一种中央空调控制系统的利记博彩app
【技术领域】
[0001] 本实用新型属于空调系统技术领域，具体为一种中央空调控制系统。
【背景技术】
[0002] 中央空调能耗高，舒适性差。一方面，空调系统复杂，涉及物理参数多，且具有明显 的时滞性；另一方面，设备生产厂家众多，标准不一，难以采用理论模型建立控制模型。传统 空调一般采用PID控制，常规PID控制有许多不完善之处，其中最主要的问题就是PID控制 器参数的整定问题，且一旦整定计算好后，在整个控制过程中都是固定不变的，而实际中， 由于实际系统参数等发生变化，而使系统很难达到控制效果。对于中央空调系统，它不仅表 现在控制系统具有多输入、多输出的强藕合性、参数时变性和严重的非线性特性，无法实现 基于外界环境变化的优化控制，更难以满足不同用户的个性化需求。因此，採用常规PID控 制难以获得满意的控制效果，亟需一种新的控制系统和方法。 【实用新型内容】
[0003] 针对现有技术中存在的上述问题，本实用新型的目的在于设计提供一种中央空调 控制系统的技术方案，具有精度高、可靠性强、自适应的特点；寻优效率高，实现舒适度、节 能、低费用目标；能智能识别用户的不舒适行为，及时调整控制目标；能够大大提高设备效 率，实现节能减排。
[0004] 所述的一种中央空调控制系统，其特征在于包括通用设备模型库、设备性能测试 模块、舒适度评价模块、遗传算法多目标优化控制模块执行模块，通用设备模型库与设备性 能测试模块连接，设备性能测试模块与舒适度评价模块连接，舒适度评价模块与遗传算法 多目标优化控制模块执行模块连接；
[0005] 通用设备模型库包括冷水机组模型库、冷冻栗模型库、风机盘管及新风机组模型 库以及冷却塔和冷却栗模型库，冷水机组模型库与制冷机组配合连接，冷冻栗模型库与冷 冻水栗配合连接、风机盘管及新风机组模型库与风机及空调器配合连接、冷却塔和冷却栗 模型库与冷却水栗及冷却塔配合连接；遗传算法多目标优化控制模块执行模块与制冷机 组、冷冻水栗、风机、空调器、冷却水栗、冷却塔配合连接。
[0006] 所述的一种中央空调控制系统，其特征在于设备性能测试模块包括温度、湿度、流 量、水栗频率、水阀开度、风机频率、风阀开度、电功率的数据采集设备、传输设备及存储设 备。
[0007] 所述的一种中央空调控制系统，其特征在于遗传算法多目标优化控制模块执行模 块具有10-50个输入端口和10-50个输出端口。
[0008] 上述一种中央空调控制系统，采用了实测的方法，建立系统模型，具有精度高、可 靠性强、自适应的特点；采用了遗传算法，可实现多目标寻优，且寻优效率高，实现舒适度、 节能、低费用目标；采用了用户行为识别方式来智能识别用户的不舒适行为，及时调整控制 目标；能够基于环境变化给出最佳控制方法，尤其是在过渡季节，能够大大提高设备效率， 实现节能减排。
【附图说明】
[0009] 图1为本实用新型的系统框图；
[0010] 图2为本实用新型的工作流程图；
[0011] 图3为本实用新型设备性能测试模块的工作流程图；
[0012] 图4为本实用新型舒适度评价模块的工作流程图；
[0013] 图中：1_遗传算法多目标优化控制模块执行模块、2-舒适度评价模块、3-设备性 能测试模块、4-通用设备模型库、5-风机盘管及新风机组模型库、6-冷却塔和冷却栗模型 库、7-冷却水栗、8-冷却塔、9-空调器、10-风机、11-冷冻水栗、12-制冷机组、13-冷水机组 模型库、14-冷冻栗模型库。
【具体实施方式】
[0014] 以下结合说明书附图对本实用新型作进一步说明。
