一种基于负荷预测的冷水机组群控优化方法技术

本发明专利技术公开了基于负荷预测的冷水机组群控优化方法，包括如下步骤：基于历史运行数据和冷水机组特性曲线，建立负荷预测模型和冷水机组负荷匹配模型；根据历史运行数据和建筑特点，实时输入室内外空气温湿度、室内人员及设备的散热量等未来一段时间的参数，代入所建立的负荷预测模型中输出空调系统预测冷量；根据预测冷量，结合建立的冷水机组负荷匹配模型，给出最优的开机方案，对所开启的冷水机组台数和型号进行控制；将实测冷量和预测冷量进行对比，对负荷预测模型进行持续优化。该群控优化策略在利用预测控制思想解决系统时滞性问题的基础上，实现了冷水机组在高效的负荷区间内运行，有利于空调系统整体能效的提升。有利于空调系统整体能效的提升。有利于空调系统整体能效的提升。

【技术实现步骤摘要】
一种基于负荷预测的冷水机组群控优化方法


[0001]本专利技术属于数据中心机房空调的节能优化控制领域，尤其涉及基于负荷预测的冷水机组群控优化方法。

技术介绍

[0002]中央空调系统能耗在建筑能耗中占很大的比例，中央空调系统的自动控制策略不仅影响着室内温湿度等环境参数，也直接影响中央空调系统的能耗。在中央空调系统中，冷水机组是能耗占比最大的设备，其能耗一般占中央空调系统总能耗的60%~70%，故让冷水机组在高效的负荷区间内运行，降低其耗电量是实现整个中央空调系统运行节能的关键所在。
[0003]一般来讲，部分负荷率在区间60%~80%内时，冷水机组的运行效率最优。然而，现有对冷水机组的群控策略相对比较粗糙，不少项目仅通过供水温度或者回水温度来对冷水机组进行启停控制，没有做到对冷水机组负荷的合理分配。虽然也有学者提出了基于负荷的冷水机组群控策略，但忽视了冷水机组性能随使用时间的衰减，以及机组在启停过程中的时间延迟，同样无法对冷负荷进行最优分配，实现冷水机组在不同实际运行工况下耗电量最低的目标。

技术实现思路

[0004]专利技术目的：针对上述现有存在的问题和不足，本专利技术的目的是提供了一种基于负荷预测的冷水机组群控优化方法，解决了现有群控策略中多台冷水机组运行时负荷分配不合理的问题，能根据实际运行数据建立精确的负荷预测模型和负荷匹配模型，能够以负荷预测为指导给出不同负荷工况下最优的开机方案，并考虑到机组性能衰减等一系列复杂因素对模型进行修正，实现了冷水机组冷量最优节能分配。
[0005]技术方案：为实现上述专利技术目的，本专利技术采用以下技术方案：一种基于负荷预测的冷水机组群控优化方法，其特征在于包括以下步骤：步骤S1，以制冷负荷为目标，建立冷水空调负荷预测模型；步骤S2，采集冷水机组的实时实测数据或历史数据作为样本数据，并基于GA
‑
BP人工神经网络对冷水空调负荷预测模型进行训练，得到冷水空调负荷预测模型的目标参数；步骤S3，以冷水机组运行效率COP为目标，基于二次完全回归函数建立冷水机组负荷匹配模型COP
‑
PLR；步骤S4，采集不同型号冷水机组运行数据作为输入量输入到步骤S3建立的冷水机组负荷匹配模型，以冷却水进水温度T
cd,in
、冷冻水出水温度T
ch,out
和部分负荷率PLR作为自变量，经过二次回归曲线拟合得到冷水机组负荷匹配模型的拟合系数，从而得到不同型号冷水机组优化后的冷水机组负荷匹配模型；步骤S5，根据COP最大值对应的部分负荷率，划分负荷率空间阈值，从而确定不同负荷区间下冷水机组的最优开机方案，以确保开启的冷水机组整体COP值最高；
步骤S6，将预测冷量与实际采集的冷量进行对比，并对比实测冷水机组COP和根据冷水空调负荷预测模型计算的COP值进行比较，当相对误差超过预定值时，则对冷水机组负荷匹配模型进行修正。
[0006]进一步的，步骤S1所述冷水空调负荷预测模型如式（1）所示，（1）式中，t
out
和t
n
分别为τ时刻室外空气温度和室内空气温度，J
τ
为τ时刻室外太阳辐射强度，N
τ
为τ时刻新风机开启台数；H
τ
和H
n
分别为τ时刻室外空气的焓值和室内空气的焓值，v
τ
为τ时刻室外主要风向平均风速，n
τ
为室内人员数，q
s
和q
l
分别为人员的显热和潜热发热量，W
τ
为灯光设备发热量；系数集合A，为预测模型的目标参数。
[0007]进一步的，所述步骤S3中单台冷水机组负荷匹配模型，以冷却水进水温度T
cd,in
、冷冻水出水温度T
ch,out
和部分负荷率PLR作为自变量建立数学模型，如式（2）所示，（2）式中，表示第i台冷水机组的运行效率，表示标准工况下冷水机组的运行效率，表示冷水机组的冷冻水出水温度，表示冷水机组的冷却水进水温度，表示部分负荷率，为当前承载符合与额定冷量的比值，表示标准工况下冷水机组部分负荷率；系数集合，为拟合系数，由运行数据通过二次回归曲线拟合获取。
[0008]进一步的，步骤S5中，当开启多台冷水机组时，总冷水机组运行效率与部分负荷率的值满足下式（3），（3）式中，表示总冷水机组运行效率，表示第1台冷水机组运行效率，表示第2台冷水机组运行效率，表示第i台冷水机组运行效率，表示第n台冷水机组运行效率，表示第n台冷水机组的装机容量，表示总的冷负荷，表示第n台冷水机组的部分负荷率；
然后，通过建立COP
‑
PLR曲线，并根据COP最大值点对应的部分负荷率，划分负荷率区间阈值，确定不同负荷区间的最优开机方案，使得所开启的主机整体COP值最高。
[0009]进一步的，所述冷冻水出水温度和冷却水进水温度的值分别取标准工况下的7℃和30℃。
[0010]进一步的，步骤S6所述预定值为10%。
[0011]进一步的，步骤S6中当相对误差超过预定值时，重复步骤（3）和（4）对冷水机组负荷匹配模型进行修正。
[0012]有益效果：与现有技术相比，本专利技术具有以下优点：1.本专利技术采用GA
‑
BP神经网络模型对实测数据进行训练，建立了精准的负荷预测模型，通过预测未来时段内的建筑负荷来控制冷水机组的加减载，利用前馈思想解决了实际控制中的滞后问题，能够更加及时地满足末端负荷的需求。
[0013]2.本专利技术基于实测数据建立了不同开机方案下主机COP和部分负荷率PLR之间的数学模型，并给出不同负荷率区间的开机方案，有利于冷水机组在高效负荷率区间运行，实现机组总耗电量最低的目标。
[0014]3.本专利技术在对冷水机组进行优化控制的同时，也对负荷预测模型和冷水机组负荷匹配模型进行持续的优化和修正，有利于提升模型精度，保证控制策略在系统长时间运行后的节能效果。
附图说明
[0015]图1是本专利技术所述基于负荷预测的冷水机组群控优化方法的流程示意图；图2是本专利技术所述负荷预测过程示意图；图3是本专利技术所述GA
‑
BP神经网络计算原理图；图4是本专利技术所述冷水机组负荷匹配模型建立流程示意图；图5是本专利技术实施例中不同开机组合方案下主机运行效率COP和冷负荷关系曲线对比图；图6是本专利技术实施例中冷水机组性能包络面示意图；图7是本专利技术实施例中冷水机组基于有效运行数据的冷水机组性能包络线。
实施方式
[0016]下面结合附图和具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0017]如图1和2所示，本专利技术的基于负荷预测的冷水机组群控策略，包括建立空调负荷预测模型和冷水机组负荷匹配模型；实时输入负荷预测模型需要的关键参数；输出预测冷量，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于负荷预测的冷水机组群控优化方法，其特征在于包括以下步骤：步骤S1，以制冷负荷为目标，建立冷水空调负荷预测模型；步骤S2，采集冷水机组的实时实测数据或历史数据作为样本数据，并基于GA
‑
BP人工神经网络对冷水空调负荷预测模型进行训练，得到冷水空调负荷预测模型的目标参数；步骤S3，以冷水机组运行效率COP为目标，基于二次完全回归函数建立冷水机组负荷匹配模型COP
‑
PLR；步骤S4，采集不同型号冷水机组运行数据作为输入量输入到步骤S3建立的冷水机组负荷匹配模型，以冷却水进水温度T
cd,in
、冷冻水出水温度T
ch,out
和部分负荷率PLR作为自变量，经过二次回归曲线拟合得到冷水机组负荷匹配模型的拟合系数，从而得到不同型号冷水机组优化后的冷水机组负荷匹配模型；步骤S5，根据COP最大值对应的部分负荷率，划分负荷率空间阈值，从而确定不同负荷区间下冷水机组的最优开机方案，以确保开启的冷水机组整体COP值最高；步骤S6，将预测冷量与实际采集的冷量进行对比，并对比实测冷水机组COP和根据冷水空调负荷预测模型计算的COP值进行比较，当相对误差超过预定值时，则对冷水机组负荷匹配模型进行修正。2.根据权利要求1所述基于负荷预测的冷水机组群控优化方法，其特征在于：步骤S1所述冷水空调负荷预测模型如式（1）所示，（1）式中，t
out
和t
n
分别为τ时刻室外空气温度和室内空气温度，J
τ
为τ时刻室外太阳辐射强度，N
τ
为τ时刻新风机开启台数；H
τ
和H
n
分别为τ时刻室外空气的焓值和室内空气的焓值，v
τ
为τ时刻室外主要风向平均风速，n
τ
为室内人员数，q
s

【专利技术属性】
技术研发人员：陈胜朋，李林达，袁祎，吴振翔，王强，
申请(专利权)人：南京佳力图机房环境技术股份有限公司，
类型：发明
国别省市：