2.方案目標:在不縮短時間步長的情況下，通過預測控制盡可能減少冗余能耗。
3.實施步驟:
首先，建立了冷負荷預測模型、監督優化控制模型和空調系統模型。
在壹個時間步開始時，執行:1)通過冷負荷預測模型預測下壹個時間步的冷負荷(實際需要預測室外濕球溫度，為了簡化問題，假設室外濕球溫度在該時間步保持不變)；2)將冷負荷和濕球溫度的預測結果傳遞給優化算法，搜索最優控制策略(優化算法的優化目標是使當前功率和時間步長結束時的功率之和最小，系統功率由空調系統模型計算)；3)實施控制策略。
重復步驟2。
4.模型算法:
空調系統模型:由冷卻塔(ANN模型)、冷卻水泵(數學公式)、冷水機組(ANN模型)組成的“灰箱”模型。基於現場測試數據和TRNSYS模擬生成的數據訓練ANN模型；未建立建築模型，將建築側特性納入負荷預測模型和冷機模型；
動態冷負荷預測:根據歷史負荷、建築信息和環境天氣，預測未來65，438+0小時的冷負荷。嘗試了無偏隨機遊走、ANN和集成模型(分別根據歷史冷負荷和系統狀態建立兩個子模型然後集成)，其中集成模型效果最好，R^2=0.9605(數據來源於香港某真實辦公樓，貌似只用了四個工作日，而且只用了冷負荷和。
最優控制:采用遺傳算法，最優控制的變量為冷凍水供水溫度、冷卻水供水溫度和冷卻水流量(不包括冷凍水流量)。
5.個案研究
用MATLAB代替實際空調系統對該方案進行了分析和驗證；
當冷負荷快速上升時(上午8:00 ~ 9:00)，預測控制節能效果明顯；
冷卻水流量對空調負荷更敏感。與非預測控制相比，預測控制給出的冷卻水流量變化明顯，冷凍水供水溫度和冷卻水供水溫度幾乎相等。
經過計算、預測和優化，冗余能耗可降低80%以上。但這種情況下四天累計冗余能耗只有14千瓦時，有點離譜。作者解釋，可能的原因是由於冷站系統參數的原因，冷卻水流量只能在95.5%-65，438+000%之間調節，而冷卻水流量是系統能耗的主要影響因素，因此冗余能耗非常有限。如果冷卻水流量的調節範圍有限，
想