CN110953837B - 水冷机柜控制方法、装置、设备及介质 - Google Patents
水冷机柜控制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110953837B CN110953837B CN201911292890.7A CN201911292890A CN110953837B CN 110953837 B CN110953837 B CN 110953837B CN 201911292890 A CN201911292890 A CN 201911292890A CN 110953837 B CN110953837 B CN 110953837B
- Authority
- CN
- China
- Prior art keywords
- water
- cooling cabinet
- controller
- temperature
- cabinet
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明实施例公开了一种水冷机柜控制方法、装置、设备及介质。该方法包括:获取水冷机柜的出水温度、水冷机柜的风扇的转速以及给定出水温度;基于出水温度、转速和给定出水温度,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数;基于第一控制器的控制参数,控制水冷机柜的水阀开度,以及基于第二控制器的控制参数,控制风扇的转速,以用于控制水冷机柜的出水温度达到给定出水温度时水冷机柜能耗最小。本发明实施例的水冷机柜控制方法、装置、设备及介质,能够保证水冷机柜的出水温度达到给定出水温度时,水冷机柜能耗最小,能够节省能耗。
Description
技术领域
本发明涉及自动化控制技术领域,尤其涉及一种水冷机柜控制方法、装置、设备及介质。
背景技术
目前,针对水冷机柜的控制,主要有两种方式:
第一种方式,设定水冷机柜的风扇的不同转速对应不同的温度区间,当水冷机柜的出水温度处于某一温度区间时,控制风扇以该温度区间对应的转速进行旋转,以控制水冷机柜的出水温度。
第二种方式,采用比例积分微分(proportional-integral-derivative,PID)控制风扇转速或水阀开度,以控制水冷机柜的出水温度。
采用上述两种方式,虽然能控制水冷机柜的出水温度达到给定出水温度,但是,并不能保证水冷机柜能耗最小,水冷机柜能耗有可能会很大,能耗损耗较大。
发明内容
本发明实施例提供一种水冷机柜控制方法、装置、设备及介质,能够保证水冷机柜的出水温度达到给定出水温度时,水冷机柜能耗最小,能够节省能耗。
一方面,本发明实施例提供了一种水冷机柜控制方法,包括:
获取水冷机柜的出水温度、水冷机柜的风扇的转速以及给定出水温度;
基于出水温度、转速和给定出水温度,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数;第一控制器用于控制水冷机柜的水阀开度,第二控制器用于控制风扇的转速;
基于第一控制器的控制参数,控制水冷机柜的水阀开度,以及基于第二控制器的控制参数,控制风扇的转速,以用于控制水冷机柜的出水温度达到给定出水温度时水冷机柜能耗最小。
在本发明的一个实施例中,基于出水温度、转速和给定出水温度,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数,包括:
基于出水温度、转速和给定出水温度,采用粒子群算法和细菌觅食算法的融合算法,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数。
在本发明的一个实施例中,获取水冷机柜的出水温度、水冷机柜的风扇的转速,包括:
利用温度传感器检测水冷机柜的出水温度;
利用风速传感器检测水冷机柜的风扇的转速。
在本发明的一个实施例中,第一控制器和第二控制器均为比例积分微分控制器;控制参数包括:比例系数、积分系数和微分系数。
另一方面,本发明实施例提供了一种水冷机柜控制装置,包括:
获取模块,用于获取水冷机柜的出水温度、水冷机柜的风扇的转速以及给定出水温度;
确定模块,用于基于出水温度、转速和给定出水温度,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数;第一控制器用于控制水冷机柜的水阀开度,第二控制器用于控制风扇的转速;
控制模块,用于基于第一控制器的控制参数,控制水冷机柜的水阀开度,以及基于第二控制器的控制参数,控制风扇的转速,以用于控制水冷机柜的出水温度达到给定出水温度时水冷机柜能耗最小。
在本发明的一个实施例中,确定模块,具体用于:
基于出水温度、转速和给定出水温度,采用粒子群算法和细菌觅食算法的融合算法,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数。
在本发明的一个实施例中,获取模块,具体用于:
利用温度传感器检测水冷机柜的出水温度;
利用风速传感器检测水冷机柜的风扇的转速。
在本发明的一个实施例中,第一控制器和第二控制器均为比例积分微分控制器;控制参数包括:比例系数、积分系数和微分系数。
再一方面,本发明实施例提供一种水冷机柜控制设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序;
处理器执行计算机程序时实现本发明实施例提供的水冷机柜控制方法。
再一方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现本发明实施例提供的水冷机柜控制方法。
本发明实施例的水冷机柜控制方法、装置、设备及介质,能够保证水冷机柜的出水温度达到给定出水温度时,水冷机柜能耗最小,能够节省能耗。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提供的水冷机柜控制方法的流程示意图;
图2示出了本发明实施例提供的PID控制的原理示意图;
图3示出了本发明实施例提供的粒子运行逻辑示意图;
图4示出了本发明实施例提供的基于融合算法的PID控制原理图;
图5示出了本发明实施例提供的基于融合算法确定控制参数的示意图;
图6示出了本发明实施例提供的基于融合算法控制水冷机柜的原理示意图;
图7示出了本发明实施例提供的水冷机柜控制模型示意图;
图8示出了本发明实施例提供的水冷机柜温度调节示意图;
图9示出了本发明实施例提供的水冷机柜功率调节示意图;
图10示出了本发明实施例提供的水冷机柜控制装置的结构示意图;
图11示出了能够实现根据本发明实施例的水冷机柜控制方法及装置的计算设备的示例性硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本发明实施例提供一种水冷机柜控制方法、装置、设备及介质。下面首先对本发明实施例提供的水冷机柜控制方法进行说明。
图1示出了本发明实施例提供的水冷机柜控制方法的流程示意图。水冷机柜控制方法可以包括:
S101:获取水冷机柜的出水温度、水冷机柜的风扇的转速以及给定出水温度。
S102:基于水冷机柜的出水温度、水冷机柜的风扇的转速和给定出水温度,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数。
其中,第一控制器用于控制水冷机柜的水阀开度,第二控制器用于控制水冷机柜的风扇的转速。
S103:基于第一控制器的控制参数,控制水冷机柜的水阀开度,以及基于第二控制器的控制参数,控制水冷机柜的风扇的转速,以用于控制水冷机柜的出水温度达到给定出水温度时水冷机柜能耗最小。
本发明实施例的水冷机柜控制方法,能够保证水冷机柜的出水温度达到给定出水温度时,水冷机柜能耗最小,能够节省能耗。
在本发明的一个实施例中,可以利用温度传感器检测水冷机柜的出水温度;利用风速传感器检测水冷机柜的风扇的转速。
在本发明的一个实施例中,第一控制器和第二控制器可以均为比例积分微分(proportional-integral-derivative,PID)控制器;控制参数包括:比例系数、积分系数和微分系数。
图2示出了本发明实施例提供的PID控制的原理示意图。
基于受控对象的实际输出值y(t)、给定值r(t),采用PID控制受控对象。
基于图2,PID控制对应的数学模型以公式(1)表示为:
公式(1)中,u(t)为PID控制的输出,Kp为PID控制的比例系数,Ki为PID控制的积分系数,Kd为PID控制的微分系数,e(t)=r(t)-y(t),r(t)为给定值,y(t)为受控对象实际输出值。
在本发明的一个实施例中,可以采用粒子群算法和细菌觅食算法的融合算法,基于出水温度、转速和给定出水温度,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数。
图3示出了本发明实施例提供的粒子运行逻辑示意图。图3中惯性因素反映粒子的运动习惯,代表粒子有维持自己先前速度的趋势;记忆因素反映粒子对自身历史经验的记忆,代表粒子有向自身历史最佳位置逼近的趋势;群体因素反映粒子间协同合作与知识共享的群体历史经验,代表粒子跟随群体运行的趋势。粒子的速度和位置的更新公式如下:
其中,公式(2)和(3)中,为粒子i在t+1时刻第d维的速度;w为粒子惯性权重系数;为粒子i在时刻t第d维的速度;c1为自学习因子,表示粒子对自身的位置和速度优劣程度的判断能力,即粒子跟踪自己历史最优值的权重系数;r1为介于(0,1)之间的随机数;为粒子i在运动过程中第d维个体最优位置;为粒子i在t时刻第d维的位置;c2为互学习因子,表示粒子与粒子群体最优解的靠近程度,即粒子跟踪群体最优值的权重系数;r2为介于(0,1)之间的随机数;为粒子群在t时刻第d维的最优位置;为粒子i在t+1时刻第d维的速度;r为速度约束因子。可以理解的是,t+1时刻为t时刻的下一时刻。
