CN111043720A - 负荷不确定性下制冷***低成本鲁棒性调适策略制定方法 - Google Patents

负荷不确定性下制冷***低成本鲁棒性调适策略制定方法 Download PDF

Info

Publication number
CN111043720A
CN111043720A CN201910997972.5A CN201910997972A CN111043720A CN 111043720 A CN111043720 A CN 111043720A CN 201910997972 A CN201910997972 A CN 201910997972A CN 111043720 A CN111043720 A CN 111043720A
Authority
CN
China
Prior art keywords
robustness
adaptation
cost
low
load
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
Application number
CN201910997972.5A
Other languages
English (en)
Other versions
CN111043720B (zh
Inventor
丁研
宿皓
王翘楚
鄢睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201910997972.5A priority Critical patent/CN111043720B/zh
Publication of CN111043720A publication Critical patent/CN111043720A/zh
Application granted granted Critical
Publication of CN111043720B publication Critical patent/CN111043720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，该方法利用分位数回归神经网络模型对负荷以及其不确定性进行预测以及量化，作为制定调适策略的基础。在预测区间内通过部分负荷率对***工况进行划分。建立反映***特征的制冷***模型、变频水泵模型以及循环管网模型。利用优化算法确定各工况的低成本的调适方法。低成本调适方法主要通过对冷冻水供水温度、水泵电机频率以及管网压差进行控制。最终利用一种多目标决策方法对不同工况的调适方法进行决策确定满足鲁棒性以及能耗低的调适策略。

Description

负荷不确定性下制冷***低成本鲁棒性调适策略制定方法
技术领域
本发明属于***控制领域，具体涉及一种负荷不确定性下制冷***低成本鲁棒性调适策 略制定方法。
背景技术
制冷机组是建筑***中主要的用能设备，为了在室外气候较为炎热的情况下维持室内的 舒适温度，需要制冷***消耗一定的电能为空调***提供足够的冷量。但是由于冷负荷是波 动的，因此通常会存在***与冷负荷不匹配的问题，这会造成***在较低效率下运行，能源 大量浪费。调适是一种在建筑中实施有成本效益的维护和操作措施，使***达到设计意图和 最佳操作的方法。利用调适可以提高***的能效，降低能源的浪费。
目前有很多***调适的方法用来解决***运行与负荷不匹配的问题，这些方法很多是结 合***设计方法的调适，需要对设备进行重新设计和改造才能更好的满足负荷的需求，然而 这种调适策略投资较大，回收期长，难以被业主接受。因此，需要一种低成本的调适方法。 另外，目前的调适方法都是以负荷点预测结果作为调适的依据，没有考虑负荷不确定性的影 响，容易出现负荷与供冷量不匹配的情况。
因此在负荷不确定性的情况下，对其不确定性进行描述，同时利用一种低成本的方法对 制冷***进行调适是目前迫切需要解决的技术问题。
发明内容
为克服上述现有技术的不足，本发明提供了一种负荷不确定性下制冷***低成本鲁棒性 调适策略制定方法。
本发明利用分位数回归神经网络模型建立对负荷不确定性的预测，并对在预测区间内的 ***运行工况建立优化的低成本调适方法，最终利用熵权法的多目标决策方法确定最终的调 适策略。
为实现上述目的，本发明采用如下技术方案：一种负荷不确定性下制冷***低成本鲁棒 性调适策略制定方法，包括以下步骤：
利用原始数据建立分位数回归神经网络模型，得到负荷不确定性下的负荷的概率分布预 测结果；
对预测区间内的***工况进行划分，建立反映***特征的模型，并建立低成本调适方法， 利用优化算法确定调适中控制参数；
对不同工况的调适方法采用一种熵权法作为多目标决策方法确定具有节能性和鲁棒性的 调适策略。
进一步的，所述的分位数回归神经网络模型输入变量包括：室外空气温度、室外空气湿 度、太阳辐射强度、室内人员数量，输出变量为负荷值的概率分布。
进一步的，所述的分位数回归神经网络模型，包含输入层、隐含层和输出层，输入层节 点数与负荷预测输入变量个数相同，输出层节点数为1，只包括一层隐含层。
进一步的，所述的分位数回归神经网络模型，采用弹球损失作为神经网络模型的损失函 数，表达式如下：
对于输入变量x，对应分位数τ下的损失函数值ρτ(x)为：
Figure BDA0002240354820000021
进一步的，所述的分位数回归神经网络模型的表示如下：
对于自变量
Figure BDA0002240354820000022
其对应τ分位数下的因变量Y(τ)可表示为：
Figure BDA0002240354820000023
其中，W(τ)＝{wji(τ)，j＝1，2，…m，i＝1，2，…n}为输入层到隐含层的权重系数矩阵， V(τ)＝{vj(τ)，j＝1，2，…m}为隐含层到输出层的权重系数向量。n为隐含层的节点个数，m为 输出层的节点个数。g1(·)和g2(·)分别为输入层与隐含层之间以及隐含层与输出层之间的激励 方程。
进一步的，所述的***工况划分，以机组的部分负荷率作为划分不同工况的依据，机组 部分负荷率从100％每下降5％划分一个工况，相应的机组供冷量作为划分的工况运行的供冷量。
进一步的，所述的***模型包括制冷机组模型，变频水泵模型，以及冷冻水循环管网模 型。
进一步的，所述的制冷机组模型，可调节参数为冷冻水供水温度，具体机组模型可表示 为：
对于冷冻水供水温度Tchw，o，部分负荷率PLR机组的COP可表示为：
COP＝β0+β1PLR+β2Tchw，o+β3PLR2+β4PLRTchw，o
机组的供冷量为Q时，机组能耗Echiller可以表示为：
Figure BDA0002240354820000031
其中，β0-β4为拟合得到的系数。
进一步的，所述的变频水泵模型，水泵的扬程与能耗与电机频率和流量相关，具体可以 表示为：
对于电机频率为n(Hz)，额定工况下频率为nm(Hz)，流量为M的水泵，其扬程H(MPa)为：
Figure BDA0002240354820000032
其功率为：
Figure BDA0002240354820000033
其中a0-a3，b1-b3为相关系数。
进一步的，所述的冷冻水循环管网模型，模型是一种对冷冻水循环的简化模型，对于不 同的末端形式都适用。模型中通过控制干管上的阀门可以使管网的供回水压差保持再一定的 水平，而阀门开度的变化会造成管网的阻力系数的变化，从而工作状态点改变影响流量值。 因此，控制管网阻力的方法可以在不改变水泵电极频率的情况下改变***的流量。具体的管 网压差设定可通过下式计算：
PD＝(Scon+SPD)M2
Figure BDA0002240354820000034
其中，PD为压差，Spump，Schiller，Ss，Sr，Sunit分别为泵的阻力系数、冷机的阻力系数、供 水干管的阻力系数、回水干管的阻力系数、最不利环路的支管的阻力系数，Si为连接支管的 干管管段的阻力系数，
Figure BDA0002240354820000035
为各支管流量与干管流量的比例。
进一步的，所述的低成本调适方法中包括对冷冻水供水温度的控制以及对冷冻水流量的 控制。对冷冻水供水温度的控制通过机组供水温度设定值进行控制。冷冻水流量的控制通过 变频水泵的变频控制以及管网的压差控制。
进一步的，所述的优化算法，优化的目标为机组能耗最小，具体可以表示为：
Figure BDA0002240354820000036
其中，N1为开启的机组的台数，N2为开启的泵的台数。
进一步的，所述的优化算法，对于变量冷冻水供水温度Tchw，o的约束条件为，冷冻水供水 温度设定在5℃-9℃之间。
进一步的，所述的低成本调适方法，只通过对于机组冷冻水供水温度的调节实现机组在 负荷不确定性下的运行。
进一步的，所述的多目标决策方法对调适方法的两个评价标准分别为：调适方法的能耗 以及调适方法对负荷不确定性的鲁棒性。调适方法的鲁棒性通过调适方法所满足的负荷的累 积概率密度表示。
进一步的，所述的熵权法，需要对不同调适方法下的评价指标进行标准化，对于调适方 法的能耗标准化的公式为：
Figure RE-GDA0002406650390000041
对于调适方法的鲁棒性标准化的公式为：
Figure RE-GDA0002406650390000042
其中，Xi为第i个评价指标，xij为指标Xi中的第j个数据，Yij为数据xij的标准化结果， max(Xi)和min(Xi)分别为指标Xi的最大值和最小值。
进一步的，所述的熵权法，对不同指标数据的标准化结果，可计算不同指标的信息熵Ei， 具体计算公式如：
Figure RE-GDA0002406650390000043
Figure BDA0002240354820000045
其中，m为一个指标的数据的个数，同时，若pij＝0，则定义
Figure BDA0002240354820000046
进一步的，所述的熵权法中不同指标的信息熵Ei，可以计算各指标的权重Wi：
Figure BDA0002240354820000047
进一步的，所述的熵权法中不同指标的评分为指标权重Wi与该调适方法的标准化后的指 标值Yij的乘积。不同调适方法的综合评分为其指标评分的和，评分最大的结果为最终的鲁棒 性调适策略。
有益效果
(1)本发明基于分位数回归神经网络模型对负荷的不确定性进行描述，通过负荷的概率 分布表示负荷不确定性。同时负荷的概率分布结果可以作为评价调适方法鲁棒性的参数。
(2)本发明采用一种低成本的调适方法对制冷***进行调适，相比需要更换设备以及重 新设计***的方法，这种只通过设备的控制参数的调整实现的***调适更具有经济性，可以 被广泛采用。
附图说明
图1为本发明负荷不确定性下制冷***低成本鲁棒性调适策略制定方法的流程图；
图2为本发明实施例中分位数回归神经网络负荷预测结果；
图3为本发明实施例中分位数回归神经网络预测的负荷概率分布；
图4为本发明中低成本调适方法优化方法流程图；
图5为本发明实施例中的不同工况的评价指标原始值；
图6为本发明实施例中的不同工况调适方法多目标的决策结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图， 对本发明作进一步的详细说明。
如图1所示，本实施例提供一种负荷不确定性下制冷***低成本鲁棒性调适策略制定方 法，包括以下步骤：
步骤1：采用分位数回归神经网络模型对负荷的概率分布进行预测。
实施例中负荷预测输入数据包括室外空气温度、室外空气湿度、太阳辐射强度、建筑内 人员数量，通过训练得到的分位数回归神经网络预测了5天的负荷情况，预测区间的结果如 图2所示，其中一个时刻区间内负荷分布的情况如3所示。
步骤2：在预测区间内划分不同的工况，并利用优化算法得到各工况的低成本调适方法。
实施例中，机组满负荷时的供冷量为1500kW，以部分负荷率间隔5％作为划分***工况的 依据，因此，划分的工况对应的部分负荷率分别为55％、60％、65％、70％、75％、80％、85％、 90％、95％、100％。对应的供冷量为825kW、900kW、975kW、1050kW、1125kW、1200kW、 1275kW、1350kW、1425kW、1500kW。
得到不同工况后，利用优化算法计算在相应供冷量下的最佳低成本控制方法，优化算法 的目标函数为：
Figure BDA0002240354820000061
其中机组的能耗以及泵的能耗通过建立的制冷机组模型，变频水泵模型，以及冷冻水循 环管网模型确定，其中的控制变量为冷冻水供水温度、变频泵电机频率以及设定压差。优化 的过程如图4所示。
泵的能耗可以通过变频水泵模型计算，具体为：
Figure BDA0002240354820000062
***循环流量通过水泵模型以及管网模型共同决定的工作状态点确定，具体为：
PD＝(Scon+SPD)M2
Figure BDA0002240354820000063
两个模型联立即可解得循环管网的工作状态点以及***流量。
机组的能耗可以通过制冷机组模型进行计算，具体为：
COP＝β0+β1PLR+β2Tchw，o+β3PLR2+β4PLRTchw，o
Figure BDA0002240354820000064
最终优化的结果为在不同工况下的优化的低成本调适方法，即相应的冷冻水温度设定点、 水泵电机频率设定点以及压差设定点。
步骤3：利用多目标决策方法对不同工况下的调适方法进行决策确定可以同时实现鲁棒 性以及能耗低的调适策略。
以一个时刻的预测结果以及调适策略作为实施例。在该实施例中，负荷预测的区间为 [834.87kW，1303.96kW]。该区间内共包括6个工况，分别为900kW、975kW、1050kW、1125kW、 1200kW、1275kW。这6个工况调适方法能耗以及其的鲁棒性作为多目标决策的评价指标，其 中调适方法的鲁棒性通过其对应供冷量的在负荷预测结果的累积概率密度函数中相应的取值 作为评价鲁棒性的指标。这6个工况的评价指标如图5所示。首先，对这两个评价指标进行 标准化，对于调适方法的能耗标准化的公式为：
Figure RE-GDA0002406650390000065
对于调适方法的鲁棒性标准化的公式为：
Figure RE-GDA0002406650390000066
其中，Xi为第i个评价指标，xij为指标Xi中的第j个数据，Yij为数据xij的标准化结果， max(Xi)和min(Xi)分别为指标Xi的最大值和最小值。
得到不同指标数据的标准化结果，可计算不同指标的信息熵Ei，具体计算公式如：
Figure RE-GDA0002406650390000071
Figure BDA0002240354820000073
其中，m为一个指标的数据的个数，同时，若pij＝0，则定义
Figure BDA0002240354820000075
得到不同指标的信息熵Ei，可以计算各指标的权重Wi：
Figure BDA0002240354820000074
不同指标的评分为指标权重Wi与该调适方法的标准化后的指标值Yij的乘积。不同调适方 法的综合评分为其指标评分的和，评分最大的结果为最终的鲁棒性调适策略。这6个工况的 各指标评分以及最终评分如图6。通过决策结果可以确定供冷量为1200kW的工况对应的调适 方法作为这一时刻最终的调适策略。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明， 应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的 精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (19)

1.负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，包括以下步骤：
利用原始数据建立分位数回归神经网络模型，得到负荷不确定性下的负荷的概率分布预测结果；
对预测区间内的***工况进行划分，建立反映***特征的模型，并建立低成本调适方法，利用优化算法确定调适中控制参数；
对不同工况的调适方法采用熵权法作为多目标决策方法确定具有节能性和鲁棒性的调适策略。
2.根据权利要求1所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，分位数回归神经网络模型，输入变量包括：室外空气温度、室外空气湿度、太阳辐射强度、室内人员数量，输出变量为负荷值的概率分布。
3.根据权利要求2所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，分位数回归神经网络模型，包含输入层、隐含层和输出层，输入层节点数与负荷预测输入变量个数相同，输出层节点数为1，只包括一层隐含层。
4.根据权利要求2所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，分位数回归神经网络模型，采用弹球损失作为神经网络模型的损失函数，表达式如下：
对于输入变量x，对应分位数τ下的损失函数值ρτ(x)为：
Figure FDA0002240354810000011
5.根据权利要求2所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，分位数回归神经网络模型的表示如下：
对于自变量
Figure FDA0002240354810000012
其对应τ分位数下的因变量Y(τ)可表示为：
Figure FDA0002240354810000013
其中，W(τ)＝{wji(τ)，j＝1，2，…m，i＝1，2，…n}为输入层到隐含层的权重系数矩阵，V(τ)＝{vj(τ)，j＝1，2，…m}为隐含层到输出层的权重系数向量；
n为隐含层的节点个数，m为输出层的节点个数；
g1(·)和g2(·)分别为输入层与隐含层之间以及隐含层与输出层之间的激励方程。
6.根据权利要求1所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，***工况划分，以机组的部分负荷率作为划分不同工况的依据，机组部分负荷率从100％每下降5％划分一个工况，相应的机组供冷量作为划分的工况运行的供冷量。
7.根据权利要求1所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，***模型包括制冷机组模型，变频水泵模型，以及冷冻水循环管网模型。
8.根据权利要求7所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，制冷机组模型，可调节参数为冷冻水供水温度，具体机组模型可表示为：
对于冷冻水供水温度Tchw，o，部分负荷率PLR机组的COP可表示为：
COP＝β0+β1PLR+β2Tchw，o+β3PLR2+β4PLRTchw，o
机组的供冷量为Q时，机组能耗Echiller可以表示为：
Figure FDA0002240354810000021
其中，β0-β4为拟合得到的系数。
9.根据权利要求7所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，变频水泵模型，水泵的扬程与能耗与电机频率和流量相关，具体可以表示为：
对于电机频率为n(Hz)，额定工况下频率为nm(Hz)，流量为M的水泵，其扬程H(MPa)为：
Figure FDA0002240354810000022
其功率为：
Figure FDA0002240354810000023
其中，a0-a3，b1-b3为相关系数。
10.根据权利要求7所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，冷冻水循环管网模型是一种对冷冻水循环的简化模型，对于不同的末端形式都适用；模型中通过控制干管上的阀门可以使管网的供回水压差保持在一定的水平，而阀门开度的变化会造成管网的阻力系数的变化，从而工作状态点改变影响流量值；
控制管网阻力的方法可以在不改变水泵电极频率的情况下改变***的流量，具体的管网压差设定可通过下式计算：
PD＝(Scon+SPD)M2
Figure FDA0002240354810000031
其中，PD为压差，Spump，Schiller，Ss，Sr，Sunit分别为泵的阻力系数、冷机的阻力系数、供水干管的阻力系数、回水干管的阻力系数、最不利环路的支管的阻力系数，Si为连接支管的干管管段的阻力系数，
Figure FDA0002240354810000034
为各支管流量与干管流量的比例。
11.根据权利要求1所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，低成本调适方法中包括对冷冻水供水温度的控制以及对冷冻水流量的控制：
对冷冻水供水温度的控制通过机组供水温度设定值进行控制；
冷冻水流量的控制通过变频水泵的变频控制以及管网的压差控制。
12.根据权利要求1所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，优化算法，优化的目标为机组能耗最小，具体可以表示为：
Figure FDA0002240354810000032
其中，N1为开启的机组的台数，N2为开启的泵的台数。
13.根据权利要求12所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，优化算法，对于变量冷冻水供水温度Tchw，o的约束条件为，冷冻水供水温度设定在5℃-9℃之间。
14.根据权利要求1所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，低成本调适方法，只通过对于机组冷冻水供水温度的调节实现机组在负荷不确定性下的运行。
15.根据权利要求1所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，多目标决策方法，对调适方法的两个评价标准分别为：调适方法的能耗以及调适方法对负荷不确定性的鲁棒性；
调适方法的鲁棒性通过调适方法所满足的负荷的累积概率密度表示。
16.根据权利要求1所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，熵权法，需要对不同调适方法下的评价指标进行标准化，对于调适方法的能耗标准化的公式为：
Figure RE-FDA0002406650380000034
对于调适方法的鲁棒性标准化的公式为：
Figure RE-FDA0002406650380000041
其中，Xi为第i个评价指标，xij为指标Xi中的第j个数据，Yij为数据xij的标准化结果，max(Xi)和min(Xi)分别为指标Xi的最大值和最小值。
17.根据权利要求16所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，熵权法，对不同指标数据的标准化结果，可计算不同指标的信息熵Ei，具体计算公式如：
Figure RE-FDA0002406650380000042
Figure RE-FDA0002406650380000043
其中，m为一个指标的数据的个数，同时，若pij＝0，则定义limpij→0pijlnpij＝0。
18.根据权利要求16所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，熵权法，不同指标的信息熵Ei，可以计算各指标的权重Wi：
Figure FDA0002240354810000045
19.根据权利要求16所述的负荷不确定性下制冷***低成本鲁棒性调适策略制定方法，其特征在于，熵权法，不同指标的评分为指标权重Wi与该调适方法的标准化后的指标值Yij的乘积。不同调适方法的综合评分为其指标最评分的和，评分最大的结果为最终的鲁棒性调适策略。
CN201910997972.5A 2019-10-21 2019-10-21 负荷不确定性下制冷***低成本鲁棒性调适策略制定方法 Active CN111043720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910997972.5A CN111043720B (zh) 2019-10-21 2019-10-21 负荷不确定性下制冷***低成本鲁棒性调适策略制定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910997972.5A CN111043720B (zh) 2019-10-21 2019-10-21 负荷不确定性下制冷***低成本鲁棒性调适策略制定方法

Publications (2)

Publication Number Publication Date
CN111043720A true CN111043720A (zh) 2020-04-21
CN111043720B CN111043720B (zh) 2021-05-14

Family

ID=70232323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910997972.5A Active CN111043720B (zh) 2019-10-21 2019-10-21 负荷不确定性下制冷***低成本鲁棒性调适策略制定方法

Country Status (1)

Country Link
CN (1) CN111043720B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094873A (zh) * 2021-03-15 2021-07-09 中联重科股份有限公司 稳定工况识别方法、工况评价方法、及混凝土泵送设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103277875A (zh) * 2013-06-21 2013-09-04 上海能誉科技发展有限公司 一种冷冻机房节能控制***
CN103912966A (zh) * 2014-03-31 2014-07-09 武汉科技大学 一种地源热泵制冷***优化控制方法
CN106529021A (zh) * 2016-11-09 2017-03-22 东南大学 一种基于特征识别的空调***仿真模拟方法
CN108489012A (zh) * 2018-01-30 2018-09-04 深圳市新环能科技有限公司 基于负荷预测与条件约束的空调冷源能效模型控制方法
CN109708258A (zh) * 2018-12-20 2019-05-03 南京达实能源技术有限公司 一种基于负荷动态变化的冷库温度前馈-模糊控制***及控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103277875A (zh) * 2013-06-21 2013-09-04 上海能誉科技发展有限公司 一种冷冻机房节能控制***
CN103912966A (zh) * 2014-03-31 2014-07-09 武汉科技大学 一种地源热泵制冷***优化控制方法
CN106529021A (zh) * 2016-11-09 2017-03-22 东南大学 一种基于特征识别的空调***仿真模拟方法
CN108489012A (zh) * 2018-01-30 2018-09-04 深圳市新环能科技有限公司 基于负荷预测与条件约束的空调冷源能效模型控制方法
CN109708258A (zh) * 2018-12-20 2019-05-03 南京达实能源技术有限公司 一种基于负荷动态变化的冷库温度前馈-模糊控制***及控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094873A (zh) * 2021-03-15 2021-07-09 中联重科股份有限公司 稳定工况识别方法、工况评价方法、及混凝土泵送设备

Also Published As

Publication number Publication date
CN111043720B (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN111256294B (zh) 一种基于模型预测的冷水机组组合运行优化控制方法
CN110392515B (zh) 一种基于历史数据的冷热源机房节能控制方法及***
CN110288164B (zh) 一种建筑空调制冷站***预测控制方法
CN110410942B (zh) 一种冷热源机房节能优化控制方法及***
CN109631282B (zh) 一种中央空调***控制方法及其***、设备、存储介质
CN103912966B (zh) 一种地源热泵制冷***优化控制方法
CN109945402A (zh) 一种中央空调水***节能方法
CN105135623B (zh) 一种满足电网调峰和用户舒适度的中央空调减载控制方法
CN110107989A (zh) 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法
CN112415924A (zh) 一种空调***节能优化方法及***
CN113739365A (zh) 中央空调冷站群控节能控制方法、装置、设备及存储介质
CN116398994B (zh) 一种基于负荷预测的冷水机组群控优化方法
CN115823706B (zh) 一次泵自适应变压差节能控制***及方法
CN113701321B (zh) 一种中央空调水泵节能变频控制方法
CN116266253A (zh) 空调参数的优化控制方法、***和计算机可读存储介质
CN110895029A (zh) 一种基于冷冻水的温度的建筑负荷预测方法
CN114154677A (zh) 空调运行负荷模型构建和预测方法、装置、设备和介质
CN111043720B (zh) 负荷不确定性下制冷***低成本鲁棒性调适策略制定方法
CN117628659A (zh) 一种面向暖通空调多***协同运行的预测调控方法
CN117366799A (zh) 建筑物冷源***的控制方法
CN102679649A (zh) 一种制冷***的节能控制装置和方法
CN115630331A (zh) 一种基于数学物理模型的空调冷冻站全局节能优化及调控方法
CN110836518A (zh) 基于***基础知识的自学习空调***全局优化控制方法
CN115796055B (zh) 一种基于完整空调***仿真模型的优化运行调节方法
CN111928459B (zh) 一种新型城市综合体供冷供热控制装置及其控制方法

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