CN110848896A - 基于神经网络的空调冷却系统智能节能控制系统及方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的空调冷却系统智能节能控制系统及方法，包括数据采集模块、神经网络模型训练模块、人工智能分析模块、冷却系统能效控制模块。本发明的特点是：1.针对空调冷却系统的专业人工智能、节能控制系统；2.实现全工况下的冷却系统能效最优控制，节能效果好；3.由于空调系统的冷却部分形式基本一致，差别主要是设备容量和数量的差异，其运行模式和能耗特点相似，所以已完成训练的模型在其它项目上只需经过工作量较小的训练就可以达到使用条件，可移植性好，利于规模化应用；4.用于空调冷却系统神经网络模型训练的所需数据采集基本可控，数据的完备性和准确性有保证，用其训练的神经网络模型收敛性好，精度高。

Description

基于神经网络的空调冷却系统智能节能控制系统及方法

技术领域

本发明涉及节能技术领域，具体涉及一种基于神经网络的空调冷却系统智能节能控制系统及方法。

背景技术

在中央空调系统中，现有冷却系统的控制算法仍使用传统固定控制目标和参数的方式，比如固定冷却水回水温度设定值、固定冷却水供回水温差设定值，或者固定室外湿球温度与冷却水回水温度设定值差值等，控制系统不管室外天气条件、制冷机组运行负载率、制冷机组制冷效率、冷却泵输配效率、冷却塔冷却效率等因素的影响，维持既定的控制参数和目标来调节，这虽然能保证空调系统运行的稳定性，但也限制了系统整体运行能效，因为在不同的工况下，控制系统控制参数和目标会对制冷主机、冷却泵、冷却塔的运行能耗有显著的影响，并且制冷主机、冷却泵、冷却塔这三者之间运行功耗存在互相耦合的问题，相互之间也会产生影响。

我们的目标是：在不同的室外气象条件和空调负荷工况下，通过合理的调节，使制冷主机、冷却泵、冷却塔这三者的总瞬时运行功耗最低，显然，通过传统的控制手段无法实现这类多参数、耦合复杂系统的节能控制需求，无法达到全工况下空调冷却系统运行总功耗最小。

发明内容

本发明的目的在于克服上述不足问题，提供一种基于神经网络的空调冷却系统智能节能控制系统及方法。

本发明为实现上述目的所采用的技术方案是：一种基于神经网络的空调冷却系统智能节能控制系统，包括数据采集模块、神经网络模型训练模块、人工智能分析模块、冷却系统能效控制模块；所述数据采集模块与空调冷却系统、室外传感器连接，采集空调冷却系统运行参数并处理；所述神经网络模型训练模块与数据采集模块连接，所述神经网络模型训练模块获取数据采集模块的数据并进行训练建立模型；所述人工智能分析模块与神经网络模型训练模块连接，所述人工智能模块利用已获得的模型结合数据采集模块采集的运行数据进行分析；所述冷却系统能效控制模块与人工智能分析模块连接，所述冷却系统能效控制模块从人工智能分析模块获得分析数据对数据采集模块进行数据修正并对空调冷却系统进行自动控制。

所述神经网络模型训练模块包括人工智能处理模块、BP神经网络模型，所述人工智能处理模块获取数据采集模块的数据并进行训练建立BP神经网络模型。

所述空调冷却系统包括制冷主机、冷却泵、冷却塔，所述室外传感器包括室外温度湿度传感器、室外风速风向传感器。

基于神经网络的空调冷却系统智能节能控制方法，包括以下步骤：

S1、通过数据采集模块采集空调冷却系统的运行数据，所述数据采集模块具有通讯功能、数据采集功能、数据处理功能；

S2、将数据采集模块获取的数据输送至神经网络模型训练模块的人工智能处理模块进行训练建立BP神经网络模型，所述BP神经网络模型通过数据集训练，修改各隐藏层节点的权重值，直至BP神经网络模型输出值与样本实际值的误差满足精度要求，BP神经网络模型具备应用条件；

S3、人工智能分析模块利用已获取的满足精度要求的BP神经网络模型并结合数据采集模块采集到的空调冷却系统的运行数据，使用随机梯度下降算法进行迭代计算，检索出空调冷却系统总实时功耗值最低区域，并通过映射获取对应的空调冷却系统的冷却水供回水温差设定值和冷却水回水温度与湿球温度差值设定值的范围；

S4、冷却系统能效控制模块从人工智能分析模块获得空调冷却系统的冷却水供回水温差设定值和冷却水回水温度与湿球温度差值设定值的范围，对其当前参数进行修正并通过PID自适应算法对空调冷却系统进行自动控制。

所述数据采集模块采用变样周期的采取方式，并对过程数据进行MOVING AVERAGE处理。

所述BP神经网络模型输出值与样本实际值的误差小于5%时，BP神经网络模型满足精度要求具备应用条件。

所述BP神经网络模型满足精度要求仍继续通过人工智能处理模块获取数据采集模块采集的当前运行数据进行训练，实时在线修正BP神经网络模型内部的权重值。

本发明的特点是：

1.针对空调冷却系统的专业人工智能、节能控制系统；

2.取代了空调冷却系统传统模式下，固定冷却水供回水温差设定值和冷却水回水温度设定值的简单控制方法，实现全工况（空调负荷和室外天气条件）下的冷却系统能效最优控制，节能效果好；

3.由于空调系统的冷却部分形式基本一致，差别主要是设备容量和数量的差异，其运行模式和能耗特点相似，所以已完成训练的模型在其它项目上只需经过工作量较小的训练就可以达到使用条件，可移植性好，利于规模化应用；

4.用于空调冷却系统神经网络模型训练的所需数据采集基本可控，数据的完备性和准确性有保证，用其训练的神经网络模型收敛性好，精度高。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明的结构示意图。

图2是本发明的系统简图。

其中：1、数据采集模块 2、神经网络模型训练模块 21、人工智能处理模块 22、BP神经网络模型 3、人工智能分析模块 4、冷却系统能效控制模块 5、空调冷却系统6、室外传感器。

具体实施方式

如图1、2所示，本发明为一种基于神经网络的空调冷却系统智能节能控制系统，包括数据采集模块1、神经网络模型训练模块2、人工智能分析模块3、冷却系统能效控制模块4。

所述数据采集模块1为空调冷却系统5实时运行数据获取的硬件，空调系统是一个多品牌、多型号、多信号类型、多通讯协议的设备集成系统，要实现对其的有效控制，必定需要对每个设备的运行状态、参数进行了解，除了使用常规的模拟量传感器外，与设备的直接通讯对话可低成本的获取大量设备运行信息，因此，所述数据采集模块1与空调冷却系统5、室外传感器6连接，所述空调冷却系统5主要包括制冷主机、冷却泵、冷却塔，所述室外传感器6包括室外温度湿度传感器、室外风速风向传感器，所述数据采集模块1利用通讯或模拟信号持续采集空调冷却系统5运行数据（运行数据包括制冷主机的负载率、实时功耗、运行台数，冷却泵的运行频率、实时功耗、运行台数、冷却水供回水温度，冷却塔的运行频率、实时功耗、运行台数、冷却水回水温度设定值，室外空气温湿度、室外空气湿球温度、室外风向风速，空调冷却系统内部参数：冷却水供回水温差设定值、冷却水回水温度与试求温度差值设定值），所述信号采集模块具备4-20mA或0-10v信号采集功能以及常规的Modbus RTU通讯功能外，还具备数据处理功能，因为空调系统为慢时变系统，且容易受外界扰动的影响，其运行数据存在滞后和波动问题，如果直接用于训练，将不能反应真实系统的运行情况，因此数据采集模块1根据神经网络模型训练模块2的需要，采用变采样周期的采取方式，并对过程数据进行MOVING AVERAGE处理，排除滞后和扰动对数据的影响，提供模型训练的效率；

所述神经网络模型训练模块2为空调冷却系统5功耗寻优提供仿真模型，神经网络控制的基本思想就是从仿生学角度，模拟人神经系统的运作方式，使机器具有人脑那样的感知、学习和推理能力，它将控制系统看成是由输入到输出的一个映射，利用神经网络的学习能力和适应能力实现系统的映射特性，从而完成对系统的建模和控制，基于神经网络的控制系统具有一定的学习能力，能够更好地适应环境和系统特性的变化，非常适合于复杂系统的建模和控制，特别是当系统存在不确定性因素时，更体现了神经网络方法的优越性，具有独特的非线性、非凸性、非局域性、非定常性、自适应性和容错性，因此，所述神经网络模型训练模块2包括人工智能处理模块21、BP神经网络模型22，所述人工智能处理模块21获取数据采集模块1的数据并进行训练建立BP神经网络模型22，BP神经网络以空调系统各运行参数作为输入量，以空调冷却系统5各运行设备的功耗综合作为输出量。

所述人工智能分析模块3具有利用神经网络模型训练模块2提供的仿真模型进行能耗寻优功能，所述人工智能分析模块3是神经网络模型训练模块2和冷却系统能效控制模块4的桥梁，实现神经网络深度学习技术用于工程实践的关键模块，人工智能分析模块3将神经网络模型训练模块2获得的成熟、满足精度要求的空调系统设备运行总功耗BP神经网络模型22传送到人工智能分析模块3，人工智能分析模块3通过物联网数据采集模块1实时获取整个空调冷却系统5运行数据，利用遗传算法极值寻优把训练后的BP神经网络模型22预测结果作为个体适应度值，通过选择、交叉和变异操作寻找函数的全局最优值及对应输入值，即寻找出系统总功耗最小区域，进而得出对应工况下的空调系统运行参数值。

所述冷却系统能效控制模块4为实际面向对象控制的底层控制设备，空调冷却系统5智能节能控制设备的底层控制系统，空调冷却系统5的所以设备控制命令都通过所述冷却系统能效控制模块4输出，所述冷却系统能效控制模块4从人工智能分析模块3获得适合当前工况的运行参数值，并根据此参数，通过内置的控制算法使空调系统逐渐接近最佳运行参数，使系统整体运行功耗最小。

本发明的基于神经网络的空调冷却系统5智能节能控制方法，包括以下步骤：

S1、通过数据采集模块1采集空调冷却系统5的运行数据，所述数据采集模块1具有通讯功能、数据采集功能、数据处理功能，因为空调系统为慢时变系统，且容易受外界扰动的影响，其运行数据存在滞后和波动问题，如果直接用于训练，将不能反应真实系统的运行情况，因此数据采集模块1根据神经网络模型训练模块2的需要，采用变采样周期的采取方式，并对过程数据进行MOVING AVERAGE处理，排除滞后和扰动对数据的影响，提供模型训练的效率；

S2、将数据采集模块1获取的数据输送至神经网络模型训练模块2的人工智能处理模块21进行训练建立BP神经网络模型22，BP神经网络模型22是一种误差反向传播算法训练的多层前馈神经网络，所述BP神经网络模型22通过数据集训练，修改各隐藏层节点的权重值，直至BP神经网络模型22输出值与样本实际值的误差小于5%满足精度要求时，BP神经网络模型22具备应用条件，所述BP神经网络模型22满足精度要求后，仍继续通过人工智能处理模块21获取数据采集模块1采集的当前运行数据进行训练，实时在线修正BP神经网络模型22内部的权重值，持续提高BP神经网络模型22在不同工况域的精度；

S3、人工智能分析模块3利用已获取的满足精度要求的BP神经网络模型22并结合数据采集模块1采集到的空调冷却系统5的运行数据，使用随机梯度下降算法进行迭代计算，检索出空调冷却系统5总实时功耗值最低区域，并通过映射获取对应的空调冷却系统5的冷却水供回水温差设定值和冷却水回水温度与湿球温度差值设定值的范围；

S4、冷却系统能效控制模块4从人工智能分析模块3获得空调冷却系统5的冷却水供回水温差设定值和冷却水回水温度与湿球温度差值设定值的范围，对其当前参数进行修正并通过PID自适应算法对空调冷却系统5进行自动控制。

针对空调系统节能控制的实际需求考虑，本发明基于神经网络技术非线性处理能力强的特点，利用大数据进行训练、深度学习，根据空调冷却系统5总功耗与各运行参数、设定值，建立一套神经网络模型，并根据此算法开发出人工智能模块硬件，通过梯度降坡算法，获取总功耗最小值范围，修改对应的各运行参数、设定值，以及空调冷却系统5的综合能效最高，运行效率最低。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.基于神经网络的空调冷却系统智能节能控制系统，其特征在于：包括数据采集模块、神经网络模型训练模块、人工智能分析模块、冷却系统能效控制模块；

所述数据采集模块与空调冷却系统、室外传感器连接，采集空调冷却系统运行参数并处理；

所述神经网络模型训练模块与数据采集模块连接，所述神经网络模型训练模块获取数据采集模块的数据并进行训练建立模型；

所述人工智能分析模块与神经网络模型训练模块连接，所述人工智能模块利用已获得的模型结合数据采集模块采集的运行数据进行分析；

所述冷却系统能效控制模块与人工智能分析模块连接，所述冷却系统能效控制模块从人工智能分析模块获得分析数据对数据采集模块进行数据修正并对空调冷却系统进行自动控制。

2.如权利要求1所述的基于神经网络的空调冷却系统智能节能控制系统，其特征在于：所述神经网络模型训练模块包括人工智能处理模块、BP神经网络模型，所述人工智能处理模块获取数据采集模块的数据并进行训练建立BP神经网络模型。

3.如权利要求1所述的基于神经网络的空调冷却系统智能节能控制系统，其特征在于：所述空调冷却系统包括制冷主机、冷却泵、冷却塔，所述室外传感器包括室外温度湿度传感器、室外风速风向传感器。

4.基于神经网络的空调冷却系统智能节能控制方法，其特征在于包括以下步骤：

S1、通过数据采集模块采集空调冷却系统的运行数据，所述数据采集模块具有通讯功能、数据采集功能、数据处理功能；

S2、将数据采集模块获取的数据输送至神经网络模型训练模块的人工智能处理模块进行训练建立BP神经网络模型，所述BP神经网络模型通过数据集训练，修改各隐藏层节点的权重值，直至BP神经网络模型输出值与样本实际值的误差满足精度要求，BP神经网络模型具备应用条件；

S3、人工智能分析模块利用已获取的满足精度要求的BP神经网络模型并结合数据采集模块采集到的空调冷却系统的运行数据，使用随机梯度下降算法进行迭代计算，检索出空调冷却系统总实时功耗值最低区域，并通过映射获取对应的空调冷却系统的冷却水供回水温差设定值和冷却水回水温度与湿球温度差值设定值的范围；

S4、冷却系统能效控制模块从人工智能分析模块获得空调冷却系统的冷却水供回水温差设定值和冷却水回水温度与湿球温度差值设定值的范围，对其当前参数进行修正并通过PID自适应算法对空调冷却系统进行自动控制。

5.如权利要求4所述的基于神经网络的空调冷却系统智能节能控制方法，其特征在于：所述数据采集模块采用变样周期的采取方式，并对过程数据进行MOVING AVERAGE处理。

6.如权利要求4所述的基于神经网络的空调冷却系统智能节能控制方法，其特征在于：所述BP神经网络模型输出值与样本实际值的误差小于5%时，BP神经网络模型满足精度要求具备应用条件。

7.如权利要求4所述的基于神经网络的空调冷却系统智能节能控制方法，其特征在于：所述BP神经网络模型满足精度要求仍继续通过人工智能处理模块获取数据采集模块采集的当前运行数据进行训练，实时在线修正BP神经网络模型内部的权重值。

Images