一种制冷站能效模型拟合方法和装置制造方法及图纸

本发明专利技术公开了一种制冷站能效模型拟合方法及装置，获取冷水机组运行功率模型、冷冻泵运行功率模型、冷却泵运行功率模型、冷却塔风机运行功率模型和冷水机组的制冷量；对冷水机组运行功率模型、冷冻泵运行功率模型、冷却泵运行功率模型和冷却塔风机运行功率模型构建制冷站的运行总功率模型；根据制冷量和运行总功率模型建立制冷站能效模型；本发明专利技术结合了数据驱动和物理建模方法，充分发挥了机器学习和物理建模方法各自的优势，提高了制冷站能效模型拟合的精度和准确度，奠定了制冷站的后续节能以及优化控制的基础。能以及优化控制的基础。能以及优化控制的基础。

【技术实现步骤摘要】
一种制冷站能效模型拟合方法和装置


[0001]本专利技术属于制冷站能效分析
，尤其涉及一种制冷站能效模型拟合方法和装置。

技术介绍

[0002]空调系统越来越广泛的应用于各类建筑之中，空调系统在提高人们生活水平的同时也造成了大量的能源消耗，而制冷站系统能耗占到空调系统总能耗的60％～80％，制冷站的能效模型拟合关乎整个系统的能耗计算与后续节能优化控制，因此研究制冷站系统能效模型拟合对空调系统具有重要意义。
[0003]目前，制冷站能效模型的拟合方法主要有：1)统计回归方法：通过收集和分析大量的实验数据，使用统计回归方法进行模型拟合，例如线性回归、多项式回归或非线性回归等；2)机器学习方法：利用机器学习算法，如神经网络、支持向量机、决策树等，通过训练模型来拟合制冷站能效模型；3)物理建模方法：基于制冷站的物理原理和能量平衡方程，建立数学模型，并利用实验数据进行参数拟合和校正。
[0004]然而，由于制冷站系统设备众多、结构复杂，同时具有非线性、大滞后、时变和强耦合等复杂特性，给机理建模和能效模型拟合带来了困难，针对制冷站这种复杂的非线性模型，单一的拟合方法效果有限，无法准确捕捉系统的动态特性。

技术实现思路

[0005]本专利技术的目的是提供一种制冷站能效模型拟合方法和装置，以提升制冷站拟合模型的准确性。
[0006]本专利技术采用以下技术方案：一种制冷站能效模型拟合方法，包括以下步骤：
[0007]获取冷水机组运行功率模型、冷冻泵运行功率模型、冷却泵运行功率模型、冷却塔风机运行功率模型和冷水机组的制冷量；其中，冷水机组运行功率模型通过具有多核学习的支持向量机回归算法拟合得出，且拟合数据集包含制冷量、室外湿球温度、供水温度和冷水机组能效；
[0008]对冷水机组运行功率模型、冷冻泵运行功率模型、冷却泵运行功率模型和冷却塔风机运行功率模型构建制冷站的运行总功率模型；
[0009]根据制冷量和运行总功率模型建立制冷站能效模型。
[0010]进一步地，冷水机组运行功率模型通过具有多核学习的支持向量机回归算法拟合得出包括：
[0011]构建冷水机组能效模型；
[0012]基于拟合数据集、采用支持向量机回归算法求解冷水机组能效模型的参数；其中，求解时选取sigmoid核函数和高斯径向基核函数；
[0013]根据求解后的冷水机组能效模型构建冷水机组运行功率模型。
[0014]进一步地，冷水机组运行功率模型为：
[0015]P
set
＝Q
set
/COP
set
，
[0016]其中，P
set
为冷水机组运行功率，Q
set
为制冷量，COP
set
为冷水机组能效；
[0017]冷水机组能效通过冷水机组能效模型得出，冷水机组能效模型为：
[0018]COP
set
(x
i
)＝ω
·
φ(x
i
)+b，
[0019]其中，COP
set
(x
i
)表示输入量为x
i
对应的冷水机组能效，x
i
包括制冷量、室外湿球温度和供水温度，ω为权值向量，b为偏置量常数，φ(x
i
)为核函数，核函数包括sigmoid核函数φ1和高斯径向基核函数φ2。
[0020]进一步地，冷冻泵运行功率模型为：
[0021][0022]其中，P
pumpf
为冷冻泵运行功率，γ
f
为冷冻泵中流体的容重，V
pumpf
为冷冻泵流量，H
f
为冷冻泵压头，η
pumpf
为冷冻泵效率，η
pumpf,d
为冷冻泵传动效率，η
pumpf,g
为冷冻泵电动机效率，η
pumpf,f
为变频器效率。
[0023]进一步地，冷却泵运行功率模型为：
[0024][0025]其中，P
pumpc
为冷却泵运行功率，γ
c
为冷却泵中流体的容重，V
pumpc
为冷却泵流量，H
c
为冷却泵压头，η
pumpc
为冷却泵效率，η
pumpc,d
为冷却泵传动效率，η
pumpc,g
为冷却泵电动机效率，η
pumpc,f
为冷却泵变频器效率。
[0026]进一步地，冷却塔风机运行功率模型为：
[0027]P
tower
＝u2·
k
tower
，
[0028]其中，P
tower
为冷却塔风机运行功率，u2为拟合参数，k
tower
为冷却塔风机转速比。
[0029]进一步地，冷却塔风机转速比的计算方式为：
[0030]k
tower
＝V
a
/u1，
[0031]其中，V
a
为空气流量，u1为拟合参数。
[0032]进一步地，空气流量通过冷却塔简化模型求得，冷却塔简化模型为：
[0033][0034]其中，Q
ch
为冷却塔散热量，d1，d2和d3均为拟合参数，V
w
为冷却水流量，T
cin
为冷却水进水温度；T
w
为室外湿球温度。
[0035]本专利技术的另一种技术方案：一种制冷站能效模型拟合装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的方法。
[0036]本专利技术的有益效果是：本专利技术结合了数据驱动和物理建模方法，充分发挥了机器学习和物理建模方法各自的优势，且多核学习的支持向量机回归算法通过组合不同核函数的优点，取得更好的回归效果，提高了制冷站能效模型拟合的精度和准确度，减少计算资源的消耗，使拟合方法更加实用和可行，奠定了制冷站的后续节能以及优化控制的基础。
附图说明
[0037]图1为本专利技术实施例中冷水机组的模型拟合流程图；
[0038]图2为本专利技术实施例中制冷站综合能效计算方法示意图。
具体实施方式
[0039]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0040]本专利技术发现结合数据驱动和物理建模方法可以提高制冷站能效模型的拟合准确性和稳定性，充分挖掘制冷站的节能潜力。制冷站系统的耗能设备主要有冷水机组、冷冻泵、冷却泵和冷却塔风机，其中冷水机组能耗约占系统总能耗的55％，冷冻泵和冷却泵能耗大约占到38％，冷却塔风机能耗占7％，且各设备能效彼此相关。
[0041]制冷站系统主要由冷水机组、冷冻水回路和冷却水回路组成，冷水机组是核心部件，其主要由本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种制冷站能效模型拟合方法，其特征在于，包括以下步骤：获取冷水机组运行功率模型、冷冻泵运行功率模型、冷却泵运行功率模型、冷却塔风机运行功率模型和冷水机组的制冷量；其中，所述冷水机组运行功率模型通过具有多核学习的支持向量机回归算法拟合得出，且拟合数据集包含所述制冷量、室外湿球温度、供水温度和冷水机组能效；对冷水机组运行功率模型、冷冻泵运行功率模型、冷却泵运行功率模型和冷却塔风机运行功率模型构建制冷站的运行总功率模型；根据所述制冷量和运行总功率模型建立制冷站能效模型。2.如权利要求1所述的一种制冷站能效模型拟合方法，其特征在于，冷水机组运行功率模型通过具有多核学习的支持向量机回归算法拟合得出包括：构建冷水机组能效模型；基于所述拟合数据集、采用支持向量机回归算法求解所述冷水机组能效模型的参数；其中，求解时选取sigmoid核函数和高斯径向基核函数；根据求解后的冷水机组能效模型构建冷水机组运行功率模型。3.如权利要求2所述的一种制冷站能效模型拟合方法，其特征在于，所述冷水机组运行功率模型为：P
set
＝Q
set
/COP
set
，其中，P
set
为冷水机组运行功率，Q
set
为所述制冷量，COP
set
为冷水机组能效；所述冷水机组能效通过冷水机组能效模型得出，所述冷水机组能效模型为：COP
set
(x
i
)＝ω
·
φ(x
i
)+b，其中，COP
set
(x
i
)表示输入量为x
i
对应的冷水机组能效，x
i
包括制冷量、室外湿球温度和供水温度，ω为权值向量，b为偏置量常数，φ(x
i
)为核函数，所述核函数包括sigmoid核函数φ1和高斯径向基核函数φ2。4.如权利要求2或3所述的一种制冷站能效模型拟合方法，其特征在于，所述冷冻泵运行功率模型为：其中，P
pumpf
为冷冻泵运行功率，γ
f
为冷冻泵中流体的容重，V
pumpf

【专利技术属性】
技术研发人员：陈正建，江浩，丁俊彦，章舒茗，艾鑫，李林，邓子潇，
申请(专利权)人：深能智慧能源科技有限公司，
类型：发明
国别省市：