CN115828769A - 一种基于智能计算的冷却塔工况的预测和降耗方法 - Google Patents
一种基于智能计算的冷却塔工况的预测和降耗方法 Download PDFInfo
- Publication number
- CN115828769A CN115828769A CN202211699519.4A CN202211699519A CN115828769A CN 115828769 A CN115828769 A CN 115828769A CN 202211699519 A CN202211699519 A CN 202211699519A CN 115828769 A CN115828769 A CN 115828769A
- Authority
- CN
- China
- Prior art keywords
- model
- temperature
- cooling tower
- cooling
- predicting
- 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
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于智能计算的冷却塔工况的预测和降耗方法,利用机器学习建立并训练环境温度预测模型、环境湿度预测模型、工况预测模型和系统能耗模型;然后使用训练后的环境温、湿度预测模型预测未来周期的环境温湿度变化,并基于未来周期的环境温湿度变化,使用训练后的工况预测模型对冷却塔工况进行预测,通过工况和环境温湿度变化,确定冷却塔系统在未来周期的做功需求;最后以冷却塔系统在未来周期的做功需求和能耗最小化为优化目标,建立对应的目标函数和优化模型;使用优化算法,求解优化模型,获取冷却塔运行的最优解。该方法能使冷却塔系统能够跟随外部环境的变化来智能的调节自身运转方式,降低能源浪费。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于智能计算的冷却塔工况的预测和降耗方法。
背景技术
在工业冷却塔系统中有以下几个特点:节能空间大、应用范围广、电能消耗大。冷却水的冷却温度不仅与回水温度和回水流量相关,还与室外温度相关,有些地区昼夜温差较大,室外温度变化大,由于操作人员习惯性操作,大冷天冷却风机常开的状况极为普遍,造成极大的能源浪费,传统的PID控制通过回水温度来控制风机的开停,只满足了送水温度要求,没有考虑各个设备的能耗状态。
发明内容
针对现有技术的不足,本发明提供一种基于智能计算的冷却塔工况的预测和降耗方法,该方法能使冷却塔系统能够跟随外部环境的变化来智能的调节自身运转方式,降低能源浪费,使系统持续处于最佳运行状态。
本发明的目的通过如下的技术方案来实现:
一种基于智能计算的冷却塔工况的预测和降耗方法,包括如下步骤:
步骤一:利用机器学习建立并训练环境温度预测模型、环境湿度预测模型、工况预测模型和系统能耗模型;所述环境温度预测模型、环境湿度预测模型为时间序列模型,所述工况预测模型和系统能耗模型使用回归模型;
步骤二:使用训练后的环境温度预测模型、环境湿度预测模型预测未来周期的环境温湿度变化,并基于未来周期的环境温湿度变化,使用训练后的工况预测模型对冷却塔工况进行预测,通过工况和环境温湿度变化,确定冷却塔系统在未来周期的做功需求;
步骤三:以冷却塔系统在未来周期的做功需求和能耗最小化为优化目标,建立对应的目标函数和优化模型;
步骤四:使用优化算法,求解优化模型,通过不断地调用训练后的环境温度预测模型、环境湿度预测模型、工况预测模型和系统能耗模型进行迭代,获取冷却塔运行的最优解。
进一步地,所述步骤一包括如下子步骤:
(1.1)按照一定的时间间隔采集环境温度数据,并按照单变量时间序列数据进行处理,基于处理后的数据,使用时间序列模型构建环境温度预测模型Fat;
(1.2)按照一定的时间间隔采集环境湿度数据,并按照单变量时间序列数据进行处理,基于处理后的数据,使用时间序列模型构建环境湿度预测模型Fah;
以冷却塔风机频率冷却泵频率采集的回水总管温度TT、根据环境温度预测模型Fat预测得到的未来一周期的温度、根据环环境湿度预测模型Fah预测得到的未来一周期的湿度为特征,使用回归模型构建出水温度模型Sdt;
所述所述流量模型Sf、出水温度模型Sdt构成工况预测模型S;
进一步地,所述步骤二包括如下子步骤:
将n台风机的运行频率、m台水泵的运行频率输入能耗模型Fe,预测得到系统能耗预测值e。
进一步地,当需要满足冷却端温度时,所述步骤一还包括:
以出水温度模型Sdt预测得到的未来一周期的出水温度、流量模型Sf预测得到的未来一周期的流量、环境温度预测模型Fat预测得到的未来一周期的温度、环境温度预测模型Fat预测得到的未来一周期的湿度为特征,使用回归模型构建冷却端温度模型Stt;
此时,所述流量模型Sf、出水温度模型Sdt、冷却端温度模型Stt共同构成工况预测模型S:
此时,所述步骤二还包括:
进一步地,所述步骤三包括如下子步骤:
设置目标函数二:obj2=min(e)
通过适应度函数来进化寻找优化变量的最佳值,使得适应度最低。
进一步地,所述步骤四包括如下步骤:
(4.1)选择粒子群优化算法,初始化算法的参数,包括总迭代次数itermax、种群大小N、粒子速度和位置的变化范围、粒子的初始速度和位置,将每一组优化变量都看作一个粒子,随机初始化优化变量和种群中每个粒子的表示方法为
(4.2)使用步骤(2.1)和步骤(2.2)获取环境变量和按照步骤(2.3)的方法对冷却水出水温度冷却水流量系统能耗e进行预测,其中所需要的n台风机的运行频率和m台水泵的运行频率由粒子群优化算法生成;首次迭代使用步骤(4.1)中初始化的优化变量;
(4.4)使用步骤(4.2)和步骤(4.3)中得到的系统能耗e和冷却端温度ttt,计算obj1和obj2,并计算该粒子的适应度;
(4.5)对所有种群中的每一组优化变量都重复步骤(4.2)、(4.3)、(4.4),计算第i个粒子的适应度值fi;
(4.6)记录每个粒子在更新过程中遇到的最优解,将步骤(4.5)中计算的fi与迭代历史中计算的最优解f(Pbesti)进行比较;如果fi<f(Pbesti),则用新的适应度值代替f(Pbesti).
(4.7)将每个个体最优解f(Pbesti)与全局最优解f(Gbest)进行比较;如果f(Pbesti)<f(Gbest),然后用新的个体最优解代替原始的全局最优解,同时保存粒子的当前状态;
(4.8)判断算法是否满足预先设定的迭代步骤,如果满足,则结束算法,返回当前适应度值最小的粒子。否则进入下一轮迭代,对粒子的状态进行更新,直到完成最大迭代步骤;
(4.9)输出最佳优化变量,将所述最佳优化变量应用到冷却系统中运行,此时冷却系统会在满足工艺需求的前提下低能耗运行。
进一步地,所述回归模型为支持向量机或高斯过程回归。
进一步地,采集环境温度数据或湿度数据的时间间隔为30分钟。
本发明的有益效果如下:
1.本发明通过对外部环境的预测和对冷却塔系统状态的预测,找到外部环境与系统运行之间的关系,使用群类的智能计算算法可以对系统运行的决策进行仿真,通过不断地迭代挑选,最终会选择出一条最能契合当前工况的决策,使冷却塔系统能够跟随外部环境的变化来智能的调节自身运转方式,降低能源浪费。节能优化后,可降低系统电耗1%-25%,节能量与设备数量和功率大小相关,设备数量越多,节能量越大。
2.由于设备老化,传统的机理模型无法准确预测系统设备的运行状态,本发明使用机器学习方法建立更切合实际的预测模型,有效降低由于设备劳损导致的机理模型的结果偏差。
附图说明
图1为本发明的其中一个实施例的冷却塔工况的预测和降耗方法的流程图。
图2是本发明的优化流程图,展示了粒子群优化算法对优化变量的寻优过程。
图3是蒸发器系统中冷却水系统的工艺图,其中用能设备共六台,三台风机(20kw),三台水泵(160kw)。
图4是原始运行状态下和优化状态下的能耗对比图。
图5是优化状态下冷凝器(冷却端)的温度值。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的核心技术是通过对外部环境的预测和对冷却塔系统状态的预测,找到外部环境与系统运行之间的关系,使冷却塔系统能够跟随外部环境的变化来智能的调节自身运转方式,降低能源浪费。
如图1所示,本发明的基于智能计算的冷却塔工况的预测和降耗方法,包括如下步骤:
步骤一:利用机器学习建立并训练环境温度预测模型、环境湿度预测模型、工况预测模型和系统能耗模型;所述环境温度预测模型、环境湿度预测模型为时间序列模型,所述工况预测模型和系统能耗模型使用回归模型,如支持向量机、高斯过程回归等。
(1.1)按照一定的时间间隔采集环境温度数据,并按照单变量时间序列数据进行处理,基于处理后的数据,使用时间序列模型构建环境温度预测模型Fat;
在该实施例中,采集的数据为365天的环境温度数据,采集间隔为30分钟。设置标签为第i个时期的环境温度值输入为前L个时期的环境温度值。设原始数据格式为对数据进行拆分为n-L条样本数据,特征数据格式为标签数据格式为yT={y1,y2,...,yN-L},其中特征矩阵中的标签
(1.2)按照一定的时间间隔采集环境湿度数据,并按照单变量时间序列数据进行处理,基于处理后的数据,使用时间序列模型构建环境湿度预测模型Fah;
在该实施例中,湿度数据也为365天的环境湿度数据,采集间隔为30分钟。特征数据格式和环境温度数据相同。
以冷却塔风机频率冷却泵频率采集的回水总管温度TT、根据环境温度预测模型Fat预测得到的未来一周期的温度、根据环环境湿度预测模型Fah预测得到的未来一周期的湿度为特征,使用回归模型(如支持向量机或者高斯过程回归)构建出水温度模型Sdt;
所述所述流量模型Sf、出水温度模型Sdt构成工况预测模型S;
其中,流量模型Sf、出水温度模型Sdt、系统能耗模型Fe分别表示为:
当冷却水系统中需要设置冷却水送水温度的选项,则只满足冷却塔出水温度即可不用预测冷却端温度,此时冷却塔系统在未来的做工需求就是满足冷却塔出水温度。当冷却水系统中没有设置冷却水送水温度的选项时,此时冷却塔系统在未来的做工需求就是满足冷却端温度,需要对冷却端的温度进行预测,因此,还需以出水温度模型Sdt预测得到的未来一周期的出水温度、流量模型Sf预测得到的未来一周期的流量、环境温度预测模型Fat预测得到的未来一周期的温度、环境温度预测模型Fat预测得到的未来一周期的湿度为特征,使用回归模型构建冷却端温度模型Stt。此时,所述流量模型Sf、出水温度模型Sdt、冷却端温度模型Stt共同构成工况预测模型S。
步骤二:使用训练后的环境温度预测模型、环境湿度预测模型预测未来周期的环境温湿度变化,并基于未来周期的环境温湿度变化,使用训练后的工况预测模型对冷却塔工况进行预测,通过工况和环境温湿度变化,确定冷却塔系统在未来周期的做功需求。
将n台风机的运行频率、m台水泵的运行频率输入能耗模型Fe,预测得到系统能耗预测值e。
按如上步骤,即得到了未来的环境变化和未来的做功需求,为后续的优化模型做了准备。
步骤三:以冷却塔系统在未来周期的做功需求和能耗最小化为优化目标,建立对应的目标函数和优化模型。
设置目标函数二:obj2=min(e),求解能耗最小值。
此时得到优化模型的基础结构。
步骤四:使用优化算法,求解优化模型,通过不断地调用训练后的环境温度预测模型、环境湿度预测模型、工况预测模型和系统能耗模型进行迭代,获取冷却塔运行的最优解。
该实施例选择粒子群优化算法,如图2所示,具体步骤如下:
(4.1)选择粒子群优化算法,初始化算法的参数,包括总迭代次数itermax、种群大小N、粒子速度和位置的变化范围、粒子的初始速度和位置,将每一条优化变量都看作一个粒子,随机初始化优化变量和种群中每个粒子的表示方法为
(4.2)使用步骤(2.1)和步骤(2.2)获取环境变量和按照步骤(2.3)的方法对冷却水出水温度冷却水流量系统能耗e进行预测,其中所需要的n台风机的运行频率和m台水泵的运行频率由粒子群优化算法生成;首次迭代使用步骤(4.1)中初始化的优化变量;
(4.4)使用步骤(4.2)和步骤(4.3)中得到的系统能耗e和冷却端温度ttt,计算obj1和obj2,并计算该粒子的适应度;
(4.5)对所有种群中的每一条优化变量都重复步骤(4.2)、(4.3)、(4.4),计算第i个粒子的适应度值fi;
(4.6)记录每个粒子在更新过程中遇到的最优解,将步骤(4.5)中计算的fi与迭代历史中计算的最优解f(Pbesti)进行比较;如果fi<f(Pbesti),则用新的适应度值代替f(Pbesti);
(4.7)将每个个体最优解f(Pbesti)与全局最优解f(Gbest)进行比较;如果f(Pbesti)<f(Gbest),然后用新的个体最优解代替原始的全局最优解,同时保存粒子的当前状态;
(4.8)判断算法是否满足预先设定的迭代步骤,如果满足,则结束算法,返回当前适应度值最小的粒子。否则进入下一轮迭代,对粒子的状态进行更新,直到完成最大迭代步骤。
每个粒子的速度更新公式如下:
其中,是第k次迭代粒子i的速度矢量中的第n维分量;ω是惯性权重因子,用于调节对粒子当前状态的信任程度,ω越大,算法的全局搜索能力就越强,ω越小,局部搜索能力越好;c1和c2是学习因子,分别用于调节个体认知和社会认知的权重;r1和r2是两个取值范围为[0,1]的随机数,用于增加搜索随机性;表示第k次迭代粒子i的位置矢量的第n维分量。
每个粒子的位置更新公式如下:
(4.9)输出最佳优化变量,算法迭代完成后,输出最佳的粒子,最佳粒子中的每一个分量都是设备的电机频率,与最佳粒子对应的obj1和obj2是当前最佳的被冷却温度和电耗。将优化变量应用到系统设备中运行,此时系统会在满足工艺需求的前提下低能耗运行。
将本发明的冷却塔工况的预测和降耗方法应用在一个具体的工业蒸发器的冷却塔系统中,系统结构如图3所示,冷却塔系统中有三台风机(额定功率20KW)、三台水泵(额定功率16KW),得到的实验结果如图4所示,结果选取了24个周期的工况数据,冷却端温度不超过30℃,室外温度在22℃-30℃的情况下,优化算法会选择性能最好,频率搭配效率最高的设备。
如图4和图5所示,使用本发明的方法在与传统PLC同等工况下模拟运行,测试节能效果,本发明的方法能够节省5%-10%左右的能耗,并且满足冷却端要求。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例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。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (10)
1.一种基于智能计算的冷却塔工况的预测和降耗方法,其特征在于,包括如下步骤:
步骤一:利用机器学习建立并训练环境温度预测模型、环境湿度预测模型、工况预测模型和系统能耗模型;所述环境温度预测模型、环境湿度预测模型为时间序列模型,所述工况预测模型和系统能耗模型使用回归模型;
步骤二:使用训练后的环境温度预测模型、环境湿度预测模型预测未来周期的环境温湿度变化,并基于未来周期的环境温湿度变化,使用训练后的工况预测模型对冷却塔工况进行预测,通过工况和环境温湿度变化,确定冷却塔系统在未来周期的做功需求;
步骤三:以冷却塔系统在未来周期的做功需求和能耗最小化为优化目标,建立对应的目标函数和优化模型;
步骤四:使用优化算法,求解优化模型,通过不断地调用训练后的环境温度预测模型、环境湿度预测模型、工况预测模型和系统能耗模型进行迭代,获取冷却塔运行的最优解。
2.根据权利要求1所述的基于智能计算的冷却塔工况的预测和降耗方法,其特征在于,所述步骤一包括如下子步骤:
(1.1)按照一定的时间间隔采集环境温度数据,并按照单变量时间序列数据进行处理,基于处理后的数据,使用时间序列模型构建环境温度预测模型Fat;
(1.2)按照一定的时间间隔采集环境湿度数据,并按照单变量时间序列数据进行处理,基于处理后的数据,使用时间序列模型构建环境湿度预测模型Fah;
以冷却塔风机频率冷却泵频率采集的回水总管温度Tr、根据环境温度预测模型Fat预测得到的未来一周期的温度、根据环环境湿度预测模型Fah预测得到的未来一周期的湿度为特征,使用回归模型构建出水温度模型Sdt;
所述所述流量模型Sf、出水温度模型Sdt构成工况预测模型S;
3.根据权利要求2所述的基于智能计算的冷却塔工况的预测和降耗方法,其特征在于,所述步骤二包括如下子步骤:
将n台风机的运行频率、m台水泵的运行频率输入能耗模型Fe,预测得到系统能耗预测值e。
6.根据权利要求5所述的基于智能计算的冷却塔工况的预测和降耗方法,其特征在于,所述步骤四包括如下步骤:
(4.1)选择粒子群优化算法,初始化算法的参数,包括总迭代次数itermax、种群大小N、粒子速度和位置的变化范围、粒子的初始速度和位置,将每一组优化变量都看作一个粒子,随机初始化优化变量和种群中每个粒子的表示方法为
(4.2)使用步骤(2.1)和步骤(2.2)获取环境变量和按照步骤(2.3)的方法对冷却水出水温度冷却水流量系统能耗e进行预测,其中所需要的n台风机的运行频率和m台水泵的运行频率由粒子群优化算法生成;首次迭代使用步骤(4.1)中初始化的优化变量;
(4.4)使用步骤(4.2)和步骤(4.3)中得到的系统能耗e和冷却端温度ttt,计算obj1和obj2,并计算该粒子的适应度;
(4.5)对所有种群中的每一条优化变量都重复步骤(4.2)、(4.3)、(4.4),计算第i个粒子的适应度值fi;
(4.6)记录每个粒子在更新过程中遇到的最优解,将步骤(4.5)中计算的Ji与迭代历史中计算的最优解f(Pbesti)进行比较;如果fi<f(Pbesti),则用新的适应度值代替f(Pbesti);
(4.7)将每个个体最优解f(Pbesti)与全局最优解f(Gbest)进行比较;如果f(Pbesti)<f(Gbest),然后用新的个体最优解代替原始的全局最优解,同时保存粒子的当前状态;
(4.8)判断算法是否满足预先设定的迭代步骤,如果满足,则结束算法,返回当前适应度值最小的粒子。否则进入下一轮迭代,对粒子的状态进行更新,直到完成最大迭代步骤:
(4.9)输出最佳优化变量,将所述最佳优化变量应用到冷却系统中运行,此时冷却系统会在满足工艺需求的前提下低能耗运行。
7.根据权利要求1所述的基于智能计算的冷却塔工况的预测和降耗方法,其特征在于,所述回归模型为支持向量机或高斯过程回归。
8.根据权利要求1所述的基于智能计算的冷却塔工况的预测和降耗方法,其特征在于,采集环境温度数据或湿度数据的时间间隔为30分钟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211699519.4A CN115828769A (zh) | 2022-12-28 | 2022-12-28 | 一种基于智能计算的冷却塔工况的预测和降耗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211699519.4A CN115828769A (zh) | 2022-12-28 | 2022-12-28 | 一种基于智能计算的冷却塔工况的预测和降耗方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115828769A true CN115828769A (zh) | 2023-03-21 |
Family
ID=85519022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211699519.4A Pending CN115828769A (zh) | 2022-12-28 | 2022-12-28 | 一种基于智能计算的冷却塔工况的预测和降耗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828769A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384979A (zh) * | 2023-04-27 | 2023-07-04 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持系统及其方法 |
-
2022
- 2022-12-28 CN CN202211699519.4A patent/CN115828769A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384979A (zh) * | 2023-04-27 | 2023-07-04 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866641B (zh) | 计及源储荷协同的多能互补系统两级优化调度方法及系统 | |
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 | |
CN113326651B (zh) | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 | |
CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
Wang et al. | Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
Gao et al. | Optimal chiller loading by improved parallel particle swarm optimization algorithm for reducing energy consumption | |
CN115828769A (zh) | 一种基于智能计算的冷却塔工况的预测和降耗方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN111735177B (zh) | 一种基于svr算法的中央空调系统冷负荷预测方法 | |
CN112686571A (zh) | 基于动态自适应建模的综合智慧能源优化调度方法及系统 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN105937823B (zh) | 一种地源热泵控制方法及系统 | |
CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
CN114046593A (zh) | 一种动态预测性机器学习型空调节能控制方法及系统 | |
CN112560160B (zh) | 模型和数据驱动的暖通空调最优设定温度获取方法及设备 | |
WO2019227273A1 (en) | Hierarchical concept based neural network model for data center power usage effectiveness prediction | |
CN111105090B (zh) | 一种基于智能算法的分布式能源系统优化调度方法及装置 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116795198A (zh) | 数据中心的能耗优化方法、装置及存储介质 | |
Xudong et al. | Prediction of building heating and cooling load based on IPSO-LSTM neural network | |
CN114384931B (zh) | 一种基于策略梯度的无人机多目标最优控制方法和设备 | |
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 | |
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 | |
CN111368408B (zh) | 基于seq2seq的数据中心能效优化连续决策方法 |
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 |