CN116840605B - 一种高效制冷机房能效预测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，提出了一种高效制冷机房能效预测方法，包括：获取制冷机房的温度数据、流速数据、流速的管横截面积数据和功率；根据设备功率变化获取每个制冷设备对应的设备响应时间；根据每个制冷设备对应的设备响应时间和温度数据获取制冷机房在设备响应时间内的相对制冷量；根据冷冻液流速数据、温度数据和流速的管横截面积数据获取每个制冷设备对应的局部相对热值；根据制冷设备对应的局部相对热值和制冷机房相对制冷量建立神经网络，获取相对制冷量预测值；根据功率、相对制冷量预测值和制冷机房相对制冷量实现对高效能制冷机房能效的监测。本发明可解决现有的对制冷机房的能效监测不准确的问题。

Description

一种高效制冷机房能效预测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种高效制冷机房能效预测方法。

背景技术

制冷系统是日常生活、生产制造广泛使用的设备，近年来，节能环保是制冷系统在科技领域改进的一个重要发展方向，常常通过减少能耗实现节能减排。目前，制冷系统的能源利用率是通过能效来判断的，能效是制冷设备制冷量和整个制冷系统制冷量的比值，能效值越高，制冷系统能源利用率越高，越有利于低碳减排。在当前计算制冷量时，往往通过环境负载产生的热值反推出制冷系统制冷量，而环境负载产生的热值一般为根据多次试验求取平均值，误差较大，所以反推出的制冷系统制冷量只能作为制冷系统出厂的一个性能指标，所以，该方法仅仅适用于一般的家庭整装制冷系统。对于需要实时测量能效或针对工业设计的大型制冷机房，上述能效计算方法复杂，缺乏实效性，无法满足如今新兴的智慧制冷系统系统对能效监测的要求。

所以，需要一种针对制冷机房的更为准确的实时能效监测方法。

发明内容

本发明提供一种高效制冷机房能效预测方法，以解决现有的对大型中央制冷系统的能效监测不准确的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种高效制冷机房能效预测方法，该方法包括以下步骤：

在制冷机房设置传感器，获取温度数据、流速数据、流速的管横截面积数据和功率；

根据设备功率变化获取每个制冷设备对应的设备响应时间；

根据每个制冷设备对应的设备响应时间和采集的温度数据获取制冷机房在设备响应时间内的相对制冷量；

根据冷冻液流速数据、温度数据和流速的管横截面积数据获取每个制冷设备对应的局部相对热值；

根据制冷设备对应的局部相对热值和制冷机房相对制冷量建立相对制冷量预测神经网络，获取相对制冷量预测值，根据功率、相对制冷量预测值和制冷机房相对制冷量实现对高效能制冷机房能效的监测。

优选的，所述温度数据，获取的具体方法为：

制冷液的温度采用防腐的金属铂温度感应器获取，在采集数据的过程中，须防腐放置制冷液腐蚀传感器。

优选的，所述根据设备功率变化获取每个制冷设备对应的设备响应时间，包括的具体方法为：

分别以每个制冷设备作为待分析制冷设备，将其他制冷设备作为从属制冷设备；

保持从属制冷设备在固定功率下工作，控制待分析制冷设备功率呈最大功率至最小功率之间往复变化，获取一段功率变化脉冲；

将功率脉冲最开始变化的第一个周期时间记为功率脉冲初始周期，在第一个功率脉冲初始周期结束后，加快功率脉冲的频率，使第二个功率脉冲初始周期时间中，压缩机功率呈最大功率至最小功率之间往复变化出现两个周期的变化，在第二个功率脉冲初始周期结束后，加快功率脉冲的频率，使第三个功率脉冲初始周期时间中，压缩机功率呈最大功率至最小功率之间往复变化出现四个周期的变化，以此类推；