通常情况下,c1和c2取值为2。r取值为1。
细菌觅食算法包括:趋化、复制和迁移。趋化即趋向性操作,包括旋转和游动两种形式,旋转指细菌在运动过程中改变方向,游动指细菌在该方向上运行。复制操作指细菌在寻优的过程中,部分细菌没有寻找到合适的生存环境而被淘汰,为了保证细菌的群体规模,生存下来的细菌会进行繁殖。迁徙操作指由于细菌生活环境的突变导致细菌群体大面积死亡,留下的细菌群体会迁徙到新的环境。趋向性操作可以体现细菌觅食算法的局部搜索能力,复制和迁徙可以体现细菌觅食算法的全局搜索能力。
每个细菌的趋向性操作如公式(4)表示。
公式(4)中,θi(j+1,k,l)为细菌i在k次复制、l次迁徙的第j+1次趋向性操作后的位置;θi(j,k,l)为细菌i在k次复制、l次迁徙的第j次趋向性操作后的位置;C(i)为细菌i每次进行趋向性操作随机运动步长大小;Δ(i)为细菌i运动方向向量。
在本发明的一个实施例中,为了使融合算法更加高效实用,在前期要求全局搜索能力较强,此时要求细菌趋向性操作步长C(i)较大,在算法后期要求局部搜索能力较强,以提高算法的精度,此时细菌趋向性操作步长C(i)应该减小。细菌趋向性操作步长C(i)是随着算法运行逐渐变化的,C(i+1)=C(i)×e-t;t为算法运行时长。
本发明实施例在融合粒子群算法和细菌觅食算法时,将粒子群算法中的每一个粒子作为细菌觅食算法中的一个细菌,将细菌觅食算法中细菌运动方向向量替换为粒子群算法中粒子的速度。
将细菌觅食算法中细菌运动方向向量替换为粒子群算法中粒子的速度后,每个细菌的趋向性操作表示为:
公式(5)中,Pi(j+1,k,l)为细菌i在k次复制、l次迁徙的第j+1次趋向性操作后的位置;Pi(j,k,l)为细菌i在k次复制、l次迁徙的第j次趋向性操作后的位置;C(i)为细菌i每次进行趋向性操作随机运动步长大小;vk+1为粒子的速度。
粒子群算法的全局搜索能力较弱,局部搜索能力较强,容易陷入局部最优解;而细菌觅食算法的全局搜索能力较强,局部搜索能力较弱,寻优效果不够精确。本发明实施例通过将两种算法融合,使这两种算法的局部搜索性得到了很好的结合,局部搜索能力提高,同时细菌觅食算法的复制操作和迁徙操作不做改变,保证了融合算法的全局搜索能力。
图4示出了本发明实施例提供的基于融合算法的PID控制原理图。
利用传感器检测***输出值,基于传感器检测到的***输出值、***输出值,采用粒子群算法和细菌觅食算法的融合算法确定PID控制的控制参数(比例***Kp、积分系数Ki、微分系数Kd)。PID控制器基于所述确定的控制参数对被控设备进行控制。
图5示出了本发明实施例提供的基于融合算法确定控制参数的示意图。
首先,粒子初始化和细菌初始化;初始化粒子群的粒子数量n、搜索空间维度为6维、粒子惯性权重系数、每一个粒子的速度和位置、细菌趋向性操作最大次数、细菌复制操作最大次数、细菌迁徙操作最大次数、细菌趋向性操作运动步长大小、迁徙概率、学习因子和两个0-1的随机数。6维分别为第一控制器的比例系数Kp1、积分系数Ki1、微分系数Kd1,第二控制器的比例系数Kp2、积分系数Ki2和微分系数Kd2。
第i个粒子的位置可以表示为xi=(xi1,xi2,xi3,xi4,xi5,xi6),xi1,xi2,xi3,xi4,xi5和xi6分别表示第i个粒子在第1维、第2维、第3维、第4维、第5维和第6维的位置。
第i个粒子的速度可以表示为vi=(vi1,vi2,vi3,vi4,vi5,vi6),vi1,vi2,vi3,vi4,vi5和vi6分别表示第i个粒子在第1维、第2维、第3维、第4维、第5维和第6维的速度。
计算每个粒子的适应度值,求出每个粒子的个体最优位置,求出粒子群的全局最优位置;
对粒子的速度和位置进行更新;
判断是否满足结束条件;如果不满足结束条件,则继续计算每个粒子的适应度值;如果满足结束条件,则将粒子群算法中的每一个粒子作为细菌觅食算法中的一个细菌,将细菌觅食算法中细菌运动方向向量替换为粒子群算法中粒子的速度,将粒子群算法的寻优结果(全局最优位置)作为细菌的初始位置。
执行细菌觅食算法中的趋向性操作;
判断执行趋向性操作的次数是否达到细菌趋向性操作最大次数;
若执行趋向性操作的次数未达到细菌趋向性操作最大次数,则继续执行细菌觅食算法中的趋向性操作;
若执行趋向性操作的次数达到细菌趋向性操作最大次数,则执行细菌觅食算法中的复制操作;
判断执行复制操作的次数达到细菌复制操作最大次数;
若执行复制操作的次数未达到细菌复制操作最大次数,则继续执行细菌觅食算法中的趋向性操作;
若执行复制操作的次数达到细菌复制操作最大次数,判断细菌迁徙次数是否达到细菌迁徙操作最大次数;
若细菌迁徙次数未达到细菌迁徙操作最大次数,以迁徙概率将细菌迁徙,继续执行细菌觅食算法中的趋向性操作;
若细菌迁徙次数达到细菌迁徙操作最大次数,将此时的细菌的全局最优位置包括的6维位置中的每一维位置分别作为两个控制器6个系数中的一个系数。
在本发明的一个实施例,上述结束条件可以为适应度值到达一定的数据或者循环一定次数。
在本发明的一个实施例中,适应度函数作为衡量算法寻优性能的一项主要指标,其合理的设计会对算法性能产生关键的影响。针对水冷机柜控制而言,该算法寻优过程定义为***正常工作时寻找功耗最小值,即在算法运行过程中,不断的对适应度函数进行寻优,保证在工作时功耗最小,同时寻优输出结果作为PID控制器的运行参数。根据水阀开度和风扇转速对降温能力的关系、风扇转速和能耗关系以及为了避免***出现超调现象达到快速相应的目的,可以得出适应度函数为:
其中,公式(6)中,e(t)为***误差,u(t)为***的输出,tr为***输出稳定时间,U(t)为***当前输出与上一时刻输出差值,用来衡量***的超调量;w1、w2、w3和w4分别为每一项指标的指标系数。
当适应度函数J的值越小,表示该***的精度和效率越好,越节能。
当算法运行到设定的迭代次数时,适应度函数的极值点处对应的PID参数即为最优解。
粒子群算法和细菌觅食算法的融合算法的各项参数初始化如下:
种群数量为30,维数为6,算法迭代次数为200次,学习因子为2,粒子惯性权重系数为0.75,细菌迁徙操作最大次数为2,细菌复制操作最大次数为4,细菌趋向性操作最大次数为10,细菌趋向性操作运动步长大小为4,迁徙概率为0.25。
***稳定后,第一控制器和第二控制器的控制参数如表1所示。
表1
水冷机柜的水阀开度和风扇转速均采用PID控制,通过粒子群算法和细菌觅食算法的融合算法,确定PID控制器的控制参数。基于融合算法控制水冷机柜的原理如图6所示。图6示出了本发明实施例提供的基于融合算法控制水冷机柜的原理示意图。
由图6可以看出,本发明实施例的水冷机柜控制方法采用串级控制策略,即水阀开度和风扇转速均采用PID控制,并且给定出水温度与温度传感器监测到的水冷机柜的出水温度的差值和水阀开度对应的电压值与风量传感器监测到的风扇转速对应的电压值的差值作为粒子群算法和细菌觅食算法的融合算法的输入。融合算法输出6个维度的值。每个维度的值分别作为六个控制参数(第一控制器的三个控制参数和第二控制器的三个控制参数)中每一个控制参数的参数值。
根据水冷机柜的工作情况,可以得知水冷机柜的数学模型可以用一阶惯性时滞***来表示。以一阶惯性时滞***的传递函数表示的水冷机柜控制模型如图7所示。图7示出了本发明实施例提供的水冷机柜控制模型示意图。
图8示出了本发明实施例提供的水冷机柜温度调节示意图。由图8可以看出采用本发明实施例对水冷机柜的水阀开度和风扇转速均采用PID控制,相比于现有技术,能够使水冷机柜的出水温度快速达到给定出水温度,调节效率较高。
图9示出了本发明实施例提供的水冷机柜功率调节示意图。由图9可以看出采用本发明实施例对水冷机柜的水阀开度和风扇转速均采用PID控制,相比于现有技术,能够降低水冷机柜的功率,节省能耗。
本发明实施例的控制方法遵循以下原则:
原则1、由于第二控制器的控制效果最为直接和节能,所以应该把***干扰因素尽量通过第二控制器来调节,最大程度发挥第二控制器的作用,在第二控制器不能达到调节要求时,再调节第一控制器。
原则2、为了防止第一控制器和第二控制器之间互相干扰和共振情况的产生,在设计回路的等效时间常数时,第一控制器是副控制器时间常数的3-10倍。同时为了使第二控制器的时间相应最快,应尽量将第二控制器的时间常数设计的较小。
与上述的方法实施例相对应,本发明实施例还提供一种水冷机柜控制装置。
图10示出了本发明实施例提供的水冷机柜控制装置的结构示意图。
水冷机柜控制装置可以包括:
获取模块101,用于获取水冷机柜的出水温度、水冷机柜的风扇的转速以及给定出水温度;
确定模块102,用于基于出水温度、转速和给定出水温度,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数。
第一控制器用于控制水冷机柜的水阀开度,第二控制器用于控制风扇的转速;
控制模块103,用于基于第一控制器的控制参数,控制水冷机柜的水阀开度,以及基于第二控制器的控制参数,控制风扇的转速,以用于控制水冷机柜的出水温度达到给定出水温度时水冷机柜能耗最小。
在本发明的一个实施例中,确定模块102,具体可以用于:
基于出水温度、转速和给定出水温度,采用粒子群算法和细菌觅食算法的融合算法,确定水冷机柜的出水温度达到给定出水温度且水冷机柜能耗最小时,水冷机柜的第一控制器的控制参数以及水冷机柜的第二控制器的控制参数。
在本发明的一个实施例中,获取模块101,具体可以用于:
利用温度传感器检测水冷机柜的出水温度;
利用风速传感器检测水冷机柜的风扇的转速。
在本发明的一个实施例中,第一控制器和第二控制器均为比例积分微分控制器;控制参数包括:比例系数、积分系数和微分系数。
图11示出了能够实现根据本发明实施例的水冷机柜控制方法及装置的计算设备的示例性硬件架构的结构图。如图11所示,计算设备1100包括输入设备1101、输入接口1102、中央处理器1103、存储器1104、输出接口1105、以及输出设备1106。其中,输入接口1102、中央处理器1103、存储器1104、以及输出接口1105通过总线1110相互连接,输入设备1101和输出设备1106分别通过输入接口1102和输出接口1105与总线1110连接,进而与计算设备1100的其他组件连接。
具体地,输入设备1101接收来自外部的输入信息,并通过输入接口1102将输入信息传送到中央处理器1103;中央处理器1103基于存储器1104中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器1104中,然后通过输出接口1105将输出信息传送到输出设备1106;输出设备1106将输出信息输出到计算设备1100的外部供用户使用。
也就是说,图11所示的计算设备也可以被实现为水冷机柜控制设备,该水冷机柜控制设备可以包括:存储有计算机程序的存储器;以及处理器,该处理器在执行计算机程序时可以实现本发明实施例提供的水冷机柜控制方法。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序;该计算机程序被处理器执行时实现本发明实施例提供的水冷机柜控制方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种水冷机柜控制方法,其特征在于,所述方法包括:
获取水冷机柜的出水温度、所述水冷机柜的风扇的转速以及给定出水温度;
基于所述出水温度、所述转速和所述给定出水温度,确定所述水冷机柜的出水温度达到所述给定出水温度且所述水冷机柜能耗最小时,所述水冷机柜的第一控制器的控制参数以及所述水冷机柜的第二控制器的控制参数;所述第一控制器用于控制所述水冷机柜的水阀开度,所述第二控制器用于控制所述风扇的转速;
基于所述第一控制器的控制参数,控制所述水冷机柜的水阀开度,以及基于所述第二控制器的控制参数,控制所述风扇的转速,以用于控制所述水冷机柜的出水温度达到所述给定出水温度时所述水冷机柜能耗最小。
2.根据权利要求1所述的方法,其特征在于,所述基于所述出水温度、所述转速和所述给定出水温度,确定所述水冷机柜的出水温度达到所述给定出水温度且所述水冷机柜能耗最小时,所述水冷机柜的第一控制器的控制参数以及所述水冷机柜的第二控制器的控制参数,包括:
基于所述出水温度、所述转速和所述给定出水温度,采用粒子群算法和细菌觅食算法的融合算法,确定所述水冷机柜的出水温度达到所述给定出水温度且所述水冷机柜能耗最小时,所述水冷机柜的第一控制器的控制参数以及所述水冷机柜的第二控制器的控制参数。
3.根据权利要求1所述的方法,其特征在于,所述获取水冷机柜的出水温度、所述水冷机柜的风扇的转速以及给定出水温度,包括:
利用温度传感器检测所述水冷机柜的出水温度;
利用风速传感器检测所述水冷机柜的风扇的转速。
4.根据权利要求1所述的方法,其特征在于,所述第一控制器和所述第二控制器均为比例积分微分控制器;所述第一控制器的控制参数和所述第二控制器的控制参数包括:比例系数、积分系数和微分系数。
5.一种水冷机柜控制装置,其特征在于,所述装置包括:
获取模块,用于获取水冷机柜的出水温度、所述水冷机柜的风扇的转速以及给定出水温度;
确定模块,用于基于所述出水温度、所述转速和所述给定出水温度,确定所述水冷机柜的出水温度达到所述给定出水温度且所述水冷机柜能耗最小时,所述水冷机柜的第一控制器的控制参数以及所述水冷机柜的第二控制器的控制参数;所述第一控制器用于控制所述水冷机柜的水阀开度,所述第二控制器用于控制所述风扇的转速;
控制模块,用于基于所述第一控制器的控制参数,控制所述水冷机柜的水阀开度,以及基于所述第二控制器的控制参数,控制所述风扇的转速,以用于控制所述水冷机柜的出水温度达到所述给定出水温度时所述水冷机柜能耗最小。
6.根据权利要求5所述的装置,其特征在于,所述确定模块,具体用于:
基于所述出水温度、所述转速和所述给定出水温度,采用粒子群算法和细菌觅食算法的融合算法,确定所述水冷机柜的出水温度达到所述给定出水温度且所述水冷机柜能耗最小时,所述水冷机柜的第一控制器的控制参数以及所述水冷机柜的第二控制器的控制参数。
7.根据权利要求5所述的装置,其特征在于,所述获取模块,具体用于:
利用温度传感器检测所述水冷机柜的出水温度;
利用风速传感器检测所述水冷机柜的风扇的转速。
8.根据权利要求5所述的装置,其特征在于,所述第一控制器和所述第二控制器均为比例积分微分控制器;所述第一控制器的控制参数和所述第二控制器的控制参数包括:比例系数、积分系数和微分系数。
9.一种水冷机柜控制设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的水冷机柜控制方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的水冷机柜控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292890.7A CN110953837B (zh) | 2019-12-12 | 2019-12-12 | 水冷机柜控制方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292890.7A CN110953837B (zh) | 2019-12-12 | 2019-12-12 | 水冷机柜控制方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110953837A CN110953837A (zh) | 2020-04-03 |
CN110953837B true CN110953837B (zh) | 2021-09-28 |
Family
ID=69981954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911292890.7A Active CN110953837B (zh) | 2019-12-12 | 2019-12-12 | 水冷机柜控制方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110953837B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2180277B1 (en) * | 2008-10-24 | 2015-08-12 | Thermo King Corporation | Controlling chilled state of a cargo |
CN107514731A (zh) * | 2017-07-03 | 2017-12-26 | 青岛海尔空调电子有限公司 | 冷水机组的变频风机控制方法及空调器 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011136577A2 (ko) * | 2010-04-30 | 2011-11-03 | Kim Duk Mo | 냉난방 설비의 성능 개선방법 및 동 방법을 이용한 냉난방 설비 |
CN103744451A (zh) * | 2014-01-23 | 2014-04-23 | 浪潮电子信息产业股份有限公司 | 一种改善噪音及冷凝水的水冷机柜温度保持调控方法 |
CN204177282U (zh) * | 2014-09-12 | 2015-02-25 | 乐山东方动力节能设备有限公司 | 基于plc变频控制的智能水力风机冷却塔 |
CN204902662U (zh) * | 2015-08-25 | 2015-12-23 | 林尧林 | 一种自适应的冷却塔风机控制器 |
CN106438435A (zh) * | 2016-12-02 | 2017-02-22 | 英业达科技有限公司 | 温度控制方法及机柜 |
CN109711072B (zh) * | 2018-12-29 | 2023-04-07 | 北京化工大学 | 基于混合群智能算法的地震矢量波场数值模拟方法及*** |
-
2019
- 2019-12-12 CN CN201911292890.7A patent/CN110953837B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2180277B1 (en) * | 2008-10-24 | 2015-08-12 | Thermo King Corporation | Controlling chilled state of a cargo |
CN107514731A (zh) * | 2017-07-03 | 2017-12-26 | 青岛海尔空调电子有限公司 | 冷水机组的变频风机控制方法及空调器 |
Also Published As
Publication number | Publication date |
---|---|
CN110953837A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bansal et al. | PID controller tuning techniques: a review | |
Alfi et al. | System identification and control using adaptive particle swarm optimization | |
JP2023512723A (ja) | 目的別行動価値関数を使用する多目的強化学習 | |
WO2016047118A1 (ja) | モデル評価装置、モデル評価方法、及び、プログラム記録媒体 | |
Lissa et al. | Transfer learning applied to reinforcement learning-based hvac control | |
CN113819636B (zh) | 辐射空调***的控制方法、装置及存储介质 | |
JP7006859B2 (ja) | 空調制御装置、空調システム、空調制御方法、空調制御プログラム | |
CN110953837B (zh) | 水冷机柜控制方法、装置、设备及介质 | |
Rudd et al. | A generalized reduced gradient method for the optimal control of multiscale dynamical systems | |
Homod et al. | Deep clustering of Lagrangian trajectory for multi-task learning to energy saving in intelligent buildings using cooperative multi-agent | |
Mustafa et al. | Robust speed control of ultrasonic motors based on deep reinforcement learning of a Lyapunov function | |
SUN et al. | Ship course identification model based on recursive least squares algorithm with dynamic forgetting factor | |
Chen et al. | Self-tuning stochastic optimization with curvature-aware gradient filtering | |
Zhang et al. | Clique-based cooperative multiagent reinforcement learning using factor graphs | |
Hu et al. | Grid resources prediction with support vector regression and particle swarm optimization | |
CN115576328A (zh) | 基于模糊控制器的机器人导航避障方法及装置 | |
CN117223011A (zh) | 使用加权策略投影的多目标强化学习 | |
Genkin et al. | A transfer learning approach to minimize reinforcement learning risks in energy optimization for automated and smart buildings | |
Tsai et al. | Advances and challenges on intelligent learning in control systems | |
Lucena et al. | Optimal gains tuning of PI-fuzzy controllers | |
Zhao et al. | Control and optimization of indoor environmental quality based on model prediction in building | |
Zhang et al. | An event-triggered predictive control for weight control system | |
JP2020197944A (ja) | モデル予測制御システム、情報処理装置、プログラム、及びモデル予測制御方法 | |
Gurnani et al. | Goal-Oriented Obstacle Avoidance by Two-Wheeled Self Balancing Robot | |
Kudělka et al. | Parameters setting of Frequency Converter PI regulation to ensure the vacuum of the milking process |
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 |