CN115950130A - 用于冰机系统的多变量模型预测控制系统、方法以及设备 - Google Patents
用于冰机系统的多变量模型预测控制系统、方法以及设备 Download PDFInfo
- Publication number
- CN115950130A CN115950130A CN202310032543.0A CN202310032543A CN115950130A CN 115950130 A CN115950130 A CN 115950130A CN 202310032543 A CN202310032543 A CN 202310032543A CN 115950130 A CN115950130 A CN 115950130A
- Authority
- CN
- China
- Prior art keywords
- control
- ice machine
- module
- data
- model predictive
- 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
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
一种用于冰机系统的多变量模型预测控制方法包括以下步骤:执行冰机系统控制参数配置;读取冰机系统的各传感器的数据并执行数据清洗和修复;执行被控变量设定值的更新;执行冷却塔控制模块、冷却水泵控制模块、冷冻水泵控制模块、冰机主机控制模块、冷回收控制模块,使冰机系统中的各设备被优化至目标运行值,以及执行设备故障预警模块;以及判断系统是否成功输出控制指令,当没有成功输出控制指令时,循环执行控制切出保护模块直至成功。
Description
技术领域
本发明涉及冰机系统领域,尤其涉及一种用于冰机系统的多变量模型预测控制系统、方法以及设备。
背景技术
冰机系统在工业领域、建筑楼宇等场景中有着广泛的应用,针对冰机系统的节能产品市场潜力巨大。冰机系统的能耗设备包括冰机主机、冷却水泵、冷冻水泵、冷却塔风机,可以调控的参数主要是这些用能设备的启停台数及运行频率,同时,整个系统的运行还受工厂热负荷、大气温度、湿度等影响。所以,冰机系统是一个多输入、多输出的过程,需要对多个输入变量同时在线控制,才能实现多目标优化,从而使整个系统的综合能耗最低。
现有的针对冰机系统的控制主要依赖于工人的经验以及传统的PID控制技术,控制手段是将冰机系统拆分成若干个孤立的控制回路分别进行控制,这种控制方式能够收获的效果只是对局部设备进行了优化,而无法对整个系统做全局的最优控制。
发明内容
本发明的目的之一在于提供一种用于冰机系统的多变量模型预测控制系统、方法以及设备,基于采集的冰机系统及用户端的实时数据,构建多变量模型进行预测控制,针对冰机系统中的主要能耗设备,做全局的节能优化,同时,也能够对冰机系统中的设备运行状况进行实时监测,对设备潜在的故障进行实时预警,也能够提高经济收益。
本发明的目的之一在于提供一种用于冰机系统的多变量模型预测控制系统、方法以及设备,通过大数据和人工智能,辅以模型预测控制、工业机理模型等,对冰机系统中的能耗设备的运行进行优化控制,使冰机系统在不同的工控条件下,都处于最优运行的状态,从而达到冰机系统的节能。
为了实现本发明的至少一个发明目的,本发明提供了一种用于冰机系统的多变量模型预测控制方法,所述用于冰机系统的多变量模型预测控制方法包括以下步骤:
执行冰机系统控制参数配置;
读取冰机系统的各传感器的数据并执行数据清洗和修复;
执行被控变量设定值的更新;
执行冷却塔控制模块、冷却水泵控制模块、冷冻水泵控制模块、冰机主机控制模块、冷回收控制模块,使冰机系统中的各设备被优化至目标运行值,以及执行设备故障预警模块;以及
判断系统是否成功输出控制指令,当没有成功输出控制指令时,循环执行控制切出保护模块直至成功;
其中,定期维护经验数据库模块,通过和所述执行冰机系统控制参数配置步骤以及所述执行被控变量设定值的更新步骤中运行数据的积累,不断优化经验模型及经验参数;
其中,冷却塔出水温度目标值根据大气干、湿球温度及换热负荷经过人工智能模型实时计算得出,冷却水换热温差目标值根据大气干、湿球温度及换热负荷经过人工智能模型实时计算得出,冷却水换热温差目标值根据大气干、湿球温度及换热负荷经过人工智能模型实时计算得出,冷冻水的出水温度目标值根据用户端热负荷及实时运行数据经过人工智能模型实时计算得出。
在一些实施例中,其中所述执行冰机系统控制参数配置还包括以下步骤:对各个控制模块的模型参数进行配置,数据从经验数据库模型获取或从中调取计算模型计算得出。
在一些实施例中,其中所述读取冰机系统的各传感器的数据并执行数据清洗和修复步骤还包括以下步骤:对数据缺失、超限异常、数据跳变或因通讯故障导致的数据失真等场景执行数据清洗与数据修复。
在一些实施例中,其中所述执行被控变量设定值的更新步骤还包括以下步骤:根据读到的数据,从经验数据库中调取经验模型,自动计算出各被控变量的最优控制值,并将其更新。
在一些实施例中,其中所述执行设备故障预警模块步骤还包括步骤:基于传感器采集的数据,实时计算系统中设备的健康度指数,当健康度指数低于预警阈值时,发出设备故障预警。
在一些实施例中,其中所述用于冰机系统的多变量模型预测控制方法还包括输出校验及切出保护步骤:将所有的输出汇总并执行输出结果校验,当所有的输出结果都有效时,将结果输出到控制的执行器;当输出不满足校验条件时,当前时间步相应的结果不输出,设备维持上一时间步的运行数据;当控制程序不输出控制结果的时长超过程序心跳检测的最大时长时,启动切出保护程序。
在一些实施例中,其中所述用于冰机系统的多变量模型预测控制方法还包括冷却塔出水温度控制步骤以及执行冷却塔水质控制步骤。
在一些实施例中,其中所述用于冰机系统的多变量模型预测控制方法还包括执行冷却水泵控制模块步骤:调控水泵启动的台数及冷却水泵的运行频率,从而冷却水换热温差及冷却水泵出水压力被控制。
在一些实施例中,其中所述用于冰机系统的多变量模型预测控制方法还包括执行冷冻水泵控制模块步骤:调控水泵启动的台数及冷冻水泵的运行频率,从而冷冻水的出口压力及流量被控制。
在一些实施例中,其中所述用于冰机系统的多变量模型预测控制方法还包括执行冰机主机控制模块步骤:调控冰机的负荷,从而冷冻水的出水温度被控制。
在一些实施例中,其中所述用于冰机系统的多变量模型预测控制方法还包括执行冷回收控制模块步骤:基于历史大气干、湿球温度数据,利用人工智能模型预报未来数小时大气干、湿球温度数据,当目前及未来数小时温度数据均低于设定的温度阈值时,自动启动冷回收模块;启动后,当气温回升到温度阈值以上时,关闭冷回收模块,切回冰机制冷。
根据本发明的另一方面,还提供了一种用于冰机系统的多变量模型预测控制设备,包括:
存储器,用于存储软件应用程序,
处理器,用于执行所述软件应用程序,所述软件应用程序部分相对应地执行所述的用于冰机系统的多变量模型预测控制方法的步骤。
根据本发明的另一方面,还提供了一种用于冰机系统的多变量模型预测控制系统,所述用于冰机系统的多变量模型预测控制系统包括系统控制参数配置模块、数据读取以及数据清洗模块、被控变量设定值更新模块、主控子系统、辅助子系统以及输出校验及切出保护模块,其中所述系统控制参数配置模块对各个控制模块的模型参数进行配置,所述数据读取以及数据清洗模块读取传感器的数据并执行数据清洗与修复,所述被控变量设定值更新模块根据读到的数据,从所述辅助子系统的经验数据库中调取经验模型,自动计算出各被控变量的最优控制值,并将其更新,所述主控子系统执行冷却塔控制模块、冷却水泵控制模块、冷冻水泵控制模块以及冰机主机控制模块,所述辅助子系统执行故障预警程序以及执行控制切出保护模块;其中所述用于冰机系统的多变量模型预测控制系统的各种控制及故障预警程序都执行完后,所述输出校验及切出保护模块将所有的输出汇总并执行输出结果校验,当所有的输出结果都有效时,将结果输出到控制的执行器;当输出不满足校验条件时,当前时间步相应的结果不输出,设备维持上一时间步的运行数据;当控制程序不输出控制结果的时长超过程序心跳检测的最大时长时,启动切出保护程序。
在一些实施例中,其中所述冷却塔控制模块用于:执行冷却塔出水温度控制和冷却塔水质控制;其中所述冷却水泵控制模块用于:执行冷却水泵启动的台数及冷却水泵的运行频率的控制;其中所述冷冻水泵控制模块用于:执行冷冻水泵启动的台数及冷冻水泵的运行频率的控制;其中所述冰机主机控制模块用于:执行冰机的负荷的调控。
在一些实施例中,其中基于历史大气干、湿球温度,利用人工智能模型预报未来数小时大气干、湿球温度,当目前及未来数小时温度数据均低于设定的温度阈值时,自动启动冷回收模块;启动后,当气温回升到温度阈值以上时,关闭冷回收模块,切回冰机制冷。
在一些实施例中,其中所述设备故障预警模块用于:基于传感器采集的数据,实时计算冰机系统中设备的健康度指数,当健康度指数低于预警阈值时,发出设备故障预警。
根据本发明的另一方面,还提供了一种冰机系统,所述冰机系统设置有算法服务器,所述算法服务器搭载有所述的用于冰机系统的多变量模型预测控制系统。
附图说明
图1是根据本发明的一个实施例的一种用于冰机系统的多变量模型预测控制系统的输入、输出、优化目标示意图。
图2是根据本发明的上述实施例的所述用于冰机系统的多变量模型预测控制系统的框架图。
图3是根据本发明的一个实施例的一种用于冰机系统的多变量模型预测控制方法的流程步骤图。
图4是根据本发明的一个实施例的一种用于冰机系统的多变量模型预测控制系统在具体实施中的框架图。
图5是根据本发明的一个实施例的一种用于冰机系统的多变量模型预测控制系统的部分控制界面示例图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
本发明为涉及计算机程序的发明。
如图1至图2所示为基于本发明的一种用于冰机系统的多变量模型预测控制系统的一个实施例。本发明的所述于冰机系统的多变量模型预测控制系统的优化目标为满足用户端冷量需求的前提下,使系统总能耗、补水量最低。图1阐述了所述于冰机系统的多变量模型预测控制系统需要处理的输入数据以及输出数据。具体地,其中,控制系统的输入包括冰机系统历史及当前的运行数据和可测的干扰因素,通过本发明的所述于冰机系统的多变量模型预测控制系统,输出冰机系统的各种控制策略。也就是说,控制系统优化过程的约束是冰机调控过程必须能满足用户端对冰机系统冷量供应的需求,优化目标是使整个系统的总能耗、补水量最低,系统处于最佳经济运行状态。
如图2所示为所述于冰机系统的多变量模型预测控制系统在一个实施例中的框架示意图。在这个实施例中,所述于冰机系统的多变量模型预测控制系统包括主控部分以及辅助部分。主控部分包括冷却塔控制模块、冷却水泵控制模块、冷冻水泵控制模块、冰机主机控制模块。辅助部分包括:经验数据库模块、冷回收控制模块、设备故障预警模块、控制切出保护模块。经验数据库模块负责维护冰机系统设备运行的所有经验参数及模型,包括机理模型,AI模型等,可以指导设备启动及控制过程参数的优化。冷回收控制模块负责在天气寒冷阶段,冰机主机切出条件下冷冻水和冷却水的换热控制。设备故障预警模块负责在设备运行阶段,实时监测设备运行状况,当设备出现故障时发出报警。控制切出保护模块设计了在控制算法故障切出时的一整套自动保护逻辑。
更具体地,如图3所示为基于本发明的一种用于冰机系统的多变量模型预测控制方法的一个优选实施例的流程图,阐述了为解决本发明提出的问题,以计算机程序处理流程为基础,通过计算机执行按上述流程编制的计算机程序,对计算机外部对象或者内部对象进行控制或处理的解决方案。通过大数据和人工智能,辅以模型预测控制、工业机理模型等,对冰机系统中的能耗设备的运行进行优化控制,使冰机系统在不同的工控条件下,都处于最优运行的状态,从而达到冰机系统的节能。
具体地,所述用于冰机系统的多变量模型预测控制方法包括以下步骤:
S100:执行冰机系统控制参数配置;
S200:读取冰机系统的各传感器的数据并执行数据清洗和修复;
S300:执行被控变量设定值的更新;
S400:执行冷却塔控制模块、冷却水泵控制模块、冷冻水泵控制模块、冰机主机控制模块、冷回收控制模块以及执行设备故障预警模块;以及
S500:判断系统是否成功输出控制指令,当没有成功输出控制指令时,循环执行控制切出保护模块直至成功。
值得一提的是,所述用于冰机系统的多变量模型预测控制方法基于人工智能对历史运行数据进行数据挖掘,辅之以机理模型,探索出最优运行参数,再通过模型预测控制方法将设备运行参数调整至最优值,最大限度挖掘系统的节能空间,能够对系统进行实时优化,同时控制系统具备很强的鲁棒性;其中通过定期维护经验数据库模块,打造“专家系统”,通过运行数据的积累,不断优化经验模型及经验参数,使系统越来越智能;其中通过全局优化,确定了每个设备的最佳运行值后,对控制系统进行解耦控制,将冰机系统的控制拆解成冷却塔控制、冷却泵控制、冷冻泵控制、冰机主机控制,能够使设备在最短的时间内收敛到最佳运行值,提升了整个系统的响应速度和控制稳定性;其中设备故障预警模块基于运行数据,实时输出设备的健康度指数,能够实时监控设备运行情况,对设备潜在的故障能够提前预警,将故障设备提前切除,既防止了设备的进一步损坏,也提升了系统运行的安全性和经济性;其中控制切出保护模块能够将先进控制程序掉线的影响降到最小,当看门狗模块在设定时间内检测不到先控程序的输出心跳时,启动切出保护程序,而且出于安全考虑设计了两层控制保护逻辑,极大地提升了整个控制系统的运行稳定性。
更具体地,步骤S100还包括以下步骤:对系统各个控制模块的模型参数进行配置,包括人工智能模型参数及控制过程的各种阈值参数等,数据从经验数据库模型获取或从中调取计算模型计算得出。
更具体地,步骤S200还包括以下步骤:对数据缺失、超限异常、数据跳变或因通讯故障导致的数据失真等场景执行数据清洗与数据修复。
更具体地,步骤S300还包括以下步骤:根据读到的数据,从经验数据库中调取经验模型,自动计算出各被控变量的最优控制值,并将其更新。
更具体地,步骤S400还包括以下步骤:构建多变量模型,多变量模型中所有的闭环反馈控制算法基于模型预测控制(MPC)方法设计。
更具体地,步骤S400还包括执行冷却塔控制模块步骤,所述执行冷却塔控制模块步骤包括执行冷却塔出水温度控制步骤以及执行冷却塔水质控制步骤。进一步地,所述执行冷却塔出水温度控制步骤包括步骤:调控冷却塔启动的台数及冷却塔风机的运行频率,从而冷却塔出水温度被控制,其中冷却塔出水温度目标值根据大气干、湿球温度及换热负荷经过人工智能模型实时计算得出。所述执行冷却塔水质控制步骤包括步骤:控制冷却循环水的排污和循环水补水,从而能反映水质的循环水电导率被控制。
更具体地,步骤S400还包括执行冷却水泵控制模块步骤,所述执行冷却水泵控制模块步骤还包括步骤:调控水泵启动的台数及冷却水泵的运行频率,从而冷却水换热温差及冷却水泵出水压力被控制。其中,冷却水换热温差目标值根据大气干、湿球温度及换热负荷经过人工智能模型实时计算得出。本领域的技术人员可以理解的是,冷冻水泵的运行状态决定了冷冻水的出口压力及流量,冷冻水在用户侧吸热后打入至冰机进行冷却。冷冻水侧受用户侧热负荷及恒温恒湿约束,需要在满足用户侧需求的情况下,尽量减小冷冻水泵的能耗及其给冰机带来的热负荷。
更具体地,步骤S400还包括执行冷冻水泵控制模块步骤,所述执行冷冻水泵控制模块步骤还包括步骤:调控水泵启动的台数及冷冻水泵的运行频率,从而冷冻水的出口压力及流量被控制。其中,冷却水换热温差目标值根据大气干、湿球温度及换热负荷经过人工智能模型实时计算得出。本领域的技术人员可以理解的是,冷冻水泵的运行状态决定了冷冻水的出口压力及流量,冷冻水在用户侧吸热后打入至冰机进行冷却。冷冻水侧受用户侧热负荷及恒温恒湿约束,需要在满足用户侧需求的情况下,尽量减小冷冻水泵的能耗及其给冰机带来的热负荷。
更具体地,步骤S400还包括执行冰机主机控制模块步骤,所述执行冰机主机控制模块步骤还包括步骤:调控冰机的负荷,从而冷冻水的出水温度被控制。其中,冷冻水的出水温度目标值根据用户端热负荷及实时运行数据经过人工智能模型实时计算得出。本领域的技术人员可以理解的是,对冰机主机调控,需要在满足冷冻水出口温度要求的前提下,使冰机的能耗尽可能小;同时,为防止冰机运行过程可能出现的设备喘振,还需对压缩机排气压力、冷媒流量等进行调控。
更具体地,步骤S400还包括执行冷回收控制模块步骤,所述执行冷回收控制模块步骤还包括步骤:基于历史大气干、湿球温度数据,利用人工智能模型预报未来数小时大气干、湿球温度数据,当目前及未来数小时温度数据均低于设定的温度阈值时,自动启动冷回收模块;启动后,当气温回升到温度阈值以上时,关闭冷回收模块,切回冰机制冷。本领域的技术人员可以理解的是,冷回收控制模块主要用于温度较低,冰机主机关闭后,用板式换热器给冷冻水和冷却水进行换热。
更具体地,步骤S400还包括执行设备故障预警模块步骤,所述执行设备故障预警模块步骤还包括步骤:基于传感器采集的数据,实时计算系统中设备的健康度指数,当健康度指数低于预警阈值时,发出设备故障预警。其中健康度指数选自冷却塔风机、冷却水泵、冷冻水泵运行效率、冰机能效系数。
更具体地,步骤S500还包括输出校验及切出保护步骤,所述输出校验及切出保护步骤包括步骤:将所有的输出汇总并执行输出结果校验,当所有的输出结果都有效时,将结果输出到控制的执行器;当输出不满足校验条件时,当前时间步相应的结果不输出,设备维持上一时间步的运行数据;当控制程序不输出控制结果的时长超过程序心跳检测的最大时长时,启动切出保护程序。
更具体地,步骤S500还包括执行控制切出保护模块步骤,所述执行控制切出保护模块步骤包括步骤:针对冷却塔风机、冷却水泵、冷冻水泵、冰机主机的控制分别构建对应的PID控制回路。其中,PID模型参数根据算法训练结果提前配置。进一步地,如果PID控制失控,则切默认固定的控制参数。值得一提的是,默认固定的控制参数从经验数据库模块查询,这一层参数的设计保证了一定的系统冷量输出裕度。
本领域的技术人员能够理解的是,可以以方法、系统或计算机程序产品的形式提供本发明的实施例。因此,本发明可采取全硬件实施例、全软件实施例,或者组合软件和硬件的实施例的形式。
本领域的技术人员可以理解的是,本发明的方法可以通过硬件、软件,或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现,或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统,通过安装和执行程序控制计算机系统,使其按方法运行。
本发明可以嵌入在计算机程序产品中,它包括使此处描述的方法得以实施的所有特征。所述计算机程序产品被包含在一个或多个计算机可读存储介质中,所述计算机可读存储介质具有包含于其中的计算机可读程序代码。根据本发明的另一方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时能够执行本发明的方法的步骤。计算机存储介质是计算机存储器中用于存储某种不连续物理量的媒体。计算机存储介质包括但不限于半导体、磁盘存储器、磁芯、磁鼓、磁带、激光盘等。本领域的技术人员可以理解的是,计算机存储介质并不局限于前述举例,前述例子仅仅作为举例而并不限于本发明。
根据本发明的另一方面,还提供了一种用于冰机系统的多变量模型预测控制设备,该用于冰机系统的多变量模型预测控制设备包括:软件应用程序、用于存储软件应用程序的存储器,以及处理器,用于执行该软件应用程序。该软件应用程序的各程序部分能够相对应地执行本发明的该用于冰机系统的多变量模型预测控制方法中的步骤。
硬件和软件的典型的结合可以是带有计算机程序的通用计算机系统,当程序被加载并被执行时,控制计算机系统,从而可以执行本发明揭露的方法。
与本发明方法的实施例相对应,根据本发明的另一方面,还提供了一种用于冰机系统的多变量模型预测控制系统,该用于冰机系统的多变量模型预测控制系统为本发明的该用于冰机系统的多变量模型预测控制方法在计算机程序改进上的应用。具体地,所述用于冰机系统的多变量模型预测控制系统包括系统控制参数配置模块、数据读取以及数据清洗模块、被控变量设定值更新模块、主控子系统、辅助子系统以及输出校验及切出保护模块。所述系统控制参数配置模块对系统各个控制模块的模型参数进行配置,所述数据读取以及数据清洗模块读取传感器的数据并执行数据清洗与修复,所述被控变量设定值更新模块根据读到的数据,从所述辅助子系统的经验数据库中调取经验模型,自动计算出各被控变量的最优控制值,并将其更新,所述主控子系统执行冷却塔控制模块、冷却水泵控制模块、冷冻水泵控制模块以及冰机主机控制模块,所述辅助子系统执行故障预警程序以及执行控制切出保护模块。所述用于冰机系统的多变量模型预测控制系统的各种控制及故障预警程序都执行完后,所述输出校验及切出保护模块将所有的输出汇总并执行输出结果校验,当所有的输出结果都有效时,将结果输出到控制的执行器;当输出不满足校验条件时,当前时间步相应的结果不输出,设备维持上一时间步的运行数据;当控制程序不输出控制结果的时长超过程序心跳检测的最大时长时,启动切出保护程序。
值得一提的是,所述辅助子系统的控制切出保护模块针对冷却塔风机、冷却水泵、冷冻水泵、冰机主机的控制分别设计了一个PID控制回路,PID模型参数根据算法训练结果提前配置好。如果PID控制失控,则切默认固定的控制参数。默认固定的控制参数从经验数据库模块查询,这一层参数的设计保证了一定的系统冷量输出裕度。
更具体地,冷却塔控制模块:冷却塔模块包括两个方面,即冷却塔出水温度控制和冷却塔水质控制。冷却塔水温调控的是冷却塔启动的台数及冷却塔风机的运行频率,被控目标是冷却塔出水温度,冷却塔出水温度目标值根据大气干、湿球温度及换热负荷经过AI模型实时计算得出。冷却塔水质控制,主要控制冷却循环水的排污和循环水补水,被控目标为能反映水质的循环水电导率。
更具体地,冷却水泵控制模块:冷却水负责给冰机系统冷却,冷却水从冰机吸热回来后,再打入冷却塔中进行冷却,而冷却水泵控制着冷却水的流量及冷却水上冷却塔的水压。冷却水泵的控制,需要在满足冰机换热需求及冷却水上冷却塔压头的前提下,使系统的总体能耗最小。冷却水泵控制调控的是水泵启动的台数及冷却水泵的运行频率,被控目标是冷却水换热温差及冷却水泵出水压力。冷却水换热温差目标值根据大气干、湿球温度及换热负荷经过AI模型实时计算得出。
更具体地,冷冻水泵控制模块:冷冻水泵的运行状态决定了冷冻水的出口压力及流量,冷冻水在用户侧吸热后打入至冰机进行冷却。冷冻水侧受用户侧热负荷及恒温恒湿约束,需要在满足用户侧需求的情况下,尽量减小冷冻水泵的能耗及其给冰机带来的热负荷。冷冻水泵控制调控的是水泵启动的台数及冷冻水泵的运行频率,被控目标是冷冻水的出口压力及流量。冷却水换热温差目标值根据大气干、湿球温度及换热负荷经过AI模型实时计算得出。
更具体地,冰机主机控制模块:对冰机主机调控,需要在满足冷冻水出口温度要求的前提下,使冰机的能耗尽可能小;同时,为防止冰机运行过程可能出现的设备喘振,还需对压缩机排气压力、冷媒流量等进行调控。冰机主机控制调控的是冰机的负荷,被控目标是冷冻水的出水温度。冷冻水的出水温度目标值根据用户端热负荷及实时运行数据经过AI模型实时计算得出。
更具体地,经验数据库模块:通过定期维护经验数据库模块,打造“专家系统”,通过运行数据的积累,不断优化经验模型及经验参数,使系统越来越智能。
更具体地,冷回收控制模块:用于温度较低,冰机主机关闭后,用板式换热器给冷冻水和冷却水进行换热。该模块基于历史大气干、湿球温度,利用AI模型预报未来数小时大气干、湿球温度,当目前及未来数小时温度数据均低于设定的温度阈值时,自动启动冷回收模块;启动后,当气温回升到温度阈值以上时,关闭冷回收模块,切回冰机制冷。
更具体地,设备故障预警模块:基于传感器采集的数据,实时计算系统中设备的健康度指数(例如冷却塔风机、冷却水泵、冷冻水泵可以取运行效率,冰机可以取能效系数),当健康度指数低于预警阈值时,发出设备故障预警。本领域的技术人员可以理解的是,基于运行数据,实时输出设备的健康度指数,能够实时监控设备运行情况,对设备潜在的故障能够提前预警,将故障设备提前切除,既防止了设备的进一步损坏,也提升了系统运行的安全性和经济性。
与本发明方法的实施例相对应,根据本发明的另一方面,还提供了一种用于冰机系统的多变量模型预测控制系统,如图4所示,现场所有的设备运行数据及仪表阀门数据采集到PLC,然后PLC与算法服务器进行数据通讯,算法输出的控制指令经PLC控制执行器动作。为了防止控制程序出错造成重大影响,本发明设计了看门狗实时监测算法服务器的控制指令是否正常输出。同时,在设备现场配置了WinCC控制站,用于现场运行数据监控及展示,以及需要人工干预控制时,也可以通过WinCC控制站来实施。另外,在云端配置远程管理站,可以远程对算法服务器中的算法及相关软件进行迭代升级,也方便云端人员可以远程监控设备运行状况及对历史数据进行分析归档。
图5展示了系统的部分控制界面。针对每个设备设计了APC投入切除,用以选择是否基于先进控制程序控制;同时,界面也展示了设备当前是否处于投运状态以及当前的运行频率;从界面上,也可手动控制设备的启停及频率调节;此外,为了减小设备运行的频率波动,同时使设备运行在安全、经济的频率范围,控制面板也支持设定设备运行的频率上、下限。
本领域的技术人员可以理解的是,已参考根据本发明的方法、系统及计算机程序产品的流程图和/或方框图说明了本发明。流程图和/或方框图中的每个方框,以及流程图和/或方框图中的方框的组合显然可由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、嵌入式处理器或者其他可编程的数据处理设备的处理器,以产生一台机器,从而指令(所述指令通过计算机或者其他可编程数据处理设备的处理器)产生用于实现在流程图和/或方框图的一个或多个方框中规定的功能的装置。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离该原理下,本发明的实施方式可以有任何变形或修改。
Claims (17)
1.一种用于冰机系统的多变量模型预测控制方法,其特征在于,所述用于冰机系统的多变量模型预测控制方法包括以下步骤:
执行冰机系统控制参数配置;
读取冰机系统的各传感器的数据并执行数据清洗和修复;
执行被控变量设定值的更新;
执行冷却塔控制模块、冷却水泵控制模块、冷冻水泵控制模块、冰机主机控制模块、冷回收控制模块,使冰机系统中的各设备被优化至目标运行值,以及执行设备故障预警模块;以及
判断系统是否成功输出控制指令,当没有成功输出控制指令时,循环执行控制切出保护模块直至成功;
其中,定期维护经验数据库模块,通过和所述执行冰机系统控制参数配置步骤以及所述执行被控变量设定值的更新步骤中运行数据的积累,不断优化经验模型及经验参数;
其中,冷却塔出水温度目标值根据大气干、湿球温度及换热负荷经过人工智能模型实时计算得出,冷却水换热温差目标值根据大气干、湿球温度及换热负荷经过人工智能模型实时计算得出,冷却水换热温差目标值根据大气干、湿球温度及换热负荷经过人工智能模型实时计算得出,冷冻水的出水温度目标值根据用户端热负荷及实时运行数据经过人工智能模型实时计算得出。
2.如权利要求1所述的用于冰机系统的多变量模型预测控制方法,其中所述执行冰机系统控制参数配置还包括以下步骤:对各个控制模块的模型参数进行配置,数据从经验数据库模型获取或从中调取计算模型计算得出。
3.如权利要求1所述的用于冰机系统的多变量模型预测控制方法,其中所述读取冰机系统的各传感器的数据并执行数据清洗和修复步骤还包括以下步骤:对数据缺失、超限异常、数据跳变或因通讯故障导致的数据失真等场景执行数据清洗与数据修复。
4.如权利要求1所述的用于冰机系统的多变量模型预测控制方法,其中所述执行被控变量设定值的更新步骤还包括以下步骤:根据读到的数据,从经验数据库中调取经验模型,自动计算出各被控变量的最优控制值,并将其更新。
5.如权利要求1所述的用于冰机系统的多变量模型预测控制方法,其中所述执行设备故障预警模块步骤还包括步骤:基于传感器采集的数据,实时计算系统中设备的健康度指数,当健康度指数低于预警阈值时,发出设备故障预警。
6.如权利要求1所述的用于冰机系统的多变量模型预测控制方法,其中所述用于冰机系统的多变量模型预测控制方法还包括输出校验及切出保护步骤:将所有的输出汇总并执行输出结果校验,当所有的输出结果都有效时,将结果输出到控制的执行器;当输出不满足校验条件时,当前时间步相应的结果不输出,设备维持上一时间步的运行数据;当控制程序不输出控制结果的时长超过程序心跳检测的最大时长时,启动切出保护程序。
7.如权利要求1至6中任一所述的用于冰机系统的多变量模型预测控制方法,其中所述用于冰机系统的多变量模型预测控制方法还包括冷却塔出水温度控制步骤以及执行冷却塔水质控制步骤。
8.如权利要求1至6中任一所述的用于冰机系统的多变量模型预测控制方法,其中所述用于冰机系统的多变量模型预测控制方法还包括执行冷却水泵控制模块步骤:调控水泵启动的台数及冷却水泵的运行频率,从而冷却水换热温差及冷却水泵出水压力被控制。
9.如权利要求1至6中任一所述的用于冰机系统的多变量模型预测控制方法,其中所述用于冰机系统的多变量模型预测控制方法还包括执行冷冻水泵控制模块步骤:调控水泵启动的台数及冷冻水泵的运行频率,从而冷冻水的出口压力及流量被控制。
10.如权利要求1至6中任一所述的用于冰机系统的多变量模型预测控制方法,其中所述用于冰机系统的多变量模型预测控制方法还包括执行冰机主机控制模块步骤:调控冰机的负荷,从而冷冻水的出水温度被控制。
11.如权利要求1至6中任一所述的用于冰机系统的多变量模型预测控制方法,其中所述用于冰机系统的多变量模型预测控制方法还包括执行冷回收控制模块步骤:基于历史大气干、湿球温度数据,利用人工智能模型预报未来数小时大气干、湿球温度数据,当目前及未来数小时温度数据均低于设定的温度阈值时,自动启动冷回收模块;启动后,当气温回升到温度阈值以上时,关闭冷回收模块,切回冰机制冷。
12.一种用于冰机系统的多变量模型预测控制设备,其特征在于,包括:
存储器,用于存储软件应用程序,
处理器,用于执行所述软件应用程序,所述软件应用程序部分相对应地执行权利要求1至11中任一所述的用于冰机系统的多变量模型预测控制方法的步骤。
13.一种用于冰机系统的多变量模型预测控制系统,其特征在于,所述用于冰机系统的多变量模型预测控制系统包括系统控制参数配置模块、数据读取以及数据清洗模块、被控变量设定值更新模块、主控子系统、辅助子系统以及输出校验及切出保护模块,其中所述系统控制参数配置模块对各个控制模块的模型参数进行配置,所述数据读取以及数据清洗模块读取传感器的数据并执行数据清洗与修复,所述被控变量设定值更新模块根据读到的数据,从所述辅助子系统的经验数据库中调取经验模型,自动计算出各被控变量的最优控制值,并将其更新,所述主控子系统执行冷却塔控制模块、冷却水泵控制模块、冷冻水泵控制模块以及冰机主机控制模块,所述辅助子系统执行故障预警程序以及执行控制切出保护模块;其中所述用于冰机系统的多变量模型预测控制系统的各种控制及故障预警程序都执行完后,所述输出校验及切出保护模块将所有的输出汇总并执行输出结果校验,当所有的输出结果都有效时,将结果输出到控制的执行器;当输出不满足校验条件时,当前时间步相应的结果不输出,设备维持上一时间步的运行数据;当控制程序不输出控制结果的时长超过程序心跳检测的最大时长时,启动切出保护程序。
14.如权利要求13所述的用于冰机系统的多变量模型预测控制系统,其中所述冷却塔控制模块用于:执行冷却塔出水温度控制和冷却塔水质控制;其中所述冷却水泵控制模块用于:执行冷却水泵启动的台数及冷却水泵的运行频率的控制;其中所述冷冻水泵控制模块用于:执行冷冻水泵启动的台数及冷冻水泵的运行频率的控制;其中所述冰机主机控制模块用于:执行冰机的负荷的调控。
15.如权利要求13所述的用于冰机系统的多变量模型预测控制系统,其中基于历史大气干、湿球温度,利用人工智能模型预报未来数小时大气干、湿球温度,当目前及未来数小时温度数据均低于设定的温度阈值时,自动启动冷回收模块;启动后,当气温回升到温度阈值以上时,关闭冷回收模块,切回冰机制冷。
16.如权利要求13至15中任一所述的用于冰机系统的多变量模型预测控制系统,其中所述设备故障预警模块用于:基于传感器采集的数据,实时计算冰机系统中设备的健康度指数,当健康度指数低于预警阈值时,发出设备故障预警。
17.一种冰机系统,其特征在于,所述冰机系统设置有算法服务器,所述算法服务器搭载有权利要求13至16中任一所述的用于冰机系统的多变量模型预测控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032543.0A CN115950130A (zh) | 2023-01-10 | 2023-01-10 | 用于冰机系统的多变量模型预测控制系统、方法以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032543.0A CN115950130A (zh) | 2023-01-10 | 2023-01-10 | 用于冰机系统的多变量模型预测控制系统、方法以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115950130A true CN115950130A (zh) | 2023-04-11 |
Family
ID=87297865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310032543.0A Pending CN115950130A (zh) | 2023-01-10 | 2023-01-10 | 用于冰机系统的多变量模型预测控制系统、方法以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115950130A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116772471A (zh) * | 2023-08-23 | 2023-09-19 | 南京磁谷科技股份有限公司 | 一种冷水机组冷却水系统优化控制方法及冷却水系统 |
-
2023
- 2023-01-10 CN CN202310032543.0A patent/CN115950130A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116772471A (zh) * | 2023-08-23 | 2023-09-19 | 南京磁谷科技股份有限公司 | 一种冷水机组冷却水系统优化控制方法及冷却水系统 |
CN116772471B (zh) * | 2023-08-23 | 2023-11-07 | 南京磁谷科技股份有限公司 | 一种冷水机组冷却水系统优化控制方法及冷却水系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8909359B2 (en) | Process control systems and methods having learning features | |
EP3194865B1 (en) | Method and apparatus for optimizing control variables to minimize power consumption of cooling systems | |
CN110410942B (zh) | 一种冷热源机房节能优化控制方法及系统 | |
CN114963414B (zh) | 基于ai数据分析的空调系统智能调控装置 | |
US10962251B2 (en) | Air condition management apparatus, system, and method | |
CN115950130A (zh) | 用于冰机系统的多变量模型预测控制系统、方法以及设备 | |
CN115682357A (zh) | 一种以逼近度为中心的冷却水寻优方法及独立控制系统 | |
CN114396714B (zh) | 一种系统启动台数自动控制运行系统和方法 | |
CN104819141A (zh) | 一种空压站的控制方法及系统 | |
CN109028447A (zh) | 一种基于云计算的空调制冷机房智能控制系统以及控制方法 | |
CN116085936A (zh) | 一种中央空调能源站智慧能源管理系统、设备及介质 | |
CN116255716A (zh) | 一种中央空调人工智能负荷预测节能策略 | |
CN117421885B (zh) | 基于事件驱动机制的冷冻水系统优化控制方法 | |
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 | |
CN112682882A (zh) | 一种绿色高效节能制冷机房集合式模块的实施方法 | |
CN117091273A (zh) | 一种中央空调系统自适应学习数据模型的控制方法及装置 | |
CN116147128A (zh) | 一种暖通空调节能控制方法及系统 | |
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 | |
WO2022185110A1 (en) | Method and control system of a fluid system | |
CN114206071A (zh) | 基于双曲线冷却塔的数据中心冷却系统 | |
CN204677409U (zh) | 一种空压站的控制系统 | |
CN113757856A (zh) | 一种空调冷却水系统控制方法及装置 | |
CN113503749A (zh) | 一种用于间接空冷系统的智能水温控制方法 | |
CN116044738A (zh) | 冰机系统水泵的出水流量、压力优化控制方法、系统以及设备 |
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 |