CN117350086A - 风冷机组能效仿真模型的搭建方法、装置及电子设备 - Google Patents
风冷机组能效仿真模型的搭建方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117350086A CN117350086A CN202311655134.2A CN202311655134A CN117350086A CN 117350086 A CN117350086 A CN 117350086A CN 202311655134 A CN202311655134 A CN 202311655134A CN 117350086 A CN117350086 A CN 117350086A
- Authority
- CN
- China
- Prior art keywords
- data
- energy efficiency
- heating
- cooling unit
- working condition
- 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.)
- Granted
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 116
- 238000004088 simulation Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010438 heat treatment Methods 0.000 claims abstract description 132
- 238000005057 refrigeration Methods 0.000 claims abstract description 80
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 80
- 238000012937 correction Methods 0.000 claims description 35
- 238000001704 evaporation Methods 0.000 claims description 33
- 230000005494 condensation Effects 0.000 claims description 28
- 238000009833 condensation Methods 0.000 claims description 28
- 230000008020 evaporation Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008093 supporting effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种风冷机组能效仿真模型的搭建方法、装置及电子设备,所述风冷机组能效仿真模型的搭建方法包括:获取制热工况下风冷机组的制热运行数据及制热能效预测数据;获取制冷工况下风冷机组的制冷运行数据及制冷能效预测数据;基于所述制热运行数据及所述制热能效预测数据确定制热工况全性能参数表;基于所述制冷运行数据及所述制冷能效预测数据确定制冷工况全性能参数表;将所述制热工况全性能参数表及所述制冷工况全性能参数表确定为所述风冷机组所对应所述风冷机组能效仿真模型。本申请实施例能够实现风冷机组能效仿真模型的自动化搭建,以便于基于风冷机组能效仿真模型对风冷机组进行能效仿真。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种风冷机组能效仿真模型的搭建方法、装置及电子设备。
背景技术
空调能耗是建筑能耗的重要组成部分,建筑节能离不开对空调节能控制技术的研究分析。
空调仿真技术是空调节能控制技术中的关键,风冷机组作为常见的空调设备,建立风冷机组能效仿真模型是空调仿真技术的重点和难点。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种风冷机组能效仿真模型的搭建方法、装置及电子设备。
第一方面,本申请提供了一种风冷机组能效仿真模型的搭建方法,包括:
获取制热工况下风冷机组的制热运行数据及制热能效预测数据;
获取制冷工况下风冷机组的制冷运行数据及制冷能效预测数据;
基于所述制热运行数据及所述制热能效预测数据确定制热工况全性能参数表;
基于所述制冷运行数据及所述制冷能效预测数据确定制冷工况全性能参数表;
将所述制热工况全性能参数表及所述制冷工况全性能参数表确定为所述风冷机组所对应所述风冷机组能效仿真模型。
可选地,获取制热工况下风冷机组的制热能效预测数据,包括:
所述制热运行数据确定第一环境温度、第一水温及第一负荷率;
基于所述第一环境温度及所述第一水温确定第一蒸发温度和第一冷凝温度;
将所述第一蒸发温度和所述第一冷凝温度输入预设的能效比计算模块,得到第一制热能效理论数据;
获取预设的能效比曲线,根据所述第一负荷率在所述能效比曲线中确定目标能效比修正系数;
基于所述第一制热能效理论数据及所述目标能效比修正系数确定所述制热能效预测数据。
可选地,获取预设的能效比曲线,包括:
获取关于能效比修正系数与负荷率的数据表;
基于所述数据表构建多种回归模型;
获取多个所述回归模型中满足预设约束条件的目标回归模型,以作为所述预设的能效比曲线。
可选地,获取多个所述回归模型中满足预设约束条件,包括:
在多个所述回归模型中,确定能效比修正系数位于预设能效比修正范围内的回归模型,且临近负荷率小于或者等于预设负荷率变化阈值的回归模型,以作为候选回归模型;
确定所述候选回归模型的总离差平方和和残差平方和;
基于所述总离差平方和和所述残差平方和确定所述候选回归模型的评价系数;
将所述评价系数最大的候选回归模型确定为所述目标回归模型。
可选地,获取关于能效比修正系数与负荷率的数据表,包括:
获取多个数据组,每个所述数据组包括:第二环境温度、第二水温、第二负荷率及实际能效比;
剔除所述第二环境温度、所述第二水温和所述第二负荷率中的异常数据所在的数据组,超过能效比阈值范围的实际能效比所在的数据组,以及,临近工况数据组中实际能效比位于对应的临近工况能效比阈值范围外的数据组;
根据剩余的数据组中的所述第二环境温度和所述第二水温确定制冷工况下的第二蒸发温度和第二冷凝温度,以及,制热工况下的第三蒸发温度和第三冷凝温度;
将所述第二蒸发温度和所述第二冷凝温度输入预设的能效比计算模块,得到第二制热能效理论数据;
将所述第三蒸发温度和所述第三冷凝温度输入预设的能效比计算模块,得到第三制热能效理论数据;
基于所述第二负荷率、所述第二制热能效理论数据及所述第三制热能效理论数据构建所述数据表,并获取所述数据表。
可选地,所述方法还包括:
获取多个所述数据组中的第二环境温度、第二水温及第二负荷率;
针对每个所述数据组,确定所述第二环境温度、第二水温及第二负荷率是否分别超出其对应的第一工况数据范围;
若任一所述数据组中的所述第二环境温度、第二水温及第二负荷率分别超出其对应的数据范围,基于多个所述数据组中的第二环境温度、第二水温及第二负荷率确定最大环境温度间隔、最大水温间隔及最大负荷率间隔;
确定所述最大环境温度间隔、最大水温间隔及最大负荷率间隔是否分别超出其对应的第二工况数据范围;
若所述最大环境温度间隔、最大水温间隔及最大负荷率间隔分别超出其对应的第二工况数据范围,确定多个所述数据组的数据量是否大于或等于预设最小数据量阈值;
若所述数据量大于或等于预设最小数据量阈值,确定多个所述数据组校验通过,执行剔除所述第二环境温度、所述第二水温和所述第二负荷率中的异常数据所在的数据组的步骤。
可选地,所述方法还包括:
获取输入数据,所述输入数据包括:目标环境温度、目标水温及目标负荷率;
基于所述目标环境温度、所述目标水温及所述目标负荷率及所述风冷机组能效仿真模型,确定目标能效比。
第二方面,本申请提供了一种风冷机组能效仿真模型的搭建装置,包括:
第一获取模块,用于获取制热工况下风冷机组的制热运行数据及制热能效预测数据;
第二获取模块,用于获取制冷工况下风冷机组的制冷运行数据及制冷能效预测数据;
第一确定模块,用于基于所述制热运行数据及所述制热能效预测数据确定制热工况全性能参数表;
第二确定模块,用于基于所述制冷运行数据及所述制冷能效预测数据确定制冷工况全性能参数表;
第三确定模块,用于将所述制热工况全性能参数表及所述制冷工况全性能参数表确定为所述风冷机组所对应所述风冷机组能效仿真模型。
第三方面,本申请提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的风冷机组能效仿真模型的搭建方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有风冷机组能效仿真模型的搭建方法的程序,所述风冷机组能效仿真模型的搭建方法的程序被处理器执行时实现第一方面任一所述的风冷机组能效仿真模型的搭建方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请实施例通过基于制热工况下风冷机组的制热运行数据及制热能效预测数据可以确定制热工况全性能参数表,以及,制冷工况下风冷机组的制冷运行数据及制冷能效预测数据可以确定制冷工况全性能参数表,以作为该风冷机组所对应所述风冷机组能效仿真模型,实现风冷机组能效仿真模型的自动化搭建,以便于基于风冷机组能效仿真模型对风冷机组进行能效仿真,解决了空调系统仿真中缺乏机组能效模型的问题,对空调节能控制技术的研究起到了重要支撑作用。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,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为本申请实施例提供的一种风冷机组能效仿真模型的搭建方法的流程图;
图2为本申请实施例提供的一种参数输入界面的示意图;
图3为本申请实施例提供的一种风冷机组设备模型详情界面的示意图;
图4为本申请实施例提供的一种风冷机组能效仿真模型的搭建装置的结构图;
图5为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请的一部分实施例,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做出创造性劳动的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。
由于空调仿真技术是空调节能控制技术中的关键,风冷机组作为常见的空调设备,建立风冷机组能效仿真模型是空调仿真技术的重点和难点。所以,本申请实施例提供一种风冷机组能效仿真模型的搭建方法、装置及电子设备。
如图1所示,本申请实施例提供一种风冷机组能效仿真模型的搭建方法,该方法包括以下步骤:
步骤S101,获取制热工况下风冷机组的制热运行数据及制热能效预测数据;
本申请实施例中,风冷机组即风冷热泵机组,风冷热泵机组是建筑物中空调系统的主机,风冷热泵机组是由压缩机、换热器、节流器、吸热器和压缩机等装置构成的一个循环系统。风冷热泵机组的基本原理是基于压缩式制冷循环,利用冷媒作为载体,通过风机的强制换热,从大气中吸取热量或排放热量,以达到制冷或制热的需求,所以,风冷机组的工作模式可以分为制热工况和制冷工况。
用户可以预先通过如图2所示的参数输入界面输入风冷机组的基本参数,基本参数包括:机组型号、流量、压降、使用的制冷剂类型、制冷/热工况范围(水温范围、环温范围(环温即环境温度)、负荷率范围)、制冷/热额定参数(环温、水温、制冷量、能效比COP)等,以备后续使用。
在该步骤中,可以获取制热工况下风冷机组实际的制热运行数据,制热运行数据包括:环温、水温、负荷率及COP等,制热运行数据的来源包括:风冷机组出厂时实验室的测试数据、风冷机组运行时传感器的监测数据、能源管理平台对风冷机组读取的数据等。
