CN113993343A - 制冷设备的节能控制方法、装置、终端及存储介质 - Google Patents
制冷设备的节能控制方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN113993343A CN113993343A CN202111182330.3A CN202111182330A CN113993343A CN 113993343 A CN113993343 A CN 113993343A CN 202111182330 A CN202111182330 A CN 202111182330A CN 113993343 A CN113993343 A CN 113993343A
- Authority
- CN
- China
- Prior art keywords
- refrigeration
- population
- set parameter
- parameter group
- current population
- 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.)
- Pending
Links
Images
Classifications
-
- 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)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种制冷设备的节能控制方法、装置、终端及存储介质,该方法包括:获取制冷设备所处的环境温度;制冷设备包括至少一个制冷组件;以制冷设备对应的设定参数组作为种群个体初始化种群;根据环境温度分别预测各个设定参数组对应的总制冷功率;以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取前N个设定参数组更新当前种群;将更新后的种群返回至总制冷功率预测步骤继续执行,直至满足预设结束条件,采用输出的设定参数组控制制冷设备。通过上述方法,本申请可以采用总制冷功率最小的一组设定参数控制制冷设备,从而在保证制冷设备制冷效果的前提下改善节能效果。
Description
技术领域
本发明涉及制冷控制技术领域,尤其涉及一种制冷设备的节能控制方法、装置、终端及存储介质。
背景技术
目前,数据中心已经成为事实上的耗电大户,根据调查显示,目前全球数据中心的功耗大约占据全球每年总功耗的1-2%。
由于数据中心对环境温湿度具有严格的要求,因此,数据中心空调的运行功耗在数据中心总功耗中占据了相当一部分比例。现有技术中,对于数据中心空调的控制,通常是按照一固定温度值进行设置,没有起到节能的效果。
发明内容
有鉴于此,本发明提供了一种制冷设备的节能控制方法、装置、终端及存储介质,能够解决现有技术中空调的控制方法没有起到节能效果的问题。
第一方面,本发明实施例提供了一种制冷设备的节能控制方法,包括:
获取制冷设备所处的环境温度;所述制冷设备包括至少一个制冷组件;
以所述制冷设备对应的设定参数组作为种群个体对种群进行初始化;所述制冷设备中的组件与所述设定参数组中的设定参数一一对应;
根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率;
以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取当前种群序列中前N个设定参数组更新当前种群;
将更新后的种群返回至所述根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率步骤继续执行,直至满足预设结束条件,输出适应度值最小的设定参数组;
采用输出的设定参数组控制所述制冷设备。
第二方面,本发明实施例提供了一种制冷设备的节能控制装置,包括:
环境温度获取模块,用于获取制冷设备所处的环境温度;所述制冷设备包括至少一个制冷组件;
初始化模块,用于以所述制冷设备对应的设定参数组作为种群个体对种群进行初始化;所述制冷设备中的组件与所述设定参数组中的设定参数一一对应;
总制冷功率预测模块,用于根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率;
种群更新模块,用于以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取当前种群序列中前N个设定参数组更新当前种群;
设定参数组输出模块,用于将更新后的种群返回至所述根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率步骤继续执行,直至满足预设结束条件,输出适应度值最小的设定参数组;
节能控制模块,用于采用输出的设定参数组控制所述制冷设备。
第三方面,本发明实施例提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面任一种可能的实现方式所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例通过获取制冷设备所处的环境温度;所述制冷设备包括至少一个制冷组件;以所述制冷设备对应的设定参数组作为种群个体对种群进行初始化;所述制冷设备中的组件与所述设定参数组中的设定参数一一对应;根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率;以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取当前种群序列中前N个设定参数组更新当前种群;将更新后的种群返回至所述根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率步骤继续执行,直至满足预设结束条件,输出适应度值最小的设定参数组;采用输出的设定参数组控制所述制冷设备。通过上述方法,本实施例可以采用总制冷功率最小的一组设定参数控制对应的制冷设备,从而在保证制冷设备制冷效果的前提下改善制冷设备的节能效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的制冷设备的节能控制方法的应用场景图;
图2是本发明实施例提供的制冷设备的节能控制方法的实现流程图;
图3是本发明实施例提供的制冷设备的节能控制装置的结构示意图;
图4是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
图1为本发明实施例提供的制冷设备的节能控制方法的应用场景图。如图1所示,本实施例的方法的应用场景可以为制冷系统,制冷系统包括制冷设备和终端,制冷设备包括多个制冷组件,制冷设备的制冷组件可以包括制冷主机、制冷水泵和制冷空调等,终端用于对制冷设备进行控制,当制冷设备为独立运行时,终端可以为制冷设备内部的控制器,当多个制冷设备集中运行时,终端可以为监控系统,并对多个制冷设备集中控制。
本实施例的执行主体为终端。
如图2所示,图2示出了本实施例提供的制冷设备的节能控制方法的实现流程,其包括:
S101:获取制冷设备所处的环境温度;所述制冷设备包括至少一个制冷组件。
本实施例的制冷控制可以采用周期控制,每个运行周期执行一次本实施例的方法。在单个运行周期内,首先获取制冷设备外部环境温度。例如,若制冷设备设置于数据中心机房,则可以在数据中心机房中制冷设备相关的区域内的不同部位分别设置温度传感器,通过温度传感器获取温度监测点处的温度,并对多个温度监测点处的温度求平均得到环境温度。
具体的,为了保证数据中心机房中机柜的稳定运行,可以将至少一个温度监测点设置于机柜位置。
S102:以所述制冷设备对应的设定参数组作为种群个体对种群进行初始化;所述制冷设备中的组件与所述设定参数组中的设定参数一一对应。
在本实施例中,设定参数组中各个设定参数分别表示制冷设备中对应组件的设定参数。例如,若制冷组件为制冷主机,则其设定参数为温度设定值,若制冷组件为制冷水泵,则其设定参数为运行频率设定值,若制冷组件为制冷空调,则其设定参数为温度设定值。通过对设定参数组进行种群初始化,可以随机得到大量的设定参数组。
具体的,初始化时,迭代次数可以初始化为1。
S103:根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率。
在本实施例中,总制冷功率为制冷设备各个制冷组件的制冷功率之和。
具体的,预测总制冷功率的方法可以包括:根据预设的环境温度-设定参数组-总制冷功率的对应关系,确定所述环境温度下当前种群中各个设定参数组对应的总制冷功率。
S104:以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取当前种群序列中前N个设定参数组更新当前种群。
在本实施例中,本申请采用遗传算法求解总制冷功率最小时对应的设定参数组。因此以总制冷功率为适应度值,通过S103的计算,当前种群中每个设定参数组均会产生一个总制冷功率,为了逐步的寻找最优解即总制冷功率最小的设定参数组,本实施例选取当前种群序列中前N个设定参数组进行种群更新。
示例性的,可以取当前种群内个体数量的30%对应的数量作为N。
在本实施例中,在每次更新种群后,迭代次数均加单位步长。单位步长可以为1。
S105:将更新后的种群返回至所述根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率步骤继续执行,直至满足预设结束条件,输出适应度值最小的设定参数组。
在本实施例中,预设结束条件可以为当前迭代次数达到最大迭代次数,也可以为前后两次迭代的最小适应度值差值小于预设差值。若当前迭代未满足预设结束条件,则跳转至S103继续执行。
S106:采用输出的设定参数组控制所述制冷设备。
在本实施例中,采用适应度值最小的设定参数组中的各个设定参数分别控制所述制冷设备中相应的制冷组件。
从上述实施例可知,本发明实施例通过获取制冷设备所处的环境温度;所述制冷设备包括至少一个制冷组件;初始化迭代次数,并以所述制冷设备对应的设定参数组作为种群个体对种群进行初始化;所述制冷设备中的组件与所述设定参数组中的设定参数一一对应;根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率;以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取当前种群序列中前N个设定参数组更新当前种群,令迭代次数加单位步长;将更新后的种群返回至所述根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率步骤继续执行,直至达到最大迭代次数,输出适应度值最小的设定参数组;采用输出的设定参数组控制所述制冷设备。通过上述方法,本实施例可以采用总制冷功率最小的一组设定参数控制对应的制冷设备,从而在保证制冷设备制冷效果的前提下改善制冷设备的节能效果。
在一个实施例中,上述S103的具体实现流程包括:
将所述环境温度和当前种群输入目标制冷功率预测模型,分别得到当前种群中各个设定参数组对应的总制冷功率。
本实施例采用目标制冷功率预测模型预测总制冷功率。目标制冷功率预测模型可以采用神经网络算法进行构建。
在一个实施例中,在S103之前,本实施例提供的方法还包括:
S201:基于机器学习算法构建初始制冷功率预测模型。
S202:分别获取多个制冷设备的历史运行数据组;所述历史运行数据组包括不同历史运行周期的环境温度、设定参数组和总制冷功率。
S203:将同一制冷设备在一个历史运行周期下对应的环境温度和设定参数组作为一个训练样本,并将该制冷设备在该历史运行周期的总制冷功率作为该训练样本的分类标签,构建训练样本集。
S204:采用所述训练样本集训练所述初始制冷功率预测模型,得到所述目标制冷功率预测模型。
在本实施例中,为了训练初始制冷功率预测模型,首先需要获取大量制冷设备的历史运行数据组。然后通过历史运行数据组构建训练样本集。在构建训练样本集时,针对任一训练样本,以一个制冷设备在一个历史运行周期下对应的环境温度和设定参数作为模型输入,以对应的总制冷功率作为模型输出创建训练样本。最后采用构建好的训练样本集训练初始制冷功率预测模型,直至模型精度达到预设阈值,得到目标制冷功率预测模型。
在一个实施例中,S201包括:
基于回归预测算法构建所述初始制冷功率预测模型。
在一个实施例中,所述选取当前种群序列中前N个设定参数组更新当前种群,包括:
选取当前种群序列中前N个设定参数组进行交叉和变异操作,得到更新后的种群。
在本实施例中,在对当前种群中的设定参数组采用适应度值选择了其中N个个体后,需要对选择的N个个体先后进行交叉操作和变异操作。其中,交叉操作也称遗传算法中的基因重组。基因重组是在选择操作留下来的两组设定参数组之间,在同一相同位置上互换设定参数值,从而形成两组新的设定参数组。变异也称遗传算法中的基因突变。基因突变是指在选择操作留下来的任一组设定参数组的其中一个设定参数产生新的值,从而产生一组新的设定参数组。
为了加快寻优速度,本实施还可以在选取了当前种群序列中前N个设定参数组后,从前N个设定参数组中选取部分设定参数组进行后续的交叉和变异操作。具体地,从前N个设定参数组中选取部分设定参数组的方法可以为随机选取,也可以为选取前N个设定参数组中适应度值小于预设适应度值的设定参数组。
近一步地,预设适应度值可以随着迭代次数的增加而减小。
通过对当前种群进行上述选择、交叉、变异操作后,能够产生一个新的种群,从而增加快速寻优方案。然后重复步骤S103至S105,直至满足预设结束条件,输出最后一次迭代的最小适应度值对应的设定参数组。
在一个实施例中,S102的具体实现流程包括:
确定所述制冷设备中各个制冷组件对应的安全设定范围;
分别基于各个制冷组件的安全设定范围对相应制冷组件的设定参数进行随机赋值,生成多个不同的设定参数组,以得到初始化种群。
在本实施例中,每个制冷组件均包括对应的安全设定范围,在对设定参数组中的各个设定参数进行初始化或者变异时,需要在相应的安全设定范围内取值。
从上述实施例可知,本实施例利用遗传算法和回归预测算法进行节能方案寻优,找到最佳设定参数组,最终实现数据中心的节能效果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的制冷设备的节能控制装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图3所示,制冷设备的节能控制装置100包括:
环境温度获取模块110,用于获取制冷设备所处的环境温度;所述制冷设备包括至少一个制冷组件;
初始化模块120,用于以所述制冷设备对应的设定参数组作为种群个体对种群进行初始化;所述制冷设备中的组件与所述设定参数组中的设定参数一一对应;
总制冷功率预测模块130,用于根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率;
种群更新模块140,用于以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取当前种群序列中前N个设定参数组更新当前种群;
设定参数组输出模块150,用于将更新后的种群返回至所述根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率步骤继续执行,直至满足预设结束条件,输出适应度值最小的设定参数组;
节能控制模块160,用于采用输出的设定参数组控制所述制冷设备。
从上述实施例可知,本实施例首先获取制冷设备所处的环境温度;制冷设备包括至少一个制冷组件;然后以制冷设备对应的设定参数组作为种群个体初始化种群;根据环境温度分别预测各个设定参数组对应的总制冷功率;以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取前N个设定参数组更新当前种群;将更新后的种群返回至总制冷功率预测步骤继续执行,直至满足预设结束条件,最后采用输出的设定参数组控制制冷设备。通过上述方法,本申请可以采用总制冷功率最小的一组设定参数控制制冷设备,从而在保证制冷设备制冷效果的前提下改善节能效果。
在一个实施例中,总制冷功率预测模块130具体用于:
将所述环境温度和当前种群输入目标制冷功率预测模型,分别得到当前种群中各个设定参数组对应的总制冷功率。
在一个实施例中,制冷设备的节能控制装置100还包括模型建立模块,用于:
初始模型构建单元,用于基于机器学习算法构建初始制冷功率预测模型;
历史数据获取单元,用于分别获取多个制冷设备的历史运行数据组;所述历史运行数据组包括不同历史运行周期的环境温度、设定参数组和总制冷功率;
训练样本创建单元,用于将同一制冷设备在一个历史运行周期下对应的环境温度和设定参数组作为一个训练样本,并将该制冷设备在该历史运行周期的总制冷功率作为该训练样本的分类标签,构建训练样本集;
模型训练单元,用于采用所述训练样本集训练所述初始制冷功率预测模型,得到所述目标制冷功率预测模型。
在一个实施例中,初始模型构建单元具体用于:
基于回归预测算法构建所述初始制冷功率预测模型。
在一个实施例中,种群更新模块具体用于:
选取当前种群序列中前N个设定参数组进行交叉和变异操作,得到更新后的种群。
本实施例提供的制冷设备的节能控制装置,可用于执行上述制冷设备的节能控制方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图4是本发明一实施例提供的终端的示意图。如图4所示,该实施例的终端4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个制冷设备的节能控制方法实施例中的步骤,例如图2所示的步骤101至步骤106。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块110至160的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述终端4中的执行过程。
所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端4的示例,并不构成对终端4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端4的内部存储单元,例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备,例如所述终端4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个制冷设备的节能控制方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种制冷设备的节能控制方法,其特征在于,包括:
获取制冷设备所处的环境温度;所述制冷设备包括至少一个制冷组件;
以所述制冷设备对应的设定参数组作为种群个体对种群进行初始化;所述制冷设备中的组件与所述设定参数组中的设定参数一一对应;
根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率;
以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取当前种群序列中前N个设定参数组更新当前种群;
将更新后的种群返回至所述根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率步骤继续执行,直至满足预设结束条件,输出适应度值最小的设定参数组;
采用输出的设定参数组控制所述制冷设备。
2.根据权利要求1所述的制冷设备的节能控制方法,其特征在于,所述根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率,包括:
将所述环境温度和当前种群输入目标制冷功率预测模型,分别得到当前种群中各个设定参数组对应的总制冷功率。
3.根据权利要求2所述的制冷设备的节能控制方法,其特征在于,在所述将所述环境温度和当前种群输入目标制冷功率预测模型之前,所述方法还包括:
基于机器学习算法构建初始制冷功率预测模型;
分别获取多个制冷设备的历史运行数据组;所述历史运行数据组包括不同历史运行周期的环境温度、设定参数组和总制冷功率;
将同一制冷设备在一个历史运行周期下对应的环境温度和设定参数组作为一个训练样本,并将该制冷设备在该历史运行周期的总制冷功率作为该训练样本的分类标签,构建训练样本集;
采用所述训练样本集训练所述初始制冷功率预测模型,得到所述目标制冷功率预测模型。
4.根据权利要求3所述的制冷设备的节能控制方法,其特征在于,所述基于机器学习算法构建初始制冷功率预测模型,包括:
基于回归预测算法构建所述初始制冷功率预测模型。
5.根据权利要求1所述的制冷设备的节能控制方法,其特征在于,所述选取当前种群序列中前N个设定参数组更新当前种群,包括:
选取当前种群序列中前N个设定参数组进行交叉和变异操作,得到更新后的种群。
6.根据权利要求1所述的制冷设备的节能控制方法,其特征在于,所述以所述制冷设备对应的设定参数组作为种群个体对种群进行初始化,包括:
确定所述制冷设备中各个制冷组件对应的安全设定范围;
分别基于各个制冷组件的安全设定范围对相应制冷组件的设定参数进行随机赋值,生成多个不同的设定参数组,以得到初始化种群。
7.一种制冷设备的节能控制装置,其特征在于,包括:
环境温度获取模块,用于获取制冷设备所处的环境温度;所述制冷设备包括至少一个制冷组件;
初始化模块,用于以所述制冷设备对应的设定参数组作为种群个体对种群进行初始化;所述制冷设备中的组件与所述设定参数组中的设定参数一一对应;
总制冷功率预测模块,用于根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率;
种群更新模块,用于以总制冷功率作为适应度值,对当前种群中的设定参数组按照适应度值由小到大的顺序排序,得到当前种群序列,并选取当前种群序列中前N个设定参数组更新当前种群;
设定参数组输出模块,用于将更新后的种群返回至所述根据所述环境温度分别预测当前种群中各个设定参数组对应的总制冷功率步骤继续执行,直至满足预设结束条件,输出适应度值最小的设定参数组;
节能控制模块,用于采用输出的设定参数组控制所述制冷设备。
8.根据权利要求7所述的制冷设备的节能控制装置,其特征在于,所述总制冷功率预测模块具体用于:
将所述环境温度和当前种群输入目标制冷功率预测模型,分别得到当前种群中各个设定参数组对应的总制冷功率。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182330.3A CN113993343A (zh) | 2021-10-11 | 2021-10-11 | 制冷设备的节能控制方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182330.3A CN113993343A (zh) | 2021-10-11 | 2021-10-11 | 制冷设备的节能控制方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113993343A true CN113993343A (zh) | 2022-01-28 |
Family
ID=79738111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111182330.3A Pending CN113993343A (zh) | 2021-10-11 | 2021-10-11 | 制冷设备的节能控制方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113993343A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115654786A (zh) * | 2022-12-28 | 2023-01-31 | 北京绿建软件股份有限公司 | 自动确定冷水机组运行策略的方法和装置 |
-
2021
- 2021-10-11 CN CN202111182330.3A patent/CN113993343A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115654786A (zh) * | 2022-12-28 | 2023-01-31 | 北京绿建软件股份有限公司 | 自动确定冷水机组运行策略的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107995039B (zh) | 面向云软件服务的资源自学习与自适应分配方法 | |
CN109600956B (zh) | 一种数据中心服务器放置位置优化算法和系统 | |
CN111427750B (zh) | 一种计算机平台的gpu功耗估计方法、系统及介质 | |
Elsayed et al. | Differential evolution with automatic parameter configuration for solving the CEC2013 competition on real-parameter optimization | |
CN113962186A (zh) | 芯片布局方法、装置、终端设备及计算机可读存储介质 | |
CN113239639B (zh) | 策略信息生成方法、装置、电子装置和存储介质 | |
WO2013040539A1 (en) | Method and system for energy control management | |
CN116882708B (zh) | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 | |
Elsayed et al. | A surrogate-assisted differential evolution algorithm with dynamic parameters selection for solving expensive optimization problems | |
Zhang et al. | Flow shop scheduling with reinforcement learning | |
Das et al. | A novel graphical lasso based approach towards segmentation analysis in energy game-theoretic frameworks | |
CN115238599B (zh) | 制冷系统节能方法及模型强化学习训练方法、装置 | |
CN112052027A (zh) | 一种处理ai任务的方法及装置 | |
CN113993343A (zh) | 制冷设备的节能控制方法、装置、终端及存储介质 | |
CN115481549A (zh) | 圆筒直线电机多目标优化方法、设备及存储介质 | |
US20190286971A1 (en) | Reconfigurable prediction engine for general processor counting | |
CN114494553B (zh) | 基于渲染时间估计和lod选择的实时渲染方法、系统及设备 | |
Bhatnagar et al. | Stochastic algorithms for discrete parameter simulation optimization | |
Lee et al. | Energy-efficient control of mobile processors based on long short-term memory | |
CN116795198A (zh) | 数据中心的能耗优化方法、装置及存储介质 | |
CN116017936A (zh) | 一种空调机房的控制方法及装置、电子设备及存储介质 | |
Choi et al. | An algorithmic framework for improving heuristic solutions: Part II. A new version of the stochastic traveling salesman problem | |
JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
CN114002949B (zh) | 基于人工智能的控制方法与控制装置 | |
CN113692177B (zh) | 数据中心制冷系统功耗的控制方法、装置及终端 |
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 |