JP7473690B2 - Method for controlling cooling equipment, cooling equipment control device, computer device, and computer-readable medium - Google Patents

Method for controlling cooling equipment, cooling equipment control device, computer device, and computer-readable medium Download PDF

Info

Publication number
JP7473690B2
JP7473690B2 JP2022576079A JP2022576079A JP7473690B2 JP 7473690 B2 JP7473690 B2 JP 7473690B2 JP 2022576079 A JP2022576079 A JP 2022576079A JP 2022576079 A JP2022576079 A JP 2022576079A JP 7473690 B2 JP7473690 B2 JP 7473690B2
Authority
JP
Japan
Prior art keywords
air conditioner
time
neural network
network model
heat exchanger
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
JP2022576079A
Other languages
Japanese (ja)
Other versions
JP2023530628A (en
Inventor
ミンミン リウ
ヨン ション
シェンホン フー
ドンファ リン
シーハオ チン
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.)
ZTE Corp
Original Assignee
ZTE Corp
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 ZTE Corp filed Critical ZTE Corp
Publication of JP2023530628A publication Critical patent/JP2023530628A/en
Application granted granted Critical
Publication of JP7473690B2 publication Critical patent/JP7473690B2/en
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
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/50—Load

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)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Description

本開示は、自動制御の技術分野に関し、具体的には、冷却機器の制御方法、冷却機器制御装置、コンピュータ機器及びコンピュータ可読媒体に関する。 The present disclosure relates to the technical field of automatic control, and more specifically, to a method for controlling a cooling device, a cooling device control device, a computer device, and a computer-readable medium.

移動通信網において、消費電力の約８０％は広く分布する基地局からのものであり、基地局は密集しているほど消費電力が大きい。通常、基地局の機械室は、その種類（レンガを用いた建物、小屋、カラー鋼板を用いた建物等）及び機械室内の機器負荷に応じて異なる容量の空調機を選択し、過熱した機器及び装置の温度を下げ、機器の安全な稼働を保障している。移動基地局における消費電力は空調機の冷却に用いる分が最大の割合を占めており、空調機制御アルゴリズムの最適化を図ることが、移動通信基地局において消費電力を低減し、電気料金を減らすために取り組むべき最も重要な方向性の１つとなっている。 In a mobile communications network, approximately 80% of the power consumed comes from base stations that are widely distributed, and the more densely the base stations are located, the greater the power consumption. Typically, air conditioners with different capacities are selected for the base station's machine room depending on its type (brick building, shed, painted steel building, etc.) and the equipment load in the machine room to lower the temperature of overheated equipment and devices and ensure safe operation of the equipment. The largest proportion of power consumed in a mobile base station is used for cooling the air conditioners, and optimizing the air conditioner control algorithm is one of the most important directions that should be taken in order to reduce power consumption in mobile communications base stations and lower electricity bills.

本開示は、現在の室外温度を決定するステップと、冷却機器負荷の同期履歴サンプルデータ及び予め設定された影響ファクタを第１入力パラメータとして第１ニューラルネットワークモデルに入力し、冷却機器の当日予測される負荷を得るステップと、室外温度の同期履歴サンプルデータ及び前記冷却機器の当日予測される負荷を第２入力パラメータとして第２ニューラルネットワークに入力し、当日予測される室内温度を得るステップと、前記当日予測される室内温度及び予め設定された冷却効率ファクタを第３入力パラメータとして第３ニューラルネットワークに入力し、前記冷却機器の当日の最適制御パラメータを得るステップと、前記最適制御パラメータに基づいて前記冷却機器の稼働を制御するステップとを含む冷却機器の制御方法を提供する。 The present disclosure provides a method for controlling a cooling device, including the steps of: determining a current outdoor temperature; inputting synchronized historical sample data of the cooling device load and a preset influence factor as first input parameters into a first neural network model to obtain a predicted load of the cooling device for that day; inputting the synchronized historical sample data of the outdoor temperature and the predicted load of the cooling device for that day as second input parameters into a second neural network to obtain a predicted indoor temperature for that day; inputting the predicted indoor temperature for that day and a preset cooling efficiency factor as third input parameters into a third neural network to obtain an optimal control parameter for the cooling device for that day; and controlling the operation of the cooling device based on the optimal control parameter.

本開示は、第１処理モジュールと、第２処理モジュールと、制御モジュールとを備え、前記第１処理モジュールは、現在の室外温度を決定することに用いられ、前記第２処理モジュールは、冷却機器負荷の同期履歴サンプルデータ及び予め設定された影響ファクタを第１入力パラメータとして第１ニューラルネットワークモデルに入力し、冷却機器の当日予測される負荷を得ることと、室外温度の同期履歴サンプルデータ及び前記冷却機器の当日予測される負荷を第２入力パラメータとして第２ニューラルネットワークに入力し、当日予測される室内温度を得ることと、前記当日予測される室内温度及び予め設定された冷却効率ファクタを第３入力パラメータとして第３ニューラルネットワークに入力し、前記冷却機器の当日の最適制御パラメータを得ることとに用いられ、前記制御モジュールは、前記最適制御パラメータに基づいて前記冷却機器の稼働を制御することに用いられる冷却機器制御装置をさらに提供する。 The present disclosure further provides a cooling device control device including a first processing module, a second processing module, and a control module, the first processing module being used to determine a current outdoor temperature, the second processing module being used to input synchronized historical sample data of cooling device load and a preset influence factor as first input parameters to a first neural network model to obtain a predicted load of the cooling device for that day, input synchronized historical sample data of outdoor temperature and the predicted load of the cooling device for that day as second input parameters to a second neural network to obtain a predicted indoor temperature for that day, and input the predicted indoor temperature for that day and a preset cooling efficiency factor as third input parameters to a third neural network to obtain an optimal control parameter for the cooling device for that day, and the control module being used to control the operation of the cooling device based on the optimal control parameter.

本開示は、１つ又は複数のプロセッサと、１つ又は複数のプログラムが記憶された記憶装置とを備え、前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサによって実行されると、前記１つ又は複数のプロセッサにより本開示に係る方法が実現されるコンピュータ機器をさらに提供する。 The present disclosure further provides a computer device including one or more processors and a storage device storing one or more programs, the one or more programs being executed by the one or more processors to realize a method according to the present disclosure.

本開示は、コンピュータプログラムが記憶されるコンピュータ可読媒体であって、前記コンピュータプログラムがプロセッサによって実行されると、前記プロセッサによって本開示に係る方法が実現されるコンピュータ可読媒体をさらに提供する。 The present disclosure further provides a computer-readable medium on which a computer program is stored, the computer program being executed by a processor, which causes the processor to realize a method according to the present disclosure.

本開示に係る冷却機器制御システムの模式図である。1 is a schematic diagram of a cooling device control system according to the present disclosure. 本開示に係る第１、第２、第３ニューラルネットワークモデルの作成フローを示す図である。FIG. 2 is a diagram showing a flow of creating the first, second, and third neural network models according to the present disclosure. 本開示に係る第１、第２、第３ニューラルネットワークモデルの作成フローを示す図である。FIG. 2 is a diagram showing a flow of creating the first, second, and third neural network models according to the present disclosure. 本開示に係る第１、第２、第３ニューラルネットワークモデルの作成フローを示す図である。FIG. 2 is a diagram showing a flow of creating the first, second, and third neural network models according to the present disclosure. 本開示に係る冷却機器の制御フローを示す図であるFIG. 1 is a diagram illustrating a control flow of a cooling device according to the present disclosure. 本開示に係る第１ニューラルネットワークモデルの模式図である。FIG. 2 is a schematic diagram of a first neural network model according to the present disclosure. 本開示に係る第２ニューラルネットワークモデルの模式図である。FIG. 2 is a schematic diagram of a second neural network model according to the present disclosure. 本開示に係る第３ニューラルネットワークモデルの模式図である。FIG. 13 is a schematic diagram of a third neural network model according to the present disclosure. 本開示に係る空調機の制御フローを示す図である。FIG. 4 is a diagram showing a control flow of an air conditioner according to the present disclosure. 本開示に係る熱交換器の制御フローを示す図である。FIG. 4 is a diagram showing a control flow of a heat exchanger according to the present disclosure. 本開示に係る冷却機器の当日の最適制御パラメータの再度決定及び更新フローを示す図である。FIG. 13 is a diagram showing a flow of re-determining and updating optimal control parameters for the day of a cooling device according to the present disclosure. 本開示に係る冷却機器制御装置の構成を示す模式図である。1 is a schematic diagram showing a configuration of a cooling device control device according to the present disclosure. 本開示に係る冷却機器制御装置の構成を示す模式図である。1 is a schematic diagram showing a configuration of a cooling device control device according to the present disclosure.

以下、図面を参照して例示的実施例について詳細に説明するが、この例示的実施例は、異なる形態によって実施することができ、本明細書で述べる実施例に制限されるものと理解されるべきではない。これらの実施例は、本開示が十分かつ完全なものとなり、本開示の範囲を当業者が十分理解できるように提供するものである。 The following detailed description of exemplary embodiments will be given with reference to the drawings, but the exemplary embodiments may be implemented in different forms and should not be construed as being limited to the embodiments described herein. These embodiments are provided so that this disclosure will be thorough and complete and will fully convey the scope of the disclosure to those skilled in the art.

本明細書において「及び／又は」という用語は、関連する列挙アイテムの１つ又は複数の任意及び全ての組み合わせを含む。 As used herein, the term "and/or" includes any and all combinations of one or more of the associated listed items.

本明細書で使用される用語は、特定の実施例を説明するためのものにすぎず、本開示を限定することを意図したものではない。本明細書で使用される単数形の「１つの」及び「この」は、文脈によって明示的に排除されない限り、複数形も含むことを意図している。また、「備える」及び／又は「・・・からなる」という用語が本明細書で使われている場合、これらの特徴、全体、ステップ、動作、要素、及び／又は構成要素が存在することを意味するが、他の特徴、全体、ステップ、動作、要素、構成要素、及び／又はそれらの群が、１つ又は複数存在すること、或いは追加されることを排除するものではない。 The terms used herein are merely for the purpose of describing particular embodiments and are not intended to limit the disclosure. As used herein, the singular forms "a" and "the" are intended to include the plural, unless expressly excluded by the context. In addition, when the terms "comprising" and/or "consisting of" are used herein, they mean that those features, wholes, steps, operations, elements, and/or components are present, but do not exclude the presence or addition of other features, wholes, steps, operations, elements, components, and/or groups thereof.

本明細書に記載の実施例は、本開示の理想的な模式図によって、平面図及び／又は断面図を参照して説明する場合がある。したがって、製造技術及び／又は許容範囲に基づいて例示的な図示を変更することができる。したがって、実施例は、図示する実施例に限定されるものではなく、製造ステップに基づいて形成される構成の変更が含まれる。したがって、図示される例示的な領域は、例示的な属性を有し、図示される領域の形状は、要素の領域の具体的な形状を示すが、限定することを意図していない。 The embodiments described herein may be described with reference to plan views and/or cross-sectional views in accordance with the idealized schematic diagram of the present disclosure. Thus, the exemplary illustrations may be modified based on manufacturing techniques and/or tolerances. Thus, the embodiments are not limited to the illustrated embodiments, but include modifications of configurations formed based on manufacturing steps. Thus, the illustrated exemplary regions have exemplary attributes, and the shapes of the illustrated regions are intended to illustrate, but not limit, the specific shapes of the regions of the elements.

他の限定がない限り、本明細書で使用する用語（技術的用語及び科学的用語を含む）はすべて、当業者に通常理解されていると同じ意味を有する。また、通常使われる辞書に定義される用語は、関連した技術分野及び本開示を背景とする意味と同じ意味を有すると解釈せねばならず、本開示を限定する旨の記載がない限り、理想化するか又は過度に形式的に解釈してはならない。 Unless otherwise limited, all terms used herein (including technical and scientific terms) have the same meaning as commonly understood by those skilled in the art. Furthermore, terms defined in commonly used dictionaries should be interpreted to have the same meaning as in the relevant technical field and in the context of this disclosure, and should not be interpreted in an idealized or overly formal manner unless otherwise specified to limit this disclosure.

オペレータは、基地局の機械室を新設し拡張する際、機械室内の各種機器の長期的かつ安定的な作動条件を保障するために、空調機又は空調機との連動制御に代わって、省エネ型の熱交換器を配置することを検討する。省エネ型の熱交換器の基本原理は、室外の自然環境を冷熱源とし、室外空気温度が室内温度より一定程度低いとき、室外低温空気を機械室内の高温空気と熱交換し機械室の熱を逃がして、機械室の温度を下げる目的を達成することにより、空調機の使用時間を短縮し、電力を節約するというものである。 When constructing or expanding a base station's machinery room, operators consider installing an energy-saving heat exchanger instead of an air conditioner or linked control with the air conditioner to ensure long-term and stable operating conditions for the various devices in the machinery room. The basic principle of an energy-saving heat exchanger is to use the natural outdoor environment as a cold source, and when the outdoor air temperature is a certain degree lower than the indoor temperature, the low-temperature outdoor air is heat-exchanged with the high-temperature air in the machinery room to release heat from the machinery room and achieve the purpose of lowering the temperature in the machinery room, thereby shortening the usage time of the air conditioner and saving electricity.

一般的な連動制御アルゴリズムは従来の温度制御発停方法であり、環境温度を熱交換器及び空調機連動制御の主な依拠としており、アルゴリズムは簡単だが改善が難しい。一般的な連動制御プロセスは、室内外の温度をリアルタイムで検出し、室内温度が機器の稼働温度の上限を超えると、熱交換器又は空調機が起動して冷却し、熱交換器が起動条件を満たすと（室内外の温度差がしきい値に達すると）、熱交換器が優先的に起動され、そうでなければ空調機が起動されるというものである。空調機及び熱交換器を頻繁に切り替えることは好ましくなく、半時間以上間隔を開けて切り替える。 The general interlocking control algorithm is a traditional temperature control start/stop method, which mainly relies on the ambient temperature for the interlocking control of the heat exchanger and air conditioner. The algorithm is simple but difficult to improve. The general interlocking control process is to detect the indoor and outdoor temperatures in real time, and when the indoor temperature exceeds the upper limit of the equipment's operating temperature, the heat exchanger or air conditioner is started to cool, and when the heat exchanger meets the start-up condition (when the indoor and outdoor temperature difference reaches the threshold), the heat exchanger is started first, otherwise the air conditioner is started. It is not recommended to switch the air conditioner and heat exchanger frequently, and they should be switched at intervals of more than half an hour.

熱交換器及び空調機の発停条件パラメータは別々に設定され、例えば、熱交換器の発停温度が３５／２５℃、温度差が８℃であってもよく、つまり、室温が３５℃を超えると熱交換器がオンし、室温が２５℃を下回るとオフし、室内外の温度差が８℃を超えると熱交換器の起動が可能となる。しかし、実用化にあたっては、通常、発停条件パラメータを決定することが難しい上、地域、季節的な気候、朝晩の温度差によって発停条件パラメータは異なり、一定の発停条件パラメータを設定したならば、空調機が頻繁に起動され、消費電力が増加してしまう。一般的な連動制御アルゴリズムは、環境温度という外部要因しか考慮しておらず、空調機の起動時間及び起動回数を予期することができない上、制御の精度が低く、改善しようとしても非常に難しい。 The on/off condition parameters of the heat exchanger and the air conditioner are set separately. For example, the on/off temperature of the heat exchanger may be 35/25°C, with a temperature difference of 8°C. In other words, the heat exchanger turns on when the room temperature exceeds 35°C, turns off when the room temperature falls below 25°C, and can start when the temperature difference between the indoors and outdoors exceeds 8°C. However, in practical use, it is usually difficult to determine the on/off condition parameters, and the on/off condition parameters vary depending on the region, seasonal climate, and temperature difference between morning and evening. If a certain on/off condition parameter is set, the air conditioner will be started frequently, increasing power consumption. A typical interlocking control algorithm only takes into account external factors such as the ambient temperature, and is unable to predict the start time and number of starts of the air conditioner. In addition, the control precision is low, and it is very difficult to improve it.

四季の気候の移り変わり、気温の変化、負荷の変動、機器の実温度等の諸要因、及びこれらの要因の変化の組み合わせのいずれも、冷却機器の稼働ポリシーに影響するものであり、したがって、冷却機器制御ポリシーは従うべきルールを欠いている。熱交換器の起動温度を３５℃、空調機の起動温度を４０℃とした場合を例にとり、仮に、ある基地局の室温が３５℃を超えることは少なく、普段の熱交換器のオンが熱負荷要件を満たし、空調機をオンする必要がないが、あるトラフィックのピークと気温のピークが重なる時間帯において、室温が４０℃を超えることがあるものとする。従来の制御アルゴリズムでは、空調機をオンする必要があるが、４０℃以上の高温時間が短時間であり、機器の安全な稼働に影響しない（一部基地局／伝送機器の作動範囲は、４０℃に長時間達することがあるが、５０℃に達するのは短時間である）ことを事前に予測できれば、実際には空調機をオンする必要がない。これにより、機器の安全を保障しつつ、空調機をオンすることを１回避することができ、省エネが一定程度実現される。 Factors such as seasonal weather changes, temperature changes, load fluctuations, actual equipment temperatures, and combinations of changes in these factors all affect the operating policy of cooling equipment, and therefore cooling equipment control policies lack rules to follow. For example, assume that the start-up temperature of the heat exchanger is 35°C and the start-up temperature of the air conditioner is 40°C. Suppose that the room temperature of a certain base station rarely exceeds 35°C, and that turning on the heat exchanger normally meets the heat load requirements and there is no need to turn on the air conditioner, but that the room temperature may exceed 40°C during a time period when a certain traffic peak and temperature peak overlap. In a conventional control algorithm, it is necessary to turn on the air conditioner, but if it can be predicted in advance that the high temperature time of 40°C or higher is short and does not affect the safe operation of the equipment (the operating range of some base stations/transmission equipment can reach 40°C for a long time, but it only reaches 50°C for a short time), there is no need to actually turn on the air conditioner. This makes it possible to avoid turning on the air conditioner while ensuring the safety of the equipment, thereby achieving a certain degree of energy saving.

本開示が提供する冷却機器の制御方法は、機械室内の冷却機器の稼働を制御することができる。この方法は、図１に示す冷却制御システムに適用可能であり、図１に示すように、本開示に係る冷却制御システムは、冷却機器制御装置、現場監督ユニット（Ｆｉｅｌｄ Ｓｕｐｅｒｖｉｓｉｏｎ Ｕｎｉｔ，ＦＳＵ）及び冷却機器を備えている。ＦＳＵは、フィールド機器であり、冷却機器のある機械室に設けられ、収集ユニット及び実行ユニットを備えている。収集ユニットは、室外の温度及び湿度、室内温度、機器負荷等のリアルタイムデータを収集し、冷却制御装置にアップロードするのに用いられる。実行ユニットは、冷却制御装置の指示に従って冷却機器の稼働を制御するのに用いられる。冷却機器制御装置は、クラウド機器であってよく、また、第１ニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＮＮ）モデル、第２ニューラルネットワークモデル、第３ニューラルネットワークモデル、履歴サンプルデータバンク及び冷却機器の制御ポリシー（例えば、冷却制御アルゴリズム）が配置された統括管理エキスパート（Ｕｎｉｆｉｅｄ Ｍａｎａｇｅｍｅｎｔ Ｅｘｐｅｒｔ，ＵＭＥ）を選んでもよい。ＵＭＥは、ＦＳＵによって報告されたデータ及び第１ニューラルネットワークモデル、第２ニューラルネットワークモデル、第３ニューラルネットワークモデルに基づいて冷却機器の予測制御スキームを取得し、予測制御スキームをＦＳＵに送信してもよい。冷却機器は、空調機及び熱交換器を含んでもよく、送信された制御スキームに基づいて稼働してもよい。 The cooling equipment control method provided by the present disclosure can control the operation of cooling equipment in a machine room. This method is applicable to the cooling control system shown in FIG. 1. As shown in FIG. 1, the cooling control system according to the present disclosure includes a cooling equipment control device, a field supervision unit (FSU), and cooling equipment. The FSU is a field device that is installed in a machine room where the cooling equipment is located, and includes a collection unit and an execution unit. The collection unit is used to collect real-time data such as outdoor temperature and humidity, indoor temperature, equipment load, etc., and upload it to the cooling control device. The execution unit is used to control the operation of the cooling equipment according to instructions from the cooling control device. The cooling equipment control device may be a cloud device and may select a Unified Management Expert (UME) in which a first neural network (NN) model, a second neural network model, a third neural network model, a historical sample data bank, and a control policy (e.g., a cooling control algorithm) of the cooling equipment are arranged. The UME may obtain a predictive control scheme of the cooling equipment based on the data reported by the FSU and the first neural network model, the second neural network model, and the third neural network model, and transmit the predictive control scheme to the FSU. The cooling equipment may include an air conditioner and a heat exchanger, and may operate based on the transmitted control scheme.

初期化段階において、以下の第１しきい値～第１０しきい値、及び様々な時間を冷却機器制御装置に予め設定してもよい。 During the initialization stage, the following first to tenth thresholds and various times may be preset in the cooling equipment control device.

第１しきい値ＶＨＴは、例えば４５℃であってよく、室内温度がＶＨＴを超えると空調機が無条件で起動する。第２しきい値ＶＬＴは、例えば１５℃であってよく、室内温度がＶＬＴを下回ると空調機が無条件で停止し、第１しきい値ＶＨＴより小さい。第３しきい値ＨＴＡＣは、例えば４０℃であってよく、室内温度がＨＴＡＣを超えると空調機が起動してもよい。第４しきい値ＨＴＨＥＥは、例えば３５℃であってよく、室内温度がＨＴＨＥＥを超えると熱交換器が起動してもよい。第５しきい値は、間接熱交換器の第２高温予備起動条件を満たすか否かを判断するのに用いられる。第６しきい値ＬＴは、例えば２５℃であってよく、室内温度がＬＴを下回ると空調機及び熱交換器が停止してもよく、第４しきい値ＨＴＨＥＥ及び第３しきい値ＨＴＡＣより小さい。第７しきい値は、冷却機器のオフ時間を判断するのに用いられる。第８しきい値は、直接熱交換器の第２高温予備起動条件における室内外の温度差を満たすか否かを判断するのに用いられる。第９しきい値は、直接熱交換器の第２高温予備起動条件における湿度を満たすか否かを判断するのに用いられる。第１０しきい値は、空調機の実稼働パラメータと空調機の最適制御パラメータとの間の誤差を判断するのに用いられる。空調機の最大オン時間ＭＡＸＣＯＴ及び空調機の最短オフ時間ＭＩＮＣＳＴについて、通常、空調機の最大オン時間ＭＡＸＣＯＴは１２時間であり、空調機の最短オフ時間ＭＩＮＣＳＴは０．５時間である。 The first threshold VHT may be, for example, 45° C., and the air conditioner is unconditionally started when the indoor temperature exceeds VHT. The second threshold VLT may be, for example, 15° C., and the air conditioner is unconditionally stopped when the indoor temperature falls below VLT, and is smaller than the first threshold VHT. The third threshold HT AC may be, for example, 40° C., and the air conditioner may be started when the indoor temperature exceeds HT AC . The fourth threshold HT HEE may be, for example, 35° C., and the heat exchanger may be started when the indoor temperature exceeds HT HEE . The fifth threshold is used to determine whether the second high temperature pre-start condition of the indirect heat exchanger is met. The sixth threshold LT may be, for example, 25° C., and the air conditioner and the heat exchanger may be stopped when the indoor temperature falls below LT, and is smaller than the fourth threshold HT HEE and the third threshold HT AC . The seventh threshold is used to determine the off-time of the cooling equipment. The eighth threshold is used to determine whether the indoor/outdoor temperature difference in the second high temperature pre-start condition of the direct heat exchanger is satisfied. The ninth threshold is used to determine whether the humidity in the second high temperature pre-start condition of the direct heat exchanger is satisfied. The tenth threshold is used to determine the error between the actual operation parameters of the air conditioner and the optimal control parameters of the air conditioner. Regarding the maximum on-time MAXCOT of the air conditioner and the minimum off-time MINCST of the air conditioner, typically, the maximum on-time MAXCOT of the air conditioner is 12 hours, and the minimum off-time MINCST of the air conditioner is 0.5 hours.

初期化段階において、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルが作成される。以下、図２を参照して、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するフローを詳しく説明する。 In the initialization stage, the first neural network model, the second neural network model, and the third neural network model are created. Below, the flow for creating the first neural network model, the second neural network model, and the third neural network model will be described in detail with reference to FIG. 2.

図２に示すように、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するこのステップは、以下のステップＳ２１～Ｓ２３を含む。 As shown in FIG. 2, this step of creating the first neural network model, the second neural network model, and the third neural network model includes the following steps S21 to S23.

ステップＳ２１では、履歴サンプルデータを取得する。 In step S21, historical sample data is acquired.

サンプルデータは、室外温度、室内温度及び冷却機器負荷を含んでもよい。 Sample data may include outdoor temperature, indoor temperature and cooling equipment load.

ステップＳ２１において、冷却機器制御装置は、履歴サンプルデータバンクから履歴サンプルデータを取得してもよい。履歴サンプルデータバンクには、毎日の室外温度ＴＲｏｕｔ、室内温度ＴＲｉｎ、冷却機器負荷ＬＲ等の履歴サンプルデータを大量に記憶してもよい。これらパラメータの変化の緩急の程度に応じてサンプリング周期を決定してもよく、例えば、室外温度ＴＲｏｕｔのサンプリング周期を１０分としてもよく、室内温度ＴＲｉｎ及び冷却機器負荷ＬＲのサンプリング周期を５分としてもよい。 In step S21, the cooling device control device may obtain historical sample data from a historical sample data bank. The historical sample data bank may store a large amount of historical sample data such as daily outdoor temperature TRout , indoor temperature TRin , and cooling device load LR . The sampling period may be determined according to the degree of rapidity of change in these parameters. For example, the sampling period for the outdoor temperature TRout may be 10 minutes, and the sampling period for the indoor temperature TRin and the cooling device load LR may be 5 minutes.

サンプルデータは、シミュレーションデータ及びサンプリングデータを含んでもよい。シミュレーションデータは、室内温度が第３しきい値ＨＴＡＣより大きいとき、冷却機器の稼働をシミュレートして得られるデータである。サンプリングデータは、室内温度が第６しきい値ＬＴより小さく、かつ冷却機器の実オフ時間が第７しきい値より大きいときに、サンプリングして得られるデータである。つまり、室内温度ＴＲｉｎが高く、冷却機器を稼働させる必要がある場合、擬似負荷を利用して実冷却機器をシミュレートし、ＴＲｏｕｔ、ＴＲｉｎ、ＬＲ等のデータを記録してもよい。室内温度ＴＲｉｎが低く、冷却機器が長くオフする（例えば、室外温度ＴＲｏｕｔが低い季節や夜間）ときには、履歴サンプルデータの収集速度を速めるために、大量の既存の履歴サンプルデータをそのまま使用してもよい。 The sample data may include simulation data and sampling data. The simulation data is data obtained by simulating the operation of the cooling device when the indoor temperature is greater than the third threshold value HT AC . The sampling data is data obtained by sampling when the indoor temperature is less than the sixth threshold value LT and the actual off time of the cooling device is greater than the seventh threshold value. That is, when the indoor temperature TRin is high and the cooling device needs to be operated, a dummy load may be used to simulate the actual cooling device and data such as TRout , TRin , and LR may be recorded. When the indoor temperature TRin is low and the cooling device is off for a long time (for example, in a season or at night when the outdoor temperature TRout is low), a large amount of existing historical sample data may be used as is to speed up the collection speed of the historical sample data.

ステップＳ２２では、履歴サンプルデータのアナログシミュレーションを行い、冷却機器の毎日の最適制御パラメータを算出する。 In step S22, an analog simulation of the historical sample data is performed to calculate the daily optimal control parameters for the cooling equipment.

ステップＳ２２において、コンピュータシミュレーション学習により、機械室の環境、発熱機器及び冷却機器の熱分布図を作成し、履歴サンプルデータのシミュレーション計算を行い、冷却機器の当日制御最適解ベクトル（つまり、冷却機器の毎日の最適制御パラメータ）を出力し、冷却機器の毎日の最適制御パラメータをサンプルデータタグとして保存する。 In step S22, a heat distribution map of the machine room environment, heat generating equipment, and cooling equipment is created through computer simulation learning, a simulation calculation is performed on the historical sample data, and the optimal solution vector for the cooling equipment's control on that day (i.e., the optimal control parameters for the cooling equipment each day) is output, and the optimal control parameters for the cooling equipment each day are saved as sample data tags.

シミュレーション結果及び日常の経験から、空調機を頻繁にオンすることは好ましくなく、例えば、空調機を毎日最大１２回オンし、熱交換器を毎日最大１２回オンするよう制限してもよい。つまり、空調機は、１つのオン時刻／オン時間（Ｔｍｏｍｅｎｔ／Ｔｈｏｕｒｓ）タグ群に２つの有効値がある場合、当日の空調機の最適制御パラメータは、当日空調機をオンにして２回稼働させ、オン時刻Ｔｍｏｍｅｎｔに毎回オンし、稼働時間が対応するオン時間Ｔｈｏｕｒｓの値であることを意味する。 From the simulation results and daily experience, it is not preferable to turn on the air conditioner frequently, and for example, the air conditioner may be limited to be turned on a maximum of 12 times per day and the heat exchanger to be turned on a maximum of 12 times per day. That is, when an air conditioner has two valid values in one on-time/on-time duration (T moment /T hours ) tag group, the optimal control parameters of the air conditioner on the day are that the air conditioner is turned on and operated twice on the day, turned on at the on-time T moment every time, and the operating time is the value of the corresponding on-time T hours .

ステップＳ２３では、履歴サンプルデータ及び冷却機器の毎日の最適制御パラメータに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成する。 In step S23, a first neural network model, a second neural network model, and a third neural network model are created based on the historical sample data and the daily optimal control parameters of the cooling equipment.

ステップＳ２３において、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルが順に作成される。 In step S23, a first neural network model, a second neural network model, and a third neural network model are created in sequence.

図３に示すように、本開示の冷却機器の制御方法は、履歴サンプルデータのアナログシミュレーションを行い、冷却機器の毎日の最適制御パラメータを算出するステップ（つまり、ステップＳ２２）の後であって、履歴サンプルデータ及び冷却機器の毎日の最適制御パラメータに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するステップ（つまり、ステップＳ２３）の前に、ステップＳ２２’～Ｓ２３’をさらに含んでもよい。 As shown in FIG. 3, the cooling equipment control method of the present disclosure may further include steps S22' to S23' after the step of performing an analog simulation of the historical sample data and calculating the daily optimal control parameters of the cooling equipment (i.e., step S22) and before the step of creating a first neural network model, a second neural network model, and a third neural network model based on the historical sample data and the daily optimal control parameters of the cooling equipment (i.e., step S23).

ステップＳ２２’では、履歴サンプルデータ及び冷却機器の毎日の最適制御パラメータに対し、正規化処理を行う。 In step S22', normalization processing is performed on the historical sample data and the daily optimal control parameters of the cooling equipment.

以下の式に基づいて、履歴サンプルデータ及び冷却機器の毎日の最適制御パラメータに対し正規化処理を行って、データを範囲（０，１）の間に収めてもよい。 A normalization process may be performed on the historical sample data and the daily optimal control parameters of the cooling equipment to bring the data into the range (0,1) based on the following formula:

Figure 0007473690000001
Figure 0007473690000001

ここで、Ｘｒｅａｌは、実サンプルの真値であり、Ｘ＊は、正規化処理をしたデータであり、Ｘｍａｘは、対応する種類のデータサンプルの最大値又は上限値であり、Ｘｍｉｎは、対応する種類のデータサンプルの最小値又は下限値である。 Here, X real is the true value of the real sample, X * is the normalized data, X max is the maximum or upper limit of the corresponding type of data sample, and X min is the minimum or lower limit of the corresponding type of data sample.

室外温度ＴＲｏｕｔ及び室内温度ＴＲｉｎについて、Ｘｍａｘは、上限値１００℃であってもよく、Ｘｍｉｎは、下限値－４０℃であってもよいため、各実温度Ｘｒｅａｌの正規化値Ｘ＊＝（Ｘｒｅａｌ－Ｘｍｉｎ）／（Ｘｍａｘ－Ｘｍｉｎ）＝（Ｘｒｅａｌ＋４０）／１４０である。冷却機器負荷ＬＲについて、Ｘｍａｘは、冷却機器の全負荷として設定してもよく、Ｘｍｉｎは、０としてもよいため、冷却機器負荷ＬＲのＸｒｅａｌ正規化値Ｘ＊＝Ｘｒｅａｌ／Ｘｍａｘである。 For the outdoor temperature T Rout and the indoor temperature T Rin , X max may be an upper limit value of 100° C., and X min may be a lower limit value of −40° C., so the normalized value X * of each actual temperature X real is (X real −X min )/(X max −X min )=(X real +40)/140. For the cooling equipment load L R , X max may be set as the full load of the cooling equipment, and X min may be set to 0, so the X real normalized value X * of the cooling equipment load L R is X real /X max .

空調機のオン時刻Ｔｍｏｍｅｎｔ－ＡＣ及び熱交換器のオン時刻Ｔｍｏｍｅｎｔ－ＨＥＥ（そのフォーマットはｈｈ：ｍｍ：ｓｓであってもよい）について、Ｘｍａｘは、上限値１４４０（つまり、１日は２４＊６０＝１４４０分である）として設定してもよく、Ｘｍｉｎは、０としてもよいため、Ｔｍｏｍｅｎｔ－ＡＣ及びＴｍｏｍｅｎｔ－ＨＥＥの正規化値Ｘ＊＝（ｈｈ＊６０＋ｍｍ）／１４４０である。空調機のオン時間Ｔｈｏｕｒｓ－ＡＣ及び熱交換器のオン時間Ｔｈｏｕｒｓ－ＨＥＥについて、Ｘｍａｘは、上限値２４（つまり、１日は２４時間ある）として設定してもよく、Ｘｍｉｎは、０としてもよいため、Ｔｈｏｕｒｓ－ＡＣ及びＴｈｏｕｒｓ－ＨＥＥの正規化値Ｘ＊＝Ｘｒｅａｌ／２４である。 For the air conditioner on-time T moment-AC and the heat exchanger on-time T moment-HEE (whose format may be hh:mm:ss), X max may be set as an upper limit value of 1440 (i.e., one day is 24*60=1440 minutes), and X min may be set as 0, so that the normalized values X * of T moment-AC and T moment-HEE are (hh*60+mm)/1440. Regarding the on-time of the air conditioner T hours-AC and the on-time of the heat exchanger T hours-HEE , X max may be set as an upper limit value of 24 (i.e., there are 24 hours in a day), and X min may be set as 0, so that the normalized values X * of T hours-AC and T hours-HEE are X real /24.

ステップＳ２３’では、正規化処理をしたデータに基づいて、学習セット、検証セット及びテストセットを含む学習サンプルデータセットを作成する。 In step S23', a training sample dataset including a training set, a validation set, and a test set is created based on the normalized data.

ステップＳ２３’において、６：２：２のサンプル比に基づいて、学習セット、検証セット及びテストセットを作成してもよい。 In step S23', a training set, a validation set, and a test set may be created based on a sample ratio of 6:2:2.

したがって、履歴サンプルデータ及び冷却機器の毎日の最適制御パラメータに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するステップ（つまり、ステップＳ２３）は、学習サンプルデータセットに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成することを含んでもよい。 Thus, the step of creating the first neural network model, the second neural network model, and the third neural network model based on the historical sample data and the daily optimal control parameters of the cooling equipment (i.e., step S23) may include creating the first neural network model, the second neural network model, and the third neural network model based on the training sample data set.

以下、図４を参照して、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するフローを詳しく説明する。 Below, the flow for creating the first neural network model, the second neural network model, and the third neural network model will be explained in detail with reference to Figure 4.

図４に示すように、履歴サンプルデータ及び冷却機器の毎日の最適制御パラメータに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するステップ（つまり、ステップ２３）は、ステップＳ２３１～Ｓ２３３を含んでもよい。 As shown in FIG. 4, the step of creating a first neural network model, a second neural network model, and a third neural network model based on the historical sample data and the daily optimal control parameters of the cooling equipment (i.e., step 23) may include steps S231 to S233.

ステップＳ２３１では、冷却機器負荷の同期履歴サンプルデータ及び予め設定された影響ファクタを第１入力パラメータとし、冷却機器の当日負荷の履歴サンプルデータを第１出力パラメータとして、第１ニューラルネットワークモデルを作成する。 In step S231, a first neural network model is created using the synchronized historical sample data of the cooling equipment load and the preset influence factor as the first input parameters, and the historical sample data of the cooling equipment load for the day as the first output parameter.

影響ファクタは、祝祭日影響ファクタＦｈｏｌｉｄａｙ、干満潮影響ファクタＦｔｉｄｅ、地域イベントファクタＦｅｖｅｎｔのうちの１つ又は任意の組み合わせを含んでもよい。祝祭日影響ファクタＦｈｏｌｉｄａｙ、干満潮影響ファクタＦｔｉｄｅ及び地域イベントファクタＦｅｖｅｎｔの取値範囲はいずれも（０，１）であり、人手で経験を踏まえて決定してもよい。例えば、住民居住区であれば、通常出勤日の祝祭日影響ファクタＦｈｏｌｉｄａｙは、０であってもよく、土曜日・日曜日の祝祭日影響ファクタＦｈｏｌｉｄａｙは、０．１であってもよく、春節長期休暇の祝祭日影響ファクタＦｈｏｌｉｄａｙは、０．２５であってもよい。工業団地であれば、出勤時間帯の干満潮の影響ファクタＦｔｉｄｅは、０．５であってもよく、残業時間帯の干満潮影響ファクタＦｔｉｄｅは、０．７であってもよく、深夜時間帯の干満潮影響ファクタＦｔｉｄｅは、０．３であってもよい。一部の地域については、通常の地域イベントファクタＦｅｖｅｎｔは、０であってもよく、商業営業活動が行われる地域イベントファクタＦｅｖｅｎｔは、０．１であってもよく、集会の地域イベントファクタＦｅｖｅｎｔは、０．２であってもよく、コンサートの地域イベントファクタＦｅｖｅｎｔ０．３であってもよい。 The influence factor may include one or any combination of a holiday influence factor Fholiday , a tide influence factor Ftide , and a local event factor Fevent . The value range of the holiday influence factor Fholiday , the tide influence factor Ftide , and the local event factor Fevent is (0, 1), and may be determined manually based on experience. For example, in a residential area, the holiday influence factor Fholiday on a normal working day may be 0, the holiday influence factor Fholiday on Saturdays and Sundays may be 0.1, and the holiday influence factor Fholiday for the Chinese New Year long holiday may be 0.25. In the case of an industrial park, the tide influence factor Ftide during working hours may be 0.5, the tide influence factor Ftide during overtime hours may be 0.7, and the tide influence factor Ftide during late night hours may be 0.3. For some areas, the normal local event factor Fevent may be 0, the local event factor Fevent where commercial business activities are carried out may be 0.1, the local event factor Fevent for gatherings may be 0.2, and the local event factor Fevent for concerts may be 0.3.

ステップＳ２３２では、室外温度の同期履歴サンプルデータ及び冷却機器の当日負荷の履歴サンプルデータを第２入力パラメータとし、当日の室内温度の履歴サンプルデータを第２出力パラメータとして、第２ニューラルネットワークモデルを作成する。 In step S232, a second neural network model is created using the synchronized historical sample data of the outdoor temperature and the historical sample data of the cooling equipment load for the day as second input parameters, and the historical sample data of the indoor temperature for the day as a second output parameter.

ステップＳ２３３では、当日の室内温度の履歴サンプルデータ及び予め設定された冷却効率ファクタを第３入力パラメータとし、冷却機器の当日最適制御パラメータの履歴サンプルデータを第３出力パラメータとして、第３ニューラルネットワークモデルを作成する。 In step S233, a third neural network model is created using the historical sample data of the indoor temperature on that day and the preset cooling efficiency factor as third input parameters, and the historical sample data of the cooling equipment's optimal control parameters on that day as third output parameters.

最適制御パラメータは、オン時刻Ｔｍｏｍｅｎｔ及びオン時間Ｔｈｏｕｒｓ、つまり、空調機のオン時刻Ｔｍｏｍｅｎｔ－ＡＣ、熱交換器のオン時刻Ｔｍｏｍｅｎｔ－ＴＥＥ、空調機のオン時間Ｔｈｏｕｒｓ－ＡＣ及び熱交換器のオン時間Ｔｈｏｕｒｓ－ＴＥＥを含んでよい。 The optimal control parameters may include the on-time T moment and on-time T hours , ie, the on-time T moment-AC of the air conditioner, the on-time T moment-TEE of the heat exchanger, the on-time T hours-AC of the air conditioner, and the on-time T hours-TEE of the heat exchanger.

冷却効率ファクタは、熱交換冷却効率ファクタＦｅｆｆ１及び空調冷却効率ファクタＦｅｆｆ２を含んでよい。機械室の環境が固定的なものであれば、熱交換冷却効率ファクタＦｅｆｆ１及び空調冷却効率ファクタＦｅｆｆ２はいずれも定数だが、機械室の環境に変更が生じた（例えば、冷却機器を交換する、又は空間位置を動かす等）場合、熱交換冷却効率ファクタＦｅｆｆ１及び空調冷却効率ファクタＦｅｆｆ２を新たな定数に調整する必要がある。 The cooling efficiency factors may include a heat exchange cooling efficiency factor F eff1 and an air conditioning cooling efficiency factor F eff2 . If the environment of the machine room is fixed, the heat exchange cooling efficiency factor F eff1 and the air conditioning cooling efficiency factor F eff2 are both constants, but if a change occurs in the environment of the machine room (for example, when the cooling equipment is replaced or the spatial position is moved), the heat exchange cooling efficiency factor F eff1 and the air conditioning cooling efficiency factor F eff2 need to be adjusted to new constants.

仮に、熱交換器の２４組のＴｍｏｍｅｎｔ／Ｔｈｏｕｒｓデータに２つの有効値、例えば、Ｔｍｏｍｅｎｔ１が０．４５、Ｔｈｏｕｒｓ１が０．０５であるもの、及びＴｍｏｍｅｎｔ２が０．６０、Ｔｈｏｕｒｓ２が０．１０であるものがあり、空調機の１２組のＴｍｏｍｅｎｔ／Ｔｈｏｕｒｓのいずれにも有効値がないものとする。オン時刻Ｔｍｏｍｅｎｔをｈｈ：ｍｍ：ｓｓフォーマットに戻し、オン時間Ｔｈｏｕｒｓを標準時間に戻した後、冷却機器の当日最適制御パラメータは、以下を意味する。 Suppose that the 24 sets of T moment /T hours data for heat exchangers have two valid values, for example, T moment1 is 0.45, T hours1 is 0.05, and T moment2 is 0.60, T hours2 is 0.10, and none of the 12 sets of T moment /T hours data for air conditioners have valid values. After the on-time T moment is returned to hh:mm:ss format and the on-time T hours is returned to standard time, the optimal control parameters for the cooling equipment on the day are as follows:

（１）熱交換器は、当日２回予備オン・稼働した。 (1) The heat exchanger was turned on and operated in standby mode twice that day.

（２）熱交換器の１回目のオン時刻は１０：４８（つまり、０．４５＊２４＝１０．８＝１０：４８）であり、１．２時間（つまり、０．０５＊２４＝１．２）稼働し、つまり、稼働時間区間が１０：４８～１２：００（つまり、０．４５＊２４＋０．０５＊２４＝１２＝１２：００）である。 (2) The heat exchanger is first turned on at 10:48 (i.e., 0.45*24=10.8=10:48) and operates for 1.2 hours (i.e., 0.05*24=1.2), meaning that the operating time period is 10:48 to 12:00 (i.e., 0.45*24+0.05*24=12=12:00).

（３）熱交換器の２回目のオン時刻は１４：２４（つまり、０．６０＊２４＝１４．４＝１４：２４）、２．４時間（つまり、０．１０＊２４＝２．４）稼働し、つまり、稼働時間区間は１４：２４～１６：４８（つまり、０．６０＊２４＋０．１０＊２４＝１６．８＝１６：４８）である。 (3) The second turn-on time of the heat exchanger is 14:24 (i.e., 0.60*24=14.4=14:24), and it operates for 2.4 hours (i.e., 0.10*24=2.4), so the operating time interval is 14:24 to 16:48 (i.e., 0.60*24+0.10*24=16.8=16:48).

（４）空調機は当日オン・稼働しなかった。 (4) The air conditioner was not turned on or working on that day.

第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルは、学習され最適化された後で、実際の稼働環境に応じて配置することができる。クラウドの強大なコンピューティングリソースを十分利用してリアルタイム又はオンラインの学習を実現するために、３つのニューラルネットワークモデルのいずれもＵＭＥに配置してもよい。必要に応じて、計算棒を追加する等して、３つニューラルネットワークモデルをエッジ側（例えば、ＦＳＵ）に配置してもよい。 After the first neural network model, the second neural network model, and the third neural network model are trained and optimized, they can be deployed according to the actual operating environment. In order to fully utilize the powerful computing resources of the cloud to realize real-time or online learning, all three neural network models may be deployed in the UME. If necessary, the three neural network models may be deployed on the edge side (e.g., FSU) by adding a computing rod, etc.

図５は、本開示に係る冷却機器の制御フローを示す図である。 Figure 5 shows the control flow of the cooling device according to the present disclosure.

図５に示すように、本開示に係る冷却機器の制御方法は、冷却機器の稼働を制御するのに用いてもよく、ステップＳ１１～Ｓ１５を含んでもよい。 As shown in FIG. 5, the method of controlling a cooling device according to the present disclosure may be used to control the operation of a cooling device and may include steps S11 to S15.

ステップＳ１１では、現在の室外温度を決定する。 In step S11, the current outdoor temperature is determined.

予測温度及び検出された室外温度に基づいて、重み付けをして現在の室外温度ＴＲｏｕｔを算出し、つまり、まず現在の時刻の前の予め設定された時間内における室外温度を決定してから、現在の時刻の前の予め設定された時間内における室外温度、当日予測温度及び予め設定された第１加重値及び第２加重値に基づいて、現在の室外温度ＴＲｏｕｔを決定してもよい。通常、予め設定された時間は、１時間であってもよく、当日予測温度は、天気予報が予測した当日の温度であってもよい。例えば、室外温度ＴＲｏｕｔ＝天気予報温度＊０．８＋１時間前に実測された室外温度＊０．２である。 The current outdoor temperature T Rout may be calculated by weighting based on the predicted temperature and the detected outdoor temperature, that is, the outdoor temperature within a preset time before the current time is determined first, and then the current outdoor temperature T Rout may be determined based on the outdoor temperature within a preset time before the current time, the predicted temperature for the day, and the first and second preset weights. Usually, the preset time may be one hour, and the predicted temperature for the day may be the temperature for the day predicted by the weather forecast. For example, the outdoor temperature T Rout = weather forecast temperature * 0.8 + outdoor temperature actually measured one hour ago * 0.2.

なお、ＦＳＵは、室内外の温度、湿度、冷却機器負荷等のデータを収集してＵＭＥにアップロードしてもよい。 The FSU may also collect data such as indoor and outdoor temperature, humidity, and cooling equipment load and upload it to the UME.

ステップＳ１２では、冷却機器負荷の同期履歴サンプルデータ及び予め設定された影響ファクタを第１入力パラメータとして第１ニューラルネットワークモデルに入力し、冷却機器の当日予測される負荷を得る。 In step S12, the synchronized historical sample data of the cooling equipment load and the preset influence factors are input as first input parameters into the first neural network model to obtain the predicted load of the cooling equipment for that day.

同期とは、過去の同じ時期を指し、例えば、昨年同日の同一時刻、前年同日の同一時刻のいずれも、同日の当該時刻の同期としてもよい。 Synchronization refers to the same time in the past. For example, the same time on the same day last year, or the same time on the same day the year before, can both be considered synchronization of that time on the same day.

ステップＳ１２において、図６Ａに示すように、冷却機器負荷の同期履歴サンプルデータＬＮ、祝祭日影響ファクタＦｈｏｌｉｄａｙ、干満潮影響ファクタＦｔｉｄｅ及び地域イベントファクタＦｅｖｅｎｔを第１ニューラルネットワークモデルに入力し、冷却機器の当日予測される負荷ＬＲを得て、第１ニューラルネットワークモデルの出力値とする。 In step S12, as shown in FIG. 6A , the synchronized historical sample data L N of the cooling equipment load, the holiday influence factor F holiday , the tide influence factor F tide and the local event factor F event are input into the first neural network model to obtain the cooling equipment load L R predicted for that day, which is the output value of the first neural network model.

ステップＳ１３では、室外温度の同期履歴サンプルデータ及び冷却機器の当日予測される負荷を第２入力パラメータとして第２ニューラルネットワークに入力し、当日予測される室内温度を得る。 In step S13, the synchronized historical sample data of the outdoor temperature and the predicted load of the cooling equipment for that day are input as second input parameters to the second neural network to obtain the predicted indoor temperature for that day.

ステップＳ１３において、図６Ｂに示すように、室外温度の同期履歴サンプルデータＴＲｏｕｔ及び冷却機器の当日予測される負荷ＬＲ（つまり、第１ニューラルネットワークの出力値）を第２ニューラルネットワークモデルに入力して、当日予測される室内温度ＴＲｉｎを得て、第２ニューラルネットワークモデルの出力値とする。 In step S13, as shown in FIG. 6B , the synchronized historical sample data T Rout of the outdoor temperature and the load L R of the cooling device predicted for that day (i.e., the output value of the first neural network) are input to the second neural network model to obtain the indoor temperature T Rin predicted for that day, which is the output value of the second neural network model.

