文章解读与仿真程序复现思路——电力系统自动化EI\CSCD\北大核心《协同考虑空气质量与热舒适度的空调系统双层优化控制策略》

本专栏栏目提供文章与程序复现思路，具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》

论文与完整源程序_电网论文源程序的博客-CSDN博客https://blog.csdn.net/liang674027206/category_12531414.html

电网论文源程序-CSDN博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.csdn.net/LIANG674027206?type=download

这篇论文的核心内容是提出并研究了一种协同考虑空气质量与热舒适度的空调系统双层优化控制策略。以下是论文的主要内容概述：

1. 研究背景：暖通空调系统（HVAC）作为智能楼宇的耗能主体，实现能耗成本与用户舒适度之间的平衡具有重要意义。中国提出了2030年前碳达峰、2060年前碳中和的战略决策，绿色建筑的应用及推广成为发展趋势。

2. 研究问题：在并行考虑能耗成本和用户舒适度时，系统优化模型耦合项增多，求解难度提高。现有基于学习的控制策略在模型构建上虽便捷，但节能效果一般。

3. 控制策略：论文提出了一种双层优化控制策略，上层优化送风质量流量以满足热舒适度约束，下层优化通风率以满足空气质量约束。采用滚动优化方法修正模型误差。

4. 模型构建：基于阻容等效电路的热动态模型和楼宇内部物理结构，精确刻画各区域温度和空气质量的耦合关系。建立了考虑用户舒适度的HVAC优化模型，目标函数包括能耗成本、热舒适度权重系数和空气质量权重系数。

5. 优化方法：采用雅克比线性化和McCormick凸松弛方法处理模型中的双线性项，将非凸问题转化为凸问题，便于求解。

6. 仿真分析：通过MATLAB调用CVX工具包进行仿真，分析了不同舒适度系数下的控制结果，并与其他控制策略进行比较，验证了所提方法的有效性。

7. 研究结论：所提出的双层优化控制策略在保证用户舒适度的同时，能有效降低能耗成本，并且具有较好的调控灵活性。通过改变舒适度权重系数，可以调节用户对舒适度的要求。

8. 未来工作：后续研究将考虑环境湿度的动态变化，以进一步提高空调调控策略的精确性和实用性。

论文的关键词包括：多区域暖通空调系统、模型预测控制、空气质量、热舒适度、双层优化。研究得到了国家重点研发计划、广东省基础与应用基础研究基金和中央高校基本科研业务费的支持。

根据论文摘要与仿真算例的描述，以下是仿真复现的思路和程序语言的概念性表示（使用Python语言）：

仿真复现思路：

1. 定义系统参数：根据附录A中的表A1和表A2，初始化建筑系统和HVAC系统的相关参数。

2. 建立数学模型：根据论文中的描述，建立空调系统的目标函数和约束条件，包括能耗成本、热舒适度和空气质量的权重系数。

3. 模型线性化：使用雅克比线性化方法处理目标函数中的非线性项，如区域温度与送风质量流量的乘积项。

4. 凸松弛处理：对于下层模型中的双线性约束，使用McCormick方法进行凸松弛，引入辅助变量并添加相应的约束条件。

5. 双层优化：上层模型优化送风质量流量，下层模型在给定送风质量流量的条件下优化通风率。

6. 滚动优化：采用模型预测控制（MPC）的思想，对双层优化模型进行实时滚动更新，减小模型预测误差。

7. 仿真运行：在MATLAB环境中，调用CVX工具包或其他优化求解器，根据建立的模型和方法进行仿真运行。

8. 结果分析：比较不同控制策略下的结果，如能耗成本、热舒适度和空气质量指标，并分析双层优化控制策略的优势。

程序语言概念性表示（Python）：

# 导入所需的库
import numpy as np
import cvxpy as cp

# 定义建筑和HVAC系统参数
# 此处应根据附录A中的表格初始化参数
building_params = {
    # 示例参数
    'Ri': [0.006, 0.006, 0.006, 0.006, 0.005],  # 区域热阻
    # 其他参数...
}

hvac_params = {
    # 示例参数
    'rho': 1.29,  # 空气密度
    # 其他参数...
}

# 建立目标函数和约束条件
# 此处应根据论文中的公式建立优化模型
def objective_function(*args, **kwargs):
    # 优化目标函数的建立和求解
    pass

def constraints(*args, **kwargs):
    # 约束条件的建立
    pass

# 双层优化控制策略
def bi_level_optimization(upper_level_vars, lower_level_vars):
    # 上层优化：送风质量流量
    # 下层优化：通风率
    pass

# 滚动优化
def rolling_optimization(model, current_state, prediction_horizon):
    # 根据当前状态和预测时域进行滚动优化
    pass

# 主仿真函数
def main_simulation():
    # 初始化参数
    # 运行双层优化控制策略
    # 执行滚动优化
    # 收集并分析结果
    
    # 此处应实现具体的仿真逻辑和调用优化求解器

# 运行仿真
if __name__ == "__main__":
    main_simulation()

请注意，上述代码仅为概念性描述，并非完整的可执行程序。实际编程时需要根据具体的优化问题和约束条件来实现相应的优化算法，以及详细的系统模型参数和求解器调用。此外，还需要实现结果分析和比较不同控制策略的优势。

本专栏栏目提供文章与程序复现思路，具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》

论文与完整源程序_电网论文源程序的博客-CSDN博客https://blog.csdn.net/liang674027206/category_12531414.html

电网论文源程序-CSDN博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.csdn.net/LIANG674027206?type=download