CN113776171B - 制冷设备控制方法、装置、计算机设备和计算机可读介质 - Google Patents
制冷设备控制方法、装置、计算机设备和计算机可读介质 Download PDFInfo
- Publication number
- CN113776171B CN113776171B CN202010523728.8A CN202010523728A CN113776171B CN 113776171 B CN113776171 B CN 113776171B CN 202010523728 A CN202010523728 A CN 202010523728A CN 113776171 B CN113776171 B CN 113776171B
- Authority
- CN
- China
- Prior art keywords
- neural network
- refrigeration
- air conditioner
- network model
- sample data
- 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
Links
- 238000005057 refrigeration Methods 0.000 title claims abstract description 268
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 153
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000004378 air conditioning Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims 2
- 238000005265 energy consumption Methods 0.000 abstract description 13
- 230000002354 daily effect Effects 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/50—Load
Abstract
本公开提供一种制冷设备控制方法，包括：确定当前室外温度，将制冷设备负荷的同期历史样本数据和影响因子作为第一输入参数输入第一神经网络模型，得到当日制冷设备预测的负荷；将室外温度的同期历史样本数据和当日制冷设备预测的负荷作为第二输入参数输入第二神经网络，得到当日预测的室内温度；将当日预测的室内温度和制冷效率因子作为第三输入参数输入第三神经网络，得到制冷设备当日的最优控制参数，根据最优控制参数控制制冷设备运行；本公开实施例实现了对空调和换热设备的控制方案预测及联动控制，预测得到的控制方案具有较高的精度，优化了运行效率，降低能耗；本公开还提供一种制冷设备控制装置、计算机设备和计算机可读介质。
Description
技术领域
本公开涉及自动控制技术领域，具体涉及一种制冷设备控制方法、装置、计算机设备和计算机可读介质。
背景技术
在移动通信网络中，基站是耗电大户，约80％的能耗来自广泛分布的基站，越加密集的基站意味着更高的能耗。通常情况下，基站机房会根据机房类型(砖瓦房、房舱、彩钢板房等)和机房内设备负荷来选择不同容量的空调，对过热的设备和装置降温，保障设备安全运行。移动基站耗能占比中，空调制冷是最大一块，优化空调控制算法，是移动通信基站降低能耗、减少电费开支最重要的努力方向之一。对于移动通信基站机房这类几乎全年都需要向外排热的场所，全年运行空调能耗很大，因而，采用正确的、合理的综合解决方案，以有效减少空调的运行时间、节能空调用电的同时延长空调的使用寿命，提升能源利用率，保护环境，减轻国家能源的供需压力。
目前运营商在新建和扩建基站机房时，都会考虑配置节能型换热设备，替代空调或者与空调进行联动控制，以保障机房内各类设备长期稳定的工作条件。换热设备的基本原理就是以室外的自然环境为冷源，当室外空气温度低于室内温度一定程度时，将室外低温空气与机房内高温空气进行热交换，把机房的热量带走，达到降低机房温度的目的，从而减少空调设备的使用时间，节约电能。
目前的常规联动控制算法，一般是传统的温控启停方法，以环境温度作为换热设备和空调联动控制的主要依据，算法简单但难以改进。常规联动控制过程如下：实时检测室内外温湿度，如果室温超过设备运行的温度上限，则启动换热设备或空调制冷：当换热设备启动条件满足时(如室内外温差达到阈值)，优先启动换热设备，否则启动空调。空调和换热设备不宜频繁切换，间隔半小时以上。
分别设置换热设备和空调的启停条件参数，比如换热设备的启停温度可为35/25℃，温差为8℃。即室温超过35℃时开启换热设备，室温低于25℃时停机，室内外温差超过8℃换热设备允许启动。但实际工程应用中，启停条件参数很难确定，而且，针对不同地域、不同季节性气候、不同的早晚温差，启停条件参数不是固定不变的，如果设置固定不变的启停条件参数，显然会造成空调的频繁启动，增加能耗。常规联动控制算法仅考虑了环境温度这个外部因素，空调的启动时间和次数完全是被动执行、不可预期的，且控制精度低,想要改进非常困难。
发明内容
本公开针对现有技术中存在的上述不足，提供一种制冷设备控制方法、装置、计算机设备和计算机可读介质。
第一方面，本公开实施例提供一种制冷设备控制方法，包括:
确定当前室外温度；
将制冷设备负荷的同期历史样本数据和预设的影响因子作为第一输入参数输入第一神经网络模型，得到当日制冷设备预测的负荷；
将室外温度的同期历史样本数据和所述当日制冷设备预测的负荷作为第二输入参数输入第二神经网络，得到当日预测的室内温度；
将所述当日预测的室内温度和预设的制冷效率因子作为第三输入参数输入第三神经网络，得到所述制冷设备当日的最优控制参数；
根据所述最优控制参数控制所述制冷设备运行。
在一些实施例中,在确定当前室外温度之前，还包括：在初始化阶段建立所述第一神经网络模型、第二神经网络模型、第三神经网络模型，所述建立所述第一神经网络模型、第二神经网络模型、第三神经网络模型包括：
获取历史样本数据，所述样本数据包括室外温度、室内温度和制冷设备负荷；
对所述历史样本数据仿真模拟，计算得到制冷设备每日的最优控制参数；
根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型。
在一些实施例中,在对所述历史样本数据仿真模拟，计算得到制冷设备每日的最优控制参数之后，在根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型之前，还包括：
对所述历史样本数据和所述制冷设备每日的最优控制参数进行归一化处理；
根据归一化处理后的数据建立训练样本数据集，所述训练样本数据集包括训练集、验证集和测试集；
所述根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型、第三神经网络模型，包括：
根据所述训练样本数据集建立第一神经网络模型、第二神经网络模型、第三神经网络模型。
在一些实施例中,所述根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型，包括：
将制冷设备负荷的同期历史样本数据和所述影响因子作为第一输入参数，并将所述制冷设备当日负荷的历史样本数据作为第一输出参数，建立第一神经网络模型；
将室外温度的同期历史样本数据和所述制冷设备当日负荷的历史样本数据作为第二输入参数，并将当日室内温度的历史样本数据作为第二输出参数，建立第二神经网络模型；
将所述当日室内温度的历史样本数据和所述制冷效率因子作为第三输入参数，并将制冷设备当日最优控制参数的历史样本数据作为第三输出参数，建立第三神经网络模型。
在一些实施例中,所述样本数据包括模拟数据和采样数据，所述模拟数据是室内温度大于预设的第三阈值时，经过模拟制冷设备运行得到的数据；所述采样数据是室内温度小于预设的第六阈值且所述制冷设备实际停机时长大于预设的第七阈值时采样得到的数据。
在一些实施例中,所述确定当前室外温度，包括：
确定当前时刻前预设时长内的室外温度；
根据所述当前时刻前预设时长内的室外温度、当天预测温度和预设的第一权重和第二权重确定当前室外温度。
在一些实施例中,所述最优控制参数包括开启时间和连续开启时长；所述影响因子包括以下之一或任意组合：节假日影响因子、潮汐影响因子、区域事件因子。
在一些实施例中,所述根据所述最优控制参数控制所述制冷设备运行，包括：
若当前室内温度小于或等于预设的第一阈值且大于或等于预设的第二阈值，且满足第一高温预启动条件，则将空调最大运行时长设置为空调连续开启时长和预设的空调最大连续开启时长中的最小值，并启动空调，所述第二阈值小于所述第一阈值；
若空调实际连续开启时长大于或等于所述空调最大运行时长，则关闭空调。
在一些实施例中,所述满足第一高温预启动条件，包括：
到达所述空调开启时间，且当前室内温度大于预设的第三阈值，且空调实际停机时长大于预设的空调最短停机时长。
在一些实施例中,在根据所述最优控制参数控制所述制冷设备运行过程中，还包括：
若当前室内温度大于所述第一阈值且空调实际停机时长大于所述空调最短停机时长，则将空调最大运行时长设置为所述空调最大连续开启时长，并启动空调；和/或
若当前室内温度小于所述第二阈值，则关闭空调。
在一些实施例中,所述根据所述最优控制参数控制所述制冷设备运行，包括：
若满足第二高温预启动条件，则启动换热设备；
若所述换热设备实际连续开启时长大于或等于所述换热设备连续开启时长，则关闭所述换热设备。
在一些实施例中,当所述换热设备为间接换热设备时，所述满足第二高温预启动条件，包括：到达所述换热设备开启时间，且当前室内温度大于预设的第四阈值，且当前室内温度与室外温度的差值大于预设的第五阈值；
当所述换热设备为直接换热设备时，所述满足第二高温预启动条件包括以下之一：
到达所述换热设备开启时间，且当前室内温度大于预设的第四阈值，且当前室内温度与室外温度的差值大于预设的第八阈值，所述第八阈值大于所述第五阈值；
到达所述换热设备开启时间，且当前室内温度大于预设的第四阈值，且当前室内温度与室外温度的差值大于预设的第八阈值，且当前室内湿度小于或等于预设的第九阈值。
在一些实施例中,当所述换热设备为直接换热设备时，所述空调开启时间与所述换热设备开启时间不同；
所述方法还包括：若开启所述空调，则关闭所述换热设备；若开启所述换热设备，则关闭所述空调。
在一些实施例中,在根据所述最优控制参数控制所述制冷设备运行之后，所述方法还包括：
若空调当日的实际运行参数与空调当日的最优控制参数之间的误差超过预设的第十阈值，则再次确定空调当日的最优控制参数，并根据本次确定出的空调当日的最优控制参数更新所述训练样本数据集。
在一些实施例中,所述制冷设备控制方法还包括：
若当前运行的一种制冷设备故障且另一种制冷设备正常，则关闭所述故障的制冷设备，并开启所述正常的制冷设备；
若当前运行的两种制冷设备均故障，则在故障消除时，启动所述故障消除的制冷设备。
在一些实施例中,在根据所述最优控制参数控制所述制冷设备运行的过程中，所述方法还包括：
若当前室内温度小于预设的第六阈值且所述制冷设备实际停机时长大于预设的第七阈值，则根据当前获取的样本数据训练所述第二神经网络模型，所述样本数据包括室外温度、室内温度和制冷设备负荷。
又一方面，本公开实施例还提供一种制冷设备控制装置，包括：第一处理模块、第二处理模块和控制模块，所述第一处理模块用于，确定当前室外温度；
所述第二处理模块用于，将制冷设备负荷的同期历史样本数据和预设的影响因子作为第一输入参数输入第一神经网络模型，得到当日制冷设备预测的负荷；将室外温度的同期历史样本数据和所述当日制冷设备预测的负荷作为第二输入参数输入第二神经网络，得到当日预测的室内温度；将所述当日预测的室内温度和预设的制冷效率因子作为第三输入参数输入第三神经网络，得到所述制冷设备当日的最优控制参数；
所述控制模块用于，根据所述最优控制参数控制所述制冷设备运行。
又一方面，本公开实施例还提供一种计算机设备，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时，使得所述一个或多个处理器实现如前所述的制冷设备控制方法。
又一方面，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，所述程序被执行时实现如前所述的制冷设备控制方法。
本公开实施例提供的制冷设备控制方法及装置，所述方法包括：确定当前室外温度，将制冷设备负荷的同期历史样本数据和预设的影响因子作为第一输入参数输入第一神经网络模型，得到当日制冷设备预测的负荷；将室外温度的同期历史样本数据和所述当日制冷设备预测的负荷作为第二输入参数输入第二神经网络，得到当日预测的室内温度；将所述当日预测的室内温度和预设的制冷效率因子作为第三输入参数输入第三神经网络，得到所述制冷设备当日的最优控制参数；根据所述最优控制参数控制所述制冷设备运行；本公开实施例利用神经网络模型结合当前室外温度、制冷设备负荷的同期历史样本数据、影响因子和制冷效率因子等参数，实现对空调和换热设备的控制方案预测及联动控制，预测得到的控制方案具有较高的精度，规避了传统算法纯粹被动、难改进的缺陷，实现了对空调和换热设备主动控制，优化了运行效率，降低能耗；另外，将历时数据与当前实测数据相结合，并考虑到特殊事件的影响因素以及制冷设备的制冷效率的影响因素，使得预测得到的控制方案更为准确，能够适应机房环境变化，提升应用范围。
附图说明
图1为本公开实施例提供的制冷设备控制系统的示意图；
图2为本公开实施例提供的建立第一、二、三神经网络模型的流程示意图之一；
图3为本公开实施例提供的建立第一、二、三神经网络模型的流程示意图之二；
图4为本公开实施例提供的建立第一、二、三神经网络模型的流程示意图之三；
图5为本公开实施例提供的制冷设备控制流程示意图之一；
图6a-6c为本公开实施例提供的第一、二、三神经网络模型示意图；
图7为本公开实施例提供的空调控制流程示意图；
图8为本公开实施例提供的换热设备控制流程示意图；
图9为本公开实施例提供的再次确定并更新制冷设备当日的最优控制参数的流程示意图；
图10为本公开实施例提供的制冷设备控制装置的结构示意图之一；
图11为本公开实施例提供的制冷设备控制装置的结构示意图之二。
具体实施方式
在下文中将参考附图更充分地描述示例实施例，但是所述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。
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，指定存在所述特征、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他特征、整体、步骤、操作、元件、组件和/或其群组。
本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。
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。
由于四季气候轮转、气温变化、负载变化、设备实际温度等各种因素，以及这些因素的变化组合，它们都对制冷设备运行策略产生影响，因此，制冷设备控制策略缺乏可循的规律。以换热设备启动温度35℃、空调启动温度40℃为例说明。假设某基站，室温超过35℃的时候不多，平常开启换热设备足以满足热负荷的要求，空调无须开启，但在某个业务高峰和气温高峰的叠加期，室温偶然会超过40℃。按照传统控制算法，空调需开启，但如果能提前预知40℃以上高温时间很短暂、不影响设备安全运行的话(部分基站/传输设备工作范围长期可到40℃，短时50℃)，空调实际上不需要开启。这样，在保障设备安全的同时，就避免了一次空调的开启，实现了一定程度的节能。
本公开实施例提供一种制冷设备控制方法，所述方法可以控制机房内制冷设备的运行。所述方法应用于图1所示的制冷控制系统，如图1所示，所述制冷控制系统包括制冷控制装置、FSU(Field Supervision Unit，现场控制器)和制冷设备，FSU为现场设备，设置于制冷设备所在的机房，包括采集单元和执行单元，采集单元用于采集室外温度湿度、室内温度、设备负荷等实时数据，并上传给制冷控制装置，执行单元用于根据制冷控制装置的指示控制制冷设备运行；制冷控制装置为云端设备，可以选用UME(Unified ManagementExpert，统一管理专家)，其上配置有第一神经网络模型、第二神经网络模型、第三神经网络模型、历史样本数据库以及制冷设备的控制策略，用于根据FSU上报的数据和第一神经网络模型、第二神经网络模型、第三神经网络模型得到制冷设备的预测控制方案并下发给FSU；制冷设备可以包括空调和换热设备，用于根据下发的控制方案运行。
在初始化阶段，在制冷设备控制装置内预设以下阈值：第一阈值VHT，例如可以为45℃，当室内温度超过VHT时，空调无条件启动；第二阈值VLT，例如可以为15℃，当室内温度低于VLT时，空调无条件关闭，其中，第二阈值VLT小于第一阈值VHT；第三阈值HTAC，例如可以为40℃，当室内温度超过HTAC时，可以启动空调；第四阈值HTHEE，例如可以为35℃，当室内温度超过HTHEE时，可以启动换热设备；第五阈值，用于判断是否满足间接换热设备的第二高温预启动条件；第六阈值LT，例如可以为25℃，当室内温度低于LT时，空调和换热设备可以关闭，其中，第六阈值LT小于第四阈值HTHEE和第三阈值HTAC；第七阈值，用于判断制冷设备停机时长；第八阈值，用于判断是否满足直接换热设备的第二高温预启动条件中的室内外温差；第九阈值，用于判断是否满足直接换热设备的第二高温预启动条件中的湿度；第十阈值，用于判断空调实际运行参数与空调最优控制参数之间的误差；空调最大连续开启时长MAXCOT和空调最短停机时长MINCST，通常，空调最大连续开启时长MAXCOT为12小时，空调最短停机时长MINCST为0.5小时。
在初始化阶段建立第一神经网络模型、第二神经网络模型和第三神经网络模型。以下结合图2，对建立第一神经网络模型、第二神经网络模型、第三神经网络模型的流程进行详细说明。
如图2所示，所述建立第一神经网络模型、第二神经网络模型、第三神经网络模型包括以下步骤：
步骤21，获取历史样本数据。
在一些实施例中，样本数据包括室外温度、室内温度和制冷设备负荷。
在本步骤中，制冷设备控制装置从历史数据库中获取历史样本数据，历史数据库中存储有大量的每日室外温度TRout、室内温度TRin、制冷设备负荷LR等历史样本数据。采样周期根据这些参数变化缓急程度确定，在本公开实施例中，室外温度TRout的采样周期为10分钟，室内温度TRin和制冷设备负荷LR的采样周期为5分钟。
在一些实施例中，样本数据可以包括模拟数据和采样数据，模拟数据是室内温度大于第三阈值时，经过模拟制冷设备运行得到的数据；采样数据是室内温度小于第六阈值且制冷设备实际停机时长大于第七阈值时采样得到的数据。也就是说，在室内温度TRin较高、需要制冷设备运行的情况下，需要利用假负载模拟真实制冷设备，记录TRout、TRin、LR等数据；在室内温度TRin较低、制冷设备较长停机的情况下(比如室外温度TRout较低的季节或夜间)，可以直接使用大量已有的历史样本数据，以加快历史样本数据采集速度。
步骤22，对历史样本数据仿真模拟，计算得到制冷设备每日的最优控制参数。
在本步骤中，通过计算机仿真训练，建立机房环境、发热设备和制冷设备的热分布图，对历史样本数据模拟计算，输出当日制冷设备控制最优解向量(即制冷设备每日的最优控制参数)，并将定制冷设备每日的最优控制参数保存为样本数据标签。
根据仿真结果和日常经验，每日空调不宜频繁开启，在本公开实施例中限定每日空调最多开启12次，每日换热设备最多开启12次。也就是说，对于空调来说，若一个Tmoment/Thours标签组有2个有效值，即意味着当日空调最优控制参数是：当日开启空调运行两次，每次在Tmoment到达时刻开启，运行时长为对应的Thours值。
步骤23，根据历史样本数据和制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型。
在本步骤中，依次建立第一神经网络模型、第二神经网络模型和第三神经网络模型。
在一些实施例中，如图3所示，在对历史样本数据仿真模拟，计算得到制冷设备每日的最优控制参数(即步骤22)之后，在根据历史样本数据和制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型(即步骤23)之前，所述制冷设备控制方法还可以包括以下步骤：
步骤22’，对历史样本数据和制冷设备每日的最优控制参数进行归一化处理。
在一些实施例中，根据以下公式，对历史样本数据和制冷设备每日的最优控制参数进行归一化处理，使数据处于(0，1)之间：
其中，Xreal为实际样本的真实值，X*为归一化处理后的数据，Xmax为对应类型数据样本的最大值或上限值，Xmin为对应类型数据样本的最小值或下限值。
在一些实施例中，对于室外温度TRout和室内温度TRin来说，Xmax为上限值100℃，Xmin为下限值-40℃，因此各真实温度Xreal的归一化值X*＝(Xreal-Xmin)/(Xmax-Xmin)＝(Xreal+40)/140。对于制冷设备负荷LR来说，设定Xmax为制冷设备的满负荷，Xmin为0，因此各制冷设备负荷LR的Xreal归一化值X*＝Xreal/Xmax。
对于空调开启时间Tmoment-AC和换热设备开启时间Tmoment-HEE(格式为：hh:mm:ss)，设定Xmax为上限值1440(一天24*60分钟)，Xmin为0，因此Tmoment-AC和Tmoment-HEE的归一化值X*＝(hh*60+mm)/1440；对于空调开启时长Thours-AC和换热设备开启时长Thours-HEE，设定Xmax为上限值24(一天24小时)，Xmin为0，因此Thours-AC和Thours-HEE的归一化值X*＝Xreal/24。
步骤23’根据归一化处理后的数据建立训练样本数据集，训练样本数据集包括训练集、验证集和测试集。
在本步骤中，按照6:2:2的样本比例建立训练集、验证集和测试集。
相应的，所述根据历史样本数据和制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型、第三神经网络模型(即步骤23)，包括：根据训练样本数据集建立第一神经网络模型、第二神经网络模型、第三神经网络模型。
以下结合图4，对建立第一神经网络模型、第二神经网络模型、第三神经网络模型的流程进行详细说明。
如图4所示，所述根据历史样本数据和制冷设备每日的最优控制参数建立第一神经网络模型、第二神经网络模型和第三神经网络模型(即步骤23)，包括以下步骤：
步骤231，将制冷设备负荷的同期历史样本数据和预设的影响因子作为第一输入参数，并将制冷设备当日负荷的历史样本数据作为第一输出参数，建立第一神经网络模型。
在一些实施例中，影响因子可以包括以下之一或任意组合：节假日影响因子Fholiday、潮汐影响因子Ftide、区域事件因子Fevent。节假日影响因子Fholiday、潮汐影响因子Ftide和区域事件因子Fevent的取值均为(0，1)，可以根据人工经验约定。例如，针对居民小区而言，正常工作日的节假日影响因子Fholiday为0、双休日的节假日影响因子Fholiday为0.1、春节长假的节假日影响因子Fholiday、为0.25等；针对工业园而言，工作时间段的潮汐影响因子为0.5、加班时间段的潮汐影响因子为0.7、深夜时间段的潮汐影响因子为0.3等；针对某些区域而言，正常区域事件因子Fevent为0，有商业营销活动的区域事件因子Fevent为0.1，集会的区域事件因子Fevent为0.2，演唱会的区域事件因子Fevent为0.3等。
步骤232，将室外温度的同期历史样本数据和制冷设备当日负荷的历史样本数据作为第二输入参数，并将当日室内温度的历史样本数据作为第二输出参数，建立第二神经网络模型。
步骤233，将当日室内温度的历史样本数据和预设的制冷效率因子作为第三输入参数，并将制冷设备当日最优控制参数的历史样本数据作为第三输出参数，建立第三神经网络模型。
在一些实施例中，最优控制参数可以包括开启时间和连续开启时长，即空调开启时间Tmoment-AC、换热设备开启时间Tmoment-TEE，空调连续开启时长Thours-AC和换热设备连续开启时长Thours-TEE。
在一些实施例中，制冷效率因子包括换热制冷效率因子Feff1和空调制冷效率因子Feff2，当机房环境固定不变时，换热制冷效率因子Feff1和空调制冷效率因子Feff2都是常量,若机房环境发生改变(比如制冷设备更换或空间位置挪动等)，则需将换热制冷效率因子Feff1和空调制冷效率因子Feff2调整为一个新的常量。
假设换热设备的24组Tmoment/Thours数据中有2个有效值，比如Tmoment1为0.45、Thours1为0.05，Tmoment2为0.60、Thours2为0.10，而空调的12组Tmoment/Thours都没有有效值。将各Tmoment回转到hh:mm:ss格式、Thours回转到标准时长后，制冷设备当日最优控制参数的含义如下：
(1)当日换热设备预开启运行两次；
(2)换热设备第一次开启时刻为10:48(0.45*24＝10.8＝10:48)，运行1.2小时(0.05*24＝1.2)；即运行时间区间为10:48-12:00(0.45*24+0.05*24＝12)；
(3)换热设备第二次开启时刻为14:24(0.60*24＝14.4＝14:24)，运行2.4小时(0.10*24＝2.4)；即运行时间区间为14:24-16:48(0.60*24+0.10*24＝16.8)；
(4)当日空调不开启运行。
第一神经网络模型、第二神经网络模型、第三神经网络模型经过训练和优化后，根据实际运行环境进行部署。三个神经网络模型都部署在UME上，可以充分利用云端的强大算力资源，以便实现实时或在线的训练。当然，如有必要，也可以通过增加计算棒等方式，把三个神经网络模型部署在边缘侧，如现场控制器FSU上。
如图5所示，本公开实施例提供的制冷设备控制方法，用于控制制冷设备运行，包括以下步骤：
步骤11，确定当前室外温度。
在一些实施例中，当前室外温度TRout根据预测温度和检测的室外温度经过加权计算得到，即先确定当前时刻前预设时长内的室外温度，然后根据当前时刻前预设时长内的室外温度、当天预测温度和预设的第一权重和第二权重确定当前室外温度TRout。通常，预设时长为1小时，当天预测温度是指天气预报预测的当天温度。例如，室外温度TRout＝当地天气预报温度*0.8+上一小时实测室外温度*0.2。
需要说明的是，FSU采集室内外温度、湿度、制冷设备负荷等数据并上传给UME。
步骤12，将制冷设备负荷的同期历史样本数据和预设的影响因子作为第一输入参数输入第一神经网络模型，得到当日制冷设备预测的负荷。
同期是指,历史上同一时期,例如去年今天的某个时刻、前年今天的该时刻均为今天该时刻的同期。
在本步骤中，如图6a所示，将制冷设备负荷的同期历史样本数据LN和节假日影响因子Fholiday、潮汐影响因子Ftide和区域事件因子Fevent输入第一神经网络模型，得到当日制冷设备预测的负荷LR，作为第一神经网络模型的输出值。
步骤13，将室外温度的同期历史样本数据和当日制冷设备预测的负荷作为第二输入参数输入第二神经网络，得到当日预测的室内温度。
在本步骤中，如图6b所示，将将室外温度的同期历史样本数据TRout和当日制冷设备预测的负荷LR(即第一神经网络的输出值)输入第二神经网络模型，得到当日预测的室内温度TRin，作为第二神经网络模型的输出值。
步骤14，将当日预测的室内温度和制冷效率因子作为第三输入参数输入第三神经网络，得到制冷设备当日的最优控制参数。
在本步骤中，如图6c所示，将当日预测的室内温度TRin(即第二神经网络的输出值)、换热制冷效率因子Feff1和空调制冷效率因子Feff2输入第三神经网络模型，得到空调当日的最优控制参数(即空调开启时间Tmoment-AC和空调连续开启时长Thours-AC)和换热设备当日的最优控制参数(即换热设备开启时间Tmoment-TEE和换热设备连续开启时长Thours-TEE)。
需要说明的是，在实际使用时，Tmoment回转到hh:mm:ss格式，Thours回转到标准时长(如xx小时)。
在本步骤12-14中，UME依次运行第一神经网络模型、第二神经网络模型、第三神经网络模型，推理输出制冷设备当日的最优控制参数。
在一些实施例中，空调的最优控制参数可以包括空调开启时间Tmoment-AC和空调连续开启时长Thours-AC，换热设备的最优控制参数可以包括换热设备开启时间Tmoment-TEE和换热设备连续开启时长Thours-TEE。
在一些实施例中，最优控制参数包括每日至多12组空调开启时间Tmoment-AC和空调连续开启时长Thours-AC，以及至多24组换热设备开启时间Tmoment-TEE和换热设备连续开启时长Thours-TEE。
步骤15，根据最优控制参数控制制冷设备运行。
在本步骤中，分别根据空调的最优控制参数控制空调运行，以及根据换热设备的最优控制参数控制换热设备运行。
本公开实施例提供的制冷设备控制方法及装置，所述方法包括：确定当前室外温度，将制冷设备负荷的同期历史样本数据和预设的影响因子作为第一输入参数输入第一神经网络模型，得到当日制冷设备预测的负荷；将室外温度的同期历史样本数据和所述当日制冷设备预测的负荷作为第二输入参数输入第二神经网络，得到当日预测的室内温度；将所述当日预测的室内温度和预设的制冷效率因子作为第三输入参数输入第三神经网络，得到所述制冷设备当日的最优控制参数；根据所述最优控制参数控制所述制冷设备运行；本公开实施例利用神经网络模型结合当前室外温度、制冷设备负荷的同期历史样本数据、影响因子和制冷效率因子等参数，实现对空调和换热设备的控制方案预测及联动控制，预测得到的控制方案具有较高的精度，规避了传统算法纯粹被动、难改进的缺陷，实现了对空调和换热设备主动控制，优化了运行效率，降低能耗；另外，将历时数据与当前实测数据相结合，并考虑到特殊事件的影响因素以及制冷设备的制冷效率的影响因素，使得预测得到的控制方案更为准确，能够适应机房环境变化，提升应用范围。
在一些实施例中，如图7所示，空调控制流程包括以下步骤：
步骤31，若当前室内温度大于第一阈值VHT，则执行步骤36；否则，执行步骤32。
在本步骤中，若当前室内温度大于VHT，说明当前室内温度过高，则可以判断空调运行是否超时(即执行步骤36)；若当前室内温度小于或等于VHT，则进一步判断当前室内温度是否过低(即执行步骤32)。
步骤32，若当前室内温度小于第二阈值VLT，则执行步骤39，否则，执行步骤33。
在本步骤中，若当前室内温度小于第二阈值VLT，说明当前室内温度过低，则空调可以低温异常停机(即执行步骤39)；若当前室内温度大于或等于第二阈值VLT，说明当前室内温度不用高温异常停机也不用低温异常停机，则进一步判断是否满足第一高温预启动条件(即执行步骤33)。
步骤33，若满足第一高温预启动条件，则执行步骤34，否则，返回步骤31。
在本步骤中，若当前室内温度小于或等于第一阈值VHT且大于或等于第二阈值VLT，且满足第一高温预启动条件，则根据空调当日的最优控制参数控制空调运行(即执行步骤34)；若当前室内温度小于或等于第一阈值VHT且大于或等于第二阈值VLT，但不满足第一高温预启动条件，则返回步骤31。
在一些实施例中，满足第一高温预启动条件，包括：到达空调开启时间Tmoment-AC，且当前室内温度大于第三阈值HTAC，且空调实际停机时长大于空调最短停机时长MINCST。
步骤34，将空调最大运行时长Ton-max设置为空调连续开启时长Thours-AC和空调最大连续开启时长MAXCOT中的最小值。
在本步骤中，取空调连续开启时长Thours-AC和空调最大连续开启时长MAXCOT中的最小值作为实际控制空调运行的控制参数，保证空调运行的可靠性和安全性。
步骤35，启动空调，并执行步骤38。
在本步骤中，控制空调启动后，开始记录空调实际连续开启时长Ton-AC，对空调实际停机时长Toff-AC清零，并执行步骤38。
步骤36，若空调实际停机时长Ton-AC大于空调最短停机时长MINCST，则执行步骤37，否则，使空调处于停机状态。
在本步骤中，若当前室内温度大于第一阈值VHT且当前空调实际停机时长Toff-AC大于空调最短停机时长MINCST，说明满足高温异常启动条件，则执行空调高温异常启动操作(即执行步骤37)；若当前室内温度大于第一阈值VHT且当前空调实际停机时长Toff-AC小于或等于空调最短停机时长MINCST，则使空调处于停机状态，也就是说，在这种情况下，若当前空调为关闭状态，则继续保持空调关闭状态，若当前空调为开启状态，则关闭空调。
步骤37，将空调最大运行时长Ton-max设置为空调最大连续开启时长MAXCOT，并执行步骤35。
在本步骤中，在空调高温异常启动的情况下，直接根据预设的空调最大连续开启时长MAXCOT控制空调的运行时长。
步骤38，若空调实际连续开启时长Ton-AC大于或等于空调最大运行时长Ton-max，则执行步骤39，否则，保持空调当前状态。
空调启动之后，开始记录空调实际连续开启时长Ton-AC，若空调实际连续开启时长Ton-AC大于或等于空调最大运行时长Ton-max，则关闭空调；否则，保持空调当前状态。
步骤39，关闭空调。
在本步骤中，控制空调关闭后，开始记录空调实际停机时长Toff-AC，并对空调实际连续开启时长Ton-AC清零。
在一些实施例中，所述空调控制流程还包括以下步骤：若当前室内温度小于第六阈值LTAC且大于或等于第二阈值VLT，则关闭空调。
通过上述步骤31-39可以看出，本公开实施例在应用第三神经网络模型输出的预测方案的基础上，结合预置的空调和换热设备启停策略的算法，可保障神经网络模型预测异常时，空调和换热设备也能安全运行。在实际室温超过第一阈值时，空调可以异常启动；在实际室温低于第二阈值时，空调可以异常停机；在达到空调开启时间且实际室温超过第三阈值且满足两次运行间隔时间超过最小停机时长时，空调将按照第三神经网络模型输出的预测方案运行，即在空调开启时间Tmoment-AC到达时启动运行，运行持续时间为空调连续开启时长Thours-AC。
在一些实施例中，如图8所示，换热设备控制流程包括以下步骤：
步骤41，若满足第二高温预启动条件，则执行步骤42；否则，保持换热设备当前的状态。
需要说明的是，换热设备包括直接换热设备和间接换热设备，直接换热设备可以包括新风系统，间接换热设备可以包括热管设备(Heat Pipe Equipment，HPE)。
在一些实施例中，当换热设备为间接换热设备时，所述满足第二高温预启动条件，包括：到达换热设备开启时间Tmoment-TEE，且当前室内温度大于第四阈值HTHEE，且当前室内温度与室外温度的差值大于第五阈值。
在一些实施例中，当换热设备为直接换热设备时，所述满足第二高温预启动条件包括以下之一：
(1)到达换热设备开启时间Tmoment-TEE，且当前室内温度大于第四阈值HTHEE，且当前室内温度与室外温度的差值大于第八阈值，其中第八阈值大于第五阈值，也就是说，在第二高温预启动条件中，直接换热设备的室内外温差要求高于间接换热设备的室内外温差要求，通常，第五阈值为6℃，第八阈值为10℃。
(2)到达换热设备开启时间Tmoment-TEE，且当前室内温度大于第四阈值HTHEE，且当前室内温度与室外温度的差值大于第八阈值，且当前室内湿度小于或等于第九阈值。也就是说，直接换热设备的第二高温预启动条件包括温度和湿度条件，通常，第九阈值为90％。
步骤42，启动换热设备。
在本步骤中，控制换热设备启动后，开始记录换热设备实际连续开启时长Ton-HEE，并对换热设备实际停机时长Toff-HEE清零。
步骤43，若换热设备实际连续开启时长Ton-HEE大于或等于换热设备连续开启时长Thours-HEE，则执行步骤44；否则，保持换热设备当前的状态。
步骤44，关闭换热设备。
在本步骤中，控制换热设备关闭后，开始记录换热设备实际停机时长Toff-HEE，并对换热设备实际连续开启时长Ton-HEE清零。
在一些实施例中，所述换热设备控制流程还可以包括以下步骤：若当前室内温度小于第六阈值LT，则关闭换热设备。
需要说明的是，空调和间接换热设备可以同时运行，但空调和直接换热设备只能互斥运行，即二者择一运行。另外，如果出现延误、火情告警时，直接换热设备需要立刻停止运行、关闭风阀，以保障安全。
在一些实施例中，当换热设备为直接换热设备时，空调开启时间与换热设备开启时间不同；相应的，所述制冷设备控制方法还包括：若开启空调，则关闭换热设备；若开启换热设备，则关闭空调。
需要说明的是，空调和换热设备控制算法一般在UME云端运行，如有需要，也可以复制到FSU上，实现本地执行，当然，前提是UME要把第三神经网络预测的制冷控制方案提前下发给FSU。
需要说明的是，空调控制和换热设备控制并发执行，步骤11-12每日零点前执行一次，输出当日述制冷设备当日的最优控制参数。
进一步的，在一些实施例中，如图9所示，在根据最优控制参数控制制冷设备运行(即步骤13)之后，所述制冷设备控制方法还可以包括以下步骤：
步骤51，若空调当日的实际运行参数与空调当日的最优控制参数之间的误差超过第十阈值，则执行步骤52；否则，结束本流程。
步骤52，再次确定空调当日的最优控制参数。
本步骤的具体实现方式与步骤12相同，在此不再赘述。
步骤53，根据本次确定出的空调当日的最优控制参数更新训练样本数据集。
例如，若当日空调实际开启时间和当日空调最优控制参数中空调开启时间之间的误差超过10分钟，则需要重新预测空调当日的最优控制参数，并根据本次预测出的空调当日的最优控制参数更新训练样本数据集，以提高制冷控制策略的及时应变能力，以及预测控制的实时性和精度。
神经网络模型部署和运行在云端，在外部参数不断变化时，这些模型还可以不断进行实时或在线的训练，以不断提升预测精度，并能适应机房环境改变等异常情况而进行训练和调整。
进一步的，在本公开实施例中，空调和换热设备可以实现故障倒换，相应的，所述制冷设备控制方法还可以包括以下步骤：若当前运行的一种制冷设备故障且另一种制冷设备正常，则关闭故障的制冷设备，并开启所述正常的制冷设备。若当前运行的两种制冷设备均故障，则在故障消除时，启动故障消除的制冷设备。也就是说，如果当前开启的制冷设备故障，则关闭该故障的制冷设备，并开启正常的制冷设备，等到故障消除时，再开启该制冷设备，并关闭另一个制冷设备。通过空调和换热器故障时的互为备份性的启动运行，可以避免机房异常高温的危险发生。
进一步的，在一些实施例中，在根据最优控制参数控制制冷设备运行的过程中，所述制冷设备控制方法还包括以下步骤：若当前室内温度小于第六阈值且制冷设备实际停机时长大于第七阈值，则根据当前获取的样本数据训练第二神经网络模型，所述样本数据包括室外温度、室内温度和制冷设备负荷。也就是说，在环境条件较好(例如FSU和云端UME间有快速以太网互联，云端算力资源充足)的情况下，本公开实施例支持实时或在线模型训练。在当前机房内温度较低、制冷设备较长时间未运行时(比如气温凉爽的季节、或者低温的夜晚)，可以根据实时采集的室外温度、设备负荷、室内温度等数据，实时在线训练第二神经网络模型。
进一步的，在一些实施例中，在根据最优控制参数控制制冷设备运行(即步骤13)之后，所述制冷设备控制方法还可以包括以下步骤：将获取到的当日的样本数据和制冷设备当日的实际运行参数加入训练样本数据集，以便根据所述训练样本数据集训练第一神经网络模型和第三神经网络模型。通过将当日的样本数据和实际制冷控制结果添加到大数据集中，可以丰富训练集和测试集，对第一、第三神经网络模型进行在线训练，可以提升模型的预测精度。
在通信网络中断情况下，FSU无法与UME通信，为了实现制冷设备的控制，在本公开实施例中，FSU可以自动运行内置传统的温度启停控制算法，也可以接收保存UME提前下发的制冷控制预案影子并在本地运行从UME上复制的制冷联动控制算法。
相应的，在一些实施例中，在初始化阶段建立第一神经网络模型、第二神经网络模型、第三神经网络模型之后，所述制冷设备控制方法还可以包括以下步骤：将第一神经网络模型、第二神经网络模型、第三神经网络模型部署在FSU上，以使FSU与UME通信故障时，确定制冷设备当日的最优控制参数，并根据所述最优控制参数控制制冷设备运行。
本公开实施例的一个应用场景是：我国南方地区机房通信设备发热量小于10KW的基站类机房，一般为运营商的数据、传输、交换类基站机房。原先机房制冷设备只有一台空调，为了降低空调能耗，考虑基站机房的外部环境、发热量和安装条件后，加装了智能热管设备(HPE)这种间接换热器，通过空调和热管设备的联动控制来实现机房的解决方案。采用热管技术不需要机械制冷，室内外温差基本保持在6度左右，因而可以适用于全年90％以上时间。同时，它的部件耗能远远低于传统的压缩机空调，耗能约为原空调系统的1/5，因此可以大幅度节省空调耗电。
通常情况下，无论是机房的新建还是扩容，都会充分考虑机房的应用环境，以便选择合适的换热设备。热管和热交换器等间接换热设备，实现了内外环境的隔离，适用范围较广，但是初始投资成本较高。在很多地区，空气质量较好(没有盐雾、腐蚀性气体污染)、温度和湿度较低，用户也有较强的定期维护能力的情况下，新风系统是一个很好的选择。本公开实施例的另一个应用场景是：新建的基站机房，采用新风系统和空调进行联动制冷。
本公开实施例提供的制冷设备控制方案，基于大数据技术和神经网络技术，充分考虑到当前室内外温湿度、系统负载等数据，结合负载预测、天气预报、同期历史样本数据等，通过神经网络的暴力计算，提前预测制冷设备负荷、室内温度，并输出当日制冷设备联动控制的最优预案，再与传统控制规则策略相结合，实现机房空调和换热设备可预测的主动控制，达到优化控制、节能降耗的目的。
在本公开实施例中，由于实现了换热设备和空调可预测的主动联控，显著减少了空调运行时间和次数；同时，机房设备的工作温度可提高到可控的30-40℃的安全范围，进一步降低了制冷设备的能耗。初步估算，相比单空调制冷方式，空调和换热设备的主动预测式联控方案，每年可为通信基站节省耗电量将近1万度，平均耗电量减少40％，如果按照500万基站的10％比例计算，每年将减少电费50亿元、以及135万吨碳排放，经济和社会效益显著。
基于相同的技术构思，本公开实施例还提供一种制冷设备控制装置，如图10所示，所述制冷设备控制装置包括第一处理模块101、第二处理模块102和控制模块103，第一处理模块101用于，确定当前室外温度。
第二处理模块102用于，将制冷设备负荷的同期历史样本数据和预设的影响因子作为第一输入参数输入第一神经网络模型，得到当日制冷设备预测的负荷；将室外温度的同期历史样本数据和所述当日制冷设备预测的负荷作为第二输入参数输入第二神经网络，得到当日预测的室内温度；将所述当日预测的室内温度和预设的制冷效率因子作为第三输入参数输入第三神经网络，得到所述制冷设备当日的最优控制参数。
控制模块103用于，根据所述最优控制参数控制所述制冷设备运行。
在一些实施例中，如图11所示，所述制冷设备控制装置还包括模型建立模块104，模型建立模块104用于，在初始化阶段建立所述第一神经网络模型、第二神经网络模型、第三神经网络模型，其中，获取历史样本数据，所述样本数据包括室外温度、室内温度和制冷设备负荷；对所述历史样本数据仿真模拟，计算得到制冷设备每日的最优控制参数；根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型。
在一些实施例中，模型建立模块104还用于，在对所述历史样本数据仿真模拟，计算得到制冷设备每日的最优控制参数之后，在根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型之前，对所述历史样本数据和所述制冷设备每日的最优控制参数进行归一化处理；根据归一化处理后的数据建立训练样本数据集，所述训练样本数据集包括训练集、验证集和测试集。
模型建立模块104用于，根据所述训练样本数据集建立第一神经网络模型、第二神经网络模型、第三神经网络模型。
在一些实施例中，模型建立模块104用于，将制冷设备负荷的同期历史样本数据和所述影响因子作为第一输入参数，并将所述制冷设备当日负荷的历史样本数据作为第一输出参数，建立第一神经网络模型；将室外温度的同期历史样本数据和所述制冷设备当日负荷的历史样本数据作为第二输入参数，并将当日室内温度的历史样本数据作为第二输出参数，建立第二神经网络模型；将所述当日室内温度的历史样本数据和所述制冷效率因子作为第三输入参数，并将制冷设备当日最优控制参数的历史样本数据作为第三输出参数，建立第三神经网络模型。
在一些实施例中，所述样本数据包括模拟数据和采样数据，所述模拟数据是室内温度大于预设的第三阈值时，经过模拟制冷设备运行得到的数据；所述采样数据是室内温度小于预设的第六阈值且所述制冷设备实际停机时长大于预设的第七阈值时采样得到的数据。
在一些实施例中，第一处理模块101用于，确定当前时刻前预设时长内的室外温度；根据所述当前时刻前预设时长内的室外温度、当天预测温度和预设的第一权重和第二权重确定当前室外温度。
在一些实施例中，所述最优控制参数包括开启时间和连续开启时长；所述影响因子包括以下之一或任意组合：节假日影响因子、潮汐影响因子、区域事件因子。
在一些实施例中，控制模块103用于，若当前室内温度小于或等于预设的第一阈值且大于或等于预设的第二阈值，且满足第一高温预启动条件，则将空调最大运行时长设置为空调连续开启时长和预设的空调最大连续开启时长中的最小值，并启动空调，所述第二阈值小于所述第一阈值；若空调实际连续开启时长大于或等于所述空调最大运行时长，则关闭空调。
在一些实施例中，所述满足第一高温预启动条件，包括：到达所述空调开启时间，且当前室内温度大于预设的第三阈值，且空调实际停机时长大于预设的空调最短停机时长。
在一些实施例中，控制模块103还用于，在根据所述最优控制参数控制所述制冷设备运行过程中，若当前室内温度大于所述第一阈值且空调实际停机时长大于所述空调最短停机时长，则将空调最大运行时长设置为所述空调最大连续开启时长，并启动空调；和/或，若当前室内温度小于所述第二阈值，则关闭空调。
在一些实施例中，控制模块103用于，若满足第二高温预启动条件，则启动换热设备；若所述换热设备实际连续开启时长大于或等于所述换热设备连续开启时长，则关闭所述换热设备。
在一些实施例中，当所述换热设备为间接换热设备时，所述满足第二高温预启动条件，包括：到达所述换热设备开启时间，且当前室内温度大于预设的第四阈值，且当前室内温度与室外温度的差值大于预设的第五阈值。
当所述换热设备为直接换热设备时，所述满足第二高温预启动条件包括以下之一：
到达所述换热设备开启时间，且当前室内温度大于预设的第四阈值，且当前室内温度与室外温度的差值大于预设的第八阈值，所述第八阈值大于所述第五阈值；到达所述换热设备开启时间，且当前室内温度大于预设的第四阈值，且当前室内温度与室外温度的差值大于预设的第八阈值，且当前室内湿度小于或等于预设的第九阈值。
在一些实施例中，当所述换热设备为直接换热设备时，所述空调开启时间与所述换热设备开启时间不同；控制模块103还用于，若开启所述空调，则关闭所述换热设备；若开启所述换热设备，则关闭所述空调。
在一些实施例中，控制模块103用于，在根据所述最优控制参数控制所述制冷设备运行之后，若空调当日的实际运行参数与空调当日的最优控制参数之间的误差超过预设的第十阈值，则指示第二处理模块102再次确定空调当日的最优控制参数，并根据本次确定出的空调当日的最优控制参数更新所述训练样本数据集。
在一些实施例中，控制模块103还用于，若当前运行的一种制冷设备故障且另一种制冷设备正常，则关闭所述故障的制冷设备，并开启所述正常的制冷设备；若当前运行的两种制冷设备均故障，则在故障消除时，启动所述故障消除的制冷设备。
在一些实施例中，第二处理模块102还用于，若当前室内温度小于预设的第六阈值且所述制冷设备实际停机时长大于预设的第七阈值，则根据当前获取的样本数据训练所述第二神经网络模型，所述样本数据包括室外温度、室内温度和制冷设备负荷。
本公开实施例还提供了一种计算机设备，该计算机设备包括：一个或多个处理器以及存储装置；其中，存储装置上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如前述各实施例所提供的制冷设备控制方法。
本公开实施例还提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被执行时实现如前述各实施例所提供的制冷设备控制方法。
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、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、程序模块或其他数据)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、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、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他的介质。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他传输机制之类的调制数据信号中的其他数据，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，或可与其他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发明的范围的情况下，可进行各种形式和细节上的改变。
Claims (18)
1.一种制冷设备控制方法，包括：
确定当前室外温度；
将制冷设备负荷的同期历史样本数据和预设的影响因子作为第一输入参数输入第一神经网络模型，得到当日制冷设备预测的负荷；所述影响因子包括以下之一或任意组合：节假日影响因子、潮汐影响因子、区域事件因子；
将室外温度的同期历史样本数据和所述当日制冷设备预测的负荷作为第二输入参数输入第二神经网络，得到当日预测的室内温度；
将所述当日预测的室内温度和预设的制冷效率因子作为第三输入参数输入第三神经网络，得到所述制冷设备当日的最优控制参数，所述最优控制参数包括开启时间和连续开启时长；
根据所述最优控制参数控制所述制冷设备运行；
在确定当前室外温度之前，还包括：在初始化阶段建立所述第一神经网络模型、第二神经网络模型、第三神经网络模型；
所述建立所述第一神经网络模型、第二神经网络模型、第三神经网络模型包括：
获取历史样本数据，所述历史样本数据包括室外温度、室内温度和制冷设备负荷；
对所述历史样本数据仿真模拟，计算得到制冷设备每日的最优控制参数；
根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型。
2.如权利要求1所述的方法，其中，在对所述历史样本数据仿真模拟，计算得到制冷设备每日的最优控制参数之后，在根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型之前，还包括：
对所述历史样本数据和所述制冷设备每日的最优控制参数进行归一化处理；
根据归一化处理后的数据建立训练样本数据集，所述训练样本数据集包括训练集、验证集和测试集；
所述根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型、第三神经网络模型，包括：
根据所述训练样本数据集建立第一神经网络模型、第二神经网络模型、第三神经网络模型。
3.如权利要求1所述的方法，其中，所述根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型，包括：
将制冷设备负荷的同期历史样本数据和所述影响因子作为第一输入参数，并将所述制冷设备当日负荷的历史样本数据作为第一输出参数，建立第一神经网络模型；
将室外温度的同期历史样本数据和所述制冷设备当日负荷的历史样本数据作为第二输入参数，并将当日室内温度的历史样本数据作为第二输出参数，建立第二神经网络模型；
将所述当日室内温度的历史样本数据和所述制冷效率因子作为第三输入参数，并将制冷设备当日最优控制参数的历史样本数据作为第三输出参数，建立第三神经网络模型。
4.如权利要求1所述的方法，其中，所述样本数据包括模拟数据和采样数据，所述模拟数据是室内温度大于预设的第三阈值时，经过模拟制冷设备运行得到的数据；所述采样数据是室内温度小于预设的第六阈值且所述制冷设备实际停机时长大于预设的第七阈值时采样得到的数据。
5.如权利要求1所述的方法，其中，所述确定当前室外温度，包括：
确定当前时刻前预设时长内的室外温度；
根据所述当前时刻前预设时长内的室外温度、当天预测温度和预设的第一权重和第二权重确定当前室外温度。
6.如权利要求1-5任一项所述的方法，其中，所述制冷设备包括空调和换热设备。
7.如权利要求6所述的方法，其中，所述根据所述最优控制参数控制所述制冷设备运行，包括：
若当前室内温度小于或等于预设的第一阈值且大于或等于预设的第二阈值，且满足第一高温预启动条件，则将空调最大运行时长设置为空调连续开启时长和预设的空调最大连续开启时长中的最小值，并启动空调，所述第二阈值小于所述第一阈值；
若空调实际连续开启时长大于或等于所述空调最大运行时长，则关闭空调。
8.如权利要求7所述的方法，其中，所述满足第一高温预启动条件，包括：
到达所述空调开启时间，且当前室内温度大于预设的第三阈值，且空调实际停机时长大于预设的空调最短停机时长。
9.如权利要求7所述的方法，其中，在根据所述最优控制参数控制所述制冷设备运行过程中，还包括：
若当前室内温度大于所述第一阈值且空调实际停机时长大于所述空调最短停机时长，则将空调最大运行时长设置为所述空调最大连续开启时长，并启动空调；和/或
若当前室内温度小于所述第二阈值，则关闭空调。
10.如权利要求6所述的方法，其中，所述根据所述最优控制参数控制所述制冷设备运行，包括：
若满足第二高温预启动条件，则启动换热设备；
若所述换热设备实际连续开启时长大于或等于所述换热设备连续开启时长，则关闭所述换热设备。
11.如权利要求10所述的方法，其中，当所述换热设备为间接换热设备时，所述满足第二高温预启动条件，包括：到达所述换热设备开启时间，且当前室内温度大于预设的第四阈值，且当前室内温度与室外温度的差值大于预设的第五阈值；
当所述换热设备为直接换热设备时，所述满足第二高温预启动条件包括以下之一：
到达所述换热设备开启时间，且当前室内温度大于预设的第四阈值，且当前室内温度与室外温度的差值大于预设的第八阈值，所述第八阈值大于所述第五阈值；
到达所述换热设备开启时间，且当前室内温度大于预设的第四阈值，且当前室内温度与室外温度的差值大于预设的第八阈值，且当前室内湿度小于或等于预设的第九阈值。
12.如权利要求6所述的方法，其中，当所述换热设备为直接换热设备时，所述空调开启时间与所述换热设备开启时间不同；
所述方法还包括：若开启所述空调，则关闭所述换热设备；若开启所述换热设备，则关闭所述空调。
13.如权利要求2所述的方法，其中，在根据所述最优控制参数控制所述制冷设备运行之后，所述方法还包括：
若空调当日的实际运行参数与空调当日的最优控制参数之间的误差超过预设的第十阈值，则再次确定空调当日的最优控制参数，并根据本次确定出的空调当日的最优控制参数更新所述训练样本数据集。
14.如权利要求1所述的方法，其中，还包括：
若当前运行的一种制冷设备故障且另一种制冷设备正常，则关闭所述故障的制冷设备，并开启所述正常的制冷设备；
若当前运行的两种制冷设备均故障，则在故障消除时，启动所述故障消除的制冷设备。
15.如权利要求1所述的方法，其中，在根据所述最优控制参数控制所述制冷设备运行的过程中，所述方法还包括：
若当前室内温度小于预设的第六阈值且所述制冷设备实际停机时长大于预设的第七阈值，则根据当前获取的样本数据训练所述第二神经网络模型，所述样本数据包括室外温度、室内温度和制冷设备负荷。
16.一种制冷设备控制装置，包括：第一处理模块、第二处理模块、控制模块和模型建立模块，所述第一处理模块用于，确定当前室外温度；
所述第二处理模块用于，将制冷设备负荷的同期历史样本数据和预设的影响因子作为第一输入参数输入第一神经网络模型，得到当日制冷设备预测的负荷；将室外温度的同期历史样本数据和所述当日制冷设备预测的负荷作为第二输入参数输入第二神经网络，得到当日预测的室内温度；将所述当日预测的室内温度和预设的制冷效率因子作为第三输入参数输入第三神经网络，得到所述制冷设备当日的最优控制参数；所述影响因子包括以下之一或任意组合：节假日影响因子、潮汐影响因子、区域事件因子；所述最优控制参数包括开启时间和连续开启时长；
所述控制模块用于，根据所述最优控制参数控制所述制冷设备运行；
所述模型建立模块用于，在初始化阶段建立所述第一神经网络模型、第二神经网络模型、第三神经网络模型，其中，获取历史样本数据，所述历史样本数据包括室外温度、室内温度和制冷设备负荷；对所述历史样本数据仿真模拟，计算得到制冷设备每日的最优控制参数；根据所述历史样本数据和所述制冷设备每日的最优控制参数，建立第一神经网络模型、第二神经网络模型和第三神经网络模型。
17.一种计算机设备，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时，使得所述一个或多个处理器实现如权利要求1-15任一项所述的制冷设备控制方法。
18.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被执行时实现如权利要求1-15任一项所述的制冷设备控制方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010523728.8A CN113776171B (zh) | 2020-06-10 | 2020-06-10 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
| PCT/CN2021/099313 WO2021249461A1 (zh) | 2020-06-10 | 2021-06-10 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
| EP21821753.7A EP4166862A1 (en) | 2020-06-10 | 2021-06-10 | Method and apparatus for controlling refrigeration device, computer device, and computer readable medium |
| BR112022025218A BR112022025218A2 (pt) | 2020-06-10 | 2021-06-10 | Método e dispositivo de controle de equipamento de refrigeração, dispositivo computacional e meio legível por computador |
| JP2022576079A JP7473690B2 (ja) | 2020-06-10 | 2021-06-10 | 冷却機器の制御方法、冷却機器制御装置、コンピュータ機器及びコンピュータ可読媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010523728.8A CN113776171B (zh) | 2020-06-10 | 2020-06-10 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113776171A CN113776171A (zh) | 2021-12-10 |
| CN113776171B true CN113776171B (zh) | 2024-02-13 |
Family
ID=78834644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010523728.8A Active CN113776171B (zh) | 2020-06-10 | 2020-06-10 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
Country Status (5)
| Country | Link |
|---|---|
| EP (1) | EP4166862A1 (zh) |
| JP (1) | JP7473690B2 (zh) |
| CN (1) | CN113776171B (zh) |
| BR (1) | BR112022025218A2 (zh) |
| WO (1) | WO2021249461A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114222477A (zh) * | 2021-12-13 | 2022-03-22 | 中国联合网络通信集团有限公司 | 数据中心的节能控制方法、装置、存储介质及程序产品 |
| CN114593474B (zh) * | 2022-03-11 | 2023-12-19 | 广东美的暖通设备有限公司 | 一种喷淋控制方法、装置、电子设备及存储介质 |
| CN114626616B (zh) * | 2022-03-21 | 2023-11-21 | 特斯联科技集团有限公司 | 园区高温尾气余热回收cchp的最优运行方法及系统 |
| CN115111747A (zh) * | 2022-06-10 | 2022-09-27 | 青岛海尔空调器有限总公司 | 空调系统控制方法、装置、电子设备、存储介质及产品 |
| CN115789911B (zh) * | 2022-11-17 | 2024-05-03 | 中国联合网络通信集团有限公司 | 一种空调控制方法、装置、电子设备及存储介质 |
| CN117234080A (zh) * | 2023-09-21 | 2023-12-15 | 江苏亚奥科技股份有限公司 | 一种面向大型动环监控场景的室温智能调控方法 |
| CN117469774B (zh) * | 2023-12-28 | 2024-04-02 | 北京市农林科学院智能装备技术研究中心 | 空调系统调控方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109323425A (zh) * | 2018-11-15 | 2019-02-12 | 广东美的制冷设备有限公司 | 空调的控制方法、装置及可读存储介质 |
| CN109341010A (zh) * | 2018-09-19 | 2019-02-15 | 新智能源系统控制有限责任公司 | 一种电制冷机空调系统用供能一体化的控制方法和装置 |
| CN110186156A (zh) * | 2019-06-03 | 2019-08-30 | 西安锦威电子科技有限公司 | 制冷站模糊控制系统 |
| 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 |
| CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08210689A (ja) * | 1995-02-07 | 1996-08-20 | Hitachi Plant Eng & Constr Co Ltd | 空調熱負荷予測システム |
| KR100830095B1 (ko) * | 2007-11-12 | 2008-05-20 | 충남대학교산학협력단 | 냉방부하 예측방법 |
| US9423172B2 (en) * | 2010-10-13 | 2016-08-23 | Weldtech Technology (Shanghai) Co., Ltd. | Energy-saving optimized control system and method for refrigeration plant room |
| JP6289749B2 (ja) | 2015-05-18 | 2018-03-07 | 三菱電機株式会社 | 室内環境モデル作成装置 |
| CN105928292B (zh) * | 2016-04-20 | 2018-05-22 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
| CN109130767B (zh) * | 2017-06-28 | 2020-08-11 | 北京交通大学 | 基于客流的轨道交通车站通风空调系统的智能控制方法 |
| KR102482043B1 (ko) * | 2018-10-29 | 2022-12-26 | 에스케이텔레콤 주식회사 | 소규모 이력 데이터에서 냉방부하를 예측하기 위한 학습 방법 및 장치 |
| CN109871987A (zh) * | 2019-01-28 | 2019-06-11 | 中建八局第三建设有限公司 | 一种智能建筑暖通设备综合节能控制方法 |
| CN109945420B (zh) * | 2019-03-26 | 2020-11-17 | 南京南瑞继保电气有限公司 | 基于负荷预测的空调控制方法、装置及计算机存储介质 |
-
2020
- 2020-06-10 CN CN202010523728.8A patent/CN113776171B/zh active Active
-
2021
- 2021-06-10 BR BR112022025218A patent/BR112022025218A2/pt unknown
- 2021-06-10 EP EP21821753.7A patent/EP4166862A1/en active Pending
- 2021-06-10 WO PCT/CN2021/099313 patent/WO2021249461A1/zh unknown
- 2021-06-10 JP JP2022576079A patent/JP7473690B2/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109341010A (zh) * | 2018-09-19 | 2019-02-15 | 新智能源系统控制有限责任公司 | 一种电制冷机空调系统用供能一体化的控制方法和装置 |
| CN109323425A (zh) * | 2018-11-15 | 2019-02-12 | 广东美的制冷设备有限公司 | 空调的控制方法、装置及可读存储介质 |
| CN110186156A (zh) * | 2019-06-03 | 2019-08-30 | 西安锦威电子科技有限公司 | 制冷站模糊控制系统 |
| 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 |
| CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021249461A1 (zh) | 2021-12-16 |
| JP2023530628A (ja) | 2023-07-19 |
| EP4166862A1 (en) | 2023-04-19 |
| JP7473690B2 (ja) | 2024-04-23 |
| CN113776171A (zh) | 2021-12-10 |
| BR112022025218A2 (pt) | 2023-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113776171B (zh) | 制冷设备控制方法、装置、计算机设备和计算机可读介质 | |
| CN108168052B (zh) | 一种中央空调制冷系统最优启停控制方法 | |
| WO2011106914A1 (zh) | 基于云计算的设备监控系统及方法 | |
| CN111487939B (zh) | 一种供热、供电、制冷一体自然能源智慧系统及控制方法 | |
| CN109059195B (zh) | 用于削减电网负荷峰值的中央空调的控制方法及控制系统 | |
| WO2011106917A1 (zh) | 基于云计算的能源管理控制系统及方法 | |
| WO2011106918A1 (zh) | 基于云计算的电子信息系统机房能源管理控制系统及方法 | |
| CN102411346B (zh) | 教学或办公建筑用的采暖与分散式空调系统及控制方法 | |
| CN103199555B (zh) | 一种负荷侧资源参与电力系统二次调频的控制方法 | |
| CN102980276B (zh) | 一种基站节能用智能新风系统 | |
| CN109341010B (zh) | 一种电制冷机空调系统用供能一体化的控制方法和装置 | |
| CN102538133B (zh) | 一种空调运行的控制方法、控制系统及空调智能控制器 | |
| CN104238531A (zh) | 一种铁路车站能源管理系统和节能控制方法 | |
| CN111025895A (zh) | 一种基于人工智能的建筑节能控制系统 | |
| Liu et al. | Dynamic integrated control for Chinese district heating system to balance the heat supply and heat demand | |
| CN112781131A (zh) | 制冷机房运行能效分析及其优化后达到高效节能的方法 | |
| CN111664502B (zh) | 一种室温修正系统的修正方法 | |
| CN108679703A (zh) | 一种基于分布式供热的同区域供热系统 | |
| Liu et al. | The design and application of the optimize control management system to the central air-conditioning based on intelligent building technology | |
| CN114893886B (zh) | 一种集中式暖通空调综合节能控制系统及其控制方法 | |
| CN210050907U (zh) | 一种节能供冷系统 | |
| CN111898876B (zh) | 一种考虑气网管存的综合能源调控方法 | |
| CN219626155U (zh) | 一种暖通及节能控制教学模拟装置 | |
| CN116624978A (zh) | 一种中央空调集成智能数字化控制节能系统 | |
| CN117847750A (zh) | 一种基于数字孪生技术的冷水机组及其节能优化控制方法 |
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 |