CN114896898B - 一种空压机集群系统能耗优化方法及系统 - Google Patents
一种空压机集群系统能耗优化方法及系统 Download PDFInfo
- Publication number
- CN114896898B CN114896898B CN202210824284.0A CN202210824284A CN114896898B CN 114896898 B CN114896898 B CN 114896898B CN 202210824284 A CN202210824284 A CN 202210824284A CN 114896898 B CN114896898 B CN 114896898B
- Authority
- CN
- China
- Prior art keywords
- air compressor
- graph
- sub
- energy consumption
- node
- 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 50
- 238000005265 energy consumption Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000010276 construction Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 71
- 230000002776 aggregation Effects 0.000 claims description 49
- 238000004220 aggregation Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 19
- 238000003062 neural network model Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明涉及空压机的群控技术领域，具体涉及一种空压机集群系统能耗优化方法及系统，该方法本质上是一种采用神经网络模型的方法，具体包括：获取各空压机不同特征数据作为节点构建图结构，得到各空压机对应的子图；将各空压机对应的子图作为子图节点构建图结构，得到空压机集群图；构建图卷积神经网络，将所述空压机集群图输入图卷积神经网络，输出优化空压机集群图；获得优化空压机集群图中包含的每个子图中节点的节点值，所述每个子图中节点的节点值的和为每个空压机对应的能耗贡献度；根据所述能耗贡献度对各空压机的特征数据进行调节。本发明能够获取较为准确的空压机集群系统调节参数，并在进行参数调节的过程中，能保证系统的稳定。
Description
技术领域
本发明涉及空压机的群控技术领域，具体涉及一种空压机集群系统能耗优化方法及系统。
背景技术
目前，我国空压机产品性能在不断改进，但是还存在运行过程中能效水平不高、不合理现象，主要原因是由于空压机系统控制方式选择不当。对于一般工业现场来说，空压机集群的设计产气量要大于实际用气量，随着用气负荷的变化，空气管网的压力也在不断变化，控制空压机实现供气管网的压力稳定高效运行非常重要。而通过人为控制的方式对空压机运行过程中进行加载和减载进行供气调节，频繁的调节负载会造成能耗损失较大，对电网产生较大的影响，影响空压机以及供电设备的寿命。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种空压机集群系统能耗优化方法，所采用的技术方案具体如下：
获取各空压机不同特征数据作为节点构建图结构，得到各空压机对应的子图；将各空压机对应的子图作为子图节点构建图结构，得到空压机集群图；所述不同特征数据为各空压机在预设时段的功率、压力和进出气量；
构建图卷积神经网络，将所述空压机集群图输入图卷积神经网络，输出优化空压机集群图；根据各空压机的特征数据之间的相似度，计算各空压机对应的子图的初始特征向量；根据各卷积层子图节点的特征向量和其相邻卷积层子图节点的特征向量，构建聚合函数；利用所述聚合函数计算各子图的聚合特征向量；利用图卷积神经网络获取空压机集群图的聚合特征向量；利用嵌入自编码网络获取空压机集群图的初始特征向量；根据各子图的初始特征向量和聚合特征向量的差值之和、空压机集群图的初始特征向量和聚合特征向量的差值，得到图卷积神经网络的损失函数；
获得优化空压机集群图中包含的每个子图中节点的节点值，所述每个子图中节点的节点值的和为每个空压机对应的能耗贡献度；根据所述能耗贡献度对各空压机的特征数据进行调节。
优选地，所述聚合函数具体为：
其中，
表示第k层卷积层中第v个子图节点的聚合特征向量，
表示第k层卷积层的权重矩阵，
表示第k层卷积层的邻接矩阵，
表示第k－1层卷积层中第v个子图节点的聚合特征向量，
表示第k－1层卷积层中第u个子图节点的初始特征向量，
表示第k－1层卷积层中第u个子图节点的初始特征向量的模，
表示空压机集群图上所有子图节点的集合，K表示卷积层的总层数，
表示预设权重参数，
表示非线性激活函数。
优选地，所述嵌入自编码网络的损失函数为：
其中，
表示第c个子图节点对应的初始特征向量，
表示第c个子图节点对应的聚合特征向量，m表示子图节点的总个数。
优选地，所述图卷积神经网络的损失函数具体为：
其中，
表示第n个子图节点对应的初始特征向量，
表示第n个子图节点对应的聚合特征向量，N表示子图节点的总个数，
表示空压机集群图的聚合结构特征向量，
表示空压机集群图的初始结构特征向量，
为权重系数。
优选地，所述子图的初始特征向量的获取方法具体为：获取一台空压机的特征数据与其他所有空压机的特征数据的相似度之和得到该空压机对应的子图的初始特征向量；所述相似度为空压机的特征数据之间的差值的倒数。
优选地，所述子图中节点的节点值具体为子图对应的空压机的特征数据与额定特征数据的差值的绝对值。
优选地，所述根据所述能耗贡献度对各空压机的特征数据进行调节具体为：根据能耗贡献度对空压机进行降序排列，根据排列后的空压机能耗贡献度对空压机对应的特征数据值进行调节。
本发明还提供了一种空压机集群系统能耗优化系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如一种空压机集群系统能耗优化方法的步骤。
本发明实施例至少具有如下有益效果：
本发明根据空压机集群系统中不同空压机的特征数据构建图结构得到空压机对应的子图，再根据不同空压机之间的级联关系构建图结构得到空压机集群图，再利用图卷积神经网络获取优化后的优化空压机集群图，根据优化后的集群图上对应的子图节点的节点值获取能耗贡献度，进而对空压机的特征数据进行调节，达到优化的目的。本发明采用图卷积神经网络能够随着卷积层数的增加，获取深层隐性聚合特征，使子图节点之间更新更加快速。能够通过不同空压机的级联关系和空压机的自身工作状态获取准确的集群系统能耗贡献度，并在进行参数调节的过程中，能保证系统的稳定。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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它附图。
图1是本发明的一种空压机集群系统能耗优化方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种空压机集群系统能耗优化方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种空压机集群系统能耗优化方法及系统的具体方案。
实施例1：
本发明所针对的具体场景为：空压机集群系统优化场景，利用空压机传感器获取各个空压机数据，并将空压机集群数据上传空压机控制系统终端，利用空压机集群数据进行时序预测和最优化分析。
请参阅图1，其示出了本发明一个实施例提供的一种空压机集群系统能耗优化方法的方法流程图，该方法包括以下步骤：
步骤一，获取各空压机不同特征数据作为节点构建图结构，得到各空压机对应的子图；将各空压机对应的子图作为子图节点构建图结构，得到空压机集群图；所述不同特征数据为各空压机在预设时段的功率、压力和进出气量。
首先，需要说明的是，传统的空压机压力控制系统中，系统只能按照原先设定的基础加载和减载顺序控制空压机的加载和减载。但是，这种顺序控制方式在面对功率不同的空压机组成的空压机集群系统时，会造成能耗增大的问题，造成能源的浪费；例如在空压机系统压力相对稳定，存在较小的波动时，按照顺序启动的方式，启动一台功率较大的空压机，会造成空压机系统产生剧烈波动，并需要部分减载才能重新达到稳定；同样的，当空压机系统压力较小，且存在较大的压力缺口时，若启动一台功率较小的空压机，则需要按照顺序启动再启动下一台空压机，造成功率较大的空压机低效运行，造成能耗浪费。
因此，需要采集空压机运行过程中的数据进行分析优化空压机的运行，使得空压机系统稳定运行，降低空压机的运行的能耗。通过空压机集群系统的数据采集装置获取各台空压机的实时运行数据，其中运行数据包括：各台空压机的实时工作功率、额定功率、压缩量、进气量、空压机压力变化量、空压机集群的实时压力值、空压机集群的预定压力值。然后，根据时间标签和各台空压机ID编码对运行数据进行数据存储，对存储后的数据进行预处理，预处理的方式为：对数据缺省值和异常值进行处理，可利用多项式数据差值或相邻插值算法处理。获得运行的数据后将其存储起来，方便后续分析调用。
进一步的，利用空压机的储存的数据，构建图结构，空压机集群系统有多个空压机级联组成，空压机集群系统的能耗总和以及总体压力稳定与各台级联的空压机运行数据相关。由于每个空压机是独立工作的个体，所以，可以将空压机自身的数据之间数据参数构建一个图结构，记为一个子图，空压机集群系统中各个空压机对应的子图构建为一整个图结构，记为空压机集群图。
利用单台空压机的各个运行数据中的数据特征作为子图的节点，其中数据特征包括：功率、压力和进出气量。子图的一个节点表示为功率、压力和进出气量其中的一个值。子图的节点的数据值为空压机实时特征数据与额定特征数据的差值的绝对值，由于数据特征之间存在必然相关性，所以子图中的节点之间的存在相连关系。同时，需要对采集得到的功率、压力和进出气量分别进行归一化处理，使其量纲进行统一方便后续计算。
然后，再利用各个空压机对应的子图作为整个空压机集群系统对应的图结构中的图节点，构成整个空压机集群系统对应的空压机集群图。在本实施例中，空压机集群图的获取方法具体为：通过历史数据获取多个空压机在调控过程中，图节点之间的数据变化，以及图像节点之间的变化关系，其中，包括某个空压机存在异常时的历史数据。利用30天内m台空压机的历史数据中，设置一个预设时段，一个预设时段内的历史数据构成m台空压机对应的子图，一共m张，其中本实施例一个预设时段为两个小时，所以三十天共获取360m张子图，每两个小时构成的m张子图共同构成一张空压机集群图。
步骤二，构建图卷积神经网络，将所述空压机集群图输入图卷积神经网络，输出优化空压机集群图；根据各空压机的特征数据之间的相似度，计算各空压机对应的子图的初始特征向量；根据各卷积层子图节点的特征向量和其相邻卷积层子图节点的特征向量，构建聚合函数；利用所述聚合函数计算各子图的聚合特征向量；利用图卷积神经网络获取空压机集群图的聚合特征向量；利用嵌入自编码网络获取空压机集群图的初始特征向量；根据各子图的初始特征向量和聚合特征向量的差值之和、空压机集群图的初始特征向量和聚合特征向量的差值，得到图卷积神经网络的损失函数。
首先，需要说明的是，本发明根据获取的空压机集群图，对所述空压机集群图上子图节点进行分析，能够获取优化空压机集群图，根据优化空压机集群图获取相关数据信息，能够实现对空压机的数据进行调节的目的，故本实施例采用图神经网络获取优化空压机集群图。
具体地，构建图卷积神经网络，图卷积神经网络的结构为：Encoder-Decoder，图卷积神经网络的输入为：空压机集群图，图卷积神经网络的输出为：优化空压机集群图。
为了后续减少图卷积神经网络的训练复杂度，获取同一预设时段内的不同空压机的特征数据在集群系统中的级联关系，根据所述级联关系作为图卷积神经网络训练过程中的子图之间的聚合向量的初始值。具体地，根据各空压机的特征数据之间的相似度，计算各空压机对应的子图的初始特征向量。在本实施例中，获取一台空压机的特征数据与其他所有空压机的特征数据的相似度之和得到该空压机对应的子图的初始特征向量，所述相似度为空压机的特征数据之间的差值的倒数。其中相似度的计算方法实施者可根据实际情况进行选择。实施者也可根据实际情况选择其他较为合适的方法获取初始特征向量。
然后，为了使图卷积神经网络在卷积的过程中，能够在浅层卷积过程中获取子图的特征，在深层卷积过程中获取整个空压机集群图中子图之间的特征。利用卷积神经网络对各卷积层上子图节点以及其相邻卷积层上子图节点提取特征信息，构建聚合函数，并借助聚合函数对图神经网络的卷积过程进行约束。
所述聚合函数用公式表示为：
其中，
表示第k层卷积层中第v个子图节点的聚合特征向量，
表示第k层卷积层的权重矩阵，
表示第k层卷积层的邻接矩阵，
表示第k－1层卷积层中第v个子图节点的聚合特征向量，
表示第k－1层卷积层中第u个子图节点的初始特征向量，
表示第k－1层卷积层中第u个子图节点的初始特征向量的模，
表示空压机集群图上所有子图节点的集合，K表示卷积层的总层数，
表示预设权重参数，
表示非线性激活函数。
需要说明的是，在本实施例中，通过构建的图卷积神经网络对空压机集群图进行分析，根据图卷积网络中各卷积层上的子图节点与其相邻卷积层上的子图节点对应的初始特征向量进行聚合按照上述聚合函数公式可以得到所有层所有子图节点对应的聚合特征向量，且按照聚合的过程以及根据图卷积神经网络，聚合的最终停止时能够得到整张空压机集群图的聚合结构特征向量。
所述预设权重参数的获取方法为：根据任意两个子图对应的初始特征向量之间的相似度，得到权重参数。图卷积神经网络在同一卷积层的卷积过程中，各个子图对应的聚合特征向量聚合过程所需的初始权重参数可以根据参与该聚合过程的子图节点对应的初始特征向量之间的相似度进行获取。每两个子图之间会有一个初始权重值，随着图卷积神经网络的训练，更新子图之间的初始权重值。在本实施例中，初始第一层卷积层上同一子图节点对应的权重参数为
。
构建聚合函数的目的是为了利用子图自身的相关性来对各卷积层子图节点的聚合过程进行约束。能够在子图节点聚合过程中，优先考虑存在关联关系的子图节点进行聚合，获取聚合后的特征向量，能够更快速的帮助网络获取整个空压机集群图的特征信息。随着网络卷积层数的不断深入，需要获取每个子图对整个空压机集群图的影响，此时更关注的隐性关联子图的关系，所以，利用聚合层数对聚合函数进行调整，以获取隐性关联特征。
通过聚合函数获取各卷积层子图节点以及所有不同子图之间的聚合特征，结合预设时段下的m张子图构成的空压机集群图进行子图节点之间的结构变化特征学习，获取各个子图节点的节点值的调节对空压机集群图结构的影响。
最后，为了得到空压机集群图的初始结构特征向量，本实施例采用嵌入自编码网络进行获取。即利用嵌入自编码网络对输入的空压机集群图进行数据重构，使图卷积神经网络在卷积的过程中能够获取到输入的空压机集群图的初始结构特征向量，保证图卷积网络学习到的聚合信息与自编码学习到的输入数据初始信息进行对比，通过梯度下降法使图卷积神经网络能够达到收敛，输出最优空压机集群图。
所述嵌入自编码网络的损失函数为：
其中，
表示第c个子图节点对应的初始特征向量，
表示第c个子图节点对应的聚合特征向量，N表示子图节点的总个数。
所述图卷积神经网络的损失函数为：
其中，
表示第n个子图节点对应的初始特征向量，
表示第n个子图节点对应的聚合特征向量，N表示子图节点的总个数，
表示空压机集群图的聚合结构特征向量，
表示空压机集群图的初始结构特征向量，
为权重系数，实施者可根据实际情况进行设置。
步骤三，获得优化后空压机集群图中包含的每个子图中各节点的节点值，所述每个子图中各节点的节点值的和为每个空压机对应的能耗贡献度；根据所述能耗贡献度对各空压机的特征数据进行调节。
首先，通过步骤二获得了优化后的优化空压机集群图，需要得到优化后的优化空压机集群图中每个子图节点对应的子图中节点的节点值，其中，一个子图中的一个节点的节点值为该节点表示的特征数据与该特征数据的额定值的差值的绝对值。例如一个节点的特征数据表示的是功率，则该节点的表示的功率与额定功率的差值为该节点的节点值。
进一步地，每个优化后的优化空压机集群图中包含的一个节点对应的一个子图中所有节点的节点值的和为一个子图对应的空压机的能耗贡献度；至此可以获得一个优化后的空压机集群图中包含的所有节点对应的子图对应的空压机的能耗贡献度。
最后，根据能耗贡献度对空压机进行降序排列，根据排列后的空压机能耗贡献度对空压机对应的数据特征值进行调节，使在进行参数调节的过程中，保证系统稳定，集群系统能耗较小。
实施例2：
本实施例提供了一种空压机集群系统能耗优化系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如一种空压机集群系统能耗优化方法的步骤。由于实施例1已经对一种空压机集群系统能耗优化方法进行了详细的阐述，此处不再过多介绍。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (7)
1.一种空压机集群系统能耗优化方法，其特征在于，该方法包括以下步骤：
获取各空压机不同特征数据作为节点构建图结构，得到各空压机对应的子图；将各空压机对应的子图作为子图节点构建图结构，得到空压机集群图；所述不同特征数据为各空压机在预设时段的功率、压力和进出气量；
构建图卷积神经网络，将所述空压机集群图输入图卷积神经网络，输出优化空压机集群图；
根据各空压机的特征数据之间的相似度，计算各空压机对应的子图的初始特征向量；根据各卷积层子图节点的特征向量和其相邻卷积层子图节点的特征向量，构建聚合函数；所述聚合函数具体为：
其中，
表示第k层卷积层中第v个子图节点的聚合特征向量，
表示第k层卷积层的权重矩阵，
表示第k层卷积层的邻接矩阵，
表示第k－1层卷积层中第v个子图节点的聚合特征向量，
表示第k－1层卷积层中第u个子图节点的初始特征向量，
表示第k－1层卷积层中第u个子图节点的初始特征向量的模，
表示空压机集群图上所有子图节点的集合，K表示卷积层的总层数，
表示预设权重参数，
表示非线性激活函数；
利用所述聚合函数计算各子图的聚合特征向量；利用图卷积神经网络获取空压机集群图的聚合特征向量；利用嵌入自编码网络获取空压机集群图的初始特征向量；
根据各子图的初始特征向量和聚合特征向量的差值之和、空压机集群图的初始特征向量和聚合特征向量的差值，得到图卷积神经网络的损失函数；
获得优化空压机集群图中包含的每个子图中节点的节点值，所述每个子图中节点的节点值的和为每个空压机对应的能耗贡献度；根据所述能耗贡献度对各空压机的特征数据进行调节。
2.根据权利要求1所述的一种空压机集群系统能耗优化方法，其特征在于，所述嵌入自编码网络的损失函数为：
其中，
表示第c个子图节点对应的初始特征向量，
表示第c个子图节点对应的聚合特征向量，m表示子图节点的总个数。
3.根据权利要求1所述的一种空压机集群系统能耗优化方法，其特征在于，所述图卷积神经网络的损失函数具体为：
其中，
表示第n个子图节点对应的初始特征向量，
表示第n个子图节点对应的聚合特征向量，N表示子图节点的总个数，
表示空压机集群图的聚合结构特征向量，
表示空压机集群图的初始结构特征向量，
为权重系数。
4.根据权利要求1所述的一种空压机集群系统能耗优化方法，其特征在于，所述子图的初始特征向量的获取方法具体为：获取一台空压机的特征数据与其他所有空压机的特征数据的相似度之和得到该空压机对应的子图的初始特征向量；所述相似度为空压机的特征数据之间的差值的倒数。
5.根据权利要求1所述的一种空压机集群系统能耗优化方法，其特征在于，所述子图中节点的节点值具体为子图对应的空压机的特征数据与额定特征数据的差值的绝对值。
6.根据权利要求1所述的一种空压机集群系统能耗优化方法，其特征在于，所述根据所述能耗贡献度对各空压机的特征数据进行调节具体为：根据能耗贡献度对空压机进行降序排列，根据排列后的空压机能耗贡献度对空压机对应的特征数据值进行调节。
7.一种空压机集群系统能耗优化系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种空压机集群系统能耗优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210824284.0A CN114896898B (zh) | 2022-07-14 | 2022-07-14 | 一种空压机集群系统能耗优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210824284.0A CN114896898B (zh) | 2022-07-14 | 2022-07-14 | 一种空压机集群系统能耗优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114896898A CN114896898A (zh) | 2022-08-12 |
| CN114896898B true CN114896898B (zh) | 2022-09-27 |
Family
ID=82730319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210824284.0A Active CN114896898B (zh) | 2022-07-14 | 2022-07-14 | 一种空压机集群系统能耗优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114896898B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966114A (zh) * | 2021-04-10 | 2021-06-15 | 北京工商大学 | 基于对称图卷积神经网络的文献分类方法和装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11841025B2 (en) * | 2018-03-20 | 2023-12-12 | Enersize Oy | Method for analyzing, monitoring, optimizing and/or comparing energy efficiency in a multiple compressor system |
| US11693924B2 (en) * | 2019-06-06 | 2023-07-04 | Hitachi, Ltd. | System and method for maintenance recommendation in industrial networks |
| US11227190B1 (en) * | 2021-06-29 | 2022-01-18 | Alipay (Hangzhou) Information Technology Co., Ltd. | Graph neural network training methods and systems |
| CN112651436A (zh) * | 2020-12-23 | 2021-04-13 | 深圳市安软科技股份有限公司 | 一种基于权重不确定的图卷积神经网络的优化方法、装置 |
| CN114494158A (zh) * | 2022-01-07 | 2022-05-13 | 华为技术有限公司 | 一种图像处理方法、一种车道线检测方法及相关设备 |
-
2022
- 2022-07-14 CN CN202210824284.0A patent/CN114896898B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966114A (zh) * | 2021-04-10 | 2021-06-15 | 北京工商大学 | 基于对称图卷积神经网络的文献分类方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114896898A (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112577161B (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
| CN111723456B (zh) | 一种基于nsga-ⅱ算法的中央空调系统能效优化方法 | |
| CN110392515B (zh) | 一种基于历史数据的冷热源机房节能控制方法及系统 | |
| CN114428803B (zh) | 空压站运行优化方法、系统、存储介质及终端 | |
| CN113112060B (zh) | 基于流量软测量的提升泵站调度方法、装置和计算机设备 | |
| CN103927580A (zh) | 一种基于改进人工蜂群算法的工程约束参数优化方法 | |
| CN112906966B (zh) | 一种中央空调冷水机组负荷优化方法、系统、介质及设备 | |
| CN112901449A (zh) | 一种基于机器学习的空气压缩机系统能耗优化方法 | |
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN113959071B (zh) | 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 | |
| CN111612273A (zh) | 一种区域级综合能源系统分区设计方法及系统 | |
| CN112163699B (zh) | 一种基于负荷匹配的冷水机组台数控制优化方法 | |
| Wang et al. | Short-term load forecasting of power system based on time convolutional network | |
| CN110260469A (zh) | 一种群智能中央空调并联水泵节能优化方法 | |
| CN117668743B (zh) | 一种关联时空关系的时序数据预测方法 | |
| CN111735177B (zh) | 一种基于svr算法的中央空调系统冷负荷预测方法 | |
| CN112855513A (zh) | 基于遗传算法的空压机集群控制系统能耗优化方法及系统和装置 | |
| CN114301910A (zh) | 一种物联网环境下的云边协同计算任务卸载方法 | |
| CN114896898B (zh) | 一种空压机集群系统能耗优化方法及系统 | |
| CN114662751B (zh) | 基于lstm的园区多能短期负荷预测及优化方法 | |
| KR102628551B1 (ko) | 하이브리드 타입 단기 전력수요 예측 장치 및 방법 | |
| CN113152595B (zh) | 一种变频恒压供水系统及其节能控制方法 | |
| CN117592657A (zh) | 一种多台冷水机组负荷分配优化方法及系统 | |
| CN117407681A (zh) | 一种基于向量聚类的时序数据预测模型建立方法 | |
| CN117628646A (zh) | 中央空调及其节能优化控制方法、装置及存储介质 |
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 |