CN205980188U - 基于负荷预测的冰蓄冷优化控制系统 - Google Patents
基于负荷预测的冰蓄冷优化控制系统 Download PDFInfo
- Publication number
- CN205980188U CN205980188U CN201620845761.1U CN201620845761U CN205980188U CN 205980188 U CN205980188 U CN 205980188U CN 201620845761 U CN201620845761 U CN 201620845761U CN 205980188 U CN205980188 U CN 205980188U
- Authority
- CN
- China
- Prior art keywords
- ice
- storage
- ice cold
- cold
- host computer
- 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.)
- Expired - Fee Related
Links
- 238000003860 storage Methods 0.000 title claims abstract description 101
- 238000012806 monitoring device Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000005057 refrigeration Methods 0.000 claims description 94
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- LYCAIKOWRPUZTN-UHFFFAOYSA-N Ethylene glycol Chemical group OCCO LYCAIKOWRPUZTN-UHFFFAOYSA-N 0.000 claims description 13
- 239000002826 coolant Substances 0.000 claims description 10
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000001816 cooling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- WGCNASOHLSPBMP-UHFFFAOYSA-N hydroxyacetaldehyde Natural products OCC=O WGCNASOHLSPBMP-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000048 melt cooling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000006200 vaporizer Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/14—Thermal energy storage
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本实用新型提供了一种基于负荷预测的冰蓄冷优化控制系统。该基于负荷预测的冰蓄冷优化控制系统包括:气象监测装置,用于监测制冷系统所在区域的气象参数,其中制冷系统设置有冰蓄冷设备;人员监测装置,用于监测制冷系统提供冷量的建筑物内的人员,以得到建筑物内的人员分布情况;制冷系统监测装置,与建筑物的制冷系统相连,以监测制冷系统的运行状态;以及冰蓄冷控制装置,与气象监测装置、人员监测装置、制冷系统监测装置分别相连,以按照根据气象参数、人员分布情况、制冷系统的运行状态预测得到的负荷需求控制冰蓄冷设备。本实用新型的方案,可有效提高冰蓄冷设备的运行效率,节约制冷系统的运行费用。
Description
技术领域
本实用新型涉及制冷领域,特别是涉及一种基于负荷预测的冰蓄冷优化控制系统。
背景技术
能源与环境作为当今世界最为关注的问题,对制冷领域的发展具有极大的推动作用。冰蓄冷空调因其移峰填谷、平衡电网、缓解城市空调用电紧张的特性,作为具有节能和环保等社会效益的新技术,目前已得到了广泛的应用。
与常规制冷系统比较,冰蓄冷空调的初期投资较高,目前的冰蓄冷空调的控制方案尚不完善,进一步增加了运行费用,使用者投资回收期较长。
为了实现对冰蓄冷空调的优化控制,降低冰蓄冷空调的运行费用,目前的方案冰蓄冷设备一般利用夜间电网低谷时间,利用低价电制冰蓄冷将冷量储存起来,白天用电高峰时溶水,与冷冻机组共同供冷,而在白天空调高峰负荷时将所蓄冰冷量释放满足高峰负荷。然而现有的冰蓄冷设备的控制设备不能充分利用冰蓄冷设备的优点,不能保证在高峰负荷时释放蓄冰冷量。
实用新型内容
本实用新型的一个目的是要提供一种节约能耗的冰蓄冷优化控制系统。
本实用新型一个进一步的目的是要提高负荷预测的准确性和可靠性。
特别地,本实用新型提供了一种基于负荷预测的冰蓄冷优化控制系统,包括:气象监测装置,用于监测制冷系统所在区域的气象参数,其中制冷系统设置有冰蓄冷设备;人员监测装置,用于监测制冷系统提供冷量的建筑物内的人员,以得到建筑物内的人员分布情况;制冷系统监测装置,与建筑物的制冷系统相连,以监测制冷系统的运行状态;以及冰蓄冷控制装置,与气象监测装置、人员监测装置、制冷系统监测装置分别相连,以按照根据气象参数、人员分布情况、制冷系统的运行状态预测得到的负荷需求控制冰蓄冷设备。
可选地,冰蓄冷设备包括:制冷主机,配置成利用在其内部循环的冷媒对冷冻水进行制冷;蓄冰槽,与制冷主机相连,以利用制冷主机提供的制冰介质生成蓄冰;换热器,与制冷主机和蓄冰槽分别相连,并配置成利用制冷主机的冷媒和/或蓄冰槽的蓄冰与冷冻水进行热交换。
可选地,冰蓄冷设备还包括:第一管道,连接制冷主机和蓄冰槽;以及第一阀门,设置于第一管道中,以调整第一管道的通断状态。
可选地,冰蓄冷设备还包括:第二管道,连接制冷主机和换热器;第三管道,连接蓄冰槽和换热器;以及阀门组件,包括多个阀门,分别设置于第二管道和第三管道中,以调整第二管道和第三管道的通断状态。
可选地,冰蓄冷控制装置,与阀门组件相连,以调整阀门组件中各阀门的开度。
可选地,制冷主机为多台,冰蓄冷控制装置与多台制冷主机相连,以按照负荷需求开启相应台数的制冷主机。
可选地,人员监测装置包括门禁系统以及视频监控系统。
可选地,制冰介质为乙二醇溶液。
本实用新型的基于负荷预测的冰蓄冷优化控制系统包括:气象监测装置,用于监测制冷系统所在区域的气象参数,其中制冷系统设置有冰蓄冷设备;人员监测装置,用于监测制冷系统提供冷量的建筑物内的人员,以得到建筑物内的人员分布情况;制冷系统监测装置,与建筑物的制冷系统相连,以监测制冷系统的运行状态;以及冰蓄冷控制装置,与气象监测装置、人员监测装置、制冷系统监测装置分别相连,以按照根据气象参数、人员分布情况、制冷系统的运行状态预测得到的负荷需求控制冰蓄冷设备,基于准确的负荷预测制定控制策略,控制过程科学合理,可有效提高冰蓄冷设备的运行效率,节约制冷系统的运行费用。
进一步地,本实用新型的基于负荷预测的冰蓄冷优化控制系统,其中冰蓄冷设备包括:制冷主机,配置成利用在其内部循环的冷媒对冷冻水进行制冷;蓄冰槽,与制冷主机连接,以利用制冷主机提供的制冰介质生成蓄冰;换热器,与制冷主机和蓄冰槽分别连接,并配置成利用制冷主机的冷媒或蓄冰槽的蓄冰与冷冻水进行热交换,制冷主机为多台,冰蓄冷控制装置与多台制冷主机相连,以按照负荷需求开启相应台数的制冷主机,进一步优化冰蓄冷设备的控制方案,避免制冷主机开启台数与负荷需求不匹配,影响制冷效果或者增加不必要的能耗。
根据下文结合附图对本实用新型具体实施例的详细描述,本领域技术人员将会更加明了本实用新型的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本实用新型的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本实用新型一个实施例的基于负荷预测的冰蓄冷优化控制系统中冰蓄冷设备的结构框图;
图2是根据本实用新型一个实施例的基于负荷预测的冰蓄冷优化控制系统的结构框图;以及
图3是根据本实用新型一个实施例的基于负荷预测的冰蓄冷优化控制系统的系统架构图。
具体实施方式
图1是根据本实用新型一个实施例的基于负荷预测的冰蓄冷优化控制系统中冰蓄冷设备300的结构框图。如图所示,该冰蓄冷设备300可以包括:制冷主机301、蓄冰槽302、换热器303。
其中,制冷主机301,配置成利用在其内部循环的冷媒对冷冻水进行制冷。蓄冰槽302,与制冷主机301相连,以利用制冷主机301提供的制冰介质生成蓄冰。换热器303,与制冷主机301和蓄冰槽302分别相连,并配置成利用制冷主机301的冷媒和/或蓄冰槽302的蓄冰与冷冻水进行热交换。其中,制冰介质可以为乙二醇溶液,并且其中可以加入成核剂和稳定剂,以加快水凝结成冰的速度。换热器303可以为板式换热器。
该冰蓄冷设备300还可以包括:第一管道304、第二管道306、第三管道307、第一阀门305和阀门组件308。第一管道304,连接制冷主机301和蓄冰槽302;以及第一阀门305,设置于第一管道304中,以调整第一管道304的通断状态。第二管道306,连接制冷主机301和换热器303;第三管道307,连接蓄冰槽302和换热器303;以及阀门组件308,包括多个阀门,分别设置于第二管道306和第三管道307中,以调整第二管道306和第三管道307的通断状态。
以下对一个具体实例进行介绍:在蓄冰的工作状态下,第一阀门305开启,第一管道304连通制冷主机301和蓄冰槽302并形成闭合回路,制冷主机301的蒸发器出口处温度可以达到-5℃,由制冷主机301流出的低温乙二醇溶液流至蓄冰槽302,蓄冰槽302中可以设置有内部为水的冰球,低温乙二醇溶液流过冰球表面,可以使冰球中的水结冰。在融冰的工作状态下,第一阀门305关闭,第三管道307中的阀门开启,第三管道307连通蓄冰槽302和换热器303并形成闭合回路,蓄冰槽302中储存的冷量通过换热器303与冷冻水换热,从而使空调水温度降低。蓄冰时间一般错过白天的用电高峰期,尽量利用夜间廉价电力制冰蓄冷。
在其他一些实施例中,在第二管道306连通的情况下,仅利用在制冷主机301内部循环的冷媒对冷冻水进行制冷;在第三管道307连通的情况下,仅利用蓄冰槽302的蓄冰对冷冻水进行制冷;在第二管道306和第三管道307都连通的情况下,同时利用制冷主机301的冷媒和蓄冰槽302的蓄冰对冷冻水进行制冷。蓄冰过程中产生的蓄冰数量,以及第二管道306、第三管道307的通断都可以根据预测得到的负荷进行控制。例如预测负荷较大,可以延长蓄冰时间,增加蓄冰数量,并同时连通第二管道306和第三管道307,制冷主机301和蓄冰槽302同时工作,对冷冻水进行制冷;再例如预测负荷较小,可以缩短蓄冰时间,减少蓄冰数量,只连通第二管道306或第三管道307,利用制冷主机301和蓄冰槽302其中之一对冷冻水进行制冷。
图2是根据本实用新型一个实施例的基于负荷预测的冰蓄冷优化控制系统100的结构框图,图3是根据本实用新型一个实施例的基于负荷预测的冰蓄冷优化控制系统100的系统架构图。该基于负荷预测的冰蓄冷优化控制系统100可以对上一实施例的冰蓄冷设备300进行智能优化控制,利用冰蓄冷设备300的制冷主机301和/或蓄冰槽302对冷冻水进行制冷,并将降温后的冷冻水提供给建筑负荷200,可以提高冰蓄冷设备的运行效率,节约运行费用。
如图所示,该基于负荷预测的冰蓄冷优化控制系统100可以包括:气象监测装置10、人员监测装置20、制冷系统监测装置30、冰蓄冷控制装置40。
其中,气象监测装置10,用于监测制冷系统所在区域的气象参数,其中制冷系统设置有冰蓄冷设备300。其中气象参数可以包括:温度、湿度、太阳辐射强度,气象监测装置10可以为采集温度、湿度、太阳辐射强度的传感器。
人员监测装置20,用于监测制冷系统提供冷量的建筑物内的人员,以得到建筑物内的人员分布情况。人员监测装置20可以包括门禁系统以及视频监控系统。
制冷系统监测装置30,与建筑物的制冷系统相连,以监测制冷系统的运行状态。制冷系统监测装置30可以为与制冷系统数据传输接口相连的数据采集装置或采集模块。
冰蓄冷控制装置40,与气象监测装置10、人员监测装置20、制冷系统监测装置30分别相连,以按照根据气象参数、人员分布情况、制冷系统的运行状态预测得到的负荷需求控制冰蓄冷设备300。冰蓄冷控制装置40可以采用PAC集成控制系统,集成各控制参数以及负荷预测模型的目标值进行优化逻辑控制。
冰蓄冷控制装置40还可以与冰蓄冷设备300的阀门组件308相连,以调整阀门组件308中各阀门的开度。
冰蓄冷设备300的制冷主机301为多台,冰蓄冷控制装置40可以与多台制冷主机301相连,以按照负荷需求开启相应台数的制冷主机301。
利用以上硬件设备,本实施例的基于负荷预测的冰蓄冷优化控制系统100,可以对冰蓄冷设备300的控制进行优化,为基于准确的负荷预测制定控制策略提供了硬件架构支持。
以下对使用本实施例的基于负荷预测的冰蓄冷优化控制系统100对冰蓄冷设备300进行控制策略优化的使用实例进行介绍,需要注意的是,以下内容仅为本实施例的基于负荷预测的冰蓄冷优化控制系统100的一种工作过程的例举,并非对本实用新型构成限定。
由于负荷随天气参数等因素变化而变化,对负荷预测的准确程度直接影响对冰蓄冷设备的优化控制,因此必须对负荷做出精确的预测,才能够真正提高冰蓄冷设备的运行效率,节约制冷系统的运行费用。
