CN114543303B - 基于运行大数据的中央空调制冷站运行优化方法和*** - Google Patents

基于运行大数据的中央空调制冷站运行优化方法和*** Download PDF

Info

Publication number
CN114543303B
CN114543303B CN202210092331.7A CN202210092331A CN114543303B CN 114543303 B CN114543303 B CN 114543303B CN 202210092331 A CN202210092331 A CN 202210092331A CN 114543303 B CN114543303 B CN 114543303B
Authority
CN
China
Prior art keywords
predicted
temperature
data
determining
starting
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
Application number
CN202210092331.7A
Other languages
English (en)
Other versions
CN114543303A (zh
Inventor
戴吉平
李信洪
袁宜峰
符怡攀
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.)
Shenzhen Das Intellitech Co Ltd
Original Assignee
Shenzhen Das Intellitech 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 Shenzhen Das Intellitech Co Ltd filed Critical Shenzhen Das Intellitech Co Ltd
Priority to CN202210092331.7A priority Critical patent/CN114543303B/zh
Publication of CN114543303A publication Critical patent/CN114543303A/zh
Application granted granted Critical
Publication of CN114543303B publication Critical patent/CN114543303B/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
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及基于运行大数据的中央空调制冷站运行优化方法和***，包括：获取中央空调制冷站的运行数据和环境数据；根据开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量；根据开机运行数据和环境数据、预测冷量，确定制冷机组的开机策略；根据调节运行数据和环境数据、预测冷量，并通过加减机判断逻辑获得加减机标志；根据冷量表、预测冷量以及加减机标志，确定制冷机组的调节策略；根据关机运行数据和环境数据，确定制冷机组的关机策略。本发明基于运行大数据进行运行策略优化，需要的末端硬件设施少、投资和运维成本低，可适应个性化供冷需求，达到按需供冷节能运行。

