CN114992926A - 一种用于跨临界co2空调系统的控制方法及控制系统 - Google Patents
一种用于跨临界co2空调系统的控制方法及控制系统 Download PDFInfo
- Publication number
- CN114992926A CN114992926A CN202210582964.6A CN202210582964A CN114992926A CN 114992926 A CN114992926 A CN 114992926A CN 202210582964 A CN202210582964 A CN 202210582964A CN 114992926 A CN114992926 A CN 114992926A
- Authority
- CN
- China
- Prior art keywords
- air
- compressor
- conditioning system
- temperature
- heat exchanger
- 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.)
- Granted
Links
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
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D27/00—Heating, cooling, ventilating, or air-conditioning
- B61D27/0018—Air-conditioning means, i.e. combining at least two of the following ways of treating or supplying air, namely heating, cooling or ventilating
-
- 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
- F25B9/00—Compression machines, plants or systems, in which the refrigerant is air or other gas of low boiling point
- F25B9/002—Compression machines, plants or systems, in which the refrigerant is air or other gas of low boiling point characterised by the refrigerant
- F25B9/008—Compression machines, plants or systems, in which the refrigerant is air or other gas of low boiling point characterised by the refrigerant the refrigerant being carbon dioxide
-
- 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
- F25B2309/00—Gas cycle refrigeration machines
- F25B2309/06—Compression machines, plants or systems characterised by the refrigerant being carbon dioxide
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T30/00—Transportation of goods or passengers via railways, e.g. energy recovery or reducing air resistance
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种用于跨临界CO2空调系统的控制方法及控制系统,所述控制方法包括以下步骤:步骤1,获取环境温度;获取所述室内换热器的第二换热通道出口的空气流量;获取室内温度;获取送风温度;获取新风比、太阳辐射量、室外空气流速、压缩机功耗、压缩机转速以及压缩机排气压力;步骤2,将步骤1获取的所有参数输入预先设计的模型预测控制器中,通过所述模型预测控制器输出控制量,基于所述控制量实现所述跨临界CO2空调系统的控制。本发明可解决空调系统在工况变化大的情况下,最优压缩机排气压力失配导致的能效降低的问题。
Description
技术领域
本发明属于空调系统控制技术领域,特别涉及一种用于跨临界CO2空调系统的控制方法及控制系统。
背景技术
跨临界CO2空调系统,存在着最优压缩机排气压力预测问题,学者们曾进行过大量研究,基本基于经验关联式对最优压缩机排气压力进行预测,多采用PID控制对控制制冷剂回路阀门控制压缩机排气压力,多采用定转速控制风机。
然而,用于环境、冷热负荷变化大的工况下的跨临界CO2空调系统(示例性的,如铁路、高铁等轨道交通工况下的空调系统),采用上述传统的控制方法进行控制会存在以下技术问题:
(1)难以准确捕捉系统的最优压缩机排气压力,最优压缩机排气压力不准确会造成空调系统性能上的衰减;
(2)难以实现通过调节风机输入功率,进一步降低整体能耗,实现全局能耗最小的控制目标;
(3)在保证上述(1)、(2)性能的同时,难以兼顾车厢乘客的舒适度。
综上,亟需一种新的用于跨临界CO2空调系统的控制方法及控制系统。
发明内容
本发明的目的在于提供一种用于跨临界CO2空调系统的控制方法及控制系统,以解决上述存在的一个或多个技术问题。本发明提供的技术方案,可解决空调系统在工况变化大的情况下,最优压缩机排气压力失配导致的能效降低的问题;另外,在保证总功耗最小的节能目标的同时可兼顾车厢乘客的舒适度。
为达到上述目的,本发明采用以下技术方案:
本发明提供的一种用于跨临界CO2空调系统的控制方法,所述跨临界CO2空调系统包括:压缩机、室外换热器、第二风机、电子膨胀阀、中间换热器、室内换热器、第一风机和气液分离器;其中,所述压缩机的出口经所述室外换热器的第一换热通道、所述中间换热器的第一换热通道、电子膨胀阀、所述室内换热器的第一换热通道与所述气液分离器的进口相连通;所述气液分离器的气体出口经所述中间换热器的第二换热通道与所述压缩机的进口相连通;循环中采用的工质为CO2;所述室外换热器的第二换热通道用于通过所述第二风机鼓入室外空气;所述室内换热器设置于风道内,所述风道设置有送风口、新风口和回风口;所述回风口用于通过所述第一风机鼓入室内空气,所述新风口和回风口处设置有风门,用于调控新风比;所述新风口和回风口经所述室内换热器的第二换热通道与所述送风口相连通;
所述用于跨临界CO2空调系统的控制方法具体包括以下步骤:
步骤1,获取所述室外换热器的第二换热通道进口的空气温度作为环境温度;获取所述室内换热器的第二换热通道出口的空气流量;获取所述室内换热器第二换热通道进口的空气温度作为室内温度;获取所述室内换热器第二换热通道出口的空气温度作为送风温度;获取新风比、太阳辐射量、室外空气流速、压缩机功耗、压缩机转速以及压缩机排气压力;
步骤2,将步骤1获取的所有参数输入预先设计的模型预测控制器中,通过所述模型预测控制器输出控制量,基于所述控制量实现所述跨临界CO2空调系统的控制;
其中,所述模型预测控制器用于预测所述跨临界CO2空调系统的性能变化趋势和室内温度变化趋势,通过调整控制参数使得空调系统朝着控制目标运行;所述控制参数包括压缩机转速设定值、第一风机风量设定值和压缩机排气压力设定值;所述控制目标为压缩机功耗预测值和第一风机功耗预测值和最小,且室内温度达到预设要求。
本发明控制方法的进一步改进在于,所述预设计的模型预测控制器包括:
神经网络模型,用于输入环境温度、送风温度预测值以及压缩机排气压力动作值,预测输出所述跨临界CO2空调系统的性能预测值,获得所述神经网络模型的预测结果;
物理模型,用于输入所述环境温度、室内换热器的第二换热通道出口的空气流量、室内温度、送风温度、太阳辐射量、室外空气流速、新风比、压缩机功耗、压缩机转速和制冷量,获得室内换热器的第二换热通道出口的空气温度预测值、室内温度预测值、压缩机功耗预测值以及第一风机功耗预测值,获得所述物理模的预测结果;其中,制冷量Qc的计算表达式为,式中,tair为环境温度、为室内换热器的第二换热通道出口的空气流量、tsupply为送风温度、tcabin为室内温度、β为新风比,Cp为空气比热容;
优化求解模块,用于基于神经网络模型和物理模型的预测结果,将控制目标实现转化为求解关于压缩机转速动作值、第一风机风量动作值、压缩机排气压力动作值的序列的多变量函数的极小值问题;将求解得到的压缩机转速动作值、第一风机风量动作值、压缩机排气压力动作值的序列的第一个值作为当前控制信号输出;其中,压缩机排气压力动作值传递给局部的PID控制器,采用电子膨胀阀开度反馈控制压缩机排气压力。
本发明控制方法的进一步改进在,所述神经网络模型为前向反馈神经网络,包括输入层、隐含层以及输出层;
其中,所述输入层包括3个神经元,分别对应环境温度、送风温度预测值和压缩机排气压力动作值;
所述隐含层的激励函数采用Sigmoid函数;
所述输出层包括1个神经元,对应跨临界CO2空调系统的性能预测值。
本发明控制方法的进一步改进在,所述神经网络模型的训练方法包括以下步骤:
数据集的预处理,包括获取跨临界CO2空调机组的历史运行数据;其中,所述历史运行数据包括跨临界CO2空调系统的性能、环境温度、送风温度以及压缩机排气压力;获取的历史运行数据集要求环境温度覆盖20℃~40℃,送风温度覆盖5℃~20℃,压缩机排气压力覆盖8MPa~13MPa;
神经网络连接权值更新处理,包括以预测跨临界CO2空调系统的性能和原始数据跨临界CO2空调系统的性能的均方差最小作为优化目标进行网络训练,采用反向传播算法更新权值,收敛条件定义为预测跨临界CO2空调系统的性能和原始数据跨临界CO2空调系统的性能之间的相对误差小于预设阈值。
本发明控制方法的进一步改进在,所述物理模型包括:
送风温度预测值tsupply,p预测的物理模型表示为,式中,表示室内换热器的第二换热通道出口的空气流量预测值,由第一风机风量动作值qv和空气密度ρ求得, 表室内换热器的第二换热通道的进口空气温度预测值,Qc,p表示制冷量预测值;
跨临界CO2空调系统的制冷量预测值表示为,Qc,p=k1ωcomp,压缩机功耗预测值Wcomp,p=k2ωcomp;式中,ωcomp表示压缩机转速动作值,k1和k2由采集的制冷量Qc、压缩机功耗Wcomp、压缩机转速ωcomp0计算
室外对流和导热预测值Qcon,p的预测物理模型表示为,Qcon,p=hA(tambient-tcabin,p);式中,h表示换热系数,ho为室外空气的对流换热系数,hi为室内空气的对流换热系数;Ri为室内外间各绝热材料的热阻大小,A表示室外表面积;
本发明控制方法的进一步改进在,所述优化求解模块中,
优化求解的目标为车厢温度预测值与舒适温度之差的绝对值,压缩机功耗预测值与第一风机功耗预测值之和,压缩机转速动作量、第一风机风量动作量、压缩机排气压力动作量的序列的差分绝对值之和,以及跨临界CO2空调系统的性能预测值的相反数的加权之和最小;
优化问题的约束包括送风温度预测值在0℃~20℃,室内温度预测值在0℃~50℃,压缩机转速动作值在0RPM~5000RPM,第一风机风量动作值在0m3/h~2000m3/h,压缩机排气压力动作值在8MPa~13MPa;压缩机转速动作值的差分限制小于等于1000RPM,第一风机风量动作值的差分限制小于等于200m3/h,排气压力动作值的差分限制小于等于2MPa;
基于所述优化求解的目标和所述优化问题的约束,优化求解获得压缩机转速动作值序列、第一风机风量动作值序列和压缩机排气压力动作值序列。
本发明控制方法的进一步改进在,所述模型预测控制器用于预测所述跨临界CO2空调系统的性能变化趋势和室内温度变化趋势,通过调整控制参数使得空调系统朝着控制目标运行;所述控制参数包括压缩机转速设定值、第一风机风量设定值和压缩机排气压力设定值中,
选取压缩机转速动作值序列的第一项作为压缩机转速设定值;选取第一风机风量动作值序列的第一项作为第一风机风量设定值;选取压缩机排气压力动作值序列的第一项作为压缩机排气压力设定值;
基于所述压缩机排气压力设定值,采用电子膨胀阀开度反馈控制排气压力;其中,开度调节方法表示为,
本发明控制方法的进一步改进在,所述新风比基于所述室内换热器的风道风门角度获取。
本发明提供的一种用于跨临界CO2空调系统的控制系统,所述跨临界CO2空调系统包括:压缩机、室外换热器、第二风机、电子膨胀阀、中间换热器、室内换热器、第一风机和气液分离器;其中,所述压缩机的出口经所述室外换热器的第一换热通道、所述中间换热器的第一换热通道、电子膨胀阀、所述室内换热器的第一换热通道与所述气液分离器的进口相连通;所述气液分离器的气体出口经所述中间换热器的第二换热通道与所述压缩机的进口相连通;循环中采用的工质为CO2;所述室外换热器的第二换热通道用于通过所述第二风机鼓入室外空气;所述室内换热器设置于风道内,所述风道设置有送风口、新风口和回风口;所述回风口用于通过所述第一风机鼓入室内空气,所述新风口和回风口处设置有风门,用于调控新风比;所述新风口和回风口经所述室内换热器的第二换热通道与所述送风口相连通;
所述用于跨临界CO2空调系统的控制系统具体包括:
获取模块,用于获取所述室外换热器的第二换热通道进口的空气温度作为环境温度;获取所述室内换热器的第二换热通道出口的空气流量;获取所述室内换热器第二换热通道进口的空气温度作为室内温度;获取所述室内换热器第二换热通道出口的空气温度作为送风温度;获取新风比、太阳辐射量、室外空气流速、压缩机功耗、压缩机转速以及压缩机排气压力;
控制模块,用于将所述获取模块获取的所有参数输入预先设计的模型预测控制器中,通过所述模型预测控制器输出控制量,基于所述控制量实现所述跨临界CO2空调系统的控制;
其中,所述模型预测控制器用于预测所述跨临界CO2空调系统的性能变化趋势和室内温度变化趋势,通过调整控制参数使得空调系统朝着控制目标运行;所述控制参数包括压缩机转速设定值、第一风机风量设定值和压缩机排气压力设定值;所述控制目标为压缩机功耗预测值和第一风机功耗预测值和最小,且室内温度达到预设要求。
与现有技术相比,本发明具有以下有益效果:
本发明的方法中,采用MPC(模型预测控制,Model Predictive Control)方法,可以使得车厢温度在工况变化时及时调整至舒适温度,保障乘客的舒适性要求。其中,所述MPC控制方法具体为基于车厢热流平衡方程建立车厢温度预测模型,基于建立的模型实现预测控制。本发明方法中,考虑了CO2跨临界空调系统中压缩机排气压力对系统性能的影响,采用神经网络预测的方式由系统的环境温度、送风温度、排气压力来预测跨临界CO2系统的性能,可以准确地确定系统的最优压缩机排气压力,提高系统的能效。本发明方法中,考虑了负荷的剧烈变化对于空调系统的蒸发侧换热状况影响较大以及负荷变化对最优压缩机排气压力的影响,基于神经网络模型可准确地实时计算得到最优压缩机排气压力的控制目标。
本发明方法中,考虑了CO2跨临界空调系统中最优压缩机排气压力受制冷剂循环的蒸发侧、气冷侧的复杂影响,采集系统实时运行数据更新神经网络预测模型,不断采集更新以提高系统性能预测准确度;不需要对系统进行长久的性能测试找到特定状态下的最优排压,节约开发成本。
另外,基于CO2跨临界空调系统中风量对系统性能的影响,风量的增大使得系统的制冷剂侧回路的能效增大,伴随风机功耗增加。本发明考虑了不同的工况下,风量对上述两个方面的影响程度不同,可以准确搜寻系统的最优风量,实现风机节能;考虑了负荷剧烈变化对最优风量的影响,可以及时响应并实时调整风机至最优的风量,保障最优排气压力的同时保障风机的最优控制,实现全局最优并达到节能目标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种跨临界CO2空调系统的结构示意图;
图2是本发明实施例的一种用于跨临界CO2空调系统的控制方法的流程示意图;
图3是本发明实施例的一种用于铁路及高铁车辆的跨临界CO2空调系统的控制方法的流程示意图;
图中,11、压缩机;12、室外换热器;13、第二风机;14、中间换热器;15、电子膨胀阀;16、第一风机;17、室内换热器;18、高铁车厢;19、气液分离器。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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。
下面结合附图对本发明做进一步详细描述:
请参阅图1至图3,本发明实施例的一种用于跨临界CO2空调系统的控制方法,具体包括:
所述跨临界CO2空调系统包括:压缩机11、室外换热器12、第二风机13(具体的,可以是定频风机)、电子膨胀阀15(解释性的,用于膨胀节流)、中间换热器14、室内换热器17、第一风机16(具体的,可以是变频风机)和气液分离器19;所述室内换热器17置于风道内,所述风道可安装于高铁车厢18内。
其中,所述压缩机11的出口经所述室外换热器12的第一换热通道、所述中间换热器14的第一换热通道、电子膨胀阀15、所述室内换热器17的第一换热通道与所述气液分离器19的进口相连通;所述气液分离器19的气体出口经所述中间换热器14的第二换热通道与所述压缩机11的进口相连通。上述循环中的工质为CO2。上述循环中,工质CO2在所述的压缩机11出口状态为超临界气体,压力在8~13MPa,温度在80~160℃;经过所述的第一换热通道,由室外风冷却至环境温度附近;高压、环境温度的CO2经过中间换热器14第一换热通道,被经过中间换热器14第二换热通道的低压过热蒸气进一步冷却,通过所述的电子膨胀阀15膨胀节流,压力降至4~7MPa;低压CO2再进入所述的室内换热器17被室内风加热,产生冷量,进入气液分离器19后分离出饱和气体,饱和气体进入中间换热器14的第二换热通道吸热,保证一定的过热度进入所述的压缩机11进口。
所述室外换热器12的第二换热通道用于通过所述第二风机13鼓入室外风;所述室内换热器17的第二换热通道用于通过所述第一风机16鼓入室内风。具体的,所述的跨临界CO2空调系统的室内换热器17第二换热通道,连接有冷量需求的高铁车厢18,制冷模式下,提供冷却后的空气降温。
基于本发明实施例上述提供的系统,本发明实施例提供的控制方法具体包括以下步骤:
步骤1,获取所述室外换热器的第二换热通道进口的空气温度作为环境温度;获取所述室内换热器的第二换热通道出口的空气流量;获取所述室内换热器的风道回风口的空气温度作为室内温度;获取所述室内换热器第二换热通道出口的空气温度作为送风温度;获取新风比、太阳辐射量、室外空气流速、压缩机功耗、压缩机转速以及压缩机排气压力;
步骤2,将步骤1获取的所有参数输入预先设计的模型预测控制器中,通过所述模型预测控制器输出控制量,基于所述控制量实现所述跨临界CO2空调系统的控制;
其中,所述模型预测控制器用于预测所述跨临界CO2空调系统的性能变化趋势和室内温度变化趋势,通过调整控制参数使得空调系统朝着控制目标运行;所述控制参数包括压缩机转速设定值、第一风机风量设定值和压缩机排气压力设定值;所述控制目标为压缩机功耗预测值和第一风机功耗预测值和最小,且室内温度达到预设要求。
解释性的,所述模型预测控制器中预测模型表示为以下两个部分:跨临界CO2空调系统性能预测的神经网络模型,输入送风温度、环境温度以及压缩机排气压力,输出跨临界CO2空调系统的性能;车厢温度变化预测的物理模型,输入所述环境温度、室内换热器的第二换热通道出口的空气流量、室内温度、送风温度、太阳辐射量、室外空气流速、新风比、压缩机功耗、压缩机转速和制冷量,获得室内换热器的第二换热通道出口的空气温度预测值、室内温度预测值、压缩机功耗预测值以及第一风机功耗预测值。根据预测模型可以预测整体跨临界CO2空调系统的性能变化趋势和车厢温度变化趋势,通过调整控制参数,包括压缩机转速设定值、第一风机转速设定值和排气压力设定值,使得机组朝着控制目标:压缩机功耗和第一风机功耗和最小,舒适度达到要求的方向运行。
本发明实施例中,所述神经网络模型为前向反馈神经网络,包括3层结构,3个神经元的输入层、4~6个神经元的隐含层以及1个神经元输出层,隐含层的激励函数采用Sigmoid函数,单个神经元收到来自其他神经元传递过来的输入信号xi,将输入信号带权值wi连接进行传递,神经元接受到的总输入值与阈值θ比较后,通过激活函数处理产生神经元的输出y。隐含层的单个神经元的表达式为输入层的3个神经元分别对应环境温度、送风温度和压缩机排气压力;输出层的1个神经元对应跨临界CO2空调系统的性能。
本发明实施例中,所述预训练好的神经网络预测模型的获取步骤包括:
获取训练样本集;所述训练样本集的每个样本均包括:送风温度、环境温度、压缩机排气压力、跨临界CO2空调系统的性能;
训练更新时,将选定训练样本中的送风温度、环境温度、压缩机排气压力作为模型的输入,跨临界CO2空调系统的性能作为模型的输出,以BP神经网络的方式训练模型。
本发明具体实施例中,针对铁路及高铁应用的跨临界CO2空调系统,模型预测控制器建立方法步骤包括:
选择空调系统的送风温度预测值tsupply,p、车厢温度预测值tcabin,p作为系统的状态变量X;压缩机转速动作值ωcomp、室内第一风机风量动作值qv、压缩机排气压力动作值pout作为系统的动作变量U;系统的压缩机功耗预测值Wcomp,p、风机功耗预测值Wfan,p、制冷量预测值Qc,p、跨临界CO2空调系统的性能预测值COPp作为系统的输出变量Y;外界环境温度tambient、列车车速v、太阳辐射Qrad为系统的扰动变量D,建模的整体数学描述如式(1)至式(4)所示。
