CN113883698B - 空调系统制冷站开机策略优化方法、系统及电子设备 - Google Patents

空调系统制冷站开机策略优化方法、系统及电子设备 Download PDF

Info

Publication number
CN113883698B
CN113883698B CN202111115961.3A CN202111115961A CN113883698B CN 113883698 B CN113883698 B CN 113883698B CN 202111115961 A CN202111115961 A CN 202111115961A CN 113883698 B CN113883698 B CN 113883698B
Authority
CN
China
Prior art keywords
data
temperature
starting
interval
startup
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
CN202111115961.3A
Other languages
English (en)
Other versions
CN113883698A (zh
Inventor
戴吉平
黄德强
黎勋
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.)
Shenzhen Das Intellitech Co Ltd
Original Assignee
Shenzhen Das Intellitech 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 Shenzhen Das Intellitech Co Ltd filed Critical Shenzhen Das Intellitech Co Ltd
Priority to CN202111115961.3A priority Critical patent/CN113883698B/zh
Publication of CN113883698A publication Critical patent/CN113883698A/zh
Application granted granted Critical
Publication of CN113883698B publication Critical patent/CN113883698B/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
    • 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
    • F24F11/30—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了空调系统制冷站开机策略优化方法、系统及电子设备，该方法包括获取制冷站每日开启时刻的影响因子数据和运行参数，得到数据样本集；对数据样本集进行数据预处理；以数据样本时间为准，获取每日开机段预设时间间隔的制冷数据和室内温度以计算每日开机段的COP数据和温降模型；对影响因子数据和部分运行参数进行离散化，得到影响工况区间数据和运行区间数据；对影响工况区间数据进行聚类分析，得到每一数据样本所属的类别；获取每一类别下每日开机段COP数据最高的数据样本，为该类别耦合对应的运行区间数据和温降模型，形成开机策略；根据当日开机前的影响因子数据、给定的需求室内温度和达温要求时刻，通过相应开机策略来调整开机时刻。

Description

空调系统制冷站开机策略优化方法、系统及电子设备
技术领域
本发明涉及中央空调系统制冷站运行控制技术领域，尤其涉及一种空调系统制冷站开机策略优化方法、系统及电子设备。
背景技术
建筑能耗目前已经占到整个社会活动总能耗的30％左右，而在整个建筑能耗中，中央空调能耗占到40％～50％，中央空调冷热源消耗了其中的30％～35％。制冷站是建筑冷源供应的“心脏”，其耗电量一般占建筑总用电量的30％以上，主要由冷水机组、冷冻水泵、冷却水泵、冷却塔、管道系统、控制系统等组成。制冷站的节能效果会直接影响整体建筑能耗。随着中央空调系统制冷站节能改造、大量的信息化建设，旨在实现‘按需’供冷。其中以办公、商业为主的大型商业建筑一般都会晚上停止供冷，但又要要求其在上午正式办公时，达到指定的室内温度要求，例如：办公建筑早上8：30需达到22℃室内温度。工程上通过提前启动空调系统，提前多长时间开启，开启运行参数多少都是独立分开考虑的，开启时间一般是人工预留一定的时间，开启运行参数更多是采用独立群控系统给定的。但是这样的运行管理方式存在诸多问题，主要是高峰供冷期的供冷不足和夏秋过渡季的过量供冷问题，主要是没有耦合开机时间和开机参数一起考虑，就出现了过早开机常见的问题。供冷效率低下，系统能耗居高不下。制冷站的开机策略问题是困扰运行管理实现‘按需’供冷的突出问题，至今还没有很好的解决方式，该部分节能潜力巨大。
作为制冷站开机策略的主要参数，运行调节参数和开机时间的合理制定是实现供冷开机段运行精细化调节的关键。从正向理论分析角度，国内外学者和技术领域专家，提出基于设备的独立控制调节实现运行的精细化；另外一部分学者，基于开机的室外环境参数和初始室内参数影响因子，来预测开机段冷量预测，从而去制定系统开机的运行调节参数，这是一个难题；另一方面有制造企业提出精准制定开机时间，但并未考虑到开机时开机运行调节参数和开机时间的耦合关系。由于供冷系统、供能对象的实际特性千差万别，在整个供冷期间，从正向角度去制定合理的开机运行调节参数和开机时间去做到精细化运行调节依然是一个难点。
发明内容
本发明要解决的技术问题在于，针对现有技术存在的至少一个缺陷，提供一种空调系统制冷站开机策略优化方法、系统及电子设备。
本发明解决其技术问题所采用的技术方案是：构造一种空调系统制冷站开机策略优化方法包括以下步骤：
S10：获取空调系统制冷站至少一个供冷季每日开启时刻的影响因子数据和运行参数，作为每日的数据样本，得到数据样本集；
S20：对所述数据样本集进行数据预处理，包括去除所述数据样本集中的缺失值、重复值和异常值，得到预处理后的数据样本集；
S30：以所述预处理后的数据样本集中的数据样本时间为准，获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，以及获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型；
S40：对所述预处理后的数据样本集中的影响因子数据和部分运行参数进行离散化，得到离散化后的影响工况区间数据和运行区间数据；
S50：根据全年的所述影响工况区间数据进行聚类分析，得到全年每一所述数据样本所属的类别；
S60：获取每一类别下每日开机段COP数据最高的数据样本，并为该类别耦合与该数据样本对应的运行区间数据和温降模型，形成开机策略；
S70：根据当日开机前的影响因子数据、给定的需求室内温度和给定的达温要求时刻，通过对应的开机策略来调整开机时刻。
优选地，在本发明所述的空调系统制冷站开机策略优化方法中，所述影响因子数据包括湿球温度、室内温度和冷冻回水温度；所述运行参数包括主机开启台数、冷却泵开启台数、冷却塔开启台数、冷冻出水温度和冷冻泵流量。
优选地，在本发明所述的空调系统制冷站开机策略优化方法中，所述方法还包括：
S11：对所述数据样本集进行数据预处理，去除所述数据样本集中的缺失值和重复值，并通过采用箱线图法对所述数据样本集进行检测来去除异常值，得到预处理后的数据样本集，得到预处理后的数据样本集。
优选地，在本发明所述的空调系统制冷站开机策略优化方法中，所述制冷数据包括耗电量和制冷量数据；所述开机段为开启时刻至达到室温要求或室温稳定的期间；
步骤S30中，获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，包括：
获取每日开机段预设时间间隔的耗电量和制冷量数据，并根据开机段COP公式计算每日开机段的COP数据；
其中，所述开机段COP公式为
Figure GDA0003790793770000041
i表示开机时刻至达到室温要求或室温稳定期间的时间点，i＝1表示开机时刻，i＝N表示达到室温要求或室温温度的时刻；pi表示时间点i到时间点i+1期间的累计耗电量；Qi表示时间点i到时间点i+1期间的累计制冷量；COP表示开启时刻至达到室温要求或室温稳定期间的系统能效值。
优选地，在本发明所述的空调系统制冷站开机策略优化方法中，所述开机段为开启时刻至达到室温要求或室温稳定的期间；
步骤S30中，获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型，包括：
获取每日开机段预设时间间隔的室内温度，并根据室温公式，采用最小二乘法对参数进行辨识，计算得到每日开机段的温降模型；
其中，所述室温公式为t＝t∞-(t∞-t0)e-Bτ；τ表示室温降低的持续时长；t∞表示给定的需求室内温度；t0表示空调系统开启时刻的建筑空间室内温度；t表示空调系统开机持续时长τ时的建筑空间室内温度；B表示室温公式的参数。
优选地，在本发明所述的空调系统制冷站开机策略优化方法中，所述步骤S40包括：
S401：对所述数据样本集中的湿球温度、室内温度和冷冻回水温度进行等频离散化，得到离散化后的影响工况区间数据；
S402：对所述数据样本集中的冷冻出水温度和冷冻泵流量进行等宽离散化，得到离散化后的运行区间数据。
优选地，在本发明所述的空调系统制冷站开机策略优化方法中，所述步骤S50包括：
采用Kmeans聚类算法对全年的所述影响工况区间数据进行聚类，并基于自定义的COP平均差值率稳定在一个极小值来进行自动寻优，找到最佳的聚类结果，得到全年每一所述数据样本所属的类别；
其中，
Figure GDA0003790793770000051
i表示每个影响工况区间数据所对应的数据样本；bj(i)表示计算点i是同一个簇j内所有元素中COP最大的点；aj(i)表示计算点i是同一个簇j内所有元素中COP最小的点；s(j)表示聚类簇j计算的COP差值率；s表示所有聚类簇计算的COP平均差值率；n是聚类簇的个数。
优选地，在本发明所述的空调系统制冷站开机策略优化方法中，所述步骤S70包括：
S701：监测当日开机前的影响因子数据，并判断所属的类别；
S702：根据所述类别匹配相应的开机策略；
S703：根据给定的需求室内温度，通过开机策略中的温降模型来计算室温降低的持续时长；
S704：根据给定的达温要求时刻和所述持续时长来调整开机时刻。
本发明还构造了一种空调系统制冷站开机策略优化系统，包括：
样本模块，用于获取空调系统制冷站至少一个供冷季每日开启时刻的影响因子数据和运行参数，作为每日的数据样本，得到数据样本集；
预处理模块，用于对所述数据样本集进行数据预处理，包括去除所述数据样本集中的缺失值、重复值和异常值，得到预处理后的数据样本集；
计算模块，用于以所述数据样本时间为准，获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，以及获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型；
离散化模块，用于对所述数据样本集中的影响因子数据和部分运行参数进行离散化，得到离散化后的影响工况区间数据和运行区间数据；
聚类分析模块，用于根据所述影响工况区间数据进行聚类分析，得到每一所述数据样本所属的类别；
开机策略模块，用于获取每一类别下每日开机段COP数据最高的数据样本，并为该类别耦合与该数据样本对应的运行区间数据和温降模型，形成开机策略；
开机时刻模块，用于根据当日开机前的影响因子数据、给定的需求室内温度和给定的达温要求时刻，通过对应的开机策略来调整开机时刻。
本发明还构造了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，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上述任一项所述的空调系统制冷站开机策略优化方法。
本发明还构造了一种可读存储介质，其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述任一项所述的空调系统制冷站开机策略优化方法。
通过实施本发明，具有以下有益效果：
本发明从空调系统制冷站中影响开机系统能效的主要影响因素着手，对影响因子数据和运行参数进行离散化，再采用聚类算法进行聚类分析，本方法与传统优化开机时间的群控方法相比，能够实现工况最佳的聚类结果，得到每一数据样本所属的类别，对每一个聚类结果挑选出COP能效最高的一条耦合开机运行区间数据和开启温降模型的策略，集成开机策略库，并且还根据当日开机前的影响因子数据、给定的需求室内温度和给定的达温要求时刻，通过对应的开机策略来调整开机时刻。本发明的空调系统制冷站开机策略优化方法能够根据制冷站每日的数据样本识别出制冷站高效的开机策略，实现按需精准供冷，提高能效，指导制冷站低成本的开启控制参数制定和节能改造潜力评估，并且通用性强，工程应用性广。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明空调系统制冷站开机策略优化方法流程图；
图2是本发明空调系统制冷站开机策略优化方法中步骤S40的具体流程图；
图3是本发明空调系统制冷站开机策略优化方法中步骤S50的具体流程图；
图4是本发明空调系统制冷站开机策略优化方法中步骤S70的具体流程图；
图5是本发明空调系统制冷站开机策略优化系统的模块框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
需要说明的是，附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
如图1所示，本发明公开了一种空调系统制冷站开机策略优化方法，包括步骤S10、S20、S30、S40、S50、S60和S70，具体地：
步骤S10：获取空调系统制冷站至少一个供冷季每日开启时刻的影响因子数据和运行参数，其历史数据作为每日的数据样本，得到数据样本集。
该影响因子数据包括湿球温度、室内温度和冷冻回水温度。该运行参数包括主机开启台数、冷却泵开启台数、冷却塔开启台数、冷冻出水温度和冷冻泵流量。
在一些实施例中，可按预设时间段获取空调系统制冷站至少一个供冷季每日开启时刻的影响因子数据和运行参数，作为每日的数据样本，得到数据样本集。例如，该预设时间段为近三年的供冷季。
在本实施例中，步骤S20：对数据样本集进行数据预处理，包括去除数据样本集中的缺失值、重复值和异常值，得到预处理后的数据样本集。
其中，缺失值是指如果某日开启时刻中的湿球温度、室内温度和冷冻回水温度该三个影响因子数据缺失其中的一个，或者主机开启台数、冷却泵开启台数、冷却塔开启台数、冷冻出水温度和冷冻泵流量该五个运行参数缺失其中的一个，则放弃该日的数据样本。
重复值是指如果湿球温度、室内温度和冷冻回水温度该三个影响因子数据，或者主机开启台数、冷却泵开启台数、冷却塔开启台数、冷冻出水温度和冷冻泵流量该五个运行参数中的其中一个数据出现连续两日数值不变，则放弃这两日的数据样本。
而去除异常值可通过采用箱线图法对数据样本集进行检测来去除异常值，具体包括：按数值大小将数据样本集中的所有数据由小到大排列后分成四等份，通过设定数值区间上限和数值区间下限来识别数据样本集中的异常值。其中，在数值区间上限和数值区间下限之间的为正常值；定义Q1-1.5*IQR为数值区间下限，若下限值小于0取值0；定义Q3+1.5*IQR为数值区间上限；Q1为第一分位值，Q3为第三分位值，IQR(IQR＝Q3-Q1)为四分位距。
在另外一些实施例中，步骤S20还可根据制冷站安全和不合理性去除异常值。具体地，根据制冷站安全和不合理性去除异常值是指去除主机运行的电流百分比超过100％的数据样本，以及去除主机和冷冻泵冷却泵开启台数不匹配的数据样本。
在本实施例中，步骤S30：以预处理后的数据样本集中的数据样本时间为准，获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，以及获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型。在一些实施例中，该预设时间间隔可以是每5分钟。在其他一些实施例中，该预设时间间隔可不限于每5分钟。
其中，该制冷数据包括耗电量和制冷量数据。该开机段为开启时刻至达到室温要求或室温稳定的期间。
步骤S30中，获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，包括：
获取每日开机段预设时间间隔的耗电量和制冷量数据，并根据开机段COP公式计算每日开机段的COP数据。
其中，开机段COP公式为
Figure GDA0003790793770000101
i表示开机时刻至达到室温要求或室温稳定期间的时间点，i＝1表示开机时刻，i＝N表示达到室温要求或室温温度的时刻；pi表示时间点i到时间点i+1期间的累计耗电量；Qi表示时间点i到时间点i+1期间的累计制冷量；COP表示开启时刻至达到室温要求或室温稳定期间的系统能效值。
步骤S30中，获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型，包括：
获取每日开机段预设时间间隔的室内温度，并根据室温公式，采用最小二乘法对参数进行辨识，计算得到每日开机段的温降模型。
其中，室温公式为t＝t∞-(t∞-t0)e-Bτ；τ表示室温降低的持续时长，分钟；t∞表示给定的需求室内温度，℃；t0表示空调系统开启时刻的建筑空间室内温度，℃；t表示空调系统开机持续时长τ时的建筑空间室内温度，℃；B表示室温公式的参数。
在本实施例中，步骤S40：对预处理后的数据样本集中的影响因子数据和部分运行参数进行离散化，得到离散化后的影响工况区间数据和运行区间数据。
具体地，如图2所示，该步骤S40包括：
步骤S401：对数据样本集中的湿球温度、室内温度和冷冻回水温度进行等频离散化，得到离散化后的影响工况区间数据。
其中，对每一个影响因子数据，包括开启时刻的湿球温度、室内温度和冷冻回水温度的波动范围进行划分。在选择离散化方法时，等频法能将相同数量的数据放进每个区间，避免像等宽离散一样，出现某些区间数据极多或者数据极少的情况。为了覆盖更大范围的工况，此处选用等频法对影响工况范围进行划分，同时限定每一个影响因子数据应该满足温度波动间隔±1℃以内。
等频法离散化概述如下：等频法是将相同数量的记录放在每个区间，保证每个区间的数量基本一致。即将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定。比如有60个样本，我们要将其分为k＝3部分，则每部分的长度为20个样本。
步骤S402：对数据样本集中的冷冻出水温度和冷冻泵流量进行等宽离散化，得到离散化后的运行区间数据。
其中，对部分运行参数，包括开启时刻的冷冻出水温度和冷冻泵流量该两个连续变量的数据进行等宽法离散，结合主机开启台数、冷却泵开启台数、冷却塔开启台数运行区间数据，组成离散化后的运行区间数据，并作为后续的开机策略。限定温度范围间隔±1℃以内，流量范围间隔100m3/h以内，并且数值区间属于左开右闭。例如：冷冻回水温度7.3℃即[7,8)属于大于等于7℃小于8℃的区间。
等宽法离散化概述如下：等宽法将属性的值域从最小值到最大值分成具有相同宽度的n个区间，n由数据特点决定，往往是需要有业务经验的人进行评估。比如属性值在[0，60]之间，最小值为0，最大值为60，我们要将其分为3等分，则区间被划分为[0,20]、[21,40]、[41，60]，每个属性值对应属于它的那个区间。
在本实施例中，步骤S50：根据全年的影响工况区间数据进行聚类分析，得到全年每一数据样本所属的类别。包括：采用Kmeans聚类算法对全年的影响工况区间数据进行聚类，并基于自定义的COP平均差值率稳定在一个极小值来进行自动寻优，找到最佳的聚类结果，得到全年每一数据样本所属的类别；
其中，
Figure GDA0003790793770000121
i表示每个影响工况区间数据所对应的数据样本；bj(i)表示计算点i是同一个簇j内所有元素中COP最大的点；aj(i)表示计算点i是同一个簇j内所有元素中COP最小的点；s(j)表示聚类簇j计算的COP差值率；s表示所有聚类簇计算的COP平均差值率；n是聚类簇的个数。
具体地，如图3所示，该步骤S50包括：
步骤S501：对全年的影响工况区间数据进行特征化，得到每个区间的最大值和最小值。
具体采用离散化后的影响工况区间数据，特征化后即每一个影响工况区间数据包括6个特征，有开启时刻湿球温度区间最小值、开启时刻湿球温度区间最大值、开启时刻室内温度区间最小值、开启时刻室内温度区间最大值、开启时刻冷冻回水温度区间最小值、以及开启时刻冷冻回水温度区间最大值。
步骤S502：对特征化后的影响工况区间数据进行归一化处理。
将区间的最大值和最小值，转换为均值为0，方差为1的正态分布，即每个区间均转换至0-1区间内，避免数据大小对聚类结果产生的影响。该转化函数为：
Figure GDA0003790793770000122
其中，X为转换后的数值；x为数据初始值；μ为所有数据的均值；σ为所有数据的标准差。
步骤S503：采用Kmeans聚类算法对归一化后的影响工况区间数据进行聚类。
Kmeans聚类算法概述如下：K-means算法是最常用的一种聚类算法。算法的输入为一个样本集，通过该算法可以将样本进行聚类，具有相似特征的样本聚为一类。针对每个点，计算这个点距离所有中心点最近的那个中心点，然后将这个点归为这个中心点代表的簇。一次迭代结束之后，针对每个簇类，重新计算中心点，然后针对每个点，重新寻找距离自己最近的中心点。如此循环，直到前后两次迭代的簇类没有变化。
基本的步骤为：
step1：选定要聚类的类别数目k(如上例的k＝3类)，选择k个中心点。
step2：针对每个样本点，找到距离其最近的中心点(寻找组织)，距离同一中心点最近的点为一个类，这样完成了一次聚类。
step3：判断聚类前后的样本点的类别情况是否相同，如果相同，则算法终止，否则进入step4。
step4：针对每个类别中的样本点，计算这些样本点的中心点，当做该类的新的中心点，继续step2。
其中，在同一种影响工况内，相同的运行策略控制下的制冷系统应具有相同的运行状态，系统cop也应相同或者因数据统计误差仅存在非常小的差值，因为理论上不会再有其他的因素来干扰制冷系统的运行。于是本发明创立了COP平均差值率该项系数，通过比较它的大小，来确定最佳的聚类。此系数越小，说明该方法对影响工况的切割效果越好。
步骤S504：基于自定义的COP平均差值率稳定在一个极小值来进行自动寻优，得到不同的影响因子区间，并为全年每一影响因子区间下的数据样本配置一类别标签。其中，该影响因子区间即为类别。
其中，
Figure GDA0003790793770000141
i表示每个影响工况区间数据所对应的数据样本；bj(i)表示计算点i是同一个簇j内所有元素中COP最大的点；aj(i)表示计算点i是同一个簇j内所有元素中COP最小的点；s(j)表示聚类簇j计算的COP差值率；s表示所有聚类簇计算的COP平均差值率；n是聚类簇的个数。
在本实施例中，步骤S60：获取每一类别下每日开机段COP数据最高的数据样本，并为该类别耦合与该数据样本对应的运行区间数据和温降模型，形成开机策略。其中，该类别为影响因子区间，即湿球温度、室内温度和冷冻回水温度离散化后的温度范围区间。而该运行区间数据中的冷冻出水温度和冷冻泵流量也为离散化后的范围区间。
相同类别下都存在着几条到几十条不等的开机策略，即对应不同的运行区间数据和温降模型。该步骤主要是找到每一类中能效COP最高的开机策略，即该类别下最优的运行区间数据和温降模型。
在本实施例中，步骤S70：根据当日开机前的影响因子数据、给定的需求室内温度和给定的达温要求时刻，通过对应的开机策略来调整开机时刻。
具体地，如图4所示，该步骤S70包括：
步骤S701：监测当日开机前的影响因子数据，并判断所属的类别。其中，该影响因子数据包括湿球温度、室内温度和冷冻回水温度。该类别为影响因子区间，即湿球温度、室内温度和冷冻回水温度散化后的温度范围区间。
步骤S702：根据类别匹配相应的开机策略。其中，不同的影响因子区间对应不同的开机策略，包括运行区间数据和温降模型。
步骤S703：根据给定的需求室内温度，通过开机策略中的温降模型来计算室温降低的持续时长。
步骤S704：根据给定的达温要求时刻和持续时长来调整开机时刻，从而实现按需精准供冷，提高能效。
具体地，在已知其他参数的情况下，将给定的需求室内温度代入到温降模型的t中，求解函数得到室温降低的持续时长τ，再根据给定的达温要求时刻来调整开机时刻。例如，要求早上8点半室内温度为23℃，通过温降模型计算得到其室温降低到23℃的持续时长为30分钟，则调整开机时刻为早上8点。
如图5所示，本发明还公开了一种空调系统制冷站开机策略优化系统，包括：样本模块、预处理模块、计算模块、离散化模块、聚类分析模块、开机策略模块和开机时刻模块，具体地：
在本实施例中，该样本模块用于获取空调系统制冷站至少一个供冷季每日开启时刻的影响因子数据和运行参数，作为每日的数据样本，得到数据样本集。
该影响因子数据包括湿球温度、室内温度和冷冻回水温度。该运行参数包括主机开启台数、冷却泵开启台数、冷却塔开启台数、冷冻出水温度和冷冻泵流量。
在一些实施例中，可按预设时间段获取空调系统制冷站至少一个供冷季每日开启时刻的影响因子数据和运行参数，作为每日的数据样本，得到数据样本集。例如，该预设时间段为近三年的供冷季。
在本实施例中，该预处理模块用于对数据样本集进行数据预处理，包括去除数据样本集中的缺失值、重复值和异常值，得到预处理后的数据样本集。
其中，缺失值是指如果某日开启时刻中的湿球温度、室内温度和冷冻回水温度该三个影响因子数据缺失其中的一个，或者主机开启台数、冷却泵开启台数、冷却塔开启台数、冷冻出水温度和冷冻泵流量该五个运行参数缺失其中的一个，则放弃该日的数据样本。
重复值是指如果湿球温度、室内温度和冷冻回水温度该三个影响因子数据，或者主机开启台数、冷却泵开启台数、冷却塔开启台数、冷冻出水温度和冷冻泵流量该五个运行参数中的其中一个数据出现连续两日数值不变，则放弃这两日的数据样本。
而去除异常值可通过采用箱线图法对数据样本集进行检测来去除异常值，具体包括：按数值大小将数据样本集中的所有数据由小到大排列后分成四等份，通过设定数值区间上限和数值区间下限来识别数据样本集中的异常值。其中，在数值区间上限和数值区间下限之间的为正常值；定义Q1-1.5*IQR为数值区间下限，若下限值小于0取值0；定义Q3+1.5*IQR为数值区间上限；Q1为第一分位值，Q3为第三分位值，IQR(IQR＝Q3-Q1)为四分位距。
在另外一些实施例中，该预处理模块还可用于根据制冷站安全和不合理性去除异常值。具体地，根据制冷站安全和不合理性去除异常值是指去除主机运行的电流百分比超过100％的数据样本，以及去除主机和冷冻泵冷却泵开启台数不匹配的数据样本。
在本实施例中，该计算模块用于以数据样本时间为准，获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，以及获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型；在一些实施例中，可以以上述预处理模块预处理后的数据样本集的数据样本时间为准。该预设时间间隔可以是每5分钟。在其他一些实施例中，该预设时间间隔可不限于每5分钟。
其中，该制冷数据包括耗电量和制冷量数据。该开机段为开启时刻至达到室温要求或室温稳定的期间。
该计算模块中的获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，包括：
获取每日开机段预设时间间隔的耗电量和制冷量数据，并根据开机段COP公式计算每日开机段的COP数据；
其中，开机段COP公式为
Figure GDA0003790793770000171
i表示开机时刻至达到室温要求或室温稳定期间的时间点，i＝1表示开机时刻，i＝N表示达到室温要求或室温温度的时刻；pi表示时间点i到时间点i+1期间的累计耗电量；Qi表示时间点i到时间点i+1期间的累计制冷量；COP表示开启时刻至达到室温要求或室温稳定期间的系统能效值。
该计算模块中的获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型，包括：
获取每日开机段预设时间间隔的室内温度，并根据室温公式，采用最小二乘法对参数进行辨识，计算得到每日开机段的温降模型；
其中，室温公式为t＝t∞-(t∞-t0)e-Bτ；τ表示室温降低的持续时长；t∞表示给定的需求室内温度；t0表示空调系统开启时刻的建筑空间室内温度；t表示空调系统开机持续时长τ时的建筑空间室内温度；B表示室温公式的参数。
在本实施例中，该离散化模块用于对预处理后的数据样本集中的影响因子数据和部分运行参数进行离散化，得到离散化后的影响工况区间数据和运行区间数据。
具体地，该离散化模块包括：
等频离散化模块，用于对数据样本集中的湿球温度、室内温度和冷冻回水温度进行等频离散化，得到离散化后的影响工况区间数据。
其中，对每一个影响因子数据，包括开启时刻的湿球温度、室内温度和冷冻回水温度的波动范围进行划分。在选择离散化方法时，等频法能将相同数量的数据放进每个区间，避免像等宽离散一样，出现某些区间数据极多或者数据极少的情况。为了覆盖更大范围的工况，此处选用等频法对影响工况范围进行划分，同时限定每一个影响因子数据应该满足温度波动间隔±1℃以内。
等频法离散化概述如下：等频法是将相同数量的记录放在每个区间，保证每个区间的数量基本一致。即将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定。比如有60个样本，我们要将其分为k＝3部分，则每部分的长度为20个样本。
等宽离散化模块，用于对数据样本集中的冷冻出水温度和冷冻泵流量进行等宽离散化，得到离散化后的运行区间数据。
其中，对部分运行参数，包括开启时刻的冷冻出水温度和冷冻泵流量该两个连续变量的数据进行等宽法离散，结合主机开启台数、冷却泵开启台数、冷却塔开启台数运行区间数据，组成离散化后的运行区间数据，并作为后续的开机策略。限定温度范围间隔±1℃以内，流量范围间隔100m3/h以内，并且数值区间属于左开右闭。例如：冷冻回水温度7.3℃即[7,8)属于大于等于7℃小于8℃的区间。
等宽法离散化概述如下：等宽法将属性的值域从最小值到最大值分成具有相同宽度的n个区间，n由数据特点决定，往往是需要有业务经验的人进行评估。比如属性值在[0，60]之间，最小值为0，最大值为60，我们要将其分为3等分，则区间被划分为[0,20]、[21,40]、[41，60]，每个属性值对应属于它的那个区间。
在本实施例中，该聚类分析模块用于根据全年的影响工况区间数据进行聚类分析，得到全年每一数据样本所属的类别。包括：采用Kmeans聚类算法对全年的影响工况区间数据进行聚类，并基于自定义的COP平均差值率稳定在一个极小值来进行自动寻优，找到最佳的聚类结果，得到全年每一数据样本所属的类别；
其中，
Figure GDA0003790793770000191
i表示每个影响工况区间数据所对应的数据样本；bj(i)表示计算点i是同一个簇j内所有元素中COP最大的点；aj(i)表示计算点i是同一个簇j内所有元素中COP最小的点；s(j)表示聚类簇j计算的COP差值率；s表示所有聚类簇计算的COP平均差值率；n是聚类簇的个数。
具体地，该聚类分析模块包括：
特征化模块，用于对全年的影响工况区间数据下的每个区间进行特征化，得到每个区间的最大值和最小值。
具体采用离散化后的影响工况区间数据，特征化后即每一个影响工况区间数据包括6个特征，有开启时刻湿球温度区间最小值、开启时刻湿球温度区间最大值、开启时刻室内温度区间最小值、开启时刻室内温度区间最大值、开启时刻冷冻回水温度区间最小值、以及开启时刻冷冻回水温度区间最大值。
归一化模块，用于对特征化后的影响工况区间数据进行归一化处理。
将每个区间的最大值和最小值，转换为均值为0，方差为1的正态分布，即每个区间均转换至0-1区间内，避免数据大小对聚类结果产生的影响。该转化函数为：
Figure GDA0003790793770000192
其中，X为转换后的数值；x为数据初始值；μ为所有数据的均值；σ为所有数据的标准差。
聚类模块，用于采用Kmeans聚类算法对归一化后的影响工况区间数据进行聚类。
Kmeans聚类算法概述如下：K-means算法是最常用的一种聚类算法。算法的输入为一个样本集，通过该算法可以将样本进行聚类，具有相似特征的样本聚为一类。针对每个点，计算这个点距离所有中心点最近的那个中心点，然后将这个点归为这个中心点代表的簇。一次迭代结束之后，针对每个簇类，重新计算中心点，然后针对每个点，重新寻找距离自己最近的中心点。如此循环，直到前后两次迭代的簇类没有变化。
基本的步骤为：
step1：选定要聚类的类别数目k(如上例的k＝3类)，选择k个中心点。
step2：针对每个样本点，找到距离其最近的中心点(寻找组织)，距离同一中心点最近的点为一个类，这样完成了一次聚类。
step3：判断聚类前后的样本点的类别情况是否相同，如果相同，则算法终止，否则进入step4。
step4：针对每个类别中的样本点，计算这些样本点的中心点，当做该类的新的中心点，继续step2。
其中，在同一种影响工况内，相同的运行策略控制下的制冷系统应具有相同的运行状态，系统cop也应相同或者因数据统计误差仅存在非常小的差值，因为理论上不会再有其他的因素来干扰制冷系统的运行。于是本发明创立了COP平均差值率该项系数，通过比较它的大小，来确定最佳的聚类。此系数越小，说明该方法对影响工况的切割效果越好。
寻优模块，基于自定义的COP平均差值率稳定在一个极小值来进行自动寻优，得到不同的影响因子区间，并为全年每一影响因子区间下的数据样本配置一类别标签。其中，该影响因子区间即为类别。
其中，
Figure GDA0003790793770000211
i表示每个影响工况区间数据所对应的数据样本；bj(i)表示计算点i是同一个簇j内所有元素中COP最大的点；aj(i)表示计算点i是同一个簇j内所有元素中COP最小的点；s(j)表示聚类簇j计算的COP差值率；s表示所有聚类簇计算的COP平均差值率；n是聚类簇的个数。
在本实施例中，该开机策略模块用于获取每一类别下每日开机段COP数据最高的数据样本，并为该类别耦合与该数据样本对应的运行区间数据和温降模型，形成开机策略。其中，该类别为影响因子区间，即湿球温度、室内温度和冷冻回水温度离散化后的温度范围区间。而该运行区间数据中的冷冻出水温度和冷冻泵流量也为离散化后的范围区间。
相同类别下都存在着几条到几十条不等的开机策略，即对应不同的运行区间数据和温降模型。该步骤主要是找到每一类中能效COP最高的开机策略，即该类别下最优的运行区间数据和温降模型。
在本实施例中，该开机时刻模块，用于根据当日开机前的影响因子数据、给定的需求室内温度和给定的达温要求时刻，通过对应的开机策略来调整开机时刻。
具体地，该开机时刻模块包括：
判断模块，用于监测当日开机前的影响因子数据，并判断所属的类别。其中，该影响因子数据包括湿球温度、室内温度和冷冻回水温度。该类别为影响因子区间，即湿球温度、室内温度和冷冻回水温度散化后的温度范围区间。
匹配模块，用于根据类别匹配相应的开机策略。其中，不同的影响因子区间对应不同的开机策略，包括运行区间数据和温降模型。
时长计算模块，用于根据给定的需求室内温度，通过开机策略中的温降模型来计算室温降低的持续时长；
开机时刻计算模块，用于根据给定的达温要求时刻和持续时长来调整开机时刻。
具体地，在已知其他参数的情况下，将给定的需求室内温度代入到温降模型的t中，求解函数得到室温降低的持续时长τ，再根据给定的达温要求时刻来调整开机时刻。例如，要求早上8点半室内温度为23℃，通过温降模型计算得到其室温降低到23℃的持续时长为30分钟，则调整开机时刻为早上8点。
本发明还公开了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上述任一项所述的空调系统制冷站开机策略优化方法，在此不再赘述。
本发明还公开了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一项所述的空调系统制冷站开机策略优化方法，，在此不再赘述。
通过实施本发明，具有以下有益效果：
1)本发明基于室内空气的热平衡原理简化的室温公式，结合空调系统制冷站每日开机段逐5分钟的室内温度数据，辨识参数获得每日开机的温降模型，为精准预测开机时间提供了有力的理论基础。
2)本发明从能量平衡的角度出发，开机湿球温度、开机室内温度、开机冷冻回水温度决定了开机段需求冷量，空调系统制冷站开启的设备运行参数提供了冷量，冷量的供需平衡决定了室内温度的变化趋势。本方法与传统优化开机时间的群控方法相比，耦合了系统运行模式和室温变化模型的关系，从大数据中挖掘历史最优的开机策略，找到每个工况下最佳的系统设备开启运行区间数据和温降模型，是适用于大部分制冷站的一种通用开机策略优化方法。
3)本发明从空调系统制冷站中影响开机系统能效的主要影响因素着手，对开机湿球温度、开机室内温度、开机冷冻回水温度三个特征的逐时数据进行等频离散化再采用Kmeans聚类算法聚类分析，本方法与传统优化开机时间的群控方法相比，能够实现工况最佳的聚类结果，对每一个聚类结果挑选出COP能效最高的一条耦合开机运行区间数据和开启温降模型的策略，集成开机策略库，是适用于大部分制冷站的一种通用开机策略优化方法。
4)本发明通用性强，工程应用性广。与现有制冷站群控开启时运行调节方法相比，以往正向理论分析方法较难应用于实际个性差异化的供冷系统、供能对象，推广开来，本发明成本低，可推广性强，是一种通用的大数据挖掘方法，可以适用于多个制冷站。不仅仅适用于常规制冷站，即制冷主机、冷冻水泵、冷却水泵、冷却塔一次泵系统制冷站，也适用于蓄冷系统和二次泵系统等中央空调系统制冷站。此外本发明也适用于项目层级多个制冷站的运行调节，不仅局限于单个制冷站的运行调节策略异常识别。
可以理解的，以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，可以对上述技术特点进行自由组合，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，凡跟本发明权利要求范围所做的等同变换与修饰，均应属于本发明权利要求的涵盖范围。

Claims (8)

1.一种空调系统制冷站开机策略优化方法，其特征在于，包括以下步骤：
S10：获取空调系统制冷站至少一个供冷季每日开启时刻的影响因子数据和运行参数，作为每日的数据样本，得到数据样本集；
S20：对所述数据样本集进行数据预处理，包括去除所述数据样本集中的缺失值、重复值和异常值，得到预处理后的数据样本集；
S30：以所述预处理后的数据样本集中的数据样本时间为准，获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，以及获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型；
S40：对所述预处理后的数据样本集中的影响因子数据和部分运行参数进行离散化，得到离散化后的影响工况区间数据和运行区间数据；
S50：根据全年的所述影响工况区间数据进行聚类分析，得到全年每一所述数据样本所属的类别；
S60：获取每一类别下每日开机段COP数据最高的数据样本，并为该类别耦合与该数据样本对应的运行区间数据和温降模型，形成开机策略；
S70：根据当日开机前的影响因子数据、给定的需求室内温度和给定的达温要求时刻，通过对应的开机策略来调整开机时刻；
其中，所述开机段为开启时刻至达到室温要求或室温稳定的期间；
步骤S30中，获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型，包括：
获取每日开机段预设时间间隔的室内温度，并根据室温公式，采用最小二乘法对参数进行辨识，计算得到每日开机段的温降模型；
所述室温公式为t＝t∞-(t∞-t0)e-Bτ；τ表示室温降低的持续时长；t∞表示给定的需求室内温度；t0表示空调系统开启时刻的建筑空间室内温度；t表示空调系统开机持续时长τ时的建筑空间室内温度；B表示室温公式的参数；
步骤S50包括：
采用Kmeans聚类算法对全年的所述影响工况区间数据进行聚类，并基于自定义的COP平均差值率稳定在一个极小值来进行自动寻优，找到最佳的聚类结果，得到全年每一所述数据样本所属的类别；
Figure FDA0003810757080000021
i表示每个影响工况区间数据所对应的数据样本；bj(i)表示计算点i是同一个簇j内所有元素中COP最大的点；aj(i)表示计算点i是同一个簇j内所有元素中COP最小的点；s(j)表示聚类簇j计算的COP差值率；s表示所有聚类簇计算的COP平均差值率；n是聚类簇的个数。
2.根据权利要求1所述的空调系统制冷站开机策略优化方法，其特征在于，所述影响因子数据包括湿球温度、室内温度和冷冻回水温度；所述运行参数包括主机开启台数、冷却泵开启台数、冷却塔开启台数、冷冻出水温度和冷冻泵流量。
3.根据权利要求1所述的空调系统制冷站开机策略优化方法，其特征在于，所述制冷数据包括耗电量和制冷量数据；所述开机段为开启时刻至达到室温要求或室温稳定的期间；
步骤S30中，获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，包括：
获取每日开机段预设时间间隔的耗电量和制冷量数据，并根据开机段COP公式计算每日开机段的COP数据；
其中，所述开机段COP公式为
Figure FDA0003810757080000031
i表示开机时刻至达到室温要求或室温稳定期间的时间点，i＝1表示开机时刻，i＝N表示达到室温要求或室温温度的时刻；pi表示时间点i到时间点i+1期间的累计耗电量；Qi表示时间点i到时间点i+1期间的累计制冷量；COP表示开启时刻至达到室温要求或室温稳定期间的系统能效值。
4.根据权利要求2所述的空调系统制冷站开机策略优化方法，其特征在于，所述步骤S40包括：
S401：对所述数据样本集中的湿球温度、室内温度和冷冻回水温度进行等频离散化，得到离散化后的影响工况区间数据；
S402：对所述数据样本集中的冷冻出水温度和冷冻泵流量进行等宽离散化，得到离散化后的运行区间数据。
5.根据权利要求1所述的空调系统制冷站开机策略优化方法，其特征在于，所述步骤S70包括：
S701：监测当日开机前的影响因子数据，并判断所属的类别；
S702：根据所述类别匹配相应的开机策略；
S703：根据给定的需求室内温度，通过开机策略中的温降模型来计算室温降低的持续时长；
S704：根据给定的达温要求时刻和所述持续时长来调整开机时刻。
6.一种空调系统制冷站开机策略优化系统，其特征在于，包括：
样本模块，用于获取空调系统制冷站至少一个供冷季每日开启时刻的影响因子数据和运行参数，作为每日的数据样本，得到数据样本集；
预处理模块，用于对所述数据样本集进行数据预处理，包括去除所述数据样本集中的缺失值、重复值和异常值，得到预处理后的数据样本集；
计算模块，用于以所述数据样本时间为准，获取每日开机段预设时间间隔的制冷数据以计算每日开机段的COP数据，以及获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型；
离散化模块，用于对所述数据样本集中的影响因子数据和部分运行参数进行离散化，得到离散化后的影响工况区间数据和运行区间数据；
聚类分析模块，用于根据全年的所述影响工况区间数据进行聚类分析，得到全年每一所述数据样本所属的类别；
开机策略模块，用于获取每一类别下每日开机段COP数据最高的数据样本，并为该类别耦合与该数据样本对应的运行区间数据和温降模型，形成开机策略；
开机时刻模块，用于根据当日开机前的影响因子数据、给定的需求室内温度和给定的达温要求时刻，通过对应的开机策略来调整开机时刻；
其中，所述开机段为开启时刻至达到室温要求或室温稳定的期间；
所述获取每日开机段预设时间间隔的室内温度以计算每日开机段的温降模型，包括：
获取每日开机段预设时间间隔的室内温度，并根据室温公式，采用最小二乘法对参数进行辨识，计算得到每日开机段的温降模型；
所述室温公式为t＝t∞-(t∞-t0)e-Bτ；τ表示室温降低的持续时长；t∞表示给定的需求室内温度；t0表示空调系统开启时刻的建筑空间室内温度；t表示空调系统开机持续时长τ时的建筑空间室内温度；B表示室温公式的参数；
所述聚类分析模块，进一步用于采用Kmeans聚类算法对全年的所述影响工况区间数据进行聚类，并基于自定义的COP平均差值率稳定在一个极小值来进行自动寻优，找到最佳的聚类结果，得到全年每一所述数据样本所属的类别；
Figure FDA0003810757080000051
i表示每个影响工况区间数据所对应的数据样本；bj(i)表示计算点i是同一个簇j内所有元素中COP最大的点；aj(i)表示计算点i是同一个簇j内所有元素中COP最小的点；s(j)表示聚类簇j计算的COP差值率；s表示所有聚类簇计算的COP平均差值率；n是聚类簇的个数。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，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1-5任一项所述的空调系统制冷站开机策略优化方法。
8.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的空调系统制冷站开机策略优化方法。
CN202111115961.3A 2021-09-23 2021-09-23 空调系统制冷站开机策略优化方法、系统及电子设备 Active CN113883698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111115961.3A CN113883698B (zh) 2021-09-23 2021-09-23 空调系统制冷站开机策略优化方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111115961.3A CN113883698B (zh) 2021-09-23 2021-09-23 空调系统制冷站开机策略优化方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN113883698A CN113883698A (zh) 2022-01-04
CN113883698B true CN113883698B (zh) 2022-11-29

Family

ID=79010410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111115961.3A Active CN113883698B (zh) 2021-09-23 2021-09-23 空调系统制冷站开机策略优化方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN113883698B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543303B (zh) * 2022-01-26 2023-07-14 深圳达实智能股份有限公司 基于运行大数据的中央空调制冷站运行优化方法和系统
CN114693088B (zh) * 2022-03-11 2023-06-20 三峡大学 一种水库温度场影响因素分析方法、装置及存储介质
CN116972516A (zh) * 2023-07-26 2023-10-31 华南理工大学 一种中央空调智能控制方法、系统及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10197027A (ja) * 1997-01-10 1998-07-31 Yakiii Kk 設定温度可変制御による空気調和機冷凍機デマンドコントロール装置
CN102679505A (zh) * 2012-06-13 2012-09-19 重庆大学 房间温度控制方法
CN104633829A (zh) * 2013-11-06 2015-05-20 上海思控电气设备有限公司 楼宇冷冻站节能控制装置及方法
CN110864400A (zh) * 2019-11-27 2020-03-06 广东美的制冷设备有限公司 空气调节设备的控制方法、装置和空气调节设备
CN111256344A (zh) * 2018-11-30 2020-06-09 广东美的制冷设备有限公司 空调器控制方法、装置、空调器以及存储介质
CN111723456A (zh) * 2020-05-08 2020-09-29 华南理工大学 一种基于nsga-ⅱ算法的中央空调系统能效优化方法
CN113326651A (zh) * 2021-05-10 2021-08-31 北京建筑大学 基于t-s模糊模型的制冷站负荷和能效比动态建模方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108036468B (zh) * 2017-11-22 2020-11-13 深圳供电局有限公司 一种空调系统聚合控制方法
CN109447107B (zh) * 2018-09-14 2021-08-10 华南理工大学 基于信息熵的办公建筑空调日用能模式异常在线检测方法
CN109945370B (zh) * 2019-04-08 2021-01-15 四川国锐工程设计有限公司 一种冰蓄冷储能系统
CN111890873A (zh) * 2020-08-12 2020-11-06 戴姆勒股份公司 智能启动车内空调和/或空气净化设备的方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10197027A (ja) * 1997-01-10 1998-07-31 Yakiii Kk 設定温度可変制御による空気調和機冷凍機デマンドコントロール装置
CN102679505A (zh) * 2012-06-13 2012-09-19 重庆大学 房间温度控制方法
CN104633829A (zh) * 2013-11-06 2015-05-20 上海思控电气设备有限公司 楼宇冷冻站节能控制装置及方法
CN111256344A (zh) * 2018-11-30 2020-06-09 广东美的制冷设备有限公司 空调器控制方法、装置、空调器以及存储介质
CN110864400A (zh) * 2019-11-27 2020-03-06 广东美的制冷设备有限公司 空气调节设备的控制方法、装置和空气调节设备
CN111723456A (zh) * 2020-05-08 2020-09-29 华南理工大学 一种基于nsga-ⅱ算法的中央空调系统能效优化方法
CN113326651A (zh) * 2021-05-10 2021-08-31 北京建筑大学 基于t-s模糊模型的制冷站负荷和能效比动态建模方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Identification and evaluation of operation regulation strategies in;Yakai LU et al;《Energy & Buildings》;20191231;全文 *
基于大数据分析的制冷站运行预测及节能优化;张桂炉等;《暖通空调》;20210131;第51卷(第1期);全文 *

Also Published As

Publication number Publication date
CN113883698A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN113883698B (zh) 空调系统制冷站开机策略优化方法、系统及电子设备
CN109654665B (zh) 空调器的控制方法及装置和空调器
CN108489013A (zh) 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
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
CN108320042B (zh) 循环水系统的优化方法与装置
CN115808001A (zh) 中央空调系统制冷站运行调节异常识别方法和电子设备
CN113739371B (zh) 一种基于云端协同的中央空调系统及其控制方法
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
CN115325682A (zh) 一种高效智能制冷机房性能监测的优化控制方法及装置
CN115183421A (zh) 一种中央空调水冷机组节能控制方法、系统和设备
CN110940061A (zh) 中央空调控制方法及系统
CN114264045A (zh) 一种中央空调的能效调控系统及方法
CN114001443A (zh) 一种基于ai的机房节能方法及装置
CN113790516B (zh) 中央空调制冷站全局优化节能控制方法、系统和电子设备
CN115049141A (zh) 用于制冷系统的控制方法、控制装置和制冷系统
KR102144674B1 (ko) 실시간 성능분석 반응형 냉각탑 제어방법
CN102679649B (zh) 一种制冷系统的节能控制装置和方法
CN115327930B (zh) 一种可视化节能管控方法及系统
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
CN116880278A (zh) 一种用于数据中心精密空调高效运行的控制方法
CN110848889A (zh) 一种中央空调系统主机运行能效评估方法
Xue et al. A novel method of minimizing power consumption for existing chiller plant
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
CN112364999B (zh) 冷水机调节模型的训练方法、装置及电子设备
CN113757856A (zh) 一种空调冷却水系统控制方法及装置

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