CN110688740A - 基于Modelica联合仿真优化的冷水机房模型校准方法 - Google Patents
基于Modelica联合仿真优化的冷水机房模型校准方法 Download PDFInfo
- Publication number
- CN110688740A CN110688740A CN201910854595.XA CN201910854595A CN110688740A CN 110688740 A CN110688740 A CN 110688740A CN 201910854595 A CN201910854595 A CN 201910854595A CN 110688740 A CN110688740 A CN 110688740A
- Authority
- CN
- China
- Prior art keywords
- water
- model
- temperature
- calibration
- optimization
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 112
- 238000004088 simulation Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims abstract description 5
- 239000000498 cooling water Substances 0.000 claims description 30
- 238000001816 cooling Methods 0.000 claims description 19
- 238000005057 refrigeration Methods 0.000 claims description 12
- 238000013459 approach Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000011217 control strategy Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了基于Modelica联合仿真优化的冷水机房模型校准方法,首先基于Modelica语言建立设备的数学模型;之后选取需要被校准的模型参数和校准目标并对Modelica模型进行仿真计算,以一段时间内仿真结果与实测值的归一化平均误差最小为优化目标,使用粒子群优化算法对模型参数不断进行优化,直至误差达到最小值输出此时的参数优化结果;之后使用归一化平均误差,均方根误差和皮尔逊相关系数对校准结果进行评价。本发明的基于Modelica联合仿真优化的冷水机房模型校准方法可以使得模型的仿真结果很好的贴合实际。
Description
技术领域
本发明涉及建筑能源系统建模与仿真方法,尤其涉及一种基于Modelica联合仿真优化的冷水机房模型校准方法。
技术背景
目前,集中式冷水机房广泛用于建筑内的中央空调系统供能,其运行能耗在建筑中占据了主要部分,良好的控制策略可以大大节约系统能耗,因此系统建模仿真与控制策略优化成为了降低系统运行能耗的重要途径之一。基于模型的预测控制(MPC)的发展为暖通空调系统控制策略的选择和制定提供了有效的解决办法。MPC的基本思想是利用被研究系统的模型来预测未来的状态,在存在扰动的边界和约束的情况下,使预测周期内的某个成本函数最小化,属于一种实时滚动的优化过程。与传统的控制方法相比,MPC消除了参数整定繁琐、预测能力较弱、监控实现困难、对各种工况适应性差等缺点。但是MPC能否取得良好的控制效果取决于模型是否能够反映实际,应用厂家样本和额定参数的模型能不能反映实际系统的性能,尤其是对于已经开始运行的系统,应该利用监测数据对模型重新进行校准。因此使用模拟软件或编程语言建立贴合实际的模型成为了能否建立合适的控制策略的基础。
现有的很多建筑能耗模拟软件对模型的简化和忽视设备的水力特性建模,使得其很难用于控制策略的仿真和反映实际系统的动态特性,尤其是需要考虑压差控制的系统,水力模型需要重新在模型中进行构建。但是模拟软件中设备模型通常被封装在模型内部,用户很难进行更改并重新建立模型。而使用常规的编程语言如Matlab,C,Python等进行建模又需要考虑方程的求解和层次化的系统模型框架等问题,不适合对大规模的暖通空调系统进行建模。
发明内容
本发明的目的在于基于实际测量数据,提供一种基于Modelica联合仿真优化的冷水机房模型校准方法,采用本方法使得仿真模型和实际设备性能有较好的一致性。
本发明是这样实现的:
基于Modelica联合仿真优化的冷水机房模型校准方法,其特征在于包括如下步骤:
步骤一、使用Modelica语言对制冷站的冷水机组、水泵以及冷却塔分别建模;
其中,冷水机组模型的计算公式为:
P=Pref·CAPFT·EIRFT·EIRFPLR
上式中:CAPFT用于描述冷水机组在不同工况下可用制冷量的差异,EIRFT和EIRFPLR分别用于修正冷水机组满负荷和部分负荷状态下的耗电输热比;通过CAPFT、EIRFT和EIRFPLR三条曲线分别描述冷水机组性能;PLR为冷水机组负载率,P为冷水机组的功率;
其中,Tchw,out为冷冻水出水温度,K;Tcw,out为冷却水离开冷水机组的温度,K;Qeva为当前制冷量,kW;Qref为参考制冷量,kW;Pchi为当前冷水机组功率;Pref为参考功率,kW;[a1...a6;b1...b6;c1...c7]为多项式系数;
水泵模型的公式如下:
H=d1+d2Q+d3Q2.
Ppump=e1+e2Q+e3Q2
其中,H为水泵扬程,mH2O;Ppump为水泵功率,kW;Q为水泵流量,m3/h;[d1,d2,d3;e1,e2,e3]为多项式系数;
冷却塔模型的计算公式如下:
Tcw=TApp+Twb
其中:Tcw为冷却水出水温度,K;TApp,为设计接近温度,K;Tr为设计进出口温差,K;Twb为室外湿球温度,K;Lgr为液气比;mwat,ac为当前冷却水流量,kg/s;mwat,no为额定冷却水流量,kg/s;mair,ac为当前空气流量,kg/s;mair,no为额定空气流量,kg/s;[f1...f27]为多项式系数;
步骤二、对各个模型的参数和系数进行优化,具体过程如下:
第一步,确定各设备模型的校准边界,调节参数和校准目标,具体如下:
冷水机组模型的输入边界为冷冻水流量、冷冻水出水温度、冷冻水回水温度和冷却水进水温度;调节参数为[a1...a6;b1...b6;c1...c7];校准目标为冷水机组功率;
冷却塔模型输入边界为冷却水流量、空气流量、冷却水进水温度和室外空气湿球温度;调节参数为设计接近温度和设计进出水温差;校准目标为冷却水出水温度;
水泵模型的输入边界为运行台数、频率和扬程;调节参数为[d1,d2,d3;e1,e2,e3];校准目标为流量和功率;
第二步,使用Dymola作为Modelica语言的编译和计算工具,采用各模型进行仿真计算得到校准目标的仿真结果;
第三步,通过校准目标的实测值和仿真结果计算得到归一化平均误差NMBE;
第四步,将第三步校准目标的归一化平均误差输入粒子群优化算法,对模型调节参数进行优化,并输出新的调节参数值;
第五步,优化脚本调用Dymola,重复第二步和第三步进行联合仿真,然后重复步骤四以最小化校准目标的归一化平均误差作为优化目标不断对模型进行仿真计算,直到校准目标的归一化平均误差达到最小输出值,结束优化过程;
步骤三、使用归一化平均误差、均方根误差和皮尔逊相关系数对模型校准结果进行综合评价。
本发明具有以下的优点和积极效果:
本发明提出的基于Modelica联合仿真优化的冷水机房模型校准方法,使得仿真模型和实际设备性能有较好的一致性。精确的仿真模型为建筑能源系统的节能运行,优化控制策略甚至基于模型的故障诊断奠定了良好的基础。此外,基于Modelica语言开发的仿真工具能够自适应时间步长和检测事件,以捕捉短时间内的系统动态特性和处理离散的状态变量,使得其更适合用于反映由热力,水力和控制耦合组成的动态系统特性。
附图说明
图1是本发明的基于Modelica的设备模型校准方法的校准流程图;
图2是采用本发明方法对冷水机组校准结果图;
图3是采用本发明方法对冷却塔校准结果图;
图4是采用本发明方法对水泵校准结果图。
具体实施方式
下面结合附图和具体实施案例对本发明中基于Modelica联合仿真优化的冷水机房模型校准方法的具体步骤进行详细描述。
基于Modelica联合仿真优化的冷水机房模型校准方法,包括如下步骤:
步骤一、使用Modelica语言对制冷站的冷水机组、水泵以及冷却塔分别建模;
其中,冷水机组模型的计算公式为:
P=Pref·CAPFT·EIRFT·EIRFPLR
上式中:CAPFT用于描述冷水机组在不同工况下可用制冷量的差异,EIRFT和EIRFPLR分别用于修正冷水机组满负荷和部分负荷状态下的耗电输热比。通过CAPFT、EIRFT和EIRFPLR三条曲线分别描述冷水机组性能。PLR为冷水机组负载率,P为冷水机组的功率;
其中,Tchw,out为冷冻水出水温度,K;Tcw,out为冷却水离开冷水机组的温度,K;Qeva为当前制冷量,kW;Qref为参考制冷量,kW;Pchi为当前冷水机组功率;Pref为参考功率,kW;[a1...a6;b1...b6;c1...c7]为多项式系数,可以通过校准得到。Tchw,out,Tcw,out,Qeva和Pchi为实测值,[a1...a6;b1...b6;c1...c7]为待校准值,Qref和Pref可从样本数据中获取。
该模型的建模方法可以具体参见:Hydeman,M.and K.L.Gillespie,Tools andtechniques to calibrate electric chiller component models.ASHRAEtransactions,2002.108(1):p.733-741.(校准电冷水机组部件模型的工具和技术)。
水泵模型(基于流量-扬程曲线和流量-功率曲线进行计算)的计算基于流量-扬程曲线和流量-功率曲线进行计算公式如下:
H=d1+d2Q+d3Q2.
Ppump=e1+e2Q+e3Q2
其中,H为水泵扬程,mH2O;Ppump为水泵功率,kW;Q为水泵流量,m3/h;[d1,d2,d3;e1,e2,e3]为多项式系数。H,Ppump和Q为实测值,[d1,d2,d3;e1,e2,e3]为待校准值。
该模型的建模方法可以具体参见:Wetter,M.Fan and pump model that has aunique solution for any pressure boundary condition and control signal.inProc.of the 13-th IBPSA Conference.2013(对任何压力边界条件和控制信号都有唯一的解风机和水泵模型)。
冷却塔模型使用接近温度计算冷却水出水温度,模型的计算公式如下:
Tcw=TApp+Twb
其中:Tcw为冷却水出水温度,K;TApp,为设计接近温度,K;Tr为设计进出口温差,K;Twb为室外湿球温度,K;Lgr为液气比;mwat,ac为当前冷却水流量,kg/s;mwat,no为额定冷却水流量,kg/s;mair,ac为当前空气流量,kg/s;mair,no为额定空气流量,kg/s;[f1...f27]为多项式系数。Tcw,Twb,mwat,ac和mair,ac为实测值,TApp和Tr为待校准值,mwat,no和mair,no可从样本数据中获取,[f1...f27]的取值详见Energyplus工程参考手册。
该模型的建模方法可以具体参见:DoE,U.S.,Energyplus engineeringreference.The reference to energyplus calculations,2010.(Energyplus工程参考手册)。
步骤二、对各个模型的参数和系数进行优化,具体过程如下:
第一步,确定各设备模型的校准边界,调节参数和校准目标,具体如下:
冷水机组模型的输入边界为冷冻水流量、冷冻水出水温度、冷冻水回水温度和冷却水进水温度;调节参数为[a1...a6;b1...b6;c1...c7];校准目标为冷水机组功率。
冷却塔模型输入边界为冷却水流量、空气流量、冷却水进水温度和室外空气湿球温度;调节参数为设计接近温度和设计进出水温差;校准目标为冷却水出水温度;
水泵模型的输入边界为运行台数、频率和扬程;调节参数为[d1,d2,d3;e1,e2,e3];校准目标为流量和功率。
第二步,使用Dymola作为Modelica语言的编译和计算工具,采用各模型进行仿真计算得到校准目标的仿真结果;
第三步,通过校准目标的实测值和仿真结果计算得到归一化平均误差NMBE;
第四步,将第三步校准目标的归一化平均误差输入粒子群优化算法,对模型调节参数进行优化,并输出新的调节参数值;
第五步,优化脚本调用Dymola,重复第二步和第三步进行联合仿真,然后重复步骤四以最小化校准目标的归一化平均误差NMBE作为优化目标不断对模型进行仿真计算,直到校准目标的归一化平均误差达到最小输出值,结束优化过程。
调节参数的优化目标J由下式表示:
其中:S(t)为t时刻的仿真结果,M(t)为t时刻的实测值,t0为起始时间,Δt为校准周期。
模型校准的流程图如图1所示。
步骤三、使用归一化平均误差NMBE、均方根误差(RMSE)和皮尔逊相关系数(PCC)对模型校准结果进行综合评价。
除了使用NMBE作为评价指标,为了能更直观的反映温度仿真结果与实际值之间的差异,使用RMSE作为温度差异评价指标,如下式所示:
其中:Si为仿真结果,Mi为实测值,m为实测数据的个数。
此外仅通过误差并不能完全表示仿真结果与实际结果趋势的一致性,我们使用Pearson Correlation Coefficient(PCC)作为补充指标进行评价,如下式所示:
NMBE和RMSE的数值越小证明仿真结果与实测值的差异越小,PCC的数值越大,证明仿真结果与实测值的变化趋势一致校准结果更好。
实施例1
所用数据来自2018.7.17-2018.7.28某冷水机房的实测数据,将数据分为两部分,70%的数据用于模型校准,30%用于验证校准结果。
步骤一,使用Modelica语言对制冷站的主要设备:冷水机组,冷却塔和水泵进行建模。设备的数学模型如下所示:
(1)冷水机组模型基于如下三条曲线描述冷水机组性能,其中CAPFT描述冷水机组在不同工况下可用制冷量的差异,EIRFT和EIRFPLR用于修正满负荷和部分负荷状态下的耗电输热比。
制冷机组当前负载率计算如下:
最后,冷水机组的功率由下式计算:
P=Pref·CAPFT·EIRFT·EIRFPLR
其中,Tchw,out为冷冻水出水温度,K;Tcw,out为冷却水离开冷水机组的温度,K;Qeva为当前制冷量,kW;Qref为参考制冷量,kW;Pchi为当前冷水机组功率;Pref为参考功率,kW;[a1...a6;b1...b6;c1...c7]为多项式系数,PLR为冷水机组负载率。
(2)水泵模型基于流量-扬程曲线和流量-功率曲线进行计算。
H=d1+d2Q+d3Q2.
Ppump=e1+e2Q+e3Q2
其中,H为水泵扬程,mH2O;Ppump为水泵功率,kW;Q为水泵流量,m3/h。
(3)冷却塔模型使用接近温度计算冷却水出水温度,接近温度使用冷却塔进出口温差,室外湿球温度和液气比的函数计算。
Tcw=TApp+Twb
其中:Tcw为冷却水出水温度,K;TApp,为设计接近温度,K;Tr为设计进出口温差,K;Twb为室外湿球温度,K;Lgr为液气比;mwat,ac为当前冷却水流量,kg/s;mwat,no为额定冷却水流量,kg/s;mair,ac为当前空气流量,kg/s;mair,no为额定空气流量,kg/s;[f1...f27]为多项式系数。
步骤二,冷水机组,冷却塔和水泵的校准输入边界,调节参数和校准目标如表1所示。
表1模型输入边界,调节参数和校准目标
以实测数据输入Modelica模型,使用Dymola作为仿真工具进行仿真计算。使用优化脚本调用Dymola进行联合仿真,选用粒子群算法作为优化算法以最小化NMBE作为优化目标调节模型校准参数,直至目标值最小。
步骤三,采用校准后的模型进行仿真并对NMBE,RMSE和PCC计算,相应模型的调节参数和校准结果如下表2所示。
参数经过优化后的模型仿真结果与实测值的对比如图2~4所示。仿真结果与实测数据吻合较好,冷水机组功率的NMBE在4%以内,PCC在0.9以上;冷却塔出口温度RMSE约为0.3K,PCC在0.9以上;水泵流量和功率的NMBE大多在6%以内,PCC在0.85以上。
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Modelica联合仿真优化的冷水机房模型校准方法,其特征在于包括如下步骤:
步骤一、使用Modelica语言对制冷站的冷水机组、水泵以及冷却塔分别建模;
其中,冷水机组模型的计算公式为:
P=Pref·CAPFT·EIRFT·EIRFPLR
上式中:CAPFT用于描述冷水机组在不同工况下可用制冷量的差异,EIRFT和EIRFPLR分别用于修正冷水机组满负荷和部分负荷状态下的耗电输热比;通过CAPFT、EIRFT和EIRFPLR三条曲线分别描述冷水机组性能;PLR为冷水机组负载率,P为冷水机组的功率;
其中,Tchw,ou为冷冻水出水温度,K;Tcw,out为冷却水离开冷水机组的温度,K;Qeva为当前制冷量,kW;Qref为参考制冷量,kW;Pchi为当前冷水机组功率;Pref为参考功率,kW;[a1...a6;b1...b6;c1...c7]为多项式系数;
水泵模型的公式如下:
H=d1+d2Q+d3Q2.
Ppump=e1+e2Q+e3Q2
其中,H为水泵扬程,mH2O;Ppump为水泵功率,kW;Q为水泵流量,m3/h;[d1,d2,d3;e1,e2,e3]为多项式系数;
冷却塔模型的计算公式如下:
Tcw=TApp+Twb
其中:Tcw为冷却水出水温度,K;TApp,为设计接近温度,K;Tr为设计进出口温差,K;Twb为室外湿球温度,K;Lgr为液气比;mwat,ac为当前冷却水流量,kg/s;mwat,no为额定冷却水流量,kg/s;mair,ac为当前空气流量,kg/s;mair,no为额定空气流量,kg/s;[f1...f27]为多项式系数;
步骤二、对各个模型的参数和系数进行优化,具体过程如下:
第一步,确定各设备模型的校准边界,调节参数和校准目标,具体如下:
冷水机组模型的输入边界为冷冻水流量、冷冻水出水温度、冷冻水回水温度和冷却水进水温度;调节参数为[a1...a6;b1...b6;c1...c7];校准目标为冷水机组功率;
冷却塔模型输入边界为冷却水流量、空气流量、冷却水进水温度和室外空气湿球温度;调节参数为设计接近温度和设计进出水温差;校准目标为冷却水出水温度;
水泵模型的输入边界为运行台数、频率和扬程;调节参数为[d1,d2,d3;e1,e2,e3];校准目标为流量和功率;
第二步,使用Dymola作为Modelica语言的编译和计算工具,采用各模型进行仿真计算得到校准目标的仿真结果;
第三步,通过校准目标的实测值和仿真结果计算得到归一化平均误差NMBE;
第四步,将第三步校准目标的归一化平均误差输入粒子群优化算法,对模型调节参数进行优化,并输出新的调节参数值;
第五步,优化脚本调用Dymola,重复第二步和第三步进行联合仿真,然后重复步骤四以最小化校准目标的归一化平均误差作为优化目标不断对模型进行仿真计算,直到校准目标的归一化平均误差达到最小输出值,结束优化过程;
步骤三、使用归一化平均误差、均方根误差和皮尔逊相关系数对模型校准结果进行综合评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854595.XA CN110688740A (zh) | 2019-09-10 | 2019-09-10 | 基于Modelica联合仿真优化的冷水机房模型校准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854595.XA CN110688740A (zh) | 2019-09-10 | 2019-09-10 | 基于Modelica联合仿真优化的冷水机房模型校准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110688740A true CN110688740A (zh) | 2020-01-14 |
Family
ID=69107976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910854595.XA Pending CN110688740A (zh) | 2019-09-10 | 2019-09-10 | 基于Modelica联合仿真优化的冷水机房模型校准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688740A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111536639A (zh) * | 2020-05-08 | 2020-08-14 | 东南大学 | 一种基于拉格朗日乘子法的冷水机组运行优化控制方法 |
CN112084707A (zh) * | 2020-09-02 | 2020-12-15 | 西安建筑科技大学 | 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统 |
CN113591275A (zh) * | 2021-07-16 | 2021-11-02 | 苏州同元软控信息技术有限公司 | modelica模型校准的方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968250A (zh) * | 2010-10-13 | 2011-02-09 | 日滔贸易(上海)有限公司 | 一种冷冻机房节能优化控制系统及方法 |
CN106642993A (zh) * | 2015-07-28 | 2017-05-10 | 林德股份公司 | 空气分离装置、操作方法和控制设施 |
CN109765797A (zh) * | 2018-12-20 | 2019-05-17 | 广东美的暖通设备有限公司 | 一种空调节能仿真系统 |
CN110107989A (zh) * | 2019-04-30 | 2019-08-09 | 北京工业大学 | 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 |
-
2019
- 2019-09-10 CN CN201910854595.XA patent/CN110688740A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968250A (zh) * | 2010-10-13 | 2011-02-09 | 日滔贸易(上海)有限公司 | 一种冷冻机房节能优化控制系统及方法 |
CN106642993A (zh) * | 2015-07-28 | 2017-05-10 | 林德股份公司 | 空气分离装置、操作方法和控制设施 |
CN109765797A (zh) * | 2018-12-20 | 2019-05-17 | 广东美的暖通设备有限公司 | 一种空调节能仿真系统 |
CN110107989A (zh) * | 2019-04-30 | 2019-08-09 | 北京工业大学 | 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 |
Non-Patent Citations (4)
Title |
---|
U.S. DEPARTMENT OF ENERGY: "The reference to energyplus calculations" * |
YANGYANG FU等: "Equation-based object-oriented modeling and simulation for data center cooling: A case study" * |
乔镖: "《公共建筑节能设计标准》整体性能化评价方法研究" * |
王碧玲: "基于数学模型的冷水机组节能量计算方法研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111536639A (zh) * | 2020-05-08 | 2020-08-14 | 东南大学 | 一种基于拉格朗日乘子法的冷水机组运行优化控制方法 |
CN112084707A (zh) * | 2020-09-02 | 2020-12-15 | 西安建筑科技大学 | 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统 |
CN113591275A (zh) * | 2021-07-16 | 2021-11-02 | 苏州同元软控信息技术有限公司 | modelica模型校准的方法、装置和设备 |
CN113591275B (zh) * | 2021-07-16 | 2023-08-29 | 苏州同元软控信息技术有限公司 | modelica模型校准的方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9664400B2 (en) | Automated technique of measuring room air change rates in HVAC system | |
CN110688740A (zh) | 基于Modelica联合仿真优化的冷水机房模型校准方法 | |
CN105020843B (zh) | 空调器的控制方法和空调器的控制装置以及空调器 | |
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 | |
CN105571073B (zh) | 一种地铁站空调水系统变频控制节能方法 | |
CN110736227A (zh) | 具有在线可配置系统标识的建筑物管理系统 | |
Vakiloroaya et al. | Energy-efficient HVAC systems: Simulation–empirical modelling and gradient optimization | |
CN104566765A (zh) | 中央空调整体节能控制方法 | |
CN112084707A (zh) | 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统 | |
Gao et al. | An optimization strategy for the control of small capacity heat pump integrated air-conditioning system | |
Wang | A steady-state empirical model for evaluating energy efficient performance of centrifugal water chillers | |
Li | Development and validation of a dynamic air handling unit model, Part I | |
Seo et al. | Comparative analysis of cooling energy performance between water-cooled VRF and conventional AHU systems in a commercial building | |
JP2023510530A (ja) | ビル設備エネルギー管理制御システム及びその制御方法 | |
Dong et al. | Integrated energy performance modeling for a retail store building | |
CN108302732A (zh) | 空调控制方法及空调器 | |
Niemelä et al. | Dynamic simulation methods of heat pump systems as a part of dynamic energy simulation of buildings | |
CN111023261B (zh) | 降低多联机内机噪音的方法、装置及多联机 | |
JP6972468B2 (ja) | 空調装置の評価装置および評価方法 | |
Giannetti et al. | Experimental implementation of artificial neural network for cost effective and non-intrusive performance estimation of air conditioning systems | |
Zhang et al. | A review of static pressure reset control in variable air volume air condition system | |
Pascual et al. | Heat ventilation and air conditioning modelling for model based fault detection and diagnosis | |
CN115754513A (zh) | 基于电耗数据的建筑空调能效诊断系统 | |
CN202210037U (zh) | 一种用于空调柜机的半实物仿真测试装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200114 |
|
WD01 | Invention patent application deemed withdrawn after publication |