本发明属于能耗优化控制领域，具体涉及一种基于大数据与云平台的城轨通风空调系统节能控制算法。
背景技术：
1、建筑行业是全球能源消耗最大的行业之一，而空调设备作为建筑中的最主要的能耗设备，约占建筑总能耗的50％甚至以上，对空调设备的能耗优化重要性不言而喻，并且已经成为该领域的研究热点之一。并且基于互联网的发展，将传统设备与互联网结合取代传统手动的控制模式，已经逐渐成为未来发展的主流。
2、现在的空调系统运行，很多都是通过基于经验的手动调节来实现，也有一些应用了自动控制系统，在减少暖通空调能源消耗、降低人力成本、确保暖通空调系统正常运行上都发挥了一定作用。但是并没有将自动控制功能完全发挥出来，只局限于简单数据的采集和基础的pid控制，而且在一些系统中，只是针对暖通空调的单个设备的进行优化，并未考虑到暖通空调系统的整体优化。因此，在双碳背景下，我们的当务之急就是找到一种对整个暖通空调系统设备的优化控制策略。
3、目前空调系统能耗优化模型主要有三种形式：白盒模型、黑盒模型和灰盒模型。白盒模型是基于hvac系统的物理模型或数学模型，需要具备较高领域知识和相关数据，但由于空调系统复杂，运行参数种类多且难以确定，因此白盒模型难以运用到工程实践中；黑盒模型是基于数据挖掘、机器学习或人工神经网络等技术，根据实测数据和相关因素建立的模型，只涉及输入和输出变量之间的关系，难以揭示出系统内部运行的机理和特性；而灰盒模型介于白盒和黑盒模型之间，融合了两者的优势，具有一定的可调参数和部分系统结构的信息。灰盒模型可以利用模型中的物理部分和经验参数以及实测数据对能耗进行预测和优化，可以更好地利用系统的局部信息，拥有比较高的灵活性和精确度，所以本文技术是基于灰盒模型进行的能耗优化。
4、在灰盒模型的应用中，存在参数拟合的问题，目前使用比较多的方法为最小二乘法，它通过最小化模型预测值和观测值之间的平方误差来求解模型参数，然而由于模型过于复杂，最小二乘法在此次拟合中效果不好，误差太大。
5、综上所述，针对暖通空调能耗优化问题，存在智能控制化不高、模型精度不高、模型参数训练不能很好满足实际工况等缺陷。
技术实现思路
1、本发明为解决现有技术存在的问题而提出，其目的是提供一种基于大数据与云平台的城轨通风空调系统节能控制算法。
2、本发明的技术方案是：基于大数据与云平台的城轨通风空调系统节能控制算法，包括以下步骤：
3、a.通过数据感知模块采集空调系统的运行数据及环境状况，得到采集数据；
4、b.根据采集数据对空调系统运行工况进行判断，并进行工况切换；
5、c.根据采集数据计算冷负荷，控制冷机台数；
6、d.建立暖通系统全设备能耗模型，利用智能优化算法对空调系统进行能耗优化；
7、e.将采集数据及能耗优化结果上传到云端数据库，对能耗模型进行训练升级，提高能耗优化算法的稳定性以适应多种不同工况。
8、更进一步的，步骤a通过数据感知模块采集空调系统的运行数据及环境状况，得到采集数据中，采集数据包括冷却水供回水的温度、冷冻水供回水的温度、流量、室外干球温度、室外湿球温度、室外相对湿度、冷水机组内蒸发温度和冷凝温度、co2浓度、室内外空气焓值。
9、更进一步的，步骤b中切换的工况包括全新风工况、最小新风工况、通风工况。
10、更进一步的，步骤b根据采集数据对空调系统运行工况进行判断，并进行工况切换，具体过程如下：
11、首先，工况切换会通过室内外空气焓值和温度的比较进行空调系统工况切换；
12、然后，当室内回风焓值大于室外空气焓值时，切换全新风工况；
13、再后，当室内回风焓值小于室外空气焓值时，切换最小新风工况；
14、最后，当室外温度达到通风转换温度时，切换通风工况。
15、更进一步的，步骤c根据采集数据计算冷负荷，控制冷机台数中，采用时间表控制模式进行冷机台数控制。
16、更进一步的，所述时间表控制模式，具体过程如下：
17、首先，在机房内设置两台冷水机组；
18、然后，根据地铁车站的早晚高峰的人员流动特点，设置时间表控制模式；
19、最后，在早晚高峰时间开启两台冷水机组，其余时间开启一台冷水机组，在满足制冷量的同时，可以初步降低能耗并且避免频繁启停冷水机组。
20、更进一步的，步骤d建立暖通系统全设备能耗模型，利用智能优化算法对空调系统进行能耗优化中，构建了hvac系统设备的全过程数学灰盒模型。
21、更进一步的，所述构建了hvac系统设备的全过程数学灰盒模型，具体过程如下：
22、首先，建立压缩机的功耗模型；
23、然后，建立风机的功耗模型；
24、再后，建立水泵的功耗模型；
25、再后，建立蒸发器的传热性能模型；
26、再后，建立冷凝器的传热性能模型；
27、最后，将建立的模型综合，得到hvac系统中设备全过程的数学模型，即构建hvac系统设备的全过程数学灰盒模型。
28、更进一步的，步骤d中利用智能优化算法对空调系统进行能耗优化，是对构建的全过程数学灰盒模型进行参数辨识、参数拟合。
29、本发明的有益效果如下：
30、本发明提出了一个全过程的城轨车站暖通空调系统的节能控制方法，构建了一个底层-控制-云端的基本架构，底层由各种传感器采集相关数据并且接受控制指令进行实施；控制端由能源数据采集器对数据进行收集处理，并由内置的节能优化算法对空调系统进行能耗优化求解；云端对系统全过程的数据进行归类储存，并且定期对空调系统能耗灰盒模型进行训练升级，以在不断变化的室外环境下，仍能保持节能控制程序的鲁棒性和精准度。整个系统构架可以极大程度的提高整个空调系统的智能化水平，在大幅度降低人力成本的基础下还可以显著提高空调系统的节能型和空调区域范围内的热舒适性。
31、本发明利用人工神经网络，对灰盒模型进行参数拟合，大大提高了模型的精确性，并且通过云端互联，实现数据实时上传，数据库实时进行模型训练，实现优化模型的自适应更新，解决模型在此工程中的自适应问题，大大提高了暖通空调能耗优化系统的自动化、智能化水平。
32、本发明在当前大数据时代以及双碳目标下具有很好的实用性，系统结合了模型预测控制，在满足系统能耗优化的同时，还大大提高了系统的热舒适性，可以显著地减小能源消耗，省去了大量的人力和财力，并且节约了计算成本和时间成本。
1.基于大数据与云平台的城轨通风空调系统节能控制算法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于大数据与云平台的城轨通风空调系统节能控制算法，其特征在于：步骤a通过数据感知模块采集空调系统的运行数据及环境状况，得到采集数据中，采集数据包括冷却水供回水的温度、冷冻水供回水的温度、流量、室外干球温度、室外湿球温度、室外相对湿度、冷水机组内蒸发温度和冷凝温度、co2浓度、室内外空气焓值。
3.根据权利要求1所述的基于大数据与云平台的城轨通风空调系统节能控制算法，其特征在于：步骤b中切换的工况包括全新风工况、最小新风工况、通风工况。
4.根据权利要求1所述的基于大数据与云平台的城轨通风空调系统节能控制算法，其特征在于：步骤b根据采集数据对空调系统运行工况进行判断，并进行工况切换，具体过程如下：
5.根据权利要求1所述的基于大数据与云平台的城轨通风空调系统节能控制算法，其特征在于：步骤c根据采集数据计算冷负荷，控制冷机台数中，采用时间表控制模式进行冷机台数控制。
6.根据权利要求5所述的基于大数据与云平台的城轨通风空调系统节能控制算法，其特征在于：所述时间表控制模式，具体过程如下：
7.根据权利要求1所述的基于大数据与云平台的城轨通风空调系统节能控制算法，其特征在于：步骤d建立暖通系统全设备能耗模型，利用智能优化算法对空调系统进行能耗优化中，构建了hvac系统设备的全过程数学灰盒模型。
8.根据权利要求7所述的基于大数据与云平台的城轨通风空调系统节能控制算法，其特征在于：所述构建了hvac系统设备的全过程数学灰盒模型，具体过程如下：
9.根据权利要求8所述的基于大数据与云平台的城轨通风空调系统节能控制算法，其特征在于：步骤d中利用智能优化算法对空调系统进行能耗优化，是对构建的全过程数学灰盒模型进行参数辨识、参数拟合。
