CN114279235B - 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 - Google Patents
基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 Download PDFInfo
- Publication number
- CN114279235B CN114279235B CN202111647709.7A CN202111647709A CN114279235B CN 114279235 B CN114279235 B CN 114279235B CN 202111647709 A CN202111647709 A CN 202111647709A CN 114279235 B CN114279235 B CN 114279235B
- Authority
- CN
- China
- Prior art keywords
- model
- box model
- black box
- cooling tower
- power
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012795 verification Methods 0.000 claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 113
- 238000012937 correction Methods 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 6
- 238000009423 ventilation Methods 0.000 description 6
- 239000000498 cooling water Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于黑箱模型与灰箱模型切换的冷却塔运行控制方法及装置。该方法包括：建立黑箱模型；根据物理规格和经验数据建立白箱模型；在所述白箱模型的基础上，根据物理规格和项目数据建立灰箱模型；根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制；当所述黑箱模型预测的数据未通过验证时，采用灰箱模型预测的数据对冷却塔进行控制。可见，本发明通过在黑箱模型与灰箱模型之间切换对冷却塔运行进行控制，由于灰箱模型考虑了物理规格和项目数据进行预测，避免了现有技术中单纯的依靠数据拟合模型与实际情况不符的缺陷，提高了控制指令的准确性和鲁棒性。
Description
技术领域
本发明涉及冷却塔控制技术领域，特别涉及一种基于黑箱模型与灰箱模型切换的冷却塔运行控制方法、装置、电子设备、计算机可读存储介质。
背景技术
冷却塔作为热力系统排放废热的通用设备，在实际的暖通空调系统运维过程中，冷却塔的控制常被忽略，以调研的140栋商业广场的冷却塔为依据，大部分广场的冷却塔存在不变频不变冷却塔台数，满频满开或者冷却塔变频变塔的幅度过大的情况存在。但冷却塔的冷却性能对制冷机组的运行性能的优劣至关重要。其冷却塔的性能测试和预测模型是众多研究的重点，不同的学者基于不同的模型对此做出一系列研究，有ε-NTU法(效能-传热单元数法)，但该方法需要较多难以测量的物理参数(传质系数等)；随着公共建筑分项计量的不断累积，基于黑箱的冷却塔性能模型逐渐成为研究热点，但基于黑箱的冷却塔模型并未像冷机经验模型一样，对模型的输入参数，以及模型的选择都未达成较为一致的共识：EnergyPlus和Modelica等模拟软件使用的多元多项是回归模型，其他不同的学者有采用Support Vector Machine(支持向量机)、Random Forest(随机森林)等。
无论使用哪种方法建模，都会受到广场实际运行情况的影响，例如数据质量不足，设备的选型，冷却塔的保养情况，布水均匀性等因素影响，使得单纯的依靠数据拟合模型与实际情况不符，控制指令的准确性和鲁棒性不足。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于黑箱模型与灰箱模型切换的冷却塔运行控制方法、装置、电子设备、计算机可读存储介质。
本发明的一个实施例提供一种基于黑箱模型与灰箱模型切换的冷却塔运行控制方法，该方法包括：
建立黑箱模型，所述黑箱模型包括第一黑箱子模型、第二黑箱子模型和第三黑箱子模型，其中第一黑箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二黑箱子模型的输入参数为风水比，输出参数为逼近度，第三黑箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
根据物理规格和经验数据建立白箱模型，所述白箱模型包括第一白箱子模型、第二白箱子模型和第三白箱子模型，其中第一白箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二白箱子模型的输入参数为风水比，输出参数为逼近度，第三白箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
在所述白箱模型的基础上，根据物理规格和项目数据建立灰箱模型；
根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制；当所述黑箱模型预测的数据未通过验证时，采用灰箱模型预测的数据对冷却塔进行控制。
可选地，所述第一白箱子模型的计算公式为：
冷却塔单塔功率＝(风机额定功率*η风机)*(a*(风机频率/50)^3+b)
其中，η风机为风机额定功率修正系数，a和b为风机特性参数。
可选地，所述第二白箱子模型的计算公式为：
逼近度＝设计逼近度*风水比^(-c)
其中，c为由现场实际数据测量获得的常数。
可选地，所述第三白箱子模型的计算公式为：
P冷机＝P查表*η冷冻水温度
其中，P冷机为冷机单机功率，P查表为指定的冷却塔出水温度和冷机的单机负荷下查表获得的冷机单机功率，η冷冻水温度为冷冻水供水温度修正系数。
可选地，所述根据所述黑箱模型和白箱模型预测的数据进行验证，包括：
根据所述第一黑箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的模拟拟合曲线；
根据所述第一白箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第一黑箱子模型和第一白箱子模型预测的冷却塔单机功率的均方根误差；
若所述第一黑箱子模型和第一白箱子模型预测的数据的均方根误差小于第一预设阈值，则认为所述第一黑箱子模型通过验证。
可选地，所述根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制，包括：
根据所述第二黑箱子模型预测逼近度，获得风水比和逼近度的模拟拟合曲线；
根据所述第二白箱子模型预测逼近度，获得风水比和逼近度的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第二黑箱子模型和第二白箱子模型预测的逼近度的均方根误差；
若所述第二黑箱子模型和第二白箱子模型预测的数据的均方根误差小于第二预设阈值，则认为所述第二黑箱子模型通过验证。
可选地，所述采用黑箱模型预测的数据对冷却塔进行控制，包括：
根据所述黑箱模型获得冷却塔总功率和冷机总功率之和最小时的风机频率、冷却塔开塔数和逼近度，其中所述冷却塔总功率为冷却塔单塔功率与冷却塔开塔数的乘积，冷机总功率为冷机单机功率与冷机开机数的乘积；
根据所述风机频率、冷却塔开塔数和逼近度对冷却塔进行控制。
本发明的另一个实施例提供一种基于黑箱模型与灰箱模型切换的冷却塔运行控制装置，包括：
黑箱模型建立单元，用于建立黑箱模型，所述黑箱模型包括第一黑箱子模型、第二黑箱子模型和第三黑箱子模型，其中第一黑箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二黑箱子模型的输入参数为风水比，输出参数为逼近度，第三黑箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
白箱模型建立单元，用于根据物理规格和经验数据建立白箱模型，所述白箱模型包括第一白箱子模型、第二白箱子模型和第三白箱子模型，其中第一白箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二白箱子模型的输入参数为风水比，输出参数为逼近度，第三白箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
灰箱模型建立单元，用于在所述白箱模型的基础上，根据物理规格和项目数据建立灰箱模型；
冷却塔控制单元，用于根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制；当所述黑箱模型预测的数据未通过验证时，采用灰箱模型预测的数据对冷却塔进行控制。
可选地，所述第一白箱子模型的计算公式为：
冷却塔单塔功率＝(风机额定功率*η风机)*(a*(风机频率/50)^3+b)
其中，η风机为风机额定功率修正系数，a和b为风机特性参数。
可选地，所述第二白箱子模型的计算公式为：
逼近度＝设计逼近度*风水比^(-c)
其中，c为由现场实际数据测量获得的常数。
可选地，所述第三白箱子模型的计算公式为：
P冷机＝P查表*η冷冻水温度
其中，P冷机为冷机单机功率，P查表为指定的冷却塔出水温度和冷机的单机负荷下查表获得的冷机单机功率，η冷冻水温度为冷冻水供水温度修正系数。
可选地，所述冷却塔控制单元进一步用于：
根据所述第一黑箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的模拟拟合曲线；
根据所述第一白箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第一黑箱子模型和第一白箱子模型预测的冷却塔单机功率的均方根误差；
若所述第一黑箱子模型和第一白箱子模型预测的数据的均方根误差小于第一预设阈值，则认为所述第一黑箱子模型通过验证。
可选地，所述冷却塔控制单元进一步用于：
根据所述第二黑箱子模型预测逼近度，获得风水比和逼近度的模拟拟合曲线；
根据所述第二白箱子模型预测逼近度，获得风水比和逼近度的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第二黑箱子模型和第二白箱子模型预测的逼近度的均方根误差；
若所述第二黑箱子模型和第二白箱子模型预测的数据的均方根误差小于第二预设阈值，则认为所述第二黑箱子模型通过验证。
可选地，所述冷却塔控制单元进一步用于：
根据所述黑箱模型获得冷却塔总功率和冷机总功率之和最小时的风机频率、冷却塔开塔数和逼近度，其中所述冷却塔总功率为冷却塔单塔功率与冷却塔开塔数的乘积，冷机总功率为冷机单机功率与冷机开机数的乘积；
根据所述风机频率、冷却塔开塔数和逼近度对冷却塔进行控制。
本发明的另一个实施例提供一种电子设备，其中，该电子设备包括：
处理器；以及，
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述的方法。
本发明的另一个实施例提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述的方法。
本发明的有益效果是，通过在黑箱模型与灰箱模型之间切换对冷却塔运行进行控制，由于灰箱模型考虑了物理规格和项目数据进行预测，避免了现有技术中单纯的依靠数据拟合模型与实际情况不符的缺陷，提高了控制指令的准确性和鲁棒性。
附图说明
图1为本发明一个实施例的基于黑箱模型与灰箱模型切换的冷却塔运行控制方法的流程示意图；
图2为本发明一个实施例的水冷系统的原理图；
图3为本发明一个实施例的风水比与逼近度的关系曲线图；
图4为发明一个实施例的基于白箱模型的冷却塔运行控制方法的流程示意图；
图5为本发明一个实施例的基于黑箱模型与灰箱模型切换的冷却塔运行控制方法的原理图；
图6为本发明一个实施例的基于第一黑箱子模型和第一白箱子模型获得的曲线的示意图；
图7为本发明一个实施例的基于第二黑箱子模型和第二白箱子模型获得的曲线的示意图；
图8为本发明一个实施例的基于第三黑箱子模型获得的不同的冷却塔出水温度下，冷机的单机负荷与冷机单机功率之间关系曲线图；
图9为本发明一个实施例的基于黑箱模型与灰箱模型切换的冷却塔运行控制装置的结构示意图；
图10示出了根据本发明一个实施例的电子设备的结构示意图；
图11示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。
具体实施方式
本发明对现场采集的数据经过数据质量筛选后，建立黑箱模型。而通过暖通原理，对黑箱模型预测的数据进行检验，当黑箱模型的预测结果满足要求时，基于黑箱模型对冷却塔进行控制，当黑箱模型的预测结果无法满足要求时，基于灰箱模型对冷却塔进行控制。灰箱模型的底层是暖通理论白箱模型，通过实际数据对相应的修正值赋值。
本发明假定冷却泵为定温差控制方式，冷却塔回水温度-冷却塔出水温度＝Δt，通常设置目标温差为5～7℃。以5℃为例，即当Δt>5时，冷却泵电机升频，Δt<5时，冷却泵电机降频。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
图1为本发明一个实施例的基于黑箱模型与灰箱模型切换的冷却塔运行控制方法的流程示意图。如图1所示，该方法包括：
S11：建立黑箱模型，所述黑箱模型包括第一黑箱子模型、第二黑箱子模型和第三黑箱子模型，其中第一黑箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二黑箱子模型的输入参数为风水比，输出参数为逼近度，第三黑箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
S12：根据物理规格和经验数据建立白箱模型，所述白箱模型包括第一白箱子模型、第二白箱子模型和第三白箱子模型，其中第一白箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二白箱子模型的输入参数为风水比，输出参数为逼近度，第三白箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
S13：在所述白箱模型的基础上，根据物理规格和项目数据建立灰箱模型；
S14：根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制；当所述黑箱模型预测的数据未通过验证时，采用灰箱模型预测的数据对冷却塔进行控制。
本发明实施例的基于黑箱模型与灰箱模型切换的冷却塔运行控制方法，通过在黑箱模型与灰箱模型之间切换对冷却塔运行进行控制，由于灰箱模型考虑了物理规格和项目数据进行预测，避免了现有技术中单纯的依靠数据拟合模型与实际情况不符的缺陷，提高了控制指令的准确性和鲁棒性。
图2为本发明一个实施例的水冷系统的原理图。如图2所示，给出了水冷系统的组成结构和水路，并对冷却塔出水温度、冷却塔回水温度、冷却水出水温度、冷却水回水温度、冷冻水供水温度、冷冻水回水温度、蒸发温度、冷凝温度进行的标示。其中，冷却塔出水温度与冷却水回水温度，忽略偏差假定相同，在发明中用冷却塔出水温度统一表示。
需要说明的是，根据暖通理论和经验公式，风机频率f与转速n呈1次方关系，转速n与风量Q呈1次方关系，转速n与功率呈3次方关系，即：f1/f2＝n1/n2＝Q1/Q2,P1/P2＝n13/n23。
但由于风机效率和静压变化带来的影响，在实际应用中应当加入由实际数据影响的修正系数，另外风机在50hz下的实际功率与额定功率也会有修正系数。
因而，在本发明实施例的一种可选的实施方式中，所述第一白箱子模型的计算公式为：
冷却塔单塔功率＝(风机额定功率*η风机)*(a*(风机频率/50)^3+b)
其中，η风机为风机额定功率修正系数，a和b为风机特性参数。
需要注意的是，(风机额定功率*η风机)*(a*(风机频率/50)^3+b)计算得到的是风机功率，而在本发明中，风机功率等同于冷却塔功率。
具体地，所述第二白箱子模型的计算公式为：
逼近度＝设计逼近度*风水比^(-c)
其中，c为由现场实际数据测量获得的常数。
需要说明的是，设计逼近度指在项目设计冷却塔的型号及数量时所使用的设计参数。例如：某广场的设计散热量为1500RT，设计工况为湿球温度29℃，设计冷却水进出水温差为5℃，设计人员根据项目的需求，规定冷却塔的逼近度设计，由逼近度＝冷却塔出水温度-湿球温度，例如设计逼近度为4℃，则报给冷却塔厂家的工况及需求为湿球温度29℃，冷却塔进水温度38℃，冷却塔出水温度33℃，散热量为1650RT(10％余量)。
以设计逼近度为4℃的冷却塔设计的风水比为1A，进行定负荷估算，得到以下数据：
| NO. | 风水比 | 逼近度 |
| 1 | 0.60 | 9.0 |
| 2 | 0.62 | 8.5 |
| 3 | 0.64 | 8.0 |
| 4 | 0.66 | 7.5 |
| 5 | 0.68 | 7.0 |
| 6 | 0.72 | 6.5 |
| 7 | 0.76 | 6.0 |
| 8 | 0.81 | 5.5 |
| 9 | 0.86 | 5.0 |
| 10 | 0.93 | 4.5 |
| 11 | 1 | 4.0 |
| 12 | 1.1 | 3.6 |
| 13 | 1.2 | 3.2 |
| 14 | 1.3 | 2.9 |
| 15 | 1.4 | 2.6 |
| 16 | 1.5 | 2.4 |
| 17 | 1.6 | 2.1 |
| 18 | 1.7 | 1.9 |
| 19 | 1.8 | 1.8 |
| 20 | 1.9 | 1.7 |
| 21 | 2 | 1.6 |
图3为本发明一个实施例的风水比与逼近度的关系曲线图，通过软件对曲线进行拟合，可以得到风水比与逼近度为幂函数关系，即得到如上所述的第二子模型的计算公式。
具体地，所述第三白箱子模型的计算公式为：
P冷机＝P查表*η冷冻水温度
其中，P冷机为冷机单机功率，P查表为指定的冷却塔出水温度和冷机的单机负荷下查表获得的冷机单机功率，η冷冻水温度为冷冻水供水温度修正系数。
P查表可由冷机厂家提供的选型表数据获得。但调研采用某厂家的设备选型表为定水流量数据，在现场冷却泵为定温差控制模式下，需要对数据进行修正，可采用假定冷却塔出水温度与冷凝温度为定温差法，计算冷凝温度的变化，再由逆卡诺循环，制冷系数：ICOP＝te/(tc-te)公式，对功率进行修正。其中，te为蒸发温度，tc为冷凝温度。
假定冷冻水供水温度为定值，例如7℃，可以得到温差为1℃，负荷每10％一刻度的对应表格，再使用算法或简单线性差分计算可得到精度为0.1℃，1％负荷的表格，如下(表格的一部分)：
| 冷塔出水温度 | 10％ | 11％ | 12％ | 13％ | 14％ | 15％ | 16％ | 17％ | 18％ | 19％ | 20％ | 21％ | 22％ | 23％ | 24％ | 25％ | 26％ | 27％ | 28％ | 29％ | 30％ |
| 33 | 333.4 | 330.4 | 327.4 | 324.4 | 321.4 | 318.4 | 315.4 | 312.4 | 309.4 | 306.4 | 303.4 | 305.6 | 307.8 | 309.9 | 312.1 | 314.3 | 316.4 | 318.6 | 320.7 | 322.9 | 325.1 |
| 32.9 | 331.5 | 328.6 | 325.7 | 322.7 | 319.8 | 316.9 | 314.0 | 311.1 | 308.2 | 305.2 | 302.3 | 304.5 | 306.6 | 308.8 | 310.9 | 313.1 | 315.2 | 317.4 | 319.5 | 321.6 | 323.8 |
| 32.8 | 329.7 | 326.8 | 324.0 | 321.1 | 318.3 | 315.4 | 312.6 | 309.7 | 306.9 | 304.0 | 301.2 | 303.3 | 305.5 | 307.6 | 309.7 | 311.9 | 314.0 | 316.1 | 318.3 | 320.4 | 322.5 |
| 32.7 | 327.8 | 325.0 | 322.3 | 319.5 | 316.7 | 313.9 | 311.2 | 308.4 | 305.6 | 302.8 | 300.1 | 302.2 | 304.3 | 306.4 | 308.5 | 310.7 | 312.8 | 314.9 | 317.0 | 319.1 | 321.3 |
| 32.6 | 325.9 | 323.2 | 320.5 | 317.8 | 315.1 | 312.4 | 309.7 | 307.0 | 304.3 | 301.6 | 298.9 | 301.0 | 303.1 | 305.2 | 307.3 | 309.5 | 311.6 | 313.7 | 315.8 | 317.9 | 320.0 |
| 32.5 | 324.1 | 321.5 | 318.8 | 316.2 | 313.6 | 310.9 | 308.3 | 305.7 | 303.1 | 300.4 | 297.8 | 299.9 | 302.0 | 304.1 | 306.2 | 308.3 | 310.3 | 312.4 | 314.5 | 316.6 | 318.7 |
| 32.4 | 322.2 | 319.7 | 317.1 | 314.6 | 312.0 | 309.5 | 306.9 | 304.3 | 301.8 | 299.2 | 296.7 | 298.7 | 300.8 | 302.9 | 305.0 | 307.1 | 309.1 | 311.2 | 313.3 | 315.4 | 317.4 |
| 32.3 | 320.4 | 317.9 | 315.4 | 312.9 | 310.4 | 308.0 | 305.5 | 303.0 | 300.5 | 298.0 | 295.5 | 297.6 | 299.7 | 301.7 | 303.8 | 305.9 | 307.9 | 310.0 | 312.0 | 314.1 | 316.2 |
| 32.2 | 318.5 | 316.1 | 313.7 | 311.3 | 308.9 | 306.5 | 304.1 | 301.6 | 299.2 | 296.8 | 294.4 | 296.4 | 298.5 | 300.5 | 302.6 | 304.7 | 306.7 | 308.8 | 310.8 | 312.9 | 314.9 |
| 32.1 | 316.7 | 314.3 | 312.0 | 309.7 | 307.3 | 305.0 | 302.6 | 300.3 | 297.9 | 295.6 | 293.3 | 295.3 | 297.3 | 299.4 | 301.4 | 303.5 | 305.5 | 307.5 | 309.6 | 311.6 | 313.6 |
| 32 | 314.8 | 312.6 | 310.3 | 308.0 | 305.8 | 303.5 | 301.2 | 298.9 | 296.7 | 294.4 | 292.1 | 294.2 | 296.2 | 298.2 | 300.2 | 302.2 | 304.3 | 306.3 | 308.3 | 310.3 | 312.4 |
此精度表格可以满足现场的使用条件，不需要再进行线性拟合了。
最后计算冷机单机功率时，需要获得冷冻水供水温度修正系数η冷冻水温度。
η冷冻水温度＝(1+0.03)^(7-冷冻水供水温度)
在实际应用中，η冷冻水温度也可以用常用估算系数，蒸发温度提高1℃，ICOP提高3％进行估算。
需要说明的是，本发明中的黑箱模型不依靠物理规格，由项目自身的数据进行预测，白箱模型依靠物理规格和经验数据，统计结果作为修正值，确定输入输出的关系，灰箱模型依靠物理规格和现场特性数据作为修正值，确定输入输出关系。以第一子模型为例进行说明，风机频率为50，风机额定功率为7.5kw，第一黑箱子模型预测输出的功率为6.5kW；第一白箱子模型由全量数据(经验数据)统计η风机＝0.8，a＝0.9，b＝0.1，最后由第一白箱子模型公式得到输出：功率为6kW；第一灰箱子模型由项目数据统计η风机＝0.85，再套用公式得到输出：功率为6.375kW。
可理解的是，基于黑箱模型、白箱模型和灰箱模型均可以独立完成对冷却塔的运行控制。本发明为了提高控制指令的准确性和鲁棒性，在黑箱模型与灰箱模型之间切换对冷却塔运行进行控制。以下以图4基于白箱模型的冷却塔运行控制方法为例进行说明，黑箱模型和灰箱模型的控制流程与此类似。
图4中的流程假定各个冷却塔和冷机选型一致。
设定现场冷却塔总数为num，f为平均频率，n为开塔数。由暖通理论和经验常识，冷却塔控制策略可以简单的分成低频加减塔和全开塔升降频两种模式。即f＝30，n＝(1～num)；n＝num，f＝(31～50)，将这些情况分别带入白箱模型进行计算，所得到的功率之和最小值即为最佳的n，f控制策略。具体地：
(1)将风机频率带入模型1计算冷却塔单塔功率，则冷却塔总功率＝单塔功率*开塔数。
(2)求风水比：m为设计逼近度的开塔数，由风水比与负荷为反比关系，得到风水比＝(n*f)/(m*50)/(实际制冷量/单机额定制冷量)
其中单机额定制冷量，为模型三选择的冷机的静态参数。
将风水比带入模型2，求得逼近度。
(3)由逼近度和湿球温度，求得冷却塔出水温度。
冷却塔出水温度和其他输入参数带入模型3，求得冷机单机功率。冷机总功率为冷机单机功率与冷机开机数的乘积。
功率之和＝冷却塔总功率+冷机总功率。
在实际应用中，当现场冷却塔和冷机选型差别比较大时，需要对冷却塔和冷机进行编号，并按照组合方式和算法优化进行策略寻优输出。
具体地，参见图5，所述采用黑箱模型预测的数据对冷却塔进行控制，包括：
根据所述黑箱模型获得冷却塔总功率和冷机总功率之和最小时的风机频率、冷却塔开塔数和逼近度，其中所述冷却塔总功率为冷却塔单塔功率与冷却塔开塔数的乘积，冷机总功率为冷机单机功率与冷机开机数的乘积；
根据所述风机频率、冷却塔开塔数和逼近度对冷却塔进行控制。
进一步地，参见图6，所述根据所述黑箱模型和白箱模型预测的数据进行验证，包括：
根据所述第一黑箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的模拟拟合曲线；
根据所述第一白箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第一黑箱子模型和第一白箱子模型预测的冷却塔单机功率的均方根误差；
若所述第一黑箱子模型和第一白箱子模型预测的数据的均方根误差RMSE小于第一预设阈值，则认为所述第一黑箱子模型通过验证。
在实际应用中，第一预设阈值设为0.07。
需要说明的是，图6中的虚线为基于第一黑箱子模型获得的模拟拟合曲线，实线为基于第一白箱子模型获得的理论模拟拟合曲线。图6中的横轴代表风机频率(fequency)，纵轴代表冷却塔单机功率(poewer)。
当第一预设阈值大于0.07时，对50hz频率时预测的P风机与风机额定功率的比值作为η风机并进行判定，当0.6<η风机<1.1时，η风机即为修正值；当η风机<0.6,或η风机>1.1时，数据修正不可用，选择η风机＝0.8(0.8为100个商业广场的统计值)或根据产品手册参数对η风机赋值。
进一步地，参见图7，所述根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制，包括：
根据所述第二黑箱子模型预测逼近度，获得风水比和逼近度的模拟拟合曲线；
根据所述第二白箱子模型预测逼近度，获得风水比和逼近度的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第二黑箱子模型和第二白箱子模型预测的逼近度的均方根误差；
若所述第二黑箱子模型和第二白箱子模型预测的数据的均方根误差小于第二预设阈值，则认为所述第二黑箱子模型通过验证。
在实际应用中，第二预设阈值设为0.2。
需要说明的是，图7中的虚线为基于第二黑箱子模型获得的模拟拟合曲线，实线为基于第二白箱子模型获得的理论模拟拟合曲线。图7中的横轴代表风水比(volume)，纵轴代表逼近度(approximation)。
当第二预设阈值大于0.2时，对风水比为1A时预测的逼近度Tappro进行判定。当2<Tappro<5时，以Tappro替换设计逼近度；当Tappro<2,或Tappro>5时，数据修正不可用，选择原设计逼近度，不更改白箱模型公式。
以下结合具体的例子对本发明实施例的第三黑箱子模型与第三白箱子模型的切换逻辑进行说明。
基于第三黑箱子模型获得3～5条不同的冷却塔出水温度下，冷机的单机负荷与冷机单机功率之间关系曲线图。
通过暖通理论验证：
(1)如果各条曲线不相交，则采用第三黑箱子模型。
(2)相同冷却塔出水温度工况，冷机的单机负荷越大，冷机单机功率越大，则采用第三黑箱子模型。
(3)相同冷机的单机负荷工况，冷却塔出水温度越高，冷机单机功率越大，则采用第三黑箱子模型。
如果曲线相交(如图8所示)，或者不符合前述(2)和(3)，则不能采用第三黑箱子模型，切换为第三灰箱子模型。
图9为本发明一个实施例的基于黑箱模型与灰箱模型切换的冷却塔运行控制装置的结构示意图。如图9所示，该装置包括：
黑箱模型建立单元91，用于建立黑箱模型，所述黑箱模型包括第一黑箱子模型、第二黑箱子模型和第三黑箱子模型，其中第一黑箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二黑箱子模型的输入参数为风水比，输出参数为逼近度，第三黑箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
白箱模型建立单元92，用于根据物理规格和经验数据建立白箱模型，所述白箱模型包括第一白箱子模型、第二白箱子模型和第三白箱子模型，其中第一白箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二白箱子模型的输入参数为风水比，输出参数为逼近度，第三白箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
灰箱模型建立单元93，用于在所述白箱模型的基础上，根据物理规格和项目数据建立灰箱模型；
冷却塔控制单元94，用于根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制；当所述黑箱模型预测的数据未通过验证时，采用灰箱模型预测的数据对冷却塔进行控制。
本发明实施例的基于黑箱模型与灰箱模型切换的冷却塔运行控制装置，通过在黑箱模型与灰箱模型之间切换对冷却塔运行进行控制，由于灰箱模型考虑了物理规格和项目数据进行预测，避免了现有技术中单纯的依靠数据拟合模型与实际情况不符的缺陷，提高了控制指令的准确性和鲁棒性。
需要说明的是，上述实施例中的基于黑箱模型与灰箱模型切换的冷却塔运行控制装置可分别用于执行前述实施例中的方法，因此不再一一进行具体的说明。
综上所述，本发明通过在黑箱模型与灰箱模型之间切换对冷却塔运行进行控制，由于灰箱模型考虑了物理规格和项目数据进行预测，避免了现有技术中单纯的依靠数据拟合模型与实际情况不符的缺陷，提高了控制指令的准确性和鲁棒性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的检测电子设备的佩戴状态的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
例如，图10示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备传统上包括处理器101和被安排成存储计算机可执行指令(程序代码)的存储器102。存储器102可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器102具有存储用于执行图1所示的以及各实施例中的任何方法步骤的程序代码104的存储空间103。例如，用于存储程序代码的存储空间1033可以包括分别用于实现上面的方法中的各种步骤的各个程序代码104。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图11所述的计算机可读存储介质。该计算机可读存储介质可以具有与图10的电子设备中的存储器102类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储空间存储有用于执行根据本发明的方法步骤的程序代码111，即可以有诸如处理器101读取的程序代码，当这些程序代码由电子设备运行时，导致该电子设备执行上面所描述的方法中的各个步骤。
以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于黑箱模型与灰箱模型切换的冷却塔运行控制方法，其特征在于，包括：
建立黑箱模型，所述黑箱模型包括第一黑箱子模型、第二黑箱子模型和第三黑箱子模型，其中第一黑箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二黑箱子模型的输入参数为风水比，输出参数为逼近度，第三黑箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
根据物理规格和经验数据建立白箱模型，所述白箱模型包括第一白箱子模型、第二白箱子模型和第三白箱子模型，其中第一白箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二白箱子模型的输入参数为风水比，输出参数为逼近度，第三白箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
在所述白箱模型的基础上，根据物理规格和项目数据建立灰箱模型；
根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制；当所述黑箱模型预测的数据未通过验证时，采用灰箱模型预测的数据对冷却塔进行控制；
所述根据所述黑箱模型和白箱模型预测的数据进行验证，包括：
根据所述第一黑箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的模拟拟合曲线；
根据所述第一白箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第一黑箱子模型和第一白箱子模型预测的冷却塔单机功率的均方根误差；
若所述第一黑箱子模型和第一白箱子模型预测的数据的均方根误差小于第一预设阈值，则认为所述第一黑箱子模型通过验证；
所述根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制，包括：
根据所述第二黑箱子模型预测逼近度，获得风水比和逼近度的模拟拟合曲线；
根据所述第二白箱子模型预测逼近度，获得风水比和逼近度的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第二黑箱子模型和第二白箱子模型预测的逼近度的均方根误差；
若所述第二黑箱子模型和第二白箱子模型预测的数据的均方根误差小于第二预设阈值，则认为所述第二黑箱子模型通过验证；
基于第三黑箱子模型获得3～5条不同的冷却塔出水温度下，冷机的单机负荷与冷机单机功率之间关系曲线图：
如果各条曲线不相交，则采用第三黑箱子模型；
或者，相同冷却塔出水温度工况，冷机的单机负荷越大，冷机单机功率越大，则采用第三黑箱子模型；
或者，相同冷机的单机负荷工况，冷却塔出水温度越高，冷机单机功率越大，则采用第三黑箱子模型。
2.根据权利要求1所述的方法，其特征在于，所述第一白箱子模型的计算公式为：
冷却塔单塔功率＝(风机额定功率*η风机)*(a*(风机频率/50)^3+b)其中，η风机为风机额定功率修正系数，a和b为风机特性参数。
3.根据权利要求1所述的方法，其特征在于，所述第二白箱子模型的计算公式为：
逼近度＝设计逼近度*风水比^(-c)
其中，c为由现场实际数据测量获得的常数。
4.根据权利要求1所述的方法，其特征在于，所述第三白箱子模型的计算公式为：
P冷机＝P查表*η冷冻水温度
其中，P冷机为冷机单机功率，P查表为指定的冷却塔出水温度和冷机的单机负荷下查表获得的冷机单机功率，η冷冻水温度为冷冻水供水温度修正系数。
5.根据权利要求1所述的方法，其特征在于，所述采用黑箱模型预测的数据对冷却塔进行控制，包括：
根据所述黑箱模型获得冷却塔总功率和冷机总功率之和最小时的风机频率、冷却塔开塔数和逼近度，其中所述冷却塔总功率为冷却塔单塔功率与冷却塔开塔数的乘积，冷机总功率为冷机单机功率与冷机开机数的乘积；
根据所述风机频率、冷却塔开塔数和逼近度对冷却塔进行控制。
6.一种基于黑箱模型与灰箱模型切换的冷却塔运行控制装置，其特征在于，包括：
黑箱模型建立单元，用于建立黑箱模型，所述黑箱模型包括第一黑箱子模型、第二黑箱子模型和第三黑箱子模型，其中第一黑箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二黑箱子模型的输入参数为风水比，输出参数为逼近度，第三黑箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
白箱模型建立单元，用于根据物理规格和经验数据建立白箱模型，所述白箱模型包括第一白箱子模型、第二白箱子模型和第三白箱子模型，其中第一白箱子模型的输入参数为风机频率，输出参数为冷却塔单塔功率，第二白箱子模型的输入参数为风水比，输出参数为逼近度，第三白箱子模型的输入参数为单机负荷、冷冻水供水温度、冷却塔出水温度，输出参数为冷机单机功率；
灰箱模型建立单元，用于在所述白箱模型的基础上，根据物理规格和项目数据建立灰箱模型；
冷却塔控制单元，用于根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制；当所述黑箱模型预测的数据未通过验证时，采用灰箱模型预测的数据对冷却塔进行控制；
所述根据所述黑箱模型和白箱模型预测的数据进行验证，包括：
根据所述第一黑箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的模拟拟合曲线；
根据所述第一白箱子模型预测冷却塔单机功率，获得风机频率和冷却塔单机功率的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第一黑箱子模型和第一白箱子模型预测的冷却塔单机功率的均方根误差；
若所述第一黑箱子模型和第一白箱子模型预测的数据的均方根误差小于第一预设阈值，则认为所述第一黑箱子模型通过验证；
所述根据所述黑箱模型和白箱模型预测的数据进行验证，当所述黑箱模型预测的数据通过验证时，采用黑箱模型预测的数据对冷却塔进行控制，包括：
根据所述第二黑箱子模型预测逼近度，获得风水比和逼近度的模拟拟合曲线；
根据所述第二白箱子模型预测逼近度，获得风水比和逼近度的理论拟合曲线；
根据所述模拟拟合曲线和理论拟合曲线获得第二黑箱子模型和第二白箱子模型预测的逼近度的均方根误差；
若所述第二黑箱子模型和第二白箱子模型预测的数据的均方根误差小于第二预设阈值，则认为所述第二黑箱子模型通过验证；
基于第三黑箱子模型获得3～5条不同的冷却塔出水温度下，冷机的单机负荷与冷机单机功率之间关系曲线图：
如果各条曲线不相交，则采用第三黑箱子模型；
或者，相同冷却塔出水温度工况，冷机的单机负荷越大，冷机单机功率越大，则采用第三黑箱子模型；
或者，相同冷机的单机负荷工况，冷却塔出水温度越高，冷机单机功率越大，则采用第三黑箱子模型。
7.一种电子设备，其特征在于，该电子设备包括：
处理器；以及，
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111647709.7A CN114279235B (zh) | 2021-12-29 | 2021-12-29 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111647709.7A CN114279235B (zh) | 2021-12-29 | 2021-12-29 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114279235A CN114279235A (zh) | 2022-04-05 |
| CN114279235B true CN114279235B (zh) | 2024-05-10 |
Family
ID=80878549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111647709.7A Active CN114279235B (zh) | 2021-12-29 | 2021-12-29 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114279235B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115682357B (zh) * | 2022-10-31 | 2023-07-25 | 广州施杰节能科技有限公司 | 一种以逼近度为中心的冷却水寻优方法及独立控制系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009193246A (ja) * | 2008-02-13 | 2009-08-27 | Hitachi Plant Technologies Ltd | 電子機器の冷却システム |
| CN104089362A (zh) * | 2014-06-03 | 2014-10-08 | 杭州哲达科技股份有限公司 | 一种中央空调冷却水系统冷却效率极大化方法及控制装置 |
| CN104239597A (zh) * | 2014-07-02 | 2014-12-24 | 新菱空调(佛冈)有限公司 | 基于rbf神经网络的冷却塔建模方法 |
| CN105024992A (zh) * | 2014-04-28 | 2015-11-04 | 恩智浦有限公司 | 在单个白箱实现中实现使用相关安全性设置 |
| CN109059170A (zh) * | 2018-06-20 | 2018-12-21 | 上海安悦节能技术有限公司 | 基于神经网络算法的中央空调控制系统 |
| CN109583008A (zh) * | 2018-10-18 | 2019-04-05 | 天津大学 | 基于逐步回归的冷水机组能效模型通用建模方法 |
| CN110008575A (zh) * | 2019-03-29 | 2019-07-12 | 重庆大学 | 循环冷却水系统工艺介质多温度目标设定值切换多参数预测控制算法 |
| CN111737857A (zh) * | 2020-05-29 | 2020-10-02 | 国网上海市电力公司 | 一种基于互动能力曲线的暖通空调集群协调控制方法 |
| CN111750491A (zh) * | 2020-05-14 | 2020-10-09 | 海信（山东）空调有限公司 | 一种空调及基于神经网络的空调控制方法 |
| CN112378043A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技（深圳）有限公司 | 冷却水系统控制方法、设备、装置及存储介质 |
| CN112765748A (zh) * | 2021-01-25 | 2021-05-07 | 长安大学 | 机理-数据异构信息融合的旋转机械数字孪生建模方法 |
| CN112783988A (zh) * | 2020-12-29 | 2021-05-11 | 同济大学 | 一种空调通风系统内部环境参数的监测反馈及分析方法 |
| CN112923534A (zh) * | 2021-03-11 | 2021-06-08 | 上海叠腾网络科技有限公司 | 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 |
| CN113237375A (zh) * | 2021-05-18 | 2021-08-10 | 贵州汇通华城股份有限公司 | 一种冷却塔开关机控制方法及系统 |
| CN113449766A (zh) * | 2021-04-15 | 2021-09-28 | 厦门合立道工程设计集团股份有限公司 | 一种短时空调负荷预测方法和装置以及设备 |
| CN113806930A (zh) * | 2021-09-08 | 2021-12-17 | 清华大学 | 白盒与黑盒离散事件系统协同仿真的时序推进方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016130453A1 (en) * | 2015-02-09 | 2016-08-18 | Schneider Electric It Corporation | System and methods for simulation-based optimization of data center cooling equipment |
| WO2020202189A1 (en) * | 2019-03-29 | 2020-10-08 | Bert Labs Private Limited | Self-service artificial intelligence platform leveraging data-based and physics-based models for providing real-time controls and recommendations |
-
2021
- 2021-12-29 CN CN202111647709.7A patent/CN114279235B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009193246A (ja) * | 2008-02-13 | 2009-08-27 | Hitachi Plant Technologies Ltd | 電子機器の冷却システム |
| CN105024992A (zh) * | 2014-04-28 | 2015-11-04 | 恩智浦有限公司 | 在单个白箱实现中实现使用相关安全性设置 |
| CN104089362A (zh) * | 2014-06-03 | 2014-10-08 | 杭州哲达科技股份有限公司 | 一种中央空调冷却水系统冷却效率极大化方法及控制装置 |
| CN104239597A (zh) * | 2014-07-02 | 2014-12-24 | 新菱空调(佛冈)有限公司 | 基于rbf神经网络的冷却塔建模方法 |
| CN109059170A (zh) * | 2018-06-20 | 2018-12-21 | 上海安悦节能技术有限公司 | 基于神经网络算法的中央空调控制系统 |
| CN109583008A (zh) * | 2018-10-18 | 2019-04-05 | 天津大学 | 基于逐步回归的冷水机组能效模型通用建模方法 |
| CN110008575A (zh) * | 2019-03-29 | 2019-07-12 | 重庆大学 | 循环冷却水系统工艺介质多温度目标设定值切换多参数预测控制算法 |
| CN111750491A (zh) * | 2020-05-14 | 2020-10-09 | 海信（山东）空调有限公司 | 一种空调及基于神经网络的空调控制方法 |
| CN111737857A (zh) * | 2020-05-29 | 2020-10-02 | 国网上海市电力公司 | 一种基于互动能力曲线的暖通空调集群协调控制方法 |
| CN112378043A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技（深圳）有限公司 | 冷却水系统控制方法、设备、装置及存储介质 |
| CN112783988A (zh) * | 2020-12-29 | 2021-05-11 | 同济大学 | 一种空调通风系统内部环境参数的监测反馈及分析方法 |
| CN112765748A (zh) * | 2021-01-25 | 2021-05-07 | 长安大学 | 机理-数据异构信息融合的旋转机械数字孪生建模方法 |
| CN112923534A (zh) * | 2021-03-11 | 2021-06-08 | 上海叠腾网络科技有限公司 | 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 |
| CN113449766A (zh) * | 2021-04-15 | 2021-09-28 | 厦门合立道工程设计集团股份有限公司 | 一种短时空调负荷预测方法和装置以及设备 |
| CN113237375A (zh) * | 2021-05-18 | 2021-08-10 | 贵州汇通华城股份有限公司 | 一种冷却塔开关机控制方法及系统 |
| CN113806930A (zh) * | 2021-09-08 | 2021-12-17 | 清华大学 | 白盒与黑盒离散事件系统协同仿真的时序推进方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| A branch and bound approach for building cooling supply control with hybrid model predictive control;Barbara Mayer;energy and buildings;第128卷;553-566 * |
| 制冷站整体能耗优化新方法在达实新大楼的应用;匡付华;薛雪;孙天;袁宜峰;;机电工程技术;20171220(第12期);全文 * |
| 双级离心式冷水机组的数学模型及其应用;陈权;邵双全;张晓亮;燕达;石文星;李先庭;江亿;入谷阳一郎;上田宪治;;制冷学报;20080416(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114279235A (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3351862B1 (en) | Hvac system with predictive free cooling control and free cooling optimization | |
| CN110736227B (zh) | 具有在线可配置系统标识的建筑物管理系统 | |
| KR101973652B1 (ko) | Hvac 시스템에 대한 가변 공기 용적 모델링 | |
| KR101754536B1 (ko) | 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치 | |
| US11703815B2 (en) | Building control system with predictive maintenance based on time series analysis | |
| WO2021179250A1 (en) | Systems and methods for controlling variable refrigerant flow systems and equipment using artificial intelligence models | |
| US10948884B2 (en) | Building control based on uneven load distribution | |
| Du Plessis et al. | The development and integrated simulation of a variable water flow energy saving strategy for deep-mine cooling systems | |
| CN108089440A (zh) | 节能控制方法和装置 | |
| CN114279235B (zh) | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 | |
| CN113806938A (zh) | 制冷机房能效计算方法、装置和电子设备 | |
| KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
| Yik et al. | Chiller models for plant design studies | |
| CN114329979A (zh) | 一种基于白箱模型的冷却塔运行控制方法及装置 | |
| Torzhkov et al. | Chiller plant optimization-an integrated optimization approach for chiller sequencing and control | |
| Aoki et al. | Smart grid real-time pricing optimization control with simulated annealing algorithm for office building air-conditioning facilities | |
| US20220373206A1 (en) | Chiller controller for optimized efficiency | |
| US20200224909A1 (en) | Central plant control system with dynamic computation reduction | |
| Kumar et al. | Data center air handling unit fan speed optimization using machine learning techniques | |
| WO2022185110A1 (en) | Method and control system of a fluid system | |
| Wenzel et al. | Flexibilization of energy supply using the example of industrial hall climatization and cold production | |
| Sawant et al. | Development and Experimental Evaluation of Grey-Box Models for Application in Model Predictive Control of a Microscale Polygeneration System | |
| Giovannini et al. | Numerical model of an industrial refrigeration system for condensation temperature optimisation | |
| Vakiloroaya et al. | Cooling coil design improvement for HVAC energy savings and comfort enhancement | |
| US20220373210A1 (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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |