CN118111078A - 一种空调系统的控制方法、装置、存储介质及空调系统 - Google Patents
一种空调系统的控制方法、装置、存储介质及空调系统 Download PDFInfo
- Publication number
- CN118111078A CN118111078A CN202311872353.6A CN202311872353A CN118111078A CN 118111078 A CN118111078 A CN 118111078A CN 202311872353 A CN202311872353 A CN 202311872353A CN 118111078 A CN118111078 A CN 118111078A
- Authority
- CN
- China
- Prior art keywords
- air conditioning
- conditioning system
- performance index
- control
- control parameter
- 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
Links
- 238000004378 air conditioning Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 111
- 238000005265 energy consumption Methods 0.000 claims description 56
- 238000007710 freezing Methods 0.000 claims description 40
- 230000008014 freezing Effects 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 33
- 238000005457 optimization Methods 0.000 description 17
- 239000003507 refrigerant Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000010606 normalization Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004781 supercooling Methods 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000007791 dehumidification Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 230000010354 integration 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
- 210000002569 neuron Anatomy 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000008400 supply water Substances 0.000 description 2
- 238000009835 boiling Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000005611 electricity 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Abstract
本发明提供一种空调系统的控制方法、装置、存储介质及空调系统,方法包括:采集空调系统当前的条件参数;将采集的当前条件参数输入预先建立的神经网络模型,以输出空调系统当前的控制参数;将输出的空调系统当前的控制参数以及当前的室内温度设定值和室外温度值输入系统模型中,预测空调系统下一时刻的控制参数;根据输出的空调系统当前的控制参数和预测的空调系统下一时刻的控制参数,进行性能指标计算;若性能指标不满足预设条件,则采用遗传算法进行控制参数的寻优,直到性能指标满足预设条件;当计算得到的性能指标满足预设条件时,输出使性能指标满足预设条件的控制参数。本发明方案能够在满足室内舒适性需求的前提下实现节能运行。
Description
技术领域
本发明涉及控制领域,尤其涉及一种空调系统的控制方法、装置、存储介质及空调系统。
背景技术
在空调控制领域,传统控制方法仍然是最常见的技术,这些方法包括开关控制、P控制、PI控制、PID控制等。开关控制是在给定约束条件下使用上下限阈值进行控制。P、PI、PID控制则采用动态反馈校正方法调节被控量使之获得满意的控制效果。然而,传统的控制方法是控制系统内部有一个温度传感器,当检测到室内温度达到设定值时,就会使空调系统停止工作,基于闭环控制方式的空调系统操作简单,易于实现,但是在智能电网和需求相应策略的环境下,难以根据动态电价去进行功率变换,以达到节能减排的标准;空调系统是一个典型的高度非线性、时变性、耦合性和不确定性的复杂多变量系统,难以建立起准确的数学/物理模型,采用以上控制时常常需要根据控制对象做线性化的假设,因此传统控制在空调控制领域的效果并不显著。
发明内容
本发明的主要目的在于克服上述相关技术的缺陷,提供一种空调系统及其控制方法、装置和存储介质,以解决相关技术中基于闭环控制方式的空调系统需要根据控制对象做线性化的假设,效果不显著的问题。
