CN113074575B - 一种冷却塔控制方法及冷却塔控制系统 - Google Patents

一种冷却塔控制方法及冷却塔控制系统 Download PDF

Info

Publication number
CN113074575B
CN113074575B CN202110198883.1A CN202110198883A CN113074575B CN 113074575 B CN113074575 B CN 113074575B CN 202110198883 A CN202110198883 A CN 202110198883A CN 113074575 B CN113074575 B CN 113074575B
Authority
CN
China
Prior art keywords
disturbance
cooling tower
basic environment
information
operation basic
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
CN202110198883.1A
Other languages
English (en)
Other versions
CN113074575A (zh
Inventor
成良高
徐巍巍
张必武
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.)
Jiangsu Huata Cooling Technology Co ltd
Original Assignee
Jiangsu Huata Cooling 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 Jiangsu Huata Cooling Technology Co ltd filed Critical Jiangsu Huata Cooling Technology Co ltd
Priority to CN202110198883.1A priority Critical patent/CN113074575B/zh
Publication of CN113074575A publication Critical patent/CN113074575A/zh
Application granted granted Critical
Publication of CN113074575B publication Critical patent/CN113074575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
    • F28F27/00—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus
    • F28F27/003—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus specially adapted for cooling towers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请实施例提供一种冷却塔控制方法及冷却塔控制系统，通过获取冷却塔当前的运行基础环境数据，将冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得运行基础环境数据所对应的冷却塔控制决策策略，进而基于冷却塔控制决策策略对冷却塔执行对应的控制操作。如此。相较于传统的单一反馈控制方式，采用预先训练的冷却塔控制决策模型进行综合决策，可以提高冷却塔控制决策的精度。

Description

一种冷却塔控制方法及冷却塔控制系统
技术领域
本申请涉及冷却塔控制技术领域，具体而言，涉及一种冷却塔控制方法及冷却塔控制系统。
背景技术
冷却塔(The cooling tower)是用水作为循环冷却剂，从一系统中吸收热量排放至大气中，以降低水温的装置；其冷是利用水与空气流动接触后进行冷热交换产生蒸汽，蒸汽挥发带走热量达到蒸发散热、对流传热和辐射传热等原理来散去工业上或制冷空调中产生的余热来降低水温的蒸发散热装置，以保证系统的正常运行，装置一般为桶状，故名为冷却塔。
然而，相关技术中，针对冷却塔采用的是单一反馈控制方式(例如温度对应关系的反馈控制等)，此种方式的冷却塔控制决策的精度不够。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种冷却塔控制方法及冷却塔控制系统。
第一方面，本申请提供一种冷却塔控制方法，应用于冷却塔控制服务器，所述冷却塔控制服务器与多个冷却塔通信连接，所述方法包括：
获取所述冷却塔当前的运行基础环境数据；
将所述冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得所述运行基础环境数据所对应的冷却塔控制决策策略；
基于所述冷却塔控制决策策略对所述冷却塔执行对应的控制操作。
在一种实施例中，所述将所述冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得所述运行基础环境数据所对应的冷却塔控制决策策略的步骤，包括：
提取所述冷却塔当前的运行基础环境数据的运行基础环境特征；
对所述运行基础环境特征进行特征去噪处理，得到去噪基础环境特征；
将所述去噪基础环境特征输入到预先训练的冷却塔控制决策模型中，获得所述冷却塔当前的运行基础环境数据对应于各个冷却塔控制决策策略标签的置信度；
根据所述对应于各个冷却塔控制决策策略标签的置信度，获得所述运行基础环境数据所对应的冷却塔控制决策策略。
在一种实施例中，所述对所述运行基础环境特征进行特征去噪处理，得到去噪基础环境特征的步骤，包括：
对所述运行基础环境特征进行环境扰动分量提取处理，得到所述运行基础环境特征中运行基础环境标签的环境扰动分量信息；
基于所述运行基础环境标签的环境扰动分量信息进行连续小波变换，得到所述运行基础环境标签的目标非平稳局部特征；
对所述运行基础环境特征进行时间频率窗提取处理，得到所述运行基础环境标签的时间频率窗信息；
将所述运行基础环境特征中运行基础环境标签的目标非平稳局部特征与所述运行基础环境标签的时间频率窗信息进行噪声关联信息提取，得到所述运行基础环境标签的噪声关联信息，并基于所述运行基础环境标签的噪声关联信息对所述运行基础环境特征进行去噪，得到所述运行基础环境标签的去噪基础环境特征。
在一种实施例中，所述对所述运行基础环境特征进行环境扰动分量提取处理，得到所述运行基础环境特征中运行基础环境标签的环境扰动分量信息，包括：
获取所述运行基础环境特征中的每个冷却塔循环部分的采集单元所记录的环境扰动数据序列，所述环境扰动数据序列包括以每个环境扰动时序区间为一目标采集区间的环境扰动数据，所述环境扰动数据包括该环境扰动时序区间的扰动因素触发信息、扰动因素指向信息以及该环境扰动时序区间内的浮动扰动因素记录；
针对每个环境扰动时序区间，根据每个冷却塔循环部分在该环境扰动时序区间的浮动扰动因素记录中的多个外部浮动扰动因素中的每一个外部浮动扰动因素，根据该外部浮动扰动因素中行为扰动因素编码信息的嵌入式表示，确定该外部浮动扰动因素中每个外部扰动因素编码信息是否为候选目标外部扰动因素编码信息，根据该外部浮动扰动因素中候选目标行为扰动因素编码信息的数量，确定该外部浮动扰动因素对应的每个候选扰动因素标注的扰动因素片段，针对每个候选扰动因素标注的扰动因素片段，将该候选扰动因素标注的扰动因素片段划分为多个子扰动因素片段，根据每个子扰动因素片段内各行为扰动因素编码信息的扰动类别及预设的扰动区间，确定候选扰动因素标注的扰动因素片段是否为目标扰动因素标注的扰动因素片段，其中，每个行为扰动因素编码信息对应于每个扰动因素单元的浮动特征信息；
获取预设扰动分量规则匹配所述目标扰动因素标注的扰动因素片段内每个行为扰动因素编码信息的扰动分量单元信息，所述扰动分量单元信息包括扰动因素单元触发信息和扰动因素单元可优化信息，所述预设扰动分量规则包括不同扰动因素单元使用类型所对应的匹配方式；
根据所述环境扰动数据序列中的各个不同环境扰动时序区间的每个浮动扰动因素记录的扰动分量单元信息确定每个扰动因素单元的离散化特征的第一多尺度分析特征和每个扰动因素单元的非离散化特征第二多尺度分析特征，并根据所述目标扰动因素标注的扰动因素片段内每个扰动因素单元的离散化特征的第一多尺度分析特征和每个扰动因素单元的非离散化特征第二多尺度分析特征，确定每个冷却塔循环部分在该环境扰动时序区间的扰动因素单元的扰动目标特征区域，将位于所述扰动因素单元的扰动目标特征区域的扰动因素单元范围内的特征以及位于所述扰动因素单元的扰动目标特征区域的扰动因素单元范围外而关联于所述扰动因素单元的扰动目标特征区域的扰动因素单元范围的特征作为每个冷却塔循环部分在该环境扰动时序区间内的扰动因素标签特征后，将每个冷却塔循环部分在所有环境扰动时序区间内的扰动因素标签特征进行汇总后，得到所述运行基础环境特征中运行基础环境标签的环境扰动分量信息。
在一种实施例中，所述将所述运行基础环境特征中运行基础环境标签的目标非平稳局部特征与所述运行基础环境标签的时间频率窗信息进行噪声关联信息提取，得到所述运行基础环境标签的噪声关联信息的步骤，包括：
将所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息添加到噪声关联信息提取空间中，从所述噪声关联信息提取空间中确定出各噪声关联信息提取节点所对应所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息的噪声关联节点；
依据各不同噪声关联节点中噪声关联信息提取节点之间的噪声关联信息的关联属性类别对各噪声关联节点进行聚类，得到至少一个噪声关联节点集；其中，同一噪声关联节点集中任意两个噪声关联节点中的噪声关联信息提取节点的噪声关联信息的关联属性类别覆盖的预设扰动区间；
针对每一噪声关联节点集，基于该噪声关联节点集中各噪声关联节点，从所述噪声关联信息提取空间中确定该噪声关联节点集针对所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息对应的噪声关联特征；其中，所述噪声关联特征至少包括噪声关联节点集中各噪声关联节点针对所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息的每个噪声关联表项的特征信息数据，所述噪声关联特征用于确定该噪声关联节点集中各噪声关联节点中的噪声关联信息提取节点对应所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息的噪声关联信息溯源结果；
基于所述噪声关联特征确定该噪声关联节点集中各噪声关联节点中的噪声关联信息提取节点对应的噪声关联信息溯源结果，采用预设噪声关联信息分类模型对所述噪声关联信息溯源结果进行分类得到分类结果，根据所述分类结果，得到所述运行基础环境标签的噪声关联信息。
在一种实施例中，所述基于所述运行基础环境标签的噪声关联信息对所述运行基础环境特征进行去噪，得到所述运行基础环境标签的去噪基础环境特征，包括：
获取所述运行基础环境标签在所述运行基础环境特征下的噪声去噪信息；
获取所述噪声去噪信息下的噪声去噪项目以及每个所述噪声去噪项目对应的噪声关联信息配置信息；
将所述运行基础环境标签的噪声关联信息覆盖配置于每个所述噪声去噪项目对应的噪声关联信息配置信息下，基于覆盖后的所述噪声关联信息配置信息对所述运行基础环境特征进行去噪，得到所述运行基础环境标签的去噪基础环境特征。
在一种实施例中，所述方法还包括：
获取所述冷却塔的运行基础环境数据样本；
提取运行基础环境数据样本的样本运行基础环境特征；
对所述样本运行基础环境特征进行特征去噪处理，得到样本去噪基础环境特征；
将所述样本去噪基础环境特征输入到初始冷却塔控制决策模型中，获得所述冷却塔当前的运行基础环境数据样本对应于各个冷却塔控制决策策略标签的置信度；
根据所述对应于各个冷却塔控制决策策略标签的置信度，获得所述运行基础环境数据样本所对应的预测冷却塔控制决策策略；
根据所述预测冷却塔控制决策策略和标定冷却塔控制决策策略调整所述初始冷却塔控制决策模型的模型参数，在达到终止条件时，输出所述冷却塔控制决策模型。
第二方面，本申请实施例还提供一种冷却塔控制装置，应用于冷却塔控制服务器，所述冷却塔控制服务器与多个冷却塔通信连接，所述装置包括：
获取模块，用于获取所述冷却塔当前的运行基础环境数据；
输入模块，用于将所述冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得所述运行基础环境数据所对应的冷却塔控制决策策略；
控制模块，用于基于所述冷却塔控制决策策略对所述冷却塔执行对应的控制操作。
第三方面，本申请实施例还提供一种冷却塔控制系统，所述冷却塔控制系统包括冷却塔控制服务器以及与所述冷却塔控制服务器通信连接的多个冷却塔；
所述冷却塔控制服务器，用于：
获取所述冷却塔当前的运行基础环境数据；
将所述冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得所述运行基础环境数据所对应的冷却塔控制决策策略；
基于所述冷却塔控制决策策略对所述冷却塔执行对应的控制操作。
第四方面，本申请实施例还提供一种冷却塔控制服务器，所述冷却塔控制服务器包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个冷却塔通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的冷却塔控制方法。
第五方面，本申请实施例提供一种计算机可读存储介质，调取机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的冷却塔控制方法。
基于上述任意一个方面，本申请通过获取冷却塔当前的运行基础环境数据，将冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得运行基础环境数据所对应的冷却塔控制决策策略，进而基于冷却塔控制决策策略对冷却塔执行对应的控制操作。如此。相较于传统的单一反馈控制方式，采用预先训练的冷却塔控制决策模型进行综合决策，可以提高冷却塔控制决策的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
图1为本申请实施例提供的冷却塔控制系统的应用场景示意图；
图2为本申请实施例提供的冷却塔控制方法的流程示意图；
图3为本申请实施例提供的冷却塔控制装置的功能模块示意图；
图4为本申请实施例提供的用于实现上述的冷却塔控制方法的冷却塔控制服务器的结构组件示意框图。
具体实施方式
下面融合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本申请一种实施例提供的冷却塔控制系统10的控制示意图。冷却塔控制系统10可以包括冷却塔控制服务器100以及与冷却塔控制服务器100通信连接的冷却塔200。图1所示的冷却塔控制系统10仅为一种可行的示例，在其它可行的实施例中，该冷却塔控制系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中，冷却塔控制系统10中的冷却塔控制服务器100和冷却塔200可以通过配合执行以下方法实施例所描述的冷却塔控制方法，具体冷却塔控制服务器100和冷却塔200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本申请实施例提供的冷却塔控制方法的流程示意图，本实施例提供的冷却塔控制方法可以由图1中所示的冷却塔控制服务器100执行，下面对该冷却塔控制方法进行详细介绍。
步骤S110，获取冷却塔200当前的运行基础环境数据。
本实施例中，冷却塔200当前的运行基础环境数据可以根据实际设计需求进行选择，例如可以包括但不限于冷却塔的水轮机振动数据，轴温数据，冷却塔的风机转速数据，流量数据和压力数据等。
步骤S120，将冷却塔200当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得运行基础环境数据所对应的冷却塔控制决策策略。
本实施例中，预先训练的冷却塔控制决策模型可以采用任意的人工智能网络训练得到，例如循环神经网络(Recurrent Neural Networks)、递归神经网络(RecursiveNeural Networks)、玻尔兹曼机(Boltzmann Machines)和受限玻尔兹曼机(RestrictedBoltzmann Machines)等。
步骤S130，基于冷却塔控制决策策略对冷却塔200执行对应的控制操作。
基于上述步骤，通过获取冷却塔当前的运行基础环境数据，将冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得运行基础环境数据所对应的冷却塔控制决策策略，进而基于冷却塔控制决策策略对冷却塔执行对应的控制操作。如此。相较于传统的单一反馈控制方式，采用预先训练的冷却塔控制决策模型进行综合决策，可以提高冷却塔控制决策的精度。
在一种实施例中，步骤S120可以通过以下步骤实现。
步骤S121，提取冷却塔200当前的运行基础环境数据的运行基础环境特征。
步骤S122，对运行基础环境特征进行特征去噪处理，得到去噪基础环境特征。
步骤S123，将去噪基础环境特征输入到预先训练的冷却塔控制决策模型中，获得冷却塔200当前的运行基础环境数据对应于各个冷却塔控制决策策略标签的置信度。
步骤S124，根据对应于各个冷却塔控制决策策略标签的置信度，获得运行基础环境数据所对应的冷却塔控制决策策略。
例如，在步骤S122中，可以通过以下实施方式实现。
(1)对运行基础环境特征进行环境扰动分量提取处理，得到运行基础环境特征中运行基础环境标签的环境扰动分量信息。
例如，可以获取运行基础环境特征中的每个冷却塔200循环部分的采集单元所记录的环境扰动数据序列，环境扰动数据序列包括以每个环境扰动时序区间为一目标采集区间的环境扰动数据，环境扰动数据包括该环境扰动时序区间的扰动因素触发信息、扰动因素指向信息以及该环境扰动时序区间内的浮动扰动因素记录。
然后，针对每个环境扰动时序区间，根据每个冷却塔200循环部分在该环境扰动时序区间的浮动扰动因素记录中的多个外部浮动扰动因素中的每一个外部浮动扰动因素，根据该外部浮动扰动因素中行为扰动因素编码信息的嵌入式表示，确定该外部浮动扰动因素中每个外部扰动因素编码信息是否为候选目标外部扰动因素编码信息，根据该外部浮动扰动因素中候选目标行为扰动因素编码信息的数量，确定该外部浮动扰动因素对应的每个候选扰动因素标注的扰动因素片段，针对每个候选扰动因素标注的扰动因素片段，将该候选扰动因素标注的扰动因素片段划分为多个子扰动因素片段，根据每个子扰动因素片段内各行为扰动因素编码信息的扰动类别及预设的扰动区间，确定候选扰动因素标注的扰动因素片段是否为目标扰动因素标注的扰动因素片段，其中，每个行为扰动因素编码信息对应于每个扰动因素单元的浮动特征信息。
然后，获取预设扰动分量规则匹配目标扰动因素标注的扰动因素片段内每个行为扰动因素编码信息的扰动分量单元信息，扰动分量单元信息包括扰动因素单元触发信息和扰动因素单元可优化信息，预设扰动分量规则包括不同扰动因素单元使用类型所对应的匹配方式。
然后，根据环境扰动数据序列中的各个不同环境扰动时序区间的每个浮动扰动因素记录的扰动分量单元信息确定每个扰动因素单元的离散化特征的第一多尺度分析特征和每个扰动因素单元的非离散化特征第二多尺度分析特征，并根据目标扰动因素标注的扰动因素片段内每个扰动因素单元的离散化特征的第一多尺度分析特征和每个扰动因素单元的非离散化特征第二多尺度分析特征，确定每个冷却塔200循环部分在该环境扰动时序区间的扰动因素单元的扰动目标特征区域，将位于扰动因素单元的扰动目标特征区域的扰动因素单元范围内的特征以及位于扰动因素单元的扰动目标特征区域的扰动因素单元范围外而关联于扰动因素单元的扰动目标特征区域的扰动因素单元范围的特征作为每个冷却塔200循环部分在该环境扰动时序区间内的扰动因素标签特征后，将每个冷却塔200循环部分在所有环境扰动时序区间内的扰动因素标签特征进行汇总后，得到运行基础环境特征中运行基础环境标签的环境扰动分量信息。
(2)基于运行基础环境标签的环境扰动分量信息进行连续小波变换，得到运行基础环境标签的目标非平稳局部特征。
(3)对运行基础环境特征进行时间频率窗提取处理，得到运行基础环境标签的时间频率窗信息。
(4)将运行基础环境特征中运行基础环境标签的目标非平稳局部特征与运行基础环境标签的时间频率窗信息进行噪声关联信息提取，得到运行基础环境标签的噪声关联信息，并基于运行基础环境标签的噪声关联信息对运行基础环境特征进行去噪，得到运行基础环境标签的去噪基础环境特征。
例如，可以将运行基础环境标签的目标非平稳局部特征和时间频率窗信息添加到噪声关联信息提取空间中，从噪声关联信息提取空间中确定出各噪声关联信息提取节点所对应运行基础环境标签的目标非平稳局部特征和时间频率窗信息的噪声关联节点。
然后，可以依据各不同噪声关联节点中噪声关联信息提取节点之间的噪声关联信息的关联属性类别对各噪声关联节点进行聚类，得到至少一个噪声关联节点集。其中，同一噪声关联节点集中任意两个噪声关联节点中的噪声关联信息提取节点的噪声关联信息的关联属性类别覆盖的预设扰动区间。
然后，可以针对每一噪声关联节点集，基于该噪声关联节点集中各噪声关联节点，从噪声关联信息提取空间中确定该噪声关联节点集针对运行基础环境标签的目标非平稳局部特征和时间频率窗信息对应的噪声关联特征。其中，噪声关联特征至少包括噪声关联节点集中各噪声关联节点针对运行基础环境标签的目标非平稳局部特征和时间频率窗信息的每个噪声关联表项的特征信息数据，噪声关联特征用于确定该噪声关联节点集中各噪声关联节点中的噪声关联信息提取节点对应运行基础环境标签的目标非平稳局部特征和时间频率窗信息的噪声关联信息溯源结果。
然后，可以基于噪声关联特征确定该噪声关联节点集中各噪声关联节点中的噪声关联信息提取节点对应的噪声关联信息溯源结果，采用预设噪声关联信息分类模型对噪声关联信息溯源结果进行分类得到分类结果，根据分类结果，得到运行基础环境标签的噪声关联信息。
在此基础上，可以获取运行基础环境标签在运行基础环境特征下的噪声去噪信息。
然后，可以获取噪声去噪信息下的噪声去噪项目以及每个噪声去噪项目对应的噪声关联信息配置信息；
然后，可以将运行基础环境标签的噪声关联信息覆盖配置于每个噪声去噪项目对应的噪声关联信息配置信息下，基于覆盖后的噪声关联信息配置信息对运行基础环境特征进行去噪，得到运行基础环境标签的去噪基础环境特征。
基于上述步骤，通过噪声关联信息提取运行基础环境标签的目标非平稳局部特征与运行基础环境标签的时间频率窗信息，以综合运行基础环境标签的环境扰动分量信息与运行基础环境标签的时间频率窗信息，提取到丰富的运行基础环境标签的噪声关联信息特征信息，为精准的基于大数据定位的信息推送提供数据支撑；另外，通过运行基础环境标签的目标非平稳局部特征，对运行基础环境标签进行去噪，得到运行基础环境标签的去噪基础环境特征，以实现精准的特征去噪。
在一种实施例中，下面对冷却塔控制决策模型的训练过程进行说明，具体可以通过以下步骤实现。
步骤S101，获取冷却塔200的运行基础环境数据样本。
步骤S102，提取运行基础环境数据样本的样本运行基础环境特征。
步骤S103，对样本运行基础环境特征进行特征去噪处理，得到样本去噪基础环境特征。
其中，对样本运行基础环境特征进行特征去噪处理，得到样本去噪基础环境特征的具体实现方式，可以参照前述步骤S122的具体实现方式即可，此处不再赘述。
步骤S104，将样本去噪基础环境特征输入到初始冷却塔控制决策模型中，获得冷却塔200当前的运行基础环境数据样本对应于各个冷却塔控制决策策略标签的置信度。
步骤S105，根据对应于各个冷却塔控制决策策略标签的置信度，获得运行基础环境数据样本所对应的预测冷却塔控制决策策略。
步骤S106，根据预测冷却塔控制决策策略和标定冷却塔控制决策策略调整初始冷却塔控制决策模型的模型参数，在达到终止条件时，输出冷却塔控制决策模型。
图3为本公开实施例提供的冷却塔200控制装置300的功能模块示意图，下面分别对该冷却塔200控制装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取冷却塔200当前的运行基础环境数据。
输入模块320，用于将冷却塔200当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得运行基础环境数据所对应的冷却塔控制决策策略。
控制模块330，用于基于冷却塔控制决策策略对冷却塔200执行对应的控制操作。
图4示出了本公开实施例提供的用于实现上述的冷却塔控制方法的冷却塔控制服务器100的硬件结构示意图，如图4所示，冷却塔控制服务器100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令，使得处理器110可以执行如上方法实施例的冷却塔控制方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的冷却塔200进行数据收发。
处理器110的具体实现过程可参见上述冷却塔控制服务器100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上冷却塔控制方法。
最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (5)

1.一种冷却塔控制方法，其特征在于，应用于冷却塔控制服务器，所述冷却塔控制服务器与多个冷却塔通信连接，所述方法包括：
获取所述冷却塔当前的运行基础环境数据；
将所述冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得所述运行基础环境数据所对应的冷却塔控制决策策略；
基于所述冷却塔控制决策策略对所述冷却塔执行对应的控制操作；
所述将所述冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得所述运行基础环境数据所对应的冷却塔控制决策策略的步骤，包括：
提取所述冷却塔当前的运行基础环境数据的运行基础环境特征；
对所述运行基础环境特征进行特征去噪处理，得到去噪基础环境特征；
将所述去噪基础环境特征输入到预先训练的冷却塔控制决策模型中，获得所述冷却塔当前的运行基础环境数据对应于各个冷却塔控制决策策略标签的置信度；
根据所述对应于各个冷却塔控制决策策略标签的置信度，获得所述运行基础环境数据所对应的冷却塔控制决策策略；
所述对所述运行基础环境特征进行特征去噪处理，得到去噪基础环境特征的步骤，包括：
对所述运行基础环境特征进行环境扰动分量提取处理，得到所述运行基础环境特征中运行基础环境标签的环境扰动分量信息；
基于所述运行基础环境标签的环境扰动分量信息进行连续小波变换，得到所述运行基础环境标签的目标非平稳局部特征；
对所述运行基础环境特征进行时间频率窗提取处理，得到所述运行基础环境标签的时间频率窗信息；
将所述运行基础环境特征中运行基础环境标签的目标非平稳局部特征与所述运行基础环境标签的时间频率窗信息进行噪声关联信息提取，得到所述运行基础环境标签的噪声关联信息，并基于所述运行基础环境标签的噪声关联信息对所述运行基础环境特征进行去噪，得到所述运行基础环境标签的去噪基础环境特征；
所述对所述运行基础环境特征进行环境扰动分量提取处理，得到所述运行基础环境特征中运行基础环境标签的环境扰动分量信息，包括：
获取所述运行基础环境特征中的每个冷却塔循环部分的采集单元所记录的环境扰动数据序列，所述环境扰动数据序列包括以每个环境扰动时序区间为一目标采集区间的环境扰动数据，所述环境扰动数据包括该环境扰动时序区间的扰动因素触发信息、扰动因素指向信息以及该环境扰动时序区间内的浮动扰动因素记录；
针对每个环境扰动时序区间，根据每个冷却塔循环部分在该环境扰动时序区间的浮动扰动因素记录中的多个外部浮动扰动因素中的每一个外部浮动扰动因素，根据该外部浮动扰动因素中行为扰动因素编码信息的嵌入式表示，确定该外部浮动扰动因素中每个外部扰动因素编码信息是否为候选目标外部扰动因素编码信息，根据该外部浮动扰动因素中候选目标行为扰动因素编码信息的数量，确定该外部浮动扰动因素对应的每个候选扰动因素标注的扰动因素片段，针对每个候选扰动因素标注的扰动因素片段，将该候选扰动因素标注的扰动因素片段划分为多个子扰动因素片段，根据每个子扰动因素片段内各行为扰动因素编码信息的扰动类别及预设的扰动区间，确定候选扰动因素标注的扰动因素片段是否为目标扰动因素标注的扰动因素片段，其中，每个行为扰动因素编码信息对应于每个扰动因素单元的浮动特征信息；
获取预设扰动分量规则匹配所述目标扰动因素标注的扰动因素片段内每个行为扰动因素编码信息的扰动分量单元信息，所述扰动分量单元信息包括扰动因素单元触发信息和扰动因素单元可优化信息，所述预设扰动分量规则包括不同扰动因素单元使用类型所对应的匹配方式；
根据所述环境扰动数据序列中的各个不同环境扰动时序区间的每个浮动扰动因素记录的扰动分量单元信息确定每个扰动因素单元的离散化特征的第一多尺度分析特征和每个扰动因素单元的非离散化特征第二多尺度分析特征，并根据所述目标扰动因素标注的扰动因素片段内每个扰动因素单元的离散化特征的第一多尺度分析特征和每个扰动因素单元的非离散化特征第二多尺度分析特征，确定每个冷却塔循环部分在该环境扰动时序区间的扰动因素单元的扰动目标特征区域，将位于所述扰动因素单元的扰动目标特征区域的扰动因素单元范围内的特征以及位于所述扰动因素单元的扰动目标特征区域的扰动因素单元范围外而关联于所述扰动因素单元的扰动目标特征区域的扰动因素单元范围的特征作为每个冷却塔循环部分在该环境扰动时序区间内的扰动因素标签特征后，将每个冷却塔循环部分在所有环境扰动时序区间内的扰动因素标签特征进行汇总后，得到所述运行基础环境特征中运行基础环境标签的环境扰动分量信息。
2.根据权利要求1所述的冷却塔控制方法，其特征在于，所述将所述运行基础环境特征中运行基础环境标签的目标非平稳局部特征与所述运行基础环境标签的时间频率窗信息进行噪声关联信息提取，得到所述运行基础环境标签的噪声关联信息的步骤，包括：
将所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息添加到噪声关联信息提取空间中，从所述噪声关联信息提取空间中确定出各噪声关联信息提取节点所对应所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息的噪声关联节点；
依据各不同噪声关联节点中噪声关联信息提取节点之间的噪声关联信息的关联属性类别对各噪声关联节点进行聚类，得到至少一个噪声关联节点集；其中，同一噪声关联节点集中任意两个噪声关联节点中的噪声关联信息提取节点的噪声关联信息的关联属性类别覆盖的预设扰动区间；
针对每一噪声关联节点集，基于该噪声关联节点集中各噪声关联节点，从所述噪声关联信息提取空间中确定该噪声关联节点集针对所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息对应的噪声关联特征；其中，所述噪声关联特征至少包括噪声关联节点集中各噪声关联节点针对所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息的每个噪声关联表项的特征信息数据，所述噪声关联特征用于确定该噪声关联节点集中各噪声关联节点中的噪声关联信息提取节点对应所述运行基础环境标签的目标非平稳局部特征和时间频率窗信息的噪声关联信息溯源结果；
基于所述噪声关联特征确定该噪声关联节点集中各噪声关联节点中的噪声关联信息提取节点对应的噪声关联信息溯源结果，采用预设噪声关联信息分类模型对所述噪声关联信息溯源结果进行分类得到分类结果，根据所述分类结果，得到所述运行基础环境标签的噪声关联信息。
3.根据权利要求1所述的冷却塔控制方法，其特征在于，所述基于所述运行基础环境标签的噪声关联信息对所述运行基础环境特征进行去噪，得到所述运行基础环境标签的去噪基础环境特征，包括：
获取所述运行基础环境标签在所述运行基础环境特征下的噪声去噪信息；
获取所述噪声去噪信息下的噪声去噪项目以及每个所述噪声去噪项目对应的噪声关联信息配置信息；
将所述运行基础环境标签的噪声关联信息覆盖配置于每个所述噪声去噪项目对应的噪声关联信息配置信息下，基于覆盖后的所述噪声关联信息配置信息对所述运行基础环境特征进行去噪，得到所述运行基础环境标签的去噪基础环境特征。
4.根据权利要求1-3中任意一项所述的冷却塔控制方法，其特征在于，所述方法还包括：
获取所述冷却塔的运行基础环境数据样本；
提取运行基础环境数据样本的样本运行基础环境特征；
对所述样本运行基础环境特征进行特征去噪处理，得到样本去噪基础环境特征；
将所述样本去噪基础环境特征输入到初始冷却塔控制决策模型中，获得所述冷却塔当前的运行基础环境数据样本对应于各个冷却塔控制决策策略标签的置信度；
根据所述对应于各个冷却塔控制决策策略标签的置信度，获得所述运行基础环境数据样本所对应的预测冷却塔控制决策策略；
根据所述预测冷却塔控制决策策略和标定冷却塔控制决策策略调整所述初始冷却塔控制决策模型的模型参数，在达到终止条件时，输出所述冷却塔控制决策模型。
5.一种冷却塔控制系统，其特征在于，所述冷却塔控制系统包括冷却塔控制服务器以及与所述冷却塔控制服务器通信连接的多个冷却塔；
所述冷却塔控制服务器，用于：
获取所述冷却塔当前的运行基础环境数据；
将所述冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得所述运行基础环境数据所对应的冷却塔控制决策策略；
基于所述冷却塔控制决策策略对所述冷却塔执行对应的控制操作；
所述将所述冷却塔当前的运行基础环境数据输入到预先训练的冷却塔控制决策模型，获得所述运行基础环境数据所对应的冷却塔控制决策策略的方式，包括：
提取所述冷却塔当前的运行基础环境数据的运行基础环境特征；
对所述运行基础环境特征进行特征去噪处理，得到去噪基础环境特征；
将所述去噪基础环境特征输入到预先训练的冷却塔控制决策模型中，获得所述冷却塔当前的运行基础环境数据对应于各个冷却塔控制决策策略标签的置信度；
根据所述对应于各个冷却塔控制决策策略标签的置信度，获得所述运行基础环境数据所对应的冷却塔控制决策策略；
所述对所述运行基础环境特征进行特征去噪处理，得到去噪基础环境特征方式，包括：
对所述运行基础环境特征进行环境扰动分量提取处理，得到所述运行基础环境特征中运行基础环境标签的环境扰动分量信息；
基于所述运行基础环境标签的环境扰动分量信息进行连续小波变换，得到所述运行基础环境标签的目标非平稳局部特征；
对所述运行基础环境特征进行时间频率窗提取处理，得到所述运行基础环境标签的时间频率窗信息；
将所述运行基础环境特征中运行基础环境标签的目标非平稳局部特征与所述运行基础环境标签的时间频率窗信息进行噪声关联信息提取，得到所述运行基础环境标签的噪声关联信息，并基于所述运行基础环境标签的噪声关联信息对所述运行基础环境特征进行去噪，得到所述运行基础环境标签的去噪基础环境特征；
所述对所述运行基础环境特征进行环境扰动分量提取处理，得到所述运行基础环境特征中运行基础环境标签的环境扰动分量信息，包括：
获取所述运行基础环境特征中的每个冷却塔循环部分的采集单元所记录的环境扰动数据序列，所述环境扰动数据序列包括以每个环境扰动时序区间为一目标采集区间的环境扰动数据，所述环境扰动数据包括该环境扰动时序区间的扰动因素触发信息、扰动因素指向信息以及该环境扰动时序区间内的浮动扰动因素记录；
针对每个环境扰动时序区间，根据每个冷却塔循环部分在该环境扰动时序区间的浮动扰动因素记录中的多个外部浮动扰动因素中的每一个外部浮动扰动因素，根据该外部浮动扰动因素中行为扰动因素编码信息的嵌入式表示，确定该外部浮动扰动因素中每个外部扰动因素编码信息是否为候选目标外部扰动因素编码信息，根据该外部浮动扰动因素中候选目标行为扰动因素编码信息的数量，确定该外部浮动扰动因素对应的每个候选扰动因素标注的扰动因素片段，针对每个候选扰动因素标注的扰动因素片段，将该候选扰动因素标注的扰动因素片段划分为多个子扰动因素片段，根据每个子扰动因素片段内各行为扰动因素编码信息的扰动类别及预设的扰动区间，确定候选扰动因素标注的扰动因素片段是否为目标扰动因素标注的扰动因素片段，其中，每个行为扰动因素编码信息对应于每个扰动因素单元的浮动特征信息；
获取预设扰动分量规则匹配所述目标扰动因素标注的扰动因素片段内每个行为扰动因素编码信息的扰动分量单元信息，所述扰动分量单元信息包括扰动因素单元触发信息和扰动因素单元可优化信息，所述预设扰动分量规则包括不同扰动因素单元使用类型所对应的匹配方式；
根据所述环境扰动数据序列中的各个不同环境扰动时序区间的每个浮动扰动因素记录的扰动分量单元信息确定每个扰动因素单元的离散化特征的第一多尺度分析特征和每个扰动因素单元的非离散化特征第二多尺度分析特征，并根据所述目标扰动因素标注的扰动因素片段内每个扰动因素单元的离散化特征的第一多尺度分析特征和每个扰动因素单元的非离散化特征第二多尺度分析特征，确定每个冷却塔循环部分在该环境扰动时序区间的扰动因素单元的扰动目标特征区域，将位于所述扰动因素单元的扰动目标特征区域的扰动因素单元范围内的特征以及位于所述扰动因素单元的扰动目标特征区域的扰动因素单元范围外而关联于所述扰动因素单元的扰动目标特征区域的扰动因素单元范围的特征作为每个冷却塔循环部分在该环境扰动时序区间内的扰动因素标签特征后，将每个冷却塔循环部分在所有环境扰动时序区间内的扰动因素标签特征进行汇总后，得到所述运行基础环境特征中运行基础环境标签的环境扰动分量信息。
CN202110198883.1A 2021-02-22 2021-02-22 一种冷却塔控制方法及冷却塔控制系统 Active CN113074575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110198883.1A CN113074575B (zh) 2021-02-22 2021-02-22 一种冷却塔控制方法及冷却塔控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110198883.1A CN113074575B (zh) 2021-02-22 2021-02-22 一种冷却塔控制方法及冷却塔控制系统

Publications (2)

Publication Number Publication Date
CN113074575A CN113074575A (zh) 2021-07-06
CN113074575B true CN113074575B (zh) 2022-06-07

Family

ID=76609443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110198883.1A Active CN113074575B (zh) 2021-02-22 2021-02-22 一种冷却塔控制方法及冷却塔控制系统

Country Status (1)

Country Link
CN (1) CN113074575B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373601B (zh) * 2022-02-21 2023-09-08 吴江变压器有限公司 一种变压器的噪声控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101029810A (zh) * 2007-04-27 2007-09-05 陈永胜 冷却塔的冷却控制方法及采用该方法的冷却塔
CN104729667A (zh) * 2015-03-25 2015-06-24 北京航天控制仪器研究所 一种分布式光纤振动传感系统中的扰动类型识别方法
CN106408846A (zh) * 2016-11-29 2017-02-15 周川 基于视频监控平台的图像火灾检测方法
CN106447086A (zh) * 2016-09-07 2017-02-22 中国农业大学 一种基于风电场数据预处理的风电功率组合预测方法
CN111967150A (zh) * 2020-08-05 2020-11-20 江苏华电昆山热电有限公司 冷却能力计算方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101029810A (zh) * 2007-04-27 2007-09-05 陈永胜 冷却塔的冷却控制方法及采用该方法的冷却塔
CN104729667A (zh) * 2015-03-25 2015-06-24 北京航天控制仪器研究所 一种分布式光纤振动传感系统中的扰动类型识别方法
CN106447086A (zh) * 2016-09-07 2017-02-22 中国农业大学 一种基于风电场数据预处理的风电功率组合预测方法
CN106408846A (zh) * 2016-11-29 2017-02-15 周川 基于视频监控平台的图像火灾检测方法
CN111967150A (zh) * 2020-08-05 2020-11-20 江苏华电昆山热电有限公司 冷却能力计算方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN113074575A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN111723209A (zh) 半监督文本分类模型训练方法、文本分类方法、系统、设备及介质
Althubiti et al. Circuit manufacturing defect detection using VGG16 convolutional neural networks
CN112640380A (zh) 用于对事件的输入流进行异常检测的设备和方法
WO2020001311A1 (zh) 一种检测干扰的方法、装置、设备及存储介质
CN113074575B (zh) 一种冷却塔控制方法及冷却塔控制系统
CN117040917A (zh) 一种具有监测预警功能的智慧型交换机
CN113705699A (zh) 基于机器学习的样本异常检测方法、装置、设备及介质
CN117234301A (zh) 一种基于人工智能的服务器热管理方法
CN114220086A (zh) 一种成本高效的场景文字检测方法及系统
CN117134958B (zh) 用于网络技术服务的信息处理方法及系统
Hu et al. An adversarial transfer learning method based on domain distribution prediction for aero-engine fault diagnosis
CN117610411A (zh) 一种基于元学习的机械剩余使用寿命预测方法及系统
KR20170059546A (ko) IoT 사물 및 IoT 서비스 분석 방법 및 장치
Hong et al. Learning from correlated events for equipment relation inference in buildings
Stefanini et al. A Deep Learning based approach to VM behavior identification in cloud systems
US20230126258A1 (en) Machine learning device, method for generating learning models, and program
Li et al. Localization and expansion: A decoupled framework for point cloud few-shot semantic segmentation
CN114297385A (zh) 模型训练方法、文本分类方法、系统、设备及介质
CN112149726B (zh) 基于知识共享和模型迁移的全封闭压缩机故障诊断方法
KR20230127509A (ko) 콘셉트 기반의 퓨샷 학습 방법 및 장치
Cirera et al. Data analytics for performance evaluation under uncertainties applied to an industrial refrigeration plant
CN114564587A (zh) 文本分类场景下基于对抗训练的数据增强方法
CN115309854A (zh) 对抗样本生成方法、装置和计算机设备
Yan et al. A target detection algorithm based on faster R-CNN
CN110135155A (zh) 一种基于模糊K近邻的Windows恶意软件识别方法

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