负荷预测用于预测建筑物的冷量需求以及电量需求,同时也用于研究建筑物的动态热特性,以对建筑物空调系统的预热和预冷进行合理调节以及确定合理的晚间通风控制策略。另外负荷预测也可以用于控制合理的开/关制冷主机台数,提高调节的预见性和系统的稳定性。在大多数负荷预测的方法中,都采用了确定性数学模型来进行负荷预测工作。这些模型将待预测的负荷值归结为多个与建筑物需冷量和耗电量相关的随时间变化的变量的函数。这些变量包括室外温度、湿度、太阳辐射强度以及室内人员情况。由于采用确定性模型需要获得上述变量的准确数据,在实际工程应用中这些数据并非总是能够精确地测量,因此限制了这类模型的使用。
负荷预测可以基于人工神经网络方法进行,人工神经网络(ANN)是现代神经生物学研究基础上提出的模拟生物过程,模仿人的神经系统并反应人脑某些特征的一种计算结构。ANN在不同程度和层次上具有模拟人脑中神经系统的信息处理、存储和检索功能,而且具有和人脑功能类似的最基本特征:学习、归纳、分类和推广。具体表现在以下几个方面:具有以任意精度逼近复杂的非线性函数的特性;具有很强的适应于复杂环境和多目标控制要求的自学习能力。通常情况下,一个神经网络的权系数通过不断地被调整、训练来使得在特定的网络输入激励下能够得到特定的目标输出,这一过程是通过一种简单的反馈机制来实现的。神经网络在一定的输入作用下会产生相应的输出,网络输出结果与应该得到的真实目标对象进行比较。如果网络的输出与目标对象之间存在着较大的偏差,则将联结网络神经元之间的权系数按照一定的规则进行调整,这样网络在同一输入下的输出值就发生变化。不断重复上述的调整过程,直到网络输出与目标对象的偏差在允许的误差精度范围内。
该神经网络方法可以利用1-2个月的实测负荷和室内外气象参数数据,对网络进行训练,利用自行开发的神经网络仿真模块进行负荷预测。经过申请人的多次实际测试结果表明,该算法的预测值与实测值相关系数高于0.95。输入层参数的选取对训练网络所需时间和网络稳定性有很大影响,该模型选取了室外温湿度、太阳辐射强度、建筑内部人员占比以及当前实测负荷值作为输入参数。另外,在实际工程应用中,未来时刻的室外气象参数可以利用气象预报信息来获得需要的模型输入气象参数,通常天气预报数据可以从互联网上得到,同时认为气象台发布的天气预报信息是准确的,用于建筑物的负荷预测具有足够的可信度。
采用基于神经网络的时间序列负荷预测模型来实施建筑物的空调负荷预测,具有易于实施、预测精度高的特点。根据气象台提供的气象预报最高和最低室外温度值,采用模比系数内插方法可近似得到未来时刻的室外逐时干球温度值。将获得的室外逐时干球温度作为预测模型的输入参数后能显著提高预测模型的精度。
对建筑物负荷进行预测的目的是为了优化冰蓄冷设备的控制,在获得了建筑物第二天的逐时空调负荷的基础上可以制定准确合理的冰蓄冷控制策略。冰蓄冷优化控制的实质是确定由制冷主机直接供冷和融冰供冷的合理组合搭配,以满足逐时空调用冷的要求,同时使得日运行费用最低。与实施冰蓄冷优化控制相关的影响因素包括:空调用冷时段的逐时负荷、制冷主机的动态特性和蓄冰槽的蓄融冰动态特性。可以将制冷主机的出力和电耗拟合成蒸发器侧流体流量、出口温度和冷凝侧工作流体流量、进口温度的函数,拟合用的数据可以根据制冷主机厂商提供的数据,也可以采用现场测试得到的数据。采用不同的蓄冰装置,其蓄融冰动态特性也各异,大量的工程实测表明:在蓄冷阶段的绝大部分时间内可以近似认为蓄冷率是恒定的,某一时刻蓄冰槽的释冷率可以统一表示为蓄冰槽中剩余冰量的函数,相关参数的取值可以通过在现场测试得到。
影响冰蓄冷优化控制实施的另一个因素是上文提及的建筑物未来时刻的逐时空调负荷。对于以24小时为一个蓄冷/释冷周期的冰蓄冷空调系统而言,在蓄冷过程开始阶段,需要对将来时刻的建筑物空调负荷进行预测,以实施优化控制。在获得了未来24小时的预测负荷值,并确定了制冷主机和蓄冰槽的动态热力特性后,就可以推导冰蓄冷优化控制的数学模型。
在推导冰蓄冷设备日运行费用数学模型时,可以采用一些假设:通过制冷主机和蓄冰槽的流体流量均恒定;蓄冷过程中蓄冷量足够大,最大的释冷率为蓄冰槽中剩余冰量的函数;蓄冰槽保温良好,不计冷损失;根据国内实施的分时电价政策现状,制冰蓄冷时间为8小时;在制冰时,不考虑制冷剂同时需要供冷的情况,另设基载主机来满足空调负荷;只有一台主机同时承担制冰和供冷任务。
根据推导出的数学模型对冰蓄冷优化控制问题进行求解,可以采用非线性规划的方法对给出的数学模型通过计算机求解。如果将时间间隔取1小时,待求解的问题是一个24元非线性优化问题。其中目标函数为非线性,约束条件全部近似为线性约束。这些约束条件可以包括:尽量利用夜间低谷时间廉价电力制冰蓄冷、防止蓄冰槽冷量过早耗尽以至于出现下午峰期供冷不足、防止蓄冰槽过多残留余冰而造成下次充冷循环的效率降低、防止制冷主机低负载运行、尽可能使蓄冰用在高价时段、尽可能保持制冷主机工作的连续性,避免频繁开关机等等。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本实用新型的多个示例性实施例,但是,在不脱离本实用新型精神和范围的情况下,仍可根据本实用新型公开的内容直接确定或推导出符合本实用新型原理的许多其他变型或修改。因此,本实用新型的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (8)
1.一种基于负荷预测的冰蓄冷优化控制系统,其特征在于包括:
气象监测装置,用于监测制冷系统所在区域的气象参数,其中所述制冷系统设置有冰蓄冷设备;
人员监测装置,用于监测所述制冷系统提供冷量的建筑物内的人员,以得到所述建筑物内的人员分布情况;
制冷系统监测装置,与所述建筑物的制冷系统相连,以监测所述制冷系统的运行状态;以及
冰蓄冷控制装置,与所述气象监测装置、所述人员监测装置、所述制冷系统监测装置分别相连,以按照根据所述气象参数、所述人员分布情况、所述制冷系统的运行状态预测得到的负荷需求控制所述冰蓄冷设备。
2.根据权利要求1所述的基于负荷预测的冰蓄冷优化控制系统,其特征在于,所述冰蓄冷设备包括:
制冷主机,配置成利用在其内部循环的冷媒对冷冻水进行制冷;
蓄冰槽,与所述制冷主机相连,以利用所述制冷主机提供的制冰介质生成蓄冰;
换热器,与所述制冷主机和所述蓄冰槽分别相连,并配置成利用所述制冷主机的冷媒和/或所述蓄冰槽的蓄冰与冷冻水进行热交换。
3.根据权利要求2所述的基于负荷预测的冰蓄冷优化控制系统,其特征在于,所述冰蓄冷设备还包括:
第一管道,连接所述制冷主机和所述蓄冰槽;以及
第一阀门,设置于所述第一管道中,以调整所述第一管道的通断状态。
4.根据权利要求3所述的基于负荷预测的冰蓄冷优化控制系统,其特征在于,所述冰蓄冷设备还包括:
第二管道,连接所述制冷主机和所述换热器;
第三管道,连接所述蓄冰槽和所述换热器;以及
阀门组件,包括多个阀门,分别设置于所述第二管道和所述第三管道中,以调整所述第二管道和所述第三管道的通断状态。
5.根据权利要求4所述的基于负荷预测的冰蓄冷优化控制系统,其特征在于,
所述冰蓄冷控制装置,与所述阀门组件相连,以调整所述阀门组件中各阀门的开度。
6.根据权利要求2所述的基于负荷预测的冰蓄冷优化控制系统,其特征在于,
所述制冷主机为多台,所述冰蓄冷控制装置与多台所述制冷主机相连,以按照所述负荷需求开启相应台数的所述制冷主机。
7.根据权利要求1所述的基于负荷预测的冰蓄冷优化控制系统,其特征在于,
所述人员监测装置包括门禁系统以及视频监控系统。
8.根据权利要求2所述的基于负荷预测的冰蓄冷优化控制系统,其特征在于,
所述制冰介质为乙二醇溶液。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201620845761.1U CN205980188U (zh) | 2016-08-05 | 2016-08-05 | 基于负荷预测的冰蓄冷优化控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201620845761.1U CN205980188U (zh) | 2016-08-05 | 2016-08-05 | 基于负荷预测的冰蓄冷优化控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN205980188U true CN205980188U (zh) | 2017-02-22 |
Family
ID=58029181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201620845761.1U Expired - Fee Related CN205980188U (zh) | 2016-08-05 | 2016-08-05 | 基于负荷预测的冰蓄冷优化控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN205980188U (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107676925A (zh) * | 2017-11-27 | 2018-02-09 | 中山路得斯空调有限公司 | 一种计算中央空调系统储冷设备的用电量的方法 |
CN107797581A (zh) * | 2017-09-04 | 2018-03-13 | 任升莲 | 一种暖通大数据节能系统 |
CN108895633A (zh) * | 2018-05-08 | 2018-11-27 | 林兴斌 | 利用建筑结构作为蓄冷介质的中央空调系统控制方法 |
CN109028468A (zh) * | 2018-06-13 | 2018-12-18 | 北京天泽智云科技有限公司 | 基于大数据分析的冰机集群系统能耗优化方法和装置 |
CN109764449A (zh) * | 2019-03-06 | 2019-05-17 | 杭州享福多智能科技有限公司 | 一种智能蓄能空调 |
CN109960874A (zh) * | 2019-03-25 | 2019-07-02 | 华南理工大学建筑设计研究院有限公司 | 一种基于运行经济性的蓄冷系统运行方法 |
CN109974231A (zh) * | 2019-03-19 | 2019-07-05 | 南京南瑞继保电气有限公司 | 冰蓄冷空调冰量规划方法、装置、设备及介质 |
CN110686382A (zh) * | 2019-10-16 | 2020-01-14 | 广东美的暖通设备有限公司 | 空调控制方法、装置及计算机可读存储介质 |
CN111043685A (zh) * | 2018-10-12 | 2020-04-21 | 群光电能科技股份有限公司 | 储冰量调整系统与储冰量调整方法 |
CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
US10823446B2 (en) | 2018-10-12 | 2020-11-03 | Chicony Power Technology Co., Ltd. | System of adjusting load of air conditioning and method of adjusting the same |
CN112178839A (zh) * | 2020-09-09 | 2021-01-05 | 珠海格力电器股份有限公司 | 一种光伏蓄冰空调预测控制方法及使用其的光伏蓄冰空调 |
CN112648787A (zh) * | 2019-10-10 | 2021-04-13 | 中车石家庄车辆有限公司 | 蓄冷剩余使用时长的确定方法、装置和计算机设备 |
CN112648784A (zh) * | 2019-10-10 | 2021-04-13 | 中车石家庄车辆有限公司 | 蓄冷剩余使用时长的确定方法、装置和计算机设备 |
CN113899036A (zh) * | 2021-09-30 | 2022-01-07 | 港华能源投资有限公司 | 规划蓄冷项目的方法及装置 |
CN115094818A (zh) * | 2022-06-29 | 2022-09-23 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 模拟冰坝及冰碛坝蓄水溃决的试验系统及试验方法 |
-
2016
- 2016-08-05 CN CN201620845761.1U patent/CN205980188U/zh not_active Expired - Fee Related
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797581A (zh) * | 2017-09-04 | 2018-03-13 | 任升莲 | 一种暖通大数据节能系统 |
CN107676925B (zh) * | 2017-11-27 | 2020-01-14 | 中山路得斯空调有限公司 | 一种计算中央空调系统储冷设备的用电量的方法 |
CN107676925A (zh) * | 2017-11-27 | 2018-02-09 | 中山路得斯空调有限公司 | 一种计算中央空调系统储冷设备的用电量的方法 |
CN108895633A (zh) * | 2018-05-08 | 2018-11-27 | 林兴斌 | 利用建筑结构作为蓄冷介质的中央空调系统控制方法 |
CN109028468A (zh) * | 2018-06-13 | 2018-12-18 | 北京天泽智云科技有限公司 | 基于大数据分析的冰机集群系统能耗优化方法和装置 |
US10823446B2 (en) | 2018-10-12 | 2020-11-03 | Chicony Power Technology Co., Ltd. | System of adjusting load of air conditioning and method of adjusting the same |
CN111043685A (zh) * | 2018-10-12 | 2020-04-21 | 群光电能科技股份有限公司 | 储冰量调整系统与储冰量调整方法 |
US10808979B2 (en) | 2018-10-12 | 2020-10-20 | Chicony Power Technology Co., Ltd. | Ice storage amount adjusting system and adjusting method for the same |
CN111043685B (zh) * | 2018-10-12 | 2021-04-16 | 群光电能科技股份有限公司 | 储冰量调整系统与储冰量调整方法 |
CN109764449A (zh) * | 2019-03-06 | 2019-05-17 | 杭州享福多智能科技有限公司 | 一种智能蓄能空调 |
CN109974231A (zh) * | 2019-03-19 | 2019-07-05 | 南京南瑞继保电气有限公司 | 冰蓄冷空调冰量规划方法、装置、设备及介质 |
CN109960874A (zh) * | 2019-03-25 | 2019-07-02 | 华南理工大学建筑设计研究院有限公司 | 一种基于运行经济性的蓄冷系统运行方法 |
CN112648787A (zh) * | 2019-10-10 | 2021-04-13 | 中车石家庄车辆有限公司 | 蓄冷剩余使用时长的确定方法、装置和计算机设备 |
CN112648784A (zh) * | 2019-10-10 | 2021-04-13 | 中车石家庄车辆有限公司 | 蓄冷剩余使用时长的确定方法、装置和计算机设备 |
CN110686382A (zh) * | 2019-10-16 | 2020-01-14 | 广东美的暖通设备有限公司 | 空调控制方法、装置及计算机可读存储介质 |
CN110686382B (zh) * | 2019-10-16 | 2021-02-09 | 广东美的暖通设备有限公司 | 空调控制方法、装置及计算机可读存储介质 |
CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
CN111076376B (zh) * | 2019-12-18 | 2021-03-16 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
CN112178839A (zh) * | 2020-09-09 | 2021-01-05 | 珠海格力电器股份有限公司 | 一种光伏蓄冰空调预测控制方法及使用其的光伏蓄冰空调 |
CN112178839B (zh) * | 2020-09-09 | 2021-09-21 | 珠海格力电器股份有限公司 | 一种光伏蓄冰空调预测控制方法及使用其的光伏蓄冰空调 |
CN113899036A (zh) * | 2021-09-30 | 2022-01-07 | 港华能源投资有限公司 | 规划蓄冷项目的方法及装置 |
CN115094818A (zh) * | 2022-06-29 | 2022-09-23 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 模拟冰坝及冰碛坝蓄水溃决的试验系统及试验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN205980188U (zh) | 基于负荷预测的冰蓄冷优化控制系统 | |
Yao et al. | Optimal operation of a large cooling system based on an empirical model | |
Gang et al. | Predictive ANN models of ground heat exchanger for the control of hybrid ground source heat pump systems | |
Ma et al. | Model predictive control for the operation of building cooling systems | |
US9927190B2 (en) | Method of controlling a chiller | |
CN109871987A (zh) | 一种智能建筑暖通设备综合节能控制方法 | |
Gayeski et al. | Predictive pre-cooling of thermo-active building systems with low-lift chillers | |
CN102968111A (zh) | 控制分布式能源系统的方法和系统 | |
Ren et al. | Experimental study on control strategies of radiant floor cooling system with direct-ground cooling source and displacement ventilation system: A case study in an office building | |
Cole et al. | Use of model predictive control to enhance the flexibility of thermal energy storage cooling systems | |
CN109711614A (zh) | 一种分布式能源站的动态优化运行控制方法及系统 | |
CN116624984A (zh) | 一种冰蓄冷空调系统经济性和响应性双目标优化模型预测控制方法 | |
Benli | Performance prediction between horizontal and vertical source heat pump systems for greenhouse heating with the use of artificial neural networks | |
Daixin et al. | Optimization of group control strategy and analysis of energy saving in refrigeration plant | |
KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
Tian et al. | A method for COP prediction of an on-site screw chiller applied in cinema | |
Imamović et al. | Comprehensive fuzzy logic coefficient of performance of absorption cooling system | |
CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
Liu et al. | Dynamic integrated control for Chinese district heating system to balance the heat supply and heat demand | |
CN106765957B (zh) | 基于负荷预测与舒适度反馈的供水变温度控制系统 | |
CN204478354U (zh) | 一种冰蓄冷空调控制系统 | |
CN112947626A (zh) | 用于大坝温控的可变拓扑网格及其控制方法 | |
Chow et al. | Applying neural network and genetic algorithm in chiller system optimization | |
Liu et al. | Optimal setting parameters of cooling system under different climate zones for data center energy efficiency | |
Zhao et al. | The application of advanced control technologies in air conditioning system–a review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170222 |