CN114636212B - 一种基于grnn的多台冷水机组系统运行控制方法 - Google Patents
一种基于grnn的多台冷水机组系统运行控制方法 Download PDFInfo
- Publication number
- CN114636212B CN114636212B CN202210427340.7A CN202210427340A CN114636212B CN 114636212 B CN114636212 B CN 114636212B CN 202210427340 A CN202210427340 A CN 202210427340A CN 114636212 B CN114636212 B CN 114636212B
- Authority
- CN
- China
- Prior art keywords
- chiller
- systems
- cold machine
- efficiency
- operation scheme
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005265 energy consumption Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 25
- 238000001704 evaporation Methods 0.000 claims description 16
- 238000009833 condensation Methods 0.000 claims description 9
- 230000005494 condensation Effects 0.000 claims description 9
- 239000003507 refrigerant Substances 0.000 claims description 9
- 230000008020 evaporation Effects 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims 1
- 238000004378 air conditioning Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 21
- 238000012360 testing method Methods 0.000 description 15
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 10
- 239000000463 material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005057 refrigeration Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling 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
- F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
- F24F5/0007—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater cooling apparatus specially adapted for use in air-conditioning
- F24F5/001—Compression cycle type
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本说明书实施例提供一种基于GRNN的多台冷水机组系统运行控制方法，属于空调冷水机技术领域，该方法包括获取多台冷水机组系统在多个历史时刻的运行特征集，基于负荷需求生成多台冷水机组系统在未来时刻的运行方案；对于每个运行方案，基于多台冷水机组系统在未来时刻的每台冷机的负载率及多台冷水机组系统在多个历史时刻的每台冷机的负载率，从多个历史时刻中确定相似历史时刻，通过内部效率预测模型基于相似历史时刻的运行特征集确定多台冷水机组系统的每台冷机在运行方案下的内部效率，基于内部效率确定多台冷水机组系统在运行方案下的系统能耗；基于每个运行方案对应的系统能耗，从多个运行方案中获取目标方案，具有提高多台冷水机组系统的效率，降低能耗的优点。
Description
技术领域
本说明书涉及空调冷水机组领域，特别涉及一种基于GRNN的多台冷水机组系统运行控制方法。
背景技术
建筑能耗占社会总能耗的约1/4～1/3，并且随着城镇化进程的发展，仍在不断增加中。建筑行业节能减排意义重大。在建筑的全生命周期中，运营阶段的能耗占绝大部分。建筑运营能耗中，空调和照明能耗占主要部分。尤其是大型公共建筑的中央空调机组，能耗非常高，因此，通过精确控制使整套冷机机组达到最佳效率是非常必要的。但是，每台冷机的性能曲线是根据实际工况不断变化的，要实现机组的最佳效率，需要结合实际应用经验进行优化控制。
因此，需要提供一种基于GRNN的多台冷水机组系统运行控制方法，用于提高冷水机组系统的运行效率，降低能耗。
发明内容
为了解决现有技术中冷水机组的效率较低，能耗较高的技术问题，本说明书实施例之一提供一种基于GRNN的多台冷水机组系统运行控制方法，包括：获取多台冷水机组系统在多个历史时刻的运行特征集，所述运行特征集包括工作冷机台数、每台冷机的负载率、冷冻水流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量及耗电量；对于所述多台冷水机组系统的每台冷机，建立对应的内部效率预测模型；获取未来时刻的负荷需求，基于所述负荷需求生成所述多台冷水机组系统的多台冷机在所述未来时刻的运行方案，其中，所述运行方案包括所述多台冷水机组系统在所述未来时刻的每台冷机的负载率；对于每个所述运行方案，基于所述多台冷水机组系统在所述未来时刻的每台冷机的负载率及所述多台冷水机组系统在多个历史时刻的每台冷机的负载率，从所述多个历史时刻中确定相似历史时刻，通过每台所述冷机对应的所述内部效率预测模型基于所述相似历史时刻的运行特征集确定所述冷机在所述运行方案下的内部效率，基于所述多台冷水机组系统的每台冷机在所述运行方案下的所述内部效率确定所述多台冷水机组系统在所述运行方案下的系统能耗；基于每个所述运行方案对应的所述系统能耗，从所述多个运行方案中获取目标方案。
可以理解的，一种基于GRNN的多台冷水机组系统运行控制方法通过获取冷水机组在多个历史时刻的运行特征集，对于每台冷机，建立对应的内部效率预测模型；获取未来时刻的负荷需求，基于负荷需求生成多个冷水机组在未来时刻的运行方案，对于每个运行方案，基于多台冷水机组系统在未来时刻的每台冷机的负载率及多台冷水机组系统在多个历史时刻的每台冷机的负载率，从多个历史时刻中确定相似历史时刻，通过内部效率预测模型基于相似历史时刻的运行特征集确定冷机在运行方案下的内部效率，基于内部效率确定多台冷水机组系统在运行方案下的系统能耗，基于每个运行方案对应的系统能耗，从多个运行方案中获取目标方案，实现提高多台冷水机组系统的效率，降低能耗。
在一些实施例中，所述对于所述多台冷水机组系统的每台冷机，建立对应的内部效率预测模型，包括：建立初始GRNN模型；获取多个样本，所述样本包括冷机在历史时刻多个历史时刻的运行特征集及标签；通过所述多个样本对所述初始GRNN模型进行训练，直至训练后的初始GRNN模型满足预设条件；将满足所述预设条件的所述训练后的初始GRNN模型作为所述冷机对应的内部效率预测模型。
在一些实施例中，所述获取多个训练样本，包括：对于每个所述样本，获取所述历史时刻的运行特征集；基于所述历史时刻的运行特征集中所述冷机的制冷量和耗电量，计算所述冷机在所述历史时刻的能效比；基于所述历史时刻的运行特征集中所述冷机的蒸发温度和冷凝温度，计算所述冷机在所述历史时刻的外部效率；基于所述能效比及所述外部效率计算所述历史时刻的内部效率；将所述内部效率作为所述训练样本的标签。
在一些实施例中，所述基于所述历史时刻的运行特征集中的蒸发温度和冷凝温度，计算所述冷机在所述历史时刻的能效比，包括：基于如下公式计算所述冷机在所述历史时刻的能效比：其中，COPk(Ti)表示第k台冷机在所述历史时刻Ti的能效比，k＝1,…,l，Qk(Ti)表示第k台冷机在所述历史时刻Ti的制冷量，Wk(Ti)表示第k台冷机在所述历史时刻Ti的耗电量，l表示多台冷水机组系统中的冷机总数。
在一些实施例中，所述基于所述历史时刻的运行特征集中的蒸发温度和冷凝温度，计算所述冷机在所述历史时刻的外部效率，包括：基于如下公式计算所述冷机在所述历史时刻的能效比：其中，ICOPk(Ti)表示第k台冷机在所述历史时刻Ti的外部效率，T1k(Ti)表示第k台冷机在所述历史时刻Ti的蒸发温度，T2k(Ti)表示第k台冷机在所述历史时刻Ti的冷凝温度。
在一些实施例中，所述基于所述能效比及所述外部效率计算所述历史时刻的内部效率，包括：基于如下公式计算所述历史时刻的内部效率：其中，DCOPk(Ti)表示第k台冷机在历史时刻Ti的内部效率。
在一些实施例中，所述通过所述多个样本对所述初始GRNN模型进行训练，包括：基于多个样本，生成测试样本集、训练样本集和验证样本集；将所述测试样本集输入至所述训练后的初始GRNN模型的输入层，其中，所述输入层的神经元个数与所述测试样本集包含的测试样本的数量相同；基于径向激活函数计算所述初始GRNN模型的模式层的输出：其中，pi为所述模式层的第i个神经元的输出，i＝1,2,…,m，σ为平滑参数，m为训练集中训练样本的个数，di为测试样本和所述第i个神经元对应的训练样本间的距离，所述模式层的神经元的个数与所述训练集中样本的个数相同，所述di基于以下公式确定；其中，trxj为所述第i个神经元对应训练样本的第j个与所述冷机的内部效率相关的运行特征，j＝1,2,…,s，texij为所述测试样本的第j个与所述冷机的内部效率相关的运行特征，s为与所述冷机的内部效率相关的运行特征的个数，wj为第j个与所述冷机的内部效率相关的运行特征的权重；所述初始GRNN模型的求和层的第一个节点基于以下公式计算所述模式层的输出的算术和：所述初始GRNN模型的求和层的第二个节点基于以下公式计算所述模式层的输出的加权和：所述初始GRNN模型的输出层通过以下公式基于所述求和层的第一个节点和第二节点确定所述测试样本的内部效率：
在一些实施例中，所述基于所述多台冷水机组系统的每台冷机的所述内部效率确定所述多台冷水机组系统在所述运行方案下的系统能耗，包括：基于所述相似历史时刻的运行特征集确定所述多台冷水机组系统的每台冷机在所述运行方案下的外部效率；通过每台冷机对应的内部效率预测模型基于相似历史时刻的运行特征集确定在运行方案下的冷机的内部效率；基于所述多台冷水机组系统的每台冷机在所述运行方案下的内部效率及所述外部效率，确定所述多台冷水机组系统的每台冷机在所述运行方案下的能效比；基于所述能效比确定所述多台冷水机组系统在所述运行方案下的系统能耗。
本说明书实施例之一提供一种基于GRNN的多台冷水机组系统运行控制系统，数据获取模块，用于获取多台冷水机组系统在多个历史时刻的运行特征集，所述运行特征集包括工作冷机台数、每台冷机的负载率、冷冻水流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量及耗电量；模型获取模块，用于对所述多台冷水机组系统的每台冷机，建立内部效率预测模型；方案确定模块，用于获取未来时刻的负荷需求，基于所述负荷需求生成所述多台冷水机组系统在所述未来时刻的运行方案，其中，所述运行方案包括所述多台冷水机组系统在所述未来时刻的每台冷机的负载率；还用于对于每个所述运行方案，基于所述多台冷水机组系统在所述未来时刻的每台冷机的负载率及所述多台冷水机组系统在多个历史时刻的每台冷机的负载率，从所述多个历史时刻中确定相似历史时刻，通过每台所述冷机对应的所述内部效率预测模型基于所述相似历史时刻的运行特征集确定所述冷机在所述运行方案下的内部效率，基于所述多台冷水机组系统的每台冷机在所述运行方案下的所述内部效率确定所述多台冷水机组系统在所述运行方案下的系统能耗，并基于每个所述运行方案对应的所述系统能耗，从所述多个运行方案中获取目标方案。
本说明书实施例之一提供的一种基于GRNN的多台冷水机组系统运行控制方法，至少具备以下有益效果：
(1)可以组合形成多种备选方案，控制策略灵活；
(2)基于历史数据，快速匹配已发生工况下冷机的内部效率或预测未发生工况下冷机的内部效率，准确的预测系统能耗，作为系统控制方案的决策依据；
(3)用于存储各台冷机的历史运行特征的数据库会随着运行时间推移不断扩充，特征增量到一定量时，内部效率预测模型可以自动进行更新，提高预测准确率。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的一种基于GRNN的多台冷水机组系统运行控制系统的应用场景示意图；
图2是根据本说明书一些实施例所示的一种基于GRNN的多台冷水机组系统运行控制系统的模块示意图；
图3是根据本说明书一些实施例所示的一种基于GRNN的多台冷水机组系统运行控制方法的示例性流程图；
图4是根据本说明书一些实施例所示的建立内部效率预测模型的示例性流程图；
图5是根据本说明书一些实施例所示的获取多个训练样本的示例性流程图；
图6是根据本说明书一些实施例所示的确定多台冷水机组系统在运行方案下的系统能耗的示例性流程图。
图中，110、处理设备；120、网络；130、用户终端；140、存储设备。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的一种基于GRNN的多台冷水机组系统运行控制系统的应用场景示意图。
如图1所示，应用场景可以包括处理设备110、网络120、用户终端130和存储设备140。
在一些实施例中，处理设备110可以用于处理与多台冷水机组系统运行控制相关的信息和/或数据。例如，处理设备110可以获取多台冷水机组系统在多个历史时刻的运行特征集，运行特征集包括工作冷机台数、每台冷机的负载率、冷冻水流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量及耗电量；对于多台冷水机组系统的每台冷机，建立对应的内部效率预测模型；获取未来时刻的负荷需求，基于负荷需求生成多台冷水机组系统的多台冷机在未来时刻的运行方案，其中，运行方案包括多台冷水机组系统在未来时刻的每台冷机的负载率；对于每个运行方案，基于多台冷水机组系统在未来时刻的每台冷机的负载率及多台冷水机组系统在多个历史时刻的每台冷机的负载率，从多个历史时刻中确定相似历史时刻，通过每台冷机对应的内部效率预测模型基于相似历史时刻的运行特征集确定冷机在该运行方案下的内部效率，基于多台冷水机组系统的每台冷机在该运行方案下的内部效率确定多台冷水机组系统在运行方案下的系统能耗；基于每个运行方案对应的系统能耗，从多个运行方案中获取目标方案。处理设备110更多的描述可以参见本申请其他部分的描述。例如，图3及其描述。
在一些实施例中，对于每个运行方案，处理设备110可以通过以下公式每台冷机在该运行方案下的内部效率确定每台冷机在该运行方案下的能效比及多台冷水机组系统在该运行方案下的系统能耗ETi+1：
COPk(Ti+1)＝DCOPk(Ti+1)×ICOPk(Ti+1)；
其中，COPk(Ti+1)为未来时刻第k台冷机在未来时刻的能效比，ICOPk(Ti+1)为未来时刻第k台冷机在未来时刻的外部效率，DCOPk(Ti+1)为未来时刻第k台冷机在未来时刻的内部效率，Q0k(Ti+1)为未来时刻第k台冷机在标准工况下的冷机负荷，PLRk(Ti+1)为未来时刻第k台冷机的负载率。
在一些实施例中，处理设备110可以是区域的或者远程的。例如，处理设备110可以通过网络120访问存储于用户终端130和存储设备140中的信息和/或资料。在一些实施例中，处理设备110可以直接与用户终端130和存储设备140连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可以在云平台上执行。例如，该云平台可以包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
在一些实施例中，处理设备110可以包含处理器，处理器可以包含一个或多个子处理器(例如，单芯处理设备或多核多芯处理设备)。仅仅作为范例，处理器可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可促进应用场景中数据和/或信息的交换。在一些实施例中，应用场景中的一个或多个组件(例如，处理设备110、用户终端130和存储设备140)可以通过网络120发送数据和/或信息给应用场景中的其他组件。例如，处理设备110可以通过网络120从存储设备140获取多台冷水机组系统在多个历史时刻的运行特征集。在一些实施例中，网络120可以是任意类型的有线或无线网络。例如，网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络(LAN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或以上任意组合。
在一些实施例中，用户终端130可以获取应用场景中的信息或数据。例如，用户终端130可以通过网络120从处理设备110获取目标方案。在一些实施例中，用户终端130可以包括移动装置(例如，智能手机、智能手表等)、平板电脑、笔记本电脑等中的一种或其任意组合。
在一些实施例中，存储设备140可以与网络120连接以实现与应用场景的一个或多个组件(例如，处理设备110、用户终端130等)通讯。应用场景一个或多个组件可以通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中，存储设备140可以直接与应用场景中的一个或多个组件(如，处理设备110、用户终端130)连接或通讯。在一些实施例中，存储设备140可以是处理设备110的一部分。
应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，在本申请内容的指导下，可做出多种变化和修改。可以以各种方式组合本申请描述的示例性的实施例的特征、结构、方法和其他特征，以获得另外的和/或替代的示例性的实施例。例如，存储设备140可以是包括云计算平台的数据存储设备，例如公共云、私有云、社区和混合云等。然而，这些变化与修改不会背离本申请的范围
图2是根据本说明书一些实施例所示的一种基于GRNN的多台冷水机组系统运行控制系统的模块示意图。
如图2所示，一种基于GRNN的多台冷水机组系统运行控制系统可以包括数据获取模块、模型获取模块及方案确定模块。
数据获取模块可以用于获取多台冷水机组系统在多个历史时刻的运行特征集，运行特征集包括工作冷机台数、每台冷机的负载率、冷冻水流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量及耗电量。
模型获取模块可以用于对每台冷机，建立内部效率预测模型。
方案确定模块可以用于获取未来时刻的负荷需求，基于负荷需求生成多台冷水机组系统在未来时刻的运行方案，其中，运行方案包括多台冷水机组系统在未来时刻的每台冷机的负载率；还用于对于每个运行方案，基于多台冷水机组系统在未来时刻的每台冷机的负载率及多台冷水机组系统在多个历史时刻的每台冷机的负载率，从多个历史时刻中确定相似历史时刻，通过内部效率预测模型基于相似历史时刻的运行特征集确定冷机在该运行方案下的内部效率，基于多台冷水机组系统在该运行方案下的内部效率确定多台冷水机组系统在运行方案下的系统能耗；还用于基于每个运行方案对应的系统能耗，从多个运行方案中获取目标方案。
在一些实施例中，对于每个运行方案，方案确定模块可以通过以下公式每台冷机在该运行方案下的内部效率确定每台冷机在该运行方案下的能效比及多台冷水机组系统在该运行方案下的系统能耗ETi+1：
COPk(Ti+1)＝DCOPk(Ti+1)×ICOPk(Ti+1)；
其中，COPk(Ti+1)为Ti+1时刻第k台冷机在未来时刻的能效比，ICOPk(Ti+1)为未来时刻第k台冷机在未来时刻的外部效率，DCOPk(Ti+1)为未来时刻第k台冷机在未来时刻的内部效率，Q0k(Ti+1)为未来时刻第k台冷机在标准工况下的冷机负荷，PLRk(Ti+1)为未来时刻第k台冷机的负载率。
关于数据获取模块、模型获取模块及方案确定模块的更多描述可以参见图3及其相关描述，此处不再赘述。
需要注意的是，以上对于基于GRNN的多台冷水机组系统运行控制系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的数据获取模块、模型获取模块及方案确定模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的一种基于GRNN的多台冷水机组系统运行控制方法的示例性流程图。如图3所示，一种基于GRNN的多台冷水机组系统运行控制方法包括下述步骤。在一些实施例中，一种基于GRNN的多台冷水机组系统运行控制方法可以由一种基于GRNN的多台冷水机组系统运行控制系统或处理设备110执行。
步骤310，获取多台冷水机组系统在多个历史时刻的运行特征集。在一些实施例中，步骤310可以由数据获取模块执行。
多台冷水机组系统由多台冷水机组(即冷机)组成。
在一些实施例中，运行特征集可以表征多台冷水机组系统在某个时刻的运行状态，运行特征集可以包括工作冷机台数、每台冷机的负载率、冷冻水流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量及耗电量。在一些实施例中，运行特征集还可以包括其他运行特征，例如，环境温度等。
在一些实施例中，数据获取模块可以从用户终端130、存储设备140或外部数据源获取多台冷水机组系统在多个历史时刻的运行特征集。
在一些实施例中，数据获取模块还可以包括用于获取工作冷机台数、每台冷机的负载率、冷冻水流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量、耗电量中的至少一个的设备，例如，温度传感器等。
在一些实施例中，数据获取模块可以将运行特征集中的运行特征分为三类：与多台冷水机组系统实际工作情况相关的A类信息(例如，当前工作冷机台数、耗电量等)、与多台冷水机组系统运行参数相关的B类信息(例如，每台冷机的负载率、冷冻水流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量等)、其它C类参数(例如，环境温度等)。
A类信息如当前工作冷机台数、耗电量等；B类信息如冷机内部的负载率、冷冻水冷冻水流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量。
在一些实施例中，数据获取模块可以通过预设规则过滤无效的运行特征集，从而获取多个完整有效的运行特征集，尽可能地使数据呈现出一段又一段完整运行的过程，并保持所选数据具有稳定的采样率，提高分析结果的稳健性。例如，数据获取模块可以判断运行特征集中是否存在至少一个运行特征为缺失值，若是，则该运行特征集为无效的运行特征集，可以进行删除。又例如，数据获取模块可以判断运行特征集中是否存在至少一个运行特征的值为异常值，若是，则该运行特征集为无效的运行特征集，可以进行删除。示例地，当冷冻水出水温度大于预设冷冻水出水温度阈值时，则判断采集的冷冻水出水温度异常，该运行特征集为无效的运行特征集，可以进行删除。又示例地，当制冷量大于预设制冷量阈值时，则判断采集的制冷量异常，该运行特征集为无效的运行特征集，可以进行删除。
步骤320，对于多台冷水机组系统的每台冷机，建立对应的内部效率预测模型。在一些实施例中，步骤320可以由模型获取模块执行。
模型获取模块为用于预测冷机的内部效率的机器学习模型。
参照图4，在一些实施例中，模型获取模块可以建立内部效率预测模型，包括：
建立初始GRNN(General Regression Neural Network)模型；
获取多个样本，样本包括多个历史时刻的运行特征集及标签；
通过多个样本对初始GRNN模型进行训练，直至训练后的初始GRNN模型满足预设条件；其中，利用验证集VAL对训练后的初始GRNN模型进行测试，计算出验证集VAL的误差，当误差满足阈值范围时，则训练后的初始GRNN模型满足预设条件，保存该训练后的初始GRNN模型；
将满足预设条件的训练后的初始GRNN模型作为该冷机对应的用于预测该冷机的内部效率的内部效率预测模型。
参照图5，在一些实施例中，模型获取模块获取多个训练样本可以包括：
获取多台冷水机组系统在样本对应的历史时刻的运行特征集；
基于历史时刻的运行特征集中冷机的制冷量和耗电量，计算冷机在历史时刻的能效比；
基于历史时刻的运行特征集中冷机的蒸发温度和冷凝温度，计算冷机在历史时刻的外部效率；
基于能效比及外部效率计算冷机在历史时刻的内部效率；
将内部效率作为训练样本的标签。
在一些实施例中，基于如下公式计算冷机在历史时刻的能效比：
其中，COPk(Ti)表示第k台冷机在历史时刻Ti的能效比，k＝1,…,l，Qk(Ti)表示第k台冷机在历史时刻Ti的制冷量，Wk(Ti)表示第k台冷机在历史时刻Ti的耗电量。
在一些实施例中，基于如下公式计算冷机在历史时刻的能效比：
其中，ICOPk(Ti)表示第k台冷机在历史时刻Ti的外部效率，T1k(Ti)表示第k台冷机在历史时刻Ti的蒸发温度，T2k(Ti)表示第k台冷机在历史时刻Ti的冷凝温度。
在一些实施例中，基于能效比及外部效率计算冷机在历史时刻的内部效率，包括：
基于如下公式计算历史时刻的内部效率：
其中，DCOPk(Ti)表示第k台冷机在历史时刻Ti的内部效率，l表示多台冷水机组系统中冷机总数。
在一些实施例中，通过多个样本对初始GRNN模型进行训练，包括：
基于多个样本，生成测试样本集、训练样本集和验证样本集；
将测试样本集输入至训练后的初始GRNN模型的输入层，其中，输入层的神经元个数与测试样本集包含的测试样本的数量相同；
基于径向激活函数计算初始GRNN模型的模式层的输出：
其中，pi为模式层的第i个神经元的输出，i＝1,2,…,m，σ为平滑参数，m为训练集中训练样本的个数，di为测试样本和第i个神经元对应的训练样本间的距离，模式层的神经元的个数与训练集中样本的个数相同，di基于以下公式确定；
其中，trxj为第i个神经元对应训练样本的第j个与冷机的内部效率相关的运行特征，j＝1,2,…,s，texij为测试样本的第j个与冷机的内部效率相关的运行特征，s为与冷机的内部效率相关的运行特征的个数，wj为第j个与冷机的内部效率相关的运行特征的权重；
初始GRNN模型的求和层的第一个节点基于以下公式计算模式层的输出的算术和：
初始GRNN模型的求和层的第二个节点基于以下公式计算模式层的输出的加权和：
初始GRNN模型的输出层通过以下公式基于求和层的第一个节点和第二节点确定测试样本的内部效率：
在一些实施例中，可以通过样本集对初始GRNN模型进行循环训练迭代，直至平滑参数满足设定阈值，再利用验证样本集对训练后的初始GRNN模型进行测试，计算出验证样本集的误差，当误差满足阈值范围时，则训练后的初始GRNN模型是否满足预设条件。
在一些实施例中，模型获取模块可以依此调用各台冷机的历史运行特征，对每台冷机构建对应的内部效率预测模型。
在一些实施例中，用于存储各台冷机的历史运行特征的数据库会随着冷机运行时间推移实时更新，当某一冷机的新增运行特征量大于原有运行特征量的10％时，该冷机的对应内部效率预测模型会根据新增运行特征量进行自动更新，以适应冷机在运行过程中由于各种原因引起的性能变化。
步骤330，获取未来时刻的负荷需求，基于负荷需求生成多台冷水机组系统在未来时刻的运行方案。在一些实施例中，步骤330可以由方案确定模块执行。
在一些实施例中，方案确定模块可以从用户终端130、存储设备140或外部数据源获取未来时刻的负荷需求。
在一些实施例中，方案确定模块可以通过预测模型获取未来时刻的负荷需求，其中，预测模型为用于预测未来时刻的多台冷水机组系统的负荷需求的机器学习模型，预测模型可以包括但不限于神经网络(Neural Networks，NN)、决策树(Decision Tree,DT)、线性回归(Linear Regression,LR)等一种或多种的组合等。预测模型的输入可以为多个历史时刻的运行特征集。
在一些实施例中，方案确定模块可以基于以下约束条件，基于负荷需求生成多台冷水机组系统在未来时刻的运行方案，其中，运行方案包括多台冷水机组系统的每台冷机在未来时刻的每台冷机的负载率：
其中，PLRk(Ti+1)为未来时刻第k台冷机的负载率，PLRk(Ti+1)的取值范围为[0.1,1.5],步长为0.1，Q0k(Ti+1)为未来时刻第k台冷机在标准工况下的冷机负荷。
步骤340，对于每个运行方案，基于多台冷水机组系统在未来时刻的每台冷机的负载率及多台冷水机组系统在多个历史时刻的每台冷机的负载率，从多个历史时刻中确定相似历史时刻，通过每台冷机对应的内部效率预测模型基于相似历史时刻的运行特征集确定冷机在该运行方案下的内部效率，基于多台冷水机组系统的每台冷机的内部效率确定多台冷水机组系统在运行方案下的系统能耗。在一些实施例中，步骤340可以由方案确定模块执行。
在一些实施例中，对于每个运行方案，当某一个历史时刻，多台冷水机组系统的每台冷机的负载率与在未来时刻的每台冷机的负载率相似度大于预设相似度阈值时，则该历史时刻即为该未来时刻的相似历史时刻。
在一些实施例中，对于每个运行方案，方案确定模块还可以先确定多台冷水机组系统在未来时刻的每台冷机的负载率分别与多台冷水机组系统的每台冷机在每个历史时刻的每台冷机的负载率的相似度，将相似度最大的历史时刻作为该未来时刻的相似历史时刻。
在一些实施例中，对于每个运行方案，方案确定模块可以通过每台冷机对应的内部效率预测模型基于相似历史时刻的运行特征集确定在该运行方案下每台冷机在未来时刻的内部效率DCOPk(Ti+1)。
参照图6，在一些实施例中，对于每个运行方案，方案确定模块可以基于相似历史时刻的运行特征集确定多台冷水机组系统的每台冷机在该运行方案下的外部效率；通过每台冷机对应的内部效率预测模型基于相似历史时刻的运行特征集确定在运行方案下的冷机的内部效率；基于多台冷水机组系统的每台冷机在该运行方案下的内部效率及外部效率，确定多台冷水机组系统的每台冷机在该运行方案下的能效比；基于能效比确定多台冷水机组系统在该运行方案下的系统能耗。
在一些实施例中，对于每个运行方案，方案确定模块可以通过以下公式每台冷机在该运行方案下的内部效率确定每台冷机在该运行方案下的能效比及多台冷水机组系统在该运行方案下的系统能耗ETi+1：
COPk(Ti+1)＝DCOPk(Ti+1)×ICOPk(Ti+1)；
其中，COPk(Ti+1)为未来时刻第k台冷机在未来时刻的能效比，ICOPk(Ti+1)为未来时刻第k台冷机在未来时刻的外部效率，DCOPk(Ti+1)为未来时刻第k台冷机在未来时刻的内部效率，Q0k(Ti+1)为未来时刻第k台冷机在标准工况下的冷机负荷，PLRk(Ti+1)为未来时刻第k台冷机的负载率。
步骤350，基于每个运行方案对应的系统能耗，从多个运行方案中获取目标方案。在一些实施例中，步骤350可以由方案确定模块执行。
在一些实施例中，方案确定模块可以将系统能耗最低的运行方案作为目标方案，根据目标方案控制多台冷水机组系统在未来时刻的运行。
应当注意的是，上述有关一种基于GRNN的多台冷水机组系统运行控制方法的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对一种基于GRNN的多台冷水机组系统运行控制方法进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (4)
1.一种基于GRNN的多台冷水机组系统运行控制方法，其特征在于，包括：
获取多台冷水机组系统在多个历史时刻的运行特征集，所述运行特征集包括工作冷机台数、每台冷机的负载率、冷冻水流量、冷冻水回水温度、冷冻水出水温度、冷凝温度、蒸发温度、压缩机频率、制冷剂充罐量、制冷量及耗电量；
对于所述多台冷水机组系统的每台冷机，建立对应的内部效率预测模型；
获取未来时刻的负荷需求，基于所述负荷需求生成所述多台冷水机组系统在所述未来时刻的运行方案，其中，所述运行方案包括所述多台冷水机组系统在所述未来时刻的每台冷机的负载率；
对于每个所述运行方案，基于所述多台冷水机组系统在所述未来时刻的每台冷机的负载率及所述多台冷水机组系统在多个历史时刻的每台冷机的负载率，从所述多个历史时刻中确定相似历史时刻，通过每台所述冷机对应的所述内部效率预测模型基于所述相似历史时刻的运行特征集确定在所述运行方案下的所述冷机的内部效率，基于所述多台冷水机组系统的每台冷机在所述运行方案下的所述内部效率确定所述多台冷水机组系统在所述运行方案下的系统能耗；
基于每个所述运行方案对应的所述系统能耗，从所述多个运行方案中获取目标方案；
其中，基于所述多台冷水机组系统的每台冷机的所述内部效率确定所述多台冷水机组系统在所述运行方案下的系统能耗，包括：
基于所述相似历史时刻的运行特征集确定所述多台冷水机组系统的每台冷机在所述运行方案下的外部效率；
通过每台冷机对应的内部效率预测模型基于相似历史时刻的运行特征集确定在运行方案下的冷机的内部效率；
基于所述多台冷水机组系统的每台冷机在所述运行方案下的内部效率及所述外部效率，确定所述多台冷水机组系统的每台冷机在所述运行方案下的能效比；
基于所述能效比确定所述多台冷水机组系统在所述运行方案下的系统能耗；
对于每个运行方案，通过以下公式基于所述多台冷水机组系统的每台冷机在所述运行方案下的内部效率及所述外部效率，确定所述多台冷水机组系统的每台冷机在所述运行方案下的能效比ETi+1：
COPk(Ti+1)＝DCOPk(Ti+1)×ICOPk(Ti+1)；
其中，COPk(Ti+1)为Ti+1时刻第k台冷机在未来时刻的能效比，ICOPk(Ti+1)为未来时刻第k台冷机在未来时刻的外部效率，DCOPk(Ti+1)为未来时刻第k台冷机在未来时刻的内部效率，Q0k(Ti+1)为未来时刻第k台冷机在标准工况下的冷机负荷，PLRk(Ti+1)为未来时刻第k台冷机的负载率。
2.如权利要求1所述的一种基于GRNN的多台冷水机组系统运行控制方法，其特征在于，所述对于所述多台冷水机组系统的每台冷机，建立对应的内部效率预测模型，包括：
建立初始GRNN模型；
获取多个样本，所述样本包括多个历史时刻的运行特征集及标签；
通过所述多个样本对所述初始GRNN模型进行训练，直至训练后的初始GRNN模型满足预设条件；
将满足所述预设条件的所述训练后的初始GRNN模型作为所述冷机对应的内部效率预测模型。
3.如权利要求2所述的一种基于GRNN的多台冷水机组系统运行控制方法，其特征在于，所述获取多个训练样本，包括：
对于每个所述样本，
获取所述历史时刻的运行特征集；
基于所述历史时刻的运行特征集中所述冷机的制冷量和耗电量，计算所述冷机在所述历史时刻的能效比；
基于所述历史时刻的运行特征集中所述冷机的蒸发温度和冷凝温度，计算所述冷机在所述历史时刻的外部效率；
基于所述能效比及所述外部效率计算所述冷机在所述历史时刻的内部效率；
将所述内部效率作为所述训练样本的标签。
4.如权利要求1所述的一种基于GRNN的多台冷水机组系统运行控制方法，其特征在于，基于所述负荷需求生成所述多台冷水机组系统在所述未来时刻的运行方案，包括：
基于以下约束条件及所述负荷需求生成所述多台冷水机组系统在所述未来时刻的运行方案：
其中，PLRk(Ti+1)为未来时刻第k台冷机的负载率，PLRk(Ti+1)的取值范围为[0.1,1.5],步长为0.1，Q0k(Ti+1)为未来时刻第k台冷机在标准工况下的冷机负荷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210427340.7A CN114636212B (zh) | 2022-04-22 | 2022-04-22 | 一种基于grnn的多台冷水机组系统运行控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210427340.7A CN114636212B (zh) | 2022-04-22 | 2022-04-22 | 一种基于grnn的多台冷水机组系统运行控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114636212A CN114636212A (zh) | 2022-06-17 |
| CN114636212B true CN114636212B (zh) | 2024-01-30 |
Family
ID=81951098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210427340.7A Active CN114636212B (zh) | 2022-04-22 | 2022-04-22 | 一种基于grnn的多台冷水机组系统运行控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114636212B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115307274B (zh) * | 2022-10-12 | 2023-01-03 | 蘑菇物联技术（深圳）有限公司 | 控制空调系统的主机的方法、设备和存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1224823A (zh) * | 1997-11-07 | 1999-08-04 | 兰迪斯及斯特法有限公司 | 具有前馈和反馈控制的室温控制装置及方法 |
| CA2344908A1 (en) * | 2000-07-20 | 2002-01-20 | Siemens Building Technologies, Inc. | Model based fault detection and diagnosis methodology for hvac subsystems |
| JP2015028407A (ja) * | 2013-07-31 | 2015-02-12 | 日立アプライアンス株式会社 | チラー管理システム、及び、このチラー管理システムを備えたチラー装置。 |
| JP2015096795A (ja) * | 2013-11-15 | 2015-05-21 | 株式会社日立製作所 | 空調運転制御システム及びその方法 |
| CN104976839A (zh) * | 2015-06-26 | 2015-10-14 | 西安建筑科技大学 | 一种水源侧节能运行模式切换的地下水源热泵系统与方法 |
| CN106765932A (zh) * | 2016-12-14 | 2017-05-31 | 深圳达实智能股份有限公司 | 中央空调系统制冷主机的能效比预测方法及装置 |
| CN110107989A (zh) * | 2019-04-30 | 2019-08-09 | 北京工业大学 | 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法 |
| CN110222398A (zh) * | 2019-05-29 | 2019-09-10 | 广州汇电云联互联网科技有限公司 | 冷水机组人工智能控制方法、装置、存储介质及终端设备 |
| CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
| CN111256294A (zh) * | 2020-01-17 | 2020-06-09 | 深圳市得益节能科技股份有限公司 | 一种基于模型预测的冷水机组组合运行优化控制方法 |
| CN112413809A (zh) * | 2020-11-25 | 2021-02-26 | 珠海格力电器股份有限公司 | 中央空调冷站运行评价方法、装置和系统 |
| WO2021063033A1 (zh) * | 2019-09-30 | 2021-04-08 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
| KR20210101955A (ko) * | 2020-02-11 | 2021-08-19 | 엘지전자 주식회사 | 중앙 제어 장치 |
| CN113405223A (zh) * | 2021-06-23 | 2021-09-17 | 苏州智而卓数字科技有限公司 | 一种基于grnn的冷机台数控制方法及其控制系统 |
| CN113864851A (zh) * | 2021-09-15 | 2021-12-31 | 郑州泉水之源供水设备有限公司 | 一种空气能制冷采暖两联供应系统集成化水力模块 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220082284A1 (en) * | 2020-07-14 | 2022-03-17 | Venthalpy, Llc | Systems and methods for measuring efficiencies of hvacr systems |
-
2022
- 2022-04-22 CN CN202210427340.7A patent/CN114636212B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1224823A (zh) * | 1997-11-07 | 1999-08-04 | 兰迪斯及斯特法有限公司 | 具有前馈和反馈控制的室温控制装置及方法 |
| CA2344908A1 (en) * | 2000-07-20 | 2002-01-20 | Siemens Building Technologies, Inc. | Model based fault detection and diagnosis methodology for hvac subsystems |
| JP2015028407A (ja) * | 2013-07-31 | 2015-02-12 | 日立アプライアンス株式会社 | チラー管理システム、及び、このチラー管理システムを備えたチラー装置。 |
| JP2015096795A (ja) * | 2013-11-15 | 2015-05-21 | 株式会社日立製作所 | 空調運転制御システム及びその方法 |
| CN104976839A (zh) * | 2015-06-26 | 2015-10-14 | 西安建筑科技大学 | 一种水源侧节能运行模式切换的地下水源热泵系统与方法 |
| CN106765932A (zh) * | 2016-12-14 | 2017-05-31 | 深圳达实智能股份有限公司 | 中央空调系统制冷主机的能效比预测方法及装置 |
| CN110107989A (zh) * | 2019-04-30 | 2019-08-09 | 北京工业大学 | 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法 |
| CN110222398A (zh) * | 2019-05-29 | 2019-09-10 | 广州汇电云联互联网科技有限公司 | 冷水机组人工智能控制方法、装置、存储介质及终端设备 |
| WO2021063033A1 (zh) * | 2019-09-30 | 2021-04-08 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
| CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
| CN111256294A (zh) * | 2020-01-17 | 2020-06-09 | 深圳市得益节能科技股份有限公司 | 一种基于模型预测的冷水机组组合运行优化控制方法 |
| KR20210101955A (ko) * | 2020-02-11 | 2021-08-19 | 엘지전자 주식회사 | 중앙 제어 장치 |
| CN112413809A (zh) * | 2020-11-25 | 2021-02-26 | 珠海格力电器股份有限公司 | 中央空调冷站运行评价方法、装置和系统 |
| CN113405223A (zh) * | 2021-06-23 | 2021-09-17 | 苏州智而卓数字科技有限公司 | 一种基于grnn的冷机台数控制方法及其控制系统 |
| CN113864851A (zh) * | 2021-09-15 | 2021-12-31 | 郑州泉水之源供水设备有限公司 | 一种空气能制冷采暖两联供应系统集成化水力模块 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114636212A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112577161B (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
| CN113835344B (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
| CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
| CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
| CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
| CN110826784B (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
| KR102103006B1 (ko) | 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 | |
| CN110410942A (zh) | 一种冷热源机房节能优化控制方法及系统 | |
| CN113739365A (zh) | 中央空调冷站群控节能控制方法、装置、设备及存储介质 | |
| CN113268913B (zh) | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 | |
| CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
| CN111582604A (zh) | 数据处理方法和装置、电子设备、及介质 | |
| CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
| CN111814388B (zh) | 一种基于神经网络的下送风数据中心cfd仿真校验方法 | |
| CN114548539B (zh) | 循环水系统压缩机透平能耗预测方法、装置、设备及介质 | |
| CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
| Zhang et al. | Residual physics and post-posed shielding for safe deep reinforcement learning method | |
| CN113959071B (zh) | 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 | |
| CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN118189358A (zh) | 基于规则-平衡优化器融合算法的多联机系统节能方法 | |
| CN116954329A (zh) | 制冷系统的状态调节方法、装置、设备、介质及程序产品 | |
| CN114580722B (zh) | 一种建筑物冷负荷需求预测方法、系统、设备及存储介质 | |
| Odufuwa et al. | Application of artificial neural networks in predicting the performance of ice thermal energy storage systems | |
| CN111626485A (zh) | 一种区域建筑能源系统的负荷预测系统及方法 |
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 |