[发明专利]基于T-S模糊模型的制冷站负荷和能效比动态建模方法

说明书

本发明提供了一种基于T‑S模糊模型的制冷站负荷和能效比动态建模方法，动态建模方法通过采集制冷站系统数据，构建负荷预测模型和能效比预测模型，进而得到基于T‑S模糊模型的制冷站负荷和能效比动态模型，本发明为了解决在T‑S模糊模型结构辨识中，传统FCM算法在迭代求解时，对初值的选取要求较高，且易陷入局部最优的问题，提出了基于粒子群优化算法的改进模糊C均值聚类算法完成结构辨识；为了解决为解决场测数据噪声较大引起的参数辨识效果较差的问题，同时提升建模效率，提出利用扩展卡尔曼滤波算法进行模糊模型后件参数在线修正，试验表明所建立的负荷预测模型和能效比预测模型相对误差分别是2.75％和2.25％。

技术领域

本发明涉及制冷站领域，特别是一种基于T-S模糊模型的制冷站负荷和能效比动态建模方法。

背景技术

近年来，建筑物能源消耗处于不断上升的趋势。目前我国建筑能耗约占社会总能耗的30％左右^[1]，而建筑物中集中式空调系统的能耗可达建筑总能耗的40％～60％，而制冷站系统能耗又占到空调系统总能耗的60％～80％，因此研究制冷站系统节能控制策略具有重要意义。然而，由于制冷站系统设备众多、结构复杂，且具有非线性、大滞后、时变和强耦合等复杂特性，造成传统PID控制方法设计和调试困难。课题组通过调研发现，由于PID参数整定困难，使得控制系统在负荷变化时易产生振荡，造成目前90％以上的制冷站系统采用手动控制方式，造成大量的能源浪费。已有研究表明，智能控制具有自适应、自学习和寻优能力，若将满足建筑冷量(负荷)要求和节省能耗作为综合优化性能指标，其能够实现制冷站的全局优化控制。在智能控制方法中，模型预测控制可以处理约束和耦合问题，其能够基于预测模型和滚动优化机制，实现在满足建筑物冷量(负荷)需求的前提下，最大限度地降低系统能耗^[2]。而预测控制以被控对象预测模型为基础，因此建立制冷站系统预测模型是实现集中式空调节能优化控制的先决条件，并且模型性能在系统控制中也起到关键作用。

但是，制冷站系统所具有的结构复杂、非线性、强耦合等特点，给机理建模带来了困难。为此，研究人员提出了多种基于数据驱动的建模方法。文献^[3]以现有制冷站系统内单个设备的能耗模型为基础，依据制冷站运行原理建立残差神经网络ResNet模型，该模型拟合优度为0.9876；文献^[4]建立制冷站系统的BP神经网络模型和参数辨识模型，利用K-means聚类方法将两模型的精度较高区间相结合，最终建立制冷站系统融合模型；先目前，建立了冷水机组的多元多项回归参数模型和水泵的半物理模型，并用250组数据对模型参数进行了辨识。上述研究成果避免了机理建模复杂的计算过程，但是对数据样本要求较高，工程上实现较为困难。