CN114543273A - 一种集中空调供冷系统自适应深度学习优化节能控制算法 - Google Patents

Abstract

本发明公开了一种集中空调供冷系统自适应深度学习优化节能控制算法，包括电源，服务器数据平台，数据连接端口及若干温度传感器、水流量传感器和电功率传感器。本发明在数据量较少时，利用物理模型，以全局总能耗为目标函数寻优，每一次迭代淘汰“坏解”，重生“新解”，对高维优化模型进行求解，有效提高了优化计算效率，更快更好地获取有效的优化控制参数；并利用实时数据更新数据库、训练数据模型，解决物理模型在极端工况下不适用的问题，提高了系统动力设备的能耗模型或性能模型的精度，使优化模型更加精准有效。采用网络技术，实现数据的云端存储和远程传输，大大提高供冷系统的管理效率，节约系统管理成本。

Description

一种集中空调供冷系统自适应深度学习优化节能控制算法

技术领域

本发明涉及空调领域，特别涉及一种集中空调供冷系统自适应深度学习优化节能控制算法。

背景技术

供冷系统由于耗能过大对节约建筑总能耗的显著效果在建筑空调领域得到了广泛应用与关注，在供冷系统中系统的建模与全局优化控制是影响节能效果的关键因素。供冷系统的控制目前主要采用两种控制方式：(1)固定控制参数，包括冷冻水供水温度或回水温度、冷冻水泵频率、冷却水泵频率和冷却塔风机频率；(2)基于专家策略，由专业人士根据室外环境条件给出较为节能的控制参数。供冷系统的建模方式主要采用物理模型和基于数据驱动的数学模型两种方式。

目前，在控制方式上采用第一种固定控制参数的控制方式在实际情况中应用更多；第二种需要专业人员实时给出调整控制参数的策略，此局限限制了其广泛应用的可行性。在基于物理模型的建模方式上，经对现有技术的文献检索发现，中国专利(申请)号为CN201610201821.0，名称为一种计及新风系统的中央空调建模及调控策略的发明专利，该专利对空调系统的制冷机、新风机、冷却水泵、冷冻水泵和冷却塔建立模型，并建立不同的目标函数，计算中央空调负荷最大调节潜力。该发明针对不同目的建立不同的目标函数，但是缺乏求解目标函数，给出优化控制变量的关键过程。中国专利(申请)号为CN200810035560.5，名称为基于模型的供冷系统全局优化节能控制方法及装置，该发明建立了优化工况计算模型，并利用ARMA方法预测未来时刻空调负荷值，实现供冷系统全局优化节能控制。但该发明中优化工况计算模型涉及多目标耦合的求解，有效解决模型优化求解是其应用性的关键。基于数据驱动的数学模型上，中国专利(申请)号为CN201810768210.3，名称为一种基于运行数据的中央空调能耗预测方法，该发明采用BP神经网络和Boruta特征选择算法相结合的方法，建立中央空调能耗模型。但通过3000组数据训练、交叉验证的方式得到能耗模型对在实际情况中获取大量参数提出了要求，不利于应用。

鉴于此，我们提出了一种集中空调供冷系统自适应深度学习优化节能控制算法。

发明内容

本发明的目的在于克服已有技术的不足和缺陷，提供一种集中空调供冷系统自适应深度学习优化节能控制算法，利用当前高速发展的网络资源共享技术和大数据技术实现多个不同供冷系统关键部件模型智能学习和远程在线优化节能控制，不仅节约系统管理的人力资源，而且还能有效提高现有供冷系统的运行能效。

本发明的方案是，提供一种集中空调供冷系统自适应深度学习优化节能控制算法，其包括：

(S1)建立集中空调供冷系统各部件的物理模型，得到全局能耗模型；

(S2)采集数据，整定所述全局能耗模型；

(S3)根据所述全局能耗模型生成数据；所述数据库包括若干数量的控制参数、空调总负荷以及对应的全局能耗；

(S4)生成奖励矩阵N，使用所述数据库中的数据训练得到动作调整矩阵M；

(S5)采集集中空调供冷系统的实际数据，更新奖励矩阵N和动作调整矩阵M；

(S6)根据集中空调供冷系统的空调总负荷从更新后的动作调整矩阵M中得到优化的控制参数；

(S7)判断控制参数是否合理：如果合理，则执行步骤S8以及步骤S9；否则执行步骤S10；

(S8)根据优化的控制参数调整集中空调供冷系统的设备；

(S9)待Δt2时间后，设备稳定后，经过Δt1时间后执行步骤S5；

(S10)全局寻优得到控制参数，执行步骤S8。

本发明的进一步改进在于，步骤S3具体包括：

(S31)在设备参数约束下随机生成N1数量的控制参数x_i和空调总负荷Q_o,demand,i；每个所述控制参数中包括所述集中空调供冷系统中各设备的具体控制变量；

(S32)根据全局能耗模型计算出各控制参数下集中空调供冷系统的全局能耗N_{total_i}：

(S33)将N1数量的控制参数x_i与空调总负荷Q_o,demand,i分别分为N2与N3类；控制参数x_i的上下界限分别为x_{high_limit}和x_{low_limit}，根据上下界限将各控制参数等分为N2类；空调总负荷Q_o,demand,i的上下界限分别为Q_{high_limit}和Q_{low_limit}，根据上下界限等分为N3类；N2与N3均为正整数。

本发明的进一步改进在于，步骤S4具体包括：

(S41)生成奖励矩阵N，用于记录每一次迭代过程中根据模型计算得到的全局总能耗，奖励矩阵的第i行，第j列记作N_i,j；

(S42)初始化动作调整矩阵M，该矩阵用于确定每一次状态下发生改变的最优动作，矩阵的第i行，第j列记作M_i,j，其表达式为：

M_i,j＝110％×max(N(x_p,Q_q)),x_p∈[x_{low_limit},x_{high_limit}],Q_q∈[Q_{low_limit},Q_{high_limit}]

(S43)迭代更新动作调整矩阵M。

本发明的进一步改进在于，步骤S43所示的迭代更新具体包括：

(S431)在设备参数约束下随机生成控制参数x和空调总负荷Q_o,demand；

(S432)根据生成的控制参数x和空调总负荷Q_o,demand，并参照控制参数的上界限x_{high_limit}和控制参数的下界限x_{low_limit}，空调总负荷的上界限Q_{high_limit}和空调总负荷的下界限Q_{low_limit}，确定需要更新的动作调整矩阵M的单元M_i,j的下标i,j；

(S433)更新M_i,j，其表达式为：

式中：α为学习率，γ为奖励性衰变系数，N_i,j为奖励矩阵N中对应下标下的单元值，

为在当前下标的状态下，任何可能采取的动作x`到达状态Q`时的总能耗M(x`,Q`)的最小值。

本发明的进一步改进在于，步骤S5具体包括：

(S51)集中空调供冷系统的实际数据包括控制参数x，空调总负荷Q和系统总能耗N_real；采集后根据步骤S4中确定奖励矩阵N中需要更新的单元的下标的下标i,j，再对奖励矩阵中相应下标的单元N_i,j进行更新，更新过程的表达式为：

N_i,j＝β₁N_i,j+β₂N_real

x∈(x_i,x_i+1],Q∈(Q_j,Q_j+1],β₁+β₂＝1

(S52)更新动作调整矩阵M；更新的过程具体包括：

(S521)根据采集的实际数据中的控制参数x和空调总负荷Q_o,demand，并参照控制参数的上界限x_{high_limit}和控制参数的下界限x_{low_limit}，空调总负荷的上界限Q_{high_limit}和空调总负荷的下界限Q_{low_limit}，确定动作调整矩阵M中需要更新的单元M_i,j的下标i,j；

(S522)对单元M_i,j进行更新，其表达式为：

式中：α为学习率，γ为奖励性衰变系数，N_i,j为奖励矩阵N中对应下标下的单元值，

为在当前下标的状态下，任何可能采取的动作x`到达状态Q`时的总能耗M(x`,Q`)的最小值。

本发明的进一步改进在于，步骤S6中根据更新后的动作调整矩阵M确定优化的控制参数；在此过程中，根据步骤S51确定的下标i,j，找到更新后动作调整矩阵M中第j列中使得单元值M_i,j最小的控制参数x_i作为优化的控制参数。

本发明的进一步改进在于，步骤S7判断优化的控制参数是否合理的判断标准为：基于全局能耗模型以优化的控制参数x_i为输入参数得到的全局总能耗N_model与在步骤S5所采集到的N_real是否相差20％以上；

如果δ小于20％，则判断控制参数合理，否则为不合理。

本发明的进一步改进在于，步骤S10具体包括：

(S101)在利用自回归滑动平均空调负荷预测模型获得的空调总负荷Q_o,demand下，根据设备参数约束随机生成N5数量的控制参数x_i,i＝1,2,,,N5；

(S102)根据全局能耗模型和控制参数x_i计算得到对应的全局能耗N_i,i＝1,2,,,N5；

(S103)对N5个全局能耗中，全局能耗最小的前10％数量的N_{i_min}所对应的控制参数x_i记入gbest；

(S104)从N5个控制参数中取全局能耗最小的N6数量的控制参数根据下式进行更新：

x_i,j＝x_i,j+alpha×t(iter)×(x_k,j-x_i,j)

式中：x_i,j表示第i个控制参数的第j维，iter表示迭代次数，t表示基于迭代次数的t分布生成随机数；alpha表示缩放因子，x_k,j表示从gbest中随机选择的控制参数x_k的第j维。

S105:淘汰掉全局能耗较大的N5-N6数量的控制参数，并重新生成N5-N6数量的控制参数；

S106:判断是否达到迭代次数或全局能耗最小的Nmin是否收敛，满足其一即执行S107，否则执行S103；

S107:记全局能耗最小的N_{i_min}所对应的x_i作为优化的控制参数，并实施S8。

本发明的有益效果为：本发明全面考虑了供冷系统各动力设备(包括制冷机组、冷却塔、冷却水泵、冷冻水泵和各空调箱(AHU))的运行工况对整个系统能耗的影响，以“全局优化节能”替代当前的“局部优化节能”，进一步提升供冷系统优化节能效果。在数据量较少，无法基于数据模型给出控制参数(即数据模型给出的优化的控制参数不合理)时，利用物理模型，以全局总能耗为目标函数寻优，获取优化的控制参数；同时，利用实时数据实时更新数据库、训练数据模型，解决物理模型在极端工况下不适用的问题，大大提高了系统动力设备的能耗模型或性能模型的精度，从而使优化模型更加精准有效。同时，每一次迭代淘汰“坏解”，重生“新解”，对高维优化模型进行求解，有效提高了优化计算效率，为实现大型供冷系统的在线优化提供了必要条件。采用当前成熟的网络技术，实现数据的云端存储和远程传输，将有效提高供冷系统的管理效率，节约大量的空调系统管理人力资源，从而为空调系统管理部门节约运维成本。

附图说明

图1是本发明装置实施例的结构示意图。

图2是本发明方法实施例流程图。

图3是本发明方法实施例步骤S10流程图。

具体实施方式

实施例：如图1所示，本发明的实施例包括一种集中空调供冷系统自适应深度学习优化节能控制算法，该算法依靠集中空调的控制装置实施。本实施例的算法所采用的控制装置包括：服务器数据平台，用于执行本发明的集中空调供冷系统自适应深度学习优化节能控制方法；若干温度传感器、水流量传感器和电功率传感器，分别通过数据连接端口与所述服务器数据平台通信连接。该装置具体包括：

数据传输模块(DTU：Data Transfer Unit)1，数据滤波模块2，数据I/O接口输入端31，数据I/O接口输出端32，RS485通讯接口4，4G/5G通讯接口5，WAN通讯接口6，电源7，服务器数据平台8，数据连接端口9，环境空气温-湿度传感器101，AHU换热器进口空气温-湿度传感器102，AHU换热器出口空气温-湿度传感器103，空调箱(AHU)水阀开度传感器11，制冷机组冷凝器进水温度传感器121，制冷机组冷凝器出水温度传感器122，制冷机组蒸发器进水温度传感器123，制冷机组蒸发器出水温度传感器124，空调箱(AHU)进水温度传感器125，空调箱(AHU)进水温度传感器126，冷冻水泵水流量/水流速传感器131，空调箱(AHU)水流量/水流速传感器132，冷却塔风机电功率传感器141，冷却水泵电功率传感器142，制冷机组电功率传感器143，冷冻水泵电功率传感器144，空调箱(AHU)风机电功率传感器145，空调箱(AHU)水阀控制器15，空调箱(AHU)风机变频控制器16，冷却塔风机变频控制器17，冷却水泵变频控制器18，冷冻水泵变频控制器19，制冷机组供水温度控制器20。其中，数据滤波模块2，数据I/O接口输入端31，数据I/O接口输出端32，RS485通讯接口4，4G/5G通讯接口5，WAN通讯接口6，电源7和数据连接端口9置于数据传输模块1中。数据滤波模块2的输出端口与数据I/O接口输入端31相连，数据I/O接口输入端31、数据I/O接口输出端32和RS485通讯接口4分别通过数据连接端口9和4G/5G通讯接口5及WAN通讯接口6相连，数据滤波模块2的输入端口和若干个空气温-湿度传感器(包括环境空气温-湿度传感器101，AHU换热器进口空气温-湿度传感器102和AHU换热器出口空气温-湿度传感器103)，若干个空调箱(AHU)水阀开度传感器11，若干个水温度传感器(包括制冷机组冷凝器进水温度传感器121，制冷机组冷凝器出水温度传感器122，制冷机组蒸发器进水温度传感器123，制冷机组蒸发器出水温度传感器124，空调箱(AHU)进水温度传感器125和空调箱(AHU)进水温度传感器126)，若干个水流量/水流速传感器(包括冷冻水泵水流量/水流速传感器131和空调箱(AHU)水流量/水流速传感器132)和若干个电功率传感器(包括冷却塔风机电功率传感器141，冷却水泵电功率传感器142，制冷机组电功率传感器143，冷冻水泵电功率传感器144和空调箱(AHU)风机电功率传感器145)的输出信号线分别与相连，数据I/O接口输出端3和若干个空调箱(AHU)水阀控制器15的输入端相连，RS485通讯接口4和若干个AHU风机变频控制器16，若干个冷却塔风机变频控制器17，若干个冷却水泵变频控制器18，若干个冷冻水泵变频控制器19，若干个制冷机组供水温度控制器20相连，4G/5G通讯接口5通过无线网络和服务器数据平台8相连，WAN通讯接口6通过有线网络和服务器数据平台8相连。

室外安装有环境空气温-湿度传感器101，用于监测环境空气温湿度，每台制冷机冷凝器进水管和出水管分别安装有水温度传感器121和122，每台制冷机蒸发器进水管和出水管分别安装有水温度传感器123和124，每台冷冻水泵出口安装有水流量/水流速传感器131，每台空调箱(AHU)换热器进水口安装有水流量/水流速传感器132和水温度传感器125，每台空调箱(AHU)换热器出水口安装有水温度传感器126，每台空调箱(AHU)换热器进风处和出风处均分别安装有空气温-湿度传感器102，每台空调箱(AHU)回风处安装有空气温-湿度传感器103，系统中所有动力设备包括冷却塔风机、冷却水泵、制冷机组、冷冻水泵以及空调箱(AHU)风机均分别安装有电功率传感器141、142、143、144和145。

如图2所示，本发明方法实施流程，具体说明如下：

S1:建立集中空调供冷系统各部件的物理模型，得到全局能耗模型。

集中空调供冷系统各动力设备的能耗模型或性能系数模型是实现系统优化控制的基础。根据设备运行原理，各动力设备能耗模型或性能系数模型可用式(1)进行描述：

N＝F(x₁,x₂,x₃…x_n) (1)

式(1)中，功率N是输出参数，x₁,x₂,x₃…x_n是输入参数，F代表关系函数。

各部件物理模型包括制冷机组性能系数模型，冷却塔风机能耗模型，冷却水泵能耗模型，冷冻水泵能耗模型，AHU风机能耗模型和AHU换热器换热模型。下面对这些模型逐一进行描述。

影响制冷机组性能系数(COP_chiller)的参数主要有：室外环境空气温度(t_env,a)、室外环境空气湿度(φ_env,a)、冷却塔风机频率(f_tower,fan)、冷却水泵频率(f_{cooling,wpump})、蒸发器出水温度(t_chilledw,sup)、蒸发器回水温度(t_{chilledw,return})、蒸发器水流量(G_chilledw)，因此，制冷机组性能系数(COP_chiller)可表示成：

COP_chiller＝F(t_env,a,φ_env,a,f_tower,fan,f_{cooling,wpump},t_chilledw,sup,t_{chilledw,return},G_chilledw) (2)

制冷机组冷凝器出水温度(t_{condenserw,out})是一个重要的安全运行指标，将出现在在优化模型的模型耦合约束条件中，其可表示成：

t_{condenserw,out}＝F(t_env,a,φ_env,a,f_tower,fan,f_{cooling,wpump},t_chilledw,sup,t_{chilledw,return},G_chilledw) (3)

冷却塔风机功率(N_tower,fan)可表示成冷却塔风机频率(f_tower,fan)的函数，即：

N_tower,fan＝F(f_tower,fan) (4)

冷却水泵功率(N_{cooling,wpump})可表示成冷却水泵频率(f_{cooling,wpump})的函数，即：

N_{cooling,wpump}＝F(f_{cooling,wpump}) (5)

由于实际冷冻水系统采用定压控制，因此，在某定压设定工况下，冷冻水泵功率(N_{chilled,wpump})可表示成冷冻水泵流量(G_{chilled,wpump})的函数，即：

N_{chilled,wpump}＝F(G_{chilled,wpump}) (6)

同样，在某定压设定工况下，冷冻水泵的运行频率也可表示成冷冻水泵流量(G_{chilled,wpump})的函数，即：

f_{chilled,wpump}＝F(G_{chilled,wpump}) (7)

AHU风机功率(N_AHU,fan)可表示成AHU风机频率(f_AHU,fan)的函数，即：

N_AHU,fan＝F(f_AHU,fan) (8)

AHU换热器换热量(Q_AHU)可表示成AHU换热器进风温度(t_AHU,in,air)、AHU换热器进风湿度(φ_AHU,in,air)、AHU风机频率(f_AHU,fan)、AHU换热器进水温度(t_AHU,in,water)和AHU换热器水流量(G_AHU,water)的函数：

Q_AHU＝F(t_AHU,in,air,φ_AHU,in,air,f_AHU,fan,t_AHU,in,water,G_AHU,water) (9)

由于冷冻水系统的供水压力保持稳定，因此，AHU换热器水阀开度(k_AHU,valve)可以表示成AHU换热器水流量(G_AHU,water)的函数：

k_AHU,valve＝F(G_AHU,water) (10)

本实施例中，假设供冷系统有M台制冷机组、P台冷却水泵、K台冷冻水泵、J台冷却塔和R台空调箱(AHU)运行，则供冷系统优化节能运行工况计算模型描述如下：

设备参数约束关联式：

f_{cooling,wpump,min}≤f_{cooling,wpump,p}≤f_{cooling,wpump,max} p∈[1,P] (11a)

f_{chilled,wpump,min}≤f_{chilled,wpump,k}≤f_{chilled,wpump,max} k∈[1,K] (11b)

f_AHU,fan,min≤f_AHU,fan,r≤f_AHU,fan,max r∈[1,R] (11c)

G_{AHU,water.min}≤G_AHU,water.r≤G_{AHU,water.max} r∈[1,R] (11d)

t_{chilledw,sup,min}≤t_{chilledw,sup,m}≤t_{chilledw,sup,max} m∈[1,M] (11e)

模型耦合约束关联式：

Q_AHU＝F(t_AHU,in,air,φ_AHU,in,air,f_AHU,fan,t_AHU,in,water,G_AHU,water)≥Q_AHU，demand (11i)

其中，

N_{cooling,wpump,p}＝F(f_{cooling,wpump,p})p∈[1,P] (13)

N_{chilled,wpump,k}＝F(G_{chilled,wpump,k})k∈[1,K] (14)

N_tower,fan,j＝F(f_tower,fan,j)j∈[1,J] (15)

N_AHU,fan,r＝F(f_AHU,fan,r)r∈[1,R] (16)

式(11)～(11i)中，下标“min”为优化参数的下限值，下标“max”为优化参数的上限值，例如，f_{cooling,wpump,min}代表冷却水泵运行频率下限值，f_{cooling,wpump,max}代表冷却水泵运行频率上限值，以此类推；Q_o,demand为空调总负荷需求，可根据制冷机组冷冻水进、出水温度和冷冻水流量的历史数据，利用自回归滑动平均(ARMA)空调负荷预测模型获得；Q_AHU,demand为各空调箱(AHU)局部负荷需求，可根据各空调箱(AHU)冷冻水进、出水温度和冷冻水流量的历史数据，利用自回归滑动平均(ARMA)空调负荷预测模型获得。各部件的物理模型如式(12)-(17)所示，所述全局能耗模型如式(11)所示。

S2:采集数据，整定所述全局能耗模型。

环境空气温-湿度传感器101、空调箱(AHU)换热器进口空气温-湿度传感器102、空调箱(AHU)换热器出口空气温-湿度传感器103、空调箱(AHU)水阀开度传感器11、制冷机组冷凝器进水温度传感器121、制冷机组冷凝器出水温度传感器122、制冷机组蒸发器进水温度传感器123、制冷机组蒸发器出水温度传感器124、空调箱(AHU)进水温度传感器125、空调箱(AHU)进水温度传感器126、冷冻水泵水流量/水流速传感器131、空调箱(AHU)水流量/水流速传感器132、冷却塔风机电功率传感器141、冷却水泵电功率传感器142、制冷机组电功率传感器143、冷冻水泵电功率传感器144和空调箱(AHU)风机电功率传感器145获得相应数据，首先由滤波模块2进行硬件滤波处理后，依次通过数据I/O接口输入端31、数据连接端口9和4G/5G通讯接口5或WAN通讯接口6，送入至服务器数据平台8中。

服务器数据平台8中装有数据预处理程序，该程序采用滤波方法(即去除异常数据)和数据规约方法(即通过如聚集、删除冗余特征或聚类来降低数据的规模)对采集的数据进行预处理。使用预处理的数据整定各部件的模型，即式(12)-(16)，直到各部件模型准确率均在90％以上，进入下一步；否则重复S2，继续采集数据，整定模型。

S3:根据所述全局能耗模型生成数据。

通过少量数据整定得到全局能耗模型之后，通过以下步骤生成数据库；数据库包括多组数据，每组数据包括控制参数、空调总负荷以及对应的全局能耗。本步骤具体包括：

S31:在式(11a)-(11e)所示的设备参数约束下随机生成N1数量的控制参数x_i和Q_o,demand,i，其中N1为大于2的正整数；每个控制参数中包括集中空调供冷系统中各设备的具体控制变量。控制参数x_i的表达式为：

Q_o,demand,i,i＝1,2,,,N1

S32:根据式(11)-(16)所示的全局能耗模型计算出各控制参数x_i下集中空调供冷系统的全局能耗，其表达式为：

S33:将N1数量的控制参数x_i与空调总负荷Q_o,demand,i分别分为N2与N3类，其中N2、N3均为大于2的正整数。空调总负荷Q_o,demand,i为标量，按照从小到大的区间分为N3类。控制参数x_i为多维向量，划分过程中将第j个分量按照大小划分成N2_j个区间，参数N2为控制参数的各维度的区间个数的总乘积。参数N2按照控制参数的维度呈指数规模增长，然而在具体实施过程中，控制参数的维度通常有限，使得参数N2的数目处于计算机可计算的范围内。具体的，控制参数x_i的上下界限分别为x_{high_limit}和x_{low_limit}，根据上下界限按照从小到大的区间等分为N2类；空调总负荷Q_o,demand,i的上下界限分别为Q_{high_limit}和Q_{low_limit}，根据上下界限等分为N3类。

S4:生成奖励矩阵N，并使用所述数据库中的数据训练得到动作调整矩阵M。

S41:生成奖励矩阵N，用于记录每一次迭代过程中根据模型计算得到的全局总能耗，奖励矩阵的第i行，第j列记作N_i,j，本实施例中奖励矩阵以下面的表格形式进行表示：

x/Q	[Q<sub>low_limit</sub>，Q<sub>1</sub>]	(Q<sub>j</sub>，Q<sub>j+1</sub>]	…	(Q<sub>N3-1</sub>，Q<sub>high_limit</sub>]
					[x<sub>low_limit</sub>，x<sub>1</sub>]
(x<sub>i</sub>，x<sub>i+1</sub>]
					…			N<sub>i，j</sub>
(x<sub>N2-1</sub>，x<sub>high_limit</sub>]

表中：

S42:初始化动作调整矩阵M，根据该矩阵确定每一次状态下发生改变的最优动作，其中“状态”指的是空调总负荷，“动作”指的是所采用的控制参数。动作调整矩阵M同样采用表格形式进行表示，其第i行，第j列记作M_i,j：

表中：

M_i,j＝110％×max(N(x_p,Q_q)),x_p∈[x_{low_limit},x_{high_limit}],Q_q∈[Q_{low_limit},Q_{high_limit}]

S43:迭代更新动作调整矩阵M，其具体包括以下步骤：

S431:在式(11a)-(11e)所示的设备参数约束下随机生成控制参数x和空调总负荷Q_o,demand；

S432:根据生成的控制参数x和空调总负荷Q_o,demand，空调总负荷的上界限Q_{high_limit}和空调总负荷的下界限Q_{low_limit}，确定需要更新的动作调整矩阵M的单元M_i,j的下标i,j；由于动作调整矩阵M的行列与奖励矩阵N的形式相同，分为N2行以及N3列，每一行每一列均对应着相应的控制参数区间以及空调总负荷区间，确定下标i,j的过程中判断控制参数x和空调总负荷Q_o,demand所处的区间，即可确定下标i,j。

S433:根据式(17)更新M_i,j

式中：

α为学习率，γ为奖励性衰变系数，N_i,j为对应下标下的奖励(奖励矩阵N中下标对应的单元格的单元值)，

为在当前下标的状态下，任何可能采取的动作x`(控制参数)到达状态Q`(空调总负荷)时的总能耗M(x`,Q`)的最小值。

S434:重复S431-S433步骤N4次。

S5：采集集中空调供冷系统的实际数据，更新奖励矩阵N和动作调整矩阵M：

S51:每次采集数据(包括控制参数x，空调总负荷Q和系统总能耗N_real)后，根据S41确定N_i,j的下标i,j，再根据式(18)更新N_i,j；

S52:更新动作调整矩阵M；更新的过程具体包括：

S521:根据采集的x和Q_o,demand，并参照x_{high_limit}和x_{low_limit}，Q_{high_limit}和Q_{low_limit}，确定需要更新的M_i,j的下标i,j；

S522:根据式(17)更新M_i,j:

式中：α为学习率，γ为奖励性衰变系数，N_i,j为对应下标下的奖励，

为在当前下标的状态下，任何可能采取的动作x`到达状态Q`时的总能耗M(x`,Q`)的最小值。

S6:根据集中空调供冷系统的空调总负荷从更新后的动作调整矩阵M中得到优化的控制参数：

根据S51确定的下标i,j，找到更新后M矩阵中第j列中使得M_i,j最小的x_i作为优化的控制参数。

S7:判断优化的控制参数是否合理：

判断标准为：基于模型，即式(11)以优化的控制参数x_i为入参得到的全局总能耗N_model与在S51所采集到的N_real是否相差20％以上。

如果δ小于20％，则实施S8-S9；否则实施S10。

S8:根据步骤S6得到的优化的控制参数调整集中空调供冷系统的设备。

S9:待Δt2时间后，设备稳定后，再经过Δt1时间后实施S5。

S10:全局寻优得到控制参数：

S101:如图3所示，在利用自回归滑动平均(ARMA)空调负荷预测模型获得的Q_o,demand下，根据式(11a)-(11e)所示的设备参数约束随机生成N5数量的控制参数x_i,i＝1,2,,,N5；

S102:根据全局能耗模型和控制参数x_i计算得到对应的全局能耗N_i,i＝1,2,,,N5；N5通常取值100～150。

S103:对N5个全局能耗中，全局能耗最小的10％的N_{i_min}所对应的控制参数x_i记入集合gbest；

S104:从N5个控制参数中取全局能耗最小的N6数量(N6通常取N5的20％)的控制参数根据式(20)对各维度进行更新；

x_i,j＝x_i,j+alpha×t(iter)×(x_k,j-x_i,j) (20)

式中：x_i,j表示第i个控制参数的第j维，iter表示迭代次数，t表示基于迭代次数的t分布生成随机数；alpha表示缩放因子，x_k,j表示从gbest中随机选择的控制参数x_k的第j维。

S105:淘汰掉全局能耗较大的N5-N6数量的控制参数(从大到小淘汰)，并采用步骤S101的方式重新生成N5-N6数量的控制参数；

S106:判断是否达到迭代次数或全局能耗最小的Nmin是否收敛，满足其一即执行S107，否则执行S103；

S107:记全局能耗最小的N_{i_min}所对应的x_i作为优化的控制参数，并实施S8。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，包括：

(S1)建立集中空调供冷系统各部件的物理模型，得到全局能耗模型；

(S2)采集数据，整定所述全局能耗模型；

(S3)根据所述全局能耗模型生成数据；所述数据库包括若干数量的控制参数、空调总负荷以及对应的全局能耗；

(S4)生成奖励矩阵N，使用所述数据库中的数据训练得到动作调整矩阵M；

(S5)采集集中空调供冷系统的实际数据，更新奖励矩阵N和动作调整矩阵M；

(S6)根据集中空调供冷系统的空调总负荷从更新后的动作调整矩阵M中得到优化的控制参数；

(S7)判断控制参数是否合理：如果合理，则执行步骤S8以及步骤S9；否则执行步骤S10；

(S8)根据优化的控制参数调整集中空调供冷系统的设备；

(S9)待Δt2时间后，设备稳定后，经过Δt1时间后执行步骤S5；

(S10)全局寻优得到控制参数，执行步骤S8。

2.根据权利要求1所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S3具体包括：

(S31)在设备参数约束下随机生成N1数量的控制参数x_i和空调总负荷Q_o,demand,i；每个所述控制参数中包括所述集中空调供冷系统中各设备的具体控制变量；

(S32)根据全局能耗模型计算出各控制参数下集中空调供冷系统的全局能耗N_{total_i}：

(S33)将N1数量的控制参数x_i与空调总负荷Q_o,demand,i分别分为N2与N3类；控制参数x_i的上下界限分别为x_{high_limit}和x_{low_limit}，根据上下界限将各控制参数等分为N2类；空调总负荷Q_o,demand,i的上下界限分别为Q_{high_limit}和Q_{low_limit}，根据上下界限等分为N3类；N2与N3均为正整数。

3.根据权利要求2所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S4具体包括：

(S41)生成奖励矩阵N，用于记录每一次迭代过程中根据模型计算得到的全局总能耗，奖励矩阵的第i行，第j列记作N_i,j；

x_p∈(x_i,x_i+1],Q_q∈(Q_j,Q_j+1]

(S42)初始化动作调整矩阵M，该矩阵用于确定每一次状态下发生改变的最优动作，矩阵的第i行，第j列记作M_i,j，其表达式为：

M_i,j＝110％×max(N(x_p,Q_q)),x_p∈[x_{low_limit},x_{high_limit}],Q_q∈[Q_{low_limit},Q_{high_limit}]

(S43)迭代更新动作调整矩阵M。

4.根据权利要求3所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S43所示的迭代更新具体包括：

(S431)在设备参数约束下随机生成控制参数x和空调总负荷Q_o,demand；

(S432)根据生成的控制参数x和空调总负荷Q_o,demand，并参照控制参数的上界限x_{high_limit}和控制参数的下界限x_{low_limit}，空调总负荷的上界限Q_{high_limit}和空调总负荷的下界限Q_{low_limit}，确定需要更新的动作调整矩阵M的单元M_i,j的下标i,j；

(S433)更新M_i,j，其表达式为：

式中：α为学习率，γ为奖励性衰变系数，N_i,j为奖励矩阵N中对应下标下的单元值，

为在当前下标的状态下，任何可能采取的动作x`到达状态Q`时的总能耗M(x`,Q`)的最小值。

5.根据权利要求1所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S5具体包括：

(S51)集中空调供冷系统的实际数据包括控制参数x，空调总负荷Q和系统总能耗N_real；采集后根据步骤S4中确定奖励矩阵N中需要更新的单元的下标的下标i,j，再对奖励矩阵中相应下标的单元N_i,j进行更新，更新过程的表达式为：

N_i,j＝β₁N_i,j+β₂N_real

x∈(x_i,x_i+1],Q∈(Q_j,Q_j+1],β₁+β₂＝1

(S52)更新动作调整矩阵M；更新的过程具体包括：

(S521)根据采集的实际数据中的控制参数x和空调总负荷Q_o,demand，并参照控制参数的上界限x_{high_limit}和控制参数的下界限x_{low_limit}，空调总负荷的上界限Q_{high_limit}和空调总负荷的下界限Q_{low_limit}，确定动作调整矩阵M中需要更新的单元M_i,j的下标i,j；

(S522)对单元M_i,j进行更新，其表达式为：

式中：α为学习率，γ为奖励性衰变系数，N_i,j为奖励矩阵N中对应下标下的单元值，

为在当前下标的状态下，任何可能采取的动作x`到达状态Q`时的总能耗M(x`,Q`)的最小值。

6.根据权利要求5所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S6中根据更新后的动作调整矩阵M确定优化的控制参数；在此过程中，根据步骤S51确定的下标i,j，找到更新后动作调整矩阵M中第j列中使得单元值M_i,j最小的控制参数x_i作为优化的控制参数。

7.根据权利要求6所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S7判断优化的控制参数是否合理的判断标准为：基于全局能耗模型以优化的控制参数x_i为输入参数得到的全局总能耗N_model与在步骤S5所采集到的N_real是否相差20％以上；

如果δ小于20％，则判断控制参数合理，否则为不合理。

8.根据权利要求1所述的一种集中空调供冷系统自适应深度学习优化节能控制算法，其特征在于，步骤S10具体包括：

(S101)在利用自回归滑动平均空调负荷预测模型获得的空调总负荷Q_o,demand下，根据设备参数约束随机生成N5数量的控制参数x_i,i＝1,2,,,N5；

(S102)根据全局能耗模型和控制参数x_i计算得到对应的全局能耗N_i,i＝1,2,,,N5；

(S103)对N5个全局能耗中，全局能耗最小的前10％数量的N_{i_min}所对应的控制参数x_i记入gbest；

(S104)从N5个控制参数中取全局能耗最小的N6数量的控制参数根据下式进行更新：

x_i,j＝x_i,j+alpha×t(iter)×(x_k,j-x_i,j)

式中：x_i,j表示第i个控制参数的第j维，iter表示迭代次数，t表示基于迭代次数的t分布生成随机数；alpha表示缩放因子，x_k,j表示从gbest中随机选择的控制参数x_k的第j维。

S105:淘汰掉全局能耗较大的N5-N6数量的控制参数，并重新生成N5-N6数量的控制参数；

S106:判断是否达到迭代次数或全局能耗最小的Nmin是否收敛，满足其一即执行S107，否则执行S103；

S107:记全局能耗最小的N_{i_min}所对应的x_i作为优化的控制参数，并实施S8。

Images