CN111678247B - 空调设备的运行控制方法、空调设备和计算机存储介质 - Google Patents

空调设备的运行控制方法、空调设备和计算机存储介质 Download PDF

Info

Publication number
CN111678247B
CN111678247B CN202010563161.7A CN202010563161A CN111678247B CN 111678247 B CN111678247 B CN 111678247B CN 202010563161 A CN202010563161 A CN 202010563161A CN 111678247 B CN111678247 B CN 111678247B
Authority
CN
China
Prior art keywords
air conditioning
load
water
current load
water chilling
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
CN202010563161.7A
Other languages
English (en)
Other versions
CN111678247A (zh
Inventor
方兴
李元阳
阎杰
梁锐
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.)
GD Midea Heating and Ventilating Equipment Co Ltd
Shanghai Meikong Smartt Building Co Ltd
Original Assignee
GD Midea Heating and Ventilating Equipment Co Ltd
Shanghai Meikong Smartt Building 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 GD Midea Heating and Ventilating Equipment Co Ltd, Shanghai Meikong Smartt Building Co Ltd filed Critical GD Midea Heating and Ventilating Equipment Co Ltd
Priority to CN202010563161.7A priority Critical patent/CN111678247B/zh
Publication of CN111678247A publication Critical patent/CN111678247A/zh
Application granted granted Critical
Publication of CN111678247B publication Critical patent/CN111678247B/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
    • F24F11/89—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
    • F24F11/62—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
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/88—Electrical aspects, e.g. circuits
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B41/00—Fluid-circulation arrangements
    • 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]
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Thermal Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种空调设备的运行控制方法、空调设备和计算机存储介质，其中，空调设备的运行控制方法包括：获取空调设备的运行参数，并获取多台冷水机组对应的开关机信息；根据运行参数确定对应的目标电流负荷率，控制处于开机状态的冷水机组按照目标电流负荷率工作。通过根据空调设备的实时运行参数和开关机信息，独立计算每一台处于开机状态的空调设备的目标电流负荷率，使得当前开机的冷水机组能够以符合当前运行工况的合适的电流负荷率进行工作，进而实现了对冷水机组负荷的主动调节，实现了空调设备中每一台冷水机组的高效运行，有效地降低了空调设备的整体能耗。

Description

空调设备的运行控制方法、空调设备和计算机存储介质
技术领域
本发明涉及空调设备技术领域，具体而言，涉及一种空调设备的运行控制方法、一种空调设备和一种计算机可读存储介质。
背景技术
在相关技术中，中央空调冷水机组群控方法主要通过电流控制法，即预设特定的电流阈值，根据冷水机组的运行电流是否超过电流阈值来对机组运行进行控制。而该方法仅能被动适应末端负荷需求，且没有考虑到空调设备的实际工况，导致空调设备的整体COP(Coefficient Of Performance，能效比)不高。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的第一方面提出一种空调设备的运行控制方法。
本发明的第二方面提出一种空调设备。
本发明的第三方面提出一种计算机可读存储介质。
有鉴于此，本发明的第一方面提出了一种空调设备的运行控制方法，空调设备包括多台冷水机组，运行控制方法包括：获取空调设备的运行参数，并获取多台冷水机组对应的开关机信息；根据运行参数确定对应的目标电流负荷率，控制处于开机状态的冷水机组按照目标电流负荷率工作。
在该技术方案中，在空调设备的运行过程中，实时获取空调设备的运行参数，以及多台冷水机组的开关机信息，并根据运行参数和开关机信息，对处于开机状态的冷水机组的电流负荷率进行主动调节。
通过根据空调设备的实时运行参数和开关机信息，独立计算每一台处于开机状态的空调设备的目标电流负荷率，使得当前开机的冷水机组能够以符合当前运行工况的合适的电流负荷率进行工作，进而实现了对冷水机组负荷的主动调节，实现了空调设备中每一台冷水机组的高效运行，有效地降低了空调设备的整体能耗。
另外，本发明提供的上述技术方案中的空调设备的运行控制方法还可以具有如下附加技术特征：
在上述技术方案中，在根据运行参数确定对应的目标电流负荷率的步骤之前，空调设备的运行控制方法还包括：根据运行参数计算空调设备的总负荷量，并根据开关机信息确定处于开机状态的冷水机组对应的当前开机台数；在连续负荷区间集合内确定总负荷量对应的当前负荷区间，并获取当前负荷区间对应的目标开机台数；基于当前开机台数大于1，且当前开机台数等于目标开机台数的情况下，获取处于开机状态的冷水机组中每一台冷水机组对应的型号信息；根据型号信息，对应执行根据运行参数确定对应的目标电流负荷率的步骤。
在该技术方案中，首先计算空调设备的总负荷量，并根据总负荷量确定对应的负荷区间。具体地，对空调设备可能的负荷量进行划分，进而得到连续的负荷区间，即连续负荷区间。连续负荷区间中的每一个当前负荷区间均对应记载有与当前总负荷量匹配的目标开机台数。如果冷水机组的当前开机台数与目标开机台数相等，则说明空调设备运行于合适的启停方案下，可以根据运行参数对冷水机组的电流负荷率进行进一步优化，以求得能效最佳化。
如果冷水机组的当前开机台数与目标开机台数不匹配，则说明需要优化当前启停方案，此时不执行对冷水机组电流负荷率的优化，而是需要优先优化启停方案。具体地，可以根据当前负荷区间对应的启停方案，控制开启或关闭部分冷水机组，以保证当前开机台数与目标开机台数相符。
如果冷水机组的当前开机台数为1，则说明末端负荷量很低，且单一运行的冷水机组能够通过自身控制逻辑自行调节电流负荷率，无需通过“群控”逻辑对其进行优化。
当且仅当冷水机组的当前开机台数大于1，即存在多台冷水机组同时工作，且冷水机组的当前开机台数与当前负荷区间对应的目标开机台数相等的情况下，说明空调设备处于群控逻辑下，且启停方案为较佳的启停方案，此时获取每一台冷水机组的型号信息，基于型号信息优化每一台开启的冷水机组的电流负荷率，进而提高空调设备的整体运行效率，并降低空调设备的能耗。
在上述任一技术方案中，运行参数包括空调设备的当前总功率；基于处于开机状态的多台冷水机组中，全部冷水机组均为相同型号的情况下，通过以下公式计算目标电流负荷率：
Figure BDA0002546865220000031
其中，LRopt为目标电流负荷率，Ptot为当前总功率，Pdes为冷水机组的额定功率，n为当前开机台数。
在该技术方案中，如果处于开机状态的多台冷水机组均为相同型号，则说明每一台冷水机组的参数均相同，此时为每一台冷水机组分配相同的负荷，能够使得空调设备的整体COP最高，即每一台冷水机组对应的最佳电流负荷率均相同。因此，通过上述公式对开启的冷水机组的目标电流负荷率进行统一计算即可。
其中，当前总功率Ptot可通过测量获取，如通过读取电表数据得知。
在上述任一技术方案中，运行参数包括空调设备的冷冻水出水温度、冷却水进水温度和冷负荷量；基于多台冷水机组中，存在至少两台冷水机组为不同型号的情况下，根据运行参数确定对应的目标电流负荷率的步骤，具体包括：获取冷水机组对应的额定功率；根据当前负荷区间、冷冻水出水温度、冷却水进水温度、冷负荷量和额定功率建立第一电流负荷模型，通过第一电流负荷模型确定目标电流负荷率。
在该技术方案中，如果多台冷水机组并非全部是相同型号，则可以根据第一电流负荷模型分别计算每一台开启的冷水机组的目标电流负荷率，以保证每一台冷水机组均运行于较佳负荷，且空调设备的整体负荷较佳。具体地，第一电流负荷模型为：
LRopt＝f(Qtot,range,Tcw,in,Tchw,out)；
其中，LRopt为目标电流负荷率，Qtot为空调设备的冷负荷量，range为当前负荷区间，Tcw,in为冷却水进水温度，Tchw,out为冷冻水出水温度。通过第一电流负荷模型计算目标电流负荷率，计算压力小，容易实施。
在上述任一技术方案中，根据运行参数确定对应的目标电流负荷率的步骤，具体包括：获取冷水机组对应的额定功率，通过额定功率建立第二电流负荷模型，通过第二电流负荷模型确定多个初始电流负荷率；通过粒子群优化算法对多个初始电流负荷率的适应度进行计算，并将多个初始电流负荷率中适应度最高的初始电流负荷率确定为目标电流负荷率。
在该技术方案中，可以根据第二电流负荷模型分别计算每一台开启的冷水机组的目标电流负荷率，以保证每一台冷水机组均运行于较佳负荷，且空调设备的整体负荷较佳。具体地，第二电流负荷模型为：
Figure BDA0002546865220000041
其中，Ptot为处于开启状态的所有冷水机组功率之和，minPtot即对应的最小功率之和。Pdes,i为第i台冷水机组的额定功率，LRi为第i台冷水机组的电流负荷率，具体可以根据冷水机组回归方程得到。n为处于开机状态的冷水机组的当前开机数。通过第二电流负荷模型确定目标电流负荷率，结果更加准确，且适用于更多场景。
在上述任一技术方案中，运行参数包括空调设备的冷冻水流量、冷冻水进水温度、冷冻水出水温度和定压比热容；根据运行参数计算空调设备的总负荷量的步骤，具体包括：根据冷冻水流量、冷冻水进水温度、冷冻水出水温度和定压比热容计算总负荷量。
在该技术方案中，可根据如下方程计算总负荷量：
Q＝c×Mch×(Tchw,in-Tchw,out)；
其中，Q为总负荷量，c为定压比热容，Mch为冷冻水流量，Tchw,in为冷冻水进水温度，Tchw,out为冷冻水出水温度。
在上述技术方案中，在在连续负荷区间集合内确定总负荷量对应的当前负荷区间的步骤之前，空调设备的运行控制方法还包括：通过穷举法确定空调设备对应的全部负荷区间，并通过以下公式在全部负荷区间内确定连续负荷区间集合：
Figure BDA0002546865220000051
其中，k为自然数，且k≥2，
Figure BDA0002546865220000052
为第k个负荷区间，
Figure BDA0002546865220000053
为第k-1个负荷区间，m为冷水机组的型号数量，E为评价系数；以及根据E≤2对应的负荷区间确定连续负荷区间集合。
在该技术方案中，通过穷举法，将冷水机组所有可能的联合运行情况进行排列组合，找出所有负荷区间以及每个负荷区间可能对应的开机台数，从而得到全部负荷区间，并通过上述公式全部负荷区间内的“跳跃”加减载的负荷区间剔除，形成为连续负荷区间集合，可以优化负荷区间的划分，进而得到更加精确的控制效果。
在上述任一技术方案中，基于当前开机台数小于或等于1，和/或当前开机台数不等于目标开机台数的情况下，控制冷水机组维持当前工作状态。
在该技术方案中，如果冷水机组的当前开机台数小于或等于1，则说明末端负荷量很低，且单一运行的冷水机组能够通过自身控制逻辑自行调节电流负荷率，无需通过“群控”逻辑对其进行优化。
如果冷水机组的当前开机台数与目标开机台数不匹配，则说明需要优化当前启停方案，此时不执行对冷水机组电流负荷率的优化，而是需要优先优化启停方案。具体地，可以根据当前负荷区间对应的启停方案，控制开启或关闭部分冷水机组，以保证当前开机台数与目标开机台数相符。
在上述任一技术方案中，在根据运行参数确定对应的目标电流负荷率的步骤之前，空调设备的运行控制方法还包括：获取空调设备的第一冷冻水进回水温差，并在延时第一预设时长后获取空调设备的第二冷冻水进回水温差；计算第二冷冻水进回水温差与第一冷冻水进回水温差的差值；在第二预设时长内，确定差值持续小于等于差值阈值，则执行根据运行参数确定对应的目标电流负荷率的步骤。
在该技术方案中，在空调设备的负荷稳定前，空调设备的水冷机组会根据终端冷量需求动态调整负荷量，此时不对水冷机组的负荷量进行优化，以保证能够快速满足终端需求。
当空调设备的负荷和运行工况稳定后，具体表现为在第二预设时长内，冷冻水的进回水温差成平稳状态，此时执行根据运行参数确定对应的目标电流负荷率的步骤，进一步优化空调设备的能耗。
本发明第二方面提供了一种空调设备，包括：存储器，被配置为存储计算机程序；处理器，被配置为执行计算机程序以实现如上述任一技术方案中提供的空调设备的运行控制方法。
在上述任一技术方案中，空调器设备还包括：多台冷水机组，冷水机组包括压缩机、冷却水管、冷冻水管、换热器和节流装置；检测装置，检测装置被配置为获取冷冻水管的冷冻水出水温度、冷冻水进水温度和冷冻水流量，冷却水管的冷却水出水温度、冷却水回水温度和冷却水流量。
本发明提供的空调设备包括如上述任一技术方案中提供的空调设备的运行控制方法的全部有益效果，在此不再赘述。
本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一技术方案中提供的空调设备的运行控制方法，因此，该计算机可读存储介质包括如上述任一技术方案中提供的空调设备的运行控制方法的全部有益效果，在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了根据本发明的一个实施例的空调设备的运行控制方法的流程图；
图2示出了根据本发明的一个实施例的空调设备的运行控制方法的另一个流程图；
图3示出了根据本发明的一个实施例的空调设备的运行控制方法的又一个流程图；
图4示出了根据本发明的一个实施例的空调设备的运行控制方法的再一个流程图；
图5示出了根据本发明的一个实施例的空调设备的运行控制方法的再一个流程图；
图6示出了冷水机组电流负荷率优化前后的能耗对比示意图；
图7示出了不同型号的冷水机组电流负荷率优化效果示意图；
图8示出了根据本发明的一个实施例电流负荷率优化控制逻辑示意图；
图9示出了根据本发明的一个实施例的空调设备的结构框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图9描述根据本发明一些实施例所述空调设备的运行控制方法、空调设备和计算机可读存储介质。
实施例一
如图1所示，在本发明的一个实施例中，提供了一种空调设备的运行控制方法，包括：
步骤102，获取空调设备的运行参数，并获取多台冷水机组对应的开关机信息；
步骤104，根据运行参数确定对应的目标电流负荷率，控制处于开机状态的冷水机组按照目标电流负荷率工作。
在该实施例中，在空调设备的运行过程中，实时获取空调设备的运行参数，以及多台冷水机组的开关机信息，并根据运行参数和开关机信息，对处于开机状态的冷水机组的电流负荷率进行主动调节。
通过根据空调设备的实时运行参数和开关机信息，独立计算每一台处于开机状态的空调设备的目标电流负荷率，使得当前开机的冷水机组能够以符合当前运行工况的合适的电流负荷率进行工作，进而实现了对冷水机组负荷的主动调节，实现了空调设备中每一台冷水机组的高效运行，有效地降低了空调设备的整体能耗。
实施例二
如图2所示，在本发明的一个实施例中，空调设备的运行控制方法包括：
步骤202，根据运行参数计算空调设备的总负荷量，并根据开关机信息确定处于开机状态的冷水机组对应的当前开机台数；
步骤204，在连续负荷区间集合内确定总负荷量对应的当前负荷区间，并获取当前负荷区间对应的目标开机台数；
步骤206，基于当前开机台数大于1，且当前开机台数等于目标开机台数的情况下，获取处于开机状态的冷水机组中每一台冷水机组对应的型号信息；
步骤208，根据型号信息，对应执行根据运行参数确定对应的目标电流负荷率的步骤。
在步骤206中，基于当前开机台数小于或等于1，和/或当前开机台数不等于目标开机台数的情况下，控制冷水机组维持当前工作状态。
在该实施例中，首先计算空调设备的总负荷量，并根据总负荷量确定对应的负荷区间。具体地，对空调设备可能的负荷量进行划分，进而得到连续的负荷区间，即连续负荷区间。连续负荷区间中的每一个当前负荷区间均对应记载有与当前总负荷量匹配的目标开机台数。如果冷水机组的当前开机台数与目标开机台数相等，则说明空调设备运行于合适的启停方案下，可以根据运行参数对冷水机组的电流负荷率进行进一步优化，以求得能效最佳化。
如果冷水机组的当前开机台数与目标开机台数不匹配，则说明需要优化当前启停方案，此时不执行对冷水机组电流负荷率的优化，而是需要优先优化启停方案。具体地，可以根据当前负荷区间对应的启停方案，控制开启或关闭部分冷水机组，以保证当前开机台数与目标开机台数相符。
如果冷水机组的当前开机台数为1，则说明末端负荷量很低，且单一运行的冷水机组能够通过自身控制逻辑自行调节电流负荷率，无需通过“群控”逻辑对其进行优化。
当且仅当冷水机组的当前开机台数大于1，即存在多台冷水机组同时工作，且冷水机组的当前开机台数与当前负荷区间对应的目标开机台数相等的情况下，说明空调设备处于群控逻辑下，且启停方案为较佳的启停方案，此时获取每一台冷水机组的型号信息，基于型号信息优化每一台开启的冷水机组的电流负荷率，进而提高空调设备的整体运行效率，并降低空调设备的能耗。
实施例三
在本发明的一个实施例中，运行参数包括空调设备的当前总功率。
如果处于开机状态的全部冷水机组均为相同型号的情况下，则可以通过以下公式计算目标电流负荷率：
Figure BDA0002546865220000091
其中，LRopt为目标电流负荷率，Ptot为当前总功率，Pdes为冷水机组的额定功率，n为当前开机台数。
在该实施例中，如果处于开机状态的多台冷水机组均为相同型号，则说明每一台冷水机组的参数均相同，此时为每一台冷水机组分配相同的负荷，能够使得空调设备的整体COP最高，即每一台冷水机组对应的最佳电流负荷率均相同。因此，通过上述公式对开启的冷水机组的目标电流负荷率进行统一计算即可。
其中，当前总功率Ptot可通过测量获取，如通过读取电表数据得知。
实施例四
在本发明的一个实施例中，运行参数包括空调设备的冷冻水出水温度、冷却水进水温度和冷负荷量。
如图3所示，如果处于开机状态的全部冷水机组中包括了不同型号水冷机组，则可以通过以下步骤确定目标电负荷率：
步骤302，获取冷水机组对应的额定功率；
步骤304，根据当前负荷区间、冷冻水出水温度、冷却水进水温度、冷负荷量和额定功率建立第一电流负荷模型，通过第一电流负荷模型确定目标电流负荷率。
在该实施例中，如果多台冷水机组并非全部是相同型号，则可以根据第一电流负荷模型分别计算每一台开启的冷水机组的目标电流负荷率，以保证每一台冷水机组均运行于较佳负荷，且空调设备的整体负荷较佳。具体地，第一电流负荷模型为：
LRopt＝f(Qtot,range,Tcw,in,Tchw,out)；
其中，LRopt为目标电流负荷率，Qtot为空调设备的冷负荷量，range为当前负荷区间，Tcw,in为冷却水进水温度，Tchw,out为冷冻水出水温度。
实施例五
在本发明的一个实施例中，如图4所示，还可以通过以下步骤确定目标电流负荷率：
步骤402，获取冷水机组对应的额定功率，通过额定功率建立第二电流负荷模型，通过第二电流负荷模型确定多个初始电流负荷率；
步骤404，通过粒子群优化算法对多个初始电流负荷率的适应度进行计算，并将多个初始电流负荷率中适应度最高的初始电流负荷率确定为目标电流负荷率。
在该实施例中，可以根据第二电流负荷模型分别计算每一台开启的冷水机组的目标电流负荷率，以保证每一台冷水机组均运行于较佳负荷，且空调设备的整体负荷较佳。具体地，第二电流负荷模型为：
Figure BDA0002546865220000111
其中，Ptot为处于开启状态的所有冷水机组功率之和，minPtot即对应的最小功率和。Pdes,i为第i台冷水机组的额定功率，LRi为第i台冷水机组的电流负荷率，具体可以根据冷水机组回归方程得到。n为处于开机状态的冷水机组的当前开机数。
在上述第二电流负荷模型中，满足以下约束条件：
Figure BDA0002546865220000112
0≤LRi≤1；
其中，Q为空调设备的总负荷量，c为空调设备的定压比热容，Mch为冷冻水流量，Tchw,in为冷冻水进水温度，Tchw,out为冷冻水出水温度，LRi为第i台冷水机组的电流负荷率，Pdes,i为第i台冷水机组的额定功率，COPi为第i台冷水机组的能效比，根据冷水机组回归方程得到。
粒子群优化算法的步骤具体包括：
1、初始化粒子群算法的设置参数，主要包括粒子数、粒子维度、惯性权重、初始速度、学习因子以及中止条件等，并定义适应度函数。
2、对每个粒子的适应度进行评价。
3、对每个粒子，比较粒子适应值和其个体最优值pbest，将更优的一方作为当前pbest；同时比较粒子适应值和其群体最优值gbest，将更优的一方作为当前gbest。
4、根据下式分别更新粒子速度和粒子位置：
vj(t+1)＝w×vj(t)+c1×R1(t)×(Pj(t)-xj(t))+c2×R2(t)×(Pg(t)-xj(t))；
xj(t+1)＝xj(t)+vj(t+1)；
其中，n为群体中粒子的总数，vj为粒子的速度；w为惯性权重，Pj为个体极值，表示粒子自身搜索到的最优值，Pg为全局极值，表示粒子当前种群中的最优值，R1(t)和R2(t)是介于(0，1)之间的随机数，xj为粒子的当前位置，c1和c2为学习因子。
循环执行上述步骤1和步骤2，直到找到最优的适应值，最终可得到冷水机组的最低能耗Ptot,min，以及最低能耗Ptot,min对应的每台主机的部分负荷率LRopt,i。
实施例六
在本发明的一个实施例中，运行参数包括空调设备的冷冻水流量、冷冻水进水温度、冷冻水出水温度和定压比热容，根据冷冻水流量、冷冻水进水温度、冷冻水出水温度和定压比热容计算总负荷量。
在该实施例中，具体根据如下方程计算总负荷量：
Q＝c×Mch×(Tchw,in-Tchw,out)；
其中，Q为总负荷量，c为定压比热容，Mch为冷冻水流量，Tchw,in为冷冻水进水温度，Tchw,out为冷冻水出水温度。
通过该公式计算空调设备的总负荷量，仅需实施获取冷冻水对应的冷冻水流量、冷冻水进水温度和冷冻水出水温度即可，计算简单，容易实施。
实施例七
在本发明的一个实施例中，通过穷举法确定空调设备对应的全部负荷区间，并通过以下公式在全部负荷区间内确定连续负荷区间集合：
Figure BDA0002546865220000121
其中，k为自然数，且k≥2，
Figure BDA0002546865220000122
为第k个负荷区间，
Figure BDA0002546865220000123
为第k-1个负荷区间，m为冷水机组的型号数量，E为评价系数；以及根据E≤2对应的负荷区间确定连续负荷区间集合。
在该实施例中，通过穷举法，将冷水机组所有可能的联合运行情况进行排列组合，找出所有负荷区间以及每个负荷区间可能对应的开机台数，从而得到全部负荷区间。而在实际应用中，冷水机组在加载或减载时，其一次加载或减载的冷水机组台数不会超过2台，即不会出现“跳跃”加减载的情况，因此，需要将通过穷举法得到的全部负荷区间内的“跳跃”加减载的负荷区间剔除。
为此，本发明通过上述方程计算每一个负荷区间的评价系数E，如果E大于2，则说明当前负荷区间为“跳跃”加减载的负荷区间。如果E≤2，则为正常的连续加减载区间，通过将E≤2对应的负荷区间形成为连续负荷区间集合，可以优化负荷区间的划分，进而得到更加精确的控制效果。
实施例八
在本发明的一个实施例中，如图5所示，空调设备的运行控制方法还包括：
步骤502，获取空调设备的第一冷冻水进回水温差，并在延时第一预设时长后获取空调设备的第二冷冻水进回水温差；
步骤504，计算第二冷冻水进回水温差与第一冷冻水进回水温差的差值；
步骤506，在第二预设时长内，确定差值持续小于等于差值阈值，则执行根据运行参数确定对应的目标电流负荷率的步骤。
在该实施例中，在空调设备的负荷稳定前，空调设备的水冷机组会根据终端冷量需求动态调整负荷量，此时不对水冷机组的负荷量进行优化，以保证能够快速满足终端需求。
当空调设备的负荷和运行工况稳定后，具体表现为在第二预设时长内，冷冻水的进回水温差变化成平稳状态，此时执行根据运行参数确定对应的目标电流负荷率的步骤，进一步优化空调设备的能耗。
其中，第一预设时长可设置为1秒至10秒。第二预设时长可设置为10分钟至30分钟。差值阈值可设置为0℃至3℃。
实施例九
在本发明的一个完整的实施例中，提出一种冷水机组电流负荷率优化控制方法，具体包括以下特征：
1、根据冷水机组的配置情况自适应获取连续负荷区间。
2、提出冷水机组能耗优化模型，通过优化算法获取机组在不同工况下的最低能耗及电流负荷率。
3、根据能耗模型优化结果提出冷水机组最优电流负荷率简化获取方法。
在特征1中，将冷水机组所有可能的联合运行情况进行排列组合，找出所有负荷区间及每个负荷区间对应的开机台数，从而确定机组的负荷区间。此处可以通过穷举法得到全部负荷区间。
但考虑到冷水机组的运行稳定性，在实际加减载过程中，机组的加减载动作不会出现“跳跃”的现象(即开、关机的数量不会超过2台)。因此，需要对全部负荷区间做进一步分析，以剔除“跳跃”的负荷区间，找出机组的连续负荷区间。
连续负荷区间判别过程如下：
假设某工程采用m种不同类型的冷水机组，在第k-1个负荷区间内，m种冷水机组的开机台数分别为
Figure BDA0002546865220000141
在第k个负荷区间内，m种冷水机组的开机台数分别为
Figure BDA0002546865220000142
计算开机数量变化：
Figure BDA0002546865220000143
若E>2，则说明第k个负荷区间为“跳跃”负荷区间，否则第k个负荷区间为连续负荷区间。若第k个负荷区间为“跳跃”负荷区间，则将第k个负荷区间并入第k+1个负荷区间中。
其中，k为自然数，且k≥2，
Figure BDA0002546865220000144
为第k个负荷区间，
Figure BDA0002546865220000145
为第k-1个负荷区间，m为冷水机组的型号数量，E为评价系数；以及根据E≤2对应的负荷区间确定连续负荷区间集合。
在特征2中，建立如下的冷水机组能耗优化模型，通过解该最优化模型可以获取机组在不同工况下的最低能耗：
Figure BDA0002546865220000146
其中，Ptot为处于开启状态的所有冷水机组功率之和，minPtot即对应的最小功率和。Pdes,i为第i台冷水机组的额定功率，LRi为第i台冷水机组的电流负荷率，具体可以根据冷水机组回归方程得到。n为处于开机状态的冷水机组的当前开机数。
在上述冷水机组能耗优化模型中，等式约束条件为：
Figure BDA0002546865220000151
不等式约束条件为：
0≤LRi≤1；
其中，Q为空调设备的总负荷量，c为空调设备的定压比热容，Mch为冷冻水流量，Tchw,in为冷冻水进水温度，Tchw,out为冷冻水出水温度，LRi为第i台冷水机组的电流负荷率，Pdes,i为第i台冷水机组的额定功率，COPi为第i台冷水机组的能效比，根据冷水机组回归方程得到。
采用粒子群优化算法(PSO，Particle Swarm Optimization)对上述最优化问题进行寻优，可获取冷水机组的最优COPmax，以及最优COPmax对应的每台主机的部分负荷率FLRopt,i。
在特征3中，对于冷水机组的控制器难以对上述最优化问题进行在线求解的情况，可以对技术特征2中的优化算法进行简化，使其能在冷水机组的可编程控制器中实现。
首先，对于多台同型号冷水机组联合运行的情况，优化算法结果表明：当每台冷水机组分配相同的负荷，机组整体COP最高，因此每台冷水机组的电流负荷率可通过如下方程获取：
Figure BDA0002546865220000152
其中，LRopt为目标电流负荷率，Ptot为当前总功率，Pdes为冷水机组的额定功率，n为当前开机台数。
其次，对于多台不同型号冷水机组联合运行的情况，在某一机组负荷区间内，冷水机组的电流负荷率主要与机组总负荷、机组负荷区间、冷冻水供水温度与冷却水回水温度有关，因此可建立如下的模型：
LRopt＝f(Qtot,range,Tcw,in,Tchw,out)；
其中，LRopt为目标电流负荷率，Qtot为空调设备的冷负荷量，range为当前负荷区间，Tcw,in为冷却水进水温度，Tchw,out为冷冻水出水温度。
其中，控制逻辑如下：
步骤1：冷冻机房上位机实时监测冷冻水总管的进、出水温度，当冷冻水总管的进、出水温差在第二预设时长(如设置为20分钟)内的变化值不大于差值阈值(如设置为1℃)时，则说明冷水机组处于一个稳定的运行状态，空调负荷不会出现较大的波动，此时触发冷水机组负荷自适应优化控制。
步骤2：根据方程Q＝c×Mch×(Tchw,in-Tchw,out)计算空调总负荷。
其中，Q为总负荷量，c为定压比热容，Mch为冷冻水流量，Tchw,in为冷冻水进水温度，Tchw,out为冷冻水出水温度。
步骤3：根据空调总负荷查找对应的冷水机组负荷区间，获取理论开机台数。
步骤4：判断冷水机组理论开机台数是否与实际开机台数相同，若否，则机组不动作；若是，则进入步骤5。
步骤5：进一步判断冷水机组运行台数是否多于1台，若否，则机组不动作；若是，则进入步骤6。
步骤6：进一步判断运行冷水机组中是否存在不同型号的机组，若否，则机组优化电流负荷率即等于平均电流负荷率；若是，则根据方程回归方程计算每台冷水机组的优化电流负荷率。
步骤7：将每台冷水机组的优化电流负荷率作为控制参数发送给机组，从而控制冷水机组运行在高效区间。
本发明实施例基于冷水机组COP特征方程提出一种电流负荷率控制方法，可根据空调负荷的变化，自适应调整冷水机组的电流负荷率，实现机组的持续高效运行，有效降低机房能耗。该优化算法和控制逻辑通过普通可编程控制器即可实现，无需单独配置一台用于优化计算的服务器，避免因通讯故障造成的控制不稳定。
实施例十
在本发明的一个完整实施例中，以一个具体的冷水机组空调设备为例，对本发明实施例进行具体说明：
第一，对冷水机组连续负荷区间进行确定：
将冷水机组所有可能的联合运行情况进行排列组合，找出所有负荷区间及每个负荷区间对应的开机台数，从而确定机组的负荷区间。考虑到冷水机组的运行稳定性，在实际加减载过程中，机组的加减载动作不会出现“跳跃”的现象(即开、关机的数量超过2台)。
因此，需要对负荷区间做进一步分析，剔除“跳跃”的负荷区间，找出机组的连续负荷区间。连续负荷区间判别过程如下：
假设某工程采用m种不同类型的冷水机组，在第k-1个负荷区间内，m种冷水机组的开机台数分别为
Figure BDA0002546865220000171
在第k个负荷区间内，m种冷水机组的开机台数分别为
Figure BDA0002546865220000172
通过以下方程式计算开机数量变化：
Figure BDA0002546865220000173
若E>2，则说明第k个负荷区间为“跳跃”负荷区间，否则第k个负荷区间为连续负荷区间。
当确定第k个负荷区间为“跳跃”负荷区间时，则将第k个负荷区间并入第k+1个负荷区间中。
下面以一个现场案例来举例说明，假设某工程配置3台离心式冷水机组，其中2台额定制冷量为500RT，3台额定制冷量为950RT，则获取机组的连续负荷区间如表1所示：
序号 负荷区间
I (0,500RT]
II (500RT,950RT]
III (950RT,1450RT]
IV (1450RT,1900RT]
V (1900RT,2400RT]
VI (2400RT,2850RT]
VII (2850RT,3350RT]
VIII (3350RT,3850RT]
表1
第二，对冷水机组电流负荷率进行优化：
(1)确定冷水机组COP特征方程：
冷水机组的COP随着运行工况的变化而变化，影响COP的主要工况参数包括：冷却水进水温度，冷冻水出水温度及负荷。
在多台冷水机组联合运行过程中，通过主动优化各台冷水机组的分配负荷，可以使机组运行在较高COP的区间，有效提升机房能效。
冷水机组负荷分配寻优的首要条件是获取机组在不同工况下的COP性能曲线，机组COP性能曲线可用如下的模型来表示：
COP＝f(Tcw,in,Tchw,out,LR) (a)
式中，Tcw,in为冷却水进水温度，Tchw,out为冷冻水出水温度，LR为机组的电流负荷率。
通过采集冷水机组在一段运行时间内的历史运行数据，对模型(a)采用最小二乘回归可获取机组COP的特征方程。
(2)冷水机组能耗优化模型
建立多台冷水机组联合运行的能耗优化模型如下：
Figure BDA0002546865220000191
式中，Ptot为所有冷水机组功率之和，Pdes,i为第i台冷水机组的额定功率，LRi为第i台冷水机组的电流负荷率，根据冷水机组回归方程得到。
等式约束条件为：
Figure BDA0002546865220000192
式中，Mch为冷冻水流量，COPi为第i台冷水机组的能效比，根据冷水机组回归方程得到。
不等式约束条件为：
0≤LRi≤1 (d)
采用粒子群优化算法(PSO)对上述最优化问题进行寻优。粒子群优化算法流程如下：
1、初始化粒子群算法的设置参数，主要包括粒子数、粒子维度、惯性权重、初始速度、学习因子以及中止条件等，并定义适应度函数；
2、对每个粒子的适应度进行评价；
3、对每个粒子，比较粒子适应值和其个体最优值pbest，将更优的一方作为当前pbest；
4、同时比较粒子适应值和其群体最优值gbest，将更优的一方作为当前gbest。
根据下式分别更新粒子速度和粒子位置：
vj(t+1)＝w×vj(t)+c1×R1(t)×(Pj(t)-xj(t))+c2×R2(t)×(Pg(t)-xj(t))；
xj(t+1)＝xj(t)+vj(t+1)；
其中，n为群体中粒子的总数，vj为粒子的速度；w为惯性权重，Pj为个体极值，表示粒子自身搜索到的最优值，Pg为全局极值，表示粒子当前种群中的最优值，R1(t)和R2(t)是介于(0，1)之间的随机数，xj为粒子的当前位置，c1和c2为学习因子。
循环执行上述步骤1和步骤2，直到找到最优的适应值，最终可得到冷水机组的最低能耗Ptot,min，以及最低能耗Ptot,min对应的每台主机的部分负荷率LRopt,i。
下面是具体的数据分析：
假设某工程配置3台离心式冷水机组，其中2台额定制冷量为500RT，3台额定制冷量为950RT，机组冷却水进水温度30℃，冷冻水出水温度7℃。
图6为采用电流负荷率优化前后冷水机组整体能耗的对比，可见当采用电流负荷率优化后，在不同冷负荷下机组的运行能耗有明显下降。图7为不同型号冷水机组电流负荷率的优化结果。
由于在实际工程项目中，冷水机组的可编程控制器通常难以对上述最优化问题进行在线求解，如果在现场单独设置一台优化计算服务器，不仅增加了工程造价，服务器与上位机之间的通讯问题也会造成机组控制的不稳定。
因此，为了实现冷水机组的在线负荷优化控制，可以对最优电流负荷率的优化方法进行简化，使其能在冷水机组的可编程控制器中实现。
具体地：
对于多台同型号冷水机组联合运行的情况，优化算法结果表明：当每台冷水机组分配相同的负荷，机组整体COP最高，因此每台冷水机组的电流负荷率可通过如下方程获取：
Figure BDA0002546865220000201
其中，LRopt为目标电流负荷率，Ptot为当前总功率，Pdes为冷水机组的额定功率，n为当前开机台数。
对于多台不同型号冷水机组联合运行的情况，在某一机组负荷区间内，冷水机组的电流负荷率主要与机组总负荷、机组负荷区间、冷冻水供水温度与冷却水回水温度有关，因此可建立如下的模型：
LRopt＝f(Qtot,range,Tcw,in,Tchw,out)；
其中，LRopt为目标电流负荷率，Qtot为空调设备的冷负荷量，range为当前负荷区间，Tcw,in为冷却水进水温度，Tchw,out为冷冻水出水温度。
需要说明的是，在不同机组负荷区间内，每种型号冷水机组的最优电流负荷率都对应一个回归模型，拟合系数的初始值根据优化算法结果回归得到。为了保证优化结果的准确性，拟合系数应可在上位机界面或可编程控制器中进行设置。
完整控制逻辑如图8所示：
步骤802，确定20分钟内冷冻水进出水温差变化≤1℃；
在步骤802中，冷冻机房上位机实时监测冷冻水总管的进、出水温度，当冷冻水总管的进、出水温差在20分钟内(可设置)的变化值不大于1℃时，则说明冷水机组处于一个稳定的运行状态，空调负荷不会出现较大的波动，此时触发冷水机组负荷自适应优化控制。
步骤804，计算空调设备总负荷；
在步骤804中，通过方程Q＝c×Mch×(Tchw,in-Tchw,out)计算总负荷量。
步骤806，确定总负荷对应的负荷区间；
在步骤806中，根据空调总负荷查找对应的冷水机组负荷区间，获取理论开机台数。
步骤808，判断理论开机台数与实际开机台数是否相等；是则进入步骤810，否则进入步骤820；
步骤810，判断是否有多台机组联合运行；是则进入步骤812，否则进入步骤820；
步骤812，判断是否有不同型号机组；是则进入步骤814，否则进入步骤816；
步骤814，按照回归方程计算每台机组的优化电流负荷率；
步骤816，以平均电流负荷率作为机组优化电流负荷率；
步骤818，冷水机组自适应优化控制；
步骤820，机组不动作。
以上控制逻辑可以编写在冷水机组的可编程控制器中，控制器通过特定通讯协议获取冷水机组的电流负荷率，并可对电流负荷率值进行优化设定。
实施例十一
如图9所示，在本发明的一个实施例中，提供了一种空调设备900，包括：存储器902，被配置为存储计算机程序；处理器904，被配置为执行计算机程序以实现如上述任一实施例中提供的空调设备的运行控制方法。
其中，空调器设备设置有多台冷水机组，冷水机组包括压缩机、冷却水管、冷冻水管、换热器和节流装置；检测装置，检测装置被配置为获取冷冻水管的冷冻水出水温度、冷冻水进水温度和冷冻水流量，冷却水管的冷却水出水温度、冷却水回水温度和冷却水流量。
实施例十二
在本发明的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例中提供的空调设备的运行控制方法，因此，该计算机可读存储介质包括如上述任一实施例中提供的空调设备的运行控制方法的全部有益效果，在此不再赘述。
本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所述的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本发明中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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，均应包含在本发明的保护范围之内。

Claims (11)

1.一种空调设备的运行控制方法，其特征在于，所述空调设备包括多台冷水机组，所述运行控制方法包括：
获取所述空调设备的运行参数，并获取所述多台所述冷水机组对应的开关机信息；
根据所述运行参数确定对应的目标电流负荷率，控制处于开机状态的所述冷水机组按照所述目标电流负荷率工作；
在所述根据所述运行参数确定对应的目标电流负荷率的步骤之前，所述空调设备的运行控制方法还包括：
根据所述运行参数计算所述空调设备的总负荷量，并根据所述开关机信息确定处于开机状态的所述冷水机组对应的当前开机台数；
在连续负荷区间集合内确定所述总负荷量对应的当前负荷区间，并获取所述当前负荷区间对应的目标开机台数；
基于所述当前开机台数大于1，且所述当前开机台数等于所述目标开机台数的情况下，获取处于开机状态的所述冷水机组中每一台所述冷水机组对应的型号信息；
根据所述型号信息，对应执行所述根据所述运行参数确定对应的目标电流负荷率的步骤。
2.根据权利要求1所述的空调设备的运行控制方法，其特征在于，所述运行参数包括所述空调设备的当前总功率；
基于处于开机状态的所述多台所述冷水机组中，全部所述冷水机组均为相同型号的情况下，通过以下公式计算所述目标电流负荷率：
Figure FDA0003185929770000011
其中，LRopt为所述目标电流负荷率，Ptot为所述当前总功率，Pdes为所述冷水机组的额定功率，n为所述当前开机台数。
3.根据权利要求1所述的空调设备的运行控制方法，其特征在于，所述运行参数包括所述空调设备的冷冻水出水温度、冷却水进水温度和冷负荷量；
基于所述多台所述冷水机组中，存在至少两台所述冷水机组为不同型号的情况下，所述根据所述运行参数确定对应的目标电流负荷率的步骤，具体包括：
获取所述冷水机组对应的额定功率；
根据所述当前负荷区间、所述冷冻水出水温度、所述冷却水进水温度、所述冷负荷量和所述额定功率建立第一电流负荷模型，通过所述第一电流负荷模型确定所述目标电流负荷率。
4.根据权利要求1所述的空调设备的运行控制方法，其特征在于，所述根据所述运行参数确定对应的目标电流负荷率的步骤，具体包括：
获取所述冷水机组对应的额定功率，通过所述额定功率建立第二电流负荷模型，通过所述第二电流负荷模型确定多个初始电流负荷率；
通过粒子群优化算法对所述多个所述初始电流负荷率的适应度进行计算，并将所述多个所述初始电流负荷率中适应度最高的所述初始电流负荷率确定为所述目标电流负荷率。
5.根据权利要求1所述的空调设备的运行控制方法，其特征在于，所述运行参数包括所述空调设备的冷冻水流量、冷冻水进水温度、冷冻水出水温度和定压比热容；
所述根据所述运行参数计算所述空调设备的总负荷量的步骤，具体包括：
根据所述冷冻水流量、所述冷冻水进水温度、所述冷冻水出水温度和所述定压比热容计算所述总负荷量。
6.根据权利要求1所述的空调设备的运行控制方法，其特征在于，在所述在连续负荷区间集合内确定所述总负荷量对应的当前负荷区间的步骤之前，所述空调设备的运行控制方法还包括：
通过穷举法确定所述空调设备对应的全部负荷区间，并通过以下公式在所述全部负荷区间内确定所述连续负荷区间集合：
Figure FDA0003185929770000031
其中，k为自然数，且k≥2，
Figure FDA0003185929770000032
为第k个负荷区间，
Figure FDA0003185929770000033
为第k-1个所述负荷区间，m为所述冷水机组的型号数量，E为评价系数；以及
根据E≤2对应的所述负荷区间确定所述连续负荷区间集合。
7.根据权利要求1所述的空调设备的运行控制方法，其特征在于，基于所述当前开机台数小于或等于1，和/或所述当前开机台数不等于所述目标开机台数的情况下，控制所述冷水机组维持当前工作状态。
8.根据权利要求1至7中任一项所述的空调设备的运行控制方法，其特征在于，在所述根据所述运行参数确定对应的目标电流负荷率的步骤之前，所述空调设备的运行控制方法还包括：
获取所述空调设备的第一冷冻水进回水温差，并在延时第一预设时长后获取所述空调设备的第二冷冻水进回水温差；
计算所述第二冷冻水进回水温差与所述第一冷冻水进回水温差的差值；
在第二预设时长内，确定所述差值持续小于等于差值阈值，则执行所述根据所述运行参数确定对应的目标电流负荷率的步骤。
9.一种空调设备，其特征在于，包括：
存储器，被配置为存储计算机程序；
处理器，被配置为执行所述计算机程序以实现如权利要求1至8中任一项所述的空调设备的运行控制方法。
10.根据权利要求9所述的空调设备，其特征在于，还包括：
多台冷水机组，所述冷水机组包括压缩机、冷却水管、冷冻水管、换热器和节流装置；
检测装置，所述检测装置被配置为获取所述冷冻水管的冷冻水出水温度和冷冻水进水温度，以及获取所述冷却水管的冷却水出水温度、冷却水回水温度和冷冻水流量。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的空调设备的控制方法。
CN202010563161.7A 2020-06-19 2020-06-19 空调设备的运行控制方法、空调设备和计算机存储介质 Active CN111678247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010563161.7A CN111678247B (zh) 2020-06-19 2020-06-19 空调设备的运行控制方法、空调设备和计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010563161.7A CN111678247B (zh) 2020-06-19 2020-06-19 空调设备的运行控制方法、空调设备和计算机存储介质

Publications (2)

Publication Number Publication Date
CN111678247A CN111678247A (zh) 2020-09-18
CN111678247B true CN111678247B (zh) 2021-10-22

Family

ID=72455812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010563161.7A Active CN111678247B (zh) 2020-06-19 2020-06-19 空调设备的运行控制方法、空调设备和计算机存储介质

Country Status (1)

Country Link
CN (1) CN111678247B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112856722B (zh) * 2021-01-07 2022-07-12 丁一 冷源系统控制方法、控制器、系统、存储介质及程序产品
GB202100827D0 (en) * 2021-01-21 2021-03-10 Sensorflow Pte Ltd Method
CN113739384B (zh) * 2021-08-31 2022-09-02 广州汇电云联互联网科技有限公司 一种基于冷机运行策略的中央空调系统的控制方法及系统
CN113865014B (zh) * 2021-09-14 2023-03-24 浙江中控技术股份有限公司 大型冷水空调系统的能耗协调优化方法、装置及设备
CN113836229A (zh) * 2021-09-22 2021-12-24 南京磁谷科技股份有限公司 4通道带数据远传功能的冷水机组节能对比装置及其方法
CN114893879B (zh) * 2022-04-26 2023-08-29 重庆美的通用制冷设备有限公司 制冷剂切换方法和切换设备、可读存储介质和制冷设备
CN116379588B (zh) * 2023-04-08 2023-09-12 广州施杰节能科技有限公司 一种冷水主机负荷分配寻优调节方法及其系统
CN117760071A (zh) * 2023-12-28 2024-03-26 北京东华博泰科技有限公司 一种基于双重标准的制冷出水温度控制方法及相关设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005348477A (ja) * 2004-06-01 2005-12-15 Matsushita Electric Ind Co Ltd インバータ制御装置
CN101865515A (zh) * 2010-05-26 2010-10-20 广东欧科空调制冷有限公司 利用电流变化来控制系统负荷的空调机组
CN205807750U (zh) * 2016-06-29 2016-12-14 启明天工（苏州）控制系统有限公司 冷机群控节能控制系统及空调设备
CN107655175A (zh) * 2017-10-28 2018-02-02 深圳市华科科技有限公司 一种中央空调群控节能智能控制系统
CN108731190B (zh) * 2018-06-15 2020-09-15 广东美的暖通设备有限公司 空调主机参数的检测方法、检测装置和检测系统
CN110864416A (zh) * 2019-11-14 2020-03-06 南京亚派软件技术有限公司 一种中央空调系统启停优化控制方法

Also Published As

Publication number Publication date
CN111678247A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN111678247B (zh) 空调设备的运行控制方法、空调设备和计算机存储介质
CN109631282B (zh) 一种中央空调系统控制方法及其系统、设备、存储介质
CN110274361B (zh) 水多联空调系统及其变频水泵的控制方法
CN113536525A (zh) 一种中央空调全局最优节能控制方法
CN111237995B (zh) 一种空调冷机的控制方法
CN101124445A (zh) 解除制冷启动的优化控制
CN113739371B (zh) 一种基于云端协同的中央空调系统及其控制方法
CN107940679A (zh) 一种基于数据中心冷水机组性能曲线的群控方法
CN111102691B (zh) 模块组合空调系统
JP7490831B2 (ja) 空調システムの制御装置、制御方法、制御プログラムおよび空調システム
CN101986050B (zh) 变容量模块机组空调控制方法
CN115307280A (zh) 多联机空调系统的控制方法、控制器、空调系统及介质
CN113531933A (zh) 一种冷媒循环量调节方法、装置及空调系统
CN112906966B (zh) 一种中央空调冷水机组负荷优化方法、系统、介质及设备
JP6854896B2 (ja) 空気調和システム、空気調和装置、運転制御方法およびプログラム
CN111964238A (zh) 空调设备的控制方法和装置、空调设备和可读存储介质
CN115540219A (zh) 空调及其限电控制方法、存储介质
JP6982146B2 (ja) 空調システムの制御装置、制御方法、制御プログラムおよび空調システム
JP6750980B2 (ja) 空調システムの制御装置、制御方法、制御プログラムおよび空調システム
CN108870689B (zh) 空调机组的压力控制方法及系统
CN113719976A (zh) 空调器的控制方法、空调器和计算机存储介质
CN113266924B (zh) 一种压缩机的控制方法及控制装置
CN113266923B (zh) 一种压缩机的控制方法及控制装置
JP7043573B2 (ja) 空調システムの制御装置、制御方法、制御プログラム、および空調システム
JP6382706B2 (ja) 情報処理システム

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210205

Address after: Room C, 14th floor, 309 Tanggu Road, Hongkou District, Shanghai 200080

Applicant after: Shanghai Meikong Intelligent Building Co.,Ltd.

Applicant after: GD MIDEA HEATING & VENTILATING EQUIPMENT Co.,Ltd.

Address before: 528311 Industrial Road, Penglai Road, Beijiao Town, Shunde District, Guangdong, Foshan

Applicant before: GD MIDEA HEATING & VENTILATING EQUIPMENT Co.,Ltd.

Applicant before: MIDEA GROUP Co.,Ltd.

GR01 Patent grant
GR01 Patent grant