CN113739365A - 中央空调冷站群控节能控制方法、装置、设备及存储介质 - Google Patents
中央空调冷站群控节能控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113739365A CN113739365A CN202111017042.2A CN202111017042A CN113739365A CN 113739365 A CN113739365 A CN 113739365A CN 202111017042 A CN202111017042 A CN 202111017042A CN 113739365 A CN113739365 A CN 113739365A
- Authority
- CN
- China
- Prior art keywords
- central air
- cold station
- energy consumption
- conditioning cold
- total energy
- 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.)
- Pending
Links
- 238000004378 air conditioning Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005265 energy consumption Methods 0.000 claims abstract description 115
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004134 energy conservation Methods 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 63
- 238000001816 cooling Methods 0.000 claims description 34
- 239000000498 cooling water Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- 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
- F24F11/47—Responding to energy costs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种中央空调冷站群控节能控制方法、装置、设备及存储介质，其中，所述方法包括：获取中央空调的总能耗预测模型，所述总能耗预测模型用于表征中央空调的总能耗与中央空调冷站设备运行参数之间的关系；获取中央空调冷站的负荷预测模型，以确定预测时刻中央空调冷站的预测负荷；将所述预测负荷发送至中央空调冷站设备，得到中央空调冷站设备的约束条件；根据所述总能耗预测模型和所述约束条件，基于预设优化算法确定中央空调冷站设备的最优运行参数，以使中央空调的总能耗满足优化条件；并使中央空调冷站设备根据最优运行参数运行。上述方法通过考虑中央空调冷站负荷和能耗得到设备的最佳运行参数，以确保中央空调高效节能运行。
Description
技术领域
本发明涉及中央空调运行控制技术领域，特别是涉及一种中央空调冷站群控节能控制方法、装置、设备及存储介质。
背景技术
中央空调冷站控制是指对中央空调系统冷站中各设备(如冷机、冷冻泵、冷却泵、冷却塔风机等)的集中优化控制，在实际应用中，冷站各设备之间的运行参数通常是相互耦合的，且控制变量较多，既包括连续型控制变量，也包括离散型控制变量，因此，中央空调冷站的运行控制往往非常复杂。
常规的中央空调系统冷站控制方法主要是对水泵、机组或冷却塔中的某一类设备进行调节，未考虑各设备的运行参数间的耦合性，因而并不能有效降低中央空调能耗，另一方面，中央空调冷站系统各设备的运行参数无法随冷负荷实时变化进行准确调节，中央空调冷站设备往往难以运行于最优工况，进而导致中央空调能耗进一步增加。
发明内容
为了克服现有技术存在的上述技术问题，本发明提供一种中央空调冷站群控节能控制方法、装置、设备及存储介质。
第一方面，本发明提供一种中央空调冷站群控节能控制方法，包括：
获取中央空调的总能耗预测模型，所述总能耗预测模型用于表征所述中央空调的总能耗与所述中央空调冷站设备运行参数之间的关系；
获取中央空调冷站的负荷预测模型，以确定预测时刻所述中央空调冷站的预测负荷；
将所述预测负荷发送至所述中央空调冷站设备，得到所述中央空调冷站设备的约束条件；
根据所述总能耗预测模型和所述约束条件，基于预设优化算法确定所述中央空调冷站设备的最优运行参数，以使所述中央空调的总能耗满足优化条件；并使所述中央空调冷站设备根据所述最优运行参数运行。
可选地，所述获取中央空调的总能耗预测模型，具体为：
获取所述中央空调冷站设备的历史数据，所述中央空调冷站设备包括冷水机组、冷冻水泵、冷却水泵和冷却塔；
建立所述中央空调冷站各设备的初始预测子模型；
利用所述历史数据对所述初始预测子模型进行模型训练，生成所述中央空调冷站各设备对应的能耗预测模型；
基于所述中央空调冷站各设备对应的能耗预测模型，确定所述中央空调的总能耗预测模型。
可选地，所述中央空调冷站设备的历史数据包括：
所述冷水机组的冷却水进水温度、冷冻水供水温度和冷水机组负荷；
所述冷冻水泵的冷冻水泵转速比、冷冻水泵流量；
所述冷却水泵的冷却水泵流量比；
所述冷却塔的冷却水流量、冷却塔进水温度和冷却塔风机风量比。
可选地，所述获取所述中央空调冷站的负荷预测模型，以确定预测时刻所述中央空调冷站的预测负荷，具体为：
获取预测时刻的室内外气象信息；
根据所述负荷预测模型和所述室内外气象信息确定所述预测时刻所述中央空调冷站的预测负荷。
可选地，所述中央空调的总能耗满足优化条件包括：
所述总能耗满足最小化条件；或，
所述总能耗小于预设能耗阈值。
第二方面，本发明提供一种中央空调冷站群控节能控制装置，包括：
能耗预测模块，用于获取中央空调的总能耗预测模型，所述总能耗预测模型用于表征所述中央空调的总能耗与所述中央空调冷站设备运行参数之间的关系；
负荷预测模块，用于获取中央空调冷站的负荷预测模型，以确定预测时刻所述中央空调冷站的预测负荷；
约束确定模块，用于将所述预测负荷发送至所述中央空调冷站设备，得到所述中央空调冷站设备的约束条件；
优化控制模块，用于根据所述总能耗预测模型和所述约束条件，基于预设优化算法确定所述中央空调冷站设备的最优运行参数，以使所述中央空调的总能耗满足优化条件；并使所述中央空调冷站设备根据所述最优运行参数运行。
可选地，所述负荷预测模块具体用于：
获取预测时刻的室内外气象信息；
根据所述负荷预测模型和所述室内外气象信息确定所述预测时刻所述中央空调冷站的预测负荷。
可选地，所述中央空调的总能耗满足优化条件包括：
所述总能耗满足最小化条件；或，
所述总能耗小于预设能耗阈值。
第三方面，本发明提供一种电子设备，其包括多个处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的中央空调冷站群控节能控制方法。
第四方面，本发明提供一种计算机存储介质，所述计算机存储介质有计算机指令，所述计算机指令用于执行第一方面所述的中央空调冷站群控节能控制方法。
相比现有技术，本发明的有益效果在于：
本发明提供的中央空调冷站群控节能控制方法、装置、设备及存储介质通过综合考虑中央空调冷站的冷负荷对能耗的影响，对应建立能耗预测模型和负荷预测模型，再通过预设的优化算法找到负荷约束条件下使中央空调能耗最低的设备运行参数，并确保中央空调冷站高效运行，达到最优节能状态。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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一些实施方式，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是本发明实施例提供的中央空调冷站群控节能控制方法的流程示意图；
图2是本发明实施例提供的中央空调冷站群控节能控制装置的结构示意图；
图3是本发明实施例提供的电子设备结构示意图。
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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如图1所示，本发明一个实施例提供一种中央空调冷站群控节能控制方法，包括下述步骤：
S1：获取中央空调的总能耗预测模型，所述总能耗预测模型用于表征所述中央空调的总能耗与所述中央空调冷站设备运行参数之间的关系。
对于大型建筑而言，中央空调系统的能耗可占建筑总能耗的40％，中央空调冷站作为中央中央空调系统的核心，主要用于为建筑提供中央空调冷冻水，其能耗约占整个中央空调设备能耗的60％，因此，对中央空调冷站进行节能优化运行控制策略研究具有重要的现实意义，对于现有的中央空调设备，在不改变原设备的情况下，中央空调冷站的优化控制将直接影响整个中央空调系统的能效。
中央空调冷站通常由冷水机组(冷机)、冷却水泵、冷冻水泵和冷却塔四类设备组成，中央空调冷站的能耗主要由这四类设备产生，其中，每个设备运行状况的改变都会引起其他设备的能耗变化，四类设备参数之间互相耦合，共同影响中央空调的总能耗。
对于中央空调冷站运行效率的评估，一般采用某段时间内提供的总冷量除以总能耗得到，因此，本发明通过综合考虑中央空调冷站的冷负荷量和总能耗两个因素，对四类设备的运行参数进行优化控制，实现中央空调冷站高效运行。
S2：获取中央空调冷站的负荷预测模型，以确定预测时刻所述中央空调冷站的预测负荷。
中央空调的负荷具体为冷负荷量，是指为了保持建筑所要求的室内温度必须由中央空调从建筑内带走的热量，或在某一时刻需向建筑供应的制冷量。
负荷预测模型可用于预测未来某个时刻建筑物的负荷情况，建筑的负荷通常与室内外气象信息、建筑结构以及建筑内部的设备和人员有关，一般情况下，建筑结构往往固定不变，建筑内部的设备与人员均有一定规律可循，因而，影响建筑温度变化的主要因素是室内外气象参数，具体包括室内外温度和室内外湿度，因此，预测中央空调冷站在某一目标时刻/时段的冷负荷量时，需结合室内外气象参数进行计算。
S3：将所述预测负荷发送至所述中央空调冷站设备，得到所述中央空调冷站设备的约束条件。
具体地，通过将预测得到的负荷值分别发送至冷水机组、冷却水泵、冷冻水泵和冷却塔，并计算得到冷水机组、冷却水泵、冷冻水泵和冷却塔对应运行参数的允许运行范围，进而确定中央空调四类设备的约束条件，确保中央空调冷站运行稳定且达到目标制冷量。
S4：根据所述总能耗预测模型和所述约束条件，基于预设优化算法确定所述中央空调冷站设备的最优运行参数，以使所述中央空调的总能耗满足优化条件；并使所述中央空调冷站设备根据所述最优运行参数运行。
在基于预测负荷的中央空调冷站设备约束条件下，选择中央空调冷站设备不同的运行参数组合对应得到中央空调的总能耗，当总能耗满足优化条件时，满足所述约束条件下的运行参数组合即为中央空调的最优能效运行参数，并使中央空调冷站设备根据所述最优能效运行参数运行。
具体地，中央空调的总能耗满足优化条件包括：总能耗满足最小化条件；或总能耗小于预设的能耗阈值。
在一个实施例中，获取中央空调的总能耗预测模型，具体为：获取所述中央空调冷站设备的历史数据，所述中央空调冷站设备包括冷水机组、冷冻水泵、冷却水泵和冷却塔；建立所述中央空调冷站各设备的初始预测子模型；利用所述历史数据对所述初始预测子模型进行模型训练，生成所述中央空调冷站各设备对应的能耗预测模型；基于所述中央空调冷站各设备对应的能耗预测模型，确定所述中央空调的总能耗预测模型。
在本实施例中，可通过机器学习算法或深度学习算法建立初始预测子模型，这一过程通常需要大量的数据进行训练，因此，本实施例从数据库中提取中央空调冷站设备的历史数据，以对四类设备的初始预测子模型进行训练，具体地，数据库中所记录的历史数据包括冷水机组运行参数、冷冻水泵运行参数、冷却水泵运行参数、冷却塔运行参数、气象参数、各设备的功率数据以及中央空调冷站的制冷量或冷量表数据等；上述列举的数据仅做举例说明，并不代表本实施例中的数据库中只包括上述数据，本实施例所提取的数据量应尽量多且详细，且尽量至少包含一个完整的供冷期，用于训练的数据越多，训练的效果越好，同时，本实施例对数据库中所包含的数据不做具体限定，应用时取决于建立预测模型的需要。
具体地，冷水机组的运行参数包括冷却水进出水温度、冷冻水供水温度和冷水机组负荷等；冷冻水泵的运行参数包括冷冻水泵转速比和冷冻水泵流量等；冷却水泵的运行参数包括冷却水泵流量比；冷却塔的运行参数则包括冷却塔排热量、空气流量、冷却水流量、冷却塔进水温度和冷却塔风机风量比等。
在本实施例中，分别将数据库中的冷水机组、冷却水泵、冷冻水泵和冷却塔对应的历史数据作为训练数据，对四类设备对应的初始预测子模型进行训练，构建四个独立的能耗预测子模型。
例如，从数据库中提取出冷水机组的输出负荷、功率和冷却水进出水温度等历史数据，以冷水机组的功率为输出，其他历史数据的对应参数设置为输入层，建立相应的训练样本和标签；再设置适当的隐含层个数、神经元个数、激活函数和学习率，对冷水机组的初始预测子模型进行计算，得到冷水机组的能耗预测子模型，所述能耗预测子模型用于表征冷水机组的能耗与冷水机组设备的运行参数之间的关系。
需要说明的是，冷却水泵、冷冻水泵和冷却塔所对应的能耗预测子模型的具体训练、构建过程与上述冷水机组的能耗预测子模型一致，此处不再赘述。
基于上述四类设备的能耗预测子模型，能够确定中央空调的总能耗预测模型；具体地，中央空调的总能耗预测模型可通过四类设备的能耗预测子模型加权求和得到，即：分别设置四类设备的能耗预测子模型的权重系数，将各能耗预测子模型的输出结果乘以对应权重系数后，加总求和得到中央空调的总能耗预测模型；在一些实施例中，四类设备的能耗预测子模型的权重系数可直接设置为1：1：1：1，或根据控制要求个性化设置权重系数。
在一个实施例中，获取所述中央空调冷站的负荷预测模型，以确定预测时刻所述中央空调冷站的预测负荷，具体为：获取预测时刻的室内外气象信息；根据所述负荷预测模型和所述室内外气象信息确定所述预测时刻所述中央空调冷站的预测负荷。
可以理解的是，数据中的中央空调冷站历史数据还包括与历史负荷对应的历史信息，包括室内外气象信息、建筑结构信息、建设内发热设备信息和人员信息等；具体地，可利用人工智能算法建立初始负荷预测模型，再将数据库中的历史冷负荷数据作为标签，室内外气象信息等其他数据作为输入训练样本，设置隐含层个数、神经元个数和学习率等网络模型参数后，进行初始负荷预测模型训练，建立基于神经网络的负荷预测模型。
上述负荷预测模型所使用的人工智能网络可为长短时记忆网络(Long short-term memory，LSTM)、卷积神经网络或门控循环神经网络(Gated Recurrent NeuralNetwork，GRN)等深度神经网络模型，以提高目标时刻的冷负荷值的预测准确度。
基于上述负荷预测模型得到目标预测时刻的预测负荷后，将该预测负荷分别传递至中央空调冷站的四类设备，得到对应的冷水机组约束条件、冷却水泵约束条件、冷冻水泵约束条件和冷却塔约束条件。
设置设备的约束条件可限制设备运行参数的控制调整范围，确保中央空调冷站设备稳定运行；例如，冷冻水温度受中央空调制冷能力的限制，温度值不能过低，以防止蒸发器冻裂，但温度过高又无法满足中央空调冷负荷的要求，另一方面，冷却水温度的范围也需确保冷凝压力在压力容器设备的安全标准之内；又如，冷冻水泵要求冷冻水流量不能过低，以防止蒸发器冻裂，冷却水泵流量也不应过小，避免影响冷凝器的换热性能，从而影响冷冻水泵或冷却水泵的运行能效；另一方面，冷冻水泵和冷却水泵的流量也受到设备性能的限制。
在一个实施例中，分别根据冷水机组、冷却水泵、冷冻水泵和冷却塔的能耗预测子模型计算四类设备在不同运行参数下的能耗值后，再通过预设的优化算法找到基于冷水机组约束条件、冷却水泵约束条件、冷冻水泵约束条件和冷却塔约束条件四个约束条件下，使中央空调的总能耗最低的设备运行参数，其中，中央空调总能耗通过四类设备的能耗值计算得到。
具体地，预设的优化算法包括遗传算法、蚁群算法或粒子群算法；其中，遗传算法是一种以生物进化过程中优存劣亡为原理的基础上发展起来的优化搜索技术。
示例性的，当利用遗传算法进行参数寻优时，可利用冷水机组、冷却水泵、冷冻水泵和冷却塔的能耗预测子模型及对应约束条件计算种群的个体适应度值，并判断是否符合优化标准；如果符合优化标准，则输出最优个体及其代表的最优解，并结束寻优计算；否则，执行遗传算法中的选择、交叉及变异操作，以产生新一代种群，并计算新一代种群的个体适应度值，判断是否优化标准；如此循环，直至符合优化标准，输出最优个体及其代表的最优解。
在一个实施例中，得到中央空调冷站设备在目标预测时刻的最优运行参数后，可利用传感器获取目标预测时刻对应的运行参数信息，并根据所述运行参数信息计算得到目标预测时刻的实际中央空调负荷和中央空调冷站设备的实际运行输出参数，再将预测中央空调负荷、预测最优运行参数、实际中央空调负荷以及实际运行输出参数一同上传至数据库中进行存储，以为下一次优化控制提供修正依据，进而提高中央空调运行控制的准确率。
本发明上述实施例提供的中央空调冷站群控节能控制方法通过综合考虑中央空调冷站的冷负荷及设备能耗的影响，对应建立能耗预测模型和负荷预测模型，再通过优化算法找到负荷约束条件下，使中央空调总能耗最低的最佳设备运行参数，利用此最佳运行参数进行中央空调群控节能控制，使其能耗最低，同时确保了中央空调冷站高效运行，达到最优节能效果。
如图2所示，本发明一个实施例提供一种中央空调冷站群控节能控制装置，包括能耗预测模块101、负荷预测模块102、约束确定模块103和优化控制模块104。
能耗预测模块101用于获取中央空调的总能耗预测模型，所述总能耗预测模型用于表征所述中央空调的总能耗与所述中央空调冷站设备运行参数之间的关系。
负荷预测模块102用于获取中央空调冷站的负荷预测模型，以确定预测时刻所述中央空调冷站的预测负荷。
约束确定模块103用于将所述预测负荷发送至所述中央空调冷站设备，得到所述中央空调冷站设备的约束条件。
优化控制模块104用于根据所述总能耗预测模型和所述约束条件，基于预设优化算法确定所述中央空调冷站设备的最优运行参数，以使所述中央空调的总能耗满足优化条件；并使所述中央空调冷站设备根据所述最优运行参数运行。
在一个实施例中，能耗预测模块101具体还用于：分别将数据库中的冷水机组、冷却水泵、冷冻水泵和冷却塔的对应历史数据作为训练数据，对四类设备对应的初始预测子模型进行训练，建立四个独立的能耗预测子模型；基于所述四个能耗预测子模型确定中央空调的总能耗预测模型。
在一个实施例中，负荷预测模块102具体还用于：将数据库中的历史冷负荷数据作为标签，室内外气象信息等其他数据作为输入训练样本，设置隐含层个数、神经元个数和学习率等网络模型参数后，进行模型训练，建立负荷预测模型。
需要说明的是，本发明实施例中提供的中央空调冷站群控节能控制装置部分与本发明实施例中中央空调冷站群控节能控制方法部分是相对应的，中央空调冷站群控节能控制装置部分的描述具体参考中央空调冷站群控节能控制方法部分，在此不再赘述。
如图3所示，根据本发明实施例的电子设备800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理；处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等；处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中，存储有系统800操作所需的各种程序和数据；处理器801、ROM802以及RAM 803通过总线804彼此相连；处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意的是，所述程序也可以存储在除ROM802和RAM 803以外的一个或多个存储器中；处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例，电子设备800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804；电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
根据本发明的实施例，本发明实施例的方法流程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装；在该计算机程序被处理器801执行时，执行本发明实施例的系统中限定的上述功能。根据本发明的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM802和/或RAM803和/或ROM802和RAM803以外的一个或多个存储器。
以上所述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来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种中央空调冷站群控节能控制方法，其特征在于，包括：
获取中央空调的总能耗预测模型，所述总能耗预测模型用于表征所述中央空调的总能耗与所述中央空调冷站设备运行参数之间的关系；
获取中央空调冷站的负荷预测模型，以确定预测时刻所述中央空调冷站的预测负荷；
将所述预测负荷发送至所述中央空调冷站设备，得到所述中央空调冷站设备的约束条件；
根据所述总能耗预测模型和所述约束条件，基于预设优化算法确定所述中央空调冷站设备的最优运行参数，以使所述中央空调的总能耗满足优化条件；并使所述中央空调冷站设备根据所述最优运行参数运行。
2.根据权利要求1所述的中央空调冷站群控节能控制方法，其特征在于，所述获取中央空调的总能耗预测模型，具体为：
获取所述中央空调冷站设备的历史数据，所述中央空调冷站设备包括冷水机组、冷冻水泵、冷却水泵和冷却塔；
建立所述中央空调冷站各设备的初始预测子模型；
利用所述历史数据对所述初始预测子模型进行模型训练，生成所述中央空调冷站各设备对应的能耗预测模型；
基于所述中央空调冷站各设备对应的能耗预测模型，确定所述中央空调的总能耗预测模型。
3.根据权利要求2所述的中央空调冷站群控节能控制方法，其特征在于，所述中央空调冷站设备的历史数据包括：
所述冷水机组的冷却水进水温度、冷冻水供水温度和冷水机组负荷；
所述冷冻水泵的冷冻水泵转速比、冷冻水泵流量；
所述冷却水泵的冷却水泵流量比；
所述冷却塔的冷却水流量、冷却塔进水温度和冷却塔风机风量比。
4.根据权利要求1所述的中央空调冷站群控节能控制方法，其特征在于，所述获取所述中央空调冷站的负荷预测模型，以确定预测时刻所述中央空调冷站的预测负荷，具体为：
获取预测时刻的室内外气象信息；
根据所述负荷预测模型和所述室内外气象信息确定所述预测时刻所述中央空调冷站的预测负荷。
5.根据权利要求1所述的中央空调冷站群控节能控制方法，其特征在于，所述中央空调的总能耗满足优化条件包括：
所述总能耗满足最小化条件；或，
所述总能耗小于预设能耗阈值。
6.一种中央空调冷站群控节能控制装置，其特征在于，包括：
能耗预测模块，用于获取中央空调的总能耗预测模型，所述总能耗预测模型用于表征所述中央空调的总能耗与所述中央空调冷站设备运行参数之间的关系；
负荷预测模块，用于获取中央空调冷站的负荷预测模型，以确定预测时刻所述中央空调冷站的预测负荷；
约束确定模块，用于将所述预测负荷发送至所述中央空调冷站设备，得到所述中央空调冷站设备的约束条件；
优化控制模块，用于根据所述总能耗预测模型和所述约束条件，基于预设优化算法确定所述中央空调冷站设备的最优运行参数，以使所述中央空调的总能耗满足优化条件；并使所述中央空调冷站设备根据所述最优运行参数运行。
7.根据权利要求6所述的中央空调冷站群控节能控制装置，其特征在于，所述负荷预测模块具体用于：
获取预测时刻的室内外气象信息；
根据所述负荷预测模型和所述室内外气象信息确定所述预测时刻所述中央空调冷站的预测负荷。
8.根据权利要求6所述的中央空调冷站群控节能控制装置，其特征在于，所述中央空调的总能耗满足优化条件包括：
所述总能耗满足最小化条件；或，
所述总能耗小于预设能耗阈值。
9.一种电子设备，其特征在于，其包括多个处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1～5任一所述的中央空调冷站群控节能控制方法。
10.一种计算机存储介质，其特征在于，所述存储介质有计算机指令，所述计算机指令用于执行如权利要求1～5任一所述的中央空调冷站群控节能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017042.2A CN113739365A (zh) | 2021-08-31 | 2021-08-31 | 中央空调冷站群控节能控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017042.2A CN113739365A (zh) | 2021-08-31 | 2021-08-31 | 中央空调冷站群控节能控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113739365A true CN113739365A (zh) | 2021-12-03 |
Family
ID=78734523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111017042.2A Pending CN113739365A (zh) | 2021-08-31 | 2021-08-31 | 中央空调冷站群控节能控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113739365A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114234370A (zh) * | 2021-12-14 | 2022-03-25 | 珠海格力电器股份有限公司 | 一种多联机空调控制方法、装置及多联机空调 |
| CN114251753A (zh) * | 2021-12-29 | 2022-03-29 | 西安建筑科技大学 | 一种冰蓄冷空调冷负荷需求预测分配方法及系统 |
| CN114440404A (zh) * | 2022-02-09 | 2022-05-06 | 重庆美的通用制冷设备有限公司 | 空调系统的负荷分配方法、装置和电子设备 |
| CN114484749A (zh) * | 2022-01-27 | 2022-05-13 | 广州施杰节能科技有限公司 | 一种冷机择优控制方法及系统 |
| CN114811857A (zh) * | 2022-06-27 | 2022-07-29 | 深圳市森辉智能自控技术有限公司 | 一种冷站系统运行优化方法 |
| CN115081094A (zh) * | 2022-08-18 | 2022-09-20 | 江西少科智能建造科技有限公司 | 冷却塔布置方法、系统、存储介质及设备 |
| CN115218366A (zh) * | 2022-07-22 | 2022-10-21 | 中瑞恒（北京）科技有限公司 | 一种基于控制预测模型的暖通空调的节能方法 |
| CN117557070A (zh) * | 2024-01-11 | 2024-02-13 | 江西南昌济生制药有限责任公司 | 能耗优化方法、装置及电子设备 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004060978A (ja) * | 2002-07-29 | 2004-02-26 | Yamatake Corp | 空調制御支援装置、空調制御装置、空調制御支援システムおよび空調制御システム |
| CN101251291A (zh) * | 2008-04-03 | 2008-08-27 | 上海交通大学 | 基于模型的集中空调系统全局优化节能控制方法及装置 |
| CN101968250A (zh) * | 2010-10-13 | 2011-02-09 | 日滔贸易（上海）有限公司 | 一种冷冻机房节能优化控制系统及方法 |
| CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
| CN104566868A (zh) * | 2015-01-27 | 2015-04-29 | 徐建成 | 一种中央空调控制系统及其控制方法 |
| CN104613602A (zh) * | 2015-02-02 | 2015-05-13 | 河海大学 | 一种中央空调精细化控制方法 |
| 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 |
| CN108758980A (zh) * | 2018-06-28 | 2018-11-06 | 湖南湖大瑞格能源科技有限公司 | 一种地下水源热泵系统的节能控制方法及系统 |
| CN110410942A (zh) * | 2019-07-30 | 2019-11-05 | 上海朗绿建筑科技股份有限公司 | 一种冷热源机房节能优化控制方法及系统 |
| CN110486896A (zh) * | 2019-07-25 | 2019-11-22 | 南京南瑞继保工程技术有限公司 | 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 |
| CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
| 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 |
| CN111735178A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 基于精英主义和svr回归算法的空调节能系统及优化方法 |
| CN112415924A (zh) * | 2020-10-30 | 2021-02-26 | 南京华盾电力信息安全测评有限公司 | 一种空调系统节能优化方法及系统 |
| CN112503746A (zh) * | 2020-12-09 | 2021-03-16 | 上海安悦节能技术有限公司 | 基于机器学习与粒子群算法的动力站房冷源系统的控制方法 |
| US20210148592A1 (en) * | 2019-11-18 | 2021-05-20 | Johnson Controls Technology Company | Building cooling systems with energy optimization and model predictive control |
| CN113294899A (zh) * | 2021-07-27 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 基于非侵入式负荷辨识的中央空调需求响应能力评测方法 |
-
2021
- 2021-08-31 CN CN202111017042.2A patent/CN113739365A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004060978A (ja) * | 2002-07-29 | 2004-02-26 | Yamatake Corp | 空調制御支援装置、空調制御装置、空調制御支援システムおよび空調制御システム |
| CN101251291A (zh) * | 2008-04-03 | 2008-08-27 | 上海交通大学 | 基于模型的集中空调系统全局优化节能控制方法及装置 |
| CN101968250A (zh) * | 2010-10-13 | 2011-02-09 | 日滔贸易（上海）有限公司 | 一种冷冻机房节能优化控制系统及方法 |
| CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
| CN104566868A (zh) * | 2015-01-27 | 2015-04-29 | 徐建成 | 一种中央空调控制系统及其控制方法 |
| CN104613602A (zh) * | 2015-02-02 | 2015-05-13 | 河海大学 | 一种中央空调精细化控制方法 |
| 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 |
| CN108758980A (zh) * | 2018-06-28 | 2018-11-06 | 湖南湖大瑞格能源科技有限公司 | 一种地下水源热泵系统的节能控制方法及系统 |
| CN110486896A (zh) * | 2019-07-25 | 2019-11-22 | 南京南瑞继保工程技术有限公司 | 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 |
| CN110410942A (zh) * | 2019-07-30 | 2019-11-05 | 上海朗绿建筑科技股份有限公司 | 一种冷热源机房节能优化控制方法及系统 |
| US20210148592A1 (en) * | 2019-11-18 | 2021-05-20 | Johnson Controls Technology Company | Building cooling systems with energy optimization and model predictive control |
| CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
| 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 |
| CN111735178A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 基于精英主义和svr回归算法的空调节能系统及优化方法 |
| CN112415924A (zh) * | 2020-10-30 | 2021-02-26 | 南京华盾电力信息安全测评有限公司 | 一种空调系统节能优化方法及系统 |
| CN112503746A (zh) * | 2020-12-09 | 2021-03-16 | 上海安悦节能技术有限公司 | 基于机器学习与粒子群算法的动力站房冷源系统的控制方法 |
| CN113294899A (zh) * | 2021-07-27 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 基于非侵入式负荷辨识的中央空调需求响应能力评测方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114234370A (zh) * | 2021-12-14 | 2022-03-25 | 珠海格力电器股份有限公司 | 一种多联机空调控制方法、装置及多联机空调 |
| CN114251753A (zh) * | 2021-12-29 | 2022-03-29 | 西安建筑科技大学 | 一种冰蓄冷空调冷负荷需求预测分配方法及系统 |
| CN114484749A (zh) * | 2022-01-27 | 2022-05-13 | 广州施杰节能科技有限公司 | 一种冷机择优控制方法及系统 |
| CN114440404A (zh) * | 2022-02-09 | 2022-05-06 | 重庆美的通用制冷设备有限公司 | 空调系统的负荷分配方法、装置和电子设备 |
| CN114440404B (zh) * | 2022-02-09 | 2023-09-19 | 重庆美的通用制冷设备有限公司 | 空调系统的负荷分配方法、装置和电子设备 |
| CN114811857A (zh) * | 2022-06-27 | 2022-07-29 | 深圳市森辉智能自控技术有限公司 | 一种冷站系统运行优化方法 |
| CN115218366A (zh) * | 2022-07-22 | 2022-10-21 | 中瑞恒（北京）科技有限公司 | 一种基于控制预测模型的暖通空调的节能方法 |
| CN115081094A (zh) * | 2022-08-18 | 2022-09-20 | 江西少科智能建造科技有限公司 | 冷却塔布置方法、系统、存储介质及设备 |
| CN117557070A (zh) * | 2024-01-11 | 2024-02-13 | 江西南昌济生制药有限责任公司 | 能耗优化方法、装置及电子设备 |
| CN117557070B (zh) * | 2024-01-11 | 2024-04-12 | 江西南昌济生制药有限责任公司 | 能耗优化方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
| CN104134100B (zh) | 一种基于云计算的节能管理系统 | |
| CN105320118B (zh) | 基于云平台的空调系统电力需求响应控制方法 | |
| CN111536671A (zh) | 空调系统运行控制方法和装置、电子设备和存储介质 | |
| 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 | |
| WO2023030522A1 (zh) | 一种数据中心空调系统诊断方法及装置 | |
| CN110410942A (zh) | 一种冷热源机房节能优化控制方法及系统 | |
| CN105444356A (zh) | 一种中央空调系统的能效优化智能控制系统及其控制方法 | |
| 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 | |
| CN112413762B (zh) | 一种制冷机房冷却水系统参数优化方法和系统 | |
| CN112283890A (zh) | 适应建筑暖通设备监控系统的冷热量控制方法及装置 | |
| CN111582604A (zh) | 数据处理方法和装置、电子设备、及介质 | |
| 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 | |
| CN110895029A (zh) | 一种基于冷冻水的温度的建筑负荷预测方法 | |
| CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
| CN114322208A (zh) | 基于深度强化学习的智能园区空调负荷调控方法和系统 | |
| CN114154677A (zh) | 空调运行负荷模型构建和预测方法、装置、设备和介质 | |
| CN114282729A (zh) | 一种基于负荷预测的冰蓄冷空调优化调度方法 | |
| CN115682324A (zh) | 中央空调系统节能优化控制方法、装置、设备和存储介质 | |
| CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
| CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
| CN115903712A (zh) | 适用于工业制冷系统的节能优化方法及其优化控制系统 | |
| 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 | |
| US20220373206A1 (en) | Chiller controller for optimized efficiency |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211203 |