CN110929414A - 一种基于级联时序模型的暖通系统能效优化方法 - Google Patents

一种基于级联时序模型的暖通系统能效优化方法 Download PDF

Info

Publication number
CN110929414A
CN110929414A CN201911237864.4A CN201911237864A CN110929414A CN 110929414 A CN110929414 A CN 110929414A CN 201911237864 A CN201911237864 A CN 201911237864A CN 110929414 A CN110929414 A CN 110929414A
Authority
CN
China
Prior art keywords
model
time sequence
heating
ventilation system
devices
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911237864.4A
Other languages
English (en)
Other versions
CN110929414B (zh
Inventor
周鹏程
张发恩
崔燕达
徐凤逸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Innovation Qizhi (chengdu) Technology Co Ltd
Original Assignee
Innovation Qizhi (chengdu) Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Innovation Qizhi (chengdu) Technology Co Ltd filed Critical Innovation Qizhi (chengdu) Technology Co Ltd
Priority to CN201911237864.4A priority Critical patent/CN110929414B/zh
Publication of CN110929414A publication Critical patent/CN110929414A/zh
Application granted granted Critical
Publication of CN110929414B publication Critical patent/CN110929414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于级联时序模型的暖通系统能效优化方法，通过模型级联的方式，对多个设备进行模型抽象，某些关键设备独立抽象为一个子模型，该子模型同时预测该设备功率，以及某些影响其他设备的关键参数；每个设备子模型的输入可以是独立的设备自身参数，也可以是其他子模型的输出，还可以是两者结合；所有子模型融合成一个总模型，每个子模型的输出都作为损失函数的一部分共同参与训练，从而使每个子模型的输入尽可能涵盖真实的参数空间，提高模型精度。本专利提出了利用级联时序模型，对暖通空调复杂系统建模的方案，可应用于现有数据中心、智能楼宇的能效优化，以及对工业级复杂系统的预测与优化问题。

Description

一种基于级联时序模型的暖通系统能效优化方法
技术领域
本专利申请属于能效优化技术领域，更具体地说，是涉及一种基于级联时序模型的暖通系统能效优化方法。
背景技术
现有HVAC系统通常由多个设备协同工作，每个设备的工作状态不仅受自身参数的影响，还会收到系统中其他设备工作状态的影响。比如暖通系统HVAC中冷机的设备功率不仅取决于冷机当前的频率，还取决于冷机的进水温度的影响，而通常情况下冷机的进水温度是由冷却塔和冷却泵共同影响的。即利用模型预测设备功率不应仅仅考虑该设备本身的参数，还应同时将该设备关联的其他变量输入模型。
在现有某些方案中，当采用某些最优化问题求解方法时(如遗传算法)，要求求解变量独立不相关，即要求黑盒模型预测时的输入是独立的。在这种情况下模型的精度存在瓶颈，若想取得可接受的模型精度，需要大量的特征工程与专业领域知识，耗时耗力。
发明内容
本发明需要解决的技术问题是提供一种基于级联时序模型的暖通系统能效优化方法，以提高模型预测精度，并省时省力。
为了解决上述问题，本发明所采用的技术方案是：
一种基于级联时序模型的暖通系统能效优化方法，过程为：
S1、通过模型级联的方式，对暖通系统中的多个设备进行模型抽象，在模型抽象拆解中只需找到设备彼此关联影响的因变量；
S2、将其中的每个关键设备均独立抽象为一个子模型，该子模型同时预测该关键设备的功率，以及若干影响其他设备的关键参数；
S3、根据设备系统中各设备的连接关系，构建子模型之间的空间位置连接关系，然后将所有子模型融合成一个总模型，每个子模型的输出都作为损失函数的一部分共同参与训练，从而使每个子模型的输入尽可能涵盖真实的参数空间，进而提高模型精度。
本发明技术方案的进一步改进在于：S1中，对暖通系统中的多个设备进行模型抽象是指将设备抽象为时序模型，时序模型的输入不仅包括当前时刻的输入，还包括历史输入。
本发明技术方案的进一步改进在于：时序模型为LSTM模型(long-short termmemory，长短期记忆模型)。
本发明技术方案的进一步改进在于：S3中，在构建子模型之间的连接关系时，每个子模型的输入可以是独立的设备自身参数，也可以是其他子模型的输出，还可以是两者结合。
本发明技术方案的进一步改进在于：S3中，损失函数包括：MSE均方误差损失函数、SVM合页损失函数、Cross Entropy交叉熵损失函数、目标检测的Smooth L1损失函数的一种或多种。
由于采用了上述技术方案，本发明取得的有益效果是：
利用cascade LSTM模型，可以在预测优化问题中扩充模型输入，引入非独立变量，提高模型精度。
在建模过程中，尽可能的减少与专业知识的耦合，模型拆解中只需找到设备彼此关联影响的因变量，不需要进行大量的特征组合与特征工程工作。
将时间纬度信息与空间纬度信息进行综合，利用时序模型捕捉时序纬度信息，利用子模型组合捕捉空间纬度信息。其中的空间维度信息指在构建子模型的时候，根据设备系统中各设备的连接关系，构建子模型之间的连接关系，即空间信息包含在模型结构中；时间维度信息指在各子模型的输入不仅包括当前时刻的输入，还包括历史输入。
本发明基于预测设备功率+优化求解设备参数的数据中心能效优化方法，提出了利用级联时序模型，对暖通空调(HVAC)复杂系统建模的方案，可应用于现有数据中心、智能楼宇的能效优化，以及对工业级复杂系统的预测与优化问题。
本发明利用时序模型主要是因为实际工业系统中，设备的状态转换在时间纬度上都是连续的。比如水温度的变化是渐变的，不会存在水温度的跳变点。利用时序模型可以同时将设备的历史状态纳入模型输入。
两者结合的级联时序模型同时解决了各设备响应时长不同的问题。比如调节冷却塔频率之后，首先影响冷却塔的出水温度，进而通过冷却塔出水温度影响冷机功率，并且两种影响的响应时长不一定相同，某次调节冷却塔频率后，冷却塔出水温度发生变化的时长大于冷机功率发生变化的时长，难以利用同一个时序模型进行建模。利用级联时序模型，每个子模型的时序模型的记忆窗口可以不同，从而解决这个问题。
附图说明
图1为实际系统原理图；
图2为本发明的模型构造原理图；
图3为图1的效果图；
图4为图2的效果图。
具体实施方式
下面结合实施例对本发明做进一步详细说明。
本发明公开了一种基于级联时序模型的暖通系统能效优化方法，过程为：
S1、通过模型级联的方式，对暖通系统中的多个设备进行模型抽象为时序模型，时序模型为LSTM模型(long-short term memory，长短期记忆模型)。在模型抽象拆解中只需找到设备彼此关联影响的因变量；S1中，对暖通系统中的多个设备进行模型抽象是指将设备抽象。
S2、将其中的每个关键设备均独立抽象为一个子模型，该子模型同时预测该关键设备的功率，以及若干影响其他设备的关键参数，每个设备子模型的输入不仅包括当前时刻的输入，还包括历史输入。
S3、根据设备系统中各设备的连接关系，构建子模型之间的空间位置连接关系，然后将所有子模型融合成一个总模型，每个子模型的输出都作为损失函数的一部分共同参与训练，从而使每个子模型的输入尽可能涵盖真实的参数空间，进而提高模型精度。在构建子模型之间的连接关系时，每个设备子模型的输入可以是独立的设备自身参数，也可以是其他子模型的输出，还可以是两者结合，具体需要结合系统原理构建。损失函数包括：MSE均方误差损失函数、SVM合页损失函数、Cross Entropy交叉熵损失函数、目标检测的Smooth L1损失函数的一种或多种。
图1为实际系统原理图，在图1中，冷却塔、冷却水泵和冷水主机依次首尾相连形成闭环，之间设备参数之间的影响没有体现出来，精度不够高，存在瓶颈。
图2为本发明的模型构造原理图，在图2中，为冷却塔和冷水主机为关键设备，为此二者构建子模型，分别为LSTM1、LSTM2，冷却塔的输入包括t时刻外界湿球温度wet temp、t时刻冷却塔频率f_fan、t时刻冷却水泵频率f_cow_pump、t-1时刻冷却水出水温度t_cow_out，冷却塔的输出包括t时刻冷却塔功率power_fan、预测出的t-1时刻冷却水进水温度t_cow_in；
冷水主机的输入包括预测出的t-1时刻冷却水进水温度t_cow_in、t-1时刻冷凝器温度t_condenser、t-1时刻冷凝器压力p_condenser、t-1时刻蒸发器温度t_evaporter、t-1时刻蒸发器压力p_evaporter；冷水主机的输出包括t时刻冷水主机功率power_chiller、t时刻冷却水出水温度t_cow_out、t时刻冷凝器温度t_condenser、t时刻冷凝器压力p_condenser、t时刻蒸发器温度t_evaporter、t时刻蒸发器压力p_evaporter，冷水主机的输出同时影响冷水主机的输入和冷却塔的输入，自此构成一个循环。
在图3、图4中，黑色线表示真实值，灰色线表示模型预测值，灰色线越多，证明预测值越接近真实值，精度也就越高。实际系统采用图1的基线模型(baseline model)，模型精度指标数据为：r2:0.6638；mae:6.4748；mape:2.2397。本发明采用图2的级联时序模型(cascadeLSTM model)，模型精度指标数据为：r2:0.8115；mae:5.1012；mape(预测精度):1.8252。
二者精度对比可见一斑。本发明重点关注模型间的输入输出连接关系，不需要对每个子模型的特征(包括因变量及整个系统的控制量)做过多的相关性分析，特征提取，特征组合等工作，具有省时省力的特点。

Claims (5)

1.一种基于级联时序模型的暖通系统能效优化方法，其特征在于，过程为：
S1、通过模型级联的方式，对暖通系统中的多个设备进行模型抽象，在模型抽象拆解中只需找到设备彼此关联影响的因变量；
S2、将其中的每个关键设备均独立抽象为一个子模型，该子模型同时预测该关键设备的功率，以及若干影响其他设备的关键参数；
S3、根据设备系统中各设备的连接关系，构建子模型之间的空间位置连接关系，然后将所有子模型融合成一个总模型，每个子模型的输出都作为损失函数的一部分共同参与训练，从而使每个子模型的输入尽可能涵盖真实的参数空间，进而提高模型精度。
2.根据权利要求1所述的一种基于级联时序模型的暖通系统能效优化方法，其特征在于：S1中，对暖通系统中的多个设备进行模型抽象是指将设备抽象为时序模型，时序模型的输入不仅包括当前时刻的输入，还包括历史输入。
3.根据权利要求2所述的一种基于级联时序模型的暖通系统能效优化方法，其特征在于：时序模型为LSTM模型。
4.根据权利要求1所述的一种基于级联时序模型的暖通系统能效优化方法，其特征在于：S3中，在构建子模型之间的连接关系时，每个子模型的输入可以是独立的设备自身参数，也可以是其他子模型的输出，还可以是两者结合。
5.根据权利要求4所述的一种基于级联时序模型的暖通系统能效优化方法，其特征在于：S3中，损失函数包括：MSE均方误差损失函数、SVM合页损失函数、Cross Entropy交叉熵损失函数、目标检测的Smooth L1损失函数的一种或多种。
CN201911237864.4A 2019-12-06 2019-12-06 一种基于级联时序模型的暖通系统能效优化方法 Active CN110929414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911237864.4A CN110929414B (zh) 2019-12-06 2019-12-06 一种基于级联时序模型的暖通系统能效优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911237864.4A CN110929414B (zh) 2019-12-06 2019-12-06 一种基于级联时序模型的暖通系统能效优化方法

Publications (2)

Publication Number Publication Date
CN110929414A true CN110929414A (zh) 2020-03-27
CN110929414B CN110929414B (zh) 2023-06-20

Family

ID=69857221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911237864.4A Active CN110929414B (zh) 2019-12-06 2019-12-06 一种基于级联时序模型的暖通系统能效优化方法

Country Status (1)

Country Link
CN (1) CN110929414B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7716022B1 (en) * 2005-05-09 2010-05-11 Sas Institute Inc. Computer-implemented systems and methods for processing time series data
EP2953065A2 (en) * 2014-06-06 2015-12-09 Google, Inc. Generating representations of input sequences using neural networks
CN106960252A (zh) * 2017-03-08 2017-07-18 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法
CN107622329A (zh) * 2017-09-22 2018-01-23 深圳市景程信息科技有限公司 基于多时间尺度长短时记忆神经网络的电力负荷预测方法
US20190068454A1 (en) * 2017-08-23 2019-02-28 Sap Se Device model to thing model mapping
CN109558941A (zh) * 2018-11-16 2019-04-02 创新奇智(广州)科技有限公司 一种模型训练方法、存储介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7716022B1 (en) * 2005-05-09 2010-05-11 Sas Institute Inc. Computer-implemented systems and methods for processing time series data
EP2953065A2 (en) * 2014-06-06 2015-12-09 Google, Inc. Generating representations of input sequences using neural networks
CN106960252A (zh) * 2017-03-08 2017-07-18 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法
US20190068454A1 (en) * 2017-08-23 2019-02-28 Sap Se Device model to thing model mapping
CN107622329A (zh) * 2017-09-22 2018-01-23 深圳市景程信息科技有限公司 基于多时间尺度长短时记忆神经网络的电力负荷预测方法
CN109558941A (zh) * 2018-11-16 2019-04-02 创新奇智(广州)科技有限公司 一种模型训练方法、存储介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A data driven method for prediction of energy demand in Commericial buildings.", 2018 IEEE14TH INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING. *
张斌: "基于多重时间序列与深度循环网络模型的短期电力负载预测", 中国优秀硕士论文全文数据库 *

Also Published As

Publication number Publication date
CN110929414B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
WO2021063033A1 (zh) 空调能耗模型训练方法与空调系统控制方法
CN110410942B (zh) 一种冷热源机房节能优化控制方法及系统
CN104534760A (zh) 电子膨胀阀控制方法、装置和空调机组
CN113326651B (zh) 基于t-s模糊模型的制冷站负荷和能效比动态建模方法
Totu et al. Demand response of a TCL population using switching-rate actuation
KR101754536B1 (ko) 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치
EP4089619A1 (en) Building equipment energy management control system and control method therefor
CN113405223A (zh) 一种基于grnn的冷机台数控制方法及其控制系统
CN117272212B (zh) 基于实时数据对制冷系统进行最优运行参数选择的方法
CN114326987B (zh) 制冷系统控制及模型训练方法、装置、设备及存储介质
CN110848892B (zh) 一种冰蓄冷系统的节能运行方法、装置、设备及存储介质
Ohno et al. Dynamic modeling of room temperature and thermodynamic efficiency for direct expansion air conditioning systems using Bayesian neural network
Chen et al. Dynamic model development for vehicle air conditioners based on physics-guided deep learning
CN110470039A (zh) 一种基于最优控制理论的空调水阀调节方法
CN110929414B (zh) 一种基于级联时序模型的暖通系统能效优化方法
Wang et al. A data mining approach to discover critical events for event-driven optimization in building air conditioning systems
CN111191370A (zh) 冷却塔的仿真方法及系统
CN116562111A (zh) 数据中心节能方法、装置、系统和存储介质
JP3278712B2 (ja) 多室空気調和機
CN114322382A (zh) 机房制冷控制方法、系统、设备及存储介质
KR20180138372A (ko) 오프라인/온라인 하이브리드 기계학습 모델을 이용한 냉동기 최적 제어 방법
US20220099347A1 (en) Information processing apparatus, air-conditioning apparatus, and air-conditioning system
US20240110716A1 (en) System and Method for Data-Driven Control of an Air-Conditioning System
CN113821902B (zh) 一种用于中央空调制冷站静态优化的自抗扰控制系统
CN116068886B (zh) 一种高效制冷机房冷却水系统的优化控制装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant