CN116880220B - 一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法 - Google Patents
一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法 Download PDFInfo
- Publication number
- CN116880220B CN116880220B CN202311143605.1A CN202311143605A CN116880220B CN 116880220 B CN116880220 B CN 116880220B CN 202311143605 A CN202311143605 A CN 202311143605A CN 116880220 B CN116880220 B CN 116880220B
- Authority
- CN
- China
- Prior art keywords
- model
- fluorine pump
- layer
- neural network
- refrigerating capacity
- 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.)
- Active
Links
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 229910052731 fluorine Inorganic materials 0.000 title claims abstract description 75
- 239000011737 fluorine Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000004378 air conditioning Methods 0.000 claims abstract description 21
- 238000005057 refrigeration Methods 0.000 claims description 36
- 238000005265 energy consumption Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 24
- 238000001816 cooling Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20836—Thermal management, e.g. server temperature control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20718—Forced ventilation of a gaseous coolant
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于IPSO‑Elman神经网络建模的氟泵空调全年节能运行控制方法，本发明针对带氟泵的直膨式空调，通过建立氟泵运行、压缩机运行和混合制冷模型下的制冷量模型和能耗模型，并基于IPSO‑Elman模型建立神经网络模型，采集室内干球温度、风机频率、压缩机转速、机组制冷量和系统能耗作为样本数据，通过多次迭代训练调整网络参数得到实时工况参数与空调机组制冷量的关系模型，从而实现空调系统能根据实时工况最大化利用室外自然冷源，以最优的空调机组参数运行，达到机房高效节能的目的。
Description
技术领域
本发明属于数据中心机房空调的环保节能优化控制领域，尤其涉及一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法。
背景技术
数据中心IT设备功率密度大，热负荷高，对温湿度有较高的要求，通常需要专用的空调系统保证数据中心的稳定运行。根据对数据中心的能耗分析，空调系统是数据中心内除了IT设备以外第一大能耗系统，其耗电量占数据中心总耗电的40%左右。
为了节约数据中心空调系统的耗电量，现有的空调系统通常采用氟泵和压缩机的复合空调系统，在传统压缩机系统中串联进氟泵系统，在夏季等室外温度较高情况下采用压缩机制冷循环，而在冬季等室外温度较低情况下采用氟泵制冷循环，利用氟泵驱动制冷剂将机房内的热量引导至机房外部，并散发至环境中。由于氟泵的运行功耗要小于压缩机的运行功耗，使用氟泵制冷循环来取代压缩机制冷循环能够达到节能的目的。
但是现有的氟泵和压缩机的复合空调系统存在问题：其一，三种制冷模式切换根据室外温度的经验值，未能根据实际工况计算最优切换工况，未能最大程度使用自然冷源；其二，大多数氟泵空调的控制策略依然采用专家经验的方式，未能按照实际工况实时调整最优的压缩机转速、氟泵频率、风机频率，实现最大程度节能的运行方式。
发明内容
发明目的：针对带氟泵的直膨式空调，本发明的目的是提供一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法，本发明能根据室外环境、机房冷量需求、空调机组特性，实时计算出最节能的氟泵空调运行状态，使得空调系统能根据实时工况最大化利用室外自然冷源，以最优的空调机组参数运行，达到机房高效节能的目的。
