CN115355603A - 制冷站的优化控制方法、装置、电子设备及存储介质 - Google Patents

制冷站的优化控制方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115355603A
CN115355603A CN202211270651.3A CN202211270651A CN115355603A CN 115355603 A CN115355603 A CN 115355603A CN 202211270651 A CN202211270651 A CN 202211270651A CN 115355603 A CN115355603 A CN 115355603A
Authority
CN
China
Prior art keywords
control
optimal
station
refrigeration station
model
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
CN202211270651.3A
Other languages
English (en)
Other versions
CN115355603B (zh
Inventor
于震
李怀
李立
吴剑林
曲凯阳
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.)
China Academy of Building Research CABR
Original Assignee
China Academy of Building Research CABR
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 China Academy of Building Research CABR filed Critical China Academy of Building Research CABR
Priority to CN202211270651.3A priority Critical patent/CN115355603B/zh
Publication of CN115355603A publication Critical patent/CN115355603A/zh
Application granted granted Critical
Publication of CN115355603B publication Critical patent/CN115355603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供制冷站的优化控制方法、装置、电子设备及存储介质，涉及制冷站调控技术领域，制冷站的优化控制方法包括：从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦；以冷机的台数组合模式作为状态，获得全局最优策略和全局最优策略的总成本，并从时间维度对制冷站控制模型进行二次降维；基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。通过上述方式，本发明简化了制冷站多设备多控制参数的约束和优化问题，提高了方法的通用性，降低了算法现场部署对专业技术人员的要求。实现了更多节能和更少启停冷机，从而使得制冷站能够更高效、更节能、更平稳的运行。

Description

制冷站的优化控制方法、装置、电子设备及存储介质
技术领域
本发明涉及制冷站调控技术领域，尤其涉及制冷站的优化控制方法、装置、电子设备及存储介质。
背景技术
暖通空调系统节能是建筑节能的重点，在暖通空调系统中，针对典型商业建筑，制冷站能耗可占暖通空调系统能耗的30%~50%甚至更高，由于制冷站设备功率较大，设备位置集中，制冷站节能是暖通空调系统节能的重点，是大量建筑节能公司的主要关注对象。
目前的相关研究大多将制冷站多设备的优化控制看作单步优化策略问题，即在当前时刻，基于测量信息，进行寻优，不考虑当前时刻的策略对后续策略的影响。在实际工程中，这一简化可能在一些情况下产生设备启停频繁的问题。在碳达峰和碳中和的背景下，建筑可再生能源应用日益增多，用户需求侧和电网侧的响应互动更加重要，利用建筑自身蓄能以及蓄冷、蓄热、储电技术快速发展，这些都需要制冷站的优化控制能够考虑多步优化问题，而不仅仅是基于当前效率优化的目标进行单步策略。然而多步优化的相关研究在工程部署上的难度较大，优化的算法难以在工程项目中简单部署。
发明内容
本发明提供制冷站的优化控制方法、装置、电子设备及存储介质，用以解决现有技术中制冷站优化控制中只能单步策略，优化效率低的缺陷。
本发明提供一种制冷站的优化控制方法，包括：从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦；以冷机的台数组合模式作为状态，获得全局最优策略和全局最优策略的总成本，并从时间维度对制冷站控制模型进行二次降维；基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。
根据本发明提供的一种制冷站的优化控制方法，从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦，包括：从时间维度减少制冷站控制模型的控制变量的数量；从模型维度将制冷站控制模型的控制策略解耦为多个单步策略叠加。
根据本发明提供的一种制冷站的优化控制方法，以冷机的台数组合模式作为状态获得全局最优策略和全局最优策略的总成本，包括：将冷机的台数组合作模式作为状态处理，得到完成整个时间序列的全局最优策略和状态的集合；基于状态的历史无关性，利用反向求解或者递归的方式求解最优状态，获得全局最优策略和全局最优策略的总成本。
根据本发明提供的一种制冷站的优化控制方法，将冷机的台数组合作模式作为状态处理，得到完成整个时间序列的最优策略和状态的集合，包括：得到以冷机的台数组合作模式作为状态处理的全局最优策略表达式；基于状态的历史无关性，利用反向求解或者递归的方式求解最优状态，获得全局最优策略和全局最优策略的总成本，包括：基于全局最优策略表达式，使用反向求解最优状态；根据控制变量之间的关系和最优状态，获得全局最优策略和全局最优策略的总成本。
根据本发明提供的一种制冷站的优化控制方法，基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解，包括：随机生成各个智能体的控制变量组合Dm=[Cm,1, Cm,2,…,Cm,n]，其中，n为智能体的个数，Cm,i代表第m个备选组合中第i个智能体的控制变量；Dm代表为第m种控制变量的备选组合；对于每个Dm，当已知4个控制变量Ci时，求解其他控制Cj；每个智能体计算本智能体的所有成本ACostm,i；协调智能体计算m个控制变量组合Dm的m个总成本ACostall,m；协调智能体采用粒子群算法，基于总成本ACostall,m的值、本地知识和全局知识迭代更新控制变量组合Dm=[Cm,1, Cm,2,…,Cm,n]；当最新的总成本ACostall = min(ACostall,m)相对于上一次的总成本ACostall的差值小于第一预设阈值，并且新计算的控制变量组合Dm和上一次计算时获得的控制变量组合Dm的曼哈顿距离小于第二预设阈值时，确定最新的控制变量组合Dm为最优的控制变量组合Dm；若没有确定最优的控制变量组合Dm，则循环迭代计算最新的总成本ACostall和控制变量组合Dm。
根据本发明提供的一种制冷站的优化控制方法，对于每个Dm，当已知4个控制变量Ci时，求解其他控制Cj，包括：已知4个控制变量Ci, i∈[1,2,3,4]，随机生成其他待定控制变量Cj, j∈[5,6,…,11]；每个智能体按照随机顺序，与其他智能体交换信息，获得关联变量的最新值；根据关联变量的最新值，基于智能体本身的约束模型，求解关联变量的更新值；更新本智能体的控制变量值，以及更新关联变量值；当控制变量C和关联变量V两次迭代的曼哈顿距离小于第三预设阈值时，确定满足模型约束的控制变量集合C；若没有确定满足模型约束的控制变量集合C，则循环迭代计算控制变量C和关联变量V。
根据本发明提供的一种制冷站的优化控制方法，协调智能体采用粒子群算法，基于ACostall,m的值、本地知识和全局知识迭代更新控制变量组合Dm=[Cm,1, Cm,2,…,Cm,n]，还包括：协调智能体统计在当前运行参数设置值集合下制冷站的总成本ACostall,m，并告知其他智能体。
本发明还提供一种制冷站的优化控制装置，包括：降维解耦模块，用于从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦；二次降维模块，用于以冷机的台数组合模式作为状态获得全局最优策略和全局最优策略的总成本，从时间维度对制冷站控制模型进行二次降维；最优解模块，用于基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一种制冷站的优化控制方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种制冷站的优化控制方法。
本发明提供的制冷站的优化控制方法、装置、电子设备及存储介质，包括：从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦；以冷机的台数组合模式作为状态，获得全局最优策略和全局最优策略的总成本，并从时间维度对制冷站控制模型进行二次降维；基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。通过上述方式，本发明简化了制冷站多设备多控制参数的约束和优化问题，提高了方法的通用性，降低了算法现场部署对专业技术人员的要求。实现了更多节能和更少启停冷机，从而使得制冷站能够更高效、更节能、更平稳的运行。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1是本发明制冷站的优化控制方法一实施例的流程示意图；
图2为本发明实施例的制冷站多步预测优化控制方法示意图；
图3是本发明制冷站的优化控制装置一实施例的结构示意图；
图4是本发明电子设备一实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明提供一种制冷站的优化控制方法，请参阅图1，图1是本发明制冷站的优化控制方法一实施例的流程示意图，在本实施例中，制冷站的优化控制方法可以包括步骤S110~S130，各步骤具体如下：
S110：从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦。
其中，状态空间是控制工程中的一个名词。状态是指在系统中可决定系统状态、最小数目变量的有序集合。可以理解地，状态空间是指制冷站控制模型全部可能状态的集合。在本实施例中主要对输入状态空间进行处理。
可选地，从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦，包括：从时间维度减少制冷站控制模型的控制变量的数量；从模型维度将制冷站控制模型的控制策略解耦为多个单步策略叠加。
其中，考虑所有控制变量决策的历史相关性，在某些变量设定值变化相对可以接受的情况下，减少控制变量的数量。引入层次化控制方法，将复杂问题解耦为多个相对简单问题的叠加。
本实施例可以从时间维度减少控制变量的数量，和通过引入层次化控制方法，从模型维度将复杂问题解耦为多个相对简单的单步决策叠加。
S120：以冷机的台数组合模式作为状态，获得全局最优策略和全局最优策略的总成本，并从时间维度对制冷站控制模型进行二次降维。
在完成S110的基础上，采用动态规划进行多步预测控制，进一步降低问题的时间维度，以冷机的台数组合模式作为状态获得全局最优策略和全局最优策略的总成本。
可选地，使用动态规划的方法进一步降低问题维度：将冷机的台数组合作模式作为状态处理，得到完成整个时间序列的最优决策和状态的集合。利用状态的历史无关性，可以使用反向求解或者递归的方式求解最优状态。
S130：基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。
本实施例最后采用多智能体协商运行参数优化的思路，基于分布式粒子群优化方法，满足模型约束和关键控制变量寻优。
本实施例提供的制冷站的优化控制方法，从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦；以冷机的台数组合模式作为状态，获得全局最优策略和全局最优策略的总成本，并从时间维度对制冷站控制模型进行二次降维；基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。通过上述方式，本发明简化了制冷站多设备多控制参数的约束和优化问题，提高了方法的通用性，降低了算法现场部署对专业技术人员的要求。实现了更多节能和更少启停冷机，从而使得制冷站能够更高效、更节能、更平稳的运行。
可选地，本实施例确定了当前时刻优选的冷机台数模式后，在典型冷站群控问题中还需要进行制冷站设定值的优化，使得冷机、末端、水泵、冷却塔协同优化，达到给定供冷量下的制冷站能耗最低。请参阅图2，图2为本发明实施例的制冷站多步预测优化控制方法示意图。
根据本发明提供的一种制冷站的优化控制方法，以冷机的台数组合模式作为状态获得全局最优策略和全局最优策略的总成本，包括：
将冷机的台数组合作模式作为状态处理，得到完成整个时间序列的全局最优策略和状态的集合；基于状态的历史无关性，利用反向求解或者递归的方式求解最优状态，获得全局最优策略和全局最优策略的总成本。
根据本发明提供的一种制冷站的优化控制方法，将冷机的台数组合作模式作为状态处理，得到完成整个时间序列的最优策略和状态的集合，包括：得到以冷机的台数组合作模式作为状态处理的全局最优策略表达式。
基于状态的历史无关性，利用反向求解或者递归的方式求解最优状态，获得全局最优策略和全局最优策略的总成本，包括：基于全局最优策略表达式，使用反向求解最优状态；根据控制变量之间的关系和最优状态，获得全局最优策略和全局最优策略的总成本。
可选地，全局最优策略表达式为：
Figure 526100DEST_PATH_IMAGE001
其中，Modei,j代表在i时刻的编号为j的不同冷机台数组合；Aj,k,l代表决策，从j时刻的k状态迁移到另j+1时刻的l状态的行为，j代表时刻，k代表在j时刻的状态编号，l代表j+1时刻的状态编号；SCosti,k,l代表决策成本，是执行Aj,k,l决策的执行成本，为更换启停设备造成的启停附加成本，包括设备磨损，效率降低等；Costi,j代表状态成本，即在i时刻按照状态j运行的制冷站能耗；S代表全局最优策略，完成整个时间序列的最优决策和状态的集合。
可选地，利用状态的历史无关性，使用反向求解最优状态，根据变量间的关系，得到：
Valuei,j = Costi,j + min(SCosti,j,l+Valuei+1,l) s.t.（1）……（2）
Valuen,j = Costn,j……（3）
以上两个关系式，其中Valuei,j代表状态值。Valuei,j的约束条件为上述公式（1）。
本实施例通过动态规划求解最优模式序列，具体地，从第m个时刻，根据式（3）得到第m个时刻n个状态的Value，然后再计算第m-1个时刻，根据式（2）第m-1个时刻的Value由第m-1时刻的Costi,j和SCosti,j,l以及第m个时刻的Value决定。由于第m个时刻的Value已知，第m-1时刻的Costi,j和SCosti,j,l可由经辨识得到的系统模型得到，则可以得到第m个时刻的Value值。依次类推到时刻1。则根据式（1），可获得全局最优策略和全局最优策略的总成本。
根据本发明提供的一种制冷站的优化控制方法，基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解，包括：
随机生成各个智能体的控制变量组合Dm=[Cm,1, Cm,2,…,Cm,n]，其中，n为智能体的个数，Cm,i代表第m个备选组合中第i个智能体的控制变量；Dm代表为第m种控制变量的备选组合；
对于每个Dm，当已知4个控制变量Ci时，求解其他控制Cj；
每个智能体计算本智能体的所有成本ACostm,i；
协调智能体计算m个控制变量组合Dm的m个总成本ACostall,m；
协调智能体采用粒子群算法，基于总成本ACostall,m的值、本地知识和全局知识迭代更新控制变量组合Dm=[Cm,1, Cm,2,…,Cm,n]；
当最新的总成本ACostall = min(ACostall,m)相对于上一次的总成本ACostall的差值小于第一预设阈值，并且新计算的控制变量组合Dm和上一次计算时获得的控制变量组合Dm的曼哈顿距离小于第二预设阈值时，确定最新的控制变量组合Dm为最优的控制变量组合Dm；
若没有确定最优的控制变量组合Dm，则循环迭代计算最新的总成本ACostall和控制变量组合Dm。
需要说明的是，Cm,i是控制变量，第一个m代表第几个备选组合，第二个i代表第几个智能体。对于同一个m，也就是说在解一组方程的解的时候，知道其中的4个Ci就可以求解其他的Ci了，这里隐含的台词就是m固定。也就是说求一组解。因此Ci是在m确定的情况下的一个备选组合的控制变量。
另外，C是值同一个m下，所有Ci、Cj的集合。
此外，还需要说明的是，i、j、m、n是可变量，在不同的符号中有不同的含义，具体请参照每个符号中的含义。
根据本发明提供的一种制冷站的优化控制方法，对于每个Dm，当已知4个控制变量Ci时，求解其他控制Cj，包括：
已知4个控制变量Ci, i∈[1,2,3,4]，随机生成其他待定控制变量Cj, j∈[5,6,…,11]；
每个智能体按照随机顺序，与其他智能体交换信息，获得关联变量的最新值；
根据关联变量的最新值，基于智能体本身的约束模型，求解关联变量的更新值；
更新本智能体的控制变量值，以及更新关联变量值；
当控制变量C和关联变量V两次迭代的曼哈顿距离小于第三预设阈值时，确定满足模型约束的控制变量集合C；
若没有确定满足模型约束的控制变量集合C，则循环迭代计算控制变量C和关联变量V。
根据本发明提供的一种制冷站的优化控制方法，协调智能体采用粒子群算法，基于ACostall,m的值、本地知识和全局知识迭代更新控制变量组合Dm=[Cm,1, Cm,2,…,Cm,n]，还包括：
协调智能体统计在当前运行参数设置值集合下制冷站的总成本ACostall,m，并告知其他智能体。
可选地，协调智能体可以使得使用MQTT协议或其他方式实现订阅模式的通信在实际工程应用时方便实现。
下面对本发明提供的制冷站的优化控制装置进行描述，下文描述的制冷站的优化控制装置与上文描述的制冷站的优化控制方法可相互对应参照。
本发明还提供一种制冷站的优化控制装置，请参阅图3，图3是本发明制冷站的优化控制装置一实施例的结构示意图，在本实施例中，优化控制装置可以包括：降维解耦模块310、二次降维模块430和最优解模块330。具体地：
降维解耦模块310，用于从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦。
二次降维模块320，用于以冷机的台数组合模式作为状态获得全局最优策略和全局最优策略的总成本，从时间维度对制冷站控制模型进行二次降维。
最优解模块330，用于基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。
在一些实施例中，降维解耦模块310用于：
从时间维度减少制冷站控制模型的控制变量的数量；从模型维度将制冷站控制模型的控制策略解耦为多个单步策略叠加。
在一些实施例中，二次降维模块320用于：
将冷机的台数组合作模式作为状态处理，得到完成整个时间序列的全局最优策略和状态的集合；基于状态的历史无关性，利用反向求解或者递归的方式求解最优状态，获得全局最优策略和全局最优策略的总成本。
在一些实施例中，二次降维模块320用于：
得到以冷机的台数组合作模式作为状态处理的全局最优策略表达式；基于状态的历史无关性，利用反向求解或者递归的方式求解最优状态，获得全局最优策略和全局最优策略的总成本，包括：基于全局最优策略表达式，使用反向求解最优状态；根据控制变量之间的关系和最优状态，获得全局最优策略和全局最优策略的总成本。
在一些实施例中，最优解模块330用于：
随机生成各个智能体的控制变量组合Dm=[Cm,1, Cm,2,…,Cm,n]，其中，n为智能体的个数，Cm,i代表第m个备选组合中第i个智能体的控制变量；Dm代表为第m种控制变量的备选组合；对于每个Dm，当已知4个控制变量Ci时，求解其他控制Cj；每个智能体计算本智能体的所有成本ACostm,i；协调智能体计算m个控制变量组合Dm的m个总成本ACostall,m；协调智能体采用粒子群算法，基于总成本ACostall,m的值、本地知识和全局知识迭代更新控制变量组合Dm=[Cm,1, Cm,2,…,Cm,n]；当最新的总成本ACostall = min(ACostall,m)相对于上一次的总成本ACostall的差值小于第一预设阈值，并且新计算的控制变量组合Dm和上一次计算时获得的控制变量组合Dm的曼哈顿距离小于第二预设阈值时，确定最新的控制变量组合Dm为最优的控制变量组合Dm；若没有确定最优的控制变量组合Dm，则循环迭代计算最新的总成本ACostall和控制变量组合Dm。
在一些实施例中，最优解模块330用于：
已知4个控制变量Ci, i∈[1,2,3,4]，随机生成其他待定控制变量Cj, j∈[4,5,…,11]；每个智能体按照随机顺序，与其他智能体交换信息，获得关联变量的最新值；根据关联变量的最新值，基于智能体本身的约束模型，求解关联变量的更新值；更新本智能体的控制变量值，以及更新关联变量值；当控制变量C和关联变量V两次迭代的曼哈顿距离小于第三预设阈值时，确定满足模型约束的控制变量集合C；若没有确定满足模型约束的控制变量集合C，则循环迭代计算控制变量C和关联变量V。
在一些实施例中，最优解模块330用于：
协调智能体统计在当前运行参数设置值集合下制冷站的总成本ACostall,m，并告知其他智能体。
本发明还提供一种电子设备，请参阅图4，图4是本发明电子设备一实施例的结构示意图。在本实施例中，电子设备可以包括存储器(memory)420、处理器(processor)410及存储在存储器420上并可在处理器410上运行的计算机程序。处理器410执行程序时实现上述各方法所提供的制冷站的优化控制方法。
可选地，电子设备还可以包括通信总线430和通信接口(CommunicationsInterface)440，其中，处理器410，通信接口440，存储器420通过通信总线430完成相互间的通信。处理器410可以调用存储器420中的逻辑指令，以执行制冷站的优化控制方法，该方法包括：
从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦；以冷机的台数组合模式作为状态，获得全局最优策略和全局最优策略的总成本，并从时间维度对制冷站控制模型进行二次降维；基于分布式粒子群优化方法，在满足制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。
此外，上述的存储器420中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的制冷站的优化控制方法，其步骤和原理在上述方法已详细介绍，在此不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种制冷站的优化控制方法，其特征在于，包括：
从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦；
以冷机的台数组合模式作为状态，获得全局最优策略和全局最优策略的总成本，并从时间维度对制冷站控制模型进行二次降维；
基于分布式粒子群优化方法，在满足所述制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。
2.根据权利要求1所述的制冷站的优化控制方法，其特征在于，所述从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦，包括：
从时间维度减少所述制冷站控制模型的控制变量的数量；
从模型维度将所述制冷站控制模型的控制策略解耦为多个单步策略叠加。
3.根据权利要求1所述的制冷站的优化控制方法，其特征在于，所述以冷机的台数组合模式作为状态获得全局最优策略和全局最优策略的总成本，包括：
将冷机的台数组合作模式作为状态处理，得到完成整个时间序列的全局最优策略和状态的集合；
基于状态的历史无关性，利用反向求解或者递归的方式求解最优状态，获得全局最优策略和全局最优策略的总成本。
4.根据权利要求3所述的制冷站的优化控制方法，其特征在于，
所述将冷机的台数组合作模式作为状态处理，得到完成整个时间序列的最优策略和状态的集合，包括：
得到以冷机的台数组合作模式作为状态处理的全局最优策略表达式；
所述基于状态的历史无关性，利用反向求解或者递归的方式求解最优状态，获得全局最优策略和全局最优策略的总成本，包括：
基于所述全局最优策略表达式，使用反向求解最优状态；
根据控制变量之间的关系和所述最优状态，获得全局最优策略和全局最优策略的总成本。
5.根据权利要求1所述的制冷站的优化控制方法，其特征在于，所述基于分布式粒子群优化方法，在满足所述制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解，包括：
随机生成各个智能体的控制变量组合Dm=[Cm,1,Cm,2,…,Cm,n]，其中，n为智能体的个数，Cm,i代表第m个备选组合中第i个智能体的控制变量；Dm代表为第m种控制变量的备选组合；
对于每个Dm，当已知4个控制变量Ci时，求解其他控制Cj；
每个智能体计算本智能体的所有成本ACostm,i；
协调智能体计算m个控制变量组合Dm的m个总成本ACostall,m；
所述协调智能体采用粒子群算法，基于总成本ACostall,m的值、本地知识和全局知识迭代更新控制变量组合Dm=[Cm,1,Cm,2,…,Cm,n]；
当最新的总成本ACostall = min(ACostall,m)相对于上一次的总成本ACostall的差值小于第一预设阈值，并且新计算的控制变量组合Dm和上一次计算时获得的控制变量组合Dm的曼哈顿距离小于第二预设阈值时，确定最新的控制变量组合Dm为最优的控制变量组合Dm；
若没有确定最优的控制变量组合Dm，则循环迭代计算最新的总成本ACostall和控制变量组合Dm。
6.根据权利要求5所述的制冷站的优化控制方法，其特征在于，所述对于每个Dm，当已知4个控制变量Ci时，求解其他控制Cj，包括：
已知4个控制变量Ci, i∈[1,2,3,4]，随机生成其他待定控制变量Cj, j∈[5,6,…,11]；
每个智能体按照随机顺序，与其他智能体交换信息，获得关联变量的最新值；
根据所述关联变量的最新值，基于智能体本身的约束模型，求解所述关联变量的更新值；
更新本智能体的控制变量值，以及更新关联变量值；
当控制变量C和关联变量V两次迭代的曼哈顿距离小于第三预设阈值时，确定满足模型约束的控制变量集合C；
若没有确定满足模型约束的控制变量集合C，则循环迭代计算控制变量C和关联变量V。
7.根据权利要求5所述的制冷站的优化控制方法，其特征在于，所述协调智能体采用粒子群算法，基于ACostall,m的值、本地知识和全局知识迭代更新控制变量组合Dm=[Cm,1,Cm,2,…,Cm,n]，还包括：
协调智能体统计在当前运行参数设置值集合下制冷站的总成本ACostall,m，并告知其他智能体。
8.一种制冷站的优化控制装置，其特征在于，包括：
降维解耦模块，用于从时间维度和模型维度对制冷站控制模型的输入状态空间进行降维解耦；
二次降维模块，用于以冷机的台数组合模式作为状态获得全局最优策略和全局最优策略的总成本，从时间维度对制冷站控制模型进行二次降维；
最优解模块，用于基于分布式粒子群优化方法，在满足所述制冷站控制模型约束的情况下，寻找制冷站的优化控制变量的最优解。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述制冷站的优化控制方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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7任一项所述制冷站的优化控制方法。
CN202211270651.3A 2022-10-18 2022-10-18 制冷站的优化控制方法、装置、电子设备及存储介质 Active CN115355603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211270651.3A CN115355603B (zh) 2022-10-18 2022-10-18 制冷站的优化控制方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211270651.3A CN115355603B (zh) 2022-10-18 2022-10-18 制冷站的优化控制方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115355603A true CN115355603A (zh) 2022-11-18
CN115355603B CN115355603B (zh) 2023-03-24

Family

ID=84008480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211270651.3A Active CN115355603B (zh) 2022-10-18 2022-10-18 制冷站的优化控制方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115355603B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102734896A (zh) * 2012-07-06 2012-10-17 青岛海尔空调电子有限公司 一种多联机空调系统运行环境监控方法和装置
US20160020724A1 (en) * 2013-03-05 2016-01-21 Soitec Solar Gmbh Solar tracker assembly
CN110543932A (zh) * 2019-08-12 2019-12-06 珠海格力电器股份有限公司 基于神经网络的空调性能预测方法和装置
CN110848892A (zh) * 2019-10-11 2020-02-28 广东寰球智能科技有限公司 一种冰蓄冷系统的节能运行方法、装置、设备及存储介质
CN111237988A (zh) * 2020-01-15 2020-06-05 北京天泽智云科技有限公司 地铁车载空调机组控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102734896A (zh) * 2012-07-06 2012-10-17 青岛海尔空调电子有限公司 一种多联机空调系统运行环境监控方法和装置
US20160020724A1 (en) * 2013-03-05 2016-01-21 Soitec Solar Gmbh Solar tracker assembly
CN110543932A (zh) * 2019-08-12 2019-12-06 珠海格力电器股份有限公司 基于神经网络的空调性能预测方法和装置
CN110848892A (zh) * 2019-10-11 2020-02-28 广东寰球智能科技有限公司 一种冰蓄冷系统的节能运行方法、装置、设备及存储介质
CN111237988A (zh) * 2020-01-15 2020-06-05 北京天泽智云科技有限公司 地铁车载空调机组控制方法及系统

Also Published As

Publication number Publication date
CN115355603B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN111612247B (zh) 一种并联冷机负荷优化分配方法、存储介质及设备
EP3835895A1 (en) Multi-agent deep reinforcement learning for dynamically controlling electrical equipment in buildings
CN103955864A (zh) 基于改进和声搜索算法的电力系统多目标差异化规划方法
CN111245024B (zh) 基于模型预测控制的综合能源系统鲁棒优化运行方法
Liniger et al. Racing miniature cars: Enhancing performance using stochastic MPC and disturbance feedback
Askarzadeh et al. Using two improved particle swarm optimization variants for optimization of daily electrical power consumption in multi-chiller systems
CN110609474A (zh) 一种基于强化学习的数据中心能效优化方法
CN115564193A (zh) 智能配电网多维度综合效益评估方法及系统、存储介质
Cai et al. Parallel pump and chiller system optimization method for minimizing energy consumption based on a novel multi-objective gorilla troops optimizer
Carnerero et al. Probabilistically certified management of data centers using predictive control
CN115355603B (zh) 制冷站的优化控制方法、装置、电子设备及存储介质
WO2019227273A1 (en) Hierarchical concept based neural network model for data center power usage effectiveness prediction
CN114679899B (zh) 机房空调自适应节能控制方法及装置、介质及设备
CN111817298B (zh) 含随机风能的多调度区间分布式能源调度方法及系统
Carnerero et al. Particle based optimization for predictive energy efficient data center management
CN114322382B (zh) 机房制冷控制方法、系统、设备及存储介质
CN111882136B (zh) 一种园区综合能源系统的双目标优化调度方法及装置
CN114254545A (zh) 并联冷机系统负荷控制优化方法、系统、设备及介质
JP7440214B2 (ja) 空調システムの制御装置、制御方法、制御プログラム及び空調システム
Song et al. Architecture and optimization approach of Ubiquitous Energy Network (UEN)
CN115045855B (zh) 基于温度闭环控制的冷却风扇控制方法及系统
CN117811015A (zh) 一种提升电网调控潜力的空调调频分散控制方法及设备
Sum-Im Lagrangian relaxation combined with differential evolution algorithm for unit commitment problem
US20230115535A1 (en) Systems and methods for improved battery energy storage system thermal management
Carnerero Panduro et al. Probabilistically Certified Management of Data Centers Using Predictive Control

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