基于物联智能体减碳优化模型的暖通空调系统节能方法

本发明涉及的是一种暖通空调领域的技术，具体是一种基于物联智能体减碳优化模型的暖通空调系统节能方法。

背景技术：

1、随着国家双碳战略的实施，暖通空调系统基于减碳优化目标的在线运行控制方法已成为一个行业痛点问题，是建筑节能、控碳和减碳的关键。目前缺少暖通空调系统的减碳优化模型，节能控制方法存在建模准确性低且随着时间推进模型偏离训练工况精度进一步降低的问题，还存在优化过程容易陷入局部最优无法取到良好节能减碳效果、只能针对各类家电进行状态控制，无法针对大型中央空调系统进行详细的设备参数控制；无法定期更新系统模型以时刻保证较高精度；无法精准实现暖通系统的节能减碳；不能实现暖通系统单目标的全局寻优，无法实现优化过程的自动化执行等优化问题，难以适应当前暖通空调节能减碳的需求，不能满足楼宇及其暖通空调智能化时代的需要。

技术实现思路

1、本发明针对现有暖通空调系统缺少减碳优化模型，节能建模复杂准确性低且随着时间推进模型偏离训练工况精度进一步降低的问题、优化算法容易陷入局部最优等问题，提出一种基于物联智能体减碳优化模型的暖通空调系统节能方法，通过物联智能体并基于超参数寻优的机理-随机森林融合算法建立模型，通过减碳优化算法计算从而实现全环节自动运行的暖通空调系统节能减碳控制，并使用基于聚类的在线更新优化模型方法实现暖通系统模型的自适应在线更新或校准；本发明全程自动执行，无需人工干预，可避免减碳模型预测不准确且随着时间推进模型偏离训练工况精度进一步降低、优化算法陷入局部最优的问题。

2、本发明是通过以下技术方案实现的：

3、本发明涉及一种基于物联智能体减碳优化模型的暖通空调系统节能方法，通过为优化暖通空调系统建立物联智能体以采集冷水机组实时运行的数据，并预测和重构缺失或故障的设备能耗传感值；使用基于超参数寻优的机理-随机森林融合算法根据历史数据构建包括冷水机组、冷却塔、冷冻水泵和冷却水泵设备能耗模型和制冷量模型；同时在实时数据偏离训练工况时进行聚类分析并对应对设备能耗模型和冷量模型进行在线更新或校准；根据暖通空调系统的特征确定减碳优化目标函数和优化变量；再通过减碳优化算法根据冷水机组、冷却塔、冷冻水泵和冷却水泵设备能耗模型和冷量模型对暖通空调系统实时进行优化计算，基于优化结果对暖通空调系统进行控制，实现实时的减碳优化控制。

4、所述的优化计算，进一步优选定期重新循环。

5、所述的物联智能体自动进行数据采集和云端计算。

6、所述的物联智能体，通过使用连接到冷水机组plc控制器的modbus协议的物联网设备，访问在线框架的冷水机组，通过物联智能代理实现自动进行数据采集、数据清洗和云端计算。

7、所述的物联智能代理包括linux微型计算机、数据采集模块和通信模块。

8、所述的基于超参数寻优的机理-随机森林融合算法包括：

9、s1：对于系统历史运行数据进行数据清洗，包括历史稳态工况数据的挑选以及异常数据的剔除，实现最佳建模数据的挑选。

10、s2：根据网格搜索法对随机森林超参数进行寻优，确定模型效果最好时的超参数的取值。

11、所述的随机森林超参数包括：决策树最大数量n_estimators；决策树待选随机特征子集的最大元素数max_feature；决策树的最大深度max_depth；内部节点再划分所需最小样本数min_samples_split；叶节点最小样本数min_samples_leaf；最大叶节点数max_leaf_nodes；节点划分最小阈值min_impurity_split。

12、所述的网格搜索法寻优各超参数的取值时，各参数的取值范围与取值步长如下表所示：

13、

14、s3：设置冷水机组能耗模型输入参数、系统制冷量模型输入参数、冷却塔能耗模型输入参数、冷却水泵能耗模型输入参数和冷冻水泵能耗模型输入参数。

15、所述的冷水机组能耗模型输入参数包括：冷机频率、冷却水进出水温度、冷冻水进出口温度以及冷冻水流量。

16、所述的系统制冷量模型输入参数包括：冷机频率、冷却水进出水温度、冷冻水供水温度、冷冻水回水温度、冷冻水流量。

17、所述的冷却塔能耗模型输入参数包括：冷却水进出水温度、冷却塔风机频率、当前环境的温度和湿度。

18、所述的冷却水泵能耗模型输入参数包括：冷却水流量以及频率。

19、所述的冷冻水泵能耗模型输入参数包括：冷冻水流量以及频率。

20、s4：应用基于超参数寻优的随机森林算法学习历史数据，对冷水机组能耗、系统制冷量和冷却塔能耗输入输出参数进行拟合训练，完成能耗模型的构建；根据水泵机理模型，获取水泵频率和流量的关系，再使用随机森林算法拟合水泵能耗和频率流量的关系，即使用机理-随机森林融合算法对空调系统参数进行拟合训练，完成冷量模型的构建。

