CN115049141A - 用于制冷系统的控制方法、控制装置和制冷系统 - Google Patents

用于制冷系统的控制方法、控制装置和制冷系统 Download PDF

Info

Publication number
CN115049141A
CN115049141A CN202210748230.0A CN202210748230A CN115049141A CN 115049141 A CN115049141 A CN 115049141A CN 202210748230 A CN202210748230 A CN 202210748230A CN 115049141 A CN115049141 A CN 115049141A
Authority
CN
China
Prior art keywords
refrigeration system
refrigerating
machine room
data
refrigeration
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
CN202210748230.0A
Other languages
English (en)
Inventor
徐丹
赵碧莹
张培赟
曾宇
徐馨兰
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.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202210748230.0A priority Critical patent/CN115049141A/zh
Publication of CN115049141A publication Critical patent/CN115049141A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment

Abstract

本公开提供了一种用于制冷系统的控制方法、控制装置和制冷系统。控制方法包括：采集机房当前的室外温湿度数据和设备负载数据；将室外温湿度数据和设备负载数据输入到制冷量预测模型以得到机房各个分时段的需冷量的预测值；将各个分时段的电价和机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标；根据制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数；和按照制冷系统运行策略参数调节制冷系统的运行状态。本公开可以优化制冷系统的运行状态，降低运行成本。

Description

用于制冷系统的控制方法、控制装置和制冷系统
技术领域
本公开涉及机房节能领域，特别涉及一种用于制冷系统的控制方法、控制装置和制冷系统。
背景技术
目前，数字基础设施的碳排放已成为能源消耗与碳排放的新增长点。现有的数据中心成本控制、能耗节约技术大致有以下几个：
(1)改变数据中心的架构：对数据中心服务器的物理位置进行重组，例如配置冷、热通道，显著减少冷却系统的负荷。
(2)新型的存储结构的应用：数据存储器也是数据中心电能消耗大的主要原因之一，光存储器的使用可以有效降低系统发热，降低能源损耗效应。
(3)新型配电技术的应用：利用电力资源的特点实现降低成本。
(4)制冷节能：绿色数据中心最大的挑战是制冷问题，通过优化制冷系统参数，从而降低制冷能耗。
在现有的数字基础设施中，通常采用冰蓄冷水冷机组来实现机房的温度调节。但是，制冷系统的运行成本有待进一步降低。
发明内容
本公开解决的一个技术问题是：提供一种用于制冷系统的控制方法，以优化制冷系统的运行状态，降低运行成本。
根据本公开的一个方面，提供了一种用于制冷系统的控制方法，包括：采集机房当前的室外温湿度数据和设备负载数据；将所述室外温湿度数据和所述设备负载数据输入到制冷量预测模型以得到机房各个分时段的需冷量的预测值；将各个分时段的电价和所述机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标；根据所述制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数；和按照所述制冷系统运行策略参数调节所述制冷系统的运行状态。
在一些实施例中，所述最优配置目标包括：所述制冷系统的运行模式以及在所述运行模式下的制冷量和功率。
在一些实施例中，所述制冷系统包括冰蓄冷水冷机组系统；所述运行模式包括：双工况主机制冰模式、双工况主机融冰模式、基载主机模式和板换制冷模式中的至少一个。
在一些实施例中，所述最小成本寻优模型包括优化函数：
Figure BDA0003720223150000021
分时段制冷量约束条件为：
Figure BDA0003720223150000022
Figure BDA0003720223150000023
其中，pr为制冷成本，Ni为第i个分时段的电价，
Figure BDA0003720223150000024
为制冷系统在双工况主机制冰模式下第i个分时段所采用的功率，
Figure BDA0003720223150000025
为制冷系统在双工况主机融冰模式下第i个分时段所采用的功率，
Figure BDA0003720223150000026
为制冷系统在基载主机模式下第i个分时段所采用的功率，
Figure BDA0003720223150000027
为制冷系统在板换制冷模式下第i个分时段所采用的功率，
Figure BDA0003720223150000028
为制冷系统在i个分时段制冰所储存的冷量，
Figure BDA0003720223150000029
为制冷系统在第i个分时段融冰所放出的冷量，
Figure BDA00037202231500000210
为制冷系统在第i个分时段的制冷量，
Figure BDA00037202231500000211
为机房第i个分时段的需冷量的预测值，1≤i≤n，且i和n均为正整数。
在一些实施例中，将各个分时段的电价和所述机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标包括：将各个分时段的电价和所述机房各个分时段的需冷量的预测值输入到最小成本寻优模型中，并结合所述制冷系统的性能系数COP曲线，获得在最低制冷成本的条件下所述制冷系统的运行模式和在该运行模式下的制冷量和功率。
在一些实施例中，所述控制方法还包括：从历史样本数据库中获得历史样本数据，所述历史样本数据包括机房的室外温湿度数据的历史数据和设备负载数据的历史数据；对所述历史样本数据和当前样本数据进行预处理，其中，所述当前样本数据包括所述机房当前的室外温湿度数据和设备负载数据；将所述历史样本数据与当前样本数据进行比较，选取所述历史样本数据中与所述当前样本数据的欧式距离小于距离阈值的历史样本数据；和将选取的历史样本数据输入到所述制冷量预测模型以训练所述制冷量预测模型。
在一些实施例中，所述预处理包括：对所述历史样本数据和所述当前样本数据中出现的噪声数据和离散数据进行中值数绝对偏差滤波处理，和对所述当前样本数据进行归一化处理。
在一些实施例中，根据所述制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数包括：将所述制冷系统的最优配置目标作为制冷系统最优控制策略模型的因变量，匹配得到对应的制冷系统运行策略参数，其中，所述制冷系统运行策略参数包括：在相应的运行模式下，所述制冷系统的各个部件的运行参数。
在一些实施例中，所述控制方法还包括：获得在各个运行模式下所述制冷系统的各个部件的历史运行数据；和将所述制冷系统的各个部件的历史运行数据输入到制冷系统最优控制策略模型中以训练所述制冷系统最优控制策略模型。
在一些实施例中，所述控制方法还包括：采集机房的实时温度；和根据所述机房的实时温度自动调节所述制冷系统的制冷量。
在一些实施例中，根据所述机房的实时温度自动调节所述制冷系统的制冷量包括：计算所述机房的实时温度和预定温度的温度差值；在所述温度差值的绝对值小于或等于温差阈值的情况下，确定所述制冷系统当前的制冷量符合机房制冷要求；在所述温度差值的绝对值大于温差阈值的情况下，确定所述制冷系统当前的制冷量不符合机房制冷要求，将所述温度差值所对应的制冷量差值作为需冷量输入到所述最小成本寻优模型中以重新获得制冷系统的最优配置目标。
在一些实施例中，在所述温度差值的绝对值大于温差阈值的情况下：若所述机房的实时温度大于所述预定温度，则所述制冷量差值为正值；若所述机房的实时温度小于所述预定温度，则所述制冷量差值为负值。
根据本公开的另一个方面，提供了一种用于制冷系统的控制装置，包括：数据获取单元，用于采集机房当前的室外温湿度数据和设备负载数据；预测单元，用于将所述室外温湿度数据和所述设备负载数据输入到制冷量预测模型以得到机房各个分时段的需冷量的预测值；目标获取单元，用于将各个分时段的电价和所述机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标；策略获取单元，用于根据所述制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数；和调节单元，用于按照所述制冷系统运行策略参数调节所述制冷系统的运行状态。
根据本公开的另一个方面，提供了一种用于制冷系统的控制装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如前所述的方法。
根据本公开的另一个方面，提供了一种制冷系统，包括：如前所述的控制装置。
根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现如前所述的方法。
在上述控制方法中，采集机房当前的室外温湿度数据和设备负载数据；将室外温湿度数据和设备负载数据输入到制冷量预测模型以得到机房各个分时段的需冷量的预测值；将各个分时段的电价和机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标；根据制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数；和按照制冷系统运行策略参数调节制冷系统的运行状态。该控制方法可以优化制冷系统的运行状态，降低运行成本。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1是示出根据本公开一些实施例的用于制冷系统的控制方法的流程图；
图2是示出根据本公开另一些实施例的用于制冷系统的控制方法的流程图；
图3是示出根据本公开一些实施例的用于制冷系统的控制装置的结构框图；
图4是示出根据本公开另一些实施例的用于制冷系统的控制装置的结构框图；
图5是示出根据本公开另一些实施例的用于制冷系统的控制装置的结构框图；
图6是示出根据本公开另一些实施例的用于制冷系统的控制装置的结构框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1是示出根据本公开一些实施例的用于制冷系统的控制方法的流程图。如图1所示，该控制方法包括步骤S102至S110。
在步骤S102，采集机房当前的室外温湿度数据和设备负载数据。
这里，室外温湿度数据即为室外温度数据和室外湿度数据。例如，设备负载数据包括IT(Internet Technology，互联网技术)设备负载数据。
在步骤S104，将室外温湿度数据和设备负载数据输入到制冷量预测模型以得到机房各个分时段的需冷量的预测值。
在一些实施例中，所述控制方法还可以包括：从历史样本数据库中获得历史样本数据，该历史样本数据包括机房的室外温湿度数据的历史数据和设备负载数据的历史数据；对历史样本数据和当前样本数据进行预处理，其中，该当前样本数据包括机房当前的室外温湿度数据和设备负载数据；将该历史样本数据与当前样本数据进行比较，选取历史样本数据中与当前样本数据的欧式距离小于距离阈值的历史样本数据；和将选取的历史样本数据输入到制冷量预测模型以训练制冷量预测模型。例如，在训练的过程中，可以结合历史样本数据所对应的制冷量来进行训练。
在上述实施例中，制冷量预测模型可以采用已知的函数模型，例如，LSTM(LongShort-Term Memory，长短期记忆网络)神经网络。制冷量预测模型用于分析确定制冷系统最佳的分时段制冷量。通过上述训练过程可以实现对该函数模型的训练，从而在将室外温湿度数据和设备负载数据输入到制冷量预测模型后，可以得到机房各个分时段的需冷量的预测值。
需要说明的是，距离阈值的取值可以根据实际情况或实际需要来设定，本公开的范围并不限于距离阈值的具体值。
在上述实施例中，通过对历史样本数据和当前样本数据进行预处理以及利用欧式距离选取合适的历史样本数据，可以实现将不合适的历史样本数据剔除，从而使得对制冷量预测模型的训练更加准确。
在一些实施例中，所述预处理包括：对历史样本数据和当前样本数据中出现的噪声数据和离散数据进行中值数绝对偏差滤波处理，和对当前样本数据进行归一化处理。
这里，中值数绝对偏差滤波处理为现有技术已知的数据处理方式，这里不再详细描述。通常情况下，历史样本数据是已经被归一化处理后的数据，因此，历史样数据可以不再进行归一化处理，而对当前样本数据进行归一化处理。
在上述实施例中，可以根据每日需求冷量的历史数据库对每日的分时段需求冷量进行预测建模研究。选取的样本特征包括室外温湿度数据，机房的IT设备负载数据。由于机房条件和室外温湿度的差异会对机房所需制冷量造成一定影响，可以采用基于相似样本对机房所需制冷量进行建模研究。将历史样本数据库中的样本特征与当前样本特征进行比较，对历史样本中与当前样本特征的欧式距离小于距离阈值的样本进行选取用于模型建立。机房所需制冷量预测可通过建模(例如，LSTM算法)实现，可以将特征(室外温湿度和机房IT负载数据)输入模型后生成机房的负荷分时段预测结果，然后根据该数据中心功耗和热量转换系数得到所需制冷量的分时段预测结果。
在步骤S106，将各个分时段的电价和机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标。
在一些实施例中，最优配置目标包括：制冷系统的运行模式以及在该运行模式下的制冷量和功率。
在一些实施例中，制冷系统包括冰蓄冷水冷机组系统。冰蓄冷水冷机组系统可以包括：双工况主机、基载主机、板式换热器(简称为板换)、冷冻泵、冷却泵、冷却塔、乙二醇泵，等等。该冰蓄冷水冷机组系统是现有技术中已有的制冷系统，这里不再详细描述。
在一些实施例中，运行模式包括：双工况主机制冰模式、双工况主机融冰模式、基载主机模式和板换制冷模式中的至少一个。这里，双工况主机制冰模式是双工况主机通过制冰储存冷量的模式；双工况主机融冰模式是双工况主机通过融冰放出冷量的模式；板换制冷模式是利用自然冷源，通过板式换热器实施制冷的模式；基载主机模式是在其他三个模式不满足制冷需求的情况下，通过开启基载主机实现补充制冷的模式。双工况主机制冰模式、双工况主机融冰模式、基载主机模式和板换制冷模式均是现有技术的冰蓄冷水冷机组系统已有的运行模式，这里不再详细描述。
最小成本寻优模型用于分析确定制冷系统的制冷模式、制冷量和机组功率最优配置。
在一些实施例中，最小成本寻优模型包括优化函数：
Figure BDA0003720223150000081
分时段制冷量约束条件为：
Figure BDA0003720223150000082
Figure BDA0003720223150000083
其中，pr为制冷成本，Ni为第i个分时段的电价，
Figure BDA0003720223150000084
为制冷系统在双工况主机制冰模式下第i个分时段所采用的功率，
Figure BDA0003720223150000085
为制冷系统在双工况主机融冰模式下第i个分时段所采用的功率，
Figure BDA0003720223150000086
为制冷系统在基载主机模式下第i个分时段所采用的功率，
Figure BDA0003720223150000087
为制冷系统在板换制冷模式下第i个分时段所采用的功率，
Figure BDA0003720223150000088
为制冷系统在i个分时段制冰所储存的冷量，
Figure BDA0003720223150000089
为制冷系统在第i个分时段融冰所放出的冷量，
Figure BDA00037202231500000810
为制冷系统在第i个分时段的制冷量，
Figure BDA00037202231500000811
为机房第i个分时段的需冷量的预测值，1≤i≤n，且i和n均为正整数。例如，n为24，即将一天按照24小时分成24个分时段。当然，n的取值可以根据实际情况来设定。在一些实施例中，全天制冷量可以包括双工况主机工作(例如融冰过程中)的制冷量、基载主机工作的制冷量和板换模式的制冷量。
例如，根据机房各个分时段的需冷量的预测值，可以得到
Figure BDA0003720223150000091
这时可以确定最小的
Figure BDA0003720223150000092
(等于
Figure BDA0003720223150000093
)，再者，在没有冷量损耗的情况下，最小的
Figure BDA0003720223150000094
(等于
Figure BDA0003720223150000095
)，在这些约束条件下，通过分析获得最小成本pr的制冷系统最优配置目标，即各个分时段的制冷系统的制冷模式以及在该运行模式下的制冷量和功率。
在该实施例中，根据机房各个分时段的需冷量的预测值，结合当地各个分时段的电价建立最小成本的优化函数，通过该优化函数可以输出各个分时段的制冷系统的制冷模式、制冷量和机组功率等最优配置目标。
在一些实施例中，将各个分时段的电价和机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标包括：将各个分时段的电价和机房各个分时段的需冷量的预测值输入到最小成本寻优模型中，并结合制冷系统的COP(Coefficient of Performance，性能系数)曲线，获得在最低制冷成本的条件下制冷系统的运行模式和在该运行模式下的制冷量和功率。
这里，
Figure BDA0003720223150000096
即COP为能效利用率，这里Q为制冷量，P为功率。在上述实施例中，可以根据COP曲线，选取最优COP及其对应的制冷量Q和功率P，在将各个分时段的电价和所述机房各个分时段的需冷量的预测值输入到最小成本寻优模型后，获得在最低制冷成本的条件下制冷系统的运行模式和在该运行模式下的制冷量和功率，并使得该制冷量和功率将尽可能地接近最优COP所对应的制冷量Q和功率P。
通过根据上述约束条件和优化方程对机组制冷模式、制冷量、机组功率最优配置进行分时段求解，可以获得制冷系统的最优配置目标。
在步骤S108，根据制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数。
在一些实施例中，该步骤S108包括：将制冷系统的最优配置目标作为制冷系统最优控制策略模型的因变量，匹配得到对应的制冷系统运行策略参数，其中，制冷系统运行策略参数包括：在相应的运行模式下，制冷系统的各个部件的运行参数。
这里，制冷系统最优控制策略模型可以采用已知的函数模型，该模型是历史运行数据和最优配置目标的函数模型，历史运行数据为自变量，最优配置目标为因变量。制冷系统最优控制策略模型用于分析确定在最低成本制冷量策略下，拟合机组功率最优配置对应的制冷系统的运行状态。
可以利用制冷系统各个运行模式下的机组运行参数(例如，双工况主机、冷冻泵、冷却泵、冷却塔等相关运行参数)与机组功率，建立制冷系统最优控制策略模型。
在一些实施例中，所述控制方法还包括：获得在各个运行模式下制冷系统的各个部件的历史运行数据；和将制冷系统的各个部件的历史运行数据输入到制冷系统最优控制策略模型中以训练制冷系统最优控制策略模型。
例如，制冷系统为冰蓄冷水冷机组。
例如，历史运行数据包括：双工况主机制冰态、融冰态、基载主机、板换制冷每种模式下主机运行数据(包括供回水温度、蒸发温度、冷凝温度、导叶开度等)、冷冻泵运行数据、冷却泵运行数据、冷却塔运行数据、水系统运行数据(包含水质及乙二醇溶液溶度)、室外温湿度、机组电量、电费数据，以及机组制冷量与耗能功率的COP曲线。
在训练制冷系统最优控制策略模型的过程中，将这些历史运行数据输入到该模型中，并结合历史运行数据所对应的机组制冷模式、制冷量和机组功率进行训练。
在将最优控制策略模型训练完成之后，可以将制冷系统的最优配置目标作为制冷系统最优控制策略模型的因变量，匹配得到对应的制冷系统运行策略参数，即在相应的运行模式下，制冷系统的各个部件的运行参数。
在该实施例中，建立机组每种制冷模式下历史机组运行参数和机组功率的模型，输出达到分时段机组功率最优配置目标时的机组运行参数，从而制定机组分时段最优控制策略，策略例如如表1所示。
表1示例性的机组分时段最优控制策略
Figure BDA0003720223150000111
其中，√表示当前制冷模式下的涉及调控参数。
上述表1中示出了在各个运行模式下所涉及到需要调节的参数，在上述匹配得到的制冷系统运行策略参数中，该制冷系统运行策略参数包括在相应的运行模式下，制冷系统的各个部件的运行参数的具体值。例如，在双工况主机融冰模式下的冷冻泵频率、电动调节阀阀门开度和乙二醇溶液浓度这三者的具体数值。
在步骤S110，按照制冷系统运行策略参数调节制冷系统的运行状态。
这里，制冷系统的运行状态即为制冷系统的各个部件的运行状态。在该步骤中，按照制冷系统运行策略参数调节制冷系统的运行状态，从而使得制冷系统的各个部件的运行状态调整为在步骤S108中所匹配得到的制冷系统的各个部件的运行参数。
至此，提供了根据本公开一些实施例的用于制冷系统的控制方法。该控制方法包括：采集机房当前的室外温湿度数据和设备负载数据；将室外温湿度数据和设备负载数据输入到制冷量预测模型以得到机房各个分时段的需冷量的预测值；将各个分时段的电价和机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标；根据制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数；和按照制冷系统运行策略参数调节制冷系统的运行状态。该控制方法可以优化制冷系统的运行状态，降低运行成本。
在一些实施例中，所述控制方法还包括：采集机房的实时温度；和根据机房的实时温度自动调节制冷系统的制冷量。这实现了制冷系统实时校验机房温度和自主调节分配制冷量。
在一些实施例中，根据机房的实时温度自动调节制冷系统的制冷量包括：计算机房的实时温度和预定温度的温度差值；在温度差值的绝对值小于或等于温差阈值的情况下，确定制冷系统当前的制冷量符合机房制冷要求；在温度差值的绝对值大于温差阈值的情况下，确定制冷系统当前的制冷量不符合机房制冷要求，将温度差值所对应的制冷量差值作为需冷量输入到最小成本寻优模型中以重新获得制冷系统的最优配置目标。这实现了制冷系统实时校验机房温度和自主调节分配制冷量。
在一些实施例中，在温度差值的绝对值大于温差阈值的情况下：若机房的实时温度大于预定温度，则制冷量差值为正值；若机房的实时温度小于预定温度，则制冷量差值为负值。
图2是示出根据本公开另一些实施例的用于制冷系统的控制方法的流程图。如图2所示，该控制方法包括步骤S202至S216。
在步骤S202，将当地各个分时段的电价和机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标，即各个分时段制冷量的寻优结果。这里，机房各个分时段的需冷量的预测值可以通过前面所述的方法得到，这里不再赘述。
在步骤S204，根据制冷系统的最优配置目标(各个分时段制冷量的寻优结果)拟合得到对应的制冷系统运行策略参数，从而更新冷水机组控制策略。
在步骤S206，采集机房的实时温度。
在步骤S208，计算机房的实时温度和预定温度的温度差值。这里，预定温度可以根据各机房要求设置，例如可设为25度或26度等。当然，本公开并不限于预定温度的具体值。
在步骤S210，判断温度差值的绝对值是否小于或等于温差阈值。如果是，则过程进入步骤S212；否则，过程进入步骤S214。该步骤S210用于判断策略输出后机房室内温度差是否在可接受范围内。
需要说明的是，该温差阈值可以根据实际情况或实际需要来设定，本公开的范围并不限于温差阈值的具体值。
在步骤S212，确定制冷系统当前的制冷量符合机房制冷要求。
在步骤S214，确定制冷系统当前的制冷量不符合机房制冷要求。
在步骤S216，将温度差值所对应的制冷量差值作为需冷量输入到最小成本寻优模型中以重新获得制冷系统的最优配置目标。
例如，可以结合空气密度、体积和比热容等参数将温度差值换算为对应的制冷量差值；或者可以利用预先存储的温度差值与制冷量差值的对应关系获得上述温度差值所对应的制冷量差值。
在温度差值的绝对值大于温差阈值的情况下：若机房的实时温度大于预定温度，则制冷量差值为正值ΔQ，将ΔQ的冷量作为需求冷量输入最小成本寻优模型中以重新生成制冷量配置方案；若机房的实时温度小于预定温度，则制冷量差值为负值-ΔQ，将-ΔQ的冷量作为需求冷量输入最小成本寻优模型中以重新生成制冷量配置以及参数优化控制方案。即，若机房的实时温度高于预定温度，在最小成本寻优模型中添加一部分需求冷量；若机房的实时温度低于预定温度，在最小成本寻优模型中减少一部分需求冷量。
至此，提供了根据本公开另一些实施例的用于制冷系统的控制方法的流程图。在该方法中，根据机房负载等条件和室外温湿度建立机房分时段所需制冷量预测模型，然后结合阶梯电价输出机房分时段制冷量、机组制冷模式、机组功率最优配置目标，并基于机组每种制冷模式下运行参数和机组功率的模型，拟合达到分时段机组功率最优配置目标时的机组状态，从而输出机组分时段最优控制策略，然后实时通过对机房温度的校验和负反馈调节对节能策略动态调优，这样完成最低成本控制的冰蓄冷制冷方案的制定。
上述方法可以获得在最低电费消耗且保证冷量足够的前提下各项水冷系统参数的最佳配置，完成双工况机组的最低日用电费对应的制冷设备运行策略的制定，并基于机房温度反馈动态优化机组冷量分配和控制策略。该方法通过调整双工况主机制冰、融冰、基载机制冷、板换制冷时段和每种模式下冷水机组控制参数实现节能。
本公开实施例的用于制冷系统的控制方法使用AI(Artificial Intelligence，人工智能)算法对冰蓄冷系统全天逐时冷负荷需求以及每种制冷模式的能耗建模，智能动态分配每种制冷模式的运行时段及机组各部分控制参数，最终实现全天日电费最低，而且解决了数据中心冰蓄冷系统依靠人工经验难以判断每种模式机组所消耗电能与机组控制参数的关系而进行调控的问题。本公开的控制方法可实现冰蓄冷水冷机组系统实时、自动以及智能化调控，达到节能和节费的目的。
该控制方法通过冰蓄冷水冷机组系统的双工况主机制冰模式、融冰模式、基载主机模式和板换制冷模式，达到充分节省双工况/基载主机开启带来的电能和电费开销。
该方法在冰蓄冷水冷机组系统的4种制冷模式(双工况主机制冰模式、融冰模式、基载主机模式、板换制冷模式)下，结合阶梯电价的最低电费成本的问题，找到每种模式的最优分配时段，对应的制冷输出和功率消耗目标，解决了冰蓄冷水冷机组系统全天制冷模式(双工况主机制冰模式、融冰模式、基载主机模式和板换制冷模式)分配的问题。
通过分别建模4种模式下的机组运行参数和功率模型，输出不同机组工况下机组参数联合调控的最优策略。通过冰蓄冷水冷机组系统不同机组工况分配和机组参数联合调控，达到在节省电费成本前提下的冰蓄冷水冷机组系统最佳的运行状态。
在该控制方法中，输出策略的可行性可自动验证，对机房温度进行实时监测和校验，并根据机房状况自动调节制冷量。通过系统的负反馈调节，降低了不必要的能耗，而且有效的防止了机房温度过高。
图3是示出根据本公开一些实施例的用于制冷系统的控制装置的结构框图。如图3所示，该控制装置包括：数据获取单元302、预测单元304、目标获取单元306、策略获取单元308和调节单元310。例如，制冷系统包括冰蓄冷水冷机组系统。
数据获取单元302用于采集机房当前的室外温湿度数据和设备负载数据。
预测单元304用于将室外温湿度数据和设备负载数据输入到制冷量预测模型以得到机房各个分时段的需冷量的预测值。
目标获取单元306用于将各个分时段的电价和机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标。
例如，最优配置目标包括：制冷系统的运行模式以及在运行模式下的制冷量和功率。
例如，运行模式包括：双工况主机制冰模式、双工况主机融冰模式、基载主机模式和板换制冷模式中的至少一个。
在一些实施例中，最小成本寻优模型包括优化函数：
Figure BDA0003720223150000151
分时段制冷量约束条件为：
Figure BDA0003720223150000152
Figure BDA0003720223150000153
其中，pr为制冷成本，Ni为第i个分时段的电价，
Figure BDA0003720223150000154
为制冷系统在双工况主机制冰模式下第i个分时段所采用的功率，
Figure BDA0003720223150000155
为制冷系统在双工况主机融冰模式下第i个分时段所采用的功率，
Figure BDA0003720223150000156
为制冷系统在基载主机模式下第i个分时段所采用的功率，
Figure BDA0003720223150000157
为制冷系统在板换制冷模式下第i个分时段所采用的功率，
Figure BDA0003720223150000161
为制冷系统在i个分时段制冰所储存的冷量，
Figure BDA0003720223150000162
为制冷系统在第i个分时段融冰所放出的冷量，
Figure BDA0003720223150000163
为制冷系统在第i个分时段的制冷量，
Figure BDA0003720223150000164
为机房第i个分时段的需冷量的预测值，1≤i≤n，且i和n均为正整数。
在一些实施例中，目标获取单元306用于将各个分时段的电价和机房各个分时段的需冷量的预测值输入到最小成本寻优模型中，并结合制冷系统的性能系数COP曲线，获得在最低制冷成本的条件下制冷系统的运行模式和在该运行模式下的制冷量和功率。
策略获取单元308用于根据制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数。
在一些实施例中，策略获取单元308用于将制冷系统的最优配置目标作为制冷系统最优控制策略模型的因变量，匹配得到对应的制冷系统运行策略参数，其中，制冷系统运行策略参数包括：在相应的运行模式下，制冷系统的各个部件的运行参数。
调节单元310用于按照制冷系统运行策略参数调节制冷系统的运行状态。
至此，提供了根据本公开一些实施例的用于制冷系统的控制装置。该控制方法可以优化制冷系统的运行状态，降低运行成本。
图4是示出根据本公开另一些实施例的用于制冷系统的控制装置的结构框图。如图4所示，该控制装置包括：数据获取单元302、预测单元304、目标获取单元306、策略获取单元308和调节单元310。
在一些实施例中，该控制装置还包括训练单元412。该训练单元412用于：从历史样本数据库中获得历史样本数据，历史样本数据包括机房的室外温湿度数据的历史数据和设备负载数据的历史数据；对历史样本数据和当前样本数据进行预处理，其中，当前样本数据包括机房当前的室外温湿度数据和设备负载数据；将历史样本数据与当前样本数据进行比较，选取历史样本数据中与当前样本数据的欧式距离小于距离阈值的历史样本数据；和将选取的历史样本数据输入到制冷量预测模型以训练制冷量预测模型。
在一些实施例中，预处理包括：对历史样本数据和当前样本数据中出现的噪声数据和离散数据进行中值数绝对偏差滤波处理，和对当前样本数据进行归一化处理。
在一些实施例中，该训练单元412还用于获得在各个运行模式下制冷系统的各个部件的历史运行数据，和将制冷系统的各个部件的历史运行数据输入到制冷系统最优控制策略模型中以训练制冷系统最优控制策略模型。
在一些实施例中，该控制装置还包括校验单元414。校验单元414用于采集机房的实时温度，和根据机房的实时温度自动调节制冷系统的制冷量。
在一些实施例中，校验单元414用于：计算机房的实时温度和预定温度的温度差值；在温度差值的绝对值小于或等于温差阈值的情况下，确定制冷系统当前的制冷量符合机房制冷要求；在温度差值的绝对值大于温差阈值的情况下，确定制冷系统当前的制冷量不符合机房制冷要求，将温度差值所对应的制冷量差值作为需冷量输入到最小成本寻优模型中以重新获得制冷系统的最优配置目标。
在一些实施例中，在温度差值的绝对值大于温差阈值的情况下：若机房的实时温度大于预定温度，则制冷量差值为正值；若机房的实时温度小于预定温度，则制冷量差值为负值。
图5是示出根据本公开另一些实施例的用于制冷系统的控制装置的结构框图。控制装置包括存储器510和处理器520。其中：
存储器510可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储图1和/或图2所对应实施例中的指令。
处理器520耦接至存储器510，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器520用于执行存储器中存储的指令，可以优化制冷系统的运行状态，降低运行成本。
在一个实施例中，还可以如图6所示，控制装置600包括存储器610和处理器620。处理器620通过BUS总线630耦合至存储器610。控制装置600还可以通过存储接口640连接至外部存储装置650以便调用外部数据，还可以通过网络接口660连接至网络或者另外一台计算机系统(未标出)，此处不再进行详细介绍。
在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，可以优化制冷系统的运行状态，降低运行成本。
在本公开的一些实施例中，还提供了一种制冷系统，包括：如前所述的控制装置，例如图3、图4、图5或图6所示的控制装置。例如，该制冷系统可以为冰蓄冷水冷机组系统。
在另一个实施例中，本公开还提供了一种计算机可读存储介质(例如，非瞬时性计算机可读存储介质)，其上存储有计算机程序指令，该指令被处理器执行时实现图1和/或图2所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开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，本公开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非瞬时性存储介质(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。
本公开是参照根据本公开实施例的方法、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。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。

Claims (16)

1.一种用于制冷系统的控制方法，包括：
采集机房当前的室外温湿度数据和设备负载数据；
将所述室外温湿度数据和所述设备负载数据输入到制冷量预测模型以得到机房各个分时段的需冷量的预测值；
将各个分时段的电价和所述机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标；
根据所述制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数；和
按照所述制冷系统运行策略参数调节所述制冷系统的运行状态。
2.根据权利要求1所述的控制方法，其中，
所述最优配置目标包括：所述制冷系统的运行模式以及在所述运行模式下的制冷量和功率。
3.根据权利要求2所述的控制方法，其中：
所述制冷系统包括冰蓄冷水冷机组系统；
所述运行模式包括：双工况主机制冰模式、双工况主机融冰模式、基载主机模式和板换制冷模式中的至少一个。
4.根据权利要求3所述的控制方法，其中，所述最小成本寻优模型包括优化函数：
Figure FDA0003720223140000011
分时段制冷量约束条件为：
Figure FDA0003720223140000012
Figure FDA0003720223140000013
其中，pr为制冷成本，Ni为第i个分时段的电价，
Figure FDA0003720223140000014
为制冷系统在双工况主机制冰模式下第i个分时段所采用的功率，
Figure FDA0003720223140000015
为制冷系统在双工况主机融冰模式下第i个分时段所采用的功率，
Figure FDA0003720223140000021
为制冷系统在基载主机模式下第i个分时段所采用的功率，
Figure FDA0003720223140000022
为制冷系统在板换制冷模式下第i个分时段所采用的功率，
Figure FDA0003720223140000023
为制冷系统在i个分时段制冰所储存的冷量，
Figure FDA0003720223140000024
为制冷系统在第i个分时段融冰所放出的冷量，
Figure FDA0003720223140000025
为制冷系统在第i个分时段的制冷量，
Figure FDA0003720223140000026
为机房第i个分时段的需冷量的预测值，1≤i≤n，且i和n均为正整数。
5.根据权利要求4所述的控制方法，其中，将各个分时段的电价和所述机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标包括：
将各个分时段的电价和所述机房各个分时段的需冷量的预测值输入到最小成本寻优模型中，并结合所述制冷系统的性能系数COP曲线，获得在最低制冷成本的条件下所述制冷系统的运行模式和在该运行模式下的制冷量和功率。
6.根据权利要求1所述的控制方法，还包括：
从历史样本数据库中获得历史样本数据，所述历史样本数据包括机房的室外温湿度数据的历史数据和设备负载数据的历史数据；
对所述历史样本数据和当前样本数据进行预处理，其中，所述当前样本数据包括所述机房当前的室外温湿度数据和设备负载数据；
将所述历史样本数据与当前样本数据进行比较，选取所述历史样本数据中与所述当前样本数据的欧式距离小于距离阈值的历史样本数据；和
将选取的历史样本数据输入到所述制冷量预测模型以训练所述制冷量预测模型。
7.根据权利要求6所述的控制方法，其中，所述预处理包括：对所述历史样本数据和所述当前样本数据中出现的噪声数据和离散数据进行中值数绝对偏差滤波处理，和对所述当前样本数据进行归一化处理。
8.根据权利要求1所述的控制方法，其中，根据所述制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数包括：
将所述制冷系统的最优配置目标作为制冷系统最优控制策略模型的因变量，匹配得到对应的制冷系统运行策略参数，其中，所述制冷系统运行策略参数包括：在相应的运行模式下，所述制冷系统的各个部件的运行参数。
9.根据权利要求8所述的控制方法，还包括：
获得在各个运行模式下所述制冷系统的各个部件的历史运行数据；和
将所述制冷系统的各个部件的历史运行数据输入到制冷系统最优控制策略模型中以训练所述制冷系统最优控制策略模型。
10.根据权利要求1所述的控制方法，还包括：
采集机房的实时温度；和
根据所述机房的实时温度自动调节所述制冷系统的制冷量。
11.根据权利要求10所述的控制方法，其中，根据所述机房的实时温度自动调节所述制冷系统的制冷量包括：
计算所述机房的实时温度和预定温度的温度差值；
在所述温度差值的绝对值小于或等于温差阈值的情况下，确定所述制冷系统当前的制冷量符合机房制冷要求；
在所述温度差值的绝对值大于温差阈值的情况下，确定所述制冷系统当前的制冷量不符合机房制冷要求，将所述温度差值所对应的制冷量差值作为需冷量输入到所述最小成本寻优模型中以重新获得制冷系统的最优配置目标。
12.根据权利要求11所述的控制方法，其中，在所述温度差值的绝对值大于温差阈值的情况下：
若所述机房的实时温度大于所述预定温度，则所述制冷量差值为正值；
若所述机房的实时温度小于所述预定温度，则所述制冷量差值为负值。
13.一种用于制冷系统的控制装置，包括：
数据获取单元，用于采集机房当前的室外温湿度数据和设备负载数据；
预测单元，用于将所述室外温湿度数据和所述设备负载数据输入到制冷量预测模型以得到机房各个分时段的需冷量的预测值；
目标获取单元，用于将各个分时段的电价和所述机房各个分时段的需冷量的预测值输入到最小成本寻优模型中以获得制冷系统的最优配置目标；
策略获取单元，用于根据所述制冷系统的最优配置目标拟合得到对应的制冷系统运行策略参数；和
调节单元，用于按照所述制冷系统运行策略参数调节所述制冷系统的运行状态。
14.一种用于制冷系统的控制装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至12任意一项所述的方法。
15.一种制冷系统，包括：如权利要求13或14所述的控制装置。
16.一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现如权利要求1至12任意一项所述的方法。
CN202210748230.0A 2022-06-29 2022-06-29 用于制冷系统的控制方法、控制装置和制冷系统 Pending CN115049141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210748230.0A CN115049141A (zh) 2022-06-29 2022-06-29 用于制冷系统的控制方法、控制装置和制冷系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210748230.0A CN115049141A (zh) 2022-06-29 2022-06-29 用于制冷系统的控制方法、控制装置和制冷系统

Publications (1)

Publication Number Publication Date
CN115049141A true CN115049141A (zh) 2022-09-13

Family

ID=83163615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210748230.0A Pending CN115049141A (zh) 2022-06-29 2022-06-29 用于制冷系统的控制方法、控制装置和制冷系统

Country Status (1)

Country Link
CN (1) CN115049141A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116471821A (zh) * 2023-06-19 2023-07-21 广州豪特节能环保科技股份有限公司 一种数据中心动态控制节能的方法、系统、设备及介质
CN117408170A (zh) * 2023-12-15 2024-01-16 南京群顶科技股份有限公司 一种适用于数据中心水冷系统的节能预测控制方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116471821A (zh) * 2023-06-19 2023-07-21 广州豪特节能环保科技股份有限公司 一种数据中心动态控制节能的方法、系统、设备及介质
CN116471821B (zh) * 2023-06-19 2023-09-15 广州豪特节能环保科技股份有限公司 一种数据中心动态控制节能的方法、系统、设备及介质
CN117408170A (zh) * 2023-12-15 2024-01-16 南京群顶科技股份有限公司 一种适用于数据中心水冷系统的节能预测控制方法
CN117408170B (zh) * 2023-12-15 2024-03-08 南京群顶科技股份有限公司 一种适用于数据中心水冷系统的节能预测控制方法

Similar Documents

Publication Publication Date Title
CN110288164B (zh) 一种建筑空调制冷站系统预测控制方法
CN110392515B (zh) 一种基于历史数据的冷热源机房节能控制方法及系统
CN108489013A (zh) 基于遗传算法和负荷在线修正的中央空调控制方法及装置
CN115049141A (zh) 用于制冷系统的控制方法、控制装置和制冷系统
CN108413567B (zh) 基于物联网的中央空调节费优化方法与系统
CN110410942B (zh) 一种冷热源机房节能优化控制方法及系统
CN104134100B (zh) 一种基于云计算的节能管理系统
CN110094802B (zh) 一种热泵与蓄热式电锅炉联合供暖负荷分配方法及装置
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
CN106765860B (zh) 一种核电站中央空调的控制系统及方法
CN109341010B (zh) 一种电制冷机空调系统用供能一体化的控制方法和装置
CN113778215A (zh) 基于大数据实现数据中心pue预测以及降耗策略的方法
CN110940061A (zh) 中央空调控制方法及系统
CN114154677A (zh) 空调运行负荷模型构建和预测方法、装置、设备和介质
CN110486896B (zh) 一种基于冷水机组能耗模型的串级空调系统优化控制方法
CN212720195U (zh) 一种基于系统整体能效比cop最佳的冷却水系统控制装置
CN111076354A (zh) 中央空调的设备选型方法及系统
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
CN117062419B (zh) 多末端供需匹配的数据中心冷源系统参数优化方法及装置
CN114909945A (zh) 冷却塔节能智控方法、装置、电子装置及介质
CN113887079A (zh) 考虑新能源发电不确定性的空气源热泵控制方法及系统
CN111787764B (zh) 多联机制冷机组的能耗优化方法及装置、电子设备、存储介质
CN115903712A (zh) 适用于工业制冷系统的节能优化方法及其优化控制系统
CN115560430A (zh) 一种基于云边计算的空调模型优化方法及系统
CN113326605B (zh) 考虑灵活性冷负荷调控的多模式集中供冷系统优化方法

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