[發明專利]一種基于模型預測的冷水機組組合運行優化控制方法

有效

• 申請號: 202010056062.X
• 申請日: 2020-01-17
• 公開（公告）號: CN111256294B
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 侯國峰;孫育英;許偉忠
• 申請（專利權）人: 深圳市得益節能科技股份有限公司
• 主分類號: F24F11/47
• 分類號: F24F11/47;G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 北京精金石知識產權代理有限公司 11470
• 代理人: 張黎

1.一種基于冷負荷預測和冷水機組能效模型的冷水機組群控方法，其特征在于，包括如下步驟：

S01：根據制冷系統中冷水機組的種類和臺數，確定冷水機組運行臺數的所有組合方式以及相應的總額定制冷量；將冷水機組各組合方式下的總額定制冷量與預測負荷進行比較，獲得冷水機組運行臺數的可行組合方式；

S02：基于冷負荷預測值、GRNN的冷水機組能耗模型、冷凍水泵和冷卻水泵功率，計算冷水機組運行臺數的各個可行組合方式下的系統能耗，選擇系統能耗最低的組合方式，作為選定的冷水機組運行臺數的最佳組合方式；

S03：基于步驟S02中選定的冷水機組運行臺數的最佳組合方式，以冷水機組的冷凍水供水設定溫度作為調節機組負荷率方式，以系統能耗最低為優化目標，以系統供水溫度為約束條件，通過GRNN的冷水機組能耗模型，確定冷水機組的運行負荷率的最佳分配方式；

S04：根據步驟S02中選定的最佳的冷水機組運行臺數和步驟S03中確定的負荷率分配，逐時調整冷水機組運行臺數，重設各冷水機組的設定水溫。

2.如權利要求1所述的一種基于冷負荷預測和冷水機組能效模型的冷水機組群控方法，其特征在于，GRNN的冷水機組能效模型建模方法，包括以下步驟：

S1：根據制冷系統實際運行數據建立訓練數據集，訓練數據集包含系統各臺冷水機組的運行功率、負荷率、冷凍水供水溫度、冷卻水回水溫度；

S2：基于步驟S1得到的訓練數據集，以、、為模型輸入參數、為輸出參數，采用廣義回歸神經網絡（GRNN），分別建立各個冷水機組的能耗預測模型；

S3：基于冷水機組的能耗預測模型，輸入冷水機組的負荷率、冷凍水供水溫度設定值和冷卻水回水溫度，即可預測得到機組的運行功率；

步驟S1中建立訓練數據集具體包括如下步驟：

S11：記錄制冷系統自動監測數據，監測數據包括各臺冷水機組的運行功率、冷凍水供水溫度、冷凍水回水溫度、冷卻水回水溫度；

S12：根據監測數據和機組額定制冷量，根據下式計算機組負荷率；

其中，C為水的比熱，、、為第i臺冷水機組的實測流量、冷凍水供水設定溫度、冷凍水回水溫度；分別為第i臺冷水機組的額定制冷量；

S13：基于運行功率、機組負荷率、冷凍水供水溫度、冷卻水回水溫度的數據，采用SQL數據庫技術，建立GRNN模型的訓練數據集。

3.如權利要求2所述的一種基于冷負荷預測和冷水機組能效模型的冷水機組群控方法，其特征在于，所述冷水機組的能耗預測模型包括輸入層、模式層、求和層和輸出層；

輸入層輸入參數，并把輸入參數傳遞給模式層；其中，輸入參數為冷水機組的負荷率、冷凍水供水溫度和冷卻水回水溫度；

模式層用于n個神經元輸出；

求和層包括兩種類型的神經元，第一種類型的神經元對模式層的n個神經元輸出進行計算求和；傳遞函數為：

第二種神經元是對模式層的n個神經元輸出進行加權求和，權值為第n個訓練樣本輸出的第j個元素，傳遞函數為：

輸出層具有1個神經元輸出，即為冷水機組的運行功率，各神經元將求和層的輸出相除得到預測結果；

其中，為第j個神經元的輸出對應第j個元素的預測結果。

4.如權利要求2所述的一種基于冷負荷預測和冷水機組能效模型的冷水機組群控方法，其特征在于，步驟S13中運行功率、機組負荷率、冷凍水供水溫度、冷卻水回水溫度的數據至少為1個供冷季的數據。

5.如權利要求2所述的一種基于冷負荷預測和冷水機組能效模型的冷水機組群控方法，其特征在于，冷水機組的能耗預測模型采用滾動訓練方式，運行數據需要實時加入訓練數據集，以保證冷水機組的能耗預測模型反映當前機組運行性能。

6.如權利要求1所述的一種基于冷負荷預測和冷水機組能效模型的冷水機組群控方法，其特征在于，步驟S02中，系統能耗為計劃運行的所有冷水機組及其配套冷凍水泵和冷卻水泵的運行功率總和；各臺冷水機組的運行功率根據將、和輸入冷水機組能效模型而預測得到；其中，系統負荷率計算方法如下：

。