从频率脉冲开始，实时获取冷却液冷凝器入口设置传感器位置的温度变化，以横轴为时间，纵轴为温度，获取功率-时间线性关系图；

根据功率-时间线性关系图和预设时间获取方法获取第三时间、第四时间和第五时间；

根据第三时间、第四时间和第五时间获取待分析制冷设备对应的设备响应时间。

优选的，所述固定功率获取的具体方法为：

从属制冷设备的固定功率为其最大工作功率与最小工作功率的均值。

优选的，所述根据第三时间、第四时间和第五时间获取待分析制冷设备对应的设备响应时间，包括的具体方法为：

将待分析制冷设备对应的第四时间和第五时间的均值记为第一均值；

获取待分析制冷设备对应的第三时间与第一均值的差值，将所述差值记为待分析制冷设备对应的设备响应时间。

优选的，所述制冷设备包括的具体设备为：

制冷设备包含冷却泵、压缩机、冷冻泵、制冷液冷却塔风扇和冷却液冷却塔风扇。

优选的，所述根据每个制冷设备对应的设备响应时间和采集的温度数据获取制冷机房在设备响应时间内的相对制冷量，获取的具体方法为：式中，/>为制冷机房相对制冷量；为位置9处传感器在t时刻的温度数据；/>为位置10处传感器在/>时刻的温度数据；/>为位置9处传感器在t时刻的流速数据；/>为位置9处传感器在t时刻的流速的管横截面积数据。

优选的，所述根据冷冻液流速数据、温度数据和流速的管横截面积数据获取每个制冷设备对应的局部相对热值，获取的具体方法为：

压缩机对应的局部相对热值获取的方法为：式中，为/>时刻压缩机对应的局部相对热值；/>为压缩机对应的排出传感器位置在t时刻的流速数据；/>为压缩机对应的排出传感器位置在t时刻的温度数据；为压缩机对应的排出传感器位置t时刻的流速的管横截面积数据；/>为压缩机对应的排入传感器位置t时刻的流速数据；/>为压缩机对应的排入传感器位置t时刻的温度数据；/>为压缩机对应的排入传感器位置t时刻的流速的管横截面积数据；

获取冷却泵、冷冻泵、制冷液冷却塔风扇和冷却液冷却塔风扇对应的局部相对热值。

优选的，所述根据制冷设备对应的局部相对热值和制冷机房相对制冷量建立相对制冷量预测神经网络获取相对制冷量预测值，包括的具体方法为：

将对应时刻的所有制冷设备对应的局部相对热值输入到预先训练好的由神经网络构成的相对制冷量的预测网络中，获取相对制冷量预测值，构成相对制冷量的预测网络采用GRU神经网络，将均方误差作为损失函数，将局部相对热值作为时序系列参数输入神经网络，实现对最终相对制冷量的预测。

优选的，所述根据功率、相对制冷量预测值和制冷机房相对制冷量实现对高效能制冷机房能效的监测，包括的具体方法为：

将相对制冷量预测值与制冷机房相对制冷量的差值的绝对值记为制冷量预测差值；

获取制冷量预测差值与制冷设备总耗电功率的比值，将所述比值记为能效的实时检测值，其中，制冷设备总耗电功率为所有制冷设备对应的功率之和；

取第一时间阈值内的所有实时检测值，将所有实时检测值的均方差记为能效异常指数；

当能效异常指数大于第一预设阈值时，则认为制冷设备的能效出现异常，制冷设备出现故障，否则，认为制冷设备的能效在正常范围内，完成对高效能制冷机房能效的监测。

本发明的有益效果是：

本文根据制冷机房的各项参数进行分析，在制冷机房的各项参数无法直接获取最终制冷量的现状下，通过采用对照实验的思想，获取制冷机房不同设备的对循环系统影响到达最终制冷效果输出处的响应时间；然后，为了衡量设备对于最终制冷量的所有影响信息，基于响应时间和测量数据获取特征值；最后，构建神经网络模型，根据特征值和设备参数对制冷量进行预测，结合设备功效完成对设备实时能效的监测，得到最终的能效异常指数，根据能效异常指数实现对对高效能制冷机房的预测。本方案根据制冷机房的各项参数直接实现对设备能效的实时精准预测，且检测方法简便，解决了大型中央制冷系统在使用的过程中制冷系统的运行参数经常发生变化导致制冷系统的能效监测不准确的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种高效制冷机房能效预测方法流程示意图。

图2为制冷机房包含的多个设备示意图。

图3为功率-时间线性关系图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例所提供的一种高效制冷机房能效预测方法流程图，该方法包括以下步骤。

步骤S001、在制冷机房设置传感器，获取温度数据、流速数据、流速的管横截面积数据和功率。

制冷机房包含多个制冷设备，不同制冷设备间相互协作进行制冷工作，实现室内的降温，所以，不同设备之间的远近距离不同，制冷机房包含的多个设备示意图如图2所示。图2中，数字标号为设置传感器的位置，为方便理解，将数字标号位置分别记为位置1-10。

在制冷机房不同设备之间的多个连接管设置传感器，分别用于获取制冷液流速和制冷液流速的管横截面积，将获取的数据分别记为流速数据和流速的管横截面积数据，获取制冷液流速和制冷液流速的管横截面积的传感器设置位置具体为图2中位置1-9处。在冷却液冷凝器入口处设置传感器获取冷却液冷凝器入口处温度，传感器设置位置具体为图2中位置1-10处。在制冷机房包含制冷设备设置传感器获取制冷设备对应的功率，其中，制冷设备包含冷却泵、压缩机、冷冻泵、制冷液冷却塔风扇、冷却液冷却塔风扇。

流速数据采用磁感应流量计获取，磁感应流量计可使用Yokogawa ADMAG AXR；制冷液的温度采用防腐的金属铂温度感应器获取，在采集数据的过程中，必须防腐放置制冷液腐蚀传感器；功率采用功率计采集，功率计采集可使用青智8902F2三相功率计。

步骤S002、根据设备功率频率变化获取设备响应时间。

由于制冷设备的结构复杂，当一个制冷设备功率发生变化时，其余冷却液冷凝器入口位置的测量温度会随之发生改变，但是冷却液冷凝器入口位置的测量温度的变化时间会滞后于制冷设备功率发生变化的时间。因此，需要计算其余制冷设备相对于功率发生变化的制冷设备的响应时间。但制冷设备功率与其余九个位置的测量温度的变化关系是一个复杂的非线性函数，难以获取对应的具体函数解析式，因此，本实施例采用对照实验的思想测量制冷设备响应时间。

制冷设备包含冷却泵、压缩机、冷冻泵、制冷液冷却塔风扇和冷却液冷却塔风扇，不同制冷设备对应的响应时间有所区别，所以需要分别对相应时间进行获取。

保持除压缩机外其它制冷设备在固定功率下工作，制冷设备的固定功率为其最大工作功率与最小工作功率的均值，控制压缩机功率呈最大功率至最小功率之间往复变化，功率的变化与时间呈线性关系，即一段功率变化脉冲。

为模拟在实际的智能制冷系统调控系统中，功率实时调整的复杂情况，对功率变化脉冲进行倍频操作，具体为：在控制压缩机功率呈最大功率至最小功率之间往复变化的过程中，功率脉冲最开始变化的第一个周期时间T记为功率脉冲初始周期，在第一个功率脉冲初始周期结束后，加快功率脉冲的频率，使下一个功率脉冲初始周期时间，控制压缩机功率呈最大功率至最小功率之间往复变化出现两个周期的变化，以此类推，如图3所示。其中，功率脉冲初始周期T经验值取5秒。

从频率脉冲开始，实时获取冷却液冷凝器入口设置传感器位置（即图2中位置9处）的温度变化，以横轴为时间，纵轴为温度，获取功率-时间线性关系图，如图3所示。

根据功率-时间线性关系图获取位置9处温度出现波动的时间，将温度出现波动的时间记为第一时间，将温度停止波动的时间为第二时间，取功率-时间线性关系图中第一时间至第二时间的定积分，将取得的定积分记为第一定积分；取第二时间至第三时间的定积分，将取得的定积分记为第二定积分，第三时间使第二定积分等于一半的第一定积分，记第三时间为相应波动时间。记频率脉冲的开始时间为第四时间，频率脉冲的结束时间为第五时间。

采用积分取中值的方式得到相应波动时间而不使用时间取中值，是因为系统模型是一个混沌模型。即功率的波动变化和最终的测量波动之间的关系并非线性关系，而是一系列非常复杂的非线性关系构成的混沌关系，导致最终测量到的波动复杂，所以，不能直接取第一时间和第二时间中值为波动中点的时间点。采用积分取中值的方式可以完整的记录功率波动对混沌系统的影响，积分值即为功率对系统影响的总值，积分值取中值的时间点对应功率变化的中值。

根据上述分析，获取压缩机对应的设备响应时间。式中，/>为压缩机对应的设备响应时间，/>第三时间，/>为第四时间，/>为第五时间。

压缩机对应的设备响应时间即为压缩机功率发生变化时，冷却液冷凝器入口位置的测量温度随之发生改变的滞后时间。

为减少测量的误差，重复上述步骤，取得个压缩机对应的设备响应时间，获取这/>个压缩机对应的设备响应时间的均值作为压缩机对应的设备响应时间的更新值，对压缩机对应的设备响应时间进行更新。其中，/>为第一常数，经验值取5，实施者可根据需要进行选取。

同理，获取冷冻泵、冷却泵、冷冻冷却塔和冷却冷却塔对应的设备响应时间，分别记为。

至此，获取每个制冷设备对应的设备响应时间。

步骤S003、根据每个制冷设备对应的设备响应时间和采集的温度数据获取制冷机房在设备响应时间内的相对制冷量。

冷冻液化学物理性质复杂，在整个冷冻液循环系统中物理状态会产生变化，无法直接计算制冷量。但是在局部的制冷过程中，冷冻液是以液态存在，因此，可通过流速变化和温度变化的乘积获取制冷机房的制冷量，然后，通过冷冻液流速和温度的乘积获取制冷设备的局部热值情况，最后，通过制冷量变化情况和各个设备功率的比值获取局部的实时能效变化情况。

通过流速变化和温度变化的乘积获取制冷机房的制冷量。

由于制冷机房制冷的制冷效果输出到外部环境输出口在位置9，所以获取位置9处的温度作为制冷设备进行制冷后的最终温度；由于冷凝器是外部环境流入制冷机房后，接触制冷机组的第一个元件，因此将冷冻液进入冷凝器的所在位置10处的温度作为制冷设备进行制冷前的开始温度；由于位置10处与冷却泵的所处位置十分接近，因此将冷却泵的设备响应时间作为位置10处的响应时间。

所以，根据所有制冷设备对应的设备响应时间和获取的温度数据获取制冷机房相对制冷量。式中，/>为制冷机房相对制冷量；/>为位置9处传感器在t时刻的温度数据；/>为位置10处传感器在/>时刻的温度数据；/>为位置9处传感器在t时刻的流速数据；/>为位置9处传感器在t时刻的流速的管横截面积数据。

式中，为t时刻整个制冷系统对循环系统的温度影响；为整个制冷系统对整个循环系统的实时制冷贡献，包含了制冷系统的制冷信息，而非实际制冷量。

步骤S004、根据冷冻液流速数据、温度数据和流速的管横截面积数据获取制冷设备的局部相对热值。

根据冷冻液流速数据、温度数据和流速的管横截面积数据对制冷设备的局部热值情况进行评价。其中，制冷设备仍为冷却泵、压缩机、冷冻泵、制冷液冷却塔风扇和冷却液冷却塔风扇。

对压缩机的局部热值情况进行分析。式中，为/>时刻压缩机对应的局部相对热值；/>为压缩机对应的排出传感器位置在t时刻的流速数据；/>为压缩机对应的排出传感器位置在t时刻的温度数据；为压缩机对应的排出传感器位置t时刻的流速的管横截面积数据；/>为压缩机对应的排入传感器位置t时刻的流速数据；/>为压缩机对应的排入传感器位置t时刻的温度数据；/>为压缩机对应的排入传感器位置t时刻的流速的管横截面积数据。

其中，压缩机对应的排出传感器位置为位置6处传感器位置，排入传感器位置为位置5处传感器位置。

流速和横截面积的乘积代表实时通过的液体量，将流速和横截面积的乘积再与温度相乘可以获取流过液体的热值特征值。在制冷机房中任一制冷设备流过的液体材料保持不变，所以，通过液体热值特征值的变化量，可以反映压缩机对整个制冷系统的热值影响。同时，流速数据、温度数据为与时间相关的实时信息，所以，根据当前时间t和压缩机对应的设备响应时间,/>为t时刻压缩机对测量处的相对热值影响，即/>时刻压缩机对应的局部相对热值。

同理，分别获取冷冻泵、冷却泵、冷冻冷却塔和冷却冷却塔对应的局部相对热值，分别记为。其中，冷冻泵对应的排出传感器位置为位置7处传感器位置，排入传感器位置为位置6处传感器位置；冷却泵对应的排出传感器位置为位置4处传感器位置，排入传感器位置为位置3处传感器位置；冷冻冷却塔对应的排出传感器位置为位置8处传感器位置，排入传感器位置为位置7处传感器位置；冷却冷却塔对应的排出传感器位置为位置2处传感器位置，排入传感器位置为位置1处传感器位置。

至此，获取每个制冷设备对应的局部相对热值。

步骤S005、根据制冷设备对应的局部相对热值和制冷机房相对制冷量建立相对制冷量预测神经网络，获取相对制冷量预测值，根据功率、相对制冷量预测值和制冷机房相对制冷量实现对高效能制冷机房能效的监测。

将对应时刻的五个制冷设备对应的局部相对热值输入到预先训练好的由神经网络构成的相对制冷量预测神经网络中，获取相对制冷量预测值。本实施例中，构成相对制冷量预测神经网络采用GRU神经网络，将局部相对热值作为时序系列参数输入神经网络，可准确的提取到局部相对热值所包含的信息，实现对最终相对制冷量的预测，时间长度R经验值取5分钟，采用均方误差作为损失函数。其中，采用神经网络构成相对制冷量预测神经网络，并对相对制冷量预测神经网络进行相应训练的具体实现过程属于现有技术，此处不再赘述。

将相对制冷量预测值与制冷机房相对制冷量的差值的绝对值记为制冷量预测差值，取制冷量预测差值与制冷设备总耗电功率的比值，将该比值记为能效的实时检测值。其中，制冷设备总耗电功率为当前时刻所有制冷设备对应的功率之和。取第一时间阈值内的所有实时检测值，取所有实时检测值的均方差，将该均方差记为能效异常指数。其中，第一时间阈值经验值为1分钟。

当能效异常指数大于第一预设阈值时，则认为制冷设备的能效出现异常，制冷设备出现故障，否则，认为制冷设备的能效在正常范围内，完成对高效能制冷机房能效的监测。其中，第一预设阈值经验值为1，实施者可根据需要进行选取。

需要说明的是，上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (4)

1.一种高效制冷机房能效预测方法，其特征在于，该方法包括以下步骤：

在制冷机房设置传感器，获取温度数据、流速数据、流速的管横截面积数据和功率；

根据设备功率变化获取每个制冷设备对应的设备响应时间；

根据每个制冷设备对应的设备响应时间和采集的温度数据获取制冷机房在设备响应时间内的相对制冷量；

根据冷冻液流速数据、温度数据和流速的管横截面积数据获取每个制冷设备对应的局部相对热值；

根据制冷设备对应的局部相对热值和制冷机房相对制冷量建立相对制冷量预测神经网络，获取相对制冷量预测值，根据功率、相对制冷量预测值和制冷机房相对制冷量实现对高效能制冷机房能效的监测；

其中，所述根据设备功率变化获取每个制冷设备对应的设备响应时间，包括的具体方法为：

分别以每个制冷设备作为待分析制冷设备，将其他制冷设备作为从属制冷设备；

保持从属制冷设备在固定功率下工作，控制待分析制冷设备功率呈最大功率至最小功率之间往复变化，获取一段功率变化脉冲；

将功率脉冲最开始变化的第一个周期时间记为功率脉冲初始周期，在第一个功率脉冲初始周期结束后，加快功率脉冲的频率，使第二个功率脉冲初始周期时间中，压缩机功率呈最大功率至最小功率之间往复变化出现两个周期的变化，在第二个功率脉冲初始周期结束后，加快功率脉冲的频率，使第三个功率脉冲初始周期时间中，压缩机功率呈最大功率至最小功率之间往复变化出现四个周期的变化，以此类推；

从频率脉冲开始，实时获取冷却液冷凝器入口设置传感器位置的温度变化，以横轴为时间，纵轴为温度，获取功率-时间线性关系图；

根据功率-时间线性关系图和预设时间获取方法获取第三时间、第四时间和第五时间；

根据第三时间、第四时间和第五时间获取待分析制冷设备对应的设备响应时间；

其中，所述固定功率获取的具体方法为：

从属制冷设备的固定功率为其最大工作功率与最小工作功率的均值；

其中，所述根据第三时间、第四时间和第五时间获取待分析制冷设备对应的设备响应时间，包括的具体方法为：

将待分析制冷设备对应的第四时间和第五时间的均值记为第一均值；

获取待分析制冷设备对应的第三时间与第一均值的差值，将所述差值记为待分析制冷设备对应的设备响应时间；

其中，所述制冷设备包括的具体设备为：

制冷设备包含冷却泵、压缩机、冷冻泵、制冷液冷却塔风扇和冷却液冷却塔风扇；

其中，所述根据每个制冷设备对应的设备响应时间和采集的温度数据获取制冷机房在设备响应时间内的相对制冷量，获取的具体方法为：

式中，/>为制冷机房相对制冷量；/>为位置9处传感器在t时刻的温度数据；/>为位置10处传感器在时刻的温度数据；/>为位置9处传感器在t时刻的流速数据；/>为位置9处传感器在t时刻的流速的管横截面积数据；

其中，所述根据冷冻液流速数据、温度数据和流速的管横截面积数据获取每个制冷设备对应的局部相对热值，获取的具体方法为：

压缩机对应的局部相对热值获取的方法为：

式中，时刻压缩机对应的局部相对热值；/>为压缩机对应的排出传感器位置在t时刻的流速数据；/>为压缩机对应的排出传感器位置在t时刻的温度数据；/>为压缩机对应的排出传感器位置t时刻的流速的管横截面积数据；/>为压缩机对应的排入传感器位置t时刻的流速数据；/>为压缩机对应的排入传感器位置t时刻的温度数据；/>为压缩机对应的排入传感器位置t时刻的流速的管横截面积数据；

获取冷却泵、冷冻泵、制冷液冷却塔风扇和冷却液冷却塔风扇对应的局部相对热值。

2.根据权利要求1所述的一种高效制冷机房能效预测方法，其特征在于，所述温度数据，获取的具体方法为：

制冷液的温度采用防腐的金属铂温度感应器获取，在采集数据的过程中，须防腐放置制冷液腐蚀传感器。

3.根据权利要求1所述的一种高效制冷机房能效预测方法，其特征在于，所述根据制冷设备对应的局部相对热值和制冷机房相对制冷量建立相对制冷量预测神经网络获取相对制冷量预测值，包括的具体方法为：

将对应时刻的所有制冷设备对应的局部相对热值输入到预先训练好的由神经网络构成的相对制冷量的预测网络中，获取相对制冷量预测值，构成相对制冷量的预测网络采用GRU神经网络，将均方误差作为损失函数，将局部相对热值作为时序系列参数输入神经网络，实现对最终相对制冷量的预测。

4.根据权利要求1所述的一种高效制冷机房能效预测方法，其特征在于，所述根据功率、相对制冷量预测值和制冷机房相对制冷量实现对高效能制冷机房能效的监测，包括的具体方法为：

将相对制冷量预测值与制冷机房相对制冷量的差值的绝对值记为制冷量预测差值；

获取制冷量预测差值与制冷设备总耗电功率的比值，将所述比值记为能效的实时检测值，其中，制冷设备总耗电功率为所有制冷设备对应的功率之和；

取第一时间阈值内的所有实时检测值，将所有实时检测值的均方差记为能效异常指数；

当能效异常指数大于第一预设阈值时，则认为制冷设备的能效出现异常，制冷设备出现故障，否则，认为制冷设备的能效在正常范围内，完成对高效能制冷机房能效的监测。