CN112163699A - 一种基于负荷匹配的冷水机组台数控制优化方法 - Google Patents
一种基于负荷匹配的冷水机组台数控制优化方法 Download PDFInfo
- Publication number
- CN112163699A CN112163699A CN202010998176.6A CN202010998176A CN112163699A CN 112163699 A CN112163699 A CN 112163699A CN 202010998176 A CN202010998176 A CN 202010998176A CN 112163699 A CN112163699 A CN 112163699A
- Authority
- CN
- China
- Prior art keywords
- water chilling
- load value
- cold load
- cold
- chilling unit
- 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
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于负荷匹配的冷水机组台数控制优化方法,包括以下步骤:获取冷负荷值;对冷负荷值进行聚类分析,基于所述冷负荷值聚类区间确定与冷水机组开启台数之间的关系;对于开启两台及以上冷水机组的运行状态,对每台冷水机组的部分负荷率进行优化;判断当前冷负荷值下冷水机组开启台数;冷负荷值发生变化时,重新获取冷水机组运行区间,冷水机组开启台数为两台及以上时,采用混合遗传算法优化冷水机组部分负荷率,对冷水机组控制进行优化。本发明避免传感器故障以及人工误操作造成误差,在冷负荷值变化时能控制冷水机组保持在最佳运行状态下,提高冷水机组运行的合理性,能够大大提高设备效率,实现节能减排。
Description
技术领域
本发明涉及空调自动控制技术领域,尤其设计一种基于负荷匹配的冷水机组台数控制优化方法。
背景技术
中央空调广泛用于公共建筑,冷水机组是空调系统的主要耗能设备之一,其运行性能受许多因素的影响,其中冷负荷对冷水机组的能效影响很大,合理的运行调控策略可以改善冷水机组的运行性能。影响冷负荷的气象条件等是逐时变化的,固定的运行台数和负荷分配不能达到节能的目的。因此对冷水机组运行台数和部分负荷率控制优化进行节能研究,解决开启台数和负荷分配操作不当导致冷水机组能耗增加的问题,对于节省空调系统的运行成本至关重要。
从目前来看,对于冷水机组运行控制存在两个问题:
其一,冷水机组开/关控制时,判断依据为冷冻水回水总管上的流量传感器和温度传感器检测到的流量和温度数值,传感器发生故障时则造成测量出现偏差。
其二,大部分的研究中并没有考虑到冷负荷变化与冷水机组运行模式之间的关系。
因此对冷水机组控制优化进行研究时,需要结合冷负荷特性和系统设备特性,针对工况改变时冷水机组的运行特性发生变化的问题,提出在合理安排系统中冷水机组开/关的基础上对其运行参数进行优化,达到减少机组损耗的目的。这是符合节能建筑、绿色建筑发展要求的。
发明内容
为解决现有技术中工况改变时冷水机组的运行特性发生变化的问题,本发明提供了一种基于负荷匹配的冷水机组台数控制优化方法,在多台冷水机组同时运行时,能够使系统高效节能运行。
本发明是通过以下技术方案来实现:
一种基于负荷匹配的冷水机组台数控制优化方法,包括以下步骤:
获取冷负荷值;
通过K-means算法对冷负荷值进行聚类分析,基于所述冷负荷值聚类区间确定与冷水机组开启台数之间的关系;对于开启两台及以上冷水机组的运行状态,对每台冷水机组的部分负荷率进行优化;
判断当前冷负荷值下冷水机组开启台数;
当开启两台及以上冷水机组时,采用混合遗传算对运行中每台冷水机组部分负荷率进行优化;
冷负荷值发生变化时,重新获取冷水机组运行区间,冷水机组开启台数为两台及以上时,采用混合遗传算法优化冷水机组部分负荷率,对冷水机组控制进行优化。
作为本发明的进一步改进,所述K-means算法将冷负荷值划分为3个聚类区间,具体步骤为:
S1:选择3个数据点作为各个集群的质心;
S2:计算每一个数据与3个质心的距离,并将每个数据添加到位于质心最近距离的集群中;
S3:每个集群根据其所有数据的属性值重新计算集群的质心;
S4:重复S2和S3,直到所有数据不再更改其所属的集群为止;
