CN117824114A - 一种冷水机组最优控制方法、装置、终端及介质 - Google Patents

一种冷水机组最优控制方法、装置、终端及介质 Download PDF

Info

Publication number
CN117824114A
CN117824114A CN202311856123.0A CN202311856123A CN117824114A CN 117824114 A CN117824114 A CN 117824114A CN 202311856123 A CN202311856123 A CN 202311856123A CN 117824114 A CN117824114 A CN 117824114A
Authority
CN
China
Prior art keywords
cold
machine
chiller
load
optimal
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
Application number
CN202311856123.0A
Other languages
English (en)
Inventor
肖建平
林喆
李杭
王维
林钰麒
傅东东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Shanghai Architectural Design and Research Institute Co Ltd
Original Assignee
China Shanghai Architectural Design and Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Shanghai Architectural Design and Research Institute Co Ltd filed Critical China Shanghai Architectural Design and Research Institute Co Ltd
Priority to CN202311856123.0A priority Critical patent/CN117824114A/zh
Publication of CN117824114A publication Critical patent/CN117824114A/zh
Pending legal-status Critical Current

Links

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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • 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
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/88—Electrical aspects, e.g. circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种冷水机组最优控制方法，所述方法包括：根据冷机机组建立冷机运行模型，通过粒子群优化算法获取所述冷机运行模型的制冷量‑最优工况序列表；根据制冷量‑最优工况序列表中开启冷机的变化情况划分出若干冷负荷区间；基于冷机机组的历史运行数据拟合得到时间‑冷负荷预测曲线；结合时间‑冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表；根据所述加减机日程表对冷机机组的进行加减机控制。本发明结合空调冷源运行的原理进行建模，并通过优化算法找寻不同冷负荷下冷机最佳能效工况组合，结合冷负荷预测曲线计算出全天的加减机时间点进行控制，使冷机始终运行在最优能效工况以降低能耗，能够更灵敏控制冷机组合。

Description

一种冷水机组最优控制方法、装置、终端及介质
技术领域
本发明涉及能源控制技术领域，尤其涉及一种冷水机组最优控制方法、装置、终端及介质。
背景技术
中央空调的冷源系统主要由冷机、冷却塔、阀门、水泵、管道构成，冷机是其中的核心部件，在运行时的能耗占到了冷源系统总能耗的50％以上，因此对冷水机组的控制一直是研究的重点。目前业内较为常见的自动控制的策略一般是通过回水温度使用PID实现冷机的变频控制，当冷机变频至上限但供水温度依旧高于设定温度时进行加机操作，变频至下限但供水温度依旧低于设定温度时减机；还有一类较常见的控制方式是通过供回水的温差与水流量计算当前消耗的冷量，若当前消耗的冷量比目前开启冷机的额定功率之和要高则进行加机，若当前消耗的冷量小于目前开启冷机的额定功率之和且大于减一台冷机后剩余冷机的额定功率之和则进行减机。
然而现有的冷机控制策越仍有以下问题：一是现有的控制策略基本只以满足冷量需求为目标，没有引入冷机的性能曲线，缺乏节能方面的考虑；二是目前的控制方式都是基于监测-计算-反馈进行的控制，由于冷冻水管路较长水流经一圈的周期可能达到几十分钟，这种反馈控制的方式会存在延迟，面对如上下班这类冷负荷有快速大幅波动的时段控制表现不佳；三是控制容易陷入理论最优，进而出现过度控制的现象，例如冷机在启动时的能耗较高，但在进行加减机运算时通常会忽略这部分能耗，导致频繁启停冷机，同时还会使水系统会出现扰动，不利于控制稳定。
发明内容
为了解决上述技术问题，本发明第一方面公开了一种冷水机组最优控制方法，所述方法包括：根据冷机机组建立冷机运行模型，通过粒子群优化算法获取所述冷机运行模型的制冷量-最优工况序列表；
根据制冷量-最优工况序列表中开启冷机的变化情况划分出若干冷负荷区间；
基于冷机机组的历史运行数据拟合得到时间-冷负荷预测曲线；
结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表；
根据所述加减机日程表对冷机机组的进行加减机控制。
其中一实施方式中，所述根据冷机机组建立冷机运行模型，通过粒子群优化算法获取所述冷机运行模型的制冷量-最优工况序列表，还包括以下步骤：
基于单台冷机的历史运行数据，拟合得到单台冷机的负荷率-制冷性能的性能曲线：
根据性能曲线建立若干台冷机的冷机运行模型，设定冷机运行约束条件；所述冷机运行约束条件包括当前冷负荷下，开启冷机的制冷量CCi总和与系统总制冷量CRt相等、开启冷机的能耗总和与系统能耗总和Pt相等，冷机负荷率的取值范围为30％～100％；
通过粒子群优化算法寻找所述冷机运行模型的在不同的系统冷负荷下的最优能耗工况。
其中一实施方式中，所述制冷量-最优工况列表包括不同冷量负荷、对应的总负荷率和若干台冷机的冷机负荷。
其中一实施方式中，所述根据制冷量-最优工况序列表中开启冷机的变化情况划分出若干冷负荷区间时，包括以下步骤：
将所述制冷量-最优工况序列表按照总负荷率从低到高进行顺序排列；
当任一冷机负荷由0变为非0或由非0变为0时，则以变化的前一个总负荷率为界进行冷负荷区间划分。
其中一实施方式中，所述结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表，包括以下步骤：
将时间-冷负荷预测曲线与冷负荷区间进行叠加，得出所有时间-冷负荷预测曲线穿越冷负荷区间交界线的穿越点；
在穿越点处，若时间-冷负荷预测曲线斜率为正数则进行加机操作，斜率为负数则进行减机操作，以获取加减机日程表。
其中一实施方式中，所述结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表，还包括以下步骤：
设定时间阈值Tlimit，对每个穿越点Pi进行判定；
查询每条交界线的第一穿越点Pi以及下一个穿越所述交界线的第二穿越点Pi_rev，第一穿越点和第二穿越点对应的时间分别为Ti与Ti_rev，若Ti_rev-Ti≥Tlimit则保留所述第一穿越点的加减机操作，若Ti_rev-Ti≤Tlimit则忽略所述第一穿越点的加减机操作，继续判定下一个穿越点Pi+1直到完成所有穿越点的判定。
其中一实施方式中，所述根据所述加减机日程表对冷机机组的进行加减机控制后，还包括以下步骤：
定时采集冷机的回水温度、流量以及电流百分比；
通过以下公式计算各台冷机的设定供水温度：
其中Ti,supply为第i台冷机冷冻水的设定出水温度，Ti,return为测得的实时回水温度，CLi为该冷机当前实际的制冷量，C为水的比热容，Fi为第i台冷机当前的水流量；
通过所述设定供述温度对所述冷机进行调整。
本发明第二方面公开了一种冷水机组最优控制装置，所述装置包括：
生成模块，其用于根据冷机机组建立冷机运行模型，通过粒子群优化算法获取所述冷机运行模型的制冷量-最优工况序列表；
划分模块，其用于根据制冷量-最优工况序列表中开启冷机的变化情况划分出若干冷负荷区间；
预测模块，其用于基于冷机机组的历史运行数据拟合得到时间-冷负荷预测曲线；
结合模块，其用于结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表；
控制模块，其用于根据所述加减机日程表对冷机机组的进行加减机控制。
其中一实施方式中，所述生成模块还包括
拟合单元，其用于基于单台冷机的历史运行数据，拟合得到单台冷机的负荷率-制冷性能的性能曲线：
建立单元，其用于根据性能曲线建立若干台冷机的冷机运行模型，设定冷机运行约束条件；所述冷机运行约束条件包括当前冷负荷下，开启冷机的制冷量CCi总和与系统总制冷量CRt相等、开启冷机的能耗总和与系统能耗总和Pt相等，冷机负荷率的取值范围为30％～100％；
计算单元，其用于通过粒子群优化算法寻找所述冷机运行模型的在不同的系统冷负荷下的最优能耗工况。
本发明第三方面公开了一种冷水机组最优控制终端，所述终端包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的冷水机组最优控制方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的冷水机组最优控制方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明提供了一种冷机控制方法，首先通过对冷机运行状态的建模以及粒子群优化算法，计算不同冷负荷下最佳能效的工况，以获取最佳并与日冷负荷预测计算生成日程表来实现每日冷机加减机的控制，通过基于冷机原理的建模与科学的计算，计算出不同状态下综合能效最高的工况点，为冷源群控系统的节能控制提供理论基础。通过优化算法找寻不同冷负荷下冷机最佳能效工况组合，结合冷负荷预测曲线计算出全天的加减机时间点进行控制，不再依靠实时的回水温度进行控制判断，使冷机始终运行在最优能效工况以降低能耗，同时控制的滞后性也得到了解决。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种冷水机组最优控制方法的流程示意图；
图2是本发明实施例一中获取制冷量-最优工况序列表的流程示意图；
图3是本发明实施例一中划分冷负荷区间的示意图；
图4是本发明实施例一中冷负荷区间、时间-冷负荷预测曲线相结合的示意图；
图5是本发明实施例公开的一种冷水机组最优控制装置的结构示意图；
图6是本发明实施例公开的一种冷水机组最优控制终端的结构示意图；
图7是本发明实施例公开的一种计算机存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
相关术语：
PLR:即负荷率，冷机的负荷率是指冷机实际运行时的负荷与其额定负荷之比。负荷率通常以百分比表示，取值范围从0％到100％。合理控制冷机的负荷率可以提高能源利用效率，降低运行成本，并确保冷机的稳定运行。
COP：全称为Coefficient of Performance(性能系数),它用于评估制冷设备的制冷效率。它是单位制冷量所需的功率与制冷剂在制冷循环过程中所吸收的总热量之间的比值，COP越高代表能效越高。
本发明公开了一种冷水机组最优控制方法、装置、终端及介质，首先通过对冷机运行状态的建模以及粒子群优化算法，计算不同冷负荷下最佳能效的工况，以获取最佳并与日冷负荷预测计算生成日程表来实现每日冷机加减机的控制，通过基于冷机原理的建模与科学的计算，计算出不同状态下综合能效最高的工况点，为冷源群控系统的节能控制提供理论基础。通过优化算法找寻不同冷负荷下冷机最佳能效工况组合，结合冷负荷预测曲线计算出全天的加减机时间点进行控制，不再依靠实时的回水温度进行控制判断，使冷机始终运行在最优能效工况以降低能耗，同时控制的滞后性也得到了解决。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种冷水机组最优控制方法的流程示意图。如图1所示，该冷水机组最优控制方法可以包括以下操作：
101根据冷机机组建立冷机运行模型，通过粒子群优化算法获取所述冷机运行模型的制冷量-最优工况序列表；具体地如图2所示，包括以下步骤：
1011基于单台冷机的历史运行数据，拟合得到单台冷机的负荷率-制冷性能的性能曲线：
可以理解的是，冷水机组的COP不是一成不变的，它与冷机的负荷率PLR呈相关关系，COP与PLR的对应关系图又称为性能曲线。一般来说PLR较低时COP也偏低，COP会随着PLR的升高而提升，而当PLR接近100％时COP又会下降，节能控制本质上是满足冷量供给的条件下，让各台冷机都运行在COP相对高的工况点。
本发明实施方式中通过回归拟合的方式绘制性能曲线函数，使用历史运行数据进行性能曲线的绘制，通过对冷机历史运行数据的瞬时COP和PLR进行计算，将过往的运行数据代入下述公式一：
代入历史运行数据后求得参数ai、bi、ci的值，以绘制得到每台冷水机组的性能曲线。
1012根据性能曲线建立若干台冷机的冷机运行模型，设定冷机运行约束条件；所述冷机运行约束条件包括当前冷负荷下，开启冷机的制冷量CCi总和与系统总制冷量CRt相等、开启冷机的能耗总和与系统能耗总和Pt相等，冷机负荷率的取值范围为30％～100％；
可以理解的是，设定冷机运行约束条件能够使冷机运行模型在符合真实的冷机工况下进行运算，本实施方式中优选的设定三条约束条件，具体如下：
约束条件一：假定当前共有n台冷机，当前的冷量总需求为CRt，每台冷机的额定制冷量为CCi。则目前的所有开启的冷机的制冷量总和要与总制冷量相同。即需要满足下述公式二：
约束条件二：系统在当前状态下的能耗总和Pt是每台冷机在该状态下的能耗之和,而每台冷机的能耗是实际制冷量与COPi的比值，即需要满足下述公式三：
约束条件三：PLR是设备的负荷率，取值范围为0-1，考虑到当冷机PLR较低时COP会下降且不利于设备长期稳定运行，因此将PLR范围设置在30％至100％之间，即需要满足下述公式四：
0.3≤PLR≤1
由此在一定冷负荷的需求下，寻找开启冷机及其频率的最优组合即是在式1、2、3、4的约束条件下，在冷量需求CRt取值确定的情况下，求解各台PLRi的值以满足能耗Pt取值最小。
1013通过粒子群优化算法寻找所述冷机运行模型的在不同的系统冷负荷下的最优能耗工况。具体的，所述通过粒子群优化算法查找冷机运行模型的最优解，包括以下步骤：设定算法参数，所述算法参数包括迭代次数、学习因子、粒子群规模以及惯性权重；基于性能曲线以及冷机运行约束条件设定种群初始状态以及适应度函数；即为粒子群的所有粒子设定在一定冷负荷CRt情况下各台冷机的初始负荷率PLRt，每个粒子的初始状态需要满足公式二和公式四作为约束条件，同时将公式一和公式三作为粒子的适应度函数。最后计算粒子的适应度值，更新粒子的个体历史最优适应值和位置，并更新群体历史最优适应值和位置；所述计算粒子适应度值中，粒子位置信息和速度信息满足以下公式：
其中w为惯性权重参数，c1与c2是加速因子，表示粒子i第k+1次迭代中的变化速度，/>表示粒子i第k+1次迭代中的位置，r1与r2是一个随机数，取值范围区间[0,1]，表示粒子i本身的最优解，/>表示种群中适应度最小的粒子位置参数。
重复上述计算直到满足迭代次数，输出最优解以获取冷机运行模型的在系统冷负荷CRt下的最低能耗的冷机组合，设置不同冷负荷CRt以获取冷机运行模型的在不同的系统冷负荷下的最优能耗工况。
假设所有冷机额定制冷量之和则根据n台冷机全部全功率开启的最大制冷量每5％取点，通过上述方法分别计算CRt＝0.05CRmax/0.10CRmax/0.15CRmax..../1.00CRmax时的最优解，则可以得出在不同冷负荷下的制冷量-最优工况序列表，如下表所示：
102根据制冷量-最优工况序列表中开启冷机的变化情况划分出若干冷负荷区间；如图3所示，具体地，将所述制冷量-最优工况序列表按照总负荷率从低到高或由高到低进行顺序排列，当任一冷机负荷由0变为非0或由非0变为0时，则以变化的前一个总负荷率为界进行冷负荷区间划分。
103基于冷机机组的历史运行数据拟合得到时间-冷负荷预测曲线；结合冷负荷预测提前对冷量变化进行主动预控制，能够增强系统的稳定性和变化响应能力，避免了常规通过冷冻水回水温度进行反馈控制的滞后性。
104结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表；如图4所示，具体地，将时间-冷负荷预测曲线与冷负荷区间进行叠加，得出所有时间-冷负荷预测曲线穿越冷负荷区间交界线的穿越点；在穿越点处若时间-冷负荷预测曲线斜率为正数则进行加机操作，斜率为负数则进行减机操作，以获取加减机日程表。
105根据所述加减机日程表对冷机机组的进行加减机控制。
可以理解的是，当实际冷负荷在临界点波动并频繁穿越冷负荷交界线时，会导致群控系统频繁触发加减机信号，这种情况会导致能耗增大、设备寿命降低并且使系统水平衡受到干扰。本发明实施方式中还提出了一种避免频繁加减机的方法，包括以下步骤：设定时间阈值Tlimit，对每个穿越点Pi进行判定；查询每条交界线的第一穿越点Pi以及下一个穿越所述交界线的第二穿越点Pi_rev，第一穿越点和第二穿越点对应的时间分别为Ti与Ti_rev，若Ti_rev-Ti≥Tlimit则保留所述第一穿越点的加减机操作，若Ti_rev-Ti≤Tlimit则忽略所述第一穿越点的加减机操作，继续判定下一个穿越点Pi+1直到完成所有穿越点的判定。该方法将未来的冷负荷变化趋势融入到加减机控制策略中，可以在节能、避免频繁加减机、冷量供给三个因素中找到较好的平衡点。通过应用该避免频繁加减机的方法有效的增强了系统运行的稳定性和设备的使用寿命。
可以理解的是，冷机在各区间内运行时，供水温度的设定值并非固定值，而是随着当前水温与流量在制冷量-最优工况序列表的约束下实时进行调整。系统在采集到当前冷机的回水温度，流量、电流百分比比后，每隔60s通过如下方法计算各台冷水机组的设定供水温度,并下发至控制器调整参数：
其中Ti,supply为第i台冷机冷冻水的设定出水温度，Ti,return为测得的实时回水温度，CLi为该冷机当前实际的制冷量，C为水的比热容，Fi为第i台冷机当前的水流量；通过所述设定供述温度对所述冷机进行调整。
本发明实施例至少具有以下有益效果：
(1)通过对冷机机组进行建模和优化，获得各种不同冷负荷状态下的机组的最佳的能效组合。
(2)通过结合时间-冷负荷预测曲线提前对冷量变化进行主动预控制，增强系统的稳定性和变化响应能力，避免了常规通过冷冻水回水温度进行反馈控制的滞后性
(3)通过一种避免频繁加减机的方法提高了系统运行的稳定性和设备的使用寿命。
(4)通过动态计算并更新冷机的出水温度的设定值，实现冷机变频控制。
可见，实施图1所描述的冷水机组最优控制方法，首先通过对冷机运行状态的建模以及粒子群优化算法，计算不同冷负荷下最佳能效的工况，以获取最佳并与日冷负荷预测计算生成日程表来实现每日冷机加减机的控制，通过基于冷机原理的建模与科学的计算，计算出不同状态下综合能效最高的工况点，为冷源群控系统的节能控制提供理论基础。通过优化算法找寻不同冷负荷下冷机最佳能效工况组合，结合冷负荷预测曲线计算出全天的加减机时间点进行控制，不再依靠实时的回水温度进行控制判断，使冷机始终运行在最优能效工况以降低能耗，同时解决了现有冷机控制策略中的滞后性问题。
实施例二
请参阅图5，图5是本发明实施例公开的一种冷水机组最优控制装置的结构示意图。如图5所示，该冷水机组最优控制装置可以包括：
生成模块201，其用于根据冷机机组建立冷机运行模型，通过粒子群优化算法获取所述冷机运行模型的制冷量-最优工况序列表；
划分模块202，其用于根据制冷量-最优工况序列表中开启冷机的变化情况划分出若干冷负荷区间；
预测模块203，其用于基于冷机机组的历史运行数据拟合得到时间-冷负荷预测曲线；
结合模块204，其用于结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表；
控制模块205，其用于根据所述加减机日程表对冷机机组的进行加减机控制。
进一步的实施方式中，所述生成模块还包括
拟合单元，其用于基于单台冷机的历史运行数据，拟合得到单台冷机的负荷率-制冷性能的性能曲线：
建立单元，其用于根据性能曲线建立若干台冷机的冷机运行模型，设定冷机运行约束条件；所述冷机运行约束条件包括当前冷负荷下，开启冷机的制冷量CCi总和与系统总制冷量CRt相等、开启冷机的能耗总和与系统能耗总和Pt相等，冷机负荷率的取值范围为30％～100％；
计算单元，其用于通过粒子群优化算法寻找所述冷机运行模型的在不同的系统冷负荷下的最优能耗工况。
对于上述冷水机组最优控制装置的具体描述可以参照上述冷水机组最优控制方法的具体描述，在此不再一一赘述。
实施例三
请参阅图6，图6是本发明实施例公开的一种冷水机组最优控制终端的结构示意图。如图6所示，该冷水机组最优控制终端可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的冷水机组最优控制方法中的步骤。
实施例四
请参阅图7，图7是本发明实施例公开的一种计算机存储介质的结构示意图。如图7所示，本发明实施例公开了一种计算机存储介质401，计算机存储介质401存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的冷水机组最优控制方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各冷水机组最优控制方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
或者，本发明上述集成的单元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，也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，本发明实施例的技术方案本质上或者说对相关技术做出贡献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、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的冷水机组最优控制方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种冷水机组最优控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-OnlyMemory，ROM)、随机存储器(RandomAccessMemory，RAM)、可编程只读存储器(ProgrammableRead-onlyMemory，PROM)、可擦除可编程只读存储器(ErasableProgrammableReadOnlyMemory，EPROM)、一次可编程只读存储器(One-timeProgrammableRead-OnlyMemory，OTPROM)、电子抹除式可复写只读存储器(Electrically-ErasableProgrammableRead-OnlyMemory，EEPROM)、只读光盘(CompactDiscRead-OnlyMemory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种冷水机组最优控制方法、装置、终端及介质所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (11)

1.一种冷水机组最优控制方法，其特征在于，所述方法包括：
根据冷机机组建立冷机运行模型，通过粒子群优化算法获取所述冷机运行模型的制冷量-最优工况序列表；
根据制冷量-最优工况序列表中开启冷机的变化情况划分出若干冷负荷区间；
基于冷机机组的历史运行数据拟合得到时间-冷负荷预测曲线；
结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表；
根据所述加减机日程表对冷机机组的进行加减机控制。
2.根据权利要求1所述的方法，其特征在于，所述根据冷机机组建立冷机运行模型，通过粒子群优化算法获取所述冷机运行模型的制冷量-最优工况序列表，还包括以下步骤：
基于单台冷机的历史运行数据，拟合得到单台冷机的负荷率-制冷性能的性能曲线：
根据性能曲线建立若干台冷机的冷机运行模型，设定冷机运行约束条件；所述冷机运行约束条件包括当前冷负荷下，开启冷机的制冷量CCi总和与系统总制冷量CRt相等、开启冷机的能耗总和与系统能耗总和Pt相等，冷机负荷率的取值范围为30％～100％；
通过粒子群优化算法寻找所述冷机运行模型的在不同的系统冷负荷下的最优能耗工况。
3.根据权利要求1所述的方法，其特征在于，所述制冷量-最优工况列表包括不同冷量负荷、对应的总负荷率和若干台冷机的冷机负荷。
4.根据权利要求3所述的方法，其特征在于，所述根据制冷量-最优工况序列表中开启冷机的变化情况划分出若干冷负荷区间时，包括以下步骤：
将所述制冷量-最优工况序列表按照总负荷率从低到高进行顺序排列；
当任一冷机负荷由0变为非0或由非0变为0时，则以变化的前一个总负荷率为界进行冷负荷区间划分。
5.根据权利要求3所述的方法，其特征在于，所述结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表，包括以下步骤：
将时间-冷负荷预测曲线与冷负荷区间进行叠加，得出所有时间-冷负荷预测曲线穿越冷负荷区间交界线的穿越点；
在穿越点处，若时间-冷负荷预测曲线斜率为正数则进行加机操作，斜率为负数则进行减机操作，以获取加减机日程表。
6.根据权利要求5所述的方法，其特征在于，所述结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表，还包括以下步骤：
设定时间阈值Tlimit，对每个穿越点Pi进行判定；
查询每条交界线的第一穿越点Pi以及下一个穿越所述交界线的第二穿越点Pi_rev，第一穿越点和第二穿越点对应的时间分别为Ti与Ti_rev，若Ti_rev-Ti≥Tlimit则保留所述第一穿越点的加减机操作，若Ti_rev-Ti≤Tlimit则忽略所述第一穿越点的加减机操作，继续判定下一个穿越点Pi+1直到完成所有穿越点的判定。
7.根据权利要求3所述的方法，其特征在于，所述根据所述加减机日程表对冷机机组的进行加减机控制后，还包括以下步骤：
定时采集冷机的回水温度、流量以及电流百分比；
通过以下公式计算各台冷机的设定供水温度：
其中Ti,supply为第i台冷机冷冻水的设定出水温度，Ti,return为测得的实时回水温度，CLi为该冷机当前实际的制冷量，C为水的比热容，Fi为第i台冷机当前的水流量；
通过所述设定供述温度对所述冷机进行调整。
8.一种冷水机组最优控制装置，其特征在于，所述装置包括：
生成模块，其用于根据冷机机组建立冷机运行模型，通过粒子群优化算法获取所述冷机运行模型的制冷量-最优工况序列表；
划分模块，其用于根据制冷量-最优工况序列表中开启冷机的变化情况划分出若干冷负荷区间；
预测模块，其用于基于冷机机组的历史运行数据拟合得到时间-冷负荷预测曲线；
结合模块，其用于结合时间-冷负荷预测曲线以及冷负荷区间，获取冷机机组的加减机日程表；
控制模块，其用于根据所述加减机日程表对冷机机组的进行加减机控制。
9.根据权利要求7所述的装置，其特征在于，所述生成模块还包括
拟合单元，其用于基于单台冷机的历史运行数据，拟合得到单台冷机的负荷率-制冷性能的性能曲线：
建立单元，其用于根据性能曲线建立若干台冷机的冷机运行模型，设定冷机运行约束条件；所述冷机运行约束条件包括当前冷负荷下，开启冷机的制冷量CCi总和与系统总制冷量CRt相等、开启冷机的能耗总和与系统能耗总和Pt相等，冷机负荷率的取值范围为30％～100％；
计算单元，其用于通过粒子群优化算法寻找所述冷机运行模型的在不同的系统冷负荷下的最优能耗工况。
10.一种冷水机组最优控制终端，其特征在于，所述终端包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的冷水机组最优控制方法。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的冷水机组最优控制方法。
CN202311856123.0A 2023-12-28 2023-12-28 一种冷水机组最优控制方法、装置、终端及介质 Pending CN117824114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311856123.0A CN117824114A (zh) 2023-12-28 2023-12-28 一种冷水机组最优控制方法、装置、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311856123.0A CN117824114A (zh) 2023-12-28 2023-12-28 一种冷水机组最优控制方法、装置、终端及介质

Publications (1)

Publication Number Publication Date
CN117824114A true CN117824114A (zh) 2024-04-05

Family

ID=90507414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311856123.0A Pending CN117824114A (zh) 2023-12-28 2023-12-28 一种冷水机组最优控制方法、装置、终端及介质

Country Status (1)

Country Link
CN (1) CN117824114A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008134013A (ja) * 2006-11-29 2008-06-12 Toyo Netsu Kogyo Kk 冷熱源機の運転制御方法及びこれを用いた冷熱源システム
CN104913559A (zh) * 2015-06-15 2015-09-16 江苏苏源光一科技有限公司 一种基于主机cop值的制冷机组群控方法
CN108168030A (zh) * 2017-12-14 2018-06-15 南京师范大学 一种基于制冷性能曲线的智能控制方法
CN112611119A (zh) * 2020-12-21 2021-04-06 青岛海信日立空调系统有限公司 一种冷水机组和控制方法
CN115823809A (zh) * 2022-07-27 2023-03-21 珠海格力电器股份有限公司 冷站系统及其热泵分组、控制处理方法、装置、电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008134013A (ja) * 2006-11-29 2008-06-12 Toyo Netsu Kogyo Kk 冷熱源機の運転制御方法及びこれを用いた冷熱源システム
CN104913559A (zh) * 2015-06-15 2015-09-16 江苏苏源光一科技有限公司 一种基于主机cop值的制冷机组群控方法
CN108168030A (zh) * 2017-12-14 2018-06-15 南京师范大学 一种基于制冷性能曲线的智能控制方法
CN112611119A (zh) * 2020-12-21 2021-04-06 青岛海信日立空调系统有限公司 一种冷水机组和控制方法
CN115823809A (zh) * 2022-07-27 2023-03-21 珠海格力电器股份有限公司 冷站系统及其热泵分组、控制处理方法、装置、电子设备

Similar Documents

Publication Publication Date Title
WO2021063033A1 (zh) 空调能耗模型训练方法与空调系统控制方法
CN109711080B (zh) 一种冷热电联供系统多时间尺度优化运行方法
CN104049716B (zh) 一种结合温度感知的计算机节能方法及系统
CN107238174A (zh) 压缩机频率的控制方法和装置
CN111237995B (zh) 一种空调冷机的控制方法
CN110486896B (zh) 一种基于冷水机组能耗模型的串级空调系统优化控制方法
CN112032882B (zh) 一种冰蓄冷空调系统的调度方法
CN110454959B (zh) 一种空调节能控制方法和装置
CN112283890A (zh) 适应建筑暖通设备监控系统的冷热量控制方法及装置
CN114282729A (zh) 一种基于负荷预测的冰蓄冷空调优化调度方法
CN115860445B (zh) 铀浓缩制冷机组与闭式冷却塔多层级协同调度方法
Behl et al. Green scheduling for energy-efficient operation of multiple chiller plants
CN118017097A (zh) 一种混合自然冷却的储能冷水机控制方法及系统
CN115682324A (zh) 中央空调系统节能优化控制方法、装置、设备和存储介质
CN117267910B (zh) 中央空调制冷系统负荷柔性调节方法、装置、设备及介质
CN114135980A (zh) 温度调节系统冷却侧优化参数确定及控制方法、相关设备
CN110762739B (zh) 数据中心空调控制方法、装置、设备及存储介质
CN117824114A (zh) 一种冷水机组最优控制方法、装置、终端及介质
CN116592546A (zh) 一种基于Q-learning的多目标冷冻侧供水温度控制优化方法
CN111076371A (zh) 一种中央空调动态需求响应的控制方法及系统
CN118093301A (zh) 一种服务器集群温度调节方法和装置
CN117972997A (zh) 一种冷机工况能耗最优的计算方法、装置、终端以及介质
CN114206071A (zh) 基于双曲线冷却塔的数据中心冷却系统
Li Research on energy saving control of building central air conditioning based on neural network
CN115235046B (zh) 中央空调冷源需求侧响应的优化控制方法

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