CN116398994B - 一种基于负荷预测的冷水机组群控优化方法 - Google Patents
一种基于负荷预测的冷水机组群控优化方法 Download PDFInfo
- Publication number
- CN116398994B CN116398994B CN202310659069.4A CN202310659069A CN116398994B CN 116398994 B CN116398994 B CN 116398994B CN 202310659069 A CN202310659069 A CN 202310659069A CN 116398994 B CN116398994 B CN 116398994B
- Authority
- CN
- China
- Prior art keywords
- water
- load
- chilling unit
- cop
- water chilling
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000001816 cooling Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 239000000498 cooling water Substances 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000005057 refrigeration Methods 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000017525 heat dissipation Effects 0.000 abstract 1
- 238000011217 control strategy Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 101100001673 Emericella variicolor andH gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- IMBXRZKCLVBLBH-OGYJWPHRSA-N cvp protocol Chemical compound ClCCN(CCCl)P1(=O)NCCCO1.O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1.C([C@H](C[C@]1(C(=O)OC)C=2C(=C3C([C@]45[C@H]([C@@]([C@H](OC(C)=O)[C@]6(CC)C=CCN([C@H]56)CC4)(O)C(=O)OC)N3C=O)=CC=2)OC)C[C@@](C2)(O)CC)N2CCC2=C1NC1=CC=CC=C21 IMBXRZKCLVBLBH-OGYJWPHRSA-N 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Fuzzy Systems (AREA)
Abstract
本发明公开了基于负荷预测的冷水机组群控优化方法，包括如下步骤：基于历史运行数据和冷水机组特性曲线，建立负荷预测模型和冷水机组负荷匹配模型；根据历史运行数据和建筑特点，实时输入室内外空气温湿度、室内人员及设备的散热量等未来一段时间的参数，代入所建立的负荷预测模型中输出空调系统预测冷量；根据预测冷量，结合建立的冷水机组负荷匹配模型，给出最优的开机方案，对所开启的冷水机组台数和型号进行控制；将实测冷量和预测冷量进行对比，对负荷预测模型进行持续优化。该群控优化策略在利用预测控制思想解决系统时滞性问题的基础上，实现了冷水机组在高效的负荷区间内运行，有利于空调系统整体能效的提升。
Description
技术领域
本发明属于数据中心机房空调的节能优化控制领域，尤其涉及基于负荷预测的冷水机组群控优化方法。
背景技术
中央空调系统能耗在建筑能耗中占很大的比例，中央空调系统的自动控制策略不仅影响着室内温湿度等环境参数，也直接影响中央空调系统的能耗。在中央空调系统中，冷水机组是能耗占比最大的设备，其能耗一般占中央空调系统总能耗的60%~70%，故让冷水机组在高效的负荷区间内运行，降低其耗电量是实现整个中央空调系统运行节能的关键所在。
一般来讲，部分负荷率在区间60%~80%内时，冷水机组的运行效率最优。然而，现有对冷水机组的群控策略相对比较粗糙，不少项目仅通过供水温度或者回水温度来对冷水机组进行启停控制，没有做到对冷水机组负荷的合理分配。虽然也有学者提出了基于负荷的冷水机组群控策略，但忽视了冷水机组性能随使用时间的衰减，以及机组在启停过程中的时间延迟，同样无法对冷负荷进行最优分配，实现冷水机组在不同实际运行工况下耗电量最低的目标。
