CN117346303A - 一种基于温度前馈调节的冷热平衡调节方法及装置 - Google Patents
一种基于温度前馈调节的冷热平衡调节方法及装置 Download PDFInfo
- Publication number
- CN117346303A CN117346303A CN202311606487.3A CN202311606487A CN117346303A CN 117346303 A CN117346303 A CN 117346303A CN 202311606487 A CN202311606487 A CN 202311606487A CN 117346303 A CN117346303 A CN 117346303A
- Authority
- CN
- China
- Prior art keywords
- time
- temperature
- indoor
- cold
- water supply
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 169
- 230000002411 adverse Effects 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005057 refrigeration Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004378 air conditioning Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000010438 heat treatment Methods 0.000 description 17
- 238000001816 cooling Methods 0.000 description 12
- 230000032683 aging Effects 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 8
- 238000011217 control strategy Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010977 unit operation Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007865 diluting Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- F24F11/50—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
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种基于温度前馈调节的冷热平衡调节方法及装置,涉及建筑物集中空调技术领域,通过实时预测的未来几个小时的主机***供水温度更新提前一天预测的24小时的主机***供水温度逐时曲线,根据更新后的24小时的主机***供水温度逐时曲线计算需要提前调节主机的室内最不利端开机后温度达到标准舒适度的时长,并计算今日实际需要设定的出水温度时间曲线;根据今日实际需要设定的出水温度时间曲线提前下发主机出水温度设定值。本申请提供的一种基于温度前馈调节的冷热平衡调节方法及装置能够在保证室内负荷需求的前提下寻找出水泵流量的最佳控制,使得节能效果明显。
Description
技术领域
本申请涉及建筑物集中空调技术领域,具体涉及一种基于温度前馈调节的冷热平衡调节方法及装置。
背景技术
建筑物集中空调***中广泛存在的问题是“大流量、小温差”现象。在输送同样冷量的情况下,“大流量、小温差”会增大冷冻水循环泵的能耗,造成冷冻水输配系数的降低,而且冷冻水“大流量、小温差”会影响到制冷机群,因此,冷冻水循环泵的变频控制至关重要。目前,常见的冷冻水循环泵的变频控制包括定压差控制和定温差控制。由于定压差控制水泵频率的方法,对于压差设定值和管路***的调试要求较高,故而在实际应用中,定温差控制使用更为广泛。
定温差控制可以有效的在部分负荷时降低水泵流量。理想工况下,冷冻水循环泵的目标控制温差应为设计工况的冷冻水***温差值(常见的冷冻水***温差为5℃)。但是实际使用中往往存在较大的问题,因为末端往往具有很强的负荷不均匀性,这就导致某些末端可能在3℃温差下,另一些则在5℃温差下,此时总温差低于5℃,但如果此时调低泵的转速,使平均温差达到5℃,那些之前运行在5℃温差下的末端就可能无法满足需求,且实际项目中往往会存在水力不平衡的问题,在水力不平衡的情况下,循环泵为了满足某些支路,会导致另外支路的过度供给。因此,末端如果不能实现自动调节流量或存在水力不平衡问题,甚至是实际最不利末端与设计情况不符,***都将会运行在定流量的情况下,在负荷降低时,必然出现“大流量、小温差”的情况。
申请号为202111348711.4的专利文献中公开了一种考虑多源不确定性的建筑冷热负荷预测方法,该方法通过建筑各项参数预测建筑全年逐时冷热负荷。首先,通过对建筑物多参数收集,将其分为具有不确定性的参数与确定性的参数,根据不确定性参数的性质确定其概率密度函数,再从中使用拉丁超立方抽样生成不确定性参数样本集;其次,基于建筑确定性的参数,使用蒙特卡罗方法建立数学模型,将建筑确定性参数与不确定性样本集共同导入模型中,进行建筑的冷热负荷预测,获得不同概率密度下建筑全年逐时冷热负荷。但是,该方法的预测精度受到数据质量和模型精度的影响,需要大量数据和复杂模型才能实现,且引入正态分布、平均分布以及三角分布等方法计算不确定性参数的概率密度,会造成模型不擅长应对个别实际存在的非正常日的异常情况,例如商场的周年庆。
申请号为202310049015.6的专利文献中公开了一种基于模拟仿真和冷负荷预测模型的区域供冷***冷站优化算法,该方法通过收集冷站的历史运行数据与天气预报数据建立数据库,对数据库进行数据预处理,基于数据预处理后的数据建立冷机与水泵的能耗模型和冷负荷能耗模型,根据当前供冷***运行现状,在模型中预测***运行能耗最低时的冷冻水供水温度、冷东侧流量以及冷却侧流量,提高了机组效率,缓解了冷站供需不平衡的问题。但是,该方法为了确保模型预测结果的精准,运用了神经网络算法等技术,缺少验证处理的过程,在项目后期,随着时间增长,模型训练的样本增多,模型的训练容易出现过拟合的情况,导致预测数据与实际需求偏差较大,又因该方法特性缺少决策的解释过程,导致现场无法根据预测结果验证预测的可实施性。
申请号为202011384797.1的专利文献中公开了一种自适应的冷水机组开机组合优化的预测方法及***,该方法通过建筑内各项数据预测冷负荷需求,进而预测机组能耗量最低的冷机运行开关机组合策略。首先,建立建筑冷负荷模型与机组运行组合优化模型,通过对配置的建筑信息进行验证,对于未通过验证的建筑信息,将建筑信息放入冷负荷模型中训练,对于通过验证后的建筑信息将于冷负荷模型中进行冷负荷预测,基于预测出的冷负荷,可在机组运行组合优化模型中预测出冷机能耗最低的开机组合策略,达到降本增效的目的。但是,该方法只考虑了运行中的策略,并未在整体开关机时间预设上做模型训练,对于前一天机组整体关机后建筑内累计的热量,没有整体机组的提前开机策略,对此可能会有机组过热停机与用户舒适度下降的风险,且该模型虽然适用于多种类型的建筑,但对于模型训练需要大量相似天的分析,在经验库未成熟之前,预测值可能出现偏差。
申请号为202210092331.7的专利中公开了一种基于运行大数据的中央空调制冷站运行优化方法和***,该方法以***运行数据,运用算法模型进行开机时间预测、过程策略组合预测与关机时间预测,实现了整体运行全过程的优化;根据开机小时数、当前室内温度、室内目标温度以及室外湿球温度在预测模型中进行训练,输出预测冷量;根据预测冷量、开机运行数据、关机运行数据以及室外环境数据确定制冷机组的开机策略;根据调节运行数据、环境数据、预测冷量以及加减机逻辑判断获得加减机标志;冷量表、预测冷量以及加减机标志确定机组调节策略。但是,其预测结果的确定性因素为环境数据与机组运行参数,环境参数与建筑数据采集的数据较少,并且对物联网所采集的数据质量要求较高,数据清洗的工作量较大,且实施过程中的开关机时间预测,策略调节都与冷负荷预测模型密不可分,不相互独立,这有可能造成冷负荷预测结果偏差较大,增加开关机时间预测、机组运行策略以及加减机运行策略的不稳定性。
申请号为201710242803.1的专利中公开了一种基于室外温湿度的空调调整冷冻水温度运行的方法,该方法通过采集室内温湿度,根据室内温度、室内湿度与室内水体温度计算室内散湿量,设置室内温度阈值与相对湿度阙值上下限范围;采集末端设备主要参数,做末端设备的热湿交换拟合;通过采集建筑室外温度、相对湿度、室内温度、以上设定的温湿度阙值,风机盘管出风量等数值计算满足温湿度阙值的最高供水温度。运行一段时间后,根据数据进步调控,采集室内温度与相对湿度,判断是否满足设置的温度阙值与相对湿度阈值的范围.若不满足范围将进行时间跨度 10min 与幅度 1C冷冻水出水温度的调节,若满足将以原冷冻水出水温度持续运行。但是,该方法对于大体量多区域空间的可能会出现数据采集精度较低,计算繁琐与策略实施滞后的情况。
申请号为202010975879.7的专利文献中公开了一种冷冻水温度的预测方法及装置,是一种冷冻水温度预测与设备失效判断的方法,为了解决冷冻水温度采集器失效而导致控制侧因不准确数据而产生的失误,其包含多个模型。历史冷冻水数据包含冷冻水进水温度与出水温度,历史数据影响因素包含室外温度与制冷剂饱和温度。首先,根据历史数据与影响因素数据确定训练集与测试集,在多元非线性回归模型,支持向量回归模型,神经网络模型中人选两个或多个,确定待训练模型;用训练集对待训练模型进行训练,确定候选模型;根据测试集确定候选模型的模型精度,最后根据模型精度最大值对应的候选模型确定为冷冻水温度预测模型。判断方法为,设置实时值与预测值差值绝对值的阈值,若两者之差的绝对值超过阈值范围,则判断设备失效。但是,该方法具有以下缺陷:首先,模型中历史数据影响因素考虑较少,未考虑围护结构,人员密度,设备密度等影响负荷的参数;其次,若运行***并未采用节能策略与算法的情况下,预测结果可能会逼近历史最优数据,但未必会产生节能的效果;再者,作为设备的失效判断方法,并未考虑传感器的多种失效情况,例如供回水温度长时间无变化,会导致数据在未超过阈值范围的情况下,传感器无法被及时定位,若失效设备不为冷冻水温度传感器时,被判断数据出现超阈值范围波动,导致判断失准。
综上可知,现有技术虽然可以解决冷冻水循环泵(简称:水泵)的变频控制的问题,但是没办法在保证室内负荷需求的前提下寻找出水泵流量的最佳控制,导致能耗较高,而且实际情况下,由于施工、调试及实际使用负荷需求变化等原因,最不利环路常与设计情况不一致,管路阻力特性也会有所区别,故而导致实际水泵变频控制中的温差设定值,需要在不断的调试过程中进行调整,耗费大量的人力物力,随着项目的运行,业态变更带来的负荷需求特性改变以及水管路脏堵情况等带来的管路特性变化,都将给水泵变频控制带来挑战。
发明内容
为此,本申请提供一种基于温度前馈调节的冷热平衡调节方法及装置,以解决现有技术没办法在保证室内负荷需求的前提下寻找出水泵流量的最佳控制的问题。
为了实现上述目的,本申请提供如下技术方案:
第一方面,一种基于温度前馈调节的冷热平衡调节方法,包括:
步骤1:获取提前一天预测的今日24小时的主机***供水温度逐时曲线;
步骤2:获取今日实时天气预报,并根据今日实时天气预报预测未来几个小时的主机***供水温度;
步骤3:根据所述未来几个小时的主机***供水温度更新所述24小时的主机***供水温度逐时曲线;
步骤4:根据更新后的所述24小时的主机***供水温度逐时曲线计算需要提前调节主机的室内最不利端开机后温度达到标准舒适度的时长;
步骤5:根据所述室内最不利端开机后温度达到标准舒适度的时长计算今日实际需要设定的出水温度时间曲线;
步骤6:根据所述今日实际需要设定的出水温度时间曲线提前下发主机出水温度设定值。
作为优选,所述步骤1和所述步骤2中的主机***供水温度是根据预先训练好的建筑冷热负荷逐时预测模型预测的。
作为优选,所述步骤4中,所述室内最不利端开机后温度达到标准舒适度的时长是通过预先训练好的室内最不利端开机后温度达到标准舒适度的时长Te预测模型计算得到的。
作为优选,还包括:
每隔所述室内最不利端开机后温度达到标准舒适度的时长判断未来所述室内最不利端开机后温度达到标准舒适度的时长内预测的建筑冷热负荷的总负荷值是否超过当前机组总负载的第一阈值且保持了一定时长;
若超过当前机组总负载的第一阈值且保持了一定时长,则再开一套机组;
若未超过当前机组总负载的第一阈值且未保持一定时长,则判断未来所述室内最不利端开机后温度达到标准舒适度的时长内预测的建筑冷热负荷的总负荷值是否低于当前机组总负载的第二阈值且保持了一定时长;
若低于当前机组总负载的第二阈值且保持了一定时长,则关闭一套机组。
作为优选,还包括:
根据预先训练好的室内最不利端达到标准舒适温度的主机制冷/热目标温度预测模型计算出开始上班时刻的主机***供水温度的目标值;
根据所述开始上班时刻的主机***供水温度的目标值计算开始上班时刻满足室内最不利端开机后温度达到标准舒适度的时长;
根据建筑冷热负荷逐时预测模型计算出开始上班时刻的建筑总负荷需要匹配的机组台数;
根据定时任务相对开始上班时间提前所述室内最不利端开机后温度达到标准舒适度的时长开启匹配的机组,并设定主机***供水温度为所述目标值。
作为优选,还包括:
根据预先训练好的室内最不利端关机后温度超出标准舒适度的时长预测模型计算室内最不利端关机后温度超出标准舒适度的时长;
根据定时任务相对下班时间提前所述室内最不利端关机后温度超出标准舒适度的时长关闭所有机组。
第二方面,一种基于温度前馈调节的冷热平衡调节装置,包括:
数据获取模块,用于获取提前一天预测的今日24小时的主机***供水温度逐时曲线;
主机***供水温度预测模型,用于获取今日实时天气预报,并根据今日实时天气预报预测未来几个小时的主机***供水温度;
更新模块,用于根据所述未来几个小时的主机***供水温度更新所述24小时的主机***供水温度逐时曲线;
第一计算模块,用于根据更新后的所述24小时的主机***供水温度逐时曲线计算需要提前调节主机的室内最不利端开机后温度达到标准舒适度的时长;
第二计算模块,用于根据所述室内最不利端开机后温度达到标准舒适度的时长计算今日实际需要设定的出水温度时间曲线;
温度设定模块,用于根据所述今日实际需要设定的出水温度时间曲线提前下发主机出水温度设定值。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于温度前馈调节的冷热平衡调节方法的步骤。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现一种基于温度前馈调节的冷热平衡调节方法的步骤。
相比现有技术,本申请至少具有以下有益效果:
本申请提供了一种基于温度前馈调节的冷热平衡调节方法及装置,通过获取提前一天预测的今日24小时的主机***供水温度逐时曲线;获取今日实时天气预报,并根据今日实时天气预报预测未来几个小时的主机***供水温度;根据未来几个小时的主机***供水温度更新24小时的主机***供水温度逐时曲线;根据更新后的24小时的主机***供水温度逐时曲线计算需要提前调节主机的室内最不利端开机后温度达到标准舒适度的时长,并计算今日实际需要设定的出水温度时间曲线;根据今日实际需要设定的出水温度时间曲线提前下发主机出水温度设定值。本申请提供的一种基于温度前馈调节的冷热平衡调节方法及装置能够在保证室内负荷需求的前提下寻找出水泵流量的最佳控制,使得节能效果明显,且在提升水***输配效率的同时,节省了调试和设置温差设定值的人工成本。
附图说明
为了更直观地说明现有技术以及本申请,下面给出示例性的附图。应当理解,附图中所示的具体形状、构造,通常不应视为实现本申请时的限定条件;例如,本领域技术人员基于本申请揭示的技术构思和示例性的附图,有能力对某些单元(部件)的增/减/归属划分、具体形状、位置关系、连接方式、尺寸比例关系等容易作出常规的调整或进一步的优化。
图1为本申请实施例一提供的一种基于温度前馈调节的冷热平衡调节方法流程图;
图2为本申请实施例一提供的建筑冷热负荷Ep预测的所有影响因素结构示意图;
图3为本申请实施例一提供的建筑冷热负荷Ep逐时预测模型的预测时效结构示意图。
具体实施方式
以下结合附图,通过具体实施例对本申请作进一步详述。
在本申请的描述中:除非另有说明,“多个”的含义是两个或两个以上。本申请中的术语“第一”、“第二”、“第三”等旨在区别指代的对象,而不具有技术内涵方面的特别意义(例如,不应理解为对重要程度或次序等的强调)。“包括”、“包含”、“具有”等表述方式,同时还意味着“不限于”(某些单元、部件、材料、步骤等)。
本申请中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语,通常是为了便于对照附图直观理解而就大体的相对位置关系所作的指示,并非对实际产品中位置关系的绝对限定。
本申请提供了一种基于温度前馈调节的冷热平衡调节方法及装置,基于建筑总体冷热负荷预测的供需匹配寻优,通过负荷预测计算出未来24小时及短时的末端冷热量需求,反推为了满足这个时刻的需求而应该投入的最优机组组合和供水温度等运行参数,为保障最优的组合是实际可投入生产的,在现有的冷、热源设备及辅助设备、新风、***管道等设备基础上,还得考虑设备及***故障因素、不确定性因素(如阀门开不到位等)、峰谷差价、费用成本等因素,最终给出一个安全、可靠且节能的开机、蓄冷(热)组合及供水温度、开机关机时间。
本申请中的基于温度前馈调节的冷热平衡调节方法搭载于自研数字化的基于温度前馈调节的冷热平衡调节装置中,同时保留本地PLC基本控制逻辑(主机、水泵、冷却塔、阀门等辅助设备),可具备切换功能,以满足设备维修时人工控制。
其中,PLC控制器负责暖通机组基础的控制逻辑,如:制冷制热模式一键启停机组基础逻辑、加减载基础逻辑、冷温水泵调频(运行台数、一二次***流量匹配判断)与加减载基础逻辑、冷却水泵调频与加减载基础逻辑、冷却塔风机调频与加减载基础逻辑,这些基础控制逻辑由PLC控制器实现;
AI控制策略(即基于温度前馈调节的冷热平衡调节方法)主要负责:机组出水温度动态设定、主机动态加减载设定、机组动态开机时刻设定和机组动态关机时刻设定。
AI控制策略基于PLC控制策略,当AI控制策略下发失效时,不影响PLC按照基础策略运行。AI控制策略提供的是考虑主机制冷、制热时长和水***输送的滞后性,通过数据训练掌握主机的能量生产时效和水***输送时效,从而根据末端负荷需求进行提前控制温度和总热量。
本申请的总体实现路径包括以下几个步骤:
1)专家经验运行
在完成空调***水力平衡调试基础上,按照中瑞恒暖通***专家控制策略和节能运行策略实施标准,在自控***中完成部署和调试,在稳定运行后,持续运行2周时间,以便在数据库中积累基于专家经验的可靠历史数据。
2)数据建模
基于专家经验的历史数据,实现数据建模,包括:
Ep:建筑冷热负荷逐时预测;
Ts:主机***供水温度逐时预测;
To:主机制冷/热时效预测;
Te:冷温水***开机后输送时效预测;
Tg:冷温水***关机后输送惰性时效预测;
3)智能控制
根据主机***供水温度Ts逐时预测和冷温水***输送时效Te预测模型,实现主机出水温度设定值的动态提前下发控制;
根据建筑冷热负荷Ep逐时预测和冷温水***输送时效Te预测模型,实现机组加减载的动态提前下发控制;
根据冷温水***输送时效Te预测和主机***供水温度Ts逐时预测模型及建筑冷热负荷逐Ep时预测模型,实现主机早上开机提前时长计算和下午关机提前时长计算,以及开机台数计算,然后按照该节能时刻下发开关机控制。
实施例一
请参阅图1,本实施例提供了一种基于温度前馈调节的冷热平衡调节方法,包括:
步骤1:获取提前一天预测的今日24小时的主机***供水温度逐时曲线;
具体的,今日24小时的主机***供水温度Ts逐时曲线是提前一天通过天气预报和预先训练好的建筑冷热负荷Ep逐时预测模型预测的。
建筑冷热负荷Ep逐时预测模型:
本实施例提供的建筑冷热负荷Ep逐时预测模型关注的是基于***历史运行数据的负荷预测,历史的冷热负荷数据来源于热量表的计量值,在运行过程中,只考虑动态影响负荷的因素即可,恒定因素可以忽略(如围护结构、玻璃窗面积等)。基于项目运行能效数据和设备实际特性,优化各项控制,根据传感器间数据约束关系,修正传感器偏差影响;依据实际运行工况,调整设备性能曲线模型;根据实际传感器、流量计安装位置,优化负荷需求算法;深入分析项目实际运行能耗,优化控制策略,进一步提高***能效。
请参阅图2,本实施例中,建筑冷热负荷Ep预测的所有影响因素如下:
(1)室外因素
主要是天气因素,项目所在地的辐照度、温度、湿度、风向、风速,是主要影响室内负荷的因素。
对于建筑冷热负荷Ep逐时预测模型的机器学习数据源来说,需要获取对象历史时刻的上述天气数据,考虑购买。
对于未来的天气预报,需要获取这5个天气参数,可以通过第三方接口获得。
(2)室内因素
室内影响负荷动态权重的因素包括不同区域对温度、湿度、空气质量等的舒适性需求,考虑同一套冷热源***供给末端不同需求的区域,如医院场景,需要同时给公共区域和手术室区域供冷的情况,其对环境需求完全不一样。
总体来说,室内因素包括如下几个指标:
室内平均温度,取区域最不利点的平均温度;
室内设定温度,取区域舒适需求温度;
室内平均湿度,取区域室内平均湿度值;
室内设定湿度,取区域舒适需求湿度;
室内单平米能耗,取区域内总能耗与建筑面积的比值;
室内人流量,取建筑总人流量数据;
新风量,可以去新风机组开机次数或者CO2浓度;
室内洁净度取区域室内平均值;
建筑特性:办公、商场、医院、综合体、学校等特点及负荷系数,增加特殊情况下的负荷需求,如大型会议、体育比赛等因素。
(3)主机、***因素:
溴化锂吸收式主机制冷从开机到机组有制冷能力需要30分钟以上,稀释停机需要30分钟以上,稀释停机时有部分制冷能力,在设备运行时都需要进行考虑。
同一项目配置电空调、溴化锂机组等多类不同设备时,需要考虑设备的效率和单位冷、热量成本和设备加减载的预测(时间),不考虑成本情况下以运行需要时间较长的溴化锂机组为基载机组,电空调加载快,能快速适应负荷变化,作为加载机组。
主机效率和出力问题,通过数据分析机组性能,低于额定的70%预警,以综合性能高设备为优先。
有蓄冷、蓄热设备或利用***管道保有水量来蓄冷、蓄热,利用峰谷差价或在提前蓄冷、蓄热满足高峰负荷需求。
盘管(风柜)表冷器用于降温工况时,冷水的进水温度≤出风口温度-3.5℃,其进出水温差控制在3.5~6.5℃;表冷器用于空气冷却除湿工况时,冷水的出水温度≤出风口露点温度-0.7℃。
(4)建筑冷热负荷Ep逐时预测模型训练
基于室内、室外影响因素的历史数据,经过有效数据清洗、时间对齐等处理,选用合适的机器学习或者深度学习算法,进行模型训练。
算法训练自变量包括:室内因素、室外因素。
算法训练因变量:冷热量。
(5)预测时效
请参阅图3,建筑冷热负荷Ep逐时预测模型是通过获取未来24小时天气预报数据、室内温湿度设定值、人流量预测值、单平米能耗预测值、新风CO2设定值等预测未来24小时的逐时冷热负荷需求,即未来24小时的主机***供水温度Ts逐时曲线。
约束边界处理为:
表1:机组冷温水出口温度参考标准
预测的24小时主机***供水温度,每个时刻的值应该在上述参考标准范围内,预测值的偏移量不超过±1℃。
步骤2:获取今日实时天气预报,并根据今日实时天气预报预测未来几个小时的主机***供水温度;
具体的,考虑到天气预报的准确性,所以需要通过预先训练好的建筑冷热负荷Ep逐时预测模型进行实时预测。
步骤3:根据未来几个小时的主机***供水温度更新24小时的主机***供水温度逐时曲线;
具体的,假定预测未来3小时的冷热负荷,从而获得相对准备的未来3小时冷热负荷需求,并覆盖24小时预测的该3小时预测值,即当日每三小时通过预先训练好的建筑冷热负荷Ep逐时预测模型预测一次未来3个小时的主机***供水温度Ts,用这3个小时的预测值覆盖24小时主机***供水温度Ts逐时曲线中相同时刻的预测值。
步骤4:根据更新后的24小时的主机***供水温度逐时曲线计算需要提前调节主机的室内最不利端开机后温度达到标准舒适度的时长;
具体的,室内最不利端开机后温度达到标准舒适度的时长Te,即冷温水***开机后输送时效。
本实施例中,室内最不利端开机后温度达到标准舒适度的时长Te是根据预先训练好的室内最不利端开机后温度达到标准舒适度的时长Te预测模型计算得到的。
室内最不利端开机后温度达到标准舒适度的时长Te预测模型是通过逻辑回归算法进行建模,从上班开机时间开始计算,计算最不利点(如顶楼东北侧)多个风盘面板或者温度传感器的平均温度首次达到标准舒适度所需时长,供冷季标准舒适度:24~26℃(制冷),18~20℃(采暖),即制冷工况时,上述平均温度<26℃;采暖工况时,上述平均温度>18℃。
算法训练自变量包括:室外温度、室内不利点平均温度、母管冷温水供水温度及回水温度、主机冷温水回水温度、流量计的水流速或者水泵频率。
算法训练因变量:时长Te;
模型输出量:时长Te。
步骤5:根据室内最不利端开机后温度达到标准舒适度的时长计算当天实际需要设定的出水温度时间曲线;
步骤6:根据当天实际需要设定的出水温度时间曲线提前下发主机出水温度设定值。
以上步骤为机组出水温度动态设定步骤,其能够根据主机***供水温度Ts逐时预测和冷温水***输送时效Te预测模型,实现主机出水温度设定值的动态提前下发控制,确保提前调节主机出力以及时满足末端室内温度舒适性需求,低了就调高出水温度,高了就调低出水温度,始终供需匹配。
本实施例提供的一种基于温度前馈调节的冷热平衡调节方法还包括主机动态加减载设定,即:
步骤7:每隔室内最不利端开机后温度达到标准舒适度的时长Te判断未来室内最不利端开机后温度达到标准舒适度的时长Te内预测的建筑冷热负荷的总负荷值是否超过当前机组总负载的第一阈值且保持了一定时长,其中,第一阈值为90%,保持的时长为10分钟;
步骤8:若超过当前机组总负载的第一阈值且保持了一定时长,则再开一套机组(优先开小机组);
步骤9:若未超过当前机组总负载的第一阈值且未保持一定时长,则判断未来室内最不利端开机后温度达到标准舒适度的时长内预测的建筑冷热负荷的总负荷值是否低于当前机组总负载的第二阈值且保持了一定时长,其中,第一阈值为45%,保持的时长为10分钟;
步骤10:若低于当前机组总负载的第二阈值且保持了一定时长,则关闭一套机组(优先关闭大机组、且最少保留一台机组,需要保障***流量,此时考虑阀门、水泵频率,大面积供应时需要在***设置主机的旁通阀门)。
通过主机动态加减载设定实现了机组加减载的动态提前下发控制。
本实施例提供的一种基于温度前馈调节的冷热平衡调节方法还包括机组动态开机时刻设定,即:
步骤11:根据预先训练好的室内最不利端达到标准舒适温度的主机制冷/热目标温度To预测模型计算出开始上班时刻的主机***供水温度目标值Ts;
具体的,室内最不利端达到标准舒适温度的主机制冷/热目标温度To预测模型,即主机制冷/热时效To预测模型。
室内最不利端达到标准舒适温度的主机制冷/热目标温度To预测模型是通过逻辑回归算法进行建模,计算最不利点(如顶楼东北侧)多个风盘面板或者温度传感器的平均温度达到标准舒适度所需设定出水温度,供冷季标准舒适度:24~26℃(制冷),18~20℃(采暖),即制冷工况时,上述平均温度<26℃;采暖工况时,上述平均温度>18℃。(注:机组供水温度会因为主机制冷/制热机理而稍有向上或乡下偏移,如设定温度是40℃,主机供水温度最大会达到43℃)。
算法训练自变量包括:室外温度、室内不利点平均温度(变化的偏差范围)、主机冷温水回水温度、流量计的水流速或者水泵频率;
算法训练因变量:机组设定出水温度。
步骤12:根据开始上班时刻的主机***供水温度目标值Ts计算开始上班时刻满足室内最不利端开机后温度达到标准舒适度的时长Te;
步骤13:根据建筑冷热负荷Ep逐时预测模型计算出开始上班时刻的建筑总负荷需要匹配的机组台数N;
步骤14:根据定时任务相对开始上班时间提前室内最不利端开机后温度达到标准舒适度的时长Te开启匹配的N台机组,并设定主机***供水温度为Ts。
具体的,定时任务为:每天24点计算出Te,设定定时器时间为:开始上班时间-Te,设定定时器任务为:开启N台机组和设定机组出水温度为Ts。
本实施例提供的一种基于温度前馈调节的冷热平衡调节方法还包括机组动态关机时刻设定,即:
步骤15:根据预先训练好的室内最不利端关机后温度超出标准舒适度的时长预测模型计算室内最不利端关机后温度超出标准舒适度的时长;
具体的,室内最不利端关机后温度超出标准舒适度的时长Tg预测模型通过逻辑回归算法进行建模,从下班关机时间开始计算,计算最不利点(如顶楼东北侧)多个风盘面板或者温度传感器的平均温度首次超出标准舒适度所需时长,供冷季标准舒适度:24~26℃(制冷),18~20℃(采暖),即制冷工况时,上述平均温度≥26℃;采暖工况时,上述平均温度≤18℃。
算法训练自变量包括:室外温度、室内不利点平均温度、母管冷温水供水温度及回水温度、主机冷温水回水温度、流量计的水流速或者水泵频率;
算法训练因变量:时长Tg;
模型输出量:时长Tg。
步骤16:根据定时任务相对下班时间提前所述室内最不利端关机后温度超出标准舒适度的时长关闭所有机组。
具体的,定时任务为:每天下班前3小时计算出Tg,设定定时器时间为:下班时间-Tg,设定定时器任务:关闭所有在运行的制冷或采暖机组。
本实施例提供的基于温度前馈调节的冷热平衡调节方法能够自动对如何寻找既满足建筑运行负荷需求,同时有效节省水泵电耗的水泵变频温差设定值进行了分析计算,在保证室内负荷需求和水泵最佳流量控制中权衡并寻找最优解,在提升水***输配效率的同时,节省传统方式调试和设置温差设定值的人工成本。
通过在项目中实践,本实施例能在满足建筑实际负荷需求的同时,合理推送制冷/制热主机开启策略及出水温度设定值,有效提高冷热源能源利用效率,节能减碳。
表2:某项目采暖季试运行的效果对比(该项目冷热源均为直燃机)
由表2可知,典型日节省燃气量为112.79m³,节燃气率26.7%;典型日节省耗电量18.66kWh,节电率8.7%,从对比情况来看,节能效果明显。
实施例二
本实施例提供了一种基于温度前馈调节的冷热平衡调节装置,包括:
数据获取模块,用于获取提前一天预测的今日24小时的主机***供水温度逐时曲线;
主机***供水温度预测模型,用于获取今日实时天气预报,并根据今日实时天气预报预测未来几个小时的主机***供水温度;
更新模块,用于根据所述未来几个小时的主机***供水温度更新所述24小时的主机***供水温度逐时曲线;
第一计算模块,用于根据更新后的所述24小时的主机***供水温度逐时曲线计算需要提前调节主机的室内最不利端开机后温度达到标准舒适度的时长;
第二计算模块,用于根据所述室内最不利端开机后温度达到标准舒适度的时长计算今日实际需要设定的出水温度时间曲线;
温度设定模块,用于根据所述今日实际需要设定的出水温度时间曲线提前下发主机出水温度设定值。
关于一种基于温度前馈调节的冷热平衡调节中各个模块的具体实现内容可以参见上文中对于一种基于温度前馈调节的冷热平衡调节方法的限定,在此不再赘述。
实施例三
本实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于温度前馈调节的冷热平衡调节方法的步骤。
实施例四
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现一种基于温度前馈调节的冷热平衡调节方法的步骤。
以上实施例的各技术特征可以进行任意的组合(只要这些技术特征的组合不存在矛盾),为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述;这些未明确写出的实施例,也都应当认为是本说明书记载的范围。
Claims (9)
1.一种基于温度前馈调节的冷热平衡调节方法,其特征在于,包括:
步骤1:获取提前一天预测的今日24小时的主机***供水温度逐时曲线;
步骤2:获取今日实时天气预报,并根据今日实时天气预报预测未来几个小时的主机***供水温度;
步骤3:根据所述未来几个小时的主机***供水温度更新所述24小时的主机***供水温度逐时曲线;
步骤4:根据更新后的所述24小时的主机***供水温度逐时曲线计算需要提前调节主机的室内最不利端开机后温度达到标准舒适度的时长;
步骤5:根据所述室内最不利端开机后温度达到标准舒适度的时长计算今日实际需要设定的出水温度时间曲线;
步骤6:根据所述今日实际需要设定的出水温度时间曲线提前下发主机出水温度设定值。
2.根据权利要求1所述的基于温度前馈调节的冷热平衡调节方法,其特征在于,所述步骤1和所述步骤2中的主机***供水温度是根据预先训练好的建筑冷热负荷逐时预测模型预测的。
3.根据权利要求1所述的基于温度前馈调节的冷热平衡调节方法,其特征在于,所述步骤4中,所述室内最不利端开机后温度达到标准舒适度的时长是通过预先训练好的室内最不利端开机后温度达到标准舒适度的时长Te预测模型计算得到的。
4.根据权利要求1所述的基于温度前馈调节的冷热平衡调节方法,其特征在于,还包括:
每隔所述室内最不利端开机后温度达到标准舒适度的时长判断未来所述室内最不利端开机后温度达到标准舒适度的时长内预测的建筑冷热负荷的总负荷值是否超过当前机组总负载的第一阈值且保持了一定时长;
若超过当前机组总负载的第一阈值且保持了一定时长,则再开一套机组;
若未超过当前机组总负载的第一阈值且未保持一定时长,则判断未来所述室内最不利端开机后温度达到标准舒适度的时长内预测的建筑冷热负荷的总负荷值是否低于当前机组总负载的第二阈值且保持了一定时长;
若低于当前机组总负载的第二阈值且保持了一定时长,则关闭一套机组。
5.根据权利要求1所述的基于温度前馈调节的冷热平衡调节方法,其特征在于,还包括:
根据预先训练好的室内最不利端达到标准舒适温度的主机制冷/热目标温度预测模型计算出开始上班时刻的主机***供水温度的目标值;
根据所述开始上班时刻的主机***供水温度的目标值计算开始上班时刻满足室内最不利端开机后温度达到标准舒适度的时长;
根据建筑冷热负荷逐时预测模型计算出开始上班时刻的建筑总负荷需要匹配的机组台数;
根据定时任务相对开始上班时间提前所述室内最不利端开机后温度达到标准舒适度的时长开启匹配的机组,并设定主机***供水温度为所述目标值。
6.根据权利要求1所述的基于温度前馈调节的冷热平衡调节方法,其特征在于,还包括:
根据预先训练好的室内最不利端关机后温度超出标准舒适度的时长预测模型计算室内最不利端关机后温度超出标准舒适度的时长;
根据定时任务相对下班时间提前所述室内最不利端关机后温度超出标准舒适度的时长关闭所有机组。
7.一种基于温度前馈调节的冷热平衡调节装置,其特征在于,包括:
数据获取模块,用于获取提前一天预测的今日24小时的主机***供水温度逐时曲线;
主机***供水温度预测模型,用于获取今日实时天气预报,并根据今日实时天气预报预测未来几个小时的主机***供水温度;
更新模块,用于根据所述未来几个小时的主机***供水温度更新所述24小时的主机***供水温度逐时曲线;
第一计算模块,用于根据更新后的所述24小时的主机***供水温度逐时曲线计算需要提前调节主机的室内最不利端开机后温度达到标准舒适度的时长;
第二计算模块,用于根据所述室内最不利端开机后温度达到标准舒适度的时长计算今日实际需要设定的出水温度时间曲线;
温度设定模块,用于根据所述今日实际需要设定的出水温度时间曲线提前下发主机出水温度设定值。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606487.3A CN117346303A (zh) | 2023-11-28 | 2023-11-28 | 一种基于温度前馈调节的冷热平衡调节方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606487.3A CN117346303A (zh) | 2023-11-28 | 2023-11-28 | 一种基于温度前馈调节的冷热平衡调节方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117346303A true CN117346303A (zh) | 2024-01-05 |
Family
ID=89371309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311606487.3A Pending CN117346303A (zh) | 2023-11-28 | 2023-11-28 | 一种基于温度前馈调节的冷热平衡调节方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117346303A (zh) |
-
2023
- 2023-11-28 CN CN202311606487.3A patent/CN117346303A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109890176B (zh) | 一种基于人工智能优化机房能耗效率的装置 | |
CN107192097A (zh) | 空调冷冻水***的控制方法和装置 | |
CN104698843B (zh) | 一种基于模型预测控制的数据中心节能控制方法 | |
KR101077369B1 (ko) | 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 방법 | |
WO2021249461A1 (zh) | 制冷设备控制方法、装置、计算机设备和计算机可读介质 | |
Chu et al. | A direct load control of air-conditioning loads with thermal comfort control | |
CN110107989A (zh) | 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法 | |
CN109059195B (zh) | 用于削减电网负荷峰值的中央空调的控制方法及控制*** | |
CN108320042B (zh) | 循环水***的优化方法与装置 | |
CN108168052B (zh) | 一种中央空调制冷***最优启停控制方法 | |
CN105444356A (zh) | 一种中央空调***的能效优化智能控制***及其控制方法 | |
CN1629556A (zh) | 节能型中央空调*** | |
CN111520812B (zh) | 一种供热住户室温估测方法及*** | |
CN112747419B (zh) | 中央空调风水联动控制方法、装置、设备及存储介质 | |
CN110319549B (zh) | 组合式空气处理机组的新风节能控制方法及*** | |
CN113778215A (zh) | 基于大数据实现数据中心pue预测以及降耗策略的方法 | |
TW201027014A (en) | Method for managing air conditioning power consumption | |
CN116085936A (zh) | 一种中央空调能源站智慧能源管理***、设备及介质 | |
CN113566401B (zh) | 需求侧负荷控制方法 | |
Qiu et al. | A chiller operation strategy based on multiple-objective optimization | |
CN113218040A (zh) | 一种中央空调***能效提升控制方法 | |
CN113449900A (zh) | 一种面向终端用户的综合能源优化方法及*** | |
CN117366799A (zh) | 建筑物冷源***的控制方法 | |
CN117346303A (zh) | 一种基于温度前馈调节的冷热平衡调节方法及装置 | |
TWI776544B (zh) | 溫度調控設備的節能控制方法及裝置 |
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 |