CN116774749B - 智能控温的电力柜 - Google Patents
智能控温的电力柜 Download PDFInfo
- Publication number
- CN116774749B CN116774749B CN202311078670.0A CN202311078670A CN116774749B CN 116774749 B CN116774749 B CN 116774749B CN 202311078670 A CN202311078670 A CN 202311078670A CN 116774749 B CN116774749 B CN 116774749B
- Authority
- CN
- China
- Prior art keywords
- value
- operation parameter
- classification
- historical data
- cabinet
- 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
Links
- 238000003066 decision tree Methods 0.000 claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000005192 partition Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 241000883990 Flabellum Species 0.000 claims 2
- 238000004891 communication Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 238000001816 cooling Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种智能控温的电力柜,创造性地采用了决策树的形式对历史数据进行梳理,并通过对相对湿度、电机转速、冷凝液流速三种参数的信息增益的比较,确定了三种参数对于环境温度结果的影响的优先级顺序,大大减少了运算量。进一步,本发明的电力柜在运行之后会发送现场数据反馈回远程处理器,将现场数据并入历史数据,由此进一步完善了历史数据库,对远程处理器的下一次决策分析提供了重要参考。
Description
技术领域
本发明涉及一种能够智能控温的电力柜。
背景技术
电力柜是配电***的末级设备。电力柜是电动机控制中心的统称。电力柜使用在负荷比较分散、回路较少的场合;电动机控制中心用于负荷集中、回路较多的场合。它们把上一级配电设备某一电路的电能分配给就近的负荷。这级设备应对负荷提供保护、监视和控制。
电力柜内部电气元件往往处于长时间连续运行状态,柜内的电气装置在操作时必然伴随有大量的热量发生,电力柜发热往往会对电力柜内的橡胶绝缘材料产生严重影响,加速其老化,由此绝缘性能下降,当严重老化时可能会导致内部电气元件短路的现象,产生事故。因此,对电力柜进行冷却并由此控制电力柜的内部温度,成为一项迫在眉睫的课题。
然而,当前的电力柜温控***,其控制思想仍然较为粗放。很多电力柜仅仅利用风扇或冷凝器这类降温器件对电力柜进行降温,技术人员往往只能依据经验来判断风扇或冷凝器的操作,这就导致温度控制不合理。一旦降温器件输出不足,则温度依然过高,对于电力柜中的材料仍然造成损害;而一旦降温器件过分输出,则温度变得过低,也会导致用于降温器件上的降温能耗过高,影响降温器件的使用寿命,也不利于电力柜的长久运行。
发明内容
本发明提供一种智能控温的电力柜,可以对电力柜内的温度进行远程智能调节,由此确保电力柜中温度处于合适范围,由此解决现有技术中存在的上述问题。
具体而言,本发明提供一种智能控温的电力柜,所述电力柜的柜体的侧壁上固定有一个或多个电机、每个电机通过联轴器固定有扇叶,扇叶设置在柜体内,柜体内还设置数据采集控制器、冷凝器、湿度调节器,柜体内还设置用于感应柜体内环境温度的温度传感器,数据采集控制器分别电连接至温度传感器、电机、冷凝器、湿度调节器,数据采集控制器远程通信连接至远程处理器,所述远程处理器利用N组历史数据进行分析决策,其中,每一组历史数据内均包括柜体内环境温度值这一结果参数值以及相对湿度值、电机转速值、冷凝液流速值这三种运行参数值,所述分析决策的过程如下:以所述N组历史数据中的N个环境温度值作为训练集展开决策树分析,所述N个环境温度值的平均值计为K,每种所述运行参数值均有N个运行参数历史数据,对于每种所述运行参数值而言,均将N个运行参数历史数据依据其最大值与最小值之间的区间均分为三等份,依次为低值区间、中值区间、高值区间这三个分类区间,分别计算决策树下所述三种运行参数值的信息增益,这三种运行参数值依据信息增益从大到小的顺序依次排列为第一运行参数值、第二运行参数值、第三运行参数值,第一运行参数值作为决策树的根节点首先依据其三个分类区间对所述N组历史数据进行分类,这三个分类区间中环境温度的平均值与K最为接近的分类分区记为第一分类分区,处于第一分类分区中的N1组历史数据中的所有第一运行参数值的平均值被取为第一运行参数输出值,0<N1≤N;所述第一分类分区再被第二运行参数值依据其三个分类分区所分类,这三个分类分区中环境温度的平均值与K最为接近的分类分区记为第二分类分区,处于第二分类分区中的N2组历史数据中的所有第二运行参数值的平均值被取为第二运行参数输出值,0<N2≤N1;所述第二分类分区再被第三运行参数值依据其三个分类分区所分类,这三个分类分区中环境温度的平均值与K最为接近的分类分区记为第三分类分区,处于第三分类分区中的N3组历史数据中的所有第三运行参数值的平均值被取为第三运行参数输出值,0<N3≤N2;所述第一、第二、第三运行参数输出值被远程处理器发送给数据采集控制器,由此控制电机、冷凝器、湿度调节器的运行,在此情况下,温度传感器感应到柜体内的最新环境温度值,该最新环境温度值被传送回远程处理器;所述最新环境温度值以及所述第一、第二、第三运行参数输出值在远程处理器中共同组成最新一组历史数据,其与所述N组历史数据共同形成更新后的N+1组历史数据,以供远程处理器下一次分析决策。
优选地,所述决策树的经验熵的计算公式为:
,
其中,K表示环境温度集合本身可分成的基础大类数量,D为训练数据集的样本总数,Ck为每个基础大类下对应的样本数,
以三个运行参数值中的任一个作为根节点来计算经验条件熵的计算公式为:
,
其中,H(D|A)表示在三个运行参数值中的任一个的特定特征A下的经验条件熵,Di表示特定特征A下每个分类的数量,Dik表示在根据特征A的分类下每一类的样本数,
由此将经验熵减去经验条件熵就求得特征A下的信息增益。
优选地,如果电机转速值分类下的信息增益最大,相对湿度值分类下的信息增益次之,冷凝液流速值分类下的信息增益最小,则第一运行参数值为电机转速值,第二运行参数值为相对湿度值,第三运行参数值为冷凝液流速值。
可选地,N=14。
可选地,N1=6,N2=4,N3=2。
本发明创造性地采用了决策树的形式对历史数据进行梳理,并通过对相对湿度、电机转速、冷凝液流速三种参数的信息增益的比较,确定了三种参数对于环境温度结果的影响的优先级顺序,大大减少了运算量。进一步,本发明在运行之后会发送现场数据反馈回远程处理器,将现场数据并入历史数据,由此进一步完善了历史数据库,对远程处理器的下一次决策分析提供了重要参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,以下将对实施例或现有技术描述中所需要使用的附图进行论述,显然,在结合附图进行描述的技术方案仅仅是本发明的一些实施例,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图所示实施例得到其它的实施例及其附图。
图1示出了根据本发明的智能控温的电力柜的大致结构示意图。
图2示例性示出了根据本发明的智能控温的电力柜的远程处理器基于决策树的决策分析的大致示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚完整描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部实施例。基于本发明中所述的实施例,本领域普通技术人员在不需要创造性劳动的前提下所得到的所有其它实施例,都在本发明所保护的范围内。
本发明提供一种智能控温的电力柜,如图1所示。图1示出了根据本发明的智能控温的电力柜的大致结构示意图。
在图1所示的电力柜中,柜体1的侧壁上固定有一个或多个电机,每个电机通过联轴器固定有扇叶,扇叶设置在柜体1内,例如,在图1中,设置有两个电机,第一电机2固定有第一扇叶3,第二电机4固定有第二扇叶5。柜体1内还设置温度传感器6,用于感应柜体1内的环境温度。另外,柜体1内还设置一个或多个冷凝器,例如,图1中上下各设置3个冷凝器7。同时,柜体1内还设置一个或多个湿度调节器10,用于调节柜体1内的环境湿度。柜体1内另设置数据采集控制器8,该数据采集控制器8分别电连接至温度传感器、电机、冷凝器、湿度调节器。数据采集控制器8远程通信连接至远程处理器9。
在运行中,如果需要调节柜体1内的环境温度,则远程处理器9远程向数据采集控制器8发送操作指令,数据采集控制器8将操作指令中的转速参数发送至电机并启动电机,将操作指令中的冷凝液流速参数发送至冷凝器并启动冷凝器、将操作指令中的湿度调节参数发送至湿度调节器并启动湿度调节器。
柜体1内的环境温度与扇叶转速、冷凝液流速和环境湿度息息相关,因此,通过对于控制扇叶转速的电机转速(由此决定扇叶转速)、冷凝器中的冷凝液流速参数、湿度调节器所调节的湿度的控制,就可以有效地将柜体1内的环境温度控制在一个合理范围之内。
本发明远程处理器9利用历史数据分析以及决策树来决定上述参数的决策次序,并在决策次序的基础上确定相关参数的具体数值,以便发送至数据采集控制器8根据相关参数的具体数值控制相关元器件来调节柜体1内的环境温度。
相关历史数据例如下表:
序号 | 环境温度(℃) | 相对湿度(%RH) | 电机转速(转/分) | 冷凝液流速(m/s) |
1 | 19.2 | 67.3 | 494 | 0.87 |
2 | 19.3 | 67.2 | 492 | 0.84 |
3 | 19.3 | 66.8 | 490 | 0.56 |
4 | 19.6 | 66.6 | 489 | 0.77 |
5 | 20.0 | 66.6 | 489 | 0.56 |
6 | 20.3 | 66.5 | 488 | 0.67 |
7 | 20.4 | 66.4 | 488 | 0.54 |
8 | 20.5 | 66.4 | 487 | 0.52 |
9 | 20.7 | 66.2 | 486 | 0.65 |
10 | 20.9 | 65.8 | 485 | 0.67 |
11 | 21.2 | 65.4 | 485 | 0.74 |
12 | 21.4 | 65.3 | 483 | 0.56 |
13 | 21.5 | 65.2 | 483 | 0.60 |
14 | 21.6 | 65.0 | 481 | 0.75 |
要注意的是,在实际操作过程中,由于电力柜的长期使用,往往可以采集到成千组数据以供远程处理器9分析,因此可以得到较为全面的分析结果,而上表中仅仅提供14组数据,纯是为了描述方便并节省篇幅。
在远程处理器9的分析过程中,首先将采集到的所有组历史数据中的环境温度在其最高值和最低值之间平均分成三等份,分别为低温区间、适温区间、高温区间。
例如,上述14组数据中,环境温度的最高值为21.6℃,最低值为19.2℃,则在最高值和最低值之间平均分为三等份,则低温区间为[19.2℃,20.0℃),适温区间为[20.0℃,20.8℃),高温区为[20.8℃,21.6℃)。
由此,所述历史数据依据环境温度的不同,也分别归入低温区间、适温区间、高温区间。以上表14组数据为例,归入低温区间的有4组数据,归入适温区间的有5组数据,归入高温区间的有5组数据。
基于此就可以构造决策树。以环境温度数据作为训练数据集,以相对湿度、电机转速、冷凝液流速作为特征集,构造决策树。
首先计算该决策树的经验熵,其公式为:
,
其中,K表示环境温度集合本身可分成的基础大类数量,D为训练数据集的样本总数,Ck为每个基础大类下对应的样本数。
在上述列表的示例中,环境温度集合分成了高温区间、适温区间、低温区间三个基础大类,因此K=3,训练数据集的样本总数为14,因此,D=14,每个基础大类下对应的样本数分别为4、4、5,由此可以求得经验熵为H(D)=1.563。
接下来,对于列表中的相对湿度在其最高值和最低值之间也平均分为三段,分别分为高湿度区间、中湿度区间、低湿度区间。例如,在上表中,高湿度区间为[67.3,66.5),中湿度区间为[66.5,65.7),低湿度区间为[65.7,65.0]。
高湿度区间的样本数为5个,其中4个样本在低温区间,1个样本在适温区间;中湿度区间的样本数为5个,这4个样本处于适温区间,1个样本处于高温区域;低湿度区间的样本数为4个,这4个样本均处于高温区间。
而以特定特征A作为根节点来计算经验条件熵,则公式如下:
,
其中,H(D|A)表示在特定特征下的经验条件熵,最终呈现的等式右边中,Di表示特定特征A下每个分类的数量,Dik表示在根据特征A的分类下每一类的样本数。
具体到以相对湿度作为特定特征A,以上述例子描述,则D=14,D1=5,D2=5,D3=4,相应地,可求出相对湿度下的经验条件熵为0.515。由此,以相对湿度作为特定特征A,信息增益为1.563-0.515=1.048。
如果以电机转速作为特定特征A,也可带入上述公式,求出电机转速下的经验条件熵为0.432,由此,以电机转速作为特定特征A,则信息增益为1.563-0.432=1.131。
如果以冷凝液流速作为特定特征A,也可带入上述公式,求出冷凝液流速下的经验条件熵为1.275,由此,以冷凝液流速作为特定特征A,则信息增益为1.563-1.275=0.288。
由上述实例可以看出,从信息增益的角度看,以电机转速作为根节点所获得的信息增益最大,相对湿度次之,冷凝液流速最次。
换言之,电机转速的变化最能反映环境温度的变化,相对湿度次之,冷凝液流速最次。
因此,在构建决策树时,选择电机转速作为决策树根节点的特征,随后以相对湿度作为中间节点,而冷凝液流速作为叶子节点,由此形成图2所示的决策树示例。
如图2所示的决策树中,以所有组历史数据作为训练集,则在根节点“电机转速”的区分下,形成了三类,高速区间类、中速区间类、低速区间类。
然后,将上述所有组的历史数据中的环境温度取平均值T。在示例中,则是取14组历史数据的环境温度平均值T=20.4℃。在决策树中,高速类包括前三组数据,其高速类的环境温度平均值为19.3℃,中速类的环境温度平均值为20.3℃,低速类的环境温度平均值为21.1℃。由此可见,中速类的环境温度平均值最为接近历史数据的环境温度平均值,因此,选取中速类的转速平均值作为远程处理器9的电机转速的输出值。
紧接着,选取中速类的各组历史数据以相对湿度进行决策树分类。在图2的决策树中,中速类的历史数据一共有6组,其中2组处于高湿度区间,另外4组处于中湿度区间。经计算,处于中湿度区间的4组历史数据的平均环境温度要比处于高湿度区间的那2组更接近于所有14组的环境温度平均值。因此,选取这4组处于中湿度区间的历史数据的湿度平均值作为远程处理器9的相对湿度的输出值。
需要注意的是,在实践中,中速类的历史数据在相对湿度的决策类分类下通常也会分成三种区间,即,高湿度区间、中湿度区间、低湿度区间。由于本示例中样本数量所限,低湿度区间的历史数据为0组,因此上文未提及低湿度区间,但并不表示低湿度区间不存在,在此可以将低湿度区间计为0组历史数据。
上述4组处于中湿度区间的历史数据再以冷凝液流速进行决策树分类。在分类之下,其中2组处于中流速区间,另外2组处于低流速区间,处于低流速区间内的2组的平均环境温度值相比于处于中流速区间的2组更接近于14组历史数据的环境温度的平均值,因此,选取这两组的流速平均值作为远程处理器9的冷凝液流速的输出值。
与上文所述类似,受本示例历史数据数量所限,此处的高流速区间的历史数据也为0组,因此前段也未提及,但并不表示高流速区间不存在,在此可以将高流速区间计为0组历史数据。
由此,经过决策树的辅助决策,远程处理器9就根据上述14组历史数据得出相对湿度、电机转速、冷凝液流速的输出值,这三个输出值将由远程处理器9远程发送至柜体1内的数据采集控制器8。数据采集控制器8再基于相对湿度输出值、电机转速输出值、冷凝液流速输出值分别控制湿度调节器10、电机、冷凝器7的运转,由此对柜体1内的环境温度进行调节。
在此情况下,温度传感器6将感应到柜体1内的最新温度,该最新温度将与湿度输出值、电机转速输出值、冷凝液流速输出值一起被数据采集控制器8所采集形成新一组历史数据,所述新一组历史数据被回传至远程处理器9,并与原先的历史数据合并,形成最新的历史数据库,以供远程处理器9下一次分析处理之用。
例如,在上述示例中,原先存在14组历史数据,当新一组历史数据形成并反馈至远程处理器9之后,将形成15组历史数据。那么远程处理器9下一次的分析决策,将基于这15组历史数据进行。
到此已基本将本发明描述完毕。需要注意的是,上述示例并不构成对本发明的限制。尤其是,在上述示例中通过列表数据认定电机转速的增益系数为最大。然而,在实践中,完全可能是其他参数特征的增益系数为最大,例如相对湿度。而且,示例中仅仅列出了14组数据,实践中,由于电力柜不可避免地长时间频繁操作,历史数据完全会在1000组甚至10000组数据以上。本发明的描述仅仅列举14组数据,其仅仅由于篇幅关系以及描述方便。
而面对潜在的如此之多的历史数据,本发明创造性地采用了决策树的形式对历史数据进行梳理,并通过对相对湿度、电机转速、冷凝液流速三种参数的信息增益的比较,确定了三种参数对于环境温度结果的影响的优先级顺序,大大减少了运算量。进一步,本发明在运行之后会发送现场数据反馈回远程处理器,将现场数据并入历史数据,由此进一步完善了历史数据库,对远程处理器的下一次决策分析提供了重要参考。
以上所述仅为本发明的示例性实施例而已,并不用以限制本发明,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,均应包含在本发明保护的范围之内。
Claims (4)
1.一种智能控温的电力柜,其特征在于,所述电力柜的柜体的侧壁上固定有一个或多个电机、每个电机通过联轴器固定有扇叶,扇叶设置在柜体内,柜体内还设置数据采集控制器、冷凝器、湿度调节器,柜体内还设置用于感应柜体内环境温度的温度传感器,数据采集控制器分别电连接至温度传感器、电机、冷凝器、湿度调节器,数据采集控制器远程通信连接至远程处理器,所述远程处理器利用N组历史数据进行分析决策,其中,每一组历史数据内均包括柜体内环境温度值这一结果参数值以及相对湿度值、电机转速值、冷凝液流速值这三种运行参数值,所述分析决策的过程如下:
以所述N组历史数据中的N个环境温度值作为训练集展开决策树分析,所述N个环境温度值的平均值计为M,每种所述运行参数值均有N个运行参数历史数据,对于每种所述运行参数值而言,均将N个运行参数历史数据依据其最大值与最小值之间的区间均分为三等份,依次为低值区间、中值区间、高值区间这三个分类区间,
分别计算决策树下所述三种运行参数值的信息增益,这三种运行参数值依据信息增益从大到小的顺序依次排列为第一运行参数值、第二运行参数值、第三运行参数值,
第一运行参数值作为决策树的根节点首先依据其三个分类区间对所述N组历史数据进行分类,这三个分类区间中环境温度的平均值与M最为接近的分类分区记为第一分类分区,处于第一分类分区中的N1组历史数据中的所有第一运行参数值的平均值被取为第一运行参数输出值,0<N1≤N;
所述第一分类分区再被第二运行参数值依据其三个分类分区所分类,这三个分类分区中环境温度的平均值与M最为接近的分类分区记为第二分类分区,处于第二分类分区中的N2组历史数据中的所有第二运行参数值的平均值被取为第二运行参数输出值,0<N2≤N1;
所述第二分类分区再被第三运行参数值依据其三个分类分区所分类,这三个分类分区中环境温度的平均值与M最为接近的分类分区记为第三分类分区,处于第三分类分区中的N3组历史数据中的所有第三运行参数值的平均值被取为第三运行参数输出值,0<N3≤N2;
所述第一、第二、第三运行参数输出值被远程处理器发送给数据采集控制器,由此控制电机、冷凝器、湿度调节器的运行,在此情况下,温度传感器感应到柜体内的最新环境温度值,该最新环境温度值被传送回远程处理器;
所述最新环境温度值以及所述第一、第二、第三运行参数输出值在远程处理器中共同组成最新一组历史数据,其与所述N组历史数据共同形成更新后的N+1组历史数据,以供远程处理器下一次分析决策,
其中,所述决策树的经验熵的计算公式为:
,
其中,K表示环境温度集合本身可分成的基础大类数量,D为训练数据集的样本总数,Ck为每个基础大类下对应的样本数,
以三个运行参数值中的任一个作为根节点来计算经验条件熵的计算公式为:
,
其中,H(D|A)表示在三个运行参数值中的任一个的特定特征A下的经验条件熵,Di表示特定特征A下每个分类的数量,Dik表示在根据特征A的分类下每一类的样本数,
由此将经验熵减去经验条件熵就求得特征A下的信息增益。
2.根据权利要求1所述的电力柜,其特征在于,如果电机转速值分类下的信息增益最大,相对湿度值分类下的信息增益次之,冷凝液流速值分类下的信息增益最小,则第一运行参数值为电机转速值,第二运行参数值为相对湿度值,第三运行参数值为冷凝液流速值。
3.根据权利要求1所述的电力柜,其特征在于,N=14。
4.根据权利要求3所述的电力柜,其特征在于,N1=6,N2=4,N3=2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311078670.0A CN116774749B (zh) | 2023-08-25 | 2023-08-25 | 智能控温的电力柜 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311078670.0A CN116774749B (zh) | 2023-08-25 | 2023-08-25 | 智能控温的电力柜 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116774749A CN116774749A (zh) | 2023-09-19 |
CN116774749B true CN116774749B (zh) | 2023-11-03 |
Family
ID=87989974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311078670.0A Active CN116774749B (zh) | 2023-08-25 | 2023-08-25 | 智能控温的电力柜 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116774749B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956935A (zh) * | 2016-05-06 | 2016-09-21 | 泉州亿兴电力有限公司 | 一种配电网变压器阈值更新方法及*** |
CN107734931A (zh) * | 2017-10-27 | 2018-02-23 | 国家电网公司 | 具有精准控温及独立除湿功能的电气设备组件柜 |
CN208077035U (zh) * | 2017-11-30 | 2018-11-09 | 中茵电力科技(苏州)有限公司 | 一种变电柜 |
CN108966448A (zh) * | 2018-05-31 | 2018-12-07 | 淮阴工学院 | 一种基于自适应模糊决策树的灯光动态调控方法 |
CN111256428A (zh) * | 2020-01-20 | 2020-06-09 | 连云港韬惠实业有限公司 | 一种基于自适应的冷库温度模糊控制方法 |
CN111649465A (zh) * | 2020-06-05 | 2020-09-11 | 哈尔滨工业大学 | 一种空调设备自动控制方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090125155A1 (en) * | 2007-11-08 | 2009-05-14 | Thomas Hill | Method and System for Optimizing Industrial Furnaces (Boilers) through the Application of Recursive Partitioning (Decision Tree) and Similar Algorithms Applied to Historical Operational and Performance Data |
US9200591B2 (en) * | 2011-07-06 | 2015-12-01 | Honeywell International Inc. | Automatic identification of operating parameters for power plants |
US10825113B2 (en) * | 2018-03-16 | 2020-11-03 | Dalian University Of Technology | Method for short-term generation scheduling of cascade hydropower plants coupling cluster analysis and decision tree |
-
2023
- 2023-08-25 CN CN202311078670.0A patent/CN116774749B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956935A (zh) * | 2016-05-06 | 2016-09-21 | 泉州亿兴电力有限公司 | 一种配电网变压器阈值更新方法及*** |
CN107734931A (zh) * | 2017-10-27 | 2018-02-23 | 国家电网公司 | 具有精准控温及独立除湿功能的电气设备组件柜 |
CN208077035U (zh) * | 2017-11-30 | 2018-11-09 | 中茵电力科技(苏州)有限公司 | 一种变电柜 |
CN108966448A (zh) * | 2018-05-31 | 2018-12-07 | 淮阴工学院 | 一种基于自适应模糊决策树的灯光动态调控方法 |
CN111256428A (zh) * | 2020-01-20 | 2020-06-09 | 连云港韬惠实业有限公司 | 一种基于自适应的冷库温度模糊控制方法 |
CN111649465A (zh) * | 2020-06-05 | 2020-09-11 | 哈尔滨工业大学 | 一种空调设备自动控制方法及*** |
Non-Patent Citations (1)
Title |
---|
随机森林算法应用于锅炉燃料量预测的参数设定;蔡佳成;沈学强;;数字技术与应用(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116774749A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108317670B (zh) | 一种基于机器学习的制冷***节能控制方法及*** | |
CN109974223B (zh) | 根据天气预报调整空调工作的空调控制方法及装置 | |
CN111897261B (zh) | 一种数据中心机房环境的综合管理***及方法 | |
CN105843189B (zh) | 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 | |
CN108105969B (zh) | 一种空调智能监测***及空调的运行效率异常检测方法 | |
CN104121666A (zh) | 用于中央空调风***的逐时变频供风***及控制方法 | |
CN107143981B (zh) | 一种中央空调节能控制***和方法 | |
CN115789856A (zh) | 一种用于通风设备的在线监测控制*** | |
CN115498313A (zh) | 风冷型锂离子电池储能集装箱热管理***异常预警方法 | |
CN106969477A (zh) | 空调控制方法及空调控制器 | |
CN114727570B (zh) | 一种基于温度变化关系的制冷机组水温调节方法 | |
CN206771651U (zh) | 空调控制器及空调控制*** | |
CN113203231B (zh) | 机组的能量调节方法、装置和机组 | |
CN115843170A (zh) | 机房空调节能控制*** | |
CN112070353A (zh) | 一种精确检测数据中心能效的方法及*** | |
CN111306728A (zh) | 空调***风量调控的方法、装置及计算机设备 | |
EP4033169B1 (en) | Air-conditioning control device, air-conditioning system, air-conditioning control method, and air-conditioning control program | |
CN116774749B (zh) | 智能控温的电力柜 | |
CN113883698A (zh) | 空调***制冷站开机策略优化方法、***及电子设备 | |
CN115327930B (zh) | 一种可视化节能管控方法及*** | |
CN203928297U (zh) | 用于中央空调风***的逐时变频供风*** | |
CN108917090B (zh) | 一种空调机组性能测试方法 | |
CN110568257A (zh) | 一种空调能耗持续监测方法及装置 | |
CN112797017B (zh) | 一种冷却循环水节能改造的节能空间估算方法 | |
CN115907138A (zh) | 一种用于对数据中心的pue值进行预测的方法、***及介质 |
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 |