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 PDFInfo
- 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
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
Description
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;
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:
S2.6、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:,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;
S2.12、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;
作为本发明的进一步优选,所述步骤S3包括以下具体步骤:
S3.3、将S3.2代入S3.1中,
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:
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;
S5.9、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;
S5.11、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。
步骤S2包括以下具体步骤:
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:,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。
S2.12、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;
步骤S3包括以下具体步骤:
S3.3、将S3.2代入S3.1中,
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:
S4、在Python中调用以及拟合过程中通过机器学习计算得到的额定系数;并在公式中输入总热负荷、冷却塔进水温度与室外湿球温度之差,冷却塔进水温度取总管冷却塔进水温度,以及空气的比热容和冷却塔总功率的额定值。
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。
S5.9、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。
S5.11、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:
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,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)
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:
S2.6、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:,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;
S2.12、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;
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:
S3.3、将S3.2代入S3.1中,
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:
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;
S5.9、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;
S5.11、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。
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)
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)
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 |
-
2022
- 2022-08-25 CN CN202211026863.7A patent/CN115115143B/zh active Active
Patent Citations (6)
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)
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. |