本发明一方面提供了一种空调系统的控制方法,包括:采集所述空调系统当前的条件参数;所述条件参数,包括:室外温度、室内温度设定值、冷冻水供水温度、送风温度和室内温度;将采集的所述当前条件参数输入预先建立的神经网络模型,以输出所述空调系统当前的控制参数;将输出的所述空调系统当前的控制参数以及当前的室内温度设定值和室外温度值输入系统模型中,预测所述空调系统下一时刻的控制参数;根据输出的所述空调系统当前的控制参数和预测的所述空调系统下一时刻的控制参数,进行性能指标计算;若计算得到的性能指标不满足预设条件,则采用遗传算法进行所述控制参数的寻优,直到计算得到的性能指标满足预设条件;当计算得到的性能指标满足预设条件时,输出使所述性能指标满足所述预设条件的控制参数,以用于控制所述空调系统。
可选地,所述控制参数,包括:压缩机转速控制电压、冷冻水阀门标准电压、风机转速标准电压、风阀开度标准电压Uz中的至少之一;所述压缩机转速控制电压、冷冻水阀门标准电压、风机转速标准电压和风阀开度标准电压,分别对应压缩机转速、冷冻水流量、风机转速、风阀开度。
可选地,根据输出的所述空调系统当前的控制参数和预测得到的所述空调系统下一时刻的控制参数,进行性能指标计算,包括:将所述神经网络模型输出的所述空调系统当前的控制参数,作为所述空调系统当前时刻的控制参数,将所述系统模型预测的所述空调系统下一时刻的控制参数,作为所述空调系统下一时刻的控制参数,分别计算当前时刻的性能指标和下一时刻的性能指标;其中,将所述空调系统的能量消耗作为性能指标,所述空调系统的能量消耗,包括:风机,压缩机和/或冷冻水泵的能量消耗。
可选地,采用遗传算法进行所述控制参数的寻优,包括:当计算得到的性能指标不满足预设条件时,搜索每个控制时域内所述控制参数的最优值,直到性能指标满足所述预设条件时,寻优结束;其中,寻优结束后,输出使所述性能指标最优的控制参数。
本发明另一方面提供了一种空调系统的控制装置,包括:条件参数采集单元,用于采集所述空调系统当前的条件参数;所述条件参数,包括:室外温度、室内温度设定值、冷冻水供水温度、送风温度和室内温度;控制参数输出单元,用于将所述条件参数采集单元采集的所述当前条件参数输入预先建立的神经网络模型,以输出所述空调系统当前的控制参数;控制参数预测单元,用于将所述控制参数输出单元输出的所述空调系统当前的控制参数以及当前的室内温度设定值和室外温度值输入系统模型中,预测所述空调系统下一时刻的控制参数;性能指标计算单元,用于根据所述控制参数输出单元输出的所述空调系统当前的控制参数和所述控制参数预测单元预测得到的所述空调系统下一时刻的控制参数,进行性能指标计算;控制参数寻优单元,用于若所述计算单元计算得到的性能指标不满足预设条件,则采用遗传算法进行所述控制参数的寻优,直到所述性能指标计算单元计算得到的性能指标满足预设条件;控制单元,用于当所述性能指标计算单元计算得到的性能指标满足预设条件时,输出使所述性能指标满足所述预设条件的控制参数,以用于控制所述空调系统。
可选地,所述控制参数,包括:压缩机转速控制电压、冷冻水阀门标准电压、风机转速标准电压、风阀开度标准电压中的至少之一;所述压缩机转速控制电压、冷冻水阀门标准电压、风机转速标准电压和风阀开度标准电压,分别对应压缩机转速、冷冻水流量、风机转速、风阀开度。
可选地,所述性能指标计算单元,根据所述控制参数输出单元输出的所述空调系统当前的控制参数和所述控制参数预测单元预测得到的所述空调系统下一时刻的控制参数,进行性能指标计算,包括:将所述神经网络模型输出的所述空调系统当前的控制参数,作为所述空调系统当前时刻的控制参数,将所述系统模型预测的所述空调系统下一时刻的控制参数,作为所述空调系统下一时刻的控制参数,分别计算当前时刻的性能指标和下一时刻的性能指标;其中,将所述空调系统的能量消耗作为性能指标,所述空调系统的能量消耗,包括:风机,压缩机和/或冷冻水泵的能量消耗。
可选地,所述控制参数寻优单元,采用遗传算法进行所述控制参数的寻优,包括:当计算得到的性能指标不满足预设条件时,搜索每个控制时域内所述控制参数的最优值,直到性能指标满足所述预设条件时,寻优结束;其中,寻优结束后,输出使所述性能指标最优的控制参数。
本发明又一方面提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
本发明再一方面提供了一种空调系统,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一所述方法的步骤。
本发明再一方面提供了一种空调系统,包括前述任一所述的控制装置。
根据本发明的技术方案,通过人工神经网络建立预测模型,以空调系统总能耗为性能参数,优化每个控制时间步长内压缩机转速控制电压、冷冻水阀门标准电压、风机转速标准电压、风阀开度标准电压,通过遗传算法进行滚动优化,在满足室内舒适性和系统工艺性能需求的前提下实现节能运行。
通过建立一个三层前馈人工神经网络得到输入(室外温度、室内预设温度、供水温度、送风温度、室内温度等)与输出(压缩机转速、冷冻水阀门开度、风机转速、风阀开度)的关系,选取空调运行总能耗作为代价函数,使用遗传算法搜索每个控制过程中的最优解,根据预先定义好的规则和当前群体的适应度值,通过选择、交叉和变异产生下一代的个体种群,进行下一代的计算,直到满足算法终止的条件,从而达到优化控制的目的。
通过对空调内主要设备非线性问题,采用人工神经网络(ANN)作为控制器,利用ANN可以对任意非线性系统拟合的特点,结合遗传算法进行寻优,达到优化控制的目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明提供的空调系统的控制方法的一实施例的方法示意图;
图2是本发明提供的空调系统的控制方法的一具体实施例的方法示意图;
图3示出了根据本发明的基于人工神经网络的优化控制系统结构示意图;
图4示出了相关技术中的控制方法下的各参数受室外温度影响而变化示意图;
图5示出了采用本发明控制方法下的各参数受室外温度影响而变化示意图;
图6示出了相关技术中的控制方案的逐时能耗示意图;
图7示出了本发明控制方案的逐时能耗示意图;
图8是本发明提供的空调系统的控制装置的一实施例的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例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。
需要说明的是,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”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
传统的空调控制是,在设定一个预设温度后,空调通过闭环控制运行至稳定状态,使室内温度达到预设温度,然后维持稳态。但是室内温度会随着诸多因素的产生如室内人员增多、烧水等而变化,传统的空调控制会通过感温包检测室内温度不是预设温度,进而产生反馈,改变运行状态使室内温度达到预设温度,空调重新运行至稳态。
本发明提供一种空调系统的控制方法。
图1是本发明提供的空调系统的控制方法的一实施例的方法示意图。
如图1所示,根据本发明的一个实施例,所述空调系统的控制方法至少包括步骤S110、步骤S120、步骤S130、步骤S140、步骤S150和步骤S160。
步骤S110,采集所述空调系统当前的条件参数。
在一种具体实施方式中,所述条件参数具体可以包括:室外温度、室内温度设定值、冷冻水供水温度、送风温度和/或室内温度。
步骤S120,将采集的所述当前的条件参数输入预先建立的前馈神经网络模型,以输出所述空调系统当前的控制参数。
预先建立神经网络模型,用于输出空调系统的控制参数。具体地,采集各项条件参数作为所述前馈神经网络模型的输入,采集各项控制参数作为所述前馈神经网络模型的输出,从而建立人工神经网络模型。
例如,采集的各项条件参数包括室外温度、预设温度(即室内温度设定值)、供水温度、送风温度、室内温度作为5个输入,采集的各项控制参数包括风机转速、风阀开度、冷冻水流量、压缩机转速作为4个输出。建立人工神经网络根据各项条件数据变化预测4项控制参数的变化。所以,设定有5个输入神经元,有4个输出神经元,采用30个隐层神经元,因此该ANN是一个具有5-30-4结构的前馈神经网络。
优选地,在进行模型训练时对所述神经网络的输入数据即所述各项条件参数进行归一化处理,以提高训练的效率和防止某些输入对输出起到主导作用,具体可采用如下公式对各项条件参数进行归一化处理:
其中,Xnorm为归一化处理后得到的参数的值,X为进行归一化处理之前参数的值,Xmax和Xmin分别为采集的参数的最大值和最小值。
得到所述神经网络模型之后,将实时采集的各项条件参数输入该神经网络模型,能够输出相应的控制参数。所述控制参数具体可以包括:压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz中的至少之一;所述压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan和风阀开度标准电压Uz,分别对应压缩机转速、冷冻水流量、风机转速、风阀开度。
步骤S130,将输出的所述空调系统当前的控制参数以及当前的室内温度设定值和室外温度值输入系统模型中,预测所述空调系统下一时刻的控制参数。
具体地,将优化时域分成N段,每段时间与采样周期一致。在每段的开始时刻,使用人工神经网络计算出控制输入电压U,包括压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz。系统模型的输入包括反馈状态(包括人工神经网络计算出的压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz)、室内温度设定值和室外温度值。
系统模型如下:
其中,La为电机电枢电感,La,com表示压缩机电机电枢电感,Ra为电机电枢电阻,Ra,com表示压缩机电机电枢电阻,Ra,fan表示风机电机电枢电阻,e为电枢电压,kb为反电动势常数,kb,com表示压缩机反电动势常数,kb,fan表示风机反电动势常数,N为电机转速,为质量流量,/>表示冷冻水质量流量,/>表示流经蒸发器的冷冻水质量流量,/>表示最大冷冻水质量流量,/>表示流经冷凝器的冷冻水质量流量,a0、a1、a2、a3为拟合系数,C为热容量,Ct,eva表示从蒸发器流经制冷剂管壁的热容量,Cw,eva表示冷冻水流经蒸发器的热容量,Ct,con表示从冷凝器流经制冷剂管壁的热容量,Cw,con表示冷冻水流经冷凝器的热容量。Qwt,eva表示为从冷冻水传递给蒸发器管壁的总热量,Qtr,eva,tp、Qtr,eva,sh分别为在蒸发器的两相区和过热区从管壁传递给制冷剂的总热量,T为温度,/>为平均温度,/>表示冷冻水流经蒸发器的平均温度,/>表示冷冻水流经冷凝器的平均温度,/>表示冷凝器对制冷剂管壁传递的平均热度;/>表示冷凝器对制冷剂管壁传递的平均热度;Tw,con,in表示冷冻水流经冷凝器入口的温度,Tw,con,out表示冷冻水流经冷凝器出口的温度,Tw,eva,in表示冷冻水流经蒸发器入口的温度,,Tw,eva,out表示冷冻水流经蒸发器出口的温度。Qrt,con,sh、Qrt,con,tp、Qrt,con,sc分别为在过热区、两相区和过冷区由制冷剂传递给管壁的总热量,Qtw,con为管壁传递给冷却水的热量;下标中,t表示制冷剂管道或管壁,eva表示蒸发器,in表示入口状态,out表示出口状态,con表示冷凝器,com表示压缩机,fan表示风机。
系统模型在下一个时刻(从t时刻到t+1时刻)的输出,由这些输入作用于系统模型计算得到。下一个时刻t+1的模型预测值就是下一个时刻的初始条件。上一个时刻的输出作为当前的输入,下一个时刻的系统模型输出预测的压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz。
步骤S140,根据输出的所述空调系统当前的控制参数和预测的所述空调系统下一时刻的控制参数,进行性能指标计算。
在一种具体实施方式中,将所述控制参数作为权值,进行性能指标的计算,并将此结果用于调整权值,使得性能指标G沿着减小的方向移动。当性能指标满足以下条件时,即寻优结束,输出使性能指标最优的权值:
||G(k+1)-G(k)||≤ε
其中,G(k+1)表示下一时刻的性能指标,G(k)表示当前时刻的性能指标。
具体地,将所述神经网络模型输出的所述空调系统当前的控制参数,作为所述空调系统当前时刻的控制参数,将所述系统模型预测的所述空调系统下一时刻的控制参数,作为所述空调系统下一时刻的控制参数,分别计算当前时刻的性能指标G(k)和下一时刻的性能指标G(k+1),并判断是否满足||G(k+1)-G(k)||≤ε。
将所述空调系统的能量消耗作为性能指标,所述空调系统的能量消耗具体可以包括:风机,压缩机和/或冷冻水泵的能量消耗。
在满足室内舒适性和工艺要求的前提下,整个系统需要消耗的能量就是最需要关注的性能指标,消耗的能量需要尽可能少。消耗的能量主要有风机,压缩机和冷冻水泵,性能指标则可以定义为整个预测时域0-T内的风机、压缩机和冷冻水泵的能量消耗,可以通过相应的电压电流乘积积分获得:
其中,Etotal表示空调系统的总能量消耗,Efan表示风机的能量消耗,Ecom表示压缩机的能量消耗,Eval表示冷冻水泵的能量消耗;Ucom表示压缩机转速控制电压,Uval表示冷冻水阀门标准电压,Ufan表示风机转速标准电压;Icom表示压缩机电流,Ival表示冷冻水阀门电流,Ifan表示风机的电机电流。
若下一时刻的预测值不满足寻优结束的条件,则通过遗传算法校正权值,反馈回人工神经网络进行归一化处理再进行下一步的预测,直至满足寻优结束的条件。
步骤S150,若计算得到的性能指标不满足预设条件,则采用遗传算法进行所述控制参数的寻优,直到计算得到的性能指标满足预设条件。
具体地,当计算得到的性能指标不满足预设条件时,搜索每个控制时域内各个控制参数的最优值,直到性能指标满足预设条件时,寻优结束。当性能指标满足以下条件时,即寻优结束,输出使性能指标最优的权值,即控制参数的值;
||G(k+1)-G(k)||≤ε
其中,从每个控制参数的给定变量范围内开始进行随机搜索,滚动优化。
遗传算法采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。搜索每个控制时域内的控制器(例如压缩机、冷冻水阀门、风机、风阀)设定值的最优值。这里的控制时域是指一次优化结果作用在控制器的时间。首先,从给定的变量范围内开始随机搜索。在每一代计算过程中,每一个寻优值都会传递给封装函数用来计算出适应度函数值,然后再根据预先定义好的规则和当前群体的适应度值,通过选择、交叉和变异产生下一代的个体种群,进行下一代的计算,直到满足算法终止的条件。
从室内舒适性的角度看,室内温度围绕着设定值有一定幅度的浮动是不会牺牲太多的舒适性的,而这可以使得空调的运行更加稳定。从满足空调运行的工艺要求的角度看,送风温度需要保持在某个上限温度和下限温度之间,既满足舒适性要求,也能避免制冷效率低和夜间过冷;冷冻水供水温度也要保持在一个范围内,既要防止蒸发器结冰,也要防止表冷器除湿能力下降。为保证空气混合充分,风阀开度需在[0.4,1]之间,其他控制参数要在[0,1]之间。因此,对各控制参数的范围进行如下限制(即各控制参数的给定变量范围):
其中表示系统模型微分方程;
Etotal表示空调系统的总能量消耗,Efan表示风机的能量消耗,Ecom表示压缩机的能量消耗,Bval表示冷冻水泵的能量消耗;Uz表示风阀开度标准电压,Ucom表示压缩机转速控制电压,Uval表示冷冻水阀门标准电压,
Ta,sup表示送风温度的最适合温度值,Ta,low表示送风温度的最小值,Ta,gigh表示送风温度的最大值;Yw,sup,表示冷冻室温度的最适合温度值,Tw,low,表示冷冻水供水温度的最小值,Tw,high表示冷冻水供水温度的最大值;Tz,sup表示室内温度的最适合温度值,Tz,low,表示室内温度的最小值,Tz,high表示室内温度的最大值。
为了把一个有约束问题转化为了一个无约束的N步优化问题,将前述连续形式的表达式转化为离散形式,并将约束条件转化为惩罚项写入代价函数(即性能指标)中:
式中,S为惩罚参数,S的选择为收敛速度和算法稳定性的一个折中,S越大,则意味着约束作用越强,然而,太大的惩罚参数会导致算法的不稳定。Jg是第g个约束的大小
T是当前室内温度,Tlow是室内下限温度,Thigh是室内上限温度。
步骤S160,当计算得到的性能指标满足预设条件时,输出使所述性能指标满足所述预设条件的控制参数,以用于控制所述空调系统。
满足性能指标最优,寻优结束后,将最优的压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz作为输出,控制压缩机转速、冷冻水阀门开度、风机转速、风阀开度,使空调既满足室内舒适性又能使能耗降低。
为清楚说明本发明技术方案,下面再以一个具体实施例对本发明提供的空调系统的控制方法的执行流程进行描述。
图2是本发明提供的空调系统的控制方法的一具体实施例的方法示意图。如图2所示,采集的各项条件参数包括室外温度、预设温度(即室内温度设定值)、供水温度、送风温度、室内温度作为5个输入,采集的各项控制参数包括风机转速、风阀开度、冷冻水流量、压缩机转速作为4个输出。建立人工神经网络根据各项条件数据变化预测4项控制参数的变化,在进行模型训练时对所述神经网络的输入数据即所述各项条件参数进行归一化处理,使用人工神经网络计算出控制输入电压U,包括压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz,输入系统模型计算出预测输出,计算性能参数G判断是否满足预设条件,若满足,则输出最优控制参数,若不满足,则采用遗传算法进行寻优,从给定的变量范围内开始随机搜索,通过选择、交叉和变异产生下一代的个体种群,进行下一代的计算,直到满足算法终止的条件,输出使性能指标最优的权值,即控制参数的值。
图3示出了根据本发明的基于人工神经网络的优化控制系统结构示意图。如图3所示,TZ*是预设温度(即室内温度设定值),Toa是采集到的室内温度,X(t+1)是系统模型输出,X(t)是系统模型输入;U(t)是各项电压(压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz)。先将神经网络优化控制器的输入数据做归一化处理,然后代入系统模型,计算输出,再通过系统模型输出、神经网络优化控制器输出和约束条件计算性能参数G以及其导数,用以更新权值。
图4示出了相关技术中的控制方法下的各参数受室外温度影响而变化示意图。图5示出了采用本发明控制方法下的各参数受室外温度影响而变化示意图。图4和图5中横轴表示时间,纵轴表示温度。如图4所示,采用相关技术的控制方法只根据预设温度设定送风温度和供水温度,8:00到11:00期间已经使室内温度稳定,风阀冷冻水阀会停机,所以送风温度和供水温度会由于室外温度升高而变高,之后风阀冷冻水阀又按照预设温度运行。如图5所示,采用本发明控制方法会根据室内外温度实时的调整送风温度和供水温度,让室内温度维持在预设值。
图6示出了相关技术中的控制方案的逐时能耗示意图。横轴表示时间,纵轴表示总能耗。如图6所示,采用相关技术中的控制方案在稳定之后逐时能耗基本不改变。图7示出了本发明控制方案的逐时能耗示意图。横轴表示时间,纵轴表示总能耗。如图7所示,采用本发明的控制方案逐时能耗会随各参数的改变而动态改变,以达到降低能耗的效果。
采用相关技术中的控制方案,在预设温度(即室内温度设定值)不变的工况下,空调稳定运行使室内温度达到预设温度后,总能耗每小时不会有太大的变化。采用本发明的控制方案,由于送风温度、供水温度等参数实时变化,逐时能耗会实时变化,用较低的能耗维持室内温度的恒定,以达到降低能耗的目的。
图8是本发明提供的空调系统的控制装置的一实施例的结构框图。如图8所示,所述空调系统的控制装置100包括:条件参数采集单元110、控制参数输出单元120、控制参数预测单元130、性能指标计算单元140、控制参数寻优单元150和控制单元160。
条件参数采集单元110,用于采集所述空调系统当前的条件参数。
在一种具体实施方式中,所述条件参数具体可以包括:室外温度、室内温度设定值、冷冻水供水温度、送风温度和室内温度。
控制参数输出单元120,用于将所述条件参数采集单元采集的所述当前条件参数输入预先建立的神经网络模型,以输出所述空调系统当前的控制参数。
具体地,所述装置100还包括模型建立单元,用于预先建立神经网络模型,用于输出空调系统的控制参数。具体地,采集各项条件参数作为所述前馈神经网络模型的输入,采集各项控制参数作为所述前馈神经网络模型的输出,从而建立人工神经网络模型。
例如,采集的各项条件参数包括室外温度、预设温度(即室内温度设定值)、供水温度、送风温度、室内温度作为5个输入,采集的各项控制参数包括风机转速、风阀开度、冷冻水流量、压缩机转速作为4个输出。建立人工神经网络根据各项条件数据变化预测4项控制参数的变化。所以,设定有5个输入神经元,有4个输出神经元,采用30个隐层神经元,因此该ANN是一个具有5-30-4结构的前馈神经网络。
优选地,在进行模型训练时对所述神经网络的输入数据即所述各项条件参数进行归一化处理,以提高训练的效率和防止某些输入对输出起到主导作用,具体可采用如下公式对各项条件参数进行归一化处理:
其中,Xnorm为归一化处理后得到的参数的值,X为进行归一化处理之前参数的值,Xmax和Xmin分别为采集的参数的最大值和最小值。
控制参数输出单元120在得到所述神经网络模型之后,将条件参数采集单元110实时采集的各项条件参数输入该神经网络模型,能够输出相应的控制参数。所述控制参数具体可以包括:压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz中的至少之一;所述压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan和风阀开度标准电压Uz,分别对应压缩机转速、冷冻水流量、风机转速、风阀开度。
控制参数预测单元130,用于将所述控制参数输出单元输出的所述空调系统当前的控制参数以及当前的室内温度设定值和室外温度值输入系统模型中,预测所述空调系统下一时刻的控制参数。
具体地,将优化时域分成N段,每段时间与采样周期一致。在每段的开始时刻,使用人工神经网络计算出控制输入电压U,包括压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz,系统模型的输入包括反馈状态(包括人工神经网络计算出的压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz)、室内温度设定值和室外温度值。
系统模型如下:
其中,La为电机电枢电感,La,com表示压缩机电机电枢电感,Ra为电机电枢电阻,Ra,com表示压缩机电机电枢电阻,Ra,fan表示风机电机电枢电阻,e为电枢电压,kb为反电动势常数,kb,com表示压缩机反电动势常数,kb,fan表示风机反电动势常数,N为电机转速,为质量流量,/>表示冷冻水质量流量,/>表示流经蒸发器的冷冻水质量流量,/>表示最大冷冻水质量流量,/>表示流经冷凝器的冷冻水质量流量,a0、a1、a2、a3为拟合系数,C为热容量,Ct,eva表示从蒸发器流经制冷剂管壁的热容量,Cw,eva表示冷冻水流经蒸发器的热容量,Ct,con表示从冷凝器流经制冷剂管壁的热容量,Cw,con表示冷冻水流经冷凝器的热容量。Qwt,eva表示为从冷冻水传递给蒸发器管壁的总热量,Qtr,eva,tp、Qtr,eva,sh分别为在蒸发器的两相区和过热区从管壁传递给制冷剂的总热量,T为温度,/>为平均温度,/>表示冷冻水流经蒸发器的平均温度,/>表示冷冻水流经冷凝器的平均温度,/>表示冷凝器对制冷剂管壁传递的平均热度;/>表示冷凝器对制冷剂管壁传递的平均热度;Tw,con,in表示冷冻水流经冷凝器入口的温度,Tw,con,out表示冷冻水流经冷凝器出口的温度,Tw,eva,in表示冷冻水流经蒸发器入口的温度,Tw,eva,out表示冷冻水流经蒸发器出口的温度。Qrt,con,sh、Qrt,con,tp、Qrt,con,sc分别为在过热区、两相区和过冷区由制冷剂传递给管壁的总热量,Qtw,con为管壁传递给冷却水的热量;下标中,t表示制冷剂管道或管壁,eva表示蒸发器,in表示入口状态,out表示出口状态,con表示冷凝器,com表示压缩机,fan表示风机。
系统在下一个时刻(从t时刻到t+1时刻)的输出,由这些输入作用于系统模型计算得到。下一个时刻t+1的模型预测值就是下一个时刻的初始条件。上一个时刻的输出作为当前的输入,当前下一个时刻的模型输出预测的压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz反馈回到系统模型。
性能指标计算单元140,用于根据所述控制参数输出单元输出的所述空调系统当前的控制参数和所述控制参数预测单元预测得到的所述空调系统下一时刻的控制参数,进行性能指标计算。
在一种具体实施方式中,将所述控制参数作为权值,进行性能指标的计算,并将此结果用于调整权值,使得性能指标G沿着减小的方向移动。当性能指标满足以下条件时,即寻优结束,输出使性能指标最优的权值。
||G(k+1)-G(k)||≤ε
其中,G(k+1)表示下一时刻的性能指标,G(k)表示当前时刻的性能指标。
具体地,将所述神经网络模型输出的所述空调系统当前的控制参数,作为所述空调系统当前时刻的控制参数,将所述系统模型预测的所述空调系统下一时刻的控制参数,作为所述空调系统下一时刻的控制参数,分别计算当前时刻的性能指标G(k)和下一时刻的性能指标G(k+1),并判断是否满足||G(k+1)-G(k))||≤ε。
将所述空调系统的能量消耗作为性能指标,所述空调系统的能量消耗具体可以包括:风机,压缩机和/或冷冻水泵的能量消耗。
在满足室内舒适性和工艺要求的前提下,整个系统需要消耗的能量就是最需要关注的性能指标,消耗的能量需要尽可能少。消耗的能量主要有风机,压缩机和冷冻水泵,性能指标则可以定义为整个预测时域0-T内的风机、压缩机和冷冻水泵的能量消耗,可以通过相应的电压电流乘积积分获得:
其中,Etotal表示空调系统的总能量消耗,Efan表示风机的能量消耗,Ecom表示压缩机的能量消耗,Eval表示冷冻水泵的能量消耗;Ucom表示压缩机转速控制电压,Uval表示冷冻水阀门标准电压,Ufan表示风机转速标准电压;Icom表示压缩机电流,Ival表示冷冻水阀门电流,Ifan表示风机的电机电流。
若下一时刻的预测值不满足寻优结束的条件,则通过遗传算法校正权值,反馈回人工神经网络进行归一化处理再进行下一步的预测,直至满足寻优结束的条件。
控制参数寻优单元150,用于若所述计算单元计算得到的性能指标不满足预设条件,则采用遗传算法进行所述控制参数的寻优,直到所述性能指标计算单元计算得到的性能指标满足预设条件。
具体地,当计算得到的性能指标不满足预设条件时,搜索每个控制时域内各个控制参数的最优值,直到性能指标满足预设条件时,寻优结束。当性能指标满足以下条件时,即寻优结束,输出使性能指标最优的权值,即控制参数的值。
||G(k+1)-G(k)||≤ε
其中,从每个控制参数的给定变量范围内开始进行随机搜索,滚动优化。
遗传算法采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。搜索每个控制时域内的控制器(例如压缩机、冷冻水阀门、风机、风阀)设定值的最优值。这里的控制时域是指一次优化结果作用在控制器的时间。首先,从给定的变量范围内开始随机搜索。在每一代计算过程中,每一个寻优值都会传递给封装函数用来计算出适应度函数值,然后再根据预先定义好的规则和当前群体的适应度值,通过选择、交叉和变异产生下一代的个体种群,进行下一代的计算,直到满足算法终止的条件。
从室内舒适性的角度看,室内温度围绕着设定值有一定幅度的浮动是不会牺牲太多的舒适性的,而这可以使得空调的运行更加稳定。从满足空调运行的工艺要求的角度看,送风温度需要保持在某个上限温度和下限温度之间,既满足舒适性要求,也能避免制冷效率低和夜间过冷;冷冻水供水温度也要保持在一个范围内,既要防止蒸发器结冰,也要防止表冷器除湿能力下降。为保证空气混合充分,风阀开度需在[0.4,1]之间,其他控制参数要在[0,1]之间。因此,对各控制参数的范围进行如下限制(即各控制参数的给定变量范围):
其中,表示系统微分方程;
Etotal表示空调系统的总能量消耗,Efan表示风机的能量消耗,Ecom表示压缩机的能量消耗,Eval表示冷冻水泵的能量消耗;Uz表示风阀开度标准电压,Ucom表示压缩机转速控制电压,Uval表示冷冻水阀门标准电压,Ta,sup表示送风温度的最适合温度值,Ta,low表示送风温度的最小值,Ta,high表示送风温度的最大值;Tw,sup,表示冷冻室温度的最适合温度值,Tw,low,表示冷冻水供水温度的最小值,Tw,high表示冷冻水供水温度的最大值;Tz,sup表示室内温度的最适合温度值,Tz,low,表示室内温度的最小值,Tz,high表示室内温度的最大值。
为了把一个有约束问题转化为了一个无约束的N步优化问题,将前述连续形式的表达式转化为离散形式,并将约束条件转化为惩罚项写入代价函数(即性能指标)中:
式中,S为惩罚参数,S的选择为收敛速度和算法稳定性的一个折中,S越大,则意味着约束作用越强,然而,太大的惩罚参数会导致算法的不稳定。Jg是第g个约束的大小
T是当前室内温度,Tlow是室内下限温度,Thigh是室内上限温度。
控制单元160,用于当所述性能指标计算单元计算得到的性能指标满足预设条件时,输出使所述性能指标满足所述预设条件的控制参数,以用于控制所述空调系统。
满足性能指标最优,寻优结束后,将最优的压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz作为输出,控制压缩机转速、冷冻水阀门开度、风机转速、风阀开度,使空调既满足室内舒适性又能使能耗降低。
本发明还提供对应于所述空调系统的控制方法的一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
本发明还提供对应于所述空调系统的控制方法的一种空调系统,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一所述方法的步骤。
本发明还提供对应于所述空调系统的控制装置的一种空调系统,包括前述任一所述的空调系统的控制装置。
据此,本发明提供的方案,通过人工神经网络建立预测模型,以空调系统总能耗为性能参数,优化每个控制时间步长内压缩机转速控制电压Ucom、冷冻水阀门标准电压Uval、风机转速标准电压Ufan、风阀开度标准电压Uz,通过遗传算法进行滚动优化,在满足室内舒适性和系统工艺性能需求的前提下实现节能运行。
通过建立一个三层前馈人工神经网络得到输入(室外温度、室内预设温度、供水温度、送风温度、室内温度等)与输出(压缩机转速、冷冻水阀门开度、风机转速、风阀开度)的关系,选取空调运行总能耗作为代价函数,使用遗传算法搜索每个控制过程中的最优解,根据预先定义好的规则和当前群体的适应度值,通过选择、交叉和变异产生下一代的个体种群,进行下一代的计算,直到满足算法终止的条件,从而达到优化控制的目的。
通过对空调内主要设备非线性问题,采用人工神经网络(ANN)作为控制器,利用ANN可以对任意非线性系统拟合的特点,结合遗传算法进行寻优,达到优化控制的目的。
本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施,那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说,归因于软件的性质,上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外,各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为控制装置的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的单元如果以软件功能单元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相关技术做出贡献的部分或者该技术方案的全部或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(可为个人计算机、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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、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权利要求范围之内。
Claims (10)
1.一种空调系统的控制方法,其特征在于,包括:
采集所述空调系统当前的条件参数;所述条件参数,包括:室外温度、室内温度设定值、冷冻水供水温度、送风温度和/或室内温度;
将采集的所述当前条件参数输入预先建立的神经网络模型,以输出所述空调系统当前的控制参数;
将输出的所述空调系统当前的控制参数以及当前的室内温度设定值和室外温度值输入系统模型中,预测所述空调系统下一时刻的控制参数;
根据输出的所述空调系统当前的控制参数和预测的所述空调系统下一时刻的控制参数,进行性能指标计算;
若计算得到的性能指标不满足预设条件,则采用遗传算法进行所述控制参数的寻优,直到计算得到的性能指标满足预设条件;
当计算得到的性能指标满足预设条件时,输出使所述性能指标满足所述预设条件的控制参数,以用于控制所述空调系统。
2.根据权利要求1所述的方法,其特征在于,
所述控制参数,包括:压缩机转速控制电压、冷冻水阀门标准电压、风机转速标准电压、风阀开度标准电压中的至少之一;
所述压缩机转速控制电压、冷冻水阀门标准电压、风机转速标准电压Ufan和风阀开度标准电压,分别对应压缩机转速、冷冻水流量、风机转速、风阀开度。
3.根据权利要求1或2所述的方法,其特征在于,根据输出的所述空调系统当前的控制参数和预测得到的所述空调系统下一时刻的控制参数,进行性能指标计算,包括:
将所述神经网络模型输出的所述空调系统当前的控制参数,作为所述空调系统当前时刻的控制参数,将所述系统模型预测的所述空调系统下一时刻的控制参数,作为所述空调系统下一时刻的控制参数,分别计算当前时刻的性能指标和下一时刻的性能指标;
其中,将所述空调系统的能量消耗作为性能指标,所述空调系统的能量消耗,包括:风机,压缩机和/或冷冻水泵的能量消耗。
4.根据权利要求1或2所述的方法,其特征在于,采用遗传算法进行所述控制参数的寻优,包括:
当计算得到的性能指标不满足预设条件时,搜索每个控制时域内所述控制参数的最优值,直到性能指标满足所述预设条件时,寻优结束;
其中,寻优结束后,输出使所述性能指标最优的控制参数。
5.一种空调系统的控制装置,其特征在于,包括:
条件参数采集单元,用于采集所述空调系统当前的条件参数;所述条件参数,包括:室外温度、室内温度设定值、冷冻水供水温度、送风温度和室内温度;
控制参数输出单元,用于将所述条件参数采集单元采集的所述当前条件参数输入预先建立的神经网络模型,以输出所述空调系统当前的控制参数;
控制参数预测单元,用于将所述控制参数输出单元输出的所述空调系统当前的控制参数以及当前的室内温度设定值和室外温度值输入系统模型中,预测所述空调系统下一时刻的控制参数;
性能指标计算单元,用于根据所述控制参数输出单元输出的所述空调系统当前的控制参数和所述控制参数预测单元预测得到的所述空调系统下一时刻的控制参数,进行性能指标计算;
控制参数寻优单元,用于若所述计算单元计算得到的性能指标不满足预设条件,则采用遗传算法进行所述控制参数的寻优,直到所述性能指标计算单元计算得到的性能指标满足预设条件;
控制单元,用于当所述性能指标计算单元计算得到的性能指标满足预设条件时,输出使所述性能指标满足所述预设条件的控制参数,以用于控制所述空调系统。
6.根据权利要求5所述的装置,其特征在于,
所述控制参数,包括:压缩机转速控制电压、冷冻水阀门标准电压、风机转速标准电压、风阀开度标准电压中的至少之一;
所述压缩机转速控制电压、冷冻水阀门标准电压、风机转速标准电压和风阀开度标准电压,分别对应压缩机转速、冷冻水流量、风机转速、风阀开度。
7.根据权利要求5或6所述的装置,其特征在于,所述性能指标计算单元,根据所述控制参数输出单元输出的所述空调系统当前的控制参数和所述控制参数预测单元预测得到的所述空调系统下一时刻的控制参数,进行性能指标计算,包括:
将所述神经网络模型输出的所述空调系统当前的控制参数,作为所述空调系统当前时刻的控制参数,将所述系统模型预测的所述空调系统下一时刻的控制参数,作为所述空调系统下一时刻的控制参数,分别计算当前时刻的性能指标和下一时刻的性能指标;
其中,将所述空调系统的能量消耗作为性能指标,所述空调系统的能量消耗,包括:风机,压缩机和/或冷冻水泵的能量消耗。
8.根据权利要求5或6所述的装置,其特征在于,所述控制参数寻优单元,采用遗传算法进行所述控制参数的寻优,包括:
当计算得到的性能指标不满足预设条件时,搜索每个控制时域内所述控制参数的最优值,直到性能指标满足所述预设条件时,寻优结束;
其中,寻优结束后,输出使所述性能指标最优的控制参数。
9.一种存储介质,其特征在于,其上存储有计算机程序,所述程序被处理器执行时实现权利要求1-4任一所述方法的步骤。
10.一种空调系统,其特征在于,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-4任一所述方法的步骤,或者,包括如权利要求5-8任一所述的控制装置。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118111078A true CN118111078A (zh) | 2024-05-31 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100362295C (zh) | 燃气机热泵的容量自动调节与控制方法 | |
CN108375175B (zh) | 空调系统控制方法及装置 | |
CN109711080B (zh) | 一种冷热电联供系统多时间尺度优化运行方法 | |
CN102365503B (zh) | 送水温度控制装置及其方法 | |
Henze et al. | Guidelines for improved performance of ice storage systems | |
CN107732897B (zh) | 融合虚拟储能系统的楼宇微网模型预测调控方法 | |
JP5110603B2 (ja) | 直接負荷制御システム | |
CN107525236A (zh) | 基于人体舒适度的空调器控制方法及空调器 | |
CN105652665A (zh) | 一种微型燃气轮机冷热电三联供系统的协调控制方法 | |
CN105157169A (zh) | 空调器及其控制方法和控制装置 | |
CN107401806A (zh) | 中央空调冷冻站内主机及冷冻泵综合能效提升控制方法 | |
CN114963414B (zh) | 基于ai数据分析的空调系统智能调控装置 | |
Afram et al. | Effects of dead-band and set-point settings of on/off controllers on the energy consumption and equipment switching frequency of a residential HVAC system | |
Jiang et al. | Research on the control laws of the electronic expansion valve for an air source heat pump water heater | |
CN105042799A (zh) | 空调器控制方法、控制装置及空调器 | |
CN112611076A (zh) | 基于iscs的地铁车站通风空调节能控制系统和方法 | |
JPH09119696A (ja) | 空気調和機の制御装置及び制御方法 | |
CN114440409A (zh) | 一种中央空调系统自适应节能控制方法 | |
CN111473408A (zh) | 一种基于气候补偿的供热控制系统的控制方法 | |
CN113152595B (zh) | 一种变频恒压供水系统及其节能控制方法 | |
CN118111078A (zh) | 一种空调系统的控制方法、装置、存储介质及空调系统 | |
CN112556258A (zh) | 一种补偿时延的热泵智能控制方法 | |
CN114811857B (zh) | 一种冷站系统运行优化方法 | |
JP6596758B2 (ja) | 制御装置、空調制御システム、制御方法及びプログラム | |
CN113899055B (zh) | 冷水机组控制系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |