CN111811110A - 制冷机组的控制方法及装置、电子设备、存储介质 - Google Patents
制冷机组的控制方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111811110A CN111811110A CN202010882182.5A CN202010882182A CN111811110A CN 111811110 A CN111811110 A CN 111811110A CN 202010882182 A CN202010882182 A CN 202010882182A CN 111811110 A CN111811110 A CN 111811110A
- Authority
- CN
- China
- Prior art keywords
- power
- model
- refrigeration
- operating parameters
- historical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005057 refrigeration Methods 0.000 claims abstract description 164
- 238000012417 linear regression Methods 0.000 claims abstract description 84
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 60
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 48
- 238000001816 cooling Methods 0.000 description 39
- 239000013598 vector Substances 0.000 description 22
- 238000007710 freezing Methods 0.000 description 17
- 230000008014 freezing Effects 0.000 description 17
- 239000003507 refrigerant Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 11
- 239000000498 cooling water Substances 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000009334 Singa Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20836—Thermal management, e.g. server temperature control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Signal Processing (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Thermal Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Air Conditioning Control Device (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Fuzzy Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本申请提供一种制冷机组的控制方法及装置、电子设备、计算机可读存储介质,该方法包括:基于制冷机组中各制冷设备的历史运行参数和历史功率,对线性回归模型进行训练,获得已训练的线性回归模型;根据制冷设备的历史运行参数和历史功率,对融合制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型;根据功率预测混合模型构建目标函数;依据函数值最小时对应于每一制冷设备的运行参数中的制冷控制参数,控制对应的制冷设备。本申请技术方案,基于各制冷设备对应的功率预测混合模型构建目标函数,并以目标函数的函数值最小时运行参数中的制冷控制参数控制制冷设备,可以准确的优化制冷机组的能耗。
Description
技术领域
本申请涉及能耗优化技术领域,特别涉及一种制冷机组的控制方法及装置、电子设备、计算机可读存储介质。
背景技术
随着云服务、大数据、人工智能计算等技术的发展,企业和政府投建了大量数据中心。数据中心能耗很高,中国数据中心用电量占全社会用电量的3%,对数据中心的节能优化势在必行。通常可用PUE(Power Usage Effectiveness,电源使用效率)为指标评价数据中心能源效率,PUE是数据中心总能耗除以IT设备能耗的商。PUE越高,说明除IT设备以外的其它设备(比如:制冷设备、照明设备等)的能耗越高。降低PUE,必须减少其它设备的能耗。
根据数据统计,数据中心的冷却所需能耗占总能耗的40%左右。因此,当前针对数据中心节能发明的研究,大部分是为了降低制冷机组的能耗。在能耗优化过程中,首先可以通过建模表达制冷机组的各类参数和功率之间的关系。一般,深度学习模型相比线性模型而言,可以更精确地表达制冷机组的参数和功率的关系。然而,由于实际应用中用于训练深度学习模型的样本数据有限,训练出的深度学习模型的泛化能力表现很差,以及,深度学习模型对于输入输出的曲线分布与敏感度表现很差。在这种情况下,后续优化求解时,无法获得最优解。因此,线性模型被更为广泛地应用于能耗优化方案。
发明内容
本申请的目的在于提供一种制冷机组的控制方法及装置、电子设备、计算机可读存储介质,用于结合线性模型和深度学习模型实现制冷机组的能耗优化,在样本数据有限的情况下,提高了能耗优化的准确性。
一方面,本申请提供了一种制冷机组的控制方法,包括:
基于制冷机组中各制冷设备的历史运行参数和历史功率,对线性回归模型进行训练,获得对应于每一制冷设备的已训练的线性回归模型;
针对每一制冷设备,根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型;
根据所述功率预测混合模型构建目标函数;其中,所述目标函数的函数值为所述制冷机组的总功率、所述目标函数的变量包括每一制冷设备的运行参数;
依据所述函数值最小时对应于每一制冷设备的运行参数中的制冷控制参数,控制对应的制冷设备。
可选地,所述根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型,包括:
将所述历史运行参数作为已训练的所述线性回归模型的输入,获得所述线性回归模型输出的第一预测功率;
计算对应于所述历史运行参数的历史功率和所述第一预测功率之间的残差,获得残差功率;
基于所述历史运行参数和所述残差功率,对所述混合模型中的神经网络模型进行训练,直至所述神经网络模型收敛,获得所述功率预测混合模型。
可选地,所述基于所述历史运行参数和所述残差功率,对所述混合模型中的神经网络模型进行训练,直至所述神经网络模型收敛,获得所述功率预测混合模型,包括:
将所述历史运行参数作为所述混合模型中神经网络模型的输入,获得所述神经网络模型输出的预测残差功率;
基于与所述历史运行参数对应的残差功率和所述预测残差功率之间的差值,对所述混合模型中所述神经网络模型的网络参数进行调整;
重复上述过程,直至所述神经网络模型收敛,获得所述功率预测混合模型。
可选地,所述根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型,包括:
将所述历史运行参数作为所述混合模型的输入,获得所述混合模型输出的第二预测功率;
基于与所述历史运行参数对应的历史功率和所述第二预测功率之间的差异,对所述混合模型中所述神经网络模型的网络参数进行调整;
重复上述过程,直到所述神经网络模型收敛,获得所述功率预测混合模型。
可选地,在训练所述线性回归模型之前,所述方法还包括:
基于预设周期采集每一制冷设备的运行参数和功率,并将采集到的运行参数作为所述历史运行参数,将采集到的功率作为所述历史功率。
可选地,在获得所述功率预测混合模型之后,所述方法还包括:
将所述历史运行参数输入所述功率预测混合模型,获得所述功率预测混合模型输出的第三预测功率;
根据评估算法对所述第三预测功率与所述历史运行参数对应的历史功率之间的差异进行计算,获得差异评估值;
判断所述差异评估值是否大于预设差异评估阈值;
如果是,调整所述功率预测混合模型中线性回归模型和神经网络模型的超参数,并返回训练所述线性回归模型的步骤。
可选地,在确定所述差异评估值大于所述差异评估阈值之后,所述方法还包括:
基于更改后的周期重新采集每一制冷设备的运行参数和功率,并将采集到的运行参数作为所述历史运行参数,将采集到的功率作为所述历史功率。
另一方面,本申请还提供了一种制冷机组的控制装置,包括:
第一训练模块,用于基于制冷机组中各制冷设备的历史运行参数和历史功率,对线性回归模型进行训练,获得对应于每一制冷设备的已训练的线性回归模型;
第二训练模块,用于针对每一制冷设备,根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型;
构建模块,用于根据所述功率预测混合模型构建目标函数;其中,所述目标函数的函数值为所述制冷机组的总功率、所述目标函数的变量包括每一制冷设备的运行参数;
控制模块,用于依据所述函数值最小时对应于每一制冷设备的运行参数中的制冷控制参数,控制对应的制冷设备。
进一步的,本申请还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述制冷机组的控制方法。
另外,本申请还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成上述制冷机组的控制方法。
在本申请中,基于制冷机组中各制冷设备的历史运行参数和历史功率训练出线性回归模型后,可以在已训练的线性回归模型的基础上,训练出包含该线性回归模型和神经网络模型的功率预测混合模型;该功率预测混合模型以线性回归模型为主干模型,可在样本数量有限的情况下保证功率预测混合模型的泛化性和稳定性,而神经网络模型可以提高功率预测混合模型的准确度,减少预测误差;因此,基于各制冷设备对应的功率预测混合模型构建目标函数,并以目标函数的函数值最小时运行参数中的制冷控制参数控制制冷设备,可以提高能耗优化的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1为本申请一实施例提供的电子设备的结构示意图;
图2为本申请一实施例提供的制冷系统的架构示意图;
图3为本申请另一实施例提供的制冷系统的架构示意图;
图4为本申请一实施例提供的制冷机组的控制方法的流程示意图;
图5为本申请一实施例提供的制冷机组的控制装置的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,本申请实施例提供的电子设备1,包括:至少一个处理器11和存储器12,图1中以一个处理器11为例。处理器11和存储器12通过总线10连接,存储器12存储有可被处理器11执行的指令,指令被处理器11执行,以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中,电子设备1可以是执行制冷机组的控制方法的主机。主机与制冷机组对接,可以通过制冷机组的各类传感器采集制冷机组的各类参数,并通过制冷机组的控制器对制冷机组进行控制。
存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请还提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序可由处理器11执行以完成本申请提供的制冷机组的控制方法。
参见图2,为本申请一实施例提供的制冷系统的架构示意图,如图2所示,制冷系统中可以包括冷却塔、冷却泵、冷凝器、压缩机、蒸发器、冷冻泵和中央空调。其中,虚线框内的冷却塔、冷却泵、冷凝器、压缩机、蒸发器、冷冻泵构成一个水冷式制冷机组,冷凝器、压缩机、蒸发器构成冷水机,冷水机、冷却塔、冷却泵、冷冻泵均为制冷机组内的制冷设备。
制冷机组通过向中央空调输送冷冻水,带走室内的热量。冷冻水温度升高,回流至蒸发器,通过蒸发器与冷媒进行热交换。冷媒吸收热量后,使冷冻水降温。制冷机组再将降温后的冷冻水输送至中央空调。冷冻水循环可以将室内的热量带到制冷机组。
压缩机将吸收热量的冷媒带给冷凝器,由冷媒和冷却水回水进行热交换。冷却水回水吸收热量后,成为冷却水出水排出冷凝器,把热量带到室外的冷却塔进行散热。散热后的冷却水由冷却泵送至冷凝器。冷却水循环可以将制冷机组的热量散发到室外。
参见图3,为本申请另一实施例提供的制冷系统的架构示意图,如图3所示,制冷系统中可以包括换热风机、翅片、冷凝器、压缩机、蒸发器、冷冻泵和中央空调。其中,虚线框内的冷冻泵、蒸发器、压缩机、冷凝器、换热风机、翅片构成一个风冷式制冷机组,冷凝器、压缩机、蒸发器构成冷水机,冷水机、冷冻泵、换热风机均为制冷机组内的制冷设备。
制冷机组通过向中央空调输送冷冻水,带走室内的热量。冷冻水温度升高,回流至蒸发器,通过蒸发器与冷媒进行热交换。冷媒吸收热量后,使冷冻水降温。制冷机组再将降温后的冷冻水输送至中央空调。冷冻水循环可以将室内的热量带到制冷机组。
压缩机做功后将将气化后吸收热量的冷媒压缩为高温高压的冷媒(包括高温气态冷媒和高温液态冷媒)带给冷凝器,由冷媒和空气进行热交换。换热风机将吸收热量的空气排出室外。高温高压冷媒散热后,变为低温高压液态冷媒回到冷水机。冷媒的循环可以将制冷机组的热量散发到室外。
参见图4,为本申请一实施例提供的制冷机组的控制方法的流程示意图,如图4所示,该方法可以包括步骤410-步骤440。
步骤410:基于制冷机组中各制冷设备的历史运行参数和历史功率,对线性回归模型进行训练,获得对应于每一制冷设备的已训练的线性回归模型。
其中,历史运行参数和历史功率分别是在主机执行步骤410之前所采集的运行参数和功率。运行参数可以包括影响制冷设备的运行功率的环境参数、控制参数和其它参数,制冷机组中影响某一制冷设备的运行参数可能包括其它制冷设备的参数,比如,水冷式制冷机组中,冷却塔风机频率是会影响冷水机功率的参数,因此,冷却塔风机频率是冷水机的运行参数。
对于水冷式制冷机组而言,制冷设备可以包括冷水机、冷却塔、冷却泵、冷冻泵。
冷水机对应的运行参数可以包括冷却塔风机频率、冷却塔功率、冷却泵频率、冷却泵功率、冷冻泵频率、冷冻泵功率、冷冻水出水温度、冷冻水回水温度、外界温度、外界湿度等。其中,制冷设备的频率指的是向制冷设备供电的供电电源的频率。
冷却塔对应的运行参数可以包括冷却塔风机频率。
冷却泵对应的运行参数可以包括冷却泵频率。
冷冻泵对应的运行参数可以包括冷冻泵频率。
对于风冷式制冷机组而言,制冷设备可以包括冷水机、冷冻泵和换热风机。
冷水机对应的运行参数可以包括干球温度、换热风机频率、换热风机运行个数、冷冻泵频率、冷冻水出水温度、冷冻水回水温度等。
冷冻泵对应的运行参数可以包括冷冻泵频率。
换热风机对应的运行参数可以包括换热风机频率。
线性回归模型可以包括但不限于多元回归模型、岭回归、套索回归、弹性回归、多项式回归模型等中的一种。
主机可以预先配置与每一制冷设备对应的线性回归模型,该线性回归模型适用于处理制冷设备对应的运行参数。
针对每一制冷设备,主机可以将历史运行参数作为该制冷设备对应的线性回归模型的输入,获得所述线性回归模型输出的临时预测功率。这里,临时预测功率指线性回归模型训练过程中基于历史运行参数计算出的功率。
主机在将历史运行参数输入线性回归模型之前,可以基于历史运行参数构建运行参数向量。
在一实施例中,水冷式制冷机组中的冷水机或风冷式制冷机组中的冷水机均有多个运行参数。此时,主机可以将每组历史运行参数中各历史运行参数作为运行参数向量中的元素,从而获得冷水机的运行参数向量。
水冷式制冷机组中的冷却塔、冷却泵、冷冻泵,或者,风冷式制冷机组中的冷冻泵、换热风机都只有一个运行参数。此时,主机可以计算历史运行参数的2次幂和3次幂,并将历史运行参数、历史运行参数的2次幂、历史运行参数的3次幂作为运行参数向量中的元素,从而获得运行参数向量。
主机将制冷设备的运行参数向量输入线性回归模型,从而获得线性回归模型输出的临时预测功率。
主机可以基于与运行参数向量对应的临时预测功率和历史功率之间的差异,对线性回归模型中的网络参数进行调整。
主机重新将运行参数向量输入至调整后的线性回归模型,并获得新的临时预测功率。主机进而基于新的临时预测功率与历史功率之间的差异,调整线性回归模型的网络参数。
主机可以多次重复这个过程,直到调整线性回归模型的网络参数的次数达到预设第一次数阈值,或者,直到评估临时预测功率与历史功率之间差异的损失函数的函数值小于预设第一损失阈值,此时,可以认为线性回归模型收敛。
步骤420:针对每一制冷设备,根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型。
其中,线性回归模型和神经网络模型可能同属于一个训练框架,也可能不属于同一个训练框架。这里,训练框架可以包括Caffe、Pattern、TensorFlow、Torch、Apache Singa等深度学习框架。
对于任一制冷设备而言,主机预先配置的神经网络模型和线性回归模型是否属于同一训练框架在配置阶段就确定了。主机可以对两种情况分别执行对应的训练步骤。
在一实施例中,主机基于历史运行参数训练混合模型之前,可以基于历史运行参数构建运行参数向量。构建运行参数向量的方式如前所述,在此不再赘述。
在一实施例中,如果任一制冷设备的线性回归模型和神经网络模型不属于同一训练框架,主机可以将该制冷设备的历史运行参数作为已训练的线性回归模型的输入,获得线性回归模型输出的第一预测功率。这里,临时预测功率指已训练的线性回归模型基于历史运行参数计算出的功率。
主机在将历史运行参数输入线性回归模型时,实际输入的是基于历史运行参数构建的运行参数向量。线性回归模型可以对运行参数向量进行计算,从而获得第一预测功率。
主机可以计算对应于历史运行参数的历史功率和第一预测功率之间的残差,获得残差功率。其中,残差功率可以作为运行参数向量的标签,用于训练神经网络模型。
主机可以基于历史运行参数和残差功率,对混合模型中的神经网络模型进行训练,直至神经网络模型收敛,获得功率预测混合模型。
在这个实施例中,主机在训练神经网络模型时,可以将历史运行参数作为混合模型中神经网络模型的输入,获得神经网络模型输出的预测残差功率。其中,预测残差功率是神经网络模型基于历史运行参数计算出的残差功率。
主机在将历史运行参数输入神经网络模型时,实际输入的是基于历史运行参数构建的运行参数向量。神经网络模型对运行参数向量进行计算,从而获得预测残差功率。
主机可以基于与历史运行参数对应的残差功率和预测残差功率之间的差异,对混合模型中的神经网络模型的网络参数进行调整。
主机可以重新将运行参数向量输入至调整后的神经网络模型,并获得新的预测残差功率,进而基于新的预测残差功率与残差功率之间的差异,调整神经网络模型的网络参数。
主机可以多次重复这个过程,直到调整神经网络模型的网络参数的次数达到预设第二次数阈值,或者,直到评估预测残差功率和残差功率之间的差异的损失函数的函数值小于预设第二损失阈值,此时,可以认为神经网络模型收敛。该神经网络模型用于根据运行参数向量计算残差功率。
在这种情况下,主机获得包含线性回归模型和神经网络模型的功率预测混合模型。
主机在基于该功率预测混合模型预测功率时,可以将基于运行参数构建的运行参数向量分别输入线性回归模型和神经网络模型,从而获得线性回归模型输出的第一预测功率、神经网络模型输出的预测残差功率。
主机可以根据如下公式(1)对第一预测功率和预测残差功率进行加权求和。
其中,y表示功率预测混合模型最终输出的预测功率,y’表示线性回归模型输出的预测功率,y’’表示神经网络模型输出的预测残差功率,α表示预测残差功率的权值,该权值可以设置在0到1之间,一般情况下可以默认为1。
在另一实施例中,如果任一制冷设备的线性回归模型和神经网络模型属于同一训练框架,主机可以将历史运行参数作为混合模型的输入,从而获得混合模型输出的第二预测功率。其中,混合模型包括已训练的线性回归模型和未训练的神经网络模型。
主机在将历史运行参数输入混合模型时,实际是将基于历史运行参数构建的运行参数向量分别输入混合模型中的线性回归模型和神经网络模型,从而获得线性回归模型基于历史运行参数计算出的预测功率,以及,神经网络模型基于历史运行参数计算出的预测残差功率。
主机可以通过如下公式(2)对预测功率和预测残差功率进行加权求和,从而获得第二预测功率。
其中,y表示混合模型输出的第二预测功率,y’表示线性回归模型输出的预测功率,y’’表示神经网络模型输出的预测残差功率,β表示预测残差功率的权值,该权值可以设置在0到1之间,一般情况下可以默认为1。
在执行步骤410时,混合模型中的神经网络模型的初始网络参数均为0,换而言之,神经网络模型的输出为0。主机在训练混合模型中的线性回归模型时,不更新神经网络模型的网络参数。在训练得到线性回归模型后,主机可以固定线性回归模型的网络参数。因此,在执行步骤420时,已训练的线性回归模型的网络参数始终保持不变。
主机可以基于与历史运行参数对应的历史功率和第二预测功率之间的差异,对混合模型中神经网络模型的网络参数进行调整。
主机可以重新将运行参数向量输入调整后的混合模型,并获得新的第二预测功率,进而基于新的第二预测功率与历史功率之间的差异,调整混合模型中神经网络模型的网络参数。
主机可以多次重复这个过程,直到调整神经网络模型的网络参数的次数达到预设第三次数阈值,或者,直到评估第二预测功率和历史功率之间的差异的损失函数的函数值小于预设第三损失阈值,此时,可以认为神经网络模型收敛,主机获得包含线性回归模型和神经网络模型的功率预测混合模型。
步骤430:根据所述功率预测混合模型构建目标函数;其中,所述目标函数的函数值为所述制冷机组的总功率、所述目标函数的变量包括每一制冷设备的运行参数。
任一制冷设备的功率预测混合模型可以通过如下公式(3)表示:
其中,yi表示制冷机组中第i个制冷设备对应的功率预测混合模型输出的预测功率,xi表示第i个制冷设备对应的运行参数。
目标函数可以通过如下公式(4)表示:
其中,Y表示制冷机组的总功率,n表示制冷机组中制冷设备的总数,xi表示第i个制冷设备对应的运行参数。
步骤440:依据所述函数值最小时对应于每一制冷设备的运行参数中的制冷控制参数,控制对应的制冷设备。
其中,制冷控制参数为用于控制制冷设备运行的参数。在一实施例中,对于水冷式制冷机组而言,制冷控制参数可以包括冷冻水出水温度、冷却塔风机频率、冷冻泵频率和冷却泵频率;对于风冷式制冷机组而言,制冷控制参数可以包括换热风机运行个数、换热风机频率、冷冻泵频率和冷冻水出水温度。
主机构建出目标函数后,可以基于制冷设备的运行参数的上限和下限确定目标函数的变量约束条件。
此外,对于外界温度、外界湿度、冷冻水回水温度、干球温度等运行参数,主机需将当前所采集的上述运行参数的数值代入目标函数进行计算,从而求解其它运行参数的最优解。
在确定变量约束条件和一些代入计算的运行参数当前数值后,主机可以根据凸优化算法、非凸优化算法、有限遍历法等方式对目标函数进行求解,从而获得在函数值最小目标函数的各个变量,换而言之,可以确定在制冷机组的总功率最小时每一制冷设备对应的运行参数。
以有限遍历法为例,主机可以根据变量约束条件确定多个变量的可行区间,并根据上述可行区间确定各个变量可行的整数集,该整数集包括可行区间内变量可选择的整数。主机可以基于多个变量对应的整数集,进行笛卡尔乘积,从而获得候选变量列表,该候选变量列表中包括多个候选变量条目,每一候选变量条目内包括各个变量可行的整数。
主机依次将候选变量列表每一候选变量条目中变量的值代入目标函数,获得函数值,并逐一比较,从而可以确定函数值最小时所选择的候选变量条目。主机可以将该候选变量条目各个变量的数值,作为运行参数的最优解。
在获得总功率最小时的制冷控制参数后,主机可以通过BACnet网关(BuildingAutomation and Control networks,楼宇自动化与控制网络)向制冷机组下发制冷控制参数。制冷机组中各制冷设备上有控制器,控制器接收制冷控制参数后可对制冷设备进行控制。示例性的,主机向冷冻泵的控制器下发总功率最小时的冷冻泵频率,控制器通过变频器调整电压和电流,使得冷冻泵以该冷冻泵频率运行,换而言之,使得冷冻泵的供电电源以该冷冻泵频率为冷冻泵供电。
主机可以周期性计算在目标函数的函数值最小时各个变量的最优解,并基于求解出的制冷控制参数对制冷设备进行控制。或者,主机可以在冷冻水回水温度、外界温度、外界湿度中至少有一个因素发生变化时,重新计算目标函数的函数值最小时各个变量的最优解,并基于求解出的制冷控制参数对制冷设备进行控制。
在一实施例中,主机在训练上述线性回归模型之前,可以基于预设周期采集每一制冷设备的运行参数和功率,并将采集到的运行参数作为历史运行参数,将采集到的功率作为历史功率。其中,预设周期可以是经验值。
对于水冷式制冷机组或风冷式制冷机组中的多个制冷设备,主机需同时采集多个制冷设备的运行参数和功率。
在一实施例中,主机在周期性采集水冷式制冷机组的运行参数时,可以通过同时采集冷却塔风机频率、冷却塔功率、冷却泵频率、冷却塔功率、冷冻泵频率、冷冻泵功率、冷冻水出水温度、冷冻水回水温度、外界温度、外界湿度、冷水机功率。这里,主机在采集制冷设备的频率时,实际是通过传感器采集制冷设备的供电电源的频率反馈(FrequencyFeedback)。
对于每一制冷设备,主机可以在每次采集历史运行参数和历史功率后,记录历史运行参数和历史功率的组合,从而可在后续基于历史运行参数构建运行参数向量,并将历史功率作为运行参数向量的标签,用于模型训练。
对于冷却塔,主机可以记录冷却塔风机频率和冷却塔功率。
对于冷冻泵,主机可以记录冷冻泵频率和冷冻泵功率。
对于冷却泵,主机可以记录冷却泵频率和冷却泵功率。
对于冷水机,主机可以记录冷却塔风机频率、冷却塔功率、冷却泵频率、冷却泵功率、冷冻泵频率、冷冻泵功率、冷冻水出水温度、冷冻水回水温度、外界温度、外界湿度和冷水机功率。
在一实施例中,主机训练得到制冷设备的功率预测混合模型后,可以评估上述功率预测混合模型能否应用于制冷机组的控制方法。
主机可以将历史运行参数输入功率预测混合模型,获得功率预测混合模型输出的第三预测功率。其中,第三预测功率是在模型评估阶段,功率预测混合模型基于历史运行参数计算出的预测功率。
主机可以根据评估算法对第三预测功率与历史运行参数对应的历史功率之间的差异进行计算,获得差异评估值。其中,评估算法用于评估功率预测混合模型计算预测功率的准确度。
在一实施例中,评估算法可以是均方误差算法。主机可以根据指定数量的历史运行参数对应的第三预测功率和历史功率,计算均方误差。此时,计算出的均方误差为差异评估值。
主机可以判断上述差异评估值是否大于预设差异评估阈值。其中,差异评估阈值用于区分可以实现能耗优化的功率预测混合模型。
一方面,如果差异评估值不大于差异评估阈值,说明上述功率预测混合模型的准确度符合要求。当制冷机组的每一制冷设备对应的功率预测混合模型的准确度均符合要求时,主机可以基于每一制冷设备对应的功率预测混合模型构建目标函数,执行制冷机组的控制方法。
另一方面,如果差异评估值大于差异评估阈值,说明上述功率预测混合模型的准确度不符合要求。此时,主机可以调整功率预测混合模型中线性回归模型和神经网络模型的超参数。
其中,超参数是机器学习模型(包括线性回归模型和神经网络模型)在开始学习过程之前设置的参数,超参数在学习过程中不会发生变化。
主机上可以预配置超参数库,该超参数库中包括多组各制冷设备对应的线性回归模型和神经网络模型的超参数。当任一制冷设备对应的功率预测混合模型的准确度不符合要求时,主机可以从超参数库中重选选择一组超参数来替换功率预测混合模型中的超参数。
主机可以返回训练线性回归模型的步骤,重新对更新超参数的线性回归模型进行训练,并在训练得到线性回归模型后,重新训练包含线性回归模型和更新超参数的神经网络模型后的混合模型。
主机重新训练出功率预测混合模型,可以重新对功率预测混合模型进行评估,判断准确度是否符合要求。
这个过程可以重复多次,直到获得准确度符合要求的功率预测混合模型。
在一实施例中,主机在确定差异评估值大于差异评估阈值后,还可以基于更改后的周期重新采集每一制冷设备的运行参数和功率,并将采集到的运行参数作为历史运行参数,将采集到的功率作为历史功率。
主机可以预配置多个采集运行参数和功率的周期。当任一功率预测混合模型的准确度不符合要求时,主机可以重新选择一个周期采集制冷设备的运行参数和功率,并以重新采集的运行参数和功率对制冷机组中制冷设备对应的线性回归模型和神经网络模型进行训练。
通过该实施例的措施,可以避免因采集到的运行参数和功率的特征维度较低,导致模型的准确度不足的问题。
图5是本发明一实施例的一种制冷机组的控制装置的框图,如图5所示,该装置可以包括:
第一训练模块510,用于基于制冷机组中各制冷设备的历史运行参数和历史功率,对线性回归模型进行训练,获得对应于每一制冷设备的已训练的线性回归模型。
第二训练模块520,用于针对每一制冷设备,根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型。
构建模块530,用于根据所述功率预测混合模型构建目标函数;其中,所述目标函数的函数值为所述制冷机组的总功率、所述目标函数的变量包括每一制冷设备的运行参数。
控制模块540,用于依据所述函数值最小时对应于每一制冷设备的运行参数中的制冷控制参数,控制对应的制冷设备。
上述装置中各个模块的功能和作用的实现过程具体详见上述制冷机组的控制方法中对应步骤的实现过程,在此不再赘述。
在本申请所提供的几个实施例中,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种制冷机组的控制方法,其特征在于,包括:
基于制冷机组中各制冷设备的历史运行参数和历史功率,对线性回归模型进行训练,获得对应于每一制冷设备的已训练的线性回归模型;
针对每一制冷设备,根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型;
根据所述功率预测混合模型构建目标函数;其中,所述目标函数的函数值为所述制冷机组的总功率、所述目标函数的变量包括每一制冷设备的运行参数;
依据所述函数值最小时对应于每一制冷设备的运行参数中的制冷控制参数,控制对应的制冷设备。
2.根据权利要求1所述的方法,其特征在于,所述根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型,包括:
将所述历史运行参数作为已训练的所述线性回归模型的输入,获得所述线性回归模型输出的第一预测功率;
计算对应于所述历史运行参数的历史功率和所述第一预测功率之间的残差,获得残差功率;
基于所述历史运行参数和所述残差功率,对所述混合模型中的神经网络模型进行训练,直至所述神经网络模型收敛,获得所述功率预测混合模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述历史运行参数和所述残差功率,对所述混合模型中的神经网络模型进行训练,直至所述神经网络模型收敛,获得所述功率预测混合模型,包括:
将所述历史运行参数作为所述混合模型中神经网络模型的输入,获得所述神经网络模型输出的预测残差功率;
基于与所述历史运行参数对应的残差功率和所述预测残差功率之间的差值,对所述混合模型中所述神经网络模型的网络参数进行调整;
重复上述过程,直至所述神经网络模型收敛,获得所述功率预测混合模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型,包括:
将所述历史运行参数作为所述混合模型的输入,获得所述混合模型输出的第二预测功率;
基于与所述历史运行参数对应的历史功率和所述第二预测功率之间的差异,对所述混合模型中所述神经网络模型的网络参数进行调整;
重复上述过程,直到所述神经网络模型收敛,获得所述功率预测混合模型。
5.根据权利要求2或3所述的方法,其特征在于,在训练所述线性回归模型之前,所述方法还包括:
基于预设周期采集每一制冷设备的运行参数和功率,并将采集到的运行参数作为所述历史运行参数,将采集到的功率作为所述历史功率。
6.根据权利要求5所述的方法,其特征在于,在获得所述功率预测混合模型之后,所述方法还包括:
将所述历史运行参数输入所述功率预测混合模型,获得所述功率预测混合模型输出的第三预测功率;
根据评估算法对所述第三预测功率与所述历史运行参数对应的历史功率之间的差异进行计算,获得差异评估值;
判断所述差异评估值是否大于预设差异评估阈值;
如果是,调整所述功率预测混合模型中线性回归模型和神经网络模型的超参数,并返回训练所述线性回归模型的步骤。
7.根据权利要求6所述的方法,其特征在于,在确定所述差异评估值大于所述差异评估阈值之后,所述方法还包括:
基于更改后的周期重新采集每一制冷设备的运行参数和功率,并将采集到的运行参数作为所述历史运行参数,将采集到的功率作为所述历史功率。
8.一种制冷机组的控制装置,其特征在于,包括:
第一训练模块,用于基于制冷机组中各制冷设备的历史运行参数和历史功率,对线性回归模型进行训练,获得对应于每一制冷设备的已训练的线性回归模型;
第二训练模块,用于针对每一制冷设备,根据所述制冷设备的历史运行参数和历史功率,对融合所述制冷设备的线性回归模型和神经网络模型的混合模型进行训练,获得功率预测混合模型;
构建模块,用于根据所述功率预测混合模型构建目标函数;其中,所述目标函数的函数值为所述制冷机组的总功率、所述目标函数的变量包括每一制冷设备的运行参数;
控制模块,用于依据所述函数值最小时对应于每一制冷设备的运行参数中的制冷控制参数,控制对应的制冷设备。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-7任意一项所述的制冷机组的控制方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成权利要求1-7任意一项所述的制冷机组的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882182.5A CN111811110B (zh) | 2020-08-28 | 2020-08-28 | 制冷机组的控制方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882182.5A CN111811110B (zh) | 2020-08-28 | 2020-08-28 | 制冷机组的控制方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111811110A true CN111811110A (zh) | 2020-10-23 |
CN111811110B CN111811110B (zh) | 2021-01-26 |
Family
ID=72860644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010882182.5A Active CN111811110B (zh) | 2020-08-28 | 2020-08-28 | 制冷机组的控制方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111811110B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112503789A (zh) * | 2020-12-09 | 2021-03-16 | 西安交通大学 | 一种用于复叠制冷系统的中间压力控制方法 |
CN112781177A (zh) * | 2021-01-05 | 2021-05-11 | 广东美的暖通设备有限公司 | 预测空调运行功率的方法、装置、电子设备及存储介质 |
CN112966399A (zh) * | 2021-04-15 | 2021-06-15 | 苏州大学张家港工业技术研究院 | 一种基于机器学习的脉管制冷机工况预测方法及系统 |
CN113465139A (zh) * | 2021-05-28 | 2021-10-01 | 山东英信计算机技术有限公司 | 一种制冷优化方法、系统、存储介质及设备 |
CN114017904A (zh) * | 2021-11-04 | 2022-02-08 | 广东电网有限责任公司 | 一种建筑物hvac系统的运行控制方法及装置 |
WO2022110743A1 (zh) * | 2020-11-27 | 2022-06-02 | 深圳比特微电子科技有限公司 | 数据处理设备的配置参数确定方法、装置及存储介质 |
CN114813635A (zh) * | 2022-06-28 | 2022-07-29 | 华谱智能科技(天津)有限公司 | 煤炉燃烧参数的优化方法及电子设备 |
CN115388586A (zh) * | 2022-08-24 | 2022-11-25 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
CN115877714A (zh) * | 2022-12-01 | 2023-03-31 | 青岛创新奇智科技集团股份有限公司 | 一种制冷系统控制方法、装置、电子设备及存储介质 |
CN115915708A (zh) * | 2022-10-28 | 2023-04-04 | 北京百度网讯科技有限公司 | 制冷设备控制参数预测方法、装置、电子设备及存储介质 |
CN117346418A (zh) * | 2023-12-05 | 2024-01-05 | 珠海科创储能科技有限公司 | 冷水机组的控制方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006078009A (ja) * | 2004-09-07 | 2006-03-23 | Shimizu Corp | 空調負荷予測方法 |
CN102705957A (zh) * | 2012-06-07 | 2012-10-03 | 华南理工大学 | 办公建筑中央空调逐时冷负荷在线预测方法及系统 |
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
CN103277875A (zh) * | 2013-06-21 | 2013-09-04 | 上海能誉科技发展有限公司 | 一种冷冻机房节能控制系统 |
CN104134100A (zh) * | 2014-07-22 | 2014-11-05 | 香港佳能通节能科技有限公司 | 一种基于云计算的节能管理系统 |
US20180306459A1 (en) * | 2017-04-25 | 2018-10-25 | Johnson Controls Technology Company | Predictive building control system with neural network based constraint generation |
-
2020
- 2020-08-28 CN CN202010882182.5A patent/CN111811110B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006078009A (ja) * | 2004-09-07 | 2006-03-23 | Shimizu Corp | 空調負荷予測方法 |
CN102705957A (zh) * | 2012-06-07 | 2012-10-03 | 华南理工大学 | 办公建筑中央空调逐时冷负荷在线预测方法及系统 |
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
CN103277875A (zh) * | 2013-06-21 | 2013-09-04 | 上海能誉科技发展有限公司 | 一种冷冻机房节能控制系统 |
CN104134100A (zh) * | 2014-07-22 | 2014-11-05 | 香港佳能通节能科技有限公司 | 一种基于云计算的节能管理系统 |
US20180306459A1 (en) * | 2017-04-25 | 2018-10-25 | Johnson Controls Technology Company | Predictive building control system with neural network based constraint generation |
Non-Patent Citations (1)
Title |
---|
崔治国,曹勇: "数据挖掘技术在建筑暖通空调领域的研究应用进展", 《建筑科学》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022110743A1 (zh) * | 2020-11-27 | 2022-06-02 | 深圳比特微电子科技有限公司 | 数据处理设备的配置参数确定方法、装置及存储介质 |
CN112503789B (zh) * | 2020-12-09 | 2021-09-03 | 西安交通大学 | 一种用于复叠制冷系统的中间压力控制方法 |
CN112503789A (zh) * | 2020-12-09 | 2021-03-16 | 西安交通大学 | 一种用于复叠制冷系统的中间压力控制方法 |
CN112781177A (zh) * | 2021-01-05 | 2021-05-11 | 广东美的暖通设备有限公司 | 预测空调运行功率的方法、装置、电子设备及存储介质 |
CN112966399A (zh) * | 2021-04-15 | 2021-06-15 | 苏州大学张家港工业技术研究院 | 一种基于机器学习的脉管制冷机工况预测方法及系统 |
CN112966399B (zh) * | 2021-04-15 | 2023-08-22 | 苏州大学张家港工业技术研究院 | 一种基于机器学习的脉管制冷机工况预测方法及系统 |
CN113465139A (zh) * | 2021-05-28 | 2021-10-01 | 山东英信计算机技术有限公司 | 一种制冷优化方法、系统、存储介质及设备 |
CN113465139B (zh) * | 2021-05-28 | 2022-11-08 | 山东英信计算机技术有限公司 | 一种制冷优化方法、系统、存储介质及设备 |
CN114017904B (zh) * | 2021-11-04 | 2023-01-20 | 广东电网有限责任公司 | 一种建筑物hvac系统的运行控制方法及装置 |
CN114017904A (zh) * | 2021-11-04 | 2022-02-08 | 广东电网有限责任公司 | 一种建筑物hvac系统的运行控制方法及装置 |
CN114813635B (zh) * | 2022-06-28 | 2022-10-04 | 华谱智能科技(天津)有限公司 | 煤炉燃烧参数的优化方法及电子设备 |
CN114813635A (zh) * | 2022-06-28 | 2022-07-29 | 华谱智能科技(天津)有限公司 | 煤炉燃烧参数的优化方法及电子设备 |
CN115388586A (zh) * | 2022-08-24 | 2022-11-25 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
CN115915708A (zh) * | 2022-10-28 | 2023-04-04 | 北京百度网讯科技有限公司 | 制冷设备控制参数预测方法、装置、电子设备及存储介质 |
CN115915708B (zh) * | 2022-10-28 | 2024-04-12 | 北京百度网讯科技有限公司 | 制冷设备控制参数预测方法、装置、电子设备及存储介质 |
CN115877714A (zh) * | 2022-12-01 | 2023-03-31 | 青岛创新奇智科技集团股份有限公司 | 一种制冷系统控制方法、装置、电子设备及存储介质 |
CN115877714B (zh) * | 2022-12-01 | 2023-12-29 | 青岛创新奇智科技集团股份有限公司 | 一种制冷系统控制方法、装置、电子设备及存储介质 |
CN117346418A (zh) * | 2023-12-05 | 2024-01-05 | 珠海科创储能科技有限公司 | 冷水机组的控制方法、装置、存储介质及电子设备 |
CN117346418B (zh) * | 2023-12-05 | 2024-03-22 | 珠海科创储能科技有限公司 | 冷水机组的控制方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111811110B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111811110B (zh) | 制冷机组的控制方法及装置、电子设备、存储介质 | |
CN112577161B (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
KR101754536B1 (ko) | 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치 | |
US20140371920A1 (en) | Multi-dimensional optimization for controlling environmental maintenance modules | |
CN113039506B (zh) | 基于因果学习的数据中心基础结构优化方法 | |
Athavale et al. | Thermal modeling of data centers for control and energy usage optimization | |
Shoukourian et al. | Using machine learning for data center cooling infrastructure efficiency prediction | |
KR101727434B1 (ko) | 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법 | |
KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
CN113778215A (zh) | 基于大数据实现数据中心pue预测以及降耗策略的方法 | |
Wang et al. | Toward physics-guided safe deep reinforcement learning for green data center cooling control | |
CN115164361A (zh) | 一种数据中心控制方法、装置、电子设备和存储介质 | |
Zhang et al. | Smart DC: an AI and digital twin-based energy-saving solution for data centers | |
US11540422B2 (en) | Server rack and method of cooling utilizing a determination of a heat exchange control parameter | |
CN115049141A (zh) | 用于制冷系统的控制方法、控制装置和制冷系统 | |
CN114326987A (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
Xue et al. | A novel method of minimizing power consumption for existing chiller plant | |
CN115560430B (zh) | 一种基于云边计算的空调模型优化方法及系统 | |
CN111787764B (zh) | 多联机制冷机组的能耗优化方法及装置、电子设备、存储介质 | |
CN116954329A (zh) | 制冷系统的状态调节方法、装置、设备、介质及程序产品 | |
CN116578134A (zh) | 基于强化学习的通用基站温控方法和系统 | |
CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
Kumar et al. | Data center air handling unit fan speed optimization using machine learning techniques | |
CN116562111A (zh) | 数据中心节能方法、装置、系统和存储介质 | |
CN113170592B (zh) | 基于监测/控制机制的热控制优化 |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 19 / F, building B, Xingzhi science and Technology Park, 6 Xingzhi Road, Nanjing Economic and Technological Development Zone, Jiangsu Province, 210000 Patentee after: AINNOVATION (NANJING) TECHNOLOGY Co.,Ltd. Address before: Floor 19, building B, Xingzhi science and Technology Park, 6 Xingzhi Road, Jiangning Economic and Technological Development Zone, Nanjing, Jiangsu Province Patentee before: AINNOVATION (NANJING) TECHNOLOGY Co.,Ltd. |