基于物联智能体减碳优化模型的暖通空调系统节能方法

1.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：

2.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。


技术实现要素：

3.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。
4.本发明是通过以下技术方案实现的：
5.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。
6.所述的优化计算，进一步优选定期重新循环。
7.所述的物联智能体自动进行数据采集和云端计算。
8.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。
9.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。
10.所述的基于超参数寻优的机理-随机森林融合算法包括：
11.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。
12.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。
13.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。
14.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：
15.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。
16.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。
17.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。
18.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。
19.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。
20.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。
21.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。
22.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。
23.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。
24.所述的适用度，其判断时间为2880分钟。
25.所述的步骤s5，具体包括：
26.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。
27.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)，则两工况点之间的距离其中：d
1，2
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。
28.s53：采用均值迭代方式得到暖通系统工况中心点，具体包括：
29.①
首先随机选择4个暖通系统工况点(load
c1
,freq
c1
,t
c1
)、(load
c2
,freq
c2
,t
c2
)、(load
c3
,freq
c3
,t
c3
)、(load
c4
,freq
c4
,t
c4
)作为初始中心点，其中load
c1
、load
c2
、load
c3
和load
c4
分别是4个簇暖通系统工况中心点的负荷率，freq
c1
、freq
c2
、freq
c3
和freq
c4
分别是4个簇暖通系统工况中心点的冷水机组频率，t
c1
、t
c2
、t
c3
和t
c4
分别是4个暖通系统工况中心点的环境温度。
30.②
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；
31.③
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；
32.④
依次重复步骤
②③
，直至暖通系统工况中心点收敛。
33.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d
max1
,d
max2
,d
max3
,d
max4
，其中，d
max1
,d
max2
,d
max3
,d
max4
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。
34.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d
i1
,d
i2
,d
i3
,d
i4
，当出现d
i1
≥d
max1
,d
i2
≥d
max2
,d
i3
≥d
max3
,d
i4
≥d
max4
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r
min
，则进行优化模型的在线更新或校准。其中，d
i1
,d
i2
,d
i3
,d
i4
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。
35.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_num
max
。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_num
max
，当超过tree_num
max
，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。
36.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kgco2
eq
；为碳排放因子，表示单位耗电量的碳排放量多少，单位为kgco2
eq
/(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；e
chiller
为冷水机组能耗，单位kw
·
h；e
cwt
为冷却塔能耗，单位kw
·
h；e
cwp
为冷冻水泵能耗单位kw
·
h；e
chwp
为冷却水泵能耗，单位kw
·
h；q
user
为空调系统用户侧需求制冷量。
37.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。
38.所述的减碳优化算法，具体包括：
39.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n
max
、初始化温频向量数量n0、最大迭代次数iter
max
、生成温频向量新一代数量的上限m
max
与下限m
min
、非线性调和因子n及区间步长初始值θ
init
(freq
1,2,3,4
,t
1,2
)与最终值θ
final
(freq
1,2,3,4
,t
1,2
)，其中：freq
1,2,3,4
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，t
1,2
为冷机冷冻水供水温度和冷却塔冷却水出水温度，单位为℃。
40.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(freq
1,2,3,4
,t
1,2
)，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e
init,i
(freq
1,2,3,4
,t
1,2
)和末端负荷情况q
init，i
(freq
1，2，3，4
，t
1，2
)，并求解此时系统的排碳量hvac-ce
init，i
即为温频向量初代的目标函数值fi(freq
1,2,3,4
,t
1,2
)。
41.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(freq
1，2，3，4
，t
1，2
)、温频向量集合中初代的最低目标函数值f
min
(freq
1,2,3,4
,t
1,2
)与最高目标函数值f
max
(freq
1,2,3,4
,t
1,2
)，任意温频向量初代si(freq
1,2,3,4
,t
1,2
)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(freq
1,2,3,4
,t
1,2
)或si代表第i个温频向量，m
max
和m
min
为生成温频向量新一代数量的上限和下限，f
max
(freq
1,2,3,4
,t
1,2
)和f
min
(freq
1,2,3,4
,t
1,2
)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。
42.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θ
initial
(freq
1,2,3,4
,t
1,2
)，计算得到任意初代si(freq
1,2,3,4
,t
1,2
)产生的第k个新一代的向量为
其中：s
i，k
(freq
1，2，3，4
，t
1，2
)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θ
initial
(freq
1,2,3,4
,t
1,2
)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：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,iter
max
为最大迭代次数，θ
final
(freq
1，2，3，4
，t
1，2
)为迭代的最后一代的温频向量集合标准差。
43.s5：计算新一代温频向量集合中中每个向量的耗能e
init,i
(freq
1,2,3,4
,t
1,2
)和末端负荷情况q
init,i
(freq
1,2,3,4
,t
1,2
)，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n
max
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iter
max
，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。
44.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(freq
1,2,3,4
,t
1,2
)作为当前最优温频向量产生上限数量m
max
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s
e，k
(freq
1，2，3，4
，t
1，2
)＝se(freq
1，2，3，4
，t
1，2
)
×
[rand()
×
2r+(1-r)]，k≤m
max
，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(freq
1，2，3，4
，t
1，2
)为最大迭代次数时排碳量最低所对应的温频向量，s
e，k
(freq
1，2，3，4
，t
1，2
)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。
[0045]
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(freq
1，2，3，4
，t
1，2
)值作为控制变量。
[0046]
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。技术效果
[0047]
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。
[0048]
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。
[0049]
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。
[0050]
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。
[0051]
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。
附图说明
[0052]
图1为本发明的暖通空调系统特定用途的物联智能体示意图；
[0053]
图2为本发明流程图；
[0054]
图3为本发明的基于超参数寻优的机理-随机森林融合算法及其在线更新流程图；
[0055]
图4为本发明的优化流程图；
[0056]
图5为本发明使用的暖通空调减碳优化模型的求解算法示意图；
[0057]
图6为实施例在线更新优化模型后的预测值对比曲线示意图；
[0058]
图7、图8和图9为实施例模型预测结果示意图；
[0059]
图10为实施例暖通系统总功率变化图；
[0060]
图11为实施例暖通系统总排碳量累计图。
具体实施方式
[0061]
如图2所示，为本实施例涉及的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数据并基于机理-随机森林融合算法模型预测和重构缺失或故障的能耗传感数据；使用基于超参数寻优的机理-随机森林融合算法根据冷机频率、冷却水进出水温度、冷冻水供回水温度以及冷冻水流量的历史数据构建冷水机组的能耗模型以及暖通系统制冷量模型，根据冷却水进出水温度、冷却塔风机频率、当前环境的温度和湿度构建冷却塔能耗模型，根据冷却水流量、冷却水泵频率结合水泵机理模型构建冷却水泵能耗模型，根据冷冻水流量、冷冻水泵频率结合水泵机理模型构建冷冻水泵能耗模型；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对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；根据一定时间间隔后，实时数据与机理-随机森林融合算法模型训练工况的偏离程度，对设备能耗模型和制冷量模型进行聚类分析，并对应进行在线更新或校准，时刻保持模型的高准确度。
[0062]
如图1所示，为本实施例物联智能体，该物联智能体基于linux操作系统建立，包括：ai模块、数据采集模块和通讯模块，其中：数据采集模块根据冷水机组plc采集数据，通过rs485串口经过modbus网关传输给数据存储服务，将rs485读取的数值进行映射与转换，当前读取结束后，存入ai模块的mysql数据库，同时，并根据ai模块中暖通空调设备能耗预测模型，输入当前的暖通系统的冷机频率、冷却水进出水温度、冷冻水供回水温度以及冷冻水流量预测当前的冷机功率，当当前采集到的冷机功率值为空或与预测当前的冷机功率相对误差20％以上，则使用预测的冷机功率替换采集的冷机功率存入数据库，冷却塔功率、冷却水泵和冷冻水泵功率的预测和重构与冷机功率类似；ai模块根据采集到的系统数据和历史数据，使用机理-随机森林融合算法建立暖通空调设备能耗和制冷量预测模型、减碳优化模型，执行减碳寻优算法并进行决策，得到暖通系统实时运行的最佳设置参数，将计算过程产生的数据存入mysql数据库；通讯模块根据modbus通讯协议，进行控制命令的下发和与ba系统的通讯。
[0063]
如图3所示，所述的基于超参数寻优的机理-随机森林融合算法是指：首先对系统历史运行数据进行筛选和清洗；接着设置冷水机组、冷却塔、冷却水泵和冷冻水泵的能耗模型及制冷量模型的输入参数；然后根据网格搜索法对随机森林超参数进行参数取值范围内寻优，确定模型效果最好时的超参数的取值；最后应用基于超参数寻优的机理随机森林融合算法拟合各模型输入输出，完成设备能耗模型和制冷量模型的构建。
[0064]
本实施例中使用网格搜索法最终得到随机森林算法的最优超参数取值为决策树的最大数量n_estimators取200；决策树待选随机特征子集的最大元素数max_features取0.3；决策树的最大深度max_depth取100；内部节点再划分所需最小样本数min_samples_split取0.1；叶节点最小样本数min_samples_leaf取0.15；最大叶节点数max_leaf_nodes取300；节点划分最小阈值min_impurity_split取0.1。
[0065]
所述的聚类分析，即对训练暖通空调系统模型的历史数据工况实行k-means聚类分析，判断模型对实时数据的适用度；一旦偏离训练模型的工况范围，对减碳优化模型进行自适应在线更新或校准。训练模型的适用度判断时间为2880分钟。
[0066]
所述的聚类分析，具体包括：取历史数据中负荷率、冷水机组频率、环境温度3个变量为暖通系统特征输入，对特征输入进行数据归一化处理；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；使用均值迭代法分别计算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d
max1
,d
max2
,d
max3
,d
max4
；通过物联智能体收集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，分别记为d
i1
,d
i2
,d
i3
,d
i4
，当d
i1
≥d
max1
,d
i2
≥d
max2
,d
i3
≥d
max3
,d
i4
≥d
max4
同时成立时，则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r
min
，则进行优化模型的在线更新或校准。
[0067]
本实施例中δt取2880分钟，r
min
取15％。
[0068]
所述的自适应在线更新，具体为：当偏离训练模型工况范围的数据比例超过校准阈值15％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。设置最大决策树数量tree_num
max
。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_num
max
，当超过tree_num
max
，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。
[0069]
本实施例中tree_num
max
取150。
[0070]
所述的校准，具体为：在更新暖通系统设备能耗及制冷量模型后，计算历史数据中模型预测值与实际值的误差，使用多元线性回归拟合误差值与模型各输入参数的关系，得到误差关于各输入参数多元线性回归模型，在实际减碳优化计算时，使用原机理-随机森林融合算法模型得到的预测值加上使用多元线性回归模型得到的误差预测值作为暖通系统设备能耗及制冷量的最终预测值，达到对模型校准的目的。该多元线性回归模型，在每次在线更新后均需要同步更新。
[0071]
经过具体实际实验，使用不同方法通过相同的历史数据划分的训练集和测试集分别建立各设备能耗和制冷量模型在训练集上的的决定系数r2结果对比如下表所示：
[0072]
由上表可知，本实施例使用的基于超参数寻优的机理-随机森林融合算法训练的模型精度远高于机理模型，相比原始随机森林模型，无论是训练集还是测试集上均有较高模型精度，决定系数均在0.95以上。
[0073]
在实时数据偏离训练工况时，各设备能耗实测值、原始训练模型能耗预测值与基于聚类分析的在线更新优化模型后的预测值对比曲线如图6所示，冷水机组运行功率原始训练模型在一些工况的预测结果很差，部分工况误差率超过20％，而基于聚类分析的在线更新优化模型校准后，几乎所有工况点误差率均在1％以内。
[0074]
如图7所示，冷却水泵运行功率原始训练模型在一些工况的预测结果很差，部分工
况误差率超过15％，而基于聚类分析的在线更新优化模型校准后，几乎所有工况点误差率均在5％以内。
[0075]
如图8所示，冷冻水泵运行功率原始训练模型在一些工况的预测结果很差，部分工况误差率超过15％，而基于聚类分析的在线更新优化模型校准后，所有工况点误差率均在5％以内。
[0076]
如图9所示，冷却塔运行功率原始训练模型在一些工况的预测结果很差，部分工况误差率超过20％，而基于聚类分析的在线更新优化模型校准后，所有工况点误差率均在2％以内。
[0077]
如图5所示，所述的减碳优化算法流程包括：首先初始化温度频率向量集合及输入参数设置，输入参数包括最大温频向量数量n
max
、频向量数量n0、大迭代次数iter
