CN111737857A - 一种基于互动能力曲线的暖通空调集群协调控制方法 - Google Patents
一种基于互动能力曲线的暖通空调集群协调控制方法 Download PDFInfo
- Publication number
- CN111737857A CN111737857A CN202010477196.9A CN202010477196A CN111737857A CN 111737857 A CN111737857 A CN 111737857A CN 202010477196 A CN202010477196 A CN 202010477196A CN 111737857 A CN111737857 A CN 111737857A
- Authority
- CN
- China
- Prior art keywords
- hvac
- interaction
- capacity curve
- interaction capacity
- building
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
Description
技术领域
本发明涉及暖通空调集群控制领域,尤其是涉及一种基于互动能力曲线的暖通空调集群协调控制方法。
背景技术
伴随常规发电建设紧缩、空调负荷稳定增长和电动汽车负荷的爆发式增长,电网的季节性尖峰负荷、时段性高峰负荷矛盾日益突出。同时,风、光等可再生能源发电比例正在迅速增加,导致发电侧调节能力大幅下降。为应对这种趋势,希望利用需求响应(demandresponse,DR)技术提高负荷侧参与电力***运行调节的能力。
空调负荷已成为十分重要的需求侧资源,一方面,空调负荷在负荷结构中的占比越来越高,已占我国夏季高峰负荷的30%~40%,经济发达地区甚至能够达到50%;另一方面,由于建筑物具有热惯性,对空调负荷进行短时调控对舒适度影响较小,因此,使空调负荷规模化参与电网调度,是实现夏季用电高峰时段电网负荷削减的有效方式。
作为空调负荷中的重要组成部分,商业楼宇暖通空调***(heating ventilationand air conditioning,HVAC)因负荷容量较大、对社会生产影响较小,是参与电力***调峰等辅助服务的重要资源,现有HVAC调控方法主要源自美国劳伦斯-伯克利国家实验室需求响应中心在2007年发布的技术报告。国内的实践中大多采用直接控制HVAC主机、水泵、冷水塔等设备的方法,但以上方法存在如下问题:
(1)很多控制方法实施后对用户舒适度的影响具有未知性。例如,难以预知关闭1台制冷主机后对用户的影响程度;
(2)不同类型HVAC***的控制方法不具有通用性,并可能需对HVAC各子***进行联控,否则,若仅调整主机运行参数(如提高主机出水温度)而不调整末端温度,则由于实际负荷需求未发生变化,最终仍达不到调控效果;
(3)DR***需直接控制HVAC主机等设备,易导致***低效运行并存在控制风险。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于互动能力曲线的暖通空调集群协调控制方法。
本发明的目的可以通过以下技术方案来实现:
一种基于互动能力曲线的暖通空调集群协调控制方法,包括以下步骤:
1)对于商业楼宇的HVAC***,通过物理建模构建物理仿真模型;
2)根据物理仿真模型得到商业楼宇互动能力曲线;
3)根据各商业楼宇HVAC的互动能力曲线和基准功率进行聚合形成总互动能力曲线;
所述的步骤1)中,通过物理建模法,并采用但不限于EnergyPlus作为建筑能耗模拟软件构建物理仿真模型。
在构建物理仿真模型中,输入两类固定模型信息和两类扰动信息,两类固定模型信息包括三维BIM模型信息和HVAC***模型信息,所述的三维BIM模型信息包括建筑物外形、朝向、结构、材料以及遮阳信息,所述的HVAC***模型信息包括HVAC主机、水或空气回路以及末端设备等信息,两类扰动信息通过日前预测获得,包括温湿度预测信息和热负荷预测信息。
所述的步骤2)中,商业楼宇互动能力曲线的表达式为:
ΔPDR=f(ΔTG;ξ)
其中,ΔPDR为互动时段内的HVAC的平均互动功率,ΔTG为全局温度调节值,ξ为影响互动能力的扰动变量。
所述的影响互动能力的扰动变量包括两类:环境温度和湿度、楼宇内热负荷,所述的楼宇内热负荷包括基本热负荷和随机热负荷,所述的随机热负荷具体为楼宇内人员和照明。
所述的步骤3)中,总互动能力曲线D-1(ΔTG)的表达式为
d-1(ΔTG)=f(ΔTG;ξ)
其中,下标m表示第m个HVAC负荷,M为HVAC总数。
所述的步骤4)中,总互动目标功率与总互动能力曲线的交点即为出清点。
所述的步骤4)中,当各HVAC的温度调整值相等时,总体舒适度代价最小。
所述的总体舒适度代价的最优化目标表达式为:
c=α·ΔTG 2
其中,α为与建筑物的热容量正相关的权重系数,c为舒适度代价函数,Preq为总互动目标功率。
与现有技术相比,本发明具有以下优点:
附图说明
图1为仿真建模过程。
图2为HVAC互动能力曲线。
图3为聚合与分解算法。
图4为室外温度预测误差对HVAC功率的影响,其中,图(4a)为室外温度,图(4b)为功率响应。
图5为人员数量预测误差对HVAC功率的影响。
图6为照明预测误差对HVAC功率的影响。
图7为互动能力预测曲线,其中,图(7a)为中型办公楼HVAC互动能力预测曲线,图(7b)为酒店HVAC互动能力预测曲线,图(7c)为单体零售店HVAC互动能力预测曲线,图(7d)为购物中心HVAC互动能力预测曲线,图(7e)为总互动能力曲线。
图8为不同GTA时的聚合商响应功率,其中,图(8a)为ΔTc=-2℃时的聚合商响应功率,图(8b)为ΔTc=-1.5℃时的聚合商响应功率,图(8c)为ΔTc=-1℃时的聚合商响应功率,图(8d)为ΔTc=-0.5℃时的聚合商响应功率,图(8e)为ΔTc=0.5℃时的聚合商响应功率,图(8f)为ΔTc=1℃时的聚合商响应功率,图(8g)为ΔTc=1.5℃时的聚合商响应功率,图(8h)为ΔTc=2℃时的聚合商响应功率,图(8i)为图(8h)的局部放大图。
图9为不同类型楼宇内部温度分布图,其中,图(9a)为中型办公楼的内部温度分布图,图(9b)为酒店的内部温度分布图,图(9c)为单体零售店的内部温度分布图,图(9d)为购物中心的内部温度分布图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明提供一种基于互动能力曲线的暖通空调集群协调控制方法,本方法能更好管控用户舒适度和隐私数据,并能为聚合商提供聚合和协调大规模HVAC负荷的高效、通用方法。
1、现有的HVAC调控方法
国内实践中大多采用直接控制HVAC主机、水泵、冷水塔等设备的方法,表1给出了部分调控方法及其经验性效果
表1 HVAC的典型调控方法
GTA方法是指由HVAC的能源管理控制***(energy management and controlsystem,EMCS)向所有末端温区控制器(如风机盘管、变风量控制箱等)发送统一的温度调节值。与其它方法相比,GTA具有如下优点:
(1)GTA对用户舒适度的影响是可预知、可控的,且各温区均匀承担调控指令。此外,GTA既可采用绝对调整法(即将设定值调至同一温度),也可采用相对调整法(即将现有设定值调整相同度数),从而适应个性化要求较高的商业楼宇;
(2)GTA是EMCS的通用功能,能够广泛适应于各类HVAC***,无需为了满足电网互动需要而对***做专门改造;
(3)在实施GTA时,仍由原有EMCS协调HVAC各子***,更容易保证HVAC***运行的安全性与经济性。
因此,文献Motegi N.Introduction to Commercial Building ControlStrategies and Techniques for Demand Response[R].Lawrence Berkeley NationalLaboratory(USA),2007将GTA列为优先调控方法。但相对其他方法,GTA方法不容易得到HVAC预期的功率变化。本发明将重点解决这个问题。不失一般性,本发明针对夏季制冷场景开展研究。
2、HVAC互动能力的统一表示方法
2.1、HVAC互动能力
定义HVAC的互动功率为:
ΔPt DR=Pt DR-Pt base (1)
式中:Pt base为HVAC在t时的基准功率;Pt DR为响应后的实际功率(后文称为响应功率)。规定当响应功率低于基准功率(下调节)时,互动功率为负数。
在互动时段(一般为1h~2h)内,ΔPt DR是动态变化的。实际中可取平均值表征HVAC在该时段的互动能力,即:
式中:Γ为互动时段。
以ΔTG表示全局温度调节值(单位为℃)。则HVAC的互动能力用如下函数表示:
ΔPDR=f(ΔTG;ξ) (3)
式中:ξ表示影响互动能力的扰动变量。
本发明考虑如下两类扰动变量:(1)环境温度和湿度;(2)楼宇内热负荷,包括基本热负荷和随机热负荷。对于后者,本发明主要考虑楼宇内人员和照明,这两类随机热负荷的波动特征与建筑类型具有较强相关性。
2.2、HVAC互动能力的物理建模预测方法
针对特定商业楼宇的HVAC***,为了获得式(3)所描述的预测模型,可采用数据回归法、灰箱(grey box)建模法以及物理建模法。
数据回归法根据历史统计数据构造预测模型,该模型与楼宇及HVAC的物理结构不存在直接联系,是一种黑箱模型。该方法的困难在于,对于特定HVAC,影响其响应能力的外部环境和内部热负荷场景数量众多,实际中难以获得足够的样本数量,从而无法保证预测精度。
物理建模法需要建立楼宇的三维围护结构模型以及HVAC的物理模型,该模型属于白箱模型。该方法在理论上能够建立精准的预测模型,但实际中对于大型楼宇,建模工作量十分巨大。
灰箱模型介于黑箱与白箱模型之间,代表性灰箱模型为等效热参数(equivalentthermal parameter,ETP)模型,即将楼宇热工模型等值为低阶RC模型。但该方法仅适应于居民住宅等小型建筑物。对于大型商业楼宇,降阶等值会导致很大误差。
为提高商业楼宇互动能力的预测精度,本发明采用物理建模法,并以EnergyPlus作为建筑能耗模拟软件,该软件经过了国际能源组织的性能验证项目的评估,具有较强的实用性。仿真中需要输入两类固定模型信息和两类扰动信息,如图1所示。
两类固定模型包括建筑围护结构以及HVAC***模型。前者包括建筑物外形、朝向、结构、材料以及遮阳等详细信息;后者包括HVAC主机、水或空气回路以及末端设备等信息。随着智慧城市建设进程的推进,建筑信息建模(building information modeling,BIM)技术在现代建筑中得到了越来越广泛的应用。为大幅度降低物理建模的工作量,可以自动或半自动方式从BIM中提取EnergyPlus所需的能效仿真数据。对于已建成楼宇,这类模型一旦建立则在很长时间内保持不变。
两类扰动信息包括环境温湿度和内部热负荷,通过日前预测得到。对不同功能属性的商业楼宇,其运营时间以及人员、照明的变化规律不同,故预测方法与难度各异。限于篇幅,本发明不对环境和负荷预测问题展开讨论。
2.3、HVAC互动能力曲线
首先输入在日前预测式(3)中的扰动变量ξ,然后设定不同的GTA值ΔTG,利用图1建立的物理仿真模型计算相应的互动功率ΔPDR,最终形成如图2所示的HVAC互动能力曲线。将该曲线记为d-1(ΔTG),显然有d-1(ΔTG)=f(ΔTG;ξ)。
上述互动能力曲线具有两个优点。一是能统一、直观的表示各种商业楼宇内任意类型HVAC***的灵活性,二是有效屏蔽了楼宇和HVAC***的结构与关键参数,有助于保护用户隐私。
3、互动能力的聚合与分解方法
3.1、聚合与分解算法
设由负荷聚合商对多个商业楼宇进行聚合后再参与电网互动。该聚合商采用如下两个算法。
(1)聚合算法
聚合商收集各商业楼宇HVAC的互动能力曲线和基准功率,根据式(4)聚合形成总互动能力曲线D-1(ΔTG),如图3(b)所示。
式中:下标m表示HVAC负荷,M为HVAC总数。
图3(b)能向调度可视化的展示聚合商的总互动能力;同时,在大规模应用中,上述算法还支持从配网片区、区域电网到省级电网的多级聚合。
(2)分解算法
聚合商收到电网下发的总互动目标功率后,通过求取与总互动能力曲线的交点完成虚拟出清,记出清点的GTA值为如图3(c)所示;然后将作为协调信号发给各HVAC。在理想情况下,当HVAC响应后,其实际互动功率应等于分解的互动目标,即如图3(d)所示。这样,所有HVAC的总互动功率就满足了电网的总互动目标。
3.2最优性证明
当ΔTG范围较小时,式(3)可做如下线性近似:
ΔPDR=-α·ΔTG (5)
式中:系数α≥0与建筑物的热容量正相关,热容量越大,则响应相同ΔTG能提供更大的互动功率。
HVAC以损失舒适度为代价参与电网互动。定义其代价函数为如下二次函数:
c=α·ΔTG 2 (6)
式中:以α为权重系数是为了区分不同规模楼宇的舒适度损失程度。
求解如下优化问题:
式中:m代表不同HVAC;目标函数为最小化总体舒适度代价;约束条件中Preq为总互动目标功率。
松弛式(7)的等式约束,可得:
式中:λ为拉格朗日乘子。
将式(5)和(6)代入式(8),可推导出最优解应满足:
上式表明,当各HVAC的温度调整值相等时,总体舒适度代价最小。
4、仿真分析
4.1、算例设计
选择中型办公楼、酒店、单体零售店、购物中心等4类典型商业楼宇进行仿真,各类楼宇的对比如表2所示。详细参数以美国能源部提供的商业楼宇参考模型为基准进行设置,HVAC机组采用DOE2模型,内部热负荷根据楼宇特征随机设置。选择夏季典型日(7月23日)进行仿真,互动时段设为上午11:00-12:00,仿真步长为10分钟。仿真软件为EnergyPlus和matlab。
表2典型商业楼宇
4.2、扰动变量预测误差的影响
本发明的物理建模预测法的性能会受到扰动变量预测误差的影响。限于篇幅,本发明以酒店为例进行仿真分析。
目前室外温度的日前预测误差可达到±1.2℃以内。图4给出了室外温度和HVAC功率的预测值与实际值。
图5给出了楼宇内人员数量预测误差对于HVAC功率的影响。结果表明,20%的人员预测误差将导致约3%的HVAC功率预测误差。
图6给出了楼宇内部照明预测误差对于HVAC功率的影响。结果表明,20%的照明预测误差将导致约0.8%的HVAC功率预测误差。可见,照明对HVAC功率的影响相对较小。
综上可见,结合环境温度和内部热负荷的预测技术,本发明基于物理建模的仿真方法能较好预测商业楼宇的HVAC功率。这样即可在日前预测HVAC的互动能力。
4.3、互动能力预测曲线
本节根据各类扰动因素的日前预测数据,形成了12个商业楼宇HVAC的互动能力预测曲线。其中,室外温度取图4的预测值;对于人员预测误差,中型办公楼取±10%(±代表随机取正误差或负误差,下同),其余类型楼宇取±20%;对于照明预测误差,办公楼和购物中心取±10%,其余类型楼宇取±20%。
图7a-7d给出了每类商业楼宇的一个代表性互动能力曲线;基于式(4)的聚合算法,形成了图7(e)的总互动能力预测曲线。在各图形下方,还给出了互动开始时HVAC基准负荷的预测值。
由图可见,在较小的ΔTG范围内,互动功率ΔPDR与ΔTG近似满足式(5)的线性关系。对于图中示例的购物中心,当ΔTG低于-1℃时,可观察到由于HVAC制冷量不足,无法进一步增大功率。
4.4、日内实际功率响应情况
由图7(b),调度能够直观看出该聚合商所能提供的上、下调节能力。假设调度要求削减200kW负荷,则聚合商利用3.1节提出的分解算法,求取ΔPDR=-200kW与图7(b)中总互动能力预测曲线的交点,得到各HVAC响应该GTA信号,即可达成互动目标。但在实际中,应考虑到HVAC温度调节的分辨率有限,实际下发的ΔTG协调信号不应超出HVAC的调节分辨率。
设互动时段为11:00~12:00,HVAC的温度调节分辨率为0.5℃,图8给出了ΔTG为-2℃到2℃时聚合商的实际响应功率。图中的总目标响应功率为ΔPDR+1262.2kW,后者为在互动初始时刻的基准功率的预测值。由图可见,HVAC集群能够较好的跟踪目标响应功率;采用GTA方法,HVAC的功率响应存在约10分钟的延迟;在互动结束后,HVAC功率会发生一定程度的反弹。
4.5、舒适度影响分析
本发明方法的重要优势是对用户舒适度的影响是可预知、可控的,且所有温区能均匀承担调控指令。图9是日内响应阶段在不同ΔTG设定值下,从各类楼宇取一个代表性建筑统计了内部各温区的温度分布情况。
总体上看楼宇内部平均温度都在目标ΔTG附近;纵向比较,各楼宇无论规模大小,室温受影响程度基本均衡。但随着|ΔTG|的增大,部分楼宇的某些空间温度并未达到设定ΔTG。原因分析如下:
(1)对比图7可见,由于购物中心HVAC的制冷量不足导致空间温度并未降低到设定值;
(2)图9中统计的是互动时段内的平均温度,由于建筑物存在热惯性,HVAC对于空间温度的调节存在滞后性,因此均值低于设定值;
(3)各末端温区所处位置的不同会导致受到室外条件变化的影响程度不同。如建筑顶层空间相比于建筑底层空间更“接近室外”,在夏季感受到的室外温度更高,需要的制冷量更大,制冷时间也更长,在规定的响应时间内还未降到规定温度。
5、结论
根据BIM技术在现代建筑中获得日益广泛应用的情况,本发明提出了商业楼宇互动能力的物理建模预测方法,能够结合环境温度和内部热负荷的预测技术,对HVAC互动能力做出预测。
较之其它调控方法,GTA方法对用户舒适度的影响具有可预知性。利用上述物理建模方法,本发明基于GTA方法建立了互动能力曲线,能够统一表示各种商业楼宇HVAC相同的灵活性,并有助于保护用户隐私。
基于互动能力曲线,本发明模拟投标与出清的思路,提出了多个商业楼宇互动能力的聚合与分解算法,该算法具有计算量小、可扩展性高、通用性强的优点,且能最小化总体舒适度损失。
Claims (10)
2.根据权利要求1所述的一种基于互动能力曲线的暖通空调集群协调控制方法,其特征在于,所述的步骤1)中,通过物理建模法,并以EnergyPlus作为建筑能耗模拟软件构建物理仿真模型。
3.根据权利要求2所述的一种基于互动能力曲线的暖通空调集群协调控制方法,其特征在于,在构建物理仿真模型中,输入两类固定模型信息和两类扰动信息,两类固定模型信息包括三维BIM模型信息和HVAC***模型信息,所述的三维BIM模型信息包括建筑物外形、朝向、结构、材料以及遮阳信息,所述的HVAC***模型信息包括HVAC主机、水或空气回路以及末端设备信息,两类扰动信息通过日前预测获得,包括温湿度预测信息和热负荷预测信息。
4.根据权利要求1所述的一种基于互动能力曲线的暖通空调集群协调控制方法,其特征在于,所述的步骤2)中,商业楼宇互动能力曲线的表达式为:
ΔPDR=f(ΔTG;ξ)
其中,ΔPDR为互动时段内的HVAC的平均互动功率,ΔTG为全局温度调节值,ξ为影响互动能力的扰动变量。
5.根据权利要求4所述的一种基于互动能力曲线的暖通空调集群协调控制方法,其特征在于,所述的影响互动能力的扰动变量包括两类:环境温度和湿度、楼宇内热负荷,所述的楼宇内热负荷包括基本热负荷和随机热负荷,所述的随机热负荷具体为楼宇内人员和照明。
7.根据权利要求6所述的一种基于互动能力曲线的暖通空调集群协调控制方法,其特征在于,所述的步骤4)中,总互动目标功率与总互动能力曲线的交点即为出清点。
8.根据权利要求7所述的一种基于互动能力曲线的暖通空调集群协调控制方法,其特征在于,当各HVAC响应GTA值ΔTG *后,其实际互动功率等于分解的互动目标功率,即d-1(ΔTG *)。
9.根据权利要求6所述的一种基于互动能力曲线的暖通空调集群协调控制方法,其特征在于,所述的步骤4)中,当各HVAC的温度调整值相等时,总体舒适度代价最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010477196.9A CN111737857A (zh) | 2020-05-29 | 2020-05-29 | 一种基于互动能力曲线的暖通空调集群协调控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010477196.9A CN111737857A (zh) | 2020-05-29 | 2020-05-29 | 一种基于互动能力曲线的暖通空调集群协调控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111737857A true CN111737857A (zh) | 2020-10-02 |
Family
ID=72648001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010477196.9A Pending CN111737857A (zh) | 2020-05-29 | 2020-05-29 | 一种基于互动能力曲线的暖通空调集群协调控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111737857A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560160A (zh) * | 2020-12-24 | 2021-03-26 | 国网上海市电力公司 | 模型和数据驱动的暖通空调最优设定温度获取方法及设备 |
CN113255968A (zh) * | 2021-04-30 | 2021-08-13 | 中国能源建设集团天津电力设计院有限公司 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
CN114279235A (zh) * | 2021-12-29 | 2022-04-05 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
-
2020
- 2020-05-29 CN CN202010477196.9A patent/CN111737857A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560160A (zh) * | 2020-12-24 | 2021-03-26 | 国网上海市电力公司 | 模型和数据驱动的暖通空调最优设定温度获取方法及设备 |
CN112560160B (zh) * | 2020-12-24 | 2024-04-23 | 国网上海市电力公司 | 模型和数据驱动的暖通空调最优设定温度获取方法及设备 |
CN113255968A (zh) * | 2021-04-30 | 2021-08-13 | 中国能源建设集团天津电力设计院有限公司 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
CN113255968B (zh) * | 2021-04-30 | 2022-09-16 | 中国能源建设集团天津电力设计院有限公司 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
CN114279235A (zh) * | 2021-12-29 | 2022-04-05 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
CN114279235B (zh) * | 2021-12-29 | 2024-05-10 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hui et al. | Operating reserve evaluation of aggregated air conditioners | |
CN110866641A (zh) | 计及源储荷协同的多能互补***两级优化调度方法及*** | |
Karaguzel et al. | Coupling of whole-building energy simulation and multi-dimensional numerical optimization for minimizing the life cycle costs of office buildings | |
Moon | Performance of ANN-based predictive and adaptive thermal-control methods for disturbances in and around residential buildings | |
CN111737857A (zh) | 一种基于互动能力曲线的暖通空调集群协调控制方法 | |
CN113793010B (zh) | 面向多元负荷联合控制策略的构建方法及空调控制方法 | |
Meng et al. | Thermal energy storage air-conditioning demand response control using elman neural network prediction model | |
Wang et al. | Cooling seasonal performance of inverter air conditioner using model prediction control for demand response | |
CN113222227B (zh) | 基于建筑特性和虚拟电厂的建筑综合能源***调度方法 | |
Xu et al. | Supply demand coordination for building energy saving: Explore the soft comfort | |
Joe et al. | Virtual storage capability of residential buildings for sustainable smart city via model-based predictive control | |
Li et al. | Predicting HVAC energy consumption in commercial buildings using multiagent systems | |
Attia et al. | Building performance optimization of net zero‐energy buildings | |
Anvari-Moghaddam et al. | Load shifting control and management of domestic microgeneration systems for improved energy efficiency and comfort | |
Mugnini et al. | Energy flexibility curves to characterize the residential space cooling sector: The role of cooling technology and emission system | |
Yang et al. | Strategy of constructing virtual peaking unit by public buildings' central air conditioning loads for day-ahead power dispatching | |
Wang et al. | Demand response via optimal pre-cooling combined with temperature reset strategy for air conditioning system: A case study of office building | |
Yuan et al. | Two-level collaborative demand-side management for regional distributed energy system considering carbon emission quotas | |
CN109343461A (zh) | 一种楼宇自动化控制***的节能控制方法 | |
CN113566401A (zh) | 需求侧负荷控制方法 | |
CN111523697A (zh) | 一种综合能源服务成本分摊与定价计算方法 | |
Zhao et al. | Online management framework for building HVAC systems considering peak shaving and thermal comfort: An experimental study | |
Nakabe et al. | Environmental-amenity aware controller for demand side management | |
CN110263974B (zh) | 一种基于分布式优化算法的区域能量管理***及管理方法 | |
Teo et al. | Energy management controls for chiller system: A review |
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 |