1.本发明涉及楼宇空调控制技术领域，尤其涉及一种基于物联网的楼宇空调节能控制方法及系统。
背景技术：2.传统的智能楼宇中对日常的电能能耗方面没有具体管控方法，仅是通过监控系统统计和分析出每日、每月楼宇中用电数量和用量分析趋势，通过监控管理平台给用户提供清晰准确的能耗数据，同时监控系统采集用电量的数据方式比较简单，通过终端抄表的方式、终端拍照传输方式、抄表终端嵌入2g/4g卡传输数据等方式来采集终端的用电量，采集数据的这些终端无论从耗电量、设备体积、传输数据的组网方式等都比较传统，需要频繁的更换电池、确定良好的网络信号等。 同时，这种楼宇电能管控方法较为简单，对多个设备的控制不够合理，依然容易造成电能的浪费，尤其是楼宇中耗电量较大的设备的电能浪费，例如楼宇中的空调系统。
3.针对楼宇中的空调系统，专利文献cn107270497a公开了一种楼宇中央空调控制系统，包括中央空调外机、中央空调内机、监控终端、微处理器、信号采集终端，监控终端分别通过导线电性连接中央空调外机、中央空调内机和信号采集终端，微处理器的输入端通过导线电性连接于信号采集终端的输出端，微处理器的控制输出端电性连接于中央空调内机的电控端，信号采集终端用于采集区域内的温湿度信息以及人员信息。该方案通过计算机作为监控终端，实时监控各个中央空调外机和中央空调内机的工作状态，并通过服务器将工作记录存储保存，对每个中央空调外机或中央空调内机进行监管，在楼宇内部无人时及时关闭当前中央空调内机，有利于节能减排。
4.然而，上述方案中只是基于实时数据采集和简单的分析进行楼宇内的空调开关控制，而没有对工作状态的空调中的具体参数进行控制，节能效果不够好。
技术实现要素：5.本发明提供了一种基于物联网的楼宇空调节能控制方法及系统，根据粒子群算法对能耗模型进行迭代获得楼宇空调系统最优控制参数，得到的结果更加准确合理，节能效果好。
6.一种基于物联网的楼宇空调节能控制方法，包括：建立楼宇内空调系统与物联网平台的通信连接；物联网平台建立所述空调系统的总能耗模型；以空调系统的控制参数组合作为优化变量，以空调系统的运行策略作为粒子，建立种群并初始化每个粒子的位置和速度；迭代执行如下操作，直到满足停止条件，输出满足所述总能耗模型的约束条件的最优解：计算种群中每个粒子的适应度值；
根据所述适应度值的计算结果，选择预设数量的粒子作为较优粒子；对除较优粒子之外的剩余粒子进行邻域搜索并更新位置，使其满足正态分布，同时较优粒子通过随机搜索的方式更新自身的位置。
7.进一步地，所述空调系统的总能耗包括制冷主机能耗、冷却水泵能耗和风机能耗。
8.进一步地，所述总能耗模型如下所示：min（p
total
）；；；；；其中，p
total
为空调系统的总能耗，n表示制冷主机的数量，p
cold,i
表示第i个制冷主机的能耗，m表示冷却水泵的数量，p
water,j
表示第j个冷却水泵的能耗，q表示风机的数量，p
wind,k
表示第k个风机的能耗，p
cold
表示制冷主机的能耗，a1、a2、a3、a4表示制冷主机的性能系数，plr表示制冷主机的负荷率，plri表示第i个制冷主机的负荷率，rci表示第i个制冷主机的额定制冷量，cl表示空调系统末端的负荷需求，p
water
表示冷却水泵的能耗，b1、b2、b3表示冷却水泵的拟合系数，v表示冷却水泵的冷却水流量，p
wind
表示风机的能耗，c1、c2、c3、c4表示风机的拟合系数，fr表示空气的流量率，为空气流量与额定空气流量的比值，pe表示风机的额定功率。
9.进一步地，所述控制参数包括制冷主机的负荷率、冷却水泵的冷却水流量以及空气的流量率。
10.进一步地，每个粒子的适应度值通过以下公式进行计算：；其中，f为适应度，p
total
为空调系统的总能耗，c为空调系统能耗的上限值，z为惩罚因子，plri表示第i个制冷主机的负荷率，rci表示第i个制冷主机的额定制冷量，cl表示空调系统末端的负荷需求，n表示制冷主机的数量。
11.进一步地，根据所述适应度值的计算结果，选择预设数量的粒子作为较优粒子，包括：将各个粒子的适应度值按照降序排序，选择适应度值排前二分之一的粒子作为较优粒子。
12.进一步地，对除较优粒子之外的剩余粒子进行邻域搜索并更新位置，使其满足正态分布，包括：根据所述总能耗模型，计算剩余粒子在当前位置下对应的总能耗值；根据剩余粒子在当前位置下对应的总能耗值，计算其均值和方差；
所述剩余粒子进行邻域搜索，以剩余粒子的总能耗值作为随机变量，更新粒子位置使其满足正态分布。
13.进一步地，所述均值和方差通过以下公式进行计算：；；其中，μ为均值，k表示剩余粒子的总数量，（p
total
）q为第q个粒子在当前位置下的空调系统总能耗值，为方差。
14.一种基于物联网的楼宇空调节能控制系统，包括物联网平台和空调系统，所述物联网平台包括处理器和存储装置，所述存储装置存储有多条指令，所述处理器用于读取所述指令并执行上述方法。
15.进一步地，所述空调系统包括多个制冷主机、冷却水泵和风机。
16.本发明提供的基于物联网的楼宇空调节能控制方法及系统，至少包括如下有益效果：（1）通过建立总能耗模型对空调耗电情况进行分析，并且同时采用邻域搜索和随机搜索的方式，根据粒子群算法对能耗模型进行迭代，以满足正态分布要求更新部分粒子的位置，获得楼宇空调系统最优控制参数，得到的结果更加准确合理，楼宇空调系统节能效果好。
17.（2）通过制冷主机、冷却水泵和风机的参数建立总能耗模型以及设置控制参数，参数涉及到空调的多个耗能部件，因素考虑全面，以此为基础进行求解，求到的空调系统控制方法最优解更为准确，进一步提升节能效果。
18.（3）在适应度值计算时，采用惩罚因子对不满足约束条件的粒子的适应度值进行调整，采用这种适应度值计算方法，实现了更加准确的粒子优劣评估，为下一步进行更加合理精准的粒子优劣划分提供了基础。
19.（4）进行粒子群算法进行迭代求解时，对得到粒子按照适应度值进行排序进而划分优劣，对较优粒子采用粒子群算法本身的随机搜索算法进行迭代，节约了算力，而对另一部分粒子采用了领域搜索的算法，以满足正态分布要求进行迭代，提升了最优解求解的准确度，该优化后的粒子群算法兼顾了求解的准确性与效率，实现了较好的楼宇空调控制效果。
附图说明
20.图1为本发明提供的基于物联网的楼宇空调节能控制方法一种实施例的流程图。
21.图2为本发明提供的基于物联网的楼宇空调节能控制方法中对剩余粒子的更新方法一种实施例的流程图。
22.图3为本发明提供的基于物联网的楼宇空调节能控制装置一种实施例的结构示意图。
23.图4为本发明提供的基于物联网的楼宇空调节能控制系统一种实施例的结构示意图。
24.附图标记：100-空调系统，101-制冷主机，102-冷却水泵，103-风机，200-物联网平台，2001-通信建立模块，2002-模型建立模块，2003-初始化模块，2004-计算模块，201-处理器，202-存储装置。
具体实施方式
25.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
26.参考图1，在一些实施例中，提供一种基于物联网的楼宇空调节能控制方法，包括：s1、建立楼宇内空调系统与物联网平台的通信连接；s2、物联网平台建立所述空调系统的总能耗模型；s3、以空调系统的控制参数组合作为优化变量，以空调系统的运行策略作为粒子，建立种群并初始化每个粒子的位置和速度；s4、迭代执行如下操作，直到满足停止条件，输出满足所述总能耗模型的约束条件的最优解：s41、计算种群中每个粒子的适应度值；s42、根据所述适应度值的计算结果，选择预设数量的粒子作为较优粒子；s43、对除较优粒子之外的剩余粒子进行邻域搜索并更新位置，使其满足正态分布，同时较优粒子通过随机搜索的方式更新自身的位置。
27.具体地，所述空调系统的总能耗包括制冷主机能耗、冷却水泵能耗和风机能耗。
28.步骤s2中，所述总能耗模型如下所示：min（p
total
）；；；；）；其中，p
total
为空调系统的总能耗，n表示制冷主机的数量，p
cold,i
表示第i个制冷主机的能耗，m表示冷却水泵的数量，p
water,j
表示第j个冷却水泵的能耗，q表示风机的数量，p
wind,k
表示第k个风机的能耗，p
cold
表示制冷主机的能耗，a1、a2、a3、a4表示制冷主机的性能系数，plr表示制冷主机的负荷率，plri表示第i个制冷主机的负荷率，rci表示第i个制冷主机的额定制冷量，cl表示空调系统末端的负荷需求，p
water
表示冷却水泵的能耗，b1、b2、b3表示冷却水泵的拟合系数，v表示冷却水泵的冷却水流量，p
wind
表示风机的能耗，c1、c2、c3、c4表示风机的拟合系数，fr表示空气的流量率，为空气流量与额定空气流量的比值，pe表示风机的额定功率。
29.制冷主机的性能系数a1、a2、a3、a4、冷却水泵的拟合系数b1、b2、b3，风机的拟合系数c1、c2、c3、c4可以通过相关的仿真软件模拟空调在不同工况下的耗能而计算获得。
30.作为一种较优的实施方式，每台冷机的负荷率plr应不小于0.3，因此plri满足约束条件：0.3≤plri≤1或plri=0。
31.步骤s3中，所述控制参数包括制冷主机的负荷率、冷却水泵的冷却水流量以及空气的流量率。
32.步骤s4中，用粒子位置表示每个粒子相关的空调系统控制参数，用粒子的速度表示各个参数的变化范围，停止条件为迭代执行次数达到预设的最大次数。
33.步骤s41中，每个粒子的适应度值通过以下公式进行计算：；其中，f为适应度，p
total
为空调系统的总能耗，c为空调系统能耗的上限值，z为惩罚因子，plri表示第i个制冷主机的负荷率，rci表示第i个制冷主机的额定制冷量，cl表示空调系统末端的负荷需求，n表示制冷主机的数量。
34.在上述公式中，将粒子与约束条件的适配情况对粒子优劣进行评估，根据每个粒子是否能很好地满足约束条件来调整适应度值，用于评估粒子的优劣情况，从而进行下一步粒子划分。具体地，若粒子在满足约束条件的同时获得了较好的节能结果，则该粒子会获得较大的适应度值；对应的，若粒子不能满足约束条件，则说明该粒子属于不可行的解，适应度值计算中将会给予该粒子较大的惩罚以降低该粒子的适应度值。采用这种适应度值计算方法，实现了更加准确的粒子优劣评估，为下一步进行更加合理精准的粒子优劣划分提供了基础。
35.其中，惩罚因子z的数值范围为1000-3000。
36.步骤s42中，根据所述适应度值的计算结果，选择预设数量的粒子作为较优粒子，包括：将各个粒子的适应度值按照降序排序，选择适应度值排前二分之一的粒子作为较优粒子。
37.根据粒子的适应度值对粒子进行排序进而划分，在进一步的计算中，对较优的粒子执行随机搜素算法，节约了算力，对较劣的粒子执行邻域优化算法，提升了准确性，兼顾了准确性与效率，实现了较好的楼宇空调控制效果。
38.进一步地，较优粒子通过以下公式进行随机搜索，获得新解并代替旧解：；其中，x
ij
(t+1)为第i个粒子在第j维的在t+1时刻的位置，x
j,max
和x
j,min
分别表示较优粒子中在第j维最大值和最小值，rand为0-1的随机数，x
ij
(t)为第i个粒子在第j维的在t时刻的位置，p(x
ij
(t+1))表示对应于位置x
ij
(t+1)的总能耗值，p(x
ij
(t))表示对应于位置x
ij
(t)的总能耗值。
39.参考图2，步骤s43中，对除较优粒子之外的剩余粒子进行邻域搜索并更新位置，使其满足正态分布，包括：
s431、根据所述总能耗模型，计算剩余粒子在当前位置下对应的总能耗值；s432、根据剩余粒子在当前位置下对应的总能耗值，计算其均值和方差；s433、所述剩余粒子进行邻域搜索，以剩余粒子的总能耗值作为随机变量，更新粒子位置使其满足正态分布。
40.作为一种较优的实施方式，本实施例提供的空调控制方法可以采用多个计算单元进行控制，建立群智能物联网平台。各个计算单元中的算法均是标准化的，因此具有很好的可移植性，通过多次下载的方式进行空调控制的部署。相较于扁平化的集中式控制方式，群智能物联网平台效率更高，算法复用率高，具有更好的控制效果。
41.相应的，对于除较优粒子之外的剩余粒子，各个计算单元根据邻域搜索后所得满足正态分布的样本的均值和方差，生成服从正态分布模型的多个新粒子，并与步骤s42中得到的多个上一代较优粒子进行随机搜索后的形成粒子形成一个整体。然后对上述粒子进行适应度值评价，选出其中预设个数的较优个体作为下一次迭代的粒子。经过多次上述步骤的迭代计算，所产生的新粒子分布将比原粒子分布结果更接近于当前空调控制参数的最优解。
42.步骤s432中，所述均值和方差通过以下公式进行计算：；；其中，μ为均值，k表示剩余粒子的总数量，（p
total
）q为第q个粒子在当前位置下的空调系统总能耗值，为方差。
43.进一步地，步骤s433中，剩余粒子进行邻域搜索，需要确定其搜索半径，为了使算法快速收敛，在确定搜索半径时，也将适应度值考虑在内，即增大适应度较小粒子的搜索半径；减小适应度较大粒子的搜索半径，搜索半径通过以下公式确定：；；其中，r为搜索半径，k为搜索步长，f为适应度值，x
j,max
和x
j,min
分别表示剩余粒子中在第j维最大值和最小值。
44.在算法执行初期，需要一个较大的k值来扩大搜索范围；而在算法执行的后期，则需要一个较小的k值实现算法在最优解附近较小范围内的精细化搜索。因此，k 值的大小是根据剩余粒子在变化过程中的实时状态信息来决定的。
45.参考图3，在一些实施例中，提供一种基于物联网的楼宇空调节能控制装置，包括：通信建立模块2001，用于建立楼宇内空调系统与物联网平台的通信连接；模型建立模块2002，用于物联网平台建立所述空调系统的总能耗模型；初始化模块2003，用于以空调系统的控制参数组合作为优化变量，以空调系统的运行策略作为粒子，建立种群并初始化每个粒子的位置和速度；
计算模块2004，用于迭代执行如下操作，直到满足停止条件，输出满足所述总能耗模型的约束条件的最优解：计算种群中每个粒子的适应度值；根据所述适应度值的计算结果，选择预设数量的粒子作为较优粒子；对除较优粒子之外的剩余粒子进行邻域搜索并更新位置，使其满足正态分布，同时较优粒子通过随机搜索的方式更新自身的位置。
46.具体地，所述模型建立模块2002中，所述空调系统的总能耗包括制冷主机能耗、冷却水泵能耗和风机能耗。
47.所述总能耗模型如下所示：min（p
total
）；；；；）；其中，p
total
为空调系统的总能耗，n表示制冷主机的数量，p
cold,i
表示第i个制冷主机的能耗，m表示冷却水泵的数量，p
water,j
表示第j个冷却水泵的能耗，q表示风机的数量，p
wind,k
表示第k个风机的能耗，p
cold
表示制冷主机的能耗，a1、a2、a3、a4表示制冷主机的性能系数，plr表示制冷主机的负荷率，plri表示第i个制冷主机的负荷率，rci表示第i个制冷主机的额定制冷量，cl表示空调系统末端的负荷需求，p
water
表示冷却水泵的能耗，b1、b2、b3表示冷却水泵的拟合系数，v表示冷却水泵的冷却水流量，p
wind
表示风机的能耗，c1、c2、c3、c4表示风机的拟合系数，fr表示空气的流量率，为空气流量与额定空气流量的比值，pe表示风机的额定功率。
48.所述初始化模块2003中，所述控制参数包括制冷主机的负荷率、冷却水泵的冷却水流量以及空气的流量率。
49.所述计算模块2004中，每个粒子的适应度值通过以下公式进行计算：；其中，f为适应度，p
total
为空调系统的总能耗，c为空调系统能耗的上限值，z为惩罚因子，plri表示第i个制冷主机的负荷率，rci表示第i个制冷主机的额定制冷量，cl表示空调系统末端的负荷需求，n表示制冷主机的数量。
50.所述计算模块2004还用于，根据所述适应度值的计算结果，选择预设数量的粒子作为较优粒子，包括：将各个粒子的适应度值按照降序排序，选择适应度值排前二分之一的粒子作为较优粒子。
51.所述计算模块2004还用于，对除较优粒子之外的剩余粒子进行邻域搜索并更新位
置，使其满足正态分布，包括：根据所述总能耗模型，计算剩余粒子在当前位置下对应的总能耗值；根据剩余粒子在当前位置下对应的总能耗值，计算其均值和方差；所述剩余粒子进行邻域搜索，以剩余粒子的总能耗值作为随机变量，更新粒子位置使其满足正态分布。
52.其中，所述均值和方差通过以下公式进行计算：；；其中，μ为均值，k表示剩余粒子的总数量，（p
total
）q为第q个粒子在当前位置下的空调系统总能耗值，为方差。
53.参考图4，在一些实施例中，提供一种基于物联网的楼宇空调节能控制系统，包括物联网平台200和空调系统100，所述物联网平台200包括处理器201和存储装置202，所述存储装置202存储有多条指令，所述处理器201用于读取所述指令并执行上述方法。
54.其中，所述空调系统100包括多个制冷主机101、冷却水泵102和风机103。
55.本实施例提供的基于物联网的楼宇空调节能控制方法及系统，通过建立总能耗模型对空调耗电情况进行分析，并且同时采用邻域搜索和随机搜索的方式，根据粒子群算法对能耗模型进行迭代，以满足正态分布要求更新部分粒子的位置，获得楼宇空调系统最优控制参数，得到的结果更加准确合理，楼宇空调系统节能效果好；通过制冷主机、冷却水泵和风机的参数建立总能耗模型以及设置控制参数，参数涉及到空调的多个耗能部件，因素考虑全面，依次为基础进行求解，求到的空调系统控制方法最优解更为准确，进一步提升节能效果；在适应度值计算时，采用惩罚因子对不满足约束条件的粒子的适应度值进行调整，采用这种适应度值计算方法，实现了更加准确的粒子优劣评估，为下一步进行更加合理精准的粒子优劣划分提供了基础；进行粒子群算法进行迭代求解时，对得到粒子按照适应度值进行排序进而划分优劣，对较优粒子采用粒子群算法本身的随机搜索算法进行迭代，节约了算力，而对另一部分粒子采用了领域搜索的算法，以满足正态分布要求进行迭代，提升了最优解求解的准确度，该优化后的粒子群算法兼顾了求解的准确性与效率，实现了较好的楼宇空调控制效果。
56.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
技术特征：1.一种基于物联网的楼宇空调节能控制方法，其特征在于，包括：建立楼宇内空调系统与物联网平台的通信连接；物联网平台建立所述空调系统的总能耗模型；以空调系统的控制参数组合作为优化变量，以空调系统的运行策略作为粒子，建立种群并初始化每个粒子的位置和速度；迭代执行如下操作，直到满足停止条件，输出满足所述总能耗模型的约束条件的最优解：计算种群中每个粒子的适应度值；根据所述适应度值的计算结果，选择预设数量的粒子作为较优粒子；对除较优粒子之外的剩余粒子进行邻域搜索并更新位置，使其满足正态分布，同时较优粒子通过随机搜索的方式更新自身的位置。2.根据权利要求1所述的方法，其特征在于，所述空调系统的总能耗包括制冷主机能耗、冷却水泵能耗和风机能耗。3.根据权利要求1或2所述的方法，其特征在于，所述总能耗模型如下所示：min（p
total
）；；；；；其中，p
total
为空调系统的总能耗，n表示制冷主机的数量，p
cold,i
表示第i个制冷主机的能耗，m表示冷却水泵的数量，p
water,j
表示第j个冷却水泵的能耗，q表示风机的数量，p
wind,k
表示第k个风机的能耗，p
cold
表示制冷主机的能耗，a1、a2、a3、a4表示制冷主机的性能系数，plr表示制冷主机的负荷率，plr
i
表示第i个制冷主机的负荷率，rc
i
表示第i个制冷主机的额定制冷量，cl表示空调系统末端的负荷需求，p
water
表示冷却水泵的能耗，b1、b2、b3表示冷却水泵的拟合系数，v表示冷却水泵的冷却水流量，p
wind
表示风机的能耗，c1、c2、c3、c4表示风机的拟合系数，fr表示空气的流量率，为空气流量与额定空气流量的比值，p
e
表示风机的额定功率。4.根据权利要求3所述的方法，其特征在于，所述控制参数包括制冷主机的负荷率、冷却水泵的冷却水流量以及空气的流量率。5.根据权利要求1所述的方法，其特征在于，每个粒子的适应度值通过以下公式进行计算：；其中，f为适应度，p
total
为空调系统的总能耗，c为空调系统能耗的上限值，z为惩罚因
子，plr
i
表示第i个制冷主机的负荷率，rc
i
表示第i个制冷主机的额定制冷量，cl表示空调系统末端的负荷需求，n表示制冷主机的数量。6.根据权利要求1或5所述的方法，其特征在于，根据所述适应度值的计算结果，选择预设数量的粒子作为较优粒子，包括：将各个粒子的适应度值按照降序排序，选择适应度值排前二分之一的粒子作为较优粒子。7.根据权利要求3所述的方法，其特征在于，对除较优粒子之外的剩余粒子进行邻域搜索并更新位置，使其满足正态分布，包括：根据所述总能耗模型，计算剩余粒子在当前位置下对应的总能耗值；根据剩余粒子在当前位置下对应的总能耗值，计算其均值和方差；所述剩余粒子进行邻域搜索，以剩余粒子的总能耗值作为随机变量，更新粒子位置使其满足正态分布。8.根据权利要求7所述的方法，其特征在于，所述均值和方差通过以下公式进行计算：；；其中，μ为均值，k表示剩余粒子的总数量，（p
total
）
q
为第q个粒子在当前位置下的空调系统总能耗值，为方差。9.一种基于物联网的楼宇空调节能控制系统，其特征在于，包括物联网平台和空调系统，所述物联网平台包括处理器和存储装置，所述存储装置存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-8任一所述的方法。10.根据权利要求9所述的系统，其特征在于，所述空调系统包括多个制冷主机、冷却水泵和风机。
技术总结本发明公开了一种基于物联网的楼宇空调节能控制方法及系统，方法包括：以空调系统的控制参数组合作为优化变量，以空调系统的运行策略作为粒子，建立种群并初始化每个粒子的位置和速度；迭代执行如下操作，直到满足停止条件，输出满足所述总能耗模型的约束条件的最优解：计算种群中每个粒子的适应度值；根据所述适应度值的计算结果，选择预设数量的粒子作为较优粒子；对除较优粒子之外的剩余粒子进行邻域搜索并更新位置，使其满足正态分布，同时较优粒子通过随机搜索的方式更新自身的位置；该方法同时采用邻域搜索和随机搜索的方式，根据粒子群算法对能耗模型进行迭代获得楼宇空调系统最优控制参数，得到的结果更加准确合理，节能效果好。节能效果好。节能效果好。
技术研发人员：付建萌 魏章 潘继平 赵磊
受保护的技术使用者：北京蒙帕信创科技有限公司
技术研发日：2022.07.19
技术公布日：2022/11/1
