CN114909945A - 冷却塔节能智控方法、装置、电子装置及介质 - Google Patents
冷却塔节能智控方法、装置、电子装置及介质 Download PDFInfo
- Publication number
- CN114909945A CN114909945A CN202210411564.9A CN202210411564A CN114909945A CN 114909945 A CN114909945 A CN 114909945A CN 202210411564 A CN202210411564 A CN 202210411564A CN 114909945 A CN114909945 A CN 114909945A
- Authority
- CN
- China
- Prior art keywords
- cooling tower
- data
- parameters
- cooling
- target
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
- F28F27/00—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus
- F28F27/003—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus specially adapted for cooling towers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28C—HEAT-EXCHANGE APPARATUS, NOT PROVIDED FOR IN ANOTHER SUBCLASS, IN WHICH THE HEAT-EXCHANGE MEDIA COME INTO DIRECT CONTACT WITHOUT CHEMICAL INTERACTION
- F28C1/00—Direct-contact trickle coolers, e.g. cooling towers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28C—HEAT-EXCHANGE APPARATUS, NOT PROVIDED FOR IN ANOTHER SUBCLASS, IN WHICH THE HEAT-EXCHANGE MEDIA COME INTO DIRECT CONTACT WITHOUT CHEMICAL INTERACTION
- F28C1/00—Direct-contact trickle coolers, e.g. cooling towers
- F28C2001/006—Systems comprising cooling towers, e.g. for recooling a cooling medium
-
- 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)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提供一种冷却塔节能智控方法、装置、电子装置及介质,所述方法包括:获取冷却塔的目标冷却参数和实时运行参数;将冷却塔的实时运行参数输入目标算法模型,得到冷却塔的当前冷却参数;依据的当前冷却参数和目标冷却参数调整实时运行参数至目标运行参数,目标运行参数为使当前冷却参数满足目标冷却参数的所有运行参数中最节约冷却塔用电量的运行参数。本申请可以基于冷却塔的实时运行参数预测冷却塔出水温度,使得冷却塔在降温需求的同时,避免过低的冷却塔出水温度,利于冷却塔的热量蒸发,从而降低能耗、提高能效,利于节能环保,符合碳中和、碳达峰理念。
Description
技术领域
本申请涉及冷却塔技术领域,尤其涉及一种冷却塔节能智控方法、装置、电子装置及介质。
背景技术
冷却塔作为一种能量转换设备,广泛应用于工业生产和日常生活,用于给降温设备提供冷却水。冷却塔通常利用水和空气的接触,通过蒸发散去设备产生的热量,从而通过潜热交换以降低水温,当水汽接触的空气饱和时,水分子蒸发不出去,处于动态平衡状态。此时,蒸发出去的水分子数量等于从空气返回到水中的水分子数量,水温保持不变。理想化冷却塔的最低出水温度等于室外空气的湿球温度,由此可见,湿球温度是控制冷却塔出水温度的重要依据。然而,目前缺少通过环境湿球温度控制冷却塔出水温度的手段,不利于冷却塔的热量蒸发,容易导致能源浪费。
发明内容
有鉴于此,有必要提供一种冷却塔节能智控方法、装置、电子装置及介质,以解决上述因缺少通过环境湿球温度控制冷却塔出水温度的手段,而不利于冷却塔的热量蒸发,导致能源浪费的技术问题。
本申请提供一种冷却塔节能智控方法,包括:
获取冷却塔的目标冷却参数和实时运行参数;
将所述冷却塔的实时运行参数输入目标算法模型,得到所述冷却塔的当前冷却参数;
依据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数至目标运行参数,所述目标运行参数为所述冷却塔的使所述当前冷却参数满足所述目标冷却参数的所有运行参数中最节约所述冷却塔用电量的运行参数。
可选地,所述目标冷却参数包括所述冷却塔的目标出水温度,所述目标出水温度为环境湿球温度与预设温度之和,所述当前冷却参数包括所述冷却塔的预测出水温度,所述冷却塔的实时运行参数和所述目标运行参数均包括所述冷却塔的风机运行状态参数。
可选地,若所述风机为定频风机,所述风机运行状态参数包括定频风机的开启数量,所述根据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数包括:
依据所述预测出水温度和所述目标出水温度确定温度差值的绝对值,将所述温度差值的绝对值与预设差值进行比较;
当所述温度差值小于0且所述温度差值的绝对值大于所述预设差值时,减少所述定频风机的开启数量;或
当所述温度差值大于0且所述温度差值的绝对值大于所述预设差值时,增加所述定频风机的开启数量。
可选地,若所述风机为变频风机和定频风机的组合,所述风机的运行状态参数包括所述定频风机的开启数量和所述变频风机的工作频率,所述根据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数包括:
依据所述预测出水温度和所述目标出水温度确定温度差值的绝对值,将所述温度差值的绝对值与预设差值进行比较;
当所述温度差值小于0且所述温度差值的绝对值大于所述预设差值时,减少所述定频风机和变频风机的开启数量及/或所述变频风机的工作频率;或
当所述温度差值大于0且所述温度差值的绝对值大于所述预设差值时,增加所述定频风机和变频风机的开启数量及/或所述变频风机的工作频率。
可选地,所述依据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数还包括:
若依据所述预测出水温度和所述目标出水温度得到多种可调整的风机运行状态参数,确定所述风机在每种风机运行状态参数的总用电量;
确定所述总用电量最低的风机运行状态参数,并依据所述总用电量最低的风机运行状态参数调整所述定频风机和变频风机的开启数量及/或所述变频风机的工作频率。
可选地,所述方法还包括:
获取所述冷却塔的历史数据,所述历史数据包括所述冷却塔的历史目标冷却参数和多种历史运行参数;
预处理所述历史数据,得到预设数量的特征数据;
通过所述特征数据对算法模型进行训练,得到所述目标算法模型。
可选地,所述获取所述冷却塔的历史数据包括:
使用第一服务器通过读取网关来采集所述冷却塔的底层设备数据,并将所述底层设备数据归档至第二服务器;
使用第三服务器将所述底层设备数据从所述第二服务器通过增量抽取的形式采集数据,并将采集的数据保存到原始数据层;
对所述原始数据层的数据进行预处理,并将预处理后的数据保存到数据仓库;
对所述数据仓库中的数据进行行转列处理,得到数据宽表,并将所述数据宽表保存到数据集市,以作为待预处理的历史数据。
可选地,所述预处理所述历史数据,得到预设数量的特征数据包括:
通过数据仓库技术将所述历史数据抄送到所述目标算法模型所属设备对应的本地数据库;
对所述本地数据库中的所述历史数据进行结构化查询语言整合;
对整合后的所述历史数据进行预处理,得到特征数据库,所述特征数据库包括多条特征数据;
从所述特征数据库中的多条特征数据中选出所述预设数量的特征数据。
可选地,所述预处理所述历史数据,得到预设数量的特征数据进一步包括:
将所述特征数据库所包括的多条特征数据输入自动机器学习算法,得到所述多条特征数据的权重排序;
依据所述权重排序从所述多条特征数据中选出所述预设数量的特征数据。
可选地,所述预处理所述冷却塔的历史数据,得到预设数量的特征数据进一步包括:
将所述特征数据库所包括的多条特征数据输入卡方验证算法,输出所述预设数量的特征数据。
可选地,所述预处理所述冷却塔的历史数据,得到预设数量的特征数据还包括:
对所述预设数量的特征数据中的一部分特征数据进行数据衍生,得到替代所述一部分特征数据的衍生特征数据,所述衍生特征数据和所述特征数据中的另一部分特征数据用于对算法模型进行训练,得到所述目标算法模型。
可选地,所述冷却塔包括至少一个定频风机,所述一部分特征数据包括预处理所述至少一个定频风机的风机运行状态参数得到的定频风机运行状态参数这至少一个特征数据,
将所述定频风机运行状态参数这至少一个特征数据衍生为作为所述衍生特征数据的定频风机开启数量这一个特征数据。
可选地,所述算法模型为回归算法模型,所述回归算法模型为支持向量机算法、随机森林算法、梯度提升决策树算法及岭回归算法中的任一种。
可选地,所述通过所述特征数据对算法模型进行训练,得到所述目标算法模型包括:
通过所述特征数据分别对支持向量机算法、随机森林算法、梯度提升决策树算法及岭回归算法进行训练,得到多个备选模型;
基于每个备选模型的预测值和真实值计算每个备选模型的决定系数、均方误差及平均绝对误差;
基于所述多个备选模型的决定系数、均方误差及平均绝对误差确定所述目标算法模型。
本申请还提供一种冷却塔节能智控装置,用于对冷却塔进行智能控制,所述冷却塔包括水塔、温度计、采集器和多个风机,所述温度计设于所述水塔所处的外在环境中,用于感测环境湿球温度,所述采集器至少电连接至所述多个风机,用于采集所述多个风机的运行状态参数,所述装置包括:
第一处理器,与所述温度计和所述采集器通信连接,用于从所述温度计确定所述冷却塔的目标冷却参数,从所述采集器确定所述冷却塔实时运行参数,所述目标冷却参数包括所述环境湿球温度与预设温度之和,所述实时运行参数至少包括所述冷却塔的多个风机的运行状态参数;
所述第一处理器还用于将所述冷却塔的实时运行参数输入目标算法模型,得到所述冷却塔的当前冷却参数;及依据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数至目标运行参数,所述目标运行参数为所述冷却塔的使所述当前冷却参数满足所述目标冷却参数的所有运行参数中最节约所述冷却塔用电量的运行参数。
本申请还提供一种电子装置,包括:
第二处理器;以及
第二存储器,所述第二存储器中存储有指令,所述指令由所述第二处理器加载并执行上述的冷却塔节能智控方法。
本申请还提供一种计算机可读存储介质,其上存储有至少一条计算机指令,所述指令由第二处理器加载并执行如上述的冷却塔节能智控方法。
本申请提供的冷却塔节能智控方法、装置、电子装置及介质可以基于冷却塔的实时运行参数预测冷却塔出水温度,使得冷却塔在降温需求的同时,避免过低的冷却塔出水温度,利于冷却塔的热量蒸发,从而降低能耗、提高能效,利于节能环保,符合碳中和、碳达峰理念。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1是本申请较佳实施例提供的冷却塔的应用环境示意图。
图2是本申请一实施例提供的冷却塔的结构示意图。
图3是本申请较佳实施例提供的冷却塔节能智控方法的流程图。
图4是本申请一实施例提供的冷却塔节能控制方法的处理框架图。
图5是本申请一实施例提供的依据冷却塔的当前冷却参数和目标冷却参数调整冷却塔的实时运行参数至目标运行参数的流程图。
图6是本申请另一实施例提供的冷却塔的结构示意图。
图7是本申请另一实施例提供的依据冷却塔的当前冷却参数和目标冷却参数调整冷却塔的实时运行参数至目标运行参数的流程图。
图8是本申请另一实施例提供的冷却塔的结构示意图。
图9是本申请一实施例提供的依据冷却塔的当前冷却参数和目标冷却参数调整冷却塔的实时运行参数至目标运行参数的流程图。
图10是本申请一实施例提供的风机运行功率和风机频率之间的关系的拟合曲线图。
图11是本申请较佳实施例提供的目标算法模型的建立方法的流程图。
图12是本申请一实施例提供的获取冷却塔的历史数据的流程图。
图13是本申请一实施例提供的获取冷却塔的历史数据的架构图。
图14是本申请一实施例提供的预处理历史数据,得到预设数量的特征数据的流程图。
图15A是本申请一实施例提供的随机森林模型的预测结果图。
图15B是本申请一实施例提供的岭回归模型的预测结果图。
图15C是本申请一实施例提供的梯度提升决策树算法模型的预测结果图。
图15D是本申请一实施例提供的支持向量机模型的预测结果图。
图16是本申请一实施例提供的备选模型的评估指标的示意图。
图17是本申请一实施例提供的智控装置的结构示意图。
图18是本申请一实施例提供的电子装置的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
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申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
请参阅图1所示,为本申请较佳实施例提供的冷却塔的应用环境示意图。冷却塔10包括,但不限于,至少两台水塔11(图1仅示意了一台水塔11,至少两台水塔11的示意将下文详细说明),供水管12、回水管13、水泵141、水泵142、温度计15、采集器16。每台水塔11上设有将在下文参照附图详细说明的至少一个风机110。水泵141设于供水管12,水泵142设于回水管13,温度计15设于水塔11所处的外在环境中,采集器16设于水塔11上。供水管12和回水管13与降温设备2连接。水泵141驱动水塔11输出的冷却水经由供水管12供应至降温设备2,由于冷却水的温度低于降温设备2中的冷冻水的温度,冷却水可以将降温设备2中冷冻水的热量吸收,再通过水泵142将水回送至水塔11上进行降温,再送至降温设备2进行循环使用。可选地,降温设备2可以是冰机等。
请参阅图2所示,为本申请一实施例提供的冷却塔的结构示意图。冷却塔10的至少两台水塔11以共用供水管12和回水管13的方式依次布置,冷却塔10与一降温设备2连接。风机110对水塔11中的水进行冷却,由水泵141将冷却水输送至降温设备2,冷却水流经降温设备2将降温设备2内的冷冻水的热量吸收后,再由水泵142将水回送至水塔11进行冷却,形成循环。温度计15用于感测环境湿球温度,环境湿球温度为当前环境仅通过蒸发水分所能达到的最低温度。采集器16用于采集多个风机的运行状态参数,可以为市场售卖的数据采集器。
请参阅图3所示,为本申请较佳实施例提供的冷却塔节能控制方法的流程图。根据不同的需求,流程图中步骤的顺序可以改变,某些步骤可以省略。
在说明这些步骤之前,首先介绍一下冷却塔节能控制方法的背景。
为了节能,通常将冷却塔的目标出水温度控制为环境湿球温度与预设温度之和,其中此时的冷却塔的风机开启数量和频率作为下文将说明的“实时运行参数”的示例。然而,环境湿球温度会发生变化,当变化时,冷却塔的目标出水温度也随之变化,在这种情况下,将变化之前的冷却塔目标出水温度称为将在下文说明的“当前冷却参数”的示例,将变化之后的冷却塔目标出水温度称为将在下文说明的“目标冷却参数”的示例。为了节能,需要对“当前冷却参数”对应的“实时运行参数”(例如,冷却塔的当前风机开启数量和频率)进行调整,以使之满足“目标冷却参数”对应的“目标运行参数”(例如,冷却塔的目标风机开启数量和频率,其既能够满足目标冷却参数所需,又能够使冷却塔整体用电量最少)。因此,如何稳定、快速地调整是一个亟待解决的问题。
对此,本申请通过人工智能(AI)模型(作为下文将说明的“目标算法模型”的示例)接收实时运行参数预测得出当前冷却参数,然后,依据所需的目标冷却参数且根据下文将说明的能耗拟合曲线反推出该目标冷却参数对应的目标运行参数。具体地,将通过下面的步骤S101-S103详细说明。
S101,获取冷却塔的目标冷却参数和实时运行参数。
请参阅图4所示,为本申请一实施例提供的冷却塔节能控制方法的处理框架图。在“实时数据预测”框中,获取实时运行参数作为实时数据预测的输入数据,该实时运行参数包括图4的“实时数据预测”框中的x框中列出的外气温度,湿球温度,风机频率等,这些数据作为影响冷却塔当前冷却参数的数据,即如果这些数据发生变化,那么冷却塔的当前冷却参数也随之变化,反之,如果这些数据不发生变化,那么冷却塔的当前冷却参数也不会变化;获取目标冷却参数作为进行冷却塔节能控制的目标,即,通过调整实时运行参数使得冷却塔的当前冷却参数符合目标冷却参数的要求。
在一实施例中,目标冷却参数为冷却塔的目标出水温度。获取冷却塔的目标冷却参数包括:获取温度计15感测的环境湿球温度,将环境湿球温度与预设温度之和确定为目标出水温度。可选地,预设温度为3℃。预设温度是从预设温度范围内选取的,预设温度范围是水塔11的一项性能指标,通常而言,一台水塔11在出厂时,其预设温度范围就已经确定,而且常规的预设温度范围为±5℃。此时,冷却塔节能控制的目的就是保证实际出水温度等于目标出水温度或实际出水温度的温度波动范围在目标出水温度的上下波动范围内(该上下波动范围根据实际需要设定,例如目标出水温度±0.5℃,进一步,如果目标出水温度为25℃,那么实际出水温度等于25℃或在25±0.5℃温度波动范围内都认为符合需求),同时保证冷却塔最节能。
需要说明的是,目标出水温度在冷却塔10的设计出水温度范围内。可选地,设计出水温度范围为16-32℃,即大于或等于16℃且小于或等于32℃。若目标出水温度低于设计出水温度范围的下限,目标出水温度为设计出水温度范围的下限值,例如16℃。若目标出水温度高于设计出水温度范围的上限,目标出水温度为设计出水温度范围的上限值,例如32℃。
在一实施例中,可以分别设置每台水塔11的目标出水温度。具体地,根据第一顺序,将在后水塔11的目标出水温度设定为大于在先水塔11的目标出水温度。例如,按照全部水塔11中与降温设备2的距离由近及远,将全部水塔依先后顺序定义为第一台水塔(即,最先一台水塔),第二台水塔,…,最后一台水塔,在这种情况下,第一顺序为图2所示的从右到左的顺序,第一台水塔11的目标出水温度为环境湿球温度+3℃,第二台水塔11的目标出水温度为环境湿球温度+3.5℃。本文的“第一顺序”指的是从第一台水塔至最后一台水塔的顺序,例如,第一顺序为图2所示的从右到左的顺序,换言之,第一顺序是离降温设备2由近至远的顺序,在先水塔相较于在后水塔离降温设备2更近。
需要说明的是,由于在第一台水塔开启后,出水温度的调节需要一定的延迟时间才能达到稳定,所以将第二台水塔的目标出水温度设置为环境湿球温度+3.5℃,略大于第一台水塔的目标出水温度,避免两台水塔的目标温度设置为相同而造成水塔频繁开启和关闭从而引起冷却塔自身系统震荡,避免冷却塔自身系统震荡能够达到节能的效果,因为冷却塔自身系统震荡时较冷却塔自身系统正常运行或待机时的能耗大。同时,由于在后水塔的目标温度设置较高,对风机数量或频率的要求较低,可以达到进一步节能的效果。
在其他实施例中,也可以将每台水塔的目标出水温度设置为相同。
在一实施例中,实时运行参数包括,但不仅限于,环境湿球温度、环境温度、冷却塔出水温度、冷却塔回水温度、风机运行状态参数。风机运行状态参数包括变频风机的工作频率及/或定频风车的开启数量。
S102,将冷却塔的实时运行参数输入目标算法模型,得到冷却塔的当前冷却参数。
在一实施例中,从温度计确定冷却塔的目标冷却参数,从采集器确定冷却塔实时运行参数,目标冷却参数包括环境湿球温度与预设温度之和,实时运行参数至少包括冷却塔的多个风机的运行状态参数。
如图4所示,在一实施例中,将实时运行参数输入目标算法模型,通过目标算法模型输出当前冷却参数。其中,当前冷却参数为冷却塔的预测出水温度。
在一实施例中,目标算法模型为回归算法模型,可以是支持向量机算法、随机森林算法、梯度提升决策树算法及岭回归算法中的任一种。
在一实施例中,实时运行参数还包括环境湿球温度、环境温度、冷却塔出水温度、冷却塔回水温度。将冷却塔的实时运行参数输入目标算法模型,得到冷却塔的当前冷却参数包括:将环境湿球温度、环境温度、冷却塔出水温度、冷却塔回水温度、风机运行状态参数输入回归算法模型,通过回归算法模型输出冷却塔的预测出水温度。
S103,依据冷却塔的当前冷却参数和目标冷却参数调整冷却塔的实时运行参数至目标运行参数。
在一实施例中,目标运行参数为冷却塔的使当前冷却参数满足目标冷却参数的所有运行参数中最节约冷却塔用电量的运行参数。
如图4所示,在一实施例中,基于冷却塔的预测出水温度和目标出水温度,调整冷却塔的实时运行参数至目标运行参数。其中,调整实时运行参数可选为冷却塔的当前风机运行状态参数,目标运行参数可选为冷却塔的目标风机运行状态参数。即,目标运行参数为冷却塔的使当前风机运行状态参数满足目标风机运行状态参数的所有风机运行状态参数中最节约冷却塔用电量的风机运行状态参数。
如图2所示,在冷却塔的第一实施例中,至少两台水塔的构造相同,且水塔上设置的风机均为定频风机,风机运行状态参数包括定频风机的开启数量。请参阅图5所示,依据冷却塔的当前冷却参数和目标冷却参数调整冷却塔的实时运行参数至目标运行参数包括:
S201,依据预测出水温度和目标出水温度确定温度差值的绝对值,将温度差值的绝对值与预设差值进行比较。
在一实施例中,依据预测出水温度和目标出水温度确定温度差值的绝对值包括:计算预测出水温度减去目标出水温度得到的温度差值,并确定温度差值的绝对值。
S202,当温度差值小于0且温度差值的绝对值大于预设差值时,减少定频风机的开启数量。
在一实施例中,若温度差值小于0且温度差值的绝对值大于预设差值,以与第一顺序相反的第二顺序按需要关闭至少两台水塔11的风机110,直至温度差值的绝对值小于或等于预设差值。
具体地,首先逐一关闭左边水塔11的风机110,每关闭一个风机110,判断温度差值的绝对值是否小于或等于预设差值,若温度差值的绝对值小于或等于预设差值,停止关闭风机110。若左边水塔11的所有风机110都已关闭,温度差值的绝对值仍然大于预设差值,然后逐一关闭右边水塔11的风机110,直至温度差值的绝对值小于或等于预设差值。
需要说明的是,若温度差值小于0且温度差值的绝对值大于预设差值,说明预测出水温度小于目标出水温度,且预测出水温度与目标出水温度之间的差异较大,预测出水温度过低,因此,通过减少定频风机的开启数量来减少对水塔内的水的冷却作用,以节约能源。
S203,当温度差值大于0且温度差值的绝对值大于预设差值时,增加定频风机的开启数量。
在一实施例中,若温度差值大于0且温度差值的绝对值大于预设差值,以第一顺序按需要开启至少两台水塔11的风机110,直至温度差值的绝对值小于或等于预设差值。
具体地,首先逐一开启右边水塔11的风机110,每开启一个风机110,判断温度差值的绝对值是否小于或等于预设差值,若温度差值的绝对值小于或等于预设差值,停止开启风机110。若右边水塔11的所有风机110都已开启,温度差值的绝对值仍然大于预设差值,然后逐一开启左边水塔11的风机110,直至温度差值的绝对值小于或等于预设差值。
需要说明的是,若温度差值大于0且温度差值的绝对值大于预设差值,说明预测出水温度大于目标出水温度,且预测出水温度与目标出水温度之间的差异较大,无法满足降温设备2的降温需求,因此,通过增加定频风机的开启数量来对水塔内的水进行冷却,以降低出水温度,满足降温设备2的降温需求。
请参阅图6所示,在冷却塔的第二实施例中,至少两台水塔的构造相同,且至少两台水塔上设置的风机为变频风机和定频风机的组合,至少两台水塔11以共用供水管12和回水管13的方式依次布置。
在冷却塔的第二实施例中,风机运行状态参数包括定频风机的开启数量和变频风机的工作频率。请参阅图7所示,依据冷却塔的当前冷却参数和目标冷却参数调整冷却塔的实时运行参数至目标运行参数包括:
S301,依据预测出水温度和目标出水温度确定温度差值的绝对值,将温度差值的绝对值与预设差值进行比较。
S302,当温度差值小于0且温度差值的绝对值大于预设差值时,减少定频风机和变频风机的开启数量及/或变频风机的工作频率。
在一实施例中,若温度差值小于0且温度差值的绝对值大于预设差值时,关闭开启的定频风机,调整变频风机的频率,直至温度差值的绝对值小于或等于预设差值。
具体地,若温度差值小于0且温度差值的绝对值大于预设差值时,优先关闭开启的定频风机,并逐渐提高或降低变频风机的频率,同时判断温度差值的绝对值是否小于或等于预设差值,若温度差值的绝对值小于或等于预设差值,停止提高或降低变频风机的频率,或停止关闭开启的定频风机。
S303,当温度差值大于0且温度差值的绝对值大于预设差值时,增加定频风机和变频风机的开启数量及/或变频风机的工作频率。
在一实施例中,若温度差值大于0且温度差值的绝对值大于预设差值,开启变频风机,变频风机的频率根据出水温度与目标温度的差值而变化。
具体地,若温度差值大于0且温度差值的绝对值大于预设差值,开启变频风机,并逐渐提高变频风机的频率,同时判断温度差值的绝对值是否小于或等于预设差值,若温度差值的绝对值小于或等于预设差值,停止提高变频风机的频率,若温度差值的绝对值仍然大于预设差值,继续提高变频风机的频率直至达到频率上限。
若变频风机达到频率上限,开启定频风机,变频风机的频率根据温度差值与定频风机配合地改变,直至温度差值的绝对值小于或等于预设差值。其中,可根据需求开启一个或多个定频风机。
具体地,若变频风机达到频率上限,温度差值的绝对值仍然大于预设差值,开启定频风机,并降低变频风机的频率,直至温度差值的绝对值小于或等于预设差值。
需要说明的是,若温度差值大于0且温度差值的绝对值大于预设差值,说明预测出水温度大于目标出水温度,且预测出水温度与目标出水温度之间的差异较大,无法满足降温设备2的降温需求,因此,优先提高变频风机的频率,若变频风机的频率达到上限后,预测出水温度仍然过高,开启定频风机,并基于温度差值降低变频风机的频率,避免风机频率过高而造成能源浪费。
请参阅图8所示,在冷却塔的第三实施例中,一冷却塔10中依次布置的至少两台水塔11与另一冷却塔10中依次布置的至少两台水塔11互相并联,一冷却塔10和另一冷却塔10共用一供水主管112且经由供水主管112分别连通于两个供水管12,两个供水管12用于分别向两个降温设备2供水,两个回水管13各自的一端连通于一回水主管113,且两个回水管13各自的另一端分别连通于两个降温设备2以用于将两个降温设备2的回水经由回水主管113分别供应到一冷却塔10和另一冷却塔10。
在冷却塔的第三实施例中,两个冷却塔10中的至少两台水塔11的构造相同,且至少两台水塔11的风机110为定频风机和变频风机的组合,两个冷却塔10基于供水管12的出水温度与目标温度的差值控制各自水塔11的风机110的运行状态,控制逻辑为优先开启图8中上方的冷却塔10中的风机110,优先关闭后开启的风机110,其他控制逻辑与上述相同,在此不再赘述。
如图4所示,在“回控”框中,在基于预测出水温度和目标出水温度确定风机运行状态参数后,对风机进行能耗拟合。请参阅图9所示,依据冷却塔的当前冷却参数和目标冷却参数调整冷却塔的实时运行参数还包括:
S401,若依据预测出水温度和目标出水温度得到多种可调整的风机运行状态参数,确定风机在每种风机运行状态参数的总用电量。
S402,确定总用电量最低的风机运行状态参数,并依据总用电量最低的风机运行状态参数调整定频风机和变频风机的开启数量及/或变频风机的工作频率。
在一实施例中,定频风机的用电量为额定功率与时间的乘积。变频风机的用电量为(X/fmax)3、额定功率与时间的乘积。其中,X为变频风机的当前频率,fmax为变频风机的最大频率。冷却塔10的总用电量为所有定频风机与变频风机的用电量之和。
在另一实施例中,定频风机的用电量为风机老化系数、额定功率及时间的乘积。变频风机的用电量为(X/fmax)3、风机老化系数、额定功率及时间的乘积。其中,X为变频风机的当前频率,fmax为变频风机的最大频率。风机老化系数是基于风机状态预先设定的百分比,风机状态可以包括风机的使用时间和健康状况。
在其他实施例中,也可以通过与冷却塔10连接的多条电力线路获取冷却塔10的总用电量。例如,通过电表(图未示)连接与冷却塔10连接的多条电力线路,以获取冷却塔10的总用电量。
进一步地,若温度差值大于0且温度差值的绝对值大于预设差值,控制定频风机和变频风机的开启数量,及控制变频风机的频率,直至温度差值的绝对值小于或等于预设差值,并使得冷却塔的总用电量最少。
具体地,若温度差值大于0且温度差值的绝对值大于预设差值,分析可以使得温度差值的绝对值小于或等于预设差值的定频风机开启数量、变频风机开启数量及变频风机频率的多种组合,计算每种组合的总用电量,确定总用电量最少的组合,基于总用电量最少的组合中的数据控制定频风机和变频风机的开启数量、变频风机的频率。
若温度差值小于0且温度差值的绝对值大于预设差值,控制定频风机和变频风机的开启数量,及控制变频风机的频率,直至温度差值的绝对值小于或等于预设差值,并使得冷却塔的总用电量最少。
具体地,若温度差值小于0且温度差值的绝对值大于预设差值,分析可以使得温度差值的绝对值小于或等于预设差值的定频风机开启数量、变频风机开启数量及变频风机频率的多种组合,计算每种组合的总用电量,确定总用电量最少的组合,基于总用电量最少的组合中的数据控制定频风机和变频风机的开启数量、变频风机的频率。
请参阅图10所示,风机运行功率(单位:瓦,W)和风机频率(单位:赫兹,Hz)的拟合度高。此外,冷却塔的用电量随风机运行功率增加而增加。定频风机和变频风机的频率可以由定频风机和变频风机的开启数量表示。例如,若定频风机的频率为50Hz,则可由定频风机的开启数量为1表示,若变频风机的最大工作频率为50Hz,则可由变频风机的开启数量为2且每个变频风机的实际工作频率都为30Hz表示。如此,确定总用电量最少的定频风机开启数量、变频风机开启数量及变频风机频率实际就对应于确定能够使得温度差值的绝对值小于或等于预设差值的最小定频风机与变频风机的频率之和,反之,依据最小定频风机与变频风机的频率之和可以确定定频风机开启数量、变频风机开启数量及变频风机频率。
通过以上的拟合过程,得到冷却塔总用电量最少,即,冷却塔做功最少的风机运行状态参数(定频风机和变频风机的开启数量、变频风机的频率),然后基于能够使得冷却塔做功最少的风机运行状态参数回控风机的实际运行状态。
请参阅图11所示,为本申请较佳实施例提供的目标算法模型的建立方法的流程图。根据不同的需求,流程图中步骤的顺序可以改变,某些步骤可以省略。
S501,获取冷却塔的历史数据。
如图4所示,在“历史数据建模”框中,首先进行数据采集,获取冷却塔的全部历史数据。
在一实施例中,历史数据包括冷却塔的历史目标冷却参数和多种历史运行参数。
在一实施例中,请参阅图12所示,获取冷却塔的历史数据包括:
S5011,使用第一服务器通过读取第一网关来采集冷却塔10的底层设备数据,并将底层设备数据归档至第二服务器。
请参阅图13所示,为本申请一实施例提供的获取冷却塔的历史数据的架构图。可选地,第一服务器30为SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制系统)服务器,第二服务器40为归档服务器,第一网关31为核心交换机,底层设备32包括汇聚交换机321、监控系统322、第二网关323、接入交换机324、冷却塔10的本体、冷却塔10的仪表325。第一服务器30通过第一网关31从底层设备32采集冷却塔10的底层设备数据。冷却塔10的底层设备数据包括冷却塔10的历史目标冷却参数和历史运行参数。
在一实施例中,监控系统322运行有组态软件(IFIX),与接入交换机324通信,通过接入交换机324从冷却塔获取冷却塔10的历史目标冷却参数和历史运行参数,例如,获取历史目标出水温度和历史风机运行状态参数。第二网关323通过RS485接口从冷却塔10的仪表325获取历史运行参数,例如,获取环境湿球温度、环境温度、冷却塔出水温度、冷却塔回水温度。监控系统322通过OPC(OLE for Process Control,对象链接与嵌入的过程控制)协议将获取的冷却塔历史运行参数传输至汇聚交换机321,第二网关323通过Modbus TCP通信协议将获取的历史运行参数也传输至汇聚交换机321,第一服务器30通过第一网关31读取监控系统322和第二网关323获取的冷却塔的历史运行参数,并将冷却塔的历史运行参数归档至归档服务器。
S5012,使用第三服务器50将底层设备数据从第二服务器40通过增量抽取的形式采集数据,并将采集的数据保存到原始数据层511。
在一实施例中,第三服务器50为AI服务器,第三服务器50包括AI数据库51,AI数据库51包括原始数据层511、数据仓库512、数据集市513。
在一实施例中,增量抽取是指通过第三服务器50按照预设频率从第二服务器40采集产生变化的底层设备数据,产生变化可以包括增加及/或修改。
S5013,对原始数据层511的数据进行预处理,并将预处理后的数据保存到数据仓库512。
在一实施例中,对原始数据层511的数据进行的预处理包括数据清洗,数据清洗包括对空值、缺失数据进行补缺操作,对无效数据进行替换,对重复数据进行去重处理,对数据再进行规范化,例如保留适当的小数位,码值转换等。
S5014,对数据仓库512中的数据进行行转列处理,得到数据宽表,并将数据宽表保存到数据集市513,以作为待预处理的历史数据。待预处理的历史数据供后续的算法模型进行训练和预测。
S502,预处理历史数据,得到预设数量的特征数据。
请参阅图14所示,在一实施例中,预处理历史数据,得到预设数量的特征数据包括:
S5021,通过数据仓库技术将历史数据抄送到目标算法模型所属设备对应的本地数据库。
需要说明的是,将历史数据从原始底层数据库抄送到本地数据库,降低底层数据库的存储压力。
S5022,对本地数据库中的历史数据进行结构化查询语言(SQL)整合。
需要说明的是,由于所有历史数据的来源不是同一张表,采集频率也各不相同,通过结构化查询语言依据最小时间维度,把所有数据整合到一张表的栏位上。可选地,最小时间维度可以是分、秒、时等。
S5023,对整合后的历史数据进行预处理,得到特征数据库,特征数据库包括多条特征数据。
在一实施例中,对整合后的历史数据进行的预处理包括空值填充、异常值剔除等清洗,得到与冷却塔系统相关的特征数据库,从而得到多条特征数据,每条特征数据为一种类型的历史运行参数。
S5024,从特征数据库中的多条特征数据中选出预设数量的特征数据。
如图4所示,在数据采集后,对采集的历史数据进行特征处理,建立目标算法模型的训练集。如此,在一实施例中,预处理历史数据,得到预设数量的特征数据还包括:将特征数据库所包括的多条特征数据输入自动机器学习算法,得到多条特征数据的权重排序,依据权重排序从多条特征数据中选出预设数量的特征数据。
在一实施例中,自动机器学习算法为H2O automl,自动机器学习算法的输入数据为多种历史运行参数,输出数据为每种历史运行参数的权重。分别将多种历史运行参数输入自动机器学习算法,通过自动机器学习算法输出每种历史运行参数的权重,对输出的权重按照从大到小的顺序进行排序,依据权重排序从多种历史运行参数中确定预设数量类型的历史运行参数,作为特征数据。可选地,预设数量为5,即,特征数据可以包括环境湿球温度、环境温度、冷却塔出水温度、冷却塔回水温度、风机运行状态参数这5个类型的运行参数。
在另一实施例中,预处理冷却塔的历史数据,得到预设数量的特征数据进一步包括:将特征数据库所包括的多条特征数据输入卡方验证算法,输出预设数量的特征数据。其中,卡方的计算公式为:
在以上计算公式中,x2为卡方值,f0为实际频数,fe为期望频数。需要说明的是,卡方值用于表征运行参数与目标冷却参数的相关性,实际频数为历史数据中每种运行参数与目标冷却参数实际相关的次数,期望频数为历史数据中每种运行参数与目标冷却参数期望相关的次数。
具体地,将特征数据库所包括的多条特征数据输入卡方验证算法,输出预设数量的特征数据包括:将特征数据库所包括的多条特征数据输入卡方验证算法,通过卡方验证算法输出每条特征数据的卡方值,若卡方值小于预设阈值,则确定该卡方值对应类型的历史运行参数与目标冷却参数相关,该条特征数据为预设数量的特征数据之一。
在一实施例中,预处理冷却塔的历史数据,得到预设数量的特征数据还包括:对预设数量的特征数据中的一部分特征数据进行数据衍生,得到替代一部分特征数据的衍生特征数据。
在一实施例中,冷却塔包括至少一个定频风机,一部分特征数据包括预处理至少一个定频风机的风机运行状态参数得到的定频风机运行状态参数这至少一个特征数据,将定频风机运行状态参数这至少一个特征数据衍生为作为衍生特征数据的定频风机开启数量这一个特征数据。
例如,特征数据中的一部分特征数据为多个定频风机的工作频率,由于定频风机的工作频率是固定的,因此,可以将多个定频风机的工作频率衍生为定频风机的开启数量。
例如,通过获取不同时刻下的环境湿球温度、环境温度、冷却塔出水温度或冷却塔回水温度,从而对温度数据进行衍生。
S503,通过特征数据对算法模型进行训练,得到目标算法模型。
如图4所示,在对采集的历史数据进行特征处理后,进行算法选取,基于训练集进行建模确定目标算法模型采用的最优算法,并建立经过训练的目标算法模型。
在一实施例中,通过特征数据对算法模型进行训练,得到目标算法模型包括:通过衍生特征数据和特征数据中的另一部分特征数据对算法模型进行训练,得到目标算法模型。
在一实施例中,将特征数据包括训练数据和测试数据。例如,每组输入数据和输出数据为一组训练数据或一组测试数据,可以将训练数据集中80%的数据作为训练数据,20%的数据作为测试数据。
在一实施例中,通过特征数据对算法模型进行训练,得到目标算法模型包括:采用训练数据对初始数据模型进行训练,并采用测试数据对训练后的初始数据模型进行测试,得到目标算法模型。可选地,算法模型包括支持向量机模型、随机森林模型、梯度提升决策树算法模型及岭回归模型中至少一种。
在一实施例中,采用训练数据对算法模型进行训练包括:将每组训练数据的输入数据和输出数据输入算法模型,对算法模型的参数进行调整,直至算法模型达到收敛条件。
在一实施例中,采用测试数据对训练后的算法模型进行测试,得到目标算法模型包括:将测试数据输入训练后的算法模型,得到预测值;基于预测值和测试数据中的真实值,计算预测值的误差;基于训练后的算法模型得到预测值的误差小于或等于预设值,将训练后的算法模型确定为目标算法模型。
在一实施例中,每组测试数据包括输入数据和输出数据,输入数据为实际出水温度之外的特征数据,输出数据为实际出水温度,即测试数据中的真实值。将各组测试数据的输入数据输入算法模型,得到预测值(预测出水温度),基于每组测试数据的预测值和真实值计算预测误差。其中,误差k=|预测值-真实值|/|真实值|。可选地,预设值为3%。若误差小于或等于预设值,将训练后的算法模型确定为目标算法模型。若误差大于预设值,则补充特征数据继续对算法模型进行训练。
在以上实施例中,将训练数据和测试数据输入支持向量机模型、随机森林模型、梯度提升决策树算法模型及岭回归模型中的任一种,以建立目标算法模型。在另一实施例中,可以将训练数据和测试数据输入支持向量机模型、随机森林模型、梯度提升决策树算法模型及岭回归模型中的多种,以建立多个备选模型,再从多个备选模型中确定最优模型。
请参阅图15A-15D所示,分别为随机森林模型、岭回归模型、梯度提升决策树算法模型、支持向量机模型的预测结果图,图中的水平轴(称为X轴)为测试数据中的目标值(即冷却塔的实际出水温度),竖直轴(称为Y轴)为各个算法模型得到的模型预测结果(即冷却塔的预测出水温度)。虚线A为Y=X的曲线,虚线B为散点(冷却塔的预测出水温度)的中心曲线,若算法模型的预测结果准确,两条虚线是无限接近的。
在另一实施例中,通过特征数据分别对支持向量机算法、随机森林算法、梯度提升决策树算法及岭回归算法进行训练,得到多个备选模型,基于每个备选模型的预测值和真实值计算每个备选模型的决定系数、均方误差及平均绝对误差,基于多个备选模型的决定系数、均方误差及平均绝对误差确定目标算法模型。
在另一实施例中,在建立多个备选模型后,计算训练后的每个备选模型的评估指标,其中,评估指标包括决定系数、均方误差及平均绝对误差中的至少一种,基于评估指标确定训练后的备选模型中的最优模型,得到目标算法模型。
其中,决定系数R2的计算公式为:
基于评估指标确定训练后的备选模型中的最优模型,得到目标算法模型包括:确定具有最大决定系数的备选模型为最优模型。请参阅图15A-15D、图16所示,随机森林算法模型RandomForest的决定系数最大,因此,确定训练后的随机森林算法模型为最优模型,即,目标算法模型为训练后的随机森林算法模型。
其中,均方误差MSE的计算公式为:
基于评估指标确定训练后的备选模型中的最优模型,得到目标算法模型包括:确定具有最小均方误差的备选模型为最优模型。如图15A-15D、图16所示,随机森林算法模型RandomForest的均方误差最小,因此,确定训练后的随机森林算法模型为最优模型,即,目标算法模型为训练后的随机森林算法模型。
其中,平均绝对误差MAE的计算公式为:
基于评估指标确定训练后的备选模型中的最优模型,得到目标算法模型包括:确定具有最小平均绝对误差的备选模型为最优模型。如图15A-15D、图16所示,随机森林算法模型RandomForest的平均绝对误差最小,因此,确定训练后的随机森林算法模型为最优模型,即,目标算法模型为训练后的随机森林算法模型。
请参阅图17所示,为本申请较佳实施例提供的冷却塔的智控装置的示意图。
智控装置2与冷却塔10通信连接,用于对冷却塔10进行智能控制。智控装置2至少包括第一处理器201,第一处理器201与温度计15和采集器16通信连接,用于从温度计15确定冷却塔10的目标冷却参数,从采集器16确定冷却塔10实时运行参数,目标冷却参数包括环境湿球温度与预设温度之和,实时运行参数至少包括冷却塔10的多个风机110的运行状态参数。第一处理器201还用于将冷却塔10的实时运行参数输入目标算法模型,得到冷却塔10的当前冷却参数;及依据冷却塔10的当前冷却参数和目标冷却参数调整冷却塔10的实时运行参数至目标运行参数,目标运行参数为冷却塔10的使当前冷却参数满足目标冷却参数的所有运行参数中最节约冷却塔10用电量的运行参数。
为了进一步说明该智能控制的执行,在一实施例中,智控装置2可以包括,但不仅限于,第一处理器201、第一存储器202、存储在第一存储器202中并可在第一处理器201上运行的第一计算机程序203。例如,第一计算机程序203为冷却塔节能智控程序。第一处理器201执行第一计算机程序203时实现冷却塔节能智控方法中的步骤,例如图3所示的步骤S101~S103,图5所示的S201~S203,图7所示的S301~S303,图9所示的S401~S402,图11所示的S501~S503,图12所示的S5011~S5014,图14所示的S5021~S5024。
示例性的,第一计算机程序203可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在第一存储器202中,并由第一处理器201执行,以完成本申请。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,指令段用于描述第一计算机程序203在智控装置2中的执行过程。
本领域技术人员可以理解,示意图仅仅是智控装置2的示例,并不构成对智控装置2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,例如智控装置2还可以包括输入输出设备、网络接入设备、总线等。
第一处理器201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)、现成可编程门阵列(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第一处理器201也可以是任何常规的处理器等,第一处理器201是智控装置2的控制中心,利用各种接口和线路连接整个智控装置2的各个部分。
第一存储器202可用于存储第一计算机程序203和/或模块/单元,第一处理器201通过运行或执行存储在第一存储器202内的计算机程序和/或模块/单元,以及调用存储在第一存储器202内的数据,实现智控装置2的各种功能。第一存储器202可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据智控装置2的使用所创建的数据等。此外,第一存储器202可以包括易失性和非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
请参阅图18所示,为本申请较佳实施例提供的电子装置的结构示意图。
电子装置3可以是个人电脑、服务器等。电子装置3包括,但不仅限于,第二处理器301、第二存储器302、存储在第二存储器302中并可在第二处理器301上运行的第二计算机程序303。例如,第二计算机程序303为冷却塔节能智控程序。第二处理器301执行第二计算机程序303时实现冷却塔节能智控方法中的步骤,例如图3所示的步骤S101~S103,图5所示的S201~S203,图7所示的S301~S303,图9所示的S401~S402,图11所示的S501~S503,图12所示的S5011~S5014,图14所示的S5021~S5024。
示例性的,第二计算机程序303可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在第二存储器302中,并由第二处理器301执行,以完成本申请。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,指令段用于描述第二计算机程序303在电子装置3中的执行过程。
本领域技术人员可以理解,示意图仅仅是电子装置3的示例,并不构成对电子装置3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,例如电子装置3还可以包括输入输出设备、网络接入设备、总线等。
第二处理器301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)、现成可编程门阵列(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第二处理器301也可以是任何常规的处理器等,第二处理器301是电子装置3的控制中心,利用各种接口和线路连接整个电子装置3的各个部分。
第二存储器302可用于存储第二计算机程序303和/或模块/单元,第二处理器301通过运行或执行存储在第二存储器302内的计算机程序和/或模块/单元,以及调用存储在第二存储器302内的数据,实现电子装置3的各种功能。第二存储器302可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子装置3的使用所创建的数据等。此外,第二存储器302可以包括易失性和非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
电子装置3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,本申请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,的计算机程序可存储于一计算机可读存储介质中,计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,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。计算机可读介质可以包括:能够携带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 AccessMemory)。
本申请提供的一种冷却塔节能智控方法、装置、电子装置及介质,可以基于冷却塔的实时运行参数预测冷却塔出水温度,在应用了本申请的冷却塔为降温设备提供冷却水的情况下,在降温需求的同时,避免过低的冷却塔出水温度,有利于冷却塔的热量蒸发,从而降低能耗、提高能效,有利于节能环保,符合碳中和、碳达峰理念。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由同一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (17)
1.一种冷却塔节能智控方法,其特征在于,所述方法包括:
获取冷却塔的目标冷却参数和实时运行参数;
将所述冷却塔的实时运行参数输入目标算法模型,得到所述冷却塔的当前冷却参数;
依据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数至目标运行参数,所述目标运行参数为所述冷却塔的使所述当前冷却参数满足所述目标冷却参数的所有运行参数中最节约所述冷却塔用电量的运行参数。
2.如权利要求1所述的冷却塔节能智控方法,其特征在于:所述目标冷却参数包括所述冷却塔的目标出水温度,所述目标出水温度为环境湿球温度与预设温度之和,所述当前冷却参数包括所述冷却塔的预测出水温度,所述冷却塔的实时运行参数和所述目标运行参数均包括所述冷却塔的风机运行状态参数。
3.如权利要求2所述的冷却塔节能智控方法,其特征在于,若所述风机为定频风机,所述风机运行状态参数包括定频风机的开启数量,所述根据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数包括:
依据所述预测出水温度和所述目标出水温度确定温度差值的绝对值,将所述温度差值的绝对值与预设差值进行比较;
当所述温度差值小于0且所述温度差值的绝对值大于所述预设差值时,减少所述定频风机的开启数量;或
当所述温度差值大于0且所述温度差值的绝对值大于所述预设差值时,增加所述定频风机的开启数量。
4.如权利要求2所述的冷却塔节能智控方法,其特征在于,若所述风机为变频风机和定频风机的组合,所述风机的运行状态参数包括所述定频风机的开启数量和所述变频风机的工作频率,所述根据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数包括:
依据所述预测出水温度和所述目标出水温度确定温度差值的绝对值,将所述温度差值的绝对值与预设差值进行比较;
当所述温度差值小于0且所述温度差值的绝对值大于所述预设差值时,减少所述定频风机和变频风机的开启数量及/或所述变频风机的工作频率;或
当所述温度差值大于0且所述温度差值的绝对值大于所述预设差值时,增加所述定频风机和变频风机的开启数量及/或所述变频风机的工作频率。
5.如权利要求4所述的冷却塔节能智控方法,其特征在于,所述依据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数还包括:
若依据所述预测出水温度和所述目标出水温度得到多种可调整的风机运行状态参数,确定所述风机在每种风机运行状态参数的总用电量;
确定所述总用电量最低的风机运行状态参数,并依据所述总用电量最低的风机运行状态参数调整所述定频风机和变频风机的开启数量及/或所述变频风机的工作频率。
6.如权利要求1所述的冷却塔节能智控方法,其特征在于,所述方法还包括:
获取所述冷却塔的历史数据,所述历史数据包括所述冷却塔的历史目标冷却参数和多种历史运行参数;
预处理所述历史数据,得到预设数量的特征数据;
通过所述特征数据对算法模型进行训练,得到所述目标算法模型。
7.如权利要求6所述的冷却塔节能智控方法,其特征在于,所述获取所述冷却塔的历史数据包括:
使用第一服务器通过读取网关来采集所述冷却塔的底层设备数据,并将所述底层设备数据归档至第二服务器;
使用第三服务器将所述底层设备数据从所述第二服务器通过增量抽取的形式采集数据,并将采集的数据保存到原始数据层;
对所述原始数据层的数据进行预处理,并将预处理后的数据保存到数据仓库;
对所述数据仓库中的数据进行行转列处理,得到数据宽表,并将所述数据宽表保存到数据集市,以作为待预处理的历史数据。
8.如权利要求6或7所述的冷却塔节能智控方法,其特征在于,所述预处理所述历史数据,得到预设数量的特征数据包括:
通过数据仓库技术将所述历史数据抄送到所述目标算法模型所属设备对应的本地数据库;
对所述本地数据库中的所述历史数据进行结构化查询语言整合;
对整合后的所述历史数据进行预处理,得到特征数据库,所述特征数据库包括多条特征数据;
从所述特征数据库中的多条特征数据中选出所述预设数量的特征数据。
9.如权利要求8所述的冷却塔节能智控方法,其特征在于,所述预处理所述历史数据,得到预设数量的特征数据进一步包括:
将所述特征数据库所包括的多条特征数据输入自动机器学习算法,得到所述多条特征数据的权重排序;
依据所述权重排序从所述多条特征数据中选出所述预设数量的特征数据。
10.如权利要求8所述的冷却塔节能智控方法,其特征在于,所述预处理所述冷却塔的历史数据,得到预设数量的特征数据进一步包括:
将所述特征数据库所包括的多条特征数据输入卡方验证算法,输出所述预设数量的特征数据。
11.如权利要求8所述的冷却塔节能智控方法,其特征在于,所述预处理所述冷却塔的历史数据,得到预设数量的特征数据还包括:
对所述预设数量的特征数据中的一部分特征数据进行数据衍生,得到替代所述一部分特征数据的衍生特征数据,所述衍生特征数据和所述特征数据中的另一部分特征数据用于对算法模型进行训练,得到所述目标算法模型。
12.如权利要求11所述的冷却塔节能智控方法,其特征在于,所述冷却塔包括至少一个定频风机,所述一部分特征数据包括预处理所述至少一个定频风机的风机运行状态参数得到的定频风机运行状态参数这至少一个特征数据,
将所述定频风机运行状态参数这至少一个特征数据衍生为作为所述衍生特征数据的定频风机开启数量这一个特征数据。
13.如权利要求6所述的冷却塔节能智控方法,其特征在于,所述算法模型为回归算法模型,所述回归算法模型为支持向量机算法、随机森林算法、梯度提升决策树算法及岭回归算法中的任一种。
14.如权利要求6所述的冷却塔节能智控方法,其特征在于,所述通过所述特征数据对算法模型进行训练,得到所述目标算法模型包括:
通过所述特征数据分别对支持向量机算法、随机森林算法、梯度提升决策树算法及岭回归算法进行训练,得到多个备选模型;
基于每个备选模型的预测值和真实值计算每个备选模型的决定系数、均方误差及平均绝对误差;
基于所述多个备选模型的决定系数、均方误差及平均绝对误差确定所述目标算法模型。
15.一种冷却塔节能智控装置,用于对冷却塔进行智能控制,所述冷却塔包括水塔、温度计、采集器和多个风机,所述温度计设于所述水塔所处的外在环境中,用于感测环境湿球温度,所述采集器至少电连接至所述多个风机,用于采集所述多个风机的运行状态参数,
其特征在于,所述装置包括:
第一处理器,与所述温度计和所述采集器通信连接,用于从所述温度计确定所述冷却塔的目标冷却参数,从所述采集器确定所述冷却塔实时运行参数,所述目标冷却参数包括所述环境湿球温度与预设温度之和,所述实时运行参数至少包括所述冷却塔的多个风机的运行状态参数;
所述第一处理器还用于将所述冷却塔的实时运行参数输入目标算法模型,得到所述冷却塔的当前冷却参数;及依据所述冷却塔的当前冷却参数和所述目标冷却参数调整所述冷却塔的实时运行参数至目标运行参数,所述目标运行参数为所述冷却塔的使所述当前冷却参数满足所述目标冷却参数的所有运行参数中最节约所述冷却塔用电量的运行参数。
16.一种电子装置,其特征在于,所述电子装置包括:
第二处理器;以及
第二存储器,所述第二存储器中存储有指令,所述指令由所述第二处理器加载并执行如权利要求1至14中任一项所述的冷却塔节能智控方法。
17.一种计算机可读存储介质,其上存储有至少一条计算机指令,其特征在于,所述指令由第二处理器加载并执行如权利要求1至14中任一项所述的冷却塔节能智控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411564.9A CN114909945A (zh) | 2022-04-19 | 2022-04-19 | 冷却塔节能智控方法、装置、电子装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411564.9A CN114909945A (zh) | 2022-04-19 | 2022-04-19 | 冷却塔节能智控方法、装置、电子装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114909945A true CN114909945A (zh) | 2022-08-16 |
Family
ID=82764498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210411564.9A Pending CN114909945A (zh) | 2022-04-19 | 2022-04-19 | 冷却塔节能智控方法、装置、电子装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114909945A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI801324B (zh) * | 2022-11-15 | 2023-05-01 | 國立虎尾科技大學 | 冷凍設備遠端故障診斷系統及其方法 |
CN116592467A (zh) * | 2023-06-12 | 2023-08-15 | 上海联元智能科技有限公司 | 一种中央空调节能方法和系统 |
-
2022
- 2022-04-19 CN CN202210411564.9A patent/CN114909945A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI801324B (zh) * | 2022-11-15 | 2023-05-01 | 國立虎尾科技大學 | 冷凍設備遠端故障診斷系統及其方法 |
CN116592467A (zh) * | 2023-06-12 | 2023-08-15 | 上海联元智能科技有限公司 | 一种中央空调节能方法和系统 |
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 | |
CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
CN114909945A (zh) | 冷却塔节能智控方法、装置、电子装置及介质 | |
Larsen | Model based control of refrigeration systems | |
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
CN107036238B (zh) | 动态预测外气与负载智慧节能控制方法 | |
CN115776795A (zh) | 数据中心空调系统诊断方法及装置 | |
Killian et al. | Hierachical fuzzy MPC concept for building heating control | |
CN115164361A (zh) | 一种数据中心控制方法、装置、电子设备和存储介质 | |
CN116266253A (zh) | 空调参数的优化控制方法、系统和计算机可读存储介质 | |
Raman et al. | Reinforcement learning-based home energy management system for resiliency | |
Fu et al. | Predictive control of power demand peak regulation based on deep reinforcement learning | |
WO2019227273A1 (en) | Hierarchical concept based neural network model for data center power usage effectiveness prediction | |
Chen et al. | A new multiplexed optimization with enhanced performance for complex air conditioning systems | |
CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
Xue et al. | A novel method of minimizing power consumption for existing chiller plant | |
CN116954329A (zh) | 制冷系统的状态调节方法、装置、设备、介质及程序产品 | |
CN117013520A (zh) | 一种基于增量学习的柔性负荷可调功率评估方法 | |
CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
CN115437876A (zh) | 一种数据中心的管理方法、装置、电子设备和存储介质 | |
Teo et al. | Energy management controls for chiller system: A review | |
US20210116954A1 (en) | Energy conservation using active demand stabilization | |
Hameed et al. | Enhanced classification with logistic regression for short term price and load forecasting in smart homes | |
CN111240197A (zh) | 一种公共建筑机电系统的能效纠偏控制方法和装置 | |
CN116880163B (zh) | 一种智慧数据中心冷源调控方法及系统 |
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 |