CN112682936B - 一种空调冷站系统控制方法、系统、装置及可读存储介质 - Google Patents

Abstract

本申请公开了一种空调冷站系统控制方法，包括：获取空调冷站系统在试运行工况下多个部件的运行参数；根据运行参数建立每个部件的数学模型，并确定空调冷站系统的负荷预测模型；结合数学模型和负荷预测模型，通过寻优算法确定空调冷站系统能耗最低时每个部件的最优工况参数；将最优工况参数下发至空调冷站系统的本地控制器，以使每个部件按照最优工况参数运行。本申请建立空调冷站系统各部件的数学模型和负荷预测模型，并通过寻优算法确定能耗最低时的最优工况参数，达到温控效果不变但能耗降低的目的，进而实现无人工下空调冷站系统的能耗准确调节。相应的，本申请还公开了一种具有相同有益效果的空调冷站系统控制系统、装置及可读存储介质。

Description

一种空调冷站系统控制方法、系统、装置及可读存储介质

技术领域

本发明涉及空调控制领域，特别涉及一种空调冷站系统控制方法、系统、装置及可读存储介质。

背景技术

当前，楼宇运行能耗占全社会总能源消耗的比例超过20％，其中空调能耗又占到楼宇运行能耗的40％，随着人们生活水平的提高，空调能耗占比还将进一步提高。

目前楼宇内空调系统的运行管理主要依靠物业管理人员手动调控，手段较为粗放，空调系统运行效率较低，产生了一些不必要的能源消耗。在能源供求形势日趋紧张的背景下，如何在空调系统方面推动节能减排，具有一定的现实意义。

因此，如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种空调冷站系统控制方法、系统、装置及可读存储介质。其具体方案如下：

一种空调冷站系统控制方法，包括：

获取空调冷站系统在试运行工况下多个部件的运行参数；

根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型；

结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；

将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行。

优选的，所述部件包括制冷主机、水泵和冷却塔。

优选的，所述根据所述运行参数建立每个所述部件的数学模型的过程，包括：

根据所述制冷主机的耗电量、冷冻水供回水温度、冷却水供回水温度和机组负荷率，建立所述制冷主机的数学模型。

优选的，所述水泵包括冷冻水泵和冷却水泵，所述根据所述运行参数建立每个所述部件的数学模型的过程，包括：

根据所述冷冻水泵的耗电量、使用频率和冷冻水流量，建立所述冷冻水泵的数学模型；

根据所述冷却水泵的耗电量、使用频率和冷却水流量，建立所述冷却水泵的数学模型。

优选的，所述根据所述运行参数建立每个所述部件的数学模型的过程，包括：

根据所述冷却塔的耗电量、使用频率、冷却水流量、冷却水进出水温度，建立所述冷却塔的数学模型。

优选的，所述确定所述空调冷站系统的负荷预测模型的过程，包括：

按照时间系数法确定所述空调冷站系统的负荷预测模型。

优选的，所述空调冷站系统控制方法还包括：

获取所述空调冷站系统在实际运行工况下多个所述部件的实时运行参数；

根据每个所述部件的所述实时运行参数，修正对应的所述数学模型和所述负荷预测模型。

相应的，本申请还公开了一种空调冷站系统控制系统，包括：

参数获取模块，用于获取空调冷站系统在试运行工况下多个部件的运行参数；

模型建立模块，用于根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型；

参数确定模块，用于结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；

参数下发模块，用于将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行。

相应的，本申请还公开了一种空调冷站系统控制装置，包括：

传感器，用于获取空调冷站系统在试运行工况下多个部件的运行参数；

计算平台，用于根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型，并结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；

信息网关，用于将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行。

相应的，本申请还公开了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文任一项所述空调冷站系统控制方法的步骤。

本申请公开了一种空调冷站系统控制方法，包括：获取空调冷站系统在试运行工况下多个部件的运行参数；根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型；结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行。本申请建立空调冷站系统各部件的数学模型和负荷预测模型，并通过寻优算法确定能耗最低时的最优工况参数，达到温控效果不变但能耗降低的目的，进而实现无人工下空调冷站系统的能耗准确调节。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例中一种空调冷站系统控制方法的步骤流程图；

图2为本发明实施例中一种空调冷站系统控制系统的结构分布图；

图3为本发明实施例中一种空调冷站系统控制装置的结构分布图。

具体实施方式

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。

目前楼宇内空调系统的运行管理主要依靠物业管理人员手动调控，手段较为粗放，空调系统运行效率较低，产生了一些不必要的能源消耗。本申请建立空调冷站系统各部件的数学模型和负荷预测模型，并通过寻优算法确定能耗最低时的最优工况参数，达到温控效果不变但能耗降低的目的，进而实现无人工下空调冷站系统的能耗准确调节。

本发明实施例公开了一种空调冷站系统控制方法，参见图1所示，包括：

S1：获取空调冷站系统在试运行工况下多个部件的运行参数；

可以理解的是，空调冷站系统的部件包括制冷主机、水泵和冷却塔，其中水泵包括冷却水泵和冷冻水泵。这些部件的运行参数可通过安装在部件附近的传感器获取。

S2：根据运行参数建立每个部件的数学模型，并确定空调冷站系统的负荷预测模型；

具体的，该步骤针对不同的部件，存在不同的处理手段：

对于制冷主机，根据制冷主机的耗电量、冷冻水供回水温度、冷却水供回水温度和机组负荷率，建立制冷主机的数学模型。

对于冷冻水泵，根据冷冻水泵的耗电量、使用频率和冷冻水流量，建立冷冻水泵的数学模型；

对于冷却水泵，根据冷却水泵的耗电量、使用频率和冷却水流量，建立冷却水泵的数学模型。

对于冷却塔，根据冷却塔的耗电量、使用频率、冷却水流量、冷却水进出水温度，建立冷却塔的数学模型。

进一步的，确定空调冷站系统的负荷预测模型的过程，包括：

按照时间系数法确定空调冷站系统的负荷预测模型。

可以理解的是，空调冷站系统的负荷是具有规律波动性的时间序列数据，可通过时间系数法对其进行预测，具体可如以下方案：

收集过去7天内的负荷数据aij，表示第i天第j时的负荷数据，其中i＝1,2,…,7，j＝1,2,…,24；

计算每天每时的算数平均值

计算同小时数据的算数平均值

计算天数序号系数

计算第i天的合计数为

预测计算第8天的天加权平均为

其中wi为第i天的权数，按照自然数列取值即可，也即wi＝i；

预测计算第8天的逐时平均值

预测计算第8天的逐时负荷预测值为

可以理解的是，以上仅为时间系数法的举例，具体应用在负荷预测模型时还需根据实际情况进行调整。

S3：结合数学模型和负荷预测模型，通过寻优算法确定空调冷站系统能耗最低时每个部件的最优工况参数；

具体的，寻优算法通常为遗传算法寻优，具体步骤包括：编码，初始种群确定，目标函数确定，交叉操作，编译操作，策略选择等。这种方法具有简单通用、鲁棒性强、适于并行处理以及应用范围广等特点，可应用于本实施例中，进而确定出空调冷站系统能耗最低时每个部件对应的运行参数，此时的运行参数又称为最优工况参数。

S4：将最优工况参数下发至空调冷站系统的本地控制器，以使每个部件按照最优工况参数运行。

可以理解的是，传感器的获取对象和本地控制器的控制对象不一定一致，但在整个空调冷站系统中，传感器获取到的运行参数与计算平台下发到本地控制器的最优工况参数之间具有相关性。

进一步的，考虑到空调冷站系统在正式运行工况中可能出现与试运行工况不同的表现，为了提高本实施例中控制准确度，空调冷站系统控制方法还包括：

S5：获取空调冷站系统在实际运行工况下多个部件的实时运行参数；

S6：根据每个部件的实时运行参数，修正对应的数学模型和负荷预测模型。

可以理解的是，通过实时运行参数对数学模型和负荷预测模型进行修正，后续可更新最优工况参数并将其下发至本地控制器，进一步提高能耗控制的准确度。

本申请实施例公开了一种空调冷站系统控制方法，包括：获取空调冷站系统在试运行工况下多个部件的运行参数；根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型；结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行。本申请建立空调冷站系统各部件的数学模型和负荷预测模型，并通过寻优算法确定能耗最低时的最优工况参数，达到温控效果不变但能耗降低的目的，进而实现无人工下空调冷站系统的能耗准确调节。

相应的，本申请实施例还公开了一种空调冷站系统控制系统，参见图2所示，包括：

参数获取模块1，用于获取空调冷站系统在试运行工况下多个部件的运行参数；

模型建立模块2，用于根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型；

参数确定模块3，用于结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；

参数下发模块4，用于将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行。

本申请实施例建立空调冷站系统各部件的数学模型和负荷预测模型，并通过寻优算法确定能耗最低时的最优工况参数，达到温控效果不变但能耗降低的目的，进而实现无人工下空调冷站系统的能耗准确调节。

在一些具体的实施例中，所述部件包括制冷主机、水泵和冷却塔。

在一些具体的实施例中，模型建立模块2具体用于：根据所述制冷主机的耗电量、冷冻水供回水温度、冷却水供回水温度和机组负荷率，建立所述制冷主机的数学模型。

在一些具体的实施例中，所述水泵包括冷冻水泵和冷却水泵，模型建立模块2具体用于：根据所述冷冻水泵的耗电量、使用频率和冷冻水流量，建立所述冷冻水泵的数学模型；根据所述冷却水泵的耗电量、使用频率和冷却水流量，建立所述冷却水泵的数学模型。

在一些具体的实施例中，模型建立模块2具体用于：根据所述冷却塔的耗电量、使用频率、冷却水流量、冷却水进出水温度，建立所述冷却塔的数学模型。

在一些具体的实施例中，模型建立模块2具体用于：按照时间系数法确定所述空调冷站系统的负荷预测模型。

在一些具体的实施例中，参数获取模块1还用于：获取所述空调冷站系统在实际运行工况下多个所述部件的实时运行参数；

相应的，模型建立模块2还可用于：根据每个所述部件的所述实时运行参数，修正对应的所述数学模型和所述负荷预测模型。

相应的，本申请实施例还公开了一种空调冷站系统控制装置，包括：

传感器，用于获取空调冷站系统在试运行工况下多个部件的运行参数；

计算平台，用于根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型，并结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；

信息网关，用于将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行。

参见图3所示，本实施例中空调冷站系统控制装置可分为三层，平台层、网络传输层、感知与控制层，其中传感器和本地控制器位于底层的感知与控制层，本地控制器可选用PLC(Programmable Logic Controller，可编程逻辑控制器)，本地控制器的控制对象主要包括制冷主机、冷冻水泵、冷却水泵、冷却塔风机、变频器、阀门执行器、现场继电器等，传感器的类型包括压力传感器、温度传感器、冷热量计和流量计，采集的参数包括主机运行状态和参数、水泵运行状态和参数、实时耗电情况，可以理解的是，传感器的获取对象和本地控制器的控制对象不一定一致，但在整个空调冷站系统中，传感器获取到的运行参数与计算平台下发到本地控制器的最优工况参数之间具有相关性；信息网关位于网络传输层，通讯协议可采用modbus通讯协议或MQTT(Message Queuing Telemetry Transport，消息队列遥测传输)通讯协议，通过无线通讯(如3G、4G、5G、NB-IOT)和/或有线宽带等通讯手段实现；计算平台位于平台层，通常以云服务器的形式实现，计算平台能够对空调冷站系统实现负荷预测、能效诊断、数据处理、算法迭代更新、数据下发、安全管理等功能。

可以理解的是，除了本实施例中已经提到的具体器件类型，还可根据空调冷站系统的实际情况进行相关器件的选择，只要能实现本实施例的效果即可，此处不作限制。

本申请实施例建立空调冷站系统各部件的数学模型和负荷预测模型，并通过寻优算法确定能耗最低时的最优工况参数，达到温控效果不变但能耗降低的目的，进而实现无人工下空调冷站系统的能耗准确调节。

相应的，本申请实施例还公开了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文任一项所述空调冷站系统控制方法的步骤。

其中，具体有关空调冷站系统控制方法的细节内容可以参照上文实施例中的相关描述，此处不再赘述。

其中，本实施例中可读存储介质具有与上文实施例中空调冷站系统控制方法相同的技术效果，此处不再赘述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种空调冷站系统控制方法、系统、装置及可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种空调冷站系统控制方法，其特征在于，包括：

获取空调冷站系统在试运行工况下多个部件的运行参数；

根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型；

结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；

将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行；

多个所述部件包括制冷主机、水泵和冷却塔；

所述确定所述空调冷站系统的负荷预测模型的过程，包括：

按照时间系数法确定空调冷站系统的负荷预测模型；

所述按照时间系数法确定空调冷站系统的负荷预测模型的过程，包括：

收集过去7天内的负荷数据，a_ij表示第i天第j时的所述负荷数据，其中i＝1,2,…,7，j＝1,2,…,24；

计算每天每时的算数平均值：

计算同小时数据的算数平均值：

计算天数序号系数：

计算第i天的合计数为：

预测计算第8天的天加权平均为：

其中w_i为第i天的权数，按照自然数列取值即可，也即w_i＝i；

预测计算第8天的逐时平均值

预测计算第8天的逐时负荷预测值为

2.根据权利要求1所述空调冷站系统控制方法，其特征在于，所述根据所述运行参数建立每个所述部件的数学模型的过程，包括：

根据所述制冷主机的耗电量、冷冻水供回水温度、冷却水供回水温度和机组负荷率，建立所述制冷主机的数学模型。

3.根据权利要求1所述空调冷站系统控制方法，其特征在于，所述水泵包括冷冻水泵和冷却水泵，所述根据所述运行参数建立每个所述部件的数学模型的过程，包括：

根据所述冷冻水泵的耗电量、使用频率和冷冻水流量，建立所述冷冻水泵的数学模型；

根据所述冷却水泵的耗电量、使用频率和冷却水流量，建立所述冷却水泵的数学模型。

4.根据权利要求1所述空调冷站系统控制方法，其特征在于，所述根据所述运行参数建立每个所述部件的数学模型的过程，包括：

根据所述冷却塔的耗电量、使用频率、冷却水流量、冷却水进出水温度，建立所述冷却塔的数学模型。

5.根据权利要求1至4任一项所述空调冷站系统控制方法，其特征在于，还包括：

获取所述空调冷站系统在实际运行工况下多个所述部件的实时运行参数；

根据每个所述部件的所述实时运行参数，修正对应的所述数学模型和所述负荷预测模型。

6.一种空调冷站系统控制系统，其特征在于，包括：

参数获取模块，用于获取空调冷站系统在试运行工况下多个部件的运行参数；

模型建立模块，用于根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型；

参数确定模块，用于结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；

参数下发模块，用于将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行；

多个所述部件包括制冷主机、水泵和冷却塔；

所述模型建立模块确定所述空调冷站系统的负荷预测模型的过程，包括：

按照时间系数法确定空调冷站系统的负荷预测模型；

所述按照时间系数法确定空调冷站系统的负荷预测模型的过程，包括：

收集过去7天内的负荷数据，a_ij表示第i天第j时的所述负荷数据，其中i＝1,2,…,7，j＝1,2,…,24；

计算每天每时的算数平均值：

计算同小时数据的算数平均值：

计算天数序号系数：

计算第i天的合计数为：

预测计算第8天的天加权平均为：

其中w_i为第i天的权数，按照自然数列取值即可，也即w_i＝i；

预测计算第8天的逐时平均值

预测计算第8天的逐时负荷预测值为

7.一种空调冷站系统控制装置，其特征在于，包括：

传感器，用于获取空调冷站系统在试运行工况下多个部件的运行参数；

计算平台，用于根据所述运行参数建立每个所述部件的数学模型，并确定所述空调冷站系统的负荷预测模型，并结合所述数学模型和所述负荷预测模型，通过寻优算法确定所述空调冷站系统能耗最低时每个所述部件的最优工况参数；

信息网关，用于将所述最优工况参数下发至所述空调冷站系统的本地控制器，以使每个所述部件按照所述最优工况参数运行；

多个所述部件包括制冷主机、水泵和冷却塔；

所述计算平台确定所述空调冷站系统的负荷预测模型的过程，包括：

按照时间系数法确定空调冷站系统的负荷预测模型；

所述按照时间系数法确定空调冷站系统的负荷预测模型的过程，包括：

收集过去7天内的负荷数据，a_ij表示第i天第j时的所述负荷数据，其中i＝1,2,…,7，j＝1,2,…,24；

计算每天每时的算数平均值：

计算同小时数据的算数平均值：

计算天数序号系数：

计算第i天的合计数为：

预测计算第8天的天加权平均为：

其中w_i为第i天的权数，按照自然数列取值即可，也即w_i＝i；

预测计算第8天的逐时平均值

预测计算第8天的逐时负荷预测值为

8.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述空调冷站系统控制方法的步骤。

Images