CN111256294B - 一种基于模型预测的冷水机组组合运行优化控制方法 - Google Patents

一种基于模型预测的冷水机组组合运行优化控制方法 Download PDF

Info

Publication number
CN111256294B
CN111256294B CN202010056062.XA CN202010056062A CN111256294B CN 111256294 B CN111256294 B CN 111256294B CN 202010056062 A CN202010056062 A CN 202010056062A CN 111256294 B CN111256294 B CN 111256294B
Authority
CN
China
Prior art keywords
water
water chilling
unit
chilling unit
load
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
Application number
CN202010056062.XA
Other languages
English (en)
Other versions
CN111256294A (zh
Inventor
侯国峰
孙育英
许伟忠
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.)
Shenzhen Dee Energy Saving Technology Co ltd
Original Assignee
Shenzhen Dee Energy Saving 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 Shenzhen Dee Energy Saving Technology Co ltd filed Critical Shenzhen Dee Energy Saving Technology Co ltd
Priority to CN202010056062.XA priority Critical patent/CN111256294B/zh
Publication of CN111256294A publication Critical patent/CN111256294A/zh
Application granted granted Critical
Publication of CN111256294B publication Critical patent/CN111256294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F24F11/30—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供的一种基于GRNN的冷水机组能效模型建模方法和基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，涉及冷水机组节能领域。利用GRNN技术和制冷系统实际运行数据建立冷水机组能效模型，实现迅速、准确地预测冷水机组在不同运行工况下的能耗。利用冷负荷预测数据和冷水机组能效模型，以系统能耗最低为目标，实时优化冷水机组运行台数和负荷率分配，从而有效提高制冷系统运行能效。

