COOLING UNIT ENERGY OPTIMIZATION VIA SMART SUPPLY AIR TEMPERATURE SETPOINT CONTROL

The present disclosure relates to a system for controlling a supply air temperature adjustment for a cooling unit to optimize operation of the cooling unit with respect to at least one of room air temperature and humidity requirements. The system uses a controller for implementing: a machine learnin...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
1. Verfasser: BRUNSTETTER, Craig A
Format: Patent
Sprache:eng ; fre
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:The present disclosure relates to a system for controlling a supply air temperature adjustment for a cooling unit to optimize operation of the cooling unit with respect to at least one of room air temperature and humidity requirements. The system uses a controller for implementing: a machine learning module configured to select which portion or portions of acquired data pertaining to operation of the cooling unit will be utilized; and a neural network model which uses information supplied by the machine learning module and learns an operational behavior of the cooling unit, and wherein the machine learning module performs supervised learning and regression for the neural network model, and wherein the neural network model uses information supplied by the machine learning module for generating an output. The controller also implements an optimization module which receives the output from the neural network model and which implements a global optimization routine, using unit power consumption of the cooling unit as the objective function, to produce a supply air temperature set point for use by the cooling unit which optimizes an operating parameter of the cooling unit. La présente invention concerne un système de commande d'un réglage de température d'air d'alimentation pour une unité de refroidissement afin d'optimiser le fonctionnement de l'unité de refroidissement vis-à-vis d'au moins l'une des exigences de température et d'humidité de l'air ambiant. Le système utilise un dispositif de commande pour mettre en œuvre : un module d'apprentissage automatique configuré pour sélectionner quelle partie ou quelles parties de données acquises concernant le fonctionnement de l'unité de refroidissement seront utilisées ; et un modèle de réseau neuronal qui utilise des informations fournies par le module d'apprentissage automatique et acquiert un apprentissage d'un comportement opérationnel de l'unité de refroidissement, et le module d'apprentissage automatique effectue un apprentissage et une régression supervisés pour le modèle de réseau neuronal, et le modèle de réseau neuronal utilisant des informations fournies par le module d'apprentissage automatique pour générer une sortie. Le dispositif de commande met également en œuvre un module d'optimisation qui reçoit la sortie du modèle de réseau neuronal et qui met en œuvre un sous-programme d'optimisation globale, en utilisant la consommation d'énergie unitaire de l'unité de refroidissement en tant que fonction obje