CN112503746B - 基于机器学习与粒子群算法的动力站房冷源系统的控制方法 - Google Patents

基于机器学习与粒子群算法的动力站房冷源系统的控制方法 Download PDF

Info

Publication number
CN112503746B
CN112503746B CN202011429664.1A CN202011429664A CN112503746B CN 112503746 B CN112503746 B CN 112503746B CN 202011429664 A CN202011429664 A CN 202011429664A CN 112503746 B CN112503746 B CN 112503746B
Authority
CN
China
Prior art keywords
source system
cold source
power station
particle swarm
refrigerator
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.)
Active
Application number
CN202011429664.1A
Other languages
English (en)
Other versions
CN112503746A (zh
Inventor
宋晓菲
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.)
Shanghai Anyo Energy Saving Technology Co ltd
Original Assignee
Shanghai Anyo Energy Saving 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 Shanghai Anyo Energy Saving Technology Co ltd filed Critical Shanghai Anyo Energy Saving Technology Co ltd
Priority to CN202011429664.1A priority Critical patent/CN112503746B/zh
Publication of CN112503746A publication Critical patent/CN112503746A/zh
Application granted granted Critical
Publication of CN112503746B publication Critical patent/CN112503746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F24F11/88—Electrical aspects, e.g. circuits
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Combustion & Propulsion (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Fuzzy Systems (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法，包括如下步骤：S1、按空调制冷工艺机理对动力站房冷源系统建模，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度；S2、基于历史数据对动力站房冷源系统的能耗进行建模预测；S3、针对预测的负荷需求数据，结合粒子群算法对空调冷源系统的控制参数进行优化。本发明提供的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，结合冷源系统的机理模型和数据驱动模型，运用粒子群PSO智能控制算法对空调冷源系统进行优化，以达到降低冷源系统总能耗，从而提高COP指标。

Description

基于机器学习与粒子群算法的动力站房冷源系统的控制方法
技术领域
本发明涉及一种冷源系统的控制方法，尤其涉及一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法。
背景技术
工厂中的动力站房冷源系统是中央空调系统最重要的组成部分之一，是空调系统的源头所在，主机的能耗约占整个系统能耗的60％～70％，冷冻、冷却泵约占20％～30％，对其进行合理的控制与优化运行，可以实现巨大的节能。暖通空调制冷过程具有非线性、强耦合、干扰大、负荷波动等特征，因此对其的高效节能很难精确控制。中央空调冷源系统设备包括冷水机组、冷冻水泵、冷却水泵及冷却塔等设备，设备之间的参数相互耦合，且呈现出非线性、时变性等复杂关系，因此，建立合适的中央空调冷源系统设备能耗模型，并分析其相互制约、相互影响的关系，是实现中央空调冷源系统节能运行优化的关键。
发明内容
本发明所要解决的技术问题是提供一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法，能够。
本发明为解决上述技术问题而采用的技术方案是提供一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法，包括如下步骤：S1、按空调制冷工艺机理对动力站房冷源系统建模，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度；S2、基于历史数据对动力站房冷源系统的能耗进行建模预测；S3、针对预测的负荷需求数据，结合粒子群算法对空调冷源系统的控制参数进行优化。上述的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其中，所述步骤S1根据制冷机组、冷冻水泵、冷却水泵和冷却塔的实际运行数据建立冷源系统的数学模型，选取冷源系统设备启停组合及其加载功率作为主要的优化控制参数；由制冷机组的冷冻水出水温度、冷却水进水温度、冷冻水泵流量和冷却水泵流量建立约束，并通过实际数据分析进行添加或删减相应的决策变量。
上述的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其中，所述步骤S3根据工况动态对现场设备进行台数和温度的控制，并调节主机的功率，在满足温控要求的情况下，降低冷源系统总能耗。
上述的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其中，所述步骤S3获取当前所有冷机状态，根据开机时间或关机时间、激活状态、累计开机时间筛选出可行的开机方案，以满足预测的负荷需求数据。
上述的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其中，所述步骤S3中冷机开机或停机的最大变化台数为2台。
本发明对比现有技术有如下的有益效果：本发明提供的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，结合冷源系统的机理模型和数据驱动模型，运用粒子群PSO智能控制算法对空调冷源系统进行优化，以达到降低冷源系统总能耗，从而提高COP指标。
附图说明
图1为本发明基于机器学习与粒子群算法的动力站房冷源系统控制方框示意图；
图2为本发明基于机器学习与粒子群算法的动力站房冷源系统控制流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
图1为本发明基于机器学习与粒子群算法的动力站房冷源系统控制方框示意图；图2为本发明基于机器学习与粒子群算法的动力站房冷源系统控制流程图。
请参见图1和图2，本发明提供的基于机器学习与粒子群算法的动力站房冷源系统的控制方法，包括如下步骤：
S1、按空调制冷工艺机理对动力站房冷源系统建模，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度；
S2、基于历史数据对动力站房冷源系统的能耗进行建模预测；
S3、针对预测的负荷需求数据，结合粒子群算法对空调冷源系统的控制参数进行优化。
一、冷源系统机理建模
由空调制冷工艺机理可知，制冷机组的总能耗Ptotal可表示为：
Figure BDA0002826166500000031
其中，Poweri为第i台制冷机组能耗，PLR为部分负荷率。
冷机模型
Pin,i＝Qe,i/COPi (2)
Qe，i＝ρGiC(Tei-Teo，i)/3600 (3)
COPi＝β0+β1Qe,i+β2Teo,i+β3Tci,i+β4Qe,i 2+β5Teo,i 2+β6Tci,i 2+β7Qe,iTeo,i+β8Qe,iTci,i+β9Teo,iTci,i (4)
Figure BDA0002826166500000041
其中：
Q总—末端总负荷需求，kw
G总—台数优化时＝Gdemand，最后输出温度信号时为传感器读数，m3/h
Pin,i—单台冷机实际输入功率/电耗，kw
Qe,i—单台冷机实际制冷量，kw
COPi—单台冷机效能系数
ρ—水的密度，1000kg/m3
C—水的比热，4.18kJ/kg·℃
Gi—单台冷机冷冻水流量，m3/h
Tei—总管冷冻水进水温度，℃
Teo—总管冷冻水出水温度，℃(暂定8℃)
Teo,i—单台冷机冷冻水出水温度，℃
β0-β9—冷机模型拟合系数
Tci,i—单台冷机冷却水进水温度，℃(使用函数表达式，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度)
二、基于数据的冷源系统能耗建模
由于空调负荷具有变动性，其受室外环境的温度、相对湿度、太阳辐射度、以及室内人员的活动和用电设备等各种因素变化的影响，暖通空调制冷系统的负荷具有起伏变化和不恒定等特点。通常暖通空调制冷系统的设计，一般按建筑物所在地的极端气候条件来计算其最大冷负荷，并由此确定空调主机的装机容量及其相应冷冻水泵和冷却水泵的容量。实际上，暖通空调制冷系统每年只有极短时间运行在最大冷负荷的情况下。通常情况，空调运行模式始终在满负荷状态下运行，不能根据负荷的变化而调节，这不仅造成了大量能源的浪费且导致设备故障率增加和使用寿命缩短。针对这种情况，若采用全局模型对制冷机组进行全负荷区间建模，会使得模型的误差相对较大。
鉴于此，针对工况相似且模型变化不大的情况，利用历史数据经验对实时工况的机器学习过程进行知识引导，以提升模型精度、降低计算成本。采用数据驱动的方式对动力站房的冷源系统进行建模。自动获取工况知识，并能不断地提高和完善其预测性能，并为下一步的能耗优化控制提供目标函数的模型支持。
三、冷源系统能源预测模块及空调冷源系统智能优化控制
对工厂的动力站房的冷源系统建立机理模型和机器学习模型，同时结合实际运行情况，智能输出相应的能耗预测模型，达到精准预测的目的。
本发明基于冷源系统的能源预测模块，结合粒子群算法对空调冷源系统进行优化，即根据供回水温差、流量、负荷等情况，利用智能优化算法对系统的控制参数进行优化，在满足温控要求的情况下，根据工况动态调节主机的功率，输出空调冷源系统中各个设备最优的运行参数，降低冷源系统总能耗，从而提高COP指标。
本发明根据制冷机组、冷冻水泵、冷却水泵、冷却塔等冷源设备的实际运行数据建立了冷源系统的数学模型，为冷源系统的优化控制奠定了基础。被控参量的选取是设计控制算法的基础，在分析冷源系统各个设备的运行特性并确定影响系统能耗的关键因素后，初步选取冷源系统设备启停组合及其加载功率作为主要的优化控制参数；由制冷机组的冷冻水出水温度、冷却水进水温度、冷冻水泵流量、冷却水泵流量等建立约束，并通过实际数据分析进行添加或删减相应的决策变量。由于暖通空调实际运行存在限制条件，因此，在优化控制过程中，需要为决策变量制定其求解的范围，即确定控制参数的约束条件以保证系统稳定、高效运行的条件。暖通空调系统优化控制的最终目的是减少冷源系统的能耗，即提高系统的能效COP。
冷源系统整体COP与总负荷Q总、总能耗Ptotal的关系为:
COP＝Q总/Ptotal (6)
优化目标为最小化系统总能耗：
Figure BDA0002826166500000061
本发明采用粒子群优化算法，进行中央空调能耗优化问题求解，搜寻并输出最优的控制参数设置，在满足温控要求的基础上最大程度降低能耗。
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (1)

1.一种基于机器学习与粒子群算法的动力站房冷源系统的控制方法，其特征在于，包括如下步骤：
S1、按空调制冷工艺机理对动力站房冷源系统建模，输入为冷机型号、冷机实际制冷量、冷机冷冻水出水温度、湿球温度、冷却水供回水温差，输出为单台冷机冷却水进水温度；
S2、基于历史数据对动力站房冷源系统的能耗进行建模预测；
S3、针对预测的负荷需求数据，结合粒子群算法对空调冷源系统的控制参数进行优化；
所述步骤S1根据制冷机组、冷冻水泵、冷却水泵和冷却塔的实际运行数据建立冷源系统的数学模型，选取冷源系统设备启停组合及其加载功率作为主要的优化控制参数；由制冷机组的冷冻水出水温度、冷却水进水温度、冷冻水泵流量和冷却水泵流量建立约束，并通过实际数据分析进行添加或删减相应的决策变量；
所述步骤S3根据工况动态对现场设备进行台数和温度的控制，并调节主机的功率，在满足温控要求的情况下，降低冷源系统总能耗；
所述步骤S3获取当前所有冷机状态，根据开机时间或关机时间、激活状态、累计开机时间筛选出可行的开机方案，以满足预测的负荷需求数据；
所述步骤S3中冷机开机或停机的最大变化台数为2台。
CN202011429664.1A 2020-12-09 2020-12-09 基于机器学习与粒子群算法的动力站房冷源系统的控制方法 Active CN112503746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011429664.1A CN112503746B (zh) 2020-12-09 2020-12-09 基于机器学习与粒子群算法的动力站房冷源系统的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011429664.1A CN112503746B (zh) 2020-12-09 2020-12-09 基于机器学习与粒子群算法的动力站房冷源系统的控制方法

Publications (2)

Publication Number Publication Date
CN112503746A CN112503746A (zh) 2021-03-16
CN112503746B true CN112503746B (zh) 2022-06-24

Family

ID=74970084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011429664.1A Active CN112503746B (zh) 2020-12-09 2020-12-09 基于机器学习与粒子群算法的动力站房冷源系统的控制方法

Country Status (1)

Country Link
CN (1) CN112503746B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113959071B (zh) * 2021-07-21 2023-05-26 北京金茂绿建科技有限公司 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法
CN113739365A (zh) * 2021-08-31 2021-12-03 广州汇电云联互联网科技有限公司 中央空调冷站群控节能控制方法、装置、设备及存储介质
CN114266186B (zh) * 2021-11-16 2023-01-13 山东大卫国际建筑设计有限公司 一种空调能耗数据缺失值填补方法、设备及介质
CN114484749A (zh) * 2022-01-27 2022-05-13 广州施杰节能科技有限公司 一种冷机择优控制方法及系统
WO2023193045A1 (en) * 2022-04-07 2023-10-12 Exergenics Pty Ltd A system for controlling chilled water plant
US20240093900A1 (en) * 2022-09-19 2024-03-21 Microsoft Technology Licensing, Llc Machine teaching with method of moments
CN115696871B (zh) * 2022-11-04 2023-06-13 中国电子工程设计院有限公司 一种基于机器学习的数据中心水冷系统调控方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107797456A (zh) * 2017-11-09 2018-03-13 江苏方天电力技术有限公司 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法
KR20180138372A (ko) * 2017-06-21 2018-12-31 서울대학교산학협력단 오프라인/온라인 하이브리드 기계학습 모델을 이용한 냉동기 최적 제어 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102980272B (zh) * 2012-12-08 2014-12-03 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
WO2015035241A1 (en) * 2013-09-05 2015-03-12 Greensleeves, LLC System for optimization of building heating and cooling systems
CN104534617B (zh) * 2014-12-08 2017-04-26 北京方胜有成科技股份有限公司 一种基于能耗监测的冷源集中数字控制方法
CN109028481A (zh) * 2018-08-10 2018-12-18 中国建筑科学研究院有限公司 一种空调系统的无人值守机房控制系统及方法
CN111256294B (zh) * 2020-01-17 2021-01-05 深圳市得益节能科技股份有限公司 一种基于模型预测的冷水机组组合运行优化控制方法
CN111649457B (zh) * 2020-05-13 2021-06-22 中国科学院广州能源研究所 一种动态预测性机器学习型空调节能控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180138372A (ko) * 2017-06-21 2018-12-31 서울대학교산학협력단 오프라인/온라인 하이브리드 기계학습 모델을 이용한 냉동기 최적 제어 방법
CN107797456A (zh) * 2017-11-09 2018-03-13 江苏方天电力技术有限公司 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法

Also Published As

Publication number Publication date
CN112503746A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112503746B (zh) 基于机器学习与粒子群算法的动力站房冷源系统的控制方法
US20240044541A1 (en) Systems and methods of optimizing hvac control in a building or network of buildings
CN102367980B (zh) 一种中央空调多维度集成优化控制系统及方法
CN110410942B (zh) 一种冷热源机房节能优化控制方法及系统
CN114440410B (zh) 基于换热效率对冷冻、冷却水泵进行变流量控制的方法
JP4630702B2 (ja) 熱源システム最適運転制御装置
CN101498494B (zh) 一种集中空调系统的经济运行方法
CN115325682B (zh) 一种高效智能制冷机房性能监测的优化控制方法及装置
CN110107989A (zh) 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法
CN101655272A (zh) 一种网络中央空调节能控制管理系统及其方法
CN106765860B (zh) 一种核电站中央空调的控制系统及方法
CN113446705A (zh) 一种地铁高效机房节能控制系统及控制方法
CN114396714B (zh) 一种系统启动台数自动控制运行系统和方法
CN104374036A (zh) 空调的控制方法和空调机组
CN110940061A (zh) 中央空调控制方法及系统
CN112747419B (zh) 中央空调风水联动控制方法、装置、设备及存储介质
CN212720195U (zh) 一种基于系统整体能效比cop最佳的冷却水系统控制装置
WO2020016959A1 (ja) 空気調和装置及び空気調和方法
CN115682324A (zh) 中央空调系统节能优化控制方法、装置、设备和存储介质
CN104613667A (zh) 组合式空调系统及其控制方法
CN102679649B (zh) 一种制冷系统的节能控制装置和方法
CN115860445B (zh) 铀浓缩制冷机组与闭式冷却塔多层级协同调度方法
Gao et al. An optimal control method for small-scale GSHP-integrated air-conditioning system to improve indoor thermal environment control
CN114740727B (zh) 室外温度扰动条件下的空气源热泵动态能效优化控制方法
CN115903712A (zh) 适用于工业制冷系统的节能优化方法及其优化控制系统

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