CN104374052B - 基于神经网络的中央空调节能控制方法及系统 - Google Patents
基于神经网络的中央空调节能控制方法及系统 Download PDFInfo
- Publication number
- CN104374052B CN104374052B CN201410657442.3A CN201410657442A CN104374052B CN 104374052 B CN104374052 B CN 104374052B CN 201410657442 A CN201410657442 A CN 201410657442A CN 104374052 B CN104374052 B CN 104374052B
- Authority
- CN
- China
- Prior art keywords
- data
- duty parameter
- general power
- parameter data
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007935 neutral effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000004378 air conditioning Methods 0.000 claims abstract description 41
- 238000005057 refrigeration Methods 0.000 claims description 40
- 238000013461 design Methods 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000001816 cooling Methods 0.000 claims description 17
- 239000000498 cooling water Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 230000000153 supplemental effect Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000004134 energy conservation Methods 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 238000005265 energy consumption Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000009467 reduction Effects 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 235000015110 jellies Nutrition 0.000 description 1
- 239000008274 jelly Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/59—Remote control for presetting
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开一种基于神经网络的中央空调节能控制方法，包括以下步骤：S1、采集已开启的空调系统的工况参数数据；S2、将所述工况参数数据中的模拟信号转化为数字信号，并发送至所述数据处理模块；S3、根据所示工况参数数据计算得到当前系统总功率，判断当前系统总功率是否大于所述最小系统总功率，并匹配出节能策略；S4、所述设备控制模块根据节能策略控制相应的设备运转。本发明还公开了基于神经网络的中央空调节能控制系统及装置。本发明借助人工神经网络对非线性复杂数据的处理优势来匹配节能策略，在保证应用性能需求的前提下，使空调系统始终以最佳效率运行，达到降低系统总能耗的目的。
Description
技术领域
本发明涉及中央空调节能技术领域，尤其涉及基于神经网络的中央空调节能控制方法及系统。
背景技术
中央空调系统作为建筑系统的重要组成部分，其占整个建筑系统能耗电量的比重很大，据统计，建筑行业的能源消耗占国家总能耗的30％，而空调系统所耗电能占整个建筑物耗能的70％，占全公司总电耗18％左右，随着建筑人性化服务的需求，这个数字还会不断增长。因此，空调系统的节能对降低建筑系统耗能，节省企业用电支出，优化国家电力结构有着极为重要的意义和作用。
就任何建筑设计来说，为使空调系统在全年任意时段都能保证建筑内部的冷量需求，在选用空调系统时都是按当地最热天气所需的制冷需求的115％左右来选取机型的。在中央空调的运行过程中，主机、水泵、冷却塔等都没有任何负荷随动能力，导致中央空调长期在较高工况下运行，造成大量的能源浪费。特别是在天气变化的情况下，如夏天下雨时气温不高，冷量需求减小，但中央空调又运行在额定工况附近，造成电能浪费。
据有关资料统计，中央空调机组有90％的运行时间处于非满负荷的运行状态，而冷冻水泵，冷却水泵以及水塔风机在此90％的时间内仍处于100％的满负荷运行状态，均不能根据实际供冷负载变化而相应比例增减其输出功率，这样就导致了“大流量小温差”及冷冻水和冷却水的温差无法得到有效控制的现象。
同时,常见冷水机组的冷冻水出水温度均设定为7.0℃左右，不能根据室外温湿度的变化而实时改变冷水机组的冷冻水出水温度设定,故造成大量的电能白白浪费。
在中央空调能耗管理上主要依据数据中心系统管理方法与策略来达到节能目的，但传统的数据管理模式是通过预先定义空调系统各设备参数来控制系统设备以达到总体节能目的，由于空调系统结构复杂，运行工况处于实时变化中，依靠固设参数来定制系统节能策略的方法不能使系统始终运行在最佳节能状态，固设参数的持续可用性较差。
由上可知，现有的中央空调系统在运行过程中均不能随着供冷负荷的增减而相应变化，使系统实际运行工况远偏离系统的最佳运行工况，从而导致整个中央空调系统效率降低。这一直是传统中央空调运行方式无法解决的一大难题。
发明内容
本发明所要解决的技术问题在于，提供一种基于神经网络的中央空调节能控制方法及系统。将空调系统的工况参数数据作为人工神经网络ANN的输入，借助人工神经网络对非线性复杂数据的处理优势，自动匹配出符合当前系统制冷需求的节能策略，并根据该策略自动对系统设备的运行模式进行调整，在保证应用性能需求的前提下，使空调系统以最佳效率运行，达到降低系统总能耗的目的。
为了解决上述技术问题，本发明提供了一种基于神经网络的中央空调节能控制方法，所述方法利用基于神经网络的中央空调节能控制系统对空调系统进行能效检测和调控，所述基于神经网络的中央空调节能控制系统包括传感器模块、数据采集模块、数据处理模块和设备控制模块，则所述方法包括以下步骤：
S1：所述传感器模块采集已开启的空调系统的工况参数数据，并将采集的工况参数数据传输至所述数据采集模块；
S2：所述数据采集模块将所述工况参数数据中的模拟信号转化为数字信号，并将已转化为数字信号的工况参数数据发送至所述数据处理模块；
S3：所述数据处理模块根据所述已转化为数字信号的工况参数数据计算得到当前系统总功率，并依据包含于所述工况参数数据内的空气温度和设定温度与存储于所述数据处理模块内的数据库内的数据进行匹配从而找到与所述空气温度和设定温度对应的最小系统总功率，再将所述最小系统总功率与所述当前系统总功率进行比对；
当所述最小系统总功率大于当前系统总功率时，将所述当前系统总功率和对应的工况参数数据存储于所述数据库内，并转至步骤S1，继续对系统进行检测分析；
当所述最小系统总功率不大于当前系统总功率时，将所述最小系统总功率在数据库内对应的工况参数数据发送至设备控制模块；
S4：所述设备控制模块根据接收到的所述工况参数数据控制相应的设备运转，并转至步骤S1，继续对系统进行检测分析。
作为本发明的优选，在所述步骤S3中，若未能在所述数据库中找到与所述空气温度和设定温度对应的最小系统总功率，则将所述当前系统总功率和对应的工况参数数据存储于所述数据库内。
作为本发明的优选，所述步骤S2与S3之间还包括：所述数据处理模块将包含于所述工况参数数据内的制冷主机输出功率与存储于所述数据处理模块内的制冷主机额定功率进行比对，若所述制冷主机输出功率不大于所述额定功率，则判定为系统运行正常并转至步骤S3；若所述制冷主机输出功率大于所述额定功率，则判定为系统故障，并将所述故障信息发送至设备控制模块通过所述设备控制模块停止相应的系统设备运转。
本发明还提供了一种基于神经网络的中央空调节能控制系统，包括传感器模块、数据采集模块、数据处理模块和设备控制模块；
所述传感器模块与系统设备连接，用于采集已开启的空调系统的工况参数数据，并将采集的工况参数数据传输至所述数据采集模块；
所述数据采集模块连接所述传感器模块和数据处理模块，用于将所述工况参数数据中的模拟信号转化为数字信号，并将已转化为数字信号的工况参数数据发送至所述数据处理模块；
所述数据处理模块与所述设备控制模块连接，用于根据所述工况参数数据计算得到当前系统总功率，并依据包含于所述工况参数数据内的空气温度和设定温度与存储于所述数据处理模块内的数据库内的数据进行匹配从而找到与所述空气温度和设定温度对应的最小系统总功率，再将所述最小系统总功率与所述当前系统总功率进行比对；
当所述最小系统总功率大于当前系统总功率时，将所述当前系统总功率和对应的工况参数数据存储于所述数据库内；
当所述最小系统总功率不大于当前系统总功率时，将所述最小系统总功率在数据库内对应的工况参数数据发送至设备控制模块；
所述设备控制模块与所述系统设备连接，用于根据接收到的所述工况参数数据控制相应的设备运转。
