CN112901449B - 一种基于机器学习的空气压缩机系统能耗优化方法 - Google Patents

Abstract

本发明涉及一种基于机器学习的空气压缩机系统能耗优化方法，包括如下步骤：步骤S1：读取当前工况信息，调取或估算每台空压机的出口流量；步骤S2：通过机器学习模拟每台空压机的实时能效曲线模型，其中，空压机能效＝空压机出口流量/实时功率；步骤S3：获取空压机实时工况以及空气压缩机系统需求信息，根据空压机的实时工况获取空压机的实时能效曲线，由空压机的实时能效曲线和空气压缩机系统需求信息优化开机组合，获取最优节能开机组合。通过机器学习神经网络模型拟合空压机的能效曲线，根据压缩空气流量的总需求，通过优化算法择优选择空压机负载，改善空压机的群控方式，从而降低空气压缩机系统的能耗。

Description

一种基于机器学习的空气压缩机系统能耗优化方法

技术领域

本发明涉及空气压缩机的群控技术领域，尤其涉及一种基于机器学习的空气压缩机系统能耗优化方法。

背景技术

空气压缩机(简称空压机)是应用非常广泛的工业设备，制造压缩空气会消耗大量电力，被认为是工业领域最耗能的二次能源之一。在一些工业制造领域，压缩空气的需求十分巨大，生产压缩空气的能耗可以占到全厂能耗的20％～40％。在全球节能减排的大趋势下，以及企业追求控制成本的诉求下，如何能够进一步挖掘空气压缩机组的节能空间具有非常重要的社会意义和经济价值。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于机器学习的空气压缩机系统能耗优化方法，用以解决现有空气压缩机系统能耗太大的问题。

本发明提供了一种基于机器学习的空气压缩机系统能耗优化方法，包括如下步骤：

步骤S1：读取当前工况信息，调取或估算每台空压机的出口流量；

步骤S2：通过机器学习模拟每台空压机的实时能效曲线模型，其中，空压机能效＝空压机出口流量/实时功率；

步骤S3：获取空压机实时工况以及空气压缩机系统需求信息，根据空压机的实时工况获取空压机的实时能效曲线，由空压机的实时能效曲线和空气压缩机系统需求信息优化开机组合，获取最优节能开机组合。

进一步地，所述步骤S2中，通过深度神经网络模型、线性回归模型或XGBoost极端梯度提升模型来拟合每台空压机的实时能效曲线。

进一步地，所述步骤S2中，通过深度神经网络模型来拟合空压机的能效曲线的步骤如下：

步骤S201：分析影响空压机能效的特征，并加以提取清洗；

步骤S202：对输入数据标准化；

步骤S203：构建深度神经网络模型，并初始化神经网络参数；

步骤S204：对深度神经网络模型进行训练；

步骤S205：使用评价函数评估深度神经网络模型拟合效果并选择模型；

步骤S206：对能效曲线逻辑进行验证。

进一步地，当每台空压机安装有流量计时，能够直接获取空压机的出口流量；当空压机没有安装流量计时，需要估算单台空压机的出口流量。

进一步地，所述步骤S3中，给定空气压缩机系统当前总流量，在满足单台空压机的最低负载要求、最低压力要求的限制条件下，对多种空压负载组合进行搜索，找出能效最高的组合。

进一步地，读取当前空气压缩机系统的总流量和设备运行信息，通过穷举优化算法，寻找能效最高的空压机负载组合。

进一步地，所述穷举优化算法满足以下限制条件：

单台空压机的负载比例需要达到安全上限；以及单台空压机的最低压力设置需要达到空气压缩机系统的最低压力要求；满足系统总流量最低需求。

进一步地，所述空压机的负载率与出口流量百分比的比例为1:1，其中，出口流量百分比＝出口流量/额定流量；负载率＝电功率/额定功率。

进一步地，所述空压机包括离心式空压机和螺杆式空压机。

进一步地，在荷载分配过程中，离心式空压机的负载率为70％～100％，螺杆式空压机的负载率为35％～100％。

与现有技术相比，本发明至少可实现如下有益效果之一：

(1)通过机器学习神经网络模型拟合空压机的能效曲线，根据压缩空气流量的总需求，通过优化算法择优选择空压机负载，改善空压机的群控方式，从而降低空气压缩机系统的能耗；

(2)通过掌握每台空压机的能效曲线，更加有效的进行压缩空气的载荷分配，达到节能效果；

(3)本发明旨在针对没有液氮备用的空气压缩机系统，通过机器学习深度神经网络模型，实时估计所有空气压缩机的能效曲线，然后通过优化算法寻找最节能的空压机组合。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为深度神经网络模型构成图；

图2为使用深度神经网络模型拟合空压机能效曲线的流程图；

图3为空气压缩机系统耗能优化流程图；

图4为实施例一的能耗优化流程图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本发明一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接可以是机械连接，也可以是电连接可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

全文中描述使用的术语“顶部”、“底部”、“在……上方”、“下”和“在……上”是相对于装置的部件的相对位置，例如装置内部的顶部和底部衬底的相对位置。可以理解的是装置是多功能的，与它们在空间中的方位无关。

本发明通常的工作面可以为平面或曲面，可以倾斜，也可以水平。为了方便说明，本发明实施例放置在水平面上，并在水平面上使用，并以此限定“高低”和“上下”。

本发明针对空气压缩机(包括离心式、螺杆式、或两种混合)，通过机器学习深度神经网络模型，实时调取或拟合出所有空气压缩机的效能曲线，然后通过优化算法寻找最节能的空压机组合，并将最优的开机组合，通过开关机、压力设置进而实现优化控制。

实施例一

本实施例公开了一种基于机器学习的空气压缩机系统能耗优化方法，如图1至图4所示，包括如下步骤：

步骤S1，读取当前工况信息，调取或估算每台空压机的出口流量。

具体地，工况信息包括外部环境的温度和湿度、冷却水温度、空压系统(空压系统为空气压缩机系统的简称)的流量和压力等指标、以及所在地区气象指标的历史数据，为每台空压机建立能效曲线。要建立每台空压机的能效曲线，就需要获取每台空压机的流量数据。若只有总管流量，而没有每台空压机的出口流量数据，可以通过每台空压机的实时功率占比来估计每台空压机的出口流量，具体方法如下：

假设空压机的台数为n台，n台空压机的额定功率分别为P1……Pn，实时功率分别为p1……pn，n台空压机的额定流量分别为F1……Fn，空压系统总管(为空压系统终端过滤后主管)的实际送气流量为F：

(1)设置常量K1……Kn，且K1＝F1/P1，……，Kn＝Fn/Pn；

(2)计算n台空压机的出口流量Flow1……Flown，具体计算方法如下：

Flow1＝F*K1*p1/(K1*p1+…+Kn*pn)

……

Flown＝F*Kn*pn/(K1*p1+…+Kn*pn)

通过上述方法可以粗略估计每台空压机的出口流量，是解决缺少单台空压机流量计量的权益之计，优选地，是为每台空压机安装流量计，以获取更准确的能效信息。

获取当前空压系统的总管流量、压力需求以及每台空压机的运行状态、电功率与外气等实时数据。本实施例的能耗优化方法(也称为优化算法)是基于当前需求，给定上述约束项，其目标是获得空压系统最小电功率对应的开机组合与压力参数的设置值。

步骤S2，通过机器学习拟合每台空压机的实时能效曲线模型。

具体地，采用机器学习深度神经网络算法，训练每台空压机的能效曲线模型。每台空压机的能效在不同的工况下，负载率对应的能效是存在差异性的，尤其是季节变换较大的情况下，表现尤为明显。每台空压机的能效计算方案如下：

空压机能效＝空压机出口流量(单位为CMH)/实时功率(单位为kW)

空压机的能效又称为气电比，代表单位用电量的产气量。空压机的能效曲线是一条在不同百分比负载下对应的能效指标所组成的曲线。

对于能效曲线的拟合属于回归问题，本实施例采用DNN(Deep Neural Networks，深度神经网络)算法进行训练、调参、优化，结合评价函数获取拟合状态较好的模型，从而获得每台空压机的负载率与能效的回归模型。

本实施例能耗优化方法的特点是对于每台空压机通过深度神经网络单独训练能效模型。空压机在线上使用过程中，寿命增加意味着硬件损耗的增加；不同地区的外气变化、冷却水温度的波动都会导致空压机的能效降低。将空压机的外气特征、冷却水温度、负载率等因素作为特征，将历史数据训练模型，精确捕捉这些因素对于能效的影响，每隔24h获取每台空压机负载率与能效曲线。

对于训练深度神经网络模型并获得空压机的能效曲线的基本步骤如下：

步骤S201：特征工程(Feature Engineering)，基于空压机系统和其他相关系统(天气、产量等)的历史数据与领域知识，分析影响空压机能效的重要特征，并加以提取清洗。

具体地，对标准差、相关系数进行分析，标准差算法可以分析数据的离散性，算法如下：

通过相关系数算法进行特征过滤，筛选出与能效的强相关系数特征，剔除特征之间的强相关，避免造成信息重复。具体地，默认采用皮尔逊(Pearson)系数，算法如下：

步骤S202：对输入数据标准化(Normalization)。将输入的特征按比例进行缩放，去除数据的单位限制，使其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较或加权；同时，对于深度神经网络计算有一定的节约计算资源和提升推理速度的效果。

具体地，采用的标准化方案为离差标准化，针对于原始数据进行线性变换，使结果映射到[0,1]之间，算法如下：

步骤S203：构建深度神经网络模型，并初始化神经网络参数。深度神经网络的内部神经网络层可以分为三类：输入层(Input Layer)、隐藏层(Hidden Layer)和输出层(Output Layer)，一般第一层为输入层，最后一层为输出层，中间部分为隐藏层，如图1所示。

具体地，输出层中采用的默认激活函数(Activation function)为Linear函数；隐藏层中采用的激活函数为Sigmoid函数(或Logistic函数)，定义的公式为：

其对于z的导数为：

sigmoid_derivative(z)＝σ′(z)＝σ(z)(1-σ(z))步骤S204：对深度神经网络模型进行训练。将步骤S202的数据输入步骤S203的神经网络中，经过前向传播(ForwardPropagation)、反向传播(Backward Propagation)算法与损失函数(Loss Function)获得误差，通过梯度下降算法并利用链式法则更新每层神经网络参数，直至模型收敛。

具体地，经过步骤S202标准化处理后输入步骤S203深度神经网络中样本数量为m，训练数据可以表示为：

{(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)}

其中，x为输入向量，特征维度为n_in；y为输出向量，特征维度为n_out，

X_n＝[x₁，x₂，x₃，...，x_m]

其中，m为单条样本特征数量。

具体地，所述损失函数为平均绝对误差，公式为：

其中，

为预测结构，y_i为真实值。

结合损失函数，获得训练数据目标函数(Object Function)的公式为：

其中，L(y_i，f(x_i；θ))表示损失函数；

为正则项，防止过拟合；θ为参数(W，b)。

具体地，通过前向传播算法获得预测值，即

算法如下：

利用若干个权重系数矩阵W和偏置向量b来和输入值向量x进行一系列激活函数(σ)运算，从输入层开始向后计算，直到运算到输出层，获得到输出结果为止。

输入：总层数L，所有隐藏层和输出层对应的矩阵W，偏置向量b，输入向量x

输出：输出层的输出结果为a^L

步骤1)初始化a¹＝x

步骤2)for l＝2 to L，计算：a^L＝σ(z^l)＝σ(W^la^l-1+b^l)，最后的输出结果为a^L。

具体地，通过反向传播算法采用梯度下降算法更新每一层的参数W^l，b^l。其基本的算法如下：

输入：总层数L，以及各隐藏层与输出层的神经元个数、激活函数、损失函数，迭代步长α，最大迭代次数MAX，停止迭代阈值∈，输入的m条训练样本

{(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)}

输出：各隐藏层与输出层的线性关系系数矩阵W和偏置向量b

步骤1)初始化各隐藏层与输出层的线性关系系数矩阵W和偏置向量b的值为一个随机值。

步骤2)for iter to 1 to MAX：

步骤2.1)for i＝1 i＝1i＝1 to m mm：

①将DNN输入a¹设置为x_i

②for l＝2 to L，进行前向传播算法计算a^i，l＝σ(z^i，l)＝σ(W^la^i，l-1+b^l)

③通过损失函数计算输出层的

④for l＝L-1 to 2进行反向传播算方法计算δ^i，l＝(W^l+1)^Tδ^i，l+1⊙σ′(z^i，l)

步骤2.2)for l＝2 to L，更新第l层的W^l，b^l：

步骤2.3)如果所有W，b的变化值都小于停止迭代阈值∈，则跳出迭代循环到步骤3)

步骤3)输出各隐藏层与输出层的线性关系系数矩阵W和偏置向量b。

步骤S205：使用评价函数(Evaluation Function)评估模型拟合效果并选择模型。通过平均绝对误差(Mean Absolute Error，MAE)和平均绝对百分比误差(Mean AbsolutePercentage Error，MAPE)两种指标，对回归结果进行评估。

通过步骤S204实现深度神经网络模型的训练，训练后的模型需要通过评价函数验证模型拟合效果，具体地，上述平均绝对误差和平均绝对百分比误差两种评价函数公式如下：

深度神经网络模型相较于其他的模型方案，如XGBoost或线性回归模型，具有模型网络复杂且参数更多，学习能力或拟合能力更强的特点；其复杂的神经元结构和多层的神经网络，可以解决更复杂的问题；依赖于数据的特点可以在增加训练数据时进一步实现拟合评估结果的提升。

采用的深度神经网络模型网络如图1所示。

步骤S206：对能效曲线逻辑进行验证。构造不同工况与负载率的张量输入步骤S205中选择模型，获取能效曲线，基于领域知识验证模型逻辑是否正确。

具体地，对能效曲线是否满足逻辑的进行的检验，需要基于领域知识进行设计检验，基本的要求曲线的分布范围应为[0,15]且满足单调递增。

由于模型推理过程中会出现异常的结果，需要加入验证步骤(即步骤S206)进行逻辑验证，需要结合领域知识进行分析其逻辑准确性。本实施例针对于不合理的情况，采用方案是加载厂家提供的空压机能效曲线。

步骤S201～步骤S206流程如图2所示。

步骤S3：获取的空压机实时工况以及空压系统需求信息，根据空压机的实时工况获取空压机的实时能效曲线，由空压机的实时能效曲线和空压系统需求信息优化开机组合，获取最优节能开机组合。

进一步地，给定空压系统当前总流量，在满足单台空压机的最低负载要求、最低压力要求、系统当前流量需求的限制条件下，对上万种空压负载组合进行搜索，找出能效最高的组合。

具体地，通过算法回归，找出最优负载对应的每台设备的压力设置上下限，达到降低能耗的控制效果。

读取当前空压系统的总流量和设备运行信息，通过穷举优化算法，寻找能效最高的空压机负载组合，该优化需要满足以下限制条件：

(1)单台空压机的负载比例需要达到安全上限，以避免喘振等事故发生；

(2)单台空压机的最低压力设置需要达到空压系统的最低压力要求，以保证工艺需求；

(3)通过将系统总管流量作为输入并设置为约束条件，使结果满足系统总流量最低需求，以避免出现流量需求不够无法满足生产需求或造成生产事故。

本实施例中，通过穷举算法分配每台空压机的负载率，本实施例能耗优化方法的目标为优先保障需求的流量供给与压力的稳定，因此分配结果各台空压机总的流量应满足总流量需求。基于空压机的运行原理与历史数据分析，可确认空压机的负载率(负载率＝电功率/额定功率)与出口流量的百分比(出口流量百分比＝出口流量/额定流量)为1:1关系。

Claims (5)

1.一种基于机器学习的空气压缩机系统能耗优化方法，包括如下步骤：

步骤S1：读取当前工况信息，调取或估算每台空压机的出口流量；

步骤S2：通过机器学习模拟每台空压机的实时能效曲线模型，其中，空压机能效=空压机出口流量/实时功率；

所述步骤S2中，通过深度神经网络模型、线性回归模型或XGBoost极端梯度提升模型来拟合每台空压机的实时能效曲线，其中，

通过深度神经网络模型来拟合空压机的能效曲线的步骤如下：

步骤S201：分析影响空压机能效的特征，并加以提取清洗；

步骤S202：对输入数据标准化；

步骤S203：构建深度神经网络模型，并初始化神经网络参数；

步骤S204：对深度神经网络模型进行训练；

步骤S205：使用评价函数评估深度神经网络模型拟合效果并选择模型；

步骤S206：对能效曲线逻辑进行验证；

步骤S3：获取空压机实时工况以及空气压缩机系统需求信息，根据空压机的实时工况获取空压机的实时能效曲线，由空压机的实时能效曲线和空气压缩机系统需求信息优化开机组合，获取最优节能开机组合；

给定空气压缩机系统当前总流量，在满足单台空压机的最低负载要求、最低压力要求的限制条件下，对多种空压负载组合进行搜索，找出能效最高的组合；读取当前空气压缩机系统的总流量和设备运行信息，通过穷举优化算法，寻找能效最高的空压机负载组合；

所述穷举优化算法满足以下限制条件：

单台空压机的负载比例需要达到安全上限；以及单台空压机的最低压力设置需要达到空气压缩机系统的最低压力要求；满足系统总流量最低需求。

2.根据权利要求1所述的基于机器学习的空气压缩机系统能耗优化方法，其特征在于，当每台空压机安装有流量计时，能够直接获取空压机的出口流量；当空压机没有安装流量计时，需要估算单台空压机的出口流量。

3.根据权利要求1所述的基于机器学习的空气压缩机系统能耗优化方法，其特征在于，所述空压机的负载率与出口流量百分比的比例为1:1，其中，出口流量百分比=出口流量/额定流量；负载率=电功率/额定功率。

4.根据权利要求1所述的基于机器学习的空气压缩机系统能耗优化方法，其特征在于，所述空压机包括离心式空压机和螺杆式空压机。

5.根据权利要求1所述的基于机器学习的空气压缩机系统能耗优化方法，其特征在于，在荷载分配过程中，离心式空压机的负载率为70%~100%，螺杆式空压机的负载率为35%~100%。

Images