S5:输出聚类结果,获取冷负荷值聚类区间与冷水机组运行台数之间的关系。
作为本发明的进一步改进,对冷负荷值进行聚类分析后,获取冷负荷值与冷水机组运行台数之间的关系,聚类后的冷负荷值区间对应不同的冷水机组开启台数。
作为本发明的进一步改进,获取冷负荷值后,判断当前冷负荷值是否满足开启冷水机组阈值,冷水机组开启阈值设置为该冷水机组额定制冷量的0.3倍,冷负荷值大于此阈值则控制冷水机组开启。
作为本发明的进一步改进,判断当前冷负荷值下冷水机组开启台数具体步骤包括:
首先判断该冷负荷值是否达到冷水机组开启阈值,当判断冷负荷值大于冷水机组制冷量的0.3倍时可控制冷水机组开启;当判断冷负荷值小于冷水机组制冷量的0.3倍时则控制冷水机组关闭。
作为本发明的进一步改进,当前冷负荷值是否满足开启冷水机组阈值后,判断冷负荷值所对应的冷水机组运行区间,控制冷水机组开启台数。
作为本发明的进一步改进,控制冷水机组运行台数具体为:
当判断冷负荷值大于冷水机组制冷量的0.3倍且小于一台冷水机组制冷量则控制开启一台冷水机组;
当判断冷负荷值大于一台冷水机组制冷量且小于两台冷水机组制冷量则控制开启两台冷水机组;
当判断冷负荷值大于两台冷水机组制冷量且小于三台冷水机组则控制开启三台冷水机组。
作为本发明的进一步改进,所述混合遗传算具体步骤如下:
S101:设置最大迭代次数Max Generation,迭代次数设为i,更新参数设为u,i和u的初始值均设为0;
S102:初始化种群,采用启发式规则对种群进行初始化,生成具有100个体的种群;
S103:判断当前迭代次数i是否已达最大迭代次数Max Generation;若满足最大迭代次数的终止机制,则输出最优解;若不满足,转到S104;
S104:执行锦标赛选择操作,选择n个子代执行交叉操作;
S105:交叉操作从父代中选择具有pc×n数目的个体,并将选取后的个体两两交叉获得新个体;
S106:通过概率pm从当前种群中选取个体采用互换变异规则;
S107:对全部个体执行邻域搜索,得到新的当代最优个体;
S108:将当前迭代次数的新种群中较优个体取代劣质个体,并保留精英个体;
S109:保留当前迭代次数的最优个体,若与上一代的最优个体相同,则迭代次数i=i+1;若不相同则保持i=0;当u=(Max Generation/10)时,执行更新种群操作,随机生成(1/5)×n个新个体更新当代种群中同数目的劣质个体;转到执行S103。
作为本发明的进一步改进,冷负荷值发生变化时,获取冷负荷值,判断冷负荷值属于哪个聚类区间,若冷负荷值开启冷水机组的运行区间内,控制其所在区间的冷水机组开启数量;判断冷负荷值不在冷水机组运行区间内,则不改变冷水机组的开关状态。
作为本发明的进一步改进,冷负荷值发生变化时,还包括:获取冷负荷值区间,判断冷负荷值区间是否发生改变,当冷负荷值区间发生改变时,控制冷水机组开启/关闭;若当冷负荷值区间不改变,不改变冷水机组控制状态,进一步判断冷负荷值是否发生变化,当冷负荷值发生变化时,控制优化冷水机组部分负荷率,当冷负荷不发生变化则不改变冷水机组控制状态。
与现有技术相比,本发明具有以下优点:
由上述方案可知,本发明提供的一种冷水机组节能运行的优化方法,应用于具有两台及以上冷水机组的系统,当需要对冷水机组运行台数和部分负荷率进行控制时,首先获取冷负荷值的聚类区间,然后判断当前冷负荷值下需要开启的冷水机组台数,当开启两台及以上的冷水机组时采用改进混合遗传算法对冷水机组的部分负荷率进行优化控制,相较于现有技术能够避免冷水机组运行不合理,达到系统高效运行且节能的效果。本发明通过划分冷负荷值区间,获取冷负荷值与冷水机组运行台数的关系,进一步建立冷水机组总能耗最小的目标函数,利用改进混合遗传算法优化目标函数中的决策变量部分负荷率,能够快速的匹配使冷水机组高效运行且满足用户冷量需求。本发明对比目前的控制技术有如下有益效果:避免传感器故障以及人工误操作造成误差,在冷负荷值变化时能控制冷水机组保持在最佳运行状态下,提高冷水机组运行的合理性,能够大大提高设备效率,实现节能减排。
附图说明
为了更清楚的说明本发明实施例,下面将对实施例描述中所需要适用的附图作简单介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明公开的一种基于负荷匹配的冷水机组台数控制优化方法实施例1的方法流程图;
图2为本发明对冷负荷值进行聚类分析的流程图;
图3为本发明检查当前冷负荷值是否在三个聚类区间内的流程图;
图4为本发明判断该冷负荷值的流程图;
图5为本发明获取冷负荷值的流程图;
图6为本发明获取冷负荷值区间的流程图;
图7为本发明改进混合遗传算发IGA-NS使用启发式策略来构造初始种群的流程图;
图8为TRNSYS动态仿真平台;
图9为6-9月冷负荷值变化情况;
图10为冷负荷值—K-means聚类结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明提供了一种基于负荷匹配的冷水机组台数控制优化方法,在多台冷水机组同时运行时,能够使系统高效节能运行。应用于具有两台及以上冷水机组的系统,所述方法包括:
获取冷负荷值聚类区间;
基于所述冷负荷值聚类区间确定与冷水机组开启台数之间的关系;
确定冷水机组运行区间对应的开启台数,对于开启两台及以上冷水机组的运行状态,对每台冷水机组的部分负荷率进行优化;
判断当前冷负荷值下冷水机组开启台数;
当开启两台及以上冷水机组时,采用改进混合遗传算对运行中每台冷水机组部分负荷率进行优化;
冷负荷值发生变化时,重新获取冷水机组运行区间,冷水机组开启台数为两台及以上时,采用改进混合遗传算法优化冷水机组部分负荷率,对冷水机组控制进行优化。
本发明的原理为:对冷负荷值进行聚类分析;判断当前冷负荷值是否满足开启冷水机组阈值;进一步判断当前冷负荷值所在的冷水机组运行台数区间,并控制冷水机组开启/关闭;当系统开启两台及以上冷水机组时,采用改进混合遗传算法对每台开启的冷水机组部分负荷率进行优化,进一步控制冷水机组运行状态。
其中,对冷负荷值进行聚类分析后,获取冷负荷值与冷水机组运行台数之间的关系,聚类后的冷负荷值区间对应不同的冷水机组开启台数。
获取冷负荷值后,判断当前冷负荷值是否满足开启冷水机组阈值,冷水机组开启阈值设置为该冷水机组额定制冷量的0.3倍,冷负荷值大于此阈值则控制冷水机组开启。
当前冷负荷值是否满足开启冷水机组阈值后,判断冷负荷值所对应的冷水机组运行区间,控制冷水机组开启台数。
进一步,获取冷负荷值所对应的冷水机组运行区间后,对于开启两台、三台冷水机组的运行区间,进一步优化每台冷水机组的部分负荷率,对冷水机组控制进行优化。
其中,所述改进混合遗传算法,在遗传算法与邻域搜索的基础上加入了精英保护和更新种群策略,避免陷入局部最优解。
核心的,获取冷负荷值,判断冷负荷值区间时候发生改变,当区间改变时,控制冷水机组运行区间控制其运行台数;区间不发生改变时,判断冷负荷值时候发生改变,若改变则采用改进混合遗传算法对运行中的每台冷水机组的部分负荷率进行优化,控制冷水机组高效运行。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明公开的一种基于负荷匹配的冷水机组台数控制优化方法实施例1的方法流程图,应用于具有两台及以上的冷水机组系统,所述方法包括以下步骤:
获取逐时冷负荷值,通过K-means算法将冷负荷值进行聚类分析,得到冷水机组分别开启一台、两台和三台的三个运行区间,当冷负荷值处于开启两台和三台两个区间内,优化每台冷水机组的部分负荷率,进一步控制冷水机组运行时的部分负荷率。
综上所述,在上述实施例中,当需要确定冷水机组运行台数与冷负荷值之间的关系时,对冷负荷值进行聚类分析,获取冷水机组的运行区间,冷水机组随冷负值变化而改变运行状态,避免开启多余的冷积水机组,减少冷水机组运行能耗。
如图2所示,对冷负荷值进行聚类分析,采用K-means方法将冷负荷值划分为3个聚类区间;
步骤1:选择3个数据点作为各个集群的质心。
步骤2:计算每一个数据与3个质心的距离,并将每个数据添加到位于质心最近距离的集群中。
步骤3:每个集群根据其所有数据的属性值重新计算集群的质心。
步骤4:重复步骤2和3,直到所有数据不再更改其所属的集群为止。
步骤5:输出聚类结果,获取冷负荷值聚类区间与冷水机组运行台数之间的关系。
综上所述,在上述实施例中,对冷负荷值进行聚类分析,划分聚类区间,使冷水机组运行台数符合要求,即冷水机组制冷量满足用户侧需求同时不浪费冷源,保证冷水机组合理运行。
如图3所示,根据冷负荷值与冷水机组最大制冷量来控制冷水机组运行,将冷负荷值进行聚类分析后,检查当前冷负荷值是否在三个聚类区间内,从而控制冷水机组运行台数。
当判断冷负荷值大于冷水机组制冷量的0.3倍且小于一台冷水机组制冷量则控制开启一台冷水机组;
当判断冷负荷值大于一台冷水机组制冷量且小于两台冷水机组制冷量则控制开启两台冷水机组;
当判断冷负荷值大于两台冷水机组制冷量且小于三台冷水机组则控制开启三台冷水机组;
综上所述,在上述实施例中,对冷负荷值进行聚类分析,划分聚类区间,使冷水机组运行台数符合要求,即冷水机组制冷量满足用户侧需求同时不浪费冷源,保证冷水机组合理运行。
如图4所示,输入当前时刻下的冷负荷值,首先判断该冷负荷值是否达到冷水机组开启阈值,当判断冷负荷值大于冷水机组制冷量的0.3倍时可控制冷水机组开启;当判断冷负荷值小于冷水机组制冷量的0.3倍时则控制冷水机组关闭。
综上所述,在上述实施例中,当需要控制冷水机组开启/关闭时,可判断是否达到控制冷水机组开启/关闭阈值,相较于冷水机组在部分负荷率较低时运行产生的损耗,提高了冷水机组的使用寿命。
如图5所示,获取冷负荷值,判断冷负荷值属于哪个聚类区间,若冷负荷值开启冷水机组的运行区间内,控制其所在区间的冷水机组开启数量;判断冷负荷值不在冷水机组运行区间内,则不改变冷水机组的开关状态。
综上所述,在上述实施例中,当冷负荷发生变化时,可判断是否改变冷水机组运行台数,提高了冷水机组运行的合理性。
如图6所示,获取冷负荷值区间,判断冷负荷值区间是否发生改变,当冷负荷值区间发生改变时,控制冷水机组开启/关闭;若当冷负荷值区间不改变,不改变冷水机组控制状态,进一步判断冷负荷值是否发生变化,当冷负荷值发生变化时,控制优化冷水机组部分负荷率,当冷负荷不发生变化则不改变冷水机组控制状态。
综上所述,在上述实施例中,当冷负荷值改变时,可判断是否控制改变冷水机组运行台数和部分负荷率,相较于冷水机组在部分负荷率较低时运行产生的损耗,提高了冷水机组运行效率,并实现节能。
如图7所示,所述改进混合遗传算发IGA-NS使用启发式策略来构造初始种群,在IGA-NS迭代中,后代由三部组成:亲本中的精英个体,交叉操作后的后代种群和突变操作后的后代种群。在每一代中,两个遗传操作(交叉和变异)是独立进行的,由此产生的两组新个体和父辈精英形成后代种群。精英人口中的精英比例被称为精英个体比率pe=0.01,后代人口中两组新个体的比例称为交叉概率和突变概率,分别记录为pc和pm。设置参数:种群数量n=100,交叉概率pc=0.9,变异概率pm=0.2,最大迭代次数Max Generation=500。在完成邻域搜索后执行精英解保留策略和更新种群操作,避免陷入局部最优,IGA-NS采用最大迭代次数的算法止机制。算法具体步骤如下:
步骤1:参数设置。设置最大迭代次数Max Generation,迭代次数设为i,更新参数设为u,i和u的初始值均设为0。
步骤2:初始化种群。为保证产生高质量的最初解,采用启发式规则对种群进行初始化,生成具有100个体的种群。
步骤3:终止条件判断。判断当前迭代次数i是否已达最大迭代次数MaxGeneration。若满足最大迭代次数的终止机制,则输出最优解;若不满足,转到步骤4。
步骤4:选择。执行锦标赛选择操作,选择n个子代执行交叉操作。
步骤5:交叉。为了丰富种群多样性,交叉操作从父代中选择具有pc×n数目的个体,并将选取后的个体两两交叉获得新个体。
步骤6:变异。防止个体陷入局部最优状态,通过概率pm从当前种群中选取个体采用互换变异规则。
步骤7:邻域搜索。对全部个体执行邻域搜索,得到新的当代最优个体。
步骤8:更新最优解。将当前迭代次数的新种群中较优个体取代劣质个体,并保留精英个体。
步骤9:更新种群。保留当前迭代次数的最优个体,若与上一代的最优个体相同,则迭代次数i=i+1;若不相同则保持i=0。当u=(Max Generation/10)时,执行更新种群操作,随机生成(1/5)×n个新个体更新当代种群中同数目的劣质个体。转到执行步骤3。
综上所述,在上述实施例中,当需要控制优化冷水机组部分负荷率时,采用改进混合遗传算法对部分负荷率进行优化,能够获取冷水机组最佳部分负荷率,使得冷水机组保持在高效且节能的运行状态。
图8为TRNSYS软件中搭建冷源系统动态仿真平台,结合该平台对所述的一种基于负荷匹配的冷水机组台数控制优化方法进行仿真分析及验证。
TRNSYS动态仿真平台中仿真出建筑空调区域6月到9月的冷负荷需求如图9所示。
冷负荷值—K-means聚类分析如图10所示。由图10可以看出,开启一台冷水机组对应的冷负荷值保持在1500kW以下;开启两台冷水机组对应的冷负荷值区间为1500~3100kW;三台冷水机组全开时对应的冷负荷值保持在3100kW以上。K-means聚类结果的精确度达到99.26%,与冷水机组控制逻辑基本保持一致,可为冷水机组运行台数控制提供依据,从而判断当前负荷值下是否需要控制冷水机组加减载。
表1给出了采用IGA-NS与GA算法优化后的每台冷水机组COP值,将两种算法优化后的COP值进行比较。
表1IGA-NS与GA优化后COP值
由表1中的数据可以看出采用GA算法优化后冷水机组COP最小值为5.39,而通过IGA-NS算法优化后的COP最小值为5.43。对于冷水机组部分负荷率的优化,与GA算法相比,IGA-NS算法更具有优势。
进一步证明IGA-NS算法的优越性,将优化前的顺序控制、GA和IGA-NS算法控制的冷水机组的COP值求取平均值后进行对比。通过对比三台冷水机组COP平均值可以看出,大部分运行时间内,采用IGA-NS控制COP平均值高于GA算法控制。表2给出了三种控制方法下冷水机组COP平均值的具体数值,可知IGA-NS算法控制下冷水机组COP平均值的最大值是三种控制方法中最高的,验证了IGA-NS算法控制策略提高了冷水机组的运行效率。
表2三台冷水机组优化后COP值
由可知优化后每台冷水机组的COP值均大于标准中要求的基准值4.6,并且每个时刻的COP平均值经优化均增加,表明优化PLR后冷水机组的COP值得到提高,该优化方法是可行的。
表3优化前后冷水机组总能耗值
IGA-NS算法对冷水机组部分负荷率进行优化后三台冷水机组的总能耗在8:00-18:00时间段内最低,IGA-NS算法控制下冷水机组全天最低能耗为656kW,而GA算法控制策略下的冷水机组全天能耗最低为661kW。三种控制方法的总能耗值分别为8280kW(顺序),7595kW(GA)和7578kW(IGA-NS)。
从表3可以看出,相较于原有的顺序控制和GA控制策略,采用IGA-NS算法对冷水机组PLR进行优化的控制策略具有明显的节能效果,系统运行效率提高。全天的节能率为8.48%,二氧化碳排放量减少700kg。
总之,本发明一种基于负荷匹配的冷水机组台数控制优化方法,包括以下步骤:首先对冷负荷值进行聚类分析,获取冷负荷值与冷水机组运行台数的关系,划分冷水机组不同运行台数的区间,对于开启两台及以上冷水机组的运行状态,采用改进混合遗传算法对每台冷水机组的部分负荷率进行优化,进而对冷水机组实施控制优化。本发明通过划分冷负荷值区间,获取冷负荷值与冷水机组运行台数的关系,进一步建立冷水机组总能耗最小的目标函数,利用改进混合遗传算法优化目标函数中的决策变量部分负荷率,能够快速的匹配使冷水机组高效运行且满足用户冷量需求。本发明对比目前的控制技术有如下有益效果:避免传感器故障以及人工误操作造成误差,在冷负荷值变化时能控制冷水机组保持在最佳运行状态下,提高冷水机组运行的合理性,能够大大提高设备效率,实现节能减排。
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 (10)
1.一种基于负荷匹配的冷水机组台数控制优化方法,其特征在于,包括以下步骤:
获取冷负荷值;
通过K-means算法对冷负荷值进行聚类分析,基于所述冷负荷值聚类区间确定与冷水机组开启台数之间的关系;对于开启两台及以上冷水机组的运行状态,对每台冷水机组的部分负荷率进行优化;
判断当前冷负荷值下冷水机组开启台数;
当开启两台及以上冷水机组时,采用混合遗传算对运行中每台冷水机组部分负荷率进行优化;
冷负荷值发生变化时,重新获取冷水机组运行区间,冷水机组开启台数为两台及以上时,采用混合遗传算法优化冷水机组部分负荷率,对冷水机组控制进行优化。
2.根据权利要求1所述的方法,其特征在于,所述K-means算法将冷负荷值划分为3个聚类区间,具体步骤为:
S1:选择3个数据点作为各个集群的质心;
S2:计算每一个数据与3个质心的距离,并将每个数据添加到位于质心最近距离的集群中;
S3:每个集群根据其所有数据的属性值重新计算集群的质心;
S4:重复S2和S3,直到所有数据不再更改其所属的集群为止;
S5:输出聚类结果,获取冷负荷值聚类区间与冷水机组运行台数之间的关系。
3.根据权利要求1所述的方法,其特征在于,对冷负荷值进行聚类分析后,获取冷负荷值与冷水机组运行台数之间的关系,聚类后的冷负荷值区间对应不同的冷水机组开启台数。
4.根据权利要求1所述的方法,其特征在于,获取冷负荷值后,判断当前冷负荷值是否满足开启冷水机组阈值,冷水机组开启阈值设置为该冷水机组额定制冷量的0.3倍,冷负荷值大于此阈值则控制冷水机组开启。
5.根据权利要求4所述的方法,其特征在于,判断当前冷负荷值下冷水机组开启台数具体步骤包括:
首先判断该冷负荷值是否达到冷水机组开启阈值,当判断冷负荷值大于冷水机组制冷量的0.3倍时可控制冷水机组开启;当判断冷负荷值小于冷水机组制冷量的0.3倍时则控制冷水机组关闭。
6.根据权利要求4所述的方法,其特征在于,当前冷负荷值是否满足开启冷水机组阈值后,判断冷负荷值所对应的冷水机组运行区间,控制冷水机组开启台数。
7.根据权利要求6所述的方法,其特征在于,控制冷水机组运行台数具体为:
当判断冷负荷值大于冷水机组制冷量的0.3倍且小于一台冷水机组制冷量则控制开启一台冷水机组;
当判断冷负荷值大于一台冷水机组制冷量且小于两台冷水机组制冷量则控制开启两台冷水机组;
当判断冷负荷值大于两台冷水机组制冷量且小于三台冷水机组则控制开启三台冷水机组。
8.根据权利要求1所述的方法,其特征在于,所述混合遗传算具体步骤如下:
S101:设置最大迭代次数Max Generation,迭代次数设为i,更新参数设为u,i和u的初始值均设为0;
S102:初始化种群,采用启发式规则对种群进行初始化,生成具有100个体的种群;
S103:判断当前迭代次数i是否已达最大迭代次数Max Generation;若满足最大迭代次数的终止机制,则输出最优解;若不满足,转到S104;
S104:执行锦标赛选择操作,选择n个子代执行交叉操作;
S105:交叉操作从父代中选择具有pc×n数目的个体,并将选取后的个体两两交叉获得新个体;
S106:通过概率pm从当前种群中选取个体采用互换变异规则;
S107:对全部个体执行邻域搜索,得到新的当代最优个体;
S108:将当前迭代次数的新种群中较优个体取代劣质个体,并保留精英个体;
S109:保留当前迭代次数的最优个体,若与上一代的最优个体相同,则迭代次数i=i+1;若不相同则保持i=0;当u=(Max Generation/10)时,执行更新种群操作,随机生成(1/5)×n个新个体更新当代种群中同数目的劣质个体;转到执行S103。
9.根据权利要求1所述的方法,其特征在于,冷负荷值发生变化时,获取冷负荷值,判断冷负荷值属于哪个聚类区间,若冷负荷值开启冷水机组的运行区间内,控制其所在区间的冷水机组开启数量;判断冷负荷值不在冷水机组运行区间内,则不改变冷水机组的开关状态。
10.根据权利要求1所述的方法,其特征在于,冷负荷值发生变化时,还包括:获取冷负荷值区间,判断冷负荷值区间是否发生改变,当冷负荷值区间发生改变时,控制冷水机组开启/关闭;若当冷负荷值区间不改变,不改变冷水机组控制状态,进一步判断冷负荷值是否发生变化,当冷负荷值发生变化时,控制优化冷水机组部分负荷率,当冷负荷不发生变化则不改变冷水机组控制状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010998176.6A CN112163699B (zh) | 2020-09-21 | 2020-09-21 | 一种基于负荷匹配的冷水机组台数控制优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010998176.6A CN112163699B (zh) | 2020-09-21 | 2020-09-21 | 一种基于负荷匹配的冷水机组台数控制优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163699A true CN112163699A (zh) | 2021-01-01 |
CN112163699B CN112163699B (zh) | 2023-06-16 |
Family
ID=73863219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010998176.6A Active CN112163699B (zh) | 2020-09-21 | 2020-09-21 | 一种基于负荷匹配的冷水机组台数控制优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163699B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114135981A (zh) * | 2021-11-17 | 2022-03-04 | 东南大学建筑设计研究院有限公司 | 一种地源热泵机组节能优化控制的实现方法 |
CN117807658A (zh) * | 2023-11-22 | 2024-04-02 | 西安交通大学 | 非均匀热环境与个性热偏好耦合控制分区优化设计方法 |
CN118031367A (zh) * | 2024-03-11 | 2024-05-14 | 广东德尔智慧科技股份有限公司 | 一种优化冷水机组运行性能的控制方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550033A (zh) * | 2015-11-17 | 2016-05-04 | 北京交通大学 | 私有云环境下基于遗传禁忌混合算法的资源调度策略方法 |
CN105973626A (zh) * | 2016-05-25 | 2016-09-28 | 深圳达实智能股份有限公司 | 中央空调系统主机运行能效评估及预测方法以及装置 |
CN106125684A (zh) * | 2016-07-25 | 2016-11-16 | 山东理工大学 | 基于不确定环境下的多目标流水车间逆调度方法 |
CN108631343A (zh) * | 2018-06-12 | 2018-10-09 | 上海电力学院 | 一种多能互补能源互联网优化调度方法 |
CN109780693A (zh) * | 2017-11-09 | 2019-05-21 | 沈阳工业大学 | 一种中央空调冷水机组能效监测评价方法 |
CN110020725A (zh) * | 2019-03-22 | 2019-07-16 | 北京航空航天大学 | 一种服务于武器装备体系作战仿真的试验设计方法 |
CN110225096A (zh) * | 2019-05-20 | 2019-09-10 | 电子科技大学 | 基于遗传算法的服务器负载均衡方法 |
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 |
CN111612247A (zh) * | 2020-05-19 | 2020-09-01 | 西安建筑科技大学 | 一种并联冷机负荷优化分配方法、存储介质及设备 |
-
2020
- 2020-09-21 CN CN202010998176.6A patent/CN112163699B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550033A (zh) * | 2015-11-17 | 2016-05-04 | 北京交通大学 | 私有云环境下基于遗传禁忌混合算法的资源调度策略方法 |
CN105973626A (zh) * | 2016-05-25 | 2016-09-28 | 深圳达实智能股份有限公司 | 中央空调系统主机运行能效评估及预测方法以及装置 |
CN106125684A (zh) * | 2016-07-25 | 2016-11-16 | 山东理工大学 | 基于不确定环境下的多目标流水车间逆调度方法 |
CN109780693A (zh) * | 2017-11-09 | 2019-05-21 | 沈阳工业大学 | 一种中央空调冷水机组能效监测评价方法 |
CN108631343A (zh) * | 2018-06-12 | 2018-10-09 | 上海电力学院 | 一种多能互补能源互联网优化调度方法 |
CN110020725A (zh) * | 2019-03-22 | 2019-07-16 | 北京航空航天大学 | 一种服务于武器装备体系作战仿真的试验设计方法 |
CN110225096A (zh) * | 2019-05-20 | 2019-09-10 | 电子科技大学 | 基于遗传算法的服务器负载均衡方法 |
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 |
CN111612247A (zh) * | 2020-05-19 | 2020-09-01 | 西安建筑科技大学 | 一种并联冷机负荷优化分配方法、存储介质及设备 |
Non-Patent Citations (4)
Title |
---|
杨景明;呼子宇;车海军;孙浩;赵新秋;: "基于改进差分进化算法的带钢冷连轧负荷分配", 钢铁, no. 12 * |
梅年丰;严良文;钱峰峰;李威;於鹏;陈佳乐;: "基于改进遗传算法优化BP神经网络的螺杆式制冷机组能效预测", 计量与测试技术, no. 05 * |
郭梦茹;谭泽汉;陈焕新;郭亚宾;黄耀;: "基于遗传算法和BP神经网络的多联机阀类故障诊断", 制冷学报, no. 02 * |
闫秀英;王乐唯;: "多台冷水机组联合运行优化控制策略", 计算机测量与控制, no. 07 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114135981A (zh) * | 2021-11-17 | 2022-03-04 | 东南大学建筑设计研究院有限公司 | 一种地源热泵机组节能优化控制的实现方法 |
CN117807658A (zh) * | 2023-11-22 | 2024-04-02 | 西安交通大学 | 非均匀热环境与个性热偏好耦合控制分区优化设计方法 |
CN118031367A (zh) * | 2024-03-11 | 2024-05-14 | 广东德尔智慧科技股份有限公司 | 一种优化冷水机组运行性能的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112163699B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163699A (zh) | 一种基于负荷匹配的冷水机组台数控制优化方法 | |
CN110260470B (zh) | 基于群智能架构的中央空调并联冷机负荷优化分配方法 | |
CN104613602B (zh) | 一种中央空调精细化控制方法 | |
CN113793010B (zh) | 面向多元负荷联合控制策略的构建方法及空调控制方法 | |
CN109945402A (zh) | 一种中央空调水系统节能方法 | |
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 | |
CN110260469B (zh) | 一种群智能中央空调并联水泵节能优化方法 | |
CN110186151B (zh) | 运行控制方法、运行控制装置、空调器和存储介质 | |
CN108988348A (zh) | 一种大功率缺额下的可控负荷双层调度方法 | |
CN109237709A (zh) | 一种多联机控制方法 | |
CN111612247A (zh) | 一种并联冷机负荷优化分配方法、存储介质及设备 | |
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 | |
CN112665128B (zh) | 空调冷机控制方法、装置及空调冷机 | |
CN116085953A (zh) | 基于动态空调运行数据的节能控制方法、系统及介质 | |
CN101986050A (zh) | 变容量模块机组空调控制方法 | |
CN114251753A (zh) | 一种冰蓄冷空调冷负荷需求预测分配方法及系统 | |
CN109084403A (zh) | 基于空调负荷时序分布的冷水机组静态控制策略获得方法 | |
CN118017097A (zh) | 一种混合自然冷却的储能冷水机控制方法及系统 | |
CN108151242B (zh) | 一种面向集群需求响应的中央空调控制方法 | |
CN113705934A (zh) | 一种基于多目标智能优化的超临界湿冷供热机组负荷经济分配方法 | |
CN113028604A (zh) | 基于聚合空调的温度调节控制及调度方法 | |
CN112161352A (zh) | 一种兼顾成本与能耗的冰蓄冷系统多目标优化运行方法 | |
CN106979583A (zh) | 一种中央空调运行参数的调节方法和装置 | |
CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
CN111415036A (zh) | 一种中央空调系统并联冷机负荷优化分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |