CN117557070B - 能耗优化方法、装置及电子设备 - Google Patents
能耗优化方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117557070B CN117557070B CN202410038800.6A CN202410038800A CN117557070B CN 117557070 B CN117557070 B CN 117557070B CN 202410038800 A CN202410038800 A CN 202410038800A CN 117557070 B CN117557070 B CN 117557070B
- Authority
- CN
- China
- Prior art keywords
- capacity
- energy consumption
- model
- load
- optimization
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 289
- 238000005457 optimization Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 238000005057 refrigeration Methods 0.000 claims description 35
- 238000012512 characterization method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 238000004378 air conditioning Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 101100282455 Arabidopsis thaliana AMP1 gene Proteins 0.000 description 1
- 101100285389 Arabidopsis thaliana HLS1 gene Proteins 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 102000015347 COP1 Human genes 0.000 description 1
- 108060001826 COP1 Proteins 0.000 description 1
- 101150030345 COP3 gene Proteins 0.000 description 1
- 101100218464 Haloarcula sp. (strain arg-2 / Andes heights) cop2 gene Proteins 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例提出一种能耗优化方法、装置及电子设备，属于数据处理领域，方法包括：根据产能设备组的产能总需求量构建约束条件，并调取表征产能设备组的所有产能设备的产能负载模型与总能耗间的关联关系的能耗模型，产能负载模型表征产能设备的产能系数与负载率间的关联关系；以总能耗最小为优化方向，基于约束条件对能耗模型进行能耗优化处理，得到能耗优化方案，以按照能耗优化方案，对产能设备进行运行控制。如此，综合考量产能设备组中的每台产能设备，将预测总能耗、产能系数与负载率间关系的能耗模型与负载率的设置优化有机结合，自动进行能耗优化，提升了能耗优化效果，并大大缩短了能耗优化耗时。
Description
技术领域
本发明涉及数据处理领域，具体而言，涉及一种能耗优化方法、装置及电子设备。
背景技术
中央空调系统（包括集中式空调和半集中式空调）广泛应用于生产车间、数据中心、酒店和写字楼等区域，以对所在区域进行制冷、制热等。中央空调系统通过集中在机房的多个制冷机组对空气进行处理后，通过风管将空气输送到各空调房中，以进行制热或制冷。
高能耗是中央空调系统的突出问题，目前，主要依赖技术人员的工程经验和主观设想，设定中央空调系统的一个起始值，通过现场反复调试，来获取较优的参数来减少优化能耗。这种能耗优化方法对技术人员的经验依赖性大，耗时长且优化效果不理想。
发明内容
有鉴于此，本发明的目的在于提供一种能耗优化方法、装置及电子设备，其能够提升对产能设备组的能耗优化效果，以尽可能降低能耗，同时缩短能耗优化的耗时。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供一种能耗优化方法，所述方法包括：
获取产能设备组的产能总需求量，根据所述产能总需求量构建约束条件；
调取所述产能设备组的能耗模型；其中，所述能耗模型表征所述产能设备组的所有产能设备的产能负载模型与总能耗间的关联关系，每个所述产能负载模型为表征一个产能设备的产能系数与负载率间的关联关系的多个模型中的最佳模型；
以总能耗最小为优化方向，基于所述约束条件，对所述能耗模型进行能耗优化处理，得到能耗优化方案；其中，所述能耗优化方案包括每台产能设备的优化负载率；
针对每台所述产能设备，按照所述产能设备对应的优化负载率进行运行控制。
在一种可能的实施方式中，在所述获取产能设备组的产能总需求量，根据所述产能总需求量构建约束条件的步骤之前，所述方法还包括构建产能设备组的能耗模型的步骤，该步骤包括：
获取产能设备组的每台产能设备的历史运行数据；其中，所述历史运行数据包括多个负载率和每个负载率对应的产能系数；
根据所述历史运行数据进行模型拟合，得到每台所述产能设备的产能负载模型；
基于所有所述产能设备的产能负载模型，构建所述产能设备组的能耗模型。
在一种可能的实施方式中，所述根据所述历史运行数据进行模型拟合，得到每台所述产能设备的产能负载模型的步骤，包括：
针对每台所述产能设备，基于所述产能设备的历史运行数据，采用多种模型拟合算法，拟合出多个产能负载模型。
在一种可能的实施方式中，所述基于所有所述产能设备的产能负载模型，构建所述产能设备组的能耗模型的步骤，包括：
针对每台所述产能设备，对所述产能设备的每个产能负载模型进行误差评估，得到每个所述产能负载模型的模型误差值；
从所述产能设备的所有产能负载模型中，选择所述模型误差值最小的产能负载模型作为所述产能设备的最佳模型；
基于所有所述产能设备的最佳模型，构建所述产能设备组的能耗模型。
在一种可能的实施方式中，所述能耗模型包括：
其中，表征产能设备组的总能耗，/>表征产能设备的数量，/>表征第/>个产能设备的额定产能量，/>表征第/>个产能设备的负载率，/>表征第/>个产能设备的产能负载模型。
在一种可能的实施方式中，所述根据所述产能总需求量构建约束条件的步骤，包括：
基于所述产能总需求量，构建关于产能设备组的总制冷量的约束函数；
所述约束函数包括：
其中，表征产能设备的数量，/>表征第/>个产能设备的额定产能量，/>表征第/>个产能设备的负载率，/>表征产能总需求量。
在一种可能的实施方式中，所述以总能耗最小为优化方向，基于所述约束条件，对所述能耗模型进行能耗优化处理，得到能耗优化方案的步骤，包括：
以总能耗最小为优化方向，以负载率为优化变量，基于所述约束条件，采用梯度下降算法，对所述能耗模型进行迭代优化，计算出能耗优化方案。
在一种可能的实施方式中，所述能耗优化方案还包括理论总能耗；
在所述基于所有所述产能设备的产能负载模型，构建所述产能设备组的能耗模型的步骤之后，所述方法还包括：
在所述能耗模型上线后，获取所述能耗模型的历次能耗优化方案及每个所述能耗优化方案对应的实际总能耗；
根据所述能耗优化方案及每个所述能耗优化方案对应的实际总能耗，计算出能耗误差值；
在所述能耗误差值大于预设的误差阈值时，获取每台所述产能设备在当前时刻之前的历史运行数据，并返回执行所述根据所述历史运行数据进行模型拟合，得到每台所述产能设备的产能负载模型的步骤，以更新所述产能设备组的能耗模型。
第二方面，本发明实施例提供一种能耗优化装置，包括约束构建模块、模型获取模块、优化决策模块和优化控制模块；
所述约束构建模块，用于获取产能设备组的产能总需求量，根据所述产能总需求量构建约束条件；
所述模型获取模块，用于调取所述产能设备组的能耗模型；其中，所述能耗模型表征所述产能设备组的所有产能设备的产能负载模型与总能耗间的关联关系，每个所述产能负载模型为表征一个产能设备的产能系数与负载率间的关联关系的多个模型中的最佳模型；
所述优化决策模块，用于以总能耗最小为优化方向，基于所述约束条件，对所述能耗模型进行能耗优化处理，得到能耗优化方案；其中，所述能耗优化方案包括每台产能设备的优化负载率；
所述优化控制模块，用于针对每台所述产能设备，按照所述产能设备对应的优化负载率进行运行控制。
第三方面，本发明实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现如第一方面中任一种可能的实施方式所述的能耗优化方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一种可能的实施方式所述的能耗优化方法。
本发明实施例提供的能耗优化方法、装置及电子设备，方法包括：根据产能设备组的产能总需求量构建约束条件；调取表征产能设备组的所有产能设备的产能负载模型与总能耗间的关联关系的能耗模型，其中，产能负载模型表征产能设备的产能系数与负载率间的关联关系；以总能耗最小为优化方向，基于约束条件对能耗模型进行能耗优化处理，得到能耗优化方案，进而按照能耗优化方案中产能设备对应的优化负载率，对产能设备进行运行控制。如此，综合考量产能设备组中的每台产能设备，有机地将预测总能耗、产能系数与负载率间关系的能耗模型与负载率的设置优化结合在一起，自动进行能耗优化，极大地提升了能耗优化效果。同时，能耗优化过程自动实现，无需依赖技术人员，大大缩短了能耗优化耗时。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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示出了本发明实施方式提供的能耗优化系统的结构示意图。
图2示出了本发明实施方式提供的能耗优化方法的流程示意图之一。
图3示出了本发明实施方式提供的能耗优化方法的流程示意图之二。
图4示出了图3中步骤S23的部分子步骤的流程示意图。
图5示出了本发明实施方式提供的能耗优化方法的流程示意图之三。
图6示出了本发明实施方式提供的能耗优化装置的结构示意图。
图7示出了本发明实施方式提供的电子设备的结构示意图。
附图标记说明： 10-优化设备；20-建模设备；30-产能设备组；301-产能设备；40-能耗优化装置；401-约束构建模块；402-模型获取模块；403-优化决策模块；404-优化控制模块；50-电子设备。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例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例。基于本发明的实施例，本领域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，都属于本发明保护的范围。
需要说明的是，术语“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。
本发明实施例提供的能耗优化方法，可以应用于如图1所示的能耗优化系统中，能耗优化系统可以包括优化设备10、建模设备20和产能设备组30，产能设备组30包括多个产能设备301。优化设备10可以通过有线或无线的方式与产能设备组30的各产能设备301通信连接。
建模设备20，用于构建产能设备组30的能耗模型，并将能耗模型迁移至优化设备10。
优化设备10，用于存储建模设备20迁移的能耗模型，还用于实现本发明实施例提供的能耗优化方法，以优化产能设备组30的能耗，并控制每台产能设备301的运行。
产能设备301，用于依据优化设备10的控制模式运行，以进行生产。
建模设备20可以是但不限于是：独立服务器和服务器集群。产能设备301包括但不限于是：车间的生产设备、空调的制冷机等，优化设备10包括但不限于是：独立服务器、服务器集群、个人计算机、笔记本电脑、平板电脑、空调控制器等。
需要说明的是，建模设备20和优化设备10可以是同一台设备，也可以是各自独立的设备。
在一种可能的实施方式中，产能设备组30可以是中央空调系统的制冷机组，产能设备301可以是制冷机，每台制冷机可以通过管路与蒸发器间形成闭环回路。
在一种可能的实施方式中，提供了一种能耗优化方法，参照图2，可以包括以下步骤。
S11，获取产能设备组的产能总需求量，根据产能总需求量构建约束条件。
S13，调取产能设备组的能耗模型。
在本实施方式中，能耗模型可以表征产能设备组的所有产能设备的产能负载模型与总能耗间的关联关系，每个产能负载模型表征一个产能设备的产能系数与负载率间的关联关系，且为表征该产能设备的产能系数与负载率间的关联关系的多个模型中的最佳模型。
S15，以总能耗最小为优化方向，基于约束条件，对能耗模型进行能耗优化处理，得到能耗优化方案。
其中，能耗优化方案可以包括每台产能设备的优化负载率。
S17，针对每台产能设备，按照产能设备对应的优化负载率进行运行控制。
以下，以上述步骤S11至S17的执行主体为图1中的优化设备10，优化设备10为空调控制器，产能设备组30为制冷机组，产能设备301为制冷机为例，对上述步骤S11至S17的处理过程进行说明。此时，产能系数为制冷机的制冷系数，产能总需求量为制冷总需求量。
建模设备20可以针对每台制冷机，构建表征该制冷机的产能系数与负载率间的关联关系的产能负载模型，综合各制冷机的产能负载模型构建能耗模型，并将能耗模型传输至空调控制器。空调控制器接收并存储该能耗模型。
在用户选择制冷模式后，空调控制器查询出制冷模式对应的制冷总需求量，也可以是由用户向空调控制器输入制冷总需求量。空调控制器根据制冷总需求量构建约束条件，同时调取制冷机组的能耗模型，以总能耗最小为优化方向，基于约束条件，对能耗模型进行能耗优化处理，得到能耗优化方案。
空调控制器得到能耗优化方案后，针对每台制冷机，按照能耗优化方案中该制冷机对应的优化负载率，控制该制冷机的运行。
通过上述步骤S11至S17，综合考量产能设备组中的每台产能设备，有机地将总能耗、产能系数与负载率间关系的能耗模型与负载率的设置优化结合在一起，自动进行能耗优化，极大地提升了能耗优化效果。同时，能耗优化过程自动实现，无需依赖技术人员，大大缩短了能耗优化耗时。
在一种可能的实施方式中，在上述步骤S11之前，能耗优化方法还可以包括构建产能设备组的能耗模型的步骤，参照图3，该步骤可以有以下实施方式。
S21，获取产能设备组的每台产能设备的历史运行数据。
在本实施方式中，历史运行数据可以包括多个负载率和每个负载率对应的产能系数。产能系数指的是单位功耗所获得的产量，负载率可以指的是单位时间的实际生产量与额定生产量的比值。
S22，根据历史运行数据进行模型拟合，得到每台产能设备的产能负载模型。
S23，基于所有产能设备的产能负载模型，构建产能设备组的能耗模型。
对于步骤S21，当产能设备301为焊接设备时，历史运行参数中的产能系数表征单位功耗产出的焊接量。当产能设备301为加工设备时，产能系数表征单位功耗完成的加工量。当产能设备301为制冷机时，产能系数即为制冷系数，即单位功耗所能获得的制冷量。技术人员可以从生产车间或数据中心获取每台制冷机的历史运行参数。
以制冷机组为例，该制冷机组所在的空调系统安装于制药厂的综合制剂车间，制冷机组包括三态制冷机，三台制冷机的历史运行参数可以如下表1所示，COP1为第一台制冷机的制冷系数，COP2为第二台制冷机的制冷系数，COP3为第三台制冷机的制冷系数。
表1
对于步骤S22，可以采用任一种拟合算法，也可以采用预设拟合规则，拟合出每台产能设备301的产能系数与负载率间的关系模型，即产能负载模型。
为了提升产能负载模型的准确性，在步骤S22中可以引入构建多个模型的构思。针对每台产能设备301，可以采用多种模型拟合算法，基于产能设备301的历史运行数据，拟合出多个产能负载模型。
由于产能系数与负载率间不存在简单的线性关系，而是相对复杂的非线性关系，因此，模型拟合算法为非线性拟合算法，包括但不限于是：多项式回归算法、Logistic曲线拟合算法、指数曲线拟合算法、Gompertz曲线算法、高斯峰值算法以及Michaelis-Menten方程法（即米氏方程法）。
以产能设备组30为制冷机组为例，表征制冷机的制冷系数和负载率间的关联关系的产能负载模型（此时也可以称为制冷负载模型）可以包括：
（1）多项式回归算法得到的模型：。
（2）Logistic曲线拟合算法得到的模型：。
（3）指数曲线拟合算法得到的模型：。
（4）Gompertz曲线算法得到的模型：。
（5）高斯峰值算法得到的模型：。
（6）Michaelis-Menten方程法得到的模型：。
上述模型中，，/>，/>均表示常数，/>表征产能系数，/>表征负载率。
产能设备301的多个产能负载模型可以用=/>进行通用性表达，其中，表征第/>个产能设备301的产能系数，/>表征第/>个产能设备301的产能负载模型的表达式。
如此，能够尽可能覆盖产能设备301的产能系数与负载率间的所有关联关系，以在一定程度上避免模型偏颇造成的误差，有助于提升能耗优化效果。
对于步骤S23，构建产能设备组30的能耗模型的方式可以灵活选择，例如，可以综合产能设备301的产能负载模型构建能耗模型，也可以从每个产能设备301的多个产能负载模型中选择一个构建能耗模型，在本实施方式中，不作具体限定。
为了提升能耗优化的准确度，参照图4，步骤S23可以包括以下实施方式。
S231，针对每台产能设备301，对产能设备301的每个产能负载模型进行误差评估，得到每个产能负载模型的模型误差值。
S232，从产能设备301的所有产能负载模型中，选择模型误差值最小的产能负载模型作为产能设备301的最佳模型。
S233，基于所有产能设备301的最佳模型，构建产能设备组30的能耗模型。
对于步骤S231，针对产能设备301的每个产能负载模型，可以将该产能设备301的历史负载率输入产能负载模型，得到预测制冷系数，根据预测制冷系数和负载率对应的实际制冷系数，计算产能负载模型的模型误差值。
计算模型误差值的方式可以灵活选择，例如，可以是计算R平方（），也可以是计算均方根误差（RMSE），还可以是计算误差平方和（SSE），在本实施方式中，不作限定。
在步骤S232中，若S231中的模型误差值是采用R平方计算的值时，模型误差值可以表示为，则从产能设备301的所有产能负载模型中，选择/>值最大的产能负载模型作为产能设备301的最佳模型。
在步骤S233中，将各产能设备301的产能负载模型（最佳模型）与总能耗间的关系模型，得到能耗模型。
能耗模型可以表示为：
其中，表征产能设备组30的总能耗，/>表征产能设备301的数量，/>表征第/>个产能设备301的额定产能量，/>表征第/>个产能设备301的负载率，/>表征第/>个产能设备301的产能负载模型。
在产能设备组30为制冷机组时，额定产能量即为额定制冷量。此时，能耗模型中的可以是指数曲线拟合算法得到的模型，该模型表征的关系更贴近制冷机的制冷系数与负载率间的实际关系。
通过上述步骤S21至S23及相关实施方式，通过为每台产能设备301拟合多个产能负载模型，并选择误差值最小的产能负载模型来构建产能设备组30的能耗模型，使得到的能耗模型更贴近产能设备组30运行时的负载率与总能耗间的关系，从而有助于提升能耗优化效果。
对于步骤S11，考虑到每台产能设备301的负载率具有上限值，因此构建约束条件时考虑产能总需求量和负载率上限的限制。可以基于产能总需求量，构建关于产能设备组30的总制冷量的约束函数。
约束函数可以为：
其中，表征产能设备301的数量，/>表征第/>个产能设备301的额定产能量，/>表征第/>个产能设备301的负载率。应当理解的是，/>表征产能设备组30的总产能量，/>表征产能总需求量。
在步骤S15中，对能耗模型进行能耗优化处理的方式可以灵活选择，例如，可以按预设规则进行优化计算，也可以采用机器学习模型进行能耗优化求解，还可以采用任一项运筹优化算法进行优化求解，在本实施方式中，不作限定。
在一种可能的实施方式中，S15中，可以以总能耗最小为优化方向，以负载率为优化变量，基于约束条件，采用梯度下降算法，对能耗模型进行迭代优化，计算出能耗优化方案。
应当理解的是，能耗优化方案包括每个产能设备301的负载率以及理论总能耗。
在实际应用过程中，随着投产时长的变长，产能设备301的性能会有变化，通常是性能下降，性能下降会影响负载率和功耗间的关系，随之能耗模型的准确性会降低，影响能耗优化效果。为了提升能耗模型的准确性，以保证能耗优化效果，本发明实施例提供的能耗优化方法还可以包括更新能耗模型的步骤，该步骤可以在上述步骤S23之后执行。
可选的，参照图5，更新能耗模型的步骤可以包括以下实施方式。
S24，在能耗模型上线后，获取能耗模型的历次能耗优化方案及每个能耗优化方案对应的实际总能耗。
S25，根据能耗优化方案及每个能耗优化方案对应的实际总能耗，计算出能耗误差值。
S26，在能耗误差值大于预设的误差阈值时，获取每台产能设备在当前时刻之前的历史运行数据。并在步骤S26之后返回执行步骤S22，以更新产能设备组30的能耗模型。
S25中，可以采用任一种误差算法，计算能耗优化方案中的理论总能耗与该能耗优化方案对应的实际总能耗间的能耗误差值，例如，能耗误差值可以是理论总能耗和实际总能耗间的均方差，也可以是误差平方和，还可以是均方根误差。
通过上述步骤S21至S26，能够及时对能耗模型进行更新，使其能更准确地表征产能设备组30的能耗与负载率、制冷系数间的关系，有助于提升能耗优化效果。
在一种可能的实施方式中，对上述能耗优化方法进行了验证。
选择包括三台制冷机的制冷机组作为能耗优化对象，并在进行能耗优化前，以制冷总需求量（产能总需求量）为D=6476kw控制目标，控制制冷机组运行，记录实际总能耗，即优化前的实际总能耗。
验证时，以制冷机组作为产能设备组30，采用上述步骤S21至S26的方法，构建了空调系统的制冷机组的能耗模型，制冷机组的共有三台制冷机，并以制冷总需求量（产能总需求量）为D=6476kw构建约束条件，采用上述步骤S11至S17的步骤对制冷机组进行能耗优化，得到能耗优化方案：=78.83%，/>=78.83%，/>76.57%，理论总能耗为1264.75J。
在优化运用时，按照能耗优化方案对制冷机组的各制冷机进行运行控制，并记录实际总能耗，即优化后的实际总能耗。
将优化前的实际总能耗与优化后的实际总能耗进行比对，优化后的实际总能耗产生明显下降。
基于与上述能耗优化方法相同的发明构思，在一种可能的实施方式中，还提供了一种能耗优化装置40，参照图6，可以包括约束构建模块401、模型获取模块402、优化决策模块403和优化控制模块404。
约束构建模块401，用于获取产能设备组的产能总需求量，根据产能总需求量构建约束条件。
模型获取模块402，用于调取产能设备组的能耗模型。其中，能耗模型表征产能设备组的所有产能设备的产能负载模型与总能耗间的关联关系，每个产能负载模型表征一个产能设备的产能系数与负载率间的关联关系，且为表征该产能设备的产能系数与负载率间的关联关系的多个模型中的最佳模型。
优化决策模块403，用于以总能耗最小为优化方向，基于约束条件，对能耗模型进行能耗优化处理，得到能耗优化方案。其中，能耗优化方案包括每台产能设备301的优化负载率。
优化控制模块404，用于针对每台产能设备，按照产能设备对应的优化负载率进行运行控制。
进一步的，还可以包括模型构建模块，用于：获取产能设备组的每台产能设备的历史运行数据；根据历史运行数据进行模型拟合，得到每台产能设备的产能负载模型；基于所有产能设备的产能负载模型，构建产能设备组的能耗模型。
其中，历史运行数据包括多个负载率和每个负载率对应的产能系数。
上述能耗优化装置40中，通过约束构建模块401、模型获取模块402、优化决策模块403和优化控制模块404的协同作用，综合考量产能设备组中的每台产能设备，有机地将总能耗、产能系数与负载率间关系的能耗模型与负载率的设置优化结合在一起，自动进行能耗优化，极大地提升了能耗优化效果。同时，能耗优化过程自动实现，无需依赖技术人员，大大缩短了能耗优化耗时。
关于能耗优化装置40的具体实现可以参见上文中对于能耗优化方法的实现，在此不再赘述。
本发明实施方式提供的一种电子装置，电子装置包括：第一处理单元、第二处理单元、第三处理单元和第四单元。
其中，第一处理单元，用于获取产能设备组的产能总需求量，根据产能总需求量构建约束条件。
第二处理单元，用于调取产能设备组的能耗模型。其中，能耗模型表征产能设备组的所有产能设备的产能负载模型与总能耗间的关联关系，产能负载模型表征产能设备的产能系数与负载率间的关联关系。
第三处理单元，用于以总能耗最小为优化方向，基于约束条件，对所述能耗模型进行能耗优化处理，得到能耗优化方案。其中，能耗优化方案包括每台产能设备的优化负载率。
第四处理单元，用于针对每台产能设备，按照产能设备对应的优化负载率进行运行控制。
需要说明的是，本实施例所提供的电子装置，其可以执行上述能耗优化方法流程实施方式所示的方法流程，以实现对应的技术效果。为简要描述，本实施例部分未提及之处，可参考上述实施例中的相应内容。
可选的，第一处理单元、第二处理单元、第三处理单元和第四处理单元可以分开设置，也可以集成在一个单元中，即处理单元，本发明对于第一处理单元、第二处理单元、第三处理单元和第四处理单元的具体实现方式，不做具体限定。
可选的，电子装置还可以包括存储单元，该存储单元存储有程序或指令。当第一处理单元、第二处理单元、第三处理单元和第四处理单元执行该程序或指令时，使得电子装置可以执行本发明能耗优化方法中任一种可能的实施方式。
电子装置可以是空调器、空调控制器、空调系统的控制器、中央空调系统、中央空调系统的中控系统，还可以是与空调系统通信连接的计算机设备，例如手机、行车电脑以及服务器等等，也可以是可设置于空调器的芯片（系统）或其他部件或组件，本发明对此不做限定。
此外，电子装置的技术效果可以参见上述能耗优化方法实施例所示的方法的技术效果，此处不再赘述。
本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令、程序，该计算机指令、程序在被读取并运行时执行上述实施例的方法。该存储介质可以包括内存、闪存、寄存器或者其结合等。
下面提供一种电子设备50，可以是空调器、空调控制器、空调系统的控制器、中央空调系统、中央空调系统的中控系统，还可以是与空调系统通信连接的计算机设备，例如手机、行车电脑以及服务器等等。该电子设备50如图7所示，可以实现上述方法；具体的，该电子设备50包括通过系统总线连接的处理器、存储器和通信模块。处理器可以是CPU。存储器用于存储一个或多个程序，当一个或多个程序被处理器执行时，执行上述实施方式提供的能耗优化方法。所述存储器、处理器以及通信模块各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，存储器用于存储程序或者数据。所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
处理器用于读/写存储器中存储的数据或程序，并执行本发明任意实施例提供的方法。
通信模块用于通过网络建立电子设备50与其他通信终端之间的通信连接，并用于通过网络收发数据。
应当理解的是，图7所示的结构仅为电子设备50的结构示意图，所述电子设备50还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。
本发明实施例提供一种计算机程序产品，该计算机程序产品包括：计算机程序(也可以称为代码，或指令)，当该计算机程序被运行时，使得计算机执行本发明方法实施例中的任一种可能的实现方式所述的能耗优化方法。
综上所述，本发明实施例提供的能耗优化方法、装置及电子设备包括以下有益效果：（1）有机地将预测产能系数（例如制冷机的制冷系数）与负载率间关系的产能负载模型与负载率的设置优化结合在一起，综合运用非线性回归、运筹优化等多种量化分析技术对产能设备组进行能耗优化，达到了节能减耗的效果；（2）运用多种不同类型的非线性拟合方法构建产能系数（例如制冷系数）与负载率间关系的产能负载模型，并比较筛选出最佳模型，提升模型准确度；（3）基于各最佳模型构建的总能耗模型，确保了后期运筹优化的可行性和准确性。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，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)
1.一种能耗优化方法，其特征在于，所述方法包括：
获取产能设备组的产能总需求量，根据所述产能总需求量构建约束条件；
调取所述产能设备组的能耗模型；其中，所述能耗模型表征所述产能设备组的所有产能设备的产能负载模型与总能耗间的关联关系，每个所述产能负载模型为表征一个产能设备的产能系数与负载率间的关联关系的多个模型中的最佳模型；
以总能耗最小为优化方向，基于所述约束条件，对所述能耗模型进行能耗优化处理，得到能耗优化方案；其中，所述能耗优化方案包括每台产能设备的优化负载率；
针对每台所述产能设备，按照所述产能设备对应的优化负载率进行运行控制；
所述根据所述产能总需求量构建约束条件的步骤，包括：
基于所述产能总需求量，构建关于产能设备组的总制冷量的约束函数；
所述约束函数包括：
其中，表征产能设备的数量，/>表征第/>个产能设备的额定产能量，/>表征第/>个产能设备的负载率，/>表征产能总需求量；
所述以总能耗最小为优化方向，基于所述约束条件，对所述能耗模型进行能耗优化处理，得到能耗优化方案的步骤，包括：
以总能耗最小为优化方向，以负载率为优化变量，基于所述约束条件，采用梯度下降算法，对所述能耗模型进行迭代优化，计算出能耗优化方案；
在所述获取产能设备组的产能总需求量，根据所述产能总需求量构建约束条件的步骤之前，所述方法还包括构建产能设备组的能耗模型的步骤，该步骤包括：
获取产能设备组的每台产能设备的历史运行数据；其中，所述历史运行数据包括多个负载率和每个负载率对应的产能系数；
根据所述历史运行数据进行模型拟合，得到每台所述产能设备的产能负载模型；
基于所有所述产能设备的产能负载模型，构建所述产能设备组的能耗模型；
所述能耗模型包括：
其中，表征产能设备组的总能耗，/>表征产能设备的数量，/>表征第/>个产能设备的额定产能量，/>表征第/>个产能设备的负载率，/>表征第/>个产能设备的产能负载模型。
2.根据权利要求1所述的能耗优化方法，其特征在于，所述根据所述历史运行数据进行模型拟合，得到每台所述产能设备的产能负载模型的步骤，包括：
针对每台所述产能设备，基于所述产能设备的历史运行数据，采用多种模型拟合算法，拟合出多个产能负载模型。
3.根据权利要求2所述的能耗优化方法，其特征在于，所述基于所有所述产能设备的产能负载模型，构建所述产能设备组的能耗模型的步骤，包括：
针对每台所述产能设备，对所述产能设备的每个产能负载模型进行误差评估，得到每个所述产能负载模型的模型误差值；
从所述产能设备的所有产能负载模型中，选择所述模型误差值最小的产能负载模型作为所述产能设备的最佳模型；
基于所有所述产能设备的最佳模型，构建所述产能设备组的能耗模型。
4.根据权利要求1所述的能耗优化方法，其特征在于，所述能耗优化方案还包括理论总能耗；
在所述基于所有所述产能设备的产能负载模型，构建所述产能设备组的能耗模型的步骤之后，所述方法还包括：
在所述能耗模型上线后，获取所述能耗模型的历次能耗优化方案及每个所述能耗优化方案对应的实际总能耗；
根据所述能耗优化方案及每个所述能耗优化方案对应的实际总能耗，计算出能耗误差值；
在所述能耗误差值大于预设的误差阈值时，获取每台所述产能设备在当前时刻之前的历史运行数据，并返回执行所述根据所述历史运行数据进行模型拟合，得到每台所述产能设备的产能负载模型的步骤，以更新所述产能设备组的能耗模型。
5.一种能耗优化装置，其特征在于，包括约束构建模块、模型获取模块、优化决策模块和优化控制模块；
所述约束构建模块，用于获取产能设备组的产能总需求量，根据所述产能总需求量构建约束条件；
所述模型获取模块，用于调取所述产能设备组的能耗模型；其中，所述能耗模型表征所述产能设备组的所有产能设备的产能负载模型与总能耗间的关联关系，每个所述产能负载模型为表征一个产能设备的产能系数与负载率间的关联关系的多个模型中的最佳模型；
所述优化决策模块，用于以总能耗最小为优化方向，基于所述约束条件，对所述能耗模型进行能耗优化处理，得到能耗优化方案；其中，所述能耗优化方案包括每台产能设备的优化负载率；
所述优化控制模块，用于针对每台所述产能设备，按照所述产能设备对应的优化负载率进行运行控制；
所述约束构建模块，还用于：
基于所述产能总需求量，构建关于产能设备组的总制冷量的约束函数；
所述约束函数包括：
其中，表征产能设备的数量，/>表征第/>个产能设备的额定产能量，/>表征第/>个产能设备的负载率，/>表征产能总需求量；
所述优化决策模块，还用于：
以总能耗最小为优化方向，以负载率为优化变量，基于所述约束条件，采用梯度下降算法，对所述能耗模型进行迭代优化，计算出能耗优化方案；
所述能耗优化装置还包括模型构建模块，用于：
获取产能设备组的每台产能设备的历史运行数据；其中，所述历史运行数据包括多个负载率和每个负载率对应的产能系数；
根据所述历史运行数据进行模型拟合，得到每台所述产能设备的产能负载模型；
基于所有所述产能设备的产能负载模型，构建所述产能设备组的能耗模型；
所述能耗模型包括：
其中，表征产能设备组的总能耗，/>表征产能设备的数量，/>表征第/>个产能设备的额定产能量，/>表征第/>个产能设备的负载率，/>表征第/>个产能设备的产能负载模型。
6.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现如权利要求1至4中任一项所述的能耗优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038800.6A CN117557070B (zh) | 2024-01-11 | 2024-01-11 | 能耗优化方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038800.6A CN117557070B (zh) | 2024-01-11 | 2024-01-11 | 能耗优化方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557070A CN117557070A (zh) | 2024-02-13 |
| CN117557070B true CN117557070B (zh) | 2024-04-12 |
Family
ID=89823529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410038800.6A Active CN117557070B (zh) | 2024-01-11 | 2024-01-11 | 能耗优化方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557070B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110595008A (zh) * | 2019-10-28 | 2019-12-20 | 山东建筑大学 | 一种地源热泵空调系统多设备协同优化方法及系统 |
| CN111536671A (zh) * | 2020-06-04 | 2020-08-14 | 中国工商银行股份有限公司 | 空调系统运行控制方法和装置、电子设备和存储介质 |
| 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 |
| 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 |
| CN114707288A (zh) * | 2021-12-23 | 2022-07-05 | 国网山东省电力公司潍坊供电公司 | 一种楼宇级用能优化方法及系统 |
| CN115309603A (zh) * | 2021-11-30 | 2022-11-08 | 宁波亮控信息科技有限公司 | 一种数据中心能耗预测优化方法、系统、介质及计算设备 |
| CN115358509A (zh) * | 2022-07-04 | 2022-11-18 | 国网山东省电力公司营销服务中心(计量中心) | 一种用户综合能耗优化控制方法及系统 |
| WO2023030522A1 (zh) * | 2021-09-06 | 2023-03-09 | 中国移动通信集团设计院有限公司 | 一种数据中心空调系统诊断方法及装置 |
| CN116558049A (zh) * | 2023-03-27 | 2023-08-08 | 四川数字经济产业发展研究院 | 一种基于中央空调负荷动态预测的系统及优化控制方法 |
| WO2023155430A1 (zh) * | 2022-02-15 | 2023-08-24 | 华东理工大学 | 一种工业生产过程的全局能耗优化方法及装置 |
| CN116839173A (zh) * | 2022-03-25 | 2023-10-03 | 北京国双科技有限公司 | 一种能耗优化方法、装置、存储介质和电子设备 |
| CN116911437A (zh) * | 2023-06-20 | 2023-10-20 | 上海奉贤燃机发电有限公司 | 一种考虑负载响应特性的数据中心能源系统优化调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020107851A1 (zh) * | 2018-11-29 | 2020-06-04 | 天津大学 | 基于既有大型公共建筑空调系统的低成本调适方法及调适系统 |
-
2024
- 2024-01-11 CN CN202410038800.6A patent/CN117557070B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2021063033A1 (zh) * | 2019-09-30 | 2021-04-08 | 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 |
| CN110595008A (zh) * | 2019-10-28 | 2019-12-20 | 山东建筑大学 | 一种地源热泵空调系统多设备协同优化方法及系统 |
| CN111536671A (zh) * | 2020-06-04 | 2020-08-14 | 中国工商银行股份有限公司 | 空调系统运行控制方法和装置、电子设备和存储介质 |
| 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 |
| WO2023030522A1 (zh) * | 2021-09-06 | 2023-03-09 | 中国移动通信集团设计院有限公司 | 一种数据中心空调系统诊断方法及装置 |
| CN115309603A (zh) * | 2021-11-30 | 2022-11-08 | 宁波亮控信息科技有限公司 | 一种数据中心能耗预测优化方法、系统、介质及计算设备 |
| CN114707288A (zh) * | 2021-12-23 | 2022-07-05 | 国网山东省电力公司潍坊供电公司 | 一种楼宇级用能优化方法及系统 |
| WO2023155430A1 (zh) * | 2022-02-15 | 2023-08-24 | 华东理工大学 | 一种工业生产过程的全局能耗优化方法及装置 |
| CN116839173A (zh) * | 2022-03-25 | 2023-10-03 | 北京国双科技有限公司 | 一种能耗优化方法、装置、存储介质和电子设备 |
| CN115358509A (zh) * | 2022-07-04 | 2022-11-18 | 国网山东省电力公司营销服务中心(计量中心) | 一种用户综合能耗优化控制方法及系统 |
| CN116558049A (zh) * | 2023-03-27 | 2023-08-08 | 四川数字经济产业发展研究院 | 一种基于中央空调负荷动态预测的系统及优化控制方法 |
| CN116911437A (zh) * | 2023-06-20 | 2023-10-20 | 上海奉贤燃机发电有限公司 | 一种考虑负载响应特性的数据中心能源系统优化调度方法 |
Non-Patent Citations (3)
| Title |
|---|
| "基于运行数据的大型空调冷站优化控制研究与应用";易检长等;《建筑节能》;20220225;第50卷(第372期);23-27页 * |
| 成本约束下的云计算能耗资源调度优化算法;郝亮;崔刚;曲明成;张康;;高技术通讯;20140515(第05期);全文 * |
| 郝亮 ; 崔刚 ; 曲明成 ; 张康 ; .成本约束下的云计算能耗资源调度优化算法.高技术通讯.2014,(第05期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557070A (zh) | 2024-02-13 |
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 | |
| US11644207B2 (en) | Smart thermostat with model predictive control | |
| CN111096094B (zh) | 经由智能供应空气温度设定点控制的冷却单元能量优化 | |
| US10461954B2 (en) | Intelligent equipment sequencing | |
| US11042924B2 (en) | Building controller for optimizing equipment upgrades with design of experiments | |
| US11085663B2 (en) | Building management system with triggered feedback set-point signal for persistent excitation | |
| KR101754536B1 (ko) | 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치 | |
| CN108320042B (zh) | 循环水系统的优化方法与装置 | |
| US20210254851A1 (en) | Air conditioning control device and air conditioning control method | |
| CN111928429A (zh) | 数据中心制冷系统的节能控制方法与装置 | |
| EP4089619A1 (en) | Building equipment energy management control system and control method therefor | |
| Lara et al. | Modeling and identification of the cooling dynamics of a tropical island hotel | |
| US20170211832A1 (en) | Tuning model structures of dynamic systems | |
| WO2019051963A1 (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
| CN112105233A (zh) | 节能控制方法、装置、电子设备和计算机可读介质 | |
| CN116839173A (zh) | 一种能耗优化方法、装置、存储介质和电子设备 | |
| CN117557070B (zh) | 能耗优化方法、装置及电子设备 | |
| Stock et al. | HVAC performance evaluation and optimization algorithms development for large buildings | |
| CN114117778A (zh) | 控制参数确定方法、装置、电子设备和存储介质 | |
| CN113170592B (zh) | 基于监测/控制机制的热控制优化 | |
| KR20230044276A (ko) | 압축기실 제어 방법 및 압축기실 제어 장치 | |
| CN112944599A (zh) | 空调系统的多参数耦合控制方法及装置 | |
| WO2013034171A1 (en) | Arrangement and method for system identification of an industrial plant or process | |
| CN116011346A (zh) | 设备模型的建立方法、暖通系统的调优方法和电子设备 | |
| TW202343175A (zh) | 適於空氣壓縮機群組的最佳化系統及其方法 |
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 |