度及可靠性，选用能很好地处理输入与输出变量之间复杂的非线性关系的高斯径向基(radialbasisfunction，rbf)函数作为svr核函数，根据相应的输入、输出数据，建立集中空调系统关键动力设备能耗模型或性能模型，包括制冷机组性能系数模型，冷却水泵能耗模型，冷却塔风机能耗模型，冷冻水泵能耗模型，ahu风机能耗模型和ahu换热器换热模型。

四、基于生物进化算法的优化节能工况计算：

基于系统各设备能耗模型以及它们之间的耦合关联关系，建立集中空调系统全局优化节能运行工况模型，利用生物进化算法(包括优化算法为粒子群算法、遗传算法、差分进化算法、免疫算法、蚁群算法、模拟退火算法、禁忌搜索算法和随机搜索算法)对优化模型进行求解，得到集中空调系统优化节能运行工况，使系统在满足空调负荷需求的前提下，所有动力设备的总能耗最小。

五、优化计算工况反馈：

和数据采集一样，数据平台通过dtu模块将优化节能工况参数返回给空调控制系统，实现基于云服务平台的集中空调系统优化节能控制。

如图1所示，本发明控制方法基本操作流程如下：

第一步，由各种传感器(包括环境空气温-湿度传感器、空调箱(ahu)换热器进口空气温-湿度传感器、空调箱(ahu)换热器出口空气温-湿度传感器、空调箱(ahu)水阀开度传感器、制冷机组冷凝器进水温度传感器、制冷机组冷凝器出水温度传感器、制冷机组蒸发器进水温度传感器、制冷机组蒸发器出水温度传感器、空调箱(ahu)进水温度传感器、空调箱(ahu)出水温度传感器、冷冻水泵水流量/水流速传感器、空调箱(ahu)水流量/水流速传感器、冷却塔风机电功率传感器、冷却水泵电功率传感器、制冷机组电功率传感器、冷冻水泵电功率传感器和空调箱(ahu)风机电功率传感器)获得相应数据，经过滤波模块进行硬件滤波处理后，依次通过数据i/o接口输入端、数据连接端口和4g/5g通讯接口或wan通讯接口，送入至服务器数据平台中。

第二步，服务器数据平台中装有数据预处理程序，该程序采用滤波方法(即去除异常数据)和数据规约方法(即通过如聚集、删除冗余特征或聚类来降低数据的规模)对采集的数据进行预处理。

第三步，基于预处理后的数据，利用支持向量学习机对系统所有动力设备能耗模型进行辨识，包括制冷机组性能系数模型、冷却水泵功率模型、冷冻水泵功率模型、冷却塔风机功率模型和空调箱(ahu)风机功率模型。

第四步，以第三步所建模型为基础，建立以空调系统总体能耗最低为优化目标并保证用户端用冷需求的全局优化模型，利用生物进化算法(包括但不限于优化算法为粒子群算法、遗传算法、差分进化算法、免疫算法、蚁群算法、模拟退火算法、禁忌搜索算法和随机搜索算法)对优化模型进行求解。

第五步，根据制冷机组冷冻水进、出水温度和冷冻水流量的历史数据，利用自回归滑动平均(arma)空调负荷预测模型获得未来时刻用户端空调冷量需求，然后根据第四步所建的集中空调系统全局优化模型和基于生物进化算法的优化模型求解器，获得系统优化节能运行工况，包括冷却塔风机运行频率、冷却水泵运行频率、制冷机组蒸发器出水设定温度、各空调箱(ahu)换热器进水阀门开度、各空调箱(ahu)风机运行频率。

第六步，各空调箱(ahu)换热器进水阀门开度的优化值依次通过4g/5g通讯接口或wan通讯接口、数据连接端口和数据i/o接口输出端送入至各空调箱(ahu)水阀控制器中，同时，其他优化参数值，包括各空调箱(ahu)风机运行频率、冷却塔风机运行频率、冷却水泵运行频率、制冷机组蒸发器出水设定温度，分别依次通过4g/5g通讯接口或wan通讯接口、数据连接端口和rs485通讯接口送入至空调箱(ahu)风机变频控制器、冷却塔风机变频控制器、冷却水泵变频控制器、冷冻水泵变频控制器和制冷机组供水温度控制器中，实现集中空调系统全局优化节能运行控制。