X=[tsupply,p tcabin,p]T, (1)
U=[ωcomp qv pout]T, (2)
Y=[Wcomp,p Wfan,p Qc,p COPp]T, (3)
D=[tambient v Qrad]T, (4)
MPC方法需要对未来系统状态、输出进行预测,记未来p个控制周期内预测的系统状态序列为Xs,控制量序列为Us,输出量序列为Ys,表达见式(5)至式(7)所示。式中p表示系统的预测时域,k+1|k表示在当前k时刻下,预测k+1时刻系统的状态,以此类推到k+p。
Xs=[x(k+1|k)T x(k+2|k)T…x(k+p|k)T]T, (5)
Us=[u(k+1|k)T u(k+2|k)T…u(k+p|k)T]T, (6)
Ys=[y(k+1|k)T y(k+2|k)T…y(k+p|k)T]T, (7)
为描述、预测系统的状态变量、输出变量,需根据物理规律或系统运行的数据建立起对应的物理模型或数据模型作为MPC的预测方程。系统的第k+1时刻的状态,由系统的k时刻的状态、动作以及扰动决定,如式(8)表示;k时刻的输出由当前时刻的状态、动作以及扰动决定,如式(9)表示,式(1)至式(9)为建立的高铁跨临界CO2空调系统的状态空间表达式。其中,k+1时刻和k时刻的时间间隔T,称为控制周期。
Xk+1=f(Xk,Uk,Dk), (8)
Yk=g(Xj,Uj,Dk), (9)
为获得系统的状态空间表达式的具体表达式,需要对高铁跨临界CO2空调系统进行数学建模,具体包括跨临界CO2空调系统制冷剂回路建模,高铁风道、车厢建模。
针对跨临界CO2空调系统的制冷剂回路,目标建立起制冷量预测值、压缩机功耗预测值、风机功耗预测值、跨临界CO2空调系统的性能预测值COPp的预测模型。
式中,ωcomp表示压缩机转速,V表示压缩机的单位容积,ηv表示压缩机的容积效率,可通过实验拟合容积效率和压比的关系,ρ1表示压缩机的吸气密度;h6表示蒸发器的出口焓,h4表示电子膨胀阀的进口焓;h2表示压缩机的出口焓,h1表示压缩机的进口焓。焓值和密度均可通过调用CO2的物性参数查取。
跨临界CO2空调系统的制冷剂回路质量流量、制冷量、压缩机功耗,跨临界CO2空调系统的性能COP的模型为非线性模型,并且计算需要反复地调用制冷剂的物性参数,因此必须对非线性模型进行简化处理,以方便MPC后续的优化求解步骤。
在一个稳定的工况之下,系统的制冷量和压缩机功耗和压缩机转速近似成线性关系,因此可将系统的制冷量预测值Qc,p、压缩机功耗预测值Wcomp,p的表达式,简化为仅关于压缩机转速的线性方程,如式(14-15)。
Qc,p=k1ωcomp; (14)
Wcomp,p=k2ωcomp; (15)
k1和k2的求取可通过以下方法,如式(16-17)。在室内蒸发器的风侧,利用焓差法测量系统当前状态下的制冷量式中,tair为环境温度、为室内换热器的第二换热通道出口的空气流量、tsupply为送风温度、tcabin为室内温度、β为新风比,Cp为空气比热容;测量压缩机功耗的功率表采集当前状态下的压缩机功耗Wcomp,测量压缩机转轴转速的测量设备采集当前状态下的压缩机转速ωcomp0。
跨临界CO2空调系统的性能受多种因素的影响,包括蒸发温度、压缩机排气压力等系统参数影响,难以通过物理建模的方式使得控制系统具有强大的适应性。因此,采用BP神经网络模型建立数据模型表征跨临界CO2空调系统的性能预测值COPp,建立起系统COPp关于环境温度tambient,送风温度预测值tsupply,p,排气压力动作值pout的函数关系与见表示式(18)。
COPp=N(tambient,tsupply,p,pout); (18)
基于机组运行数据,神经网络模型的输入层为3层,分别对应环境温度、送风温度预测值、压缩机排气压力;输出层为跨临界CO2空调系统的性能预测值COPp。隐含层层数选择基于设计经验,推荐采用4~6层,一方面可以保证神经网络函数的拟合精度;另一方面系统层数不多,待拟合的参数数量小,拟合的速度快,可以用于实时优化、更新。隐含层的激励函数选择为Sigmoid函数,见式(19);单个神经元收到来自其他神经元传递过来的输入信号xi,将输入信号带权值wi连接进行传递,神经元接受到的总输入值与阈值θ比较后,通过激活函数处理产生神经元的输出y,表达式见式(20);
y=f(∑iwixi-θ); (20)
针对跨临界CO2空调系统的空气侧回路,包括铁路及高铁车辆的风道模型、车厢模型。目标建立起系统的送风温度、车厢温度变化的预测模型。
风道中主要发生新风和回风的混合、混合风的冷却降温两种物理现象。新风和回风的混合热力学变化特性可用式(21)表征,
式中表示空气的质量流量,由风机风量qv和空气密度的乘积计算获得;hevp_in表示蒸发器进口焓值;β表示新风占风量的比例,由风阀控制;hambient表示环境空气的焓值;hcabin表示车厢空气的焓值。基于理想气体假设以及忽略空气的温度对空气密度影响,可将式(21)化简为式(22),表征室内换热器第二换热通道的进口空气温度tevp_in,p预测关系
tevp_in,p=βtambient+(1-β)tcabin,p; (22)
式中tambient表示环境温度,tcabin,p表示室内温度预测值。
混合风的冷却降温的热力学变化特性可用式(23)表示,用以表征室内换热器第二换热通道的出口空气温度tevp_out,p预测关系。
式中,Qc表示系统的制冷量。
车厢的热力学变化现象主要包括,冷却风的流入、回风的流出、环境对车厢的漏热、车内乘客的热负荷。可用式(24)表示。
式中tcabin_in表示送入车厢的空气的温度,即室内换热器第二换热通道的出口空气温度;tcabin,p表示车厢温度预测值;Qout表示环境对车厢的漏热,主要包括辐射换热、车体的对流及导热;(CpρV)cavin表示车厢内空气的热容大小,由车厢的内部体积、比热、密度确定。tcabin,p表示车厢温度预测值。
车厢的辐射换热Qrad可通过车外的辐射传感器采集获得,车体的对流及导热预测值Qcon,p利用热阻法计算。
Qout=Qrad+Qcon,p; (25)
Qcon,p=hA(tambient-tcabin,p); (26)
ho=f(v); (28)
式中的h表示等效换热系数,车体外侧的对流换热系数为ho,和车速相关,车厢内侧的对流换热系数为hi,可视为定值;Ri为车体各绝热材料的热阻大小,A表示车体的表面积。
风机的功耗可根据物理推导和测试获得,其表达式为式(29)。
联立式(14-18)、(21-29)可获得系统完整的状态空间表达式,并利用向前欧拉法离散偏微分方程得到离散化的状态空间表达式如式(30-35)。
获得离散后的状态空间表达式后,使得控制策略具有向前预测系统动态的能力。
为使系统能够满足乘客的舒适性指标以及节能的目标,将此目标的数学表达建立为损失函数J,如式(36-37)所示。
式中,将此控制目标转化为求解一个关于压缩机转速、风量、排气压力的序列的多变量函数的极小值问题,包括舒适度项:车厢温度和目标舒适温度差值的绝对值,目标车厢温度利用PMV模型求取;功耗项及能效项:压缩机和风机功耗尽可能小以及系统COP尽可能的大;各项权值依据工程经验选取调试;控制幅度项,保证系统控制稳定后控制波动小。式(37)可添加各状态变量以及动作变量的约束。a,b,c,d分别表示权重参数,tcabin(k+j|k)表示在k时刻预测的第j步的室内温度,tcomfort,PMV表示舒适温度,由室内温度,调用舒适度计算模型PMV模型计算,W(k+j|k)表示在k时刻预测的第j步的压缩机功耗和第一风机功耗之和,Δu(k+j|k)表示动作变量序列压缩机转速、第一风机风量、压缩机排气压力的差分,COP(k+j|k)表示在k时刻预测的第j步的跨临界CO2空调系统的性能,x(k+j|k)表示在k时刻预测的第j步状态变量向量,包括送风温度、室内温度,xmin表示状态变量向量允许最小值,xmax表示状态变量向量允许最大值,u(k+j|k)表示在k时刻预测的第j步动作变量向量,包括压缩机转速、第一风机风量、压缩机排气压力,umin表示动作变量向量允许最小值,umax表示动作变量向量允许最大值,Δumin表示动作变量向量差分允许最小值,Δumax表示动作变量向量差分允许最大值。N表示控制时域,用以表征预测的步数。
跨临界CO2空调系统具有强大的非线性特征,为防止MPC控制出现预测模型失配的问题,需要引入反馈校正,修正系统的状态变量送风温度和车厢温度。采集系统当前的送风温度tsupply0和车厢温度tcabin0作为当前状态的预测起点,如式(38)所示。
进一步的,将求解得到的控制量序列Us=[u(k+1|k)Tu(k+2|k)T…u(k+p|k)T]T的第一项提取,作为受控部件的信号输出给局部控制器,具体包括压缩机转速设定值、第一风机风量设定值、压缩机排气压力设定值控制信号。
压缩机排气压力设定值pout_t即为求解得到的当前状态下,CO2跨临界空调系统的目标最优排压设定值,输出给局部的PID控制器,PID控制器采用电子膨胀阀开度D控制压缩机排气压力pout。
重复“采集—优化求解—输出控制变量”这一采用滚动优化步骤,采样间隔Tsample推荐为2分钟,既保障系统的控制的稳定性,不至于在上一步控制信号尚未作用完全的时候对下一步进行控制操作,也能保障工况变化时对系统最优输出量变化的有效响应,对铁路及高铁车辆的CO2跨临界空调系统,实时实现当前状态的最优控制。
本发明实施例考虑到高铁运行过程中,车厢热负荷变化大的特点,采用预测控制的方法,可以使得车厢温度在工况变化时及时调整至舒适温度,保障乘客的舒适性要求。本发明考虑到CO2跨临界空调系统中,排气压力对系统性能的影响,可以准确地确定系统的最优排气压力,提升系统的能效。本发明考虑到CO2跨临界空调系统中,最优排气压力受制冷剂循环的蒸发侧、气冷侧的复杂影响,采用系统实时运行数据,不断采集更新,以提高系统性能。不需要对系统进行长久的性能测试找到特定状态下的最优排压,节约开发成本。本发明考虑到应用于铁路及高铁的CO2跨临界空调系统,负荷的剧烈变化对于空调系统的蒸发侧换热状况影响较大,考虑到负荷变化对最优排气压力的影响,准确地实时计算得到最优排压的控制目标。本发明考虑到空调系统中,风量对系统性能的影响,风量的增大使得系统的制冷剂侧回路的能效增大,伴随风机功耗增加。考虑到,不同的工况下风量对上述两个方面的影响程度不同,可以准确搜寻系统的最优风量,实现风机节能。本发明考虑到铁路及高铁的CO2跨临界空调系统运行工况,负荷剧烈变化对最优风量的影响,可以及时响应,实时调整风机至最优的风量,保障最优排气压力的同时保障风机的最优控制,实现全局最优,达到节能目标。综上所述,本发明实施例提供的方法是MPC(模型预测控制,Model PredictiveControl)方法,可解决高铁工况剧烈变化大的过程中,最优排气压力失配导致的能效降低的问题;以及实现保障舒适度的同时实现压缩机、风机的总功耗最小的节能目标;跨临界循环系统的制冷剂为天然工质CO2。本发明中控制器设计包括应用于铁路及高铁列车的跨临界CO2空调系统预测模型建立、对应的状态方程离散、建立优化目标函数并在线优化求解以及反馈校正三个部分。本发明采用模型预测控制(Model Predictive Control)的控制策略对CO2跨临界空调系统的排气压力、压缩机转速、室内风机风量进行控制。综合考虑铁路及高铁车辆的应用场景乘客的舒适度问题、跨临界CO2系统的最优排气压力控制的节能问题、空调系统的压缩机、风机耦合控制的节能问题。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节,请参照本发明方法实施例。
本发明再一实施例中,提供一种用于跨临界CO2空调系统的控制系统,所述跨临界CO2空调系统包括:压缩机、室外换热器、第二风机、电子膨胀阀、中间换热器、室内换热器、第一风机和气液分离器;其中,所述压缩机的出口经所述室外换热器的第一换热通道、所述中间换热器的第一换热通道、电子膨胀阀、所述室内换热器的第一换热通道与所述气液分离器的进口相连通;所述气液分离器的气体出口经所述中间换热器的第二换热通道与所述压缩机的进口相连通;循环中采用的工质为CO2;所述室外换热器的第二换热通道用于通过所述第二风机鼓入室外空气;所述室内换热器设置于风道内,所述风道设置有送风口、新风口和回风口;所述回风口用于通过所述第一风机鼓入室内空气,所述新风口和回风口处设置有风门,用于调控新风比;所述新风口和回风口经所述室内换热器的第二换热通道与所述送风口相连通;
所述用于跨临界CO2空调系统的控制系统具体包括:
获取模块,用于获取所述室外换热器的第二换热通道进口的空气温度作为环境温度;获取所述室内换热器的第二换热通道出口的空气流量;获取所述室内换热器第二换热通道进口的空气温度作为室内温度;获取所述室内换热器第二换热通道出口的空气温度作为送风温度;获取新风比、太阳辐射量、室外空气流速、压缩机功耗、压缩机转速以及压缩机排气压力;
控制模块,用于将所述获取模块获取的所有参数输入预先设计的模型预测控制器中,通过所述模型预测控制器输出控制量,基于所述控制量实现所述跨临界CO2空调系统的控制;
其中,所述模型预测控制器用于预测所述跨临界CO2空调系统的性能变化趋势和室内温度变化趋势,通过调整控制参数使得空调系统朝着控制目标运行;所述控制参数包括压缩机转速设定值、第一风机风量设定值和压缩机排气压力设定值;所述控制目标为压缩机功耗预测值和第一风机功耗预测值和最小,且室内温度达到预设要求。
本发明实施例公开一种应用于铁路及高铁车辆的CO2跨临界空调系统及其MPC控制方法,针对铁路高铁工况环境、负荷变化大导致的传统经验关联式控制最优排压精度下降,以及空调系统压缩机、风机的全局整体节能的问题,优化CO2跨临界空调系统的控制,达到既满足乘客的舒适度需求以及空调系统节能的目的。本发明采用基于机理的物理模型结合神经网络的数学模型,对铁路及高铁车辆的CO2跨临界空调系统的制冷剂回路和空气回路的建模,得到系统的状态空间表达式和优化求解、反馈校正的求解步骤。给出了适合于铁路及高铁车辆的CO2跨临界空调系统的模型预测控制建立方案及流程。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种用于跨临界CO2空调系统的控制方法,其特征在于,
所述跨临界CO2空调系统包括:压缩机、室外换热器、第二风机、电子膨胀阀、中间换热器、室内换热器、第一风机和气液分离器;其中,所述压缩机的出口经所述室外换热器的第一换热通道、所述中间换热器的第一换热通道、电子膨胀阀、所述室内换热器的第一换热通道与所述气液分离器的进口相连通;所述气液分离器的气体出口经所述中间换热器的第二换热通道与所述压缩机的进口相连通;循环中采用的工质为CO2;所述室外换热器的第二换热通道用于通过所述第二风机鼓入室外空气;所述室内换热器设置于风道内,所述风道设置有送风口、新风口和回风口;所述回风口用于通过所述第一风机鼓入室内空气,所述新风口和回风口处设置有风门;所述新风口和回风口经所述室内换热器的第二换热通道与所述送风口相连通;
所述用于跨临界CO2空调系统的控制方法具体包括以下步骤:
步骤1,获取所述室外换热器的第二换热通道进口的空气温度作为环境温度;获取所述室内换热器的第二换热通道出口的空气流量;获取所述室内换热器第二换热通道进口的空气温度作为室内温度;获取所述室内换热器第二换热通道出口的空气温度作为送风温度;获取新风比、太阳辐射量、室外空气流速、压缩机功耗、压缩机转速以及压缩机排气压力;
步骤2,将步骤1获取的所有参数输入预先设计的模型预测控制器中,通过所述模型预测控制器输出控制量,基于所述控制量实现所述跨临界CO2空调系统的控制;
其中,所述模型预测控制器用于预测所述跨临界CO2空调系统的性能变化趋势和室内温度变化趋势,通过调整控制参数使得空调系统朝着控制目标运行;所述控制参数包括压缩机转速设定值、第一风机风量设定值和压缩机排气压力设定值;所述控制目标为压缩机功耗预测值和第一风机功耗预测值和最小,且室内温度达到预设要求。
2.根据权利要求1所述的一种用于跨临界CO2空调系统的控制方法,其特征在于,所述预设计的模型预测控制器包括:
神经网络模型,用于输入环境温度、送风温度预测值以及压缩机排气压力动作值,预测输出所述跨临界CO2空调系统的性能预测值,获得所述神经网络模型的预测结果;
物理模型,用于输入所述环境温度、室内换热器的第二换热通道出口的空气流量、室内温度、送风温度、太阳辐射量、室外空气流速、新风比、压缩机功耗、压缩机转速和制冷量,获得室内换热器的第二换热通道出口的空气温度预测值、室内温度预测值、压缩机功耗预测值以及第一风机功耗预测值,获得所述物理模的预测结果;其中,制冷量Qc的计算表达式为,式中,tair为环境温度、为室内换热器的第二换热通道出口的空气流量、tsupply为送风温度、tcabin为室内温度、β为新风比,Cp为空气比热容;
优化求解模块,用于基于神经网络模型和物理模型的预测结果,将控制目标实现转化为求解关于压缩机转速动作值、第一风机风量动作值、压缩机排气压力动作值的序列的多变量函数的极小值问题;将求解得到的压缩机转速动作值、第一风机风量动作值、压缩机排气压力动作值的序列的第一个值作为当前控制信号输出;其中,压缩机排气压力动作值传递给局部的PID控制器,采用电子膨胀阀开度反馈控制压缩机排气压力。
3.根据权利要求2所述的一种用于跨临界CO2空调系统的控制方法,其特征在于,所述神经网络模型为前向反馈神经网络,包括输入层、隐含层以及输出层;
其中,所述输入层包括3个神经元,分别对应环境温度、送风温度预测值和压缩机排气压力动作值;
所述隐含层的激励函数采用Sigmoid函数;
所述输出层包括1个神经元,对应跨临界CO2空调系统的性能预测值。
4.根据权利要求3所述的一种用于跨临界CO2空调系统的控制方法,其特征在于,所述神经网络模型的训练方法包括以下步骤:
数据集的预处理,包括获取跨临界CO2空调机组的历史运行数据;其中,所述历史运行数据包括跨临界CO2空调系统的性能、环境温度、送风温度以及压缩机排气压力;获取的历史运行数据集要求环境温度覆盖20℃~40℃,送风温度覆盖5℃~20℃,压缩机排气压力覆盖8MPa~13MPa;
神经网络连接权值更新处理,包括以预测跨临界CO2空调系统的性能和原始数据跨临界CO2空调系统的性能的均方差最小作为优化目标进行网络训练,采用反向传播算法更新权值,收敛条件定义为预测跨临界CO2空调系统的性能和原始数据跨临界CO2空调系统的性能之间的相对误差小于预设阈值。
5.根据权利要求2所述的一种用于跨临界CO2空调系统的控制方法,其特征在于,所述物理模型包括:
送风温度预测值tsupply,p预测的物理模型表示为,式中,表示室内换热器的第二换热通道出口的空气流量预测值,由第一风机风量动作值qv和空气密度ρ求得, 表室内换热器的第二换热通道的进口空气温度预测值,Qc,p表示制冷量预测值;
跨临界CO2空调系统的制冷量预测值表示为,Qc,p=k1ωcomp,压缩机功耗预测值Wcomp,p=k2ωcomp;式中,ωcomp表示压缩机转速动作值,k1和k2由采集的制冷量Qc、压缩机功耗Wcomp、压缩机转速ωcomp0计算
室外对流和导热预测值Qcon,p的预测物理模型表示为,Qcon,p=hA(tambient-tcabin,p);式中,h表示换热系数,ho为室外空气的对流换热系数,hi为室内空气的对流换热系数;Ri为室内外间各绝热材料的热阻大小,A表示室外表面积;
6.根据权利要求2所述的一种用于跨临界CO2空调系统的控制方法,其特征在于,所述优化求解模块中,
优化求解的目标为车厢温度预测值与舒适温度之差的绝对值,压缩机功耗预测值与第一风机功耗预测值之和,压缩机转速动作量、第一风机风量动作量、压缩机排气压力动作量的序列的差分绝对值之和,以及跨临界CO2空调系统的性能预测值的相反数的加权之和最小;
优化问题的约束包括送风温度预测值在0℃~20℃,室内温度预测值在0℃~50℃,压缩机转速动作值在0RPM~5000RPM,第一风机风量动作值在0m3/h~2000m3/h,压缩机排气压力动作值在8MPa~13MPa;压缩机转速动作值的差分限制小于等于1000RPM,第一风机风量动作值的差分限制小于等于200m3/h,排气压力动作值的差分限制小于等于2MPa;
基于所述优化求解的目标和所述优化问题的约束,优化求解获得压缩机转速动作值序列、第一风机风量动作值序列和压缩机排气压力动作值序列。
7.根据权利要求6所述的一种用于跨临界CO2空调系统的控制方法,其特征在于,所述模型预测控制器用于预测所述跨临界CO2空调系统的性能变化趋势和室内温度变化趋势,通过调整控制参数使得空调系统朝着控制目标运行;所述控制参数包括压缩机转速设定值、第一风机风量设定值和压缩机排气压力设定值中,
选取压缩机转速动作值序列的第一项作为压缩机转速设定值;选取第一风机风量动作值序列的第一项作为第一风机风量设定值;选取压缩机排气压力动作值序列的第一项作为压缩机排气压力设定值;
基于所述压缩机排气压力设定值,采用电子膨胀阀开度反馈控制排气压力;其中,开度调节方法表示为,
8.根据权利要求1所述的一种用于跨临界CO2空调系统的控制方法,其特征在于,所述新风比基于所述风道的风门角度获取。
9.一种用于跨临界CO2空调系统的控制系统,其特征在于,
所述跨临界CO2空调系统包括:压缩机、室外换热器、第二风机、电子膨胀阀、中间换热器、室内换热器、第一风机和气液分离器;其中,所述压缩机的出口经所述室外换热器的第一换热通道、所述中间换热器的第一换热通道、电子膨胀阀、所述室内换热器的第一换热通道与所述气液分离器的进口相连通;所述气液分离器的气体出口经所述中间换热器的第二换热通道与所述压缩机的进口相连通;循环中采用的工质为CO2;所述室外换热器的第二换热通道用于通过所述第二风机鼓入室外空气;所述室内换热器设置于风道内,所述风道设置有送风口、新风口和回风口;所述回风口用于通过所述第一风机鼓入室内空气,所述新风口和回风口处设置有风门,用于调控新风比;所述新风口和回风口经所述室内换热器的第二换热通道与所述送风口相连通;
所述用于跨临界CO2空调系统的控制系统具体包括:
获取模块,用于获取所述室外换热器的第二换热通道进口的空气温度作为环境温度;获取所述室内换热器的第二换热通道出口的空气流量;获取所述室内换热器第二换热通道进口的空气温度作为室内温度;获取所述室内换热器第二换热通道出口的空气温度作为送风温度;获取新风比、太阳辐射量、室外空气流速、压缩机功耗、压缩机转速以及压缩机排气压力;
控制模块,用于将所述获取模块获取的所有参数输入预先设计的模型预测控制器中,通过所述模型预测控制器输出控制量,基于所述控制量实现所述跨临界CO2空调系统的控制;
其中,所述模型预测控制器用于预测所述跨临界CO2空调系统的性能变化趋势和室内温度变化趋势,通过调整控制参数使得空调系统朝着控制目标运行;所述控制参数包括压缩机转速设定值、第一风机风量设定值和压缩机排气压力设定值;所述控制目标为压缩机功耗预测值和第一风机功耗预测值和最小,且室内温度达到预设要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582964.6A CN114992926B (zh) | 2022-05-26 | 2022-05-26 | 一种用于跨临界co2空调系统的控制方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582964.6A CN114992926B (zh) | 2022-05-26 | 2022-05-26 | 一种用于跨临界co2空调系统的控制方法及控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114992926A true CN114992926A (zh) | 2022-09-02 |
CN114992926B CN114992926B (zh) | 2023-04-28 |
Family
ID=83029482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210582964.6A Active CN114992926B (zh) | 2022-05-26 | 2022-05-26 | 一种用于跨临界co2空调系统的控制方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114992926B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113757922A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质 |
CN116701983A (zh) * | 2023-08-03 | 2023-09-05 | 青岛冠成软件有限公司 | 一种冷链物流实时监测数据处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060150646A1 (en) * | 2002-12-23 | 2006-07-13 | Kare Aflekt | Method of operation and regulation of a vapour compression system |
CN105737426A (zh) * | 2016-03-14 | 2016-07-06 | 西安交通大学 | 一种co2跨临界复叠热泵系统及其级间压缩机容量配比方法 |
CN108645027A (zh) * | 2018-05-14 | 2018-10-12 | 西安交通大学 | 一种跨临界co2热泵热水器系统最优排气压力的极值搜索控制系统及方法 |
CN109323477A (zh) * | 2018-09-11 | 2019-02-12 | 西安交通大学 | 一种基于带预冷器的跨临界co2热泵系统及其水路两通阀控制方法 |
CN109764570A (zh) * | 2018-12-29 | 2019-05-17 | 西安交通大学 | 一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法 |
CN111845264A (zh) * | 2020-07-10 | 2020-10-30 | 西安交通大学 | 基于变参数pi控制器控制的跨临界co2热管理系统及方法 |
CN113357842A (zh) * | 2021-05-28 | 2021-09-07 | 西安交通大学 | 一种co2跨临界并行压缩制冷系统及控制方法 |
CN114407616A (zh) * | 2022-02-25 | 2022-04-29 | 西安交通大学 | 用于车辆热管理的跨临界co2系统及其控制方法 |
-
2022
- 2022-05-26 CN CN202210582964.6A patent/CN114992926B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060150646A1 (en) * | 2002-12-23 | 2006-07-13 | Kare Aflekt | Method of operation and regulation of a vapour compression system |
CN105737426A (zh) * | 2016-03-14 | 2016-07-06 | 西安交通大学 | 一种co2跨临界复叠热泵系统及其级间压缩机容量配比方法 |
CN108645027A (zh) * | 2018-05-14 | 2018-10-12 | 西安交通大学 | 一种跨临界co2热泵热水器系统最优排气压力的极值搜索控制系统及方法 |
CN109323477A (zh) * | 2018-09-11 | 2019-02-12 | 西安交通大学 | 一种基于带预冷器的跨临界co2热泵系统及其水路两通阀控制方法 |
CN109764570A (zh) * | 2018-12-29 | 2019-05-17 | 西安交通大学 | 一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法 |
CN111845264A (zh) * | 2020-07-10 | 2020-10-30 | 西安交通大学 | 基于变参数pi控制器控制的跨临界co2热管理系统及方法 |
CN113357842A (zh) * | 2021-05-28 | 2021-09-07 | 西安交通大学 | 一种co2跨临界并行压缩制冷系统及控制方法 |
CN114407616A (zh) * | 2022-02-25 | 2022-04-29 | 西安交通大学 | 用于车辆热管理的跨临界co2系统及其控制方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113757922A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质 |
CN113757922B (zh) * | 2020-06-03 | 2023-04-07 | 中国移动通信集团浙江有限公司 | 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质 |
CN116701983A (zh) * | 2023-08-03 | 2023-09-05 | 青岛冠成软件有限公司 | 一种冷链物流实时监测数据处理方法及系统 |
CN116701983B (zh) * | 2023-08-03 | 2023-10-20 | 青岛冠成软件有限公司 | 一种冷链物流实时监测数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114992926B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114992926B (zh) | 一种用于跨临界co2空调系统的控制方法及控制系统 | |
Qi et al. | Multivariable control of indoor air temperature and humidity in a direct expansion (DX) air conditioning (A/C) system | |
Li et al. | Dynamic modeling and control of a direct expansion air conditioning system using artificial neural network | |
Karunakaran et al. | Energy efficient fuzzy based combined variable refrigerant volume and variable air volume air conditioning system for buildings | |
CN101782261B (zh) | 暖通空调系统的非线性自适应节能控制方法 | |
Gao et al. | An optimization strategy for the control of small capacity heat pump integrated air-conditioning system | |
CN111597723A (zh) | 基于改进的智能模型预测控制的电动汽车空调系统智能控制方法 | |
CN112628956B (zh) | 基于边云协同框架的冷水机组负荷预测控制方法和系统 | |
CN106766450A (zh) | 制冷热泵系统最小能耗优化控制装置及控制方法 | |
Liu et al. | Automative air conditioning system control—A survey | |
CN116753662B (zh) | 冷柜分区控制方法及系统 | |
Yang et al. | Simultaneous control of indoor air temperature and humidity for a chilled water based air conditioning system using neural networks | |
Zhao et al. | Decentralized optimization for vapor compression refrigeration cycle | |
CN116624984A (zh) | 一种冰蓄冷空调系统经济性和响应性双目标优化模型预测控制方法 | |
Ohno et al. | Dynamic modeling of room temperature and thermodynamic efficiency for direct expansion air conditioning systems using Bayesian neural network | |
CN110986249B (zh) | 空调的自调节控制方法、系统及空调器 | |
Ning et al. | Neural network model-based adaptive control of a VAV-HVAC&R system | |
CN107388882A (zh) | 冷却塔的多风机多喷淋协同模糊控制方法 | |
Muñoz et al. | Real-time neural inverse optimal control for indoor air temperature and humidity in a direct expansion (DX) air conditioning (A/C) system | |
Yang et al. | Discrete time adaptive neural network control for WME and compression refrigeration systems | |
Liavoli et al. | Sub-optimal observer-based controller design using the state dependent riccati equation approach for air-handling unit | |
Kumar et al. | Design of model-based optimizing control scheme for an air-conditioning system | |
CN117146398A (zh) | 一种采用直膨空调的室内温湿度预测控制方法 | |
CN104949274B (zh) | 一种变风量空调冷水机组双回路控制方法 | |
Xia et al. | Performance prediction of air-conditioning systems based on fuzzy neural network |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221213 Address after: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28 Applicant after: XI'AN JIAOTONG University Applicant after: GUANGDONG MEIDI WHITE HOUSEHOLD ELECTRICAL APPLIANCE TECHNOLOGY INNOVATION CENTER Co.,Ltd. Applicant after: MIDEA GROUP Co.,Ltd. Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an Applicant before: XI'AN JIAOTONG University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |