CN115169079A - 空调热负荷计算方法、装置、电子设备和存储介质 - Google Patents

空调热负荷计算方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN115169079A
CN115169079A CN202210667763.6A CN202210667763A CN115169079A CN 115169079 A CN115169079 A CN 115169079A CN 202210667763 A CN202210667763 A CN 202210667763A CN 115169079 A CN115169079 A CN 115169079A
Authority
CN
China
Prior art keywords
air conditioner
heat load
rotating speed
value
data
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
CN202210667763.6A
Other languages
English (en)
Inventor
徐明仿
周润鹏
石健
何万基
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.)
Shenzhen Yingweike Information Technology Co ltd
Original Assignee
Shenzhen Yingweike Information Technology 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 Shenzhen Yingweike Information Technology Co ltd filed Critical Shenzhen Yingweike Information Technology Co ltd
Priority to CN202210667763.6A priority Critical patent/CN115169079A/zh
Publication of CN115169079A publication Critical patent/CN115169079A/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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—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
    • 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
    • F24F11/65—Electronic processing for selecting an operating mode
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/30—Velocity
    • 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

Abstract

本申请公开了一种空调热负荷计算方法、装置、电子设备和存储介质，其中该方法包括：根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，其中所述制冷量数据包括所述空调的当前制冷量以及所述空调在过去多个时刻的制冷量；所述温度数据包括当前温度值和过去多个时刻的温度值，所述湿度数据包括当前湿度值和过去多个时刻的湿度值，不需要依赖人工经验，能够准确计算空调的实际热负荷。

Description

空调热负荷计算方法、装置、电子设备和存储介质
技术领域
本发明涉及空调技术领域，尤其是涉及一种空调热负荷计算方法、装置、电子设备和存储介质。
背景技术
随着“互联网+”、“大数据应用”等一系列信息化工程提出与推进，数据中心的规模与数量得到迅猛发展，并成为信息社会的用电大户。数据中心为现代社会发展提供了极大的方便。数据中心机房空调实时热负荷的计算，对于机房空调的控制有重要意义，尤其是有利于节能控制。例如，对于带有氟泵自然冷却装置、乙二醇自然冷却装置的机房空调，空调实时热负荷可用于自然冷却装置与压缩式制冷装置的切换控制，在保证可靠冷却的同时提升自然冷却装置的使用占比，从而改善节能效果。
相关技术中机房空调的热负荷，一般采用如下计算方法：空调热负荷＝机房设备预期总功率*同时使用系数+机房面积*单位面积环境热负荷，其中，同时使用系数、单位面积环境热负荷取经验值。在实现本发明过程中，发明人发现相关技术中至少存在如下问题：机房空调在实际工作时，同时使用系数是实时变化的，另外室外环境温度、阳光等也是变化的，因此单位面积环境热负荷也不同于经验值。根据前述方式计算出来的热负荷，实际上是一个最大热负荷的估计值，不够准确。
发明内容
本申请提供了一种空调热负荷计算方法、装置、电子设备和存储介质，可以较准确地计算空调的实时热负荷。
第一方面，提供了一种空调热负荷计算方法，包括：
根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，其中所述制冷量数据包括所述空调的当前制冷量以及所述空调在过去多个时刻的制冷量；所述温度数据包括当前温度值和过去多个时刻的温度值，所述湿度数据包括当前湿度值和过去多个时刻的湿度值。
可选的，所述根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，包括：
将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据输入第一热负荷模型，计算所述空调在各基准转速下的实时热负荷值，所述基准转速为所述空调的内风机基准转速信号值；
基于所述空调在各基准转速下的实时热负荷值，利用插值算法计算所述空调在实际转速下的目标热负荷值。
可选的，所述方法包括：获取所述空调的制冷量数据；
所述获取所述空调的制冷量数据，包括但不限于以下任意一种：
若所述空调处于压缩式制冷模式，根据室内换热器吸热量和内风机功率计算获得所述空调的制冷量；所述室内换热器吸热量根据压缩机制冷量系数模型计算值、过热度修正值和过冷度修正值计算获得，所述内风机功率根据预设的功率与转速的关系曲线确定；
若所述空调处于氟泵冷却模式，根据所述空调的回风温度、回风湿度、室外环境温度值、氟泵转速、外风机转速和内风机转速，利用预设网络模型计算获得所述空调的制冷量。
可选的，所述将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据输入第一热负荷模型，计算所述空调在各基准转速下的实时热负荷值，包括：
将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，输入多个第一热负荷模型，以输出所述空调在所述各个基准转速下的实时热负荷值；所述多个第一热负荷模型分别为所述空调的内风机转速恒定为多个所述基准转速时的热负荷模型。
可选的，在将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据输入第一热负荷模型，计算所述空调在各基准转速下的实时热负荷值之前，所述方法还包括：
步骤1：获取所述空调的内风机工作范围内的多个基准转速；
步骤2：控制所述空调的内风机转速保持目标基准转速，按以下步骤构建所述目标基准转速下的第一热负荷模型，所述目标基准转速为所述多个基准转速中的任一个：
步骤3：调整所述空调的内风机转速，重复所述步骤2，得到每个所述基准转速下的第一热负荷模型。
可选的，所述步骤2包括：
通过在机房内设备的供电总电源上连接的功率计测得功率值，作为所述空调的热负荷，所述机房内设备不包含所述空调；
随机地开停所述机房内设备以改变所述空调的热负荷的情况下，获取所述空调的上游空气通路在当前时刻以及过去多个时刻的温度值和湿度值，计算当前制冷量以及过去多个时刻的制冷量；
根据所记录的所述空调的热负荷、所述温度值、所述湿度值和所述制冷量，构建多项式形式的第一热负荷模型或神经网络形式的第一热负荷模型。
可选的，基于所述空调在各基准转速下的实时热负荷值，利用插值算法计算所述空调在实际转速下的目标热负荷值，包括：
从内风机基准转速值序列中确定两个相邻的第一基准转速和第二基准转速，所述第一基准转速不大于所述实际转速，所述第二基准转速大于所述实际转速；
获取所述空调在所述第一基准转速下的第一热负荷值和所述空调在所述第二基准转速下的第二热负荷值；
基于所述实际转速、所述第一基准转速、所述第二基准转速、所述第一热负荷值和所述第二热负荷值，使用预设插值公式计算所述空调在所述实际转速下的目标热负荷值。
可选的，所述方法还包括：
获取所述空调的内风机的当前转速以及过去多个时刻的转速；
所述根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，包括：
将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机的当前转速以及过去多个时刻的转速，输入第二热负荷模型，计算所述空调在所述实际转速下的目标热负荷值。
可选的，在将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机的当前转速以及过去多个时刻的转速，输入第二热负荷模型，计算所述空调在所述实际转速下的目标热负荷值之前，所述方法还包括：
通过在机房内设备的供电总电源上连接的功率计测得功率值，作为所述空调的热负荷，所述机房内设备不包含所述空调；
在所述空调的内风机工作范围内随机地改变所述内风机转速的情况下，获取所述空调的内风机的当前转速以及过去多个时刻的转速；
随机地开停所述机房内设备以改变所述空调的热负荷的情况下，获取所述空调的上游空气通路在当前时刻以及过去多个时刻的温度值和湿度值，计算当前制冷量以及过去多个时刻的制冷量；
根据所记录的所述空调的热负荷、所述温度值、所述湿度值、所述制冷量和所述内风机的当前转速以及过去多个时刻的转速，构建所述第二热负荷模型。
第二方面，提供了一种空调热负荷计算装置，包括：
计算模块，用于根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，其中所述制冷量数据包括所述空调的当前制冷量以及所述空调在过去多个时刻的制冷量；所述温度数据包括当前温度值和过去多个时刻的温度值，所述湿度数据包括当前湿度值和过去多个时刻的湿度值。
第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及其任一种可能的实现方式的步骤。
第四方面，提供了一种计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行如上述第一方面及其任一种可能的实现方式的步骤。
本申请中的空调热负荷计算方法，可以根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，其中所述制冷量数据包括所述空调的当前制冷量以及所述空调在过去多个时刻的制冷量；所述温度数据包括当前温度值和过去多个时刻的温度值，所述湿度数据包括当前湿度值和过去多个时刻的湿度值，不需要依赖人工经验，能够准确计算空调的实际热负荷。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本申请实施例提供的一种空调热负荷计算方法的流程示意图；
图2为本申请实施例提供的一种氟泵模式下的制冷量计算流程示意图；
图3为本申请实施例提供的一种空调系统中的传感器位置示意图；
图4为本申请实施例提供的一种空调目标热负荷计算实施方法的流程示意图；