21、所述的水泵机理模型，其流量和频率的关系满足：m_cdw＝a×freq_cd_p，m_chw＝b×freq_ch_p，其中：a、b是由随机森林拟合的参数；m_cdw为冷却水泵流量，单位为m3/h；freq_cd_p为冷却水泵频率，单位为hz；m_chw为冷冻水泵流量，单位为m3/h；freq_ch_p为冷冻水泵频率，单位为hz。

22、s5：基于k-means聚类分析判断模型对实时数据的适用度，并在适应度降低，即实时数据偏离训练工况时对应对暖通系统设备能耗和制冷量模型进行自适应在线更新或校准。

23、所述的适用度，其判断时间为2880分钟。

24、所述的步骤s5，具体包括：

25、s51：取训练优化模型的历史数据中负荷率、冷水机组频率、环境温度为暖通系统特征输入来界定暖通系统工况，对每个暖通系统特征输入进行数据归一化处理。

26、s52：将数据归一化后的暖通系统特征输入进行k-means聚类分析，簇的个数取4，距离计算公式采用欧式距离，如暖通系统工况点1为(load1,freq1,t1)和暖通系统工况点2为(load2,freq2,t2)，则两工况点之间的距离其中：d1，2为工况点1和工况点2的距离，load1和load2为工况点1和工况点2的负荷率，freq1和freq2为工况点1和工况点2的冷水机组频率，t1和t2为工况点1和工况点2的环境温度。

27、s53：采用均值迭代方式得到暖通系统工况中心点，具体包括：

28、①首先随机选择4个暖通系统工况点(loadc1,freqc1,tc1)、(loadc2,freqc2,tc2)、(loadc3,freqc3,tc3)、(loadc4,freqc4,tc4)作为初始中心点，其中loadc1、loadc2、loadc3和loadc4分别是4个簇暖通系统工况中心点的负荷率，freqc1、freqc2、freqc3和freqc4分别是4个簇暖通系统工况中心点的冷水机组频率，tc1、tc2、tc3和tc4分别是4个暖通系统工况中心点的环境温度。

29、②按照距离初始中心点距离最小原则，将所有暖通系统特征输入对应的样本分到各中心点所在的簇中；

30、③分别计算4个簇中所有暖通系统样本的均值，作为下一次迭代的4个中心点；

31、④依次重复步骤②③，直至暖通系统工况中心点收敛。

32、s54：分别计算4个簇中距离暖通系统工况中心点最远的暖通系统工况点与该中心点的距离dmax1,dmax2,dmax3,dmax4，其中，dmax1,dmax2,dmax3,dmax4分别代表簇1、簇2、簇3和簇4中所有工况点到各簇工况中心点的最大距离。

33、s55：对当前时刻往前一段时间间隔δt内的所有暖通系统工况点数据，进行如下判断，以第i条为例，判断其距离上述4个暖通系统工况中心点的距离di1,di2,di3,di4，当出现di1≥dmax1,di2≥dmax2,di3≥dmax3,di4≥dmax4同时成立，则说明该条数据偏离训练模型的工况范围。当偏离训练模型工况范围的数据比例r超过校准阈值rmin，则进行优化模型的在线更新或校准。其中，di1,di2,di3,di4分别代表第i条数据工况点到簇1工况中心点、簇2工况中心点、簇3工况中心点和簇4工况中心点的距离。

34、s56：当偏离训练模型工况范围的数据比例超过校准阈值时，对机理-随机森林融合算法模型进行更新，首先增加2棵决策树数量，使用上述步骤当前时刻往前一段时间间隔δt内的所有暖通系统工况点数据对这2棵决策树进行训练，训练完成后将其加入到机理-随机森林融合算法模型中。考虑到决策树数量过大会出现过拟合的问题，因此需要设置最大决策树数量tree_nummax。每次更新机理-随机森林融合算法模型时均需要判断决策树数量是否超过tree_nummax，当超过tree_nummax，则选择所有历史更新中偏离训练模型工况范围的数据比例r最小那次更新所对应的2棵树，将其剔除，以保证决策树数量的稳定性。同时，将前一段时间间隔δt内的所有暖通系统工况点数据加入到原训练工况数据中重新进行k-means聚类分析更新聚类簇。

35、所述的减碳优化目标函数，即暖通空调系统排碳量其中：hvac-ce为暖通系统的排碳量，单位为kgco2eq；为碳排放因子，表示单位耗电量的碳排放量多少，单位为kgco2eq/(kw·h)；hvac-uc为空调系统的单耗，表示单位制冷量所需要的耗电量，单位kw·h；echiller为冷水机组能耗，单位kw·h；ecwt为冷却塔能耗，单位kw·h；ecwp为冷冻水泵能耗单位kw·h；echwp为冷却水泵能耗，单位kw·h；quser为空调系统用户侧需求制冷量。

36、所述的优化变量包括：冷机频率freq_chr，单位为hz、冷塔冷却水出水温度t_cdw_i，单位为℃和冷却塔风机的频率freq_f，单位为hz、冷却水泵频率freq_cd_p，单位为hz、冷机冷冻水供水温度t_chw_i，单位为℃、以及冷冻水泵的频率freq_ch_p，单位为hz。

37、所述的减碳优化算法，具体包括：

38、s1：初始化空调系统温度频率向量集合，即温频向量集合，该集合每一行是一个6维向量，代表6个温度和频率控制参数，同时初始化温频向量集合的参数以及搜寻空间，具体包括：最大温频向量数量nmax、初始化温频向量数量n0、最大迭代次数itermax、生成温频向量新一代数量的上限mmax与下限mmin、非线性调和因子n及区间步长初始值θinit(freq1,2,3,4,t1,2)与最终值θfinal(freq1,2,3,4,t1,2)，其中：freq1,2,3,4为冷机频率、冷却塔频率、冷冻水泵和冷却水泵频率，单位为hz，t1,2为冷机冷冻水供水温度和冷却塔冷却水出水温度，单位为℃。

39、s2：在6维搜寻空间内随机产生一组向量作为初始温频向量集合s(freq1,2,3,4,t1,2)，初始向量集合中每一个解均为符合约束条件的6维向量，初始温频向量集合共包含n0个初代；将初始温频向量集合中的每一个解都代入模型计算所有初代(以第i个为例)的耗能einit,i(freq1,2,3,4,t1,2)和末端负荷情况qinit，i(freq1，2，3，4，t1，2)，并求解此时系统的排碳量hvac-ceinit，i即为温频向量初代的目标函数值fi(freq1,2,3,4,t1,2)。

40、s3：初代温频向量集合通过随机生成的方式产生温频向量新一代扩散到其初代附近的空间中，其产生温频向量新一代的数量取决于温频初代的目标函数值f(freq1，2，3，4，t1，2)、温频向量集合中初代的最低目标函数值fmin(freq1,2,3,4,t1,2)与最高目标函数值fmax(freq1,2,3,4,t1,2)，任意温频向量初代si(freq1,2,3,4,t1,2)能够产生的温频向量新一代数量其中：n(si)是第i个温频向量初代产生的新一代温频向量的数量，si(freq1,2,3,4,t1,2)或si代表第i个温频向量，mmax和mmin为生成温频向量新一代数量的上限和下限，fmax(freq1,2,3,4,t1,2)和fmin(freq1,2,3,4,t1,2)分别为所有初代温为温频向量所对应的目标函数值即排碳量中的最大值和最小值，f(si)为第i个温频向量所对应的目标函数值即排碳量。

41、s4：温频向量初代产生的新一代会以正态分布的方式覆盖初代周围的搜寻空间，各温频向量新一代距对应初代的平均距离为0，标准差为θinitial(freq1,2,3,4,t1,2)，计算得到任意初代si(freq1,2,3,4,t1,2)产生的第k个新一代的向量为其中：si，k(freq1，2，3，4，t1，2)为第i个初代温频向量产生的第k个温频向量，产生温频向量新一代集合的标准差θinitial(freq1,2,3,4,t1,2)即温频向量初代与温频向量新一代之间的区间步长，会随着初代与新一代的代际更迭而变化，具体为：其中：iter为当前温频向量初代与温频向量新一代的代际更迭次数,itermax为最大迭代次数，θfinal(freq1，2，3，4，t1，2)为迭代的最后一代的温频向量集合标准差。

42、s5：计算新一代温频向量集合中中每个向量的耗能einit,i(freq1,2,3,4,t1,2)和末端负荷情况qinit,i(freq1,2,3,4,t1,2)，删去不满足负荷约束要求的向量，从温频向量结合剩下个体中选出目标函数值即排碳量较小的nmax个向量作为下一次迭代计算的初代，而剩余的其他向量将被清除。此过程将一直持续直到达到最大迭代次数itermax，随后保存温频向量集合中目标函数值即排碳量最小的向量作为最优值。

43、s6：当达到最大迭代次数时，温频向量集合中最低目标函数值的向量se(freq1,2,3,4,t1,2)作为当前最优温频向量产生上限数量mmax个新的优质温频向量，分布于以r为搜寻半径的空间内，其产生的第k个温频向量se，k(freq1，2，3，4，t1，2)＝se(freq1，2，3，4，t1，2)×[rand()×2r+(1-r)]，k≤mmax，其中：函数rand()可生成0、1之间的随机数，搜寻半径r由人为自定义选取，se(freq1，2，3，4，t1，2)为最大迭代次数时排碳量最低所对应的温频向量，se，k(freq1，2，3，4，t1，2)为最大迭代次数时排碳量最低所对应的温频向量新产生的第k个温频向量，r为搜寻半径，取值范围为0-1。可以观察得出，新的优质温频向量的搜寻空间范围为[se(1-r)，se(1+r)]，即搜寻空间是以温频向量初代为中心的对称区间。

44、s7：验证新的优质温频向量的变量取值是否符合优化问题的约束条件，将不满足条件的温频向量剔除。计算满足条件的优质温频向量的目标函数值即排碳量，并将其与初代的值进行比较。当温频初代的目标函数值仍然保持最低，则将其对应的变量取值视作全局最优并保存输出；当存在优质温频向量的目标函数值即排碳量低于温频初代，则将该优质温频向量设为初始温频向量之一，并重复s1～s7，直到输出全局最优，输出迭代完成后的全局最优温频向量值作为整个暖通空调能耗系统的最佳节能减碳效果值以及此时的se(freq1，2，3，4，t1，2)值作为控制变量。

45、本发明涉及一种实现上述方法的系统，包括：暖通空调系统特定用途的物联智能体模块、机理-随机森林融合模块、减碳寻优模块以及优化模型在线更新模块，其中：物联智能体模块根据通过读取暖通系统的运行数据，进行数据采集或控制指令下发，并通过机理-随机森林融合模块对各设备能耗数据进行预测，进行空值填补或异常值重构；机理-随机森林融合模块根据历史数据和暖通系统设备机理，使用基于超参数寻优的随机森林模块训练，得到高精度的暖通系统设备能耗预测模型和制冷量预测模型；减碳寻优模块根据机理-随机森林融合模块训练的模型、优化目标函数和优化变量约束条件，进行暖通系统节能减碳寻优计算，得到暖通系统实时最佳运行参数；优化模型在线更新模块根据当前数据偏离训练工况的程度，进行优化模型在线更新，使模型准确率时刻保持较高。

46、技术效果

47、本发明建立暖通空调系统特定用途的物联智能体，融合数据采集、通讯模块、ai云计算模块，可实现空调系统数据读取、设备建模、优化计算、指令下发等流程全自动运行，无需人工干预，且物联智能体模块可预测和重构缺失或故障的设备能耗等传感器的值，同时物联智能体模块还可与ba系统通讯，获取比ba更全面的空调系统数据。

48、本发明通过基于超参数寻优的随机森林算法建立系统部件的黑箱模型以及机理-随机森林算法融合建立灰箱模型，具有更高的预测精度，解决针对实际模型纯理论模型精度较差的问题。

49、本发明减碳优化模型采取的优化变量为暖通空调系统中可控的参数，以暖通系统设备频率和温度为主，实现暖通空调系统以减碳为运行控制目标的实时最优化。并且，该模型输出的控制更为精确，可以得到在满足建筑负荷的系统最佳运行参数，包括冷机频率freq_chr，冷却塔冷却水出水温度t_cdw_i和冷却塔风机频率freq_f，冷却水泵频率freq_cd_p，冷机供水温度t_chw_i，以及冷冻水泵频率freq_ch_p。

50、本发明采用暖通空调系统的减碳优化算法，具有易于理解、收敛性好、鲁棒性强等优点。除此之外，该算法在迭代过程中会不断有新一代温频向量产生，且排碳量越低的温频向量产生的新一代温频向量数量就越多，能加强较优温频向量周围的局部搜索。

51、本发明基于聚类分析的在线更新优化模型方法通过对负荷率、冷水机组频率、环境温度历史数据进行k-means聚类分析，通过比较实时数据与每个簇暖通系统工况中心点的欧氏距离和每个簇中暖通系统工况点与其中心点的距离判断工况是否偏离训练工况，当偏离，则增加随机森林中的决策树数量进行新数据的训练，并删除多余的决策树。该方法可实现暖通系统模型自适应在线更新或校准，同时可以保留历史数据中的工况信息。