CN115115143A - 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法 - Google Patents

基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法 Download PDF

Info

Publication number
CN115115143A
CN115115143A CN202211026863.7A CN202211026863A CN115115143A CN 115115143 A CN115115143 A CN 115115143A CN 202211026863 A CN202211026863 A CN 202211026863A CN 115115143 A CN115115143 A CN 115115143A
Authority
CN
China
Prior art keywords
cooling tower
data
value
coefficient
rated
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.)
Granted
Application number
CN202211026863.7A
Other languages
English (en)
Other versions
CN115115143B (zh
Inventor
杨鹏
杨波
陆晶军
戴伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Qunding Technology Co ltd
Original Assignee
Nanjing Qunding Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Qunding Technology Co ltd filed Critical Nanjing Qunding Technology Co ltd
Priority to CN202211026863.7A priority Critical patent/CN115115143B/zh
Publication of CN115115143A publication Critical patent/CN115115143A/zh
Application granted granted Critical
Publication of CN115115143B publication Critical patent/CN115115143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明公开了基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，包括以下具体步骤：S1、采集近3个月内数据机房的室外气象参数，如干球温度、湿球温度等、空调系统冷却塔冷却水温度以及冷却塔风机运行能耗数据，并对数据进行预处理；S2、根据S1采集到的数据，拟合得到历史温度数据下的系数
Figure 897049DEST_PATH_IMAGE001
；S3、根据冷却塔铭牌上的额定参数，计算额定工况下的额定系数
Figure 368481DEST_PATH_IMAGE002
；相比现有技术，本发明通过AI机器学习对模型进行训练和验证，将计算得到的冷却塔总热负荷输入到模型中来，从而得到在不同热负荷的情况下，冷却塔需要开启的台数以及所对应的风机总功率，并以能耗最低为目标进行寻优。

Description

基于AI算法的冷却塔最优开启台数和最小运行能耗的计算 方法
技术领域
本发明涉及数据机房空调系统控制领域，具体涉及基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法。
背景技术
现代电子信息技术随着时代的进步取得了飞速的发展，数据机房的能耗也伴随着规模的增大而迅速增长。在当今中国能源与环境领域“碳达峰”和“碳中和”的战略背景下，如何减少数据机房的运行能耗，确保数据机房的稳定运行，是现在的一个研究重点。在整个数据机房中，空调系统是耗能较大的一部分，空调系统节能高效地运行是实现数据机房节能高效的关键举措。其中，冷却塔的总能耗与冷却塔的开启台数有关，因此需要对冷却塔传热过程进行深度分析，并建立一个关于冷却塔最优开启台数和最小运行能耗的计算方法。
在现有的冷却塔模型中，基本都默认为单台冷却塔，没有考虑风机台数的变化，也没有考虑如何去根据室外气象参数去选择合理的冷却塔台数，从而使得冷却塔的能耗变小；此外，现有的冷却塔模型大多为基本的传热模型，未包括风机功率等部分，没有很好地体现出冷却塔总热负荷与风机功率以及冷却塔开启台数的关系；最后，现有的冷却塔模型缺少了以能耗最低为原则的寻优过程。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种适用于不同数据机房的不同空调系统，可以根据当地实际的室外气象参数以及历史温度数据进行调整，从而得到不同的最优结果，应用范围广泛的基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法。
为了实现上述目标，本发明采用如下的技术方案：
基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，包括以下具体步骤：
S1、采集近3个月内数据机房的室外气象参数、空调系统冷却塔冷却水温度以及冷却塔风机运行能耗数据，并对数据进行预处理；
S2、根据S1采集到的数据，拟合得到历史温度数据下的系数
Figure 945246DEST_PATH_IMAGE001
；
S3、根据冷却塔铭牌上的额定参数，计算额定工况下的额定系数
Figure 660261DEST_PATH_IMAGE002
以及相关系数
Figure 498904DEST_PATH_IMAGE003
、
Figure 655079DEST_PATH_IMAGE004
、
Figure 45609DEST_PATH_IMAGE005
和
Figure 857707DEST_PATH_IMAGE006
；
S4、调用
Figure 296779DEST_PATH_IMAGE006
以及拟合过程中通过机器学习计算得到的额定系数
Figure 399471DEST_PATH_IMAGE002
；并在公式
Figure 570689DEST_PATH_IMAGE007
中输入冷却塔需处理的总热量
Figure 932400DEST_PATH_IMAGE008
、冷却塔进水温度与室外湿球温度之差
Figure 971900DEST_PATH_IMAGE009
，以及空气的比热容
Figure 305930DEST_PATH_IMAGE010
和冷却塔总功率
Figure 710366DEST_PATH_IMAGE011
的额定值；
S5、确定冷却塔最优开启台数和最小运行能耗。
作为本发明的进一步优选，所述步骤S2包括以下具体步骤：
S2.1、计算采集冷却塔需处理的总热量
Figure 887270DEST_PATH_IMAGE008
，即机楼内外负荷与主机模块热负荷之和，使用冷却泵耗电量计算获得，
Figure 340248DEST_PATH_IMAGE012
其中，
Figure 591100DEST_PATH_IMAGE013
为采集冷却泵耗电量差值、h为小时数，
Figure 228755DEST_PATH_IMAGE014
为冷却泵额定功率；
Figure 768321DEST_PATH_IMAGE015
为冷却泵额定流量、
Figure 87307DEST_PATH_IMAGE016
为冷却水进水温度、
Figure 756448DEST_PATH_IMAGE017
为冷却水出水温度、
Figure 502687DEST_PATH_IMAGE018
为水比热容；
Figure 998390DEST_PATH_IMAGE019
为水密度；
计算采集单台冷却塔热负荷
Figure 121067DEST_PATH_IMAGE020
，其中，n为冷却塔开启台数；
S2.2、计算采集冷却塔总功率
Figure 143250DEST_PATH_IMAGE011
，由冷却塔耗电量计算获得，
Figure 60390DEST_PATH_IMAGE021
，其中，
Figure 308969DEST_PATH_IMAGE022
为冷却塔耗电量差值，h为小时数；
计算采集单台风机功率
Figure 969757DEST_PATH_IMAGE023
；
S2.3、收集3个月内的历史数据，按照S2.1和S2.2中公式计算后得到若干组单台风机功率
Figure 846446DEST_PATH_IMAGE023
和若干组单台冷却塔热负荷
Figure 200067DEST_PATH_IMAGE020
，且形成第一数据集和第二数据集；
S2.4、由能量守恒定律可得，
Figure 670363DEST_PATH_IMAGE024
，其中，α为系数，将等号左侧看作y，右侧看作αx，即 y=αx；
S2.5、 将第二数据集作为y，即标签值，将第一数据集与
Figure 462739DEST_PATH_IMAGE010
和
Figure 131617DEST_PATH_IMAGE009
的乘积作为x，即特征值；
S2.6、对标签值和特征值进行预处理，将标签值和特征值按照时间序列存放，对缺失数据使用interpolate进行补全，interpolate为Pandas自带的数据补全工具，由于数据呈现单调性增减，选用linear线性补全，由已知点拟合求得直线，采用线性插值方法补全缺失点；
S2.7、将补全后的标签值和特征值两两为一组，根据时间索引对齐并随机打乱，按照7:3的比例划分训练集和测试集；
S2.8、使用StandardScaler模块对训练集中的特征值进行标准化操作，即计算训练集中的特征值的平均值和标准差，使数据均值为0，方差为1，公式为：
Figure 593823DEST_PATH_IMAGE025
，其中，u为数据均值，s为数据标准差；z为标准化结果；x为原始数据，即未标准化的训练集中的特征值；同时记录缩放因子，缩放因子为训练集中的特征值计算得到的均值与标准差；
S2.9、对测试集中的特征值进行标准化操作，以便使训练集与测试集处于同一分布；
S2.10、由于
Figure 613731DEST_PATH_IMAGE024
中，等号左右两侧呈现正相关关系，因此，模型选择线性回归，即
Figure 177174DEST_PATH_IMAGE026
，其中，b取值为0，w为α；
S2.11、使用最小二乘法求得使目标函数总误差最小的参数，目标函数公式：
Figure 966139DEST_PATH_IMAGE027
，其中，
Figure 599245DEST_PATH_IMAGE028
为预测值与真实值的总误差，
Figure 840871DEST_PATH_IMAGE029
为预测值，
Figure 975049DEST_PATH_IMAGE030
为真实值，训练在计算出目标函数最优解之后结束，并形成新型模型；
S2.12、冷却塔每隔3个月训练一次模型，每次训练迭代后得到的模型记为新模型，训练迭代前的模型记为旧模型；
S2.13、新模型与旧模型分别对测试集进行预测，即新新模型与旧模型分别计算均方根误差RMSE；均方根误差RMSE用来衡量观测值与真实值的偏差，当均方根误差RMSE值越小，则模型效果越好，选择效果最好的模型保存，并通过模型得到系数α；由近3个月数据得到的系数为历史系
Figure 821782DEST_PATH_IMAGE031
；
其中，
Figure 422528DEST_PATH_IMAGE032
其中，m是测试集样本个数，
Figure 479346DEST_PATH_IMAGE029
是预测值，
Figure 823739DEST_PATH_IMAGE030
是真实值。
作为本发明的进一步优选，所述步骤S3包括以下具体步骤：
S3.1、由冷却塔的传热过程得到单台冷却塔的热负荷
Figure 524979DEST_PATH_IMAGE033
与风机风量
Figure 296626DEST_PATH_IMAGE034
、空气的比热容
Figure 106319DEST_PATH_IMAGE010
、以及冷却塔进水温度与室外湿球温度之差
Figure 192087DEST_PATH_IMAGE009
有关，即：
Figure 810150DEST_PATH_IMAGE035
，
单台冷却塔的热负荷
Figure 582059DEST_PATH_IMAGE033
、风机风量
Figure 488835DEST_PATH_IMAGE034
、空气的比热容
Figure 175031DEST_PATH_IMAGE010
代入额定值，计算得到系数
Figure 241076DEST_PATH_IMAGE003
；
S3.2、风机风量
Figure 292209DEST_PATH_IMAGE036
及其额定值
Figure 483019DEST_PATH_IMAGE037
，频率
Figure 300802DEST_PATH_IMAGE038
及其额定值
Figure 831141DEST_PATH_IMAGE039
之间的关系为：
Figure 708967DEST_PATH_IMAGE040
，
得到系数
Figure 590335DEST_PATH_IMAGE041
；
S3.3、将S3.2代入S3.1中，
Figure 618334DEST_PATH_IMAGE042
，
代入系数
Figure 891927DEST_PATH_IMAGE003
、
Figure 550442DEST_PATH_IMAGE041
，可以计算得到系数
Figure 715844DEST_PATH_IMAGE043
，代入风机风量
Figure 609850DEST_PATH_IMAGE034
和频率
Figure 911519DEST_PATH_IMAGE038
的额定值，得到
Figure 740934DEST_PATH_IMAGE005
；
S3.4、风机功率
Figure 721529DEST_PATH_IMAGE044
及其额定值
Figure 91330DEST_PATH_IMAGE045
，频率
Figure 450767DEST_PATH_IMAGE038
及其额定值
Figure 841298DEST_PATH_IMAGE039
之间的关系为：
Figure 715713DEST_PATH_IMAGE046
，
得到系数
Figure 92467DEST_PATH_IMAGE006
；
S3.5、将S3.4代入S3.3中，得到单台冷却塔的热负荷也可以表示为：
Figure 368728DEST_PATH_IMAGE047
，
代入风机功率
Figure 431624DEST_PATH_IMAGE044
和频率
Figure 731018DEST_PATH_IMAGE038
的额定值以及系数
Figure 442622DEST_PATH_IMAGE003
、
Figure 901286DEST_PATH_IMAGE004
、
Figure 508984DEST_PATH_IMAGE005
、
Figure 357992DEST_PATH_IMAGE006
，计算得到额定工况下的额定系数
Figure 935604DEST_PATH_IMAGE002
。
作为本发明的进一步优选，所述步骤S5包括以下步骤：
S5.1、初始冷却塔的开启台数n为1，风机数与冷却塔台数相等；
S5.2、判断是否存在前3个月的历史数据；
S5.3、若存在，则调用历史系数
Figure 186456DEST_PATH_IMAGE031
；
S5.4、若不存在，则调用额定系数
Figure 699477DEST_PATH_IMAGE002
；
S5.5、根据
Figure 35781DEST_PATH_IMAGE046
，代入
Figure 417084DEST_PATH_IMAGE007
，并输出风机对应的频率
Figure 725705DEST_PATH_IMAGE038
；
S5.6、判断频率
Figure 471944DEST_PATH_IMAGE038
是否大于50HZ；
S5.7、若频率
Figure 614254DEST_PATH_IMAGE048
，则加开一台冷却塔，即n=n+1；并重复S5.5-S5.6；
S5.8、若频率
Figure 736931DEST_PATH_IMAGE049
，则判断30Hz≤频率f≤50Hz；
S5.9、若30Hz≤频率f≤50Hz，则加开一台冷却塔，即n=n+1，并记录此时的情况，并重复S5.5-S5.8；
S5.10、若频率
Figure 900059DEST_PATH_IMAGE050
，则保持现有冷却台台数n，并记录；
S5.11、输出所记录的情况中风机总功率的最小值以及所对应的台数n。
本发明的有益之处在于：本发明通过AI机器学习对模型进行训练和验证，并拟合得到模型中的相关系数，将计算得到的冷却塔总热负荷输入到模型中来，从而得到在不同热负荷的情况下，冷却塔需要开启的台数以及所对应的风机总功率，并以能耗最低为目标进行寻优；本发明适用于不同数据机房的不同空调系统，可以根据当地实际的室外气象参数以及历史温度数据进行调整，从而得到不同的最优结果，应用范围广泛。
附图说明
图1是本发明的流程示意图；
图2是额定系数
Figure 879516DEST_PATH_IMAGE002
的详细流程示意图；
图3是确定输出能耗最低时，冷却塔最优开启台数与风机功率的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
实施例一：
基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，包括以下具体步骤：
结合图1，S1、采集近3个月内数据机房的室外气象参数，如干球温度、湿球温度等、空调系统冷却塔冷却水温度以及冷却塔风机运行能耗数据，并对数据进行预处理。
S2、根据S1采集到的数据，拟合得到历史温度数据下的系数
Figure 190412DEST_PATH_IMAGE031
。
步骤S2包括以下具体步骤：
S2.1、计算采集冷却塔需处理的总热量
Figure 788883DEST_PATH_IMAGE008
，即机楼内外负荷与主机模块热负荷之和，使用冷却泵耗电量计算获得，
Figure 603256DEST_PATH_IMAGE012
其中，
Figure 19194DEST_PATH_IMAGE013
为采集冷却泵耗电量差值、h为小时数，
Figure 551806DEST_PATH_IMAGE014
为冷却泵额定功率；
Figure 688389DEST_PATH_IMAGE015
为冷却泵额定流量、
Figure 950743DEST_PATH_IMAGE016
为冷却水进水温度、
Figure 475266DEST_PATH_IMAGE017
为冷却水出水温度、
Figure 167278DEST_PATH_IMAGE018
为水比热容；
Figure 435448DEST_PATH_IMAGE019
为水密度；
计算采集单台冷却塔热负荷
Figure 788195DEST_PATH_IMAGE020
，其中，n为冷却塔开启台数。
S2.2、计算采集冷却塔总功率
Figure 218039DEST_PATH_IMAGE011
，由冷却塔耗电量计算获得，
Figure 662927DEST_PATH_IMAGE021
，其中，
Figure 469209DEST_PATH_IMAGE022
为冷却塔耗电量差值，h为小时数；
计算采集单台风机功率
Figure 174997DEST_PATH_IMAGE023
。
S2.3、收集3个月内的历史数据，按照S2.1和S2.2中公式计算后得到若干组单台风机功率
Figure 244584DEST_PATH_IMAGE023
和若干组单台冷却塔热负荷
Figure 973505DEST_PATH_IMAGE020
，且形成第一数据集和第二数据集。
S2.4、由能量守恒定律可得，
Figure 645795DEST_PATH_IMAGE024
，其中，α为系数，将等号左侧看作y，右侧看作αx，即 y=αx。
S2.5、 将第二数据集作为y，即标签值，将第一数据集与
Figure 409352DEST_PATH_IMAGE010
和
Figure 118682DEST_PATH_IMAGE009
的乘积作为x，即特征值。
S2.6、对标签值和特征值进行预处理，将标签值和特征值按照时间序列存放，对缺失数据使用interpolate进行补全，interpolate为Pandas自带的数据补全工具，由于数据呈现单调性增减，选用linear线性补全，由已知点拟合求得直线，采用线性插值方法补全缺失点。
S2.7、将补全后的标签值和特征值两两为一组，根据时间索引对齐并随机打乱，按照7:3的比例划分训练集和测试集。
S2.8、使用StandardScaler模块对训练集中的特征值进行标准化操作，即计算训练集中的特征值的平均值和标准差，使数据均值为0，方差为1，公式为：
Figure 600479DEST_PATH_IMAGE025
，其中，u为数据均值，s为数据标准差；z为标准化结果；x为原始数据，即未标准化的训练集中的特征值；同时记录缩放因子，缩放因子为训练集中的特征值计算得到的均值与标准差。
S2.9、对测试集中的特征值进行标准化操作，以便使训练集与测试集处于同一分布。
S2.10、由于
Figure 76459DEST_PATH_IMAGE024
中，等号左右两侧呈现正相关关系，因此，模型选择线性回归，即
Figure 632206DEST_PATH_IMAGE026
，其中，b取值为0，w为α。
S2.11、使用最小二乘法求得使目标函数总误差最小的参数，目标函数公式：
Figure 574754DEST_PATH_IMAGE027
，其中，
Figure 839120DEST_PATH_IMAGE028
为预测值与真实值的总误差，
Figure 790895DEST_PATH_IMAGE029
为预测值，
Figure 201148DEST_PATH_IMAGE030
为真实值，训练在计算出目标函数最优解之后结束，并形成新型模型。
S2.12、由于冷却塔预测是一个定时持续的过程，隔一段时间会训练一次模型，每次间隔3月以上，每次训练称为一次迭代，迭代后的模型称为新模型，迭代前的模型称为旧模型。
S2.13、新模型与旧模型分别对测试集进行预测，即新新模型与旧模型分别计算均方根误差RMSE；均方根误差RMSE用来衡量观测值与真实值的偏差，当均方根误差RMSE值越小，则模型效果越好，选择效果最好的模型保存，并通过模型得到系数α；由近3个月数据得到的系数为历史系
Figure 580177DEST_PATH_IMAGE031
；
其中，
Figure 833304DEST_PATH_IMAGE032
其中，m是测试集样本个数，
Figure 323191DEST_PATH_IMAGE029
是预测值，
Figure 119108DEST_PATH_IMAGE030
是真实值。
结合图2，S3、根据冷却塔铭牌上的额定参数，计算额定工况下的额定系数
Figure 731355DEST_PATH_IMAGE002
以及相关系数
Figure 143882DEST_PATH_IMAGE003
、
Figure 375143DEST_PATH_IMAGE004
、
Figure 822305DEST_PATH_IMAGE005
和
Figure 605453DEST_PATH_IMAGE006
。
步骤S3包括以下具体步骤：
S3.1、由冷却塔的传热过程得到单台冷却塔的热负荷
Figure 770855DEST_PATH_IMAGE033
与风机风量
Figure 540228DEST_PATH_IMAGE034
、空气的比热容
Figure 841897DEST_PATH_IMAGE010
、以及冷却塔进水温度与室外湿球温度之差
Figure 297411DEST_PATH_IMAGE009
有关，即：
Figure 887792DEST_PATH_IMAGE035
，
单台冷却塔的热负荷
Figure 523173DEST_PATH_IMAGE033
、风机风量
Figure 7244DEST_PATH_IMAGE034
、空气的比热容
Figure 538720DEST_PATH_IMAGE010
代入额定值，计算得到系数
Figure 475452DEST_PATH_IMAGE003
。
S3.2、风机风量
Figure 648944DEST_PATH_IMAGE036
及其额定值
Figure 862888DEST_PATH_IMAGE037
，频率
Figure 424319DEST_PATH_IMAGE038
及其额定值
Figure 786030DEST_PATH_IMAGE039
之间的关系为：
Figure 700897DEST_PATH_IMAGE040
，
得到系数
Figure 97243DEST_PATH_IMAGE041
。
S3.3、将S3.2代入S3.1中，
Figure 62531DEST_PATH_IMAGE042
，
代入系数
Figure 645959DEST_PATH_IMAGE003
、
Figure 364517DEST_PATH_IMAGE041
，可以计算得到系数
Figure 943266DEST_PATH_IMAGE043
，代入风机风量
Figure 518603DEST_PATH_IMAGE034
和频率
Figure 527011DEST_PATH_IMAGE038
的额定值，得到
Figure 845997DEST_PATH_IMAGE005
。
S3.4、风机功率
Figure 13673DEST_PATH_IMAGE044
及其额定值
Figure 759912DEST_PATH_IMAGE045
，频率
Figure 521195DEST_PATH_IMAGE038
及其额定值
Figure 706188DEST_PATH_IMAGE039
之间的关系为：
Figure 931633DEST_PATH_IMAGE046
，
得到系数
Figure 786457DEST_PATH_IMAGE006
。
S3.5、将S3.4代入S3.3中，得到单台冷却塔的热负荷也可以表示为：
Figure 831773DEST_PATH_IMAGE047
，
代入风机功率
Figure 56343DEST_PATH_IMAGE044
和频率
Figure 136295DEST_PATH_IMAGE038
的额定值以及系数
Figure 162020DEST_PATH_IMAGE003
、
Figure 694632DEST_PATH_IMAGE004
、
Figure 221428DEST_PATH_IMAGE005
、
Figure 359149DEST_PATH_IMAGE006
，计算得到额定工况下的额定系数
Figure 618092DEST_PATH_IMAGE002
。
S4、在Python中调用
Figure 700317DEST_PATH_IMAGE006
以及拟合过程中通过机器学习计算得到的额定系数
Figure 968488DEST_PATH_IMAGE002
；并在公式
Figure 695135DEST_PATH_IMAGE007
中输入总热负荷
Figure 124979DEST_PATH_IMAGE008
、冷却塔进水温度与室外湿球温度之差
Figure 960080DEST_PATH_IMAGE009
，冷却塔进水温度取总管冷却塔进水温度，以及空气的比热容
Figure 704045DEST_PATH_IMAGE010
和冷却塔总功率
Figure 347516DEST_PATH_IMAGE011
的额定值。
结合图3，S5、确定冷却塔最优开启台数和最小运行能耗。
步骤S5包括以下步骤：
S5.1、初始冷却塔的开启台数n为1，风机数与冷却塔台数相等。
S5.2、判断是否存在前3个月的历史数据。
S5.3、若存在，则调用历史系数
Figure 774693DEST_PATH_IMAGE031
。
S5.4、若不存在，则调用额定系数
Figure 503615DEST_PATH_IMAGE002
。
S5.5、根据
Figure 51271DEST_PATH_IMAGE046
，代入
Figure 877144DEST_PATH_IMAGE007
，并输出风机对应的频率
Figure 914370DEST_PATH_IMAGE038
。
S5.6、判断频率
Figure 68271DEST_PATH_IMAGE038
是否大于50HZ。
S5.7、若频率
Figure 216356DEST_PATH_IMAGE048
，则加开一台冷却塔，即n=n+1；并重复S5.5-S5.6。
S5.8、若频率
Figure 896736DEST_PATH_IMAGE049
，则判断30Hz≤频率f≤50Hz。
S5.9、若30Hz≤频率f≤50Hz，则加开一台冷却塔，即n=n+1，并记录此时的情况，并重复S5.5-S5.8。
S5.10、若频率
Figure 104863DEST_PATH_IMAGE050
，则保持现有冷却台台数n，并记录。
S5.11、输出所记录的情况中风机总功率的最小值以及所对应的台数n。
实施例二：
基于冷却塔热负荷、冷却塔进水温度与室外湿球温度之差已知的前提下冷却塔的最小输出功率以及所对应的开启台数的计算方法如下：
S001：采集中国电信溧阳天目湖数据机房近3个月的室外气象参数（如干球温度、湿球温度等）、空调系统冷却塔冷却水温度以及冷却塔风机运行能耗等数据，拟合得到的历史温度数据下的系数
Figure 746060DEST_PATH_IMAGE031
为15.6。
S002：根据该数据机房冷却塔铭牌上的额定参数，计算得到的系数
Figure 25732DEST_PATH_IMAGE003
为2.56，系数
Figure 498301DEST_PATH_IMAGE004
取0.13，计算得到的系数
Figure 815013DEST_PATH_IMAGE005
为0.56，
Figure 5823DEST_PATH_IMAGE006
系数取0.6，则额定工况下的额定系数
Figure 59492DEST_PATH_IMAGE002
为16.9。
S003：输入已知的冷却塔热负荷为3370kw，冷却塔进水温度与室外湿球温度之差为11℃，确认冷却塔的历史数据后，调用S001中的系数
Figure 652147DEST_PATH_IMAGE031
，冷却塔开启台数从1开始增加，并进行循环遍历，可以得到当冷却塔开启台数为3时，可满足冷却塔总热负荷，且此时冷却塔风机的能耗最小，为18.84kw。
本发明的有益之处在于：本发明通过AI机器学习对模型进行训练和验证，并拟合得到模型中的相关系数，将计算得到的冷却塔总热负荷输入到模型中来，从而得到在不同热负荷的情况下，冷却塔需要开启的台数以及所对应的风机总功率，并以能耗最低为目标进行寻优；本发明适用于不同数据机房的不同空调系统，可以根据当地实际的室外气象参数以及历史温度数据进行调整，从而得到不同的最优结果，应用范围广泛。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (4)

1.基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，其特征在于，包括以下具体步骤：
S1、采集近3个月内数据机房的室外气象参数、空调系统冷却塔冷却水温度以及冷却塔风机运行能耗数据，并对数据进行预处理；
S2、根据S1采集到的数据，拟合得到历史温度数据下的系数
Figure 37674DEST_PATH_IMAGE001
；
S3、根据冷却塔铭牌上的额定参数，计算额定工况下的额定系数
Figure 449063DEST_PATH_IMAGE002
以及相关系数
Figure 621419DEST_PATH_IMAGE003
、
Figure 510877DEST_PATH_IMAGE004
、
Figure 717868DEST_PATH_IMAGE005
和
Figure 34580DEST_PATH_IMAGE006
；
S4、调用
Figure 425722DEST_PATH_IMAGE006
以及拟合过程中通过机器学习计算得到的额定系数
Figure 384451DEST_PATH_IMAGE002
；并在公式
Figure 180369DEST_PATH_IMAGE007
中输入冷却塔需处理的总热量
Figure 199140DEST_PATH_IMAGE008
、冷却塔进水温度与室外湿球温度之差
Figure 80509DEST_PATH_IMAGE009
，以及空气的比热容
Figure 577349DEST_PATH_IMAGE010
和冷却塔总功率
Figure 227773DEST_PATH_IMAGE011
的额定值；
S5、确定冷却塔最优开启台数和最小运行能耗。
2.根据权利要求1所述的基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，其特征在于，所述步骤S2包括以下具体步骤：
S2.1、计算采集冷却塔需处理的总热量
Figure 151867DEST_PATH_IMAGE008
，即机楼内外负荷与主机模块热负荷之和，使用冷却泵耗电量计算获得，
Figure 786110DEST_PATH_IMAGE013
其中，
Figure 86642DEST_PATH_IMAGE014
为采集冷却泵耗电量差值、h为小时数，
Figure 591572DEST_PATH_IMAGE015
为冷却泵额定功率；
Figure 686567DEST_PATH_IMAGE016
为冷却泵额定流量、
Figure 808107DEST_PATH_IMAGE017
为冷却水进水温度、
Figure 381171DEST_PATH_IMAGE018
为冷却水出水温度、
Figure 271767DEST_PATH_IMAGE020
为水比热容；
Figure 537663DEST_PATH_IMAGE021
为水密度；
计算采集单台冷却塔热负荷
Figure 880920DEST_PATH_IMAGE022
，其中，n为冷却塔开启台数；
S2.2、计算采集冷却塔总功率
Figure 523253DEST_PATH_IMAGE011
，由冷却塔耗电量计算获得，
Figure 268356DEST_PATH_IMAGE023
，其中，
Figure 705153DEST_PATH_IMAGE024
为冷却塔耗电量差值，h为小时数；
计算采集单台风机功率
Figure 535706DEST_PATH_IMAGE025
；
S2.3、收集3个月内的历史数据，按照S2.1和S2.2中公式计算后得到若干组单台风机功率
Figure 453502DEST_PATH_IMAGE025
和若干组单台冷却塔热负荷
Figure 318690DEST_PATH_IMAGE022
，且形成第一数据集和第二数据集；
S2.4、由能量守恒定律可得，
Figure 191968DEST_PATH_IMAGE026
，其中，α为系数，将等号左侧看作y，右侧看作αx，即 y=αx；
S2.5、 将第二数据集作为y，即标签值，将第一数据集与
Figure 244237DEST_PATH_IMAGE010
和
Figure 228374DEST_PATH_IMAGE009
的乘积作为x，即特征值；
S2.6、对标签值和特征值进行预处理，将标签值和特征值按照时间序列存放，对缺失数据使用interpolate进行补全；
S2.7、将补全后的标签值和特征值两两为一组，根据时间索引对齐并随机打乱，按照7:3的比例划分训练集和测试集；
S2.8、使用StandardScaler模块对训练集中的特征值进行标准化操作，即计算训练集中的特征值的平均值和标准差，使数据均值为0，方差为1，公式为：
Figure 682489DEST_PATH_IMAGE027
，其中，u为数据均值，s为数据标准差；z为标准化结果；x为原始数据，即未标准化的训练集中的特征值；同时记录缩放因子，缩放因子为训练集中的特征值计算得到的均值与标准差；
S2.9、对测试集中的特征值进行标准化操作，以便使训练集与测试集处于同一分布；
S2.10、在
Figure 726668DEST_PATH_IMAGE026
中，等号左右两侧呈现正相关关系，模型选择线性回归，即
Figure 266234DEST_PATH_IMAGE028
，其中，b取值为0，w为α；
S2.11、使用最小二乘法求得使目标函数总误差最小的参数，目标函数公式：
Figure 54062DEST_PATH_IMAGE029
，其中，
Figure 362683DEST_PATH_IMAGE030
为预测值与真实值的总误差，
Figure 577764DEST_PATH_IMAGE031
为预测值，
Figure 339047DEST_PATH_IMAGE032
为真实值，训练在计算出目标函数最优解之后结束，并形成新型模型；
S2.12、冷却塔每隔3个月训练一次模型，每次训练迭代后得到的模型记为新模型，训练迭代前的模型记为旧模型；
S2.13、新模型与旧模型分别对测试集进行预测，即新新模型与旧模型分别计算均方根误差RMSE；当均方根误差RMSE值越小，则模型效果越好，选择效果最好的模型保存，并通过模型得到系数α；由近3个月数据得到的系数为历史系
Figure 930565DEST_PATH_IMAGE001
；
其中，
Figure 93693DEST_PATH_IMAGE033
其中，m是测试集样本个数，
Figure 479675DEST_PATH_IMAGE031
是预测值，
Figure 993833DEST_PATH_IMAGE032
是真实值。
3.根据权利要求1所述的基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，其特征在于，所述步骤S3包括以下具体步骤：
S3.1、由冷却塔的传热过程得到单台冷却塔的热负荷
Figure 123463DEST_PATH_IMAGE034
与风机风量
Figure 141097DEST_PATH_IMAGE035
、空气的比热容
Figure 963560DEST_PATH_IMAGE010
、以及冷却塔进水温度与室外湿球温度之差
Figure 699435DEST_PATH_IMAGE009
有关，即：
Figure 367177DEST_PATH_IMAGE036
，
单台冷却塔的热负荷
Figure 501967DEST_PATH_IMAGE034
、风机风量
Figure 495331DEST_PATH_IMAGE035
、空气的比热容
Figure 452923DEST_PATH_IMAGE010
代入额定值，计算得到系数
Figure 189934DEST_PATH_IMAGE003
；
S3.2、风机风量
Figure 447740DEST_PATH_IMAGE037
及其额定值
Figure 80847DEST_PATH_IMAGE038
，频率
Figure 56893DEST_PATH_IMAGE039
及其额定值
Figure 66438DEST_PATH_IMAGE040
之间的关系为：
Figure 178750DEST_PATH_IMAGE041
，
得到系数
Figure 248337DEST_PATH_IMAGE042
；
S3.3、将S3.2代入S3.1中，
Figure 446101DEST_PATH_IMAGE043
，
代入系数
Figure 259336DEST_PATH_IMAGE003
、
Figure 491734DEST_PATH_IMAGE042
，可以计算得到系数
Figure 466643DEST_PATH_IMAGE044
，代入风机风量
Figure 151702DEST_PATH_IMAGE035
和频率
Figure 503049DEST_PATH_IMAGE039
的额定值，得到
Figure 589954DEST_PATH_IMAGE005
；
S3.4、风机功率
Figure 1344DEST_PATH_IMAGE045
及其额定值
Figure 908120DEST_PATH_IMAGE046
，频率
Figure 63158DEST_PATH_IMAGE039
及其额定值
Figure 738990DEST_PATH_IMAGE040
之间的关系为：
Figure 148429DEST_PATH_IMAGE047
，
得到系数
Figure 808081DEST_PATH_IMAGE006
；
S3.5:将S3.4代入S3.3中，得到单台冷却塔的热负荷也可以表示为：
Figure 501230DEST_PATH_IMAGE048
，
代入风机功率
Figure 562727DEST_PATH_IMAGE045
和频率
Figure 315920DEST_PATH_IMAGE039
的额定值以及系数
Figure 197288DEST_PATH_IMAGE003
、
Figure 694128DEST_PATH_IMAGE004
、
Figure 344552DEST_PATH_IMAGE005
、
Figure 534225DEST_PATH_IMAGE006
，计算得到额定工况下的额定系数
Figure 902890DEST_PATH_IMAGE002
。
4.根据权利要求1所述的基于AI算法的冷却塔最优开启台数和最小运行能耗的计算方法，其特征在于，所述步骤S5包括以下步骤：
S5.1、初始冷却塔的开启台数n为1，风机数与冷却塔台数相等；
S5.2、判断是否存在前3个月的历史数据；
S5.3、若存在，则调用历史系数
Figure 203421DEST_PATH_IMAGE001
；
S5.4、若不存在，则调用额定系数
Figure 708352DEST_PATH_IMAGE002
；
S5.5、根据
Figure 68926DEST_PATH_IMAGE047
，代入
Figure 659307DEST_PATH_IMAGE007
，并输出风机对应的频率
Figure 763530DEST_PATH_IMAGE039
；
S5.6、判断频率
Figure 388546DEST_PATH_IMAGE039
是否大于50HZ；
S5.7、若频率
Figure 920021DEST_PATH_IMAGE049
，则加开一台冷却塔，即n=n+1；并重复S5.5-S5.6；
S5.8、若频率
Figure 997699DEST_PATH_IMAGE050
，则判断30Hz≤频率f≤50Hz；
S5.9、若30Hz≤频率f≤50Hz，则加开一台冷却塔，即n=n+1，并记录此时的情况，并重复S5.5-S5.8；
S5.10、若频率
Figure 374454DEST_PATH_IMAGE051
，则保持现有冷却台台数n，并记录；
S5.11、输出所记录的情况中风机总功率的最小值以及所对应的台数n。
CN202211026863.7A 2022-08-25 2022-08-25 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法 Active CN115115143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211026863.7A CN115115143B (zh) 2022-08-25 2022-08-25 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211026863.7A CN115115143B (zh) 2022-08-25 2022-08-25 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法

Publications (2)

Publication Number Publication Date
CN115115143A true CN115115143A (zh) 2022-09-27
CN115115143B CN115115143B (zh) 2022-11-25

Family

ID=83335705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211026863.7A Active CN115115143B (zh) 2022-08-25 2022-08-25 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法

Country Status (1)

Country Link
CN (1) CN115115143B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115493256A (zh) * 2022-11-21 2022-12-20 南京群顶科技股份有限公司 一种中央制冷系统节能运行智能寻优方法
CN116242197A (zh) * 2023-05-12 2023-06-09 浙江弗尔德驱动科技有限公司 一种冷却塔专用永磁半直驱电机
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104534627A (zh) * 2015-01-14 2015-04-22 江苏联宏自动化系统工程有限公司 中央空调冷却水系统综合能效控制方法
CN107314498A (zh) * 2017-05-25 2017-11-03 中国农业大学 一种中央空调系统的能效在线监测方法及装置
CN111723456A (zh) * 2020-05-08 2020-09-29 华南理工大学 一种基于nsga-ⅱ算法的中央空调系统能效优化方法
CN113536525A (zh) * 2021-04-16 2021-10-22 广州地铁设计研究院股份有限公司 一种中央空调全局最优节能控制方法
CN114370696A (zh) * 2021-12-27 2022-04-19 杭州英集动力科技有限公司 基于d-s证据理论的中央空调冷却塔出水温度控制方法
CN114722574A (zh) * 2022-03-16 2022-07-08 华南理工大学 一种基于ai算法的数据中心中央空调冷冻水参数设定方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104534627A (zh) * 2015-01-14 2015-04-22 江苏联宏自动化系统工程有限公司 中央空调冷却水系统综合能效控制方法
CN107314498A (zh) * 2017-05-25 2017-11-03 中国农业大学 一种中央空调系统的能效在线监测方法及装置
CN111723456A (zh) * 2020-05-08 2020-09-29 华南理工大学 一种基于nsga-ⅱ算法的中央空调系统能效优化方法
CN113536525A (zh) * 2021-04-16 2021-10-22 广州地铁设计研究院股份有限公司 一种中央空调全局最优节能控制方法
CN114370696A (zh) * 2021-12-27 2022-04-19 杭州英集动力科技有限公司 基于d-s证据理论的中央空调冷却塔出水温度控制方法
CN114722574A (zh) * 2022-03-16 2022-07-08 华南理工大学 一种基于ai算法的数据中心中央空调冷冻水参数设定方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115493256A (zh) * 2022-11-21 2022-12-20 南京群顶科技股份有限公司 一种中央制冷系统节能运行智能寻优方法
CN116242197A (zh) * 2023-05-12 2023-06-09 浙江弗尔德驱动科技有限公司 一种冷却塔专用永磁半直驱电机
CN116242197B (zh) * 2023-05-12 2023-08-29 浙江弗尔德驱动科技有限公司 一种冷却塔专用永磁半直驱电机的运行监控系统
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

Also Published As

Publication number Publication date
CN115115143B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN115115143B (zh) 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
CN114484731B (zh) 一种基于stacking融合算法的中央空调故障诊断方法及装置
CN112561728B (zh) 基于注意力机制lstm的综合能耗费用优化方法、介质及设备
CN112084707A (zh) 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统
CN114383299B (zh) 基于大数据与动态仿真的中央空调系统运行策略优化方法
CN113240184B (zh) 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN109974231A (zh) 冰蓄冷空调冰量规划方法、装置、设备及介质
CN113657660A (zh) 基于分站负荷和热网滞后模型的热源负荷预测方法
KR20180138371A (ko) 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법
CN115685941B (zh) 一种基于机柜热点温度预测的机房运行调控方法及装置
CN113778215A (zh) 基于大数据实现数据中心pue预测以及降耗策略的方法
CN104700147A (zh) 冷却塔出水温度预测方法
CN113610152A (zh) 一种基于负荷模式的空调系统灵活性运行策略制定方法
CN109711049B (zh) 一种混合式的地铁空调冷水机组能效估计方法
CN110264254A (zh) 电采暖负荷预测方法、装置、设备及可存储介质
CN113757781A (zh) 基于bp神经网络预测模型的供热负荷预测节能控制方法及系统
CN110848889A (zh) 一种中央空调系统主机运行能效评估方法
CN116307074A (zh) 真实热力数据的获取方法、热力数据的神经网络模型构建系统及构建方法、热负荷预测方法
CN114636212A (zh) 一种基于grnn的多台冷水机组系统运行控制方法
CN115264768A (zh) 一种基于物联网的楼宇空调节能控制方法及系统
CN112966707B (zh) 通用暖通空调设备模型自动化辨识方法及系统
Zheng Research on energy-saving control and optimisation of air conditioning system based on genetic algorithm
CN114543273B (zh) 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
CN113033016B (zh) 基于混合式的中央空调负荷预测方法和装置

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 210019 8th floor, building 1, international R & D headquarters park, Nanjing new town science and Technology Park, 68 Aoti street, Jianye District, Nanjing City, Jiangsu Province

Patentee after: Nanjing Qunding Technology Co.,Ltd.

Address before: 210000 8 / F, building 1, international R & D headquarters park, Nanjing new town science and Technology Park, 68 Aoti street, Jianye District, Nanjing City, Jiangsu Province

Patentee before: NANJING QUNDING TECHNOLOGY Co.,Ltd.