Description

基于运行大数据的中央空调制冷站运行优化方法和***
技术领域
本发明涉及中央空调运行管理领域，更具体地说，涉及一种基于运行大数据的中央空调制冷站运行优化方法和***。
背景技术
建筑的中央空调***是建筑能源消耗的大户，其中能耗居高不下很重要的一部分原因就是中央空调运行管理不善导致的，现在大都是由于运行控制策略不合理，运行管理中还有很多的节能空间，传统的中央空调群控控制策略，是基于监测数据更多来判断设备的开启关闭，对于运行参数优化没有严格的控制策略，针对不同的中央空调***、功能对象的实际特性千差万别，如何在全生命周期指导运行，一直是困扰中央空调***运行管理人员的难题之一。
发明内容
本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种基于运行大数据的中央空调制冷站运行优化方法和***。
本发明解决其技术问题所采用的技术方案是：构造一种基于运行大数据的中央空调制冷站运行优化方法，包括以下步骤：
获取中央空调制冷站的运行数据和环境数据；所述运行数据包括：开机运行数据、调节运行数据和关机运行数据；
根据所述开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量；
根据所述开机运行数据和所述环境数据、所述预测冷量，确定制冷机组的开机策略；
根据所述调节运行数据和所述环境数据、所述预测冷量，并通过加减机判断逻辑获得加减机标志；
根据冷量表、所述预测冷量以及所述加减机标志，确定所述制冷机组的调节策略；
根据所述关机运行数据和所述环境数据，确定所述制冷机组的关机策略。
在本发明所述的基于运行大数据的中央空调制冷站运行优化方法中，所述开机运行数据包括：开机小时数；所述环境数据包括：当前室内温度、室内目标温度、当前室外湿球温度；
所述根据所述开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量包括：
根据所述开机小时数、所述当前室内温度、室内目标温度以及所述当前室外湿球温度，并基于所述预测训练算法模型进行训练，获得所述预测冷量。
在本发明所述的基于运行大数据的中央空调制冷站运行优化方法中，所述开机运行数据还包括：目标营业时间、设定的最早开机时间和设定的最晚开机时间
所述根据所述开机运行数据和所述环境数据、所述预测冷量，确定制冷机组的开机策略包括：
根据所述当前室内温度、所述室内目标温度、所述目标营业时间、所述设定的最早开机时间、所述设定的最晚开机时间，预测所述制冷机组的开机时间；
根据所述预测冷量和所述冷量表，确定所述制冷机组的开机组合；
根据所述开机时间和所述制冷机组的开机组合，获得所述制冷机组的开机策略。
在本发明所述的基于运行大数据的中央空调制冷站运行优化方法中，所述根据所述预测冷量和所述冷量表，确定所述制冷机组的开机组合包括：
根据所述冷量表，获得所述制冷机组开启的所有排列组合以及对应的供冷量；
基于所述预测冷量，确定所述所有排列组合中满足冷量阈值的排列组合；
根据所述满足冷量阈值的排列组合，获取所述满足冷量阈值的排列组合中***COP最大的开启组合；
所述满足冷量阈值的排列组合中***COP最大的开启组合为所述制冷机组的开机组合。
在本发明所述的基于运行大数据的中央空调制冷站运行优化方法中，所述调节运行数据包括：实际冷量、制冷机的出水温度、制冷机的出水温度设定值；所述环境数据包括：当前室内温度、当前室外温度和室外预报温度；
所述根据所述调节运行数据和所述环境数据、所述预测冷量，并通过加减机判断逻辑获得加减机标志包括：
判断所述当前室内温度是否大于室内温度上限值；
若是，基于所述预测冷量和所述实际冷量确定所述加减机标志；
若否，基于所述预测冷量、所述实际冷量、所述当前室内温度、所述当前室外温度、所述室外预报温度、所述制冷主机的出水温度和所述制冷主机的出水温度设定值确定所述加减机标志。
在本发明所述的基于运行大数据的中央空调制冷站运行优化方法中，所述基于所述预测冷量和所述实际冷量确定所述加减机标志包括：
判断所述实际冷量是否小于或者等于所述预测冷量；
若是，确定所述加减机标志为加机。
在本发明所述的基于运行大数据的中央空调制冷站运行优化方法中，所述基于所述预测冷量、所述实际冷量、所述当前室内温度、所述当前室外温度和所述室外预报温度确定所述加减机标志包括：
判断所述当前室内温度是否在预设温度范围内；
若是，判断所述实际冷量是否小于或者等于所述预测冷量；
若所述实际冷量小于或者等于所述预测冷量，则确定所述加减机标志为加机；
若所述实际冷量大于所述预测冷量，则根据所述当前室外温度和所述室外预报温度确定所述加减机标志；
若所述当前室内温度在所述预设温度范围之外，则确定所述加减机标志为减机。
在本发明所述的基于运行大数据的中央空调制冷站运行优化方法中，所述根据冷量表、所述预测冷量以及所述加减机标志，确定所述制冷机组的调节策略包括：
根据所述冷量表，获得所述制冷机组开启的所有排列组合以及对应的供冷量；
基于所述预测冷量，确定所述所有排列组合中满足冷量阈值的排列组合；
根据所述加减机标志和所述满足冷量阈值的排列组合，确定预选排列组合；
根据所述预选排列组合，获取所述预选排列组合中***COP最大的开启组合；
所述预选排列组合中***COP最大的开启组合为所述制冷机组的调节策略。
在本发明所述的基于运行大数据的中央空调制冷站运行优化方法中，所述关机运行数据包括：营业结束时间、设定的最早关机时间和设定的最晚关机时间；所述环境数据包括：当前室内温度和室内目标温度；
所述根据所述关机运行数据和所述环境数据，确定所述制冷机组的关机策略包括：
根据所述当前室内温度、所述室内目标温度、所述营业结束时间、所述设定的最早关机时间、所述设定的最晚关机时间，预测所述制冷机组的关机时间；
基于所述制冷机组的关机时间，结合所述制冷机组的当前状态，确定所述制冷机组的关机策略。
本发明还提供一种基于运行大数据的中央空调制冷站运行优化***，包括：
获取单元，用于获取中央空调制冷站的运行数据和环境数据；所述运行数据包括：开机运行数据、调节运行数据和关机运行数据；
预测单元，用于根据所述开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量；
开机策略制定单元，用于根据所述开机运行数据和所述环境数据、所述预测冷量，确定制冷机组的开机策略；
加减机单元，用于根据所述调节运行数据和所述环境数据、所述预测冷量，并通过加减机判断逻辑获得加减机标志；
调节策略制定单元，用于根据冷量表、所述预测冷量以及所述加减机标志，确定所述制冷机组的调节策略；
关机策略制定单元，用于根据所述关机运行数据和所述环境数据，确定所述制冷机组的关机策略。
实施本发明的基于运行大数据的中央空调制冷站运行优化方法和***，具有以下有益效果：包括：获取中央空调制冷站的运行数据和环境数据；根据开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量；根据开机运行数据和环境数据、预测冷量，确定制冷机组的开机策略；根据调节运行数据和环境数据、预测冷量，并通过加减机判断逻辑获得加减机标志；根据冷量表、预测冷量以及加减机标志，确定制冷机组的调节策略；根据关机运行数据和环境数据，确定制冷机组的关机策略。本发明基于运行大数据进行运行策略优化，需要的末端硬件设施少、投资和运维成本低，可适应个性化供冷需求，达到按需供冷节能运行。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例提供的基于运行大数据的中央空调制冷站运行优化方法的流程示意图；
图2是本发明实施例提供的预测冷量示意图；
图3是本发明实施例提供的预测开机时间的示意图；
图4是本发明实施例提供的确定制冷机组的开机组合的示意图；
图5是本发明实施例提供的加减机标志确定的示意图；
图6是本发明实施例提供的确定制冷机组的调节策略的示意图；
图7是本发明实施例提供的预测关机时间的示意图；
图8是本发明实施例提供的确定制冷机组关机策略的示意图。
图9是本发明实施例提供的基于运行大数据的中央空调制冷站运行优化***的结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明基于运行大数据的中央空调制冷站运行优化方法，可以应用于中央空调制冷站运行控制***中。该运行优化方法通过将处理海量数据的复杂算法结合到数据分析中，从中挖掘数据之间的关联关系和数据的变化规律，构建制冷站运行调节策略，满足运行节能的需求，使得运行过程中的节能潜力得到进一步的挖掘。
本发明实施例提供的基于运行大数据的中央空调制冷站运行优化方法需要的末端硬件设施少，投资和运维成本比群控控制更有优势，通过对实时获取的数据进行全面分析和数据挖掘，能够适应个性化制冷站的供冷需求，达到按需供冷节能运行。而且，基于大数据挖掘算法制定中央空调制冷站运行策略，使所得到的运行策略更加准确，项目针对性强。
进一步地，本发明实施例提供的基于运行大数据的中央空调制冷站运行优化方法，能够根据制冷站每日的数据样本制定制冷站高效的开机策略、调节策略以及关机策略，实现制冷站全周期节能控制，实现按需精准供给，提高能效，指导制冷站低成本的运行控制参数制定和节能改造潜力评估，并且通用性强，工程应用性广。
具体的，如图1所示，该一种基于运行大数据的中央空调制冷站运行优化方法包括以下步骤：
步骤S101、获取中央空调制冷站的运行数据和环境数据。其中，运行数据包括：开机运行数据、调节运行数据和关机运行数据。
步骤S102、根据开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量。
一些实施例中，开机运行数据包括：开机小时数；环境数据包括：当前室内温度、室内目标温度、当前室外湿球温度。
具体的，如图2所示，根据开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量包括：根据开机小时数、当前室内温度、室内目标温度以及当前室外湿球温度，并基于预测训练算法模型进行训练，获得预测冷量。
可选的，本发明实施例中，开机小时数可以为人为设定(例如，可以设定开机小时数为8小时、9小时等)。或者，在其他一些实施例中，开机小时数也可以根据历史数据进行统计，得到室外温度和开机小时数的关系，进而推导出开机小时数。
可选的，本发明实施例中，预测训练算法模型可包括但不限于SVM算法模型、神经网络算法模型和LSTM算法模型等。
其中，本发明实施例的预测训练算法模型可以通过对历史数据的处理的训练得到。例如，可以使用历史一年的日数据：历史开机小时数、历史24小时逐时的室内温度、历史24小时逐时的室外温度、历史室内目标温度、历史24小时逐时的实际冷量进行训练，以获得预测训练算法模型。在获得预测训练算法模型后，可以基于当前的监测数据(即开机小时数、当前室内温度、室内目标温度以及当前室外湿球温度)，将当前的监测数据导入到预测训练算法模型中进行训练，从而可以预测当日当前的预测冷量。
步骤S103、根据开机运行数据和环境数据、预测冷量，确定制冷机组的开机策略。
一些实施例中，开机运行数据还包括：目标营业时间、设定的最早开机时间和设定的最晚开机时间。
可选的，根据开机运行数据和环境数据、预测冷量，确定制冷机组的开机策略包括：根据当前室内温度、室内目标温度、目标营业时间、设定的最早开机时间、设定的最晚开机时间，预测制冷机组的开机时间；根据预测冷量和冷量表，确定制冷机组的开机组合；根据开机时间和制冷机组的开机组合，获得制冷机组的开机策略。
其中，如图3所示，为本发明实施例提供的预测开机时间的示意图。
具体的，首先，根据室内目标温度(该室内目标温度为营业期间所需要的室内温度)和当前室内温度(即营业时间前2小时(或者1小时)的室内温度)获得室内温度差值；接着，根据室温变化率的计算公式可求得制冷机组的开机时间。其中，室温变化率具体可表示为：
室温变化率＝室内温度差值/时长。
其中，时长＝目标营业时间-T开(1)。
室内温度差值＝当前室内温度-室内目标温度(2)。
因此，结合(1)式和(2)可以求得制冷机组的开机时间T开。其中，T开还需要结合设定的最早开机时间、设定的最晚开机时间进行最终确定，例如，最早开机时间为早上7点，最晚开机时间为早上8点，则所计算得到的T开在7点～8点之间，则可直接取所计算得到的T开，若T开在7点～8点之外，则取邻近值，即若邻近7点，则取7点(如计算的得到的T开为6点50，则T开取7点)；若邻近8点，即取8点(如计算得到的T开为8点20，则T开取8点)。
一些实施例中，如图4所示，根据预测冷量和冷量表，确定制冷机组的开机组合包括：
步骤S401、根据冷量表，获得制冷机组开启的所有排列组合以及对应的供冷量。
可选的，本发明实施例中，冷量表中包括制冷机组开启的所有排列组合以及对应的供冷量。具体可以表示如下：
组合1：开启1#主机，开启2#主机，总管出水温度为7℃，***均衡负载率为80％；***供冷量为800KW，***COP为5.0。
组合2：开启1#主机，开启2#主机，总管出水温度为7.5℃，***均衡负载率为80％；***供冷量为750KW，***COP5.6。
步骤S402、基于预测冷量，确定所有排列组合中满足冷量阈值的排列组合。
可选的，本发明实施例中，冷量阈值可以基于预测冷量确定。例如，可以采用预测冷量的0.9倍和预测冷量的1.1倍作为冷量阈值进行确定。即若在所获得的排列组合中，提取出***供冷量为预测冷量的0.9倍～预测冷量的1.1倍所对应的组合，这些组合即为满足冷量阈值的排列组合。可以理解地，冷量阈值还可以根据其他方式确定，不限于本发明的实例。
步骤S403、根据满足冷量阈值的排列组合，获取满足冷量阈值的排列组合中***COP最大的开启组合。
步骤S404、满足冷量阈值的排列组合中***COP最大的开启组合为制冷机组的开机组合。
步骤S104、根据调节运行数据和环境数据、预测冷量，并通过加减机判断逻辑获得加减机标志。
一些实施例中，调节运行数据包括：实际冷量、制冷机的出水温度、制冷机的出水温度设定值；环境数据包括：当前室内温度、当前室外温度和室外预报温度。
一些实施例中，根据调节运行数据和环境数据、预测冷量，并通过加减机判断逻辑获得加减机标志包括：判断当前室内温度是否大于室内温度上限值；若是，基于预测冷量和实际冷量确定加减机标志；若否，基于预测冷量、实际冷量、当前室内温度、当前室外温度、室外预报温度、制冷主机的出水温度和制冷主机的出水温度设定值确定加减机标志。
一些实施例中，基于预测冷量和实际冷量确定加减机标志包括：判断实际冷量是否小于或者等于预测冷量；若是，确定加减机标志为加机。
一些实施例中，基于预测冷量、实际冷量、当前室内温度、当前室外温度和室外预报温度确定加减机标志包括：判断当前室内温度是否在预设温度范围内；若是，判断实际冷量是否小于或者等于预测冷量；若实际冷量小于或者等于预测冷量，则确定加减机标志为加机；若实际冷量大于预测冷量，则根据当前室外温度和室外预报温度确定加减机标志；若当前室内温度在预设温度范围之外，则确定加减机标志为减机。
如图5所示，本发明实施例提供的加减机标志确定具体包括以下步骤：
步骤S501、先进行初始化，将加减机标志位置0。
步骤S502、判断当前室内温度是否大于室内温度上限值。
步骤S503、若是，判断实际冷量是否小于或者等于预测冷量。
步骤S504、若实际冷量小于或者等于预测冷量，则将加减机标志置为1(即确定加减标志为加机)。
步骤S505、若当前室内温度小于室内温度上限值，判断当前室内温度是否在预设温度范围内(例如，预测温度范围或者为：室内温度上限-0.8～室内温度上限值)。
步骤S506、若当前室内温度在预设温度范围内，则判断实际冷量是否小于或者等于预测冷量。
步骤S507、若实际冷量小于或者等于预测冷量，则将加减机标志置为1(即确定加减标志为加机)。
步骤S508、若实际冷量大于预测冷量，则判断室外预报温度与当前室外温度的差值是否在预设范围。
其中，预设范围可以为1以内。即这里室外预报温度与当前室外温度的差值所判断的是室外预报温度是否在当前室外温度的1度以内。当然，可以理解地，预设值不限于1度以内。
步骤S509、若室外预报温度与当前室外温度的差值在预设值内，则加减机标志为：维持当前状态。
步骤S510、若室外预报温度与当前室外温度的差值不在预设范围内，则判断室外预报温度是否大于当前室外温度。可选的，本发明实施例中，室外预报温度为未来两个小时后的室外温度。
步骤S511、若室外预报温度大于当前室外温度，则将加减机标志置为1(即确定加减标志为加机)。
步骤S512、若室外预报温度小于当前室外温度，则将加减机标志置为3(即确定加减标志为减机)。
步骤S513、若当前室内温度不在预设温度范围内，将加减机标志置为3(即确定加减标志为减机)。其中，当前室内温度不在预设温度范围内指的是当前室内温度在预设范围范围外。
进一步地，在步骤S512之后，还包括以下步骤：
步骤S514、判断制冷主机的出水温度最小值是否大于制冷主机的出水温度阈值。
可选的，本发明实施例中，制冷主机的出水温度阈值可以为制冷主机的出水温度设定值+1.5度。
步骤S515；若制冷主机的出水温度最小值大于出水温度阈值，则判断制冷主机的出水温度最小值在预设时间段内是否连续下降。
可选的，本发明实施例中，制冷主机的出水温度最小值在预设时间段内连续下降可以为：在过去三个时间点，每个时间点内(例如每15分钟)至少下降0.2度。
步骤S516、若连续下降，则将加减机标志置为3(即确定加减标志为减机)。
步骤S517、输出当前的加减机标志。
步骤S105、根据冷量表、预测冷量以及加减机标志，确定制冷机组的调节策略。
一些实施例中，如图6所示，根据冷量表、预测冷量以及加减机标志，确定制冷机组的调节策略包括：
步骤S601、根据冷量表，获得制冷机组开启的所有排列组合以及对应的供冷量。
步骤S602、基于预测冷量，确定所有排列组合中满足冷量阈值的排列组合。
可选的，本发明实施例中，冷量阈值可以基于预测冷量确定。例如，可以采用预测冷量的0.9倍和预测冷量的1.1倍作为冷量阈值进行确定。即若在所获得的排列组合中，提取出***供冷量为预测冷量的0.9倍～预测冷量的1.1倍所对应的组合，这些组合即为满足冷量阈值的排列组合。可以理解地，冷量阈值还可以根据其他方式确定，不限于本发明的实例。
步骤S603、根据加减机标志和满足冷量阈值的排列组合，确定预选排列组合。
可选的，本发明实施例中，在获得满足冷量阈值的排列组合后，还需要结合加减机标志确定满足的所有排列组合，即若获得满足冷量阈值的排列组合为：开启#1主机、开启#2主机和开启#3主机，若当前的加减机标志为减机，则需要关闭#1主机、#2主机和#3主机中的其中一台或者两台，具体需要根据减机数量及对应的主机进行减机。
步骤S604、根据预选排列组合，获取预选排列组合中***COP最大的开启组合。
步骤S605、预选排列组合中***COP最大的开启组合为制冷机组的调节策略。
步骤S106、根据关机运行数据和环境数据，确定制冷机组的关机策略。
一些实施例中，关机运行数据包括：营业结束时间、设定的最早关机时间和设定的最晚关机时间；环境数据包括：当前室内温度和室内目标温度。
可选的，根据关机运行数据和环境数据，确定制冷机组的关机策略包括：根据当前室内温度、室内目标温度、营业结束时间、设定的最早关机时间、设定的最晚关机时间，预测制冷机组的关机时间；基于制冷机组的关机时间，结合制冷机组的当前状态，确定制冷机组的关机策略。
其中，如图7所示，为本发明实施例提供的预测关机时间的示意图。
具体的，首先，根据室内目标温度(该室内目标温度为营业结束时所需要的室内温度)和当前室内温度(即营业结束前2小时(或者1小时)的室内温度)获得室内温度差值；接着，根据室温变化率的计算公式可求得制冷机组的关机时间。其中，室温变化率具体可表示为：
室温变化率＝室内温度差值/时长。
其中，时长＝目标营业时间-T关(3)。
室内温度差值＝当前室内温度-室内目标温度(4)。
因此，结合(3)式和(4)式可以求得制冷机组的关机时间T关。其中，T关还需要结合设定的最早开机时间、设定的最晚开机时间进行最终确定，例如，最早关机时间为下午6点，最晚关机时间为晚上8点，则所计算得到的T关在6点～8点之间，则可直接取所计算得到的T关，若T关在6点～8点之外，则取邻近值，即若邻近6点，则取6点(如计算的得到的T开为5点50，则T关取6点)；若邻近8点，即取8点(如计算得到的T关为9，则T关取8点)。
如图8所示，为本发明实施例提供的确定制冷机组关机策略的示意图。
如图8所示，具体可以包括以下步骤：
步骤S801、获取制冷机组的当前状态。
步骤S802、判断制冷机组的当前状态是否已关机。
步骤S803、若制冷机组的当前状态已关机，则输出当前的关机时间，且当前的关机时间即为制冷机组的关机策略。
步骤S804、若制冷机组的当前状态为未关机，则参照图7的方法进行预测制冷机组的关机时间。
步骤S805、输出关机策略(即步骤S803或者步骤S804所得到的关机时间)。
参考图9，为本发明实施例提供的基于运行大数据的中央空调制冷站运行优化***的结构示意图。该基于运行大数据的中央空调制冷站运行优化***可用于实现本发明实施例公开的基于运行大数据的中央空调制冷站运行优化方法。
具体的，如图9所示，该基于运行大数据的中央空调制冷站运行优化***包括：
获取单元901，用于获取中央空调制冷站的运行数据和环境数据。运行数据包括：开机运行数据、调节运行数据和关机运行数据。
预测单元902，用于根据开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量。
开机策略制定单元903，用于根据开机运行数据和环境数据、预测冷量，确定制冷机组的开机策略。
加减机单元904，用于根据调节运行数据和环境数据、预测冷量，并通过加减机判断逻辑获得加减机标志。
调节策略制定单元905，用于根据冷量表、预测冷量以及加减机标志，确定制冷机组的调节策略。
关机策略制定单元906，用于根据关机运行数据和环境数据，确定制冷机组的关机策略。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。

Claims (9)

1.一种基于运行大数据的中央空调制冷站运行优化方法，其特征在于，包括以下步骤：
获取中央空调制冷站的运行数据和环境数据；所述运行数据包括：开机运行数据、调节运行数据和关机运行数据；
根据所述开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量；
根据所述开机运行数据和所述环境数据、所述预测冷量，确定制冷机组的开机策略；
根据所述调节运行数据和所述环境数据、所述预测冷量，并通过加减机判断逻辑获得加减机标志；
根据冷量表、所述预测冷量以及所述加减机标志，确定所述制冷机组的调节策略；
根据所述关机运行数据和所述环境数据，确定所述制冷机组的关机策略；
其中，所述调节运行数据包括：实际冷量、制冷机的出水温度、制冷机的出水温度设定值；所述环境数据包括：当前室内温度、当前室外温度和室外预报温度；
所述根据所述调节运行数据和所述环境数据、所述预测冷量，并通过加减机判断逻辑获得加减机标志包括：
判断所述当前室内温度是否大于室内温度上限值；
若是，基于所述预测冷量和所述实际冷量确定所述加减机标志；
若否，基于所述预测冷量、所述实际冷量、所述当前室内温度、所述当前室外温度、所述室外预报温度、所述制冷机的出水温度和所述制冷机的出水温度设定值确定所述加减机标志。
2.根据权利要求1所述的基于运行大数据的中央空调制冷站运行优化方法，其特征在于，所述开机运行数据包括：开机小时数；所述环境数据包括：当前室内温度、室内目标温度、当前室外湿球温度；
所述根据所述开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量包括：
根据所述开机小时数、所述当前室内温度、室内目标温度以及所述当前室外湿球温度，并基于所述预测训练算法模型进行训练，获得所述预测冷量。
3.根据权利要求2所述的基于运行大数据的中央空调制冷站运行优化方法，其特征在于，所述开机运行数据还包括：目标营业时间、设定的最早开机时间和设定的最晚开机时间；
所述根据所述开机运行数据和所述环境数据、所述预测冷量，确定制冷机组的开机策略包括：
根据所述当前室内温度、所述室内目标温度、所述目标营业时间、所述设定的最早开机时间、所述设定的最晚开机时间，预测所述制冷机组的开机时间；
根据所述预测冷量和所述冷量表，确定所述制冷机组的开机组合；
根据所述开机时间和所述制冷机组的开机组合，获得所述制冷机组的开机策略。
4.根据权利要求3所述的基于运行大数据的中央空调制冷站运行优化方法，其特征在于，所述根据所述预测冷量和所述冷量表，确定所述制冷机组的开机组合包括：
根据所述冷量表，获得所述制冷机组开启的所有排列组合以及对应的供冷量；
基于所述预测冷量，确定所述所有排列组合中满足冷量阈值的排列组合；
根据所述满足冷量阈值的排列组合，获取所述满足冷量阈值的排列组合中***COP最大的开启组合；
所述满足冷量阈值的排列组合中***COP最大的开启组合为所述制冷机组的开机组合。
5.根据权利要求1所述的基于运行大数据的中央空调制冷站运行优化方法，其特征在于，所述基于所述预测冷量和所述实际冷量确定所述加减机标志包括：
判断所述实际冷量是否小于或者等于所述预测冷量；
若是，确定所述加减机标志为加机。
6.根据权利要求1所述的基于运行大数据的中央空调制冷站运行优化方法，其特征在于，所述基于所述预测冷量、所述实际冷量、所述当前室内温度、所述当前室外温度和所述室外预报温度确定所述加减机标志包括：
判断所述当前室内温度是否在预设温度范围内；
若是，判断所述实际冷量是否小于或者等于所述预测冷量；
若所述实际冷量小于或者等于所述预测冷量，则确定所述加减机标志为加机；
若所述实际冷量大于所述预测冷量，则根据所述当前室外温度和所述室外预报温度确定所述加减机标志；
若所述当前室内温度在所述预设温度范围之外，则确定所述加减机标志为减机。
7.根据权利要求1所述的基于运行大数据的中央空调制冷站运行优化方法，其特征在于，所述根据冷量表、所述预测冷量以及所述加减机标志，确定所述制冷机组的调节策略包括：
根据所述冷量表，获得所述制冷机组开启的所有排列组合以及对应的供冷量；
基于所述预测冷量，确定所述所有排列组合中满足冷量阈值的排列组合；
根据所述加减机标志和所述满足冷量阈值的排列组合，确定预选排列组合；
根据所述预选排列组合，获取所述预选排列组合中***COP最大的开启组合；
所述预选排列组合中***COP最大的开启组合为所述制冷机组的调节策略。
8.根据权利要求1所述的基于运行大数据的中央空调制冷站运行优化方法，其特征在于，所述关机运行数据包括：营业结束时间、设定的最早关机时间和设定的最晚关机时间；所述环境数据包括：当前室内温度和室内目标温度；
所述根据所述关机运行数据和所述环境数据，确定所述制冷机组的关机策略包括：
根据所述当前室内温度、所述室内目标温度、所述营业结束时间、所述设定的最早关机时间、所述设定的最晚关机时间，预测所述制冷机组的关机时间；
基于所述制冷机组的关机时间，结合所述制冷机组的当前状态，确定所述制冷机组的关机策略。
9.一种基于运行大数据的中央空调制冷站运行优化***，其特征在于，包括：
获取单元，用于获取中央空调制冷站的运行数据和环境数据；所述运行数据包括：开机运行数据、调节运行数据和关机运行数据；
预测单元，用于根据所述开机运行数据和环境数据，并基于预测训练算法模型进行训练以输出预测冷量；
开机策略制定单元，用于根据所述开机运行数据和所述环境数据、所述预测冷量，确定制冷机组的开机策略；
加减机单元，用于根据所述调节运行数据和所述环境数据、所述预测冷量，并通过加减机判断逻辑获得加减机标志；
调节策略制定单元，用于根据冷量表、所述预测冷量以及所述加减机标志，确定所述制冷机组的调节策略；
关机策略制定单元，用于根据所述关机运行数据和所述环境数据，确定所述制冷机组的关机策略；
其中，所述调节运行数据包括：实际冷量、制冷机的出水温度、制冷机的出水温度设定值；所述环境数据包括：当前室内温度、当前室外温度和室外预报温度；
所述加减机单元进一步用于：
判断所述当前室内温度是否大于室内温度上限值；
若是，基于所述预测冷量和所述实际冷量确定所述加减机标志；
若否，基于所述预测冷量、所述实际冷量、所述当前室内温度、所述当前室外温度、所述室外预报温度、所述制冷机的出水温度和所述制冷机的出水温度设定值确定所述加减机标志。
CN202210092331.7A 2022-01-26 2022-01-26 基于运行大数据的中央空调制冷站运行优化方法和*** Active CN114543303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210092331.7A CN114543303B (zh) 2022-01-26 2022-01-26 基于运行大数据的中央空调制冷站运行优化方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210092331.7A CN114543303B (zh) 2022-01-26 2022-01-26 基于运行大数据的中央空调制冷站运行优化方法和***

Publications (2)

Publication Number Publication Date
CN114543303A CN114543303A (zh) 2022-05-27
CN114543303B true CN114543303B (zh) 2023-07-14

Family

ID=81672714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210092331.7A Active CN114543303B (zh) 2022-01-26 2022-01-26 基于运行大数据的中央空调制冷站运行优化方法和***

Country Status (1)

Country Link
CN (1) CN114543303B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543303B (zh) * 2022-01-26 2023-07-14 深圳达实智能股份有限公司 基于运行大数据的中央空调制冷站运行优化方法和***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895029A (zh) * 2019-11-27 2020-03-20 南京亚派软件技术有限公司 一种基于冷冻水的温度的建筑负荷预测方法
CN114543303A (zh) * 2022-01-26 2022-05-27 深圳达实智能股份有限公司 基于运行大数据的中央空调制冷站运行优化方法和***

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050155369A1 (en) * 2004-01-15 2005-07-21 Toshiba Carrier Corporation Air conditioner
CN102141289B (zh) * 2011-02-15 2013-02-27 深圳达实智能股份有限公司 一种中央空调***最佳开机时间诊断与分析的方法及装置
CN102168877B (zh) * 2011-03-01 2013-06-12 深圳达实智能股份有限公司 一种基于负荷预测的中央空调***群控方法及装置
CN102821581A (zh) * 2011-06-08 2012-12-12 上海启电信息科技有限公司 一种通信机房节能方法
KR101237216B1 (ko) * 2011-10-24 2013-02-26 엘지전자 주식회사 공기조화기 및 그 제어방법
CN104214912B (zh) * 2014-09-24 2017-02-15 东南大学 一种基于温度设定值调整的聚合空调负荷调度方法
CN105546745B (zh) * 2015-12-29 2018-05-08 深圳市奥宇节能技术股份有限公司 一种中央空调主机机组群控方法和装置
TWI678504B (zh) * 2018-10-12 2019-12-01 群光電能科技股份有限公司 儲冰量調整系統與儲冰量調整方法
CN109595747B (zh) * 2018-12-24 2020-01-07 珠海格力电器股份有限公司 空调***的能耗仿真方法、装置
CN110425685A (zh) * 2019-08-16 2019-11-08 珠海格力电器股份有限公司 空调***控制方法、装置及空调***
CN111237995B (zh) * 2020-01-16 2022-04-15 济中节能技术（苏州）有限公司 一种空调冷机的控制方法
CN111623497A (zh) * 2020-02-20 2020-09-04 上海朗绿建筑科技股份有限公司 一种辐射空调预冷预热方法、***、存储介质及辐射空调
CN113375300A (zh) * 2020-03-09 2021-09-10 青岛海尔空调器有限总公司 空调器的智能控制方法与空调器的智能控制设备
CN112465230A (zh) * 2020-11-30 2021-03-09 施耐德电气（中国）有限公司 一种自适应的冷水机组开机组合优化的预测方法及***
CN113432187B (zh) * 2021-07-08 2022-04-19 宁波奥克斯电气股份有限公司 多联机空调***的控制方法及相关装置
CN113883698B (zh) * 2021-09-23 2022-11-29 深圳达实智能股份有限公司 空调***制冷站开机策略优化方法、***及电子设备
CN113739390B (zh) * 2021-09-30 2023-01-24 上海美控智慧建筑有限公司 空调器控制方法、装置和电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895029A (zh) * 2019-11-27 2020-03-20 南京亚派软件技术有限公司 一种基于冷冻水的温度的建筑负荷预测方法
CN114543303A (zh) * 2022-01-26 2022-05-27 深圳达实智能股份有限公司 基于运行大数据的中央空调制冷站运行优化方法和***

Also Published As

Publication number Publication date
CN114543303A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
US20240044541A1 (en) Systems and methods of optimizing hvac control in a building or network of buildings
CN107860102B (zh) 一种控制中央空调的方法及装置
CN101782258B (zh) 空调节能方法
CN104729024A (zh) 基于室内平均温度的空调负荷预测方法
US20120130924A1 (en) System and method for analyzing energy use
CN110175778B (zh) 机组能效规划***
Meng et al. Thermal energy storage air-conditioning demand response control using elman neural network prediction model
EP3814690B1 (en) Method and controller for controlling a reversible heat pump assembly
CN107036238B (zh) 动态预测外气与负载智慧节能控制方法
US10753632B2 (en) Air-conditioning system
CN111047117B (zh) 一种基于末端负荷预测的压差旁通阀节能优化方法
CN114543303B (zh) 基于运行大数据的中央空调制冷站运行优化方法和***
Zhang et al. Influence of occupant behavior on the energy performance of variable refrigerant flow systems for office buildings: A case study
CN111076378A (zh) 一种基于负荷预测的地铁车站通风空调节能***及方法
CN110895029A (zh) 一种基于冷冻水的温度的建筑负荷预测方法
CN115325682A (zh) 一种高效智能制冷机房性能监测的优化控制方法及装置
CN113790516B (zh) 中央空调制冷站全局优化节能控制方法、***和电子设备
CN112728723A (zh) 一种智能化群控***监测分析制冷机房运行能效的方法
CN115789957A (zh) 一种供能调控方法、装置、设备及存储介质
KR101170743B1 (ko) 건물 에너지 관리 시스템을 통한 냉동기 최적 운전 시스템 및 방법
Afroz et al. Technological advancement of energy management facility of institutional buildings: a case study
TW201027014A (en) Method for managing air conditioning power consumption
KR20130120865A (ko) 빌딩 에너지 관리 시스템에서의 냉동기 대수 제어 장치 및 방법
WO2014115247A1 (ja) システムコントローラ、設備管理システム、デマンド制御方法及びプログラム
CN110094834A (zh) 基于气象预报数据的空调能耗预测方法、空调

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