CN112105233A - 节能控制方法、装置、电子设备和计算机可读介质 - Google Patents
节能控制方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112105233A CN112105233A CN202010997796.8A CN202010997796A CN112105233A CN 112105233 A CN112105233 A CN 112105233A CN 202010997796 A CN202010997796 A CN 202010997796A CN 112105233 A CN112105233 A CN 112105233A
- Authority
- CN
- China
- Prior art keywords
- value
- cooling
- power consumption
- pump
- water
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000033228 biological regulation Effects 0.000 claims abstract description 112
- 230000001105 regulatory effect Effects 0.000 claims abstract description 18
- 238000001816 cooling Methods 0.000 claims description 381
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 378
- 238000007710 freezing Methods 0.000 claims description 152
- 230000008014 freezing Effects 0.000 claims description 150
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001276 controlling effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 11
- 230000000875 corresponding effect Effects 0.000 description 94
- 230000014509 gene expression Effects 0.000 description 32
- 230000008569 process Effects 0.000 description 15
- 238000005265 energy consumption Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000005057 refrigeration Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 7
- 238000009423 ventilation Methods 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 239000008400 supply water Substances 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- H05K7/20763—Liquid cooling without phase change
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种节能控制方法，涉及云计算领域，具体涉及机器学习和智能控制技术领域。该方法包括：基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算冷源系统中的总功耗，其中，每条参数数据对应冷源系统中的一个总功耗；基于总功耗的最小值对应的参数数据，确定冷源系统中每个设备的调控目标值，按照调控目标值调节所对应的设备，以对冷源系统进行节能控制。本公开还提供了一种节能控制装置、电子设备和计算机可读介质。根据本公开的实施例的节能控制方法、装置、电子设备和计算机可读介质，可以实现使用总功耗较低的控制参数对冷源系统中的设备进行调节，达到对冷源系统进行节能控制的目的。
Description
技术领域
本公开涉及云计算领域，具体涉及机器学习和智能控制技术领域，特别涉及节能控制方法、装置、电子设备和计算机可读介质。
背景技术
数据中心在整个信息技术(Information Technology，IT)产业中所消耗的电能巨大，数据中心的智能化以高效率、低能耗为目标，如何降低数据中心能耗，提升设备的运维效率，对于节能减排具有重要意义。
制冷模式下冷源系统的节能方案设计是数据中心暖通智能化下的子项目。在冷源系统中，当自然冷不能满足数据中心制冷需求时，机械制冷就成为了必然选择。机械制冷的显著特点是能耗巨大，需要通过参数调节来达到节能的目的。
公开内容
本公开实施例提供一种节能控制方法和装置、电子设备、计算机可读介质。
第一方面，本公开实施例提供一种节能控制方法，包括：基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算冷源系统中的总功耗，其中，每条参数数据对应冷源系统中的一个总功耗；基于总功耗的最小值对应的参数数据，确定冷源系统中每个设备的调控目标值，按照调控目标值调节所对应的设备，以对冷源系统进行节能控制。
第二方面，本公开实施例提供一种装置，包括：功耗计算模块，用于基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算冷源系统中的总功耗，其中，每条参数数据对应冷源系统中的一个总功耗；参数调节模块，用于基于总功耗的最小值对应的参数数据，确定冷源系统中每个设备的调控目标值，按照调控目标值调节所对应的设备，以对冷源系统进行节能控制。
第三方面，本公开实施例提供一种电子设备，其包括：
一个或多个处理器；存储器，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器上述任意一种节能控制方法；一个或多个I/O接口，连接在处理器与存储器之间，配置为实现处理器与存储器的信息交互。
第四方面，本公开实施例提供一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现上述任意一种节能控制方法。
本公开实施例提供的节能控制方法、装置、电子设备和计算机可读介质，根据预先为冷源系统所包含设备构建的设备模型和冷源系统的参数数据集，计算不同参数数据对应的设备功耗，并根据总功耗的最小值对应的参数数据，确定冷源系统所包含设备的调控目标，以根据该调控目标调节冷源系统中的各个设备，实现使用总功耗较低的控制参数对冷源系统中的设备进行调节，达到对冷源系统进行节能控制的目的，从而降低数据中心能耗，提升设备运维效率，实现对数据中心暖通系统的智能化控制。
附图说明
附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述，以上和其它特征和优点对本领域技术人员将变得更加显而易见，在附图中：
图1为本公开实施例中冷源系统的架构示意图；
图2为本公开实施例的节能控制方法的流程图；
图3为本公开实施例提供的节能控制装置的组成框图；
图4本公开实施例提供的节能控制系统的组成框图；
图5为本公开实施例提供的一种电子设备的组成框图；
图6为本公开实施例提供的一种计算机可读介质的组成框图。
具体实施方式
为使本领域的技术人员更好地理解本公开的技术方案，下面结合附图对本公开提供的节能控制方法、装置、电子设备和计算机可读介质进行详细描述。
在下文中将参考附图更充分地描述示例实施例，但是示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。
在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
图1为本公开实施例中冷源系统的架构示意图。如图1所示，该冷源系统包括冷机10、冷冻泵11、冷却泵12和冷塔13，其中，冷冻泵11位于冷源系统的冷冻侧，冷却泵12和冷塔13位于冷源系统的冷却侧。
在图1中，冷源系统在运行时，冷机10可以用于通过压缩制冷将冷却水制成冷冻水，冷冻泵11可以用于输送冷冻水到用户侧，并驱动冷冻水流动，从而将用户侧的热量带回冷机10；冷机10可以通过与冷却泵12驱动的冷却水进行热交换，从而将冷机10在工作中产生的热量传递给冷却水，冷却泵12将冷却水输送到冷塔13，冷塔13可以通过风扇的旋转排出热量，从而完成冷源系统中的热量转移。
需要说明的是，图1仅是示例性的说明冷源系统的架构，实际应用中，冷源系统可以包括比图1所示更多或更少的部件，本公开实施例对于冷源系统的具体结构并不进行具体限定。
图2为本公开实施例的节能控制方法的流程图。
第一方面，参照图2，本公开实施例提供一种节能控制方法，该方法可以包括如下步骤。
S110，基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算冷源系统中的总功耗，其中，每条参数数据对应冷源系统中的一个总功耗。
S120，基于总功耗的最小值对应的参数数据，确定冷源系统中每个设备的调控目标值，按照调控目标值调节所对应的设备，以对冷源系统进行节能控制。
根据本公开实施例的节能控制方法，预先对冷源系统所包含设备进行建模，得到冷源系统中的设备模型，这些设备模型用于根据冷源系统的参数数据集，计算得到不同参数数据对应的每个设备的功耗，进而计算不同参数数据对应的设备总功耗，从而根据总功耗的最小值对应的参数数据，确定冷源系统所包含设备的调控目标，以根据该调控目标调节冷源系统中的各个设备，实现使用总功耗较低的控制参数对冷源系统中的设备进行调节，达到对冷源系统进行节能控制的目的。
在一些实施例中，冷源系统的参数数据集至少包括：冷冻侧参数的关联数据集合和冷却侧参数的取值集合；冷源系统的参数数据集中的每条参数数据至少包括：关联数据集合中的一条关联数据和一条冷却侧参数。
在步骤S110之前，该方法还可以包括如下步骤。
S11，通过预先获取的冷源系统的历史数据，确定冷源系统的冷冻侧出水温度的取值范围和冷却侧参数的取值范围。
S12，选取冷冻侧出水温度的取值范围和冷却侧参数的取值范围中的数据，得到冷冻侧出水温度的取值集合和冷却侧参数的取值集合。
S13，根据冷冻侧出水温度的取值集合中的冷冻侧出水温度值，获取冷冻侧参数的关联数据集合，其中，每条关联数据中的冷冻侧出水温度值和冷冻侧水流量满足预设的冷量输出守恒条件。
通过上述步骤S11-S13，可以根据历史数据中得到冷冻侧参数的关联数据集合和冷却侧参数的取值集合，以用于后续步骤中的模型处理。
在本公开实施例中，中心系统的暖通系统由末端、二次侧和冷源系统(即冷冻单元)构成，冷冻单元又可以分成冷冻侧和冷却侧，系统的各个组成部分不是独立存在的，为了保证总供冷量不变，其中任何一个子系统调控参数的变化，都会影响到其它子系统的控制和能耗。所以为了避免子系统之间的相互影响，需要对系统进行解耦处理。暖通系统中，冷源系统(冷冻单元)将冷量输出给二次侧，所以在单独优化的过程中只要保证其输出的冷量不变即可，而冷量可以近似表示为冷冻侧入水温度与冷冻侧出水温度的差值与冷冻侧水流量的乘积。
本公开实施例中，冷冻侧参数的关联数据集合中的冷冻侧出水温度值和冷冻侧水流量满足冷量输出守恒条件，对后续对系统节能控制的解耦处理提供数据基础。
作为示例，在步骤S11，可以根据历史数据中冷冻侧出水温度的取值，确定冷冻侧出水温度Tcold_out的取值范围[Tmin_cold_out，Tmax_cold_out]，其中，Tmin_cold_out表示历史数据中冷冻侧出水温度的最小值，Tmax_cold_out表示历史数据中冷冻侧出水温度的最大值。
以预定的第一温度步长stepcold_out遍历[Tmin_cold_out，Tmax_cold_out]，以从[Tmin_cold_out，Tmax_cold_out]中获取多个冷冻侧出水温度，从而得到冷冻侧出水温度的取值集合Tcold_out_set。
示例性地，Tcold_out_set＝[Tcold_out_1 ........ Tcold_out_i ...... Tcold_out_n]，其中，n为正整数，i为大于等于1小于等于n的整数。
在该实施例中，预定的第一温度步长可以根据实际情况进行自定义设置，且该温度步长可以是一个固定值，也可以根据实际应用场景进行调整，本公开实施例不做具体限定。
作为示例，在步骤S12，在保证系统负载例如机房负载不变的前提下，计算冷冻侧水流量和冷冻侧出水温度(即供水流量和供水温度)的二元关联数组QTset，且QTset可以表示为：
[(Tcold_out_1，Qcold_1) …… (Tcold_out_i，Qcold_i) ...... (Tcold_out_n，Qcold_n)]，其中，Tcold_out表示该二元关联数组中的冷冻侧出水温度，Qcold表示二元关联数组中的冷冻侧水流量，n为正整数，i为大于等于1小于等于n的整数。
在一个实施例中，在该二元关联数组的每一对关联数据中，冷冻侧水流量和冷冻侧出水温度满足冷量守恒条件。冷量输出守恒条件包括：每条关联数据中的冷冻侧出水温度值与冷冻侧水流量的乘积，等于实际输出冷量；实际输出冷量为冷冻侧当前水流量与温差的乘积，温差是根据冷冻侧当前入水温度和冷冻侧当前出水温度计算得到的温差。
作为示例，在该二元关联数组中，计算第i对供水温度和流量的方法可以表示为下面的表达式(1)：
(Tcur_cold_in-Tcold_out_in)Qcold_i＝(Tcur_cold_in-Tcur_cold_out)Qcur_cold
(1)
在上述表达式(1)中，Tcur_cold_in表示采集的冷冻侧当前入水温度，冷冻侧入水温度为常量且可以在各种调控策略下保持恒定，只与末端调控有关；Tcold_out_in可以是从上述冷冻侧出水温度的取值集合Tcold_out_set中获取的冷冻侧出水温度；Tcur_cold_out表示采集的冷冻侧当前出水温度，Qcur_cold表示采集的冷冻侧当前水流量；(Tcur_cold_in-Tcur_cold_out)Qcur_cold表示冷冻侧温差和冷冻侧水流量的乘积，即实际输出冷量。
在一个实施例中，冷却侧参数的取值集合包括冷塔出水温度的取值集合和冷却侧水流量的取值集合。在该实施例中，上述步骤S11具体可以包括如下步骤。
S21，按照预定第一温度步长，从冷冻侧出水温度的取值范围中选取温度数据，得到冷冻侧出水温度的取值集合。
S22，按照预定第二温度步长，从冷塔出水温度的取值范围中选取温度数据，得到冷塔出水温度的取值集合。
S23，按照预定流量步长，从冷却侧水流量的取值范围中选取数据，得到冷却侧水流量的取值集合。
S24，将冷塔出水温度的取值集合和冷却侧水流量的取值集合，作为冷却侧参数的取值集合。
在步骤S22，作为示例，可以根据历史数据中冷塔出水温度的取值，确定冷塔出水温度Tct_out的取值范围[Tmin_ct_out，Tmax_ct_out]，其中，Tmin_ct_out表示历史数据中冷塔出水温度的最小值，Tmax_ct_out表示历史数据中冷塔出水温度的最大值。
以预定的第一温度步长stepct_out遍历[Tmin_ct_out，Tmax_ct_out]，以从[Tmin_ct_out，Tmax_ct_out]中获取多个冷冻侧出水温度，从而得到冷冻侧出水温度的取值集合Tct_out_set。
示例性地，Tct_out_set＝[Tct_out_1 ...... Tct_out_j ...... Tct_out_m]，其中，m为正整数，j为大于等于1小于等于m的整数。
在该实施例中，预定的第二温度步长可以根据实际情况进行自定义设置，且该温度步长可以是一个固定值，也可以根据实际应用场景进行调整，本公开实施例不做具体限定。
在步骤S23，作为示例，可以根据历史数据中冷却侧水流量的取值，确定冷却侧水流量Qcool的取值范围[Qmin_cool，Qmax_cool]，其中，Qmin_cool表示历史数据中冷却侧水流量的最小值，Qmax_cool表示历史数据中冷却侧水流量的最大值。
以预定的流量步长stepq_cool遍历[Qmin_cool，Qmax_cool]，以从[Qmin_cool，Qmax_cool]中获取多个冷却侧水流量，从而得到冷却侧水流量的取值集合Qcool_set。
示例性地，Qcool_set＝[Qcool_1 ...... Qcool_k ...... Qcool_p]，其中，p为正整数，k为大于等于1小于等于p的整数。
在该实施例中，预定的流量步长可以根据实际情况进行自定义设置，且该流量步长可以是一个固定值，也可以根据实际应用场景进行调整，本公开实施例不做具体限定。
该本公开实施例中，冷源系统中所涉及模型的构建过程可以包括：从数据存储系统中获取指定时间段内的原始数据，例如获取最近一年内或半年内的历史数据；对数据进行清洗，剔除异常数据样本，并对各个特征在时间维度上进行关联对齐；采用清洗后的历史数据对预定的函数关系进行建模。
在实际应用场景中，基于理论模型的方式，即基于热力学理论对冷源系统进行建模的缺点是，理论模型和实际设备的工作状态差距较大，无法落地，相对于理论建模的方法，本公开实施例能够基于历史数据和模型更新解决系统状态随时间变化的问题，使根据模型计算进行的调控更准确。
在一个实施例中，冷源系统的参数数据集包括：冷冻侧参数的关联数据集合和冷却侧参数的取值集合；预先构建的设备模型包括：冷机功耗模型、冷冻泵功耗模型和冷却侧设备模型。
在一个实施例中，冷机功耗模型用于表示冷机功耗与冷冻侧入水温度、冷冻侧出水温度、冷冻侧水流量、冷却侧水流量和冷塔出水温度之间的对应关系。
作为示例，冷机功耗模型可以表示为下面的表达式(2)：
Pch＝fch_p(Tcold_in，Tcold_out，Tct_out，Qcool，Qcold) (2)
在上述表达式(2)中，Pch表示冷机功耗，Tcold_out表示冷冻侧出水温度，Tct_out表示冷塔出水温度，Qcool表示冷冻侧水流量，Qcold表示冷冻侧水流量，fch_p表示Pch与Tcold_in，Tcold_out，Tct_out，Qcool，Qcold之间的函数关系。
在一个实施例中，冷冻泵功耗模型用于表示冷冻泵功耗与冷冻侧水流量之间的对应关系。作为示例，冷冻泵功耗模型可以表示为下面的表达式(3)：
Ppchp＝fpchp_p(Qcold) (3)
在上述表达式(3)中，Ppchp表示冷冻泵功耗，Qcold表示冷冻侧水流量，fpchp_p表示Ppchp与Qcold之间的函数关系。
在步骤S110中，基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算冷源系统中的总功耗的步骤，具体可以包括：
S111，获取一条模型参数记录，模型参数记录包括关联数据集合中的一条关联数据，和冷却侧参数的取值集合中的一条冷却侧参数取值。
S112，根据冷机功耗模型，使用采集的冷冻侧入水温度、关联数据中的冷冻侧出水温度和冷冻侧水流量、以及所获取的冷却侧参数取值中的冷却侧水流量和冷塔出水温度，计算得到冷机功耗。
S113，通过冷冻泵功耗模型，根据关联数据中的冷冻侧水流量，计算得到冷冻泵功耗。
S114，通过冷却侧设备模型，根据所获取的关联数据中的冷却侧水流量和冷塔出水温度，以及所获取的冷却侧参数取值中的冷却侧水流量和冷塔出水温度，计算得到冷却侧设备功耗。
S115，由冷机功耗、冷冻泵功耗和冷却侧设备功耗，计算得到冷源系统中的一个总功耗。
S116，重新获取一条模型参数记录，直到获取次数等于预定次数，得到冷源系统的多个总功耗，其中，预定次数大于等于1且小于等于关联数据集合中关联数据的条数，或，预定次数大于等于1且小于等于冷却侧参数的取值集合中冷却侧参数的条数。
在一个实施例，关联数据集合中关联数据的总条数，与冷却侧参数的取值集合中冷却侧参数的总条数不一致的情况下，获取模型参数记录的次数可以根据实际情况进行设定，保证每次获取到的模型参数记录不同即可。
通过步骤S111-S116，可以根据预先构建的各个设备功耗模型模型参数记录，计算得到冷源系统所包含的设备的总功耗。
在一个实施例中，冷却侧设备模型包括：冷塔换热模型、冷塔频率模型、冷塔功耗模型和冷却泵功耗模型。
在一个实施例中，冷塔换热模型用于表示：冷塔入水温度与冷冻侧入水温度、冷冻侧出水温度、冷冻侧水流量、冷却侧水流量和冷塔出水温度之间的对应关系。
作为示例，冷塔换热模型可以表示为下面的表达式(4)：
Tct_in＝fct_in_t(Tcold_in，Tcold_out，Tct_out，Qcool，Qcold) (4)
在表达式(4)中，Tct_in表示冷塔入水温度，Tcold_in表示冷冻侧入水温度，Tct_out冷塔出水温度，Qcool表示冷却侧水流量，Qcold表示冷冻侧水流量，fct_in_t表示Tct_in与Tcold_out，Tct_out，Qcool，Qcold之间的函数关系。
在一个实施例中，冷塔频率模型用于表示：冷塔频率与湿球温度、冷塔入水温度、冷却侧水流量和冷塔出水温度之间的对应关系。
作为示例，冷塔频率模型可以表示为下面的表达式(5)：
Fct＝fctp(Twb，Tct_in，Qcool，Tct_out) (5)
在表达式(5)中，Fct表示冷塔频率，Twb表示湿球温度，Tct_in表示冷塔入水温度，Qcool表示冷却侧水流量，Tct_out表示冷塔出水温度，fctp表示Fct与Twb，Tct_in，Qcool，Tct_out之间的函数关系。
在一个实施例中，冷塔功耗模型用于表示冷塔功耗模型与冷塔风扇频率之间的对应关系。作为示例，冷塔功耗模型可以表示为下面的表达式(6)：
Pct＝fctp(Fct) (6)
在表达式(6)中，Pct表示冷塔功耗，Fct表示冷塔频率，fctp用于表示Pct与Fct之间的函数关系。
在一个实施例中，冷却泵功耗模型用于表示冷却泵功耗与冷却侧水流量之间的对应关系。作为示例，冷却泵功耗模型可以表示为下面的表达式(7)：
Pcwp＝fcwp_p(Qcool) (7)
在上述表达式(7)中，Pcwp表示冷却泵功耗，Qcool表示冷却侧水流量，fcwp_p表示Pcwp与Qcool之间的函数关系。
在一个实施例中，步骤S114具体可以包括如下步骤。
S31，通过冷塔换热模型，使用采集的冷冻侧入水温度、所获取的冷冻侧出水温度和冷冻侧水流量、所获取的冷却侧水流量和冷塔出水温度，计算得到对应的冷塔入水温度。
S32，通过冷塔频率模型，使用采集的湿球温度、计算得到的冷塔入水温度、所获取的冷却侧水流量和冷塔出水温度，计算得到对应的冷塔风扇频率。
S33，通过冷塔功耗模型，使用计算得到的冷塔风扇频率，计算得到对应的冷塔风扇功耗。
S34，通过冷却泵功耗模型，使用所获取的冷却侧水流量，计算得到对应的冷却泵功耗。
S35，将冷塔风扇功耗和冷却泵功耗的功耗之和，作为冷却侧设备功耗。
在该实施例中，可以根据使用上述表达式(4)表示的冷塔换热模型和对应的参数，使用上述表达式(5)表示的冷塔频率模型和对应的参数，使用上述表达式(6)表示的冷塔功耗模型和对应的参数，以及使用上述表达式(7)冷却泵功耗模型和对应的，分别计算得到上述每个设备的功耗。
在一个实施例中，冷源系统中的设备模型还包括：冷却泵频率模型和冷冻泵频率模型。冷却泵频率模型，用于表示冷却泵频率与冷却侧水流量之间的对应关系；冷冻泵频率模型，用于表示冷冻泵频率与冷冻侧水流量之间的对应关系。
作为示例，冷却泵频率模型可以表示为下述表达式(8)：
Fcwp＝fcwp_f(Qcool) (8)
在表达式(8)中，Fcwp表示冷却泵频率，Qcool表示冷却侧水流量，fcwp_f表示Fcwp与Qcool之间的函数关系。
作为示例，冷冻泵频率模型可以表示为下述表达式(9)：
Fpchp＝fpchp_f(Qcold) (9)
在表达式(9)中，Fpchp表示冷冻泵频率，Qcold表示冷冻侧水流量，fpchp_f表示Fpchp与Qcold之间的函数关系。
为了便于理解，下面通过具体实例，描述根据冷源系统的参数数据集合中的参数和冷源系统中的各个设备模型，计算得到冷源系统中的每个设备的功耗的具体过程。
在一个实施例中，计算得到冷源系统中的每个设备的功耗的具体过程可以包括如下步骤。需要说明的是，下述步骤中涉及符号和表达式，与前述实施例中相同的符号和表达式含义一致，为描述方便，则不再赘述。
S201，获取一条模型参数记录。
该模型参数记录包括：从关联数据集合QTset中获取第i条关联数据记录(Tcold_out_i，Qcold_i)、从冷冻侧出水温度的取值集合Tct_out_set中获取第j条冷冻侧出水温度Tct_out_j、以及冷却侧水流量的取值集合Qcool_set中获取第k条冷却侧水流量Qcool_k。
S202，通过上述表达式(4)的冷塔换热模型和对应的参数，计算对应的冷塔入水温度Tct_in_l。
S203，通过上述表达式(5)的冷塔频率模型和对应的参数，计算对应的冷塔风扇频率Fct_l。
S204，通过上述表达式(6)的冷塔功耗模型和对应的参数，计算对应的冷塔风扇功耗Pct_l。
S205，通过上述表达式(7)的冷却泵功耗模型和对应的参数，计算对应的冷却泵功耗Pcwp_l。
S206，通过上述表达式(3)的冷冻泵功耗模型和对应的参数，计算对应的冷冻泵功耗Ppchp_l。
S207，通过上述表达式(2)的冷机功耗模型和对应的参数，计算对应的冷机功耗Pch_l。
S208，通过上述表达式(8)的冷却泵频率模型和对应的参数，计算对应的冷却泵频率Fcwp_l。
S209，通过上述表达式(9)的冷冻泵频率模型和对应的参数，计算对应的冷冻泵频率Ppchp_l。
S210，计算与获取的模型参数记录对应的设备总功耗，作为一条可行调控策略的总功耗，得到该计算得到的总功耗对应的可行调控策略。
作为示例，该计算得到的总功耗对应的可行调控策略可以包括如下参数项：冷冻侧出水温度Tct_out_j、冷冻侧水流量Qcold_i、冷塔入水温度Tct_in_l、冷却侧水流量Qcool_k、冷塔风扇频率Fct_l、冷却泵频率Fcwp_l和冷冻泵频率Ppchp_l。
作为示例，该可行调控策略的总功耗可以表示为：Ptotal_l＝Pct_l+Pcwp_l+Ppchp_l+Pch_l，其中，1表示获取模型参数记录的次数，且1为大于1的整数。
也就是说，对步骤S204中计算得到的冷塔风扇功耗Pct_l，S205中计算得到的冷却泵功耗Pcwp_l，S206中计算得到的冷冻泵功耗Ppchp_l，以及S207中计算得到的冷机功耗Pch_l进行求和，得到与获取的模型参数记录对应的设备总功耗。
S209，重复多次获取新的模型参数记录，并重复上述步骤S202-S208，得到与每次获取的模型参数记录对应的设备总功耗，以及可行调控策略集合。
在该步骤中，可行调控策略集合中的每条策略，均对应一个根据上述步骤计算得到的设备总功耗。
S210，将可行调控策略集合中设备总功耗的最小值对应的策略作为目标策略，得到目标策略的执行参数。
该目标策略的执行参数可以表示为如下与总功耗的最小值对应的如下参数项的集合：冷冻侧出水温度Tct_out_best、冷冻侧水流量Qcold_best、冷塔入水温度Tct_in_best、冷却侧水流量Qcool_best、冷塔风扇频率Fct_best、冷却泵频率Fcwp_best和冷冻泵频率Ppchp_best。
通过上述步骤S201-S210，计算得到使冷源系统总能耗最小的执行策略参数，以用于后续的策略优化处理。
在一个实施例中，在步骤S120，确定冷源系统中每个设备的调控目标值，按照调控目标值调节所对应的设备的步骤，具体可以包括如下步骤。
S121，确定第一设备的执行参数和第一设备的调控目标值，控制第一设备的执行参数的取值为第一设备的调控目标值，第一设备为冷源系统中功耗占比达到预定阈值的设备。
S122，确定第一设备以外的其他设备的执行参数和其他设备的调控目标值，按照预定顺序调整每个其他设备的执行参数达到其他设备的调控目标值。
在该实施例中，首先对冷源系统中功耗占比达到预定阈值的第一设备进行功耗调整，这样可以保证冷源系统中功耗较大设备的输入参数的稳定，即可以保证功耗较大设备的功耗的稳定；再对冷源系统中的其他设备进行调整，从而系统误差可以控制分散到其它能耗比较低的子系统设备中，通过这种控制方式有效地降低了误差对总功耗的影响。
在一个实施例中，第一设备为冷机；步骤S121具体可以包括：S41，确定冷机的执行参数为冷冻侧出水温度；S42，将总功耗的最小值对应的冷冻侧出水温度值，作为冷机的调控目标值。
在实际应用场景中，冷机耗能通常大约占到可以占据冷源系统(即冷冻单元)整体功耗的80％～90％，所以在制冷模式下，冷机能耗的优化是关键。性能系数(CoefficientOf Performance，COP)即制冷量与消耗的电能比值，是衡量冷机制冷效率的核心指标。冷机的输入(水温度、流量)不同，其效率不同，故可以通过调节冷机的输入参数来达到节能的目的。
在本公开实施例中，根据冷机的控制逻辑，冷机一般可以通过设定冷冻侧出水温度来控制，因此，本公开实施例在进行调控策略的控制下发时，冷机可以按照推导出的控制目标策略中的冷冻侧出水温度直接控制，从而到达冷机的调控目标，保证冷机输入参数和冷机功耗的稳定。
在一个实施例中，第一设备以外的其他设备包括水泵和冷塔；在该实施例中，步骤S122具体可以包括如下步骤。
S51，将总功耗的最小值对应的水泵流量值，作为水泵的调控目标值。
S52，调整水泵的频率，以使水泵的实际流量值与水泵的调控目标值的差值小于预定流量误差阈值。
S53，将通过冷塔换热模型，使用总功耗的最小值对应的冷冻侧入水温度值、冷冻侧出水温度、冷冻侧水流量、冷却侧水流量、冷塔出水温度，计算得到的冷塔入水温度值，作为冷塔的调控目标值。
S54，调整冷塔的风扇频率，以使冷塔的实际入水温度值与冷塔的调控目标值的差值小于预定温度误差阈值；其中，调整水泵优先于调整冷塔。
在该实施例中，在对冷机进行调节之后，按照从水泵到冷塔的顺序，通过调整水泵的频率，将水泵的流量调整至与水泵的调控目标值之间的差值小于预定的流量误差阈值；在通过调整冷塔的风扇频率，将冷塔的入水温度调整至与冷塔的调控目标值之间的差值小于预定的温度误差阈值。
在实际应用中，如果采用比例积分微分(Proportion Integral Differential，PID)控制器进行的节能控制通常为单点反馈式控制，例如通过控水泵频率来反馈控制水泵流量。这种方案的缺点是，反馈控制是状态保持的一种方式，只有依赖专家经验才能达到优化控制的目的。
本公开实施例的节能控制方法，首先对冷机进行调节，在冷机达到调控目标后，按照从水泵到冷塔的顺序依次调节至对应的调控目标，相对于基于PID反馈以及运维经验的优化控制，能从全局出发对能源效率进行优化。
在本公开实施例中，水泵和冷塔采用自反馈的控制方式，当调控目标的实际值与调控目标值差距较大时，以固定的步长进行多次调整，且进行调控的步长应小于预定步长阈值，从而以较小步长进行多次调整，提高调整过程中系统的稳定性，通过多次调整使调控目标的实际值不断靠近调控目标，当实际值与调控目标的差距小于一定阈值时停止调控，保持当前调整后的设备状态。
以水泵调控为例，水泵的调控目标是流量，当水泵流量当前实际值Qcur_real小于水泵流量的目标值Qtarget时，以固定步长调大水泵频率，比如选取频率步长为0.2Hz，几分钟后待系统稳定后，再次查看当前流量值，重复上述步骤直至当前实际流量值接近目标流量，即当前实际流量值与目标流量的差值小于一定预定阈值。
示例性地，以固定步长调大水泵频率或调小水泵频率时，该步长值可以小于预定阈值，以降低调整过程对整体系统稳定性的影响，保证调整过程中系统的稳定运行。
在该实施例中，S52具体可以包括：S61，根据预先构建的水泵频率模型，使用总功耗的最小值对应的水泵流量，计算得到与总功耗的最小值对应的水泵频率值，作为水泵频率起始值；S62，从水泵频率起始值开始，按照预定水泵频率步长调整水泵的频率，以使水泵的实际流量值与水泵的调控目标值的差值小于预定的流量误差阈值。
在该实施例中，在对水泵进行调节时，可以将总功耗的最小值对应的水泵频率值作为水泵频率的起始值，对水泵进行误差补偿，最大程度降低误差补偿问题对系统功耗的影响，提高调控效率，达到误差补偿代价最小化的目的。
在一个实施例中，水泵包括冷冻泵和冷却泵；该实施例中，S51具体可以包括：将总功耗的最小值对应的冷冻泵流量值，作为冷冻泵的调控目标值，以及将总功耗的最小值对应的冷却泵流量值，作为冷却泵的调控目标值。
该实施例中，步骤S61具体可以包括：S71，根据预先构建的冷冻泵频率模型，使用总功耗的最小值对应的冷冻侧水流量，计算得到与总功耗的最小值对应的冷冻泵频率值，作为冷冻泵频率起始值。S72，根据预先构建的冷却泵频率模型，使用总功耗的最小值对应的冷却侧水流量，计算得到与总功耗的最小值对应的冷却泵频率值，作为冷却泵频率起始值。
在该实施例中，可以在每次获取模型参数时，均计算与获取模型参数对应的冷冻泵频率值和冷却泵频率值，从而在得到设备总功耗的最小值时，直接从之前计算得到的冷冻泵频率值和冷却泵频率值中，获取总功耗的最小值对应的冷冻泵频率值和总功耗的最小值对应的冷却泵频率值；也可以在确定设备总功耗的最小值之后，使用冷冻泵频率模型，根据获取的设备总功耗的最小值对应的冷冻侧水流量，计算冷冻泵频率，以及使用冷却泵频率模型，根据获取的设备总功耗的最小值对应的冷却侧水流量，计算冷却泵频率。实际应用场景中可根据实际需要进行灵活调整。
在一个实施例中，步骤S62具体可以包括：
S81，从冷冻泵频率起始值开始，按照第一水泵频率步长调整冷冻泵的频率，直到冷冻泵的实际流量值与冷冻泵的调控目标值的差值小于第一流量误差阈值。
S82，从冷却泵频率起始值开始，按照第二水泵频率步长调整冷却泵的频率，直到冷却泵的实际流量值与冷却泵的调控目标值的差值小于第二流量误差阈值；其中，调整冷冻泵优先于调整冷却泵。
在该实施例中，可以按照从冷冻泵到冷却泵的顺序，依次对冷冻泵和冷却泵进行自反馈调节。
在一个实施例中，步骤S54中，调整冷塔的风扇频率的步骤，具体可以包括：从冷塔的风扇频率起始值开始，按照预定冷塔频率步长调整冷塔的风扇频率。其中，风扇频率起始值，是根据预先构建的冷塔频率模型，使用采集的湿球温度、冷塔的调控目标值、总功耗的最小值对应的冷却侧水流量和总功耗的最小值对应的冷塔出水温度，计算得到的冷塔风扇频率。
示例性地，上述调整过程中使用的第一水泵频率步长、第二水泵频率步长和，冷塔频率步长可以分别设置为小于对应的预定频率阈值，以降低调整过程对整体系统稳定性的影响，保证调整过程中系统的稳定运行。
在该实施例中，在水泵调节之后，调整冷塔风扇频率，以调整冷塔的入水温度，直到调整后的冷塔入水温度值与总功耗的最小值对应的冷塔入水温度值之间的差值小于预定的温度误差阈值；其中，调整水泵优先于调整冷塔。
在本公开实施例的节能控制方法中，整个控制可以由四部分构成，包括冷机控制、冷却泵控制、冷冻泵控制和冷塔控制；该四部分的调控对应两种调控模式：其中冷机采用直接控制，冷却泵、冷冻泵和冷塔采用自反馈控制。
示例性地，在自反馈控制中，具体控制方式如下，反馈控制调节冷冻泵频率，保证冷冻侧水流量达到目标值，即总功耗的最小值对应的冷冻泵流量值；反馈控制调节冷却泵频率，保证冷却侧流量达到目标值，即总功耗的最小值对应的冷却泵流量值；最后反馈控制调节冷塔频率，保证冷塔入水温度达到目标值，即总功耗的最小值对应的冷塔入水温度值。
在实际应用中，单纯的自反馈控制，一般为单点反馈控制，无法完成复杂关联系统优化；而机器学习算法在实际应用场景中存在着误差困境，对于一些设备，由于采集的特征维度有限，实际上也无法做到所有相关特征的100％覆盖，然而缺少特征就会导致误差，而多个模型的联合就会导致更大的误差。
比如对于一个实际模型为Y＝(x1，x2，x3)，若采集到的特征只有x1、x2，缺少了特征x3，就一定会导致模型出现误差。如果采用模型推出的策略对系统进行直接控制，模型累积误差可能会出现在每一个子系统里。
在本公开实施例中，冷机功耗占整个冷冻单元功耗的80％～90％，出现在冷机部分的误差，将会对冷机的功耗产生巨大影响。所以系统设计中应该保留误差补偿设备，作为减少误差的出口，使误差尽可能累计在对功耗影响小的子系统。
在本公开实施例的节能控制方法中，可以根据预先构建的各个设备功耗模型，遍历从历史数据中确定的关联数据集合和冷却侧参数的取值集合，从而采用机器学习方法进行求解寻优，根据系统总功耗的最小值得到对系统进行节能控制的调控目标，并且冷机按照推导出的控制目标策略进行，其它部分采用自反馈控制，采用机器学习和自反馈相结合的方式，最大程度降低了误差补偿问题的影响，也就是说，采用机器学习的方法对系统进行优化，找到目标策略，对能耗大的子系统(例如冷机)直接进行控制，对能耗小的子系统(例如水泵和冷塔)采用反馈控制，对累积误差进行补偿。
在一些场景中，可以基于神经网络对暖通系统的优化控制；或者，可以基于增强学习对暖通系统的优化控制。
神经网络是一种学习复杂函数的有效工具，该模型能够学习、捕获线性以及非线性函数关系，缺点是可解释性差，定位问题困难。与此同时，神经网络无法在系统中引入约束，无法直接生成控制策略；神经网络存在误差，且无法对误差进行针对性的补偿管理。
本公开实施例的节能控制方法，相对于神经网络和增强学习方式，整个方案模型可解释，机器学习和自反馈相结合的方式，最大程度降低误差补偿问题的影响。
而增强学习作为一种机器学习算法，该算法仿照人类认知的过程，使机器能够从实际的环境中学习经验，本质是一种自反馈学习的方式。算法的核心是计算每个动作的收益并不断记录尝试，而对于暖通系统而言，调控策略的动作可调整的空间较大，每次尝试需要很长时间等待系统稳定，同时尝试也会存在风险，比如造成机房超温，从而导致系统不稳定。
本公开实施例的节能控制方法，相对于增强学习的方法，可以避免频繁随机性调控系统带来的风险，综合了机器学习中分子系统模型构建(例如冷源系统中的各个设备模型)和自反馈控制的优点，通过特定的控制方式，达到了误差补偿代价最小化即最小功耗代价的目的。
图3为本公开实施例提供的节能控制装置的组成框图。
第二方面，参照图3，本公开实施例提供一种节能控制装置，该装置可以包括如下模块。
功耗计算模块310，用于基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算冷源系统中的总功耗，其中，每条参数数据对应冷源系统中的一个总功耗。
参数调节模块320，用于基于总功耗的最小值对应的参数数据，确定冷源系统中每个设备的调控目标值，按照调控目标值调节所对应的设备，以对冷源系统进行节能控制。
根据本公开实施例的节能控制装置，可以预先对冷源系统所包含设备进行建模，得到冷源系统中的设备模型，这些设备模型用于根据冷源系统的参数数据集，计算得到不同参数数据对应的每个设备的功耗，进而计算不同参数数据对应的设备总功耗，从而根据总功耗的最小值对应的参数数据，确定冷源系统所包含设备的调控目标，以根据该调控目标调节冷源系统中的各个设备，实现使用总功耗较低的控制参数对冷源系统中的设备进行调节，达到对冷源系统进行节能控制的目的。
在一些实施例中，参数数据集包括：冷冻侧参数的关联数据集合和冷却侧参数的取值集合；每条参数数据包括：关联数据集合中的一条关联数据和一条冷却侧参数。节能控制装置还可以包括：取值范围确定单元，用于通过预先获取的冷源系统的历史数据，确定冷源系统的冷冻侧出水温度的取值范围和冷却侧参数的取值范围；取值集合获取单元，用于选取冷冻侧出水温度的取值范围和冷却侧参数的取值范围中的数据，得到冷冻侧出水温度的取值集合和冷却侧参数的取值集合；关联数据集合获取单元，用于根据冷冻侧出水温度的取值集合中的冷冻侧出水温度值，获取冷冻侧参数的关联数据集合，其中，每条关联数据中的冷冻侧出水温度值和冷冻侧水流量满足预设的冷量输出守恒条件。
在一些实施例中，冷量输出守恒条件包括：冷量输出守恒条件包括：每条关联数据中的冷冻侧出水温度值与冷冻侧水流量的乘积，等于实际输出冷量；实际输出冷量为冷冻侧当前水流量与温差的乘积，温差是根据冷冻侧当前入水温度和冷冻侧当前出水温度计算得到的温差。
在一些实施例中，冷却侧参数的取值范围包括冷塔出水温度的取值范围和冷却侧水流量的取值范围；取值集合获取单元还可以包括：冷冻侧出水温度获取子单元，用于按照预定第一温度步长，从冷冻侧出水温度的取值范围中选取温度数据，得到冷冻侧出水温度的取值集合；冷塔出水温度获取子单元，用于按照预定第二温度步长，从冷塔出水温度的取值范围中选取温度数据，得到冷塔出水温度的取值集合；冷却侧水流量获取子单元，用于按照预定流量步长，从冷却侧水流量的取值范围中选取数据，得到冷却侧水流量的取值集合；取值集合获取单元用于将冷塔出水温度的取值集合和冷却侧水流量的取值集合，作为冷却侧参数的取值集合。
在一些实施例中，参数数据集包括：冷冻侧参数的关联数据集合和冷却侧参数的取值集合；设备模型包括：冷机功耗模型、冷冻泵功耗模型和冷却侧设备模型；功耗计算模块310可以包括如下单元。
模型参数记录获取单元，用于获取一条模型参数记录，模型参数记录包括关联数据集合中的一条关联数据，和冷却侧参数的取值集合中的一条冷却侧参数取值。
冷机功耗计算单元，用于根据冷机功耗模型，使用采集的冷冻侧入水温度、关联数据中的冷冻侧出水温度和冷冻侧水流量、以及所获取的冷却侧参数取值中的冷却侧水流量和冷塔出水温度，计算得到冷机功耗。
冷冻泵功耗计算单元，用于通过冷冻泵功耗模型，根据关联数据中的冷冻侧水流量，计算得到冷冻泵功耗；
冷却侧设备功耗计算单元，用于通过冷却侧设备模型，根据所获取的关联数据中的冷却侧水流量和冷塔出水温度，以及所获取的冷却侧参数取值中的冷却侧水流量和冷塔出水温度，计算得到冷却侧设备功耗；
总功耗确定单元，用于由冷机功耗、冷冻泵功耗和冷却侧设备功耗，计算得到冷源系统中的一个总功耗；
模型参数记录获取单元，还用于重新获取一条模型参数记录，直到获取次数等于预定次数，得到冷源系统的多个总功耗，其中，预定次数小于等于关联数据集合中关联数据的条数，或小于等于冷却侧参数的取值集合中冷却侧参数的条数。
在一些实施例中，冷却侧设备模型包括：冷塔换热模型、冷塔频率模型、冷塔功耗模型和冷却泵功耗模型；冷却侧设备功耗计算单元，包括：冷塔入水温度计算子单元，用于通过冷塔换热模型，使用采集的冷冻侧入水温度、所获取的冷冻侧出水温度和冷冻侧水流量、所获取的冷却侧水流量和冷塔出水温度，计算得到对应的冷塔入水温度；冷塔风扇频率计算子单元，用于通过冷塔频率模型，使用采集的湿球温度、计算得到的冷塔入水温度、所获取的冷却侧水流量和冷塔出水温度，计算得到对应的冷塔风扇频率；冷塔风扇功耗计算子单元，用于通过冷塔功耗模型，使用计算得到的冷塔风扇频率，计算得到对应的冷塔风扇功耗；冷却泵功耗计算子单元，用于通过冷却泵功耗模型，使用所获取的冷却侧水流量，计算得到对应的冷却泵功耗；冷却侧设备功耗计算单元，还用于将冷塔风扇功耗和冷却泵功耗的功耗之和，作为冷却侧设备功耗。
在一些实施例中，参数调节模块320包括：第一调控单元，用于确定第一设备的执行参数和第一设备的调控目标值，控制第一设备的执行参数的取值为第一设备的调控目标值，第一设备为冷源系统中功耗占比达到预定阈值的设备；第二调控单元，用于确定第一设备以外的其他设备的执行参数和其他设备的调控目标值，按照预定顺序调整每个其他设备的执行参数达到其他设备的调控目标值。
在一些实施例中，第一设备为冷机；第一调控单元，还用于确定冷机的执行参数为冷冻侧出水温度；将总功耗的最小值对应的冷冻侧出水温度值，作为冷机的调控目标值。
在一些实施例中，第一设备以外的其他设备包括水泵和冷塔。第二调控单元还可以包括如下子单元。
水泵调控目标值计算子单元，用于将总功耗的最小值对应的水泵流量值，作为水泵的调控目标值。
水泵调控子单元，用于调整水泵的频率，以使水泵的实际流量值与水泵的调控目标值的差值小于预定流量误差阈值。
冷塔调控目标值计算子单元，用于将通过冷塔换热模型，使用总功耗的最小值对应的冷冻侧入水温度值、冷冻侧出水温度、冷冻侧水流量、冷却侧水流量、冷塔出水温度，计算得到的冷塔入水温度值，作为冷塔的调控目标值。
冷塔调控子单元，用于调整冷塔的风扇频率，以使冷塔的实际入水温度值与冷塔的调控目标值的差值小于预定温度误差阈值；其中，调整水泵优先于调整冷塔。
在一些实施例中，水泵调控子单元，具体用于：根据预先构建的水泵频率模型，使用总功耗的最小值对应的水泵流量，计算得到与总功耗的最小值对应的水泵频率值，作为水泵频率起始值；从水泵频率起始值开始，按照预定水泵频率步长调整水泵的频率，以使水泵的实际流量值与水泵的调控目标值的差值小于预定的流量误差阈值。
在一些实施例中，水泵包括冷冻泵和冷却泵；水泵调控目标值计算子单元，具体还用于：将总功耗的最小值对应的冷冻泵流量值，作为冷冻泵的调控目标值，以及将总功耗的最小值对应的冷却泵流量值，作为冷却泵的调控目标值。
水泵调控子单元，具体还用于：根据预先构建的冷冻泵频率模型，使用总功耗的最小值对应的冷冻侧水流量，计算得到与总功耗的最小值对应的冷冻泵频率值，作为冷冻泵频率起始值；以及，根据预先构建的冷却泵频率模型，使用总功耗的最小值对应的冷却侧水流量，计算得到与总功耗的最小值对应的冷却泵频率值，作为冷却泵频率起始值。
在一些实施例中，水泵调控子单元，具体还用于：从冷冻泵频率起始值开始，按照第一水泵频率步长调整冷冻泵的频率，直到冷冻泵的实际流量值与冷冻泵的调控目标值的差值小于第一流量误差阈值；从冷却泵频率起始值开始，按照第二水泵频率步长调整冷却泵的频率，直到冷却泵的实际流量值与冷却泵的调控目标值的差值小于第二流量误差阈值；其中，调整冷冻泵优先于调整冷却泵。
在一些实施例中，冷塔调整子单元，在用于调整冷塔的频率时，具体用于：调整冷塔的风扇频率，包括：从冷塔的风扇频率起始值开始，按照预定冷塔频率步长调整冷塔的风扇频率。其中，风扇频率起始值，是根据预先构建的冷塔频率模型，使用采集的湿球温度、冷塔的调控目标值、总功耗的最小值对应的冷却侧水流量和总功耗的最小值对应的冷塔出水温度，计算得到的冷塔风扇频率。
根据本公开实施例的节能控制装置，可以根据预先构建的各个设备功耗模型，遍历从历史数据中确定的关联数据集合和冷却侧参数的取值集合，从而采用机器学习方法进行求解寻优，根据系统总功耗的最小值得到对系统进行节能控制的调控目标，并且冷机按照推导出的控制策略进行，其它部分采用自反馈控制，采用机器学习和自反馈相结合的方式，最大程度降低了误差补偿问题的影响。
图4为本公开实施例提供的节能控制系统的组成框图。
如图4所示，本公开实施例的节能控制系统可以包括数据采集模块410、数据存储模块420、策略优化模块430和控制下发模块440。
其中，数据采集模块410可以通过物联网(Internet of Things，IOT)设备采集数据，包括对冷塔风扇频率、功耗，冷却泵频率、功耗，冷冻泵频率、功耗，冷机冷冻侧、冷却侧出入水温度和流量以及冷机功耗的采集。
数据存储模块420可以用于进行采集数据的数据存储，系统中的历史数据。在本公开实施例中，构建模型所使用的可以是采集时间距离当前日期之前的天数大于预定阈值的数据，例如模型构建可以使用不少于三个月的数据。
策略优化模块430可以用于基于历史数据进行设备建模，具体可以包括：水泵频率模型、水泵功耗模型、冷机换热模型、冷机功耗模型、冷塔换热模型、以及冷塔功耗模型等。模型构建构成同前述实施例的描述，本公开实施例不再赘述。
在本公开实施例中，策略优化模块，可以用于使用本公开实施例中结合图1-图3描述的节能控制方法，基于各个设备模型对冷源系统的控制参数进行优化。
控制下发模块440，可以用于进行控制单元和反馈单元，控制单元将调控策略中的执行参数和调控目标通过远程控制系统下发给具体设备；反馈单元可以对冷机、水泵和冷塔形成的各子系统进行反馈调节。
需要明确的是，本发明并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁，这里省略了对已知方法的详细描述，并且上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5为本公开实施例提供的一种电子设备的组成框图。
第三方面，参照图5，本公开实施例提供一种电子设备，其包括：一个或多个处理器501；存储器502，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述任意一项的节能控制方法；一个或多个I/O接口503，连接在处理器与存储器之间，配置为实现处理器与存储器的信息交互。
其中，处理器501为具有数据处理能力的器件，其包括但不限于中央处理器(CPU)等；存储器502为具有数据存储能力的器件，其包括但不限于随机存取存储器(RAM，更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH)；I/O接口(读写接口)503连接在处理器501与存储器502间，能实现处理器501与存储器502的信息交互，其包括但不限于数据总线(Bus)等。
在一些实施例中，处理器501、存储器502和I/O接口503通过总线相互连接，进而与计算设备的其它组件连接。
图6示出本公开实施例提供的一种计算机可读介质的组成框图。
第四方面，参照图6，本公开实施例提供一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现上述任意一种节能控制方法。
在本公开实施例中，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、规划、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术包括计算机视觉技术、语音识别技术、自然与议案处理技术记忆机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据，并且可包括任何信息递送介质。
本文已经公开了示例实施例，并且虽然采用了具体术语，但它们仅用于并仅应当被解释为一般说明性含义，并且不用于限制的目的。在一些实例中，对本领域技术人员显而易见的是，除非另外明确指出，否则可单独使用与特定实施例相结合描述的特征、特性和/或元素，或可与其它实施例相结合描述的特征、特性和/或元件组合使用。因此，本领域技术人员将理解，在不脱离由所附的权利要求阐明的本公开的范围的情况下，可进行各种形式和细节上的改变。
Claims (16)
1.一种节能控制方法，其包括：
基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算所述冷源系统中的总功耗，其中，每条所述参数数据对应所述冷源系统中的一个总功耗；
基于所述总功耗的最小值对应的参数数据，确定所述冷源系统中每个设备的调控目标值，按照所述调控目标值调节所对应的设备，以对冷源系统进行节能控制。
2.根据权利要求1所述的方法，其中，
所述参数数据集至少包括：冷冻侧参数的关联数据集合和冷却侧参数的取值集合；所述每条参数数据至少包括：所述关联数据集合中的一条关联数据和一条冷却侧参数；
在所述基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算所述冷源系统中的总功耗之前，所述方法还包括：
通过预先获取的冷源系统的历史数据，确定所述冷源系统的冷冻侧出水温度的取值范围和冷却侧参数的取值范围；
选取所述冷冻侧出水温度的取值范围和所述冷却侧参数的取值范围中的数据，得到冷冻侧出水温度的取值集合和冷却侧参数的取值集合；
根据所述冷冻侧出水温度的取值集合中的冷冻侧出水温度值，获取冷冻侧参数的关联数据集合，其中，每条关联数据中的冷冻侧出水温度值和冷冻侧水流量满足预设的冷量输出守恒条件。
3.根据权利要求2所述的方法，其中，
所述冷量输出守恒条件包括：所述每条关联数据中的冷冻侧出水温度值与冷冻侧水流量的乘积，等于实际输出冷量；
所述实际输出冷量为冷冻侧当前水流量与温差的乘积，所述温差是根据冷冻侧当前入水温度和冷冻侧当前出水温度计算得到的温差。
4.根据权利要求2所述的方法，其中，所述冷却侧参数的取值范围包括冷塔出水温度的取值范围和冷却侧水流量的取值范围；所述选取所述冷冻侧出水温度的取值范围和所述冷却侧参数的取值范围中的数据，得到冷冻侧出水温度的取值集合和冷却侧参数的取值集合，包括：
按照预定第一温度步长，从所述冷冻侧出水温度的取值范围中选取温度数据，得到冷冻侧出水温度的取值集合；
按照预定第二温度步长，从所述冷塔出水温度的取值范围中选取温度数据，得到冷塔出水温度的取值集合；
按照预定流量步长，从所述冷却侧水流量的取值范围中选取数据，得到冷却侧水流量的取值集合；
将所述冷塔出水温度的取值集合和冷却侧水流量的取值集合，作为所述冷却侧参数的取值集合。
5.根据权利要求1所述的方法，其中，所述参数数据集至少包括：冷冻侧参数的关联数据集合和冷却侧参数的取值集合；所述预先构建的设备模型包括：冷机功耗模型、冷冻泵功耗模型和冷却侧设备模型；
所述基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算所述冷源系统中的总功耗，包括：
获取一条模型参数记录，所述模型参数记录包括所述关联数据集合中的一条关联数据，和所述冷却侧参数的取值集合中的一条冷却侧参数取值；
根据冷机功耗模型，使用采集的冷冻侧入水温度、所述关联数据中的冷冻侧出水温度和冷冻侧水流量、以及所获取的冷却侧参数取值中的冷却侧水流量和冷塔出水温度，计算得到冷机功耗；
通过冷冻泵功耗模型，根据所述关联数据中的冷冻侧水流量，计算得到冷冻泵功耗；
通过冷却侧设备模型，根据所获取的关联数据中的冷却侧水流量和冷塔出水温度，以及所获取的冷却侧参数取值中的冷却侧水流量和冷塔出水温度，计算得到冷却侧设备功耗；
由所述冷机功耗、所述冷冻泵功耗和所述冷却侧设备功耗，计算得到冷源系统中的一个总功耗；
重新获取一条模型参数记录，直到获取次数等于预定次数，得到所述冷源系统的多个总功耗，其中，预定次数小于等于所述关联数据集合中关联数据的条数，或小于等于所述冷却侧参数的取值集合中冷却侧参数的条数。
6.根据权利要求5所述的方法，其中，所述冷却侧设备模型包括：冷塔换热模型、冷塔频率模型、冷塔功耗模型和冷却泵功耗模型；所述通过冷却侧设备模型，根据所获取的关联数据中的冷却侧水流量和冷塔出水温度，以及所获取的冷却侧参数取值中的冷却侧水流量和冷塔出水温度，计算得到冷却侧设备功耗，包括：
通过冷塔换热模型，使用采集的冷冻侧入水温度、所获取的冷冻侧出水温度和冷冻侧水流量、所获取的冷却侧水流量和冷塔出水温度，计算得到对应的冷塔入水温度；
通过冷塔频率模型，使用采集的湿球温度、计算得到的所述冷塔入水温度、所获取的冷却侧水流量和冷塔出水温度，计算得到对应的冷塔风扇频率；
通过冷塔功耗模型，使用计算得到的所述冷塔风扇频率，计算得到对应的冷塔风扇功耗；
通过冷却泵功耗模型，使用所获取的冷却侧水流量，计算得到对应的冷却泵功耗；
将所述冷塔风扇功耗和所述冷却泵功耗的功耗之和，作为冷却侧设备功耗。
7.根据权利要求1-6中任一项所述的节能控制方法，所述确定所述冷源系统中每个设备的调控目标值，按照所述调控目标值调节所对应的设备，包括：
确定第一设备的执行参数和第一设备的调控目标值，控制第一设备的执行参数的取值为所述第一设备的调控目标值，所述第一设备为所述冷源系统中功耗占比达到预定阈值的设备；
确定所述第一设备以外的其他设备的执行参数和所述其他设备的调控目标值，按照预定顺序调整每个所述其他设备的执行参数达到所述其他设备的调控目标值。
8.根据权利要求7所述的节能控制方法，其中，所述第一设备为冷机；所述确定第一设备的执行参数和第一设备的调控目标值，控制第一设备的执行参数的取值为所述第一设备的调控目标值，包括：
确定冷机的执行参数为冷冻侧出水温度；
将所述总功耗的最小值对应的冷冻侧出水温度值，作为所述冷机的调控目标值。
9.根据权利要求7所述的节能控制方法，其中，所述第一设备以外的其他设备包括水泵和冷塔；所述确定所述第一设备以外的其他设备的执行参数和所述其他设备的调控目标值，按照预定顺序调整每个所述其他设备的执行参数达到所述其他设备的调控目标值，包括：
将所述总功耗的最小值对应的水泵流量值，作为所述水泵的调控目标值；
调整所述水泵的频率，以使所述水泵的实际流量值与所述水泵的调控目标值的差值小于预定流量误差阈值；
将通过冷塔换热模型，使用所述总功耗的最小值对应的冷冻侧入水温度值、冷冻侧出水温度、冷冻侧水流量、冷却侧水流量、冷塔出水温度，计算得到的冷塔入水温度值，作为冷塔的调控目标值；
调整所述冷塔的风扇频率，以使所述冷塔的实际入水温度值与所述冷塔的调控目标值的差值小于预定温度误差阈值；其中，调整水泵优先于调整冷塔。
10.根据权利要求9所述的节能控制方法，其中，所述调整所述水泵的频率，以使所述水泵的实际流量值与所述水泵的调控目标值的差值小于预定流量误差阈值，包括：
根据预先构建的水泵频率模型，使用所述总功耗的最小值对应的水泵流量，计算得到与所述总功耗的最小值对应的水泵频率值，作为所述水泵频率起始值；
从所述水泵频率起始值开始，按照预定水泵频率步长调整所述水泵的频率，以使所述水泵的实际流量值与所述水泵的调控目标值的差值小于预定的流量误差阈值。
11.根据权利要求10所述的方法，其中，所述水泵包括冷冻泵和冷却泵；所述将所述总功耗的最小值对应的水泵流量值，作为所述水泵的调控目标值，包括：
将所述总功耗的最小值对应的冷冻泵流量值，作为所述冷冻泵的调控目标值，以及将所述总功耗的最小值对应的冷却泵流量值，作为所述冷却泵的调控目标值；
所述根据预先构建的水泵频率模型，使用所述总功耗的最小值对应的水泵流量，计算得到与所述总功耗的最小值对应的水泵频率值，作为所述水泵频率起始值，包括：
根据预先构建的冷冻泵频率模型，使用所述总功耗的最小值对应的冷冻侧水流量，计算得到与所述总功耗的最小值对应的冷冻泵频率值，作为冷冻泵频率起始值；以及，
根据预先构建的冷却泵频率模型，使用所述总功耗的最小值对应的冷却侧水流量，计算得到与所述总功耗的最小值对应的冷却泵频率值，作为冷却泵频率起始值。
12.根据权利要求11所述的方法，其中，所述从所述水泵频率起始值开始，按照预定水泵频率步长调整所述水泵的频率，以使所述水泵的实际流量值与所述水泵的调控目标值的差值小于预定的流量误差阈值，包括：
从所述冷冻泵频率起始值开始，按照第一水泵频率步长调整所述冷冻泵的频率，直到所述冷冻泵的实际流量值与所述冷冻泵的调控目标值的差值小于第一流量误差阈值；
从所述冷却泵频率起始值开始，按照第二水泵频率步长调整所述冷却泵的频率，直到所述冷却泵的实际流量值与所述冷却泵的调控目标值的差值小于第二流量误差阈值；其中，调整冷冻泵优先于调整冷却泵。
13.根据权利要求9所述的节能控制方法，其中，
所述调整所述冷塔的风扇频率，包括：从冷塔的风扇频率起始值开始，按照预定冷塔频率步长调整所述冷塔的风扇频率；其中，
所述风扇频率起始值，是根据预先构建的冷塔频率模型，使用采集的湿球温度、所述冷塔的调控目标值、所述总功耗的最小值对应的冷却侧水流量和所述总功耗的最小值对应的冷塔出水温度，计算得到的冷塔风扇频率。
14.一种节能控制装置，其包括：
功耗计算模块，用于基于冷源系统的参数数据集中的每条参数数据，以及预先构建的设备模型，计算所述冷源系统中的总功耗，其中，每条所述参数数据对应所述冷源系统中的一个总功耗；
参数调节模块，用于基于所述总功耗的最小值对应的参数数据，确定所述冷源系统中每个设备的调控目标值，按照所述调控目标值调节所对应的设备，以对冷源系统进行节能控制。
15.一种电子设备，其包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1-13中任意一项所述的节能控制方法；
一个或多个I/O接口，连接在所述处理器与存储器之间，配置为实现所述处理器与存储器的信息交互。
16.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1-13中任意一项所述的节能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997796.8A CN112105233B (zh) | 2020-09-21 | 2020-09-21 | 节能控制方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997796.8A CN112105233B (zh) | 2020-09-21 | 2020-09-21 | 节能控制方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112105233A true CN112105233A (zh) | 2020-12-18 |
| CN112105233B CN112105233B (zh) | 2023-05-12 |
Family
ID=73754798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010997796.8A Active CN112105233B (zh) | 2020-09-21 | 2020-09-21 | 节能控制方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112105233B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113068374A (zh) * | 2021-03-12 | 2021-07-02 | 北京百度网讯科技有限公司 | 换热系统的控制方法、装置、设备以及存储介质 |
| CN113825356A (zh) * | 2021-07-28 | 2021-12-21 | 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 |
| CN115493270A (zh) * | 2022-10-14 | 2022-12-20 | 珠海格力电器股份有限公司 | 水多联空调机组的控制方法、装置、空调器及存储介质 |
| CN116009622A (zh) * | 2022-12-23 | 2023-04-25 | 中移动信息技术有限公司 | 一种系统的控制方法、装置、设备及存储介质 |
| CN116007137A (zh) * | 2022-12-22 | 2023-04-25 | 珠海格力电器股份有限公司 | 空调系统的控制策略自寻优方法和装置 |
| CN116576629A (zh) * | 2023-05-29 | 2023-08-11 | 北京百度网讯科技有限公司 | 系统控制方法、系统控制装置、电子设备以及存储介质 |
| CN117971438A (zh) * | 2024-03-29 | 2024-05-03 | 浪潮电子信息产业股份有限公司 | 系统功耗管理方法、装置、电子设备及可读存储介质 |
| EP4328788A4 (en) * | 2021-09-17 | 2024-06-12 | Shanghai Kong Intelligent Building Co., Ltd | METHOD AND APPARATUS FOR CALCULATING ENERGY EFFICIENCY OF A REFRIGERATING MACHINE ROOM, AND ELECTRONIC DEVICE |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101089503A (zh) * | 2007-07-06 | 2007-12-19 | 北京时代嘉华环境控制科技有限公司 | 中央空调冷冻站质量并调控制方法及系统 |
| JP2008134013A (ja) * | 2006-11-29 | 2008-06-12 | Toyo Netsu Kogyo Kk | 冷熱源機の運転制御方法及びこれを用いた冷熱源システム |
| CN101363653A (zh) * | 2008-08-22 | 2009-02-11 | 日滔贸易（上海）有限公司 | 中央空调制冷系统的能耗控制方法及装置 |
| CN101413709A (zh) * | 2008-11-26 | 2009-04-22 | 湖南工程学院 | 一种优化制冷机与冷却水泵总能耗的冷却水流量控制方法 |
| CN102012077A (zh) * | 2010-12-06 | 2011-04-13 | 北京星达技术开发公司 | 一种中央空调冷冻站节能控制系统及控制方法 |
| US20120029707A1 (en) * | 2009-03-31 | 2012-02-02 | Yamatake Corporation | Supply water temperature control apparatus and method thereof |
| CN104374051A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 一种中央空调节能控制装置 |
| CN104713197A (zh) * | 2015-02-15 | 2015-06-17 | 广东省城乡规划设计研究院 | 一种基于数学模型的中央空调系统优化方法及系统 |
| CN106765985A (zh) * | 2014-11-19 | 2017-05-31 | 北京百度网讯科技有限公司 | 数据中心机房空调末端的节能控制方法和装置 |
| CN107560086A (zh) * | 2017-09-19 | 2018-01-09 | 广东美的暖通设备有限公司 | 中央空调冷却水系统的控制方法、装置以及中央空调 |
| CN108489012A (zh) * | 2018-01-30 | 2018-09-04 | 深圳市新环能科技有限公司 | 基于负荷预测与条件约束的空调冷源能效模型控制方法 |
| CN109960147A (zh) * | 2019-03-12 | 2019-07-02 | 北京百度网讯科技有限公司 | 冷源控制参数的确定方法及装置、设备及存储介质 |
| CN111536671A (zh) * | 2020-06-04 | 2020-08-14 | 中国工商银行股份有限公司 | 空调系统运行控制方法和装置、电子设备和存储介质 |
-
2020
- 2020-09-21 CN CN202010997796.8A patent/CN112105233B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008134013A (ja) * | 2006-11-29 | 2008-06-12 | Toyo Netsu Kogyo Kk | 冷熱源機の運転制御方法及びこれを用いた冷熱源システム |
| CN101089503A (zh) * | 2007-07-06 | 2007-12-19 | 北京时代嘉华环境控制科技有限公司 | 中央空调冷冻站质量并调控制方法及系统 |
| CN101363653A (zh) * | 2008-08-22 | 2009-02-11 | 日滔贸易（上海）有限公司 | 中央空调制冷系统的能耗控制方法及装置 |
| CN101413709A (zh) * | 2008-11-26 | 2009-04-22 | 湖南工程学院 | 一种优化制冷机与冷却水泵总能耗的冷却水流量控制方法 |
| US20120029707A1 (en) * | 2009-03-31 | 2012-02-02 | Yamatake Corporation | Supply water temperature control apparatus and method thereof |
| CN102012077A (zh) * | 2010-12-06 | 2011-04-13 | 北京星达技术开发公司 | 一种中央空调冷冻站节能控制系统及控制方法 |
| CN104374051A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 一种中央空调节能控制装置 |
| CN106765985A (zh) * | 2014-11-19 | 2017-05-31 | 北京百度网讯科技有限公司 | 数据中心机房空调末端的节能控制方法和装置 |
| CN104713197A (zh) * | 2015-02-15 | 2015-06-17 | 广东省城乡规划设计研究院 | 一种基于数学模型的中央空调系统优化方法及系统 |
| CN107560086A (zh) * | 2017-09-19 | 2018-01-09 | 广东美的暖通设备有限公司 | 中央空调冷却水系统的控制方法、装置以及中央空调 |
| CN108489012A (zh) * | 2018-01-30 | 2018-09-04 | 深圳市新环能科技有限公司 | 基于负荷预测与条件约束的空调冷源能效模型控制方法 |
| CN109960147A (zh) * | 2019-03-12 | 2019-07-02 | 北京百度网讯科技有限公司 | 冷源控制参数的确定方法及装置、设备及存储介质 |
| CN111536671A (zh) * | 2020-06-04 | 2020-08-14 | 中国工商银行股份有限公司 | 空调系统运行控制方法和装置、电子设备和存储介质 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113068374A (zh) * | 2021-03-12 | 2021-07-02 | 北京百度网讯科技有限公司 | 换热系统的控制方法、装置、设备以及存储介质 |
| CN113068374B (zh) * | 2021-03-12 | 2022-12-20 | 北京百度网讯科技有限公司 | 换热系统的控制方法、装置、设备以及存储介质 |
| CN113825356A (zh) * | 2021-07-28 | 2021-12-21 | 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 |
| 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 |
| EP4328788A4 (en) * | 2021-09-17 | 2024-06-12 | Shanghai Kong Intelligent Building Co., Ltd | METHOD AND APPARATUS FOR CALCULATING ENERGY EFFICIENCY OF A REFRIGERATING MACHINE ROOM, AND ELECTRONIC DEVICE |
| CN115493270A (zh) * | 2022-10-14 | 2022-12-20 | 珠海格力电器股份有限公司 | 水多联空调机组的控制方法、装置、空调器及存储介质 |
| CN116007137A (zh) * | 2022-12-22 | 2023-04-25 | 珠海格力电器股份有限公司 | 空调系统的控制策略自寻优方法和装置 |
| CN116009622A (zh) * | 2022-12-23 | 2023-04-25 | 中移动信息技术有限公司 | 一种系统的控制方法、装置、设备及存储介质 |
| CN116576629A (zh) * | 2023-05-29 | 2023-08-11 | 北京百度网讯科技有限公司 | 系统控制方法、系统控制装置、电子设备以及存储介质 |
| CN116576629B (zh) * | 2023-05-29 | 2024-03-12 | 北京百度网讯科技有限公司 | 系统控制方法、系统控制装置、电子设备以及存储介质 |
| CN117971438A (zh) * | 2024-03-29 | 2024-05-03 | 浪潮电子信息产业股份有限公司 | 系统功耗管理方法、装置、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112105233B (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112105233A (zh) | 节能控制方法、装置、电子设备和计算机可读介质 | |
| WO2021063033A1 (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
| US10809676B2 (en) | Building HVAC system with multi-level model predictive control | |
| US20200041965A1 (en) | Hvac system using model predictive control with distributed low-level airside optimization and airside power consumption model | |
| US11067955B2 (en) | HVAC system using model predictive control with distributed low-level airside optimization | |
| US10101048B2 (en) | Supervisory controller for HVAC systems | |
| US10969128B2 (en) | Method and apparatus for optimizing control variables to minimize power consumption of cooling systems | |
| JP2017110904A (ja) | 環境維持システムの制御 | |
| US20160018125A1 (en) | Energy management systems and methods of use | |
| CN104134100A (zh) | 一种基于云计算的节能管理系统 | |
| Sun et al. | Multiplexed optimization for complex air conditioning systems | |
| CN115682357A (zh) | 一种以逼近度为中心的冷却水寻优方法及独立控制系统 | |
| He et al. | Predictive control optimization of chiller plants based on deep reinforcement learning | |
| CN114690838A (zh) | 用于功率管理的方法和设备 | |
| CN115049141A (zh) | 用于制冷系统的控制方法、控制装置和制冷系统 | |
| CN109960147B (zh) | 冷源控制参数的确定方法及装置、设备及存储介质 | |
| He et al. | Efficient model-free control of chiller plants via cluster-based deep reinforcement learning | |
| CN114326987A (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
| CN111787764B (zh) | 多联机制冷机组的能耗优化方法及装置、电子设备、存储介质 | |
| CN110762739B (zh) | 数据中心空调控制方法、装置、设备及存储介质 | |
| CN112902392A (zh) | 自适应调整的空调控制方法、电子设备及存储介质 | |
| CN117592657A (zh) | 一种多台冷水机组负荷分配优化方法及系统 | |
| US11251617B2 (en) | Energy conservation using active demand stabilization | |
| JP7145766B2 (ja) | 建物の暖房・換気または空調（ｈｖａｃ）システム、および建物ｈｖａｃシステムのエネルギー費用を最適化する方法 | |
| CN114322382B (zh) | 机房制冷控制方法、系统、设备及存储介质 |
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 |