CN114707288A - 一种楼宇级用能优化方法及系统 - Google Patents

一种楼宇级用能优化方法及系统 Download PDF

Info

Publication number
CN114707288A
CN114707288A CN202111591306.5A CN202111591306A CN114707288A CN 114707288 A CN114707288 A CN 114707288A CN 202111591306 A CN202111591306 A CN 202111591306A CN 114707288 A CN114707288 A CN 114707288A
Authority
CN
China
Prior art keywords
energy consumption
objective function
cooling unit
indoor
temperature
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
Application number
CN202111591306.5A
Other languages
English (en)
Inventor
王金友
林勇
陈晓东
田强
陈文佼
田明国
鞠延昌
张云鹤
李欣
孟祥震
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.)
Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Weifang Power Supply Co of State Grid Shandong Electric Power 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 Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Weifang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202111591306.5A priority Critical patent/CN114707288A/zh
Publication of CN114707288A publication Critical patent/CN114707288A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开一种楼宇级用能优化方法及系统，包括：根据供冷机组的制冷设备开关状态以及在部分负荷下的能耗率和满负荷下的能耗率构建运行能耗目标函数；根据预设室内标准温度和室内实际温度构建室内舒适度目标函数；根据运行能耗目标函数和室内舒适度目标函数构建供冷机组运行模型；根据制冷需求约束和室内温度阈值约束，采用供冷机组运行模型进行供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率的模拟控制，以此得到供冷机组的协调出力方案。以减少供冷机组运行能耗与提高用户舒适度为双重优化目标，构建楼宇冷机系统的优化运行模型，解决供冷机组协调出力问题。

Description

一种楼宇级用能优化方法及系统
技术领域
本发明涉及用能优化技术领域，特别是涉及一种楼宇级用能优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
建筑能耗约占全社会能源消耗的三分之一，且建筑体总量和能耗强度还在持续增长，其中商业楼宇单位能耗是其他建筑的2倍多，制冷站能耗在建筑能耗中占比40～60％，而供冷机组又是制冷站中能源消耗最大的设备，是建筑楼宇用能优化控制的重点对象。所以，通过对供冷机组的能耗分析，选用合适的用能优化算法，找到最优的供冷机组协同方案，降低供冷机组能耗，显得尤为重要。
与此同时，目前商业楼宇用能存在只监不控、以偏概全的问题。只有7％的建筑应用了自动化系统，能够实现对供冷、供热、末端设备的协同优化控制，仍有多达90％的建筑仅简单实现了用能监测与远程操作功能。人工调节设备运行状态仍是普遍现象，一方面难以实现良好的节能效果，另一方面也难以适应复杂多变的空调节能控制及用户舒适度要求。另外市面上绝大部分的节能优化控制系统仅对“源”设备或末端设备进行局部优化，同样也未缺乏对楼宇建筑中用户舒适度的分析优化，难以实现经济型与舒适性的平衡。
发明内容
为了解决上述问题，本发明提出了一种楼宇级用能优化方法及系统，以减少供冷机组运行能耗与提高用户舒适度为双重优化目标，构建楼宇冷机系统的优化运行模型，采用基于知识迁移的Q学习算法解决供冷机组协调出力问题，实现系统级全局优化控制。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种楼宇级用能优化方法，包括：
根据供冷机组的制冷设备开关状态以及在部分负荷下的能耗率和满负荷下的能耗率构建运行能耗目标函数；
根据预设室内标准温度和室内实际温度构建室内舒适度目标函数；
根据运行能耗目标函数和室内舒适度目标函数构建供冷机组运行模型；
根据制冷需求约束和室内温度阈值约束，采用供冷机组运行模型进行供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率的模拟控制，以此得到供冷机组的协调出力方案。
作为可选择的实施方式，根据供冷机组的协调出力方案，控制供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率。
作为可选择的实施方式，所述部分负荷下的能耗率根据制冷设备的部分负荷率和冷却水进水温度得到；
所述部分负荷率为制冷设备的实际负荷与满负荷容量之比。
作为可选择的实施方式，所述运行能耗目标函数为：
Figure BDA0003429221050000021
式中：f1为运行能耗目标函数，PLR为制冷设备在某负荷下的部分负荷率；T为某负荷下的平均冷却水进水温度；PERi(PLR,T)为第i台制冷设备在某负荷下的部分能耗率；Ei为第i台制冷设备在满负荷运行时的能耗；Zi为第i台制冷设备的开关状态。
作为可选择的实施方式，所述室内舒适度目标函数为：
Figure BDA0003429221050000031
式中：f2为运行能耗目标函数，Troom(t)为t时段室内实际温度；Tset为室内标准温度。
作为可选择的实施方式，基于运行能耗目标函数和室内舒适度目标函数采用加权聚合得到供冷机组运行模型的总优化目标函数，为：minf＝μf1+λ(1-f2)(1-μ)；
式中：μ为运行能耗目标函数的权重；λ为平衡系数；f1为运行能耗目标函数；f2为运行能耗目标函数。
作为可选择的实施方式，所述制冷需求约束根据制冷设备的容量和开关状态得到，具体为：
Figure BDA0003429221050000032
式中：Qi为第i台制冷设备的容量；Zi为第i台制冷设备的开关状态，n为制冷设备的数量；
所述室内温度阈值约束为室内实际温度在室内温度阈值允许的范围内。
作为可选择的实施方式，在设定周期内，根据制冷需求约束和室内温度阈值约束，采用基于Q学习的优化策略求解供冷机组运行模型的目标函数，以得到供冷机组的协调出力方案。
第二方面，本发明提供一种楼宇级用能优化系统，包括：
第一目标构建模块，被配置为根据供冷机组的制冷设备开关状态以及在部分负荷下的能耗率和满负荷下的能耗率构建运行能耗目标函数；
第二目标构建模块，被配置为根据预设室内标准温度和室内实际温度构建室内舒适度目标函数；
模型模块，被配置为根据运行能耗目标函数和室内舒适度目标函数构建供冷机组运行模型；
协调优化模块，被配置为根据制冷需求约束和室内温度阈值约束，采用供冷机组运行模型进行供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率的模拟控制，以此得到供冷机组的协调出力方案。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明提出的一种楼宇级用能优化方法及系统，解决供冷机组协调出力问题，以减少供冷机组运行能耗的运行能耗目标函数与提高用户舒适度的室内舒适度目标函数为双重优化目标，以此构建楼宇冷机系统的优化运行模型，同时根据制冷需求和室内温度阈值的约束，通过控制供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率，得到最优的供冷机组协同运行方案，达到针对楼宇中的供冷机组进行用能优化的目的，既考虑到了实际应用中的用能经济性，又考虑到了楼宇中用户的舒适性，实现经济型与舒适性的平衡。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的楼宇级用能优化方法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种楼宇级用能优化方法，包括：
根据供冷机组的制冷设备开关状态以及在部分负荷下的能耗率和满负荷下的能耗率构建运行能耗目标函数；
根据预设室内标准温度和室内实际温度构建室内舒适度目标函数；
根据运行能耗目标函数和室内舒适度目标函数构建供冷机组运行模型；
根据制冷需求约束和室内温度阈值约束，采用供冷机组运行模型进行供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率的模拟控制，以此得到供冷机组的协调出力方案。
在本实施例中，首先对供冷机组能耗进行分析，构建供冷机组能耗模型。
在空调工程设计中，往往根据空调峰值负荷选择供冷机组中制冷设备容量。实际上，一年之中大部分时间制冷设备都在部分负荷下运行，因此，不能采用样本的满负荷效率计算制冷设备的全年能耗，必须考虑制冷设备在部分负荷下运行的效率，即部分负荷率，部分负荷率为制冷设备的实际负荷与其满负荷容量之比。
影响制冷设备效率的因素包括运行负荷率、冷却水进水温度、冷水出水温度、换热器传热表面的污垢系数等；运行负荷率为制冷设备在某一负荷下的运行效率；其中运行负荷率、冷却水进水温度和冷水出水温度是影响制冷设备效率的最主要因素，将这三个因素分离出，将制冷设备的制冷效率(COP)表示成三个变量的函数，即：
COP＝COPd×fA(LCHWT,ECDWT)×fB(PLR)
COP＝COPd×f1(LCHWT,ECDWT)×f2(PLR) (1)
式中：COPd为设计工况下满负荷运行时的COP值；LCHWT为冷水出水温度(℃)；ECDWT为冷却水进水温度(℃)；PLR为部分负荷率；函数fA×fB为实际制冷量与能耗比值，相当于比例系数。
如果在运行中，冷水出水温度控制在7℃，这时可以考虑将式(1)简化为部分负荷率PLR和冷却水进水温度ECDWT的表达式，通过对供货商提供的某种型号制冷设备的实测数据进行双二次拟合，可以得到如式(2)的表达式，以用来计算该型号制冷设备的能耗。
PER＝c1+c2×ECDWT+c3×PLR+c4×ECDWT2+c5×PLR2+c6×ECDWT×PLR (2)
式中：PER为部分能耗率，即制冷设备的实际能耗与满负荷运行时能耗之比；c1-c6为通过对制冷设备实测数据进行双二次拟合后的权重系数。
在本实施例中，供冷机组协调出力的优化目标函数采用多目标形式，其中，子目标f1为供冷机组综合运行能耗，将制冷设备开启状态用“1”表示，关闭状态用“0”表示，若某配置方案共采用n台制冷设备，则确定某一负荷Q下，供冷机组的运行能耗目标函数如下：
Figure BDA0003429221050000071
式中：PLR为制冷设备在该负荷下的部分负荷率(关闭的制冷设备PLR＝0)；T为该负荷所对应的平均冷却水进水温度(℃)；PERi(PLR,T)为第i台制冷设备在该负荷下的部分能耗率；Ei为第i台制冷设备在设计工况下满负荷运行时的能耗；Zi为第i台制冷设备的开关状态(Zi＝0或1)。
子目标f2为室内舒适度目标，与室内温度相关，则室内舒适度目标函数如下式(4)所示：
Figure BDA0003429221050000081
式中：Troom(t)为t时段室内实际测得的温度值；Tset为正常情况下室内标准温度。
基于运行能耗目标函数和室内舒适度目标函数采用加权聚合方法得到供冷机组运行模型的总优化目标函数，如下式(5)所示：
minf＝μf1+λ(1-f2)(1-μ) (5)
式中：μ为运行能耗目标函数和室内舒适度目标函数在总优化目标函数中的权重，可由用户根据需要进行设定；λ为平衡系数。
在本实施例中，所述制冷需求约束如下：
Figure BDA0003429221050000082
式中：Qi为第i台制冷设备的容量(kW)；Zi为第i台制冷设备的开关状态(Zi＝0或1)。
在本实施例中，用户舒适度约束即室内温度阈值约束，如下式所示：
Troommin≤Troom(t)≤Troommax (7)
式中：Troommin、Troommax为室内温度值的允许下限和允许上限。
通过供冷机组运行模型的建立，在保证室内舒适度的情况下，尽可能的减小冷机机组功耗。
在本实施例中，根据制冷需求约束和室内温度阈值约束，采用基于Q学习的优化策略求解供冷机组运行模型的目标函数，以得到供冷机组的协调出力方案。
Q学习算法的学习过程为：首先根据Q矩阵元素大小选择机组注入对应二进制编码的每一位，动作选择只有0-1变量，动作选择完成后，经编码转换成连续的机组有功，代入目标优化模型，用内点法获得目标值，并将其转化成相应的动作奖励以更新Q矩阵，直到获得最优策略，使得奖励回报最大，当目标优化模型收敛到不可行解时，动作奖励为0。
其中，动作选择策略为用轮盘赌的方式在二进制空间中选择：
Figure BDA0003429221050000091
Figure BDA0003429221050000092
式中：r为[0,1]之间的随机数，
Figure BDA0003429221050000093
为基于
Figure BDA0003429221050000094
的概率矩阵
Figure BDA0003429221050000095
中状态为
Figure BDA0003429221050000096
动作为1的选择概率；
Figure BDA0003429221050000097
为
Figure BDA0003429221050000098
中状态为s、动作为a的Q值。
Q矩阵元素
Figure BDA0003429221050000099
的更新策略为：
Figure BDA00034292210500000910
式中：
Figure BDA00034292210500000911
为在第k步迭代中经a(k)动作后，状态从s(k)转移到状态s(k+1)的奖励值；σ为折扣因子；a(k)为第k步迭代的学习因子；
本实施例采用基于自然对数衰减的变学习率Q学习，即：
Figure BDA00034292210500000912
式中：T为最大迭代次数。
在本实施例中，根据供冷机组的协调出力方案，控制供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率。
本实施例基于Q学习算法解决供冷机组协调出力问题，以减少供冷机组能耗与提高用户舒适度为双重优化目标，建立楼宇冷机系统的优化运行模型，采用Q学习算法进行参数寻优，从而得到最优的供冷机组协同方案，达到用能优化的目的。
实施例2
本实施例提供一种楼宇级用能优化系统，包括：
第一目标构建模块，被配置为根据供冷机组的制冷设备开关状态以及在部分负荷下的能耗率和满负荷下的能耗率构建运行能耗目标函数；
第二目标构建模块，被配置为根据预设室内标准温度和室内实际温度构建室内舒适度目标函数；
模型模块，被配置为根据运行能耗目标函数和室内舒适度目标函数构建供冷机组运行模型；
协调优化模块，被配置为根据制冷需求约束和室内温度阈值约束，采用供冷机组运行模型进行供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率的模拟控制，以此得到供冷机组的协调出力方案。
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种楼宇级用能优化方法，其特征在于，包括：
根据供冷机组的制冷设备开关状态以及在部分负荷下的能耗率和满负荷下的能耗率构建运行能耗目标函数；
根据预设室内标准温度和室内实际温度构建室内舒适度目标函数；
根据运行能耗目标函数和室内舒适度目标函数构建供冷机组运行模型；
根据制冷需求约束和室内温度阈值约束，采用供冷机组运行模型进行供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率的模拟控制，以此得到供冷机组的协调出力方案。
2.如权利要求1所述的一种楼宇级用能优化方法，其特征在于，根据供冷机组的协调出力方案，控制供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率。
3.如权利要求1所述的一种楼宇级用能优化方法，其特征在于，所述部分负荷下的能耗率根据制冷设备的部分负荷率和冷却水进水温度得到；
所述部分负荷率为制冷设备的实际负荷与满负荷容量之比。
4.如权利要求1所述的一种楼宇级用能优化方法，其特征在于，所述运行能耗目标函数为：
Figure FDA0003429221040000011
所述室内舒适度目标函数为：
Figure FDA0003429221040000012
式中：f1为运行能耗目标函数，PLR为制冷设备在某负荷下的部分负荷率；T为某负荷下的平均冷却水进水温度；PERi(PLR,T)为第i台制冷设备在某负荷下的部分能耗率；Ei为第i台制冷设备在满负荷运行时的能耗；Zi为第i台制冷设备的开关状态；f2为运行能耗目标函数，Troom(t)为t时段室内实际温度；Tset为室内标准温度。
5.如权利要求1所述的一种楼宇级用能优化方法，其特征在于，基于运行能耗目标函数和室内舒适度目标函数采用加权聚合得到供冷机组运行模型的总优化目标函数，为：minf＝μf1+λ(1-f2)(1-μ)；
式中：μ为运行能耗目标函数的权重；λ为平衡系数；f1为运行能耗目标函数；f2为运行能耗目标函数。
6.如权利要求1所述的一种楼宇级用能优化方法，其特征在于，所述制冷需求约束根据制冷设备的容量和开关状态得到，具体为：
Figure FDA0003429221040000021
式中：Qi为第i台制冷设备的容量；Zi为第i台制冷设备的开关状态，n为制冷设备的数量；
所述室内温度阈值约束为室内实际温度在室内温度阈值允许的范围内。
7.如权利要求1所述的一种楼宇级用能优化方法，其特征在于，在设定周期内，根据制冷需求约束和室内温度阈值约束，采用基于Q学习的优化策略求解供冷机组运行模型的目标函数，以得到供冷机组的协调出力方案。
8.一种楼宇级用能优化系统，其特征在于，包括：
第一目标构建模块，被配置为根据供冷机组的制冷设备开关状态以及在部分负荷下的能耗率和满负荷下的能耗率构建运行能耗目标函数；
第二目标构建模块，被配置为根据预设室内标准温度和室内实际温度构建室内舒适度目标函数；
模型模块，被配置为根据运行能耗目标函数和室内舒适度目标函数构建供冷机组运行模型；
协调优化模块，被配置为根据制冷需求约束和室内温度阈值约束，采用供冷机组运行模型进行供冷机组的冷却水进水温度、冷却水出水温度和部分负荷率的模拟控制，以此得到供冷机组的协调出力方案。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
CN202111591306.5A 2021-12-23 2021-12-23 一种楼宇级用能优化方法及系统 Pending CN114707288A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111591306.5A CN114707288A (zh) 2021-12-23 2021-12-23 一种楼宇级用能优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111591306.5A CN114707288A (zh) 2021-12-23 2021-12-23 一种楼宇级用能优化方法及系统

Publications (1)

Publication Number Publication Date
CN114707288A true CN114707288A (zh) 2022-07-05

Family

ID=82167536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111591306.5A Pending CN114707288A (zh) 2021-12-23 2021-12-23 一种楼宇级用能优化方法及系统

Country Status (1)

Country Link
CN (1) CN114707288A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557070A (zh) * 2024-01-11 2024-02-13 江西南昌济生制药有限责任公司 能耗优化方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557070A (zh) * 2024-01-11 2024-02-13 江西南昌济生制药有限责任公司 能耗优化方法、装置及电子设备
CN117557070B (zh) * 2024-01-11 2024-04-12 江西南昌济生制药有限责任公司 能耗优化方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Clauß et al. Predictive rule-based control to activate the energy flexibility of Norwegian residential buildings: Case of an air-source heat pump and direct electric heating
CN104807137B (zh) 空调温湿度的控制方法和装置
US20100211224A1 (en) Heating and cooling control methods and systems
CN111550861B (zh) 一种热泵与电蓄热设备自适应优化控制方法、系统及装置
CN106096778A (zh) 一种基于分时电价和阶梯电价形式的家庭用电规划系统与方法
WO2012037604A1 (en) Improved heat pump
CN114322208B (zh) 基于深度强化学习的智能园区空调负荷调控方法和系统
CN114707288A (zh) 一种楼宇级用能优化方法及系统
CN115682324A (zh) 中央空调系统节能优化控制方法、装置、设备和存储介质
CN117628659A (zh) 一种面向暖通空调多系统协同运行的预测调控方法
CN108151242A (zh) 一种面向集群需求响应的中央空调控制方法
Qiu et al. A chiller operation strategy based on multiple-objective optimization
CN111681133B (zh) 电负荷信息的处理方法和装置
CN116164389A (zh) 一种系统优化方法、装置、设备及计算机可读存储介质
CN111928428B (zh) 一种考虑需求响应的空调系统的控制方法及制冷系统
Frik et al. Energy conversion modes depending on the outdoor temperature for an air handling unit with a heat pump
CN114251753A (zh) 一种冰蓄冷空调冷负荷需求预测分配方法及系统
CN113609778A (zh) 一种综合能源系统多目标优化方法及系统
CN114234370B (zh) 一种多联机空调控制方法、装置及多联机空调
CN112902392A (zh) 自适应调整的空调控制方法、电子设备及存储介质
Kumaresan Optimizing Design of Heat Pump Using Fuzzy Logic and Genetic Algorithm
Jung et al. Development and performance evaluation of intelligent algorithm for optimal control of a hybrid heat pump system during the cooling season
CN117346295B (zh) 多机组的耦合控制方法、装置、设备及计算机可读介质
Peeters et al. Sizing of boilers for residential buildings
CN118153353A (zh) 一种空调动态仿真模拟优化方法及其相关装置

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