CN110570024A - 基于部分运行数据和模型校准的制冷站运行评价方法 - Google Patents
基于部分运行数据和模型校准的制冷站运行评价方法 Download PDFInfo
- Publication number
- CN110570024A CN110570024A CN201910760429.3A CN201910760429A CN110570024A CN 110570024 A CN110570024 A CN 110570024A CN 201910760429 A CN201910760429 A CN 201910760429A CN 110570024 A CN110570024 A CN 110570024A
- Authority
- CN
- China
- Prior art keywords
- data
- refrigeration station
- model
- energy consumption
- calibration
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000005057 refrigeration Methods 0.000 claims abstract description 115
- 238000005265 energy consumption Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 58
- 238000004088 simulation Methods 0.000 claims description 36
- 238000001816 cooling Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000013480 data collection Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了基于部分运行数据和模型校准的制冷站运行评价方法,包括以下步骤:数据收集,包括系统设计信息、制冷站总能耗和部分点位运行数据;建立制冷站能耗模型,根据收集得到的数据对制冷站能耗模型进行建立;制冷站能耗模型参数校准,在上述所建立的制冷站能耗模型基础上,对制冷站能耗模型参数进行校准;制冷站运行评价,利用校准后的制冷站能耗模型模拟得到各台设备能耗,即可对制冷站运行现状进行评估。可以避免由于传统运行评价方法需要制冷站监测每台设备耗电量的局限性,通过制冷站总电耗和部分点位的运行数据即可实现对制冷站运行能效进行评价,全面真实地反映制冷站运行能效现状,具有全面可靠、测试周期短、易于推广的优点。
Description
技术领域
本发明涉及制冷站运行评价领域,尤其涉及一种基于部分运行数据和模型校准的制冷站运行评价方法。
技术背景
制冷站通常为耗冷量较大的工业或商业建筑提供冷量,但耗电量巨大。制冷站运行能效的高低,不仅受制于设备性能,还受运行策略影响,这些都会体现在运行数据中。通过运行数据分析,可以发现制冷站能效的薄弱环节,为制冷站运行策略调整和设备更新提供技术参考。
制冷站主要包含冷水机组(简称冷机)、水泵、冷却塔等耗电设备,设备运行能效的高低直接决定了制冷站总能耗,因此准确掌握这些设备的运行能效能够很好地辅助制冷站运行评价工作地开展,这就对制冷站运行评价方法提出了要求。
目前用于评价制冷站设备运行能效高低的指标主要有冷机运行效率(COP)、水泵输送系数等。冷机运行效率是冷机制冷量与冷机耗电量的比值,冷机在一段时间内的平均COP可以反映其能效水平。水泵输送系数为水泵输送冷量(热量)与水泵耗电量的比值,该指标反映了制冷站冷量(热量)的输送效率。基于上述能效评价指标,可以对制冷站运行现状做出大致评判,发现制冷站能效的薄弱环节。
上述这些能效评价的计算需要制冷站详细的运行数据,包括每台冷机和水泵的耗电量。通常,可以通过数据监测平台,或者现场测试来获取所需数据。然而在很多时候,由于缺少监测点位或者传感器失效等问题,获取详细的系统运行数据存在困难。开展系统级别的现场测试需要耗费大量设备和人力,有时也不具备测试条件,不易实施。但是大多情况下,出于经济结算或者自动控制目的,制冷站会保证部分点位的数据监测,如制冷站总能耗,冷机供水温度、变频水泵进出口压差等等。基于这些部分点位的运行数据,利用常规方法无法实现对于制冷站运行现状较为细致的评价,因为常规能效评价指标如冷机COP、水泵输送能效的计算需要单台设备的耗电量。如何实现在制冷站部分运行数据下开展制冷站的运行评价,现阶段还没有很好的实现方法。
发明内容
本发明的目的在于克服目前制冷站常规运行评价方法需要数据监测维度较多的问题,提出了基于部分运行数据和模型校准的制冷站运行评价方法。
基于部分运行数据和模型校准的制冷站运行评价方法,包括以下步骤:
步骤一、收集制冷站的静态数据和运行数据;
所述的静态数据,包括制冷站设计图纸、各个设备的铭牌参数和性能参数;
收集制冷站的运行数据包括以下步骤:
首先对供冷季内的以下数据进行实时采集并且每隔一小时进行记录,所述的运行数据包括用户回水总管温度、流量、冷机供水温度和变频水泵前后压差,所有设备的启停状态和制冷站总能耗数据;
然后对原始运行数据进行预处理,去掉其中的不理想数据;
步骤二、建立制冷站能耗模型,具体步骤如下:
(1)打开TRNSYS软件中的Simulation Studio模块;
(2)新建空白项目;
(3)从菜单栏右侧的设备模型库中选择需要的设备模型并用鼠标拖入空白项目中;
在选择需要的设备模型时,需要满足以下条件:
(a)对于水泵,区分变频水泵和定频水泵;对于冷机组,区分水冷式机组和风冷式机组;对于冷却塔,区分开式冷却塔和闭式冷却塔;
(b)所选模型需要的数据能够在现有运行数据里找到;
(c)所选模型能够输出设备模拟总电耗;
(d)选择的冷机模型能够输出制冷量和耗电量并且选择的水泵模型能够输出输送能量和耗电量;
(4)将菜单栏左侧的数据连接选中,将设备的数据流进行连接;
(5)双击每个设备模型,出现参数设置面板,设置模型参数;
(6)右键上述第(2)步建立的项目空白处,打开此项目的控制面板,设定项目模拟所需的相关参数,包括模拟时间步长、模拟开始时间和模拟结束时间参数;
步骤三、采用TRNSYS与GenOpt联合运行实现对制冷站能耗模型参数的校准,具体步骤如下:
(1)在TRNSYS的模型参数汇总表中选取需要校准的模型参数并给定参数的取值范围;
所述的制冷站能耗模型需要校准的参数包括冷却塔、一级泵和冷却泵的额定功率;二级泵的效率;冷机和二级泵的流量分配比例以及冷机耗电比随冷机负荷率变化的性能曲线;
(2)从GenOpt自带的优化算法库中选取优化算法并设置算法参数;
(3)选取均方根误差变化系数CVRMSE作为对制冷站总能耗进行优化迭代的目标函数,直至均方根误差变化系数CVRMSE最终的校准误差收敛或达到最大设定迭代次数为止,然后判断最终的校准误差是否满足设定的校准指标的精度要求,若满足要求则进行步骤(5),否则进行步骤(4);最终的校准误差需要满足校准指标的精度要求包括ASHRAEGuideline 14、IPMVP、FEMP这些标准对校准精度的要求;
均方根误差变化系数计算方程如下:
式中yi为实际监测的第i小时的制冷站总能耗数据;为通过制冷站能耗模型模拟得到的第i小时的制冷站总能耗数据,n为数据个数;
(4)在GenOpt自带的优化算法库中选取另外的优化算法或者加大优化算法迭代次数,然后重复步骤(3),直至最终的校准误差满足设定的校准指标的精度要求;
(5)建立TRNSYS与GenOpt之间的数据连接;
(6)打开GenOpt,加载数据连接文件,实现自动校准;
步骤四、校准过程结束后,GenOpt生成校准过程文档以及模型参数的最终校准结果文档,打开所述校准结果文档,将参数校准结果输入到在TRNSYS中建立的制冷站能耗模型中,运行模拟得到冷机和水泵的逐时耗电量数据、冷机的制冷量数据以及水泵的输送能量数据,进而计算得到冷机运行COP和水泵输送系数,计算式如下:
式中,COPi为第i台冷机的运行效率,无量纲;Chilleri Q为第i台冷机的制冷量,kW;为第i台冷机的耗电量,kW;
式中,WTFpumpk为第k台水泵的输送系数,无量纲;为第k台水泵的输送能量,kW;为第k台水泵的耗电量,kW。
本发明具有的优点和积极效果:
基于部分运行数据和模型校准方法对制冷站运行现状进行评价,可以避免由于传统运行评价方法需要制冷站监测每台设备耗电量数据的局限性,通过制冷站总电耗和部分点位的运行数据即可实现对制冷站运行能效进行评价,全面真实地反映制冷站运行能效现状,具有全面可靠、测试周期短、易于推广的优点。
附图说明
图1为本发明实施的制冷站运行评价方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下:
本发明的基于部分运行数据和模型校准的制冷站运行评价方法,包括数据收集、制冷站能耗模型建立、制冷站能耗模型参数校准和制冷站运行评价四个部分。数据收集部分的核心思想是,首先通过现场调研获取制冷站的设计资料,并从监控平台数据库中获取相应的监测数据;其次剔除监测数据中格式错误、不合理的数据。制冷站能耗模型建立部分的核心思想是,首先根据收集到的制冷站设计资料以及现场设备的实际情况在TRNSYS的设备模型库中挑选合适的设备模型;其次根据现场管路的连接情况,将制冷站各个设备的模型连接起来;然后根据设计资料提供的设备信息,设置设备模型的参数;最后打开项目的控制面板,设定模拟所需的相关参数。制冷站能耗模型参数校准部分核心思想是,首先根据实际情况挑选需要校准的模型参数,并根据先验知识确定模型参数的取值范围;其次挑选合适的优化算法,并对算法参数进行设置;然后构建优化迭代的目标函数;最后建立GenOpt优化软件与TRNSYS之间的数据连接。制冷站运行评价部分的核心思想是,首先打开校准完成后得到的模型参数校准结果文档;然后将各个参数的校准结果输入到制冷站能耗模型中,运行模拟得到制冷站运行评价所需数据;最后计算各台冷机的运行COP和各台水泵的输送系数。
如图1所示为本发明基于部分运行数据和模型校准的制冷站运行评价方法,包括以下步骤:
步骤一、收集制冷站的静态数据和运行数据;
所述的静态数据,包括制冷站设计图纸、各个设备的铭牌参数和性能参数。
收集制冷站的运行数据包括以下步骤:首先对供冷季内的以下数据进行实时采集并且每隔一小时进行记录,所述的运行数据包括用户回水总管温度、流量、冷机供水温度和变频水泵前后压差,所有设备的启停状态和制冷站总能耗数据。
然后对原始运行数据进行预处理,去掉其中的不理想数据,去掉不理想数据采用现有的方法即可,作为本发明的一种实施方式,具体步骤为:
所述的不理想数据包括格式错误数据和不合理数据。
所述的格式错误数据为数值小于等于0的数据以及非数值型数据,如:若监测数据中存在温度、流量为0或小于0的数据以及非数值型数据,即可认定其为格式错误的数据,应予以剔除;
所述的不合理数据为不能通过参数阈值检验以及简单能量平衡关系校验的数据,即可判定其为不合理的数据,应允以剔除;
步骤二、建立制冷站能耗模型,具体步骤如下:
(1)打开TRNSYS软件中的Simulation Studio模块;
(2)新建空白项目;
(3)从菜单栏右侧的设备模型库中选择需要的设备模型并用鼠标拖入空白项目中;
在选择需要的设备模型时,需要满足以下条件:
(a)对于水泵,区分变频水泵和定频水泵;对于冷机组,区分水冷式机组和风冷式机组;对于冷却塔,区分开式冷却塔和闭式冷却塔;
(b)所选模型需要的数据可以在现有运行数据里找到。不同的模型,仿真时所需输入数据不同。为保障仿真正常运行,模型的选择要基于已有运行数据。
(c)所选模型能够输出设备模拟总电耗。制冷站能耗模型校准的结果使制冷站模拟总电耗与实测总电耗之间的误差较小。其中,模拟总电耗和实测总电耗就是校准目标函数计算公式中的两项,只有当调整模型参数会影响校准目标函数计算结果时,才能通过制冷站的实际运行数据对制冷站能耗模型进行校准。
(d)选择的冷机模型能够输出制冷量和耗电量并且选择的水泵模型能够输出输送能量和耗电量。该方法利用校准后的模型开展制冷站的运行评价,能效评价指标计算用到的数据有一部分是通过模型仿真得到的。
(4)将菜单栏左侧的数据连接选中,将设备的数据流进行连接;
(5)双击每个设备模型,出现参数设置面板,设置模型参数;
(6)右键上述第(2)步建立的项目空白处,打开此项目的控制面板,设定项目模拟所需的相关参数,包括模拟时间步长、模拟开始时间和模拟结束时间参数。
步骤三、采用TRNSYS与GenOpt联合运行实现对制冷站能耗模型参数的校准,具体步骤如下:
(1)在TRNSYS的模型参数汇总表中选取需要校准的模型参数并给定参数的取值范围;
所述的制冷站能耗模型需要校准的参数包括冷却塔、一级泵和冷却泵的额定功率;二级泵的效率;冷机和二级泵的流量分配比例以及冷机耗电比随冷机负荷率(PLR)变化的性能曲线。
所述的参数取值范围需要根据工程先验知识和实际情况进行选取。
(2)从GenOpt自带的优化算法库中选取优化算法并设置算法参数,选取通用的优化算法即可实现优化;
(3)选取均方根误差变化系数CVRMSE作为对制冷站总能耗进行优化迭代的目标函数,直至均方根误差变化系数CVRMSE最终的校准误差收敛或达到最大设定迭代次数为止,然后判断最终的校准误差是否满足设定的校准指标的精度要求,若满足要求则进行步骤(5),否则进行步骤(4);最终的校准误差需要满足校准指标的精度要求包括ASHRAEGuideline 14、IPMVP、FEMP这些标准对校准精度的要求。
均方根误差变化系数计算方程如下:
式中yi为实际监测的第i小时的制冷站总能耗数据;为通过制冷站能耗模型模拟得到的第i小时的制冷站总能耗数据,n为数据个数。
(4)在GenOpt自带的优化算法库中选取另外的优化算法或者加大优化算法迭代次数,然后重复步骤(3),直至最终的校准误差满足设定的校准指标的精度要求。
(5)建立TRNSYS与GenOpt之间的数据连接;
(6)打开GenOpt,加载数据连接文件,实现自动校准。
步骤四、校准过程结束后,GenOpt生成校准过程文档以及模型参数的最终校准结果文档,打开所述校准结果文档,将参数校准结果输入到在TRNSYS中建立的制冷站能耗模型中,运行模拟得到冷机和水泵的逐时耗电量数据、冷机的制冷量数据以及水泵的输送能量数据,进而计算得到冷机运行COP和水泵输送系数,计算式如下:
式中,COPi为第i台冷机的运行效率,无量纲;Chilleri Q为第i台冷机的制冷量,kW;为第i台冷机的耗电量,kW。
式中,WTFpumpk为第k台水泵的输送系数,无量纲;为第k台水泵的输送能量,kW;为第k台水泵的耗电量,kW。
实施例1
(1)以中国上海市某制冷站为例。该集中制冷站主要为汽车生产厂房提供冷量,为二级泵变流量系统,包含三台冷机、三台冷却泵、三台冷塔、三台一级泵和三台二级泵。通过实地调研得到的制冷站的设计资料见表1。
(2)通过集中制冷站数据监测平台,获取了系统2018/7/17-2018/8/9共576小时的逐时运行数据,包括用户回水总管的流量和温度,二级泵前后压差,每台冷机的冷冻供水温度,所有设备(冷机、水泵、冷塔)的启停状态以及所有设备的总能耗。在此期间,PCWP-3并未使用,在后续所有过程中没有涉及该水泵。将各监测参数的逐时数据进行初筛处理,剔除格式错误、不合理数据,最终得到374小时的有效数据。
(3)根据收集得到的制冷站设计资料以及运行数据,选择以下模型,见表2。所选模型可以输出逐时耗电量和能效评价指标计算所需数据,关于模型的详细描述以及模型计算过程可以参考TRNSYS的模型文档。
(4)根据制冷站管路连接情况,连接各个设备模型的数据流,并打开项目的控制面板设置模拟时间步长为1h,模拟开始时间为第1h,模拟结束时间为第374h。
(5)根据工程先验知识和实际情况选取冷却塔、一级泵和冷却泵的额定功率,二级泵的效率,冷机、二级泵的流量分配比例和冷机耗电比随冷机负荷率(PLR)变化的性能曲线进行校准。
表1制冷站设计资料
表2设备模型
(6)根据先验知识和制冷站实际情况,水泵效率取值范围为[0.4,0.8],并联管道流量分配比例取值范围为[0.85,1.15],冷机耗电比取值范围为[PLR-0.2,PLR+0.2]。其它校准参数在设计值-35%~+35%内取值,参数取值范围见表3。
(7)选取GenOpt优化算法库中的混合粒子群-虎克捷夫(GPS Hooke-Jeeves)优化算法,粒子数为20,最大迭代次数为3000次。
(8)优化迭代的目标函数是使制冷站逐时模拟总能耗与实测总能耗CVRMSE最小。计算公式如下:
式中yi为实际监测的第i小时的制冷站总能耗数据;为通过制冷站能耗模型模拟得到的第i小时的制冷站总能耗数据,n为数据个数。
表3校准参数及校准范围表
(9)建立TRNSYS与GenOpt之间的数据连接,打开GenOpt并加载数据连接文件,进行自动校准。参数校准结果见表4。
(10)将表4中的制冷站能耗模型参数校准结果值输入到制冷站能耗模型中,运行模拟,可以得到模型模拟的制冷站总能耗。校准误差如表5所示,ASHRAE Guideline 14、IPMVP、FEMP这些标准对校准精度的要求如表6所示。制冷站能耗模型参数校准后的校准精度满足上述3个标准的要求,完成校准任务。
表4制冷站能耗模型参数校准结果表
表5制冷站能耗模型参数校准前后误差评价指标
表6各标准对校准精度要求
(11)将表4中的制冷站能耗模型参数校准结果值输入到制冷站能耗模型中,运行模拟,可以得到各台冷机制冷量和耗电量,各台水泵的输送能量和耗电量。
(12)利用模拟得到的各台冷机制冷量和耗电量,各台水泵的输送能量和耗电量,计算得到每台冷机的运行COP和每台水泵的输送系数。计算结果见表7。
由表7可知,1号冷机的运行COP最高,2号冷机的运行COP居中,3号冷机的运行COP最低;2号一级泵的输送系数要高于1号一级泵的;1号二级泵的输送系数最低,2号二级泵的输送系数居中,3号二级泵的输送系数最高;2号冷却泵的输送系数最低,1号冷却泵的输送系数居中,3号冷却泵的输送系数最高。其中能效相对较低设备为1号冷机、2号一级泵、1号二级泵和2号冷却泵。建议对这低效设备开展进一步的故障排查工作。
表7能效评价指标计算结果
需要声明的是,本发明内容及具体实施方式意在证明本发明所提供技术方案的实际应用,不应解释为对本发明保护范围的限定。本领域技术人员在本发明的精神和原理启发下,可作各种修改、等同替换、或改进。但这些变更或修改均在申请待批的保护范围之内。
Claims (1)
1.基于部分运行数据和模型校准的制冷站运行评价方法,其特征在于包括以下步骤:
步骤一、收集制冷站的静态数据和运行数据;
所述的静态数据,包括制冷站设计图纸、各个设备的铭牌参数和性能参数;
收集制冷站的运行数据包括以下步骤:
首先对供冷季内的以下数据进行实时采集并且每隔一小时进行记录,所述的运行数据包括用户回水总管温度、流量、冷机供水温度和变频水泵前后压差,所有设备的启停状态和制冷站总能耗数据;
然后对原始运行数据进行预处理,去掉其中的不理想数据;
步骤二、建立制冷站能耗模型,具体步骤如下:
(1)打开TRNSYS软件中的Simulation Studio模块;
(2)新建空白项目;
(3)从菜单栏右侧的设备模型库中选择需要的设备模型并用鼠标拖入空白项目中;
在选择需要的设备模型时,需要满足以下条件:
(a)对于水泵,区分变频水泵和定频水泵;对于冷机组,区分水冷式机组和风冷式机组;对于冷却塔,区分开式冷却塔和闭式冷却塔;
(b)所选模型需要的数据能够在现有运行数据里找到;
(c)所选模型能够输出设备模拟总电耗;
(d)选择的冷机模型能够输出制冷量和耗电量并且选择的水泵模型能够输出输送能量和耗电量;
(4)将菜单栏左侧的数据连接选中,将设备的数据流进行连接;
(5)双击每个设备模型,出现参数设置面板,设置模型参数;
(6)右键上述第(2)步建立的项目空白处,打开此项目的控制面板,设定项目模拟所需的相关参数,包括模拟时间步长、模拟开始时间和模拟结束时间参数;
步骤三、采用TRNSYS与GenOpt联合运行实现对制冷站能耗模型参数的校准,具体步骤如下:
(1)在TRNSYS的模型参数汇总表中选取需要校准的模型参数并给定参数的取值范围;
所述的制冷站能耗模型需要校准的参数包括冷却塔、一级泵和冷却泵的额定功率;二级泵的效率;冷机和二级泵的流量分配比例以及冷机耗电比随冷机负荷率变化的性能曲线;
(2)从GenOpt自带的优化算法库中选取优化算法并设置算法参数;
(3)选取均方根误差变化系数CVRMSE作为对制冷站总能耗进行优化迭代的目标函数,直至均方根误差变化系数CVRMSE最终的校准误差收敛或达到最大设定迭代次数为止,然后判断最终的校准误差是否满足设定的校准指标的精度要求,若满足要求则进行步骤(5),否则进行步骤(4);最终的校准误差需要满足校准指标的精度要求包括ASHRAE Guideline14、IPMVP、FEMP这些标准对校准精度的要求;
均方根误差变化系数计算方程如下:
式中yi为实际监测的第i小时的制冷站总能耗数据;为通过制冷站能耗模型模拟得到的第i小时的制冷站总能耗数据,n为数据个数;
(4)在GenOpt自带的优化算法库中选取另外的优化算法或者加大优化算法迭代次数,然后重复步骤(3),直至最终的校准误差满足设定的校准指标的精度要求;
(5)建立TRNSYS与GenOpt之间的数据连接;
(6)打开GenOpt,加载数据连接文件,实现自动校准;
步骤四、校准过程结束后,GenOpt生成校准过程文档以及模型参数的最终校准结果文档,打开所述校准结果文档,将参数校准结果输入到在TRNSYS中建立的制冷站能耗模型中,运行模拟得到冷机和水泵的逐时耗电量数据、冷机的制冷量数据以及水泵的输送能量数据,进而计算得到冷机运行COP和水泵输送系数,计算式如下:
式中,copi为第i台冷机的运行效率,无量纲;Chilleri Q为第i台冷机的制冷量,kW;为第i台冷机的耗电量,kW;
式中,WTFpumpk为第k台水泵的输送系数,无量纲;为第k台水泵的输送能量,kW;为第k台水泵的耗电量,kW。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910760429.3A CN110570024A (zh) | 2019-08-16 | 2019-08-16 | 基于部分运行数据和模型校准的制冷站运行评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910760429.3A CN110570024A (zh) | 2019-08-16 | 2019-08-16 | 基于部分运行数据和模型校准的制冷站运行评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110570024A true CN110570024A (zh) | 2019-12-13 |
Family
ID=68775527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910760429.3A Pending CN110570024A (zh) | 2019-08-16 | 2019-08-16 | 基于部分运行数据和模型校准的制冷站运行评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570024A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919473A (zh) * | 2021-08-31 | 2022-01-11 | 建科环能科技有限公司 | 将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636677A (zh) * | 2019-01-17 | 2019-04-16 | 天津大学 | 基于模型校准的建筑热工性能评估方法 |
CN109780693A (zh) * | 2017-11-09 | 2019-05-21 | 沈阳工业大学 | 一种中央空调冷水机组能效监测评价方法 |
CN109933850A (zh) * | 2019-02-02 | 2019-06-25 | 天津大学 | 一种居住建筑热负荷模型分步校准方法 |
-
2019
- 2019-08-16 CN CN201910760429.3A patent/CN110570024A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109780693A (zh) * | 2017-11-09 | 2019-05-21 | 沈阳工业大学 | 一种中央空调冷水机组能效监测评价方法 |
CN109636677A (zh) * | 2019-01-17 | 2019-04-16 | 天津大学 | 基于模型校准的建筑热工性能评估方法 |
CN109933850A (zh) * | 2019-02-02 | 2019-06-25 | 天津大学 | 一种居住建筑热负荷模型分步校准方法 |
Non-Patent Citations (3)
Title |
---|
WANCHENG LI: ""Stepwise calibration for residential building thermal performance model using hourly heat consumption data", ENERGY & BUILDINGS》, pages 2 * |
李倩如: ""基于 TRNSYS 的复合能源系统运行策略寻优模块的构建"", 《经济与管理科学辑》, pages 2 * |
陈敏: ""基于蒸发冷却空调系统的能耗分析软件选择分析"" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919473A (zh) * | 2021-08-31 | 2022-01-11 | 建科环能科技有限公司 | 将粒子群算法和虎克捷夫算法融合的方法及装置、优化虎克捷夫算法的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019200662A1 (zh) | 电-热-气综合能源系统的稳定评估与静态控制方法 | |
WO2021062748A1 (zh) | 综合能源系统的优化方法、装置和计算机可读存储介质 | |
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
CN111027730B (zh) | 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法 | |
WO2021062753A1 (zh) | 综合能源系统的仿真方法、装置和计算机可读存储介质 | |
CN111830350B (zh) | 能耗计量方法、装置及电器 | |
CN103942726A (zh) | 电网设备状态评价工作智能核查方法 | |
CN101871448B (zh) | 一种泵站水泵特性曲线确定方法及系统 | |
CN102682348A (zh) | 复杂装备部件维修级别优化系统及其建立方法 | |
CN108764626B (zh) | 一种节能诊断方法和装置 | |
CN112781131A (zh) | 制冷机房运行能效分析及其优化后达到高效节能的方法 | |
CN112728723A (zh) | 一种智能化群控系统监测分析制冷机房运行能效的方法 | |
CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
CN107942873A (zh) | 一种家具制造生产线的运营成本智能化核算及监控方法 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN110570024A (zh) | 基于部分运行数据和模型校准的制冷站运行评价方法 | |
CN109163415B (zh) | 中央空调水系统调试方法、故障诊断方法、运行优化方法 | |
CN103498706A (zh) | 基于通用逻辑表格的汽轮机组性能监测诊断方法 | |
CN106599201B (zh) | 一种燃气输配设备的全生命周期管理方法 | |
CN105391075A (zh) | 线损无功电压综合管理方法 | |
CN109977577B (zh) | 考虑天然气输配管网不确定性的气-电耦合系统可靠性评估方法 | |
CN113919204B (zh) | 一种多状态制造系统可用性综合重要度分析方法 | |
CN109973159A (zh) | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 | |
CN102231081B (zh) | 一种流程工业设备用能状态诊断方法 |
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 |