CN109416191B - 具有预测控制的变制冷剂流量*** - Google Patents
具有预测控制的变制冷剂流量*** Download PDFInfo
- Publication number
- CN109416191B CN109416191B CN201780040984.8A CN201780040984A CN109416191B CN 109416191 B CN109416191 B CN 109416191B CN 201780040984 A CN201780040984 A CN 201780040984A CN 109416191 B CN109416191 B CN 109416191B
- Authority
- CN
- China
- Prior art keywords
- vrf
- time step
- battery
- refrigerant
- energy
- 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
Links
- 239000003507 refrigerant Substances 0.000 title claims abstract description 173
- 238000005457 optimization Methods 0.000 claims abstract description 87
- 238000001816 cooling Methods 0.000 claims abstract description 84
- 238000010438 heat treatment Methods 0.000 claims abstract description 64
- 230000005611 electricity Effects 0.000 claims description 70
- 238000000034 method Methods 0.000 claims description 55
- 238000012546 transfer Methods 0.000 claims description 22
- 238000007599 discharging Methods 0.000 claims description 11
- 238000005057 refrigeration Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 73
- 239000003570 air Substances 0.000 description 71
- 230000008569 process Effects 0.000 description 23
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 5
- 239000012080 ambient air Substances 0.000 description 5
- 239000012808 vapor phase Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- MARUHZGHZWCEQU-UHFFFAOYSA-N 5-phenyl-2h-tetrazole Chemical compound C1=CC=CC=C1C1=NNN=N1 MARUHZGHZWCEQU-UHFFFAOYSA-N 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- KTSFMFGEAAANTF-UHFFFAOYSA-N [Cu].[Se].[Se].[In] Chemical compound [Cu].[Se].[Se].[In] KTSFMFGEAAANTF-UHFFFAOYSA-N 0.000 description 1
- 229910021417 amorphous silicon Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
-
- 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
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Secondary Cells (AREA)
Abstract
一种用于建筑物的变制冷剂流量(VRF)***包括室外VRF单元、多个室内VRF单元、电池、和预测VRF控制器。所述室外VRF单元包括被配置用于对制冷剂施加加热或冷却的电动VRF部件。所述室内VRF单元被配置用于使用经加热或经冷却的制冷剂来向多个建筑物区域提供加热或冷却。所述电池被配置用于储存电能并且释放所储存电能以用于为所述电动VRF部件供电。所述预测VRF控制器被配置用于优化预测成本函数,以确定在优化时段的每个时间步长处要从能量网采购的最佳电能量以及要储存在所述电池中或从所述电池释放以用于为所述电动VRF部件供电的最佳电能量。
Description
相关申请的交叉引用
本申请要求于2016年6月30日提交的美国临时专利申请号62/357,338、于2017年4月27日提交的美国临时专利申请号62/491,059、以及于2017年5月26日提交的美国临时专利申请号62/511,809的权益和优先权。这些专利申请中的每一个的全部披露内容通过引用结合于此。
背景技术
本披露总体上涉及一种用于建筑物的HVAC***,并且更具体地,涉及一种用作建筑物HVAC***的一部分的变制冷剂流量(VRF)***。
VRF通常包括室外VRF单元和多个室内VRF单元。室外VRF单元可以位于建筑物外部(例如,在屋顶上),并且可以操作用于加热或冷却制冷剂。室外VRF单元可以包括一个或多个压缩机、风扇、或被配置用于对制冷剂施加加热或冷却的其他电动VRF部件。室内VRF单元可以遍及建筑物内的各个建筑物区域分布,并且可以从室外VRF单元接收经加热或经冷却的制冷剂。每个室内VRF单元可以为室内VRF单元所在的特定建筑物区域提供温度控制。
VRF***可以包括在操作期间消耗功率的若干部件。例如,室外VRF单元可以包括被配置用于使制冷剂循环通过热交换器的压缩机以及被配置用于调节通过热交换器的气流的风扇。每个室内VRF单元可以包括被配置用于向建筑物区域提供气流的风扇。期望使这些以及其他功耗部件的功耗最小化,以便降低由VRF***消耗的能量成本。
发明内容
本披露的一种实施方式是一种用于建筑物的变制冷剂流量(VRF)***。所述VRF***包括室外VRF单元、多个室内VRF单元、电池、和预测VRF控制器。所述室外VRF单元包括被配置用于对制冷剂施加加热或冷却的一个或多个电动VRF部件。所述室内VRF单元被配置用于从所述室外VRF单元接收经加热或经冷却的制冷剂,并且使用所述经加热或经冷却的制冷剂来向多个建筑物区域提供加热或冷却。所述电池被配置用于储存电能并且释放所储存电能以用于为所述电动VRF部件供电。所述预测VRF控制器被配置用于优化预测成本函数,以确定在优化时段的每个时间步长处要从能量网采购的最佳电能量以及要储存在所述电池中或从所述电池释放以用于为所述电动VRF部件供电的最佳电能量。
在一些实施例中,所述VRF***包括被配置用于收集光伏能量的一个或多个光伏板。所述预测VRF控制器可以被配置用于确定在所述优化时段的每个时间步长处要储存在所述电池中的光伏能量的最佳量以及有待由所述电动VRF部件消耗的光伏能量的最佳量。
在一些实施例中,所述室外VRF单元包括制冷回路,所述制冷回路包括热交换器、被配置用于使所述制冷剂循环通过所述热交换器的压缩机、以及被配置用于调节所述热交换器中的热传递速率的风扇。所述电动VRF部件可以包括所述压缩机和所述风扇。所述预测成本函数可以考虑在所述优化时段的每个时间步长处操作所述压缩机和所述风扇的成本。
在一些实施例中,所述预测成本函数考虑了在所述优化时段的每个时间步长处从所述能量网采购的电能的成本以及由于从所述电池释放所储存的电能而产生的成本节省。
在一些实施例中,所述预测VRF控制器被配置用于:接收定义在所述优化时段的每个时间步长处从所述能量网采购的电能的每单位成本的能量定价数据,并且将所述能量定价数据用作到所述预测成本函数的输入。
在一些实施例中,所述预测成本函数基于所述VRF***在至少部分地与所述优化时段重叠的需量电费时段期间的最大功耗来考虑需量电费。所述预测VRF控制器被配置用于接收定义所述需量电费的能量定价数据并且将所述能量定价数据用作到所述预测成本函数的输入。
在一些实施例中,所述预测VRF控制器包括:经济控制器,被配置用于确定在所述优化时段的每个时间步长处所述电动VRF部件和所述电池的最佳功率设定值;跟踪控制器,被配置用于使用所述最佳功率设定值来确定在所述优化时段的每个时间步长处所述建筑物区域或所述制冷剂的最佳温度设定值;以及设备控制器,被配置用于使用所述最佳温度设定值来生成在所述优化时段的每个时间步长处用于所述电动VRF部件和所述电池的控制信号。
本披露的另一实施方式是一种用于建筑物的变制冷剂流量(VRF)***。所述VRF***包括室外VRF单元、多个室内VRF单元、和预测VRF控制器。所述室外VRF单元包括被配置用于对制冷剂施加加热或冷却的一个或多个电动VRF部件。所述室内VRF单元被配置用于从所述室外VRF单元接收经加热或经冷却的制冷剂,并且使用所述经加热或经冷却的制冷剂来向多个建筑物区域提供加热或冷却。所述预测VRF控制器被配置用于优化预测成本函数,以确定在优化时段的每个时间步长处要从能量网采购的最佳电能量以及有待由所述电动VRF部件消耗的最佳电能量。
在一些实施例中,所述VRF***包括被配置用于收集光伏能量的一个或多个光伏板。所述预测VRF控制器可以被配置用于确定在所述优化时段的每个时间步长处要储存在所述电池中的光伏能量的最佳量以及有待由所述电动VRF部件消耗的光伏能量的最佳量。
在一些实施例中,所述室外VRF单元包括制冷回路,所述制冷回路包括热交换器、被配置用于使所述制冷剂循环通过所述热交换器的压缩机、以及被配置用于调节所述热交换器中的热传递速率的风扇。所述电动VRF部件可以包括所述压缩机和所述风扇。所述预测成本函数可以考虑在所述优化时段的每个时间步长处操作所述压缩机和所述风扇的成本。
在一些实施例中,其中,所述预测成本函数考虑了在所述优化时段的每个时间步长处从所述能量网采购的电能的成本。
在一些实施例中,所述预测VRF控制器被配置用于:接收定义在所述优化时段的每个时间步长处从所述能量网采购的电能的每单位成本的能量定价数据,并且将所述能量定价数据用作到所述预测成本函数的输入。
在一些实施例中,所述预测成本函数基于所述VRF***在至少部分地与所述优化时段重叠的需量电费时段期间的最大功耗来考虑需量电费。所述预测VRF控制器被配置用于接收定义所述需量电费的能量定价数据并且将所述能量定价数据用作到所述预测成本函数的输入。
在一些实施例中,所述预测VRF控制器包括:经济控制器,被配置用于确定在所述优化时段的每个时间步长处所述电动VRF部件的最佳功率设定值;跟踪控制器,被配置用于使用所述最佳功率设定值来确定在所述优化时段的每个时间步长处所述建筑物区域或所述制冷剂的最佳温度设定值;以及设备控制器,被配置用于使用所述最佳温度设定值来生成在所述优化时段的每个时间步长处用于所述电动VRF部件的控制信号。
本披露的另一种实施方式是一种用于操作变制冷剂流量(VRF)***的方法。所述方法包括:在所述VRF***的预测控制器处接收定义在优化时段的多个时间步长中的每个时间步长内的能量价格的能量定价数据;以及将所述能量定价数据用作到预测成本函数的输入,所述预测成本函数定义了在所述优化时段的持续时间内操作所述VRF***的成本。所述方法包括:优化所述预测成本函数以确定所述VRF***的一个或多个电动部件的最佳功率设定值以及所述VRF***的电池的最佳功率设定值;以及使用所述最佳功率设定值来生成受所述VRF***影响的区域温度或制冷剂温度的温度设定值。所述方法包括:使用所述温度设定值来生成用于所述VRF***的所述电动部件的控制信号;以及操作所述VRF***的所述电动部件以实现所述温度设定值。
在一些实施例中,优化所述预测成本函数包括:确定在优化时段的每个时间步长处要从能量网采购的最佳电能量以及要储存在所述电池中或从所述电池释放以用于为所述VRF***的所述电动部件供电的最佳电能量。
在一些实施例中,所述方法包括:操作所述VRF***的室外VRF单元中的制冷回路以对制冷剂施加加热或冷却。所述制冷回路可以包括热交换器、被配置用于使所述制冷剂循环通过所述热交换器的压缩机、以及被配置用于调节所述热交换器中的热传递速率的风扇。所述VRF***的所述电动部件可以包括所述室外VRF单元的所述压缩机和所述风扇。所述预测成本函数可以考虑在所述优化时段的每个时间步长处操作所述压缩机和所述风扇的成本。
在一些实施例中,所述方法包括操作所述VRF***的室内VRF单元的风扇以在所述制冷剂与一个或多个建筑物区域之间传递热量。所述VRF***的所述电动部件可以包括所述室内VRF单元的所述风扇。
在一些实施例中,所述预测成本函数基于所述VRF***在至少部分地与所述优化时段重叠的需量电费时段期间的最大功耗来考虑需量电费。所述方法可以包括:将所述能量定价数据用作到所述预测成本函数的输入以限定所述需量电费。
在一些实施例中,所述方法包括:从所述VRF***的一个或多个光伏板获得光伏能量;以及确定在所述优化时段的每个时间步长处要储存在所述电池中的光伏能量的最佳量以及有待由所述VRF***的所述电动部件消耗的光伏能量的最佳量。
本领域的技术人员将认识到,概述仅是说明性的而不旨在以任何方式进行限制。本文中所描述的如仅由权利要求限定的装置和/或过程的其他方面、发明性特征以及优点将在本文中陈述并结合附图进行的详细说明中变得清楚。
附图说明
图1是根据示例性实施例的变制冷剂流量(VRF)***的图示,所述VRF***包括一个室外VRF单元和多个室内VRF单元。
图2是根据示例性实施例的图1的VRF***的另一图示,展示了一些室内VRF单元在制冷模式下操作,同时其他室内VRF单元在加热模式下操作。
图3是根据示例性实施例的具有预测VRF控制器的VRF***的图示。
图4是框图,更加详细地展示了根据示例性实施例的图3的VRF***。
图5是根据示例性实施例的包括图3的室外VRF单元的预测VRF控制***的框图。
图6是框图,展示了根据示例性实施例的可以用于监测并控制图3的VRF***的预测VRF控制器。
图7是根据示例性实施例的用于操作图3的VRF***的过程的流程图。
具体实施方式
概述
总体上参照附图,根据各个示例性实施例示出了具有预测控制器及其部件的变制冷剂流量(VRF)***。所述VRF***可以作为建筑物HVAC***用于向建筑物区域提供加热和/或冷却。所述VRF***可以包括一个或多个室外VRF单元和多个室内VRF单元。所述室外VRF单元可以位于建筑物外部(例如,在屋顶上),并且可以操作用于加热或冷却制冷剂。所述室外VRF单元可以包括一个或多个压缩机、风扇、或被配置用于对制冷剂施加加热或冷却的其他电动VRF部件。在一些实施例中,所述室外VRF单元包括被配置用于收集太阳能并且将太阳能转换成电能的光伏板。所述室内VRF单元可以遍及建筑物内的各个建筑物区域分布,并且可以从所述室外VRF单元接收经加热或经冷却的制冷剂。每个室内VRF单元可以为室内VRF单元所在的特定建筑物区域提供温度控制。
所述室外VRF单元可以包括被配置用于储存电能(即,电力)并且释放所储存电能以用于为电动VRF部件供电的电池。可以从能量网采购和/或由光伏板收集电能。在一些实施例中,电池在能量价格较低的时间段期间储存能量并且在能量价格较高时释放所储存的能量,以降低由VRF***所消耗的能量成本。电池可以由被配置用于优化操作VRF***的成本的预测控制器来控制。
所述VRF***可以包括被配置用于生成控制信号并将所述控制信号提供给电动VRF部件和电池的预测控制器。在一些实施例中,预测控制器使用多级优化技术来生成控制信号。例如,预测控制器可以包括经济控制器,所述经济控制器被配置用于确定在优化时段期间的每个时间步长期间有待由电动VRF部件消耗的最佳电量。待消耗的最佳电量可以使成本函数最小化,所述成本函数考虑了在优化时段的持续时间内由VRF***消耗的能量成本。能量成本可以基于来自电力公共设施的时变能量价格(例如,电力价格、需量价格等)。在一些实施例中,经济控制器被配置用于确定在优化时段的每个时间步长处要从能量网采购的最佳电量(即,电网功率设定值P设定值,电网)以及要储存在电池中或从所述电池释放的最佳电量(即,电池功率设定值P设定值,电池)。
在一些实施例中,预测控制器包括跟踪控制器,所述跟踪控制器被配置用于生成在每个时间步长处实现最佳功耗量的温度设定值(例如,区域温度设定值T设定值,区域、供应空气控制温度设定值T设定值,供应空气、制冷剂温度设定值T设定值,制冷剂等)。在一些实施例中,预测控制器使用电动VRF部件的设备模型基于最佳功耗量来确定可以由所述电动VRF部件生成的加热量或冷却量。预测控制器可以使用区域温度模型结合来自天气服务的天气预报来预测建筑物区域的温度T区域将如何基于功率设定值和/或温度设定值而变化。
在一些实施例中,预测控制器包括被配置用于使用温度设定值来生成用于电动VRF部件的控制信号的设备控制器。控制信号可以包括开/关命令、风扇或压缩机的速度设定值、致动器和阀的位置设定值、或用于电动VRF部件的各个装置的其他操作命令。例如,所述设备控制器可以从制冷剂温度传感器接收制冷剂温度T制冷剂的测量结果和/或从区域温度传感器接收区域温度T区域的测量结果。所述设备控制器可以使用反馈控制过程(例如,PID、ESC、MPC等)来调整室外VRF单元的风扇或压缩机的速度,以将所测量温度驱动至温度设定值。以下更加详细地描述了VRF***的这些和其他特征。
变制冷剂流量***
现在参照图1至图2,根据一些实施例,示出了变制冷剂流量(VRF)***100。VRF***100被示出为包括一个或多个室外VRF单元102和多个室内VRF单元104。室外VRF单元102可以位于建筑物外部并且可以操作用于加热或冷却制冷剂。室外VRF单元102可以消耗电力使制冷剂在液相、气相和/或过热气相之间转换。室内VRF单元104可以遍及建筑物内的各个建筑物区域分布,并且可以从室外VRF单元102接收经加热或经冷却的制冷剂。每个室内VRF单元104可以为室内VRF单元104所在的特定建筑物区域提供温度控制。
VRF***100的一个优点是一些室内VRF单元104可以在冷却模式下操作,同时其他室内VRF单元104在加热模式下操作。例如,室外VRF单元102和室内VRF单元104中的每一个都可以在加热模式、冷却模式、或关闭模式下操作。每个建筑物区域可以被独立地控制并且可以具有不同的温度设定值。在一些实施例中,每个建筑物具有最多达三个位于建筑物外部(例如,在屋顶上)的室外VRF单元102以及最多达128个遍及建筑物分布的室内VRF单元104(例如,在各个建筑区域中)。
VRF***100存在许多不同配置。在一些实施例中,VRF***100是双管***,其中,每个室外VRF单元102连接至单个制冷剂回流管线和单个制冷剂出口管线。在双管***中,所有室外VRF单元102都在相同模式下操作,因为经由单个制冷剂出口管线仅可以提供经加热或经冷却制冷剂之一。在其他实施例中,VRF***100是三管***,其中,每个室外VRF单元102连接至制冷剂回流管线、热制冷剂出口管线、和冷制冷剂出口管线。在三管***中,可以经由双制冷剂出口管线同时提供加热和冷却两者。参照图4更详细地描述了三管VRF***的示例。
具有预测控制器的VRF***
现在参照图3,根据一些实施例,示出了具有预测VRF控制器306的变制冷剂流量(VRF)***300。VRF***300被示出为包括室外VRF单元302和多个室内VRF单元304。虽然仅示出了一个室外VRF单元302和三个室内VRF单元304,但是可以设想VRF***300可以包括任何数量的室外VRF单元302和室内VRF单元304。在一些实施例中,VRF***300可以包括最多达三个室外VRF单元302和最多达128个室内VRF单元304。
VRF***300可以被配置用于向建筑物提供加热和/或冷却。例如,室外VRF单元302可以位于建筑物外部(例如,在屋顶上),并且可以操作用于加热或冷却制冷剂。室外VRF单元302可以包括一个或多个压缩机、风扇、或被配置用于使制冷剂在液相、气相、和/或过热气相之间循环的其他功耗制冷剂部件。室内VRF单元304可以遍及建筑物内的各个建筑物区域分布,并且可以从室外VRF单元302接收经加热或经冷却的制冷剂。每个室内VRF单元304可以为室内VRF单元304所在的特定建筑物区域提供温度控制。
在一些实施例中,室外VRF单元302包括一个或多个光伏(PV)板310。PV板310可以包括光伏电池单元的集合。光伏电池单元被配置用于使用光伏材料(诸如单晶硅、多晶硅、非晶硅、碲化镉、铜铟镓硒/硫或展现光伏效应的其他材料)将太阳能(即,日光)转换成电力。在一些实施例中,光伏电池单元被包含在形成PV板310的封装式组件内。每个PV板310可以包括多个链接的光伏电池单元。PV板310可以组合以形成光伏阵列。
在一些实施例中,PV板310被配置用于使太阳能收集最大化。例如,室外VRF单元302可以包括太阳能***(例如,GPS***、日光传感器等),所述太阳能***调整PV板310的角度以使得PV板310在一整天都直接对准太阳。太阳能***可以允许PV板310在一天的大部分时间接收直射日光,并且可以增加由PV场310产生的总电量。在一些实施例中,室外VRF单元302包括被配置用于将日光引导和/或集中在PV板310上的反射镜、透镜或太阳能集光器的集合。由PV板310生成的能量可以储存在电池单元312中和/或用于为室外VRF单元302供电。
在一些实施例中,室外VRF单元302包括一个或多个电池单元312。电池单元312可以形成被配置用于储存和释放电能(即,电力)的电池313(图4中所示的)。在一些实施例中,使用来自外部能量网的电力(例如,由电力公共设施提供的)来为电池313充电。可以释放储存在电池313中的电力以便为室外VRF单元302的一个或多个电动部件(例如,风扇、压缩机、控制阀、控制器306等)供电。有利地,电池313允许室外VRF单元302在能量价格较低时从能量网汲取电力并为电池313充电,并且当能量价格较高时释放所储存的电力,以对室外VRF单元302的电负载进行时移。在一些实施例中,当在最大容量下操作时,电池313具有足以为室外VRF单元302供电持续大约4至6小时的能量容量,使得可以在高能量成本时段期间利用电池313并且在低能量成本时段期间对电池进行充电。
在一些实施例中,预测VRF控制器306执行优化过程以判定在优化时段期间发生的多个时间步长中的每个时间步长期间对电池313进行充电还是放电。预测VRF控制器306可以使用天气数据和定价数据308来预测在所述多个时间步长中的每个时间步长期间所需的加热量/冷却量以及电力成本。预测VRF控制器306可以优化目标函数,所述目标函数考虑了在优化时段的持续时间内从能量网采购的电力成本。在一些实施例中,所述目标函数还考虑了加热或冷却室外VRF单元302内的制冷剂的成本。预测VRF控制器306可以确定在每个时间步长期间要从能量网采购的电量以及要储存在电池313中或从所述电池释放的电量。参照图5至图6更详细地描述了由预测VRF控制器306执行的目标函数和优化。
现在参照图4,根据一些实施例,示出了更加详细地展示VRF***300的框图。VRF***300被示出为包括室外VRF单元302、若干热回收单元314和若干室内VRF单元304。室外VRF单元302可以包括压缩机402、风扇406、或被配置用于使制冷剂在液相、气相、和/或过热气相之间转换的其他功耗制冷剂部件。室内VRF单元304可以遍及建筑物内的各个建筑物区域分布,并且可以从室外VRF单元302接收经加热或经冷却的制冷剂。每个室内VRF单元304可以为室内VRF单元304所在的特定建筑物区域提供温度控制。热回收单元304可以控制制冷剂在室外VRF单元302与室内VRF单元304之间的流动(例如,通过打开或关闭阀)并且可以使由室外VRF单元302服务的加热或冷却负载最小化。
室外VRF单元302被示出为包括压缩机402和热交换器404。压缩机402使制冷剂在热交换器404与室内VRF单元304之间循环。当VRF***300在冷却模式下操作时,热交换器404可以用作冷凝器(允许制冷剂将热量排出到外部空气),或者当VRF***300在加热模式下操作时,所述热交换器可以用作蒸发器(允许制冷剂从外部空气吸收热量)。风扇406提供通过热交换器404的气流。可以(例如,由预测VRF控制器306)调整风扇406的速度以调节进入或离开热交换器404中的制冷剂的热传递速率。
每个室内VRF单元304被示出为包括热交换器426和膨胀阀424。当室内VRF单元304在加热模式下操作时,热交换器426中的每一个可以用作冷凝器(允许制冷剂将热量排出到房间或区域内的空气),或者当室内VRF单元304在冷却模式下操作时,所述热交换器中的每一个可以用作蒸发器(允许制冷剂从房间或区域内的空气吸收热量)。风扇422提供通过热交换器426的气流。可以(例如,由预测VRF控制器306)调整风扇422的速度以调节进入或离开热交换器426中的制冷剂的热传递速率。温度传感器428可以用于测量室内VRF单元304内的制冷剂的温度。
在图4中,室内VRF单元304被示出为在冷却模式下操作。在冷却模式下,制冷剂经由冷却管线418提供给室内VRF单元304。制冷剂通过膨胀阀424膨胀至冷的低压状态,并且流过热交换器426(用作蒸发器)以从建筑物内的房间或区域吸收热量。然后,经加热制冷剂经由回流管线416流回室外VRF单元302,并且由压缩机402压缩至热的高压状态。经压缩的制冷剂流过热交换器404(用作冷凝器)并且将热量排出到外部空气中。然后,经冷却制冷剂可以经由冷却管线418提供回室内VRF单元304。在冷却模式下,流量控制阀410可以关闭,并且膨胀阀408可以完全打开。
在加热模式下,制冷剂经由加热管线414以热状态提供给室内VRF单元304。热的制冷剂流过热交换器426(用作冷凝器)并且将热量排出到建筑物的房间或区域内的空气中。然后,制冷剂经由冷却管线418流回至室外VRF单元(与图4中所示的流动方向相反)。制冷剂可以通过膨胀阀408膨胀到较冷的较低压状态。经膨胀的制冷剂流过热交换器404(用作蒸发器)并从外部空气吸收热量。经加热制冷剂可以由压缩机402压缩,并经由加热管线414以热的经压缩状态提供回至室内VRF单元304。在加热模式下,流量控制阀410可以完全打开以允许来自压缩机402的制冷剂流入加热管线414。
预测VRF控制器306被示出为向压缩机402、风扇406、和室内VRF单元304提供控制信号。向压缩机402提供的控制信号可以包括压缩机速度设定值、压缩机功率设定值、制冷剂流量设定值、制冷剂压力设定值(例如,由压力传感器412测量的压力的压差设定值)、开/关命令、分级命令、或影响压缩机402的操作的其他信号。类似地,向风扇406提供的控制信号可以包括风扇速度设定值、风扇功率设定值、气流设定值、开/关命令、或影响风扇406的操作的其他信号。向室内VRF单元304提供的控制信号可以包括相应建筑物区域的温度设定值、风扇422的风扇速度或气流设定值、制冷剂流量设定值、阀424的阀位置设定值、或影响室内VRF单元304的操作的任何其他信号。在一些实施例中,控制器306向阀408-410提供控制信号以调节阀408-410的位置。
预测VRF控制***
现在参照图5,根据一些实施例示出了预测VRF控制***500的框图。在控制***500中示出的若干部件可以是室外VRF单元302的一部分。例如,室外VRF单元302可以包括电动VRF部件502、电池313、PV板310、预测VRF控制器306、电池功率逆变器510、PV功率逆变器506、和电源接点516。电动VRF部件502可以包括在操作期间消耗功率(例如,电力)的室外VRF单元302的任何部件。例如,电动VRF部件502被示出为包括风扇406、压缩机402、和阀/致动器504(例如,阀408和410)。在一些实施例中,电动VRF部件502包括室内VRF单元304内的风扇422和/或阀424。
电池功率逆变器510和PV功率逆变器506可以被配置用于将电力在直流(DC)与交流(AC)之间进行转换。例如,电池313可以被配置用于储存和输出DC电力,而能量网508和电动VRF部件502可以被配置用于消耗和提供AC电力。电池功率逆变器510可以用于将来自电池313的DC电力转换成与能量网508的电网频率和/或电动VRF部件502同步的正弦AC输出。电池功率逆变器510还可以用于将来自能量网508的AC电力转换成可以储存在电池313中的DC电力。电池313的功率输出被示出为P电池。P电池可以在电池313正在向功率逆变器510提供电力(即,电池313正在放电)的情况下为正,或者在电池313正在从功率逆变器510接收电力(即,电池313正在充电)的情况下为负。
类似地,PV功率逆变器506可以被配置用于将来自PV板310的DC电力转换成与能量网508的电网频率和/或电动VRF部件502同步的正弦AC输出。PV板310的功率输出被示出为PPV。PV板310的功率输出PPV可以储存在电池313中和/或用于为电动VRF部件502供电。在一些实施例中,PV功率逆变器506测量由PV板310生成的电量PPV并且向预测VRF控制器306提供对PV功率的指示。例如,PV功率逆变器506被示出为向VRF控制器306提供对PV功率百分比(即,PV%)的指示。PV功率百分比可以表示PV板310当前正进行操作的最大PV功率的百分比。
在一些实施例中,功率逆变器510和506是谐振逆变器,所述谐振逆变器包括或使用LC电路来从简单的方波中移除谐波以便实现与能量网508的频率匹配的正弦波。在各个实施例中,功率逆变器510和506可以使用高频变压器、低频变压器或不使用变压器进行操作。低频变压器可以将来自电池313或PV板310的DC输出直接转换为被提供至电动VRF部件502的AC输出。高频变压器可以采用多步骤过程,所述多步骤过程涉及将DC输出转换为高频AC,然后回到DC,并且然后最终转换为被提供至电动VRF部件502的AC输出。
电源接点516是电动VRF部件502、能量网508、电池功率逆变器510、和PV功率逆变器506电连接至的点。从电池功率逆变器510供应至电源接点516的功率被示出为P电池。P电池可以在电池功率逆变器510正在向电源接点516提供电力(即,电池313正在放电)的情况下为正,或者在电池功率逆变器510正在从电源接点516接收电力(即,电池313正在充电)的情况下为负。从PV功率逆变器506供应至电源接点516的功率被示出为PPV。从能量网508供应至电源接点516的功率被示出为P电网。
P电池、PPV、和P电网在电源接点516处组合以形成P总(即,P总=P电网+P电池+PPV)。P总可以被定义为从电源接点516提供至电动VRF部件502的功率。在一些实例中,P总大于P电网。例如,当电池313正在放电时,P电池可以为正,其在P电池与P电网和PPV组合以形成P总时添加到电网功率P电网。类似地,当PV板310正在供电时,PPV可以为正,其在PPV与P电网和P电池组合以形成P总时添加到电网功率P电网。在其他实例中,P总可以小于P电网。例如,当电池313正在充电时,P电池可以为负,其在P电池与P电网和PPV组合以形成P总时从电网功率P电网减去。
预测VRF控制器306可以被配置用于控制电动VRF部件502和功率逆变器510、506。在一些实施例中,预测VRF控制器306生成电池功率设定值P设定值,电池并将其提供至功率逆变器510。电池功率设定值P设定值,电池可以包括正功率值或负功率值(例如,kW),这使功率逆变器510使用在电源接点516处获得的电力为电池313充电(当P设定值,电池为负时)或者使电池313放电(当P设定值,电池为正时)以向电源接点516提供电力以便实现电池功率设定值P设定值,电池。
在一些实施例中,预测VRF控制器306生成控制信号并将其提供至电动VRF部件502。预测VRF控制器306可以使用多级优化技术来生成控制信号。例如,预测VRF控制器306可以包括经济控制器,经济控制器被配置用于确定在优化时段期间的每个时间步长处有待由电动VRF部件502消耗的最佳电量。待消耗的最佳电量可以使成本函数最小化,所述成本函数考虑了由室外VRF单元302消耗的能量(例如,电力)成本。能量成本可以基于来自电力公共设施512的时变能量价格。在一些实施例中,成本函数考虑了操作室内VRF单元304的成本。操作室内VRF单元304的成本可以包括由室内VRF单元304消耗的能量成本和/或生成供应至室内VRF单元304的经加热或经冷却制冷剂的成本。
在一些实施例中,预测VRF控制器306确定在多个时间步长中每个时间步长处要从能量网508采购的最佳电量(即,电网功率设定值P设定值,电网)以及要储存在电池313中或从所述电池释放的最佳电量(即,电池功率设定值P设定值,电池)。预测VRF控制器306可以监测电动VRF部件502的实际功率使用,并且可以在生成最佳功率设定值时利用所述实际功率使用作为反馈信号。
预测VRF控制器306可以包括被配置用于生成在每个时间步长处实现最佳功耗量的温度设定值的跟踪控制器。温度设定值可以包括例如包含室内VRF单元304的建筑物区域的区域温度设定值T设定值,区域和/或由室内VRF单元304提供的气流的供应空气温度设定值T设定值,供应空气。在一些实施例中,预测VRF控制器306使用电动VRF部件502的设备模型基于最佳功耗量来确定可以由VRF部件502生成的加热量或冷却量。预测VRF控制器306可以使用区域温度模型结合来自天气服务514的天气预报来预测建筑物区域的温度T区域将如何基于功率设定值和/或温度设定值而变化。
在一些实施例中,预测VRF控制器306使用温度设定值来生成用于电动VRF部件502和/或室内VRF单元304的控制信号。所述控制信号可以包括开/关命令、风扇406和压缩机402的速度设定值、阀408-410的位置设定值、风扇422的速度设定值、阀424的位置设定值、或用于电动VRF部件502或室内VRF单元304的各个装置的其他操作命令。在其他实施例中,所述控制信号可以包括由预测VRF控制器306生成的温度设定值(例如,区域温度设定值T设定值,区域、供应空气温度设定值T设定值,供应空气等)。
可以将温度设定值提供至电动VRF部件502、室内VRF单元304、或操作用于实现所述温度设定值的这种装置的本地控制器。例如,室内VRF单元304之一的本地控制器可以从供应空气温度传感器接收供应空气温度T供应空气的测量结果和/或从区域温度传感器接收区域温度T区域的测量结果。所述本地控制器可以使用反馈控制过程(例如,PID、ESC、MPC等)来调整风扇406和/或压缩机402的速度,以将(多个)所测量温度驱动至(多个)温度设定值。可以使用类似反馈控制过程来控制室内VRF单元304的风扇422和/或阀424。参照图6更详细地描述了由预测VRF控制器306执行的多级优化。
预测VRF控制器
现在参照图6,根据示例性实施例,示出了更详细地展示预测VRF控制器306的框图。预测VRF控制器306被示出为包括通信接口602和处理电路604。通信接口602可以促进控制器306与外部***或装置之间的通信。例如,通信接口602可以从温度传感器616接收区域温度T区域和制冷剂温度T制冷剂的测量结果、以及电动VRF部件502的功率使用的测量结果。在一些实施例中,通信接口602接收电池313的荷电状态(SOC)的测量结果,所述测量结果可以作为最大电池容量的百分比(即,电池%)来提供。在一些实施例中,通信接口602接收由PV板310生成的电量PPV的测量结果,所述测量结果可以作为最大PV容量的百分比(即,PV%)来提供。通信接口602可以从天气服务514接收天气预报并且从电力公共设施512接收预测能量成本和需求成本。在一些实施例中,预测VRF控制器306使用通信接口602来向电动VRF部件502和功率逆变器510、506提供控制信号。
通信接口602可以包括用于与外部***或装置进行数据通信的有线或无线通信接口(例如,插座、天线、发射器、接收器、收发器、电线端子等)。在各实施例中,通信可以是直接的(例如,本地有线或无线通信)或经由通信网络(例如,WAN、互联网、蜂窝网络等)而进行的。例如,通信接口602可以包括用于经由基于以太网的通信链路或网络发送和接收数据的以太网卡和端口。在另一示例中,通信接口602可以包括用于经由无线通信网络进行通信的WiFi收发器、或者包括蜂窝或移动电话通信收发器。
处理电路604被示出为包括处理器606和存储器608。处理器606可以是通用或专用处理器、专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、一组处理部件或其他合适的处理部件。处理器606被配置成执行存储在存储器608中或从其他计算机可读介质(例如,CDROM、网络存储设备、远程服务器等)接收到的计算机代码或指令。
存储器608可以包括用于存储数据和/或计算机代码以完成和/或促进本披露中所描述的各个过程的一个或多个装置(例如,存储器单元、存储器装置、存储装置等)。存储器608可以包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器存储设备、临时存储设备、非易失性存储器、闪存、光学存储器、或用于存储软件对象和/或计算机指令的任何其他合适的存储器。存储器608可以包括数据库组件、目标代码组件、脚本组件、或用于支持本披露中所描述的各种活动和信息结构的任何其他类型的信息结构。存储器608可以经由处理电路604可通信地连接到处理器606并且可以包括用于(例如,由处理器606)执行本文中所描述的一个或多个过程的计算机代码。当处理器606执行存储在存储器608中的用于完成本文描述的各种活动的指令时,处理器606通常配置控制器306(并且更具体地为处理电路604)来完成这种活动。
仍然参照图6,预测VRF控制器306被示出为包括经济控制器610、跟踪控制器612和设备控制器614。控制器610-614可以被配置用于执行多级优化过程以生成用于功率逆变器510、506和电动VRF部件502的控制信号。简而言之,经济控制器610可以优化预测成本函数以确定在优化时段的每个时间步长处要从能量网508采购的最佳电量(即,电网功率设定值P设定值,电网)、要储存在电池313中或从所述电池释放的最佳电量(即,电池功率设定值P设定值,电池)、和/或有待由电动VRF部件502消耗的最佳电量(即,VRF功率设定值P设定值,总)。跟踪控制器612可以使用最佳功率设定值P设定值,电网、P设定值,电池和/或P设定值,总来确定最佳温度设定值(例如,区域温度设定值T设定值,区域、供应空气温度设定值T设定值,供应空气、制冷剂温度设定值T设定值,制冷剂等)和最佳电池充电或放电率(即,电池充电/放电)。设备控制器614可以使用最佳温度设定值T设定值,区域或T设定值,供应空气来生成用于电动VRF部件502的控制信号,所述控制信号将实际(例如,所测量)温度T区域和/或T供应空气驱动至设定值(例如,使用反馈控制技术)。以下详细描述了控制器610-614中的每一个。
经济控制器
经济控制器610可以被配置用于优化预测成本函数以确定在优化时段的每个时间步长处要从能量网508采购的最佳电量(即,电网功率设定值P设定值,电网)、要储存在电池313中或从所述电池释放的最佳电量(即,电池功率设定值P设定值,电池)、和/或有待由电动VRF部件502消耗的最佳电量(即,VRF功率设定值P设定值,总)。在以下方程中示出了可以由经济控制器610优化的预测成本函数的示例:
其中,C电力成本(k)是在时间步长k期间从电力公共设施512采购的电力的每单位成本(例如,$/kWh),P压缩机(k)是在时间步长k期间压缩机402的功耗(例如,kW),P风扇(k)是在时间步长k期间风扇406的功耗(例如,kW),Cvrf(k)是在时间步长k处加热或冷却一单位的提供给室内VRF单元304的制冷剂引发的成本(例如,$/升),F冷(k)是在时间步长k处提供给室内VRF单元304的经冷却制冷剂的流速(例如,升/秒),F热(k)是在时间步长k处提供给室内VRF单元304的经加热制冷剂的流速(例如,升/秒),C需求电费费率是需量电费费率(例如,$/kW),最大()项选择在优化时段的任何时间步长k期间VRF***300的最大功耗(即,P电网(k)的最大值),P电池(k)是在时间步长k期间从电池313释放的电量,并且Δt是每个步长k的持续时间。经济控制器610可以在优化时段的持续时间(例如,从时间步长k=1到时间步长k=h)内优化预测成本函数J,以预测在优化时段的持续时间内操作VRF***300的总成本。
预测成本函数J的第一项和第二项表示在优化时段的持续时间内由电动VRF部件502消耗的电力成本。可以由通过电力公共设施512提供的能量成本信息来定义参数C电力成本(k)在每个时间步长k处的值。在一些实施例中,电力成本随时间变化,这导致了C电力成本(k)在不同时间步长k处具有不同的值。在一些实施例中,电动VRF部件502在时间步长k处的总功耗P总(k)是压缩机功耗P压缩机(k)与风扇功耗P风扇(k)之和(即,P总(k)=P风扇(k)+P压缩机(k))。变量P压缩机(k)和P风扇(k)是可以由经济控制器610优化的决策变量。
预测成本函数J的第三项和第四项表示在优化时段的持续时间内向室内VRF单元304提供经加热制冷剂和经冷却制冷剂的成本。在一些实施例中,参数Cvrf(k)的值被提供作为到预测VRF控制器306的输入。在其他实施例中,可以由经济控制器610基于用于生成被提供至室内VRF单元304的经加热制冷剂和经冷却制冷剂的设备的属性来确定Cvrf(k)的值。例如,如果室外VRF单元302用于生成经加热/经冷却制冷剂,则可以使用室外VRF单元302的性能曲线来对室外VRF单元302的性能进行建模。在一些实施例中,性能曲线定义了室外VRF单元302的输入资源与输出资源之间的关系。例如,室外VRD单元302的性能曲线可以将室外VRF单元302的电力消耗(例如,kW)定义为由室外VRF单元302产生的经冷却/经加热制冷剂的量(例如,升/秒)的函数。经济控制器610可以使用室外VRF单元302的性能曲线来确定与给定的制冷剂产生量相对应的电力消耗量。可以由经济控制器610使用的子设施曲线的若干示例在于2015年2月27日提交的美国专利申请号14/634,609中进行了更详细地描述,所述美国专利申请的全部披露内容通过引用结合在此。
经济控制器610可以使用室外VRF单元302的性能曲线结合来自电力公共设施512的能量价格来确定参数Cvrf(k)的值。例如,对于给定的经冷却制冷剂的流速F冷(k),可以由经济控制器610使用以下方程来确定参数Cvrf(k)的值:
其中,θ室外(k)是室外VRF单元302在指定制冷剂流速F冷(k)下的性能曲线的斜率,并且C电力成本(k)是在时间步长k处的电力成本。斜率θ室外表示产生相应量(例如,升/秒)的经冷却制冷剂所需的电力量(即,kW电力)。电力成本C电力成本(k)可以由从电力公共设施512接收的能量成本信息来限定,而性能曲线的斜率θ室外(F冷(k))可以由室外VRF单元302的性能曲线定义为指定制冷剂流速的F冷(k)函数。
类似地,对于给定的经加热制冷剂的流速F热(k),可以由经济控制器610使用以下方程来确定参数Cvrf(k)的值:
其中,θ室外(k)是室外VRF单元302在指定制冷剂流速F热(k)下的性能曲线的斜率,并且C电力成本(k)是在时间步长k处的电力成本。斜率θ室外表示产生相应量(例如,升/秒)的经加热制冷剂所需的电力量(即,kW电力)。电力成本C电力成本(k)可以由从电力公共设施512接收的能量成本信息来限定,而性能曲线的斜率θ室外(F热(k))可以由室外VRF单元302的性能曲线定义为指定制冷剂流速的F热(k)函数。变量F冷(k)和F热(k)是可以由经济控制器610优化的决策变量。
预测成本函数J的第五项表示需量电费。需量电费是由某些公共设施提供商基于在可适用需量电费时段期间的最大功耗而施加的附加费用。例如,需量电费费率C需求电费费率可以按照每单位电力美元(例如,$/kW)来指定,并且可以在需量电费时段期间乘以峰值功率使用(例如,kW)来计算所述需量电费。在预测成本函数J中,需量电费费率C需求电费费率可以由从电力公共设施512接收的需求成本信息来定义。变量P电网(k)是决策变量,其可以由经济控制器610优化以便降低在需量电费时段期间发生的峰值功率使用最大(P电网(k)。负载转移可以允许经济控制器610通过在电动VRF部件502的功耗较低时将能量储存在电池313中来平滑VRF***300的电力需求中的瞬时尖峰。当电动VRF部件502的功耗较高时,可以从电池313释放所储存的能量,以便减少从能量网508的峰值功率汲取P电网,从而减少所引发的需量电费。
预测成本函数J的最后一项表示由于使用电池313而产生的成本节省。与成本函数J中的先前项不同,所述最后一项从总成本减去。可以由通过电力公共设施512提供的能量成本信息来定义参数C电力成本(k)在每个时间步长k处的值。在一些实施例中,电力成本随时间变化,这导致了C电力成本(k)在不同时间步长k处具有不同的值。变量P电池(k)是可以由经济控制器610优化的决策变量。P电池(k)为正值指示电池313正在放电,而P电池(k)为负值指示电池313正在充电。可以使用从电池313释放的功率P电池(k)来满足电动VRF部件502的总功耗P总(k)中的一些或全部,这减少了从能量网508采购的电量P电网(k)(即,P电网(k)=P总(k)-P电池(k)-PPV(k))。然而,对电池313进行充电导致添加到从能量网格508采购的总电量P电网(k)的P电池(k)为负值。
在一些实施例中,由PV板310提供的功率PPV不被包括在预测成本函数J中,因为生成PV功率不会引发成本。然而,可以使用由PV板310生成的功率PPV来满足电动VRF部件502的总功耗P总(k)中的一些或全部,这减少了从能量网508采购的电量P电网(k)(即,P电网(k)=P总(k)-P电池(k)-PPV(k))。可以由经济控制器610预测在任何时间步长k期间生成的PV电量PPV。用于预测由PV板生成的PV电量的若干技术在美国专利申请号15/247,869、美国专利申请号15/247,844、和美国专利申请号15/247,788中进行了描述。这些专利申请中的每一个的申请日期均为2016年8月25日,并且这些专利申请中的每一个的全部披露内容通过引用结合于此。
经济控制器610可以在优化时段的持续时间内优化预测成本函数J,以确定在优化时段期间的每个时间步长处决策变量的最佳值。在一些实施例中,优化时段具有大约一天的持续时间,并且每个时间步长为大约十五分钟。然而,在其他实施例中,优化时段的持续时间和时间步长可以变化,并且可以由用户调整。有利地,经济控制器610可以使用电池313通过在能量价格较低时和/或在由电动VRF部件502消耗的功率较低时从能量网508汲取电力来执行负载转移。电力可以被存储在电池313中并且稍后在能量价格较高和/或电动VRF部件502的功耗较高时被释放。这使得经济控制器610能够降低由VRF***300消耗的电力成本,并且可以平滑VRF***300的电力需求中的瞬时尖峰,从而减少所引发的需量电费。
经济控制器610可以被配置用于对优化预测成本函数J施加约束。在一些实施例中,所述约束包括对由VRF***300加热或冷却的每个建筑物区域的温度T区域的约束。经济控制器610可以被配置用于将实际或预测温度T区域始终维持在最小温度界限T最小与最大温度界限T最大之间(即,T最小≤T区域≤T最大)。参数T最小和T最大可以是时变的,以在不同时间限定不同温度范围(例如,占用温度范围、未占用温度范围、白天温度范围、夜间温度范围等)。
为了确保满足区域温度约束,经济控制器610可以将建筑物区域的温度T区域建模为由经济控制器610优化的决策变量的函数。在一些实施例中,经济控制器610使用热传递模型来对建筑物区域的温度进行建模。例如,可以通过能量平衡来描述加热或/冷却建筑物区域的动态:
其中,C是建筑物区域的热容,H是建筑物区域的环境热传递系数,T区域是建筑物区域的温度,Ta是建筑物区域外部的环境温度(例如,外部空气温度),是由VRF***300施加到建筑物区域的加热量,并且是建筑物区域所经受的外部负载、辐射、或其他干扰。在前一方程中,表示通过VRF***300传递至建筑物区域中的热量(即,加热负载),并且因此具有正号。然而,如果对建筑物区域施加冷却而不是加热,则上的符号可以切换成负号,使得表示由VRF***300施加至建筑物区域的冷却量(即,冷却负载)。
在一些实施例中,可以将由VRF***300提供的加热量或冷却量定义为决策变量P压缩机、P风扇、F冷、F热、和P电池的函数。用于开发区域温度模型以及将区域温度T区域与预测成本函数J中的决策变量关联的若干技术在2016年9月6日授予的美国专利号9,436,179、2015年4月23日提交的美国专利申请号14/694,633、以及2016年6月30日提交的美国专利申请号15/199,510中进行了更详细地描述。这些专利和专利申请中的每一个的全部披露内容通过引用结合于此。
前一能量平衡将建筑物区域的所有质量和空气特性组合成单个区域温度。可以由经济控制器610使用的其他热传递模型包括以下空气和质量区域模型:
其中,Cz和T区域是建筑物区域中空气的热容和温度,Ta是环境空气温度,Haz是建筑物区域的空气与建筑物区域外部的环境空气(例如,通过建筑物区域的外墙)之间的热传递系数,Cm和Tm是在建筑物区域内非空气质量的热容和温度,并且Hmz是建筑物区域的空气与非空气质量之间的热传递系数。
前一方程将建筑物区域的所有质量特性组合成单个区域质量。可以由经济控制器610使用的其他热传递模型包括以下空气、浅质量、和深质量区域模型:
其中,Cz和T区域是建筑物区域中空气的热容和温度,Ta是环境空气温度,Haz是建筑物区域的空气与建筑物区域外部的环境空气(例如,通过建筑物区域的外墙)之间的热传递系数,Cs和Ts是在建筑物区域内浅层质量的热容和温度,Hsz是建筑物区域的空气与浅层质量之间的热传递系数,Cd和Td是建筑物区域内深层质量的热容和温度,并且Hds是浅层质量与深层质量之间的热传递系数。
在一些实施例中,经济控制器610使用来自天气服务514的天气预报来确定在优化时段的每个时间步长处环境空气温度Ta和/或外部干扰的适当值。C和H的值可以被指定为建筑物区域的参数、从跟踪控制器612接收、从用户接收、从存储器608检索、或以其他方式提供作为到经济控制器610的输入。因此,可以使用这些热传递模型中的任何一个将建筑物区域的温度T区域定义为由VRF***300施加至建筑物区域的加热量或冷却量的函数。可以由经济控制器610通过调整预测成本函数J中的变量P风扇、P压缩机、F冷和F热来调整受操纵变量
在一些实施例中,经济控制器610使用这样一种模型,所述模型将由VRF***300施加至建筑物区域的加热量或冷却量定义为由经济控制器610提供的电力设定值P设定值,电网和P设定值,电池的函数。例如,经济控制器610可以添加功率设定值P设定值,电网和P设定值,电池以确定将由电动VRF部件502消耗的总电量P总。在一些实施例中,P总等于风扇406和压缩机402的组合功耗(即,P总=P风扇+P压缩机),并且可以由经济控制器610用于确定由室外VRF单元302提供至制冷剂的加热量或冷却量。类似地,F热和F冷可以用于确定由室内VRF单元304提供至每个建筑物区域的加热量或冷却量。经济控制器610可以使用P总结合F冷和F热来确定由VRF***300施加至每个建筑物区域的总加热量或总冷却量
在一些实施例中,经济控制器610使用一个或多个模型,所述一个或多个模型将由VRF***300施加至建筑物区域的加热量或冷却量(即,)定义为区域温度T区域和区域温度设定值T设定值,区域的函数,如在以下方程中示出的:
在一些实施例中,经济控制器610使用多个模型将由VRF***300提供的加热量或冷却量与区域温度T区域和区域温度设定值T设定值,区域进行关联。例如,经济控制器610可以使用设备控制器614的模型将由设备控制器614执行的控制动作确定为区域温度T区域和区域温度设定值T设定值,区域的函数。以下方程中示出了这种区域监管控制器模型的示例:
v空气=f1(T区域,T设定值,区域)
其中,v空气是气流到建筑物区域的流速(即,控制动作)。在一些实施例中,v空气取决于室内VRF单元304中的风扇422的速度。经济控制器610可以使用风扇422的设备模型或制造商规范将v空气定义为T区域和T设定值,区域的函数。可以从数据中识别函数f1。例如,经济控制器610可以收集v空气和T区域的测量结果,并且识别T设定值,区域的相应值。经济控制器610可以使用所收集的v空气、T区域和T设定值,区域的值作为训练数据来执行***识别过程,以确定定义这种变量之间的关系的函数f1。
在一些实施例中,与v空气之间存在线性关系。假设理想的比例积分(PI)控制器和与v空气之间的线性关系,可以使用简化线性控制器模型将由VRF***300提供的加热量或冷却量定义为区域温度T区域和区域温度设定值T设定值,区域的函数。以下方程中示出了这种模型的示例:
ε=T设定值,区域-T区域
其中,是稳态加热或冷却速率,Kc是缩放区域PI控制器比例增益,τI是区域PI控制器积分时间,并且ε是设定值误差(即,区域温度设定值T设定值,区域与区域温度T区域之间的差)。可以通过对的约束来表示饱和度。如果线性模型不足以准确地对设备控制器614和室内VRF单元304中的热传递进行建模,则可以替代地使用非线性加热/冷却负荷模型。
除了对区域温度T区域的约束之外,经济控制器610可以对电池313的荷电状态(SOC)和充电/放电率施加约束。在一些实施例中,经济控制器610生成并对预测成本函数J施加以下功率约束:
P电池≤P额定
-P电池≤P额定
其中,P电池是从电池313释放的电量,并且P额定是电池313的额定电池功率(例如,电池313可以被充电或放电的最大速率)。这些电力约束确保了不会以超过最大可能电池充电/放电率P额定的速率对电池313进行充电或放电。
在一些实施例中,经济控制器610生成并对预测成本函数J施加一个或多个容量约束。所述容量约束可以用于将在每个时间步长期间充电或放电的电池功率P电池与电池313的容量和SOC进行关联。所述容量约束可以确保在优化时段的每个时间步长处电池313的容量维持在可接受的下限与上限之间。在一些实施例中,经济控制器610生成以下容量约束:
Ca(k)-P电池(k)Δt≤C额定
Ca(k)-P电池(k)Δt≥0
其中,Ca(k)是在时间步长k开始处的可用电池容量(例如,kWh),P电池(k)是在时间步长k期间电池313放电的速率(例如,kW),Δt是每个时间步长的持续时间,并且C额定是电池313的最大额定容量(例如,kWh)。项P电池(k)Δt表示在时间步长k期间电池容量的变化。这些容量约束确保了电池313的容量维持在零与最大额定容量C额定之间。
在一些实施例中,经济控制器610生成并对电动VRF部件502的操作施加一个或多个容量约束。例如,风扇406可以具有与风扇406的最大功耗P风扇,最大相对应的最大操作速度。类似地,压缩机402可以具有与压缩机402的最大功耗P压缩机,最大相对应的最大操作速度。经济控制器610可以被配置用于生成将风扇406和压缩机402的功耗限制在零与最大值之间的约束,如在以下方程中示出的:
0≤P风扇≤P风扇,最大
0≤P压缩机≤P压缩机,最大
经济控制器610还可以建立定义电动VRF部件502的总功耗的约束,如以下方程中示出的:
P总=P风扇+P压缩机
P总=P设定值,电网+P设定值,电池+PPV
其中,提供给电动VRF部件502的总功率P总是电网功率设定值P设定值,电网、电池功率设定值P设定值,电池、和PV功率PPV之和。VRF部件502的总功耗P总也是风扇功耗P风扇与压缩机功耗P压缩机之和。
在一些实施例中,经济控制器610生成并对室外VRF单元302的操作施加一个或多个容量约束。例如,可以由室外VRF单元302的设备性能曲线来限定室外VRF单元302的操作。所述设备性能曲线可以将由室外VRF单元302提供的加热量或冷却量定义为由室外VRF单元302消耗的电力的函数。经济控制器610可以生成并施加将室外VRF单元302的操作限制到设备性能曲线上的某个点的约束。可以由经济控制器610使用的设备性能曲线的若干示例在2015年2月27日提交的美国专利申请号14/634,609中进行了更详细地描述。
在一些实施例中,经济控制器610可以生成并施加将穿过室内VRF单元304的制冷剂的流速限制在零与最大流速F最大之间的约束。以下方程中示出了这种约束的示例:
0≤F冷≤F最大
0≤F热≤F最大
经济控制器610可以优化受制于所述约束的预测成本函数J,以确定决策变量P风扇、P压缩机、F冷、F热、P电网和P电池的最佳值,其中,P总=P电池+P电网+PPV。在一些实施例中,经济控制器610使用P总、P电池和/或P电网的最佳值来生成跟踪控制器612的功率设定值。所述功率设定值可以包括在优化时段中的时间步长k中的每个时间步长内的电池功率设定值P设定值,电池、电网功率设定值P设定值,电网、和/或VRF功率设定值P设定值,总。经济控制器610可以将所述功率设定值提供给跟踪控制器612。
跟踪控制器
跟踪控制器612可以使用由经济控制器610生成的最佳功率设定值P设定值,电网、P设定值,电池和/或P设定值,总来确定最佳温度设定值(例如,区域温度设定值T设定值,区域、供应空气温度设定值T设定值,供应空气、制冷剂温度设定值T设定值,制冷剂等)和最佳电池充电或放电率(即,电池充电/放电)。在一些实施例中,跟踪控制器612生成区域温度设定值T设定值,区域、供应空气温度设定值T设定值,供应空气、和/或制冷剂温度设定值T设定值,制冷剂,这些设定值被预测以实现VRF***300的功率设定值P设定值,总。换言之,跟踪控制器612可以生成使VRF***300消耗由经济控制器610确定的最佳电量P总的区域温度设定值T设定值,区域、供应空气设定值T设定值,供应空气、和/或制冷剂温度设定值T设定值,制冷剂。
在一些实施例中,跟踪控制器612使用功耗模型将VRF***300的功耗与区域温度T区域和区域温度设定值T设定值,区域进行关联。例如,跟踪控制器612可以使用设备控制器614的模型将由设备控制器614执行的控制动作确定为区域温度T区域和区域温度设定值T设定值,区域的函数。以下方程中示出了这种区域监管控制器模型的示例:
s设定值,压缩机=f3(T区域,T设定值,区域)
s设定值,风扇=f4(T区域,T设定值,区域)
其中,s设定值,压缩机是压缩机402的速度设定值,并且s设定值,风扇是风扇406的速度设定值。
在一些实施例中,s设定值,压缩机和s设定值,风扇分别具有相应的功耗值P压缩机和P风扇。跟踪控制器612可以使用压缩机402和风扇406的设备模型或制造商规范将s设定值,压缩机和s设定值,风扇转化成相应的功耗值P压缩机和P风扇。因此,跟踪控制器612可以将功耗P总=P压缩机+P风扇定义为区域温度T区域和区域温度设定值T设定值,区域的函数。以下方程中示出了这种模型的示例:
P总=f4(T区域,T设定值,区域)
可以从数据中识别函数f4。例如,跟踪控制器612可以收集P总和T区域的测量结果,并且识别T设定值,区域的相应值。跟踪控制器612可以使用所收集的P总、T区域和T设定值,区域的值作为训练数据来执行***识别过程,以确定定义这种变量之间的关系的函数f4。
跟踪控制器612可以使用类似模型来确定VRF***300的总功耗P总与供应空气温度设定值T设定值,供应空气之间的关系。例如,跟踪控制器612可以将功耗P总定义为区域温度T区域和供应空气温度设定值T设定值,区域的函数。以下方程中示出了这种模型的示例:
P总=f5(T区域,T设定值,供应空气)
可以从数据中识别函数f5。例如,跟踪控制器612可以收集P总和T区域的测量结果,并且识别T设定值,供应空气的相应值。跟踪控制器612可以使用所收集的P总、T区域和T设定值,供应空气的值作为训练数据来执行***识别过程,以确定定义这种变量之间的关系的函数f5。
跟踪控制器612可以使用P总、T设定值,区域和T设定值,供应空气之间的关系来确定T设定值,区域和T设定值,供应空气的值。例如,跟踪控制器612可以从经济控制器610接收P总的值作为输入(即,P设定值,总),并且可以使用所述值来确定T设定值,区域和T设定值,供应空气的相应值。在一些实施例中,温度设定值是区域特定的。第一组室内VRF单元304可以接收第一温度设定值,而第二组室内VRF单元304可以接收第二温度设定值。跟踪控制器612可以将T设定值,区域和T设定值,供应空气的值作为输出提供至设备控制器614。
在一些实施例中,跟踪控制器612生成区域特定的温度设定值T设定值,区域和T设定值,供应空气,所述区域特定的温度设定值使一些室内VRF单元304在加热模式下操作,同时其他室内VRF单元304在冷却模式下操作。有利地,在加热和冷却两者下同时操作室内VRF单元304允许使用从一个建筑物区域提取的热量来加热另一建筑物区域。这降低了室外VRF单元302上的总加热或冷却负载并且因此降低了室外VRF单元302的总功耗。在一些实施例中,当相应的建筑物区域不需要加热或冷却时,跟踪控制器612有时迫使一些室内VRF单元304进入加热或冷却,以便抵消提供给其他建筑物区域的加热或冷却。这种类型的控制动作有效地将热量从一个建筑物区域传递到另一个建筑物区域,而无需室外VRF单元302提供附加的加热或冷却。通过以这种方式调整温度设定值,跟踪控制器612可以使VRF***300的功耗最小化,同时将每个建筑物区域的温度维持在可接受温度范围(例如,T最小≤T区域≤T最大)内。
在一些实施例中,跟踪控制器612使用电池功率设定值P设定值,电池来确定对电池313进行充电或放电的最佳速率电池充电/放电。例如,电池功率设定值P设定值,电池可以定义功率值(kW),所述功率值可以由跟踪控制器612转化成用于功率逆变器510和/或设备控制器614的控制信号。在其他实施例中,电池功率设定值P设定值,电池被直接提供至功率逆变器510并且由功率逆变器510用于控制电池功率P电池。
设备控制器
设备控制器614可以使用由跟踪控制器612生成的最佳温度设定值T设定值,区域、T设定值,供应空气和/或T设定值,制冷剂来生成用于电动VRF部件502的控制信号。由设备控制器614生成的控制信号可以将实际(例如,所测量)温度T区域、T供应空气和/或T制冷剂驱动至设定值。设备控制器614可以使用各种控制技术中的任何一种来生成用于电动VRF部件502的控制信号。例如,设备控制器614可以使用以下算法来生成用于电动VRF部件502的控制信号:基于状态的算法、极值搜索控制(ESC)算法、比例积分(PI)控制算法、比例-积分-微分(PID)控制算法、模型预测控制(MPC)算法、或其他反馈控制算法。
所述控制信号可以包括开/关命令、风扇406和422的速度设定值、阀/致动器504的位置设定值、或用于电动VRF部件502的各个装置的其他操作命令。在一些实施例中,设备控制器614使用反馈控制技术(例如,PID、ESC、MPC等)来调整风扇406和/或压缩机402的速度,以便调整施加至制冷剂的加热量或冷却量,从而将所测量制冷剂温度T制冷剂驱动至制冷剂温度设定值T设定值,制冷剂。类似地,设备控制器614可以使用反馈控制技术来控制阀424的位置和风扇422的速度,以便调整穿过室内VRF单元304的制冷剂流速和气流速率,从而将所测量温度T区域和/或T供应空气驱动至温度设定值T设定值,区域和/或T设定值,供应空气。设备控制器614可以将控制信号提供至电动VRF部件502以控制电动VRF部件502的操作,从而使电动VRF部件502影响区域温度T区域、供应空气温度T供应空气、和/或制冷剂温度T制冷剂。
在一些实施例中,设备控制器614被配置用于向功率逆变器510提供控制信号。提供至功率逆变器510的控制信号可以包括电池功率设定值P设定值,电池和/或最佳充电/放电率电池充电/放电。设备控制器614可以被配置用于操作功率逆变器510以实现电池功率设定值P设定值,电池。例如,设备控制器614可以使功率逆变器510根据电池功率设定值P设定值,电池来对电池313充电或使电池313放电。
VRF控制过程
现在参照图7,根据示例性实施例,示出了用于操作变制冷剂流量(VRF)***的过程700的流程图。在一些实施例中,如参照图3至图6所描述的,过程700由VRF***300的一个或多个部件执行。例如,过程700可以由预测VRF控制器306执行。
过程700被示出为包括:在VRF***处接收在优化时段的多个时间步长中的每个时间步长内的能量价格(步骤702)。在一些实施例中,能量价格是可以在优化时段的不同时间步长内具有不同值的时变能量价格。能量价格可以包括每单位电力成本C电力成本(例如,$/kWh)和/或需求成本C需求电费费率(例如,最大功耗的成本$/kW)。在一些实施例中,能量价格包括施加至室内VRF单元304的经加热或经冷却制冷剂的每单位成本Cvrf。例如,每单位制冷剂的成本Cvrf可以包括生成一个单位的经冷却或经加热制冷剂引发的成本。在一些实施例中,由预测VRF控制器306使用室外VRF单元302的设备性能曲线来确定成本Cvrf,如参照图6描述的。在其他实施例中,可以提供每单位制冷剂的成本Cvrf作为到预测VRF控制器306的输入。
过程700被示出为包括:将所述能量价格用作到成本函数的输入,所述成本函数定义了在优化时段的持续时间内操作VRF***的成本(步骤704)。在以下方程中示出了可以用于步骤704中的预测成本函数的示例:
其中,C电力成本(k)是在时间步长k期间从电力公共设施512采购的电力的每单位成本(例如,$/kWh),P压缩机(k)是在时间步长k期间压缩机402的功耗(例如,kW),P风扇(k)是在时间步长k期间风扇406的功耗(例如,kW),Cvrf(k)是在时间步长k处加热或冷却一单位的提供给室内VRF单元304的制冷剂引发的成本(例如,$/升),F冷(k)是在时间步长k处提供给室内VRF单元304的经冷却制冷剂的流速(例如,升/秒),F热(k)是在时间步长k处提供给室内VRF单元304的经加热制冷剂的流速(例如,升/秒),C需求电费费率是需量电费费率(例如,$/kW),最大()项选择在优化时段的任何时间步长k期间VRF***300的最大功耗(即,P电网(k)的最大值),P电池(k)是在时间步长k期间从电池313释放的电量,并且Δt是每个步长k的持续时间。
过程700被示出为包括:优化成本函数以确定VRF***的电动VRF部件和电池的最佳功率设定值(步骤706)。步骤706可以由经济控制器610来执行。在一些实施例中,受制于一组优化约束来对成本函数进行优化。所述优化约束可以包括对区域温度T区域的约束、对电池功率P电池的约束、对电池的荷电状态的约束、对制冷剂流速F冷或F热的约束、对电动VRF部件的操作域的约束、和/或可以用于将优化限制成可行解的任何其他约束。参照图6更详细地描述了这种约束的示例。
在步骤706中生成的最佳功率设定值可以包括在优化时段的每个时间步长处要从能量网采购的最佳电量(即,电网功率设定值P设定值,电网)、要储存在电池中或从所述电池释放的最佳电量(即,电池功率设定值P设定值,电池)、和/或有待由电动VRF部件消耗的最佳电量(即,VRF功率设定值P设定值,总)。在一些实施例中,这些功率设定值是成本函数中的决策变量。在其他实施例中,可以基于决策变量的值来计算功率设定值中的一个或多个。例如,可以通过对P设定值,电网、P设定值,电池和P设定值,PV进行求和来计算功率设定值P设定值,总。在一些实施例中,步骤706包括确定最佳风扇功率设定值P设定值,风扇和/或最佳压缩机功率设定值P设定值,压缩机。最佳风扇功率设定值P设定值,风扇与最佳压缩机功率设定值P设定值,压缩机之和可以等于有待由电动VRF部件消耗的电量(例如,P设定值,风扇+P设定值,压缩机=P设定值,总)。
步骤700被示出为包括:使用最佳功率设定值来生成受VRF***影响的区域温度或制冷剂温度的温度设定值(步骤708)。在一些实施例中,步骤708由跟踪控制器612执行。步骤708可以包括使用在步骤706中生成的最佳功率设定值P设定值,电网、P设定值,电池、P设定值,总、P设定值,风扇、和/或P设定值,压缩机来确定区域温度设定值T设定值,区域和/或制冷剂温度设定值T设定值,制冷剂。在一些实施例中,步骤708包括生成区域温度设定值T设定值,区域和/或制冷剂温度设定值T设定值,制冷剂,这些设定值被预测以实现VRF***的功率设定值P设定值,总。换言之,步骤708可以包括生成使VRF***消耗在步骤706中确定的最佳电量P总的区域温度设定值T设定值,区域和/或制冷剂温度设定值T设定值,供应空气。参照图6详细地描述了可以如何基于功率设定值来生成温度设定值的示例。
过程700被示出为包括:使用温度设定值来生成用于电动VRF部件的控制信号(步骤710)。在一些实施例中,步骤710由设备控制器614执行。在步骤710中生成的控制信号可以将实际(例如,所测量)温度T区域和/或T制冷剂驱动至设定值。步骤710可以包括使用各种控制技术中的任何一种来生成用于电动VRF部件的控制信号。例如,步骤710可以包括使用以下算法来生成用于电动VRF部件的控制信号:基于状态的算法、极值搜索控制(ESC)算法、比例积分(PI)控制算法、比例-积分-微分(PID)控制算法、模型预测控制(MPC)算法、或其他反馈控制算法。
所述控制信号可以包括开/关命令、风扇406和422的速度设定值、压缩机402的速度设定值、阀408、410或424的位置设定值、或用于电动VRF部件的各个装置的其他操作命令。在一些实施例中,步骤710包括使用反馈控制技术(例如,PID、ESC、MPC等)来调整风扇406和/或压缩机402的速度,以便调整由室外VRF单元302施加至制冷剂的加热量或冷却量,从而将所测量制冷剂温度T制冷剂驱动至制冷剂温度设定值T设定值,制冷剂。类似地,步骤710可以包括使用反馈控制技术来控制阀424的位置和/或风扇422的速度,以便调整由室内VRF单元304中的每一个提供的加热量或冷却量,从而将所测量温度T区域和/或T供应空气驱动至温度设定值T设定值,区域和/或T设定值,供应空气。在一些实施例中,步骤710包括生成用于电池功率逆变器的控制信号。用于电池功率逆变器的控制信号可以包括电池功率设定值P设定值,电池和/或最佳充电/放电率电池充电/放电。
过程700被示出为包括:操作电动VRF部件以实现温度设定值(步骤712)。在一些实施例中,步骤712包括将步骤710中生成的控制信号提供至电动VRF部件。控制信号可以控制电动VRF部件的操作,从而使电动VRF部件影响制冷剂温度T制冷剂、区域温度T区域、和/或供应空气温度T供应空气。在一些实施例中,步骤712包括操作电池功率逆变器以实现电池功率设定值P设定值,电池。例如,步骤712可以包括使电池功率逆变器根据电池功率设定值P设定值,电池来对电池313充电或使电池313放电。
示例性实施例的配置
如各个示例性实施例中所示出的***和方法的构造和安排仅是说明性的。尽管本披露中仅详细描述了几个实施例,但是许多修改是可能的(例如,各种元件的大小、尺寸、结构、形状和比例、参数的值、安装安排、材料的使用、颜色、定向等变化)。例如,元件的位置可以颠倒或以其他方式变化,并且离散元件的性质或数量或位置可以更改或变化。因此,所有这类修改旨在被包括在本披露的范围内。可以根据替代实施例对任何过程或方法步骤的顺序或序列进行改变或重新排序。在不脱离本披露范围的情况下,可以在示例性实施例的设计、操作条件和安排方面作出其他替代、修改、改变、和省略。
本披露设想了用于完成各种操作的方法、***和任何机器可读介质上的程序产品。可以使用现有计算机处理器或由结合用于此目的或另一目的的适当***的专用计算机处理器或由硬接线***来实施本披露的实施例。本披露范围内的实施例包括程序产品,所述程序产品包括用于承载或具有存储在其上的机器可执行指令或数据结构的机器可读介质。这种机器可读介质可以是可以由通用或专用计算机或具有处理器的其他机器访问的任何可用介质。举例来讲,这类机器可读介质可以包括RAM、ROM、EPROM、EEPROM、CD-ROM或其他光盘存储设备、磁盘存储设备或其他磁存储装置等,或者可以用来以机器可执行指令或数据结构的形式承载或存储期望程序代码并且可以由通用或专用计算机或具有处理器的其他机器访问的任何其他介质。上述内容的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使通用计算机、专用计算机或专用处理机器执行某一功能或功能组的指令和数据。
尽管附图示出了方法步骤的特定顺序,但是步骤的顺序可以不同于所描绘的顺序。还可以同时或部分同时地执行两个或更多个步骤。这种变型将取决于所选软件和硬件***以及设计者的选择。所有此类变型都在本披露的范围内。同样,可以用具有基于规则的逻辑和用于实施各个连接步骤、处理步骤、比较步骤和判定步骤的其他逻辑的标准编程技术来实施软件实施方式。
Claims (23)
1.一种用于建筑物的变制冷剂流量(VRF)***,所述VRF***包括:
室外VRF单元,所述室外VRF单元包括被配置用于对制冷剂施加加热或冷却的一个或多个电动VRF部件;
多个室内VRF单元,所述多个室内VRF单元被配置用于从所述室外VRF单元接收经加热或经冷却的制冷剂,并且使用所述经加热或经冷却的制冷剂来向多个建筑物区域提供加热或冷却;
电池,所述电池被配置用于储存电能并且释放所储存电能以用于为所述电动VRF部件供电;以及
预测VRF控制器,所述预测VRF控制器被配置用于优化预测成本函数,以确定在优化时段的每个时间步长处要从能量网采购的最佳电能量以及要储存在所述电池中或从所述电池释放以用于为所述电动VRF部件供电的最佳电能量。
2.如权利要求1所述的VRF***,进一步包括被配置用于收集光伏能量的一个或多个光伏板;
其中,所述预测VRF控制器被配置用于确定在所述优化时段的每个时间步长处要储存在所述电池中的光伏能量的最佳量以及有待由所述电动VRF部件消耗的光伏能量的最佳量。
3.如权利要求1所述的VRF***,其中,所述室外VRF单元包括制冷回路,所述制冷回路包括热交换器、被配置用于使所述制冷剂循环通过所述热交换器的压缩机、以及被配置用于调节所述热交换器中的热传递速率的风扇;
其中,所述电动VRF部件包括所述压缩机和所述风扇;
其中,所述预测成本函数考虑了在所述优化时段的每个时间步长处操作所述压缩机和所述风扇的成本。
4.如权利要求1所述的VRF***,其中,所述预测成本函数考虑了以下成本:
从所述能量网采购的电能的成本;以及
由于在所述优化时段的每个时间步长处从所述电池释放所储存的电能而产生的成本节省。
5.如权利要求1所述的VRF***,其中,所述预测VRF控制器被配置用于:
接收定义在所述优化时段的每个时间步长处从所述能量网采购的电能的每单位成本的能量定价数据;并且
将所述能量定价数据用作到所述预测成本函数的输入。
6.如权利要求1所述的VRF***,其中,所述预测成本函数基于所述VRF***在至少部分地与所述优化时段重叠的需量电费时段期间的最大功耗来考虑需量电费;
其中,所述预测VRF控制器被配置用于接收定义所述需量电费的能量定价数据并且将所述能量定价数据用作到所述预测成本函数的输入。
7.如权利要求1所述的VRF***,其中,所述预测VRF控制器被配置成:
确定在所述优化时段的每个时间步长处所述电动VRF部件和所述电池的最佳功率设定值;
使用所述最佳功率设定值来确定在所述优化时段的每个时间步长处所述建筑物区域或所述制冷剂的最佳温度设定值;以及
使用所述最佳温度设定值来生成在所述优化时段的每个时间步长处用于所述电动VRF部件和用于所述电池的控制信号。
8.一种用于建筑物的变制冷剂流量(VRF)***,所述VRF***包括:
室外VRF单元,所述室外VRF单元包括被配置用于对制冷剂施加加热或冷却的一个或多个电动VRF部件;
多个室内VRF单元,所述多个室内VRF单元被配置用于从所述室外VRF单元接收经加热或经冷却的制冷剂,并且使用所述经加热或经冷却的制冷剂来向多个建筑物区域提供加热或冷却;以及
预测VRF控制器,所述预测VRF控制器被配置用于优化预测成本函数,以确定在优化时段的每个时间步长处要从能量网采购的最佳电能量以及有待由所述电动VRF部件消耗的最佳电能量。
9.如权利要求8所述的VRF***,进一步包括被配置用于收集光伏能量的一个或多个光伏板;
其中,所述预测VRF控制器被配置用于确定在所述优化时段的每个时间步长处要储存在所述电池中的光伏能量的最佳量以及有待由所述电动VRF部件消耗的光伏能量的最佳量。
10.如权利要求8所述的VRF***,其中,所述室外VRF单元包括制冷回路,所述制冷回路包括热交换器、被配置用于使所述制冷剂循环通过所述热交换器的压缩机、以及被配置用于调节所述热交换器中的热传递速率的风扇;
其中,所述电动VRF部件包括所述压缩机和所述风扇;
其中,所述预测成本函数考虑了在所述优化时段的每个时间步长处操作所述压缩机和所述风扇的成本。
11.如权利要求8所述的VRF***,其中,所述预测成本函数考虑了在所述优化时段的每个时间步长处从所述能量网采购的电能的成本。
12.如权利要求8所述的VRF***,其中,所述预测VRF控制器被配置用于:
接收定义在所述优化时段的每个时间步长处从所述能量网采购的电能的每单位成本的能量定价数据;并且
将所述能量定价数据用作到所述预测成本函数的输入。
13.如权利要求8所述的VRF***,其中,所述预测成本函数基于所述VRF***在至少部分地与所述优化时段重叠的需量电费时段期间的最大功耗来考虑需量电费;
其中,所述预测VRF控制器被配置用于接收定义所述需量电费的能量定价数据并且将所述能量定价数据用作到所述预测成本函数的输入。
14.如权利要求8所述的VRF***,其中,所述预测VRF控制器被配置成:
确定在所述优化时段的每个时间步长处所述电动VRF部件的最佳功率设定值;
使用所述最佳功率设定值来确定在所述优化时段的每个时间步长处所述建筑物区域或所述制冷剂的最佳温度设定值;以及
使用所述最佳温度设定值来生成在所述优化时段的每个时间步长处用于所述电动VRF部件的控制信号。
15.一种用于操作变制冷剂流量(VRF)***的方法,所述方法包括:
在所述VRF***的预测控制器处接收定义在优化时段的多个时间步长中的每个时间步长内的能量价格的能量定价数据;
将所述能量定价数据用作到预测成本函数的输入,所述预测成本函数定义了在所述优化时段的持续时间内操作所述VRF***的成本;
优化所述预测成本函数以确定用于所述VRF***的一个或多个电动部件以及用于所述VRF***的电池的最佳功率设定值;
使用所述最佳功率设定值来生成受所述VRF***影响的区域温度或制冷剂温度的温度设定值;
使用所述温度设定值来生成用于所述VRF***的所述电动部件的控制信号;以及
操作所述VRF***的所述电动部件以实现所述温度设定值。
16.如权利要求15所述的方法,其中,优化所述预测成本函数包括:确定在优化时段的每个时间步长处要从能量网采购的最佳电能量以及要储存在所述电池中或从所述电池释放以用于为所述VRF***的所述电动部件供电的最佳电能量。
17.如权利要求15所述方法,进一步包括:操作所述VRF***的室外VRF单元中的制冷回路以对制冷剂施加加热或冷却,所述制冷回路包括热交换器、被配置用于使所述制冷剂循环通过所述热交换器的压缩机、以及被配置用于调节所述热交换器中的热传递速率的风扇;
其中,所述VRF***的所述电动部件包括所述室外VRF单元的所述压缩机和所述风扇;
其中,所述预测成本函数考虑了在所述优化时段的每个时间步长处操作所述压缩机和所述风扇的成本。
18.如权利要求15所述的方法,进一步包括:操作所述VRF***的室内VRF单元的风扇以在所述制冷剂与一个或多个建筑物区域之间传递热量;
其中,所述VRF***的所述电动部件包括所述室内VRF单元的所述风扇。
19.如权利要求15所述的方法,其中,所述预测成本函数基于所述VRF***在至少部分地与所述优化时段重叠的需量电费时段期间的最大功耗来考虑需量电费;
所述方法进一步包括:将所述能量定价数据用作到所述预测成本函数的输入以限定所述需量电费。
20.如权利要求15所述的方法,进一步包括:
从所述VRF***的一个或多个光伏板获得光伏能量;以及
确定在所述优化时段的每个时间步长处要储存在所述电池中的光伏能量的最佳量以及有待由所述VRF***的所述电动部件消耗的光伏能量的最佳量。
21.如权利要求1所述的VRF***,其中由所述预测VRF控制器优化的所述预测成本函数为:
其中,C电力成本(k)是在时间步长k期间从所述能量网采购的电力的每单位成本,P压缩机(k)是在时间步长k期间所述电动VRF部件中的压缩机的功耗,P风扇(k)是在时间步长k期间所述电动VRF部件中的风扇的功耗,Cvrf(k)是在时间步长k处加热或冷却一单位的提供给所述室内VRF单元的制冷剂引发的成本,F冷(k)是在时间步长k处提供给所述室内VRF单元的经冷却制冷剂的流速,F热(k)是在时间步长k处提供给所述室内VRF单元的经加热制冷剂的流速,C需求电费费率是需量电费费率,最大()项选择在优化时段的任何时间步长k期间所述VRF***的最大功耗,即,P电网(k)的最大值,P电池(k)是在时间步长k期间从所述电池释放的电量,并且Δt是每个步长k的持续时间。
22.如权利要求8所述的VRF***,其中由所述预测VRF控制器优化的所述预测成本函数为:
其中,C电力成本(k)是在时间步长k期间从所述能量网采购的电力的每单位成本,P压缩机(k)是在时间步长k期间所述电动VRF部件中才压缩机的功耗,P风扇(k)是在时间步长k期间所述电动VRF部件中的风扇的功耗,Cvrf(k)是在时间步长k处加热或冷却一单位的提供给所述室内VRF单元的制冷剂引发的成本,F冷(k)是在时间步长k处提供给所述室内VRF单元的经冷却制冷剂的流速,F热(k)是在时间步长k处提供给所述室内VRF单元的经加热制冷剂的流速,C需求电费费率是需量电费费率,最大()项选择在优化时段的任何时间步长k期间所述VRF***的最大功耗,即,P电网(k)的最大值,P电池(k)是在时间步长k期间从所述电池释放的电量,并且Δt是每个步长k的持续时间。
23.如权利要求15所述的方法,其中被优化的所述预测成本函数为:
其中,C电力成本(k)是在时间步长k期间从能量网采购的电力的每单位成本,P压缩机(k)是在时间步长k期间所述电动部件中是压缩机的功耗,P风扇(k)是在时间步长k期间所述电动部件中的风扇的功耗,Cvrf(k)是在时间步长k处加热或冷却一单位的提供给所述VRF***的室内VRF单元的制冷剂引发的成本,F冷(k)是在时间步长k处提供给所述VRF***的所述室内VRF单元的经冷却制冷剂的流速,F热(k)是在时间步长k处提供给所述VRF***的所述室内VRF单元的经加热制冷剂的流速,C需求电费费率是需量电费费率,最大()项选择在优化时段的任何时间步长k期间所述VRF***的最大功耗,即,P电网(k)的最大值,P电池(k)是在时间步长k期间从所述电池释放的电量,并且Δt是每个步长k的持续时间。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662357338P | 2016-06-30 | 2016-06-30 | |
US62/357,338 | 2016-06-30 | ||
US201762491059P | 2017-04-27 | 2017-04-27 | |
US62/491,059 | 2017-04-27 | ||
US201762511809P | 2017-05-26 | 2017-05-26 | |
US62/511,809 | 2017-05-26 | ||
PCT/US2017/039937 WO2018005760A1 (en) | 2016-06-30 | 2017-06-29 | Variable refrigerant flow system with predictive control |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109416191A CN109416191A (zh) | 2019-03-01 |
CN109416191B true CN109416191B (zh) | 2021-08-17 |
Family
ID=59363230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780040984.8A Active CN109416191B (zh) | 2016-06-30 | 2017-06-29 | 具有预测控制的变制冷剂流量*** |
Country Status (4)
Country | Link |
---|---|
US (2) | US11669061B2 (zh) |
JP (2) | JP7406918B2 (zh) |
CN (1) | CN109416191B (zh) |
WO (1) | WO2018005760A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10935940B2 (en) | 2017-08-03 | 2021-03-02 | Johnson Controls Technology Company | Building management system with augmented deep learning using combined regression and artificial neural network modeling |
US11181316B2 (en) | 2018-05-30 | 2021-11-23 | Lineage Logistics, LLC | Thermal control system |
SE544476C2 (en) * | 2018-06-13 | 2022-06-14 | Enjay Ab Patent | A particulate separator unit, a ventilation system comprising such a unit and a method for self-cleaning such unit |
US10895393B2 (en) * | 2018-07-06 | 2021-01-19 | Johnson Controls Technology Company | Variable refrigerant flow system with pressure optimization using extremum-seeking control |
US12007732B2 (en) | 2019-07-12 | 2024-06-11 | Johnson Controls Tyco IP Holdings LLP | HVAC system with building infection control |
US11960261B2 (en) | 2019-07-12 | 2024-04-16 | Johnson Controls Tyco IP Holdings LLP | HVAC system with sustainability and emissions controls |
US10921011B2 (en) * | 2019-03-29 | 2021-02-16 | Trane International Inc. | Systems and methods for efficient airflow control in heating, ventilation, air conditioning, and refrigeration systems |
US11768003B2 (en) | 2019-06-14 | 2023-09-26 | Johnson Controls Tyco IP Holdings LLP | Variable refrigerant flow system with zone grouping |
US11137162B2 (en) | 2019-06-14 | 2021-10-05 | Johnson Controls Tyco IP Holdings LLP | Variable refrigerant flow system with zone grouping |
US11714393B2 (en) | 2019-07-12 | 2023-08-01 | Johnson Controls Tyco IP Holdings LLP | Building control system with load curtailment optimization |
US11274842B2 (en) | 2019-07-12 | 2022-03-15 | Johnson Controls Tyco IP Holdings LLP | Systems and methods for optimizing ventilation, filtration, and conditioning schemes for buildings |
CN110375422B (zh) * | 2019-07-26 | 2021-07-20 | 广东美的制冷设备有限公司 | 空调的控制方法、***及空气调节设备 |
US11536481B2 (en) | 2019-10-07 | 2022-12-27 | Honeywell International Inc. | Distributed set point configuration in heating, ventilation, and air-conditioning systems |
US11662113B2 (en) | 2019-11-18 | 2023-05-30 | Johnson Controls Tyco IP Holdings LLP | Building cooling systems with energy optimization and model predictive control |
US11236917B2 (en) | 2019-12-18 | 2022-02-01 | Johnson Controls Tyco IP Holdings LLP | Building control system with zone grouping based on predictive models |
US20210376612A1 (en) * | 2020-05-26 | 2021-12-02 | University Of Florida Research Foundation, Incorporated | Smart energy management systems and methods for power system resiliency |
US20230025205A1 (en) * | 2021-07-20 | 2023-01-26 | Haier Us Appliance Solutions, Inc. | System and method for operating a variable speed compressor of an air conditioner unit |
CN113595503B (zh) * | 2021-08-04 | 2023-06-09 | 无锡鼎森茂科技有限公司 | 一种光伏电站智能优化降温*** |
US11846439B2 (en) | 2021-10-11 | 2023-12-19 | Johnson Controls Tyco IP Holdings LLP | Building control system with peer analysis based on weighted outlier detection |
CN114576751B (zh) * | 2022-04-02 | 2023-08-25 | 东南大学 | 区域供冷***储能建模方法 |
Family Cites Families (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1161753A (zh) | 1994-10-24 | 1997-10-08 | 奥林公司 | 模型预测控制装置与方法 |
JP4324960B2 (ja) | 2003-09-18 | 2009-09-02 | 横河電機株式会社 | 多変数予測制御システム |
WO2006034718A1 (en) * | 2004-09-30 | 2006-04-06 | Danfoss A/S | A model prediction controlled refrigeration system |
US20070203860A1 (en) | 2006-02-24 | 2007-08-30 | Gridpoint, Inc. | Energy budget manager |
US7580775B2 (en) | 2006-07-11 | 2009-08-25 | Regen Energy Inc. | Method and apparatus for implementing enablement state decision for energy consuming load based on demand and duty cycle of load |
US8527108B2 (en) | 2006-07-11 | 2013-09-03 | Regen Energy Inc. | Method and apparatus for managing an energy consuming load |
US8527109B2 (en) | 2006-07-11 | 2013-09-03 | Regen Energy Inc. | Method and apparatus for managing an energy consuming load |
US8295951B2 (en) | 2007-12-21 | 2012-10-23 | The University Of Florida Research Foundation, Inc. | Systems and methods for offset-free model predictive control |
US9134353B2 (en) | 2009-02-26 | 2015-09-15 | Distributed Energy Management Inc. | Comfort-driven optimization of electric grid utilization |
US9367825B2 (en) | 2009-10-23 | 2016-06-14 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model |
US8457802B1 (en) | 2009-10-23 | 2013-06-04 | Viridity Energy, Inc. | System and method for energy management |
US9159108B2 (en) | 2009-10-23 | 2015-10-13 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets |
US20130245847A1 (en) | 2009-10-23 | 2013-09-19 | Alain P. Steven | Facilitating revenue generation from wholesale electricity markets using an enineering-based energy asset model |
GB0919934D0 (en) | 2009-11-16 | 2009-12-30 | Sunamp Ltd | Energy storage systems |
BR112012014622A2 (pt) | 2009-12-16 | 2019-05-14 | Commonwealth Scientific And Industrial Research Organisation | método de controle de sistema de aquecimento, ventilação e condicionamento de ar (hvac) de um edifício |
US8442694B2 (en) | 2010-07-23 | 2013-05-14 | Lg Electronics Inc. | Distribution of airflow in an HVAC system to optimize energy efficiency and temperature differentials |
JP5696877B2 (ja) | 2010-10-01 | 2015-04-08 | 清水建設株式会社 | 運転管理装置、運転管理方法、および運転管理プログラム |
US9300141B2 (en) | 2010-11-18 | 2016-03-29 | John J. Marhoefer | Virtual power plant system and method incorporating renewal energy, storage and scalable value-based optimization |
US8903554B2 (en) | 2011-02-22 | 2014-12-02 | The Board Of Trustees Of The Leland Stanford Junior University | Energy plant design and operation |
KR101500304B1 (ko) * | 2011-12-26 | 2015-03-11 | 주식회사 케이티 | 에너지 저장장치의 충방전 제어 방법 및 시스템 |
JP2013142494A (ja) * | 2012-01-10 | 2013-07-22 | Hitachi Plant Technologies Ltd | 空調機器制御システムおよび空調機器の制御方法 |
US9690312B2 (en) | 2012-05-04 | 2017-06-27 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets using an engineering-based energy asset model |
JP6108333B2 (ja) * | 2012-07-26 | 2017-04-05 | 清水建設株式会社 | 運転管理装置、運転管理方法、運転管理プログラム |
US10678279B2 (en) | 2012-08-01 | 2020-06-09 | Tendril Oe, Llc | Optimization of energy use through model-based simulations |
JP5954538B2 (ja) | 2012-08-31 | 2016-07-20 | 株式会社富士通ゼネラル | 空気調和機のデマンド制御装置 |
US9002531B2 (en) | 2012-09-28 | 2015-04-07 | Sharp Laboratories Of America, Inc. | System and method for predictive peak load management via integrated load management |
JP5981313B2 (ja) * | 2012-11-09 | 2016-08-31 | 株式会社東芝 | 電力抑制型蓄電蓄熱最適化装置、最適化方法及び最適化プログラム |
JP6020115B2 (ja) * | 2012-12-11 | 2016-11-02 | 富士通株式会社 | 情報処理装置、情報処理システム、情報処理方法およびプログラム |
JP6053826B2 (ja) * | 2012-12-28 | 2016-12-27 | 三菱電機株式会社 | 空気調和装置 |
US9235657B1 (en) | 2013-03-13 | 2016-01-12 | Johnson Controls Technology Company | System identification and model development |
US9436179B1 (en) | 2013-03-13 | 2016-09-06 | Johnson Controls Technology Company | Systems and methods for energy cost optimization in a building system |
US9810442B2 (en) | 2013-03-15 | 2017-11-07 | Google Inc. | Controlling an HVAC system in association with a demand-response event with an intelligent network-connected thermostat |
US9171276B2 (en) | 2013-05-06 | 2015-10-27 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets using an engineering-based model |
US9098876B2 (en) | 2013-05-06 | 2015-08-04 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model |
US20140365017A1 (en) | 2013-06-05 | 2014-12-11 | Jason Hanna | Methods and systems for optimized hvac operation |
WO2014203311A1 (ja) | 2013-06-17 | 2014-12-24 | 三菱電機株式会社 | 空調システム制御装置及び空調システム制御方法 |
CN105917174B (zh) | 2013-12-19 | 2019-03-01 | 三菱电机株式会社 | 空调装置和空调装置的控制方法 |
KR102344058B1 (ko) | 2013-12-24 | 2021-12-28 | 엘지전자 주식회사 | 공기조화 시스템 및 그 제어방법 |
KR102237600B1 (ko) | 2014-03-18 | 2021-04-07 | 삼성전자주식회사 | 공기 조화기 및 그 제어방법법 |
US10175681B2 (en) | 2014-05-01 | 2019-01-08 | Johnson Controls Technology Company | High level central plant optimization |
US20150378381A1 (en) | 2014-06-30 | 2015-12-31 | Qualcomm Incorporated | Systems and methods for energy cost optimization |
EP3194865B1 (en) * | 2014-08-14 | 2021-04-07 | Vigilent Corporation | Method and apparatus for optimizing control variables to minimize power consumption of cooling systems |
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 |
CN104319766B (zh) | 2014-10-29 | 2015-11-04 | 四川慧盈科技有限责任公司 | 一种楼宇空调设备供电及监控方法 |
CN104279715B (zh) | 2014-10-29 | 2017-03-08 | 四川慧盈科技有限责任公司 | 一种楼宇空调设备负荷预测方法 |
US10332026B2 (en) | 2014-11-26 | 2019-06-25 | International Business Machines Corporation | Building thermal control techniques |
US10769734B2 (en) | 2015-01-13 | 2020-09-08 | Causam Energy, Inc. | Systems and methods for advanced energy settlements, network-based messaging, and software applications for electric power grids, microgrids, grid elements, and/or electric power networks |
CN104748239B (zh) | 2015-03-31 | 2017-10-31 | 广东美的暖通设备有限公司 | 多联机*** |
US10094586B2 (en) * | 2015-04-20 | 2018-10-09 | Green Power Labs Inc. | Predictive building control system and method for optimizing energy use and thermal comfort for a building or network of buildings |
US10761547B2 (en) | 2015-04-23 | 2020-09-01 | Johnson Controls Technology Company | HVAC controller with integrated airside and waterside cost optimization |
US9482442B1 (en) | 2015-04-24 | 2016-11-01 | Dataxu, Inc. | Decision dashboard balancing competing objectives |
US20160322835A1 (en) | 2015-04-30 | 2016-11-03 | Solarcity Corporation | Charging profiles for a storage device in an energy generation system |
CN104898422B (zh) | 2015-05-05 | 2018-05-04 | 上海交通大学 | 联合供冷***的递阶优化方法 |
US10355517B2 (en) * | 2015-06-22 | 2019-07-16 | Mitsubishi Electric Corporation | Storage-battery control device, storage-battery charge/discharge system, photovoltaic power generation system, and storage-battery control method |
CN104896682B (zh) * | 2015-06-30 | 2017-12-08 | 广东美的暖通设备有限公司 | 温湿双控型多联机***及其的控制方法 |
CN105066539B (zh) | 2015-07-16 | 2018-07-10 | 广东美的暖通设备有限公司 | 多联机***及其电子膨胀阀控制方法 |
US10174957B2 (en) | 2015-07-27 | 2019-01-08 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling multi-zone vapor compression systems |
US11070082B2 (en) | 2015-09-18 | 2021-07-20 | Carbontrack Pty Ltd. | Systems and methods for managing mesh-networked power control devices using tokens |
US10186889B2 (en) | 2015-10-08 | 2019-01-22 | Taurus Des, Llc | Electrical energy storage system with variable state-of-charge frequency response optimization |
US10564610B2 (en) | 2015-10-08 | 2020-02-18 | Con Edison Battery Storage, Llc | Photovoltaic energy system with preemptive ramp rate control |
US10554170B2 (en) | 2015-10-08 | 2020-02-04 | Con Edison Battery Storage, Llc | Photovoltaic energy system with solar intensity prediction |
US10190793B2 (en) | 2015-10-08 | 2019-01-29 | Johnson Controls Technology Company | Building management system with electrical energy storage optimization based on statistical estimates of IBDR event probabilities |
US10389136B2 (en) | 2015-10-08 | 2019-08-20 | Con Edison Battery Storage, Llc | Photovoltaic energy system with value function optimization |
CN107040034A (zh) * | 2016-02-03 | 2017-08-11 | 珠海格力电器股份有限公司 | 一种光伏储能空调装置及控制方法 |
KR101834061B1 (ko) | 2016-02-15 | 2018-03-02 | 두산중공업 주식회사 | 신재생 에너지 연계형 ess의 전력 관리 방법 |
US10094598B2 (en) | 2016-06-06 | 2018-10-09 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling multi-zone vapor compression system |
US20180004171A1 (en) | 2016-06-30 | 2018-01-04 | Johnson Controls Technology Company | Hvac system using model predictive control with distributed low-level airside optimization and airside power consumption model |
US10359748B2 (en) | 2017-02-07 | 2019-07-23 | Johnson Controls Technology Company | Building energy cost optimization system with asset sizing |
US10282796B2 (en) | 2017-01-12 | 2019-05-07 | Johnson Controls Technology Company | Building energy storage system with multiple demand charge cost optimization |
US10324483B2 (en) | 2017-01-12 | 2019-06-18 | Johnson Controls Technology Company | Building energy storage system with peak load contribution cost optimization |
US11522487B2 (en) | 2017-02-22 | 2022-12-06 | Boards Of Regents, The University Of Texas System | Building and building cluster energy management and optimization system and method |
US10706375B2 (en) | 2017-03-29 | 2020-07-07 | Johnson Controls Technology Company | Central plant with asset allocator |
WO2018237340A1 (en) | 2017-06-23 | 2018-12-27 | Johnson Controls Technology Company | BUILDING EQUIPMENT WITH PREDICTIVE CONTROL |
US20220268471A1 (en) | 2017-06-23 | 2022-08-25 | Johnson Controls Tyco IP Holdings LLP | Building equipment with predictive control |
-
2017
- 2017-06-29 CN CN201780040984.8A patent/CN109416191B/zh active Active
- 2017-06-29 US US16/314,277 patent/US11669061B2/en active Active
- 2017-06-29 JP JP2018567668A patent/JP7406918B2/ja active Active
- 2017-06-29 WO PCT/US2017/039937 patent/WO2018005760A1/en active Application Filing
-
2022
- 2022-09-30 JP JP2022157487A patent/JP2023011563A/ja active Pending
-
2023
- 2023-05-01 US US18/310,371 patent/US20230273579A1/en active Pending
Non-Patent Citations (2)
Title |
---|
PENG ZHAO ET AL..An Energy Management System for Building Structures Using a Multi-Agent Decision-Making Control Methodology.《IEEE TRANSACTIONA ON INDUSTRY APPLICATIONS》.IEEE SERVICE CENTER, PISCATAWAY, NJ, US,2013,第49卷(第1期),322-330. * |
YUDONG MA ET AL..Predictive Control for Energy Efficient Buildings with Thermal Storage: Modeling, Stimulation, and Experiments.《IEEE CONTROL SYSTEMS》.2012,第32卷(第1期),44-49. * |
Also Published As
Publication number | Publication date |
---|---|
WO2018005760A1 (en) | 2018-01-04 |
JP2023011563A (ja) | 2023-01-24 |
US11669061B2 (en) | 2023-06-06 |
US20190235453A1 (en) | 2019-08-01 |
CN109416191A (zh) | 2019-03-01 |
JP2019522954A (ja) | 2019-08-15 |
US20230273579A1 (en) | 2023-08-31 |
JP7406918B2 (ja) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109416191B (zh) | 具有预测控制的变制冷剂流量*** | |
US11268726B2 (en) | Air handling unit and rooftop unit with predictive control | |
US11346572B2 (en) | Building equipment with predictive control | |
US11973345B2 (en) | Building energy system with predictive control of battery and green energy resources | |
CN110753886B (zh) | 具有基于神经网络的约束生成的预测建筑物控制*** | |
AU2018347543B2 (en) | Temperature control for energy storage system | |
US20220268471A1 (en) | Building equipment with predictive control | |
JP2024520512A (ja) | カスケード制御システム、カスケード制御方法及び非一時的コンピュータ可読媒体 | |
Güido et al. | Performance of absorption chillers in field tests | |
CN110474370B (zh) | 一种空调可控负荷、光伏储能***的协同控制***及方法 | |
US20220186962A1 (en) | Building equipment with predictive control and allocation of energy from multiple energy sources | |
Mei et al. | Multi-zone building temperature control and energy efficiency using autonomous hierarchical control strategy | |
Xu et al. | Smart management of multiple energy systems in automotive painting shop | |
Kathirgamanathan et al. | Aggregation of energy flexibility of commercial buildings | |
Sichilalu | Optimal control of renewable energy/grid hybrid systems with heat pump load | |
Wu et al. | Coordinated air conditioning resources scheduling with high photovoltaic penetrations | |
Löhr et al. | Optimal operation of electrical heating system with hybrid model predictive control | |
Karczewski et al. | Increasing the Energy Flexibility of Buildings controlled by Model Predictive Control | |
Al-Azba | Development of a holistic engineering approach for improved AC performance and energy efficiency in buildings under harsh desert climate conditions | |
Kheiri et al. | Integrating the Energy Flexibility of Cold Climate Air Source Heat Pump in Home Energy Management Systems | |
Rao et al. | Three-phase Active and Reactive Power Control in Home Energy Management System | |
CN116066192A (zh) | 一种朗肯-热泵***供需匹配的多时间尺度组分调控方法 | |
Li et al. | Modeling And Predictive Control Of High Performance Buildings With Distributed Energy Generation And Thermal Storage | |
AlAjmi et al. | OPTIMUM SELECTION OF RENEWABLE ENERGY SYSTEM FOR EXISTING BUILDING | |
Gwerder et al. | Application of Model Predictive Cold Storage Management in a Demonstrator Building |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230323 Address after: Wisconsin Patentee after: Johnson Controls Tyco intellectual property holdings limited liability partnership Address before: Michigan, USA Patentee before: JOHNSON CONTROLS TECHNOLOGY Co. |