CN112257779A - 一种中央空调自学习工况参数获取方法 - Google Patents

一种中央空调自学习工况参数获取方法 Download PDF

Info

Publication number
CN112257779A
CN112257779A CN202011137831.5A CN202011137831A CN112257779A CN 112257779 A CN112257779 A CN 112257779A CN 202011137831 A CN202011137831 A CN 202011137831A CN 112257779 A CN112257779 A CN 112257779A
Authority
CN
China
Prior art keywords
data
air conditioning
self
conditioning unit
learning module
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
Application number
CN202011137831.5A
Other languages
English (en)
Inventor
余鸿跃
吴友林
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.)
Chongqing Centre Energy Green Blue Environment Technology Co ltd
Original Assignee
Chongqing Centre Energy Green Blue Environment Technology Co ltd
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 Chongqing Centre Energy Green Blue Environment Technology Co ltd filed Critical Chongqing Centre Energy Green Blue Environment Technology Co ltd
Priority to CN202011137831.5A priority Critical patent/CN112257779A/zh
Publication of CN112257779A publication Critical patent/CN112257779A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • 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
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明针对现有技术中存在的技术问题，提供一种中央空调自学习工况参数获取方法，通过数据采集器连接空调以采集空调机组设备的运行参数；所述数据采集器完成数据采集后对其所采集的数据进行过滤筛选，并通过计算，得到空调机组的实时冷冻水流量，再计算出空调机组的实时冷量值，以此得到空调机组冷量数据和空调机组负荷值；所述数据采集器将所采集的数据发送给自学习模块并按照表格形式存储，所述自学习模块存储的数据量组数达到设定阈值时，所述自学习模块采用K近邻算法和多元线性回归算法对存储的数据进行分析，为空调机组设备深度节能控制提供必需的专业数据分析支撑。

Description

一种中央空调自学习工况参数获取方法
技术领域
本发明涉及空调控制技术领域，具体涉及一种中央空调自学习工况参数获取方法。
背景技术
公共建筑能耗占比中，中央空调能耗占比达50％以上，中央空调***结构主要由三大部分组成：制冷机组，空调水***和空调风***。其中，制冷机组又占空调***整体能耗的50％左右，所以建筑节能在于中央空调节能，中央空调节能重点在于制冷机组。由于中央空调机组运行时的工况每时每刻都不尽相同，所以了解中央空调机组变工况参数是空调机组节能控制的关键点之一。
市场上大多数的中央空调智能节能控制***，由于是非空调设备品牌厂家，所以并不了解中央空调机房中空调机组设备的多工况性能参数，或者获取的参数不全面，无法做到针对的空调机组设备的深度节能控制，如果在未知空调机组设备的多工况性能参数前提下，通过一定的在线实时监测技术手段获取空调机组设备的实时运行数据，再通过软件自学习实现生成空调机组设备的多工况参数特性曲线，为空调机组设备深度节能控制提供必需的数据支撑。
发明内容
本发明针对现有技术中存在的技术问题，提供一种中央空调自学习工况参数获取方法，采用传统的自动化监测手段下，将采集的空调机组设备运行数据通过软件大数据分析和自学习功能，生成空调机组设备的多工况参数特性曲线和数据库，为空调机组设备深度节能控制提供必需的专业数据分析支撑，使中央空调智能节能控制***针对第三方品牌的空调机组设备的深度节能控制成为可能。
本发明解决上述技术问题的技术方案如下：本发明公开了一种中央空调自学习工况参数获取方法，通过数据采集器连接空调以采集空调机组设备的运行参数；所述数据采集器完成数据采集后对其所采集的数据进行过滤筛选，并通过计算，得到空调机组的实时冷冻水流量，再计算出空调机组的实时冷量值，以此得到空调机组冷量数据和空调机组负荷值；所述数据采集器将所采集的数据发送给自学习模块并按照表格形式存储，所述自学习模块存储的数据量组数达到设定阈值时，所述自学习模块采用K近邻算法和多元线性回归算法对存储的数据进行分析，其具体分析步骤如下：首先对数据按照K近邻算法进行处理，对同类型数据的相邻两组数据经分析后进行精确的分类存储；然后再采用多元线性回归算法进行处理；自学习模块将通过K近邻算法和多元线性回归算法处理后的数据形成多坐标散点图和多工况性能曲线图，并将该结果输出给中央空调节能控制***为其提供控制的数据依据。
作为优选的，所述数据采集器包括用于对空调机组电量和功率进行监测的智能电表，用于对冷冻水进出温度进行采集的冷冻水温度传感器，用于对冷却水进出温度进行采集的冷却水温度传感器，用于对冷冻水进出水压进行采集的水压差传感器。
作为优选的，设定的自学习模块存储的数据量组数的阈值为不小于50组。
作为优选的，所述自学习模块包括数据库，所述数据采集器以及数据处理过程中的数据存储在数据库内。
本发明的有益效果是：本发明提供了一种中央空调自学习工况参数获取方法，采用传统的自动化监测手段下，将采集的空调机组设备运行数据通过软件大数据分析和自学习功能，生成空调机组设备的多工况参数特性曲线和数据库，为空调机组设备深度节能控制提供必需的专业数据分析支撑，使中央空调智能节能控制***针对第三方品牌的空调机组设备的深度节能控制成为可能。
附图说明
图1为本发明的数据存储形式示意图一；
图2为本发明的数据存储形式示意图二；
图3为本发明的数据存储形式示意图三；
图4为本发明的数据存储形式示意图四；
图5为本发明的流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，本实施例公开了一种中央空调自学***方与额定流量的比值)计算，计算出空调机组的实时冷冻水流量Vs，再通过冷冻水进出水温度参数结合冷量计算公式Q＝Cp*r*Vs*ΔT(Q:热负荷、Cp:定压比热、r:比重量、Vs:水流量、ΔT:水温差ΔT＝T进水温度-T出水温度)算出空调机组的实时冷量值，得到需要存储的空调机组冷量数据Q；另外数据采集器再通过通讯方式采集空调机组负荷值L。数据采集器将采集和计算处理后的空调机组冷冻水进水温度T冷冻进水、冷冻水进水温度T冷冻出水、冷却水进水温度T冷却进水、冷却水出水温度T冷出进水、负荷值L、实时冷量值Q、电功率P，传输给自学习模块，自学习模块先将数据按照图1至图4的4种形式进行分类并存入数据库。
当所述自学习模块存储的数据量组数达到设定阈值时，本实施例设置为同一组数据至少有50个，所述自学习模块采用K近邻算法和多元线性回归算法对存储的数据进行分析，其具体分析步骤如下：首先对数据按照K近邻算法进行处理，对同类型数据的相邻两组数据经分析后进行精确的分类存储；然后再采用多元线性回归算法进行处理；自学习模块将通过K近邻算法和多元线性回归算法处理后的数据形成多坐标散点图和多工况性能曲线图，并将该结果输出给中央空调节能控制***为其提供控制的数据依据。
具体的，首先对数据库内介于两个统计列之间的数组采用K近邻算法进行处理，对介于两个统计列之间的数据经分析后进行精确的分类存储，具体算法如下：
Figure BDA0002737251770000041
其中x和y分别为相邻2列的数据。
将采用k近邻算法处理过后数据再应用多元线性回归模型算法进行处理，具体算法模型如下：
Yi＝β0+β1X1i+β2X2i+…+βkXki+μi i＝1,2,…,n
其中k为解释变量的数目，βj(j＝1,2,…,k)称为回归系数(regressioncoefficient)。上式也被称为总体回归函数的随机表达式。
它的非随机表达式为E(Y∣X1i,X2i,…Xki,)＝β0+β1X1i+β2X2i+…+βkXki(βj也被称为偏回归系数partial regression coefficient)。
其中Y为空调机组制冷量，X为空调机组输入功率。
自学习模块将进过以上2个大数据处理步骤后得到的数据库生成多坐标散点图(其中坐标轴分别为X轴为冷却水进水温度-冷冻水出水温度、Y轴为空调机组负荷、Z轴为机组空调机组制冷量/输入功率即空调机组COP)、多工况性能曲线图，并将此结果输出给中央空调智能节能控制***作为空调机组多工况性能参数的节能控制的数据依据，让中央空调智能节能控制***针对第三方品牌的空调机组的深度节能控制得以实现。通过本发明的自学习的方法获取空调机组设备多工况性能参数，让中央空调智能节能控制***针对第三方品牌的空调机组的深度节能控制得以实现，可以有效的帮助中央空调用户更好的实现节能省电，间接地为用户带来经济效益。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。

Claims (4)

1.一种中央空调自学习工况参数获取方法，其特征在于，通过数据采集器连接空调以采集空调机组设备的运行参数；所述数据采集器完成数据采集后对其所采集的数据进行过滤筛选，并通过计算，得到空调机组的实时冷冻水流量，再计算出空调机组的实时冷量值，以此得到空调机组冷量数据和空调机组负荷值；所述数据采集器将所采集的数据发送给自学习模块并按照表格形式存储，所述自学习模块存储的数据量组数达到设定阈值时，所述自学习模块采用K近邻算法和多元线性回归算法对存储的数据进行分析，其具体分析步骤如下：首先对数据按照K近邻算法进行处理，对同类型数据的相邻两组数据经分析后进行精确的分类存储；然后再采用多元线性回归算法进行处理；自学习模块将通过K近邻算法和多元线性回归算法处理后的数据形成多坐标散点图和多工况性能曲线图，并将该结果输出给中央空调节能控制***为其提供控制的数据依据。
2.根据权利要求1所述的一种中央空调自学习工况参数获取方法，其特征在于，所述数据采集器包括用于对空调机组电量和功率进行监测的智能电表，用于对冷冻水进出温度进行采集的冷冻水温度传感器，用于对冷却水进出温度进行采集的冷却水温度传感器，用于对冷冻水进出水压进行采集的水压差传感器。
3.根据权利要求2所述的一种中央空调自学习工况参数获取方法，其特征在于，设定的自学习模块存储的数据量组数的阈值为不小于50组。
4.根据权利要求3所述的一种中央空调自学习工况参数获取方法，其特征在于，所述自学习模块包括数据库，所述数据采集器以及数据处理过程中的数据存储在数据库内。
CN202011137831.5A 2020-10-22 2020-10-22 一种中央空调自学习工况参数获取方法 Pending CN112257779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011137831.5A CN112257779A (zh) 2020-10-22 2020-10-22 一种中央空调自学习工况参数获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011137831.5A CN112257779A (zh) 2020-10-22 2020-10-22 一种中央空调自学习工况参数获取方法

Publications (1)

Publication Number Publication Date
CN112257779A true CN112257779A (zh) 2021-01-22

Family

ID=74264633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011137831.5A Pending CN112257779A (zh) 2020-10-22 2020-10-22 一种中央空调自学习工况参数获取方法

Country Status (1)

