CN104566868A - 一种中央空调控制系统及其控制方法 - Google Patents

Abstract

一种中央空调控制系统及其控制方法，属于空调系统技术领域。包括通用设备模型库、设备性能测试模块、舒适度评价模块、遗传算法多目标优化控制模块执行模块。上述种中央空调控制系统及其控制方法，采用了实测的方法，建立系统模型，具有精度高、可靠性强、自适应的特点；采用了遗传算法，可实现多目标寻优，且寻优效率高，实现舒适度、节能、低费用目标；采用了用户行为识别方式来智能识别用户的不舒适行为，及时调整控制目标；能够基于环境变化给出最佳控制方法，尤其是在过渡季节，能够大大提高设备效率，实现节能减排。

Description

一种中央空调控制系统及其控制方法

技术领域

本发明属于空调系统技术领域，具体为一种中央空调控制系统及其控制方法。

背景技术

中央空调能耗高，舒适性差。一方面，空调系统复杂，涉及物理参数多，且具有明显的时滞性；另一方面，设备生产厂家众多，标准不一，难以采用理论模型建立控制模型。传统空调一般采用PID控制，常规PID控制有许多不完善之处，其中最主要的问题就是PID控制器参数的整定问题，且一旦整定计算好后，在整个控制过程中都是固定不变的，而实际中，由于实际系统参数等发生变化，而使系统很难达到控制效果。对于中央空调系统，它不仅表现在控制系统具有多输入、多输出的强藕合性、参数时变性和严重的非线性特性，无法实现基于外界环境变化的优化控制，更难以满足不同用户的个性化需求。因此，採用常规PID控制难以获得满意的控制效果，亟需一种新的控制系统和方法。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于设计提供一种中央空调控制系统及其控制方法的技术方案，具有精度高、可靠性强、自适应的特点；寻优效率高，实现舒适度、节能、低费用目标；能智能识别用户的不舒适行为，及时调整控制目标；能够大大提高设备效率，实现节能减排。

所述的一种中央空调控制系统，其特征在于包括通用设备模型库、设备性能测试模块、舒适度评价模块、遗传算法多目标优化控制模块执行模块，通用设备模型库与设备性能测试模块连接，设备性能测试模块与舒适度评价模块连接，舒适度评价模块与遗传算法多目标优化控制模块执行模块连接；

通用设备模型库包括冷水机组模型库、冷冻泵模型库、风机盘管及新风机组模型库以及冷却塔和冷却泵模型库，冷水机组模型库与制冷机组配合连接，冷冻泵模型库与冷冻水泵配合连接、风机盘管及新风机组模型库与风机及空调器配合连接、冷却塔和冷却泵模型库与冷却水泵及冷却塔配合连接；遗传算法多目标优化控制模块执行模块与制冷机组、冷冻水泵、风机、空调器、冷却水泵、冷却塔配合连接。

所述的一种中央空调控制系统的控制方法，其特征在于包括以下步骤：

1）首先建立制冷机组、冷冻水泵、风机、空调器、冷却水泵、冷却塔的能耗数学模型，包括冷水机组模型库、冷冻泵模型库、风机盘管及新风机组模型库以及冷却塔和冷却泵模型库；再根据系统的实际运行特性，对冷水机组模型库、冷冻泵模型库、风机盘管及新风机组模型库以及冷却塔和冷却泵模型库的参数进行辨识，综合各设备数学模型，构建出通用设备模型库，并进一步对模型的运行参数进行优化；

2）设备性能测试模块包括各种温度、湿度、流量、水泵频率、水阀开度、风机频率、风阀开度、电功率数据采集设备、传输设备、存储设备及相应的控制程序，可根据不同的需要对测量精度、采样频率智能调节，通过与预设定值或历史检测数据进行比较；

3）舒适度评价模块采用主观和客观指标相结合的方法；客观指标为基于温度、湿度、二氧化碳浓度和风速参数指标，主观指标采用用户行为识别方式生成用户满意度指标，如摄像头采集到穿衣、扇扇子、出汗或者语音识别器监听到说冷、闷的行为，经过统计分析生成满意度指标；

4）遗传算法多目标优化控制模块执行模块采用遗传算法优化，过程如下：

步骤1：初始化，随机产生一个规模为P的初始种群，其中每个个体为二进制位串的形式，也就是染色体，一组控制参数即一个个体；

步骤2：计算适应度，计算种群中每个个体的适应度，单一目标控制模式的能耗越低，适应度越高；

步骤3：选择，选择是指从群体中选择优良的个体并淘汰劣质个体的操作，它建立在适应函数评估的基础上，适应度越大的个体，被选择的可能性就越大，它的下一代的个数就越多，选择出来的个体放入配对库中；

步骤4：交叉，从种群中随机选择两个染色体，按一定的交叉概率进行基因交换，交换位置的选取也可以是随机的；

步骤5：变异，从种群中随机选择一个染色体，按一定的变异概率进行基因变异；

步骤6：若发现最优解或者到达迭代次数，则算法停止，否则，转步骤2；

工作时，遗传算法多目标优化控制模块执行模块先读取环境参数值，判断是否存在当前环境下的最优控制参数，如果是，则遗传算法多目标优化控制模块执行模块读取数据库，并执行相应的控制；如果否，则设备性能测试模块进行当前环境下的设备性能测试，并将测试结果录入数据库；遗传算法多目标优化控制模块执行模块根据设备性能曲线进行智能寻优，得出当前环境下的最优控制参数，并录入数据库；遗传算法多目标优化控制模块执行模块读取数据库，并执行相应的控制。

所述的一种中央空调控制系统的控制方法，其特征在于步骤1）中冷水机组模型库采用以下方法建立：

其中，

通常，系统的总冷负荷是个房间的冷负荷之和，而总的冷负荷是按照一定比例分配给各冷水机组的，各机组的实际制冷量与机组台数、机组容量满足下式：

P_chiller——多台冷水机组的总能耗，kW；

Q_nom,i——第i台机组的制冷量容量，kW；

COP_nom,i ——第i台机组在某一负荷率下的效率，kW/ kW；

PLR_{adj , i}——第i台机组的负荷率；

为模型参数，为模型参数；

Tem_padj,i——第i台机组的温度调节系数；

Q_chiller,i——第i台机组的在某一负荷下的实际制冷量，kW；

Q_k,l ——建筑物某一回路的实际冷负荷，kW；

T_CHWS——冷水机组冷冻水供水温度，℃ ；

T_CWS——冷水机组冷却水回水温度，℃ ；

T_CHWS——冷水机组冷冻水供水温度，℃ ；

T_CWS——冷水机组冷却水回水温度，℃ ；

——实际运行中的第 il台机组的制冷量容量，kW。

所述的一种中央空调控制系统的控制方法，其特征在于步骤1）中冷冻泵模型库采用以下方法建立：

冷冻泵的水流量是流过各回路冷冻水的流量之和，总冷冻水流量与各冷冻水泵流量的分配关系由下式决定：

变速水泵在转速为 n 的情况下，压力与流量之间满足下列曲线方程关系式：

其中转速比， n₀ 为额定转速， f _{0, n} ～ f_3,n为模型参数，水泵传动效率；

则转化为仅与转速比和冷冻水泵流量有关的关系式：

其中，N₂为冷冻水泵台数，转速比， n₀ 为额定转速，n 为实际转速，g _{0, n} ～ g_3,n为模型参数，m_pump为冷冻水泵流量。

所述的一种中央空调控制系统的控制方法，其特征在于步骤1）中风机盘管及新风机组模型库采用以下方法建立：

其中，N₃为风机数量，P_cfan风机能耗，H_{SA, k}空气压力_，m_S空气流量；

每个回路风量 m_SA,k是供给所有空调房间空调机组的风量m_{SA,k ,l}之和，g_c 表示重力加速度，常数，风机传动效率；总风量与各空调机组的风量的关系由下式决定：

其中，N₄为空调器台数；

变速风机在转速为 n 的情况下，压力与风量之间满足下列曲线方程关系式：

其中转速比， n₀ 为额定转速，f_{0, n} ～ f_3,n为模型参数，

则转化为仅与转速比和各风机盘管的风量有关的关系式，

其中，N₃为风机数量，转速比， n₀ 为额定转速，n 为实际转速，h _{0, n}～ h_3,n为模型参数。

所述的一种中央空调控制系统的控制方法，其特征在于步骤1）中冷却塔和冷却泵模型库采用以下方法建立：

P_CWpump冷却泵能耗，d_{0, m}～ d_3,m为模型参数，额定工况下的冷却泵能耗，负荷率；

冷却泵实际流量，冷却泵额定流量；

P_tfan冷却塔能耗模型，额定工况下的冷却塔能耗， 冷却塔的负荷率，e_{0, n} ～ e_3,n为模型参数，

；

冷却塔实际流量， 冷却塔额定流量。

上述一种中央空调控制系统及其控制方法，采用了实测的方法，建立系统模型，具有精度高、可靠性强、自适应的特点；采用了遗传算法，可实现多目标寻优，且寻优效率高，实现舒适度、节能、低费用目标；采用了用户行为识别方式来智能识别用户的不舒适行为，及时调整控制目标；能够基于环境变化给出最佳控制方法，尤其是在过渡季节，能够大大提高设备效率，实现节能减排。

附图说明

图1为本发明的系统框图；

图2为本发明的工作流程图；

图3为本发明设备性能测试模块的工作流程图；

图4为本发明舒适度评价模块的工作流程图；

图中：1-遗传算法多目标优化控制模块执行模块、2-舒适度评价模块、3-设备性能测试模块、4-通用设备模型库、5-风机盘管及新风机组模型库、6-冷却塔和冷却泵模型库、7-冷却水泵、8-冷却塔、9-空调器、10-风机、11-冷冻水泵、12-制冷机组、13-冷水机组模型库、14-冷冻泵模型库。

具体实施方式

以下结合说明书附图对本发明作进一步说明。

如图所示，该中央空调控制系统，包括通用设备模型库4、设备性能测试模块3、舒适度评价模块2、遗传算法多目标优化控制模块执行模块1，通用设备模型库4与设备性能测试模块3连接，设备性能测试模块3与舒适度评价模块2连接，舒适度评价模块2与遗传算法多目标优化控制模块执行模块1连接；通用设备模型库4包括冷水机组模型库13、冷冻泵模型库14、风机盘管及新风机组模型库5以及冷却塔和冷却泵模型库6，冷水机组模型库13与制冷机组12配合连接，冷冻泵模型库14与冷冻水泵11配合连接、风机盘管及新风机组模型库5与风机10及空调器9配合连接、冷却塔和冷却泵模型库6与冷却水泵7及冷却塔8配合连接；遗传算法多目标优化控制模块执行模块1与制冷机组12、冷冻水泵11、风机10、空调器9、冷却水泵7、冷却塔8配合连接。

中央空调控制系统的控制方法，包括以下步骤：

1）首先建立制冷机组12、冷冻水泵11、风机10、空调器9、冷却水泵7、冷却塔8的能耗数学模型，包括冷水机组模型库13、冷冻泵模型库14、风机盘管及新风机组模型库5以及冷却塔和冷却泵模型库6；再根据系统的实际运行特性，对冷水机组模型库13、冷冻泵模型库14、风机盘管及新风机组模型库5以及冷却塔和冷却泵模型库6的参数进行辨识，综合各设备数学模型，构建出通用设备模型库4，并进一步对模型的运行参数进行优化；通用设备模型库4利用理论加半经验方法对中央空调系统的关键设备进行建模，其中的待定参数由设备性能测试模块3在线测试数据拟合得出；

2）设备性能测试模块3包括各种温度、湿度、流量、水泵频率、水阀开度、风机频率、风阀开度、电功率数据采集设备、传输设备、存储设备及相应的控制程序，可根据不同的需要对测量精度、采样频率智能调节；对于设定10个关键性能指标，机组的实际性能系数、水系统的输送能效比、水泵效率、冷源系统能效系数、风机单位风量耗功率、风系统平衡度、水系统回水温度一致性等参数；通过与预设定值或历史检测数据进行比较，若发现明显偏差则输出报警，并显示故障类型；

3）舒适度评价模块2采用主观和客观指标相结合的方法；客观指标为基于温度、湿度、二氧化碳浓度和风速参数指标，主观指标采用用户行为识别方式生成用户满意度指标，如摄像头采集到穿衣、扇扇子、出汗或者语音识别器监听到说冷、闷的行为，经过统计分析生成满意度指标；

4）遗传算法多目标优化控制模块执行模块1采用遗传算法优化。单一目标控制模式，可选择节能优先，舒适优先或者低费用优先；双目标控制模式，舒适度加节能、舒适度加低碳、低碳加节费用；多目标控制模式，采用舒适度加节能加低费用；

遗传算法优化过程如下：

步骤1：初始化，随机产生一个规模为P的初始种群，其中每个个体为二进制位串的形式，也就是染色体，一组控制参数即一个个体；

步骤2：计算适应度，计算种群中每个个体的适应度，单一目标控制模式的能耗越低，适应度越高；

步骤3：选择，选择是指从群体中选择优良的个体并淘汰劣质个体的操作，它建立在适应函数评估的基础上，适应度越大的个体，被选择的可能性就越大，它的下一代的个数就越多，选择出来的个体放入配对库中；

步骤4：交叉，从种群中随机选择两个染色体，按一定的交叉概率进行基因交换，交换位置的选取也可以是随机的；

步骤5：变异，从种群中随机选择一个染色体，按一定的变异概率进行基因变异；

步骤6：若发现最优解或者到达迭代次数，则算法停止，否则，转步骤2；

工作时，遗传算法多目标优化控制模块执行模块1先读取环境参数值，判断是否存在当前环境下的最优控制参数，如果是，则遗传算法多目标优化控制模块执行模块1读取数据库，并执行相应的控制；如果否，则设备性能测试模块3进行当前环境下的设备性能测试，并将测试结果录入数据库；遗传算法多目标优化控制模块执行模块1根据设备性能曲线进行智能寻优，得出当前环境下的最优控制参数，并录入数据库；遗传算法多目标优化控制模块执行模块1读取数据库，并执行相应的控制。

冷水机组模型库（13）采用以下方法建立：

其中，

通常，系统的总冷负荷是个房间的冷负荷之和，而总的冷负荷是按照一定比例分配给各冷水机组的，各机组的实际制冷量与机组台数、机组容量满足下式：

P_chiller——多台冷水机组的总能耗，kW；

Q_nom,i——第i台机组的制冷量容量，kW；

COP_nom,i ——第i台机组在某一负荷率下的效率，kW/ kW；

PLR_{adj , i}——第i台机组的负荷率；

为模型参数，为模型参数；

Tem_padj,i——第i台机组的温度调节系数；

Q_chiller,i——第i台机组的在某一负荷下的实际制冷量，kW；

Q_k,l ——建筑物某一回路的实际冷负荷，kW；

T_CHWS——冷水机组冷冻水供水温度，℃ ；

T_CWS——冷水机组冷却水回水温度，℃ ；

T_CHWS——冷水机组冷冻水供水温度，℃ ；

T_CWS——冷水机组冷却水回水温度，℃ ；

——实际运行中的第 il台机组的制冷量容量，kW。

冷冻泵模型库（14）采用以下方法建立：

冷冻泵的水流量是流过各回路冷冻水的流量之和，总冷冻水流量与各冷冻水泵流量的分配关系由下式决定：

变速水泵在转速为 n 的情况下，压力与流量之间满足下列曲线方程关系式：

其中转速比， n₀ 为额定转速， f _{0, n} ～ f_3,n为模型参数，水泵传动效率；

则转化为仅与转速比和冷冻水泵流量有关的关系式：

其中，N₂为冷冻水泵台数，转速比， n₀ 为额定转速，n 为实际转速，g _{0, n} ～ g_3,n为模型参数，m_pump为冷冻水泵流量。

风机盘管及新风机组模型库（5）采用以下方法建立：

其中，N₃为风机数量，P_cfan风机能耗，H_{SA, k}空气压力_，m_S空气流量；

每个回路风量 m_SA,k是供给所有空调房间空调机组的风量m_{SA,k ,l}之和，g_c 表示重力加速度，常数，风机传动效率；总风量与各空调机组的风量的关系由下式决定：

其中，N₄为空调器台数；

变速风机在转速为 n 的情况下，压力与风量之间满足下列曲线方程关系式：

其中转速比， n₀ 为额定转速，f_{0, n} ～ f_3,n为模型参数，

则转化为仅与转速比和各风机盘管的风量有关的关系式，

其中，N₃为风机数量，转速比， n₀ 为额定转速，n 为实际转速，h _{0, n}～ h_3,n为模型参数。

尽管冷却水泵7、冷却塔8都会安装变速控制驱动器，他们的流量和压力也相互依赖，然而它们的能耗却可以看作只是流量的函数；冷却塔和冷却泵模型库（6）采用以下方法建立：

P_CWpump冷却泵能耗，d_{0, m}～ d_3,m为模型参数，额定工况下的冷却泵能耗，负荷率；

冷却泵实际流量，冷却泵额定流量；

P_tfan冷却塔能耗模型，额定工况下的冷却塔能耗， 冷却塔的负荷率，e_{0, n} ～ e_3,n为模型参数，

；

冷却塔实际流量， 冷却塔额定流量。

采用本发明后，夏季舒适度PMV∈[-0.7，+0.7] ,满足舒适性目标，节能率为23.23%，冬季PMV∈[-0.7，+0.7] ,满足舒适性目标，节能率为24.69%。

本发明所述的中央空调控制方法采用了实测的方法，建立系统模型，具有精度高、可靠性强、自适应的特点；采用了遗传算法，可实现多目标寻优，且寻优效率高，实现舒适度+节能+低费用目标；采用了用户行为识别方式来智能识别用户的不舒适行为，及时调整控制目标；本控制能够基于环境变化给出最佳控制方法，尤其是在过渡季节，能够大大提高设备效率，实现节能减排。

Claims (6)

1. 一种中央空调控制系统，其特征在于包括通用设备模型库（4）、设备性能测试模块（3）、舒适度评价模块（2）、遗传算法多目标优化控制模块执行模块（1），通用设备模型库（4）与设备性能测试模块（3）连接，设备性能测试模块（3）与舒适度评价模块（2）连接，舒适度评价模块（2）与遗传算法多目标优化控制模块执行模块（1）连接；

通用设备模型库（4）包括冷水机组模型库（13）、冷冻泵模型库（14）、风机盘管及新风机组模型库（5）以及冷却塔和冷却泵模型库（6），冷水机组模型库（13）与制冷机组（12）配合连接，冷冻泵模型库（14）与冷冻水泵（11）配合连接、风机盘管及新风机组模型库（5）与风机（10）及空调器（9）配合连接、冷却塔和冷却泵模型库（6）与冷却水泵（7）及冷却塔（8）配合连接；遗传算法多目标优化控制模块执行模块（1）与制冷机组（12）、冷冻水泵（11）、风机（10）、空调器（9）、冷却水泵（7）、冷却塔（8）配合连接。

2. 采用权利要求1所述的一种中央空调控制系统的控制方法，其特征在于包括以下步骤：

1）首先建立制冷机组（12）、冷冻水泵（11）、风机（10）、空调器（9）、冷却水泵（7）、冷却塔（8）的能耗数学模型，包括冷水机组模型库（13）、冷冻泵模型库（14）、风机盘管及新风机组模型库（5）以及冷却塔和冷却泵模型库（6）；再根据系统的实际运行特性，对冷水机组模型库（13）、冷冻泵模型库（14）、风机盘管及新风机组模型库（5）以及冷却塔和冷却泵模型库（6）的参数进行辨识，综合各设备数学模型，构建出通用设备模型库（4），并进一步对模型的运行参数进行优化；

2）设备性能测试模块（3）包括各种温度、湿度、流量、水泵频率、水阀开度、风机频率、风阀开度、电功率数据采集设备、传输设备、存储设备及相应的控制程序，可根据不同的需要对测量精度、采样频率智能调节，通过与预设定值或历史检测数据进行比较；

3）舒适度评价模块（2）采用主观和客观指标相结合的方法；客观指标为基于温度、湿度、二氧化碳浓度和风速参数指标，主观指标采用用户行为识别方式生成用户满意度指标，如摄像头采集到穿衣、扇扇子、出汗或者语音识别器监听到说冷、闷的行为，经过统计分析生成满意度指标；

4）遗传算法多目标优化控制模块执行模块（1）采用遗传算法优化，过程如下：

步骤1：初始化，随机产生一个规模为P的初始种群，其中每个个体为二进制位串的形式，也就是染色体，一组控制参数即一个个体；

步骤2：计算适应度，计算种群中每个个体的适应度，单一目标控制模式的能耗越低，适应度越高；

步骤3：选择，选择是指从群体中选择优良的个体并淘汰劣质个体的操作，它建立在适应函数评估的基础上，适应度越大的个体，被选择的可能性就越大，它的下一代的个数就越多，选择出来的个体放入配对库中；

步骤4：交叉，从种群中随机选择两个染色体，按一定的交叉概率进行基因交换，交换位置的选取也可以是随机的；

步骤5：变异，从种群中随机选择一个染色体，按一定的变异概率进行基因变异；

步骤6：若发现最优解或者到达迭代次数，则算法停止，否则，转步骤2；

工作时，遗传算法多目标优化控制模块执行模块（1）先读取环境参数值，判断是否存在当前环境下的最优控制参数，如果是，则遗传算法多目标优化控制模块执行模块（1）读取数据库，并执行相应的控制；如果否，则设备性能测试模块（3）进行当前环境下的设备性能测试，并将测试结果录入数据库；遗传算法多目标优化控制模块执行模块（1）根据设备性能曲线进行智能寻优，得出当前环境下的最优控制参数，并录入数据库；遗传算法多目标优化控制模块执行模块（1）读取数据库，并执行相应的控制。

3. 如权利要求2所述的一种中央空调控制系统的控制方法，其特征在于步骤1）中冷水机组模型库（13）采用以下方法建立：

其中，

通常，系统的总冷负荷是个房间的冷负荷之和，而总的冷负荷是按照一定比例分配给各冷水机组的，各机组的实际制冷量与机组台数、机组容量满足下式：

P_chiller——多台冷水机组的总能耗，kW；

Q_nom,i——第i台机组的制冷量容量，kW；

COP_nom,i ——第i台机组在某一负荷率下的效率，kW/ kW；

PLR_{adj , i}——第i台机组的负荷率；

为模型参数，为模型参数；

Tem_padj,i——第i台机组的温度调节系数；

Q_chiller,i——第i台机组的在某一负荷下的实际制冷量，kW；

Q_k,l ——建筑物某一回路的实际冷负荷，kW；

T_CHWS——冷水机组冷冻水供水温度，℃ ；

T_CWS——冷水机组冷却水回水温度，℃ ；

T_CHWS——冷水机组冷冻水供水温度，℃ ；

T_CWS——冷水机组冷却水回水温度，℃ ；

——实际运行中的第 il台机组的制冷量容量，kW。

4. 如权利要求2所述的一种中央空调控制系统的控制方法，其特征在于步骤1）中冷冻泵模型库（14）采用以下方法建立：

冷冻泵的水流量是流过各回路冷冻水的流量之和，总冷冻水流量与各冷冻水泵流量的分配关系由下式决定：

变速水泵在转速为 n 的情况下，压力与流量之间满足下列曲线方程关系式：

其中转速比， n₀ 为额定转速， f _{0, n} ～ f_3,n为模型参数，水泵传动效率；

则转化为仅与转速比和冷冻水泵流量有关的关系式：

其中，N₂为冷冻水泵台数，转速比， n₀ 为额定转速，n 为实际转速，g _{0, n} ～ g_3,n为模型参数，m_pump为冷冻水泵流量。

5. 如权利要求2所述的一种中央空调控制系统的控制方法，其特征在于步骤1）中风机盘管及新风机组模型库（5）采用以下方法建立：

其中，N₃为风机数量，P_cfan风机能耗，H_{SA, k}空气压力_，m_S空气流量；

每个回路风量 m_SA,k是供给所有空调房间空调机组的风量m_{SA,k ,l}之和，g_c 表示重力加速度，常数，风机传动效率；总风量与各空调机组的风量的关系由下式决定：

其中，N₄为空调器台数；

变速风机在转速为 n 的情况下，压力与风量之间满足下列曲线方程关系式：

其中转速比， n₀ 为额定转速，f_{0, n} ～ f_3,n为模型参数，

则转化为仅与转速比和各风机盘管的风量有关的关系式，

其中，N₃为风机数量，转速比， n₀ 为额定转速，n 为实际转速，h _{0, n}～ h_3,n为模型参数。

6. 如权利要求2所述的一种中央空调控制系统的控制方法，其特征在于步骤1）中冷却塔和冷却泵模型库（6）采用以下方法建立：

P_CWpump冷却泵能耗，d_{0, m}～ d_3,m为模型参数，额定工况下的冷却泵能耗，负荷率；

冷却泵实际流量，冷却泵额定流量；

P_tfan冷却塔能耗模型，额定工况下的冷却塔能耗， 冷却塔的负荷率，e_{0, n} ～ e_3,n为模型参数，

；

冷却塔实际流量， 冷却塔额定流量。