CN110906519A - 基于机器学习的风冷式冷水机组的能耗优化方法与系统 - Google Patents

基于机器学习的风冷式冷水机组的能耗优化方法与系统 Download PDF

Info

Publication number
CN110906519A
CN110906519A CN201911237834.3A CN201911237834A CN110906519A CN 110906519 A CN110906519 A CN 110906519A CN 201911237834 A CN201911237834 A CN 201911237834A CN 110906519 A CN110906519 A CN 110906519A
Authority
CN
China
Prior art keywords
energy consumption
air
machine learning
data
sensor
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
Application number
CN201911237834.3A
Other languages
English (en)
Inventor
张发恩
徐凤逸
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.)
Innovation Qizhi (chongqing) Technology Co Ltd
Original Assignee
Innovation Qizhi (chongqing) Technology Co Ltd
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 Innovation Qizhi (chongqing) Technology Co Ltd filed Critical Innovation Qizhi (chongqing) Technology Co Ltd
Priority to CN201911237834.3A priority Critical patent/CN110906519A/zh
Publication of CN110906519A publication Critical patent/CN110906519A/zh
Pending legal-status Critical Current

Links

Images

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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • 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
    • F24F11/47—Responding to energy costs
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及一种基于机器学习的风冷式冷水机组的能耗优化方法与系统，通过传感器与机器学习预测算法，预测出在不同天气环境和不同制冷负荷下，风冷式冷水机组的散热风扇在各种运行频率或运行台数下的冷水机组的系统整体能耗，求解出能耗最优的散热风扇的运行频率或运行台数，并实时控制到设备。本发明可以最大程度的优化风冷式冷水机组的能耗、实现高效节能目的。

Description

基于机器学习的风冷式冷水机组的能耗优化方法与系统
技术领域
本专利申请属于能耗优化技术领域，更具体地说，是涉及一种基于机器学习的风冷式冷水机组的能耗优化方法与系统。
背景技术
现有技术通过PID(比例积分)控制等反馈控制方法，通过调节风冷式冷水机组的散热风扇的运行频率或运行台数来维持固定的冷凝器冷媒温度，使冷机处于相对高能效比区间，从而产生局部节能效果。
缺点：现有技术的优化目标为优化冷机的局部能耗，没有考虑散热风扇的能耗，并非优化冷水机组整体的能耗，使系统无法达到整体能耗最优。
发明内容
本发明需要解决的技术问题是提供一种基于机器学习的风冷式冷水机组的能耗优化方法与系统，使系统达到整体能耗最优。
为了解决上述问题，本发明所采用的技术方案是：
一种基于机器学习的风冷式冷水机组的能耗优化方法，过程为：通过传感器与机器学习预测算法，预测出在不同天气环境和不同制冷负荷下，风冷式冷水机组的散热风扇在各种运行频率或运行台数下的冷水机组的系统整体能耗，求解出能耗最优的散热风扇的运行频率或运行台数，并实时控制到设备。
本发明技术方案的进一步改进在于：具体过程为：
S1、对风冷式冷水机组的冷机和散热风扇的设备运行数据、传感器的数据进行收集；
S2、利用收集出的数据对冷机和散热风扇的系统整体能耗通过机器学习预测算法进行预测；
S3、对预测出的整体能耗进行最优化求解，从而求解出整体能耗最优的散热风扇的运行频率或运行台数；
S4、利用最优化求解得出的数据对散热风扇的设备运行参数进行控制。
本发明技术方案的进一步改进在于：S1中，S1中，传感器获得的数据包括天气环境数据和设备运行数据，天气环境数据包括但不限于干球温度，设备运行数据包括冷冻水回水温度、冷冻水出水温度、冷冻水回水压力。
本发明技术方案的进一步改进在于：传感器数据的采集方法包括但不限于：通过BACnet网关读取设备数据、通过串口服务器读取传感器数据、通过第三方BMS系统或动环系统读取设备与传感器数据。
本发明技术方案的进一步改进在于：S2中，机器学习预测算法包括但不限于深度神经网络(DNN)、深度循环神经网络(LSTM)、多项式回归(Polynomial Regression)的一种或多种；使用机器学习预测算法建立的模型包括冷机能耗预测模型、散热风扇能耗预测模型，其中冷机能耗预测模型的输入包括但不限于：干球温度、散热风扇运行频率、散热风扇运行台数、冷冻水回水温度、冷冻水回水压力、冷冻水出水温度；散热风扇能耗预测模型的输入包括但不限于：散热风扇运行频率、散热风扇运行台数。
本发明技术方案的进一步改进在于：S3中，能耗最优求解算法包括但不限于：遗传算法、蚁群算法的一种或多种。
本发明技术方案的进一步改进在于：S4中，控制设备运行参数的方法包括但不限于：通过BACnet网关控制设备运行参数。
一种基于机器学习的风冷式冷水机组的能耗优化系统，用于实现上述方法，包括风冷式冷水机组、传感器、与风冷式冷水机组和传感器均连接的数据分析处理单元、与数据分析处理单元连接的设备运行参数控制单元，设备运行参数控制单元连接风冷式冷水机组，传感器用于获取风冷式冷水机组和天气环境的数据。
本发明技术方案的进一步改进在于：传感器包括用于获取天气环境数据的室外干球温度传感器，以及设置在风冷式冷水机组的冷机上的冷冻水回水温度传感器、冷冻水出水温度传感器、冷冻水回水压力传感器。
本发明技术方案的进一步改进在于：数据分析处理单元为计算机，设备运行参数控制单元为BACnet网关。
由于采用了上述技术方案，本发明取得的有益效果是：
效果：将该方法与系统进行实施后，根据实施地的自然环境情况，可以将风冷式冷水机组整体能耗降低2％～3％以上。
优点：本发明通过数据驱动的机器学习预测模型和实时传感器数据的利用，可以最大程度的优化风冷式冷水机组的能耗，具有极高的推广应用价值。
附图说明
图1为本发明的结构装配示意图；
图2为本发明的流程图。
具体实施方式
下面结合实施例对本发明做进一步详细说明。
本发明公开了一种基于机器学习的风冷式冷水机组的能耗优化方法，过程为：通过传感器与机器学习预测算法，预测出在不同天气环境和不同制冷负荷下，风冷式冷水机组的散热风扇在各种运行频率或运行台数下的冷水机组的系统整体能耗，求解出能耗最优的散热风扇的运行频率或运行台数，并实时控制到设备。
如图2所示，具体过程为：
S1、对风冷式冷水机组的冷机和散热风扇的设备运行数据、传感器的数据进行收集；
S2、利用收集出的数据对冷机和散热风扇的系统整体能耗通过机器学习预测算法进行预测；
S3、对预测出的整体能耗进行最优化求解，从而求解出整体能耗最优的散热风扇的运行频率或运行台数；
S4、利用最优化求解得出的数据对散热风扇的设备运行参数进行控制。
S1中，传感器获得的数据包括天气环境数据和设备运行数据，天气环境数据包括但不限于干球温度，设备运行数据包括冷冻水回水温度、冷冻水出水温度、冷冻水回水压力。
传感器数据的采集方法包括但不限于：通过BACnet网关读取设备数据、通过串口服务器读取传感器数据、通过第三方BMS系统或动环系统读取设备与传感器数据。
S2中，机器学习预测算法包括但不限于深度神经网络(DNN)、深度循环神经网络(LSTM)、多项式回归(Polynomial Regression)的一种或多种；使用机器学习预测算法建立的模型包括冷机能耗预测模型、散热风扇能耗预测模型，其中冷机能耗预测模型的输入包括但不限于：干球温度、散热风扇运行频率、散热风扇运行台数、冷冻水回水温度、冷冻水回水压力、冷冻水出水温度；散热风扇能耗预测模型的输入包括但不限于：散热风扇运行频率、散热风扇运行台数。
S3中，能耗最优求解算法包括但不限于：遗传算法、蚁群算法的一种或多种。
S4中，控制设备运行参数的方法包括但不限于：通过BACnet网关控制设备运行参数。
如图1所示，一种基于机器学习的风冷式冷水机组的能耗优化系统，用于实现上述方法，包括风冷式冷水机组、传感器、与风冷式冷水机组和传感器均连接的数据分析处理单元、与数据分析处理单元连接的设备运行参数控制单元，设备运行参数控制单元连接风冷式冷水机组，传感器用于获取风冷式冷水机组和天气环境的数据。
传感器包括用于获取天气环境数据的室外干球温度传感器，以及设置在风冷式冷水机组的冷机上的冷冻水回水温度传感器、冷冻水出水温度传感器、冷冻水回水压力传感器。
数据分析处理单元为计算机，设备运行参数控制单元为BACnet网关。
由于风冷式冷水机组主要由散热风扇和风机组成，冷冻水回水通过冷机蒸发器与冷媒进行热交换，冷媒吸收热负荷，使水降温产生冷冻水出水，冷媒通过压缩机的作用将热负荷带至冷机冷凝器，由冷媒和风进行热交换，把热量带到外部进行散失，如此反复循环形成制冷效果。本发明能使系统达到整体能耗最优。

Claims (10)

1.一种基于机器学习的风冷式冷水机组的能耗优化方法，其特征在于，过程为：通过传感器与机器学习预测算法，预测出在不同天气环境和不同制冷负荷下，风冷式冷水机组的散热风扇在各种运行频率或运行台数下的冷水机组的系统整体能耗，求解出能耗最优的散热风扇的运行频率或运行台数，并实时控制到设备。
2.根据权利要求1所述的基于机器学习的风冷式冷水机组的能耗优化方法，其特征在于，具体过程为：
S1、对风冷式冷水机组的冷机和散热风扇的设备运行数据、传感器的数据进行收集；
S2、利用收集出的数据对冷机和散热风扇的系统整体能耗通过机器学习预测算法进行预测；
S3、对预测出的整体能耗进行最优化求解，从而求解出整体能耗最优的散热风扇的运行频率或运行台数；
S4、利用最优化求解得出的数据对散热风扇的设备运行参数进行控制。
3.根据权利要求2所述的基于机器学习的风冷式冷水机组的能耗优化方法，其特征在于：S1中，传感器获得的数据包括天气环境数据和设备运行数据，天气环境数据包括干球温度，设备运行数据包括冷冻水回水温度、冷冻水出水温度、冷冻水回水压力。
4.根据权利要求3所述的基于机器学习的风冷式冷水机组的能耗优化方法，其特征在于：传感器数据的采集方法包括：通过BACnet网关读取设备数据、通过串口服务器读取传感器数据、通过第三方BMS系统或动环系统读取设备与传感器数据。
5.根据权利要求2所述的基于机器学习的风冷式冷水机组的能耗优化方法，其特征在于：S2中，机器学习预测算法包括深度神经网络、深度循环神经网络、多项式回归的一种或多种；使用机器学习预测算法建立的模型包括冷机能耗预测模型、散热风扇能耗预测模型，其中冷机能耗预测模型的输入包括：干球温度、散热风扇运行频率、散热风扇运行台数、冷冻水回水温度、冷冻水回水压力、冷冻水出水温度；散热风扇能耗预测模型的输入包括：散热风扇运行频率、散热风扇运行台数。
6.根据权利要求2所述的基于机器学习的风冷式冷水机组的能耗优化方法，其特征在于：S3中，能耗最优求解算法包括：遗传算法、蚁群算法的一种或多种。
7.根据权利要求2所述的基于机器学习的风冷式冷水机组的能耗优化方法，其特征在于：S4中，控制设备运行参数的方法包括：通过BACnet网关控制设备运行参数。
8.一种基于机器学习的风冷式冷水机组的能耗优化系统，用于实现上述权利要求1-7任一项所述的方法，其特征在于：包括风冷式冷水机组、传感器、与风冷式冷水机组和传感器均连接的数据分析处理单元、与数据分析处理单元连接的设备运行参数控制单元，设备运行参数控制单元连接风冷式冷水机组，传感器用于获取风冷式冷水机组和天气环境的数据。
9.根据权利要求8所述的基于机器学习的风冷式冷水机组的能耗优化系统，其特征在于：传感器包括用于获取天气环境数据的室外干球温度传感器，以及设置在风冷式冷水机组的冷机上的冷冻水回水温度传感器、冷冻水出水温度传感器、冷冻水回水压力传感器。
10.根据权利要求9所述的基于机器学习的风冷式冷水机组的能耗优化系统，其特征在于：数据分析处理单元为计算机，设备运行参数控制单元为BACnet网关。
CN201911237834.3A 2019-12-06 2019-12-06 基于机器学习的风冷式冷水机组的能耗优化方法与系统 Pending CN110906519A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911237834.3A CN110906519A (zh) 2019-12-06 2019-12-06 基于机器学习的风冷式冷水机组的能耗优化方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911237834.3A CN110906519A (zh) 2019-12-06 2019-12-06 基于机器学习的风冷式冷水机组的能耗优化方法与系统

Publications (1)

Publication Number Publication Date
CN110906519A true CN110906519A (zh) 2020-03-24

Family

ID=69823035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911237834.3A Pending CN110906519A (zh) 2019-12-06 2019-12-06 基于机器学习的风冷式冷水机组的能耗优化方法与系统

Country Status (1)

Country Link
CN (1) CN110906519A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112963946A (zh) * 2021-02-26 2021-06-15 南京邮电大学 一种面向共享办公区域的暖通空调系统控制方法及装置
CN114396712A (zh) * 2022-01-17 2022-04-26 北京英沣特能源技术有限公司 一种数据中心节能系统及其控制方法
CN114674114A (zh) * 2022-03-23 2022-06-28 中海石油气电集团有限责任公司 一种lng液化过程智能监测与运行优化方法及系统
TWI827938B (zh) * 2021-06-09 2024-01-01 英業達股份有限公司 控制裝置及控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104613602A (zh) * 2015-02-02 2015-05-13 河海大学 一种中央空调精细化控制方法
US20170016644A1 (en) * 2015-07-13 2017-01-19 Tata Consultancy Services Limited Method and system to optimize energy consumption in a zone with a multi-air handling unit (ahu) setup
US20170089601A1 (en) * 2015-09-30 2017-03-30 Nec Laboratories America, Inc. Mixed integer optimization based sequencing of a system of chillers
CN108489013A (zh) * 2018-01-30 2018-09-04 深圳市新环能科技有限公司 基于遗传算法和负荷在线修正的中央空调控制方法及装置
CN108775661A (zh) * 2018-07-12 2018-11-09 珠海格力电器股份有限公司 一种冷冻水泵的频率调整方法、装置及空调系统
CN109556236A (zh) * 2018-10-22 2019-04-02 珠海格力电器股份有限公司 能效控制方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104613602A (zh) * 2015-02-02 2015-05-13 河海大学 一种中央空调精细化控制方法
US20170016644A1 (en) * 2015-07-13 2017-01-19 Tata Consultancy Services Limited Method and system to optimize energy consumption in a zone with a multi-air handling unit (ahu) setup
US20170089601A1 (en) * 2015-09-30 2017-03-30 Nec Laboratories America, Inc. Mixed integer optimization based sequencing of a system of chillers
CN108489013A (zh) * 2018-01-30 2018-09-04 深圳市新环能科技有限公司 基于遗传算法和负荷在线修正的中央空调控制方法及装置
CN108775661A (zh) * 2018-07-12 2018-11-09 珠海格力电器股份有限公司 一种冷冻水泵的频率调整方法、装置及空调系统
CN109556236A (zh) * 2018-10-22 2019-04-02 珠海格力电器股份有限公司 能效控制方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112963946A (zh) * 2021-02-26 2021-06-15 南京邮电大学 一种面向共享办公区域的暖通空调系统控制方法及装置
CN112963946B (zh) * 2021-02-26 2022-06-17 南京邮电大学 一种面向共享办公区域的暖通空调系统控制方法及装置
TWI827938B (zh) * 2021-06-09 2024-01-01 英業達股份有限公司 控制裝置及控制方法
CN114396712A (zh) * 2022-01-17 2022-04-26 北京英沣特能源技术有限公司 一种数据中心节能系统及其控制方法
CN114674114A (zh) * 2022-03-23 2022-06-28 中海石油气电集团有限责任公司 一种lng液化过程智能监测与运行优化方法及系统
CN114674114B (zh) * 2022-03-23 2023-12-05 中海石油气电集团有限责任公司 一种lng液化过程智能监测与运行优化方法及系统

Similar Documents

Publication Publication Date Title
CN110906519A (zh) 基于机器学习的风冷式冷水机组的能耗优化方法与系统
CN105007707A (zh) 一种低功耗云计算机柜散热系统
CN104197446A (zh) 一种动态双冷源预冷节能空调系统
CN109831891B (zh) 液冷服务器的散热系统、散热控制方法和装置
Radchenko et al. Methods to determine a design cooling capacity of ambient air conditioning systems in climatic conditions of Ukraine and Kazakhstan
CN110895038A (zh) 基于机器学习的水冷式冷水机组的能耗优化方法与系统
CN202648063U (zh) 中央空调能效优化控制管理系统
CN110940061A (zh) 中央空调控制方法及系统
CN116629021A (zh) 冷却系统能耗预测及节能控制策略研究方法
CN112066635A (zh) 库房温度控制方法、装置及系统
CN111125933B (zh) 中央空调仿真模型的修正方法及系统
CN106152401B (zh) 制冷工况下的风冷热泵协同变频运行方法
CN110848889A (zh) 一种中央空调系统主机运行能效评估方法
CN211953115U (zh) 一种节能型空调
CN118017097A (zh) 一种混合自然冷却的储能冷水机控制方法及系统
CN110230867B (zh) 空调的运行控制方法与装置
CN107806675B (zh) 一种四季型风冷式除湿系统及其控制方法
CN113915849A (zh) 冰箱节能控制方法
CN203928526U (zh) 冷风机蒸发排低温自然通风融霜装置
CN202083052U (zh) 一种冷却除湿型空气处理机组
Munir et al. Comparatively Analysis of Compression Chiller (Model# GVWF 260) Using Machine Learning Techniques
CN206192044U (zh) 一种新型海鲜机
CN110686345A (zh) 一种高效楼宇冷冻机房及其控制方法
CN104807248A (zh) 一种用于车间循环水系统的集中式冷热源系统
CN217876119U (zh) 一种分体式间接蒸发复合空调机组

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: 20200324

RJ01 Rejection of invention patent application after publication