CN112413762B - 一种制冷机房冷却水系统参数优化方法和系统 - Google Patents

一种制冷机房冷却水系统参数优化方法和系统 Download PDF

Info

Publication number
CN112413762B
CN112413762B CN202011362191.8A CN202011362191A CN112413762B CN 112413762 B CN112413762 B CN 112413762B CN 202011362191 A CN202011362191 A CN 202011362191A CN 112413762 B CN112413762 B CN 112413762B
Authority
CN
China
Prior art keywords
cooling water
cooling
internet
water
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.)
Active
Application number
CN202011362191.8A
Other languages
English (en)
Other versions
CN112413762A (zh
Inventor
汪德龙
王群
郭千朋
李红
丁岩岩
张智权
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.)
Shanghai Carbon Soot Energy Service Co ltd
Original Assignee
Shanghai Carbon Soot Energy Service 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 Shanghai Carbon Soot Energy Service Co ltd filed Critical Shanghai Carbon Soot Energy Service Co ltd
Priority to CN202011362191.8A priority Critical patent/CN112413762B/zh
Publication of CN112413762A publication Critical patent/CN112413762A/zh
Application granted granted Critical
Publication of CN112413762B publication Critical patent/CN112413762B/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
    • F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
    • F24F5/0003—Exclusively-fluid systems
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
    • F24F11/85—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using variable-flow pumps
    • 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
    • F28—HEAT EXCHANGE IN GENERAL
    • F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
    • F28F27/00—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus
    • F28F27/003—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus specially adapted for cooling towers

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Thermal Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及一种制冷机房冷却水系统参数优化的方法，包括以下步骤：S1、物联网平台根据实时采集的参数数据建立冷水机组数学模型、冷却塔数学模型、和冷却水泵数学模型；S2、物联网平台选取遗传算法目标函数；S3、物联网云平台产生k时刻冷却水流量和冷却塔风量参数集；S4、物联网平台计算冷却水流量和冷却塔风量的可能取值；S5、物联网平台计算假设k+1时刻的所有可能冷却水系统总能耗，并作为遗传算法的适应度值；S6、物联网平台利用遗传算法通过循环进化方法获得最优参数个体；S7、实际k+1时刻时，物联网平台通过边缘计算网关下发制冷机房PLC控制冷却水系统运行。有益效果是基于物联网数据采集的高效、易于实施。

Description

一种制冷机房冷却水系统参数优化方法和系统
【技术领域】
本发明涉及中央空调制冷机房技术领域，具体涉及一种制冷机房冷却水系统参数优化方法和系统。
【背景技术】
中央空调水系统分类：1、冷却水系统(冷却塔、冷却水管、冷却水泵、冷凝器、阀门等)；2、冷冻水系统(冷冻水管、冷冻水泵、阀门、末端设备、膨胀水箱、保温等)；3、冷凝水系统。冷却塔主要为制冷机组中制冷剂降温；冷冻水泵：设在冷水机组前端，从末端回来的冷冻水经过冷冻水泵打回冷水机组；冷却水泵：设在冷却水进机组的水路上，从冷却塔出来的冷却水经冷却水泵打回机组；热水循环泵：设在回水干管上，从末端回来的热水经过热水循环泵打回板式换热器。
中央空调冷却水系统中的设备主要包括冷却水泵和冷却塔，相比较于中央空调主机能耗，冷却水泵和冷却塔的总能耗较低，但中央空调冷却水系统的运行参数对于中央空调主机的能效影响很大，因此，中央空调冷却水系统节能优化运行需要综合考虑冷源系统各设备在特定运行条件下的总体能耗。
从冷却水泵节能的角度来讲，可以采用冷却水泵变频运行的方式调节冷却水流量，但是，冷却水流量的调节也不是越小越好，冷却水流量过低将影响到中央空调主机的散热效果，从而影响到主机能效，使中央空调主机能耗增加。
冷却塔能耗在中央空调冷源系统中所占的比重较小，但冷却塔散热能力的好坏对于冷水机组能耗影响较大。冷却塔的节能也是通过对冷却塔风扇变频或改变冷却塔运行台数实现的，其冷却效果与冷却水的流量、外界空气的温湿度有很大的关系，相同冷却水流量下，冷却塔的冷却效果不同会导致冷却水回水温度的差异，从而影响主机能效，因此，在分析冷却水系统总能耗时，应充分考虑冷却塔运行模式对冷水机组耗能的影响。
目前在工业用制冷机房中，常见的是通过冷却塔出水温度逼近度来控制冷却塔的风机频率和开启台数、利用冷却水泵供回水温差来控制冷却水泵的频率；但是冷却塔出水温度逼近度和冷却水泵供回水温差设定值很难确定，通常是一个确定的值，不能保证冷却水系统的能效最优。
并且制冷机房群控技术偏重于通信功能的实现，对制冷机房的控制效率低，能源浪费严重，响应不及时。对智能控制算法的涉及不多，架构比较简单，本地计算能力较弱，难以扩展部署复杂的大数据分析和人工智能算法，在复杂计算能力需求和实时控制之间难以均衡。
边缘网关是部署在网络边缘侧的网关，通过网络联接、协议转换等功能联接物理和数字世界，提供轻量化的联接管理、实时数据分析及应用管理功能。Modbus 是一种工业现场总线协议标准，1996年推出基于以太网TCP/IP的Modbus协议： ModbusTCP，Modbus协议是一项应用层报文传输协议，包括ASCII、RTU、TCP三种报文类型，标准的Modbus协议物理层接口有RS232、RS422、RS485和以太网接口，采用master/slave方式通信。OPC(ObjectLinking and Embedding(OLE) for Process Control)是对象连接和嵌入技术在过程控制方面的应用，OPC规范从OLE/COM/DCOM的技术基础上发展而来，并以C/S模式为面向对象的工业自动化软件的开发建立了统一标准，该标准中定义了在基于PC的客户机之间进行自动化数据实时交换的方法。可编程逻辑控制器(Programmable Logic Controller，PLC)，一种具有微处理器的用于自动化控制的数字运算控制器，可以将控制指令随时载入内存进行储存与执行，可编程控制器由CPU、指令及数据内存、输入/输出接口、电源、数字模拟转换等功能单元组成。遗传算法(Genetic Algorithm，GA)是根据大自然中生物体进化规律而设计提出的，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程；在求解较为复杂的组合优化问题时，相对一些常规的优化算法，通常能够较快地获得较好的优化结果。遗传算法的基本运算过程如下：(1)初始化：设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)； (2)个体评价：计算群体P(t)中各个个体的适应度；(3)选择运算：将选择算子作用于群体，选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，选择操作是建立在群体中个体的适应度评估基础上的；(4)交叉运算：将交叉算子作用于群体，遗传算法中起核心作用的就是交叉算子；(5)变异运算：将变异算子作用于群体，即是对群体中的个体串的某些基因座上的基因值作变动，群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)；(6)终止条件判断：若t＝T，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。遗传操作包括以下三个基本遗传算子(genetic operator)：选择(selection)、交叉(crossover)、变异(mutation)。网格搜索法是指定参数值的一种穷举搜索方法，通过将估计函数的参数通过交叉验证的方法进行优化得到最优的学习算法，即将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”，然后将各组合用于SVM训练，并使用交叉验证对表现进行评估，在拟合函数尝试了所有的参数组合后，返回一个合适的分类器，自动调整至最佳参数组合。数学建模，就是根据实际问题来建立数学模型，对数学模型来进行求解，然后根据结果去解决实际问题，当需要从定量的角度分析和研究一个实际问题时，人们就要在深入调查研究、了解对象信息、作出简化假设、分析内在规律等工作的基础上，用数学的符号和语言作表述来建立数学模型。
本发明利用基于物联网的信息采集处理技术，针对基于制冷机房冷却水系统冷却塔出水温度逼近度和冷却水供回水温差设定困难的问题，进行了技术改进。
【发明内容】
本发明的目的是，提供一种基于物联网数据采集的高效、易于实施的制冷机房冷却水系统冷却塔出水温度逼近度和冷却水供回水温差优化的方法。
为实现上述目的，本发明采取的技术方案是一种制冷机房冷却水系统参数优化的方法，包括以下步骤：
S1、物联网平台根据实时采集的参数数据建立冷水机组数学模型、冷却塔数学模型、和冷却水泵数学模型；
S2、物联网平台选取遗传算法目标函数为：
Ptotal(Qcooling，Qair)＝Pchill(Qcooling，Qair)+Ppump(Qcooling，Qair)+Ptower(Qcooling，Qair)，
式中，Pcotat为冷却水系统总能耗，Ppump为冷却水泵总能耗，Pchill为冷水机组能耗，Ptower为冷却塔总能耗，Qoooling为冷却水流量，Qair为冷却塔风量；
S3、物联网云平台通过边缘计算网关从制冷机房PLC中读取k时刻传感器采集的冷水机组冷冻水供回水温度、冷冻水流量、冷却水供回水温度和冷却水流量，基于步骤S1所述数学建模计算k时刻冷水机组制冷量和冷却塔散热量，产生k 时刻冷却水流量和冷却塔风量参数集；
S4、物联网平台假设k+1时刻的冷水机组制冷量与k时刻冷水机组制冷量相同，在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内假设k+1时刻的冷水机组散热量、和冷却水入口温度，利用穷举搜索方法在假设k+1时刻的冷水机组散热量和冷却水入口温度组合下，计算冷却水流量和冷却塔风量的可能取值；
S5、物联网平台基于步骤S4冷却水流量和冷却塔风量的可能取值，基于步骤S2的目标函数，计算假设k+1时刻的所有可能冷却水系统总能耗，并作为遗传算法的适应度值；
S6、物联网平台利用遗传算法通过循环进化方法获得最优参数个体，以及假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量；
S7、实际k+1时刻时，物联网平台依据步骤S6获得的假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量，计算对应的冷却水供回水温差和冷却塔出水温度逼近度，通过边缘计算网关下发制冷机房PLC控制冷却水系统运行。
优选地，上述步骤S4具体包括以下步骤：
S41、在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内，利用穷举搜索方法假设k+1时刻的冷水机组散热量Q0、以及冷却水入口温度T0；
S42、利用冷水机组数学模型、和k时刻冷水机组制冷量计算步骤S41假设情况下冷水机组能耗P1、以及冷水机组散热量Q1；
S43、利用冷却塔数学模型，计算步骤S41假设情况下冷却水回水温度T1；
S44、如果Q1减去Q0小于等于设定散热量误差、以及T1减去T0小于等于设定温度误差，计算并输出步骤S41假设情况下冷却水流量和冷却塔风量的取值；
S45、假设次数没有达到最大值跳转执行S41步骤。
优选地，上述穷举搜索方法是网格搜索法。
优选地，上述步骤S6具体包括以下步骤：
S61、对步骤S3所述参数集中所有参数组合进行冷却水系统总能耗排序并计算适应度值；
S62、利用步骤S61所述适应度值，步骤S3所述参数集进行选择和遗传；
S63、选取步骤S3所述参数集冷却水系统总能耗最小时的参数组合作为优化参数计算并输出所对应的冷却水流量和冷却塔风量。
本发明的再一目的是，提供一种基于物联网数据采集的高效、易于实施的制冷机房冷却水系统冷却塔出水温度逼近度和冷却水供回水温差优化的系统。
为实现上述再一目的，本发明采取的技术方案是一种制冷机房冷却水系统参数优化系统，上述参数优化系统包括物联网平台、若干边缘网关、和制冷机房 PLC；上述物联网平台通过边缘网关采集制冷机房PLC的数据、控制制冷机房PLC 动作；上述参数优化系统执行上述的一种制冷机房冷却水系统参数优化方法。
优选地，上述制冷机房PLC包括手动模式、自动模式、云端优化控制模式；当上述制冷机房PLC设置为云端优化控制模式时，上述参数优化系统执行上述的一种制冷机房冷却水系统参数优化方法。
优选地，上述物联网平台经过边缘网关通过Modbus TCP协议和制冷机房PLC 进行通讯。
优选地，上述物联网平台是物联网云平台，上述物联网云平台基于开源框架进行搭建，并构建了统一的微服务架构体系，包括业务层、接口层、服务层、传输存储层以及平台层。
本发明有如下有益效果：根据实时采集的数据对冷水机组、冷却塔、冷却水泵进行建模，再通过遗传算法以最小能耗为目标，计算得到冷却水供回水温差和冷却塔出水温度逼近度的最优值，对制冷机房的控制效率高，能源集约，响应及时；利用智能控制算法，计算能力强，扩展部署复杂的大数据分析和人工智能算法，实现复杂计算能力需求和实时控制之间均衡。
【附图说明】
图1是一种制冷机房冷却水系统参数优化方法流程图。
图2是一种制冷机房冷却水系统参数优化系统架构图。
图3是一种制冷机房冷却水系统参数优化方法实施例流程图。
【具体实施方式】
下面结合实施例并参照附图对本发明作进一步描述。
在本发明中，服务器是在网络上提供、管理网络资源的一个计算机或设备，终端可指各种类型的装置，包括(但不限于)无线电话、蜂窝式电话、膝上型计算机、多媒体无线装置、无线通信个人计算机(PC)卡、个人数字助理(PDA)、外部或内部调制解调器等。客户端设备，即终端可为任何经由无线信道和/或经由有线信道(例如，光纤或同轴电缆)与服务器通信的数据装置。终端可具有多种名称，例如移动台、移动装置、移动单元，移动电话、远程站、远程终端机、远程单元、用户装置、用户设备、手持式装置等。不同终端可并入一个系统中。终端可为移动的或固定的，且可分散遍及一个通信网络。
实施例1
本实施例实现一种制冷机房冷却水系统参数优化方法。
附图1是一种制冷机房冷却水系统参数优化方法流程图，如附图1所示，本实施例一种制冷机房冷却水系统参数优化的方法，包括以下步骤：
S1、物联网平台根据实时采集的参数数据建立冷水机组数学模型、冷却塔数学模型、和冷却水泵数学模型；
S2、物联网平台选取遗传算法目标函数为：
Ptotal(Qcooling，Qair)＝Pchill(Qcooling，Qair)+Ppump(Qcooling，Qair)+Ptower(Qcooling，Qair)，
式中，Ptotat为冷却水系统总能耗，Ppump为冷却水泵总能耗，Pchill为冷水机组能耗，Ptower为冷却塔总能耗，Qoooling为冷却水流量，Qair为冷却塔风量；
S3、物联网云平台通过边缘计算网关从制冷机房PLC中读取k时刻传感器采集的冷水机组冷冻水供回水温度、冷冻水流量、冷却水供回水温度和冷却水流量，基于步骤S1所述数学建模计算k时刻冷水机组制冷量和冷却塔散热量，产生k 时刻冷却水流量和冷却塔风量参数集；
S4、物联网平台假设k+1时刻的冷水机组制冷量与k时刻冷水机组制冷量相同，在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内假设k+1时刻的冷水机组散热量、和冷却水入口温度，利用穷举搜索方法在假设k+1时刻的冷水机组散热量和冷却水入口温度组合下，计算冷却水流量和冷却塔风量的可能取值；
S5、物联网平台基于步骤S4冷却水流量和冷却塔风量的可能取值，基于步骤S2的目标函数，计算假设k+1时刻的所有可能冷却水系统总能耗，并作为遗传算法的适应度值；
S6、物联网平台利用遗传算法通过循环进化方法获得最优参数个体，以及假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量；
S7、实际k+1时刻时，物联网平台依据步骤S6获得的假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量，计算对应的冷却水供回水温差和冷却塔出水温度逼近度，通过边缘计算网关下发制冷机房PLC控制冷却水系统运行。
优选地，上述步骤S4具体包括以下步骤：
S41、在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内，利用穷举搜索方法假设k+1时刻的冷水机组散热量Q0、以及冷却水入口温度T0；
S42、利用冷水机组数学模型、和k时刻冷水机组制冷量计算步骤S41假设情况下冷水机组能耗P1、以及冷水机组散热量Q1；
S43、利用冷却塔数学模型，计算步骤S41假设情况下冷却水回水温度T1；
S44、如果Q1减去Q0小于等于设定散热量误差、以及T1减去T0小于等于设定温度误差，计算并输出步骤S41假设情况下冷却水流量和冷却塔风量的取值；
S45、假设次数没有达到最大值跳转执行S41步骤。
优选地，上述穷举搜索方法是网格搜索法。
优选地，上述步骤S6具体包括以下步骤：
S61、对步骤S3所述参数集中所有参数组合进行冷却水系统总能耗排序并计算适应度值；
S62、利用步骤S61所述适应度值，步骤S3所述参数集进行选择和遗传；
S63、选取步骤S3所述参数集冷却水系统总能耗最小时的参数组合作为优化参数计算并输出所对应的冷却水流量和冷却塔风量。
实施例2
本实施例实现一种制冷机房冷却水系统参数优化系统。
附图2是一种制冷机房冷却水系统参数优化系统架构图，如附图2所示，本实施例一种制冷机房冷却水系统参数优化系统，上述参数优化系统包括物联网平台、若干边缘网关、和制冷机房PLC；上述物联网平台通过边缘网关采集制冷机房PLC的数据、控制制冷机房PLC动作；上述参数优化系统执行上述实施例1的一种制冷机房冷却水系统参数优化方法。
优选地，上述制冷机房PLC包括手动模式、自动模式、云端优化控制模式；当上述制冷机房PLC设置为云端优化控制模式时，上述参数优化系统执行上述实施例1的一种制冷机房冷却水系统参数优化方法。
优选地，上述物联网平台经过边缘网关通过Modbus TCP协议和制冷机房PLC 进行通讯。
优选地，上述物联网平台是物联网云平台，上述物联网云平台基于开源框架进行搭建，并构建了统一的微服务架构体系，包括业务层、接口层、服务层、传输存储层以及平台层。
实施例3
本实施例实现一种制冷机房冷却水系统参数优化方法和系统。本实施例在实施例1、2的基础上具体实现。
本实施例针对基于制冷机房冷却水系统冷却塔出水温度逼近度和冷却水供回水温差设定困难的问题，提供一种基于物联网平台的高效制冷机房冷却水系统优化控制的方法和装置。
附图2是一种制冷机房冷却水系统参数优化系统架构图，如附图2所示，本实施例通过“云+边缘+端”的架构，利用云平台扩展了边缘计算网关的计算能力，又避免了网络延时对任务及时性的阻碍，同时满足了设备优化的复杂计算能力需求和控制的实时性要求；利用边缘计算网关和制冷机房PLC建立通讯，实现数据的上传和下发控制。
边缘计算网关通过Modbus TCP协议与制冷机房的PLC建立通讯，并且在PLC 对应的上位机中设计手动模式、自动模式、云端优化控制模式；PLC中的手动模式、自动模式是自控的常规设计，PLC云端优化控制模式是区别于一般的制冷机房自控系统的，PLC处于云端优化控制模式时，可实现边缘计算网关与PLC之间的数据上传和控制命令下发；并且当云端控制模式出现异常时，可以随时切换到自动模式。
上位机可以将PLC控制权限切换为手动控制、自动控制、云端优化控制，云平台可以将PLC控制权限切换为自动控制、云端优化控制，当本地处于手动控制模式时，云平台不能取得PLC的控制权限；上位机和云平台可实时同步控制权限状态，上位机切换控制权限，云平台能实时显示改变后的控制权限，云平台切换控制权限，上位机能实时显示改变后的控制权限。
云平台基于开源框架进行搭建，并构建了统一的微服务架构体系，系统分为业务层、接口层、服务层、传输存储层以及平台层。
平台层采用基于docker容器技术构建的PaaS云，对应用完整生命周期管理 (包括设计、开发、测试和部署等阶段)的支持，减少了管理应用生命周期所必须的软硬件成本以及部署应用和软件的成本，同时简化了以上工作的复杂度。
传输存储层用于IOT设备数据采集以及存储，针对数据采集采用MQTT协议进行传输，可以保证在复杂网络环境下的可靠数据采集；数据存储分为业务数据库以及实时数据库，业务数据库存储基本的设置信息，点位信息等；实时数据库用于存储采集到的实时数据，同时为了保证数据质量以及系统响应的实时性，数据存储采用分层存储的架构，在数据入库之前需要进行数据的清洗及处理，清洗处理采用实时处理框架Flink进行。
服务层基于业务场景进行了微服务拆分，拆分出了搜索引擎服务、数据存储服务、监控服务、可视化服务、模型算法服务、数据安全服务以及采集交换服务，在保证服务间解耦的同时保证了服务的可扩展性。
接口层提供前端业务应用与后端服务的接口，首先需要保证服务调用，保证服务调用质量，同时对业务系统的操作指令进行消息路由；其次接口层实现了安全管理功能，包括数据安全以及业务操作安全；再次接口层实现了服务调用的监控，可以基于服务质量进行扩容及熔断操作。
业务层是系统的主要价值呈现，包含系统总览模块、在线监测模块、能效管理模块、故障管理模块、设备管理模块以及区块链验证模块。通过后台模型的实时处理，实现了设备运行状态及能耗情况的实时监控，设备故障的及时处理，优化策略的及时推送，降低了故障对非计划停机的影响，提高了能效利用率。
附图3是一种制冷机房冷却水系统参数优化方法实施例流程图，如附图3所示，本实施例制冷机房冷却水系统的冷却塔出水温度逼近度和冷却水供回水温差设定值优化是通过部署在云平台的模型算法微服务实现的，根据实时采集的数据对冷水机组、冷却塔、冷却水泵进行建模，再通过遗传算法以最小能耗为目标，计算得到冷却水供回水温差和冷却塔出水温度逼近度的最优值。
首先进行目标函数选取。对于运行参数的优化，目的是保证冷却水系统中各设备的能耗最低，因此，该优化方法的目标函数为：
Ptotal(Qcooling，Qair)
＝Pchill(Qcooling，Qair)+Ppump(Qcoooling，Qair)+Ptower(Qcoooling，Qair)
式中，Ptotal为总能耗，单位是kW；Ppump为冷却水泵总能耗，单位是kW；Pchill为冷水机组能耗，单位是kW；Ptower为冷却塔总能耗，单位是kW；Qcooling为冷却水流量，单位是m3/h；Qair为冷却塔风量，单位是m3/h。
其次进行云平台算法寻优过程。
1、边缘计算网关从PLC中读取k时刻传感器采集到的冷水机组冷冻水供回水温度、冷冻水流量、冷却水供回水温度和冷却水流量等参数，计算k时刻时的冷水机组制冷量和冷却塔散热量。
2、取k+1时刻的冷水机组制冷量与k时刻冷水机组制冷量相同，在k时刻冷水机组散热量和冷却水入口温度的一定变化范围内，假设k+1时刻冷水机组散热量和冷却水入口温度，利用网格搜索法确定该冷水机组散热量和冷却水入口温度组合下，冷却水流量和冷却塔风量的可能取值。
3、计算k+1时刻不同冷却水流量和冷却塔风量时冷水机组的能耗，并计算适应度函数值，利用遗传算法通过循环进化方法获得最优参数个体，确定k+1时刻冷却水系统能耗最小时所对应的冷却水流量和冷却塔风量。
4、当系统运行至k+1时刻时，依据计算得到的冷却水流量和冷却塔风量，再确定对应的冷却水供回水温差和冷却塔出水温度逼近度，通过边缘计算网关下发制冷机房PLC控制冷却水系统运行，完成整个运行参数的寻优过程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM) 或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (8)

1.一种制冷机房冷却水系统参数优化的方法，其特征在于包括以下步骤：
S1、物联网平台根据实时采集的参数数据建立冷水机组数学模型、冷却塔数学模型、和冷却水泵数学模型；
S2、物联网平台选取遗传算法目标函数为：
Ptotal(Qcooling,Qair)=Pchill(Qcooling,Qair)+Ppump(Qcooling,Qair)+Ptower(Qcooling,Qair)，
式中，Ptotal为冷却水系统总能耗，Ppump为冷却水泵总能耗，Pchill为冷水机组能耗，Ptower为冷却塔总能耗，Qcooling为冷却水流量，Qair为冷却塔风量；
S3、物联网云平台通过边缘计算网关从制冷机房PLC中读取k时刻传感器采集的冷水机组冷冻水供回水温度、冷冻水流量、冷却水供回水温度和冷却水流量，基于步骤S1所述数学建模计算k时刻冷水机组制冷量和冷却塔散热量，产生k时刻冷却水流量和冷却塔风量参数集；
S4、物联网平台假设k+1时刻的冷水机组制冷量与k时刻冷水机组制冷量相同，在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内假设k+1时刻的冷水机组散热量、和冷却水入口温度，利用穷举搜索方法在假设k+1时刻的冷水机组散热量和冷却水入口温度组合下，计算冷却水流量和冷却塔风量的可能取值；
S5、物联网平台基于步骤S4冷却水流量和冷却塔风量的可能取值，基于步骤S2的目标函数，计算假设k+1时刻的所有可能冷却水系统总能耗，并作为遗传算法的适应度值；
S6、物联网平台利用遗传算法通过循环进化方法获得最优参数个体，以及假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量；
S7、实际k+1时刻时，物联网平台依据步骤S6获得的假设k+1时刻冷却水系统总能耗最小时所对应的冷却水流量和冷却塔风量，计算对应的冷却水供回水温差和冷却塔出水温度逼近度，通过边缘计算网关下发制冷机房PLC控制冷却水系统运行。
2.根据权利要求1所述的一种制冷机房冷却水系统参数优化的方法，其特征在于所述步骤S4具体包括以下步骤：
S41、在k时刻冷水机组散热量、和冷却水入口温度设定变化范围内，利用穷举搜索方法假设k+1时刻的冷水机组散热量Q0、以及冷却水入口温度T0；
S42、利用冷水机组数学模型、和k时刻冷水机组制冷量计算步骤S41假设情况下冷水机组能耗P1、以及冷水机组散热量Q1；
S43、利用冷却塔数学模型，计算步骤S41假设情况下冷却水回水温度T1；
S44、如果Q1减去Q0小于等于设定散热量误差、以及T1减去T0小于等于设定温度误差，计算并输出步骤S41假设情况下冷却水流量和冷却塔风量的取值；
S45、假设次数没有达到最大值跳转执行S41步骤。
3.根据权利要求2所述的一种制冷机房冷却水系统参数优化的方法，其特征在于：所述穷举搜索方法是网格搜索法。
4.根据权利要求1所述的一种制冷机房冷却水系统参数优化的方法，其特征在于所述步骤S6具体包括以下步骤：
S61、对步骤S3所述参数集中所有参数组合进行冷却水系统总能耗排序并计算适应度值；
S62、利用步骤S61所述适应度值，步骤S3所述参数集进行选择和遗传；
S63、选取步骤S3所述参数集冷却水系统总能耗最小时的参数组合作为优化参数计算并输出所对应的冷却水流量和冷却塔风量。
5.一种制冷机房冷却水系统参数优化系统，其特征在于：所述参数优化系统包括物联网平台、若干边缘网关、和制冷机房PLC；所述物联网平台通过边缘网关采集制冷机房PLC的数据、控制制冷机房PLC动作；所述参数优化系统执行权利要求1至4任一权利要求所述的一种制冷机房冷却水系统参数优化方法。
6.根据权利要求5所述的一种制冷机房冷却水系统参数优化系统，其特征在于：所述制冷机房PLC包括手动模式、自动模式、云端优化控制模式。
7.根据权利要求6所述的一种制冷机房冷却水系统参数优化系统，其特征在于：所述物联网平台经过边缘网关通过Modbus TCP协议和制冷机房PLC进行通讯。
8.根据权利要求7所述的一种制冷机房冷却水系统参数优化系统，其特征在于：所述物联网平台是物联网云平台，所述物联网云平台基于开源框架进行搭建，并构建了统一的微服务架构体系，包括业务层、接口层、服务层、传输存储层以及平台层。
CN202011362191.8A 2020-11-27 2020-11-27 一种制冷机房冷却水系统参数优化方法和系统 Active CN112413762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011362191.8A CN112413762B (zh) 2020-11-27 2020-11-27 一种制冷机房冷却水系统参数优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011362191.8A CN112413762B (zh) 2020-11-27 2020-11-27 一种制冷机房冷却水系统参数优化方法和系统

Publications (2)

Publication Number Publication Date
CN112413762A CN112413762A (zh) 2021-02-26
CN112413762B true CN112413762B (zh) 2021-11-05

Family

ID=74842324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011362191.8A Active CN112413762B (zh) 2020-11-27 2020-11-27 一种制冷机房冷却水系统参数优化方法和系统

Country Status (1)

Country Link
CN (1) CN112413762B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114018069B (zh) * 2021-11-10 2024-03-22 新疆天池能源有限责任公司 一种间接空冷系统的百叶窗调节系统及方法
CN114777295B (zh) * 2022-04-06 2024-08-13 上海宝信数据中心有限公司 一种数据中心冷源群控虚拟调试系统及方法
CN115420054B (zh) * 2022-08-12 2024-07-30 清华大学合肥公共安全研究院 冷却水系统的开环控制方法、系统以及存储介质
CN115682357B (zh) * 2022-10-31 2023-07-25 广州施杰节能科技有限公司 一种以逼近度为中心的冷却水寻优方法及独立控制系统
CN116068886B (zh) * 2022-12-09 2024-06-28 上海碳索能源服务股份有限公司 一种高效制冷机房冷却水系统的优化控制装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104534627B (zh) * 2015-01-14 2017-03-15 江苏联宏自动化系统工程有限公司 中央空调冷却水系统综合能效控制方法
CN204853838U (zh) * 2015-01-27 2015-12-09 徐建成 一种中央空调控制系统
CN108489013A (zh) * 2018-01-30 2018-09-04 深圳市新环能科技有限公司 基于遗传算法和负荷在线修正的中央空调控制方法及装置
CN110895029A (zh) * 2019-11-27 2020-03-20 南京亚派软件技术有限公司 一种基于冷冻水的温度的建筑负荷预测方法

Also Published As

Publication number Publication date
CN112413762A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN112413762B (zh) 一种制冷机房冷却水系统参数优化方法和系统
WO2023093820A1 (zh) 设备的控制优化方法、展示平台、云服务器及存储介质
CN112577161B (zh) 空调能耗模型训练方法与空调系统控制方法
CN112561728B (zh) 基于注意力机制lstm的综合能耗费用优化方法、介质及设备
US20190302713A1 (en) Method and device for automatically diagnosing and controlling apparatus in intelligent building
CN114383299B (zh) 基于大数据与动态仿真的中央空调系统运行策略优化方法
CN113739365A (zh) 中央空调冷站群控节能控制方法、装置、设备及存储介质
CN105303247A (zh) 一种园区型冷热能源混合应用的能源网络调控方法及系统
CN105868487A (zh) 一种基于能耗设备模型的节能专家系统
CN113110056B (zh) 一种基于人工智能的供热智能决策方法及智能决策机
CN116266253A (zh) 空调参数的优化控制方法、系统和计算机可读存储介质
CN113028599B (zh) 基于云平台的暖通空调监控系统、方法
CN113110057A (zh) 一种基于人工智能的热力站节能控制方法及智能决策系统
Wang et al. A decentralized swarm intelligence algorithm for global optimization of HVAC system
CN115619136A (zh) 楼宇管理方法和系统
Li et al. Data-oriented distributed overall optimization for large-scale HVAC systems with dynamic supply capability and distributed demand response
Wang et al. A global optimization method for data center air conditioning water systems based on predictive optimization control
CN109343461A (zh) 一种楼宇自动化控制系统的节能控制方法
CN112432269A (zh) 一种制冷机房冷冻水泵压差设定值优化的方法和系统
Zhang et al. A hybrid dynamical modelling and control approach for energy saving of central air conditioning
CN115628517A (zh) 一种中央空调冷却塔节能策略的模拟系统
Du et al. Prediction of HVAC Energy Consumption Using PSO Optimized Deep Neural Network
CN112944599A (zh) 空调系统的多参数耦合控制方法及装置
CN113170592B (zh) 基于监测/控制机制的热控制优化
CN116068886B (zh) 一种高效制冷机房冷却水系统的优化控制装置

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