ES2962563T3 - Optimización energética de la unidad de enfriamiento mediante control inteligente del punto de consigna de la temperatura del aire de suministro - Google Patents

Optimización energética de la unidad de enfriamiento mediante control inteligente del punto de consigna de la temperatura del aire de suministro Download PDF

Info

Publication number
ES2962563T3
ES2962563T3 ES18853088T ES18853088T ES2962563T3 ES 2962563 T3 ES2962563 T3 ES 2962563T3 ES 18853088 T ES18853088 T ES 18853088T ES 18853088 T ES18853088 T ES 18853088T ES 2962563 T3 ES2962563 T3 ES 2962563T3
Authority
ES
Spain
Prior art keywords
neural network
network model
cooling unit
temperature
unit
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
Application number
ES18853088T
Other languages
English (en)
Inventor
Craig A Brunstetter
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.)
Vertiv Corp
Original Assignee
Vertiv Corp
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 Vertiv Corp filed Critical Vertiv Corp
Application granted granted Critical
Publication of ES2962563T3 publication Critical patent/ES2962563T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
    • H05K7/20836—Thermal management, e.g. server temperature control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
    • H05K7/20718—Forced ventilation of a gaseous coolant
    • H05K7/20745—Forced ventilation of a gaseous coolant within rooms for removing heat from cabinets, e.g. by air conditioning device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25255—Neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Thermal Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Air Conditioning Control Device (AREA)
  • Cooling Or The Like Of Electrical Apparatus (AREA)

Abstract

La presente divulgación se refiere a un sistema para controlar un ajuste de la temperatura del aire de suministro para una unidad de enfriamiento para optimizar el funcionamiento de la unidad de enfriamiento con respecto a al menos uno de los requisitos de temperatura y humedad del aire ambiente. El sistema utiliza un controlador para implementar: un módulo de aprendizaje automático configurado para seleccionar qué porción o porciones de los datos adquiridos relacionados con el funcionamiento de la unidad de enfriamiento se utilizarán; y un modelo de red neuronal que usa información proporcionada por el módulo de aprendizaje automático y aprende un comportamiento operativo de la unidad de enfriamiento, y en donde el módulo de aprendizaje automático realiza aprendizaje y regresión supervisados para el modelo de red neuronal, y en donde el modelo de red neuronal usa información suministrada por el módulo de aprendizaje automático para generar una salida. El controlador también implementa un módulo de optimización que recibe la salida del modelo de red neuronal y que implementa una rutina de optimización global, utilizando el consumo de energía unitaria de la unidad de enfriamiento como función objetivo, para producir un punto de ajuste de temperatura del aire de suministro para uso del sistema de enfriamiento. unidad que optimiza un parámetro de funcionamiento de la unidad de refrigeración. (Traducción automática con Google Translate, sin valor legal)

Description

d e s c r ip c ió n
Optimización energética de la unidad de enfriamiento mediante control inteligente del punto de consigna de la temperatura del aire de suministro
r e f e r e n c ia c r u z a d a a s o lic it u d e s r e la c io n a d a s
c a m p o
La presente divulgación se refiere a sistemas y métodos para gestionar dispositivos de enfriamiento de centros de datos para optimizar el consumo de energía, y más particularmente, a un sistema y método que utiliza aprendizaje automático y modelos de redes neuronales para controlar un punto de consigna de la temperatura del aire de suministro para una unidad de enfriamiento de forma que optimiza el<uso>de energía.
a n t e c e d e n t e s
Esta sección proporciona información de antecedentes relacionada con la presente divulgación que no es necesariamente el estado de la técnica.
El<uso>de energía es una preocupación importante para los centros de datos. A medida que los centros de datos crecen cada vez más, a menudo con miles, o incluso decenas de miles, de componentes ubicados en una o más salas de un centro de datos, la necesidad de minimizar el consumo de energía de las unidades CRAC (aire acondicionado para salas de ordenadores), sin dejar de proporcionar un enfriamiento adecuado, es cada vez más importante.
Una consideración importante en la gestión del consumo de energía de los equipos de enfriamiento de centros de datos, como las unidades CRAC, es monitorear y ajustar la temperatura del aire de suministro ("SAT") para optimizar las condiciones de la sala. Tradicionalmente esto ha involucrado a un usuario quien ajusta manual y periódicamente una SAT introducida por el usuario, en un esfuerzo por cumplir mejor con las condiciones físicas de temperatura en la sala y al mismo tiempo intentar minimizar el<uso>de energía. Como se apreciará, este enfoque se basa en la atención, conocimiento y experiencia de un usuario en la selección manual del punto de consigna de SAT óptimo, así como de otros parámetros para las unidades CRAC que se utilizan dentro de la sala. Un sistema automatizado que sea capaz de "aprender", basándose en el comportamiento pasado del sistema, cómo seleccionar mejor el punto de consigna de SAT, permitiría optimizar el uso de energía. De forma significativa, un sistema inteligente, automatizado de este tipo eliminaría<o>reduciría también la dependencia, en la experiencia y el conocimiento de un usuario en la selección de un punto de consigna de SAT óptimo para satisfacer mejor las condiciones físicas de la sala en un momento dado.
El documento JP2012/149839A en un resumen establece "PROBLEMA A RESOLVER: Proporcionar un sistema de control de las conexiones del aire acondicionado, que controla la temperatura y la humedad de un lugar predeterminado para que estén dentro de un intervalo específico incluso después de que haya transcurrido un tiempo predeterminado y que minimiza el consumo total de energía de un procesador de información y de un aire acondicionado. SOLUCIÓN: El sistema incluye: un modelo de estimación 150 del consumo de energía que genera, como consumo de energía estimado, el consumo total de energía de uno<o>más aires acondicionados 310, 32<o>,... y de uno<o>más procesadores de información 211, 212,... dentro de un tiempo predeterminado; y un modelo de estimación 160 de temperatura y humedad que genera, como temperatura y humedad estimadas, la temperatura y humedad de cada lugar una vez transcurrido el tiempo predeterminado. Estos modelos se establecen utilizando los datos medidos del consumo de energía y temperatura y humedad en cada uno de uno<o>más lugares, que son recogidos por una unidad de medición 110 del consumo de energía y una unidad de medición 120 de temperatura y humedad, almacenados en una unidad de base de datos de aprendizaje 130 y usado después como datos de entrenamiento por una unidad de aprendizaje automático 140. L<os>parámetros de estos modelos están preajustados por la unidad de aprendizaje automático. El sistema incluye una unidad de búsqueda óptima 170 que busca dicha combinación de condiciones de configuración para los aires acondicionados y distribución de carga de CPU del procesador de información, que la temperatura y la humedad estimadas estén dentro de un intervalo prescrito y que se minimice el consumo de energía estimado".
El documento US7620613B1 en un resumen establece que "En un método para gestionar térmicamente un centro de datos que aloja al menos un componente electrónico, se estima el calor generado por un dispositivo de generación de calor de al menos un componente electrónico. Además, se recibe una temperatura detectada por un primer sensor de temperatura colocado para detectar una temperatura interior de al menos un componente electrónico. El calor estimado generado por al menos un dispositivo generador de calor se enmascara sustancialmente a partir de la temperatura detectada por el primer sensor de temperatura y una temperatura de entrada de al menos un componente electrónico se determina a partir de una diferencia entre la temperatura sustancialmente enmascarada y la temperatura detectada por el primer sensor de temperatura".
s u m a r io
La presente invención se establece en las reivindicaciones independientes, con algunas características opcionales establecidas en las reivindicaciones dependientes de las mismas.
En un aspecto, la presente divulgación se refiere a un sistema para controlar un ajuste de la temperatura del aire de suministro para una unidad de enfriamiento para optimizar el funcionamiento de la unidad de enfriamiento con respecto a al menos uno de los requisitos de temperatura y humedad del aire ambiente. El sistema comprende un controlador para implementar un módulo de aprendizaje automático configurado para seleccionar qué porción<o>porciones de los datos adquiridos relacionados con el funcionamiento de la unidad de enfriamiento se utilizarán. El controlador implementa también un modelo de redes neuronales que usa información suministrada por el módulo de aprendizaje automático y aprende un comportamiento operativo de la unidad de enfriamiento, y en donde el módulo de aprendizaje automático realiza aprendizaje y regresión supervisados para el modelo de redes neuronales, y en donde el modelo de redes neuronales usa la información proporcionada por el módulo de aprendizaje automático para generar una salida. El controlador implementa también un módulo de optimización que recibe la salida del modelo de redes neuronales y que implementa una rutina de optimización global, usando el consumo de energía unitaria de la unidad de enfriamiento como función objetivo, para producir un punto de consigna de temperatura del aire de suministro para<su uso>por la unidad de enfriamiento que optimiza un parámetro operativo de la unidad de enfriamiento.
En otro aspecto, la presente divulgación se refiere a un sistema para controlar un ajuste de la temperatura del aire de suministro para una unidad de enfriamiento para optimizar el funcionamiento de la unidad de enfriamiento con respecto a los requisitos de temperatura y humedad del aire ambiente. El sistema comprende un controlador para implementar un módulo de aprendizaje automático, un modelo de redes neuronales y un módulo de optimización. El módulo de aprendizaje automático está configurado para seleccionar qué porción<o>porciones de los datos adquiridos relacionados con el funcionamiento de la unidad de enfriamiento se utilizan. El modelo de redes neuronales usa información proporcionada por el módulo de aprendizaje automático y aprende un comportamiento operativo de la unidad de enfriamiento, y en donde el módulo de aprendizaje automático realiza también un aprendizaje y regresión supervisados para el modelo de redes neuronales. El modelo de redes neuronales usa la información proporcionada por el módulo de aprendizaje automático para generar una salida. El modelo de redes neuronales tiene un módulo de redes neuronales Potencia Unitaria que recibe entradas de al menos otro modelo de redes neuronales que incluye:
un modelo de redes neuronales de la temperatura del aire remota (RET) que representa una temperatura de entrada del bastidor de la unidad de enfriamiento, el modelo de redes neuronales de RET proporciona una salida al modelo de redes neuronales de potencia unitaria;
un modelo de redes neuronales de la temperatura del aire de retorno (RAT) para representar una temperatura del aire que regresa a una determinada de las unidades de enfriamiento; y
un modelo de redes neuronales de la temperatura del aire de suministro (SAT) para representar la temperatura del aire generado y emitido por la unidad de enfriamiento.
El módulo de optimización recibe el resultado del modelo de redes neuronales e implementa una rutina de optimización global, usando el consumo de energía unitaria de la unidad de enfriamiento como función objetivo, para producir un punto de consigna de temperatura del aire de suministro para<su uso>por la unidad de enfriamiento que optimiza un parámetro operativo de la unidad de enfriamiento.
En otro aspecto más, la presente divulgación se refiere a un sistema para controlar un ajuste de la temperatura del aire de suministro para una unidad de enfriamiento para optimizar el funcionamiento de la unidad de enfriamiento de centros de datos con respecto a los requisitos de temperatura y humedad del aire ambiente. El sistema comprende un controlador para implementar un módulo de aprendizaje automático configurado para seleccionar qué porción<o>porciones de los datos adquiridos relacionados con el funcionamiento de la unidad de enfriamiento se utilizan. El controlador implementa también un modelo de redes neuronales usa información proporcionada por el módulo de aprendizaje automático y aprende un comportamiento operativo de la unidad de enfriamiento, y en donde el módulo de aprendizaje automático realiza un aprendizaje y regresión supervisados para el modelo de redes neuronales. El modelo de redes neuronales incluye un modelo de redes neuronales de Potencia Unitaria que representa el consumo de potencia unitaria de enfriamiento; un modelo de redes neuronales de la temperatura del aire remota (RET) que representa una temperatura de entrada del bastidor de la unidad de enfriamiento, el modelo de redes neuronales de RET proporciona una salida al modelo de redes neuronales de potencia unitaria; un modelo de redes neuronales de la temperatura del aire de retorno (RAT) para representar una temperatura del aire que regresa a una determinada de las unidades de enfriamiento; un modelo de redes neuronales de la temperatura del aire de suministro (SAT) para representar la temperatura del aire generado y emitido por la unidad de enfriamiento; un modelo de redes neuronales del porcentual del ventilador que representa un porcentaje de la velocidad máxima del ventilador a la que está funcionando un ventilador de la unidad de enfriamiento seleccionada; y un modelo de redes neuronales de capacidad de enfriamiento (CC) para representar una capacidad de enfriamiento general, en unidades porcentuales, de la unidad de enfriamiento. El modelo de redes neuronales de Potencia Unitaria puede utilizar información proporcionada por todos de la RET, RAT, SAT, porcentaje de ventilador y modelos de redes neuronales CC para proporcionar una salida. El controlador implementa también un módulo de optimización que recibe la salida del modelo de redes neuronales y que implementa una rutina de optimización global, usando el consumo de energía unitaria de la unidad de enfriamiento como función objetivo, y que produce un punto de consigna de temperatura del aire de suministro para<uso>por la unidad de enfriamiento que optimiza un parámetro operativo de la unidad de enfriamiento.
d ib u j o s
L<os>dibujos descritos en el presente documento tienen fines ilustrativos.
la Figura 1 es un diagrama de flujo de alto nivel que ilustra diversas operaciones realizadas por una realización de la presente divulgación;
la Figura 2 es un gráfico que enumera los diversos modelos de redes neuronales utilizados por la presente divulgación, además de identificar las salidas utilizadas por varios modelos como entradas para otros modelos;
la Figura 3 es una lista de diversos criterios utilizados por el módulo de aprendizaje automático de la presente divulgación al llevar a cabo una función de aprendizaje automático;
la Figura 4 es un diagrama que ilustra un modelo de redes neuronales implementado por la presente divulgación y la relación entre las entradas del modelo de redes neuronales, las neuronas de una capa oculta del modelo de red y la salida de potencia unitaria;
la Figura 5 es un gráfico que establece los criterios que implementa el módulo optimizador de la presente divulgación; las Figuras 6A y 6B ilustran ejemplos del rendimiento de los modelos de redes neuronales del sistema de la Figura 1 junto con un gráfico que muestra qué tan cerca el control de Potencia unitaria logrado por la presente divulgación sigue una Potencia unitaria óptima calculada para una unidad de enfriamiento.
L<os>números de referencia correspondientes indican partes correspondientes en las distintas vistas de los dibujos.
d e s c r ip c ió n d e t a l l a d a
Las realizaciones ilustrativas se describirán ahora más completamente con referencia a los dibujos adjuntos.
Con referencia a la Figura 1, se muestra un ejemplo de un sistema 10 para implementar un método de acuerdo con la presente divulgación. El sistema 10 incluye un controlador 12 que tiene un procesador 14, una memoria 16 (por ejemplo, RAM<o>ROM no volátil) y un subsistema de entrada/salida 18. El controlador 12 se comunica con los componentes 20 del centro de datos, que normalmente incluirán unidades de aire acondicionado para salas de ordenadores ("CRAC") que requieren un ajuste del punto de referencia de la temperatura del aire de suministro ("SAT"). Por "punto de consigna" se entiende una temperatura del aire de suministro seleccionada por el usuario a la que se desea mantener el sistema 10. Uno de estos sistemas de enfriamiento ampliamente usados es el fabricado por Liebert (una empresa de Vertiv) con el nombre "DSE Free Cooling System", que es un sistema de economización de refrigerante bombeado, y las enseñanzas de la presente divulgación son totalmente aplicables a este sistema, así como a prácticamente cualquier otro tipo de sistema de aire acondicionado para salas que requiera un ajuste periódico del punto de consigna de SAT para cumplir con las condiciones cambiantes de temperatura del aire de la sala. El sistema 10 permite obtener una eficiencia energética óptima al operar una unidad de CRAC determinando automáticamente, en parte a través de una pluralidad de modelos de redes neuronales, la realización de un ajuste óptimo del punto de consigna de SAT que mejor satisfaga los requisitos actuales de temperatura y humedad de la sala.
Con mayor referencia a la Figura 1, el controlador 12 adquiere datos, como se indica en la casilla 22, lo que puede implicar la aplicación de uno<o>más filtros para filtrar los datos y producir un conjunto de datos que será utilizado por operaciones de procesamiento posteriores. En la operación 24, el conjunto de datos recopilados (y potencialmente filtrados) se usa a través de uno<o>más módulos de aprendizaje automático para elegir qué datos se conservan para<su uso>por los modelos de redes neuronales, para entrenar modelos de redes neuronales usando algoritmos de entrenamiento seleccionados, por ejemplo, a través del algoritmo de entrenamiento de Levenberg-Marquardt, así como para decidir cuándo reentrenar los modelos de redes neuronales y/o empezar desde cero con nuevos datos. En la operación 26, los datos se utilizan en uno<o>más modelos de redes neuronales, como se describirá más adelante en los siguientes párrafos. En la operación 28 se ejecuta una<o>más rutinas de optimización. Esto puede implicar elegir cuándo ejecutar la optimización, así como ejecutar un algoritmo de optimización global de punto interior utilizando los datos recopilados, como también se describirá más detalladamente en los siguientes párrafos. L<os>resultados de la operación 26 se utilizan para proporcionar entradas al algoritmo de optimización global. La operación de optimización 28 produce un punto de consigna de SAT 30 que puede ser utilizado por el controlador 12 para establecer el punto de consigna de SAT aplicado a uno<o>más de los componentes de enfriamiento del centro de datos.
La Figura 2 enumera en forma de gráfico las diferentes redes neuronales que usa el sistema 10 así como las entradas a cada red neuronal. L<os>modelos de redes neuronales ("NN") se usan para "Potencia Unitaria" (modelo de NN 26a, también denominado "UP"), que representa el consumo de potencia unitaria de enfriamiento; "Temperatura del aire remota" (modelo de NN 26b, denominado "RET"), que es la temperatura de entrada del bastidor de una determinada unidad de enfriamiento del centro de datos que se está considerando; "Temperatura de retorno", también conocido como "Temperatura del aire de retorno"<o>"RAT" (modelo de NN 26<c>), que es la temperatura del aire que regresa a una determinada de las unidades de enfriamiento 20; "Temperatura de suministro", que se conoce también como "Temperatura del aire de suministro ("SAT") (modelo de NN 26d), que es la temperatura del aire generado y emitido por la unidad de enfriamiento; "% del Ventilador" (modelo de NN 26e), que es el porcentaje de la velocidad máxima del ventilador a la que está funcionando un ventilador de la unidad de enfriamiento seleccionada; y "Capacidad de enfriamiento" (modelo 26f, denominado como "CC"), que es la capacidad de enfriamiento total (en unidades porcentuales, tal como el porcentaje de capacidad del compresor<o>el porcentaje de apertura de la válvula, etc.) de una determinada de las unidades de enfriamiento. Se observará que la red neuronal de Potencia Unitaria 26a puede verse como el modelo de redes neuronales primaria<o>principal, ya que este modelo recibe entradas de todos del modelo de NN de Temperatura Remota 26b, modelo de NN de Temperatura de Retorno 26<c>, modelo de NN de Temperatura de Suministro 26d, modelo de NN de % del Ventilador 26e y modelo de NN de Capacidad de Enfriamiento 26f.
El gráfico de la Figura 2 ilustra también cuáles de los modelos de NN 26b-26f se utilizan como entradas para otros modelos de NN. Algunas de las variables en las columnas de la tabla que se muestra en la Figura 2 corresponden a resultados de los modelos de NN, y una "X" en la fila indica que esa variable se utiliza como entrada para ese modelo de NN. Por ejemplo, se puede ver que las salidas del modelo de NN de RAT 26<c>y del modelo de NN de SAT 26d son entradas al modelo de N<n>de Capacidad de Enfriamiento 26f, junto con el punto de consigna de SAT y el rechazo de calor del evaporador del punto de rocío de retorno ("Qin"). El término "Qin" representa el calor rechazado por la unidad de enfriamiento. Más específicamente, es el caudal másico multiplicado por el calor específico, que a<su>vez se multiplica por el diferencial de temperatura. L<os>modelos de redes neuronales para la Temperatura Remota (RET) 26b, la Temperatura del aire de retorno (RAT) 26<c>, la Temperatura del aire de suministro (SAT) 26d, el % del ventilador 26e y la capacidad de enfriamiento (CC) 26f son restricciones no lineales para el modelo de NN de potencia unitaria (UP) 26a.
Con referencia a la Figura 3, se muestran los detalles del módulo de aprendizaje automático 24. El módulo de aprendizaje automático 24 realiza el aprendizaje y regresión supervisados para los modelos de redes neuronales 25a-26f. Esencialmente, el módulo de aprendizaje automático 24 utiliza métodos computacionales para "aprender" información directamente a partir de los datos recopilados, en lugar de usar ecuaciones/modelos empíricos. El rendimiento mejora a medida que aumenta la cantidad de muestras de aprendizaje. El aprendizaje automático difiere también del simple<uso>de ecuaciones/modelos empíricos en que actúa como un modelo "predictivo" que se basa tanto en datos de entrada como de salida. L<os>modelos de redes neuronales 25a-26f se pueden implementar en cada unidad única (por ejemplo, cada unidad CRAC) y conocer<su>efecto individual en el comportamiento del sistema. L<os>efectos únicos del sistema en las unidades individuales se capturan y reflejan en el modelo de redes neuronales. La degradación del sistema a lo largo del tiempo también se refleja en los datos utilizados para entrenar los modelos de redes neuronales. El módulo de aprendizaje automático 24 hace<uso>de un algoritmo en el que los pesos aplicados a cada neurona de una capa oculta pueden ajustarse automáticamente para ayudar a "entrenar" los modelos de NN 25a-26f, y los datos recopilados pueden usarse para ayudar aún más a entrenar los modelos de NN. En una implementación específica, el módulo de aprendizaje automático 24 hace<uso>de una capa oculta que tiene 10 neuronas, un índice de entrenamiento de 0,70, un índice de validación de 0,15 y un índice de prueba de 0,15. Esto significa que el 70 % de los datos se usa para entrenar el modelo, mientras que el 30 % se reserva para probar y verificar el modelo. Se usa una función fitnet del programa MATLAB® en<su>Neural Network Toolbox para ejecutar el algoritmo de aprendizaje automático. El algoritmo de aprendizaje automático utiliza regresión con aprendizaje automático de redes neuronales (NN) para modelar el consumo de potencia unitaria DSE (Potencia Unitaria) en función de las variables: el punto de consigna de la temperatura del aire de suministro (PC SAT), la temperatura del aire de suministro (SAT), la temperatura del aire de retorno (RAT), Temperatura del aire remota (RET), la velocidad del ventilador de la unidad (%Ventilador), la capacidad de enfriamiento de la unidad (CC), el rechazo de calor del evaporador del punto de rocío de retorno (Qin); y los parámetros: Punto de consigna de la temperatura del aire remota y temperatura ambiente. La temperatura ambiente es la temperatura dentro de una sala donde se encuentra la unidad de enfriamiento. La Figura 4 muestra un diagrama que ilustra las relaciones entre las diversas entradas del modelo de redes neuronales, las capas ocultas representadas por las neuronas 1-9, y la salida, que es la potencia unitaria (UP) determinada para la unidad de enfriamiento.
El módulo de optimización global 28 implementa una rutina de optimización global que se ejecuta con el modelo de consumo de potencia unitaria DSE como función objetivo. Las restricciones no lineales utilizadas por el módulo de optimización global 28 incluyen el modelo de NN de la temperatura del aire remota (RET) 26b, el modelo de NN de la temperatura del aire de retorno (RAT) 26<c>, el modelo de N<n>de la temperatura del aire de suministro (SAT) 26d, el modelo de NN del % del ventilador 26e, el modelo de NN de la capacidad de enfriamiento (CC) 26f y el cálculo del rechazo de calor del evaporador del punto de rocío de retorno (Qin). El PC SAT se modifica para minimizar el consumo de potencia unitaria y las restricciones no lineales de la RET, SAT, T remota, % del ventilador y Capacidad de enfriamiento (CC) deben seguir las reglas de<sus>respectivos modelos de NN. El consumo de potencia unitaria de enfriamiento se reduce optimizando el punto de consigna de la temperatura del aire de suministro (PC SAT) adecuado para las condiciones físicas de la sala en la que se encuentra la unidad de enfriamiento, y se mantiene el requisito de temperatura del aire remota (RET). La necesidad de que el usuario introduzca manual y periódicamente el punto de consigna de la temperatura del aire de suministro (PC SAT) se elimina. L<os>límites del punto de consigna de la temperatura del aire de suministro (PC SAT) pueden variar, pero en una implementación, el SAT se puede configurar entre 12,78 °C y 23,89 °C (55 °F y 75 °F). Una restricción lineal es que la S<a>T debe ser igual al PC SAT. L<os>puntos de optimización se logran cuando se logran condiciones de estado estable y existe una duración de una hora entre puntos a menos que la temperatura del aire remota exceda un umbral de peligro en el que el punto de consigna de la temperatura del aire de suministro (PC SAT) puede cambiar antes de la duración de una hora. Se puede usar un algoritmo de optimización de búsqueda global del programa MATLAB® para realizar las operaciones de optimización. Este algoritmo usa un algoritmo de punto interior.
Durante las pruebas, se ha descubierto que el sistema 10 reduce el consumo de energía de una unidad de enfriamiento hasta en un 20 %<o>más. De forma significativa, el sistema 10 logra el control automático del PC SAT y, por tanto, no requiere entradas periódicas del usuario para el PC SAT. El PC SAT es controlado por el sistema 10 para optimizar (es decir, minimizar) el consumo de energía de las unidades de enfriamiento gestionadas por el sistema 10 sin violar ningún criterio operativo<o>medioambiental importante. L<os>gráficos de las Figuras 6A y 6B ilustran cómo un sistema con la metodología de control descrita aquí funcionaría con cargas de IT variables y puntos de consigna de la SAT iniciales como instantáneas en el tiempo. El algoritmo de optimización de búsqueda global del módulo de optimización global 28 genera un punto de consigna de la SAT optimizado para reducir la potencia de la unidad mientras se cumplen todas las restricciones<o>se cumple el requisito de temperatura del aire remota.

Claims (4)

r e iv in d ic a c io n e s
1. Un sistema (10) para controlar un ajuste de la temperatura del aire de suministro para una unidad de enfriamiento para optimizar el funcionamiento de la unidad de enfriamiento con respecto a los requisitos de temperatura y humedad del aire ambiente, comprendiendo el sistema:
un controlador (12) para implementar:
un módulo de aprendizaje automático (24) configurado para seleccionar una porción de los datos adquiridos por el controlador relacionados con el funcionamiento de la unidad de enfriamiento;
un modelo de redes neuronales que usa los datos proporcionados por el módulo de aprendizaje automático y aprende un comportamiento operativo de la unidad de enfriamiento, y en donde el módulo de aprendizaje automático realiza un aprendizaje y regresión supervisados para el modelo de redes neuronales;
usando el modelo de redes neuronales los datos proporcionados por el módulo de aprendizaje automático para generar una salida;
teniendo el modelo de redes neuronales (26a) un modelo de redes neuronales de potencia unitaria que recibe entradas de otros modelos de redes neuronales que incluyen:
un modelo de redes neuronales de la temperatura del aire remota, RET (26b) que representa una temperatura de entrada del bastidor de la unidad de enfriamiento, proporcionando el modelo de redes neuronales de la RET una salida que representa la temperatura de entrada del bastidor como datos para el modelo de redes neuronales de potencia unitaria; y
un modelo de redes neuronales de la temperatura del aire de retorno, RAT (26<c>) para representar una temperatura del aire que regresa a una determinada de las unidades de enfriamiento, en donde la temperatura del aire que regresa a la unidad de enfriamiento representa los datos; y
un modelo de redes neuronales de la temperatura del aire de suministro, SAT (26d) para representar la temperatura del aire generado y emitido por la unidad de enfriamiento, en donde la salida que representa la temperatura del aire se genera y la salida de la unidad de enfriamiento representa los datos; y
un módulo de optimización (28) que recibe el resultado del modelo de redes neuronales y que implementa una rutina de optimización global, usando el consumo de energía unitaria de la unidad de enfriamiento como función objetivo, para producir un punto de consigna de la temperatura del aire de suministro optimizado (30) para<su uso>por la unidad de enfriamiento.
2. El sistema de la reivindicación 1, en donde el modelo de redes neuronales comprende además un modelo de redes neuronales del porcentaje de ventilador (26e) que representa un porcentaje de la velocidad máxima del ventilador a la que está funcionando un ventilador de la unidad de enfriamiento.
3. El sistema de la reivindicación 1, en donde el modelo de redes neuronales comprende además un modelo de redes neuronales de la capacidad de enfriamiento, CC (26f) para representar una capacidad de enfriamiento general, en unidades porcentuales, de la unidad de enfriamiento.
4. El sistema de la reivindicación 1, en donde el módulo de optimización recibe datos de al menos una fuente de datos y utiliza los datos junto con la salida del modelo de redes neuronales al implementar la rutina de optimización global.
ES18853088T 2017-09-06 2018-09-06 Optimización energética de la unidad de enfriamiento mediante control inteligente del punto de consigna de la temperatura del aire de suministro Active ES2962563T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762554785P 2017-09-06 2017-09-06
PCT/US2018/049734 WO2019051077A1 (en) 2017-09-06 2018-09-06 COOLING UNIT ENERGY OPTIMIZATION THROUGH INTELLIGENT CONTROL OF FOOD AIR TEMPERATURE SET POINT

Publications (1)

Publication Number Publication Date
ES2962563T3 true ES2962563T3 (es) 2024-03-19

Family

ID=65518440

Family Applications (1)

Application Number Title Priority Date Filing Date
ES18853088T Active ES2962563T3 (es) 2017-09-06 2018-09-06 Optimización energética de la unidad de enfriamiento mediante control inteligente del punto de consigna de la temperatura del aire de suministro

Country Status (7)

Country Link
US (1) US10660241B2 (es)
EP (1) EP3679773B1 (es)
JP (1) JP7016407B2 (es)
CN (1) CN111096094B (es)
AU (1) AU2018328266B2 (es)
ES (1) ES2962563T3 (es)
WO (1) WO2019051077A1 (es)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014036133A1 (en) 2012-08-28 2014-03-06 Delos Living Llc Systems, methods and articles for enhancing wellness associated with habitable environments
EP3111411A4 (en) 2014-02-28 2017-08-09 Delos Living, LLC Systems, methods and articles for enhancing wellness associated with habitable environments
WO2018039433A1 (en) 2016-08-24 2018-03-01 Delos Living Llc Systems, methods and articles for enhancing wellness associated with habitable environments
US11668481B2 (en) 2017-08-30 2023-06-06 Delos Living Llc Systems, methods and articles for assessing and/or improving health and well-being
JP7014299B2 (ja) * 2018-07-27 2022-02-01 日本電信電話株式会社 行動最適化装置、方法およびプログラム
EP3850458A4 (en) 2018-09-14 2022-06-08 Delos Living, LLC AIR CLEANING SYSTEMS AND PROCEDURES
US11844163B2 (en) 2019-02-26 2023-12-12 Delos Living Llc Method and apparatus for lighting in an office environment
CN109883007A (zh) * 2019-03-20 2019-06-14 高福义 一种适用于在维数据中心的空调群控系统
US11898898B2 (en) 2019-03-25 2024-02-13 Delos Living Llc Systems and methods for acoustic monitoring
WO2021042339A1 (zh) * 2019-09-05 2021-03-11 阿里巴巴集团控股有限公司 散热控制与模型训练方法、设备、系统及存储介质
US11157380B2 (en) 2019-10-28 2021-10-26 Dell Products L.P. Device temperature impact management using machine learning techniques
CN110848896A (zh) * 2019-11-12 2020-02-28 深圳孚沃德斯科技有限公司 基于神经网络的空调冷却系统智能节能控制系统及方法
US11441800B2 (en) 2020-01-07 2022-09-13 FPL Smart Services, LLC Autonomous machine learning diagonostic system with simplified sensors for home appliances
DE102020200942A1 (de) 2020-01-27 2021-07-29 Zf Friedrichshafen Ag Kühlsystem für eine elektrische Baugruppe
US11751360B2 (en) * 2020-03-17 2023-09-05 International Business Machines Corporation Intelligently deployed cooling fins
CN111637614B (zh) * 2020-05-26 2021-06-08 内蒙古工业大学 数据中心主动通风地板的智能控制方法
CN111814388B (zh) * 2020-06-12 2023-06-06 菲尼克斯(上海)环境控制技术有限公司 一种基于神经网络的下送风数据中心cfd仿真校验方法
US11435794B2 (en) 2020-07-08 2022-09-06 Nvidia Corporation Intelligent repurposable cooling systems for mobile datacenter
US11864359B2 (en) 2020-08-27 2024-01-02 Nvidia Corporation Intelligent threshold leak remediaton of datacenter cooling systems
US20220151114A1 (en) * 2020-11-11 2022-05-12 Nvidia Corporation Intelligent above-platform push coupling for datacenter cooling systems
CN112558560B (zh) * 2020-11-24 2022-05-17 国家计算机网络与信息安全管理中心 数据中心制冷系统冷量输配动态优化与节能调控系统
US20220264771A1 (en) * 2021-02-18 2022-08-18 Nvidia Corporation Intelligent two-phase refrigerant-to-air heat exchanger for datacenter cooling systems
WO2023153920A1 (en) * 2022-02-08 2023-08-17 Bhajnik Singh Mahinder Singh Direct expansion multi evaporator air-conditioning (demeac) optimization system
JP7132552B1 (ja) 2022-04-28 2022-09-07 株式会社ソーラーハート スマートグリッド型給湯システム
US20230380115A1 (en) * 2022-05-17 2023-11-23 Honeywell International Inc. Methods and systems for prioritizing maintenance of cooling units of a data center
CN115696871B (zh) * 2022-11-04 2023-06-13 中国电子工程设计院有限公司 一种基于机器学习的数据中心水冷系统调控方法及装置

Family Cites Families (81)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0518651B1 (en) 1991-06-11 1996-08-14 Kabushiki Kaisha Toshiba Process control system
US5355305A (en) 1992-10-29 1994-10-11 Johnson Service Company Pattern recognition adaptive controller
US5568377A (en) 1992-10-29 1996-10-22 Johnson Service Company Fast automatic tuning of a feedback controller
WO1999005578A1 (en) 1997-07-22 1999-02-04 Honeywell Inc. Load-based adaptive gain control
JP3784960B2 (ja) * 1998-05-11 2006-06-14 株式会社竹中工務店 異環境分離装置及び異環境分離の制御方法
US7246753B2 (en) 2000-05-05 2007-07-24 Automated Logic Corporation Slop predictive control and digital pid control for a variable temperature control system
US8280533B2 (en) 2000-06-20 2012-10-02 Fisher-Rosemount Systems, Inc. Continuously scheduled model parameter based adaptive controller
JP4059014B2 (ja) 2001-06-19 2008-03-12 富士電機システムズ株式会社 プラントの最適運用方法及びプラントの最適設計方法
US6622925B2 (en) 2001-10-05 2003-09-23 Enernet Corporation Apparatus and method for wireless control
US7076962B2 (en) 2003-01-23 2006-07-18 Massachusetts Institute Of Technology Heating, ventilation and air conditioning (HVAC) system and method using feedback linearization
US6937909B2 (en) 2003-07-02 2005-08-30 Johnson Controls Technology Company Pattern recognition adaptive controller
US20060020291A1 (en) 2004-03-09 2006-01-26 Gozani Shai N Apparatus and method for performing nerve conduction studies with multiple neuromuscular electrodes
US7117129B1 (en) 2005-03-11 2006-10-03 Hewlett-Packard Development Company, L.P. Commissioning of sensors
US20070026107A1 (en) 2005-04-19 2007-02-01 Iaq Laboratories International, Llc System and Method for Predicting Mold Growth in an Environment
US7315768B2 (en) 2006-02-15 2008-01-01 International Business Machines Corporation Remote monitoring and servicing of computer data centers
US7620613B1 (en) * 2006-07-28 2009-11-17 Hewlett-Packard Development Company, L.P. Thermal management of data centers
US7890215B2 (en) 2006-12-22 2011-02-15 Duncan Scot M Optimized control system for cooling systems
US20100041327A1 (en) 2006-12-29 2010-02-18 Stulz Air Technology Systems, Inc. Apparatus, system and method for air conditioning using fans located under flooring
JP5479112B2 (ja) * 2007-01-24 2014-04-23 シュナイダー エレクトリック アイティー コーポレーション 装置ラックの冷却性能を評価するためのシステムおよび方法
EP2147585B1 (en) * 2007-05-15 2016-11-02 Schneider Electric IT Corporation Method and system for managing facility power and cooling
US9074784B2 (en) 2007-08-03 2015-07-07 Honeywell International Inc. Fan coil thermostat with fan ramping
US7979250B2 (en) * 2007-12-05 2011-07-12 International Business Machines Corporation Method of laying out a data center using a plurality of thermal simulators
JP4984162B2 (ja) 2008-01-17 2012-07-25 日本電気株式会社 監視制御方法および監視制御装置
US8190273B1 (en) 2008-04-18 2012-05-29 Federspiel Corporation Method and apparatus for controlling fans in heating, ventilating, and air-conditioning systems
US8560236B1 (en) 2008-06-20 2013-10-15 Google Inc. Showing uncertainty of location
US7952485B2 (en) 2008-11-21 2011-05-31 Schechter Tech, Llc Remote monitoring system
US9709965B2 (en) 2008-12-04 2017-07-18 Baselayer Technology, Llc Data center intelligent control and optimization
US8160838B2 (en) * 2009-04-30 2012-04-17 Synapsense Corporation Apparatus and method for visualizing environmental conditions in a data center using wireless sensor networks
US8244502B2 (en) * 2009-08-12 2012-08-14 International Business Machines Corporation Knowledge-based models for data centers
US20120284216A1 (en) * 2009-08-12 2012-11-08 International Business Machines Corporation Knowledge-Based Models for Data Centers
JP5484932B2 (ja) 2010-01-28 2014-05-07 アズビル株式会社 Ｐｉｄ調整支援装置および方法
JP5572799B2 (ja) 2010-04-01 2014-08-20 三菱電機株式会社 空調システム制御装置
US9046897B2 (en) 2010-08-13 2015-06-02 Barney Klinger System for monitoring and controlling the performance of an environmental control unit
EP2606406B1 (en) 2010-08-20 2020-04-01 Vigilent Corporation Energy-optimal control decisions for hvac systems
US8996141B1 (en) 2010-08-26 2015-03-31 Dunan Microstaq, Inc. Adaptive predictive functional controller
US8080445B1 (en) 2010-09-07 2011-12-20 Stats Chippac, Ltd. Semiconductor device and method of forming WLP with semiconductor die embedded within penetrable encapsulant between TSV interposers
US9459018B2 (en) 2010-11-19 2016-10-04 Google Inc. Systems and methods for energy-efficient control of an energy-consuming system
JP5511698B2 (ja) * 2011-01-20 2014-06-04 日本電信電話株式会社 空調機連係制御システム、空調機連係制御方法および空調機連係制御プログラム
CN102620378B (zh) * 2011-01-27 2014-01-15 国际商业机器公司 数据中心节能控制方法和系统
US20120215326A1 (en) 2011-02-17 2012-08-23 Invensys Systems Inc. Distributed Proportional/Integral/Derivative Tuning
US8560126B2 (en) 2011-03-11 2013-10-15 Honeywell International Inc. Setpoint optimization for air handling units
US8793003B2 (en) 2011-03-31 2014-07-29 Mitsubishi Electric Research Laboratories, Inc. Controlling operations of vapor compression system
WO2013043863A1 (en) 2011-09-20 2013-03-28 The Trustees Of Columbia University In The City Of New York Adaptive stochastic controller for energy efficiency and smart buildings
US20150178865A1 (en) * 2011-09-20 2015-06-25 The Trustees Of Columbia University In The City Of New York Total property optimization system for energy efficiency and smart buildings
JP5808634B2 (ja) 2011-09-30 2015-11-10 シスメックス株式会社 検体処理装置
JP5848578B2 (ja) 2011-10-25 2016-01-27 株式会社日立製作所 外気冷房システムおよびデータセンタ
WO2013075080A1 (en) 2011-11-17 2013-05-23 Trustees Of Boston University Automated technique of measuring room air change rates in hvac system
JP5291257B1 (ja) 2011-11-22 2013-09-18 サントリーホールディングス株式会社 単糖類及び二糖類の比率が高いノンアルコールのビールテイスト飲料
JP5982802B2 (ja) 2011-12-07 2016-08-31 富士通株式会社 空気調和機の制御計画立案装置、制御計画立案プログラム及び制御計画立案方法
JP5375945B2 (ja) 2011-12-28 2013-12-25 ダイキン工業株式会社 温度および湿度の調整を行う空調システム
WO2013134023A1 (en) 2012-03-08 2013-09-12 Google Inc. Controlling data center cooling
US9851118B2 (en) 2012-04-05 2017-12-26 Carrier Corporation HVAC system relay autotuning and verification
US9278303B1 (en) 2012-05-29 2016-03-08 Google Inc. Managing data center airflow
JP6034231B2 (ja) 2012-07-25 2016-11-30 株式会社Kelk 半導体製造装置用温度調整装置、半導体製造におけるｐｉｄ定数演算方法、及び半導体製造装置用温度調整装置の運転方法
US8917513B1 (en) 2012-07-30 2014-12-23 Methode Electronics, Inc. Data center equipment cabinet information center and updateable asset tracking system
EP2693856A3 (en) 2012-07-30 2014-05-21 Methode Electronics, Inc. Data center equipment cabinet information center
US9158345B1 (en) 2012-10-15 2015-10-13 Google Inc. Managing computer performance
US20140203151A1 (en) 2013-01-22 2014-07-24 James R. Hennessey Support Stand with Receiving Channels
US20140222241A1 (en) 2013-02-04 2014-08-07 Joseph David Ols Climate Control
US9453656B2 (en) 2013-02-26 2016-09-27 Mingsheng Liu Fan coil unit/CRAC optimizer system
US20140277765A1 (en) 2013-03-15 2014-09-18 University Of Southern California Human-building interaction framework for personalized comfort driven system operations in buildings
EP2799397B1 (en) 2013-04-30 2018-06-20 Merck Patent GmbH alpha-Alumina flakes
JP5807037B2 (ja) 2013-05-16 2015-11-10 株式会社豊田自動織機 可変ノズルターボチャージャ
US9534822B2 (en) 2013-07-02 2017-01-03 Johnson Controls Technology Company Staging active cooling start-up
WO2015013677A2 (en) 2013-07-26 2015-01-29 The Trustees Of Columbia University In The City Of New York Total property optimization system for energy efficiency and smart buildings
JP2016527649A (ja) 2013-08-05 2016-09-08 エムシー１０ インコーポレイテッドＭｃ１０，Ｉｎｃ． 適合する電子機器を含む可撓性温度センサ
US9596319B2 (en) 2013-11-13 2017-03-14 T1V, Inc. Simultaneous input system for web browsers and other applications
US10465925B2 (en) 2013-12-17 2019-11-05 Belimo Holding Ag Systems and methods for fault detection using smart valves
US10402767B2 (en) 2014-02-13 2019-09-03 Johnson Controls Technology Company Systems and methods for monetizing and prioritizing building faults
KR20150123540A (ko) * 2014-04-25 2015-11-04 삼성전자주식회사 전력 소비 최적화를 위한 스마트 시스템의 동작방법 및 장치
US9746213B2 (en) 2014-08-14 2017-08-29 Siemens Industry, Inc Demand flow for air cooled chillers
US9651929B2 (en) * 2014-09-29 2017-05-16 International Business Machines Corporation HVAC system control integrated with demand response, on-site energy storage system and on-site energy generation system
WO2016130453A1 (en) * 2015-02-09 2016-08-18 Schneider Electric It Corporation System and methods for simulation-based optimization of data center cooling equipment
US10386800B2 (en) * 2015-02-24 2019-08-20 Siemens Industry, Inc. Variable air volume modeling for an HVAC system
JP6660727B2 (ja) 2015-12-16 2020-03-11 ダイダン株式会社 外気利用型冷却システム
US11009836B2 (en) * 2016-03-11 2021-05-18 University Of Chicago Apparatus and method for optimizing quantifiable behavior in configurable devices and systems
JP6125696B2 (ja) 2016-06-08 2017-05-10 株式会社東芝 空調制御装置及び制御プログラム
US11162703B2 (en) * 2016-08-19 2021-11-02 Fraunhofer Usa, Inc. System and method for characterization of retrofit opportunities in building using data from communicating thermostats
US11076509B2 (en) * 2017-01-24 2021-07-27 The Research Foundation for the State University Control systems and prediction methods for it cooling performance in containment
US10671765B2 (en) * 2017-03-03 2020-06-02 Dell Products, L.P. Internet-of-things (IOT) gateway tampering detection and management
KR101925034B1 (ko) * 2017-03-28 2018-12-04 엘지전자 주식회사 스마트 컨트롤링 디바이스 및 그 제어 방법

Also Published As

Publication number Publication date
AU2018328266A1 (en) 2020-04-23
US20190075687A1 (en) 2019-03-07
EP3679773B1 (en) 2023-08-30
EP3679773C0 (en) 2023-08-30
CN111096094A (zh) 2020-05-01
JP2020533547A (ja) 2020-11-19
WO2019051077A1 (en) 2019-03-14
EP3679773A1 (en) 2020-07-15
AU2018328266B2 (en) 2021-05-13
CN111096094B (zh) 2021-11-30
JP7016407B2 (ja) 2022-02-04
US10660241B2 (en) 2020-05-19
EP3679773A4 (en) 2021-05-05

Similar Documents

Publication Publication Date Title
ES2962563T3 (es) Optimización energética de la unidad de enfriamiento mediante control inteligente del punto de consigna de la temperatura del aire de suministro
Yang et al. Model predictive control with adaptive machine-learning-based model for building energy efficiency and comfort optimization
KR102212663B1 (ko) 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
Mtibaa et al. LSTM-based indoor air temperature prediction framework for HVAC systems in smart buildings
Radecki et al. Online building thermal parameter estimation via unscented kalman filtering
Lee et al. Simulating multiple occupant behaviors in buildings: An agent-based modeling approach
US20190378020A1 (en) Building energy system with energy data stimulation for pre-training predictive building models
EP3997390A1 (en) Hvac system with design and operational tool for building infection control
Čongradac et al. Recognition of the importance of using artificial neural networks and genetic algorithms to optimize chiller operation
CN103282841A (zh) 建筑自动化系统
Li et al. Development of a back-propagation neural network and adaptive grey wolf optimizer algorithm for thermal comfort and energy consumption prediction and optimization
Minakais et al. Database-driven iterative learning for building temperature control
US20170169344A1 (en) Methods, systems, and computer readable media for a data-driven demand response (dr) recommender
ES2962265T3 (es) Sistemas y métodos para planificar y ejecutar automáticamente pruebas in situ en sistemas eléctricos y mecánicos
US11371741B2 (en) Air conditioning apparatus and method for controlling using learned sleep modes
Liu et al. A user-interactive system for smart thermal environment control in office buildings
Kumar et al. Ensemble learning model-based test workbench for the optimization of building energy performance and occupant comfort
Kircher et al. Testing building controls with the BLDG toolbox
CN116954329A (zh) 制冷系统的状态调节方法、装置、设备、介质及程序产品
Schalbetter Input convex neural networks for energy optimization in an occupied apartment
US20230314030A1 (en) Critical environment feedforward-feedback control system with room pressure and temperature control
Minakais et al. Office building model identification and control design
Gibson et al. Automation and control of the MMT thermal system
Billet et al. Data Center Cooling Efficiency With Simulation-Based Optimization
Nassif et al. Development and validation of a heat pump system model using artificial neural network