本发明提供了一种会展场馆中央空调能效最优预冷控制方法，本方法综合物联网及自动控制技术，实时感知室内外环境参数，精确预测空调负荷，科学计算空调预冷所需的空调容量，选择最适宜的空调主机进行预冷，再综合当前环境参数及空调负荷等参数准确计算预冷最佳启动时间，同时通过预冷温度速度控制器和预冷湿度速度控制器对空调系统进行实时控制，确保场馆室内温度、湿度在场馆正式运营时恰好达到预定值，实现在不影响客户体验的前提下空调系统能源消耗最小。
一种会展场馆中央空调能效最优预冷控制方法
技术领域
[0001] 本发明涉及一种会展场馆中央空调能效最优预冷控制方法。
背景技术
[0002] 随着我国2030年碳达峰、2060年碳中和宏伟目标的确定，节能降耗备受人们关注。在我国能耗总量中建筑能耗占到三分之一，建筑节能将成为达成这一目标的有效手段。在
建筑能耗中，空调能耗占比高达40％以上，特别是大型公共建筑，空调能耗尤为突出，而作
为城市会客厅的会展场馆也不另外。场馆一般采用中央空调系统进行制冷，为提升用户体
验，一般会提前开启中央空调系统进行预冷，以实现在场馆正式运营前室内温度湿度达到
舒适要求。而目前传统的预冷方法一般为经验法，由空调运行管理人员根据管理经验或行
业普遍方法，在场馆正式使用前提前一段时间开启一定容量的空调系统进行预冷。
[0003] 传统的空调预冷方法，依赖于管理人员的经验水平，为了确保预冷效果，通常留有很大的余度，一般会提前过长时间或投入过大容量的空调系统进行预冷，导致预冷时间过
长和空调系统长时间工作在低效状态等问题，造成大量能源浪费。
发明内容
[0004] 发明目的：为解决背景技术中存在的技术问题，本发明提出一种会展场馆中央空调能效最优预冷控制方法，包括如下步骤：
[0005] 步骤1，设置场馆运行参数；
[0006] 步骤2，采集场馆运行状态参数；
[0007] 步骤3，预测空调系统预冷结束时的制冷功率；
[0008] 步骤4，计算空调预冷最佳启动时间；
[0009] 步骤5，启动预冷空调主机；
[0010] 步骤6，空调预冷控制。
[0011] 步骤1包括：设置场馆正式运营开始时间tcgon及正式运营时场馆内预期的温度Tinsp和湿度φinsp。
[0012] 步骤2包括：
[0013] 步骤2‑1，采集场馆外温度、湿度：在场馆外非太阳直射处安装温湿度传感器，采集场馆室外的温度Tout(k)和相对湿度值φout(k)，其中k表示采集时刻；
[0014] 步骤2‑2，采集场馆外光照强度：在场馆外安装光照度传感器采集场馆所在位置的光照强度用Lu(k)表示；
[0015] 步骤2‑3，采集场馆内用电设备运行总功率：在场馆各电力回路上安装电能表，汇总各电能表的总有效功率值，得到场馆内用电设备运行总功率Pdev(k)；
[0016] 步骤2‑4，采集场馆内人数：在场馆进出口安装闸机，记录场馆进出人数，将总的进场人数减总的出场人数得到场馆内的人数Nper(k)；
[0017] 步骤2‑5，采集场馆内温度、湿度：在场馆内安装温湿度传感器，采集场馆内的温度和相对湿度值，分别用Tin(k)和φin(k)表示；
[0018] 步骤2‑6，采集空调主机总运行功率：通过空调主机网关采集各空调主机的制冷功率，并进行汇总，得到空调系统的制冷功率Pca(k)。
[0019] 步骤3包括：
[0020] 步骤3‑1，设计BP神经网络：
[0021] 空调预冷结束时的制冷功率与结束时的室外环境温度、室外环境湿度、室外光照强度、场馆内设备散热、场馆内人数、室内温度、和室内湿度这7个变量有关，将这7个变量作
为BP神经网络的输入，则输入层选择1层7个神经元节点，隐含层选择1层11个神经元节点，
输出层选择1层1个神经元节点，将BP神经网络的输入用IN表示，隐含层输出用H表示，网络
输出层输出用OUT表示，输入层与隐含层间的连接权值用W表示，隐含层各神经元的阈值用
YID表示，隐含层与输出层神经元节点的连接权重用V表示，输出神经元节点的阈值用YOU表
示，隐含层激活函数选择Sigmod函数，输出层的激活函数选择ReLV函数；
[0022] 则BP神经网络的数学表达式如下：
[0023] OUT＝ReLV(V·Sigmod(W·IN‑YID)‑YOU) (1)
[0024] 其中：
[0025] Sigmod为激活函数，其函数表达式为 其中x表示函数的自变量；
[0026] ReLV为激活函数，函数表达式表示为f(x)＝max(0，x)；
[0027] V为h×1阶矩阵，其值表示为V＝[v11 v21 … vi1 … vh1]，其中vi1为V的元素，表示隐含层第i个节点与输出层第1个神经元节点间的连接权值，i∈{1，2，3，…，11}；
[0028] W为11×7阶的矩阵， 其中wi，j为W的元素，表示隐含层第i个神经元节点与输入层第j个神经元节点间的连接权值，j∈{1，2，3，…，
7}；
[0029] YID为1×7阶矩阵，表示为 其中yidi表示隐含层第i个神经元节点的阈值，i∈{1，2，…，7}；
[0030] YOU为常数；
[0031] 步骤3‑2，训练BP神经网络：
[0032] 步骤3‑3，预测空调预冷结束时的制冷功率。
[0033] 步骤3‑2包括：
[0034] 步骤3‑2‑1，采集样本数据：
[0035] 在场馆空调运行过程中，采集空调系统在不同稳态运行时的Tout、φout、Lu、Pdev、Nper、Tin、φin和Pca值，将其中Tout、φout、Lu、Pdev、Nper、Tin、φin参数作为BP神经网络的输入样
本数据，将Pca作为BP神经网络的输出样本数据，分别表示如下：
[0036]
[0037] 其中：
[0038] B表示样本数据序号，b∈{1，2，3，……，YB}，YB为样本数据容量；
[0039] Tout(b)：第b个样本数据采集到的室外温度值；
[0040] φout(b)：第b个样本数据采集到的室外相对湿度值；
[0041] Lu(b)：第b个样本数据采集到的室外光照强度值；
[0042] Pdev(b)：第b个样本数据采集到的场馆内用电设备运行总功率值；
[0043] Nper(b)：第b个样本数据采集到的场馆内的人数值；
[0044] Tin(b)：第b个样本数据采集到的场馆内的温度值；
[0045] φin(b)：第b个样本数据采集到的场馆内的相对湿度值；
[0046] Pca(b)：第b个样本数据采集到的空调系统的总制冷功率值；
[0047] inyb(b)：第b个样本输入数据；
[0048] outyb(b)：第b个样本输出数据；
[0049] INyb：BP神经网络输入数据数列；
[0050] OUTyb：BP神经网络输出数据数列；
[0051] 步骤3‑2‑2，样本数据归一化：
[0052] 将样本inyb(b)数据按如下方法进归一化处理：
[0053]
[0054] 其中：
[0055] inyby(b)：归一化处理后的第b个输入样本数据；
[0056] Tout(max)：室外温度最大值；
[0057] Tout(min)：室外温度最小值；
[0058] φout(max)：室外相对湿度最大值；
[0059] φout(min)：室外相对湿度最小值；
[0060] Lu(max)：室外相对湿度最大值；
[0061] Lu(min)：室外相对湿度最小值；
[0062] Pdev(max)：场馆内用电设备运行总功率的最大值；
[0063] Pdev(min)：场馆内用电设备运行总功率的最小值；
[0064] Nper(max)：场馆内人数最大值；
[0065] Nper(min)：场馆内人数最小值；
[0066] Tin(max)：室内温度最大值；
[0067] Tin(min)：室内温度最小值；
[0068] 得到归一化后的BP神经网络输入样本数据数列INyby：
[0069] INyby＝[inyby(1) inyby(2) ... inyby(b) ... inyby(YB)] (4)
[0070] 将样本outyb(b)数据按如下方法进归一化处理：
[0071]
[0072] 其中：
[0073] outyby(b)：归一化处理后的第b个输出样本数据；
[0074] PAC(min)：场馆空调制冷主机中制冷功率最小值；
[0075] PAC(max)：场馆空调制冷主机中制冷功率最大值；
[0076] 则得到归一化后的BP神经网络输出样本数据数列OUTyby，其表达式如下：
[0077] OUTyby＝[outyby(1) outyby(2) ... outyby(b) ... outyby(YB)] (6)
[0078] 步骤3‑2‑3，训练BP神经网络，具体包括：
[0079] 步骤3‑2‑3‑1，建立BP神经网络，打开Matlab软件，在命令栏中输入如下命令：
[0080] Net＝newff(INyby，OUTyby，11，′traingdm′) (7)
[0081] 其中：
[0082] Net：神经网络的名称；
[0083] newff：神经网络的构建函数；
[0084] 11：表示隐含层有11个神经元节点；
[0085] traingdm：反向传播的训练函数；
[0086] 步骤3‑2‑3‑2，设置BP神经网络的参数：
[0087]
[0088] 其中：
[0089] Net.trainParam.epochs：表示训练的迭代次数；
[0090] Net.trainParam.lr：表示训练的学习率；
[0091] Net.trainParam.goal：为神经网络误差训练目标值；
[0092] 步骤3‑2‑3‑3，启动BP神经网络训练：
[0093] Net＝train(Net，INyby，OUTyby) (9)
[0094] 步骤3‑2‑3‑4，输出训练好的BP神经网络的参数：
[0095]
[0096] 步骤3‑2‑3‑5，将训练好的BP神经网络参数代入式(1)得到训练好的BP神经网络模型的数学模型，表示如下：
[0097] OUT＝ReLV(V·Sigmod(W·IN‑YID)‑YOU) (11)。
[0098] 步骤3‑3包括：
[0099] 步骤3‑3‑1，在场馆正式开始运营前选一个时刻作为预测时间点，用tyc表示，其值表示如下：
[0100] tyc＝tcgon+ttq (12)
[0101] 其中：
[0102] ttq：提前预测的时长；
[0103] 步骤3‑3‑2，在tyc时刻采集场馆的室外环境温度、室外环境湿度、室外光照强度，分别用Tout(tyc)、φout(tyc)、Lu(tyc)表示；
[0104] 步骤3‑3‑3，使用场馆历史运行数据计算场馆前一年正式运营时场馆内用电设备运行总功率的平均值Pdev(tyc)；
[0105] 步骤3‑3‑4，使用场馆历史运行数据计算场馆前一年正式运营时场馆内人数的平均值Nper(tyc)；
[0106] 步骤3‑3‑5，将Tout(tyc)、φout(tyc)、Pdev(tyc)、Lu(tyc)、Nper(tyc)、Tinsp，φinsp进行归一化处理后组成矩阵INycgy，表示如下：
[0107]
[0108] 步骤3‑3‑6，将INycgy作为输入代入式(11)得到空调预冷结束时的制冷功率的归一值，用Pprgy表示，则取值表示如下：
[0109] Pprgy＝ReLV(V·Sigmod(W·INycgy‑YID)‑YOU) (14)
[0110] 步骤3‑3‑7，将Pprgy进行反归一化处理得到空调系统预冷结束时的制冷功率预测值，用Ppr表示，计算过程如下：
[0111] Ppr＝Pprgy·(PAC(max)‑PAC(min))+PAC(min) (15)。
[0112] 步骤4包括：
[0113] 步骤4‑1，空调预冷负荷由两部分组成，一部分是将场馆温度和湿度从预冷开始时刻的数值预冷至正式运营时的设定值所需的空调负荷；另一部分是维持场馆内温度和湿度
在设定值运行所需的空调负荷，此部分负荷近似为空调预冷结束时的制冷功率，则空调预
冷过程的能耗计算公式如下：
[0114] Qyl＝ρa·Vc·(hylend‑hylst)+Ppr·(tylend‑tylst) (16)
[0115] 其中：
[0116] Qyl：预冷能耗；
[0117] hylend：场馆内预冷结束时空气的焓值；
[0118] hylst：场馆内预冷开始时空气的焓值；
[0119] tylst：空调预冷开始时刻；
[0120] tylend：空调预冷结束时刻，即为场馆正式运营的开始时刻；
[0121] 步骤4‑2，计算预冷时长：
[0122] 由式(16)可知，预冷能耗与场馆内的预冷开始时的温湿度、场馆正式运营时设定的温湿度、空调预冷结束时的制冷功率及空调预冷时长有关，而其中场馆内的预冷开始时
的温湿度、场馆正式运营时设定的温湿度、空调预冷结束时的制冷功率参数均由场馆运营
需要及天气决定，只有空调预冷时长即(tylend‑tylst)的值能够通过控制调节，如果要使预冷
能耗最小，则需使(tylend‑tylst)取值最小，如果要使空调预冷时长最短，则空调需使用空调
设计送风温度和设计最大送风量送风，根据空调送风及能量守恒可得如下等式：
[0123]
[0124] 其中：
[0125] Ca：空气的比热容；
[0126] ρa：空气的密度；
[0127] us：场馆空调最大送风量，；
[0128] 送风时长；
[0129] Th(k)：场馆k时刻的回风温度；
[0130] Th(k‑1)：场馆k‑1时刻的回风温度；
[0131] Ts：场馆空调设计送风温度；
[0132] Vc：场馆体积；
[0133] 将式(17)整理得到：
[0134]
[0135] 当 趋近0时，上述等式写成：
[0136]
[0137] 其中：
[0138] Th为场馆回风温度；
[0139] 将式(19)两边同时积分并整理得到：
[0140]
[0141] 其中：
[0142] Th(ylst)：预冷开始时的回风温度；
[0143] Th(ylend)：预冷结束时的回风温度；
[0144] Vc：场馆体积；
[0145] us：空调最大送风量；
[0146] Ts：空调设计送风温度；
[0147] Th(ylend)：空调预冷结束时的回风温度，由于空调预冷结束时，场馆室内温度需达到场馆空调设定温度，即Th(ylend)＝Tinsp；
[0148] Th(ylst)：空调预冷开始时的场馆内温度；
[0149] 将式(20)调整能够得到tylst的值，由于空调系统启动需要一定时间，且为了保证场馆预冷完全，需留有一定的预冷余量，需提前一段时间启动，则空调系统的最佳预冷启动
时间为：
[0150]
[0151] 其中：
[0152] tqdsc：空调启动命令下发到空调系统启动完成所需要的时长；
[0153] taq：安全裕度时长。
[0154] 步骤5包括：
[0155] 步骤5‑1，选择预冷空调主机：
[0156] 空调预冷所需的制冷功率由两部分组成，一部分是将场馆内空气从预冷开始时的温度和湿度值预冷至场馆正式运营时的设定值所需的制冷功率；另一部分是维持场馆内温
度和湿度运行在场馆正式运营时的设定值所需的制冷功率，此部分制冷功率近似为空调预
冷结束时所需的制冷功率即Per；
[0157] 则空调预冷所需的制冷功率表示为：
[0158] Pylxq＝Pair+Per (22)
[0159] 其中：
[0160] Pylxq：空调预冷所需的制冷功率；
[0161] Pair：将场馆内空气从预冷开始时刻的温度和湿度值预冷至场馆运营时刻的设定值所需的空调制冷功率；
[0162] 场馆空气在预冷时段内的能量平均变化率Ps计算如下：
[0163]
[0164] 其中：
[0165] hylend：预冷结束时场馆内空气的焓值；
[0166] hylst：空调预冷开始时场馆内空气的焓值；
[0167] 将场馆内空气从预冷开始时刻的温度和湿度值预冷至场馆运营时刻的设定值所需的空调制冷功率Pair表示如下：
[0168]
[0169] 其中：
[0170] γ：空调系统的换热效率；
[0171] 自此得到Pylxq的取值，其值表示如下：
[0172]
[0173] 将场馆各空调主机进行自由组合，选择额定制冷量之和大于Pylxq的组合中额定制冷量之和为最小的空调主机组合为空调预冷主机，即至此完成预冷空调主机的选择；
[0174] 步骤5‑2，启动预冷空调主机：按空调系统的启动步骤启动被预冷选择的空调主机对应的空调系统。
[0175] 步骤6包括：
[0176] 空调预冷控制系统采用4输入2输出的温度与湿度双闭环控制系统，当进入预冷时段后，将预冷结束时间减去当前时间得到当前预冷所剩时长；将场馆设定温度和湿度减去
当前场馆内温湿度传感器检测到的温湿度值，得到当前预冷温度差值和预冷湿度差值；将
当前预冷温度差值和预冷湿度差值分别除以当前预冷所剩时长，得到当前预冷温度速度给
定值和预冷湿度速度给定值；再选用两个PID控制器分别为预冷温度速度控制器和预冷湿
度速度控制器，分别对预冷温度速度和预冷湿度速度进行闭环独立控制，其中预冷温度速
度控制器的输入为当前预冷温度速度给定值，反馈值为当前场馆内温湿度传感器检测到的
温度值的变化速度，输出值用来设置空调送风机变频器的工作频率；而预冷湿度速度控制
器的输入为当前预冷湿度速度给定值，反馈为当前场馆内温湿度传感器检测到的湿度值的
变化速度，输出值用来设置空调水阀的开度；控制要素描述如下：
[0177] 1)预冷控制系统输入：
[0178] Tinsp：场馆空调设置温度；
[0179] φinsp：场馆空调设置湿度；
[0180] tylend：空调预冷结束时间；
[0181] t：当前时间；
[0182] 2)预冷控制系统输出：
[0183] Tin：场馆室内温度；
[0184] φin：场馆室内相对湿度；
[0185] 3)控制器参数整定：
[0186] 使用试凑法对温度和湿度的PID控制器的参数进行整定，温度和湿度的PID控制器的传递函数表示如下：
[0187]
[0188]
[0189] 其中：
[0190] Ws：温度PID控制器的传递函数；
[0191] Wp：温度PID控制器的比例系数；
[0192] Wi：温度PID控制器的积分系数；
[0193] Wd：温度PID控制器的微分系数；
[0194] Ss：湿度PID控制器的传递函数；
[0195] Sp：湿度PID控制器的比例系数；
[0196] Si：湿度PID控制器的积分系数；
[0197] Sd：湿度PID控制器的微分系数。
[0198] 步骤6中，所述使用试凑法对温度和湿度的PID控制器的参数进行整定，整定的方法包括如下步骤：
[0199] 步骤6‑1，比例系数整定：
[0200] 将积分系数设置为一个很大的值，一般大于50000，再将微分系数设置为0，然后将比例系数由0逐渐向大的值修改，观察系统的响应，调整至出现5％以内的超调量；
[0201] 步骤6‑2，积分系数整定：
[0202] 将积分系数由大逐渐递减，观察系统的响应，系统的静差应逐渐减少直至消除，此时如果出现大的超调(超调量大于10％)或系统震荡，则适当减小比例系数，直到消除静差
的速度达成预期；
[0203] 步骤6‑3，微分系数整定：
[0204] 如果比例和积分整定无法到达好的响应效果，逐渐将微分系数从0增大，然后观察系统响应，直至系统响应满足要求，其间可微调比例和积分系数，如果比例和积分整定已达
到很好的响应效果则将微分系数设置为0。
[0205] 有益效果：本方法综合物联网及自动控制技术，实时感知室内外环境参数，精确预测空调负荷，科学计算空调预冷所需的空调容量，选择最适宜的空调主机进行预冷，再综合
当前环境参数及空调负荷等参数准确计算预冷最佳启动时间，同时通过预冷温度速度控制
器和预冷湿度速度控制器对空调系统进行实时控制，确保场馆室内温度、湿度在场馆正式
运营时恰好达到预定值，实现在不影响客户体验的前提下空调系统预冷能源消耗最小。
附图说明
[0206] 下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
[0207] 图1是本发明方法流程图。
[0208] 图2是空调系统预冷过程示意图。
[0209] 图3是神经网络示意图。
[0210] 图4是空调预冷控制系统示意图。
[0211] 图5是场馆室内温度的变化趋势图。
[0212] 图6是场馆室内湿度的变化趋势图。
[0213] 图7是场馆室空调预冷能耗的趋势图。
具体实施方式
[0214] 如图1所示，本发明提供了一种会展场馆中央空调能效最优预冷控制方法，包括：
[0215] 1、设置场馆运行参数
[0216] 设置场馆运行的参数，包括场馆正式运营开始时间tcgon及正式运营时场馆内预期的温度Tinsp和湿度φinsp。
[0217] 2、采集场馆运行状态参数
[0218] 采集场馆运行参数包括场馆外温度、湿度、光照强度及场馆内设备运行功率、人数、温度、湿度和空调制冷功率参数，具体采集方法如下。
[0219] (1)场馆外温度、湿度采集：在场馆外非太阳直射处安装温湿度传感器，采集场馆室外的温度和相对湿度值，用Tout(k)和φout(k)表示，其中k表示采集时刻；
[0220] (2)场馆外光照强度采集：在场馆外安装光照度传感器采集场馆所在位置的光照强度Lu(k)；
[0221] (3)场馆内用电设备运行总功率采集：在场馆各电力回路上安装电能表，汇总各电能表的总有效功率值，得到场馆内用电设备运行总功率Pdev(k)；
