CN112883642B - 能源站区域供冷设备系统参数优化方法、系统及介质 - Google Patents
能源站区域供冷设备系统参数优化方法、系统及介质 Download PDFInfo
- Publication number
- CN112883642B CN112883642B CN202110172128.6A CN202110172128A CN112883642B CN 112883642 B CN112883642 B CN 112883642B CN 202110172128 A CN202110172128 A CN 202110172128A CN 112883642 B CN112883642 B CN 112883642B
- Authority
- CN
- China
- Prior art keywords
- cooling
- individual
- data
- training
- optimization
- 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
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 80
- 239000000498 cooling water Substances 0.000 claims description 28
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000004913 activation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种能源站区域供冷设备系统参数优化方法、系统及介质，包括：步骤1：确认系统组成；步骤2：获取历史数据用于训练；步骤3：对用于训练的数据进行清洗；步骤4：构建单元化循环神经网络并进行训练；步骤5：对运行时的制冷系统进行交叉进化算法优化；步骤6：将优化后的最佳系统控制参数下发至各个设备，使整个系统达到节能状态。本发明综合考虑了整个制冷系统，不以单一设备优化为目标，达到了整个系统的能耗最低。
Description
技术领域
本发明涉及节能技术领域，具体地，涉及一种能源站区域供冷设备系统参数优化方法、系统及介质。尤其地，涉及一种基于单元化循环神经网络和交叉进化算法的能源站区域供冷设备系统参数优化方法。
背景技术
随着生产技术的进步，生产工艺对于环境的要求也逐步提高，为了保证生产环境的恒温恒湿，需要由区域供冷设备来提供维持环境状态所需要的冷量。如何提高环境的稳定性同时降低设备运行费用，直接影响了企业的利润空间。
但由于区域供冷设备系统是由多个部件组成，常见的部件包括冷水机组、水泵、冷却塔、末端风机和管道，这是一个强耦合且非线性的系统。同时由于设备系统会受到多种控制参数(温度，压力，水流量，风压等)影响，且会受到季节变化、天气变化、生产环境改变等多种因素的综合影响，各个影响因素之间还存在这时间上的滞后影响。对于这种系统，无论是经典的PID控制，还是较为先进的如APC和模糊控制，都很难实现较好的节能降耗。
专利文献CN109062151B(申请号：CN201810789415.X)公开了一种综合能源系统多目标集成设计与优化控制方法，属于新能源发电和储能技术领域。本发明的系统参数优化层以系统电能转换效率最大化和系统熵效率最大化为优化目标，以压缩空气储能系统的输出气体温度和膨胀比作为优化变量；系统容量配置优化层以系统经济成本最小化和污染物排放最小化为优化目标，以微型燃气轮机、风力发电系统、光伏发电系统、压缩空气储能系统的配置容量为优化变量；系统运行控制优化层以系统运行成本最小化、压缩空气储能系统SOC最小化、系统相对能耗最小化为优化目标；三层均采用多目标遗传算法求得Pareto最优解集，通过模糊决策方法得到最优解。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种能源站区域供冷设备系统参数优化方法、系统及介质。
根据本发明提供的能源站区域供冷设备系统参数优化方法，包括：
步骤1：确认系统组成；
步骤2：获取历史数据用于训练；
步骤3：对用于训练的数据进行清洗；
步骤4：构建单元化循环神经网络并进行训练；
步骤5：对运行时的制冷系统进行交叉进化算法优化；
步骤6：将优化后的最佳系统控制参数下发至各个设备，使整个系统达到节能状态。
优选的，使用四分位法计算出每一个获取数据中心变量25％和75％位置上的值a和b，对于每一个变量的数据范围是：[a-1.5*(b-a)，b+1.5*(b-a)]，筛选出范围内的数据后用于模型训练。
优选的，供冷系统运行数据实时上传至云端数据库，对于上传到云端的数据，抓取最近15分钟的数据进行系统状态判断，如果最近15分钟内制冷系统开启，并且所有变量的最大值和最小值的差不超过0.5，则开始进行优化，否则继续等待下一次数据上传；
优化过程中，使用交叉进化算法调用单元化循环神经网络模型，进行供冷设备系统寻优，将控制变量按照实数编码的方式串联成一个个体的染色体，将每个变量按照预设规则进行变换。
优选的，将计算得到的系统制冷量和边界条件系统制冷量进行比较，将低于边界条件系统制冷量的个体全部删除掉，并将这部分个体重新初始化；
将不低于边界条件系统制冷量的个体标记为可行个体，选取可行个体中制冷系统综合能效值最高的个体，并与前一次评估中的最优个体进行比较，如果本次计算得到的制冷系统综合能效最高个体的制冷系统综合能效值更高，则将最优个体的记录信息更新为本次的，反之则不更新。
根据本发明提供的能源站区域供冷设备系统参数优化系统，包括：
模块M1：确认系统组成；
模块M2：获取历史数据用于训练；
模块M3：对用于训练的数据进行清洗；
模块M4：构建单元化循环神经网络并进行训练；
模块M5：对运行时的制冷系统进行交叉进化算法优化；
模块M6：将优化后的最佳系统控制参数下发至各个设备，使整个系统达到节能状态。
优选的，使用四分位法计算出每一个获取数据中心变量25％和75％位置上的值a和b，对于每一个变量的数据范围是：[a-1.5*(b-a)，b+1.5*(b-a)]，筛选出范围内的数据后用于模型训练。
优选的，供冷系统运行数据实时上传至云端数据库，对于上传到云端的数据，抓取最近15分钟的数据进行系统状态判断，如果最近15分钟内制冷系统开启，并且所有变量的最大值和最小值的差不超过0.5，则开始进行优化，否则继续等待下一次数据上传；
优化过程中，使用交叉进化算法调用单元化循环神经网络模型，进行供冷设备系统寻优，将控制变量按照实数编码的方式串联成一个个体的染色体，将每个变量按照预设规则进行变换。
优选的，将计算得到的系统制冷量和边界条件系统制冷量进行比较，将低于边界条件系统制冷量的个体全部删除掉，并将这部分个体重新初始化；
将不低于边界条件系统制冷量的个体标记为可行个体，选取可行个体中制冷系统综合能效值最高的个体，并与前一次评估中的最优个体进行比较，如果本次计算得到的制冷系统综合能效最高个体的制冷系统综合能效值更高，则将最优个体的记录信息更新为本次的，反之则不更新。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述的方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明通过单元化循环神经网络模型实现了设备的高精度建模，模型精度一般可达到97％以上；
(2)本发明通过使用交叉进化算法进行寻优求解，种群个体经历选择，交叉，变异，进化四个过程，实现了快速寻优的过程，并且避免了其他方法最常见局部最优解缺陷。
(3)本发明通过使用单元化循环神经网络模型和交叉进化算法，在满足用冷需求的前提下，在当前的环境条件下，实现了设备系统整体的能效最佳控制参数的寻优计算：冷水机组冷冻水回水温度Tcwin，冷水机组冷冻水供水温度Tcwout，冷水机组冷冻水流量F_cw，冷水机组冷却水回水温度Tcdin，冷水机组冷却水供水温度Tcdout，冷水机组开启数量chstate，使用改组参数控制设备能够实现节能运行。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的全部基础流程图；
图2为本发明的单元化循环神经网络模型结构图；
图3为本发明的优化流程图；
图4为本发明的上位机的软件控制示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例：
本发明通过从上位机中读取制冷设备在不同工况下的运行记录数据，使用单元化循环神经网络进行建模，模型包含冷水机组，冷却水泵，冷冻水泵，冷却塔等部件，模型能够输出系统总功耗，系统总制冷量和系统能效。之后获取到系统过去15分钟的运行状态数据，并通过判断所有变量的最大值与最小值差距差距是否小于0.5作为开始优化计算的条件；当满足优化计算条件时，使用交叉进化算法计算的到满足当前制冷需求的最小功耗参数组合，并将改组参数发送至上位机控制系统中，实现节能运行。如图1所示：
步骤一：确认系统组成：
系统必须包含有水冷式冷水机组、冷冻水泵、冷却水泵、冷却塔。冷水机组的蒸发器连接冷冻水泵，冷水机组的冷凝器连接冷却水泵和冷却塔。用冷环境产生的热量被吸收进入水中，并使用冷冻泵输送进入冷水机组的蒸发器，水进入蒸发器后被冷却后输送到用冷环境；冷却水通过冷却泵的输送进入冷水机组的冷凝器，带走蒸发器吸收进来的用冷环境的热量，之后冷却水进入冷却塔将热量散到环境中。
步骤二：获取数据：
利用上位机的远程控制软件，如图4所示，获取至少6个月的以不高于15分钟为频次的下述设备数据：冷水机组开关状态、冷水机组冷冻水供水温度、冷水机组冷冻水回水温度、冷水机组冷冻水流量、冷水机组冷却水供水温度，冷水机组冷却水回水温度、冷水机组冷却水流量、冷冻水泵开关状态、冷冻水泵控制频率、冷冻水泵压差、冷却水泵开关状态、冷却水泵控制频率、冷却水泵压差、冷却水泵温差、冷却塔开启状态、冷却塔风扇控制频率、冷却塔塔盘温度、末端空调阀门开度、末端空调风机转速百分比、末端空调供风温度、末端空调回风温度、末端空调进水温度、末端空调出水温度、冷水机组功耗、冷却水泵功耗、冷冻水泵功耗、冷却塔功耗、末端空调功耗。
步骤三：数据清洗：
使用四分位法计算出每一个获取数据中心提到的变量25％和75％位置上的值a和b，则对于每一个变量合理的数据范围是[a-1.5*(b-a),b+1.5*(b-a)]，排除掉这个范围之外的数据，剩余的数据用于模型训练。
步骤四：构建单元化循环神经网络，如图2所示：
定义单元化循环神经网络输入和输出参数；
输入参数：
Tcwin：冷水机组冷冻水回水温度；Tcwout：冷水机组冷冻水供水温度；F_cw：冷水机组冷冻水流量；Tcdin：冷水机组冷却水回水温度；Tcdout：冷水机组冷却水供水温度；chstate：冷水机组开启数量；t：环境温度；h：环境相对湿度；
输出参数：
E为系统总电耗；COP为制冷系统综合能效；Q为系统制冷量；
即E、COP、Q＝f(Tcwin,Tcwout,F_cw,Tcdin,Tcdout,chstate,t,h)
定义单元化循环神经网络的各个单元：
冷水机组单元，输入参数：
Tcwin：冷水机组冷冻水回水温度；Tcwout：冷水机组冷冻水供水温度；F_cw：冷水机组冷冻水流量；Tcdin：冷水机组冷却水回水温度；Tcdout：冷水机组冷却水供水温度；
输出参数：
chrE：冷水机组功率；F_cd：冷水机组冷冻水流量；
模型结构：冷水机组单元结构为LSTM神经网络经典结构，由输出层、LSTM层、全连接层、激活层、输出层组成，输入层输出变量数量为5个，LSTM层输出变量为64个，全连接层输出变量为1个，激活层使用RELU激活函数，函数具体形式为y＝max(x,0)。函数形式为chrE,F_cd＝f(Tcwin,Tcwout,F_cw,Tcdin,Tcdout)
冷却水泵单元，输入参数：
F_cd：冷水机组冷却水流量；
输出参数为：
cdpE：冷却水泵功率；cdpHz：冷却水泵频率；
模型结构：冷却水泵单元结构为3次多项式性方程形式，由F_cd计算cdpHz，由F_cd和cdpHz计算cdpE；函数形式为cdpE,cdpHz＝f(F_cw)。
冷冻水泵单元，输入参数：
F_cw：冷水机组冷冻水流量；
输出参数为：
cwpE：冷却水泵功率；cwpHz：冷却水泵频率；
模型结构：冷冻水泵单元结构为3次多项式性方程形式，由F_cw计算cwpHz，由F_cw和cwpHz计算cwpE；函数形式为cwpE,cwpHz＝f(F_cd)。
冷却塔单元，输入参数：
t：环境干球温度；h：环境相对湿度；Tcdin：冷水机组冷却水回水温度；Tcdout：冷水机组冷却水供水温度；F_cd：冷水机组冷却水流量；
输出参数：
ctfE：冷却塔功率；ctfHz：冷却塔频率；
即ctfE、ctfHz＝f(t,h,Tcdout,F_cd,Tcdin)
模型结构：冷却塔单元结构为变化后的LSTM神经网络结构，由输出层、LSTM层1、LSTM层2、全连接层1、随机断开层、全连接层2、激活层、输出层组成，输入层输出变量数量为5个，LSTM层1输出变量为64个，LSTM层2的输出变量为32个，全连接层1输出变量为32个，随机断开层的断开率为25％，全连接层2输出变量为1个，激活层使用RELU激活函数，函数具体形式为y＝max(x,0)。
单元的训练：
对于冷水机组单元和冷却塔单元，使用ADAM方法进行训练，使用MAE方法作为训练评估，步长为0.001，矩估计的指数衰减速率分别为0.9和0.999，用于数值稳定的小常数为10E-8；
当MAE低于时系统设计参数的2％时，模型完成训练。
对于冷却水泵单元和冷冻水泵单元，使用最小二乘法进行训练：
n代表样本的数量；使用MAE作为模型评价指标，当MAE低于系统设计参数的2％时，模型完成训练。
使用以下公式将单元化的模型组成系统，则单元化循环神经网络的输出：
E＝chrE+cwpE+cdpE+ctfE
Q＝(Tchin-Tchout)*F_cw
COP＝Q/E
步骤五：运行优化，如图3所示：
供冷系统数据实时上传至云端数据库。对于上传到云端的数据，抓取最近15分钟的数据进行系统状态判断，如果最近15分钟内制冷系统开启，并且所有变量的最大值和最小值的差不超过0.5，则开始进行优化，否则继续等待下一次数据上传。
优化过程中，使用交叉进化算法调用单元化循环神经网络模型，进行供冷设备系统寻优：
控制变量：Tcwin、Tcwout、F_cw、Tcdin、Tcdout、chstate；
固定变量：t、h；
边界条件：Q1；
目标变量：COP；
将控制变量按照实数编码的方式串联成一个个体的染色体，需要将每个变量按照x(j)＝a(j)+y(j)*[b(j)-a(j)]的方法进行变化，a和b分别为每个控制变量的下限和上限，染色体长度为8。固定变量t和h等于当前读取到的环境参数。
A.将控制变量和固定变量共同组成一个个体，并随机初始化M个个体，成为一个种群。
B.将M个个体的种群均带入单元化循环神经网络模型计算出Q、COP、E；
C.将计算得到的Q和边界条件Q1进行比较，将Q<Q1的个体全部删除掉，并将这部分个体重新初始化；
D.将Q>＝Q1的个体标记为可行个体，选取可行个体中COP值最高的个体单独记录其染色体信息，记录为最优个体；
E.可行个体进行两两配对，配对后进行染色体的随机交叉，交叉率不低于50％；
F.将处理后的个体组成新的种群，并在种群中进行随机突变，突变概率不低于70％；
G.将新的种群带入单元化循环神经网络模型计算出Q、COP、E；
H.将计算得到的Q和边界条件Q1进行比较，将Q<Q1的个体全部删除掉，并将这部分个体重新初始化；
I.将Q>＝Q1的个体标记为可行个体，选取可行个体中COP值最高的个体，并与前一次评估中的最优个体进行比较，如果本次计算得到的COP最高个体的COP值更高，则将最优个体的记录信息更新为本次的，反之则不更新；
J.重复E-I部，直到循环次数高于N次，则循环停止，并将最后一次记录下来的最优个体的信息给出，该个体所代表的参数则为当前条件下的最佳系统状态参数；
K.将最佳系统状态参数带入单元化循环神经网络模型中的每一个单元，计算出冷水机组、冷冻泵、冷却泵、冷却塔的控制参数；
所述步骤五中，X和Y分别取值为6个月和15分钟，意为供冷设备应经历完整的需求和环境条件的变化，实际使用中为避免供冷设备运行状况单一，应尽量使用1年及以上时间的数据。
所述步骤五A里，M的取值为50，此变量会跟随场景不同而发生改变，但不会低于10；所述步骤五J里，N的取值为100，此变量会跟随场景不同而发生改变，但不会低于10。
步骤六：将步骤五中计算得到的最佳系统控制参数下发至各个设备，使整个系统达到节能状态。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.一种能源站区域供冷设备系统参数优化方法，其特征在于，包括：
步骤1：确认系统组成；
步骤2：获取历史数据用于训练；
步骤3：对用于训练的数据进行清洗；
步骤4：构建单元化循环神经网络并进行训练；
步骤5：对运行时的制冷系统进行交叉进化算法优化；
步骤6：将优化后的最佳系统控制参数下发至各个设备，使整个系统达到节能状态；
所述系统包括水冷式冷水机组、冷冻水泵、冷却水泵以及冷却塔；
所述水冷式冷水机组单元结构为LSTM神经网络经典结构；
所述冷却水泵单元结构和冷冻水泵单元结构均为三次多项式性方程形式；
所述冷却塔单元结构为变化后的LSTM神经网络结构；
使用四分位法计算出每一个获取数据中心变量25％和75％位置上的值a和b，对于每一个变量的数据范围是：[a-1.5*(b-a)，b+1.5*(b-a)]，筛选出范围内的数据后用于模型训练；
供冷系统运行数据实时上传至云端数据库，对于上传到云端的数据，抓取最近15分钟的数据进行系统状态判断，如果最近15分钟内制冷系统开启，并且所有变量的最大值和最小值的差不超过0.5，则开始进行优化，否则继续等待下一次数据上传；
优化过程中，使用交叉进化算法调用单元化循环神经网络模型，进行供冷设备系统寻优，将控制变量按照实数编码的方式串联成一个个体的染色体，将每个变量按照预设规则进行变换。
2.根据权利要求1所述的能源站区域供冷设备系统参数优化方法，其特征在于，将计算得到的系统制冷量和边界条件系统制冷量进行比较，将低于边界条件系统制冷量的个体全部删除掉，并将这部分个体重新初始化；
将不低于边界条件系统制冷量的个体标记为可行个体，选取可行个体中制冷系统综合能效值最高的个体，并与前一次评估中的最优个体进行比较，如果本次计算得到的制冷系统综合能效最高个体的制冷系统综合能效值更高，则将最优个体的记录信息更新为本次的，反之则不更新。
3.一种能源站区域供冷设备系统参数优化系统，其特征在于，包括：
模块M1：确认系统组成；
模块M2：获取历史数据用于训练；
模块M3：对用于训练的数据进行清洗；
模块M4：构建单元化循环神经网络并进行训练；
模块M5：对运行时的制冷系统进行交叉进化算法优化；
模块M6：将优化后的最佳系统控制参数下发至各个设备，使整个系统达到节能状态；
所述系统包括水冷式冷水机组、冷冻水泵、冷却水泵以及冷却塔；
所述水冷式冷水机组单元结构为LSTM神经网络经典结构；
所述冷却水泵单元结构和冷冻水泵单元结构均为三次多项式性方程形式；
所述冷却塔单元结构为变化后的LSTM神经网络结构；
使用四分位法计算出每一个获取数据中心变量25％和75％位置上的值a和b，对于每一个变量的数据范围是：[a-1.5*(b-a)，b+1.5*(b-a)]，筛选出范围内的数据后用于模型训练；
供冷系统运行数据实时上传至云端数据库，对于上传到云端的数据，抓取最近15分钟的数据进行系统状态判断，如果最近15分钟内制冷系统开启，并且所有变量的最大值和最小值的差不超过0.5，则开始进行优化，否则继续等待下一次数据上传；
优化过程中，使用交叉进化算法调用单元化循环神经网络模型，进行供冷设备系统寻优，将控制变量按照实数编码的方式串联成一个个体的染色体，将每个变量按照预设规则进行变换。
4.根据权利要求3所述的能源站区域供冷设备系统参数优化系统，其特征在于，将计算得到的系统制冷量和边界条件系统制冷量进行比较，将低于边界条件系统制冷量的个体全部删除掉，并将这部分个体重新初始化；
将不低于边界条件系统制冷量的个体标记为可行个体，选取可行个体中制冷系统综合能效值最高的个体，并与前一次评估中的最优个体进行比较，如果本次计算得到的制冷系统综合能效最高个体的制冷系统综合能效值更高，则将最优个体的记录信息更新为本次的，反之则不更新。
5.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172128.6A CN112883642B (zh) | 2021-02-08 | 2021-02-08 | 能源站区域供冷设备系统参数优化方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172128.6A CN112883642B (zh) | 2021-02-08 | 2021-02-08 | 能源站区域供冷设备系统参数优化方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112883642A CN112883642A (zh) | 2021-06-01 |
| CN112883642B true CN112883642B (zh) | 2023-10-31 |
Family
ID=76056150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110172128.6A Active CN112883642B (zh) | 2021-02-08 | 2021-02-08 | 能源站区域供冷设备系统参数优化方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883642B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109084415A (zh) * | 2018-07-26 | 2018-12-25 | 杭州哲达节能科技有限公司 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
| CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
| CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源（天津）科技有限公司 | 中央空调系统节能控制方法 |
| CN111144555A (zh) * | 2019-12-31 | 2020-05-12 | 中国人民解放军国防科技大学 | 基于改进进化算法的循环神经网络架构搜索方法、系统及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11274847B2 (en) * | 2018-09-27 | 2022-03-15 | Johnson Controls Tyco IP Holdings LLP | Thermostat with least squares estimation of power savings |
-
2021
- 2021-02-08 CN CN202110172128.6A patent/CN112883642B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109084415A (zh) * | 2018-07-26 | 2018-12-25 | 杭州哲达节能科技有限公司 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
| CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
| CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源（天津）科技有限公司 | 中央空调系统节能控制方法 |
| CN111144555A (zh) * | 2019-12-31 | 2020-05-12 | 中国人民解放军国防科技大学 | 基于改进进化算法的循环神经网络架构搜索方法、系统及介质 |
Non-Patent Citations (2)
| Title |
|---|
| Neural networks for solving systems of linear equations. II. Minimax and least absolute value problems;A. Cichocki 等;《IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing》;第39卷(第9期);第619-633页 * |
| 包装单元、搬运单元和集装单元匹配关系建模与优化;杨瑞岩;《吉林大学硕士论文》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112883642A (zh) | 2021-06-01 |
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 | |
| US20110190946A1 (en) | Method And System Of Energy-Efficient Control For Central Chiller Plant Systems | |
| CN114383299B (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
| CN115493256B (zh) | 一种中央制冷系统节能运行智能寻优方法 | |
| CN104134100A (zh) | 一种基于云计算的节能管理系统 | |
| CN105353611A (zh) | 面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统 | |
| CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
| Liu et al. | Automative air conditioning system control—A survey | |
| Fan et al. | Model-based predictive control optimization of chiller plants with water-side economizer system | |
| Zhao et al. | An online predictive control method with the temperature based multivariable linear regression model for a typical chiller plant system | |
| CN115049141A (zh) | 用于制冷系统的控制方法、控制装置和制冷系统 | |
| CN112883642B (zh) | 能源站区域供冷设备系统参数优化方法、系统及介质 | |
| Junwei et al. | A numerical study on the optimization method to optimize the cooling load sharing for a multi-chiller system in a shopping mall | |
| CN112016727B (zh) | 一种考虑冷负荷不确定性的供冷系统鲁棒优化设计方法 | |
| CN116227342A (zh) | 一种基于模拟仿真和冷负荷预测模型的区域供冷系统冷站优化算法 | |
| Hussein et al. | Energy saving by reinforcement learning for multi-chillers of HVAC systems | |
| CN116562111A (zh) | 数据中心节能方法、装置、系统和存储介质 | |
| CN113959071B (zh) | 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 | |
| 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 | |
| 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 | |
| CN115654684A (zh) | 空气处理机组控制、模型构建方法、装置及设备和介质 | |
| CN115577828A (zh) | 一种基于数据驱动建模和优化的空调冷冻站系统群控方法 | |
| CN111340267A (zh) | 基于块数据的区域综合能源系统的优化控制方法和设备 | |
| Zheng | Research on energy-saving control and optimisation of air conditioning system based on genetic algorithm | |
| CN117928052B (zh) | 一种中央空调节能控制方法及系统 |
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 |