制热能效预测数据可以是预先基于实际的制热运行数据进行预测得到的,在获取到制热运行数据之后,可以基于制热运行数据进行预测,得到制热能效预测数据。
步骤S102,获取制冷工况下风冷机组的制冷运行数据及制冷能效预测数据;
在该步骤中,可以获取制冷工况下风冷机组实际的制冷运行数据,制冷运行数据包括:环温、水温、负荷率及COP等,制冷运行数据的来源包括:风冷机组出厂时实验室的测试数据、风冷机组运行时传感器的监测数据、能源管理平台对风冷机组读取的数据等。
制冷能效预测数据可以是预先基于实际的制冷运行数据进行预测得到的,在获取到制冷运行数据之后,可以基于制冷运行数据进行预测,得到制热能效预测数据。
步骤S103,基于所述制热运行数据及所述制热能效预测数据确定制热工况全性能参数表;
在该步骤中,可以将制热运行数据及相应的制热能效预测数据进行组合,得到制热工况全性能参数表。
表1 制热性能参数表
示例性的,表1中,环境温度及水温的温度间隔2℃、负荷率间隔10%。
步骤S104,基于所述制冷运行数据及所述制冷能效预测数据确定制冷工况全性能参数表;
在该步骤中,可以将制冷运行数据及相应的制冷能效预测数据进行组合,得到制冷工况全性能参数表。
表2 制冷工况全性能参数表
示例性的,表2中,环境温度及水温的温度间隔2℃、负荷率间隔10%。
步骤S105,将所述制热工况全性能参数表及所述制冷工况全性能参数表确定为所述风冷机组所对应所述风冷机组能效仿真模型。
在该步骤中,可以将制热工况全性能参数表及制冷工况全性能参数表的组合确定为风冷机组所对应所述风冷机组能效仿真模型,也就是说,与该风冷机组的机组型号相同的风冷机组,均可以使用该风冷机组能效仿真模型进行能效仿真。
本申请实施例通过基于制热工况下风冷机组的制热运行数据及制热能效预测数据可以确定制热工况全性能参数表,以及,制冷工况下风冷机组的制冷运行数据及制冷能效预测数据可以确定制冷工况全性能参数表,以作为该风冷机组所对应所述风冷机组能效仿真模型,实现风冷机组能效仿真模型的自动化搭建,以便于基于风冷机组能效仿真模型对风冷机组进行能效仿真,解决了空调系统仿真中缺乏机组能效模型的问题,对空调节能控制技术的研究起到了重要支撑作用。
在本申请的一种实施方式中,步骤S101中获取制热工况下风冷机组的制热能效预测数据,包括:
步骤S201,所述制热运行数据确定第一环境温度、第一水温及第一负荷率;
在制热运行数据中提取第一环境温度、第一水温及第一负荷率。
步骤S202,基于所述第一环境温度及所述第一水温确定第一蒸发温度和第一冷凝温度;
对于制热工况,冷凝温度及蒸发温度/>的计算公式如下:
其中,冷凝温度和蒸发温度的单位均是℃,为空气侧换热温差,一般为13~14℃;/>为水侧换热温差,一般为2~3℃;/>为机组出水温度,℃;/>为环境干球温度,℃。
在该步骤中,可以得到制冷工况下的第一蒸发温度和第一冷凝温度,以及制热工况下的第一蒸发温度和第一冷凝温度。
步骤S203,将所述第一蒸发温度和所述第一冷凝温度输入预设的能效比计算模块,得到第一制热能效理论数据;
本申请实施例中,能效比计算模块用于基于蒸发温度及冷凝温度进行计算,得到制热能效理论数据。
在该步骤中,可以将制热工况下的第一蒸发温度和第一冷凝温度输入能效比计算模块,能效比计算模块输出制热工况下的制热能效理论数据。
步骤S204,获取预设的能效比曲线,根据所述第一负荷率在所述能效比曲线中确定目标能效比修正系数;
本申请实施例中,可以预先基于包含多组能效比修正系数与负荷率对应关系的数据表构建能效比曲线,示例性的,能效比曲线可以是基于线性回归模型、多项式回归模型或者其他非线性回归模型等得到的。
在该步骤中,在已知第一负荷率的情况下,可以在能效比曲线中确定与该第一负荷率对应的能效比修正系数,以作为目标能效比修正系数。
步骤S205,基于所述第一制热能效理论数据及所述目标能效比修正系数确定所述制热能效预测数据。
在得到目标能效比修正系数后,可以按照如下公式计算得到制热能效预测数据:
同理,对于制冷能效预测数据,可采用类似方式进行计算,需要注意的是,对于制冷工况,可以基于制冷运行数据中的第一环境温度及第一水温计算得到制冷工况下的第一蒸发温度和第一冷凝温度,冷凝温度/>及蒸发温度/>的计算公式如下:
其中,冷凝温度和蒸发温度的单位均是℃,为空气侧换热温差,一般为13~14℃;/>为水侧换热温差,一般为2~3℃;/>为机组出水温度,℃;/>为环境干球温度,℃。
在得到制冷工况下的第一蒸发温度和所述第一冷凝温度后,可以将制冷工况下的第一蒸发温度和所述第一冷凝温度输入能效比计算模块,得到第一制冷能效理论数据,进而,基于预设的能效比曲线,根据制冷运行数据中的第一负荷率,确定制冷工况下的目标能效比修正系数,进而,基于制冷工况下的第一制冷能效理论数据及制冷工况下的目标能效比修正系数,得到制冷能效预测数据。
本申请实施例中,由于通过目标能效比修正系数对第一制热能效理论数据进行修正,可以得到更为准确的制热能效预测数据。
在本申请的又一实施例中,获取预设的能效比曲线,包括:
步骤S301,获取关于能效比修正系数与负荷率的数据表;
为了便于构建多种回归模型,可以首先获取构成回归模型的基础数据,即关于能效比修正系数与负荷率的数据表,如下表3所示。
表3 COP效率——负荷率数据表
在本申请的一种实施方式中,步骤S301获取关于能效比修正系数与负荷率的数据表,包括:
步骤S401,获取多个数据组,每个所述数据组包括:第二环境温度、第二水温、第二负荷率及实际能效比;
在该步骤中,可以获取风冷机组过去在制热工况下采集的第二环境温度、第二水温、第二负荷率及实际能效比,以及,在制冷工况下采集的第二环境温度、第二水温、第二负荷率及实际能效比。
本申请实施例中,可以每个预设时间段即获取多个数据组,以随着风冷机组实际运行数据的不断变化,也随时更新/增加数据,进而不断的提高模型的精度。
