CN114857812A - 节能控制方法、节能控制装置、电子设备和存储介质 - Google Patents
节能控制方法、节能控制装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114857812A CN114857812A CN202210582372.4A CN202210582372A CN114857812A CN 114857812 A CN114857812 A CN 114857812A CN 202210582372 A CN202210582372 A CN 202210582372A CN 114857812 A CN114857812 A CN 114857812A
- Authority
- CN
- China
- Prior art keywords
- refrigeration system
- energy
- optimization
- result
- library
- 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 90
- 238000005057 refrigeration Methods 0.000 claims abstract description 180
- 238000005457 optimization Methods 0.000 claims abstract description 124
- 238000004364 calculation method Methods 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 238000012821 model calculation Methods 0.000 claims abstract description 13
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000012886 linear function Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 50
- 230000006870 function Effects 0.000 description 34
- 230000008569 process Effects 0.000 description 34
- 239000007921 spray Substances 0.000 description 22
- 238000012360 testing method Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 21
- 230000001276 controlling effect Effects 0.000 description 9
- 238000013178 mathematical model Methods 0.000 description 9
- 230000032683 aging Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请实施例公开了节能控制方法、节能控制装置、电子设备和存储介质,可以提高计算系统运行参数的准确性,从而准确地控制制冷系统运行在节能状态,提升制冷系统的节能效果。该节能控制方法包括:使用器件模型库中的器件模型,对制冷系统的系统运行参数进行模型计算得到计算结果,其中器件模型库中存储有制冷系统中各种功能器件的器件模型,计算结果为制冷系统中各种功能器件对应的至少一个运行参数组合;使用寻优算法从计算结果中确定寻优结果,其中寻优结果为控制制冷系统运行在节能状态的运行参数组合,节能状态为制冷系统的耗电量在预期耗电范围内的运行状态;将寻优结果发送至控制器,以控制制冷系统运行在节能状态。
Description
技术领域
本申请涉及控制算法技术领域,尤其涉及节能控制方法、节能控制装置电子设备和存储介质。
背景技术
为了实现制冷系统在不同的条件下以节能的状态运行,从而减少能源浪费,提高制冷系统的使用效果,需要设定合适的系统运行参数,现有的方式通常是使用大量的测试数据,通过不断测试确定合适的系统运行参数,以控制制冷系统运行在节能运行状态。
在相关技术中,使用大量的测试数据进行测试得到的系统运行参数的技术方案,主观上对测试人员的测试经验有一定的依赖性,测试经验的缺乏容易导致测试得到的系统运行参数出现数据偏差;客观上对测试时所采用的测试方法和测试数据量大小也具有一定的依赖性,测试方式不合适或者测试数据量不足均容易导致测试得到的系统运行参数出现数据偏差。
因此,由于上述主客观方面的影响因素,最终导致使用大量的测试数据进行测试得到的系统运行参数出现数据偏差,进而导致使用测试得到的系统运行参数实质上并不能控制制冷系统运行在节能状态,使得制冷系统达不到节能效果。
发明内容
基于此,有必要针对上述问题,本申请提出了节能控制方法、节能控制装置、电子设备和存储介质,可以提高计算系统运行参数的准确性,从而准确地控制制冷系统运行在节能状态,提升制冷系统的节能效果。
第一方面,本申请提供了一种节能控制方法,该方法适用于制冷系统中,包括:
使用器件模型库中的器件模型,对制冷系统的系统运行参数进行模型计算得到计算结果,其中器件模型库中存储有制冷系统中各种功能器件的器件模型,计算结果为制冷系统中各种功能器件对应的至少一个运行参数组合;
使用寻优算法从计算结果中确定寻优结果,其中寻优结果为控制制冷系统运行在节能状态的运行参数组合,节能状态为制冷系统的耗电量在预期耗电范围内的运行状态;
将寻优结果发送至控制器,以控制制冷系统运行在节能状态。
可选的,在第一方面的一种可能的实现方式中,该节能控制方法还包括:
使用系统运行参数对制冷系统的样本库进行数据更新,得到更新后的样本库,制冷系统的样本库用于存储制冷系统中各种功能器件的运行参数;
使用更新后的样本库,对器件模型库中的器件模型进行数据更新。
可选的,在第一方面的一种可能的实现方式中,上述使用系统运行参数对制冷系统对应的样本库进行数据更新具体可以执行以下操作:
使用系统运行参数与样本库中的所有样本数据进行比对,是否存在相近样本数据,其中相近样本数据与系统运行参数之间的数据偏差超出预设样本偏差范围;
若存在相近样本数据,使用系统运行参数替换相近样本数据保存至样本库中;
若不存在相近样本数据,将系统运行参数新增保存至样本库中。
可选的,在第一方面的一种可能的实现方式中,上述器件模型包括线性功能器件模型和非线性功能器件模型,该节能控制方法还包括:
获取制冷系统的系统运行参数,其中系统运行参数包括制冷系统中各种功能器件的运行参数;
根据制冷系统中的各种功能器件的运行参数生成初始的样本库,初始的样本库为初始的制冷系统的样本库;
基于初始的样本库,使用多元线性回归算法对线性功能器件进行数学建模得到线性功能器件模型;
基于初始的样本库,使用神经网络算法对非线性功能器件进行数学建模得到非线性功能器件模型。
可选的,在第一方面的一种可能的实现方式中,上述使用寻优算法从计算结果中确定寻优结果具体可以执行以下操作:
基于制冷系统的总制冷量,使用寻优算法对计算结果进行寻优计算,得到寻优结果;
上述节能控制方法还包括:
根据器件模型库中的器件模型,计算制冷系统的总制冷量。
可选的,在第一方面的一种可能的实现方式中,基于制冷系统的总制冷量,使用寻优算法对计算结果进行寻优计算,得到寻优结果,包括:
从计算结果中选取候选结果,其中候选结果为制冷系统的总制冷量达到预期制冷量时对应的运行参数组合;
使用寻优算法,将候选结果中控制耗电量在预期耗电范围内的运行参数组合确定为寻优结果。
可选的,在第一方面的一种可能的实现方式中,计算结果包括以下运行参数组合中的至少一项:
当制冷系统的总制冷量与负载功率相等时,制冷系统中各种功能器件之间的运行参数组合;
或者,当制冷系统的总制冷量与负载功率之间存在偏差,并且偏差在预设功率偏差范围内时,制冷系统中各种功能器件之间的运行参数组合。
可选的,在第一方面的一种可能的实现方式中,寻优算法包括轮询算法或智能寻优算法。进一步的,智能寻优算法包括遗传算法或粒子群算法。
第二方面,本申请提供了一种节能控制装置,包括:计算模块、寻优模块和通信模块;
计算模块用于:使用器件模型库中的器件模型,对制冷系统的系统运行参数进行模型计算得到计算结果,其中器件模型库中存储有制冷系统中各种功能器件的器件模型,计算结果为制冷系统中各种功能器件对应的至少一个运行参数组合;
寻优模块用于:使用寻优算法从计算结果中确定寻优结果,其中寻优结果为控制制冷系统运行在节能状态的运行参数组合,节能状态为制冷系统的耗电量在预期耗电范围内的运行状态;
通信模块用于:将寻优结果发送至控制器,以控制制冷系统运行在节能状态。
第三方面,本申请还提供了一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当该可执行代码被处理器执行时,使处理器执行如上述第一方面中所述的节能控制方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有可执行代码,当该可执行代码被电子设备的处理器执行时,使处理器执行如上述第一方面中所述的节能控制方法。
本申请提供的技术方案至少具有以下有益效果:
首先,使用器件模型库中的器件模型对制冷系统的系统运行参数进行模型计算得到计算结果,该器件模型库中存储有制冷系统中各种功能器件的器件模型,计算结果为制冷系统中各种功能器件对应的至少一种运行参数组合;其次,使用寻优算法从计算结果中确定寻优结果,该寻优结果为控制制冷系统运行在节能状态的运行参数组合;最终,将寻优结果下发至控制器,以控制制冷系统运行于节能状态。本申请技术方案中,由于通过器件模型库中的器件模型对系统运行参数进行模型计算得到的计算结果,并通过寻优算法在计算结果中确定寻优结果,可以使得寻优结果具有更高的准确性,使用该寻优结果可以准确地控制制冷系统在节能状态下运行,提升制冷系统的节能效果。
进一步的,本申请技术方案中,根据制冷系统中各种功能器件的运行参数构建制冷系统的样本库以及器件模型库;对样本库进行数据更新,得到更新后的样本库的同时,也使用更新后的样本库及时地对器件模型库中的器件模型进行更新,从而可以实现根据系统设备地运行参数对样本库和器件模型库的更新,克服甚至避免设备老化等外部客观条件变化引起的运行参数偏差和器件模型偏差,在外部客观条件变化的同时也能准确地获取制冷系统对应的寻优结果,并控制制冷系统始终运行在节能状态,在系统设备老化等客观条件变化是依然能保证制冷系统的节能效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1为制冷系统的一个系统结构示意图;
图2为本申请实施例中节能控制方法的一个流程示意图;
图3为本申请实施例中制冷系统中内风机器件模型的一个建模过程示意图;
图4为本申请实施例中制冷系统中外风机器件模型的一个建模过程示意图;
图5为本申请实施例中制冷系统中喷淋水泵器件模型的一个建模过程示意图;
图6为本申请实施例中制冷系统中盘管水泵器件模型的一个建模过程示意图;
图7为本申请实施例中制冷系统中间接换热器器件模型的一个建模过程示意图;
图8为本申请实施例中间接换热器的换热量计算的一个流程示意图;
图9为本申请实施例中制冷系统中换热盘管器件模型的一个建模过程示意图;
图10为本申请实施例中换热盘管的换热量计算的一个流程示意图;
图11为本申请实施例中节能控制方法中对样本库和器件模型库进行更新的一个实施流程示意图;
图12为本申请实施例中节能控制装置的一个结构示意图;
图13为本申请实施例中电子设备的一个结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
随着大数据技术的蓬勃发展,越来越多的大数据中心落地,大数据中心在运行过程中会伴随大量热量产生导致大数据中心的温度升高,温度过高容易导致大数据中心的服务器等设备出现性能降低甚至硬件损害等问题,因此在大数据中心需要配套相应的制冷系统对大数据中心的温度进行控制,以避免大数据中心温度过高。
本申请技术方案适用于制冷系统中,其中该制冷系统包括但不限于数据中心制冷系统,还可以是其他场景下的空调制冷系统,对此本申请不做任何限制。
为了便于理解本申请中的节能控制方法,下面先对本申请中的制冷系统进行介绍,具体如下:
图1为制冷系统的一个系统结构示意图。
如图1所示,制冷系统中包括:喷淋水泵、间接换热器、换热盘管、盘管水泵、内风机、外风机和物理传感器,其中物理传感器包括:温度传感器、湿度传感器、水流量传感器和风速传感器,各种传感器的安装位置如图1所示。需要说明的是,换热盘管包括但不限于冷冻水盘管,对此本申请不做任何限制。
其中,温度传感器、湿度传感器、水流量传感器和风速传感器分布设置在制冷系统中图1所示的位置,以测量以下数据:间接换热器室内侧进风温度Tin0、间接换热器室内侧进风湿度Hin0、间接换热器室外侧进风温度Tout0、间接换热器室外侧进风湿度Hout0、间接换热器室内侧出风温度Tin1、间接换热器室内侧出风湿度Hin1、换热盘管进水温度Tc、换热盘管水流量Mc、换热盘管出风口空气温度Tin2、换热盘管出风口空气湿度Hin2、室内侧风速Sin、室外侧风速Sout、喷淋进水温度Ts、喷淋水流量Ms。
图1所示为一种常见的制冷系统,该制冷系统中的功能器件包括换热器件和耗电器件,主要的换热器件有间接换热器和换热盘管,主要的耗电器件有内风机、外风机、喷淋水泵、盘管水泵,为保证系统有节能空间,上述四种耗电器件均可调速,且均对系统制冷量有影响。理论上,上述四种耗电器件有无数种运行状态组合可以达到同样的制冷量。但实际上,制冷系统中所有功能器件的调速都是由硬件输出信号调节的,包括电压、电流、脉冲信号PWM、斩波、频率等,这些信号并不能任意变化,都有一个最小变化量,因此实际的状态组合是有限的,其中一定存在最节能的一种状态组合。
需要说明的是,图1还示出了用于间接换热器和换热盘管建模过程中计算比焓h0、h1和h2所需测量的湿度和温度对应的位置,具体的,计算比焓h0所需测量的湿度和温度对应的位置为间接换热器室内侧进风口处,计算比焓h1所需测量的湿度和温度对应的位置为间接换热器室内侧出风口处,计算比焓h2所需测量的湿度和温度对应的位置为换热盘管出风口处。
为了准确地获取制冷系统的最佳节能状态又称之为最佳节能点,提升制冷系统的节能效果,本申请提供了一种节能控制方法、节能控制装置、电子设备和存储介质。
为了便于理解本申请技术方案,下面结合附图对本申请中的节能控制方法进行详细说明。
图2为本申请实施例中节能控制方法的一个流程示意图。
如图2所示,在本申请实施例中,节能控制方法包括:
201、使用器件模型库中的器件模型,对制冷系统的系统运行参数进行模型计算得到计算结果。
本申请实施例中,计算结果为制冷系统中各种功能器件对应的至少一种运行参数组合。例如,计算结果可以由内风机、外风机、喷淋水泵、盘管水泵、间接换热器和换热盘管各自功能器件对应的运行参数通过组合得到。
器件模型库中存储有制冷系统中各种功能器件的器件模型,其中器件模型用于表征制冷系统中功能器件自身的运行参数之间的关系。具体来说,如上述图1所示的系统结构图所示,制冷系统中有内风机、外风机、喷淋水泵、盘管水泵、间接换热器和换热盘管等,相应的,器件模型库中的器件模型包括内风机、外风机、喷淋水泵、盘管水泵、间接换热器和换热盘管这些功能器件的器件模型。
进一步的,上述器件模型可以基于制冷系统中各种功能器件的运行参时进行数学建模得到。
可选的,在本申请实施的一种实施方式中,制冷系统中的功能器件可以分为线性功能器件和非线性功能器件,相应的,器件模型库中包括线性功能器件模型和非线性器件模型,因此上述节能控制方法还包括以下步骤1-步骤3中所述的操作:
步骤1:获取制冷系统的系统运行参数。
其中系统运行参数包括制冷系统中功能器件的运行参数。
步骤2:根据制冷系统的系统运行参数生成初始的样本库。
其中,初始的样本库为初始的制冷系统的样本库,进一步,对初始的样本库进行数据更新后得到更新后的样本库,应理解,更新次数可以是一次或多次。制冷系统的样本库用于存储制冷系统中各种功能器件的运行参数,包括初始的样本库,和更新后的样本库。
步骤3:基于初始的样本库,使用多元线性回归算法和神经网络算法分别对制冷系统中的线性功能器件和非线性功能器件进行数学建模得到相应的器件模型。
一方面,对于线性功能器件,使用多元线性回归算法进行建模得到线性功能器件的器件模型;例如内风机器件模型、外风机器件模型、喷淋水泵器件模型和盘管水泵器件模型等线性功能器件的器件模型采用此多元线性回归算法建模得到。
另一方面,对于非线性功能器件,使用神经网络算法进行建模得到非线性功能器件的器件模型;例如间接换热器器件模型和换热盘管器件模型等非线性功能器件的器件模型采用此神经网络算法进行建模得到。
具体来说,以图1所示的制冷系统为例,制冷系统中的功能器件包括:喷淋水泵、间接换热器、换热盘管、盘管水泵、内风机、外风机,那么在制冷系统运行过程中可获取但不限于如下系统运行参数:间接换热器室内侧进风温度Tin0、间接换热器室内侧进风湿度Hin0、间接换热器室外侧进风温度Tout0、间接换热器室外侧进风湿度Hout0、间接换热器室内侧出风温度Tin1、间接换热器室内侧出风湿度Hin1、换热盘管进水温度Tc、换热盘管水流量Mc、换热盘管出风口空气温度Tin2、换热盘管出风口空气湿度Hin2、室内侧风速Sin、室外侧风速Sout、喷淋进水温度Ts、喷淋水流量Ms。
对于非线性器件和线性器件的具体建模方法见下文中图4-图10及其相关描述,此处不再重复介绍。
202、使用寻优算法从计算结果中确定寻优结果。
本申请实施例中,寻优结果为控制制冷系统运行在节能状态的运行参数组合,节能状态是指制冷系统的耗电量在预期耗电范围内的运行状态。制冷系统在寻优结果对应的运行参数组合下运行,可控制制冷系统运行在节能状态。
具体的,预期耗电范围可以是根据人为经验预先设置的,对此本申请不做任何限制。
可选地,在本申请实施例的一种实施方式中,寻优结果为基于模型计算得到的所有计算结果中使得制冷系统的耗电量在预期耗电范围内并且耗电量最小的一种运行状态组合。应理解,此种情况下,寻优结果控制制冷系统运行在节能状态下,并且与其他计算结果相比,该寻优结果对应的节能状态是最优的,此时寻优结果对应的节能状态可以认为是制冷系统的最佳运行状态(即最佳节能点)。
可选的,在本申请实施例的一种实施方式中,上述使用寻优算法从计算结果中确定寻优结果具体可以包括:基于制冷系统的总制冷量,使用寻优算法对计算结果进行寻优计算,得到寻优结果;
此种情况下,节能控制方法还包括:根据器件模型库中的器件模型,计算上述制冷系统的总制冷量。
进一步可选的,上述基于制冷系统的总制冷量,使用寻优算法对计算结果进行寻优计算,得到寻优结果具体可以包括:
从计算结果中选取候选结果,其中候选结果为制冷系统的总制冷量达到预期制冷量时对应的运行参数组合;
使用寻优算法,将候选结果中控制耗电量在预期耗电范围内的运行参数组合确定为寻优结果。
其中,上述预期制冷量可以根据制冷系统的负载功率确定。具体来说,制冷系统的总制冷量达到预期制冷量至少包括:制冷系统的总制冷量与负载功率相等,或者制冷系统的总制冷量与负载功率之间存在偏差,并且偏差在预设功率偏差范围内。
可选的,在本申请实施例的一种实施方式中,计算结果包括以下运行参数组合中的至少一项:当制冷系统的总制冷量与负载功率相等时,制冷系统中各种功能器件之间的运行参数组合;或者,当制冷系统的总制冷量与负载功率之间存在偏差,并且偏差在预设功率偏差范围内时,制冷系统中各种功能器件之间的运行参数组合。
可选的,在本申请实施例的一种实施方式中,上述寻优算法至少包括轮询算法或智能寻优算法。进一步可选的,上述智能寻优算法至少包括遗传算法或粒子群算法。
示例性的,步骤202中使用寻优算法从计算结果中确定寻优结果具体可以执行以下步骤4-步骤9中所述的操作:
步骤4:制冷系统开机运行。
例如,当使用空调制冷时,空调开机。
步骤5:控制制冷系统运行至稳定状态时读取换热量Qe和Qc。
例如,控制空调自动运行至稳定状态,该稳定状态为回风温度稳定在设定值,直到跑稳,根据跑稳后采集得到的运行参数以及上述提及的Qe和Qc的计算公式进行计算得到换热量Qe和Qc的值。
步骤6:根据读取到的换热量Qe和Qc的值,计算稳定状态下制冷系统的系统所需制冷量。
其中,制冷系统中系统所需制冷量等于换热量Qe和Qc两者之和。
步骤7:基于计算得到的系统所需制冷量,进行模型计算、寻优,得到寻优结果,该寻优结果用于控制制冷系统重新运行在节能状态。
其中寻优原则为确定系统所需制冷量不变进行模型计算、寻优。系统所需制冷量不变即换热量Qc和Qe之和不变,而不非换热量Qc不变且换热量Qe不变)。在确保换热量Qc和Qe之和不变的前提下,换热量Qc和Qe均可以调整,例如换热量Qc变大(或变小),换热量Qe变小(或变大),但换热量Qc和Qe的总和不变。
步骤8:将寻优结果下发给制冷系统中各个功能器件对应的控制器。
步骤9:使用控制器控制对应的功能器件按照寻优结果对应的运行参数运行,直到制冷系统运行至稳定进入寻优结果对应的节能状态。
应理解,在制冷系统运行至节能状态是一种自动调节过程,由于寻优结果是理论计算得到的,在制冷系统基于该寻优结果进行实际运行过程中可能会存在一定的偏差,这属于本领域的常见现象,因此,本申请实施例中控制器控制对应的功能器件按照寻优结果对应的运行参数运行可以是按照寻优结果对应的运行参数进行运行,但如果在上述运行过程中运行参数出现一定的偏差时,还可以按照寻优结果对应的运行参数为基准对其参数值进行微调,以确保制冷系统进入节能状态并且达到预期的节能效果。比如,在制冷系统的实际运行过程中,控制基于寻优结果控制制冷系统运行,但出现回风温度达不到目标设定值,此时控制器可以再次根据目标设定值对寻优结果对应的运行参数的参数值进行微调。
具体的,按照寻优结果在确保换热量Qc和Qe之和不变的前提下,分别调整制冷系统中各功能器件的运行状态。当制冷系统再次进入稳定状态时,重复执行上述步骤6至步骤8中所述的操作。
203、将寻优结果发送至控制器,以控制制冷系统运行在节能状态。
本申请实施例中,在获取到寻优结果之后,将将寻优结果下发至控制器,以在控制器的控制下,调控制冷系统中各种功能器件的运行状态,最终使得制冷系统运行在节能状态。
具体的,上述控制器包括制冷系统中各种功能器件对应的控制装置。例如,喷淋水泵、间接换热器、换热盘管、盘管水泵、内风机和外风机对应的控制装置。因而在功能器件对应的控制装置可以根据寻优结果控制功能器件的运行参数,使得整个制冷系统运行在最佳节能状态,提升制冷系统的节能效果。
例如,制冷系统中相应的控制装置可以控制喷淋水泵、间接换热器、换热盘管、盘管水泵、内风机和外风机在寻优结果对应的运行参数下运行,以节约电能。
综上所述,本申请实施例中的节能控制方法中,由于通过器件模型库中的器件模型对系统运行参数进行模型计算得到的计算结果,并通过寻优算法在计算结果中确定寻优结果,可以使得寻优结果具有更高的准确性,使用该寻优结果可以准确地控制制冷系统在节能状态下运行,提升制冷系统的节能效果。。
下面将结合附图对上文提及的对于线性器件和非线性器件的具体建模方法进行介绍,具体如下:
以图1中所示的制冷系统为例,制冷系统中的线性器件包括内风机、外风机、喷淋水泵和盘管水泵,制冷系统中的非线性器件包括间接换热器和换热盘管,下面按照先后顺序分别对线性器件和非线性器件的建模方法进行说明。
一、使用多元线性回归算法对制冷系统中线性器件进行数学建模得到线性器件模型
图3为本申请实施例中制冷系统中内风机器件模型的一个建模过程示意图。
如图3所示,Vin为室内侧风量,Sin为室内侧风速,Fin为室内风机转速,Win为室内风机功率,采用线性回归方式对内风机进行数学建模得到如图3中三个数学模型,分别为:Vin与Sin之间的关系函数、Sin与Fin之间的关系函数和Fin与Win之间的关系函数。应理解,通过上述三个数学模型(即关系函数),还可以确定Vin与Win之间的数学模型。
基于制冷系统的样本库(包括初始的或更新后的样本库)中存储的Vin、Sin、Fin和Win对应的数据,对上述Vin与Sin之间的关系函数、Sin与Fin之间的关系函数和Fin与Win之间的关系函数进行训练,最终得到内风机器件模型,并将其存储至器件模型库中。
结合图1所示的系统结构可知室内和室外分别是指间接换热器室内和间接换热器室外,文中所有的室内和室外均相同,下文中均不在赘述。
图4为本申请实施例中制冷系统中外风机器件模型的一个建模过程示意图。
如图4所示,Vout为室外侧风量,Sout为室外侧风速,Fout为室外风机转速,Wout为室外风机功率,采用多元线性回归方式对内风机进行数学建模得到如图4中三个数学模型,分别为:Vout与Sout之间的关系函数、Sout与Fout之间的关系函数和Fout与Wout之间的关系函数。进一步,通过上述三个函数关系,还可以确定Vout与Wout之间的关系函数。
类似的,基于制冷系统的样本库(包括初始的或更新后的样本库)中存储的Vout、Sout、Fout和Wout对应的数据,对上述三个数学模型:Vout与Sout之间的关系函数、Sout与Fout之间的关系函数和Fout与Wout之间的关系函数进行数据训练,最终得到外风机器件模型,并将其存储至器件模型库中。
图5为本申请实施例中制冷系统中喷淋水泵器件模型的一个建模过程示意图。
如图5所示,Ms为喷淋水流量,Hs为喷淋水泵频率,Ws为喷淋水泵功率,采用线性回归方式对喷淋水泵进行数学建模得到如图5中两个数学模型,分别为:Ms与Hs之间的关系函数和Hs和Ws之间的关系函数。进一步,通过上述两个关系函数,还可以确定Ms与Ws之间的关系函数。
类似的,基于制冷系统的样本库(包括初始的或更新后的样本库)中存储的Ms、Hs和Ws对应的数据,对上述两个数学模型:Ms与Hs之间的关系函数和Hs和Ws之间的关系函数进行数据训练,最终得到喷淋水泵器件模型,并将其存储至器件模型库中。
图6为本申请实施例中制冷系统中盘管水泵器件模型的一个建模过程示意图。
如图6所示,Mc为盘管水流量,Hc为盘管水泵频率,Wc为盘管水泵功率,采用线性回归方式对盘管水泵进行数学建模得到如图6中两个数学模型,分别为:Mc与Hc之间的关系函数和Hc和Wc之间的关系函数。进一步,通过上述两个关系函数,还可以确定Mc与Wc之间的关系函数。
类似的,基于制冷系统的样本库(包括初始的或更新后的样本库)中存储的Mc、Hc和Wc对应的数据,对上述两个数学模型:Mc与Hc之间的关系函数和Hc和Wc之间的关系函数进行数据训练,最终得到盘管水泵器件模型,并将其存储至器件模型库中。
二、使用神经网络算法对非线性功能器件进行数学建模得到非线性器件模型
图7为本申请实施例中制冷系统中间接换热器器件模型的一个建模过程示意图。
如图7所示,Tout0为室外侧进风温度,Hout0为室外侧进风湿度,Vout为室外侧风量,Tin0为室内侧进风温度,Hin0为室内侧进风湿度,Vin为室内侧风量,Ts为喷淋进水温度,Ms为喷淋水流量。
进一步,基于制冷系统的样本库(包括初始的或更新后的样本库)中存储的上述Tout0、Hout0、Vout、Tin0、Hin0、Vin、Ts和Ms对应的数据,使用神经网络算法进行数学建模得到接换热器器件模型,并将其存储至器件模型库中。
由于换热量Qe一般无法直接测量得到,需要通过热力学基本公式进行计算得到。换热量Qe的热力学计算方式具体如下:
图8为本申请实施例中间接换热器的换热量计算的一个流程示意图。
如图8所示,以图1所示的制冷系统为例,换热量Qe需要通过比焓值与风量根据热力学基本公式计算得到,其计算公式为:
Qe=(h0-h1)·ρVin
其中,h0为室内侧进风比焓,h1为室内侧出风比焓;ρ为空气密度。
比焓属于空气状态参数。根据空气物性参数表中的物性参数,采用线性回归的方式可以拟合空气温度T、空气湿度H,以及空气比焓h三者的关系函数,对于具体拟合方式与上述线性器件的拟合类似,此处不再赘述。
通过对室外侧进风温度Tout0、室外侧进风湿度Hout0和室内侧进风比焓h0三者进行线性拟合可以得到关系函数h0=f(Tout0,Hout0),从而根据测量得到的Tout0和Hout0的值,便可以计算得到室内侧进风比焓h0。类似的,根据测量得到的Tin0和Hin0的值,便可以计算得到室内侧出风比焓h1。其中,计算比焓h0和比焓h1所需测量的湿度和温度对应的位置如上述图1所标记的位置。
从图8中可以看出,其中还包括了图7中所述的建模过程示意,由于上述Tout0、Hout0、Vout、Tin0、Hin0、Vin、Ts和Ms对应的数据均可以测量得到并存储至制冷系统的样本库中,而换热量Qe无法直接测量得到,从而在间隔换热器器件模型的建模过程中,当制冷系统在不同运行参数组合下运行时,需要通过上述图8对应的热力学基本公式计算得到当前运行参数组合下的换热量Qe。
相应的,在间隔换热器器件模型建立完成之后,由于制冷系统所需的制冷量等于间接换热器的换热量Qe与换热盘管的换热量Qc的总和,因此后续基于制冷系统所需的制冷量进行寻优计算过程中,需要在控制间接换热器的换热量Qe为期望值的情况下进行后续的寻优计算,寻优过程中也需要通过上述热力学基本公式计算间接换热器的换热量Qe。
图9为本申请实施例中制冷系统中换热盘管器件模型的一个建模过程示意图。
如图9所示,Tin1为室内侧出风温度,Hin1为室内侧出风湿度,Vin为室内侧风量,Tc为盘管进水温度,Mc为盘管水流量。
进一步,基于制冷系统的样本库(包括初始的或更新后的样本库)中存储的上述Tin1、Hin1、Vin、Tc和Mc对应的数据,使用神经网络算法进行数学建模得到换热盘管器件模型,并将其存储至器件模型库中。
与间接换热器的换热量Qe类似,换热盘管的换热量Qc一般无法直接测量得到,需要通过热力学基本公式进行计算得到。换热盘管的换热量Qc的热力学计算方式具体如下:
图10为本申请实施例中换热盘管的换热量计算的一个流程示意图。
如图10所示,与间接换热器的换热量Qe类似,换热盘管的换热量Qc需要通过比焓值与风量根据热力学基本公式计算得到,其计算公式为:
Qc=(h1-h2)·ρVin
其中,h1为室内侧出风比焓;h2为换热盘管出风比焓,ρ为空气密度。
上述已经根据空气物性参数表中的物性参数,采用线性回归的方式可以拟合空气温度T、空气湿度H,以及空气比焓h三者的关系函数,因此,通过测量数据中心制冷系统中间接换热器室内侧出风口处的温度Tin1和湿度Hin1代入上述拟合得到的空气温度T、空气湿度H,以及空气比焓h三者的关系函数中便可以计算得到比焓h1的值;同样的,通过测量数据中心制冷系统中换热盘管出风口处的温度Tin2和湿度Hin2代入上述拟合得到的空气温度T、空气湿度H,以及空气比焓h三者的关系函数中便可以计算得到比焓h2的值。
从图10中可以看出,其中还包括了图9中所述的建模过程示意,由于上述Tin1、Hin1、Vin、Tc和Mc对应的数据均可以测量得到并存储至制冷系统的样本库中,而换热量Qc无法直接测量得到,从而在换热盘管器件模型的建模过程中,当制冷系统在不同运行参数组合下运行时,需要通过上述图10对应的热力学基本公式计算得到当前运行参数组合下的换热量Qc。
相应的,在换热盘管器件模型建立完成之后,由于制冷系统所需的制冷量等于间接换热器的换热量Qe与换热盘管的换热量Qc的总和,因此后续基于制冷系统所需的制冷量进行寻优计算过程中,需要在控制换热盘管的换热量Qc为期望值的情况下进行后续的寻优计算,寻优过程中也需要通过上述热力学基本公式计算换热盘管的换热量Qc。
通过执行上述图3-图10中所示的建模过程,可以完成对数据中心制冷系统中内风机、外风机、喷淋水泵、盘管水泵、间接换热器和换热盘管的数学建模,得到所有功能器件的器件模型,从而构建制冷系统的器件模型库。
本申请技术方案还可以对样本库和器件模型库进行不断更新,以克服设备老化等外部客观条件变化引起的模型偏差的问题。具体如下:
图11为本申请实施例中节能控制方法中对样本库和器件模型库进行更新的一个实施流程示意图。
如图11所示,本申请实施例中节能控制方法中对样本库和器件模型库进行更新,包括:
1101、获取制冷系统的系统运行参数。
本申请实施例中,系统运行参数包括制冷系统中功能器件的运行参数。其获取方式可以是实时获取或者定期获取,对此本申请不做任何限定。
1102、使用获取的系统运行参数对制冷系统的样本库进行数据更新,得到更新后的样本库。
本申请实施例中,使用系统运行参数对制冷系统的样本库进行数据更新包括实时更新或者定期更新。具体的,实时更新具体可以为:实时获取制冷系统的系统运行参数,并且使用实时获取的系统运行参数对制冷系统的样本库进行数据更新;定期更新具体可以为:按照预设的时间周期获取制冷系统的系统运行参数,并且使用定期获取的系统运行参数对制冷系统的样本库进行数据更新。
可选的,在本申请实施例的一种实施方式中,对制冷系统的样本库进行更新具体可以执行以下操作:首先,使用系统运行参数与样本库中的所有样本数据进行比对,是否存在相近样本数据,其中相近样本数据与实时的系统运行参数之间的数据偏差超出预设偏差范围;其次,若存在相近样本数据,使用实时的系统运行参数替换相近样本数据保存至样本库中;再次,若不存在相近样本数据,将实时的系统运行参数新增保存至样本库中,最终完成对样本库的数据更新。其中,上述预设偏差范围可以根据人为经验或大数据统计得到,对此本发明不做任何限制。
示例性的,以风机功率模型这一器件模型为例对样本库的更新进行说明。
其中,风机功率模型是风机转速百分比与电功率的关系。
测试样本为:“风机转速x(单位:%):20,30,40,50,60,70,80,90,100;风机功率y(单位:W):3600,5100,6400,7500,8400,9100,9600,9900,10000”。
经拟合得到风机功率模型为:y=-x^2+200x,将上述测试样本定义为样本库,将该公式定义为风机功率模型。
现在设备运行过程中又产生了一组新的运行参数:当风机转速为81%时,测量得到风机功率为9736W。
而根据原模型算得的功率应该为9639W,|9639-9736|/9639*100%>1(即ε=1),那么认为原有风机功率模型出现数据偏差并且该数据偏差超出预设范围,因此,要用[81%,9736W]这个新样本替换掉与其最相近的旧样本[80%,9600W],然后继续在线自学习,以优化y=-x^2+200x这个模型公式中的各项系数。
对制冷系统的样本库进行数据更新的前提是:先建立初始的制冷系统的样本库即初始的样本库。
由于制冷系统中各种功能器件分为第一类功能器件和第二类功能器件。其中第一类功能器件为通过测试方式或者厂商提供数据得到相应运行参数的功能器件,例如内风机、外风机、盘管水泵和喷淋水泵等;第二类功能器件为通过测试方式或者专业软件运行得到相应运行参数的功能器件,该第二类功能器件包括但不限于实际测试存在困难、测试费时费力的功能器件,例如第二类功能器件包括换热盘管和间接换热器等定制功能器件。
可选的,在本申请实施例的一种实施方式中,可通过执行以下操作对制冷系统的样本库进行初始化得到初始的样本库:
首先,对于上述第一类功能器件,采用测试方式或者厂商提供数据对所述第一类功能器件进行测试得到第一初始运行参数;
其次,对于上述第二类功能器件,采用测试方式或者专业软件对所述第二类功能器件进行模拟运行得到第二初始运行参数;
最后,根据得到的第一初始运行参数和第二初始运行参数对制冷系统的样本库进行初始化,以得到初始的样本库。
1103、使用更新后的样本库,对器件模型库中的器件模型进行数据更新。
本申请实施例中,可以采用上述器件模型的建模类似的方式,使用更新后的样本库,对器件模型库中的器件模型进行数据更新。
需要说明的是,上述对样本库以及器件模型的更新流程,与寻优流程可以同时执行,也可以先执行更新流程,后使用更新后的器件模型库执行寻优流程,对此本申请不做任何限定。
综上所述,本申请实施例中节能控制方法中,根据制冷系统中各种功能器件的运行参数构建制冷系统的样本库以及器件模型库;对样本库进行数据更新,得到更新后的样本库的同时,也使用更新后的样本库及时地对器件模型库中的器件模型进行更新,从而可以实现根据系统设备地运行参数对样本库和器件模型库的更新,克服甚至避免设备老化等外部客观条件变化引起的运行参数偏差和器件模型偏差,在外部客观条件变化的同时也能准确地获取制冷系统对应的寻优结果,并控制制冷系统始终运行在节能状态,在系统设备老化等客观条件变化是依然能保证制冷系统的节能效果。
与前述应用功能实现方法实施例相对应,本发明还提供了一种节能控制装置电子设备、存储介质及其实施例。
图12为本申请实施例中节能控制装置的一个结构示意图。
如图12所示,本申请实施例中节能控制装置12包括:计算模块1201、寻优模块1202和通信模块1203;
计算模块1201用于:使用器件模型库中的器件模型,对制冷系统的系统运行参数进行模型计算得到计算结果,其中器件模型库中存储有制冷系统中各种功能器件的器件模型,计算结果为制冷系统中各种功能器件对应的至少一个运行参数组合;
寻优模块1202用于:使用寻优算法从计算结果中确定寻优结果,其中寻优结果为控制制冷系统运行在节能状态的运行参数组合,节能状态为制冷系统的耗电量在预期耗电范围内的运行状态;
通信模块1203用于:将寻优结果发送至控制器,以控制制冷系统运行在节能状态。
可选的,在本申请实施例的一种实施方式中,该节能控制装置12还包括:样本库模块1204和模型库模块1205;
样本库模块1204用于:使用系统运行参数对制冷系统的样本库进行数据更新,得到更新后的样本库,制冷系统的样本库用于存储制冷系统中各种功能器件的运行参数;
模型库模块1205用于:使用更新后的样本库,对器件模型库中的器件模型进行数据更新。
可选的,在本申请实施例的一种实施方式中,样本库模块1204对制冷系统对应的样本库进行数据更新具体可以执行以下操作:
样本库模块1204用于:使用系统运行参数与样本库中的所有样本数据进行比对,是否存在相近样本数据,其中相近样本数据与系统运行参数之间的数据偏差超出预设偏差范围;
样本库模块1204用于:若存在相近样本数据,使用系统运行参数替换相近样本数据保存至样本库中;
样本库模块1204用于:若不存在相近样本数据,将系统运行参数新增保存至样本库中。
可选的,在本申请实施例的一种实施方式中,上述器件模型包括线性功能器件模型和非线性功能器件模型,该节能控制装置还包括获取模块1206,
获取模块1206用于:获取制冷系统的系统运行参数,其中系统运行参数包括制冷系统中各种功能器件的运行参数;
样本库模块1204用于:根据制冷系统中的各种功能器件的运行参数生成初始的样本库,初始的样本库为初始的制冷系统的样本库;
模型库模块1205用于:基于初始的样本库,使用多元线性回归算法对线性功能器件进行数学建模得到线性功能器件模型;
模型库模块1205用于:基于初始的样本库,使用神经网络算法对非线性功能器件进行数学建模得到非线性功能器件模型。
可选的,在本申请实施例的一种实施方式中,上述寻优模块1202使用寻优算法从计算结果中确定寻优结果具体可以执行以下操作:
寻优模块1202用于:基于制冷系统的总制冷量,使用寻优算法对计算结果进行寻优计算,得到寻优结果;
寻优模块1202还用于:根据器件模型库中的器件模型,计算制冷系统的总制冷量。
可选的,在本申请实施例的一种实施方式中,上述寻优模块1202基于制冷系统的总制冷量,使用寻优算法对计算结果进行寻优计算,得到寻优结果具体可以用于执行以下操作:
寻优模块1202用于:从计算结果中选取候选结果,其中候选结果为制冷系统的总制冷量达到预期制冷量时对应的运行参数组合;使用寻优算法,将候选结果中控制耗电量在预期耗电范围内的运行参数组合确定为寻优结果。
可选的,在本申请实施例的一种实施方式中,寻优算法包括轮询算法或智能寻优算法。进一步的,智能寻优算法包括遗传算法或粒子群算法。
综上所述,本申请的节能控制装置中,由于计算模块1201通过器件模型库中的器件模型对系统运行参数进行模型计算得到的计算结果,寻优模块1202通过寻优算法在计算结果中确定寻优结果,可以使得寻优结果具有更高的准确性,使用该寻优结果可以准确地控制制冷系统在节能状态下运行,提升制冷系统的节能效果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
图13为本申请实施例中电子设备的一个结构示意图。
如图13所示,本申请实施例中电子设备13包括存储器1301和处理器1302。存储器上存储有可执行代码,当可执行代码被处理器执行时,使处理器执行上述任一实施例中的方法。
处理器1302可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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1301可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器1302或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器1301可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器1301可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器1301上存储有可执行代码,当可执行代码被处理器1302处理时,可以使处理器1302执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种计算机可读存储介质(或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当可执行代码(或计算机程序、或计算机指令代码)被节能控制装置(或电子设备、服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
本领域技术人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域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,但是这种实现不应该认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语包括、包含或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种节能控制方法,其特征在于,该方法适用于制冷系统中,包括:
使用器件模型库中的器件模型,对所述制冷系统的系统运行参数进行模型计算得到计算结果,其中所述器件模型库中存储有所述制冷系统中各种功能器件的器件模型,所述计算结果为所述制冷系统中各种功能器件对应的至少一种运行参数组合;
使用寻优算法从所述计算结果中确定寻优结果,其中所述寻优结果为控制所述制冷系统运行在节能状态的运行参数组合,所述节能状态为所述制冷系统的耗电量在预期耗电范围内的运行状态;
将所述寻优结果发送至控制器,以控制所述制冷系统运行在所述节能状态。
2.根据权利要求1所述的节能控制方法,其特征在于,所述节能控制方法还包括:
使用所述系统运行参数对所述制冷系统的样本库进行数据更新,得到更新后的样本库,所述制冷系统的样本库用于存储所述制冷系统中各种功能器件的运行参数;
使用所述更新后的样本库,对所述器件模型库中的器件模型进行数据更新。
3.根据权利要求2所述的节能控制方法,其特征在于,所述对所述制冷系统对应的样本库进行数据更新,包括:
使用所述系统运行参数与样本库中的所有样本数据进行比对,是否存在相近样本数据,其中所述相近样本数据与所述系统运行参数之间的数据偏差超出预设样本偏差范围;
若存在所述相近样本数据,使用所述系统运行参数替换所述相近样本数据保存至所述样本库中;
若不存在所述相近样本数据,将所述系统运行参数新增保存至所述样本库中。
4.根据权利要求1或2所述的节能控制方法,其特征在于,所述器件模型包括线性功能器件模型和非线性功能器件模型,所述节能控制方法还包括:
获取所述制冷系统的系统运行参数,其中所述系统运行参数包括所述制冷系统中各种功能器件的运行参数;
根据所述制冷系统中的各种功能器件的运行参数生成初始的样本库,其中所述初始的样本库为初始的所述制冷系统的样本库;
基于所述初始的样本库,使用多元线性回归算法对所述线性功能器件进行数学建模得到所述线性功能器件模型;
基于所述初始的样本库,使用神经网络算法对所述非线性功能器件进行数学建模得到所述非线性功能器件模型。
5.根据权利要求1所述的节能控制方法,其特征在于,所述使用寻优算法从所述计算结果中确定寻优结果,包括:
基于所述制冷系统的总制冷量,使用所述寻优算法对所述计算结果进行寻优计算,得到寻优结果;
所述节能控制方法,还包括:
根据所述器件模型库中的器件模型,计算所述制冷系统的总制冷量。
6.根据权利要求5所述的节能控制方法,其特征在于,所述基于所述制冷系统的总制冷量,使用所述寻优算法对所述计算结果进行寻优计算,得到寻优结果,包括:
从所述计算结果中选取候选结果,其中所述候选结果为所述制冷系统的总制冷量达到预期制冷量时对应的运行参数组合;
使用所述寻优算法,将所述候选结果中控制耗电量在所述预期耗电范围内的运行参数组合确定为所述寻优结果。
7.根据权利要求1、5或6所述的节能控制方法,其特征在于,所述计算结果包括以下运行参数组合中的至少一项:
当所述制冷系统的总制冷量与负载功率相等时,所述制冷系统中各种功能器件之间的运行参数组合;
或者,当所述制冷系统的总制冷量与负载功率之间存在偏差,并且所述偏差在预设功率偏差范围内时,所述制冷系统中各种功能器件之间的运行参数组合。
8.一种节能控制装置,其特征在于,包括:
计算模块、寻优模块和通信模块;
所述计算模块用于:使用器件模型库中的器件模型,对制冷系统的系统运行参数进行模型计算得到计算结果,其中所述器件模型库中存储有所述制冷系统中各种功能器件的器件模型,所述计算结果为所述制冷系统中各种功能器件对应的至少一个运行参数组合;
所述寻优模块用于:使用寻优算法从所述计算结果中确定寻优结果,其中所述寻优结果为控制所述制冷系统运行在节能状态的运行参数组合,所述节能状态为所述制冷系统的耗电量在预期耗电范围内的运行状态;
所述通信模块用于:将所述寻优结果发送至控制器,以控制所述制冷系统运行在所述节能状态。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-7中任一项所述的节能控制方法。
10.一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1-7中任一项所述的节能控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582372.4A CN114857812A (zh) | 2022-05-26 | 2022-05-26 | 节能控制方法、节能控制装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582372.4A CN114857812A (zh) | 2022-05-26 | 2022-05-26 | 节能控制方法、节能控制装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114857812A true CN114857812A (zh) | 2022-08-05 |
Family
ID=82640557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210582372.4A Pending CN114857812A (zh) | 2022-05-26 | 2022-05-26 | 节能控制方法、节能控制装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114857812A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109028446A (zh) * | 2018-07-05 | 2018-12-18 | 上海立威能节能环保技术有限公司 | 一种基于设备全工况性能模型的制冷机房控制方法 |
CN112577161A (zh) * | 2019-09-30 | 2021-03-30 | 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 |
CN112682936A (zh) * | 2020-12-29 | 2021-04-20 | 华润智慧能源有限公司 | 一种空调冷站系统控制方法、系统、装置及可读存储介质 |
CN112984919A (zh) * | 2021-05-12 | 2021-06-18 | 创新奇智(北京)科技有限公司 | 制冷系统能效优化方法、装置、电子设备及存储介质 |
CN113739360A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 基于冷站多智能体的节能控制方法、装置、设备及介质 |
CN113790516A (zh) * | 2021-09-18 | 2021-12-14 | 深圳达实智能股份有限公司 | 中央空调制冷站全局优化节能控制方法、系统和电子设备 |
CN114294849A (zh) * | 2022-01-10 | 2022-04-08 | 东莞市升微机电设备科技有限公司 | 节能控制装置、节能控制方法和存储介质 |
-
2022
- 2022-05-26 CN CN202210582372.4A patent/CN114857812A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109028446A (zh) * | 2018-07-05 | 2018-12-18 | 上海立威能节能环保技术有限公司 | 一种基于设备全工况性能模型的制冷机房控制方法 |
CN112577161A (zh) * | 2019-09-30 | 2021-03-30 | 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 |
CN112682936A (zh) * | 2020-12-29 | 2021-04-20 | 华润智慧能源有限公司 | 一种空调冷站系统控制方法、系统、装置及可读存储介质 |
CN112984919A (zh) * | 2021-05-12 | 2021-06-18 | 创新奇智(北京)科技有限公司 | 制冷系统能效优化方法、装置、电子设备及存储介质 |
CN113739360A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 基于冷站多智能体的节能控制方法、装置、设备及介质 |
CN113790516A (zh) * | 2021-09-18 | 2021-12-14 | 深圳达实智能股份有限公司 | 中央空调制冷站全局优化节能控制方法、系统和电子设备 |
CN114294849A (zh) * | 2022-01-10 | 2022-04-08 | 东莞市升微机电设备科技有限公司 | 节能控制装置、节能控制方法和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Model-based optimal control of VAV air-conditioning system using genetic algorithm | |
US20220214064A1 (en) | Predictive temperature scheduling for a thermostat using machine learning | |
CN111765604A (zh) | 空调的控制方法和装置 | |
CN109751727A (zh) | 一种空调控制方法、装置及空调器 | |
CN112747416B (zh) | 空调系统能耗预测方法及装置 | |
US11644204B2 (en) | Error correction for predictive schedules for a thermostat | |
US20210190349A1 (en) | Building control system with zone grouping based on predictive models | |
CN110873446B (zh) | 控制空调的方法及装置、存储介质、处理器 | |
KR20210089458A (ko) | 빌딩 설비 에너지 관리 제어 시스템 및 그 제어 방법 | |
CN112749810A (zh) | 模型训练方法、控制参数确定方法及装置 | |
Jiang et al. | Stochastic modelling of flexible load characteristics of split-type air conditioners using grey-box modelling and random forest method | |
CN112364563A (zh) | 一种多联机空调分户计量与计费方法及装置 | |
CN112070353A (zh) | 一种精确检测数据中心能效的方法及系统 | |
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 | |
Shao et al. | A practical application-oriented model predictive control algorithm for direct expansion (DX) air-conditioning (A/C) systems that balances thermal comfort and energy consumption | |
CN112781177B (zh) | 预测空调运行功率的方法、装置、电子设备及存储介质 | |
CN114857812A (zh) | 节能控制方法、节能控制装置、电子设备和存储介质 | |
CN110762739B (zh) | 数据中心空调控制方法、装置、设备及存储介质 | |
CN117091273A (zh) | 一种中央空调系统自适应学习数据模型的控制方法及装置 | |
CN114838487B (zh) | 多联机空调的控制方法、多联机空调以及存储介质 | |
CN114279065B (zh) | 空调环境温度补偿方法、电子设备、存储介质及空调器 | |
CN107091753B (zh) | 空调制冷能效比及制冷量在线检测方法 | |
CN116954329A (zh) | 制冷系统的状态调节方法、装置、设备、介质及程序产品 | |
JP2020153575A (ja) | 冷媒量推定装置、方法、およびプログラム | |
CN115654684A (zh) | 空气处理机组控制、模型构建方法、装置及设备和介质 |
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 |