[0222] (4)场馆内人数采集：在场馆进出口安装闸机，记录场馆进出人数，将总的进场人数减总的出场人数得到场馆内的人数Nper(k)；
[0223] (5)场馆内温度、湿度采集：在场馆内安装温湿度传感器，采集场馆内的温度和相对湿度值，分别用Tin(k)和φin(k)表示；
[0224] (6)空调主机总运行功率采集：通过空调主机网关采集各空调主机的制冷功率，并进行汇总，得到空调系统的制冷功率Pca(k)。
[0225] 3、预测空调系统预冷结束时的制冷功率
[0226] 如图2所示，空调系统预冷过程为空调启动至场馆内温度和湿度均达到设定值的过程，图中空调预冷开始时间用tylst表示，其值待步骤4中进行计算，预冷结束时间用tylend
表示，其值为场馆运营开始时间tcgon相等，而空调系统预冷结束时的制冷功率用Pcayc表示，
其值本方法用BP神经网络进行预测计算，具体步骤如下：
[0227] 3‑1)设计BP神经网络
[0228] 根据暖通空调运行原理可知，空调预冷结束时的制冷功率主要与结束时的室外环境温度、室外环境湿度、室外光照强度、场馆内设备散热、场馆内人数、室内温度、和室内湿
度这7个变量有关。则可以将这些因素作为神经网络的输入，则输入层可选1层7个神经元节
点，为了保证BP模型的预测精度，隐含层选择1层11个神经元节点(隐含层的层数和神经元
个数可根据模型预测精准度要求进行调整，要求越高层数及神经元个数越多反之亦然)，输
出层则选择1层1个神经元节点。则本发明方法的空调预冷功率预测网络如图3所示，网络的
输入用IN表示，隐含层输出用H表示，网络输出层输出用OUT表示，输入层与隐含层间的连接
权值用W表示，隐含层各神经元的阈值用YID表示，隐含层与输出层神经元节点的连接权重
用V表示，输出神经元节点的阈值用YOU表示，隐含层激活函数选择Sigmod函数，输出层的激
活函数选择ReLV函数。
[0229] 则根据神经BP网络的计算原理可将得到本神经BP网络的数学表达式如下：
[0230] OUT＝ReLV(V·Sigmod(W·IN‑YID)‑YOU) (1)
[0231] 其中：
[0232] Sigmod：为激活函数，其函数表达式为 其中x为函数的自变量；
[0233] ReLV：为激活函数，函数表达式表示为f(x)＝max(0，x)，其中x为函数的自变量；
[0234] V：为h×1阶矩阵，则其值表示V＝[v11 v21 … vi1 … vh1]，其中vi1为V的元素，表示隐含层第i个节点与输出层第1个神经元节点间的连接权值，i∈{1，2，3，…，11}；
[0235] W：为11×7阶的矩阵， 其中wi，j为W的元素，表示隐含层第i个神经元节点与输入层第j个神经元节点间的连接权值，i∈{1，2，3，…，
11}，j∈{1，2，3，…，7}；
[0236] YID：为1×7阶矩阵，可表示为 其中yidi表示隐含层第i个神经元节点的阈值，i∈{1，2，…，7}；
[0237] YOU：为常数。
[0238] 3‑2)训练BP神经网络
[0239] 训练BP神经网络模型，分三步进行，首先采集训练模型的样本数据，然后对模型数据进行归一化处理，最后使用归一化样本数据对BP神经网络模型进行训练，下面进行详细
介绍。
[0240] (1)采集样本数据
[0241] 在场馆空调运行过程中，采集空调系统在不同稳态运行时的Tout、φout、Lu、Pdev、Nper、Tin、φin和Pca值，将其中Tout、φout、Lu、Pdev、Nper、Tin、φin参数作为BP神经网络的输入样
本数据，将Pca作为BP神经网络的输出样本数据，分别表示如下：
[0242]
[0243] 其中：
[0244] b：样本数据序号，b∈{1，2，3，……，YB}，YB为样本数据容量，YB的值可根据预测模型的预测准确度进行选取，准确度越高，样本数量需求越大即YB越大，反正亦然，一般不低
于10000；
[0245] Tout(b)：第b个样本数据采集到的室外温度值；
[0246] φout(b)：第b个样本数据采集到的室外相对湿度值；
[0247] Lu(b)：第b个样本数据采集到的室外光照强度值；
[0248] Pdev(b)：第b个样本数据采集到的场馆内用电设备运行总功率值；
[0249] Nper(b)：第b个样本数据采集到的场馆内的人数值；
[0250] Tin(b)：第b个样本数据采集到的场馆内的温度值；
[0251] φin(b)：第b个样本数据采集到的场馆内的相对湿度值；
[0252] Pca(b)：第b个样本数据采集到的空调系统的总制冷功率值；
[0253] inyb(b)：第b个样本输入数据；
[0254] outyb(b)：第b个样本输出数据；
[0255] INyb：BP神经网络输入数据数列；
[0256] OUTyb：BP神经网络输出数据数列；
[0257] (2)样本数据归一化
[0258] 将样本inyb(b)数据按如下方法进归一化处理：
[0259]
[0260] 其中：
[0261] inyby(b)：归一化处理后的第b个输入样本数据；
[0262] Tout(max)：室外温度最大值，这里取60℃；
[0263] Tout(min)：室外温度最小值，这里取‑60℃；
[0264] φout(max)：室外相对湿度最大值，这里取100％；
[0265] φout(min)：室外相对湿度最小值，这里取0；
[0266] Lu(max)：室外相对湿度最大值，这里取1000001x；
[0267] Lu(min)：室外相对湿度最小值，这里取01x；
[0268] Pdev(max)：场馆内用电设备运行总功率的最大值，这里取场馆内所有耗电设备额定功率的总和；
[0269] Pdev(min)：场馆内用电设备运行总功率的最小值，这里取0kw；
[0270] Nper(max)：场馆内人数最大值，这里取场馆人数的设计容量；
[0271] Nper(min)：场馆内人数最小值，这里取0；
[0272] Tin(max)：室内温度最大值，这里取60℃；
[0273] Tin(min)：室内温度最小值，这里取‑60℃；
[0274] 进而得到归一化处理后的BP神经网络输入样本数据数列INyby：
[0275] INyby＝[inyby(1) inyby(2) ... inyby(b) ... inyby(YB)] (4)
[0276] 将样本outyb(b)数据按如下方法进归一化处理：
[0277]
[0278] 其中：
[0279] outyby(b)：归一化处理后的第b个样本输出数据；
[0280] PAC(min)：场馆空调制冷主机中制冷功率最小值，一般取制冷额定功率最小的空调机组的额定制冷功率的20％；
[0281] PAC(max)：场馆空调制冷主机中制冷功率最大值，一般取所有空调机组额定制冷功率的总和；
[0282] 进而得到归一化处理后的BP神经网络输出数据数列OUTyby：
[0283] OUTyby＝[outyby(1) outyby(2) ... outyby(b) ... outyby(YB)] (6)
[0284] (3)训练BP神经网络
[0285] 训练BP神经网络可以使用Matlab工具或数学推导的方式进行，这里使用Matlab工具进行BP网络模型训练，主要操作如下：
[0286] 步骤1，建立BP神经网络，打开Matlab软件，在命令栏中输入如下命令：
[0287] Net＝newff(INyby，OUTyby，11，′traingdm′) (7)
[0288] 其中：
[0289] Net：神经网络的名称；
[0290] newff：神经网络的构建函数；
[0291] 11：表示隐含层有11个神经元节点；
[0292] traingdm：反向传播的训练函数；
[0293] 步骤2，设置BP神经网络的参数：
[0294]
[0295] 其中：
[0296] Net.trainParam.epochs：表示训练的迭代次数，可根据神经网络的复杂情况进行设置，神经网络越复杂此参数设置越大，反正亦然，这里设置为2000；
[0297] Net.trainParam.lr：表示训练的学习率，这里设置为0.1，可根据训练情况进行调整；
[0298] Net.trainParam.goal：为神经网络误差训练目标值，此值越小，训练网络越精确，反正亦然，一般设置为0.001左右；
[0299] 步骤3，启动BP神经网络训练：
[0300] Net＝train(Net，INyby，OUTyby) (9)
[0301] 步骤4，输出训练好的BP神经网络的参数：
[0302]
[0303] 步骤5，将训练好的BP神经网络参数代入式(1)得到训练好的BP神经网络模型的数学模型，表示如下：
[0304] OUT＝ReLV(V·Sigmod(W·IN‑YID)‑YOU) (11)
[0305] 3‑3)预测空调预冷结束时的制冷功率
[0306] 应用训练好的BP神经网络模型预测空调系统预冷结束时的制冷功率，具体步骤如下：
[0307] (1)在场馆正式开始运营前选一个时刻作为预测时间点，用tyc表示，其值表示如下：
[0308] tyc＝tcgon+ttq (12)
[0309] 其中：
[0310] ttq：提前预测的时长，其值根据场馆空调系统的启动时间和场馆体量进行设置，空调系统启动时间越长或场馆体量越大，ttq取值越大，反之亦然，一般取值范围为1800秒至
3600秒；
[0311] (2)在tyc时刻采集场馆的室外环境温度、室外环境湿度、室外光照强度，分别用Tout(tyc)、φout(tyc)、Lu(tyc)表示；
[0312] (3)计算场馆正式运营时需投入运行的设备的总功率值，可使用场馆历史运行数据计算场馆前一年正式运营时场馆内用电设备运行总功率的平均值近似得到，用Pdev(tyc)
表示；
[0313] (4)计算场馆正式运营时需投入的工作人员人数，可使用场馆历史运行数据计算场馆前一年正式运营时场馆内人数的平均值近似得到，用Nper(tyc)表示；
[0314] (5)将Tout(tyc)、φout(tyc)、Pdev(tyc)、Lu(tyc)、Nper(tyc)、Tinsp，φinsp进行归一化处理后组成矩阵INycgy，表示如下：
[0315]
[0316] (6)将INycgy作为输入代入式(11)得到空调预冷结束时的制冷功率的归一值，用Pprgy表示，则取值表示如下：
[0317] Pprgy＝ReLV(V·Sigmod(W·INycgy‑YID)‑YOU) (14)
[0318] (7)将Pprgy进行反归一化处理得到空调系统预冷结束时的制冷功率预测值，用Ppr表示，计算过程如下：
[0319] Ppr＝Pprgy·(PAC(max)‑PAC(min))+PAC(min) (15)
[0320] 4、计算空调预冷最佳启动时间
[0321] (1)本发明使用反推法计算空调的最佳预冷时长。根据空调预冷过程可知，空调预冷负荷主要由两部分组成，一部分是将场馆温度和湿度从预冷开始时刻的数值预冷至正式
运营时的设定值所需的空调负荷；另一部分是维持场馆内温度和湿度在设定值运行所需的
空调负荷，此部分负荷可近似为空调预冷结束时的制冷功率，则空调预冷过程的能耗可计
算如下：
[0322] Qyl＝ρa·Vc·(hylend‑hylst)+Ppr·(tylend‑tylst) (16)
[0323] 其中：
[0324] Qyl：预冷能耗；
[0325] hylend：场馆内预冷结束时空气的焓值；
[0326] hylst：场馆内预冷开始时空气的焓值；
[0327] tylst：空调预冷开始时刻；
[0328] tylend：空调预冷结束时刻，即为场馆正式运营的开始时刻；
[0329] (2)预冷时长计算
[0330] 由式(16)可知，预冷能耗与Ppr、(tylend‑tylst)、ρa、Vc和(hylend‑hylst)有关，而Ppr、ρa、Vc和(hylend‑hylst)均由场馆当时的环境因素决定，且在预冷时段内变化不大，所以要想预冷
能耗最小则(tylend‑tylst)取值最小，即预冷时长最短。
[0331] 如果要使空调预冷时长最短，则空调需使用空调设计送风温度和设计最大送风量送风，根据空调送风及能量守恒可得如下等式：
[0332]
[0333] 其中：
[0334] Ca：空气的比热容；
[0335] ρa：空气的密度；
[0336] us：场馆空调最大送风量，；
[0337] 送风时长；
[0338] Th(k)：场馆k时刻的回风温度；
[0339] Th(k‑1)：场馆k‑1时刻的回风温度；
[0340] Ts：场馆空调设计送风温度；
[0341] Vc：场馆体积；
[0342] 将式(17)整理可得
[0343]
[0344] 当 趋近0时，上述等式可写成：
[0345]
[0346] 其中：
[0347] Th：为场馆回风温度。
[0348] 将式(19)两边同时积分并整理得到：
[0349]
[0350] 其中：
[0351] Th(ylst)：预冷开始时的回风温度；
[0352] Th(ylend)：预冷结束时的回风温度；
[0353] Vc：场馆体积，可通过测量得到；
[0354] us：空调最大送风量，可查询场馆空调系统的设计蓝图得到；
[0355] Ts：空调设计送风温度，可查询场馆空调系统的设计蓝图得到；
[0356] Th(ylend)：空调预冷结束时的回风温度，由于空调预冷结束时，场馆室内温度需达到场馆空调设定温度，即Th(ylend)＝Tinsp，由场馆运营管理人员设定；
[0357] Th(ylst)：空调预冷开始时的场馆内温度，由于场馆室内温度在未开启空调时短时间内波动很小，则其值可取场馆正式开始运营前1小时或半小时的场馆室内温度，由安装
在场馆内的温度传感器采集得到。
[0358] 则空调系统的最佳预冷启动时间为：
[0359]
[0360] 其中：
[0361] tqdsc：场馆空调系统启动需要一段启动时间，即空调启动命令下发到空调系统启动完成所需要的时长，由空调系统固定属性决定，可通过工程测量得到；
[0362] taq：安全裕度时长，为保障空调系统正常完成预冷，需留有一定的安全裕度时长，这里设置为120s；
[0363] 5、启动预冷空调主机
[0364] 启动预冷空调主机分成两个步骤进行，首先是选择预冷空调主机，然后是启动空调主机。
[0365] (1)选择预冷空调主机
[0366] 预冷空调主机的选择，即为选择空调主机中额定制冷量之和大于且最接近于空调预冷所需制冷功率的空调主机组合。根据空调预冷过程可知，空调预冷所需的制冷功率由
两部分组成，一是将场馆内空气从预冷开始时的温度和湿度值预冷至场馆正式运营时的设
定值所需的制冷功率；另一部分是维持场馆内温度和湿度运行在场馆正式运营时的设定值
所需的制冷功率，此部分制冷功率可近似为空调预冷结束时所需的制冷功率即Per。
[0367] 则空调预冷所需的制冷功率表示为：
[0368] Pylxq＝Pair+Per (22)
[0369] 其中：
[0370] Pylxq：空调预冷所需的制冷功率；
[0371] Pair：将场馆内空气从预冷开始时刻的温度和湿度值预冷至场馆运营时刻的设定值所需的空调制冷功率；
[0372] 场馆空气在预冷时段内的能量平均变化率计算如下：
[0373]
[0374] 其中：
[0375] Ps：场馆内的空气在空调预冷过程中的能量的平均变化率；
[0376] hylend：预冷结束时场馆内空气的焓值，其值可通过焓湿图查询，即为焓湿图上温度为Tinsp，相对湿度φinsp对应的空气焓值；
[0377] hylst：空调预冷开始时场馆内空气的焓值，其值可先按步骤1方法采集得到场馆内在预冷开始时刻的温度和湿度值，分别用Tin(tylst)和φin(tylst)表示，再通过焓湿图查询温
度为Tin(tylst)相对湿度为φin(tylst)对应的空气焓值，此值即为空调预冷开始时场馆内空
气的焓值；
[0378] Ps除以空调系统的换热效率即可得到将场馆内空气从预冷开始时刻的温度和湿度值预冷至场馆运营时刻的设定值所需的空调制冷功率，其值表示如下：
[0379]
[0380] 其中：
[0381] γ：空调系统的换热效率，可根据工程经验或实验法测得；
[0382] 自此可得Pylxq的取值，其值表示如下：
[0383]
[0384] 将场馆各空调主机进行自由组合，选择额定制冷量之和大于Pylxq的组合中额定制冷量之和为最小的空调主机组合为空调预冷主机，即至此完成预冷空调主机的选择。
[0385] (2)启动预冷空调主机
[0386] 按空调系统的启动步骤启动被预冷选择的空调主机对应的空调系统。
[0387] 6、空调预冷控制
[0388] 空调预冷控制按如图4进行控制，空调预冷控制系统采用4输入2输出的温度与湿度双闭环控制系统，当进入预冷时段后，将预冷结束时间减去当前时间得到当前预冷所剩
时长；将场馆设定温度和湿度减去当前场馆内温湿度传感器检测到的温湿度值，得到当前
预冷温度差值和预冷湿度差值；将当前预冷温度差值和预冷湿度差值分别除以当前预冷所
剩时长，得到当前预冷温度速度给定值和预冷湿度速度给定值；再选用两个PID控制器分别
为预冷温度速度控制器和预冷湿度速度控制器，分别对预冷温度速度和预冷湿度速度进行
闭环独立控制，其中预冷温度速度控制器的输入为当前预冷温度速度给定值，反馈值为当
前场馆内温湿度传感器检测到的温度值的变化速度，输出值用来设置空调送风机变频器的
工作频率；而预冷湿度速度控制器的输入为当前预冷湿度速度给定值，反馈为当前场馆内
温湿度传感器检测到的湿度值的变化速度，输出值用来设置空调水阀的开度；，控制要素描
述如下：
[0389] 1)预冷控制系统输入：
[0390] Tinsp：场馆空调设置温度；
[0391] φinsp：场馆空调设置湿度(若场馆对湿度没有要求或没有设置入口则此值默认为50％)；
[0392] tylend：空调预冷结束时间；
[0393] t：当前时间；
[0394] 2)预冷控制系统输出：
[0395] Tin：场馆室内温度；
[0396] φin：场馆室内相对湿度；
[0397] 3)控制器参数整定
[0398] 这里使用试凑法对温度和湿度的PID控制器的参数进行整定，两PID控制器的传递函数表示如下：
[0399]
[0400]
[0401] 其中：
[0402] Ws：为温度PID控制器的传递函数；
[0403] Wp：温度PID控制器的比例系数；
[0404] Wi：温度PID控制器的积分系数；
[0405] Wd：温度PID控制器的微分系数；
[0406] Ss：为湿度PID控制器的传递函数；
[0407] Sp：湿度PID控制器的比例系数；
[0408] Si：湿度PID控制器的积分系数；
[0409] Sd：湿度PID控制器的微分系数；
[0410] 整定方法如下：
[0411] (1)比例系数整定
[0412] 首先将积分系数设置为一个很大值，一般设置为50000以上，再将微分系数设置为0，然后将比例系数由0逐渐调大，观察系统的响应，调整至出现5％以内的超调量；
[0413] (2)积分系数整定
[0414] 将积分系数由大逐渐递减，观察系统的响应，系统的静差应逐渐减少直至消除，此时如果出现大的超调(超调量大于10％)或系统震荡，则可以适当减小比例系数，直到消除
静差的速度达成预期；
[0415] (3)微分系数整定
[0416] 如果比例和积分整定无法到达好的响应效果，则此时可逐渐将微分系数从0增大，然后观察系统响应，直至系统响应满足要求，其间可微调比例和积分系数，如果比例和积分
整定已达到很好的响应效果则可以将微分系数设置为0。
[0417] 实施例
[0418] 本方法，应用在一个3万平米的会展场馆，此场馆空调面积为1.8万米，配置了4台制冷量为650RT的离心式冷水机组(空调主机)，原预冷方法为场馆正式运营前1小时启动空
调系统进行预冷，预冷功耗平均为1350kWh。使用本方法后预冷时间缩短45分钟，预冷功耗
平均为370kWh，平均每日节能980kWh，节能率72.6％。场馆运行参数设置为Tinsp＝24℃，
φinsp＝45％，tylend＝8：30；PID控制器整定完成的系数为Wp＝3.2，Wi＝104.5，Wd＝0，Wp＝
2.1，Wi＝120.5，Wa＝0。
[0419] 场馆空调主要用能设备清单如下表1所示。表1
[0420] 空调设备 台数 单台额定功率kw 总额定功率kw冷水机组 4 429 1716
冷冻水泵 4 90 280
冷却水泵 4 75 300
冷却塔 4 15 60
[0421] 场馆正式运营时间为8：30，正式运营时室内温度设定为24℃，相对湿度设定为45％，图5、图6和图7为本发明方法与此场馆原来预冷方法在温度、湿度和空调功耗维度的
趋势对比图。
[0422] 本发明提供了一种会展场馆中央空调能效最优预冷控制方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的
普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进
和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以
实现。