技术方案：为实现上述发明目的，本发明采用以下技术方案：一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法，包括以下步骤：
步骤S1，建立氟泵运行、压缩机运行和混合制冷模型下的制冷量模型和能耗模型，分别如式（1）和（2）所示，
（1）
式中，、/>、/>分别为氟泵制冷模式制冷量、压缩机制冷模式制冷量、混合制冷模式制冷量，kW；/>是室内湿球温度，℃；/>是室外空气的干球温度，℃；是室内干球温度，℃；/>是室内风机频率，Hz；/>、/>分别指氟泵、压缩机转速，rpm；/>、/>、/>均为模型待确定系数，
，
，
；
(2)
式中，、/>、/>分别为氟泵制冷模式耗电量、压缩机制冷模式耗电量、混合制冷模式耗电量，kW；/>、/>、/>均为模型待确定系数，
，
，
；
步骤S2，基于IPSO-Elman模型建立神经网络模型，并以室内干球温度、风机频率、压缩机转速作为输入数据，以系统空调机组制冷量和系统能耗作为输出数据，并采集历史输入数据和输出数据作为模型样本数据进行多次迭代训练调整网络参数，直到误差达到收敛值为止；
步骤S3，通过步骤S2得到参数集，从而确定室内干球温度、湿球温度、室外干球温度、压缩机转速、风机频率、氟泵频率与制冷量之间的关系，得到实时工况参数与空调机组制冷量的关系模型，进而计算得到不同工况下的不同制冷模式下的制冷量上限/>、/>、/>；
步骤S4，将当前状态下三种模式下的制冷量上限、/>、/>分别与此时的冷负荷需求Q进行比较，若/>，则当前状态下最大制冷量不能满足所需冷负荷；若/>，则将Q分别与当前状态下三种模式下的制冷量上限/>、/>、/>继续比较，并按下述情形设置制冷模式：
（1）若此时 ，则在氟泵制冷模式下，计算得到满足冷负荷需求Q的最小能耗P1；
（2）若 ，但/> 时,则在压缩机制冷模式下，计算得到满足冷负荷需求Q的最小能耗P2；
（3）若 ，但/> 时，则在混合制冷模式下，计算得到满足冷负荷需求Q的最小能耗P3。
进一步的，步骤S2中所述神经网络模型的建立和训练过程如下：
首先，采用Elman神经网络作为基础，网络结构包含输入层、隐藏层和输出层，建立Elman模型如下式（3），
（1）采集氟泵运行、压缩机运行和混合制冷模型下的运行实际数据作为样本数据，样本数据中的输入数据包括室内湿球温度、室外空气的干球温度、室内干球温度、室内风机频率、氟泵转速、压缩机转速；输出数据包括制冷量和能耗；
（2）数据预处理：对采集的样本数据进行预处理，然后划分为训练集和验证集；所述预处理包括对数据清洗、缺失值的填充和异常值的剔除；
（3）首先，基于IPSO-Elman模型构建神经网络模型，如下式（3）所示，
(3)
式中，是输出层的第k个神经元在时间t的输出；/>是隐含层到输出层的连接权重；/>是输出层第k个神经元的偏置；/>是隐含层的第j个神经元在时间t的输出，m为隐含层神经元数量，隐含层神经元数量m=10~20，/>是隐含层的第j个神经元在时间t-1的输出；/>是输入层到隐含层的反馈连接权重，/>是隐含层到隐含层的反馈连接权重，/>是隐含层的第j个神经元的偏置；/>是输入层的第i个神经元在时间t的输入，n为输入层神经元的数量，压缩机和氟泵模式下输入神经元n=6，混合模式下n=7；/>是激活函数；
然后，以训练集的数据对模型进行训练，并通过最小化均方误差MSE或损失函数计算得到其误差项
（4）
式中，为隐含层第j个神经元在时间t的误差项，/>是隐含层到输出层的连接权重，/>表示输出层的神经元个数；/>是输出层第k个神经元在时间t的误差项，是输出的真实值；
接着，通过以下方式（5）对神经网络模型的权重和偏置进行调整更新，最后得到训练好的神经网络模型，
（5）
式中，是模型学习率；/>是输入层到隐含层的反馈连接权重的调整量，是隐含层到隐含层的反馈连接权重的调整量，/>是隐含层到输出层的连接权重调整量，/>是隐含层的第j个神经元的偏置的调整量，/>是输出层第k个神经元的偏置的调整量；
（4）模型评估和优化：通过验证集的数据对训练好的神经网络模型的拟合度和误差进行评估，计算得到评估结果，并根据误差优化模型参数。
进一步的，步骤（4）中所述对训练好的神经网络模型的拟合度和误差进行评估的评估指标包括均方根误差RMSE或平均绝对误差MAE。
有益效果：与现有技术相比，本发明具有以下优点：
1.本发明使用了IPSO-Elman神经网络建立氟泵空调不同制冷模式下的制冷量模型和能耗模型。IPSO-Elman神经网络具有自适应学习速率和自适应惯性权重的特点，在训练过程中更快地收敛，提高训练效率和准确性。
2.本发明能根据室内外环境、机房冷量需求、空调机组特性，选择此时最节能的氟泵空调的制冷模式，相较于传统以经验方式确定制冷模式切换温度的方式，该方法不局限于以某个温度点来切换制冷模式，能根据变化的实际工况智能化确定合理的制冷模式切换。氟泵制冷模式是非常节能的一种制冷模式，在室外温度较低时，开启氟泵能够使用较小的电量得到较大的制冷量，但室外温度越高，氟泵模式下所能制取的冷量会越少，因此根据室内负荷需求，若室内负荷需求较小时，也可在室外温度略高时（相较于切换制冷模式的温度经验值-5℃）采用氟泵制冷模式，使得氟泵空调系统能根据实时工况最大化利用室外自然冷源，达到机房高效节能的目的。
3.本发明提供的控制方法能够使空调系统根据机房所需冷量、空调机组特性、室内外环境温度通过遗传算法计算出在相应制冷模式下的最节能的空调机组运行状态，即根据实际工况调配最优的压缩机、氟泵、风机开启程度，能使系统能以较高的能效运行，能够降低系统能耗，使系统达到全年节能运行的目的。
附图说明
图1是本发明所述基于负荷预测的冷水机组群控优化方法的流程示意图；
图2是本发明所述负荷预测过程示意图；
图3是本发明所述GA-BP神经网络计算原理图。
图中，压缩机1、节流阀2、第一单向阀3、电磁阀4、冷凝器5、冷风机6、氟泵7、第二单向阀8、第一控制阀9、第二控制阀10、节流装置11、蒸发器12、引风机13。
实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
针对带氟泵的直膨式空调，本发明的目的是提供一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法。它能根据室外环境、机房冷量需求、空调机组特性，实时计算出最节能的氟泵空调运行状态，使得空调系统能根据实时工况最大化利用室外自然冷源，以最优的空调机组参数运行，达到机房高效节能的目的。
如图2所示，本发明基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法，针对的空调机组包括压缩机1、冷凝器5、氟泵7、节流装置11和蒸发器12，压缩机1、冷凝器5、氟泵7、节流装置11和蒸发器12依次连接，并形成封闭回路；压缩机和氟泵复合空调系统还包括第一旁通支路和第二旁通支路，第一旁通支路的第一端与蒸发器12和压缩机1之间的管路连接，第一旁通支路的第二端与压缩机1和冷凝器5之间的管路连接，第一旁通支路上设置有第一单向阀3，第二旁通支路的第一端与冷凝器5和氟泵7之间的管路连接，第二旁通支路的第二端与氟泵7和蒸发器12之间的管路连接，第二旁通支路上设置有第二单向阀8。氟泵空调全年节能运行控制方法，如图1所示：
步骤S1.所需模型建立：
建立氟泵、压缩机以及混合制冷模式下的制冷量模型，形如：
其中，、/>、/>分别为氟泵制冷模式制冷量、压缩机制冷模式制冷量、混合制冷模式制冷量，kW；/>是室内湿球温度，℃；/>是室外空气的干球温度，℃；是室内干球温度，℃；/>是室内风机频率，Hz；/>、/>分别指氟泵、压缩机转速，rpm；/>、/>、/>均为模型待确定系数。
建立氟泵、压缩机以及混合制冷模式下的能耗模型，形如：
其中，、/>、/>分别为氟泵制冷模式耗电量、压缩机制冷模式耗电量、混合制冷模式耗电量，kW；/>、/>、/>均为模型待确定系数。
步骤S2.神经网络训练模型：
根据制冷量、能耗计算公式，其中参数为需要通过实测数据训练获得的目标参数，训练工具使用IPSO-Elman神经网络，以实际运行采集的室内干球温度、风机频率、压缩机转速、制冷量和能耗等参数为输入，以/>参数为输出。
以下是建模步骤描述：
数据准备：收集氟泵、压缩机和混合制冷模式下的制冷量和能耗的实际数据，包括t wbindoor 、t dboutdoor 、t dbindoor 、f indoor 、n fb 、n ysj 和能耗P或者制冷量Q等参数。
数据预处理：对收集到的数据进行预处理，对采集到的数据进行预处理，包括数据清洗、缺失值处理、异常值处理等。使用统计方法或插值法填充缺失值，剔除异常值等。处理后的数据划分为训练集和验证集。按照一定比例（如80%训练集和20%验证集）划分数据。
网络构建：使用ipso-elman神经网络来构建模型。
输入层：输入层节点的数量取决于输入变量数量。输入变量包括室内湿球温度(t wbindoor )、室外空气的干球温度(t dboutdoor )、室内干球温度(t dbindoor )、室内风机频率(f indoor )、氟泵转速(n fb )、压缩机转速(n ysj )、和能耗P或者制冷量Q。所以压缩机、氟泵模式下的模型输入层的节点数应该为6，混合模式下输入层的节点数应该为7。
隐含层：隐含层是网络的核心部分，它的节点数是根据网络复杂度和所需模型的复杂度来确定的。通常情况下，开始时可以选择较少的节点数，然后根据模型的性能进行调整。本发明三模式工作空调机组，对于初始值，优选10到20个节点。
输出层：输出层的节点数取决于输出变量数量，即各制冷模式下模型的系数，所以氟泵、压缩机模式下的输出层节点数应该为11，混合模式下的输出层节点数为12。
连接权重和阈值：连接权重和阈值是网络中节点之间传递信息的参数。它们的值是根据网络的训练过程通过反向传播算法进行调整的。在网络初始化阶段，可以使用随机数生成方法对连接权重和阈值进行初始化。
训练网络：使用训练集对IPSO-Elman神经网络模型进行训练。训练过程中，通过最小化均方误差（Mean Squared Error，MSE）或其他损失函数来调整网络的权重和偏置。可以使用反向传播算法进行参数更新。
具体训练过程中的公式如下：
首先，前向传播过程：输入层到隐含层的输出：
隐含层到输出层的输出：
其中，是输入层的第i个神经元在时间t的输入，压缩机和氟泵模式下输入神经元为n=6个，混合模式下为n=7个，/>是输入层到隐含层的连接权重，/>是隐含层的第j个神经元在时间t的输出，隐含层神经元数量取m=10~20，/>是隐含层到隐含层的反馈连接权重，/>是隐含层的第j个神经元的偏置，/>是隐含层到输出层的连接权重，是输出层的第k个神经元在时间t的输出，压缩机和氟泵模式下输出神经元为11个，混合模式下为12个，/>是输出层的第k个神经元的偏置，/>是激活函数。
然后，反向传播过程：输出层误差项：
其中，为输出的真实值。
隐含层误差项：
权重和偏置的更新：
其中，η是学习率。
模型评估：使用部分数据集对训练好的模型进行评估，计算模型的拟合度和误差。常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
模型优化：根据评估结果，对模型进行调整和优化，如调整网络结构、参数设置等。可以尝试不同的网络结构、学习率和迭代次数等来优化模型性能。
3.氟泵空调的全年运行节能优化策略，如图1所示：
通过神经网络训练包括氟泵、压缩机、混合制冷三个模式的制冷量模型，得出室内干球温度、湿球温度、室外干球温度、压缩机转速、风机频率、氟泵频率与制冷量之间的关系，即输入实时工况参数即可得到此时的机组制冷量。通过所训练的制冷量模型，可求得机组在不同工况下的不同制冷模式下的制冷量上限、/>、/>。
输入此时的冷负荷需求Q，将其与冷量上限、/>、/>的最大值比较，若/>，则将Q分别与/>、/>、/>进行比较，若此时 ，则在氟泵制冷模式下，计算满足冷负荷需求Q的最小能耗/>，若若/> ，则氟泵制冷模式无法满足当下制冷需求；类似的，若/> ，则在压缩机制冷模式下，计算满足冷负荷需求Q的最小能耗/>，若/> ，则压缩机制冷模式无法满足当下制冷需求；若/> ，则在混合制冷模式下，计算满足冷负荷需求Q的最小能耗/>，若，则混合制冷模式无法满足当下制冷需求；若，则说明机组此时最大制冷量不能满足所需冷负荷。
对于该工况下所求的三个模式下的最小能耗进行比较，防止系统频繁调控，可根据实际情况设置合理的，若求出的一到三个能耗值的差值最小值大于等于/>时（），求最优能耗值/>，输出最小能耗值对应的制冷模式以及该模式下的压缩机转速、氟泵转速、风机频率；如若求出的一到三个能耗值的差值最小值小于设定的/>，则机组保持原来状态运行。
在上述中，计算满足冷负荷需求Q的最小能耗时，可以用到基因遗传算法（GA），该算法算法结构较简单、处理信息能力较强，具有很好的鲁棒性。本发明应用场景下使用遗传算法求冷负荷需求Q的最小能耗/>时（以氟泵模式下计算为例，其余两个模式计算方法类似）的具体方法为：
确定目标函数：
确定约束条件：
非线性约束，
设备约束，
氟泵转速，；风机频率
从而求解得到冷负荷需求Q的最小能耗，其余压缩机、混合制冷模式下的求解办法类似。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其技术构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法，其特征在于包括以下步骤：
步骤S1，建立氟泵运行、压缩机运行和混合制冷模型下的制冷量模型和能耗模型，分别如式（1）和（2）所示，
（1）
式中，、/>、/>分别为氟泵制冷模式制冷量、压缩机制冷模式制冷量、混合制冷模式制冷量，kW；/>是室内湿球温度，℃；/>是室外空气的干球温度，℃；是室内干球温度，℃；/>是室内风机频率，Hz；/>、/>分别指氟泵、压缩机转速，rpm；/>、/>、/>均为模型待确定系数，
，
，
；
(2)
式中，、/>、/>分别为氟泵制冷模式耗电量、压缩机制冷模式耗电量、混合制冷模式耗电量，kW；/>、/>、/>均为模型待确定系数，
，
，
；
步骤S2，基于IPSO-Elman模型建立神经网络模型，并以室内干球温度、风机频率、压缩机转速作为输入数据，以系统空调机组制冷量和系统能耗作为输出数据，并采集历史输入数据和输出数据作为模型样本数据进行多次迭代训练调整网络参数，直到误差达到收敛值为止；
步骤S3，通过步骤S2得到参数集，从而确定室内干球温度、湿球温度、室外干球温度、压缩机转速、风机频率、氟泵频率与制冷量之间的关系，得到实时工况参数与空调机组制冷量的关系模型，进而计算得到不同工况下的不同制冷模式下的制冷量上限/>、/>、/>；
步骤S4，将当前状态下三种模式下的制冷量上限、/>、/>分别与此时的冷负荷需求Q进行比较，若/>，则当前状态下最大制冷量不能满足所需冷负荷；若/>，则将Q分别与当前状态下三种模式下的制冷量上限/>、/>、/>继续比较，并按下述情形设置制冷模式：
（1）若此时 ，则在氟泵制冷模式下，计算得到满足冷负荷需求Q的最小能耗P1；
（2）若 ，但/> 时，则在压缩机制冷模式下，计算得到满足冷负荷需求Q的最小能耗P2；
（3）若 ，但/> 时，则在混合制冷模式下，计算得到满足冷负荷需求Q的最小能耗P3；
步骤S2中所述神经网络模型的建立和训练过程如下：
首先，采用Elman神经网络作为基础，网络结构包含输入层、隐藏层和输出层，建立Elman模型如下式（3），
（1）采集氟泵运行、压缩机运行和混合制冷模型下的运行实际数据作为样本数据，样本数据中的输入数据包括室内湿球温度、室外空气的干球温度、室内干球温度、室内风机频率、氟泵转速、压缩机转速；输出数据包括制冷量和能耗；
（2）数据预处理：对采集的样本数据进行预处理，然后划分为训练集和验证集；所述预处理包括对数据清洗、缺失值的填充和异常值的剔除；
（3）首先，基于IPSO-Elman模型构建神经网络模型，如下式（3）所示，
(3)
式中，是输出层的第k个神经元在时间t的输出；/>是隐含层到输出层的连接权重；/>是输出层第k个神经元的偏置；/>是隐含层的第j个神经元在时间t的输出， m为隐含层神经元数量，隐含层神经元数量m=10~20，/>是隐含层的第j个神经元在时间t-1的输出；/>是输入层到隐含层的反馈连接权重，/>是隐含层到隐含层的反馈连接权重，/>是隐含层的第j个神经元的偏置；/>是输入层的第i个神经元在时间t的输入，n为输入层神经元的数量，压缩机和氟泵模式下输入神经元n=6，混合模式下n=7；/>是激活函数；
然后，以训练集的数据对模型进行训练，并通过最小化均方误差MSE或损失函数计算得到其误差项
（4）
式中，为隐含层第j个神经元在时间t的误差项，/>是隐含层到输出层的连接权重，/>表示输出层的神经元个数；/>是输出层第k个神经元在时间t的误差项，/>是输出的真实值；
接着，通过以下方式（5）对神经网络模型的权重和偏置进行调整更新，最后得到训练好的神经网络模型，
（5）
式中，是模型学习率；/>是输入层到隐含层的反馈连接权重的调整量，是隐含层到隐含层的反馈连接权重的调整量，/>是隐含层到输出层的连接权重调整量，/>是隐含层的第j个神经元的偏置的调整量，/>是输出层第k个神经元的偏置的调整量；
（4）模型评估和优化：通过验证集的数据对训练好的神经网络模型的拟合度和误差进行评估，计算得到评估结果，并根据误差优化模型参数。
2.根据权利要求1所述基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法，其特征在于：步骤（4）中所述对训练好的神经网络模型的拟合度和误差进行评估的评估指标包括均方根误差RMSE或平均绝对误差MAE。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311143605.1A CN116880220B (zh) | 2023-09-06 | 2023-09-06 | 一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311143605.1A CN116880220B (zh) | 2023-09-06 | 2023-09-06 | 一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116880220A CN116880220A (zh) | 2023-10-13 |
| CN116880220B true CN116880220B (zh) | 2024-01-26 |
Family
ID=88263069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311143605.1A Active CN116880220B (zh) | 2023-09-06 | 2023-09-06 | 一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116880220B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107062468A (zh) * | 2017-02-14 | 2017-08-18 | 南京佳力图机房环境技术股份有限公司 | 一种双冷源机房空调系统及其控制方法 |
| CN115169079A (zh) * | 2022-06-14 | 2022-10-11 | 深圳市英维克信息技术有限公司 | 空调热负荷计算方法、装置、电子设备和存储介质 |
| DE102022110977A1 (de) * | 2021-05-12 | 2022-11-17 | Nvidia Corporation | Intelligenter kältemittel-zu-kältemittel-wärmetauscher für kühlsysteme in rechenzentren |
| CN116398994A (zh) * | 2023-06-06 | 2023-07-07 | 南京壹格软件技术有限公司 | 一种基于负荷预测的冷水机组群控优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7502768B2 (en) * | 2004-02-27 | 2009-03-10 | Siemens Building Technologies, Inc. | System and method for predicting building thermal loads |
-
2023
- 2023-09-06 CN CN202311143605.1A patent/CN116880220B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107062468A (zh) * | 2017-02-14 | 2017-08-18 | 南京佳力图机房环境技术股份有限公司 | 一种双冷源机房空调系统及其控制方法 |
| DE102022110977A1 (de) * | 2021-05-12 | 2022-11-17 | Nvidia Corporation | Intelligenter kältemittel-zu-kältemittel-wärmetauscher für kühlsysteme in rechenzentren |
| CN115169079A (zh) * | 2022-06-14 | 2022-10-11 | 深圳市英维克信息技术有限公司 | 空调热负荷计算方法、装置、电子设备和存储介质 |
| CN116398994A (zh) * | 2023-06-06 | 2023-07-07 | 南京壹格软件技术有限公司 | 一种基于负荷预测的冷水机组群控优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于IPSO-Elman神经网络的建筑暖通空调系统能耗预测方法;邢国新;自动化技术与应用;全文 * |
| 机房空调节能技术探讨;陈胜朋 等;制冷与空调;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116880220A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288164B (zh) | 一种建筑空调制冷站系统预测控制方法 | |
| CN104019520B (zh) | 基于spsa的制冷系统最小能耗的数据驱动控制方法 | |
| CN109945402A (zh) | 一种中央空调水系统节能方法 | |
| CN109186127B (zh) | 一种地源热泵全局优化控制方法 | |
| CN101363653A (zh) | 中央空调制冷系统的能耗控制方法及装置 | |
| 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 | |
| CN113446705B (zh) | 一种地铁高效机房节能控制系统及控制方法 | |
| WO2023030522A1 (zh) | 一种数据中心空调系统诊断方法及装置 | |
| 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 | |
| CN110940061A (zh) | 中央空调控制方法及系统 | |
| CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
| CN114992926B (zh) | 一种用于跨临界co2空调系统的控制方法及控制系统 | |
| CN201318766Y (zh) | 中央空调制冷系统的冷却水泵能耗控制装置 | |
| CN114440409A (zh) | 一种中央空调系统自适应节能控制方法 | |
| CN116880220B (zh) | 一种基于IPSO-Elman神经网络建模的氟泵空调全年节能运行控制方法 | |
| CN111415036B (zh) | 一种中央空调系统并联冷机负荷优化分配方法 | |
| CN109270843A (zh) | 一种跨临界二氧化碳系统的水路模糊pid控制方法 | |
| CN104949274B (zh) | 一种变风量空调冷水机组双回路控制方法 | |
| CN201318767Y (zh) | 中央空调制冷系统的冷水机组能耗控制装置 | |
| CN113719929B (zh) | 一种溴化锂空调系统整体性优化控制方法和系统 | |
| Rashid et al. | Design and implementation of a fuzzy logic based controller for refrigerating systems | |
| CN110836518A (zh) | 基于系统基础知识的自学习空调系统全局优化控制方法 | |
| CN201318903Y (zh) | 中央空调制冷系统的冷却塔能耗控制装置 | |
| CN113821902B (zh) | 一种用于中央空调制冷站静态优化的自抗扰控制系统 | |
| CN110595008A (zh) | 一种地源热泵空调系统多设备协同优化方法及系统 |
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 |