进一步的，所述数据处理模块还用于将包含于所述工况参数数据内的制冷主机输出功率与存储于所述数据处理模块内的制冷主机额定功率进行比对，若所述制冷主机输出功率不大于所述额定功率，则判定为系统运行正常；若所述制冷主机输出功率大于所述额定功率，则判定为系统故障，并将所述故障信息发送至设备控制模块通过所述设备控制模块停止相应的系统设备运转。
由于以上技术方案，本发明具有如下有益效果：
1、通过将传感器采集的空调系统的工况参数数据作为人工神经网络ANN的输入，借助人工神经网络对非线性复杂数据的处理优势，自动匹配出符合当前系统制冷需求的节能策略，并根据该策略自动对系统设备的运行模式进行调整，在保证应用性能需求的前提下，使空调系统始终以最佳效率运行，达到降低系统总能耗的目的。
2、通过当前系统总功率与数据库内存储的最小系统总功率对比来找出满足当前系统制冷需求的最优工况参数数据，再将所述最优工况参数数据存入数据库中，利用人工神经网络的自主学习特性，不断提升学习能力，优化数据库存储数据，以实现快速匹配出符合当前系统制冷需求的节能策略。
3、本发明还具有故障检测功能，在工况参数数据异常情况下，能够通过设备控制模块停止相应的系统设备运转并发送故障信息，以及时发现系统故障，降低故障造成的损失，方便工人维修。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于神经网络的中央空调节能控制方法的流程示意图；
图2是本发明实施例提供的基于神经网络的中央空调节能控制方法的另一流程示意图；
图3是本发明实施例提供的基于神经网络的中央空调节能控制系统的结构示意图；
图4是图3中数据处理模块的具体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于神经网络的中央空调节能控制方法，所述方法利用泵类能效检测系统对待测泵进行能效检测，所述方法利用基于神经网络的中央空调节能控制系统对空调系统进行能效检测和调控，所述基于神经网络的中央空调节能控制系统包括传感器模块、数据采集模块、数据处理模块和设备控制模块，如图1所示，则所述方法包括以下步骤：
S1：所述传感器模块采集已开启的空调系统的工况参数数据，并将采集的工况参数数据传输至所述数据采集模块100；
S2：所述数据采集模块将所述工况参数数据中的模拟信号转化为数字信号，并将已转化为数字信号的工况参数数据发送至所述数据处理模块200；
S3：所述数据处理模块根据所述已转化为数字信号的工况参数数据计算得到当前系统总功率，并依据包含于所述工况参数数据内的空气温度和设定温度与存储于所述数据处理模块内的数据库内的数据进行匹配从而找到与所述空气温度和设定温度对应的最小系统总功率400，再将所述最小系统总功率与所述当前系统总功率进行比对，判断所示最小系统总功率是否大于当前系统总功率；
当所述最小系统总功率大于当前系统总功率时，将所述当前系统总功率和对应的工况参数数据存储于所述数据库内401，并转至步骤S1，继续对系统进行检测分析；
当所述最小系统总功率小于或等于当前系统总功率时，将所述最小系统总功率在数据库内对应的工况参数数据发送至设备控制模块402；
S4：所述设备控制模块根据接收到的所述工况参数数据控制相应的设备运转，并转至步骤S1，继续对系统进行检测分析500。
在所述步骤S3中，若未能在所述数据库中找到与所述空气温度和设定温度对应的最小系统总功率，则将所述当前系统总功率和对应的工况参数数据存储于所述数据库内。
其中，所述步骤S1具体包括：采用温度传感器、压力传感器、流量传感器、功率传感器，分别测量所述空调末端的空气温度和设定温度、所述冷却塔、冷却水泵、冷冻水泵的进出水温度、压力和流量、所述制冷主机输出功率工况参数数据。
所述传感器模块通过TCP/IP协议将所述工况参数数据传输至所述数据采集模块。
传统的数据管理模式是通过预先定义空调系统各设备参数来控制系统设备以达到总体节能目的，由于空调系统结构复杂，运行工况处于实时变化中，依靠固设参数来定制系统节能策略的方法不能使系统始终运行在最佳节能状态，固设参数的持续可用性较差。因此，本发明从数据库着手，通过比较向数据库存入优质工况参数数据，考虑到数据库数据复杂性提高及数据匹配操作频繁多变，特引入人工神经网络，通过将空调系统的工况参数数据作为人工神经网络ANN的输入，借助人工神经网络对非线性复杂数据的处理优势，自动从数据库中匹配出符合当前系统制冷需求的节能策略，并根据该策略自动对系统设备的运行模式进行调整。在保证应用性能需求的前提下，使空调系统始终以最佳效率运行，达到降低系统总能耗的目的。
作为本发明的优选，如图2所示，本发明方法的所述步骤S2与S3之间还包括：所述数据处理模块将包含于所述工况参数数据内的制冷主机输出功率与存储于所述数据处理模块内的制冷主机额定功率进行比对，若所述制冷主机输出功率不大于所述额定功率，则判定为系统运行正常并转至步骤S3；若所述制冷主机输出功率大于所述额定功率，则判定为系统故障，并将所述故障信息发送至设备控制模块通过所述设备控制模块停止相应的系统设备运转。