Description

一种基于模型预测的冷水机组组合运行优化控制方法
技术领域
本发明属于制冷系统节能控制领域，具体涉及一种基于模型预测的冷水机组组合运行的优化控制方法。
背景技术
冷水机组是集中空调系统的核心部件，其运行能耗占集中空调总能耗的40％以上。对于大型建筑多台冷水机组联合运行的系统，冷水机组在不同负荷率下的运行能效不同，采用合理的冷水机组群控方法，使冷水机组尽可能保持高效运行，最大限度提高制冷系统运行效率，是实现集中空调系统节能的重要技术途径。
传统的冷水机组群控采用反馈控制方法，一般通过监测供冷负荷，当实测负荷达到设定限值时增加或减少机组台数；或者通过监测冷冻水出水温度，当水温低于设定值时，增加机组运行台数；或者通过监测旁通管流量，当旁通流量大于1台机组流量时，减少机组运行台数。传统的冷水机组群控方法虽然基本满足空调冷负荷的需求，但是运行调节滞后，未考虑冷水机组运行能效随负荷率和运行工况的变化特性，严重制约制冷系统的节能运行。
发明专利文献CN110222398A公开了一种冷水机组人工智能控制方法，包括：建立冷负荷预测模型；获取采集一定时间内的冷水机组的历史天气及生产数据作为第一训练数据；将所述第一训练数据通过第一机器学习算法对所述冷负荷预测模型进行训练；对训练完成的所述冷负荷预测模型输入未来的天气预报数据和生产计划，以使所述冷负荷预测模型输出预定时间内的冷负荷需求；还包括：建立冷机模型；获取采集一定时间内的冷机历史数据作为第二训练数据；将第二训练数据通过第二机器学习算法对冷机模型进行训练；对训练完成的所述冷机模型输入所述冷负荷预测模型输出的预定时间内冷负荷需求，作为输入数据，以输出所述冷负荷预测模型和所述冷机模型组合优化后的冷负荷需求数据；该发明虽然通过历史天气及生产数据对建立的冷负荷预测模型进行训练，解决目前无法对冷水机组的未来冷负荷进行预测的技术问题，从而实现在无需现场人员的干预下依据末端工况反馈对冷水机组的冷负荷进行准确预测，但是该发明并未考虑节能问题，尤其是基于模型预测的冷水机组组合运行的最佳节能方式问题。
专利文献CN110542178A提供一种具有自学习能力的空调冷冻机房控制方法及系统，通过COP效率预测模型和获取运行工况参数组的选中概率值，可以根据空调冷冻机房的现场实际工况自学习地动态调整输入参数，寻找对系统整体COP效率最大化对应的运行工况参数组，实现更优于传统冷机群控系统控制方式所能达到的节能效果。虽然该发明关注了预测与节能的情况，但是其运行效率和节能效果有限，有待进一步提高。
发明内容
为解决现有技术中存在的技术问题，本发明提供了一种基于模型预测的冷水机组群控方法，对大滞后特性的制冷系统进行主动前馈控制，寻求制冷系统最佳运行效率的冷水机组运行台数和负荷率分配方法。
具体技术方案如下：一方面，本发明提供了一种基于GRNN的冷水机组能效模型建模方法，其特征在于，包括如下步骤：
S1：根据制冷系统实际运行数据建立训练数据集，训练数据集包含系统各台冷水机组的运行功率Wi、负荷率
Figure BDA0002372443580000021
冷冻水供水温度tgi、冷却水回水温度cthi；
S2：基于步骤S1得到的训练数据集，以
Figure BDA0002372443580000022
tgi、cthi为模型输入参数、Wi为输出参数，采用广义回归神经网络(GRNN)，分别建立各个冷水机组的能耗预测模型；
S3：基于冷水机组的能耗预测模型，输入冷水机组的负荷率
Figure BDA0002372443580000023
冷冻水供水温度设定值tgsi和冷却水回水温度cthi，即可预测得到机组的运行功率Wi。
进一步地，负荷率为冷水机组制冷量与额定制冷量之比；
进一步地，所述冷水机组的能耗预测模型包括输入层、模式层、求和层和输出层；
输入层输入参数，并把输入参数传递给模式层；其中，输入参数为冷水机组的负荷率
Figure BDA0002372443580000024
冷冻水供水温度tgi和冷却水回水温度cthi；
模式层用于n个神经元输出；
求和层包括两种类型的神经元，第一种类型的神经元对模式层的n个神经元输出进行计算求和；传递函数SD为：
Figure BDA0002372443580000025
第二种神经元是对模式层的n个神经元输出进行加权求和，权值为第n个训练样本输出的第j个元素，传递函数Sj为：
Figure BDA0002372443580000026
输出层具有1个神经元输出，即为冷水机组的运行功率Wi，各神经元将求和层的输出相除得到预测结果；
Figure BDA0002372443580000031
其中，
Figure BDA0002372443580000032
为第j个神经元的输出对应第j个元素的预测结果。
进一步地，步骤S1中建立训练数据集包括如下步骤：
S11：记录制冷系统自动监测数据，监测数据包括各台冷水机组的运行功率Wi、冷冻水供水温度tgi、冷冻水回水温度th、冷却水进水温度cthi；
S12：根据监测数据和机组额定制冷量Qedi，根据下式计算机组负荷率
Figure BDA0002372443580000033
Figure BDA0002372443580000034
其中，C为水的比热，mi、tgsi、th为第i台冷水机组的实测流量、冷冻水供水设定温度、冷冻水实测回水温度；Qedi分别为第i台冷水机组的额定制冷量；
S13：基于运行功率Wi、机组负荷率
Figure BDA0002372443580000035
冷冻水供水温度tgi、冷却水进水温度cthi的数据，采用SQL数据库技术，建立GRNN模型的训练数据集。
进一步地，步骤S13中运行功率Wi、机组负荷率
Figure BDA0002372443580000036
冷冻水供水温度tgi、冷却水进水温度cthi的数据至少为1个供冷季的数据。
进一步地，冷水机组的能耗预测模型采用滚动训练方式，运行数据需要实时加入训练数据集，以保证冷水机组的能耗预测模型反映当前机组运行性能。
另一方面，本发明提供了一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，包括如下步骤：
S01：根据制冷系统中冷水机组的种类和台数，确定冷水机组运行台数的所有组合方式以及相应的总额定制冷量Qed；将冷水机组各组合方式下的总额定制冷量Qed与预测负荷Qyc进行比较，获得冷水机组运行台数的可行组合方式；
S02：基于冷负荷预测值、冷水机组能耗模型、冷冻水泵和冷却水泵功率，计算冷水机组运行台数的各个可行组合方式下的系统能耗Wsys，选择系统能耗Wsys最低的组合方式，作为选定的冷水机组运行台数的最佳组合方式；
S03：基于步骤S02中选定的冷水机组运行台数的最佳组合方式，以冷水机组的冷冻水供水设定温度tgsi作为调节机组负荷率方式，以系统能耗Wsys最低为优化目标，以系统供水温度为约束条件，通过冷水机组能耗模型，确定冷水机组的运行负荷率的最佳分配方式；
S04：根据步骤S02中选定的最佳的冷水机组运行台数和步骤S03中确定的负荷率分配，逐时调整冷水机组运行台数，重设各冷水机组的设定水温。
进一步地，步骤S01中，当总额定制冷量Qed与预测负荷Qyc进行比较时，满足2Qyc＞Qed＞Qyc条件下的冷水机组运行台数的组合方式即为冷水机组运行台数的可行组合方式。
进一步地，步骤S02中，系统能耗Wsys为计划运行的所有冷水机组及其配套冷冻水泵和冷却水泵的运行功率总和；各台冷水机组的运行功率根据将
Figure BDA0002372443580000041
tgsi和cth输入冷水机组能效模型而预测得到；其中，系统负荷率
Figure BDA0002372443580000042
计算方法如下：
Figure BDA0002372443580000043
进一步地，步骤S03具体包括以下步骤：
S031：计算各台冷水机组在不同冷冻水设定温度下的负荷率，计算方法如下：
Figure BDA0002372443580000044
S032：基于冷水机组运行台数的最佳组合方式，计算不同机组负荷率分配方式下的系统供水温度t′g，计算方法如下：
Figure BDA0002372443580000045
S033：当t′g满足下列约束条件时，确定为冷水机组负荷率的可行分配方式；
tgs-0.5＜t′g＜tgs+0.5
S034：针对冷水机组负荷率的可行分配方式，基于冷水机组能耗模型，计算总系统能耗Wsys；
S035：比较不同冷水机组负荷率的可行组合方式下的系统能耗Wsys，选择系统能耗Wsys最低的作为冷水机组负荷率的最佳分配方式，确定各台冷水机组的供水设定温度。
进一步地，步骤S04中还包括根据传统反馈控制，实时进行机组增减机，当发生增减机时，应重复步骤S03，寻找最佳的负荷率分配方式，重设各台冷水机组的供水设定温度。
与现有技术相对比，本发明的有益效果如下：
(1)基于GRNN建立的冷水机组能耗模型具有建模简单、适用性好的优势，真实反映冷水机组的实际运行性能，可迅速、有效地判断冷水机组在不同运行工况下的能耗；
(2)基于模型预测的冷水机组群控方法以能耗最低为目标，优化冷水机组运行台数和负荷率分配，可有效提高制冷系统运行能效。
附图说明
图1是本发明提供的一种基于GRNN的冷水机组能效模型原理图；
图2是本发明提供的一种基于模型预测的冷水机组群控方法流程图。
具体实施方式
下面结合附图，对本发明的具体实施方式作详细的说明。
参图1所示，本发明提出的一种基于GRNN的冷水机组能效模型建模方法，可按如下步骤实施：
S1：建立GRNN模型的训练数据集。
①记录制冷系统自动监测数据，记录间隔为10分钟，监测参数包括各台冷水机组的运行功率Wi、冷冻水供水温度tgi、冷冻水回水温度th、冷却水进水温度cthi。
②根据监测数据和机组额定制冷量，计算机组负荷率
Figure BDA0002372443580000051
如下式所示：
Figure BDA0002372443580000052
其中，C为水的比热，mi、tgsi、th为第i台冷水机组的实测流量、冷冻水供水设定温度、冷冻水实测回水温度；Qedi分别为第i台冷水机组的额定制冷量。
