CN115577828A - 一种基于数据驱动建模和优化的空调冷冻站系统群控方法 - Google Patents

一种基于数据驱动建模和优化的空调冷冻站系统群控方法 Download PDF

Info

Publication number
CN115577828A
CN115577828A CN202211129033.7A CN202211129033A CN115577828A CN 115577828 A CN115577828 A CN 115577828A CN 202211129033 A CN202211129033 A CN 202211129033A CN 115577828 A CN115577828 A CN 115577828A
Authority
CN
China
Prior art keywords
optimization
energy consumption
cooling
water pump
water
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
Application number
CN202211129033.7A
Other languages
English (en)
Inventor
王鹏
赵宇
陈婷婷
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.)
Dalian University of Technology
Shandong Jianzhu University
Original Assignee
Dalian University of Technology
Shandong Jianzhu University
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 Dalian University of Technology, Shandong Jianzhu University filed Critical Dalian University of Technology
Priority to CN202211129033.7A priority Critical patent/CN115577828A/zh
Publication of CN115577828A publication Critical patent/CN115577828A/zh
Pending legal-status Critical Current

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"
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明属于空调冷冻站节能群控技术领域，提出一种基于数据驱动建模和优化的空调冷冻站系统群控方法，依次进行数据中心运行数据的预处理、预测变量建模、基于数学物理模型的冷冻站各设备模型的建立、基于遗传算法的全局优化；最后进行优化数据库建立。本发明的有益之处在于能在实现室外气象参数和室内动态负荷预测的基础上，通过对不同设备的设定值和同类设备的分配量进行优化，在控制周期内实现冷冻站系统的在线节能群控。且相比于现有技术，本发明的方法调控的空调冷冻站系统节能率大大提升，全局优化时耗与控制周期相比也大大缩短。

Description

一种基于数据驱动建模和优化的空调冷冻站系统群控方法
技术领域
本发明涉及空调冷冻站节能群控技术领域，尤其涉及一种基于数据驱动建模和优化的空调冷冻站系统群控方法。
背景技术
数据中心是高耗能的行业，电力消耗占营运成本的50％以上。随着云计算等信息化技术的迅猛发展，数据需求呈几何级增长，数据中心的数量与日俱增，用电规模也急剧攀升。国家能源局数据显示(数据出处网址：http://t.10jqka.com.cn/pid_167952316.shtml)，2020年中国数据中心耗电量突破2000亿千瓦时，创历史新高，占全国总用电量的2.7％，预计到2030年数据中心用电量可能在2020年基础上再增一倍。其中，空调制冷系统的能耗占数据中心总能耗的近三分之一，仅次于IT设备的能耗，是影响数据中心能耗的主要因素之一。目前，国外先进数据中心的PUE值通常小于2，美国数据中心PUE的平均值为1.9，而我国数据中心PUE的平均值仅为2-2.5，特别是中小型数据中心的PUE值更高，测量值普遍在3左右。总体说来，我国数据中心的能效水平偏低，能耗显著高于世界平均水平，具有巨大的节能潜力和优化空间。
数据中心冷冻站系统一般由冷水机组、冷冻水泵、冷却水泵、冷却塔等设备组成，在实际工程中不同设备并不是孤立运行的，而是彼此之间存在着一定的非线性耦合关系。各类子系统的相互作用共同决定了冷冻站系统的总体能耗，同一个变量对不同子系统的能耗影响可能是相反的，必须要从整体上对各类设备的运行情况进行综合考虑。从冷冻站系统的全局优化控制过程来看，首先应解决的问题是各设备的设定值优化问题，即在保障系统运行需求及设备运行安全的前提下，通过对设备运行参数进行合理设定从而达到高效节能的运行目标；其次，在确定设备设定值后，需要对同类设备的状态参数进行优化，将给定设定值在同类设备间进行合理分配，使得在满足设定值需求的前提下同类设备组整体能耗最小。然而，目前数据中心冷站系统大多是基于简单的逻辑控制，很多设备的控制参数均依赖于人工经验进行局部调节，无法保证冷冻站整体处于全局高效运行状态。
因此本发明将数据驱动建模理论与深度学习优化算法相结合，提出了一种基于数据驱动建模和优化的空调冷冻站系统群控方法，面向数据中心进行空调冷冻站全局优化节能群控。在实现室外气象参数和机房动态负荷预测的基础上，通过对不同设备的设定值和同类设备的分配量进行优化，在控制周期内实现冷冻站系统的在线节能群控。
发明内容
本发明要解决的技术问题时提供一种能够有效降低数据中心空调系统能耗的设定值优化方法和供给量分配方法。
本发明的技术方案如下：一种基于数据驱动建模和优化的空调冷冻站系统群控方法，在实现室外气象参数和机房动态负荷预测的基础上，优化冷冻站系统中不同设备的设定值和同类设备的分配量，在控制周期内实现冷冻站系统的在线节能群控；具体步骤如下：
S1、数据中心运行数据预处理
S1.1、信息采集及汇总
空调冷冻站的能耗与多类型参数相关，需对参数数据进行采集、汇总保存，采集并汇总保存参数数据，参数包括各设备特性参数、室内外环境参数、冷冻侧与冷却侧进出口温度、冷机的蒸发温度和冷凝温度、冷机负荷率以及各个设备历史运行数据；
S1.2、删除离群奇异点
基于局部异常因子的LOF算法，对于所采集的参数数据通过删除离群奇异点进行数据清洗；
S1.3、建模输入变量的选择
通过互信息分析对参数进行重要性排序，选取对能耗影响程度大且独立的参数：室外湿球温度Twb、系统总制冷量Qc、冷冻水进口温度Tchws、冷冻水进出口温差Tchws-Tchwr、冷却水进口温度Tctws、冷却水供回水温差Tctws-Tctwr作为建模输入变量；
S1.4、确定预测变量
基于互信息的计算结果和室内外参数决定了总体供冷情况的基础理论，选取能代表室内外情况的参数作为预测变量，包括室外湿球温度Twb和系统总制冷量Qc；
S1.5、确定优化变量
根据优化目标，需在冷冻侧与冷却侧各选取2个优化变量；冷冻侧与冷却侧各选取供水温度、回水温度中的任意一个作为优化变量，可确定两个优化变量；根据S1.3所得出的与能耗相关程度的六个变量以及S1.4在该六个变量中选出的两个作为预测变量，即可确定剩余2个优化变量；确定优化变量为冷冻水进口温度Tchws、冷冻水进出口温差Tchws-Tchwr、冷却水进口温度Tctws、冷却水供回水温差Tctws-Tctwr；
S2：预测变量建模
确定预测变量后对其进行建模；采用LSTM模型对机房动态负荷以及室外气象参数进行预测；
S2.1、LSTM模型的确立与流程
每个LSTM模型记忆单元中有3个控制门，分别是遗忘门Γf<t>，输入门Γi<t>和输出门Γo<t>。
式(1)-(8)为整个LSTM模型的计算过程；
Γf<t>＝σ(Wf[h<t-1>,x<t>]+bf) (1)
Γi<t>＝σ(Wi[h<t-1>,x<t>]+bi) (2)
Γo<t>＝σ(Wo[h<t-1>,x<t>]+bo) (3)
Figure BDA0003849289340000041
Figure BDA0003849289340000043
h<t>＝Γo<t>⊙tanh(c<t>) (6)
y<t>＝g(Wph<t>+bp) (7)
err<t>＝T<t>-y<t> (8)
式中Γf<t>,Γi<t>,Γo<t>分别为t时刻的遗忘门、输入门和输出门的状态；
Figure BDA0003849289340000042
c<t>,h<t>分别为t时刻的候选细胞单元、细胞状态和隐藏状态；x<t>,y<t>,T<t>,err<t>分别为t时刻的细胞输入、预测输出、目标输出和误差；Wf,Wi,Wo,Wc,Wp分别为遗忘门、输入门、输出门、候选细胞单元和预测输出中隐藏状态与细胞输入的权矩阵；bf,bi,bo,bc,bp分别为遗忘门、输入门、输出门、候选细胞单元和预测输出中隐藏状态与细胞输入的偏置；σ表示sigmoid激发函数；g表示细胞输出的激发函数，选择线性函数；t表示时刻；[]表示向量连接；
LSTM模型预测流程：以预测变量自身时序值作为LSTM模型的输入，预测变量Twb、Qc作为输出；首先对预测变量数据进行归一化处理，避免因输入数据间量级差别较大对LSTM网络模型影响；然后初始化LSTM模型参数，使用网格搜索的方法对LSTM模型网络时间步、隐含层节点、学习率、批大小参数进行寻优；开始LSTM模型的训练；
S2.2、参数步长的选择
根据控制周期，系统质参数以温度或温差为代表、量参数以压力或流量为代表的滞后响应时间初步选择预测步长；再根据LSTM模型预测精度与是否满足实际工程需求选择最佳预测步长；
S2.3、参数预测
以S2.2中选取的最佳预测步长，通过LSTM模型对S1.4中确定的预测变量进行预测；
S3、基于数据驱动方法的冷冻站各设备模型的建立
S3.1冷水机组能耗模型及设备约束条件
Figure BDA0003849289340000051
其中，Pch为冷水机组能耗，KW；Qp为总供冷量需求，KW；Qchi,r为第i台冷水机组的额定制冷量，KW；PLRi为第i台冷水机组的负荷率,PLRmin为负荷率的下限；Tci为第i台冷水机组的冷凝温度,℃；Tei为第i台冷水机组的蒸发温度,℃,Te,max为冷凝温度上限,Te,min为冷凝温度下限；αchi描述第i台冷水机组水泵的启停，αchi∈{0,1}，冷水机组开为1，关为0；Wchi为第i台并联冷机能耗，KW；m为并联冷水机组总台数；
S3.2冷冻水泵、冷却水泵能耗模型及设备约束条件
Figure BDA0003849289340000061
其中，Ppmp为水泵能耗，KW，水泵能耗为冷却水泵能耗Pctp或冷冻水泵能耗Pchp；αpi描述冷冻水泵、冷却水泵的启停，αpi∈{0,1}，水泵开为1，关为0；Wpi(ωi)为每台冷冻水泵、冷却水泵在ωi转速比下的能耗，KW；Gpi(ωi)为每台水泵在ωi转速比下的能耗，m3/h；Gp为并联水泵的总流量约束，m3/h；m为并联总台数；ωmin为最小转速比；
S3.3冷却塔能耗模型及设备约束条件
Figure BDA0003849289340000062
其中，Pct为冷却塔能耗，KW；αcti描述冷却塔水泵的启停,αcti∈{0,1}；cw为水的比热，J/(kg·℃)；ρw为水的密度，kg/m3；Tctws为冷却水进水温度，℃，Tctwr,set为冷却水回水设定温度，Tctwr,i为第i台冷却塔的回水温度；Qct为并联冷机的总散热量，KW；Wcti(ωi)为每台冷却塔在ωi转速比下的能耗，KW；Gcti(ωi)为每台冷却塔在ωi转速比下的流量，m3/h；Gct,tot为并联冷却塔的冷却水总流量约束，m3/h；Twb为室外湿球温度，℃；TLct,tot为冷却塔总散热量，KW；Gmini为第i台冷却塔冷却水流量下限，Gcti为第i台冷却塔冷却水流量约束，m3/h；
S3.4综合能耗模型及设备约束条件
Figure BDA0003849289340000071
其中，Pch，Pchp，Pctp，Pct分别为并联冷机功率能耗、并联冷冻水泵功率能耗、并联冷却水泵功率能耗、并联冷却塔功率能耗，KW；Pchi，Pchpi，Pctpi，Pcti分别为第i台冷水机组、冷冻水泵、冷却水泵、冷却塔的功率能耗，KW；Gctwi为第i台冷却塔流量约束，m3/h；α表示启停状态，L为可行解空间，Lmax，Lmin分别为可行解空间的上下限，xi为优化目标中的第i维元素；n＝8；x1-x4依次表示αchi，αchpi，αctpi，αcti，x5-x8依次表示四个优化变量，Tchws、Tchws-Tchwr、Tctws、Tctws-Tctwr；Smin和Smax分别为每个设备所能承担的供给量上下限集合；Twb为室外湿球温度，℃；X*为可行解；Qch,i为冷水机组制冷量；mchw,i为冷冻水泵流量；mcw,m为冷却水泵流量；ma,n为冷却塔风机风量；Tei为第i台冷水机组的蒸发温度,℃；Tci为第i台冷水机组的冷凝温度,℃；PLRi为第i台冷水机组的负荷率；
S4、基于差分进化算法的全局优化
针对于中央空调冷冻站的全局优化问题，选取差分进化算法进行求解。差分进化算法作为启发式搜索算法中的一种，该算法原理简单，搜索效率高，非常适合用于求解空调系统全局优化这类复杂非线性化问题，具有较高的在线可行性。
S4.1、差分进化算法的计算
式(13)-(17)为整个差分进化算法的计算过程；
Figure BDA0003849289340000081
Figure BDA0003849289340000082
Figure BDA0003849289340000083
Figure BDA0003849289340000084
Figure BDA0003849289340000085
其中M为种群规模；N为个体维度；F为缩放因子，取值范围一般在[0,2]之间，通常设为0.5；cr为交叉概率；{Xi 0}为随机产生的初始种群；xi,j为第i个个体的第j维元素；l＝[lmin,lmax]为个体第j维的可行解空间；rand(a,b)表示a到b之间的随机浮点数；r1,r2和r3为在种群中的其它个体中随机选择三个个体；
Figure BDA0003849289340000086
为个体i在第t代的变异个体；hi,j和vi,j分别为变异个体Hi和交叉个体Vi的第j维元素；Vi t为交叉个体，f(Vi t)为个体i在第t代交叉个体的函数值；Xi t为个体i在第t代的当前个体，f(Xi t)为个体i在第t代当前个体的函数值；Xi t +1为个体i在第t+1代的当前个体；
差分进化算法的流程：首先对种群规模M、个体维度N、可行解空间L＝[Lmin,Lmax]、缩放因子F、交叉概率cr、最大迭代次数m进行初始化；之后随机产生初始种群{Xi0}；其次，对种群进行变异操作；在对种群完成变异操作后，将个体的每一个维度按照交叉率cr在个体和变异个体之间进行选择，最后，在当前个体和交叉个体中进行选择，适应度较优的个体将被选择进入下一代计算；
S4.2、确定设定值的优化变量
根据S1.5确定设定值的优化变量；在相同的机房动态负荷、室外气象参数下，通过差分进化算法对优化变量进行优化，实现所有设备能耗之和最小；
S4.3、确定供给量分配的优化变量
每台设备所分配到的供给量均在约束范围内，式(18)为设备供给量的约束条件；
Smin≤S≤Smax,S∈{Qch,i,mchw,i,mcw,m,ma,n} (18)
Smin和Smax分别为每个设备所能承担的供给量上下限集合，S与Qch、mchw、mcw和ma有关；
S4.4、约束条件转化为惩罚函数
将上述有约束的全局优化问题式(18)转换为无约束优化问题，式(19)-(22)所示；
Figure BDA0003849289340000091
Figure BDA0003849289340000092
Figure BDA0003849289340000093
Figure BDA0003849289340000101
M1-M4为惩罚因子；全局优化问题为：
minF(x)＝min[Pf,1+Pf,2+Pf,3+Pf,4] (23)
Pf,1为Qch,i冷水机组制冷量的惩罚函数，Pf,2为mchw,i冷冻水泵流量的惩罚函数，Pf,3为mcw,m冷却水泵流量的惩罚函数，Pf,4为ma,n冷却塔风机风量的惩罚函数；
使用启发式算法寻优获得优化结果，优化结果表明优化后的设定值(能耗)与优化前相比，节能率有了很大的提升。同时全局优化时耗与控制周期相比也大大缩短，能够在控制周期内实现下一个工况的提前优化和设定。
建立优化数据库，优化数据库的具体步骤如下；
步骤一、基于历史数据，建立满足预测模型的机房负荷和室外气象参数数据库；
步骤二、在步骤一建立的数据库进行训练的基础上，利用LSTM方法建立预测模型，对未来机房动态负荷与未来气象参数进行预测；
步骤三、将未来待优化工况与历史数据进行相似性比较，以及基于最相似原理的设定值与供给量参数选取，通过数据库确定设定值优化和供给量分配；
步骤四、全局优化结果与自控系统的通信和反馈。
所述设备特性参数包括扬程、功率、制冷量和启停状态。
所述步骤S2.1中，归一化处理采用MinMax法，归一化后的数据值域变换到[0，1]。
本发明的有益效果：本发明的方法能在实现室外气象参数和室内动态负荷预测的基础上，通过对不同设备的设定值和同类设备的分配量进行优化，在控制周期内实现冷冻站系统的在线节能群控。基于本发明的基于数据驱动建模和全局优化的空调冷冻站系统群控方法，空调冷冻站系统的优化结果表明优化后的能耗设定值与优化前相比，节能率有了很大的提升，节能率达到10.16％～16.87％。同时全局优化时耗与控制周期相比也大大缩短，能够在控制周期内实现下一个工况的提前优化和设定。
附图说明
图1为一种基于数据驱动建模和优化的空调冷冻站系统群控方法流程图；
图2为冷冻站全局优化变量传递过程；
图3为差分算法求解过程；
图4为优化前后能耗对比图。
具体实施方式
以下结合发明内容和说明书附图详细说明本发明的具体实施方式。以下实例用于说明本发明，但不用来限制本发明的范围。
参照图1，本发明是一种基于数据驱动模型的空调冷冻站智能群控方法，以大连市某公共建筑中央空调冷冻站为例，具体步骤如下：
S1、数据中心运行数据的预处理
S1.1、信息采集及汇总
中央空调空调冷冻站的能耗与多类型参数相关，需对参数数据进行采集、汇总保存，包括各设备特性参数如扬程、功率、制冷量、启停状态等，室内外环境参数、冷冻与冷却侧进出口温度、冷机的蒸发温度和冷凝温度、冷机负荷率、以及各个设备历史运行数据等。
S1.2、删除离群奇异点
基于局部异常因子的LOF算法，对于所得到的数据需通过删除离群奇异点来对数据进行清洗，为提供后续的建模精度做准备。
S1.3、建模输入变量的选择
通过互信息分析对参数进行重要性排序，选取对能耗影响程度较大且独立的参数作为建模输入变量，分别为室外湿球温度Twb、系统总制冷量Qc、冷冻水进口温度Tchws、冷冻水进出口温差Tchws-Tchwr、冷却水进口温度Tctws、冷却水供回水温差Tctws-Tctwr作为建模输入变量；。
S1.4、确定预测变量
基于互信息的计算结果和基础理论(室内外参数决定了总体供冷情况)，所以选取能够代表室内外情况的参数作为预测变量。室外湿球温度能代表室外的工况，系统总制冷量能代表室内的需求状况，确定室外湿球温度Twb和系统总制冷量Qc两个参数作为预测变量。
S1.5、确定优化变量
根据优化目标，需在冷冻侧与冷却侧各选取2个优化变量；冷冻侧与冷却侧各选取供水温度、回水温度中的任意一个作为优化变量，可确定两个优化变量；根据S1.3所得出的与能耗相关程度的六个变量以及S1.4在该六个变量中选出的两个作为预测变量，即可确定剩余2个优化变量；确定优化变量为冷冻水进口温度Tchws、冷冻水进出口温差Tchws-Tchwr、冷却水进口温度Tctws、冷却水供回水温差Tctws-Tctwr。
S2：预测变量建模
确定预测变量后，需对其进行建模。采用LSTM模型对机房负荷以及室外气象参数进行预测，LSTM模型是一种基于递归神经网络(RNN)的时间序列模型。在预测精度和稳定度两方面具有明显的优势。
S2.1、LSTM模型预测计算与流程
每个LSTM模型记忆单元中有3个控制门，分别是遗忘门Γf<t>，输入门Γi<t>和输出门Γo<t>。式(1)-(8)为整个模型的计算过程。
Γf<t>＝σ(Wf[h<t-1>,x<t>]+bf) (1)
Γi<t>＝σ(Wi[h<t-1>,x<t>]+bi) (2)
Γo<t>＝σ(Wo[h<t-1>,x<t>]+bo) (3)
Figure BDA0003849289340000131
Figure BDA0003849289340000132
h<t>＝Γo<t>⊙tanh(c<t>) (6)
y<t>＝g(Wph<t>+bp) (7)
err<t>＝T<t>-y<t> (8)
式中Γf<t>,Γi<t>,Γo<t>分别为t时刻的遗忘门、输入门和输出门的状态；
Figure BDA0003849289340000133
c<t>,h<t>分别为t时刻的候选细胞单元、细胞状态和隐藏状态；x<t>,y<t>,T<t>,err<t>分别为t时刻的细胞输入、预测输出、目标输出和误差；Wf,Wi,Wo,Wc,Wp分别为遗忘门、输入门、输出门、候选细胞单元和预测输出中隐藏状态与细胞输入的权矩阵；bf,bi,bo,bc,bp分别为遗忘门、输入门、输出门、候选细胞单元和预测输出中隐藏状态与细胞输入的偏置；σ表示sigmoid激发函数；g表示细胞输出的激发函数，选择线性函数；t表示时刻；[]表示向量连接。
LSTM模型预测流程：以预测变量自身时序值作为LSTM模型的输入，预测参数作为输出，充分利用变量自身特点，构造实时预测模型。首先采用MinMax法对数据进行归一化处理，避免因输入数据间量级差别较大对LSTM网络模型影响。然后对模型参数初始化，使用网格搜索的方法对LSTM网络时间步、隐含层节点、学习率、批大小等参数进行寻优，最后对模型进行训练以及预测。
S2.2、参数步长的选择
根据控制周期，系统质参数、量参数的滞后响应时间初步选择预测步长，系统质参数以温度或温差为代表，系统量参数以压力或流量为代表，之后由模型预测精度与是否满足实际工程需求选择最佳预测步长。
S2.3、参数预测
以S2.2中选取的最佳预测步长，通过LSTM模型对S1.4中确定的预测变量进行预测。
S3、基于数据驱动方法的冷冻站各设备模型的建立
S3.1冷机能耗模型及设备约束条件
Figure BDA0003849289340000141
其中，Pch为冷水机组能耗，KW；Qp为总供冷量需求，KW；Qchi,r为第i台冷水机组的额定制冷量，KW；PLRi为第i台冷水机组的负荷率,PLRmin为负荷率的下限；Tci为第i台冷水机组的冷凝温度,℃；Tei为第i台冷水机组的蒸发温度,℃,Te,max为冷凝温度上限,Te,min为冷凝温度下限；αchi描述第i台冷水机组水泵的启停，αchi∈{0,1}，冷水机组开为1，关为0；Wchi为第i台并联冷机能耗，KW；m为并联冷水机组总台数。
S3.2(冷冻、冷却)水泵能耗模型及设备约束条件
Figure BDA0003849289340000151
其中，Ppmp为水泵能耗，KW，水泵能耗为冷却水泵能耗Pctp或冷冻水泵能耗Pchp；αpi描述冷冻水泵、冷却水泵的启停，αpi∈{0,1}，水泵开为1，关为0；Wpi(ωi)为每台冷冻水泵、冷却水泵在ωi转速比下的能耗，KW；Gpi(ωi)为每台水泵在ωi转速比下的能耗，m3/h；Gp为并联水泵的总流量约束，m3/h；m为并联总台数；ωmin为最小转速比。
S3.3冷却塔能耗模型及设备约束条件
Figure BDA0003849289340000152
其中，Pct为冷却塔能耗，KW；αcti描述冷却塔水泵的启停,αcti∈{0,1}；cw为水的比热，J/(kg·℃)；ρw为水的密度，kg/m3；Tctws为冷却水进水温度，℃，Tctwr,set为冷却水回水设定温度，Tctwr,i为第i台冷却塔的回水温度；Qct为并联冷机的总散热量，KW；Wcti(ωi)为每台冷却塔在ωi转速比下的能耗，KW；Gcti(ωi)为每台冷却塔在ωi转速比下的流量，m3/h；Gct,tot为并联冷却塔的冷却水总流量约束，m3/h；Twb为室外湿球温度，℃；TLct,tot为冷却塔总散热量，KW；Gmini为第i台冷却塔冷却水流量下限，Gcti为第i台冷却塔冷却水流量约束，m3/h。
S3.4综合能耗模型及设备约束条件
结合图2冷冻站全局优化变量传递过程，得出全局扩散优化问题的目标函数以及变量关系如下式所示：
Figure BDA0003849289340000161
其中，Pch，Pchp，Pctp，Pct分别为并联冷机功率能耗、并联冷冻水泵功率能耗、并联冷却水泵功率能耗、并联冷却塔功率能耗，KW；Pchi，Pchpi，Pctpi，Pcti分别为第i台冷水机组、冷冻水泵、冷却水泵、冷却塔的功率能耗，KW；Gctwi为第i台冷却塔流量约束，m3/h；α表示启停状态，L为可行解空间，Lmax，Lmin分别为可行解空间的上下限，xi为优化目标中的第i维元素；n＝8；x1-x4依次表示αchi，αchpi，αctpi，αcti，x5-x8依次表示四个优化变量，Tchws、Tchws-Tchwr、Tctws、Tctws-Tctwr；Smin和Smax分别为每个设备所能承担的供给量上下限集合；Twb为室外湿球温度，℃；X*为可行解；Qch,i为冷水机组制冷量；mchw,i为冷冻水泵流量；mcw,m为冷却水泵流量；ma,n为冷却塔风机风量；Tei为第i台冷水机组的蒸发温度,℃；Tci为第i台冷水机组的冷凝温度,℃；PLRi为第i台冷水机组的负荷率；图2中Hct,set为冷却水泵的压差设定值，mH2O；Hch,set为冷冻水泵的压差设定值，mH2O。
S4、基于差分进化算法的全局优化
S4.1、差分进化算法的介绍
参照图3进行差分进化算法计算。首先对种群规模M、个体维度n、可行解空间L＝[Lmin,Lmax]、缩放因子F、交叉概率cr、最大迭代次数T进行初始化。之后随机产生初始种群{Xi 0}，
Figure BDA0003849289340000171
第i个个体的第j维元素(xi,j)的初始化取值可按式(14)进行。式中，l＝[lmin,lmax]为个体第j维的可行解空间，rand(a,b)表示a到b之间的随机浮点数。
Figure BDA0003849289340000172
其次，对种群进行变异操作。以第i个个体发生变异为例，在种群中的其它个体中随机选择三个个体(r1,r2和r3)，进行如式(15)的操作。式中，Hi t为个体i在第t代的变异个体,F为缩放因子，取值范围一般在[0,2]之间，通常设为0.5。
Figure BDA0003849289340000173
在对种群完成变异操作后，将个体的每一个维度按照交叉率cr在个体和变异个体之间进行选择，如式(16)所示。式中，hi,j和vi,j分别为变异个体Hi和交叉个体Vi的第j维元素，cr取值在[0,1]之间。
Figure BDA0003849289340000174
最后，在当前个体和交叉个体中进行选择，适应度较优的个体将被选择进入下一代计算，如式(17)所示,直到满足收敛条件后得到最优解。
Figure BDA0003849289340000175
S4.2、确定设定值的优化变量
根据S1.5确定设定值的优化变量。在相同的机房动态负荷、室外气象参数下，对优化变量Tchws、Tchws-Tchwr、Tctws、Tctws-Tctwr进行优化，以实现所有设备能耗之和最小。
S4.3、确定供给量分配的优化变量
每台设备所分配到的供给量均需在可接受范围内，式(18)为设备供给量的约束条件。
Smin≤S≤Smax,S∈{Qch,i,mchw,i,mcw,m,ma,n} (18)
Smin和Smax分别为每个设备所能承担的供给量上下限集合，S与Qch、mchw、mcw和ma有关。
S4.4、约束条件转化为惩罚函数
为了提升算法的搜索效率及准确性，将上述有约束的全局优化问题转换为无约束优化问题。如式(19)-(22)所示。
Figure BDA0003849289340000181
Figure BDA0003849289340000182
Figure BDA0003849289340000183
Figure BDA0003849289340000191
M1-4为惩罚因子，通常取较大的正数。Qch:冷水机组制冷量，mchw:冷冻水泵流量，mcw:冷却水泵流量，ma:冷却塔风机风量。
因此全局优化问题可以描述为：
minF(x)＝min[Pf,1+Pf,2+Pf,3+Pf,4] (23)
Pf,1为Qch,i冷水机组制冷量的惩罚函数，Pf,2为mchw,i冷冻水泵流量的惩罚函数，Pf,3为mcw,m冷却水泵流量的惩罚函数，Pf,4为ma,n冷却塔风机风量的惩罚函数；
S4.5、全局优化结果
参照图4，使用启发式算法寻优，优化结果表明优化后的设定值(能耗)与优化前相比，节能率有了很大的提升，节能率达到10.16％～16.87％。同时全局优化时耗与控制周期相比也大大缩短，能够在控制周期内实现下一个工况的提前优化和设定。
优化数据库建立
步骤一、基于历史数据，建立满足预测模型的机房负荷和室外气象参数数据库；
步骤二、在步骤一建立的数据库进行训练的基础上，利用LSTM方法建立预测模型，对未来机房动态负荷与未来气象参数进行预测；
步骤三、将未来待优化工况与历史数据进行相似性比较，以及基于最相似原理的设定值与供给量参数选取，通过数据库确定设定值优化和供给量分配；
步骤四、全局优化结果与自控系统的通信和反馈，基于上述方法可有效降低节能群控的优化效率和响应速度。

Claims (4)

1.一种基于数据驱动建模和优化的空调冷冻站系统群控方法，其特征在于，在实现室外气象参数和机房动态负荷预测的基础上，优化冷冻站系统中不同设备的设定值和同类设备的分配量，在控制周期内实现冷冻站系统的在线节能群控；具体步骤如下：
S1、数据中心运行数据预处理
S1.1、信息采集及汇总
采集并汇总保存参数数据，参数包括各设备特性参数、室内外环境参数、冷冻侧与冷却侧进出口温度、冷机的蒸发温度和冷凝温度、冷机负荷率以及各个设备历史运行数据；
S1.2、删除离群奇异点
基于局部异常因子的LOF算法，对于所采集的参数数据通过删除离群奇异点进行数据清洗；
S1.3、建模输入变量的选择
通过互信息分析对参数进行重要性排序，选取对能耗影响程度大且独立的参数：室外湿球温度Twb、系统总制冷量Qc、冷冻水进口温度Tchws、冷冻水进出口温差Tchws-Tchwr、冷却水进口温度Tctws、冷却水供回水温差Tctws-Tctwr作为建模输入变量；
S1.4、确定预测变量
基于互信息的计算结果和室内外参数决定了总体供冷情况的基础理论，选取能代表室内外情况的参数作为预测变量，包括室外湿球温度Twb和系统总制冷量Qc；
S1.5、确定优化变量
根据优化目标，需在冷冻侧与冷却侧各选取2个优化变量；冷冻侧与冷却侧各选取供水温度、回水温度中的任意一个作为优化变量，可确定两个优化变量；根据S1.3所得出的与能耗相关程度的六个变量以及S1.4在该六个变量中选出的两个作为预测变量，即可确定剩余2个优化变量；确定优化变量为冷冻水进口温度Tchws、冷冻水进出口温差Tchws-Tchwr、冷却水进口温度Tctws、冷却水供回水温差Tctws-Tctwr；
S2：预测变量建模
确定预测变量后对其进行建模；采用LSTM模型对机房动态负荷以及室外气象参数进行预测；
S2.1、LSTM模型的确立与流程
式(1)-(8)为整个LSTM模型的计算过程；
Γf<t>＝σ(Wf[h<t-1>,x<t>]+bf) (1)
Γi<t>＝σ(Wi[h<t-1>,x<t>]+bi) (2)
Γo<t>＝σ(Wo[h<t-1>,x<t>]+bo) (3)
Figure FDA0003849289330000021
Figure FDA0003849289330000023
h<t>＝Γo<t>⊙tanh(c<t> (6)
y<t>＝g(Wph<t>+bp) (7)
err<t>＝T<t>-y<t> (8)
式中Γf<t>,Γi<t>,Γo<t>分别为t时刻的遗忘门、输入门和输出门的状态；
Figure FDA0003849289330000022
c<t>,h<t>分别为t时刻的候选细胞单元、细胞状态和隐藏状态；x<t>,y<t>,T<t>,err<t>分别为t时刻的细胞输入、预测输出、目标输出和误差；Wf,Wi,Wo,Wc,Wp分别为遗忘门、输入门、输出门、候选细胞单元和预测输出中隐藏状态与细胞输入的权矩阵；bf,bi,bo,bc,bp分别为遗忘门、输入门、输出门、候选细胞单元和预测输出中隐藏状态与细胞输入的偏置；σ表示sigmoid激发函数；g表示细胞输出的激发函数，选择线性函数；t表示时刻；[]表示向量连接；
LSTM模型预测流程：以预测变量自身时序值作为LSTM模型的输入，预测变量Twb、Qc作为输出；首先对预测变量数据进行归一化处理；然后初始化LSTM模型参数，使用网格搜索的方法对LSTM模型网络时间步、隐含层节点、学习率、批大小参数进行寻优；开始LSTM模型的训练；
S2.2、参数步长的选择
根据控制周期，系统质参数以温度或温差为代表、量参数以压力或流量为代表的滞后响应时间初步选择预测步长；再根据LSTM模型预测精度与是否满足实际工程需求选择最佳预测步长；
S2.3、参数预测
以S2.2中选取的最佳预测步长，通过LSTM模型对S1.4中确定的预测变量进行预测；
S3、基于数据驱动方法的冷冻站各设备模型的建立
S3.1冷水机组能耗模型及设备约束条件
Figure FDA0003849289330000031
其中，Pch为冷水机组能耗，KW；Qp为总供冷量需求，KW；Qchi,r为第i台冷水机组的额定制冷量，KW；PLRi为第i台冷水机组的负荷率,PLRmin为负荷率的下限；Tci为第i台冷水机组的冷凝温度,℃；Tei为第i台冷水机组的蒸发温度,℃,Te,max为冷凝温度上限,Te,min为冷凝温度下限；αchi描述第i台冷水机组水泵的启停，αchi∈{0,1}，冷水机组开为1，关为0；Wchi为第i台并联冷机能耗，KW；m为并联冷水机组总台数；
S3.2冷冻水泵、冷却水泵能耗模型及设备约束条件
Figure FDA0003849289330000041
其中，Ppmp为水泵能耗，KW，水泵能耗为冷却水泵能耗Pctp或冷冻水泵能耗Pchp；αpi描述冷冻水泵、冷却水泵的启停，αpi∈{0,1}，水泵开为1，关为0；Wpi(ωi)为每台冷冻水泵、冷却水泵在ωi转速比下的能耗，KW；Gpi(ωi)为每台水泵在ωi转速比下的能耗，m3/h；Gp为并联水泵的总流量约束，m3/h；m为并联总台数；ωmin为最小转速比；
S3.3冷却塔能耗模型及设备约束条件
Figure FDA0003849289330000042
其中，Pct为冷却塔能耗，KW；αcti描述冷却塔水泵的启停,αcti∈{0,1}；cw为水的比热，J/(kg·℃)；ρw为水的密度，kg/m3；Tctws为冷却水进水温度，℃，Tctwr,set为冷却水回水设定温度，Tctwr,i为第i台冷却塔的回水温度；Qct为并联冷机的总散热量，KW；Wcti(ωi)为每台冷却塔在ωi转速比下的能耗，KW；Gcti(ωi)为每台冷却塔在ωi转速比下的流量，m3/h；Gct,tot为并联冷却塔的冷却水总流量约束，m3/h；Twb为室外湿球温度，℃；TLct,tot为冷却塔总散热量，KW；Gmini为第i台冷却塔冷却水流量下限，Gcti为第i台冷却塔冷却水流量约束，m3/h；
S3.4综合能耗模型及设备约束条件
Figure FDA0003849289330000051
其中，Pch，Pchp，Pctp，Pct分别为并联冷机功率能耗、并联冷冻水泵功率能耗、并联冷却水泵功率能耗、并联冷却塔功率能耗，KW；Pchi，Pchpi，Pctpi，Pcti分别为第i台冷水机组、冷冻水泵、冷却水泵、冷却塔的功率能耗，KW；Gctwi为第i台冷却塔流量约束，m3/h；α表示启停状态，L为可行解空间，Lmax，Lmin分别为可行解空间的上下限，xi为优化目标中的第i维元素；n＝8；x1-x4依次表示αchi，αchpi，αctpi，αcti，x5-x8依次表示四个优化变量，Tchws、Tchws-Tchwr、Tctws、Tctws-Tctwr；Smin和Smax分别为每个设备所能承担的供给量上下限集合；Twb为室外湿球温度，℃；X*为可行解；Qch,i为冷水机组制冷量；mchw,i为冷冻水泵流量；mcw,m为冷却水泵流量；ma,n为冷却塔风机风量；Tei为第i台冷水机组的蒸发温度,℃；Tci为第i台冷水机组的冷凝温度,℃；PLRi为第i台冷水机组的负荷率；
S4、基于差分进化算法的全局优化
针对于空调冷冻站的全局优化问题，选取差分进化算法进行求解；
S4.1、差分进化算法的计算
式(13)-(17)为整个差分进化算法的计算过程；
Figure FDA0003849289330000061
Figure FDA0003849289330000062
Figure FDA0003849289330000063
Figure FDA0003849289330000064
Figure FDA0003849289330000065
其中M为种群规模；N为个体维度；F为缩放因子；cr为交叉概率；
Figure FDA0003849289330000066
为随机产生的初始种群；xi,j为第i个个体的第j维元素；l＝[lmin,lmax]为个体第j维的可行解空间；rand(a,b)表示a到b之间的随机浮点数；r1,r2和r3为在种群中的其它个体中随机选择三个个体；
Figure FDA0003849289330000067
为个体i在第t代的变异个体；hi,j和vi,j分别为变异个体Hi和交叉个体Vi的第j维元素；
Figure FDA0003849289330000068
为交叉个体，
Figure FDA0003849289330000069
为个体i在第t代交叉个体的函数值；
Figure FDA00038492893300000610
为个体i在第t代的当前个体，
Figure FDA00038492893300000611
为个体i在第t代当前个体的函数值；
Figure FDA00038492893300000612
为个体i在第t+1代的当前个体；
差分进化算法的流程：首先对种群规模M、个体维度N、可行解空间L＝[Lmin,Lmax]、缩放因子F、交叉概率cr、最大迭代次数m进行初始化；之后随机产生初始种群{Xi0}；其次，对种群进行变异操作；在对种群完成变异操作后，将个体的每一个维度按照交叉率cr在个体和变异个体之间进行选择，最后，在当前个体和交叉个体中进行选择，适应度较优的个体将被选择进入下一代计算；
S4.2、确定设定值的优化变量
根据S1.5确定设定值的优化变量；在相同的机房动态负荷、室外气象参数下，通过差分进化算法对优化变量进行优化，实现所有设备能耗之和最小；
S4.3、确定供给量分配的优化变量
每台设备所分配到的供给量均在约束范围内，式(18)为设备供给量的约束条件；
Figure FDA0003849289330000071
Smin和Smax分别为每个设备所能承担的供给量上下限集合，S与Qch、mchw、mcw和ma有关；
S4.4、约束条件转化为惩罚函数
将上述有约束的全局优化问题式(18)转换为无约束优化问题，式(19)-(22)所示；
Figure FDA0003849289330000072
Figure FDA0003849289330000073
Figure FDA0003849289330000074
Figure FDA0003849289330000075
M1-M4为惩罚因子；全局优化问题为：
minF(x)＝min[Pf,1+Pf,2+Pf,3+Pf,4] (23)
Pf,1为Qch,i冷水机组制冷量的惩罚函数，Pf,2为mchw,i冷冻水泵流量的惩罚函数，Pf,3为mcw,m冷却水泵流量的惩罚函数，Pf,4为ma,n冷却塔风机风量的惩罚函数；
使用启发式算法寻优获得优化结果。
2.根据权利要求1所述的基于数据驱动建模和全局优化的空调冷冻站系统群控方法，其特征在于，建立优化数据库，优化数据库的具体步骤如下；
步骤一、基于历史数据，建立满足预测模型的机房负荷和室外气象参数数据库；
步骤二、在步骤一建立的数据库进行训练的基础上，利用LSTM方法建立预测模型，对未来机房动态负荷与未来气象参数进行预测；
步骤三、将未来待优化工况与历史数据进行相似性比较，以及基于最相似原理的设定值与供给量参数选取，通过数据库确定设定值优化和供给量分配；
步骤四、全局优化结果与自控系统的通信和反馈。
3.根据权利要求1或2所述的基于数据驱动建模和全局优化的空调冷冻站系统群控方法，其特征在于，所述设备特性参数包括扬程、功率、制冷量和启停状态。
4.根据权利要求3所述的基于数据驱动建模和全局优化的空调冷冻站系统群控方法，其特征在于，所述步骤S2.1中，归一化处理采用MinMax法，归一化后的数据值域变换到[0，1]。
CN202211129033.7A 2022-09-16 2022-09-16 一种基于数据驱动建模和优化的空调冷冻站系统群控方法 Pending CN115577828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211129033.7A CN115577828A (zh) 2022-09-16 2022-09-16 一种基于数据驱动建模和优化的空调冷冻站系统群控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211129033.7A CN115577828A (zh) 2022-09-16 2022-09-16 一种基于数据驱动建模和优化的空调冷冻站系统群控方法

Publications (1)

Publication Number Publication Date
CN115577828A true CN115577828A (zh) 2023-01-06

Family

ID=84581033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211129033.7A Pending CN115577828A (zh) 2022-09-16 2022-09-16 一种基于数据驱动建模和优化的空调冷冻站系统群控方法

Country Status (1)

Country Link
CN (1) CN115577828A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116772369A (zh) * 2023-08-24 2023-09-19 南通华信中央空调有限公司 一种智能环保节能供冷系统及方法
CN118031367A (zh) * 2024-03-11 2024-05-14 广东德尔智慧科技股份有限公司 一种优化冷水机组运行性能的控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116772369A (zh) * 2023-08-24 2023-09-19 南通华信中央空调有限公司 一种智能环保节能供冷系统及方法
CN118031367A (zh) * 2024-03-11 2024-05-14 广东德尔智慧科技股份有限公司 一种优化冷水机组运行性能的控制方法及系统

Similar Documents

Publication Publication Date Title
CN111256294B (zh) 一种基于模型预测的冷水机组组合运行优化控制方法
CN115577828A (zh) 一种基于数据驱动建模和优化的空调冷冻站系统群控方法
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
CN112415924A (zh) 一种空调系统节能优化方法及系统
CN109945402A (zh) 一种中央空调水系统节能方法
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
Amarasinghe et al. Artificial neural networks based thermal energy storage control for buildings
CN108563877B (zh) 太阳能溴化锂制冷机组的整体建模与最优控制一体化方法
CN116398994B (zh) 一种基于负荷预测的冷水机组群控优化方法
CN113268913B (zh) 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法
CN114322208B (zh) 基于深度强化学习的智能园区空调负荷调控方法和系统
CN116989442A (zh) 一种中央空调负荷预测方法及系统
KR20180138371A (ko) 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법
CN113959071B (zh) 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法
Irshad et al. Novel optimized hybrid neuro-fuzzy approach for analysis of cold thermal storage system-assisted air conditioning system performance
CN114857743A (zh) 一种基于商场分区负荷预测的末端阀门优化控制方法及系统
CN111798045B (zh) 一种中央空调冷冻水系统节能优化方法
CN115630331A (zh) 一种基于数学物理模型的空调冷冻站全局节能优化及调控方法
CN111473480A (zh) 一种基于决策树分类的中央空调节能控制方法
Zhao et al. Model predictive control for the ice-storage air-conditioning system coupled with multi-objective optimization
CN115828769A (zh) 一种基于智能计算的冷却塔工况的预测和降耗方法
Jia et al. Optimization design of industrial water supply pump station considering the influence of atmospheric temperature on operation cost
CN114251753A (zh) 一种冰蓄冷空调冷负荷需求预测分配方法及系统
Zheng Research on energy-saving control and optimisation of air conditioning system based on genetic algorithm
Du et al. Modeling and optimization of a chilled-water cooling system with multiple chillers

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