CN104633829A - 楼宇冷冻站节能控制装置及方法 - Google Patents

Abstract

本发明涉及一种楼宇冷却站节能控制装置及方法，该控制装置主要包括神经网络优化单元和控制单元，前者主要负责前端数据采集，控制信号发出，冷机、冷却塔、泵组等设备通讯，实时控制参数更新、实时控制策略运算、控制状态监视等功能，在没有智能神经网络的情况下，前端控制处理单元可以独立完成群控系统的功能，后者完成24小时负荷预测、带容错功能的最优化群控、以及冷冻站整体及分项的能源能效审计工作；系统会计算系统总需求负荷，各设备按最小无故障运行时间等条件，以编程顺序进行自动的启停、切换和保护。

Description

楼宇冷冻站节能控制装置及方法

技术领域

本发明涉及一种楼宇冷却站节能控制装置及方法。 

背景技术

随着中国城市建筑智能化、舒适化、便捷化的发展，建筑设备能耗问题也逐渐突出。研究表明，在建筑设备能耗占比上，空调系统、给排水系统、照明系统占总能耗的2/3以上；而冷冻站系统是其中能耗最为显著的部分，也是最为复杂的部分，如何实现高效，节能，稳定的冷冻站系统控制系统，是每个项目必须考虑的重点。 

然而目前国内冷冻站系统的运行效率普遍偏低，冷冻站系统的高能耗、低效率使客户的运营成本显著增加。分析原因，主要有以下几个方面： 

1）控制目标 

在过程自动化领域中，控制系统的主要作用是按照工艺要求，将工艺参数严格控制在规定的范围内，与节能相比，控制精度是更为重要的指标。在建筑中，建筑环境的舒适度是由人体的感受决定的，而人体的感受是一个范围，为了稳定环境参数，BAS（Building Automation System,楼宇设备自动化系统，以下简称BAS）无论是PID（Proportion Integration Differentiation，比例积分微分，以下简称PID）调节、还是频繁的启停控制，都不可避免的造成额外的能源消耗。 

同时，传统的控制系统以水温度、水流量参数控制为核心的策略严重依赖于传感器的精度和稳定性，由于机房环境变化，传感器在使用一段时间后精度会下降，导致原本能够节能的功能变得不节能，甚至更加耗能。 

2）设计思想 

对于照明、水泵等独立的用能设备，传统的BAS控制策略是合理且有效的。但对于占到建筑总能耗60%的空调系统而言，传统的BAS控制思想恰恰对节能造成了不利的影响。无论何种空调系统，都将是多个设备以系统的方式进行工作，没有一个设备能够脱离系统独立工作，即多个设备之间存在着耦合。 

控制理论解决耦合采用的技术是解耦，而解耦的核心思路就是认为降低系统中设备间的相互联系，只要不影响系统的正常工作，甚至可以将系统中的设备看成完全独立工作的设备。在解耦理论指导下开发的控制策略几乎没有考虑设备变化对系统工作造成的影响，这种理论对于化工、造纸等工艺参数要求严格的工业过程是非常有意义的，但对于以节能为重要控制目标的建筑用能设备的控制，这种设计思想就存在一定的问题。 

3）暖通、机电设备等与控制的分离 

在项目初期的规划设计中，暖通部分、给排水部分、供配电部分、自动控制等设计是分开实施的，这使得各系统技术封闭，特别是暖通、机电设备与自控系统的技术配合非常有限。 

在常规的暖通设计中，工程师往往是按照大楼的最不利负荷进行设备容量设计，并预留一定的余量；例如冷冻机组的设计，需要能够保证夏季最大负荷量下，环境参数仍能维持在可控范围内；这使得在正常运行状态下，冷源设备的开机、停机、运行负载的上升、下降等如果不能很好地匹配负荷变化，都将会造成很大的能源浪费。 

4）系统复杂性 

冷源系统是一个复杂的系统工程，冷站内各设备间存在很大的耦合及非线性相关。传统的控制系统把冷源设备划分为多个控制孤岛，各自独立控制运行，缺乏系统规划；例如以冷却水为控制目标的冷却塔控制；以冷冻水供回水温度为目标的冷冻机组运行控制；以末端压力为目标的泵的频率控制等。而事实证明，冷站中任何一部分系统参数的变化都将带来其他部分效率的上升或下降，常规的孤岛型控制策略缺少鲁棒性，不利于建筑节能的发展。 

5）管理方面的瓶颈 

国内工程人员和物业人员的运营水平和对节能的认知程度有限，厂家的技术支持在维保期过后收费不低，所以物业往往只使用自控系统中的远程控制功能，甚至自控系统瘫痪也无能为力。建筑节能是一个持续的过程，需要根据不同的使用情况、不同的气候做出分析，给出不同的控制策略。但自控系统的调试往往实现基本功能后就不做进一步服务，而物业人员也缺乏对自控系统使用的能力，故难以发挥其节能能力。 

发明内容

针对现有技术的缺陷，本发明目的是提供本系统基于以上问题，将整个冷冻站系统视为一个整体，利用当前智能化领域内广泛应用的神经网络算法，同时配合小波包算法、最小二乘算法、加权算法等将冷冻站系统进行非线性拟合，并根据预测结果指导冷冻站系统内参数的调节，实现系统优化控制，节能的目的。 

具体技术方案包括： 

一种楼宇冷冻站节能控制装置及方法，包括 

一神经网络优化单元，该优化单元包括： 

一用于针对已有数据进行预处理及保存的历史数据集中模块， 

利用历史数据生成仿真模型并通过实时数据进行滚动优化、反馈校正的神经网络模型模块； 

一控制单元，该控制单元包括： 

一以判断优化模式的判断模块， 

一用以实时采集冷冻站系统的各项参数的实时数据采集模块， 

一用以对冷冻站各设备设定参数的优化执行模块； 

所述冷冻站系统包括冷却塔、冷冻机、冷冻泵、冷却泵，所述参数包括运行频率、流量、扬程、功率、运行模式、油温、压力、水温、电流和电压。 

一种利用前述优化装置实施的优化方，其特征在于，包括以下步骤： 

步骤0：控制单元通过判断模块判断启动手动优化或自动优化程序：如启动自动优化程序，执行步骤2；如启动手动模块，执行步骤3； 

步骤1：控制单元的实时数据采集模块实时采集冷冻站系统数据，当实时数据偏离目标值，则将采集到的数据作为历史数据存入历史数据集中模块，历史数据集中模块就该历史数据进行预处理； 

步骤2：采用三层结构反向传播神经网络建立模型，选择神经网络内核函数，对数据模型进行训练，调节网络参数，通过最小二乘加权方法搜寻全局最优点，输出结果至控制单元； 

步骤3：控制单元的执行优化模块接收优化模块的输出结果对冷冻站设备进行参数设置，并对各设备进行内部控制以使各设备维持在设定参数上运行。 

较佳的，所述预处理包括以下步骤：对数据进行标准化或/和小波包分解去噪。 

较佳的，所述小波包分解采用db2小波函数，分解层数为5。 

较佳的，所述网络参数包括：初始权值、学习速率G和期望误差。 

较佳的，所述初始权值为(‐1,1)之间的随机数，学习速率G值的范围为0.01～0间。 

较佳的，所述实时数据采集模块实时采集冷冻站系统数据的时间间隔为3min～5min。 

较佳的，所述控制单元对冷却塔频率、冷冻泵频率、冷却泵频率采用PID控制。 

较佳的，所述控制单元还通过实时数据采集模块采集的数据分析，计算出能源指标，并形成统计报表。 

较佳的，所述控制单元神经网络优化单元以能耗为优化条件，根据各楼宇冷热负荷不同，输出各楼宇的供水温度和/或流量。 

本发明同现有技术相比，具有以下优点和有益效果： 

通过对冷冻站系统所包括的冷却塔、水泵、冷冻机及冷冻水的相关参数建立一整体的神经网络模型，改变各自独立的控制流程，从而在各参数间建立了互相联系，可以从整体对系统进行调整获得所需最大节能收益。在此过程中，使用了智能化领域内广泛应用的神经网络算法，同时配合小波包算法、最小二乘算法、加权算法等将冷冻站系统进行非线性拟合，并根据预测结果指导冷冻站系统内参数的调节，其结果更为精确、过程更为高效。 

附图说明

图1为本发明楼宇冷冻站节能控制装置的模块结构图； 

图2为本发明楼宇冷冻站节能控制装置优化控制方法的流程图； 

图3为含噪历史数据趋势图； 

图4为去噪后历史数据趋势图； 

图5为三层小波包分解结构； 

图6为小波包分解系数收缩去噪流程图。 

图7为冷却塔频率的PID控制图； 

图8为冷冻泵频率的PID控制图； 

图9为冷却泵频率的PID控制图； 

图10为神经元模型示意图。 

具体实施方式

下面结合实施例对本发明作进一步详细的说明。 

系统功能概述 

1）制冷模式的选择。最优化的选择方式可以最大化各个子系统协同或交替工作的效益。 

全自动神经网络优化控制 

手动控制 

半自动冷机协调控制 

通过不同控制模式的选择，达到便捷化、人性化的控制选择方式。 

在全自动神经网络优化控制模式下，系统主机具备容错控制、优化运行、和能效审计“三位一体”的功能。它包含两个单元：控制处理单元以及神经网络优化单元。前者主要负责前端数据采集，控制信号发出，冷机、冷却塔、泵组等设备通讯，实时控制参数更新、实时控制策略运算、控制状态监视等功能，在没有智能神经网络的情况下，前端控制处理单元可以独立完成群控系统的功能；后者完成24小时负荷预测、带容错功能的最优化群控、以及冷冻站整体及分项的能源能效审计工作；系统会计算系统总需求负荷，各设备按最小无故障运行时间等条件，以编程顺序进行自动的启停、切换和保护。主机将按预先编排的时间程序来控制制冷系统的运转，并对众多分散设备的运行、安全状况、能源使用情况进行监管。完成不同设备或多台设备的顺序启停、选择启停，通过执行最新的优化程序和预定时间程序，达到最大限度的节能，可以减少人手动操作可能带来的误差，同时还大大简化了系统的运行操作。集中监视和报警能够及时发现设备的问题，可以进行预防性维修，以减少停机时间和设备的损耗，从而通过降低维修开支而使用户的设备增值。 

半自动手动编组控制是指由于负荷较小或部分设备具有潜在运行隐患等原因，用户可以对设备如冷冻机、冷冻泵、冷却泵、冷却塔等进行手动选择组合，同时编组设备仍按自动顺序和自动控制原则进行运行的控制方法。由于操作人员对现场设备更加熟悉，或有更加符合实际的操作习惯，这种模式既实现了自动控制的功能，也满足了用户和操作人员的人为选择要求，因而也是全自动控制模式的一个重要补充。 

全手动模式是指全部采用人工的方式进行开启和调试。自动控制功能将被暂时禁止。特别适用于维护检修工况。 

2）模型训练，生成系统最优运行策略。当系统工作时，冷机的启停与负荷设定，冷却塔及水泵的启停和转速设定。由于每个冷机站包含数量众多的冷机、冷却塔、和水泵，它们的运行方式直接影响冷机站的运行效率和能耗水平。主机能够按照不同的运行模式改变设备运行参数以及运行策略。 

在运行过程中，由控制系统从各设备实时采集的运行数据被送往控制处理单元，由它采用统计手段对数据进行交叉检验。经过处理的数据被送往神经网络优化单元，在这里运行数据被转化成性能和负荷数据，而优化引擎以8分钟的间隔根据负荷数据，参考项目所选设备的维护计划和节能设定，依据设备性能数据对能源站运行模式、各设备的启停、切换、负荷设定等生成3小时或更长时间内的优化运行方案。 

神经网络优化单元属于全局控制，其控制输出指导控制处理单元的运作。处理单元将传感器和执行机构的信息传送至神经网络单元，神经网络模型根据收到的信息计算需求侧负荷水平和未来趋势，单元内运行自动仿真器来动态模拟冷冻站内各部分的工作状况和性能，利用动态优化训练后的模型，分析并生成最安全、经济的冷机站运行方案，从而下传控制参数来指导处理单元从而最大化冷机站的系统效率。也节省了用户在节能和能源审计方面的重复投资和风险。 

神经网络处理单元投入运行后，运行模式、冷机的启停和运行参数、水泵的启停和运行参数、冷却塔组的工作方式等都将由神经网络生成的策略决定，控制处理单元则负责保护操作(旁通、水位等)。当动态控制系统切除后，系统则恢复执行原有的全部功能。 

模型训练：冷冻站根据历史数据进行神经网络神经元参数训练，采用优化算法搜索全局最优参数；生成最优控制模型； 

负荷计算及趋势预报：根据季节、室外环境、现场复核温度分布等因素动态计算并显示当前大楼内的负荷和负荷变化趋势，以及总的负荷和负荷变化趋势；至少未来24小时内的负荷变化趋势； 

优化运行：根据实时及历史负荷及变化及趋势、室外环境参数、设备效率、早晚电价等确定并显示冷机站优化运行方案，并显示下一时刻制冷机组、冷却塔组、一次泵组等的启停和运行参数设定； 

冷机站自动运行：直接通过控制系统控制冷机站各部分按照设定的方案运行； 

能耗和能效数据：动态显示各主要能耗设备和冷机站总的能耗和能效数据；根据暖通专家预定的能效模型进行计算显示，如COP值，汽水比，扬程-流量-能耗比等； 

功能：控制冷机站各部分按照设定的方案运行，设备出现异常报警时，系统仍能尽最大可能维持冷机站的节能运行，在需要维修及其他特殊工况下支持全手动方式运行冷机站，操作记录存档，报警记录存档，历史数据存档。 

3）能源审计，系统能够实时计算并显示各主要能耗设备的能耗及能效数据、和系统能效数据，此数据将会成为操作人员的重要指导数据用以监测系统的实时性能；同时会按年、月、日等周期累计整个冷冻站的能耗数据，监视系统周期性能情况；所有数据可以形成统计报表（指定时间内机组使用时间、供冷、供热总量、平均效率、总能耗等） 

4）能源对标，允许用户跟踪其关键能源绩效指标，帮助用户建立能源绩效指标，同时以多种形式，如均值、基准线、其它参考能源数据等比较其能源使用情况。 

5）趋势分析，按照客户需求绘制相关参数的趋势，通过系统智能分析发现需求量峰值并追踪系统范围内能耗变化，绘制任何测量组合的趋势图，发现危险的负荷趋势并重新分配负荷，优化系统容量利用率，避免重复建设浏览运行参数，制定维护计划； 

6）总的供冷/量在各大楼间的合理分配。由于每个大楼的冷热负荷不同，根据每个大楼的实际需求，根据供水温度为每个大楼选择合理的供水流量（和/或温度），有助于减少水泵的动力损失。 

请参阅图1和图2，为楼宇冷冻站节能控制装置的模块图及优化控制方法流程图，该控 制装置主要包括神经网络优化单元和控制单元，前者主要负责前端数据采集，控制信号发出，冷机、冷却塔、泵组等设备通讯，实时控制参数更新、实时控制策略运算、控制状态监视等功能，在没有智能神经网络的情况下，前端控制处理单元可以独立完成群控系统的功能，后者完成24小时负荷预测、带容错功能的最优化群控、以及冷冻站整体及分项的能源能效审计工作；系统会计算系统总需求负荷，各设备按最小无故障运行时间等条件，以编程顺序进行自动的启停、切换和保护。优化单元包括用于针对已有数据进行预处理及保存的历史数据集中模块和利用历史数据生成仿真模型并通过实时数据进行滚动优化、反馈校正的神经网络模型模块，而控制单元则包括实时采集或设置冷冻站系统的各项参数的执行优化及实时数据采集模块和用以判断优化模式的判断模块。滚动优化是建立在从系统实际的输出得到的最新信息的基础上,因此,鲁棒性较强，能减少因模型失配、时变信号和干扰信号等不确定因素的影响。引入反馈校正机制，系统能够根据实际输出与期望值的偏差来调整网络系数，可在一定程度上抑制干扰和各种不确定因素的影响,提高预测精度。 

其优化方法过程如下： 

步骤0：控制单元通过判断模块判断启动手动优化或自动优化程序； 

在全自动神经网络优化控制模式下，系统主机具备容错控制、优化运行、和能效审计“三位一体”的功能。系统计算系统总需求负荷，各设备按最小无故障运行时间等条件，以编程顺序进行自动的启停、切换和保护。主机将按预先编排的时间程序来控制制冷系统的运转，并对众多分散设备的运行、安全状况、能源使用情况进行监管。完成不同设备或多台设备的顺序启停、选择启停，通过执行最新的优化程序和预定时间程序，达到最大限度的节能，可以减少人手动操作可能带来的误差，同时还大大简化了系统的运行操作。集中监视和报警能够及时发现设备的问题，可以进行预防性维修，以减少停机时间和设备的损耗，从而通过降低维修开支而使用户的设备增值。 

半自动手动编组控制是指由于负荷较小或部分设备具有潜在运行隐患等原因，用户可以对设备如冷冻机、冷冻泵、冷却泵、冷却塔等进行手动选择组合，同时编组设备仍按自动顺序和自动控制原则进行运行的控制方法。由于操作人员对现场设备更加熟悉，或有更加符合实际的操作习惯，这种模式既实现了自动控制的功能，也满足了用户和操作人员的人为选择要求，因而也是全自动控制模式的一个重要补充。 

因此本发明具备两种控制方式（手动优化或自动优化）以供用户根据需要随时进行更改设置。 

当启动手动程序，则至步骤3； 

当启动自动程序，继续以下步骤； 

步骤1：控制单元的实时数据采集模块采集系统数据，当实时数据（如总体能耗，或特定变量参数）偏离目标值，则将采集到的数据作为历史数据存入历史数据集中模块，历史数据集中模块就该历史数据进行预处理； 

步骤1.1：冷冻系统在一段时间（如72小时）内的运行数据作为历史数据，从系统辨识的角度出发，采样间隔应小于系统时间常数的十分之一。作为多闭环、强关联的闭式系统，为了充分利用系统设备，实现快速检测、辨识、诊断，系统较佳为选择3min～5min（如特殊情况，按照实际需求调节）的采样间隔。 

用于算法的数据包括预测集和训练集两种，数据集涵盖过程中的所有操作变量和测量变量，以通过对冷冻站系统所包括的冷却塔、水泵、冷冻机及冷冻水各组成部分所涉及的参数来考量整个冷冻站系统的性能，为冷冻站系统模型的建立做准备。 

变量数据集包括： 

冷却塔状态参数； 

冷却塔运行频率； 

冷却塔进出水温度； 

冷却塔汽水比参数； 

冷却塔运行功率； 

冷却水泵、冷冻水泵状态参数； 

水泵流量参数； 

水泵扬程参数； 

水泵运行功率参数； 

冷冻机组运行模式； 

冷冻机组平均负载电流； 

冷冻机压缩机运行时间参数； 

冷冻机组马达RPM参数； 

冷冻机组油温； 

冷冻机组蒸发器压力； 

冷冻机组进出口水温参数； 

冷冻机组平均线电流、百分比； 

冷冻机组平均线电压、百分比； 

冷冻机组总容量百分比； 

各冷机出水、回水温度； 

各冷机回水流量； 

冷冻机组回水流量； 

冷冻机组用电功率； 

冷水总管供回水温度； 

冷水总管回水流量； 

冷水供、回水压差测量； 

冷水最不利端压差监测； 

冷冻机组冷却水供水总管温度； 

冷冻机组冷却水回水总管温度； 

冷却水旁通阀开度参数； 

冷冻水、冷却水蝶阀开关参数； 

步骤1.2：对采集来的历史数据进行预处理，剔除故障数据，实现数据标准化，产生历史数据集合： 

步骤1.2.1：系统各变量量度是不同的，如温度、流量、压力等均对应着不同的尺度范围，而分析的结果会受数据尺度的影响，因此在进行预测分析前，需要先将数据进行标准化处理，通常的方法是将其去掉均值后再除以它的标准差。假设X∈R^n×m为收集的过程正常工况下的运行数据，将X做如下标准化处理： 

$X_i^{*}=\frac{X_i-E\left(X_i\right)}{{\left(\mathrm{Var}\left(X_i\right)\right)}^{1/2}},i=\mathrm{1,2},\mathrm{\Λ},n$

这样原始数据集就变换为均值为0，方差为1的标准数据集。 

步骤1.2.2：将采集数据存入数据库，按照一定的时间窗选取相关数据集，输入小波包模型进行分解去噪，算法中选取db2小波函数，分解层数为5，请参阅图3～图4，为一数据经过小波包模型去噪前后对比图，可见曲线变得平滑，剔除了极端数据，保证了数据的准确性。 

其中小波包算法如下： 

小波包是相关学者在小波变换的基础上提出来的，小波包相对于小波的主要优点是克服了小波变换的频率分辨率随频率升高而降低这一缺点，它可以对信号的高频部分作更细致的刻画，对信号的分析能力更强。其结构是一个完整的树状结构，请参阅图图5给出了三层小波包的分解结构。 

图中第j级子空间的基本小波如下： 

$w_{2n}^{\left(j\right)}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_{0k}{w}_n^{\left(j\right)}(2t-k)$

$w_{2n+1}^{\left(j\right)}=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_{0k}{w}_n^{\left(j\right)}(2t-k)$

过程数据存在噪声时，噪声与信号在各尺度上的小波包系数具有不同的特性，基于小波包去除噪声数据的思想就是将各尺度上由噪声产生的小波分量，特别是将那些噪声分量占主导地位的尺度上的噪声小波分量去掉，这样保留下来的小波包系数基本上就是原始信号的小波包系数，然后再利用小波包重构算法，重构原始信号。因此，小波包滤除噪声的算法流程图如上图所示，算法中共包含三个主要的步骤： 

Y＝W(X) 

Z＝D(Y,T) 

$\hat{X}=W^{-1}\left(Z\right)$

其中X表示含噪声变量，Y表示X的小波包分解系数，Z表示经收缩操作后的小波包系数，表示去除噪声后的信号。W(·)和W^-1(·)分别表示小波包分解与重构算法，其算法如图5所示所示： 

小波包分解算法如下 

$x_{2n}^{(j+1)}\left(k\right)=\underset{n}{\mathrm{\Σ}}{h}_{0(m-2k)}{x}_n^{\left(j\right)}\left(m\right)---(4-11)$

$x_{2n+1}^{(j+1)}\left(k\right)=\underset{m}{\mathrm{\Σ}}{g}_{0(m-2k)}{x}_n^j\left(m\right)---(4-12)$

小波包重构算法如下 

$x_n^{\left(j\right)}\left(k\right)=\underset{m}{\mathrm{\Σ}}{h}_{1(k-2m)}{x}_{2n}^{(j+1)}\left(m\right)+\underset{m}{\mathrm{\Σ}}{g}_{1(k-2m)}{x}_{2n+1}^{(j+1)}\left(m\right)---(4-13)$

D(Y,T)表示给定阈值T的小波包分解系数的收缩操作，核心在于选择阈值及阈值函数。本系统采用硬阈值方法进行去噪。 

步骤2：神经网络模型建立，优化冷冻站设备的各项参数； 

1）网络的层数 

在网络层数的选择上，按照神经网络理论，冷冻站系统各变量间属于非线性映射，少于三层的网络结构是无法逼近非线性曲线的；而当层数大于三层时,增加层数可以降低误差,提高精度,但同时也使网络复杂化。考虑到误差精度的提高可以通过增加隐含层中的神经元数目来获得。因此BP(Back Propagation,反向传播)神经网络采用三层结构,该模型就能逼近任何形式的曲线,即输入层,隐含层,输出层； 

2）隐含层的神经元数 

神经元是ANN中最基本的处理单元,1943年,心理学家W.5.Mccu-Doch和数学家W.Pitts提出了神经元的模型： 

$\begin{array}{cc}y=f\left(z\right)=f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{\mathrm{\ω}}_i-\mathrm{\θ})& f\left(z\right)=\frac{1}{1+e^{-z}}\end{array}$

式中n为神经元数量； 

理论上证明:具有偏差和至少1个S型隐含层加上1个线性输出层的网络,能够逼近任何有理函数。增加层数可以进一步降低误差,提高精度,但同时也使网络复杂化。而误差精度的提高可以通过增加隐含层中的神经元数目来获得。模型中神经元数目的采用经验公式,并通过多次仿真实验确认。 

3）神经网络内核函数的选择 

神经网络内核函数有多种形式，相关学者也对这些核函数的有效性进行了验证，诸如以下几种常用的内核函数。 

a.多项式核函数 

多项式映射在非线性模型中是很常用的， 

K(x,x′)＝＜x,x′＞^d

为了避免计算过程中Hesse阵变成0，多项式核常用下面的形式： 

K(x,x′)＝(＜x,x′＞+1)^d

b.高斯径向基函数核函数 

$K(x,x^{\′})=\exp (-\frac{{|x-x^{\′}|}^2}{2{\mathrm{\σ}}^2})$

其中σ是高斯径向基函数的宽度。 

c.指数径向基核函数 

$K(x,x^{\′})=\exp (-\frac{\left|\right|x-x^{\′}\left|\right|}{2{\mathrm{\σ}}^2})$

其中σ是高斯径向基函数的宽度。 

d.Sigmoid核函数 

K(x,x′)＝tanh[b(x,x′)-c] 

由它构成多层感知器神经网络，参数b是比例因子，c是偏移因子。 

e.傅立叶核函数 

$K(x,x^{\′})=\frac{\sin (N+\frac{1}{2})(x-x^{\′})}{\sin \left(\frac{1}{2}(x-x^{\′})\right)}$

内核函数的不同决定了神经网络算法的精度、训练时间等。实际应用中，模型可以按照工程师的选择进行核函数调整，实现最优化的模型方案。本实施例采用e傅里叶核函数。 

4）初始权值的选取 

由于系统是非线性的,如果初始权值取的太大,容易使训练进入局部最小点;反之如果初始权值选的太小,训练时间将会变长。根据冷冻站系统的通常需求，本模型初始权值选(-1,1)之间的随机数。 

5）学习速率G 

学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的不稳定;但小的学习速率将导致较长的训练时间。根据冷冻站系统的通常需求，本系统学习速率的选取范围在0.01～0.8之间。 

6）期望误差的选取 

在设计网络的训练过程中,期望误差应当通过对比训练后确定一个合适的值,充分考虑隐含层节点因素增加的影响。 

7）样本训练，生成模型 

8）通过设定最小输出目标下的输入值，作为下一时间段的设定值影响控制系统；即通过最小二乘加权法搜寻出全局最优点后，神经网络模型输出各变量的具体数值，以通过控制设备对冷冻站系统所涉及的冷却塔、水泵、冷冻机及冷冻水进行控制。 

其中最小二乘加权法如下： 

最小二乘算法是一种应用标数值优化技术的快速算法。其本质是牛顿法的变形，既有牛顿法的局部收敛特性,又有梯度下降算法的全局特性。其特点是优化指标采用平方项，从而将不等式约束转变成等式约束，可以大大减少训练时间。 

加权算法的特点是，在优化问题描述中，对每个采样点数据采用不同的惩罚系数，以得到更准确的预测结果。加权系数矩阵为： 

$S=\left[\begin{array}{ccccc}{S}_{11}& 0& \mathrm{\Λ}& & 0\\ 0& S_{22}& 0& \mathrm{\Λ}& 0\\ 0& & \mathrm{\Λ}& & \mathrm{\Λ}\\ \mathrm{\Λ}& & & \mathrm{\Λ}& 0\\ 0& & \mathrm{\Λ}& 0& S_{\mathrm{nn}}\end{array}\right]$

s_ii为第i个样本的加权系数；加权矩阵系数的调整来源于模型输出结果偏差值的反向传输。即按照预测偏差的可接受程度调整权值矩阵。 

K聚类方法是模式识别中一个重要的非参数方法，其优点在于能够很好的分析出样本的聚类信息。利用其优点来确定最小二乘神经网络的权值系数。其基本思想是，对于训练集合x中的每一个样本点，求出其与所有样本的欧式距离：并找到其中K组最邻近的样本，比较该样本所对应输出与这K组最邻近样本所对应输出的关系，按照预定的距离阈值来正向或者反向调整确定权值系数。 

步骤3：执行优化及实时数据采集模块接收优化模块的输出结果对相应设备进行参数设置，并对各设备进行内部控制以使各设备维持在设定参数上运行。 

●冷机内部控制环节 

冷机内部控制环节由各冷机厂商定制，在冷机出厂时自带，主要是根据控制目标调节导流阀逻辑、冷机安全互锁机制、冷机模式选择、冷机自身卸载调节等，此部分系统不做任何干预，由冷机内部自行控制。 

●冷却塔频率的PID控制环节 

请参阅图7，为冷却塔频率的PID控制环节控制图，本方法以冷却水回水温度为控制目标来控制冷却塔频率，冷却水回水温度设定值来自于优化系统中的计算结果；冷却塔的内环控制采用PID调节。 

●冷冻泵频率的PID控制环节 

请参阅图8，为冷冻泵频率的PID控制图，本方法根据最不利压差及系统优化参数控制冷冻本频率。 

●冷却泵频率的PID控制环节 

请参阅图9，为冷却泵频率的PID控制图，冷却泵变频调节的控制目标是冷却水供回水温差。 

则以上所述完成一循环周期，此间实时数据采集模块仍按时间间隔对数据进行采集，并进行比较，当目标值有所偏离，则再次启动上述过程进行优化，直至达成目标。 

有益效果 

涵盖智能控制算法冷冻站群控系统，达到以下效果： 

1）系统能按需选择运行模式，即手动控制、内部控制、神经网络优化控制；以便于客户根据不同使用目的进行操作；例如设备检修时的手动操作；系统意外情况下的紧急停机等；针对系统处于优化模式下的手动操作，系统能够根据连锁报警以防止部分危险操作（冷机缺水、水泵空转等）的发生； 

2）所有测量参数例如温湿度、压力、流量、频率等在中控室可以准确观测。优化系统能根据日期、季节、天气、末端温度分布等因素动态计算并显示当前负荷并能够计算冷机站优化运行方案，显示下一时刻制冷机机组、水泵组等的启停和运行参数设定； 

3)监视整个冷冻站设备运行参数、能耗水平以及能效水平，支持图表化浏览与比较，支持按时间比较，按负荷比较，且能够长期存储历史数据，以便管理人员审查整个系统； 

4)利用神经网络优化控制的冷站管理系统，其能耗比常规手动控制低约30%左右，比常规冷机群控系统能耗低约10%左右。 

5)支持在线组态和在线修改功能，可以在不中断系统的运行、不影响正常生产和控制的情况下，修改现场的控制程序并重新下装到现场控制器中。 

6)所使用硬件在处理能力、通讯速率上满足常规控制系统要求，又能满足优化控制数据采集要求；同时具备第三方设备的集成能力，包含了MODBUS通讯，BACnet通讯以及其他常见通讯规约； 

7)在常规控制模块及神经网络优化模块运行下，冷冻站能够安全、自动、和高效运行，主要设备的异常以及系统运转异常能够给出报警； 

8)随时提供设备的维护方案，设备运行方案，系统操作的记录供管理人员使用； 

9）系统具备可扩展性，用户可以按照设备添加向导添加设备，并自动纳入智能化系统中进行群控； 

10）系统平均无故障时间及有效率达到楼宇自控要求。 

Claims (10)

1.一种楼宇冷冻站节能控制装置及方法，其特征在于，包括

一神经网络优化单元，该优化单元包括：

一用于针对已有数据进行预处理及保存的历史数据集中模块，

利用历史数据生成仿真模型并通过实时数据进行滚动优化、反馈校正的神经网络模型模块；

一控制单元，该控制单元包括：

一以判断优化模式的判断模块，

一用以实时采集冷冻站系统的各项参数的实时数据采集模块，

一用以对冷冻站各设备设定参数的优化执行模块；

所述冷冻站系统包括冷却塔、冷冻机、冷冻泵、冷却泵，所述参数包括运行频率、流量、扬程、功率、运行模式、油温、压力、水温、电流和电压。

2.一种利用如权利要求1所述优化装置实施的优化方法，其特征在于，包括以下步骤：

步骤0：控制单元通过判断模块判断启动手动优化或自动优化程序：如启动自动优化程序，执行步骤2；如启动手动模块，执行步骤3；

步骤1：控制单元的实时数据采集模块实时采集冷冻站系统数据，当实时数据偏离目标值，则将采集到的数据作为历史数据存入历史数据集中模块，历史数据集中模块就该历史数据进行预处理；

步骤2：采用三层结构反向传播神经网络建立模型，选择神经网络内核函数，对数据模型进行训练，调节网络参数，通过最小二乘加权方法搜寻全局最优点，输出结果至控制单元；

步骤3：控制单元的执行优化模块接收优化模块的输出结果对冷冻站设备进行参数设置，并对各设备进行内部控制以使各设备维持在设定参数上运行。

3.如权利要求2所述的优化方法，其特征在于，所述预处理包括以下步骤：对数据进行标准化或/和小波包分解去噪。

4.如权利要求3所述的优化方法，其特征在于，所述小波包分解采用db2小波函数，分解层数为5。

5.如权利要求2所述的优化方法，其特征在于，所述网络参数包括：初始权值、学习速率G和期望误差。

6.如权利要求2所述的优化方法，其特征在于，所述初始权值为(‐1,1)之间的随机数，学习速率G值的范围为0.01～0间。

7.如权利要求2所述的优化方法，其特征在于，所述实时数据采集模块实时采集冷冻站系统数据的时间间隔为3min～5min。

8.如权利要求2所述的优化方法，其特征在于，所述控制单元对冷却塔频率、冷冻泵频率、冷却泵频率采用PID控制。

9.如权利要求2所述的优化方法，其特征在于，所述控制单元还通过实时数据采集模块采集的数据分析，计算出能源指标，并形成统计报表。

10.如权利要求2所述的优化方法，其特征在于，所述控制单元神经网络优化单元以能耗为优化条件，根据各楼宇冷热负荷不同，输出各楼宇的供水温度和/或流量。