空调设备的运行控制方法和***、空调设备和存储介质
技术领域
本发明涉及空调设备技术领域,具体而言,涉及一种空调设备的运行控制方法、一种空调设备的运行控制***、一种空调设备和一种计算机可读存储介质。
背景技术
在相关技术中,由于冷水机组大部分时间都在部分负荷下运行,为降低空调设备的运行能耗,提高效率,需要根据空调负荷对冷水机组的运行负荷进行优化分配,使机组一直运行在高效区间。而目前的启停控制中,是通过预设的负荷上、下限值对冷水机组进行启停控制,没有考虑到空调设备的实际工况,导致空调设备的整体COP(Coefficient OfPerformance,能效比)不高。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的第一方面提出一种空调设备的运行控制方法。
本发明的第二方面提出一种空调设备的运行控制***。
本发明的第三方面提出一种空调设备。
本发明的第四方面提出一种计算机可读存储介质。
有鉴于此,本发明的第一方面提供了一种空调设备的运行控制方法,空调设备包括多台冷水机组,运行控制方法包括:获取空调设备的运行数据集;根据运行数据集确定空调设备的总负荷,并确定总负荷对应的冷水机组的启停方案集合;根据运行数据集确定启停方案集合对应的任一冷水机组的第一能效参数,并根据第一能效参数确定启停方案集合中每一个启停方案对应的第二能效参数;根据第二能效参数在启停方案集合中确定目标启停方案,并根据目标启停方案控制空调设备运行。
在该技术方案中,获取空调设备运行过程中的实时运行数据集,该运行数据集能够反应空调器的实际运行工况。通过运行数据集确定空调设备的总负荷,并根据总负荷对应的负荷区间,确定预设的包含了一种或多种启停方案的集合,并分别确定集合中对应的每一台冷水机组的第一能效参数。
然后,根据每一个启停方案中冷水机组的第一能效系数,进一步确定启停方案集合中的所有备选启停方案的第二能效参数,以得到启停方案集合中的每一个备选启停方案的较优COP,并通过比较确定COP最高的一个启停方案,并将COP最优的启停方案确定为目标启停方案,并对应控制空调设备运行。
本发明提供的技术方案,通过获取实时的运行数据生成运行数据集,并进一步确定每台冷水机组的COP,以及全部备选启停方案中每一个启停方案对应的较优COP,使得最终目标启停方案为当前空调设备运行工况下能效比最优的方案,进而有效地提高了空调设备的运行能效。
另外,本发明提供的上述技术方案中的空调设备的运行控制方法还可以具有如下附加技术特征:
在上述技术方案中,运行数据集包括:空调设备的冷冻水出水温度,空调设备的冷冻水进水温度,空调设备的冷冻水流量,空调设备的冷却水出水温度,空调设备的冷却水回水温度和空调设备冷却水流量。
在该技术方案中,运行数据集包括冷冻水的出水温度、进水温度和冷冻水流量,冷却水的出水温度、进水温度和冷却水流量,根据冷冻水和冷却水的参数可准确的反应空调设备的实际运行工况,进而使得确定启停方案为当前实际运行工况下能效比最优的方案,提高空调设备的运行控制效果。
在上述任一技术方案中,通过第一预设函数确定第一能效参数,第一预设函数具体为:
其中,COP为第一能效参数,
为冷冻水流量修正系数,且
为冷却水流量修正系数,且
b
1、b
2、b
3、b
4、b
5、b
6和b
7为拟合系数,拟合系数为常数,T
cw,in为冷却水进水温度,T
chw,out为冷冻水出水温度,Q为总负荷,M
chw为冷冻水流量,M
chw,des为冷冻水额定流量,M
cw为冷却水流量,M
cw,des为冷却水额定流量。
在该技术方案中,通过提出一种COP回归函数,即第一预设函数,可以准确的计算冷水机组的COP,即第一能效参数,进而可以保证最终确定的启停方案中,每一台启用的冷水机组均运行于较高COP区间。其中,b1至b7为拟合系数,拟合系数与空调器的实际制冷或制热能力相关。
在上述任一技术方案中,通过第二预设函数确定第二能效参数,第二预设函数具体为:
其中,maxCOP为第二能效参数,Q为总负荷,Qi为第i台冷水机组对应的负荷,COPi为第i台冷水机组对应的第一能效参数。
在该技术方案中,提出一种COP优化函数,并通过该COP优化函数,根据由COP回归函数中求得的启停方案中每一台冷水机组的能效比COPi最终求得每一个备选启停方案的COP,结果准确且计算量小,可以有效地提高运行控制的准确度和运行效率。
在上述任一技术方案中,空调设备的运行控制方法还包括:接收拟合系数对应的设置指令,根据设置指令确定拟合系数;接收拟合系数对应的更新指令,根据更新指令更新拟合系数。
在该技术方案中,由于空调设备随着使用时间的增加,其输出能力可能会发生变化,因此每间隔预设时长,自服务器接收拟合系数对应的设置指令和更新指令,确定新的拟合指令或对现有的拟合指令进行更新,以保证COP回归函数的准确性,提高空调设备运行控制的可靠性和准确性。
在上述任一技术方案中,启停方案集合中包括多个启停方案,根据第二能效参数在启停方案集合中确定目标启停方案的步骤,具体包括:
通过粒子群优化算法对多个第二能效参数的适应度进行计算,并将适应度最高的第二能效参数对应的目标启停方案确定为目标启停方案。
在该技术方案中,在确定了启停方案集合包含中多个启停方案时,通过粒子群优化算法对多个第二能效参数的适应度进行计算,最终比较得到适应度最高的第二能效参数,并选取该适应度最高的第二能效参数所对应的启停方案,作为目标启停方案,可有效地提高控制效果,使得空调设备能够以较高的能效比运行。
其中,粒子群优化算法的步骤具体包括:
1、初始化粒子群算法的设置参数,主要包括粒子数、粒子维度、惯性权重、初始速度、学习因子以及中止条件等,并定义适应度函数。
2、对每个粒子的适应度进行评价。
3、对每个粒子,比较粒子适应值和其个体最优值pbest,将更优的一方作为当前pbest;同时比较粒子适应值和其群体最优值gbest,将更优的一方作为当前gbest。
4、根据下式分别更新粒子速度和粒子位置:
vj(t+1)=w×vj(t)+c1×R1(t)×(Pj(t)-xj(t))+c2×R2(t)×(Pg(t)-xj(t));
xj(t+1)=xj(t)+vj(t+1);
其中,n为群体中粒子的总数,vj为粒子的速度;w为惯性权重,Pj为个体极值,表示粒子自身搜索到的最优值,Pg为全局极值,表示粒子当前种群中的最优值,R1(t)和R2(t)是介于(0,1)之间的随机数,xj为粒子的当前位置,c1和c2为学习因子。
在上述任一技术方案中,空调设备的运行控制方法还包括:获取空调设备的运行数据;对运行数据进行数据清洗,以得到运行数据集。
在该技术方案中,由于运行数据集可能包括非正常运行数据,如传感器产生的零飘数据、网络传输过程中产生的数据缺失等,因此为了提高准确率,通过大数据清洗的方式,对运行数据进行数据清洗,以去除数据中的噪声数据,得到更加准确的运行数据集,进而提高控制和计算的准确率,提高空调设备的运行能效。
在上述任一计数法方案中,对运行数据进行数据清洗,以得到运行数据集的步骤,具体包括:对运行数据进行排序,以得到运行数据序列;根据运行数据序列确定运行数据区间,并获取运行数据区间内的运行数据,并确定为第一数据集;通过热卡填充法对第一数据集进行填充,以得到第二数据集;确定第二数据集中每一个运行数据对应的工况特征,并获取第二数据集中,符合预设工况特征的工况特征对应的运行数据,并确定为运行数据集。
在该技术方案中,对运行数据进行数据清洗,可分为以下几个步骤:
第一步,执行异常值剔除。具体地,根据数值大小对相同类别的运行数据进行排序,得到按照数值大小排列的运行参数序列,并根据运行参数序列确定目标参数区间,其中可计算运行参数序列的上、下四分位数值,并以上、下四分位数值作为边界值确定该目标参数区间的上、下边界,当运行参数超过目标运行参数的上、下边界,则判定数据异常。由于在运行过程中存在传感器漂移等情况,可能会造成运行参数出现异常大值和异常小值,因此将该部分数据剔除后,可得到更能反应正常运行情况的运行参数的第一数据集。
第二步,对第一数据集执行缺失值补充。具体地,若第一数据集中存在缺失的必要数据,则通过热卡填充法在机组历史运行数据库中寻找一个与缺失值最接近工况的历史参数,并通过该历史参数对缺失值进行补充,得到完整性更好的第二数据集。
第三步,对第二数据集进行稳定工况筛选。具体地,确定第二数据集中每一个运行数据对应的工况特征,并判断该工况特征是否满足预设工况。其中,在空调设备运行过程中,会出现如启停过程等极端运行条件,其对应的工况不稳定,因此仅获取第二数据集中处于稳定工况是的运行数据,并根据该运行参数生成运行数据集,进而可以保证空调设备的运行控制效果,有效地提高空调设备的能效。
在上述任一技术方案中,目标启停方案包括目标冷水机组与目标冷水机组对应的启停状态和目标负荷率;根据目标启停方案控制空调设备运行的步骤,具体包括:控制目标冷水机组按照一定启停状态和目标负荷率工作。
在该技术方案中,启停方案一方面包括了开启或关闭的目标冷水机组,同时还包括了目标冷水机组对应的启停状态和目标负荷率,以对目标冷水机组的负荷率进行控制。其中,需要注意的时,启停方案中,所有开启的冷水机组的总负荷需要等于空调末端的总负荷,且每一台开启的冷水机组的负荷率要在该冷水机组的最大负荷率至最小负荷率之间。其中,最大负荷率为1,最小负荷率与冷水机组的性能相关。
在上述任一技术方案中,空调设备的运行控制方法还包括:确定总负荷在预设时长内的变化值;确定变化值大于或等于变化量阈值,执行确定总负荷对应的冷水机组的启停方案集合的步骤。
在该技术方案中,确定总负荷在预设时长内的变化值。具体地,预设时长可根据***实际运行环境进行设置,如设置为15分钟,则在记录一次***的总负荷后,间隔15分钟后再次记录此时***的总负荷,并计算两次记录的总负荷的差值。如果这个差值小于变化量阈值,则说明空调设备的工况趋于稳态,没有产生负荷变化,此时仅依靠各机组自身的负荷调节即可保证较优的能效比,无需对启停方案进行调整。
若差值大于或等于变化量阈值,则说明需要对启停方案进行调整,此时执行确定总负荷对应的冷水机组的启停方案集合的步骤。其中,变化量阈值可根据空调设备的额定负荷确定,如设置为额定负荷的10%。
本发明第二方面提供了一种空调设备的运行控制***,包括:存储器,被配置为存储计算机程序;处理器,被配置为执行计算机程序以实现如上述任一技术方案中提供的空调设备的运行控制方法,因此,该空调设备的运行控制***包括如上述任一技术方案中提供的空调设备的运行控制方法的全部有益效果,在此不再赘述。
本发明第三方面提供了一种空调器设备,包括:多台冷水机组,冷水机组包括压缩机、冷却水管、冷冻水管、换热器和节流装置;检测装置,检测装置被配置为获取冷冻水管的冷冻水出水温度、冷冻水进水温度和冷冻水流量,冷却水管的冷却水出水温度、冷却水回水温度和冷却水流量;如上述任一技术方案中提供的空调设备的运行控制***,空调设备的运行控制***与冷水机组和检测装置相连接。
在该技术方案中,空调设备包括如上述任一技术方案中提供的空调设备的运行控制***,因此,该空调设备包括如上述任一技术方案中提供的空调设备的运行控制***的全部有益效果,在此不再赘述。
本发明第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一技术方案中提供的空调设备的运行控制方法,因此,该计算机可读存储介质包括如上述任一技术方案中提供的空调设备的运行控制方法的全部有益效果,在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了根据本发明的一个实施例的空调设备的运行控制方法的流程图;
图2示出了根据本发明的一个实施例的空调设备的运行控制方法的另一个流程图;
图3示出了根据本发明的一个实施例的空调设备的运行控制方法的又一个流程图;
图4示出了根据本发明的一个实施例的空调设备的运行控制方法的再一个流程图;
图5示出了根据本发明的一个实施例的空调设备的运行控制方法的再一个流程图;
图6示出了根据本发明的一个实施例的空调设备的运行控制方法的再一个流程图;
图7示出了根据本发明的一个实施例的空调设备的运行控制方法的再一个流程图;
图8示出了根据本发明的一个实施例的空调设备的运行控制方法中冷水机组COP性能曲线示意图;
图9示出了根据本发明的一个实施例的空调设备的运行控制方法中冷水机组COP性能曲线对比图;
图10示出了根据本发明的一个实施例的空调设备的运行控制方法中另一个冷水机组COP性能曲线对比图;
图11示出了根据本发明的一个实施例的空调设备的运行控制***的结构框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图11描述根据本发明一些实施例所述空调设备的运行控制方法、空调设备的运行控制***、空调设备和计算机可读存储介质。
实施例一
如图1所示,在本发明的一个实施例中,提供了一种空调设备的运行控制方法,空调设备包括多台冷水机组,运行控制方法包括:
步骤S102,获取空调设备的运行数据集;
步骤S104,根据运行数据集确定空调设备的总负荷,并确定总负荷对应的冷水机组的启停方案集合;
步骤S106,根据运行数据集确定启停方案集合对应的任一冷水机组的第一能效参数,并根据第一能效参数确定启停方案集合中每一个启停方案对应的第二能效参数;
步骤S108,根据第二能效参数在启停方案集合中确定目标启停方案,并根据目标启停方案控制空调设备运行。
其中,运行数据集包括:空调设备的冷冻水出水温度,空调设备的冷冻水进水温度,空调设备的冷冻水流量,空调设备的冷却水出水温度,空调设备的冷却水回水温度和空调设备冷却水流量。
在步骤S106中,通过第一预设函数确定第一能效参数,通过第二预设函数确定第二能效参数。
第一预设函数具体为:
其中,COP为第一能效参数,且
为冷冻水流量修正系数,
为冷却水流量修正系数,且
b
1、b
2、b
3、b
4、b
5、b
6和b
7为拟合系数,拟合系数为常数,T
cw,in为冷却水进水温度,T
chw,out为冷冻水出水温度,Q为总负荷,M
chw为冷冻水流量,M
chw,des为冷冻水额定流量,M
cw为冷却水流量,M
cw,des为冷却水额定流量。
第二预设函数具体为:
