CN115388586A - 一种制冷控制模型、装置、电子设备及存储介质 - Google Patents
一种制冷控制模型、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115388586A CN115388586A CN202211018144.0A CN202211018144A CN115388586A CN 115388586 A CN115388586 A CN 115388586A CN 202211018144 A CN202211018144 A CN 202211018144A CN 115388586 A CN115388586 A CN 115388586A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- refrigeration
- moment
- training
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
-
- 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
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种制冷控制模型、装置、设备及存储介质,训练制冷控制模型包括:S1构建控制量预测模型、制冷状态预测模型以及判别器模型;S2.将第一时刻的第一类数据输入控制量预测模型中,得到第一时刻的第二类数据;S3.将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据;S4.重复步骤S2至S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中;S5.获取第二训练数据序列,将第一训练数据序列和第二训练数据训练输入判别器模型中,根据判别结果调整控制量预测模型的模型参数;S6.重复步骤S2至S5,直至判别器模型输出预设的判别结果。
Description
技术领域
本发明实施例涉及制冷控制技术,尤其涉及一种制冷控制模型、装置、电子设备及存储介质。
背景技术
当前,人们对食品安全和食品品质的要求不断上升,造成了食品冷冻加工、储存和流通等重要基础设施的蓬勃发展。然而,在冷库建设快速发展的同时,冷库的能耗问题也日益凸显,甚至在冷库的耗电量中制冷系统占到总运营能耗的75%-85%,同我国近期提出的“双碳经济”的口号相矛盾。
实现冷库节能的最有效的方式就是通过控制制冷机组的载位和频率,从而提高制冷系统的控制效率,使冷库内温度持续快速收敛到保鲜温度。然而,冷库的制冷系统为典型的多变量、大滞后、参数高度耦合的非线性时变系统,因此传统的制冷控制系统建模方法难以建立精确的模型,进而,采用上述模型实现制冷控制时,往往存在着控制效果不理想、节能效果差等问题。
综上所述,亟需一种数字化、自动化、智能化的制冷机组控制方案,可以通过制冷系统内外的少量的、相互之间较为独立的传感器数据,进行精确且稳定的制冷系统温度控制。
发明内容
本发明提供一种制冷控制模型、装置、电子设备及存储介质,以达到精确且稳定的实现制冷系统温度控制的目的。
第一方面,本发明实施例提供了一种制冷控制模型,训练所述制冷控制模型包括:
S1.构建控制量预测模型、制冷状态预测模型以及判别器模型;
S2.将第一时刻的第一类数据输入所述控制量预测模型中,得到第一时刻的第二类数据;
S3.将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据;
S4.重复步骤S2至S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中;
S5.获取第二训练数据序列,将第一训练数据序列和第二训练数据训练输入判别器模型中,根据判别结果调整控制量预测模型的模型参数;
S6.重复步骤S2至S5,直至判别器模型输出预设的判别结果;
S7.将训练完成的控制量预测模型作为制冷控制模型。
可选的,步骤S3和步骤S4之间还包括:
S8.采用第二时刻的第一类数据以及目标制冷状态参数数据训练制冷状态预测模型;
执行步骤S5之前,执行一次步骤S8后,重复步骤S2和S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中。
可选的,构建判别器模型包括:
按照时间顺序,获取制冷系统在第一时刻至第N时刻的制冷状态参数数据以及运行参数数据,依次将获取的制冷状态参数数据以及运行参数数据存入制冷系统数据序列中;
将第一训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型。
可选的,获取第二训练数据序列包括:
执行步骤S6时,将第一次循环中,执行步骤S4时,生成的第一训练数据序列作为第二训练数据序列。
可选的,步骤S6和步骤S7之间还包括:
步骤S9.采用控制量预测模型、制冷状态预测模型重新生成一组第一训练数据序列;
将第一训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型;
步骤S7还包括:
重复S2至步骤S9,直至控制量预测模型达到设定的模型精度,将训练完成的控制量预测模型作为制冷控制模型。
可选的,所述第一类数据包括制冷系统的制冷温度,所述第二类数据包括制冷系统的载位参数、频率参数。
可选的,采用第二时刻的第一类数据以及目标制冷状态参数数据训练制冷状态预测模型包括:
获取目标制冷状态参数数据,采用目标制冷状态参数数据以及第二时刻的第一类数据确定差值项;
采用差值项确定制冷状态预测模型的损失函数值,根据损失函数值调整制冷状态预测模型的模型参数。
第二方面,本发明实施例还提供了一种制冷控制装置,包括制冷控制单元,制冷控制单元用于:
S1.构建控制量预测模型、制冷状态预测模型以及判别器模型;
S2.将第一时刻的第一类数据输入所述控制量预测模型中,得到第一时刻的第二类数据;
S3.将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据;
S4.重复步骤S2至S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中;
S5.获取第二训练数据序列,将第一训练数据序列和第二训练数据训练输入判别器模型中,根据判别结果调整控制量预测模型的模型参数;
S6.重复步骤S2至S5,直至判别器模型输出预设的判别结果;
S7.将训练完成的控制量预测模型作为制冷控制模型。
第三方面,本发明实施例还提供了一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够训练本发明实施例记载的制冷控制模型。
第四方面,本发明实施例还提供了一种计算机可读取存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时训练本发明实施例记载的制冷控制模型。
与现有技术相比,本发明的有益效果在于:本发明提出一种制冷控制模型,在制冷控制模型的训练过程中,设置控制量预测模型、制冷状态预测模型和判别器模型,将当前时刻的第一类数据输入至控制量预测模型中,生成当前时刻的第二类数据,将当前时刻的第一类数据和第二类数据输入至制冷状态预测模型中,生成下一时刻的第一类数据,通过控制量预测模型和制冷状态预测模型的交互生成第一时刻至第N时刻的第一训练数据序列,将第一训练数据输入至判别器模型中,根据判别器模型的判别结果更新控制量预测模型的模型参数,完成控制量预测模型的训练,将训练完成的控制量预测模型作为制冷控制模型,利用制冷控制控制实现对制冷系统的控制;
由于制冷控制模型(训练完成的控制量预测模型)在使用时,其仅需要输出当前控制周期的制冷控制量,因此,构建控制量预测模型时,设定控制量预测模型的输入具体为当前控制周期的的,制冷系统的工况采集数据,输出为当前控制周期的,制冷系统的制冷控制量,控制量预测模型的输入、输出仅与制冷系统当前控制周期的状态相关,控制量预测模型的结构较为简单,使用时的计算效率高,由于在实现控制量预测模型时需要采用第一训练数据,因此,同时设定制冷状态预测模型,借此可以实现在完成预设训练目标前提下,保证控制量预测模型具有最为简单的模型结构;
此外,利用上述方式生成的第一训练数据作为判别器模型的输入,根据判别器模型的判别结果调整控制量预测模型的模型参数,使得在对控制量预测模型的训练过程中,无需获取真实的作为正确数据的样本数据,避免了无法直接从制冷系统获取正确的样本数据,而不能训练控制量预测模型的问题;
同时,第一训练数据包含时间序列上,不同时刻的制冷系统的制冷控制量,利用上述方式生成的第一训练数据作为判别器模型的输入,根据判别器模型的判别结果调整控制量预测模型的模型参数的过程中,当判别器模型输出设定的判别结果时确定完成对控制量预测模型的训练,此时,根据判别模型的判别结果可以认为控制量预测模型在实际制冷控制的工况下(即需要依次连续的输出各控制周期的制冷控制量)的性能达到设定的要求,避免无正确的样本数据作为对比数据时,无法判断控制量预测模型的性能是否达到设定要求的问题。
附图说明
图1是实施例中的制冷控制模型训练流程图;
图2是实施例中的另一种制冷控制模型训练流程图;
图3是实施例中的又一种制冷控制模型训练流程图;
图4是实施例中的又一种制冷控制模型训练流程图;
图5是实施例中的电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
本实施例提出一种制冷控制模型,制冷控制模型用于输出制冷系统(冷库)的控制量,图1是实施例中的制冷控制模型训练流程图,参考图1,制冷控制模型的训练过程包括:
S1.构建控制量预测模型、制冷状态预测模型以及判别器模型。
示例性的,本实施例中,配置控制量预测模型用于预测制冷系统的制冷控制量;
具体的,配置控制量预测模型的输入为可以从制冷系统中采集的制冷状态参数数据(例如制冷系统的内部温度、压缩机频率、阀组压力等),输出为用于控制制冷系统的制冷控制量(例如压缩机频率、压缩机的载位、阀组开度等)。
示例性的,本实施例中,配置制冷状态预测模型用于预测制冷状态参数数据;
具体的,配置制冷状态预测模型的输入为当前时刻的制冷状态参数数据、制冷控制量,输出为下一时刻的制冷状态参数数据。
示例性的,本实施例中,配置判别器模型的输入包括待判别数据(集),配置判别器模型用于实现对待判别数据(集)的真、假判别、置信度计算或者归类等。
示例性的,本实施例中,控制量预测模型、制冷状态预测模型以及判别器模型可以均采用神经网络模型,各模型的结构可以从现有技术中的神经网络模型中选取。
S2.将第一时刻的第一类数据输入控制量预测模型中,得到第一时刻的第二类数据。
S3.将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据。
S4.重复步骤S2至S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中。
结合步骤S2至步骤S4,在步骤S1记载内容的基础上,第一类数据为制冷状态参数数据,第二类数据为制冷控制量。
示例性的,本实施例中,生成第一训练数据序列时,第一时刻的第一类数据可以为从制冷系统中采集的制冷状态参数数据。
示例性的,本实施例中,重复步骤S2和步骤S3时,将第t时刻的第一类数据输入控制量预测模型中,得到第t时刻的第二类数据;
将第t时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第t+1时刻的第一类数据。
S5.获取第二训练数据序列,将第一训练数据序列和第二训练数据训练输入判别器模型中,根据判别结果调整控制量预测模型的模型参数。
示例性的,本实施例中,判别器模型为训练完成的模型,将第一训练数据序列作为待判别数据。
示例性的,本实施例中,第二训练数据序列的形式与第一训练数据序列相同,即,第二训练数据序列包含的数据类型、数据数量以及数据排列方式与第一训练数据相同。
示例性的,本实施例中,设定第二训练数据序列为人为标注的真数据,第二训练数据序列中具体的数据数值可以根据设计需求选定。
S6.重复步骤S2至S5,直至判别器模型输出预设的判别结果。
示例性的,本实施例中,预设的判别结果可以为真数据、假数据、设定置信度或者设定归类等。
示例性的,本实施例中,在判别器模型的输出为预设的判别结果前,每次更新控制量预测模型的模型参数后,重新通过步骤S2至步骤S4生成一组第一训练数据序列;
随后,通过步骤S5判断判别器模型输出结果是否为预设的判别结果。
示例性的,本实施例中,若控制量预测模型采用神经网络模型,则更新的控制量预测模型的模型参数可以为神经网络除输入层、输出层之外的,中间层的权重参数。
S7.将训练完成的控制量预测模型作为制冷控制模型。
示例性的,本实施例中,经过步骤S6后,将训练完成的控制量预测模型作为制冷控制模型。
本实施例提出一种制冷控制模型,在制冷控制模型的训练过程中,设置控制量预测模型、制冷状态预测模型和判别器模型,将当前时刻的第一类数据输入至控制量预测模型中,生成当前时刻的第二类数据,将当前时刻的第一类数据和第二类数据输入至制冷状态预测模型中,生成下一时刻的第一类数据,通过控制量预测模型和制冷状态预测模型的交互生成第一时刻至第N时刻的第一训练数据序列,将第一训练数据输入至判别器模型中,根据判别器模型的判别结果更新控制量预测模型的模型参数,完成控制量预测模型的训练,将训练完成的控制量预测模型作为制冷控制模型,利用制冷控制控制实现对制冷系统的控制;
由于制冷控制模型(训练完成的控制量预测模型)在使用时,其仅需要输出当前控制周期的制冷控制量,因此,构建控制量预测模型时,设定控制量预测模型的输入具体为当前控制周期的的,制冷系统的工况采集数据,输出为当前控制周期的,制冷系统的制冷控制量,控制量预测模型的输入、输出仅与制冷系统当前控制周期的状态相关,控制量预测模型的结构较为简单,使用时的计算效率高,由于在实现控制量预测模型时需要采用第一训练数据,因此,同时设定制冷状态预测模型,借此可以实现在完成预设训练目标前提下,保证控制量预测模型具有最为简单的模型结构;
此外,利用上述方式生成的第一训练数据作为判别器模型的输入,根据判别器模型的判别结果调整控制量预测模型的模型参数,使得在对控制量预测模型的训练过程中,无需获取真实的作为正确数据的样本数据,避免了无法直接从制冷系统获取正确的样本数据,而不能训练控制量预测模型的问题;
同时,第一训练数据包含时间序列上,不同时刻的制冷系统的制冷控制量,利用上述方式生成的第一训练数据作为判别器模型的输入,根据判别器模型的判别结果调整控制量预测模型的模型参数的过程中,当判别器模型输出设定的判别结果时确定完成对控制量预测模型的训练,此时,根据判别模型的判别结果可以认为控制量预测模型在实际制冷控制的工况下(即需要依次连续的输出各控制周期的制冷控制量)的性能达到设定的要求,避免无正确的样本数据作为对比数据时,无法判断控制量预测模型的性能是否达到设定要求的问题。
图2是实施例中的另一种制冷控制模型训练流程图,参考图2,在图1所示方案的基础上,步骤S3和步骤S4之间还包括:
S8.采用第二时刻的第一类数据以及目标制冷状态参数数据训练制冷状态预测模型。
示例性的,本方案中,经过步骤S3后,采用第二时刻的第一类数据以及目标制冷状态参数数据更新制冷状态预测模型的模型参数。
示例性的,本方案中,若制冷状态预测模型采用神经网络模型,则通过第二时刻的第一类数据以及目标制冷状态参数数据可以确定该模型损失函数的函数值,进而根据函数值是否收敛确定模型参数是否更新完成(即完成制冷状态预测模型的训练)。
示例性的,本方案中,目标制冷状态参数包含的参数类型和数量与第一类数据对应的参数类型和数量相同,目标制冷状态参数数据(数值)可以通过人工随机生成。
示例性的,本方案中,若制冷状态预测模型采用神经网络模型,则更新的制冷状态预测模型的模型参数可以为神经网络除输入层、输出层之外的,中间层的权重参数。
示例性的,本方案中,执行步骤S5之前,执行一次步骤S8后,重复步骤S2和S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中;
即,将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据后,更新制冷状态预测模型的模型参数;
在后续循环过程中,将第t时刻(第二时刻~第N-1时刻)的第一类数据输入所述控制量预测模型中,得到第t时刻的第二类数据;
将第t时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第t+1时刻(第三时刻~第N时刻)的第一类数据后,不再更新制冷状态预测模型的模型参数。
示例性的,本方案中,每一轮次针对控制量预测模型的训练循环中,基于相同的第一时刻的第一类数据,利用新的控制量预测模型生成第一时刻的第二类数据,基于该第一时刻的第一类数据和第二类数据,通过制冷状态预测模型生成新的第二时刻的第一类数据,基于第二时刻的第一类数据,还重新训练一次制冷状态预测模型,提高制冷状态预测模型与控制量预测模型的匹配程度,进而提高后续过程中训练的控制量预测模型的模型精度。
示例性的,在图1或图2所示方案的基础上,作为一种可实施方案,判别器模型采用神经网络模型,可以通过如下方式构建判别器模型:
按照时间顺序,获取制冷系统在第一时刻至第N时刻的制冷状态参数数据以及运行参数数据,依次将获取的制冷状态参数数据以及运行参数数据存入制冷系统数据序列中;
将随机训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型。
示例性的,本方案中,制冷系统数据序列中的数据即为制冷系统在实际工况下的第一类数据和第二类数据。
示例性的,本方案中,制冷系统数据序列与随机训练数据序列的形式相同,即,制冷系统数据序列包含的数据类型、数据数量以及数据排列方式与随机训练数据序列。
示例性的,本方案中,随机训练数据序列中各数据的数值通过随机方式生成。
示例性的,在图1或图2所示方案的基础上,作为一种可实施方案,判别器模型采用神经网络模型,可以通过如下方式构建判别器模型:
按照时间顺序,获取制冷系统在第一时刻至第N时刻的制冷状态参数数据以及运行参数数据,依次将获取的制冷状态参数数据以及运行参数数据存入制冷系统数据序列中;
将第一训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型。
示例性的,本方案中,运行参数数据为用于制冷系统的制冷控制量(例如压缩机频率、压缩机的载位、阀组开度等)。
示例性的,本方案中,制冷系统数据序列中的数据即为制冷系统在实际工况下的第一类数据和第二类数据。
示例性的,本方案中,制冷系统数据序列与制冷系统假数据序列的形式相同,即,制冷系统数据序列包含的数据类型、数据数量以及数据排列方式与制冷系统假数据序列。
示例性的,本方案中,可以采用图1或图2中记载的生成第一训练数据序列的方式获取一组制冷系统假数据序列。
示例性的,若采用本方案记载的方式构建判别器模型,则作为一种优选实施方式,在图1或图2所示方案的基础上,执行步骤S6时,将第一次循环中,执行步骤S4时,生成的第一训练数据序列作为第二训练数据序列;
即,在第一次判断判别器模型的输出是否为预设的判别结果时,将通过步骤S4生成的第一训练数据序列作为第二训练数据序列;
在后续判断判别器模型的输出是否为预设的判别结果时,第二训练数据序列不变,第一训练数据序列为本次循环中,重新生成的第一训练数据序列。
示例性的,本方案中,开始训练控制量预测模型前,将制冷系统数据序列作为真数据,将第一训练数据序列作为假数据,训练一次判别器模型,训练控制量预测模型时,将两组第一训练数据,即两组假数据作为判别器模型的输入,根据判别器模型的输出调整控制量预测模型的模型参数,通过将两组假数据作为判别器模型的输入,可以减小判别器模型输入数据的获取难度,同时为循环调整控制量预测模型的模型参数提供必要的条件(即使判别器模型在一定循环次数前,输出的判别结果不为设定的判别结果)。
图3是实施例中的又一种制冷控制模型训练流程图,参考图3,在图1所示方案的基础上,制冷控制模型的训练过程可以为:
S1.构建控制量预测模型、制冷状态预测模型以及判别器模型。
示例性的,本方案中,在进行第一次循环前,对判别器模型进行一次训练,包括:
按照时间顺序,获取制冷系统在第一时刻至第N时刻的制冷状态参数数据以及运行参数数据,依次将获取的制冷状态参数数据以及运行参数数据存入制冷系统数据序列中;
将第一训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型。
S2.将第一时刻的第一类数据输入控制量预测模型中,得到第一时刻的第二类数据。
S3.将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据。
S4.重复步骤S2至S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中。
S5.获取第二训练数据序列,将第一训练数据序列和第二训练数据训练输入判别器模型中,根据判别结果调整控制量预测模型的模型参数。
示例性的,本方案中,将第一次执行步骤S2至步骤S4的循环中,生成的第一训练数据序列作为第二训练数据序列。
S6.重复步骤S2至S5,直至判别器模型输出预设的判别结果。
S9.采用控制量预测模型、制冷状态预测模型重新生成一组第一训练数据序列;
将第一训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型。
示例性的,本方案中,经过步骤S6后,完成对控制量预测模型的一轮次训练,随后,通过训练后的控制量预测模型以及制冷状态预测模型重新生成一组第一训练数据序列,并结合制冷系统数据序列重新训练一次判别器模型。
示例性的,本方案中,在针对控制量预测模型的一个轮次的训练后,基于制冷系统数据序列、通过新的控制量预测模型以及制冷状态预测模型生成的新的第一训练数据序列重新训练一次判别器模型,可以提高下一轮次针对控制量预测模型训练后的模型精度。
S7.重复S2至步骤S9,直至控制量预测模型达到设定的模型精度,将训练完成的控制量预测模型作为制冷控制模型。
示例性的,本方案中,可以通过如下方式确定控制量预测模型是否达到设定的模型精度:
迭代次数达到预设的迭代次数,或者,相邻两轮次的训练过程中,控制量预测模型的模型参数基本不再变化。
图4是实施例中的又一种制冷控制模型训练流程图,参考图4,作为一种可实施方案,制冷控制模型的训练过程可以为:
S1.构建控制量预测模型、制冷状态预测模型以及判别器模型。
示例性的,本方案中,控制量预测模型、制冷状态预测模型和判别器模型采用神经网络模型。
示例性的,本方案中,在进行第一次循环前,对判别器模型进行一次训练,包括:
按照时间顺序,获取制冷系统在第一时刻至第N时刻的制冷状态参数数据以及运行参数数据,依次将获取的制冷状态参数数据以及运行参数数据存入制冷系统数据序列中;
将第一训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型。
示例性的,本方案中,设定判别器模型的输出为置信度,在判别器模型输出设定的置信度前,重复调整判别器模型的模型参数(神经网络模型中各层的权重参数)。
示例性的,本方案中,制冷状态参数至少包括制冷系统的制冷温度,运行参数数据至少包括制冷系统(制冷系统中的压缩机)的载位参数、频率参数。
示例性的,本方案中,根据设计需求,除制冷温度外,制冷状态参数也可以包含室外气象条件、太阳辐射强度、冷库门开关状态、冷冻水回水温度中的一种或多种。
S2.将第一时刻的第一类数据输入控制量预测模型中,得到第一时刻的第二类数据。
示例性的,本方案中,第一类数据包括制冷系统的制冷温度,第二类数据包括制冷系统的载位参数、频率参数。
示例性的,本方案中,可以通过如下方式确定第一时刻的第一类数据,设定制冷系统数据序列为:
D=[st,at,st+1,at+1…st+N,at+N]
则,可以从D中选取任意时刻的si作为第一时刻的第一类数据,D中,si表示第i时刻的制冷状态参数数据,ai表示第i时刻的运行参数数据。
示例性的,本方案中,从制冷系统数据序列选取一个制冷状态参数数据作为第一时刻的第一类数据,进而生成第一训练数据序列,可以使第一训练数据序列贴近实际工况下通过制冷系统确定的对应参数数据,进而减少控制量预测模型的训练时间成本。
S3.将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据。
S8.采用第二时刻的第一类数据以及目标制冷状态参数数据训练制冷状态预测模型。
示例性的,本方案中,在通过制冷状态预测模型得到第二时刻的第一类数据后,对制冷状态预测模型进行一次训练(在执行本轮次步骤S2和步骤S3的循环中,通过制冷状态预测模型得到第三时刻~第N时刻的第一类数据后,不再对制冷状态预测模型进行训练)。
示例性的,本方案中,通过如下方式训练制冷状态预测模型:
获取目标制冷状态参数数据,采用目标制冷状态参数数据以及第二时刻的第一类数据确定差值项;
采用差值项确定制冷状态预测模型的损失函数值,根据损失函数值调整制冷状态预测模型的模型参数。
示例性的,本方案中,目标制冷状态参数数据可以为人工随机设置的制冷系统的制冷温度。
示例性的,本方案中,获取第二时刻的第一类数据后,提取第一类数据中的制冷温度,确定的差值项包括:
计算目标制冷状态参数数据包含的制冷温度与第一类数据包含的制冷温度的差值,确定该差值的绝对值的相反数。
示例性的,本方案中,采用上述差值项确定制冷状态预测模型的损失函数的函数值,进而根据函数值是否收敛确定模型参数是否更新完成。
S4.重复步骤S2至S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中。
S5.获取第二训练数据序列,将第一训练数据序列和第二训练数据训练输入判别器模型中,根据判别结果调整控制量预测模型的模型参数。
S6.重复步骤S2至S5,直至判别器模型输出预设的判别结果。
S9.采用控制量预测模型、制冷状态预测模型重新生成一组第一训练数据序列;
将第一训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型。
示例性的,本方案中,经过步骤S6后,完成对控制量预测模型的一轮次训练,随后,通过训练后的控制量预测模型以及制冷状态预测模型重新生成一组第一训练数据序列,并结合制冷系统数据序列重新训练一次判别器模型。
示例性的,本方案中,若获取原始制冷系统数据序列的为:
D=[st,at,st+1,at+1…st+N,at+N]
采用D中第i(i>t)时刻的si作为第一时刻的第一类数据,生成的第一训练数据序列为:
Dsub=[si,a′i,…s′t+N,a′t+N]
则重新训练判别器模型时,将si作为第一个数据,从D中截取与Dsub等长的子序列,进而完成针对判别器模型的训练。
S7.重复S2至步骤S9,直至控制量预测模型达到设定的模型精度,将训练完成的控制量预测模型作为制冷控制模型。
实施例二
本实施例提出一种制冷控制装置,包括制冷控制单元,制冷控制单元用于:
S1.构建控制量预测模型、制冷状态预测模型以及判别器模型;
S2.将第一时刻的第一类数据输入控制量预测模型中,得到第一时刻的第二类数据;
S3.将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据;
S4.重复步骤S2至S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中;
S5.获取第二训练数据序列,将第一训练数据序列和第二训练数据训练输入判别器模型中,根据判别结果调整控制量预测模型的模型参数;
S6.重复步骤S2至S5,直至判别器模型输出预设的判别结果;
S7.将训练完成的控制量预测模型作为制冷控制模型。
示例性的,本实施例中,制冷控制单元可以具体配置为采用实施例一中记载的任意一种制冷控制模型的训练方法得到制冷控制模型,其具体实施过程和有益效果与实施例一种记载的对应内容相同,在此不再赘述。
实施例三
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如制冷控制模型的训练方法。
在一些实施例中,制冷控制模型的训练方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的制冷控制模型的训练方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行制冷控制模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种制冷控制模型,其特征在于,训练所述制冷控制模型包括:
S1.构建控制量预测模型、制冷状态预测模型以及判别器模型;
S2.将第一时刻的第一类数据输入控制量预测模型中,得到第一时刻的第二类数据;
S3.将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据;
S4.重复步骤S2至S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中;
S5.获取第二训练数据序列,将第一训练数据序列和第二训练数据训练输入判别器模型中,根据判别结果调整控制量预测模型的模型参数;
S6.重复步骤S2至S5,直至判别器模型输出预设的判别结果;
S7.将训练完成的控制量预测模型作为制冷控制模型。
2.如权利要求1所述的制冷控制模型,其特征在于,步骤S3和步骤S4之间还包括:
S8.采用第二时刻的第一类数据以及目标制冷状态参数数据训练制冷状态预测模型;
执行步骤S5之前,执行一次步骤S8后,重复步骤S2和S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中。
3.如权利要求1所述的制冷控制模型,其特征在于,构建判别器模型包括:
按照时间顺序,获取制冷系统在第一时刻至第N时刻的制冷状态参数数据以及运行参数数据,依次将获取的制冷状态参数数据以及运行参数数据存入制冷系统数据序列中;
将第一训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型。
4.如权利要求3所述的制冷控制模型,其特征在于,获取第二训练数据序列包括:
执行步骤S6时,将第一次循环中,执行步骤S4时,生成的第一训练数据序列作为第二训练数据序列。
5.如权利要求4所述的制冷控制模型,其特征在于,步骤S6和步骤S7之间还包括:
步骤S9.采用控制量预测模型、制冷状态预测模型重新生成一组第一训练数据序列;
将第一训练数据序列作为制冷系统假数据序列,将制冷系统数据序列、制冷系统假数据序列输入至判别器模型中,训练判别器模型;
步骤S7还包括:
重复S2至步骤S9,直至控制量预测模型达到设定的模型精度,将训练完成的控制量预测模型作为制冷控制模型。
6.如权利要求2所述的制冷控制模型,其特征在于,第一类数据包括制冷系统的制冷温度,第二类数据包括制冷系统的载位参数、频率参数。
7.如权利要求6所述的制冷控制模型,其特征在于,采用第二时刻的第一类数据以及目标制冷状态参数数据训练制冷状态预测模型包括:
获取目标制冷状态参数数据,采用目标制冷状态参数数据以及第二时刻的第一类数据确定差值项;
采用差值项确定制冷状态预测模型的损失函数值,根据损失函数值调整制冷状态预测模型的模型参数。
8.一种制冷控制装置,其特征在于,包括制冷控制单元,制冷控制单元用于:
S1.构建控制量预测模型、制冷状态预测模型以及判别器模型;
S2.将第一时刻的第一类数据输入控制量预测模型中,得到第一时刻的第二类数据;
S3.将第一时刻的第一类数据以及第二类数据输入制冷状态预测模型中,得到第二时刻的第一类数据;
S4.重复步骤S2至S3,得到第一时刻至第N时刻的第一类数据和第二类数据,将第一时刻至第N时刻的第一类数据和第二类数据存入第一训练数据序列中;
S5.获取第二训练数据序列,将第一训练数据序列和第二训练数据训练输入判别器模型中,根据判别结果调整控制量预测模型的模型参数;
S6.重复步骤S2至S5,直至判别器模型输出预设的判别结果;
S7.将训练完成的控制量预测模型作为制冷控制模型。
9.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够训练权利要求1-7中任一项所述的制冷控制模型。
10.一种计算机可读取存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时训练权利要求1-7中任一项所述的制冷控制模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211018144.0A CN115388586B (zh) | 2022-08-24 | 2022-08-24 | 一种制冷控制模型、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211018144.0A CN115388586B (zh) | 2022-08-24 | 2022-08-24 | 一种制冷控制模型、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115388586A true CN115388586A (zh) | 2022-11-25 |
CN115388586B CN115388586B (zh) | 2023-05-12 |
Family
ID=84120297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211018144.0A Active CN115388586B (zh) | 2022-08-24 | 2022-08-24 | 一种制冷控制模型、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115388586B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116518640A (zh) * | 2023-07-05 | 2023-08-01 | 江苏星星冷链科技有限公司 | 一种冷柜控制方法、系统和设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
CN108317670A (zh) * | 2018-03-02 | 2018-07-24 | 深圳市华之任有限公司 | 一种基于机器学习的制冷系统节能控制方法及系统 |
CN111811110A (zh) * | 2020-08-28 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 制冷机组的控制方法及装置、电子设备、存储介质 |
CN113432247A (zh) * | 2021-05-20 | 2021-09-24 | 中南大学 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
US20210303998A1 (en) * | 2020-03-28 | 2021-09-30 | Tata Consultancy Services Limited | Multi-chiller scheduling using reinforcement learning with transfer learning for power consumption prediction |
CN113465139A (zh) * | 2021-05-28 | 2021-10-01 | 山东英信计算机技术有限公司 | 一种制冷优化方法、系统、存储介质及设备 |
CN113825356A (zh) * | 2021-07-28 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 冷源系统的节能控制方法、装置、电子设备和存储介质 |
CN114326987A (zh) * | 2021-10-08 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 制冷系统控制及模型训练方法、装置、设备及存储介质 |
CN114688692A (zh) * | 2020-12-30 | 2022-07-01 | 北京天诚同创电气有限公司 | 负荷预测方法、系统及装置 |
-
2022
- 2022-08-24 CN CN202211018144.0A patent/CN115388586B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
CN108317670A (zh) * | 2018-03-02 | 2018-07-24 | 深圳市华之任有限公司 | 一种基于机器学习的制冷系统节能控制方法及系统 |
US20210303998A1 (en) * | 2020-03-28 | 2021-09-30 | Tata Consultancy Services Limited | Multi-chiller scheduling using reinforcement learning with transfer learning for power consumption prediction |
CN111811110A (zh) * | 2020-08-28 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 制冷机组的控制方法及装置、电子设备、存储介质 |
CN114688692A (zh) * | 2020-12-30 | 2022-07-01 | 北京天诚同创电气有限公司 | 负荷预测方法、系统及装置 |
CN113432247A (zh) * | 2021-05-20 | 2021-09-24 | 中南大学 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
CN113465139A (zh) * | 2021-05-28 | 2021-10-01 | 山东英信计算机技术有限公司 | 一种制冷优化方法、系统、存储介质及设备 |
CN113825356A (zh) * | 2021-07-28 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 冷源系统的节能控制方法、装置、电子设备和存储介质 |
CN114326987A (zh) * | 2021-10-08 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 制冷系统控制及模型训练方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116518640A (zh) * | 2023-07-05 | 2023-08-01 | 江苏星星冷链科技有限公司 | 一种冷柜控制方法、系统和设备 |
CN116518640B (zh) * | 2023-07-05 | 2023-08-22 | 江苏星星冷链科技有限公司 | 一种冷柜控制方法、系统和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115388586B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111795484A (zh) | 一种智慧空调控制方法和系统 | |
KR102103006B1 (ko) | 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 | |
CN113825356B (zh) | 冷源系统的节能控制方法、装置、电子设备和存储介质 | |
TW202030617A (zh) | 基於因果學習之資料中心基礎設施最佳化方法 | |
CN115388586B (zh) | 一种制冷控制模型、装置、电子设备及存储介质 | |
CN115915708B (zh) | 制冷设备控制参数预测方法、装置、电子设备及存储介质 | |
CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
CN114462577A (zh) | 一种联邦学习系统、方法、计算机设备及存储介质 | |
CN111814388B (zh) | 一种基于神经网络的下送风数据中心cfd仿真校验方法 | |
CN113033801A (zh) | 神经网络模型的预训练方法、装置、电子设备和介质 | |
CN113776122B (zh) | 供热控制方法、装置、设备、介质和产品 | |
CN116562156B (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN116697497A (zh) | 一种通风空调系统控制方法、装置、设备和存储介质 | |
CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
CN117469683A (zh) | 一种锅炉受热面智能吹灰方法、装置、电子设备及介质 | |
CN116227571B (zh) | 模型的训练、动作确定方法、装置、电子设备及存储介质 | |
CN118036510B (zh) | 一种无线通信关键策略的确定方法、装置及电子设备 | |
CN116756265B (zh) | 一种轨迹数据的处理方法、装置、电子设备及存储介质 | |
CN116300459A (zh) | 一种控制方法、装置、设备以及存储介质 | |
CN117763955A (zh) | 制冷系统设备建模方法及装置 | |
WO2022246627A1 (zh) | 一种用于控制制冷设备的方法和装置 | |
CN117494556A (zh) | 模型训练方法、控制暖通系统的方法、装置、设备及介质 | |
Yuan et al. | Autonomous-Jump-ODENet: Identifying Continuous-Time Jump Systems for Cooling-System Prediction | |
CN117744752A (zh) | 深度学习模型的训练方法及控制能量传递系统的方法 | |
CN116815302A (zh) | 基于最优目标肩形的直拉单晶硅放肩自适应拉速控制方法 |
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 |