发明内容
发明目的：针对上述现有存在的问题和不足，本发明的目的是提供了一种基于负荷预测的冷水机组群控优化方法，解决了现有群控策略中多台冷水机组运行时负荷分配不合理的问题，能根据实际运行数据建立精确的负荷预测模型和负荷匹配模型，能够以负荷预测为指导给出不同负荷工况下最优的开机方案，并考虑到机组性能衰减等一系列复杂因素对模型进行修正，实现了冷水机组冷量最优节能分配。
技术方案：为实现上述发明目的，本发明采用以下技术方案：一种基于负荷预测的冷水机组群控优化方法，其特征在于包括以下步骤：
步骤S1，以制冷负荷为目标，建立冷水空调负荷预测模型；
步骤S2，采集冷水机组的实时实测数据或历史数据作为样本数据，并基于GA-BP人工神经网络对冷水空调负荷预测模型进行训练，得到冷水空调负荷预测模型的目标参数；
步骤S3，以冷水机组运行效率COP为目标，基于二次完全回归函数建立冷水机组负荷匹配模型COP-PLR；
步骤S4，采集不同型号冷水机组运行数据作为输入量输入到步骤S3建立的冷水机组负荷匹配模型，以冷却水进水温度T cd,in、冷冻水出水温度T ch,out 和部分负荷率PLR作为自变量，经过二次回归曲线拟合得到冷水机组负荷匹配模型的拟合系数，从而得到不同型号冷水机组优化后的冷水机组负荷匹配模型；
步骤S5，根据COP最大值对应的部分负荷率，划分负荷率空间阈值，从而确定不同负荷区间下冷水机组的最优开机方案，以确保开启的冷水机组整体COP值最高；
步骤S6，将预测冷量与实际采集的冷量进行对比，并对比实测冷水机组COP和根据冷水空调负荷预测模型计算的COP值进行比较，当相对误差超过预定值时，则对冷水机组负荷匹配模型进行修正。
进一步的，步骤S1所述冷水空调负荷预测模型如式（1）所示，
（1）
式中，t out 和t n 分别为τ时刻室外空气温度和室内空气温度，J τ 为τ时刻室外太阳辐射强度，N τ 为τ时刻新风机开启台数；H τ 和H n 分别为τ时刻室外空气的焓值和室内空气的焓值，v τ 为τ时刻室外主要风向平均风速，n τ 为室内人员数，q s和q l 分别为人员的显热和潜热发热量，W τ 为灯光设备发热量；系数集合A，为预测模型的目标参数。
进一步的，所述步骤S3中单台冷水机组负荷匹配模型，以冷却水进水温度T cd,in、冷冻水出水温度T ch,out 和部分负荷率PLR作为自变量建立数学模型，如式（2）所示，
（2）
式中，表示第i台冷水机组的运行效率，/>表示标准工况下冷水机组的运行效率，/>表示冷水机组的冷冻水出水温度，/>表示冷水机组的冷却水进水温度，表示部分负荷率，为当前承载符合与额定冷量的比值，/>表示标准工况下冷水机组部分负荷率；系数集合/>，/>为拟合系数，由运行数据通过二次回归曲线拟合获取。
进一步的，步骤S5中，当开启多台冷水机组时，总冷水机组运行效率与部分负荷率/>的值满足下式（3），
（3）
式中，表示总冷水机组运行效率，/>表示第1台冷水机组运行效率，/>表示第2台冷水机组运行效率，/>表示第i台冷水机组运行效率，/>表示第n台冷水机组运行效率，/>表示第n台冷水机组的装机容量，/>表示总的冷负荷，/>表示第n台冷水机组的部分负荷率；
然后，通过建立COP-PLR曲线，并根据COP最大值点对应的部分负荷率，划分负荷率区间阈值，确定不同负荷区间的最优开机方案，使得所开启的主机整体COP值最高。
进一步的，所述冷冻水出水温度和冷却水进水温度的值分别取标准工况下的7℃和30℃。
进一步的，步骤S6所述预定值为10%。
进一步的，步骤S6中当相对误差超过预定值时，重复步骤（3）和（4）对冷水机组负荷匹配模型进行修正。
有益效果：与现有技术相比，本发明具有以下优点：
1.本发明采用GA-BP神经网络模型对实测数据进行训练，建立了精准的负荷预测模型，通过预测未来时段内的建筑负荷来控制冷水机组的加减载，利用前馈思想解决了实际控制中的滞后问题，能够更加及时地满足末端负荷的需求。
2.本发明基于实测数据建立了不同开机方案下主机COP和部分负荷率PLR之间的数学模型，并给出不同负荷率区间的开机方案，有利于冷水机组在高效负荷率区间运行，实现机组总耗电量最低的目标。
3.本发明在对冷水机组进行优化控制的同时，也对负荷预测模型和冷水机组负荷匹配模型进行持续的优化和修正，有利于提升模型精度，保证控制策略在系统长时间运行后的节能效果。
附图说明
图1是本发明所述基于负荷预测的冷水机组群控优化方法的流程示意图；
图2是本发明所述负荷预测过程示意图；
图3是本发明所述GA-BP神经网络计算原理图；
图4是本发明所述冷水机组负荷匹配模型建立流程示意图；
图5是本发明实施例中不同开机组合方案下主机运行效率COP和冷负荷关系曲线对比图；
图6是本发明实施例中冷水机组性能包络面示意图；
图7是本发明实施例中冷水机组基于有效运行数据的冷水机组性能包络线。
实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1和2所示，本发明的基于负荷预测的冷水机组群控策略，包括建立空调负荷预测模型和冷水机组负荷匹配模型；实时输入负荷预测模型需要的关键参数；输出预测冷量，并结合负荷匹配模型给出使系统能耗最低的开机方案；将预测冷量和实际采集到的冷量对比，并对比实测的机组COP和根据负荷匹配模型计算的COP值进行对比。对负荷预测模型和匹配模型进行校正。
所述的空调负荷预测模型，其建立流程如图2所示。首先根据空调负荷的计算原理，结合建筑的特点，来构建适合目标建筑供冷负荷计算的物理模型。一般来讲，冷负荷组成包括围护结构传热量、太阳辐射量、有组织新风带入热量、无组织渗透风带入热量、人体散热量和设备发热量六个部分，τ时刻的建筑总负荷计算公式如下式（1）：
（1）
式中，t out 和t n 分别为τ时刻室内外空气温度，℃；J τ 为τ时刻室外太阳辐射强度，W/m2；N τ 为τ时刻新风机开启台数；H τ 和H n 分别为τ时刻室内外空气的焓值，kJ/kg；v τ 为τ时刻室外主要风向平均风速，m/s；n τ 为室内人员数；q s和q l 分别为人员的显热和潜热发热量，W；W τ 为灯光设备发热量，W。
根据负荷计算公式，其中系数集合A，为预测模型的目标参数，这7个参数需要通过实测数据训练获得，训练工具为GA-BP人工神经网络，最后输入负荷预测模型需要的关键参数，输出预测的冷量值。
所述的GA-BP人工神经网络，其计算原理如图3所示。BP神经网络的基本网络结构为前馈神经网络，它是人工神经网络中的一种。BP神经网络由输入层、若干隐藏层以及输出层三部分组成。GA是模拟达尔文提出的生物进化论过程的一个计算模型，它有选择、交叉及变异三项核心工作。选择是为了将优化的个体或经过交叉配对产生的新个体直接遗传至下一代，交叉是为了将各优良的个体进行随机搭配，变异是为了将个体中的染色体以一定概率进行变异改变。其中，交叉工作是遗传算法中的核心。将GA算法与BP神经网络融合的目的在于，GA的全局搜索能力可为BP神经网络提供最优的全局初始权值和阈值，从而解决由于BP神经网络的初始权值和阈值未有全局最优值而陷入局部最优解的问题。
本发明筛选采用GA-BP人工神经网络作为预测模型的训练机制，BP神经网络由输入层、若干隐藏层以及输出层三部分组成，并将GA算法与BP神经网络融合的目的在于，GA的全局搜索能力可为BP神经网络提供最优的全局初始权值和阈值，从而解决由于BP神经网络的初始权值和阈值未有全局最优值而陷入局部最优解的问题，尤其针对本申请机房空调群控应用中，
所述的冷水机组负荷匹配模型，其建立流程如图4所示。可以认为，冷水机组的COP主要与冷却水进水温度T c,in、冷冻水出水温度T e,out以及部分负荷率PLR三个因素相关，其数学关系式为下式（2）：
（2）
上式中，表示第i台冷水机组的运行效率，/>表示标准工况下冷水机组的运行效率，/>表示冷水机组的冷冻水出水温度，/>表示冷水机组的冷却水进水温度，/>表示部分负荷率，为当前承载符合与额定冷量的比值，/>表示标准工况下冷水机组部分负荷率示；系数集合/>，/>为拟合系数，由运行数据通过二次回归曲线拟合获取，不同型号的冷水机组几个参数有所差异。其中冷冻水出水温度和冷却水进水温度分别取标准工况下的7℃和30℃。
在建立几种型号机组COP-PLR数学模型的基础上，可以建立不同开机方案下机组COP-PLR数学模型，并根据COP最大值点对应的部分负荷率，划分负荷率区间阈值，确定不同负荷区间的最优开机方案，使得所开启的主机整体COP值最高。当开启n台机组时，由于多台冷水机组是并联的，可认为各台冷水机组所承担的冷负荷基本相同。假设第一台到第n台冷水机组的性能系数分别为COP1、COP2……COPn，则根据COP的定义可以得到n台主机整体的性能系数COP总，如下式所示：
式中，COP1、COP2……COPn均根据上文所述的COP与冷却水进水温度T c,in、冷冻水出水温度T e,out以及部分负荷率PLR的数学关系模型进行计算，不同型号主机的拟合系数也不同。假设总的冷负荷为Q，第n台主机的装机容量为M n，则其部分负荷率PLRn满足如下关系式：
所述的负荷预测模型校正，能够计算实际冷量和预测冷量之间的相对误差，相对误差值要求最大不能超过10%。如果相对误差偏大，则会结合实际运行时的负荷变化情况对预测模型中的参数进行修正。
所述的负荷匹配模型校正，能够计算主机实际运行COP和根据COP-PLR曲线理论计算曲线获得的COP之间的相对误差，要求最大不能超过10%。如果相对误差偏大，则能够对单台机组性能拟合数学模型中的参数进行修正。以下通过典型测试日冷水机组运行情况进行说明。
表1不同型号冷水机组拟合参数表
表2 典型测试日冷水机组运行参数表
通过上表和图5-7可知，本发明相比于传统的人工神经网络模型，其收敛速度更快，具有更高的精度，同时实现冷水机组在不同实际运行工况下耗电量最低的目标，保证了控制策略在系统长时间运行后的节能效果。
本发明主要创新技术在于：
1.本发明采用改进的人工神经网络模型，在传统的BP人工神经网络的基础之上，将遗传算法与之结合，为BP神经网络提供最优的全局初始权值和阈值。相比于传统的人工神经网络模型，其收敛速度更快，具有更高的精度。
2. 建立冷水空调负荷预测模型时，以负荷随时间波动幅度作为负荷预测时间步长，并充分考虑冷水机组加减载所需时间，将作为/>的时间步长，是机组加减载所需时间，/>是负荷波动幅度时长。
3.建立冷水机组负荷匹配模型时，采用二次回归曲线进行拟合，并考虑了不同型号机组的差异，并基于COP-PLR特性曲线的实时比较，对冷水机组不同工况下的模型进行及时响应和修正，克服了冷水机组性能随使用时间的衰减，以及机组在启停过程中的时间延迟带来的影响，实现冷水机组在不同实际运行工况下耗电量最低的目标，保证了控制策略在系统长时间运行后的节能效果。
4.本发明在对冷水机组进行优化控制的同时，也对负荷预测模型和冷水机组负荷匹配模型进行持续的优化和修正，有利于提升模型精度，保证控制策略在系统长时间运行后的节能效果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其技术构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于负荷预测的冷水机组群控优化方法，其特征在于包括以下步骤：
步骤S1，以制冷负荷Qτ为目标，建立冷水空调负荷预测模型；
步骤S2，采集冷水机组的实时实测数据或历史数据作为样本数据，并基于GA-BP人工神经网络对冷水空调负荷预测模型进行训练，得到冷水空调负荷预测模型的目标参数；
步骤S3，以冷水机组运行效率COP为目标，基于二次完全回归函数建立冷水机组负荷匹配模型COP-PLR；
步骤S4，采集不同型号冷水机组运行数据作为输入量输入到步骤S3建立的冷水机组负荷匹配模型，以冷却水进水温度Tcd,in、冷冻水出水温度Tch,out和部分负荷率PLR作为自变量，经过二次回归曲线拟合得到冷水机组负荷匹配模型的拟合系数，从而得到不同型号冷水机组优化后的冷水机组负荷匹配模型；
步骤S5，根据COP最大值对应的部分负荷率，划分负荷率空间阈值，从而确定不同负荷区间下冷水机组的最优开机方案，以确保开启的冷水机组整体COP值最高；
步骤S6，将预测冷量与实际采集的冷量进行对比，并对比实测冷水机组COP和根据冷水空调负荷预测模型计算的COP值进行比较，当相对误差超过预定值时，则对冷水机组负荷匹配模型进行修正；
所述步骤S3中单台冷水机组负荷匹配模型，以冷却水进水温度Tcd,in、冷冻水出水温度Tch,out和部分负荷率PLR作为自变量建立数学模型，如式(2)所示，
式中，COPi表示第i台冷水机组的运行效率，COPref表示标准工况下冷水机组的运行效率，Tch,out表示冷水机组的冷冻水出水温度，Tcd,in表示冷水机组的冷却水进水温度，PLR表示部分负荷率，为当前承载符合与额定冷量的比值，PLReq表示标准工况下冷水机组部分负荷率；系数集合Bi，Bi＝{bi,1,bi,2,bi,3,bi,4,bi,5,bi,6,bi,7,bi,8,bi,9}为拟合系数，由运行数据通过二次回归曲线拟合获取。
2.根据权利要求1所述基于负荷预测的冷水机组群控优化方法，其特征在于：步骤S1所述冷水空调负荷预测模型如式(1)所示，
Qτ＝a1(tout-tn)+a2Jτ+a3Nτ(Hτ-Hn)+a4(Hτ-Hn)+1.2a5vτ 2(Hτ-Hn)+a6nτ(qs+ql)+a7Wτ (1)
式中，tout和tn分别为τ时刻室外空气温度和室内空气温度，Jτ为τ时刻室外太阳辐射强度，Nτ为τ时刻新风机开启台数；Hτ和Hn分别为τ时刻室外空气的焓值和室内空气的焓值，vτ为τ时刻室外主要风向平均风速，nτ为室内人员数，qs和ql分别为人员的显热和潜热发热量，Wτ为灯光设备发热量；系数集合A，A＝{a1,a2,a3,a4,a5,a6,a7}为预测模型的目标参数。
3.根据权利要求1所述基于负荷预测的冷水机组群控优化方法，其特征在于：步骤S5中，当开启多台冷水机组时，总冷水机组运行效率COPall与部分负荷率PLRn的值满足下式(3)，
式中，COPall表示总冷水机组运行效率，COP1表示第1台冷水机组运行效率，COP2表示第2台冷水机组运行效率，COPi表示第i台冷水机组运行效率，COPn表示第n台冷水机组运行效率，Mn表示第n台冷水机组的装机容量，Q表示总的冷负荷，PLRn表示第n台冷水机组的部分负荷率；
然后，通过建立COP-PLR曲线，并根据COP最大值点对应的部分负荷率，划分负荷率区间阈值，确定不同负荷区间的最优开机方案，使得所开启的主机整体COP值最高。
4.根据权利要求1所述基于负荷预测的冷水机组群控优化方法，其特征在于：所述冷冻水出水温度和冷却水进水温度的值分别取标准工况下的7℃和30℃。
5.根据权利要求1所述基于负荷预测的冷水机组群控优化方法，其特征在于：步骤S6所述预定值为10％。
6.根据权利要求1所述基于负荷预测的冷水机组群控优化方法，其特征在于：步骤S6中当相对误差超过预定值时，重复步骤(3)和(4)对冷水机组负荷匹配模型进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659069.4A CN116398994B (zh) | 2023-06-06 | 2023-06-06 | 一种基于负荷预测的冷水机组群控优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659069.4A CN116398994B (zh) | 2023-06-06 | 2023-06-06 | 一种基于负荷预测的冷水机组群控优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116398994A CN116398994A (zh) | 2023-07-07 |
| CN116398994B true CN116398994B (zh) | 2023-10-27 |
Family
ID=87020203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310659069.4A Active CN116398994B (zh) | 2023-06-06 | 2023-06-06 | 一种基于负荷预测的冷水机组群控优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116398994B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117146382B (zh) * | 2023-10-31 | 2024-01-19 | 西华大学 | 一种智能化调适系统优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108039710A (zh) * | 2017-11-13 | 2018-05-15 | 国网辽宁省电力有限公司 | 一种基于阶跃特性的空调负荷参与的电网日前调度方法 |
| CN111256294A (zh) * | 2020-01-17 | 2020-06-09 | 深圳市得益节能科技股份有限公司 | 一种基于模型预测的冷水机组组合运行优化控制方法 |
| CN112556103A (zh) * | 2020-12-07 | 2021-03-26 | 上海电科智能系统股份有限公司 | 一种基于负荷预测的大系统节能控制方式及系统 |
| CN114282729A (zh) * | 2021-12-29 | 2022-04-05 | 天津大学 | 一种基于负荷预测的冰蓄冷空调优化调度方法 |
| WO2023040694A1 (zh) * | 2021-09-17 | 2023-03-23 | 上海美控智慧建筑有限公司 | 制冷机房能效计算方法、装置和电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275240B (zh) * | 2019-12-27 | 2023-06-09 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
-
2023
- 2023-06-06 CN CN202310659069.4A patent/CN116398994B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108039710A (zh) * | 2017-11-13 | 2018-05-15 | 国网辽宁省电力有限公司 | 一种基于阶跃特性的空调负荷参与的电网日前调度方法 |
| CN111256294A (zh) * | 2020-01-17 | 2020-06-09 | 深圳市得益节能科技股份有限公司 | 一种基于模型预测的冷水机组组合运行优化控制方法 |
| CN112556103A (zh) * | 2020-12-07 | 2021-03-26 | 上海电科智能系统股份有限公司 | 一种基于负荷预测的大系统节能控制方式及系统 |
| WO2023040694A1 (zh) * | 2021-09-17 | 2023-03-23 | 上海美控智慧建筑有限公司 | 制冷机房能效计算方法、装置和电子设备 |
| CN114282729A (zh) * | 2021-12-29 | 2022-04-05 | 天津大学 | 一种基于负荷预测的冰蓄冷空调优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116398994A (zh) | 2023-07-07 |
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 | |
| CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
| CN108413567B (zh) | 基于物联网的中央空调节费优化方法与系统 | |
| CN109711080B (zh) | 一种冷热电联供系统多时间尺度优化运行方法 | |
| CN109945402A (zh) | 一种中央空调水系统节能方法 | |
| 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 | |
| CN110107989A (zh) | 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法 | |
| CN105320118A (zh) | 基于云平台的空调系统电力需求响应控制方法 | |
| Meng et al. | Thermal energy storage air-conditioning demand response control using elman neural network prediction model | |
| CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
| CN115220351B (zh) | 一种基于云边端的建筑空调系统智能节能优化控制方法 | |
| CN105303247A (zh) | 一种园区型冷热能源混合应用的能源网络调控方法及系统 | |
| CN113255198B (zh) | 一种含虚拟储能的冷热电联供微电网多目标优化方法 | |
| CN111105090B (zh) | 一种基于智能算法的分布式能源系统优化调度方法及装置 | |
| CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
| CN113757852B (zh) | 基于数字孪生技术的多联机空调机组控制方法及控制系统 | |
| 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 | |
| CN114251753A (zh) | 一种冰蓄冷空调冷负荷需求预测分配方法及系统 | |
| Zheng | Research on energy-saving control and optimisation of air conditioning system based on genetic algorithm | |
| Shen et al. | Multi-objective optimal scheduling considering low-carbon operation of air conditioner load with dynamic carbon emission factors | |
| CN113821902B (zh) | 一种用于中央空调制冷站静态优化的自抗扰控制系统 | |
| CN111928428A (zh) | 一种考虑需求响应的空调系统的控制方法及制冷系统 | |
| CN111043720A (zh) | 负荷不确定性下制冷系统低成本鲁棒性调适策略制定方法 | |
| Chen et al. | Model Free Adaptive Control for Air-Conditioning System in Office Buildings Based on Improved NSGA-II Algorithm | |
| CN115796055B (zh) | 一种基于完整空调系统仿真模型的优化运行调节方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |