【Applied Energy最新原创论文】利用历史运行数据评价冷水机组季节性能

(1)为已投入运行的冷水机组提出一套简单易行且便于迁移的4步骤性能评估框架。

(2)引入一个新的评价指标——自适应冷水机组性能值Adaptive Chiller Performance Value (ACPV), 用以评价特定系统中冷水机组的季节性能。

(3)采用真实数据中心冷站的全年运行数据对所提出的评估框架进行验证。

(4)所提出的评估框架考虑了预测区间的置信水平选择以及评估过程中预测不确定性对结论的潜在影响。

现有的冷水机组性能评价指标如IPLV和NPLV，均基于设备在不同负载率条件下的性能表现并对其进行加权，需要在严格的试验条件下测得。已投入运行的冷站难以支持冷水机组的停机测量，因此，本文针对已投入运行的冷水机组提出了一套4步骤性能评估框架，仅基于对历史运行数据的分析即可得出对系统调度及维护有价值的见解。

Chillers are the largest consumers of electricity in modern cooling systems, typically accounting for 40 % of the total energy consumption in commercial and industrial building cooling systems. An accurate online evaluation of chiller performance is crucial for various applications, such as chiller sequencing and predictive maintenance. Due to the absence of a performance metric that adapts to specific system characteristics and an evaluation process that incorporates predictive uncertainty, this study introduces a new metric, the Adaptive Chiller Performance Value (ACPV), and proposes a novel four-step evaluation procedure. ACPV assigns weights based on the proportion of typical operating conditions, identified from the chiller operation data, ensuring that the evaluated performance aligns closely with the system's specific features. The proposed four-step process considers the selection of confidence levels for prediction intervals and the potential impacts of predictive uncertainty during the evaluation. The reliability of the proposed method was validated through a case study conducted on a multi-chiller cooling plant of an operational data center. The complete evaluation process was implemented, and the results indicated that the proposed evaluation framework provides both intuitive and statistically significant insights. Moreover, it can be easily adapted to diverse cooling systems, demonstrating its significance in developing chiller sequencing strategies and facilitating predictive maintenance, with the ultimate goals of energy savings and carbon emission reduction.

Keywords

Chiller performance evaluation

Prediction interval

Predictive maintenance

Adaptive chiller performance value (ACPV)

团队介绍：

香港科技大学智能建筑与建造实验室，研究方向包括环境感知与预测、能源系统模拟与优化控制、建筑与电网交互、智能建造。现有博士后一人，博士生八人，研究型硕士六人，授课型硕士九人。研究受到香港研究资助局、香港科技创新局、中国国家自然科学基金、国家电网、腾讯、美的、Hensen等机构资助。

通信作者简介：

王者，香港科技大学助理教授，智能建筑与建造实验室主任。王者教授获2023年国家自然科学基金优秀青年基金，2019国家科技进步二等奖，2022 国际建筑机电人工智能挑战赛第一名，NeurIPS CityLearn Challenge 2023第二名。从2021年起，连续入选斯坦福大学和爱斯维尔联合发布的“全球前2%顶尖科学家”榜单。曾受邀以中方唯一青年学者代表身份在刘延东副总理、克里国务卿主持的第七届中美人文交流高层对话（2016）上发言。

第一作者简介：

吴偲，香港科技大学博士研究生，研究方向为数据中心冷站运行优化与设备预测性维护。

本期小编：任郡枝；审核人：王者

《Applied Energy》是世界能源领域著名学术期刊，在全球出版巨头爱思唯尔 (Elsevier) 旗下，1975年创刊，影响因子10.1，CiteScore 21.2，本刊旨在为清洁能源转换技术、能源过程和系统优化、能源效率、智慧能源、环境污染物及温室气体减排、能源与其他学科交叉融合、以及能源可持续发展等领域提供交流分享和合作的平台。开源（Open Access）姊妹新刊《Advances in Applied Energy》影响因子13.0，CiteScore 23.9。全部论文可以免费下载。在《Applied Energy》的成功经验基础上，致力于发表应用能源领域顶尖科研成果，并为广大科研人员提供一个快速权威的学术交流和发表平台，欢迎关注！

公众号团队小编招募长期开放，欢迎发送自我简介（含教育背景、研究方向等内容）至wechat@applied-energy.org