步骤S402,剔除所述第二环境温度、所述第二水温和所述第二负荷率中的异常数据所在的数据组,超过能效比阈值范围的实际能效比所在的数据组,以及,临近工况数据组中实际能效比位于对应的临近工况能效比阈值范围外的数据组;
在该步骤中,可以分别针对每个数据组,判断其中的第二环境温度、第二水温和第二负荷率中是否存在异常数据,若任一数据组内的第二环境温度、第二水温和第二负荷率中存在异常数据,则剔除该数据组,保留不包含异常数据的数据组;
再针对每个数据组中的实际能效比,判断该实际能效比是否位于能效比阈值范围内,若任一实际能效比位于能效比阈值范围外,则可以剔除该实际能效比所在的数据组。
理想制冷循环即逆卡诺循环的能效比COP,是该工况温度下能效比COP的极限值,即根据该COP的极限值确定能效比阈值范围,若实际能效比COP超过该值则违反热力学第二定律,视为异常数据,其中,制冷工况下COP的极限值COP理想=Te/(Tc-Te),制热工况下COP的极限值COP理想=Tc/(Tc-Te)。
再针对每个数据组确定临近工况数据组,判断该临近工况数据组内的实际能效比COP是否位于临近工况阈值范围内,若该临近工况数据组内的实际能效比COP位于临近工况阈值范围外,则可以剔除该实际能效比所在的数据组,其中,临近工况阈值范围为偏离组内平均能效比COP小于30%,也即临近工况数据组内的实际能效比COP偏离组内平均能效比超过30%,则剔除该数据组;
示例性的,可以将原始数据按照1℃水温、1℃环温、5%负荷率的间隔划分为多个数据组,每一数据组内工况最大不会超过1℃水温、1℃环温、5%负荷率这一个范围,因而称之为临近工况数据组。同一个临近工况数据组内COP平均值作为该组COP的标准值,该组内任意工况下COP若偏离标准值超过30%,则视为数据异常,应当剔除。
步骤S403,根据剩余的数据组中的所述第二环境温度和所述第二水温确定制冷工况下的第二蒸发温度和第二冷凝温度,以及,制热工况下的第三蒸发温度和第三冷凝温度;
在该步骤中,可以基于制冷工况下剩余的数据组中的所述第二环境温度和所述第二水温确定制冷工况下的第二蒸发温度和第二冷凝温度,并基于制热工况下剩余的数据组中的所述第二环境温度和所述第二水温确定制冷工况下的第三蒸发温度和第三冷凝温度。
步骤S404,将所述第二蒸发温度和所述第二冷凝温度输入预设的能效比计算模块,得到第二制热能效理论数据;
步骤S405,将所述第三蒸发温度和所述第三冷凝温度输入预设的能效比计算模块,得到第三制热能效理论数据;
步骤S406,基于所述第二负荷率、所述第二制热能效理论数据及所述第三制热能效理论数据构建所述数据表,并获取所述数据表。
在该步骤中,可以根据第二环境温度、第二水温、第二负荷率及实际能效比的对应关系,确定第二负荷率与第二制热能效理论数据的对应关系,以及,第二负荷率与第三制热能效理论数据的对应关系,进而,得到数据表。
步骤S302,基于所述数据表构建多种回归模型;
多种回归模型包括:线性回归模型、多项式回归模型或者其他非线性回归模型。
其中,线性回归模型:,利用最小二乘法,计算系数a、b;
多项式回归模型:,
令,多项式模型即可转换为多元线性回归模型:,利用线性回归算法,计算模型系数;
其他非线性回归模型,可以为其他含有对数、指数、三角函数等基本初等函数的模型,通过变量代换的方式,转换为线性回归后计算模型系数。
步骤S303,获取多个所述回归模型中满足预设约束条件的目标回归模型,以作为所述预设的能效比曲线。
本申请实施例中,预设约束条件可以包含三个约束指标,其中,第一约束指标可以为能效比修正系数位于预设能效比修正范围内,第二约束指标可以为临近负荷率小于或者等于预设负荷率变化阈值,第三约束条件为回归模型的评价系数最高。
在本申请的一种实施方式中,获取多个所述回归模型中满足预设约束条件的回归模型,包括:
步骤S501,在多个所述回归模型中,确定能效比修正系数位于预设能效比修正范围内的回归模型,且临近负荷率小于或者等于预设负荷率变化阈值的回归模型,以作为候选回归模型;
第一约束指标:
能效比修正系数有着上下限设定,/>默认为30%,/>默认为100%。
保证能效比修正系数处于合理的范围内,避免模型计算结果失去其物理意义。
第二约束指标:
其中:,为某负荷率下的能效比修正系数与其邻近负荷率(+5%)下的能效比修正系数差值绝对值;/>默认值为20%。保证临近负荷率区间内,能效比修正系数不会产生过大的变化。
步骤S502,确定所述候选回归模型的总离差平方和和残差平方和;
第三约束指标:
计算每一个回归模型的TSS(总离差平方和)和RSS(残差平方和)
其中为每个数据点的实际值,/>为每个数据点的预测值,/>为所有数据点的平均值。
步骤S503,基于所述总离差平方和和所述残差平方和确定所述候选回归模型的评价系数;
候选回归模型的评价系数满足:
步骤S504,将所述评价系数最大的候选回归模型确定为所述目标回归模型。
本申请实施例中,首先按照约束指标一、二筛去不满足要求的模型,再根据约束指标三,选择最高的模型。
本申请实施例通过构建多个回归模型,并基于预设约束条件在多个所述回归模型中选择满足预设约束条件(包含三个约束指标)的目标回归模型,可以保证最终选定的能效比曲线更加可靠。
在本申请的又一实施例中,所述方法还包括:
步骤S601,获取多个所述数据组中的第二环境温度、第二水温及第二负荷率;
步骤S602,针对每个所述数据组,确定所述第二环境温度、第二水温及第二负荷率是否分别超出其对应的第一工况数据范围;
本申请实施例中,第一工况数据范围为预先配置的制冷/热工况范围×0.5,如:第二环境温度对应的第一工况数据范围为环温范围×0.5,第二水温对应的第一工况数据范围为水温范围×0.5,第二负荷率对应的第一工况数据范围为负荷率范围×0.5。
步骤S603,若任一所述数据组中的所述第二环境温度、第二水温及第二负荷率分别超出其对应的数据范围,基于多个所述数据组中的第二环境温度、第二水温及第二负荷率确定最大环境温度间隔、最大水温间隔及最大负荷率间隔;
通过将多个数据组中大小相邻的任意两个第二环境温度、第二水温及第二负荷率做差,可以得到最大环境温度间隔、最大水温间隔及最大负荷间隔。
步骤S604,确定所述最大环境温度间隔、最大水温间隔及最大负荷率间隔是否分别超出其对应的第二工况数据范围;
示例性的,最大环温间隔<10℃、最大水温间隔<10℃、最大负荷率间隔<20%,最大环温间隔、最大水温间隔、最大负荷率间隔对应的第二工况数据范围均可以自主设置。此处给出的数值作为默认推荐值,保障机组数据表的基本完备性要求。如果对数据完备性有着更高的要求,可将最大间隔值设定更小。
步骤S605,若所述最大环境温度间隔、最大水温间隔及最大负荷率间隔分别超出其对应的第二工况数据范围,确定多个所述数据组的数据量是否大于或等于预设最小数据量阈值;
在该步骤中,可以统计多个所述数据组的数据量,在将数据量与预设最小数据量阈值比较,以确定多个所述数据组的数据量是否大于或等于预设最小数据量阈值。
步骤S606,若所述数据量大于或等于预设最小数据量阈值,确定多个所述数据组校验通过,执行剔除所述第二环境温度、所述第二水温和所述第二负荷率中的异常数据所在的数据组的步骤。
若确定多个所述数据组校验未通过,则可以提示用户补充数据。
本申请实施例可以对多个数据组中的数据进行完备性校验,以保证经过完备性校验的多个数据组准确性更高。
在本申请的又一实施例中,所述方法还包括:
步骤S701,获取输入数据,所述输入数据包括:目标环境温度、目标水温及目标负荷率;
步骤S702,基于所述目标环境温度、所述目标水温及所述目标负荷率及所述风冷机组能效仿真模型,确定目标能效比。
本申请实施例中,在得到风冷机组能效仿真模型后,可以输入目标环境温度、目标水温及目标负荷率,利用风冷机组能效仿真模型可以得到目标能效比,实现对风冷机组进行能效仿真,解决了空调系统仿真中缺乏机组能效模型的问题,对空调节能控制技术的研究起到了重要支撑作用。
另外,在一种实施方式中,如图3所示,可以在风冷机组设备模型详情界面中,选择机组工作模式(制冷/制热),输入环境温度及机组出水温度,即可自动生成机组的能效比COP曲线。
在另一种实施方式中,数据库将存储机组全工况性能参数表(表1、表2),调用时使用内插算法得到机组运行工况范围内任意工况点的性能参数,即能效比COP,实现了风冷机组全工况的能效计算。
以下为通过内插法调用风冷机组能效仿真模型的一种示例:
表4 机组全工况性能参数表的部分数据
若需得到环境温度29℃、水温8℃、负荷率85%时机组的COP,可按如下方法计算:
步骤Ⅰ. 计算环境温度30℃、水温7℃、负荷率85%时机组的COP
步骤Ⅱ. 计算环境温度30℃、水温9℃、负荷率85%时机组的COP
步骤Ⅲ. 计算环境温度28℃、水温7℃、负荷率85%时机组的COP
步骤Ⅳ. 计算环境温度28℃、水温9℃、负荷率85%时机组的COP
步骤Ⅴ. 计算环境温度30℃、水温8℃、负荷率85%时机组的COP
步骤Ⅵ. 计算环境温度28℃、水温8℃、负荷率85%时机组的COP
步骤Ⅶ. 计算环境温度29℃、水温8℃、负荷率85%时机组的COP
在本申请的又一实施例中,还提供一种风冷机组能效仿真模型的搭建装置,如图4所示,包括:
第一获取模块11,用于获取制热工况下风冷机组的制热运行数据及制热能效预测数据;
第二获取模块12,用于获取制冷工况下风冷机组的制冷运行数据及制冷能效预测数据;
第一确定模块13,用于基于所述制热运行数据及所述制热能效预测数据确定制热工况全性能参数表;
第二确定模块14,用于基于所述制冷运行数据及所述制冷能效预测数据确定制冷工况全性能参数表;
第三确定模块15,用于将所述制热工况全性能参数表及所述制冷工况全性能参数表确定为所述风冷机组所对应所述风冷机组能效仿真模型。
在本申请的又一实施例中,还提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现前述任一方法实施例所述的风冷机组能效仿真模型的搭建方法。
本发明实施例提供的电子设备,处理器通过执行存储器上所存放的程序实现了通过基于制热工况下风冷机组的制热运行数据及制热能效预测数据可以确定制热工况全性能参数表,以及,制冷工况下风冷机组的制冷运行数据及制冷能效预测数据可以确定制冷工况全性能参数表,以作为该风冷机组所对应所述风冷机组能效仿真模型,实现风冷机组能效仿真模型的自动化搭建,以便于基于风冷机组能效仿真模型对风冷机组进行能效仿真,解决了空调系统仿真中缺乏机组能效模型的问题,对空调节能控制技术的研究起到了重要支撑作用。
上述电子设备提到的通信总线1140可以是外设部件互连标准(PeripheralComponentInterconnect,简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture,简称EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器(RandomAccessMemory,简称RAM),也可以包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器1110可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignalProcessing,简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中,还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有风冷机组能效仿真模型的搭建方法的程序,所述风冷机组能效仿真模型的搭建方法的程序被处理器执行时实现前述任一方法实施例所述的风冷机组能效仿真模型的搭建方法的步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种风冷机组能效仿真模型的搭建方法,其特征在于,包括:
获取制热工况下风冷机组的制热运行数据及制热能效预测数据;
获取制热工况下风冷机组的制热能效预测数据,包括:
所述制热运行数据确定第一环境温度、第一水温及第一负荷率;
基于所述第一环境温度及所述第一水温确定第一蒸发温度和第一冷凝温度;
将所述第一蒸发温度和所述第一冷凝温度输入预设的能效比计算模块,得到第一制热能效理论数据;
获取预设的能效比曲线,根据所述第一负荷率在所述能效比曲线中确定目标能效比修正系数;
基于所述第一制热能效理论数据及所述目标能效比修正系数确定所述制热能效预测数据;
获取制冷工况下风冷机组的制冷运行数据及制冷能效预测数据;
基于所述制热运行数据及所述制热能效预测数据确定制热工况全性能参数表;
基于所述制冷运行数据及所述制冷能效预测数据确定制冷工况全性能参数表;
将所述制热工况全性能参数表及所述制冷工况全性能参数表确定为所述风冷机组所对应所述风冷机组能效仿真模型。
2.根据权利要求1所述的风冷机组能效仿真模型的搭建方法,其特征在于,获取预设的能效比曲线,包括:
获取关于能效比修正系数与负荷率的数据表;
基于所述数据表构建多种回归模型;
获取多个所述回归模型中满足预设约束条件的目标回归模型,以作为所述预设的能效比曲线。
3.根据权利要求2所述的风冷机组能效仿真模型的搭建方法,其特征在于,获取多个所述回归模型中满足预设约束条件的回归模型,包括:
在多个所述回归模型中,确定能效比修正系数位于预设能效比修正范围内的回归模型,且临近负荷率小于或者等于预设负荷率变化阈值的回归模型,以作为候选回归模型;
确定所述候选回归模型的总离差平方和和残差平方和;
基于所述总离差平方和和所述残差平方和确定所述候选回归模型的评价系数;
将所述评价系数最大的候选回归模型确定为所述目标回归模型。
4.根据权利要求2所述的风冷机组能效仿真模型的搭建方法,其特征在于,获取关于能效比修正系数与负荷率的数据表,包括:
获取多个数据组,每个所述数据组包括:第二环境温度、第二水温、第二负荷率及实际能效比;
剔除所述第二环境温度、所述第二水温和所述第二负荷率中的异常数据所在的数据组,超过能效比阈值范围的实际能效比所在的数据组,以及,临近工况数据组中实际能效比位于对应的临近工况能效比阈值范围外的数据组;
根据剩余的数据组中的所述第二环境温度和所述第二水温确定制冷工况下的第二蒸发温度和第二冷凝温度,以及,制热工况下的第三蒸发温度和第三冷凝温度;
将所述第二蒸发温度和所述第二冷凝温度输入预设的能效比计算模块,得到第二制热能效理论数据;
将所述第三蒸发温度和所述第三冷凝温度输入预设的能效比计算模块,得到第三制热能效理论数据;
基于所述第二负荷率、所述第二制热能效理论数据及所述第三制热能效理论数据构建所述数据表,并获取所述数据表。
5.根据权利要求4所述的风冷机组能效仿真模型的搭建方法,其特征在于,所述方法还包括:
获取多个所述数据组中的第二环境温度、第二水温及第二负荷率;
针对每个所述数据组,确定所述第二环境温度、第二水温及第二负荷率是否分别超出其对应的第一工况数据范围;
若任一所述数据组中的所述第二环境温度、第二水温及第二负荷率分别超出其对应的数据范围,基于多个所述数据组中的第二环境温度、第二水温及第二负荷率确定最大环境温度间隔、最大水温间隔及最大负荷率间隔;
确定所述最大环境温度间隔、最大水温间隔及最大负荷率间隔是否分别超出其对应的第二工况数据范围;
若所述最大环境温度间隔、最大水温间隔及最大负荷率间隔分别超出其对应的第二工况数据范围,确定多个所述数据组的数据量是否大于或等于预设最小数据量阈值;
若所述数据量大于或等于预设最小数据量阈值,确定多个所述数据组校验通过,执行剔除所述第二环境温度、所述第二水温和所述第二负荷率中的异常数据所在的数据组的步骤。
6.根据权利要求1所述的风冷机组能效仿真模型的搭建方法,其特征在于,所述方法还包括:
获取输入数据,所述输入数据包括:目标环境温度、目标水温及目标负荷率;
基于所述目标环境温度、所述目标水温及所述目标负荷率及所述风冷机组能效仿真模型,确定目标能效比。
7.一种风冷机组能效仿真模型的搭建装置,其特征在于,包括:
第一获取模块,用于获取制热工况下风冷机组的制热运行数据及制热能效预测数据,获取制热工况下风冷机组的制热能效预测数据,包括:所述制热运行数据确定第一环境温度、第一水温及第一负荷率;基于所述第一环境温度及所述第一水温确定第一蒸发温度和第一冷凝温度;将所述第一蒸发温度和所述第一冷凝温度输入预设的能效比计算模块,得到第一制热能效理论数据;获取预设的能效比曲线,根据所述第一负荷率在所述能效比曲线中确定目标能效比修正系数;基于所述第一制热能效理论数据及所述目标能效比修正系数确定所述制热能效预测数据;
第二获取模块,用于获取制冷工况下风冷机组的制冷运行数据及制冷能效预测数据;
第一确定模块,用于基于所述制热运行数据及所述制热能效预测数据确定制热工况全性能参数表;
第二确定模块,用于基于所述制冷运行数据及所述制冷能效预测数据确定制冷工况全性能参数表;
第三确定模块,用于将所述制热工况全性能参数表及所述制冷工况全性能参数表确定为所述风冷机组所对应所述风冷机组能效仿真模型。
8.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1~6任一所述的风冷机组能效仿真模型的搭建方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有风冷机组能效仿真模型的搭建方法的程序,所述风冷机组能效仿真模型的搭建方法的程序被处理器执行时实现权利要求1-6任一所述的风冷机组能效仿真模型的搭建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311655134.2A CN117350086B (zh) | 2023-12-05 | 2023-12-05 | 风冷机组能效仿真模型的搭建方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311655134.2A CN117350086B (zh) | 2023-12-05 | 2023-12-05 | 风冷机组能效仿真模型的搭建方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350086A true CN117350086A (zh) | 2024-01-05 |
CN117350086B CN117350086B (zh) | 2024-04-05 |
Family
ID=89365383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311655134.2A Active CN117350086B (zh) | 2023-12-05 | 2023-12-05 | 风冷机组能效仿真模型的搭建方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350086B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893309A (zh) * | 2010-07-19 | 2010-11-24 | 宁波奥克斯电气有限公司 | 变频空调节能运转的控制方法 |
CN105973626A (zh) * | 2016-05-25 | 2016-09-28 | 深圳达实智能股份有限公司 | 中央空调系统主机运行能效评估及预测方法以及装置 |
CN106765933A (zh) * | 2016-12-14 | 2017-05-31 | 广东工业大学 | 一种集中空调系统的能耗基准建立方法 |
US20170277816A1 (en) * | 2016-03-22 | 2017-09-28 | Chu-Fu Chen | Method of verifying and analyzing energy efficiency ratio EER of a heating ventilation and air conditioning HVAC chiller unit |
JP2019060514A (ja) * | 2017-09-25 | 2019-04-18 | 日本電信電話株式会社 | 空調制御装置、空調制御方法、およびプログラム |
CN109765797A (zh) * | 2018-12-20 | 2019-05-17 | 广东美的暖通设备有限公司 | 一种空调节能仿真系统 |
CN110553351A (zh) * | 2019-09-06 | 2019-12-10 | 珠海格力电器股份有限公司 | 空调器设备负荷率的优化方法与空调云群控系统 |
CN114135984A (zh) * | 2021-11-22 | 2022-03-04 | 珠海格力电器股份有限公司 | 空调的仿真控制系统 |
CN115238477A (zh) * | 2022-07-06 | 2022-10-25 | 菲玛斯(上海)科技有限公司 | 一种中央空调系统仿真方法 |
CN115264771A (zh) * | 2022-07-13 | 2022-11-01 | 青岛海信日立空调系统有限公司 | 一种空调系统及其控制方法 |
CN115453869A (zh) * | 2022-08-31 | 2022-12-09 | 青岛海信日立空调系统有限公司 | 一种多机头磁悬浮冷水机组的建模方法 |
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 |
CN116305758A (zh) * | 2022-12-22 | 2023-06-23 | 中建-大成建筑有限责任公司 | 一种基于空调负荷模拟的冷机建模方法及模型应用 |
CN117094123A (zh) * | 2023-07-12 | 2023-11-21 | 广东省科学院生态环境与土壤研究所 | 基于可解释模型的土壤固碳驱动力识别方法、装置及介质 |
-
2023
- 2023-12-05 CN CN202311655134.2A patent/CN117350086B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893309A (zh) * | 2010-07-19 | 2010-11-24 | 宁波奥克斯电气有限公司 | 变频空调节能运转的控制方法 |
US20170277816A1 (en) * | 2016-03-22 | 2017-09-28 | Chu-Fu Chen | Method of verifying and analyzing energy efficiency ratio EER of a heating ventilation and air conditioning HVAC chiller unit |
CN105973626A (zh) * | 2016-05-25 | 2016-09-28 | 深圳达实智能股份有限公司 | 中央空调系统主机运行能效评估及预测方法以及装置 |
CN106765933A (zh) * | 2016-12-14 | 2017-05-31 | 广东工业大学 | 一种集中空调系统的能耗基准建立方法 |
JP2019060514A (ja) * | 2017-09-25 | 2019-04-18 | 日本電信電話株式会社 | 空調制御装置、空調制御方法、およびプログラム |
CN109765797A (zh) * | 2018-12-20 | 2019-05-17 | 广东美的暖通设备有限公司 | 一种空调节能仿真系统 |
CN110553351A (zh) * | 2019-09-06 | 2019-12-10 | 珠海格力电器股份有限公司 | 空调器设备负荷率的优化方法与空调云群控系统 |
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 |
CN114135984A (zh) * | 2021-11-22 | 2022-03-04 | 珠海格力电器股份有限公司 | 空调的仿真控制系统 |
CN115238477A (zh) * | 2022-07-06 | 2022-10-25 | 菲玛斯(上海)科技有限公司 | 一种中央空调系统仿真方法 |
CN115264771A (zh) * | 2022-07-13 | 2022-11-01 | 青岛海信日立空调系统有限公司 | 一种空调系统及其控制方法 |
CN115453869A (zh) * | 2022-08-31 | 2022-12-09 | 青岛海信日立空调系统有限公司 | 一种多机头磁悬浮冷水机组的建模方法 |
CN116305758A (zh) * | 2022-12-22 | 2023-06-23 | 中建-大成建筑有限责任公司 | 一种基于空调负荷模拟的冷机建模方法及模型应用 |
CN117094123A (zh) * | 2023-07-12 | 2023-11-21 | 广东省科学院生态环境与土壤研究所 | 基于可解释模型的土壤固碳驱动力识别方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
NUZUL HIDAYAT ET AL: "Analysis of the Coefficient of Performance (COP) on the Car\'s Air Cooling System Using a Training Kit with Constant Rotation", 5TH INTERNATIONAL CONFERENCE ON RESEARCH AND LEARNING OF PHYSICS (ICRLP 2022), pages 1 - 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN117350086B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112577161B (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
Zhao et al. | Model-based optimization for vapor compression refrigeration cycle | |
CN110736227A (zh) | 具有在线可配置系统标识的建筑物管理系统 | |
CN109063255B (zh) | 一种节能控制方法、电子设备、存储介质、装置及系统 | |
WO2021190095A1 (zh) | 空调选型方法、系统及装置 | |
Hossain et al. | Identifying grey-box thermal models with Bayesian neural networks | |
CN106123218B (zh) | 一种用于空调的运行参数确定方法、装置及空调 | |
WO2021082478A1 (zh) | 空调系统能耗预测方法及装置 | |
CN115264771A (zh) | 一种空调系统及其控制方法 | |
US11236917B2 (en) | Building control system with zone grouping based on predictive models | |
GB2544534A (en) | Method and thermostat controller for determining a temperature set point | |
CN107917484A (zh) | 基于无线数据传输的带热量上升补偿的恒温器 | |
CN113806938A (zh) | 制冷机房能效计算方法、装置和电子设备 | |
JP6816838B2 (ja) | 空調能力提示システム | |
CN111125931B (zh) | 冷却塔自动寻优选型方法、装置 | |
CN117350086B (zh) | 风冷机组能效仿真模型的搭建方法、装置及电子设备 | |
CN107270423B (zh) | 一种空调室外机风扇的控制方法及装置 | |
Zhao et al. | The application of advanced control technologies in air conditioning system–a review | |
CN114279235B (zh) | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 | |
CN115906467A (zh) | 基于换电站的数据处理方法、装置、电子设备及存储介质 | |
CN113067340B (zh) | 一种面向恒温控制负荷系统的动态状态估计方法及系统 | |
CN115585541A (zh) | 空调机房系统的控制方法及装置、电子设备及存储介质 | |
Wang et al. | Modeling Variable Refrigerant Flow (VRF) systems in building applications: A comprehensive review | |
US20210192469A1 (en) | Building control system with peer analysis for predictive models | |
CN115169079A (zh) | 空调热负荷计算方法、装置、电子设备和存储介质 |
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 |