CN115218366A - 一种基于控制预测模型的暖通空调的节能方法 - Google Patents
一种基于控制预测模型的暖通空调的节能方法 Download PDFInfo
- Publication number
- CN115218366A CN115218366A CN202210869502.2A CN202210869502A CN115218366A CN 115218366 A CN115218366 A CN 115218366A CN 202210869502 A CN202210869502 A CN 202210869502A CN 115218366 A CN115218366 A CN 115218366A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- model
- prediction model
- control
- 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 23
- 238000010438 heat treatment Methods 0.000 title claims abstract description 21
- 238000009423 ventilation Methods 0.000 title claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims abstract description 51
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 230000003068 static effect Effects 0.000 claims abstract description 18
- 238000004378 air conditioning Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 230000005611 electricity Effects 0.000 claims description 22
- 239000003345 natural gas Substances 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- F24F11/30—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
- F24F11/47—Responding to energy costs
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于控制预测模型的暖通空调的节能方法，具体按以下步骤执行：获取暖通空调中涉及到的设备静态数据、能耗数据和环境数据；基于设备静态数据、能耗数据和环境数据建立预测模型和控制模型；将设备静态数据、能耗数据和环境数据输入到预测模型、控制模型进行计算；通过预测模型基于前期的状态量数据学习输出下一周期预测数据，通过控制模型基于预测数据做下放控制模型；基于反馈量修正预测模型和控制模型。本发明实现了减少能耗达到节能目的。
Description
技术领域
本发明涉及暖通空调监测技术领域，具体为一种基于控制预测模型的暖通空调的节能方法。
背景技术
在传统的暖通空调运维中需要达到安全、节能、高效的效果，需要大量运维人员和业务专家的参与，需要不间断的依据外界环境数据变化而做出设备参数调整，整体投入大量的人员，耗费物力、财力、人力。每一千平方的商业建筑中仅暖通运维人员便需要三位以上。往往业务人员仅仅凭自己的业务认知做参数设置修改达不到精准且高效的效果。同样的项目同样的暖通设备环境，传统的运维方式不具备精准性、可复制性、高效节能性。所以就需要一种基于控制预测模型的暖通空调的节能方法。
发明内容
本发明的目的在于提供一种基于控制预测模型的暖通空调的节能方法；
本发明是这样实现的：
一种基于控制预测模型的暖通空调的节能方法，
S1：获取暖通空调中涉及到的设备静态数据、能耗数据和环境数据；其中静态的数据例如主机数量表达为(“主机”，“3”), 表示主机有三台，“主机”代表着数据的key，“3”代表着value。环境数据例如温度表达为(“out_temp”，“24”),其中“out_temp”代表户外温度，“24”代表户外温度值。
S2：基于设备静态数据、能耗数据和环境数据建立预测模型和控制模型；
S3：将设备静态数据、能耗数据和环境数据输入到预测模型、控制模型进行计算；
S4：通过预测模型基于前期的状态量数据学习输出下一周期预测数据，通过控制模型基于预测数据做下放控制模型；
S5：基于反馈量修正预测模型和控制模型。
进一步，所述静态数据包括现场电、水、天然气的主机数量，其中预测模型如式(1)-式(2)；
K总能耗＝K电+K水+K天然气式(1)
ΔT·ΔtK总能耗＝ΔT·ΔtK电+ΔT·ΔtK水+ΔT·ΔtK天然气式(2)
其中，K为水、电和天然气设备监测的能耗值，ΔT·ΔtK总能耗为不同时间周期内，水、电和天然气设备监测的能耗值在不同温度范围内的变化值。假定理想状态下系统能耗只与室内外温度变化有关联并且能耗种类只有“电”、“水”、“天然气”三种能耗类型，室内温度恒定在26摄氏度为理想目标，其中K代表能耗，ΔT代表时间周期，Δt代表温度差。例如五分钟内室外温度从10摄氏度到11摄氏度，那么ΔT＝5，Δt＝1，那么计算一下现场在这五分钟内温度从10-11变化所消耗的能耗值。通过现场的一段周期运行后，保留运行大数据至数据库当中。
在进行预测时，例如基于保留在数据库中的数据样本和国家气象局获取的周期变化的室外气候情况，进行下个周期的能耗预测。例如：此刻为AM11:00，室外温度为10摄氏度，依据国家气象局AM11:05后气温将11摄氏度，那么通过数据库中保留的数据样本进行匹配就可以预测出这五分钟内消耗的能耗，通过这种方式可以预测出后续能耗趋势。
进一步，所述控制模型还包括影响能耗的各个参数P，其中 P包括各个单个的水、电、天然气设备的启停、频率和流量的影响，分别通过P1、P2、P3…Pn表示；具体如式(3)
K能耗总影响值＝P1+P2+P3+…+Pn式(3)。
进一步，下控模型如数据集(4)，从下控模型中获取K值最小的值即为最优解PK1；
PK1＝n·{P1：P2：P3…Pn}， 式(4)
其中，PK1为单个的水、电或天然气设备的启停、频率和流量的影响最小值。
进一步，在步骤S5中，通过周期后环境数据和预测的值进行对比，修正预测模型，经过控制模型下控后的环境数据、能效数据、限制数据的分析修正的控制模型。
进一步，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被主控制器执行时实现如上述中任一项所述的方法。
与现有技术相比，本发明的有益效果是：
1、应用于园区楼宇建筑中水冷空调，使其减少能耗达到节能目的。采用抽取暖通运维现场的设备静态数据、室外环境数据、室内环境数据、限制变量数据；然后训练预测模型使其达到预测下一周期室内温度变化的情况；依据控制模型进行设备参数下放，衡量标准是保证环境舒适宜居的情况下使其能效达成最优解；通过预测数据与周期实际数据进行比对反馈修正预测模型使其更加成熟，通过实际下放参数与周期实际设备运行参数以及环境、能效数据情况训练控制模型使其达到能效最优解。通过机器学习和机器控制可以高频次获知外界环境数据、能效数据，然后高频次修改设备参数去应对环境数据变化。这种机器学习，大数据的复杂计算的维度是人无法触及的，使控制更加精准，调整更加灵活。随着能源系统数据、反馈数据、环境数据不断输入将使预测模型、控制模型更加成熟更加准确。随着项目不断开展可普适到各个项目中，提高暖通项目中的节能率，减少人员成本，减少重复配置工作，降低相关工作的门槛。
2、整体的节能方法是将工程师的管理经验和相关数据注入到机器中，通过机器去理解、分析、学习、控制制冷站设备。利用中央空调制冷站设备或系统的固有数据和运行原理，建立数学模型进而生成现实设备或系统的运行模型，使现实中的设备可以自动感知外界的关键数据，并通过自动计算得出运行趋势结果，精准控制包括但不限于各类制冷主机、冷冻水泵、冷却水泵、冷却塔、换热器、控制阀门、管网系统，对建筑中央空调制冷系统的运行数据积累、学习、深度挖掘，利用AI技术自动计算出系统中各设备的关键参数运行设定值，并将指令下发各设备执行，从而完成一个完整机器学习过程。可以实现中央空调制冷系统的自感知、自学习、自适应、自调整的功能。通过大量数据的采集、识别、学习、反馈、执行等学习动作，在满足建筑舒适度的前提下，不断优化中央空调制冷系统的运行效率，降低能源成本和运维成本，最大程度实现建筑空调制冷系统高效运行。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
图1为获取现场状态数据的示意图；
图2为下放控制策略的示意图；
图3为整体流程示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1-3，一种基于控制预测模型的暖通空调的节能方法；
S1：获取暖通空调中涉及到的设备静态数据、能耗数据和环境数据；其中静态的数据例如主机数量表达为(“主机”，“3”),表示主机有三台，“主机”代表着数据的key，“3”代表着value。环境数据例如温度表达为(“out_temp”，“24”), 其中“out_temp”代表户外温度，“24”代表户外温度值。
S2：基于设备静态数据、能耗数据和环境数据建立预测模型和控制模型；
S3：将设备静态数据、能耗数据和环境数据输入到预测模型、控制模型进行计算；
S4：通过预测模型基于前期的状态量数据学习输出下一周期预测数据，通过控制模型基于预测数据做下放控制模型；
S5：基于反馈量修正预测模型和控制模型。
进一步，所述静态数据包括现场电、水、天然气的主机数量，其中预测模型如式(1)-式(2)；
K总能耗＝K电+K水+K天然气 式(1)
ΔT·ΔtK总能耗＝ΔT·ΔtK电+ΔT·ΔtK水+ΔT·ΔtK天然气 式 (2)
其中，K为水、电和天然气设备监测的能耗值，ΔT·ΔtK总能耗为不同时间周期内，水、电和天然气设备监测的能耗值在不同温度范围内的变化值。假定理想状态下系统能耗只与室内外温度变化有关联并且能耗种类只有“电”、“水”、“天然气”三种能耗类型，室内温度恒定在26摄氏度为理想目标，其中K代表能耗，ΔT代表时间周期，Δt代表温度差。例如五分钟内室外温度从10摄氏度到11摄氏度，那么ΔT＝5，Δt＝1，那么计算一下现场在这五分钟内温度从10-11变化所消耗的能耗值。通过现场的一段周期运行后，保留运行大数据至数据库当中。
在进行预测时，例如基于保留在数据库中的数据样本和国家气象局获取的周期变化的室外气候情况，进行下个周期的能耗预测。例如：此刻为AM11:00，室外温度为10摄氏度，依据国家气象局AM11:05后气温将11摄氏度，那么通过数据库中保留的数据样本进行匹配就可以预测出这五分钟内消耗的能耗，通过这种方式可以预测出后续能耗趋势。
本实施例中，所述控制模型还包括影响能耗的各个参数P，其中P包括各个单个的水、电、天然气设备的启停、频率和流量的影响，分别通过P1、P2、P3…Pn表示；具体如式(3)
K能耗总影响值＝P1+P2+P3+…+Pn 式(3)。
本实施例中，下控模型如数据集(4)，从下控模型中获取 K值最小的值即为最优解PK1；
PK1＝n·{P1：P2：P3…Pn}， 式(4)
其中，PK1为单个的水、电或天然气设备的启停、频率和流量的影响最小值。
本实施例中，在步骤S5中，通过周期后环境数据和预测的值进行对比，修正预测模型，经过控制模型下控后的环境数据、能效数据、限制数据的分析修正的控制模型。
本实施例中，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被主控制器执行时实现如上述中任一项所述的方法。
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于控制预测模型的暖通空调的节能方法，其特征在于，具体按以下步骤执行：
S1：获取暖通空调中涉及到的设备静态数据、能耗数据和环境数据；
S2：基于设备静态数据、能耗数据和环境数据建立预测模型和控制模型；
S3：将设备静态数据、能耗数据和环境数据输入到预测模型、控制模型进行计算；
S4：通过预测模型基于前期的状态量数据学习输出下一周期预测数据，通过控制模型基于预测数据做下放控制模型；
S5：基于反馈量修正预测模型和控制模型。
2.根据权利要求1所述的一种基于控制预测模型的暖通空调的节能方法，其特征在于，所述静态数据包括现场电、水、天然气的主机数量，其中预测模型如式(1)-式(2)；
K总能耗＝K电+K水+K天然气 式(1)
ΔT·ΔtK总能耗＝ΔT·ΔtK电+ΔT·ΔtK水+ΔT·ΔtK天然气式(2)
其中，K为水、电和天然气设备监测的能耗值，ΔT·ΔtK总能耗为不同时间周期内，水、电和天然气设备监测的能耗值在不同温度范围内的变化值。
3.根据权利要求1所述的一种基于控制预测模型的暖通空调的节能方法，其特征在于，所述控制模型还包括影响能耗的各个参数P，其中P包括各个单个的水、电、天然气设备的启停、频率和流量的影响，分别通过P1、P2、P3…Pn表示；具体如式(3)
K能耗总影响值＝P1+P2+P3+…+Pn 式(3)。
4.根据权利要求1所述的一种基于控制预测模型的暖通空调的节能方法，其特征在于，下控模型如数据集(4)，从下控模型中获取K值最小的值即为最优解PK1，
PK1＝n·{P1：P2：P3…Pn}， 式(4)
其中，PK1为单个的水、电或天然气设备的启停、频率和流量的影响最小值。
5.根据权利要求1所述的一种基于控制预测模型的暖通空调的节能方法，其特征在于，
在步骤S5中，通过周期后环境数据和预测的值进行对比，修正预测模型，经过控制模型下控后的环境数据、能效数据、限制数据的分析修正的控制模型。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被主控制器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210869502.2A CN115218366A (zh) | 2022-07-22 | 2022-07-22 | 一种基于控制预测模型的暖通空调的节能方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210869502.2A CN115218366A (zh) | 2022-07-22 | 2022-07-22 | 一种基于控制预测模型的暖通空调的节能方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115218366A true CN115218366A (zh) | 2022-10-21 |
Family
ID=83614009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210869502.2A Pending CN115218366A (zh) | 2022-07-22 | 2022-07-22 | 一种基于控制预测模型的暖通空调的节能方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115218366A (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014105989A (ja) * | 2012-11-28 | 2014-06-09 | Mitsubishi Electric Corp | 建物動力設備のエネルギー消費量予測方法 |