③基于Wi、
Figure BDA0002372443580000053
tgi和cthi的数据(不少于1个供冷季)，采用SQL数据库技术，建立GRNN模型的训练数据集。每台冷水机组各有1个训练数据集，并且实际运行数据应实时加入数据集。
S2：基于图1所示的GRNN原理和训练数据集，建立各台冷水机组的能效模型。当数据集有更新时，应重新对模型进行训练。
其中，各台冷水机组的能效模型包括输入层、模式层、求和层和输出层，具体如下：
①输入层
输入层具有3个神经元，即冷水机组的负荷率
Figure BDA0002372443580000054
冷冻水供水温度tgi和冷却水回水温度cthi，每个神经元都是简单的分布单元，把输入参数传递给模式层。
②模式层
模式层具有N个神经元，N为训练数据集样本数量。选用高斯函数作为传递函数的形式，则模式层第n个神经元的输出表达式如下：
Figure BDA0002372443580000061
||X-Xn||是神经元的输入为网络输入向量X与权值向量Xn的欧几里得距离。当神经元的输入为0时，神经元的输出为最大值1。神经元对输入的灵敏度由光滑因子σ来调节。采用交叉验证方法确定GRNN预测模型的最优平滑因子σ，评价指标为预测相对误差。
③求和层
求和层包括两种类型的神经元，第一种类型的神经元对所有模式层的神经元输出进行计算求和，传递函数为：
Figure BDA0002372443580000062
第二种神经元是对所有模式层的输出进行加权求和，权值为第n个训练样本输出Yn的第j个元素，传递函数为：
Figure BDA0002372443580000063
④输出层
输出层具有1个神经元，即冷水机组的运行功率(Wi)，各神经元将求和层的输出相除得到预测结果，第j个神经元的输出对应第j个元素的预测结果为：
Figure BDA0002372443580000064
S3：基于冷水机组能耗模型，输入冷水机组的负荷率
Figure BDA0002372443580000065
冷冻水供水温度设定值tgsi和冷却水回水温度cthi，即可预测得到机组的运行功率Wi。
参图2所示，本发明提供的一种基于模型预测的冷水机组群控方法，包括如下步骤：
S01：粗选冷水机组运行台数的可行组合方式。
①分析制冷系统构成，根据制冷系统中冷水机组的种类和台数，确定冷水机组运行台数的所有组合方式，(例如冷水机组种类有2种(大机组制冷量为1000冷吨、小机组为400冷吨)、每种类型机组的台数(大机组3台、小机组2台)，可以确定冷水机组运行台数的大小组合方式共11种，如1台大机组、2台大机组、3台大机组、1台大机组+1台小机组、1台大机组+2台小机组、2台大机组+1台小机组、2台大机组+2台小机组、1台小机组、2台小机组、1台大机组+2台小机组、3台大机组+2台小机组)以及确定相应的总额定制冷量Qed；
②将冷水机组各组合方式下的总额定制冷量Qed与预测负荷Qyc进行比较，如预测负荷为1700冷吨，当满足2Qyc＞Qed＞Qyc条件时，确定冷水组运行台数的可行组合方式有5种：1台大机组+2台小机组、2台大机组、2台大机组+1台小机组、2台大机组+2台小机组、3台大机组。
S02：确定冷水机组运行台数的最佳组合方式。
①计算冷水机组运行台数的各个可行组合方式下的系统能耗Wsys，系统能耗包括所有计划运行的冷水机组以及配套的冷冻水泵和冷却水泵总功率。其中，冷水机组运行功是基于冷水机组能耗模型，通过输入系统负荷率
Figure BDA0002372443580000071
冷冻水供水设定温度tgsi和冷却水回水温度cth，预测得到。
②比较不同冷水机组运行台数的可行组合方式下的系统能耗Wsys，选择能耗最低的作为冷水机组运行台数的最佳组合方式。
S03：优化冷水机组运行负荷率的分配方式。
①计算各台冷水机组在不同冷冻水设定温度(如7℃～13℃之间，取整数)下的负荷率，计算方法如下：
Figure BDA0002372443580000072
②基于冷水机组运行台数的最佳组合方式，计算不同机组负荷率分配方式下的系统供水温度t′g，计算方法如下：
Figure BDA0002372443580000073
③当t′g满足下列约束条件时，确定为冷水机组负荷率的可行分配方式。
tgs-0.5＜t′g＜tgs+0.5
④针对冷水机组负荷率的可行分配方式，基于冷水机组能耗模型，计算系统能耗Wsys。
⑤比较不同冷水机组负荷率的可行组合方式下的系统能耗Wsys，选择能耗最低的作为冷水机组负荷率的最佳分配方式，确定各台冷水机组的供水设定温度。
S04：冷水机组的群控
①基于最佳的冷水机组运行台数和负荷率分配，逐时调整冷水机组运行台数，重设各台冷水机组的供水设定温度。
②为了保障系统运行安全性和稳定性，根据传统反馈控制，实时进行机组增减机。当发生增减机时，应重复步骤S03，寻找最佳的负荷率分配方式，重设各台冷水机组的供水设定温度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (8)

1.一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，包括如下步骤：
S01：根据制冷系统中冷水机组的种类和台数，确定冷水机组运行台数的所有组合方式以及相应的总额定制冷量
Figure 93287DEST_PATH_IMAGE001
；将冷水机组各组合方式下的总额定制冷量
Figure 740169DEST_PATH_IMAGE001
与预测负荷
Figure 48791DEST_PATH_IMAGE002
进行比较，获得冷水机组运行台数的可行组合方式；
S02：基于冷负荷预测值、GRNN的冷水机组能耗模型、冷冻水泵和冷却水泵功率，计算冷水机组运行台数的各个可行组合方式下的系统能耗
Figure 122926DEST_PATH_IMAGE003
，选择系统能耗
Figure 884209DEST_PATH_IMAGE004
最低的组合方式，作为选定的冷水机组运行台数的最佳组合方式；
S03：基于步骤S02中选定的冷水机组运行台数的最佳组合方式，以冷水机组的冷冻水供水设定温度
Figure 334782DEST_PATH_IMAGE005
作为调节机组负荷率方式，以系统能耗
Figure 497910DEST_PATH_IMAGE006
最低为优化目标，以系统供水温度为约束条件，通过GRNN的冷水机组能耗模型，确定冷水机组的运行负荷率的最佳分配方式；
S04：根据步骤S02中选定的最佳的冷水机组运行台数和步骤S03中确定的负荷率分配，逐时调整冷水机组运行台数，重设各冷水机组的设定水温。
2.如权利要求1所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，GRNN的冷水机组能效模型建模方法，包括以下步骤：
S1：根据制冷系统实际运行数据建立训练数据集，训练数据集包含系统各台冷水机组的运行功率
Figure 241481DEST_PATH_IMAGE007
、负荷率
Figure 755639DEST_PATH_IMAGE008
、冷冻水供水温度
Figure 744324DEST_PATH_IMAGE009
、冷却水回水温度
Figure 27538DEST_PATH_IMAGE010
；
S2：基于步骤S1得到的训练数据集，以
Figure 584421DEST_PATH_IMAGE011
、
Figure 444930DEST_PATH_IMAGE012
、
Figure 971726DEST_PATH_IMAGE010
为模型输入参数、
Figure 109446DEST_PATH_IMAGE007
为输出参数，采用广义回归神经网络（GRNN），分别建立各个冷水机组的能耗预测模型；
S3：基于冷水机组的能耗预测模型，输入冷水机组的负荷率
Figure 837231DEST_PATH_IMAGE013
、冷冻水供水温度设定值
Figure 686500DEST_PATH_IMAGE005
和冷却水回水温度
Figure 157933DEST_PATH_IMAGE010
，即可预测得到机组的运行功率
Figure 274794DEST_PATH_IMAGE007
；
步骤S1中建立训练数据集具体包括如下步骤：
S11：记录制冷系统自动监测数据，监测数据包括各台冷水机组的运行功率
Figure 173479DEST_PATH_IMAGE007
、冷冻水供水温度
Figure 883946DEST_PATH_IMAGE014
、冷冻水回水温度
Figure 18125DEST_PATH_IMAGE015
、冷却水回水温度
Figure 130437DEST_PATH_IMAGE010
；
S12：根据监测数据和机组额定制冷量
Figure 324658DEST_PATH_IMAGE016
，根据下式计算机组负荷率
Figure 522421DEST_PATH_IMAGE017
；
Figure 335656DEST_PATH_IMAGE018
其中，C为水的比热，
Figure 919785DEST_PATH_IMAGE019
、
Figure 488170DEST_PATH_IMAGE020
、
Figure 766704DEST_PATH_IMAGE021
为第i台冷水机组的实测流量、冷冻水供水设定温度、冷冻水回水温度；
Figure 711526DEST_PATH_IMAGE016
分别为第i台冷水机组的额定制冷量；
S13：基于运行功率
Figure 532852DEST_PATH_IMAGE007
、机组负荷率
Figure 570340DEST_PATH_IMAGE022
、冷冻水供水温度
Figure 477116DEST_PATH_IMAGE014
、冷却水回水温度
Figure 491209DEST_PATH_IMAGE010
的数据，采用SQL数据库技术，建立GRNN模型的训练数据集。
3.如权利要求2所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，所述冷水机组的能耗预测模型包括输入层、模式层、求和层和输出层；
输入层输入参数，并把输入参数传递给模式层；其中，输入参数为冷水机组的负荷率
Figure 698199DEST_PATH_IMAGE022
、冷冻水供水温度
Figure 608386DEST_PATH_IMAGE014
和冷却水回水温度
Figure 127092DEST_PATH_IMAGE010
；
模式层用于n个神经元输出；
求和层包括两种类型的神经元，第一种类型的神经元对模式层的n个神经元输出进行计算求和；传递函数
Figure 554663DEST_PATH_IMAGE023
为：
Figure 973749DEST_PATH_IMAGE024
第二种神经元是对模式层的n个神经元输出进行加权求和，权值为第n个训练样本输出的第j个元素，传递函数
Figure 726942DEST_PATH_IMAGE025
为：
Figure 201785DEST_PATH_IMAGE026
输出层具有1个神经元输出，即为冷水机组的运行功率
Figure 292101DEST_PATH_IMAGE007
，各神经元将求和层的输出相除得到预测结果
Figure 801580DEST_PATH_IMAGE027
；
Figure 86193DEST_PATH_IMAGE028
其中，
Figure 189278DEST_PATH_IMAGE027
为第j个神经元的输出对应第j个元素的预测结果。
4.如权利要求2所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，步骤S13中运行功率
Figure 348864DEST_PATH_IMAGE007
、机组负荷率
Figure 853795DEST_PATH_IMAGE022
、冷冻水供水温度
Figure 73424DEST_PATH_IMAGE014
、冷却水回水温度
Figure 929384DEST_PATH_IMAGE010
的数据至少为1个供冷季的数据。
5.如权利要求2所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，冷水机组的能耗预测模型采用滚动训练方式，运行数据需要实时加入训练数据集，以保证冷水机组的能耗预测模型反映当前机组运行性能。
6.如权利要求1所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，步骤S02中，系统能耗
Figure 627082DEST_PATH_IMAGE004
为计划运行的所有冷水机组及其配套冷冻水泵和冷却水泵的运行功率总和；各台冷水机组的运行功率根据将
Figure 517677DEST_PATH_IMAGE029
、
Figure 412602DEST_PATH_IMAGE020
和
Figure 490279DEST_PATH_IMAGE010
输入冷水机组能效模型而预测得到；其中，系统负荷率
Figure 398192DEST_PATH_IMAGE030
计算方法如下：
Figure 2349DEST_PATH_IMAGE031
。
7.如权利要求1所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，步骤S03具体包括以下步骤：
S031：计算各台冷水机组在不同冷冻水设定温度下的负荷率
Figure 439147DEST_PATH_IMAGE022
，计算方法如下：
Figure 394333DEST_PATH_IMAGE032
S032：基于冷水机组运行台数的最佳组合方式，计算不同机组负荷率分配方式下的系统供水温度
Figure 309200DEST_PATH_IMAGE033
，计算方法如下：
Figure 33442DEST_PATH_IMAGE034
S033：当
Figure 906720DEST_PATH_IMAGE035
满足下列约束条件时，确定为冷水机组负荷率的可行分配方式；
Figure 958990DEST_PATH_IMAGE036
S034：针对冷水机组负荷率的可行分配方式，基于冷水机组能耗模型，计算系统能耗
Figure 569225DEST_PATH_IMAGE004
；
S035：比较不同冷水机组负荷率的可行组合方式下的系统能耗
Figure 23340DEST_PATH_IMAGE004
，选择系统能耗
Figure 67519DEST_PATH_IMAGE004
最低的作为冷水机组负荷率的最佳分配方式，确定各台冷水机组的供水设定温度。
8.如权利要求1所述的一种基于冷负荷预测和冷水机组能效模型的冷水机组群控方法，其特征在于，步骤S04中还包括根据传统反馈控制，实时进行机组增减机，当发生增减机时，应重复步骤S03，寻找最佳的负荷率分配方式，重设各台冷水机组的供水设定温度。
CN202010056062.XA 2020-01-17 2020-01-17 一种基于模型预测的冷水机组组合运行优化控制方法 Active CN111256294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010056062.XA CN111256294B (zh) 2020-01-17 2020-01-17 一种基于模型预测的冷水机组组合运行优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010056062.XA CN111256294B (zh) 2020-01-17 2020-01-17 一种基于模型预测的冷水机组组合运行优化控制方法

Publications (2)

Publication Number Publication Date
CN111256294A CN111256294A (zh) 2020-06-09
CN111256294B true CN111256294B (zh) 2021-01-05

Family

ID=70948935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010056062.XA Active CN111256294B (zh) 2020-01-17 2020-01-17 一种基于模型预测的冷水机组组合运行优化控制方法

Country Status (1)

Country Link
CN (1) CN111256294B (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113899055B (zh) * 2020-06-22 2023-06-30 青岛海信日立空调系统有限公司 冷水机组控制系统
CN111895626B (zh) * 2020-07-06 2023-01-24 山东格瑞德集团有限公司 一种基于物联网中央空调的节能控制方法
CN111895629B (zh) * 2020-07-22 2021-06-11 格瑞美科技(武汉)有限公司 一种通用的中央空调参与需求响应的设备端实现方法
CN112084707B (zh) * 2020-09-02 2024-08-20 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
CN112364999B (zh) * 2020-10-19 2021-11-19 深圳市超算科技开发有限公司 冷水机调节模型的训练方法、装置及电子设备
CN112465230A (zh) * 2020-11-30 2021-03-09 施耐德电气（中国）有限公司 一种自适应的冷水机组开机组合优化的预测方法及系统
CN112503746B (zh) * 2020-12-09 2022-06-24 上海安悦节能技术有限公司 基于机器学习与粒子群算法的动力站房冷源系统的控制方法
CN112526888A (zh) * 2021-02-07 2021-03-19 广州大学城能源发展有限公司 一种区域集中末端负荷预测方法
CN113091234B (zh) * 2021-04-08 2021-12-07 贵州汇通华城股份有限公司 一种制冷主机开关机选择方法及系统
CN115315134B (zh) * 2021-05-08 2024-09-20 维谛技术有限公司 一种温度控制设备群控方法和装置及设备
CN113432247B (zh) * 2021-05-20 2022-04-26 中南大学 基于图神经网络的冷水机组能耗预测方法、系统及存储介质
CN113432268A (zh) * 2021-06-28 2021-09-24 广东美的白色家电技术创新中心有限公司 模块机组的控制方法及相关设备
CN113825356B (zh) * 2021-07-28 2023-11-28 腾讯科技（深圳）有限公司 冷源系统的节能控制方法、装置、电子设备和存储介质
CN113780405B (zh) * 2021-09-07 2023-07-25 科希曼电器有限公司 基于深度神经网络的空调机参数回归优化方法
CN114326987B (zh) * 2021-10-08 2023-10-20 腾讯科技（深圳）有限公司 制冷系统控制及模型训练方法、装置、设备及存储介质
CN114396714B (zh) * 2021-12-14 2023-03-24 广州智业节能科技有限公司 一种系统启动台数自动控制运行系统和方法
CN114413459B (zh) * 2022-01-25 2022-12-09 清华大学 空调系统冷水机组群控方法、装置、电子设备及存储介质
CN114543405B (zh) * 2022-01-27 2024-01-23 上海发电设备成套设计研究院有限责任公司 一种制冷系统的能源审计方法、装置、设备及存储介质
CN114636212B (zh) * 2022-04-22 2024-01-30 苏州思萃融合基建技术研究所有限公司 一种基于grnn的多台冷水机组系统运行控制方法
CN115095962A (zh) * 2022-07-25 2022-09-23 蘑菇物联技术（深圳）有限公司 用于控制中央空调系统的冷水机组的方法、设备和介质
CN115307274B (zh) * 2022-10-12 2023-01-03 蘑菇物联技术（深圳）有限公司 控制空调系统的主机的方法、设备和存储介质
CN115654786B (zh) * 2022-12-28 2023-04-11 北京绿建软件股份有限公司 自动确定冷水机组运行策略的方法和装置
CN116045490B (zh) * 2022-12-30 2024-09-03 珠海格力电器股份有限公司 一种空调运行的控制方法及装置
CN116379655B (zh) * 2023-04-19 2023-09-05 广州施杰节能科技有限公司 一种冷机寻优控制系统及方法
CN116398994B (zh) * 2023-06-06 2023-10-27 南京壹格软件技术有限公司 一种基于负荷预测的冷水机组群控优化方法
CN116821736B (zh) * 2023-06-07 2024-09-24 国网湖南综合能源服务有限公司 一种用于冷水机组的数据驱动模型建模方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251291A (zh) * 2008-04-03 2008-08-27 上海交通大学 基于模型的集中空调系统全局优化节能控制方法及装置
CN201129823Y (zh) * 2007-11-21 2008-10-08 厦门立思科技有限公司 基于人工神经网络技术的中央空调节能控制装置
CN101424436A (zh) * 2008-11-29 2009-05-06 深圳市奥宇控制系统有限公司 一种中央空调智能优化控制系统及方法
KR20110100895A (ko) * 2010-03-05 2011-09-15 삼성물산 주식회사 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 방법
CN102980272A (zh) * 2012-12-08 2013-03-20 珠海派诺科技股份有限公司 一种基于负荷预测的空调系统节能优化方法
CN103912966A (zh) * 2014-03-31 2014-07-09 武汉科技大学 一种地源热泵制冷系统优化控制方法
CN109945402A (zh) * 2019-03-07 2019-06-28 东南大学 一种中央空调水系统节能方法
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201335488Y (zh) * 2008-11-29 2009-10-28 深圳市奥宇控制系统有限公司 一种中央空调智能优化控制装置
CN104331737A (zh) * 2014-11-21 2015-02-04 国家电网公司 一种基于粒子群神经网络的办公建筑负荷预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201129823Y (zh) * 2007-11-21 2008-10-08 厦门立思科技有限公司 基于人工神经网络技术的中央空调节能控制装置
CN101251291A (zh) * 2008-04-03 2008-08-27 上海交通大学 基于模型的集中空调系统全局优化节能控制方法及装置
CN101424436A (zh) * 2008-11-29 2009-05-06 深圳市奥宇控制系统有限公司 一种中央空调智能优化控制系统及方法
KR20110100895A (ko) * 2010-03-05 2011-09-15 삼성물산 주식회사 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 방법
CN102980272A (zh) * 2012-12-08 2013-03-20 珠海派诺科技股份有限公司 一种基于负荷预测的空调系统节能优化方法
CN103912966A (zh) * 2014-03-31 2014-07-09 武汉科技大学 一种地源热泵制冷系统优化控制方法
CN109945402A (zh) * 2019-03-07 2019-06-28 东南大学 一种中央空调水系统节能方法
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

Also Published As

Publication number Publication date
CN111256294A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111256294B (zh) 一种基于模型预测的冷水机组组合运行优化控制方法
CN110288164B (zh) 一种建筑空调制冷站系统预测控制方法
CN108990383B (zh) 一种数据中心空调系统预测控制方法
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
CN110410942B (zh) 一种冷热源机房节能优化控制方法及系统
CN108413567B (zh) 基于物联网的中央空调节费优化方法与系统
CN109945402A (zh) 一种中央空调水系统节能方法
CN109959123A (zh) 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法
CN104134100B (zh) 一种基于云计算的节能管理系统
CN110392515A (zh) 一种基于历史数据的冷热源机房节能控制方法及系统
CN114383299B (zh) 基于大数据与动态仿真的中央空调系统运行策略优化方法
CN105444356A (zh) 一种中央空调系统的能效优化智能控制系统及其控制方法
CN104833154B (zh) 基于模糊pid与神经内模的冷冻水回路控制方法
CN112415924A (zh) 一种空调系统节能优化方法及系统
CN115823706B (zh) 一次泵自适应变压差节能控制系统及方法
CN103591637A (zh) 一种集中供热二次网运行调节方法
CN110220288A (zh) 基于大数据云平台的集中空调系统智能优化控制方法及装置
CN116398994B (zh) 一种基于负荷预测的冷水机组群控优化方法
CN113959071B (zh) 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法
CN110895029A (zh) 一种基于冷冻水的温度的建筑负荷预测方法
CN113446661B (zh) 一种智能高效的热网运行调节方法
CN114282729A (zh) 一种基于负荷预测的冰蓄冷空调优化调度方法
CN113778215A (zh) 基于大数据实现数据中心pue预测以及降耗策略的方法
CN115577828A (zh) 一种基于数据驱动建模和优化的空调冷冻站系统群控方法
CN115423191A (zh) 一种基于神经网络并受房间热负荷约束的室温模型预测控制方法

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
GR01 Patent grant
GR01 Patent grant