数据驱动地源热泵空调系统二型模糊建模、预测及协同优化控制研究

The ground source heat pump air conditioning system (GSHP-ACS) has the advantages of resource conservation and environmental friendliness. The precise system model and well energy-saving optimization control strategy are of great significance to system energy efficiency. In order to deal with the complexity of system modeling, parameter’s constraints and uncertainties, and to realize the system optimization operation and energy saving control, this study proposes type-2 fuzzy system method based data-driven modeling, load forecasting and multi-equipment collaborative optimization energy-saving control scheme for GSHP-ACS. The detailed research contents are as follows: 1) data-driven type-2 fuzzy modeling method for key devices of GSHP-ACS under boundary constraints will be given; 2) a data-driven hybrid prediction model of building thermal load will be presented; 3) the building thermal load demand response based multi-devices collaborative optimization energy-saving control strategy will be proposed; 4) the multi-devices collaborative optimization energy-saving control strategy will be applied to an actual GSHP-ACS, and to verify the effectiveness and advantages of the proposed scheme. The theories and methods proposed in this study provide new theories and tools for the optimization operation and energy-saving control of the GSHP based green building air condition system, and have important theoretical significance and practical value.

地源热泵空调系统具有资源节约、环境友好优势，良好的系统模型和优化控制策略对系统节能增效具有重要意义。为实现系统优化运行与节能控制，考虑系统建模复杂性、参数约束性和不确定性，本项目基于二型模糊方法，提出数据驱动的地源热泵空调系统关键设备建模、负荷预测及多设备协同优化节能控制研究方案。具体研究内容如下：1）研究边界条件约束下地源热泵空调系统关键设备的数据驱动二型模糊建模方法；2）给出数据驱动的建筑热负荷混合预测模型构建方法；3）研究基于建筑热负荷需求响应的多设备协同优化节能控制策略；4）实现多设备协同优化节能控制策略在实际地源热泵空调系统中的应用，验证所提方案的有效性和优越性。本课题提出的理论与方法为基于地源热泵的绿色建筑空调系统优化运行与节能控制提供了一种新的理论方法和应用工具，具有重要的理论意义与实际应用价值。

采用数据驱动二型模糊方法进行系统建模及控制时，充分利用各类知识挖掘数据信息，提高所设计的二型模糊模型的性能，取得更好的建模与控制效果。本课题针对上述问题开展了深入研究，取得了系列成果，具体如下：1）给出边界条件约束下地源热泵空调系统关键设备的数据驱动二型模糊建模方法，建立了模块化深度模糊模型；2）分别给出了知识与数据驱动的模块化深度一型和二型模糊系统时间序列精准预测模型，并通过实验验证了知识与数据混合驱动方法的优势；3）给出了知识与数据驱动的时间序列精准预测方法，并用于建筑用能负荷精准预测问题中，取得了良好效果；4）给出了知识与数据驱动的建筑能耗预测深度学习方法。为增强模型的预测性能，结合极限学习机和堆栈自动编码器，给出了一种新型的深度神经网络方法用于能耗预测；进而，利用能耗周期性知识，给出了一种知识与数据混合驱动的深度学习模型，取得了良好的预测效果。5）研究了建筑室内末端空调机组自适应控制方法，取得了令人满意的控制性能。本课题的研究在理论方面能够为数据驱动、二型模糊等热点方向的研究提供新的思路，在应用方面，能够为实际问题的建模与控制提供新的工具。