CN111096094B - 经由智能供应空气温度设定点控制的冷却单元能量优化 - Google Patents
经由智能供应空气温度设定点控制的冷却单元能量优化 Download PDFInfo
- Publication number
- CN111096094B CN111096094B CN201880057719.5A CN201880057719A CN111096094B CN 111096094 B CN111096094 B CN 111096094B CN 201880057719 A CN201880057719 A CN 201880057719A CN 111096094 B CN111096094 B CN 111096094B
- Authority
- CN
- China
- Prior art keywords
- neural network
- cooling unit
- network model
- air temperature
- cooling
- 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.)
- Active
Links
Images
Classifications
-
- 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
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20836—Thermal management, e.g. server temperature control
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20718—Forced ventilation of a gaseous coolant
- H05K7/20745—Forced ventilation of a gaseous coolant within rooms for removing heat from cabinets, e.g. by air conditioning device
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25255—Neural network
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2614—HVAC, heating, ventillation, climate control
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Air Conditioning Control Device (AREA)
- Cooling Or The Like Of Electrical Apparatus (AREA)
Abstract
本公开内容涉及一种用于针对室内空气温度和湿度要求中的至少之一来控制针对冷却单元的供应空气温度调整以优化冷却单元的操作的系统。该系统使用控制器,该控制用于实现:机器学习模块,其被配置成选择所获取的与冷却单元的操作有关的数据的哪个部分或哪些部分将被利用;以及神经网络模型,其使用由机器学习模块提供的信息并学习冷却单元的操作行为,并且其中,机器学习模块对神经网络模型执行监督学习和回归,并且其中,神经网络模型使用由机器学习模块提供的信息以生成输出。控制器还实现了优化模块,该优化模块从神经网络模型接收输出,并使用冷却单元的单元功耗作为目标函数来执行全局优化例程,以产生供冷却单元使用的供应空气温度设定点,优化冷却单元的操作参数。
Description
相关申请的交叉引用
本申请要求于2017年9月6日提交的美国临时申请第62/554,785号的权益。上述申请的全部公开内容通过引用并入本文。
技术领域
本公开内容涉及用于管理数据中心冷却装置以优化能量消耗的系统和方法,并且更具体地涉及利用机器学习和神经网络模型来以优化能量使用的方式控制冷却单元的供应空气温度设定点的系统和方法。
背景技术
本部分提供与本公开内容有关的背景信息,其不一定是现有技术。
能源使用是数据中心的主要关注点。随着数据中心变得越来越大——通常数千或者甚至数万个部件位于数据中心的一个或更多个室中,对最小化CRAC(计算机房空调机)单元的能量消耗同时仍然提供充分的冷却的需求变得越来越重要。
在管理诸如CRAC单元的数据中心冷却设备的能量消耗时的一个重要的考虑因素是:监测和调整供应空气温度(“SAT”)以优化室内条件。传统上,这涉及到用户手动地、定期性地调整由用户输入的SAT,以试图最佳地满足室内的物理温度条件,同时尝试最小化能量使用。将会理解,该方法依赖于用户在手动选择最佳SAT设定点以及室内使用的CRAC单元的其他参数时的注意力、知识和经验。能够基于过去的系统行为“学习”如何最佳地选择SAT设定点的自动化系统,使得能够优化能量使用。重要的是,这样的自动化的智能系统还将消除或减少对用户在任何给定时间处选择最佳SAT设定点以最佳地满足物理室内条件时的经验和知识的依赖。
发明内容
该部分提供了本公开内容的总体概述,而不是其全部范围或其所有特征的全面公开。
在一个方面,本公开内容涉及一种用于针对室内空气温度和湿度要求中的至少之一来控制冷却单元的供应空气温度调整以优化冷却单元的操作的系统。该系统可以包括控制器,该控制器用于实现机器学习模块,该机器学习模块被配置成选择所获取的与冷却单元的操作有关的数据的哪个部分或哪些部分将被利用。控制器还可以实现神经网络模型,该神经网络模型使用由机器学习模块提供的信息并学习冷却单元的操作行为,并且其中,机器学习模块对神经网络模型执行监督学习和回归,并且其中,神经网络模型使用由机器学习模块提供的信息来生成输出。控制器还可以实现优化模块,该优化模块从神经网络模型接收输出,并使用冷却单元的单元功耗作为目标函数来执行全局优化例程,以产生供冷却单元使用的供应空气温度设定点,优化冷却单元的操作参数。
在另一方面,本公开内容涉及一种用于针对室内空气温度和湿度要求来控制冷却单元的供应空气温度调整以优化冷却单元的操作的系统。该系统可以包括用于实现机器学习模块、神经网络模型和优化模块的控制器。机器学习模块被配置成选择所获取的与冷却单元的操作有关的数据的哪个部分或哪些部分被利用。神经网络模型使用由机器学习模块提供的信息并学习冷却单元的操作行为,并且其中,机器学习模块还对神经网络模型执行监督学习和回归。神经网络模型使用由机器学习模块提供的信息来生成输出。神经网络模型具有从至少一个其他神经网络模型接收输入的单元功率神经网络模块,该至少一个其他神经网络模型包括:
表示冷却单元的机架入口温度的远端空气温度(RET)神经网络模型,该RET神经网络模型将输出提供至单元功率神经网络模型;或者
返回空气温度(RAT)神经网络模型,其用于表示返回至冷却单元中的给定冷却单元的空气的温度;或者
供应空气温度(SAT)神经网络模型,其用于表示由冷却单元生成并输出的空气的温度。
优化模块从神经网络模型接收输出,并使用冷却单元的单元功耗作为目标函数来执行全局优化例程,以产生供冷却单元使用的供应空气温度设定点,优化冷却单元的操作参数。
在又一方面,本公开内容涉及一种用于针对室内空气温度和湿度要求来控制数据中心冷却单元的供应空气温度调整以优化冷却单元的操作的系统。该系统可以包括控制器,该控制器用于实现机器学习模块,该机器学习模块被配置成选择所获取的与冷却单元的操作有关的数据的哪个部分或哪些部分被利用。控制器还可以实现神经网络模型,该神经网络模型使用由机器学习模块提供的信息并学习冷却单元的操作行为,并且其中,机器学习模块对神经网络模型执行监督学习和回归。神经网络模型可以包括:表示冷却单元的功耗的单元功率神经网络模型;表示冷却单元的机架入口温度的远端空气温度(RET)神经网络模型,该RET神经网络模型将输出提供至单元功率神经网络模型;返回空气温度(RAT)神经网络模型,其用于表示返回至冷却单元中的给定冷却单元的空气的温度;供应空气温度(SAT)神经网络模型,用于表示由冷却单元生成并输出的空气的温度;风扇百分比神经网络模型,其表示所选择的冷却单元的风扇正在运行的最大风扇速度的百分比;以及冷却能力(CC)神经网络模型,其用于以百分比为单位表示冷却单元的整体冷却能力。单元功率神经网络模型可以在提供输出时使用由RET神经网络模型、RAT神经网络模型、SAT神经网络模型、风扇百分比神经网络模型和CC神经网络模型中的全部神经网络模型提供的信息。控制器还可以实现优化模块,该优化模块从神经网络模型接收输出,并且使用冷却单元的单元功耗作为目标函数来执行全局优化例程,并产生供冷却单元使用的供应空气温度设定点,优化冷却单元的操作参数。
根据本文提供的描述,其他应用领域将变得明显。该发明内容中的描述和特定示例仅旨在用于说明的目的,并不旨在限制本公开内容的范围。
附图说明
本文描述的附图仅出于对所选实施方式而不是所有可能的实现方式的说明目的,并且不旨在限制本公开内容的范围。
图1是示出由本公开内容的一个实施方式执行的各种操作的高级流程图;
图2是列出由本公开内容使用的各种神经网络模型以及将由各种模型使用的输出识别为其他模型的输入的图表;
图3是由本公开内容的机器学习模块在执行机器学习功能时使用的各种标准的列表;
图4是示出由本公开内容实现的神经网络模型以及神经网络模型输入、网络模型的隐藏层的神经元和单元功率输出之间的关系的图;
图5是列出由本公开内容的优化器模块实现的标准的图表;
图6A和图6B示出了图1的系统的神经网络模型的性能的示例以及示出由本公开内容实现的单元功率控制如何紧密地跟随冷却单元的所计算的最佳单元功率的曲线图。
贯穿附图的若干视图,相应的附图标记指示相应的部分。
具体实施方式
现在将参照附图更全面地描述示例实施方式。
参照图1,示出了用于实现根据本公开内容的方法的系统10的一个示例。系统10可以包括控制器12,控制器12具有处理器14、存储器16(例如,非易失性RAM或ROM)和输入/输出子系统18。控制器12与数据中心部件20通信,数据中心部件20通常将包括需要供应空气温度(“SAT”)设定点调整的计算机房空调机(“CRAC”)单元。“设定点”是指用户选择的希望系统10保持的供应空气温度。一种这样的广泛使用的冷却系统由Liebert(Vertiv公司)制造并以“DSE自然冷却系统(DSE Free Cooling System)”命名,它是一种泵送制冷剂经济化系统,并且本公开内容的教导完全适用于该系统以及实际上适用于需要定期SAT设定点调整以满足变化的室内空气温度条件的任何其他类型的室内空调系统。系统10通过部分地通过多个神经网络模型来自动确定要做出的最佳地满足当前室内温度和湿度要求的最佳SAT设定点调整,使得在操作CRAC单元时能够获得最佳能量效率。
进一步参照图1,如在框22处所指示的,控制器12获取数据,这可以包括应用一个或更多个过滤器以过滤数据以产生将由后续处理操作使用的数据集。在操作24处,经由一个或更多个机器学习模块使用收集的(和可能过滤的)数据集来选择保留哪些数据以供神经网络模型使用,以使用选择的训练算法例如经由Levenberg-Marquardt训练算法来训练神经网络模型,以及决定何时重新训练神经网络模型和/或使用新数据从头开始。在操作26处,可以在一个或更多个神经网络模型中使用上述数据,如将在以下段落中进一步描述的。在操作28处,可以运行一个或更多个优化例程。这可能包括选择何时运行优化以及使用收集到的数据运行内部点全局优化算法,这也将在以下段落中更全面地描述。操作26的结果可以用于向全局优化算法提供输入。优化操作28产生SAT设定点30,SAT设定点30可以由控制器12在设置被应用于数据中心冷却部件中的一个或更多个部件的SAT设定点时使用。
图2以图表的形式列出了系统10使用的不同神经网络以及至每个神经网络的输入。神经网络(“NN”)模型用于:“单元功率”(NN模型26a,也称为“UP”),其表示冷却单元的功耗;“远端空气温度”(NN模型26b,命名为“RET”),其为所考虑的给定数据中心冷却单元的机架入口温度;“返回温度”,也称为“返回空气温度”或“RAT”(模型NN 26c),其为返回至冷却单元20中的给定冷却单元的空气的温度;“供应温度”,也称为“供应空气温度(SAT)”(NN模型26d),其为由冷却单元生成并输出的空气的温度;“风扇百分比”(NN模型26e),其为所选择的冷却单元的风扇正在运行的最大风扇速度的百分比;以及“冷却能力”(模型26f,称为“CC”),其为冷却单元中的给定冷却单元的整体冷却能力(以百分比为单位,例如压缩机能力百分比或阀门开度百分比等)。将会注意到,单元功率神经网络26a可以被视为首要或主要神经网络模型,因为该模型从远端温度NN模型26b、返回温度NN模型26c、供应温度NN模型26d、风扇百分比NN模型26e和冷却能力NN模型26f中的全部NN模型接收输入。
图2的图表还示出了NN模型26b-26f中的哪些被用作至NN模型中的其他模型的输入。图2所示的表的列中的变量中的一些变量对应于NN模型的输出,并且行中的“X”指示该变量用作至该NN模型的输入。例如,可以看出,来自RAT NN模型26c和SAT NN模型26d的输出与SAT设定点和返回露点蒸发器排热(“Qin”)一起作为至制冷能力NN模型26f的输入。术语“Qin”表示冷却单元排出的热。更具体地,其为质量流量乘以比热,再乘以温度增量。远端温度(RET)神经网络模型26b、返回空气温度(RAT)神经网络模型26c、供应空气温度(SAT)神经网络模型26d、风扇百分比神经网络模型26e和冷却能力(CC)神经网络模型26f是对单元功率(UP)NN模型26a的非线性约束。
参照图3,示出了机器学习模块24的细节。机器学习模块24可以对神经网络模型25a-26f执行监督学习和回归。本质上,机器学习模块24使用计算方法直接从收集的数据中“学习”信息,这与使用经验等式/模型进行对照。随着学习样本数量的增加,性能也会提高。机器学习与简单地使用经验等式/模型的不同之处还在于,它用作基于输入数据和输出数据二者的“预测”模型。神经网络模型25a-26f可以被部署在每个独特的单元(例如,每个CRAC单元)上,并学习其对系统行为的各种影响。对各个单元的独特的系统影响被捕获并反映在神经网络模型中。随时间的系统退化也被捕获在用于训练神经网络模型的数据中。机器学习模块24使用以下算法:在该算法中,可以自动调整应用于隐藏层的每个神经元的权重以帮助“训练”NN模型25a-26f,并且收集的数据可以用于进一步帮助训练NN模型。在一个具体实现方式中,机器学习模块24使用具有10个神经元的一个隐藏层、0.70的训练比、0.15的验证比以及0.15的测试比。这意味着70%的数据用于训练模型,而30%的数据被保留用于模型的测试和验证。程序的神经网络工具箱中的fitnet函数用于执行机器学习算法。机器学习算法利用以神经网络(NN)机器学习进行的回归,以将DSE单元功耗(单元功率)建模为以下的变量和参数的函数,所述变量为:供应空气温度设定点(SAT SP)、供应空气温度(SAT)、返回空气温度(RAT)、远端空气温度(RET)、单元风扇速度(风扇百分比)、单元冷却能力(CC)、返回露点蒸发器排热(Qin);所述参数为:远端空气温度设定点和环境温度。环境温度是冷却单元所处的室内的温度。图4示出了说明各种神经网络模型输入、由神经元1-9表示的隐藏层以及输出之间的关系的图,该输出是所确定的用于冷却单元的单元功率(UP)。
全局优化模块28执行以DSE单元功耗模型作为目标函数来运行的全局优化例程。由全局优化模块28使用的非线性约束可以包括远端空气温度(RET)NN模型26b、返回空气温度(RAT)NN模型26c、供应空气温度(SAT)NN模型26d、风扇百分比NN模型26e、冷却能力(CC)NN模型26f和返回露点蒸发器排热(Qin)计算。修改SAT SP以最小化单元功耗,并且RET、SAT、远端温度、风扇百分比和冷却能力(CC)非线性约束必须遵循其各自的NN模型的规则。通过将适当的供应空气温度设定点(SAT SP)优化至冷却单元所处的物理室内条件来降低冷却单元能量消耗,并且保持了远端空气温度(RET)要求。消除了对用户手动定期输入供应空气温度设定点(SAT SP)的需要。供应空气温度设定点(SAT SP)的限定范围可以变化,但在一种实现方式中,SAT可以设置为55℃℉至75℉的任何值。一种线性约束是SAT必须等于SAT SP。实现了达到稳定状态条件的优化点,并且在点之间存在一小时的持续时间,除非远端空气温度超过危险阈值,在该危险阈值下,供应空气温度设定点(SAT SP)可以在一小时的持续时间之前发生变化。可以使用程序全局搜索优化算法来执行优化操作。该算法使用内点算法。
在测试期间,已经发现系统10将冷却单元的能量消耗降低多达20%或大于20%。重要的是,系统10实现了对SAT SP的自动控制,并且因此不需要针对SAT SP的定期用户输入。SAT SP由系统10控制,以优化(即最小化)由系统10管理的冷却单元的能量消耗,而不会违反任何重要的操作或环境标准。图6A和图6B的曲线图示出了使用本文描述的控制方法的系统将如何在随时间而变化的IT负载和初始SAT设定点作为快照的情况下工作。全局优化模块28的全局搜索优化算法输出优化的SAT设定点以在满足所有约束或满足远端空气温度要求的同时减小单元功率。
出于说明和描述的目的,已经提供了实施方式的前述描述。其并非意在穷举或限制本公开内容。特定实施方式的各个元件或特征通常不限于该特定实施方式,而是在适用的情况下是可互换的,并且也可以在所选实施方式中使用,即使未具体示出或描述。特定实施方式的各个元件或特征也可以以许多方式变化。这样的变化不应被认为背离本公开内容,并且所有这样的修改意在被包括在本公开内容的范围内。提供示例实施方式,使得本公开内容将是透彻的,并将范围完全传达给本领域技术人员。阐述了许多具体细节,例如特定部件、装置和方法的示例,以提供对本公开内容的实施方式的透彻理解。对于本领域技术人员将明显的是,不需要采用具体细节,示例实施方式可以以许多不同的形式来实施,并且都不应当被解释为限制本公开内容的范围。在一些示例实施方式中,未详细描述公知的处理、公知的装置结构和公知的技术。
本文使用的术语仅是为了描述特定示例实施方式的目的,而不意在限制性的。如本文所使用的,单数形式的“一”、“一个”和“该”也可以意在也包括复数形式,除非上下文另外明确指出。术语“包含”、“包括”、“含有”和“具有”是包含性的,因此指定所陈述的特征、整数、步骤、操作、元件和/或部件的存在,但不排除一个或更多个其他特征、整数、步骤、操作、元件、部件和/或其组的存在或增加。除非明确地标识为执行顺序,否则本文描述的方法步骤、处理和操作不应被解释为必须要求以所讨论或示出的特定顺序执行它们。还应理解,可以采用附加或替选步骤。
Claims (13)
1.一种用于针对室内空气温度和湿度要求中的至少之一来控制针对冷却单元的供应空气温度调整以优化所述冷却单元的操作的系统,所述系统包括:
控制器,其用于实现:
机器学习模块,其被配置成选择所获取的与所述冷却单元的操作有关的数据的哪个部分或哪些部分将被利用;
冷却单元神经网络模型,其使用由所述机器学习模块提供的信息并学习所述冷却单元的操作行为,并且其中,所述机器学习模块对所述冷却单元神经网络模型执行监督学习和回归;
所述冷却单元神经网络模型使用由所述机器学习模块提供的信息来生成输出;以及
优化模块,其从所述冷却单元神经网络模型接收所述输出,并使用所述冷却单元的单元功耗作为目标函数来执行全局优化例程,以产生供所述冷却单元使用的供应空气温度设定点,优化所述冷却单元的操作参数。
2.根据权利要求1所述的系统,其中,所述冷却单元神经网络模型包括表示冷却单元功耗的单元功率神经网络模块,并且其中,所述单元功率神经网络模块从所述系统内包括的至少一个其他冷却单元神经网络模型接收输入。
3.根据权利要求2所述的系统,其中,所述冷却单元神经网络模型还包括表示所述冷却单元的机架入口温度的远端空气温度神经网络模型,所述远端空气温度神经网络模型将输出提供至所述单元功率神经网络模块。
4.根据权利要求1所述的系统,其中,所述冷却单元神经网络模型还包括供应空气温度神经网络模型,所述供应空气温度神经网络模型用于表示由所述冷却单元生成并输出的空气的温度。
5.根据权利要求1所述的系统,其中,所述冷却单元神经网络模型还包括风扇百分比神经网络模型,所述风扇百分比神经网络模型表示所述冷却单元的风扇运行的最大风扇速度的百分比。
6.根据权利要求1所述的系统,其中,所述冷却单元神经网络模型包括冷却能力神经网络模型,所述冷却能力神经网络模型用于以百分比为单位表示所述冷却单元的整体冷却能力。
7.根据权利要求1所述的系统,其中,所述优化模块在执行所述全局优化例程时,从至少一个数据源接收数据并将所述数据与来自所述冷却单元神经网络模型的所述输出一起使用。
8.一种用于针对室内空气温度和湿度要求来控制针对冷却单元的供应空气温度调整以优化所述冷却单元的操作的系统,所述系统包括:
控制器,其被配置成实现:
机器学习模块,其被配置成选择所获取的与所述冷却单元的操作有关的数据的哪个部分或哪些部分被利用;
冷却单元神经网络模型,其使用由所述机器学习模块提供的信息并学习所述冷却单元的操作行为,并且其中,所述机器学习模块对所述冷却单元神经网络模型执行监督学习和回归;
所述冷却单元神经网络模型使用由所述机器学习模块提供的信息来生成输出;
所述冷却单元神经网络模型具有从至少一个其他冷却单元神经网络模型接收输入的单元功率神经网络模块,所述至少一个其他冷却单元神经网络模型包括:
表示所述冷却单元的机架入口温度的远端空气温度神经网络模型,所述远端空气温度神经网络模型将输出提供至所述单元功率神经网络模块;或者
返回空气温度神经网络模型,其用于表示返回至所述冷却单元的空气的温度;或者
供应空气温度神经网络模型,其用于表示由所述冷却单元生成并输出的空气的温度;以及
优化模块,其从所述冷却单元神经网络模型接收所述输出,并使用所述冷却单元的单元功耗作为目标函数来执行全局优化例程,以产生供所述冷却单元使用的供应空气温度设定点,优化所述冷却单元的操作参数。
9.根据权利要求8所述的系统,其中,所述冷却单元神经网络模型还包括风扇百分比神经网络模型,所述风扇百分比神经网络模型表示所述冷却单元的风扇运行的最大风扇速度的百分比。
10.根据权利要求8所述的系统,其中,所述冷却单元神经网络模型还包括冷却能力神经网络模型,所述冷却能力神经网络模型用于以百分比为单位表示所述冷却单元的整体冷却能力。
11.根据权利要求8所述的系统,其中,所述优化模块在执行所述全局优化例程时,从至少一个数据源接收数据并将所述数据与来自所述冷却单元神经网络模型的所述输出一起使用。
12.一种用于针对室内空气温度和湿度要求来控制针对数据中心冷却单元的供应空气温度调整以优化所述冷却单元的操作的系统,所述系统包括:
控制器,其被配置成实现:
机器学习模块,其被配置成选择所获取的与所述冷却单元的操作有关的数据的哪个部分或哪些部分被利用;
冷却单元神经网络模型,其使用由所述机器学习模块提供的信息并学习所述冷却单元的操作行为,并且其中,所述机器学习模块对所述冷却单元神经网络模型执行监督学习和回归;
所述冷却单元神经网络模型包括:
表示冷却单元功耗的单元功率神经网络模型;
表示所述冷却单元的机架入口温度的远端空气温度神经网络模型,所述远端空气温度神经网络模型将输出提供至所述单元功率神经网络模型;
返回空气温度神经网络模型,其用于表示返回至所述冷却单元中的给定冷却单元的空气的温度;
供应空气温度神经网络模型,其用于表示由所述冷却单元生成并输出的空气的温度;
风扇百分比神经网络模型,其表示所述冷却单元的风扇运行的最大风扇速度的百分比;
冷却能力神经网络模型,其用于以百分比为单位表示所述冷却单元的整体冷却能力;
所述单元功率神经网络模型在提供输出时使用由所述远端空气温度神经网络模型、所述返回空气温度神经网络模型、所述供应空气温度神经网络模型、所述风扇百分比神经网络模型和所述冷却能力神经网络模型中的全部神经网络模型提供的信息;以及
优化模块,其从所述冷却单元神经网络模型接收输出,并使用所述冷却单元的单元功耗作为目标函数来执行全局优化例程,并产生供所述冷却单元使用的供应空气温度设定点,优化所述冷却单元的操作参数。
13.根据权利要求12所述的系统,其中,所述优化模块在执行所述全局优化例程时,从至少一个数据源接收数据并将所述数据与来自所述冷却单元神经网络模型的所述输出一起使用。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762554785P | 2017-09-06 | 2017-09-06 | |
US62/554,785 | 2017-09-06 | ||
PCT/US2018/049734 WO2019051077A1 (en) | 2017-09-06 | 2018-09-06 | COOLING UNIT ENERGY OPTIMIZATION THROUGH INTELLIGENT CONTROL OF FOOD AIR TEMPERATURE SET POINT |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111096094A CN111096094A (zh) | 2020-05-01 |
CN111096094B true CN111096094B (zh) | 2021-11-30 |
Family
ID=65518440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880057719.5A Active CN111096094B (zh) | 2017-09-06 | 2018-09-06 | 经由智能供应空气温度设定点控制的冷却单元能量优化 |
Country Status (7)
Country | Link |
---|---|
US (1) | US10660241B2 (zh) |
EP (1) | EP3679773B1 (zh) |
JP (1) | JP7016407B2 (zh) |
CN (1) | CN111096094B (zh) |
AU (1) | AU2018328266B2 (zh) |
ES (1) | ES2962563T3 (zh) |
WO (1) | WO2019051077A1 (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3702685A1 (en) | 2012-08-28 | 2020-09-02 | Delos Living LLC | Environmental control system and method of operation such system |
AU2015223112B2 (en) | 2014-02-28 | 2020-07-09 | Delos Living Llc | Systems, methods and articles for enhancing wellness associated with habitable environments |
US11338107B2 (en) | 2016-08-24 | 2022-05-24 | Delos Living Llc | Systems, methods and articles for enhancing wellness associated with habitable environments |
WO2019046580A1 (en) | 2017-08-30 | 2019-03-07 | Delos Living Llc | SYSTEMS, METHODS AND ARTICLES FOR EVALUATING AND / OR IMPROVING HEALTH AND WELL-BEING |
JP7014299B2 (ja) * | 2018-07-27 | 2022-02-01 | 日本電信電話株式会社 | 行動最適化装置、方法およびプログラム |
WO2020055872A1 (en) | 2018-09-14 | 2020-03-19 | Delos Living Llc | Systems and methods for air remediation |
WO2020176503A1 (en) | 2019-02-26 | 2020-09-03 | Delos Living Llc | Method and apparatus for lighting in an office environment |
CN109883007A (zh) * | 2019-03-20 | 2019-06-14 | 高福义 | 一种适用于在维数据中心的空调群控系统 |
US11898898B2 (en) | 2019-03-25 | 2024-02-13 | Delos Living Llc | Systems and methods for acoustic monitoring |
CN113748386B (zh) * | 2019-09-05 | 2023-01-17 | 阿里云计算有限公司 | 散热控制与模型训练方法、设备、系统及存储介质 |
US11157380B2 (en) | 2019-10-28 | 2021-10-26 | Dell Products L.P. | Device temperature impact management using machine learning techniques |
CN110848896A (zh) * | 2019-11-12 | 2020-02-28 | 深圳孚沃德斯科技有限公司 | 基于神经网络的空调冷却系统智能节能控制系统及方法 |
US11441800B2 (en) | 2020-01-07 | 2022-09-13 | FPL Smart Services, LLC | Autonomous machine learning diagonostic system with simplified sensors for home appliances |
DE102020200942A1 (de) | 2020-01-27 | 2021-07-29 | Zf Friedrichshafen Ag | Kühlsystem für eine elektrische Baugruppe |
US11751360B2 (en) * | 2020-03-17 | 2023-09-05 | International Business Machines Corporation | Intelligently deployed cooling fins |
CN111637614B (zh) * | 2020-05-26 | 2021-06-08 | 内蒙古工业大学 | 数据中心主动通风地板的智能控制方法 |
CN111814388B (zh) * | 2020-06-12 | 2023-06-06 | 菲尼克斯(上海)环境控制技术有限公司 | 一种基于神经网络的下送风数据中心cfd仿真校验方法 |
US11435794B2 (en) * | 2020-07-08 | 2022-09-06 | Nvidia Corporation | Intelligent repurposable cooling systems for mobile datacenter |
US11864359B2 (en) | 2020-08-27 | 2024-01-02 | Nvidia Corporation | Intelligent threshold leak remediaton of datacenter cooling systems |
US20220151114A1 (en) * | 2020-11-11 | 2022-05-12 | Nvidia Corporation | Intelligent above-platform push coupling for datacenter cooling systems |
CN112558560B (zh) * | 2020-11-24 | 2022-05-17 | 国家计算机网络与信息安全管理中心 | 数据中心制冷系统冷量输配动态优化与节能调控系统 |
US20220264771A1 (en) * | 2021-02-18 | 2022-08-18 | Nvidia Corporation | Intelligent two-phase refrigerant-to-air heat exchanger for datacenter cooling systems |
KR102439453B1 (ko) * | 2021-02-22 | 2022-09-01 | 포항공과대학교 산학협력단 | 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법 |
WO2023153920A1 (en) * | 2022-02-08 | 2023-08-17 | Bhajnik Singh Mahinder Singh | Direct expansion multi evaporator air-conditioning (demeac) optimization system |
JP7132552B1 (ja) | 2022-04-28 | 2022-09-07 | 株式会社ソーラーハート | スマートグリッド型給湯システム |
US20230380115A1 (en) * | 2022-05-17 | 2023-11-23 | Honeywell International Inc. | Methods and systems for prioritizing maintenance of cooling units of a data center |
CN115696871B (zh) * | 2022-11-04 | 2023-06-13 | 中国电子工程设计院有限公司 | 一种基于机器学习的数据中心水冷系统调控方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101589656A (zh) * | 2007-01-24 | 2009-11-25 | 美国能量变换公司 | 设备支架冷却性能的评估系统和方法 |
US7979250B2 (en) * | 2007-12-05 | 2011-07-12 | International Business Machines Corporation | Method of laying out a data center using a plurality of thermal simulators |
CN102741833A (zh) * | 2009-08-12 | 2012-10-17 | 国际商业机器公司 | 用于数据中心的基于知识的模型 |
Family Cites Families (78)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69212721T2 (de) | 1991-06-11 | 1997-01-23 | Toshiba Kawasaki Kk | Prozesssteuerung |
US5568377A (en) | 1992-10-29 | 1996-10-22 | Johnson Service Company | Fast automatic tuning of a feedback controller |
US5355305A (en) | 1992-10-29 | 1994-10-11 | Johnson Service Company | Pattern recognition adaptive controller |
WO1999005578A1 (en) | 1997-07-22 | 1999-02-04 | Honeywell Inc. | Load-based adaptive gain control |
JP3784960B2 (ja) * | 1998-05-11 | 2006-06-14 | 株式会社竹中工務店 | 異環境分離装置及び異環境分離の制御方法 |
US7246753B2 (en) | 2000-05-05 | 2007-07-24 | Automated Logic Corporation | Slop predictive control and digital pid control for a variable temperature control system |
US8280533B2 (en) | 2000-06-20 | 2012-10-02 | Fisher-Rosemount Systems, Inc. | Continuously scheduled model parameter based adaptive controller |
JP4059014B2 (ja) | 2001-06-19 | 2008-03-12 | 富士電機システムズ株式会社 | プラントの最適運用方法及びプラントの最適設計方法 |
US6622925B2 (en) | 2001-10-05 | 2003-09-23 | Enernet Corporation | Apparatus and method for wireless control |
US7076962B2 (en) | 2003-01-23 | 2006-07-18 | Massachusetts Institute Of Technology | Heating, ventilation and air conditioning (HVAC) system and method using feedback linearization |
US6937909B2 (en) | 2003-07-02 | 2005-08-30 | Johnson Controls Technology Company | Pattern recognition adaptive controller |
US20060020291A1 (en) | 2004-03-09 | 2006-01-26 | Gozani Shai N | Apparatus and method for performing nerve conduction studies with multiple neuromuscular electrodes |
US7117129B1 (en) | 2005-03-11 | 2006-10-03 | Hewlett-Packard Development Company, L.P. | Commissioning of sensors |
US20070026107A1 (en) | 2005-04-19 | 2007-02-01 | Iaq Laboratories International, Llc | System and Method for Predicting Mold Growth in an Environment |
US7315768B2 (en) | 2006-02-15 | 2008-01-01 | International Business Machines Corporation | Remote monitoring and servicing of computer data centers |
US7620613B1 (en) | 2006-07-28 | 2009-11-17 | Hewlett-Packard Development Company, L.P. | Thermal management of data centers |
US7890215B2 (en) | 2006-12-22 | 2011-02-15 | Duncan Scot M | Optimized control system for cooling systems |
US20100041327A1 (en) | 2006-12-29 | 2010-02-18 | Stulz Air Technology Systems, Inc. | Apparatus, system and method for air conditioning using fans located under flooring |
DK2147585T3 (en) * | 2007-05-15 | 2017-01-16 | Schneider Electric It Corp | PROCEDURE AND SYSTEM FOR HANDLING EQUIPMENT AND COOLING |
US9074784B2 (en) | 2007-08-03 | 2015-07-07 | Honeywell International Inc. | Fan coil thermostat with fan ramping |
JP4984162B2 (ja) | 2008-01-17 | 2012-07-25 | 日本電気株式会社 | 監視制御方法および監視制御装置 |
US8190273B1 (en) | 2008-04-18 | 2012-05-29 | Federspiel Corporation | Method and apparatus for controlling fans in heating, ventilating, and air-conditioning systems |
US8560236B1 (en) | 2008-06-20 | 2013-10-15 | Google Inc. | Showing uncertainty of location |
US7952485B2 (en) | 2008-11-21 | 2011-05-31 | Schechter Tech, Llc | Remote monitoring system |
US9709965B2 (en) | 2008-12-04 | 2017-07-18 | Baselayer Technology, Llc | Data center intelligent control and optimization |
US8160838B2 (en) * | 2009-04-30 | 2012-04-17 | Synapsense Corporation | Apparatus and method for visualizing environmental conditions in a data center using wireless sensor networks |
US20120284216A1 (en) * | 2009-08-12 | 2012-11-08 | International Business Machines Corporation | Knowledge-Based Models for Data Centers |
JP5484932B2 (ja) | 2010-01-28 | 2014-05-07 | アズビル株式会社 | Pid調整支援装置および方法 |
JP5572799B2 (ja) | 2010-04-01 | 2014-08-20 | 三菱電機株式会社 | 空調システム制御装置 |
US9046897B2 (en) | 2010-08-13 | 2015-06-02 | Barney Klinger | System for monitoring and controlling the performance of an environmental control unit |
JP2013543569A (ja) | 2010-08-20 | 2013-12-05 | ヴィジレント コーポレイション | Hvacシステムに対するエネルギー最適制御決定 |
US8996141B1 (en) | 2010-08-26 | 2015-03-31 | Dunan Microstaq, Inc. | Adaptive predictive functional controller |
US8080445B1 (en) | 2010-09-07 | 2011-12-20 | Stats Chippac, Ltd. | Semiconductor device and method of forming WLP with semiconductor die embedded within penetrable encapsulant between TSV interposers |
US9459018B2 (en) | 2010-11-19 | 2016-10-04 | Google Inc. | Systems and methods for energy-efficient control of an energy-consuming system |
JP5511698B2 (ja) | 2011-01-20 | 2014-06-04 | 日本電信電話株式会社 | 空調機連係制御システム、空調機連係制御方法および空調機連係制御プログラム |
CN102620378B (zh) * | 2011-01-27 | 2014-01-15 | 国际商业机器公司 | 数据中心节能控制方法和系统 |
US20120215326A1 (en) | 2011-02-17 | 2012-08-23 | Invensys Systems Inc. | Distributed Proportional/Integral/Derivative Tuning |
US8560126B2 (en) | 2011-03-11 | 2013-10-15 | Honeywell International Inc. | Setpoint optimization for air handling units |
US8793003B2 (en) | 2011-03-31 | 2014-07-29 | Mitsubishi Electric Research Laboratories, Inc. | Controlling operations of vapor compression system |
US20150178865A1 (en) * | 2011-09-20 | 2015-06-25 | The Trustees Of Columbia University In The City Of New York | Total property optimization system for energy efficiency and smart buildings |
WO2013043863A1 (en) | 2011-09-20 | 2013-03-28 | The Trustees Of Columbia University In The City Of New York | Adaptive stochastic controller for energy efficiency and smart buildings |
JP5808634B2 (ja) | 2011-09-30 | 2015-11-10 | シスメックス株式会社 | 検体処理装置 |
JP5848578B2 (ja) | 2011-10-25 | 2016-01-27 | 株式会社日立製作所 | 外気冷房システムおよびデータセンタ |
US9664400B2 (en) | 2011-11-17 | 2017-05-30 | Trustees Of Boston University | Automated technique of measuring room air change rates in HVAC system |
CA2856109C (en) | 2011-11-22 | 2016-10-18 | Suntory Holdings Limited | Non-alcohol, beer-taste beverage having high ratio of monosaccharides and disaccharides |
JP5982802B2 (ja) | 2011-12-07 | 2016-08-31 | 富士通株式会社 | 空気調和機の制御計画立案装置、制御計画立案プログラム及び制御計画立案方法 |
JP5375945B2 (ja) | 2011-12-28 | 2013-12-25 | ダイキン工業株式会社 | 温度および湿度の調整を行う空調システム |
DE202013012529U1 (de) | 2012-03-08 | 2017-04-27 | Google Inc. | Steuerung der Kühlung von Rechenzentren |
WO2013151646A2 (en) | 2012-04-05 | 2013-10-10 | Carrier Corporation | Hvac system relay autotuning and verification |
US9278303B1 (en) | 2012-05-29 | 2016-03-08 | Google Inc. | Managing data center airflow |
JP6034231B2 (ja) | 2012-07-25 | 2016-11-30 | 株式会社Kelk | 半導体製造装置用温度調整装置、半導体製造におけるpid定数演算方法、及び半導体製造装置用温度調整装置の運転方法 |
US8917512B2 (en) | 2012-07-30 | 2014-12-23 | Methode Electronics, Inc. | Data center equipment cabinet information center |
US8917513B1 (en) | 2012-07-30 | 2014-12-23 | Methode Electronics, Inc. | Data center equipment cabinet information center and updateable asset tracking system |
US9158345B1 (en) | 2012-10-15 | 2015-10-13 | Google Inc. | Managing computer performance |
US9330646B2 (en) | 2013-01-22 | 2016-05-03 | The Music People, Inc. | Support stand |
US20140222241A1 (en) | 2013-02-04 | 2014-08-07 | Joseph David Ols | Climate Control |
US9453656B2 (en) | 2013-02-26 | 2016-09-27 | Mingsheng Liu | Fan coil unit/CRAC optimizer system |
US20140277765A1 (en) | 2013-03-15 | 2014-09-18 | University Of Southern California | Human-building interaction framework for personalized comfort driven system operations in buildings |
EP3395763B1 (en) | 2013-04-30 | 2020-06-17 | Merck Patent GmbH | Uses of alumina flakes |
JP5807037B2 (ja) | 2013-05-16 | 2015-11-10 | 株式会社豊田自動織機 | 可変ノズルターボチャージャ |
US9534822B2 (en) | 2013-07-02 | 2017-01-03 | Johnson Controls Technology Company | Staging active cooling start-up |
WO2015013677A2 (en) | 2013-07-26 | 2015-01-29 | The Trustees Of Columbia University In The City Of New York | Total property optimization system for energy efficiency and smart buildings |
CN105723197A (zh) | 2013-08-05 | 2016-06-29 | Mc10股份有限公司 | 包括可适形电子器件的柔性温度传感器 |
US9596319B2 (en) | 2013-11-13 | 2017-03-14 | T1V, Inc. | Simultaneous input system for web browsers and other applications |
US10465925B2 (en) | 2013-12-17 | 2019-11-05 | Belimo Holding Ag | Systems and methods for fault detection using smart valves |
US10402767B2 (en) | 2014-02-13 | 2019-09-03 | Johnson Controls Technology Company | Systems and methods for monetizing and prioritizing building faults |
KR20150123540A (ko) * | 2014-04-25 | 2015-11-04 | 삼성전자주식회사 | 전력 소비 최적화를 위한 스마트 시스템의 동작방법 및 장치 |
US9746213B2 (en) | 2014-08-14 | 2017-08-29 | Siemens Industry, Inc | Demand flow for air cooled chillers |
US9651929B2 (en) * | 2014-09-29 | 2017-05-16 | International Business Machines Corporation | HVAC system control integrated with demand response, on-site energy storage system and on-site energy generation system |
WO2016130453A1 (en) * | 2015-02-09 | 2016-08-18 | Schneider Electric It Corporation | System and methods for simulation-based optimization of data center cooling equipment |
US10386800B2 (en) * | 2015-02-24 | 2019-08-20 | Siemens Industry, Inc. | Variable air volume modeling for an HVAC system |
JP6660727B2 (ja) | 2015-12-16 | 2020-03-11 | ダイダン株式会社 | 外気利用型冷却システム |
US11009836B2 (en) * | 2016-03-11 | 2021-05-18 | University Of Chicago | Apparatus and method for optimizing quantifiable behavior in configurable devices and systems |
JP6125696B2 (ja) | 2016-06-08 | 2017-05-10 | 株式会社東芝 | 空調制御装置及び制御プログラム |
US11168915B2 (en) * | 2016-08-19 | 2021-11-09 | Fraunhofer Usa, Inc. | System and method for characterization of retrofit opportunities in building using data from interval meters |
US11076509B2 (en) * | 2017-01-24 | 2021-07-27 | The Research Foundation for the State University | Control systems and prediction methods for it cooling performance in containment |
US10671765B2 (en) * | 2017-03-03 | 2020-06-02 | Dell Products, L.P. | Internet-of-things (IOT) gateway tampering detection and management |
KR101925034B1 (ko) * | 2017-03-28 | 2018-12-04 | 엘지전자 주식회사 | 스마트 컨트롤링 디바이스 및 그 제어 방법 |
-
2018
- 2018-09-06 US US16/123,450 patent/US10660241B2/en active Active
- 2018-09-06 JP JP2020513564A patent/JP7016407B2/ja active Active
- 2018-09-06 CN CN201880057719.5A patent/CN111096094B/zh active Active
- 2018-09-06 ES ES18853088T patent/ES2962563T3/es active Active
- 2018-09-06 WO PCT/US2018/049734 patent/WO2019051077A1/en unknown
- 2018-09-06 EP EP18853088.5A patent/EP3679773B1/en active Active
- 2018-09-06 AU AU2018328266A patent/AU2018328266B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101589656A (zh) * | 2007-01-24 | 2009-11-25 | 美国能量变换公司 | 设备支架冷却性能的评估系统和方法 |
US7979250B2 (en) * | 2007-12-05 | 2011-07-12 | International Business Machines Corporation | Method of laying out a data center using a plurality of thermal simulators |
CN102741833A (zh) * | 2009-08-12 | 2012-10-17 | 国际商业机器公司 | 用于数据中心的基于知识的模型 |
Also Published As
Publication number | Publication date |
---|---|
WO2019051077A1 (en) | 2019-03-14 |
AU2018328266B2 (en) | 2021-05-13 |
ES2962563T3 (es) | 2024-03-19 |
EP3679773C0 (en) | 2023-08-30 |
EP3679773A4 (en) | 2021-05-05 |
EP3679773B1 (en) | 2023-08-30 |
JP2020533547A (ja) | 2020-11-19 |
CN111096094A (zh) | 2020-05-01 |
US10660241B2 (en) | 2020-05-19 |
JP7016407B2 (ja) | 2022-02-04 |
US20190075687A1 (en) | 2019-03-07 |
EP3679773A1 (en) | 2020-07-15 |
AU2018328266A1 (en) | 2020-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111096094B (zh) | 经由智能供应空气温度设定点控制的冷却单元能量优化 | |
CN112577161B (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
US11372382B2 (en) | Building management system with augmented deep learning using combined regression and artificial neural network modeling | |
KR101973652B1 (ko) | Hvac 시스템에 대한 가변 공기 용적 모델링 | |
US10408481B2 (en) | Systems and methods to control energy consumption efficiency | |
US11042924B2 (en) | Building controller for optimizing equipment upgrades with design of experiments | |
Escobar et al. | Advanced fuzzy-logic-based context-driven control for HVAC management systems in buildings | |
CN112050397A (zh) | 一种机房温度调控方法及系统 | |
Belic et al. | HVAC control methods-a review | |
US11085663B2 (en) | Building management system with triggered feedback set-point signal for persistent excitation | |
US11409250B2 (en) | Adaptively learning surrogate model for predicting building system dynamics from system identification model | |
CN114066071B (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
US10107205B2 (en) | Computer-aided control and/or regulation of a technical system | |
US11531308B2 (en) | Adaptively learning surrogate model for predicting building system dynamics from simulation model | |
CN110686377A (zh) | 一种空调温度自适应调节的控制方法、计算机可读存储介质及空调 | |
JP7378497B2 (ja) | モデル共有システム、モデル管理装置、および空気調和装置の制御装置 | |
Al Sayed et al. | Reinforcement learning for HVAC control in intelligent buildings: A technical and conceptual review | |
EP3680733A1 (en) | Central plant control system with dynamic computation reduction | |
CN112944599A (zh) | 空调系统的多参数耦合控制方法及装置 | |
CN115398159A (zh) | 具有自动冷却器防喘振的系统以及运行冷却器以避免未来喘振事件的方法 | |
CN113310176A (zh) | 信息处理装置 | |
CN117557070B (zh) | 能耗优化方法、装置及电子设备 | |
CN115877714B (zh) | 一种制冷系统控制方法、装置、电子设备及存储介质 | |
CN116734411A (zh) | 基于用户行为的空调控制方法、装置、空调及存储介质 | |
KR20220118836A (ko) | 에너지 비용을 최적화한 외기조화기 운영방법 |
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 |