CN116804479B - 一种基于机器学习和智能优化的新风机组主动节能优化控制方法 - Google Patents

Abstract

本发明公开了一种基于机器学习和智能优化的新风机组主动节能优化控制方法，包括如下步骤：基于新风机组历史运行数据，应用机器学习算法建立新风机组盘管调节阀开度‑供能关系数据模型，结合新风机组运行机理模型建立新风机组系统模型，预测送风温度及送风露点，同时建立模型预测新风机组的冷热水用能成本；应用智能优化算法，搜索最佳盘管调节阀开度使冷热水用能成本最小，实现主动式节能优化；按照优化后的盘管调节阀开度控制新风机组，计算送风温度及送风露点实际值与设定值的偏差，由PID算法进行修正；实时监测外气温湿度条件，当外气温湿度发生变化时，重新进行节能优化。本发明根据外气条件的实时变化进行新风机组的主动节能优化控制。

Description

一种基于机器学习和智能优化的新风机组主动节能优化控制 方法

技术领域

本发明涉及节能优化控制领域，尤其是一种基于机器学习和智能优化的新风机组主动节能优化控制方法。

背景技术

新风机组是厂务空调系统的重要组成部分，主要用于处理外界空气使其满足一定的温湿度后送入室内，以此保证室内温湿度环境满足生产工艺要求。新风机组对空气温湿度的调节作用主要通过预热、预冷、再冷、再热等四道冷热水盘管及加湿器实现。其中，四道冷热水盘管提供的冷热量受盘管上的电动调节阀控制。目前电子厂房中新风机组盘管调节阀的控制常用PID控制方法，通过对比预处理后空气温度(或焓值)传感器测量值与设定值的偏差、送风温度传感器测量值与设定值的偏差、送风露点传感器测量值与设定值的偏差，由PID算法计算并输出相应盘管的调节阀的调节量，控制调节阀开度，以达到设定的送风温度和露点温度。

目前针对新风机组的节能控制方法较少，参考与其相近的中央空调等设备的节能控制方法，基本可分为基于PID的节能控制方法和基于模型预测的节能控制方法。基于PID的节能控制即是在上述常用PID控制方法的基础上，通过优化PID控制中的各项参数，改善PID算法的稳定性和自适应能力，以此避免控制过程存在滞后或波动带来的能量损耗，如基于模糊PID的节能控制方法。基于模型预测的节能控制则是指对控制系统进行系统建模，实现对不同控制参数下控制结果的预测，进而选择满足控制要求且相对节能的控制参数。目前基于模型预测的控制方法中系统建模和节能优化方法较多，其中较常见的思路是直接基于系统历史运行数据，将控制参数作为模型输入变量，控制结果作为输出变量，建立模型反映控制参数与控制结果之间的关系，预测不同控制参数下的控制结果，并在此基础上直接选择最节能的控制参数。

常用PID控制方法和基于PID的节能控制方法通常不需要对新风机组进行系统建模，其本质是通过对比预处理后空气温度或焓值、送风温度、送风露点等目标控制变量的实际值与设定值的偏差，由PID算法计算输出相应的控制量，以此实现送风温度和送风露点的稳定控制。常用PID控制方法和基于PID的节能控制方法存在以下缺点：

1)该类方法属于根据控制结果反馈调节被控变量的被动控制，对于外气条件变化的反应存在滞后，无法根据外气条件的实时变化进行主动调节；

2)对于新风机组这类包含多个控制参数的系统，PID控制方法不能很好的解决系统内变量间的耦合性，尤其在采用多个PID控制器串联控制的情况下，PID参数整定较为困难，容易造成过度加湿再除湿等能源浪费问题；

3)基于PID的节能控制方法是通过优化PID控制参数实现节能效果，并未对系统用能情况进行量化和预测，缺少节能效果的评价依据。

基于模型预测的节能控制方法中的系统建模方法目前多集中在基于历史运行数据的单一数据驱动的系统建模，即直接根据历史数据建立控制参数与控制结果之间的映射关系，根据控制参数预测用能情况，选择最节能的控制参数。基于模型预测的节能控制方法目前存在以下缺点：

1)系统建模方面，普遍缺少对新风机组空气处理过程全周期系统性的建模描述，新风机组空气处理过程中的能量转化过程不透明，且未将盘管调节阀开度等控制参数与盘管供能情况相关联，导致无法从能量变化角度描述控制参数与送风温度、送风露点等控制结果之间的关系；

2)控制参数优化方面，缺少高效的优化搜索方法，对于控制参数组合较多的情况，优化质量和优化效率较低。

发明内容

本发明所要解决的技术问题在于，提供一种基于机器学习和智能优化的新风机组主动节能优化控制方法，实现对各盘管调节阀开度的优化搜索，在满足送风温度和送风露点的前提下降低新风机组冷热水用能成本，实现根据外气条件的实时变化进行新风机组的主动节能优化控制。

为解决上述技术问题，本发明提供一种基于机器学习和智能优化的新风机组主动节能优化控制方法，包括如下步骤：

步骤1、基于新风机组历史运行数据，应用机器学习算法建立盘管调节阀开度输入变量与盘管供冷热量输出变量之间的映射关系，建立新风机组盘管调节阀开度-供能关系数据模型；

步骤2、结合盘管调节阀开度-供能关系数据模型和新风机组运行机理模型建立新风机组系统模型，根据外气温度、外气湿度及各盘管调节阀开度预测送风温度及送风露点；同时建立冷热水用能成本模型，根据冷热水单位能量成本及盘管调节阀开度预测新风机组的冷热水用能成本；

步骤3、根据实时外气温湿度条件，以冷热水用能成本为优化目标，以送风温度、送风露点为约束条件，以盘管调节阀开度为优化变量，应用智能优化算法，搜索使冷热水用能成本最小且满足送风温度、送风露点要求的盘管调节阀开度，实现主动式节能优化；

步骤4、按照优化后的盘管调节阀开度控制新风机组，计算送风温度及送风露点传感器测量值与设定值的偏差量，由PID算法根据偏差量计算需要的调节阀开度调节量，对送风结果进行修正；

步骤5、实时监测外气温湿度条件，当外气温湿度发生变化时，重新进行节能优化。

优选的，步骤1中，机器学习算法的输入变量为历史时刻盘管调节阀开度、空气质量流速、盘管前空气温湿度、冷热水主管供回水温度。

优选的，步骤1中，机器学习算法的输出变量为盘管供冷热量，机器学习算法用于建立输入变量与输出变量之间的映射关系。

优选的，步骤1中，盘管调节阀开度-供能关系数据模型具体为：

Q＝PG(T，RH，m，TCV)

式中，m为新风机组内空气质量流速，T为盘管前的空气温度，RH为盘管前的空气湿度，TCV为盘管调节阀开度，Q为盘管供冷量或供热量。

优选的，步骤2中，新风机组运行机理模型具体为：

基于空气热力学定理、能量守恒原则及对新风机组空气处理过程的分析，预热模式下新风机组内空气状态变化过程表示为

m*h₀+Q₁＝m*h₂

m*h₂-Q₃＝m*h₃+m*c_水*(d_w-d₃)*T₃

m*h₃+Q₄＝m*h₄

式中，m为新风机组内空气质量流速，h₀为外气焓值，h₁为预热后空气焓值，h₃为再冷后空气焓值，h₄为送风焓值，Q₁为预热盘管供热量，Q₃为再冷盘管供冷量，Q₄为再热盘管供热量，c_水为水的比热容，d_w为加湿后空气含湿量，d₃为再冷后空气含湿量，d₄为再热后空气含湿量，C₈＝-5800.2206，C₉＝1.3914993，C₁₀＝-0.04860239，C₁₁＝0.41764768*10^-4，C₁₂＝-0.14452093*10^-7。

其中，前三个式子分别表示经过预热盘管、再冷盘管、再热盘管时的空气状态变化，中间三个式子表示冷却除湿后饱和空气各参量之间的关系，最后的式子表示送风焓值与送风温度、送风含湿量之间的关系；

联立上述公式，已知外气焓值h₀、空气质量流速m、各盘管提供的冷热量Q₁、Q₃、Q₄，应用二分法求解可得送风温度T₄及送风含湿量d₄，进而可求得送风露点Td₄。

优选的，新风机组的送风温度及送风露点表示成关于外气温度、外气湿度、空气质量流速及盘管供冷热量的函数，即新风机组运行机理模型表示为；

(T₄，Td₄)＝MAU(T₀，RH₀，m，Q₁，Q₂，Q₃，Q₄)。

优选的，步骤2中，结合盘管调节阀开度-供能关系数据模型及新风机组运行机理模型，新风机组系统模型表示为(T₄,Td₄)＝MAU(T₀，RH₀，m，PG₁(TCV₁)，PG₂(TCV₂)，PG₃(TCV₃)，PG₄(TCV₄))

式中，TCV₁、TCV₂、TCV₃、TCV₄分别表示预热盘管、预冷盘管、再冷盘管、再热盘管的调节阀开度，PG₁、PG₂、PG₃、PG₄分别表示预热盘管、预冷盘管、再冷盘管、再热盘管的调节阀开度-供能关系模型。为便于表示，此处盘管调节阀开度-供能关系模型输入变量仅写出调节阀开度TCV。通过该模型，预测给定外气条件下不同调节阀开度组合产生的送风温度和送风露点。

优选的，步骤2中，新风机组的冷热水用能成本具体为：由于不同功能盘管内流通的冷热水种类不同，其单位流量用能成本不同，对于涉及的四段组合式新风机组，其稳定状态下的冷热水用能成本E表示为

E＝a*f_预冷(TCV_预冷)+b*f_再冷(TCV_再冷)+c*[f_再冷(TCV_再冷)+f_再热(TCV_再热)]

式中：E为稳定状态下的新风机组冷热水用能成本，单位为元/h；a、b、c分别为不同冷热水单位流量成本，单位为m³/元；f(x)为盘管调节阀在x开度下的流量，单位为m³/h；TCV为盘管调节阀开度；

通过新风机组冷热水用能成本模型，预测不同调节阀开度组合下新风机组的冷热水用能成本。

优选的，步骤3中，通过将新风机组节能优化控制设计为最优化问题，进而使用智能优化算法求解，获取新风机组节能控制策略；新风机组节能优化的优化目标是降低新风机组冷热水用能成本，优化变量是新风机组盘管调节阀开度，约束条件是送风温度及送风露点满足需求。

优选的，步骤3中，优化问题表示为：

P：min E

s.t.

C1：MAU(T₀，RH₀，m，PG₁(TCV₁)，PG₂(TCV₂)，PG₃(TCV₃)，PG₄(TCV₄))＝T_set

C2：MAU(T₀，RH₀，m，PG₁(TCV₁)，PG₂(TCV₂)，PG₃(TCV₃)，PG₄(TCV₄))＝Td_set

其中，T_set、Td_set分别表示送风温度设定值、送风露点设定值。

本发明的有益效果为：(1)新风机组系统建模采用机理模型与数据模型混合驱动的建模方法，首先基于机器学习算法和新风机组历史数据进行盘管调节阀开度-供能关系建模，进而与新风机组运行机理模型结合建立新风机组系统模型，基于新风机组空气处理过程中的能量转化过程表示出了盘管调节阀开度等控制参数与送风温度等控制结果之间的关系；(2)新风机组冷热水用能的主动节能优化则是建立了新风机组冷热水用能成本模型，基于新风机组系统模型，根据实时外气温湿度条件，应用智能优化算法主动搜索实时外气条件下使冷热水用能最优的盘管调节阀控制参数，从而实现主动式节能优化。

附图说明

图1为本发明的冷热水盘管调节阀开度-供能关系模型图。

图2为本发明的新风机组运行机理模型图。

图3为本发明的新风机组节能控制系统示意图。

图4为本发明的新风机组节能控制方法流程示意图。

具体实施方式

如图4所示，一种基于机器学习和智能优化的新风机组主动节能优化控制方法，包括如下步骤：

步骤1、基于新风机组历史运行数据，应用机器学习算法建立新风机组盘管调节阀开度-供能关系数据模型；

步骤2、结合新风机组运行机理模型和盘管调节阀开度-供能关系数据模型建立新风机组系统模型，根据外气温度、外气湿度及各盘管调节阀开度预测送风温度及送风露点；同时建立冷热水用能成本模型，根据冷热水单位能量成本及盘管调节阀开度预测新风机组的冷热水用能成本；

步骤3、根据实时外气温湿度条件，以冷热水用能成本为优化目标，以送风温度、送风露点为约束条件，以盘管调节阀开度为优化变量，应用智能优化算法，搜索使冷热水用能成本最小且满足送风温度、送风露点要求的盘管调节阀开度，实现主动式节能优化；

步骤4、按照优化后的盘管调节阀开度控制新风机组，计算送风温度及送风露点传感器测量值与设定值的偏差量，由PID算法根据偏差量计算需要的调节阀开度调节量，对送风结果进行修正；

步骤5、实时监测外气温湿度条件，当外气温湿度发生变化时，重新进行节能优化。

步骤1中，机器学习算法的输入变量为历史时刻盘管调节阀开度、空气质量流速、盘管前空气温湿度、冷热水主管供回水温度，输出变量为盘管供冷热量，由机器学习算法建立输入变量与输出变量之间的映射关系，建立盘管调节阀开度-供能关系数据模型。

如图1所示，步骤1中，盘管调节阀开度-供能关系数据模型具体为：

Q＝PG(T，RH，m，TCV)

式中，m为新风机组内空气质量流速，T为盘管前的空气温度，RH为盘管前的空气湿度，TCV为盘管调节阀开度，Q为盘管供冷量或供热量；

盘管供能(供冷量或供热量)与盘管调节阀开度、盘管冷热水进出水温度、盘管换热效率、盘管材质、冷热水系统供水温度、经过盘管的空气状态等多种因素有关，其中盘管调节阀开度、经过盘管的空气温湿度及质量流速、冷热水系统的供水温度是影响盘管供能的主要因素。为了表示上述主要因素与盘管供能之间的关系，本发明基于新风机组的历史运行数据，应用机器学习算法进行数据分析，最终获得盘管调节阀开度-供能关系数据模型。需要的新风机组历史运行数据至少应包括：外气温度、外气湿度、风速、预处理后的空气温度及湿度、送风温度、送风露点、各盘管调节阀开度。基于上述历史数据计算历史时刻下各盘管的供冷量或供热量，将其作为机器学习算法的输出变量，将盘管调节阀开度、经过盘管的空气温湿度及质量流速、冷热水系统的供水温度等主要影响因素作为机器学习算法的输入变量，通过算法建立输入变量与输出变量之间的映射关系，完成盘管调节阀开度-供能关系数据模型的建立。

如图2所示，新风机组运行机理模型则是基于能量守恒原则对新风机组空气处理过程的描述。本发明将冷热盘管提供的冷热量作为影响空气状态的主要因素。根据能量守恒原则，预热盘管或再热盘管后的空气焓值等于盘管前空气焓值与盘管供热量之和；冷却降温处理时预冷盘管或再冷盘管后的空气焓值等于盘管前空气焓值与盘管供冷量之差；冷却除湿处理时预冷盘管或再冷盘管后的空气焓值与冷凝水能量之和等于盘管前空气焓值与盘管供冷量之差。基于上述原则，当加湿段为等焓加湿且加湿效率为百分之百时，送风温度及送风露点可以表示为关于外气温湿度及各盘管供冷量或供热量的函数，该函数即是新风机组运行机理模型。

步骤2中，新风机组运行机理模型具体为：

基于空气热力学定理、能量守恒原则及对新风机组空气处理过程的分析，预热模式下新风机组内空气状态变化过程表示为

m*h₀+Q₁＝m*h₂

m*h₂-Q₃＝m*h₃+m*c_水*(d_w-d₃)*T₃

m*h₃+Q₄＝m*h₄

式中，m为新风机组内空气质量流速，h₀为外气焓值，h₁为预热后空气焓值，h₃为再冷后空气焓值，h₄为送风焓值，Q₁为预热盘管供热量，Q₃为再冷盘管供冷量，Q₄为再热盘管供热量，c_水为水的比热容，d_w为加湿后空气含湿量，d₃为再冷后空气含湿量，d₄为再热后空气含湿量，；C₈＝-5800.2206，C₉＝1.3914993，C₁₀＝-0.04860239，C₁₁＝0.41764768*10^-4，C₁₂＝-0.14452093*10^-7。

其中，前三个式子分别表示经过预热盘管、再冷盘管、再热盘管时的空气状态变化，中间三个式子表示冷却除湿后饱和空气各参量之间的关系，最后的式子表示送风焓值与送风温度、送风含湿量之间的关系；

联立上述公式，已知外气焓值h₀、空气质量流速m、各盘管提供的冷热量Q₁、Q₃、Q₄，应用二分法求解可得送风温度T₄及送风含湿量d₄，进而可求得送风露点Td₄；

因此，新风机组的送风温度及送风露点表示成关于外气温度、外气湿度、空气质量流速及盘管供冷热量的函数，即新风机组运行机理模型可以表示为。

(T₄,Td₄)＝MAU(T₀，RH₀，m，Q₁，Q₂，Q₃，Q₄)。

结合上述两个模型建立的新风机组系统模型，在已知外气温度、外气湿度及各盘管调节阀开度的条件下，可以通过计算获得当前外气条件和控制参数下的送风温度及送风湿度。

结合盘管模型，新风机组系统模型表示为(T₄,Td₄)＝MAU(T₀，RH₀，m，PG₁(TCV₁)，PG₂(TCV₂)，PG₃(TCV₃)，PG₄(TCV₄))

式中，TCV₁、TCV₂、TCV₃、TCV₄分别表示预热盘管、预冷盘管、再冷盘管、再热盘管的调节阀开度，PG₁、PG₂、PG₃、PG₄分别表示预热盘管、预冷盘管、再冷盘管、再热盘管的调节阀开度-供能关系数据模型。为便于表示，此处盘管调节阀开度-供能关系数据模型输入变量仅写出调节阀开度TCV。通过该模型，预测给定外气条件下不同调节阀开度组合产生的送风温度和送风露点。

步骤2中，新风机组的冷热水用能成本具体为：由于不同功能盘管内流通的冷热水种类不同，其单位流量用能成本不同，对于本发明涉及的四段组合式新风机组，其稳定状态下的冷热水用能成本E表示为

E＝a*f_预冷(TCV_预冷)+b*f_再冷(TCV_再冷)+c*[f_再冷(TCV_再冷)+f_再热(TCV_再热)]

式中：E为稳定状态下的新风机组冷热水用能成本，单位为元/h；a、b、c分别为不同冷热水单位流量成本，单位为m³/元；f(x)为盘管调节阀在x开度下的流量，单位为m³/h；TCV为盘管调节阀开度；

通过新风机组冷热水用能成本模型，预测不同调节阀开度组合下新风机组的冷热水用能成本。

步骤3中，通过将新风机组节能优化控制设计为最优化问题，进而使用智能优化算法求解，获取新风机组节能控制策略；新风机组节能优化的优化目标是降低新风机组冷热水用能成本，优化变量是新风机组盘管调节阀开度，约束条件是送风温度及送风露点满足需求，则该优化问题表示为：

P：min E

s.t.

C1：MAU(T₀，RH₀，m，PG₁(TCV₁)，PG₂(TCV₂)，PG₃(TCV₃)，PG₄(TCV₄))＝T_set

C2：MAU(T₀，RH₀，m，PG₁(TCV₁)，PG₂(TCV₂)，PG₃(TCV₃)，PG₄(TCV₄))＝Td_set

其中，T_set、Td_set分别表示送风温度设定值、送风露点设定值。

新风机组的节能控制即是通过给定一组盘管调节阀开度组合，使在满足送风温度和送风露点的同时达到节能的效果。本发明选择冷热水冷热量作为节能对象，首先根据不同种类冷热水的单位能量成本计算新风机组冷热水用能成本，进而将冷热水用能成本最小化作为优化目标，将送风温度和送风露点作为约束条件，盘管调节阀开度作为优化变量，提出新风机组冷热水用能成本的最优化问题。应用智能优化算法求解该最优化问题即可获得满足送风温度及送风露点且冷热水用能成本最小的盘管调节阀开度组合。

步骤4中，按照智能优化算法求解获得的盘管调节阀开度控制新风机组，计算此时送风温度、送风露点传感器测量值与设定值的偏差量，应用PID算法，将该偏差量按照给定的比例值、积分值、微分值通过线性组合计算需要的调节阀开度调节量，对调节阀开度进行修正以满足送风温度、送风露点设定值。

步骤5中，实时监测外气条件，当外气温度或外气湿度与上一个优化动作发生时的外气温度或外气湿度相比偏差大于5％时，重新执行步骤1至步骤4所描述的优化动作。

如图3所示，本发明设计的新风机组节能控制系统包括两个基本功能模块：新风机组系统建模模块和新风机组节能优化控制模块。新风机组系统建模模块首先对数据库中的新风机组历史运行数据进行预处理，并使用机器学习方法建立盘管调节阀开度-供能关系数据模型，进而与新风机组运行机理模型和冷热水用能成本模型结合建立新风机组送风温度、送风露点及冷热水用能成本预测模型。新风机组节能优化控制模块基于上述预测模型，结合现场传感器采集的实时外气温湿度条件，调用智能优化算法，以冷热水用能成本为优化目标、送风温度及送风露点为约束条件，搜索当前外气条件下使冷热水用能成本最优的盘管调节阀开度，并输出到新风机组控制器，完成节能控制。

相比于现有基于模型预测的节能控制方法中单一数据驱动的系统建模方法，本发明中提出的新风机组系统建模方法考虑了电子厂房新风机组控制中常见的传感器配置方案和实际应用情况，将机理建模方法和数据建模方法相结合，使两种方法互为补充，解决了机理建模方法中盘管换热效率、盘管进出水温度等盘管相关参数难以获取和数据建模方法模型可靠性、可解释性不足的问题，并将新风机组中盘管调节阀开度等控制参数与送风温度、送风露点等控制结果相关联，实现从能量角度系统性地描述控制参数与控制结果之间的关系，为下一步的盘管调节阀开度优化提供基础。

针对目前节能控制方法中缺少量化的节能效果评价指标及不能根据外气条件实时变化主动进行节能优化的问题，本发明选择新风机组涉及的能耗类型中较为重要且可控的冷热水(冷热量)用能作为对象，提出了一种新风机组冷热水用能成本的评价方法，量化了新风机组的冷热水用能指标，进而将其作为优化目标，基于新风机组系统模型，根据实时外气温湿度条件，应用智能优化算法搜索节能控制参数，实现对冷热水用能的主动节能优化。

本发明选用智能优化算法解决上述优化问题，搜索冷热水用能成本最优的盘管调节阀开度组合，在满足送风温度及送风露点需求的基础上最大程度降低新风机组冷热水用能成本，实现节能优化。

Claims (10)

1.一种基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，包括如下步骤：

步骤1、基于新风机组历史运行数据，应用机器学习算法建立盘管调节阀开度输入变量与盘管供冷热量输出变量之间的映射关系，建立新风机组盘管调节阀开度-供能关系数据模型；

步骤2、结合盘管调节阀开度-供能关系数据模型和新风机组运行机理模型建立新风机组系统模型，根据外气温度、外气相对湿度及各盘管调节阀开度预测送风温度及送风露点；同时建立冷热水用能成本模型，根据冷热水单位能量成本及盘管调节阀开度预测新风机组的冷热水用能成本；

步骤3、根据实时外气温湿度条件，以冷热水用能成本为优化目标，以送风温度、送风露点为约束条件，以盘管调节阀开度为优化变量，应用智能优化算法，搜索使冷热水用能成本最小且满足送风温度、送风露点要求的盘管调节阀开度，实现主动式节能优化；

步骤4、按照优化后的盘管调节阀开度控制新风机组，计算送风温度及送风露点传感器测量值与设定值的偏差量，由PID算法根据偏差量计算需要的调节阀开度调节量，对送风结果进行修正；

步骤5、实时监测外气温湿度条件，当外气温湿度发生变化时，重新进行节能优化。

2.如权利要求1所述的基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，步骤1中，机器学习算法的输入变量为历史时刻盘管调节阀开度、空气质量流速、盘管前空气温湿度、冷热水主管供回水温度，机器学习算法的输出变量为盘管供冷热量。

3.如权利要求1所述的基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，步骤1中，机器学习算法用于建立输入变量与输出变量之间的映射关系。

4.如权利要求1所述的基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，步骤1中，盘管调节阀开度-供能关系数据模型具体为：

Q＝PG(T，RH，m，TCV)

式中，m为新风机组内空气质量流速，T为盘管前的空气温度，RH为盘管前的空气湿度，TCV为盘管调节阀开度，Q为盘管供冷量或供热量。

5.如权利要求1所述的基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，步骤2中，新风机组运行机理模型具体为：

基于空气热力学定理、能量守恒原则及对新风机组空气处理过程的分析，预热模式下新风机组内空气状态变化过程表示为

m*h₀+Q₁＝m*h₂

m*h₂-Q₃＝m*h₃+m*c_水*(d_w-d₃)*T₃

m*h₃+Q₄＝m*h₄

式中，m为新风机组内空气质量流速，h₀为外气焓值，h₂为预热后空气焓值，h₃为再冷后空气焓值，h₄为送风焓值，Q₁为预热盘管供热量，Q₃为再冷盘管供冷量，Q₄为再热盘管供热量，c_水为水的比热容，d_w为加湿后空气含湿量，d₃为再冷后空气含湿量，d₄为再热后空气含湿量，C₈＝-5800.2206，C₉＝1.3914993，C₁₀＝-0.04860239，C₁₁＝0.41764768*10^-4，C₁₂＝-0.14452093*10^-7；T₃为再冷后空气温度，Pq为饱和水汽压力，C₁₃＝6.5459673；

其中，前三个式子分别表示经过预热盘管、再冷盘管、再热盘管时的空气状态变化，中间三个式子表示冷却除湿后饱和空气各参量之间的关系，最后的式子表示送风焓值与送风温度、送风含湿量之间的关系；

联立上述公式，已知外气焓值h₀、空气质量流速m、各盘管提供的冷热量Q₁、Q₃、Q₄，应用二分法求解得送风温度T₄及送风含湿量d₄，进而求得送风露点Td₄。

6.如权利要求5所述的基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，新风机组的送风温度及送风露点表示成关于外气温度、外气湿度、空气质量流速及盘管供冷热量的函数，即新风机组运行机理模型表示为；

(T₄,Td₄)＝MAU(T₀，RH₀，m，Q₁，Q₂，Q₃，Q₄)

其中，T₀为外气温度，RH₀为外气湿度。

7.如权利要求1所述的基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，步骤2中，结合盘管模型，新风机组系统模型表示为

(T₄,Td₄)＝MAU(T₀，RH₀，m，PG₁(TCV₁)，PG₂(TCV₂)，PG₃(TCV₃)，PG₄(TCV₄))

式中，T₀为外气温度，RH₀为外气湿度，T₄为送风温度，Td₄为送风露点，TCV₁、TCV₂、TCV₃、TCV₄分别表示预热盘管、预冷盘管、再冷盘管、再热盘管的调节阀开度，PG₁、PG₂、PG₃、PG₄分别表示预热盘管、预冷盘管、再冷盘管、再热盘管的调节阀开度-供能关系模型，此处盘管调节阀开度-供能关系数据模型输入变量仅写出调节阀开度TCV，通过该模型，预测给定外气条件下不同调节阀开度组合产生的送风温度和送风露点。

8.如权利要求1所述的基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，步骤2中，新风机组的冷热水用能成本模型具体为：由于不同功能盘管内流通的冷热水种类不同，其单位流量用能成本不同，对于涉及的四段组合式新风机组，其稳定状态下的冷热水用能成本E表示为

E＝a*f_预冷(TCV_预冷)+b*f_再冷(TCV_再冷)+c*[f_再冷(TCV_再冷)+f_再热(TCV_再热)]

式中：E为稳定状态下的新风机组冷热水用能成本，单位为元/h；a、b、c分别为不同冷热水单位流量成本，单位为m³/元；f(x)为盘管调节阀在x开度下的流量，单位为m³/h；TCV为盘管调节阀开度；

通过新风机组冷热水用能成本模型，预测不同调节阀开度组合下新风机组的冷热水用能成本。

9.如权利要求1所述的基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，步骤3中，通过将新风机组节能优化控制设计为最优化问题，进而使用智能优化算法求解，获取使新风机组冷热水用能成本最优的盘管调节阀开度；新风机组节能优化的优化目标是降低新风机组冷热水用能成本，优化变量是新风机组盘管调节阀开度，约束条件是送风温度及送风露点满足需求。

10.如权利要求1所述的基于机器学习和智能优化的新风机组主动节能优化控制方法，其特征在于，步骤3中，新风机组冷热水用能成本优化问题表示为：

P：min E

s.t.

C1：MAU(T₀，RH₀，m，PG₁(TCV₁)，PG₂(TCV₂)，PG₃(TCV₃)，PG₄(TCV₄))＝T_set

C2：MAU(T₀，RH₀，m，PG₁(TCV₁)，PG₂(TCV₂)，PG₃(TCV₃)，PG₄(TCV₄))＝Td_set

其中，T_set、Td_set分别表示送风温度设定值、送风露点设定值，m为新风机组内空气质量流速，TCV₁、TCV₂、TCV₃、TCV₄分别表示预热盘管、预冷盘管、再冷盘管、再热盘管的调节阀开度，PG₁、PG₂、PG₃、PG₄分别表示预热盘管、预冷盘管、再冷盘管、再热盘管的调节阀开度-供能关系模型，E为稳定状态下的新风机组冷热水用能成本，T₀为外气温度，RH₀为外气湿度。