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 PDF

Info

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
Application number
CN202211699519.4A
Other languages
English (en)
Inventor
张舟洋
张文强
寇腾跃
赵洁颖
杨镐泽
贾莉芳
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202211699519.4A priority Critical patent/CN115828769A/zh
Publication of CN115828769A publication Critical patent/CN115828769A/zh
Pending legal-status Critical Current

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

一种基于智能计算的冷却塔工况的预测和降耗方法
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；
(1.3)以冷却泵频率
Figure BDA00040235044900000211
为特征，使用回归模型构建流量模型Sf；
以冷却塔风机频率
Figure BDA0004023504490000021
冷却泵频率
Figure BDA0004023504490000022
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；
以冷却塔风机频率
Figure BDA0004023504490000023
和冷却泵频率
Figure BDA0004023504490000024
为特征，利用回归模型构建系统能耗模型Fe。
进一步地，所述步骤二包括如下子步骤：
(2.1)按照构建模型时相同的时间间隔为一个周期，使用未来一个周期之前的多个环境温度样本，输入步骤(1.1)中建立的环境温度预测模型Fat，预测未来一个周期的环境温度值
Figure BDA0004023504490000025
(2.2)按照构建模型时相同的时间间隔为一个周期，使用未来一个周期之前的多个环境湿度样本，使用步骤(1.1)中建立的环境湿度预测模型Fah，预测未来一个周期的环境湿度值
Figure BDA0004023504490000026
(2.3)将n台风机的运行频率、m台水泵的运行频率、当前总管回水温度
Figure BDA0004023504490000027
Figure BDA0004023504490000028
输入步骤(1.3)中建立的出水温度模型Sdt，预测得到未来一个周期的冷却塔出水温度
Figure BDA0004023504490000029
将m台水泵的运行频率输入步骤(1.3)中建立的流量模型Sf，预测未来一个周期的冷却水流量
Figure BDA00040235044900000210
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：
将未来一个周期的冷却塔出水温度
Figure BDA0004023504490000031
冷却水流量
Figure BDA0004023504490000032
环境温度值
Figure BDA0004023504490000033
环境湿度值
Figure BDA0004023504490000034
输入冷却端温度模型Stt，预测得到未来一个周期的冷却端温度
Figure BDA0004023504490000035
进一步地，所述步骤三包括如下子步骤：
设置冷却端温度约束为
Figure BDA0004023504490000036
其中
Figure BDA0004023504490000037
和
Figure BDA0004023504490000038
是被冷却设备所需要的降温温度；
设置优化变量为冷却塔风机频率
Figure BDA0004023504490000039
和冷却泵频率
Figure BDA00040235044900000310
Figure BDA00040235044900000311
和
Figure BDA00040235044900000312
的搜索范围固定为[0，100]，优化变量使用整数，最小更新大小为1；
设置目标函数一：
Figure BDA00040235044900000313
设置目标函数二：obj2＝min(e)
设置适应度函数为
Figure BDA00040235044900000314
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
Figure BDA00040235044900000315
和
Figure BDA00040235044900000316
种群中每个粒子的表示方法为
Figure BDA00040235044900000317
(4.2)使用步骤(2.1)和步骤(2.2)获取环境变量
Figure BDA0004023504490000041
和
Figure BDA0004023504490000042
按照步骤(2.3)的方法对冷却水出水温度
Figure BDA0004023504490000043
冷却水流量
Figure BDA0004023504490000044
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；
(4.3)将步骤(4.2)中计算出的
Figure BDA0004023504490000045
和
Figure BDA0004023504490000046
带入到冷却端温度模型Stt中，计算出冷却端温度ttt；
(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。
进一步地，使用未来一个周期之前的8个周期的环境温度样本输入步骤(1.1)中建立的环境温度预测模型Fat，预测未来一个周期的环境温度值
Figure BDA0004023504490000047
进一步地，使用未来一个周期之前的8个周期的环境湿度样本，使用步骤(1.1)中建立的环境湿度预测模型Fah，预测未来一个周期的环境湿度值
Figure BDA0004023504490000051
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
Figure BDA0004023504490000061
输入为前L个时期的环境温度值。设原始数据格式为
Figure BDA0004023504490000062
对数据进行拆分为n-L条样本数据，特征数据格式为
Figure BDA0004023504490000063
标签数据格式为yT＝{y1，y2，...，yN-L}，其中特征矩阵中的
Figure BDA0004023504490000064
标签
Figure BDA0004023504490000065
(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。
(1.3)以冷却泵频率
Figure BDA0004023504490000066
为特征，使用回归模型构建流量模型Sf；
以冷却塔风机频率
Figure BDA0004023504490000067
冷却泵频率
Figure BDA0004023504490000068
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；
以冷却塔风机频率
Figure BDA0004023504490000069
和冷却泵频率
Figure BDA00040235044900000610
为特征，利用回归模型构建系统能耗模型Fe。
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：
Figure BDA00040235044900000611
Figure BDA00040235044900000612
Figure BDA00040235044900000613
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。
(2.1)按照构建模型时相同的时间间隔为一个周期，使用未来一个周期之前的多个环境温度样本，输入步骤(1.1)中建立的环境温度预测模型Fat，预测未来一个周期的环境温度值
Figure BDA0004023504490000071
该实施例中，此处的时间间隔为30分钟。将
Figure BDA0004023504490000072
看作第前i个环境温度样本，使用样本
Figure BDA0004023504490000073
来预测未来一个周期的环境温度值
Figure BDA0004023504490000074
(2.2)按照构建模型时相同的时间间隔为一个周期，使用未来一个周期之前的多个环境湿度样本，使用步骤(1.1)中建立的环境湿度预测模型Fah，预测未来一个周期的环境湿度值
Figure BDA0004023504490000075
该实施例中，此处的时间间隔为30分钟。按照30分钟一个周期，将
Figure BDA0004023504490000076
看作第前i个环境温度样本，使用样本
Figure BDA0004023504490000077
来预测未来一个周期的环境温度值
Figure BDA0004023504490000078
(2.3)将n台风机的运行频率、m台水泵的运行频率、当前总管回水温度
Figure BDA0004023504490000079
Figure BDA00040235044900000710
输入步骤(1.3)中建立的出水温度模型Sdt，预测得到未来一个周期的冷却塔出水温度
Figure BDA00040235044900000711
将m台水泵的运行频率输入步骤(1.3)中建立的流量模型Sf，预测未来一个周期的冷却水流量
Figure BDA00040235044900000712
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。
当冷却水系统中没有设置冷却水送水温度的选项时，还需要将未来一个周期的冷却塔出水温度
Figure BDA0004023504490000081
冷却水流量
Figure BDA0004023504490000082
环境温度值
Figure BDA0004023504490000083
环境湿度值
Figure BDA0004023504490000084
输入冷却端温度模型Stt，预测得到未来一个周期的冷却端温度
Figure BDA0004023504490000085
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。
设置冷却端温度约束为
Figure BDA0004023504490000086
其中
Figure BDA0004023504490000087
和
Figure BDA0004023504490000088
是被冷却设备所需要的降温温度；如果温度过高可能会工业系统运行造成影响，温度过低会浪费能源。
设置优化变量为冷却塔风机频率
Figure BDA0004023504490000089
和冷却泵频率
Figure BDA00040235044900000810
Figure BDA00040235044900000811
和
Figure BDA00040235044900000812
的搜索范围固定为[0，100]，优化变量使用整数，最小更新大小为1；
设置目标函数一：
Figure BDA00040235044900000813
当obj1＝0时，说明冷却端的温度在需求范围内，此时满足冷却端温度约束。
设置目标函数二：obj2＝min(e)，求解能耗最小值。
设置适应度函数为
Figure BDA00040235044900000814
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。
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
Figure BDA00040235044900000815
和
Figure BDA00040235044900000816
种群中每个粒子的表示方法为
Figure BDA00040235044900000817
(4.2)使用步骤(2.1)和步骤(2.2)获取环境变量
Figure BDA00040235044900000818
和
Figure BDA00040235044900000819
按照步骤(2.3)的方法对冷却水出水温度
Figure BDA0004023504490000091
冷却水流量
Figure BDA0004023504490000092
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；
(4.3)将步骤(4.2)中计算出的
Figure BDA0004023504490000093
和
Figure BDA0004023504490000094
带入到冷却端温度模型Stt中，计算出冷却端温度ttt；
(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：
Figure BDA0004023504490000095
其中，
Figure BDA0004023504490000096
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；
Figure BDA0004023504490000097
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：
Figure BDA0004023504490000101
(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；
(1.3)以冷却泵频率
Figure FDA0004023504480000011
为特征，使用回归模型构建流量模型Sf；
以冷却塔风机频率
Figure FDA0004023504480000012
冷却泵频率
Figure FDA0004023504480000013
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；
以冷却塔风机频率
Figure FDA0004023504480000014
和冷却泵频率
Figure FDA0004023504480000015
为特征，利用回归模型构建系统能耗模型Fe。
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：
(2.1)按照构建模型时相同的时间间隔为一个周期，使用未来一个周期之前的多个环境温度样本，输入步骤(1.1)中建立的环境温度预测模型Fat，预测未来一个周期的环境温度值
Figure FDA0004023504480000021
(2.2)按照构建模型时相同的时间间隔为一个周期，使用未来一个周期之前的多个环境湿度样本，使用步骤(1.1)中建立的环境湿度预测模型Fah，预测未来一个周期的环境湿度值
Figure FDA0004023504480000022
(2.3)将n台风机的运行频率、m台水泵的运行频率、当前总管回水温度
Figure FDA0004023504480000023
Figure FDA0004023504480000024
输入步骤(1.3)中建立的出水温度模型Sdt，预测得到未来一个周期的冷却塔出水温度
Figure FDA0004023504480000025
将m台水泵的运行频率输入步骤(1.3)中建立的流量模型Sf，预测未来一个周期的冷却水流量
Figure FDA0004023504480000026
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。
4.根据权利要求3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，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：
将未来一个周期的冷却塔出水温度
Figure FDA0004023504480000027
冷却水流量
Figure FDA0004023504480000028
环境温度值
Figure FDA0004023504480000029
环境湿度值
Figure FDA00040235044800000210
输入冷却端温度模型Stt，预测得到未来一个周期的冷却端温度
Figure FDA00040235044800000211
5.根据权利要求4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，所述步骤三包括如下子步骤：
设置冷却端温度约束为
Figure FDA0004023504480000031
其中
Figure FDA0004023504480000032
和
Figure FDA0004023504480000033
是被冷却设备所需要的降温温度；
设置优化变量为冷却塔风机频率
Figure FDA0004023504480000034
和冷却泵频率
Figure FDA0004023504480000035
Figure FDA0004023504480000036
和
Figure FDA0004023504480000037
的搜索范围固定为[0，100]，优化变量使用整数，最小更新大小为1；
设置目标函数一：
Figure FDA0004023504480000038
设置目标函数二：obj2＝min(e)
设置适应度函数为
Figure FDA0004023504480000039
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。
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
Figure FDA00040235044800000310
和
Figure FDA00040235044800000311
种群中每个粒子的表示方法为
Figure FDA00040235044800000312
(4.2)使用步骤(2.1)和步骤(2.2)获取环境变量
Figure FDA00040235044800000313
和
Figure FDA00040235044800000314
按照步骤(2.3)的方法对冷却水出水温度
Figure FDA00040235044800000315
冷却水流量
Figure FDA00040235044800000316
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；
(4.3)将步骤(4.2)中计算出的
Figure FDA00040235044800000317
和
Figure FDA00040235044800000318
带入到冷却端温度模型Stt中，计算出冷却端温度ttt；
(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。
9.根据权利要求3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，使用未来一个周期之前的8个周期的环境温度样本输入步骤(1.1)中建立的环境温度预测模型Fat，预测未来一个周期的环境温度值
Figure FDA0004023504480000041
10.根据权利要求3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，
使用未来一个周期之前的8个周期的环境湿度样本，使用步骤(1.1)中建立的环境湿度预测模型Fah，预测未来一个周期的环境湿度值
Figure FDA0004023504480000042
CN202211699519.4A 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 Pending CN115828769A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (1)

* Cited by examiner, † Cited by third party
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