CN116011346A - 设备模型的建立方法、暖通系统的调优方法和电子设备 - Google Patents
设备模型的建立方法、暖通系统的调优方法和电子设备 Download PDFInfo
- Publication number
- CN116011346A CN116011346A CN202310099172.8A CN202310099172A CN116011346A CN 116011346 A CN116011346 A CN 116011346A CN 202310099172 A CN202310099172 A CN 202310099172A CN 116011346 A CN116011346 A CN 116011346A
- Authority
- CN
- China
- Prior art keywords
- working
- model
- equipment
- parameter
- data
- 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
- Air Conditioning Control Device (AREA)
Abstract
本申请实施例提供了设备模型的建立方法、暖通系统的调优方法和电子设备。该设备模型的输入包括设备的第一工作参数,所述设备模型的输出是与所述第一工作参数相关的第二工作参数的预测值,该方法包括:获取设备在工作过程中的第一采样数据以及设备的参考工作数据,第一采样数据和参考工作数据中均包括第一工作参数和对应的第二工作参数;采用第一采样数据和参考工作数据对设备对应的初始设备模型进行迭代训练,且在迭代训练过程中基于迭代得到的模型对参考工作数据进行修正,以得到设备模型,提高了暖通系统的参数优化效果。
Description
技术领域
本申请涉及数据中心领域,并且更具体地,涉及设备模型的建立方法、暖通系统的调优方法和电子设备。
背景技术
随着数据中心相关技术的发展,如何降低数据中心的暖通系统的能耗已经成为了行业内亟需解决的关键问题,仅仅基于人工经验对暖通系统进行参数控制和优化已经越来越不满足节能的需求。
目前,相关技术中通过训练神经网络模型来优化暖通系统的设备参数,将暖通系统的相关数据作为输入,利用神经网络模型输出预测功耗来优化暖通系统的设备参数。但是,由于暖通系统的数据不足,无法保证模型在可行的取值范围内都给出稳定合理的输出结果,导致参数优化效果不佳。
发明内容
本申请提供了设备模型的建立方法、暖通系统的调优方法和电子设备,以期提高暖通系统的参数优化效果。
第一方面,本申请提供了一种设备模型的建立方法,所述设备模型的输入包括设备的第一工作参数,所述设备模型的输出是与所述第一工作参数相关的第二工作参数的预测值,所述方法包括:
获取所述设备在工作过程中的第一采样数据以及所述设备的参考工作数据,所述第一采样数据和所述参考工作数据中均包括所述第一工作参数和对应的所述第二工作参数;
采用所述第一采样数据和所述参考工作数据对所述设备对应的初始设备模型进行迭代训练,且在迭代训练过程中基于迭代得到的模型对所述参考工作数据进行修正,以得到所述设备模型。
可选的,所述获取所述设备在工作过程中的第一采样数据以及所述设备的参考工作数据,包括:
获取所述设备在工作过程中的第一采样数据,以及所述设备在所述第一参数的取值范围内的全部参考工作数据;
将所述第一参数的取值范围划分为多个子区间;
针对各子区间,判断在所述子区间内是否存在第一采样数据,若在所述子区间内存在第一采样数据,则删除所述子区间内的参考工作数据,若在所述子区间内不存在第一采样数据,则保留所述子区间内的参考工作数据。
可选的,所述采用所述第一采样数据和所述参考工作数据对所述设备对应的初始设备模型进行迭代训练,且在迭代训练过程中基于迭代得到的模型对所述参考工作数据进行修正,以得到所述设备模型,包括:
采用所述第一采样数据和所述参考工作数据对所述初始设备模型进行训练,得到第一模型,将所述参考工作数据中的第一工作参数输入至所述第一模型,得到所述第一模型输出的第二工作参数的预测值,将所述参考工作数据中的第二工作参数更新为所述第一模型输出的第二工作参数的预测值,重复执行本步骤,直至满足迭代停止条件后,将得到的第一模型确定为所述设备模型。
可选的,还包括:
获取所述设备在最近第一时间段的工作过程中的第二采样数据;
针对各子区间,判断在所述子区间内是否存在第二采样数据,若在所述子区间内存在第二采样数据,则删除所述子区间内的第一采样数据或参考工作数据,若在所述子区间内不存在第二采样数据,则保留所述子区间内的第一采样数据或参考工作数据,得到第一数据;
采用所述第一数据对所述设备模型进行训练,且在迭代训练过程中基于迭代得到的模型对所述第一数据中的参考工作数据进行修正,以对所述设备模型进行更新。
可选的,所述设备的预设模型为线性回归模型、多项式回归模型和经验模型中的一项或多项的组合。
可选的,所述方法应用于暖通系统,所述设备为暖通系统中的设备,所述设备以及所述设备模型对应的第一工作参数和第二工作参数包括以下任一项:
所述设备为冷却泵,所述第一工作参数为冷却水流量,所述第二工作参数为所述冷却泵的电机频率;
所述设备为冷却泵,所述第一工作参数为所述冷却泵的电机频率,所述第二工作参数为功耗;
所述设备为冷冻泵,所述第一工作参数为冷冻水流量,所述第二工作参数为所述冷冻泵的电机频率;
所述设备为冷冻泵,所述第一工作参数为所述冷冻泵的电机频率,所述第二工作参数为功耗;
所述设备为冷却塔,所述第一工作参数为所述冷却塔的风机频率,所述第二工作参数为功耗;
所述设备为冷却塔,所述第一工作参数为所述暖通系统所处环境的天气温度、冷却水进回水温差和水汽比,所述第二工作参数为冷却塔出水温度;
所述设备为冷机,所述第一工作参数为冷冻水流量,所述第二工作参数为蒸发器饱和温度;
所述设备为冷机,所述第一工作参数为冷却水流量,所述第二工作参数为冷凝器饱和温度;
所述设备为冷机,所述第一工作参数为蒸发器饱和温度、冷凝器饱和温度和冷机负载率,所述第二工作参数为功耗;
所述设备为板式换热器,所述第一工作参数为冷冻水流量、冷却水流量和冷却水温度,所述第二工作参数为冷冻水温度。
第二方面,本申请提供了一种暖通系统的调优方法,包括:
获取暖通系统中各设备的设备模型,所述设备模型是预先采用如第一方面所述的方法得到的,所述设备模型包括第二工作参数为功耗的模型;
按照所述暖通系统的拓扑信息连接各设备的设备模型以得到所述暖通系统的系统模型,并对所述系统模型进行参数寻优,得到使得所述暖通系统功耗最低的目标参数。
可选的,还包括:
若所述目标参数与所述暖通系统的现场参数的差值大于或等于第一预设阈值,则将所述暖通系统的现场参数调整为所述目标参数。
可选的,还包括:
若所述目标参数与所述暖通系统的现场参数的差值小于所述第一预设阈值,且所述目标参数对应的所述暖通系统的功耗与所述暖通系统的当前功耗的差值大于或等于第二预设阈值,则将所述暖通系统的现场参数调整为所述目标参数。
可选的,所述暖通系统具有多个工作模式,不同工作模式下处于工作状态的设备存在不同;所述方法还包括:
对不同工作模式下的设备模型所构成的系统模型进行参数寻优,得到当前以及未来的多个第二时间段各自对应的使得所述暖通系统功耗最低的最优工作模式和相应的目标参数。
可选的,每个工作模式具有对应的可用的条件,所述方法还包括:
确定所述暖通系统的当前工作模式是否为最优工作模式;
若当前工作模式为最优工作模式,且在未来一个或多个第二时间段内当前工作模式可用,则将当前工作模式输出为推荐工作模式;
若当前工作模式不是最优工作模式,且当前模式在未来多个第二时间段内均可用,则若当前工作模式在未来任一第二时间段内为最优工作模式,将当前工作模式输出为推荐工作模式;
若当前工作模式不是最优工作模式,且当前模式在未来任一第二时间段内不可用或者当前工作模式在未来任一第二时间段内均不是最优工作模式,则将未来的多个第二时间段内整体功耗最低的工作模式输出为推荐工作模式。
可选的,所述方法还包括:
若所述推荐工作模式与当前工作模式不同,则将所述暖通系统的工作模式设置为所述推荐工作模式。
第三方面,本申请提供了一种电子设备,包括:存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行如第一方面或第二方面所述的方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器执行时,使得所述处理器执行如第一方面或第二方面所述的方法。
在本申请提供的设备模型的建立方法、暖通系统的调优方法和电子设备中,利用参考工作数据对真实数据进行补充,以解决真实数据在部分取值范围内缺失的问题,同时,对参考工作数据不断进行修正使其误差逐渐减小,从而使得训练得到的设备模型可以在完整的取值范围内稳定和准确地输出结果,提高参数优化的效果。
附图说明
图1是本申请实施例提供的一种暖通系统的设备示意图;
图2是本申请实施例提供的一种设备模型的建立方法的流程示意图;
图3是本申请实施例提供的一种数据融合和训练示意图;
图4是本申请实施例提供的一种暖通系统的优化方法的流程示意图;
图5是本申请实施例提供的一种推荐工作模式的确定流程示意图;
图6是本申请实施例提供的电子设备的示意性框图。
具体实施方式
首先对本申请实施例中涉及的专业术语进行介绍。
暖通系统:用于提供温度调节功能的系统,可以包括一个或多个设备,例如:冷却泵、冷却塔、冷机、冷冻泵(一次泵)或板式换热器。
冷却泵:为冷却水循环提供动力的水泵。
冷却塔:通过风扇转动为冷却水进行蒸发散热的设备。
冷冻泵:为冷冻水循环提供动力的水泵。
冷机:将冷冻侧热量通过压缩制冷剂转移至冷却侧的制冷装置。
板式换热器:通过热交换将冷冻侧热量转移至冷却侧的制冷装置,该装置不消耗电力。
免费制冷:不使用冷机,仅仅依靠板式换热器实现热量交换的模式。
预冷:同时使用冷机和板式换热器进行热量交换的模式。
机械制冷:使用冷机实现热量交换的模式。
暖通拓扑图:将暖通设备的实时运行工况映射到后台的控制界面中,可供现场人员查看以及进行远程参数控制。
参考工作数据:设备厂商提供的数据和/或基于经验公式确定的数据。
真实数据:对设备进行采样获得的数据。
图1是本申请实施例提供的一种暖通系统的设备示意图,在采用神经网络模型的暖通系统参数优化方案中,基于采样得到的暖通系统的相关数据,例如湿球温度、负载以及暖通系统的内部参数如风机频率、冷却泵频率等数据,对神经网络模型进行训练,使得神经网络模型输出暖通系统的预测功耗信息,进而基于预测功耗信息对暖通系统进行参数优化。但是,由于神经网络模型比较敏感,而暖通系统的相关数据却往往存在部分取值范围(也可以称为取值空间或数据空间)内缺失的问题,这就导致训练得到的模型难以在完整的取值范围内维持稳定合理的输出,且模型过拟合严重,使得暖通系统的参数优化效果不佳,此外,神经网络模型还存在可解释性较差的问题,上述这些问题导致这种优化方案的落地部署存在较大阻力。
而在另外一些暖通系统参数优化方案中,为了解决数据在部分取值范围内缺失的问题,在模型训练时,通过现场实验的方法将数据补齐。但是这种方案中,大量实验会产生故障风险以及额外的消耗,且由于每个设备的性能存在差异,该方法的可迁移性较差。
鉴于此,本申请实施例中提出一种设备模型建立方法,该方法可以应用于需要对设备的工作参数之间的关系进行建模的设备或系统中,例如可以应用于暖通系统中,每个设备的设备模型可以是一个或多个,设备模型的输入包括设备的第一工作参数,第一工作参数可以为一个或多个,设备模型的输出是与第一工作参数相关的第二工作参数的预测值,设备模型用于表征设备的各项工作参数之间的关联,在不依赖设备现场实验的前提下,利用设备的真实数据和参考工作数据来构成完整取值范围内的训练数据,同时,在模型训练过程中对参考工作数据不断进行修正,降低参考工作数据的误差,从而使得训练得到的设备模型可以在完整的取值范围内稳定和准确地输出结果,提高参数优化的效果。
下面结合附图对本申请实施例提供的设备模型建立方法以及暖通系统的优化方法做详细说明。
图2是本申请实施例提供的一种设备模型的建立方法的流程示意图。在以下实施例中以该方法应用于暖通系统为例进行说明。如图2所示,该设备模型建立方法包括:
S201、获取设备在工作过程中的第一采样数据以及设备的参考工作数据,第一采样数据和参考工作数据中均包括第一工作参数和对应的第二工作参数。
第一采样数据是在设备工作过程中采样得到的真实数据,参考工作数据为设备厂商提供的数据和/或基于经验公式确定的数据。由于设备运行时通常会维持在一个相对稳定的工作状态,因此,对设备进行采样得到的第一采样数据可能存在在部分取值范围内缺失的问题,例如,设备的第一工作参数的取值范围在0至100之间,但是设备运行时该第一工作参数大多维持在40至60之间,这样第一采样数据中很可能缺失0至40以及60至100之间的数据,而参考工作数据则可以涵盖到完整的取值范围,例如设备厂商会提供该设备在完整取值范围内的参考工作数据,或者,基于经验公式可以计算得到完整取值范围内的参考工作数据,因此可以利用参考工作数据来弥补第一采样数据的在部分取值范围内缺失的问题,例如在前述示例的情况下,可以利用0至40以及60至100之间的参考工作数据对第一采样数据进行补充,从而可得到0-100之间的数据作为训练数据。
由于第一采样数据是从暖通系统中获取的真实数据,相较于参考工作数据更为准确,在获取参考工作数据时,若获取到的是设备在第一参数的取值范围内的全部参考工作数据,可以基于第一采样数据对参考工作数据进行部分删除。
可选的,获取设备在工作过程中的第一采样数据,以及设备在第一参数的取值范围内的全部参考工作数据;将第一参数的取值范围划分为多个子区间;针对各子区间,判断在子区间内是否存在第一采样数据,若在子区间内存在第一采样数据,则删除子区间内的参考工作数据,若在子区间内不存在第一采样数据,则保留子区间内的参考工作数据。
通过上述方法即可实现利用参考工作数据对第一采样数据进行补充,补充之后得到的数据可以称为融合数据,融合数据中充分保留了设备的真实数据,同时可以保证整个取值范围中的每个子区间内均有数据。
设备模型为设备的第一工作参数和第二工作参数之间的模型,第一工作参数、第二工作参数可以包括温度、流量、负载、设备的频率、功耗等信息,其中,负载是指由暖通系统所在的数据中心的设备所产生的热量。各设备模型的第一工作参数和第二工作参数具体所包含的数据可以根各设备的实际情况来确定。为了预测暖通系统的功耗,对于冷冻泵,需要建立的设备模型为冷冻水流量和冷冻泵的电机频率之间的模型以及冷冻泵的电机频率和功耗之间的模型;对于冷却泵,需要建立的设备模型为冷却水流量和冷却泵的电机频率之间的模型以及冷却泵的电机频率和功耗之间的模型;对于冷却塔,需要建立的设备模型为冷却塔的风机频率和功耗之间的模型,以及暖通系统所处环境的天气温度、冷却侧温差(冷却水进回水温差)、水汽比(LGR)这三者和冷却塔出水温度(冷却水温度)之间的模型;对于冷机,需要建立的设备模型为冷冻水流量和蒸发器饱和温度之间的模型,冷却水流量和冷凝器饱和温度之间的模型、以及蒸发器饱和温度、冷凝器饱和温度、冷机负载率这三者和功耗之间的模型;对于板式换热器,需要建立的设备模型为冷冻水流量、冷却水流量、冷却水温度这三者和冷冻水温度之间的模型。基于这些模型,即可确定对于各设备需要采集的第一采样数据以及需要获取的参考工作数据。
S202、采用第一采样数据和参考工作数据对设备对应的初始设备模型进行迭代训练,且在迭代训练过程中基于迭代得到的模型对参考工作数据进行修正,以得到设备模型。
可选的,本申请实施例中的初始设备模型可以使用随机森林、极度梯度提升树(eXtreme Gradient Boosting,XGBoost)、神经网络等黑盒算法,这些算法可使得模型拥有更高的精度。可选的,初始设备模型可以为线性回归模型、多项式回归模型和经验模型中的一项或多项的组合,经验模型可以为专家公式模型、专家参数选择模型等。例如,设备的预设模型为线性回归+专家公式模型;设备的预设模型为多项式回归+专家参数选择模型,相较于黑盒算法,这类模型的可解释性更好。在实际应用中可以根据设备类型来确定初始设备模型。
由于参考工作数据与设备的真实数据会存在一定的偏差,因此,在采用第一采样数据和参考工作数据对模型进行训练时,可以不断对其中的参考工作数据进行修正,使得参考工作数据的误差逐渐减小。可选的,本申请实施例中可以在每轮迭代训练后均对参考工作数据进行一次残差修正。
可选的,采用第一采样数据和参考工作数据对初始设备模型进行训练,得到第一模型,将参考工作数据中的第一工作参数输入至第一模型,得到第一模型输出的第二工作参数的预测值,将参考工作数据中的第二工作参数更新为第一模型输出的第二工作参数的预测值,重复执行本步骤,直至满足迭代停止条件后,将得到的第一模型确定为设备模型。
采用第一采样数据和参考工作数据构成的融合数据对初始设备模型进行训练,得到第一轮训练后的第一模型,针对第一采样数据确定模型损失,之后,将参考工作数据中的第一工作参数输入至第一轮训练后的第一模型,得到第一轮训练后的第一模型输出的第二工作参数的预测值,将参考工作数据中的第二工作参数更新为第一轮训练后的第一模型输出的第二工作参数的预测值,从而实现了对参考工作数据的第一次残差修正,得到更新后的参考工作数据,利用第一采样数据和更新后的参考工作数据对第一轮训练后的第一模型进行训练,得到第二轮训练后的第一模型,针对第一采样数据确定模型损失,之后,将参考工作数据中的第一工作参数输入至第二轮训练后的第一模型,得到第二轮训练后的第一模型输出的第二工作参数的预测值,将参考工作数据中的第二工作参数更新为第二轮训练后的第一模型输出的第二工作参数的预测值,从而实现了对参考工作数据的第二次残差修正,再次得到更新后的参考工作数据,重复上述迭代过程,直至模型损失满足迭代停止条件,则将此时得到的第一模型作为训练后的设备模型。
对暖通系统中的各设备采用上述方法对初始设备模型进行训练,即可建立相应的设备模型,对训练后的设备模型以及相应的第一采样数据和参考工作数据可以进行存储,以便于后续对设备模型进行更新。
本申请实施例中,将暖通系统的真实数据和参考工作数据进行融合,利用参考工作数据对真实数据进行补充以解决真实数据在部分取值范围内缺失的问题,同时,对参考工作数据不断进行残差修正使其误差逐渐减小,从而使得训练得到的设备模型可以在完整的取值范围内稳定和准确地输出结果,提高参数优化的效果。
此外,由于设备运行时的环境是动态变化的,设备模型在不同时间的误差可能不同,训练后的设备模型在一段时间后有可能误差较大,因此,本申请实施例的模型建立方法中还提出对设备模型进行动态更新。
可选的,获取设备在最近第一时间段的工作过程中的第二采样数据;针对各子区间,判断在子区间内是否存在第二采样数据,若在子区间内存在第二采样数据,则删除子区间内的第一采样数据或参考工作数据,若在子区间内不存在第二采样数据,则保留子区间内的第一采样数据或参考工作数据,得到第一数据;采用第一数据对设备模型进行训练,且在迭代训练过程中基于每次迭代得到的模型对第一数据中的参考工作数据进行修正,以对设备模型进行更新。
第二采样数据与第一采样数据类似,只是第二采样数据是最新采样获取的真实数据,相较于第一采样数据,第二采样数据更接近当前时刻。例如,在日常维护中,可以基于各设备实时的真实数据确定设备模型的误差,若误差大于预设误差值,则可以触发对模型进行重新训练,获取最近第一时间段的第二采样数据,例如最近一个月的第二采样数据,将第二采样数据与上次训练后的融合数据,例如上次训练后的第一采样数据和参考工作数据,进行融合,得到新的融合数据,即第一数据。又如,对各设备模型可以按照一定规则触发重新训练,例如按月对设备模型进行训练更新,每次训练时,获取最近一个月内暖通系统中各设备的第二采样数据,将第二采样数据与上次训练后的融合数据进行融合,得到新的融合数据。每次进行数据融合时,均是采用最新的采样数据替换上次训练后融合数据的采样数据或参考工作数据。采用新的融合数据对设备模型进行训练的方法与前述类似,其中对新的融合数据中的参考工作数据进行修正的方法也与前述类似。
可选的,参照图3所示,在获取第一采样数据和第二采样数据后,可以根据各设备模型,对一采样数据和第二采样数据进行异常数据检测和筛查,在后续数据融合的过程中采用经过筛查的第一检测数据和第二检测数据与参考工作数据进行数据融合。
本申请实施例中,在进行模型训练时,使用了数据融合和残差修正的方法,并且可以实现自适应地模型更新,更加适用于数据中心真实的使用环境,节省了大量的成本。
在上述设备模型的基础上,对本申请实施例提供的暖通系统的调优方法进行说明。
图4是本申请实施例提供的一种暖通系统的调优方法的流程示意图。如图4所示,该方法包括:
S401、获取暖通系统中各设备的设备模型,设备模型是预先采用前述实施例的方法训练得到的,设备模型包括第二工作参数为功耗的模型。
可选的,在获取各设备的设备模型后,可以基于各设备实时的真实数据确定设备模型的误差,从而可以在后续的优化过程中,在模型预测的结果中消除该误差。
S402、按照暖通系统的拓扑信息连接各设备的设备模型以得到暖通系统的系统模型,并对系统模型进行参数寻优,得到使得暖通系统功耗最低的目标参数。
暖通系统的拓扑信息包括了暖通系统中各设备之间的连接关系、水路流向等信息,利用暖通系统的拓扑信息,可以将各设备的设备模型连接以得到耦合模型,即暖通系统的系统模型。拓扑信息还可以通过图像化的方式进行展示,例如在暖通系统的控制平台可查看暖通拓扑图。
基于温度信息、暖通系统的负载信息、暖通系统的制冷量分配信息和暖通系统中各设备的参数上下限等信息,利用寻优算法对系统模型进行寻优。温度信息可以为湿球温度,即暖通系统所处环境的天气温度,负载信息为数据中心的设备产生的总热量。暖通系统可以包括一套或多套子系统,多套子系统可以有部分或全部处于工作状态,暖通系统的制冷量分配信息是指暖通系统中的子系统的制冷量分配比例,可以基于暖通系统实时的真实数据(冷冻水进回水温度、流量等)来确定。例如,暖通系统的两套子系统工作,制冷量分配比例为0.4:0.6,即一套子系统承担40%的负载,另一套系统承担60%的负载。若单套子系统工作,则其制冷量分配比例为100%。制冷量分配比例可以存储在表格中,每次计算后对表格进行更新,寻优时可以从表格中进行读取。各设备的参数上下限可以是预先设置的设备安全运行的上下限,为寻优的约束条件。
各设备的设备模型之间具有相互关联,可以构成整体的耦合系统,也就是整个暖通系统的系统模型。针对系统模型,假设一组参数,包括冷却水温差、冷冻水温差和冷却塔频率(冷却塔风机频率),根据冷却水温差和负载可以确定冷却水流量,根据冷冻水温差和负载可以确定冷冻水流量,对于多套子系统的情况,每套子系统的负载为暖通系统总的负载和制冷量分配比例的乘积。
基于冷却水流量,以及冷却泵的两个设备模型:冷却水流量和频率之间的模型以及频率和功耗之间的模型,确定冷却泵的功耗。基于冷冻水流量,以及一次泵的两个设备模型:冷冻水流量和频率之间的模型以及频率和功耗之间的模型,确定一次泵的功耗。基于冷却塔的设备模型:频率和功耗之间的模型,确定冷却塔的功耗。基于冷却水流量和冷却塔风机频率确定LGR,基于冷却塔的设备模型:湿球温度、冷却水温差、LGR这三者和冷却塔出水温度(冷却水温度)之间的模型,确定冷却塔出水温度。基于冷却塔出水温度,以及板式换热器的设备模型:冷冻水流量、冷却水流量、冷却水温度这三者和冷冻水温度之间的模型,确定冷冻水温度。基于冷冻水温度、冷冻水流量,以及冷机的设备模型:冷冻水流量和蒸发器饱和温度之间的模型,确定蒸发器饱和温度,基于冷却水流量、冷却水温度,以及冷机的设备模型:冷却水流量和冷凝器饱和温度之间的模型,确定冷凝器饱和温度,基于冷机的设备模型:蒸发器饱和温度、冷凝器饱和温度、冷机负载率这三者和功耗之间的模型,确定冷机的功耗。冷机负载率是负载与冷机的额定功率的比值。
上述方法中,将参数代入各设备模型构成的系统模型中得到各设备的预测功耗,即暖通系统的预测功耗。采用网格搜索+梯度下降搜索法,重复上述操作,在整个可行的参数取值范围内对参数进行寻优,得到使得暖通系统功耗最低的目标参数。此外,针对每个模型,可以输出相应的中间变量,提高模型的可解释性。
可选的,若目标参数与暖通系统的现场参数的差值大于或等于第一预设阈值,则将暖通系统的现场参数调整为目标参数。可选的,若目标参数与暖通系统的现场参数的差值小于第一预设阈值,且目标参数对应的暖通系统的功耗与暖通系统的当前功耗的差值大于或等于第二预设阈值,则将暖通系统的现场参数调整为目标参数。从而,在提升参数优化效果的同时,减少了对设备参数的频繁更改。
可选的,暖通系统具有多个工作模式,不同工作模式下处于工作状态的设备存在不同,例如前述的免费制冷模式、预冷模式和机械制冷模式,不同工作模式适合的环境不同,对应的功耗也不同,每个工作模式具有对应的可用的条件,例如,在温度小于第一温度时,免费制冷模式、预冷模式和机械制冷模式均可用,在温度大于等于第一温度时,预冷模式和机械制冷模式可用。本申请实施例的方法除了可以进行参数寻优之外,还可以进行工作模式寻优。对不同工作模式下的设备模型所构成的系统模型进行参数寻优,得到当前以及未来的多个第二时间段各自对应的使得暖通系统功耗最低的最优工作模式和相应的目标参数。其中,温度信息可以包括实时的温度信息以及未来的温度预测信息,负载信息可以包括实时的负载信息以及未来的负载预测信息。基于对来多个第二时间段的温度预测信息和负载预测信息可以预测未来多个第二时间段中每个第二时间段的最优工作模式。例如,针对每个第二时间段,对每个工作模式均采用前述方法确定该工作模式下功耗最低的目标参数,再对多个工作模式进行对比,确定其中功耗最低的工作模式即为最优工作模式。例如,基于暖通设备实时的真实数据,确定当前的最优工作模式,基于未来n小时的温度预测信息和负载预测信息,确定未来n小时中每小时的最优工作模式。
可选的,确定暖通系统的当前工作模式是否为最优工作模式;若当前工作模式为最优工作模式,且在未来一个或多个第二时间段内当前工作模式可用,则将当前工作模式输出为推荐工作模式;若当前工作模式不是最优工作模式,且当前模式在未来多个第二时间段内均可用,则若当前工作模式在未来任一第二时间段内为最优工作模式,将当前工作模式输出为推荐工作模式;若当前工作模式不是最优工作模式,且当前模式在未来任一第二时间段内不可用或者当前工作模式在未来任一第二时间段内均不是最优工作模式,则将未来的多个第二时间段内整体功耗最低的工作模式输出为推荐工作模式。可选的,若推荐工作模式与当前工作模式不同,则将暖通系统的工作模式设置为推荐工作模式,相应的,将暖通系统的参数设置为推荐工作模式对应的目标参数。工作模式可用是指该工作模式下设备可以正常工作,不同环境状态下可用的工作模式可以预先设置。
示例的,如图5所示,确定暖通系统的当前工作模式是否为最优工作模式;若当前工作模式为最优工作模式,且在下个小时当前工作模式可用,则将当前工作模式输出为推荐工作模式;若当前工作模式不是最优工作模式,且当前模式在未来n小时内的每个小时内均可用,则若当前工作模式在未来n小时内的任一小时内为最优工作模式,将当前工作模式输出为推荐工作模式;若当前工作模式不是最优工作模式,且当前模式在未来n小时内的任一小时内不可用或者当前工作模式在未来n小时内的每个小时内均不是最优工作模式,则将未来n小时内整体功耗最低的工作模式输出为推荐工作模式。在实际应用中,参数优化和工作模式优化的频率可以根据需要进行设置,例如,每5分钟触发一次参数优化,每小时触发一次工作模式优化。
可选的,本申请实施例中,可以将确定出的目标参数、推荐工作模式、预测功耗等数据上传至暖通系统的控制平台,控制平台可以向暖通系统下发指令进行优化。控制平台还可以根据暖通系统的实时运行工况以及预测功耗等绘制曲线,以便于维护人员直观地观测参数优化效果。
本申请实施例的方法实现了暖通系统的设备模型训练、工作模式推荐、参数推荐、平台信息推送和展示全部线上化自动化运行,不需要人工干预,可以实现24小时不间断推送,可以自动控制现场的工作状态,这种方法极大的节省了人力的同时,有着良好的可扩展性,可以实现低成本方案迁移,有利于广泛应用于各类数据中心。
图6是本申请实施例提供的电子设备的示意性框图。如图6所示,该电子设备600可以包括至少一个处理器610,用于实现本申请实施例提供的暖通系统的设备模型建立方法或暖通系统的优化方法。
可选地,该电子设备600还包括至少一个存储器620,用于存储程序指令和/或数据。存储器620和处理器610耦合。本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接,可以是电性,机械或其它的形式,用于装置、单元或模块之间的信息交互。处理器610可能和存储器620协同操作。处理器610可能执行存储器620中存储的程序指令。该至少一个存储器中的至少一个可以包括于处理器中。
可选地,该电子设备600还包括通信接口630,用于通过传输介质和其它设备进行通信,从而用于电子设备600可以和其它设备进行通信。该通信接口630例如可以是收发器、接口、总线、电路或者能够实现收发功能的装置。处理器610可利用通信接口630收发数据和/或信息,并用于实现本申请实施例提供的暖通系统的设备模型建立方法或暖通系统的优化方法。
本申请实施例中不限定上述处理器610、存储器620以及通信接口630之间的具体连接介质。本申请实施例在图6中以处理器610、存储器620以及通信接口630之间通过总线640连接。总线640在图6中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
应理解,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序(也可以称为代码,或指令)。当该计算机程序被运行时,使得计算机执行前述实施例中的方法。
本说明书中使用的术语“单元”、“模块”等,可用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各种说明性逻辑块(illustrative logical block)和步骤(step),能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,该单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
该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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,各功能单元的功能可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令(程序)。在计算机上加载和执行该计算机程序指令(程序)时,全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solidstate disk,SSD))等。
该功能如果以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,本申请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)执行本申请各个实施例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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (14)
1.一种设备模型的建立方法,其特征在于,所述设备模型的输入包括设备的第一工作参数,所述设备模型的输出是与所述第一工作参数相关的第二工作参数的预测值,所述方法包括:
获取所述设备在工作过程中的第一采样数据以及所述设备的参考工作数据,所述第一采样数据和所述参考工作数据中均包括所述第一工作参数和对应的所述第二工作参数;
采用所述第一采样数据和所述参考工作数据对所述设备对应的初始设备模型进行迭代训练,且在迭代训练过程中基于迭代得到的模型对所述参考工作数据进行修正,以得到所述设备模型。
2.根据权利要求1所述的方法,其特征在于,所述获取所述设备在工作过程中的第一采样数据以及所述设备的参考工作数据,包括:
获取所述设备在工作过程中的第一采样数据,以及所述设备在所述第一参数的取值范围内的全部参考工作数据;
将所述第一参数的取值范围划分为多个子区间;
针对各子区间,判断在所述子区间内是否存在第一采样数据,若在所述子区间内存在第一采样数据,则删除所述子区间内的参考工作数据,若在所述子区间内不存在第一采样数据,则保留所述子区间内的参考工作数据。
3.根据权利要求1所述的方法,其特征在于,所述采用所述第一采样数据和所述参考工作数据对所述设备对应的初始设备模型进行迭代训练,且在迭代训练过程中基于迭代得到的模型对所述参考工作数据进行修正,以得到所述设备模型,包括:
采用所述第一采样数据和所述参考工作数据对所述初始设备模型进行训练,得到第一模型,将所述参考工作数据中的第一工作参数输入至所述第一模型,得到所述第一模型输出的第二工作参数的预测值,将所述参考工作数据中的第二工作参数更新为所述第一模型输出的第二工作参数的预测值,重复执行本步骤,直至满足迭代停止条件后,将得到的第一模型确定为所述设备模型。
4.根据权利要求2所述的方法,其特征在于,还包括:
获取所述设备在最近第一时间段的工作过程中的第二采样数据;
针对各子区间,判断在所述子区间内是否存在第二采样数据,若在所述子区间内存在第二采样数据,则删除所述子区间内的第一采样数据或参考工作数据,若在所述子区间内不存在第二采样数据,则保留所述子区间内的第一采样数据或参考工作数据,得到第一数据;
采用所述第一数据对所述设备模型进行训练,且在迭代训练过程中基于迭代得到的模型对所述第一数据中的参考工作数据进行修正,以对所述设备模型进行更新。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述设备的预设模型为线性回归模型、多项式回归模型和经验模型中的一项或多项的组合。
6.根据权利要求1-4中任一项所述的方法,其特征在于,所述方法应用于暖通系统,所述设备为暖通系统中的设备,所述设备以及所述设备模型对应的第一工作参数和第二工作参数包括以下任一项:
所述设备为冷却泵,所述第一工作参数为冷却水流量,所述第二工作参数为所述冷却泵的电机频率;
所述设备为冷却泵,所述第一工作参数为所述冷却泵的电机频率,所述第二工作参数为功耗;
所述设备为冷冻泵,所述第一工作参数为冷冻水流量,所述第二工作参数为所述冷冻泵的电机频率;
所述设备为冷冻泵,所述第一工作参数为所述冷冻泵的电机频率,所述第二工作参数为功耗;
所述设备为冷却塔,所述第一工作参数为所述冷却塔的风机频率,所述第二工作参数为功耗;
所述设备为冷却塔,所述第一工作参数为所述暖通系统所处环境的天气温度、冷却水进回水温差和水汽比,所述第二工作参数为冷却塔出水温度;
所述设备为冷机,所述第一工作参数为冷冻水流量,所述第二工作参数为蒸发器饱和温度;
所述设备为冷机,所述第一工作参数为冷却水流量,所述第二工作参数为冷凝器饱和温度;
所述设备为冷机,所述第一工作参数为蒸发器饱和温度、冷凝器饱和温度和冷机负载率,所述第二工作参数为功耗;
所述设备为板式换热器,所述第一工作参数为冷冻水流量、冷却水流量和冷却水温度,所述第二工作参数为冷冻水温度。
7.一种暖通系统的调优方法,其特征在于,包括:
获取所述暖通系统中各设备的设备模型,所述设备模型是预先采用如权利要求1-5中任一项所述的方法得到的,所述设备模型包括第二工作参数为功耗的模型;
按照所述暖通系统的拓扑信息连接各设备的设备模型以得到所述暖通系统的系统模型,并对所述系统模型进行参数寻优,得到使得所述暖通系统功耗最低的目标参数。
8.根据权利要求7所述的方法,其特征在于,还包括:
若所述目标参数与所述暖通系统的现场参数的差值大于或等于第一预设阈值,则将所述暖通系统的现场参数调整为所述目标参数。
9.根据权利要求8所述的方法,其特征在于,还包括:
若所述目标参数与所述暖通系统的现场参数的差值小于所述第一预设阈值,且所述目标参数对应的所述暖通系统的功耗与所述暖通系统的当前功耗的差值大于或等于第二预设阈值,则将所述暖通系统的现场参数调整为所述目标参数。
10.根据权利要求7所述的方法,其特征在于,所述暖通系统具有多个工作模式,不同工作模式下处于工作状态的设备存在不同;所述方法还包括:
对不同工作模式下的设备模型所构成的系统模型进行参数寻优,得到当前以及未来的多个第二时间段各自对应的使得所述暖通系统功耗最低的最优工作模式和相应的目标参数。
11.根据权利要求10所述的方法,其特征在于,每个工作模式具有对应的可用的条件,所述方法还包括:
确定所述暖通系统的当前工作模式是否为最优工作模式;
若当前工作模式为最优工作模式,且在未来一个或多个第二时间段内当前工作模式可用,则将当前工作模式输出为推荐工作模式;
若当前工作模式不是最优工作模式,且当前模式在未来多个第二时间段内均可用,则若当前工作模式在未来任一第二时间段内为最优工作模式,将当前工作模式输出为推荐工作模式;
若当前工作模式不是最优工作模式,且当前模式在未来任一第二时间段内不可用或者当前工作模式在未来任一第二时间段内均不是最优工作模式,则将未来的多个第二时间段内整体功耗最低的工作模式输出为推荐工作模式。
12.根据权利要求11所述的方法,其特征在于,还包括:
若所述推荐工作模式与当前工作模式不同,则将所述暖通系统的工作模式设置为所述推荐工作模式。
13.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行权利要求1-12中任意一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310099172.8A CN116011346A (zh) | 2023-01-20 | 2023-01-20 | 设备模型的建立方法、暖通系统的调优方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310099172.8A CN116011346A (zh) | 2023-01-20 | 2023-01-20 | 设备模型的建立方法、暖通系统的调优方法和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116011346A true CN116011346A (zh) | 2023-04-25 |
Family
ID=86024926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310099172.8A Pending CN116011346A (zh) | 2023-01-20 | 2023-01-20 | 设备模型的建立方法、暖通系统的调优方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116011346A (zh) |
-
2023
- 2023-01-20 CN CN202310099172.8A patent/CN116011346A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112577161B (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
US10461954B2 (en) | Intelligent equipment sequencing | |
US10700942B2 (en) | Building management system with predictive diagnostics | |
US10401262B2 (en) | Building management system with voting-based fault detection and diagnostics | |
JP5572799B2 (ja) | 空調システム制御装置 | |
CN111811110B (zh) | 制冷机组的控制方法及装置、电子设备、存储介质 | |
KR101754536B1 (ko) | 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치 | |
US11085663B2 (en) | Building management system with triggered feedback set-point signal for persistent excitation | |
CN113039506B (zh) | 基于因果学习的数据中心基础结构优化方法 | |
CN108594886B (zh) | 基于仿真和运行大数据的冷冻系统自优化控制方法和装置 | |
EP4089619A1 (en) | Building equipment energy management control system and control method therefor | |
CN111928429A (zh) | 数据中心制冷系统的节能控制方法与装置 | |
US11236917B2 (en) | Building control system with zone grouping based on predictive models | |
US20160062340A1 (en) | Temperature management system, temperature management method, and non-transitory computer readable recording medium having therein program for temperature management | |
WO2016088509A1 (ja) | 気象補正装置、空調管理システム及び気象補正方法 | |
KR101727434B1 (ko) | 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법 | |
US8682635B2 (en) | Optimal self-maintained energy management system and use | |
JP4857051B2 (ja) | 冷凍機設備の運転方法及び冷凍機を備えて成る設備 | |
CN116011346A (zh) | 设备模型的建立方法、暖通系统的调优方法和电子设备 | |
CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
CN114427742B (zh) | 中央空调冷站能效控制方法、装置、设备以及存储介质 | |
CN115906467A (zh) | 基于换电站的数据处理方法、装置、电子设备及存储介质 | |
US20210192469A1 (en) | Building control system with peer analysis for predictive models | |
CN111787764B (zh) | 多联机制冷机组的能耗优化方法及装置、电子设备、存储介质 | |
US20200224909A1 (en) | Central plant control system with dynamic computation reduction |
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 |