图5为本申请实施例提供的另一种空调热负荷计算方法的流程示意图；
图6为本申请实施例提供的另一种空调目标热负荷计算实施方法的流程示意图；
图7为本申请实施例提供的一种空调热负荷计算装置的结构示意图；
图8为本申请提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例中的空调热负荷计算方法，其主要逻辑是：在机房空调的上游空气通路上布置温度传感器、湿度传感器来检测空气的温度和湿度，以根据机房空调热负荷模型，计算机房空调的目标热负荷。
本申请实施例中提到的BP(back propagation)神经网络，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。
人工神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统，人工神经网络实现其功能的核心是算法。BP神经网络的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参见图1，图1为本申请实施例提供的一种空调热负荷计算方法的流程示意图，如图1所示，该方法包括：
101、获取空调的制冷量数据，上述制冷量数据包括上述空调的当前制冷量以及上述空调在过去多个时刻的制冷量。
本申请实施例中的空调热负荷计算方法可以应用于空调系统，具体可以为一种机房空调系统，比如数据中心机房空调。其中，涉及的软件控制流程可以基于控制单元实现处理。
具体的，计算当前及过去多个时刻的机房空调制冷量，可以根据不同的空调工作模式，采用不同的计算方法。
在一种可选的实施方式中，上述步骤101包括但不限于以下任意一种：
若上述空调处于压缩式制冷模式，根据室内换热器吸热量和内风机功率计算获得上述空调的制冷量；上述室内换热器吸热量根据压缩机制冷量系数模型计算值、过热度修正值和过冷度修正值计算获得，上述内风机功率根据预设的功率与转速的关系曲线确定。
若上述空调处于氟泵冷却模式，根据上述空调的回风温度、回风湿度、室外环境温度值、氟泵转速、外风机转速和内风机转速，利用预设网络模型计算获得上述空调的制冷量。
具体的，以带有氟泵自然冷却装置的机房空调为例，简述其实施方法。
若空调当前处于压缩式制冷模式，根据室内换热器吸热量和内风机功率计算空调的制冷量，如下：
制冷量Qc＝室内换热器吸热量-内风机功率；
其中，室内换热器吸热量计算方法如下：
室内换热器吸热量＝压缩机制冷量系数模型计算值*过热度修正值*过冷度修正值；
可选的，上述压缩机制冷量系数模型可根据需要选择，比如采用AHRI10系数模型的推广形式，上述过热度修正值可采用过热度的一次或二次多项式计算，上述过冷度修正值可采用过冷度的一次或二次多项式计算，上述压缩机制冷量系数模型、过热度多项式、过冷度多项式的系数可根据压缩机或机房空调的性能测试数据拟合得到，本申请实施例对此不做限制。
可选的，上述内风机功率可根据功率与转速信号的关系曲线得到，该关系曲线可在实际机房内测试获取，本申请实施例对此不做限制。
另外，上述预设网络模型具体可以为一种神经网络模型，可以根据需要构建并完成神经网络模型的训练。
请参见图2，图2为本申请实施例中提供的一种氟泵模式下的制冷量计算流程示意图。若空调当前处于氟泵冷却模式，则制冷量的计算方法如图2所示，简述如下：
氟泵制冷量可采用预设网络模型，如LSTM、GRU等动态神经网络模型计算；预设网络模型的输入为空调的传感器检测到的回风温度、回风湿度、室外环境温度值，以及氟泵转速、外风机转速、内风机转速；预设网络模型的输出为制冷量。神经网络模型的参数可利用氟泵性能测试数据或专业软件的仿真数据训练得到，本申请实施例对此不做限制。
具体的，机房空调热负荷的计算需用到当前时刻及过去i个时刻的空调制冷量，用Qc_t表示(t＝1,2,...,i)，其中，i为正整数，Qc_0为当前时刻的制冷量，Qc_1为过去第1个时刻的制冷量，Qc_2为过去第2个时刻的制冷量，以此类推；相邻两个时刻的间隔时长可取经验参考值，一般为若干秒。过去时刻个数i可以根据需要设置，或者i的取值方法可以如后续模型辨识及训练部分所述。
102、获取上述空调的上游空气通路的温度数据和湿度数据，上述温度数据包括当前温度值和过去多个时刻的温度值，上述湿度数据包括当前湿度值和过去多个时刻的湿度值。
其中，空调的上游空气通路可以包括热通道或回风管道，相应的，空调的下游空气通路则对应冷通道或送风管道，或者空调的上游空气通路可以包括冷通道或送风管道，相应的空调的下游空气通路则对应热通道或回风管道。本申请实施例中上述温度数据可以基于传感器采集。
在一种可选的实施方式中，上述步骤102包括：
通过设置在上述空调的热通道上的传感器，检测并记录上述空调的上游空气通路的温度数据和湿度数据；或者，
通过设置在上述空调的回风管道上的传感器，检测并记录上述空调的上游空气通路的温度数据和湿度数据。
图3为本申请实施例提供的一种空调系统中的传感器位置示意图，其中标注出了设备机架、热通道、回风管道以及送风管道和冷通道。本申请实施例中空调的上游空气通路的温度数据和湿度数据可以基于传感器采集，可选的，用于采集的传感器设置在空调的上游空气通路，可以是空调的回风管道，或者是空调的热通道，如图3所示。
在一种具体的实施方式中，可以在空调的热通道上布置若干个(例如1～5个)温度传感器和湿度传感器，用于检测热通道中空气的温度和相对湿度，传感器位置如图3所示。为方便表述，所有热通道温度传感器在同一时刻的测量值可表示为一个向量，记为Ta_h；所有热通道湿度传感器在同一时刻的测量值也可表示为一个向量，记为RH_h。
在机房空调运行时，内风机转速保持为恒定值Fan_pwm_actl。
机房空调实时热负荷的计算方法继续描述如步骤103所示。
103、根据上述空调的制冷量数据、上述空调的上游空气通路的温度数据和湿度数据，以及上述空调的内风机转速，基于上述空调的热负荷模型，计算上述空调的目标热负荷值。
本申请实施例中本申请实施例中在获得上述数据之后，可以通过热负荷模型计算空调的热负荷值。可选的，上述步骤103包括：
31、将上述空调的制冷量数据、上述空调的上游空气通路的温度数据和湿度数据输入第一热负荷模型，计算上述空调在各基准转速下的实时热负荷值，上述基准转速为上述空调的内风机基准转速信号值；
32、基于上述空调在各基准转速下的实时热负荷值，利用插值算法计算上述空调在实际转速下的目标热负荷值。
具体的，对于内风机可以预先设置基准转速信号值序列，该序列中包括设置的多个基准转速信号值。上述基准转速信号值序列可覆盖空调内风机的全部工作范围，其中信号值数量n可按经验取值，一般在3～8的范围内，本申请实施例对此不做限制。
可以预先设置多个不同基准转速下的热负荷模型来分别计算各基准转速下的实时热负荷值。
图4为本申请实施例提供的一种空调实时热负荷计算实施方法的流程示意图，如图4所示，其中Heat_Model_s1、Heat_Model_s2、......、Heat_Model_s(n-1)、Heat_Model_sn分别为空调的内风机转速恒定为基准转速Fan_pwm_s1、Fan_pwm_s2、......、Fan_pwm_s(n-1)、Fan_pwm_sn(按从小到大的顺序依次排列)时的第一热负荷计算模型。
在各基准转速下的第一热负荷模型的输入为：当前时刻及过去i个时刻的空调制冷量、当前时刻及过去j个时刻的上游空气通路的温度值、当前及过去k个时刻的上游空气通路的湿度值；输出即为热负荷值，相应地记为Q_s1、Q_s2、......、Q_s(n-1)、Q_sn。
可选的，上述各基准转速下的第一热负荷模型可采用多项式模型或神经网络模型。在一种可选的实施方式中，多项式模型的结构形式可如下：
Q＝a_0*Qc_0+a_1*Qc_1+......+a_(i-1)*Qc_(i-1)+a_i*Qc_i+b_0*Ta_h_0+b_1*Ta_h_1+......+b_(j-1)*Ta_h_(j-1)+b_j*Ta_h_j+c_0*RH_h_0+c_1*RH_h_1......+c_(k-1)*RH_h_(k-1)+c_k*RH_h_k；
其中，系数a_0、a_1、......a_i、b_0、b_1、......b_j、c_0、c_1、......c_k等，可利用系统辨识方法得到。
在一种可选的实施方式中，神经网络模型的结构形式可采用Dense网络结构，其参数可利用成熟的BP神经网络训练方法得到。
在上述步骤31的基础上，可以利用插值算法，计算实际转速Fan_pwm_actl下的目标热负荷值，即为机房空调的目标热负荷值。
可选的，上述步骤32包括：
从内风机基准转速值序列中确定两个相邻的第一基准转速和第二基准转速，上述第一基准转速不大于上述实际转速，上述第二基准转速大于上述实际转速；
获取上述空调在上述第一基准转速下的第一热负荷值和上述空调在上述第二基准转速下的第二热负荷值；
基于上述实际转速、上述第一基准转速、上述第二基准转速、上述第一热负荷值和上述第二热负荷值，使用预设插值公式计算上述空调在上述实际转速下的目标热负荷值。
具体的，可以获取第一基准转速和第二基准转速。前述已经提到，预设的内风机基准转速值序列可以包括多个基准转速，则可以从预设的内风机基准转速值序列中获取两个基准转速作为上述第一基准转速和第二基准转速。进一步可选的，预设的内风机基准转速值序列中的基准转速可以是按大小顺序排列，则可以获取该内风机基准转速值序列中相邻两个基准转速作为上述第一基准转速和第二基准转速。
例如，从内风机基准转速值序列(Fan_pwm_s1,Fan_pwm_s2,...,Fan_pwm_sn)中，获取一个第一基准转速Fan_pwm_sg，使得第一基准转速Fan_pwm_sg<＝实际转速Fan_pwm_actl<第二基准转速Fan_pwm_s(g+1)；相应地，计算的第一基准转速Fan_pwm_sg和第二基准转速Fan_pwm_s(g+1)下的计算热负荷值分别为Q_sg,Q_s(g+1)。
然后可以按如下插值公式计算实际转速Fan_pwm_actl下的目标热负荷值Q目标：
Figure BDA0003693535730000101
在上述热负荷计算方法用于机房空调热负荷的实时计算前，需要对上述的多项式模型进行辨识，或对上述神经网络模型进行训练，以确定到过去时间个数i、j、k及其他热负荷模型的参数。下面对第一热负荷模型的一种构造方法进行介绍。
在一种可选的实施方式中，上述步骤104之前，该方法包括：
步骤1：获取上述空调的内风机工作范围内的多个基准转速；
步骤2：控制上述空调的内风机转速保持目标基准转速，按以下步骤构建上述目标基准转速下的第一热负荷模型，上述目标基准转速为上述多个基准转速中的任一个：
步骤3：调整上述空调的内风机转速，重复上述步骤2，得到每个上述基准转速下的第一热负荷模型。
进一步可选的，上述步骤2可包括：
通过在机房内设备的供电总电源上连接的功率计测得功率值，作为上述空调的热负荷，上述机房内设备不包含上述空调；
随机地开停上述机房内设备以改变上述空调的热负荷的情况下，获取上述空调的上游空气通路在当前时刻以及过去多个时刻的温度值和湿度值，计算当前制冷量以及过去多个时刻的制冷量；
根据所记录的上述空调的热负荷、上述温度值、上述湿度值和上述制冷量，构建多项式形式的第一热负荷模型或神经网络形式的第一热负荷模型。
具体的，上述步骤提到的基本流程说明如下：
01、在空调的内风机工作范围内，选定n个基准转速，按从小到大的顺序依次记为Fan_pwm_s1、Fan_pwm_s2、...、Fan_pwm_s(n-1)、Fan_pwm_sn。
02、空调的内风机转速保持为基准转速Fan_pwm_s1，按以下步骤构建该基准转速Fan_pwm_s1下的第一热负荷模型，记为Heat_Model_s1。
1)在机房内设备(不含空调)的供电总电源上连接功率计，测得的功率值当做机房空调的热负荷，记为R1。
2)利用热通道的温度传感器和湿度传感器检测当前时刻及过去各时刻的热通道的温度值和湿度值。
3)利用空调的制冷量模型计算当前及过去各个时刻的制冷量Qc。
4)人为随机地开停机房内设备，以改变机房空调热负荷Q。
5)根据所记录的热负荷R1、热通道的温度值、热通道的湿度值以及当前及过去各个时刻的制冷量Qc，利用经典的系统辨识方法，或者成熟的BP神经网络训练方法，构建多项式形式的第一热负荷模型或神经网络形式的第一热负荷模型Heat_Model_s1。
03、调整空调的内风机转速，重复上述步骤02，得到在其它基准转速下的热负荷模型，相应地记为Heat_Model_s2、Heat_Model_s3、......、Heat_Model_s(n-1)、Heat_Model_sn；其中，s2、s3、......sn等序号与内风机的基准转速的序号对应。
其中，上述步骤中涉及到的具体步骤可以参考前述实施例中的描述，此处不再赘述。
可选的，可以在空调的回风管上布置温度传感器和湿度传感器各1个，其位置如图3所示，用于检测空气温度和相对湿度，替代前述实施例方案中的热通道的温度值、热通道的湿度值，其余与前述实施例方案相同，此处不再赘述。
本申请实施例中还提供一种计算方法，可以不采用插值算法，基于纯模型计算热负荷。
请参见图5，图5为本申请实施例提供的另一种热负荷计算方法的流程示意图，如图5所示，该方法包括：
501、获取空调的制冷量数据，上述制冷量数据包括上述空调的当前制冷量以及上述空调在过去多个时刻的制冷量；
502、获取上述空调的上游空气通路的温度数据和湿度数据，上述温度数据包括当前温度值和过去多个时刻的温度值，上述湿度数据包括当前湿度值和过去多个时刻的湿度值；
503、获取上述空调的内风机的当前转速以及过去多个时刻的转速；
504、将上述空调的制冷量数据、上述空调的上游空气通路的温度数据和湿度数据，以及上述空调的内风机的当前转速以及过去多个时刻的转速，输入第二热负荷模型，计算上述空调在上述实际转速下的目标热负荷值。
其中，上述步骤501和步骤502可以分别参考图1所示实施例中的步骤101和步骤102，此处不再赘述。
类似的，本申请实施例中可以在机房空调的热通道上布置若干个(通常为1～5个)温度、湿度传感器，用于检测热通道的温度数据和湿度数据，传感器位置如图3所示。
在此基础上，本申请实施例中还可以检测并记录空调的内风机在当前时刻及过去m个时刻的转速，相邻记录时刻的间隔时长与前述制冷量记录时刻的间隔时长相同，过去时刻个数m的取值方法可以如后续模型训练部分所述。
图6为本申请实施例提供的另一种空调目标热负荷计算实施方法的流程示意图，如图6所示，其中Heat_Model为第二热负荷计算模型。可选的，可采用Dense神经网络结构，其输入为当前时刻及过去i个时刻的空调制冷量、当前时刻及过去j个时刻的热通道的温度值、当前及过去k个时刻的热通道的湿度值，还有当前时刻及过去m个时刻的空调内风机转速；输出为目标热负荷，记为Q。
在上述热负荷计算方法用于机房空调热负荷的实时计算前，需要对上述神经网络进行训练，以便确定其中过去时间个数i、j、k、m及其他模型参数。下面对第二热负荷模型的一种构造方法进行介绍。
在一种可选的实施方式中，在步骤504之前，上述方法还包括：
通过在机房内设备的供电总电源上连接的功率计测得功率值，作为上述空调的热负荷，上述机房内设备不包含上述空调；
在上述空调的内风机工作范围内随机地改变上述内风机转速的情况下，获取上述空调的内风机的当前转速以及过去多个时刻的转速；
随机地开停上述机房内设备以改变上述空调的热负荷的情况下，获取上述空调的上游空气通路在当前时刻以及过去多个时刻的温度值和湿度值，计算当前制冷量以及过去多个时刻的制冷量；
根据所记录的上述空调的热负荷、上述温度值、上述湿度值、上述制冷量和上述内风机的当前转速以及过去多个时刻的转速，构建上述第二热负荷模型。
具体的，上述步骤提到的基本流程举例说明如下：
1)在机房内设备(不含空调)的供电总电源上连接功率计，将其测得的功率值当做机房空调的热负荷，记为R2。
2)利用热通道的温度传感器和湿度传感器检测当前时刻及过去各时刻的热通道的温度值和湿度值。
3)利用空调制冷量模型计算当前及过去各个时刻的制冷量Qc。
4)在空调的内风机最小设计转速和最大设计转速之间，人为随机地改变内风机转速Fan_pwm，并记录各时刻的内风机转速。
5)人为随机地开停机房内设备，以改变机房空调热负荷R2。
6)根据所记录的热负荷R2、热通道的温度值、热通道的湿度值、制冷量以及空调的内风机转速，利用成熟的BP神经网络训练方法，构建上述第二热负荷模型Heat_Model。
其中，上述步骤中涉及到的具体步骤可以参考前述实施例中的描述，此处不再赘述。
可选的，可以在空调的回风管上布置温度传感器和湿度传感器各1个，其位置如图3所示，用于检测空气温度和相对湿度，替代前述实施例方案中的热通道的温度值、热通道的湿度值，其余与前述实施例方案相同，此处不再赘述。
本申请实施例中根据当前时刻和过去若干时刻机房空调的上游空气通路的温度值、湿度值、空调的内风机转速和空调制冷量，构建机房空调的热负荷计算模型，用于机房空调目标热负荷的计算。该方法可用于带自然冷却装置的机房空调的实时控制，有利于实现自然冷却装置、压缩式制冷装置的合理切换，从而提高节能效果。并且，在本申请实施例中温度值、湿度值的类差分运算只用于热负荷与空调制冷量的差值，制冷量模型受传感器测量误差的影响较小，从而可以使得机房热负荷的计算误差受传感器误差的影响较小。
请参见图7，图7为本申请实施例提供的一种空调热负荷计算装置的结构示意图，如图7所示，该空调热负荷计算装置700包括：
计算模块710，用于根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，其中所述制冷量数据包括所述空调的当前制冷量以及所述空调在过去多个时刻的制冷量；所述温度数据包括当前温度值和过去多个时刻的温度值，所述湿度数据包括当前湿度值和过去多个时刻的湿度值。
可选的，所述计算模块710，具体用于：
将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据输入第一热负荷模型，计算所述空调在各基准转速下的实时热负荷值，所述基准转速为所述空调的内风机基准转速信号值；
基于所述空调在各基准转速下的实时热负荷值，利用插值算法计算所述空调在实际转速下的目标热负荷值。
可选的，空调热负荷计算装置700还包括获取模块720，用于获取所述空调的制冷量数据；
所述获取模块720，具体用于：若所述空调处于压缩式制冷模式，根据室内换热器吸热量和内风机功率计算获得所述空调的制冷量；所述室内换热器吸热量根据压缩机制冷量系数模型计算值、过热度修正值和过冷度修正值计算获得，所述内风机功率根据预设的功率与转速的关系曲线确定；
若所述空调处于氟泵冷却模式，根据所述空调的回风温度、回风湿度、室外环境温度值、氟泵转速、外风机转速和内风机转速，利用预设网络模型计算获得所述空调的制冷量。
可选的，所述计算模块710，具体用于：
将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，输入多个第一热负荷模型，以输出所述空调在所述各个基准转速下的实时热负荷值；所述多个第一热负荷模型分别为所述空调的内风机转速恒定为多个所述基准转速时的热负荷模型。
可选的，上述空调热负荷计算装置700还包括构建模块730；上述构建模块730用于执行以下步骤：
步骤1：获取所述空调的内风机工作范围内的多个基准转速；
步骤2：控制所述空调的内风机转速保持目标基准转速，按以下步骤构建所述目标基准转速下的第一热负荷模型，所述目标基准转速为所述多个基准转速中的任一个：
步骤3：调整所述空调的内风机转速，重复所述步骤2，得到每个所述基准转速下的第一热负荷模型。
可选的，所述步骤2包括：
通过在机房内设备的供电总电源上连接的功率计测得功率值，作为所述空调的热负荷，所述机房内设备不包含所述空调；
随机地开停所述机房内设备以改变所述空调的热负荷的情况下，获取所述空调的上游空气通路在当前时刻以及过去多个时刻的温度值和湿度值，计算当前制冷量以及过去多个时刻的制冷量；
根据所记录的所述空调的热负荷、所述温度值、所述湿度值和所述制冷量，构建多项式形式的第一热负荷模型或神经网络形式的第一热负荷模型。
可选的，上述计算模块710，还具体用于：
从内风机基准转速值序列中确定两个相邻的第一基准转速和第二基准转速，所述第一基准转速不大于所述实际转速，所述第二基准转速大于所述实际转速；
获取所述空调在所述第一基准转速下的第一热负荷值和所述空调在所述第二基准转速下的第二热负荷值；
基于所述实际转速、所述第一基准转速、所述第二基准转速、所述第一热负荷值和所述第二热负荷值，使用预设插值公式计算所述空调在所述实际转速下的目标热负荷值。
可选的，所述获取模块720，还用于获取所述空调的内风机的当前转速以及过去多个时刻的转速；
上述计算模块710，还用于将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机的当前转速以及过去多个时刻的转速，输入第二热负荷模型，计算所述空调在所述实际转速下的目标热负荷值。
可选的，上述构建模块730，还用于：
通过在机房内设备的供电总电源上连接的功率计测得功率值，作为所述空调的热负荷，所述机房内设备不包含所述空调；
在所述空调的内风机工作范围内随机地改变所述内风机转速的情况下，获取所述空调的内风机的当前转速以及过去多个时刻的转速；
随机地开停所述机房内设备以改变所述空调的热负荷的情况下，获取所述空调的上游空气通路在当前时刻以及过去多个时刻的温度值和湿度值，计算当前制冷量以及过去多个时刻的制冷量；
根据所记录的所述空调的热负荷、所述温度值、所述湿度值、所述制冷量和所述内风机的当前转速以及过去多个时刻的转速，构建所述第二热负荷模型。
根据本申请的一个实施例，上述空调热负荷计算装置700，可以执行如图1或图5所示实施例中的步骤，此处不再赘述。该空调热负荷计算装置700可以应用于机房空调系统，以实现上述空调热负荷计算方法。
基于上述方法实施例以及装置实施例的描述，本申请实施例还提供一种电子设备，该电子设备可以为机房空调。如图8所示为本申请提供的一种电子设备的结构示意图，该电子设备800可以包括处理器801、输入/输出设备802、存储器803以及计算机存储介质。其中，电子设备内的各组件单元可通过总线804或其他方式连接。
计算机存储介质可以存储在电子设备800的存储器803中，上述计算机存储介质用于存储计算机程序，上述计算机程序包括程序指令，上述处理器801用于执行上述计算机存储介质存储的程序指令。处理器(或称CPU(Central Processing Unit，中央处理器))是电子设备的计算核心以及控制核心，其适于实现一条或多条指令，具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能；在一个实施例中，本申请实施例上述的处理器801可以用于进行一系列的处理，包括如图1或图5所示的方法所涉及的各个步骤等。
本申请实施例还提供了一种计算机存储介质(Memory)，上述计算机存储介质是电子设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质既可以包括电子设备中的内置存储介质，当然也可以包括电子设备所支持的扩展存储介质。计算机存储介质提供存储空间，该存储空间存储了电子设备的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或多条的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器；可选的还可以是至少一个位于远离前述处理器的计算机存储介质。
在一个实施例中，可由处理器加载并执行计算机存储介质中存放的一条或多条指令，以实现上述实施例中的相应步骤；具体实现中，计算机存储介质中的一条或多条指令可以由处理器加载并执行如图1或图5所示的方法所涉及的各个步骤，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。

Claims (12)

1.一种空调热负荷计算方法，其特征在于，包括：
根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，其中所述制冷量数据包括所述空调的当前制冷量以及所述空调在过去多个时刻的制冷量；所述温度数据包括当前温度值和过去多个时刻的温度值，所述湿度数据包括当前湿度值和过去多个时刻的湿度值。
2.根据权利要求1所述的空调热负荷计算方法，其特征在于，所述根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，包括：
将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据输入第一热负荷模型，计算所述空调在各基准转速下的实时热负荷值，所述基准转速为所述空调的内风机基准转速信号值；
基于所述空调在各基准转速下的实时热负荷值，利用插值算法计算所述空调在实际转速下的目标热负荷值。
3.根据权利要求1所述的空调热负荷计算方法，其特征在于，所述方法包括：获取所述空调的制冷量数据；
所述获取所述空调的制冷量数据，包括但不限于以下任意一种：
若所述空调处于压缩式制冷模式，根据室内换热器吸热量和内风机功率计算获得所述空调的制冷量；所述室内换热器吸热量根据压缩机制冷量系数模型计算值、过热度修正值和过冷度修正值计算获得，所述内风机功率根据预设的功率与转速的关系曲线确定；
若所述空调处于氟泵冷却模式，根据所述空调的回风温度、回风湿度、室外环境温度值、氟泵转速、外风机转速和内风机转速，利用预设网络模型计算获得所述空调的制冷量。
4.根据权利要求2所述的空调热负荷计算方法，其特征在于，所述将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据输入第一热负荷模型，计算所述空调在各基准转速下的实时热负荷值，包括：
将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，输入多个第一热负荷模型，以输出所述空调在所述各基准转速下的实时热负荷值；所述多个第一热负荷模型分别为所述空调的内风机转速恒定为多个所述基准转速时的热负荷模型。
5.根据权利要求4所述的空调热负荷计算方法，其特征在于，在将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据输入第一热负荷模型，计算所述空调在各基准转速下的实时热负荷值之前，所述方法还包括：
步骤1：获取所述空调的内风机工作范围内的多个基准转速；
步骤2：控制所述空调的内风机转速保持目标基准转速，按以下步骤构建所述目标基准转速下的第一热负荷模型，所述目标基准转速为所述多个基准转速中的任一个：
步骤3：调整所述空调的内风机转速，重复所述步骤2，得到每个所述基准转速下的第一热负荷模型。
6.根据权利要求5所述的空调热负荷计算方法，其特征在于，所述步骤2包括：
通过在机房内设备的供电总电源上连接的功率计测得功率值，作为所述空调的热负荷，所述机房内设备不包含所述空调；
随机地开停所述机房内设备以改变所述空调的热负荷的情况下，获取所述空调的上游空气通路在当前时刻以及过去多个时刻的温度值和湿度值，计算当前制冷量以及过去多个时刻的制冷量；
根据所记录的所述空调的热负荷、所述温度值、所述湿度值和所述制冷量，构建多项式形式的第一热负荷模型或神经网络形式的第一热负荷模型。
7.根据权利要求2所述的空调热负荷计算方法，其特征在于，基于所述空调在各基准转速下的实时热负荷值，利用插值算法计算所述空调在实际转速下的目标热负荷值，包括：
从内风机基准转速值序列中确定两个相邻的第一基准转速和第二基准转速，所述第一基准转速不大于所述实际转速，所述第二基准转速大于所述实际转速；
获取所述空调在所述第一基准转速下的第一热负荷值和所述空调在所述第二基准转速下的第二热负荷值；
基于所述实际转速、所述第一基准转速、所述第二基准转速、所述第一热负荷值和所述第二热负荷值，使用预设插值公式计算所述空调在所述实际转速下的目标热负荷值。
8.根据权利要求1所述的空调热负荷计算方法，其特征在于，所述方法还包括：
获取所述空调的内风机的当前转速以及过去多个时刻的转速；
所述根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，包括：
将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机的当前转速以及过去多个时刻的转速，输入第二热负荷模型，计算所述空调在实际转速下的目标热负荷值。
9.根据权利要求8所述的空调热负荷计算方法，其特征在于，在将所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机的当前转速以及过去多个时刻的转速，输入第二热负荷模型，计算所述空调在所述实际转速下的目标热负荷值之前，所述方法还包括：
通过在机房内设备的供电总电源上连接的功率计测得功率值，作为所述空调的热负荷，所述机房内设备不包含所述空调；
在所述空调的内风机工作范围内随机地改变所述内风机转速的情况下，获取所述空调的内风机的当前转速以及过去多个时刻的转速；
随机地开停所述机房内设备以改变所述空调的热负荷的情况下，获取所述空调的上游空气通路在当前时刻以及过去多个时刻的温度值和湿度值，计算当前制冷量以及过去多个时刻的制冷量；
根据所记录的所述空调的热负荷、所述温度值、所述湿度值、所述制冷量和所述内风机的当前转速以及过去多个时刻的转速，构建所述第二热负荷模型。
10.一种空调热负荷计算装置，其特征在于，包括：
计算模块，用于根据所述空调的制冷量数据、所述空调的上游空气通路的温度数据和湿度数据，以及所述空调的内风机转速，基于所述空调的热负荷模型，计算所述空调的目标热负荷值，其中所述制冷量数据包括所述空调的当前制冷量以及所述空调在过去多个时刻的制冷量；所述温度数据包括当前温度值和过去多个时刻的温度值，所述湿度数据包括当前湿度值和过去多个时刻的湿度值。
11.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至9中任一项所述的空调热负荷计算方法的步骤。
12.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至9中任一项所述的空调热负荷计算方法的步骤。
CN202210667763.6A 2022-06-14 2022-06-14 空调热负荷计算方法、装置、电子设备和存储介质 Pending CN115169079A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210667763.6A CN115169079A (zh) 2022-06-14 2022-06-14 空调热负荷计算方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210667763.6A CN115169079A (zh) 2022-06-14 2022-06-14 空调热负荷计算方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN115169079A true CN115169079A (zh) 2022-10-11

Family

ID=83484755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210667763.6A Pending CN115169079A (zh) 2022-06-14 2022-06-14 空调热负荷计算方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN115169079A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880220A (zh) * 2023-09-06 2023-10-13 南京壹格软件技术有限公司 一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880220A (zh) * 2023-09-06 2023-10-13 南京壹格软件技术有限公司 一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法
CN116880220B (zh) * 2023-09-06 2024-01-26 南京壹格软件技术有限公司 一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法

Similar Documents

Publication Publication Date Title
CN109323370B (zh) 空调及其化霜方法和装置
CN105674496B (zh) 一种空调除霜方法
CN110296763B (zh) 使用循环网络进行温度传感器校准
CN108027186A (zh) 用于制冷系统的维护和诊断
Cheung et al. Simulation of fault impacts for vapor compression systems by inverse modeling. Part I: Component modeling and validation
WO2008006293A1 (fr) Approche et dispositif de test pour un conditionneur d&#39;air
US11561019B2 (en) Performance diagnosis device and performance diagnosis method for air conditioner
CN110425694A (zh) 基于phm的高铁智能车站暖通空调能效控制管理方法
CN110736225B (zh) 空调的控制方法和装置
CN112432330B (zh) 恒温除湿控制方法、装置、电子设备和空调器
JP6862130B2 (ja) 異常検知装置、異常検知方法、およびプログラム
WO2018188520A1 (zh) 在线检测空调制冷能效比和制冷量的方法
CN107917484A (zh) 基于无线数据传输的带热量上升补偿的恒温器
CN115169079A (zh) 空调热负荷计算方法、装置、电子设备和存储介质
CN108344528B (zh) 一种多联式空调系统换热量测量方法及装置
CN107192084B (zh) 在线检测空调制热能效比和制热量的方法
CN115682453A (zh) 冷水机组的运行控制方法、装置、电子设备和介质
US10989428B2 (en) Performance diagnosis device and performance diagnosis method for air conditioner
JP7367472B2 (ja) 推定方法、推定装置及びプログラム
CN112364563A (zh) 一种多联机空调分户计量与计费方法及装置
CN108758979A (zh) 空调系统及其能效分析方法、装置和存储介质
Hjortland et al. Virtual sensors for rooftop unit air-side diagnostics
CN104807146A (zh) 防冻结保护检测方法和装置
CN107091753B (zh) 空调制冷能效比及制冷量在线检测方法
JP6972468B2 (ja) 空調装置の評価装置および評価方法

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