CN110410942B - 一种冷热源机房节能优化控制方法及系统 - Google Patents

Abstract

本发明提供了一种冷热源机房节能优化控制方法及系统，其方法包括：根据数据库中存储的冷热源机房各系统和设备运行参数的历史数据，建立神经网络负荷预测模型、神经网络主机参数模型以及神经网络水泵参数模型；获取预测时刻的室外气象预测参数，利用神经网络负荷预测模型获取预测空调负荷；将预测空调负荷传递至主机、冷冻侧和冷却侧水泵，得到主机约束条件和水泵约束条件；根据神经网络主机参数模型神经网络水泵参数模型得到主机能耗范围和水泵能耗范围；经过多次迭代计算后确定主机和水泵的输出参数。本发明以预测负荷指导冷热源机房制冷量的输出，同时利用历史数据建立的节能群控算法控制主机、水泵等输出参数，达到更好的节能效果。

Description

一种冷热源机房节能优化控制方法及系统

技术领域

本发明涉及空调节能控制技术领域，尤指一种冷热源机房节能优化控制方法及系统。

背景技术

近几年，人工智能在图像处理、自然语音处理、机器人等领域有了重大的发展，比较常见的应用有图像识别、人工客服、以及与智能音箱联动的智能家居等。在工业领域的应用上也逐渐发展起来，如设备故障诊断、自动驾驶等。在中央空调领域，已有很多利用神经网络等人工智能的手段来预测未来一天空调负荷趋势变化的案例，但运用人工智能技术来控制中央空调的冷热源机房节能控制的案例较少。

空调的系统的设备是根据最大负荷来选型的，用以应对一年中的最高温或最低温天气，而这样的天气一年中少之又少，极少情况下满负荷运行，因此设备的富余量很大。据统计，空调系统的能耗大约占整个建筑能耗的40％，占比较大，因此空调系统具有很大的节能空间。中央空调系统的大多数能耗集中在冷热源机房，因此冷热源机房是节能的重点。

冷热源机房自控控制系统的发展大致有三个阶段，第一阶段，实现基本的设备可监可控以及设备的自动加减机功能，第二阶段，增加了节能策略(如专家控制)，实现了系统群控，第三阶段，以大数据、云平台为基础，实现多项目的集中管控以及节能群控方式。

随着计算机技术的大力发展，本发明提出一种冷热源机房节能优化控制方法及系统。

发明内容

本发明的目的是提供一种冷热源机房节能优化控制方法及系统，实现充分利用已有历史数据的价值，深度挖掘设备的参数特性，结合节能运行理论与设备特性，实现冷热源机房节能控制。

本发明提供的技术方案如下：

本发明提供一种冷热源机房节能优化控制方法，包括：

建立数据库存储冷热源机房各系统和设备运行参数的历史数据；

将所述数据库中的负荷参数作为训练数据进行离线训练，建立神经网络负荷预测模型；

将所述数据库中的主机参数作为训练数据进行离线训练，建立神经网络主机参数模型；

将所述数据库中的水泵参数作为训练数据进行离线训练，建立神经网络水泵参数模型；

获取预测时刻的室外气象预测参数，根据所述神经网络负荷预测模型和所述室外气象预测参数获取预测空调负荷；

将所述预测空调负荷传递至主机和水泵，分别得到对应的主机约束条件和水泵约束条件，所述水泵包括冷冻侧和冷却侧水泵；

根据所述神经网络主机参数模型和所述主机约束条件得到主机能耗范围；

根据所述神经网络水泵参数模型和所述水泵约束条件以及主机约束条件得到水泵能耗范围；

根据所述主机能耗范围和所述水泵能耗范围经过多次迭代计算确定系统节能群控策略下的主机和水泵的预测输出参数。

进一步的，根据所述主机能耗范围和所述水泵能耗范围经过多次迭代计算确定系统节能群控策略下的主机和水泵的预测输出参数之后还包括：

通过传感器获取预测时刻的参数信息；

根据所述参数信息计算得到实际空调负荷和主机及水泵的实际输出参数；

将所述预测空调负荷、预测输出参数、实际空调负荷以及实际输出参数上传至所述数据库。

进一步的，获取预测时刻的室外气象预测参数，根据所述神经网络负荷预测模型和所述室外气象预测参数获取预测空调负荷具体包括：

获取预测时刻的室外气象预测参数；

根据所述神经网络负荷预测模型和所述室外气象预测参数获取初步预测空调负荷；

获取所述数据库中预测时刻之前预设时间的预测空调负荷和实际负荷参数；

根据所述预设时间的预测空调负荷和实际负荷参数的误差，对所述初步预测空调负荷进行修正，得到预测时刻的预测空调负荷。

进一步的，根据所述神经网络主机参数模型和所述主机约束条件得到主机能耗范围具体包括：

根据所述神经网络主机参数模型和所述主机约束条件获取初步主机能耗范围；

获取所述数据库中预测时刻之前预设时间的预测输出参数中的主机输出参数和实际输出参数中的主机实际输出参数；

根据所述预设时间的主机输出参数与主机实际输出参数的误差，对所述初步主机能耗范围进行修正，得到预测时刻的主机能耗范围。

进一步的，根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件得到水泵能耗范围具体包括：

根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件获取初步水泵能耗范围；

获取所述数据库中预测时刻之前预设时间的预测输出参数中的水泵输出参数和实际输出参数中的水泵实际输出参数；

根据所述预设时间的水泵输出参数和水泵实际输出参数的误差，对所述初步水泵能耗范围进行修正，得到预测时刻的水泵能耗范围。

本发明还提供一种冷热源机房节能优化控制系统，包括：

数据库模块，建立数据库存储冷热源机房各系统和设备运行参数的历史数据；

模型模块，将所述数据库模块建立的所述数据库中的负荷参数作为训练数据进行离线训练，建立神经网络负荷预测模型；

所述模型模块，将所述数据库模块建立的所述数据库中的主机参数作为训练数据进行离线训练，建立神经网络主机参数模型；

所述模型模块，将所述数据库模块建立的所述数据库中的水泵参数作为训练数据进行离线训练，建立神经网络水泵参数模型；

负荷预测模块，获取预测时刻的室外气象预测参数，根据所述模型模块建立的所述神经网络负荷预测模型和所述室外气象预测参数获取预测空调负荷；

负荷传递模块，将所述负荷预测模块获取的所述预测空调负荷传递至主机和水泵，分别得到对应的主机约束条件和水泵约束条件，所述水泵包括冷冻侧和冷却侧水泵；

主机参数分析模块，根据所述模型模块建立的所述神经网络主机参数模型和所述负荷传递模块确定的所述主机约束条件得到主机能耗范围；

水泵参数分析模块，根据所述模型模块建立的所述神经网络水泵参数模型和所述负荷传递模块及主机约束参数确定的所述水泵约束条件得到水泵能耗范围；

输出参数分析模块，根据所述主机参数分析模块确定的所述主机能耗范围和所述水泵参数分析模块确定的所述水泵能耗范围经过多次迭代计算确定系统节能群控策略下的主机和水泵的预测输出参数。

进一步的，还包括：

参数信息获取模块，通过传感器获取预测时刻的参数信息；

实际参数分析模块，根据所述参数信息获取模块获取的所述参数信息计算得到实际空调负荷和主机及水泵的实际输出参数；

处理模块，将所述负荷预测模块得到的预测空调负荷、所述输出参数分析模块得到的预测输出参数、所述得到的实际空调负荷以及实际输出参数上传至所述数据库模块建立的所述数据库。

进一步的，所述负荷预测模块具体包括：

气象参数获取单元，获取预测时刻的室外气象预测参数；

负荷预测单元，根据所述神经网络负荷预测模型和所述气象参数获取单元获取的所述室外气象预测参数获取初步预测空调负荷；

负荷参数获取单元，获取所述数据库中预测时刻之前预设时间的预测空调负荷和实际负荷参数；

负荷修正单元，根据所述负荷参数获取单元获取的所述预设时间的预测空调负荷和实际负荷参数的误差，对所述负荷预测单元得到的所述初步预测空调负荷进行修正，得到预测时刻的预测空调负荷。

进一步的，所述主机参数分析模块具体包括：

主机能耗计算单元，根据所述神经网络主机参数模型和所述主机约束条件获取初步主机能耗范围；

主机参数获取单元，获取所述数据库中预测时刻之前预设时间的预测输出参数中的主机输出参数和实际输出参数中的主机实际输出参数；

主机能耗修正单元，根据所述主机参数获取单元获取的所述预设时间的主机输出参数和主机实际输出参数误差，对所述主机能耗计算单元得到的所述初步主机能耗范围进行修正，得到预测时刻的主机能耗范围。

进一步的，所述水泵参数分析模块具体包括：

水泵能耗计算单元，根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件获取初步水泵能耗范围；

水泵参数获取单元，获取所述数据库中预测时刻之前预设时间的预测输出参数中的水泵输出参数和实际输出参数中的水泵实际输出参数；

水泵能耗修正单元，根据所述水泵参数获取单元获取的所述预设时间的水泵输出参数和水泵实际输出参数的误差，对所述水泵能耗计算单元得到的所述初步水泵能耗范围进行修正，得到预测时刻的水泵能耗范围。

通过本发明提供的一种冷热源机房节能优化控制方法及系统，能够带来以下至少一种有益效果：

1、本发明中，基于历史数据，建立神经网络负荷预测模型，准确预测未来各个时刻的空调负荷。

2、本发明中，基于历史数据，建立神经网络主机参数模型和神经网络水泵参数模型，准确获取设备输出负荷能力与消耗功率等之间的参数关系。

3、本发明中，深度结合结合设备实际特性与系统群控节能理论，在保证系统和设备安全运行条件下，以最节能的方式使冷热源机房运行在需求的负荷下。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对一种冷热源机房节能优化控制方法及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1是本发明一种冷热源机房节能优化控制方法的第一个实施例的流程图；

图2、图3、图4、图5是本发明一种冷热源机房节能优化控制方法的第二个实施例的流程图；

图6是本发明一种冷热源机房节能优化控制系统的第三个实施例的结构示意图；

图7是本发明一种冷热源机房节能优化控制方法及系统的第四个实施例的结构示意图；

图8是主机的功率与制冷量变化趋势的示意图；

图9是水泵的能耗与流量变化趋势的示意图；

图10是冷却水温度与主机和冷却水泵群变化关系的示意图；

图11是冷却水温度与主机和冷冻水泵群变化关系的示意图。

具体实施方式

为了能够更加清楚地说明本发明实施例或现有技术中的技术方案，下面将对照说明书附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并且获得其他的实施方式。

为了使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

本发明的第一实施例，如图1所示，一种冷热源机房节能优化控制方法，包括：

S100建立数据库存储冷热源机房各系统和设备运行参数的历史数据；

具体的，神经网络模型必须需要通过大量的数据来进行训练，因此建立数据库存储冷热源机房各系统和设备运行参数的历史数据，记录的数据应包括主机运行参数、水泵运行参数、系统的运行参数(供回水温度、压力、流量、阀门状态等)、各系统负荷、时间与气象参数等，记录的数据量应尽量多且详细，应尽量至少包含最近一年的一个完整的采暖期和供冷期。用于训练的数据越多，训练的效果越好。因此，上述的参数仅做举例说明，并不代表本实施例中的数据库中只包括上述数据，本实施例对数据库中所包含的数据不做具体限定，取决于建立神经网络模型的需要。

基于冷热源机房运行的大量历史数据，建立负荷预测、主机、冷冻水泵和冷却水泵的神经网络模型，并进行离线训练。

S200将所述数据库中的负荷参数作为训练数据进行离线训练，建立神经网络负荷预测模型；

具体的，神经网络负荷预测模型用于预测未来某个时刻建筑物的负荷情况，建筑的负荷与室外气象环境、建筑物结构及建筑内部设备、人员有关，建筑结构固定不变，建筑内部设备与人员通常会有一定的规律可循，采用神经网络的方式提取出规律，并结合室外气象环境参数进行负荷预测。

因此，将数据库中的负荷参数作为训练数据进行离线训练，建立神经网络负荷预测模型。例如，提取各个系统的历史时间负荷、室外气象参数等数据，建立训练数据，负荷值作为标签，其他数据作为训练样本，适当选择隐含层的个数与神经元个数，设置合适的学习率，进行离线训练，建立神经网络负荷预测模型。

S300将所述数据库中的主机参数作为训练数据进行离线训练，建立神经网络主机参数模型；

具体的，神经网络主机参数模型用于对主机的实现运行功率与负荷情况进行归纳，主机在不同的进出水温度下，所能提供的负荷以及所消耗的功率均是不相同的，因此需利用历史数据多维度进行训练。

因此，将数据库中的主机参数作为训练数据进行离线训练，建立神经网络主机参数模型。例如，从数据库中提取出主机的输出负荷、功率、蒸发器、冷凝器进出水温度等，以功率为输出，其他参数作为输入层，建立相应的样本和标签，选择适当的隐含层的个数、神经元个数、激活函数、学习率，进行离线计算。每个主机应单独建立模型，对于可热冷和制热的热泵主机，应分别建立制冷和制热工况下的模型。

S400将所述数据库中的水泵参数作为训练数据进行离线训练，建立神经网络水泵参数模型；

具体的，神经网络水泵参数模型用于归纳水泵在不同台数以及不同频率下水泵的流量与功率消耗情况，一台水泵与两台水泵的运行情况差异较大，需要从历史数据中提取各种状态下情况进行训练。每类设备的神经网络模型均是不通的。

因此，将数据库中的水泵参数作为训练数据进行离线训练，建立神经网络水泵参数模型，实质上是提取水泵特性曲线和管网的阻力特性。在不同的水泵台数、主机台数下，管网的阻力特性均是不同的，只有在所有设备开启数量不变、阀门开度不变的情况下，管网的阻力系数不变。因此输入的参数较多，水泵参数模型不能以单台水泵建立模型，应以一个系统的水泵群作为一个整体建立神经网络模型。

上述的步骤S200-S400中的神经网络模型可以同时进行处理，并没有实质上的时间上的先后顺序。

S500获取预测时刻的室外气象预测参数，根据所述神经网络负荷预测模型和所述室外气象预测参数获取预测空调负荷；

具体的，通过天气预报或自行架设的小型气象站等途径获取预测时刻的室外气象预测参数，通过神经网络负荷预测模型获取相应的预测时刻的预测空调负荷。

S600将所述预测空调负荷传递至主机和水泵，分别得到对应的主机约束条件和水泵约束条件，所述水泵包括冷冻侧和冷却侧水泵；

具体的，将得到的预测空调负荷传递至主机、冷冻侧和冷却侧水泵，分别得到对应的主机约束条件和水泵约束条件，也就是主机和水泵的各参数的允许范围。

S700根据所述神经网络主机参数模型和所述主机约束条件得到主机能耗范围；

S800根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件得到水泵能耗范围；

S900根据所述主机能耗范围和所述水泵能耗范围经过多次迭代计算确定系统节能群控策略下的主机和水泵的预测输出参数。

具体的，调用神经网络主机参数模型和神经网络水泵参数模型，分别根据相应的主机约束条件和水泵约束条件计算能耗范围，综合考虑主机能耗范围和水泵能耗范围，确定系统节能群控策略下整个系统综合能耗最低的对应的主机和水泵的参数作为输出参数。

本实施例中，以预测空调负荷指导冷热源机房制冷量的输出，匹配实时负荷，不会造成制冷量的浪费，同时利用历史数据建立的节能群控算法控制主机、水泵等输出参数，在满足负荷和设备安全运行前提下，使系统COP最大化，达到更好的节能效果。

本发明第二实施例，是上述第一实施例的优化实施例，如图2、图3、图4、图5所示，本实施例与上述第一实施例相比，主要改进在于，根据所述主机能耗范围和所述水泵能耗范围经过多次迭代计算确定系统节能群控策略下的主机和水泵的预测输出参数之后还包括：

S950通过传感器获取预测时刻的参数信息；

S960根据所述参数信息计算得到实际空调负荷和主机及水泵的实际输出参数；

S970将所述预测空调负荷、预测输出参数、实际空调负荷以及实际输出参数上传至所述数据库。

具体的，当时间到达第一实施例中所说的预测时刻时，通过传感器获取预测时刻的参数信息，参数信息包括主机和水泵的水温等参数信息，然后根据获取的参数信息计算，得到主机和水泵的实际输出参数。

将预测空调负荷、预测输出参数、实际空调负荷以及实际输出参数上传至数据库进行存储，为下一次预测控制提供修正依据。另外，对于预测时刻的预测空调负荷和预测输出参数在上述计算出来的第一时间即可上传至数据库进行存储，并不一定需要和实际空调负荷以及实际输出参数同时上传，只需要在数据库中对所有的数据的时间、性质等进行标记即可。

S500获取预测时刻的室外气象预测参数，根据所述神经网络负荷预测模型和所述室外气象预测参数获取预测空调负荷具体包括：

S510获取预测时刻的室外气象预测参数；

S520根据所述神经网络负荷预测模型和所述室外气象预测参数获取初步预测空调负荷；

S530获取所述数据库中预测时刻之前预设时间的预测空调负荷和实际负荷参数；

S540根据所述预设时间的预测空调负荷和实际负荷参数的误差，对所述初步预测空调负荷进行修正，得到预测时刻的预测空调负荷；

S700根据所述神经网络主机参数模型和所述主机约束条件得到主机能耗范围具体包括：

S710根据所述神经网络主机参数模型和所述主机约束条件获取初步主机能耗范围；

S720获取所述数据库中预测时刻之前预设时间的预测输出参数中的主机输出参数和实际输出参数中的主机实际输出参数；

S730根据所述预设时间的主机输出参数与主机实际输出参数的误差，对所述初步主机能耗范围进行修正，得到预测时刻的主机能耗范围；

S800根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件得到水泵能耗范围具体包括：

S810根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件获取初步水泵能耗范围；

S820获取所述数据库中预测时刻之前预设时间的预测输出参数中的水泵输出参数和实际输出参数中的水泵实际输出参数；

S830根据所述预设时间的水泵输出参数和水泵实际输出参数的误差，对所述初步水泵能耗范围进行修正，得到预测时刻的水泵能耗范围。

具体的，基于步骤S960的基础上，系统实时将负荷参数和主机、水泵的输出参数上传至数据库进行记录，那么神经网络模型(包括神经网络负荷预测模型、神经网络主机参数模型以及神经网络水泵参数模型)的应用过程中，在基于外部输入参数(室外气象预测参数、主机约束条件、水泵约束条件)得到初步输出结果(初步预测空调负荷、初步主机能耗范围、初步水泵能耗范围)之后，还要对初步输出结果进行修正，得到最终的输出结果(预测空调负荷、主机能耗范围、水泵能耗范围)。其中，修正的方式为，选取预测时刻前任意一个或多个时刻的预测值与实际值，计算其两者之间的误差值，根据误差值(多个时刻时选择平均误差值或加权平均误差值)进行修正。

本实施例中，系统节能群控算法是冷热源机房节能群控理论的实现，神经网络模型和群控算法是核心，因此神经网络模型在应用过程中还需要对输出结果根据历史预测数据进行修正，从而提高预测结果的准确性。

本发明的第三实施例，如图6所示，一种冷热源机房节能优化控制系统100，包括：

数据库模块110，建立数据库存储冷热源机房各系统和设备运行参数的历史数据；

模型模块120，将所述数据库模块110建立的所述数据库中的负荷参数作为训练数据进行离线训练，建立神经网络负荷预测模型；

所述模型模块120，将所述数据库模块110建立的所述数据库中的主机参数作为训练数据进行离线训练，建立神经网络主机参数模型；

所述模型模块120，将所述数据库模块110建立的所述数据库中的水泵参数作为训练数据进行离线训练，建立神经网络水泵参数模型；

负荷预测模块130，获取预测时刻的室外气象预测参数，根据所述模型模块120建立的所述神经网络负荷预测模型和所述室外气象预测参数获取预测空调负荷；

所述负荷预测模块130具体包括：

气象参数获取单元131，获取预测时刻的室外气象预测参数；

负荷预测单元132，根据所述神经网络负荷预测模型和所述气象参数获取单元131获取的所述室外气象预测参数获取初步预测空调负荷；

负荷参数获取单元133，获取所述数据库中预测时刻之前预设时间的预测空调负荷和实际负荷参数；

负荷修正单元134，根据所述负荷参数获取单元133获取的所述预设时间的预测空调负荷和实际负荷参数的误差，对所述负荷预测单元132得到的所述初步预测空调负荷进行修正，得到预测时刻的预测空调负荷；

负荷传递模块140，将所述负荷预测模块130获取的所述预测空调负荷传递至主机和水泵，分别得到对应的主机约束条件和水泵约束条件，所述水泵包括冷冻侧和冷却侧水泵；

主机参数分析模块150，根据所述模型模块120建立的所述神经网络主机参数模型和所述负荷传递模块140确定的所述主机约束条件得到主机能耗范围；

所述主机参数分析模块150具体包括：

主机能耗计算单元151，根据所述神经网络主机参数模型和所述主机约束条件获取初步主机能耗范围；

主机参数获取单元152，获取所述数据库中预测时刻之前预设时间的预测输出参数中的主机输出参数和实际输出参数中的主机实际输出参数；

主机能耗修正单元153，根据所述主机参数获取单元152获取的所述预设时间的主机输出参数对所述主机实际能耗计算单元得到的所述初步主机能耗范围进行修正，得到预测时刻的主机能耗范围；

水泵参数分析模块160，根据所述模型模块120建立的所述神经网络水泵参数模型和所述负荷传递模块140确定的所述水泵约束条件及主机约束参数得到水泵能耗范围；

所述水泵参数分析模块160具体包括：

水泵能耗计算单元161，根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件获取初步水泵能耗范围；

水泵参数获取单元162，获取所述数据库中预测时刻之前预设时间的预测输出参数中的水泵输出参数和实际输出参数中的水泵实际输出参数；

水泵能耗修正单元163，根据所述水泵参数获取单元162获取的所述预设时间的水泵输出参数和水泵实际输出参数的误差，对所述水泵能耗计算单元161得到的所述初步水泵能耗范围进行修正，得到预测时刻的水泵能耗范围；

输出参数分析模块170，根据所述主机参数分析模块150确定的所述主机能耗范围和所述水泵参数分析模块160确定的所述水泵能耗范围经过多次迭代计算确定系统节能群控策略下的主机和水泵的预测输出参数；

参数信息获取模块180，通过传感器获取预测时刻的参数信息；

实际参数分析模块185，根据所述参数信息获取模块180获取的所述参数信息计算得到实际空调负荷和主机及水泵的实际输出参数；

处理模块190，将所述负荷预测模块130得到的预测空调负荷、所述输出参数分析模块170得到的预测输出参数、所述得到的实际空调负荷以及实际输出参数上传至所述数据库模块110建立的所述数据库。

本实施例中的各个模块的具体操作方式在上述对应的方法实施例中已经进行了详细描述，因此不再一一进行赘述。

本发明的第四实施例，如图7所示，一种冷热源机房节能优化控制方法及系统，包括：数据库、神经网络负荷预测模型、神经网络主机参数模型、神经网络水泵参数模型、系统节能群控算法，其中历史数据库是基础，神经网络模型和群控算法是核心。

深度结合设备实际特性与系统群控节能理论，在保证系统和设备安全运行条件下，以最节能的方式使冷热源机房运行在需求的负荷下。首先建立负荷预测的神经网络模型以及主机和水泵的神经网络参数模型，利用大量的历史数据进行离线训练，获取建筑负荷和设备准确的特性。其次通过室外气象环境参数(如天气预报)，实时计算未来一天内建筑的负荷。然后经过节能群控策略，对主机及水泵进行分配，控制在安全的约束条件内，并实时计算主机与水泵的输出，使得设备输出的制冷量或制热量满足负荷需求。最后输出到设备的控制器中，按照计算的结果执行设备，并记录数据。

主机COP高，并不意味着一定节能。无论主机COP如何变化，相同工况下，主机的功率随制冷量增加而增加，如图8所示，如果主机的制冷量超过了需求的负荷，浪费了部分制冷量，即使COP高，能耗也可能会高于需求负荷下的能耗，而刻意使主机工作在COP较高的区域就可能带来制冷量高于需求负荷的问题，造成能源浪费。

同理，对于水泵也有类似的情况，如图9所示，其他条件相同情况下，水泵的能耗也是随着流量增加而增加，应选择合适的流量，不必为了使水泵运行在高效区而刻意提高流量。

根据逆卡诺循环原理，冷却水温度越低，冷冻水温度越高，相同负荷下主机的功率越低，主机COP越高，图10所示的是冷却水温度与主机和冷却水泵群的关系，其他参数不变时，主机功率随冷却水温度升高而升高，冷却水泵群功率随冷却水温度身高而降低，存在一个最佳的冷却水温度使得主机和水泵群总功率之和最低。同理如图11所示对于冷冻侧也有类似的规律。

本发明提供的节能群控方法最终输出控制对象包括：预测的负荷值、主机台数、设定温度、冷却水台数、冷却泵频率、冷冻水泵台数，冷冻水泵频率，旁通阀开度等。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种冷热源机房节能优化控制方法，其特征在于，包括：

建立数据库存储冷热源机房各系统和设备运行参数的历史数据；

将所述数据库中的负荷参数作为训练数据进行离线训练，建立神经网络负荷预测模型；

将所述数据库中的主机参数作为训练数据进行离线训练，建立神经网络主机参数模型；

将所述数据库中的水泵参数作为训练数据进行离线训练，建立神经网络水泵参数模型；所述神经网络水泵参数模型用于归纳水泵在不同台数以及不同频率下的流量与功率消耗情况；

获取预测时刻的室外气象预测参数，根据所述神经网络负荷预测模型和所述室外气象预测参数获取预测空调负荷；

将所述预测空调负荷传递至主机和水泵，分别得到对应的主机约束条件和水泵约束条件，所述水泵包括冷冻侧和冷却侧水泵；

根据所述神经网络主机参数模型和所述主机约束条件得到主机能耗范围；

根据所述神经网络水泵参数模型和所述水泵约束条件以及主机约束条件得到水泵能耗范围；

根据所述主机能耗范围和所述水泵能耗范围经过多次迭代计算，确定系统节能群控策略下的主机和水泵的预测输出参数。

2.根据权利要求1所述的冷热源机房节能优化控制方法，其特征在于，根据所述主机能耗范围和所述水泵能耗范围经过多次迭代计算确定系统节能群控策略下的主机和水泵的预测输出参数之后还包括：

通过传感器获取预测时刻的参数信息；

根据所述参数信息计算得到实际空调负荷和主机及水泵的实际输出参数；

将所述预测空调负荷、预测输出参数、实际空调负荷以及实际输出参数上传至所述数据库。

3.根据权利要求2所述的冷热源机房节能优化控制方法，其特征在于，获取预测时刻的室外气象预测参数，根据所述神经网络负荷预测模型和所述室外气象预测参数获取预测空调负荷具体包括：

获取预测时刻的室外气象预测参数；

根据所述神经网络负荷预测模型和所述室外气象预测参数获取初步预测空调负荷；

获取所述数据库中预测时刻之前预设时间的预测空调负荷和实际空调负荷；

根据所述预设时间的预测空调负荷和实际空调负荷的误差，对所述初步预测空调负荷进行修正，得到预测时刻的预测空调负荷。

4.根据权利要求2所述的冷热源机房节能优化控制方法，其特征在于，根据所述神经网络主机参数模型和所述主机约束条件得到主机能耗范围具体包括：

根据所述神经网络主机参数模型和所述主机约束条件获取初步主机能耗范围；

获取所述数据库中预测时刻之前预设时间的预测输出参数中的主机输出参数和实际输出参数中的主机实际输出参数；

根据所述预设时间的主机输出参数与主机实际输出参数的误差，对所述初步主机能耗范围进行修正，得到预测时刻的主机能耗范围。

5.根据权利要求2所述的冷热源机房节能优化控制方法，其特征在于，根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件得到水泵能耗范围具体包括：

根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件获取初步水泵能耗范围；

获取所述数据库中预测时刻之前预设时间的预测输出参数中的水泵输出参数和实际输出参数中的水泵实际输出参数；

根据所述预设时间的水泵输出参数和水泵实际输出参数的误差，对所述初步水泵能耗范围进行修正，得到预测时刻的水泵能耗范围。

6.一种冷热源机房节能优化控制系统，其特征在于，包括：

数据库模块，建立数据库存储冷热源机房各系统和设备运行参数的历史数据；

模型模块，将所述数据库模块建立的所述数据库中的负荷参数作为训练数据进行离线训练，建立神经网络负荷预测模型；

所述模型模块，将所述数据库模块建立的所述数据库中的主机参数作为训练数据进行离线训练，建立神经网络主机参数模型；

所述模型模块，将所述数据库模块建立的所述数据库中的水泵参数作为训练数据进行离线训练，建立神经网络水泵参数模型；所述神经网络水泵参数模型用于归纳水泵在不同台数以及不同频率下的流量与功率消耗情况；

负荷预测模块，获取预测时刻的室外气象预测参数，根据所述模型模块建立的所述神经网络负荷预测模型和所述室外气象预测参数获取预测空调负荷；

负荷传递模块，将所述负荷预测模块获取的所述预测空调负荷传递至主机和水泵，分别得到对应的主机约束条件和水泵约束条件，所述水泵包括冷冻侧和冷却侧水泵；

主机参数分析模块，根据所述模型模块建立的所述神经网络主机参数模型和所述负荷传递模块确定的所述主机约束条件得到主机能耗范围；

水泵参数分析模块，根据所述模型模块建立的所述神经网络水泵参数模型和所述负荷传递模块确定的所述水泵约束条件及主机约束参数得到水泵能耗范围；

输出参数分析模块，根据所述主机参数分析模块确定的所述主机能耗范围和所述水泵参数分析模块确定的所述水泵能耗范围经过多次迭代计算确定系统节能群控策略下的主机和水泵的预测输出参数。

7.根据权利要求6所述的冷热源机房节能优化控制系统，其特征在于，还包括：

参数信息获取模块，通过传感器获取预测时刻的参数信息；

实际参数分析模块，根据所述参数信息获取模块获取的所述参数信息计算得到实际空调负荷和主机及水泵的实际输出参数；

处理模块，将所述负荷预测模块得到的预测空调负荷、所述输出参数分析模块得到的预测输出参数、所述实际参数分析模块得到的实际空调负荷以及实际输出参数上传至所述数据库模块建立的所述数据库。

8.根据权利要求7所述的冷热源机房节能优化控制系统，其特征在于，所述负荷预测模块具体包括：

气象参数获取单元，获取预测时刻的室外气象预测参数；

负荷预测单元，根据所述神经网络负荷预测模型和所述气象参数获取单元获取的所述室外气象预测参数获取初步预测空调负荷；

负荷参数获取单元，获取所述数据库中预测时刻之前预设时间的预测空调负荷和实际空调负荷；

负荷修正单元，根据所述负荷参数获取单元获取的所述预设时间的预测空调负荷和实际空调负荷的误差，对所述负荷预测单元得到的所述初步预测空调负荷进行修正，得到预测时刻的预测空调负荷。

9.根据权利要求7所述的冷热源机房节能优化控制系统，其特征在于，所述主机参数分析模块具体包括：

主机能耗计算单元，根据所述神经网络主机参数模型和所述主机约束条件获取初步主机能耗范围；

主机参数获取单元，获取所述数据库中预测时刻之前预设时间的预测输出参数中的主机输出参数和实际输出参数中的主机实际输出参数；

主机能耗修正单元，根据所述主机参数获取单元获取的所述预设时间的主机输出参数和主机实际输出参数误差，对所述主机能耗计算单元得到的所述初步主机能耗范围进行修正，得到预测时刻的主机能耗范围。

10.根据权利要求7所述的冷热源机房节能优化控制系统，其特征在于，所述水泵参数分析模块具体包括：

水泵能耗计算单元，根据所述神经网络水泵参数模型和所述水泵约束条件及主机约束条件获取初步水泵能耗范围；

水泵参数获取单元，获取所述数据库中预测时刻之前预设时间的预测输出参数中的水泵输出参数和实际输出参数中的水泵实际输出参数；

水泵能耗修正单元，根据所述水泵参数获取单元获取的所述预设时间的水泵输出参数和水泵实际输出参数的误差，对所述水泵能耗计算单元得到的所述初步水泵能耗范围进行修正，得到预测时刻的水泵能耗范围。

Images