max
、生成温频向量新一代数量的上限m
max
与下限m
min
、非线性调和因子n、区间步长初始值θ
init
(freq
1,2,3,4
,t
1,2
)与最终值θ
final
(freq
1,2,3,4
,t
1,2
)；接着计算各向量所对应的系统排碳量及温频向量产生新一代的相关参数，新一代温频向量围绕初代向量以正态分布的方式产生；然后判断新一代向量数量是否达到向量数量上限，如达到，则删除所得系统排碳量较高的超出数量上限的向量；然后重复上述步骤直至达到最大迭代次数；接着使用当前所得排碳量最小的温频向量产生优质温频向量新一代扩散分布在以当前向量为中心的数据空间范围内，如原向量仍为系统排碳量最小的向量，则输出结果，否则转至初始化温频向量集合及输入参数步骤处重新计算。
[0078]
本实施例中各超参数的优选取值为：最大温频向量数量n
max
取50，初始化温频向量数量n0取65，最大迭代次数iter
max
取100、生成温频向量新一代数量的上限m
max
与下限m
min
分别取8和22，线性调和因子n取3，区间步长初始值θ
init
(freq
1,2,3,4
,t
1,2
)与最终值θ
final
(freq
1,2,3,4
,t
1,2
)分别取0.5和0.001。
[0079]
如图4所示，在实际实验时，系统运行后首先以过去15分钟负荷q上下变化幅度是否在5％以内判定是否达到稳态；系统稳定后，读取环境数据和运行数据，确定冷机频率、冷却塔冷却水出水温度和冷却塔风机频率、冷却水泵频率、冷机供水温度以及冷冻水泵频率为优化变量，确定系统排碳量为优化目标函数；初始化初代温度频率向量集合和初始化参数设置，以正态分布的形式产生温频向量新一代，根据向量数量上限淘汰掉多余温度频率向量，重复该步骤直至满足结束条件1；以当前排碳量最低的温频向量参数为中心继续产生新一代温频向量，当满足结束条件2则输出优化结果，否则重复初始化初代温度频率向量集合及以后的步骤直至输出优化结果。
[0080]
本实施例选定2022年8月13日00:00至16日00:00连续三日作为典型日，并以1h为一次优化周期在仿真平台进行验证，三日天气状况均为晴，最低温度28℃，最高温度39℃；三日空气相对湿度保持在0.8％左右，对于湿球温度变化影响不大。
[0081]
通过应用物联智能体减碳优化模型的暖通空调系统节能控制方法与其他两种不同控制策略能得到的如图10和图11所示的暖通系统总功率变化图和暖通系统总排碳量累计图。如图可知，本实施例使用的优化运行策略可在测试时段的暖通系统总排碳量为160086kgco2
eq
/(kw
·
h)，相比于系统正常运行策略的总能耗177654kgco2
eq
/(kw
·
h)，减碳率为9.89％。
[0082]
与现有技术相比，使用本发明的暖通系统特定用途的物联智能体，可实现节能减
碳过程的自动化运行，无需人为干预，节省人力物力；使用本发明中的基于超参数寻优的机理-随机森林融合算法建立的暖通系统设备能耗和制冷量模型，其决定系数均在0.95以上，建模更精准；使用本发明的基于聚类分析的在线更新优化模型的方法对模型进行校准，可保证模型误差度时刻在5％以内；本发明可实现减碳率9.89％，远大于常规优化运行策略的4.73％减碳效果。
[0083]
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

技术特征：
1.一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，其特征在于，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。2.根据权利要求1所述的基于物联智能体减碳优化模型的暖通空调系统节能方法，其特征是，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。3.根据权利要求1所述的基于物联智能体减碳优化模型的暖通空调系统节能方法，其特征是，所述的基于超参数寻优的机理-随机森林融合算法包括：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；s2：根据网格搜索法对随机森林超参数进行全局寻优，确定模型效果最好时的超参数的取值；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；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；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。4.根据权利要求3所述的基于物联智能体减碳优化模型的暖通空调系统节能方法，其特征是，所述的步骤s5包括：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；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)，则两工况点之间的距离其中：s53：采用均值迭代方式得到暖通系统工况中心点，具体包括：
①
首先随机选择4个暖通系统工况点(load
c1
,freq
c1
,t
c1
)、(load
c2
,freq
c2
,t
c2
)、(load
c3
,freq
c3
,t
c3
)、(load
c4
,freq
c4
,t
c4
)作为初始中心点；
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；
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；
④
依次重复步骤
②③
，直至暖通系统工况中心点收敛；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d
max1
,d
max2
,d
max3
,d
max4
；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d
i1
,d
i2
,d
i3
,d
i4
，当出现d
i1
≥d
max1
,d
i2
≥d
max2
,d
i3
≥d
max3
,d
i4
≥d
max4
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r
min
，则进行优化模型的在线更新或校准；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_num
max
；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_num
max
，当超过tree_num
max
，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。5.根据权利要求1所述的基于物联智能体减碳优化模型的暖通空调系统节能方法，其特征是，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kgco2
eq
；为碳排放因子，表示单位耗电量的碳排放量多少，单位为kgco2
eq
/(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；e
chiller
为冷水机组能耗，单位kw
·
h；e
cwt
为冷却塔能耗，单位kw
·
h；e
cwp
为冷冻水泵能耗单位kw
·
h；e
c僀wp
为冷却水泵能耗，单位kw
·
h；q
user
为空调系统用户侧需求制冷量。6.根据权利要求1所述的基于物联智能体减碳优化模型的暖通空调系统节能方法，其特征是，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。7.根据权利要求1所述的基于物联智能体减碳优化模型的暖通空调系统节能方法，其特征是，所述的减碳优化算法，具体包括：步骤1：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n
max
、初始化温频向量数量n0、最大迭代次数iter
max
、生成温频向量新一代数量的上限m
max
与下限m
min
、非线性调和因子n及区间步长初始值θ
init
(freq
1,2,3,4
,t
1,2
)与最终值θ
final
(freq
1,2,3,4
,t
1,2
)，其中：freq
1,2,3,4
为冷机频率、冷却塔频率、冷冻水泵和冷却水泵频率，t
1,2
为冷机冷冻水供水温度和冷塔冷却水出水温度；步骤2：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(freq
1,2,3,4
,t
1,2
)，
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e
init,i
(freq
1,2,3,4
,t
1,2
)和末端负荷情况并求解此时系统的排碳量即为温频向量初代的目标函数值f
i
(freq
1,2,3,4
,t
1,2
)；步骤3：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(freq
1，2，3，4
，t
1，2
)、温频向量集合中初代的最低目标函数值f
min
(freq
1,2,3,4
,t
1,2
)与最高目标函数值f
max
(freq
1,2,3,4
,t
1,2
)，任意温频向量初代s
i
(freq
1,2,3,4
,t
1,2
)能够产生的温频向量新一代数量其中：步骤4：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θ
initial
(freq
1,2,3,4
,t
1,2
)，计算得到任意初代s
i
(freq
1,2,3,4
,t
1,2
)产生的第k个新一代的位置为)产生的第k个新一代的位置为其中：产生温频向量新一代集合的标准差θ
initial
(freq
1,2,3,4
,t
1,2
)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：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；步骤5：计算新一代温频向量集合中中每个向量的耗能e
init,i
(freq
1,2,3,4
,t
1,2
)和末端负荷情况q
init,i
(freq
1,2,3,4
,t
1,2
)，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n
max
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iter
max
，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；步骤6：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s
e
(freq
1,2,3,4
,t
1,2
)作为当前最优温频向量产生上限数量m
max
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个温频向量僀
e葨k
(freq
1，2，3，4，
t
1，2
)＝s
e
(freq
1，2，3，4
，t
1，2
)
×
[rand()
×
2r+(1-r)]，k≤m
max
，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；观察得出，新的优质温频向量的搜寻空间范围为[s
e
(1-r)，s
e
(1+r)]，即搜寻空间是以温频向量初代为中心的对称区间；步骤7：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s
e
(freq
1，2，3，4
，t
1，2
)值作为控制变量。8.根据权利要求3所述的基于物联智能体减碳优化模型的暖通空调系统节能方法，其
特征是，所述的自适应在线更新，具体为：当偏离训练模型工况范围的数据比例超过校准阈值15％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；设置最大决策树数量tree_num
max
；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_num
max
，当超过tree_num
max
，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。9.根据权利要求3所述的基于物联智能体减碳优化模型的暖通空调系统节能方法，其特征是，所述的校准，具体为：在更新暖通系统设备能耗及制冷量模型后，计算历史数据中模型预测值与实际值的误差，使用多元线性回归拟合误差值与模型各输入参数的关系，得到误差关于各输入参数多元线性回归模型，在实际减碳优化计算时，使用原机理-随机森林融合算法模型得到的预测值加上使用多元线性回归模型得到的误差预测值作为暖通系统设备能耗及制冷量的最终预测值，达到对模型校准的目的。10.一种实现权利要求1-9中任一所述的基于物联智能体减碳优化模型的暖通空调系统节能方法的系统，其特征在于，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。

技术总结
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。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。优化算法陷入局部最优的问题。优化算法陷入局部最优的问题。


技术研发人员：王杰 杜志敏 郑飞 晋欣桥
受保护的技术使用者：上海交通大学
技术研发日：2023.06.29
技术公布日：2023/8/14