CN111415036A - 一种中央空调系统并联冷机负荷优化分配方法 - Google Patents

一种中央空调系统并联冷机负荷优化分配方法 Download PDF

Info

Publication number
CN111415036A
CN111415036A CN202010187713.9A CN202010187713A CN111415036A CN 111415036 A CN111415036 A CN 111415036A CN 202010187713 A CN202010187713 A CN 202010187713A CN 111415036 A CN111415036 A CN 111415036A
Authority
CN
China
Prior art keywords
load
distributed
total
value
particle
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.)
Granted
Application number
CN202010187713.9A
Other languages
English (en)
Other versions
CN111415036B (zh
Inventor
于军琪
高之坤
陈时羽
赵安军
赵泽华
焦森
刘奇特
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.)
DONGGUAN JINSU ENVIRONMENTAL SCIENCE AND TECHNOLOGY Co.,Ltd.
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202010187713.9A priority Critical patent/CN111415036B/zh
Publication of CN111415036A publication Critical patent/CN111415036A/zh
Application granted granted Critical
Publication of CN111415036B publication Critical patent/CN111415036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种中央空调系统并联冷机负荷优化分配方法，在中央空调系统的若干冷机均设置有分布式控制器，并采用通信连接，形成分布式架构计算网络；当某一分布式控制器发起计算任务信息，其他分布式控制器接收到传递的计算任务信息后，根据计算任务信息进行计算；将计算结果传递至发起计算任务信息的分布式控制器，并对计算结果数据汇总；计算结果数据满足收敛条件，则总体分配调节完成；本发明通过各冷机的分布式控制器的协同合作，采用分布式并行计算的思想，完成了并联冷机系统负荷分配优化的调节任务；在保证安全可靠以及制冷量要求的情况下，根据外界冷负荷需求量的变化实时合理控制冷机的启停及负荷分配，有效降低了冷机的功耗。

Description

一种中央空调系统并联冷机负荷优化分配方法
技术领域
本发明涉及空调制冷技术领域，特别涉及一种中央空调系统并联冷机负荷优化分配方法。
背景技术
近年来，随着我国经济的高速发展，人们的生活水平得到进一步提高，商场、酒店、文体 场馆等进行各种公共活动的公共建筑建筑面积呈指数形式上升。新建的公共建筑中大型公共建 筑的比例不断上涨，而且既有的公共建筑相继大修改造，升级成为大型公共建筑，导致大型公 共建筑用能大幅上升，因此对于大型公共建筑节能研究非常有必要。
在大型公共建筑中，中央空调系统的能耗占比最大，约为60-70％，而冷机系统作为中央 空调的重要组成部分，其用电量达到了整个建筑用电量的25-40％。因而，冷机系统的安全稳 定，高效节能运行对中央空调至关重要，冷机系统运行能效的高低对大型公共建筑的能耗影响 较大，是大型公共建筑节能的有力切入点。
目前，由于天气变化、人员流动等原因造成了建筑外界情况在不断变化，不同外界情况下 对于同一冷机系统负荷的需求有所不同，为了提高系统对不同负荷需求的适应性，中央空调系 统中多数采用的是并联冷机系统。然而，在同一负荷需求下，冷机通常采用日常经验的运行策 略或者冷机开关个数加减去满足负荷要求，能耗较大。
发明内容
针对现有技术中存在的技术问题，本发明的目的在于提供了一种中央空调系统并联冷机负 荷优化分配方法，在保证安全可靠以及制冷量要求的情况下，根据末端负荷需求的变化实时合 理控制冷机的启停及负荷分配，以解决现有采用日常经验运行策略或冷机开关个数加减满足负 荷要求，能耗较大的技术问题。
为达到实现上述目的，本发明采用如下技术方案：
本发明提供了一种中央空调系统并联冷机负荷优化分配方法，将中央空调系统中的若干冷 机按照物理连接关系连接，每个冷机上均设置有分布式控制器，每个冷机上的分布式控制器之 间采用通信连接，形成分布式架构计算网络；其中，由某一分布式控制器，发起生成树，连接 其他所有分布式控制器；
当某一分布式控制器发起计算任务信息，其他分布式控制器接收到传递的计算任务信息后， 结合自身冷机的运行信息，根据计算任务信息进行计算；将计算结果数据传递至发起计算任务 信息的分布式控制器，并对计算结果数据汇总；若计算结果数据满足收敛条件，则总体分配调 节完成；否则重复继续迭代进行分配调节，直至满足收敛条件，完成优化分配控制。
进一步的，具体包括以下步骤：
S1、由某一分布式控制器发起生成树，连接其他分布式控制器，形成分布式架构计算网络；
S2、将若干冷机的某一负载率组合作为一个粒子，所有粒子组合形成种群；在每个分布式 控制器中完成种群初始化，得到初始化后的粒子位置向量和粒子速度向量，并将初始化后的粒 子位置向量分量和粒子速度向量分量传递至对应的分布式控制器；
S3、在每个分布式控制器中，分别对粒子位置向量分量之间的距离进行计算，并将计算结 果传递至其中一个分布式控制器进行汇总，当两个粒子之间的距离小于设定范围值时，对两个 粒子的适应度值进行大小比较，对适应度值较小的粒子惩罚并更新；
S4、利用各分布式控制器分别对每个冷机的功耗进行计算，得到各分布式控制器的适应度 值，将各分布式控制器的适应度值传递至其中一个分布式控制器中，通过该分布式控制器对各 分布式控制器的适应度值进行汇总，得到粒子的总适应度值；
S5、将各分布式控制器的适应度值中最小值，作为个体极值初值；将每个粒子对应的适应 度值，作为群体极值初值；
S6、对每个粒子位置向量及粒子速度向量进行更新，计算得到每个分布式控制器更新后的 适应度值；将每个分布式控制器更新后的适应度值传递至其中一个分布式控制器中，通过该分 布式控制器对各分布式控制器更新后的适应度值进行汇总，得到更新后粒子的总适应度值；
S7、根据更新后粒子的总适应度值，对其中一个分布式控制器进行个体极值及群体极值进 行更新，并将更新后的结果传递至其他分布式控制器；
S8、按照步骤S4-S7进行迭代，当迭代次数达到设定值或其中一个分布式控制器的适应度 值为最优解时，完成迭代；并将其适应度值的最优解传递至其他分布式控制器，完成优化分配 控制。
进一步的，步骤S2中，种群采用冷水机组负荷分配值矩阵U表示，冷水机组负荷分配值 矩阵U的公式如下：
Figure BDA0002414777530000031
其中，m为分布式控制器的个数，g为粒子个数，x为所有冷机的总负载率，xj,i为第j个粒子 中第i台冷机的负载率；
粒子位置向量X的初始化公式为：
x＝rands(g，m)
粒子速度向量V的初始化公式为：
v＝rands(g，m)。
进一步的，步骤S3中，粒子位置向量分量间的距离公式为：
Figure BDA0002414777530000041
其中，d1为粒子之间的距离，xi为第i个粒子的位置，xj为第j个粒子的位置。
进一步的，步骤S4中，粒子的总适应度值的计算公式如下：
F＝F1+F2...+Fi...+Fm
Fi＝a+b·xi-c·xi 2+d·xi 3
其中，F为粒子的总适应度值，Fi为第i个分布式控制器的适应度值，即为第i台冷机的 功耗；a、b、c、d为第i台冷机的性能参数；xi为第i个分布式控制器对应的粒子位置向量分 量。
进一步的，步骤S5中，进行个体极值和群体极值初始化时，所有冷机的负荷总量大于等 于外界冷负荷需求量，
所有冷机的负荷总量的计算公式为：
XQ＝k1·xi,1+k2·xi,2+k3·xi,3+k4·xi,4+k5·xi,5···+ki·xi,i+···+km·xi,m
其中，XQ为所有冷机的负荷总量，ki为第i台冷机可提供的最大冷负荷量。
进一步的，步骤S6中，更新后粒子的总适应度值的计算过程，具体包括以下步骤：
S601、利用高斯函数模型，建立迭代次数的惯性权重模型W(t)，惯性权重模型W(t)的函 数表达式为：
Figure BDA0002414777530000043
其中，z、p及o为惯性权重函数的调节系数，t为当前迭代次数；
S602、利用粒子位置更新公式及粒子速度更新公式，对每个分布式控制器的粒子位置及粒 子速度进行更新；
其中，粒子的位置更新公式为：
Figure BDA0002414777530000042
粒子的速度更新公式为：
Figure BDA0002414777530000051
其中，c1、c2为学习因子；r1、r2为[0,1]之间的随机数；
S603、每个分布式控制器的粒子位置和粒子速度更新完成后，计算出每个分布式控制器更 新后的适应度值；
S604、将所有分布式控制器更新后的适应度值传递至某一分布式控制器，进行汇总，得到 更新后的粒子的总适应度值。
进一步的，步骤S7具体包括以下步骤：
S701、根据更新后粒子的总适应度值，计算得到所有冷机的负荷总量；
S702、将所有冷机负荷相加得到的负荷总量与外界冷负荷需求量进行对比；当所有冷机的 负荷总量大于外界负荷需求量时，直接执行步骤S703；当所有冷机的负荷总量小于或等于外 界冷负荷需求量时，将步骤S5中的群体极值初值作为粒子的总适应度值，执行S703；
S703、对个体极值进行更新；进行第一次迭代，当某一分布式控制器更新后的适应度值小 于其个体极值初值，采用更新得到的适应度值作为更新后的个体极值；否则采用个体极值初值 作为更新后的个体极值；
S704、对群体极值进行更新：在所有个体极值中获取最小的个体极值，作为更新后的群体 极值；
S705、当某一分布式控制器完成个体极值及群体极值更新后，将其更新后的个体极值及更 新后的群体极值传递至其他分布式控制器。
进一步的，步骤S8中，完成优化分配控制后，冷机的负载率-功耗的性能曲线为：
Pchiller＝a+b·PLR-c·PLR2+d·PLR3
Pchiller＝e+f·PLR+g·PLR2
其中，e、f、g为参数，PLR为冷机的负荷分配率，Pchiller为冷机的运行功耗。
进一步的，步骤S8中，分布式控制器值的最优解满足以下条件：
当冷机的负荷总量大于等于外界冷负荷需求量的情况下，所有冷机的功耗总和最小，具体 为：
min(Wtotal)
s.t.0.3≤PLRi≤1或PLRi＝0
Figure BDA0002414777530000061
其中，Wtotal为所有冷机的功耗总和，PLRi为第i台冷机的负荷分配率，
Figure BDA0002414777530000062
为第i台冷机 的额定制冷量，Qneed为外界冷负荷需求量，m为冷机的总台数。
与现有技术比，本发明的有益效果有：
本发明所述的一种中央空调系统并联冷机负荷优化分配方法，通过各冷机的分布式控制器 的协同合作，采用分布式并行计算的思想，利用较少的计算资源，完成了并联冷机系统负荷分 配优化的调节任务；在保证安全可靠以及制冷量要求的情况下，根据外界冷负荷需求量的变化 实时合理控制冷机的启停及负荷分配，在满足冷负荷需求的前提下，有效降低了并联冷机系统 的功耗。
进一步的，通过采用分布式架构计算网络下，利用改进的粒子群算法，易求得给定工况外 界冷负荷需求条件下，各冷机负载率PLR的最优组合分配，从而达到更好的发挥并联冷机系 统优势，提高工作效率，降低系统能耗，节约能源的目的；在保障冷机正常运行的的前提下， 根据外界冷负荷需求量，基于冷机运行的数学模型，以并联冷机系统总能耗也就是总功率最小 为目标进行寻优计算，根据寻优结果来控制空调系统的组合分配问题，即能保证用户侧的冷负 荷需求，满足了用户侧的温度设定，又能合理的分配负荷，使得并联冷机系统在给定的工况下 既满足需求，又能以较低的功率工作，提高了冷机的工作效率，保证了冷水机组的总能耗在安 全的情况下降至最低，达到节能的目的，降低了系统的运行能耗。
进一步的，利用多个分布式控制器下进行粒子适应度值的并行计算，克服了传统集中式架 构下串行计算的缺点，计算速度更快。
进一步的，通过将所有冷机的负荷总量与外界冷负荷需求量的判断，利用每次更新的冷机 的负载率计算出此分配情况下的所有冷机的负荷总量，并与外界需求量进行对比，更好的去满 足外界需求量，运算更加准确。
进一步的，在进行粒子位置向量及粒子速度向量更新过程，通过采用高斯函数模型的非线 性递减的迭代次数惯性权重的改进策略，实现了合理跳这个每次迭代中的搜索步长，有效的避 免了迭代搜索进入局部最优解，提高了算法的收敛能力、稳定性、准确性和快速性。
进一步的，将新产生的个体极值、群体极值与上代产生的个体极值、群体极值共同排序筛 选，是为了在种群进化过程中保留上代优秀个体的信息。
进一步的，改进的粒子群算法下迭代次数-功率曲线是为了使算法能够根据各冷机的负载 率值计算得到各台冷机在不同负载率下的功率消耗，从而便于进行适应度值计算。
综上所述，本发明通过在粒子群算法中加入以高斯函数为模型的非线性递减的惯性权重的 改进策略，从而合理的调整了算法在每次迭代中的搜索步长，有效的避免了算法进入局部最优 解，以及使得算法有了不错的收敛能力。提高了算法的稳定性、准确性和快速性，进一步的提 高了算法的性能，使得算法更易求得给定工况末端负荷需求下各冷机负载率PLR的最优组合 分配，从而达到更好的发挥并联冷机系统优势，提高工作效率，降低系统能耗，节约能源的目 的；粒子受到最大位置和最小位置的限制，当位置超过最大位置Xmax，将被限定为Xmax＝1， 当位置小于最小位置Xmin＝0.3时，位置被限定为0，考虑了冷机制造厂商认为冷机负载率应 大于等于0.3的建议。
本发明中在保障冷机正常运行的的前提下，根据外界冷负荷需求量，基于冷机运行的数学 模型，以并联冷机系统总能耗也就是总功率最小为目标进行寻优计算，根据寻优结果来控制空 调系统的组合分配问题，也就是冷水机组的启停和负荷分配，即能保证用户侧的冷负荷需求， 满足了用户侧的温度设定，又能合理的分配负荷，使得并联冷机系统在给定的工况下既满足需 求，又能以较低的功率工作，提高了冷机的工作效率，保证了冷水机组的总能耗在安全的情况 下降至最低，达到节能的目的，降低了系统的运行能耗。
附图说明
图1为本发明中采用分布式构架下冷机群控制系统结构示意图；
图2为实施例1中央空调系统并联系统冷机负荷优化分配方法中迭代次数-功耗曲线图；
图3为实施例2中央空调系统并联系统冷机负荷优化分配方法中迭代次数-功耗曲线图；
图4为实施例1中央空调系统并联系统冷机负荷优化分配方法中需求量误差图；
图5为实施例2中央空调系统并联系统冷机负荷优化分配方法中需求量误差图。
具体实施方式
下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明，但下述实施例 仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出 创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
如附图1所示，本发明提供了一种中央空调系统并联冷机负荷优化控制系统，包括若干个 冷机，若干个冷机采用并联连接方式连接；每个冷机上均设置有分布式控制器；各个冷水机组 按照分布式架构进行连接，每个冷水机组上的分布式控制器之间采用有线或无线方式之间相互 连接，形成分布式架构计算网络；其中，分布式控制器用于通过分布式计算与其他节点协同完 成优化分配计算，分布式控制器上内置有对应冷水机组的包括性能参数在内的各种设备信息， 并按统一形式写入。
在现场安装过程中，若干冷机按照并联连接的实际物理连接关系连接，冷机之间采用物理 管道连接，其是按照冷机本身的功能特性和设备之间的功能配合进行设计，实现在很大程度上 满足冷机在运行过程中的协作要求。
当某一分布式控制器发起计算任务，其他分布式控制器接收到传递信息后，结合自身的运 行信息，根据任务进行计算，并将计算完成的数据传递给发起任务的分布式控制器，由该分布 式控制器进行汇总，如果满足收敛条件，则总体调节完成；否则继续迭代进行调整，直至满足 收敛条件，达到节能降耗控制的效果。
本发明所述的一种中央空调系统并联冷机负荷优化分配方法中，当系统末端给定一外界冷 负荷需求量，并发送给并联冷机系统时，触发某一分布式控制器调节计算任务；首先各冷机上 的分布式控制器均随机产生一组负载率值作为群体极值初值，并根据内置的冷机负载率-功率 性能曲线参数以及额定制冷量参数，计算不同负载率下的功率消耗及制冷量；之后各分布式控 制器通过信息交互得到不同负载率组合下的并联冷机系统的总制冷量及总功率消耗；再根据以 高斯函数为模型的非线性惯性权重改进策略进行惯性权重的改进；然后根据速度更新公式、位 置更新公式对粒子位置速度更新；进而计算出新的适应度值得到新的个体极值、群体极值；将 新产生的个体极值、群体极值与上代产生的个体极值、群体极值共同排序筛选，淘汰部分适应 度较差的个体，至此完成一次进化过程，子代种群按照并联冷机系统满足末端负荷需求的情况 下能耗最小的方向进化了一代，如此不断进化直至达到最大进化代数后，将最后一代种群中适 应度最大的负载率组合作为优化调节的结果，并通过控制器控制各台冷机完成调节过程，从而 完成优化分配任务。
一般情况下，中央空调系统由多台冷机组成，其规格也是不尽相同，其主要采用的是冷媒 水供水温度的控制方法，假如系统中所有的冷机额定制冷量均相同，则各台机组均匀分担冷量； 若机组额定制冷量不完全相同，则每一台机组按照其额定制冷量占运行机组总制冷量的比例来 提供冷量。
本发明所述的一种中央空调系统并联冷机负荷优化分配方法，是在给定系统末端外界冷负 荷需求量的基础下，根据冷机功率和PLR之间关系，建立冷水机组总能耗目标函数，然后求 解得到各冷水机组所承担的负荷比率，从而对冷水机组的负荷进行分配，以所有冷机的功耗总 和最低或迭代次数达到设定值为收敛条件。
其中，冷机负载率-功耗的性能曲线为：
Pchiller＝a+b·PLR-c·PLR2+d·PLR3
Pchiller＝e+f·PLR+g·PLR2
其中，e、f、g为参数，PLR表示冷机的负载率值，Pchiller表示冷机的运行功率。
分布式控制器值的最优解满足以下条件：
当冷机的负荷总量大于等于外界冷负荷需求量的情况下，所有冷机的功耗总和最小，具体 为：
min(Wtotal)
s.t.0.3≤PLRi≤1或PLRi＝0
Figure BDA0002414777530000101
其中，Wtotal为所有冷机的功耗总和，PLRi为第i台冷机的负荷分配率，
Figure BDA0002414777530000102
为第i台冷机 的额定制冷量，Qneed为外界冷负荷需求量，m为冷机的总台数。
其中，约束条件0.3≤PLR≤1是考虑到冷机的性能以及冷机制造厂商的建议，各冷水机组 的PLR不能小于0.3。
在分布式架构下并联冷机负荷分配问题，是指把集中式模型拆分为若干个智能冷机模型， 以便每个冷机的上的分布式控制器都以并行分布的方式运行；每个分布式控制器均属于上述问 题的次优化问题。
采用的改进的粒子群算法是采用以高斯函数为模型进行的非线性惯性权重的改进策略进 行优化，并在此基础上将优化后的方法改写为分布式方法。
S1、由某一分布式控制器发起生成树，连接其他分布式控制器，形成分布式架构计算网 络；
S2、种群初始化：将若干冷机的某一负载率组合作为一个粒子，所有粒子组合形成种群； 在每个分布式控制器中完成种群初始化，得到初始化后的粒子位置向量和粒子速度向量，并将 初始化后的粒子位置向量分量和粒子速度向量分量传递至对应的分布式控制器；种群采用冷水 机组负荷分配值矩阵U表示，冷水机组负荷分配值矩阵U的公式如下：
Figure BDA0002414777530000111
其中，m为分布式控制器的个数，g为粒子个数，x为所有冷机的总负载率，xj,i为第j个 粒子中第i台冷机的负载率；
粒子位置向量X的初始化公式为：
x＝rands(g，m)
粒子速度向量V的初始化公式为：
v＝rands(g，m)
其中，X为粒子位置，其数值为随机产生的0到1之间的随机数；有几台冷机，粒子位置 维度就为多少；V为粒子速度，其数值为随机产生的0到1之间的随机数，粒子速度的维度和 粒子位置维度一致。
S3、在每个分布式控制器中，分别对粒子位置向量分量之间的距离进行计算，并将计算结 果传递至其中一个分布式控制器进行汇总，当两个粒子之间的距离小于设定范围值时，对两个 粒子的适应度值进行大小比较，对适应度值较小的粒子惩罚并更新；
其中，粒子位置向量分量间的距离公式为：
Figure BDA0002414777530000121
其中，d1为粒子之间的距离，xi为第i个粒子的位置向量分量，xj为第j个粒子的位置向 量分量。
S4、适应度值初始化：利用各分布式控制器分别对每个冷机的功耗进行计算，得到各分布 式控制器的适应度值，将各分布式控制器的适应度值传递至其中一个分布式控制器中，通过该 分布式控制器对各分布式控制器的适应度值进行汇总，得到粒子的总适应度值；
其中，粒子的总适应度值的计算公式如下：
F＝F1+F2...+Fi...+Fm
Fi＝a+b·xi-c·xi 2+d·xi 3
其中，F为粒子的总适应度值，Fi为第i个分布式控制器的适应度值，即为第i台冷机的 功耗；a、b、c、d为第i台冷机的性能参数，上述参数根据冷机日常运行数据拟合得到；上 述是对冷机负荷分配进行优化，xi为第i个分布式控制器对应的粒子位置向量分量，即为冷机 的待优化变量，即冷机的功率与其负载率Part Load Ratio,PLR。
S5、个体极值和群体极值的初始化：将各分布式控制器的适应度值中最小值，作为个体 极值初值；将每个粒子对应的适应度值，作为群体极值初值；
进行个体极值和群体极值初始化时，所有冷机的负荷总量大于等于外界冷负荷需求量，
所有冷机的负荷总量的计算公式为：
XQ＝k1·xi,1+k2·xi,2+k3·xi,3+k4·xi,4+k5·xi,5···+ki·xi,i+···+km·xi,m
其中，XQ为所有冷机的负荷总量，ki为第i台冷机可提供的最大冷负荷量。
S6、迭代寻优：对每个粒子位置向量及粒子速度向量进行更新，计算得到每个分布式控 制器更新后的适应度值；将每个分布式控制器更新后的适应度值传递至其中一个分布式控制器 中，通过该分布式控制器对各分布式控制器更新后的适应度值进行汇总，得到更新后粒子的总 适应度值；
其中，更新后粒子的总适应度值的计算过程，具体包括以下步骤：
S601、利用高斯函数模型，建立迭代次数的惯性权重模型W(t)，惯性权重模型W(t)的函 数表达式为：
Figure BDA0002414777530000133
其中，z、p及o为惯性权重函数的调节系数，t为当前迭代次数；
S602、利用粒子位置更新公式及粒子速度更新公式，对每个分布式控制器的粒子位置及粒 子速度进行更新；
其中，粒子的位置更新公式为：
Figure BDA0002414777530000131
粒子的速度更新公式为：
Figure BDA0002414777530000132
其中，c1、c2为学习因子；r1、r2为[0,1]之间的随机数；对粒子飞行进行约束，粒子受到最 大速度和最小速度的限制，当速度超过最大速度Vmax，将被限定为Vmax，当速度小于最小 速度Vmin时，被限定为最小速度Vmin。粒子受到最大位置和最小位置的限制，当位置超过 最大位置Xmax，将被限定为Xmax＝1，当位置小于最小位置Xmin＝0.3时，位置被限定为0。
S603、每个分布式控制器的粒子位置和粒子速度更新完成后，计算出每个分布式控制器更 新后的适应度值；
S604、将所有分布式控制器更新后的适应度值传递至某一分布式控制器，进行汇总，得到 更新后的粒子的总适应度值。
对应每个设备的粒子位置维度、速度维度根据速度更新公式、位置更新公式开始更新，并 计算出对应的适应度值，并将结果传递给与外界系统相连的设备，由它汇总，计算出新的总的 适应度值。
S7、个体极值和群体极值的更新：根据更新后粒子的总适应度值，对其中一个分布式控制 器进行个体极值及群体极值进行更新，并将更新后的结果传递至其他分布式控制器；
具体包括以下步骤：
S701、根据更新后粒子的总适应度值，计算得到所有冷机的负荷总量；
S702、将所有冷机的负荷总量与外界冷负荷需求量进行对比；当所有冷机的负荷总量大于 外界负荷需求量时，直接执行步骤S703；当所有冷机的负荷总量小于或等于外界冷负荷需求 量时，将步骤S5中的群体极值初值作为粒子的总适应度值，执行S703；
S703、对个体极值进行更新；进行第一次迭代，当某一分布式控制器更新后的适应度值小 于其个体极值初值，采用更新得到的适应度值作为更新后的个体极值；否则采用个体极值初值 作为更新后的个体极值；
S704、对群体极值进行更新：在所有个体极值中获取最小的个体极值，作为更新后的群体 极值；
S705、当某一分布式控制器完成个体极值及群体极值更新后，将其更新后的个体极值及更 新后的群体极值传递至其他分布式控制器。
S8、最优解的传递：按照步骤S4-S7进行迭代，当在迭代次数达到设定值或其中一个分布 式控制器中适应度值为最优解，完成迭代；并将其适应度值的最优解传递至其他分布式控制器， 完成优化分配控制；
其中，完成优化分配控制后，冷机的负载率-功耗的性能曲线为：
Pchiller＝a+b·PLR-c·PLR2+d·PLR3
Pchiller＝e+f·PLR+g·PLR2
其中，e、f、g为参数，PLR表示冷机的负载率值，Pchiller表示冷机的运行功耗。
分布式控制器值的最优解满足以下条件：
当冷机的负荷总量大于等于外界冷负荷需求量的情况下，所有冷机的功耗总和最小，具体 为：
min(Wtotal)
s.t.0.3≤PLRi≤1或PLRi＝0
Figure BDA0002414777530000151
其中，Wtotal为所有冷机的功耗总和，PLRi为第i台冷机的负荷分配率，
Figure BDA0002414777530000152
为第i台冷机 的额定制冷量，Qneed为外界冷负荷需求量，m为冷机的总台数。
实施例1
实施例1以三台冷机系统为研究对象，三台冷机系统包括三台制冷量为800RT冷机，三 台冷机构成分布式架构网络，三台冷机的性能参数如表1所示。
表1实施例1并联冷机系统中各冷机性能参数
冷机编号 a b c d 额定制冷量/RT
1 100.95 818.61 -973.43 788.55 800
2 66.598 606.34 -380.58 275.95 800
3 130.09 304.5 14.377 99.8 800
现假设用户侧总需求量分别为三台冷机系统总制冷量的40％、50％，即960RT和1200RT， 通过本发明所述的一种中央空调系统并联冷机负荷优化分配方法，具体包括如下：
本次优化的目标函数为：
min(Wtotal)
s.t.0.3≤PLRi≤1或PLRi＝0
Figure BDA0002414777530000153
其中，N分别等于3。
具体步骤如下：
步骤1：与外界相连的冷机分布式控制器生成的粒子位置作为冷机PLR值；
步骤2：所有分布式控制器计算出各自PLR值所对应的制冷量及功耗；
步骤3：所有分布式控制器通过与邻居分布式控制器进行通信得到所有PLR组合下并联冷 机系统的总制冷量及对应的系统总功耗；
步骤4：每台冷机利用由高斯函数作为策略改进的位置公式对自身的PLR值进行更新操作；
步骤5：对完成更新操作后的PLR种群进行适应度评价；
步骤6：所有分布式控制器对迭代终止条件进行判断，若达到最大进化代数Gmax＝50，则 将标志位信号flag置0，终止迭代，否则置为1；
步骤7：将某一分布式控制器与邻居分布式控制器进行信息交互，对PLR组合进行适应度 评价，取最优作为输出。
附图2给出了实施例1中央空调系统并联系统冷机负荷优化分配方法中迭代次数-功率曲 线图；从附图2中可以看出在带约束的函数极值寻优方面体现了较好的寻优能力，收敛速度也 较快，且比较简单容易操作。
实施例1中对三台冷机与六台冷机和最初的分配如表2：
表2三台冷机中最初分配、改进PSO算法结果对比
Figure BDA0002414777530000161
实施例2
实施例2以台北某酒店六台冷机系统为研究对象，六台冷机冷机系统由四台制冷量为 1280RT冷机和两台制冷量为1250RT的冷机组成，各冷机具体性能参数如表3所示。
表3实施例2并联冷机系统中各冷机性能参数
Figure BDA0002414777530000162
Figure BDA0002414777530000171
现假设用户侧总需求量分别为六台冷机系统总制冷量的70％、75％，即5334RT和5717RT， 通过本发明所述的一种中央空调系统并联冷机负荷优化分配方法，具体包括如下：
本次优化的目标函数为：
min(Wtotal)
s.t.0.3≤PLRi≤1或PLRi＝0
Figure BDA0002414777530000172
其中，N分别等于6。
具体步骤如下：
步骤1：与外界相连的冷机分布式控制器生成的粒子位置作为冷机PLR值；
步骤2：所有分布式控制器计算出各自PLR值所对应的制冷量及功耗；
步骤3：所有分布式控制器通过与邻居分布式控制器进行通信得到所有PLR组合下并联冷 机系统的总制冷量及对应的系统总功耗；
步骤4：每台冷机利用由高斯函数作为策略改进的位置公式对自身的PLR值进行更新操作；
步骤5：对完成更新操作后的PLR种群进行适应度评价；
步骤6：所有冷机控制器对迭代终止条件进行判断，若达到最大进化代数Gmax＝50，则将 标志位信号flag置0，终止迭代，否则置为1；
步骤7：冷机控制器与邻居控制器进行信息交互，对PLR组合进行适应度评价，取最优作 为输出。
附图4给出了实施例2中央空调系统并联系统冷机负荷优化分配方法中迭代次数-功率曲 线图；从附图4中可以看出在带约束的函数极值寻优方面体现了较好的寻优能力，收敛速度也 较快，且比较简单容易操作。
实施例2中对三台冷机与六台冷机和最初的分配如表4：
表4实施例2中GA、PSO、EIWO、改进PSO算法结果对比
Figure BDA0002414777530000181
从表3、4中可以看出改进后的粒子群算法得到的负荷分配方案使得并联冷机系统在低能 耗下运行，而最初的分配结果不太理想，系统总能耗偏高。再通过计算对比可以得出，本次并 联冷机系统的运行方案相对于最初的方案可以节能25.5％左右，从空调系统长期运行来看，将 会是非常可观的能源。
请参阅图2、图4，为本发明方法所求得的负荷分配结果收敛图，从两个图中我们可以看 出，分布式架构下改进的粒子群算法在实施例1中迭代次数不到十代就得到了很高的精度，在 实施例2中迭代次数为十次左右便得到了很高的精度，说明此方法收敛性很好，能够很快的得 到不错的优化效果。
请参阅图4、图5，为本发明方法所求得的需求量误差图，从图4中可以看出，实施例1 中，本发明方法相对误差值均不超过0.6％。从图5中可以看出，实施例2中，本发明方法相对误差值均不超过0.015％，误差几乎接近于0。从图4、图5的误差结果分析，验证了本发明方法的准确性和稳定性。
以上所述仅表示本发明的优选实施方式，任何人在不脱离本发明的原理下而做出的结构 变形、改进和润饰等，这些变形、改进和润饰等均视为在本发明的保护范围内。

Claims (10)

1.一种中央空调系统并联冷机负荷优化分配方法，其特征在于，将中央空调系统中的若干冷机按照物理连接关系连接，每个冷机上均设置有分布式控制器，每个冷机上的分布式控制器之间采用通信连接，形成分布式架构计算网络；其中，由某一分布式控制器，发起生成树，连接其他所有分布式控制器；
当某一分布式控制器发起计算任务信息，其他分布式控制器接收到传递的计算任务信息后，结合自身冷机的运行信息，根据计算任务信息进行计算；将计算结果数据传递至发起计算任务信息的分布式控制器，并对计算结果数据汇总；若计算结果数据满足收敛条件，则总体分配调节完成；否则重复继续迭代进行分配调节，直至满足收敛条件，完成优化分配控制。
2.根据权利要求1所述的一种中央空调系统并联冷机负荷优化分配方法，其特征在于，具体包括以下步骤：
S1、由某一分布式控制器发起生成树，连接其他分布式控制器，形成分布式架构计算网络；
S2、将若干冷机的某一负载率组合作为一个粒子，所有粒子组合形成种群；在每个分布式控制器中完成种群初始化，得到初始化后的粒子位置向量和粒子速度向量，并将初始化后的粒子位置向量分量和粒子速度向量分量传递至对应的分布式控制器；
S3、在每个分布式控制器中，分别对粒子位置向量分量之间的距离进行计算，并将计算结果传递至其中一个分布式控制器进行汇总，当两个粒子之间的距离小于设定范围值时，对两个粒子的适应度值进行大小比较，对适应度值较小的粒子惩罚并更新；
S4、利用各分布式控制器分别对每个冷机的功耗进行计算，得到各分布式控制器的适应度值，将各分布式控制器的适应度值传递至其中一个分布式控制器中，通过该分布式控制器对各分布式控制器的适应度值进行汇总，得到粒子的总适应度值；
S5、将各分布式控制器的适应度值中最小值，作为个体极值初值；将每个粒子对应的适应度值，作为群体极值初值；
S6、对每个粒子位置向量及粒子速度向量进行更新，计算得到每个分布式控制器更新后的适应度值；将每个分布式控制器更新后的适应度值传递至其中一个分布式控制器中，通过该分布式控制器对各分布式控制器更新后的适应度值进行汇总，得到更新后粒子的总适应度值；
S7、根据更新后粒子的总适应度值，对其中一个分布式控制器进行个体极值及群体极值进行更新，并将更新后的结果传递至其他分布式控制器；
S8、按照步骤S6-S7进行迭代，当迭代次数达到设定值或其中一个分布式控制器的适应度值为最优解时，完成迭代；并将其适应度值的最优解传递至其他分布式控制器，完成优化分配控制。
3.根据权利要求2所述的一种中央空调系统并联冷机负荷优化分配方法，其特征在于，步骤S2中，种群采用冷水机组负荷分配值矩阵U表示，冷水机组负荷分配值矩阵U的公式如下：
Figure FDA0002414777520000021
其中，m为分布式控制器的个数，g为粒子个数，x为所有冷机的总负载率，xj,i为第j个粒子中第i台冷机的负载率；
粒子位置向量X的初始化公式为：
x＝rands(g，m)
粒子速度向量V的初始化公式为：
v＝rands(g，m)。
4.根据权利要求2所述的一种中央空调系统并联冷机负荷优化分配方法，其特征在于，步骤S3中，粒子位置向量分量间的距离公式为：
Figure FDA0002414777520000031
其中，d1为粒子之间的距离，xi为第i个粒子的位置，xj为第j个粒子的位置。
5.根据权利要求2所述的一种中央空调系统并联冷机负荷优化分配方法，其特征在于，步骤S4中，粒子的总适应度值的计算公式如下：
F＝F1+F2...+Fi...+Fm
Fi＝a+b·xi-c·xi 2+d·xi 3
其中，F为粒子的总适应度值，Fi为第i个分布式控制器的适应度值，即为第i台冷机的功耗；a、b、c、d为第i台冷机的性能参数；xi为第i个分布式控制器对应的粒子位置向量分量。
6.根据权利要求2所述的一种中央空调系统并联冷机负荷优化分配方法，其特征在于，步骤S5中，进行个体极值和群体极值初始化时，所有冷机的负荷总量大于等于外界冷负荷需求量，
所有冷机的负荷总量的计算公式为：
XQ＝k1·xi,1+k2·xi,2+k3·xi,3+k4·xi,4+k5·xi,5···+ki·xi,i+···+km·xi,m
其中，XQ为所有冷机的负荷总量，ki为第i台冷机可提供的最大冷负荷量。
7.根据权利要求2所述的一种中央空调系统并联冷机负荷优化分配方法，其特征在于，步骤S6中，更新后粒子的总适应度值的计算过程，具体包括以下步骤：
S601、利用高斯函数模型，建立迭代次数的惯性权重模型W(t)，惯性权重模型W(t)的函数表达式为：
Figure FDA0002414777520000032
其中，z、p及o为惯性权重函数的调节系数，t为当前迭代次数；
S602、利用粒子位置更新公式及粒子速度更新公式，对每个分布式控制器的粒子位置及粒子速度进行更新；
其中，粒子的位置更新公式为：
Figure FDA0002414777520000041
粒子的速度更新公式为：
Figure FDA0002414777520000042
其中，c1、c2为学习因子；r1、r2为[0,1]之间的随机数；
S603、每个分布式控制器的粒子位置和粒子速度更新完成后，计算出每个分布式控制器更新后的适应度值；
S604、将所有分布式控制器更新后的适应度值传递至某一分布式控制器，进行汇总，得到更新后的粒子的总适应度值。
8.根据权利要求2所述的一种中央空调系统并联冷机负荷优化分配方法，其特征在于，步骤S7具体包括以下步骤：
S701、根据更新后粒子的总适应度值，计算得到所有冷机的负荷总量；
S702、将所有冷机负荷相加得到的负荷总量与外界冷负荷需求量进行对比；当所有冷机的负荷总量大于外界负荷需求量时，直接执行步骤S703；当所有冷机的负荷总量小于或等于外界冷负荷需求量时，将步骤S5中的群体极值初值作为粒子的总适应度值，执行S703；
S703、对个体极值进行更新；进行第一次迭代，当某一分布式控制器更新后的适应度值小于其个体极值初值，采用更新得到的适应度值作为更新后的个体极值；否则采用个体极值初值作为更新后的个体极值；
S704、对群体极值进行更新：在所有个体极值中获取最小的个体极值，作为更新后的群体极值；
S705、当某一分布式控制器完成个体极值及群体极值更新后，将其更新后的个体极值及更新后的群体极值传递至其他分布式控制器。
9.根据权利要求2所述的一种中央空调系统并联冷机负荷优化分配方法，其特征在于，步骤S8中，完成优化分配控制后，冷机的负载率-功耗的性能曲线为：
Pchiller＝a+b·PLR-c·PLR2+d·PLR3
Pchiller＝e+f·PLR+g·PLR2
其中，e、f、g为参数，PLR为冷机的负荷分配率，Pchiller为冷机的运行功耗。
10.根据权利要求9所述的一种中央空调系统并联冷机负荷优化分配方法，其特征在于，步骤S8中，分布式控制器值的最优解满足以下条件：
当冷机的负荷总量大于等于外界冷负荷需求量的情况下，所有冷机的功耗总和最小，具体为：
min(Wtotal)
s.t.0.3≤PLRi≤1或PLRi＝0
Figure FDA0002414777520000051
其中，Wtotal为所有冷机的功耗总和，PLRi为第i台冷机的负荷分配率，
Figure FDA0002414777520000052
为第i台冷机的额定制冷量，Qneed为外界冷负荷需求量，m为冷机的总台数。
CN202010187713.9A 2020-03-17 2020-03-17 一种中央空调系统并联冷机负荷优化分配方法 Active CN111415036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010187713.9A CN111415036B (zh) 2020-03-17 2020-03-17 一种中央空调系统并联冷机负荷优化分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010187713.9A CN111415036B (zh) 2020-03-17 2020-03-17 一种中央空调系统并联冷机负荷优化分配方法

Publications (2)

Publication Number Publication Date
CN111415036A true CN111415036A (zh) 2020-07-14
CN111415036B CN111415036B (zh) 2022-12-06

Family

ID=71494204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010187713.9A Active CN111415036B (zh) 2020-03-17 2020-03-17 一种中央空调系统并联冷机负荷优化分配方法

Country Status (1)

Country Link
CN (1) CN111415036B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365076A (zh) * 2020-11-19 2021-02-12 西安建筑科技大学 一种并联冷机负荷分配优化方法、存储介质及计算设备
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2253897A1 (en) * 2009-05-15 2010-11-24 Rhoss S.p.A. Method and system for controlling a plurality of refrigerating machines
CN104376377A (zh) * 2014-11-11 2015-02-25 国家电网公司 基于粒子群优化算法的对配电网中分布式电源的管理方法
CN108206543A (zh) * 2018-02-05 2018-06-26 东北大学 一种基于能源梯级利用的能源路由器及其运行优化方法
CN110260470A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 基于群智能架构的中央空调并联冷机负荷优化分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2253897A1 (en) * 2009-05-15 2010-11-24 Rhoss S.p.A. Method and system for controlling a plurality of refrigerating machines
CN104376377A (zh) * 2014-11-11 2015-02-25 国家电网公司 基于粒子群优化算法的对配电网中分布式电源的管理方法
CN108206543A (zh) * 2018-02-05 2018-06-26 东北大学 一种基于能源梯级利用的能源路由器及其运行优化方法
CN110260470A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 基于群智能架构的中央空调并联冷机负荷优化分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李庚: "压缩式制冷机组变参数控制及工作点优化", 《中国优秀硕士学位论文全文数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365076A (zh) * 2020-11-19 2021-02-12 西安建筑科技大学 一种并联冷机负荷分配优化方法、存储介质及计算设备
CN112365076B (zh) * 2020-11-19 2023-06-20 西安建筑科技大学 一种并联冷机负荷分配优化方法、存储介质及计算设备
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

Also Published As

Publication number Publication date
CN111415036B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
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
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
CN104019526B (zh) 改进pso算法模糊自适应pid温湿度控制系统及方法
CN101655272A (zh) 一种网络中央空调节能控制管理系统及其方法
CN107421029B (zh) 一种末端冷量均衡控制方法
CN104833154B (zh) 基于模糊pid与神经内模的冷冻水回路控制方法
CN110895016A (zh) 一种基于模糊自适应的中央空调系统节能群控方法
CN105004002A (zh) 用于中央空调冷却水系统的节能控制系统及方法
CN108168030A (zh) 一种基于制冷性能曲线的智能控制方法
CN111415036B (zh) 一种中央空调系统并联冷机负荷优化分配方法
CN109186127A (zh) 一种地源热泵全局优化控制方法
CN113739371B (zh) 一种基于云端协同的中央空调系统及其控制方法
CN112344522B (zh) 一种中央空调冷机系统负荷分布式优化配置方法
CN114383299A (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
CN113339941A (zh) 一种变频空调器控制方法
CN106765860A (zh) 一种核电站中央空调的控制系统及方法
CN110848895B (zh) 一种非工空调柔性负荷控制方法和系统
CN115682324A (zh) 中央空调系统节能优化控制方法、装置、设备和存储介质
CN110486896B (zh) 一种基于冷水机组能耗模型的串级空调系统优化控制方法
CN115882463A (zh) 一种商业建筑空调负荷可调度潜力评估方法
CN114942584A (zh) 基于磁悬浮冷水机组负荷寻优的高效机房节能控制方法
CN115877713A (zh) 一种区域供冷系统智能优化节能控制算法及装置
CN113719929B (zh) 一种溴化锂空调系统整体性优化控制方法和系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240412

Address after: Office Building B1, Nanchang Wanda Center, No. 1000 Fenghuang Middle Avenue, Honggutan District, Nanchang City, Jiangxi Province, 330038-705-1 (7th floor)

Patentee after: Nanchang intelligent production technology Co.,Ltd.

Country or region after: China

Address before: 710055 Yanta Road 13, Xi'an City, Shaanxi Province

Patentee before: XIAN University OF ARCHITECTURE AND TECHNOLOG

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240418

Address after: Room 1005, Building 1, No. 86 Hongtu Road, Nancheng Street, Dongguan City, Guangdong Province, 523000

Patentee after: DONGGUAN JINSU ENVIRONMENTAL SCIENCE AND TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: Office Building B1, Nanchang Wanda Center, No. 1000 Fenghuang Middle Avenue, Honggutan District, Nanchang City, Jiangxi Province, 330038-705-1 (7th floor)

Patentee before: Nanchang intelligent production technology Co.,Ltd.

Country or region before: China