本发明方法在工况参数数据异常情况下，能够通过设备控制模块停止相应的系统设备运转并发送故障信息，以及时发现系统故障，降低故障造成的损失，方便工人维修。
本发明实施例还公开了一种基于神经网络的中央空调节能控制系统，如图3所示，包括传感器模块1、数据采集模块2、数据处理模块3和设备控制模块4；
所述传感器模块1与系统设备连接，用于采集已开启的空调系统的工况参数数据，并将采集的工况参数数据传输至所述数据采集模块；
所述数据采集模块2连接所述传感器模块1和数据处理3模块，用于将所述工况参数数据中的模拟信号转化为数字信号，并将已转化为数字信号的工况参数数据发送至所述数据处理模块3；
所述数据处理模块3与所述设备控制模块4连接，用于根据所述工况参数数据计算得到当前系统总功率，并依据包含于所述工况参数数据内的空气温度和设定温度与存储于所述数据处理模块3内的数据库内的数据进行匹配从而找到与所述空气温度和设定温度对应的最小系统总功率，再将所述最小系统总功率与所述当前系统总功率进行比对；
当所述最小系统总功率大于当前系统总功率时，将所述当前系统总功率和对应的工况参数数据存储于所述数据库内；
当所述最小系统总功率不大于当前系统总功率时，将所述最小系统总功率在数据库内对应的工况参数数据发送至设备控制模块4；
所述设备控制模块4与所述系统设备连接，用于根据接收到的所述工况参数数据控制相应的设备运转。
所述数据处理模块3还用于将包含于所述工况参数数据内的制冷主机输出功率与存储于所述数据处理模块3内的制冷主机额定功率进行比对，若所述制冷主机输出功率不大于所述额定功率，则判定为系统运行正常；若所述制冷主机输出功率大于所述额定功率，则判定为系统故障，并将所述故障信息发送至设备控制模块4通过所述设备控制模块4停止相应的系统设备运转。
所述传感器模块1包括温度传感器、压力传感器、流量传感器、功率传感器，分别用于测量所述空调末端的空气温度和设定温度、所述冷却塔、冷却水泵、冷冻水泵的进出水温度、压力和流量、所述制冷主机输出功率工况参数数据。
所述传感器模块1通过TCP/IP协议将所述工况参数数据传输至所述数据采集模块2。
所述数据采集模块2包括模数转化单元，用于将所述传感器模块传输过来的模拟信号转化为数字信号。
参见图4，所述数据处理模块3具体包括：检测单元31，用于将所述制冷主机输出功率与所述制冷主机额定功率进行比对来判断系统是否发生故障；处理单元32，用于根据已转化为数字信号的工况参数数据计算得到当前系统总功率；存储单元33，与所述处理单元32相连，用于存储所述制冷主机额定功率、所述最小系统总功率和与之对应的工况参数数据；显示单元34，与所述存储单元33相连，用于显示所述当前系统总功率和与之对应的工况参数数据、所述最小系统总功率和与之对应的工况参数数据、所述系统故障信息；发送单元35，与所述显示单元34相连，用于将与所述最小系统总功率对应的工况参数数据、所述系统故障信息发送至所述设备控制模块4。
其中，所述设备控制模块4包括冷却塔控制柜、冷却水泵控制柜和冷冻水泵控制柜，分别用于调控所对应的冷却塔、冷却水泵、冷冻水泵的频率。
实施本发明实施例，具有如下有益效果：
1、通过将传感器采集的空调系统的工况参数数据作为人工神经网络ANN的输入，借助人工神经网络对非线性复杂数据的处理优势，自动匹配出符合当前系统制冷需求的节能策略，并根据该策略自动对系统设备的运行模式进行调整，在保证应用性能需求的前提下，使空调系统始终以最佳效率运行，达到降低系统总能耗的目的。
2、通过当前系统总功率与数据库内存储的最小系统总功率对比来找出满足当前系统制冷需求的最优工况参数数据，再将所述最优工况参数数据存入数据库中，利用人工神经网络的自主学习特性，不断提升学习能力，优化数据库存储数据，以实现快速匹配出符合当前系统制冷需求的节能策略。
3、本发明还具有故障检测功能，在工况参数数据异常情况下，能够通过设备控制模块停止相应的系统设备运转并发送故障信息，以及时发现系统故障，降低故障造成的损失，方便工人维修。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (7)
1.一种基于神经网络的中央空调节能控制方法，其特征在于，所述方法利用基于神经网络的中央空调节能控制系统对空调系统进行能效检测和调控，所述基于神经网络的中央空调节能控制系统包括传感器模块、数据采集模块、数据处理模块和设备控制模块，则所述方法包括以下步骤：
S1：所述传感器模块采集已开启的空调系统的工况参数数据，并将采集的工况参数数据传输至所述数据采集模块；
S2：所述数据采集模块将所述工况参数数据中的模拟信号转化为数字信号，并将已转化为数字信号的工况参数数据发送至所述数据处理模块；
所述数据处理模块将包含于所述工况参数数据内的制冷主机输出功率与存储于所述数据处理模块内的制冷主机额定功率进行比对，若所述制冷主机输出功率不大于所述额定功率，则判定为系统运行正常并转至步骤S3；若所述制冷主机输出功率大于所述额定功率，则判定为系统故障，并将所述故障信息发送至设备控制模块通过所述设备控制模块停止相应的系统设备运转；
S3：所述数据处理模块根据所述已转化为数字信号的工况参数数据计算得到当前系统总功率，并依据包含于所述工况参数数据内的空气温度和设定温度与存储于所述数据处理模块内的数据库内的数据进行匹配从而找到与所述空气温度和设定温度对应的最小系统总功率，再将所述最小系统总功率与所述当前系统总功率进行比对；
当所述最小系统总功率大于当前系统总功率时，将所述当前系统总功率和对应的工况参数数据存储于所述数据库内，并转至步骤S1，继续对系统进行检测分析；
当所述最小系统总功率不大于当前系统总功率时，将所述最小系统总功率在数据库内对应的工况参数数据发送至设备控制模块；
若未能在所述数据库中找到与所述空气温度和设定温度对应的最小系统总功率，则将所述当前系统总功率和对应的工况参数数据存储于所述数据库内；
S4：所述设备控制模块根据接收到的所述工况参数数据控制相应的设备运转，并转至步骤S1，继续对系统进行检测分析。
2.根据权利要求1所述的基于神经网络的中央空调节能控制方法，其特征在于，所述步骤S1具体包括：采用温度传感器、压力传感器、流量传感器、功率传感器，分别测量所述空调末端的空气温度和设定温度、冷却塔、冷却水泵、冷冻水泵的进出水温度、压力和流量、所述制冷主机输出功率工况参数数据；
所述步骤S4具体包括：通过冷却塔控制柜、冷却水泵控制柜、冷冻水泵控制柜根据接收到的所述工况参数数据调控所对应的冷却塔、冷却水泵、冷冻水泵的频率。
3.一种基于神经网络的中央空调节能控制系统，其特征在于，包括传感器模块、数据采集模块、数据处理模块和设备控制模块；
所述传感器模块与系统设备连接，用于采集已开启的空调系统的工况参数数据，并将采集的工况参数数据传输至所述数据采集模块；
所述数据采集模块连接所述传感器模块和数据处理模块，用于将所述工况参数数据中的模拟信号转化为数字信号，并将已转化为数字信号的工况参数数据发送至所述数据处理模块；
所述数据处理模块与所述设备控制模块连接，用于根据所述工况参数数据计算得到当前系统总功率，并依据包含于所述工况参数数据内的空气温度和设定温度与存储于所述数据处理模块内的数据库内的数据进行匹配从而找到与所述空气温度和设定温度对应的最小系统总功率，再将所述最小系统总功率与所述当前系统总功率进行比对；
当所述最小系统总功率大于当前系统总功率时，将所述当前系统总功率和对应的工况参数数据存储于所述数据库内；
当所述最小系统总功率不大于当前系统总功率时，将所述最小系统总功率在数据库内对应的工况参数数据发送至设备控制模块；
所述数据处理模块还用于将包含于所述工况参数数据内的制冷主机输出功率与存储于所述数据处理模块内的制冷主机额定功率进行比对，若所述制冷主机输出功率不大于所述额定功率，则判定为系统运行正常；若所述制冷主机输出功率大于所述额定功率，则判定为系统故障，并将所述故障信息发送至设备控制模块通过所述设备控制模块停止相应的系统设备运转；
所述设备控制模块与所述系统设备连接，用于根据接收到的所述工况参数数据控制相应的设备运转。
4.根据权利要求3所述的基于神经网络的中央空调节能控制系统，其特征在于，所述传感器模块包括温度传感器、压力传感器、流量传感器、功率传感器，分别用于测量所述空调末端的空气温度和设定温度、冷却塔、冷却水泵、冷冻水泵的进出水温度、压力和流量、所述制冷主机输出功率工况参数数据。
5.根据权利要求4所述的基于神经网络的中央空调节能控制系统，其特征在于，所述数据采集模块包括模数转化单元，用于将所述传感器模块传输过来的模拟信号转化为数字信号。
6.根据权利要求5所述的基于神经网络的中央空调节能控制系统，其特征在于，所述数据处理模块具体包括：
检测单元，用于将所述制冷主机输出功率与所述制冷主机额定功率进行比对来判断系统是否发生故障；
处理单元，用于根据已转化为数字信号的工况参数数据计算得到当前系统总功率；
存储单元，与所述处理单元相连，用于存储所述制冷主机额定功率、所述最小系统总功率和与之对应的工况参数数据；
显示单元，与所述存储单元相连，用于显示所述当前系统总功率和与之对应的工况参数数据、所述最小系统总功率和与之对应的工况参数数据、所述系统故障信息；
发送单元，与所述显示单元相连，用于将与所述最小系统总功率对应的工况参数数据、所述系统故障信息发送至所述设备控制模块。
7.根据权利要求6所述的基于神经网络的中央空调节能控制系统，其特征在于，所述设备控制模块包括冷却塔控制柜、冷却水泵控制柜和冷冻水泵控制柜，分别用于调控所对应的冷却塔、冷却水泵、冷冻水泵的频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410657442.3A CN104374052B (zh) | 2014-11-18 | 2014-11-18 | 基于神经网络的中央空调节能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410657442.3A CN104374052B (zh) | 2014-11-18 | 2014-11-18 | 基于神经网络的中央空调节能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104374052A CN104374052A (zh) | 2015-02-25 |
| CN104374052B true CN104374052B (zh) | 2017-07-11 |
Family
ID=52553118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410657442.3A Active CN104374052B (zh) | 2014-11-18 | 2014-11-18 | 基于神经网络的中央空调节能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104374052B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104698853A (zh) * | 2015-03-17 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷却塔参数设定方法 |
| CN104765953B (zh) * | 2015-03-17 | 2017-11-03 | 芜湖凯博实业股份有限公司 | 冷却塔进风口导风板结构参数设定方法 |
| CN105546772A (zh) * | 2016-03-04 | 2016-05-04 | 丽水学院 | 一种中央空调的节能控制方法 |
| CN106650918B (zh) * | 2016-11-25 | 2019-08-30 | 东软集团股份有限公司 | 构建系统模型的方法和装置 |
| CN106440266B (zh) * | 2016-11-29 | 2019-05-28 | 广东美的暖通设备有限公司 | 一种空调节能控制方法 |
| CN106679023A (zh) * | 2016-12-31 | 2017-05-17 | 广州佳都信息技术研发有限公司 | 综合节能管理系统 |
| CN106896898B (zh) * | 2017-03-01 | 2020-04-10 | 国电南瑞科技股份有限公司 | 一种基于综合监控的应用于大滞后系统的系统级节能方法 |
| CN107726683B (zh) * | 2017-09-04 | 2020-02-04 | 珠海格力电器股份有限公司 | 冷水机组及其控制方法和装置 |
| CN107655160B (zh) * | 2017-11-27 | 2023-04-07 | 广东路得斯环境科技有限公司 | 一种基于神经网络预测的中央空调调节系统 |
| CN109682009A (zh) * | 2018-12-19 | 2019-04-26 | 西安航空学院 | 一种空调冷冻水自动调节装置 |
| CN111487875B (zh) * | 2019-01-28 | 2021-07-23 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
| CN110749053B (zh) * | 2019-10-29 | 2020-11-10 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置 |
| CN110966714B (zh) * | 2019-11-07 | 2021-07-13 | 珠海格力电器股份有限公司 | 一种空调智能控制方法、计算机可读存储介质及空调 |
| CN113218040A (zh) * | 2021-03-26 | 2021-08-06 | 江苏华复保利环保科技有限公司 | 一种中央空调系统能效提升控制方法 |
| CN114543275B (zh) * | 2021-10-25 | 2023-09-01 | 国网浙江省电力有限公司湖州供电公司 | 一种空调用能优化测算方法及系统 |
| CN117389823A (zh) * | 2023-07-05 | 2024-01-12 | 武汉贝多多网络科技有限公司 | 一种基于云计算的识别方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201129823Y (zh) * | 2007-11-21 | 2008-10-08 | 厦门立思科技有限公司 | 基于人工神经网络技术的中央空调节能控制装置 |
| CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源系统的方法和系统 |
| CN103453620A (zh) * | 2013-08-18 | 2013-12-18 | 杭州展德软件技术有限公司 | 基于能效测评与优化控制的空调系统及其方法 |
| CN104019520A (zh) * | 2014-05-20 | 2014-09-03 | 天津大学 | 基于spsa的制冷系统最小能耗的数据驱动控制方法 |
| CN104075403A (zh) * | 2014-06-20 | 2014-10-01 | 南瑞（武汉）电气设备与工程能效测评中心 | 一种空调能耗监测与诊断系统和方法 |
| CN104089362A (zh) * | 2014-06-03 | 2014-10-08 | 杭州哲达科技股份有限公司 | 一种中央空调冷却水系统冷却效率极大化方法及控制装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9129231B2 (en) * | 2009-04-24 | 2015-09-08 | Rockwell Automation Technologies, Inc. | Real time energy consumption analysis and reporting |
| JP5696877B2 (ja) * | 2010-10-01 | 2015-04-08 | 清水建設株式会社 | 運転管理装置、運転管理方法、および運転管理プログラム |
| CN103853106B (zh) * | 2012-11-28 | 2016-08-24 | 同济大学 | 一种建筑能源供应设备的能耗预测参数优化方法 |
-
2014
- 2014-11-18 CN CN201410657442.3A patent/CN104374052B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201129823Y (zh) * | 2007-11-21 | 2008-10-08 | 厦门立思科技有限公司 | 基于人工神经网络技术的中央空调节能控制装置 |
| CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源系统的方法和系统 |
| CN103453620A (zh) * | 2013-08-18 | 2013-12-18 | 杭州展德软件技术有限公司 | 基于能效测评与优化控制的空调系统及其方法 |
| CN104019520A (zh) * | 2014-05-20 | 2014-09-03 | 天津大学 | 基于spsa的制冷系统最小能耗的数据驱动控制方法 |
| CN104089362A (zh) * | 2014-06-03 | 2014-10-08 | 杭州哲达科技股份有限公司 | 一种中央空调冷却水系统冷却效率极大化方法及控制装置 |
| CN104075403A (zh) * | 2014-06-20 | 2014-10-01 | 南瑞（武汉）电气设备与工程能效测评中心 | 一种空调能耗监测与诊断系统和方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于神经网络的中央空调节能研究》;黄丽佳;《东华大学》;20081231 * |
| 《基于神经网络的冷水机组故障诊断系统》;樊建中，李保东;《山西电子技术》;20011231 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104374052A (zh) | 2015-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104374052B (zh) | 基于神经网络的中央空调节能控制方法及系统 | |
| CN103994553B (zh) | 一种制冷系统冷却水节能控制方法、系统及装置 | |
| CN104534617B (zh) | 一种基于能耗监测的冷源集中数字控制方法 | |
| CN105020845B (zh) | 一种空调系统联动节能控制系统及方法 | |
| CN108386972B (zh) | 一种机房空调节能控制系统及方法 | |
| CN104089362B (zh) | 一种中央空调冷却水系统冷却效率极大化方法及控制装置 | |
| CN105953353A (zh) | 中央空调冷源系统定额控制方法及系统 | |
| CN107238174A (zh) | 压缩机频率的控制方法和装置 | |
| CN105444356A (zh) | 一种中央空调系统的能效优化智能控制系统及其控制方法 | |
| CN103994554A (zh) | 一种空调用变压差控制装置、方法及系统 | |
| CN109917646B (zh) | 一种区域供冷供热设备优化运行系统及方法 | |
| CN203869259U (zh) | 一种基于末端空调设备冷冻水阀门开度的变压差控制装置 | |
| CN204902127U (zh) | 一种空调水系统与空调末端联动控制的节能装置 | |
| WO2011106918A1 (zh) | 基于云计算的电子信息系统机房能源管理控制系统及方法 | |
| CN201003835Y (zh) | 一种中央空调系统节能控制装置 | |
| CN114440410A (zh) | 基于换热效率对冷冻、冷却水泵进行变流量控制的方法 | |
| CN107726573A (zh) | 一种中央空调控制系统 | |
| CN110848895B (zh) | 一种非工空调柔性负荷控制方法和系统 | |
| CN104374051A (zh) | 一种中央空调节能控制装置 | |
| CN101645602B (zh) | 电力负载节能管控方法及其系统 | |
| CN115388522A (zh) | 基于lora技术的空调能耗管控系统 | |
| CN111271907A (zh) | 基于大数据技术的智慧空气源热泵控制系统及方法 | |
| CN105299846B (zh) | 一种基于全局关联优化的机房群控装置及其控制方法 | |
| CN108332355A (zh) | 一种用于通信基站的节能系统及节能方法 | |
| CN109307351A (zh) | 一种高效综合节能热泵控制系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yu Yingjun Inventor after: Shi Yongkai Inventor before: Xiong Qinghua Inventor before: Shi Yongkai |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170613 Address after: 401, D, room 189, 519000 lemon Creek Road, Xiangzhou District, Guangdong, Zhuhai, China Applicant after: LIUZHOU JINXU ENERGY-SAVING TECHNOLOGY CO.,LTD. Address before: 510000 unit 2414-2416, building, No. five, No. 371, Tianhe District, Guangdong, China Applicant before: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd. Effective date of registration: 20170613 Address after: 510000 unit 2414-2416, building, No. five, No. 371, Tianhe District, Guangdong, China Applicant after: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd. Address before: Liu Yong 545005 Liuzhou Road, the Guangxi Zhuang Autonomous Region No. 269 Liuzhou sound Fu International Electrical Hardware City 1 building 12 layer 10 Applicant before: LIUZHOU JINXU ENERGY SAVING TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Neural network-based energy-saving control method and system for central air conditioning Effective date of registration: 20231218 Granted publication date: 20170711 Pledgee: China Postal Savings Bank Co.,Ltd. Zhuhai Xiangzhou Branch Pledgor: LIUZHOU JINXU ENERGY-SAVING TECHNOLOGY CO.,LTD. Registration number: Y2023980072443 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |