CN108292559A - 用于控制电力设备的冷却系统的方法和系统 - Google Patents

用于控制电力设备的冷却系统的方法和系统 Download PDF

Info

Publication number
CN108292559A
CN108292559A CN201680071111.9A CN201680071111A CN108292559A CN 108292559 A CN108292559 A CN 108292559A CN 201680071111 A CN201680071111 A CN 201680071111A CN 108292559 A CN108292559 A CN 108292559A
Authority
CN
China
Prior art keywords
duty cycle
time interval
series
cooling capacity
parameter
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.)
Granted
Application number
CN201680071111.9A
Other languages
English (en)
Other versions
CN108292559B (zh
Inventor
陈瑶
陈妮亚
于蓉蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Energy Co ltd
Original Assignee
ABB Technology AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ABB Technology AG filed Critical ABB Technology AG
Publication of CN108292559A publication Critical patent/CN108292559A/zh
Application granted granted Critical
Publication of CN108292559B publication Critical patent/CN108292559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/08—Cooling; Ventilating
    • H01F27/085—Cooling by ambient air
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • G06F1/206—Cooling means comprising thermal management
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/008—Details of transformers or inductances, in general with temperature compensation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/08—Cooling; Ventilating
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/33—Arrangements for noise damping
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20009—Modifications to facilitate cooling, ventilating, or heating using a gaseous coolant in electronic enclosures
    • H05K7/20209—Thermal management, e.g. fan control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Thermal Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

提供了一种用于控制电力设备的冷却系统的方法和使用该方法的系统。该方法包括以下步骤：获取第一数据集，该表示在历史记录中的第一负载周期的一系列时间间隔处特定于电力设备及其冷却系统的运行成本相关参数；获取第二数据集，该第二数据集表示在历史记录中的第二负载周期的一系列时间间隔处特定于电力设备及其冷却系统的运行成本相关参数，其中第二负载周期在第一负载周期之后；鉴于由第一数据集表示的参数，通过基于知识库的预定数值和/或逻辑联系，根据电力设备的运行成本优化的准则来建立第三数据集，该第三数据集表示在第一负载周期的一系列时间间隔处的冷却系统的最佳冷却能力参数；鉴于由第二数据集表示的参数，通过基于知识库的预定数值和/或逻辑联系，根据电力设备的运行成本优化的准则来建立第四数据集，该第四数据集表示在第二负载周期的一系列时间间隔处的冷却系统的最佳冷却能力参数；建立第五数据集，该第五数据集表示在关于第一负载周期和第二负载周期所建立的冷却能力参数之间的冷却能力参数差异；通过使用冷却能力参数差异计算校正关于第二负载周期的时间间隔所建立的冷却能力参数，来建立第六数据集，该第六数据集表示在当前负载周期的一系列时间间隔处的冷却系统的冷却能力参数；以及控制冷却系统在当前负载周期的一系列时间间隔处按照由第六数据集表示的关于当前负载周期所建立的冷却能力参数运行。

Description

用于控制电力设备的冷却系统的方法和系统
技术领域
本发明涉及电力设备的温度控制，并且更具体地涉及通过数字数据处理来控制电力设备的温度。
背景技术
例如，电力设备可以是电力变压器、电机等，其损耗随其负载水平而变化，并且其大部分损耗转化为热量。由于功率额定值较高，电力设备通常通过强制风冷、强制油冷、水冷或者它们的组合来冷却。因此，电力设备需要冷却系统，该冷却系统例如可以是布置至少一个风扇或鼓风机，以泵送冷却空气或诸如油和水的液体冷却剂。减慢或加快冷却系统以使电力设备的温度保持在预定范围内的做法是常见的，并且有许多技术可以实现这一点。
电力设备的运行效率受到多个参数的影响，例如与功率损耗、寿命损耗和噪声降低相关的成本。为了将优化电力设备的运行效率作为基于优化设计的目标，这些参数必须在互相冲突的约束条件下进行调整。例如，通常较低的绕组温度导致较少的绕组铜损。但同时，冷却系统的功耗会更高，考虑到电力设备绕组和冷却系统自身，这意味着整体效率可能不太理想。除了效率之外，绕组温度的变化也是影响电力设备生命周期的一个关键因素。温度变化越频繁，电力设备的老化越快。这样电力设备的效率可能会得到优化，但是代价是使用寿命将会缩短。对于在市区运行的电力设备，噪声水平也是需要考虑的一个重要标准，以便于减少对周边居民尤其是在夜间的影响。
已经开发了一种变速冷却系统控制器，旨在优化电力变压器的运行效率。在专利WO 2015/058354中描述了一个示例。其中已经公开了考虑到其功率损耗、寿命损耗和噪声对变压器冷却控制的限制来进行目标优化的构思。该解决方案涉及预处理用户输入的初始数据；收集在线数据，并基于根据针对时间间隔指定的标准的定量模型，计算优化的控制指令，以满足变压器损耗、上层油温变化和噪声的要求；以及通过控制可控开关和/或向启动冷却系统的变频驱动器发送控制命令来执行控制动作。这种解决方案通过考虑到变压器的铜损、电机风扇功耗和变频驱动器速度调节进行冷却控制来提高变压器的运行效率。利用这种途径，计算机可用于在较低变频驱动器资本投入的情况下以有效的方式搜索最佳冷却控制以选择性地实现电机风扇负载的速度调节。
根据专利WO 2015/058354所描述的定量模型，其优化的准则的目标涉及在由负载周期组成的多个连续时间间隔中的特定时间间隔内的电力变压器运行效率。负载周期可以是一段时间，在这段时间中，电力设备的负载水平以基本循环的方式出现，例如24小时。负载周期可以分成几个等长或者不等长的时间单元，例如24个时间间隔，每个时间间隔持续一个小时。这种定量模型仅分别根据每个时间间隔来预测电力变压器的运行效率。然而，由于涉及之前的时间间隔的响应量将对后续时间间隔产生影响，因此基于定量模型的单独优化设计可能不足以满足关于电力设备的负载周期的运行效率目标的最佳准则。例如，时间间隔n处的冷却优化可能导致时间间隔n+1处的初始温度更高。就计算涉及在起始时间间隔n之后的负载周期的时间间隔的响应量而言，这种温度差异将逐步累加，这将逐渐增加变压器的功率损耗和寿命损耗。因此，即使根据每个时间间隔的优化算法可以在每个时间间隔达到最佳结果，但对于整个负载周期来说不一定是最佳的。
发明内容
因此，本发明的目的是提供一种用于控制电力设备的冷却系统的方法，包括以下步骤：获取第一数据集，该第一数据集表示在历史记录中的第一负载周期的一系列时间间隔处特定于该电力设备及其冷却系统的运行成本相关参数；获取第二数据集，该第二数据集表示在历史记录中的第二负载周期的一系列时间间隔处特定于该电力设备及其冷却系统的运行成本相关参数，其中该第二负载周期在该第一负载周期之后；鉴于由第一数据集表示的参数，通过基于知识库的预定数值和/或逻辑联系，根据电力设备的运行成本优化的准则来建立第三数据集，该第三数据集表示在第一负载周期的一系列时间间隔处的冷却系统的最佳冷却能力参数；鉴于由第二数据集表示的参数，通过基于知识库的预定数值和/或逻辑联系，根据电力设备的运行成本优化的准则来建立第四数据集，该第四数据集表示在第二负载周期的一系列时间间隔处的冷却系统的最佳冷却能力参数；建立第五数据集，该第五数据集表示关于第一负载周期所建立的冷却能力参数和关于第二负载周期所建立的冷却能力参数之间的冷却能力参数差异；通过使用冷却能力参数差异计算校正关于第二负载周期的时间间隔所建立的冷却能力参数，来建立第六数据集，该第六数据集表示在当前负载周期的一系列时间间隔处的冷却系统的冷却能力参数；以及控制冷却系统在当前负载周期的一系列时间间隔处按照由第六数据集表示的、关于当前负载周期的所建立的冷却能力参数运行。
通过将前一负载周期的最佳冷却能力参数和前一负载周期的最佳冷却能力参数与前一负载周期之前的负载周期的最佳冷却能力参数的差异联系起来，产生当前负载周期的一系列时间间隔的总体最终最佳冷却能力参数。这允许探索容易获得的历史数据和关于这些历史数据的统计信息，从而可以准备对于电力设备的冷却系统的精确而智能的测量计划。
优选地，在有关冷却能力参数的计算的校正中，相较于在当前负载周期的第二时间间隔，对在当前负载周期的第一时间间隔处的冷却能力参数差异赋予更大的权重，其中第一时间间隔早于第二时间间隔。通过应用不同权重，鉴于前一负载周期的最后一个时间间隔处的最佳冷却能力与当前负载周期的相应时间间隔处的最佳冷却能力之间的相似性随着当前负载周期的时间间隔的推移而减小，对当前负载周期的冷却能力预测更加精确。
优选地，使用关于第二负载周期的最后时间间隔的所建立的冷却能力参数以及使用第一负载周期的最后时间间隔所建立的冷却能力参数来计算冷却能力参数差异。根据历史记录，在不同负载周期的比较中存在三种特性：1.相似性；2.差异性；3.连续性。两个连续的负载周期的形状彼此非常相似，特别是在中间部分。同时，两个周期在开始和结束时的具体数值彼此相差很大。但好处是可以使用连续性来缓解这种差异。因此，可以使用相似性来构建当前负载周期的整个曲线形状，而使用差异性和连续性来确定具体值。当前负载周期的最终值是这两种特性之间的平衡。
优选地，当前负载周期的一系列时间间隔被定义为部分覆盖当前负载周期的范围，其中在历史记录中的时间间隔的对应部分处的运行条件相关参数处于预定范围之内；以及定义当前负载周期的一系列时间间隔的其余时间间隔，其中在历史记录中的其与时间间隔的对应部分处的运行条件相关参数处于预定范围之外；该方法还包括以下步骤：使用运行条件相关参数的信息并且使用系数的值来建立第七数据集，该第七数据集表示在当前负载周期的一系列时间间隔的其余时间间隔处的冷却系统的冷却能力参数；以及控制冷却系统在当前负载周期的一系列时间间隔的其余时间间隔处按照由第七数据集表示的所建立的冷却能力参数来运行。这允许使用历史最佳冷却能力和负载水平与最佳冷却能力之间的相关函数来预测当前负载周期的时间间隔的最佳冷却能力参数。这使得可以获得一个简单的等式来表示负载水平与当前负载周期的时间间隔的最佳冷却能力之间的关系。因此，可以减少其优化的计算时间。
优选地，该方法还包括以下步骤：鉴于电力设备的运行条件相关参数，针对第一负载周期的一系列时间间隔来获取第一数据集；以及鉴于电力设备的运行条件相关参数，针对第二负载周期的一系列时间间隔来获取第二数据集。
根据本发明的另一方面，提供了一种用于控制电力设备的冷却系统的方法，包括以下步骤：获取第八数据集，该第八数据集表示在历史记录中的多个负载周期中的第一系列时间间隔处的电力设备的运行条件相关参数；获取第九数据集，该第九数据集表示在历史记录中的第二系列时间间隔处的电力设备的运行条件相关参数，第二系列时间间隔在当前负载周期的当前时间间隔之前；确定第一系列时间间隔中的第三系列时间间隔，其中第三系列时间间隔处的运行条件相关参数最接近于第二系列时间间隔处的运行条件相关参数；针对覆盖第三系列时间间隔的多个负载周期中的第三负载周期，获取第十数据集，该第十数据集表示特定于电力设备及其冷却系统的运行成本相关参数；鉴于由第十数据集表示的参数，通过基于知识库的预定数值和/或逻辑联系，根据电力设备及其冷却系统的运行成本优化的准则来建立第十一数据集，该第十一数据集表示在第三负载周期的一系列时间间隔处的冷却系统的冷却能力参数；以及在当前负载周期的当前时间间隔处，控制冷却系统按照针对第三负载周期的第三系列时间间隔之后的时间间隔建立的冷却能力参数运行。这种方法允许使用历史最优冷却参数、负载水平与最佳冷却能力之间的相关函数、以及负载比和环境温度的数据模式来预测当前负载周期的一系列时间间隔的最佳冷却能力参数。工作原理是使用模式识别来找到在历史数据集中在当前时间间隔n之前的m个时间间隔处的运行条件相关参数，该运行条件相关参数与在前一时间间隔n-m处的运行条件相关参数距离最近。在识别到最近的历史向量之后，在时间间隔n-m+1处的最佳冷却能力参数将被确定为当前时间间隔n的最佳冷却能力参数。
优选地，特定于电力设备及其冷却系统的运行成本相关参数与电力设备及其冷却系统的功率损耗、电力设备的生命周期成本以及冷却系统的降噪成本有关；以及电力设备的运行条件相关参数与环境温度和负载水平有关。
根据本发明的另一方面，提供了一种用于控制电力设备的冷却系统的系统，该系统具有至少一个数据处理装置，其中该数据处理装置被配置为用于执行上述方法。
附图说明
在下文中，将参照在附图中图示的优选示例实施例来更详细地解释本发明的技术方案，在附图中：
图1图示了根据本发明实施例的一种用于控制电力设备的冷却系统的方法；
图2是示出了根据本发明实施例的负载周期及其时间间隔的时间表的图表；
图3示出了负载周期的最佳冷却能力参数的曲线图；以及
图4示出了最佳冷却能力参数与电力设备的负载水平之间的统计关系。
附图中使用的附图标记及其意义罗列在附图标记列表中的一览表中。原则上，相同的零件在附图中的附图标记是相同的。
具体实施方式
在以下描述中，出于解释而非限制的目的，阐述了诸如特定电路、电路组件、接口、技术等具体细节，以用于提供对本发明的透彻理解。然而，对于本领域的技术人员而言，显而易见的是，在不具有这些具体细节的其它实施例中也可以实践本发明。在其它实例中，省略了对众所周知的方法、编程程序、装置和电路的详细描述，以避免因为不必要的细节而使本发明的描述变得难以理解。
图1图示了根据本发明实施例的一种用于控制电力设备的冷却系统的方法。例如，该电力设备是电力变压器。如图1所示，逐步确定历史记录中的第一负载周期和第二负载周期各自的运行成本相关参数Powerloss、Lifeloss、Noisereductionloss。该运行成本相关参数Powerloss、Lifeloss、Noisereductionloss与电力设备及其冷却的经济意义相关。
图2是示出了根据本发明实施例的负载周期及其时间间隔的时间表的图表。图2显示了沿时间轴LC1、LC2、LC3、LC4排列的负载周期的序列。负载周期可以是一段时间，在这段时间中，电力设备的负载水平以基本循环的方式呈现，例如24小时。负载周期可以分成几个等长或者不等长的时间间隔，例如24个时间间隔，每个时间间隔持续一个小时。如图2所示，负载周期LC1、LC2、LC3、LC4中的每个负载周期都由一系列时间间隔组成，例如负载周期LC1包括一系列时间间隔TI11、TI12…TI1m，负载周期LC2包括一系列时间间隔TI21、TI22…TI2m，负载周期LC3包括一系列时间间隔TI31、TI32…TI3m，负载周期LC4包括一系列时间间隔TI41、TI42…TI4m。负载周期比在时间轴上安排在它左边的负载周期到来得晚，例如LC2晚于LC1，LC4晚于LC3。假设当前负载周期被指示为LC4，则历史中的第一负载周期和第二负载周期可以是负载周期LC1、LC2、LC3中的任意两个，其中第二负载周期晚于第一负载周期，例如，LC2表示第一负载周期，并且LC3表示第二负载周期。优选地，当前负载周期紧跟着第二负载周期，并且第二负载周期紧跟着第一负载周期。
为了确定运行成本相关参数Powerloss、Lifeloss、NoiseReductionLoss，这些运行成本相关参数描述电力设备及其冷却的经济意义，例如电力设备的功率损耗的估计值、电力设备的生命周期成本和冷却系统的降噪成本，在步骤S100中，至少要确定第一数据集，该第一数据集表示在历史记录中的第一负载周期的一系列时间间隔处的运行成本相关参数Powerloss、Lifeloss、NoiseReductionLoss C11、C12、…C1m。在步骤S101中，至少要确定第二数据集，该第二数据集表示在历史记录中的第二负载周期的一系列时间间隔处的运行成本相关参数Powerloss、Lifeloss、NoiseReductionLoss C21、C22、…C2m，其中第二负载周期在第一负载周期之后。关于运行成本相关参数C11、C12、…C1m和C21、C22、…C2m的输入数据可以根据已经储存在历史记录中的其对应部分而被确定，或者作为替代方案，使用上游初级阶段处理FC，分别针对历史记录中的第一负载周期和第二负载周期，基于运行条件相关参数AmbientTemperatur、LoadingLevel来估计输入数据。运行条件相关参数AmbientTemperature、LoadingLevel与电力设备的技术状态相关，特别是与在历史记录中的第一负载周期的一系列时间间隔处的运行条件相关参数AmbientTemperature、LoadingLevel D11、D12、…D1m、以及在历史记录中的第二负载周期的一系列时间间隔处的运行条件相关参数AmbientTemperature、LoadingLevel D21、D22、…D2m相关。这些值继而被作为技术输入数据引入到方法中和/或传送到系统，必要时使用预先配置的用于数据检测和/或传输的合适的接口，例如经由局域网(LAN)和/或广域网(WAN)，特别是因特网或无线电网络，或者可以在优选为数据库或存储数据集的数据存储器上访问。
进一步在步骤S102中，通过通用公式F(C11,C12,…C1m)的至少一个数字和/或逻辑排列规则，在这种情况下通常可以从例如与电力设备在第一负载周期的一系列时间间隔处发生的功率损耗和寿命损耗相关的数值C11、C12、…C1m来产生在第一负载周期中的一系列时间间隔处的最佳冷却能力参数CoolingCapacityParameter E11、E12、…E1m；以及，在步骤S103中，通过通用公式F(C21,C22,…C2m)的至少一个数字和/或逻辑排列规则，在这种情况下通常可以从例如与电力设备在第二负载周期的一系列时间间隔处发生的功率损耗和寿命损耗相关的数值C21、C22、…C2m来产生在第二负载周期的一系列时间间隔处的最佳冷却能力参数CoolingCapacityParameter E21、E22、…E2m。公式F可以是一个目标函数，并且基于该公式F可以搜索在第一负载周期和/或第二负载周期的冷却能力参数的设计空间。设计变量通过算法来调整，以便实现对于第一负载周期和/或第二负载周期的最优运行成本目标。这将在后面的第一部分中进行描述。为此，鉴于表示第一负载周期的运行成本相关参数Powerloss、Lifeloss、NoiseReductionLoss的第一数据集，通过基于知识库的预定数值和/或逻辑联系，根据电力设备的运行成本优化的准则，来建立第三数据集，该第三数据集表示在第一负载周期的一系列时间间隔处的冷却系统的冷却能力参数CoolingCapacityParameter。同样地，鉴于表示第二负载周期的运行成本相关参数Powerloss、Lifeloss、NoiseReductionLoss的第二数据集，通过基于知识库的预定数值和/或逻辑联系，根据电力设备的运行成本优化的准则，建立第四数据集，该第四数据集表示在第二负载周期的一系列时间间隔处的冷却系统的冷却能力参数CoolingCapacityParameter。
可以基于来源于专业知识和/或经验的历史记录来估计为确定电力设备的上层油温/热点温度的估计值所需的运行条件相关参数AmbientTemperature、LoadingLevel的输入数据，而要估计第一负载周期和第二负载周期的运行成本相关参数Powerloss、Lifeloss、NoiseReductionLoss，则要进一步考虑电力设备的上层油温/热点温度的估计值。执行获取步骤可以有以下几种方式：结合恰当配置的数据库自动执行和/或由操作员手动输入，或者通过接收表示环境温度的数据来执行。例如，由第二数据集/第三数据集表示的运行条件相关参数是在历史记录中对运行条件相关参数的处理的输出值，并且历史记录包括在当前负载周期之前的负载周期。
由操作员在线或离线生成不同输入变量和/或输入参数也是可能的。
图3图示了负载周期的最佳冷却能力参数的曲线图，其中负载周期LC1、LC2、LC3、LC4在历史中依次到来。如图3所示，负载周期以天(24小时)为例，时间间隔以小时(1、2…24)为例。已经发现负载周期LC4的起始时间间隔的最佳冷却能力参数与针对其前一负载周期LC3的最后一个时间间隔的最佳冷却能力参数相关，并且已经发现负载周期LC4的起始时间间隔的最佳冷却能力参数与其前一负载周期LC3的起始时间间隔的最佳冷却能力参数无关。这适用于任意两个连续的负载周期，例如负载周期LC3和LC2，负载周期LC2和LC1。换言之，负载周期的起始时间间隔的冷却能力参数更受其前一负载周期的最后一个时间间隔、而非起始时间间隔的冷却能力参数的影响。另外，从图3的曲线图中可以看到在负载周期LC3之后的负载周期LC4的一系列时间间隔的最佳冷却能力参数与关于负载周期LC3的时间间隔的最佳冷却能力参数和关于负载周期LC3及其前一负载周期LC2的最佳冷却能力参数之间的差异都有关；并且这对另外三个连续的负载周期LC3、LC2和LC1同样适用。
简言之，在不同周期的比较中存在三种特性：1.相似性；2.差异性；3.连续性。两个连续的负载周期的形状彼此非常相似，特别是在中间部分。同时，两个周期在开始和结束时的具体数值彼此相差很大。但好处是可以使用连续性来缓解这种差异：LC4_1接近于LC3_24，LC3_1接近于LC2_24，LC2_1接近于LC1_24，并且这解释了观察到的情况：LC2_24小于LC1_24，并且LC3_1小于LC2_1；LC3_24远小于LC2_24，而LC4_1远小于LC3_1。因此，可以利用相似性来构建当前负载周期的整个曲线形状，并利用差异性和连续性来确定具体值(y轴上的曲线位置)。当前负载周期的最终值是这两种特性之间的平衡。
通过利用相关性，通过将其前一负载周期的最佳冷却能力参数和在其前一负载周期的最佳冷却能力参数与前一负载周期之前的负载周期的最佳冷却能力参数的差异联系起来，产生当前负载周期的一系列时间间隔的总体最终最佳冷却能力参数。例如，假如将一个新的负载周期LC5(未示出)作为在负载周期LC4之后的当前负载周期，那么鉴于其前一负载周期LC4的最佳冷却能力参数及关于前一负载周期LC4和在前一负载周期之前的负载周期LC3的最佳冷却能力参数的差异来建立在当前负载周期LC5的时间间隔处的最佳冷却能力参数。这允许对容易获得的历史数据和关于这些历史数据的统计信息进行探索，从而可以准备对于电力设备的冷却系统的精确而智能的测量计划。
因此，控制电力设备的冷却系统在当前负载周期的一系列时间间隔处按照关于当前负载周期所建立的冷却能力参数运行。由于关于当前负载周期的最佳冷却能力参数是根据其前一负载周期的最佳冷却能力参数和其前一负载周期与前一负载周期之前的负载周期的最佳冷却能力参数差异的相关性来确定的，并且这种相关性已由历史记录中的大量案例所证实，所以电力设备的冷却系统的运行被优化。为此，进一步在步骤S104中，建立了第五数据集，该第五数据集表示关于第一负载周期E11、E12、…E1m和第二负载周期E21、E22、…E2m所建立的冷却能力参数之间的冷却能力参数差异G；以及在步骤S105中，通过使用冷却能力参数差异计算校正关于第二负载周期的时间间隔所建立的冷却能力参数，建立第六数据集，该第六数据集表示在当前负载周期的一系列时间间隔处的冷却系统的冷却能力参数H01、H02、…H0m，这将在后面的第二部分进行描述。因此，控制冷却系统在当前负载周期的一系列时间间隔处按照由所述第六数据集表示的关于当前负载周期所建立的冷却能力参数运行。
第一部分
目标函数计算
优化目标包括：变压器和冷却系统的功率损耗、变压器的寿命损耗、以及冷却风扇的噪声辐射，如下面的等式所示，其中n表示冷却优化的时间间隔。
TX与变压器相关，CO与冷却系统相关。
这三个目标都可以视为投入运行的冷却能力的函数。
为了将这三个目标统一为一个，应引入其它三个参数：电价、变压器生命周期成本和降噪成本(noise reduction cost)。因此这三个因子可以转化为金钱并由此统一在一起，如下面的等式所示。
f(n)＝
f1(n)×power loss cost+
f2(n)×transformer lifeloss cost+
f3(n)×noise reduction cost (2)
为了实现整个负载周期期间运行成本的降低，目标函数应被设计为如下所示，其中F(n)为最终优化目标，即在整个负载周期(即24小时)期间的运行成本的总和。
Obj Func＝min(F(n))
F(n)＝f(n)+f(n+1)+f(n+2)+…+f(n+N),N＝24 (3)
在当前负载周期中，控制冷却系统按照在一系列时间间隔处的冷却能力参数CoolingCapacityParameter运行。
在这种情况下，使用计算机根据如上指定的标准自动搜索最佳设计，来执行根据上述方法的以负载周期为导向且系统结构化的程序。这使得能够在整个负载周期内，通过折中若干相互冲突的约束条件，来实现电力变压器的最低运行成本，该若干相互冲突的约束条件有：
■提高整个变压器系统的能源效率
■延长使用寿命并减少变压器的维护
■降低冷却系统的噪声
确定功率损耗、生命周期损耗以及噪声水平
在这种情况下，例如可以通过如下计算来确定表示运行成本相关参数“Powerloss”、“Lifeloss”和“NoiseReductionloss”的数据集。因为在不同的绕组温度下绕组的电阻会不同，变压器的铜损将会是冷却能力的函数。如等式(4)所示，铜损PTR可以通过使用额定负载损耗PTRN、负载因子K、绕组的电阻温度系数α(对于铜绕组，α＝0.00393)以及绕组平均温度来计算。
冷却系统的功率损耗通过等式(5)来表示，其中PCON为用于冷却的电机风扇的额定功率。使用变频驱动器时，功耗与来自冷却风扇的空气流量的关系为立方关系；不使用变频器时，功耗将与投入运行的电机风扇的数目成正比。
如等式(6)所示，变压器的寿命损耗可以通过使用老化率来计算，该老化率是上层油温/热点温度和绝缘纸类型的函数。
来自变压器TRNctrl系统的总噪声可以用等式(7)计算，其中TRN1是变压器在ONAN条件下的噪声，CFNctrl是受最佳冷却策略控制的冷却风扇的噪声。
假设当所有冷却风扇都处于运行中时，变压器在ONAF条件下的噪声为TRN2，电机风扇分支的总数为numfan，并且X为投入运行的冷却能力，则如果未安装VFD，CFNctrl可按如下公式计算：
如果安装有VFD，则CFN’ctrl可用(9)来计算
CFN′ctrl(n)＝CFN+50lg(X(n)/100) (9)
在等式(6)中，变量涉及上层油温/热点温度，其可以基于以下原理确定。
上层油温/热点温度的计算
上层油温/热点温度可以通过使用由IEC或IEEE定义的热模型来计算。例如，如等式(10)所示，根据IEC标准，上层油温θo可以通过计算时间间隔Dt期间增加的上层油温Dθo来获得：
其中：
R为额定电流下的负载损耗与无负载损耗的比值；
Kc为经校正的负载水平
Δθor是在额定损耗(空负载损耗+负载损耗)时稳定状态下的上层油温升
θa为环境温度
k11为热模型常数
τo为平均油时间常数
x为总损耗对上层油温升(油指数)的指数幂
m为用于温度计算的时间间隔的编号
并且可以通过使用等式(11)来进一步计算热点温度。
其中：
Δθhr为在额定电流下的热点到上层油梯度
k21/k22为热模型常数
τw为绕组时间常数
y为电流对绕组温升(绕组指数)的指数幂
Δθh1和Δθh2为两个用来计算热点温升的中间变量
DΔθh1和DΔθh2为Δθh1和Δθh2在时间周期Dt期间的递增量
应该注意的是，为了确保IEC差分热模型的准确性，用于温度计算的最大Dt不应超过热模型最小时间常数的1/2。
初始化只在优化刚开始时进行一次，或者如果可以测量上层油温和/或热点温度的话可以在优化的每个时间间隔处进行一次。
优选地，当只有部分冷却能力投入到ONAF变压器的运行时，应该校正负载水平。校正等式如(12)所示，其中K为测得的或者预测的负载水平(负载电流/额定电流)，X为冷却能力，S0为在ONAN工作条件下与在ONAF工作条件下变压器容量的比值，Kc为校正过的负载水平。
第二部分
方法A:使用历史最佳冷却能力来预测当前负载周期的最佳冷却能力参数
如上所述，图3所示的曲线图提示了通过将其前一负载周期的最佳冷却能力参数和其前一负载周期的最佳冷却能力参数与其前一负载周期之前的负载周期的最佳冷却能力参数之间的差异联系起来，来预测当前负载周期的最佳冷却能力参数，这可以用等式(13)来计算：
其中N为当前负载周期的编号，n为负载周期的时间间隔的编号，m为负载周期的最后一个时间间隔的编号，Cn_N为在当前负载周期N的时间间隔n处的最佳冷却能力参数，Cn_N-1为在前一负载周期N-1的时间间隔n处的最佳冷却能力参数，Cm_N-1为在前一负载周期N-1(第二负载周期)的最后一个时间间隔m处的最佳冷却能力参数，Cm_N-2为在前一负载周期之前的负载周期N-2(第一负载周期)的最后一个时间间隔m处的最佳冷却能力参数，ΔC为在前一负载周期N-1(第二负载周期)的最后一个时间间隔处的最佳冷却能力参数与在前一负载周期之前的负载周期N-2(第一负载周期)的最后一个时间间隔处的最佳冷却能力参数的差异。通过引入ΔC，考虑了两个连续负载周期之间的最佳冷却能力参数的变化，而不是假设它们是相同的。这使得预测算法能够更好地拟合历史记录的统计数据，从而变得更准确。定义方法A中的差异的方式是相似的：对于每个时间点(手段ΔC是长度为m的向量)，采取简单减去的方法，减去随机时间点，减去平均值等。要注意的是，等式也会根据不同定义而改变，因此技术人员应该理解的是在引入等式(13)之前切换不同的定义。
另外，在有关冷却能力参数的计算校正中，相较于在当前负载周期的第二时间间隔，对当前负载周期的第一时间间隔处的冷却能力参数差异赋予更大的权重，其中第一时间间隔早于第二时间间隔。例如，随着时间间隔的编号n的增加，ΔC的变化通过与系数(24-n)/24相乘，将逐渐停止。最初在n＝1的情况下，将在第二负载周期N-1的最后时间间隔处所建立的冷却能力参数Cn-N-1校正为23/24*ΔC，并且随着n增加到24，将在第二负载周期N-1的最后时间间隔处所建立的冷却能力参数Cn-N-1校正为零。使用权重的原因如下：因为C1_N非常接近于Cm_N-1，(C1_N–C1_N-1)相似于(Cm_N-1–Cm_N-2)。因此，该相似性应该被用来校正C1_N。但是随着时间从t＝1发展到t＝m，这种相似性消失，Cn_N-1的值更能够影响Cn_N的值。这便是我们将权重设置为随着n的增加而减小的原因。
方法A可以适用于当前负载周期的所有时间间隔，以用于计算其最佳冷却能力参数，其中当前负载周期的一系列时间间隔被定义为覆盖当前负载周期的整个范围。
作为方法A的替代方案，提出了方法B。
方法B：使用历史最佳冷却能力和负载水平与最佳冷却能力之间的相关性函数来 预测当前负载周期的时间间隔的最佳冷却能力参数
方法B中可以使用曲线拟合来找到最佳冷却能力参数与负载水平之间的相关性函数。例如通过使用历史数据中的十四个负载周期中的负载水平以及环境温度，可以计算最佳冷却能力参数，其与负载水平之间的关系如图4所示。可以观察到的是，在轻负载周期，在一系列时间间隔处的最佳冷却能力参数与负载比呈以某种方式的非线性关系；然而在重载周期，如图4中所标记的，当负载水平达到45％及以上时，它们的关系完全是呈线性的。
鉴于统计特性，方法B可以用作方法A的补充，以用于预测在当前负载周期的一系列时间间隔处的最佳冷却能力参数。
特别地，方法A被应用于当前负载周期的一系列时间间隔，其被定义为部分地覆盖当前负载周期的范围，其中在历史记录中其对应部分处的运行条件相关参数在预定范围内。例如，当前负载周期的这个范围覆盖当前负载周期的负载水平小于45％的时间间隔。
方法B适用于当前负载周期的一系列时间间隔的其余时间间隔，其中历史记录中其余时间间隔的对应部分处的运行条件相关参数在预定范围之外，例如，当前负载周期的负载水平等于或者大于45％的时间间隔。为此，使用运行条件相关参数的信息以及使用系数的值来建立第七数据集，该第七数据集表示在当前负载周期的一系列时间间隔的其余时间间隔处冷却系统的冷却能力参数；以及控制冷却系统在当前负载周期的一系列时间间隔的其余时间间隔处按照由第七数据集表示的所建立的冷却能力参数来运行。
通过使用曲线拟合方法，我们可以获得一个简单的等式来表示当前负载周期的时间间隔的负载水平K与最佳冷却能力C之间的关系。因此，可以缩减优化的计算时间。方法B可以采用根据等式(14)的算法：
C＝1.29K,K≥45％ (14)
其中1.29是表示在十四个负载周期给定的时间窗口中的负载水平K与最佳冷却能力C的线性关系的曲线拟合系数。当时间窗口移动时，该系数会相应地改变。持续时间更长的时间窗口可以提供更好的性能，但是代价是计算负荷。
通常，由于实际上只有之前的时间间隔的负载水平是已知的，所以可以选择前一时间间隔的负载水平来计算当前负载周期的时间间隔n处的最佳冷却能力参数，如(15)所示。
Cn_N＝coefficient×Kn-1_N,Kn-1_N≥Kset％ (15)
其中N是当前负载周期的编号，n是负载周期的时间间隔的编号，Kn-1_N是前一时间间隔n-1的负载水平，Kset％是轻负载和重负载的分割点。系数(coefficient)的值可以从指示表示负载水平与最佳冷却能力参数之间的线性关系的历史记录中获得。
利用该关系，因此可以设计一种混合方法，逻辑如下：
当前一时间间隔n-1的负载水平低于Kset％时，使用方法A中的等式(13)来计算当前负载周期的当前时间间隔n的最佳冷却能力参数；
当前一时间间隔n-1的负载比达到并高于Kset％时，使用等式(15)来计算当前负载周期的当前时间间隔n的最佳冷却能力参数；
第三部分
方法C：使用历史最佳冷却能力、负载水平与最佳冷却能力之间的相关性函数以及 负载水平与环境温度的数据模式来预测当前负载周期的一系列时间间隔的最佳冷却能力 参数。
除曲线拟合之外，模式识别也被认为是一种用来找到最佳冷却能力参数与诸如历史负载水平K和环境温度T的运行条件相关参数之间的关系的实用方法。
模式识别的工作原理是找到在历史数据集中当前时间间隔n之前的m个时间间隔处的运行条件相关参数，该运行条件相关参数与在前一时间间隔n-m处的运行条件相关参数距离最近。在识别最近的历史向量之后，在时间间隔n-m+1处的最佳冷却能力参数继而将被确定为当前时间间隔n的最佳冷却能力参数。
为此，方法C包括以下步骤：
(a)获取第八数据集，该第八数据集表示历史记录中的多个负载周期的第一系列时间间隔处的电力设备的运行条件相关参数；例如，该第八数据集可以由如下向量表示：
其中n是当前负载周期的当前时间间隔编号，Kn-m是当前时间间隔n之前的m个时间间隔处的负载水平，Amb_Tn-m是当前时间间隔n之前的m个时间间隔处的环境温度，并且i不同于上述1，表示历史记录中的多个负载周期的第一系列时间间隔。本示例中的向量与两个时间间隔处的运行条件相关参数有关，并且本领域技术人员应该理解的是，该向量可以被设置为包含其它数目的时间间隔，诸如一个时间间隔，三个时间间隔或者更多个时间间隔。变量i的上限取决于用于找到最近模式的时间窗口的长度，即历史记录中的多个负载周期的第一系列时间间隔。例如，如果选择了14个负载周期的数据作为用于模式识别的时间窗口，则变量i的上限可以计算为m x 14-1＝13*m，其中m为负载周期的时间间隔的数目。
(b)获取第九数据集，该第九数据集表示历史记录中的当前负载周期的当前时间间隔之前的第二系列时间间隔处的电力设备的运行条件相关参数；例如，该第九数据集可以由如下向量表示：
其中n是当前负载周期的当前时间间隔的编号，Kn-m是当前时间间隔n之前的m个时间间隔处的负载水平，Amb_Tn-m是当前时间间隔n之前的m个时间间隔处的环境温度，m从1变化到2，其表示在第二系列时间间隔处的运行条件相关参数。
(c)确定第一系列时间间隔中的第三系列时间间隔，其中第三系列时间间隔处的运行条件相关参数最接近于第二系列时间间隔处的运行条件相关参数；例如，通过计算在向量A与当i≥1时的每个向量B(i)之间的欧氏距离，可以识别向量B中最接近于向量A的其中一个向量，并且继而确定当前负载周期的当前时间间隔n的最佳冷却能力参数。该等式如(16)所示，其中将最后两个时间间隔处的负载水平和环境温度与历史数据进行比较来计算距离。
将选择与矩阵A具有最短距离的向量B(j)，并且该向量B(j)表示第三系列时间间隔处的运行条件相关参数：
(d)获取第十数据集，该第十数据集表示覆盖第三系列时间间隔的多个负载周期中的第三负载周期的特定于电力设备及其冷却系统的运行成本相关参数Powerloss、Lifeloss、NoiseReductionloss。
可以从记录在历史记录中的相应的历史数据中读取第三负载周期的运行成本相关参数，或者作为替代方案，第三负载周期的运行成本相关参数通过使用第三负载周期的各个运行条件相关参数来计算。
(e)鉴于由第十数据集表示的参数Powerloss、Lifeloss、Noise，通过基于知识库的预定数值和/或逻辑联系，根据电力设备及其冷却系统的运行成本优化的准则，来建立第十一数据集，该第十一数据集表示在第三负载周期的一系列时间间隔处冷却系统的冷却能力参数CoolingCapacityParameter。该步骤可以以与第一部分中所描述的方法相似的方法来执行。
(f)在当前负载周期的当前时间间隔n处，控制冷却系统按照为第三负载周期的第三系列时间间隔之后的时间间隔建立的冷却能力参数CoolingCapacityParameter运行。
方法C提供了用于优化当前负载周期的冷却能力参数的替代途径。
本领域技术人员应该理解的是，可以使用其它类型的距离来代替上述的欧式距离，比如马氏距离。
下文描述了一种使用数据处理装置来控制电力设备的冷却系统的示例系统。该系统包括与存储器单元一起工作的数据处理装置。该数据处理装置被配置为执行上述方法中的任意一种方法的方法。
该系统还包括适于测量电力设备的运行条件相关参数的测量单元、以及适于储存历史记录的存储器单元。
虽然基于一些优选实施例已对本发明进行了描述，但本领域的技术人员应该理解那些实施例决不会限制本发明的适用范围。在不脱离本发明的精神和构思的情况下，对实施例的任何改变和修改都应该在本领域普通技术人员的理解范围内，并且因此也在随附权利要求书限定的本发明的范围内。

Claims (13)

1.一种用于控制电力设备的冷却系统的方法，包括以下步骤：
获取第一数据集，所述第一数据集表示在历史记录中的第一负载周期的一系列时间间隔处特定于所述电力设备及其冷却系统的运行成本相关参数；
获取第二数据集，所述第二数据集表示在所述历史记录中的第二负载周期的一系列时间间隔处特定于所述电力设备及其冷却系统的运行成本相关参数，其中所述第二负载周期在所述第一负载周期之后；
鉴于由所述第一数据集表示的所述参数，通过基于知识库的预定数值和/或逻辑联系，根据所述电力设备的运行成本优化的准则来建立第三数据集，所述第三数据集表示在所述第一负载周期的所述一系列时间间隔处的所述冷却系统的最佳冷却能力参数；
鉴于由所述第二数据集表示的所述参数，通过基于知识库的预定数值和/或逻辑联系，根据所述电力设备的运行成本优化的准则来建立第四数据集，所述第四数据集表示在所述第二负载周期的所述一系列时间间隔处的所述冷却系统的最佳冷却能力参数；
建立第五数据集，所述第五数据集表示关于所述第一负载周期所建立的冷却能力参数和关于所述第二负载周期所建立的冷却能力参数之间的冷却能力参数差异；
通过使用所述冷却能力参数差异计算校正关于所述第二负载周期的所述时间间隔所建立的冷却能力参数，来建立第六数据集，所述第六数据集表示在当前负载周期的一系列时间间隔处的所述冷却系统的冷却能力参数；以及
控制所述冷却系统在所述当前负载周期的一系列时间间隔处按照由所述第六数据集表示的、关于所述当前负载周期的所建立的冷却能力参数运行。
2.根据权利要求1所述的方法，其中：
在有关所述冷却能力参数的计算的校正中，相较于在所述当前负载周期的第二时间间隔，对在所述当前负载周期的第一时间间隔处的所述冷却能力参数差异赋予更大的权重，其中所述第一时间间隔早于所述第二时间间隔。
3.根据前述权利要求中任一项所述的方法，其中：
使用关于所述第二负载周期的最后时间间隔的所建立的冷却能力参数以及使用所述第一负载周期的最后时间间隔所建立的冷却能力参数来计算所述冷却能力参数差异。
4.根据前述权利要求中任一项所述的方法，其中：
所述当前负载周期的所述一系列时间间隔被定义为覆盖所述当前负载周期的整个范围。
5.根据权利要求1至3中任一项所述的方法，其中：
所述当前负载周期的所述一系列时间间隔被定义为部分地覆盖所述当前负载周期的范围，其中在所述历史记录中的所述时间间隔的对应部分处的所述运行条件相关参数处于预定范围内；以及
定义所述当前负载周期的所述一系列时间间隔的其余时间间隔，其中在所述历史记录中的所述其余时间间隔的对应部分处的所述运行条件相关参数处于所述预定范围之外；
所述方法还包括以下步骤：
使用所述运行条件相关参数的信息并且使用系数的值来建立第七数据集，所述第七数据集表示在所述当前负载周期的所述一系列时间间隔的所述其余时间间隔处的所述冷却系统的冷却能力参数；以及
控制所述冷却系统在所述当前负载周期的所述一系列时间间隔的所述其余时间间隔处按照由所述第七数据集表示的所建立的冷却能力参数运行。
6.根据权利要求5所述的方法，还包括以下步骤：
从所述历史记录中获取所述系数的所述值。
7.根据前述权利要求中任一项所述的方法，还包括以下步骤：
针对所述第一负载周期的一系列时间间隔，鉴于所述电力设备的运行条件相关参数来获取所述第一数据集；以及
针对所述第二负载周期的一系列时间间隔，鉴于所述电力设备的运行条件相关参数来获取所述第二数据集。
8.一种用于控制电力设备的冷却系统的方法，所述方法包括以下步骤：
获取第八数据集，所述第八数据集表示在历史记录中的多个负载周期中的第一系列时间间隔处的所述电力设备的运行条件相关参数；
获取第九数据集，所述第九数据集表示在所述历史记录中的第二系列时间间隔处的所述电力设备的运行条件相关参数，所述第二系列时间间隔在当前负载周期的当前时间间隔之前；
确定所述第一系列时间间隔中的第三系列时间间隔，其中所述第三系列时间间隔处的所述运行条件相关参数最接近于所述第二系列时间间隔处的所述运行条件相关参数；
针对覆盖所述第三系列时间间隔的所述多个负载周期中的第三负载周期，获取第十数据集，所述第十数据集表示特定于所述电力设备及其冷却系统的运行成本相关参数；
鉴于由所述第十数据集表示的所述参数，通过基于知识库的预定数值和/或逻辑联系，根据所述电力设备及其冷却系统的运行成本优化的准则来建立第十一数据集，所述第十一数据集表示在所述第三负载周期的所述一系列时间间隔处的所述冷却系统的冷却能力参数；以及
在所述当前负载周期的所述当前时间间隔处，控制所述冷却系统按照针对所述第三负载周期的所述第三系列时间间隔之后的所述时间间隔所建立的所述冷却能力参数来运行。
9.根据前述权利要求中任一项所述的方法，其中：
特定于所述电力设备及其冷却系统的所述运行成本相关参数与所述电力设备及其冷却系统的功率损耗、所述电力设备的生命周期成本、以及所述冷却系统的降噪成本有关；以及
所述电力设备的所述运行条件相关参数与环境温度和负载水平有关。
10.根据前述权利要求中任一项所述的方法，其中：
所述电力设备是电力变压器。
11.一种用于控制电力设备的冷却系统的系统，所述系统具有至少一个数据处理装置，其中所述数据处理装置被配置为用于执行根据前述权利要求中任一项所述的方法。
12.根据权利要求11所述的系统，还包括：
测量单元，适用于测量所述电力设备的所述运行条件相关参数。
13.根据权利要求11和12中任一项所述的系统，还包括：
存储器单元，适用于存储所述历史记录。
CN201680071111.9A 2016-02-05 2016-02-05 用于控制电力设备的冷却系统的方法和系统 Active CN108292559B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2016/073620 WO2017132981A1 (en) 2016-02-05 2016-02-05 Method and system for controlling cooling system of power equipment

Publications (2)

Publication Number Publication Date
CN108292559A true CN108292559A (zh) 2018-07-17
CN108292559B CN108292559B (zh) 2019-08-23

Family

ID=59499326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680071111.9A Active CN108292559B (zh) 2016-02-05 2016-02-05 用于控制电力设备的冷却系统的方法和系统

Country Status (4)

Country Link
US (1) US10622134B2 (zh)
EP (1) EP3411887B1 (zh)
CN (1) CN108292559B (zh)
WO (1) WO2017132981A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111083201A (zh) * 2019-11-25 2020-04-28 哈尔滨工业大学 一种工业物联网中针对数据驱动制造服务的节能资源分配方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112557078B (zh) * 2020-12-02 2021-09-24 西南交通大学 一种干式变压器冷却系统性能评估方法
EP4138529A1 (de) * 2021-08-17 2023-02-22 Siemens Aktiengesellschaft Lebensdaueroptimierte kühlung von halbleitern

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778575A (zh) * 2014-03-04 2014-05-07 国网浙江宁波市鄞州区供电公司 变压器状态评估方法及系统
WO2015058354A1 (en) * 2013-10-22 2015-04-30 Abb Technology Ltd. A method to optimize operation of a transformer cooling system,the corresponding system and a method to determine the vfd capacity

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005060635A1 (de) * 2005-12-13 2007-06-14 Siemens Ag Steuerungsverfahren zur Kühlung einer technischen Anlage
US8155922B2 (en) * 2009-06-04 2012-04-10 Eaton Corporation Electrical device cooling efficiency monitoring
IL200467A0 (en) * 2009-08-18 2010-04-29 Prowell Technologies Ltd Device, system and method for dislodging accrued deposits from a vessel
US8433450B2 (en) 2009-09-11 2013-04-30 Emerson Process Management Power & Water Solutions, Inc. Optimized control of power plants having air cooled condensers
JP2011187227A (ja) * 2010-03-05 2011-09-22 Sony Corp バッテリーパック、電子機器、機器システム、バッテリーパック冷却部の制御方法及びプログラム
CN102890520A (zh) * 2011-07-20 2013-01-23 上海海能信息科技有限公司 一种变压器节能增效控制方法
CN202205070U (zh) * 2011-08-10 2012-04-25 陕西金源自动化科技有限公司 一种智能型变压器冷却控制装置
CN103324130B (zh) * 2012-04-26 2016-01-20 山东电力集团公司青岛供电公司 一种变压器智能风冷变频节能方法
US9727071B2 (en) * 2012-05-04 2017-08-08 Viridity Energy Solutions, Inc. Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model
US9002532B2 (en) * 2012-06-26 2015-04-07 Johnson Controls Technology Company Systems and methods for controlling a chiller plant for a building
EP2688081B1 (en) * 2012-07-20 2015-11-04 ABB Technology AG Safety device for a power transformer, and related power transformer using such a safety device
WO2017088172A1 (en) 2015-11-27 2017-06-01 Abb Schweiz Ag Method and system for controlling cooling system of power equipment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015058354A1 (en) * 2013-10-22 2015-04-30 Abb Technology Ltd. A method to optimize operation of a transformer cooling system,the corresponding system and a method to determine the vfd capacity
CN103778575A (zh) * 2014-03-04 2014-05-07 国网浙江宁波市鄞州区供电公司 变压器状态评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111083201A (zh) * 2019-11-25 2020-04-28 哈尔滨工业大学 一种工业物联网中针对数据驱动制造服务的节能资源分配方法
CN111083201B (zh) * 2019-11-25 2022-03-04 哈尔滨工业大学 一种工业物联网中数据驱动制造服务的节能资源分配方法

Also Published As

Publication number Publication date
EP3411887A1 (en) 2018-12-12
WO2017132981A1 (en) 2017-08-10
US10622134B2 (en) 2020-04-14
EP3411887A4 (en) 2019-12-11
CN108292559B (zh) 2019-08-23
EP3411887B1 (en) 2022-03-30
US20180286557A1 (en) 2018-10-04

Similar Documents

Publication Publication Date Title
JP5908302B2 (ja) 蓄電蓄熱最適化装置、最適化方法及び最適化プログラム
Shen et al. An efficient fitness-based differential evolution algorithm and a constraint handling technique for dynamic economic emission dispatch
CN102812303B (zh) Hvac控制系统和方法
CN105590174A (zh) 基于k-均值聚类rbf神经网络的企业用电负荷预测方法
CN105684109B (zh) 对变压器冷却系统的运行进行优化的方法，相应的系统和确定vfd容量的方法
CN108292559B (zh) 用于控制电力设备的冷却系统的方法和系统
CN110736227A (zh) 具有在线可配置系统标识的建筑物管理系统
CN114512994A (zh) 一种集群温控负荷系统调频方法、系统、设备及介质
EP3424122B1 (en) Power control of a microgrid
CN107829878A (zh) 风力发电机组的偏航控制设备和方法
Zenginis et al. Smart home’s energy management through a clustering-based reinforcement learning approach
Ahmadi et al. A fuzzy inference model for short-term load forecasting
KR20180138371A (ko) 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법
CN116776746B (zh) 一种基于流体动力学的储能液冷温控优化系统
US8116916B1 (en) Homogeneity based diversity prediction method for transformer selection
US20180268981A1 (en) Method and system for controlling cooling system of power equipment
Starke et al. Real-time MPC for residential building water heater systems to support the electric grid
Godina et al. Energy optimization strategy with model predictive control and demand response
Pereira et al. Intelligent systems applied to buildings' management
van der Herten et al. Energy flexibility assessment of an industrial coldstore process
Kim et al. Behind the meter grid services: Intelligent Load Control
Hu et al. Energy Management for isolated renewable-powered microgrids using reinforcement learning and game theory
Ozawa et al. Data-driven HVAC Control Using Symbolic Regression: Design and Implementation
Rastegarpour et al. Energy Management in Buildings: Lessons Learnt for Modeling and Advanced Control Design
Taboga et al. Deep reinforcement learning for peak load reduction in aggregated residential houses

Legal Events

Date Code Title Description
PB01 Publication
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
TR01 Transfer of patent right

Effective date of registration: 20210526

Address after: Baden, Switzerland

Patentee after: ABB grid Switzerland AG

Address before: Baden, Switzerland

Patentee before: ABB Switzerland Co.,Ltd.

TR01 Transfer of patent right
CP01 Change in the name or title of a patent holder

Address after: Swiss Baden

Patentee after: Hitachi energy Switzerland AG

Address before: Swiss Baden

Patentee before: ABB grid Switzerland AG

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20231222

Address after: Zurich, SUI

Patentee after: Hitachi Energy Co.,Ltd.

Address before: Swiss Baden

Patentee before: Hitachi energy Switzerland AG

TR01 Transfer of patent right