Country Link
CN (1) CN112257779A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114484731A (zh) * 2021-12-27 2022-05-13 浙江英集动力科技有限公司 一种基于stacking融合算法的中央空调故障诊断方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251291A (zh) * 2008-04-03 2008-08-27 上海交通大学 基于模型的集中空调***全局优化节能控制方法及装置
CN201463177U (zh) * 2009-01-16 2010-05-12 深圳职业技术学院 基于负荷预测的中央空调优化节能控制***
CN102736649A (zh) * 2012-06-11 2012-10-17 清华大学 基于个性化人员冷热抱怨的环境温湿度控制方法及***
KR20130017353A (ko) * 2011-08-10 2013-02-20 엘지전자 주식회사 가전기기 진단시스템 및 그 진단방법
CN103322645A (zh) * 2013-06-13 2013-09-25 浙江工业大学 一种中央空调的冷冻水回水温度的预测控制方法
CN105115100A (zh) * 2015-07-22 2015-12-02 李振宇 基于智能优化的中央空调设备控制***及方法
CN107063663A (zh) * 2017-04-20 2017-08-18 重庆大学 一种空调水***智能诊断调节阀
CN107143981A (zh) * 2017-05-24 2017-09-08 山东师范大学 一种中央空调节能控制***和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251291A (zh) * 2008-04-03 2008-08-27 上海交通大学 基于模型的集中空调***全局优化节能控制方法及装置
CN201463177U (zh) * 2009-01-16 2010-05-12 深圳职业技术学院 基于负荷预测的中央空调优化节能控制***
KR20130017353A (ko) * 2011-08-10 2013-02-20 엘지전자 주식회사 가전기기 진단시스템 및 그 진단방법
CN102736649A (zh) * 2012-06-11 2012-10-17 清华大学 基于个性化人员冷热抱怨的环境温湿度控制方法及***
CN103322645A (zh) * 2013-06-13 2013-09-25 浙江工业大学 一种中央空调的冷冻水回水温度的预测控制方法
CN105115100A (zh) * 2015-07-22 2015-12-02 李振宇 基于智能优化的中央空调设备控制***及方法
CN107063663A (zh) * 2017-04-20 2017-08-18 重庆大学 一种空调水***智能诊断调节阀
CN107143981A (zh) * 2017-05-24 2017-09-08 山东师范大学 一种中央空调节能控制***和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114484731A (zh) * 2021-12-27 2022-05-13 浙江英集动力科技有限公司 一种基于stacking融合算法的中央空调故障诊断方法及装置
CN114484731B (zh) * 2021-12-27 2023-05-16 浙江英集动力科技有限公司 一种基于stacking融合算法的中央空调故障诊断方法及装置

Similar Documents

Publication Publication Date Title
CN103062861B (zh) 用于中央空调的节能监控方法及***
CN104566868B (zh) 一种中央空调控制***及其控制方法
CN105571063B (zh) 一种浅层地温能能源管理***及其实现方法
CN108105969B (zh) 一种空调智能监测***及空调的运行效率异常检测方法
CN115493256B (zh) 一种中央制冷***节能运行智能寻优方法
CN109063255B (zh) 一种节能控制方法、电子设备、存储介质、装置及***
CN110220288A (zh) 基于大数据云平台的集中空调***智能优化控制方法及装置
CN110567101A (zh) 一种基于支持向量机模型的冷水机组高能效控制方法
CN111780384A (zh) 一种中央空调控制***
CN109827310B (zh) 一种居民空调负荷群聚合模型建立方法
CN108534412B (zh) 一种用于最大似然估计法的主机监测装置及估计法
CN115978722B (zh) 一种基于人工智能的净化机组监测管理方法及***
CN111649459A (zh) 基于专家pid的纺织空调节能自控方法
CN110895029A (zh) 一种基于冷冻水的温度的建筑负荷预测方法
CN112292013A (zh) 基于时间序列的微模块数据中心热源预判和冷源调控方法
CN115930369A (zh) 一种基于智能化控制的中央空调***节能方法
CN112257779A (zh) 一种中央空调自学习工况参数获取方法
CN111473480A (zh) 一种基于决策树分类的中央空调节能控制方法
CN112781184A (zh) 一种空调***智能降耗方法和***
CN115903712A (zh) 适用于工业制冷***的节能优化方法及其优化控制***
CN114543273B (zh) 一种集中空调供冷***自适应深度学习优化节能控制算法
CN110836518A (zh) 基于***基础知识的自学习空调***全局优化控制方法
CN115978720B (zh) 一种空气源热泵机组非等量分组方法
CN117057453A (zh) 一种基于制冷机组实测运行数据的节能优化方法及其***
CN109405198B (zh) 厂务***洁净室运维节能***及相应的运维节能优化方法

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