其中,maxCOP为第二能效参数,Q为总负荷,Qi为第i台冷水机组对应的负荷,COPi为第i台冷水机组对应的第一能效参数。
在该实施例中,获取空调设备运行过程中的实时运行数据集,该运行数据集能够反应空调器的实际运行工况。通过运行数据集确定空调设备的总负荷,并根据总负荷对应的负荷区间,确定预设的包含了一种或多种启停方案的启停方案集合,并分别确定集合中对应的每一台冷水机组的第一能效参数。
然后,根据每一个启停方案中冷水机组的第一能效参数,进一步确定启停方案集合中的所有备选启停方案的第二能效参数,以得到启停方案集合中的每一个备选启停方案的较优COP,并通过比较确定COP最高的一个启停方案,并将COP最优的启停方案确定为目标启停方案,并对应控制空调设备运行。
运行数据集包括冷冻水的出水温度、进水温度和冷冻水流量,冷却水的出水温度、进水温度和冷却水流量,根据冷冻水和冷却水的参数可准确的反应空调设备的实际运行工况,进而使得确定启停方案为当前实际运行工况下能效比最优的方案,提高空调设备的运行控制效果。
通过提出一种COP回归函数,并提出一种COP优化函数,即第一预设函数和第二预设函数,可以通过第一预设函数准确的计算冷水机组的COP,即第一能效参数,进而可以保证最终确定的启停方案中,每一台启用的冷水机组均运行于较高COP区间。其中,b1至b7为拟合系数,拟合系数与空调器的实际制冷或制热能力相关。
并通过第二预设函数,即COP优化函数,根据由COP回归函数中求得的启停方案中每一台冷水机组的能效比COPi最终求得每一个备选启停方案的COP,结果准确且计算量小,可以有效地提高运行控制的准确度和运行效率。
本发明提供的实施例,通过获取实时的运行数据生成运行数据集,并进一步确定对应的每台冷水机组的COP,以及全部备选启停方案中每一个启停方案对应的较优COP,使得最终目标启停方案为当前运行工况下能效比最优的方案,进而有效地提高了空调设备的运行效率。
实施例二
如图2所示,在本发明的一个实施例中,空调设备的运行控制方法还包括:
步骤S202,接收拟合系数对应的设置指令,根据设置指令确定拟合系数;
步骤S204,接收拟合系数对应的更新指令,根据更新指令更新拟合系数。
在该实施例中,由于空调设备随着使用时间的增加,其输出能力可能会发生变化,因此每间隔预设时长,自服务器接收拟合系数对应的设置指令和更新指令,确定新的拟合指令或对现有的拟合指令进行更新,以保证COP回归函数的准确性,提高空调设备运行控制的可靠性和准确性。
实施例三
在本发明的一个实施例中,启停方案集合中包括多个启停方案,根据第二能效参数在启停方案集合中确定目标启停方案的步骤,具体包括:
通过粒子群优化算法对多个第二能效参数的适应度进行计算,并将适应度最高的第二能效参数对应的目标启停方案确定为目标启停方案。
在该实施例中,在确定了启停方案集合包含中多个启停方案时,通过粒子群优化算法对多个第二能效参数的适应度进行计算,最终比较得到适应度最高的第二能效参数,并选取该适应度最高的第二能效参数所对应的启停方案,作为目标启停方案,可有效地提高控制效果,进而提高了空调设备的运行能效。
其中,粒子群优化算法的步骤具体包括:
1、初始化粒子群算法的设置参数,主要包括粒子数、粒子维度、惯性权重、初始速度、学习因子以及中止条件等,并定义适应度函数。
2、对每个粒子的适应度进行评价。
3、对每个粒子,比较粒子适应值和其个体最优值pbest,将更优的一方作为当前pbest;同时比较粒子适应值和其群体最优值gbest,将更优的一方作为当前gbest。
4、根据下式分别更新粒子速度和粒子位置:
vj(t+1)=w×vj(t)+c1×R1(t)×(Pj(t)-xj(t))+c2×R2(t)×(Pg(t)-xj(t));
xj(t+1)=xj(t)+vj(t+1);
其中,n为群体中粒子的总数,vj为粒子的速度;w为惯性权重,Pj为个体极值,表示粒子自身搜索到的最优值,Pg为全局极值,表示粒子当前种群中的最优值,R1(t)和R2(t)是介于(0,1)之间的随机数,xj为粒子的当前位置,c1和c2为学习因子。
实施例四
如图3所示,在本发明的一个实施例中,空调设备的运行控制方法还包括:
步骤S302,获取空调设备的运行数据;
步骤S304,对运行数据进行数据清洗,以得到运行数据集。
在步骤S304中,对运行数据进行数据清洗,以得到运行数据集的步骤,如图4所示,具体包括:
步骤S402,对运行数据进行排序,以得到运行数据序列;
步骤S404,根据运行数据序列确定运行数据区间,并获取运行数据区间内的运行数据,并确定为第一数据集;
步骤S406,通过热卡填充法对第一数据集进行填充,以得到第二数据集;
步骤S408,确定第二数据集中每一个运行数据对应的工况特征,并获取第二数据集中,符合预设工况特征的工况特征对应的运行数据,并确定为运行数据集。
在该实施例中,对运行数据进行数据清洗,可分为以下几个步骤:
第一步,执行异常值剔除。具体地,根据数值大小对相同类别的运行数据进行排序,得到按照数值大小排列的运行参数序列,并根据运行参数序列确定目标参数区间,其中可计算运行参数序列的上、下四分位数值,并以上、下四分位数值作为边界值确定该目标参数区间的上、下边界,当运行参数超过目标运行参数的上、下边界的话,则判定数据异常。由于在运行过程中存在传感器漂移等情况,可能会造成运行参数出现异常大值和异常小值,因此将该部分数据剔除后,可得到更能反应正常运行情况的运行参数的第一数据集。
第二步,对第一数据集执行缺失值补充。具体地,若第一数据集中存在缺失的必要数据,则通过热卡填充法在机组历史运行数据库中寻找一个与缺失值最接近工况的历史参数,并通过该历史参数对缺失值进行补充,得到完整性更好的第二数据集。
第三步,对第二数据集进行稳定工况筛选。具体地,确定第二数据集中每一个运行数据对应的工况特征,并判断该工况特征是否满足预设工况。其中,在空调设备运行过程中,会出现如启停过程等极端运行条件,其对应的工况不稳定,因此仅获取第二数据集中处于稳定工况是的运行数据,并根据该运行参数生成运行数据集,进而可以保证空调设备的运行控制效果,有效地提高空调设备的运行能效。
由于运行数据集可能包括非正常运行数据,如传感器产生的零飘数据、网络传输过程中产生的数据缺失等,因此为了提高准确率,通过大数据清洗的方式,对运行数据进行数据清洗,以去除数据中的噪声数据,得到更加准确的运行数据集,进而提高控制和计算的准确率,提高空调设备的运行能效。
实施例五
在本发明的一个实施例中,目标启停方案包括目标冷水机组与目标冷水机组对应的启停状态和目标负荷率;根据目标启停方案控制空调设备运行的步骤,具体包括:控制目标冷水机组按照启停状态和目标负荷率工作。
如图5所示,空调设备的运行控制方法还包括:
步骤S502,确定总负荷在预设时长内的变化值;
步骤S504,确定变化值大于或等于变化量阈值,执行确定总负荷对应的冷水机组的启停方案集合的步骤。
在该实施例中,启停方案一方面包括了开启或关闭的目标冷水机组,同时还包括了目标冷水机组对应的启停状态和目标负荷率。其中,需要注意的时,启停方案中,所有开启的冷水机组的总负荷需要等于空调末端的总负荷,且每一台开启的冷水机组的负荷率要在该冷水机组的最大负荷率至最小负荷率之间。其中,最大负荷率为1,最小负荷率与冷水机组的性能相关。
确定总负荷在预设时长内的变化值。具体地,预设时长可根据***实际运行环境进行设置,如设置为15分钟,则在记录一次***的总负荷后,间隔15分钟后再次记录此时***的总负荷,并计算两次记录的总负荷的差值。如果这个差值小于变化量阈值,则说明空调设备的工况趋于稳态,没有产生负荷变化,此时仅依靠各机组自身的负荷调节即可保证较优的能效比,无需对启停方案进行调整。
若差值大于或等于变化量阈值,则说明需要对启停方案进行调整,此时执行确定总负荷对应的冷水机组的启停方案集合的步骤。其中,变化量阈值可根据空调设备的额定负荷确定,如设置为额定负荷的10%。
实施例六
在本发明的一个实施例中,以一个具体的冷水机组空调设备为例,对本发明实施例进行具体说明:
本发明实施例的主要包括一种冷水机组负荷优化分配群控方案,具体包括以下几点:
第一点,将大数据清洗方法应用在BMS原始数据的预处理上,获取冷水机组稳定运行工况的数据集;
第二点,提出冷水机组COP(Coefficient Of Performance,能效比)自适应在线回归模型,根据机组实时运行数据对机组COP进行自适应回归;
第三点,提出负荷区间寻优算法,根据中央空调***负荷确定冷水机组的启停组合方案;
第四点,提出冷水机组的COP优化模型,采用粒子群优化算法(Particle SwarmOptimization)对冷水机组COP优化模型进行求解,获取不同运行工况下机组整体最优COP;
第五点,根据机组每种启停组合下的COP优化结果,将最终优化结果输出给机组控制器,对冷水机组进行在线优化控制。
其中,BMS***采的冷水机组的运行参数主要包括:冷冻水出水温度、冷冻水回水温度、冷却水出水温度、冷却水回水温度、冷冻水流量。本实施例中采用的数据清洗过程包括异常值剔除、缺失值补充和稳定工况筛选。
异常值剔除的步骤,首先根据机组历史正常运行数据获取各个参数的上、下四分位数:包括Q3(上四分位数)和Q1(下四分位数),并计算四分位距:IQR=Q3-Q1,并得到参数的上、下边界:
Lup=Q3+1.5×IQR,Llow=Q1-1.5×IQR;
其中,Lup为上边界,Llow为下边界,Q3是上四分位数,Q1是下四分位数,IQR=Q3-Q1。
判断从BMS数据库中获取的每个运行参数是否位于上、下边界范围内,若是,则该数据保留;若否,则作为异常值剔除。
缺失值补充的步骤,可采用热卡填充法(Hot deck),在机组历史运行数据库中找到一个与当前缺失数据最接近的工况对应的数据,然后用这个相似工况的对应数据对缺失数据进行补充。
稳定工况筛选的目的是为了排除冷水机组在启停过程中产生的不稳定数据,避免造成COP回归模型的精度下降,稳定工况判定条件为:冷冻水进水温度-冷冻水出水温度≥2℃。
冷水机组COP回归方程采用以下函数:
其中,COP为第一能效参数,
为冷冻水流量修正系数,且
为冷却水流量修正系数,且
b
1、b
2、b
3、b
4、b
5、b
6和b
7为拟合系数,拟合系数为常数,T
cw,in为冷却水进水温度,T
chw,out为冷冻水出水温度,Q为总负荷,M
chw为冷冻水流量,M
chw,des为冷冻水额定流量,M
cw为冷却水流量,M
cw,des为冷却水额定流量。
中央空调***总负荷根据冷冻水供回水温差、冷冻水流量计算获得,计算公式如下:
Q=c×Mchw×(Tchw,in-Tchw,out);
其中,Q为总负荷,c为定压比热容,Mchw为冷冻水流量,Tchw,in为冷冻水进水温度,Tchw,out为冷冻水出水温度。
设置冷水机组负荷检测时间间隔为15min,负荷变化率为额定负荷的10%,即每隔15min判断当前中央空调***总负荷与上一次相比变化率是否超过额定负荷的10%,如果未超过则不对当前机组运行状态做调整,若超过则进入负荷优化流程。
对于不同的冷水机组启停方案,分别建立机组COP优化目标函数如下:
其中,maxCOP为第二能效参数,Q为总负荷,Qi为第i台冷水机组对应的负荷,COPi为第i台冷水机组对应的第一能效参数。
等式约束条件为:
其中,Q为总负荷,Qi为第i台水冷机组的负荷,PLRi为第i台冷水机组的负荷率,c为定压比热容,Mchw,i为第i台冷水机组的冷冻水流量,Tchw,in,i为第i台冷水机组的冷冻水进水温度,Tchw,out,i为第i台冷水机组的冷冻水出水温度。
该等式约束条件表示启停方案中每一台水冷机组的负荷的和等于空调设备的总负荷。
不等式约束条件为:
PLRmin≤PLRi≤PLRmax,i=1,2,...,n;
其中,PLRi为第i台水冷机组的负荷率,PLRmin为第i台冷水机组最小负荷率,比如可设置为0.2,PLRmax为第i台冷水机组最大负荷率,为1.0。
该不等式约束条件表示每一台水冷机组的负荷率要在最大负荷率和最小负荷率之间。
采用粒子群优化算法对冷水机组COP寻优过程,包括如下步骤:
1、初始化粒子群算法的设置参数,主要包括粒子数、粒子维度、惯性权重、初始速度、学习因子以及中止条件等,并定义适应度函数。
2、对每个粒子的适应度进行评价。
3、对每个粒子,比较粒子适应值和其个体最优值pbest,将更优的一方作为当前pbest;同时比较粒子适应值和其群体最优值gbest,将更优的一方作为当前gbest。
4、根据下式分别更新粒子速度和粒子位置:
vj(t+1)=w×vj(t)+c1×R1(t)×(Pj(t)-xj(t))+c2×R2(t)×(Pg(t)-xj(t));
xj(t+1)=xj(t)+vj(t+1);
其中,n为群体中粒子的总数,vj为粒子的速度;w为惯性权重,Pj为个体极值,表示粒子自身搜索到的最优值,Pg为全局极值,表示粒子当前种群中的最优值,R1(t)和R2(t)是介于(0,1)之间的随机数,xj为粒子的当前位置,c1和c2为学习因子。
重复上述步骤,直到找到最优的适应值,否则根据迭代终止条件结束寻优。比较每种机组启停组合方案下COP的寻优结果,选取最大COP启停的方案作为最终的优化结果,将每台机组的优化参数输出给机组控制器,从而控制机组压缩机转速及吸气量,使得当前工况下机组整体COP最大。
下面是本发明的一个具体实施例:
冷水机组COP自适应回归流程如图6所示:
步骤S602,建立冷水机组COP自适应回归模型;
步骤S604,确定机组COP自适应回归周期;
步骤S606,读取BMS数据库中冷水机组的冷冻水进、出水温度,冷却水进、出水温度、冷冻水流量和冷却水流量;
步骤S608,对运行参数进行数据清洗;
步骤S610,冷水机组COP数据集更新;
步骤S612,冷水机组COP自适应回归,输出回归系数。
在步骤S602中,在上位机或与上位机联网的服务器上建立COP自适应回归模型,用于对冷水机组COP做自适应在线回归。
在步骤S604中,确定机组COP自适应回归周期τ,即每隔一定时间COP自适应回归模型向BMS数据库发送数据调用请求。
在步骤S606中,COP自适应回归模块向BMS数据库发送数据调用请求,读取相邻两个周期间隔内的冷水机组运行数据,其中包括:冷冻水出水温度、冷冻水回水温度、冷却水出水温度、冷却水回水温度、冷冻水流量、冷却水流量。
在步骤S608中,COP自适应回归模块对读取参数进行数据清洗,清洗方法包括异常值剔除、缺失值补充和稳定工况筛选。
其中,异常值剔除的步骤,首先根据机组历史正常运行数据获取各个参数的上、下四分位数,:包括Q3(上四分位数)和Q1(下四分位数),并计算四分位距:IQR=Q3-Q1,并得到参数的上、下边界:
Lup=Q3+1.5×IQR,Llow=Q1-1.5×IQR;
其中,Lup为上边界,Llow为下边界,Q3是上四分位数,Q1是下四分位数,IQR=Q3-Q1。
判断从BMS数据库中获取的每个运行参数是否位于上、下边界范围内,若是,则该数据保留;若否,则作为异常值剔除。
缺失值补充的步骤,可采用热卡填充法(Hot deck),在机组历史运行数据库中找到一个与当前缺失数据最接近的工况对应的数据,然后用这个相似工况的对应数据对缺失数据进行补充。
稳定工况筛选的目的是为了排除冷水机组在启停过程中产生的不稳定数据,避免造成COP回归模型的精度下降,稳定工况判定条件为:冷冻水进水温度-冷冻水出水温度≥2℃。
在步骤S610中,将经过数据清洗后的BMS数据存入COP数据集,完成对数据集的更新。
在步骤S612中,在更新后的数据集上,采用最小二乘法对冷水机组COP进行自适应回归,并输出COP预测模型。
通过上述步骤,可以定期对冷水机组的运行性能进行回归预测,准确反映冷水机组COP的变化情况,为冷水机组负荷优化分配群控提供优化目标。
接下来,执行冷水机组负荷优化分配。
在建立冷水机组COP自适应回归模型的基础上,进一步采用负荷优化分配方法找出不同运行工况下冷水机组整体COP最优的工况点。冷水机组负荷优化分配流程如图7所示:
步骤S702,输入机组配置;
步骤S704,***运行数据采集;
步骤S706,检测负荷变化率;
步骤S708,判断是否满足负荷率大于设定值;是则进入步骤S710,否则返回步骤S704;
步骤S710,负荷区间寻优;
步骤S712,确定主机启停状态和台数;
对于启停组合1:
步骤S714,确定各主机部分负荷率;
步骤S716,确定冷水机组优化模型;
步骤S718,判断是否为最大COP;是则进入步骤S720,否则执行PSO优化算法并返回步骤S714;
步骤S720,确定当前组合最优COP1;
对于启停组合2:
步骤S722,确定各主机部分负荷率;
步骤S724,确定冷水机组优化模型;
步骤S726,判断是否为最大COP;是则进入步骤S728,否则执行PSO优化算法并返回步骤S722;
步骤S728,确定当前组合最优COP2;
对于启停组合n:
步骤S730,确定各主机部分负荷率;
步骤S732,确定冷水机组优化模型;
步骤S734,判断是否为最大COP;是则进入步骤S736,否则执行PSO优化算法并返回步骤S730;
步骤S736,确定当前组合最优COPn;
步骤S738,输出最优COPmax和优化参数。
其中,冷水机组负荷分配优化流程分为如下几个步骤:
步骤1:输入冷水机组的配置信息,包括每台机组的配置台数和额定工况参数。
步骤2:通过BMS采集空调***的运行参数,根据冷冻水供回水温差、冷冻水流量计算空调***的实时负荷。
步骤3:设置冷水机组负荷检测时间间隔为15min,该时间间隔可根据需求调整,负荷变化率阈值为额定负荷的10%,即每隔15min判断当前中央空调***总负荷与上一次相比变化率是否超过额定负荷的10%,如果未超过则不对当前机组运行状态做调整,若超过则进入负荷区间寻优流程。
步骤4:负荷区间寻优是通过将冷水机组所有可能的运行情况进行排列组合,找到不同的负荷区间,并判断当前空调***负荷属于哪一负荷区间,智能选择需要启停的冷水机组数量,以满足当前中央空调***总负荷。
需要说明的是,该寻优结果可能是一种,也可能是多种机组启停组合。举例说明,假设项目选用2台500RT,2台250RT冷水机组,计算当前空调***负荷为400RT,则此时负荷寻优结果可以是开1台500RT,或是开2台250RT。
步骤5:对于不同的冷水机组启停方案,分别建立机组COP优化目标函数如下:
其中,maxCOP为第二能效参数,Q为总负荷,Qi为第i台冷水机组对应的负荷,COPi为第i台冷水机组对应的第一能效参数。
等式约束条件为:
其中,Q为总负荷,Qi为第i台水冷机组的负荷,PLRi为第i台水冷机组的负荷率,c为定压比热容,Mchw,i为第i台冷水机组的冷冻水流量,Tchw,in,i为第i台冷水机组的冷冻水进水温度,Tchw,out,i为第i台冷水机组的冷冻水出水温度。
该等式约束条件表示启停方案中每一台水冷机组的负荷的和等于空调设备的总负荷。
不等式约束条件为:
PLRmin≤PLRi≤PLRmax,i=1,2,...,n;
其中,PLRi为第i台水冷机组的负荷率,PLRmin为第i台冷水机组最小负荷率,比如可设置为0.2,PLRmax为第i台冷水机组最大负荷率,为1.0。
该不等式约束条件表示每一台水冷机组的负荷率要在最大负荷率和最小负荷率之间。
采用粒子群优化算法(PSO,Particle Swarm Optimization)对上述最优化问题进行寻优。粒子群优化算法流程如下:
1、初始化粒子群算法的设置参数,主要包括粒子数、粒子维度、惯性权重、初始速度、学习因子以及中止条件等,并定义适应度函数。
2、对每个粒子的适应度进行评价。
3、对每个粒子,比较粒子适应值和其个体最优值pbest,将更优的一方作为当前pbest;同时比较粒子适应值和其群体最优值gbest,将更优的一方作为当前gbest。
4、根据下式分别更新粒子速度和粒子位置:
vj(t+1)=w×vj(t)+c1×R1(t)×(Pj(t)-xj(t))+c2×R2(t)×(Pg(t)-xj(t));
xj(t+1)=xj(t)+vj(t+1);
其中,n为群体中粒子的总数,vj为粒子的速度;w为惯性权重,Pj为个体极值,表示粒子自身搜索到的最优值,Pg为全局极值,表示粒子当前种群中的最优值,R1(t)和R2(t)是介于(0,1)之间的随机数,xj为粒子的当前位置,c1和c2为学习因子。
循环步骤2至4,直到找到最优的适应值,否则根据迭代终止条件结束寻优。
通过解上述最优化问题,获取每种机组启停组合方案下的最优COP,并选取最大COP启停的方案作为最终优化结果输出,同时获取每台机组的优化负荷并输出给机组控制器,从而控制机组压缩机转速及吸气量。
下面是具体的数据分析:
假设某工程配置4台离心式冷水机组,其中2台额定制冷量为1000kW,2台额定制冷量为500kW,额定负荷500kW冷水机组和额定负荷1000kW冷水机组COP性能曲线如图8所示。
由于4台冷水机组总冷量为3000kW,取空调***冷负荷变化范围为:0至3000kW,机组运行工况参数为:冷却水进水温度31℃,冷冻水出水温度7℃。
图9为传统群控方法(图9左)和负荷优化分配群控方法机组负荷率(图9右)对比,其中PLR01,PLR02为两台额定制冷量为500kW机组的部分负荷率,PLR03,PLR04为两台额定制冷量为1000kW机组的部分负荷率。在传统群控模式下,机组根据空调负荷按顺序开启,当一台主机冷负荷超过其额定冷量时,开启下一台主机,每台机组的负荷率都不相同;在负荷优化分配群控模式下,当开启主机台数超过1台时,对相同额定冷量的机组分配相同的负荷。
图10为传统群控方法(图10左)和负荷优化分配群控方法(图10右)机组能耗与COP对比。
可以看出,采用负荷优化分配群控方法机组在不同空调负荷下,机组整体能耗降低,COP有明显提高,平均能耗减少6.4%,平均COP提升7.2%。说明基于负荷优化分配的冷水机组群控方法可以有效提升机组的运行效率,从而降低建筑能耗。
实施例七
如图11所示,在本发明的一个实施例中,提供了一种空调设备的运行控制***1100,包括:存储器1102,被配置为存储计算机程序;处理器1104,被配置为执行计算机程序以实现如上述任一实施例中提供的空调设备的运行控制方法,因此,该空调设备的运行控制***1100包括如上述任一实施例中提供的空调设备的运行控制方法的全部有益效果,在此不再赘述。
实施例八
在本发明的一个实施例中,提供了一种空调器设备,包括:多台冷水机组,冷水机组包括压缩机、冷却水管、冷冻水管、换热器和节流装置;检测装置,检测装置被配置为获取冷冻水管的冷冻水出水温度和、冻水进水温度和冷冻水流量,冷却水管的冷却水出水温度、冷却水回水温度和冷却水流量;如上述任一实施例中提供的空调设备的运行控制***,空调设备的运行控制***与冷水机组和检测装置相连接。
在该实施例中,空调设备包括如上述任一实施例中提供的空调设备的运行控制***,因此,该空调设备包括如上述任一实施例中提供的空调设备的运行控制***的全部有益效果,在此不再赘述。
实施例九
在本发明的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一实施例中提供的空调设备的运行控制方法,因此,该计算机可读存储介质包括如上述任一实施例中提供的空调设备的运行控制方法的全部有益效果,在此不再赘述。
本发明的描述中,术语“多个”则指两个或两个以上,除非另有明确的限定,术语“上”、“下”等指示的方位或位置关系为基于附图所述的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本发明中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。