如图2所示，为实现本发明控制方法，本发明提供基于大数据云平台的集中空调系统智能优化控制装置，包括数据传输模块1(datatransferunit，dtu)，数据滤波模块2，数据i/o接口输入端31，数据i/o接口输出端32，rs485通讯接口4，4g/5g通讯接口5，wan通讯接口6，电源7，服务器数据平台8，数据连接端口9，环境空气温-湿度传感器101，ahu换热器进口空气温-湿度传感器102，ahu换热器出口空气温-湿度传感器103，空调箱(ahu)水阀开度传感器11，制冷机组冷凝器进水温度传感器121，制冷机组冷凝器出水温度传感器122，制冷机组蒸发器进水温度传感器123，制冷机组蒸发器出水温度传感器124，空调箱(ahu)进水温度传感器125，空调箱(ahu)出水温度传感器126，冷冻水泵水流量/水流速传感器131，空调箱(ahu)水流量/水流速传感器132，冷却塔风机电功率传感器141，冷却水泵电功率传感器142，制冷机组电功率传感器143，冷冻水泵电功率传感器144，空调箱(ahu)风机电功率传感器145，空调箱(ahu)水阀控制器15，空调箱(ahu)风机变频控制器16，冷却塔风机变频控制器17，冷却水泵变频控制器18，冷冻水泵变频控制器19，制冷机组供水温度控制器20。其中，数据滤波模块2，数据i/o接口输入端31，数据i/o接口输出端32，rs485通讯接口4，4g/5g通讯接口5，wan通讯接口6，电源7和数据连接端口9置于数据传输模块1中。数据滤波模块2的输出端口与数据i/o接口输入端31相连，数据i/o接口输入端31、数据i/o接口输出端32和rs485通讯接口4分别通过数据连接端口9和4g/5g通讯接口5及wan通讯接口6相连，数据滤波模块2的输入端口和若干个空气温-湿度传感器(包括环境空气温-湿度传感器101，ahu换热器进出风空气温-湿度传感器102和ahu换热器回风空气温-湿度传感器103)，若干个空调箱(ahu)水阀开度传感器11，若干个水温度传感器(包括制冷机组冷凝器进水温度传感器121，制冷机组冷凝器出水温度传感器122，制冷机组蒸发器进水温度传感器123，制冷机组蒸发器出水温度传感器124，空调箱(ahu)进水温度传感器125和空调箱(ahu)出水温度传感器126)，若干个水流量/水流速传感器(包括冷冻水泵水流量/水流速传感器131和空调箱(ahu)水流量/水流速传感器132)和若干个电功率传感器(包括冷却塔风机电功率传感器141，冷却水泵电功率传感器142，制冷机组电功率传感器143，冷冻水泵电功率传感器144和空调箱(ahu)风机电功率传感器145)的输出信号线分别相连，数据i/o接口输出端32和若干个空调箱(ahu)水阀控制器15的输入端相连，rs485通讯接口4和若干个空调箱(ahu)风机变频控制器16，若干个冷却塔风机变频控制器17，若干个冷却水泵变频控制器18，若干个冷冻水泵变频控制器19，若干个制冷机组供水温度控制器20相连，4g/5g通讯接口5通过无线网络和服务器数据平台8相连，wan通讯接口6通过有线网络和服务器数据平台8相连。

室外安装有环境空气温-湿度传感器101，用于监测环境空气温湿度，每台制冷机冷凝器进水管道和出水管道分别安装有制冷机组冷凝器进水温度传感器121和制冷机组冷凝器出水温度传感器122，每台制冷机蒸发器进水管道和出水管道分别安装有制冷机组蒸发器进水温度传感器123和制冷机组蒸发器出水温度传感器124，每台冷冻水泵出水管道安装有冷冻水泵水流量/水流速传感器131，每台空调箱(ahu)换热器进水管道安装有空调箱(ahu)水流量/水流速传感器132和空调箱(ahu)进水温度传感器125，每台空调箱(ahu)换热器出水管道安装有空调箱(ahu)出水温度传感器126，每台空调箱(ahu)换热器进风处和出风处均分别安装有ahu换热器进出风空气温-湿度传感器102，每台空调箱(ahu)回风管道安装有ahu换热器回风空气温-湿度传感器103，系统中所有动力设备包括冷却塔风机、冷却水泵、制冷机组、冷冻水泵以及空调箱(ahu)风机的供电线路上均分别安装有电功率传感器(包括冷却塔风机电功率传感器141，冷却水泵电功率传感器142，制冷机组电功率传感器143，冷冻水泵电功率传感器144和空调箱(ahu)风机电功率传感器145)。

集中空调系统各动力设备的能耗模型或性能系数模型是实现系统优化控制的基础。根据设备运行原理，各动力设备能耗模型或性能系数模型可用式(1)进行描述：

n＝f(x1,x2,x3…xn)(1)

式(1)中，功率n是输出参数，x1,x2,x3…xn是输入参数，f代表关系函数。

采用支持向量学习机(svr)对集中空调系统各动力设备的能耗模型或性能模型进行在线辨识，为保证模型的精度及可靠性，选用能很好地处理输入与输出变量之间复杂的非线性关系的高斯径向基(radialbasisfunction，rbf)函数作为svr核函数，根据相应的输入、输出数据，建立集中空调系统关键动力设备能耗模型或性能模型，包括制冷机组性能系数模型，冷却塔风机能耗模型，冷却水泵能耗模型，冷冻水泵能耗模型，ahu风机能耗模型和ahu换热器换热模型。下面，对这些模型逐一进行描述。

影响制冷机组性能系数(copchiller)的参数主要有：室外环境空气温度(tenv,a)、室外环境空气湿度(φenv,a)、冷却塔风机频率(ftower,fan)、冷却水泵频率(fcooling,wpump)、蒸发器出水温度(tchilledw,sup)、蒸发器回水温度(tchilledw,return)、蒸发器水流量(gchilledw)，因此，制冷机组性能系数(copchiller)可表示成：

copchiller＝f(tenv,a,φenv,a,ftower,fan,fcooling,wpump,tchilledw,sup,tchilledw,return,gchilledw)(2)

制冷机组冷凝器出水温度(tcondenserw,out)是一个重要的安全运行指标，将出现在在优化模型的约束条件中，其可表示成：

tcondenserw,out＝f(tenv,a,φenv,a,ftower,fan,fcooling,wpump,tchilledw,sup,tchilledw,return,gchilledw)(3)

冷却塔风机功率(ntower,fan)可表示成冷却塔风机频率(ftower,fan)的函数，即：

ntower,fan＝f(ftower,fan)(4)

冷却水泵功率(ncooling,wpump)可表示成冷却水泵频率(fcooling,wpump)的函数，即：

ncooling,wpump＝f(fcooling,wpump)(5)

由于实际冷冻水系统采用定压控制，因此，在某定压设定工况下，冷冻水泵功率(nchilled,wpump)可表示成冷冻水泵流量(gchilled,wpump)的函数，即：

nchilled,wpump＝f(gchilled,wpump)(6)

同样，在某定压设定工况下，冷冻水泵的运行频率也可表示成冷冻水泵流量(gchilled,wpump)的函数，即：

fchilled,wpump＝f(gchilled,wpump)(7)

ahu风机功率(nahu,fan)可表示成ahu风机频率(fahu,fan)的函数，即：

nahu,fan＝f(fahu,fan)(8)

ahu换热器换热量(qahu)可表示成ahu换热器进风温度(tahu,in,air)、ahu换热器进风湿度(φahu,in,air)、ahu风机频率(fahu,fan)、ahu换热器进水温度(tahu,in,water)和ahu换热器水流量(gahu,water)的函数：

qahu＝f(tahu,in,air,φahu,in,air,fahu,fan,tahu,in,water,gahu,water)(9)

由于冷冻水系统的供水压力保持稳定，因此，ahu换热器水阀开度(kahu,valve)可以表示成ahu换热器水流量(gahu,water)的函数：

kahu,valve＝f(gahu,water)(10)

本实施例中，假设集中空调系统有m台制冷机组、p台冷却水泵、k台冷冻水泵、j台冷却塔和r台空调箱(ahu)运行，则集中空调系统优化节能运行工况计算模型描述如下：

其中，

ncooling,wpump,p＝f(fcooling,wpump,p)p∈[1,p]

nchilled,wpump,k＝f(gchilled,wpump,k)k∈[1,k]

ntower,fan,j＝f(ftower,fan,j)j∈[1,j]

nahu,fan,r＝f(fahu,fan,r)r∈[1,r]

约束关联式：

fcooling,wpump,min≤fcooling,wpump,p≤fcooling,wpump,maxp∈[1,p](11a)

fchilled,wpump,min≤fchilled,wpump,k≤fchilled,wpump,maxk∈[1,k](11b)

fahu,fan,min≤fahu,fan,r≤fahu,fan,maxr∈[1,r](11c)

gahu,water.min≤gahu,water.r≤gahu,water.maxr∈[1,r](11d)

tchilledw,sup,min≤tchilledw,sup,m≤tchilledw,sup,maxm∈[1,m](11e)

qahu＝f(tahu,in,air,φahu,in,air,fahu,fan,tahu,in,water,gahu,water)≥qahu，demand(11i)

式(11)～(11i)中，下标“min”为优化参数的下限值，下标“max”为优化参数的上限值，例如，fcooling,wpump,min代表冷却水泵运行频率下限值，fcooling,wpump,max代表冷却水泵运行频率上限值，以此类推；qo,demand为空调总负荷需求，可根据制冷机组冷冻水进、出水温度和冷冻水流量的历史数据，利用自回归滑动平均(arma)空调负荷预测模型获得；qahu,demand为各空调箱(ahu)局部负荷需求，可根据各空调箱(ahu)冷冻水进、出水温度和冷冻水流量的历史数据，利用自回归滑动平均(arma)空调负荷预测模型获得。

优化模型(11)求解采用生物进化算法，包括优化算法为粒子群算法、遗传算法、差分进化算法、免疫算法、蚁群算法、模拟退火算法、禁忌搜索算法和随机搜索算法。

由优化模型(11)计算得到的各空调箱(ahu)换热器优化水流量然后根据ahu换热器水阀开度(kahu,valve)和ahu换热器水流量(gahu,water)之间的关系式(10)，映射得到各空调箱(ahu)水阀优化开度(kahu,valve)，同时，根据式(11f)和式(7)，映射得到冷冻水泵的优化运行频率(fchilled,wpump)。