| CN108895633A (zh) * | 2018-05-08 | 2018-11-27 | 林兴斌 | 利用建筑结构作为蓄冷介质的中央空调系统控制方法 |
| CN109902928A (zh) * | 2019-01-24 | 2019-06-18 | 山东欣巽联信息科技有限公司 | 一种基于物联网和能源消耗总量信息阵的智慧园区能效评估方法 |
| CN110188102A (zh) * | 2019-05-24 | 2019-08-30 | 重庆邮电大学 | 一种工厂多源能耗数据并行处理系统及方法 |
| US20190360711A1 (en) * | 2018-05-22 | 2019-11-28 | Seokyoung Systems | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature |
| US20200076196A1 (en) * | 2018-08-28 | 2020-03-05 | Johnson Controls Technology Company | Building energy optimization system with a dynamically trained load prediction model |
| CN110942228A (zh) * | 2019-10-25 | 2020-03-31 | 万翼科技有限公司 | 能耗控制方法、装置、计算机设备与存储介质 |
| CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
| CN111539652A (zh) * | 2020-05-14 | 2020-08-14 | 泛海物业管理有限公司 | 一种基于物联网的建筑能源管理系统及方法 |
| 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 |
| CN113189912A (zh) * | 2021-05-07 | 2021-07-30 | 南通职业大学 | 车间设备能源在线监测与控制系统 |
| CN113739365A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 中央空调冷站群控节能控制方法、装置、设备及存储介质 |
| CN113887038A (zh) * | 2021-09-28 | 2022-01-04 | 广东电网有限责任公司 | 一种建筑能耗预测校核方法、装置、设备及存储介质 |
| CN113983646A (zh) * | 2021-09-28 | 2022-01-28 | 国网浙江省电力有限公司营销服务中心 | 基于生成对抗网络的空调互动末端能耗预测方法及空调 |
| CN114017912A (zh) * | 2021-11-16 | 2022-02-08 | 中瑞恒（北京）科技有限公司 | 一种智能会议室的节能控制装置及方法 |
-
2022
- 2022-07-22 CN CN202210869502.2A patent/CN115218366A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014105989A (ja) * | 2012-11-28 | 2014-06-09 | Mitsubishi Electric Corp | 建物動力設備のエネルギー消費量予測方法 |
| CN108895633A (zh) * | 2018-05-08 | 2018-11-27 | 林兴斌 | 利用建筑结构作为蓄冷介质的中央空调系统控制方法 |
| US20190360711A1 (en) * | 2018-05-22 | 2019-11-28 | Seokyoung Systems | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature |
| US20200076196A1 (en) * | 2018-08-28 | 2020-03-05 | Johnson Controls Technology Company | Building energy optimization system with a dynamically trained load prediction model |
| CN109902928A (zh) * | 2019-01-24 | 2019-06-18 | 山东欣巽联信息科技有限公司 | 一种基于物联网和能源消耗总量信息阵的智慧园区能效评估方法 |
| CN110188102A (zh) * | 2019-05-24 | 2019-08-30 | 重庆邮电大学 | 一种工厂多源能耗数据并行处理系统及方法 |
| 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 |
| CN110942228A (zh) * | 2019-10-25 | 2020-03-31 | 万翼科技有限公司 | 能耗控制方法、装置、计算机设备与存储介质 |
| CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
| CN111539652A (zh) * | 2020-05-14 | 2020-08-14 | 泛海物业管理有限公司 | 一种基于物联网的建筑能源管理系统及方法 |
| CN113189912A (zh) * | 2021-05-07 | 2021-07-30 | 南通职业大学 | 车间设备能源在线监测与控制系统 |
| CN113739365A (zh) * | 2021-08-31 | 2021-12-03 | 广州汇电云联互联网科技有限公司 | 中央空调冷站群控节能控制方法、装置、设备及存储介质 |
| CN113887038A (zh) * | 2021-09-28 | 2022-01-04 | 广东电网有限责任公司 | 一种建筑能耗预测校核方法、装置、设备及存储介质 |
| CN113983646A (zh) * | 2021-09-28 | 2022-01-28 | 国网浙江省电力有限公司营销服务中心 | 基于生成对抗网络的空调互动末端能耗预测方法及空调 |
| CN114017912A (zh) * | 2021-11-16 | 2022-02-08 | 中瑞恒（北京）科技有限公司 | 一种智能会议室的节能控制装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102301288B (zh) | 用以控制能量消耗效率的系统和方法 | |
| CN114383299B (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
| Wang et al. | Data mining approach for improving the optimal control of HVAC systems: An event-driven strategy | |
| CN105571073B (zh) | 一种地铁站空调水系统变频控制节能方法 | |
| CN108320042B (zh) | 循环水系统的优化方法与装置 | |
| CN104515271A (zh) | 中央空调冷冻站系统的节能优化控制系统及其控制方法 | |
| CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
| CN112084707A (zh) | 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统 | |
| CN113551373A (zh) | 一种基于联邦强化学习的数据中心空调节能控制方法 | |
| CN105444356A (zh) | 一种中央空调系统的能效优化智能控制系统及其控制方法 | |
| CN109932896A (zh) | 一种建筑能耗的控制方法和系统 | |
| CN101655272A (zh) | 一种网络中央空调节能控制管理系统及其方法 | |
| CN111486552A (zh) | 基于分项计量数据的空调冷冻水供水温度策略识别方法 | |
| CN115875809B (zh) | 机房换热设备的节能方法、装置及计算机可读存储介质 | |
| CN110940061A (zh) | 中央空调控制方法及系统 | |
| CN116258049A (zh) | 一种模块化空调系统的室内热环境智能预测控制方法 | |
| Lachhab et al. | A state-feedback approach for controlling ventilation systems in energy efficient buildings | |
| CN114543273B (zh) | 一种集中空调供冷系统自适应深度学习优化节能控制算法 | |
| Wani et al. | Control strategies for energy optimization of HVAC systems in small office buildings using energyplus tm | |
| CN104866694A (zh) | 一种地板辐射供暖系统最佳启动时间预测模型 | |
| WO2022246627A1 (zh) | 一种用于控制制冷设备的方法和装置 | |
| CN110848889A (zh) | 一种中央空调系统主机运行能效评估方法 | |
| CN115218366A (zh) | 一种基于控制预测模型的暖通空调的节能方法 | |
| Lachhab et al. | An energy-efficient approach for controlling heating and air-conditioning systems | |
| CN116202190A (zh) | 一种通风空调制冷控制方法、系统、存储介质及计算设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221021 |
|
| RJ01 | Rejection of invention patent application after publication |