CN114326987B - 制冷系统控制及模型训练方法、装置、设备及存储介质 - Google Patents
制冷系统控制及模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114326987B CN114326987B CN202111172827.7A CN202111172827A CN114326987B CN 114326987 B CN114326987 B CN 114326987B CN 202111172827 A CN202111172827 A CN 202111172827A CN 114326987 B CN114326987 B CN 114326987B
- Authority
- CN
- China
- Prior art keywords
- moment
- value
- chilled water
- adjustable parameter
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000012549 training Methods 0.000 title claims abstract description 104
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000005057 refrigeration Methods 0.000 claims abstract description 233
- 238000011217 control strategy Methods 0.000 claims abstract description 149
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 336
- 238000013210 evaluation model Methods 0.000 claims description 98
- 239000000498 cooling water Substances 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 22
- 238000005265 energy consumption Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 21
- 238000013473 artificial intelligence Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 239000003507 refrigerant Substances 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本申请提供了一种制冷系统控制及模型训练方法、装置、设备及存储介质，该方法包括：获取制冷系统中的不可调整参数在第一时刻的数值；将不可调整参数在第一时刻的数值输入控制策略模型中，得到制冷系统中的可调整参数在第一时刻的调整量预测值；根据可调整参数在第一时刻的调整量预测值，对可调整参数进行调整。其中，控制策略模型是以可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值为输入，以第t+1时刻的总功率真值和总制冷量真值为目标训练得到的，使得制冷系统根据控制策略模型预测出的可调整参数的调整量，进行参数调整后，可以保证制冷系统产生足够的制冷量的基础上，降低制冷系统的能耗。
Description
技术领域
本申请实施例涉及人工智能技术领域，尤其涉及一种制冷系统控制及模型训练方法、装置、设备及存储介质。
背景技术
数据中心用于向外提供计算服务，但是，在提供计算服务的同时，会产生大量的热负荷。为了保证数据中心中各设备的正常运行，需要向数据中心提供冷源，以降低数据中心的热负荷。
但是，为了确保数据中心的稳定运行，制冷系统提供的制冷量往往存在一定的冗余，造成能源浪费。
发明内容
本申请提供一种制冷系统控制及模型训练方法、装置、设备及存储介质，以保证制冷系统产生足够的制冷量的基础上，降低制冷系统的能耗。
第一方面，本申请提供一种模型训练方法，包括：
获取制冷系统中的不可调整参数在第t时刻的数值，以及所述制冷系统在第t+1时刻的总功率真值和总制冷量真值，所述第t时刻和所述第t+1时刻均为历史时刻，所述t为正整数；
以所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型和控制策略模型进行训练，得到训练后的所述评价模型和所述控制策略模型；
其中，所述评价模型用于预测所述制冷系统的总功率值和总制冷量值，所述控制策略模型用于预测所述可调整参数的调整量。
在一些实施例中，所述根据所述第二总功率预测值和第二总制冷量预测值，以及所述可调整参数在第t时刻的第二调整量，对预训练后的所述控制策略模型进行微调，得到训练后的所述控制策略模型，包括：
根据所述第二总制冷量预测值和所述制冷系统在第t+1时刻的所述总制冷量真值，确定制冷量损失；
将第一数值与所述制冷量损失进行相乘，得到第一乘积；
将所述第二总功率预测值的平方与第二数值进行相乘，得到第二乘积；
将所述第一乘积与所述第二乘积相加后与第三数值相乘，得到第三乘积；
将所述第二调整量与所述可调整参数在第t时刻的真值的差值的平方与第四数值相乘，得到第四乘积；
以确定所述第四乘积与所述第三乘积之和的最小值为目标，对所述预训练后的所述控制策略模型进行微调，得到训练后的所述控制策略模型。
第二方面，提供了一种制冷系统控制方法，包括：
获取所述制冷系统中的不可调整参数在第一时刻的数值；
将所述不可调整参数在第一时刻的数值输入控制策略模型中，得到所述制冷系统中的可调整参数在第一时刻的调整量预测值；
根据所述可调整参数在第一时刻的调整量预测值，对所述可调整参数进行调整；
其中，所述控制策略模型是以所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标训练得到的。
在一些实施例中，所述制冷系统中的可调整参数包括冷水主机的冷冻水出水温度、冷却水进水温度、冷冻水泵的运行频率和冷却水泵的运行频率中的至少一个；或者，
所述制冷系统中的不可调整参数包括所述冷水主机的冷冻水进水温度和冷却水出水温度中的至少一个。
在一些实施例中，所述不可调整参数在第一时刻的数值包括负载在第一时刻的耗电量，以及所述在第一时刻的冷冻水进水温度和冷却水出水温度，所述将所述不可调整参数在第一时刻的数值输入控制策略模型中，得到所述制冷系统中的可调整参数在第一时刻的调整量预测值，包括：
将所述负载在第一时刻的耗电量，以及所述冷水主机在第一时刻的冷冻水进水温度和冷却水出水温度，输入所述控制策略模型中，得到所述可调整参数在第一时刻的调整量预测值。
在一些实施例中，所述制冷系统控制方法还包括：
获取所述冷水主机在第一时刻之前的K个时刻内所述冷冻水进水温度、所述冷却水出水温度，以及所述负载在第一时刻之前的K个时刻内的耗电量，所述K为大于1的正整数；
所述将所述负载在第一时刻的耗电量，以及所述冷水主机在第一时刻的冷冻水进水温度和冷却水出水温度，输入所述控制策略模型中，得到所述可调整参数在第一时刻的调整量，包括：
将所述冷水主机在第一时刻以及第一时刻之前的K个时刻内的冷冻水进水温度和冷却水出水温度，以及所述负载在第一时刻以及第一时刻之前的K个时刻内的耗电量，输入所述控制策略模型中，得到所述可调整参数在第一时刻的调整量。
在一些实施例中，所述制冷系统控制方法还包括：将所述可调整参数在第一时刻的调整量预测值，以及所述不可调整参数在第一时刻的数值输入评估模型中，得到所述评估模型预测的所述制冷系统在第二时刻的总功率预测值和总制冷量预测值。
第三方面，提供了一种模型训练装置，包括：
获取单元，用于获取制冷系统中的不可调整参数在第t时刻的数值，以及所述制冷系统在第t+1时刻的总功率真值和总制冷量真值，所述第t时刻和所述第t+1时刻均为历史时刻，所述t为正整数；
训练单元，用于以所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型和控制策略模型进行训练，得到训练后的所述评价模型和所述控制策略模型；
其中，所述评价模型用于预测所述制冷系统的总功率值和总制冷量值，所述控制策略模型用于预测所述可调整参数的调整量。
第四方面，提供了一种制冷系统控制装置，包括：
获取单元，用于获取所述制冷系统中的不可调整参数在第一时刻的数值；
预测单元，用于将所述不可调整参数在第一时刻的数值输入控制策略模型中，得到所述制冷系统中的可调整参数在第一时刻的调整量预测值；
调整单元，用于根据所述可调整参数在第一时刻的调整量预测值，对所述可调整参数进行调整；
其中，所述控制策略模型是以所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标训练得到的。
第五方面，提供了一种计算设备，包括处理器和存储器。所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行上述第一方面和第二方面或其各实现方式中的方法。
第六方面，提供了一种芯片，用于实现上述第一方面至第二方面中任一方面或其各实现方式中的方法。具体地，所述芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如上述第一方面和第二方面中任一方面或其各实现方式中的方法。
第七方面，提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行上述第一方面和第二方面中任一方面或其各实现方式中的方法。
第八方面，提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令使得计算机执行上述第一方面和第二方面中任一方面或其各实现方式中的方法。
第九方面，提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面和第二方面中任一方面或其各实现方式中的方法。
综上，本申请通过获取制冷系统中的不可调整参数在第一时刻的数值；将不可调整参数在第一时刻的数值输入控制策略模型中，得到制冷系统中的可调整参数在第一时刻的调整量预测值；根据可调整参数在第一时刻的调整量预测值，对可调整参数进行调整。其中，控制策略模型是以可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值为输入，以第t+1时刻的总功率真值和总制冷量真值为目标训练得到的，使得制冷系统根据控制策略模型预测出的可调整参数的调整量，进行参数调整后，可以保证制冷系统产生足够的制冷量的基础上，降低制冷系统的能耗。
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的前提下，还可以根据这些附图获得其他的附图。
图1为制冷系统运行原理图；
图2为本申请实施例涉及的一种实施环境的结构示意图；
图3为本申请一实施例提供的模型训练方法的流程示意图；
图4为本申请实施例涉及的模型框架示意图；
图5A为评价模型的网络结构示意图；
图5B为功率预测单元的网络结构示意图；
图5C为制冷量预测单元的网络结构示意图；
图6为控制策略模型的网络结构示意图；
图7为本申请实施例提供的制冷系统控制方法流程示意图；
图8A为本申请实施例涉及的调整量预测示意图；
图8B为本申请实施例涉及的功率和制冷量预测示意图；
图9为展示了控制策略模型预测的制冷系统中可调整参数的调整量的结果示意图；
图10展示了制冷系统的总功率示意图；
图11展示了制冷系统的总制冷量示意图；
图12是本申请一实施例提供的模型训练装置的示意性框图；
图13是本申请一实施例提供的制冷系统控制装置的示意性框图；
图14是本申请实施例提供的计算设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应理解，在本发明实施例中，“与A对应的B”表示B与A相关联。在一种实现方式中，可以根据A确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
在本申请的描述中，除非另有说明，“多个”是指两个或多于两个。
另外，为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
为了便于理解本申请的实施例，首先对本申请实施例涉及到的相关概念进行如下简单介绍：
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
预训练：通过大量无标注的语言文本进行语言模型的训练，得到一套模型参数；利用这套参数对模型进行初始化，实现模型“热启动”，再根据具体任务在现有语言模型的架构上对参数进行微调来拟合任务提供的标签数据。预训练的方法在自然语言处理的分类和标记任务中，都被证明拥有很好的效果。
图1为制冷系统运行原理图，如图1所示，制冷系统是由冷水主机、冷冻水泵、冷却水泵以及冷却塔等设备组成的供冷系统。制冷系统中会配备多台冷水机、水泵以及冷却塔，通过各设备的共同作用，产生足够的制冷量以平衡机房产生的热负荷。如图1所示，制冷系统包括三个循环：冷冻水循环、制冷剂循环、冷却水循环。
冷冻水循环换热过程：冷冻水通过在蒸发器中与制冷剂进行换热降温成为低温冷冻水，再经冷冻水泵输送至机房的空调末端，与机房室内空气进行换热后变成高温冷冻水，高温冷冻水随后回到蒸发器中与制冷剂换热。
冷却水换热过程：冷却水在冷却塔中与室外空气进行换热降温成为低温冷却水，再经冷却水泵输送至冷水主机中的冷凝器，与制冷剂进行换热升温成为高温冷却水。
制冷剂换热过程：液态制冷剂在蒸发器中与冷冻水换热变成过热蒸汽，压缩机消耗电力将过热蒸汽变为高温高压制冷剂蒸汽，蒸汽至冷凝器中与冷却水进行换热重新变为液态制冷剂，经节流阀调整为低温低压的液态制冷剂重新进行循环。
本申请实施例提供的制冷系统控制方法，可以应用于任意场景中的制冷系统中，例如可以应用于车载或数据中心等的制冷系统中。
在一些实施例中，本申请实施例的方法可以应用于数据中心中的制冷系统中。目前数据中心用电量以15％年增长，到2025年将占据4.5％的社会用电总量。数据中心的能耗管理日益成为一个充满挑战的问题。近年来，研究人员不断探索并改进数据中心的运营控制策略，利用以数据为驱动的人工智能算法，一定程度上提高了数据中心能源使用效率。数据中心的能耗可分为两个组成部分：IT设备能耗以及制冷系统能耗。数据中心的服务器在对外提供计算服务的同时，其消耗的功率会转移为例如里的热负荷。而服务器的正常运行是以一定的环境温度为条件的。经数据中心测试，服务器可以在29℃以下的环境中进行工作，当环境温度超出上述条件时，服务器的宕机风险超过90％。因此，数据中心常配备制冷系统以带走机房里的热负荷。制冷系统耗电通常占据整个数据中心总用电量的30％。为了确保服务器的稳定运行，其提供的制冷量往往存在一定的冗余，具有较大的节能空间。因此，实现制冷系统节能运行是提高数据中心能源利用率的重要方法。
本申请通过控制策略模型来预测制冷系统中可调整参数的调整量，进而根据该可调整参数的调整量对制冷系统进行调整，在保证制冷系统产生足够的制冷量的基础上，降低制冷系统的能耗。
图2为本申请实施例涉及的一种实施环境的结构示意图，如图2所示，该实施环境包括终端101和服务器102，终端101上可以安装有与服务器102关联的应用客户端，通过该应用客户端，可以与服务器102进行交互。
其中，终端101可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能电视等，但并不局限于此。示例性的，终端101可以是用户侧设备，也可以是开发侧设备。终端101可以泛指多个终端中的一个，本实施例仅以一个终端101来举例说明。
服务器102可以是一台或多台。服务器102是多台时，存在至少两台服务器用于提供不同的服务，和/或，存在至少两台服务器用于提供相同的服务，比如以负载均衡方式提供同一种服务，本申请实施例对此不加以限定。服务器102中可以设置有预测模型，该服务器102为该预测模型的训练和应用过程提供支撑。其中，上述服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器102也可以成为区块链的节点。
上述终端101与服务器102可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例对此不作限定。
可选的，服务器102承担主要模型训练工作，终端101承担次要模型训练工作；或者，服务器102承担次要模型训练工作，终端101承担主要模型训练工作；或者，服务器102或终端101分别可以单独承担模型训练工作。
用户设备上可以设有客户端，该客户端可以是视频客户端、浏览器客户端、信息流客户端等。
下面通过一些实施例对本申请实施例的技术方案进行详细说明。下面这几个实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图3为本申请一实施例提供的模型训练方法的流程示意图。本申请实施例的执行主体为具有模型训练功能的装置，例如模型训练装置，该模型训练装置可以为图3中的服务器和/或终端。
如图3所示，本申请实施例的方法包括：
S301、获取制冷系统中的不可调整参数在第t时刻的数值，以及制冷系统在第t+1时刻的总功率真值和总制冷量真值。
上述第t时刻和第t+1时刻均为历史时刻，t为正整数，即上述第t时刻为任意历史时刻。
在一些实施例中，获得制冷系统中的历史数据，该历史数据包括不可调整参数在不同历史时刻的数值和制冷系统在不同历史时刻的总功率真值和总制冷量真值，其中第t时刻为历史时刻中的任一历史时刻，第t+1时刻历史时刻中，位于第t时刻之前的第一个历史时刻。
如图1所示，制冷系统中的设备主要包括冷水主机、冷冻水泵和冷却水泵。其中，冷水主机包括蒸发器、冷凝器、压缩机和节流阀等。
制冷系统的参数包括冷水主机的冷冻水出水温度、冷却水进水温度、冷冷冻水进水温度、冷却水出水温度、冷冻水泵的运行频率、冷却水泵的运行频率、压缩机运行频率、冷凝器运行频率、压缩机运行频率等。
上述制冷系统中的参数，部分参数为可调整参数，即可以主动进行调整的参数，例如冷冻水泵的运行频率、冷却水泵的运行频率、压缩机运行频率、冷凝器运行频率、压缩机运行频率等。部分参数为不可调整参数，即不可以主动进行调整的参数，例如冷水主机的冷冻水进水温度等。
在一些实施例中，不可调整参数包括冷水主机的冷冻水进水温度和冷却水出水温度中的至少一个。
在一些实施例中，可调整参数包括冷水主机的冷冻水出水温度、冷却水进水温度、冷冻水泵的运行频率和冷却水泵的运行频率中的至少一个。
在一些实施例中，制冷系统的总功率可以是制冷系统中所有设备或核心设备的功率之和。
在一些实施例中，制冷系统的总制冷量可以是制冷系统中用于制冷的所有主管道上的制冷量之和。
S302、以不可调整参数在第t时刻的数值为输入，以第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型和控制策略模型进行训练，得到训练后的评价模型和控制策略模型。
其中，评价模型用于预测制冷系统的总功率值和总制冷量值，控制策略模型用于预测可调整参数的调整量。
图4为本申请实施例涉及的模型框架示意图，如图4所示，其中控制策略模型的输入为不可调整参数在第t时刻的数值St，输出为可调整参数在第t时刻的调整量预测值其中控制策略模型用于预测可调整参数的调整量。
评价模型的输入为可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值St，评价模型的输出为制冷系统的总功率预测值和总制冷量预测值其中评价模型用来预测制冷系统的总功率值和总制冷量值，即可以评估在一定状态下对制冷系统中的可调整参数做出调节后，制冷系统的能耗。
本申请实施例，在模型训练过程中，以第t+1时刻的总功率真值和总制冷量真值为目标，进而保证训练后的模型在预测出制冷系统的最小能耗时，可以产生足够的制冷量以平衡负载(例如IT负载或车载设备)产生的热量，从而在节约能源的同时，保证了制冷系统提供需要的能量，提高了制冷系统的控制可靠性。
在一些实施例中，上述S302中以不可调整参数在第t时刻的数值为输入，以第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型和控制策略模型进行训练的方式包括但不限于如下几种方式：
方式一，控制策略模型和评价模型同步训练。
例如，将不可调整参数在第t时刻的数值输入控制策略模型，得到控制策略模型输出的可调整参数在第t时刻的预测调整量；接着，将可调整参数在第t时刻的预测调整量和不可调整参数在第t时刻的数值一起输入评价模型中，得到评价模型输出的制冷系统在第t+1时刻的总功率预测值和总制冷量预测值，最后根据第t+1时刻的总功率预测值和总制冷量预测值与第t+1时刻的总功率真值和总制冷量真值，确定目标损失，根据目标损失对控制策略模型和评价模型中的参数进行调整。重复上述步骤进行多次迭代，直到达到模型训练结束条件为止，其中模型训练结束条件包括目标损失小于或等于预设损失，或训练次数达到预设次数。
方式二，对评价模型先训练，对控制策略模型后训练。
在该方式二中，上述S302包括如下步骤：
S302-A1、获取制冷系统中的可调整参数在第t时刻的调整量。
其中，可调整参数在第t时刻的调整量可以理解为将可调整参数在第t时刻的数值调整为该调整量。
S302-A2、以可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值为输入，以第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型进行训练，得到训练后的评价模型。
S302-A3、使用训练后的评价模型，以及不可调整参数在第t时刻的数值，对控制策略模型进行训练，得到训练后的控制策略模型，控制策略模型用于预测可调整参数的调整量。
在该方式二中，先对评价模型进行训练，在训练评价模型的过程中，以总功率真值和总制冷量真值为约束，使得训练后的评价模型可以在保证制冷量的提前下，预测出制冷系统的最小功率值。接着，使用训练好的评价模型，监督控制策略模型的训练过程，使得制冷系统根据训练后的控制策略模型所预测的调整量对可调整参数进行调整时，可以实现在保证输出足够的制冷量的提前下，消耗最小的能耗。
下面首先结合具体的网络模型，对评价模型的训练过程进行介绍。
在一些实施例中，上述S302-A2中对评价模型的训练过程通过如下S302-A21至S302-A23的步骤：
S302-A21、将可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值输入评价模型中，得到制冷系统在第t+1时刻的第一总功率预测值和第一总制冷量预测值；
S302-A22、根据第一总功率预测值与总功率真值，以及第一总制冷量预测值与总制冷量真值，确定评价模型的损失；
S302-A23、根据评价模型的损失对评价模型中的参数进行调整，得到训练后的评价模型。
具体的，例如t＝10，将可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值输入评价模型中，得到评价模型输出的制冷系统在第t+1时刻的第一总功率预测值和第一总制冷量预测值。根据第一总功率预测值与总功率真值，以及第一总制冷量预测值与总制冷量真值，确定评价模型的损失，例如计算第一总功率预测值与总功率真值之间的差值或平方差，以及第一总制冷量预测值与总制冷量真值之间的差值或平方差，将第一总功率预测值与总功率真值之间的差值或平方差，与第一总制冷量预测值与总制冷量真值之间的差值或平方差的和，作为评价模型的损失11，将该损失11与预设的损失进行比较，若小于预设的损失，则对评价模型中的参数进行调整。接着，令t＝11，将可调整参数在第11时刻的调整量和不可调整参数在第11时刻的数值输入调整后的评价模型中，重复上述步骤，确定评价模型的损失12，并根据损失12对评价模型中的参数进行调整。依次类推，经过多轮迭代，得到训练后的评价模型。
本申请实施例对评价模型的具体网络结构不做限制。
在一些实施例中，如图5A所示，评价模型包括功率预测单元和制冷量预测单元，其中功率预测单元用于预测制冷系统的总功率，制冷量预测单元用于预测制冷系统的总制冷量。在图5A所示的网络结构基础上，上述S302-A21包括如下步骤：
S302-A211、将可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值输入功率预测单元中，得到制冷系统在第t+1时刻的第一总功率预测值。
S302-A212、将可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值输入制冷量预测单元中，得到制冷系统在第t+1时刻的第一总制冷量预测值。
如图5A所示，上述功率预测单元和制冷量预测单元可以理解为两个并列单元，具体是，将制冷系统中可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值输入功率预测单元中，得到功率预测单元输出的制冷系统在第t+1时刻的第一总功率预测值。将可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值输入制冷量预测单元中，得到制冷量预测单元输出的制冷系统在第t+1时刻的第一总制冷量预测值。
在一些实施例中，若上述可调整参数在第t时刻的调整量包括冷冻水泵在第t时刻的频率调整量和冷却水泵在第t时刻的频率调整量，此时，上述S302-A211包括：将不可调整参数在第t时刻的数值，以及冷冻水泵在第t时刻的频率调整量和冷却水泵在第t时刻的频率调整量，输入功率预测单元中，得到制冷系统在第t+1时刻的第一总功率预测值。
本申请实施例对功率预测单元的网络结构不做限制。
在一些实施例中，如图5B所示，功率预测单元包括冷水主机功率预测单元、冷冻水泵功率预测单元和冷却水泵功率预测单元。此时，上述S302-A211包括如下步骤：
S302-A2111、将不可调整参数在第t时刻的数值，以及冷冻水泵在第t时刻的频率调整量和冷却水泵在第t时刻的频率调整量，输入冷水主机功率预测单元中，得到冷水主机在第t+1时刻的第一功率预测值。
在一些实施例中，将不可调整参数在第t时刻的数值、冷冻水泵在第t时刻的频率调整量和冷却水泵在第t时刻的频率调整量，以及冷水主机在第t时刻的冷冻水出水温度调整量和冷却水进水温度调整量中的至少一个，输入冷水主机功率预测单元中，得到冷水主机在第t+1时刻的第一功率预测值。
其中，不可调整参数在第t时刻的数值包括冷水主机在第t时刻的冷冻水进水温度和冷却水出水温度中的至少一个。
在一种示例中，将冷水主机在第t时刻的冷冻水进水温度、冷却水出水温度、冷冻水出水温度调整量、冷却水进水温度调整量、冷冻水泵在第t时刻的频率调整量和冷却水泵在第t时刻的频率调整量，输入冷水主机功率预测单元中，得到冷水主机在第t+1时刻的第一功率预测值。
本申请对冷水主机功率预测单元的网络结构不做限制，可选的，冷水主机功率预测单元为多层感知机(MIP)。
S302-A2112、将冷冻水泵在第t时刻的频率调整量，输入冷冻水泵功率预测单元中，得到冷冻水泵在第t+1时刻的第一功率预测值。
本申请对冷冻水泵功率预测单元的网络结构不做限制，可选的，冷冻水泵功率预测单元为多层感知机(MIP)。
S302-A2113、将冷却水泵在第t时刻的频率调整量，输入冷却水泵功率预测单元中，得到冷却水泵在第t+1时刻的第一功率预测值。
本申请对冷却水泵功率预测单元的网络结构不做限制，可选的，冷却水泵功率预测单元为多层感知机(MIP)。
S302-A2114、根据冷水主机在第t+1时刻的第一功率预测值、冷冻水泵在第t+1时刻的第一功率预测值和冷却水泵在第t+1时刻的第一功率预测值，得到制冷系统在第t+1时刻的第一总功率预测值。
例如，将冷水主机在第t+1时刻的第一功率预测值、冷冻水泵在第t+1时刻的第一功率预测值和冷却水泵在第t+1时刻的第一功率预测值之和，作为制冷系统在第t+1时刻的第一总功率预测值。
上述对功率预测单元的网络结构和训练过程进行介绍。下面对制冷量预测单元的网络结构的训练过程进行介绍。
在一些实施例中，若上述不可调整参数在第t时刻的数值包括冷水主机在第t时刻的冷冻水进水温度，可调整参数在第t时刻的调整量包括冷冻水泵在第t时刻的频率调整量和冷水主机在第t时刻的冷冻水出水温度调整量，则上述S302-A212包括：将冷水主机在第t时刻的冷冻水进水温度和冷冻水出水温度调整量、以及冷冻水泵在第t时刻的频率调整量，输入制冷量预测单元中，得到制冷系统在第t+1时刻的第一总制冷量预测值。
在一些实施例中，如图5C所示，制冷量预测单元包括制冷系统的主管道的冷冻水流量预测单元和冷冻水进出水温度预测单元。在一种示例中，制冷系统包括a和b两根主管道，该冷冻水流量预测单元用于预测每根主管道上制冷量。冷冻水进出水温度预测单元用于预测每根主管道上的冷冻水进水温度和冷冻水出水温度。
在图5C所示的制冷量预测单元的网络结构基础上，上述S302-A212包括如下步骤：
S302-A2121、将冷冻水泵在第t时刻的频率调整量，输入冷冻水流量预测单元中，得到每根主管道在第t+1时刻的第一冷冻水流量预测值。
本申请对冷冻水流量预测单元的具体网络结构不做限制。
由于冷冻水流量的预测表现出较强的时序特征，在一些实施例中，冷冻水流量预测单元采用了以注意力机制(Attention)为基础的时序模型。
在一些实施例中，为了进一步提高冷冻水流量预测的准确性，本步骤不仅以冷冻水水泵在第t时刻的运行频率ht作为输入，还获取冷冻水泵在第t-p到第t-1时刻内的频率调整量，其中p为大于1的正整数，例如获取一个滑动窗口的历史冷冻水水泵频率ht-10:(滑动窗口长度为10)，以考虑多个时刻的水泵频率对t+1时刻总管流量的影响。接着，将冷冻水泵在第t-p到第t时刻内的运行频率调整量，输入所述冷冻水流量预测单元中，得到每根主管道在第t+1时刻的第一冷冻水流量预测值，以考虑多个时刻的水泵频率对t+1时刻总管流量的影响，进而提高了主管道在第t+1时刻的第一冷冻水流量的预测准确性。
S302-A2122、将冷水主机在第t时刻的冷冻水进水温度和冷冻水出水温度调整量，输入冷冻水进出水温度预测单元中，得到每根主管道在第t+1时刻的第一冷冻水出水温度预测值和第一冷冻水进水温度预测值。
本步骤冷冻水进出水温度预测单元的具体网络结构不做限制，可选的，冷冻水进出水温度预测单元为MIP。
S302-A2123、根据每根主管道的第一冷冻水流量预测值、第一冷冻水出水温度预测值和第一冷冻水进水温度预测值，确定制冷系统在第t+1时刻的第一总制冷量预测值。
在一些实施例中，上述S302-A2123包括：确定每根主管道的第一冷冻水进水温度预测值与第一冷冻水出水温度预测值之间的温度差值；将每根主管道的第一冷冻水流量预测值与温度差值的乘积之和，确定为制冷系统在第t+1时刻的第一总制冷量预测值。
示例性的，根据如下公式(1)，得到制冷系统在第t+1时刻的第一总制冷量预测值：
其中，ct+1为制冷系统在第t+1时刻的第一总制冷量预测值。N为主管道的数量，i为第i根主管道，为第i根主管道在第t+1时刻的第一冷冻水流量预测值，为第i根主管道在第t+1时刻的第一冷冻水进水温度预测值，为第i根主管道在第t+1时刻的第一冷冻水出水温度预测值。
本实施例针对制冷系统中各组件的不同特性，选择了不同的网络结构以提高评估模型的功率预测精度。
上文对评价模型的网络结构和训练过程进行介绍，下面结合控制策略模型的训练过程进行介绍。
本申请利用神经网络对制冷系统的控制策略进行了建模，在面对大量的可调整参数时，可降低制冷系统实时策略生成的计算复杂度。
在一些实施例中，控制策略模型的训练过程包括预训练和微调两个过程，其中预训练过程保证控制策略模型学习到的调整方式与已有制冷系统的调整方式相似，避免控制策略模型根据评估模型的误差进行参数调整时，使得控制策略模型学习到已有调整方式之前的调整方式，保证了控制策略模型预测的调整方式可以被已有制冷系统实现，进而提高了制冷系统的控制可靠性。利用微调过程，进一步降低生成策略的功耗以及增加相应的制冷量。
在一些实施例中，上述S302包括如下S302-A31至S302-A35的步骤，其中S302-A31和S302-A32为预训练过程，S302-A33至S302-A35为微调过程。
S302-A31、将不可调整参数在第t时刻的数值输入控制策略模型中，得到可调整参数在第t时刻的第一调整量。
在一些实施例中，为了提高控制策略模型的预测准确性，则上述不可调整参数还包括负载的耗电量。
在一种示例中，若不可调整参数在第t时刻的数值包括负载在第t时刻的耗电量，以及冷水主机在第t时刻的冷冻水进水温度和冷却水出水温度，则上述S302-A31包括：将负载在第t时刻的耗电量，以及冷水主机在第t时刻的冷冻水进水温度和冷却水出水温度，输入控制策略模型中，得到可调整参数在第t时刻的第一调整量。该示例中，在训练控制策略模型中考虑了负载在第t时刻的耗电量，使得训练后的控制策略模型可以预测出更加符合实际的调整量。
在一些实施例中，为了进一步提高控制策略模型训练的准确性，则本实施例还通过获取冷水主机在第t-m至第t-1时刻内的冷冻水进水温度和冷却水出水温度，以及负载在第t-m至第t-1时刻的耗电量，m为大于1的正整数，并将冷水主机在第t-m至第t时刻内的冷冻水进水温度和冷却水出水温度，以及负载在第t-m至第t时刻内的耗电量，输入控制策略模型中，得到可调整参数在第t时刻的第一调整量。例如，图6所示，输入控制策略模型的状态量St包括负载在第t-m至第t时刻的耗电量、冷水主机在第t-m至第t时刻内的冷冻水进水温度和冷却水出水温度，控制策略模型输出的第一调整量At包括：冷水主机的冷冻水出水温度调整量、冷却水进水温度调整量、冷冻水泵频率调整量和冷却水泵频率调整量。
S302-A32、根据可调整参数在第t时刻的第一调整量和可调整参数在第t时刻的调整量真值，对控制策略模型进行预训练，得到预训练后的控制策略模型。
预训练的目的是为了使控制策略输出的调整量的调整方式尽可能与制冷系统已有的调整方式相似，进而避免控制策略模型生成的调整方式落到未学习过的领域。例如，制冷系统已有的调整方式包括对冷水主机的冷冻水出水温度进行调整、对冷却水进水温度进行调整、对冷冻水泵的运行频率进行调整和对冷却水泵的运行频率进行调整中的至少一个。这样使用可调整参数在第t时刻的调整量真值作为约束，使得控制策略模型学习历史数据对应的已有的调整方式，避免学习到制冷系统中没有的调整方式，使生成的控制策略模型更符合实际应用场景。
在一些实施例中，控制策略模型在预训练阶段的优化目标如公式(2)所示：
其中，θActor为控制策略模型中待学习的参数，为控制策略模型输出的可调整参数在第t时刻的第一调整量，At为可调整参数在第t时刻的调整量真值。
在该实施例中，在预训练阶段，以上述公式(2)为优化目标，使得控制策略模型输出的可调整参数的调整量逐渐逼近可调整参数的调整量真值，进而使得控制策略模型学习制冷系统已有的调整方式，使生成的控制策略模型更符合实际应用场景。
经过上述步骤，对控制策略模型预训练结束后，根据如下S302-A31至S302-A35的步骤对预训练后的控制策略模型进行微调。
S302-A33、将不可调整参数在第t时刻的数值输入预训练后的控制策略模型中，得到可调整参数在第t时刻的第二调整量。
S302-A34、将可调整参数在第t时刻的第二调整量输入训练后的评价模型中，得到制冷系统在第t+1时刻的第二总功率预测值和第二总制冷量预测值。
S302-A35、根据第二总功率预测值和第二总制冷量预测值，以及预测的第二调整量，对预训练后的控制策略模型进行微调，得到训练后的控制策略模型。
微调的目的是为了在现有的调整策略基础上，进一步降低能耗或产生更充分的制冷量。
本申请实施例对控制策略模型的具体网络结构不做限制，可选的，控制策略模型为Attention。
在一些实施例中，控制策略模型最后一层采用sigmoid函数进行非线性激活，确保了生成的可调整参数的调整量始终落在历史调整量的范围内。
在一些实施例中，上述S302-A35包括：根据所述第二总制冷量预测值和所述制冷系统在第t+1时刻的所述总制冷量真值，确定制冷量损失；将第一数值与所述制冷量损失进行相乘，得到第一乘积；将所述第二总功率预测值的平方与第二数值进行相乘，得到第二乘积；将所述第一乘积与所述第二乘积相加后与第三数值相乘，得到第三乘积；将所述第二调整量与所述可调整参数在第t时刻的真值的差值的平方与第四数值相乘，得到所述第四乘积；以确定所述第四乘积与所述第三乘积之和的最小值为目标，对所述预训练后的所述控制策略模型进行微调，得到训练后的所述控制策略模型。
在一些实施例中，控制策略模型在微调阶段的优化目标loss2如公式(3)所示：
其中，Ct+1为制冷量约束(或制冷量损失)，表达式如公式(4)所示：
其中，为第j个功率设备在第t+1时刻的预测功率，第j个功率设备可以为上述冷水主机、冷冻水泵、冷却水泵等，为制冷系统在第t+1时刻的第二总功率预测值，β为第二数值，为制冷系统在第t+1时刻的第二总制冷量预测值，为制冷系统在第t+1时刻的总制冷量真值，vit+1为第i根主管道在第t+1时刻的第一冷冻水流量真值，kit+1,in为第i根主管道在第t+1时刻的第一冷冻水进水温度真值，kit+1,out为第i根主管道在第t+1时刻的第一冷冻水出水温度真值，1-β为第一数值，1-γ为第三数值，γ为第四数值。
其中，s取大于等于1的一个值，例如采用1.2，以保证调节后冷源系统产生的制冷量略微大于历史数据中所要求产生的必须的制冷量。
其中，γ∈[0,1]为控制策略模型训练过程中的超参数，一般由工程师依据经验设置。较大的γ会使控制策略模型生成的调节方式与历史调节方式更为相似，较小的γ会使控制策略模型带来更大的节能收益。由于评价模型是在历史数据分布上进行的训练，当控制策略模型输出的控制策略(即调整量)极大地偏离了历史数据分布时，评价模型的精度将会在一定程度上下降，从而导致评估结果不准确，错误地引导控制策略模型中参数的更新。因此，γ参数也不可设置过大。
其中，β∈[0,1]是控制策略模型在功率与制冷量之间取得平衡的超参数，较大的β会使控制策略模型倾向于节约功率而减少制冷量的生产，反之会使控制策略模型倾向于增大功率同时增加制冷量的生产。
经过上述步骤，完成评价模型和控制策略模型的训练，其中训练后的控制策略模型用于根据当前的制冷系统中的不可调参数的数值，预测制冷系统中可调整参数的调整量，并根据该调整量对可调整参数进行调整，实现制冷系统的控制。评价模型用于预估下一时刻制冷系统的总功率和总制冷量，以便根据下一时刻制冷系统的总功率预测值和总制冷量预测值，对制冷系统进行控制。
本申请实施例提供的模型训练方法，通过获取制冷系统中的不可调整参数在第t时刻的数值，以及制冷系统在第t+1时刻的总功率真值和总制冷量真值，其中第t时刻和所述第t+1时刻均为历史时刻；并以不可调整参数在第t时刻的数值为输入，以第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型和控制策略模型进行训练，得到训练后的评价模型和控制策略模型，该模型训练过程中以总功率真值和总制冷量真值为约束，使得制冷系统根据训练后的模型预测出的可调整参数的调整量，进行参数调整后，可以保证制冷系统产生足够的制冷量的基础上，降低制冷系统的能耗。
上文对模型的训练过程进行介绍，下面对模型的使用过程进行介绍。
图7为本申请实施例提供的制冷系统控制方法流程示意图，本实施例的执行主体可以是制冷系统中的控制设备，该控制设备上安装有通过上述模型训练方法训练得到的控制策略模型。
如图7所示，本申请实施例包括：
S701、获取制冷系统中的不可调整参数在第一时刻的数值。
上述第一时刻可以是当前时刻或其他任一历史时刻。
其中，制冷系统中的不可调整参数包括冷水主机的冷冻水进水温度和冷却水出水温度中的至少一个。
上述制冷系统中的不可调整参数在第一时刻的数值的获取方法包括但不限于如下几种：
方式一，冷水主机中的传感器实时采集冷水主机的冷冻水进水温度和冷却水出水温度，并将采集到的冷冻水进水温度和冷却水出水温度发送给制冷系统中的控制设备。
方式二，冷水主机中的传感器实时采集冷水主机的冷冻水进水温度和冷却水出水温度，并将采集到的冷冻水进水温度和冷却水出水温度发送给存储设备，制冷系统中的控制设备从该存储设备中获得不可调整参数在第一时刻的数值。
S702、将不可调整参数在第一时刻的数值输入控制策略模型中，得到制冷系统中的可调整参数在第一时刻的调整量预测值。
其中，控制策略模型是以可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值为输入，以第t+1时刻的总功率真值和总制冷量真值为目标训练得到的。具体训练过程参照上述模型训练实施例的描述，在此不再赘述。
如图8A所示，本步骤将上述获取的制冷系统中的不可调整参数在第一时刻的数值输入训练后的控制策略模型中，得到该控制策略模型输出的制冷系统中的可调整参数在第一时刻的调整量预测值。
在一种示例中，制冷系统中的可调整参数包括冷水主机的冷冻水出水温度、冷却水进水温度、冷冻水泵的运行频率和冷却水泵的运行频率中的至少一个。该控制策略模型输出的制冷系统中的可调整参数在第一时刻的调整量包括：冷水主机的冷冻水出水温度在第一时刻的调整量、冷却水进水温度在第一时刻的调整量、冷冻水泵的运行频率在第一时刻的调整量和冷却水泵的运行频率在第一时刻的调整量中的至少一个。
在一些实施例中，不可调整参数在第一时刻的数值还包括负载在第一时刻的耗电量，此时上述S702包括：将负载在第一时刻的耗电量，以及冷水主机在第一时刻的冷冻水进水温度和冷却水出水温度，输入控制策略模型中，得到可调整参数在第一时刻的调整量预测值。
在一些实施例中，为了进一步提高控制策略模型预测的准确性，则本申请实施例还包括：获取冷水主机在第一时刻之前的K个时刻内冷冻水进水温度、冷却水出水温度，以及负载在第一时刻之前的K个时刻内的耗电量，K为大于1的正整数；并将冷水主机在第一时刻以及第一时刻之前的K个时刻内的冷冻水进水温度和冷却水出水温度，以及负载在第一时刻以及第一时刻之前的K个时刻内的耗电量，输入控制策略模型中，得到可调整参数在第一时刻的调整量预测值。该实施例中，通过第一时刻以及第一时刻之前的不可调整参数的数值，可以提高对可调整参数在第一时刻的调整量的预测准确性。
S703、根据可调整参数在第一时刻的调整量预测值，对可调整参数进行调整。
例如，上述预测的可调整参数在第一时刻的调整量预测值包括：冷水主机的冷冻水出水温度在第一时刻的调整量预测值a1、冷却水进水温度在第一时刻的调整量预测值a2、冷冻水泵的运行频率在第一时刻的调整量预测值a3和冷却水泵的运行频率在第一时刻的调整量预测值a4中的至少一个。这样可以根据这些调整量对第一时刻的可调整参数进行调整，例如，将冷水主机的冷冻水出水温度调整为上述预测出的a1，将冷却水进水温度调整为上述预测出的a2，将冷冻水泵的频率调整为上述预测出的a3，将冷却水泵的频率调整为上述预测出的a4。
在一些实施例中，如图8B所示，上述制冷系统中的控制设备还包括经过上述模型训练步骤训练得到的评价模型，在需要评估制冷系统在第二时刻的总功率预测值和总制冷量预测值时，可以将上述控制策略模型预测的可调整参数在第一时刻的调整量预测值，以及不可调整参数在第一时刻的数值输入评估模型中，得到评估模型预测的制冷系统在第二时刻的总功率预测值和总制冷量预测值。
示例性的，为了进一步说明本申请提供的制冷控制方法的有益效果，则将本申请提供的技术方案应用在某一数据中心的制冷系统。
首先，使用该数据中心的制冷系统的历史数据，进行建模与优化。
示例性的，训练使用的数据时间轴为时间1-时间2，从中随机选取20％的数据点作为验证集，剩余部分作为训练集。另外选取时间2-时间3这一时间段的数据作为测试集。数据测点的时间间隔为10分钟。本示例共使用61个测点，其取值范围如下表1所示：
表1：测点数据统计信息
真实场景下的数据测点通常包含大量的噪声：存在异常值、缺失值等。本示例在数据清理过程中，假设各测点数据服从正太分布N(μ,σ2)，将落在3σ以外的数据点作为异常值进行截断；另外针对缺失值，分别采用线性差值和最近邻差值的方式进行缺失值填补。将清洗后的数据，按照下式(5)进行归一化：
其中，x为任一训练数据，xmin为训练数据中的最小值，xmax为训练数据中的最大值。
控制策略模型最后一层采用sigmoid函数进行非线性激活，确保了生成的可调整参数的调整量始终落在表1中约定的范围内。
根据上述模型训练方法，对模型进行训练，得到可应用于该数据中心的控制策略模型。
接着，对上述训练好的控制策略模型进行测试。
在一些实施例中，本申请提供了基于当前制冷系统状态实时生成调整方式的接口。
图9为展示了控制策略模型预测的制冷系统中可调整参数的调整量的结果示意图。如图9所示，根据预测的调整量对制冷系统进行调整后，可以保证制冷系统在产生的制冷量不降低的情况下，节约28.08％的功率。
在一些实施例中，使用时间2-时间3这一时间段上的数据对评估模型进行测试。图10展示了制冷系统的总功率示意图，包括历史数据中消耗的总功率，使用系统已有控制策略下消耗的预测总功率，和本申请预估出的预测总功率。本申请的总功率的平均绝对误差(Mean Absolute Error,MAE)为47.13，平均绝对百分比误差(Mean Absolute PercentageError,MAPE)为4.76％，输出的控制策略可节约总功率的22.58％。图11展示了制冷系统的总制冷量示意图。本申请的总制冷量的MAE为231.18，MAPE为5.04％，输出的控制策略满足制冷量的时间占比97.98％。
上述结果显示本申请所提供的方案能够在满足制冷量需求的情况下减少制冷系统的用电功率。
本申请实施例提供的制冷系统控制方法，通过获取制冷系统中的不可调整参数在第一时刻的数值；将不可调整参数在第一时刻的数值输入控制策略模型中，得到制冷系统中的可调整参数在第一时刻的调整量预测值；根据可调整参数在第一时刻的调整量预测值，对可调整参数进行调整。其中，控制策略模型是以可调整参数在第t时刻的调整量和不可调整参数在第t时刻的数值为输入，以第t+1时刻的总功率真值和总制冷量真值为目标训练得到的，使得制冷系统根据控制策略模型预测出的可调整参数的调整量，进行参数调整后，可以保证制冷系统产生足够的制冷量的基础上，降低制冷系统的能耗。
以上结合附图详细描述了本申请的优选实施方式，但是，本申请并不限于上述实施方式中的具体细节，在本申请的技术构思范围内，可以对本申请的技术方案进行多种简单变型，这些简单变型均属于本申请的保护范围。例如，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本申请对各种可能的组合方式不再另行说明。又例如，本申请的各种不同的实施方式之间也可以进行任意组合，只要其不违背本申请的思想，其同样应当视为本申请所公开的内容。
还应理解，在本申请的各种方法实施例中，上述各过程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，而不应对本申请实施例的实施过程构成任何限定。
上文结合图3至图11，详细描述了本申请的方法实施例，下文结合图12至图14，详细描述本申请的装置实施例。
图12是本申请一实施例提供的模型训练装置的示意性框图。
如图12所示，模型训练装置10可包括：
获取单元11，用于获取制冷系统中的不可调整参数在第t时刻的数值，以及所述制冷系统在第t+1时刻的总功率真值和总制冷量真值，所述第t时刻和所述第t+1时刻均为历史时刻，所述t为正整数；
训练单元12，用于以所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型和控制策略模型进行训练，得到训练后的所述评价模型和所述控制策略模型；
其中，所述评价模型用于预测所述制冷系统的总功率值和总制冷量值，所述控制策略模型用于预测所述可调整参数的调整量。
在一些实施例中，所述获取单元，还用于获取所述制冷系统中的可调整参数在第t时刻的调整量；
所述训练单元12，具体用于以所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型进行训练，得到训练后的所述评价模型；并使用训练后的所述评价模型，以及所述不可调整参数在第t时刻的数值，对控制策略模型进行训练，得到训练后的所述控制策略模型。
在一些实施例中，所述制冷系统中的可调整参数包括冷水主机的冷冻水出水温度、冷却水进水温度、冷冻水泵的运行频率和冷却水泵的运行频率中的至少一个；或者，
所述制冷系统中的不可调整参数包括所述冷水主机的冷冻水进水温度和冷却水出水温度中的至少一个。
在一些实施例中，训练单元12，具体用于将所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值输入所述评价模型中，得到所述制冷系统在第t+1时刻的第一总功率预测值和第一总制冷量预测值；根据所述第一总功率预测值与所述总功率真值，以及所述第一总制冷量预测值与所述总制冷量真值，确定所述评价模型的损失；根据所述评价模型的损失对所述评价模型中的参数进行调整，得到训练后的所述评价模型。
在一些实施例中，所述评价模型包括功率预测单元和制冷量预测单元，训练单元12，具体用于将所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值输入所述功率预测单元中，得到所述制冷系统在第t+1时刻的第一总功率预测值；将所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值输入所述制冷量预测单元中，得到所述制冷系统在第t+1时刻的第一总制冷量预测值。
在一些实施例中，若所述可调整参数在第t时刻的调整量包括所述冷冻水泵在第t时刻的频率调整量和所述冷却水泵在第t时刻的频率调整量，则训练单元12，具体用于将所述不可调整参数在第t时刻的数值，以及所述冷冻水泵在第t时刻的频率调整量和所述冷却水泵在第t时刻的频率调整量，输入所述功率预测单元中，得到所述制冷系统在第t+1时刻的第一总功率预测值。
在一些实施例中，所述功率预测单元包括冷水主机功率预测单元、冷冻水泵功率预测单元和冷却水泵功率预测单元，训练单元12，具体用于将所述不可调整参数在第t时刻的数值，以及所述冷冻水泵在第t时刻的频率调整量和所述冷却水泵在第t时刻的频率调整量，输入所述冷水主机功率预测单元中，得到所述冷水主机在第t+1时刻的第一功率预测值；将所述冷冻水泵在第t时刻的频率调整量，输入所述冷冻水泵功率预测单元中，得到所述冷冻水泵在第t+1时刻的第一功率预测值；将所述冷却水泵在第t时刻的频率调整量，输入所述冷却水泵功率预测单元中，得到所述冷却水泵在第t+1时刻的第一功率预测值；根据所述冷水主机在第t+1时刻的第一功率预测值、所述冷冻水泵在第t+1时刻的第一功率预测值和所述冷却水泵在第t+1时刻的第一功率预测值，得到所述制冷系统在第t+1时刻的第一总功率预测值。
在一些实施例中，若所述不可调整参数在第t时刻的数值包括所述冷水主机在第t时刻的冷冻水进水温度，所述可调整参数在第t时刻的调整量包括所述冷冻水泵在第t时刻的频率调整量和所述冷水主机在第t时刻的冷冻水出水温度调整量，则训练单元12，具体用于将冷水主机在第t时刻的冷冻水进水温度和冷冻水出水温度调整量、以及所述冷冻水泵在第t时刻的频率调整量，输入所述制冷量预测单元中，得到所述制冷系统在第t+1时刻的第一总制冷量预测值。
在一些实施例中，所述制冷量预测单元包括所述制冷系统的主管道的冷冻水流量预测单元和冷冻水进出水温度预测单元，训练单元12，具体用于将所述冷冻水泵在第t时刻的频率调整量，输入所述冷冻水流量预测单元中，得到每根主管道在第t+1时刻的第一冷冻水流量预测值；将所述冷水主机在第t时刻的冷冻水进水温度和冷冻水出水温度调整量，输入所述冷冻水进出水温度预测单元中，得到每根主管道在第t+1时刻的第一冷冻水出水温度预测值和第一冷冻水进水温度预测值；根据每根主管道的第一冷冻水流量预测值、第一冷冻水出水温度预测值和第一冷冻水进水温度预测值，确定所述制冷系统在第t+1时刻的第一总制冷量预测值。
在一些实施例中，获取单元11，还用于获取所述冷冻水泵在第t-p到第t-1时刻内的频率调整量，所述p为大于1的正整数；训练单元12，具体用于将所述冷冻水泵在第t-p到第t时刻内的运行频率调整量，输入所述冷冻水流量预测单元中，得到每根主管道在第t+1时刻的第一冷冻水流量预测值。
在一些实施例中，训练单元12，具体用于确定每根主管道的第一冷冻水进水温度预测值与第一冷冻水出水温度预测值之间的温度差值；将每根主管道的第一冷冻水流量预测值与温度差值的乘积之和，确定为所述制冷系统在第t+1时刻的第一总制冷量预测值。
在一些实施例中，训练单元12，具体用于确定所述第一总功率预测值与所述总功率真值之间的第一损失；确定所述第一总制冷量预测值与所述总制冷量真值之间的第二损失；将所述第一损失和所述第二损失之和，确定为所述评价模型的损失。
在一些实施例中，训练单元12，具体用于将所述不可调整参数在第t时刻的数值输入所述控制策略模型中，得到所述可调整参数在第t时刻的第一调整量；根据所述可调整参数在第t时刻的第一调整量和所述可调整参数在第t时刻的调整量真值，对所述控制策略模型进行预训练，得到预训练后的所述控制策略模型；将所述不可调整参数在第t时刻的数值输入预训练后的所述控制策略模型中，得到所述可调整参数在第t时刻的第二调整量；将所述可调整参数在第t时刻的第二调整量输入训练后的所述评价模型中，得到所述制冷系统在第t+1时刻的第二总功率预测值和第二总制冷量预测值；根据所述第二总功率预测值和第二总制冷量预测值，以及所述第二调整量，对预训练后的所述控制策略模型进行微调，得到训练后的所述控制策略模型。
在一些实施例中，若所述不可调整参数在第t时刻的数值包括负载在第t时刻的耗电量，以及所述冷水主机在第t时刻的冷冻水进水温度和冷却水出水温度，则训练单元12，具体用于将所述负载在第t时刻的耗电量，以及所述冷水主机在第t时刻的冷冻水进水温度和冷却水出水温度，输入所述控制策略模型中，得到所述可调整参数在第t时刻的第一调整量。
在一些实施例中，获取单元11，还用于获取所述冷水主机在第t-m至第t-1时刻内的冷冻水进水温度和冷却水出水温度，以及所述负载在第t-m至第t-1时刻的耗电量，所述m为大于1的正整数；训练单元12，具体用于将所述冷水主机在第t-m至第t时刻内的冷冻水进水温度和冷却水出水温度，以及所述负载在第t-m至第t时刻内的耗电量，输入所述控制策略模型中，得到所述可调整参数在第t时刻的第一调整量。
在一些实施例中，训练单元12，具体用于根据所述第二总制冷量预测值和所述制冷系统在第t+1时刻的所述总制冷量真值，确定制冷量损失；将第一数值与所述制冷量损失进行相乘，得到第一乘积；将所述第二总功率预测值的平方与第二数值进行相乘，得到第二乘积；将所述第一乘积与所述第二乘积相加后与第三数值相乘，得到第三乘积；将所述第二调整量与所述可调整参数在第t时刻的真值的差值的平方与第四数值相乘，得到所述第四乘积；以确定所述第四乘积与所述第三乘积之和的最小值为目标，对所述预训练后的所述控制策略模型进行微调，得到训练后的所述控制策略模型。
应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图12所示的装置可以执行上述模型方法的实施例，并且装置中的各个模块的前述和其它操作和/或功能分别为了实现计算设备对应的方法实施例，为了简洁，在此不再赘述。
图13是本申请一实施例提供的制冷系统控制装置的示意性框图。
如图13所示，制冷系统控制装置20可包括：
获取单元21，用于获取所述制冷系统中的不可调整参数在第一时刻的数值；
预测单元22，用于将所述不可调整参数在第一时刻的数值输入控制策略模型中，得到所述制冷系统中的可调整参数在第一时刻的调整量预测值；
调整单元23，用于根据所述可调整参数在第一时刻的调整量预测值，对所述可调整参数进行调整；
其中，所述控制策略模型是以所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标训练得到的。
在一些实施例中，所述制冷系统中的可调整参数包括冷水主机的冷冻水出水温度、冷却水进水温度、冷冻水泵的运行频率和冷却水泵的运行频率中的至少一个；或者，
所述制冷系统中的不可调整参数包括所述冷水主机的冷冻水进水温度和冷却水出水温度中的至少一个。
在一些实施例中，所述不可调整参数在第一时刻的数值包括负载在第一时刻的耗电量，以及所述在第一时刻的冷冻水进水温度和冷却水出水温度，调整量预测单元22，具体用于将所述负载在第一时刻的耗电量，以及所述冷水主机在第一时刻的冷冻水进水温度和冷却水出水温度，输入所述控制策略模型中，得到所述可调整参数在第一时刻的调整量预测值。
在一些实施例中，获取单元21，还用于获取所述冷水主机在第一时刻之前的K个时刻内所述冷冻水进水温度、所述冷却水出水温度，以及所述负载在第一时刻之前的K个时刻内的耗电量，所述K为大于1的正整数；
上述调整量预测单元22，用于将所述冷水主机在第一时刻以及第一时刻之前的K个时刻内的冷冻水进水温度和冷却水出水温度，以及所述负载在第一时刻以及第一时刻之前的K个时刻内的耗电量，输入所述控制策略模型中，得到所述可调整参数在第一时刻的调整量。
在一些实施例中，预测单元22，还用于将所述可调整参数在第一时刻的调整量预测值，以及所述不可调整参数在第一时刻的数值输入评估模型中，得到所述评估模型预测的所述制冷系统在第二时刻的总功率预测值和总制冷量预测值。
应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图13所示的装置可以执行上述控制方法的实施例，并且装置中的各个模块的前述和其它操作和/或功能分别为了实现计算设备对应的方法实施例，为了简洁，在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
图14是本申请实施例提供的计算设备的示意性框图，该计算设备可以是上述图2所示的服务器或终端，或制冷系统中的控制设备。该计算设备用于执行上述模型训练方法实施例，和/或制冷系统控制方法实施例。
如图14所示，该计算设备30可包括：
存储器31和处理器32，该存储器31用于存储计算机程序33，并将该程序代码33传输给该处理器32。换言之，该处理器32可以从存储器31中调用并运行计算机程序33，以实现本申请实施例中的方法。
例如，该处理器32可用于根据该计算机程序33中的指令执行上述方法步骤。
在本申请的一些实施例中，该处理器32可以包括但不限于：
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(FieldProgrammable 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、分立硬件组件等等。
在本申请的一些实施例中，该存储器31包括但不限于：
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
在本申请的一些实施例中，该计算机程序33可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器31中，并由该处理器32执行，以完成本申请提供的录制页面的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序33在该计算设备中的执行过程。
如图14所示，该计算设备30还可包括：
收发器34，该收发器34可连接至该处理器32或存储器31。
其中，处理器32可以控制该收发器34与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器34可以包括发射机和接收机。收发器34还可以进一步包括天线，天线的数量可以为一个或多个。
应当理解，该计算设备30中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
根据本申请的一个方面，提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
根据本申请的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算设备执行上述方法实施例的方法。
换言之，当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
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模块及算法步骤，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申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，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，例如多个模块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信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，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模块来实现本实施例方案的目的。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。
Claims (19)
1.一种模型训练方法，其特征在于，包括：
获取制冷系统中的不可调整参数在第t时刻的数值，以及所述制冷系统在第t+1时刻的总功率真值和总制冷量真值，所述第t时刻和所述第t+1时刻均为历史时刻，所述t为正整数；
获取所述制冷系统中的可调整参数在第t时刻的调整量；
以所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型进行训练，得到训练后的所述评价模型；
使用训练后的所述评价模型，以及所述不可调整参数在第t时刻的数值，对控制策略模型进行训练，得到训练后的所述控制策略模型；
其中，所述评价模型用于预测所述制冷系统的总功率值和总制冷量值，所述控制策略模型用于预测所述可调整参数的调整量。
2.根据权利要求1所述的方法，其特征在于，所述制冷系统中的可调整参数包括冷水主机的冷冻水出水温度、冷却水进水温度、冷冻水泵的运行频率和冷却水泵的运行频率中的至少一个；或者，
所述制冷系统中的不可调整参数包括所述冷水主机的冷冻水进水温度和冷却水出水温度中的至少一个。
3.根据权利要求2所述的方法，其特征在于，所述以所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标，对所述评价模型进行训练，得到训练后的评价模型，包括：
将所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值输入所述评价模型中，得到所述制冷系统在第t+1时刻的第一总功率预测值和第一总制冷量预测值；
根据所述第一总功率预测值与所述总功率真值，以及所述第一总制冷量预测值与所述总制冷量真值，确定所述评价模型的损失；
根据所述评价模型的损失对所述评价模型中的参数进行调整，得到训练后的所述评价模型。
4.根据权利要求3所述的方法，其特征在于，所述评价模型包括功率预测单元和制冷量预测单元，所述将所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值输入所述评价模型中，得到所述制冷系统在第t+1时刻的第一总功率预测值和第一总制冷量预测值，包括：
将所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值输入所述功率预测单元中，得到所述制冷系统在第t+1时刻的第一总功率预测值；
将所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值输入所述制冷量预测单元中，得到所述制冷系统在第t+1时刻的第一总制冷量预测值。
5.根据权利要求4所述的方法，其特征在于，若所述可调整参数在第t时刻的调整量包括所述冷冻水泵在第t时刻的频率调整量和所述冷却水泵在第t时刻的频率调整量，则所述将所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值输入所述功率预测单元中，得到所述制冷系统在第t+1时刻的第一总功率预测值，包括：
将所述不可调整参数在第t时刻的数值，以及所述冷冻水泵在第t时刻的频率调整量和所述冷却水泵在第t时刻的频率调整量，输入所述功率预测单元中，得到所述制冷系统在第t+1时刻的第一总功率预测值。
6.根据权利要求5所述的方法，其特征在于，所述功率预测单元包括冷水主机功率预测单元、冷冻水泵功率预测单元和冷却水泵功率预测单元，所述将所述不可调整参数在第t时刻的数值，以及所述冷冻水泵在第t时刻的频率调整量和所述冷却水泵在第t时刻的频率调整量，输入所述功率预测单元中，得到所述制冷系统在第t+1时刻的第一总功率预测值，包括：
将所述不可调整参数在第t时刻的数值，以及所述冷冻水泵在第t时刻的频率调整量和所述冷却水泵在第t时刻的频率调整量，输入所述冷水主机功率预测单元中，得到所述冷水主机在第t+1时刻的第一功率预测值；
将所述冷冻水泵在第t时刻的频率调整量，输入所述冷冻水泵功率预测单元中，得到所述冷冻水泵在第t+1时刻的第一功率预测值；
将所述冷却水泵在第t时刻的频率调整量，输入所述冷却水泵功率预测单元中，得到所述冷却水泵在第t+1时刻的第一功率预测值；
根据所述冷水主机在第t+1时刻的第一功率预测值、所述冷冻水泵在第t+1时刻的第一功率预测值和所述冷却水泵在第t+1时刻的第一功率预测值，得到所述制冷系统在第t+1时刻的第一总功率预测值。
7.根据权利要求4所述的方法，其特征在于，若所述不可调整参数在第t时刻的数值包括所述冷水主机在第t时刻的冷冻水进水温度，所述可调整参数在第t时刻的调整量包括所述冷冻水泵在第t时刻的频率调整量和所述冷水主机在第t时刻的冷冻水出水温度调整量，则所述将所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值输入所述制冷量预测单元中，得到所述制冷系统在第t+1时刻的第一总制冷量预测值，包括：
将冷水主机在第t时刻的冷冻水进水温度和冷冻水出水温度调整量、以及所述冷冻水泵在第t时刻的频率调整量，输入所述制冷量预测单元中，得到所述制冷系统在第t+1时刻的第一总制冷量预测值。
8.根据权利要求7所述的方法，其特征在于，所述制冷量预测单元包括所述制冷系统的主管道的冷冻水流量预测单元和冷冻水进出水温度预测单元，所述将所述冷水主机在第t时刻的冷冻水进水温度和冷冻水出水温度调整量、以及所述冷冻水泵在第t时刻的频率调整量，输入所述制冷量预测单元中，得到所述制冷系统在第t+1时刻的第一总制冷量预测值，包括：
将所述冷冻水泵在第t时刻的频率调整量，输入所述冷冻水流量预测单元中，得到每根主管道在第t+1时刻的第一冷冻水流量预测值；
将所述冷水主机在第t时刻的冷冻水进水温度和冷冻水出水温度调整量，输入所述冷冻水进出水温度预测单元中，得到每根主管道在第t+1时刻的第一冷冻水出水温度预测值和第一冷冻水进水温度预测值；
根据每根主管道的第一冷冻水流量预测值、第一冷冻水出水温度预测值和第一冷冻水进水温度预测值，确定所述制冷系统在第t+1时刻的第一总制冷量预测值。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
获取所述冷冻水泵在第t-p到第t-1时刻内的频率调整量，所述p为大于1的正整数；
将所述冷冻水泵在第t时刻的频率调整量，输入所述冷冻水流量预测单元中，得到每根主管道在第t+1时刻的第一冷冻水流量预测值，包括：
将所述冷冻水泵在第t-p到第t时刻内的运行频率调整量，输入所述冷冻水流量预测单元中，得到每根主管道在第t+1时刻的第一冷冻水流量预测值。
10.根据权利要求8所述的方法，其特征在于，所述根据每根主管道的第一冷冻水流量预测值、第一冷冻水出水温度预测值和第一冷冻水进水温度预测值，确定所述制冷系统在第t+1时刻的第一总制冷量预测值，包括：
确定每根主管道的第一冷冻水进水温度预测值与第一冷冻水出水温度预测值之间的温度差值；
将每根主管道的第一冷冻水流量预测值与温度差值的乘积之和，确定为所述制冷系统在第t+1时刻的第一总制冷量预测值。
11.根据权利要求3所述的方法，其特征在于，所述根据所述第一总功率预测值与所述总功率真值，以及所述第一总制冷量预测值与所述总制冷量真值，确定所述评价模型的损失，包括：
确定所述第一总功率预测值与所述总功率真值之间的第一损失；
确定所述第一总制冷量预测值与所述总制冷量真值之间的第二损失；
将所述第一损失和所述第二损失之和，确定为所述评价模型的损失。
12.根据权利要求2-11任一项所述的方法，其特征在于，所述使用训练后的所述评价模型，以及所述不可调整参数在第t时刻的数值，对控制策略模型进行训练，得到训练后的所述控制策略模型，包括：
将所述不可调整参数在第t时刻的数值输入所述控制策略模型中，得到所述可调整参数在第t时刻的第一调整量；
根据所述可调整参数在第t时刻的第一调整量和所述可调整参数在第t时刻的调整量真值，对所述控制策略模型进行预训练，得到预训练后的所述控制策略模型；
将所述不可调整参数在第t时刻的数值输入预训练后的所述控制策略模型中，得到所述可调整参数在第t时刻的第二调整量；
将所述可调整参数在第t时刻的第二调整量输入训练后的所述评价模型中，得到所述制冷系统在第t+1时刻的第二总功率预测值和第二总制冷量预测值；
根据所述第二总功率预测值和第二总制冷量预测值，以及所述第二调整量，对预训练后的所述控制策略模型进行微调，得到训练后的所述控制策略模型。
13.根据权利要求12所述的方法，其特征在于，所述不可调整参数在第t时刻的数值包括负载在第t时刻的耗电量，以及所述冷水主机在第t时刻的冷冻水进水温度和冷却水出水温度，所述将所述不可调整参数在第t时刻的数值输入所述控制策略模型中，得到所述可调整参数在第t时刻的第一调整量，包括：
将所述负载在第t时刻的耗电量，以及所述冷水主机在第t时刻的冷冻水进水温度和冷却水出水温度，输入所述控制策略模型中，得到所述可调整参数在第t时刻的第一调整量。
14.根据权利要求13所述的方法，其特征在于，所述方法还包括：
获取所述冷水主机在第t-m至第t-1时刻内的冷冻水进水温度和冷却水出水温度，以及所述负载在第t-m至第t-1时刻的耗电量，所述m为大于1的正整数；
所述将所述负载在第t时刻的耗电量，以及所述冷水主机在第t时刻的冷冻水进水温度和冷却水出水温度，输入所述控制策略模型中，得到所述可调整参数在第t时刻的第一调整量，包括：
将所述冷水主机在第t-m至第t时刻内的冷冻水进水温度和冷却水出水温度，以及所述负载在第t-m至第t时刻内的耗电量，输入所述控制策略模型中，得到所述可调整参数在第t时刻的第一调整量。
15.一种制冷系统控制方法，其特征在于，包括：
获取所述制冷系统中的不可调整参数在第一时刻的数值；
将所述不可调整参数在第一时刻的数值输入控制策略模型中，得到所述制冷系统中的可调整参数在第一时刻的调整量预测值；
根据所述可调整参数在第一时刻的调整量预测值，对所述可调整参数进行调整；
其中，所述控制策略模型是使用训练后的评价模型，以及制冷系统的不可调整参数在第t时刻的数值训练得到，所述评价模型是以所述制冷系统中的可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标训练得到的。
16.一种模型训练装置，其特征在于，包括：
获取单元，用于获取制冷系统中的不可调整参数在第t时刻的数值，以及所述制冷系统在第t+1时刻的总功率真值和总制冷量真值，所述第t时刻和所述第t+1时刻均为历史时刻，所述t为正整数；
训练单元，用于以所述可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标，对评价模型进行训练，得到训练后的所述评价模型；使用训练后的所述评价模型，以及所述不可调整参数在第t时刻的数值，对控制策略模型进行训练，得到训练后的所述控制策略模型；
其中，所述评价模型用于预测所述制冷系统的总功率值和总制冷量值，所述控制策略模型用于预测所述可调整参数的调整量。
17.一种制冷系统控制装置，其特征在于，包括：
获取单元，用于获取所述制冷系统中的不可调整参数在第一时刻的数值；
预测单元，用于将所述不可调整参数在第一时刻的数值输入控制策略模型中，得到所述制冷系统中的可调整参数在第一时刻的调整量预测值；
调整单元，用于根据所述可调整参数在第一时刻的调整量预测值，对所述可调整参数进行调整；
其中，所述控制策略模型是使用训练后的评价模型，以及制冷系统的不可调整参数在第t时刻的数值训练得到，所述评价模型是以所述制冷系统中的可调整参数在第t时刻的调整量和所述不可调整参数在第t时刻的数值为输入，以所述第t+1时刻的总功率真值和总制冷量真值为目标训练得到的。
18.一种计算设备，其特征在于，包括处理器和存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序以实现如上述权利要求1至14或15任一项所述的方法。
19.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如上述权利要求1至14或15任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111172827.7A CN114326987B (zh) | 2021-10-08 | 2021-10-08 | 制冷系统控制及模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111172827.7A CN114326987B (zh) | 2021-10-08 | 2021-10-08 | 制冷系统控制及模型训练方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114326987A CN114326987A (zh) | 2022-04-12 |
| CN114326987B true CN114326987B (zh) | 2023-10-20 |
Family
ID=81044743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111172827.7A Active CN114326987B (zh) | 2021-10-08 | 2021-10-08 | 制冷系统控制及模型训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114326987B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935222B (zh) * | 2022-06-10 | 2023-06-02 | 中南大学 | 半导体制冷器动态温度分布获取、制冷控制方法及系统 |
| CN115388586B (zh) * | 2022-08-24 | 2023-05-12 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106545968A (zh) * | 2016-11-23 | 2017-03-29 | 浙江盾安自控科技有限公司 | 一种中央空调开式二级冷冻水节能控制系统 |
| CN110392515A (zh) * | 2019-07-23 | 2019-10-29 | 上海朗绿建筑科技股份有限公司 | 一种基于历史数据的冷热源机房节能控制方法及系统 |
| CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
| CN111256294A (zh) * | 2020-01-17 | 2020-06-09 | 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 |
| CN111735178A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 基于精英主义和svr回归算法的空调节能系统及优化方法 |
| WO2020252784A1 (zh) * | 2019-06-21 | 2020-12-24 | 西门子股份公司 | 电力负荷数据的预测方法、装置及存储介质 |
| WO2021082478A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京国双科技有限公司 | 空调系统能耗预测方法及装置 |
-
2021
- 2021-10-08 CN CN202111172827.7A patent/CN114326987B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106545968A (zh) * | 2016-11-23 | 2017-03-29 | 浙江盾安自控科技有限公司 | 一种中央空调开式二级冷冻水节能控制系统 |
| WO2020252784A1 (zh) * | 2019-06-21 | 2020-12-24 | 西门子股份公司 | 电力负荷数据的预测方法、装置及存储介质 |
| CN110392515A (zh) * | 2019-07-23 | 2019-10-29 | 上海朗绿建筑科技股份有限公司 | 一种基于历史数据的冷热源机房节能控制方法及系统 |
| WO2021082478A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京国双科技有限公司 | 空调系统能耗预测方法及装置 |
| CN111076376A (zh) * | 2019-12-18 | 2020-04-28 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
| CN111256294A (zh) * | 2020-01-17 | 2020-06-09 | 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 |
| CN111735178A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 基于精英主义和svr回归算法的空调节能系统及优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114326987A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
| CN205980188U (zh) | 基于负荷预测的冰蓄冷优化控制系统 | |
| CN113039506B (zh) | 基于因果学习的数据中心基础结构优化方法 | |
| Lin et al. | Residential electricity load scenario prediction based on transferable flow generation model | |
| KR102103006B1 (ko) | 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 | |
| CN102283283B (zh) | 智能化浅层地能低温储粮系统 | |
| Mahbod et al. | Energy saving evaluation of an energy efficient data center using a model-free reinforcement learning approach | |
| CN113825356B (zh) | 冷源系统的节能控制方法、装置、电子设备和存储介质 | |
| Chen et al. | A new energy consumption prediction method for chillers based on GraphSAGE by combining empirical knowledge and operating data | |
| CN110826784B (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
| CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
| Guo et al. | Real-time energy performance benchmarking of electric vehicle air conditioning systems using adaptive neural network and Gaussian process regression | |
| Zhang et al. | DRL-S: Toward safe real-world learning of dynamic thermal management in data center | |
| Feng et al. | Attention-empowered transfer learning method for HVAC sensor fault diagnosis in dynamic building environments | |
| CN116954329A (zh) | 制冷系统的状态调节方法、装置、设备、介质及程序产品 | |
| CN116578134A (zh) | 基于强化学习的通用基站温控方法和系统 | |
| CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
| He et al. | Prediction of electricity demand of China based on the analysis of decoupling and driving force | |
| Heimerson et al. | Adaptive control of data center cooling using deep reinforcement learning | |
| CN115388586A (zh) | 一种制冷控制模型、装置、电子设备及存储介质 | |
| Yu et al. | Refrigeration equipment model construction based in data center cooling station | |
| Balaji et al. | Energy prediction in IoT systems using machine learning models | |
| CN114650190B (zh) | 数据中心网络的节能方法、系统、终端设备及存储介质 | |
| Deng et al. | A performance prediction method for on-site chillers based on dynamic graph convolutional network enhanced by association rules | |
| CN116576629B (zh) | 系统控制方法、系统控制装置、电子设备以及存储介质 |
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 |