CN108168030B - 一种基于制冷性能曲线的智能控制方法 - Google Patents
一种基于制冷性能曲线的智能控制方法 Download PDFInfo
- Publication number
- CN108168030B CN108168030B CN201711335035.0A CN201711335035A CN108168030B CN 108168030 B CN108168030 B CN 108168030B CN 201711335035 A CN201711335035 A CN 201711335035A CN 108168030 B CN108168030 B CN 108168030B
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- conditioning system
- air conditioning
- water
- 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
Images
Abstract
本发明公开了一种基于制冷性能曲线的智能控制方法,本发明基于冷水机组在特定工况下的COP性能系数值的曲线,根据实际测量的部分负荷下的冷水机组的COP值,利用曲线拟合进行寻优计算,寻取到一种有利的控制方案,根据选择的控制方案来控制冷水机组的启停数及负载率,使得冷水机组在特定的工况下在高COP值下工作,提高了冷水机组的工作效率,更加节能。
Description
技术领域
本发明属于空调制冷技术领域,尤其涉及一种基于制冷性能曲线的智能控制方法。
背景技术
目前应用于制冷空调系统冷水机组的控制方法主要有电流百分比的控制方式、供回水温差控制方式、压差控制和流量控制等。当前,国内外制冷空调群控技术主要应用在冷水机组群控方面,冷水机组的加减机控制逻辑有多种选择,目前的节能技术中以压缩机运行电流RLA(Rated Load Amps)与额定电流的比值为依据的方式相对可靠节能。主要控制思路为,在系统负荷增大时,控制系统会自动对当前系统实际的冷冻水总供水温度与冷冻水供水温度设定值进行比较,并且自控系统会根据事先设定好的加载参数进行判断,如果满足加载条件,则自动控制系统会自动启动下一台机组以满足系统的需要。当冷冻机组的电流百分比低于设定的下限值,则减载该台冷冻机组。
COP(Coefficient Of Performance)即能量与热量之间的转换比率,简称能效比,是每台主机自身的属性。现有的空调系统群控方式中往往会忽视冷水机组COP值在不同工况下的变化,从而使得机组在低COP值下运行,普遍达不到很好的节能效果。
公开号为CN104913559的中国专利申请提出一种基于主机COP值的制冷机组群控方法,重点强调一种在满足冷量需求前提下,可以充分节能的制冷机组群控方法。其主要根据冷冻水总管的供水或回水温度来判断加减载的,并采用了模糊PID控制器(Proportion,Integral,Derivative)复合控制温度的方式,使整个系统具有一定的稳定性,控制冷水机组在最高COP值点左右运行。该专利本具有一定的可行性并取得了一定的效果;但是从负荷分配的角度来看,要想让多台冷水机组都在最低的负载率下达到最高的COP值,使得能耗进一步降低,该专利还缺乏整体上的协调性。
公开号为CN204853826的中国专利申请提出一种基于冷水主机COP能效曲线优化控制系统,该控制系统使用“COP优化控制系统”进行信号采集及冷水主机在不同运行环境下的COP能效曲线值进行比较,找出冷水主机最佳COP能效曲线及其最佳运行环境。优化冷水主机运行效率,降低能耗。但是该专利并未提供具体的实施方案与内容,而是否能够达到节能也没有进一步的验证,还有待更深入的研究与分析。
发明内容
技术问题:本发明根据现有的控制方式的不足之处,在保证安全可靠以及制冷量的要求的情况下,提出了一种基于制冷性能曲线的智能控制方法,即根据冷水机组的性能曲线实时合理控制机组的启停及负荷分配。
本发明包括如下步骤:
步骤1,测量当前制冷空调系统冷水机组性能系数COP(Coefficient OfPerformance)值和负载率LR(Load Rate)值,进行曲线拟合得到COP值和LR值的关系模型;
步骤2,验证关系模型的准确性,如果关系模型满足条件,执行步骤3,否则返回步骤1;
步骤3,获取当前制冷空调系统总负荷,检测当前制冷空调系统总负荷在距上一次测量是否发生变化,如果是,执行步骤4,否则执行步骤6;
步骤4,计算冷水机组的总能耗,并得到当前空调系统约束条件;
步骤5,优化目标能耗方程,计算适应度值,判定是否满足终止条件,即适应度值是否达到全局最低,如果是,输出方程最优解,根据最优解中的负荷分配结果制定负荷分配控制方案,否则继续优化;
步骤6,根据负荷分配控制方案对冷水机组进行控制。
步骤7,根据供回水温度检测空调系统的稳定性,如果空调系统稳定,空调系统按得到的分配方案持续运行,否则返回执行步骤1。
步骤1包括:测量当前冷水机组COP值和LR值,进行曲线拟合得到如下COP值和LR值的关系模型:
COPi=ai+biLRi+ciLRi 2,
其中,ai,bi,ci是固定不变的的参数,COPi表示第i台机组的COP值,LRi表示第i台机组的LR值。
步骤2中,采用如下公式验证关系模型的准确性:
其中,K为辨识结果,h为观测的数据向量,z为随机干扰,d为种群数量,P为估计误差协方差阵,θ用于存储参数估计结果,γ为遗忘因子,作用是加强新的数据提供的信息量,逐渐削弱老的数据,防止数据饱和,Kd表示d粒子的辨识结果,Kd+1表示更新的下一代辨识结果,θd+1表示更新的下一代参数估计结果,Pd+1表示示更新的下一代估计误差协方差阵。
实时获取制冷空调系统冷水机组COP值和LR值,利用该公式进行系数ai,bi,ci的回归,将结果代入步骤1的关系模型中并绘制成以COP值间接表示的最小能耗曲线,将系数回归得到的模型与实际测量并计算的到的模型进行误差比较,如果COP值与实际测量的误差在阈值T1范围内(T1取值一般为3%),执行步骤3,否则返回步骤1。
步骤4包括:
步骤4-1,计算冷水机组的总能耗J:
其中,A代表系统总负荷,Xi代表第i台冷水机组的制冷量占总负荷的百分比,n表示运行的冷水机组的台数;
步骤4-2,约束条件为:
0≤Xi≤1,
步骤5包括:
步骤5-1,初始化一个规模为m的粒子群,初始化过程如下:
设定群体规模m;
对任意的粒子i及其维度s,在[-xmax,xmax]内服从均匀分布产生xis;
对任意的粒子i及其维度s,在[-vmax,vmax]内服从均匀分布产生vis;
其中vmax表示最大速度,xmax表示搜索空间的最大值,xis表示对任意的粒子i及其维度s的搜索空间的值,vis表示对任意的粒子i及其维度s的速度;
步骤5-2,计算每个粒子的适应度值:
目标函数fun2为:
y=-(-20.34*x(1)^2+19.41*x(1)+0.71)-(-52.96*x(2)^2+29.51*x(2)+1.04)-(-185.75*x(3)^2+57.92*x(3)+0.69);此处x表示一个函数的自变量,y表示应变量;
适应度值计算公式为:
1.0*pop(j,1)<0.683,表示根据计算所求的对象1的负载率小于0.863;
1.0*pop(j,2)<0.367,表示根据计算所求的对象2的负载率小于0.367;
1.0*pop(j,3)<0.216,表示根据计算所求的对象3的负载率小于0.216;
1.0*pop(j,1)+1.0*pop(j,2)+1.0*pop(j,3)>=1,表示所求的对象综合大于等于1;
适应度值fitness(j)=fun2(pop(j,:)),表示根据函数fun2计算适应度值fitness;
Pop()表示程序中对象的位置,以便识别粒子。
步骤5-3,对每个粒子将其适应度值和其经历过的最好的位置的适应度值进行比较,若该粒子适应度值相比于其它粒子较低,表示负荷分配方案的能耗较小,则将该粒子作为当前最好位置;
步骤5-4,对每个粒子将其适应度值和全局经历过的最好的位置的适应度值进行比较,若该粒子适应度值优于全局经历过的最好的位置的适应度值,则将其作为当前的全局最好位置,否则舍弃该粒子;
步骤5-5,根据计算公式:
vis(t+1)=vis(t)+c1r1s(t)(pis(t)-xis(t))+c2r2s(t)(pgs(t)-xis(t))和xis(t+1)=xis(t)+vis(t+1)分别对粒子的速度和位置进行更新;下标is表示i粒子的s维度,p表示当前的粒子,r是介于(0,1)之间的随机数,学习因子C1、C2是粒子群算法中的两个初始参数;vis(t)表示第t次迭代时i粒子的s维度的速度,xis(t)表示第t次迭代时i粒子的s维度的的位置;pis(t)表示第t次迭代时当前粒子在s维度经历的最好位置;pgs(t)表示第t次迭代时当前种群中在s维度的的经历的最好位置。
步骤5-6,如果满足在所有迭代次数中的适应度值最小,则输出解;否则返回到步骤5-2。
步骤7中,采用如下方法检测空调系统的稳定性:
根据如下公式计算供水温度指标α:
其中,Mgi为当前空调系统制冷机组设定的供水温度,Ngi为当前空调系统制冷机组测量的供水温度,Mgi+1为下一时刻空调系统制冷机组设定的供水温度,Ngi+1为下一时刻空调系统制冷机组测量的供水温度;
根据如下公式计算回水温度指标β:
其中,为当前空调系统制冷机组设定的回水温度,为当前空调系统制冷机组测量的回水温度,为下一时刻空调系统制冷机组设定的回水温度,为下一时刻空调系统制冷机组测量的回水温度,供水温度指标α和回水温度指标β的值均为1,空调系统的供回水温度达到稳定。
有益效果:本发明与现有技术相比,具有以下优点:
现有的控制方式中主要根据冷冻水总管的供水或回水温度来判断加减载的,本专利在同样保障安全的前提下以现有的数据测量,根据用户侧的需求通过数学模型寻优计算来控制空调系统冷水机组的启停和负荷分配,利用了寻优算法即能保证用户侧的安全可靠运行,又能合理的计算负荷,保证了冷水机组的总负载率在安全的情况下降至最低,达到节能的目的。
本发明利用了带遗忘因子的最小二乘法验证了模型的准确性,考虑了时域不同情况下对机组的影响,并通过曲线拟合技术,将冷水机组的性能转化为数学模型,再根据寻优计算的结果来对机组控制,PSO寻优算法方便简单易操作,使得工作下的冷水机组整体的COP值达到最高,最终能从根本上达到节能的目的。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是冷水系统连接示意图。
图2是负荷分配适应度曲线。
图3是总能耗对比图。
图4是本发明流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图4所示,本发明包括如下步骤:
步骤1,测量当前制冷空调系统冷水机组COP值和LR值,进行曲线拟合得到COP值和LR值的关系模型;
步骤2,验证关系模型的准确性,如果关系模型满足条件,执行步骤3,否则返回步骤1;
步骤3,获取当前制冷空调系统总负荷,检测当前制冷空调系统总负荷在距上一次测量是否发生变化,如果是,执行步骤4,否则执行步骤6;
步骤4,计算冷水机组的总能耗,并得到当前空调系统约束条件;
步骤5,优化目标能耗方程,计算适应度值,判定是否满足终止条件,即适应度值是否达到全局最低,如果是,输出方程最优解,根据最优解中的负荷分配结果制定负荷分配控制方案(负荷分配控制方案具体指不同冷水机组分配的负载),否则继续优化;
步骤6,根据负荷分配控制方案对冷水机组进行控制。
步骤7,根据供回水温度检测空调系统的稳定性,如果空调系统稳定,空调系统按得到的分配方案持续运行,否则返回执行步骤1。
步骤1包括:一般情况下,制冷的空调系统有较多的台冷水机组组成,其规格也是不尽相同,其主要采用的是冷媒水供水温度的控制方法,假如系统中所有的冷水机组额定制冷量均相同,各台机组均匀分担的冷量;若机组额定制冷量不完全相同,则每一台机组按照其额定制冷量占运行机组总制冷量的比例来提供冷量。本发明提出的冷水机组负荷分配优化策略,是根据COP值和LR之间关系,建立冷水机组总能耗目标函数,然后求解得到各冷水机组所承担的负荷比率。通过了解数据机房需求的制冷量,对冷水机组的负荷进行分配。
COP是冷水机组自己自身的属性,其变化为物理过程,其状态方程中的参数属于慢时变参数,随时间的变化较为缓慢。本文采用曲线拟合法进行计算,来得到COP与LR的关系。因为COP与LR之间不存在线性关系,所以通过观测的数据拟合出它们之间的关系曲线,对3台不同额定制冷量的冷水机组进行了实验,测量当前冷水机组COP值和LR值,进行曲线拟合得到如下COP值和LR值的关系模型:
其中,ai,bi,ci是固定不变的的参数,COPi表示第i台机组的COP值,LRi表示第i台机组的LR值。
步骤2包括:本发明采用的曲线拟合获取COP与LR关系式,拟合得到的系数ai,bi,ci是固定不变的。机组性能系数COP不仅与LR的有关,还与机组其它属性有关,但都是属于慢时变参数,为了使模型更为准确,采用了带遗忘因子的最小二乘法来验证模型的准确性,采用如下公式验证关系模型的准确性:
其中,K为辨识结果,h为观测的数据向量,z为随机干扰,d为种群数量,P为估计误差协方差阵,θ用于存储参数估计结果,γ为遗忘因子,作用是加强新的数据提供的信息量,逐渐削弱老的数据,防止数据饱和.
实时获取制冷空调系统冷水机组COP值和LR值,利用该公式进行系数ai,bi,ci的回归,将结果代入步骤1的关系模型中并绘制成以COP值间接表示的最小能耗曲线,将系数回归得到的模型与实际测量并计算的到的模型进行误差比较。
通过实时获取制冷空调系统冷水机组COP值和LR值,利用上述的带遗忘因子的最小二乘法进行系数回归,取额定功率为4100kW的冷水机组为例,其回归系数结果如下表1所示:
表1
将取得的结果带入原方程并绘制成曲线,与实际的参数模型进行比较发现系统的误差很小。在一个稳定的空调系统下,采用慢时变系数回归获取COP值与实际相差2.37%,在误差允许的范围之内;但在系统不稳定的情况下,某些时段负荷的不规则震荡会使得数据偏离,所以出现数据异常时可采用多次多时段测量以减小错误的出现。
步骤4包括:
步骤4-1,计算冷水机组的总能耗J:
其中,A代表系统总负荷,Xi代表第i台冷水机组的制冷量占总负荷的百分比,n表示运行的冷水机组的台数;
步骤4-2,约束条件为:
0≤Xi≤1,
步骤5包括:
步骤5-1,初始化一个规模为m的粒子群,初始化过程如下:
设定群体规模m;
对任意的粒子i及其维度s,在[-xmax,xmax]内服从均匀分布产生xis;
对任意的粒子i及其维度s,在[-vmax,vmax]内服从均匀分布产生vis;
其中vmax表示最大速度,xmax表示搜索空间的最大值;
步骤5-2,计算每个粒子的适应度值:
目标函数fun2为:
y=-(-20.34*x(1)2+19.41*x(1)+0.71)-(-52.96*x(2)2+29.51*x(2)+1.04)-(-185.75*x(3)^2+57.92*x(3)+0.69);
适应度值计算公式为:
1.0*pop(j,1)<0.683,
1.0*pop(j,2)<0.367,
1.0*pop(j,3)<0.216,
1.0*pop(j,1)+1.0*pop(j,2)+1.0*pop(j,3)>=1,
适应度值fitness(j)=fun2(pop(j,:));
步骤5-3,对每个粒子将其适应度值和其经历过的最好的位置的适应度值进行比较,若该粒子适应度值相比于其它粒子较低,表示负荷分配方案的能耗较小,则将该粒子作为当前最好位置;
步骤5-4,对每个粒子将其适应度值和全局经历过的最好的位置的适应度值进行比较,若该粒子适应度值优于全局经历过的最好的位置的适应度值,则将其作为当前的全局最好位置,否则舍弃该粒子;
步骤5-5,根据计算公式:
vis(t+1)=vis(t)+c1r1s(t)(pis(t)-xis(t))+c2r2s(t)(pgs(t)-xis(t))和xis(t+1)=xis(t)+vis(t+1)分别对粒子的速度和位置进行更新;下标is表示i粒子的s维度,p表示当前的粒子,r是介于(0,1)之间的随机数,学习因子C1、C2是粒子群算法中的两个初始参数;vis(t)表示第t次迭代时i粒子的s维度的速度,xis(t)表示第t次迭代时i粒子的s维度的的位置;pis(t)表示第t次迭代时当前粒子在s维度经历的最好位置;pgs(t)表示第t次迭代时当前种群中在s维度的的经历的最好位置。
步骤5-6,如果满足在所有迭代次数中的适应度值最小,则输出解;否则返回到步骤5-2。
步骤7中,采用如下方法检测空调系统的稳定性:
根据如下公式计算供水温度指标α:
其中,Mgi为当前空调系统制冷机组设定的供水温度,Ngi为当前空调系统制冷机组测量的供水温度,Mgi+1为下一时刻空调系统制冷机组设定的供水温度,Ngi+1为下一时刻空调系统制冷机组测量的供水温度;
根据如下公式计算回水温度指标β:
其中,为当前空调系统制冷机组设定的回水温度,为当前空调系统制冷机组测量的回水温度,为下一时刻空调系统制冷机组设定的回水温度,为下一时刻空调系统制冷机组测量的回水温度,供水温度指标α和回水温度指标β的值均为1,空调系统的供回水温度达到稳定。
实施例
以北京亦庄制冷工程项目空调系统为例,本工程装机容量较大,耗能较高,从运营效率、运营期成本以及节能减排等的方面考虑,本工程采用了水冷冷水机组作为集中空调的冷源,按照分期分批建设的规模和进度,现配置三台额定制冷量分别为4100kW、2200kW和1300kW的离心式冷水机组。冷水系统的连接示意图如图1:图中有:1-机房;2-机密空调等设备;3-冷冻回水;4-冷冻出水;5-冷冻站;6-冷水机组;7-冷却出水;8-冷却回水;9-冷却塔;10-蓄冷罐:
取环境温度5℃、相对湿度为50%的情况下空调的复合负载率LR和COP值的关系为例,本次北京亦庄电信具体情况如下表:
表2不同负载率下的COP值
5℃ | 4100kW | 2200kW | 1300kW |
负载率LR | COP | COP | COP |
0.15 | 2.2 | 2.4 | 2.2 |
0.3 | 4.3 | 3.9 | 4.0 |
0.45 | 4.4 | 4.2 | 4.5 |
0.6 | 5.1 | 4.8 | 5.0 |
0.75 | 5.3 | 5.1 | 5.1 |
0.95 | 4.9 | 4.6 | 4.8 |
现北京亦庄制冷工程项目用户侧总需求量约为6000kW,如按正常开启一台4100kW和一台2200kW的冷水机组即可以满足要求。通过本文的分析采用PSO寻优计算获取更加优化的方案,具体如下:
(1)经过计算与转化得到测试函数的表达式:
通过PSO算法仿真的具体步骤如下:
步骤一:初始化一个规模为200的粒子群并设置好初始位置和速度;
步骤二:根据计算求出每一个粒子的适应度值;
步骤三:将每一个新测量的粒子的适应度与之前最好的适应度值进行对比,如果较好则替换;
步骤四:更新粒子速度与位置;
步骤五:如果计算的负载率符合之前的要求输出该解,否则返回步骤二。
得出适应度曲线如图2:
从图中可以看出PSO算法在带约束的函数极值寻优方面体现了较好的寻优能力,收敛速度也较快,且比较简单容易操作。
运行算法取出三组数据和最初方案四的分配如下表:
表3优化后的负荷分配表
序号 | x<sub>1</sub> | x<sub>2</sub> | x<sub>3</sub> |
1 | 0.5339 | 0.3157 | 0.1730 |
2 | 0.5373 | 0.3046 | 0.1650 |
3 | 0.5248 | 0.3189 | 0.1741 |
4 | 0.6666 | 0.3333 | 0 |
在通过仿真得到的结果代入到最初始的方程进行计算COP值:
表4冷水机组COP值
从表中可以看出前三种放案的负荷分配使得冷水机组都在高COP值下运行,而方案四的COP值不太理想。再通过计算对比前后计算能源消耗可以得出,本次北京亦庄制冷冷水机组运行方案相对于最初的方案可以节能7.6%左右,对于空调系统长期运行的制冷来说,将会是非常可观的能源,计算结果如图3所示。
本发明提供了一种基于制冷冷水机组性能曲线的群控方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种基于制冷性能曲线的智能控制方法,其特征在于,包括如下步骤:
步骤1,测量当前冷水机组COP值和LR值,进行曲线拟合得到如下COP值和LR值的关系模型:
其中,ai,bi,ci是固定不变的的参数,COPi表示第i台机组的COP值,LRi表示第i台机组的LR值;
步骤2,采用带遗忘因子的最小二乘法验证关系模型的准确性,公式如下:
其中,K为辨识结果,h为观测的数据向量,z为随机干扰,d为种群数量,P为估计误差协方差阵,θ用于存储参数估计结果,γ为遗忘因子,Kd表示d粒子的辨识结果,Kd+1表示更新的下一代辨识结果,表示更新的下一代参数估计结果,Pd+1表示示更新的下一代估计误差协方差阵;
实时获取制冷空调系统冷水机组COP值和LR值,利用该公式进行系数ai,bi,ci的回归,将结果代入步骤1的关系模型中并绘制成以COP值间接表示的最小能耗曲线,将系数回归得到的模型与实际测量并计算的到的模型进行误差比较,如果COP值与实际测量的误差在阈值T1范围内,执行步骤3,否则返回步骤1;
步骤3,获取当前制冷空调系统总负荷,检测当前制冷空调系统总负荷在距上一次测量是否发生变化,如果是,执行步骤4,否则执行步骤6;
步骤4,计算冷水机组的总能耗,并得到当前空调系统约束条件;
步骤5,优化目标能耗方程,计算适应度值,判定是否满足终止条件,即适应度值是否达到全局最低,如果是,输出方程最优解,根据最优解中的负荷分配结果制定负荷分配控制方案,否则继续优化;
步骤6,根据负荷分配控制方案对冷水机组进行控制;
步骤7,根据供回水温度检测空调系统的稳定性,如果空调系统稳定,空调系统按得到的分配方案持续运行,否则返回执行步骤1。
3.根据权利要求2所述的方法,其特征在于,步骤5包括:
步骤5-1,初始化一个规模为m的粒子群,初始化过程如下:
设定群体规模m;
对任意的粒子i及其维度s,在[-xmax,xmax]内服从均匀分布产生xis;
对任意的粒子i及其维度s,在[-vmax,vmax]内服从均匀分布产生vis;
其中vmax表示最大速度,xmax表示搜索空间的最大值;xis表示对任意的粒子i及其维度s的搜索空间的值,vis表示对任意的粒子i及其维度s的速度;
步骤5-2,计算每个粒子的适应度值:
步骤5-3,对每个粒子将其适应度值和其经历过的最好的位置的适应度值进行比较,若该粒子适应度值相比于其它粒子较低,表示负荷分配方案的能耗较小,则将该粒子作为当前最好位置;
步骤5-4,对每个粒子将其适应度值和全局经历过的最好的位置的适应度值进行比较,若该粒子适应度值优于全局经历过的最好的位置的适应度值,则将其作为当前的全局最好位置,否则舍弃该粒子;
步骤5-5,根据计算公式:
vis(t+1)=vis(t)+c1r1s(t)(pis(t)-xis(t))+c2r2s(t)(pgs(t)-xis(t))和xis(t+1)=xis(t)+vis(t+1)分别对粒子的速度和位置进行更新;下标is表示i粒子的s维度,p表示当前的粒子,r是介于(0,1)之间的随机数,学习因子C1、C2是粒子群算法中的两个初始参数;vis(t)表示第t次迭代时i粒子的s维度的速度,xis(t)表示第t次迭代时i粒子的s维度的的位置;pis(t)表示第t次迭代时当前粒子在s维度经历的最好位置;pgs(t)表示第t次迭代时当前种群中在s维度的的经历的最好位置;
步骤5-6,如果满足在所有迭代次数中的适应度值最小,则输出解;否则返回到步骤5-2。
4.根据权利要求3所述的方法,其特征在于,步骤5-2包括:
目标函数fun2为:
y=-(-20.34*x(1)^2+19.41*x(1)+0.71)-(-52.96*x(2)^2+29.51*x(2)+1.04)-(-185.75*x(3)^2+57.92*x(3)+0.69);
适应度值计算公式为:
1.0*pop(j,1)<0.683,表示根据计算所求的对象1的负载率小于0.863;
1.0*pop(j,2)<0.367,表示根据计算所求的对象2的负载率小于0.367;
1.0*pop(j,3)<0.216,表示根据计算所求的对象3的负载率小于0.216;
1.0*pop(j,1)+1.0*pop(j,2)+1.0*pop(j,3)>=1,表示所求的对象综合大于等于1;
适应度值fitness(j)=fun2(pop(j,:)),表示根据函数fun2计算适应度值fitness。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711335035.0A CN108168030B (zh) | 2017-12-14 | 2017-12-14 | 一种基于制冷性能曲线的智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711335035.0A CN108168030B (zh) | 2017-12-14 | 2017-12-14 | 一种基于制冷性能曲线的智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108168030A CN108168030A (zh) | 2018-06-15 |
CN108168030B true CN108168030B (zh) | 2020-06-16 |
Family
ID=62525267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711335035.0A Active CN108168030B (zh) | 2017-12-14 | 2017-12-14 | 一种基于制冷性能曲线的智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108168030B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583008B (zh) * | 2018-10-18 | 2023-09-15 | 天津大学 | 基于逐步回归的冷水机组能效模型通用建模方法 |
CN109916090B (zh) * | 2018-11-29 | 2022-10-18 | 青岛经济技术开发区海尔热水器有限公司 | 热泵热水器控制方法及热泵热水器 |
CN110068107B (zh) * | 2019-04-08 | 2021-04-13 | 广东纽恩泰新能源科技发展有限公司 | 一种模块化控制方法 |
CN110260470B (zh) * | 2019-06-20 | 2020-09-29 | 西安建筑科技大学 | 基于群智能架构的中央空调并联冷机负荷优化分配方法 |
CN111397262A (zh) * | 2020-03-20 | 2020-07-10 | 浙江中控技术股份有限公司 | 一种制冷系统的控制方法及装置 |
CN111442480A (zh) * | 2020-04-08 | 2020-07-24 | 广东美的暖通设备有限公司 | 空调设备的运行控制方法和系统、空调设备和存储介质 |
CN111811111B (zh) * | 2020-06-17 | 2021-12-07 | 上海电力大学 | 一种基于改进粒子群算法的中央空调能耗控制方法 |
CN112856722B (zh) * | 2021-01-07 | 2022-07-12 | 丁一 | 冷源系统控制方法、控制器、系统、存储介质及程序产品 |
CN115423295B (zh) * | 2022-08-30 | 2023-12-05 | 青岛艾德森物联科技有限公司 | 一种空调水系统的双平衡状态监测的评估方法及系统 |
CN116772369A (zh) * | 2023-08-24 | 2023-09-19 | 南通华信中央空调有限公司 | 一种智能环保节能供冷系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134100A (zh) * | 2014-07-22 | 2014-11-05 | 香港佳能通节能科技有限公司 | 一种基于云计算的节能管理系统 |
CN104913559A (zh) * | 2015-06-15 | 2015-09-16 | 江苏苏源光一科技有限公司 | 一种基于主机cop值的制冷机组群控方法 |
CN105004015A (zh) * | 2015-08-25 | 2015-10-28 | 东南大学 | 一种基于需求响应的中央空调建模及控制策略 |
CN107273673A (zh) * | 2017-06-01 | 2017-10-20 | 国网江苏省电力公司经济技术研究院 | 一种考虑平抑风电波动的空调冷水机组群控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6392537B2 (ja) * | 2014-04-14 | 2018-09-19 | 株式会社日立製作所 | 排熱利用システムにおける熱源設備の運転計画立案装置及び運転計画立案方法 |
-
2017
- 2017-12-14 CN CN201711335035.0A patent/CN108168030B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134100A (zh) * | 2014-07-22 | 2014-11-05 | 香港佳能通节能科技有限公司 | 一种基于云计算的节能管理系统 |
CN104913559A (zh) * | 2015-06-15 | 2015-09-16 | 江苏苏源光一科技有限公司 | 一种基于主机cop值的制冷机组群控方法 |
CN105004015A (zh) * | 2015-08-25 | 2015-10-28 | 东南大学 | 一种基于需求响应的中央空调建模及控制策略 |
CN107273673A (zh) * | 2017-06-01 | 2017-10-20 | 国网江苏省电力公司经济技术研究院 | 一种考虑平抑风电波动的空调冷水机组群控方法 |
Non-Patent Citations (2)
Title |
---|
《某商场中央空调冷源系统运行能效优化及应用研究》;周煜;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20150228;正文第6-32、49-52页 * |
周煜.《某商场中央空调冷源系统运行能效优化及应用研究》.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2015,正文第6-32、49-52. * |
Also Published As
Publication number | Publication date |
---|---|
CN108168030A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108168030B (zh) | 一种基于制冷性能曲线的智能控制方法 | |
CN107940679B (zh) | 一种基于数据中心冷水机组性能曲线的群控方法 | |
CN109869867B (zh) | 一种电器的控制方法、装置、存储介质及电器 | |
CN110849007A (zh) | 一种冷媒量自动调节控制方法、装置及空调器 | |
CN110107989A (zh) | 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法 | |
CN111207481A (zh) | 一种水多联系统压缩机升降频控制方法、存储介质及空调 | |
CN110822676B (zh) | 控制方法、控制装置、空调器和计算机可读存储介质 | |
CN105571073A (zh) | 一种地铁站空调水系统变频控制节能方法 | |
CN108224676B (zh) | 运行控制方法、运行控制装置、空调器和可读存储介质 | |
US11561019B2 (en) | Performance diagnosis device and performance diagnosis method for air conditioner | |
CN108489011B (zh) | 运行控制方法、装置、空调水机系统和存储介质 | |
CN107084507A (zh) | 化霜判断方法、化霜判断系统以及空调 | |
CN113701321B (zh) | 一种中央空调水泵节能变频控制方法 | |
CN114459133A (zh) | 一种中央空调系统节能控制方法及节能控制系统 | |
CN110686390A (zh) | 一种变频器防止主板凝露的控制方法、系统及空调 | |
CN112361538A (zh) | 一种回油控制方法、装置及多联机系统 | |
CN114440409A (zh) | 一种中央空调系统自适应节能控制方法 | |
CN110688740A (zh) | 基于Modelica联合仿真优化的冷水机房模型校准方法 | |
CN111895624B (zh) | 一种空调温湿度控制方法、装置、存储介质及空调 | |
CN110671783B (zh) | 一种空调器除湿度的控制方法、装置、空调器及存储介质 | |
CN108507126A (zh) | 一种中央空调冷冻水的模糊控制方法、装置及空调 | |
CN107036232A (zh) | 一种医院水蓄冷空调系统冷机运行能效优化控制方法及装置 | |
CN109237700A (zh) | 一种空调制冷机联机变水温控制方法 | |
CN113551376A (zh) | 空调控制方法、装置及空调机组 | |
CN208205284U (zh) | 一种基于区域能量平衡的空调系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |