CN112084707A - 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 - Google Patents

Abstract

本发明公开了一种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，该方法在原冷水机组MP模型的基础上应用基于GRNN的冷却水进水温度建模方法对模型进行改进。通过设备建模、系统仿真、正交试验、回归分析，当建筑冷负荷确定时，使用了一种适用于制冷机房在冷冻水和冷却水变流量解耦的正交试验方法，来确定该条件下使制冷机房总能耗最小的冷冻水流量、冷却水流量、冷冻水供水温度和冷却水进水温度参数值，对优化前后的各设备及系统的能耗进行对比,并对各设备进行相应的调节，从而为冷水机组及制冷机房的节能改造提供理论依据和技术指导。

Description

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

技术领域

本发明涉及一种制冷机房节能优化方法，具体涉及一种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。

背景技术

大型公共建筑节能的最主要任务是空调系统的节能，实现空调系统节能必须解决其在部分负荷运行情况下能效偏低的问题。而变流量技术的应用可在一定程度上保证制冷系统高效地运行，因此，在空调水系统变流量研究基础上，对制冷系统进行有效的能源管理，对于公共建筑节能降耗具有重要意义。

目前随着对制冷机房节能技术的逐步深化研究，多种新型节能技术及调节措施被应用到制冷机房节能改造当中，但是制冷机房节能优化及调控仍存在部分设备不可调、不稳定、调控策略不科学、节能效果不理想等问题。因此如何在部分负荷运行情况下，确定合理的制冷机房系统设备运行参数，使系统在建筑运行期间都保持在一个相对节能的运行状态，是现在亟待解决的问题。

发明内容

针对现有制冷机房节能控制存在的不足，本发明提出一种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，该方法能够实现对各类模拟设备的有效控制，简化了制冷机房的控制方法，易于实现。

为了实现上述任务，本发明采用以下技术方案：

一种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，包括以下步骤：

首先采集冷源系统各设备运行参数，对冷水机组性能系数与影响因素进行相关性分析并选取冷水机组的基本数学模型；并利用广义回归神经网络的非线性映射特性，建立冷却水进水温度模型以此对冷水机组基本数学模型进行改进；

其次，在建立冷水机组能效模型和水泵功率模型的基础上，将冷冻水和冷却水变流量解耦控制策略植入平台，在平台上进行正交回归试验，采用多项式回归的方法得到制冷机房能耗与各参数之间的经验关系式，通过数据处理得到使制冷机房系统功率最小的最佳运行参数；

最后对比优化前后水泵、冷水机组和制冷机房系统能耗，得到冷冻水和冷却水变流量解耦条件下系统的节能潜力。

作为本发明的进一步改进，所述冷水机组基本数学模型采用以下方法计算：

COP＝D₀+D₁Q_e+D₂T_ei+D₃T_ci+D₄Q_e ²+D₅T_ei ²+D₆T_ci ²+D₇Q_eT_ei+D₈Q_eT_ci+D₉T_eiT_ci；

式中，Q_e为冷水机组实时制冷量；T_ei为冷冻水回水温度；T_ci为冷却水进水温度；D₀～D₉为与设备物理特性无关的回归系数。

作为本发明的进一步改进，建立冷却水进水温度模型的具体步骤为：

步骤3.1、数据预处理：

将所有数据进行归一化处理，具体计算方法如下：

式中：x_i为输入数据；y_i为输出数据；x_i ^*为归一化后的输入向量；y_i ^*为归一化后的输出向量；l为输入参数的个数；

步骤3.2、建立GRNN模型

将经过归一化处理后的T_co，T_wb，f_fan，M_c的学习样本作为网络输入层的输入向量，将T_ci作为输出层的输出向量，训练样本数量用N表示；并将输入样本中包含的训练样本和测试样本的比例定为3:1；根据广义回归神经网络理论，构建的4层GRNN冷却水进水温度模型；

步骤3.3、确定网络参数

设定光滑因子σ值，从0.1开始，每次以增量0.01在[0.1,1]内递增；在同样训练样本和测试样本情况下，得到各光滑因子对应误差序列的均方根误差RMSE作为网络性能的评价指标，如式(3)所示，取得最小误差的σ值就是最优的参数；

式中，

y分别为冷却水进水温度的预测值、观测值和平均观测值；M为预测数量；

步骤3.4、模型评价指标的确定

采用均方根误差RMSE和决定系数R²两个统计量对冷却水进水温度模型的预测精度进行评价如下：

式中：

y和y_m分别为冷却水进水温度的预测值、观测值和平均观测值；M为预测数量；

步骤3.5、结果与分析

基于GRNN的冷却水进水温度参数模型为式(5)，将式(5)的结果带入MP模型以此对模型进行改进，改进后的冷水机组能效数学模型如式(6)所示：

T_ci＝f(T_co,T_wb,M_c,f_fan) (5)

式中，Q_e为冷水机组实时制冷量；T_ei为冷冻水回水温度；T_co为冷却水出水温度；T_wb为室外湿球温度；M_c为冷却水流量；f_fan为冷却塔风机频率；D₀～D₉为与设备物理特性无关的回归系数；

作为本发明的进一步改进，采用多项式回归的方法得到水泵的功率随流量的关系曲线，具体如下：

步骤4.1、表达式的选取

对于变频水泵，满负荷工况下其功率计算公式如下：

η＝η_p·η_m·η_VFD (8)

式中，P_pump为水泵功率；ρ为流体的密度；g为重力加速度；M为流体的体积流量；H为水泵的扬程；η为水泵的全效率；η_p为水泵效率；η_m为电机效率；η_VFD为变频器效率；

变频水泵大部分时间运行在部分负荷下，其功率模型表示为与流量的多项式关系，表达式如下：

其中M_rated为水泵的额定流量；a₀～a₃为模型系数；

步骤4.2、参数的辨识；

利用夏季和过渡季典型日采集到的冷冻水泵和冷却水泵的运行数据对水泵的功率模型进行辨识，得到水泵的功率随流量的关系曲线。

作为本发明的进一步改进，所述最佳运行参数是在建筑冷负荷确定的工况下，借助平台，采用正交回归试验法对冷水机组和水泵的功率进行计算，从而得到系统总能耗最小情况下的最佳参数设定值。

作为本发明的进一步改进，所述节能潜力对应的的总功率与冷冻水流量、冷却水流量、冷冻水供水温度和冷却水进水温度的拟合关系式如下：

式中，M_e为冷冻水流量；M_c为冷却水流量；T_eo为冷冻水供水温度；T_ci为冷却水进水温度；

一种基于冷冻水和冷却水变流量解耦的制冷机房节能优化系统，包括：

建立模型模块，用于采集冷源系统各设备运行参数，对冷水机组性能系数与影响因素进行相关性分析并选取冷水机组的基本数学模型；并利用广义回归神经网络的非线性映射特性，建立冷却水进水温度模型以此对冷水机组基本数学模型进行改进；

参数确定模块，用于在建立冷水机组能效模型和水泵功率模型的基础上，将冷冻水和冷却水变流量解耦控制策略在平台上进行正交回归试验，采用多项式回归的方法得到制冷机房能耗与各参数之间的经验关系式，通过数据处理得到使制冷机房系统功率最小的最佳运行参数；

节能潜力确定模块，用于对比优化前后水泵、冷水机组和制冷机房系统能耗，得到冷冻水和冷却水变流量解耦条件下系统的节能潜力。

本发明与现有技术相比具有以下技术效果：

本发明基于GRNN的冷却水进水温度参数模型以对基本冷水机组MP模型进行改进，在建模研究上引入冷却水流量因素，可凸显变流量研究条件下流量因素在设备建模中的重要性。而引入室外湿球温度的变量因素，将室外气象条件的变化与冷源系统内部参数紧密结合起来，模型更直观，也更加具有现实意义。通过设备建模、系统仿真、正交试验、回归分析，当建筑冷负荷确定时，使用正交试验方法来确定该条件下使制冷机房总能耗最小的冷冻水流量、冷却水流量、冷冻水供水温度和冷却水进水温度参数值，对优化后的各设备及系统的能耗进行对比,并对各设备进行相应的调节，从而为冷水机组及制冷机房的节能改造提供理论依据和技术指导。

附图说明

图1为本发明的GRNN网络拓扑结构；

图2为本发明的不同平滑因子下GRNN的均方根误差结果；

图3为本发明的训练样本冷却水进水温度预测值与实际值对比结果；

图4为本发明的测试样本冷却水进水温度预测值与实际值对比结果；

图5为本发明的冷冻水泵功率随流量的关系曲线图；

图6为本发明的冷却水泵功率随流量的关系曲线图；

图7为本发明的冷源系统动态仿真流程图；

图8为本发明的中央空调冷源系统Trnsys仿真平台主界面。

图9为测试日优化前后能耗对比图。

具体实施方式

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换都属于本发明的保护范围。

针对研究对象实际空调冷源系统控制过程复杂和繁琐，且加入控制策略之后难以实现对相关设备的有效控制等问题，本发明提供的一种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，该方法基于Trnsys仿真软件高效灵活，部件之间的联系容易建立等特点，在该仿真平台上进行正交回归试验，通过数据处理得到使制冷机房系统功率最小的最佳运行参数，并将得到的系统能耗值与传统变流量控制方式下的能耗值进行比较，可得出在冷冻水和冷却水变流量解耦的研究背景下系统的节能潜力。

首先对本发明涉及的定义或概念内涵做以说明：

冷水机组性能系数(Coefficient Of Performance，COP)：指在规定工况下，机组以同一单位表示的制冷(热)量除以总输入电功率的比值。

冷负荷：指为保持建筑物的热湿环境和所要求的室内温度，必须由空调系统从房间带走的热量叫空调房间冷负荷。

部分负荷率(Part Load Ratio，PLR)：冷水机组的实际制冷量与额定制冷量的比值。

广义回归神经网络(General Regression Neural Network，GRNN)：广义回归神经网络是一种基于one-pass学习算法的高度并行径向基网络。根据广义回归神经网络理论，GRNN总体的结构由四层构成，这四层分别是输入层，模式层，求和层和输出层。网络具有较强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适用于解决非线性问题。

本发明的方法具体步骤为：

首先对冷水机组COP与影响因素进行相关性分析，选择冷水机组能效的基本数学模型。利用GRNN强大的非线性映射特性，以建立基于GRNN的冷却水进水温度参数模型对基本MP模型进行改进并建立水泵模型。

其次，在Trnsys冷源系统仿真平台上进行四因素二次回归正交试验，得到制冷机房与各参数之间的经验关系式，通过数据处理得到使制冷机房系统功率最小的最佳运行参数；

最后对比优化前后水泵、冷水机组和制冷机房系统能耗，得到冷冻水和冷却水变流量解耦条件下系统的节能潜力。

以下结合具体实施例对本发明的进行详细说明。

实施例1

在本实施例中公开了一种基于GRNN的冷却水进水温度建模方法，为改进冷水机组能效模型提供可靠理论依据。

由于冷水机组COP受部分负荷率、冷冻水供回水温度、冷却水进出水温度、冷冻水流量和冷却水流量等诸多因素影响，且各种影响因素之间也存在着错综复杂的交互关系。

为了明确各运行参数对冷水机组运行能效的影响程度，本发明利用SPSS软件对冷水机组运行能效与多个影响因素进行相关性分析，通过Pearson相关系数、双侧显著性检验进行相关性分析，结果见表1。结果显示影响冷水机组COP的相关性大小依次为：部分负荷率PLR、冷却水进水温度T_ci、冷冻水流量M_e、冷冻水回水温度T_ei、冷却水流量M_c、冷却水出水温度T_co、冷冻水供水温度T_eo。通过相关性分析明确了哪些优化变量对降低冷水机组功耗贡献最大，从而可帮助工程师确定所选优化变量的优先级。

表1机组COP与影响因素相关性分析

影响因素	相关系数
		部分负荷率	0.869
冷冻水供水温度	0.212
		冷冻水回水温度	0.563
冷却水进水温度	-0.693
		冷却水出水温度	-0.242
冷冻水流量	0.655
		冷却水流量	0.262

运用测试数据对常见的基于经验的冷水机组数学模型进行参数辨识，采用CV值比较各模型的预测精度并考虑相关模型的训练样本数量及计算量，最终选用MP模型作为冷水机组的基本数学模型，表达式为：COP＝D₀+D₁Q_e+D₂T_ei+D₃T_ci+D₄Q_e ²+D₅T_ei ²+D₆T_ci ²+D₇Q_eT_ei+D₈Q_eT_ci+D₉T_eiT_ci。

式中，Q_e为冷水机组实时制冷量，kW；T_ei为冷冻水回水温度，℃；T_ci为冷却水进水温度，℃；D₀～D₉为与设备物理特性无关的回归系数。

在本实施例中，以7月23日及10月15日分别作为夏季和过渡季的典型日，采集冷却水出水温度T_co、室外湿球温度T_wb、室外干球温度T、冷却塔风机频率f_fan和冷却水流量M_c的实时运行数据，采用SPSS统计软件对以上因素对冷却水进水温度T_ci的影响程度进行分析，结果如下表所示。由相关性分析结果可知，冷却水出水温度T_co这一因素的相关系数最大，它是影响冷却水进水温度T_ci的关键因素；其次是室外湿球温度T_wb；室外干球温度T的相关系数最小，表明其数值的变化对冷却水进水温度T_ci影响程度最小。因此本实施例选取冷却水出水温度T_co、室外湿球温度T_wb、冷却塔风机频率f_fan和冷却水流量M_c以上4种因素作为GRNN的输入向量建立冷却水进水温度模型。

表2冷却水进水温度与影响因素相关性分析

方法按照以下步骤执行：

步骤1、数据预处理。由于GRNN模型的输入输出数据具有不同的物理意义，为了消除量纲对神经网络的影响，需要将所有数据进行归一化处理，在本实施例中，采用离差标准化的方法将样本数据处理成[0,1]的无因次数，有效提高预测收敛速度并提升模型的精度，具体计算方法如下：

式中：x_i为输入数据；y_i为输出数据；x_i ^*为归一化后的输入向量；y_i ^*为归一化后的输出向量；l为输入参数的个数。

步骤2、建立GRNN模型。基于GRNN冷却水进水温度模型方法的主要思想是将经过归一化处理后的T_co，T_wb，f_fan，M_c的学习样本作为网络输入层的输入向量，将T_ci作为输出层的输出向量，训练样本数量用N表示，如果输入样本中训练集和测试集的数量级差距过大，则很有可能会出现较大的预测误差，因此本发明将输入样本中包含的训练样本和测试样本的比例定为3:1。根据广义回归神经网络理论，构建的4层GRNN冷却水进水温度模型，如图1所示。

步骤3、确定网络参数。平滑因子σ的确定是GRNN网络训练的实质和难点，本发明设定光滑因子σ值，从0.1开始，每次以增量0.01在[0.1,1]内递增；在同样训练样本和测试样本情况下，得到各光滑因子对应误差序列的均方根误差RMSE作为网络性能的评价指标，见式(3)所示，取得最小误差的σ值就是最优的参数。

经过上述步骤计算，为了得到较高的模型泛化能力，最终确定最优光滑因子σ的数值为0.19，对应的均方根误差为0.6015，如图2所示。因此，将最优光滑因子σ＝0.19应用于网络的输入层。

步骤4、模型评价指标的确定。在本实施例中，采用均方根误差RMSE和决定系数R²两个统计量对冷却水进水温度模型的预测精度进行评价，见式(4)所示。

式中：

y和y_m分别为冷却水进水温度的预测值、观测值和平均观测值；M为预测数量。R²越接近1表明模型预测值越接近实际值，预测结果具有可靠性。

步骤5、结果与分析。GRNN模型对训练样本的预测值与实际值对比见图3。总体来说，训练样本中绝大部分冷却水进水温度值均匀分布在实际值曲线两侧，少部分预测值出现不同程度的偏离。对于36组训练样本，模型预测值与实际值的拟合程度较高，决定系数R²为0.9797，RMSE为0.1114℃，可见GRNN训练网络的模拟精度符合要求。

用12组测试样本验证已建立的GRNN模型的泛化性能与模拟精度，其预测值与实际值对比如图4所示。模型对测试样本的预测值与实际值的拟合程度较高，决定系数R²为0.9536。预测值与实际值的RMSE较训练样本略有增加，为0.1388℃。分析结果可知GRNN模型对测试样本的预测精度较高，模型预测值与实际值的误差在10％的允许范围内，可用于冷却水进水温度模型预测。

由分析可知基于GRNN的冷却水进水温度参数模型可表达成式(5)，因此本发明提出将式(5)的结果带入MP模型以此对模型进行改进，改进后的冷水机组能效数学模型如式(6)所示。

T_ci＝f(T_co,T_wb,M_c,f_fan) (5)

改进的冷水机组能效模型在建模研究上引入冷却水流量因素，可凸显变流量研究条件下流量因素在设备建模中的重要性。而引入室外湿球温度的变量因素，将室外气象条件的变化与冷源系统内部参数紧密结合起来，模型更直观，也更加具有现实意义。

实施例2

在本实施例中采用多项式回归的方法得到水泵的功率随流量的关系曲线，具体如下：

步骤1、表达式的选取。对于变频水泵，满负荷工况下其功率计算公式如下：

η＝η_p·η_m·η_VFD (8)

式中，P_pump为水泵功率，kW；ρ为流体的密度，kg/m³；g为重力加速度，m/s²；M为流体的体积流量，m³/h；H为水泵的扬程，m；η为水泵的全效率；η_p为水泵效率；η_m为电机效率；η_VFD为变频器效率。

从实际分析看，变频水泵大部分时间运行在部分负荷下，其功率模型可表示为与流量的多项式关系，表达式如下：

其中M_rated为水泵的额定流量，m³/h；a₀～a₃为模型系数。

步骤2、参数的辨识。在本实施例中，利用夏季和过渡季典型日采集到的冷冻水泵和冷却水泵的运行数据对水泵的功率模型进行辨识，结果如图5和图6所示。

实施例3

本实施例为冷冻水和冷却水变流量解耦控制策略在Trnsys仿真平台上的应用。结合本发明的综合办公楼研究对象，空调冷源系统各环路负荷特性和压损相差较大，每层的房间内部需要有个性化设置等特性，选择定供回水干管压差控制作为冷冻水变流量控制方式能满足上述要求。在冷却水变流量侧，由于空调冷源系统的运行大部分处于部分负荷情况下，采用定温差控制方式相当于冷却水流量随负荷成比例变化，控制方法简单、有效，因此本实施例在冷却水变流量侧采用定温差控制方法。

具体步骤如下：

步骤1、基于工程案例，该冷源系统动态仿真平台主要由气象模块、冷水机组模块、水泵模块、冷却塔模块、混流器模块、PID控制模块和数据输出模块等组成，系统动态仿真流程如图7所示。

步骤2、仿真平台的搭建及控制策略的应用。仿真平台的主界面如图8所示。

实施例4

本发明借助建立的设备模型和Trnsys仿真平台，在该仿真平台上进行正交试验，通过数据处理得到使制冷机房系统功率最小的最佳运行参数，将得到的最小功率值与传统变流量控制方式下的功率值进行比较，得到在冷冻水和冷却水变流量解耦背景下系统的节能潜力。

对于确定设备型号的制冷机房，冷冻水流量、冷冻水供水温度和冷却水流量是可以通过设备控制的变量。而冷却水进水温度受冷却塔散热性能和冷却水流量影响，但冷却塔散热性能主要与冷却水流量和进塔风量有关，冷却水流量可以通过改变冷却水泵频率进行调节，进塔风量又可以通过改变风机频率调节，因此冷却水进水温度间接上也是可控的。综上所述，选择冷冻水供水温度T_eo、冷冻水流量M_e、冷却水进水温度T_ci、冷却水流量M_c作为系统的优化变量；

为了量化制冷机房在冷冻水和冷却水变流量控制策略下的运行能耗，在建筑冷负荷确定的工况下，借助Trnsys仿真平台，采用正交回归试验法对冷水机组和水泵的功率进行计算，从而得到系统总能耗最小情况下的最佳参数设定值。选取的过渡季某日9时的冷负荷为987.35kW，考虑到冷冻水和冷却水流量均存在一个最小值，超过这个最小值将导致冷水机组效率大幅度下降，因此，在试验中保证水流量在50％～100％之间调节；冷冻水供水温度范围设定为4～12℃；冷却水进水温度范围设定为15～35℃。为了简化分析，选择只开启一台冷水机组、一台冷冻水泵和一台冷却水泵的工况作为本实施例的研究背景，不考虑空调末端设备及其能耗。具体各参数取值见表3。试验结果见表4。

表3正交试验水平编码

表4四因素二次回归正交试验结果

对上述试验结果进行数据处理，剔除不显著因子后得到制冷机房系统总功率与冷冻水流量、冷却水流量、冷冻水供水温度和冷却水进水温度的拟合关系式，如式(10)所示：

对上述回归模型进行F检验，式(11)可以看出回归模型极显著。

F＝1110.13＞F_0.01(9.5)＝14.7 (11)

根据回归模型进行分析，可得该模型的最小值为189.90kW，此时的冷冻水流量、冷却水流量、冷冻水供水温度和冷却水进水温度分别为164.83m³/h、290.97m³/h、8.14℃、15.00℃。将参数代入设备模型，计算所得的总功率值为192.71kW，与分析值非常接近，误差仅为1.57％，这说明通过正交试验寻找制冷机房总功率最小值具有一定的可靠性。图9所示为在优化前后水泵、冷水机组和制冷机房系统能耗对比。水泵的能耗增加了3.44kW，但是冷水机组能耗降低了29.88kW，制冷机房系统总的节能率达到了12.23％。从优化结果可以看出，冷水机组能耗是制冷机房系统节能的重点，系统参数优化后的结果是水泵能耗略有增加，冷水机组能耗大幅降低。

本发明第二个目的是提供一种基于冷冻水和冷却水变流量解耦的制冷机房节能优化系统，包括：

建立模型模块，用于采集冷源系统各设备运行参数，对冷水机组性能系数与影响因素进行相关性分析并选取冷水机组的基本数学模型；并利用广义回归神经网络的非线性映射特性，建立冷却水进水温度模型以此对冷水机组基本数学模型进行改进；

参数确定模块，用于在建立冷水机组能效模型和水泵功率模型的基础上，将冷冻水和冷却水变流量解耦控制策略在平仿真平台上进行正交回归试验，采用多项式回归的方法得到制冷机房能耗与各参数之间的经验关系式，通过数据处理得到使制冷机房系统功率最小的最佳运行参数；

节能潜力确定模块，用于对比优化前后水泵、冷水机组和制冷机房系统能耗，得到冷冻水和冷却水变流量解耦条件下系统的节能潜力。

总之，本发明一种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，在原冷水机组MP模型的基础上应用基于GRNN的冷却水进水温度建模方法对模型进行改进。通过设备建模、系统仿真、正交试验、回归分析，当建筑冷负荷确定时，使用了一种适用于制冷机房在冷冻水和冷却水变流量解耦的正交试验方法，来确定该条件下使制冷机房总能耗最小的冷冻水流量、冷却水流量、冷冻水供水温度和冷却水进水温度参数值，对优化后的各设备及系统的能耗进行对比,并对各设备进行相应的调节，从而为冷水机组及制冷机房的节能改造提供理论依据和技术指导。

以上披露的所有文章和参考资料，包括专利申请和出版物，出于各种目的通过援引结合于此。描述组合的术语“基本由…构成”应该包括所确定的元件、成分、部件或步骤以及实质上没有影响该组合的基本新颖特征的其他元件、成分、部件或步骤。使用术语“包含”或“包括”来描述这里的元件、成分、部件或步骤的组合也想到了基本由这些元件、成分、部件或步骤构成的实施方式。这里通过使用术语“可以”，旨在说明“可以”包括的所描述的任何属性都是可选的。

多个元件、成分、部件或步骤能够由单个集成元件、成分、部件或步骤来提供。另选地，单个集成元件、成分、部件或步骤可以被分成分离的多个元件、成分、部件或步骤。用来描述元件、成分、部件或步骤的公开“一”或“一个”并不说为了排除其他的元件、成分、部件或步骤。

应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施例和许多应用对本领域技术人员来说都将是显而易见的。因此，本教导的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。出于全面之目的，所有文章和参考包括专利申请和公告的公开都通过参考结合在本文中。在前述权利要求中省略这里公开的主题的任何方面并不是为了放弃该主体内容，也不应该认为申请人没有将该主题考虑为所公开的发明主题的一部分。

Claims (7)

1.一种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，其特征在于，包括以下步骤：

首先采集冷源系统各设备运行参数，对冷水机组性能系数与影响因素进行相关性分析并选取冷水机组的基本数学模型；并利用广义回归神经网络的非线性映射特性，建立冷却水进水温度模型以此对冷水机组基本数学模型进行改进；

其次，在建立冷水机组能效模型和水泵功率模型的基础上，将冷冻水和冷却水变流量解耦控制策略植入平台，在平台上进行正交回归试验，采用多项式回归的方法得到制冷机房能耗与各参数之间的经验关系式，通过数据处理得到使制冷机房系统功率最小的最佳运行参数；

最后对比优化前后水泵、冷水机组和制冷机房系统能耗，得到冷冻水和冷却水变流量解耦条件下系统的节能潜力。

2.根据权利要求1所述的方法，其特征在于，所述冷水机组基本数学模型采用以下方法计算：

COP＝D₀+D₁Q_e+D₂T_ei+D₃T_ci+D₄Q_e ²+D₅T_ei ²+D₆T_ci ²+D₇Q_eT_ei+D₈Q_eT_ci+D₉T_eiT_ci；

式中，Q_e为冷水机组实时制冷量；T_ei为冷冻水回水温度；T_ci为冷却水进水温度；D₀～D₉为与设备物理特性无关的回归系数。

3.根据权利要求1所述的方法，其特征在于，建立冷却水进水温度模型的具体步骤为：

步骤3.1、数据预处理：

将所有数据进行归一化处理，具体计算方法如下：

式中：x_i为输入数据；y_i为输出数据；x_i ^*为归一化后的输入向量；y_i ^*为归一化后的输出向量；l为输入参数的个数；

步骤3.2、建立GRNN模型

将经过归一化处理后的T_co，T_wb，f_fan，M_c的学习样本作为网络输入层的输入向量，将T_ci作为输出层的输出向量，训练样本数量用N表示；并将输入样本中包含的训练样本和测试样本的比例定为3:1；根据广义回归神经网络理论，构建的4层GRNN冷却水进水温度模型；

步骤3.3、确定网络参数

设定光滑因子σ值，从0.1开始，每次以增量0.01在[0.1,1]内递增；在同样训练样本和测试样本情况下，得到各光滑因子对应误差序列的均方根误差RMSE作为网络性能的评价指标，如式(3)所示，取得最小误差的σ值就是最优的参数；

式中，

y分别为冷却水进水温度的预测值、观测值和平均观测值；M为预测数量；

步骤3.4、模型评价指标的确定

采用均方根误差RMSE和决定系数R²两个统计量对冷却水进水温度模型的预测精度进行评价如下：

式中：

y和y_m分别为冷却水进水温度的预测值、观测值和平均观测值；M为预测数量；

步骤3.5、结果与分析

基于GRNN的冷却水进水温度参数模型为式(5)，将式(5)的结果带入MP模型以此对模型进行改进，改进后的冷水机组能效数学模型如式(6)所示：

T_ci＝f(T_co,T_wb,M_c,f_fan) (5)

式中，Q_e为冷水机组实时制冷量；T_ei为冷冻水回水温度；T_co为冷却水出水温度；T_wb为室外湿球温度；M_c为冷却水流量；f_fan为冷却塔风机频率；D₀～D₉为与设备物理特性无关的回归系数。

4.根据权利要求1所述的方法，其特征在于，采用多项式回归的方法得到水泵的功率随流量的关系曲线，具体如下：

步骤4.1、表达式的选取

对于变频水泵，满负荷工况下其功率计算公式如下：

η＝η_p·η_m·η_VFD (8)

式中，P_pump为水泵功率；ρ为流体的密度；g为重力加速度；M为流体的体积流量；H为水泵的扬程；η为水泵的全效率；η_p为水泵效率；η_m为电机效率；η_VFD为变频器效率；

变频水泵大部分时间运行在部分负荷下，其功率模型表示为与流量的多项式关系，表达式如下：

其中M_rated为水泵的额定流量；a₀～a₃为模型系数；

步骤4.2、参数的辨识；

利用夏季和过渡季典型日采集到的冷冻水泵和冷却水泵的运行数据对水泵的功率模型进行辨识，得到水泵的功率随流量的关系曲线。

5.根据权利要求1所述的方法，其特征在于，所述最佳运行参数是在建筑冷负荷确定的工况下，借助平台，采用正交回归试验法对冷水机组和水泵的功率进行计算，从而得到系统总能耗最小情况下的最佳参数设定值。

6.根据权利要求1所述的方法，其特征在于，所述节能潜力对应的的总功率与冷冻水流量、冷却水流量、冷冻水供水温度和冷却水进水温度的拟合关系式如下：

式中，M_e为冷冻水流量；M_c为冷却水流量；T_eo为冷冻水供水温度；T_ci为冷却水进水温度。

7.一种基于冷冻水和冷却水变流量解耦的制冷机房节能优化系统，其特征在于，包括：

建立模型模块，用于采集冷源系统各设备运行参数，对冷水机组性能系数与影响因素进行相关性分析并选取冷水机组的基本数学模型；并利用广义回归神经网络的非线性映射特性，建立冷却水进水温度模型以此对冷水机组基本数学模型进行改进；

参数确定模块，用于在建立冷水机组能效模型和水泵功率模型的基础上，将冷冻水和冷却水变流量解耦控制策略在平台上进行正交回归试验，采用多项式回归的方法得到制冷机房能耗与各参数之间的经验关系式，通过数据处理得到使制冷机房系统功率最小的最佳运行参数；

节能潜力确定模块，用于对比优化前后水泵、冷水机组和制冷机房系统能耗，得到冷冻水和冷却水变流量解耦条件下系统的节能潜力。

Images