CN114484749A - 一种冷机择优控制方法及系统 - Google Patents
一种冷机择优控制方法及系统 Download PDFInfo
- Publication number
- CN114484749A CN114484749A CN202210102000.7A CN202210102000A CN114484749A CN 114484749 A CN114484749 A CN 114484749A CN 202210102000 A CN202210102000 A CN 202210102000A CN 114484749 A CN114484749 A CN 114484749A
- Authority
- CN
- China
- Prior art keywords
- control
- parameters
- influence parameters
- station system
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 68
- 239000000498 cooling water Substances 0.000 claims abstract description 51
- 238000001816 cooling Methods 0.000 claims abstract description 44
- 238000007710 freezing Methods 0.000 claims abstract description 17
- 230000008014 freezing Effects 0.000 claims abstract description 17
- 238000005265 energy consumption Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004378 air conditioning Methods 0.000 abstract description 7
- 238000011217 control strategy Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 230000005494 condensation Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及中央空调冷机控制的技术领域,公开了一种冷机择优控制方法及系统,基本影响参数包括系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd‑T和冷却塔风机转速数据CT‑Speed,所述冷机择优控制方法的步骤包括:实时获取冷站系统的基本影响参数;将所述基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数;基于最优控制参数生成控制指令以控制相应的设备的运行状态;本申请具有提高冷站系统的能效水平的效果。
Description
技术领域
本发明涉及中央空调冷机控制的技术领域,尤其是涉及一种冷机择优控制方法及系统。
背景技术
中央空调冷机设备包括制冷机组、冷冻水泵、冷却水泵、冷却塔及其附属设备。冷机控制策略,指的是围绕制冷机组为中心,水泵及冷却塔配套控制的方法,以冷机群控系统为策略执行者。
目前常规冷机控制策略如下:冷机群控的控制器监视冷冻水管的温度和流量传感器并计算冷负荷。当冷冻水的计算负荷达到运行空调主机名义制冷量的高利用率阈值并持续一段时间,则冷机群控的控制器将增开站房内下一套可用的空调主机。当冷冻水的计算负荷低于运行空调主机名义制冷量的低利用率阈值并持续一段时间,则空调主机将被关闭。冷机群控的控制器将根据启动顺序或运行时间选择关闭合适的空调主机。
这种控制策略确保冷机大部分时间运行在较高的部分负荷率,避免冷机喘振和低负荷情况下空调主机效率低的毛病,控制原理简单,便于人员理解和操作。因此是目前比较通用的一种控制策略。
针对上述相关技术,发明人认为这种控制策略不是最佳的。
发明内容
为了提高冷站系统的能效水平,本申请提供一种冷机择优控制方法及系统。
本申请的上述发明目的一采用如下技术方案实现:
一种冷机择优控制方法,基本影响参数包括系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd-T和冷却塔风机转速数据CT-Speed,所述冷机择优控制方法的步骤包括:
实时获取冷站系统的基本影响参数;
将所述基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数;
基于最优控制参数生成控制指令以控制相应的设备的运行状态。
通过采用上述技术方案,在冷站系统的正常运行过程中实时获取系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速数据CT-Speed,涵盖了对冷站系统中各设备的能耗起到影响作用的多个基本影响参数,以便后续对冷站系统中多个设备的能耗分别进行评价;将这些基本影响参数输入至控制模型中,从控制模型中匹配当前工况下冷站系统的最佳运行状态,基于冷站系统处于最佳运行状态时基本影响参数的数值确定最优控制参数;将当前基本影响参数的数值与冷站系统处于最佳运行状态时基本影响参数的数值进行对比,根据对比结果判断是否需要生成控制指令以控制相应的设备进行运行状态的调整,使相应设备调整至最佳运行状态从而达到提高冷站系统能效水平的效果。
本申请在一较佳示例中可以进一步配置为:实时获取冷站系统的基本影响参数的步骤之前,还包括:
分析冷站系统中各设备的能耗构成,判断各设备的影响参数;
对所述影响参数进行推演,从中确定冷站系统的基本影响参数。
通过采用上述技术方案,分析冷站系统中每一设备的具体能耗情况,从而确定每一设备的运行参数中能够对该设备的能耗造成影响的参数并定义为影响参数;对各影响参数进行推演,从中剔除可通过其他参数推演得到的影响参数,减少非必要的数据存储量和数据处理量将剩余未被剔除的影响参数定义为基本影响参数,以便简化后续的控制模型匹配流程,提高数据匹配和处理的效率。
本申请在一较佳示例中可以进一步配置为:将所述基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数的步骤之前,还包括:
获取冷站系统的历史影响参数,并对所述历史影响参数进行回归算法处理,生成各设备对应的控制模型。
通过采用上述技术方案,获取冷站系统的历史影响参数,并对获取到的众多历史影响参数进行回归算法处理,以便对各设备分别建立一个能够用于反映历史影响参数与设备能耗情况之间关系的控制模型,以便判断各设备的在不同影响参数下的能效水平,识别各设备的最佳运行状态,便于后续将实时获取基本影响参数与各设备的最佳运行状态进行对比。
本申请在一较佳示例中可以进一步配置为:将所述基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数的步骤中,具体包括:
将所述基本影响参数输入对应的控制模型中,从控制模型中匹配各设备最佳运行状态所对应的基本影响参数的数值;
基于各设备最佳运行状态所对应的基本影响参数的数值生成最优控制参数。
通过采用上述技术方案,将实时获取到的基本影响参数输入至对应的控制模型中进行匹配,以便得到各控制模型所对应的设备在最佳运行状态下基本影响参数的数值;根据各设备在最佳运行状态下基本影响参数的数值生成最优控制参数,以便后续根据最优控制参数对冷站系统内的各设备的运行状态进行调整。
本申请在一较佳示例中可以进一步配置为:基于各设备最佳运行状态所对应的基本影响参数的数值生成最优控制参数的步骤中,包括:
若任一基本影响参数在不同设备的最佳运行状态下对应多个数值,则计算所述基本影响参数在各数值情况下冷站系统总能效,基于计算结果确定最优控制参数。
通过采用上述技术方案,当某个基本影响参数在冷站系统的多个设备分别处于最佳运行状态的情况时,该基本影响参数的数值具有多个取值,因而无法直接判断该基本影响参数的最优数值,此时基于该基本影响参数的多个取值分别计算冷站系统的总能效,将总能效的多个计算结果中能效最高的计算结果所对应的取值作为该基本影响参数的最优数值,从而确定最优控制参数,从有利于维持冷站系统总能效最高的角度确定基本影响参数的取值,进一步提高了基本影响参数取值的科学性和合理性,便于提高冷站系统的能效水平。
本申请在一较佳示例中可以进一步配置为:对所述影响参数进行推演,从中确定冷站系统的基本影响参数的步骤中,具体包括:
分析各影响参数之间的函数关系,从所述影响参数剔除能够通过其他数据计算得到的影响参数,将剩余的影响参数定义为冷站系统的基本影响参数。
通过采用上述技术方案,分析各影响参数之间的函数关系,以便从所述影响参数中剔除能够通过其他数据以及函数关系计算而得到的部分影响参数,并将剩余的影响参数定义为冷站系统的基本影响参数,便于充分发挥基本影响参数的作用,以减少非必要影响参数的存储量和处理量,提高数据处理效率,同时降低数据存储和处理成本。
本申请在一较佳示例中可以进一步配置为:获取冷站系统的历史影响参数,并对所述历史影响参数进行回归算法处理,生成各设备对应的控制模型的步骤中,具体包括:
获取系统负荷Load、冷冻出水温度T1、冷冻水流量L1、冷却进水温度T2、冷却水流量L2的历史数据,通过回归算法处理后创建主机COP曲线模型;
获取系统负荷Load、冷冻出水温度T1、冷冻水流量L1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速CT-Speed的历史数据,通过回归算法处理后创建水泵HQ曲线模型和水泵-效率曲线模型;
获取冷却塔风机转速CT-Speed的历史数据,通过回归算法处理后创建冷却塔-冷却水温曲线模型。
通过采用上述技术方案,分别获取与冷站系统中各设备相关的历史影响参数,基于与各设备相关的历史影响参数进行回归算法处理,以创建各设备所对应的控制模型;通过对各设备创建对应的控制模型,便于分析各设备在最佳运行状态时对应的影响参数的数值。
本申请的上述发明目的二采用如下技术方案实现:
一种冷机择优控制系统,包括:
基本影响参数获取模块,用于实时获取冷站系统的基本影响参数;
最优控制参数生成模块,用于将所述基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数;
设备控制模块,用于基于最优控制参数生成控制指令以控制相应的设备的运行状态。
通过采用上述技术方案,在冷站系统的正常运行过程中实时获取系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速数据CT-Speed,涵盖了对冷站系统中各设备的能耗起到影响作用的多个基本影响参数,以便后续对冷站系统中多个设备的能耗分别进行评价;将这些基本影响参数输入至控制模型中,从控制模型中匹配当前工况下冷站系统的最佳运行状态,基于冷站系统处于最佳运行状态时基本影响参数的数值确定最优控制参数;将当前基本影响参数的数值与冷站系统处于最佳运行状态时基本影响参数的数值进行对比,根据对比结果判断是否需要生成控制指令以控制相应的设备进行运行状态的调整,使相应设备调整至最佳运行状态从而达到提高冷站系统能效水平的效果。
本申请的上述发明目的三采用如下技术方案实现:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述冷机择优控制方法的步骤。
本申请的上述发明目的四采用如下技术方案实现:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述冷机择优控制方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1.在冷站系统正常运营的过程中实时获取系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速数据CT-Speed等对冷站系统的能耗起影响作用的基本影响参数,并将基本影响参数输入至控制模型中,匹配冷站系统在当前工况下的最佳运行状态以确定最优控制参数,将实时获取的基本影响参数的数值与最优控制参数进行对比,从而根据对比结果判断是否需要生成控制指令以将相应设备调整至最佳运行状态。
2.通过分析冷站系统中各设备的能耗构成,以将各设备的运行参数中能够对设备的能耗起到影响作用的参数定义为影响参数,获取各影响参数之间的函数关系,以将可通过其他参数推演出的影响参数剔除后剩余的影响参数定义为基本影响参数,便于简化后续控制模型的匹配流程降低非必要数据存储量和数据处理量,达到提高数据匹配处理效率的效果。
3.当某个基本影响参数在不同设备的最佳运行状态下对应有多个数值而无法直接判断该基本影响参数的最优数值时,分别基于每个数值计算冷站系统的总能效,将多个计算结果中总能效最高的计算结果对应的基本影响参数的数值作为该基本影响参数的最优数值,进一步提高了基本影响参数取值的科学性和合理性。
附图说明
图1是本申请一实施例中冷机择优控制方法的一流程图;
图2是本申请一实施例中冷机择优控制方法中步骤S10的流程图;
图3是本申请一实施例中冷机择优控制方法中步骤S20的流程图;
图4是本申请一实施例中冷机择优控制方法中步骤S20的另一流程图;
图5是本申请一实施例中冷机择优控制方法中步骤S20的另一流程图;
图6是本申请一实施例中冷机择优控制方法中步骤S10的另一流程图;
图7是本申请一实施例中冷机择优控制方法中步骤S20的另一流程;
图8是本申请一实施例中冷机择优控制系统的一原理框图;
图9是本申请一实施例中的设备示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中,如图1所示,本申请公开了一种冷机择优控制方法,基本影响参数包括系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd-T和冷却塔风机转速数据CT-Speed;冷机择优控制方法具体包括如下步骤:
S10:实时获取冷站系统的基本影响参数。
在本实施例中,冷站系统包括空调主机、冷冻水泵、冷却水泵和冷却塔等设备;影响参数是指冷站系统中可对各设备的能耗起影响作用的参数,基本影响参数是指无法通过其他参数的计算或推演而得到的影响参数;湿球温度是指在室外测得的温度情况。
具体地,冷站系统能耗S-Pe=空调主机能耗Chiller-Pe+冷冻水泵能耗CP-Pe+冷却水泵能耗CWP-Pe+冷却塔能耗CT-Pe。
具体地,从冷站系统的各设备中实时获取系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd-T和冷却塔风机转速数据CT-Speed等基本影响参数,用于后续根据基本影响参数控制冷站系统的工作状态,相对于现有的仅通过判断空调主机的负荷情况以确定是否开启下一套空调主机或者关闭正在运行的空调主机的调整方式,更有利于反映冷站系统整体的能耗情况,以便对冷站系统的工作状态进行针对性更强的调节。
S20:将基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数。
在本实施例中,最佳运行状态是指冷站系统能效最高的运行状态,最优控制参数是指冷站系统处于最佳运行状态时基本影响参数的数值。
具体地,将实时获取的各基本影响数据输入到控制模型中,根据系统负荷Load从控制模型中匹配当前工况下冷站系统的最佳运行状态,将冷站系统的最佳运行状态所对应的基本影响参数的数值作为最优控制参数,便于后续基于最优控制参数调节冷站系统的工作状态。
S30:基于最优控制参数生成控制指令以控制相应的设备的运行状态。
在本实施例中,控制指令是指基于最优控制参数所生成的用于控制冷站系统下各设备的工作状态,以令冷站系统达到最佳工作状态的指令。
具体地,将实时获取的基本影响参数的数值与冷站系统处于最佳运行状态时基本影响参数的数值进行对比,根据对比结果判断是否需要生成控制指令,以控制相应的设备进行运行状态的调整。
具体地,对各基本影响参数均设置上下限阈值,若实时获取的所有基本影响参数的数值均位于相应的上下限阈值之间,则认为当前冷站系统正处于最佳工作状态,无需进行调整,若实时获取的各基本影响参数中任一参数的数值位于该参数相应的上下限阈值之外,则认为当前冷站系统未处于最佳工作状态,生成控制指令以调节相应的设备的工作状态至最佳工作状态,从而达到提高冷站系统能效水平的效果。
在本实施例中,在冷站系统的正常运行过程中实时获取系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速数据CT-Speed,涵盖了对冷站系统中各设备的能耗起到影响作用的多个基本影响参数,以便后续对冷站系统中多个设备的能耗分别进行评价;将这些基本影响参数输入至控制模型中,从控制模型中匹配当前工况下冷站系统的最佳运行状态,基于冷站系统处于最佳运行状态时基本影响参数的数值确定最优控制参数;将当前基本影响参数的数值与冷站系统处于最佳运行状态时基本影响参数的数值进行对比,根据对比结果判断是否需要生成控制指令以控制相应的设备进行运行状态的调整,使相应设备调整至最佳运行状态从而达到提高冷站系统能效水平的效果。
在一实施例中,如图2所示,在步骤S10之前,还包括:
S11:分析冷站系统中各设备的能耗构成,判断各设备的影响参数。
在本实施例,
具体地,分析冷站系统中每一设备的能耗构成,并判断每一设备的影响参数,其中:
第一方面,空调主机运行效率COP主要与五个变量有关,分别是空调主机部分负荷率Plr(即空调主机实际负荷与额定负荷的占比)、冷冻出水温度T1、冷冻水流量L1、冷却进水温度T2、冷却水流量L2,即:
COP=F(Plr、T1、L1、T2、L2)
则空调主机能耗Chiller-Pe=Load/COP= F(Load、T1、L1、T2、L2)
即空调主机能耗Chiller-Pe的影响参数包括系统负荷Load、冷冻出水温度T1、冷冻水流量L1、冷却进水温度T2、冷却水流量L2。
第二方面,冷冻水泵扬程CP-H1与冷冻水流量L1及水泵控制策略(如定压差、等温差)有关,水泵效率CP-Eff与扬程CP-H1和冷冻水流量L1两个变量有关,所以冷冻水泵能耗:
CP-Pe=CP-H1×L1/CP-Eff=F(Load、T1)
即冷冻水泵能耗CP-Pe的影响参数包括系统负荷Load、冷冻出水温度T1。
第三方面,冷却水泵扬程CP-H2,冷却水流量L2与冷凝热量Qk、冷却进水温度T2、冷却水进出温差Cd-T有关,而冷却进水温度T2又与冷却水流量L2、冷却塔风机转速CT-Speed、冷却水进出温差Cd-T、湿球温度Tw有关,因此在仅仅已知湿球温度Tw、系统负荷Load时,不能直接得到冷却水流量L2和冷却进水温度T2,需要迭代计算。
冷却水泵能耗计算公式:
CWP-Pe=CWP-H2×L2/CWP-Eff
=F(Qk、T2、L2、Tw、Cd-T、CT-Speed)
=F(Load、T1、L1、Tw、Cd-T、CT-Speed)
即冷却水泵能耗CWP-Pe的影响参数包括系统负荷Load、冷冻出水温度T1、冷冻水流量L1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速CT-Speed。
第四方面,冷却塔能耗CT-Pe与冷却塔风机转速CT-Speed有关,即:
CT-Pe=F(CT-Speed)
即冷却塔能耗CT-Pe的影响参数包括冷却塔风机转速CT-Speed。
上述能耗计算公式中,均需要乘上设备运行台数。
综上所述:
冷站系统能耗S-Pe=F(Load、T1、L1、T2、L2、Tw、Cd-T、CT-Speed)
即冷站系统能耗S-Pe的影响参数包括系统负荷Load、冷冻出水温度T1、冷冻水流量L1、冷却进水温度T2、冷却水流量L2、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速CT-Speed。
S12:对影响参数进行推演,从中确定冷站系统的基本影响参数。
具体地,对冷站系统中每一设备的影响参数进行分析和推演,将可通过其他参数推演得到的影响参数剔除后,把剩余的影响参数定义为基本影响参数,其中可被剔除的影响参数包括可被其他影响参数或非影响参数推演得到的影响参数,以及根据设备的控制策略直接得到的影响参数,将可通过其他参数推演得到的影响参数剔除,便于减少非必要的数据存储量和数据处理量,提高数据的匹配和处理效率,简化控制模型。
在一实施例中,如图3所示,在步骤S20之前,还包括:
S21:获取冷站系统的历史影响参数,并对历史影响参数进行回归算法处理,生成各设备对应的控制模型。
在本实施例中,历史影响参数是指在冷站系统的日常运行过程中获取到的影响参数的数值。
具体地,在冷站系统的日常运行中获取各影响参数的数值并记录相应的时间节点,将获取到的影响参数的数值和时间节点存储后形成历史影响参数数据集,将历史影响参数数据集中记录的历史影响参数通过人工智能回归分析模块进行处理后,建立各设备所对应的控制模型,以便后续根据控制模型匹配各设备的最佳运行状态以及设备处于最佳运行状态时各参数的数值。
在一实施例中,如图4所示,在步骤S20中,具体包括:
S22:将基本影响参数输入对应的控制模型中,从控制模型中匹配各设备最佳运行状态所对应的基本影响参数的数值。
具体地,将实时获取的基本影响参数输入对应设备的控制模型中,从控制模型中匹配在当前工况下,该设备的最佳运行状态,并获取该设备在最佳运行状态下所对应的基本影响参数的数值,以便后续根据设备在最佳运行状态下对应的基本影响参数的数值调整该设备的运行状态。
S23:基于各设备最佳运行状态所对应的基本影响参数的数值生成最优控制参数。
具体地,根据从控制模型中匹配的到的各设备在最佳运行状态下对应的基本影响参数的数值生成该设备的最优控制参数,以作为设备运行状态调整的参考参数,便于提高该设备的运行能效水平。
在一实施例中,如图5所示,在步骤S23中,包括:
S24:若任一基本影响参数在不同设备的最佳运行状态下对应多个数值,则计算基本影响参数在各数值情况下冷站系统总能效,基于计算结果确定最优控制参数。
具体地,由于对同一个基本影响参数的调整可能对多个设备的运行状态造成影响,且不同设备在调整至最佳运行状态下对同一基本影响参数可能存在不同的取值,因此,当一个基本影响参数在不同设备的最佳运行状态下对应多个取值时,计算冷站系统在该基本影响参数的每一个取值情况下的总能效,对比所有计算结果,并将冷站系统总能效的最大值所对应的取值作为该基本影响参数的最优数值,基于该基本影响参数的最优数值确定最优控制参数,从有利于维持冷站系统总能效最高的角度确定基本影响参数的取值,进一步提高了基本影响参数取值的科学性和合理性。
在一实施例中,如图6所示,在步骤S12中,具体包括:
S13:分析各影响参数之间的函数关系,从影响参数剔除能够通过其他数据计算得到的影响参数,将剩余的影响参数定义为冷站系统的基本影响参数。
具体地,分析冷站系统中各影响参数之间的函数关系,由于部分影响参数刻有其他影响参数或者非影响参数通过函数关系所确定,因而分析各影响参数之间的函数关系有助于将部分非必要的影响参数剔除,仅保留无法通过其他参数和函数关系所确定的影响参数并定义为基本影响参数。
具体地,由于冷冻水流量L1与系统负荷Load和冷冻出水温度T1有关,
即L1=F( Load、T1 ),
因而冷冻水流量L1可通过其他参数所确定,属于非必要的影响参数;
由于冷却进水温度T2与冷却水流量L1、冷却塔风机转速CT-Speed、冷却水进出温差Cd-T、湿球温度Tw有关,
即T2=F(L1、 CT-Speed、Cd-T、Tw),
因而冷却进水温度T2可通过其他参数所确定,属于非必要的影响参数;
由于冷却水流量L2与冷凝热量Qk、冷却进水温度T2、冷却水进出温差Cd-T有关,
即L2=F(Qk、T2、Cd-T),
因而冷却水流量L2可通过其他参数所确定,属于非必要的影响参数;
综上所述,由于冷站系统能耗S-Pe=F(Load、T1、L1、T2、L2、Tw、Cd-T、CT-Speed),而L1、T2、L2为非必要的影响参数,因此F=(Load、T1、Tw、Cd-T、CT-Speed),即冷站系统能耗S-Pe的基本影响参数包括系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速CT-Speed。
在一实施例中,如图7所示,在步骤S21中,具体包括:
S25:获取系统负荷Load、冷冻出水温度T1、冷冻水流量L1、冷却进水温度T2、冷却水流量L2的历史数据,通过回归算法处理后创建主机COP曲线模型。分别获取与冷站系统中各设备相关的历史影响参数,基于与各设备相关的历史影响参数进行回归算法处理,以创建各设备所对应的控制模型;通过对各设备创建对应的控制模型,便于分析各设备在最佳运行状态时对应的影响参数的数值。
具体地,由于空调主机运行效率COP=F(Plr、T1、L1、T2、L2),获取系统负荷Load、冷冻出水温度T1、冷冻水流量L1、冷却进水温度T2、冷却水流量L2的历史数据,通过人工智能回归分析模块进行处理后,创建主机COP曲线模型,以便用于分析空调主机的当前能效水平以及匹配空调主机在当前工况下的最佳运行状态所对应的影响参数的数值。
S26:获取系统负荷Load、冷冻出水温度T1、冷冻水流量L1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速CT-Speed的历史数据,通过回归算法处理后创建水泵HQ曲线模型和水泵-效率曲线模型。
具体地,由于冷冻水泵能耗CP-Pe=CP-H1×L1/CP-Eff=F(Load、T1),并且冷却水泵能耗CWP-Pe=CWP-H2×L2/CWP-Eff=F(Load、T1、L1、Tw、Cd-T、CT-Speed),获取系统负荷Load、冷冻出水温度T1、冷冻水流量L1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速CT-Speed的历史数据,通过人工智能回归分析模块进行处理后,创建水泵HQ曲线模型和水泵-效率曲线模型,以便用于分析冷冻水泵和冷却水泵的当前能效水平,同时匹配冷冻水泵和冷却水泵在当前工况下的最佳运行状态所对应的影响参数的数值。
S27:获取冷却塔风机转速CT-Speed的历史数据,通过回归算法处理后创建冷却塔-冷却水温曲线模型。
具体地,由于冷却塔能耗CT-Pe=F(CT-Speed),获取冷却塔风机转速CT-Speed的历史数据,通过人工智能回归分析模块进行处理后,创建冷却塔-冷却水温曲线模型,以便用于分析冷却塔的当前能效水平,匹配冷却塔在当前工况下的最佳运行状态所对应的影响参数的数值,同时观察冷却水的温度变化情况。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种冷机择优控制系统,该冷机择优控制系统与上述实施例中冷机择优控制方法一一对应。
如图8所示,一种冷机择优控制系统,包括基本影响参数获取模块、最优控制参数生成模块和设备控制模块。各功能模块的详细说明如下:
基本影响参数获取模块,用于实时获取冷站系统的基本影响参数;
最优控制参数生成模块,用于将基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数;
设备控制模块,用于30基于最优控制参数生成控制指令以控制相应的设备的运行状态。
关于冷机择优控制系统的具体限定可以参见上文中对于冷机择优控制方法的限定,在此不再赘述;上述冷机择优控制系统中的各个模块可全部或部分通过软件、硬件及其组合来实现;上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以是以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基本影响参数、最优控制参数、影响参数、历史影响参数、回归算法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种冷机择优控制方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
S10:实时获取冷站系统的基本影响参数;
S20:将基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数;
S30:基于最优控制参数生成控制指令以控制相应的设备的运行状态。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
S10:实时获取冷站系统的基本影响参数;
S20:将基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数;
S30:基于最优控制参数生成控制指令以控制相应的设备的运行状态。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种冷机择优控制方法,其特征在于:基本影响参数包括系统负荷Load、冷冻出水温度T1、湿球温度Tw、冷却水进出温差Cd-T和冷却塔风机转速数据CT-Speed,所述冷机择优控制方法的步骤包括:
实时获取冷站系统的基本影响参数;
将所述基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数;
基于最优控制参数生成控制指令以控制相应的设备的运行状态。
2.根据权利要求1所述的一种冷机择优控制方法,其特征在于:实时获取冷站系统的基本影响参数的步骤之前,还包括:
分析冷站系统中各设备的能耗构成,判断各设备的影响参数;
对所述影响参数进行推演,从中确定冷站系统的基本影响参数。
3.根据权利要求1所述的一种冷机择优控制方法,其特征在于:将所述基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数的步骤之前,还包括:
获取冷站系统的历史影响参数,并对所述历史影响参数进行回归算法处理,生成各设备对应的控制模型。
4.根据权利要求1所述的一种冷机择优控制方法,其特征在于:将所述基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数的步骤中,具体包括:
将所述基本影响参数输入对应的控制模型中,从控制模型中匹配各设备最佳运行状态所对应的基本影响参数的数值;
基于各设备最佳运行状态所对应的基本影响参数的数值生成最优控制参数。
5.根据权利要求1所述的一种冷机择优控制方法,其特征在于:基于各设备最佳运行状态所对应的基本影响参数的数值生成最优控制参数的步骤中,包括:
若任一基本影响参数在不同设备的最佳运行状态下包含多个数值,则计算所述基本影响参数在各数值情况下冷站系统总能效,基于计算结果确定最优控制参数。
6.根据权利要求1所述的一种冷机择优控制方法,其特征在于:对所述影响参数进行推演,从中确定冷站系统的基本影响参数的步骤中,具体包括:
分析各影响参数之间的函数关系,从所述影响参数剔除能够通过其他数据计算得到的影响参数,将剩余的影响参数定义为冷站系统的基本影响参数。
7.根据权利要求1所述的一种冷机择优控制方法,其特征在于:获取冷站系统的历史影响参数,并对所述历史影响参数进行回归算法处理,生成各设备对应的控制模型的步骤中,具体包括[1]
获取系统负荷Load、冷冻出水温度T1、冷冻水流量L1、冷却进水温度T2、冷却水流量L2的历史数据,通过回归算法处理后创建主机COP曲线模型;
获取系统负荷Load、冷冻出水温度T1、冷冻水流量L1、湿球温度Tw、冷却水进出温差Cd-T、冷却塔风机转速CT-Speed的历史数据,通过回归算法处理后创建水泵HQ曲线模型和水泵-效率曲线模型;
获取冷却塔风机转速CT-Speed的历史数据,通过回归算法处理后创建冷却塔-冷却水温曲线模型。
8.一种冷机择优控制系统,其特征在于,包括:
基本影响参数获取模块,用于实时获取冷站系统的基本影响参数;
最优控制参数生成模块,用于将所述基本影响参数输入控制模型中进行匹配,得到冷站系统的最佳运行状态以生成最优控制参数;
设备控制模块,用于基于最优控制参数生成控制指令以控制相应的设备的运行状态。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述用于冷机择优控制方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至7任一项所述用于冷机择优控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102000.7A CN114484749A (zh) | 2022-01-27 | 2022-01-27 | 一种冷机择优控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102000.7A CN114484749A (zh) | 2022-01-27 | 2022-01-27 | 一种冷机择优控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114484749A true CN114484749A (zh) | 2022-05-13 |
Family
ID=81476716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210102000.7A Pending CN114484749A (zh) | 2022-01-27 | 2022-01-27 | 一种冷机择优控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114484749A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116379655A (zh) * | 2023-04-19 | 2023-07-04 | 广州施杰节能科技有限公司 | 一种冷机寻优控制系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170149580A1 (en) * | 2015-11-23 | 2017-05-25 | International Business Machines Corporation | Dynamic control of smart home using wearable device |
CN112503746A (zh) * | 2020-12-09 | 2021-03-16 | 上海安悦节能技术有限公司 | 基于机器学习与粒子群算法的动力站房冷源系统的控制方法 |
US20210108822A1 (en) * | 2019-10-10 | 2021-04-15 | Honeywell International Inc. | Shared parameterization of differential pressure set points in heating, ventilation, and air-conditioning systems |
CN113739365A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 中央空调冷站群控节能控制方法、装置、设备及存储介质 |
CN113739368A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 一种中央空调系统的冷站控制方法及系统 |
-
2022
- 2022-01-27 CN CN202210102000.7A patent/CN114484749A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170149580A1 (en) * | 2015-11-23 | 2017-05-25 | International Business Machines Corporation | Dynamic control of smart home using wearable device |
US20210108822A1 (en) * | 2019-10-10 | 2021-04-15 | Honeywell International Inc. | Shared parameterization of differential pressure set points in heating, ventilation, and air-conditioning systems |
CN112503746A (zh) * | 2020-12-09 | 2021-03-16 | 上海安悦节能技术有限公司 | 基于机器学习与粒子群算法的动力站房冷源系统的控制方法 |
CN113739365A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 中央空调冷站群控节能控制方法、装置、设备及存储介质 |
CN113739368A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 一种中央空调系统的冷站控制方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116379655A (zh) * | 2023-04-19 | 2023-07-04 | 广州施杰节能科技有限公司 | 一种冷机寻优控制系统及方法 |
CN116379655B (zh) * | 2023-04-19 | 2023-09-05 | 广州施杰节能科技有限公司 | 一种冷机寻优控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021063033A1 (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
CN115682357B (zh) | 一种以逼近度为中心的冷却水寻优方法及独立控制系统 | |
CN108168030B (zh) | 一种基于制冷性能曲线的智能控制方法 | |
CN107940679A (zh) | 一种基于数据中心冷水机组性能曲线的群控方法 | |
CN114484749A (zh) | 一种冷机择优控制方法及系统 | |
CN110332668B (zh) | 一种制热模式的控制方法、系统及空调器 | |
CN109118017B (zh) | 热负荷优化分配方法、电子设备和存储介质 | |
FI112977B (fi) | Hierarkkinen säätö erillisiä jäähdytysyksiköitä varten | |
CN110500706B (zh) | 空调故障处理方法与装置 | |
CN112418453A (zh) | 故障处理方法、装置、计算机设备和存储介质 | |
CN113266455A (zh) | 一种活塞冷却喷嘴控制方法、装置、系统及存储介质 | |
CN114234400A (zh) | 多模块机组控制方法、装置、计算机设备和存储介质 | |
CN109556240B (zh) | 空调系统的控制方法、装置、机房空调系统和计算机设备 | |
CN104793656B (zh) | 旁路压力设定值的确定方法及装置 | |
CN111552360B (zh) | 工控机降温方法、装置、计算机设备及存储介质 | |
CN114688689B (zh) | 一种电子膨胀阀的开度调节方法、装置及多联式空调器 | |
CN109282436B (zh) | 空调机组压缩机控制方法、装置、计算机设备和存储介质 | |
CN110671783A (zh) | 一种空调器除湿度的控制方法、装置、空调器及存储介质 | |
CN113503749B (zh) | 一种用于间接空冷系统的智能水温控制方法 | |
WO2022267209A1 (zh) | 并联阀组控制方法、装置、控制器和存储介质 | |
CN115597135A (zh) | 除湿机出风口温度控制方法、控制系统及除湿机 | |
CN114739057A (zh) | 空调器电子膨胀阀的控制方法、装置及电子设备 | |
CN114206071A (zh) | 基于双曲线冷却塔的数据中心冷却系统 | |
CN114738103A (zh) | 一种车用温控模块控制方法及装置 | |
CN116880163B (zh) | 一种智慧数据中心冷源调控方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |
|
RJ01 | Rejection of invention patent application after publication |