智能学习节能调控系统与方法.pdf

本发明提供了一种智能学习节能调控系统与方法。在该方法中，首先令系统调控数据设定模块设定系统调控数据及对空调系统提取即时感测数据；接着令经验学习与逻辑推导模块依据该系统调控数据及即时感测数据进行经验学习与逻辑推导，建立并封装温差与耗能适性推论模型；再令知识发掘与系统调控模块利用该温差与耗能适性推论模型以及即时感测数据推论出节能优化设定建议，进而对该空调系统进行持续性的适性调控。

权利要求书
1.  一种智能学习节能调控方法，其特征在于，包括：
1)设定系统调控数据及对空调系统提取即时感测数据；
2)依据所设定的该系统调控数据及所提取的该即时感测数据，以适 性推论模型建模技术进行经验学习与逻辑推导，以建立并封装温差与耗能 适性推论模型；以及
3)利用该温差与耗能适性推论模型，以及自该空调系统提取的即时 感测数据，以数据探勘技术推论出节能优化设定建议，进而通过知识发掘 引擎技术对该空调系统进行持续性的适性调控。

2.  根据权利要求1所述的智能学习节能调控方法，其特征在于，该 方法还包括步骤4)，依据对该空调系统进行持续性的适性调控的系统调控 数据，以及自该空调系统提取的即时感测数据，判断是否符合重新建模条 件，若是，则进至步骤2)，若否，则进至步骤3)。

3.  根据权利要求1所述的智能学习节能调控方法，其特征在于，该 步骤1)还包括：设定该即时感测数据的来源、提取目标及方法，设定数 据时序分析范围，设定有效数据采样条件，以及设定持续学习与适性调整 程序。

4.  根据权利要求3所述的智能学习节能调控方法，其特征在于，该 步骤2)还包括以下步骤：
2.1)自该设定的即时感测数据的来源提取并过滤相关的建模数据；
2.2)载入该建模数据以进行尺度化与标准化处理；
2.3)以该建模数据通过适性推论模型建模技术建立温差适性推论模型；
2.4)以该建模数据通过该适性推论模型建模技术，并依据该温差适性 推论模型的推论结果，进一步建立耗能适性推论模型；以及
2.5)利用该适性推论模型比对技术，比较先前建立的温差与耗能适性 推论模型与最新建立的温差与耗能适性推论模型，以选择出误差最小的温 差与耗能适性推论模型，以进行载入与封装。

5.  根据权利要求4所述的智能学习节能调控方法，其特征在于，步 骤2.3)还包括以下步骤：
2.3.1)载入选择出的温差与耗能适性推论模型；
2.3.2)提取该即时感测数据；
2.3.3)依据该即时感测数据以适性推论技术推论出多个耗能策略组合；
2.3.4)以适性推论及最佳化技术由该多个耗能策略组合中择选最节能 的优化建议作为该节能优化设定建议；
2.3.5)依据该节能优化设定建议对该空调系统进行设定；以及
2.3.6)对该空调系统行持续性的适性调控。

6.  根据权利要求1所述的智能学习节能调控方法，其特征在于，对 该空调系统进行持续性的适性调控，是指对该空调系统的冰水主机侧进行 调控。

7.  根据权利要求6所述的智能学习节能调控方法，其特征在于，对 该空调系统的冰水主机侧进行调控，是指调控冰水泵浦频率。

8.  根据权利要求1所述的智能学习节能调控方法，其特征在于，该 设定系统调控数据包括设定纪录时程、冰水泵浦频率及冷却水泵浦频率。

9.  根据权利要求1所述的智能学习节能调控方法，其特征在于，该 提取即时感测数据包括提取冰水入水温度、冰水出水温度、冷却水入水温 度、冷却水出水温度、冰水流量、冰水末端压差、冰水泵浦消耗功率、冷 却水泵浦消耗功率、及冰水主机消耗功率。

10.  根据权利要求1所述的智能学习节能调控方法，其特征在于，该 节能优化设定建议包括对应于冰水泵浦消耗功率、冷却水泵浦消耗功率、 及冰水主机消耗功率。

11.  一种智能学习节能调控系统，其特征在于，包括：
系统调控数据设定模块，用于设定系统调控数据及对空调系统提取即 时感测数据；
经验学习与逻辑推导模块，依据所设定的系统调控数据及所提取的即 时感测数据，以适性推论模型建模技术进行经验学习与逻辑推导，以建立 并封装温差与耗能适性推论模型；以及
知识发掘与系统调控模块，用于利用该温差与耗能适性推论模型，以 及自该空调系统提取的即时感测数据，以数据探勘技术在一数据探勘模块 中推论出节能优化设定建议，进而通过知识发掘引擎技术来对该空调系统 进行持续性的适性调控。

12.  根据权利要求11所述的智能学习节能调控系统，其特征在于， 该智能学习节能调控系统，还依据对该空调系统进行持续性的适性调控的 系统调控数据，以及自该空调系统提取的即时感测数据，判断是否符合重 新建模条件，若是，则再次致动该经验学习与逻辑推导模块，若否，则再 次启动该知识发掘与系统调控模块。

13.  根据权利要求11所述的智能学习节能调控系统，其特征在于， 该系统调控数据设定模块，首先设定该即时感测数据的来源、提取目标及 方法；再设定数据时序分析范围；次设定有效数据采样条件；接着设定持 续学习与适性调整程序。

14.  根据权利要求13所述的智能学习节能调控系统，其特征在于， 该经验学习与逻辑推导模块，首先自该设定的即时感测数据的来源提取并 过滤相关的建模数据；再载入该建模数据以进行尺度化与标准化处理；次 以该建模数据通过适性推论模型建模技术建立温差适性推论模型；更以该 建模数据通过该适性推论模型建模技术，并依据该温差适性推论模型的推 论结果，进一步建立耗能适性推论模型；其次利用适性推论模型比对技术， 比较先前建立的温差与耗能适性推论模型与最新建立的温差与耗能适性 推论模型，以选择出误差最小的温差与耗能适性推论模型以进行载入与封 装。

15.  根据权利要求14所述的智能学习节能调控系统，其特征在于， 该知识发掘与系统调控模块，首先载入选择出的温差与耗能适性推论模型 至该数据探勘模块；再利用该数据探勘模块提取该即时感测数据；其次依 据该即时感测数据以适性推论技术推论出多个耗能策略组合；更以适性推 论及最佳化技术由该多个耗能策略组合中择选最节能的优化建议作为节 能优化设定建议；再次依据该节能优化设定建议对该空调系统进行设定； 接着对该空调系统行持续性的适性调控。

16.  根据权利要求11所述的智能学习节能调控系统，其特征在于， 对该空调系统进行持续性的适性调控，是指对该空调系统的冰水主机侧进 行调控。

17.  根据权利要求16所述的智能学习节能调控系统，其特征在于， 对该空调系统的冰水主机侧进行调控，是指调控冰水泵浦频率。

18.  根据权利要求11所述的智能学习节能调控系统，其特征在于， 该设定系统调控数据包括设定纪录时程、冰水泵浦频率及冷却水泵浦频率。

19.  根据权利要求11所述的智能学习节能调控系统，其特征在于， 该提取即时感测数据包括提取冰水入水温度、冰水出水温度、冷却水入水 温度、冷却水出水温度、冰水流量、冰水末端压差、冰水泵浦消耗功率、 冷却水泵浦消耗功率、及冰水主机消耗功率。

20.  根据权利要求11所述的智能学习节能调控系统，其特征在于， 该节能优化设定建议对应于冰水泵浦消耗功率、冷却水泵浦消耗功率、及 冰水主机消耗功率。

说明书智能学习节能调控系统与方法
技术领域
本发明涉及一种空调调控技术，尤其涉及一种持续地进行智能学习与 调控的空调调控技术。
背景技术
改善空调系统有很多方法，例如以多角化复合操控或是更换配备，但 若是能将控制标的最小化，并导入智慧型技术，则可在既有的空调系统结 构下，以最小的更改范围及最少的操控项目达成节能目标，以此节省成本 并避免破坏性建设的风险。
根据空调系统数据分析结果，就内部因素而言，冰水主机的耗能为主 要的成因，且冰水温差为重大的关键可控因子之一，也就是温差越大越耗 能，且会连带地对空调系统的冰水、冷却水、冷媒三个循环造成影响。因 此，若要最小化控制标的，控制好冰水泵浦便为首要工作。
冰水泵浦作为控制冰水的流量，冰水泵浦的变频马达频率设定得越高， 冰水流量就会越快，因此，冰水的回水温度就会越接近其设定的出水温度， 而冰水温差就会变小，这样的结果虽然会让冰水主机的耗能减少，但会造 成冰水泵浦的马达耗能增加，总体耗能不一定会降低。相反的，冰水泵浦 的马达频率设定得越低，转速与冰水流量都会变慢，然而，此举虽可节省 冰水泵浦的马达耗能，但却会造成冰水主机的耗能增加。
因此，如何求得整体耗能最小，并在冰水主机的耗能与冰水泵浦的马 达耗能之间取得最佳平衡点，即需要依据当下的即时状况，适当地使用能 达成此效能的最佳设定同时即时地进行调控。
发明内容
鉴于现今业界所欲达成的目标，本发明主要的目的在于提供一种能持 续地进行智能学习与调控的空调调控技术。
为了达到上述目的及其他目的，本发明提供一种智能学习节能调控方 法，包括：设定系统调控数据及对空调系统提取即时感测数据；依据所设 定的该系统调控数据及所提取的该即时感测数据，以适性推论模型建模技 术进行经验学习与逻辑推导，以建立并封装温差与耗能适性推论模型；以 及利用该温差与耗能适性推论模型，以及自该空调系统提取的即时感测数 据，以数据探勘技术推论出节能优化设定建议，进而通过知识发掘引擎技 术对该空调系统进行持续性的适性调控。
此外，本发明还提供一种智能学习节能调控系统，包括：系统调控数 据设定模块，用于设定系统调控数据及对空调系统提取即时感测数据；经 验学习与逻辑推导模块，依据所设定的系统调控数据及所提取的即时感测 数据，以适性推论模型建模技术进行经验学习与逻辑推导，以建立并封装 温差与耗能适性推论模型；以及知识发掘与系统调控模块，用于利用该温 差与耗能适性推论模型，以及自该空调系统提取的即时感测数据，以数据 探勘技术在一数据探勘模块中推论出节能优化设定建议，进而通过知识发 掘引擎技术来对该空调系统进行持续性的适性调控。
相比于现有技术，由于本发明的智能学习节能调控系统及方法，能持 续性地利用即时建立的温差与耗能适性推论模型进行优化设定与适性调 控，故能在冰水主机的耗能与冰水泵浦的马达耗能之间取得最佳平衡点， 达成整体的最佳节能设定。
附图说明
图1为本发明的智能学习节能调控系统及方法的系统及流程示意图； 及
图2为依据本发明进行的持续性调控的时序示意图。
主要组件符号说明
1       智能学习节能调控系统
10      系统调控数据设定模块
11      经验学习与逻辑推导模块
12      知识发掘与系统调控模块
20至23  时间区段
a至p    程序。
具体实施方式
为利于审查员了解本发明的技术特征、内容与优点及其所能达成的功 效，现将本发明的发明配合附图，并以实施例的表达形式说明如下，而其 中所使用的附图，其主旨仅为示意以及辅助说明之用，未必为本发明实施 后的真实比例与精准配置，故不应就所附的附图比例与配置关系局限本发 明在实际实施上的权利范围，合先叙明。
请参阅图1，以了解本发明提供的应用在空调系统的智能学习节能调 控系统及方法。需先说明的是，本实施例智能学习节能调控系统1包括系 统调控数据设定模块10、经验学习与逻辑推导模块11、及知识发掘与系 统调控模块12，以执行本发明所提供的智能学习节能调控方法，但是，系 统调控数据设定模块10、经验学习与逻辑推导模块11、及知识发掘与系 统调控模块12也可依据不同的需求选择性地进行合并或分离及实体与虚 拟设置，也就是，也可以不同于本发明的智能学习节能调控系统1的架构 实施本发明提供的智能学习节能调控方法。需先提出的是，本发明的智能 学习节能调控系统与方法，能用于进行即时或非即时的调度调控。
实施本发明前，可先令建物内的空调系统配置量测目标数据所需的感 测器，并令感测器持续地经由通信技术传输即时监测数据至后端伺服主机 或信息系统平台内储存。数据储存的方式可为数据库、数据仓储、或者为 档案系统，并可作为本发明相关统计与分析的数据来源。数据内容可具时 序性，且为即时的现场的量测值的历程记录。而空调系统的操控平台，可 对相关设备进行即时设定与调控。
实施本发明时，系统调控数据设定模块10能先设定系统调控数据及 对空调系统提取即时感测数据；接着，经验学习与逻辑推导模块11会依 据设定的系统调控数据及提取的即时感测数据，以适性推论模型建模技术 进行经验学习与逻辑推导，以建立并封装温差与耗能适性推论模型；而后， 知识发掘与系统调控模块12会利用该温差与耗能适性推论模型，以及自 该空调系统提取的即时感测数据，以数据探勘技术在数据探勘模块中推论 出节能优化设定建议，进而通过知识发掘引擎技术来对该空调系统进行持 续性的适性调控。所述的数据探勘(Data mining)技术，是指从大量的数 据中自动搜寻隐藏在其中有着特殊关联性的演算过程，详可参阅本技术领 域的相关文献，不再于此进一步赘述。
在一实施例中，智能学习节能调控系统1还可依据对空调系统进行持 续性的适性调控的系统调控数据，以及自该空调系统提取即时感测数据的 即时感测数据，判断是否符合重新建模条件，若是，则再次致动经验学习 与逻辑推导模块11，若否，则再次启动知识发掘与系统调控模块12。此 即执行附图的程序p。
进一步言之，系统调控数据设定模块10，可先设定即时感测数据的来 源、提取目标、及方法，即执行附图的程序a；再设定数据时序分析范围， 即执行附图的程序b；次设定有效数据采样条件，即执行附图的程序c； 接着设定持续学习与适性调整程序，即执行附图的程序d。
经验学习与逻辑推导模块11，可先自设定的数据来源提取并过滤相关 的建模数据，也就是执行附图的程序e；再载入建模数据以进行尺度化与 标准化处理，也就是执行附图的程序f；次以建模数据通过适性推论模型 建模技术建立温差适性推论模型，执行附图的程序g；更以建模数据通过 适性推论模型建模技术，并依据该温差适性推论模型的推论结果，进一步 建立耗能适性推论模型，执行附图的程序h；次利用适性推论模型比对技 术，比较先前建立的温差与耗能适性推论模型与最新建立的温差与耗能适 性推论模型，以选择出误差最小的温差与耗能适性推论模型，以对温差与 耗能适性推论模型进行载入与封装，也就是执行附图的程序i。
知识发掘与系统调控模块12，可先载入选择出的温差与耗能适性推论 模型至数据探勘模块(未图示)，也就是执行附图的程序j；再利用数据探 勘模块提取即时感测数据，也就是执行附图的程序k；次依据即时感测数 据以适性推论技术推论出多个耗能策略组合，也就是执行附图的程序l； 更以适性推论及最佳化技术由该多个耗能策略组合中择选最节能的优化 建议作为设定建议，也就是执行附图的程序m；其次依据该节能优化设定 建议对该空调系统进行设定，也就是执行附图的程序n；接着对该空调系 统行持续性的适性调控，也就是执行附图的程序o。换句话说，本发明能 通过适性推论、适性调控等技术，以人工智慧为基础，并对特定的知识予 以保存与移转，进一步达成自适应(self adapting)的功效。此外，所述的 最佳化(Optimization)技术又称优化技术，是指在一个伴随许多限制和条 件相互冲突的环境下找到一个最合适的解决方式的演算过程，详可参阅本 领域的相关技术文献，不再于此进一步赘述。
前述的程序a至程序p的具体应用内容，可参酌下述的范例内容。
在程序a中，可选定目标建筑物与空调系统所属的后端数据伺服主机 或数据管理平台，并提供可与此数据来源连线存取的相关参数与所欲提取 的目标数据设定。
在程序b中，可先设定每项感测数据的取用单位时间，例如以每小时 或每分钟为单位，以取用数据在单位时间内的平均值作为分析使用，而数 据在提取时，将依据此设定的单位时间进行分群；接着可设定欲进行分析 的有效数据笔数范围，每笔数据皆为有效数据采样处理后的结果，且按时 间先后排序，而这个范围设定代表着一段特定时间之内的空调系统控制经 验与结果，也是预备要进行系统化经验学习与适性调整的空间。换句话说， 后续的处理会对这段期间内的经验建立适性推论模型并进行优化而得到 节能操控知识，再以此为基础对空调系统的现况进行调控。
在程序c中，可经由专家访谈与数据分析两种方法来，决定对空调系 统进行调控的限制以及界定有效数据的范围与条件。例如先自空调系统管 控负责人员的讨论纪录或从空调系统规格说明书、系统操作手册中，存取 对空调系统进行操作时所应了解的设定限制与范围，以及相应各种情况的 常用操作习惯与内部作业规定，尤其是在即时监测目标数据的部分。接着 再经由数据分析取得有效数据的符合条件作为设定，如经由为期至少一年 的空调系统历史数据来进行分析，决定特定目标数据的有效范围与滤除离 群值的条件。
在程序d中，可决定持续学习与适性调整的频率和方法，依据指定的 时间频率来设定学习调度，在所设定的时间点下，判断是否要重新学习程 序b所定义的数据范围内的经验，然后再以此学习到的逻辑，加上当下的 数据，通过数据探勘与知识发掘技术来对空调系统做重新适性调控。换句 话说，后续程序可按照此处所设定的调度来定时执行相关步骤。而是否要 立即进入重新建立新的适性推论模型的学习程序，则需在此处设定，并作 为程序p的判断条件。
在程序e中，可经由程序a中所做的设定来建立与目标数据来源的连 线，并处理每项目标数据。每项数据的提取值为依据程序b所设定的单位 时间内的平均值。再根据程序c所定订的条件对目标数据进行筛选与过滤， 以取得符合程序b所定义的有效数据记录笔数范围，以进行后续的相关分 析处理。
在程序f中，可包括适性推论模型建模方法及适性推论模型数据处理 与载入。例如，推论模型可由算法所建构而成，经由输入及输出数据来进 行适性学习，用于训练出这两组数据间的逻辑关系，用来描述经验并加以 记忆；算法模型在建立完成后，可依据已有的经验来对输入数据进行推论， 并得出合理的输出结果；适性推论模型的算法组成可使用多种方式来实现， 包括回归分析算法、类神经算法、模糊逻辑算法、以及决策树算法等。此 外，有效数据在载入适性推论模型之前，可依数据或模型算法的特性，来 对数据做尺度化与标准化的处理，然后再提供给模型算法进行训练学习； 数据尺度化提供原始数据的值域范围转换，使其适合被标准化且可被适性 推论模型算法所接受；数据标准化可将不同的数据样本进行常态分配化， 使其能在同一基准下进行分析及处理；同样的，在执行通过完成训练学习 后的模型进行逻辑推论前，也需要这道处理程序；而数据在完成处理后， 即将其载入经验学习与逻辑推论模块11中。
在程序g中，温差适性推论模型可为经验学习与逻辑推论模块11中 第一个被建立的模型，用于适性地学习指定期间内的空调设定与运行经验， 找出冰水末端压差、冰水泵浦设定频率、冷却水泵浦设定频率、以及冷却 水出入水温差，对冰水出入水温差所造成的影响关系，并为其逻辑建立出 有效可推论的模型。
在程序h中，耗能适性推论模型可为经验学习与逻辑推论模块11在 建立温差适性推论模型之后紧接着应被建立出来的模型，用于适性地学习 指定期间内的空调设定与运行经验，找出冰水末端压差、冰水泵浦设定频 率、冷却水泵浦设定频率、冷却水出入水温差、以及经推论而得的冰水出 入水温差对目标耗能总合所造成的影响关系，并为其逻辑建立出有效可推 论的模型。
在程序i中，可使用程序b所设定的范围内数据进行相关分析，以比 较程序g及程序h新建好的适性推论模型，与先前已建立好的模型的误差 均方根(RMS，Root ofMean Square)，并保留误差均方根较小的模型，而 舍弃误差均方根较大者。
在程序j中，可将被选择的两个适性推论模型载入数据探勘模块中， 以此准备对数据进行数据探勘，以发掘经验内含的最佳设定或经验外的潜 在知识。
在程序k中，可提取当下时点的即时感测数据，例如冰水末端压差、 冷却水泵浦设定频率、冷却水出水温度、或冷却水入水温度。
在程序l中，可使用目前时点的即时感测数据，并载入程序c所做的 冰水泵频率值域设定，然后将可能的输入组合产生出来。接着以温差适性 推论模型，依据所学习到的经验逻辑，推论出每个组合的冰水温差，然后 再交由耗能适性推论模型，根据所定义范围内的既往经验中去推论出每个 组合的目标耗能总合。从逻辑推论模型中所得到的数值结果，可再经过反 尺度化与反标准化处理，以还原数据。所述的尺度化(scaling)是指量表 化的演算过程，反尺度化(Rescaling)是指映射回真实尺度的演算过程， 标准化(Standardization)是指制定标准并就其达成一致意见的演算过程， 详可参阅本技术领域的相关文献，不再于此进一步赘述。在推论工作完成 后，输入与输出的策略矩阵即予以完成。
在程序m中，即能从程序l所完成的策略矩阵中，在各种可能的输入 与输出策略中，找到可促成目标耗能总合最小的冰水泵设定频率。在程序 n中，可将所得出的新冰水泵设定频率，对空调系统做控制设定调整，使 其在符合当下的节能条件内运行。在程序o中，可进行调度判断与管控， 如果当下的时间点符合在程序d中所设定的频率，则进入下一程序。否则， 则继续待机。
在程序p中，可从程序d所做的设定中来判断是否要立即进入重新建 立新的适性推论模型的学习程序。若是，即再启动经验学习与逻辑推导模 块11及知识发掘与系统调控模块12，也就是执行程序e至程序o。若否， 则代表能继续延用旧的适性推论模型从而制动知识发掘与系统调控模块 12，也就是执行先前的程序j至程序o。当然，程序p允许新增其它的子 判断程序，若经新的子判断程序判定为符合条件，则可进入重新建模程序 或使用特定外部汇入的适性推论模型。
图2即绘示执行本发明的继续所达成的持续性适性调控的示意图。在 附图中，时间区段20、21，代表第一次执行本发明的智能学习节能调控方 法，也就是代表第一次启动本发明的智能学习节能调控系统1；时间区段 22、23，代表第二次执行本发明的智能学习节能调控方法，也就是代表第 二次启动本发明的智能学习节能调控系统1，以此类推。此外，时间区段 20、22可代表执行本发明的技术所提供的持续性侦测、学习与推导，而时 间区段21、23则可代表执行本发明的技术对空调系统进行的即时调控。 由此可知，在第n次对空调系统完成即时适性调控的当下，本发明的智能 学习节能调控系统及方法已能处于进行第n+1次的持续性侦测、学习与推 导的过程中。
另外，前述对该空调系统进行调控，可指对该空调系统的冰水主机侧 进行调控，例如调控冰水泵浦频率。设定系统调控数据，可包括设定纪录 时程、冰水泵浦频率及冷却水泵浦频率。提取即时感测数据，可包括提取 冰水入水温度、冰水出水温度、冷却水入水温度、冷却水出水温度、冰水 流量、冰水末端压差、冰水泵浦消耗功率、冷却水泵浦消耗功率、及冰水 主机消耗功率。而节能优化设定建议，可包括对应于冰水泵浦消耗功率、 冷却水泵浦消耗功率、及冰水主机消耗功率进行建议。
相比于现有技术，由于本发明的智能学习节能调控系统及方法，能持 续性地利用即时建立的温差与耗能适性推论模型，针对空调系统进行节能 优化设定与即时适性调控，因此能在冰水主机的耗能与冰水泵浦的马达耗 能之间求得即时的最佳平衡点，进而达成空调系统整体的最佳节能设定， 并避免现有技术的种种缺失。
在进行实际实验后，相比于前后两年的同一月份，使用本发明的技术， 能有效提升空调的节能量、制冷能力(RT)、与效能比(EER)，其提升比 如下列相关比较表所例示：

表1：前后两年相同月份的节能量比较表

表2：前后两年相同月份的制冷能力提升率比较表

表3：前后两年相同月份的能效比提升率比较表
上述实施例仅用于例示性说明本发明的原理及其功效，而非用于限制 本发明。本领域技术人员均可在不违背本发明的精神及范畴下，对上述实 施例进行修改。因此本案的权利保护范围，应如权利要求书所列。