-
-
-
公开(公告)号:CN118669937A
公开(公告)日:2024-09-20
申请号:CN202410144963.2
申请日:2024-02-01
Applicant: 同济大学
Abstract: 本发明属于暖通空调领域,提出了一种基于随机概率加权复合采样策略的暖通空调控制方法,工作流程下:步骤101,构建并初始化智能体,将初始探索率设为1;步骤102,获取当前暖通空调系统的状态,判断当前探索率是否小于开始采用概率加权采样的设定值;步骤103,使用随机概率加权复合采样策略选择动作;步骤104,执行动作对应的控制指令,更新Q表;步骤105,随训练设定周期减小探索率;步骤106,判断智能体训练是否达到结束标准,若未达到则继续训练,否则将状态参数输入训练好的智能体中。本方法能够有效改善暖通空调系统的性能、降低运行成本、增强系统的稳定性,具有一定应用前景。
-
公开(公告)号:CN116592546A
公开(公告)日:2023-08-15
申请号:CN202310609384.6
申请日:2023-05-26
Applicant: 同济大学
Inventor: 李铮伟
IPC: F25B49/02 , G06Q10/04 , G06Q10/0639 , G06N20/00 , G06N3/092
Abstract: 本发明公开了一种基于Q‑learning的多目标冷冻侧供水温度控制优化方法。本发明以降低系统能耗、提高用户舒适度为优化目标,并将优化目标以效用函数法合并为一个综合评分,通过改变冷冻侧供水温度来提升能耗效用及舒适度效用评分,实现对制冷机组的优化控制;本发明基于强化学习算法,通过系统反馈积累控制器经验,实现控制器自主学习和控制性能的逐步提升;本发明对传感器需求和历史运行数据需求较低,无需冷机的性能曲线和管路模型,在工程应用中适用性、灵活性较好。
-
公开(公告)号:CN112560362B
公开(公告)日:2022-11-01
申请号:CN202011478051.7
申请日:2020-12-15
Applicant: 同济大学
IPC: G06F30/28 , G06T17/00 , G06N3/12 , G06N3/00 , G06F113/14
Abstract: 本发明涉及一种老旧小区供水管道老化诊断方法及系统,所述方法包括:步骤S1:现场数据采集;步骤S2:构建用于判断管道内壁粗糙度管网模型;步骤S3:进行管网诊断。本发明通过大规模机器学习,能够充分考虑管道材质,管道年龄,流体介质组分等因素,可精准的判断管网中某段管道当前的平均粗糙度情况,并评价当前管道的老化程度。
-
公开(公告)号:CN112560362A
公开(公告)日:2021-03-26
申请号:CN202011478051.7
申请日:2020-12-15
Applicant: 同济大学
IPC: G06F30/28 , G06T17/00 , G06N3/12 , G06N3/00 , G06F113/14
Abstract: 本发明涉及一种老旧小区供水管道老化诊断方法及系统,所述方法包括:步骤S1:现场数据采集;步骤S2:构建用于判断管道内壁粗糙度管网模型;步骤S3:进行管网诊断。本发明通过大规模机器学习,能够充分考虑管道材质,管道年龄,流体介质组分等因素,可精准的判断管网中某段管道当前的平均粗糙度情况,并评价当前管道的老化程度。
-
公开(公告)号:CN118965662A
公开(公告)日:2024-11-15
申请号:CN202410150199.X
申请日:2024-02-01
Applicant: 同济大学
IPC: G06F30/20 , G06N5/01 , G06N20/00 , G06F17/18 , G06F119/08
Abstract: 本发明属于供热、供燃气、通风及空调工程,建筑设备控制领域,提出了一种暖通系统冷却侧能耗估计模型加权优化方法。工作流程如下:步骤101,对暖通系统环境、性能与能耗相关参数进行长时间大规模采样,获取暖通系统冷却侧模型的性能、能耗参数与冷却侧模型计算所需环境参数;步骤102,分别使用黑箱模型与物理模型对系统中某个或多个设备进行建模最后进行排列组合,通过系统平衡构成多组冷却侧系统同能耗估计模型;步骤103,将采样参数中随环境变化的影响模型性能与能耗计算的暖通系统参数作为状态;等等。本方法充分考虑暖通系统的复杂性和多样性,提高模型的适用性和准确性,具有较高的实用价值和效益。
-
公开(公告)号:CN117128618A
公开(公告)日:2023-11-28
申请号:CN202311076765.9
申请日:2023-08-24
Applicant: 同济大学
Abstract: 本发明涉及一种基于最大似然率状态估计的无模型暖通空调节能控制方法,包括以下步骤:获取历史状态参数集和当前状态参数集,并基于所述历史状态参数集和当前状态参数集对当前时刻至下一时刻的状态参数集进行预测,获得预测状态参数集;基于所述预测状态参数集,采用频率法估计概率分布,并取最大似然率对应状态作为环境状态;获取当前时刻的控制命令,作为智能体的动作空间;获取当前时刻至下一时刻的时间累计暖通系统性能参数,构建奖赏函数;基于所述环境状态、动作空间和奖赏函数,采用无模型强化学习算法构建智能体并进行训练,最终获得控制动作并输出动作值。与现有技术相比,本发明具有提高暖通系统控制的节能效果等优点。
-
-
-
-
-
-
-