CN109341010A - 一种电制冷机空调***用供能一体化的控制方法和装置 - Google Patents
一种电制冷机空调***用供能一体化的控制方法和装置 Download PDFInfo
- Publication number
- CN109341010A CN109341010A CN201811091228.0A CN201811091228A CN109341010A CN 109341010 A CN109341010 A CN 109341010A CN 201811091228 A CN201811091228 A CN 201811091228A CN 109341010 A CN109341010 A CN 109341010A
- Authority
- CN
- China
- Prior art keywords
- preset
- refrigerating machine
- integrated control
- electric refrigerating
- conditioning system
- 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.)
- Granted
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明实施例公开了一种电制冷机空调***用供能一体化的控制方法和装置,该方法包括:将预设的负荷预测神经网络模型输出的未来预设时长内的冷负荷需求结果作为仿真输入条件,定时发送至预设的动态仿真模型;其中负荷预测神经网络模型的输入参数包括供能端的当前运行数据;通过动态仿真模型进行优化仿真以对预设的优化变量进行优化;将优化后的优化变量下发至用能端的制冷***,并通过优化后的所述优化变量控制制冷***运行。通过该实施例方案,实现了将供能端和用能端有机的耦合成一体,既保证了用能端不同负荷条件下的动态能量分配均衡以及舒适性要求,也保证了供能端的最佳经济性运行,从而降低了供能端和用能端的运维成本。
Description
技术领域
本发明实施例涉及流体机械和暖通空调技术领域,尤指一种电制冷机空调***用供能一体化的控制方法和装置。
背景技术
在传统园区级别的集中供冷中,用供能***存在明显的割裂,用能端和供能端分属于不同的主体,用能端负责楼宇内部空调***的调节,供能端负责制冷***的控制,二者的分界点为楼宇冷冻水总管接口处。尽管冷冻水是相连的,但是控制信息和用能信息却被中断,形成粗放的供冷管理模式,造成能源的浪费。
用能端往往存在水力不平衡的现象,造成楼宇内部最不利回路无法获得足够的冷量,而用户往往缺乏水力平衡调节方面的经验,只能通过投诉供能端寻求解决。供能端往往又没有权限或由于责任分工的原因不能对楼宇内部水力平衡进行直接干预,于是退而求其次通过增大冷冻水流量的方式加以解决。这就必然造成冷冻水供回水温差缩小,增大了供能端的耗电,降低了供能端的***COP(coefficient of performance循环性能系数)。
即使供能端有权限对楼宇内部进行冷冻水***水力平衡调节,也只能进行静态水力平衡调节,这对于当前普遍采用量调节方式的供冷***来讲也不适用。即使采用动态压差平衡阀,当环路流量超出阀门正常工作范围时,水力平衡调节功能也会失效。此外压差并不能直接反映用户侧的实际负荷需求,用户负荷更直观的表现为温差的变化。
针对不同的环境参数,以及用能端室内温度、相对湿度情况,冷冻水供水温度存在一定的调节空间。提高冷冻水供水温度可以明显降低制冷***的耗电功率,但如果供能端无法实时获取以上这些参数,也就无法采用用供一体化的节能控制调节手段,只能以较低的供水温度运行保证用能端的供冷舒适性,造成了不必要的能源浪费。这种将用能端与供能端割裂开的现象十分普遍,也直接造成了建筑能耗居高不下的现状。
近年来虽然在动态水力平衡调节以及室内湿度控制方面提出了新的控制方法,但是仍然没有一种将这两种技术融合在一起的控制方法,从而从根本上解决楼宇空调的按需供能及舒适性保证。
发明内容
本发明实施例提供了一种电制冷机空调***用供能一体化的控制方法和装置,能够将供能端和用能端有机的耦合成一体,既保证用能端不同负荷条件下的动态能量分配均衡以及舒适性要求,也保证供能端的最佳经济性运行,从而降低供能端和用能端的运维成本。
为了达到本发明实施例目的,本发明实施例提供了一种电制冷机空调***用供能一体化的控制方法,所述方法包括:
将预设的负荷预测神经网络模型输出的未来预设时长内的冷负荷需求结果作为仿真输入条件,定时发送至预设的动态仿真模型;其中,所述负荷预测神经网络模型的输入参数包括供能端的当前运行数据;
通过所述动态仿真模型进行优化仿真,以对预设的优化变量进行优化;
将优化后的所述优化变量下发至用能端的制冷***,并通过优化后的所述优化变量控制所述制冷***运行。
可选地,在将预设的负荷预测神经网络模型输出的未来预设时长内的冷负荷需求结果作为仿真输入条件,定时发送至预设的动态仿真模型之前,所述方法还包括:
收集所述供能端的运行数据;所述运行数据包括所述当前运行数据和历史运行数据;
以所述运行数据作为训练集对所述负荷预测神经网络模型进行训练。
可选地,所述运行数据包括以下任意一种或多种:室外温度、室外相对湿度、风速、风向、光照度以及冷负荷。
可选地,所述负荷预测神经网络模型的输入参数还包括:预设的经济性指标;
所述预设的经济性指标包括以下一种或多种:供冷价格、用电价格和用水价格。
可选地,所述优化变量包括以下任意一种或多种:冷机启动台数、冷却塔启动台数、冷却水流量、冷冻水流量以及冷冻水供水温度。
可选地,所述方法还包括:对预设的优化变量进行优化过程中,遵循预设的约束条件;
所述约束条件包括以下任意一种或多种:冷机最大制冷能力、冷机最小冷冻水流量、冷机最小冷却水流量、冷机最大冷冻水流量、冷机最大冷却水流量、冷冻水泵流量范围、冷却水泵流量范围以及室内最大相对湿度。
可选地,当所述优化变量为所述冷冻水供水温度时,所述通过所述动态仿真模型进行优化仿真,以对预设的优化变量进行优化包括:
以所述室内最大相对湿度作为所述约束条件,通过所述动态仿真模型中的预设的优化算法,根据所反馈的用户室内最大相对湿度计算当前允许的最高冷冻水供水温度。
可选地,所述动态仿真模型包括以下任意一种或多种:电制冷机模型、水泵模型、冷却塔模型和管网阻力模型。
可选地,所述方法还包括:根据水力环路上的回水温度和/或温差,判断所述水力环路中冷冻水所供给的冷量是否与用能端负荷需求相匹配;
其中,当所述回水温度和所述温差等于设定值时,判定所述水力环路中冷冻水所供给的冷量与所述用能端负荷需求相匹配;当所述回水温度和所述温差不等于设定值时,判定所述水力环路中冷冻水所供给的冷量与所述用能端负荷需求不匹配。
本发明实施例还提供了一种电制冷机空调***用供能一体化的控制装置,包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有指令,其特征在于,当所述指令被所述处理器执行时,实现上述任意一项所述的电制冷机空调***用供能一体化的控制方法。
本发明实施例包括:将预设的负荷预测神经网络模型输出的未来预设时长内的冷负荷需求结果作为仿真输入条件,定时发送至预设的动态仿真模型;其中,所述负荷预测神经网络模型的输入参数包括供能端的当前运行数据;通过所述动态仿真模型进行优化仿真,以对预设的优化变量进行优化;将优化后的所述优化变量下发至用能端的制冷***,并通过优化后的所述优化变量控制所述制冷***运行。通过该实施例方案,实现了将供能端和用能端有机的耦合成一体,既保证了用能端不同负荷条件下的动态能量分配均衡以及舒适性要求,也保证了供能端的最佳经济性运行,从而降低了供能端和用能端的运维成本。
本发明实施例的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例的电制冷机空调***用供能一体化的控制方法流程图;
图2为本发明实施例的负荷预测神经网路模型示意图;
图3为本发明实施例的动态仿真模型结构示意图;
图4为本发明实施例的信息流模型示意图;
图5为本发明实施例的电制冷机空调***用供能一体化的控制装置组成框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
为了达到本发明实施例目的,本发明实施例提供了一种电制冷机空调***用供能一体化的控制方法,如图1所示,所述方法可以包括S101-S103:
S101、将预设的负荷预测神经网络模型输出的未来预设时长内的冷负荷需求结果作为仿真输入条件,定时发送至预设的动态仿真模型;其中,所述负荷预测神经网络模型的输入参数包括供能端的当前运行数据。
在本发明实施例中,为了克服上述现有技术的不足,提供了一种针对电制冷机空调***用供能一体化的自动化最优控制方法。该方法用于解决当前园区集中供冷中存在的供能分配不均、制冷***效率低下、用户侧舒适性无法保证的问题。重点解决当前动态水力平衡调节技术无法与制冷***的群控、冷冻水供水温度动态调节以及室内相对湿度约束相融合的问题。
在本发明实施例中,为了提前预知下一时段的负荷情况,可以借助负荷预测技术,本发明实施例采用人工智能领域的神经网络技术,通过对用户过去一段时间内的负荷、影响因素数据进行训练,得到负荷预测神经网络模型,并对未来预设时长(如24小时)内用户侧的负荷进行预测。
可选地,在将预设的负荷预测神经网络模型输出的未来预设时长内的冷负荷需求结果作为仿真输入条件,定时发送至预设的动态仿真模型之前,所述方法还包括:
收集所述供能端的运行数据;所述运行数据包括所述当前运行数据和历史运行数据;
以所述运行数据作为训练集对所述负荷预测神经网络模型进行训练。
在本发明实施例中,上述的负荷预测神经网路模型可以如图2所示,在本发明实施例方案实施前,可以预先收集产能端的运行数据,该运行数据可以包括所述当前运行数据和历史运行数据(如上一个冷季的历史运行数据)。可选地,所述运行数据可以包括但不限于以下任意一种或多种:室外温度Tout、室外相对湿度Hout、风速Fs、风向Fd、光照度Lux、室内温度Tin、室内相对湿度Hin以及冷负荷Pcool;以此作为训练集训练负荷预测神经网络模型。训练好的负荷预测神经网络模型可以借助气象预报数据作为输入参数,即可获得未来数小时内的冷负荷需求曲线。
在本发明实施例中,为保持负荷预测神经网络模型的精度,负荷预测神经网络模型的训练过程可以设置成滚动模式,即不断地添加新的运行数据,以便实时反映最近的负荷情况。
在本发明实施例中,可以将负荷预测结果(即上述的冷负荷需求结果)以半个小时(时间步长可调)为周期发送至动态仿真模型,作为***仿真的输入条件。
在本发明实施例中,所述动态仿真模型可以包括但不限于以下任意一种或多种:电制冷机模型、水泵模型、冷却塔模型和管网阻力模型。
在本发明实施例中,动态仿真模型是制冷***的数字机理模型(包括电制冷机模型、水泵模型、冷却塔模型、管网阻力模型等),能够通过计算机模拟计算得到制冷***的性能以及各连接点的状态参数(可以包括但不限于下述的优化变量)。
可选地,所述负荷预测神经网络模型的输入参数还包括:预设的经济性指标;所述预设的经济性指标可以包括但不限于以下一种或多种:供冷价格、用电价格和用水价格。
在本发明实施例中,仿真层的输入参数可以包括前述的未来预设时长内的冷负荷需求结果,或称下一时刻的预测冷负荷;还可以包括:室外温度、室外相对湿度等。
在本发明实施例中,动态仿真模型的输入参数除负荷预测结果之外,还可以包括经济性指标,如供冷价格、用电价格、用水价格。在此基础上结合人工智能领域的全局优化算法(例如,可以采用进化算法),以经济收益最大化为目标函数,在不同的运行策略中进行寻优,从而找到对应负荷下的最佳运行模式。
S102、通过所述动态仿真模型进行优化仿真,以对预设的优化变量进行优化。
在本发明实施例中,图3给出了本发明实施例方案的动态仿真模型,或称动态优化模型,该模型可以由仿真层和优化算法层构成。仿真层是底层实体设备与管网的数字物理模型,用于对供能端冷机***进行模拟计算,得到指定工况下冷机***的性能参数以及营收参数,仿真层构成了优化算法层的评价函数。
在本发明实施例中,所述优化变量可以包括但不限于以下任意一种或多种:冷机启动台数、冷却塔启动台数、冷却水流量、冷冻水流量以及冷冻水供水温度。
在本发明实施例中,所述方法还可以包括:对预设的优化变量进行优化过程中,遵循预设的约束条件;
所述约束条件可以包括但不限于以下任意一种或多种:冷机最大制冷能力、冷机最小冷冻水流量、冷机最小冷却水流量、冷机最大冷冻水流量、冷机最大冷却水流量、冷冻水泵流量范围、冷却水泵流量范围以及室内最大相对湿度。
在本发明实施例中,当所述优化变量为所述冷冻水供水温度时,所述通过所述动态仿真模型进行优化仿真,以对预设的优化变量进行优化可以包括:
以所述室内最大相对湿度作为所述约束条件,通过所述动态仿真模型中的预设的优化算法,根据所反馈的用户室内最大相对湿度计算当前允许的最高冷冻水供水温度。
在本发明实施例中,在动态仿真优化过程中,一些优化变量的调整需要遵循特定的约束条件,其中最主要的就是冷冻水供水温度。当用户侧负荷较低时,可以适当提高冷冻水供水温度从而降低电制冷机的功耗。其遵循的约束条件为用户室内的湿度反馈,本发明实施例可以以阿什莱标准ASHRAE Standard 62-2001标准中对湿度的要求为依据,根据用户侧室内相对湿度的反馈,计算当前允许的最高冷冻水供水温度,从而在不牺牲用户舒适性的基础上进行节能控制。
在本发明实施例中,动态仿真优化过程可以设置为滚动优化模式,如以半小时为步长(时间步长可调),寻优下一时刻的最优运行方案。
S103、将优化后的所述优化变量下发至用能端的制冷***,并通过优化后的所述优化变量控制所述制冷***运行。
在本发明实施例中,优化算法以仿真层作为评价函数,在优化变量构成的设计空间内自动搜索最佳的运行策略,并将最终得到的优化设计结果下发到实体设备层,控制制冷***的运行,使其靠近最佳运行点。优化算法层以人为设定的时间步长滚动优化,以此来实现供能端对负荷的追踪,实现动态优化运行效果。
可选地,所述方法还可以包括:根据水力环路上的回水温度和/或温差,判断所述水力环路中冷冻水所供给的冷量是否与用能端负荷需求相匹配;
其中,当所述回水温度和所述温差等于设定值时,判定所述水力环路中冷冻水所供给的冷量与所述用能端负荷需求相匹配;当所述回水温度和所述温差不等于设定值时,判定所述水力环路中冷冻水所供给的冷量与所述用能端负荷需求不匹配。
在本发明实施例中,基于能量分配的动态水力平衡调节技术可以是独立于动态仿真优化的一套水力平衡调节方法。在水力环路中,冷冻水所供给的冷量是否与末端负荷需求相匹配,直接反映在环路的回水温度和温差上。当环路的回水温度或温差等于设定值时,则表明所提供的冷量与末端负荷需求相匹配,否则不匹配。因此,根据环路的回水温度或温差,就可以准确判断环路中冷量的供需是否平衡,也可以判断各个环路之间的冷量分配是否平衡,当所有环路的回水温度或温差趋于一致时,表明各个环路之间的能量分配也达到了平衡。
在本发明实施例中,基于能量分配平衡的动态水力平衡控制是以各个环路的回水温度或温差作为被控变量的,根据实际测量的各个环路的回水温度或温差,计算其与设定温差的偏差及偏差变化率,然后通过水力平衡控制算法调节相应环路供水阀门开度,对相关环路进行动态调节,实现各个环路冷量的供需平衡。
在本发明实施例中,图4给出了本发明实施中的信息流模型,可以从气象站获取天气数据,并与能量表采集的冷负荷进行关联,用于训练负荷预测神经网络模型。将供能端冷冻水供水温度、室外温度、室外相对湿度、能量表采集的冷负荷以及用能端室内相对湿度进行关联,建立室内相对湿度约束模型。将各楼层供回水总管温度采集并与供能端设定的供回水温差进行比对,调节各楼层冷冻水阀门开度,构成楼宇内部基于能量分配均衡的动态水力平衡调节***。
在本发明实施例中,综上所述,本发明实施例方案采用了电制冷机***(包括电制冷机、冷却水泵、冷冻水泵以及冷却塔)动态仿真模型,该模型依托电制冷机、水泵、冷却塔的机理模型,以负荷预测以及水、电、冷的价格信息为输入条件,以电制冷机***收益最大化为目标函数,以用户侧用冷需求及最佳湿度为约束条件,利用全局优化算法自动匹配最佳的运行策略,包括电制冷机的加减载、水泵频率的设定及冷却塔风扇的启停和最佳回水温度的计算。该模型以用户设定的时间步长滚动寻优,从而能够实时响应用户侧负荷变化,保证电制冷机***实时处于最优运行状态。
在本发明实施例中,本发明实施例方案将供能端和用能端有机的耦合成一体,既保证了用能端不同负荷条件下的动态能量分配均衡以及舒适性要求,也保证了供能端的最佳经济性运行。即用能端不会出现冷量分配不均导致的个别环路制冷效果不明显的现象,供能端则能够在任何条件下都能处于高效的运行状态,实现楼宇供冷能耗的降低。本发明实施例的进步在于依托人工智能领域的算法,摆脱了供冷调节对人为经验的依赖,借助PLC(可编程逻辑控制器)编程控制可以完全实现无人化值守,从而降低了供能端和用能端的运维成本。
本发明实施例还提供了一种电制冷机空调***用供能一体化的控制装置1,如图5所示,包括处理器11和计算机可读存储介质12,所述计算机可读存储介质12中存储有指令,当所述指令被所述处理器11执行时,实现上述任意一项所述的电制冷机空调***用供能一体化的控制方法。
本发明实施例包括:将预设的负荷预测神经网络模型输出的未来预设时长内的冷负荷需求结果作为仿真输入条件,定时发送至预设的动态仿真模型;其中,所述负荷预测神经网络模型的输入参数包括供能端的当前运行数据;通过所述动态仿真模型进行优化仿真,以对预设的优化变量进行优化;将优化后的所述优化变量下发至用能端的制冷***,并通过优化后的所述优化变量控制所述制冷***运行。通过该实施例方案,实现了将供能端和用能端有机的耦合成一体,既保证了用能端不同负荷条件下的动态能量分配均衡以及舒适性要求,也保证了供能端的最佳经济性运行,从而降低了供能端和用能端的运维成本。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种电制冷机空调***用供能一体化的控制方法,其特征在于,所述方法包括:
将预设的负荷预测神经网络模型输出的未来预设时长内的冷负荷需求结果作为仿真输入条件,定时发送至预设的动态仿真模型;其中,所述负荷预测神经网络模型的输入参数包括供能端的当前运行数据;
通过所述动态仿真模型进行优化仿真,以对预设的优化变量进行优化;
将优化后的所述优化变量下发至用能端的制冷***,并通过优化后的所述优化变量控制所述制冷***运行。
2.根据权利要求1所述的电制冷机空调***用供能一体化的控制方法,其特征在于,在将预设的负荷预测神经网络模型输出的未来预设时长内的冷负荷需求结果作为仿真输入条件,定时发送至预设的动态仿真模型之前,所述方法还包括:
收集所述供能端的运行数据;所述运行数据包括所述当前运行数据和历史运行数据;
以所述运行数据作为训练集对所述负荷预测神经网络模型进行训练。
3.根据权利要求2所述的电制冷机空调***用供能一体化的控制方法,其特征在于,所述运行数据包括以下任意一种或多种:室外温度、室外相对湿度、风速、风向、光照度以及冷负荷。
4.根据权利要求1所述的电制冷机空调***用供能一体化的控制方法,其特征在于,所述负荷预测神经网络模型的输入参数还包括:预设的经济性指标;
所述预设的经济性指标包括以下一种或多种:供冷价格、用电价格和用水价格。
5.根据权利要求1所述的电制冷机空调***用供能一体化的控制方法,其特征在于,所述优化变量包括以下任意一种或多种:冷机启动台数、冷却塔启动台数、冷却水流量、冷冻水流量以及冷冻水供水温度。
6.根据权利要求5所述的电制冷机空调***用供能一体化的控制方法,其特征在于,所述方法还包括:对预设的优化变量进行优化过程中,遵循预设的约束条件;
所述约束条件包括以下任意一种或多种:冷机最大制冷能力、冷机最小冷冻水流量、冷机最小冷却水流量、冷机最大冷冻水流量、冷机最大冷却水流量、冷冻水泵流量范围、冷却水泵流量范围以及室内最大相对湿度。
7.根据权利要求6所述的电制冷机空调***用供能一体化的控制方法,其特征在于,当所述优化变量为所述冷冻水供水温度时,所述通过所述动态仿真模型进行优化仿真,以对预设的优化变量进行优化包括:
以所述室内最大相对湿度作为所述约束条件,通过所述动态仿真模型中的预设的优化算法,根据所反馈的用户室内最大相对湿度计算当前允许的最高冷冻水供水温度。
8.根据权利要求1-7任意一项所述的电制冷机空调***用供能一体化的控制方法,其特征在于,所述动态仿真模型包括以下任意一种或多种:电制冷机模型、水泵模型、冷却塔模型和管网阻力模型。
9.根据权利要求1所述的电制冷机空调***用供能一体化的控制方法,其特征在于,所述方法还包括:根据水力环路上的回水温度和/或温差,判断所述水力环路中冷冻水所供给的冷量是否与用能端负荷需求相匹配;
其中,当所述回水温度和所述温差等于设定值时,判定所述水力环路中冷冻水所供给的冷量与所述用能端负荷需求相匹配;当所述回水温度和所述温差不等于设定值时,判定所述水力环路中冷冻水所供给的冷量与所述用能端负荷需求不匹配。
10.一种电制冷机空调***用供能一体化的控制装置,包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有指令,其特征在于,当所述指令被所述处理器执行时,实现如权利要求1-9任意一项所述的电制冷机空调***用供能一体化的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811091228.0A CN109341010B (zh) | 2018-09-19 | 2018-09-19 | 一种电制冷机空调***用供能一体化的控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811091228.0A CN109341010B (zh) | 2018-09-19 | 2018-09-19 | 一种电制冷机空调***用供能一体化的控制方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109341010A true CN109341010A (zh) | 2019-02-15 |
CN109341010B CN109341010B (zh) | 2021-04-30 |
Family
ID=65305697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811091228.0A Active CN109341010B (zh) | 2018-09-19 | 2018-09-19 | 一种电制冷机空调***用供能一体化的控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109341010B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186156A (zh) * | 2019-06-03 | 2019-08-30 | 西安锦威电子科技有限公司 | 制冷站模糊控制*** |
CN111765604A (zh) * | 2019-04-01 | 2020-10-13 | 珠海格力电器股份有限公司 | 空调的控制方法和装置 |
CN113776171A (zh) * | 2020-06-10 | 2021-12-10 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
CN114688692A (zh) * | 2020-12-30 | 2022-07-01 | 北京天诚同创电气有限公司 | 负荷预测方法、***及装置 |
WO2023010556A1 (zh) * | 2021-08-06 | 2023-02-09 | 西门子瑞士有限公司 | 精密空调的动态预测控制方法、装置和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280450A (ja) * | 2003-03-14 | 2004-10-07 | Toshiba Corp | プラントモデルの自動モデリング装置 |
CN101667013A (zh) * | 2009-09-04 | 2010-03-10 | 天津大学 | 微型燃气轮机冷电联供分布式供能***优化运行控制方法 |
US20100218108A1 (en) * | 2009-02-26 | 2010-08-26 | Jason Crabtree | System and method for trading complex energy securities |
CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及*** |
CN104633829A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 楼宇冷冻站节能控制装置及方法 |
-
2018
- 2018-09-19 CN CN201811091228.0A patent/CN109341010B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004280450A (ja) * | 2003-03-14 | 2004-10-07 | Toshiba Corp | プラントモデルの自動モデリング装置 |
US20100218108A1 (en) * | 2009-02-26 | 2010-08-26 | Jason Crabtree | System and method for trading complex energy securities |
CN101667013A (zh) * | 2009-09-04 | 2010-03-10 | 天津大学 | 微型燃气轮机冷电联供分布式供能***优化运行控制方法 |
CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及*** |
CN104633829A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 楼宇冷冻站节能控制装置及方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111765604A (zh) * | 2019-04-01 | 2020-10-13 | 珠海格力电器股份有限公司 | 空调的控制方法和装置 |
CN111765604B (zh) * | 2019-04-01 | 2021-10-08 | 珠海格力电器股份有限公司 | 空调的控制方法和装置 |
CN110186156A (zh) * | 2019-06-03 | 2019-08-30 | 西安锦威电子科技有限公司 | 制冷站模糊控制*** |
CN113776171A (zh) * | 2020-06-10 | 2021-12-10 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
CN113776171B (zh) * | 2020-06-10 | 2024-02-13 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
EP4166862A4 (en) * | 2020-06-10 | 2024-06-26 | ZTE Corporation | METHOD AND APPARATUS FOR CONTROLLING A COOLING DEVICE, COMPUTER DEVICE AND COMPUTER-READABLE MEDIUM |
CN114688692A (zh) * | 2020-12-30 | 2022-07-01 | 北京天诚同创电气有限公司 | 负荷预测方法、***及装置 |
CN114688692B (zh) * | 2020-12-30 | 2023-10-20 | 北京天诚同创电气有限公司 | 负荷预测方法、***及装置 |
WO2023010556A1 (zh) * | 2021-08-06 | 2023-02-09 | 西门子瑞士有限公司 | 精密空调的动态预测控制方法、装置和*** |
Also Published As
Publication number | Publication date |
---|---|
CN109341010B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109341010A (zh) | 一种电制冷机空调***用供能一体化的控制方法和装置 | |
CN106895478B (zh) | 一种供热管网调节方法和*** | |
CN105320118B (zh) | 基于云平台的空调***电力需求响应控制方法 | |
CN108039710B (zh) | 一种基于阶跃特性的空调负荷参与的电网日前调度方法 | |
CN107726546B (zh) | 无人运营的中央空调智能***及其控制方法 | |
US10527304B2 (en) | Demand response based air conditioning management systems and method | |
CN113091123A (zh) | 一种基于数字孪生模型的楼宇机组供热***调控方法 | |
CN108361885B (zh) | 一种冰蓄冷空调***动态规划方法 | |
CN107781947A (zh) | 一种建筑空调***冷热源预测控制方法和装置 | |
CN105674487B (zh) | 一种中央空调***动态水力平衡调节方法 | |
CN101949559A (zh) | 智能节能混水供热方法 | |
CN107421029A (zh) | 一种末端冷量均衡控制方法 | |
CN105719047A (zh) | 分布能量生产改变以满足需求改变 | |
CN112611076B (zh) | 基于iscs的地铁车站通风空调节能控制***和方法 | |
CN109612047A (zh) | 变风量空调***的送风温度控制方法 | |
CN113110057A (zh) | 一种基于人工智能的热力站节能控制方法及智能决策*** | |
CN110195927A (zh) | 一种分布式集中空调的冷水***控制方法与装置 | |
CN113110056B (zh) | 一种基于人工智能的供热智能决策方法及智能决策机 | |
Li et al. | Reinforcement learning-based demand response strategy for thermal energy storage air-conditioning system considering room temperature and humidity setpoints | |
CN114282708B (zh) | 考虑多尺度需求响应的跨区域综合能源***优化运行方法及*** | |
CN105240993A (zh) | 一种中央空调的精细化节能控制***及其实现方法 | |
CN115614812A (zh) | 一种基于物联网和边缘计算技术的水力平衡管理方法 | |
CN118153353B (zh) | 一种空调动态仿真模拟优化方法及其相关装置 | |
CN109190988A (zh) | 一种实现温控负荷最优协同的需求侧响应博弈方法 | |
CN115992965B (zh) | 一种换热机组动态调节方法和相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |