一种验证智慧能源控制算法的缩尺对抗实验平台及方法

本发明涉及建筑能源，尤其涉及一种验证智慧能源控制算法的缩尺对抗实验平台及方法。

背景技术：

1、在建筑与能源领域，暖通空调系统的缩尺试验平台已经得到了广泛的应用。这些平台通过精准地模拟室内环境和系统运作，为开发和验证系统控制算法提供了一个可靠的实验环境。现有的相关技术研究主要集中在气流组织的缩尺实验研究、室内空气质量的缩尺实验控制以及空调系统缩尺实验平台的构建与控制方法。这些研究为暖通空调系统的性能分析和优化提供了重要的理论和实验基础。

2、然而，尽管当前的缩尺平台已经能够实现暖通空调系统的自动控制，但仍然存在一些关键的问题有待解决。具体来说，当在系统中集成先进的控制算法后，如何有效地验证这些算法的优化控制效果，目前还缺乏一个明确和系统的验证方法。这是一个亟待填补的空白，因为无法验证优化效果将直接影响算法的实际应用和系统的整体性能。

3、另外，考虑到先进算法在训练过程中需要大量的数据，但是在真实的建筑能源系统中，由于传感器等各种因素的影响，数据的收集往往受到很大的限制，这直接影响了算法的训练效果。因此，直接在实际建筑中部署集成了这些算法的控制器，通常难以实现预期的节能效果。

技术实现思路

1、（一）要解决的技术问题

2、鉴于现有技术的上述缺点、不足，本发明提供一种验证智慧能源控制算法的缩尺对抗实验平台及方法，其解决了建筑能源系统中先进控制算法的优化验证与实际应用受限的技术问题。

3、（二）技术方案

4、为了达到上述目的，本发明采用的主要技术方案包括：

5、第一方面，本发明实施例提供一种验证智慧能源控制算法的缩尺对抗实验平台，包括：

6、制冷环路，被配置为通过包含制冷机组模块、水泵模块以及风盘模块的设备的协同配合，为缩尺建筑空调区域提供冷量，并根据接收到的控制指令，对包含制冷机组模块的功率、水泵模块的供回水流量以及风盘模块的风挡风速的设备参数进行动态调节；

7、负荷模块，被配置为根据接收到的时间序列的负荷数据，为缩度建筑生成实时负荷，以在缩尺建筑空调区域内模拟出与实际建筑相对应的负荷变化；

8、控制模块，被配置为根据接收到的建筑能源控制策略，向制冷环路的设备下发相应的控制指令；

9、计算机终端，被配置为根据获取的建筑内外环境信息和建筑信息生成建筑负荷数据，并将建筑负荷数据分时段发送给负荷模块，以及将获取的建筑内外环境信息、建筑信息和能源状态信息输入至自动选择或基于用户指令选择的所需验证的算法模型，生成建筑能源控制策略，并将控制策略发送给控制模块，以使建筑负荷数据与建筑能源控制策略之间形成对抗验证机制。

10、可选地，制冷环路包括：

11、制冷机组模块，被配置为能够进行空调供回水温差的调节，包括至少部分由pvc制成的供水管和回水管；

12、风盘模块，被配置为能够进行风挡风速的调节，包括设置在供水管和回水管一端的散热器和设置在供水管和回水管一端的风扇；

13、水泵模块，被配置为能够进行供回水流量的调节，包括设置在供水管上的供水泵和设置在回水管上的回水泵。

14、可选地，还包括：光伏电池模块，被配置为接入验证智慧能源控制算法的缩尺对抗实验平台，与控制模块进行交互，能够自动或根据控制模块基于从计算机终端发出的策略下发的指令实施至少一种预设的运行策略，以满足平台中各个设备的能源优化利用和能源需求响应；

15、其中，

16、光伏电池模块包括：光伏板、电池、逆变器以及并离网控制器；

17、设定的运行策略包括：最大化太阳能利用策略、需求响应经济运行以及动态需求响应策略；

18、当自动或根据控制模块基于从计算机终端发出的策略下发的指令确定实施最大化太阳能利用策略时，光伏电池模块被配置为优先利用太阳能进行发电，以最大化太阳能的利用效率满足平台中各个设备的能源需求；

19、当自动或根据控制模块基于从计算机终端发出的策略下发的指令确定实施需求响应经济运行策略时，光伏电池模块被配置为根据建筑能源需求和电网电价信息，调整光伏发电和电力存储，以实现经济运行和成本协同优化；

20、当自动或根据控制模块基于从计算机终端发出的策略下发的指令确定实施动态需求响应策略时，计算机终端被配置为输出如下通过控制模块交由光伏电池模块实施的动态需求响应策略：

21、初始化光伏电池模块的包含光伏电池的有效面积 a、光电转换效率 η、电池的容量 c、电池电压 v b、逆变器的工作效率 ξ以及并离网控制器的状态的基础参数；

22、设定初始时间 t=0，并确定一个预测时间窗口 t；

23、根据实时采集的平台中各设备的当前能源消费数据和历史能源消费数据，构建基于时间序列分析或机器学习的能源需求预测模型；

24、通过能源需求预测模型，预测时间窗口 t内每个时间点 t的总能源需求量 e d( t)；

25、根据电池的容量 c，利用电池能量公式 e b( t) =  c× v b，求取电池可用能量 e b( t)；

26、获取建筑内外环境信息中的太阳辐射数据 r( t)，结合光伏电池的有效面积 a和光电转换效率 η，利用发电功率公式 pv( t) =  η×  a× r( t)，求取出光伏电池模块的发电功率 pv( t)；

27、根据发电功率 pv( t)和逆变器的工作效率 ξ，利用逆变器功率公式 p o( t) =  ξ ×   pv( t)，计算由逆变器实际输出到电网或负载的功率 p o( t)；

28、当逆变器实际输出到电网或负载的功率 p o( t)大于等于总能源需求量 e d( t)时：

29、如果并离网控制器处于并网状态，则将多余的电力 p o( t)- e d( t)输送到电网；

30、如果并离网控制器处于离网状态或不允许向电网输电，则将多余的电力 p o( t)- e d( t)用于给电池充电，直到电池充满或多余的电力耗尽；

31、当逆变器实际输出到电网或负载的功率 p o( t)小于总能源需求量 e d( t)时：

32、优先使用逆变器实际输出到电网或负载的功率 p o( t)来满足部分能源需求；

33、剩余能源需求 e d( t)- p o( t)首先由电池的可用能量 e b( t)补充，表示为电池放电功率 p b( t)， p b( t) = min( e b( t),  e d( t) -  p o( t))；

34、若电池的可用能量不足以满足剩余需求，且并离网控制器处于并网状态，则从电网获取所需电力以补充不足部分；

35、若并离网控制器处于离网状态，且电池能量也不足以满足剩余需求，则根据预设的优先级对平台的不同设备进行限电或断电处理。

36、可选地，还包括：传感器模块，被配置为实时监测并反馈实验平台的数据至计算机终端；

37、其中，传感器模块包括：

38、至少一个干球温度传感器，设置在缩尺建筑空调区域内，用于测量干球温度数据；

39、至少一个湿球温度传感器，设置在缩尺建筑空调区域内，用于测量湿球温度数据。

40、可选地，计算机终端包括：相互对抗验证设置的负荷计算模块和算法执行模块；

41、负荷计算模块被配置为根据获取的建筑内外环境信息与建筑信息，逐时或逐日计算建筑的各时段负荷值，将各时段负荷值整理成时间序列数据形成负荷曲线，再将负荷曲线分时段传输进负荷模块，以使负荷模块根据接收到的负荷曲线为缩度建筑生成实时负荷；

42、算法执行模块被配置为将获取的建筑内外环境信息、建筑信息和能源状态信息输入至自动选择或基于用户指令选择的所需验证的算法模型，生成建筑能源控制策略，再将建筑能源控制策略发送至控制模块，以便控制模块根据建筑能源控制策略向平台的设备下发相应的控制指令。

43、可选地，算法执行模块包括：

44、模型选择模块，被配置为自动选择或基于用户指令选择所需验证的强化学习算法模型；

45、数据收集与输入单元，被配置为从至少一个数据源或设备获取建筑内外环境信息、建筑信息和能源状态信息，并输入强化学习算法模型中；

46、动作空间定义模块，被配置为将针对平台的设备的操作定义为操作动作，基于操作动作构成强化学习算法的动作空间；

47、控制参数优化单元，被配置为在每个时间步，根据当前状态从动作空间中选择最优的操作动作，控制平台按照所选的最优的操作动作的控制参数执行动作；

48、奖励函数构建单元，被配置为构建用于评估每个执行动作的好坏程度的奖励函数，奖励函数包括能耗成本、室内舒适度和系统运行稳定性的因素；

49、奖励信号处理单元，被配置为根据操作动作的实际效果调整奖励函数输出的奖励信号，并将调整后的奖励信号作为强化学习算法的反馈；

50、算法模型更新单元，被配置为根据调整后的奖励信号和更新后的筑内外环境信息和能源状态信息，更新强化学习算法模型；

51、训练循环控制单元，被配置为循环运行控制参数优化单元、奖励函数构建单元、奖励信号处理单元以及算法模型更新单元，直至达到预设的最大训练轮数或算法收敛的条件；

52、策略输出模块，被配置为基于训练好的强化学习模型，输出生成建筑能源控制策略。

53、可选地，计算机终端还包括：评估模块，被配置为根据实时从传感器模块接收的干球温度和湿球温度数据，评估在实时建筑负荷控制中，所选择并运行相应的算法模型的实施效果；

54、其中，评估模块包括：

55、热舒适度计算单元，被配置为根据实时反馈的干球温度和湿球温度数据，计算缩尺建筑空调区域内的热舒适度；

56、限值比较单元，被配置为通过将计算得到的热舒适度与预设的标准限值进行比较，输出评估结果。

57、第二方面，本发明实施例提供一种基于验证智慧能源控制算法的缩尺对抗实验平台的缩尺对抗实验方法，所述方法应用于如上所述的平台，包括：

58、根据获取的建筑内外环境信息和建筑信息，逐时或逐日计算建筑的各时段负荷值，将各时段负荷值整理成时间序列数据形成负荷曲线；

59、将负荷曲线分时段传输进负荷模块，以使负荷模块根据接收到的负荷曲线为缩度建筑生成实时负荷；

60、将获取的建筑内外环境信息、建筑信息和能源状态信息输入至自动选择或基于用户指令选择的所需验证的算法模型，生成建筑能源控制策略；

61、将建筑能源控制策略发送至控制模块，以便控制模块根据建筑能源控制策略向平台的设备下发相应的控制指令；

62、其中，建筑负荷数据与建筑能源控制策略之间形成对抗验证机制。

63、可选地，将获取的建筑内外环境信息、建筑信息和能源状态信息输入至自动选择或基于用户指令选择的所需验证的算法模型，生成建筑能源控制策略包括：

64、自动选择或基于用户指令选择所需验证的模型为强化学习算法模型；

65、从至少一个数据源或设备获取建筑内外环境信息、建筑信息和能源状态信息，并输入强化学习算法模型中；

66、将针对平台的设备的操作定义为操作动作，基于操作动作构成强化学习算法的动作空间；

67、在每个时间步，根据当前状态从动作空间中选择最优的操作动作，控制平台按照所选的最优的操作动作的控制参数执行动作；

68、构建用于评估每个执行动作的好坏程度的奖励函数，奖励函数包括能耗成本、室内舒适度和系统运行稳定性的因素；

69、根据操作动作的实际效果调整奖励函数输出的奖励信号，并将调整后的奖励信号作为强化学习算法的反馈；

70、根据调整后的奖励信号和更新后的筑内外环境信息和能源状态信息，更新强化学习算法模型；

71、多次返回在每个时间步，根据当前状态从动作空间中选择最优的操作动作，控制平台按照所选的最优的操作动作的控制参数执行动作这一步骤，执行循环操作，直至达到预设的最大训练轮数或算法收敛的条件；

72、基于训练好的强化学习模型，输出生成建筑能源控制策略。

73、可选地，还包括：

74、接收从预先设置在缩尺建筑空调区域内传感器模块反馈的干球温度和湿球温度数据；

75、根据干球温度和湿球温度数据，计算缩尺建筑空调区域内的热舒适度；

76、通过对比热舒适度和预设的标准限值，评估在实时建筑负荷控制中，所需验证的算法模型的实施效果。

77、（三）有益效果

78、本发明的有益效果是：

79、首先，本发明的制冷环路通过对制冷机组模块、水泵模块以及风盘模块的精确调控，能够实时地为缩尺建筑空调区域提供所需的冷量，并根据收到的控制指令对设备参数进行动态调整。这一特性不仅确保了能源运用的灵活性与高效性，还为验证控制算法对冷量供应的优化效果提供了实操平台。

80、其次，负荷模块基于时间序列的负荷数据为缩尺建筑生成实时负荷，准确模拟了实际建筑的负荷变化。从而精准地再现了实际建筑的负荷波动情况。这使得实验平台能够在缩尺环境中真实模拟实际建筑的负荷状态，为评估和优化建筑能源系统性能创造了贴近现实的测试条件。

81、控制模块则负责接收并执行建筑能源控制策略，对制冷环路的设备进行精准控制。通过与控制模块的紧密联动，实验平台得以验证各式控制策略的实际效能与可行性，为实际建筑的能源管控提供了科学依据。

82、尤为关键的是，本发明创新性地将计算机终端、负荷模块和控制模块有机地结合在一起，形成了一种独特的对抗验证机制。在这一机制下，计算机终端依据建筑内外环境及建筑信息生成负荷数据，并传递给负荷模块以模拟实际负荷变动。同时，它还能筛选并运行适合的算法模型来制定建筑能源控制策略，进而将策略发送给控制模块予以执行。这种对抗验证方式能够全方位地考量建筑能源系统的性能与稳定性，为系统的进一步完善提供了坚实支撑。

83、由此，本发明的验证智慧能源控制算法的缩尺对抗实验平台，通过制冷环路、负荷模块、控制模块以及计算机终端的互相协作与交互，形成一种高效且实用的对抗验证机制，这一机制不仅能够模拟出真实建筑能源系统的复杂性和多变性，还能在无需大量真实数据的情况下，对算法进行有效训练和验证，从而显著提高了算法的训练效果和实际应用能力。