[0015] 如图所示，该中央空调控制系统，包括通用设备模型库4、设备性能测试模块3、舒 适度评价模块2、遗传算法多目标优化控制模块执行模块1，通用设备模型库4与设备性能 测试模块3连接，设备性能测试模块3与舒适度评价模块2连接，舒适度评价模块2与遗传 算法多目标优化控制模块执行模块1连接；通用设备模型库4包括冷水机组模型库13、冷 冻栗模型库14、风机盘管及新风机组模型库5以及冷却塔和冷却栗模型库6,冷水机组模型 库13与制冷机组12配合连接，冷冻栗模型库14与冷冻水栗11配合连接、风机盘管及新风 机组模型库5与风机10及空调器9配合连接、冷却塔和冷却栗模型库6与冷却水栗7及冷 却塔8配合连接；遗传算法多目标优化控制模块执行模块1与制冷机组12、冷冻水栗11、风 机10、空调器9、冷却水栗7、冷却塔8配合连接。
[0016] 中央空调控制系统的控制方法，包括以下步骤：
[0017] 1)首先建立制冷机组12、冷冻水栗11、风机10、空调器9、冷却水栗7、冷却塔8的 能耗数学模型，包括冷水机组模型库13、冷冻栗模型库14、风机盘管及新风机组模型库5以 及冷却塔和冷却栗模型库6 ;再根据系统的实际运行特性，对冷水机组模型库13、冷冻栗模 型库14、风机盘管及新风机组模型库5以及冷却塔和冷却栗模型库6的参数进行辨识，综合 各设备数学模型，构建出通用设备模型库4,并进一步对模型的运行参数进行优化；通用设 备模型库4利用理论加半经验方法对中央空调系统的关键设备进行建模，其中的待定参数 由设备性能测试模块3在线测试数据拟合得出；
[0018] 2)设备性能测试模块3包括各种温度、湿度、流量、水栗频率、水阀开度、风机频 率、风阀开度、电功率数据采集设备、传输设备、存储设备及相应的控制程序，可根据不同的 需要对测量精度、采样频率智能调节；对于设定10个关键性能指标，机组的实际性能系数、 水系统的输送能效比、水栗效率、冷源系统能效系数、风机单位风量耗功率、风系统平衡度、 水系统回水温度一致性等参数；通过与预设定值或历史检测数据进行比较，若发现明显偏 差则输出报警，并显示故障类型；
[0019] 3)舒适度评价模块2采用主观和客观指标相结合的方法；客观指标为基于温度、 湿度、二氧化碳浓度和风速参数指标，主观指标采用用户行为识别方式生成用户满意度指 标，如摄像头采集到穿衣、扇扇子、出汗或者语音识别器监听到说冷、闷的行为，经过统计分 析生成满意度指标；
[0020] 4)遗传算法多目标优化控制模块执行模块1采用遗传算法优化。单一目标控制模 式，可选择节能优先，舒适优先或者低费用优先；双目标控制模式，舒适度加节能、舒适度加 低碳、低碳加节费用；多目标控制模式，采用舒适度加节能加低费用；
[0021] 遗传算法优化过程如下：
[0022] 步骤1 :初始化，随机产生一个规模为P的初始种群，其中每个个体为二进制位串 的形式，也就是染色体，一组控制参数即一个个体；
[0023] 步骤2 :计算适应度，计算种群中每个个体的适应度，单一目标控制模式的能耗越 低，适应度越高；
[0024] 步骤3 :选择，选择是指从群体中选择优良的个体并淘汰劣质个体的操作，它建立 在适应函数评估的基础上，适应度越大的个体，被选择的可能性就越大，它的下一代的个数 就越多，选择出来的个体放入配对库中；
[0025] 步骤4:交叉，从种群中随机选择两个染色体，按一定的交叉概率进行基因交换， 交换位置的选取也可以是随机的；
[0026] 步骤5 :变异，从种群中随机选择一个染色体，按一定的变异概率进行基因变异；
[0027] 步骤6 :若发现最优解或者到达迭代次数，则算法停止，否则，转步骤2 ;
[0028] 工作时，遗传算法多目标优化控制模块执行模块1先读取环境参数值，判断是否 存在当前环境下的最优控制参数，如果是，则遗传算法多目标优化控制模块执行模块1读 取数据库，并执行相应的控制；如果否，则设备性能测试模块3进行当前环境下的设备性能 测试，并将测试结果录入数据库；遗传算法多目标优化控制模块执行模块1根据设备性能 曲线进行智能寻优，得出当前环