CN110425685A - 空调系统控制方法、装置及空调系统 - Google Patents
空调系统控制方法、装置及空调系统 Download PDFInfo
- Publication number
- CN110425685A CN110425685A CN201910759021.4A CN201910759021A CN110425685A CN 110425685 A CN110425685 A CN 110425685A CN 201910759021 A CN201910759021 A CN 201910759021A CN 110425685 A CN110425685 A CN 110425685A
- Authority
- CN
- China
- Prior art keywords
- air
- conditioning system
- default
- operating condition
- water cooler
- 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.)
- Pending
Links
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
- F24F11/30—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
- 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
- F24F11/46—Improving electric energy efficiency or saving
Abstract
本申请涉及一种空调系统控制方法、装置及空调系统,控制器首先获取空调机组运行时对应的运行参数,然后根据运行参数以及预设负荷预测模型进行预测分析,得到该运行参数状态下对应的负荷值,最后根据负荷值与工况性能曲线进行分析,控制空调系统的冷水机组处于最佳运行状态。上述方案能够结合空调系统的实时运行参数,实现对冷水机组的运行优化控制,从而保证冷水机组运行在最佳状态。能够有效地减少电能的消耗,从而降低运行成本,同时由于冷水机组运行在最佳状态,能够保证其具有较长的使用寿命。因此,上述控制方案具有控制可靠性强的优点。
Description
技术领域
本申请涉及空调器技术领域,特别是涉及一种空调系统控制方法、装置及空调系统。
背景技术
地铁现已成为城市轨道交通中必不可少的一种交通,其具有安全、准点、快捷、舒适、环保的特点,能够实现庞大的运量。由于地铁站点的人流量大,空间大,且均建设于地下,因此有必要为地铁站建立相应的风水联动空调系统进行送风和温度控制。
然而传统的地铁站风水联动空调系统在运行时无法预知冷站机组的运行切换、水泵停启时间等,导致风水联动空调系统的能耗过高,严重增加运行成本以及减少了风水联动空调系统的使用寿命。因此,传统的风水联动空调系统具有控制可靠性差的缺点。
发明内容
基于此,有必要针对传统的风水联动空调系统控制可靠性差的问题,提供一种空调系统控制方法、装置及空调系统。
一种空调系统控制方法,所述方法包括:获取空调系统的运行参数;根据所述运行参数与相应的预设负荷预测模型进行分析,得到对应的负荷值,所述预设负荷预测模型表征运行参数与负荷值之间的对应关系;根据得到的负荷值计算所述空调系统的冷水机组的水流量;根据所述水流量以及预设工况性能曲线得到优化参数,并根据所述优化参数对所述空调系统的冷水机组进行优化控制;所述预设工况性能曲线表征所述冷水机组按照对应优化参数运行时,水流量与运行状态的对应关系。
一种空调系统控制装置,所述装置包括:运行参数获取模块,用于获取空调系统的运行参数;负荷值计算模块,用于根据所述运行参数与相应的预设负荷预测模型进行分析,得到对应的负荷值,所述预设负荷预测模型表征运行参数与负荷值之间的对应关系;水流量计算模块,用于根据得到的负荷值计算所述空调系统的冷水机组的水流量;优化控制模块,用于根据所述水流量以及预设工况性能曲线得到优化参数,并根据所述优化参数对所述空调系统的冷水机组进行优化控制;所述预设工况性能曲线表征所述冷水机组按照对应优化参数运行时,水流量与运行状态的对应关系。
一种空调系统,包括控制器、信息采集装置和冷水机组,所述信息采集装置和所述冷水机组分别连接所述控制器,所述信息采集装置用于采集空调系统的运行参数并发送至所述控制器,所述控制器用于根据上述的方法对所述冷水机组进行优化控制。
上述空调系统控制方法、装置及空调系统,控制器首先获取空调机组运行时对应的运行参数,然后根据运行参数以及预设负荷预测模型进行预测分析,得到该运行参数状态下对应的负荷值,最后根据负荷值与工况性能曲线进行分析,控制空调系统的冷水机组处于最佳运行状态。上述方案能够结合空调系统的实时运行参数,实现对冷水机组的运行优化控制,从而保证冷水机组运行在最佳状态。能够有效地减少电能的消耗,从而降低运行成本,同时由于冷水机组运行在最佳状态,能够保证其具有较长的使用寿命。因此,上述控制方案具有控制可靠性强的优点。
附图说明
图1为一实施例中空调系统控制方法流程示意图;
图2为另一实施例中空调系统控制方法流程示意图;
图3为又一实施例中空调系统控制方法流程示意图;
图4为一实施例中冷水机组性能曲线示意图;
图5为再一实施例中空调系统控制方法流程示意图;
图6为一实施例中水泵性能曲线示意图;
图7为一实施例中工况分析流程示意图;
图8为一实施例中环境参数获取流程示意图;
图9为一实施例中环境参数分析流程图;
图10为一实施例中工况判断方法流程示意图;
图11为一实施例中预设趋势负荷预测模型建立流程示意图;
图12为一实施例中负荷计算流程图;
图13为一实施例中预设精准负荷预测模型建立流程示意图;
图14为另一实施例中负荷计算流程图;
图15为一实施例中空调系统控制装置结构示意图;
图16为另一实施例中空调系统控制装置结构示意图;
图17为一实施例中空调系统结构示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。
请参与如图1,一种空调系统控制方法,包括步骤S600、步骤S700、步骤S800和步骤S900。
步骤S600,获取空调系统的运行参数。
具体地,空调系统的运行参数种类并不是唯一的,可以是空调系统所处环境的环境参数或者空调系统所处环境中人员数量等,只要是与空调系统的运行相关的参数均可。例如,在一个实施例中,空调系统的运行参数包括室外温度、相对湿度、实时人员数量和时刻。应当指出的是,在一个实施例中,控制器获取空调系统的运行参数是实时进行的,以便于当空调系统的运行环境发生变化时,控制器能够及时根据运行参数做出相应的调整,保证空调系统处于最优运行状态。
可以理解,控制器获取空调系统的运行参数的方式也并不是唯一的,在一个实施例中,空调系统设置有信息采集装置进行相关运行参数的采集操作。进一步地,在一个实施例中,信息采集装置包括各种采集器,分别用于进行不同种类运行参数的采集操作,然后将采集得到的相关参数发送至控制器,完成控制器获取空调系统的运参数的操作。在其它实施例中,空调系统的运行参数还可以是通过用户输入等方式实现,只要能够及时地将运行参数输送至控制器即可。
步骤S700,根据运行参数与相应的预设负荷预测模型进行分析,得到对应的负荷值。
具体地,预设负荷预测模型表征运行参数与负荷值之间的对应关系。负荷值用于表征在当前运行参数情况下,空调系统处于最优运行状态时对应的负荷状态。当控制器获取空调系统的运行参数之后,将会根据运行参数与控制器内预设的负荷预测模型进行分析计算,从而得到此时空调系统处于最优运行状态所需的负荷状态。应当指出的是,预设负荷预测模型的类型并不是唯一的,具体可以包括预设趋势负荷预测模型和预设精准负荷预测模型。其中,预设趋势负荷预测模型可以根据当前时间最为接近的时间段内的空调系统运行相关参数进行预测,得到当前时间(预测日)空调系统处于最优运行状态对应所需的负荷值,从而对空调系统进行相应的处理。可以理解,在实际操作过程中,具体采用何种预设趋势预测模型进行负荷预测可以由控制器根据实际情况进行选择,也可以是用户进行选择。
步骤S800,根据得到的负荷值计算空调系统的冷水机组的水流量。
具体地,控制器在得到空调系统的负荷值之后,还会进一步的对得到的负荷值进行分析计算,从而得到与负荷值相对应的空调系统的冷水机组的水流量,即得到冷水机组中冷冻水的流量。通过计算得到与冷水机组运行息息相关的水流量,以便于后续操作中实现根据水流量随冷水机组的优化控制。
步骤S900,根据水流量以及预设工况性能曲线得到优化参数,并根据优化参数对空调系统的冷水机组进行优化控制。
具体地,预设工况性能曲线表征冷水机组按照对应优化参数运行时,水流量与运行状态的对应关系。运行状态即为空调系统运行过程中对电能的利用状态,具体可以通过运行能效或运行效率等体现。优化参数即为对空调系统的冷水机组进行优化控制的参数,具体可以是控制需要调节对象(例如冷水机组台数或水泵台数)的运行数量等。预设工况性能曲线的类型并不是唯一的,对于不同的需要调节对象或者不同数量的需要调节对象,具体地工况性能曲线也不一致。例如,对于冷水机组的主机,对应设置有预设冷水机组性能曲线,不同数量的冷水机组运行时,水流量与运行能效之间的对应关系。对于冷水机组中的水泵,同样设置有预设水泵性能曲线,预设水泵性能曲线表示不同数量的冷水机组水泵运行时,水流量与运行效率之间的对应关系。根据负荷值进行分析计算,即可以的得到当前负荷值对应的水流量,进而控制器能够根据实时的水流量与对应的预设工况性能曲线得到优化参数,根据优化参数控制空调系统开启相应数量的冷水机组或者水泵,使得空调系统处于最优运行状态。
可以理解,在根据负荷值以及预设工况性能曲线对空调系统进行优化控制时,根据当前空调系统运行状态的不一致,具体可以包括控制空调系统增加运行的设备(冷水机组的主机和/或水泵)、控制空调系统减少运行的设备或者维持当前系统的运行状态不作改变三种不同的情况,进而保证根据负荷预测分析以及调控之后,空调系统可以运行在最优状态。
请参阅图2,在一个实施例中,步骤S800包括步骤S810。
步骤S810,根据空调系统的冷水机组的实际温差、预设水温和得到的负荷值进行计算,得到冷水机组的水流量。
具体地,由于预设工况性能曲线表征的是不同数量的设备运行时,系统水流量与能效之间的关系,因此,在进行优化控制时,需要根据分析得到的负荷值进一步计算处理,得到此时对应的水流量值进行优化控制操作。预设水温即为在实际运行过程中,系统生成预设工况性性能曲线进行分析时对应的水温,此时的水温一般为5℃,在其它实施例中也可以是其它温度。因此,在实际操作过程中,可以以预设的方式在控制器内预存一个预设水温,当控制器根据负荷预测模块进行负荷预测得到负荷值之后,直接根据该预设水温进行对应的水流量计算操作。
在一个实施例中,控制器首先根据预设水温和冷水机组的实际温差得到温度比值,然后根据温度比值和负荷值计算得到冷水机组的水流量。进一步地,在一个实施例中,根据m=Q*0.172*△t/△t2进行计算,得到水流量,其中,Q表示负荷值,△t表示预设水温,△t2为冷水机组的实际温差。
当得到冷水机组的水流量之后,即可以根据水流量确定此时水流量对应的最佳能效时,相应需要开启的设备数量,让后控制空调系统开启相应数量的设备,即可以实现对空调系统的冷水机组的优化控制。可以理解,对于不同的运行设备,相应的预设工况性能曲线也不一致,进而对应的控制方法也会存在一定的差别。
请参阅图3,在一个实施例中,预设工况性能曲线包括预设冷水机组性能曲线,运行状态包括运行能效,优化参数包括冷水机组台数,步骤S900包括步骤S910。
步骤S910,根据水流量获取各预设冷水机组性能曲线中对应的运行能效,根据运行能效最高的预设冷水机组性能曲线得到冷水机组台数,根据得到的冷水机组台数控制相应数量的冷水机组运行。
具体地,预设冷水机组性能曲线表示不同冷水机组台数时,水流量与运行能效之间的对应关系。当控制器根据预设负荷预测模型进行分析得到的负荷值进行进一步处理,得到负荷值对应的空调系统的水流量之后,控制器首先根据预设的冷水机组性能曲线进行冷水机组运行台数优化操作。根据得到的水流量得到此时水流量所处的水流量区间,然后得到该水流量区间中运行能效最佳的曲线对应的冷水机组台数,最后控制器发送相应的控制指令控制相应台数的冷水机组运行即可。
具体地,以4台冷水机组的优化控制方案进行详细的解释说明。请参阅图4,四条工况性能曲线从左至右分别为一台冷水机组运行、两台冷水机组运行、三台冷水机组运行和四台冷水机组运行的情况,其中A2点、A3点和A4点分别为各工况性能曲线的交点,根据交点可以将工况性能曲线的水流量划分为四个不同的区间。当控制器根据负荷预测得到的水流量大于0且小于A2时,控制器控制空调系统的冷水机组运行一台;当水流量大于或等于A2且小于或等于A3时,控制冷水机组运行两台;当水流量大于A3且小于或等于A4时,控制冷水机组运行三台;当水流量大于A4时,控制冷水机组运行四台。
应当指出的是,预设冷水机组性能曲线可以是任意台数的机组,即针对不同台数的冷水机组,均可以采用上述类似的方法进行优化控制。进一步可以是不同类型的机组组合时对应的性能曲线,或者是相同类型的机组组合时对应的性能曲线,均可以采用上述类似的控制相应台数的冷水机组运行的方式,来实现空调系统的优化控制。
请参阅图5,在一个实施例中,预设工况性能曲线包括预设水泵性能曲线,运行状态包括运行效率,优化参数包括水泵台数,步骤S900包括步骤S920。
步骤S920,根据水流量获取各预设水泵性能曲线中对应的运行效率,根据运行效率最高的预设水泵性能曲线得到水泵台数,根据得到的水泵台数控制相应数量的水泵运行。
具体地,预设水泵性能曲线表示不同水泵台数时,水流量与运行效率之间的对应关系。与上述机组台数优化类似,当控制器根据预设冷水机组性能曲线对冷水机组台数进行优化控制之后,进一步根据负荷值对冷水机组的水泵数量进行优化操作。根据得到的水流量得到此时水流量所处的水流量区间,然后得到该水流量区间中运行能效最佳的曲线对应的冷水机组台数,最后控制器发送相应的控制指令控制相应台数的水泵运行即可。其控制思想为:当末端空调负荷减少时,冷冻水量需求减少,水泵转速降低,通常当水泵的转速降低到额定转速的50%或70%时;如果冷冻水量需求进一步减少,则停开一台水泵,依次类推,直到仅剩一台水泵运行,这样的控制就可以避免多台水泵在低效率下运行。
请参阅图6,同样以四台水泵进行解释说明。水泵的运行效率-流量曲线为η1,考虑考虑了电机效率、变频器效率之后的总效率η1:η=aQ2+bQ+c。当两台水泵并联运行时,并联后产生的扬程与各水泵产生的扬程都相等、并联后的总效率与单台泵的效率一致,可以得到2台泵并联的效率—流量曲线η2:η=4aQ2+2bQ+c,通过求解可以得到此时η1与η2的交点B2。采用上述类似的方法可以得到三台水泵并联以及四台水泵并联的并联效率—流量曲线η3与η4,进一步可以得到η2与η3的交点B3,η3与η4的交点B4。控制器根据负荷值得到系统水流量之后进行分析,当系统水流量大于0且小于B2时,控制一台水泵运行;当系统水流量大于或等于B2且小于或等于B3时,控制两台水泵运行;当系统水流量大于B3且小于或等于B4时,控制三台水泵运行;当系统水流量大于B4时,控制四台水泵运行。
应当指出的是,在不同的空调系统中,并联水泵的数量并时不时唯一的,还可以是其它数量,均可以采用与上述4台水泵并联类似的方法进行优化控制。可以理解,当控制器根据负荷值对冷水机组的运行台数以及水泵的运行台数进行优化之后,返回获取空调系统的运行参数的操作,即整个优化控制的操作是实时进行的,当空调系统的运行环境发生变化时控制器能够及时做出反应。
请参阅图7,在一个实施例中,步骤S600之前,该方法还包括步骤S100、步骤S200和步骤S300。
步骤S100,获取空调系统的环境参数。
具体地,环境参数即为空调系统运行时,所处环境温度与湿度,具体可以包括室内外以及送风的温度、湿度等。通过环境参数,可以进一步确定此时空调系统所需的工况,进而使得空调系统在对应工况下运行。应当指出的是,在一个实施例中,环境参数同样军可以信息采集装置进行采集,并发送至控制器。信息采集装置包括不同的温度、湿度传感器,分别设置于空调系统的不同位置,以便于进行不同的温度、湿度采集操作。
步骤S200,根据环境参数得到空调系统所需的运行工况。
具体地,控制器得到空调系统的环境参数之后,将各环境参数进行对比分析,即可以得到此时空调系统的所处环境的状态,从而调整空调系统进入不同的运行工况对空调系统进行所处的环境进行调节。应当指出的是,在一个实施例中,空调系统的运行工况包括小新风工况、全新风工况和全通风工况,其中进入小新风工况运行时,开启水系统,关闭全新风阀,将调节组合空调机组、回排风机、小新风机频率,回排风机只回风不排风。进入全新风工况时,开启水系统,将关闭小新风机、回排风机及对应风阀,开启全新风阀,调节组合空调机组频率,只送风不排风。当进入全通风工况时,关闭水系统,将关闭小新风机、回排风机及对应风阀,开启全新风阀,调节组合空调机组频率,只送风不排风。
步骤S300,当运行工况为小新风工况或全通风工况时,控制空调系统以小新风工况或全通风工况运行,并执行获取空调系统的运行参数的操作。
具体地,当控制器根据环境参数确认此时空调系统所需的运行工况时,若为小新风工况,则控制器按照上述小新风工况的运行状态对空调系统中相关器件进行调节操作。若为全通风工况,则控制器根据上述全通风工况的运行状态对空调系统中相关器件进行调节操作。同时,由于小新风工况和全通风工况时组要将机组开启,因此,为了保证空调系统运行最优,此时控制器将会获取空调系统的运行参数,并且根据预设负荷预测模型对空调系统进行优化控制操作。
请继续参阅图7,在一个实施例中,步骤S200之后,该方法还包括步骤S400。
步骤S400,当运行工况为全新风工况时,控制空调系统以全新风工况运行。
具体地,由于当空调系统处于全通风工况时不需要开启机组,因此也就没有根据空调系统的运行参数对空调系统进行优化的必要。因此,当控制器根据环境参数得到空调系统进入全通风工况时,只需要控制器根据全通风运行的状态对相应的器件进行调节和控制即可。可以理解,在一个实施例中,当控制器控制空调系统以全通风运行之后,控制器将会机组执行获取环境参数的操作,以便于当空调系统的环境发生变化时能够及时得知,从而做出相应的调控操作。
请参阅图8,在一个实施例中,步骤S100包括步骤S110、步骤S120和步骤S130。
步骤S110,获取空调系统的室外空气温度与室外空气湿度,并根据室外空气温度和室外空气湿度得到室外新风焓值。
具体地,请结合参阅图9,空气中的焓值是指空气中含有的总热量,通常以干空气的单位质量为基准,称作比焓,工程中简称为焓,是指一千克干空气的焓和与它相对应(1Kg干空气中含有)的水蒸气的焓的总和。在本实施例中,空调系统的新风管道内设有温度传感器、湿度传感器,用于探测室外空气的温度Tw和湿度Φw,从而得到室外空气温度Tw和空气湿度Φw并发送至控制器。控制器中预设有相应的计算模型,可以直接根据获取的室外空气温度和室外空气温度进行计算,得到室外新风焓值Iw。
步骤S120,获取空调系统的室内空气温度和室内空气湿度,并根据室内空气温度和室内空气湿度得到室内空气焓值。
具体地,在空调系统的排风总管设有温度传感器、湿度传感器,用于探测室内空气的温度Tr和湿度Φr并发送至控制器。同样的,控制器中预设有相应的计算模型,可以直接根据获取的Tr和Φr进行计算,得到室内空气焓值Ir。
步骤S130,获取空调系统的送风温度与送风湿度,并根据送风温度和送风湿度得到送风焓值。
具体地,空调系统的送风管上设有温度传感器、湿度传感器,用于探测机组室内的送风温度To和湿度Φo并发送至控制器。同样的,控制器中预设有相应的计算模型,可以直接根据获取的To和Φo进行计算,得到送风焓值Io。应当指出的是,在一个实施例中,由于空气的焓值是由空气温湿度决定的,为了防止工况在一天内频繁转换,只要求对焓值每过预设时间检测一次,将检测值分析比较后再决定是否改变运行工况。可以理解,预设时间的大小并不是唯一的,在一个实施例中,预设时间为0.5小时或1小时等。
请参阅图10,在一个实施例中,步骤S200包括步骤S210、步骤S220和步骤S230。
步骤S210,当室外新风焓值大于室内空气焓值时,空调系统所需的运行工况为小新风工况。具体地,请结合参阅图9,控制器根据得到的各个温度值、湿度值以及计算得到的焓值进行分析,当检测得到室外新风焓值大于室内空气焓值时,说明此时空调系统需要执行小新风工况。
步骤S220,当室外新风焓值小于室内空气焓值,且室外空气温度大于送风温度时,空调系统所需的运行工况为全新风工况。具体地,控制器根据得到的各个温度值、湿度值以及计算得到的焓值进行分析,当检测得到室外新风焓值小于室内空气焓值,且室外空气温度大于送风温度时,说明此时空调系统需要执行全新风工况。
步骤S230,当室外空气温度小于送风温度时,空调系统所需的运行工况为全通风工况。具体地,控制器根据得到的各个温度值、湿度值以及计算得到的焓值进行分析,当检测得到室外空气温度小于送风温度时,说明此时空调系统需要执行全通风工况。
请参阅图11,在一个实施例中,运行参数包括室外温度、相对湿度、实时人员数量和时刻,预设负荷预测模型为预设趋势负荷预测模型,步骤S900之前,该方法还包括步骤S510和步骤S520。
步骤S510,基于历史负荷值以及对应的参数室外温度、相对湿度、实时人员数量和时刻建立长期参数回归模型。
具体地,历史负荷值即为在进行负荷预测之前所采集的各个时刻空调系统的负荷值,具体可以是负荷预测之前一个月、一年甚至更久的时间段内所采集的负荷值。对于趋势负荷预测分析操作,控制器内部存储有趋势负荷预测模型算法,利用参数回归模型可以划分为两个阶段,第一个阶段定义为长期参数回归模型。基于所有的历史负荷数据,建立负荷与室外温度、湿度、实时人员数量、时刻的回归模型,即:其中,F1表示长期负荷,Tem表示室外温度,H表示相对湿度,P为实时人员数量,tim表示时刻,取值0,1,…,23,为参数的矩估计,其中为常数项。该模型只能满足负荷变化趋势,即使温度、湿度与实际情况接近,其它参数的不一致也会导致长期负荷预测精度较低,因此需要进一步进行校准。
步骤S520,基于预测日之前预设天数内的负荷值以及长期参数回归模型建立短期参数回归模型,对短期参数回归模型进行误差修正得到预设趋势负荷预测模型。
具体地,预测日即为需要通过负荷预测对空调系统进行优化控制的时间。为了保证负荷预测的准确性,确保最终空调系统能够运行在最优状态,引进第二阶段的短期参数回归模型,基于预测日之前预设天数内的负荷数据进行参数回归模型的设置,即:其中,F2表示短期负荷,t表示当前时刻,即需要预测的时刻,t-1表示前一时刻,F1表示长期负荷,F表示负荷值,为参数的矩估计,其中为常数项,F(t-1)具体根据空调系统的前一时刻实际制冷量来考虑得到的。
短期参数回归模型反映了短期内负荷与运行参数、前一时刻负荷的关系。引入前一时刻负荷是因为前一时刻参数与当前时刻参数相关性较好。短期参数模型的数据源是预测日的前预设天数内的数据,故短期参数回归模型能够明确地反映预测日的负荷。由于短期参数回归模型是基于长期参数回归模型和前一时刻负荷的基础上建立的,所以该模型只能预测下一时刻的负荷。因此,为了预测一天24小时内各个时刻的负荷,对短期参数回归模型进行进一步地改进得到其中,F2(t-1)表示前一时刻的预测负荷。
进一步地,由于利用F2(t-1)进行多次迭代会使预测误差越来越大,需要利用误差反馈校正和滚动优化进行误差修正,得到F′2(t)=F2(t)+γ·[F(t-1)-F2(t-1)],其中,F′2(t)表示修正后的负荷预测值,γ为误差权重。同样的,为了预测一天24h内各个时刻的负荷,进一步改进误差反馈校正模型,得到F′2(t)=F2(t)+γ·[F′2(t-1)-F2(t-1)],经过多次迭代,F′2与F2几乎一致,使得误差项很小,反馈作用微弱,误差e(t)=C·e(t-1)+(1-C)·[F(t-1)-F′2(t-1)]。请参阅图12,为一实施例中采用上述建立的预设趋势负荷预测模型进行负荷预测的具体操作流程,图示气象参数即为空调系统的运行参数。
请参阅图13,在一个实施例中,运行参数包括室外温度、相对湿度、实时人员数量和时刻,预设负荷预测模型为预设精准负荷预测模型,
步骤S700之前,该方法还包括步骤S530和步骤S540。
步骤S530,根据运行参数获取历史相似日的负荷值以及对应的室外温度、相对湿度、实时人员数量和时刻得到相似日参数回归模型。
具体地,历史相似日即为预测日之前,与预测日具有类似运行参数等的时间,根据预测日对应的各个运行参数与历史运行参数进行对比分析,即可以得到。预测日对应的参数回归模型为:相似日对应的相似日参数回归模型为:
步骤S540,基于历史相似日的负荷值和相似日参数回归模型,利用最小二原理建立自回归各态历经模型,并对自回归各态历经模型进行误差修正得到预设精准负荷预测模型。
具体地,由于相似日各个时刻的负荷值F′(t)已知,可根据F′0(t)和F′(t),利用利用最小二乘的原理,建立一个二阶ARX(自回归各态历经)模型,即:根据矩估计参数和已知预测时刻的t-1和t-2时刻的负荷值及预测负荷值可计算出第一次修正后的负荷值F1(t),
同样的,由于预测日的前一日各个时刻的负荷值F-′1(t)已知,建立一个一阶ARX模型,即:根据矩估计参数和已知预测时刻的t-1和t-2时刻的负荷值及F1(t),可计算出第二次修正后的负荷预测值F2(t),最后根据前一时刻的负荷值与误差值进行修正,将误差值加到下一时刻的预测值上,即可以的得到最终精准预测对应的负荷值F3(t)=F2(t)+e(t),其中e(t)=C·e(t-1)+(1-C)·[F(t-1)-F3(t-1)],表示误差值。请参参阅图14,为一实施例中采用上述预设精准负荷预测模型进行负荷值计算的方法流程。首先C值是变化的,C的遍历范围为0-1,间隔为0.01。其次,不同的初始化C会有不同的F和F3误差值,要取最小的误差值对于的C就需要全部读取(即遍历C值)。
上述空调系统控制方法,应用到地铁站风水联动空调系统中,控制器首先获取空调机组运行时对应的运行参数,然后根据运行参数以及预设负荷预测模型进行预测分析,得到该运行参数状态下对应的负荷值,最后根据负荷值与工况性能曲线进行分析,控制空调系统的冷水机组处于最佳运行状态。上述方案能够结合空调系统的实时运行参数,实现对冷水机组的运行优化控制,从而保证冷水机组运行在最佳状态。能够有效地减少电能的消耗,从而降低运行成本,同时由于冷水机组运行在最佳状态,能够保证其具有较长的使用寿命。因此,上述控制方案具有控制可靠性强的优点。
请参阅图15,一种空调系统控制装置,包括:运行参数获取模块400、负荷值计算模块500、水流量计算模块600和优化控制模块700。
运行参数获取模块400用于获取空调系统的运行参数;负荷值计算模块500用于根据运行参数与相应的预设负荷预测模型进行分析,得到对应的负荷值,预设负荷预测模型表征运行参数与负荷值之间的对应关系;水流量计算模块600用于根据得到的负荷值计算空调系统的冷水机组的水流量;优化控制模块700用于根据水流量以及预设工况性能曲线得到优化参数,并根据优化参数对空调系统的冷水机组进行优化控制。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
在一个实施例中,水流量计算模块600还用于根据空调系统的冷水机组的实际温差、预设水温和得到的负荷值进行计算,得到冷水机组的水流量。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
在一个实施例中,优化控制模块700还用于根据水流量获取各预设冷水机组性能曲线中对应的运行能效,根据运行能效最高的预设冷水机组性能曲线得到冷水机组台数,根据得到的冷水机组台数控制相应数量的冷水机组运行。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
在一个实施例中,优化控制模块700还用于根据水流量获取各预设水泵性能曲线中对应的运行效率,根据运行效率最高的预设水泵性能曲线得到水泵台数,根据得到的水泵台数控制相应数量的水泵运行。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
请参阅图16,在一个实施例中,空调系统控制装置还包括环境参数获取模块100和工况分析模块200。
具体地,环境参数获取模块100用于获取空调系统的环境参数;工况分析模块200用于根据环境参数得到空调系统所需的运行工况;当运行工况为小新风工况或全通风工况时,控制空调系统以小新风工况或全通风工况运行,并执行获取空调系统的运行参数的操作。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
在一个实施例中,工况分析模块200还用于当运行工况为全新风工况时,控制空调系统以全新风工况运行。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
在一个实施例中,环境参数获取模块100还用于获取空调系统的室外空气温度与室外空气湿度,并根据室外空气温度和室外空气湿度得到室外新风焓值;获取空调系统的室内空气温度和室内空气湿度,并根据室内空气温度和室内空气湿度得到室内空气焓值;获取空调系统的送风温度与送风湿度,并根据送风温度和送风湿度得到送风焓值。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
在一个实施例中,工况分析模块200还用于当室外新风焓值大于室内空气焓值时,空调系统所需的运行工况为小新风工况;当室外新风焓值小于室内空气焓值,且室外空气温度大于送风温度时,空调系统所需的运行工况为全新风工况;当室外空气温度小于送风温度时,空调系统所需的运行工况为全新风工况。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
请参阅图16,在一个实施例中,空调系统控制装置还包括模型建立模块300。
模型建立模块300用于基于历史负荷值以及对应的参数室外温度、相对湿度、实时人员数量和时刻建立长期参数回归模型;基于预测日之前预设天数内的负荷值以及长期参数回归模型建立短期参数回归模型,对短期参数回归模型进行误差修正得到预设趋势负荷预测模型。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
在一个实施例中,模型建立模块300还用于根据运行参数获取历史相似日的负荷值以及对应的室外温度、相对湿度、实时人员数量和时刻得到相似日参数回归模型;基于历史相似日的负荷值和相似日参数回归模型,利用最小二原理建立自回归各态历经模型,并对自回归各态历经模型进行误差修正得到预设精准负荷预测模型。具体操作过程与上述方法部分对应的实施例类似,在此不再赘述。
上述空调系统控制方装置,应用到地铁站风水联动空调系统中,控制器首先获取空调机组运行时对应的运行参数,然后根据运行参数以及预设负荷预测模型进行预测分析,得到该运行参数状态下对应的负荷值,最后根据负荷值与工况性能曲线进行分析,控制空调系统的冷水机组处于最佳运行状态。上述方案能够结合空调系统的实时运行参数,实现对冷水机组的运行优化控制,从而保证冷水机组运行在最佳状态。能够有效地减少电能的消耗,从而降低运行成本,同时由于冷水机组运行在最佳状态,能够保证其具有较长的使用寿命。因此,上述控制方案具有控制可靠性强的优点。
一种空调系统,具体可以是地铁站风水联动空调系统。请参阅图14,空调系统包括控制器10、信息采集装置20和冷水机组30,信息采集装置20和冷水机组30分别连接控制器10,信息采集装置20用于采集空调系统的运行参数并发送至控制器10,控制器10用于根据上述的方法对冷水机组30进行优化控制。
具体地,空调系统的运行参数种类并不是唯一的,可以是空调系统所处环境的环境参数或者空调系统所处环境中人员数量等,只要是与空调系统的运行相关的参数均可。例如,在一个实施例中,空调系统的运行参数包括室外温度、相对湿度、实时人员数量和时刻。应当指出的是,在一个实施例中,控制器10获取空调系统的运行参数是实时进行的,以便于当空调系统的运行环境发生变化时,控制器10能够及时根据运行参数做出相应的调整,保证空调系统处于最优运行状态。
预设负荷预测模型表征运行参数与负荷值之间的对应关系。负荷值用于表征在当前运行参数情况下,空调系统处于最优运行状态时对应的负荷状态。当控制器10获取空调系统的运行参数之后,将会根据运行参数与控制器10内预设的负荷预测模型进行分析计算,从而得到此时空调系统处于最优运行状态所需的负荷状态。应当指出的是,预设负荷预测模型的类型并不是唯一的,具体可以包括预设趋势负荷预测模型和预设精准负荷预测模型。其中,预设趋势负荷预测模型可以根据当前时间最为接近的时间段内的空调系统运行相关参数进行预测,得到当前时间(预测日)空调系统处于最优运行状态对应所需的负荷值,从而对空调系统进行相应的处理。可以理解,在实际操作过程中,具体采用何种预设趋势预测模型进行负荷预测可以由控制器10根据实际情况进行选择,也可以是用户进行选择。
预设工况性能曲线的类型并不是唯一的,对于不同的需要调节对象或者不同数量的需要调节对象,具体地工况性能曲线也不一致。例如,对于冷水机组30的主机,对应设置有预设冷水机组性能曲线,不同数量的冷水机组30运行时,水流量与运行能效之间的对应关系。对于冷水机组30中的水泵,同样设置有预设水泵性能曲线,预设水泵性能曲线表示不同数量的冷水机组30水泵运行时,水流量与运行效率之间的对应关系。在一个实施例中,根据负荷值进行分析计算,即可以的得到当前负荷值对应的水流量,进而控制器10能够根据实时的水流量与对应的预设工况性能曲线,控制空调系统开启相应数量的冷水机组30或者水泵,使得空调系统处于最优运行状态。进一步地,在一个实施例中,上述空调系统为地铁站风水联动空调系统,采用上述的方法进行控制,使得地铁站风水联动空调系统能够根据运行参数进行负荷预测,进而实现冷水机组的优化控制操作。
上述空调系统,控制器首先获取空调机组运行时对应的运行参数,然后根据运行参数以及预设负荷预测模型进行预测分析,得到该运行参数状态下对应的负荷值,最后根据负荷值与工况性能曲线进行分析,控制空调系统的冷水机组处于最佳运行状态。上述方案能够结合空调系统的实时运行参数,实现对冷水机组的运行优化控制,从而保证冷水机组运行在最佳状态。能够有效地减少电能的消耗,从而降低运行成本,同时由于冷水机组运行在最佳状态,能够保证其具有较长的使用寿命。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种空调系统控制方法,其特征在于,所述方法包括:
获取空调系统的运行参数;
根据所述运行参数与相应的预设负荷预测模型进行分析,得到对应的负荷值,所述预设负荷预测模型表征运行参数与负荷值之间的对应关系;
根据得到的负荷值计算所述空调系统的冷水机组的水流量;
根据所述水流量以及预设工况性能曲线得到优化参数,并根据所述优化参数对所述空调系统的冷水机组进行优化控制;所述预设工况性能曲线表征所述冷水机组按照对应优化参数运行时,水流量与运行状态的对应关系。
2.根据权利要求1所述的空调系统控制方法,其特征在于,所述根据得到的负荷值计算所述空调系统的冷水机组的水流量的步骤,包括:
根据所述空调系统的冷水机组的实际温差、预设水温和得到的负荷值进行计算,得到所述冷水机组的水流量。
3.根据权利要求1所述的空调系统控制方法,其特征在于,所述预设工况性能曲线包括预设冷水机组性能曲线,所述运行状态包括运行能效,所述优化参数包括冷水机组台数,所述根据所述水流量以及预设工况性能曲线得到优化参数,并根据所述优化参数对所述空调系统的冷水机组进行优化控制的步骤,包括:
根据所述水流量获取各所述预设冷水机组性能曲线中对应的运行能效,根据运行能效最高的预设冷水机组性能曲线得到冷水机组台数,根据得到的冷水机组台数控制相应数量的冷水机组运行;所述预设冷水机组性能曲线表示不同冷水机组台数时,水流量与运行能效之间的对应关系。
4.根据权利要求1所述的空调系统控制方法,其特征在于,所述预设工况性能曲线包括预设水泵性能曲线,所述运行状态包括运行效率,所述优化参数包括水泵台数,所述根据所述水流量以及预设工况性能曲线得到优化参数,并根据所述优化参数对所述空调系统的冷水机组进行优化控制的步骤,包括:
根据所述水流量获取各所述预设水泵性能曲线中对应的运行效率,根据运行效率最高的预设水泵性能曲线得到水泵台数,根据得到的水泵台数控制相应数量的水泵运行;所述预设水泵性能曲线表示不同水泵台数时,水流量与运行效率之间的对应关系。
5.根据权利要求1所述的空调系统控制方法,其特征在于,所述获取空调系统的运行参数的步骤之前,还包括:
获取空调系统的环境参数;
根据所述环境参数得到所述空调系统所需的运行工况;
当所述运行工况为小新风工况或全通风工况时,控制所述空调系统以所述小新风工况或所述全通风工况运行,并执行所述获取空调系统的运行参数的步骤。
6.根据权利要求5所述的空调系统控制方法,其特征在于,所述根据所述环境参数得到所述空调系统所需的运行工况的步骤之后,还包括:
当所述运行工况为全新风工况时,控制所述空调系统以所述全新风工况运行。
7.根据权利要求5所述的空调系统控制方法,其特征在于,所述获取空调系统的环境参数的步骤,包括:
获取空调系统的室外空气温度与室外空气湿度,并根据所述室外空气温度和所述室外空气湿度得到室外新风焓值;
获取所述空调系统的室内空气温度和室内空气湿度,并根据所述室内空气温度和所述室内空气湿度得到室内空气焓值;
获取所述空调系统的送风温度与送风湿度,并根据所述送风温度和所述送风湿度得到送风焓值。
8.根据权利要求7所述的空调系统控制方法,其特征在于,所述根据所述环境参数得到所述空调系统所需的运行工况的步骤,包括:
当所述室外新风焓值大于所述室内空气焓值时,所述空调系统所需的运行工况为小新风工况;
当所述室外新风焓值小于所述室内空气焓值,且所述室外空气温度大于所述送风温度时,所述空调系统所需的运行工况为全新风工况;
当所述室外空气温度小于所述送风温度时,所述空调系统所需的运行工况为全通风工况。
9.根据权利要求1所述的空系统控制方法,其特在于,所述运行参数包括室外温度、相对湿度、实时人员数量和时刻,所述预设负荷预测模型为预设趋势负荷预测模型,所述根据所述运行参数与相应的预设负荷预测模型进行分析得到对应的负荷值的步骤之前,还包括:
基于历史负荷值以及对应的参数室外温度、相对湿度、实时人员数量和时刻建立长期参数回归模型;
基于预测日之前预设天数内的负荷值以及所述长期参数回归模型建立短期参数回归模型,对所述短期参数回归模型进行误差修正得到预设趋势负荷预测模型。
10.根据权利要求1所述的空系统控制方法,其特在于,所述运行参数包括室外温度、相对湿度、实时人员数量和时刻,所述预设负荷预测模型为预设精准负荷预测模型,所述根据所述运行参数与相应的预设负荷预测模型进行分析得到对应的负荷值的步骤之前,还包括:
根据运行参数获取历史相似日的负荷值以及对应的室外温度、相对湿度、实时人员数量和时刻得到相似日参数回归模型;
基于所述历史相似日的负荷值和所述相似日参数回归模型,利用最小二原理建立自回归各态历经模型,并对所述自回归各态历经模型进行误差修正得到预设精准负荷预测模型。
11.一种空调系统控制装置,其特征在于,所述装置包括:
运行参数获取模块,用于获取空调系统的运行参数;
负荷值计算模块,用于根据所述运行参数与相应的预设负荷预测模型进行分析,得到对应的负荷值,所述预设负荷预测模型表征运行参数与负荷值之间的对应关系;
水流量计算模块,用于根据得到的负荷值计算所述空调系统的冷水机组的水流量;
优化控制模块,用于根据所述水流量以及预设工况性能曲线得到优化参数,并根据所述优化参数对所述空调系统的冷水机组进行优化控制;所述预设工况性能曲线表征所述冷水机组按照对应优化参数运行时,水流量与运行状态的对应关系。
12.一种空调系统,其特征在于,包括控制器、信息采集装置和冷水机组,所述信息采集装置和所述冷水机组分别连接所述控制器,所述信息采集装置用于采集空调系统的运行参数并发送至所述控制器,所述控制器用于根据权利要求1-10任一项所述的方法进行优化控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910759021.4A CN110425685A (zh) | 2019-08-16 | 2019-08-16 | 空调系统控制方法、装置及空调系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910759021.4A CN110425685A (zh) | 2019-08-16 | 2019-08-16 | 空调系统控制方法、装置及空调系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110425685A true CN110425685A (zh) | 2019-11-08 |
Family
ID=68415075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910759021.4A Pending CN110425685A (zh) | 2019-08-16 | 2019-08-16 | 空调系统控制方法、装置及空调系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110425685A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062536A (zh) * | 2019-12-17 | 2020-04-24 | 朱玲 | 基于大数据的中央空调负荷预测系统及方法 |
CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
CN111694388A (zh) * | 2020-05-06 | 2020-09-22 | 广州地铁设计研究院股份有限公司 | 一种地铁智能监控系统及控制方法 |
CN111998505A (zh) * | 2020-08-10 | 2020-11-27 | 武汉蜗牛智享科技有限公司 | 基于RSM-Kriging-GA算法的泛园区空调系统能耗优化方法及系统 |
CN112747419A (zh) * | 2021-01-21 | 2021-05-04 | 长江慧控科技(武汉)有限公司 | 中央空调风水联动控制方法、装置、设备及存储介质 |
CN112761936A (zh) * | 2021-01-13 | 2021-05-07 | 上海电机系统节能工程技术研究中心有限公司 | 水泵系统能效分析方法和水泵控制系统 |
CN113219848A (zh) * | 2021-04-30 | 2021-08-06 | 深圳市坤弘智能电子有限公司 | 一种包含主备室内控制器的智能家居系统 |
CN113739359A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 中央空调系统节能控制方法、装置及中央空调系统 |
CN113865016A (zh) * | 2021-09-30 | 2021-12-31 | 珠海格力电器股份有限公司 | 一种空调系统控制方法、装置及空调系统 |
CN114440419A (zh) * | 2021-12-31 | 2022-05-06 | 博锐尚格科技股份有限公司 | 一种冷站二次泵系统的控制方法、装置、设备和存储介质 |
CN114543303A (zh) * | 2022-01-26 | 2022-05-27 | 深圳达实智能股份有限公司 | 基于运行大数据的中央空调制冷站运行优化方法和系统 |
CN114593776A (zh) * | 2022-04-11 | 2022-06-07 | 四川长虹空调有限公司 | 空调室外机全息参数商检方法及系统 |
CN114963414A (zh) * | 2022-06-08 | 2022-08-30 | 山东润一智能科技有限公司 | 基于ai数据分析的空调系统智能调控装置 |
CN117366810A (zh) * | 2023-10-26 | 2024-01-09 | 中国建筑科学研究院有限公司 | 一种空调系统控制方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102367980A (zh) * | 2011-10-19 | 2012-03-07 | 深圳市奥宇控制系统有限公司 | 一种中央空调多维度集成优化控制系统及方法 |
CN106403207A (zh) * | 2016-10-24 | 2017-02-15 | 珠海格力电器股份有限公司 | 用于暖通空调系统的基于负荷预测的控制系统和控制方法 |
CN107192097A (zh) * | 2017-06-06 | 2017-09-22 | 珠海格力电器股份有限公司 | 空调冷冻水系统的控制方法和装置 |
-
2019
- 2019-08-16 CN CN201910759021.4A patent/CN110425685A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102367980A (zh) * | 2011-10-19 | 2012-03-07 | 深圳市奥宇控制系统有限公司 | 一种中央空调多维度集成优化控制系统及方法 |
CN106403207A (zh) * | 2016-10-24 | 2017-02-15 | 珠海格力电器股份有限公司 | 用于暖通空调系统的基于负荷预测的控制系统和控制方法 |
CN107192097A (zh) * | 2017-06-06 | 2017-09-22 | 珠海格力电器股份有限公司 | 空调冷冻水系统的控制方法和装置 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062536A (zh) * | 2019-12-17 | 2020-04-24 | 朱玲 | 基于大数据的中央空调负荷预测系统及方法 |
CN112833517A (zh) * | 2019-12-17 | 2021-05-25 | 朱玲 | 一种基于大数据的中央空调负荷预测系统 |
CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
CN111694388A (zh) * | 2020-05-06 | 2020-09-22 | 广州地铁设计研究院股份有限公司 | 一种地铁智能监控系统及控制方法 |
CN111694388B (zh) * | 2020-05-06 | 2021-11-23 | 广州地铁设计研究院股份有限公司 | 一种地铁智能监控系统及控制方法 |
CN111998505A (zh) * | 2020-08-10 | 2020-11-27 | 武汉蜗牛智享科技有限公司 | 基于RSM-Kriging-GA算法的泛园区空调系统能耗优化方法及系统 |
CN111998505B (zh) * | 2020-08-10 | 2021-07-30 | 武汉蜗牛智享科技有限公司 | 基于RSM-Kriging-GA算法的泛园区空调系统能耗优化方法及系统 |
CN112761936A (zh) * | 2021-01-13 | 2021-05-07 | 上海电机系统节能工程技术研究中心有限公司 | 水泵系统能效分析方法和水泵控制系统 |
CN112747419A (zh) * | 2021-01-21 | 2021-05-04 | 长江慧控科技(武汉)有限公司 | 中央空调风水联动控制方法、装置、设备及存储介质 |
CN113219848A (zh) * | 2021-04-30 | 2021-08-06 | 深圳市坤弘智能电子有限公司 | 一种包含主备室内控制器的智能家居系统 |
CN113739359A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 中央空调系统节能控制方法、装置及中央空调系统 |
CN113739359B (zh) * | 2021-08-31 | 2022-09-02 | 广州汇电云联互联网科技有限公司 | 中央空调系统节能控制方法、装置及中央空调系统 |
CN113865016A (zh) * | 2021-09-30 | 2021-12-31 | 珠海格力电器股份有限公司 | 一种空调系统控制方法、装置及空调系统 |
CN114440419A (zh) * | 2021-12-31 | 2022-05-06 | 博锐尚格科技股份有限公司 | 一种冷站二次泵系统的控制方法、装置、设备和存储介质 |
CN114440419B (zh) * | 2021-12-31 | 2023-10-27 | 博锐尚格科技股份有限公司 | 一种冷站二次泵系统的控制方法、装置、设备和存储介质 |
CN114543303A (zh) * | 2022-01-26 | 2022-05-27 | 深圳达实智能股份有限公司 | 基于运行大数据的中央空调制冷站运行优化方法和系统 |
CN114593776A (zh) * | 2022-04-11 | 2022-06-07 | 四川长虹空调有限公司 | 空调室外机全息参数商检方法及系统 |
CN114963414A (zh) * | 2022-06-08 | 2022-08-30 | 山东润一智能科技有限公司 | 基于ai数据分析的空调系统智能调控装置 |
CN114963414B (zh) * | 2022-06-08 | 2023-11-24 | 山东润一智能科技有限公司 | 基于ai数据分析的空调系统智能调控装置 |
CN117366810A (zh) * | 2023-10-26 | 2024-01-09 | 中国建筑科学研究院有限公司 | 一种空调系统控制方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110425685A (zh) | 空调系统控制方法、装置及空调系统 | |
CN106338127B (zh) | 用于地铁暖通空调系统的负荷预测和控制系统及其方法 | |
CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
CN108375144A (zh) | 具有预测性自然冷却控制和自然冷却优化的hvac系统 | |
CN102705957B (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及系统 | |
CN101393570A (zh) | 中央空调运行仿真系统 | |
CN104898422B (zh) | 联合供冷系统的递阶优化方法 | |
CN104121666B (zh) | 用于中央空调风系统的逐时变频供风系统及控制方法 | |
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
CN102844773B (zh) | 基于交互式学习的建筑物节能化单元和系统 | |
CN111637596A (zh) | 一种空调的控制方法、装置、空调、存储介质及处理器 | |
CN110736227A (zh) | 具有在线可配置系统标识的建筑物管理系统 | |
CN104566765A (zh) | 中央空调整体节能控制方法 | |
CN113326651A (zh) | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 | |
Hwang et al. | Using deep learning approaches with variable selection process to predict the energy performance of a heating and cooling system | |
CN109932896A (zh) | 一种建筑能耗的控制方法和系统 | |
CN111047117B (zh) | 一种基于末端负荷预测的压差旁通阀节能优化方法 | |
CN113311892B (zh) | 一种会展场馆中央空调能效最优预冷控制方法 | |
CN109323398A (zh) | 空调的控制方法、装置及空调 | |
CN111950158A (zh) | 基于序列最小二乘规划的中央空调能耗优化方法 | |
US11236917B2 (en) | Building control system with zone grouping based on predictive models | |
CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
CN113268913B (zh) | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 | |
Asad et al. | Distributed real-time optimal control of central air-conditioning systems |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191108 |
|
RJ01 | Rejection of invention patent application after publication |