一种智慧楼宇PID控制方法与流程

本发明涉及楼宇智控，具体涉及一种智慧楼宇pid控制方法及系统。

背景技术：

1、随着城市化进程的加速和建筑物功能的不断升级，现代建筑对智慧管理和节能控制的需求越来越迫切，智慧楼宇系统通过集成各种传感器、控制器和通信技术，实现对建筑环境的全面监控和智能调控，从而提高能源利用效率，改善居住和办公环境的舒适度。

2、目前，智慧楼宇控制系统多采用传统的控制方法，如比例－积分－微分(pid)控制方法，pid控制器因其简单性和鲁棒性，广泛应用于工业控制和建筑环境调节中，传统的pid控制方法通过调节比例、积分和微分参数，实现对温度、湿度、空气质量等环境参数的精确控制，但对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术至少存在以下部分缺陷：

3、(1)室内的pid调控无法及时响应环境变化，进而导致楼宇室内环境的舒适降低，楼宇室内温湿度控制的智能化程度较低；

4、(2)目前存在的pid控制方法仅能实时监测室内外温湿度数据，并根据当前反馈的数据对当前室内温湿度进行调整控制，但在进行室内温湿度调控时，室内住户已感受到了异常的温湿度影响，控制系统的动态响应能力较低，存在调控的滞后性。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种智慧楼宇pid控制方法。

2、一种智慧楼宇pid控制方法，包括：

3、s101，根据时间段[t-k,t]内采集的n组室外环境数据和室内环境数据，获得n组室内外环境差值数据并构建室内外环境差异分布图；

4、s102，将室内外环境差异分布图输入预构建的第一机器学习模型中，以预测出[t+k,t+2k]时刻室内的最适pid控制温度；

5、s103，将在时间段[t-k,t]内采集的室内通风系数和生成的最适pid控制温度，输入预构建的第二机器学习模型中，以预测出时间段[t+k,t+2k]最适的室内调控湿度；

6、s104，根据最适pid控制温度和室内调控湿度对室内温度和室内湿度进行修正。

7、进一步地，所述室外环境数据包括室外二氧化碳浓度、室外温度和室外光照强度，所述室内环境数据包括室内二氧化碳浓度、室内温度和室内光照强度。

8、进一步地，所述室内外环境差值数据包括二氧化碳浓度差值数据、温度差值数据和光照强度差值数据，所述二氧化碳浓度差值数据的获取逻辑为：△co2为二氧化碳浓度差值数据，co2.out为室外二氧化碳浓度，co2.in为室内二氧化碳浓度；所述温度差值数据的获取逻辑为：

9、△tm为温度差值数据，tm.out为室外温度，tm.in为室内温度；所述光照强度差值数据的获取逻辑为：△l为光照强度差值数据，l.out为室外光照强度，l.in为室内光照强度；以时间作为x轴，以环境差值数据作为y轴，将时间段[t-k,t]内采集的n组室内外环境差值数据，分别构建二维图作为室内外环境差异分布图，所述室内外环境差异分布图包括室内外二氧化碳浓度差异分布图、室内外温度差异分布图和室内外光照强度差异分布图。

10、进一步地，所述第一机器学习模型的生成逻辑为：

11、获取历史室内外环境差异训练数据，将历史室内外环境差异训练数据划分为室内外环境差异训练集和室内外环境差异测试集；所述历史室内外环境差异训练数据中包括室内外环境差异分布图及其对应预测的最适pid控制温度；

12、构建第一回归网络，将室内外环境差异训练集中的室内外环境差异分布图作为第一回归网络输入数据，以及将室内外环境差异训练集中的最适pid控制温度作为第一回归网络输出数据，对第一回归网络进行训练，得到初始第一机器学习网络；

13、利用室内外环境差异测试集对初始第一机器学习网络进行模型验证，输出小于等于预设第一测试误差阈值的初始第一机器学习网络作为预构建第一机器学习模型。

14、进一步地，所述最适pid控制温度的获得的逻辑为：

15、将根据时间序列实时获取的m组温度采集值tc(m)，分别与预设温度目标值tb进行比对，生成温度误差数据e(m)，所述温度误差数据e(m)的获取逻辑为：e(m)＝(tc(m)-tb)×β；β为权重值；根据获取的误差数据e(m)进行pid算法修正，获得最适pid控制温度u，其中，kp、ki和kd分别为比例增益、积分增益和微分增益的矩阵。

16、进一步地，所述室内通风系数通过室内的co2浓度值计算得出，所述室内通风系数的获取逻辑为：其中ach为室内通风系数，所述α为大于0的权重值，v为室内面积，k为时间段[t-k,t]内的时间差，c1为t-k时刻采集的co2浓度值，c2为t时刻采集的co2浓度值。

17、进一步地，所述第二机器学习模型的生成逻辑为：

18、获取历史湿度调控训练数据，将历史湿度调控训练数据划分为湿度调控训练集和湿度调控测试集；所述历史湿度调控训练数据包括室内通风系数、pid控制温度及其对应预测的室内调控湿度；

19、构建第二回归网络，将湿度调控训练集中的室内通风系数和pid控制温度作为第一回归网络输入数据，以及将湿度调控训练集中的室内调控湿度作为第二回归网络输出数据，对第二回归网络进行训练，得到初始第二机器学习网络；

20、利用室内外环境差异测试集对初始第二机器学习网络进行模型验证，输出小于等于预设第二测试误差阈值的初始第二机器学习网络作为预构建的第二机器学习模型。

21、进一步地，所述室内调控湿度的获取逻辑为：

22、p1：设置室内的初始湿度为g，g大于零；

23、p2：对初始湿度进行调节，令j＝g+a，得到室内调控湿度j，j和a大于零；

24、p3：在室内调控湿度j下，获取室内人体皮肤表层的干燥数值，若干燥数值在预设的干燥范围值内，则将调节湿度j作为最佳调控湿度；若干燥数值不在预设的干燥范围值内，则令a＝a+k，并返回步骤p2，k为大于零的整数；

25、p4：重复循环上述步骤p2～p3，直至得到最适的室内调控湿度时，结束循环。

26、进一步地，一种智慧楼宇pid控制系统，基于任一项所述的智慧楼宇pid控制方法实现，包括：

27、差异分析模块，根据时间段[t-k,t]内采集的n组室外环境数据和室内环境数据，获得n组室内外环境差值数据并构建室内外环境差异分布图；

28、第一预测模块，将室内外环境差异分布图输入预构建的第一机器学习模型中，以预测出[t+k,t+2k]时刻室内的最适pid控制温度；

29、第二预测模块，将在时间段[t-k,t]内采集的室内通风系数和生成的最适pid控制温度，输入预构建的第二机器学习模型中，以预测出时间段[t+k,t+2k]最适的室内调控湿度；

30、温湿调控模块，根据最适pid控制温度和室内调控湿度对室内温度和室内湿度进行修正。

31、相比于现有技术，本发明的有益效果在于：

32、(1)通过机器学习模型与pid控制算法结合与优化，以预测未来时间段内的最适pid控制温度和室内调控湿度，提高室内环境调控的精准度，并及时响应环境变化，进一步确保楼宇室内环境的舒适，提升了楼宇室内温湿度控制的智能化；

33、(2)能够实时监测室内外环境数据，并根据当前反馈的数据对未来室内环境进行提前调整控制，进而确保室内环境始终处于最佳状态，进一步提高控制系统的动态响应能力，避免室内温湿度调控的滞后性。