ステップＳ１４では、当日予測される室内温度及び予め設定された冷却効率ファクタを第３入力パラメータとして第３ニューラルネットワークに入力し、冷却機器の当日の最適制御パラメータを得る。 In step S14, the indoor temperature predicted for that day and the preset cooling efficiency factor are input as third input parameters to the third neural network to obtain the optimal control parameters for the cooling equipment for that day.

ステップＳ１４において、図６Ｃに示すように、当日予測される室内温度ＴＲｉｎ（つまり、第２ニューラルネットワークの出力値）、熱交換冷却効率ファクタＦｅｆｆ１及び空調冷却効率ファクタＦｅｆｆ２を第３ニューラルネットワークモデルに入力して、空調機の当日の最適制御パラメータ（つまり、空調機のオン時刻Ｔｍｏｍｅｎｔ－ＡＣ及び空調機のオン時間Ｔｈｏｕｒｓ－ＡＣ）及び熱交換器の当日の最適制御パラメータ（つまり、熱交換器のオン時刻Ｔｍｏｍｅｎｔ－ＴＥＥ及び熱交換器のオン時間Ｔｈｏｕｒｓ－ＴＥＥ）を得る。 In step S14, as shown in FIG. 6C , the indoor temperature T Rin predicted for that day (i.e., the output value of the second neural network), the heat exchange cooling efficiency factor F eff1 , and the air conditioning cooling efficiency factor F eff2 are input into a third neural network model to obtain the optimal control parameters for the air conditioner for that day (i.e., the air conditioner on-time T moment-AC and the air conditioner on-time T hours-AC ) and the optimal control parameters for the heat exchanger for that day (i.e., the heat exchanger on-time T moment-TEE and the heat exchanger on-time T hours-TEE ).

なお、実使用時には、オン時刻Ｔｍｏｍｅｎｔをｈｈ：ｍｍ：ｓｓフォーマットに戻し、オン時間Ｔｈｏｕｒｓを標準時間（例えば、ｘｘ時間）に戻すことができる。 In actual use, the on-time T moment can be returned to the hh:mm:ss format, and the on-time T hours can be returned to a standard time (eg, xx hours).

ステップＳ１２～Ｓ１４において、ＵＭＥは、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを順に稼働させて冷却機器の当日の最適制御パラメータを出力する。 In steps S12 to S14, the UME runs the first neural network model, the second neural network model, and the third neural network model in sequence to output the optimal control parameters for the cooling equipment on that day.

空調機の最適制御パラメータは、空調機のオン時刻Ｔｍｏｍｅｎｔ－ＡＣ及び空調機のオン時間Ｔｈｏｕｒｓ－ＡＣを含んでもよく、熱交換器の最適制御パラメータは、熱交換器のオン時刻Ｔｍｏｍｅｎｔ－ＴＥＥ及び熱交換器のオン時間Ｔｈｏｕｒｓ－ＴＥＥを含んでもよい。 The optimal control parameters for the air conditioner may include an air conditioner on-time T moment-AC and an air conditioner on-time T hours-AC , and the optimal control parameters for the heat exchanger may include a heat exchanger on-time T moment-TEE and a heat exchanger on-time T hours-TEE .

最適制御パラメータは、毎日最大１２組の空調機のオン時刻Ｔｍｏｍｅｎｔ－ＡＣ及び空調機のオン時間Ｔｈｏｕｒｓ－ＡＣ、並びに最大２４組の熱交換器のオン時刻Ｔｍｏｍｅｎｔ－ＴＥＥ及び熱交換器のオン時間Ｔｈｏｕｒｓ－ＴＥＥを含んでもよい。 The optimal control parameters may include up to 12 sets of air conditioner on-times T moment-AC and air conditioner on-times T hours-AC and up to 24 sets of heat exchanger on-times T moment-TEE and heat exchanger on-times T hours-TEE for each day.

ステップＳ１５では、最適制御パラメータに基づいて冷却機器の稼働を制御する。 In step S15, the operation of the cooling equipment is controlled based on the optimal control parameters.

ステップＳ１５において、空調機の最適制御パラメータに基づいて空調機の稼働を制御し、熱交換器の最適制御パラメータに基づいて熱交換器の稼働を制御する。 In step S15, the operation of the air conditioner is controlled based on the optimal control parameters of the air conditioner, and the operation of the heat exchanger is controlled based on the optimal control parameters of the heat exchanger.

本開示に係る冷却機器の制御方法によれば、ニューラルネットワークモデルを利用し、現在の室外温度、冷却機器負荷の同期履歴サンプルデータ、影響ファクタ及び冷却効率ファクタ等のパラメータを組み合わせて、空調機及び熱交換器の制御スキームの予測及び連動制御を実現しており、予測して得られる制御スキームの精度が高く、改善が難しいという従来のアルゴリズムの欠点を克服し、空調機及び熱交換器のアクティブ制御を実現しており、稼働効率が最適化され、消費電力が低減されている。また、過去データと現在の実測データを組み合わせ、特殊な事件の影響ファクタ及び冷却機器の冷却効率の影響ファクタを考慮して、予測して得られる制御スキームをより正確なものとしており、機械室の環境の変化に可能であり、応用範囲が向上している。 According to the cooling equipment control method disclosed herein, a neural network model is used to combine parameters such as the current outdoor temperature, synchronized historical sample data of the cooling equipment load, influence factors, and cooling efficiency factors to realize prediction and linked control of the control scheme of the air conditioner and heat exchanger. This overcomes the drawback of conventional algorithms that the predicted control scheme is highly accurate and difficult to improve, and realizes active control of the air conditioner and heat exchanger, optimizing operating efficiency and reducing power consumption. In addition, by combining past data and current actual measurement data and taking into account the influence factors of special events and the influence factors of the cooling efficiency of the cooling equipment, the predicted control scheme is more accurate, which can be adapted to changes in the environment of the machine room and improves the range of application.

図７は、本開示に係る空調機の制御フローを示す図である。 Figure 7 shows the control flow of an air conditioner according to the present disclosure.

図７に示すように、本開示に係る空調機制御フローは、ステップＳ３１～Ｓ３９を含む。 As shown in FIG. 7, the air conditioner control flow according to the present disclosure includes steps S31 to S39.

ステップＳ３１では、現在の室内温度が第１しきい値ＶＨＴより大きい場合、ステップＳ３６を実行し、そうでなければ、ステップＳ３２を実行する。 In step S31, if the current indoor temperature is greater than the first threshold value VHT, step S36 is executed; otherwise, step S32 is executed.

ステップＳ３１において、現在の室内温度がＶＨＴより大きい場合、現在の室内温度が高すぎることを意味し、空調機の稼働がタイムオーバーか否かをさらに判断してもよい（つまり、ステップＳ３６を実行する）。現在の室内温度がＶＨＴ以下の場合、現在の室内温度が低すぎるか否かをさらに判断してもよい（つまり、ステップＳ３２を実行する）。 In step S31, if the current indoor temperature is greater than the VHT, this means that the current indoor temperature is too high, and it may be further determined whether the operation of the air conditioner has timed out (i.e., step S36 is executed). If the current indoor temperature is equal to or less than the VHT, it may be further determined whether the current indoor temperature is too low (i.e., step S32 is executed).

ステップＳ３２では、現在の室内温度が第２しきい値ＶＬＴより小さい場合、ステップＳ３９を実行し、そうでなければ、ステップＳ３３を実行する。 In step S32, if the current indoor temperature is less than the second threshold value VLT, step S39 is executed; otherwise, step S33 is executed.

ステップＳ３２において、現在の室内温度が第２しきい値ＶＬＴより小さい場合、現在の室内温度が低すぎることを意味し、空調機は、低温異常のためにオフしてもよい（つまり、ステップＳ３９を実行する）。現在の室内温度が第２しきい値ＶＬＴ以上である場合、現在の室内温度が高温異常によりオフされず低温異常によってもオフされないことを意味し、第１高温予備起動条件を満たすか否かをさらに判断してもよい（つまり、ステップＳ３３を実行する）。 In step S32, if the current indoor temperature is less than the second threshold VLT, it means that the current indoor temperature is too low, and the air conditioner may be turned off due to a low temperature abnormality (i.e., execute step S39). If the current indoor temperature is equal to or greater than the second threshold VLT, it means that the current indoor temperature is not turned off due to a high temperature abnormality or a low temperature abnormality, and it may be further determined whether the first high temperature pre-start condition is met (i.e., execute step S33).

ステップＳ３３では、第１高温予備起動条件を満たす場合、ステップＳ３４を実行し、そうでなければ、ステップＳ３１に戻る。 In step S33, if the first high-temperature pre-start condition is met, execute step S34; if not, return to step S31.

ステップＳ３３において、現在の室内温度が第１しきい値ＶＨＴ以下かつ第２しきい値ＶＬＴ以上であり、第１高温予備起動条件を満たす場合、空調機の当日の最適制御パラメータに基づいて空調機稼働を制御し（つまり、ステップＳ３４を実行する）、第１高温予備起動条件を満たさない場合、ステップＳ３１に戻る。 In step S33, if the current indoor temperature is equal to or lower than the first threshold value VHT and equal to or higher than the second threshold value VLT, and the first high-temperature pre-start condition is met, the air conditioner operation is controlled based on the optimal control parameters of the air conditioner for that day (i.e., step S34 is executed), and if the first high-temperature pre-start condition is not met, the process returns to step S31.

第１高温予備起動条件は、空調機のオン時刻Ｔｍｏｍｅｎｔ－ＡＣに達し、かつ現在の室内温度が第３しきい値ＨＴＡＣより大きく、かつ空調機の実オフ時間が空調機の最短オフ時間ＭＩＮＣＳＴを超えることを含んでもよい。 The first high temperature pre-start condition may include the air conditioner on-time T moment-AC being reached, the current indoor temperature being greater than a third threshold HT AC , and the actual off-time of the air conditioner exceeding a minimum off-time MINCST of the air conditioner.

ステップＳ３４では、空調機の最大稼働時間Ｔｏｎ－ｍａｘを空調機のオン時間Ｔｈｏｕｒｓ－ＡＣ及び空調機の最大オン時間ＭＡＸＣＯＴにおける最小値に設定する。 In step S34, the maximum operating time T on-max of the air conditioner is set to the minimum value of the on-time T hours-AC of the air conditioner and the maximum on-time MAXCOT of the air conditioner.

ステップＳ３４において、空調機の稼働における信頼性及び安全性を保証するために、空調機のオン時間Ｔｈｏｕｒｓ－ＡＣ及び空調機の最大オン時間ＭＡＸＣＯＴのうちの最小値を取って、空調機の稼働を実際に制御する制御パラメータとしてもよい。 In step S34, in order to ensure reliability and safety in the operation of the air conditioner, the minimum value of the air conditioner's on-time T hours-AC and the air conditioner's maximum on-time MAXCOT may be taken as a control parameter that actually controls the operation of the air conditioner.

ステップＳ３５では、空調機を起動し、ステップＳ３８を実行する。 In step S35, the air conditioner is started and step S38 is executed.

ステップＳ３５において、空調機の起動を制御した後、空調機の実オン時間Ｔｏｎ－ＡＣの記録を開始し、空調機の実オフ時間Ｔｏｆｆ－ＡＣをクリアして、ステップＳ３８を実行する。 In step S35, after controlling the start-up of the air conditioner, recording of the actual on-time T on-AC of the air conditioner is started, the actual off-time T off-AC of the air conditioner is cleared, and step S38 is executed.

ステップＳ３６では、空調機の実オフ時間Ｔｏｆｆ－ＡＣが空調機の最短オフ時間ＭＩＮＣＳＴより大きい場合、ステップＳ３７を実行し、そうでなければ、ステップＳ３１に戻る。 In step S36, if the actual off-time T off-AC of the air conditioner is greater than the minimum off-time MINCST of the air conditioner, step S37 is executed, and if not, the process returns to step S31.

ステップＳ３６において、現在の室内温度は第１しきい値ＶＨＴより大きく、現在の空調機の実オフ時間Ｔｏｆｆ－ＡＣが空調機の最短オフ時間ＭＩＮＣＳＴより大きい場合、高温異常起動条件を満たすことを意味し、空調機高温異常起動動作を実行する（つまり、ステップ３７を実行する）。現在の空調機の実オフ時間Ｔｏｆｆ－ＡＣが空調機の最短オフ時間ＭＩＮＣＳＴ以下である場合、ステップＳ３１に戻る。 In step S36, if the current indoor temperature is greater than the first threshold value VHT and the current actual off-time T off-AC of the air conditioner is greater than the shortest off-time MINCST of the air conditioner, this means that the high temperature abnormality start-up condition is met, and the air conditioner high temperature abnormality start-up operation is executed (i.e., step S37 is executed).If the current actual off-time T off-AC of the air conditioner is equal to or less than the shortest off-time MINCST of the air conditioner, the process returns to step S31.

ステップＳ３７では、空調機の最大稼働時間Ｔｏｎ－ｍａｘを空調機の最大オン時間ＭＡＸＣＯＴとして設定し、ステップＳ３５を実行する。 In step S37, the maximum operating time T on-max of the air conditioner is set as the maximum on-time MAXCOT of the air conditioner, and step S35 is executed.

ステップＳ３７において、空調機が高温異常起動した場合、予め設定された空調機の最大オン時間ＭＡＸＣＯＴに直接基づいて、空調機の稼働時間を制御する。 In step S37, if the air conditioner starts due to an abnormally high temperature, the operating time of the air conditioner is controlled directly based on the maximum on-time MAXCOT of the air conditioner that has been preset.

ステップＳ３８では、空調機の実オン時間Ｔｏｎ－ＡＣが空調機の最大稼働時間Ｔｏｎ－ｍａｘ以上である場合、ステップＳ３９を実行し、そうでなければ、空調機の現在の状態を保持する。 In step S38, if the actual on-time T on-AC of the air conditioner is equal to or greater than the maximum operating time T on-max of the air conditioner, step S39 is executed, and if not, the current state of the air conditioner is maintained.

空調機が起動した後、空調機の実オン時間Ｔｏｎ－ＡＣの記録を開始し、空調機の実オン時間Ｔｏｎ－ＡＣが空調機の最大稼働時間Ｔｏｎ－ｍａｘ以上である場合、空調機を停止し、そうでなければ、空調機は現在の状態を保持する。 After the air conditioner starts, start recording the actual on-time T on-AC of the air conditioner, and if the actual on-time T on-AC of the air conditioner is equal to or greater than the maximum operating time T on-max of the air conditioner, shut down the air conditioner; otherwise, keep the air conditioner in its current state.

ステップＳ３９では、空調機を停止し、ステップＳ３１に戻る。 In step S39, the air conditioner is stopped and the process returns to step S31.

ステップＳ３９において、空調機の停止を制御した後、空調機の実オフ時間Ｔｏｆｆ－ＡＣの記録を開始し、空調機の実オン時間Ｔｏｎ－ＡＣをクリアし、その後、ステップＳ３１に戻って室内温度の検出を継続する。 In step S39, after controlling the air conditioner to stop, recording of the actual off time T off-AC of the air conditioner is started, and the actual on time T on-AC of the air conditioner is cleared, and then the process returns to step S31 to continue detecting the indoor temperature.

空調機の制御フローは、現在の室内温度が第６しきい値ＬＴより小さい場合、空調機を停止することをさらに含んでもよい。 The control flow of the air conditioner may further include stopping the air conditioner if the current indoor temperature is less than a sixth threshold value LT.

上述のステップＳ３１～Ｓ３９から分かるように、第３ニューラルネットワークモデルから出力される予測スキームを応用することを基に、予め設定された空調機及び熱交換器の発停ポリシーのアルゴリズムを組み合わせることにより、ニューラルネットワークモデルの予測に異常があったときも、空調機及び熱交換器の安全な稼働が保障される。実際の室温が第１しきい値ＶＨＴを超えた場合、空調機は、高温異常により起動してもよい。実際の室温が第２しきい値ＶＬＴを下回った場合、空調機は、低温異常によりオフしてもよい。空調機のオン時刻Ｔｍｏｍｅｎｔ－ＡＣに達し、かつ実際の室温が第３しきい値ＨＴＡＣを超え、かつ稼働間隔が最短オフ時間ＭＩＮＣＳＴを超える場合、空調機は、第３ニューラルネットワークモデルが出力した予測スキームに基づいて稼働し、つまり、空調機のオン時刻Ｔｍｏｍｅｎｔ－ＡＣに達すると稼働が起動され、稼働継続時間は、空調機のオン時間Ｔｈｏｕｒｓ－ＡＣである。 As can be seen from the above steps S31 to S39, by combining the algorithm of the preset air conditioner and heat exchanger start/stop policy based on the application of the prediction scheme output from the third neural network model, the safe operation of the air conditioner and the heat exchanger is guaranteed even when there is an abnormality in the prediction of the neural network model. When the actual room temperature exceeds the first threshold value VHT, the air conditioner may be started due to a high temperature abnormality. When the actual room temperature falls below the second threshold value VLT, the air conditioner may be turned off due to a low temperature abnormality. When the air conditioner's on-time T moment-AC is reached, the actual room temperature exceeds the third threshold value HT AC , and the operation interval exceeds the minimum off-time MINCST, the air conditioner operates based on the prediction scheme output from the third neural network model, that is, the operation is started when the air conditioner's on-time T moment-AC is reached, and the operation duration is the air conditioner's on-time T hours-AC .

図８は、本開示に係る熱交換器の制御フローを示す図である。 Figure 8 shows the control flow of the heat exchanger according to the present disclosure.

図８に示すように、本開示に係る熱交換器の制御フローには、ステップＳ４１～Ｓ４４が含まれる。 As shown in FIG. 8, the control flow for the heat exchanger according to the present disclosure includes steps S41 to S44.

ステップＳ４１では、第２高温予備起動条件が満たされると、ステップＳ４２を実行し、そうでなければ、熱交換器は、現在の状態を保持する。 In step S41, if the second high-temperature pre-start condition is met, step S42 is executed; otherwise, the heat exchanger maintains its current state.

なお、熱交換器として、直接熱交換器及び間接熱交換器を挙げることができ、直接熱交換器は、フレッシュエアシステムを備えてもよく、間接熱交換器は、ヒートパイプ装置（Ｈｅａｔ Ｐｉｐｅ Ｅｑｕｉｐｍｅｎｔ，ＨＰＥ）を備えてもよい。 Heat exchangers include direct heat exchangers and indirect heat exchangers. The direct heat exchanger may be equipped with a fresh air system, and the indirect heat exchanger may be equipped with a heat pipe equipment (HPE).

熱交換器が間接熱交換器であるとき、第２高温予備起動条件は、熱交換器のオン時刻Ｔｍｏｍｅｎｔ－ＴＥＥに達し、かつ現在の室内温度が第４しきい値ＨＴＨＥＥより大きく、かつ現在の室内温度と室外温度との差分値が第５しきい値より大きいことを含んでもよい。 When the heat exchanger is an indirect heat exchanger, the second high temperature pre-start condition may include that a heat exchanger on-time T moment-TEE is reached, the current indoor temperature is greater than a fourth threshold value HT HEE , and a difference value between the current indoor temperature and the outdoor temperature is greater than a fifth threshold value.

熱交換器が直接熱交換器であるとき、第２高温予備起動条件は、以下のいずれかを含む。 When the heat exchanger is a direct heat exchanger, the second high temperature pre-start condition includes any of the following:

（１）熱交換器のオン時刻Ｔｍｏｍｅｎｔ－ＴＥＥに達し、かつ現在の室内温度が第４しきい値ＨＴＨＥＥより大きく、かつ現在の室内温度と室外温度との差分値が第８しきい値より大きい。第８しきい値は、第５しきい値より大きくてもよく、つまり、第２高温予備起動条件において、直接熱交換器の室内外の温度差要件が間接熱交換器の室内外の温度差要件より大きく、例えば、第５しきい値は、６℃であってもよく、第８しきい値は、１０℃であってもよい。 (1) The heat exchanger on-time T moment-TEE is reached, the current indoor temperature is greater than the fourth threshold value HT HEE , and the difference value between the current indoor temperature and the outdoor temperature is greater than the eighth threshold value. The eighth threshold value may be greater than the fifth threshold value, that is, in the second high temperature pre-start condition, the indoor/outdoor temperature difference requirement of the direct heat exchanger is greater than the indoor/outdoor temperature difference requirement of the indirect heat exchanger. For example, the fifth threshold value may be 6°C, and the eighth threshold value may be 10°C.

（２）熱交換器のオン時刻Ｔｍｏｍｅｎｔ－ＴＥＥに達し、かつ現在の室内温度が第４しきい値ＨＴＨＥＥより大きく、かつ現在の室内温度と室外温度との差分値が第８しきい値より大きく、かつ現在の室内湿度が第９しきい値以下である。つまり、直接熱交換器の第２高温予備起動条件は、温度条件及び湿度条件を含んでもよく、例えば、第９しきい値は、９０％であってもよい。 (2) The heat exchanger on-time T moment-TEE is reached, the current indoor temperature is greater than a fourth threshold value HT HEE , the difference value between the current indoor temperature and the outdoor temperature is greater than an eighth threshold value, and the current indoor humidity is equal to or less than a ninth threshold value. That is, the second high temperature pre-start condition of the direct heat exchanger may include a temperature condition and a humidity condition, and the ninth threshold value may be 90%, for example.

ステップＳ４２では、熱交換器を起動する。 In step S42, the heat exchanger is started.

ステップＳ４２において、熱交換器の起動を制御した後、熱交換器の実オン時間Ｔｏｎ－ＨＥＥの記録を開始し、熱交換器の実オフ時間Ｔｏｆｆ－ＨＥＥをクリアする。 In step S42, after controlling the start-up of the heat exchanger, recording of the actual on-time T on-HEE of the heat exchanger is started, and the actual off-time T off-HEE of the heat exchanger is cleared.

ステップＳ４３では、熱交換器の実オン時間Ｔｏｎ－ＨＥＥが熱交換器のオン時間Ｔｈｏｕｒｓ－ＨＥＥ以上である場合、ステップＳ４４を実行し、そうでなければ、熱交換器は現在の状態を保持する。 In step S43, if the actual on-time of the heat exchanger T on-HEE is equal to or greater than the on-time of the heat exchanger T hours-HEE , execute step S44; otherwise, the heat exchanger maintains its current state.

ステップＳ４４では、熱交換器を停止する。 In step S44, the heat exchanger is stopped.

ステップＳ４４において、熱交換器の停止を制御した後、熱交換器の実オフ時間Ｔｏｆｆ－ＨＥＥの記録を開始し、熱交換器の実オン時間Ｔｏｎ－ＨＥＥをクリアする。 In step S44, after controlling the stop of the heat exchanger, recording of the actual off time T off-HEE of the heat exchanger is started, and the actual on time T on-HEE of the heat exchanger is cleared.

熱交換器の制御フローは、現在の室内温度が第６しきい値ＬＴより小さい場合、熱交換器を停止することをさらに含んでもよい。 The heat exchanger control flow may further include shutting down the heat exchanger if the current indoor temperature is less than a sixth threshold LT.

なお、空調機及び間接熱交換器は同時に稼働してもよいが、空調機及び直接熱交換器の稼働は排他的なものであり、つまり、空調機及び直接熱交換器の両者は同時に稼働してはならない。また、遅延、火災警報が生じた場合、直接熱交換器の稼働を直ちに停止し、ダンパを閉じて、安全を保障する必要がある。 The air conditioner and the indirect heat exchanger may be operated simultaneously, but the operation of the air conditioner and the direct heat exchanger are exclusive, meaning that the air conditioner and the direct heat exchanger must not be operated simultaneously. Also, if a delay or fire alarm occurs, the operation of the direct heat exchanger must be stopped immediately and the damper must be closed to ensure safety.

熱交換器が直接熱交換器である場合、空調機のオン時刻と熱交換器のオン時刻は異なる。したがって、本開示の冷却機器の制御方法は、空調機がオンした場合、熱交換器を停止し、熱交換器がオンした場合、空調機を停止することをさらに含んでもよい。 If the heat exchanger is a direct heat exchanger, the on-time of the air conditioner and the on-time of the heat exchanger are different. Therefore, the cooling device control method of the present disclosure may further include stopping the heat exchanger when the air conditioner is on, and stopping the air conditioner when the heat exchanger is on.

なお、空調機及び熱交換器の制御アルゴリズムは、ＵＭＥクラウドで運用されてもよく、必要であれば、空調機及び熱交換器の制御アルゴリズムをＦＳＵにコピーして、ローカルに実行してもよい。この場合、ＵＭＥは、第３ニューラルネットワークが予測した冷却制御スキームをＦＳＵに事前に送信する必要がある。 The control algorithms for the air conditioner and heat exchanger may be operated in the UME cloud, and if necessary, the control algorithms for the air conditioner and heat exchanger may be copied to the FSU and executed locally. In this case, the UME needs to send the cooling control scheme predicted by the third neural network to the FSU in advance.

なお、空調機制御及び熱交換器制御は、並行して実行されてもよく、図５に示すステップＳ１１～Ｓ１４を毎日０時までに１回行い、冷却機器の当日の最適制御パラメータを出力する。 The air conditioner control and heat exchanger control may be executed in parallel, and steps S11 to S14 shown in FIG. 5 are executed once every day before midnight, and the optimal control parameters for the cooling equipment for that day are output.

図９は、本開示に係る冷却機器の当日の最適制御パラメータの再度決定及び更新フローを示す図である。 Figure 9 shows the flow of re-determining and updating the optimal control parameters for the day of the cooling device according to the present disclosure.

図９に示すように、本開示の冷却機器の制御方法は、最適制御パラメータに基づいて冷却機器の稼働を制御するステップ（つまり、図５に示すステップＳ１５）の後に、ステップＳ５１～Ｓ５３をさらに含んでもよい。 As shown in FIG. 9, the method of controlling a cooling device disclosed herein may further include steps S51 to S53 after the step of controlling the operation of the cooling device based on the optimal control parameters (i.e., step S15 shown in FIG. 5).

ステップＳ５１では、空調機の当日の実稼働パラメータと空調機の当日の最適制御パラメータとの間の誤差が第１０しきい値を超えた場合、ステップＳ５２を実行し、そうでなければ、本フローを終了する。 In step S51, if the error between the actual operating parameters of the air conditioner on that day and the optimal control parameters of the air conditioner on that day exceeds the tenth threshold value, step S52 is executed; otherwise, this flow is terminated.

ステップＳ５２では、空調機の当日の最適制御パラメータを再度決定する。 In step S52, the optimal control parameters for the air conditioner for that day are determined again.

ステップＳ５２の具体的な実現方法は、ステップ１２～Ｓ１４と同じであり、ここでは繰り返さない。 The specific implementation method of step S52 is the same as steps 12 to S14, and will not be repeated here.

ステップＳ５３では、再度決定された空調機の当日の最適制御パラメータに基づいて学習サンプルデータセットを更新する。 In step S53, the learning sample dataset is updated based on the re-determined optimal control parameters for the air conditioner on that day.

例えば、当日の空調機の実オン時刻と当日の空調機の最適制御パラメータにおける空調機のオン時刻との間の誤差が１０分を超えた場合、冷却制御ポリシーの速やかな適応能力、並びに予測制御のリアルタイム性及び精度を高めるために、空調機の当日の最適制御パラメータを改めて予測し、再予測された空調機の当日の最適制御パラメータに基づいて学習サンプルデータセットを更新する必要がある。 For example, if the error between the actual on-time of the air conditioner on that day and the on-time of the air conditioner based on the optimal control parameters of the air conditioner on that day exceeds 10 minutes, in order to improve the rapid adaptability of the cooling control policy and the real-time nature and accuracy of the predictive control, it is necessary to re-predict the optimal control parameters of the air conditioner on that day and update the learning sample dataset based on the re-predicted optimal control parameters of the air conditioner on that day.

ニューラルネットワークモデルは、クラウドに配置されて稼働してもよく、外部パラメータが常に変わらない場合、これらモデルは、予測精度を常に高め、機械室の環境の変化等の異常状況に適応して学習及び調整を行うことができるように、さらに、リアルタイム又はオンラインの学習を常に行うことができる。 Neural network models may be deployed and run in the cloud, and when external parameters remain constant, these models may also be capable of real-time or online learning at all times, so as to constantly improve prediction accuracy and to learn and adjust to adapt to abnormal situations, such as changes in the machine room environment.

空調機及び熱交換器は、故障を乗り越えられるものとなっており、したがって、本開示の冷却機器の制御方法は、現在稼働している冷却機器に故障があり、もう１つの冷却機器が正常である場合、故障した冷却機器を停止し、前記正常な冷却機器をオンすることと、現在稼働している２つの冷却機器のいずれも故障している場合、故障が解消されたときに、故障が解消された冷却機器を起動することとをさらに含んでもよい。つまり、現在オンである冷却機器が故障している場合、この故障した冷却機器を停止し、正常な冷却機器をオンし、故障が解消された後で、この冷却機器を再度オンし、もう１つの冷却機器を停止する。空調機及び熱交換器を故障時に互いにバックアップとして起動・稼働させることにより、機械室が異常な高温になる危険を回避することができる。 The air conditioner and the heat exchanger are designed to be able to overcome failures, and therefore the cooling device control method of the present disclosure may further include stopping the failed cooling device and turning on the normal cooling device when the currently operating cooling device is faulty and the other cooling device is normal, and starting the cooling device whose fault has been resolved when the fault is resolved when both of the two currently operating cooling devices are faulty. In other words, when the cooling device that is currently on is faulty, the failed cooling device is stopped and the normal cooling device is turned on, and after the fault is resolved, the failed cooling device is turned on again and the other cooling device is stopped. By starting and operating the air conditioner and the heat exchanger as backups for each other in the event of a failure, the risk of the machine room becoming abnormally hot can be avoided.

本開示の冷却機器の制御方法は、最適制御パラメータに基づいて冷却機器の稼働を制御する（つまり、図５に示すステップＳ１５）過程において、現在の室内温度が第６しきい値ＬＴより小さく、かつ冷却機器の実オフ時間が第７しきい値より大きい場合、現在取得している、室外温度、室内温度及び冷却機器負荷を含むサンプルデータに基づいて、第２ニューラルネットワークモデルを学習することをさらに含んでもよい。つまり、環境条件が良好である（例えば、ＦＳＵとクラウドＵＭＥとの間がファスト・イーサネット接続され、クラウドＵＭＥのコンピューティングリソースが十分である）場合、リアルタイム又はオンラインでのモデル学習をサポートしてもよい。機械室内の温度が低く、冷却機器が長時間未稼働（例えば、気温の涼しい季節又は気温の低い夜）である場合、リアルタイムで収集した室外温度、機器負荷、室内温度等のデータに基づいて、第２ニューラルネットワークモデルに対しリアルタイムかつオンラインで学習してもよい。 The cooling device control method of the present disclosure may further include, in the process of controlling the operation of the cooling device based on the optimal control parameters (i.e., step S15 shown in FIG. 5), learning a second neural network model based on currently acquired sample data including outdoor temperature, indoor temperature, and cooling device load when the current indoor temperature is smaller than the sixth threshold LT and the actual off time of the cooling device is greater than the seventh threshold. That is, when the environmental conditions are good (e.g., a fast Ethernet connection is established between the FSU and the cloud UME and the computing resources of the cloud UME are sufficient), real-time or online model learning may be supported. When the temperature in the machine room is low and the cooling device has not been in operation for a long time (e.g., during a cool season or a cold night), the second neural network model may be learned in real time and online based on the outdoor temperature, device load, indoor temperature, and other data collected in real time.

本開示の冷却機器の制御方法は、最適制御パラメータに基づいて冷却機器の稼働を制御した（つまり、図５に示すステップ１５）の後、学習サンプルデータセットに基づいて第１ニューラルネットワークモデル及び第３ニューラルネットワークモデルを学習できるように、取得した当日のサンプルデータ及び冷却機器の当日の実稼働パラメータを学習サンプルデータセットに加えることをさらに含んでもよい。当日のサンプルデータ及び実際の冷却制御結果をビッグデータセットに加えることによって、学習セット及びテストセットを豊富にして、第１及び第３ニューラルネットワークモデルに対しオンライン学習を行って、モデルの予測精度を高めることができる。 The cooling equipment control method of the present disclosure may further include, after controlling the operation of the cooling equipment based on the optimal control parameters (i.e., step 15 shown in FIG. 5), adding the acquired sample data for the day and the actual operating parameters of the cooling equipment for the day to the learning sample dataset so that the first neural network model and the third neural network model can be trained based on the learning sample dataset. By adding the sample data for the day and the actual cooling control results to the big dataset, the learning set and the test set can be enriched, and online learning can be performed on the first and third neural network models to improve the prediction accuracy of the models.

通信ネットワークが中断した場合、ＦＳＵは、ＵＭＥと通信できず、冷却機器の制御を実現するために、ＦＳＵは、内蔵された温度発停制御アルゴリズムを自動的に運用してもよいし、ＵＭＥが事前に送信した冷却制御プランを受信し保存して、ＵＭＥからコピーした冷却連動制御アルゴリズムをローカルで運用してもよい。 If the communication network is interrupted, the FSU cannot communicate with the UME, and in order to control the cooling equipment, the FSU may automatically operate the built-in temperature on/off control algorithm, or may receive and store the cooling control plan sent in advance by the UME and locally operate the cooling linkage control algorithm copied from the UME.

したがって、本開示の冷却機器の制御方法は、初期化段階で第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成した後、ＦＳＵとＵＭＥの通信が故障したときに、冷却機器の当日の最適制御パラメータを決定し、前記最適制御パラメータに基づいて冷却機器の稼働を制御できるように、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルをＦＳＵに配置することをさらに含んでもよい。 Therefore, the cooling equipment control method disclosed herein may further include, after creating the first neural network model, the second neural network model, and the third neural network model in the initialization stage, determining optimal control parameters for the cooling equipment on the day when communication between the FSU and the UME fails, and placing the first neural network model, the second neural network model, and the third neural network model in the FSU so that operation of the cooling equipment can be controlled based on the optimal control parameters.

本開示の一応用場面は、機械室の通信機器の発熱量が１０ＫＷより小さい基地局類の機械室であり、通常は、オペレータのデータ、伝送、交換類の基地局機械室である。従来の機械室の冷却機器は、１台の空調機だけであったが、空調機の消費電力を低減するために、基地局の機械室の外部環境、発熱量及び取り付け条件を考慮した上で、スマートヒートパイプ装置（ＨＰＥ）といった間接熱交換器を追加することで、空調機及びヒートパイプ装置の連動制御により機械室の解决スキームを実現している。ヒートパイプ技術を用いるのに機械を冷却する必要はなく、室内外の温度差が基本的に６度前後に保たれるので、年間を通して９０％以上の時間に使用できる。また、その部品の消費電力は従来のコンプレッサによる空調のそれを遥かに下回り、従来の空調機システムの約１／５にすぎないため、空調機の消費電力を大幅に節約することができる。 One application scenario of the present disclosure is a base station machine room where the heat generation of the communication equipment in the machine room is less than 10 kW, and is usually a base station machine room for operator data, transmission, and switching. Conventionally, the cooling equipment in the machine room was only one air conditioner, but in order to reduce the power consumption of the air conditioner, an indirect heat exchanger such as a smart heat pipe device (HPE) is added after considering the external environment, heat generation, and installation conditions of the machine room of the base station, thereby realizing a solution scheme for the machine room by interlocking control of the air conditioner and the heat pipe device. There is no need to cool the machine to use heat pipe technology, and the temperature difference between the indoors and outdoors is basically kept around 6 degrees, so it can be used for more than 90% of the time throughout the year. In addition, the power consumption of the parts is far lower than that of conventional compressor-based air conditioning, and is only about 1/5 of that of conventional air conditioner systems, so the power consumption of the air conditioner can be significantly reduced.

通常の状況では、機械室の新設、拡張のいずれであれ、適切な熱交換器を選択できるように、機械室の使用環境が十分考慮される。ヒートパイプ及び熱交換器等の間接熱交換器によって内外環境を隔てることができ、適用範囲は広いが、初期投資コストが高い。空気の質がよく（煙、腐食性のガス汚染がない）、温度及び湿度が低く、定期的にメンテナンスする能力がユーザに大いにある場合、フレッシュエアシステムを直接熱交換器として選択してもよい。したがって、本開示のもう１つの応用場面は、フレッシュエアシステム及び空調機を用いて連動冷却を行う基地局機械室である。 In normal circumstances, whether the machine room is newly built or expanded, the environment in which the machine room is used is fully considered so as to select an appropriate heat exchanger. Indirect heat exchangers such as heat pipes and heat exchangers can separate the inside and outside environments, and have a wide range of applications but high initial investment costs. When the air quality is good (no smoke, no corrosive gas pollution), the temperature and humidity are low, and the user has a great ability to perform regular maintenance, the fresh air system may be selected as a direct heat exchanger. Therefore, another application scenario of the present disclosure is a base station machine room that uses a fresh air system and an air conditioner for linked cooling.

本開示に係る冷却機器制御スキームによれば、ビッグデータ技術及びニューラルネットワーク技術に基づいて、現在の室内外の温湿度、システム負荷等のデータを十分考慮し、負荷予測、天気予報、同期履歴サンプルデータ等を踏まえて、ニューラルネットワークにより算出を行うことによって、冷却機器負荷、室内温度を事前に予測して、冷却機器の当日の連動制御最適プランを出力し、さらに従来の制御ルール・ポリシーと組み合わせることで、機械室の空調機及び熱交換器の予測可能なアクティブ制御を実現し、最適化制御、省エネ・省資源化の目的を達することができる。 According to the cooling equipment control scheme disclosed herein, based on big data technology and neural network technology, data such as the current indoor and outdoor temperature and humidity, system load, etc. is fully taken into consideration, and calculations are performed using a neural network based on load forecasts, weather forecasts, synchronization history sample data, etc., to predict the cooling equipment load and indoor temperature in advance, outputting an optimal plan for the day's linked control of the cooling equipment, and by combining this with conventional control rules and policies, predictable active control of the air conditioners and heat exchangers in the machine room can be realized, achieving the goals of optimized control and energy and resource conservation.

熱交換器及び空調機の予測可能で能動的な連携が実現されるため、空調機の稼働時間及び起動回数が顕著に減少している。また、機械室の機器の作動温度を制御可能な３０～４０℃の安全範囲まで高め、冷却機器の消費電力をさらに減少させることができる。予備推定では、空調機だけの冷却方式と比べ、空調機及び熱交換器により能動的に予測する連動制御スキームによって、毎年、通信基地局の消費電力量を１万ｋｗｈ近く削減し、平均消費電力量を４０％減らすことができ、５００万ｋｗｈ使用する基地局の１０％の割合で計算すると、毎年、電気料金５０億元及び１３５万トンの炭素排出量が減り、経済及び社会に対する利益が顕著である。 By achieving predictable and active coordination between the heat exchanger and the air conditioner, the operating time and number of startups of the air conditioner have been significantly reduced. In addition, the operating temperature of the equipment in the machine room can be increased to a safe, controllable range of 30-40°C, further reducing the power consumption of the cooling equipment. Preliminary estimates suggest that compared with a cooling method using only air conditioners, the active predictive linked control scheme using the air conditioner and heat exchanger can reduce the annual power consumption of communication base stations by nearly 10,000 kWh, reducing the average power consumption by 40%. Calculated as a 10% rate for a base station that uses 5 million kWh, this can reduce electricity bills by 5 billion yuan and carbon emissions by 1.35 million tons each year, with significant benefits to the economy and society.

同じ技術思想に基づいて、本開示は、冷却機器制御装置をさらに提供する。 Based on the same technical concept, the present disclosure further provides a cooling equipment control device.

図１０及び図１１は、本開示に係る冷却機器制御装置の構成を示す模式図である。 Figures 10 and 11 are schematic diagrams showing the configuration of a cooling equipment control device according to the present disclosure.

図１０に示すように、本開示に係る冷却機器制御装置は、第１処理モジュール１０１、第２処理モジュール１０２及び制御モジュール１０３を備えている。 As shown in FIG. 10, the cooling equipment control device according to the present disclosure includes a first processing module 101, a second processing module 102, and a control module 103.

第１処理モジュール１０１は、現在の室外温度を決定するのに用いられる。 The first processing module 101 is used to determine the current outdoor temperature.

第２処理モジュール１０２は、冷却機器負荷の同期履歴サンプルデータ及び予め設定された影響ファクタを第１入力パラメータとして第１ニューラルネットワークモデルに入力し、冷却機器の当日予測される負荷を得ることと、室外温度の同期履歴サンプルデータ及び前記冷却機器の当日予測される負荷を第２入力パラメータとして第２ニューラルネットワークに入力し、当日予測される室内温度を得ることと、前記当日予測される室内温度及び予め設定された冷却効率ファクタを第３入力パラメータとして第３ニューラルネットワークに入力し、前記冷却機器の当日の最適制御パラメータを得ることとに用いられる。 The second processing module 102 is used to input the synchronized historical sample data of the cooling equipment load and a preset influence factor as first input parameters into a first neural network model to obtain the cooling equipment's predicted load for that day, input the synchronized historical sample data of the outdoor temperature and the cooling equipment's predicted load for that day as second input parameters into a second neural network to obtain the indoor temperature predicted for that day, and input the indoor temperature predicted for that day and a preset cooling efficiency factor as third input parameters into a third neural network to obtain the optimal control parameters for the cooling equipment for that day.

制御モジュール１０３は、前記最適制御パラメータに基づいて前記冷却機器の稼働を制御するのに用いられる。 The control module 103 is used to control the operation of the cooling equipment based on the optimal control parameters.

図１１に示すように、本開示の冷却機器制御装置は、モデル作成モジュール１０４をさらに含んでもよい。 As shown in FIG. 11, the cooling equipment control device of the present disclosure may further include a model creation module 104.

モデル作成モジュール１０４は、初期化段階において、前記第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するのに用いられる。モデル作成モジュール１０４は、室外温度、室内温度及び冷却機器負荷を含む履歴サンプルデータを取得することと、前記履歴サンプルデータのアナログシミュレーションを行い、冷却機器の毎日の最適制御パラメータを算出することと、前記履歴サンプルデータ及び前記冷却機器の毎日の最適制御パラメータに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成することとに用いてもよい。 The model creation module 104 is used to create the first neural network model, the second neural network model, and the third neural network model in the initialization stage. The model creation module 104 may be used to obtain historical sample data including outdoor temperature, indoor temperature, and cooling equipment load, perform analog simulation of the historical sample data, calculate daily optimal control parameters of the cooling equipment, and create the first neural network model, the second neural network model, and the third neural network model based on the historical sample data and the daily optimal control parameters of the cooling equipment.

モデル作成モジュール１０４は、前記履歴サンプルデータのアナログシミュレーションを行い、冷却機器の毎日の最適制御パラメータを算出した後であって、前記履歴サンプルデータ及び前記冷却機器の毎日の最適制御パラメータに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成する前に、前記履歴サンプルデータ及び前記冷却機器の毎日の最適制御パラメータに対し正規化処理を行うことと、正規化処理をしたデータに基づいて学習セット、検証セット及びテストセットを含む学習サンプルデータセットを作成することとにさらに用いてもよい。 After performing an analog simulation of the historical sample data and calculating the daily optimal control parameters of the cooling equipment, and before creating a first neural network model, a second neural network model, and a third neural network model based on the historical sample data and the daily optimal control parameters of the cooling equipment, the model creation module 104 may further be used to perform a normalization process on the historical sample data and the daily optimal control parameters of the cooling equipment, and to create a learning sample data set including a learning set, a validation set, and a test set based on the normalized data.

モデル作成モジュール１０４は、前記学習サンプルデータセットに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するのに用いてもよい。 The model creation module 104 may be used to create a first neural network model, a second neural network model and a third neural network model based on the training sample data set.

モデル作成モジュール１０４は、冷却機器負荷の同期履歴サンプルデータ及び前記予め設定された影響ファクタを第１入力パラメータとし、前記冷却機器の当日負荷の履歴サンプルデータを第１出力パラメータとして、第１ニューラルネットワークモデルを作成することと、室外温度の同期履歴サンプルデータ及び前記冷却機器の当日負荷の履歴サンプルデータを第２入力パラメータとし、当日の室内温度の履歴サンプルデータを第２出力パラメータとして、第２ニューラルネットワークモデルを作成することと、前記当日の室内温度の履歴サンプルデータ及び前記予め設定された冷却効率ファクタを第３入力パラメータとし、冷却機器の当日最適制御パラメータの履歴サンプルデータを第３出力パラメータとして、第３ニューラルネットワークモデルを作成することとに用いてもよい。 The model creation module 104 may be used to create a first neural network model using the synchronized historical sample data of the cooling device load and the preset influence factor as first input parameters and the historical sample data of the cooling device's load for that day as a first output parameter; to create a second neural network model using the synchronized historical sample data of the outdoor temperature and the historical sample data of the cooling device's load for that day as second input parameters and the historical sample data of the indoor temperature for that day as a second output parameter; and to create a third neural network model using the historical sample data of the indoor temperature for that day and the preset cooling efficiency factor as third input parameters and the historical sample data of the cooling device's optimal control parameters for that day as a third output parameter.

サンプルデータは、シミュレーションデータ及びサンプリングデータを含んでもよい。シミュレーションデータは、室内温度が予め設定された第３しきい値より大きいときに、冷却機器の稼働をシミュレートして得られるデータである。サンプリングデータは、室内温度が予め設定された第６しきい値より小さく、かつ冷却機器の実オフ時間が予め設定された第７しきい値より大きいときに、サンプリングして得られるデータである。 The sample data may include simulation data and sampling data. The simulation data is data obtained by simulating the operation of the cooling device when the indoor temperature is greater than a preset third threshold. The sampling data is data obtained by sampling when the indoor temperature is less than a preset sixth threshold and the actual off time of the cooling device is greater than a preset seventh threshold.

第１処理モジュール１０１は、現在の時刻の前の予め設定された時間内における室外温度を決定することと、前記現在の時刻の前の予め設定された時間内における室外温度、当日予測温度及び予め設定された第１加重値及び第２加重値に基づいて、現在の室外温度を決定することとに用いてもよい。 The first processing module 101 may be used to determine the outdoor temperature within a preset time period before the current time, and to determine the current outdoor temperature based on the outdoor temperature within a preset time period before the current time, the predicted temperature for that day, and preset first and second weighting values.

最適制御パラメータは、オン時刻及びオン時間を含んでもよい。影響ファクタは、祝祭日影響ファクタ、干満潮影響ファクタ、地域イベントファクタのうちの１つ又は任意の組み合わせを含んでもよい。 The optimal control parameters may include an on time and an on duration. The influence factors may include one or any combination of a holiday influence factor, a tide influence factor, and a local event factor.

制御モジュール１０３は、現在の室内温度が予め設定された第１しきい値以下であり、かつ予め設定された前記第１しきい値より小さい第２しきい値以上であり、かつ第１高温予備起動条件を満たす場合、空調機の最大稼働時間を空調機のオン時間及び予め設定された空調機の最大オン時間における最小値に設定し、空調機を起動することと、空調機の実オン時間が前記空調機の最大稼働時間以上である場合、空調機を停止することとに用いてもよい。 The control module 103 may be used to set the maximum operating time of the air conditioner to the minimum value of the on-time of the air conditioner and the preset maximum on-time of the air conditioner and start the air conditioner when the current indoor temperature is equal to or lower than a preset first threshold value, and equal to or higher than a preset second threshold value that is lower than the first threshold value, and satisfies a first high-temperature pre-start condition, and to stop the air conditioner when the actual on-time of the air conditioner is equal to or higher than the maximum operating time of the air conditioner.

第１高温予備起動条件は、前記空調機のオン時刻に達し、かつ現在の室内温度が予め設定された第３しきい値より大きく、かつ空調機の実オフ時間が予め設定された空調機の最短オフ時間より大きいことを含んでもよい。 The first high temperature pre-start condition may include the air conditioner's on time being reached, the current indoor temperature being greater than a preset third threshold, and the actual off time of the air conditioner being greater than a preset shortest off time of the air conditioner.

制御モジュール１０３は、前記最適制御パラメータに基づいて前記冷却機器の稼働を制御する過程において、現在の室内温度が前記第１しきい値より大きく、かつ空調機の実オフ時間が前記空調機の最短オフ時間より大きい場合、空調機の最大稼働時間を前記空調機の最大オン時間に設定し、空調機を起動すること、及び／又は現在の室内温度が前記第２しきい値より小さい場合、空調機を停止することにさらに用いてもよい。 In the process of controlling the operation of the cooling equipment based on the optimal control parameters, the control module 103 may further be used to set the maximum operation time of the air conditioner to the maximum on time of the air conditioner and start the air conditioner if the current indoor temperature is greater than the first threshold value and the actual off time of the air conditioner is greater than the minimum off time of the air conditioner, and/or to stop the air conditioner if the current indoor temperature is less than the second threshold value.

制御モジュール１０３は、第２高温予備起動条件を満たす場合、熱交換器を起動することと、前記熱交換器の実オン時間が前記熱交換器のオン時間以上である場合、前記熱交換器を停止することとにさらに用いてもよい。 The control module 103 may further be used to start the heat exchanger if a second high temperature pre-start condition is met, and to stop the heat exchanger if the actual on-time of the heat exchanger is equal to or greater than the on-time of the heat exchanger.

前記熱交換器が間接熱交換器であるとき、第２高温予備起動条件は、前記熱交換器のオン時刻に達し、かつ現在の室内温度が予め設定された第４しきい値より大きく、かつ現在の室内温度と室外温度との差分値が予め設定された第５しきい値より大きいことを含んでもよい。 When the heat exchanger is an indirect heat exchanger, the second high-temperature pre-start condition may include that the on-time of the heat exchanger is reached, the current indoor temperature is greater than a preset fourth threshold, and the difference between the current indoor temperature and the outdoor temperature is greater than a preset fifth threshold.

前記熱交換器が直接熱交換器であるとき、第２高温予備起動条件は、前記熱交換器のオン時刻に達し、かつ現在の室内温度が予め設定された第４しきい値より大きく、かつ現在の室内温度と室外温度との差分値が予め設定された、前記第５しきい値より大きい第８しきい値より大きいことと、前記熱交換器のオン時刻に達し、かつ現在の室内温度が予め設定された第４しきい値より大きく、かつ現在の室内温度と室外温度との差分値が予め設定された第８しきい値より大きく、かつ現在の室内湿度が予め設定された第９しきい値以下であることとのいずれかを含んでもよい。 When the heat exchanger is a direct heat exchanger, the second high-temperature pre-start condition may include either that the on-time of the heat exchanger is reached, the current indoor temperature is greater than a preset fourth threshold, and the difference value between the current indoor temperature and the outdoor temperature is greater than a preset eighth threshold that is greater than the fifth threshold, or that the on-time of the heat exchanger is reached, the current indoor temperature is greater than a preset fourth threshold, the difference value between the current indoor temperature and the outdoor temperature is greater than a preset eighth threshold, and the current indoor humidity is equal to or less than a preset ninth threshold.

前記熱交換器が直接熱交換器であるとき、前記空調機のオン時刻と前記熱交換器のオン時刻は異なる。制御モジュール１０３は、前記空調機をオンすると、前記熱交換器が停止することと、前記熱交換器がオンすると、前記空調機が停止することとにさらに用いてもよい。 When the heat exchanger is a direct heat exchanger, the on-time of the air conditioner is different from the on-time of the heat exchanger. The control module 103 may further be used to shut down the heat exchanger when the air conditioner is turned on and to shut down the air conditioner when the heat exchanger is turned on.

制御モジュール１０３は、前記最適制御パラメータに基づいて前記冷却機器の稼働を制御した後、空調機の当日の実稼働パラメータと空調機の当日の最適制御パラメータとの間の誤差が予め設定された第１０しきい値を超える場合、第２処理モジュール１０２に対し空調機の当日の最適制御パラメータを再度決定するよう指示することと、再度決定された空調機の当日の最適制御パラメータに基づいて前記学習サンプルデータセットを更新することとにさらに用いてもよい。 After controlling the operation of the cooling equipment based on the optimal control parameters, the control module 103 may be further used to instruct the second processing module 102 to re-determine the optimal control parameters for the air conditioner on that day if the error between the actual operating parameters of the air conditioner on that day and the optimal control parameters of the air conditioner on that day exceeds a preset tenth threshold value, and to update the learning sample dataset based on the re-determined optimal control parameters of the air conditioner on that day.

制御モジュール１０３は、現在稼働している冷却機器に故障があり、もう１つの冷却機器が正常である場合、前記故障した冷却機器を停止し、前記正常な冷却機器をオンすることと、現在稼働している２つの冷却機器のいずれも故障している場合、故障が解消されたときに、故障が解消された冷却機器を起動することとにさらに用いてもよい。 The control module 103 may further be used to shut down the faulty cooling device and turn on the normal cooling device when a currently operating cooling device is faulty and another cooling device is normal, and to start the cooling device whose fault has been resolved when the fault is resolved when both of the two currently operating cooling devices are faulty.

第２処理モジュール１０２は、現在の室内温度が予め設定された第６しきい値より小さく、かつ前記冷却機器の実オフ時間が予め設定された第７しきい値より大きい場合、現在取得している、室外温度、室内温度及び冷却機器負荷を含むサンプルデータに基づいて、前記第２ニューラルネットワークモデルを学習することにさらに用いてもよい。 The second processing module 102 may further be used to learn the second neural network model based on currently acquired sample data including the outdoor temperature, the indoor temperature, and the cooling device load when the current indoor temperature is lower than a preset sixth threshold value and the actual off time of the cooling device is greater than a preset seventh threshold value.

本開示は、１つ又は複数のプロセッサと、１つ又は複数のプログラムが記憶された記憶装置とを備え、前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサによって実行されると、前記１つ又は複数のプロセッサにより本開示に係る冷却機器の制御方法が実現されるコンピュータ機器をさらに提供する。 The present disclosure further provides a computer device that includes one or more processors and a storage device in which one or more programs are stored, and that, when the one or more programs are executed by the one or more processors, realizes a cooling device control method according to the present disclosure.

本開示は、コンピュータプログラムが記憶され、当該コンピュータプログラムがプロセッサによって実行されると、前記プロセッサによって本開示に係る冷却機器の制御方法が実現されるコンピュータ可読媒体をさらに提供する。 The present disclosure further provides a computer-readable medium on which a computer program is stored, and when the computer program is executed by a processor, the processor realizes the cooling device control method according to the present disclosure.

以上で開示した方法におけるステップ、装置のすべて又は一部における機能モジュール／ユニットは、ソフトウェア、ファームウェア、ハードウェア及びそれらの適切な組み合わせとして実施できることが当業者には理解される。ハードウェアの実施形態において、以上の説明で触れた機能モジュール／ユニットの間の区分は、物理的構成要素の区分と必ずしも対応しない。例えば、１つの物理的構成要素は、複数の機能を有してもよいし、１つの機能若しくはステップがいくつかの物理的構成要素の協働によって実行されてもよい。物理的構成要素の一部又は物理的構成要素のすべては、プロセッサ（ＣＰＵ、デジタル信号プロセッサ又はマイクロプロセッサ）によって実行されるソフトウェアとして実施されてもよいし、ハードウェアとして実施されてもよいし、又は集積回路（例えば、特定用途向け集積回路）として実施されてもよい。このようなソフトウェアは、コンピュータ記憶媒体（又は非一時的媒体）及び通信媒体（又は一時的媒体）を含んでもよい、コンピュータ可読媒体に分布してもよい。当業者に周知のように、コンピュータ記憶媒体という用語には、情報（例えば、コンピュータ可読命令、データ構造、プログラムモジュール又はその他データ）を記憶するための任意の方法又は技術において実施される揮発性及び不揮発性の、取り外し可能な及び取り外し不可能な媒体も含まれる。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ又は他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）又は他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ若しくは他の磁気記憶装置、又は所望の情報を記憶するのに用いることができ、コンピュータによるアクセスが可能なあらゆる他の媒体を含むがこれらに限定されない。また、当業者に周知であるが、通信媒体は、通常、コンピュータ可読命令、データ構造、プログラムモジュール、又は搬送波若しくは他の伝送機構等の変調データ信号における他のデータを含み、任意の情報配信媒体を含んでもよい。 It will be understood by those skilled in the art that the steps in the methods and the functional modules/units in all or part of the apparatus disclosed above can be implemented as software, firmware, hardware, and appropriate combinations thereof. In hardware embodiments, the division between the functional modules/units mentioned in the above description does not necessarily correspond to the division of the physical components. For example, one physical component may have multiple functions, or one function or step may be performed by the cooperation of several physical components. Some or all of the physical components may be implemented as software executed by a processor (CPU, digital signal processor, or microprocessor), as hardware, or as an integrated circuit (e.g., application specific integrated circuit). Such software may be distributed on computer-readable media, which may include computer storage media (or non-transitory media) and communication media (or transitory media). As known to those skilled in the art, the term computer storage media also includes volatile and non-volatile, removable and non-removable media implemented in any method or technology for storing information (e.g., computer-readable instructions, data structures, program modules, or other data). Computer storage media includes, but is not limited to, RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital versatile disks (DVDs) or other optical disk storage, magnetic cassettes, magnetic tape, magnetic disk storage or other magnetic storage devices, or any other medium that can be used to store the desired information and that can be accessed by a computer. Also, as is known to those skilled in the art, communication media typically include computer-readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave or other transport mechanism, and may include any information delivery media.

本明細書では、例示的な実施例を開示しており、具体的な用語を用いたが、それらは一般的な説明的な意味にのみ用いられ解釈されるべきであり、限定を目的としたものではない。いくつかの例では、特に明記しない限り、特定の実施例に関連して説明された特徴、特性及び／又は要素を単独で使用してもよいし、他の実施例と関連して説明された特徴、特性及び／又は要素と組み合わせて使用してもよいことが当業者には自明である。したがって、添付の特許請求の範囲によって示される本開示の範囲から逸脱することなく、様々な形態および詳細における変更が可能であることを当業者は理解するであろう。 Although illustrative embodiments are disclosed herein and specific terms are used, they should be used and interpreted in a general descriptive sense only and not for purposes of limitation. In some instances, those skilled in the art will appreciate that features, characteristics and/or elements described in connection with a particular embodiment may be used alone or in combination with features, characteristics and/or elements described in connection with other embodiments, unless otherwise specified. Thus, those skilled in the art will appreciate that changes in form and detail may be made without departing from the scope of the present disclosure as set forth in the appended claims.

Claims (19)

現在の室外温度を決定するステップと、
冷却機器負荷の同期履歴サンプルデータ及び予め設定された影響ファクタを第１入力パラメータとして第１ニューラルネットワークモデルに入力し、冷却機器の当日予測される負荷を得るステップと、
室外温度の同期履歴サンプルデータ及び前記冷却機器の当日予測される負荷を第２入力パラメータとして第２ニューラルネットワークモデルに入力し、当日予測される室内温度を得るステップと、
前記当日予測される室内温度及び予め設定された冷却効率ファクタを第３入力パラメータとして第３ニューラルネットワークモデルに入力し、前記冷却機器の当日の最適制御パラメータを得るステップと、
前記最適制御パラメータに基づいて前記冷却機器の稼働を制御するステップとを含む冷却機器の制御方法。 determining a current outdoor temperature;
Inputting the synchronous historical sample data of the cooling equipment load and the preset influence factors as first input parameters into a first neural network model to obtain a predicted load of the cooling equipment on that day;
inputting the synchronized historical sample data of outdoor temperature and the load of the cooling device predicted for that day into a second neural network model as second input parameters to obtain a predicted indoor temperature for that day;
inputting the predicted indoor temperature and a preset cooling efficiency factor as third input parameters into a third neural network model to obtain optimal control parameters of the cooling device on the day;
and controlling operation of the cooling equipment based on the optimal control parameters. 現在の室外温度を決定するステップの前に、
室外温度、室内温度及び冷却機器負荷を含む履歴サンプルデータを取得するステップと、
前記履歴サンプルデータのアナログシミュレーションを行い、冷却機器の毎日の最適制御パラメータを算出するステップと、
前記履歴サンプルデータ及び前記冷却機器の毎日の最適制御パラメータに基づいて、前記第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するステップとをさらに含む請求項１に記載の方法。 Prior to the step of determining the current outdoor temperature,
acquiring historical sample data including outdoor temperature, indoor temperature, and cooling equipment load;
performing an analog simulation of the historical sample data to calculate daily optimal control parameters for the cooling equipment;
2. The method of claim 1, further comprising: generating the first neural network model, the second neural network model, and the third neural network model based on the historical sample data and daily optimal control parameters of the cooling equipment. 前記履歴サンプルデータのアナログシミュレーションを行い、冷却機器の毎日の最適制御パラメータを算出するステップの後であって、前記履歴サンプルデータ及び前記冷却機器の毎日の最適制御パラメータに基づいて、前記第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するステップの前に、
前記履歴サンプルデータ及び前記冷却機器の毎日の最適制御パラメータに対し、正規化処理を行うステップと、
正規化処理をしたデータに基づいて、学習セット、検証セット及びテストセットを含む学習サンプルデータセットを作成するステップとをさらに含み、
前記履歴サンプルデータ及び前記冷却機器の毎日の最適制御パラメータに基づいて、前記第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するステップは、
前記学習サンプルデータセットに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するステップをさらに含む請求項２に記載の方法。 After the step of performing an analog simulation of the historical sample data and calculating daily optimal control parameters of the cooling equipment, and before the step of creating the first neural network model, the second neural network model and the third neural network model based on the historical sample data and the daily optimal control parameters of the cooling equipment,
performing a normalization process on the historical sample data and the daily optimal control parameters of the cooling equipment;
and generating a training sample data set including a training set, a validation set, and a test set based on the normalized data;
generating the first neural network model, the second neural network model, and the third neural network model based on the historical sample data and daily optimal control parameters of the cooling equipment,
The method of claim 2 , further comprising creating a first neural network model, a second neural network model, and a third neural network model based on the training sample data set. 前記履歴サンプルデータ及び前記冷却機器の毎日の最適制御パラメータに基づいて、第１ニューラルネットワークモデル、第２ニューラルネットワークモデル及び第３ニューラルネットワークモデルを作成するステップは、
冷却機器負荷の同期履歴サンプルデータ及び前記予め設定された影響ファクタを第１入力パラメータとし、前記冷却機器の当日負荷の履歴サンプルデータを第１出力パラメータとして、第１ニューラルネットワークモデルを作成することと、
室外温度の同期履歴サンプルデータ及び前記冷却機器の当日負荷の履歴サンプルデータを第２入力パラメータとし、当日の室内温度の履歴サンプルデータを第２出力パラメータとして、第２ニューラルネットワークモデルを作成することと、
前記当日の室内温度の履歴サンプルデータ及び前記予め設定された冷却効率ファクタを第３入力パラメータとし、冷却機器の当日最適制御パラメータの履歴サンプルデータを第３出力パラメータとして、第３ニューラルネットワークモデルを作成することとを含む請求項２に記載の方法。 generating a first neural network model, a second neural network model, and a third neural network model based on the historical sample data and daily optimal control parameters of the cooling equipment, the step of:
Creating a first neural network model using the synchronized historical sample data of cooling device load and the preset influence factor as first input parameters and the historical sample data of the day load of the cooling device as first output parameters;
Creating a second neural network model using the synchronized historical sample data of the outdoor temperature and the historical sample data of the load of the cooling device on the day as second input parameters and the historical sample data of the indoor temperature on the day as a second output parameter;
and creating a third neural network model using the historical sample data of the indoor temperature on the day and the preset cooling efficiency factor as third input parameters and the historical sample data of the optimal control parameters of the cooling equipment on the day as third output parameters. 前記履歴サンプルデータは、シミュレーションデータ及びサンプリングデータを含み、
前記シミュレーションデータは、室内温度が予め設定された第３しきい値より大きいときに、冷却機器の稼働をシミュレートして得られるデータであり、
前記サンプリングデータは、室内温度が予め設定された第６しきい値より小さく、かつ前記冷却機器の実オフ時間が予め設定された第７しきい値より大きいときに、サンプリングして得られるデータである請求項２に記載の方法。 the historical sample data includes simulation data and sampling data;
The simulation data is data obtained by simulating an operation of the cooling device when the indoor temperature is higher than a preset third threshold value,
3. The method according to claim 2, wherein the sampling data is obtained by sampling when the indoor temperature is lower than a preset sixth threshold value and the actual off time of the cooling device is greater than a preset seventh threshold value. 現在の室外温度を決定するステップは、
現在の時刻の前の予め設定された時間内における室外温度を決定することと、
前記現在の時刻の前の予め設定された時間内における室外温度、当日予測温度及び予め設定された第１加重値及び第２加重値に基づいて、現在の室外温度を決定することとを含む請求項１に記載の方法。 The step of determining a current outdoor temperature includes:
Determining an outdoor temperature within a preset time period prior to a current time;
and determining a current outdoor temperature based on the outdoor temperature within a preset time period before the current time, a predicted temperature for that day, and preset first and second weighting values. 前記冷却機器は、空調機及び熱交換器を含み、
前記最適制御パラメータは、空調機のオン時刻、空調機のオン時間、熱交換器のオン時刻及び熱交換器のオン時間を含み、
前記影響ファクタは、祝祭日影響ファクタ、干満潮影響ファクタ、地域イベントファクタのうちの１つ又は任意の組み合わせを含む請求項１から６のいずれか１項に記載の方法。 The cooling equipment includes an air conditioner and a heat exchanger,
The optimal control parameters include an air conditioner on-time, an air conditioner on-time duration, a heat exchanger on-time, and a heat exchanger on-time duration;
The method according to any one of claims 1 to 6, wherein the influence factors include one or any combination of the following: holiday influence factors, tide influence factors, local event factors. 前記最適制御パラメータに基づいて前記冷却機器の稼働を制御するステップは、
現在の室内温度が予め設定された第１しきい値以下であり、かつ予め設定された前記第１しきい値より小さい第２しきい値以上であり、かつ第１高温予備起動条件を満たすことに応じて、空調機の最大稼働時間を前記空調機のオン時間及び予め設定された空調機の最大オン時間における最小値に設定し、前記空調機を起動することと、
空調機の実オン時間が前記空調機の最大稼働時間以上であることに応じて、前記空調機を停止することとを含む請求項７に記載の方法。 The step of controlling the operation of the cooling device based on the optimal control parameters includes:
in response to a current indoor temperature being equal to or lower than a predetermined first threshold value and equal to or higher than a predetermined second threshold value that is lower than the first threshold value, and a first high temperature pre-start condition being satisfied, setting a maximum operating time of the air conditioner to a minimum value between an on-time of the air conditioner and a preset maximum on-time of the air conditioner, and starting up the air conditioner;
8. The method of claim 7, further comprising: shutting down the air conditioner in response to an actual on-time of the air conditioner being equal to or greater than a maximum run time of the air conditioner. 前記第１高温予備起動条件は、
前記空調機のオン時刻に達し、かつ現在の室内温度が予め設定された第３しきい値より大きく、かつ空調機の実オフ時間が予め設定された空調機の最短オフ時間を超えることを含む請求項８に記載の方法。 The first high temperature pre-start condition is:
9. The method of claim 8, further comprising: the air conditioner on-time is reached, the current indoor temperature is greater than a third preset threshold, and the actual air conditioner off-time exceeds a preset minimum air conditioner off-time. 前記最適制御パラメータに基づいて前記冷却機器の稼働を制御する過程において、
現在の室内温度が前記第１しきい値より大きく、かつ空調機の実オフ時間が前記空調機の最短オフ時間より大きい場合、前記空調機の最大稼働時間を前記空調機の最大オン時間に設定し、前記空調機を起動すること、及び／又は
現在の室内温度が前記第２しきい値より小さいことに応じて、空調機を停止することをさらに含む請求項８に記載の方法。 In the process of controlling the operation of the cooling device based on the optimal control parameters,
9. The method of claim 8, further comprising: if a current indoor temperature is greater than the first threshold and an actual off-time of an air conditioner is greater than a minimum off-time of the air conditioner, setting a maximum run-time of the air conditioner to a maximum on-time of the air conditioner and starting the air conditioner; and/or, in response to the current indoor temperature being less than the second threshold, shutting down the air conditioner. 前記最適制御パラメータに基づいて前記冷却機器の稼働を制御するステップは、
第２高温予備起動条件を満たすことに応じて、前記熱交換器を起動することと、
熱交換器の実オン時間が前記熱交換器のオン時間以上であることに応じて、前記熱交換器を停止することとを含む請求項７に記載の方法。 The step of controlling the operation of the cooling device based on the optimal control parameters includes:
starting the heat exchanger in response to satisfying a second high temperature pre-start condition;
and shutting down the heat exchanger in response to an actual on-time of the heat exchanger being equal to or greater than an on-time of the heat exchanger. 前記熱交換器が間接熱交換器であるとき、第２高温予備起動条件は、
前記熱交換器のオン時刻に達し、かつ現在の室内温度が予め設定された第４しきい値より大きく、かつ現在の室内温度と室外温度との差分値が予め設定された第５しきい値より大きいことを含むか、又は
前記熱交換器が直接熱交換器であるとき、前記第２高温予備起動条件は、
前記熱交換器のオン時刻に達し、かつ現在の室内温度が予め設定された第４しきい値より大きく、かつ現在の室内温度と室外温度との差分値が予め設定された、第５しきい値より大きい第８しきい値より大きいことと、
前記熱交換器のオン時刻に達し、かつ現在の室内温度が予め設定された第４しきい値より大きく、かつ現在の室内温度と室外温度との差分値が予め設定された第８しきい値より大きく、かつ現在の室内湿度が予め設定された第９しきい値以下であることとのいずれかを含む請求項１１に記載の方法。 When the heat exchanger is an indirect heat exchanger, the second high temperature pre-start condition is:
The second high temperature pre-start condition includes: the on-time of the heat exchanger is reached, the current indoor temperature is greater than a fourth preset threshold value, and the difference value between the current indoor temperature and the outdoor temperature is greater than a fifth preset threshold value; or when the heat exchanger is a direct heat exchanger, the second high temperature pre-start condition includes:
The on-time of the heat exchanger is reached, the current indoor temperature is greater than a preset fourth threshold value, and the difference value between the current indoor temperature and the outdoor temperature is greater than a preset eighth threshold value which is greater than the fifth threshold value;
The method according to claim 11, comprising any one of the following: the on-time of the heat exchanger is reached, the current indoor temperature is greater than a predetermined fourth threshold value, the difference value between the current indoor temperature and the outdoor temperature is greater than a predetermined eighth threshold value, and the current indoor humidity is equal to or less than a predetermined ninth threshold value. 前記熱交換器が直接熱交換器であり、前記空調機のオン時刻と前記熱交換器のオン時刻が異なり、
前記空調機がオンしたことに応じて、前記熱交換器が停止することと、
前記熱交換器がオンしたことに応じて、前記空調機が停止することとをさらに含む請求項７に記載の方法。 the heat exchanger is a direct heat exchanger, and the on-time of the air conditioner is different from the on-time of the heat exchanger,
The heat exchanger is stopped in response to the air conditioner being turned on;
The method of claim 7 , further comprising: in response to the heat exchanger being turned on, shutting off the air conditioner. 前記冷却機器は、空調機を含み、前記最適制御パラメータに基づいて前記冷却機器の稼働を制御するステップの後に、
前記空調機の当日の実稼働パラメータと前記空調機の当日の最適制御パラメータとの間の誤差が第１０しきい値を超えたことに応じて、前記空調機の当日の最適制御パラメータを再度決定することと、
再度決定された前記空調機の当日の最適制御パラメータに基づいて学習サンプルデータセットを更新することとをさらに含む請求項３に記載の方法。 The cooling equipment includes an air conditioner, and after the step of controlling the operation of the cooling equipment based on the optimal control parameters,
re-determining the optimal control parameters for the air conditioner on that day in response to an error between the actual operation parameters for the air conditioner on that day and the optimal control parameters for the air conditioner on that day exceeding a tenth threshold value;
4. The method of claim 3, further comprising updating the learning sample data set based on the re-determined optimal control parameters for the air conditioner for the current day. 現在稼働している冷却機器に故障があり、もう１つの冷却機器が正常であることに応じて、前記故障した冷却機器を停止し、前記正常な冷却機器をオンすることと、
現在稼働している２つの冷却機器のいずれも故障していることに応じて、故障が解消されたときに、故障が解消された冷却機器を起動することとをさらに含む請求項１に記載の方法。 When a currently operating cooling device is faulty and another cooling device is normal, stopping the faulty cooling device and turning on the normal cooling device;
The method according to claim 1, further comprising: in response to both of the two cooling devices currently in operation being faulty, starting up the cooling device whose fault has been eliminated when the fault is eliminated. 前記最適制御パラメータに基づいて前記冷却機器の稼働を制御する過程において、
現在の室内温度が予め設定された第６しきい値より小さく、かつ前記冷却機器の実オフ時間が予め設定された第７しきい値より大きいことに応じて、現在取得している、室外温度、室内温度及び冷却機器負荷を含むサンプルデータに基づいて、前記第２ニューラルネットワークモデルを学習することをさらに含む請求項１に記載の方法。 In the process of controlling the operation of the cooling device based on the optimal control parameters,
2. The method of claim 1, further comprising: learning the second neural network model based on currently acquired sample data including an outdoor temperature, an indoor temperature, and a cooling device load in response to a current indoor temperature being lower than a predetermined sixth threshold and an actual off time of the cooling device being greater than a predetermined seventh threshold. 第１処理モジュールと、第２処理モジュールと、制御モジュールとを備え、
前記第１処理モジュールは、現在の室外温度を決定することに用いられ、
前記第２処理モジュールは、
冷却機器負荷の同期履歴サンプルデータ及び予め設定された影響ファクタを第１入力パラメータとして第１ニューラルネットワークモデルに入力し、冷却機器の当日予測される負荷を得ることと、
室外温度の同期履歴サンプルデータ及び前記冷却機器の当日予測される負荷を第２入力パラメータとして第２ニューラルネットワークに入力し、当日予測される室内温度を得ることと、
前記当日予測される室内温度及び予め設定された冷却効率ファクタを第３入力パラメータとして第３ニューラルネットワークに入力し、前記冷却機器の当日の最適制御パラメータを得ることとに用いられ、
前記制御モジュールは、前記最適制御パラメータに基づいて前記冷却機器の稼働を制御することに用いられる冷却機器制御装置。 A first processing module, a second processing module, and a control module,
The first processing module is adapted to determine a current outdoor temperature;
The second processing module is
Inputting the synchronous historical sample data of the cooling equipment load and the preset influence factors as first input parameters into a first neural network model to obtain a daily predicted load of the cooling equipment;
inputting the synchronized historical sample data of the outdoor temperature and the load of the cooling device predicted for that day as second input parameters into a second neural network to obtain a predicted indoor temperature for that day;
inputting the indoor temperature predicted for that day and a preset cooling efficiency factor as third input parameters into a third neural network to obtain optimal control parameters for the cooling device for that day;
The control module is a cooling equipment control device used for controlling the operation of the cooling equipment based on the optimal control parameters. １つ又は複数のプロセッサと、
１つ又は複数のプログラムが記憶された記憶装置とを備え、
前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサによって実行されると、前記１つ又は複数のプロセッサにより請求項１から１６のいずれか１項に記載の方法が実現されるコンピュータ機器。 one or more processors;
a storage device storing one or more programs;
A computing apparatus in which the one or more programs, when executed by the one or more processors, cause the one or more processors to implement the method of any one of claims 1 to 16. コンピュータプログラムが記憶されるコンピュータ可読媒体であって、
前記コンピュータプログラムがプロセッサによって実行されると、前記プロセッサによって請求項１から１６のいずれか１項に記載の方法が実現されるコンピュータ可読媒体。
 A computer-readable medium on which a computer program is stored,
A computer readable medium, the computer program being executed by a processor, which causes the processor to implement the method of any one of claims 1 to 16.
JP2022576079A 2020-06-10 2021-06-10 Method for controlling cooling equipment, cooling equipment control device, computer device, and computer-readable medium Active JP7473690B2 (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202010523728.8 2020-06-10
CN202010523728.8A CN113776171B (en) 2020-06-10 2020-06-10 Refrigeration equipment control method, refrigeration equipment control device, computer equipment and computer readable medium
PCT/CN2021/099313 WO2021249461A1 (en) 2020-06-10 2021-06-10 Method and apparatus for controlling refrigeration device, computer device, and computer readable medium

Publications (2)

Publication Number Publication Date
JP2023530628A JP2023530628A (en) 2023-07-19
JP7473690B2 true JP7473690B2 (en) 2024-04-23

Family

ID=78834644

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022576079A Active JP7473690B2 (en) 2020-06-10 2021-06-10 Method for controlling cooling equipment, cooling equipment control device, computer device, and computer-readable medium

Country Status (5)

Country Link
EP (1) EP4166862A4 (en)
JP (1) JP7473690B2 (en)
CN (1) CN113776171B (en)
BR (1) BR112022025218A2 (en)
WO (1) WO2021249461A1 (en)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114222477A (en) * 2021-12-13 2022-03-22 中国联合网络通信集团有限公司 Energy-saving control method and device for data center, storage medium and program product
CN114593474B (en) * 2022-03-11 2023-12-19 广东美的暖通设备有限公司 Spraying control method and device, electronic equipment and storage medium
CN114626616B (en) * 2022-03-21 2023-11-21 特斯联科技集团有限公司 Optimal operation method and system for recycling CCHP (CCHP) from high-temperature tail gas waste heat in park
CN115111747A (en) * 2022-06-10 2022-09-27 青岛海尔空调器有限总公司 Air conditioning system control method and device, electronic equipment, storage medium and product
CN115164361B (en) * 2022-06-13 2024-06-07 中国电信股份有限公司 Data center control method and device, electronic equipment and storage medium
CN115789911B (en) * 2022-11-17 2024-05-03 中国联合网络通信集团有限公司 Air conditioner control method and device, electronic equipment and storage medium
CN116608551A (en) * 2023-05-19 2023-08-18 华润数字科技有限公司 Cold load prediction method and device, electronic equipment and storage medium
CN117234080B (en) * 2023-09-21 2024-05-28 江苏亚奥科技股份有限公司 Room temperature intelligent regulation and control method for large-scale moving ring monitoring scene
CN117469774B (en) * 2023-12-28 2024-04-02 北京市农林科学院智能装备技术研究中心 Air conditioning system regulation and control method and device, electronic equipment and storage medium
CN117970986B (en) * 2024-04-01 2024-06-14 广东热矩智能科技有限公司 Temperature and humidity control method, device and medium of cold and hot system

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016185630A1 (en) 2015-05-18 2016-11-24 三菱電機株式会社 Indoor environment model creation device

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08210689A (en) * 1995-02-07 1996-08-20 Hitachi Plant Eng & Constr Co Ltd System for estimating air-conditioning thermal load
KR100830095B1 (en) * 2007-11-12 2008-05-20 충남대학교산학협력단 Prediction method for cooling load
SG189175A1 (en) * 2010-10-13 2013-05-31 Weldtech Technology Shanghai Co Ltd Energy-saving optimized control system and method for chiller plant room
CN105928292B (en) * 2016-04-20 2018-05-22 山东三九制冷设备有限公司 A kind of photovoltaic refrigeration storage system of load prediction based on neutral net and demand response control
CN109130767B (en) * 2017-06-28 2020-08-11 北京交通大学 Passenger flow-based intelligent control method for rail transit station ventilation air-conditioning system
CN109341010B (en) * 2018-09-19 2021-04-30 新智能源***控制有限责任公司 Energy supply integrated control method and device for air conditioning system of electric refrigerator
KR102482043B1 (en) * 2018-10-29 2022-12-26 에스케이텔레콤 주식회사 Method And Apparatus for Predicting Cooling Load in Small Scale Data
CN109323425B (en) * 2018-11-15 2021-05-25 广东美的制冷设备有限公司 Control method and device of air conditioner and readable storage medium
CN109871987A (en) * 2019-01-28 2019-06-11 中建八局第三建设有限公司 A kind of intelligent building heating and ventilating equipment synthesis energy saving control method
CN109945420B (en) * 2019-03-26 2020-11-17 南京南瑞继保电气有限公司 Air conditioner control method and device based on load prediction and computer storage medium
CN110186156A (en) * 2019-06-03 2019-08-30 西安锦威电子科技有限公司 Refrigeration plant Fuzzy control system
CN110410942B (en) * 2019-07-30 2020-12-29 上海朗绿建筑科技股份有限公司 Energy-saving optimization control method and system for cold and heat source machine room
CN110864414B (en) * 2019-10-30 2021-09-24 郑州电力高等专科学校 Air conditioner power utilization load intelligent control scheduling method based on big data analysis

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016185630A1 (en) 2015-05-18 2016-11-24 三菱電機株式会社 Indoor environment model creation device

Also Published As

Publication number Publication date
CN113776171A (en) 2021-12-10
EP4166862A4 (en) 2024-06-26
BR112022025218A2 (en) 2023-01-03
EP4166862A1 (en) 2023-04-19
CN113776171B (en) 2024-02-13
JP2023530628A (en) 2023-07-19
WO2021249461A1 (en) 2021-12-16

Similar Documents

Publication Publication Date Title
JP7473690B2 (en) Method for controlling cooling equipment, cooling equipment control device, computer device, and computer-readable medium
US11796205B2 (en) Systems and methods of optimizing HVAC control in a building or network of buildings
US10890904B2 (en) Model predictive maintenance system for building equipment
US10354345B2 (en) Optimizing and controlling the energy consumption of a building
Waddicor et al. Partial load efficiency degradation of a water-to-water heat pump under fixed set-point control
US20160061469A1 (en) Building power management systems
US10921010B2 (en) Building management system with simulation and user action reinforcement machine learning
WO2011106917A1 (en) Energy management control system based on cloud computing and method thereof
CN102980276B (en) A kind of base station energy-saving Intelligent fresh air system
WO2011106914A1 (en) Device monitoring system and method based on cloud computing
CN201812187U (en) Energy management control system for electronic information system machine rooms based on cloud computing
Meng et al. Thermal energy storage air-conditioning demand response control using elman neural network prediction model
WO2011106918A1 (en) Computer room energy management control system and method for electronic information system based on cloud computing
US20180238572A1 (en) Modeling and controlling heating, ventilation, and air conditioning systems
TWI678504B (en) Ice storage amount adjusting system and adjusting method for the same
WO2023164768A1 (en) System and method for dynamic control of hvac components of a building
CN116085936A (en) Intelligent energy management system, equipment and medium for central air conditioner energy station
TWI776544B (en) Energy-saving control method and device for temperature control equipment
US11274844B2 (en) Systems and methods for controlling a single-zone climate conditioning system in a multi-zoned manner
GB2472385A (en) Controlling power demand using a building management system
US20230236560A1 (en) Net zero energy facilities
US20240068692A1 (en) Equipment edge controller with reinforcement learning
US20230088808A1 (en) Building hvac system with multi-level model predictive control
Sager et al. Performance Assessment of Hybrid (Gas Furnace+ Heat Pump) Systems with Smart Switching Controls
CN118153353A (en) Dynamic simulation optimizing method and related device for air conditioner

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221209

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221209

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20230718

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231208

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231212

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240304

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240402

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240411

R150 Certificate of patent or registration of utility model

Ref document number: 7473690

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150